科学家打造“逆有限元分析”数字孪生技术，可用于心脏病药物研发与评估

来源：DeepTech深科技

近日，美国肯尼索州立大学助理教授石磊和合作者，通过引入一种逆有限元分析（iFEA，inverse finite element analysis）框架的数字孪生（digital twin）技术，利用实时变化的医学图像数据，来估计心脏组织的力学特性。

通过此，他们在心脏力学建模领域取得了进一步突破，解决了现有心脏力学模型在动态图像数据处理方面的局限性。

在逆问题方法的帮助之下，课题组推理得出关于心脏组织力学特性的新知识，为个性化医疗提供了更可靠的工具。

（来源：arXiv）

后续，课题组计划在以下方面开展新探索：

其一，整合深度学习和图神经网络技术。

即探索如何将深度学习和图神经网络技术进一步整合到心脏力学建模的逆问题解决过程中。

例如，在研究人员即将发表的第二篇论文中，他们进一步了优化逆有限元分析框架。

从而可以通过图神经网络提高参数估计的准确性和效率，实现更精确的心脏组织力学特性估计。

利用这种框架，之前需要几天甚至几周完成的计算，现在只需几秒钟就可以出结果，能够大大降低医学应用的成本。

其二，拓展到其他医学应用领域。

基于图神经网络在解决传统有限元计算问题上的成功应用，可以考虑将这种技术拓展到其他医学应用领域。

例如，可以尝试用于骨骼生物力学建模、脑部组织力学分析等领域，从而提高医学领域中模拟和计算的准确性和效率。

其三，开发基于图神经网络的智能模型。

即可以进一步开发基于图神经网络的智能模型，实现对复杂生物力学系统的快速建模和预测。

预计这些智能模型能被用于辅助临床决策、个性化治疗规划等，推动医学领域的智能化发展。

其四，探索跨学科合作和应用。

未来可以加强与工程学、计算机科学等领域的跨学科合作，共同探索深度学习和图神经网络在医学领域的更广泛应用。

其五，开展临床实践和应用验证。

通过与临床医生和研究人员的合作，其将验证图神经网络在医学建模和医学分析中的实际效果和应用价值，为医学诊疗提供更有效的支持。

另据悉，对于自己所在的生物力学领域，石磊表示：“该由著名华人科学家冯元桢建立，并在一代又一代科学家的努力推动下取得了丰硕的成果。”

随着信息时代的高度发展，生物体的复杂性也得到了更深入的探索，他相信这个领域会迎来长足的发展。

因此，他希望能吸引更多有才华的学者加入这一行列，共同努力推动人类对生物体的理解，以期努力解决各种疾病问题，为人类健康和福祉做出更多贡献。

参考资料：

1.https://arxiv.org/pdf/2404.02807

排版：溪树