Simultaneous data assimilation and cardiac electrophysiology model correction using differentiable physics and deep learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Modelling complex systems, like the human heart, has made great progress over the last decades. Patient-specific models, called ‘digital twins’, can aid in diagnosing arrhythmias and personalizing treatments. However, building highly accurate predictive heart models requires a delicate balance between mathematical complexity, parameterization from measurements and validation of predictions. Cardiac electrophysiology (EP) models range from complex biophysical models to simplified phenomenological models. Complex models are accurate but computationally intensive and challenging to parameterize, while simplified models are computationally efficient but less realistic. In this paper, we propose a hybrid approach by leveraging deep learning to complete a simplified cardiac model from data. Our novel framework has two components, decomposing the dynamics into a physics based and a data-driven term. This construction allows our framework to learn from data of different complexity, while simultaneously estimating model parameters. First, using in silico data, we demonstrate that this framework can reproduce the complex dynamics of cardiac transmembrane potential even in the presence of noise in the data. Second, using ex vivo optical data of action potentials (APs), we demonstrate that our framework can identify key physical parameters for anatomical zones with different electrical properties, as well as to reproduce the AP wave characteristics obtained from various pacing locations. Our physics-based data-driven approach may improve cardiac EP modelling by providing a robust biophysical tool for predictions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle