From Simulations to Inference: Using Machine Learning to Tune Patient-Specific Finite-Element Models of the Middle Ear Towards Objective Diagnosis
Notice bibliographique
Résumé
Computational models, particularly finite-element (FE) models, are essential for interpreting experimental data and predicting system behavior, especially when direct measurements are limited. A major challenge in tuning these models is the large number of parameters involved. Traditional methods, such as one-by-one sensitivity analyses, are time-consuming, subjective, and often return only a single set of parameter values, focusing on reproducing averaged data rather than capturing the full variability of experimental measurements. In this study, we applied simulation-based inference (SBI) using neural posterior estimation (NPE) to tune an FE model of the human middle ear. The training dataset consisted of 10,000 FE simulations of stapes velocity, ear-canal (EC) input impedance, and absorbance, paired with seven FE parameter values randomly sampled within plausible ranges. The neural network learned the association between parameters and simulation outcomes, returning the probability distribution of parameter values that can reproduce experimental data. Our approach successfully identified parameter sets that reproduced three experimental datasets simultaneously. By accounting for experimental noise and variability during training, the method provided a probability distribution of parameters, representing all valid combinations that could fit the data, rather than tuning to averaged values. The network demonstrated robustness to noise and exhibited an efficient learning curve due to the large training dataset. SBI offers an objective alternative to laborious sensitivity analyses, providing probability distributions for each parameter and uncovering interactions between them. This method can be applied to any biological FE model, and we demonstrated its effectiveness using a middle-ear model. Importantly, it holds promise for objective differential diagnosis of conductive hearing loss by providing insight into the mechanical properties of the middle ear.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».