From simulations to surrogates: Neural networks enhancing burn wound healing predictions
Notice bibliographique
Résumé
Burn injuries trigger substantial inflammation, complicating wound healing and potentially leading to severe systemic complications. Understanding the immune response to burns is crucial for improving treatment. Although agent-based models (ABMs) are valuable for studying these interactions, they are computationally demanding. This paper explores the integration of neural networks (NNs) as surrogate models to approximate and forecast ABM simulation results in predicting cytokine concentrations over time and space. We present the development of a baseline ABM using the CompuCell3D software, simulating the innate immune response and generating extensive cytokine concentration data. This data is processed and prepared for neural network training, involving data cleaning, transformation into suitable formats, and a time-series-aware train-test split. We then implement and assess various neural network architectures. Each model is designed to capture the temporal and spatial dynamics of cytokine concentrations, with adjusted model architectures (kernels, number of layers, neurons per layer) to better suit this problem. The models are evaluated using Mean Squared Error, R-squared, and Mean Absolute Percentage Error. In this paper, we assess how different NN architectures (convolutional neural networks (CNNs), long short-term memory (LSTM) neural networks, attention mechanisms, and physics-informed neural networks (PINNs)) predict the concentration of cytokines in this biological system. We find that STA-LSTM generally performs best across statistical metrics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».