Simulation-based inference for subject-specific tuning of middle ear finite-element models towards personalized 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. Tuning these models is particularly challenging when a large number of parameters are involved. Traditional methods, such as sensitivity analyses, are time-consuming and often provide only a single set of parameter values, focusing on reproducing averaged trends rather than capturing experimental variability. New approaches are needed to make computational models more adaptable to patient-specific clinical applications. We applied simulation-based inference (SBI) using neural posterior estimation (NPE) to tune an FE model of the human middle ear against subject-specific data. The training dataset consisted of 10,000 FE simulations of stapes velocity, ear-canal input impedance, and absorbance, paired with seven FE parameter values sampled within plausible ranges. By using simulated data, we generated a diverse training dataset, enabling efficient learning by the neural network (NN). The NN learned the association between parameters and simulation outcomes, providing a probability distribution of parameter values, which could be used to produce subject-specific computational inferences. By accounting for noise and test-retest variability, the method provided a probability distribution of parameters, rather than a single set, fitting three experimental datasets simultaneously. Importantly, examining the inferred parameter distributions alongside prior knowledge of normal ranges enables individualized differential inference used for diagnosis. SBI offers an objective alternative to sensitivity analyses, uncovering parameter interactions, supporting personalized diagnosis and treatment, and compensating for limited clinical training data. This method is applicable to any computational model, enhancing its potential for improved patient outcomes.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».