Ученые предложили использовать искусственный интеллект для разработки новых протезов клапанов сердца. Сочетание моделей машинного обучения совместно с математическими алгоритмами оптимизации позволяет ускорить подбор множественных параметров створок протеза и получить клапан сердца «идеальной» конфигурации в несколько тысяч раз быстрее, чем в случае классической разработки, основанной на многократном цикле изготовления прототипа и его исследования. Оптимизация поможет сократить напряжение, возникающее в створках протезов при работе, а значит, сделает их более долговечными. Результаты исследования, поддержанного Российским научным фондом (РНФ), опубликованы в журнале Frontiers in Bioengineering and Biotechnology.
Более 75 миллионов человек во всем мире страдает от пороков сердечных клапанов, то есть таких нарушений в работе, при которых клапан либо не открывается, либо не закрывается полностью. Из-за этого сердце испытывает избыточные нагрузки, что может привести к сердечной недостаточности и другим тяжелым осложнениям. Единственный эффективный способ лечения пороков сердечных клапанов — это их протезирование, то есть замена на искусственные аналоги.
Однако длительные наблюдения за пациентами с искусственными клапанами показали, что спустя 10-15 лет после установки протезы начинают разрушаться из-за иммунного ответа организма и постоянных механических нагрузок. Поэтому ученые стараются оптимизировать форму и конструкцию протезов так, чтобы уберечь их от избыточных напряжений и преждевременного износа. Для этого с помощью компьютерных программ моделируют искусственный сердечный клапан и оценивают действующие на полученную конструкцию нагрузки. Поскольку с первого раза «угадать» оптимальную форму практически невозможно, ее поиск оказывается очень длительным и напоминает метод «проб и ошибок».
Ученые из Научно-исследовательского института комплексных проблем сердечно-сосудистых заболеваний (Кемерово) с коллегами из Миланского политехнического университета (Италия) и Трентского университета (Италия) предложили комбинировать модели машинного обучения и алгоритмы оптимизации для поиска наилучшей геометрии сердечных клапанов.
Предложенный авторами подход заключается в следующем: программа-оптимизатор выдает модели машинного обучения некоторые сочетания важнейших геометрических параметров клапана: высоту, толщину, диаметр, угол между его створками, прочность материала для протеза, места, в которых клапан испытывает максимальные нагрузки, и другие. Модель машинного обучения (регрессор), в свою очередь, на основе полученных параметров предсказывает напряжения и площадь просвета клапана в открытом состоянии и возвращает результаты предсказания оптимизатору. Далее оптимизатор меняет параметры в соответствии с выбранным математическим алгоритмом, и процесс повторяется до 2000 раз, пока не будет найдено лучшее решение. Если при ручном проектировании этот процесс может занимать несколько месяцев, то в данном случае — всего несколько часов.
На первом этапе исследования ученые сгенерировали более 11 тысяч вариантов сердечных клапанов и выполнили компьютерное моделирование для каждого из них. Это позволило получить набор данных о напряжении створок и площади просвета клапана в открытом состоянии для каждой из конфигураций протеза. Затем эти данные были использованы для машинного обучения более 340 моделей, комбинация лучших из которых позволила достигнуть точности предсказания в 96–98%. Таким образом, результатом первого этапа стала программа, способная предсказывать показатели протезов на основе введенных характеристик. В перспективе она позволит отказаться от классических численных методов.
На втором этапе исследования авторы протестировали шесть программ-оптимизаторов, различающихся принципом подбора геометрических характеристик. Например, некоторые из них создавали сочетания высоты, диаметра и других параметров клапана каждый раз случайным образом, другие же генерировали каждый последующий вариант, опираясь на результат предыдущих подборов. Оказалось, что быстрее всего и с наименьшими ошибками работали оптимизаторы Tree-structured Parzen Estimator и Nondominated Sorting Genetic Algorithm. Последний работал по принципам, похожим на естественный отбор в биологии, а потому шел по оптимальному пути для поиска новых вариантов геометрий.
«Применение новых методов при проектировании медицинских изделий поможет улучшить качество устройств, ускорить процесс разработки и сократить стоимость их производства. В итоге такое нововведение может обеспечить больший доступ пациентов к качественной медицинской помощи и стимулировать инновации в других областях медицинской науки. В дальнейшем мы планируем изготовить прототип по результатам генеративного дизайна для того, чтобы оценить его гидродинамические показатели в реальном мире и сравнить его с существующими моделями», — рассказывает руководитель проекта, поддержанного грантом РНФ, Евгений Овчаренко, кандидат технических наук, заведующий лабораторией новых биоматериалов НИИ КПССЗ.
Информация предоставлена пресс-службой Российского научного фонда
Источник фото: ru.123rf.com