Быстрое предсказание торсионных характеристик персонализированного стента периферической артерии на основе машинного обучения

Сложная механическая среда периферических артерий делает стенты с плохими торсионными характеристиками более подверженными разрушению, а перелом стента рассматривается как предшествующее событие ин-стент рестеноза (ISR). Поэтому изучение торсионных характеристик стентов является ключевым. Хотя метод конечных элементов (МКЭ) может точно моделировать торсионное поведение стентов, его временная затратность затрудняет удовлетворение требований быстрого проектирования индивидуальных стентов. Следовательно, интеграция эффективных моделей машинного обучения (ML) в процесс проектирования стентов может быть целесообразным подходом. В настоящем исследовании разработан метод быстрого прогнозирования на основе машинного обучения для оперативного предсказания торсионных характеристик персонализированных стентов периферических артерий. Набор данных из 200 различных конструкций стентов был сгенерирован с использованием латинского гиперкубического отбора (Latin Hypercube Sampling, LHS) и МКЭ. Набор данных был разделен на обучающую выборку (160 образцов) и тестовую выборку (40 образцов). На основе четырех входных переменных — длина кольца перемычки (LS), ширина перемычки (WS), ширина связи (WL) и толщина стента (T) — была сравнена предсказательная способность полиномиальной регрессии (PR), регрессии случайного леса (RFR) и опорных векторных регрессоров (SVR) для метрики кручения (TM). Для имитации реального применения моделей ML после их обучения и тестирования весь набор данных (объединяющий обучающую и тестовую выборки) использовался для повторного обучения при неизменных управляющих параметрах. Валидизационная выборка (10 образцов) была сгенерирована методом отбора и МКЭ, и повторно обученные модели ML использовались для предсказания и валидации их работы. Путем комплексного сравнения предсказательной способности моделей ML на обучающей, тестовой и валидационной выборках производительность алгоритмов ранжировалась следующим образом: PR > SVR > RFR. Модель PR достигла средней абсолютной ошибки (MAE): обучающая выборка = 0.02847; тестовая выборка = 0.03083; валидационная выборка = 0.04311 и коэффициента детерминации (R2): обучающая выборка = 0.95148; тестовая выборка = 0.97822; валидационная выборка = 0.94397. Этот метод эффективно сокращает цикл проектирования стентов и удовлетворяет потребность в быстром индивидуализированном проектировании и выборе стентов. Кроме того, метод может быть расширен для прогнозирования других механических свойств стента и применен в многоцелевой оптимизации проектирования стентов.