Neural Networks bestimmen viskoelastische Parameter im Blutflussmodell

In der neuesten Studie von Forschern aus dem Bereich der mathematischen Modellierung wird gezeigt, wie moderne neuronale Netzwerke dazu beitragen können, die komplexen viskoelastischen Eigenschaften arterieller Wände präzise zu bestimmen. Durch den Einsatz von Asymptotic‑Preserving Neural Networks werden die physikalischen Gesetze des Blutflusses direkt in das Lernverfahren integriert, sodass Parameter, die bisher nur schwer zu messen waren, zuverlässig ermittelt werden können.

Das zugrunde liegende Modell ist ein eindimensionales, multiskaliges Blutflussmodell, das die Deformation der Arterien unter pulsierender Druckbelastung beschreibt. Ein zentrales Problem in der Praxis ist die genaue Bestimmung der viskoelastischen Parameter, die das Verhalten der Gefäßwände steuern. Die Autoren haben dieses Problem adressiert, indem sie ein neuronales Netzwerk entwickelt haben, das die Governing Physical Principles des Modells nutzt, um die Parameter zu identifizieren und gleichzeitig die zeitabhängige Entwicklung der Zustandsvariablen zu rekonstruieren.

Ein besonderer Vorteil dieser Methode besteht darin, dass sie aus leicht zugänglichen, patientenspezifischen Daten – nämlich Querschnittsflächen und Geschwindigkeitsmessungen aus Doppler‑Ultraschall – Druckwellenformen schätzt, auch in Gefäßsegmenten, in denen direkte Druckmessungen nicht möglich sind. Durch umfangreiche numerische Simulationen, sowohl in synthetischen als auch in patientenspezifischen Szenarien, konnte die Effektivität des Ansatzes demonstriert werden.

Die Ergebnisse deuten darauf hin, dass Asymptotic‑Preserving Neural Networks ein vielversprechendes Werkzeug für die nicht-invasive Analyse von Herz-Kreislauf‑Phänomenen darstellen und die praktische Anwendbarkeit multiskaliger Blutflussmodelle erheblich verbessern können.