跳到正文
原文
arXiv · Quantitative Methods· Md Rezwan Jaher, Abul Mukid Mohammad Mukaddes, A. B. M. Abdul Malek
· 22 小时前

解构眼内压:一种非侵入式多阶段概率逆问题框架

Deconstructing Intraocular Pressure: A Non-Invasive Multi-Stage Probabilistic Inverse Framework

预印本 · 尚未经过同行评审

AI 导读

两阶段物理引导框架将单次眼内压测量解构,非侵入估计小梁网通透性和常规流出易度,青光眼队列诊断准确率达88.9%。

摘要 · AI 翻译

我们提出面向生物输运系统的机制分层反问题(mechanistically hierarchical inverse problem, MHIP)范式,其中宏观观测由内在微观物理与潜在宏观几何的乘性纠缠所涌现。在缺乏体内真实基准的情况下,仅凭临床数据求解 MHIP 严重欠定。标准统计采样会沿不可辨识流形退化,而整体式机器学习基线则坍缩为不可解释的条件均值。我们提出一种两阶段物理引导分解方法,将全局不可辨识的逆映射转化为条件可辨识的子问题。第一阶段是受约束的逆代理模型,在固定参考几何下分离出内在参数。第二阶段针对群体级临床数据进行经验性结构校准。我们还引入物理校准数据缩放(Physics-Calibrated Data Scaling, PCDS),这是一种多保真度策略,无需患者特异性三维建模即可从少量高保真仿真中构建大规模训练集。在一项青光眼案例研究中,该框架将单次眼内压(intraocular pressure, IOP)测量解构,以估计小梁网渗透率($\hat{K}_{TM}$)和常规流出易度($\hat{C}_{trab}$)。在针对已发表体内数据的回顾性验证中,无创的 $\hat{C}_{trab}$ 估计相对于实测流出易度表现出低偏差。在覆盖 27 个临床队列的消融实验中,朴素整体式基线达到 37.0% 的诊断准确率。加入分离出的 $\hat{K}_{TM}$ 估计后,该准确率提升至 85.2%。完整的两阶段框架达到 88.9%。该框架还返回潜在流体动力学状态的概率剖面,为 MHIP 提供了一种通用计算蓝图。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Quantitative Methods · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。