基于深度学习结合遗传算法预测高频不可逆电穿孔(H-FIRE)阈值

《Computer Methods and Programs in Biomedicine》:Prediction of high-frequency irreversible electroporation (H-FIRE) threshold via deep learning combined with genetic algorithm

【字体: 大 中 小 】 时间:2026年10月12日 来源:Computer Methods and Programs in Biomedicine 6.4

编辑推荐:

   **摘要** **背景与目的:** 高频不可逆电穿孔(H-FIRE)在多种医疗应用中展现出良好前景。然而,H-FIRE过程的复杂性使得准确预测电场(E-field)致死阈值变得困难,而该阈值对于安全和有效的治疗规划至关重要。**方法:** 本文提出了一种结合深度学习(DL)

  **摘要****背景与目的:** 高频不可逆电穿孔(H-FIRE)在多种医疗应用中展现出良好前景。然而,H-FIRE过程的复杂性使得准确预测电场(E-field)致死阈值变得困难,而该阈值对于安全和有效的治疗规划至关重要。**方法:** 本文提出了一种结合深度学习(DL)与遗传算法(GA)的预测方法。采用局部可解释模型无关解释(LIME)评估模型的可解释性,并将预测性能与传统有限元模拟进行比较。**结果:** 初始DL框架在训练集上的平均绝对误差(MAE)为0.02,在测试集上为0.03,但部分预测值与真实值存在较大偏差。经GA优化后,训练集MAE降至0.013(降幅35%),测试集MAE降至0.023(降幅23%)。致死阈值的最大训练误差从1.4 kV·cm?1显著降至0.3 kV·cm?1,仅有8%的测试误差超过0.2 kV·cm?1(降幅47%)。此外,优化后的DL-GA模型在真实MAE方面(0.06 kV·cm?1)相较于先前的报道(0.511 kV·cm?1)实现了显著降低。**结论:** 所提出的DL-GA框架能够快速准确地预测H-FIRE致死阈值,为未来临床实践提供了潜在工具。---**引言**电穿孔是一种创新的微创医疗技术,利用瞬态微秒级电脉冲在细胞膜上诱导纳米级缺陷或孔洞[1]。根据膜重新封闭能力,该技术从根本上分为两类:一类是可逆电穿孔(RE),其特征是在移除电场后能够自我修复;另一类是不可逆电穿孔(IRE),其特征是永久性细胞死亡[2]。尽管两种方法都已广泛应用于临床肿瘤学,但近年来IRE已成为首选方法,这归功于其非热作用机制和对消融体积的精确控制[3],从而将组织损伤降至最低。因此,IRE获得了显著更大的应用份额,逐渐超过了此前占主导地位的可逆电穿孔。然而,传统的IRE技术利用低频电脉冲,在治疗过程中常导致肌肉收缩[4]和局部加热[5]等不良副作用。为克服这些局限性,高频IRE(H-FIRE)技术作为一种有前景的替代方案应运而生。H-FIRE通过使用快速、超短的电脉冲靶向组织/细胞,近年来因其克服上述挑战的潜力而备受关注[6,7]。H-FIRE成功的关键因素之一是施加适当的电场(E-field)强度,从而实现有效的肿瘤消融同时确保治疗安全。因此,确定电场致死阈值在消融过程中至关重要,已在众多报告中进行广泛研究。例如,Dong等人[8]研究了H-FIRE在人类前列腺癌消融中的可靠性和安全性。其研究结果显示治疗过程中没有明显的肌肉收缩,并通过实验与模拟结合确定了522 ± 74 V·cm?1的致死阈值。Aycock等人[9]将H-FIRE电场应用于体外三维细胞培养模型中的前列腺癌细胞,证明10-1-10波形产生了最低的750 ± 50 V·cm?1致死阈值,且副作用最小。Kaufman等人[10]使用离体猪肝研究了H-FIRE的消融特性。结果显示,H-FIRE治疗一致地产生了快速的组织消融且无热损伤,在0.02 s的电刺激时间下致死阈值为690 ± 252 V·cm?1。Campelo等人[11]进一步证明H-FIRE技术可以提高恶性胶质瘤治疗中的生存率,确定了1-5-1波形的致死阈值为961 ± 46 V·cm?1。尽管取得了这些进展,确定电场致死阈值的传统策略需要考虑到消融过程中固有的多样性和复杂性[12],如实验设置、组织/细胞物理性质、细胞变形等。这些因素往往导致计算成本增加,并可能降低计算精度。因此,亟需开发快速精确的预测方法。深度学习(DL)方法作为机器学习技术的一个主要分支,代表了一种数据驱动的学习范式,其特征是受生物神经元结构和功能启发的复杂网络结构[13]。由于其卓越的灵活性和泛化能力,DL已被应用于多个领域,包括能源[[14], [15], [16]]、材料[[17], [18], [19]]、环境[[20], [21], [22]]和医学[[23], [24], [25]]等领域。然而,利用DL预测IRE过程的相关研究仍处于相对未探索的状态。例如,De Cillis等人[26]提出了一种机器学习策略来预测消融区域和某些电极规格。他们的研究发现,在一个实验中观察到消融区域的最大误差为50%,这主要归因于训练数据集规模的限制。类似地,Zappatore等人[27]提出了采用人工神经网络来预测H-FIRE过程中的消融区域和电场致死阈值,实现了0.1344的平均绝对误差。尽管取得了这些进展,先前的研究仍面临一系列局限,包括参数依赖性、数据稀疏性和低计算效率,导致预测误差增加和泛化能力差。本文提出了一种将深度学习与遗传算法(GA)相结合的新框架,以准确且高效地预测H-FIRE电场致死阈值。该方法的一个关键特征是系统性地选择和优化24个输入变量,从而减少参数冗余。此外,还采用局部可解释模型无关解释(LIME)作为工具,在局部层面解释模型预测,提供关于特定输入特征如何影响给定输出的见解。这些策略拓展了深度学习在医疗领域中的应用,为未来临床实践提供了潜在工具。---**各部分摘要****H-FIRE的物理过程**将生物细胞和组织暴露于具有足够幅度的高频电脉冲中以增加膜通透性的过程被称为高频电穿孔技术。最初,脂质双分子层中的水合孔洞在电感应下形成。如图1所示,如果感应电场低于致死阈值,则移除电脉冲后膜可以恢复其自然状态。反之,如果电场超过致死阈值……**参数相关性分析**在预测过程中,输入参数的数量和质量显著影响DL网络的精度和泛化能力。一般来说,输入参数数量不足可能导致精度不够,而参数数量过多则会大幅增加计算成本。因此,选择一组适当的输入参数至关重要,这些参数应与输出具有强相关性,同时保持参数间的低相关性……**讨论**本研究提出了一种DL-GA混合框架,用于预测H-FIRE电场致死阈值。结果表明,所提出的方法实现了卓越的精度、改进的鲁棒性和出色的计算效率,对临床实践和计算建模均具有重要意义。相关性分析证实,所选的大部分输入特征与致死阈值强相关,同时保持参数间的低相关性,确保了模型的精度……**结论**本研究提出了一种基于DL的方法,用于预测H-FIRE中的电场致死阈值。通过全面的相关性分析,建立了一组最优的输入参数,以兼顾低相关性和更好的实用性。DL网络展现出卓越的精度,训练集和测试集的MAE分别为0.02和0.03,尽管少数预测值与真实值存在显著偏差。随后,采用GA对网络进行改进……**伦理声明**本研究无需伦理审批。**生成式AI和AI辅助技术在写作过程中的声明**在准备本作品过程中,作者使用了DeepSeek和ChatGPT以提高清晰度和语言表达。使用工具后,作者根据需要审查并编辑了内容,并对出版物的内容承担全部责任。**利益冲突声明**作者声明不存在已知的可能影响本文报告工作的竞争性经济利益或个人关系。**道德声明**作为提交至《计算机方法与程序在生物医学中的应用》期刊的作者,我们确认严格遵守爱思唯尔的**出版道德指南**(https://www.elsevier.com/about/policies-and-standards/publishing-ethics#4-duties-of-authors)。特别是,我们声明如下:**原创性与抄袭** 本手稿是作者的原创作品,未从其他来源复制或抄袭。任何引用先前已发表材料的内容……**CRediT作者贡献声明****田阳:** 可视化、方法论、形式分析、数据整理、概念化。**吴兴辉:** 写作——审查与编辑、验证、软件、资源、方法论、调查研究。**杨春:** 写作——审查与编辑、监督、项目管理、资金获取。---田阳 | 吴兴辉 | 杨春上海理工大学能源与动力工程学院,上海,200093,中国
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号