論文の概要: Machine Learning Framework for Thrombosis Risk Prediction in Rotary Blood Pumps

• arxiv url: http://arxiv.org/abs/2512.15761v1
• Date: Fri, 12 Dec 2025 07:50:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.674944
• Title: Machine Learning Framework for Thrombosis Risk Prediction in Rotary Blood Pumps
• Title（参考訳）: ロータリー血液ポンプにおける血栓症リスク予測のための機械学習フレームワーク
• Authors: Christopher Blum, Michael Neidlin,
• Abstract要約: 回転式血液ポンプの血栓症は、信頼性と解釈可能なリスク予測への変換が難しい複雑な流れ状態から生じる。 本研究では,数値流体力学に基づく流れの直接的特徴に基づく空間血栓評価のための解釈可能な機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9090050839144254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Thrombosis in rotary blood pumps arises from complex flow conditions that remain difficult to translate into reliable and interpretable risk predictions using existing computational models. This limitation reflects an incomplete understanding of how specific flow features contribute to thrombus initiation and growth. This study introduces an interpretable machine learning framework for spatial thrombosis assessment based directly on computational fluid dynamics-derived flow features. A logistic regression (LR) model combined with a structured feature-selection pipeline is used to derive a compact and physically interpretable feature set, including nonlinear feature combinations. The framework is trained using spatial risk patterns from a validated, macro-scale thrombosis model for two representative scenarios. The model reproduces the labeled risk distributions and identifies distinct sets of flow features associated with increased thrombosis risk. When applied to a centrifugal pump, despite training on a single axial pump operating point, the model predicts plausible thrombosis-prone regions. These results show that interpretable machine learning can link local flow features to thrombosis risk while remaining computationally efficient and mechanistically transparent. The low computational cost enables rapid thrombogenicity screening without repeated or costly simulations. The proposed framework complements physics-based thrombosis modeling and provides a methodological basis for integrating interpretable machine learning into CFD-driven thrombosis analysis and device design workflows.
• Abstract（参考訳）: 回転式血液ポンプの血栓症は、既存の計算モデルを用いた信頼性と解釈可能なリスク予測への変換が難しい複雑な流れ状態から生じる。 この制限は、特定のフロー特徴がトロンバスの開始と成長にどのように貢献するかを不完全な理解を反映している。 本研究では,数値流体力学に基づく流れの直接的特徴に基づく空間血栓評価のための解釈可能な機械学習フレームワークを提案する。 構造的特徴選択パイプラインと組み合わされたロジスティック回帰(LR)モデルは、非線形特徴組合せを含むコンパクトで物理的に解釈可能な特徴集合を導出するために用いられる。 このフレームワークは、2つの代表的なシナリオに対して検証されたマクロスケール血栓症モデルから空間リスクパターンを用いて訓練される。 このモデルはラベル付きリスク分布を再現し、血栓症リスクの増加に伴う流れの特徴を識別する。 遠心ポンプに適用した場合, 単軸ポンプ動作点でのトレーニングにもかかわらず, 可塑性血栓症発症部位を予測した。 これらの結果から,解釈可能な機械学習は局所的なフロー特徴と血栓症リスクを関連付けることができるが,計算効率は高く,機械的に透明であることがわかった。 計算コストの低いため、反復やコストのかかるシミュレーションを伴わずに高速な血栓原性スクリーニングが可能となる。 提案フレームワークは物理に基づく血栓症モデリングを補完し,解釈可能な機械学習をCFD駆動型血栓症解析とデバイス設計ワークフローに統合するための方法論的基盤を提供する。

関連論文リスト

• Graph Deep Learning for Intracranial Aneurysm Blood Flow Simulation and Risk Assessment [2.759923839023361]
  頭蓋内動脈瘤は、世界中の神経疾患と死亡の主な原因である。 従来の計算流体力学シミュレーションは正確な洞察を提供するが、極めて遅く、専門的な専門知識を必要とする。 本稿では,このギャップを埋めるグラフニューラルネットワークサロゲートモデルを提案する。
  論文  参考訳（メタデータ） (2025-12-09T18:31:35Z)
• Geometric-Stochastic Multimodal Deep Learning for Predictive Modeling of SUDEP and Stroke Vulnerability [0.0]
  本稿では,脳波,心電図,呼吸,SpO2,EMG,fMRI信号を統合した幾何学的・確率的マルチモーダル深層学習フレームワークを提案する。 予測精度の向上と, 多様体曲率, 分数メモリ指数, 注意エントロピー, 拡散中心性から導かれる解釈可能なバイオマーカーについて検討した。
  論文  参考訳（メタデータ） (2025-12-09T05:28:09Z)
• Predicting Cascading Failures with a Hyperparametric Diffusion Model [66.89499978864741]
  拡散モデルのレンズによる電力グリッドのカスケード故障について検討する。 我々のモデルは、バイラル拡散原理と物理に基づく概念を統合する。 この拡散モデルはカスケード故障の痕跡から学習可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-12T02:34:24Z)
• Reconstructing Blood Flow in Data-Poor Regimes: A Vasculature Network Kernel for Gaussian Process Regression [2.9998889086656586]
  非ユークリッド空間である血管ネットワーク内のカーネルを再構築する新しい手法を提案する。 提案したカーネルは、時間的および血管間相関を符号化し、直接測定を欠いた血管における血流の再構築を可能にする。 本研究は, 単純Y字型分岐術, 腹部大動脈, ウィリス円の3症例において, モデルの性能を実証するものである。
  論文  参考訳（メタデータ） (2024-03-14T15:41:15Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Dynamic Bayesian Network Auxiliary ABC-SMC for Hybrid Model Bayesian Inference to Accelerate Biomanufacturing Process Mechanism Learning and Robust Control [2.727760379582405]
  本稿では,バイオプロセッシング機構の複雑な因果関係を特徴付ける知識グラフハイブリッドモデルを提案する。 非線形反応、部分的に観察された状態、非定常力学を含む重要な性質を忠実に捉えることができる。 我々は、メカニズム学習を容易にし、ロバストなプロセス制御を支援する後部分布モデルの不確かさを導出する。
  論文  参考訳（メタデータ） (2022-05-05T02:54:21Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。