用于集总参数血流动力学模型的摊销推理与可识别性分析的InVAErt网络
InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models
AI总结：
针对心血管模型参数估计因不可识别性导致的不适定逆问题，本研究引入inVAErt网络框架，在六房室集总参数血流动力学模型的多场景反演中验证了其灵活性与有效性。
摘要：
从电子健康记录（EHR）中估计心血管模型参数是一项重大挑战，其主要原因是缺乏可识别性。当参数空间中的一个流形被映射到同一输出时，会产生结构不可识别性；而数据有限、模型误设或噪声污染则可能导致实际不可识别性。为解决由此产生的不适定逆问题，基于优化或贝叶斯推理的方法通常采用正则化，这限制了发现多解的可能性。本研究使用inVAErt网络——一种基于神经网络的数据驱动框架，用于对刚性动力系统进行增强型数字孪生分析。我们在六房室集总参数血流动力学模型的生理反演场景中，验证了inVAErt网络的灵活性与有效性，测试覆盖从合成数据到存在成分缺失的真实数据。
英文摘要：
Estimation of cardiovascular model parameters from electronic health records (EHR) poses a significant challenge primarily due to lack of identifiability. Structural non-identifiability arises when a manifold in the space of parameters is mapped to a common output, while practical non-identifiability can result due to limited data, model misspecification, or noise corruption. To address the resulting ill-posed inverse problem, optimization-based or Bayesian inference approaches typically use regularization, thereby limiting the possibility of discovering multiple solutions. In this study, we use inVAErt networks, a neural network-based, data-driven framework for enhanced digital twin analysis of stiff dynamical systems. We demonstrate the flexibility and effectiveness of inVAErt networks in the context of physiological inversion of a six-compartment lumped parameter hemodynamic model from synthetic data to real data with missing components.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
