Skip to content

Alber, Mark, Buganza Tepole, Adrian, Cannon, William R. et al. · 2019 · npj Digital Medicine

#multiscale-modeling #machine-learning #physics-informed-neural-network #digital-twin

??? info "Metadata" DOI: 10.1038/s41746-019-0193-y

📄 Quick Note

摘要概述

这篇综述由 Alber 等 11 位作者联合撰写，系统论证了 machine learning (ML) 与 multiscale modeling 在生物、生物医学和行为科学中的互补关系。ML 擅长从海量多保真度数据中挖掘 correlation，但忽视物理定律容易产生 ill-posed 问题或非物理解；multiscale modeling 能基于守恒律、本构关系揭示 mechanism 和 causality，但面对跨尺度大数据时效率不足。作者将整合方式归纳为四个象限：ODE-based、PDE-based、data-driven、theory-driven，并指出 physics-informed neural networks (PINNs) 是连接 PDE 与深度学习的关键范式。文章以 Digital Twin 为愿景，围绕 managing ill-posed problems、identifying missing information、creating surrogate models、bridging scales、quantifying uncertainty 等方向提出十二个开放问题，最终凝练为五大挑战：sparse data 下的预测建模、ill-posed 问题处理、massive design space 探索、causality 识别、以及 ML 方法局限性的认知。

关键图表

  • Figure 1 — ML 与 multiscale modeling 的互补关系总览图。在 parameter level（约束参数空间、识别参数值、敏感性分析）和 system level（利用物理约束、约束设计空间、识别系统动力学）两个层面展示协同：ML 提供 supplementing training data、preventing overfitting、surrogate models、uncertainty quantification；multiscale modeling 提供 mechanism elucidation、scale bridging、emergence of function。一句话：ML 负责 correlation，multiscale modeling 负责 causality。

  • Figure 2 — 以心脏系统为案例展示整合框架。cellular electrophysiology 的 ODE 与 electro-mechanical coupling 的 PDE 提供 physics 约束，ML 用于识别 gating variables 参数值和 anisotropic signal propagation 系统动力学。一句话：从细胞电生理到器官机电耦合的完整 scale-bridging 示范。

  • Figure 3 — PINNs 架构示意。左侧 unconstrained neural network 表示解 u(x,t)，右侧 residual network f(x,t) 由 PDE 决定其结构，深度正比于 PDE 最高阶导数。以一维 Schrödinger 方程为例，未知参数 λ1、λ2 通过学习获得。一句话：将 PDE 残差作为 loss 约束嵌入神经网络，实现物理知识指导的数据驱动建模。

与我的关联

当前 SMC G&R（vascular growth & remodeling）工作本质上就是 multiscale modeling，若能用 PINNs 或 Gaussian process surrogate 框架将 FEniCS 求解的 PDE 与临床/实验数据驱动的参数识别结合，有望解决本构参数标定中的 ill-posed 逆问题并量化不确定性。文章中提到的 cardiac tissue 参数 Bayesian 推断思路与 vascular G&R 参数标定高度相关。