Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs
Kayode Olumoyin, Katarzyna Rejniak
物理信息神经网络(PINNs)是神经网络,它将微分方程建模的动力学系统的定律嵌入到它们的损失函数中作为约束。 在这项工作中,我们提出了一个应用于肿瘤学的PINN框架。 在这里,我们寻求学习由于肿瘤微环境中的组合治疗而导致的时间变化相互作用。 在肿瘤学中,实验数据往往稀疏,由肿瘤体积的几个时间点组成。 通过嵌入来自先前关于动力学系统的信息的归纳偏差,我们扩展了物理信息神经网络(PINN),并将观察到的生物约束作为正则化因子。 修改后的PINN算法能够引导自己找到合理的解决方案,并且只需几个训练示例就可以很好地推广。 我们通过学习在组合疗法的普通微分方程(ODE)模型中间歇性应用的治疗动力学来证明我们方法的优点。 该算法为一些ODE模型参数的ODE和时间变化形式提供了解决方案。 我们使用诸如均平方误差(MSE)、均绝对误差(MAE)和均绝对百分率误差(MAPE)等指标展示了强大的收敛性。
Physics-informed neural networks (PINNs) are neural networks that embed the laws of dynamical systems modeled by differential equations into their loss function as constraints. In this work, we present a PINN framework applied to oncology. Here, we seek to learn time-varying interactions due to a combination therapy in a tumor microenvironment. In oncology, experimental data are often sparse and composed of a few time points of tumor volume. By embedding inductive biases derived from prior infor...
