شبیه سازی جریان خون با استفاده از یادگیری عمیق (Deep Learning)

با نتایج تجربی موفق و کاربرد های گسترده، یادگیری عمیق[۱] پتانسیل تغییر آینده مراقبت های بهداشتی را دارد. استفاده از هوش مصنوعی به طور فزاینده ای رایج شده است و اکنون در تشخیص و درمان سرطان استفاده می شود. به طور مشابه، شبیه سازی خون هنگام پیش بینی مشکلات سلامتی مانند حمله قلبی، سکته ها و ... می تواند به چیز بزرگ دیگری [ ترند آینده :) ] تبدیل شود. سیستم گردش خون بدن ما وظیفه انتقال خون، مواد مغذی و اکسیژن به کل بدن را بر عهده دارد. هنگامی که جریان خون در قسمت خاصی از بدن مختل می شود، بر کل بدن تأثیر می گذارد. گردش خون ضعیف معمولاً علامتی برای یک مشکل اساسی بزرگتر است. بنابراین با مشاهده جریان خون در هر مکان خاص در بدن، می توانیم دریابیم که آیا در گردش خون در هر قسمت از بدن مشکلی وجود دارد و در نتیجه مشکل اساسی را پیدا کنیم. اما خون یک سیال غیر نیوتنی[۲] است و پیچیدگی های بالای محاسباتی آن به سرعت باعث بوجود آمدن یک محدودیت در این مسئله میشود. اما با استفاده از یادگیری عمیق ما میتوانیم جریان خون را الگوسازی کنیم.
یک الگوریتم عددی برای حل معادلات دیفرانسیل تصادفی با مشتقات جزئی با ابعاد بالا، بخاطر نفرین شناخته شده ابعادی[۳]، یک فرآیند چالش برانگیز بوده است. اینجاست که روش Deep Galerkin وارد میشود. این یک الگوریتم یادگیری عمیق بدون نظارت است که ما با استفاده از آن، با تبدیل مسائل دنباله دار عامل به مسائل گسسته از طریق تبدیل معادله به یک فرمول ضعیف، میتوانیم معادلات دیفرانسیل جزئی با ابعاد بالا را حل کنیم. ما می توانیم این کار را با اجرای محدودیت های اولیه و مرزی انجام دهیم.
ما میتوانیم سرعت و جریان خون را دریابیم و از این دو پارامتر به عنوان دو ویژگی در مجموعه داده خود استفاده کنیم. سرعت و جریان خون میتوانند با استفاده از معادلات دیفرانسیل جزئی نشان داده شوند. ما میتوانیم با حل این معادلات دیفرانسیل جزئی و به حداقل رساندن تلفات متعدد به طور همزمان جریان خون را مدلسازی و شبیه سازی کنیم. با مشاهده تغییر در سرعت و جریان خون ما توانیم احتمال بروز یک وضعیت نامطلوب بالقوه در سلامتی را پیش بینی کنیم. اما پیچیدگی های مربوط به رفتار غیر قابل پیش بینی یک سیال غیر نیوتنی مانند خون، خود را به عنوان یک مانع بزرگ سد راه جامعه علوم داده معرفی می کند.

پاورقی و توضیحات:
۱- Deep Learning

۲- در علم فیزیک، سیال نوعی از ماده است که به طور مداوم تحت فشار برشی یا نیروی خارجی تغییر شکل می‌یابد یا جاری میشود. بر اساس این تعریف، مایعات و گاز ها جز سیالات هستند.
گران‌رَوی یا ناروانی عبارت است از مقاومت یک سیال در برابر اعمال تنش برشی. به تعریفی دیگر، مقاومت اصطکاکی یک مایع یا گاز را در برابر شارش یا لغزیدن لایه‌ها، هنگامی که تحت تنش برشی قرار گیرد گِران‌رَوی می‌گویند. نام‌های دیگر گران‌روی عبارت است از: چسبناکی، وُشکسانی (وشک در فارسی به معنی صمغ است)، ویسکوزیته و لِزْجَت.
کرنش (به انگلیسی: strain) در اصطلاح فیزیک به تغییر در طول جسم جامد در هر جهت نسبت به طول آن جسم در همان جهت که در اثر اعمال نیرو (تنش) پدید می‌آید، گفته می‌شود
سیالات غیر نیوتنی، نوعی از سیالات هستند که گرانروی آنها با نرخ کرنش وارد بر آنها تغییر میکند. در نتیجه چنین سیالاتی فاقد گرانروی معین هستند و محاسبه گرانروی آنها بسیار پیچیده میباشد. مانند صابون های مایع، غذا هایی مانند کره، سس کچاپ و …
۳-نفرین ابعادی در علم Big Data به مشکلاتی اتلاق میشود که با گسترش ابعاد بوجود می‌آیند و یا زیاد میشوند. موضوع و زمینه اصلی این مشکلات به این شکل هست که زمانی که ابعاد گسترش می‌یابند، حجم فضا چنان با سرعت افزایش می‌یابد که داده های موجود پراکنده میشوند.

ویدئو توضیحات مقاله:

https://www.aparat.com/v/Jmj24

منابع:
1-https://medium.com/ai-techsystems/blood-flow-simulation-using-deep-learning-7f8e4fb9524a
2-https://fa.wikipedia.org/wiki/%D8%B3%DB%8C%D8%A7%D9%84_%D8%BA%DB%8C%D8%B1%D9%86%DB%8C%D9%88%D8%AA%D9%86%DB%8C
3-https://fa.wikipedia.org/wiki/%D8%B3%DB%8C%D8%A7%D9%84
4-https://fa.wikipedia.org/wiki/%DA%AF%D8%B1%D8%A7%D9%86%E2%80%8C%D8%B1%D9%88%DB%8C
5-https://fa.wikipedia.org/wiki/%DA%A9%D8%B1%D9%86%D8%B4
6-https://en.wikipedia.org/wiki/Curse_of_dimensionality