基于NARX-LSTM人工智能预测模型优化石墨烯-磁铁矿纳米杂化物用于肿瘤磁热疗的研究

《Biomaterials Advances》：Enhanced magnetic hyperthermia in graphene–magnetite nanohybrids for cancer therapy: Artificial intelligence-driven validation via Nonlinear Autoregressive with Exogenous Inputs-Long Short-Term Memory (NARX–LSTM) forecasting

本文系统评估了不同组成（Fe3O4/石墨烯比例0-100%）和交变磁场（AMF）参数（163-982 kHz，12.7-23.9 mT）下石墨烯-磁铁矿纳米杂化物（GMNHs）的磁热效应。创新性地采用非线性自回归外源输入长短期记忆（NARX-LSTM）混合深度学习模型，实现了温度演变的精准预测（R2≥0.997）。研究发现F75G25和F65G35分别在特定AMF条件下可达40-45°C治疗窗口，其中F65G35在518 kHz/23.9 mT时获得最高比吸收率（SAR=1.39 W/g）。该研究为人工智能（AI）驱动纳米医学个性化癌症治疗提供了新范式。

　　

^亮点

石墨烯-磁铁矿纳米杂化物在不同组成和交变磁场（AMF）条件下展现出差异化的加热行为。实验结果表明，F₇₅G₂₅在163 kHz/16.4 mT条件下表现最佳，F₆₅G₃₅在518 kHz/23.9 mT时最优，而F₈₅G₁₅则在734 kHz/16.9 mT时效果最好——这三者均能将温度精准维持在40-45°C的治疗窗口内，同时最大化比吸收率（SAR）。在982 kHz/12.7 mT条件下，场强的减弱限制了加热效果，这凸显了匹配AMF频率/振幅与纳米颗粒弛豫时间的重要性。

^结论

石墨烯-磁铁矿纳米杂化物（GMNHs）的加热性能表现出显著的组成依赖性，且受交变磁场（AMF）条件调控。通过非线性自回归外源输入长短期记忆（NARX-LSTM）模型的整合，我们实现了对纳米杂化物热行为的精准预测（R² ≥ 0.997），这为优化磁热疗参数提供了强大工具。本研究成功展示了人工智能（AI）与纳米技术协同在癌症治疗领域的巨大潜力——通过智能预测实现个性化治疗方案，同时最大程度降低毒性副作用。这项突破为开发更安全、高效的肿瘤治疗策略开辟了新道路。