基于物理信息神经网络算子的受试者特异性经颅磁刺激电场快速预测方法

《Scientific Reports》：Physics-informed neural operators for rapid electric field prediction in transcranial magnetic stimulation of healthy and tumor subjects

　　准确且快速地预测经颅磁刺激（TMS）引起的电场，对于个性化临床应用至关重要，从重度抑郁症的个体化治疗到神经肿瘤学中的术前功能定位皆需依赖。然而，传统的有限元方法计算成本过高，难以满足交互式应用的需求。现有的深度学习代理模型在一定程度上缓解了这一问题，但大多局限于固定的体素网格表示，无法自然地适应受试者特定头部网格的不规则几何形状。我们提出了首个用于受试者特定向量TMS电场预测的物理信息神经网络算子（PINO），其基于一种网格原生的双编码器架构，联合编码头部解剖结构和线圈配置。通过引入与TMS次级场无旋特性相一致的正则化项，PINO模型在数据驱动的监督之外，以软正则化的方式促进了物理一致性。该框架在IXI数据集的75名受试者上进行训练，并在四个独立的保留测试数据集上进行了评估，其中包括来自另外两个磁共振成像队列的健康受试者，以及在学习型TMS电场预测中首次纳入的肿瘤患者。该与分辨率无关的公式在不同受试者、线圈类型和空间分辨率之间具有良好的泛化能力，且无需重新训练，即可在消费级GPU上于100毫秒内完成约30万个灰质体素节点上的向量电场预测。在所有测试数据集的焦点50%区域内，PINO模型的重心误差中位数为0.39–0.43毫米，均方根误差（RMSE）为0.12–0.16伏特/米，平均角度偏差为6.7°–7.3°，其性能处于或低于近期深度学习方法所报告的误差范围。在所选5%的物理损失权重下，旋度损失相较于仅数据驱动模型降低了9.1%，而RMSE和平均绝对偏差（MAD）分别仅增加1.6%和1.3%。这些结果表明，物理信息神经网络算子为快速灰质电场近似提供了一种可扩展的技术基础，支持未来实时电场引导的TMS工作流研究。