基于ANN和XGBoost代理模型的机器学习辅助激光-组织相互作用非傅里叶多层生物热传递预测

《International Communications in Heat and Mass Transfer》：Machine learning-assisted prediction of non-Fourier multilayer bioheat transfer during laser–tissue interaction using ANN and XGBoost surrogate models

　　

•研究了多层皮肤组织中的非傅里叶生物热传递。
•采用波长依赖的比尔-朗伯定律对激光吸收进行建模。
•敏感性分析确定波长为主要热参数。
•XGBoost 比 ANN 模型具有更高的预测精度。
•通过机器学习实现实时热预测。

引言

激光技术已成为现代医疗保健中的重要工具，特别是在从小型疤痕到恶性皮肤疾病等各种皮肤疾病的治疗中。激光技术的使用能够实现高度精准、个性化和高效的干预治疗。当激光辐射与生物组织相互作用时，可能发生多种过程，包括热效应、生化改变和组织汽化。这些机制为临床医生提供了多种方法来处理各种皮肤问题。将光辐射应用于皮肤的一个基本方面是在组织内产生热量，从而产生许多治疗过程所需的热响应。在激光治疗期间，通常会冷却表皮以保护外层皮肤，同时产生镇痛效果。这种策略可以在不给患者造成过度不适的情况下使用更高的激光能量[1]。

除了温度预测外，非傅里叶效应还会影响生物组织在快速激光加热过程中的耦合热-机械响应。Ghanbari 和 Rezazadeh[63] 使用与组织位移方程耦合的 Cattaneo–Vernotte 热传导定律，研究了受激光加热皮肤组织的二维热振动响应。他们的分析表明，热弛豫既改变了瞬态温度演化，也改变了组织相关的机械响应。特别是，增加弛豫时间改变了早期温度响应，移动了热峰的出现，并影响了不同形式激光载荷下瞬态热和机械振动的振幅。这些发现表明，非傅里叶参数的影响与施加热激励的特征时间尺度和时间形式密切相关。它们还表明，对弛豫效应的物理意义评估应特别关注早期瞬态阶段，而不是假设显著差异必须贯穿整个加热过程持续存在。

激光产生的生物效应很大程度上取决于发射辐射的波长。波长决定了激光能量在组织内被特定发色团吸收的强度，同时也决定了辐射穿透的深度。因此，选择适当的激光参数对于确保治疗有效性并防止周围组织过热或受损至关重要[2]。由于医学和美容程序中有许多激光系统可用，选择合适的激光必须考虑目标病理及其在皮肤内的深度。一般来说，较长的波长在发生显著吸收之前往往会深入生物组织[2]。

除了光波长之外，一系列其他因素会影响光束穿透生物组织的程度。这些因素包括脉冲持续时间、激光束的功率和强度、表面接触程度、偏振、光束相干性以及皮肤组织的机械压缩[3]。了解这些参数对于提高效率和避免治疗引起的不良效应至关重要。人体皮肤组织由三层组成——表皮、真皮和皮下组织。每一层都有独特的物理和热特性；因此，每种情况下的热传递过程表现不同，并对激光治疗的效率产生重大影响。在皮肤科医生使用的各种激光治疗设备中，值得关注的是一款工作波长为2940 nm的掺镱：钇铝石榴石（Erbium:YAG）激光。这种激光的特点是水中吸收效率高，脉冲持续时间短。因此，该激光可以在不向邻近区域显著散热的情况下加热特定组织位置，并执行高度精确的组织汽化[2]。然而，应注意的是，相对较低的穿透深度以及与毛细血管开放相关的出血风险是临床上使用这种激光的两个限制因素。成功治疗皮肤疾病的关键在于充分了解激光辐射与生物组织的相互作用，并根据具体病例适当调节激光参数。在这些任务中，最有前景的分析方法之一是开发生物组织物理和热特性的数学模型。目前已经有许多使用建模方法研究软骨[4]、肝脏[5]、[6]和动脉[7]的成功案例。建模也可以有效地用于研究暴露于激光辐射影响下的人体皮肤组织的反应。

最古老且最常用数学公式之一是Pennes提出的生物热方程，基于傅里叶热传导定律[8]。该生物热模型被广泛用于解决不同的生物医学问题，如激光热疗建模[9]、预测烧伤损伤扩散[10]以及评估医疗干预的热损伤[11]、[12]。进一步的调查研究导致对傅里叶定律进行修改，形成双相延迟（DPL）热传导模型[13]。该模型涉及在热流和温度梯度项中引入时间延迟；因此，可以实现生物介质内热波传播更精确的建模。该模型的应用已展示在研究皮肤组织热弹性[14]、多层皮肤[15]、生物热传递问题[16]和皮肤组织内的生物热-机械相互作用[17]中。然而，该模型面临着无法准确描述热波行为以及难以验证实验数据的批评[18]、[19]。一种描述热流的先进本构关系，考虑了热流、温度梯度和热位移梯度，导致了三相延迟（TPL）热传导模型的提出[20]、[21]、[22]、[23]、[24]、[25]。

为了更准确地模拟人体皮肤复杂的多层性质，许多研究者采用了多层模型并结合光学模拟。例如，蒙特卡罗方法被广泛用于模拟生物组织中的光学吸收和穿透[26]、[27]。随机方法也被用于分析多层皮肤模型中与不同激光波长和激光功率水平相关的功率损耗[28]，并计算亚洲皮肤组织类型的吸收系数[29]。激光束的穿透深度不仅受激光束波长的影响，还受目标皮肤区域的影响[30]。基于蒙特卡罗模型的随机方法已被用于确定光束宽度和波长等因素如何影响穿透深度[31]。另一项研究考察了不同皮肤类型和激光波长对穿透深度的影响[32]。

分析激光辐照下皮肤热和机械特性的数值技术也已被提出。例如，已经进行热传递和变形建模来研究各种激光参数（如波长、光束大小和强度）的影响[33]。其他研究表明，皮肤温度对激光强度、波长和生物参数（如色素沉着）高度敏感[34]。已经使用有限元方法（FEM）研究皮肤对激光脱毛的热传递和机械响应，其中波长变化影响了结果[35]、[36]。此外，通过有限元计算分析了多层皮肤在激光下皮肤层厚度对温度变化的影响[37]。为了更准确地表示皮肤的机械特性，已经开发出同时考虑生物组织弹性和粘性的粘弹性模型[38]、[39]、[40]、[41]。

与非傅里叶生物热建模的进展并行的是，数据驱动和机器学习方法越来越多地与基于物理的热模拟相结合，以减少计算成本并促进快速探索激光治疗参数。一个近期的非汽化皮肤科框架将三维生物热模拟与基于机器学习的逆向预测相结合，在保护浅层皮肤的同时优化激光传递[61]。在该研究中，采用卷积神经网络来预测产生所需皮下加热模式所需的激光类型和光束几何形状，展示了物理生成数据集和机器学习模型在治疗规划中的潜力。这些发展标志着从传统正向生物热模拟向计算框架的重要转变，在这种框架中，高保真度热模型生成训练数据，随后机器学习代理提供快速预测、参数筛选或逆向优化。对于非汽化激光应用，其中治疗有效性必须与周围组织不希望出现的热损伤相平衡，这种组合特别具有吸引力，因为大波长-时间-空间参数域可以通过仅重复高保真度数值模拟来更有效地探索。

热建模和机器学习的最近进展为有效分析各种工程和生物医学系统中复杂的热传递过程铺平了道路。基于机器学习的策略，特别是使用神经网络的策略，由于在模拟热传递问题中的非线性行为方面的有效性而获得了普及。例如，Levenberg-Marquardt神经网络在化学反应和热辐射纳米流体中通过有效建模非线性偏微分方程证明了其高预测能力[42]。另一种成功的人工神经网络模型应用被报告用于分析对流热传递系统，如暴露于太阳能的Casson流体模型。这表明它们在预测具有复杂热动力学的对流流体行为方面的效率[43]。物理信息机器学习模型，如物理信息神经网络，在多尺度材料热导率的建模和预测方面做出了巨大贡献[44]。另一方面，热力学领域的研究强调了非线性效应在预测湿热和孔隙-热弹性状态下异质结构热行为中的重要性。他们表明，分层和异质结构具有很敏感的热响应[45]。修改后的分数阶和广义热传导模型也被用于改进与激光诱导加热相关的热预测，考虑到活体组织中热传递过程的延迟性质[46]。此外，多孔层状结构的热弯曲和结构分析研究表明，材料异质性对这些系统的热传导有影响[47]、[49]。此外，有限元建模研究表明，几何和热建模在实现生物医学适用结构（如植入物支撑系统）的真实预测方面具有重要意义[48]。基于分数阶微积分的生物热模型在皮肤组织暴露于激光后的热动力学研究中也得到了证实，其中记忆效应对时间依赖的温度分布产生了深远影响[50]。此外，使用有限元方法的数值调查被用于探索具有外部热源的非线性生物热传递现象[51]。此外，基于Green-Naghdi理论的广义热弹性模型在多孔介质激光热加载中的适用性已被研究，显示出有限的热波传播速度[52]。光热相互作用研究也指出，在分析复杂系统中的温度场时，考虑可变热导率和空间变化的热能吸收能力的重要性[53]。这些表明，热建模和机器学习的组合策略在高效模拟激光-组织相互作用方面具有潜力。基于上述发现，当前研究将调查基于物理的生物热模型以及ANN和XGBoost技术在多层皮肤组织温度分布建模中的性能。

尽管热分析模型和基于机器学习的预测方法取得了相当大的进展，但在充分模拟激光辐照与多层生物组织之间复杂相互作用方面仍存在困难。以往的工作主要致力于开发复杂的模型，如分数阶和非傅里叶生物热模型[46]、[50]或人工智能辅助的非线性系统分析[42]、[43]。虽然基于物理的方法通过使用基于物理的知识在提高预测准确性方面取得了很大进展[44]，但它们在多层生物材料的现实场景中的实施仍然不足。与此同时，热-机械以及多孔介质建模强调了异质性以及耦合效应对结果热行为的重要性[45]、[47]、[49]，而数值和有限元建模强调了在生物医学应用中数学计算的稳定性和高精度水平的必要性[48]、[51]。此外，热弹性模型和光热相互作用模型证明了热传播速度和材料性质变化影响热过程[52]、[53]、[54]、[55]、[56]。

因此，在上述研究发现的驱动下，本研究提出将先进的生物热分析与ANN-XGBoost算法相结合，以实现对激光照射下多层皮肤组织温度进行精确、快速和实时的预测。尽管取得了上述进展，详细的非傅里叶激光-组织模拟与适合快速热评估的计算高效且可解释的代理模型之间仍存在重要的方法论差距。高保真数值模型可以解析波长相关的光学沉积、多层热传输和瞬态热记忆效应，但在大参数空间上重复模拟可能变得计算量巨大。相反，纯粹的数据驱动模型虽然可以提供快速预测，但当将相关或衍生量作为独立预测变量处理时，可能会丧失物理可解释性。ANN和梯度提升决策树方法如XGBoost提供了互补的代理策略：ANN可以近似照射条件与热响应之间的高度非线性映射，而XGBoost则提供了高预测效率以及基于特征重要性和SHAP的可解释性。因此，物理生成的代理框架可以在数据集生成过程中保留光学和热力学机制，同时将机器学习输入空间限制为独立指定的物理变量。

在当前研究中，提出了一种创新的混合分析-机器学习方案，用于预测多层皮肤组织中的激光诱导热响应。与传统生物传热模型不同，本文使用的模型考虑了基于比尔-朗伯定律的波长相关光吸收，以及通过Green-Naghdi理论构建的多层非傅里叶传热方程。该模型可以预测以有限速度传播的激光诱导热波以及多层皮肤内深度相关的能量分布。此外，还实施了ANN和XGBoost等监督机器学习算法以获得代理热预测器。具体而言，基于各种激光参数开发了安全热图。本研究将基于物理的预测与数据驱动的方法相结合，以高效解决与激光-组织相互作用相关的传热生物工程问题。据我们所知，目前尚无研究同时利用基于物理的模型和机器学习模型来预测热响应。

最近的调查还强调了非傅里叶生物热模型中弛豫参数的大小和物理解释这一重要未解决问题[60]、[61]、[62]。尽管单相滞后、双相滞后和三相滞后公式提供了一种表示有限热响应和热记忆的手段，但文献中报道的生物组织弛豫系数存在相当大的差异。最近对非傅里叶生物传热的一次全面综述强调了相位滞后值的广泛变异性以及提高模型参数实验论证的必要性。随后对近三十年相位滞后生物加热研究的批判性评估同样表明，报道的数值范围从接近零的大小到几十秒不等，并警告说过大的系数可能导致理论和实验不一致。更近期的研究表明，对生物组织的专门实验评估显示，受实验约束的相位滞后范围可能远小于许多历史上在数值研究中使用的值。这些发现表明，非傅里叶公式应保留有限弛豫效应，同时避免任意大的系数可能人为放大热波行为。因此，本研究采用物理约束的有限弛豫参数，并通过显式敏感性分析评估其影响，而不是完全抑制相位滞后项。

非傅里叶生物热建模的最新进展特别关注了热弛豫参数的物理解释和适当大小。尽管单相滞后、双相滞后和三相滞后公式提供了对生物组织中有限热响应和记忆效应的广义描述，但已发表研究中采用的弛豫系数表现出相当大的变异性。最近对非傅里叶生物热模型的全面和批判性评估强调，相位滞后系数的不当选择可能导致不切实际的热响应，而经实验证实的参数范围对于具有物理意义的预测仍然至关重要。特别是，最近的分析表明，更小且物理约束的弛豫参数通常能提供更保守的宏观组织加热表征，而过大的系数则需要谨慎的实验论证[63]。更近期的实验研究进一步强调了需要使用可测量的组织响应来约束这些参数，而不是主要选择它们来放大非傅里叶效应[64]。因此，当代非傅里叶建模越来越不仅需要广义的本构框架，还需要对预测温度场关于物理允许的弛豫时间范围的敏感性进行系统评估。

计算传热和传质的最新进展进一步强调了广义非傅里叶公式在描述复杂介质中热过程方面的重要性。Shakir和Nawaz[65]研究了部分电离非牛顿纳米流体中的混合对流热和质传输，考虑了霍尔和离子滑移效应，突出了耦合传输过程对附加物理机制的敏感性。Nawaz等人[66]随后研究了切线双曲纳米流体中的混合对流非傅里叶热和质传输，而相关研究将广义传输公式扩展到涉及磁流体动力学效应和均质-非均质反应的混合纳米流体[67]。计算研究还解决了聚合物、微极和混合纳米Maxwell流体在日益复杂的本构和传输机制下的耦合热和质传输问题[68]、[69]。进一步的发展考虑了多纳米颗粒非牛顿系统中的热增强[70]、Cattaneo-Christov对流-扩散公式用于有限速率热和质传输[71]，以及磁场下非牛顿纳米流体的非傅里叶热行为[72]。最近的有限元研究还纳入了多纳米颗粒效应、磁流体动力学、欧姆耗散和耦合Soret-Dufour机制[73]、[74]。特别相关的是，Ahmed等人[75]采用Galerkin有限元框架处理具有显式热弛豫时间的非傅里叶传热，进一步证明了有限速度热传输在计算传热分析中的日益重要性。总之，这些研究[65]、[66]、[67]、[68]、[69]、[70]、[71]、[72]、[73]、[74]、[75]表明了非傅里叶和广义传输建模的实质性进展；然而，其主要重点是复杂流体和纳米流体系统。相比之下，将有限弛豫非傅里叶传输与异质多层生物组织、波长相关的激光能量沉积、热损伤评估以及计算高效的机器学习代理在统一框架中整合的关注相对有限。这一差距为本研究的混合物理基础和数据驱动调查提供了额外动机。

与广义传热建模的进展并行，基于物理的计算方法与机器学习的结合已成为一种有效的策略，用于加速复杂物理和生物医学系统的预测、优化和解释。Wu和Zhao[76]通过基于热脉冲的方法演示了可靠的有效热特性表征的重要性，强调了精确的热物性参数在瞬态传热预测中的作用。更近期，Ren等人[77]开发了一种计算高效且可解释的框架，将物理建模与深度学习相结合用于材料特性预测，说明了将机制知识与数据驱动学习相结合的优势。类似的混合策略已成功应用于激光加工领域，其中机器学习与分子动力学和多目标优化相结合，用于预测和优化飞秒激光钻孔过程[78]、[79]。在热和激光加工应用之外，数据驱动和物理信息方法越来越多地被应用于复杂的生物和工程系统，包括阈值依赖的癌症治疗建模[80]、应力波传播的物理信息预测[81]、用于医学图像应用的异质神经元计算模型[82]，以及用于概率疲劳寿命预测的多保真度物理信息学习[83]。近期的生物医学研究进一步展示了多模态和深度学习框架在从异质生物信息预测临床相关结果方面的日益潜力，包括宫颈癌生存[84]和肝细胞癌进展及侵袭性[85]。总之，这些发展突出了一个更广泛的从纯物理基础或纯数据驱动建模向可解释混合计算框架的转变。尽管如此，多层非傅里叶生物热传输、波长相关的激光能量沉积、瞬态热损伤评估和计算高效的机器学习代理的整合仍然相对探索不足。本研究通过将基于物理的多层热模型与ANN和XGBoost代理耦合来弥合这一差距，用于快速预测和物理可解释地评估激光诱导的组织加热。

广义热弹性、非傅里叶热传输和计算力学的最新进展证明了热记忆、弛豫现象、尺寸依赖性和耦合多物理场效应在准确描述复杂材料和生物系统瞬态响应方面的重要性。不同热和机械载荷下非局部热弹性波在纳米结构中的传播得到了研究[86]，而皮肤组织记忆依赖的生物热响应突出了不同加热条件下热历史效应的影响[87]。随后，分数阶和记忆依赖公式被扩展到微结构和多孔介质中的波传播[88]，补充了此前关于温度相关材料特性下热弹性波行为的研究[89]。关于压电、压磁、磁弹和生物结构的相关研究进一步证明了表面效应、不完完美界面、初始应力、旋转和耦合场相互作用在确定波和能量传输特性方面的重要性[90]、[91]、[92]、[93]、[94]、[95]、[96]、[97]。更近期，机器学习与广义传热和热弹性公式的结合为计算加速和数据驱动预测提供了新的机遇。特别是，结合Green-Naghdi III型理论和三相滞后理论的ML增强分析展示了代理学习在复杂热和质传输问题中的潜力[98]，而多层眼组织的双相滞后建模进一步强调了有限速度非傅里叶热波传播在生物介质中的相关性[99]。与此同时，计算固体力学的进展证明了改进的数值、有限元和混合数值-机器学习方法对于功能梯度结构、接触力学、材料成形过程、纳米图案表面以及断裂/接触问题的有效性[100]、[101]、[102]、[103]、[104]、[105]、[106]、[107]。总之，这些研究建立了将广义物理模型与稳健的数值和数据驱动方法相结合日益增长的重要性。尽管如此，一个同时纳入多层生物异质性、有限弛豫非傅里叶热传输、波长相关的激光能量沉积、瞬态热损伤评估以及计算高效的ANN/XGBoost代理预测的统一框架仍然相对探索不足。因此，本研究旨在通过将基于物理的生物热建模与机器学习代理整合来弥合这一差距，以高效且具有物理可解释性地预测多层生物组织中的激光诱导热响应。

基于这些考虑，本研究开发了一种混合物理-机器学习框架，用于多层生物组织的瞬态激光加热。基于物理的部分纳入了波长和组织相关的光学衰减，包括吸收和减散射，以及保留小而有限且物理约束的弛豫参数的非傅里叶生物热公式。随后使用Arrhenius损伤积分评估瞬态温度历史，以提供累积热损伤度量，而不是仅依赖峰值温度阈值。数值解随后被用于训练ANN和XGBoost代理模型，仅使用独立指定的物理预测变量，从而避免了波长与波长相关光学系数之间的确定性冗余。然后使用特征重要性和SHAP分析来识别预测热响应的主要独立控制因素。通过这种方式，所提出的框架在统一的激光-组织热分析方法论中结合了物理信息瞬态建模、动力学热损伤评估、计算加速和可解释机器学习。

本文是传热和传质文献的重要补充。其新颖性在于开发了一种光学-热模型，可以考察异质生物组织中能量传输的动态行为。波长特异性吸收系数与非傅里叶热扩散效应的结合允许模拟热波，这在许多微机械系统和生物传热中至关重要。此外，机器学习的应用使得能够有效处理非线性传热问题。

**章节摘要**

**模型描述与数学框架**

物理模型代表经受局部激光照射的多层人体皮肤组织，如图1所示。几何结构由三层组成，包括表皮（外层）、真皮（中间层）和皮下组织（内层），每层具有不同的热物理和光学特性。这些层沿深度方向（z轴）排列，捕捉了生物皮肤组织的异质性。圆柱形激光

**有限差分法**

为获得所提出模型的数值解，采用有限差分法（FDM）结合隐式中心差分格式。由于其在近似偏微分方程方面的稳定性和准确性，这种数值方法广泛用于求解传热问题。在此框架内，控制方程R1中出现的空间和时空导数被替换为其相应的有限差分近似。

**网格**

**结果与讨论**

第2节建立的数学模型被应用于研究经受激光照射的三层人体皮肤结构的热响应。在本研究中，对十七种不同的激光类型进行了模拟，每种类型具有不同的波长。分析中采用的参数值来源于先前报道的研究，对应于健康皮肤组织条件。

与不同皮肤特征（如毛发）相关的变异
混合解析–机器学习框架
为确保代理模型输入的统计独立性和物理可解释性，机器学习特征空间仅使用独立指定的物理变量进行了重构。在原始公式中，激光波长和吸收系数被同时作为预测变量纳入。然而，由于吸收系数是波长和组织的依赖光学性质，同时纳入这两个变量会引入确定性[冗余]。

特征重要性与物理解释
在从独立机器学习特征空间中移除波长依赖的光学系数后，对ANN和XGBoost模型进行了重新训练，并重复了敏感性分析。因此，修订后的特征重要性排名仅反映独立指定的物理变量。激光波长仍然是一个重要的预测变量，因为它控制着基于物理的求解器所使用的波长依赖吸收和散射特性。然而，其影响现在[有所变化]。

数值结果与讨论
热安全图展示了波长和照射时间对峰值温度的综合影响，如图4所示，揭示了多层皮肤组织中的非线性热响应。从物理上讲，这种行为源于波长依赖吸收与由生物传热机制控制的时间依赖热量积累之间的耦合。较高的波长会导致更深的穿透和持续加热，而长时间的照射会由于[散热受限]而放大热量的积累。

主要发现与有限热弛豫对机器学习特征重要性的影响
成功开发了一种混合物理和机器学习框架，用于预测激光照射下多层生物组织的温度分布。
• 数值模型与已发表的基准结果显示出极好的一致性，验证误差保持在5%以下，确认了所生成训练数据集的可靠性。
• 敏感性分析表明，激光波长是影响热响应最具影响力的参数，贡献了[显著的比例]。

模型验证与基准测试
为确保所提出的多层生物热模型的可靠性和物理一致性，通过与文献中已有的理论框架和数值框架的比较，进行了一项全面的验证研究。当前公式与经典的Pennes生物热方程以及针对激光照射多层皮肤的先进相位滞后模型进行了基准比较。验证通过比较关键热指标[包括不同深度的峰值温度和温度分布]来进行。

结论
本研究开发了一种混合物理和机器学习框架，用于预测异质多层生物组织中瞬态激光引起的热传递和热损伤。物理模型代表了表皮、真皮和皮下组织，并集成了波长依赖的光学吸收和约化散射、层依赖的热物理性质、生理性血液灌注以及具有小但有限[弛豫时间]的广义非傅里叶热传输。

临床意义与实际应用
本研究提供了一个用于优化激光热疗的定量框架。识别波长依赖的加热机制使临床医生能够选择适当的激光参数进行靶向治疗。所提出的热安全图提供了一种避免过度温升的实际工具，从而降低烧伤和组织损伤的风险。预测深度特定温度分布的能力在诸如[激光手术、激光脱毛等]程序中尤其有价值。

热行为的物理解释
激光照射下多层皮肤组织的热响应受光学吸收、热导率和层厚度之间复杂相互作用的支配。表皮具有较高的吸收系数，由于即时能量沉积而表现出快速温升。然而，其较薄的厚度限制了深层热传播。相比之下，真皮具有较高的热导率，促进了高效的热扩散，导致更广泛的温度[分布]。

局限性与未来研究方向
尽管所提出的混合方法具有令人鼓舞的预测能力和鲁棒性，但仍需解决以下局限性。首先，模型未考虑灌注效应，而灌注效应在较长照射时间或生理活跃条件下可能起重要作用。其次，当前研究基于生物组织在各层中均质的假设，未考虑个体因素，如年龄、[皮肤类型的]等。

CRediT作者贡献声明
Adwan A. Alanazi：撰写——审稿与编辑，撰写——初稿，验证，资源，方法学，形式分析。Salem Alkhalaf：软件，项目管理，方法学，调查，资金获取，形式分析。Amita Soni：撰写——初稿，验证，监督，方法学，形式分析。Nada Ahmed：软件，项目管理，调查，资金获取，形式分析，数据整理。Jumanah Ahmed Darwish：撰写——审稿与编辑。

利益冲突声明
作者声明他们没有已知的 competing 经济利益或可能影响本文所报告工作的个人关系。

致谢
本研究由沙特阿拉伯利雅得努拉公主本阿卜杜勒阿齐兹大学研究人员支持项目（项目编号：PNUR SP2026R756）资助。作者感谢沙特阿拉伯王国阿拉尔的北方边境大学科研处通过项目编号"NBU-FPEJ 2026-1266-03"对本研究工作的资助。

Adwan A. Alanazi | Salem Alkhalaf | Amita Soni | Nada Ahmed | Jumanah Ahmed Darwish | Abaker A. Hassaballa