社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

华东理工刘昌胜院士/袁媛团队AFM:深度学习辅助的心外膜接口用于心血管诊断和预后

高分子科学前沿 • 1 月前 • 42 次点击  

近日,华东理工大学材料科学与工程学院刘昌胜院士/袁媛教授团队与德克萨斯大学安德森癌症中心Yifan Ma/上海儿童医学中心刘一为教授及合作者,在植入式生物电子领域取得重大突破。他们成功开发了一种基于生物粘附性聚电解质基的电子界面Bioadhesive polyampholyte-based electronic interface, BPAEI具有高度的心脏组织和机械适应性、能够与心脏组织无缝集成以及强韧和按需的组织粘附。通过与深度学习模型相结合,BPAEI有助于心肌梗死的早期预警。这一成果为下一代植入式生物电子学带来了新的发展和机遇,为心血管疾病的治疗提供智能诊断和预后的手段这一研究成果以题“Deep-Learning Integrated Bioelectronic-Tissue Interface for Cardiovascular Diagnosis and Prognosis”发表在Advanced Functional Materials上。第一作者为华东理工大学材料科学与工程学院博士研究生唐帅敏,上海交通大学电子信息与电气工程学院博士研究生程彭洲为共同第一作者。

研究背景:生理环境心电监测的挑战与需求

心脏的每一次跳动都依赖于复杂的电生理信号。这些信号不仅维持着心脏的正常运作,还为心血管疾病的诊断和预后提供了关键信息。近年来,柔性电子设备的快速发展为心脏监测带来了新的可能,尤其是植入式生物粘合剂的应用,使得高密度心电图映射成为现实。然而,随着精准医疗的兴起和人工智能技术的突破,对生物电子设备提出了更高的要求——特别是在心脏电生理学和心律失常检测方面。当前的心外膜接口面临两大挑战:

1.生理环境的严酷性:心脏周围的湿润环境(如组织液、血液)和动态特性(如心跳、肺部收缩)容易导致设备溶胀、机械和电气故障,影响信号传输。

2.动态粘附的难题:心脏的持续收缩和舒张使得设备难以形成稳定的粘附,导致信号丢失或减弱。

理想情况下,用于精确心血管智能诊断和预后的心脏植入生物电子设备应遵循以下基本原理:1)高组织适应性、抗溶胀性能和长期稳定性; 2) 在心外膜上的即时和强韧的组织粘附,以及在周期性心跳期间的抗疲劳和自我恢复能力;3)不引起组织损伤的良性脱离; 4)设备、生物粘合剂和组织的无缝集成; 5) 心脏的生物相容性; 6) 准确、实时的采集的电生理信号,以支持用于智能诊断和预后。

工作介绍

为解决上述问题,研究团队提出一种基于生物粘附聚电解质的电子界面 (BPAEI),具有高度的组织和机械适应性、无缝集成以及稳健和按需粘附,用于心血管疾病的精确诊断和预后。BPAEI 主体由聚电解质水凝胶(BPA-NH2)和共晶镓-铟(EGaIn)液态金属(LM)涂层组成。BPAEI具有很高的组织适应性、抗溶胀性能和长期稳定性,可维持超过1000次力学循环时具有最小的残余应变,超过1000次电学循环时的电阻变化小于2%。通过快速干交联机制,BPAEI 形成一种即时且坚固的粘合,适应动态心动周期,表现出283.18 Jm-2的界面粘性,以及持久和抗疲劳的组织粘合,即使在1000次抗疲劳黏附测试后也没有削弱。此外,BPAEI 可实现可触发的按需脱离,并表现出优异的生物相容性。基于这些优质特性,BPAEI能够实时采集心电图(ECG)信号。通过与深度学习技术集成,提出的模型能够在心肌梗死(MI)模型中识别异常心律并提供早期预警。这一智能平台为心血管疾病的诊断和预后提供了新的工具,推动了精准医学的发展。

未来展望

研究团队通过体外和体内实验验证了BPAEI的生物相容性和长期稳定性。实验结果表明,BPAEI在植入后两周内仍能保持稳定的信号采集,且不会引起明显的炎症反应。此外,BPAEI在心肌梗死模型中也表现出优异的信号采集能力,能够准确识别异常心律。

尽管BPAEI在心血管诊断和预后方面展现出巨大潜力,但其临床应用仍处于早期阶段。未来的研究将重点开发无线通信模块,以实现远程访问和实时反馈,同时进一步优化设备的微型化、低功耗和成本效益。此外,提出的深度学习模型的训练数据集也需要进一步扩展,以提高其准确性和泛化能力。

1 BPAEI总体设计理念和机制

2 BPAEI的制备和表征

BPAEI  强韧的黏附性能与按需剥离

4 BPAEI的生物安全性验证。

5 BPAEI实时体内记录大鼠电生理信号

通过分析从 BPAEI 收集的 ECG 信号来预测心肌梗死 (MI) 的深度学习模型

深度学习模型的性能和可解释性

来源:高分子科学前沿
声明:仅代表作者个人观点,作者水平有限,如有不科学之处,请在下方留言指正!

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/180289
 
42 次点击