M.Sc. Stephanie Appel

Motivation
Computermodelle der Erregungsausbreitung im Herzen helfen dabei, Herzrhythmusstörungen besser zu verstehen und zu behandeln. Die Ausbreitungsgeschwindigkeit (Conduction Velocity, CV) dieser Erregungen hängt dabei von verschiedenen lokalen Bedingungen, wie dem Erholungszustand des Gewebes, der Form der Wellenfront, der Faserrichtung und dem Zustand benachbarter Zellen ab.
Das Monodomain-Modell ist ein System partieller Differentialgleichungen, das die Ausbreitung der Erregungen im Herzen beschreibt und bildet all diese Abhängigkeiten durch die zugrunde liegenden biophysikalischen Prinzipien ab, ist jedoch rechentechnisch extrem aufwendig. Das DREAM (Diffusion Reaction Eikonal Alternant Model) ist deutlich schneller. Um diese Rechengeschwindigkeiten zu erreichen, benötigt es die lokale CV jedoch als expliziten Input, anstatt sie jedes Mal aus den fundamentalen Gleichungen neu zu berechnen. Aktuell nutzt DREAM eine analytische Formel, die lediglich den lokalen Erholungszustand berücksichtigt. Räumliche Faktoren wie die Krümmung der Wellenfront, der Zustand der Nachbarzellen, die Faserausrichtung und die Gewebeheterogenität werden ignoriert, obwohl sie die Ausbreitung erheblich beeinflussen.
Eine präzise CV-Vorhersage, die sowohl den zeitlichen als auch den räumlichen Kontext berücksichtigt, könnte die Genauigkeit von DREAM substantiell verbessern (idealerweise ohne dessen Geschwindigkeitsvorteil einzubüßen). In diesem Projekt soll das Potential von Machine-Learning-Ansätzen untersucht werden, die Lücke zwischen der physikalischen Detailtreue der Monodomain-Gleichungen und der Effizienz des DREAM-Solvers durch eine intelligente, datengestützte CV-Vorhersage zu schließen.

Das Projekt
Im Rahmen dieser Arbeit setzen wir Machine Learning ein, um die lokale Ausbreitungsgeschwindigkeit aus raumzeitlichen Merkmalen (Features) vorherzusagen. Das Projekt deckt dabei die gesamte wissenschaftliche Pipeline ab: Zunächst müssen Monodomain-Referenzsimulationen konfiguriert und durchgeführt werden, um ausreichend vielseitige Ground-Truth-Daten für das Training und die spätere Validierung zu generieren. Darauf aufbauend werden relevante lokale Merkmale sowie die korrespondierenden Ausbreitungsgeschwindigkeiten aus den Simulationsergebnissen extrahiert, um ein geeignetes Modell zu entwickeln, zu trainieren und hinsichtlich seiner Architektur sowie Hyperparameter systematisch zu optimieren. Das fertige Modell wird dann als Ersatz für die aktuelle analytische CV-Formel in den in C++ geschriebenen DREAM-Solver integriert. Den Abschluss der Arbeit bildet eine umfassende Validierung des neuen Ansatzes anhand ungesehener Szenarien, wobei Präzision und Recheneffizienz sowohl gegenüber dem ursprünglichen DREAM-Modell als auch den vollständigen Monodomain-Simulationen quantitativ evaluiert werden.