Physics-Guided Chained Gaussian Process Regression for Atherosclerotic Plaque Progression Prediction

Д. М. Красій; О. О. Ларін

doi:10.24144/2616-7700.2026.48(1).153-161

Автор(и)

Д. М. Красій Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0003-1599-2295
О. О. Ларін Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0002-5721-4400

DOI:

https://doi.org/10.24144/2616-7700.2026.48(1).153-161

Ключові слова:

гаусівські процеси, прогресія бляшки, фізично-інформоване машинне навчання, механіка пошкоджень, кількісна оцінка невизначеності, серцево-судинна візуалізація

Анотація

Прогнозування прогресії атеросклеротичної бляшки за розрідженими даними поперечних зображень є критичним для оцінки серцево-судинного ризику. Стандартні методи регресії не мають фізично обґрунтованого індуктивного зміщення, що призводить до ненадійної екстраполяції. Представлено фреймворк фізично-керованого ланцюгового гаусівського процесного регресування (PG-CGPR), який інтегрує механіку степеневого накопичення пошкоджень як апріорну функцію середнього з гетероскедастичним моделюванням шуму. Спостереження поперечних перерізів трансформуються у псевдо-лонгітюдні навчальні пари з використанням фільтрації, толерантної до явища Глагова. Валідований на даних серцево-судинних зображень, що охоплюють кілька десятиліть, модель зберігає точність прогнозування навіть при екстраполяції за межі навчального вікового діапазону, з довірчими інтервалами, що покривають усі тестові спостереження. Сильний фізичний апріор домінує над навчанням на основі даних, демонструючи, що в режимах малих вибірок механістичні моделі перевершують гнучкі ядра. Фреймворк дозволяє проектувати майбутні геометрії судин для подальшого біомеханічного аналізу.

Спонсор дослідження

Дослiдження було проведено без фiнансової пiдтримки

Біографії авторів

Д. М. Красій, Національний технічний університет «Харківський політехнічний інститут»

Аспірант кафедри математичного моделювання та інтелектуальних обчислень в інженерії

О. О. Ларін, Національний технічний університет «Харківський політехнічний інститут»

Професор кафедри математичного моделювання та інтелектуальних обчислень в інженерії. Доктор технічних наук

Посилання

Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686–707. https://doi.org/10.1016/j.jcp.2018.10.045
Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., & Yang, L. (2021). Physics-informed machine learning. Nature Reviews Physics, 3(6), 422–440. https://doi.org/10.1038/s42254-021-00314-5
Rasmussen, C. E., & Williams, C. K. I. (2005). Gaussian Processes for Machine Learning. The MIT Press. https://doi.org/10.7551/mitpress/3206.001.0001
Saul, A. D., Hensman, J., Vehtari, A., & Lawrence, N. D. (2016). Chained Gaussian Processes (Version 1). arXiv. https://doi.org/10.48550/ARXIV.1604.05263
Hensman, J., Fusi, N., & Lawrence, N. D. (2013). Gaussian Processes for Big Data (Version 1). arXiv. https://doi.org/10.48550/ARXIV.1309.6835
Lockwood, H. A., Agar, M. H., & Fielding, S. M. (2024). Power law creep and delayed failure of gels and fibrous materials under stress. Soft Matter, 20(11), 2474–2479. https://doi.org/10.1039/d3sm01608k
Larin, O., & Vodka, O. (2014). A probability approach to the estimation of the process of accumulation of the high-cycle fatigue damage considering the natural aging of a material. International Journal of Damage Mechanics, 24(2), 294–310. https://doi.org/10.1177/1056789514536067
Glagov, S., Weisenberg, E., Zarins, C. K., Stankunavicius, R., & Kolettis, G. J. (1987). Compensatory Enlargement of Human Atherosclerotic Coronary Arteries. New England Journal of Medicine, 316(22), 1371–1375. https://doi.org/10.1056/nejm198705283162204
Humphrey, J. D., & Rajagopal, K. R. (2002). A Constrained Mixture Model for Growth and Remodeling of Soft Tissues. Mathematical Models and Methods in Applied Sciences, 12(03), 407–430. https://doi.org/10.1142/s0218202502001714
Krasii, D., Larin, O., & Gorovyi, I. (2025). Analysis of Optical Coherence Tomography Images of Human Arteriosclerotic Vessels Using Computer Vision and Deep Learning Algorithms. In Lecture Notes in Networks and Systems (pp. 107–117). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-94845-9_9
Krasii, D., & Larin, O. (2023). ML-surrogate modeling for the estimation of random system performance parameter progress by the Chained Gaussian Process Regression method. In 2023 IEEE 4th KhPI Week on Advanced Technology (KhPIWeek) (pp. 1–5). IEEE. https://doi.org/10.1109/khpiweek61412.2023.10312806
Sornette, D. (2000). Critical Phenomena in Natural Sciences. In Springer Series in Synergetics. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-04174-1
Ambrosi, D., Ateshian, G. A., Arruda, E. M., Cowin, S. C., Dumais, J., Goriely, A., Holzapfel, G. A., Humphrey, J. D., Kemkemer, R., Kuhl, E., Olberding, J. E., Taber, L. A., & Garikipati, K. (2011). Perspectives on biological growth and remodeling. Journal of the Mechanics and Physics of Solids, 59(4), 863–883. https://doi.org/10.1016/j.jmps.2010.12.011
Wang, S., Teng, Y., & Perdikaris, P. (2020). Understanding and mitigating gradient pathologies in physics-informed neural networks (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2001.04536
Cheng, G. C., Loree, H. M., Kamm, R. D., Fishbein, M. C., & Lee, R. T. (1993). Distribution of circumferential stress in ruptured and stable atherosclerotic lesions. A structural analysis with histopathological correlation. Circulation, 87(4), 1179–1187. https://doi.org/10.1161/01.cir.87.4.1179