Redes neuronales de (hiper-)grafos para la simulación multi-material de gemelos humanos digitales
-
-
[1] Universidad de Zaragoza
Universidad de Zaragoza
Zaragoza, España
-
- Localización: CASEIB 2025. Libro de Actas del XLIII Congreso Anual de la Sociedad Española de Ingeniería Biomédica: Innovando en tecnología para la salud y calidad de vida / David Hernando (ed. lit.), Jesús Lazaro Plaza (ed. lit.), Pablo Laguna Lasaosa (aut.), Juan Pablo Martínez Cortés (aut.), 2025, ISBN 978-84-09-80259-3, págs. 696-699
- Idioma: español
- Texto completo no disponible (Saber más ...)
-
Resumen
La simulación del comportamiento mecánico de los tejidos biológicos presenta importantes desafíos, derivados de la complejidad de sus propiedades no lineales, entre otros, la variabilidad entre pacientes y las limitaciones en la adquisición de datos. En este escenario, las redes neuronales de grafos o Graph Neural Networks (GNNs) ofrecen un marco flexible para modelar dinámicas complejas a partir de discretizaciones construidas sobre mallas computacionales, aprovechando su sesgo geométrico para describir con mayor precisión la naturaleza del problema [1–3]. En este trabajo se estudian los límites de la simulación computacional basada en datos y se estudia el potencial de esta arquitectura. La red de grafos se concibe no solo como un algoritmo que interpreta la geometría y la discretización del modelo, sino también como un mecanismo capaz de procesar la influencia de distintos materiales dentro del comportamiento mecánico del modelo. Esta prueba de concepto se enmarca en el estudio de modelos anisótropos representativos del tejido blando cardíaco, reafirmando el alto potencial de estos operadores neuronales como predictores físicos, con la capacidad adicional de extrapolar a materiales no vistos durante el entrenamiento, superando así las limitaciones de otras arquitecturas basadas en datos.
