Physics-Informed Neural Networks for Chemotherapy Pharmacokinetics: Benchmarking the Clinical Estimator and Exposing Parameter Identifiability

Sintesi Tecnica: Reti Neurali Informate dalla Fisica per la Farmacocinetica della Chemioterapia

Definizione del Problema
Il dosaggio della chemioterapia si basa sulla comprensione della concentrazione del farmaco nel tempo in tessuti specifici, tuttavia la pratica clinica è limitata alla misurazione delle concentrazioni plasmatiche tramite campionamento ematico. Le concentrazioni tissutali e tumorali, che determinano l'efficacia e la tossicità, rimangono non osservate. I modelli farmacocinetici (PK) compartimentali vengono utilizzati per inferire questi stati nascosti. L'approccio clinico standard impiega il fitting di Minimi Quadrati Non Lineari (NLS) su una soluzione analitica biesponenziale derivata da equazioni differenziali ordinarie (ODE) lineari a due compartimenti. Sebbene efficace in condizioni ideali (cinetica lineare, basso rumore), questo metodo fallisce quando le assunzioni vengono violate (ad esempio, eliminazione saturabile) o quando la soluzione analitica non esiste. Il documento investiga se le Reti Neurali Informate dalla Fisica (PINN) possano servire come alternativa robusta capace di gestire osservazioni parziali, dinamiche non lineari ed estensioni strutturali senza richiedere soluzioni in forma chiusa.

Metodologia
Lo studio confronta tre approcci su due problemi PK: un modello lineare a due compartimenti e un'estensione di Michaelis–Menten (eliminazione saturabile).

1. Baseline:
   • NLS: Lo standard clinico che utilizza scipy.optimize.curve_fit sulla funzione plasmatica biesponenziale analitica. Calcola i parametri $(A, B, \alpha, \beta)$ e li inverte in costanti di velocità, quindi integra l'ODE per stimare la concentrazione tissutale.
   • MLP (Solo Dati): Un Perceptron Multistrato con architettura identica alla PINN, ma addestrato esclusivamente sui dati plasmatici senza vincoli fisici.
2. Formulazione PINN:
   • Una rete neurale $f_\theta$ mappa il tempo nelle concentrazioni plasmatiche ($\hat{C}_p$) e tissutali ($\hat{C}_t$).
   • La funzione di perdita combina la fedeltà dei dati ($L_{data}$), l'enforcement delle condizioni iniziali ($L_{ic}$) e il residuo dell'ODE ($L_{phys}$) calcolato tramite differenziazione automatica.
   • I parametri sono memorizzati come valori logaritmici per garantire la positività.
   • Ottimizzazione: Un processo in due fasi utilizzando Adam per l'esplorazione globale seguito da L-BFGS per il raffinamento locale.
3. Configurazione Sperimentale:
   • La verità fondamentale sintetica è generata su parametri di doxorubicina durante 24 ore.
   • Gli esperimenti includono una corsa principale (8 campioni, rumore al 10%), sweep del rumore, sweep della sparsità e un test di misspecificazione strutturale in cui i dati sono generati dall'ODE di Michaelis–Menten (senza forma chiusa).
   • I confronti sono eseguiti su cinque seed casuali per garantire la robustezza statistica.

Risultati Chiave

• Modello Lineare a Due Compartimenti:

  • Performance: NLS e PINN sono statisticamente equivalenti sul RMSE plasmatico. NLS recupera la velocità di eliminazione $k_e$ con un bias leggermente inferiore, mentre la PINN è marginalmente sovrastimata.
  • Recupero dello Stato Nascosto: La PINN recupera con successo la curva tissutale in un singolo passaggio di addestramento. Al contrario, l'MLP basato solo sui dati fallisce nel ricostruire il compartimento tissutale, mostrando un RMSE circa 10 volte superiore rispetto ai metodi basati sulla fisica.
  • Efficienza: NLS è significativamente più veloce (0,004s) rispetto alla PINN (~25s), riflettendo il costo computazionale dell'approccio neurale rispetto all'inversione analitica.
  • Identificabilità: Entrambi i metodi faticano con il parametro $k_{12}$ a causa della non-identificabilità pratica (scarso condizionamento) in presenza di dati rumorosi, una proprietà della struttura dei dati piuttosto che del metodo di stima.

• Estensione di Michaelis–Menten (Eliminazione Saturabile):

  • Fallimento di NLS: Poiché la forma chiusa biesponenziale non esiste per questo sistema, lo stimatore NLS è mal specificato. Restituisce costanti di velocità prive di senso, fallendo silenziosamente nel catturare la vera dinamica.
  • Diagnostica PINN: La PINN non forza un fit su una forma chiusa inesistente. Inveve, converge verso un bacino dove $k_{12} \to 0$, esponendo onestamente la non-identificabilità strutturale del modello quando ci si affida esclusivamente ai dati plasmatici.
  • Risoluzione della Parziale Osservabilità: L'aggiunta di osservazioni tissutali sparse alla perdita della PINN risolve ampiamente l'identificabilità. In cinque seed, la PINN recupera $k_{21}$ entro l'1% del valore reale e $V_{max}, K_m$ entro una deviazione standard. Sebbene $k_{12}$ rimanga distorto (muovendosi nella direzione corretta ma a $\sim 2\sigma$ dal valore reale), questo recupero è impossibile per lo stimatore NLS, che non può nemmeno tentare il fit senza una soluzione in forma chiusa.

Significato e Rivendicazioni
Il documento dichiara esplicitamente che la sua rivendicazione non è che le PINN superino NLS in termini di pura accuratezza o velocità in problemi lineari ben specificati, ma che la significatività risiede nella uniformità e capacità diagnostica dell'approccio PINN:

1. Ricetta Unificata: Le PINN forniscono un unico framework che gestisce il problema lineare da manuale (eguagliando le prestazioni NLS) e si estende senza soluzione di continuità a variazioni non lineari e strutturali (come Michaelis–Menten) senza richiedere nuove derivazioni analitiche.
2. Esporre l'Identificabilità: A differenza dello stimatore NLS, che nasconde la non-identificabilità strutturale dietro un fallimento "silenzioso" e stime di parametri prive di senso, la PINN rivela queste limitazioni direttamente. Convergendo verso specifici bacini (ad esempio, $k_{12} \to 0$), la PINN agisce come uno strumento diagnostico che segnala quando i dati sono insufficienti per vincolare il modello.
3. Integrazione di Dati Eterogenei: Il framework PINN assorbe naturalmente misurazioni eterogenee (plasma e dati tissutali sparsi) all'interno di una singola funzione di perdita, consentendo il recupero di compartimenti nascosti che i modelli basati solo sui dati non riescono a ricostruire.

In sintesi, questo lavoro presenta un benchmark accurato, basato su molteplici seed, dimostrando che, sebbene le PINN possano non sostituire la velocità degli stimatori analitici in scenari ideali, esse offrono un framework robusto, estensibile e onesto per problemi PK complessi dove le soluzioni analitiche non sono disponibili o dove la identificabilità strutturale è un problema.