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

Technische Samenvatting: Physics-Informed Neural Networks voor Chemotherapie Farmacokinetiek

Probleemstelling
Chemotherapie-dosering berust op het begrijpen van de medicijnconcentratie in de tijd in specifieke weefsels, maar de klinische praktijk is beperkt tot het meten van plasmaconcentraties via bloedafname. Weefsel- en tumorconcentraties, die de effectiviteit en toxiciteit bepalen, blijven ongeobserveerd. Compartimentele farmacokinetische (PK) modellen worden gebruikt om deze verborgen toestanden af te leiden. De standaard klinische aanpak maakt gebruik van Nonlinear Least-Squares (NLS) fitting op een analytische biexponentiële oplossing afgeleid van lineaire twee-compartimenten Ordinary Differential Equations (ODE's). Hoewel dit effectief is onder ideale assumpties (lineaire kinetiek, lage ruis), faalt deze methode wanneer de assumpties worden geschonden (bijv. verzadigde eliminatie) of wanneer de analytische oplossing niet bestaat. Het onderzoek onderzoekt of Physics-Informed Neural Networks (PINNs) als een robuust alternatief kunnen dienen dat partiële observaties, nietlineaire dynamica en structurele uitbreidingen kan afhandelen zonder dat daarvoor gesloten vormoplossingen vereist zijn.

Methodologie
De studie vergelijkt drie benaderingen op twee PK-problemen: een lineair twee-compartimentenmodel en een Michaelis–Menten-extensie (verzadigde eliminatie).

1. Baselines:
   • NLS: De klinische standaard die scipy.optimize.curve_fit gebruikt op de analytische biexponentiële plasmafunctie. Het past parameters $(A, B, \alpha, \beta)$ aan en inverteert deze naar snelheidsconstanten, en integreert vervolgens de ODE om de weefselconcentratie te schatten.
   • MLP (Alleen Data): Een Multi-Layer Perceptron met een identieke architectuur als de PINN, maar uitsluitend getraind op plasma-data zonder fysica-restricties.
2. PINN Formule:
   • Een neuraal netwerk $f_\theta$ brengt de tijd in kaart naar plasma ($\hat{C}_p$) en weefsel ($\hat{C}_t$) concentraties.
   • De verliesfunctie combineert data-getrouwheid ($L_{data}$), handhaving van beginvoorwaarden ($L_{ic}$) en de ODE-residuen ($L_{phys}$), berekend via automatische differentiatie.
   • Parameters worden opgeslagen als log-waarden om positiviteit te waarborgen.
   • Optimalisatie: Een tweestaps-proces met Adam voor globale exploratie gevolgd door L-BFGS voor lokale verfijning.
3. Experimentele Opzet:
   • Synthetische grondwaarheid wordt gegenereerd voor doxorubicine-parameters over 24 uur.
   • Experimenten omvatten een hoofdrun (8 monsters, 10% ruis), ruis-sweeps, sparsity-sweeps en een test op structurele mis-specificatie waarbij data wordt gegenereerd door de Michaelis–Menten ODE (zonder gesloten vorm).
   • Vergelijkingen worden uitgevoerd over vijf willekeurige seeds om statistische robuustheid te garanderen.

Belangrijkste Resultaten

• Lineair Twee-Compartimentenmodel:

  • Prestaties: NLS en PINN zijn statistisch gelijk op plasma RMSE. NLS herstelt de eliminatiesnelheid $k_e$ met iets minder bias, terwijl de PINN marginaal te hoog is gebiased.
  • Herstel van Verborgen Toestand: De PINN herstelt de weefselcurve succesvol in een enkele trainingsronde. In tegenstelling hiertoe faalt de data-only MLP om het weefselcompartiment te reconstrueren, waarbij het een RMSE vertoont die ongeveer 10 keer hoger is dan die van de fysica-gebaseerde methoden.
  • Efficiëntie: NLS is aanzienlijk sneller (0,004s) vergeleken met de PINN (~25s), wat de computationele kosten van de neurale benadering reflecteert versus de analytische inversie.
  • Identificeerbaarheid: Beide methoden hebben moeite met de parameter $k_{12}$ vanwege praktische niet-identificeerbaarheid (slechte conditionering) in ruizige data, een eigenschap van de datastructuur zelf in plaats van de schattingsmethode.

• Michaelis–Menten Extensie (Verzadigde Eliminatie):

  • NLS Falen: Omdat de biexponentiële gesloten vorm niet bestaat voor dit systeem, is de NLS-schatter mis-gespecificeerd. Het geeft betekenisloze snelheidsconstanten terug en faalt stilzwijgend om de werkelijke dynamica te vatten.
  • PINN Diagnostiek: De PINN dwingt geen fit af op een niet-bestaande gesloten vorm. In plaats daarvan convergeert het naar een bassin waar $k_{12} \to 0$, waarmee het eerlijk de structurele niet-identificeerbaarheid van het model blootlegt wanneer men enkel op plasma-data vertrouwt.
  • Resolutie van Partiële Observabiliteit: Het toevoegen van ijle weefselobservaties aan de PINN-loss lost de identificeerbaarheid grotendeels op. Over vijf seeds herstelt de PINN $k_{21}$ binnen 1% van de waarheid en $V_{max}, K_m$ binnen één standaarddeviatie. Hoewel $k_{12}$ gebiased blijft (beweegt in de juiste richting maar is $\sim 2\sigma$ onder de waarheid), is dit herstel onmogelijk voor de NLS-schatter, die de fit niet eens kan proberen zonder een gesloten vormoplossing.

Betekenis en Claims
Het artikel stelt expliciet dat de claim niet is dat PINNs beter presteren dan NLS in termen van pure nauwkeurigheid of snelheid bij goed gespecificeerde, lineaire problemen. In plaats daarvan ligt de significantie in de uniformiteit en diagnostische capaciteit van de PINN-benadering:

1. Uniform Recept: PINNs bieden een enkel framework dat zowel het standaard lineaire probleem (dat de NLS-prestaties evenaart) als naadloos uitbreidt naar nietlineaire, structurele variaties (zoals Michaelis–Menten) zonder dat nieuwe analytische afleidingen nodig zijn.
2. Blootleggen van Identificeerbaarheid: In tegenstelling tot de NLS-schatter, die structurele niet-identificeerbaarheid verbergt achter "stilzwijgend" falen en betekenisloze parameterschattingen, onthult de PINN deze beperkingen direct. Door te convergeren naar specifieke bassins (bijv. $k_{12} \to 0$), fungeert de PINN als een diagnostisch instrument dat signaleert wanneer de data onvoldoende is om het model te beperken.
3. Integratie van Heterogene Data: Het PINN-framework absorbeert van nature heterogene metingen (plasma en ijle weefseldata) binnen een enkele loss-functie, wat het herstel van verborgen compartimenten mogelijk maakt waar data-only modellen falen.

Samenvattend presenteert dit werk een zorgvuldige, multi-seed benchmark die aantoont dat hoewel PINNs de snelheid van analytische schatters in ideale scenario's mogelijk niet vervangen, ze een robuust, uitbreidbaar en eerlijk framework bieden voor complexe PK-problemen waarbij analytische oplossingen niet beschikbaar zijn of waar structurele identificeerbaarheid een punt van zorg is.