利用机器学习从原子力显微镜数据预测软组织的杨氏模量

Maryam Abdoli|Moein Taheri

• •
  新型机器学习框架：本研究开发了一种机器学习方法，用于从原子力显微镜（AFM）数据中提取软组织的杨氏模量。
• •
  合成数据解决方案：通过基于JKR接触模型生成真实的训练数据，克服了实验数据稀缺的问题。
• •
  正确的物理模型：采用JKR模型而非更简单的赫兹（Hertz）模型，以准确计算软组织中的关键粘附力。
• •
  针对低刚度区域的挑战：该模型专门针对1–10 kPa这一关键子范围进行了优化，在更宽的1–50 kPa范围内，由于数据稀缺、力信号微弱以及强烈的粘附效应，准确性最为受限。
• •
  实际应用验证：通过仅使用合成数据训练的模型成功预测了真实肺细胞的模量，证明了其实际效用。