Resumen
Los avances en el modelado biomecánico de tejidos blandos humanos son la base para el desarrollo de nuevas
aplicaciones clínicas capaces de mejorar el diagnóstico y el tratamiento de algunas enfermedades (por ejemplo, el cáncer),
así como la planificación y el guiado quirúrgico de algunas intervenciones (biopsias). El Método de los Elementos Finitos
(MEF) es una de las técnicas más populares utilizadas para predecir la deformación del tejido blando humano debido a su
alta precisión. Sin embargo, el MEF tiene un alto coste computacional asociado, lo que dificulta su integración en sistemas
de cirugía asistida por computador que trabajen en tiempo real.
Una alternativa para simular el comportamiento mecánico de los órganos humanos en tiempo real proviene del uso de
técnicas de aprendizaje automático (ML), que son mucho más rápidas que el MEF. Los resultados obtenidos mediante
estas técnicas sientan las bases para el futuro desarrollo de software que sea capaz de simular el comportamiento
biomecánico del tejido blando durante las intervenciones clínicas en tiempo real. Sin embargo, estos algoritmos, al estar
basados en datos no "comprenden" realmente los problemas científicos que están tratando de resolver y, por tanto, pierden
capacidad de generalización.
Una forma de resolver este problema es mediante el uso de redes neuronales informadas por la física (PINN). La idea
consiste en agregar las ecuaciones diferenciales conocidas, que describen el fenómeno físico en cuestión, directamente en
la función de pérdida cuando las redes neuronales se entrenen. Por tanto, en este proyecto se propone el uso de redes
neuronales artificiales informadas por procesos físicos (PINN) para la simulación numérica de problemas biomecánicos. En
particular, se pretende resolver los problemas asociados a la generalización de los modelos propuestos para simular el
comportamiento biomecánico de la mama y del hígado. Además, se quiere investigar la posibilidad de crear estos modelos
genéricos utilizando pocas condiciones de contorno, puesto que generalmente se carece de información al respecto. La
hipótesis de partida es que las PINN serán capaces de obtener soluciones más generalistas en la simulación del
comportamiento biomecánico de órganos en tiempo real al introducir la información sobre el problema físico que se quiere
resolver en su función de pérdida.
