Development of an AI-Powered Digital Twin for Vagus Nerve Stimulation

Abstract

Diese Arbeit befasst sich mit der Entwicklung eines KI-gestützten digitalen Zwillings für die Vagusnervstimulation. Der Schwerpunkt liegt auf der Optimierung der Vorhersage von extrazellulären Potentialfeldern, die durch elektrische Stimulation erzeugt werden. Die Vagusnervstimulation hat sich als vielversprechende Therapie für zahlreiche neurologische und systemische Erkrankungen etabliert. Die Verbesserung der Stimulationsparadigmen wird jedoch durch den hohen Rechenaufwand von Simulationen mit der Finite-Elemente-Methode (FEM) eingeschränkt. Um diese Einschränkung zu überwinden, wird ein modulares und benutzerfreundliches Simulations-Framework vorgeschlagen, zusammen mit Ersatzmodellen auf Basis von Graph-Neural-Netzwerken (GNN), die in der Lage sind, FEM-Lösungen zu approximieren. Das vorgeschlagene Framework unterteilt die gesamte elektro-neuronale Simulationspipeline in unabhängige Rechenmodule, was eine effiziente Entwicklung, Erweiterung und den Austausch einzelner Komponenten ermöglicht. Innerhalb dieses Frameworks werden verschiedene GNN-Architekturen, physikalisch informierte Merkmalsdarstellungen und Trainingsziele untersucht. Darüber hinaus wurde eine Open-Source-Plattform zur Graphvisualisierung entwickelt, um die Überprüfung und Interpretation der Graphen während der Modellentwicklung zu erleichtern. Das überwacht trainierte EdgeAware-Surrogat erzielte die höchste Vorhersagegenauigkeit und erreichte einen maximalen lokalen mittleren absoluten Fehler (MAE) von 0,201 mV innerhalb des Untersuchungsbereichs an einer zuvor unbekannten Stimulationsstelle. Nach der Interpolation auf Nervenfaserkompartimente entsprechend dem vollständigen Physikmodul des Surrogats blieb der End-to-End-Vorhersagefehler mit einem MAE von 0,6873 mV gering. Obwohl die rein physikalisch informierten Modelle das überwachte Training nicht übertrafen, erreichte die beste Konfiguration einen maximalen lokalen MAE von 0,495 mV, wobei sie sich ausschließlich auf die maßgeblichen physikalischen Gleichungen und Randbedingungen stützte, ohne dass Ground-Truth-Lösungen auf Basis der Finite-Elemente-Methode erforderlich waren. Darüber hinaus beschleunigte der vorgeschlagene „Exact Offline Inference“ (EOI)-Algorithmus in Verbindung mit der Inferenz in Bereichen von Interesse die Berechnung des extrazellulären Potenzials um bis zu den Faktor 68,07 gegenüber dem herkömmlichen FEM-basierten Arbeitsablauf. Die erzielten Ergebnisse zeigen, dass graphische neuronale Netze ein wirksames Ersatzmodell für Finite-Elemente-Simulationen der Vagusnervstimulation darstellen und dass die Einbeziehung physikalischer Bedingungen eine plausible Vorhersage des extrazellulären Potenzials auch ohne überwachte FEM-Daten ermöglicht. Zukünftige Arbeiten sollten eine durchgängige Validierung der gesamten elektro-neuronalen Simulationspipeline in Verbindung mit dem Biophysik-Modul umfassen, um den Einfluss von Vorhersagefehlern des Ersatzmodells auf die Aktivierung und Rekrutierung von Nervenfasern umfassend zu bewerten.

This thesis presents the development of an AI-powered digital twin for vagus nerve stimulation with a particular focus on accelerating the computationally demanding prediction of extracellular potential fields generated by electrical stimulation. Vagus nerve stimulation has emerged as a promising therapy for numerous neurological and systemic disorders; however, the optimization of stimulation paradigms is hindered by the high computational cost of finite element method (FEM) simulations and the reliance on commercial software, limiting the accessibility and scalability of computational modeling. To address these limitations, a modular and user-friendly simulation framework is proposed together with graph neural network (GNN) surrogate models capable of approximating FEM solutions. The proposed framework separates the complete electro-neural simulation pipeline into independent computational modules, enabling efficient development, extension, and replacement of individual components. Within this framework, several GNN architectures, physics-informed feature representations, and training objectives are investigated. In addition, an open-source graph visualization platform was developed to facilitate graph inspection and interpretation during model development. The supervised EdgeAware surrogate achieved the highest prediction accuracy, obtaining a maximum local mean absolute error (MAE) of 0.201 mV within the region of interest on a previously unseen stimulation site. After interpolation to nerve fiber compartments, corresponding to the complete surrogate Physics module, the end-to-end prediction error remained low with an MAE of 0.6873 mV. Although the purely physics-informed models did not outperform supervised training, the best configuration achieved a maximum local MAE of 0.495 mV while relying exclusively on the governing physical equations and boundary conditions without requiring finite element ground-truth solutions. Furthermore, the proposed Exact Offline Inference (EOI) algorithm together with region-of-interest inference accelerated extracellular potential computation by up to 68.07× compared with the conventional FEM-based workflow. The obtained results demonstrate that graph neural networks constitute an effective surrogate for finite element simulations of vagus nerve stimulation and that incorporating physical constraints enables physically plausible extracellular potential prediction even in the absence of supervised FEM data. Beyond reducing computational time, the proposed framework decreases the dependence on commercial finite element software, providing a more accessible and extensible foundation for future computational neurostimulation research. Future work should include end-to-end validation of the complete electro-neural simulation pipeline coupled with the Biophysics module to fully assess the influence of surrogate prediction errors on nerve fiber activation and recruitment.