For more than half a century, scientists have developed mathematical models to understand the behavior of the human heart. Today, we have dozens of heart tissue models to choose from, but selecting the best model is limited to expert professionals, prone to user bias, and vulnerable to human error. Here we take the human out of the loop and automate the process of model discovery. Towards this goal, we establish a novel incompressible orthotropic constitutive neural network to simultaneously discover both, model and parameters, that best explain human cardiac tissue. Notably, our network features 32 individual terms, 8 isotropic and 24 anisotropic, and fully autonomously selects the best model, out of more than 4 billion possible combinations of terms. We demonstrate that we can successfully train the network with triaxial shear and biaxial extension tests and systematically sparsify the parameter vector with L1-regularization. Strikingly, we robustly discover a four-term model that features a quadratic term in the second invariant I2, and exponential quadratic terms in the fourth and eighth invariants I4f, I4n, and I8fs. Importantly, our discovered model is interpretable by design and has parameters with well-defined physical units. We show that it outperforms popular existing myocardium models and generalizes well, from homogeneous laboratory tests to heterogeneous whole heart simulations. This is made possible by a new universal material subroutine that directly takes the discovered network weights as input. Automating the process of model discovery has the potential to democratize cardiac modeling, broaden participation in scientific discovery, and accelerate the development of innovative treatments for cardiovascular disease. Our source code, data, and examples are available at https://github.com/LivingMatterLab/CANN.

Abstract Personalized computational simulations have emerged as a vital tool to understand the biomechanical factors of a disease, predict disease progression, and design personalized intervention. Material modeling is critical for realistic biomedical simulations, and poor model selection can have life-threatening consequences for the patient. However, selecting the best model requires a profound domain knowledge and is limited to a few highly specialized experts in the field. Here we explore the feasibility of eliminating user involvement and automate the process of material modeling in finite element analyses. We leverage recent developments in constitutive neural networks, machine learning, and artificial intelligence to discover the best constitutive model from thousands of possible combinations of a few functional building blocks. We integrate all discoverable models into the finite element workflow by creating a universal material subroutine that contains more than 60,000 models, made up of 16 individual terms. We prototype this workflow using biaxial extension tests from healthy human arteries as input and stress and stretch profiles across the human aortic arch as output. Our results suggest that constitutive neural networks can robustly discover various flavors of arterial models from data, feed these models directly into a finite element simulation, and predict stress and strain profiles that compare favorably to the classical Holzapfel model. Replacing dozens of individual material subroutines by a single universal material subroutine—populated directly via automated model discovery—will make finite element simulations more user-friendly, more robust, and less vulnerable to human error. Democratizing finite element simulation by automating model selection could induce a paradigm shift in physics-based modeling, broaden access to simulation technologies, and empower individuals with varying levels of expertise and diverse backgrounds to actively participate in scientific discovery and push the boundaries of biomedical simulation.

Many drugs interact with ion channels in the cells of the heart and trigger heart rhythm disorders with potentially fatal consequences. Computational modeling can provide mechanistic insight into the onset and propagation of drug-induced arrhythmias, but the effect of drugs on the mechanical behavior of the heart remains poorly understood. Here we establish a multiphysics framework that integrates the biochemical, electrical, and mechanical effects of drugs from single cardiac cells to the overall response of the whole heart. For the example of the drug dofetilide, we show that drug concentrations of 3.0x and 4.8x increase the heart rate to 122 and 114 beats per minute, increase the myofiber stretches up to 10%, and decrease tissue relaxation by 6%. Strikingly, the drug-induced interventricular and atrial-ventricular dyssynchrony results in a 2.5% decreased and 7% increased cardiac output, respectively. Our results demonstrate the potential for multiphysics, multiscale modeling towards understanding the mechanical implications of drug-induced arrhythmias. Knowing how differing drug concentrations affect the performance of the heart has important clinical implications in drug safety evaluation and personalized medicine.

In recent years, blending mechanistic knowledge with machine learning has had a major impact in digital healthcare. In this work, we introduce a computational pipeline to build certified digital replicas of cardiac electrophysiology in paediatric patients with congenital heart disease. We construct the patient-specific geometry by means of semi-automatic segmentation and meshing tools. We generate a dataset of electrophysiology simulations covering cell-to-organ level model parameters and using rigorous mathematical models based on differential equations. We previously proposed Branched Latent Neural Maps (BLNMs) as an accurate and efficient means to recapitulate complex physical processes in a neural network. Here, we employ BLNMs to encode the parametrized temporal dynamics of in silico 12-lead electrocardiograms (ECGs). BLNMs act as a geometry-specific surrogate model of cardiac function for fast and robust parameter estimation to match clinical ECGs in paediatric patients. Identifiability and trustworthiness of calibrated model parameters are assessed by sensitivity analysis and uncertainty quantification.

Abstract Soft materials play an integral part in many aspects of modern life including autonomy, sustainability, and human health, and their accurate modeling is critical to understand their unique properties and functions. Today’s finite element analysis packages come with a set of pre-programmed material models, which may exhibit restricted validity in capturing the intricate mechanical behavior of these materials. Regrettably, incorporating a modified or novel material model in a finite element analysis package requires non-trivial in-depth knowledge of tensor algebra, continuum mechanics, and computer programming, making it a complex task that is prone to human error. Here we design a universal material subroutine, which automates the integration of novel constitutive models of varying complexity in non-linear finite element packages, with no additional analytical derivations and algorithmic implementations. We demonstrate the versatility of our approach to seamlessly integrate innovative constitutive models from the material point to the structural level through a variety of soft matter case studies: a frontal impact to the brain; reconstructive surgery of the scalp; diastolic loading of arteries and the human heart; and the dynamic closing of the tricuspid valve. Our universal material subroutine empowers all users, not solely experts, to conduct reliable engineering analysis of soft matter systems. We envision that this framework will become an indispensable instrument for continued innovation and discovery within the soft matter community at large.

Abstract MRI-driven computational modeling is increasingly used to simulate in vivo cardiac mechanical behavior and estimate subject-specific myocardial stiffness. However, in vivo validation of these estimates is exceedingly difficult due to the lack of a known ground-truth in vivo myocardial stiffness. We have developed 3D-printed heart phantoms of known myocardium-mimicking stiffness and MRI relaxation properties and incorporated the heart phantoms within a highly controlled MRI-compatible setup to simulate in vivo diastolic filling. The setup enables the acquisition of experimental data needed to evaluate myocardial stiffness using computational constitutive modeling: phantom geometry, loading pressures, boundary conditions, and filling strains. The pressure-volume relationship obtained from the phantom setup was used to calibrate an in silico model of the heart phantom undergoing simulated diastolic filling. The model estimated stiffness was compared with ground-truth stiffness obtained from uniaxial tensile testing. Ultimately, the setup is designed to enable extensive validation of MRI and FEM-based myocardial stiffness estimation frameworks.

In recent years, blending mechanistic knowledge with machine learning has had a major impact in digital healthcare. In this work, we introduce a computational pipeline to build certified digital replicas of cardiac electrophysiology in pediatric patients with congenital heart disease. We construct the patient-specific geometry by means of semi automatic segmentation and meshing tools. We generate a dataset of electrophysiology simulations covering cell-to-organ level model parameters and utilizing rigorous mathematical models based on differential equations. We previously proposed Branched Latent Neural Maps (BLNMs) as an accurate and efficient means to recapitulate complex physical processes in a neural network. Here, we employ BLNMs to encode the parametrized temporal dynamics of in silico 12-lead electrocardiograms (ECGs). BLNMs act as a geometry-specific surrogate model of cardiac function for fast and robust parameter estimation to match clinical ECGs in pediatric patients. Identifiability and trustworthiness of calibrated model parameters are assessed by sensitivity analysis and uncertainty quantification.

Personalized computational simulations have emerged as a vital tool to understand the biomechanical factors of a disease, predict disease progression, and design personalized intervention. Material modeling is critical for realistic biomedical simulations, and poor model selection can have life-threatening consequences for the patient. However, selecting the best model requires a profound domain knowledge and is limited to a few highly specialized experts in the field. Here we explore the feasibility of eliminating user involvement and automate the process of material modeling in finite element analyses. We leverage recent developments in constitutive neural networks, machine learning, and artificial intelligence to discover the best constitutive model from thousands of possible combinations of a few functional building blocks. We integrate all discoverable models into the finite element workflow by creating a universal material subroutine that contains more than 60,000 models, made up of 16 individual terms. We prototype this workflow using biaxial extension tests from healthy human arteries as input and stress and stretch profiles across the human aortic arch as output. Our results suggest that constitutive neural networks can robustly discover various flavors of arterial models from data, feed these models directly into a finite element simulation, and predict stress and strain profiles that compare favorably to the classical Holzapfel model. Replacing dozens of individual material subroutines by a single universal material subroutine--populated directly via automated model discovery--will make finite element simulations more user-friendly, more robust, and less vulnerable to human error. Democratizing finite element simulation by automating model selection could induce a paradigm shift in physics-based modeling, broaden access to simulation technologies, and empower individuals with varying levels of expertise and diverse backgrounds to actively participate in scientific discovery and push the boundaries of biomedical simulation.

Abstract For more than half a century, scientists have developed mathematical models to understand the behavior of the human heart. Today, we have dozens of heart tissue models to choose from, but selecting the best model is limited to expert professionals, prone to user bias, and vulnerable to human error. Here we take the human out of the loop and automate the process of model discovery. Towards this goal, we establish a novel incompressible orthotropic constitutive neural network to simultaneously discover both, model and parameters, that best explain human cardiac tissue. Notably, our network features 32 individual terms, 8 isotropic and 24 anisotropic, and fully autonomously selects the best model, out of more than 4 billion possible combinations of terms. We demonstrate that we can successfully train the network with triaxial shear and biaxial extension tests and systematically sparsify the parameter vector with L 1 -regularization. Strikingly, we robustly discover a four-term model that features a quadratic term in the second invariant I 2 , and exponential quadratic terms in the fourth and eighth invariants I 4f , I 4n , and I 8fs . Importantly, our discovered model is interpretable by design and has parameters with well-defined physical units. We show that it outperforms popular existing myocardium models and generalizes well, from homogeneous laboratory tests to heterogeneous whole heart simulations. This is made possible by a new universal material subroutine that directly takes the discovered network weights as input. Automating the process of model discovery has the potential to democratize cardiac modeling, broaden participation in scientific discovery, and accelerate the development of innovative treatments for cardiovascular disease. Our source code, data, and examples are available at https://github.com/LivingMatterLab/CANN .

Abstract Constitutive modeling is the cornerstone of computational and structural mechanics. In a finite element analysis, the constitutive model is encoded in the material subroutine, a function that maps local strains onto stresses. This function is called within every finite element, at each integration point, within every time step, at each Newton iteration. Today’s finite element packages offer large libraries of material subroutines to choose from. However, the scientific criteria for model selection remain highly subjective and prone to user bias. Here we fully automate the process of model selection, autonomously discover the best model and parameters from experimental data, encode all possible discoverable models into a single material subroutine, and seamlessly integrate this universal material subroutine into a finite element analysis. We prototype this strategy for tension, compression, and shear data from human brain tissue and perform a hyperelastic model discovery from twelve possible terms. These terms feature the first and second invariants, raised to the first and second powers, embedded in the identity, exponential, and logarithmic functions, generating 2 2×2×3 = 4096 models in total. We demonstrate how to integrate these models into a single universal material subroutine that features the classical neo Hooke, Blatz Ko, Mooney Rivlin, Demiray, Gent, and Holzapfel models as special cases. Finite element simulations with our universal material subroutine show that it specializes well to these widely used models, generalizes well to newly discovered models, and agrees excellently with both experimental data and previous simulations. It also performs well within realistic finite element simulations and accurately predicts stress concentrations in the human brain for six different head impact scenarios. We anticipate that integrating automated model discovery into a universal material subroutine will generalize naturally to more complex anisotropic, compressible, and inelastic materials and to other nonlinear finite element platforms. Replacing dozens of individual material subroutines by a single universal material subroutine that is populated directly via automated model discovery—entirely without human interaction—makes finite element analyses more accessible, more robust, and less vulnerable to human error. This could forever change how we simulate materials and structures.