종양 성장을 예측하는 것은 치료 최적화에 매우 중요합니다. Gompertz 및 Bertalanffy 방정식과 같은 고전적인 성장 모델은 일반적인 종양 역학을 포착하지만, 특히 제한된 데이터를 사용할 경우 환자별 가변성에 적응하지 못할 수 있습니다. 본 연구에서는 SciML(Scientific Machine Learning)의 두 기둥인 신경 상미분 방정식(Neural ODEs)과 범용 미분 방정식(UDEs)을 활용하여 실험 데이터로부터 학습할 수 있는 적응형 종양 성장 모델을 구축합니다. Gompertz 모델을 기준으로 삼아, 경직된 항을 적응형 신경망으로 대체하여 Julia 프로그래밍 언어를 통해 강력한 모델링을 통해 숨겨진 역학을 포착합니다. 데이터 제약 조건 및 기호 복구를 통해 예측 정확도를 향상시키고 학습된 역학을 명시적인 수학적 표현으로 변환합니다. 본 접근 방식은 예측 정확도를 개선하여 임상 결과 개선을 위한 역동적이고 효과적인 치료 전략을 안내할 수 있습니다.
