数字织锦：基于高斯过程的心脏数字孪生队列仿真方法及其在个性化医疗中的应用

《Annals of Biomedical Engineering》：Weaving the Digital Tapestry: Methods for Emulating Cohorts of Cardiac Digital Twins Using Gaussian Processes

本研究针对心脏数字孪生（DT）建模中计算成本高、难以规模化的问题，提出两种基于高斯过程的队列学习方法——潜在特征仿真器和差异仿真器。通过整合多患者心脏几何与电生理/力学参数，实现在少量仿真数据下精准预测新患者的电激活时间（ATAT/VTAT）和左心房力学指标。结果表明，差异仿真器可将新DT的仿真成本降低50%以上，为临床快速决策和虚拟队列构建提供新范式。

　　

在个性化医疗快速发展的今天，心脏数字孪生（Digital Twin, DT）技术通过构建患者特异性心脏模型，为疾病预测和治疗方案优化提供了强大工具。然而，高保真心脏模型依赖复杂的多尺度数学仿真，单次模拟耗时数小时甚至数天，严重限制了临床实时应用。更严峻的是，当需要构建患者队列（如一组心律失常患者）进行虚拟临床试验时，独立训练每个数字孪生的计算成本呈指数级增长。如何在不牺牲精度的前提下实现数字孪生队列的高效构建，成为心血管计算领域的关键瓶颈。

发表于《Annals of Biomedical Engineering》的最新研究《Weaving the Digital Tapestry: Methods for Emulating Cohorts of Cardiac Digital Twins Using Gaussian Processes》提出了突破性解决方案。研究团队创新性地将数字孪生队列视为相互关联的“数字织锦”，首次将高斯过程（Gaussian Process, GP）与队列学习（Cohort Learning）结合，开发出两种知识迁移方法：潜在特征仿真器（Latent-Feature Emulators）通过统计形状模型（Statistical Shape Model, SSM）提取心脏几何的潜在特征，将多患者数据融合为统一仿真器；差异仿真器（Discrepancy Emulators）则通过加权已有模型与学习新患者的差异项，实现序列化增量学习。这两种方法显著降低了新数字孪生的仿真数据需求，为大规模虚拟队列研究铺平道路。

关键技术方法概述

研究基于两个心脏DT队列：19例全心脏电生理模型（反应-程函模型模拟6参数下的心房/心室激活时间）和10例左心房力学模型（9参数下的区域形变与容积）。采用高斯过程仿真器（Gaussian Process Emulator, GPE）构建代理模型，潜在特征通过主成分分析从CT衍生网格中提取，差异仿真器结合LASSO回归选择最优参考模型子集。所有模型通过5折交叉验证评估预测精度（R2）和不确定性校准（独立标准误差）。

研究结果

个体仿真器的基准性能

在全心脏电生理队列中，单个患者DT需144次仿真才能达到R2>0.99的预测精度（A_TAT方差为3110.8时均方误差仅3）。训练点降至60个时精度仍保持在0.99以上，证实GP在复杂心脏模型中的可靠性。而左心房力学模型仿真难度更高，部分区域形变指标（如d_后壁）即使在140个训练点下R2仍低于0.8，凸显了力学仿真对队列学习的迫切需求。

潜在特征仿真器的协同效应

通过18例患者数据训练的潜在特征仿真器，在仅使用40点/患者的等效数据量时，对已知患者预测精度（R2>0.997）媲美独立仿真器的120点训练效果。然而该方法对未见患者预测不稳定：部分患者R2>0.9，但几何特征差异大者出现负R2（图4）。结果表明该方法适用于完整队列的批量优化，但对增量扩展存在局限。

差异仿真器的突破性效能

六种差异模型比较显示，基于LASSO回归的稀疏队列选择模型（g_δc:{a_i}={a_ind}）表现最优：在电生理模型中，仅需40个新患者仿真点即可达到独立仿真器100点的精度（A_TAT的R2=0.998）；在左心房力学任务中，80点训练即可在6/7输出指标上超越独立仿真器（表4）。该方法通过动态加权相似患者模型，有效避免无关信息干扰，且支持序列化更新。

结论与展望

研究证实，通过“数字织锦”范式可将新心脏数字孪生的仿真成本降低50%以上。差异仿真器凭借其增量学习能力和稳健性，尤其适合临床场景中连续患者的建模；而潜在特征仿真器在固定队列的批量优化中展现协同潜力。未来工作需探索更复杂的非加差异模型，并将方法扩展至神经网络等代理模型。该研究不仅推动了心脏计算医学的发展，更为工业、工程领域的数字孪生规模化提供了普适性框架。