解决心脏数字孪生心电图反问题的研究综述

《IEEE Reviews in Biomedical Engineering》：Solving the Inverse Problem of Electrocardiography for Cardiac Digital Twins: A Survey

心脏数字孪生（CDTs）通过求解ECG逆问题实现心脏源重建与电生理参数估计，推动个性化诊疗发展。现有方法分为确定性和概率性两大类，涵盖传统算法与深度学习模型，但动态电生理建模、知识融合及不确定性量化仍是技术瓶颈，临床应用需兼顾可解释性与实用性。

　　

摘要：

心脏数字孪生（CDTs）是用于理解复杂心脏机制的个性化虚拟表示。CDT开发的一个关键组成部分是解决心电图（ECG）逆问题，该问题能够从表面ECG数据重建心脏源并估计患者特定的电生理（EP）参数。尽管面临复杂的心脏解剖结构、噪声ECG数据以及逆问题的不适定性等挑战，但计算方法的最新进展极大地提高了ECG逆向推断的准确性和效率，增强了CDTs的真实性。本文旨在全面回顾解决ECG逆问题的方法、它们的验证策略、临床应用以及未来的发展前景。在方法论方面，我们将最先进的方法大致分为两类：确定性方法和概率性方法，包括传统技术和基于深度学习的技术。将物理定律与深度学习模型相结合具有潜力，但仍存在一些挑战，例如准确捕捉动态电生理现象、获取准确的领域知识以及量化预测不确定性。将模型整合到临床工作流程中，同时确保医疗专业人员的可解释性和可用性至关重要。克服这些挑战将推动CDTs领域的进一步研究。

引言

心电图（ECG）研究心脏电活动与在躯干表面测得的电位之间的关系。理解这种关系对于开发个性化的电生理（EP）虚拟模型（即心脏数字孪生（CDTs）[1]、[2]）至关重要。目前，治疗决策仍然主要基于对具有相似心脏状况的大规模患者群体进行统计比较的临床研究[3]。相比之下，虚拟心脏模型在提供个性化治疗方面显示出巨大潜力，例如心律失常风险分层[4]和持续性心房颤动（AF）的消融指导[5]。这涉及到使用计算模型来解决ECG的正问题和逆问题。ECG正问题旨在从已知的心脏活动预测体表信号。而ECG逆问题则试图从ECG或体表电位（BSP）[2]、[6]中推断心脏信息，如图1所示。逆问题可以从两个方面进行：心脏源的重建和EP参数的估计。这两个方面都与CDTs的概念密切相关[2]、[7]。心脏源的重建提供了关于心脏电活动的重要信息，这些信息可以整合到数字孪生模型中，以提高它们对心脏的表示准确性[7]。另一方面，估计EP模型参数可以使这些数字孪生模型根据个体患者的状况进行微调，确保模型行为与真实的心脏生理反应高度一致[7]。