编辑推荐：
为解决体内瓣膜机械参数测定无创方法匮乏、限制计算机预测准确性与临床应用的问题，研究人员开展基于物理信息神经网络（PINNs）的瓣膜组织弹性参数无创测定研究，用 3D 超声心动图追踪瓣膜位移，模型精度较文献提高一倍，为精准医疗奠定基础。
心脏瓣膜病是全球心血管疾病 morbidity 和 mortality 的主要诱因之一，影响近 4100 万人，美国 20% 的心脏手术与之相关。瓣膜狭窄和反流会降低循环效率，导致心力衰竭、终末器官（如肺、肾）功能障碍甚至死亡。当下，瓣膜修复（外科或经导管）虽日益普及，但判断哪些瓣膜可修复及如何个体化修复仍是难题。基于患者特异性影像的定量结构建模虽提升了对 3D 瓣膜结构与功能障碍关系的理解，却因缺乏瓣膜生物力学信息，无法预测动态功能障碍或修复效果。基于影像和物理的计算方法有望减少试错，实现干预前个体化修复优化，然而其准确性依赖患者特异性瓣膜组织机械特性，现有方法需破坏性的离体检测，无法用于临床，尤其限制了儿童和先心病患者的精准建模。
在此背景下，美国费城儿童医院（Children’s Hospital of Philadelphia）等机构的研究人员开展了一项研究，相关成果发表在《Acta Biomaterialia》。该研究开发了一种结合影像配准与物理信息神经网络（Physics-Informed Neural Networks, PINNs）的通用框架，旨在从临床获取的 4D（3D + 时间）医学影像中无创预测患者特异性瓣膜组织弹性参数，为解决上述难题提供新路径。
研究主要运用了以下关键技术方法：首先，采用可变形影像配准（Image Registration）技术，分析心脏瓣膜在不同时间帧的空间位移（Displacements），从 3D 超声心动图（3DE）数据中估算瓣膜小叶的空间位移；随后，利用 PINNs 结合位移数据与系统控制方程（如连续体固体力学基本原理），推导瓣膜组织的弹性参数。研究选取了简化几何模型（2D 厚壁圆柱、2D 薄板、3D 截锥）和临床病例（单心室姑息治疗儿童的三尖瓣）作为研究对象。
结果
- 模型训练与验证：在各示例中，通过训练 PINN 模型从参考位移数据中确定 “未知” 弹性属性。利用解析公式或第一性原理求解器（如 FEBio 有限元软件包）计算机械响应（位移、应力），并与参考数据对比，验证了 PINN 预测的准确性。
- 临床应用验证：针对儿童三尖瓣的研究显示，基于患者特异性参数的模拟模型与参考图像分割高度吻合，平均对称距离小于 1 mm，较文献中通用参数模型的精度提升一倍，证明了该方法在复杂解剖结构中的有效性。
讨论
该研究首次整合影像分析与 PINNs，利用临床影像获取体内组织弹性参数，突破了离体 / 体外实验的理想条件限制。通过影像配准与 PINNs 的双重正则化，结合控制方程与实验观测，提升了模型预测的准确性与适用性。尽管研究以超声心动图在儿童患者中的应用为验证案例，但其方法适用于任何具备足够时空分辨率的 4D 影像，为成人瓣膜病研究提供了通用框架。研究局限性在于依赖影像分辨率和计算资源，未来需拓展至更多病理类型和影像模态。
结论与意义
研究建立了一种基于 4D 医学影像、可变形影像配准和 PINNs 的无创方法，用于识别瓣膜组织的体内弹性属性，估算的参数及衍生的小叶变形、应力、应变与参考解和文献值高度一致。该方法从临床可及数据中无创获取力学信息，对评估先天性心脏瓣膜缺陷患者的瓣膜功能、优化个体化修复策略具有重要转化价值，为无创精准诊断和治疗规划迈出关键一步，有望惠及儿童与成人患者，推动影像引导的精准医学在心血管领域的发展。
