冠状动脉血流动力学标量场的几何深度学习模型研究：CFD替代方案的性能基准分析

推荐：本研究针对冠状动脉疾病( CAD )诊断中计算流体动力学( CFD )模拟耗时长、成本高的问题，系统评估了6种几何深度学习( GDL )模型在预测虚拟血流储备分数( vFFR )中的表现。研究通过合成和患者特异性数据集验证，发现基于Transformer的LaB-GATr模型在复杂解剖结构中表现最优，压力差( Δp )是最佳学习变量，为临床快速评估冠状动脉功能提供新方案。

　　

冠状动脉疾病(CAD)是全球死亡的首要原因，其诊断金标准血流储备分数(FFR)测量虽准确但具有侵入性。计算流体动力学(CFD)衍生的虚拟FFR(vFFR)虽能替代，但单次模拟需24小时以上，且依赖专家操作。如何快速、精准地预测冠状动脉血流动力学参数，成为临床亟待解决的难题。

针对这一挑战，来自荷兰特文特大学等机构的研究团队在《Computers in Biology and Medicine》发表研究，系统评估了6种几何深度学习(GDL)模型预测vFFR的性能。研究创新性地采用合成左冠状动脉分叉数据集(1500例)和真实患者数据(427例)，首次在复杂解剖结构中验证了GDL作为CFD替代方案的可行性。

研究采用多模态特征融合策略，将28维顶点特征(包括表面法向量、测地距离、拉普拉斯特征向量等)输入模型。关键技术包括：1)基于PointNet++的特征消融实验确定关键输入；2)对比MLP、PointNet++、DiffusionNet等6类架构；3)采用压力(p)、压力差(Δp)和vFFR三种输出变量训练；4)通过点间差异、近似差异等指标定量评估。

合成数据集实验结果显示：1)在预测压力场时，LaB-GATr模型表现最佳，测试损失仅3.37×10^-2
Pa，Spearman相关系数达0.976；2)当学习压力差时，所有模型性能显著提升，MLP(S)的点间差异低至3.23×10^-3
；3)直接预测vFFR仅LaB-GATr表现良好，其近似差异仅3.13×10^-4
，证实Δp是最稳定的学习目标。

患者特异性数据验证发现：1)LaB-GATr(S)在狭窄区域预测vFFR的准确率达0.79，显著优于其他模型；2)与有创FFR对比显示+0.035的系统性偏差，符合临床可接受范围；3)模型对右冠状动脉等简单解剖预测更准，复杂分支部位误差较大。

特征消融研究揭示：表面法线(n_i
)、入口压力(p_in,i
)和局部半径(R_i
)是关键特征，缺失任一可使误差增加59%。

这项研究确立了GDL在冠状动脉血流动力学预测中的两大里程碑：1)对于简单几何，多种GDL模型均可作为高效CFD替代；2)面对真实患者解剖，仅LaB-GATr等Transformer架构能保持优异性能。该成果将vFFR计算时间从数小时缩短至2分钟内，且无需复杂CFD设置，为CAD的无创诊断提供了可推广的AI解决方案。特别值得注意的是，研究首次证实压力差(Δp)的预测能稳定重建全场vFFR，这一发现为后续血流动力学预测研究指明了优化方向。