基于神经算子变换器的稀疏数据脑血管动力学重建：一种面向数字孪生的快速计算框架

为解决心血管疾病诊疗中脑血流动力学实时监测的难题，研究人员开发了整合GNOT(通用神经算子变换器)和VANO(变分自编码神经算子)的计算框架，通过1D降阶模型生成合成数据训练网络，实现了从稀疏临床数据中高精度重建Willis环血流动力学参数(平均相对误差<1%)，并创新性地采用自适应网格搜索算法推断患者特异性边界条件，为脑血管数字孪生提供了高效解决方案。

　　

脑血管疾病作为全球致残致死的主要原因之一，其诊疗面临重大挑战。传统影像学技术如经颅多普勒超声(TCD)和相位对比磁共振成像(PC-MRI)存在操作依赖性强、耗时长等局限，而计算流体力学模型又受制于高昂的计算成本。特别是在Willis环(CoW)这种复杂血管网络中，如何从有限的临床测量数据重建全脑血流动力学参数，并快速获取患者特异性边界条件(BCs)，成为制约数字孪生技术临床应用的关键瓶颈。

针对这一难题，来自波兰波兹南超级计算与网络中心的研究团队在《Computers in Biology and Medicine》发表创新性研究，提出融合神经算子与生成模型的混合计算框架。该工作通过17,129例有限元仿真构建训练数据集，开发了基于通用神经算子变换器(GNOT)的代理模型实现秒级血流预测，结合变分自编码神经算子(VANO)实现输入函数的低维表征，最终通过多阶段优化策略从BA(基底动脉)和ICAs(颈内动脉)的稀疏速度测量中，成功重建全脑血流动力学参数(全局误差3.3%)，并创新性地采用自适应网格搜索算法推断Windkessel模型参数，为个性化脑血管数字孪生提供了高效解决方案。

研究采用四项关键技术：1)基于SimVascular的1D降阶模型(ROM)生成17,129例CoW血流动力学仿真数据；2)开发具有几何门控机制的GNOT架构，实现50×100网格上速度/面积/压力的同步预测；3)构建16维潜空间的VANO模型约束输入函数采样；4)设计包含质量守恒/压力连续性的复合损失函数，通过多起点优化求解逆问题。

2.1 1D ROM建模与数据集构建
通过有限元求解器模拟包含33条动脉的CoW网络，采用Olufsen非线性材料模型描述血管壁特性，使用三元素Windkessel模型处理终端边界条件。数据集涵盖HR(60-80bpm)、Q^?
(362-543ml/s)等参数的生理变异范围，经10个心动周期仿真后筛选出14,256例有效数据，为后续训练提供多样化样本。

2.2 代理模型性能验证
GNOT在测试集上展现出卓越的预测精度：MCA(大脑中动脉)速度预测误差仅0.53%，ACA A2(大脑前动脉A2段)面积重建误差0.11%。特别值得注意的是，模型在降采样至25×50网格时仍保持稳定性能，且单次前向传播耗时仅0.13秒，较传统FEM求解器加速450倍。

2.3 生成模型评估
VANO成功学习到各动脉特征性流速波形，生成的PSV(峰值收缩速度)、EDV(舒张末期速度)等参数与真实分布无显著差异(PI指数误差<5%)。这种基于潜空间(16维)的约束采样机制，为逆问题求解提供了生理合理的初始猜测。

2.4 逆问题求解结果
在171例验证案例中，框架仅需BA和双侧ICAs的流速测量即可重建全网络血流状态，平均相对l₂
误差3.32%。即使在SNR≈11dB的强噪声干扰下，ACoA(前交通动脉)的压力重建误差仍能控制在3.47mmHg以内，展现出临床实用潜力。

2.5 边界条件推断
通过拟合GNOT预测的出口流量/压力波形，自适应网格搜索算法能准确反演各终端的R₁
/R₂
/C参数，为后续患者特异性仿真提供关键输入条件。

这项研究开创性地将神经算子应用于血管网络PDE求解，其重要意义体现在三方面：首先，GNOT+VANO框架突破了传统CFD方法的计算瓶颈，使实时血流动力学监测成为可能；其次，通过将VANO作为逆问题的生成先验，有效约束了解空间的生理合理性；最后，自适应BCs估计算法为数字孪生的临床落地扫清了关键障碍。未来工作可进一步拓展至病理形态建模，为脑卒中、动脉瘤等疾病的精准诊疗提供新范式。