基于稳态先验的冠状动脉脉动血流动力学深度向量化算子模型研究

研究人员针对冠状动脉疾病(CAD)诊断中计算流体动力学(CFD)耗时且依赖离散化的问题，开发了基于机器学习的深度向量化算子模型。该模型通过稳态CFD先验数据，实现了对脉动血流速度场和压力场的高效预测(误差0.368±0.079)，且具有网格无关性(p<0.05)。这项发表于《Computer Methods and Programs in Biomedicine Update》的研究为临床血流动力学评估提供了快速、可靠的替代方案。

　　

在心血管疾病诊疗领域，冠状动脉血流动力学参数如壁面剪切应力(Wall Shear Stress, WSS)和分数流量储备(Fractional Flow Reserve, FFR)是关键的决策标志物。然而，传统计算流体动力学(CFD)模拟面临耗时、计算资源密集且结果受离散化方案影响的困境。以HeartFlow为代表的商业化服务虽取得进展，但高昂成本制约了临床普及。

来自荷兰4TU精准医学项目组的研究人员提出创新解决方案——深度向量化算子(Deep Vectorised Operators)。该研究基于74例冠状动脉CT血管造影(CCTA)患者的临床数据，构建了从稳态CFD到脉动血流场的映射模型。通过放松点对点操作要求，采用置换等变性的PointNet++和Transformer架构，实现了对血管几何和边界条件的自适应处理。

关键技术包括：(1)构建包含48例左冠、26例右冠的临床数据集；(2)开发基于消息传递和自注意力机制的向量化条件神经场；(3)采用网格无关的算子学习方法；(4)引入群等变性提升小数据学习能力。

【Abstract】
研究证实稳态模拟可有效预测脉动血流。通过放松点对点操作约束，模型在保持精度(0.368±0.079)的同时实现离散化独立性(p<0.05)。

【Introduction】
冠状动脉狭窄导致心肌灌注不足，传统CFD存在耗时(单病例数小时)、操作依赖等问题。研究创新性地将机器学习与算子理论结合，利用稳态模拟作为先验，大幅提升计算效率。

【Methods】
采用深度向量化算子框架，通过神经场建模无限维函数空间。LaB-GATr和LaB-VaTr架构分别使用交叉注意力和消息传递模块，采样率设置为0.0033-0.9967的渐进策略。

【Results】
模型在速度场和压力场预测中表现优异，对网格重采样具有鲁棒性。特别在WSS等生物标志物预测方面显示出临床实用性。

【Discussion】
该研究突破性地实现了脉动血流动力学的高效估计，运算时间较传统CFD缩短两个数量级。Julian Suk等学者开发的框架不仅适用于冠状动脉，还可拓展至其他血管系统研究。

研究意义在于：(1)首次将算子学习引入冠状动脉血流预测；(2)统一了PointNet++和Transformer等架构的建模范式；(3)通过稳态先验解决临床数据稀缺问题。NWO和4TU项目的资助进一步凸显其转化医学价值，为精准医疗时代的血流动力学评估提供了新范式。