基于人工智能和计算流体力学的个性化心肌灌注缺陷诊断框架

本研究针对冠状动脉疾病(CAD)诊断中功能性评估的不足，开发了结合AI几何重建与三室Darcy模型的个性化计算框架。通过34例患者数据验证，该模型能准确预测心肌血流量(MBF)，分类准确率达0.7，为无创评估心肌缺血提供了新工具。

　　

心血管疾病是全球首要死因，其中冠状动脉疾病(CAD)导致的心肌缺血是主要诱因。传统诊断依赖冠状动脉CT血管造影(CCTA)获取解剖信息，但无法评估功能性缺血；血流储备分数(FFR)虽能反映大血管功能，却难以捕捉微循环异常。动态CT灌注(stress-CTP)虽能提供心肌灌注信息，但存在辐射暴露和药物负荷风险。这些局限性催生了通过计算模型无创评估心肌灌注的需求。

意大利米兰理工大学(Politecnico di Milano)Cardio-Tech Lab的研究团队在《Computer Methods and Programs in Biomedicine》发表研究，开发了首个基于AI和计算流体力学(CFD)的个性化心肌灌注评估框架。该研究创新性地将神经网络几何重建、三室顺应性Darcy模型与临床数据校准相结合，在28例患者验证中实现了与stress-CTP高度一致的MBF预测，为CAD诊断提供了全新决策支持工具。

研究采用PERFECTION研究的34例患者队列，关键技术包括：(1)基于nn-UNet的冠状动脉/心肌自动分割；(2)Eikonal问题求解的灌注区域划分；(3)耦合3D Navier-Stokes方程与三室Darcy模型的流体计算；(4)基于6组患者特征的盲法参数校准；(5)ROC曲线优化的240 ml/min/100g诊断阈值。

【方法】

几何重建：采用级联CNN在15分钟内完成冠状动脉分割，结合TotalSegmentator工具实现心肌自动分割，通过VMTK优化后生成非均匀计算网格。

数学模型：建立包含小动脉(I室)、微动脉(II室)和毛细血管(III室)的三室Darcy模型，耦合3D不可压缩流体动力学方程，通过参数δ_i调控室间交换，α系数关联冠状动脉分支。

参数校准：根据狭窄程度(≥70%)和灌注体积比(R_L=V_LAD/V_LCX，R_L/R=(V_LAD+V_LCX)/V_RCA)将患者分为6组，采用Hooke-Jeeves算法优化16个关键参数，校准误差控制在5%-10%。

【结果】

血流动力学特征：模型成功复现冠状动脉生理性血流特征，舒张期流速达48 cm/s，与临床观测一致。三室压力梯度(86.7→64.8→50.6 mmHg)符合实验数据。

MBF预测：在验证组中，12/28患者误差<10%，全局MBF相关性R²=0.67。Bland-Altman分析显示平均偏差仅15.7 ml/min/100g。

诊断效能：采用240 ml/min/100g阈值时，混淆矩阵显示敏感性0.81、准确率0.70，AUC达0.73，显著优于现有计算模型。

【讨论】

该研究首次实现大规模人群的MBF盲法预测，其创新性体现在：(1)通过灌注区域体积比实现参数个性化；(2)整合冠状动脉几何与心肌收缩效应；(3)建立临床适用的MBF分类标准。虽然计算耗时(3小时/例)和微循环评估尚存局限，但为开发无创诊断工具奠定基础。未来通过扩大校准队列和优化算法，有望成为CAD精准管理的重要辅助手段。