基于本征正交分解与机器学习的脑动脉瘤血流动力学高效预测研究

本研究针对脑动脉瘤破裂风险评估中计算流体动力学(CFD)模拟耗时的问题，创新性地结合本征正交分解(POD)降维与长短期记忆网络(LSTM)机器学习技术，建立了中脑动脉(MCA)囊状动脉瘤血流动力学参数的高效预测模型。研究通过患者特异性血管几何重建和Casson非牛顿流体模拟，证实仅需少量POD模态即可捕捉压力(99%)和壁面剪切应力(WSS)等关键参数，而振荡剪切指数(OSI)因复杂时空特性需更多模态。该POD-LSTM混合方法显著降低计算成本，为临床实时决策支持提供了新思路。

　　

脑动脉瘤如同潜伏在脑血管中的"定时炸弹"，尤其是中脑动脉(MCA)分叉处的囊状动脉瘤，其破裂导致的蛛网膜下腔出血致死率高达50%。传统上，医生依赖形态学特征评估风险，但越来越多的证据表明，血流与血管壁相互作用的力学因素——如壁面剪切应力(WSS)和振荡剪切指数(OSI)——才是预测破裂的关键指标。计算流体动力学(CFD)虽能模拟这些参数，但每次仿真需数小时甚至数天，难以满足临床实时决策需求。Wajdi Rajhi团队在《Scientific Reports》发表的这项研究，开创性地将数学降维与人工智能相结合，为这一困境提供了创新解决方案。

研究采用三大关键技术：首先基于DICOM影像重建患者特异性血管几何，采用Casson非牛顿流体模型进行高精度CFD模拟（使用ANSYS Fluent软件，网格数达168万）；其次应用本征正交分解(POD)提取主导流动结构的空间模态；最后构建长短期记忆网络(LSTM)预测时间系数演变。数据来源于公开的Aneurisk项目。

结果部分显示：在动脉瘤颈部区域，仅需8个速度模态和3个压力模态即可捕获95%能量；而动脉瘤壁面的WSS仅需5个模态，OSI则需9个模态。图6和图7通过能量累积曲线直观展示了不同参数的模态需求差异。图8显示重建误差在颈部区域低于3%，但壁面OSI误差初期超过100%。图9-10对比了训练集与测试集表现，压力预测误差始终低于0.1%，WSS低于1%，而OSI在测试集误差显著升高。图11-12的流场对比证实，该方法能准确预测高梯度速度场和WSS分布。

结论指出，这种POD-LSTM混合框架将CFD仿真转化为高效的数据驱动模型，使压力和WSS的预测速度提升数个数量级，为临床实时风险评估奠定基础。虽然OSI预测仍需改进，但该方法已展现出将复杂血流模拟"瘦身"为临床实用工具的潜力。特别值得注意的是，研究回避了流固耦合(FSI)的复杂性，通过刚性壁假设在保证精度的前提下大幅降低计算成本。这项工作标志着计算生物力学向智能化、精准化迈出关键一步，未来通过纳入更多患者数据，有望建立更普适的动脉瘤破裂预警系统。