基于物理信息神经网络的房室纤维走向集成学习及其在精准医疗中的应用

来自国际研究团队的最新成果提出Δ-Fibernet方法，通过物理信息神经网络集成学习技术，成功实现心房纤维走向与传导速度的精准重建。该研究利用心电映射数据，在7分钟内完成不确定性量化，突破传统成像局限，为心脏数字孪生和心律失常个性化治疗提供关键技术支撑。

　　

心肌各向异性结构是心脏功能的关键决定因素，但目前尚无活体成像技术能够评估心脏纤维结构。研究团队开发了Δ-Fibernet方法，通过集成神经网络架构处理纤维场估计中的不确定性，直接从心房表面电生理数据中推断局部传导特性。该方法采用物理信息神经网络（Physics-Informed Neural Networks, PINN）分析电解剖标测记录的心脏激动信号，生成符合观测数据的多组纤维走向样本并计算后验统计量。改进后的算法在8种不同心房解剖结构中显著降低了纤维取向误差，可在7分钟内同步完成传导速度（Conduction Velocity）估计和不确定性量化，为临床心律失常个性化治疗提供了重要工具。该技术有望推动心脏数字孪生（Cardiac Digital Twins）在精准医学领域的深度应用。