基于物理信息神经网络集成学习的心房纤维走向估计及其不确定性量化

来自国际团队的研究人员开发了Δ-Fibernet方法，利用物理信息神经网络集成学习从心电标测数据中推断心房纤维走向和传导速度，在7分钟内完成不确定性量化，推动心脏数字孪生的精准医疗应用。

　　

心肌的各向异性结构是心脏功能的关键决定因素，但目前尚无成像技术能够在活体内评估心房纤维结构。研究团队近期开发了Fibernet方法，通过电生理标测（electroanatomical mapping）记录的心脏激动信号，利用物理信息神经网络（Physics-Informed Neural Networks, PINN）从局部电信号中推断传导特性。本研究升级为Δ-Fibernet，采用神经网络集成学习生成多个符合观测数据的纤维走向样本，并计算后验统计量以量化不确定性。新方法直接在心房表面定义神经网络输入，并引入成员选择机制优化纤维方向识别。在八种不同心房解剖结构中，纤维走向估计误差显著降低。当前方法可在7分钟内同步估算纤维走向和传导速度（conduction velocities），且提供量化不确定性，为临床心律失常个性化治疗规划提供新途径。该技术有望进一步推动心脏数字孪生（cardiac digital twins）在精准医疗领域的应用。