基于多保真度深度学习的肺力学时空模拟降阶代理模型研究

《Frontiers in Physiology》：Multifidelity deep learning modeling of spatiotemporal lung mechanics

本文提出一种结合降阶建模与多保真度神经网络（rMFNN）的肺力学代理模型，通过奇异值分解（SVD）压缩时空数据维度，利用低保真度（LF）与高保真度（HF）有限元模拟数据协同训练，实现肺位移场（ux, uy, uz）和肺泡压力场（palv）的高效预测。模型在等效计算成本下较单保真度模型误差降低56%，推理速度提升462倍，为个性化呼吸支持策略优化提供新工具。

　　

研究背景与意义

肺力学模拟在优化机械通气（MV）策略和预防呼吸机相关肺损伤（VILI）中具有重要价值，但高保真度（HF）有限元（FE）模型计算成本高昂，限制其临床实时应用。本研究针对此问题，开发了一种结合降阶建模（ROM）与多保真度神经网络（MFNN）的代理模型，通过融合低保真度（LF）与高保真度数据，实现肺时空力学响应的高效预测。

多保真度肺力学建模框架

研究构建了基于Biot多孔弹性理论的肺力学模型，将肺实质建模为固-液耦合介质，其控制方程包括动量守恒定律和质量守恒定律。HF模型采用精细网格（左肺4,566节点/右肺5,796节点），LF模型使用粗网格（左肺318节点/右肺403节点），两者均模拟压力控制通气（PCV）模式下两个呼吸周期的动力学响应。参数空间涵盖组织杨氏模量（E_tissue）、渗透率（κ）等5个关键生物力学参数，通过拉丁超立方采样（LHS）生成300组LF和25组HF训练数据。

时空数据降维与特征提取

针对位移场（u_x, u_y, u_z）和肺泡压力场（p_alv）的时空数据集，采用奇异值分解（SVD）进行降维。结果显示前3个主成分（PCs）可解释99%以上的位移场方差，而肺泡压力场仅需2个主成分。第一主成分（PC1）单独贡献约90%的方差，表明肺力学响应具有高度空间相关性。通过主成分分析（PCA）将原始数万维数据压缩至个位数维度，为神经网络训练奠定基础。

多保真度神经网络架构设计与优化

代理模型采用三层网络结构：LF神经网络（NN_L）学习低保真度数据趋势，两个HF神经网络（NN_H1和NN_H2）分别捕获高低保真度数据间的线性与非线性关联。超参数调优表明，最优rMFNN结构包含5个隐藏层（每层60神经元），使用Tanh激活函数和10^?3正则化系数。损失函数综合LF/HF预测误差及L₂正则化项，通过3折交叉验证确定模型性能，在PC1预测中rMFNN的R²达90.6%，显著高于rSFNN的71.6%。

模型性能验证与临床应用价值

在测试集上，rMFNN对所有场量的R²均高于93%，平均达97%，较rSFNN的MAE降低56%（位移场）和83%（肺泡压力场）。时空场重建结果显示，峰值吸气时刻位移场相对误差中位数降低15%，肺泡压力场降低8%。模型成功复现通气过程中的流量-容积曲线，波形均方根误差（RMSE）为4.369 L/min（流量）和0.002 L（容积）。等效计算成本分析表明，在相同训练成本下，rMFNN的RMSE较rSFNN降低约50%，且推理速度较HF有限元模拟提升462倍，满足临床实时应用需求。

技术优势与未来展望

本研究首次将多保真度学习与降阶建模结合应用于三维肺力学模拟，突破传统代理模型对高保真度数据的依赖。通过LF数据（300样本）与HF数据（15样本）的协同训练，在保证精度的同时大幅降低数据获取成本。未来工作可探索自动编码器（Autoencoder）等非线性降维方法，并扩展模型至病理肺条件（如ARDS）的模拟，进一步推动计算肺力学在精准医疗中的应用。