《Computer Methods in Applied Mechanics and Engineering》:Assessing coronary microvascular dysfunction using angiography-based data-driven methods
编辑推荐:
摘要:冠状动脉微血管功能障碍(Coronary Microvascular Dysfunction, CMD)以冠脉微循环血流调节受损为特征,在缺血性心脏病发病中发挥关键作用,并日益被认为与不良心血管预后相关。尽管其临床重要性显著,CMD仍因依赖压力导丝测量微
摘要:冠状动脉微血管功能障碍(Coronary Microvascular Dysfunction, CMD)以冠脉微循环血流调节受损为特征,在缺血性心脏病发病中发挥关键作用,并日益被认为与不良心血管预后相关。尽管其临床重要性显著,CMD仍因依赖压力导丝测量微循环阻力指数(Index of Microcirculatory resistance, IMR)和冠脉血流储备(Coronary Flow Reserve, CFR)等有创操作而诊断不足——这些方法成本高、耗时长且伴操作风险。迄今尚无研究尝试利用冠脉造影中所含丰富信息通过数据驱动方法量化CMD指数。为解决上述局限,本研究提出一种基于冠状动脉造影推断CMD指数的新型数据驱动框架。研究人员采用生理验证的多物理场模型生成用于数据驱动模型训练的合成数据集,包含CMD指数及带有相应对比剂强度曲线(Contrast Intensity Profile, CIP)的计算冠脉造影图像。开发了两种神经网络架构:用于IMR预测的单输入通道编码器?多层感知机(Encoder?MLP)模型,以及用于CFR预测的双输入通道Encoder?MLP模型,两者均引入认知不确定性(Epistemic Uncertainty)估计以量化预测置信度。结果表明,数据驱动模型在基于物理解的合成数据集上评估时具有高预测精度,且不确定性估计与预测误差呈正相关。此外,研究证明了CIP可作为冠脉生理学信息的有意义替代指标,突显了该框架有望利用常规造影实现准确、实时、基于影像的CMD评估,无需更侵入性的方法。
论文解读:基于冠脉造影数据驱动方法评估冠状动脉微血管功能障碍(CMD)
研究背景与意义
冠状动脉微血管功能障碍(Coronary Microvascular Dysfunction, CMD)指冠脉微循环(前小动脉、小动脉及毛细血管)血流调节受损,超过90%的总冠脉血流阻力源自此处,其结构与功能异常可导致心肌缺血、心衰及不良预后。目前CMD诊断主要依靠有创压力导丝测定微循环阻力指数(Index of Microcirculatory Resistance, IMR)和冠脉血流储备(Coronary Flow Reserve, CFR),或依赖正电子发射断层扫描(Positron Emission Tomography, PET)——前者具侵入性与操作风险,后者设备昂贵且普及受限;传统冠脉造影衍生的TIMI帧计数等方法仅为半定量主观评估。计算流体力学(Computational Fluid Dynamics, CFD)方法虽可模拟IMR/CFR,但边界条件设置依赖有创测量且计算成本高。因此,亟需开发能充分利用冠脉造影动态信息、非侵入、高效准确的CMD评估方法。本文由Yang H等发表于《Computer Methods in Applied Mechanics and Engineering》,提出首个利用造影动态对比剂强度曲线(Contrast Intensity Profile, CIP)通过数据驱动模型推断IMR与CFR的框架,并引入深度集成法量化预测的认知不确定性(Epistemic Uncertainty)。
主要关键技术方法
研究人员采用经生理校验的3D?0D多物理场CFD模型(CRIMSON软件)模拟造影剂(碘对比剂,浓度400 mg/mL,体积2 mL,注射速率1000 mm3/s持续2 s)在重建自1例疑似CMD患者冠状动脉CT血管造影(Coronary Computed Tomography Angiography, CCTA)的三维心外膜冠脉树(左前降支LAD、左回旋支LCx含钝缘支OM1/OM2、右冠脉RCA含锐缘支AM及主动脉根部)中的Navier?Stokes流场与标量平流?扩散输运,0D集总参数模型(Lumped Parameter Model, LPM)描述微循环(大动脉阻力Ra、近端/远端小动脉阻力Rap/Rad、动脉顺应性Ca、心肌内顺应性Cim)及体循环/心脏功能。静息(心率60 bpm)与充血(Hyperemia,心率82 bpm,冠脉LPM阻力降低)条件下,通过拉丁超立方采样(Latin Hypercube Sampling, LHS)改变LPM缩放因子(静息x?,x?∈[1,2], x?∈[0.5,1];充血x?,x?∈[1,5], x?∈[0.1,1])及注射起始时相x?∈[0,1],分别运行100例静息与600例充血模拟。从3D浓度场按临床投照角度(RAO=21.9°, CAU=18.3°)投影、阈值化、统计亮像素数提取归一化时间?CIP;依据远端平均通过时间(Mean Transit Time, Tmn,i,由浓度?时间曲线一阶矩/零阶矩计算)与充血远端压pd,iH计算各分支IMRi=pd,iH×Tmn,iH及CFRi=Tmn,iR/Tmn,iH,取左冠树四分支均值代表整体CMD。构建两类Encoder?MLP神经网络:单输入(充血CIP)预测IMR,双输入(静息+充血CIP)预测CFR,卷积编码器提取时序特征后接入四层全连接多层感知机回归;采用M=5个独立训练模型的Deep Ensemble估算认知不确定性方差σ2epistemic。数据集按85%/5%/10%划分训练/验证/测试(CFR配对静息与充血CIP组合后剔除CFR>4样本)。
研究结果
3.1. Multi?physics simulation results for reference cases
参考静息与充血态模拟显示冠脉呈舒张期优势血流,心输出量增加约80.5%,左冠树CFR≈3.10、右冠树CFR≈3.16,处于健康范围;速度、压力及对比剂浓度云图符合生理特征。提取的CIP在充血态上升/下降斜率更陡,反映更快对比剂通过及洗脱。证明多物理场模型能产生生理合理的血流动力学与CIP,适合作为合成数据生成基础。
3.2. IMR inference
基于600例充血模拟CIP?IMR对训练测试,模型在测试集上均方误差MSE=1.015,决定系数R2=0.989,认知不确定性方差σ2epistemic=0.446。预测值与CFD真值高度吻合;预测误差绝对值与 epistemic σ呈正相关(Pearson r=0.479),表明不确定性估计可有效反映模型置信度。
3.3. CFR inference
静息90例与充血540例CIP交叉配对形成48,138组训练/验证及598组测试(CFR≤4),双输入模型测试集MSE=0.010,R2=0.967,σ2epistemic=0.052;预测CFR与模拟CFR在1?4范围内强相关,误差与 epistemic σ正相关(r=0.441),同样验证了不确定性量化可靠性。
讨论与结论翻译
讨论指出框架有效利用CIP编码的冠脉血流动力学信息,Encoder?MLP架构经超参搜索表现稳健且不敏感于合理尺寸范围,Deep Ensemble不确定性有助临床信任判断。局限性含:仅用单一患者几何、训练于无噪声合成数据未含真实成像伪影(呼吸/心跳/床移)、微血管病变均匀缩放假设及固定注射协议、全局分支平均而非单支、单一投照角度、未含心外膜狭窄(补充实验示中度狭窄不影响CIP洗脱斜率主要受微血管阻力调控,框架可扩展至合并病变)。未来将纳入多几何/多疾病表型、成像伪影、分支异质性微血管病变、多注射协议、多视角及临床数据验证微调。
结论:本研究提出一种基于计算冠脉造影数据推断CMD指数IMR与CFR的新型数据驱动框架。训练阶段利用生理验证多物理场模型在静息与充血下生成含CIP及CMD指数的合成数据集,分别训练单输入Encoder?MLP(充血CIP→IMR)与双输入Encoder?MLP(静息+充血CIP→CFR);测试阶段模型由CIP预测CMD指数并给出不确定性估计。结果表明:(1)多物理场模型产生生理真实的血流动力学,是可靠的训练数据来源;(2)CIP有效编码CMD相关的冠脉血流动力学特征;(3)训练的数据驱动模型在物理解合成数据上具高预测精度与可靠的不确定性量化;(4)预测误差与认知不确定性正相关支持模型预测置信度。该框架实现了由CIP准确、高效、可解释的CMD指数估算,支持非侵入、实时冠脉功能评估。创新点在于首次利用冠脉造影动态对比信息做CMD评估,并引入不确定性量化提供预测置信区间以增强临床可解释性与信任度。