《Cyborg and Bionic Systems》：Physics-Informed Neural Networks Meet Multimodal Large Language Models: Biomechanical Simulation in Aortic Aneurysm
编辑推荐：
摘要：胸主动脉的轴向夹层是主动脉夹层患者常见的死亡原因；然而，对升胸主动脉患者进行干预的决定目前基于升主动脉直径的大小。基于直径的标准未能考虑主动脉的生物力学特性以及患者的其他特征，而有限元分析（在确定主动脉壁应力方面）理想情况下可解决当前基于直径标准的相关问
摘要：胸主动脉的轴向夹层是主动脉夹层患者常见的死亡原因；然而，对升胸主动脉患者进行干预的决定目前基于升主动脉直径的大小。基于直径的标准未能考虑主动脉的生物力学特性以及患者的其他特征，而有限元分析（在确定主动脉壁应力方面）理想情况下可解决当前基于直径标准的相关问题。一种名为BioPINN-LM的新型计算方法整合了两种计算方法，用于快速实时预测主动脉壁应力：一种物理信息神经网络（PINN），经机械模拟数据训练以预测壁应力；以及一种多模态大语言模型，利用PINN的输出数据以及基于图像的几何描述符，从主动脉两端提供可解释的风险评估。将PINN与有限元方法参考数据库进行比较表明，在血压为120/80 mmHg时，PINN产生的平均壁应力预测误差为8.34 kPa（相对误差6.12%），每个几何形状的平均预测时间为0.83 s，而传统有限元方法需要38.6 min。BioPINN-LM的会话组件在200个模拟临床场景 vignette 的基准测试中，与委员会认证专家建议的一致性达到87.4%。作为基于模拟的概念验证，这些结果表明，将机制模拟与基于语言的探究相结合，可能为升胸主动脉瘤的生物力学决策提供补充；基于纵向结局的真实患者队列的临床验证留待未来工作。
论文解读：BioPINN-LM：融合物理信息神经网络与多模态大语言模型的主动脉瘤生物力学模拟
一、研究背景与问题
升胸主动脉瘤（ATAA）是胸主动脉的渐进性扩张，多数患者无症状，但部分患者会发生夹层或破裂，导致高达40%的院前死亡率和约25%的院内死亡率。目前，临床干预的主要决策依据是最大横径（三叶瓣约5.5 cm，二叶瓣约5.0 cm）。然而，约60%的A型夹层发生在手术干预阈值之下，表明基于直径的标准存在重大缺陷。直径仅反映动脉瘤的整体尺寸，无法揭示主动脉周围局部组织所承受的应力与应变差异，而局部应力超过组织强度才是破裂的直接原因。有限元分析（FEA）结合患者解剖影像可提供详细的壁应力信息，但传统FEA流程涉及手动数据输入、表面生成、体网格划分、材料属性定义及求解等步骤，每例需要4至8小时，且缺乏标准化方法，难以在常规临床中应用。物理信息神经网络（PINN）通过将偏微分方程（PDE）嵌入损失函数，避免了传统的网格划分与迭代求解循环，已有研究在理想化腹主动脉瘤（AAA）流体动力学中展示了高精度和极快计算速度，但尚未有研究将PINN应用于ATAA的结构应力分析，其核心挑战在于主动脉壁的超弹性、各向异性和复杂几何形状。此外，多模态大语言模型（LLM）在心血管医学中已展现应用潜力，但现有模型无法接受基于物理的模拟输出以生成生物力学建议，通常会退回到基于直径的启发式判断。为弥合这两个领域，研究人员提出了BioPINN-LM框架。
二、研究内容与结论
研究人员开发了BioPINN-LM，一个混合计算框架，包含三个主要贡献：（1）一种结合Holzapfel-Gasser-Ogden（HGO）超弹性本构模型和平衡方程的单神经网络架构PINN，用于估计ATAA壁应力，在验证合成几何上相对FEA的平均相对误差为6.12%；（2）一种系统化的应力场编码方法MechToken，将三维von Mises应力和主应力分布压缩为固定长度张量，适用于LLM的多模态输入接口；（3）一个经过指令微调的多模态LLM模块，可联合处理影像衍生几何特征与MechToken，提供基于指南的会话式风险评估，在200个临床场景中与临床专家建议的一致性达到87.4%。研究意义在于首次将机制性物理引擎与对话式人工智能相结合，为ATAA的生物力学决策提供补充，但该框架仅为研究原型，临床验证留待未来工作。
三、主要关键技术方法
研究人员采用了以下关键技术方法：（1）HGO本构模型嵌入PINN损失函数，结合平滑Macaulay括号实现可微的纤维激活；（2）球形谐波几何编码（L=12，产生169个系数）作为几何条件输入；（3）多目标损失函数（PDE残差、边界条件、数据、不可压缩约束）结合自适应损失权重；（4）MechToken编码：将应力场按8个解剖区域（前壁、后壁、左侧壁、右侧壁、大弯、小弯、窦管交界及升主动脉中段）计算5种统计量（均值、95百分位、最大值、变异系数、梯度最大值），加上2个全局特征（峰值应力与强度比PSR、Laplace定律峰值应力比），构成42维向量；（5）多模态LLM分支基于LLaVA-Med-v1.5，使用CLIP ViT-L/14视觉编码器，冻结视觉与语言编码器，训练MechToken投影层和交叉注意力适配器，随后用低秩适应（秩16，α=32）微调全部参数。训练数据来自1,247个参数化合成几何（最大直径35-70mm、长度60-120mm、偏心率0-0.4、壁厚1.2-3.0mm、窦管交界比0.7-1.0、曲率不对称性-0.3-0.3、局部膨出指数0-0.5）的FEBio仿真，以及来自已发表研究的86个公开FEA解，另生成30个二叶式主动脉瓣（BAV）相关不对称形态用于分布外测试。LLM指令微调使用4,320对问答数据，评估使用200个由5位委员会认证心血管医师标注的模拟临床场景vignettes。
四、研究结果
（一）应力预测主结果：在267个留出ATAA几何上，BioPINN-LM在120/80 mmHg正常血压下平均绝对误差（MAE）为8.34 kPa（相对误差6.12%），优于PI-DeepONet（MAE 11.53 kPa）和3D U-Net代理（MAE 12.91 kPa）；在160/100 mmHg高血压下MAE为11.07 kPa（相对误差5.89%），R2值达0.961（正常血压）和0.953（高血压）。Bland-Altman分析显示峰值壁应力平均偏倚为-1.2 kPa，95%一致性界限为[-17.4, 15.0] kPa，说明与FEA相比无明显偏倚。相比之下，不包含HGO本构模型的vanilla PINN表现显著较差（MAE 18.72 kPa），证明编码特定问题的本构规律至关重要。
（二）会话决策支持主结果：BioPINN-LM在200例模拟vignette基准上达到87.4%的专家一致性，比ESC指南规则系统（72.0%）高15.4个百分点，比无应力数据的GPT-4V（74.5%）高12.9个百分点。生物力学推理评分（BRS）为8.3，远高于GPT-4V的3.7。消融实验表明，去除MechToken后一致性降至77.3%，去除对抗性问答后降至83.1%，说明性能提升源于区域生物力学信息而非单纯直径或几何。
（三）PINN组件消融：HGO本构嵌入贡献最大（移除后MAE增加5.33 kPa），球形谐波几何条件其次（+4.55 kPa），监督位移匹配（SDM）为+3.18 kPa。HGO与SDM联合移除产生协同惩罚（+13.00 kPa），表明两者提供互补约束。跳连贡献不显著（P=0.063）。
（四）MechToken编码消融：42维区域级MechToken优于全局统计量（一致性87.4% vs 80.2%），也优于256个原始节点样本（84.1%），表明结构化语义内容对LLM推理更有用。
（五）超参数敏感性：配点密度超过8,192后收益递减；网络深度存在非单调最优值D=8；傅里叶特征尺度σf=2.0为最优，过大会导致边界层高频振荡拟合。
（六）计算成本对比：PINN分支每几何推理0.83 s，相对FEBio（2,316 s）加速2,790倍；完整管线（含LLM推理）总延迟小于3 s。3D U-Net推理更快（0.12 s）但精度更低且不满足物理定律。
（七）分区域应力误差：最大误差出现在窦管交界（STJ）区域（8.42%），与几何急剧变化导致的应力集中有关；引入STJ附近配点富集方案可将误差降至7.16%，但增加0.15 s推理时间。
（八）鲁棒性分析：在200/120 mmHg压力外推下相对误差增至7.41%，仍低于vanilla PINN；BAV相关分布外几何相对误差为9.83%±1.1%，表明对不对称形态具有一定泛化能力。
五、讨论与结论
讨论部分指出，PINN与FEA之间的误差（6.12%）在量级上与手动FEA流程的分析者间变异性（5%-10%）相当，且远低于图像衍生几何的不确定性（壁厚估计不确定性达10%-15%）。HGO本构的嵌入不仅是正则化，更是结构化先验，在数据有限时尤为关键。MechToken的42维结构化描述符优于原始节点数据，表明语言模型推理更依赖语义归纳而非数据体量。局限性包括：使用群体级本构参数而非患者特定参数；专家一致性基于模拟vignette而非真实纵向结局；框架基于静态CTA几何，未纳入4D血流MRI的搏动载荷；平滑Macaulay括号在极端载荷下未验证；需要更强对照组、正式灰度区（45-55mm）分层分析及真实队列验证。
结论：研究人员推出了BioPINN-LM混合方法，结合用于ATAA壁应力估计的PINN及允许医生以直观方式对话的多模态语言模型，为临床决策过程提供生物力学洞察。PINN原型在0.83 s内完成267个未测试合成ATAA的壁应力估计，较FEA加速2,790倍，正常血压和高血压下的平均误差分别为8.34 kPa（6.12%相对）和11.07 kPa（5.89%相对）。语言模型模块在200例专家标注基准上达到87.4%的一致性，较仅直径规则系统高15.4个百分点。消融研究表明性能优势主要源于HGO本构嵌入及区域级MechToken编码。所有验证均基于仿真，推荐意见来自专家标注的模拟vignette，未来需针对真实CTA衍生病例及破裂、夹层或手术终点进行验证。
