基于计算流体力学-机器学习的病理性血液流变学与复杂血管条件下冠状动脉血流动力学预测方法

《Simulation Modelling Practice and Theory》：A CFD–Machine Learning Approach to Coronary Hemodynamic Prediction under Pathological Blood Rheology and Complex Vascular Conditions

　　

## 摘要

本研究对健康及病理状况下分支冠状动脉中搏动性非牛顿血流进行了全面的心脏血流动力学分析，病理状况包括动脉瘤、狭窄以及旁路移植设计。采用Carreau非牛顿流变模型模拟三种理想化冠状动脉模型，并考虑四种血液变体以反映生理条件下血液的剪切变稀行为。本研究的创新之处在于探讨狭窄、动脉瘤、旁路移植以及不同血液流变学特性的综合血流动力学效应，同时将CFD驱动的机器学习框架整合应用于关键血流动力学参数的快速准确预测。将结合Carreau粘度模型的边界条件在计算流体力学（CFD）框架中实施，求解控制方程以评估壁面剪切应力（WSS）、压力波动和速度分布。结果表明，几何不规则性和血液流变学特性共同决定冠状动脉血流动力学，例如贫血血液的速度比健康血液高30–45%，而旁路移植可将近15–20%的糖尿病血液低WSS暴露持续时间缩短。狭窄区域产生高速射流和升高的WSS。为实现快速预测，利用CFD数据集训练了极端梯度提升回归（XGBR）、人工神经网络（ANN）和随机森林回归（RFR）模型。其中，XGBR表现出最一致的性能（R2 = 0.9332–0.9994，平均相对误差小于8%），且计算时间比传统CFD模拟减少约98.84%–98.95%。尽管XGBR在速度预测方面表现出色，但在WSS预测中误差较大，而随机森林模型提供稳定但相对较低的精度，这已通过5折交叉验证得到证实。未来工作将把CFD-XGBR框架扩展至基于影像的患者特异性几何模型、顺应性壁面建模以及面向个性化冠状动脉治疗规划的不确定性感知学习。

## 引言

心血管疾病（尤其是冠状动脉疾病，CAD）在发展中国家中的患病率正在持续扩大。这是一种由动脉粥样硬化斑块在动脉管腔内形成所致的心脏疾病，也是发达国家发病率和死亡率的主要原因之一[1,2]。全球范围内，该疾病造成1.85亿伤残调整生命年损失及830万至950万例死亡[3]。多种因素促成心血管疾病的发生发展，包括吸烟、胆固醇水平升高、高血压以及体力活动不足等日常生活方式因素[4]。这些因素导致冠状动脉血流动力学异常，主要表现为狭窄和动脉瘤性扩张，通过扰乱正常血流模式和动脉力学特性引发疾病。图1(a)和图1(b)分别展示了左主干冠状动脉及其分支区域的示意图，以及该区域常见病理改变的示意。疾病的启动和进展通常受到扰动流模式和血流动力学参数（如血压和壁面剪切应力，WSS）改变的影响[5]。因此，为改进诊断和治疗，对冠状动脉血流动力学进行系统研究显得十分必要。冠状动脉疾病评估技术的发展已从基于解剖学的评估方法演变为结合临床数据、使用计算模型的更功能性血流动力学评估方法。冠状动脉内的压力降、壁面剪切应力（WSS）及血流模式评估可用于判断狭窄程度，并规划和评估介入治疗程序的临床效果。因此，计算血流动力学分析已成为提高诊断准确性和支持精准心血管医学的重要补充工具[6]。在此意义上，研究人员发现CFD是研究多种健康和病理状况下心血管血流动力学行为的强有力且可靠的方法[7]。

在此方面，研究越来越强调血流动力学变量在冠状动脉疾病发展和病程中所起的作用。大量文献记载表明，内皮细胞损伤和动脉粥样硬化斑块的发展与壁面剪切应力（WSS）、振荡剪切指数（OSI）和相对停留时间（RRT）等血流动力学参数密切相关[8]。异常高的WSS可能导致斑块不稳定和动脉壁损伤，而众多实验和临床研究已表明，暴露于低WSS和振荡WSS的区域尤其易发生斑块形成和进展[9,10]。扰动血流动力学力还可通过分子信号通路调节血管新生和血管重塑。血管内皮生长因子（VEGF）等血管生长因子以及SDF-1α等趋化因子通过其受体发挥作用，促进内皮祖细胞（EPCs）的增殖、迁移、分化及血管修复[11]。血管重塑还受到平滑肌细胞（SMC）及其表型转换的影响。巨噬细胞炎症蛋白（MIF）可诱导SMCs中AKT/mTOR通路的激活并抑制自噬[12]。这些机制在异常WSS、内皮功能障碍和血管结构改变之间建立了生物学联系。此外，糖尿病等全身性代谢疾病显著加剧了这些血流动力学环境。糖尿病与严重的血管改变和炎症风险相关[13]，当与血液流变学改变相结合时，可显著加速冠状动脉疾病的进展。由于成像技术和计算建模的发展，过去十年间对冠状动脉血流动力学的实证和理论研究得到了大幅增长[14]。CFD研究表明，在几何结构复杂的动脉段（如分支处、狭窄区域、动脉瘤性扩张和旁路移植吻合口）中，常出现包括流动分离、回流和二次涡旋结构在内的扰动流模式，导致血流动力学应力的显著空间变化[15,16]。计算流体力学领域的最新进展通过纳入真实血管几何结构、生理边界条件和非牛顿血液流变学特性，显著提升了模拟患者特异性冠状动脉血流的能力。这些发展增强了对速度分布、压力降、振荡剪切指数和壁面剪切应力等临床重要血流动力学指标的预测能力，同时减少了与简化计算模型相关的误差[17]。所有这些结果都突显了全面血流动力学评估对于理解冠状动脉疾病机制的重要性。

在涉及狭窄和动脉瘤等动脉疾病方面，已开展大量研究以理解不同管腔狭窄和扩张程度下血液流动的改变血流动力学行为。Pandey等[18]利用非牛顿Carreau模型研究了经狭窄的人类左冠状动脉血液血流动力学，有助于确定整个心动周期内相应狭窄区域的最大流速、流线效应和最大壁面剪切应力。他们利用健康人的CT扫描报告收集数据进行研究。Marshall等[19]对健康及狭窄颈动脉分叉模型进行了基于MRI的计算流体力学研究。研究发现，狭窄动脉分支中的振荡流模式与不良心血管和脑血管后果（如心肌梗死和脑卒中）之间存在显著相关性。此外，病变区域附近的局部几何特征和全局动脉构型在不同生理流条件下显著调节血流动力学响应[20]。Javadzadegan等[21]研究了冠状动脉中的磁流体动力学血流，并报告外部磁场的应用可显著改变流特性，从而改善受动脉粥样硬化影响动脉的血流动力学状况。Kot和Elmaboud[22]研究了如何同时利用电渗力和Sutterby混合纳米粒子来调节和增强同时受不规则形状狭窄和动脉瘤膨出的动脉血液流动。Cao等[23]对轻中度冠状动脉狭窄患者的血流模式进行了计算研究，以突出血流动力学评估在识别高危患者中的重要性。Koru等[24]利用流体-结构相互作用（FSI）模拟壁面应力，并采用人工神经网络（ANN）高精度预测安全因子，研究了动脉直径如何影响胸主动脉瘤的破裂风险。他们发现紊乱流与不良临床结局相关，WSS矢量呈现明显的空间波动。Abdelsalam等[25]探索了动脉中合并动脉瘤和狭窄的血液流动电-磁-流体动力学行为，展示了电渗力和纳米粒子形状等因素如何影响速度剖面、壁面剪切应力和流动阻力。Finol和Amon[26]研究了不同直径腹主动脉瘤的血液流动特征和血流动力学应力。类似地，Elhanafy等[27]表明动脉瘤模拟中剪切变稀和粘弹性血液特性显著影响动脉瘤血流动力学。Stergiou等[28]探索了流体-结构相互作用中红细胞压积对腹主动脉瘤的影响，发现WSS变化可改变动脉壁特性并增加其生长速率。在另一项关于多个狭窄和动脉瘤对动脉疾病影响的研究中[29]，狭窄中心的WSS较高，而动脉瘤段的WSS较低。表1总结了以往关于各种动脉几何结构中心血动力学行为的研究。这些研究有助于检测狭窄-动脉瘤性疾病并增强对狭窄-动脉瘤性动脉的认识，从而可能增进医学科学理解[30]。

此外，血液流变学特性可能进一步影响具有狭窄和动脉瘤等结构异常动脉的血流动力学，这些异常会显著改变血流模式。糖尿病和贫血等全身性疾病改变血液流变学和粘度，从而影响壁面剪切应力、压力分布和整体血管功能[31,32]。在糖尿病中，血液粘度升高增加流动阻力并改变血流动力学行为；而贫血以血液粘度降低为特征，使血液行为更接近牛顿流体，降低壁面剪切应力和压力，同时增加维持充分组织氧合所需的心脏负荷[32]。Ahmed和Poddar[33]分析了颈动脉中健康、糖尿病和贫血血流的血流动力学行为，以探索其特征对血液速度和WSS的影响。类似地，糖尿病人类主动脉的计算流体力学分析表明，糖尿病血液流变学显著改变了大动脉的血流动力学行为[34]。Ragosta等[35]研究了糖尿病血流，观察到即使在没有血管造影可检测到的冠状动脉疾病的情况下，该肾病也与心血管事件风险增加相关。近期研究进一步表明，疾病特异性血液流变学变化通过改变粘度依赖性流动阻力、内皮剪切应力和微血管灌注，显著影响冠状动脉血流动力学。因此，将真实的非牛顿流变学模型纳入CFD模拟可提高健康及病理条件下冠状动脉血流的生理表征，并增强心血管计算模型的预测能力[33,36]。

机器学习在评估动脉血流动力学行为中的应用已在此前文献中有所探讨[37]。为预测脑动脉血流，Cai等[38]采用了多种机器学习模型。在另一项预测应用中，采用多孔介质建模的CFD用于预测颅内动脉瘤弹簧圈栓塞术后的复发情况[39]。结果显示XGBOOST模型具有最佳的整体分类性能，准确率为78.01%，敏感性为96.67%。另一项研究采用了混合机器学习方法，使用人工神经网络和粒子群优化来改善熵生成和壁面剪切应力[40]。Bhaumik等[41]采用神经网络架构来描述动脉血流。更近期地，先进的人工智能和机器学习框架在多种生物医学应用中展现出巨大潜力。例如，复杂深度学习模型已成功用于预测脑血流动力学[42]，进化深度融合方法提升了复杂蛋白质结构预测[43]，新型注意力网络已与临床光谱学整合用于诊断糖尿病肾病[44]。基于人工智能驱动生物医学工程的这一最新进展态势，本研究将机器学习与CFD相结合，开发代理模型，能够准确预测患者特异性心血管血流动力学（如速度和WSS），同时显著减少计算时间。

在进行了充分的文献综述后，据作者所知，目前尚无研究系统地探讨冠状动脉中多重狭窄和动脉瘤性扩张的综合效应，同时考虑血液流变学变化。尽管已有大量研究单独考察了各种病理状况，但在包括狭窄、动脉瘤和旁路移植在内的多种冠状动脉疾病状态下，健康、贫血和糖尿病血流行为的全面对比研究仍然有限。

本研究的创新之处在于将多种病理状态与血液流变学特性整合于统一的计算框架中，并进一步引入机器学习技术，以实现血液学与血流动力学行为的快速、精准预测。为更全面地理解血液流变学与冠状动脉疾病状态如何协同调节血流动力学响应，本研究通过建立整合计算流体力学（CFD）与机器学习的框架来弥补上述研究空白。

**物理模型部分**

本计算模型旨在模拟心脏周期内血液经左冠状动脉脉动流动时的生理状态。该研究同时考虑了健康与病理冠状动脉，以探究动脉疾病及血液流变学特性对冠脉血流动力学的影响。模型涵盖三种具有临床意义的构型：(i) 冠状动脉同时存在狭窄与动脉瘤，(ii) 经旁路移植术后的同一体血管，以及 (iii) 健康动脉。

**机器学习方法**

利用计算流体力学（CFD）仿真数据，采用机器学习（ML）技术对动脉血流动力学进行研究，用于预测建模。输入特征包括动脉模型类型、血液类型、时间步长及入口流速等。左前降支与左回旋支（LAD 与 LCX）的轴向速度分量（VLAD 和 VLCX）以及壁面剪切应力（WSS）被确定为输出参数。通过学习流动条件与输出参数之间的非线性相关关系，建立了预测模型。

**结果与讨论**

本研究对健康与疾病状态下左冠状动脉内非牛顿血液流动的血流动力学特征进行了全面分析。采用三个几何构造模型，考察了十二个模拟案例：(a) 狭窄合并动脉瘤，(b) 狭窄合并动脉瘤并实施旁路移植术，(c) 健康动脉，并设置四种血液变体：健康血液、健康血液类型2、糖尿病血液和贫血血液。研究特别关注左主干（LM）区域及其分叉处的血流动力学变化。

**结论**

本研究在考虑狭窄与动脉瘤等病理条件下，针对四种不同血液变体，探究了左主干冠状动脉及其分叉处的血流动力学行为。主要发现总结如下：

1. 当冠状动脉疾病伴随存在时，典型流动模式严重紊乱，动脉瘤区域出现相对低速的再循环区，狭窄部位则形成高速射流。

**2.** [续上句]

**符号说明**

- v：轴向速度（m·s?1）
- p：静压（Pa）
- ρ：血液密度（kg·m?3）
- μ：动力黏度（Pa·s）
- μ?：零剪切黏度（Pa·s）
- μ∞：无穷剪切黏度（Pa·s）
- γ?：剪切率（s?1）
- τw：壁面剪切应力（Pa）
- Q：体积流量（m3·s?1）
- D：血管直径（m）
- L：特征长度（m）
- t：时间（s）
- Δt：时间步长（s）
- n：Carreau 模型中的幂律指数（无量纲）
- λ：Carreau 模型中的时间常数（s）
- R2：决定系数（无量纲）
- RMSE：均方根误差
- rRMSE：相对均方根误差（%）
- MRE：平均相对误差

**资助声明**

本研究未获得任何基金资助。

**数据可用性**

合理请求下，相关数据可向通讯作者获取。

**作者贡献**

所有贡献者共同参与了建模的概念化与初步设计。Arup Das、Syeda Tanjila Sarwar、Mahin Muntasim 和 Md. Sifat Khan 负责执行仿真工作。所有作者均参与了数据收集、结果分析和稿件撰写，并在整个过程中提供了有价值的反馈与建议。本工作由 Arup Das 和 Mohammad Rejaul Haque 指导监督。所有作者审阅了稿件，并提出了重要见解与修改建议。

**利益冲突声明**

作者无需披露任何相关的财务或非财务利益。

**致谢**

作者感谢加拿大爱德华王子岛大学 FSDE 的 Salim Subah 对本稿件提供的宝贵反馈。

**作者名单**

Arup Das | Syeda Tanjila Sarwar | Mahin Muntasim | Md. Sifat Khan | Suvro Bhowmick | Md. Maruful Islam Arnob | Mohammad Rejaul Haque