[论文解读] AI-powered multimodal modeling of personalized hemodynamics in aortic stenosis

Çağlar Öztürk, Daniel H. Pak+7 more|arXiv (Cornell University)|Jun 29, 2024

Cardiac Valve Diseases and TreatmentsMedicine被引用 3

一句话总结

本文提出了一种基于人工智能的全自动框架，仅通过CT血管造影即可实现主动脉瓣狭窄血流动力学的高保真度、个性化建模。通过利用深度学习实现快速准确的网格生成，该方法可实现快速可靠的流固耦合仿真及物理原型模型，准确再现临床多普勒血流动力学测量结果，显著加速个性化治疗规划与器械优化。

ABSTRACT

Aortic stenosis (AS) is the most common valvular heart disease in developed countries. High-fidelity preclinical models can improve AS management by enabling therapeutic innovation, early diagnosis, and tailored treatment planning. However, their use is currently limited by complex workflows necessitating lengthy expert-driven manual operations. Here, we propose an AI-powered computational framework for accelerated and democratized patient-specific modeling of AS hemodynamics from computed tomography. First, we demonstrate that our automated meshing algorithms can generate task-ready geometries for both computational and benchtop simulations with higher accuracy and 100 times faster than existing approaches. Then, we show that our approach can be integrated with fluid-structure interaction and soft robotics models to accurately recapitulate a broad spectrum of clinical hemodynamic measurements of diverse AS patients. The efficiency and reliability of these algorithms make them an ideal complementary tool for personalized high-fidelity modeling of AS biomechanics, hemodynamics, and treatment planning.

研究动机与目标

• 为克服在个性化主动脉瓣狭窄建模中手动、耗时的几何重建所造成的瓶颈。
• 开发一种基于人工智能的全自动网格生成流程，以加速并普及高保真度血流动力学建模。
• 将自动化几何建模与流固耦合及柔性机器人模型相结合，以准确再现临床血流动力学测量结果。
• 仅使用CT数据，实现具有高时间和空间分辨率的计算机仿真与体外患者特异性建模。
• 通过精确模拟复杂血流动力学特征（如流动涡旋与血流滞留），支持个性化治疗规划与器械优化。

提出的方法

• 采用基于深度学习的算法，实现从CT血管造影中全自动生成三维网格，处理速度比传统方法快100倍。
• 利用人工智能驱动的网格生成技术，为计算流体动力学和体外物理原型仿真生成即用型几何模型。
• 集成流固耦合（FSI）模型，以高时间分辨率模拟主动脉瓣的动态运动与血流。
• 采用3D打印与热塑性聚氨酯材料，开发患者特异性的柔性机器人左心室套筒，以模拟生理收缩。
• 构建带有可调阻抗与顺应性腔室的水力流动回路，以复现患者特异性的血流动力学条件。
• 通过连续波多普勒与彩色血流多普勒成像进行验证，将模拟数据与临床经胸超声心动图测量结果进行对比。

实验结果

研究问题

• RQ1 基于人工智能的自动化网格生成是否能显著减少个性化主动脉瓣狭窄建模所需的时间与精力？
• RQ2 所提出的框架是否能仅通过CT数据准确再现临床多普勒血流动力学测量结果？
• RQ3 流固耦合与柔性机器人模型的整合在计算机仿真与体外实验中，能在多大程度上复现真实患者的血流动力学特征？
• RQ4 与传统人工重建技术相比，该人工智能驱动的网格生成方法在准确度与速度方面表现如何？
• RQ5 该框架是否能通过精确模拟流动涡旋与血流滞留等复杂血流动力学特征，支持个性化治疗规划？

主要发现

• 基于人工智能的网格生成流程在保持更高准确度的同时，相比传统人工方法将几何重建速度提升了100倍。
• 该框架成功从CT数据生成患者特异性的三维模型，实现了对峰值血流速度与平均压力梯度等血流动力学参数的精确模拟。
• 采用流固耦合模型的计算机仿真结果，准确再现了临床连续波多普勒对主动脉瓣狭窄患者血流动力学的测量结果。
• 结合3D打印解剖结构与柔性机器人左心室套筒的物理原型模型，通过多普勒超声心动图验证，以高保真度再现了患者特异性的血流动力学特征。
• 仿真计算的无量纲速度指数（DVI）与临床测量值高度一致，证实了模型的生理相关性。
• 人工智能驱动的网格生成与多模态建模的整合，实现了可扩展、可重复且具有临床相关性的患者特异性血流动力学分析。