FalconBC：基于概率流的条件变分推断用于生理边界条件推断
机器学习
2026-03-23 v1 机器学习
摘要
边界条件调谐是患者个体化心血管建模中的关键步骤。尽管最近的数据驱动变分推断方法在离线训练成本上增加的情况下，能够高效估计边界条件的联合后验分布，并实现训练工作的 amortization 但即便是最现代的方法在两个重要场景中仍显不足：具有已知平均流量并假设波形形状的开环模型，以及受血管病变影响的解剖结构，其中分割会影响压力或流量分配目标的可达性。在这两种情况下，边界条件无法独立调谐。我们引入一个基于概率流的通用 amortization 推断框架，将临床目标、入口特征和患者特定解剖结构的点云嵌入表示为条件变量或联合估计的量。我们在两个患者特定模型上展示了该方法：一个血管窦分叉模型（不同狭窄位置和严重程度）和一个冠状动脉树。
引用
@article{arxiv.2603.19331,
title = {FalconBC: Flow matching for Amortized inference of Latent-CONditioned physiologic Boundary Conditions},
author = {Chloe H. Choi and Alison L. Marsden and Daniele E. Schiavazzi},
journal= {arXiv preprint arXiv:2603.19331},
year = {2026}
}