基于 PINNs 的快速准确非侵入性血流建模，从最小袖压数据逆向求解
计算物理
2026-04-22 v2
摘要
准确评估中央血管力学对于诊断和风险分层至关重要，但仍主要依赖侵入性测量或基于人群平均传递函数的间接重构。虽然传统方法在临床实践中很有价值，但在个性化医学方面面临局限。物理信息方法通过整合物理原理来减少对大量数据的需求。本文开发了一个完全非侵入、面向患者的框架，将验证的 1-D 系统动脉树模型与物理信息神经网络(PINNs)结合。该模型对给定来自袖压 reading 的最小非侵入性压力测量，求解动脉网络中流量和压力场的逆问题。该模型在 4000 次迭代中训练，至少快 10 倍于当前最先进的模型，due to 多项模型改进。我们将模型预测与我们的 1-D 求解器验证，结果显示高度相关，并对临床数据集进行额外测试，用于识别心输出量 和中央收缩压 的重要中央血管力学参数，相关系数分别为 和 。此外，该模型能够在训练时调整终端阻抗 和顺应性 的患者特异系数，将其作为可学习参数。逆向 PINN 模型能够用单个网络求解整个 8 条动脉的树，计算时间为 5-10 分钟。与传统迭代逆向方法相比，这一显著的性能提升为通过类似可穿戴设备等非侵入性方法实现个性化心脏输出监测和血管力学评估指明了前景。
引用
@article{arxiv.2604.03221,
title = {Fast and Accurate Inverse Blood Flow Modeling from Minimal Cuff-Pressure Data via PINNs},
author = {Sokratis J. Anagnostopoulos and Georgios Rovas and Lydia Aslanidou and Vasiliki Bikia and Nikolaos Stergiopulos},
journal= {arXiv preprint arXiv:2604.03221},
year = {2026}
}