从稀疏测量预测全脑房颤动力学
机器学习
2025-02-17 v2 信号处理
摘要
静脉窦颤 (AF) 的导管消融治疗采用一刀切的模式，持续 AF 的成功率有限。这可能源于我们无法借助顺序接触映射导管提供的有限分辨率和覆盖范围来描绘 AF 动力学，阻碍了针对个体的精准消融。本文引入 FibMap，一种图神经网络模型，从稀疏测量中重建全脑 AF 动力学。在 51 例非接触式全心导联记录上进行训练和验证，FibMap 可从 10% 表面覆盖率重建全心动力学，平均绝对误差降低 210%，在跟踪相位奇点方面性能提升一个数量级。我们在真实世界的接触映射记录中展示了 FibMap 的临床效用，恢复保真度相当于非接触映射。FibMap 的状态空间和患者特异参数为理解 AF 提供了电生物学洞察。将 FibMap 融入临床实践可实现个体化 AF 治疗，改善治疗效果。
引用
@article{arxiv.2502.09473,
title = {Learning to Predict Global Atrial Fibrillation Dynamics from Sparse Measurements},
author = {Alexander Jenkins and Andrea Cini and Joseph Barker and Alexander Sharp and Arunashis Sau and Varun Valentine and Srushti Valasang and Xinyang Li and Tom Wong and Timothy Betts and Danilo Mandic and Cesare Alippi and Fu Siong Ng},
journal= {arXiv preprint arXiv:2502.09473},
year = {2025}
}
备注
Under review