旋转血泵血栓风险预测的机器学习框架

旋转血泵的血栓形成源于复杂的流动条件，现有计算模型难以可靠可解释地转化为风险预测。这一局限反映了特定流动特征如何贡献血栓发生和生长的不完全理解。本研究引入一种基于计算流体动力学衍生流动特征的可解释机器学习框架，用于空间血栓评估。采用 logistic 回归（LR）模型结合结构化特征选择管道，从而导出紧凑且具有物理可解释性的特征集，包括非线性特征组合。该框架使用经验证的宏观尺度血栓模型为两个代表性情境获取的空间风险模式进行训练。模型再现标记的风险分布，并识别与增加血栓风险相关的不同流动特征集合。当应用于离心泵时，尽管仅在单个轴向泵工况下训练，模型仍预测出合理的血栓易感区域。这些结果表明，可解释的机器学习可将局部流动特征与血栓风险关联，同时保持计算效率和机制透明性。低计算成本使快速血栓性筛查成为可能，无需重复或高成本的仿真。该提议框架补充了基于物理的血栓建模，为将可解释机器学习集成到基于 CFD 的血栓分析和设备设计工作流程中提供方法论基础。