物理引导的自监督学习用于冠状动脉数字孪生的预测建模
机器学习
2025-12-04 v1 人工智能
摘要
心血管疾病是全球首要死因，冠状动脉疾病（CAD）为其最常见形式，亟需早期风险预测。虽然从影像重建的三维冠状动脉数字孪生提供了个性化评估所需的详细解剖结构，但其分析依赖于计算密集型的计算流体动力学（CFD），限制了可扩展性。数据驱动方法受限于稀缺的标注数据并缺乏生理先验。为解决此问题，我们提出PINS-CAD，一个物理引导的自监督学习框架。它在200,000个合成冠状动脉数字孪生上预训练图神经网络以预测压力和流量，以一维Navier-Stokes方程和压降定律为指导，无需CFD或标注数据。当在FAME2多中心研究的635名患者临床数据上微调时，PINS-CAD以0.73的AUC预测未来心血管事件，优于临床风险评分和数据驱动基线。这表明物理引导的预训练提升了样本效率并产生了具有生理意义的表示。此外，PINS-CAD生成空间分辨的压力和血流储备分数曲线，提供可解释的生物学标志物。通过将物理先验嵌入几何深度学习，PINS-CAD将常规血管造影转化为无需模拟、具备生理感知的框架，用于可扩展的预防心脏病学。
引用
@article{arxiv.2512.03055,
title = {Physics-informed self-supervised learning for predictive modeling of coronary artery digital twins},
author = {Xiaowu Sun and Thabo Mahendiran and Ortal Senouf and Denise Auberson and Bernard De Bruyne and Stephane Fournier and Olivier Muller and Pascal Frossard and Emmanuel Abbe and Dorina Thanou},
journal= {arXiv preprint arXiv:2512.03055},
year = {2025}
}
备注
19 pages