用于个性化血流预测与血流动力学分析的实时代理建模

心血管建模在过去几十年中迅速发展，得益于健康追踪和心血管疾病早期检测日益增长的需求。虽然一维动脉模型在计算效率与求解保真度之间提供了有吸引力的折中方案，但其在大型人群或生成大规模 \emph{in silico} 队列上的应用仍具有挑战性。某些血流动力学参数，如终端阻力/顺应性，难以通过临床手段估计，且在简单采样时往往产生非生理性血流动力学，导致大量模拟数据集被丢弃。在本工作中，我们提出了一种系统框架，用于训练能够进行即时血流动力学预测和参数估计的机器学习（ML）模型。我们首先基于 Asklepios 临床数据集中观察到的多变量相关性，生成参数化的虚拟患者队列，确保生理参数分布得到尊重。然后训练一个深度神经代理模型，能够预测患者特异性的动脉压和心输出量（CO），从而实现对输入参数的快速先验筛选。这使得非生理性组合能够被立即拒绝，并大幅降低定向合成数据集生成的成本（例如高血压组）。该模型还提供了一种原则性的方法来采样终端阻力，以最小化不可测量参数的不确定性。此外，通过评估模型的预测性能，我们确定了求解心输出量估计逆问题所需的充分信息。最后，我们将代理模型应用于临床数据集，用于估计中心主动脉血流动力学，即 CO 和主动脉收缩压（cSBP）。