受有限临床训练数据限制下的基于 ML-ROM 的血管病变壁面剪切应力预测

高保真数值仿真如计算流体动力学(CFD) 已被证明在分析血流力学方面有效，为许多血管疾病提供了深入见解。然而，这些方法常面临高计算成本和长处理时间的挑战。数据驱动的方法，如简化序模型(ROM)和机器学习(ML)，正越来越多地被用于 CFD 之外的生物力学研究和应用。本研究将基于正交函数分解(POD)的 ROM 与神经网络基于 ML 的模型相结合，用于预测患者特异性血管病变的壁面剪切应力(WSS)。使用 CFD 生成 WSS 数据，随后利用 POD 构建 ROM。然后训练 ML 模型以从入口流量波形预测 ROM 系数，这些系数可在临床环境中 routinely 收集。探索了两种 ML 模型：一种是简单的流量-系数映射模型，另一种是更高级的自回归模型。这两种模型都测试于两个案例研究：外周动脉疾病(PAD)和动脉瘤(AD)中的流动。尽管训练数据集有限（PAD 案例仅三个流量波形，AD 案例仅两个），但模型能够预测血流力学指标，流量-系数映射模型在两个案例研究中均优于自回归模型。在 PAD 案例研究中准确率更高，在更复杂的 AD 案例研究中准确率较低。此外，计算成本分析显示，两种案例研究的计算需求显著降低，加速比约为 $10^4$。这种方法为在临床转化层面对血管疾病的快速可靠评估集成了 ROM 和 ML 技术。