SOFA：用于模拟与优化房颤消融的深度学习框架
计算机视觉与模式识别
2025-08-12 v1 人工智能
摘要
心房颤动（AF）是一种常见的心律失常，通常采用导管消融术治疗，但手术结果差异很大。由于患者特异性组织与手术因素之间复杂的相互作用，评估和提高消融效果具有挑战性。本文提出两个问题：能否通过模拟手术参数的效果来预测房颤复发？我们应该如何消融以减少房颤复发？我们提出了 SOFA（模拟与优化心房颤动消融），这是一个解决这些问题的新型深度学习框架。SOFA 首先通过生成一幅描绘疤痕形成的消融后图像来模拟消融策略的结果，该过程以患者的消融前 LGE-MRI 和所使用的特定手术参数（例如，消融位置、持续时间、温度、功率和力）为条件。在此模拟过程中，它预测房颤复发风险。关键的是，SOFA 随后引入了一个优化方案，以细化这些手术参数，从而最小化预测风险。我们的方法利用了一个多模态、多视图生成器，该生成器处理心房的 2.5D 表示。定量评估表明，SOFA 能准确合成消融后图像，并且我们的优化方案使模型预测的复发风险降低了 22.18%。据我们所知，SOFA 是第一个将手术效果模拟、复发预测和参数优化集成在一起的框架，为个性化房颤消融提供了一种新工具。
引用
@article{arxiv.2508.07621,
title = {SOFA: Deep Learning Framework for Simulating and Optimizing Atrial Fibrillation Ablation},
author = {Yunsung Chung and Chanho Lim and Ghassan Bidaoui and Christian Massad and Nassir Marrouche and Jihun Hamm},
journal= {arXiv preprint arXiv:2508.07621},
year = {2025}
}
备注
Accepted at MICCAI 2025. This is the author's original preprint