npj AI | 深度算子学习：冠状动脉狭窄血流建模的新范式

论文题目 ：Deep operator learning for blood flow modelling in stenosed vessels
发表期刊 ：npj Artificial Intelligence (Nature Portfolio), 2025
作者机构 ：Alexis Velikorodny, Lu Lu 等 (BIOME Science, Yale University)
关键词：DeepONet (深度算子网络), Multifidelity learning (多保真度学习), Hemodynamics (血流动力学), FFR (血流储备分数), Coronary Artery Disease (冠状动脉疾病)

1. 🚀 省流版摘要 (TL;DR)

这项研究提出了一种基于 DeepONet（深度算子网络） 的新型机器学习框架，用于快速、准确地预测冠状动脉狭窄患者的血流动力学指标（如压力、流量和 FFR）。
核心创新点 在于采用了多保真度（Multifidelity）方法：利用大量低成本的 1D CFD 模拟数据 （低保真）来"预热"模型，再结合少量的 体外实验数据 （高保真）进行精细校准。
结果：该模型在预测压力降和 FFR 方面达到了与实验数据极高的一致性（误差仅约 1.2 mmHg），且能捕捉到传统简化模型常忽略的血管弹性和相位差特征，为未来替代侵入性 FFR 检查提供了强有力的技术支持。

2. 🧐 临床痛点与研究动机 (Motivation)

临床挑战：
- 金标准昂贵且有创 ：目前诊断冠脉狭窄的金标准是FFR（血流储备分数），但这需要进行侵入性的导管手术，成本高且有风险。
- 影像学不足：CCTA（CT血管造影）只能看解剖结构（血管窄了多少），看不出功能性影响（血流到底受阻多少）。
- 传统计算太慢：基于 3D Navier-Stokes 方程的 CFD（计算流体力学）模拟虽然准确，但计算成本极高，耗时太长，难以在临床实时应用。
- 现有 AI 的局限：目前的 AI 模型（如 AI-QCT）大多仅基于几何形状进行预测，忽略了物理参数（如血液粘度、血管弹性），容易导致物理上不合理的预测。
本文方案 ：

开发一种融合了物理先验知识的深度学习模型，既能像 AI 一样秒级出结果，又能像 CFD 一样遵守流体力学规律。

3. 💡 核心方法论 (Methodology)

3.1 模型架构：DeepONet (深度算子网络)

作者使用了 DeepONet 架构，这是一种专门用于学习函数到函数映射的神经网络。它包含两个子网：

Branch Net (分支网络) ：处理几何特征 （输入函数 uuu），即血管狭窄的形态分布。
Trunk Net (主干网络) ：处理物理/生理特征 （坐标 yyy），包括血液密度、粘度、基线压力、血管弹性模量等。
输出：直接输出特定位置的压力 P(x,t)P(x,t)P(x,t) 和流量 Q(x,t)Q(x,t)Q(x,t)。

3.2 多保真度学习 (Multifidelity Learning)

为了解决高质量数据稀缺的问题，作者结合了两种数据源：

低保真数据 (Low-Fidelity, LF) ：
- 来源：1D CFD 数值模拟。
- 特点：生成速度快、成本低，数据量大（5000个案例），但基于简化假设。
高保真数据 (High-Fidelity, HF) ：
- 来源：体外实验 (In-vitro experiments)。
- 设置：使用具有生理弹性的血管模型和刚性狭窄模块，在脉动流泵中测量真实的压力和流量。
- 特点：数据真实、包含复杂的物理现象（如流固耦合），但获取昂贵，数据量少（约269个案例）。

训练策略：模型首先学习低保真数据的规律，然后利用高保真数据学习"残差"（即模拟与真实世界之间的差距），从而用少量实验数据实现高精度预测。

3.3 不确定性量化 (Uncertainty Quantification)

使用 Monte-Carlo Dropout (MCD) 技术。在预测时，模型不仅给出一个数值，还给出一个置信区间（95% CI），这对于临床决策至关重要（告诉医生 AI 对这个结果有多大把握）。

4. 📊 实验结果与验证 (Results & Validation)

4.1 预测精度

多保真模型 (DeepFFRMF) 展现了卓越的性能：

FFR 预测 ：均方根误差 (RMSE) 仅为 0.017，与侵入性测量的精度相当。
压力预测 ：与体外实验测量的平均压力偏差仅为 1.2 ± 3.5 mmHg。
缺血诊断分类 ：在判断 FFR ≤\le≤ 0.80（缺血）的任务中，AUC 达到 0.97 ，特异性为 1.0。

4.2 物理特性的捕捉 (关键发现)

相位差 (Hysteresis Loops) ：
文章特别强调了压力-流量相位图 （P-Q loop）。传统的简化模型往往忽略血管弹性，导致压力和流量同相位。而 DeepFFRMF 成功捕捉到了由于血管顺应性引起的相位滞后现象（即压力波和流量波不同步）。
特征重要性 ：
分析发现，除了几何形状，平均入流量、基线压力、血管阻力等非几何参数对预测结果有显著影响。这证明了仅靠几何图像（如 CCTA）预测 FFR 是不够的，必须引入物理参数。

5. 🧠 总结与展望 (Conclusion)

主要贡献：
1. 首次将 DeepONet 应用于狭窄血管的血流建模。
2. 验证了多保真度框架的有效性：用廉价的计算数据弥补昂贵实验数据的不足。
3. 证明了模型能处理弹性血管中的复杂流体力学现象，比单纯的数据驱动模型更符合物理规律。
未来方向：
- 目前的验证基于体外实验，下一步将整合真实的体内 (In-vivo) 患者数据作为高保真源。
- 将进一步探索更复杂的几何结构（如分叉血管、多处狭窄）。
- 该框架具有模块化特性，未来可直接嵌入物理方程（Physics-Informed）以进一步减少对数据的依赖。

注：本文解读基于2025年发表于 npj Artificial Intelligence 的论文 "Deep operator learning for blood flow modelling in stenosed vessels" (s44387-025-00035-5).