双变量物理知情运营商网络,用于从冠状动脉血管学中评估分量流量储备曲线

科学领域:

• 心血管成像和干预心血管成像和干预
• 计算流体动力学的流体动力学.
• 人工智能在医学中的应用

背景情况:

• 来自冠状动脉血管学 (Angio-FFR) 的分量流量储备 (FFR) 对于指导穿皮冠状动脉干预 (PCI) 至关重要.
• 侵入性FFR是评估功能意义的黄金标准,但有局限性.
• 目前的Angio-FFR方法难以平衡精度和计算效率.

研究的目的:

• 引入一种新的双变量物理信息的神经运算机 (BVPINO),用于准确和高效的Angio-FFR曲线评估.
• 评估BVPINO的性能与现有的计算和机器学习模型相比.
• 为了证明BVPINO在预测FFR曲线沿着冠状动脉中心线的临床实用性.

主要方法:

• 开发一个双变量物理信息的神经操作员 (BVPINO),集成基本函数学习和残余评估的变量机制.
• 广泛的实验验证使用来自215个血管的冠状动脉血管图,跨越184个受试者.
• 将BVPINO与基于计算和其他机器/深度学习模型进行FFR曲线评估的比较.

主要成果:

• 在Angio-FFR曲线评估中,BVPINO证明了有效性和效率之间的最佳平衡.
• 在BVPINO的远距离FFR预测和侵入性FFR测量之间观察到很高的一致性和相关性.
• 案例研究证实了BVPINO在预测FFR曲线方面的优越性,包括基于梯度的新指数.

结论:

• BVPINO为Angio-FFR曲线评估提供了一个有希望的,准确和高效的方法,克服了当前方法的局限性.
• 该模型提供可靠的FFR曲线预测,支持PCI的改进指导.
• BVPINO代表了利用冠状动脉血管学进行功能意义评估的重大进展.