Resumen Técnico: Inferencia Inversa Consciente de Fisiología y Anatomía del Infarto de Miocardio para el Gemelo Digital Cardíaco

Declaración del Problema

La localización precisa del infarto de miocardio (IM) es crítica para la estratificación de riesgos y la planificación terapéutica. Si bien la Resonancia Magnética con Realce Tardío de Gadolinio (LGE-MRI) es el estándar de oro, es intensiva en recursos, costosa y conlleva riesgos de seguridad. El electrocardiograma (ECG) es ampliamente accesible, pero carece de la resolución para cuantificar características detalladas del infarto, como su tamaño, extensión espacial o transmuralidad.

Los métodos existentes de inferencia inversa que intentan localizar el IM a partir de datos de ECG enfrentan dos limitaciones principales:

1. Morfología de la Cicatriz Simplificada en Exceso: A menudo modelan las cicatrices como elipsoides regulares, fallando en capturar la morfología realista e irregular y las zonas de borde (BZ) encontradas en la progresión isquémica.
2. Modelado Electrofisiológico Incompleto: Se centran principalmente en la despolarización ventricular (complejo QRS), descuidando la dinámica de la repolarización (onda T), lo que reduce la sensibilidad a variaciones sutiles del ECG y limita la interpretabilidad de los cambios electrofisiológicos inducidos por el infarto.

Los autores formulan la localización del IM como un problema inverso dentro de un marco de Gemelo Digital Cardíaco, con el objetivo de cerrar la brecha entre la simulación y la realidad para permitir una evaluación del IM no invasiva y completa utilizando cine RM y ECG multicanal.

Metodología

El marco propuesto opera en dos etapas: Síntesis Estocástica de Infarto Consciente de la Anatomía e Inferencia Inversa mediante PAA-Net.

1. Síntesis Estocástica de Infarto Consciente de la Anatomía

Para generar una cohorte virtual realista, los autores construyen mallas biventriculares listas para simulación a partir de cine RM multivista.

• Construcción de Mallas: Las mallas de superficie se reconstruyen a partir de etiquetas de segmentación SAX y LAX, seguidas de la generación de mallas volumétricas utilizando Iso2Mesh. Se asignan campos para coordenadas ventriculares (Cobiveco), orientaciones de fibras y colocación de electrodos.
• Generación Estocástica de Cicatrices: A diferencia de métodos anteriores que utilizan formas regulares, este enfoque genera cicatrices irregulares que imitan la progresión transmural isquémica.
  • Se genera un campo de ruido espacialmente correlacionado $N(x)$ mediante filtrado gaussiano.
  • Una función de umbralización dinámica define el núcleo de la cicatriz basándose en la coordenada transmural $T_m$: $Cicatriz = \{x|N(x) > \tau_{base} + \lambda(1 - T_m(x))\}$. Esto penaliza la formación de cicatrices hacia el epicardio, simulando la progresión transmural.
  • Se crea una zona de borde (BZ) morfológicamente utilizando una búsqueda de árbol K-D, reclasificando los nodos viables dentro de un radio euclidiano de 2 mm del núcleo de la cicatriz.
• Cohorte Virtual: La síntesis abarca 17 escenarios que varían en ubicación (7 tipos), tamaño (2 tipos) y transmuralidad (subendocárdica vs. transmural).

2. Modelado Electrofisiológico

Los autores simulan formas de onda completas QRS-T utilizando un modelo de reacción-Eikonal:

• Despolarización: Los tiempos de activación local se calculan resolviendo la ecuación Eikonal con un tensor de velocidad de conducción ortotrópico.
• Repolarización: La heterogeneidad de la Duración del Potencial de Acción (APD) se implementa mediante un campo de gradiente espacial que tiene en cuenta las variaciones ápico-basales y transmurales.
• Generación de Señales: Se generan ECGs multicanal utilizando una formulación de pseudo-ECG, capturando tanto las morfologías del complejo QRS como de la onda T. La remodelación crónica del IM se simula escalando las velocidades de conducción y aumentando la APD en las zonas de cicatriz y borde.

3. Red Consciente de Fisiología y Anatomía (PAA-Net)

El modelo de inferencia inversa codifica conjuntamente la geometría miocárdica 3D y los ECGs multicanal.

• Codificación Geométrica: La nube de puntos de la malla se codifica utilizando PointNet++, aprovechando las coordenadas ventriculares cartesianas 3D y Cobiveco.
• Codificación Fisiológica (Módulo A-SE): Se introduce un módulo de Compresión y Excitación Anatómica para explotar la topología espacial de los electrodos del ECG. Calcula la energía temporal para cada derivación y la concatena con un prior de posición esférica de la derivación ($\theta, \phi$). Un mecanismo de puerta recalibra los pesos de las derivaciones, priorizando dinámicamente las derivaciones con las vistas anatómicas más informativas.
• Extracción de Características Temporales: Un módulo BiLSTM procesa las señales de derivación ponderadas para extraer características temporales.
• Fusión Multimodal (FiLM): El mecanismo de Modulación Lineal a Nivel de Características (FiLM) utiliza la característica global del ECG como condición para modular las características de la nube de puntos mediante transformaciones afines ($\gamma \cdot F_{pc} + \beta$). Esto permite que la red enfatice o suprima selectivamente los canales geométricos basándose en el contexto electrofisiológico.
• Función de Pérdida: La red se entrena con una pérdida compuesta que incluye entropía cruzada de segmentación, pérdida de compacidad y penalizaciones por restricciones de estructura y tamaño del ventrículo derecho.

Contribuciones Clave

1. Síntesis Realista de Cicatrices: Una estrategia estocástica novedosa que genera cicatrices irregulares con zonas de borde, imitando la progresión transmural isquémica en diversas ubicaciones, tamaños y tipos de transmuralidad.
2. Simulación Completa QRS-T: La construcción de una cohorte virtual que simula tanto las fases de despolarización como de repolarización, abordando una brecha en la literatura existente que a menudo descuida la dinámica de la onda T.
3. Arquitectura PAA-Net: Una red novedosa que modela conjuntamente la información espacial de la nube de puntos y las señales de ECG. Introduce el módulo A-SE para la ponderación anatómica por derivación y FiLM para la fusión fisiológico-geométrica, mejorando tanto la precisión de localización como la interpretabilidad.

Resultados Experimentales

El marco se evaluó en un conjunto de datos de 130 casos de cine RM (2.210 muestras simuladas) y un conjunto de validación externa de 17 casos del mundo real.

• Métricas de Rendimiento: PAA-Net logró una puntuación media Dice de 0.7391 para la Cicatriz y 0.5503 para la Zona de Borde (BZ), superando a un método base basado en VAE (DiceCicatriz: 0.7064, DiceBZ: 0.5159).
• Generalización: En la validación externa con datos del mundo real no vistos, PAA-Net superó significativamente a la base VAE, logrando una puntuación Dice de Cicatriz de 0.2284 frente a 0.1540, y una Puntuación AHA de 0.4490 frente a 0.3607.
• Estudios de Ablación: La eliminación del módulo A-SE o del mecanismo FiLM resultó en una disminución del rendimiento, confirmando que tanto la ponderación anatómica por derivación como la modulación fisiológica son críticas para una reconstrucción precisa de la cicatriz.
• Interpretabilidad: El análisis de mapas de saliencia demostró que el modelo atiende a características clínicamente relevantes, específicamente el complejo QRS y los segmentos ST-T, con patrones de atención que varían según la ubicación del infarto (por ejemplo, septal vs. lateral).

Significado y Afirmaciones

El artículo afirma ser el primer estudio que simula complejos QRS-T completos e los integra en un marco de inferencia inversa de IM. Los autores afirman que su enfoque:

• Cierra la Brecha de Dominio: Al sintetizar cicatrices realistas e irregulares con zonas de borde, el método imita mejor la progresión isquémica del mundo real en comparación con los modelos de elipsoides regulares.
• Mejora la Sensibilidad: Al incorporar la repolarización (onda T) y la heterogeneidad de la APD, el modelo captura variaciones sutiles del ECG que los modelos basados solo en despolarización pasan por alto.
• Mejora la Interpretabilidad: La arquitectura PAA-Net proporciona un mecanismo para comprender cómo contribuyen derivaciones específicas del ECG y características morfológicas a la localización de regiones infartadas.
• Permite la Evaluación No Invasiva: El marco ofrece una vía para una evaluación completa del IM en entornos con recursos limitados al combinar cine RM y ECG accesibles, reduciendo la dependencia de LGE-MRI.

Los autores concluyen que, si bien el marco actual demuestra un rendimiento robusto, el trabajo futuro se centrará en mejorar el realismo de la simulación de ECG, integrar modelos generativos basados en IA y extender el módulo de síntesis para simular diferentes fases temporales de la progresión del IM.