Technische Samenvatting: Fysiologie- en Anatomiebewuste Inverse Inferentie van Myocardinfarct voor Cardiale Digitale Tweeling

Probleemstelling

Accurate lokalisatie van myocardinfarct (MI) is cruciaal voor risicofractering en therapeutische planning. Hoewel Late Gadolinium Enhancement Magnetic Resonance Imaging (LGE-MRI) de gouden standaard is, is het hulpbronnenintensief, duur en brengt het veiligheidsrisico's met zich mee. Electrocardiografie (ECG) is breed toegankelijk, maar mist de resolutie om gedetailleerde infarctkenmerken zoals omvang, ruimtelijke uitbreiding of transmurality te kwantificeren.

Bestaande inverse inferentiemethoden die proberen MI te lokaliseren op basis van ECG-gegevens, staan voor twee primaire beperkingen:

1. Vergemakkelijkte littekenmorfologie: Ze modelleren littekens vaak als regelmatige ellipsoïden, waardoor ze de realistische, onregelmatige morfologie en grenszones (BZ) die voorkomen bij ischemische progressie niet vastleggen.
2. Onvolledige elektrofysiologische modellering: Ze richten zich voornamelijk op ventriculaire depolarisatie (QRS-complex), en verwaarlozen repolarisatie (T-golf) dynamiek, wat de gevoeligheid voor subtiele ECG-variaties vermindert en de interpreteerbaarheid van infarct-geïnduceerde elektrofysiologische veranderingen beperkt.

De auteurs formuleren MI-lokalisatie als een invers probleem binnen een Cardiale Digitale Tweeling-raamwerk, met als doel de kloof tussen simulatie en realiteit te overbruggen om een niet-invasieve, uitgebreide MI-beoordeling mogelijk te maken met behulp van cine-MRI en multi-lead ECG.

Methodologie

Het voorgestelde raamwerk werkt in twee fasen: Anatomiebewuste Stochastische LittekenSynthese en Inverse Inferentie via PAA-Net.

1. Anatomiebewuste Stochastische LittekenSynthese

Om een realistische virtuele cohort te genereren, construeren de auteurs simulatie-klare biventriculaire meshes vanuit multi-view cine-MRI.

• Mesh Constructie: Oppervlak-meshes worden gereconstrueerd vanuit SAX- en LAX-segmentatielabels, gevolgd door volumetrische mesh-generatie met Iso2Mesh. Velden voor ventriculaire coördinaten (Cobiveco), vezeloriëntaties en elektrodeplaatsingen worden toegewezen.
• Stochastische LittekenGeneratie: In tegenstelling tot eerdere methoden die regelmatige vormen gebruiken, genereert deze aanpak onregelmatige littekens die ischemische transmurale progressie nabootsen.
  • Een ruimtelijk gecorreleerd ruisveld $N(x)$ wordt gegenereerd via Gauss-filtering.
  • Een dynamische drempelfunctie definieert de littekenkern op basis van de transmurale coördinaat $T_m$: $Litteken = \{x|N(x) > \tau_{base} + \lambda(1 - T_m(x))\}$. Dit straalt littekenvorming naar het epicardium af, waardoor transmurale progressie wordt gesimuleerd.
  • Een grenszone (BZ) wordt morfologisch gecreëerd met een K-D-boomzoekopdracht, waarbij levensvatbare knopen binnen een Euclidische straal van 2 mm van de littekenkern worden herclassificeerd.
• Virtuele Cohort: De synthese omvat 17 scenario's die variëren in locatie (7 types), omvang (2 types) en transmurality (subendocardiaal versus transmuraal).

2. Elektrofysiologische Modellering

De auteurs simuleren volledige QRS-T-golfvormen met een reactie-Eikonal-model:

• Depolarisatie: Lokale activatietijden worden berekend door de Eikonal-vergelijking op te lossen met een orthotroop geleidingssnelheidstensor.
• Repolarisatie: Heterogeniteit van de Actiepotentiaalduur (APD) wordt geïmplementeerd via een ruimtelijk gradiëntveld dat rekening houdt met apicobasale en transmurale variaties.
• Signaalgeneratie: Multi-lead ECG's worden gegenereerd met een pseudo-ECG-formulering, waarbij zowel QRS- als T-golfmorfologieën worden vastgelegd. Chronische MI-remodellering wordt gesimuleerd door geleidingssnelheden te schalen en de APD te verhogen in litteken- en grenszones.

3. Fysiologie- en Anatomiebewust Netwerk (PAA-Net)

Het inverse inferentiemodel codeert gezamenlijk 3D-myocardiale geometrie en multi-lead ECG's.

• Geometrische Encoding: Het mesh-puntenwolk wordt gecodeerd met PointNet++, waarbij 3D Cartesiaanse en Cobiveco ventriculaire coördinaten worden gebruikt.
• Fysiologische Encoding (A-SE Module): Een Anatomical Squeeze-and-Excitation module wordt geïntroduceerd om de ruimtelijke topologie van ECG-elektroden te benutten. Het berekent temporale energie voor elke afleiding en concateneert deze met een sferische leidingspositie-prior ($\theta, \phi$). Een gating-mechanisme herkalkuleert afleidingsgewichten, waarbij dynamisch prioriteit wordt gegeven aan afleidingen met de meest informatieve anatomische weergaven.
• Temporale Kenmerkextractie: Een BiLSTM module verwerkt de gewogen leidingsignalen om temporale kenmerken te extraheren.
• Multi-Modale Fusie (FiLM): Het Feature-wise Linear Modulation (FiLM) mechanisme gebruikt het globale ECG-kenmerk als voorwaarde om de puntenwolkkenmerken te moduleren via affiene transformaties ($\gamma \cdot F_{pc} + \beta$). Dit stelt het netwerk in staat om geometrische kanalen selectief te benadrukken of te onderdrukken op basis van de elektrofysiologische context.
• Verliesfunctie: Het netwerk wordt getraind met een samengestelde verliesfunctie die segmentatie cross-entropy, compactheidsverlies en straffen voor rechterventrikelstructuur en omvangbeperkingen omvat.

Belangrijkste Bijdragen

1. Realistische LittekenSynthese: Een nieuwe stochastische strategie die onregelmatige littekens met grenszones genereert, die ischemische transmurale progressie nabootsen over diverse locaties, groottes en transmurality-types.
2. Volledige QRS-T Simulatie: De constructie van een virtuele cohort die zowel depolarisatie- als repolarisatiefasen simuleert, waardoor een gat in de bestaande literatuur wordt gedicht dat vaak T-golf dynamiek verwaarloost.
3. PAA-Net Architectuur: Een nieuw netwerk dat ruimtelijke puntenwolk-informatie en ECG-signalen gezamenlijk modelleert. Het introduceert de A-SE-module voor afleidingsgewijs anatomisch wegen en FiLM voor fysiologisch-geometrische fusie, waardoor zowel de lokalisatieaccuraatheid als de interpreteerbaarheid worden verbeterd.

Experimentele Resultaten

Het raamwerk werd geëvalueerd op een dataset van 130 cine-MRI-cases (2.210 gesimuleerde samples) en een externe validatieset van 17 real-world cases.

• Prestatiemetrics: PAA-Net behaalde een gemiddelde Dice-score van 0,7391 voor Litteken en 0,5503 voor Grenszone (BZ), wat beter presteert dan een baseline VAE-gebaseerde methode (DiceLitteken: 0,7064, DiceBZ: 0,5159).
• Generaliseerbaarheid: Bij externe validatie op onbekende real-world data presteerde PAA-Net significant beter dan de VAE-baseline, met een Dice Litteken-score van 0,2284 versus 0,1540, en een AHA-score van 0,4490 versus 0,3607.
• Ablatiestudies: Het verwijderen van ofwel de A-SE-module of het FiLM-mechanisme resulteerde in verminderde prestaties, wat bevestigt dat zowel afleidingsgewijs anatomisch wegen als fysiologische modulatie cruciaal zijn voor accurate littekenreconstructie.
• Interpreteerbaarheid: Saliency-map analyse toonde aan dat het model zich richt op klinisch relevante kenmerken, specifiek het QRS-complex en ST-T-segmenten, waarbij aandachtspatronen variëren afhankelijk van de infarctlocatie (bijvoorbeeld septaal versus lateraal).

Betekenis en Claims

Het artikel claimt de eerste studie te zijn die volledige QRS-T-complexen simuleert en integreert in een invers MI-inferentieraamwerk. De auteurs stellen dat hun aanpak:

• De Domeinkloof Overbrugt: Door realistische, onregelmatige littekens met grenszones te synthetiseren, bootst de methode real-world ischemische progressie beter na dan regelmatige ellipsoïdemodellen.
• Verhoogt Gevoeligheid: Door repolarisatie (T-golf) en APD-heterogeniteit op te nemen, vangt het model subtiele ECG-variaties die door depolarisatie-only-modellen worden gemist.
• Verbeterd Interpreteerbaarheid: De PAA-Net-architectuur biedt een mechanisme om te begrijpen hoe specifieke ECG-afleidingen en morfologische kenmerken bijdragen aan de lokalisatie van geinfarcteerd weefsel.
• Maakt Niet-Invasieve Beoordeling Mogelijk: Het raamwerk biedt een pad voor uitgebreide MI-beoordeling in hulpbronnenbeperkte omgevingen door toegankelijke cine-MRI en ECG te combineren, waardoor de afhankelijkheid van LGE-MRI wordt verminderd.

De auteurs concluderen dat hoewel het huidige raamwerk robuuste prestaties demonstreert, toekomstig werk zal focussen op het verbeteren van de realisme van ECG-simulatie, het integreren van AI-gebaseerde generatieve modellen, en het uitbreiden van de synthese-module om verschillende tijdsfasen van MI-progressie te simuleren.