Resumo Técnico: Inferência Inversa Consciente de Fisiologia e Anatomia do Infarto do Miocárdio para Gêmeo Digital Cardíaco

Declaração do Problema

A localização precisa do infarto do miocárdio (IM) é crítica para estratificação de risco e planejamento terapêutico. Embora a Ressonância Magnética com Realce Tardio por Gadolínio (LGE-MRI) seja o padrão-ouro, ela é intensiva em recursos, custosa e carrega riscos de segurança. O Eletrocardiograma (ECG) é amplamente acessível, mas carece da resolução para quantificar características detalhadas do infarto, como tamanho, extensão espacial ou transmurialidade.

Os métodos existentes de inferência inversa que tentam localizar o IM a partir de dados de ECG enfrentam duas limitações primárias:

1. Morfologia de Cicatriz Simplificada em Excesso: Eles frequentemente modelam cicatrizes como elipsoides regulares, falhando em capturar a morfologia realista e irregular e as zonas de fronteira (BZ) encontradas na progressão isquêmica.
2. Modelagem Eletrofisiológica Incompleta: Eles focam principalmente na despolarização ventricular (complexo QRS), negligenciando a dinâmica da repolarização (onda T), o que reduz a sensibilidade a variações sutis no ECG e limita a interpretabilidade das alterações eletrofisiológicas induzidas pelo infarto.

Os autores formulam a localização do IM como um problema inverso dentro de uma estrutura de Gêmeo Digital Cardíaco, visando preencher a lacuna entre simulação e realidade para permitir uma avaliação não invasiva e abrangente do IM usando cine-MRI e ECG multilead.

Metodologia

A estrutura proposta opera em duas etapas: Síntese Estocástica de Infarto Consciente de Anatomia e Inferência Inversa via PAA-Net.

1. Síntese Estocástica de Infarto Consciente de Anatomia

Para gerar uma coorte virtual realista, os autores constroem malhas biventriculares prontas para simulação a partir de cine-MRI multivista.

• Construção de Malha: Malhas de superfície são reconstruídas a partir de rótulos de segmentação SAX e LAX, seguidas por geração de malha volumétrica usando Iso2Mesh. Campos para coordenadas ventriculares (Cobiveco), orientações de fibras e posicionamento de eletrodos são atribuídos.
• Geração Estocástica de Cicatriz: Diferentemente de métodos anteriores que usam formas regulares, esta abordagem gera cicatrizes irregulares que imitam a progressão transmural isquêmica.
  • Um campo de ruído espacialmente correlacionado $N(x)$ é gerado via filtragem Gaussiana.
  • Uma função de limiarização dinâmica define o núcleo da cicatriz com base na coordenada transmural $T_m$: $Scar = \{x|N(x) > \tau_{base} + \lambda(1 - T_m(x))\}$. Isso penaliza a formação de cicatriz em direção ao epicárdio, simulando a progressão transmural.
  • Uma zona de fronteira (BZ) é criada morfologicamente usando uma busca em árvore K-D, reclassificando nós viáveis dentro de um raio euclidiano de 2mm do núcleo da cicatriz.
• Coorte Virtual: A síntese cobre 17 cenários variando em localização (7 tipos), tamanho (2 tipos) e transmurialidade (subendocárdica vs. transmural).

2. Modelagem Eletrofisiológica

Os autores simulam formas de onda QRS-T completas usando um modelo de reação-Eikonal:

• Despolarização: Tempos de ativação locais são computados resolvendo a equação Eikonal com um tensor de velocidade de condução ortotrópico.
• Repolarização: A heterogeneidade da Duração do Potencial de Ação (APD) é implementada via um campo de gradiente espacial que considera variações apicobasais e transmurais.
• Geração de Sinal: ECGs multilead são gerados usando uma formulação de pseudo-ECG, capturando tanto as morfologias do QRS quanto da onda T. O remodelamento crônico do IM é simulado escalando as velocidades de condução e aumentando o APD nas zonas de cicatriz e fronteira.

3. Rede Consciente de Fisiologia e Anatomia (PAA-Net)

O modelo de inferência inversa codifica conjuntamente a geometria miocárdica 3D e os ECGs multilead.

• Codificação Geométrica: A nuvem de pontos da malha é codificada usando PointNet++, utilizando coordenadas cartesianas 3D e coordenadas ventriculares Cobiveco.
• Codificação Fisiológica (Módulo A-SE): Um módulo de Squeeze-and-Excitation Anatômico é introduzido para explorar a topologia espacial dos eletrodos do ECG. Ele computa a energia temporal para cada lead e a concatena com um prior de posição esférica do lead ($\theta, \phi$). Um mecanismo de portão recalibra os pesos dos leads, priorizando dinamicamente os leads com as visões anatômicas mais informativas.
• Extração de Características Temporais: Um módulo BiLSTM processa os sinais de lead ponderados para extrair características temporais.
• Fusão Multimodal (FiLM): O mecanismo de Modulação Linear Específica por Característica (FiLM) usa a característica global do ECG como condição para modular as características da nuvem de pontos via transformações afins ($\gamma \cdot F_{pc} + \beta$). Isso permite que a rede enfatize ou suprima seletivamente canais geométricos com base no contexto eletrofisiológico.
• Função de Perda: A rede é treinada com uma perda composta incluindo entropia cruzada de segmentação, perda de compacidade e penalidades para restrições de estrutura e tamanho do ventrículo direito.

Contribuições Principais

1. Síntese Realista de Cicatriz: Uma estratégia estocástica inovadora que gera cicatrizes irregulares com zonas de fronteira, imitando a progressão transmural isquêmica através de diversas localizações, tamanhos e tipos de transmurialidade.
2. Simulação Completa QRS-T: A construção de uma coorte virtual simulando tanto as fases de despolarização quanto de repolarização, abordando uma lacuna na literatura existente que frequentemente negligencia a dinâmica da onda T.
3. Arquitetura PAA-Net: Uma rede inovadora que modela conjuntamente informações de nuvem de pontos espaciais e sinais de ECG. Ela introduz o módulo A-SE para ponderação anatômica específica por lead e FiLM para fusão fisiológico-geométrica, aprimorando tanto a precisão de localização quanto a interpretabilidade.

Resultados Experimentais

A estrutura foi avaliada em um conjunto de dados de 130 casos de cine-MRI (2.210 amostras simuladas) e um conjunto de validação externa de 17 casos do mundo real.

• Métricas de Desempenho: A PAA-Net alcançou uma pontuação média Dice de 0,7391 para Cicatriz e 0,5503 para Zona de Fronteira (BZ), superando um método baseline baseado em VAE (DiceCicatriz: 0,7064, DiceBZ: 0,5159).
• Generalizabilidade: Na validação externa em dados do mundo real não vistos, a PAA-Net superou significativamente a baseline VAE, alcançando uma pontuação Dice de Cicatriz de 0,2284 vs. 0,1540, e uma Pontuação AHA de 0,4490 vs. 0,3607.
• Estudos de Ablação: A remoção do módulo A-SE ou do mecanismo FiLM resultou em desempenho diminuído, confirmando que tanto a ponderação anatômica específica por lead quanto a modulação fisiológica são críticas para a reconstrução precisa da cicatriz.
• Interpretabilidade: A análise de mapas de saliência demonstrou que o modelo atende a características clinicamente relevantes, especificamente o complexo QRS e os segmentos ST-T, com padrões de atenção variando conforme a localização do infarto (por exemplo, septal vs. lateral).

Significado e Alegações

O artigo alega ser o primeiro estudo a simular complexos QRS-T completos e integrá-los a uma estrutura de inferência inversa de IM. Os autores afirmam que sua abordagem:

• Preenche a Lacuna de Domínio: Ao sintetizar cicatrizes irregulares realistas com zonas de fronteira, o método imita melhor a progressão isquêmica do mundo real em comparação com modelos de elipsoide regular.
• Aumenta a Sensibilidade: Ao incorporar a repolarização (onda T) e a heterogeneidade do APD, o modelo captura variações sutis no ECG que modelos baseados apenas em despolarização perdem.
• Melhora a Interpretabilidade: A arquitetura PAA-Net fornece um mecanismo para entender como leads específicos de ECG e características morfológicas contribuem para a localização de regiões infartadas.
• Permite Avaliação Não Invasiva: A estrutura oferece um caminho para avaliação abrangente do IM em ambientes com recursos limitados, combinando cine-MRI e ECG acessíveis, reduzindo a dependência da LGE-MRI.

Os autores concluem que, embora a estrutura atual demonstre desempenho robusto, trabalhos futuros focarão em aprimorar o realismo da simulação de ECG, integrar modelos generativos baseados em IA e estender o módulo de síntese para simular diferentes fases temporais da progressão do IM.