Noninvasive Assessment of Arterial Compliance and Lumen Pressure in Human Carotid Arteries Using Physics-Informed Neural Networks and Ultrasound Imaging: A Clinical Feasibility Study

Resumo Técnico: Avaliação Não Invasiva da Complacência Arterial e Pressão Luminal Usando PINNs e Ultrassom

Definição do Problema
As doenças cardiovasculares continuam sendo uma das principais causas de mortalidade global, com a rigidez arterial servindo como um preditor crítico e independente de desfechos adversos. Embora medidas globais como a Velocidade da Onda de Pulso (PWV) carótido-femoral sejam valiosas para a estratificação de risco, elas fornecem apenas estimativas espacialmente médias. Muitas patologias vasculares, como placas ateroscleróticas e estenose carotídea, induzem mudanças localizadas e heterogêneas nas propriedades mecânicas que as métricas globais não detectam. As modalidades de imagem tradicionais enfrentam limitações: a RM oferece alta resolução para a composição da placa, mas é limitada pelo custo, tempo e resolução espacial (~0,7 mm); a elastografia por ultrassom (onda de cisalhamento) enfrenta dificuldades em artérias estenosadas ou calcificadas devido à baixa relação sinal-ruído e interações complexas de ondas. Além disso, traduzir as medições de ultrassom (movimento da parede e fluxo) em estimativas quantitativas e espacialmente resolvidas de complacência arterial e pressão luminal permanece um desafio significativo, particularmente porque os modelos analíticos (ex: Moens-Korteweg) assumem homogeneidade e geometria infinita, o que é violado em vasos doentes. Métodos inversos existentes frequentemente exigem condições de contorno precisas e não invasivas que são difíceis de obter clinicamente.

Metodologia
Este estudo avalia um framework de Redes Neurais Informadas pela Física (PINN) projetado para resolver o problema inverso de estimar a complacência arterial espacialmente variável e a pressão luminal a partir de dados de ultrassom de alta taxa de quadros.

• Aquisição de Dados: Dados de ultrassom de alta taxa de quadros (taxa efetiva de 3 kHz) foram adquiridos de cinco indivíduos humanos (um saudável, quatro com estenose carotídea) utilizando um sistema Verasonics Vantage 256 e um transdutor Philips L7-4. O protocolo utilizou Imagem de Onda Plana com composição coerente.
• Processamento de Sinais:
  • Imagem de Onda de Pulso (PWI): Extraiu o movimento da parede arterial (deslocamento e velocidade) via correlação cruzada normalizada (NCC) em dados de RF formados pelo feixe.
  • Imagem de Fluxo Vetorial (VFI): Estimou a velocidade do fluxo sanguíneo 2D usando NCC 2D e filtragem por Decomposição de Valor Singular (SVD) para separar o fluxo do movimento da parede. Em casos de estenose, onde o fluxo turbulento degradou os dados de VFI, o framework baseou-se exclusivamente nos dados de movimento da parede.
• Arquitetura da PINN:
  • Equações Governantes: O modelo baseia-se em equações diferenciais parciais (PDEs) 1D linearizadas que descrevem a propagação da onda de pulso em vasos complacentes e heterogêneos, incorporando a relação de Bramwell-Hill para ligar as mudanças na área luminal à pressão via complacência ($k_p$).
  • Estrutura da Rede: Uma rede feedforward totalmente conectada com mapeamento de características de Fourier multiescala (para lidar com escalas espaciotemporais díspares) e três camadas ocultas (64 neurônios, ativação tanh). As entradas são espaço ($x$) e tempo ($t$); as saídas são área luminal ($A$), velocidade de fluxo axial ($u$) e pressão ($P$).
  • Função de Perda: Uma função de perda composta minimiza o descompasso entre as previsões da rede e os dados medidos (fidelidade de dados) enquanto impõe a adesão às PDEs governantes (resíduo físico). O modelo é livre de malha (mesh-free) e não requer a especificação explícita de condições de contorno.
• Treinamento: A rede foi treinada usando o otimizador Adam por 20.000 iterações. Para os sujeitos saudáveis, os dados foram subamostrados (16 elementos) para reduzir o tempo de computação; os casos estenosados utilizaram resolução total (128 elementos) para capturar a heterogeneidade localizada.

Principais Contribuições

1. Viabilidade Clínica de PINNs: Este estudo demonstra a primeira aplicação do framework PINN, previamente validado, em artérias carótidas humanas in vivo, indo além de estudos in silico e de fantoches.
2. Robustez à Escassez de Dados: O framework adaptou-se com sucesso aos desafios clínicos, especificamente à falta de confiabilidade dos dados de fluxo em regiões estenosadas. Ao depender apenas dos dados de movimento da parede nos casos de estenose, o modelo manteve a convergência e a precisão sem a necessidade de condições de contorno explícitas.
3. Estimativa Espacialmente Resolvida: Diferente da PWV global, o modelo gera mapas espacialmente variáveis de complacência arterial e pressão luminal, correlacionando diretamente as mudanças nas propriedades mecânicas com características anatômicas visíveis em ultrassom B-mode.
4. Reconstrução de Pressão Não Invasiva: O modelo reconstruiu formas de onda de pressão luminal sem cateterismo invasivo ou entradas de condição de contorno explícitas, produzindo formas de onda consistentes com as expectativas fisiológicas.

Resultados

• Sujeito Saudável: O modelo alcançou alta precisão com diferenças normalizadas de <0,2% tanto para o movimento da parede quanto para a velocidade do fluxo. O mapa de complacência estimado foi uniforme, consistente com a anatomia saudável. A complacência média global derivada da PINN ($2,98 \times 10^{-9} \text{ m}^2/\text{Pa}$) diferiu da estimativa de Moens-Korteweg ($1,3 \times 10^{-9} \text{ m}^2/\text{Pa}$), atribuído à integração pela PINN de efeitos de fluxo e anatômicos versus as suposições simplificadoras do modelo analítico.
• Sujeitos Estenosados:
  • Precisão: A reconstrução do movimento da parede manteve erros baixos (<0,48% de diferença máxima), mesmo em geometrias complexas como bifurcações.
  • Mapeamento de Complacência: O modelo identificou com sucesso variações focais de complacência (rigidez) que se correlacionaram espacialmente com placas ateroscleróticas e transições anatômicas (ex: bulbo carotídeo) observadas em imagens B-mode. Em casos com sombreamento acústico (indicando calcificação), o modelo estimou corretamente a redução da complacência.
  • Tratamento de Dados de Fluxo: Nos casos estenosados, os dados de VFI eram ruidosos ou ausentes devido à turbulência. O modelo convergiu com sucesso usando apenas os dados de movimento da parede, demonstrando adaptabilidade a dados clínicos incompletos.
• Desempenho Computacional: Os tempos de treinamento variaram de 20 minutos (saudável, subamostrado) a 1,5 hora (estenosado, resolução total) em uma GPU de desktop padrão (NVIDIA Quadro RTX 5000), indicando viabilidade clínica para análise offline.

Significância e Alegações
O artigo afirma que este trabalho estabelece a viabilidade clínica do uso de PINNs para o mapeamento não invasivo e específico do paciente de complacência arterial localizada e pressão luminal. Os achados apoiam o potencial desta tecnologia para ser traduzida em fluxos de trabalho clínicos para:

• Estratificação de Risco: Identificar placas "vulneráveis" com base em propriedades mecânicas localizadas, em vez de apenas no grau de estenose.
• Avaliação Personalizada: Fornecer perfis detalhados de saúde vascular sem procedimentos invasivos.
• Diagnóstico Complementar: Servir como uma ferramenta de pré-triagem para identificar pacientes de alto risco para investigação adicional via RM ou IVUS, ou como uma ferramenta de monitoramento longitudinal.

Os autores observam modestamente que, embora os resultados sejam promissores, a validação da precisão absoluta contra medições de pressão invasivas não foi realizada nesta demonstração de viabilidade. Eles enfatizam que a abordagem atualmente funciona como uma ferramenta de análise offline e que trabalhos futuros devem abordar a dimensionalidade do modelo (passando para 2D/3D), propriedades de tecido não lineares e coortes de pacientes maiores e mais diversas para realizar plenamente a adoção clínica.