Flow-based conditional cardiac anatomy generation for virtual cohorts

想象一下，你是一名试图设计一种新型心脏瓣膜的医生。你不能只在一个人身上进行测试；你需要知道它在成千上万不同的人身上是如何运作的，从高大的运动员到矮小的老年人，从年轻人到老年人。过去，科学家们尝试通过扫描患者真实的 MRI 图像，将其转化为 3D 计算机模型，从而构建患者的“数字孪生”。但这就像试图通过向城市里的每一个人借一本书来建立一个图书馆一样：这既缓慢又昂贵，而且由于隐私规则限制了个人扫描数据的共享，这往往是无法实现的。

为了解决这个问题，研究人员正试图构建“虚拟队列”——即由计算机生成的、虚假但真实的各种心脏。这就像是在制作一个视频游戏的角色创建器。你希望计算机生成一颗属于特定体型的 60 岁男性的心脏，或者一颗属于不同体型的 25 岁女性的心脏。挑战在于，如何确保这些虚假的心脏不仅仅是“平均化”的色块。现实中的人差异巨大；有些心脏是圆的，有些是长的，有些很大，有些很小。如果你的计算机只制造“平均”的心脏，那么你的新瓣膜可能适用于平均水平的人，但会在处于曲线边缘的人身上失效。目标是创建一个能够理解这些差异，并能根据特定现实世界群体产生一整群独特且真实心脏的生成器。

这就是名为《基于流的条件心脏解剖结构生成用于虚拟队列》（Flow-based conditional cardiac anatomy generation for virtual cohorts）的新论文所发挥作用的地方。由 Konstantinos Kevopoulos 和 Mathias Peirlinck 领导的研究团队引入了一个名为 CAN-FLOW 的新工具。他们想看看是否可以构建一个计算机系统，该系统不仅能制造一个通用的心脏，还能根据你的要求创造出一整群变化的心脏，例如：“给我一颗属于 BMI 为 25 的 50 岁男性的心脏，”或者“给我一颗属于 80 岁女性的心脏。”

为了实现这一点，他们必须击败旧的方法。在此之前，大多数科学家使用一种称为条件变分自编码器 (cVAE) 的方法。你可以把 cVAE 想象成一个试图背诵教科书的学生。这个学生被迫将关于不同心脏的所有信息压缩进一个单一且严格的“笔记本”（一个共享的数学规则）中，而这个笔记本对每个人都必须看起来是一样的。问题在于，这个笔记本变得过于拥挤了。为了容纳所有内容，学生不得不平滑掉那些奇特、独特的细节。结果就是，生成的图像虽然看起来还可以，但它们看起来都异常相似，就像一班学生都在抄同一份标准答案。它们忽略了人群中那些罕见但重要的变异。

作者认为这种旧方法过于僵化。他们提出了一个新的两步策略，即 CAN-FLOW，这更像是主厨和副厨在协同工作。

1. 第一步（主厨）： 首先，他们教计算机观察真实的扫描图像，并使用一种被称为“动量”（momenta）的特殊语言来描述它们。这就像是将复杂的 3D 心脏形状转化为一组指令，通过拉伸和挤压一个标准的模板心脏来匹配真实的心脏。至关重要的是，在这个阶段，计算机忽略了此人的身份信息（年龄、性别或体重），而仅仅专注于形状。它创建了一个清晰、简单的心脏几何图谱。
2. 第二步（副厨）： 接下来，他们使用另一种名为条件归一化流 (conditional normalizing flow) 的工具。这个工具观察第一步中的图谱，并学习这些形状如何根据个人的细节而发生变化。它学习到，例如，随着年龄增长，心脏形状往往会以特定的方式发生偏移，或者男性倾向于拥有比女性更大的心脏。

团队利用来自英国生物样本库（UK Biobank）的 2,208 颗健康心脏对该系统进行了训练。随后，他们将新的 CAN-FLOW 系统与旧的 cVAE 方法进行了对比。结果表明，CAN-FLOW 在捕捉人类多样性的全貌方面表现得更好。

当他们观察由旧的 cVAE 方法生成的图像时，发现这些心脏过于统一。就好像计算机只在制造“最常见”的心脏，而忽略了离群值。相比之下，CAN-FLOW 生成的心脏涵盖了更广泛的尺寸和形状。论文显示，CAN-FLOW 成功地重现了分布的“尾部”——即那些旧方法错过的、罕见但真实的各种心脏形状。例如，当他们根据特定的年龄和体型索要心脏时，CAN-FLOW 生成的组别呈现出自然的变异，就像现实世界一样；而旧方法产生的组别则让每个人看起来几乎一模一样。

研究人员通过几种测试测量了这些指标。他们检查了虚假心脏的体积和质量是否正确，发现 CAN-FLOW 与真实数据匹配得更为紧密。他们还逐点观察了心脏表面的微小细节。旧方法倾向于制造过于平滑且彼此相似的心脏，而 CAN-FLOW 则保留了使每颗心脏都与众不同的独特凸起和曲线。

重要的是，论文指出这种方法可能会成为“计算机模拟”（in silico）临床试验的颠覆者。与其仅在之一两个数字心脏上测试一种新药物或设备，医生可以将它测试在由 600 个不同心脏组成的虚拟人群中，而这些心脏都是根据特定人口统计特征生成的。这将有助于他们观察一种疗法是否对普通人以及那些具有异常心脏形状的人都有效，从而使医疗测试更加安全且更具包容性。

然而，作者也谨慎地指出了他们工作的局限性。他们仅在来自特定英国人群的健康心脏上进行了测试。他们尚未证明这在患病心脏或来自不同背景的人群中同样有效。此外，他们目前仅生成了心脏的静态快照（即心脏充满血液时的样子），而不是心脏跳动的动态电影。但作为一种概念验证，论文表明，通过将“形状学习”与“个性学习”分离，我们可以构建出比以往任何时候都更真实、更有用的虚拟人群。这是迈向未来的一步：在不需要扫描每一个人的情况下，就能在多样化的数字人类群体中模拟医疗手段。