⚛️ biophysics

Quantitative Comparison of 3D-1D Vascular Coupling Models: Lateral Average versus Sphere of Influence Methods

本研究对侧向平均（Lateral Average）与影响范围（Sphere of Influence）血管耦合模型进行了定量比较，结果表明，尽管两者在特定条件下可能得出相似的器官总血流量，但在预测区域灌注方面存在显著差异，因此必须根据研究目标是全球血流动力学还是局部药物递送来谨慎选择模型。

原作者： Amare, R., Vargun, D., Zhang, P., Parrish, S., Stolley, D., Santos, C., Jacobsen, M., Cressman, E., Riviere, B., Fuentes, D.

发布于 2026-07-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Amare, R., Vargun, D., Zhang, P., Parrish, S., Stolley, D., Santos, C., Jacobsen, M., Cressman, E., Riviere, B., Fuentes, D.

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，试图预测一滴染料如何在海绵中扩散。在现实世界中，血管就像穿梭在海绵中的微型管道，为每一个角落输送氧气和药物。但这些管道极其细微——有些甚至只有几百万分之一米宽——以至于试图在计算机模型中画出每一根管道，就像是在计算潮汐的同时还要数清沙滩上的每一粒沙子一样。即使是最快的超级计算机也无法完成这项工作量。因此，科学家们使用了一个聪明的捷径：他们将那些巨大的、肉眼可见的管道视为简单的线（1D），而将海绵视为一个实心的块体（3D）。难点在于如何确定“液体”是如何从线跳入块体中的。我们是应该想象液体沿着管道的全长持续缓慢渗漏，就像一只湿透的袜子？还是应该想象液体只从管道的最末端喷涌而出，就像花园软管喷嘴向特定的一片草地喷水一样？这正是这项研究核心所在的关键问题。

本文是针对回答该问题的两种流行方法的一次正面交锋。一种被称为“横向平均模型”（Lateral Average Model, LAM）的方法，它假设血液沿着整个血管壁持续渗漏，并受控于管壁的“渗透性”；另一种是“影响球”（Sphere of Influence, SOI）模型，它假设血液仅从血管的最末端流出，并在该末端周围呈球形扩散。研究人员想要知道：这两种不同的思考方式是否真的会给我们相同的答案？如果医生正在为肝癌制定治疗方案，使用哪种模型是否重要？结果表明，答案是一个引人入胜的“既是也不是”，这完全取决于你关心的是血液的总量，还是血液最终到达的确切位置。

伟大的渗漏对决

作者建立了一个数字实验室来测试这两种模型。首先，他们使用了一个简单的、虚构的管道网络，以观察在不同条件下数学行为的表现。然后，他们通过使用猪肝进入了现实世界。他们利用 CT 机扫描了猪肝，构建了其真实动脉的 3D 地图，并在这种真实的、复杂的生物结构上运行了模拟。

以下是他们的发现，这有点像是在比较一场细雨和一套突发的洒水系统。

总流量：两种行为的故事
当研究人员观察流入组织的总血液量时，随着他们调整设置，两种模型的表现截然不同。

LAM（漏水的软管）： 当他们增加血管壁的渗透性（让更多液体通过）时，总流量最初增长很快，但随后达到了一个天花板。这就像打开水龙头：一旦水流顺畅，即便把水龙头把手拧得更松，也不会让水流得更快。流量趋于饱和并保持平稳。
SOI（洒水器）： 当他们增大“影响球”（即血液扩散的球形区域）的大小后，总流量在他们的测试中持续上升，从未遇到天花板。这就像调高洒水器的压力；喷射半径越大，覆盖的地面就越多，看起来输送的水量也越多。

在某些特定的设置下，两种模型可以通过调整参数来给出相同的总血流量。但在其他设置下，无论如何调整数值，它们都无法匹配。这意味着不存在简单的“转换系数”来互换这两种模型；它们是本质上完全不同的物种。

局部流量：真正的魔力（与危险）所在
真正的惊喜出现在研究人员观察血液在组织内部去向的时候。这是对于治疗肿瘤最为关键的部分。如果你试图杀死一个癌细胞，你需要药物精准地到达那个细胞，而不仅仅是到达那个大致的邻里区域。

在猪肝研究中，两种模型在局部细节上产生了巨大的分歧：

SOI 模型表现得异常稳定。无论他们如何改变“球体”的大小，到达肝脏特定区域的血液量都保持基本不变。它就像一个可靠的洒水器，无论喷射范围多宽，始终为同一片草地浇水。
LAM 模型则像是一场过山车。根据他们设置的“渗漏”程度，血液的分布会发生剧烈变化。在某些情况下，它会将更多的血液输送到远离血管的远端区域。事实上，在低渗透性设置下，LAM 模型甚至预测血液会流向错误的地方，导致预期的模式发生反转。

对医生和科学家的启示
研究结论指出，如果你只关心器官获得的总血液量，只要选对设置，使用任何一种模型或许都可以。但如果你关心的是局部药物递送——例如确保化疗药物击中肿瘤而不是健康组织——那么模型的选择至关重要。

作者建议，如果你不知道血管壁的具体渗透性（这在真实患者身上通常是未知情况），**影响球（SOI）**模型会更安全，因为它的预测更加稳定，不太容易随设置的微小变化而剧烈波动。然而，如果你拥有关于血管壁渗透性的具体数据（例如来自一个已知具有高度渗漏性的肿瘤），那么 横向平均模型（LAM） 可能会为你提供关于这种渗漏性如何改变流量的更详细、基于物理学的图像。

最终，论文警告说，仅仅因为两个模型在“大局”（总流量）上达成一致，并不意味着它们在“细节”（局部递送）上也达成一致。在规划治疗方案时，假设它们是可以互换的，可能会导致医生认为药物会击中肿瘤，但根据另一种模型，药物可能完全错过了目标。这种选择不仅仅是数学上的偏好，它是一个决定，会塑造预测出的生命救治结果。

技术摘要：3D-1D 血管耦合模型的定量比较

问题陈述
将一维（1D）血管网络与三维（3D）组织域耦合的计算模型，对于预测肿瘤灌注、药物递送和治疗规划中的血流至关重要。目前存在两种主流的耦合范式：横向平均模型（Lateral Average Model, LAM）和影响球模型（Sphere of Influence, SOI）。尽管这些模型被广泛使用，但研究人员通常是基于历史先例或便利性而非对其预测差异性的严谨理解来选择模型。目前缺乏关于其参数行为、预测等效性和对边界条件敏感性的系统定量比较。具体而言，尚不明确这些模型是否能产生等效的血液动力学预测，其耦合参数（LAM 中的血管壁渗透率 $\gamma$ 与 SOI 中的源球半径 $\epsilon$ ）如何关联，以及模型选择如何影响区域性与全局性流量预测。

方法论
本研究采用受控的计算框架，旨在将耦合机制从数值或几何干扰因素中分离出来。两种模型均采用相同的离散化方案、边界条件和血管网络几何结构进行实现。

数学公式：
- LAM： 通过血管壁渗透率参数 $\gamma$ ，在整个血管长度上实现分布式的跨壁交换。耦合在 3D 组织方程中表示为分布的线源，并在相应的 1D 方程中表示为汇。
- SOI： 仅在血管末端采用局部耦合。通过以每个末端节点为中心、半径为 $\epsilon$ 的源球，并结合平滑且紧支撑的分布函数，将流量传递至 3D 组织域。
- 两种模型均使用 Hagen-Poiseuille 方程描述 1D 血管，并使用达西定律（Darcy's law）描述 3D 多孔组织流。
实验设置：
- 基准网络： 一个包含水平 1D 血管网络的简化 3D 组织域（ $50 \times 40 \times 30$ $50 \times 40 \times 30$ mm $^3$ $^{3}$ ）。测试了三种不同的汇（静脉引流）边界配置：
  - 情况 1： 汇位于入口面（ $x=0$ ）。
  - 情况 2： 汇位于相对的面（ $x=50$ ）。
  - 情况 3： 汇位于两个横向面（ $y=0$ 和 $y=40$ ）。
- 动物研究： 利用从猪肝脏 CT 动脉造影重建的具有生理真实性的肝动脉网络。在控制体积（ $103.7 \times 53.5 \times 52.5$ mm $^3$ ）内进行模拟，入口压力范围为 80 至 100 mmHg。
- 指标： 分析了不同参数范围（ $\gamma$ 和 $\epsilon$ ）内的全局净流量 ( $Q_{net}$ ) 和特定感兴趣区域（ROI）内的区域灌注分数。

关键结果

参数行为与饱和度：
- LAM： 净流量随 $\gamma$ 的增加而平滑上升，并在达到平台期后趋于饱和（观察到 $\gamma \gtrsim 10^{-8}$ m Pa $^{-1}$ s $^{-1}$ ）。一旦饱和，流量受限于体组织输运和边界几何形状，而非血管壁渗透率。
- SOI： 在测试范围内（$5.8 $至$ 12$ mm），净流量随球半径 $\epsilon$ 几乎呈线性增加，且没有表现出饱和现象。总流量大小由可达到的有效组织电导率决定。
全局流量等效性：
- LAM 与 SOI 之间的等效性并非普适的；它严格取决于边界几何形状。
- 在情况 1中，两种模型在各自的参数上限处收敛至相当的流量水平。
- 在情况 2中，SOI 曲线在测试的 $\epsilon$ 范围内超过了 LAM 的平台值，导致无法实现等效。
- 在情况 3中，即使在最小的测试 $\epsilon$ 下，SOI 曲线也会超过 LAM 的平台值，这意味着在测试参数范围内不存在精确的全局流量等效性。
- 因此，在生理参数范围内，无法实现 $\gamma$ 与 $\epsilon$ 之间的固定比例转换。
区域灌注分歧：
- 尽管两者在总器官流量上可能达成一致，但在区域灌注方面存在显著分歧。
- 基准测试： 在情况 1中，增加耦合强度导致靠近末端的上部 ROI 在两种模型中接收到的流量都减少了（由于向附近的汇“短路”），但变化的幅度有所不同。在情况 2中，上部 ROI 的流量随 LAM 呈单调增加，但随 SOI 呈现非单调峰值（当球半径与 ROI 面距离匹配时达到峰值）。
- 动物研究： 对于靠近血管末端的区域（ROI 1），无论 $\epsilon$ 如何变化，SOI 预测的灌注分数保持稳定（~31–35%）。相比之下，LAM 的预测随 $\gamma$ 的变化而产生数倍差异（10–55%）。在低渗透率下，LAM 甚至反转了预期的流量层级，预测流向远端区域（ROI 2）的流量比流向血管近端区域更多，而 SOI 则维持了预期的层级关系。
参数可识别性：
- 在饱和的 LAM 状态下，全局流量测量无法提供约束 $\gamma$ 的有效信息。
- SOI 参数在测试范围内具有信息量，且随着 $\epsilon$ 的增加，不确定性的包络线逐渐缩小。

意义与主张
论文得出结论：选择哪种耦合模型对预测的总器官流量影响有限，但对预测的局部药物递送和区域灌注具有实质性影响。

模型选择指导：
- 当耦合参数不确定、需要对治疗方案进行鲁棒性评估，或区域流量稳定性至关重要时，优先选择 SOI。当无法独立表征血管壁渗透率时，该模型尤为适用。
- 当血管壁渗透率是一个具有生理意义、可识别且可测量的量（例如在炎症或肿瘤性高渗透环境下）时，优先选择 LAM，因为它能提供更丰富的关于跨壁交换过程的机制见解。
验证要求： 作者断言，模型验证必须采用多区域灌注测量，而非仅仅依赖于全局流量指标。全局等效性可能会掩盖巨大的区域性差异，而这些差异直接影响对药物浓度、缺氧分布及治疗反应的预测。

本研究为根据特定的临床或研究问题，以及可用生理数据（特别是渗透率）的获取情况来选择 LAM 或 SOI 形式提供了定量依据。

伟大的渗漏对决

类似论文