Noninvasive Assessment of Arterial Compliance and Lumen Pressure in Human Carotid Arteries Using Physics-Informed Neural Networks and Ultrasound Imaging: A Clinical Feasibility Study
这项临床可行性研究表明，一种与高帧率超声成像相结合的物理信息神经网络框架，能够成功实现对健康及狭窄颈动脉局部动脉顺应性和管腔压力的非侵入性、患者特异性制图，从而支持其在个性化心血管风险评估方面的潜力。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你身体的管道系统就像一个庞大的橡胶软管网络，向这座繁忙城市的每个角落输送着充满生命力的水。随着时间的推移，这些软管可能会变得僵硬、出现扭结，或者内部堆积起黏糊糊的淤泥。在人体内，这种“淤泥”被称为斑块，当它使动脉硬化时，就是心脏问题的重大预警信号。医生们早已知道动脉僵硬是危险的，但通常他们只能检测整根软管从头到尾的僵硬程度，就像通过拉动从水龙头到喷头的花园软管来测试其性能一样。这能提供一个大致的概念，但却会忽略掉那些橡胶在管路中间已经变成岩石般的微小且危险的部位。为了在这些隐藏的故障点破裂之前捕捉到它们，科学家们需要一种方法，能够在不切开管道或在内部插针的情况下，窥视内部并感知管壁的纹理。这就是测量“动脉顺应性”的挑战——这是一个高级词汇，意指动脉在每一处长度上的伸展性和灵活性。
现在，哥伦比亚大学的一个研究团队决定尝试一个新技巧：他们将高速超声摄像头与一种被称为“物理信息神经网络”（PINN）的特殊人工智能结合在一起。请不要把 PINN 仅仅看作一个只会瞎猜的机器人，而要把它看作一名对物理定律了如指掌的超级聪明侦探。如果你要求一个普通的 AI 去猜测水的流动方式，它可能会编造出一个看起来很像、但却违反自然规律的模式。但 PINN 就像一位随身携带物理规则手册（例如波是如何传播以及压力如何推动）的侦探，除非答案符合这些规则，否则它绝不接受。研究人员希望看看这位侦探能否通过观察一段跳动的动脉视频，精准地计算出每一处位置的管壁有多硬，甚至在不需要知道管道起始或末端确切条件下，也能推测出内部的压力。他们在五个人身上进行了测试：一名健康志愿者和四名患有动脉狭窄的患者。
研究发现，这个 AI 侦探在真实人类身上表现得惊人地出色。对于那位健康志愿者，AI 绘制出了动脉的图谱，并发现管壁具有弹性且分布均匀，就像一根崭新的花园软管。AI 对管壁运动的预测几乎完美，与实际的超声视频误差不到 0.2%。但真正的奇迹发生在四位患有动脉狭窄（狭窄症）的患者身上。在这些病例中，血流非常混乱且具有湍流性，以至于超声摄像头无法获得清晰的水流速度读数。一个普通的计算机模型可能会在这里放弃或产生垃圾数据。然而，这位 PIN 模型侦探足够聪明，它能说：“好吧，水流速度的数据太嘈杂，无法信任，但我仍然可以仅凭管壁的运动来解开这个谜题。”它确实做到了！AI 成功创建了一张动脉硬度图，这张图与超声图像中看到的“淤泥”斑块完全吻合。在超声显示有斑块或狭窄的地方，AI 的地图也显示出了一个动脉变得僵硬且无法变形的部位。
研究人员还成功重建了动脉内部的压力，创造出了一种看起来完全符合健康心跳的波动模式，尽管他们从未真的在患者体内插入压力计。整个过程需要一定的计算时间——对于健康的人大约需要 20 分钟，而对于患有复杂阻塞的患者则需要长达 1.5 小时，使用的是带有强大显卡的标准计算机。虽然 AI 并非完美无缺（在物理情况极其复杂的、最扭曲狭窄的部分，它产生的误差略大），但它证明了这种方法是可行的。这表明在未来，医生可以使用这种非侵入性工具，在动脉引发中风之前发现危险的僵硬斑块，从而提供一种以往无法通过手术实现的个性化血管健康监测。这项研究并不声称这是万灵药或实时的魔杖，但它展示了一条通往更安全、更智能心脏护理的极具前景的道路。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。