PerfuRange: feasible-set identifiability analysis of component blood flow in dual-input perfusion using a groundtruth digital phantom
本文介绍了 PerfuRange，这是一个通过确定与特定采集和建模约束相兼容的生理目标可行范围，来量化双输入灌注中组分血流可辨识性的框架，揭示了良好的模型拟合往往无法保证正确的生理分解，因为这受限于数据和模型假设的内在局限性。
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
医学影像长期以来依赖于一个简单而强大的理念：通过观察对比剂在体内的移动方式，医生可以绘制出血液如何流向器官的图谱。这一过程被称为灌注成像（perfusion imaging），它将一系列图像转化为关于组织内部生命活动的叙事。对于像肝脏这样接收两个不同来源血液的器官——通过动脉来自心脏，通过门静脉来自肠道——其背后的故事更为复杂。肝脏就像一个汇聚这两股流动的混合碗，临床医生一直希望能够准确了解每种来源分别贡献了多少血液。分离这两个重叠的流量是至关重要的，因为疾病往往会对其中一股流向产生更显著的影响，而了解这种差异可以指导更好的治疗。然而，从单一测量中解构两个重叠的流量是一个极其困难的谜题，其答案往往更多取决于计算机所做的假设，而非数据本身。
东京电气大学的研究员坂智树（Tomoki Saka）开发了一种观察这一问题的新方法，他并非试图强行给出一个单一答案，而是绘制出数据所允许的所有可能答案的范围。他将这种方法称为 PerfuRange。PerfuRange 并没有要求计算机挑选一个“最佳”数值，而是提出了一个不同的问题：给定我们拥有的测量数据，以及我们约定的关于血液行为的规则，血液流动的最小值和最大值分别是多少？这种方法不将结果视为一个固定点，而是一个可能性的窗口。为了测试这一点，坂智树构建了一个完美的数字模拟肝脏。在这个虚拟世界中，他掌握着绝对的真相：他确切知道有多少血液来自动脉，有多少来自静脉，也确切知道对比剂路径的具体形状。随后，他在这一已知真相的基础上运行了 PerfuRange 分析，以观察该方法是否能正确识别出实际可知的极限。
结果揭示了我们目前解读这些扫描图像时存在的一种令人惊讶的脆弱性。当研究人员允许计算机考虑任何物理上可能的血液流动形状时，答案的范围变得极其宽泛。即使在数据完美且没有噪声的情况下，该方法也无法排除其中一个血液来源完全没有贡献的可能性。在近一半的测试案例中，其“可行集”都包含了第二个来源为零流量的情况，这意味着仅凭数据本身无法证明该来源处于活跃状态。唯一能缩小答案范围的方法是施加关于流动曲线形状的严格假设。当研究人员强制计算机从一组预定义的特定形状列表中进行选择时，答案的范围变得非常紧凑且精确。但这种精确度是假设带来的错觉，而非源于数据。
研究表明，如果真实的血液流动形状与计算机被允许选择的形状列表不匹配，该方法仍会产生一个非常狭窄、看起来很有信心的答案，但那个答案却是错误的。在测试中，当计算机被迫去猜测一种它从未见过的流动形状时，它经常会产生极其狭窄的区间，却完全错过了真实值。即便计算机被允许从一组具有相同基本统计特性的形状中进行选择，这种情况也会发生。计算机会自信地宣布一个特定的流速，但这种声明完全取决于真实的流动恰好符合其中一种允许的形状。如果真实的流动看起来稍有不同，这种信心就会消失，或者更糟的是，计算机会自信地给出一个错误的结果。
图像中的噪声（这在真实的医学扫描中是不可避免的）使问题变得更加严峻。随着研究人员在数据中加入更多的模拟噪声，可能答案的范围变得越来越宽。在仅有一个亨斯菲尔德单位（Hounsfield unit，一种标准的图像颗粒度度量）的噪声水平下，该方法在约一半的案例中无法排除第二个来源为零流量的可能性。要在存在噪声的情况下获得一个狭窄、精确的答案，唯一的办法就是接受一个非常大的可能解范围，但这使得特定的数值对于临床决策失去了意义。研究还发现，测量输入对比剂曲线强度的微小误差可能会完全扭曲结果。如果计算机低估了进入门静脉的对比剂强度的微小量，它就会相应地高估来自该静脉的血液流量，尽管模型的整体拟合度看起来依然完美。计算机无法得知自己错了，因为错误隐藏在校准中，而非曲线本身。
或许最具启发性的发现来自于一项研究人员延长观察时间进行的测试。通过将扫描观察时间从 58 秒延长到 80 秒，他们能够自信地确定肝脏内的总血量。然而，即使有了额外的观察时间和信息，他们仍然无法确定这些容量中有多少来自动脉，有多少来自静脉。这证明了了解总血量并不自动解决其来源归属的难题。额外的时间帮助回答了一个问题，却让特定的来源归属问题依然悬而未决。
这项工作的核心信息是：我们在医学影像报告中看到的精确度，往往是我们喂给计算机的假设的体现，而非对现实的直接测量。只有当真实的血液流动形状恰好符合计算机被允许考虑的有限形状集时，一个狭窄、自信的流速数值才是值得信赖的。如果真实的生物学情况略有不同，这种信心就是错位的。研究表明，对于双输入灌注，我们不能在不明确说明使该数值成为可能的假设前提下，就简单地报告每个来源的血液流速数值。仅凭数据本身，即使是完美的数据，也不包含足以唯一分离两种流量的信息。所谓的“答案”并不是一个等待被发现的隐藏真相，而是一个受限于我们所选规则的可能性范围。这并不意味着这项技术是无用的，但它确实意味着，我们对特定数值所感受到的确定性，必须通过理解产生该数值的模型来加以审视。
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。