科学家打造逆有限元分析数字孪生技术，用于心脏病药物研发与评估

近日，美国肯尼索州立大学助理教授石磊和合作者，通过引入一种逆有限元分析（iFEA，inversefiniteelementanalysis）框架的数字孪生（digitaltwin）技术，利用实时变化的医学图像数据，来估计心脏组织的力学特性。

图|石磊（来源：石磊）

通过此，他们在心脏力学建模领域取得了进一步突破，解决了现有心脏力学模型在动态图像数据处理方面的局限性。

在逆问题方法的帮助之下，课题组推理得出关于心脏组织力学特性的新知识，为个性化医疗提供了更可靠的工具。

（来源：arXiv）

预计本次成果具有以下潜在应用：

其一，用于个性化心脏疾病诊断与治疗规划。

通过利用个体化的心脏力学模型，让医生可以更准确地诊断心脏病变，包括诊断心肌肥厚性梗塞性心肌病等，为患者制定更精确的治疗方案。

其二，用于手术前模拟与规划。

即本次模型可以帮助心脏外科医生在手术前进行模拟和规划，提供手术路径、器械选择和手术方案的参考，从而提高手术的准确性和安全性。

其三，用于心脏病药物研发与评估。

针对心脏病的药物研发和评估，对于个性化的心脏力学模型大有裨益，而这些模型可被用于评估药物的效果，加速新药的研发过程。

其四，用于心脏健康监测与预防。

本次技术可以结合实时心脏图像采集，实现对于心脏健康状态的监测和预防。

通过持续跟踪心脏组织的力学特性变化，可以及早发现潜在的心脏问题并采取预防措施。

其五，用于虚拟手术和教育培训。

基于这种模型的虚拟手术系统，可被用于医学教育和培训，让医学生和实习医生在模拟环境中学习心脏手术技术。

其六，用于个性化心脏病患者的治疗管理。

结合临床数据和个体化的心脏模型，可以针对心脏病患者实现个性化管理和持续监测，从而为其提供更精确的治疗方案和预后评估。

综上，本次成果有望在心脏医学领域推动个性化医疗的发展，为心脏病的诊断、治疗和预防带来新的推动力。

据介绍，生物系统和器官的数字孪生技术，能将生物体内系统或器官的详细数字模型与实际生物体相结合。

利用这项技术，可以实时监测、模拟和分析生物系统的功能和状态，从而实现更精确的医疗诊断、个性化治疗方案以及前沿的生物医学研究。

作为一种数字孪生技术，个性化心脏力学建模在人体中的应用，主要在于根据个体心脏的解剖和功能特征，进行定制化的生物力学建模。

它通过结合具体患者的临床图像数据和数学模型，针对患者心脏进行精确的力学分析和力学模拟，从而实现针对心脏功能和病理状态的个性化理解和个性化预测。

然而，对于已有的模型来说，它们仅能使用在单一心脏相位获取的医学图像，这限制了其在处理动态图像采集上的适用性。

因此，石磊希望本次研究可以解决以下问题：

首先，解决图像数据动态处理的挑战。

当前心脏力学模型主要基于静态图像数据，难以应对动态图像采集的需求。

因此，他和合作者希望利用时序医学图像数据，基于深度学习的方法，实现对心脏组织力学特性的精确估计。

其次，解决逆问题。

传统心脏力学建模面临的一个关键问题是参数估计通常是正向的，即从已知物理特性来模拟心脏行为。

相比之下，本次研究采用逆问题的方法，从观测数据即从医学图像，来反推心脏组织的力学特性。

再次，建立更真实的心脏模拟。

通过引入结构上的各向异性高弹性本构模型、以引入生理学相关的边界条件，本次研究旨在建立能够更真实、更准确地模拟心肌力学行为的框架。

最后，探索优化算法与模型参数的关系。

为了探索这一问题，科学家打造逆有限元分析数字孪生技术，用于心脏病药物研发与评估研究中还涉及到优化算法的选择、优化模型参数的灵敏度分析等，旨在探索最优模型参数的稳健性和有效性。

据了解，石磊此前主要研究力学相关的课题，比如航空航天、机械结构和材料等。

后来，他发现将自己学过的力学知识和数学知识，用于解决复杂的生物系统问题实在是太美妙。

此前，当美国哥伦比亚大学机械工程系读博的时候，他主要利用传统的物理数学工具，来构建符合生物体特征的建模问题。

在博士期间，他也在纽约认识了不少医生和各类专家。

博士毕业之后，他并没有离开，而是继续在哥伦比亚大学助理教授维贾伊·维杜拉（VijayVedula）的计算心血管实验室，开始进行心血管方面的研究。

正是在这期间，石磊开始了本次研究。起初，他和Vedula先是确定了课题目标：即利用时序医学图像数据估计心脏组织的力学特性。

随后，他们开始针对心脏生物力学建模领域的背景和现状进行调研，并开始设计研究方法和理论框架。

其中包括选择合适的数学模型、结构上的各向异性高弹性本构模型、以及优化算法等。

随后，他们与世界知名心脏手术专家、哥伦比亚大学医学院高山广夫（HirooTakayama）博士、以及美国斯坦福大学医学院的助理教授IanYChen合作。

通过此，课题组收集了包括心脏电子计算机断层扫描（CT，ComputedTomography）图像数据在内的时序医学图像数据。

随后，他们开始图像重建、图像分割、图像对齐等步骤，以此确保数据的质量和一致性。

接着，该团队开始研发模型和开发算法。最终，他们将算法整合到了与斯坦福大学团队共同开发维护的开源软件svFSI之中（https://github.com/SimVascular/svFSI）。

而在设定边界条件时，石磊等人进行了深入的理论计算，并与医生们进行反复讨论，最终设计出合理的边界条件。

其发现许多先前著名研究中使用的边界条件实际上并不合理，无法真实反映心脏在体内的状态。

事实上，仅仅“设定边界条件”这一单项工作就足以成为一篇独立的论文。

然而，他们决定将这些工作整合到一篇综合性论文中，让读者通过一篇论文就能获得更全面的收获。

最终，相关论文以《个性化心脏活动机制的优化框架》（AnOptimizationFrameworktoPersonalizePassiveCardiacMechanics）为题发在arXiv[1]。

图|相关论文（来源：arXiv）

后续，课题组计划在以下方面开展新探索：

其一，整合深度学习和图神经网络技术。

即探索如何将深度学习和图神经网络技术进一步整合到心脏力学建模的逆问题解决过程中。

例如，在研究人员即将发表的第二篇论文中，他们进一步了优化逆有限元分析框架。

从而可以通过图神经网络提高参数估计的准确性和效率，实现更精确的心脏组织力学特性估计。

利用这种框架，之前需要几天甚至几周完成的计算，现在只需几秒钟就可以出结果，能够大大降低医学应用的成本。

其二，拓展到其他医学应用领域。

基于图神经网络在解决传统有限元计算问题上的成功应用，可以考虑将这种技术拓展到其他医学应用领域。

例如，可以尝试用于骨骼生物力学建模、脑部组织力学分析等领域，从而提高医学领域中模拟和计算的准确性和效率。

其三，开发基于图神经网络的智能模型。

即可以进一步开发基于图神经网络的智能模型，实现对复杂生物力学系统的快速建模和预测。

预计这些智能模型能被用于辅助临床决策、个性化治疗规划等，推动医学领域的智能化发展。

其四，探索跨学科合作和应用。

未来可以加强与工程学、计算机科学等领域的跨学科合作，共同探索深度学习和图神经网络在医学领域的更广泛应用。

其五，开展临床实践和应用验证。

通过与临床医生和研究人员的合作，其将验证图神经网络在医学建模和医学分析中的实际效果和应用价值，为医学诊疗提供更有效的支持。

另据悉，对于自己所在的生物力学领域，石磊表示：“该由著名华人科学家冯元桢建立，并在一代又一代科学家的努力推动下取得了丰硕的成果。”

随着信息时代的高度发展，生物体的复杂性也得到了更深入的探索，他相信这个领域会迎来长足的发展。

因此，他希望能吸引更多有才华的学者加入这一行列，共同努力推动人类对生物体的理解，以期努力解决各种疾病问题，为人类健康和福祉做出更多贡献。

参考资料：

1.https://arxiv.org/pdf/2404.02807

排版：溪树