用于心房数字孪生中预测再入驱动源的图神经网络

《Computer Methods and Programs in Biomedicine》:Graph Neural Network for Predicting Reentrant Drivers in Atrial Digital Twins

【字体: 大 中 小 】 时间:2026年10月08日 来源:Computer Methods and Programs in Biomedicine 6.4

编辑推荐:

   **摘要** **背景与目的**心房颤动(房颤,AF)是最常见的心律失常,与高卒中风险和心力衰竭相关。尽管肺静脉隔离(PVI)是标准治疗方法,但其对持续性房颤(PsAF)患者的疗效并不理想,导致高复发率。越来越多的证据表明,纤维化重构可在肺静脉以外区域形成致心律失常基质,这

  

**摘要**

**背景与目的**心房颤动(房颤,AF)是最常见的心律失常,与高卒中风险和心力衰竭相关。尽管肺静脉隔离(PVI)是标准治疗方法,但其对持续性房颤(PsAF)患者的疗效并不理想,导致高复发率。越来越多的证据表明,纤维化重构可在肺静脉以外区域形成致心律失常基质,这可能促发了房颤的复发。先前的研究已表明,持续性房颤数字孪生模型(PsAF DT)能够定位这些致心律失常区域,并为房颤治疗提供消融靶点信息,通过迭代模拟(包括涌现性折返)来表征完整的致心律失常基质。虽然持续性房颤数字孪生模型有效,但其在临床实践中的应用受到巨大计算需求的限制。

**方法**在本研究中,我们开发了一种图神经网络(GNN),用于直接识别维持折返驱动源的区域(消融靶点),而无需进行计算昂贵的模拟。该GNN在31个高分辨率持续性房颤数字孪生模型上进行训练。随后,该GNN的预测在4个新的持续性房颤数字孪生模型上进行了前瞻性验证,其中预测结果作为虚拟消融靶点,并执行新的模拟以评估GNN的预测在新几何形状和纤维化分布下消除折返驱动源的能力。

**结果**在8折交叉验证中,GNN达到了0.884的AUROC和0.174的AUPRC,均超过了所有其他测试模型。GNN最高置信度的正预测被细化为具有高密度纤维化和中等纤维化熵的区域。在概念验证的前瞻性验证中,GNN引导的消融相对于仅宽部环形肺静脉隔离(WACA PVI)对照组,将涌现性折返减少了超过70%,并将达到不可诱发状态所需的额外模拟轮数减少了66%。

**结论**本研究证明了GNN在指导持续性房颤患者基于数字孪生的消融方面的潜力,并减少了数字孪生工作流程中迭代模拟的负担。这些发现支持了GNN引导的基质优先级的可行性,进一步的验证将支持临床整合。

**引言**

房颤仍然是全球性的健康挑战,影响全球约1-2%的人口,并每年导致大量的发病率、住院率和死亡率[1,2]。肺静脉隔离(PVI)是阵发性房颤患者的既定一线治疗方法;然而,其在持续性房颤(PsAF)中的长期疗效仍然不理想[3,4]。这凸显了需要额外的消融策略来靶向肺静脉以外的基质。

在持续性房颤中,重构的心房基质,主要是心房纤维化,在心律失常的启动和维持中起着关键作用[5,6]。心房纤维化与传导减慢、波前解离和折返活动有关[[7], [8], [9]]。尽管纤维化的致心律失常作用已得到确立,但除PVI以外的最佳消融靶点仍然不明确[4,[10], [11], [12], [13], [14]]。先前的研究[11]表明,靶向整个纤维化组织(由延迟钆增强磁共振成像(LGE-MRI)界定)的消融并未改善与仅PVI相比的持续性房颤患者预后,不必要的额外消融导致了不良事件[15,16]。因此,对于持续性房颤除PVI以外的最佳消融策略尚无共识,凸显了需要将纤维化基质的功能后果的更深入理解纳入考量。

房颤患者的心脏数字孪生模型(DT)可以整合患者特异性数据以表征致心律失常基质的结构和电生理特性,并为患者特异性研究和消融计划提供框架[[17], [18], [19], [20], [21], [22], [23], [24], [25], [26], [27]]。通过整合成像数据,如LGE-MRI,数字孪生模型可以纳入纤维化重构的范围和空间分布,以模拟电传播并定位维持折返驱动源(RRDs)的区域[25,[28], [29], [30], [31]]。然而,当前的数字孪生方法面临关键的局限性,即它们依赖于许多计算昂贵和繁重的模拟,这阻碍了其临床可扩展性。

机器学习(ML)为解决心脏数字孪生工作流程中的计算瓶颈提供了一条有前景的途径。先前的研究已在心脏电生理(EP)建模中使用机器学习来预测消融后心律失常瘢痕[32]、可诱发起搏位点[33,34]以及各种消融策略后房颤终止的可能性[35,36]。重要的是,识别可诱发起搏位点并不一定能够识别折返基质的位置或合适的消融靶点,因为持续折返活动的最终位置可能与用于引发它的位点在空间上有所不同[37]。此外,神经算子在近似数字孪生中EP动力学的解方面显示出前景[38,39],但尚未在临床上进行测试。在机器学习架构中,图神经网络(GNN)特别适用于处理心脏数字孪生数据,因为它们能够整合变化的空间信息并在不规则数据类型(如患者特异性几何形状)上运行。GNN已在心脏EP建模任务中取得成功,例如识别瘢痕相关的峡部和PVI线的传导间隙[[40], [41], [42]]。与传统机器学习模型独立处理组织位置不同,GNN聚合来自邻近区域的信息,使它们能够捕获导致折返电路形成的纤维化和组织异质性的空间组织。然而,据我们所知,先前的机器学习研究尚未直接预测基于高分辨率、LGE-MRI的双心房数字孪生模型中用于消融靶向的模拟衍生的RRD基质。

为了填补这一空白,我们实现了一种GNN,用于在持续性房颤患者的患者特异性双心房数字孪生模型中预测模拟衍生的RRDs,使用电生理模拟前从数字孪生中可用的结构基质特征。该模型旨在识别和优先考虑候选RRD基质,而无需使用传统上用于定位这些区域的计算密集型模拟。在模型开发和与非图基线模型比较之后,GNN在一个未见的持续性房颤数字孪生虚拟队列中进行了评估,以确定GNN引导的消融是否能减少残余可诱发性和达到不可诱发状态所需的额外模拟负担。这些发现表明,基于GNN的消融靶点可能有助于指导患者特异性工作流程中的基质优先级排序,并在消融策略改进方面有潜在意义,但有待进一步验证。

**片段节选**

**方法**

研究概述如图1所示。为了开发GNN,使用我们先前心房数字孪生研究[28]中的一个队列,在该研究中,使用有限元计算建模预测了一组消融靶点,用于生成训练数据标签(图1A)。模型创建和EP模拟的详细方法已在此前描述[28]。简言之,来自31名持续性房颤患者术前LGE-MRI的双心房数字孪生模型纳入了纤维化重构。

**训练数据中纤维化特征的分布**

训练数据集中正类(RRD)和负类(非RRD)的纤维化特征如图3所示。数据代表了双心房网格中的所有节点,由其纤维化熵(FE)和纤维化密度(FD)表征。对于负类,我们观察到一个大的点群,其中FD=FE=0,对应于心房中大片非纤维化组织区域。为了更好地突出非RRD类的完整分布,图3显示了FD和FE大于0.1的范围。

**讨论**

在本研究中,我们证明了使用基于图的机器学习来预测RRDs并提出患者特异性持续性房颤数字孪生模型中候选消融靶点的可行性。该框架的主要优势在于其能够减少达到不可诱发基质修改策略所需的昂贵迭代模拟数量,同时也能够识别候选策略,这些策略可以大幅减少致心律失常性,同时需要最少或不需要额外模拟。值得注意的是,GNN

**伦理批准声明**

本研究获得了约翰斯霍普金斯大学机构审查委员会的批准(研究编号IRB00183327),并从所有参与者获得了知情同意。

**科学写作中生成式AI和AI辅助技术的声明**

在准备本工作期间,作者使用了ChatGPT和Google Gemini来提高手稿的可读性和语言。在使用这些工具后,作者根据需要审查和编辑了内容,并对发表文章的内容承担全部责任。

**代码和数据可用性**

用于GNN模型训练的代码、最终训练的模型权重以及一个示例合成心房网格及其相关的电生理模拟参数和运行脚本可在随附的GitLab仓库https://gitlab.com/natalia-trayanova/GNN_RD和zenodo上的https://doi.org/10.5281/zenodo.22309456上获取。合成模拟文件作为设置和运行模拟工作流程的参考实现提供。患者特异性网格、模拟

**伦理声明**

本研究获得了约翰斯霍普金斯大学机构审查委员会的批准(研究编号IRB00183327),并从所有参与者获得了知情同意。

**伦理声明**

已获取所有参与者或其法律代表参与本研究和发表文章的书面知情同意。参与者的隐私权得到了尊重。

本研究遵守研究所在地相关法律、监管框架和指导方针进行。本研究获得了约翰斯霍普金斯大学机构审查委员会的批准。(批准号IRB00183327)

**CRediT作者贡献声明**

Shane Loeffler:原创草稿撰写、可视化、监督、软件、项目管理、方法论、调查、形式分析、概念构思。Yash Lal:原创草稿撰写、可视化、软件、调查、形式分析、数据管理。Alana Yee:软件、调查、形式分析、数据管理。Yazan Moshen:审校编辑、原创草稿撰写、监督。Kensuke Sakata:审校编辑、监督、调查,

Shane Loeffler | Yash Lal | Alana Yee | Yazan Moshen | Kensuke Sakata | Carolyna Yamamoto | Syed Yusuf Ali | Adityo Prakosa | Eugene G. Kholmovski | Natalia A. Trayanova

心血管诊断和治疗创新联盟(ADVANCE),约翰斯霍普金斯大学,马里兰州巴尔的摩
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号