研究人員預測心臟病患者腦血管血栓形成的風險

由于世界人口的普遍老齡化，心血管疾病已成為主要的死亡原因。最常見的心臟病包括心房顫動，這是一種心律失常，歐洲血統(tǒng)的個體終生累積發(fā)展風險超過 30%。

心房顫動的特點是混亂的電活動，導致左心房不規(guī)則收縮和壁僵硬，阻止血液有效流向心室。除其他因素外，血液動力學的這些變化有利于血栓或血栓的形成，這使心房顫動患者面臨更大的腦血管意外風險。

令人驚訝的是，多達 99% 的心源性心源性缺血性卒中發(fā)生在左心耳 (LAA)，這是一種源自左心房前壁的異質(zhì)管狀結構。據(jù)推測，每個患者的附件的特定形態(tài)可能是通過促進血液停滯而形成血栓的主要催化劑。許多研究試圖根據(jù)形態(tài)對附肢進行分類，并將每組與其自身的血栓形成風險聯(lián)系起來，但結果證明是模棱兩可的，因為附肢形態(tài)學分類的形態(tài)學指南通常是完全主觀的，強調(diào)需要更多系統(tǒng)的、獨立于觀察者的分析程序。

更系統(tǒng)的、獨立于觀察者的分析程序

最近，計算流體動力學 (CFD)的采用為形態(tài)學、血液動力學和左心耳血栓形成之間的相互作用提供了大量知識。CFD 求解描述流體行為的物理方程，在這種情況下是血液，以找出其在整個心動周期中的速度和方向。然而，盡管這些 CFD 模擬提供了高度的準確性，但眾所周知，它們速度緩慢，需要大量計算資源并涉及大量預處理，導致研究樣本非常小。

幾何深度學習在計算心臟病學中特別有用，因為您可以直接在幾何網(wǎng)格上工作，并且避免了患者之間的對應關系

針對這些局限性，深度學習開始被用作流體動力學等復雜物理系統(tǒng)的有效替代品。深度學習涉及重疊幾層人工神經(jīng)元，這些人工神經(jīng)元的功能類似于小型計算機，可以通過簡單的操作來改變它們接收到的輸入值。盡管這些模型需要大量數(shù)據(jù)才能準確，但一旦經(jīng)過訓練，它們幾乎可以立即執(zhí)行推理。

“因此，神經(jīng)網(wǎng)絡非常適合我們的問題，因為我們正在尋求快速評估患者的血栓風險，而無需等待完成模擬。訓練完成后，我們將向網(wǎng)絡輸入每個患者附件的形態(tài)數(shù)據(jù)，網(wǎng)絡將能夠預測我們將通過模擬立即獲得的血栓風險參數(shù)”，最近發(fā)表的一項研究的第一作者Xabier Morales說。在生理學前沿。“此外，在訓練期間，網(wǎng)絡將自行學習與血栓形成風險最相關的形態(tài)特征，從而避免完全主觀和公正地定義自己感興趣的形態(tài)特征”，該組織的成員補充道。PhySense，UPF 信息和通信技術部 (DTIC)BCN MedTech部門的研究小組。該研究涉及丹麥和法國學術和研究中心的國際參與。

標簽：