心房颤动（AF）是一种由心脏神经异常放电引起的不规则心跳紊乱，可能增加中风、心力衰竭甚至死亡的风险。据估计，心房颤动影响美国约六百万成年人，且发病率随年龄增长而上升，给美国医疗系统带来巨大负担。
心房颤动可通过一种称为消融术的手术治疗，外科医生需谨慎地在多处心脏组织上制造疤痕以阻断错误神经信号。然而，这种操作困难且耗时的手术成功率仅略高于50%。近30%的患者在多次消融治疗后仍受心房颤动困扰。
“传统的‘一刀切’消融术常因无法预先确定引发混乱AF信号的区域而难以取得可靠效果，”田纳西大学诺克斯维尔分校工业与系统工程系丹·杜莱特早期职业助理教授姚冰（Bing Yao）表示，“历史上，我们缺乏为每位患者寻找个性化消融目标的有效策略。”
作为基于物理的机器学习（ML）专家，姚冰认为下一代技术是改善患者预后的关键。2023年，她与宾夕法尼亚州立大学教授杨辉（Hui Yang）获得了美国国家科学基金会-国立卫生研究院智能与互联健康计划为期四年、总额110万美元的资助，用于开发一套机器学习赋能系统，将患者个体数据转化为个性化心房颤动消融建议。
“计算机模拟为解决心房颤动消融的挑战提供了强大方法，”姚冰表示，“它有效整合了多样化的实验发现并测试多种手术路径，这在动物或人体受试者中根本无法实现。”
如今资助项目已进行到一半，研究人员创建了基于物理的3D心脏模拟模型，能精确预测电信号在心脏组织中的传播方式。他们还开发了多项软件创新，使模型能为连续消融提供推荐，并适应治疗过程中心脏的变化。
三维电波
过去两年间，杨辉及其宾夕法尼亚州立大学实验室成员基于美国国家医学图书馆可视人计划提供的公开医疗影像数据，构建了心脏组织的模拟。
随后，姚冰及其田纳西大学的学生将这些影像数据与心脏的网络几何模型整合，转化为详细的基于物理的3D网格，从而实现对心脏电信号传播的可靠计算机模拟。
“仅依赖数据的模型有时会做出不准确的预测——例如建议信号以生理上不可能的方式移动，”姚冰解释道，“将电信号在心脏中自然传播的物理规则融入我们的方法，能更准确预测心脏电活动，帮助我们更好地理解心律失常，最终支持医生做出更可靠的决策。”
团队随后面临更大挑战：教会模型模拟和优化连续治疗（按特定顺序进行的消融）。
“临床医生在手术中操作时，心脏反应和电信号会随时间演变，”姚冰解释道，“传统决策优化机器学习方法难以处理复杂几何结构（如心房的不规则形状和曲面）以及随时间演化的时空动态。”
姚冰团队通过开发整合先进机器学习技术与基于物理模拟的新工具克服了这一挑战。新工具套件包括一个能在复杂3D结构上模拟多种未来手术可能性的模型，以及一个决策树，用于模拟每次可能消融对心脏本身及后续手术建议的影响。
“这些创新共同使我们能够系统研究心脏对各种手术的反应，从而为恢复正常心律的心房颤动消融提供信息并优化连续决策策略，”姚冰表示。
确保临床相关性
在漫长的软件开发过程中，姚冰和杨辉与临床合作伙伴保持紧密合作，包括宾夕法尼亚州立健康首席医疗信息官克里斯托弗·德弗利奇（Christopher DeFlitch）、副教授索拉亚·萨米（Soraya Samii）以及佛罗里达州坦帕市詹姆斯·A·黑利退伍军人医院（James A. Haley Veterans’ Hospital）的心脏病专家法比奥·莱昂内利（Fabio Leonelli）。
与德弗利奇、萨米和莱昂内利的定期会议帮助工程师确保模型解决真实临床需求并覆盖尽可能多的患者。
例如，姚冰和杨辉的初始模型仅包含由心脏左心房额外电活动引发的心律失常，这是心房颤动的最常见原因。医学专家提醒他们存在另一种重要类型——当异质性（不均匀）疤痕组织干扰正常传导通路时引发的心房颤动，工程师们目前正在将此纳入模拟。
在最近一次会议中，医疗团队还担忧模型复杂输出可能难以被临床医生解读。因此，姚冰和杨辉计划在未来一年投入大量精力改进可视化，使模型输出和建议对医生更清晰。
“我们医学合作伙伴的视角至关重要，最终使我们的预测更真实且具有临床相关性，”姚冰表示，“我们将继续与医疗团队紧密合作，主动征求反馈并迭代优化结果呈现方式。这将使我们的工具更易于访问，更适合实际应用。”
【全文结束】
