由于世界人口的普遍老龄化，心血管疾病已成为主要的死亡原因。最常见的心脏病包括心房颤动，这是一种心律失常，欧洲血统的个体终生累积发展风险超过 30%。
心房颤动的特点是混乱的电活动，导致左心房不规则收缩和壁僵硬，阻止血液有效流向心室。除其他因素外，血液动力学的这些变化有利于血栓或血栓的形成，这使心房颤动患者面临更大的脑血管意外风险。
令人惊讶的是，多达 99% 的心源性心源性缺血性卒中发生在左心耳 (LAA)，这是一种源自左心房前壁的异质管状结构。据推测，每个患者的附件的特定形态可能是通过促进血液停滞而形成血栓的主要催化剂。许多研究试图根据形态对附肢进行分类，并将每组与其自身的血栓形成风险联系起来，但结果证明是模棱两可的，因为附肢形态学分类的形态学指南通常是完全主观的，强调需要更多系统的、独立于观察者的分析程序。
更系统的、独立于观察者的分析程序
最近，计算流体动力学 (CFD)的采用为形态学、血液动力学和左心耳血栓形成之间的相互作用提供了大量知识。CFD 求解描述流体行为的物理方程，在这种情况下是血液，以找出其在整个心动周期中的速度和方向。然而，尽管这些 CFD 模拟提供了高度的准确性，但众所周知，它们速度缓慢，需要大量计算资源并涉及大量预处理，导致研究样本非常小。
几何深度学习在计算心脏病学中特别有用，因为您可以直接在几何网格上工作，并且避免了患者之间的对应关系
针对这些局限性，深度学习开始被用作流体动力学等复杂物理系统的有效替代品。深度学习涉及重叠几层人工神经元，这些人工神经元的功能类似于小型计算机，可以通过简单的操作来改变它们接收到的输入值。尽管这些模型需要大量数据才能准确，但一旦经过训练，它们几乎可以立即执行推理。
“因此，神经网络非常适合我们的问题，因为我们正在寻求快速评估患者的血栓风险，而无需等待完成模拟。训练完成后，我们将向网络输入每个患者附件的形态数据，网络将能够预测我们将通过模拟立即获得的血栓风险参数”，最近发表的一项研究的第一作者Xabier Morales说。在生理学前沿。“此外，在训练期间，网络将自行学习与血栓形成风险最相关的形态特征，从而避免完全主观和公正地定义自己感兴趣的形态特征”，该组织的成员补充道。PhySense，UPF 信息和通信技术部 (DTIC)BCN MedTech部门的研究小组。该研究涉及丹麦和法国学术和研究中心的国际参与。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！