超快超声中心脏模型个性化中的不确定性量化
Uncertainty Quantification in Cardiac Model Personalisation from Ultrafast Ultrasound
浏览论文内容
中文总结 AI 辅助
本研究利用基于模拟的推断（SBI）和神经后验估计，从超快超声SWE数据中个性化心脏模型参数，量化不确定性并显著降低预测误差。
中文摘要 AI 辅助
心脏模型个性化需要推断在体内无法直接测量的力学参数。超快超声剪切波弹性成像（SWE）能够无创追踪心肌硬度在整个心动周期内的动态变化，为个性化提供了目标。然而，将这些观测映射到受试者特定的模型参数仍然是不适定问题，因为多组参数可以再现相同的硬度动态。我们将基于SWE的个性化表述为一个使用基于模拟的推断（SBI）的统计推断问题。利用受试者适配的0D心血管模型和神经后验估计，我们估计以SWE衍生的曲线特征和受试者特定背景为条件的、关于主动硬度尺度k0、收缩速率kATP和松弛速率kSR的模型条件后验分布。在六名健康志愿者中，四名通过了客观的先验支持诊断，并被保留用于定量后验分析。相对于观测到的SWE目标，曲线级均方根误差（RMSE）从先验预测中位数的12.61 ± 5.55 kPa降至后验预测中位数的1.14 ± 0.38 kPa，降低了89.7 ± 4.2%。后验分析揭示了参数特定的不确定性、k0-kATP补偿、对kSR的约束较弱，以及先验预测诊断在评估每个受试者是否被包含在建模的SWE特征空间中的重要性。这些结果支持将SBI用于不确定性感知的基于SWE的个性化，同时确定先验支持和前向模型充分性为关键诊断。
英文摘要
Cardiac model personalisation requires inferring mechanical parameters that are not directly measurable in vivo. Ultrafast ultrasound shear wave elastography (SWE) enables non-invasive tracking of myocardial stiffness dynamics over the cardiac cycle, providing a target for personalisation. However, mapping these observations to subject specific model parameters remains ill-posed, as multiple parameter sets can reproduce the same stiffness dynamics. We formulate SWE-informed personalisation as a statistical inference problem using simulation-based inference (SBI). Using a subject-adapted 0D cardiovascular model and neural posterior estimation, we estimate model-conditional posterior distributions over active stiffness scale k0, contraction rate kATP, and relaxation rate kSR, conditioned on SWE-derived curve features and subject specific context. Among six healthy volunteers, four passed objective prior-support diagnostics and were retained for quantitative posterior analysis. Curve-level RMSE against the observed SWE target decreased from 12.61 $\pm$ 5.55 kPa for the prior predictive median to 1.14 $\pm$ 0.38 kPa for the posterior predictive median, an 89.7 $\pm$ 4.2% reduction. Posterior analysis revealed parameter-specific uncertainty, k0-kATP compensation, weaker constraint of kSR, and the importance of prior-predictive diagnostics for assessing whether each subject is represented within the modelled SWE feature space. These results support SBI for uncertainty aware SWE-based personalisation, while identifying prior support and forward-model adequacy as key diagnostics.
发表机构
- Université Côte d'Azur（蔚蓝海岸大学）
- Inria（法国国家信息与自动化研究所）
- Bordeaux University Hospital (CHU de Bordeaux)（波尔多大学医院）
- IHU Liryc, Electrophysiology and Heart Modeling Institute（Liryc大学医院研究所（电生理与心脏建模研究所））
机构由 AI 辅助整理，请以论文原文为准。
