使用几何深度学习快速预测左心室电激活：朝向心脏再同步化治疗规划的一步

为何时机对受挫的心脏至关重要

对于许多罹患严重心衰的人来说，植入装置发出的微弱电脉冲可以帮助心脏的主要泵室更有节奏地收缩。这种称为心脏再同步化治疗的疗法可以缓解症状并延长生命。然而大约三分之一的患者收益甚微，常常是因为左心侧的起搏导线无法置于最佳位置。本研究探讨是否可借助现代人工智能驱动的计算模型，快速预测电信号在左心室的传播方式，从而帮助医生为每位患者选择个性化的起搏位置。

从缓慢的仿真到即时预测

当今最精确的心脏计算模型依赖复杂方程来模拟电信号如何在心肌中传播。尽管细致，这些仿真在强大计算机上也可能需要数分钟才能完成——对于在医疗操作中常规使用而言仍然太慢。作者旨在构建快速的“代理”模型，学习这些庞大仿真的结果并几乎瞬间重现它们。他们关注左心室这一主要泵室，并致力于预测“激活时间图”，显示在一次心跳中该腔室不同区域被电激活的速度。

教会人工智能“心脏形状的语言”

每个人的心脏形态略有不同，这些差异会影响电波的传播。研究者没有把所有心脏强行放到刚性的网格上，而是使用了一类能直接处理不规则形状的方法，称为几何深度学习。他们开发并比较了两种相关方法。一种基于图神经网络，将左心室视为像网格一样相互连接的点集；另一种称为几何知情神经算子，先将不规则形状编码到规则的内部网格，处理后再映射回原始解剖结构。两种模型都输入心脏的三维形状、刺激位置以及组织的电传导性能，然后预测激活如何在心肌壁中传播。

构建虚拟心脏人群

由于具有完整三维激活图的大规模真实患者数据稀缺，团队自行生成了虚拟数据集。他们以75个真实左心室形状为起点，覆盖健康与病变心脏，并使用统计形状模型创建了35,000个合成变体。对每个变体，他们分配了现实的肌纤维方向，选择了一或两个起搏点，并在广泛范围内改变组织电导率。基于物理的详细仿真为所有这些虚拟心脏产生了激活时间图，作为深度学习模型的训练和测试数据。研究者还用更高分辨率的网格和来自两个独立临床队列的左心室几何体来检验模型在合成训练集之外的泛化能力。

模型表现如何？

在与训练集相似的合成心脏上，两种模型都能以较小误差预测激活图，但几何知情神经算子的准确度大约比图神经网络高出一倍。当研究者转而使用真实世界的心脏形状时，两种模型的误差均有所增加，且表现趋于相当。这表明主要限制不是算法本身的能力，而是训练所用简化形状与真实患者解剖复杂性之间的差距。尽管如此，这些模型能够在毫秒级给出预测——远快于传统仿真大约十分钟的耗时——因此在需要大量重复评估的任务（例如遍历多个可能的起搏点）中很有吸引力。

测试一个虚拟规划工具

研究团队随后将训练好的模型嵌入到了一个再同步化治疗概念验证的规划工作流中。从左心室形状和带噪声的激活图（用于模拟临床测量）出发，该工作流首先反向估计患者的固有起搏位置和组织电导率。然后在心室表面搜索第二个起搏位置，以最小化总体激活时间——此前研究将这一量化指标与更好的治疗反应相关联。两种深度学习模型都能从含噪数据中恢复关键的个体参数，并提出显著缩短激活时间的起搏位置，整个过程在单块图形处理器上耗时数十秒。作者还构建了一个基于网页的界面，用户可以上传几何体、探索起搏情景并交互式运行该优化。

对患者意味着什么

这项工作表明，经过精心训练的深度学习模型可以在多种形态和起搏设置下模拟左心室的详细电学仿真，并且速度足以用于规划工具中。当前模型依赖合成训练数据且仅考虑左心室的电学行为，但为包含心脏两侧及其机械泵动的更全面数字孪生奠定了基础。随着更丰富的真实世界数据和进一步改进，这类工具未来可能让临床医生在进诊之前在计算机上测试多种起搏策略，从而提高每位患者获得真正恢复心律的装置配置的几率。

引用: Naghavi, E., Wang, H., Ziaei-Rad, V. et al. Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning. npj Digit. Med. 9, 225 (2026). https://doi.org/10.1038/s41746-026-02399-7

关键词: 心脏再同步化治疗, 几何深度学习, 心脏电生理学, 个体化建模, 数字孪生