Deep Computational Model for the Inference of Ventricular Activation Properties

要約

デジタルツインを用いたプレシジョンメディシンやインシリコ臨床試験を効率的に実現するためには、患者固有の心臓計算モデルが不可欠である。心臓デジタルツインは、個々の患者の心機能の非侵襲的な特性評価を提供できるため、患者固有の診断や治療法の層別化に有望である。しかし、臨床データから解剖学的モデルやパラメータを推定する解剖学的ツインと機能的ツインの両フェーズにおける現在のワークフローは、十分に効率的、堅牢、かつ正確ではありません。本研究では、心室活性化特性、すなわち伝導速度やルートノードを推定するために、解剖学的情報と電気生理学的情報の両方を融合できる、深層学習に基づく患者固有の計算モデルを提案します。このモデルにより、心筋の電気生理学的機能を定量的に評価することが可能となり、インターベンション治療の指針として活用することができます。我々は、Eikonalモデルを用いて、グランドトゥルース特性を持つシミュレーション心電図（ECG）を生成し、推論モデルを訓練する。さらに、このモデルをシミュレーションデータでテストしたところ、概ね良好な結果が得られ、計算時間も短縮された。

要約(オリジナル)

Patient-specific cardiac computational models are essential for the efficient realization of precision medicine and in-silico clinical trials using digital twins. Cardiac digital twins can provide non-invasive characterizations of cardiac functions for individual patients, and therefore are promising for the patient-specific diagnosis and therapy stratification. However, current workflows for both the anatomical and functional twinning phases, referring to the inference of model anatomy and parameter from clinical data, are not sufficiently efficient, robust, and accurate. In this work, we propose a deep learning based patient-specific computational model, which can fuse both anatomical and electrophysiological information for the inference of ventricular activation properties, i.e., conduction velocities and root nodes. The activation properties can provide a quantitative assessment of cardiac electrophysiological function for the guidance of interventional procedures. We employ the Eikonal model to generate simulated electrocardiogram (ECG) with ground truth properties to train the inference model, where specific patient information has also been considered. For evaluation, we test the model on the simulated data and obtain generally promising results with fast computational time.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL