Jun, 2024

心脏数字双生体的逆问题求解：综述

PDF
TL;DR心脏数字孪生是个体化的虚拟表示，用于理解复杂的心脏机制。本文综述了解决心电图反问题的方法、验证策略、临床应用和未来展望，涵盖了确定性和概率方法，包括传统和基于深度学习的技术。整合物理定律与深度学习模型有潜力，但需要克服动态电生理学的准确捕捉、获得准确的领域知识和量化预测不确定性等挑战。将模型整合到临床工作流中，确保对医疗专业人员的解释性和可用性至关重要，克服这些挑战将推动心脏数字孪生领域的进一步研究。
发现论文，激发创造
  • 利用深度计算模型进行逆推理的心脏心肌梗死数字双胞胎的实现

    该研究探讨了利用心电图推断心肌组织特性和开发面向心肌梗死的全面心脏数字模型的可行性，结果表明该模型能够有效捕捉 QRS 信号和相应梗死区域之间的复杂关系，未来在临床应用中具有巨大潜力。

    Jul, 2023

  • 通过 ECG 数字孪生生成个性化心脏病检测

    基于数字孪生技术的个性化心脏病检测模型可以生成高质量的心电图信号，并改善个性化心脏病检测，在保证隐私安全的前提下有效管理患者数据。

    Apr, 2024

  • HyPer-EP: 个性化混合模型的元学习在心脏电生理方面的应用

    通过物理基础模型和深度学习方法的结合，本文提出了一种新的混合建模框架来描述个性化的心脏数字孪生，在两个实例和合成实验的证明下，展示了这种混合建模框架的可行性和广泛适用性。

    Mar, 2024

  • 从表面心电图中数字化心脏电生理模型的测地背向传播方法

    通过匹配临床记录和基于 eikonal 的心电图 (ECG)，我们引入了一种名为 Geodesic-BP 的新方法来解决逆 eikonal 问题，该方法非常适用于 GPU 加速的机器学习框架，可以优化 eikonal 方程的参数以重现给定的 ECG。我们展示了 Geodesic-BP 在合成测试案例中能够在模型不准确的情况下准确重建模拟的心脏激活，并将我们的算法应用于公开可用的兔子模型数据集，取得了非常积极的结果。鉴于未来朝向个体化医疗的转变，Geodesic-BP 有潜力在满足临床时间约束条件的同时保持先进心脏模型的生理准确性，从而有助于未来心脏模型的功能化。

    Aug, 2023

  • 利用物理信息的自我监督学习创建的非侵入性医学数字孪生体

    通过构建数字孪生病程模型，我们提出了一种使用非侵入性患者健康数据来识别数字孪生模型参数的方法，借助物理信息的自监督学习算法，我们应用该方法在无监督疾病检测和模拟临床试验中的心脏血流动力学方面展示了其实用性。

    Feb, 2024

  • 基于心电图的浦肯野网络的概率学习

    从非侵入性临床数据中，利用概率方法识别浦肯野网络，以构建精确的心脏数字孪生模型，为精准心脏学提供可靠预测和不确定性参数估计。

    Dec, 2023

  • 一种合成心电图（ECG）图像生成工具箱，以促进基于深度学习的扫描 ECG 数字化

    该论文提出一种产生锐实的心电图图像的新方法，用于训练深度学习算法，在保护个人身份信息的同时使用这些图像来进行数字化，得到的结果表明，产生的合成心电图像数据集对于训练深度学习模型具有重要意义。

    Jul, 2023

  • 使用潜变量神经常微分方程进行实时全心脏电机模拟

    本文提出了一种基于 LNODEs 的心脏数字孪生代理模型，并且使用全局敏感度分析和鲁棒参数估计，实现了未知时间系列的模拟和参数校准。

    Jun, 2023

  • 深度学习方法在心电图数据中的机遇与挑战：一项系统综述

    本文针对 2010 年至 2020 年间应用深度学习模型于心电图 (ECG) 数据的文献进行系统性总结，发现各种深度学习体系结构已被用于心电图分析任务，包括疾病检测 / 分类、标注 / 定位、睡眠分期、生物度量人类识别和去噪等，其中融合卷积神经网络和循环神经网络专家特征的混合体系结构表现最佳。同时，也指出了存在的挑战和问题，诸如可解释性、可扩展性和效率等方面，提出了未来可能的研究方向。

    Dec, 2019

  • 通过心脏核磁共振的知识转移解锁心电图的诊断潜力

    提出了自监督的对比学习方法，实现了从心电图数据中进行心脏筛查和疾病诊断。

    Aug, 2023