Cardiac Digital Twin Pipeline for Virtual Therapy Evaluation

心脏数字孪生是一种计算工具，可以捕捉患者心脏的关键功能和解剖特征，用于研究疾病表型和预测治疗反应。当与大规模计算资源和大型临床数据集配对使用时，数字孪生技术可以实现虚拟临床试验，以加快治疗开发。在这里，我们提出了一种基于常规获取的心脏磁共振（CMR）成像数据和标准12导联心电图（ECG）的心室解剖和电生理功能个性化的自动化管道。使用基于CMR的解剖模型，将顺序蒙特卡罗近似贝叶斯计算推断方法扩展到从ECG中推断电激活和复极特性。使用反应-艾科纳尔模型进行快速模拟，包括普京氏网络和生物物理学详细的亚细胞离子电流动力学进行复极。对于每个患者，参数不确定性通过推断心室模型的人群而不是单个模型来表示，这意味着参数不确定性可以传播到治疗评估中。此外，我们还开发了从反应-艾科纳尔到单域模拟的转换技术，这允许更真实地模拟心脏电生理。我们在一个健康女性受试者中展示了该管道，其中我们推断的反应-艾科纳尔模型以0.93的Pearson相关系数重现了患者的ECG，而转换后的单域模拟具有0.89的相关系数。然后，我们将多非托啶的影响应用于该受试者的单域模型群体，并展示了与大型人群药物反应数据相符的剂量依赖性QT和T峰到T末延长。

本论文旨在开发一种自动化流程，通过常规获取的心脏磁共振成像数据和标准12导心电图，个性化地重建心室解剖和电生理功能，以进行心脏数字孪生的构建。

本论文的关键思路是通过CMR成像数据和12导心电图，采用序贯蒙特卡罗近似贝叶斯计算推断方法，推断出心脏电活动和复极化特征，然后使用反应-埃克纳尔模型进行快速模拟，包括浦肯野网络和生物物理学详细的亚细胞离子电流动力学，从而得到患者的心脏数字孪生模型。同时，通过将反应-埃克纳尔模型转化为单域模拟，可以更加真实地模拟心脏电生理。

本论文的亮点在于使用常规的医学图像和标准心电图，实现了自动化的心脏数字孪生建模流程。同时，使用反应-埃克纳尔模型和单域模拟相结合的方法，可以更加准确地模拟心脏电生理。此外，本文还展示了如何将参数不确定性传播到治疗评估中，并且使用多数模型而不是单一模型来代表参数不确定性。

在相关研究方面，最近的研究集中在数字孪生技术的开发和应用上，如基于机器学习的数字孪生建模和数字孪生在个性化医疗中的应用等。其中，与本文最相关的研究包括“Cardiac Electrophysiological Model Personalization from Images Using Variational Data Assimilation”和“Personalization of Cardiac Electrophysiology Models Using Synthetic Data and Bayesian Inference”等。