Solving the Inverse Problem of Electrocardiography for Cardiac Digital Twins: A Survey

心脏数字孪生是用于理解复杂心脏机制的个性化虚拟表征。解决心电图反问题对于精确的虚拟心脏建模至关重要，可以从记录的表面电位中获取内部电活动信息。尽管存在心脏复杂性、嘈杂的心电图数据和计算效率等挑战，但最近的进展在增强虚拟心脏建模方面具有重要的前景，最终推进心脏病学的精准医疗。本文旨在全面评述解决心电图反问题的方法、验证策略、临床应用和未来展望。对于计算方法，我们将最先进的方法广泛分类为两类：确定性和概率性方法，包括传统和基于深度学习的技术。将物理定律与深度学习模型相结合具有前景，但仍存在挑战，如准确捕捉动态电生理学、访问准确的领域知识和量化预测不确定性等。将模型整合到临床工作流程中，同时确保对医疗保健专业人员具有可解释性和可用性，是至关重要的。克服这些挑战将推动心脏数字孪生的进一步研究。

本文旨在全面评估解决心电图（ECG）反问题的方法、验证策略、临床应用和未来展望。

本文将最新的方法广泛分类为确定性和概率方法，包括传统和基于深度学习的技术。将物理定律与深度学习模型相结合具有潜力，但仍存在挑战。将模型整合到临床工作流程中并确保可解释性和可用性对于医疗保健专业人员至关重要。

本文探讨了解决心电图反问题的最新方法和挑战，包括使用深度学习模型，将物理定律与模型相结合。还介绍了验证策略和临床应用，并讨论了未来的研究方向。

最近的相关研究包括：1. “Cardiac electrophysiological model personalization using ECG data and a physiological model ensemble”；2. “ECG Imaging of Ventricular Tachycardia: State of the Art and Future Directions”；3. “Deep Learning for ECG Analysis: Benchmarks and Insights from PTB Diagnostic ECG Database”等。