HemoDyn

融合生理模型的血流动力学神经网络

PMINNs方法概述

这里提出一种新方法，称为融合生理模型的神经网络（PMINNs），是一个基于生理机制模型的简明架构。与传统神经网络一样，PMINNs 通过数据进行学习——但不同之处在于，它们并不从黑箱中学习数据适应，而是学习调整嵌入在机制模型中的未定生理参数。这种混合方法结合了生理模型的可解释性与机器学习的数据适应能力。

PMINNs 的实现流程

第一步 – 模型泛化

• 从经过验证的生理模型开始。
• 通过灵敏度分析识别出最具影响力的参数（组）。
• 将模型泛化，在关键位置引入影响因子（未知参数），扩大适应性。

第二步 – 学习过程

• 构建类似于神经网络的学习流程：
• 定义损失函数（如模型输出与生物医学测量之间的均方误差）。
• 应用基于梯度的优化或概率学习方法对未知参数进行估计。
• 根据生理约束添加正则项。

第三步 – 结果解释

• 将训练后的参数转化为具有生理意义的数值。
• 通过交叉验证（如生理合理性检查）评估模型的泛化能力。

PMINNs与神经网络的同类性

神经网络	PMINNs
层	模型组件（如心室、血管、管膜、肌肉）
节点	生理参数
权重	参数权重
激活	机制响应
训练	拟合模型输出对齐数据

PMINNs 与 PINNs 的比较分析

融合生理模型的神经网络（PMINNs）提供了一种结构化、可解释的方式来从生物医学数据中学习。与物理信息神经网络（PINNs）相比，PMINNs 在透明性和针对生理系统的实际应用方面展现出明显优势。

模型结构与可解释性

PINNs 将物理定律（如偏微分方程）嵌入神经网络的损失函数中。虽然遵循了物理约束，但其网络权重仍为黑箱参数，可解释性有限。

PMINNs 保留了生理模型的结构，并具有明确的参数定义。这些参数具有医学意义，提升了模型的可信度和临床相关性。

数据需求与训练效率

PINNs 可能需要大量数据，并在物理损失和数据损失之间精细平衡，训练过程复杂。

PMINNs 利用现有生理结构的先验知识，使得在小样本数据下也能高效训练，且收敛速度更快。

适用范围

PINNs 可广泛应用于各类物理系统建模，但在医学特定场景中通常需要大量定制。

PMINNs 针对生理系统优化，特别适合用于临床分析、数字健康和个体化医疗等应用场景。

对比总结表

特性	PINNs	PMINNs
集成方式	物理定律嵌入损失函数	生理模型嵌入网络结构
可解释性	低	高
数据需求	高	中到低
训练效率	不确定	潜在更高
应用领域	通用物理建模	生物医学与生理系统

PMINNs有何必要？如何具体实施？

传统的血管疾病分析方法只能在统计方法与机器学习之间“凑合”。神经网络虽然具备强大的模式识别能力，但通常依赖大量训练数据，且缺乏可解释性。融合生理模型的神经网络（PMINNs）提供了一种替代方法，将生理模型的透明性与机器学习的适应性有机结合。

有人难免疑问，工业CFD都没整明白就跳到生物流体？！

工业CFD绝大多数情况下都是正向模拟，终端应用启动CFD的目标是索取某个时刻的流场，这类应用需要关注计算精度。这里要启动CFD，目标是提供信息流的逻辑架构。比如，血氧在血管中有摩擦运输、从血管到肌肉的跨膜通量要考虑内外压差、血氧在肌肉组织中有渗透式扩散和运动消耗，这些生理逻辑不能少。我的算法提供了血流从心脏到肌肉全过程的逻辑表达，构成input到output之间的参数化表达式。它的可靠性要对比的是神经网络，二者都为机器学习提供模型，模型不是信息产品的终端，而是方法和过程。比如回归分析，选择一元线性回归，还是多元线性回归，或者非线性回归，本质是选择回归模型，模型不会单方面决定回归曲线的好坏。机器学习，本质也是回归，也是数学优化的分支。由大数据驱动的应用，模拟过程是反向的，目标是寻找最凑合的模型——参数化的生理逻辑架构。经过大数据训练出来的最凑合的模型最终用来识别患者接受某种医学干预是否有效，效果如何。用到样品数少，识别得快，就是这项算法革新的意义所在。

HemoDyn 平台采用混合架构，集成如下组件：

• 一维简化血流求解器： 基于 SimVascular 的 ROM 框架高效建模动脉血流
• 氧气传输模拟： 利用 Elmer 多物理场软件捕捉氧气输送、交换与肌肉消耗动态
• 穿戴设备数据集成： 实时脉搏与血氧数据提供连续生理输入
• 机器学习层： 在生理约束下训练的神经网络对不确定性参数建模

该架构的优势包括：

• 神经网络节点代表生理机制，而非抽象数学函数
• 预测结果具有可解释性，直接映射至生物过程
• 结合测量信号与物理结构，显著减少不确定性

实现流程

HemoDyn 的实现流程包括：

1. 简化下肢血管与肌肉解剖建模
2. 使用 Gmsh 网格生成并通过 ElmerGrid 转换
3. 配置 ElmerSolver 模块（ModelPDE、HeatSolve）
4. 运行 SimVascular ROM 与 ElmerSolver 模拟
5. 使用 VTK 管线可视化结果
6. 开发交互控件用于血管参数探索

模拟演示

以下视频展示了 HemoDyn 平台的血流模拟能力与用户界面：

血流动力学

用户界面概览

临床应用可行性和扩展空间

HemoDyn 平台对下肢动脉阻塞性疾病（LEAO）具有显著潜力，该病在65岁人群中患病率为12%，在80岁以上人群中达50%。

当前临床挑战包括：

• 难以短期评估治疗干预效果
• 缺乏量化指标用于疗效评估
• 个体生理反应差异大

HemoDyn是把穿戴设备集成服务平台的CPU：

• 佩戴设备持续监测腕脉、呼吸、运动状态数据
• 其它器械（如趾尖血氧夹）间断采集静息-运动前后外部数据
• 个体差异化的HemoDyn在云端一对一分析，反馈健康状态和接受医学干预的变化

未来发展方向包括：

• 以下肢动脉闭塞为先导，扩展至各类慢性病监测应用
• 由个体监测到群组监测，提供健康管理和同病者交流互助
• 实现药效评估和药物升级的协同发展

数字健康产业的技术原理和社会经济意义

当前数字健康的特点是，通过呼吸、腕脉和肢体运动的数据识别健康，输入输出之间的算法模型是NN，很少涉及生理模型。即使涉及也简化到几近于无，因为传统生理模型存在堵点——不准和太慢。突破堵点的算法必须快且能够包含生理逻辑。

斯坦福大学发布了全球唯一开源血液流体模型，引算法开拓者热潮涌动。本人从事流体算法研究三十多年，尤其是从事数值模型预报研究多年，近年来从事CAE算法开发，对血流模型用于数字健康有独特视觉。

我在LinkedIn上发布如下启发性的问题，把它当作调查论证的方式之一。

是否存在值得尝试但尚未有前人尝试过的可以用一句话描述的CFD应用场景？

“在临床试验设计中，血流CFD可以帮助减少样本量，从而缩短临床试验周期并降低药物开发成本”，我觉得可以算作一个，因为从文献可查，迄今没有报道血流CFD可以用来减少临床试验样本量。

如果您争辩说不值得尝试，我想请您考虑以下两个简短的问题：

如果info gap必须借助机器学习，您倾向于使用传统的神经网络模型，还是一种受生理机制约束的模型（该模型中的未知节点更少，包含已知的生理关系）？

如果要让CFD在人体健康方面发挥实际作用，您认为在计算资源的分配上，应该如何在生理现象的表达和数值精度之间取得平衡？

通过以上问题在专业圈交流，我坚定了信念。从此，我开始算法设计规划，编程实施。网页包含能够公开的全部资料。

作为算法开发者，我深信目前的算法成果已经可以大幅度升级现有数字健康产品。

欢迎产品开发者以及对数字健康经济感兴趣的其他人与我联系，共同推进血流算法在数字健康中的实际应用。

以下音频内容探讨了数字健康产业的核心技术原理以及其在社会经济层面的深远影响，欢迎在线收听或下载。

点击下载：数字健康漫谈51分钟