患者个性化血流动力学的混合物理—神经代理模型
新这项工作的技术路线可以概括为一句话:保留 0D 降阶模型作为骨架,只把降阶推导中被过度简化掉的那部分闭合关系交给神经网络从高保真 3D 数据里学回来。它不追求用网络替代物理模型,而是用网络修补物理模型的参数标定环节,从而同时保住两端——0D 模型的毫秒级求解速度与每个电阻、电感参数可被单独检视的可解释性。
论文题为《Accelerated Patient-Specific Hemodynamic Simulations with Hybrid Physics-Based Neural Surrogates》,作者 Natalia L. Rubio、Eric F. Darve、Alison L. Marsden,均属斯坦福大学机械工程系,Darve 另有计算与数学工程研究所的署名。研究以 arXiv 预印本形式发布,编号 2604.01549,v1 于 2026 年 4 月 2 日提交,v2 于 2026 年 8 月 29 日修订,预印本页面标注许可为 CC BY 4.0。预印本页面未列出期刊发表信息,因此本篇按预印本口径记录,其性质是在同行评审流程之外公开的研究稿,与期刊定稿存在差别。
一、简介
第一层价值在于它示范了一条与”端到端替代”不同的路线设计。数据驱动的降阶模型(data-driven ROM)这条路已经有人走:直接训练机器学习模型去拟合数据,绕开从 Navier–Stokes 方程推导简化模型这条路径。有些做法确实把物理嵌了进去,例如保持离散化血管拓扑的图神经网络,或在损失函数中使用控制方程的物理信息型神经网络。这些模型展示出比基于物理的降阶模型更高的精度,且计算成本相近,但论文指出两个硬性代价:需要大规模训练数据集,且常常难以泛化到新几何。更关键的是,这类”黑箱”技术缺乏基于物理的降阶模型所具备的可解释性——而可解释性在模型追问与临床采纳中是硬要求。这篇工作的定位正是绕开这两个代价:不重新训练一个预测流场的模型,只训练一个预测标量参数的网络。
第二层价值在于它把误差预算的分配讲清楚了。心血管血流的三维有限元仿真通常需要在高性能计算集群上跑数小时到数天,这个成本把它挡在实时响应场景与多查询场景(不确定性量化、优化)之外。0D 模型则可以在个人笔记本或手机上于几分之一秒内求解。真正的工程问题从来不是”选哪个模型”,而是”在什么环节投入多少精度”。这篇的答案是:把三维求解的成本一次性花在离线标定上,在线只跑 0D 求解。这是一条可迁移到其他”降阶模型参数标定”问题的通用工程模式。
第三层价值在于它对 0D 模型误差来源的分析具有诊断价值。0D 模型把血管内流动视为充分发展的理想化 Poiseuille 管流,完全忽略交汇处的动力学。作者指出这对存在广泛分支的血管床(例如肺动脉)与几何复杂的血管床(例如狭窄或曲率)引入显著误差。把误差定位在”交汇区几何”上,不落在”整体流场”上,再从几何反推参数,正是这篇工作的立题方式。
二、原理与工作方式
0D 模型部分。 降阶模型通过对 Navier–Stokes 方程施加简化假设得到。0D 模型把血管离散为血管元件与交汇元件组成的网络,每个元件被赋予一组支配其血流动力学的”集总参数”。论文使用的两类集总参数模型是电阻—二次电阻—电感(resistor-quadratic resistor-inductor,RRI)与电阻—电感(resistor-inductor,RI)模型。压力降由三部分叠加:线性电阻项刻画与流量成正比的黏性效应,二次电阻项刻画与流量平方成正比的非线性压力恢复与流动分离效应,电感项刻画与流量时间导数成正比的惯性效应。基准对照组是”标准 0D 模型”,其参数由 Poiseuille 流假设下的 Navier–Stokes 简化式给出,可由开源心血管建模套件 SimVascular 的 ROM Simulation Tool 生成,论文称之为”standard”、“baseline”或”Poiseuille”模型。
关于二次项的一个技术细节值得记录:压力恢复效应只依赖流速大小,与流动方向无关,因此在存在流动反转的情形下,用 ΔP = R_quad·Q² 表达更为贴切。论文说明本工作不包含显著的流动反转情形,且初步研究未发现偶次与奇次二次形式之间存在显著的结果差异,因此保留 ΔP = R_quad·|Q|·Q 的形式以与既有的 0D 文献保持一致。这是一个明确的、被记录下来的建模取舍。
网络部分。 用神经网络从几何输入向量 G 预测三个输出之一:O = R_lin、R_quad 或 L。分支与血管分别使用独立的网络,因此总计六个网络。隐藏层数(n−1)在 2 至 4 之间,隐藏层宽度(权重矩阵 W 与偏置 b 的尺寸)在 10 至 20 个神经元之间,所有解剖队列使用相同的网络架构。训练使用 optax 库中的自适应矩估计(Adam)优化器最小化均方误差损失,网络基于 JAX 实现以加速训练。论文还报告了一项推理阶段的约束:仅在推理时,网络输出被限制在训练集中观测到的取值范围内。训练数据的构造方式是”几何输入特征与最优 0D 参数”的配对,其中最优参数通过最小二乘拟合高保真 3D CFD 仿真得到。
几何特征提取。 特征提取基于开源软件 SimVascular(支持从医学影像做患者特异性心血管建模)。特征在血管或分叉的入口与出口所对应的中心线点上提取:截面积由垂直于中心线切向的连续横截面积分得到;半径采用最大内切球半径,即以该中心线点为球心且完全包含在血管内的最大球体半径;角度通过比较入口与出口的中心线切向得到;路径长度是入口到出口的中心线段长度,由相邻点间距离累加得到;流量比 φ 在交汇处依据标准 0D 仿真预测的流量计算。
两项几何预处理。 其一是分叉拆分:把具有三个及以上出口的交汇区拆分为一系列二分叉。其二是伪入口长度调整:SimVascular 的血管—交汇离散算法把交汇边界画在分叉点附近,该区域流动受显著的局部三维效应影响(撞击区高压、回流等),这些效应对 0D 建模并无意义,却在被测量的三维压降中形成显著”噪声”,进而使拟合得到的 R_lin、R_quad、L 带上噪声,学习任务因此更难。为规避这一点,论文把交汇边界沿出口血管向外延伸一段”伪入口长度” L_e。真实的入口长度取决于流动雷诺数,但这些血管床在心动周期内经历的雷诺数范围很宽,必须为整个仿真选定唯一的血管—交汇离散方案。一种可选做法是按心动周期内的最大雷诺数确定入口长度,但在生成 0D 模型时入口边界条件未必可得,因此论文选择了一个与流量无关的代理量 L_e = 10·r_outlet,其中 r_outlet 是出口半径。
损失函数变体。 论文引入了一个”按生成代际加权”的损失。肺动脉几何的广泛分支导致训练集中远端元件被严重过采样,而远端元件对整体血流动力学的影响相对很小;没有该加权时,网络会优先保证这些数量众多但相对不重要的远端元件的精度,牺牲了数量较少但影响更大的近端元件。按代际给近端元件赋更大权重可以抵消这一效应。
求解与评估。 0D 前向仿真使用 svZeroDSolver 求解,结果是主要的关注输出;评估指标衡量 0D 解与高保真三维解之间的差距,三维解被当作真值。压力误差在血管床的入口处测量。
三、适用边界与前提
数据规模边界。 论文把”训练神经网络所用的数据量相对较少”列为首要局限。更多高保真三维数据可以提供对总体的更准确、统计上更显著的表征,使网络学到的东西更可靠,也能支撑更灵活的模型形式以更好地捕捉三维流体动力学。这些额外数据可以来自更多患者特异性解剖的三维仿真,也可以来自合成解剖——后者数量上更易获得。
几何表征边界。 分支与交汇几何用约 20 个几何特征构成的 G_J 与 G_V 向量表示。这一做法轻量且可解释,但几何细节被压缩了。论文指出可以改用点云或形状分析方法来表征几何,从而更准确地预测 0D 参数。
血流动力学前提。 0D 模型忽略交汇区动力学,把管内流动视为充分发展的 Poiseuille 流。本工作不包含显著的流动反转情形。
入口长度选择的边界。 伪入口长度 L_e = 10·r_outlet 是流量无关的代理量,而真实入口长度依赖雷诺数。论文同时指出一个反向效应:把交汇边界向下游延伸会吸收出口分支,可能降低 0D 系统的分辨率,限制模型表达三维流动行为的能力;在部分情形下这一效应可能抵消入口长度调整带来的收益,或仅仅说明原始交汇边界已足够远离分叉点、进一步延伸不产生差异。
数据集的筛选规则。 论文明确排除了来自肺动脉高压患者的肺动脉模型。原因是这类解剖中血管床自身的阻力相对于边界条件可忽略,血流动力学几乎完全由边界条件主导,导致三维解与 0D 解之间出现人为很小的差异。
临床采纳的边界。 论文的结论段把混合模型定位为临床决策支持与科研的实时数字孪生路径,但全部证据来自数值仿真数据集,未包含前瞻性临床验证,也未涉及影像分割误差、患者间解剖变异的处理流程。
四、上手路径
第一步:准备环境与工具链。 这套流程依赖三件开源组件。SimVascular 提供从医学影像到患者特异性心血管建模的全流程,并包含 ROM Simulation Tool 负责血管—交汇离散与标准 0D 模型生成;svZeroDSolver 负责 0D 血流的时变求解;Vascular Model Repository 提供带三维仿真的公开解剖数据集。三个组件都有各自的官方文档入口。
第二步:获取解剖数据。 数据集来自论文所引用的一组既有工作,作者特别致谢 Martin Pfaller 及其合作者共享了所用数据集。Vascular Model Repository 中按解剖类型编目,含主动脉、主股动脉、肺动脉三类。论文附录逐一列出了构成三个队列的解剖命名,并说明这些几何取自被引文献所用的几何集合。
第三步:生成三维仿真与最优参数。 仿真使用 SimVascular 的 svSolver 运行,边界条件设置为刚性壁面、Windkessel 或阻力型出口边界条件,以及规定的患者特异性时变抛物线入口流入。然后对每个血管与交汇元件,用最小二乘拟合三维压降,得到最优的 R_lin、R_quad、L,作为网络的训练标签。
第四步:几何预处理。 对三维血管床做分叉拆分,把三分叉及以上交汇区拆为二分叉序列;再做入口长度调整,把交汇边界沿出口方向延伸 L_e = 10·r_outlet。这一步的产物决定了后续学习任务的质量,是本工作里最容易被忽略、却对肺动脉队列影响最大的环节。
第五步:特征提取与配对。 基于中心线提取面积、最大内切球半径、入口出口夹角、路径长度,交汇处计算流量比 φ,构成 G_V 与 G_J;与最优参数配对形成训练集。
第六步:训练与推理约束。 用 JAX + optax 的 Adam 优化器最小化均方误差(或按代际加权的变体),隐藏层 2–4 层、宽度 10–20 神经元。推理时把网络输出裁剪到训练集观测范围内。
第七步:评估。 采用五折交叉验证,在训练中未见过的几何上评估。指标是入口处最大压力百分比误差(MPE),跨五个交叉验证试验报告均值与 95% 置信区间。对照组包括标准 Poiseuille 参数、仅学习血管参数、仅学习交汇参数、两者都学习,以及直接拟合三维解得到的最优参数。
一条实践提示。 论文的配置对比给出了一个明确的结论性建议:二次电阻在数据稀缺环境下让框架变得不稳健,且没有显著提升精度,因此在”all”混合队列上误差从 7.1% 恶化到 59.5%。论文声明此后所有结果均采用更稳健的 RI 模型,除非特别说明。复现时直接采用 RI 模型是更稳的选择。
五、横向对比
与纯数据驱动降阶模型的对比。 这是本篇最核心的对比。纯数据驱动路线训练机器学习模型直接拟合流场,优势是精度上限更高;代价是需要大规模训练集、跨几何泛化困难、且丧失可解释性。本篇的混合路线把学习任务从”预测整个流场”降维为”预测几个标量参数”,任务难度与数据需求都低一个量级,同时保留了每一个参数都可被单独检查的优点。论文的判断是,在临床采纳这一约束下,可解释性属于硬要求,不属于加分项。
与原始 0D 模型(Poiseuille 假设)的对比。 标准 0D 模型从 Poiseuille 假设直接推导参数,零训练成本,误差在主动脉队列约 5.5%、主股动脉约 8.1%、肺动脉约 30.4%、混合队列约 12.8%。学习参数后分别降至 2.6%、3.7%、7.9%、7.1%。差距的分布很说明问题:在几何简单的主动脉上,Poiseuille 假设本就不算太差,学习带来的绝对收益有限;在分支广泛的肺动脉上,Poiseuille 假设失效严重,学习带来的收益最大。
与纯三维有限元仿真的对比。 三维模型精度最高,但成本是数小时到数天的集群运算,且无法进入实时或多查询场景。本篇的混合模型在保留 0D 求解器速度的前提下,把精度拉回到接近三维真值的量级。需要注意的是这里的比较是间接的:论文并未给出混合模型与三维模型在同一指标上的直接误差数值,而是以三维解为真值来衡量 0D 解的偏差。
与 0D 模型作为 3D 边界条件的传统用法。 这是 0D 模型在工业界最成熟的用法:关心的解剖用 3D 建模提供高保真流场,周围血管网的动力学由 0D 模型捕捉以降低成本并纳入成像区域之外的生理过程。混合参数化不改变这一用法结构,只是让 0D 边界条件更准。
与多保真不确定性量化框架的对比。 在不确定性量化中,0D 解常被用于多保真方法以减少达到统计收敛所需的 3D 解数量。混合模型在这里的价值是把”低成本层”本身做得更准,从而让多保真方法的层级差距更合理。
与纯几何特征工程的对比。 论文的另一个对照来自 SimVascular ROM Simulation Tool 自带的经验性狭窄修正项。附录专门比较了含与不含该修正项的 0D 误差。这一对比说明:手工加经验修正项是一条传统路线,而学习路线在数据充足时可以覆盖这类修正并进一步泛化。
六、基准与数据
队列与规模。 论文使用四个队列,均来自被引工作创建的公开数据集(Vascular Model Repository)。四个队列分别是:10 例主动脉解剖、17 例主动脉—股动脉解剖、5 例肺动脉解剖,以及包含全部解剖的混合”all”队列。论文在图 4 中报告了每个队列的分叉元件数与血管元件数,并说明这里的分叉计数指入口—出口对,不计入人工连接血管,也不计入通向连接血管的分叉出口;由于入口长度调整预处理会把许多血管完全并入交汇区,同一血管几何的分叉数可能多于血管数。
主结果。 五折交叉验证下,使用学习参数在所有队列上都优于基准参数;同时学习血管与交汇参数进一步降低误差。各队列的平均 MPE 变化为:主动脉队列从 5.5% 降至 2.6%;主股动脉队列从 8.1% 降至 3.7%;肺动脉队列从 30.4% 降至 7.9%;混合”all”队列从 12.8% 降至 7.1%。论文对参数本身的分析也确认:神经网络预测的参数比标准 Poiseuille 假设给出的参数更准确。
混合队列的增益较小。 论文解释了这一点:“all”队列里网络必须在更宽范围的血管与交汇几何上做准确预测,却没有得到显著更多的数据来学习,因此需要更多训练数据与更复杂的网络才能达到与解剖特异队列相当的水平。这是本工作最直接的泛化边界证据。
配置对比结果。 采用 RRI 模型并避开 RI 模型时,主动脉队列误差从 2.6% 升至 3.0%,肺动脉队列从 7.9% 升至 9.1%,主股动脉队列从 3.7% 降至 2.8%;论文指出这些平均误差彼此都在 95% 置信区间内。但”all”队列上 RRI 模型给出 59.5% 的高平均 MPE,远高于 RI 模型的 7.1%。
按代际加权损失的效果。 在主动脉、主股动脉与”all”队列上 MPE 略有下降,分别从 3.2% 降至 2.6%、4.2% 降至 3.7%、7.9% 降至 7.1%;肺动脉队列的改善最显著,从 16.7% 降至 7.9%。论文解释,肺动脉的广泛分支导致远端元件在训练集中被严重过采样,而远端元件对整体血流动力学影响较小。
入口长度调整的效果。 对主动脉、主股动脉与”all”队列影响很小:主动脉从 3.3% 降至 2.6%,主股动脉保持 3.7% 不变,“all”队列从 6.1% 升至 7.1%;肺动脉队列从 16.8% 降至 7.9% 改善显著。
运行时间。 0D 仿真使用 svZeroDSolver,在最复杂的肺动脉解剖上不超过 2 秒,在较简单几何上不超过 1 秒。论文的定位表述是”实时”。对照之下,三维有限元仿真一般需要数小时到数天。
误差指标口径。 指标是入口处最大压力百分比误差(MPE),跨心动周期取最大,逐个解剖计算后按队列取均值并给出 95% 置信区间。参数层面另有误差对比(表 2),定义为预测参数与最优参数之差,相对误差按最优参数的量级归一化,且排除了拟合值量级小于 5 的参数。
七、物理 AI 场景中的用法
作为”混合建模”范式的参考实现。 这篇的核心贡献可以脱离血流领域复用:任何”降阶模型结构已知但参数标定困难”的场景都可以套用同一模板——保留可解释的物理骨架,把标定环节从解析公式或人工调参改为从高保真数据学习。这一模式在结构力学降阶、热网络建模、电路系统辨识中都有对应形态。
作为多保真方法中的低成本层。 混合模型把 0D 层的精度从”Poiseuille 假设水平”提升到”数据驱动水平”,同时保持毫秒到秒级的求解。多保真不确定性量化中,低保真层的误差水平决定了整个方法的效率与可信度区间宽度,因此这一改进的杠杆作用比它的绝对精度提升更值得关注。
作为可解释性与精度的取舍样本。 当领域约束要求逐参数追问(临床、监管、工程审查),纯黑箱路线会被直接排除,而混合路线提供了一条既可追问又不放弃精度的路径。本篇同时给出了这条路线的成本边界——数据规模、几何表征粒度与可学习模型形式三者共同限制了可达精度。
作为数字孪生的实时层。 论文把混合模型定位为实时数字孪生的路径,其机制是”离线付一次三维成本、在线只跑零维”。这一分工模式对任何需要”高保真标定 + 廉价在线推理”的应用都成立。
与本站其他条目的衔接。 这类工作在本站的降阶建模与代理模型两条线上都有对应讨论,可与 代理模型与降阶建模 对照阅读,也可与 数值方法与 PDE 求解器 一起看降阶与数值格式的关系;血流动力学在生物医学方向的具体案例可对照 患者个性化血流动力学混合代理模型 之外的 托卡马克等离子体磁约束控制 这类同样属于”物理模型 + 数据驱动参数”结构的条目,以及 神经算子 所代表的另一条降阶路线。
八、不适用场景与失效模式
不适用于训练数据不足的场景。 论文把数据量小列为首要局限,其直接后果已在混合队列上显现:泛化到更宽的几何范围时增益显著缩水,59.5% 对 7.1% 的 RRI 崩溃也是同一根因的另一表现。
不适用于几何分布明显外推的场景。 五折交叉验证是在同类型解剖内部轮换,“all”队列虽然混合了三类几何,但样本总量仍是 32 例解剖级别。要预测训练集中未出现的几何构型(例如全新的血管分支模式或不同的血管生成规律),本工作没有提供证据。
不适用于需要完整流场信息的下游任务。 混合模型输出的是集总参数与压力流量波形,无法给出局部速度场、涡流结构、壁面剪切应力分布。若下游任务是评估局部血流动力学(如支架部署后的局部涡流、瓣膜几何对局部流态的影响),仍需回到三维模型。
不适用于入口长度调整不适用的构型。 论文指出延伸交汇边界会吸收出口分支、降低 0D 分辨率,对主股动脉队列效果有限甚至可能抵消收益。
不适用于显著流动反转的工况。 二次项用 ΔP = R_quad·|Q|·Q 的形式,在有显著反转的情形下 ΔP = R_quad·Q² 更贴切;本工作不覆盖该情形。
参数级失效的诊断方式。 论文的参数误差对比(表 2)提供了独立于端到端 MPE 的诊断层:若网络预测的参数本身偏离最优值,说明几何表征或数据覆盖不足;若参数准确而端到端误差仍高,说明问题出在离散方案或求解器这一侧,不在学习环节这一侧。这一分层诊断是本篇方法论中最实用的部分。
肺动脉高压等特定人群的排除。 论文主动排除了肺动脉高压患者的模型,因为该类解剖中血流动力学几乎完全由边界条件主导,会人为压低三维与 0D 解之间的差异。这意味着该人群的适用性未被验证,读者不应把结论外推过去。
临床链路的缺口。 从 CT/MR 影像到可用的血流动力学结论之间还有影像分割、几何重建、分割误差传播等环节,本工作直接从解剖几何与高保真仿真出发,这些前置环节不在其验证范围内。
九、版本与口径核对
发表与年份口径。 论文以 arXiv 预印本形式发布,编号 2604.01549,分类 cs.CE,v1 于 2026 年 4 月 2 日提交,v2 于 2026 年 8 月 29 日修订,预印本页面标注许可为 CC BY 4.0。预印本页面未列期刊卷期与 DOI,因此本篇按预印本记录,年份记 2026。
题名口径。 arXiv 题名为 “Accelerated Patient-Specific Hemodynamic Simulations with Hybrid Physics-Based Neural Surrogates”;原条目使用的 “Patient-Specific Hemodynamics via Hybrid Physics-Neural Surrogates” 属改写表述,非论文正式题名,引用时应以 arXiv 题名为准。
作者与机构口径。 三位作者:Natalia L. Rubio、Eric F. Darve、Alison L. Marsden,均属斯坦福大学机械工程系;Darve 另有斯坦福计算与数学工程研究所署名。CRediT 贡献声明中,Rubio 承担概念化、数据整理、形式分析、调研、方法、软件、验证、可视化与初稿撰写,Darve 承担指导与审阅编辑,Marsden 承担指导、审阅编辑与资助获取。
资助信息。 美国国家科学基金会研究生研究奖学金计划及编号 2310909 的项目、美国国立卫生研究院 R01LM013120 资助、斯坦福研究生奖学金。论文致谢 Martin Pfaller 及其合作者共享所用数据集。
队列与样本量口径。 四个队列:主动脉 10 例、主股动脉 17 例、肺动脉 5 例、混合 “all” 队列包含全部解剖。论文附录逐一列出各队列的解剖命名。
误差数字口径。 论文正文与摘要给出两组数字,需要区分:摘要与结论用”至少降低 50%“的概括表述与”30.4% 降至 7.9%“的肺动脉具体值;结果节给出的是五折交叉验证下各队列的平均 MPE(主动脉 5.5%→2.6%,主股动脉 8.1%→3.7%,肺动脉 30.4%→7.9%,混合 12.8%→7.1%)。引用时需注明是概括口径还是分队列口径。
模型配置口径。 论文对 RRI 与 RI 的对比结论带一个关键限定:在各解剖特异队列上两者的平均误差彼此落在 95% 置信区间内,差异不显著;显著差别出现在”all”队列(RRI 59.5% 对 RI 7.1%)。论文据此声明后续结果均用 RI 模型。因此”RRI 优于 RI”或”RRI 更差”这类不带队列限定的表述都不准确。
运行时间口径。 0D 求解使用 svZeroDSolver,最复杂肺动脉解剖不超过 2 秒,较简单几何不超过 1 秒。原条目”2 秒内完成最复杂的肺动脉模型”方向正确,但需补”较简单几何不超过 1 秒”这一半,且该时间是 0D 前向求解时间,不含网络推理与几何特征提取。
原条目的串味内容。 原条目摘要末尾提到”融合实测应变与物理约束,可在大型基础设施上长期部署,为结构健康监测提供 AI 替代方案”——这段内容与本论文无关,属于其他条目串入。本论文不涉及实测应变采集,不涉及长期基础设施部署,也不涉及结构健康监测。原条目英文正文的对应表述亦需一并删除。原条目的”数字孪生”提法在论文中确有依据(结论段明确提到数字孪生与临床决策支持),此项可保留。
原条目的其他修正。 原条目称”用神经网络从几何预测 0D 降阶模型的阻力/电感参数”正确,但未提及三类队列共 32 例解剖这一规模,未提及分叉拆分与入口长度调整这两项关键预处理,未提及五折交叉验证的评估协议,也未提及最终更稳健的是 RI 模型、并非 RRI 模型这一结论。
数据与代码可得性。 论文使用了三个开源组件:SimVascular(患者特异性建模,含 ROM Simulation Tool)、svZeroDSolver(0D 求解器)、Vascular Model Repository(公开解剖与三维仿真数据集)。论文本身未提供独立代码仓库地址,神经网络的实现基于 JAX 与 optax。可复用性主要来自上述开源生态与公开数据集。
十、参考资料
- Rubio N. L., Darve E. F., Marsden A. L.,《Accelerated Patient-Specific Hemodynamic Simulations with Hybrid Physics-Based Neural Surrogates》,arXiv 预印本 2604.01549(cs.CE,v1 2026-04-02,v2 2026-08-29,许可 CC BY 4.0),https://arxiv.org/abs/2604.01549
- arXiv 2604.01549v2 全文 HTML 版(摘要、结果、讨论、局限、附录与神经架构表),https://arxiv.org/html/2604.01549v2
- SimVascular 项目与 ROM Simulation Tool 文档(患者特异性建模、血管—交汇离散、标准 0D 参数生成),https://simvascular.github.io/documentation/rom_simulation.html
- SimVascular/svZeroDSolver 仓库(0D 血流求解器,本文所有 0D 前向仿真所用),https://github.com/SimVascular/svZeroDSolver
- SimVascular/svSolver 仓库(本文高保真三维仿真所用求解器),https://github.com/SimVascular/svSolver
- Vascular Model Repository(本文四个解剖队列的公开几何与三维仿真数据来源),https://www.vascularmodel.com/index.html
- 论文附录 9.1(六个神经网络的隐藏层数与宽度)与附录 9.2(各队列解剖命名清单及肺动脉高压模型的排除说明),见参考文献 1
- 论文图 5、图 6、图 7(各队列平均 MPE 与 95% 置信区间、RRI 与 RI 对比、代际加权损失与入口长度调整的消融),见参考文献 1
- 论文表 2(参数层面预测值与最优值的平均误差与相对误差,量级小于 5 的参数被排除),见参考文献 1
- 论文附录 9.3(SimVascular ROM Simulation Tool 经验性狭窄修正项对 0D 误差的影响对比),见参考文献 1
- 论文致谢与 CRediT 声明(NSF 2310909、NIH R01LM013120、Stanford Graduate Fellowship 资助;作者贡献分工),见参考文献 1