SOFA：用于模拟和优化房颤消融的深度学习框架.pdfVIP

SOFA：用于模拟和优化房颤消融的深度学习框架

12222

YunsungChung,ChanhoLim,GhassanBidaoui,ChristianMassad,NassirMarrouche,

andJihunHamm1

1DepartmentofComputerScience,TulaneUniversity,NewOrleans,USA

2SchoolofMedicine,TulaneUniversity,NewOrleans,USA

{ychung3,clim,gbidaoui,cmassad,nmarrouche,jhamm3}@tulane.edu

本2025年8月12日

译

中摘要

1

v心房颤动（AF）是一种常见的心律失常，通常通过导管消融程序进行治疗，但手术效果差

1异很大。评估和提高消融疗效由于患者特异性组织与手术因素之间的复杂相互作用而具有挑战

2

6性。本文提出了两个问题：能否通过对手术参数效应的模拟来预测AF复发？我们应该如何进行

7消融以减少AF复发？我们提出了一种新颖的深度学习框架SOFA（SimulatingandOptimizing

0

.AtrialFibrillationAblation），以回答这些问题。SOFA首先通过生成描绘疤痕形成的术后图像

8

0来模拟一种消融策略的结果，该图像是基于患者的术前LGE-MRI和所使用的特定手术参数（例

5

2如，消融位置、持续时间、温度、功率和力）条件生成的。在此过程中，它预测了AF复发的

:风险。关键的是，SOFA随后引入了一种优化方案，以细化这些程序参数，从而将预测的风险

v

i降至最低。我们的方法利用了一个多模式、多视角的生成器来处理心房的2.5D表示形式。定量

x

r评估表明，SOFA能够准确合成术后图像，并且我们的优化方案使模型预测的复发风险降低了

a

22.18%。据我们所知，SOFA是第一个结合程序效应模拟、复发预测和参数优化的框架，为个性

化AF消融提供了一种新颖工具。代码可在我们的仓库中获取：链接。

关键词：手术规划；图像生成；消融优化

1介绍

房颤是最常见的心律失常，与显著的发病率和死亡率相关。导管消融已成为一种有前景的治疗

选择。然而，由于患者特定的复杂心房解剖结构以及对能量传递反应不可预测性，手术成功率仍然

高度不一。虽然术后延迟钆增强磁共振成像（LGE-MRI）用于评估瘢痕形成情况，但预测消融程序

的有效性仍然是一个主要的临床挑战。

近期深度学习的进展在医学图像合成和预测建模方面展示了卓越的表现。例如，先前的研究

[8,9,10]使用卷积神经网络（CNN）和强化学习来模拟导管消融策略，而关于房颤复发预测的研究

1

[15,1,3,12]则侧重于从影像数据中提取解剖学和功能特征。然而，仍然存在两个关键的限制。首

先，很少有方法试图模拟特定程序选择对心房组织的直接影响以预测结果。其次，从预定义策略中

进行选择比优化连续过程参数（如消融时间、功率、接触力和温度）缺乏细腻度。

这些参数的重要性在临床试验DECAAF-II[7]中得到了强调，该试验调查了是否通过改进消

融的位置（即，在PVI基础上加上纤维化指导的消融）可以改善结