神经心血管 LPN 推断中依赖测量的参数可恢复性

从有限的血流动力学观测中估计心血管集中参数网络（LPN）参数，在心血管模型个性化中是一个可能非唯一的反问题。我们研究了参数可恢复性如何取决于测量可用性和噪声，以及恢复不佳反映的是神经推断的局限还是观测信息不足。我们开发了 Mada（测量可用性与难度感知），这是一个概率神经框架，可在不完整观测下提供参数估计和预测不确定性。使用具有时变弹性度的闭环四腔心血管 LPN，我们生成了一个包含 650,000 个病例的合成人群，涵盖 20 个腔室力学和血管参数以及多达 30 个血流动力学和时序观测。在完整观测下，Mada 达到宏观 R2 = 0.862，在神经基线中保持有竞争力的准确性，同时提供参数特定的不确定性。可恢复性在各参数间差异很大，其中心房主动弹性度仍然特别困难。对于掩码感知的 Mada，宏观 R2 从基本临床测量的 0.066 到丰富临床集的 0.751 再到全部测量的 0.842 不等，而随着信息性测量被移除，不确定性通常增加。有界直接优化实现了显著更小的血流动力学残差，但未能一致地恢复生成参数。互补的剖面和局部敏感性分析揭示了病例特定的参数补偿和弱观测方向，而目标特定的微调对困难的心房参数几乎没有改善。增加测量噪声会降低参数恢复和预测区间覆盖，并且在更简单的概率 ResMLP 中也观察到类似趋势。这些发现表明，准确重建观测到的血流动力学并不一定意味着准确恢复潜在的 LPN 参数，突出了在寻求生理上有意义的参数估计时评估参数可恢复性和预测不确定性的重要性。

中文由 AI 翻译，仅供参考，以原文为准。