基于机器学习与并行计算的颈动脉斑块稳定性研究

Carotid plaque is one of major cardiovascular diseases that are harmful to human health, in which vulnerable plaque attracts much attention because it is unstable and easy to shed off, clogs blood vessels and lead to stroke and other serious consequences. There is, however, currently lack of clinical gold standard to assess the stability of plaques. Through multidisciplinary cooperative studies of computer science, medicine and mathematics in the stability of carotid plaques, this project develops a new method, which combines data analyses, computable modeling and parallel computing, to explore the establishment of a more confidential quantitative judgement of shedding vulnerable plaques. On the one hand, the project proposes new machine learning model, filtrates the main risk factors that influence the stability of carotid plaques at different stages, and establishes the risk forecast model, by means of clinical data, combined with computational simulation data and clinical experiences. On the other hand, combined with the discoveries of machine learning, based on lattice Boltzmann method for computational fluid dynamics and finite element method for computational solid mechanics, we present a novel fluid-structure interaction model of carotid plaques with time-dependence, complex composition and geometry, establish the hybrid prediction model of carotid plaque stability, design parallel algorithms, implement high-precision scalable parallel numerical simulations with the order of 10,000 cores and visualize the results. Finally a quantitative basis with low-cost, confidential and scatheless diagnosis will be given for the incidence, development and prognosis of cardiovascular and cerebrovascular diseases.

颈动脉斑块是危害人类健康的主要心脑血管疾病之一，其中易损斑块由于容易脱落导致脑卒中等严重后果而备受关注，但目前临床上还缺乏判断斑块稳定性的金标准。本项目通过计算机、医学和数学等学科合作，开展颈动脉斑块稳定性的数据分析、可计算建模及并行计算研究，建立更精确判断斑块脱落的定量判据。一方面，利用临床图像、检测及计算模拟数据和临床经验，提出新的机器学习模型，筛选影响不同阶段颈动脉斑块稳定性的主要危险因素，建立风险预测模型。另一方面，基于流体计算的格子Boltzmann方法和固体计算的有限元方法，结合机器学习结果，对非定常、复杂几何与成分的颈动脉斑块，提出新的流固耦合计算模型，建立斑块稳定性预测混合模型，发展并行算法，实现万核量级的颈动脉斑块稳定性的高精度可扩展并行数值模拟及结果可视化。通过以上研究，为与颈动脉斑块稳定性相关的心血管疾病的发生、发展和转归提供低成本、无损伤、更可靠的定量诊断依据。

颈动脉不稳定斑块是引起突发心脑血管意外事件的重要诱因，临床上超声检查由于其便捷无创是最常用的检测颈动脉斑块的影像学手段。本项目基于超声影像和血检数据，筛选影响颈动脉斑块稳定性的关键因素，提出新的机器学习模型，进行可计算建模和数值模拟，结合临床经验研究颈动脉斑块稳定性，实现风险预测。.为实现这一目标，本项目持续跟踪了上海交通大学附属仁济医院、复旦大学附属华山医院、上海市罗店医院、全景医疗的颈动脉斑块患者和非颈动脉斑块患者人群，采集了病人的颈动脉超声影像、血流数据、CT影像、超声报告和对应的血检数据，进行了系统的研究。基于真实数据，本项目组主要展开了以下几个方面的研究：(1)建立数据模型和特征模型，发现不同患者群体的斑块关键风险因素；建立深度学习模型分析斑块成分、进行病灶分割和斑块分类,实现疾病风险预测。(2)基于颈动脉血管临床医学数据和血流动力学基本原理建立颈动脉数学模型，基于LBM及商用软件建立颈动脉血管中的血流动力学流固耦合模型，开展结合数据分析结果的数值模拟，并自主研制开发相应的并行数值模拟程序包。(3)基于机器学习和大规模计算结果建立混合模型实现对斑块更准确有效的研究，并开发完整的并行应用程序，为进一步的实际应用进行了大规模计算测试。.本项目围绕颈动脉超声影像、超声报告、血流数据和血检数据，通过计算机、医学、数学和力学等学科的深入合作，对颈动脉斑块的稳定性进行了大量深入的研究，建立机器学习与计算模拟的混合模型，发现了与颈动脉斑块稳定性相关的关键风险因素，实现了病灶的准确分割与斑块风险分类，提出斑块产生、发展以及破裂的判据，为心脑血管疾病提供低成本无损伤检查的科学诊断依据。达到了预期研究目标。.