一
背景
经导管主动脉瓣置换术已成为治疗重度主动脉瓣狭窄的重要方式，然而术后并发症如低密度瓣叶增厚是影响瓣膜功能与患者预后的关键问题。HALT是TAVR术后计算机断层扫描中常见的表现，通常指示生物瓣膜血栓形成，发生率约为10%–15%。HALT可导致瓣叶活动受限、跨瓣压差升高，并可能与瓣膜退化及不良临床结局相关。
目前尚缺乏标准化、有效的方法在术前预测HALT的发生。尽管已有研究尝试通过术后CT影像分析或复杂的流体-结构相互作用模拟探讨HALT机制，但这些方法或因泛化能力有限，或因计算成本高昂而难以在临床中推广应用。因此，开发一种基于术前CT影像、结合人工智能与机器学习的快速计算流程，对于实现个体化HALT风险预测具有重要临床意义。
半自动TAVR术后几何测量框架
球囊扩张TAVR的计算模型部署和TAVR后的几何特征测量
半自动血流动力学测量管道
二
方法
1. 研究设计与患者人群：本研究采用回顾性设计，共纳入45例接受SAPIEN 3球囊扩张式TAVR手术的患者，其中21例术后出现HALT，24例未出现。所有患者均接受术前与术后CT检查，HALT的诊断由两名独立评审员基于舒张期瓣叶基底部的低密度表现进行判定。
2. 计算流程构建：本研究构建的计算流程主要包括以下三个部分
2.1 TAVR术后几何参数预测：利用术前CT图像，通过Materialise Mimics软件分割主动脉根部、原生瓣叶及钙化结节，构建三维模型。随后采用基于人工智能的降阶建模工具PrecisionTAVI模拟SAPIEN 3瓣膜的植入过程，自动预测术后几何参数，包括：左、右冠状动脉高度（HLC、HRC）；窦管交界高度（HSTJ,min、HSTJ,max）；支架流入道、腰部及流出道截面积（IA、WA、OA）；新窦区高度（HNS）与流动分离面积（AS,ext）。
基于上述参数计算瓣膜变形指数：
2.2 血流动力学参数提取：提出一种基于标志点的左心室半自动分割方法，通过选择膜性室间隔、主动脉瓣环、二尖瓣环及心室内种子点，定义包含左心室血容量的预计区域。利用图像配准技术稳定不同心动周期图像，自动提取像素强度阈值，采用行进立方体算法重建左心室三维几何模型。基于左心室容积-时间曲线，计算以下血流动力学参数：收缩期峰值流速（vsys）与流量（Qsys）；射血时间（tej）；射血容积（Vej）；左心室射血分数（EF）。
2.3 统计分析与机器学习建模：对提取的几何与血流动力学参数进检验，筛选出与HALT显著相关的变量。基于这些变量构建具有血流动力学意义的预测指标，如循环量、剪切应力与滞留时间等。使用多种机器学习分类器（包括支持向量机、逻辑回归、朴素贝叶斯等）进行HALT二分类预测。通过特征重要性排序与超参数优化，选择最优模型组合。
三
结论
1. 参数提取准确性验证：与术后CT手动测量结果相比，ROM预测的几何参数误差较小，平均百分比误差介于6.18%（PDI）至10.62%（HRC）之间。左心室容积自动分割与手动分割结果高度一致，收缩末期与舒张末期容积的MPE分别为6.15%与7.44%。
2. HALT相关因素分析：统计分析显示，HALT+患者具有以下特征，较高的收缩期峰值流速（P < 0.01）与流量（P < 0.01）；较短的射血时间（P < 0.05）；较高的射血容积（P < 0.05）与射血分数（P < 0.05）；较高的右冠状动脉高度（P < 0.05）。
3. 预测指标构建与机器学习性能：构建的预测指标中，以下三项表现最佳，标准化循环变化率（(dU/dt)norm,mod1）；最小循环量（Umin）；标准化剪切应力指标（SSInorm）。使用这三项指标组合的机器学习模型在测试集中达到最高准确率84.40%，曲线下面积为0.87，显示出良好的预测能力。
4. 计算效率：整个计算流程可在2小时内完成单例患者的分析，远低于传统CFD或FSI模拟所需时间，具备临床推广的可行性。
四
展望
本研究成功开发了一套基于术前CT影像的快速计算流程，能够准确预测TAVR术后HALT的发生风险。该流程整合了瓣膜植入后的几何重构、左心室血流动力学参数提取与机器学习分类，首次在真实患者队列中实现了HALT的术前个体化预测。
创新性与临床意义：
1. 前瞻性预测能力：仅依赖术前CT图像即可预测术后HALT风险，为临床决策提供前瞻性依据。
2. 高效计算流程：结合ROM与自动化分割技术，显著降低计算时间与资源需求。
3. 多参数融合分析：首次将几何结构与血流动力学指标统一纳入机器学习模型，提升预测精度。
局限与未来方向：
1. 样本量与泛化能力：当前研究样本量有限，且仅包括SAPIEN 3瓣膜与三叶式主动脉瓣患者，未来需扩大队列并纳入其他瓣膜类型与解剖结构。
2. 影像质量与评分系统：部分CT图像质量较低，且缺乏瓣叶特异性HALT评分，未来将采用更精细的评分标准。
3. 模型扩展与优化：计划引入有限元分析与CFD模拟，实现瓣叶运动与血栓形成过程的动态模拟，进一步提升模型生理真实性。
4. 临床因素整合：未来将纳入年龄、高血压、血脂异常等临床变量，构建更全面的预测模型。
5. 临床转化前景：该流程有望在进一步验证后用于TAVR术前规划与术后抗凝策略的个体化制定。通过识别HALT高风险患者，可实现针对性监测与治疗，避免系统性抗凝带来的不必要的出血风险，最终改善患者远期预后。
总结
本研究构建了一种基于术前CT影像的计算流程，能够快速、准确地预测TAVR术后HALT的发生风险。该流程在45例患者中表现出84.4%的预测准确率与0.87的AUC值，具备较高的临床转化潜力。随着后续在大规模队列中的验证与优化，该工具有望成为TAVR术前风险评估与个体化治疗决策的重要辅助手段。