血流動力學在心血管疾病的發生與發展中有重要作用，常與形態學及功能學改變息息相關。血流動力學的可靠檢測對改進治療策略，提升患者預后具有著重要意義。通過結合計算流體力學與心血管影像技術，血流動力學的評價維度也進一步擴展。本綜述將對近年來計算流體力學在心血管血流評估領域的研究進展進行歸納，并對未來發展方向進行簡要探討。
諸多心血管疾病的發展都會經歷形態學、血流動力學、功能學改變，且不同改變之間存在關聯[1–5]。既往研究多著重于形態與功能的變化，近年來血流動力學的作用也逐漸被重視。現代觀點認為，血流動力學不僅指對血壓、心排量等心功能指標的測量，還指對流動血液及周圍固體結構的物理學研究[6]。近年來，不斷進步的心血管影像技術對血流流場及固體結構的探測愈加準確[7–9]。基于Navier-Stokes方程的計算流體力學（computational fluid dynamics，CFD）方法利則用數據結構和數值分析，獲取了諸多進階血流動力學參數，進一步提升了血流分析的維度[10]。本文將結合近年相關研究進展，分析CFD在心血管血流動力學評估方面的技術進步及應用。
1 CFD概述及血流動力學參數的拓展
CFD是一種用數值模擬流體的流動，并在時間和空間上推進流動以獲得完整流場的最終數值描述的方法[11]，被廣泛用于工學的各個領域。近年來，因其能準確分析流場的特點，也被用作心血管系統的臨床模擬工具。對血液這種非壓縮性流體，需要通過求解Navier-Stokes方程及連續性方程獲取整個流場[12]。在心血管系統的研究中，通過CFD數字化模擬的過程，既可以實現傳統流體參數（如流向、流速）的分析，還能實現復雜流場的流體模式以及應力分布的評估，并獲取一些傳統影像技術無法測量的參數（如管壁剪切力）。本文將相關參數分為4大類：應力參數、能量參數、血流評價參數及其他參數（表1）。血流評價參數主要是描述血流在心血管系統中的客觀狀態，運用渦流、旋轉、流體偏移等參數評價血流的向心性、對稱性及紊亂程度[13]。這類參數是其他參數計算的基礎，也能間接反映心血管解剖形態的變化[5,14]。應力參數描述了血流對管壁的作用，是最常被運用的一類參數。如WSS描述了單位面積血流對管壁造成的剪切力，與主動脈瘤發生或主動脈根部形態改變有關[15-16]，WSS及OSI的改變也會導致內皮細胞分子層面的變化[10]，從而導致動脈粥樣硬化的發生或冠脈斑塊進展[17-18]。能量參數主要描述流體運動的基本性質以及結構異常造成的能量損失[19]，可被用于評價瓣膜疾病的嚴重程度及預后[20-21]，也可以間接描述先天性心臟疾病的嚴重程度[22]。其他參數如壓差，經其計算的FFRCT已被廣泛用于冠脈功能性狹窄及斑塊的評估中[18]。雖然進階血流動力學參數與部分心血管疾病的發生發展有著相關性，但其內在機制的闡述可能還需要基礎研究進一步證明。
表1
CFD相關血流動力學進階參數及其定義
2 CFD與心血管影像技術的結合
在心血管領域中，CFD的運用需依賴心血管影像技術，以獲取結構信息及邊界條件。同時，各類影像技術也能通過結合CFD進行更新，并拓展自身對血流動力學評價的維度。
2.1 多普勒超聲
傳統超聲技術雖然可描述速度、壓差等基礎參數，但對描述復雜血流模式的流場無能為力。而通過引入CFD及結合新技術，超聲對血流動力學信息的獲取能力大幅提升。超聲血流向量成像正是結合彩色多普勒成像和CFD方法形成的新技術。該技術通過設立CFD流動模型管道求解流體連續方程，能夠不依賴高幀率圖像進行血流動力學分析[23]。Hideyuki等利用該技術在主動脈瓣的根部置換術患者中實現了體內條件下瓣膜WSS及OSI的分析，并證實管壁的機械應力和主動脈根部形態相關[16]。此外，CFD的引入也能幫助現有技術進行進階參數的分析。而高碼率的超聲粒子成像測速法本身是流場分析的優良手段，在測速過程中通過引入CFD，可以分析流場外的進階參數。例如在利用斑點追蹤超聲技術獲取管壁運動的邊界條件后，通過結合CFD方法，可實現應力參數（WSS、OSI）和能量參數（EL）的分析[24]。
2.2 CT
CT技術雖無法對血流進行直接探測，但能夠提供高空間分辨率的固體結構影像信息，非常適合于CFD的使用。近年來，高精度冠脈CT血管造影（cCTA）是最常被用于結合CFD的CT技術。通過模擬冠脈充血時生理表現，利用CFD進行分析可獲得冠脈狹窄遠端與主動脈兩部位的壓力比值，從而獲取基于CT影像的血流儲備分數（FFRCT）來反映冠脈狹窄程度[25]，可被用于冠狀動脈疾病的診斷。基于cCTA的CFD計算也可獲取諸如WSS之類的進階參數來反映冠脈血管壁的應力情況[26]。此外，4D CT與CFD方法的結合能在提升對運動分析的精度的同時[27]，實現了冠脈外結構（如血管瘤等）形態變化與血流狀態的精細分析，同樣可獲取諸如流速、WSS等參數[28]。
2.3 磁共振成像
相對比磁共振可通過計算磁場中原子旋轉造成的相移得到血流速度。雖然由其衍生出的各類技術本身即可對血流進行較好的模擬，但CFD的引入仍在不同方面提升了核磁的分析能力。Rutkowski等[29]通過結合CFD與機器學習的方法，增強4D flow MRI圖像的質量，從而提升4D flow MRI流場定量和定性分析的能力。相較于單獨使用核磁，4D flow MRI與CFD的結合可進一步豐富計算的細節，從而更容易地實現諸如WSS、TKE、ELv等參數的分析[30-31]。CFD的另一大作用是可獲取血流動力學結果，以作為單獨使用核磁獲取血流動力學結果的驗證，尤其是對應力相關參數及能量相關參數[32]。
3 CFD與機器學習
3.1 機器學習對CFD建模的優化
CFD模型的建立包括前處理、模擬和后處理等過程[12]，雖能實現血流的精確模擬，但是有較高的算力需求，計算耗時較長。而機器學習（machine learning，ML）算法能顯著提升運算速度，但會犧牲精確度。理論上將ML結合入CFD模型中有望中和兩者缺點。近年來，ML的方法被用于CFD模型建立的各個過程中，簡化了分析流程，提升了CFD模型的運算速度。
前處理主要是對影像數據進行分割重建、離散化，并獲取邊界條件的過程[12]。Javier等[33]回顧性利用一組先心病患者的心臟核磁數據，構建了U-Net卷積神經網絡，實現了基于ML的主動脈分割重建過程。與原本方法相比Dice系數為0.945（四分位距0.929～0.955），提示ML方法可以在不增加誤差的前提下，減少分割重建步驟的計算用時。另一項針對高血壓心肌肥厚患者右心血流的研究，利用閉環網絡模型實現了邊界條件的快速獲取，并使用該邊界條件進行的后續CFD分析，結果提示在EL等參數的獲取方面，與超聲結果無明顯差別[34]。通過在分割重建、確立邊界條件時使用ML算法，可在不降低建模質量的同時減少了CFD前處理過程中的耗時。
模擬步驟是求解方程獲取流場的過程，目前的研究進展主要在方法學的拓展與優化。現有研究已實現了利用人工神經網絡的方法進行湍流模型的閉包，從而達成直接數字化模擬[35]，但并不能減少對算力的耗費。而Dmitrii等利用端對端卷積神經網絡和標準求解器的協同工作，實現了CFD數字模型粗網格點向量的生成、向量間插值以及修正的自動化，在獲取二維湍流模型的過程中實現了40～80倍計算速度的提升[36]。雖然理論上ML算法已被證實可被納入CFD模擬步驟中，但如何將其用于真實患者并適用于不同類型流體仍需要進一步的研究。
后處理是將計算結果提取并以血流動力學參數的形式呈現的步驟。一項納入404名患者（訓練集n=323，驗證集n=81）的研究利用3D mmU-Net模型和DQN模型分別對分割步驟和特征點探測進行處理，從而獲取包括旋流、WSS在內的多個參數；參數的ICC均>0.75，提示基于ML后處理過程具有可行性[37]。但目前利用ML方法單獨對后處理過程優化的研究較少，從節省計算用時的角度出發，后處理過程也并非CFD模型計算的限速步，因此前處理和模擬步驟仍是利用ML提升運算的重點。
3.2 CFD結果對機器學習模型的訓練
除利用ML對CFD內部流程進行優化外，諸多研究也考慮利用CFD結果作為真實值來訓練ML模型，以期望對整個CFD流程進行替代，并大幅減少計算和分析用時。Su等利用2 000個理想模型并使用CFD得到的WSS作為訓練和驗證集，訓練了3種預測冠脈分叉處WSS的模型。結果顯示卷積神經網絡（CNN）的方法具有最小的偏誤（2.5%），并且能將計算時間減少至1 s以內[38]。該研究驗證了CNN算法在快速獲取參數方面的可能性，但因使用理想模型作為訓練集，實際意義有限。Gharleghi等則是基于真實患者的個體特異性左主干分支模型（n=101），構建了一個多尺度神經網絡模型，并利用CFD生成的WSS進行訓練。在驗證集（n=26）中與真實結果相比，平均絕對誤差<5%，在基本保證計算結果準確性的同時，整體計算時間減少至2 min[39]。另一項研究利用樹狀遞歸神經網絡直接從影像數據中生成FFR值，并對理想模型和真實患者同時進行分析，結果顯示模型對真實患者評價的AUC值為0.93[40]，證明了該框架的有效性和優越性。綜上，利用CFD結果訓練得到的ML模型，可在理想模型和真實患者模型內均極大減少了獲取參數，增加了未來納入臨床運用的可能性。但目前的應用局限于冠狀動脈的預測，在其他不同疾病中的可行性仍需要更多的驗證。
4 CFD在心血管疾病中的應用
目前，大多數CFD相關研究主要被用于進階血流狀態的客觀描述[10,16,30]。而通過探討CFD相關血流動力學參數的內在意義，可以將這些指標與臨床內容聯系起來，從而開拓CFD相關血流動力學應用的新場景。
4.1 心血管疾病的診斷與風險評估
血流動力學狀態與功能息息相關，因此通過CFD獲取的血流動力學參數有潛力作為診斷的依據。FFRCT是CFD相關參數中最為成熟的診斷工具。已有大型RCT研究證明，FFRCT可作為冠脈功能性狹窄的診斷依據，具有良好的診斷效能及經濟學效益，并可顯著減少侵入性血管造影的使用及相應操作風險[41]。同樣通過結合cCTA及CFD方法，多個研究證明利用FFRCT、WSS等參數可以提升致急性冠脈綜合征的高危斑塊的鑒別能力[18,26] ，輔助冠脈斑塊的危險分層并指導干預。除了冠脈疾病的評估外，WSS等參數也可預測主動脈的擴張，被認為能夠用于二瓣化主動脈病變的個體化風險評估中[42]，但最終評估的實現仍需要更多參數的挖掘及分析技術的進步[43]。
4.2 手術效果評估
手術操作或治療后循環系統的血流動力學狀態會發生改變，久而久之會造成形態或功能的改變從而影響臨床結局。因此在硬結局終點外，血流動力學參數也有作為治療效果評價標準的潛力。一項納入行經導管主動脈瓣植入術（TAVI）患者（n=190）的研究，利用FFRCT指標來評價瓣膜狹窄狀態的改進，從而間接評價TAVI的手術效果。結果提示，對于術前異常的FFRCT患者，該數值有明顯提升（0.763 4→0.822 2，P<0.001）[44]，提示手術對患者功能改進有幫助。而另一研究則利用粘性能量損失（ELv）對17名行D型大動脈轉位手術的患者進行分析，并與正常患者進行對比，發現術后依然存在紊亂血流以及較高的能量損失[45]，提示手術雖然解決了解剖學的異常，但并未達到最佳的效果，仍有改善空間。CFD的方法也可用于模擬手術操作以評價手術效果。一項針對經導管二尖瓣植入術（TMVI）的研究，通過在數字化模型中調整人工瓣膜位置來模擬術后效果，發現新增左室流出道面積及二尖瓣成角與手術效果關系較大[46]。研究提示CFD數字模擬的形式可幫助術者在術前調整操作細節，并根據血流動力學結果選取最適宜的手術方案以獲取更佳的療效。
值得一提的是，療效評價的要點在于如何選取有意義的評價指標，而闡明相應指標對療效反映的內在機理可能需要生理學機制的研究或體外體內實驗的驗證。
4.3 預后評估
單獨的血流動力學參數具有預后價值。一項納入無癥狀主動脈瓣狹窄的患者的研究提示，能量損失指數（ELI）將主動脈瓣事件的預測提高了13%［95%CI（5，19）］，提示對該參數的測量能提供獨立和額外的預后信息[21]。此外，綜合利用多種血流動力學參數也可在血流動力學與臨床結局間建立聯系，對患者預后進行評估。一項基于機器學習的聚類分析結合了包括VFP、echo-PIV在內的技術提取了42個血流動力學相關變量，將297例患者按照血流動力學特點分為4類，結果顯示心衰風險及心功能與分類結果顯著相關[47]。該研究提示可通過分析血流動力學特點挑選高危人群，并對疾病預后進行分析。
4.4 組織學與應力分析
除了臨床相關分析外，CFD相關血流動力學還可與組織學、分子學內容聯系起來，闡明疾病發生的內在機理，開拓了新的應用場景。應力狀態的改變會導致結構的改變，但是否會直接影響相應部位的組織成分變化仍有待研究，而CFD對應力參數的拓展可為組織學與應力關系的分析提供新的思路。一項針對冠心病患者（n=31）的研究利用OCT和cCTA構建CFD分析模型，發現高WSS水平與粥樣硬化斑塊的薄纖維帽比例、更高的脂質指數以及巨噬細胞水平相關[10]。另一項針對使用左室輔助裝置患者的研究，利用VFM技術對WSS及OSI與管壁結構蛋白類型進行分析，結果提示15種蛋白水平與應力參數強負相關，另有16種蛋白水平中度負相關[48]。CFD技術的引入不僅讓體內環境下的應力分析得以實現，還初步證實了局灶應力變化與組織結構的改變的相關性。這類研究結論也提示，在治療過程中維持適宜的應力特征可能有利于改善心血管結構的生理重構。
5 總結和展望
綜上，近年CFD被廣泛用于結合心血管影像技術，以實現進階血流動力學的計算，而機器學習的引入極大地減少了CFD所需的算力耗費，推動了其被納入實驗和臨床運用中。但不可忽視的是，現有技術也存在一些問題：CFD得到的血流動力學參數缺乏金標準進行對照，致使難以驗證擬合的準確性，限制了其進一步的應用；CFD的流程仍然耗時較長，機器學習雖然能大幅減少計算用時，但得到的結果缺乏可解釋性；如今真正被認可的參數也僅有FFRCT，其他參數的臨床意義仍然有待進一步挖掘。上述不足客觀存在，也提示了今后相關研究可努力的方向。
利益沖突：無。
作者貢獻：鄭哲、胡圣懿、孫境負責文章的構思和設計，撰寫論文；胡圣懿、黃曉紅負責文獻收集與整理；鄭哲、胡圣懿、孫境、黃曉紅負責論文的修訂、審校，對文章整體負責，監督管理；
諸多心血管疾病的發展都會經歷形態學、血流動力學、功能學改變，且不同改變之間存在關聯[1–5]。既往研究多著重于形態與功能的變化，近年來血流動力學的作用也逐漸被重視。現代觀點認為，血流動力學不僅指對血壓、心排量等心功能指標的測量，還指對流動血液及周圍固體結構的物理學研究[6]。近年來，不斷進步的心血管影像技術對血流流場及固體結構的探測愈加準確[7–9]。基于Navier-Stokes方程的計算流體力學（computational fluid dynamics，CFD）方法利則用數據結構和數值分析，獲取了諸多進階血流動力學參數，進一步提升了血流分析的維度[10]。本文將結合近年相關研究進展，分析CFD在心血管血流動力學評估方面的技術進步及應用。
1 CFD概述及血流動力學參數的拓展
CFD是一種用數值模擬流體的流動，并在時間和空間上推進流動以獲得完整流場的最終數值描述的方法[11]，被廣泛用于工學的各個領域。近年來，因其能準確分析流場的特點，也被用作心血管系統的臨床模擬工具。對血液這種非壓縮性流體，需要通過求解Navier-Stokes方程及連續性方程獲取整個流場[12]。在心血管系統的研究中，通過CFD數字化模擬的過程，既可以實現傳統流體參數（如流向、流速）的分析，還能實現復雜流場的流體模式以及應力分布的評估，并獲取一些傳統影像技術無法測量的參數（如管壁剪切力）。本文將相關參數分為4大類：應力參數、能量參數、血流評價參數及其他參數（表1）。血流評價參數主要是描述血流在心血管系統中的客觀狀態，運用渦流、旋轉、流體偏移等參數評價血流的向心性、對稱性及紊亂程度[13]。這類參數是其他參數計算的基礎，也能間接反映心血管解剖形態的變化[5,14]。應力參數描述了血流對管壁的作用，是最常被運用的一類參數。如WSS描述了單位面積血流對管壁造成的剪切力，與主動脈瘤發生或主動脈根部形態改變有關[15-16]，WSS及OSI的改變也會導致內皮細胞分子層面的變化[10]，從而導致動脈粥樣硬化的發生或冠脈斑塊進展[17-18]。能量參數主要描述流體運動的基本性質以及結構異常造成的能量損失[19]，可被用于評價瓣膜疾病的嚴重程度及預后[20-21]，也可以間接描述先天性心臟疾病的嚴重程度[22]。其他參數如壓差，經其計算的FFRCT已被廣泛用于冠脈功能性狹窄及斑塊的評估中[18]。雖然進階血流動力學參數與部分心血管疾病的發生發展有著相關性，但其內在機制的闡述可能還需要基礎研究進一步證明。
表1
CFD相關血流動力學進階參數及其定義
2 CFD與心血管影像技術的結合
在心血管領域中，CFD的運用需依賴心血管影像技術，以獲取結構信息及邊界條件。同時，各類影像技術也能通過結合CFD進行更新，并拓展自身對血流動力學評價的維度。
2.1 多普勒超聲
傳統超聲技術雖然可描述速度、壓差等基礎參數，但對描述復雜血流模式的流場無能為力。而通過引入CFD及結合新技術，超聲對血流動力學信息的獲取能力大幅提升。超聲血流向量成像正是結合彩色多普勒成像和CFD方法形成的新技術。該技術通過設立CFD流動模型管道求解流體連續方程，能夠不依賴高幀率圖像進行血流動力學分析[23]。Hideyuki等利用該技術在主動脈瓣的根部置換術患者中實現了體內條件下瓣膜WSS及OSI的分析，并證實管壁的機械應力和主動脈根部形態相關[16]。此外，CFD的引入也能幫助現有技術進行進階參數的分析。而高碼率的超聲粒子成像測速法本身是流場分析的優良手段，在測速過程中通過引入CFD，可以分析流場外的進階參數。例如在利用斑點追蹤超聲技術獲取管壁運動的邊界條件后，通過結合CFD方法，可實現應力參數（WSS、OSI）和能量參數（EL）的分析[24]。
2.2 CT
CT技術雖無法對血流進行直接探測，但能夠提供高空間分辨率的固體結構影像信息，非常適合于CFD的使用。近年來，高精度冠脈CT血管造影（cCTA）是最常被用于結合CFD的CT技術。通過模擬冠脈充血時生理表現，利用CFD進行分析可獲得冠脈狹窄遠端與主動脈兩部位的壓力比值，從而獲取基于CT影像的血流儲備分數（FFRCT）來反映冠脈狹窄程度[25]，可被用于冠狀動脈疾病的診斷。基于cCTA的CFD計算也可獲取諸如WSS之類的進階參數來反映冠脈血管壁的應力情況[26]。此外，4D CT與CFD方法的結合能在提升對運動分析的精度的同時[27]，實現了冠脈外結構（如血管瘤等）形態變化與血流狀態的精細分析，同樣可獲取諸如流速、WSS等參數[28]。
2.3 磁共振成像
相對比磁共振可通過計算磁場中原子旋轉造成的相移得到血流速度。雖然由其衍生出的各類技術本身即可對血流進行較好的模擬，但CFD的引入仍在不同方面提升了核磁的分析能力。Rutkowski等[29]通過結合CFD與機器學習的方法，增強4D flow MRI圖像的質量，從而提升4D flow MRI流場定量和定性分析的能力。相較于單獨使用核磁，4D flow MRI與CFD的結合可進一步豐富計算的細節，從而更容易地實現諸如WSS、TKE、ELv等參數的分析[30-31]。CFD的另一大作用是可獲取血流動力學結果，以作為單獨使用核磁獲取血流動力學結果的驗證，尤其是對應力相關參數及能量相關參數[32]。
3 CFD與機器學習
3.1 機器學習對CFD建模的優化
CFD模型的建立包括前處理、模擬和后處理等過程[12]，雖能實現血流的精確模擬，但是有較高的算力需求，計算耗時較長。而機器學習（machine learning，ML）算法能顯著提升運算速度，但會犧牲精確度。理論上將ML結合入CFD模型中有望中和兩者缺點。近年來，ML的方法被用于CFD模型建立的各個過程中，簡化了分析流程，提升了CFD模型的運算速度。
前處理主要是對影像數據進行分割重建、離散化，并獲取邊界條件的過程[12]。Javier等[33]回顧性利用一組先心病患者的心臟核磁數據，構建了U-Net卷積神經網絡，實現了基于ML的主動脈分割重建過程。與原本方法相比Dice系數為0.945（四分位距0.929～0.955），提示ML方法可以在不增加誤差的前提下，減少分割重建步驟的計算用時。另一項針對高血壓心肌肥厚患者右心血流的研究，利用閉環網絡模型實現了邊界條件的快速獲取，并使用該邊界條件進行的后續CFD分析，結果提示在EL等參數的獲取方面，與超聲結果無明顯差別[34]。通過在分割重建、確立邊界條件時使用ML算法，可在不降低建模質量的同時減少了CFD前處理過程中的耗時。
模擬步驟是求解方程獲取流場的過程，目前的研究進展主要在方法學的拓展與優化。現有研究已實現了利用人工神經網絡的方法進行湍流模型的閉包，從而達成直接數字化模擬[35]，但并不能減少對算力的耗費。而Dmitrii等利用端對端卷積神經網絡和標準求解器的協同工作，實現了CFD數字模型粗網格點向量的生成、向量間插值以及修正的自動化，在獲取二維湍流模型的過程中實現了40～80倍計算速度的提升[36]。雖然理論上ML算法已被證實可被納入CFD模擬步驟中，但如何將其用于真實患者并適用于不同類型流體仍需要進一步的研究。
后處理是將計算結果提取并以血流動力學參數的形式呈現的步驟。一項納入404名患者（訓練集n=323，驗證集n=81）的研究利用3D mmU-Net模型和DQN模型分別對分割步驟和特征點探測進行處理，從而獲取包括旋流、WSS在內的多個參數；參數的ICC均>0.75，提示基于ML后處理過程具有可行性[37]。但目前利用ML方法單獨對后處理過程優化的研究較少，從節省計算用時的角度出發，后處理過程也并非CFD模型計算的限速步，因此前處理和模擬步驟仍是利用ML提升運算的重點。
3.2 CFD結果對機器學習模型的訓練
除利用ML對CFD內部流程進行優化外，諸多研究也考慮利用CFD結果作為真實值來訓練ML模型，以期望對整個CFD流程進行替代，并大幅減少計算和分析用時。Su等利用2 000個理想模型并使用CFD得到的WSS作為訓練和驗證集，訓練了3種預測冠脈分叉處WSS的模型。結果顯示卷積神經網絡（CNN）的方法具有最小的偏誤（2.5%），并且能將計算時間減少至1 s以內[38]。該研究驗證了CNN算法在快速獲取參數方面的可能性，但因使用理想模型作為訓練集，實際意義有限。Gharleghi等則是基于真實患者的個體特異性左主干分支模型（n=101），構建了一個多尺度神經網絡模型，并利用CFD生成的WSS進行訓練。在驗證集（n=26）中與真實結果相比，平均絕對誤差<5%，在基本保證計算結果準確性的同時，整體計算時間減少至2 min[39]。另一項研究利用樹狀遞歸神經網絡直接從影像數據中生成FFR值，并對理想模型和真實患者同時進行分析，結果顯示模型對真實患者評價的AUC值為0.93[40]，證明了該框架的有效性和優越性。綜上，利用CFD結果訓練得到的ML模型，可在理想模型和真實患者模型內均極大減少了獲取參數，增加了未來納入臨床運用的可能性。但目前的應用局限于冠狀動脈的預測，在其他不同疾病中的可行性仍需要更多的驗證。
4 CFD在心血管疾病中的應用
目前，大多數CFD相關研究主要被用于進階血流狀態的客觀描述[10,16,30]。而通過探討CFD相關血流動力學參數的內在意義，可以將這些指標與臨床內容聯系起來，從而開拓CFD相關血流動力學應用的新場景。
4.1 心血管疾病的診斷與風險評估
血流動力學狀態與功能息息相關，因此通過CFD獲取的血流動力學參數有潛力作為診斷的依據。FFRCT是CFD相關參數中最為成熟的診斷工具。已有大型RCT研究證明，FFRCT可作為冠脈功能性狹窄的診斷依據，具有良好的診斷效能及經濟學效益，并可顯著減少侵入性血管造影的使用及相應操作風險[41]。同樣通過結合cCTA及CFD方法，多個研究證明利用FFRCT、WSS等參數可以提升致急性冠脈綜合征的高危斑塊的鑒別能力[18,26] ，輔助冠脈斑塊的危險分層并指導干預。除了冠脈疾病的評估外，WSS等參數也可預測主動脈的擴張，被認為能夠用于二瓣化主動脈病變的個體化風險評估中[42]，但最終評估的實現仍需要更多參數的挖掘及分析技術的進步[43]。
4.2 手術效果評估
手術操作或治療后循環系統的血流動力學狀態會發生改變，久而久之會造成形態或功能的改變從而影響臨床結局。因此在硬結局終點外，血流動力學參數也有作為治療效果評價標準的潛力。一項納入行經導管主動脈瓣植入術（TAVI）患者（n=190）的研究，利用FFRCT指標來評價瓣膜狹窄狀態的改進，從而間接評價TAVI的手術效果。結果提示，對于術前異常的FFRCT患者，該數值有明顯提升（0.763 4→0.822 2，P<0.001）[44]，提示手術對患者功能改進有幫助。而另一研究則利用粘性能量損失（ELv）對17名行D型大動脈轉位手術的患者進行分析，并與正常患者進行對比，發現術后依然存在紊亂血流以及較高的能量損失[45]，提示手術雖然解決了解剖學的異常，但并未達到最佳的效果，仍有改善空間。CFD的方法也可用于模擬手術操作以評價手術效果。一項針對經導管二尖瓣植入術（TMVI）的研究，通過在數字化模型中調整人工瓣膜位置來模擬術后效果，發現新增左室流出道面積及二尖瓣成角與手術效果關系較大[46]。研究提示CFD數字模擬的形式可幫助術者在術前調整操作細節，并根據血流動力學結果選取最適宜的手術方案以獲取更佳的療效。
值得一提的是，療效評價的要點在于如何選取有意義的評價指標，而闡明相應指標對療效反映的內在機理可能需要生理學機制的研究或體外體內實驗的驗證。
4.3 預后評估
單獨的血流動力學參數具有預后價值。一項納入無癥狀主動脈瓣狹窄的患者的研究提示，能量損失指數（ELI）將主動脈瓣事件的預測提高了13%［95%CI（5，19）］，提示對該參數的測量能提供獨立和額外的預后信息[21]。此外，綜合利用多種血流動力學參數也可在血流動力學與臨床結局間建立聯系，對患者預后進行評估。一項基于機器學習的聚類分析結合了包括VFP、echo-PIV在內的技術提取了42個血流動力學相關變量，將297例患者按照血流動力學特點分為4類，結果顯示心衰風險及心功能與分類結果顯著相關[47]。該研究提示可通過分析血流動力學特點挑選高危人群，并對疾病預后進行分析。
4.4 組織學與應力分析
除了臨床相關分析外，CFD相關血流動力學還可與組織學、分子學內容聯系起來，闡明疾病發生的內在機理，開拓了新的應用場景。應力狀態的改變會導致結構的改變，但是否會直接影響相應部位的組織成分變化仍有待研究，而CFD對應力參數的拓展可為組織學與應力關系的分析提供新的思路。一項針對冠心病患者（n=31）的研究利用OCT和cCTA構建CFD分析模型，發現高WSS水平與粥樣硬化斑塊的薄纖維帽比例、更高的脂質指數以及巨噬細胞水平相關[10]。另一項針對使用左室輔助裝置患者的研究，利用VFM技術對WSS及OSI與管壁結構蛋白類型進行分析，結果提示15種蛋白水平與應力參數強負相關，另有16種蛋白水平中度負相關[48]。CFD技術的引入不僅讓體內環境下的應力分析得以實現，還初步證實了局灶應力變化與組織結構的改變的相關性。這類研究結論也提示，在治療過程中維持適宜的應力特征可能有利于改善心血管結構的生理重構。
5 總結和展望
綜上，近年CFD被廣泛用于結合心血管影像技術，以實現進階血流動力學的計算，而機器學習的引入極大地減少了CFD所需的算力耗費，推動了其被納入實驗和臨床運用中。但不可忽視的是，現有技術也存在一些問題：CFD得到的血流動力學參數缺乏金標準進行對照，致使難以驗證擬合的準確性，限制了其進一步的應用；CFD的流程仍然耗時較長，機器學習雖然能大幅減少計算用時，但得到的結果缺乏可解釋性；如今真正被認可的參數也僅有FFRCT，其他參數的臨床意義仍然有待進一步挖掘。上述不足客觀存在，也提示了今后相關研究可努力的方向。
利益沖突：無。
作者貢獻：鄭哲、胡圣懿、孫境負責文章的構思和設計，撰寫論文；胡圣懿、黃曉紅負責文獻收集與整理；鄭哲、胡圣懿、孫境、黃曉紅負責論文的修訂、審校，對文章整體負責，監督管理；
