Spatiotemporal graph neural process for reconstruction, extrapolation, and classification of cardiac trajectories
作者: Jaume Banus, Augustin C. Ogier, Roger Hullin, Philippe Meyer, Ruud B. van Heeswijk, Jonas Richiardi
分类: cs.LG, eess.SY, q-bio.QM
发布日期: 2025-09-16
💡 一句话要点
提出时空图神经网络过程，用于心脏轨迹的重建、外推和分类
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 时空图神经网络 神经过程 神经常微分方程 心脏运动分析 疾病分类
📋 核心要点
- 现有方法难以从稀疏的心脏运动数据中准确重建和预测心脏轨迹，且缺乏对不确定性的有效建模。
- 该论文提出了一种基于时空图神经网络过程的概率框架，利用GNN建模心脏的解剖结构和时间动态。
- 实验表明，该模型在心脏轨迹重建、外推和疾病分类任务上均取得了优异的性能，尤其在ACDC数据集上分类准确率高达99%。
📝 摘要（中文）
本文提出了一种概率框架，用于建模来自稀疏观测的结构化时空动态，重点关注心脏运动。该方法集成了神经常微分方程（NODEs）、图神经网络（GNNs）和神经过程，形成一个统一的模型，以捕捉不确定性、时间连续性和解剖结构。我们将动态系统表示为时空多路图，并使用 GNN 参数化的向量场来建模其潜在轨迹。给定节点和边缘级别的稀疏上下文观测，该模型推断潜在初始状态和控制变量的分布，从而实现轨迹的插值和外推。我们在三个合成动力系统（耦合摆、洛伦兹吸引子和 Kuramoto 振荡器）和两个真实世界的心脏成像数据集 ACDC (N=150) 和 UK Biobank (N=526) 上验证了该方法，证明了其准确的重建、外推和疾病分类能力。该模型能够从单个观测周期准确地重建轨迹并外推未来的心脏周期。它在 ACDC 分类任务上取得了最先进的结果（高达 99% 的准确率），并在 UK Biobank 受试者中检测心房颤动，性能具有竞争力（高达 67% 的准确率）。这项工作介绍了一种灵活的方法来分析心脏运动，并为基于图的学习在结构化生物医学时空时间序列数据中提供了基础。
🔬 方法详解
问题定义：论文旨在解决从稀疏观测的心脏运动数据中进行准确的心脏轨迹重建、外推和疾病分类的问题。现有方法通常难以有效捕捉心脏运动的复杂时空动态，并且缺乏对预测不确定性的建模能力，限制了其在临床应用中的潜力。
核心思路：论文的核心思路是将心脏运动建模为一个时空图，并利用图神经网络（GNN）学习节点和边上的动态变化。通过结合神经常微分方程（NODE）和神经过程，模型能够捕捉时间连续性，并对潜在轨迹的不确定性进行建模。这种方法允许从稀疏的观测数据中推断出完整的轨迹，并进行未来预测。
技术框架：该模型包含以下主要模块：1) 时空图构建：将心脏的解剖结构表示为图，节点代表心脏的不同区域，边代表区域之间的关系。2) GNN参数化的向量场：使用GNN学习图上每个节点和边的动态变化，从而构建一个向量场，描述心脏运动的演化规律。3) 神经过程：利用神经过程对潜在初始状态和控制变量的分布进行建模，从而捕捉轨迹的不确定性。4) NODE积分：使用神经常微分方程（NODE）对向量场进行积分，从而得到心脏轨迹的预测。
关键创新：该论文的关键创新在于将GNN、NODE和神经过程集成到一个统一的概率框架中，用于建模结构化的时空动态。与传统的基于序列的模型相比，该方法能够更好地利用心脏的解剖结构信息，并对预测的不确定性进行建模。此外，该方法还能够进行轨迹的插值和外推，从而从稀疏的观测数据中推断出完整的心脏运动轨迹。
关键设计：模型使用GNN来参数化向量场，GNN的具体结构（例如，图卷积层数、隐藏层维度）需要根据具体任务进行调整。损失函数包括重建损失（用于确保预测轨迹与观测数据一致）和正则化项（用于防止过拟合）。在训练过程中，可以使用不同的优化算法（例如，Adam）和学习率策略。
🖼️ 关键图片
📊 实验亮点
该模型在ACDC数据集的心脏疾病分类任务上取得了高达99%的准确率，超越了现有方法。在UK Biobank数据集上，该模型在心房颤动检测任务中取得了高达67%的准确率，性能具有竞争力。此外，该模型还展示了从单个观测周期准确重建和外推未来心脏周期的能力。
🎯 应用场景
该研究成果可应用于心脏疾病的诊断和治疗。例如，通过分析患者的心脏运动轨迹，可以早期发现心脏功能异常，并制定个性化的治疗方案。此外，该模型还可以用于预测心脏手术的风险，并优化手术方案。该研究为基于图的生物医学时空数据分析提供了一个有价值的框架。
📄 摘要（原文）
We present a probabilistic framework for modeling structured spatiotemporal dynamics from sparse observations, focusing on cardiac motion. Our approach integrates neural ordinary differential equations (NODEs), graph neural networks (GNNs), and neural processes into a unified model that captures uncertainty, temporal continuity, and anatomical structure. We represent dynamic systems as spatiotemporal multiplex graphs and model their latent trajectories using a GNN-parameterized vector field. Given the sparse context observations at node and edge levels, the model infers a distribution over latent initial states and control variables, enabling both interpolation and extrapolation of trajectories. We validate the method on three synthetic dynamical systems (coupled pendulum, Lorenz attractor, and Kuramoto oscillators) and two real-world cardiac imaging datasets - ACDC (N=150) and UK Biobank (N=526) - demonstrating accurate reconstruction, extrapolation, and disease classification capabilities. The model accurately reconstructs trajectories and extrapolates future cardiac cycles from a single observed cycle. It achieves state-of-the-art results on the ACDC classification task (up to 99% accuracy), and detects atrial fibrillation in UK Biobank subjects with competitive performance (up to 67% accuracy). This work introduces a flexible approach for analyzing cardiac motion and offers a foundation for graph-based learning in structured biomedical spatiotemporal time-series data.