一种新的解剖学先验神经网络框架，将力学、血管结构与单视角透视成像结合起来，用于预测硬质导丝如何改变主动脉和髂动脉的形态。对于血管内机器人技术而言，这一方法的意义在于：它可以把外科医生对血管拉直、分支移位和着陆区风险的判断，转化为可计算的三维预测；同时也清楚地区分了已经验证的组件与尚未验证的临床推断。
目录
研究人员构建了什么？
这项工作提出了解剖学先验神经网络（Anatomy-Informed Neural Networks，AINNs）。AINN 不把解剖结构当作普通图像数据处理，而是将解剖学知识同时融入模型的训练目标和内部结构。相关先验可以包括血管连通性、分支模式、对称性、典型形态、可移动性、解剖位置，以及与周围结构的接触关系。
研究演示聚焦于血管内主动脉修复。系统首先使用术前三维 CT 血管造影，获取器械进入前的主动脉和髂血管形态；随后预测硬质 Lunderquist 导丝和较柔软的 pigtail 导管进入血管后的变形。由于导丝的刚度高得多，通常由它主导血管变形，而 pigtail 导管造成的扰动较小。
血管中心线被表示为一系列位置和方向，而不是彼此无关的点。这样，模型就能描述每个微小节段如何在三维空间中弯曲和移动。基于物理的模拟器先给出一次初始变形预测，神经网络再为简化力学模型未能捕捉的效应提供学习得到的残差修正。
这一设计还支持利用常规单视角透视成像进行弱监督。图像提供投影后的导丝路径和可见的临床标志物，无需完整的术中三维重建。
取得了哪些关键结果？
数值实验在具有已知真实答案的合成几何体上验证了主要数学组件。正向模型复现了两种预期的定性行为：其一是弓弦效应，即导丝在弯曲血管中绷紧；其二是弯曲顶点附近集中的血管壁载荷。这些结果表明，在受控测试形状上，该实现捕捉到了预期的力学特性。
实验还揭示了两项实际建模要求。沿血管方向的解剖锚定刚度必须始终严格为正，否则会出现退化的相位偏移解。玩具几何体应包含一条占主导地位的曲线；更复杂的零交叉模式会产生与典型髂动脉解剖不符的人为交织伪影。
研究未使用患者数据，也未进行基于真实测量的临床验证。残差神经网络虽已完成定义，但尚未训练。因此，该工作报告的是数学和合成数据验证，而非临床精度基准。
研究还在优化过程中发现了两个不同的伪局部极小值。研究人员通过几何和参数选择避开了这些解，但并未使这一非凸问题具备全局可靠性。因此，论文没有报告百分比精度、Hausdorff 分数、Wasserstein 分数，也没有与经过训练的临床基线模型进行比较。
与传统有限元方法相比，这项工作的主要成果体现在表示方式，而非数值性能。该框架以血管中心线和移动标架作为主要状态，将它们置于 SE(3) 状态空间中，并把力学、解剖学感知学习与投影监督结合起来。
解剖学先验模型如何工作？
模型将血管和导丝视为相互耦合的弹性曲线。Cosserat 杆模型通过中心线、方向、弯曲行为和刚度来描述每条曲线。硬质导丝会推压管腔壁，而血管则在接触力和周围组织阻力的共同作用下发生变形。
中心线状态位于 SE(3) 中，这是由三维位置和三维方向组成的数学空间。每个无穷小节段都由一个刚体标架表示。对局部变化应用矩阵指数，可以生成物理上有效的旋转和平移，从而避免预测出不可能的方向变换。
接触具有单侧性：导丝可以推压血管壁，却不能拉动血管壁、粘附在血管壁上或穿过血管壁。间隙函数用于衡量导丝与管腔边界之间的距离。随后，通过互补条件约束两种合法状态：
- 当导丝与血管壁分离时，接触力为零。
- 当导丝接触血管壁时，接触力可以为正。
- 分离状态与正接触力不能同时出现。
这一点很重要，因为如果在相同的中心线参数处比较导丝和血管，可能会把径向血管壁接触误认为轴向位移。载荷会因缩短效应改变血管的弧长，因此模型必须以与参数化方式无关的形式比较几何结构。
血管还连接到弹性Winkler 地基上。它由一组弹簧构成，用来表示腹膜后组织、脊旁肌和脊柱所产生的阻力。这些弹簧常数是最具患者特异性的参数之一，可以通过数据进行校准。
学习系统将物理模型的预测与神经网络残差结合起来。目标函数同时优化网络权重和选定的校准参数，包括锚定行为，以及刚度与钙化之间的关系。如果力学模型足够准确，残差应当趋近于零；如果力学模型不完整，残差就会学习剩余变形，但这会增加数据需求并降低可解释性。
损失函数采用 Wasserstein-2 最优传输，而不是普通的逐点均方误差。最优传输无需假设某个预测点必须对应某个特定目标点，就能比较几何分布。与逐点距离相比，它也能更有效地惩罚解剖结构上不合理的排列。
训练过程中，三维预测会被投影到记录下来的透视成像视角中。投影后的导丝路径提供连续监督；在可见的情况下，最低肾动脉开口和主动脉分叉等标志物则提供离散监督。深度轴正则项用于限制未观测方向上的不合理变化。
这对机器人技术为何重要？
血管内机器人需要的不只是图像识别。能够推进导丝或输送装置的系统，必须预判血管将如何移动、着陆区是否会被拉直，以及器械绷紧后分支开口是否会发生偏移。这些是由解剖结构引起的力学后果，而不仅仅是影像中的视觉模式。
AINN 为实现这类预测提供了一条路径。机器人可以利用术前 CT 建立患者特异性的力学模型，在术中依据投影后的导丝路径更新模型，并从不完整的二维证据中估计隐藏的三维变形。这类预测可以辅助导丝导航、器械定位、力量控制，以及分支移位预警。
同一设计原则也可以扩展到主动脉之外。脑血管造影模型可以优先考虑血管分支和不可交叉的拓扑结构；结肠模型可以着重处理闭环几何；开窗型血管内修复模型则可以提高内脏分支周围可移动性的权重。
这项工作还不是可直接部署的手术控制器，但它展示了机器人系统如何将学习型感知与明确的物理结构结合起来。评估自动化硬件的团队可以浏览待售二手协作机器人，用于通用操作平台，也可以浏览待售二手工业机器人，用于高重复精度的自动化任务；不过，医疗部署仍需要经过专门认证的系统。
有哪些局限与待解问题？
最核心的局限在于缺乏患者数据。所有实验都使用研究人员构建的合成几何体，因此该框架尚未证明其变形预测能够匹配真实术中解剖结构。由于玩具几何体被设计为满足相关力学条件，弓弦效应本身是预期结果；复现这一现象能够验证实现是否正确，却不能证明其具备临床真实性。
残差网络仍未训练，多个物理参数也仍需校准。单视角透视成像无法消除深度歧义，这意味着预测可能在工作影像中看起来正确，但在三维空间中仍然错误。优化问题是非凸的，并且已经出现伪局部极小值。
有意义的评估需要配对的术前 CT 与术中血管造影，并在条件允许时使用术中三维影像（例如完成后的锥形束 CT）作为参照。研究提出的评估方案将采用约 25 例配对病例，在每个验证折内重复进行校准，并同时评估导丝路径误差和标志物误差。
常见问题
什么是解剖学先验神经网络？
AINN 将神经网络学习与拓扑、可移动性、形态和接触等明确的解剖学先验结合起来。这些先验可以进入损失函数、网络架构或状态表示。
模型预测什么？
模型预测硬质导丝进入血管后，主动脉和髂动脉中心线将如何变形。即使训练监督主要来自单个二维透视视角，输出仍然是三维结果。
为什么使用最优传输，而不是逐点误差？
逐点误差依赖于中心线采样点之间人为设定的对应关系，也可能遗漏拓扑或几何层面的失败。Wasserstein 距离通过比较标架和标志物的分布，更能反映整体解剖形态。
系统是否已经在患者身上测试过？
没有。目前的结果来自合成几何体，残差神经网络也尚未训练或接受临床验证。
结论
AINN 将解剖结构、力学与机器学习结合起来，用于建模主动脉和髂血管中由导丝驱动的变形。合成测试表明，该公式能够捕捉预期的接触行为；但在这一方法能够支持手术机器人之前，仍必须完成患者验证和定量基准测试。
在缺乏患者数据的情况下，手术机器人是否应当信任以物理模型为核心的解剖学模型？