Graphische KI simuliert Blutfluss in Aneurysmen in Echtzeit

Intrakranielle Aneurysmen bleiben weltweit eine Hauptursache für neurologische Morbidität und Mortalität. Das Risiko einer Ruptur hängt eng mit lokalen Blutströmungsparametern wie der Wandscherzspannung und dem oszillierenden Scherindex zusammen. Traditionelle Computational Fluid Dynamics (CFD)-Simulationen liefern zwar genaue Einblicke, sind jedoch zu langsam und erfordern spezielles Fachwissen.

Im Gegensatz dazu ermöglichen 4D‑Flow‑MRI direkte Messungen im Körper, doch deren räumliche Auflösung reicht nicht aus, um die feinen Scher‑Muster zu erfassen, die die Gefäßwand beeinflussen. Um diese Lücke zu schließen, hat ein Forschungsteam ein Graph‑Neural‑Network‑Surrogatmodell entwickelt, das vollständige Hemodynamikfelder direkt aus vaskulären Geometrien in weniger als einer Minute pro Herzschlag reproduziert.

Das Modell wurde mit einem umfangreichen Datensatz hochqualitativer CFD‑Simulationen patientenspezifischer Aneurysmen trainiert. Es kombiniert Graph‑Transformer mit autoregressiven Vorhersagen, um Blutfluss, Wandscherzspannung und oszillierenden Scherindex präzise zu simulieren. Es generalisiert zuverlässig auf bisher unbekannte Geometrien und Einströmbedingungen, ohne meshspezifische Kalibrierung.

Durch die nahezu Echtzeit‑Inference lässt sich das System nahtlos in bestehende Bildgebungs‑Workflows integrieren. Kliniker können die simulierten, hochauflösenden Strömungsfelder direkt mit herkömmlichen Phase‑Diagrammen vergleichen und so die Rupturrisiken physikalisch fundierter einschätzen. Dieses Verfahren legt den Grundstein für eine klinisch interpretierbare, datengetriebene Hemodynamik‑Analyse.