Machine learning in cardiovascular flows modeling: Predicting arterial blood pressure from non-invasive 4D flow MRI data using physics-informed neural networks¶

Kissas, Georgios; Yang, Yibo; Hwuang, Eileen et al. · 2020 · Comput. Methods Appl. Mech. Engrg.

Metadata

Authors: Kissas, Georgios; Yang, Yibo; Hwuang, Eileen; Witschey, Walter R.; Detre, John A.; Perdikaris, Paris

DOI: 10.1016/j.cma.2019.112623

Tags: #deep-learning #cardiac-imaging

🔬 Deep Note📄 Quick Note

摘要概述¶

本文将 physics-informed neural networks (PINNs) 引入心血管血流建模，利用一维 pulsatile blood flow 守恒方程（质量与动量）作为约束，训练深度神经网络从非侵入式 4D flow MRI 测得的 blood velocity 与 wall displacement 数据中预测无法直接测量的 arterial pressure 波形。方法在空间尺度为 cm 级的动脉网络（3-7 根血管的分叉拓扑）、时间尺度为多个心动周期（T ≈ 0.8 s，总时长约 3.3 s）上验证。核心创新有三：首次将 PINN 用于 graph topology 上的守恒律（分叉动脉网络的 interface 条件）；通过 non-dimensionalization 与 normalization 缓解 PINN 训练中的 vanishing gradient pathology；首次将 PINN 应用于真实含噪临床数据。在 Y-shaped bifurcation、7-vessel pelvic network 的合成算例及健康人主动脉/颈动脉分叉的 in-vivo MRI 数据上验证，预测的 velocity/pressure 波形与 Discontinuous Galerkin (DG) 参考解吻合良好，并能通过简单后处理标定 Windkessel 模型的 R、C 参数。最大限制在于 1D 模型忽略血管弯曲与 3D 效应、PINN 对多尺度特征捕获能力有限、且未进行不确定性量化。

建模问题与尺度¶

目标问题：从非侵入式 4D flow MRI 测得的 blood velocity 与 wall displacement 数据，预测无法通过非侵入方式直接测量的 arterial pressure 脉搏波传播（Abstract; §1, PDF p.2-3）
空间尺度：动脉网络，单根血管长度 cm 级（如 L₁ = 17.03 cm, L₂ = 7 mm, L₃ = 6.7 mm），整体网络数十 cm（§3.1.1, PDF p.13; Table 2, PDF p.13）
时间尺度：多个心动周期，心动周期 T = 0.8 s，总时间 t ∈ [0, 3.3] s，约 4 个心动周期（§3.1.1, PDF p.13）
状态变量与输出量：A(x,t) 横截面积 (m²)，u(x,t) 血液速度 (m/s)，p(x,t) 压力 (Pa)；输入为归一化的空间坐标 x̂ 与时间 t̂（§2.2, Eq.2, PDF p.5）
与已有模型的差异：不需要 mesh 生成和精确边界条件标定，可直接用稀疏内部测量点（非边界点）约束全场；传统 CFD 需精确指定 Windkessel 边界条件，而 PINN 训练不要求 a-priori 指定出流边界条件（§1, PDF p.2-3; §2.8, PDF p.11）

假设与数学表述¶

核心假设¶

物理或生物假设：流体不可压缩且 Newtonian（适用于大动脉，密度和动力粘度恒定）；血管壁为薄壁管；结构性质在截面上保持一致；局部曲率足够小可用笛卡尔坐标 x 描述（§2.1, PDF p.3-4）
闭合假设：线性弹性本构关系，由薄壁假设和 Laplace 定律导出 p = p_ext + β(√A − √A₀)（Eq.1 第三式, PDF p.4）
数值便利假设：在所有数值算例中，viscous losses 系数 K_R 设为 0、α 设为 1，假设粘性损失在大动脉中起次要作用（§3, PDF p.12-13）

Governing equations¶

方程定位：Eq.1 (PDF p.4), Eq.2 (PDF p.5), Eq.5 (PDF p.7), Eq.15 (PDF p.10)
方程与耦合关系：1D 还原不可压缩 Navier–Stokes 方程，包含三个耦合方程：
质量守恒：∂A/∂t + ∂(Au)/∂x = 0
动量守恒：∂u/∂t + αu ∂u/∂x + (u/A) ∂(α−1)uA/∂x + (1/ρ) ∂p/∂x − K_R u/A = 0
本构关系：p = p_ext + β(√A − √A₀)
其中 β = √(πh₀E)/((1−ν²)A₀)，A₀ 为平衡截面积，h₀ 为壁厚，E 为 Young's modulus，p_ext 为外压，ν 为 Poisson 比，ρ 为血液密度，K_R 为摩擦参数，α 为动量通量修正因子
非量纲化形式见 Eq.15，所有变量缩放至 O(1) 量级（Eq.13-14, PDF p.10）
守恒量或约束：质量守恒（Eq.1 第一式）、动量守恒（Eq.1 第二式）；interface 处质量守恒 A₁u₁ = A₂u₂ + A₃u₃ 和动量守恒 p₁ + ½ρu₁² = p₂ + ½ρu₂² = p₃ + ½ρu₃²（Eq.5, PDF p.7）；非量纲形式见 Eq.16-18

初始条件、边界条件与约束¶

初始条件：对无测量数据的 vessel（如 pelvic 算例的 domain #2 和 #3），仅提供初始条件的 [x̂_init, t̂_init]，其中 t̂_init 为零数组，x̂_init 为域内等间距点（§3.2.3, PDF p.19）
边界条件：不需要精确指定传统边界条件；测量数据点可在域内部任意位置（非必须在边界）；interface 处通过守恒方程施加连续性约束（§2.5, Eq.5-8, PDF p.7-8）
测量约束：在部分 vessel 的特定空间点提供 A(x,t) 和 u(x,t) 的时间序列测量数据（黑/红 × 标记，Fig.3），不提供 pressure 测量（§2.2-2.3, PDF p.5-6）
非量纲化约束：特征长度 L = √(1/D Σⱼ A₀ʲ)，特征速度 U = 10（基于波速比血管长度大一个数量级的生理条件），p₀ = ρU²，T = L/U，A₀ = L²（Eq.13, PDF p.10）

参数及来源¶

参数	含义与单位	数值或范围	来源	可识别性或敏感性
ρ	血液密度 (kg/m³)	1060	文献 [62] (§3.1.2, PDF p.13)	未报告
ν	血液动力粘度 (mPa·s)	3.5	文献 [62] (§3.1.2, PDF p.13)	未报告
α	动量通量修正因子	1.1（名义），实际取 1	文献 [23] (§2.1, PDF p.4; §3, PDF p.12)	未报告
K_R	摩擦参数	−22μπ（名义），实际取 0	文献 [23] (§2.1, PDF p.4; §3, PDF p.12)	未报告
β	壁弹性参数 (Pa/m)	6.97×10⁷ ~ 5.42×10⁸ (Y-shaped); 2.60×10⁷ ~ 2.87×10⁷ (pelvic); 线性函数 (临床)	Olufsen et al. [29] 经验关系 (§2.1, PDF p.4); Tables 2,7,11	未报告
p_ext	外部压力 (Pa)	合成算例设为 0；临床算例取自文献标称值	文献 [41] (§2.2, PDF p.5)	未报告
p_inf	Windkessel 下游压力 (Pa)	666.5	§2.8, PDF p.11	未报告
N_r	每域 collocation 点数	2000	Latin hypercube sampling [42] (§3.1.3, PDF p.14)	未报告
N_b	interface 点数	1024	§3.1.3, PDF p.14	未报告

数值方法与计算流程¶

离散化、求解器、网格与时间步：PDE 解由神经网络参数化（每根 vessel 一个网络，7 层×100 神经元，tanh 激活，Xavier 初始化）；物理约束通过 Latin hypercube sampling 选取的 N_r = 2000 collocation points 施加；偏导数用 automatic differentiation 计算（TensorFlow v1.10 [44]）；optimizer 为 Adam [47]，学习率 η = 10⁻³ → 10⁻⁴；batch size = 1024；iterations 因算例而异（Y-shaped: 90,000+40,000; pelvic: 280,000+40,000; clinical: 75,000+35,000）（Table 1, PDF p.13; §2.4, §3.1.3, PDF p.5,14）
收敛性、稳定性与误差控制：50 次随机初始化 ensemble 验证鲁棒性；单精度相对 L₂ 误差均值 5.29×10⁻² ± 2.38×10⁻²，双精度 4.25×10⁻² ± 1.99×10⁻²（Eq.21, Tables 3-4, PDF p.15-16）；网络架构敏感性研究表明 7 层 100 神经元在精度与计算成本间最优（Table 5, PDF p.17）
软件、版本和计算成本：TensorFlow v1.10，单精度运算，NVIDIA Tesla P100 GPU；最大几何训练约 7 h；预测步骤为几次矩阵乘法（< 1 s）；Windkessel 参数标定约 10 min/outlet（ThinkPad P52s, Intel i7-8650U, 32 GiB RAM, NVIDIA Quadro P500 2 GiB）；单精度训练约 1 h 20 min，双精度约 2 h 30 min（§2.9, PDF p.12; §3.1.5, PDF p.16）

校准、验证与不确定性¶

校准数据与目标函数：合成算例用 in-house DG 求解器 [23,30,61] 生成的 velocity 和 cross-sectional area 时间序列（steady state, 4 个心动周期）；临床算例用 4D flow MRI 测量的 velocity（phase contrast）和 area（2D Cine 分割）；目标函数为复合 loss（Eq.9: measurement loss + residual loss + interface loss）（§2.3-2.6, §3.1.2, §3.3.2）
验证数据：合成算例与 DG 参考解对比；临床算例与 Aorta #3 点的 MRI 测量对比（该点未参与训练），pressure 仅与文献报告的健康人范围（80-120 mmHg）对比（§3.1.4, §3.3.3, PDF p.14,22）
Identifiability/sensitivity：网络架构敏感性研究（Table 5）：1 层误差 >0.6，3 层 0.24-0.41，5 层 0.10-0.52，7 层 0.04-0.44；增加容量提高精度，物理约束有效正则化防止过拟合；初始化鲁棒性经 50 次 ensemble 验证（Tables 3-4, PDF p.15-16）
不确定性量化：未报告。论文明确提出不确定性量化是未来工作，建议采用 bootstrapped ensemble [65,66]、Bayesian MCMC [67] 或 generative models [68]（§4, PDF p.25）
未验证部分：真实临床算例无侵入式 pressure 参考值；Windkessel 标定参数未与已知真值对比（临床算例无真值）；未进行跨患者泛化测试

核心结果与证据¶

主要发现 1：非量纲化与归一化对 PINN 训练至关重要¶

模型结论或预测：原始 PINN 方法因变量尺度差异巨大（P ~ 10⁶ Pa, A ~ 10⁻⁵ m², u ~ 10 m/s, β ~ 10⁸ Pa/m）导致反向传播梯度失衡、训练失败；提出的 non-dimensionalization + normalization 策略将所有变量缩放至 O(1) 量级后，显著改善训练能力并获得准确预测
证据定位：Fig.5, §2.7, §3.1.4 (PDF p.10, 14)
参数条件：Y-shaped bifurcation, 3 vessels, 7 层 100 神经元, Xavier 初始化, η = 10⁻³ → 10⁻⁴
验证程度：验证。Fig.5 显示无量纲化后 velocity 和 pressure 预测与 DG 参考解良好吻合，而无量纲化版本预测完全崩溃
替代解释：训练失败可能归因于网络容量不足，但后续系统研究（Table 5）排除了这一解释

主要发现 2：PINN 在 graph topology 上的守恒律求解与信息传播¶

模型结论或预测：首次在分叉动脉网络（graph topology）上施加 interface 守恒条件，通过质量守恒 A₁u₁ = A₂u₂ + A₃u₃ 和动量守恒 p₁ + ½ρu₁² = p₂ + ½ρu₂² 确保信息跨域传播；无需像传统 DG 方法那样在 interface 处求解 Riemann 问题
证据定位：Eq.5-8, Fig.7, §2.5 (PDF p.7-8, 15)
参数条件：3-vessel 1-bifurcation (Y-shaped), 7-vessel 3-bifurcation (pelvic), N_b = 1024 interface points
验证程度：验证。Fig.7 显示 mass 在 vessel #1 等于 vessel #2 和 #3 之和，momentum 在 father 和 daughter vessel 间相等，守恒律良好保持
替代解释：无

主要发现 3：从 4D flow MRI 预测动脉血压（首次真实临床数据应用）¶

模型结论或预测：在健康人（27 岁女性, 51 kg, 160 cm）主动脉/颈动脉分叉的 4D flow MRI 数据上，PINN 从 velocity 和 wall displacement 预测的 pressure 在 80-120 mmHg 范围内，与文献报告的健康人值一致；Aorta #3 点（未参与训练）的 velocity 和 area 预测与临床测量良好一致
证据定位：Fig.11, §3.3.3, Fig.13 (PDF p.22, 24)
参数条件：4 vessels, 1 bifurcation, 1.5T Avanto scanner (Siemens), 2D Cine + 2D Phase Contrast MRI, venc = 150-200 cm/s, temporal resolution 20.7 ms (Table 9, PDF p.22); 训练 75,000+35,000 iterations
验证程度：部分验证。velocity 和 area 预测与 Aorta #3 点 MRI 测量"良好一致"；pressure 无侵入式参考，仅与文献范围对比
替代解释：pressure 预测在生理范围内可能部分归因于 p_ext 和 A₀ 的合理选取，而非纯数据驱动推断

主要发现 4：Windkessel 参数后处理标定¶

模型结论或预测：训练后的 PINN 可通过 adaptive grid search 后处理标定 3-element Windkessel 模型的 R（阻力）和 C（顺应性）参数，无需重复运行传统仿真器；标定参数用于 DG 仿真能捕捉波峰幅值和时序
证据定位：Eq.19-20, Tables 6/8/10, Fig.8, §2.8, §3.1.6 (PDF p.11-12, 17-18, 22)
参数条件：Y-shaped: vessel #2 R = 7.58×10⁸ Pa·s·m⁻³, C = 4.89×10⁻¹¹ Pa⁻¹·m³, error = 3.36×10⁻²; vessel #3 R = 1.84×10⁹, C = 7.36×10⁻¹¹, error = 3.67×10⁻² (Table 6); 临床: Carotid R = 2.09×10⁹, C = 2.76×10⁻¹⁰, error = 3.98×10⁻²; Aorta #4 R = 1.48×10⁸, C = 9.23×10⁻⁹, error = 7.35×10⁻² (Table 10)
验证程度：部分验证。合成算例有 DG 参考值对比；临床算例无真值对比；DG 仿真用标定参数在 Aorta #4 和 carotid 点存在一定偏差和时间偏移，可能归因于反向传播弹性波未被 1D 模型捕获
替代解释：grid search 可能陷入局部最优，但论文通过 5 次连续细化降低此风险

主要发现 5：网络初始化鲁棒性与单/双精度比较¶

模型结论或预测：50 次随机初始化 ensemble 表明方法对初始化鲁棒；单精度相对 L₂ 误差均值 5.29×10⁻² ± 2.38×10⁻²，双精度 4.25×10⁻² ± 1.99×10⁻²；单精度计算时间约 1 h 20 min，双精度约 2 h 30 min，选择单精度以缩短 wall-clock time
证据定位：Tables 3-4, Eq.21, §3.1.5 (PDF p.15-16)
参数条件：Y-shaped, 7 层 100 神经元, Xavier 初始化, N_u = N_A = 413, N_r = 2000, N_b = 1024, N_batch = 1024
验证程度：验证。50 次试验均收敛到接近的解
替代解释：无

主要发现 6：网络架构敏感性¶

模型结论或预测：系统研究不同网络架构发现，增加容量提高精度（1 层误差 > 0.6 → 7 层降至 0.04），物理约束有效正则化防止过拟合；7 层 100 神经元在精度和计算成本间取得最佳平衡
证据定位：Table 5, §3.1.5 (PDF p.17)
参数条件：N_g = 1-7 层, N_n = 20-200 神经元/层, tanh 激活函数
验证程度：验证
替代解释：无

关键图表¶

图表定位：Fig.2
展示内容：方法整体流程示意，蓝色框为 residual loss（守恒方程残差），绿色框为 interface loss（分叉处连续性约束），红色框为 measurement loss，三类 loss 组合成复合训练目标
支持的结论：PINN 复合 loss 函数设计
适用参数区间：所有算例
图表定位：Fig.5
展示内容：Y-shaped bifurcation 中 vessel #1 中点的 velocity (a) 和 pressure (b) 预测对比：DG (红) vs PINN 含非量纲化 (蓝) vs PINN 无量纲化 (黑)
支持的结论：非量纲化对训练至关重要，无量纲化版本预测崩溃
适用参数区间：Y-shaped, 7 层 100 神经元
图表定位：Fig.7
展示内容：分叉点处守恒量比较：(a) 质量守恒 A₁u₁ = A₂u₂ + A₃u₃, (b) 动量守恒 p + ½ρu²
支持的结论：interface 守恒条件在 PINN 中良好保持
适用参数区间：Y-shaped bifurcation
图表定位：Fig.11
展示内容：临床 Aorta #3 点（未训练点）的预测 vs 测量：(a) cross-sectional area, (b) velocity, (c) 预测的 pressure 波形
支持的结论：PINN 在真实临床数据上预测合理，pressure 在 80-120 mmHg 范围
适用参数区间：健康人主动脉/颈动脉分叉, 4 vessels
图表定位：Fig.13
展示内容：临床 4 个位置 (Aorta #1/#3/#4, Left Common Carotid) 的 velocity 对比：MRI 测量 vs PINN 预测 vs DG (用 PINN 标定的 Windkessel 参数)
支持的结论：PINN 在训练点精度高；DG 用标定参数能捕捉波峰幅值和时序，但 Carotid 点存在时间偏移
适用参数区间：健康人临床数据
图表定位：Table 5
展示内容：不同网络架构（层数 N_g × 神经元数 N_n）的相对 L₂ 预测误差
支持的结论：7 层 100 神经元为最优架构选择
适用参数区间：Y-shaped, N_g ∈ {1,3,5,7}, N_n ∈ {20,50,100,200}

局限与适用边界¶

数据支持的结论：合成数据上 PINN 与 DG 参考解良好吻合（Y-shaped 和 pelvic 算例）；临床数据上 pressure 预测在生理范围内，velocity/area 预测在未训练点与 MRI 测量一致
依赖假设的结论：1D 模型忽略血管弯曲（tortuosity）、曲率和 3D 几何效应，在脑或冠脉血流中可能不准确（§2.1, PDF p.4）；薄壁和 Newtonian 流体假设仅适用于大动脉；K_R = 0 和 α = 1 的假设忽略了粘性损失
模型失效条件：小动脉网络（MRI 分辨率不足以产生低信噪比读数）；高度弯曲血管；需要 3D 效应的场景（如脑/冠脉血流）；多尺度特征丰富的波形（PINN 难以捕获 secondary peaks，§3.1.4, PDF p.14）
最大不确定性：无不确定性量化；MSE loss 假设各向同性高斯噪声，可能不反映真实噪声统计（non-Gaussian, heteroscedastic）；临床数据分辨率粗糙且噪声大；颈动脉点存在反向传播弹性波未被 1D 模型捕获（§4, PDF p.25; §3.3.4, PDF p.24）

个人批注¶

可迁移的方程、算法或参数¶

Eq.1 的 1D 模型（质量守恒 + 动量守恒 + 线性弹性本构）可直接用于 G&R 仿真的血流边界条件
Eq.13-14 的非量纲化 + 归一化策略可迁移到其他多尺度物理量的 PINN 训练
Eq.19 的 3-element Windkessel 模型及其 adaptive grid search 标定方法（Eq.20）可独立使用
复合 loss 函数设计（Eq.9: measurement + residual + interface）可推广到其他 graph topology 上的 PDE 约束问题

与我的模型的接口¶

Windkessel 参数标定结果（R, C）可为 3D FSI 仿真提供下游边界条件，替代传统试错标定
预测的 pressure 波形可作为 vascular G&R 仿真的力学边界输入
非量纲化策略可应用于 SMC G&R 模型中尺度差异大的状态变量

疑问与复现实验¶

在患者特异性病理几何（如动脉瘤、狭窄后扩张）上，1D 模型的薄壁和线性弹性假设是否仍然成立？
能否将 PINN 框架从 1D 扩展到 3D Navier-Stokes 以处理弯曲血管？计算成本是否可控？
不确定性量化（如 Bayesian PINN [33]）对临床决策的影响有多大？pressure 预测的置信区间有多宽？
复现实验：用公开代码 (https://github.com/PredictiveIntelligenceLab/1DBloodFlowPINNs) 在 Y-shaped 算例上复现 Fig.5 的非量纲化对比，验证训练时间约 1 h 20 min

与上下文的关系¶

本文建立在¶

Raissi, Perdikaris, Karniadakis [31] 的 PINN 框架（J. Comput. Phys. 378, 2019, 686-707），提出用神经网络参数化 PDE 解并用物理约束训练
Sherwin, Franke, Peiró, Parker [23] 的 1D 血管网络 DG 方法（J. Eng. Math. 47, 2003, 217-250），提供 1D 还原模型和 DG 参考解
Formaggia, Quarteroni, Veneziani [4] 的心血管数学模型（Cardiovascular Mathematics, Springer, 2010）
Olufsen [29] 的结构树出流条件（Amer. J. Physiol. Heart Circ. Physiol. 276, 1999, H257-H268），提供 β 参数经验关系
Reymond et al. [6,35] 的 1D 模型验证（Amer. J. Physiol. Heart Circ. Physiol. 297, 2009, H208-H222; 301, 2011, H1173-H1182）

已核实的后续引用¶

本次未检索

与本地论文队列的关系¶

不适用

摘要概述¶

本文将 physics-informed neural networks (PINNs) 引入心血管血流建模，利用一维 pulsatile blood flow 守恒方程（质量与动量）作为约束，训练深度神经网络从非侵入式 4D flow MRI 测得的 blood velocity 与 wall displacement 数据中预测无法直接测量的 arterial pressure 波形。方法的创新点有三：首次将 PINN 用于 graph topology 上的守恒律（分叉动脉网络的 interface 条件）；通过 non-dimensionalization 与 normalization 缓解 PINN 训练中的 vanishing gradient pathology；首次将 PINN 应用于真实含噪临床数据。在 Y-shaped bifurcation、7-vessel pelvic network 的合成算例及健康人主动脉/颈动脉分叉的 in-vivo MRI 数据上验证，预测的 velocity/pressure 波形与 Discontinuous Galerkin 参考解吻合良好，并能通过简单后处理标定 Windkessel 模型的 R、C 参数用于传统 3D 仿真的边界条件。

关键图表¶

Fig. 2：方法整体流程示意，蓝色框为 residual loss（守恒方程残差），绿色框为 data loss（临床测量拟合），红色框为 interface loss（分叉处连续性约束），三类 loss 组合成复合训练目标。
Fig. 3：原型 Y-shaped 分叉动脉网络（1 入 2 出）的拓扑及各 vessel 域，标注了 collocation points（蓝点）、interface points（绿星）、data points（黑/红 ×），直观展示了 PINN 如何用稀疏内部测量点约束全场。
Fig. 13：真实临床主动脉/颈动脉分叉算例，将 4D flow MRI 采集的 velocity 波形与 PINN 预测、及用 PINN 标定 Windkessel 参数后的 DG 求解结果三者对比，PINN 在有测量点处精度高，DG 也能捕捉波峰幅值与时序。

与我的关联¶

作为 vascular G&R 研究的血流建模参考，展示了 data-driven 方法如何绕过 mesh 生成与边界条件标定这两大传统 CFD 瓶颈，对需要为 patient-specific 动脉网络快速获取 pressure/wall shear 等力学边界条件的 G&R 仿真有直接借鉴价值；Windkessel 参数的后处理标定思路可简化 3D FSI 仿真的下游边界设定。

Machine learning in cardiovascular flows modeling: Predicting arterial blood pressure from non-invasive 4D flow MRI data using physics-informed neural networks¶

摘要概述¶

建模问题与尺度¶

假设与数学表述¶

核心假设¶

Governing equations¶

初始条件、边界条件与约束¶

参数及来源¶

数值方法与计算流程¶

校准、验证与不确定性¶

核心结果与证据¶

主要发现 1：非量纲化与归一化对 PINN 训练至关重要¶

主要发现 2：PINN 在 graph topology 上的守恒律求解与信息传播¶

主要发现 3：从 4D flow MRI 预测动脉血压（首次真实临床数据应用）¶

主要发现 4：Windkessel 参数后处理标定¶

主要发现 5：网络初始化鲁棒性与单/双精度比较¶

主要发现 6：网络架构敏感性¶

关键图表¶

局限与适用边界¶

个人批注¶

可迁移的方程、算法或参数¶

与我的模型的接口¶

疑问与复现实验¶

与上下文的关系¶

本文建立在¶

已核实的后续引用¶

同类模型对比¶

与本地论文队列的关系¶

摘要概述¶

关键图表¶

与我的关联¶