Bayesian optimisation for efficient parameter inference in a cardiac mechanics model of the left ventricle

Borowska, Agnieszka; Gao, Hao; Lazarus, Alan et al. · 2022 · Int. J. Numer. Meth. Biomed. Engng.

Metadata

Authors: Borowska, Agnieszka; Gao, Hao; Lazarus, Alan; Husmeier, Dirk

DOI: 10.1002/cnm.3593

Tags: #finite-element #continuum-mechanics #Bayesian-optimisation #cardiac-mechanics #parameter-inference

🔬 Deep Note📄 Quick Note

概述（Overview）

摘要概述

本文将 Bayesian optimisation (BO) 框架引入基于 Holzapfel-Ogden (HO) 本构律的左心室被动力学参数反演问题，用于解决传统多步梯度优化（HGO 算法）因每次调用 Abaqus forward simulator 代价高昂而导致计算量过大的瓶颈。BO 用 Gaussian process 作为 surrogate model 近似目标函数，并以 Expected Improvement 作为 acquisition function 顺序选取下一查询点，从而在 exploration 与 exploitation 之间取得平衡。论文提出两种 surrogate 策略：target surrogate（直接近似总目标函数）与 partial error surrogate（分别近似各误差项再求和），并通过 Klotz-curve 先验项约束高压（30 mmHg）下的体积预测以避免在不可观测的高压区外推失真。基于四名健康志愿者（HV A-D）的 in vivo CMR 数据实验表明，BO 在更少 forward 调用次数下收敛到比 HGO 与 SQP 更低的目标函数值，partial error surrogate 在多数 case 中略优于 target surrogate。

建模问题与尺度

• 目标问题：从 in vivo CMR 影像数据反演 Holzapfel-Ogden 本构律的被动心肌参数，使 forward simulator 预测的腔体积和周向应变与临床测量匹配
• 空间尺度：左心室器官级（LV mesh，约数千 hexahedron 单元）
• 时间尺度：准静态（diastolic filling，从 early diastole 到 end-diastole）
• 状态变量与输出量：输入参数 θ=(θ1,θ2,θ3,θ4) 为参考参数的缩放因子；输出为 8 mmHg 下 LV 腔体积 V 和 24 个 AHA 节段周向应变 εi（i=1,...,24），以及 30 mmHg 下腔体积 V30
• 与已有模型的差异：首次将 BO 引入心脏力学参数反演，区别于 Fan et al. [21] 的两参数心肌生长反演，本文聚焦被动充盈的本构参数；区别于 Gao et al. [28] 的多步 HGO 算法，BO 用统一目标函数无需分步专家知识，§1（PDF p.1-3）

假设与数学表述

核心假设

• 物理或生物假设：心肌在舒张期为纯被动响应；不可压缩；采用 HO 不变基超弹性本构律描述分层肌纤维结构，§2（PDF p.3），文献 [32]
• 闭合假设：心肌不可压缩，通过 Lagrange 乘子 p 约束，§2 Eq.(3)（PDF p.4）
• 数值便利假设：参数缩减为 4 维流形（8 参数经 θ 缩放降至 4），假设 a-group 共享 θ1、b-group 分三组共享 θ2/θ3/θ4，§2.1.2 Eq.(7)（PDF p.6-7），文献 [38]

Governing equations

• 方程定位：Eq.(1) HO 应变能函数，Eq.(3) Cauchy 应力，Eq.(4) 准静态平衡方程，§2（PDF p.3-4）
• 方程与耦合关系：Ψ = (a/2b)[exp(b(I1-3))-1] + Σ_{i∈{4f,4s}} (a_i/2b_i)[exp(b_i(I4i-1)²)-1] + (a_fs/2b_fs)[exp(b_fs·I8fs²)-1]；其中 I1=tr(C)，I4f=f₀ᵀCf₀，I4s=s₀ᵀCs₀，I8fs=f₀ᵀCs₀；C=FᵀF 为右 Cauchy-Green 张量；f₀ 和 s₀ 分别为肌细胞和 sheet 方向
• 守恒量或约束：不可压缩约束（p 为 Lagrange 乘子）

初始条件、边界条件与约束

• Neumann 边界 ΓN：腔内压力 pendo（8 mmHg 或 30 mmHg）施加在心内膜面；Dirichlet 边界 ΓD：基底面固定（因 2D cine CMR 缺乏基底运动数据），§2 Eq.(4)（PDF p.4）
• 参数约束：参数空间存在隐式约束——某些参数组合违反 HO 律的生物力学假设导致 forward simulator 崩溃，用 GP 分类器（probit likelihood + expectation propagation）建模约束满足概率，§3.2.2（PDF p.10-11），文献 [36,37]

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
θ=(θ1,θ2,θ3,θ4)	参考参数 ϑ₀ 的缩放因子	无量纲	参考 ϑ₀ 来自 Gao et al. [4] in vivo 数据	8 参数高度相关、不可从 CMR 完全识别，故缩减为 4 维
ϑ₀ (a,b,af,bf,as,bs,afs,bfs)	HO 本构 8 参数	a=0.18 kPa, b=2.6, af=3.34, bf=2.73, as=0.69, bs=1.11, afs=0.31, bfs=2.58	Gao et al. [4] in vivo population-wide averages（Table 1）	afs 敏感性低，a 和 b 高敏感且直接关联 ECM 响应
Â, B̂	Klotz-curve 经验参数	Â=27.78, B̂=2.76	Klotz et al. [35] ex vivo 数据	未报告
V̂₀	load-free 体积估计	以 early diastolic volume 近似	近似假设 [28,44]	影响高压外推

数值方法与计算流程

• 离散化、求解器、网格与时间步：Abaqus FEA 非线性 FEM 求解；LV mesh 为 hexahedron 单元，从 CMR cine 影像重建（§2, Fig.2, PDF p.4-5）；准静态加载（8 mmHg 或 30 mmHg）
• 收敛性、稳定性与误差控制：BO 的 GP regression 用 Matérn 3/2 核 + ARD，jitter 10⁻⁹ 加到协方差矩阵对角保证数值稳定；inner optimisation 用 OQNLP 全局搜索（替代 multi-start BFGS，因后者在多模态 EI 上不稳定），§3.1-3.2.1（PDF p.8-10）
• 软件、版本和计算成本：Abaqus FEA（forward simulator）；MATLAB Global Optimisation Toolbox（OQNLP）；GP 用 Python 实现。平均每次 BO 迭代 9.5 分钟，中位数 7 分钟（Dual 10-core Xeon 2.5GHz, 64GB RAM），500 次迭代约 2.5 天，200 次约 1 天，§5.3（PDF p.25-26）

校准、验证与不确定性

• 校准数据与目标函数：in vivo CMR 数据（4 名健康志愿者 HV A-D），测量 8 mmHg 下腔体积 Ṽ 和 24 个 AHA 周向应变 ε̃ᵢ。目标函数 f_{O2,Klotz} = [(V(θ)-Ṽ)/Ṽ]² + Σ[εᵢ(θ)-ε̃ᵢ]² + [(V₃₀(θ)-V̂³⁰_Kl)/V̂³⁰_Kl]²，Eq.(11)（PDF p.8）
• 验证数据：Bland-Altman 图比较 emulator vs simulator 的 V₃₀ 预测（Fig.8, PDF p.22），差异量级 10⁻³；synthetic data study（Appendix C, PDF p.28+）
• Identifiability/sensitivity：8 参数高度相关不可完全识别 [28,38]；a、b 高敏感（ECM 响应）；afs 低敏感（剪切响应）；参数缩减为 4 维，§2.1.2（PDF p.6-7）
• 不确定性量化：residual bootstrap 方法（Appendix E）；GP surrogate 提供预测均值和方差
• 未验证部分：未在 MI 或心衰患者上验证；未验证 spatially varying stiffness

核心结果与证据

主要发现 1：BO 在更少迭代中收敛到更低目标函数值

• 模型结论或预测：在四名健康志愿者的 basic study 中，BO（target 和 partial error surrogate）均在比 HGO 更少的 forward simulator 调用次数下达到更低目标函数值。例如 HV C：BO target ymin=0.0655 vs HGO old 0.0932，且 BO 仅需 40 次迭代即达到 HGO 276 次迭代的目标值
• 证据定位：Fig.4, Table 3, §4.3（PDF p.17）
• 参数条件：500 BO 迭代 + 40 Latin hypercube 初始设计；4 维参数空间
• 验证程度：验证——与 HGO 在同一数据和几何上直接对比；与 SQP 在同一 4 维空间对比（Appendix G, BO 优于所有 SQP 初始点）
• 替代解释：BO 的优势可能部分来自初始设计的 Latin hypercube 采样比 HGO 的启发式起始点更均匀

主要发现 2：Klotz-curve 先验约束高压外推

• 模型结论或预测：加入 Klotz-curve 先验项后，BO 在高压（30 mmHg）下的体积预测更符合 ex vivo 经验律，且 BO 与 HGO 在 low-stretch 区域的差异显著减小。Emulator 预测的 V₃₀ 与 simulator 实际值差异 <10⁻³
• 证据定位：Fig.7-8, Table 4, §4.4（PDF p.20-22）
• 参数条件：目标函数 f_{O2,Klotz}（Eq.11），V₃₀ 由 emulator 近似
• 验证程度：部分验证——Bland-Altman 图确认 emulator 精度；但 Klotz-curve 本身基于 ex vivo 数据，其适用于 in vivo 的假设未经独立验证
• 替代解释：Klotz-curve 约束可能过度约束参数空间，排除了一些虽然偏离经验律但可能真实的个体化参数

主要发现 3：Partial error surrogate vs target surrogate 无全局优劣

• 模型结论或预测：两种 surrogate 策略的表现因 case 而异——HV D 中 partial error surrogate 收敛更快更好，但 HV A 中 target surrogate 达到略低目标值。作者建议两种方法都尝试，最好并行运行
• 证据定位：Fig.4, Fig.7, Table 3-4, §5.1（PDF p.17-21, 25）
• 参数条件：partial error surrogate 假设各误差项独立（用独立 GP），避免了计算昂贵的多输出 GP
• 验证程度：部分验证——在 4 名 HV 上验证；预期 partial error surrogate 在数据异质性高（如 MI 患者）时更优
• 替代解释：独立性假设是近似——各误差项可能通过共同参数耦合

关键图表

• 图表定位：Figure 1
• 展示内容：从 CMR 影像到参数反演的完整 pipeline 示意图：CMR → LV 几何重建 → Abaqus forward simulator → 提取 8 mmHg 下腔体积和 AHA 周向应变 → 与临床数据比对构造目标函数
• 支持的结论：清晰定义了正向-逆向流程
• 适用参数区间：所有 θ

局限与适用边界

• 数据支持的结论：BO 在 4 名健康志愿者的 CMR 数据上优于 HGO 和 SQP
• 依赖假设的结论：参数缩减（8→4）假设各参数组共享缩放因子；Klotz-curve 假设 ex vivo 体积-压力关系适用于 in vivo；独立性假设简化了 partial error surrogate
• 模型失效条件：MI 或心衰患者的 spatially varying stiffness 无法用全局参数捕捉；基底面固定边界在 3D tagged CMR 可用时不再必要
• 最大不确定性：Klotz-curve 的 load-free volume V̂₀ 用 early diastolic volume 近似——这一近似对高压外推的精度有直接影响但未被量化

个人批注

可迁移的方程、算法或参数

1. BO + GP surrogate 框架可直接迁移到血管 G&R 模型的参数标定——每次 FEM forward simulation 成本高的问题完全相同
2. Partial error surrogate 思路——分别建模各误差项的 surrogate 而非总目标——适用于多目标 G&R 标定（如同时匹配壁厚、应力、体积变化）
3. Klotz-curve 先验约束技巧——用 ex vivo 经验律约束不可观测的高压/极端参数区域——可迁移到 G&R 模型中用 ex vivo 动脉力学数据约束不可测的 in vivo 参数
4. GP 分类器建模 simulator 崩溃区域的策略——适用于 G&R 中参数组合导致 FEniCS 不收敛的情况

与我的模型的接口

G&R constrained mixture 框架的参数标定面临完全相同的挑战：forward simulation 昂贵（FEniCS 单次仿真数分钟到数小时）、参数空间高维且相关、in vivo 数据有限。BO 框架可作为 HGO 式多步优化的替代方案。特别是 partial error surrogate 可分别建模壁厚误差、应力分布误差、血流动力学误差等不同目标。

疑问与复现实验

1. BO 在 G&R 模型上的收敛速度是否同样优于多步优化？G&R 参数空间通常更高维（>4），BO 在高维下可能效率下降
2. 复现实验：在血管 G&R 的 4 参数标定问题上实现 BO + partial error surrogate，与现有多步优化比较

与上下文的关系

本文建立在

建立在 Gao et al. [28] 的 HGO 多步参数估计算法和 Holzapfel-Ogden [32] 本构律之上，扩展了 Davies et al. [38] 的参数缩减思路和 Klotz et al. [35] 的 ex vivo 体积-压力经验律。

已核实的后续引用

本次未检索。

同类模型对比

与本队列 2019-ApproxBayesianInversion-BarajasSolano 对比：两者都解决昂贵 forward model 的参数反演问题，但 Borowska 用 BO（全局优化、点估计）而 Barajas-Solano 用近似贝叶斯推断（Laplace-EM、后验分布）。BO 更快但仅给点估计；贝叶斯推断更慢但给不确定性量化。Fan et al. [21] 在心脏力学中用 BO 估计 2 个生长参数，是本文最接近的前驱工作。

与本地论文队列的关系

• 2019-ApproxBayesianInversion-BarajasSolano：近似贝叶斯推断 vs BO——两种不同的昂贵反演策略
• 2020-PINN-Cardiovascular-Kissas：PINN 方法绕过 FEM forward simulator，与本文明的 BO 加速 FEM 是正交思路
• 2009-VascularBiomech-Taylor：Taylor & Humphrey 的血管 G&R 框架中参数标定问题可受益于 BO

逐章节笔记（Section-by-Section Notes）

Introduction

段落 1：心脏力学建模的进展与临床动机

• 核心论点：心脏软组织力学建模在过去十年取得显著进展，cardio-mechanic 模型参数可从 CMR 非侵入性估计并用于疾病分类，但 FEM 数值求解的迭代优化计算时间过长阻碍临床应用
• 支撑论据：
• 过去十年软组织力学建模取得显著进展，特别是心脏力学应用有望增进对心脏生理与病理的理解（Mangion et al. 2018, Heart 104(7):550-557; Chabiniok et al. 2016, Interface Focus 6(2):20150083）
• Gao et al. (2017, Sci Rep 7:13527) 开展的 case-control 研究纳入心肌梗死（MI）患者与健康志愿者，证明基于 HO 模型的 LV 参数可从 CMR 扫描非侵入性估计，且所得参数能准确区分疾病状态
• cardio-mechanic 方程无闭式解，需基于有限元法（FEM）数值求解（Bathe 2014, Finite Element Procedures, 2nd ed.）

• FEM 程序需作为数值优化或采样的一部分反复迭代，导致计算时间过长，阻碍方法在临床实践中的采用

• 我的分析：这段建立了"模型有效但计算太慢"的核心矛盾——这是 BO 引入的直接动机。case-control study [4] 的分类成功暗示参数确实携带疾病信息，但参数估计本身的可靠性（identifiability）是隐含的 caveat

段落 2：Bayesian optimisation 的定位

• 核心论点：BO 是专为昂贵黑箱函数优化设计的统计技术，通过 surrogate model（通常 GP）和 acquisition function 在 exploration-exploitation 之间平衡，用最少查询次数找到全局最优
• 支撑论据：
• BO 专为每次目标函数评估代价高昂且评估次数须尽可能少的优化问题设计，核心思想是用统计模型（surrogate）逐步逼近未知目标函数并据此选择下一查询点
• 文献中 surrogate 常采用 Gaussian process（Rasmussen & Williams 2006, Gaussian Processes for Machine Learning, MIT Press）
• 作者选用 Expected Improvement（Jones, Schonlau & Welch 1998, J Glob Optim 13(4):455-492）作为 acquisition function，因其对 GP surrogate 有闭式表达、概念简单且在多类问题上表现良好（Snoek, Larochelle & Adams 2012, NIPS 25:2951-2959）
• BO 已应用于：个性化患者生命体征监测模型（Colopy, Roberts & Clifton 2018, IEEE J Biomed Health Inform 22(2):310）；可穿戴设备 human-in-the-loop 优化（Kim et al. 2017, PLoS One 12(9):e0184054; Kim et al. 2019 ICRA）；脑卒中残余网络功能快速映射（Lorenz et al. 2021, Brain 144(7):2120-2134）；经导管主动脉瓣叶设计（Travaglino et al. 2019, J Biomech Eng 142(1):1-8）；计算机辅助手术（Ayvali et al. 2016 ICRA; Yan & Pan 2021, IEEE Robot Automat Lett 6(2):1707）
• 在有限元参数反演领域：血流动力学（Perdikaris & Karniadakis 2016, J R Soc Interface 13(118):20151107）；动脉粥样硬化颈动脉材料属性（Guvenir Torun et al. 2022, J Mech Behav Biomed Mater 126:104996）

• Fan et al. (2021, Front Physiol 12:694940) 结合 FEM 与 BO 表征运动诱发的心肌生长，推断 2 个未知生长参数——是本文最接近的前驱工作；区别在于 Fan et al. 聚焦生长参数，而本文聚焦决定舒张期被动充盈过程的本构参数

• 我的分析：文献定位清晰——与 Fan et al. [21] 的区别（生长参数 vs 被动参数）是关键。但 Fan 仅 2 参数而本文 4 参数，BO 在更高维下的效率是潜在挑战

段落 3：心肌刚度的临床意义

• 核心论点：心肌被动刚度是 HFpEF 的关键因素（由心肌 stiffening 和间质纤维rosis 引起），快速稳健的刚度估计是改进患者分层和治疗规划的关键步骤
• 支撑论据：
• Zile & Brutsaert (2002, Circulation 105(11):1387-1393) 提出 HFpEF 中舒张功能障碍的新概念
• Zile, Baicu & Gaasch (2004, N Engl J Med 350(19):1953-1959) 指出舒张性心衰中 LV 主动松弛异常与被动刚度增高
• Paulus & Tschöpe (2013, J Am Coll Cardiol 62(4):263-271) 提出 HFpEF 的新范式，认为合并症通过冠脉微血管内皮炎症驱动心肌功能障碍与重构
• 心肌 stiffness 被认为是 HFpEF 患者的重要因素，推测由心肌细胞 stiffening 与间质纤维化引起

• 尽管数十年持续努力（Guccione et al. 1991; Remme et al. 2004; Xi et al. 2013; Gao et al. 2015; Asner et al. 2016; Hadjicharalambous et al. 2017; Zhang et al. 2021），稳健快速的被动心肌刚度估计仍是心脏建模社区的重大挑战

• 我的分析：将技术问题（参数估计计算效率）与临床需求（HFpEF 患者分层）直接联系是好的。但"快速"在当前实现下仍需约 1 天（200 次迭代 × 7 分钟），距临床实时还远

段落 4：本文贡献

• 核心论点：三个主要贡献——(1) BO 框架用于 HO 模型参数反演，含 Klotz-curve 先验约束高压外推；(2) 改进 EI acquisition function 处理隐式约束和 partial error surrogate；(3) 两个实证研究证明 BO 优于 HGO 并验证 Klotz-curve 的作用
• 支撑论据：
• 第一贡献：将 Klotz et al. (2006, Am J Physiol Heart Circ Physiol 291(1):H403-12) 基于 ex vivo 数据建立的 ED 体积-压力经验律作为先验项加入目标函数；该经验律适用于健康和病变（充血性心衰、LV 辅助装置支持）人心脏以及动物（犬、鼠）心脏
• 心肌响应随压力增加呈非线性：低压下近似线性，高压下（如高血压患者）呈指数 stiffening；仅用 in vivo 低压数据难以推断描述非线性 stiffening 效应的参数
• 第二贡献：遵循 Gelbart, Snoek & Adams (2014, UAI) 与 Snoek (2013 PhD thesis, Univ. Toronto) 的方法，用 probit 模型 + GP 先验训练分类器处理未知约束（参数空间中违反 HO 律生理假设导致 forward simulator 崩溃的区域）；参考 Davies et al. (2019, J R Stat Soc C 68(5):1555-1576) 在 emulation 框架中分别建模输出向量取得显著精度提升的先例，提出 partial error surrogate 分别建模各误差项
• 第三贡献：证明 BO 优于 Gao et al. (2015, J Eng Math 95(1):231-248) 的 state-of-the-art HGO 算法；验证 Klotz-curve 先验使参数估计在高血压或舒张性心衰相关的高压区更符合生理现实（参考 Zile et al. 2004）

• 明确区分 BO 与 Bayesian inference：BO 是计算高效的全局优化方法，不确定性量化是指导 exploration-exploitation 平衡的手段而非推断参数后验分布的目的；概念上更接近频率派统计学的点估计

• 我的分析：BO vs Bayesian inference 的区分重要——BO 的不确定性量化是手段（指导探索）而非目的（参数后验）。这意味着 BO 给出点估计但不像 MCMC 那样提供完整后验

Methods

段落 1：HO 本构律

• 核心论点：采用 Holzapfel-Ogden (HO) 不可压缩超弹性本构律，基于不变量描述分层肌纤维结构的心肌被动响应
• 支撑论据：
• Holzapfel & Ogden (2009, Philos Trans R Soc A 367:3445-3475) 提出 HO 模型——基于不变量的不可压缩超弹性本构律，考虑心肌的分层肌纤维结构
• HO 应变能函数包含四组项：基质响应（参数 a, b）；肌细胞方向纤维贡献（af, bf）；sheet 方向纤维贡献（as, bs）；纤维-sheet 平面剪切贡献（afs, bfs），共 8 个本构参数
• 不变量定义：I1=tr(C) 描述整体变形；I4f=f₀ᵀCf₀、I4s=s₀ᵀCs₀、I8fs=f₀ᵀCs₀ 分别描述肌细胞方向、sheet 方向及纤维-sheet 剪切的变形，其中 C=FᵀF 为右 Cauchy-Green 张量，f₀ 和 s₀ 分别为肌细胞与 sheet 方向
• Wang et al. (2013, Int J Numer Methods Biomed Eng 29(1):83-103) 提出基于规则的方法确定 f₀ 和 s₀ 方向
• 非线性心肌被动响应意味着低压下心肌柔软，高压下因胶原纤维逐渐参与而越来越 stiff（Holzapfel & Ogden 2009）

• 多项研究验证 HO 模型能真实捕捉心肌关键特性且数值实现相对简便（Guan et al. 2019, Biomech Model Mechanobiol 18(4):1213-1232），故在心脏建模社区广泛使用（Sack et al. 2018; Gao et al. 2017; Gao et al. 2017）

• 我的分析：HO 模型的 8 参数结构是 identifiability 问题的根源——各方向贡献的参数对 in vivo 测量的应变响应耦合

段落 2：BVP 与 FEM 求解

• 核心论点：准静态平衡方程 Eq.(4) 在给定参数 θ、LV mesh 和压力下通过 Abaqus FEM 求解，提取腔体积和 24 个 AHA 节段周向应变
• 支撑论据：
• 准静态 cardio-mechanics 模型（Noè et al. 2019, J R Soc Interface 16(156):20190114）：∇·σ+b=0（域内平衡），σ·n=pendo·n_endon（Neumann 边界施加心内膜腔压力），u=ū（Dirichlet 边界固定位移）
• 不可压缩约束通过 Lagrange 乘子 p 实现，Cauchy 应力张量 σ 由应变能函数对应变求导得到
• 使用非线性有限元软件 Abaqus FEA (Simulia, Providence, RI, USA) 求解离散化模型；给定参数向量 ϑ、LV mesh 和目标 ED 压力，Abaqus 通过平衡内外机械能求解 end-diastole 变形网格
• 从变形网格提取 AHA 标准的节段周向应变：4 个短轴切片（从基底到中段心室）× 每切片 6 个 AHA 节段 = 24 个应变（Cerqueira et al. 2002, Circulation 105(4):539-542）
• 同时计算 end-diastole 腔体积；LV 几何重建细节由 Gao et al. 提供 (2017, J R Soc Interface 14(132):20170203)，包括周向节段应变的定义

• 给出两组参考参数：Wang et al. (2013) 基于 ex vivo 数据（a₀=0.236 kPa, b₀=10.810, af₀=20.037 kPa, bf₀=14.154, as₀=3.724 kPa, bs₀=5.164, afs₀=0.411 kPa, bfs₀=11.300）；Gao et al. (2017) 基于 in vivo 数据（a₀=0.18 kPa, b₀=2.6, af₀=3.34, bf₀=2.73, as₀=0.69, bs₀=1.11, afs₀=0.31, bfs₀=2.58）

• 我的分析：基底面固定是 2D cine CMR 的限制——3D tagged CMR 可提供基底运动但"需复杂处理和额外扫描时间"（§5.4）。这一边界简化对参数估计精度的影响未量化

段落 3：HGO 算法

• 核心论点：Gao et al. [28] 的三步 HGO 算法通过缩放参考参数 ϑ₀ 分步优化不同参数子集，每步用不同目标函数
• 支撑论据：
• Gao et al. (2015, J Eng Math 95(1):231-248) 提出三步算法（HGO），核心是不直接估计 ϑ 而是通过缩放参考值 ϑ₀（来自 Wang et al. 2013）估计，每步缩放不同参数子集
• 参数分两组：a-group={a,af,as,afs} 用 Ca 缩放，b-group={b,bf,bs,bfs} 用 Cb 缩放；第三步用 C₃ 调整 a 和 afs
• 目标函数 f_{O1}为绝对误差：[V(ϑ,H)-Ṽ]²+Σ[εᵢ(ϑ,H)-ε̃ᵢ]²，K=24 个周向应变
• 目标函数 f_{O2}为归一化误差：[(V(ϑ,H)-Ṽ)/Ṽ]²+Σ[εᵢ(ϑ,H)-ε̃ᵢ]²

• 更新版 HGO 算法（Gao et al. 2018, VPH Conference）增加基于 f_{O2,Klotz} 的 Ca、Cb 精炼步骤——该目标函数在 30 mmHg 下用 Klotz-curve 预测体积约束高压行为；且最后一步改为优化 a 和 b 而非 a 和 afs，因为 afs 敏感性远低于 a 和 b，且 afs 主要关联剪切响应而非直接测量的周向应变

• 我的分析：HGO 的分步策略利用专家知识（哪些参数在哪个应变方向上更敏感），但 BO 用统一目标函数避免这一需要——这是 BO 的方法论优势但也是与 HGO 比较的公平性争议来源

段落 4：参数缩减

• 核心论点：8 参数高度相关且不可从有限 CMR 数据完全识别，故缩减为 4 维流形
• 支撑论据：
• 8 个本构参数高度相关，无法从基于 CMR 扫描的有限数据完全识别（Gao et al. 2015; Davies et al. 2019）
• 遵循 Davies et al. (2019, J R Stat Soc C 68(5):1555-1576) 将参数缩减至 4 维流形：
• a=θ₁a₀, b=θ₁b₀（共享 θ₁，基质参数）
• af=θ₂af₀, as=θ₂as₀（共享 θ₂，纤维方向幅度参数）
• bf=θ₃bf₀, bs=θ₃bs₀（共享 θ₃，纤维方向指数参数）
• afs=θ₄afs₀, bfs=θ₄bfs₀（共享 θ₄，剪切参数）
• Wang et al. (2013) 提出的参考参数向量被多项后续研究采用（Gao et al. 2015; Davies et al. 2019），但基于 ex vivo 数据，可能对 in vivo 反演相关性有限

• 本文使用基于 in vivo 数据群体平均值的 Gao et al. (2017) 参考值；唯一例外是原始 HGO 算法实现中仍使用 Wang et al. (2013) 的参考值

• 我的分析：参数缩减是必要的但影响物理可解释性——θ₁ 同时缩放基质参数 a 和 b 意味着它们的比值被固定。如果个体化需要不同的 a/b 比值，这一缩放会限制模型的表达能力

段落 5：Klotz-curve

• 核心论点：用 Klotz et al. [35] 的 ex vivo 经验律约束高压（30 mmHg）下的体积预测，避免 in vivo 低压数据拟合的参数在高压区外推失真
• 支撑论据：
• in vivo 数据仅在生理正常（低）心室压力下采集；健康志愿者因测量有创性未记录实际压力，假设群体 ED 压力为 8 mmHg（Gao et al. 2015）
• 仅用低压数据只能估计描述低压心肌特性的参数；但产生相似低压行为的参数可能在高压（如 30 mmHg）下表现差异巨大
• 高压行为有临床意义：可揭示松弛受损的 LV stiffness，这是舒张性心衰的特征（Zile et al. 2004）
• Klotz et al. (2006, Am J Physiol Heart Circ Physiol 291(1):H403-12) 基于 ex vivo 数据建立经验律（Klotz-curve），适用于健康和病变（充血性心衰、LV 辅助装置支持）人心脏及动物心脏
• 归一化 ED 体积：Ṽ=(Ṽ-V₀)/(V₃₀-V₀)，其中 Ṽ 为测量压力 P̃ 下的体积，V₀ 为零压力 load-free 体积
• 经验关系：P̃=A·exp(BṼ)-B；组合得高压 ED 体积预测：V_Kl_30=V₀+(Ṽ-V₀)·(P̃/Â)^(1/B̂)
• 估计参数 Â=27.78, B̂=2.76（Klotz et al. 2006）
• V₀ 仅能 ex vivo 测量；用 in vivo early diastolic volume 近似 load-free volume，因为 LV 压力在 early diastole 最低（Gao et al. 2015; Mojsejenko et al. 2015, Biomech Model Mechanobiol 14(3):633-647）

• 目标函数 f_{O2,Klotz}= [(V₈(ϑ,H)-Ṽ₈)/Ṽ₈]² + Σ[εᵢ(ϑ,H)-ε̃ᵢ]² + [(V₃₀(ϑ,H)-Ṽ_Kl_30)/Ṽ_Kl_30]²

• 我的分析：Klotz-curve 是巧妙的正则化——用群体 ex vivo 经验弥补个体 in vivo 数据的不足。但 V̂₀ 的近似（early diastolic volume ≈ load-free volume）引入未量化的不确定性。Â=27.78, B̂=2.76 是群体估计，个体变异未讨论

段落 6：Gaussian process surrogate

• 核心论点：用 GP 回归作为 BO 的 surrogate model，采用 Matérn 3/2 核 + ARD（各维不同 length scale）
• 支撑论据：
• GP 允许精确插值（而非回归），这对确定性目标函数概念上是必需的；但因技术原因实际采用回归设定更实用（Rasmussen & Williams 2006）
• 确定性 forward simulator 数学上无噪声（σ²=0），但仍加入噪声项 ε_j~N(0,σ²) 的两个理由：(1) 数值求解的有限精度产生数值噪声；(2) GP 实践中常加小 jitter（如 10⁻⁹）到训练协方差矩阵对角以保证矩阵求逆数值稳定
• 采用 Matérn 3/2 核 + ARD，lᵢ 为第 i 维 length scale
• Matérn 3/2 产生连续轨迹（一次可微），同时提供相当程度的粗糙度，允许建模含 cliffs 和 plateaus 的函数
• 虽然该核排除标准二阶优化方法（如 quasi-Newton），但作者指出二阶方法在 AF 优化中因严重多模态性而用途有限；且基于实验，低阶 Matérn 类比高阶 Matérn 类在协方差矩阵求逆上数值更稳定

• 超参数向量 ϕ=(σ²,σ²_k,l₁,...,l_d)ᵀ，将观测噪声方差 σ² 视为超参数（Rasmussen & Williams 2006）

• 我的分析：Matérn 3/2 的选择合理——心肌力学目标函数可能有不连续区域（simulator 崩溃边界），Matérn 5/2 或 squared exponential 可能过于平滑。但作者提到"基于实验低阶 Matérn 比高阶数值更稳定"这一经验未充分论证

段落 7：Acquisition function——Expected Improvement

• 核心论点：用 Expected Improvement (EI) 作为 acquisition function，因为它对 GP surrogate 有闭式表达、概念简单且广泛使用
• 支撑论据：
• EI（Jones, Schonlau & Welch 1998）量化对当前最佳值 f 的期望改进量；对 GP surrogate GP(μ(x),k(x)) 有闭式表达：EI(x)=(f-μ(x))Φ(z)+√k(x)·φ(z)，其中 z=(f*-μ(x))/√k(x)，Φ 和 φ 分别为标准正态 CDF 和 PDF
• EI 由两项组成：第一项随预测均值 μ(x) 降低而增大（exploitation——利用已知有利区域）；第二项随预测不确定性 k(x) 增大而增大（exploration——探索不确定区域），自动平衡两者

• EI 概念简单（相比信息论 AF）、对 GP surrogate 有闭式表达、在多类问题上表现良好（Snoek, Larochelle & Adams 2012），是机器学习社区最流行的选择之一

• 我的分析：EI 的 exploration-exploitation 分解清晰。但作者后来承认 EI 可能在贪婪模式下运行 [64]，且加上 probit 约束后闭式优势消失——这引出了对 Entropy Search 和 portfolio AF 的讨论（§5.2）

段落 8：Inner optimisation

• 核心论点：用 OQNLP 全局搜索算法（替代 multi-start BFGS）优化 acquisition function，因 EI 多模态且 multi-start 不稳定
• 支撑论据：
• inner optimisation 虽不需昂贵的 forward simulation，但仍具挑战性（Wilson, Hutter & Deisenroth 2018, NIPS 31:9884-9895），原因是 EI 的典型多模态性——在数个点附近取峰值且其间平坦
• 常用 multi-start 方法（Kirschner et al. 2019, ICML PMLR:3429-3438）用 quasi-Newton（如 BFGS）从不同初始点多次优化
• pilot study 显示 multi-start 方法在本应用中表现不佳：测试了 squared exponential、Matérn 5/2、Matérn 3/2 和 neural network 等多种核，均常指示次优点导致 BO 运行不稳定；即使用异常多的重启次数（1000 次 Latin hypercube 采样）仍不稳定
• 改用 OQNLP 全局优化算法（Ugray et al. 2007, INFORMS J Comput 19(3):328-340；MATLAB Global Optimisation Toolbox 中为 Global Search）
• OQNLP 起点由 scatter search 算法计算（Glover 1998），而非随机选取；按目标函数值和约束满足情况评分后从最高分起点运行 gradient-based NLP 求解器

• 与标准 multistart 不同：OQNLP 分析剩余点并排除不太可能改进当前最优的点（考虑目标函数值、约束违反和 attraction basins——同一 attraction basin 的点被排除），这一 attraction basin 分析提升了效率

• 我的分析：inner optimisation 的稳定性是 BO 实践中常被忽视的关键环节——1000 次 multi-start 仍不稳定说明 EI 的多模态性严重。OQNLP 的 scatter search + basin 分析是合理的替代

段落 9：Unknown constraints

• 核心论点：用 GP 分类器（probit likelihood + expectation propagation）建模参数空间中 forward simulator 不崩溃的概率，加权 EI
• 支撑论据：
• BO 迭代中 AF 提议的点可能违反 HO 律的生物力学假设，表现为 forward simulator 崩溃，导致浪费计算
• Gelbart, Snoek & Adams (2014, UAI:250-259) 与 Snoek (2013 PhD thesis) 提出用约束满足概率加权 EI：EI_con(x)=EI(x)·P(x∈C)，P(x∈C) 为 x 不导致 simulator 崩溃的概率
• 用 GP 分类器 + probit likelihood（Snoek 2013），近似推断用 expectation propagation（Minka 2001, UAI:362-369），核同样用 Matérn 3/2
• probit likelihood 是概念上合理的方法，但会失去标准 EI 的解析可处理性——非高斯似然需近似推断（Laplace approximation, variational inference, 或 EP）
• 更简单的 label regression（LR）（Nickisch & Rasmussen 2008, J Mach Learn Res 9:2035-2078）用线性回归拟合二值结果，P(x∈C) 可显式计算但基于次优概率模型；LR 曾在肺循环 BO 中成功应用（Noè et al. 2017, Springer Computational Intelligence Methods），但本文 pilot study 发现 LR 不稳定、表现差

• 不允许从崩溃中学习会导致反复查询相似崩溃点，pilot study 显示这会显著增加崩溃次数

• 我的分析：这是实用的设计——simulator 崩溃在高维参数空间中不是罕见事件（HV A: 2-3 次, HV B: 0-6 次, HV D: 0-7 次）。分类器的准确度依赖于崩溃样本数量，初始阶段可能不足

段落 10：Partial error surrogates

• 核心论点：对目标函数的各平方误差项分别建立 GP surrogate，而非对总目标函数建一个 surrogate
• 支撑论据：
• 两个目标函数 f_{O2} 和 f_{O2,Klotz} 均为平方误差项之和，故可对每项分别建 surrogate（：f(ϑ,H)=Σ_{i=1}^{K'} f^(i)(ϑ,H)，f_{O2} 时 K'=K+1=25，f_{O2,Klotz} 时 K'=K+2=26）
• Davies et al. (2019) 在 emulation 框架中分别建模 cardiac model 输出向量取得显著精度提升，但该方案要求近似 EI（因需从各输出 surrogate 的预测均值推导）
• 对误差项而非输出建 surrogate 的优势：直接适用于 EI acquisition function 且不需任何近似——保留 EI 闭式表达
• 假设各 f^(i) 相互独立，各自用 GP 回归建模；若允许相关则需计算昂贵得多的 multi-output GP（Conti & O'Hagan 2010; Conti et al. 2009; Bonilla, Chai & Williams 2008, NIPS 21:153-160），会增加每次 BO 迭代计算开销，削弱 surrogate 相对 forward simulator 的"廉价性"

• 总目标的条件后验均值 μ_t(x)=Σ μ^(i)_t(x)，条件后验方差 k_t(x)=Σ k^(i)_t(x)，即各 partial 之和

• 我的分析：独立性假设是关键近似——各误差项通过共同参数 θ 耦合。但作者论证了多输出 GP [53-55] 的计算开销会抵消 surrogate 的"廉价性"。这一 trade-off 是合理的

段落 11：V₃₀ emulator

• 核心论点：为避免 30 mmHg 的第二次 forward simulation，训练 V₃₀ emulator（输入：θ + V̂₀），用单一"汇总统计"代替高维 LV mesh
• 支撑论据：
• 计算 f_{O2,Klotz} 需分别在 8 mmHg 和 30 mmHg 运行 forward simulator，计算时间加倍；且两次运行可能各自崩溃，崩溃参数可能不同，需两个分类器且仅当两次均成功才能更新 surrogate
• 为降低计算成本，提出用 emulator 而非 forward simulator 获取 V₃₀
• cardiac mechanics emulator 通常以本构参数为输入（Davies et al. 2019），但 forward simulator 输出还依赖 LV 几何；为使 V₃₀ emulator 适用于广泛 LV 几何（而非特定几何的 emulator），需纳入 LV 几何信息
• LV mesh 是高维对象（数千坐标），对任何 emulator 而言维度过高
• 初步实验发现：仅预测 30 mmHg 下的 LV 体积（而非应变）不需要 LV 形状细节，可基于 LV mesh 的单一"汇总统计"——load-free 体积近似 V̂₀——实现且无显著精度损失
• 最终 V₃₀ emulator 输入为缩放参数 θ 和 load-free 体积 V̂₀，近似真函数 V₃₀(θ,H)≈V₃₀(θ,V̂₀)

• 若同时需要 emulate 30 mmHg 下的周向应变，则需考虑更多 LV 几何细节

• 我的分析：这是计算效率的关键优化——将 30 mmHg 的 forward call 替换为 emulator 查询。但 emulator 在训练数据范围外（如 MI 患者）的精度未知

Results

段落 1：Basic study——BO vs HGO old

• 核心论点：在不含 Klotz-curve 的 basic study 中，BO 两种 surrogate 均在更少迭代中收敛到比原始 HGO 更低的目标函数值
• 支撑论据：
• 实验设置：BO 用 500 次迭代 + 40 次 Latin hypercube 初始设计（遵循 10d 经验法则，d=4；McKay, Beckman & Conover 1979, Dent Tech 21(2):239-245; Jones et al. 1998），4 名健康志愿者 HV A-D
• BO 通常约 200 次迭代后收敛，曲线随后保持平坦；HGO 通常需更多迭代才终止
• 所有 case 中 BO 均收敛到比 HGO 更低的目标函数值；HV C 最极端——BO 初始设计上的最低值已低于 HGO 最终值
• 定量结果：
• HV A: BO target ymin=0.0396 (181 iter) vs BO partial ymin=0.0396 (371 iter) vs HGO old 0.0406 (201 iter)
• HV B: BO target 0.0443 (528 iter) vs BO partial 0.0442 (525 iter) vs HGO 0.0460 (267 iter)
• HV C: BO target 0.0655 (518 iter) vs BO partial 0.0658 (499 iter) vs HGO 0.0932 (276 iter)
• HV D: BO target 0.0556 (247 iter) vs BO partial 0.0548 (516 iter) vs HGO 0.0600 (193 iter)
• 公平性比较 i(y_HGO_min)：HV B、C、D 中 BO 仅需 4-7 倍更少迭代即达到 HGO 水平（如 HV C: 40 iter vs HGO 276 iter）
• 两种 BO surrogate 表现相当，唯 HV D 中 partial error surrogate 收敛更快更好

• 与同 4 维参数空间的标准迭代优化（SQP）对比，BO 优于所有 SQP 初始点

• 我的分析：HV C 的差异最大（0.0655 vs 0.0932，约 30% 降低）——HGO 在这个几何上明显陷入局部最优。BO 的全局搜索能力是其优势的核心

段落 2：Stretch-stress 曲线——高拉伸下的差异

• 核心论点：HGO 在高拉伸（>1.15）下预测更高刚度，而 BO 和 HGO 在低拉伸下通常一致；HV C 是例外（HGO 全程过高估计刚度）
• 支撑论据：
• 分析沿肌细胞方向和 sheet 方向的虚拟单轴拉伸实验的 stretch-stress 曲线（方法参考 Gao et al. 2015; Guan et al. 2019; Sommer et al. 2015, Ann Biomed Eng 43(10):2334-2348）
• HGO 在高拉伸（>1.15）下沿肌细胞方向预测更硬心肌，低拉伸下 BO 与 HGO 响应通常非常一致
• HV C 是唯一例外——HGO 在整个拉伸范围预测远高于 BO 的刚度（沿肌细胞方向）；而沿 sheet 方向两种算法预测几乎相同
• 其余受试者的 sheet 方向拉伸：BO 预测比 HGO 更高刚度
• LV 几何变形（参考 Land et al. 2015, Proc R Soc A 471(2184):20150641 的 benchmark）总体相似，最大差异在 apical region（尤其 HV B），两种 BO 版本变形可比

• 根本原因：in vivo 测量对高拉伸下的 stiffening 效应信息不足——心肌在 in vivo 主要工作在 stress-stretch 曲线的线性区域，健康 LV 最大拉伸 <1.2（Mangion et al. 2016, Sci Rep 6:38774），低压数据对非线性 stiffening 参数约束不足

• 我的分析：这揭示了一个根本问题——in vivo 低压数据无法区分高压行为，因此不同算法给出不同的高压预测。这直接动机了 Klotz-curve 的引入

段落 3：Klotz-curve study——BO vs HGO new

• 核心论点：加入 Klotz-curve 后，BO 仍优于 updated HGO，但差距缩小；BO 三次独立运行稳定收敛
• 支撑论据：
• 使用含 Klotz-curve 先验的完整 BO 算法，与 Gao et al. (2018, VPH Conference) 的 updated HGO 算法对比，同一 4 名 HV
• 每种 BO 版本（target 和 partial error surrogate）独立运行 3 次（基于相同初始设计）验证鲁棒性
• 定量结果（取 target surrogate v1 为例）：
• HV A: BO ymin=0.040 vs HGO new 0.041（371 iter）；emulator vs simulator V₃₀ 差异 <10⁻³
• HV B: BO 0.048 (526 iter) vs HGO 0.051 (314 iter)
• HV C: BO 0.066 (140 iter) vs HGO 0.086 (297 iter)——差距最大
• HV D: BO 0.057 (534 iter) vs HGO 0.059 (474 iter)
• BO 三次独立运行结果高度一致（如 HV A target: v1/v2/v3 均为 0.040），证明程序稳定
• updated HGO 比 original HGO 更接近 BO（如 HV C 从 0.0932 降至 0.086），但仍未超越 BO
• 为排除 V₃₀ emulator 偏差，对每个 BO 运行在 ymin 和 y_{i_HGO_min} 对应点用 forward simulator 重新计算 V₃₀；Bland-Altman 图确认 emulator 与 simulator 的 f_{O2,Klotz} 差异量级为 10⁻³，验证 emulator 精度

• f_{O2,Klotz} 分解为 f_{O2} 分量（8 mmHg 体积和应变误差）和 Klotz 分量（30 mmHg 体积误差），显示 Klotz 分量相对 f_{O2} 分量迅速可忽略

• 我的分析：Klotz-curve 缩小了 BO-HGO 差距——因为高压约束缩小了可行参数空间，两种方法都更受约束。emulator 精度验证是关键——证明了用 emulator 替代 simulator 不引入偏差

段落 4：Klotz-curve 对 stretch-stress 的影响

• 核心论点：Klotz-curve 先验显著减小了 BO 和 HGO 在低拉伸区域的差异，且降低了高压区的预测刚度
• 支撑论据：
• 加入 Klotz-curve 先验后，除 HV C 沿 sheet 方向外，basic study 中观察到的 BO 与 HGO 在小拉伸（in vivo 可观测范围）的差异显著减小
• 与 basic study 的 stretch-stress 曲线对比：HV B 沿肌细胞方向的高拉伸预测刚度明显降低

• LV 几何变形也类似改善：HV B 在 basic study 中 apical region 的差异在加入 Klotz-curve 后消失

• 我的分析：Klotz-curve 起到了正则化作用——将参数空间约束到与 ex vivo 经验一致的区域。这改善了不同算法间的一致性，但也可能排除了一些个体化的（但偏离群体规律的）参数

Discussion

段落 1：Surrogate 性能与异质性

• 核心论点：target 和 partial error surrogate 无全局优劣，选择因 case 而异；partial error surrogate 在数据异质性高时预期更优
• 支撑论据：
• 对比两种 surrogate 性能未显示一致 pattern，优选 surrogate 类型取决于具体 LV 几何和数据
• 理论分析：完全同质数据下，K 个 partial surrogate 退化为学习相同映射，产生 K 个相同 surrogate；数据异质性越高，对单个误差建模灵活性的需求越大

• 预期 partial error surrogate 在应变数据异质性显著时（如 MI 患者）优于 target surrogate

• 我的分析：这一结论有实际指导意义——对 MI 患者（局部 stiffness 异质）应优先尝试 partial error surrogate。但"并行运行两种"的建议增加了计算成本

段落 2：Acquisition function 的局限与替代

• 核心论点：EI 的闭式优势在加入 probit 约束后消失；Entropy Search 和 portfolio AF 是两个有前景的替代方向
• 支撑论据：
• EI 的闭式表达优势在加入 probit-based 约束概率后消失——整个 EI_con 不再解析可处理，需近似推断（Laplace approximation, variational inference, 或 EP）
• EI 可能在贪婪模式下运行（Qin, Klabjan & Russo 2017, NIPS:5381-5391）
• 替代方向一：基于信息的策略，如 Entropy Search（Hennig & Schuler 2012, J Mach Learn Res 13(1):1809-1837; Hernández-Lobato et al. 2014, NIPS 27:918-926）——通过关注最小化器位置的后验分布来推断未知最小值位置，查询时考虑该查询对学习最小值位置的预期效果，而非如 EI 仅评估当前相信最小值所在处

• 替代方向二：AF 的 portfolio（Hoffman, Brochu & de Freitas 2011, UAI:327-336; Shahriari et al. 2016, Proc IEEE 104(1):148-175）——考虑多个 AF，用 meta-criterion（高层 AF）从各 AF 提议的查询点中选择最终查询点；经验研究表明不太可能开发出全局最优的 acquisition 策略

• 我的分析：作者诚实地指出了 EI 的局限——加了约束后的 EI_con 不再有闭式表达，理论上与 ES 无本质优势。portfolio 思路适应了"无全局最优 AF"的经验发现

段落 3：计算时间与临床可行性

• 核心论点：BO 中位数 7 分钟/迭代，200 次约 1 天，仍太慢用于临床实时；multi-task BO 可利用跨患者先验加速
• 支撑论据：
• 硬件为 Dual 10-core Intel Xeon 2.50 GHz CPU, 64 GB RAM 的 Linux 工作站
• 平均每次 BO 迭代约 9.5 分钟，中位数略超 7 分钟（10%、25%、75%、90% 分位数分别为 5.3、5.8、10.8、16.9 分钟）
• 500 次迭代对应中位数计算时间约 2.5 天；保守估计 200 次迭代约 1 天
• 但观察到目标函数在初始迭代快速收敛，提前终止在临床可能可接受
• multi-task BO（Swersky, Snoek & Adams 2013, NIPS:2004-2012）利用来自可比域（既往受试者优化）的先验知识，用 multi-task GP（Bonilla et al. 2008）捕获相关任务间关联，使新受试者可聚焦于既往已发现的有希望参数区域

• physics-informed machine learning 可能绕过 cardiac model 直接从临床影像估计参数（Alber et al. 2019, Npj Digit Med 2:115; Corral-Acero et al. 2020, Eur Heart J 41:4556-4564; Buoso & Joyce 2021, Med Image Anal 71:102066）；作者团队已开发基于 CNN 的 LV 几何自动预测框架（Romaszko et al. 2021, Artif Intell Med 119:102140）

• 我的分析：1 天的优化时间对临床研究（非急诊）可能可接受，但对日常临床决策不够。multi-task BO 是合理的加速方向——利用既往患者的优化轨迹作为新患者的先验

段落 4：心脏力学建模的更广视角

• 核心论点：当前 standalone LV 模型可进一步改进（加右心室、瓣膜、心包、血流耦合、电生理）；需估计 spatially varying stiffness（尤其 MI 患者）
• 支撑论据：
• standalone LV 模型仍广泛使用（Maso Talou et al. 2020, Front Phys 8:30; Hadjicharalambous et al. 2017; Peirlinck et al. 2019），但可进一步改进：纳入右心室、瓣膜、心包（更现实边界条件）、血流耦合、电生理
• Strocchi et al. (2020, J Biomech 101:109645) 在四腔心脏模型中用空间变化 Robin 边界条件表示心包；结果显示心包虽显著影响心室运动，但对局部应变和壁厚影响很小
• 基底面固定的限制可通过 3D tagged CMR 克服（Asner et al. 2016, Biomech Model Mechanobiol 15(5):1121-1139），但需复杂处理且额外扫描时间，非日常可用
• 空间变化刚度估计需求：即使健康心脏心肌刚度也可能空间变化；缺乏受控实验数据指导异质刚度分布（基于 AHA-17 分区或其他分区？）
• CMR T1 mapping 可提供间质纤维化信息（Everett et al. 2016, Clin Radiol 71(8):768-778），进一步指导心肌刚度
• MI 患者梗死区刚度通常远高于健康心肌（Gao et al. 2017）；Balaban et al. (2018, Biomech Model Mechanobiol 17(5):1317-1329) 用 adjoint-based data assimilation 方法结合 reduced HO 模型估计梗死心脏的异质弹性材料属性
• 对舒张性心衰患者（Zile et al. 2004; Zile et al. 2015, Circulation 131(14):1247-1259），心脏整体重构功能和结构（包括心肌刚度重构），故全局刚度估计仍有相关性

• HO-type 材料模型仍广泛使用，BO 框架可扩展到其他 HO-type 应变能函数及其他软组织本构律（如 Fung-type；Land et al. 2015）

• 我的分析：从全局参数到 spatially varying stiffness 是自然的下一步——但参数维度增加会加剧 BO 的效率挑战。adjoint-based 方法 [78] 可能更适合高维反演

Conclusion

段落 1：总结与贡献

• 核心论点：BO 在心脏力学 HO 模型参数反演中优于 state-of-the-art HGO 算法，partial error surrogate 是有前景的改进，Klotz-curve 先验约束高压外推
• 支撑论据：
• 提出 BO 框架用于 HO 模型参数反演，BO 收敛到更低的目标函数值且比已建立的 state-of-the-art 迭代优化算法需要更少的 forward simulator 调用
• 提出 partial error surrogate 新方法——对目标函数各误差项分别用 GP 近似；实证研究表明该方法可能优于标准 target surrogate，但优选方案可能因受试者而异（如依赖 LV 几何）
• 两个实证研究（basic study 和 Klotz-curve study）在 4 名健康志愿者上验证

• 承认仍需克服诸多挑战才能完整解决心脏力学被动参数辨识：详细心脏运动测量、unloaded residual-stressed 几何、微结构指导的空间异质性、与主动收缩和电生理的交互、in vivo 实验等（综述参考 Mangion et al. 2018; Peirlinck et al. 2021, Biomech Model Mechanobiol 20:1-29）

• 我的分析：结论准确但有节制——作者承认两种 surrogate 无全局优劣、计算时间仍需改善、multi-task BO 是必要的下一步。未过度声称临床就绪

摘要概述

本文将 Bayesian optimisation (BO) 框架引入基于 Holzapfel-Ogden (HO) 本构律的左心室被动力学参数反演问题，用于解决传统多步梯度优化 (HGO 算法) 因每次调用 Abaqus forward simulator 代价高昂而导致计算量过大的瓶颈。BO 用 Gaussian process 作为 surrogate model 近似目标函数，并以 Expected Improvement 作为 acquisition function 顺序选取下一查询点，从而在 exploration 与 exploitation 之间取得平衡。论文提出两种 surrogate 策略：target surrogate（直接近似总目标函数）与 partial error surrogate（分别近似各误差项再求和），并通过 Klotz-curve 先验项约束高压 (30 mmHg) 下的体积预测以避免在不可观测的高压区外推失真。基于四名健康志愿者 (HV A–D) 的 in vivo CMR 数据的实验表明，BO 在更少 forward 调用次数下收敛到比 HGO 与 SQP 更低的目标函数值，partial error surrogate 在多数 case 中略优于 target surrogate。

关键图表

Figure 1 — 心脏力学模型的反演 pipeline 示意图：CMR 影像 → LV 几何重建 → Abaqus forward simulator（在给定 HO 参数 θ 与压力下求解 BVP）→ 提取 8 mmHg 下的腔体积与 AHA 节段周向应变 → 与临床数据比对构造目标函数。一句话解读：清晰定义了从影像到参数反演的完整正向-逆向流程。

Figure 7 — Klotz-curve study 中 BO（target / partial error surrogate, 三次独立运行）与 HGO 在四名受试者上的目标函数收敛曲线对比，显示 BO 在更少迭代次数内收敛到更低值。一句话解读：实证了 BO 相对 HGO 在收敛速度与最终目标值两方面的双重优势。

Figure G8 — BO 收敛轨迹（虚线）与 SQP 从四个初始点得到的最终最优值（红点）、HGO 最优点（黑点）的对比，BO 轨迹始终低于所有 SQP 最优点。一句话解读：在同一 4 维参数空间下，BO 同样优于基于梯度的 state-of-the-art SQP 数值优化器。

与我的关联

该工作展示了如何在昂贵 FEM 正向模拟的语境下用 BO + GP surrogate 高效做参数反演，其 "partial error surrogate" 分解各误差项的思想对我用 G&R 模型做多目标参数标定有直接借鉴价值；Klotz-curve 先验约束高压外推的技巧也启示我在不可观测生理区间引入 ex vivo 经验律作为正则化。