背景
心血管疾病仍然是全球主要的死亡原因，这推动了对更精确的诊断和预测工具的需求。传统的计算流体动力学(CFD)和流体-结构相互作用(FSI)模型已经为血液动力学模式和与疾病诊断及机制相关的动脉力学提供了深入见解。然而，由于计算成本高、缺乏临床验证，以及固有的生物变异性与患者特异性数据获取有限，将这些模型转化为临床实践面临挑战。
人工智能(AI)的最新进展为解决这些挑战开辟了新机遇。特别是，机器学习(ML)技术实现了数据驱动策略，通过代理模型或降阶模型加速模拟，并增强医学图像分析。通过自动进行图像分割并从临床成像数据中提取高维特征，机器学习有助于连接原始医学图像和高级数值模拟，为个性化心血管数字孪生体铺平道路。
本研究主题的目标是展示传统计算建模与新兴数据驱动技术之间的协同作用。我们旨在收集推进心血管建模当前最新技术水平的贡献，解决关键挑战，如改进模型构建、计算效率、优化患者特异性参数识别以及提高模型可靠性。
通过汇集生物力学、数据科学和临床成像领域的专家，我们旨在记录未来用于临床规划、风险分层和心血管设备设计的综合框架的发展进展。最终目标是突出基于物理的方法与数据驱动方法的融合如何能够带来更稳健、可解释且临床实用的心血管模型。
我们欢迎专注于心血管系统创新计算模型和方法的研究论文。我们还鼓励提交利用先进数据驱动方法、基于AI的方法或混合框架的稿件。本专题将接受以下文章类型：原创研究、系统综述、方法和综述。范围包括但不限于：
• 心血管结构中血流的高级CFD和FSI模拟
• 机器学习在心血管图像分割、重建和特征提取中的应用
• 结合物理和数据驱动方法的混合模型
• 不确定性量化和敏感性分析
• 心血管数字孪生体的多尺度建模和临床应用
• 利用计算流程的转化研究和临床决策支持工具
关键词：心血管建模，计算流体动力学，流体-结构相互作用，人工智能/机器学习，不确定性量化
重要提示：所有提交给本研究主题的稿件必须符合其提交的栏目和期刊的范围，如其使命声明中所定义。Frontiers保留将范围外的稿件引导至更合适的栏目或期刊的权利，这可在同行评审的任何阶段进行。
【全文结束】