2023年3月29日，浙江大学控制科学与工程学院百人计划研究员蔡声泽（共同一作）与来自美国布朗大学、罗切斯特大学的学者合作，采用双光子显微成像与物理驱动人工智能方法，实现对活体小鼠大脑脑脊液的三维流场可视化测量，相关研究成果以《Artificial intelligence velocimetry reveals in vivo flow rates, pressure gradients, and shear stresses in murine perivascular flows》为题发表于美国科学院院刊（Proceedings of the National Academy of Sciences, USA）。

脑脊液是包裹在大脑血管周围的一种近似水的液体。大脑的废物清除和营养物质输送功能依赖于脑脊液的流动，因此其在保持大脑健康中发挥着重要作用。有研究表明，这种运输系统的病变与小鼠/人类的衰老、中风或神经退化等疾病息息相关，如能更好地了解脑脊液的流动机理，将有助于研究者更有效地预防和治疗相关疾病。而视觉成像与测量，便是我们感知物理流动机理的关键技术。 

近几年，科学家已经使用双光子显微成像技术和粒子跟踪测速方法，以较高分辨率测量了活体小鼠大脑血管周围脑脊液的流动速度，证明了体内流动测量的可能性。然而，上述方法通过跟踪荧光粒子获得流体局部矢量，所测速度分布稀疏且仅限于单一平面，难以还原三维全场的流动状态；同时，现有的体内测量方法都没有足够的分辨率来计算准确的剪切应力（即速度梯度），也无法直接量化脑脊液流动中的压力变化，这为精确的机理建模带来巨大的挑战。 

  为解决这一问题，控制科学与工程学院蔡声泽研究员与美国布朗大学George Karniadakis教授、罗切斯特大学Kimberly A. S. Boster博士和Douglas H. Kelley教授等学者合作，将物理先验与神经网络相融合，以数据和物理驱动的人工智能方法实现对活体小鼠大脑脑脊液的三维流场可视化测量，首次在活体实验中还原高分辨率的速度、压力、剪切应力等关键动力学参数。具体而言，研究团队提出基于物理内嵌深度神经网络模型，将粒子跟踪测速所得平面速度数据与流体控制方程融合于网络训练的目标函数；同时，利用双光子显微成像扫描脑脊液所在血管周围空间的三维结构，并将其加入神经网络训练约束，进而从二维平面速度测量中解析出三维空间流场分布。人工智能测速重建结果在验证数据中与测量值保持高度一致，同时可预测传统测量方法所无法获取的三维时变压力、壁面剪切应力等参数。该方法对刻画体内生物流体的流动机理有重要价值，在大量心脑血管疾病研究中有广泛的应用前景。例如，可通过活体实验构建壁面剪切应力与管内物质聚集的定量关系，揭示流体动力学参数、大脑血管周围腔体结构以及具体疾病的关联等等。  

图：物理内嵌神经网络增强的人工智能测速方法重构脑脊液三维速度场，并在验证数据上与粒子跟踪测速保持高度一致

图：人工智能测速方法重构脑脊液三维时变的压力、壁面剪切应力

该论文共同第一作者是罗切斯特大学Kimberly A. S. Boster博士和浙江大学控制科学与工程学院蔡声泽研究员，共同通讯作者是罗切斯特大学Douglas H. Kelley教授和美国布朗大学George Karniadakis教授。

论文链接：Artificial intelligence velocimetry reveals in vivo flow rates, pressure gradients, and shear stresses in murine perivascular flows