本文比较了跨解剖转移（cross‑anatomy transfer）与稀疏插值（sparse interpolation）在用于数字孪生的主动脉流体‑结构相互作用（FSI）代理模型中的表现。我们从 Vascular Model Repository 中挑选了四个去标识化的人体主动脉模型，分别重建为血管腔和厚度为 1.5 mm 的壁域，并在相同的首周期双向 FSI 条件下进行仿真。
在仅使用几何信息的 LightGBM 先验模型上，采用 leave‑one‑anatomy‑out（LOAO）策略在三个人体解剖上进行训练，然后对第四个解剖进行零样本（zero‑shot）评估。结果显示，零样本转移在所有目标上均表现不佳。
随后在六个目标点上进行稀疏场补全实验，使用 5% 的锚点（203 个锚点，3852 个评估节点）。在加入先验后进行适配，振荡剪切指数（OSI）的 $R^2$ 为 0.603。相比之下，仅使用相同锚点在三个人体解剖上进行直接插值的效果更好：
- 逆距离加权（IDW）: $R^2_{\text{OSI}}=0.829$, $R^2_{\text{peak von Mises}}=0.617$, $R^2_{\text{mean stress}}=0.676$
- 径向基函数（RBF）插值: $R^2_{\text{OSI}}=0.917$, $R^2_{\text{peak von Mises}}=0.714$, $R^2_{\text{mean stress}}=0.778$
因此，稀疏的同解剖标签能够有效完成场补全，而本研究的四解剖样本并未提供跨解剖先验优于直接插值的证据。
我们将此工作视为面向测量的数字孪生的第一计算阶段：本文评估了代理/更新层，后续工作仍需更大规模的样本、收敛的 FSI 仿真、可测量的患者侧输入以及物理约束的学习，尚未构成完整的临床数字孪生。
代码、数据和计算文件已公开于 https://github.com/ali-nourbakhsh2005/Aortic-FSI-Sparse-Field-Completion
点评：跨解剖先验在本案例中未展现出超越传统稀疏插值的优势，提示在数字孪生构建初期应优先考虑高质量的同解剖标签和插值方法，而非盲目引入跨解剖机器学习模型。