玻尔百科现代医学成像的目标是超越静态的解剖学图像，定量测量生命的动态过程，例如血流量和新陈代谢。这通常通过将示踪剂引入血液，并使用 PET 或 MRI 等扫描仪观察组织如何响应来实现。然而，这里存在一个关键的知识鸿沟：如果没有精确了解输送给组织的示踪剂随时间变化的浓度，组织的响应就毫无意义。这个至关重要的输入信号被称为动脉输入函数 (AIF)。本文旨在阐明 AIF 在生理学测量中的核心作用。首先，“原理与机制”部分将定义 AIF，解释其在数学上对解卷积的必要性，并探讨精确测量它所面临的重大挑战。随后，“应用与跨学科联系”一章将展示 AIF 如何作为一种强大工具，在神经影像学、心脏病学等领域解锁人体生理学的奥秘。
为了窥探人体这部活体机器的内部——测量心肌获得了多少血液滋养，或绘制大脑中风的破坏区域——我们需要一种与组织“对话”的方式。我们不能简单地问它们情况如何。因此，我们派出一个“侦察兵”，一种特殊的分子，称为示踪剂，由血液携带。然后，我们用正电子发射断层扫描 (PET) 或磁共振成像 (MRI) 等扫描仪来“倾听”组织的响应。组织的“回答”——它随时间摄取和释放示踪剂的方式——向我们讲述了其健康和功能的故事。
但就像在嘈杂的房间里试图听清一段耳语一样，仅仅倾听组织的响应是不够的。我们还需要精确地知道最初“说”了什么。我们需要对传递示踪剂的“声音”进行完美记录。在医学成像的语言中，这个“声音”就是动脉输入函数 (AIF)。它是供给组织的动脉血中示踪剂每时每刻的浓度。没有一个清晰、准确的 AIF，组织的响应就无法解读。
其核心是一个系统问题。组织的行为类似于一个线性时不变 (LTI) 系统——这是说它随时间以一致的方式处理输入的专业术语。观测到的组织浓度 是输入信号——我们的 AIF，称之为 ——与组织自身的内在属性，即其脉冲响应 的数学卷积。可以把 AIF 想象成一个正在演奏的音符，而组织的响应则是小提琴发出的丰富、共鸣的声音；这个声音是音符与小提琴物理结构的“卷积”。要了解小提琴的结构，我们必须首先知道所演奏的确切音符。在数学上，我们想要求解方程 中的 。这个过程称为解卷积，它使我们能从组织的响应中揭示其隐藏的生理秘密。但这一切都取决于能否精确地获得 ，即 AIF。
测量“动脉血中示踪剂的浓度”到底意味着什么？这个看似简单的问题背后隐藏着一系列精彩的物理和生物学精妙之处。如果我们抽取一份血液样本，我们看到的并非均匀的红色液体。它是一个由细胞和液体组成的繁忙混合物，一个运动中的化工厂。
首先，血液由红细胞和它们漂浮于其中的液体——血浆——组成。红细胞所占的血液容积分数称为血细胞比容 ()。典型值约为 ，意味着血液的 是细胞， 是血浆。许多示踪剂，特别是 MRI 中使用的大分子钆或 PET 中的亲水性放射性示踪剂，不易进入红细胞。它们被限制在血浆中。组织真正可利用的“输入”是血浆中的示踪剂浓度 ，因为是血浆通过薄薄的毛细血管壁直接与组织进行物质交换。
全血中的总浓度 只是血浆中浓度和红细胞中浓度 的容积加权平均值：
如果示踪剂不进入红细胞，那么 ，公式便奇妙地简化为 。整理后，我们发现血浆浓度与全血浓度通过一个简单的比例因子相关联：。对于 的血细胞比容，这意味着 。组织实际看到的示踪剂浓度可能几乎是粗略的全血测量值所显示的近两倍！将两者混为一谈是定量成像中的一个基本错误。
但我们还没完。进一步审视血浆，我们会发现另一个复杂情况。人体的代谢机制会立即开始处理我们的示踪剂，将其分解成不同的分子，称为放射性标记的代谢物。在 PET 扫描中，原始的“母体”示踪剂及其代谢物都具有放射性，并对信号有贡献。然而，组织的受体和转运蛋白通常具有高度特异性。它们被设计用来识别母体分子，而不是代谢物。使用一个包含代谢物的总血浆放射性曲线，就好比试图把一把还连着一个又大又笨的钥匙串的钥匙插入锁中，根本行不通。模型的动力学参数，如摄取率 ，是针对母体化合物的化学性质的。
因此，我们得出了一个严谨的物理定义：真正的动脉输入函数是动脉血浆中未代谢的母体示踪剂随时间变化的浓度，即 。任何其他定义都是会引入偏差的近似。例如，如果在某个时刻，全血放射性是总血浆放射性的 倍，而该血浆放射性中只有 是母体化合物，那么错误地使用全血测量值将导致我们低估组织摄取率约 ——这是一个因忽视这些基本原理而产生的重大误差。
我们为什么要费这么大劲？因为有了准确的 AIF，我们就能完成一些真正了不起的测量。我们可以将一系列模糊的图像转化为一幅定量的生理学图谱。
考虑一种精妙的方法，称为 Patlak 图，它适用于那些能进入组织但至少在我们的实验时间尺度内不易离开的示踪剂。我们在一个组织体素中看到的示踪剂总浓度 是两部分之和：仍在体素微小血管内流动的示踪剂，以及已渗漏到血管外间隙的示踪剂。第一部分就是动脉血浆浓度 乘以体素中血浆所占的容积分数 。第二部分是随时间累积的渗漏量。如果渗漏速率与动脉浓度成正比——我们称这个清除常数为 ——那么总渗漏量就是这个通量的积分。这给了我们一个简单而强大的模型：
乍一看，这似乎很复杂。但奇妙之处在于，如果我们对方程两边同除以 进行一点代数重排，我们得到：
这是直线方程 ！如果我们以左边的项（组织与动脉浓度之比）为 Y 轴，以右边那个看起来很奇怪的时间积分项为 X 轴作图，我们的动态数据点应该会落在一条直线上。这条线的斜率 () 直接测量了血管的渗漏性 ，而 y 轴截距 () 则是血浆容积 。一个在复杂生物组织中随时间展开的过程，被线性化成了一张简单的图表，而精确测量的 AIF 正是实现这一转变的关键。
这种能力不仅限于测量血管渗漏。例如，当我们要测量心脏的血流量时，我们可能会使用 -水，一种能自由扩散进出组织的示踪剂。一张简单的静态图像似乎就够了，但其实不然。在较晚时间点拍摄的静态图像反映的是示踪剂的平衡态分布容积（其分配系数 ），这与血流量无关。要测量血流量，我们必须捕捉示踪剂最初冲入组织的动态过程，这个速率由常数 决定，而 才与血流量成正比。没有一个完整的动态动力学模型，就不可能从数据中解析出这个 ，而这个模型，再一次地，是由 AIF 驱动的。
AIF 是一个优美的概念，但测量它却是一项艰巨的实践挑战。“金标准”方法是在动脉中插入一根导管，在整个扫描过程中持续抽血。这种方法是侵入性的，技术要求高，且并非对所有患者都可行。
自然的替代方法是直接从动态图像本身测量 AIF——即图像衍生输入函数 (IDIF)。我们可以简单地在一条大动脉上（如颈部的颈动脉或胸部的主动脉）画一个感兴趣区域 (ROI)，并记录其信号随时间的变化。但会出什么问题呢？事实证明，几乎所有环节都可能出错。
首先，我们的成像设备空间分辨率有限。它们看世界时带有一点模糊。当我们在一条小动脉上画一个 ROI 时，会发生两种伪影。动脉的信号被涂抹开，其中一部分与周围的非动脉组织平均，从而降低了其表观强度。这就是部分容积效应。同时，明亮的周围组织的信号会“溢入”我们的动脉 ROI，污染它。这就是溢出效应。我们在 ROI 中测得的信号 并非真实的全血浓度 ，而是一个被破坏的混合体：，其中 是一个小于 1 的恢复因子， 是来自相邻组织 的溢出分数。校正这个问题需要一个完整的“去污染”程序，通常需要一次独立的高分辨率解剖扫描（如 MRI）来测量血管的真实尺寸，并需要一个精细的扫描仪模糊模型。
在某些类型的成像中，比如 DSC-MRI，还有另一个陷阱。在这里，高浓度的对比剂会导致信号下降。如果大动脉中的浓度过高，信号可能会降到谷底并“饱和”。超过这个点，浓度的增加不会导致信号进一步下降，AIF 的真实峰值就被削平了。这迫使我们做出一个微妙的权衡：我们必须找到一条足够纯净以作为良好 AIF 的动脉，但其浓度又不能高到使测量饱和，这使得中等口径的动脉通常比最大的动脉更好 [@problem_-id:4906231]。
即使我们能在一个位置测量到完美、纯净的动脉信号，我们还面临着延迟和弥散的问题。血液不是瞬移的。它从颈部的大动脉到达大脑的一小块组织需要时间。此外，当示踪剂团块沿着分叉的血管树向下移动时，它会散开，这个过程称为弥散。在颈动脉测得的尖锐、早期的团块并不是脑细胞所看到的。它们看到的是那个输入的延迟、展宽的版本。
忽略这种不匹配的后果可能是毁灭性的。在缺血性中风中，大脑某个区域的血流可能由围绕堵塞处的缓慢、蜿蜒的侧支通路供应。如果我们使用来自健康、快速流动的动脉的 AIF 来分析这个慢流组织，我们的解卷积模型会看到“输入”和组织“响应”之间存在很长的延迟。如果没有特殊校正，算法会将此延迟误解为病理性的慢血流，可能严重低估真实血流量，以至于将可挽救的组织（半暗带）误判为死亡组织（梗死核心）。一个看似技术性的 AIF 选择，可能会对治疗决策产生生死攸关的影响。
这些效应的微妙之处可能导致非常反直觉的结果。假设由于部分容积效应，我们测量的 AIF 只是被一个常数因子衰减了，比如 ，其中 。人们可能会猜测，得到的血流量估计值也会按某个因子缩放。但解卷积的数学原理讲述了一个不同的故事。为了用一个强度只有一半的输入来解释相同的组织响应，模型会得出结论：组织的效率——即脑血流量 (CBF)——必须是原来的两倍！CBF 被高估了 倍。然而，通过中心容积定理 () 的优雅逻辑，这个误差的传播方式使得平均通过时间 (MTT) 的估计值能够奇迹般地保持无偏。要得到正确的答案，不仅需要良好的测量，还需要对整个系统交织在一起的物理和数学有深刻的理解。
领会了动脉输入函数 (AIF) 的数学优雅之后，您现在可能想知道：“这一切究竟有什么用？” 这是一个合理的问题。一个物理原理，无论多么优美，只有当它让我们能以一种新的方式看待世界——回答我们以前无法回答的问题时，才真正焕发生机。AIF 不仅仅是一个数学上的奇趣之物；它是一把万能钥匙，能够解锁对活体组织的定量理解。它将我们的医学扫描仪从单纯拍摄解剖图片的相机，转变为测量生理功能的强大物理实验。
让我们开启一段穿越身体的旅程，从大脑错综复杂的通路到心脏不知疲倦的肌肉，看看这个单一的概念——知道输入是什么——如何让我们推断出内部隐藏的秘密运作机制。
大脑，那个重三磅的思想与情感的宇宙，是氧气和营养物质的贪婪消耗者，需要持续且极其精细调控的血液供应。因此，AIF 最早和最深刻的一些应用出现在神经影像学中，也就不足为奇了。
想象一下，向患者手臂注射一种小剂量的、暂时的磁性示踪剂（一种钆基对比剂）。当这团紧凑的示踪剂（即弹丸）扫过大脑动脉时，它会瞬间改变磁场，导致 MRI 信号出现下降。如果我们在一条主要动脉（如大脑中动脉）中放置一个微小的数字探针，我们就可以记录下这个信号随时间下降的过程。这个记录就是我们的 AIF。同时，我们可以观察脑组织某个区域的信号下降。这就是我们的组织曲线。
现在，这里有一个极其简单的想法，它是指示剂稀释理论的基石。如果示踪剂不能渗漏出血管，那么通过该组织的总示踪剂数量就与该组织内所含的血液容积成正比。在数学上，这意味着血容量与组织曲线下面积与 AIF 曲线下面积之比成正比。突然之间，我们有了一种方法来创建相对脑血容量 (rCBV) 的图谱，这是对大脑血管“不动产”的直接、定量测量。
这个简单的比率是一个强大的诊断工具。例如，在区分高级别脑肿瘤（如胶质母细胞瘤）和脑脓肿（一种被包裹的感染）这一困难任务中，这个原理大放异彩。胶质母细胞瘤以诱导新生血管形成——一个混乱而密集的的新血管网络——来支持其快速生长而臭名昭著。脓肿壁虽然有炎症，但其血管本质上较少。通过测量一个神秘病灶强化环的 rCBV，我们发现胶质母细胞瘤的 rCBV 远高于脓肿。基于简化的、假设性信号曲线的计算可以显示，肿瘤的 rCBV 是脓肿的七倍以上，这是一个鲜明的差异，虽然基于模型，但反映了帮助指导外科医生和肿瘤科医生的真实临床效用。
但当情况变得复杂时会发生什么？在急性缺血性中风中，血栓堵塞了动脉，使下游组织缺血。一些组织立即死亡（梗死核心），但其周围是“半暗带”——存活但功能衰竭的组织，一个濒临死亡的区域。当务之急是恢复血流以挽救半暗带。灌注成像就是我们的指南。半暗带的经典定义是血流量低但血容量尚存（因为血管会扩张，拼命试图吸入更多血液）。但在这里我们遇到了一个障碍。引起中风的堵塞也延迟了我们示踪剂弹丸的到达。一个不够智能、无法考虑这种延迟的算法会误解这个迟到的曲线，计算出一个假的、过长的通过时间，并模仿了半暗带的特征。这可能导致“假阳性”半暗带，即我们图谱上的一个幽灵。解决方案在于更复杂的数学——能够明确考虑延迟和弹丸弥散（涂抹）的解卷积算法，使我们能将真实的病理与血管中的交通堵塞区分开来。这就是物理学、数学和医学在与时间赛跑中的交汇点。
大脑的血管系统不仅仅是一个管道网络；它是一座堡垒，受到血脑屏障 (BBB) 的保护。在健康组织中，这个屏障对我们的钆示踪剂是不可渗透的。但在肿瘤、炎症或中风中，这座堡垒可能被攻破。AIF 赋予我们测量这种渗漏性的能力。使用一种略有不同的 MRI 技术 (DCE-MRI)，我们观察从血管中逃逸并进入周围组织空间的示踪剂。通过应用药代动力学模型，将组织视为一个各室之间存在交换的系统，我们可以将测量的组织曲线拟合到一个由测量的 AIF 驱动的模型。这使我们不仅可以估计血容量，还可以估计容量转移常数 ，这是对血管通透性的直接测量。我们简直可以绘制出大脑堡垒完整性的地图。
AIF 的力量并不仅限于大脑。其原理是普适的，但必须根据每个器官独特的生理机能进行明智的调整。这正是该方法作为一个生理学探究框架的真正美妙之处。
让我们去看看心脏。一位病人胸痛，但血管造影——一种主要冠状动脉的 X 射线检查——显示没有堵塞。病人没事吗？不一定。问题可能出在微血管系统，即血管造影无法看到的庞大微小血管网络。在这里，配备了 AIF 概念的正电子发射断层扫描 (PET) 提供了答案。我们测量静息状态下的绝对心肌血流量 (MBF)，然后在药物负荷状态下再次测量，这应该会使健康的血管急剧扩张。负荷状态下的血流量与静息状态下的血流量之比就是冠状动脉血流储备 (CFR)。一颗健康的心脏可能有 或 的 CFR，意味着它可以在需要时将其血液供应增加三倍或四倍。如果我们发现一个病人的 CFR 全局性地降低到（比如说），这就告诉我们他们的微血管有病变，无法正常扩张。这就是“平衡性缺血”——一种解剖成像无法看到，但通过基于 AIF 的定量测量的力量而暴露无遗的病症。
现在考虑肝脏，人体的巨大化工厂。其生理学提出了一个独特的挑战：它有双重血液供应。大约 的血液来自肝动脉，是新鲜血液，但另外 来自门静脉，携带的是已经流经胃和肠道的富含营养的血液。要正确地为肝脏建模，我们不能使用单一的 AIF。我们需要一个双输入模型，同时考虑尖锐、早期的动脉输入和延迟、弥散的门静脉输入。此外，肝脏的毛细血管，称为肝血窦，通透性极高。示踪剂几乎立即外渗。
所以，看看我们得到了什么。对于大脑，由于其完整的 BBB，我们使用单输入、血管内模型。对于心脏，由于其毛细血管有中度渗漏，我们需要一个单输入、双室交换模型。对于肝脏，由于其双重供应和高通透性的肝血窦，我们需要一个双输入、双室模型。比较输入与组织响应的基本思想保持不变，但具体的数学模型是根据器官的生物学特性量身定制的。AIF 为描述这些截然不同的系统提供了统一的语言。
到目前为止，我们的方法都依赖于注射外部物质。但如果我们可以在不注射的情况下进行这个实验呢？这就是动脉自旋标记 (ASL) MRI 背后令人惊叹的巧妙构思。
通过使用精确调谐的射频脉冲，MRI 扫描仪可以“标记”流经颈部动脉的血液中的水分子——只需翻转它们的磁取向即可。这些被标记的血液随后流向大脑，充当一种可自由扩散的内源性示踪剂。这种情况下的“AIF”是一个理论构建：一个描述这团磁标记水分子到达的函数。它的形状不是由注射器决定的，而是由标记脉冲的持续时间、血液的 T1 弛豫率（磁性标记衰减的速度）以及血液从颈部流到脑组织所需的时间决定的。尽管示踪剂和“AIF”完全不同，但我们测量到的脑组织信号的数学描述，惊人地与我们之前看到的输入函数与组织残留函数的卷积相同。这证明了其背后物理原理的统一力量。
将这些优美的原理转化为可靠、可重复的科学测量是艰苦的工作。它需要对细节的执着和对潜在陷阱的深刻理解。这就是定量科学的工程灵魂。
首先，必须认识到并非所有测量方法都是平等的。假设我们同时用 DSC-MRI（使用血浆中的钆示踪剂）和 PET（使用标记红细胞的一氧化碳示踪剂）测量脑血容量。为什么数字不完全匹配？答案在于细节。如果动脉没有完全填满成像体素，MRI 中的 AIF 测量值可能会因“部分容积效应”而被稀释，导致对血流量和血容量的高估。两种示踪剂测量的是不同的东西：一种测量血浆容积，另一种测量红细胞容积，而它们在微血管中的分布并不完全相同。未经校正的 MRI 示踪剂渗漏会破坏信号。每种方法都有其微妙的偏差，理解它们是正确解释结果的关键。
由于这些敏感性，标准化至关重要。一个生物标志物只有在不同医院、不同扫描仪上对同一名患者产生相同结果时才有用。这催生了像定量成像生物标志物联盟 (QIBA) 等组织所做的重大努力，以标准化过程的每一步。对比剂应以多快速度注射？（快，大约 ，并用生理盐水冲洗以保持弹丸紧凑）。所需的最低时间分辨率是多少？（要快到足以捕捉 AIF 峰值，通常低于 2 秒）。在示踪剂到达之前，我们如何测量基线组织特性？（使用尽可能精确的方法，包括对硬件缺陷的校正）。遵循一个严谨、标准化的方案，是区分定量成像与单纯拍照的关键。
最后，我们站在前沿。我们已经使用 AIF 来测量感兴趣区域内的参数。但是，AIF 和我们的物理模型能否帮助我们定义那个区域呢？想象一下试图分割一个肿瘤。旧方法是在静态图像上找到一个单一的阈值。新的、基于模型的方法是询问每个体素的整个时间序列数据：“给定 AIF，这个动态曲线是由‘肿瘤’模型而非‘正常组织’模型生成的概率是多少？”这导致了一种基于似然比检验的复杂分类，它隐含地使用了一个源于示踪剂输运物理学的、随时间变化的阈值。这是物理建模与机器学习的交汇点，这种强大的融合有望使我们对医学图像的解读比以往任何时候都更加客观和准确。
从一个简单的面积比到一个用于组织分类的复杂工具，动脉输入函数是一条贯穿始终的线索，它将物理学、数学、工程学和医学联系在一起。它提醒我们，在科学中，最深刻的见解往往来自最简单的问题——在这个案例中，就是那个极其基本而又强大的问题：“输入的是什么？”