Geometry-Aware Abdominal Aortic Aneurysm Digital Twin for Patient-Specific Wall Stress Mapping

Resumen Técnico: Gemelo Digital de Aneurisma de Aorta Abdominal con Conciencia Geométrica para el Mapeo de Estrés de Pared Específico por Paciente

Planteamiento del Problema
La estimación precisa de las distribuciones de estrés en la pared de los aneurismas de aorta abdominal (AAA) es esencial para mejorar la predicción del riesgo de ruptura más allá de los criterios tradicionales de diámetro máximo. Si bien el Análisis de Elementos Finitos (FEA) de alta fidelidad proporciona estimaciones de estrés específicas del paciente con precisión, su dependencia de un preprocesamiento laborioso (segmentación, generación de malla, supuestos de materiales) y un tiempo computacional sustancial limita su utilidad en la toma de decisiones clínicas en tiempo real. Además, las incertidumbres en las propiedades de los materiales y las condiciones de contorno pueden propagarse a las predicciones de estrés, complicando la traslación clínica. Los autores proponen una alternativa basada en datos para cerrar la brecha entre la anatomía derivada de imágenes y los endpoints biomecánicos de estrés, con el objetivo de crear un "gemelo digital con conciencia geométrica" que permita un mapeo rápido de estrés de pared específico para cada paciente.

Metodología
El estudio introduce un flujo de trabajo que convierte las imágenes de Angiotomografía Computarizada (CTA) en representaciones de grafos estandarizadas para predecir el estrés de la pared mediante Aprendizaje Profundo (Deep Learning).

1. Adquisición y Preprocesamiento de Datos:

   • Cohorte: Datos de CTA retrospectivos de 203 pacientes de tres centros clínicos.
   • Segmentación: Un pipeline de U-Net propio, refinado por expertos, generó máscaras binarias para la pared externa, la pared interna, la luz y el trombo intraluminal (ILT).
   • Estandarización: Las superficies de la pared externa se remallaron a un objetivo uniforme de aproximadamente 150,000 nodos para asegurar estadísticas de grafo comparables y un loteo (batching) consistente.
   • Generación de la Verdad de Campo (Ground Truth): Se realizaron simulaciones de FEA específicas para cada paciente en Abaqus utilizando un modelo de material hiperelástico de Mooney–Rivlin para la pared y el ILT. Se calcularon los primeros esfuerzos principales de la pared y se proyectaron de nuevo sobre la superficie estandarizada de la pared externa para servir como etiquetas de verdad de campo.

2. Ingeniería de Características (Feature Engineering):
   Se calcularon descriptores geométricos y biomecánicos específicos de cada nodo para cada vértice de la malla superficial, incluyendo:

   • Espesores: Espesor de la pared (WallTHK) y espesor del ILT (ILTTHK).
   • Curvaturas: Curvaturas principales ($k_1, k_2$), curvatura gaussiana ($K$) y curvatura media ($M$).
   • Geometría: Distancia al centroide de la luz ($r_L$), diámetro local normalizado (NORD) y la relación de espesor ILT-pared ($\rho_{ILT}$).
   • Biomecánica: Un sustituto de la resistencia de la pared ($\sigma_{ult}$) derivado de un modelo de regresión que incorpora la carga de trombo local, el diámetro, los antecedentes familiares y el sexo.
   • Contexto Local: Las características se aumentaron con estadísticas (media, desviación estándar, máximo, delta) calculadas a partir de los seis vecinos más cercanos (kNN-6) para capturar interacciones locales.
   • Atributos Globales: Atributos de nivel de grafo (ej. diámetro máximo, sexo, clase de ILT) se transmitieron (broadcast) a los nodos.

3. Modelos Sustitutos Basados en Grafos:
   La superficie del AAA se trató como un grafo $G=(V, E)$ donde los nodos representan vértices de la malla y las aristas representan la conectividad de la malla. Se compararon tres arquitecturas distintas de Redes Neuronales de Grafos (GNN):

   • Red Convolucional de Grafos con Compuerta (GGCN): Una arquitectura residual utilizando el paso de mensajes con compuerta (inspirada en las Redes Neuronales de Secuencia de Grafos con Compuerta) para propagar la información a lo largo de la malla. Utiliza actualizaciones tipo GRU para regular la integración de la información, estabilizando la optimización en grafos grandes e irregulares.
   • Red Neuronal de Grafos Equivariante (EGNN): Codifica explícitamente las simetrías euclidianas (invarianza a la traslación y rotación) actualizando simultáneamente las características de los nodos y sus coordenadas mediante mensajes basados en la distancia. Esto reduce la dependencia de marcos de coordenadas arbitrarios.
   • Transformer de Grafos (GT): Reemplaza el paso de mensajes estándar con atención de múltiples cabezales condicionada a la estructura del grafo y la geometría. Utiliza codificaciones relativas y posicionales para modelar interacciones acopladas biomecánicamente a largo alcance (ej. saco-cuello) y manejar patrones de estrés anisotrópicos.

4. Estrategia de Entrenamiento:

   • Objetivo: Los modelos fueron entrenados para predecir el campo completo de estrés de la pared por nodo.
   • Función de Pérdida: Se empleó una función de pérdida compuesta y sensible a la cola (tail-aware), que combina:
     • Error Cuadrático Medio (MSE) ponderado por estrés para dar mayor peso a los nodos de alto estrés.
     • Penalizaciones en la discrepancia de los resúmenes globales: Estrés Medio de la Pared ($\bar{\sigma}$) y el percentil 99 del Estrés de la Pared ($\sigma_{99}$).
     • Un término de pérdida de pinball (cuantil) para enfatizar específicamente la cola de alto estrés.
   • Aumento de Datos (Augmentation): Se incluyeron técnicas de submuestreo de nodos estratificados por estrés, aumento de datos geométricos y reponderación de estilo focal para casos complejos.

Contribuciones Clave

1. Pipeline de Gemelo Digital: Un flujo de trabajo reproducible que convierte imágenes de CTA en representaciones de grafos estandarizadas con descriptores geométricos y biomecánicos específicos de cada nodo.
2. Evaluación Sistemática: Una evaluación comparativa de las arquitecturas GGCN, EGNN y GT para estimar $\bar{\sigma}$, $\sigma_{99}$ y el campo completo de estrés de la pared en una cohorte de AAA multiinstitucional.
3. Entrenamiento Sensible a la Cola (Tail-Aware): Implementación de estrategias de entrenamiento y lectura diseñadas para mejorar la sensibilidad a las regiones de alto estrés clínicamente críticas sin sacrificar la precisión general.
4. Evaluación Integral: Reporte de errores a nivel de grafo, precisión a nivel de nodo, correlaciones espaciales y concordancia entre los mapas de estrés de la verdad de campo y los predichos por FEA.

Resultados

• Desempeño: Las tres arquitecturas de GNN lograron una alta fidelidad al reproducir los campos de estrés de la pared de FEA específicos de cada paciente.
• Mejor Modelo: El Transformer de Grafos (GT) demostró la mejor concordancia general. Logró un $R^2 > 0.97$ a nivel de nodo y un $R^2 > 0.98$ a nivel de grafo.
• Capacidades: El modelo GT capturó con éxito los patrones espaciales de estrés, preservó las tendencias biomecánicas y permitió una inferencia casi en tiempo real.
• Eficiencia: El marco redujo el tiempo de inferencia por caso de horas (requeridas para una simulación completa de FEA) a pocos segundos en una sola GPU.
• Comparación: Aunque el GGCN y el EGNN ofrecieron desempeños sólidos, la capacidad del GT para modelar campos receptivos globales e interacciones de largo alcance mediante mecanismos de atención proporcionó una precisión superior en la reproducción de la distribución de estrés y la cola de alto estrés.

Significancia y Reivindicaciones
El artículo postula que enmarcar la estimación del estrés de la pared como un gemelo digital con conciencia geométrica permite un mapeo de estrés de pared rápido, escalable y específico para cada paciente. Los autores afirman que, con un mayor refinamiento y cohortes más grandes, este marco basado en grafos tiene el potencial de fortalecer la evaluación del riesgo de ruptura y facilitar la integración de análisis biomecánicos rutinarios y específicos de cada paciente en los flujos de trabajo clínicos. El estudio enfatiza que el objetivo no es necesariamente la reproducción perfecta de cada valor nodal, sino la reproducción adecuada de la distribución general de estrés y la cola de alto estrés para derivar con precisión los resúmenes globales clínicamente relevantes ($\bar{\sigma}$ y $\sigma_{99}$) para la evaluación de riesgo individual. El marco se presenta como un camino complementario a la FEA tradicional, ofreciendo un sustituto basado en datos que puede aplicarse a otras patologías vasculares representables mediante mallas superficiales.