Hyperelastic Cardiovascular NN–FE: A Framework for Integrating Nonlinear Finite Element Solvers with Neural Networks for the Hyperelastic Modeling of Cardiac Valve Tissue

मानव हृदय एक अथक पंप है, लेकिन इसके वाल्व वे शांत द्वारपाल हैं जो यह सुनिश्चित करते हैं कि रक्त केवल एक ही दिशा में प्रवाहित हो। ऊतक की ये नाजुक परतें, जिन्हें लीफलेट्स (leaflets) कहा जाता है, निरंतर दबाव को सहती हैं, और हर धड़कन के साथ खिंचती और वापस अपनी जगह पर आती हैं। यह समझने के लिए कि वे कैसे काम करते हैं, या ऐसे कृत्रिम प्रतिस्थापन डिजाइन करने के लिए जो विफल न हों, वैज्ञानिकों को यह अनुमान लगाने की आवश्यकता होती है कि तनाव के तहत यह ऊतक बिल्कुल कैसे विकृत होता है। पारंपरिक रूप से, इसे जटिल कंप्यूटर सिमुलेशन का उपयोग करके किया जाता था जो ऊतक को एक गणितीय पहेली की तरह मानते थे। ये सिमुलेशन अविश्वसनीय रूप से सटीक होते हैं लेकिन भी अविश्वसनीय रूप से धीमे होते हैं, अक्सर एक एकल परिदृश्य को चलाने में घंटों या यहाँ तक कि दिन भी लग जाते हैं। यह गति सीमा उन्हें वास्तविक समय के उपयोगों के लिए अव्यवहारिक बनाती है, जैसे कि ऑपरेशन के दौरान सर्जन का मार्गदर्शन करना या एक ही दोपहर में हजारों डिवाइस डिजाइनों का परीक्षण करना। दूसरी ओर, नए तरीके जो पूरी तरह से डेटा और आर्टिफिशियल इंटेलिजेंस (AI) पर निर्भर करते हैं, वे तेज़ हो सकते हैं, लेकिन उनमें अक्सर ऊतक को नियंत्रित करने वाले भौतिक नियमों की गहरी समझ की कमी होती है, जिससे कभी-कभी ऐसे परिणाम मिलते हैं जो देखने में तो तर्कसंगत लगते हैं लेकिन भौतिक रूप से असंभव होते हैं।

शोधकर्ताओं की एक टीम ने अब इस अंतर को पाट दिया है क्योंकि उन्होंने एक नया हाइब्रिड सिस्टम बनाया है जो आर्टिफिशियल इंटेलिजेंस की गति को पारंपरिक इंजीनियरिंग सॉफ्टवेयर की कठोर भौतिक सटीकता के साथ जोड़ता है। उनका कार्य ट्राइकसपिड वाल्व (tricuspid valve) पर केंद्रित है, विशेष रूप से पोस्टीरियर लीफलेट (posterior leaflet) पर, जो हृदय के दाहिने हिस्से में पाया जाने वाला ऊतक का एक पतला, लचीला पर्दा है। शोधकर्ता यह देखना चाहते थे कि क्या वे एक कंप्यूटर प्रोग्राम को प्रशिक्षित कर सकते हैं जो विभिन्न बलों के तहत इस ऊतक के खिंचने और मुड़ने की भविष्यवाणी कर सके, बिना हर बार उन धीमे और भारी सिमुलेशन को चलाए। उन्होंने केवल कंप्यूटर को पिछले चित्रों के आधार पर अनुमान लगाना नहीं सिखाया; इसके बजाय, उन्होंने एक ऐसा सिस्टम बनाया जहाँ कंप्यूटर के अनुमानों की लगातार एक 'फिजिक्स इंजन' द्वारा जाँच और सुधार किया जाता है। यह दृष्टिकोण यह अनुमति देता है कि सिस्टम ऊतक के वास्तविक यांत्रिक व्यवहार को सीख सके और साथ ही वास्तविक दुनिया के अनुप्रयोगों के लिए आवश्यक गति को भी बनाए रख सके।

इस सिस्टम को बनाने के लिए, टीम ने वास्तविक जैविक डेटा से शुरुआत की। उन्होंने सूअर के हृदय से वास्तविक ऊतक का नमूना लिया, जो मानव हृदय की यांत्रिकी के लिए एक सामान्य मॉडल है, और वाल्व के केंद्र से ऊतक का एक छोटा सा चौकोर टुकड़ा निकाला। फिर उन्होंने इस नमूने को एक मशीन में रखा जिसने इसे चार तरफ से खींचा, जिससे इसे विभिन्न संयोजनों में बल के साथ खींचा गया। उन्होंने खींचने के सात अलग-अलग पैटर्न का परीक्षण किया, जिसमें समान रूप से सभी दिशाओं में खींचने से लेकर एक दिशा में दूसरी दिशा की तुलना में बहुत अधिक जोर से खींचने तक शामिल थे। इन विशिष्ट भारों के तहत ऊतक कैसे हिला और विकृत हुआ, इसका माप लेकर उन्होंने इसके यांत्रिक व्यवहार का एक विस्तृत मानचित्र तैयार किया। उन्होंने पुष्टि की कि ऊतक एक 'हाइपरइलास्टिक' (hyperelastic) सामग्री की तरह व्यवहार करता है, जिसका अर्थ है कि यह खिंचने के बाद अपने मूल आकार में वापस आ जाता है, लेकिन जितना अधिक इसे खींचा जाता है, यह उतना ही सख्त होता जाता है—एक ऐसा गुण जो हृदय के वाल्वों को ठीक से कार्य करने के लिए आवश्यक है।

उनके नए ढांचे का मूल दो अलग-अलग प्रकार के कंप्यूटर प्रोग्रामों के बीच की साझेदारी है। पहला एक 'न्यूरल नेटवर्क' है, जो पैटर्न पहचानने के लिए डिज़ाइन किया गया आर्टिफिशियल इंटेलिजेंस का एक प्रकार है। यह नेटवर्क एक तेज़ भविष्यवक्ता के रूप में कार्य करता है, जो ऊतक पर स्थान और लगाए गए बल की मात्रा को लेता है, और तुरंत अनुमान लगाता है कि उस विशिष्ट बिंदु पर कितनी हलचल होगी। हालाँकि, क्योंकि ऊतक जटिल है और बल गैर-रैखिक (nonlinear) हैं, इसलिए एक साधारण अनुमान शायद ही कभी सटीक होता है। यहीं पर सिस्टम का दूसरा भाग काम आता है: एक पारंपरिक 'फाइनाइट एलीमेंट सॉल्वर' (finite element solver)। यह भारी-भरक इंजीनियरिंग सॉफ्टवेयर है जो भौतिकी के नियमों की गणना करता है ताकि यह सुनिश्चित हो सके कि ऊतक संतुलन की स्थिति में है। इस नए ढांचे में, न्यूरल नेटवर्क एक त्वरित अनुमान लगाता है, और इंजीनियरिंग सॉफ्टवेयर तुरंत हस्तक्षेप करता है, यह सुनिश्चित करने के लिए कि भौतिकी के नियम संतुष्ट हों। न्यूरल नेटवर्क फिर इस सुधार से सीखता है, और अगली बार बेहतर अनुमान लगाने के लिए अपने आंतरिक तर्क को समायोजित करता है।

यह "सॉल्वर-इन-द-लूप" (solver-in-the-loop) दृष्टिकोण अत्यधिक प्रभावी सिद्ध हुआ। शोधकर्ताओं ने प्रशिक्षण डेटा से एक सातवें खिंचाव पैटर्न को छिपाकर अपने सिस्टम का परीक्षण किया और उस छिपे हुए पैटर्न के परिणाम की भविष्यवाणी करने के लिए कहा। अधिकांश मामलों में, सिस्टम ने उच्च स्तर की सटीकता के साथ ऊतक की गति की सफलतापूर्वक भविष्यवाणी की। ऊतक के समग्र आकार और गति के लिए, भविष्यवाणियाँ औसतन 15 प्रतिशत से कम अंतर पर थीं, और गति का समय वास्तविक भौतिकी के साथ लगभग पूरी तरह से मेल खाता था। ऊतक के खिंचने की मात्रा की भविष्यवाणी करने में सिस्टम और भी सटीक था, जिसमें त्रुटि 1.4 प्रतिशत से भी कम थी। जब बात आंतरिक तनाव (internal stress), या ऊतक के रेशों के भीतर महसूस किए जाने वाले बल की आई, तो त्रुटि 7.8 प्रतिशत से नीचे रही। ये परिणाम बताते हैं कि सिस्टम ने वास्तव में ऊतक के व्यवहार के अंतर्निहित नियमों को सीखा है, न कि केवल उसे दिखाए गए डेटा को याद किया है।

अध्ययन ने यह भी बताया कि सिस्टम कहाँ संघर्ष करता है। भविष्यवाणियाँ ऊतक के नमूने के मध्य भाग में सबसे सटीक थीं, जहाँ गति सुचारू और अनुमानित होती है। त्रुटियाँ किनारों के पास केंद्रित होने लगीं, जहाँ ऊतक को परीक्षण मशीन द्वारा पकड़ा गया था। यह मैकेनिक्स की एक ज्ञात चुनौती है; किनारों पर तीव्र बाधाएं जटिल 'स्ट्रेस कंसन्ट्रेशन' (stress concentrations) पैदा करती हैं, जिन्हें किसी भी मॉडल के लिए पूरी तरह से हल करना कठिन होता है। इसके अलावा, सिस्टम को ऊतक के व्यवहार की भविष्यवाणी करने में थोड़ा कठिन लगा जब बल अत्यधिक असंतुलित थे, जैसे कि एक दिशा में दूसरी दिशा की तुलना में बहुत अधिक जोर से खींचना, विशेष रूपकर यदि उस विशिष्ट प्रकार का असंतुलन प्रशिक्षण डेटा में दुर्लभ था। इन स्थानीय चुनौतियों के बावजूद, सिस्टम ने ऊतक की प्रतिक्रिया के विशिष्ट "J-आकार" के वक्र (curve) को लगातार पुनरुत्पादित किया, जिसमें शुरुआती आसान खिंचाव और उच्च भार पर होने वाले तीव्र कड़ापन, दोनों को कैप्चर किया गया।

इस कार्य का महत्व इस बात में निहित है कि यह बायोमेडिकल इंजीनियरों के जटिल समस्याओं के प्रति दृष्टिकोण को कैसे बदल सकता है। न्यूरल नेटवर्क के लचीलेपन को भौतिकी-आधारित सॉल्वरों की विश्वसनीयता के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो तेज़ भी है और भरोसेमंद भी। शुद्ध डेटा-संचालित मॉडलों के विपरीत, जो किसी नई स्थिति का सामना करने पर विफल हो सकते हैं, यह हाइब्रिड सिस्टम सामग्री के भौतिक नियमों पर आधारित है। यह इसे वास्तविक समय के अनुप्रयोगों के लिए एक आशाजनक उम्मीदवार बनाता है, जैसे कि सर्जनों को प्रक्रियाओं की योजना बनाने में मदद करना या इंजीनियरों को नए हृदय वाल्व डिजाइनों का तेजी से परीक्षण करने की अनुमति देना। हालांकि वर्तमान अध्ययन एक एकल ऊतक नमूने और स्थिर लोडिंग स्थितियों तक सीमित था, यह ढांचा एक स्पष्ट मार्ग दिखाता है। यह दर्शाता है कि भौतिकी के नियमों का सम्मान करने वाले बुद्धिमान सिस्टम बनाना संभव है, जो गति या सटीकता से समझौता किए बिना मानव शरीर की जटिल यांत्रिकी को सिम्युलेट करने का एक शक्तिशाली नया तरीका प्रदान करता है।