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

Il cuore umano è una pompa instancabile, ma le sue valvole sono i silenziosi guardiani che assicurano che il sangue scorra in un'unica direzione. Questi delicati lembi di tessuto, noti come foglietti, devono resistere a una pressione costante, stirandosi e tornando in posizione a ogni battito. Per comprendere come funzionano, o per progettare sostituzioni artificiali che non falliscano, gli scienziati devono prevedere esattamente come questo tessuto si deforma sotto stress. Tradizionalmente, ciò è stato fatto utilizzando complessi simulazioni informatiche che trattano il tessuto come un puzzle matematico. Queste simulazioni sono incredibilmente accurate ma anche incredibilmente lente, richiedendo spesso ore o persino giorni per eseguire un singolo scenario. Questo limite di velocità le rende impraticabili per usi in tempo reale, come guidare un chirurgo durante un'operazione o testare migliaia di design di dispositivi in un unico pomeriggio. D'altro canto, i nuovi metodi che si affidano puramente ai dati e all'intelligenza artificiale possono essere veloci, ma spesso mancano di una profonda comprensione delle leggi fisiche che governano il tessuto, producendo talvolta risultati che sembrano plausibili ma che sono fisicamente impossibili.

Un team di ricercatori ha ora colmato questo divario creando un nuovo sistema ibrido che combina la velocità dell'intelligenza artificiale con la rigorosa accuratezza fisica dei software di ingegneria tradizionale. Il loro lavoro si concentra sulla valvola tricuspide, nello specifico sul lembo posteriore, un sottile e flessibile foglietto di tessuto situato nella parte destra del cuore. I ricercatori volevano vedere se potessero addestrare un programma per computer a prevedere come questo tessuto si tenderebbe e si piegherebbe sotto varie forze, senza dover eseguire le lente e pesanti simulazioni ogni volta. Non si sono limitati a insegnare al computer a indovinare basandosi su immagini passate; hanno invece costruito un sistema in cui le ipotesi del computer sono costantemente controllate e corrette da un motore fisico. Questo approccio permette al sistema di apprendere il vero comportamento meccanico del tessuto mantenendo la velocità necessaria per le applicazioni del mondo reale.

Per costruire questo sistema, il team è partito da dati biologici reali. Hanno preso un campione di tessuto da un cuore di maiale, un modello comune per la meccanica del cuore umano, e hanno tagliato un piccolo quadrato dal centro della valvola. Hanno poi posizionato questo campione in una macchina che lo tirava da quattro lati, stirandolo in diverse combinazioni di forza. Hanno testato sette modelli distinti di trazione, che andavano dal tirare equamente in tutte le direzioni al tirare molto più forte in una direzione rispetto alle altre. Misurando come il tessuto si muoveva e si deformava sotto questi carichi specifici, hanno creato una mappa dettagliata del suo comportamento meccanico. Hanno confermato che il tessuto si comporta come un materiale iperelastico, il che significa che ritorna alla sua forma originale dopo essere stato stirato, ma diventa più rigido quanto più viene tirato, un tratto essenziale affinché le valvole cardiache funzionino correttamente.

Il nucleo del loro nuovo framework è una partnership tra due diversi tipi di programmi informatici. Il primo è una rete neurale, un tipo di intelligenza artificiale progettata per riconoscere schemi. Questa rete agisce come un predittore veloce, prendendo la posizione sul tessuto e la quantità di forza applicata, e indovinando istantaneamente quanto quel punto specifico si muoverà. Tuttavia, poiché il tessuto è complesso e le forze sono non lineari, un semplice indovinare è raramente perfetto. È qui che entra in gioco la seconda parte del sistema: un risolutore a elementi finiti tradizionale. Questo è il software di ingegneria pesante che calcola le leggi della fisica per garantire che il tessuto sia in uno stato di equilibrio. In questo nuovo framework, la rete neurale fa un tentativo rapido e l'ingegneria tradizionale interviene immediatamente per correggerla, assicurando che le leggi della fisica siano soddisfatte. La rete neurale apprende quindi da questa correzione, regolando la propria logica interna per fare ipotesi migliori la volta successiva.

Questo approccio "solver-in-the-loop" si è dimostrato altamente efficace. I ricercatori hanno testato il loro sistema nascondendo uno dei sette modelli di stiramento dai dati di addestramento e chiedendo al sistema di prevedere l'esito per quel modello nascosto. Nella maggior parte dei casi, il sistema ha previsto il movimento del tessuto con un alto grado di accuratezza; per la forma complessiva e il movimento del tessuto, le previsioni erano errate di meno del 15 percento in media, e la tempistica del movimento corrispondeva quasi perfettamente alla fisica reale. Il sistema era ancora più preciso nel prevedere quanto il tessuto si fosse stirato, con errori inferiori all'1,4 percento. Per quanto riguarda la previsione dello stress interno, ovvero la forza percepita all'interno delle fibre del tessuto, l'errore rimaneva al di sotto del 7,8 percento. Questi risultati suggeriscono che il sistema ha veramente appreso le regole sottostanti del comportamento del tessuto, piuttosto che aver semplicemente memorizzato i dati che gli sono stati mostrati.

Lo studio ha anche rivelato dove il sistema incontra difficoltà. Le previsioni erano più accurate al centro del campione di tessuto, dove il movimento è fluido e prevedibile. Gli errori tendevano a raggrupparsi vicino ai bordi, dove il tessuto era bloccato dalla macchina di test. Questa è una sfida nota nella meccanica; i vincoli netti ai bordi creano concentrazioni di stress complesse che sono difficili da risolvere perfettamente per qualsiasi modello. Inoltre, il sistema ha trovato leggermente più difficile prevedere il comportamento del tessuto quando le forze erano estremamente sbilanciate, come nel caso di una trazione molto più forte in una direzione rispetto alle altre, specialmente se quel tipo specifico di squilibrio era raro nei dati di addestramento. Nonostante queste sfide localizzate, il sistema ha riprodotto costantemente la curva caratteristica a "forma di J" della risposta del tessuto, catturando sia lo stiramento iniziale facile che il rapido irrigidimento che avviene ad alti carichi.

La significatività di questo lavoro risiede nel suo potenziale di cambiare il modo in cui gli ingegneri biomedici affrontano problemi complessi. Combinando la flessibilità delle reti neurali con l'affidabilità dei risolutori basati sulla fisica, i ricercatori hanno creato uno strumento che è allo stesso tempo veloce e affidabile. A differenza dei modelli puramente basati sui dati che potrebbero fallire di fronte a una nuova situazione, questo sistema ibrido è radicato nelle leggi fisiche del materiale. Ciò lo rende un candidato promettente per applicazioni in tempo reale, come aiutare i chirurghi a pianificare le procedure o permettere agli ingegneri di testare rapidamente nuovi design di valvole cardiache. Sebbene l'attuale studio sia stato limitato a un singolo campione di tessuto e a condizioni di carico statico, il framework dimostra un percorso chiaro da seguire. Dimostra che è possibile costruire sistemi intelligenti che rispettino le leggi della fisica, offrendo un nuovo modo potente per simulare l'intricata meccanica del corpo umano senza sacrificare velocità o accuratezza.