A probabilistic reduced-order modeling framework for patient-specific cardio-mechanical analysis

技術的概要：患者固有の心臓力学解析のための確率的な低次モデル化フレームワーク

問題定義
心臓力学のための患者固有の計算モデルは、臨床的意思決定を支援する上で大きな可能性を秘めている。しかし、アイソ幾何学的解析（IGA）モデルなどの高忠実度フルオーダーモデル（FOM）が要求する膨大な計算コストは、迅速な対応が不可欠な臨床現場での直接的な応用を妨げている。これらのモデルは貴重な情報を提供するものの、シミュレーションに要する時間、そして何よりモデルの較正（しばしば数百回の評価を要する）に要する時間は、日常的な臨床利用には現実的ではない。患者固有のデータを組み込む能力と結果の信頼性の指標を提供しつつ、計算コストを劇的に低減できる低次モデル化（ROM）アプローチの必要性がある。

手法
著者らは、計算コストの高い FOM と高速に評価可能なオンラインモデルの間のギャップを埋める確率的 ROM フレームワークを提案する。このフレームワークは、オフライン較正段階とオンライン予測段階の 2 つの段階で動作する。

1. フルオーダーモデル（FOM）: FOM は、非一様有理 B スプライン（NURBS）に基づくアイソ幾何学的心臓解析モデルである。このモデルは、心筋の 3 次元非線形連続体力学的記述と、0 次元の集中パラメータ循環系、および現象論的活性化ポテンシャルを結合している。このモデルは詳細な変位、応力、および圧力 - 容積データを生成するが、シミュレーションには数時間を要する。
2. 低次モデル（ROM）: ROM の核心は「一般化された 1 繊維モデル」である。空洞と壁の容積のみに依存する標準的な 1 繊維モデルとは異なり、この一般化版は局所的な幾何学的変動（形状、繊維配向など）を考慮するための補正係数（$\alpha, \beta$）と、簡略化された構成則を FOM と関連付けるための剛性パラメータ（$\gamma, \lambda$）を組み込んでいる。ROM は FOM と同じ入力（心エコーから導出された幾何学、組織剛性、循環パラメータ）を使用するが、圧力と容積の間の簡略化された解析的関係を解く。
3. 確率的較正（オフライン段階）: ROM を FOM に較正するために、著者らはベイズ推論を採用する。トレーニング幾何学のセットに対して、FOM をシミュレートして圧力 - 容積ループを生成する。次に、ROM の出力を FOM の出力に一致させることで、ROM の補正係数を推論し、その不一致をノイズとして扱う。このプロセスにより、補正係数の事後分布が得られ、不確実性が捉えられる。
4. ガウス過程（GP）による幾何学マッピング: FOM のトレーニングデータが限られているため、低次元の幾何学的記述子を補正係数にマッピングするためにガウス過程（GP）を訓練する。
   • 理想化された幾何学の場合、入力は 2 つのスケーリングパラメータで定義される。
   • スキャンに基づく患者の幾何学の場合、入力は合成された NURBS 心室の集団に対する固有直交分解（POD）から導出されたモード係数のセットである。これにより、高次元の NURBS 制御点が管理可能な数のパラメータ（例：4 モード）に削減される。
5. オンライン予測: 臨床現場では、新しい患者の幾何学をモード基底に射影して係数を取得する。訓練済みの GP が、この新しい幾何学に対する補正係数（およびその不確実性）を予測する。次に、ROM をこれらの係数を用いて評価し、信頼区間を伴う高速な圧力 - 容積予測を生成する。

主要な貢献

• ハイブリッド ROM アーキテクチャ: このフレームワークは、簡略化された物理に基づく ROM（一般化された 1 繊維モデル）と、データ駆動型手法（ガウス過程）およびベイズ較正を組み合わせる。これにより、ROM は FOM の入力構造（複雑なスキャンデータを含む）を維持しつつ、計算効率を高く保つことができる。
• 確率的な不確実性の定量化: 決定論的 ROM とは異なり、このフレームワークは予測に対して不確実性バンド（信頼区間）を提供する。これらのバンドの幅はモデルの信頼性の指標として機能する。広いバンドは、追加のトレーニングデータが必要であることを示唆する。
• スキャンに基づくパラメータ化: 著者らは、POD を用いて複雑なスキャンベースの患者幾何学を低次元 ROM に統合する手法を実証する。これは、高次元の臨床画像データを簡略化された物理モデルにマッピングするという課題に対処するものである。
• 逐次学習戦略: このフレームワークは、新しい患者データをトレーニングセットに追加（オフライン FOM シミュレーションを通じて）し、GP を洗練させて将来のオンライン予測を改善する反復アプローチをサポートする。

結果
このフレームワークは、2 つの例を通じて検証された。

1. 理想化された心室: 2 つの幾何学的変数でパラメータ化された切り捨てられた楕円体を使用し、著者らは ROM がトレーニングセットに含まれていない幾何学に対しても圧力 - 容積挙動を正確に捉えられることを示した。GP は補正係数を成功裡に補間し、結果として生じる不確実性バンドは、トレーニングデータが増えるにつれて狭くなった。
2. スキャンに基づく幾何学: スキャンデータからフィットされた NURBS 幾何学を 4 つの POD モードでパラメータ化し、このフレームワークを患者固有のケースでテストした。
   • GP は新しい患者に対する補正係数を予測できたが、患者の幾何学がトレーニングセットから遠い場合、不確実性は当初高かった。
   • 不確実性バンドが大きい場合（モデルノイズと同程度）、フレームワークは予測を信頼できないものとして正しくフラグを立てた。
   • 特定の患者の FOM シミュレーションをトレーニングセットに追加すると、その患者に対する予測精度が大幅に向上し、GP の局所的な挙動が洗練された。これは、逐次学習アプローチの有効性を示している。

意義と主張
著者らは、このフレームワークが計算効率と精度のバランスを取った、患者固有の心臓解析のための多用途な解決策を提供すると主張する。彼らの主張の主要な側面は以下の通りである。

• 臨床的実現可能性: ROM によるオンライン評価時間を秒単位に短縮しつつ、FOM の入力忠実度を維持することで、このフレームワークは臨床的意思決定支援のための患者固有解析を実現可能にする。
• 不確実性を通じた信頼性: 不確実性バンドの提供は、重要な機能として提示される。これにより臨床医は結果の信頼性を評価できる。大きな不確実性バンドは、特定の患者の幾何学に対して現在のトレーニングデータが不十分であることを示すシグナルとなり、さらなるデータ収集を促す。
• モジュール性: このフレームワークはモジュール式に設計されており、全体構造を根本的に変更することなく、異なる FOM、ROM、またはマッピング手法の置換を可能にする。
• 限界: 著者らは控えめに、簡略化された 1 繊維モデルはすべての物理的複雑性（材料の不均質性や特定の充満相の力学など）を捉えることはできず、また、このフレームワークが特定の臨床問題に対して効果的であるためには高品質なトレーニングセットが必要であると指摘する。彼らは、実際の臨床展開の前に、さらなる臨床的検証とワークフローへの統合が必要であると強調している。