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

人間の心臓は絶え間なく動き続けるポンプですが、その弁は血液が一方向だけに流れるように制御する、静かな門番の役割を果たしています。これらの「リーフレット」として知られる繊細な組織のひだは、鼓動のたびに伸び縮みしながら、絶え間ない圧力に耐えなければなりません。これらの働きを理解したり、失敗のない人工弁を設計したりするためには、科学者は組織がストレス下でどのように変形するかを正確に予測する必要があります。従来、これは組織を数学的なパズルのように扱う複雑なコンピュータ・シミュレーションによって行われてきました。これらのシミュレーションは非常に正確ですが、同時に非常に時間がかかり、単一のシナリオを実行するのに数時間、時には数日を要することもあります。この速度の限界が、手術中の外科医をガイドしたり、午後のうちに数千ものデバイス設計をテストしたりといった、リアルタイムでの活用を困難にしています。一方で、純粋にデータと人工知能に依存する新しい手法は高速ですが、組織を支配する物理法則への深い理解に欠けることがあり、見た目はもっともらしくても、物理的には不可能な結果を生み出すことがあります。

研究チームは、人工知能のスピードと、従来のエンジニアリング・ソフトウェアの厳格な物理的正確さを組み合わせた新しいハイブリッド・システムを構築することで、この溝を埋めました。彼らの研究は、三尖弁、特に右心系にある薄く柔軟な組織のシートである後方リーフレットに焦点を当てています。研究者たちは、毎回低速で重いシミュレーションを実行することなく、さまざまな力が加わったときにこの組織がどのように伸び、曲がるかをコンピュータ・プログラムに予測させる方法を模索しました。彼らは単に過去の画像に基づいてコンピュータに推測を教えたのではありません。代わりに、コンピュータの推測が物理エンジンによって常にチェックされ、修正されるシステムを構築しました。このアプローチにより、システムは実世界のアプリケーションに必要な速度を維持しながら、組織の真の機械的挙動を学習することができます。

このシステムを構築するために、チームは実際の生物学的データから着手しました。彼らは、ヒトの心臓のメカニズムの一般的なモデルである豚の心臓から組織サンプルを取り出し、弁の中心部から小さな正方形の破片を切り出しました。次に、このサンプルを、四方から引っ張る機械の中に設置し、さまざまな力の組み合わせで引き伸ばしました。彼らは、全方向に均等に引くものから、一方の方向へ他方よりもはるかに強く引くものまで、7つの異なる牽引パターンをテストしました。これらの特定の負荷の下で組織がどのように動き、変形するかを測定することで、その機械的挙動の詳細なマップを作成しました。彼らは、組織が「超弾性材料」として振る舞うこと、つまり引き伸ばされても元の形状に戻るものの、引けば引くほど硬くなるという性質を確認しました。これは心臓弁が適切に機能するために不可欠な特性です。

彼らの新しいフレームワークの核となるのは、2種類の異なるコンピュータ・プログラムのパートナーシップです。一つ目は、パターンの認識に特化した人工知能の一種であるニューラルネットワークです。このネットワークは高速な予測器として機能し、組織上の位置と加えられた力の量を受け取り、その特定の地点がどれだけ動くかを瞬時に推測します。しかし、組織は複雑であり、力は非線形であるため、単純な推測が完璧であることは滅多にありません。ここで、二つ目の部分が登場します。それは、組織が平衡状態にあることを保証するために物理法則を計算する、伝統的な有限要素法ソルバーです。この新しいフレームワークでは、ニューラルネットワークが素早い推測を行い、直後にエンジニアリング・ソフトウェアが介入してそれを修正し、物理法則が満たされていることを確実にします。そしてニューラルネットワークは、この修正から学び、次により良い推測ができるよう内部ロジックを調整していきます。

この「ソルバー・イン・ザ・ループ（計算機をループ内に組み込む）」アプローチは、非常に効果的であることが証明されました。研究チームは、トレーニングデータから7つの牽引パターンのうち1つを隠し、その隠されたパターンに対する結果を予測させることで、システムをテストしました。ほとんどの場合、システムは高い精度で組織の動きを予測することに成功しました。組織全体の形状と動きについては、予測誤差は平均で15パーセント未満であり、動きのタイミングは実際の物理現象とほぼ完璧に一致していました。組織がどれだけ伸びたかを予測する場合、システムはさらに精密であり、誤差は1.4パーセント未満でした。組織の繊維内で感じられる力、すなわち内部応力を予測する場合でも、誤差は7.8パーセントを下回りました。これらの結果は、システムが単に示されたデータを暗記したのではなく、組織がどのように振る舞うかという根底にあるルールを真に学習したことを示唆しています。

研究はまた、システムが苦戦する箇所も明らかにしました。予測は、動きが滑らかで予測しやすい組織サンプルの中央部で最も正確でした。誤差は、テスト用機械によって組織が掴まれている端の部分に集まる傾向がありました。これは力学における既知の課題です。端における急激な制約は、あらゆるモデルが完全に解決することを困難にする複雑な応力集中を生み出します。さらに、システムは、力が極端にアンバランスな場合（例えば、一方の方向へ他方よりもはるかに強く引く場合）、特にそのタイプの不均衡がトレーニングデータの中で稀であった場合に、組織の挙動を予測するのがわずかに難しいことが分かりました。こうした局所的な課題はあるものの、システムは組織の応答における特徴的な「J字型」の曲線、つまり初期の容易な伸びと高負荷時に起こる急速な硬化の両方を一貫して再現しました。

この研究の意義は、バイオメディカル・エンジニアが複雑な問題にどのようにアプローチするかを変える可能性にあります。ニューラルネットワークの柔軟性と、物理ベースのソルバーの信頼性を組み合わせることで、研究者たちは高速かつ信頼できるツールを作り上げました。純粋なデータ駆動型モデルとは異なり、このハイブリッド・システムは材料の物理法則に基づいています。このことは、新しい状況に直面した際に失敗する可能性があるモデルに対し、本システムがリアルタイムのアプリケーション（外科医の手術計画の支援や、エンジニアによる新しい心臓弁設計の迅速なテストなど）に適していることを示しています。現在の研究は単一の組織サンプルと静的な荷重条件に限定されていますが、このフレームワークは明確な進むべき道を示しています。それは、物理法則を尊重するインテリジェントなシステムを構築することが可能であり、速度や精度を犠牲にすることなく、人体内の複雑なメカニズムをシミュレートするための強力な新しい方法を提供できることを示しているのです。