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

기술적 요약: 환자별 심장 역학 분석을 위한 확률적 차원 축소 모델링 프레임워크

문제 제기
심장 역학을 위한 환자별 계산 모델은 임상 의사결정 지원에 상당한 잠재력을 제공합니다. 그러나 등기하학적 분석 (IGA) 모델과 같은 고충실도 전체 차원 모델 (FOM) 이 요구하는 막대한 계산 노력은 신속한 처리가 필수적인 임상 환경에서의 직접적인 적용을 방해합니다. 이러한 모델들이 귀중한 정보를 제공함에도 불구하고, 시뮬레이션에 소요되는 시간과 특히 수백 번의 평가가 필요한 모델 보정 (calibration) 으로 인해 일상적인 임상 사용에는 비실용적입니다. 따라서 환자별 데이터를 통합하고 결과의 신뢰성을 측정할 수 있는 능력을 유지하면서 계산 비용을 극적으로 줄일 수 있는 차원 축소 모델링 (ROM) 접근법이 필요합니다.

방법론
저자들은 계산 비용이 많이 드는 FOM 과 빠른 평가가 가능한 온라인 모델 간의 간극을 연결하는 확률적 ROM 프레임워크를 제안합니다. 이 프레임워크는 오프라인 보정 단계와 온라인 예측 단계로 구성됩니다.

1. 전체 차원 모델 (FOM): FOM 은 비균일 유리 B-스플라인 (NURBS) 기반의 등기하학적 심장 분석 모델입니다. 이 모델은 심근의 3 차원 비선형 연속체 역학 설명을 0 차원 집중 매개변수 순환계 및 현상론적 활성화 전위와 결합합니다. 이 모델은 상세한 변위, 응력 및 압력 - 부피 데이터를 생성하지만 시뮬레이션에 수 시간이 소요됩니다.
2. 차원 축소 모델 (ROM): ROM 의 핵심은 "일반화된 단일 섬유" 모델입니다. 공동 및 벽 부피에만 의존하는 표준 단일 섬유 모델과 달리, 이 일반화된 버전은 국소 기하학적 변이 (예: 형태, 섬유 방향) 를 고려하기 위한 보정 인자 ($\alpha, \beta$) 와 단순화된 구성 법칙을 FOM 과 연관시키기 위한 강성 매개변수 ($\gamma, \lambda$) 를 포함합니다. ROM 은 FOM 과 동일한 입력 (초음파에서 유도된 기하학, 조직 강성, 순환계 매개변수) 을 사용하지만 압력과 부피 간의 단순화된 해석적 관계를 풉니다.
3. 확률적 보정 (오프라인 단계): ROM 을 FOM 에 보정하기 위해 저자들은 베이지안 추론을 사용합니다. 훈련 기하학 집합에 대해 FOM 을 시뮬레이션하여 압력 - 부피 루프를 생성합니다. 그런 다음 ROM 의 보정 인자는 ROM 의 출력을 FOM 의 출력과 일치시키도록 추론되며, 이때 불일치는 잡음으로 간주됩니다. 이 과정은 불확실성을 포착하는 보정 인자에 대한 사후 분포를 산출합니다.
4. 가우시안 프로세스 (GP) 를 통한 기하학 매핑: FOM 훈련 데이터가 제한적이므로, 저차원 기하학적 기술자를 보정 인자로 매핑하기 위해 가우시안 프로세스 (GP) 를 훈련합니다.
   • 이상화된 기하학의 경우, 입력은 두 개의 스케일링 매개변수로 정의됩니다.
   • 스캔 기반 환자 기하학의 경우, 입력은 NURBS 심실의 합성 집단으로부터 유도된 고유직교분해 (POD) 의 모드 계수 집합입니다. 이는 고차원 NURBS 제어점을 관리 가능한 수의 매개변수 (예: 4 개 모드) 로 축소합니다.
5. 온라인 예측: 임상 환경에서 새로운 환자의 기하학은 모드 기저에 투영되어 계수를 얻습니다. 훈련된 GP 는 이 새로운 기하학에 대한 보정 인자 (및 그 불확실성) 를 예측합니다. 그런 다음 ROM 을 이러한 인자를 사용하여 평가하여 관련 신뢰 구간을 갖춘 빠른 압력 - 부피 예측을 생성합니다.

주요 기여

• 하이브리드 ROM 아키텍처: 이 프레임워크는 단순화된 물리 ROM(일반화된 단일 섬유 모델) 과 데이터 기반 기법 (가우시안 프로세스) 및 베이지안 보정을 결합합니다. 이를 통해 ROM 은 복잡한 스캔 데이터를 포함한 FOM 의 입력 구조를 유지하면서도 계산 효율성을 유지할 수 있습니다.
• 확률적 불확실성 정량화: 결정론적 ROM 과 달리, 이 프레임워크는 예측에 대한 불확실성 밴드 (신뢰 구간) 를 제공합니다. 이러한 밴드의 폭은 모델의 신뢰성 지표로 작용하며, 넓은 밴드는 추가 훈련 데이터가 필요함을 시사합니다.
• 스캔 기반 매개변수화: 저자들은 POD 를 사용하여 복잡하고 스캔 기반인 환자 기하학을 저차원 ROM 에 통합하는 방법을 시연했습니다. 이는 고차원 임상 영상 데이터를 단순화된 물리 모델에 매핑하는 과제를 해결합니다.
• 순차적 학습 전략: 이 프레임워크는 새로운 환자 데이터를 훈련 세트에 추가 (오프라인 FOM 시뮬레이션을 통해) 하여 GP 를 정제하고 향후 온라인 예측을 개선하는 반복적 접근 방식을 지원합니다.

결과
이 프레임워크는 두 가지 예시를 통해 검증되었습니다:

1. 이상화된 심실: 두 개의 기하학적 변수로 매개변수화된 절단 타원체를 사용하여, 저자들은 ROM 이 훈련 세트에 포함되지 않은 기하학에 대한 압력 - 부피 거동을 정확하게 포착할 수 있음을 보였습니다. GP 는 보정 인자를 성공적으로 보간했으며, 훈련 데이터가 추가됨에 따라 결과 불확실성 밴드가 좁아졌습니다.
2. 스캔 기반 기하학: 스캔 데이터에 적합된 NURBS 기하학을 4 개의 POD 모드로 매개변수화하여, 프레임워크를 환자별 사례에서 테스트했습니다.
   • GP 는 새로운 환자에 대한 보정 인자를 예측할 수 있었으나, 환자의 기하학이 훈련 세트와 멀리 떨어져 있을 경우 초기 불확실성은 높았습니다.
   • 불확실성 밴드가 넓을 때 (모델 잡음과 비교 가능할 때), 프레임워크는 해당 예측을 신뢰할 수 없음을 올바르게 표시했습니다.
   • 특정 환자의 FOM 시뮬레이션을 훈련 세트에 추가하면 해당 환자의 예측 정확도가 크게 향상되었고 GP 의 국소 행동이 정제되어 순차적 학습 접근법의 유용성을 입증했습니다.

의의 및 주장
저자들은 이 프레임워크가 계산 효율성과 정확성 사이의 균형을 맞춘 환자별 심장 분석을 위한 다목적 솔루션을 제공한다고 주장합니다. 그들의 주장의 주요 측면은 다음과 같습니다:

• 임상 실현 가능성: ROM 을 통해 온라인 평가 시간을 초 단위로 줄이면서 FOM 의 입력 충실도를 유지함으로써, 이 프레임워크는 임상 의사결정 지원을 위한 환자별 분석을 실현 가능하게 만듭니다.
• 불확실성을 통한 신뢰성: 불확실성 밴드 제공은 중요한 기능으로 제시됩니다. 이는 임상가가 결과의 신뢰성을 평가할 수 있게 하며, 넓은 불확실성 밴드는 특정 환자 기하학에 대해 현재 훈련 데이터가 부족함을 신호로 보내 추가 데이터 수집을 촉구합니다.
• 모듈성: 이 프레임워크는 전체 구조에 근본적인 변경 없이 다양한 FOM, ROM 또는 매핑 기법을 교체할 수 있도록 모듈식으로 설계되었습니다.
• 한계: 저자들은 겸손하게 단순화된 단일 섬유 모델이 모든 물리적 복잡성 (예: 재료 불균질성 또는 특정 충만기 역학) 을 포착할 수 없으며, 프레임워크가 특정 임상 문제에 효과적이기 위해서는 고품질 훈련 세트가 필요하다고 지적합니다. 또한 실제 임상 배포 전에 추가적인 임상 검증과 워크플로우 통합이 필수적인 단계임을 강조합니다.