Learning-Based Modeling of a Magnetically Steerable Soft Suction Device for Endoscopic Endonasal Interventions

기술 요약: 자기 구동형 소프트 흡입 장치의 학습 기반 모델링

문제 정의
내시경적 비내 뇌종양 절제술은 좁은 해부학적 경로를 탐색해야 하는 최소 침습 기술입니다. 그러나 기존의 강성 기구는 환자 특유의 해부학적 복잡성(예: 좁은 비강, 축소된 두개저)으로 인해 기동성이 제한되는 경우가 많으며, 이는 주요 신경혈관 구조의 손상 위험을 높입니다. 유연한 로봇 기구가 해결책이 될 수 있지만, 이들의 고유한 비선형적, 초탄성(hyperelastic) 거동과 직관적인 제어의 부재는 상당한 과제를 안겨줍니다. 전통적인 물리 기반 모델링 방식(예: Constant Curvature, Cosserat rod theory, Geometric Variable Strain)은 3D 프린팅된 재료 특성을 정밀하게 규명하기 어렵고, 구성에 따라 변하는 자기 토크의 복잡성 및 실시간 시뮬레이션을 위한 계산 비용 문제로 인해 자기 구동 소프트 장치 모델링에 어려움을 겪습니다. 또한, 기존의 학습 기반 연구들은 주로 텐던 구동(tendon-driven) 또는 공압식 로봇에 집중되어 왔으며, 임베디드 센싱이 포함된 자기 구동 소프트 수술 도구를 위한 데이터 기반 모델링 분야에는 공백이 존재합니다.

방법론
저자들은 자기 구동 입력을 커스텀 소프트 흡입 장치의 기하학적 형상으로 직접 매핑하는 데이터 기반 모델링 프레임워크를 제안합니다.

• 장치 설계: 생체 적합성이 있는 SIL 30 실리콘을 사용하여 3D 프린팅된 소형화된(외경 4mm, 내경 2mm, 활성 길이 40mm) 소프트 흡입 장치를 제작하였습니다. 이 장치는 조향을 위한 원위부 영구 자석과 실시간 형상 측정을 위한 임베디드 멀티 코어 FBG(Fiber Bragg Grating) 센서를 특징으로 합니다.
• 형상 인코딩: 가공된 FBG 변형률 데이터를 처리하여 로봇의 3D 중심선을 재구성합니다. 학습에 적합한 압축된 저차원 표현을 만들기 위해, 재구성된 형상을 네 개의 제어점($p_0$~$p_3$)으로 정의된 3차 베지에 곡선(cubic Bezier curve)에 피팅합니다. 양 끝점($p_0, p_3$)은 장치의 베이스와 팁에 구속되며, 중간 지점($p_1, p_2$)은 곡률 프로파일을 정의합니다.
• 실험 데이터 수집: 8개의 코일로 구성된 전자기 시스템을 사용하여 실험을 수행했습니다. 장치는 다양한 파라미터인 자기장 크기(0–14 mT), 주파수(0.2–1.0 Hz), 코일 테이블으로부터의 수직 팁 거리(90 mm 및 100 mm) 하에서 회전 자기장에 의해 구동되었습니다. 이를 통해 총 5,097개의 실험 샘플 데이터셋을 확보했습니다.
• 모델링 접근 방식: 자기장 파라미터($b_x, b_y$, 크기, 주파수, 거리)로부터 네 개의 베지에 제어점을 예측하도록 두 가지 머신러닝 아키텍처를 훈련시켰습니다.
  1. 신경망 (NN): 세 개의 은닉층을 가진 피드포워드 네트워크.
  2. 랜덤 포레스트 (RF): 각 200개의 결정 트리를 가진 12개의 회귀 모델 앙상블.

주요 기여

1. 장치 제작: 내시경적 비내 신경외과 수술에 특화된, FBG 센싱이 통합된 소형화된 3D 프린팅 생체 적합성 소프트 흡입 장치를 설계 및 제작하였습니다.
2. 새로운 모델링 패러다임: 자기장 입력을 베지에 제어점에 직접 연결하는 학습 기반 프레임워크를 도입하였습니다. 이 접근 방식은 명시적인 구성 파라미터 식별이나 해석적 운동학 유도 과정 없이도 압축적이고 해석 가능한 기하학적 표현을 제공합니다.
3. 통합 프레임워크: 자기장 특성 분석, 임베디드 FBG 센싱, 그리고 베지에 기반 학습을 다른 자기 구동 연속체 로봇에도 적용 가능한 단일 모델링 전략으로 개념적으로 통합하였습니다.
4. 실험적 검증: 제안된 프레임워크가 자기 구동 하에서 초탄성 소프트 로봇의 복잡하고 비선형적이며 주파수 의존적인 거동을 정확하게 모델링할 수 있음을 종합적으로 검증하였습니다.

결과

• 모델 성능: 랜덤 포레스트(RF) 모델이 모든 지표에서 신경망(NN)보다 우수한 성능을 보였습니다. RF 모델은 제어점 예측에서 0.087 mm의 평균 RMSE를 달와한 반면, NN은 0.121 mm를 기록했습니다.
• 형상 재구성: RF 모델은 0.064 mm의 평균 형상 재구성 오차를 나타냈습니다. 특히 팁 위치 결정에 중요한 원위부 제어점($p_2$ 및 $p_3$)에 대해 RF 모델의 오차 분포가 더 조밀하고 zero 근처에 집중되었습니다.
• 특성 중요도: 분석 결과, 자기장 성분($b_x, b_y$)은 주로 원위부 제어점에 영향을 미치는 반면, 구동 주파수와 수직 거리는 베이스 구성 및 수직 위치 결정에 유의미한 영향을 미치는 것으로 나타났습니다.
• 계산 효율성: RF 모델은 샘플당 약 $7.89 \times 10^{-5}$ 초의 예측 시간을 기록하며 실시간 추론에 적합한 높은 계산 효율성을 입증했습니다.

의의 및 주장
본 논문은 FBG 센싱이 탑재된 자기 구동 소프트 수술용 장치에 특화된 최초의 학습 기반 형상 예측 모델을 제시한다고 주장합니다. 본 연구의 의의는 단순화된 물리적 가정이나 얻기 어려운 재료 파라미터에 의존하지 않고도 소프트 로봇의 복잡한 비선형 거동을 모델링할 수 있다는 점에 있습니다. 서브 밀리미터(sub-millimeter) 수준의 예측 정확도와 실시간 추론 성능을 달성함으로써, 본 프레임워크는 최소 침습 신경외과 분야에서 자기 구동 도구의 지능적 제어를 위한 토대를 마련했습니다.

저자들은 학습 기반 접근 방식이 물리 기반 프레임워크를 대체하는 것이 아니라 보완적인 관계임을 강조합니다. 또한 단일 프로토타입 사용(장치 특정적), 이상적인 회전 자기장 사용, 현재 훈련 데이터에서의 조직 상호작용 효과 부재 등의 한계를 인정합니다. 따라서 저자들은 본 연구를 필수적인 기초 특성 분석 단계로 규정하며, 향후 여러 장치에 대한 일반화 검증, 조직 상호작용 데이터 포함, 그리고 복잡한 임상적 자기 환경에서의 성능 테스트가 필요함을 명시하였습니다.