📄 bioengineering

LIT (Layer-Wise Image Trajectories): In Situ Monitoring for Early Quality Prediction and Anomaly Detection in Acellular and Cell-Laden Two-Photon Polymerization

이 논문은 두 광자 중합 과정 중 동축 이미지 비교를 분석하여 무세포 및 세포 함유 하이드로젤 모두에 대해 제작 품질을 예측하고 빌드 프로세스 초기 단계에서 이상 징착을 감지하는 인시투(in situ) 모니터링 방법인 층별 이미지 궤적(Layer-wise Image Trajectories, LIT)을 소개하며, 이를 통해 전통적인 사후 처리 평가의 한계를 극복한다.

원저자: Prioglio, E., Scrocciolani, C., Colosimo, B. M.

게시일 2026-08-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Prioglio, E., Scrocciolani, C., Colosimo, B. M.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

살아있는 젤리로 아주 작은 3차원 도시를 만든다고 상상해 보세요. 그런데 이 젤리는 살아있습니다. 당신은 모든 거리와 건물이 단 하나의 세포 크기가 될 정도로 정밀하게 제작하여, 살아있는 조직을 위한 완벽한 집을 만들고 싶어 합니다. 이것이 바로 **이광자 중합(Two-Photon Polymerization, 2PP)**의 세계입니다. 이것을 액체 방울 안에서 레이저가 닿는 부분만을 층층이 굳히며 그려내는 초정밀 레이저 펜이라고 생각하세요. 이는 의학이나 연구를 위한 인공 조직을 만들기 위해 살아있는 세포를 담는 겔인 '바이오 잉크'를 만드는 궁극의 도구입니다.

하지만 문제가 하나 있습니다. 일반적인 플라스틱 레진과 달리, 이 살아있는 겔은 매우 민감합니다. 마치 폭풍 속의 카드 집과 같아서, 레이저의 출력이나 속도가 아주 미세하게만 변해도 전체 구조가 무너지거나, 혹은 처음에는 완벽해 보였으나 나중에 무너져 내릴 수 있습니다. 가장 큰 문제는 무엇일까요? 보통은 액체를 씻어내고 그 잔해를 확인하기 전까지는 당신의 작은 도시가 살아남았는지 알 수 없다는 점입니다. 그때쯤이면 살아있는 세포들은 이미 죽었을 수도 있고, 실험은 실패로 돌아간 상태일 것입니다. 과학자들은 건설 과정이 진행되는 동안 이를 엿보기 위해 노력해 왔지만, 그것은 마치 반죽의 흐릿한 사진 한 장만 보고 케이크가 다 익었는지 판단하려는 것과 같았습니다.

이 논문은 건설 과정을 실시간으로 관찰하는 **층별 이미지 궤적(Layer-wise Image Trajectories, LIT)**이라는 영리한 새로운 방법을 소개합니다. 단일 층이 "좋은지" 혹은 "나쁜지"를 판단하려고 애쓰는 대신(이미지가 흐릿하기 때문에 이는 종종 불가능합니다), 연구진은 컴퓨터에게 레이스에서 누가 앞서 있는지 보기 위해 두 명의 주자를 비교하는 심판처럼 층들을 서로 비교하도록 가르쳤습니다. 첫 번째 층부터 백 번째 층까지 프린팅 과정의 "점수"가 어떻게 변하는지 추적함으로써, 그들은 모든 프린팅에 대한 고유한 "지문"을 만들어냈습니다.

여기 마법 같은 일이 있습니다. 이 지문들은 프린팅이 끝나기도 훨씬 전에 그 운명을 말해준다는 사실을 발견했습니다. 만약 점수 곡선이 평평하게 유지된다면 프린팅은 실패하고 있는 것입니다. 만약 너무 빠르게 치솟는다면 구조가 손상되고 있는 것입니다. 만약 매끄럽고 꾸준한 경로를 따른다면, 그 구조는 성공할 가능성이 높습니다. 놀랍게도, 이 방식은 살아있는 세포가 잉크에 섞여 있을 때도 작동합니다. 세포들은 레이저 빛을 산란시키는 작고 예측 불가능한 장애물 역할을 하여 과정을 더욱 혼란스럽게 만듭니다. 그럼에도 불구하고, LIT 시스템은 이러한 혼란스러운 프린팅을 조기에 포착하여, 프린터가 작동하는 동안 성공적인 빌드, 붕괴된 빌드, 그리고 과하게 구워진 빌드를 구분해 낼 수 있었습니다.

연구진은 세포가 포함된 것과 포함되지 않은 것을 포함하여 다양한 레이저 설정을 사용해 48가지의 서로 다른 프린팅을 테스트했습니다. 그들은 단순히 기계를 "올바른" 수치로 설정하는 것만으로는 충분하지 않다는 것을 발견했습니다. 때로는 동일한 설정에서도 한 프린팅은 실패하고 그 쌍둥이는 성공하기도 했습니다. 이는 결과가 화면상의 설정이 아니라, 해당 특정 프린팅 중에 기계 내부에서 실제로 일어나는 일에 달려 있다는 것을 입증했습니다. 새로운 프린팅의 실시간 "점수"를 알려진 성공적인 프린팅들로부터 구축된 "제어 밴드(control band)"와 비교함으로써, 시스템은 문제가 발생하고 있는 것을 11번째 층만큼 이른 시점에 감지할 수 있었습니다. 이는 미래에 과학자들이 실패하는 프린팅을 중간에 멈춰 세워 소중한 시간과 값비싼 재료, 그리고 무엇보다 중요한 내부의 살아있는 세포를 아낄 수 있음을 의미합니다. 이것은 마치 케이크가 다 타버린 뒤에 탄 덩어리를 꺼내는 것이 아니라, 오븐 속에서 아직 구워지는 동안 "이봐, 케이크가 타고 있어"라고 속삭여주는 스마트한 조수가 있는 것과 같습니다.

기술 요약: 2광자 중합(Two-Photon Polymerization)의 실시간 모니터링을 위한 계층별 이미지 궤적(LIT, Layer-Wise Image Trajectories)

문제 정의
2광자 중합(2PP)은 세포 규모의 3D 조직 미세환경을 제작하는 데 있어 탁월한 기술이다. 그러나 기존의 광경화 수지에서 하이드로젤 기반 바이오잉크로 전환되면서 상당한 예측 불가능성이 도입되었다. 이러한 문제는 살아있는 세포가 레진 내에 매립될 때 더욱 심화된다. 세포는 레이저 빛을 산란시키고 흡수하여, 파라미터 수준에서 제어할 수 없는 공간적으로 확률적인 국소 에너지 지형을 생성한다. 결과적으로, 동일한 명목 공정 파라미터(레이저 출력 및 스캔 속도)를 사용하더라도 복제본마다 완전한 제작 실패부터 구조적 무결성 또는 손상에 이르기까지 매우 상이한 결과를 초ら히게 된다. 또한, 전통적인 품질 평가는 현상(개발) 후(미중합 레진을 씻어내는 단계)의 ex situ 평가에 의존하는데, 이는 교정 조치를 취하기에는 너무 늦은 단계이다. 기존의 in situ 모니터링 접근 방식은 이산적인 품질 라벨이나 단일 프레임 분석에 의존하는 경우가 많으며, 이는 중합의 연속적인 진행 과정이나 최종 치수 안정성을 예측하는 데 필요한 제작의 누적 이력을 포착하지 못한다.

방법론
저자들은 **계층별 이미지 궤적(LIT)**을 통해 제작 상태의 연속적인 진화를 추적하는 in situ 모니터링 프레임워크를 제안한다. 이 방법론은 다음 단계들을 포함한다:

실험 설정: 상용 2PP 시스템(Nanoscribe Quantum X shape)을 사용하여 두 가지 포뮬레이션(무세포 하이드로젤 15% PhotoGel95% 및 C2C12 마우스 근관세포가 포함된 세포 함유 변형체)에 대해 전요인 실험 계획법(Full-factorial DOE)을 수행하였다. 레이저 출력(110–140 mW)과 스캔 속도(10,000–70,000 µm/s)를 변화시켰다.
데이터 획득: 각 프린트의 100개 레이어가 완료될 때마다 동축 광학 이미지를 캡처하였다. 이 이미지들은 낮은 고유 대비도와 아티팩트(초점 외 신호, 세포 산란)로 인해 직접적인 세그멘테이션이나 중합 상태의 절대적 분류가 어렵다.
모델 아키텍처 (Siamese Network): 절대적 라벨링의 한계를 극적으로 극복하기 위해, 저자들은 서로 다른 프린트의 동일 레이어 이미지 간의 **쌍별 비교(pairwise comparisons)**를 학습하는 시아미즈 신경망(Siamese neural network, ResNet18 백본)을 채택하였다.
- 라벨링 전략: 정신물리학 및 인간 선호 이론에 근거하여, 전문가들이 두 개의 동일 레이어 이미지 중 어떤 것이 더 진전된 중합 상태를 보이는지(대비, 경계 선명도, 기공 정의를 기준으로) 나타내는 순위 라벨( $y \in \{-1, 0, +1\}$ )을 부여하였다.
- 학습 목표: 네트워크는 스칼라 임베딩(중합 점수를 나타냄)을 학습하기 위해 마진 기반 힌지 손실(margin-based hinge loss)을 최소화한다. 결정적으로, 이 모델은 사후 처리 결과 라벨을 사용하지 않고 오직 시각적 상대 판단에만 의존하여 학습되었다.
궤적 구축: 학습된 인코더는 각 프린트의 100개 레이어를 하나의 스칼라 점수로 매핑한다. 이 점수들은 지수 이동 평균(EMA)을 통해 평활화되어 각 프린트의 LIT 곡선을 생성한다.
이상 탐지: 구조적 무결성이 확인된 프린트의 LIT 곡선을 사용하여 참조 밴드(상한 제어 한계/하한 제어 한계, UCL/LCL)를 설정한다. 새로운 프린트는 실시간으로 모니터링되며, 평활화된 점수가 다중 비교를 위한 본페로니 교정(Bonferroni correction)이 적용된 제어 한계를 벗어나면 알람이 발생한다.

주요 결과

구조체 특이적 가변성: 연구는 제작 결과가 공정 파라마다에 의해서만 결정되지 않음을 확인하였다. 동일한 파라미터 설정에서도 각 특정 프린트 중에 발생하는 세포와 레진 사이의 독특하고 확률적인 상호작용에 의해 복제본 간에 혼합된 결과(Class 0–3)가 나타났다.
세포의 효과: 세포의 존재는 공정 윈도우를 이동시켜, 무세포 포뮬레이션에 비해 더 낮은 에너지 도즈에서 성공적인 구조체 형성을 가능하게 했다. 그러나 이는 높은 도즈에서 과중합 및 손상(태움 자국)의 위험을 증가시키기도 했다.
LIT 성능: LIT 곡선은 학습 과정 중 클래스 감독(class supervision) 없이도 사후 처리 결과(Class 0: 구조체 없음; Class 1: 붕괴; Class 2: 무결성; Class 3: 손상)에 따라 성공적으로 클러스터링되었다.
- 무세포: Class 2 프린트는 시작부터 높은 점수를 보였고, Class 0 프린트는 평탄한 상태를 유지했다.
- 세포 함유: Class 3 (손상된) 프린트는 급격하고 초기적인 점수 상승을 보였으며, Class 0 프린트는 평탄한 상태를 유지했다.
조기 탐지: 모니터링 프레임워크는 빌드가 완료되거나 현상이 발생하기 전인 초기~중기 레이어(예: 과중합의 경우 레이어 11, 저중합의 경우 레이어 44)에서 이상을 탐지하였다. 이를 통해 실패하거나 개입이 필요한 프린트를 식별할 수 있다.

의의 및 주장
본 논문은 세포 함유 2광자 중합에 특화된 최초의 in situ 품질 예측 및 이상 탐지 적용 사례를 제시한다고 주장한다.

저자들은 기존 문헌과 비교하여 다음과 같은 두 가지 뚜렷한 장점을 강조한다:

연속성 vs. 이산성: 이산적인 라벨을 할당하는 분류 모델과 달리, LIT는 제작 상태의 단계적 차이를 보존하는 연속적인 점수를 제공한다.
이력 인식(History-Awareness): 궤적은 중합 진화의 속도와 일관성을 인코딩하여, 단일 레이어 평가가 놓칠 수 있는 정보를 포착한다.

연구는 하이드로젤 기반 2PP에서 공정 파라미터만으로는 품질를 예측하기에 불충분하며, 특히 살아있는 세포가 포함된 경우 그러하다는 결론을 내린다. 제안된 LIT 프레임워크는 각 개별 프린트 중에 "무슨 일이 일어났는지"를 모니터링하는 비침습적이고 데이터 기반의 방법을 제공하며, 이를 통해 품질 평가를 사후 평가에서 실시간 실행 가능한 신호로 전환할 수 있게 한다. 저자들은 이 프레임워크가 유망하지만, 제어 한계를 정교화하고 부분 중합과 완전 중합 사이의 전이 영역을 규명하기 위해서는 다양한 기하학적 구조와 바이오잉크에 걸쳐 데이터셋을 확장하는 후속 연구가 필요하다고 언급하였다.

유사한 논문