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

인간의 심장은 지치지 않는 펌프이지만, 그 판막은 혈액이 오직 한 방향으로만 흐르도록 보장하는 조용한 문지기 역할을 합니다. '리플릿(leaflet)'이라고 알려진 이 섬세한 조직 조각들은 매 박동마다 늘어나고 다시 튕겨 나가며 끊임 없는 압력을 견뎌내야 합니다. 이들이 어떻게 작동하는지 이해하거나, 실패하지 않을 인공 대체물을 설계하기 위해, 과학자들은 이 조직이 스트레스 하에서 정확히 어떻게 변형되는지를 예측해야 합니다. 전통적으로 이는 조직을 수학적 퍼즐처럼 다루는 복잡한 컴퓨터 시뮬레이션을 통해 이루어져 왔습니다. 이러한 시뮬레이션은 매우 정확하지만 동시에 믿을 수 없을 정도로 느려서, 단 하나의 시나리오를 실행하는 데 몇 시간 또는 며칠이 걸리기도 합니다. 이러한 속도의 한계는 수술 중인 외과의를 안내하거나 단 하루 만에 수천 개의 장치 설계를 테스트하는 것과 같은 실시간 용도로 사용하기에는 비현-실적입니다. 반면, 순수하게 데이터와 인공지능에 의존하는 새로운 방법들은 빠를 수는 있지만, 조직을 지배하는 물리 법칙에 대한 깊은 이해가 부족하여 때때로 그럴듯해 보이지만 물리적으로는 불가능한 결과를 만들어내기도 합니다.

연구팀은 이제 인공지능의 속도와 전통적인 공학 소프트웨어의 엄격한 물리적 정확성을 결합한 새로운 하이브리드 시스템을 만들어 이 간극을 메웠습니다. 그들의 연구는 삼첨판, 구체적으로 우심실 쪽에 위치한 얇고 유연한 조직 시트인 후방 판막에 초점을 맞추고 있습니다. 연구진은 매번 느리고 무거운 시뮬레이션을 실행하지 않고도, 다양한 힘 아래에서 이 조직이 어떻게 늘어나고 휘어지는지를 예측하도록 컴퓨터 프로그램을 훈련시킬 수 있는지 확인하고자 했습니다. 그들은 단순히 과거의 사진을 바탕으로 컴퓨터에게 추측하는 법을 가르친 것이 아니라, 컴퓨터의 추측이 물리 엔진에 의해 지속적으로 확인되고 수정되는 시스템을 구축했습니다. 이러한 접근 방식은 시스템이 실무 적용에 필요한 속도를 유지하면서도 조직의 진정한 기계적 거동을 학습할 수 있게 해줍니다.

이 시스템을 구축하기 위해 연구팀은 실제 생물학적 데이터로 시작했습니다. 그들은 인간의 심장 역학의 흔한 모델인 돼지 심장에서 조직 샘플을 채취하여, 판막 중앙에서 작은 정사각형 조각을 잘라냈습니다. 그런 다음 이 샘젤을 네 방향에서 잡아당기는 기계에 넣고, 다양한 조합의 힘으로 늘렸습니다. 그들은 모든 방향으로 균등하게 당기는 것부터 한쪽 방향으로 다른 쪽보다 훨씬 더 세게 당기는 것까지, 일곱 가지의 뚜렷한 당김 패턴을 테스트했습니다. 이러한 특정 부하 하에서 조직이 어떻게 움직이고 변형되는지를 측정함으로써, 그들은 조직의 기계적 거동에 대한 상세한 지도를 만들었습니다. 그들은 조직이 '초탄성(hyperelastic)' 물질처럼 행동한다는 것을 확인했는데, 이는 조직이 늘어난 후 원래 모양으로 돌아오지만, 더 많이 당겨질수록 더 단단해지는 특성을 의미하며, 이는 심장 판막이 제대로 기능하는 데 필수적인 특성입니다.

이 새로운 프레임워크의 핵심은 두 가지 서로 다른 유형의 컴퓨터 프로그램 간의 파트너십입니다. 첫 번째는 패턴을 인식하도록 설계된 인공지능의 일종인 신경망(neural network)입니다. 이 네트워크는 빠른 예측기 역할을 하여, 조직의 위치와 가해진 힘의 양을 입력받아 해당 지점이 얼마나 움직일지를 즉각적으로 추측합니다. 그러나 조직은 복잡하고 힘은 비선형적이기 때문에, 단순한 추측은 결코 완벽할 수 없습니다. 여기서 두 번째 부분인 전통적인 유한 요소 솔버(finite element solver)가 등장합니다. 이것은 조직이 평형 상태에 있도록 물리 법칙을 계산하는 고성도 공학 소프트웨어입니다. 이 새로운 프레임워크에서 신경망은 빠른 추측을 내놓고, 공학 소프트웨어가 즉시 개입하여 이를 교정함으로써 물리학 법칙이 충족되도록 보장합니다. 그러면 신경망은 이 교정 과정을 통해 학습하며, 다음번에 더 나은 추측을 할 수 있도록 내부 로직을 조정합니다.

이 "솔버-인-더-루프(solver-in-the-loop)" 접근 방식은 매우 효과적임이 입증되었습니다. 연구진은 훈련 데이터에서 일곱 가지 당김 패턴 중 하나를 숨긴 채, 시스템에 그 숨겨진 패턴의 결과를 예측하도록 요청함으로써 시스템을 테스트했습니다. 대부분의 경우, 시스템은 높은 정확도로 조직의 움직임을 예측하는 데 성공했습니다. 조직의 전체적인 모양과 움직임에 대해 예측 오차는 평균 15% 미만이었으며, 움직임의 타이밍은 실제 물리 현상과 거의 완벽하게 일치했습니다. 시스템은 조직이 얼마나 늘어나는지를 예측할 때 더욱 정밀하여, 오차가 1.4% 미만이었습니다. 조직 섬유 내부에서 느껴지는 힘인 내부 응력(internal stress)을 예측할 때도 오차는 7.8% 미만을 유지했습니다. 이러한 결과는 시스템이 단순히 보여준 데이터를 암기한 것이 아니라, 조직이 어떻게 행동하는지에 대한 근본적인 규칙을 진정으로 학습했음을 시사합니다.

연구는 또한 시스템이 어려움을 겪는 부분도 밝혀냈습니다. 예측은 움직임이 부드럽고 예측 가능한 조직 샘형의 중앙부에서 가장 정확했습니다. 오차는 조직을 잡고 있는 테스트 기계에 의해 고정된 가장자리 근처에서 집중되는 경향이 있었습니다. 이는 역학 분야의 알려진 과제로, 가장자리의 날카로운 제약 조건은 어떤 모델도 완벽하게 해결하기 어려운 복잡한 응력 집중을 생성합니다. 또한, 시스템은 힘이 극도로 불균형할 때, 예를 들어 한쪽 방향으로 훨씬 더 세게 당기는 경우, 특히 그 특정 유형의 불균형이 훈련 데이터에서 드물게 나타날 때 조직의 거동을 예측하는 데 약간 더 어려움을 겪었습니다. 이러한 국소적인 과제에도 불구하고, 시스템은 조직의 반응을 나타내는 특징적인 "J-형" 곡선을 일관되게 재현하며, 초기 단계의 쉬운 늘어남과 높은 부하에서 발생하는 급격한 경화 현상을 모두 포착해 냈습니다.

이 연구의 의의는 생물 의학 엔지니어들이 복잡한 문제에 접근하는 방식을 바꿀 잠재력에 있습니다. 신경망의 유연성과 물리 기반 솔버의 신뢰성을 결합함으로써, 연구진은 빠르면서도 신뢰할 수 있는 도구를 만들어냈습니다. 새로운 상황에 직면했을 때 실패할 수 있는 순수 데이터 기반 모델과 달리, 이 하이브리드 시스템은 재료의 물리 법칙에 근거하고 있습니다. 이는 이 시스템이 수술 계획을 돕거나 엔지니어가 새로운 심장 판막 설계를 빠르게 테스트할 수 있게 하는 등 실시간 응용 분야의 유망한 후보임을 보여줍니다. 현재의 연구는 단일 조직 샘플과 정적 하중 조건으로 제한되었지만, 이 프레임워크는 명확한 발전 방향을 제시합니다. 이는 물리 법칙을 존중하는 지능형 시스템을 구축하는 것이 가능하며, 속도를 희생하지 않고도 인체의 복잡한 역학을 시뮬레이션할 수 있는 강력한 새로운 방법을 제공한다는 것을 보여줍니다.