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

Het menselijk hart is een onvermoeibare pomp, maar de hartkleppen zijn de stille poortwachters die ervoor zorgen dat het bloed slechts in één richting stroomt. Deze delicate weefselflappen, bekend als leaflets, moeten constante druk weerstaan, waarbij ze bij elke hartslag uitrekken en weer terugveren. Om te begrijpen hoe ze werken, of om kunstmatige vervangingen te ontwerpen die niet zullen falen, moeten wetenschappers precies voorspellen hoe dit weefsel vervormt onder spanning. Traditioneel is dit gedaan met complexe computersimulaties die het weefsel behandelen als een wiskundige puzzel. Deze simulaties zijn ongelooflijk nauwkeurig, maar ook ongelooflijk traag, waarbij het vaak uren of zelfs dagen duurt om een enkel scenario te draaien. Deze snelheidslimiet maakt ze onpraktisch voor real-time toepassingen, zoals het begeleiden van een chirurg tijdens een operatie of het testen van duizenden apparaatontwerpen in een enkele middag. Aan de andere kant zijn nieuwere methoden die puur vertrouwen op data en kunstmatige intelligentie weliswaar snel, maar missen ze vaak een diep begrip van de natuurkundige wetten die het weefsel beheersen, waardoor ze soms resultaten produceren die plausibel lijken, maar fysiek onmogelijk zijn.

Een team van onderzoekers heeft nu deze kloof overbrugd door een nieuw hybride systeem te creëren dat de snelheid van kunstmatige intelligentie combineert met de strikte fysische nauwkeurigheid van traditionele engineeringsoftware. Hun werk richt zich op de tricuspidalisklep, specifiek de posterieure leaflet, een dunne, flexibele laag weefsel die zich in de rechterkant van het hart bevindt. De onderzoekers wilden zien of ze een computerprogramma konden trainen om te voorspellen hoe dit weefsel zou rekken en buigen onder verschillende krachten, zonder telkens de trage, zware simulaties te hoeven draaien. Ze hebben de computer niet simpelweg geleerd om te gokken op basis van eerdere plaatjes; in plaats daarvan bouwden ze een systeem waarbij de gokken van de computer constant worden gecontroleerd en gecorrigeerd door een physics engine. Deze aanpak stelt het systeem in staat om het werkelijke mechanische gedrag van het weefsel te leren, terwijl de snelheid behouden blijft die nodig is voor real-world toepassingen.

Om dit systeem te bouwen, begon het team met echte biologische data. Ze namen een monster van weefsel uit een varkenshart, een veelgebruikt model voor menselijke hartmechanica, en sneden een klein vierkant stukje uit het midden van de klep. Vervolgens plaatsten ze dit monster in een machine die eraan trok vanuit vier zijden, waardoor het op verschillende combinaties van kracht werd uitgerekt. Ze testten zeven verschillende trekkende patronen, variërend van gelijkmatig trekken in alle richtingen tot veel harder trekken in één specifieke richting dan in de andere. Door te meten hoe het weefsel bewoog en vervormde onder deze specifieke belastingen, creëerden ze een gedetailleerde kaart van het mechanische gedrag ervan. Ze bevestigden dat het weefsel zich gedraagt als een hyperelastisch materiaal, wat betekent dat het terugkeert naar zijn oorspronkelijke vorm na het rekken, maar dat het stijver wordt naarmate het meer wordt getrokken—een eigenschap die essentieel is voor de goede werking van hartkleppen.

De kern van hun nieuwe framework is een partnerschap tussen twee verschillende soorten computerprogramma's. De eerste is een neuraal netwerk, een type kunstmatige intelligentie dat ontworpen is om patronen te herkennen. Dit netwerk fungeert als een snelle voorspeller, die de locatie op het weefsel en de toegepaste kracht neemt en direct raadt hoeveel die specifieke plek zal bewegen. Omdat het weefsel echter complex is en de krachten niet-lineair zijn, is een simpele gok zelden perfect. Hier komt het tweede deel van het systeem in beeld: een traditionele finite element solver. Dit is de zware engineeringsoftware die de wetten van de fysica berekent om te garanderen dat het weefsel in een staat van evenwicht is. In dit nieuwe framework doet het neurale netwerk een snelle gok, waarna de engineeringsoftware onmiddellijk ingrijpt om de gok te corrigeren, zodat aan de wetten van de fysica wordt voldaan. Het neurale netwerk leert vervolgens van deze correctie door zijn interne logica aan te passen om de volgende keer betere gokken te doen.

Deze "solver-in-the-loop"-aanpak bleek zeer effectief. De onderzoekers testten hun systeem door een van de zeven trekkende patronen uit de trainingsdata te verbergen en het systeem te vragen de uitkomst voor dat verborgen patroon te voorspellen. In de meeste gevallen voorspelde het systeem de beweging van het weefsel met een hoge mate van nauwkeurigheid. Voor de algehele vorm en beweging van het weefsel lagen de voorspellingen gemiddeld minder dan 15 procent af, en de timing van de beweging kwam bijna perfect overeen met de werkelijke fysica. Het systeem was zelfs nauwkeuriger bij het voorspellen van hoeveel het weefsel rekte, met fouten van minder dan 1,4 procent. Wat betreft het voorspellen van de interne spanning, of de kracht die binnen de weefselfibers wordt gevoeld, bleef de fout onder de 7,8 procent. Deze resultaten suggereren dat het systeem de onderliggende regels van hoe het weefsel zich gedraagt werkelijk heeft geleerd, in plaats van alleen de data die het te zien kreeg te hebben onthouden.

De studie onthulde ook waar het systeem moeite mee heeft. De voorspellingen waren het meest accuraat in het midden van het weefselmonster, waar de beweging vloeiend en voorspelbaar is. De fouten concentreerden zich rond de randen, waar het weefsel werd vastgeklemd door de testmachine. Dit is een bekende uitdaging in de mechanica; de scherpe beperkingen aan de randen creëren complexe spanningsconcentraties die moeilijk door enig model perfect te verklaren zijn. Bovendien vond het systeem het iets moeilijker om het gedrag van het weefsel te voorspellen wanneer de krachten extreem ongebalanceerd waren, zoals wanneer er veel harder in één richting werd getrokken dan in de andere, vooral als dat specifieke type onbalans zeldzaam was in de trainingsdata. Ondanks deze gelokaliseerde uitdagingen reproduceerde het systeem consistent de karakteristieke "J-vormige" curve van de respons van het weefsel, waarbij zowel de gemakkelijke initiële rek als de snelle verstijving die optreedt bij hoge belastingen werd gevangen.

De betekenis van dit werk ligt in de potentie om de manier waarop biomedische ingenieurs complexe problemen benaderen te veranderen. Door de flexibiliteit van neurale netwerken te combineren met de betrouwbaarheid van physics-gebaseerde solvers, hebben de onderzoekers een hulpmiddel gecreëerd dat zowel snel als betrouwbaar is. In tegen tegenstelling tot puur datagestuurde modellen die kunnen falen wanneer ze met een nieuwe situatie worden geconfronteerd, is dit hybride systeem geworteld in de natuurkundige wetten van het materiaal. Dit maakt het een veelbelovende kandidaat voor real-time toepassingen, zoals het helpen van chirurgen bij het plannen van procedures of het in staat stellen van ingenieurs om snel nieuwe hartklepontwerpen te testen. Hoewel de huidige studie beperkt was tot een enkel weefselmonster en statische belastingsomstandigheden, toont het framework een duidelijke weg vooruit. Het laat zien dat het mogelijk is om intelligente systemen te bouwen die de wetten van de fysica respecteren, wat een krachtige nieuwe manier biedt om de complexe mechanica van het menselijk lichaam te simuleren zonder in te boeten op snelheid of nauwkeurigheid.