Geometry-Aware Abdominal Aortic Aneurysm Digital Twin for Patient-Specific Wall Stress Mapping

Resumo Técnico: Gêmeo Digital de Aneurisma de Aorta Abdominal Sensível à Geometria para Mapeamento de Tensão de Parede Específico para o Paciente

Definição do Problema
A estimativa precisa das distribuições de tensão na parede em Aneurismas de Aorta Abdominal (AAA) é essencial para melhorar a predição de risco de ruptura além dos critérios tradicionais de diâmetro máximo. Embora a Análise de Elementos Finitos (FEA) de alta fidelidade forneça estimativas de tensão precisas e específicas para cada paciente, sua dependência de um pré-processamento laborioso (segmentação, geração de malha, suposições de material) e de um tempo computacional substancial limita sua utilidade na tomada de decisão clínica em tempo real. Além disso, incertezas nos materiais e nas condições de contorno podem se propagar para as predições de tensão, complicando a tradução clínica. Os autores propõem uma alternativa baseada em dados para preencher a lacuna entre a anatomia derivada de imagem e os desfechos biomecânicos de tensão, visando criar um "gêmeo digital sensível à geometria" que permita o mapeamento rápido e específico para o paciente da tensão de parede.

Metodologia
O estudo introduz um pipeline que converte imagens de Angiotomografia Computadorizada (CTA) em representações de grafos padronizadas para prever a tensão de parede usando Aprendizado Profundo (Deep Learning).

1. Aquisição e Pré-processamento de Dados:

   • Coorte: Dados de CTA retrospectivos de 203 pacientes de três centros clínicos.
   • Segmentação: Um pipeline U-Net desenvolvido internamente, refinado por especialistas, gerou máscaras binárias para a parede externa, parede interna, lúmen e trombo intraluminal (ILT).
   • Padronização: As superfícies da parede externa foram remalhadas para um alvo uniforme de aproximadamente 150.000 nós para garantir estatísticas de grafo comparáveis e um agrupamento (batching) consistente.
   • Geração de Verdade de Campo (Ground Truth): Simulações de FEA específicas para cada paciente foram realizadas no Abaqus utilizando um modelo de material hiperelástico de Mooney–Rivlin para a parede e o ILT. As tensões da primeira tensão principal da parede foram computadas e projetadas de volta na superfície padronizada da parede externa para servir como rótulos de verdade de campo.

2. Engenharia de Atributos (Feature Engineering):
   Descritores geométricos e biomecânicos específicos de cada nó foram calculados para cada vértice na malha de superfície, incluindo:

   • Espessuras: Espessura da parede (WallTHK) e espessura do ILT (ILTTHK).
   • Curvaturas: Curvaturas principais ($k_1, k_2$), curvatura Gaussiana ($K$) e curvatura média ($M$).
   • Geometria: Distância ao centroide do lúmen ($r_L$), diâmetro local normalizado (NORD) e a razão entre a espessura do ILT e a da parede ($\rho_{ILT}$).
   • Biomecânica: Um substituto para a resistência da parede ($\sigma_{ult}$) derivado de um modelo de regressão incorporando carga de trombo local, diâmetro, histórico familiar e sexo.
   • Contexto Local: Os atributos foram aumentados com estatísticas (média, desvio padrão, máximo, delta) computadas a partir dos seis vizinhos mais próximos (kNN-6) para capturar interações locais.
   • Atributos Globais: Atributos de nível de grafo (ex: diâmetro máximo, sexo, classe de ILT) foram transmitidos (broadcast) para os nós.

3. Modelos Substitutos Baseados em Grafos:
   A superfície do AAA foi tratada como um grafo $G=(V, E)$, onde os nós representam vértices da malha e as arestas representam a conectividade da malha. Três arquiteturas distintas de Redes Neurais de Grafos (GNN) foram testadas:

   • Rede Convolucional de Grafo com Portão (GGCN): Uma arquitetura residual usando passagem de mensagens com portão (inspirada em Redes Neurais de Sequência de Grafo com Portão) para propagar informações ao longo da malha. Utiliza atualizações do tipo GRU para regular a integração de informações, estabilizando a otimização em grafos grandes e irregulares.
   • Rede Neural de Grafo Equivariante (EGNN): Codifica explicitamente simetrias euclidianas (invariância à translação e rotação) ao atualizar simultaneamente os atributos dos nós e as coordenadas através de mensagens baseadas em distância. Isso reduz a dependência de sistemas de coordenadas arbitrários.
   • Transformer de Grafo (GT): Substitui a passagem de mensagens padrão por atenção de múltiplas cabeças condicionada à estrutura e geometria do grafo. Utiliza codificações relativas e posicionais para modelar interações de longo alcance e biomecanicamente acopladas (ex: saco-ao-pescoço) e lidar com padrões de tensão anisotrópicos.

4. Estratégia de Treinamento:

   • Objetivo: Os modelos foram treinados para prever o campo completo de tensão de parede específico por nó.
   • Função de Perda: Foi empregada uma função de perda composta e sensível à cauda (tail-aware), combinando:
     • Erro Quadrático Médio (MSE) ponderado pela tensão para dar maior peso aos nós de alta tensão.
     • Penalidades na discrepância de resumos globais: Tensão de Parede Média ($\bar{\sigma}$) e o percentil 99 da Tensão de Parede ($\sigma_{99}$).
     • Um termo de perda pinball (quantil) para enfatizar especificamente a cauda de alta tensão.
   • Aumento de Dados (Augmentation): Técnicas incluíram subamostragem de nós estratificada por tensão, aumento de dados geométricos e reponderação do tipo focal para casos complexos.

Principais Contribuições

1. Pipeline de Gêmeo Digital: Um fluxo de trabalho reprodutível que converte imagens de CTA em representações de grafos padronizadas com descritores biomecânicos e geométricos específicos por nó.
2. Avaliação Sistemática: Uma avaliação comparativa das arquiteturas GGCN, EGNN e GT para estimar $\bar{\sigma}$, $\sigma_{99}$ e o campo completo de tensão de parede em uma coorte de AAA multi-institucional.
3. Treinamento Sensível à Cauda (Tail-Aware): Implementação de estratégias de treinamento e leitura (readout) projetadas para aumentar a sensibilidade às regiões criticamente importantes de alta tensão sem sacrificar a precisão geral.
4. Avaliação Abrangente: Relato de erros em nível de grafo, precisão por nó, correlações espaciais e concordância entre os mapas de tensão de FEA e os previstos.

Resultos

• Desempenho: Todas as três arquiteturas de GNN alcançaram alta fidelidade na reprodução dos campos de tensão de parede de FEA específicos para cada paciente.
• Melhor Modelo: O Transformer de Grafo (GT) demonstrou a melhor concordância geral. Ele alcançou $R^2 > 0,97$ por nó e $R^2 > 0,98$ em nível de grafo.
• Capacidades: O modelo GT capturou com sucesso os padrões espaciais de tensão, preservou tendências biomecânicas e permitiu a inferência quase em tempo real.
• Eficiência: O framework reduziu o tempo de inferência por caso de horas (necessárias para uma simulação completa de FEA) para alguns segundos em uma única GPU.
• Comparação: Embora o GGCC e o EGNN tenham entregado desempenhos fortes, a capacidade do GT de modelar campos receptivos globais e interações de longo alcance via mecanismos de atenção proporcionou uma precisão superior na reprodução da distribuição de tensão e da cauda de alta tensão.

Significância e Alegações
O artigo postula que enquadrar a estimativa de tensão de parede como um gêmeo digital sensível à geometria permite o mapeamento de tensão de parede rápido, escalável e específico para o paciente. Os autores afirmam que, com refinamento adicional e coortes maiores, este framework baseado em grafos tem o potencial de fortalecer a avaliação do risco de ruptura e facilitar a integração de análises biomecânicas rotineiras e específicas para o paciente nos fluxos de trabalho clínicos. O estudo enfatiza que o objetivo não é necessariamente a reprodução perfeita de cada valor nodal, mas sim a reprodução adequada da distribuição de tensão geral e da cauda de alta tensão para derivar com precisão resumos globais clinicamente relevantes ($\bar{\sigma}$ e $\sigma_{99}$) para a avaliação de risco individual. O framework é apresentado como um caminho complementar ao FEA tradicional, oferecendo um substituto baseado em dados que pode ser aplicado a outras patologias vasculares representáveis por malhas de superfície.