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

人类的心脏是一个不知疲倦的泵，但其瓣膜则是确保血液单向流动的静默守门人。这些被称为“瓣叶”的脆弱组织片必须承受持续的压力，在每一次跳动中进行拉伸和回弹。为了理解它们的工作原理，或设计不会失效的人工替代品，科学家需要精确预测这些组织在应力下的变形情况。传统上，这通过复杂的计算机模拟来完成，将组织视为一个数学谜题。这些模拟极其精确，但也极其缓慢，运行单个场景往往需要数小时甚至数天。这种速度限制使得它们无法用于实时应用，例如在手术中指导外科医生，或是在一个下午测试数千种设备设计。另一方面，纯粹依赖数据和人工智能的新方法虽然很快，但往往缺乏对控制组织的物理定律的深度理解，有时会产生看似合理但在物理上不可能的结果。

研究人员现在通过创建一种新的混合系统弥合了这一差距，该系统结合了人工智能的速度与传统工程软件的严谨物理准确性。他们的工作专注于三尖瓣，特别是位于心脏右侧的后瓣，这是一种薄而灵活的组织片。研究人员希望看看能否训练一个计算机程序，使其在无需每次都运行缓慢、沉重的模拟的情况下，预测该组织在各种力量作用下如何拉伸和弯曲。他们不仅仅是教计算机根据过去的图像进行猜测；相反，他们构建了一个系统，其中计算机的猜测会被物理引擎不断检查和修正。这种方法使系统能够学习组织的真实机械行为，同时保持现实应用所需的速度。

为了构建这个系统，团队从真实的生物数据开始。他们取自猪心（一种常见的模拟人类心脏力学的模型）的样本，并从瓣膜中心切下一块小正方形。然后，他们将该样本放入一台机器中，从四个方向对其进行拉伸，以不同的力量组合进行拉伸。他们测试了七种不同的拉伸模式，范围从各方向均匀拉伸到某一方向的拉力远大于其他方向。通过测量组织在这些特定载荷下的移动和变形方式，他们创建了一张详细的机械行为图谱。他们证实了该组织表现出超弹性材料的特性，这意味着它在被拉伸后能恢复原状，但在受拉程度增加时会变得更硬，这种特性对于心脏瓣膜的正常功能至关重要。

他们新框架的核心是两种不同类型计算机程序的协作。第一种是神经网络，一种旨在识别模式的人工智能。该网络充当快速预测器，通过获取组织上的位置和施加的力量，立即猜测该特定点会移动多少。然而，由于组织具有复杂性且力量是非线性的，简单的猜测很难完美。这就是系统第二部分发挥作用的地方：传统的有限元求解器。这是重型工程软件，通过计算物理定律来确保组织处于平衡状态。在这个新框架中，神经网络做出快速猜测，随后工程软件立即介入进行修正，以确保满足物理定律。神经网络随后从这种修正中学习，调整其内部逻辑，以便在下次做出更好的预测。

这种“求解器在环”（solver-in-the-loop）的方法被证明是非常有效的。研究人员通过向系统隐藏训练数据中的一种拉伸模式，并要求系统预测该隐藏模式的结果，来测试他们的系统。在大多数情况下，系统成功地以高度精确度预测了组织的运动。对于组织的整体形状和运动，预测的平均误差小于15%，且运动的时序几乎完美契合真实物理过程。在预测组织拉伸程度方面，该系统更为精确，误差小于1.4%。当涉及到预测内部应力（即组织纤维内感受到的力）时，误差保持在7.8%以下。这些结果表明，该系统真正学习了组织行为的底层规则，而不仅仅是死记硬背它所展示的数据。

研究还揭示了该系统的局限之处。预测在组织样本的中间部分最为准确，因为那里的运动平滑且可预测。误差往往聚集在边缘处，即组织被测试机器夹持的地方。这是力学领域的一个已知挑战：边缘处的剧烈约束会产生复杂的应力集中，任何模型都难以完美解决。此外，当力量极度不平衡时（例如某一方向的拉力远大于其他方向），如果这种特定的不平衡在训练数据中较为罕见，系统也会发现预测难度略有增加。尽管存在这些局部性的挑战，该系统始终能够重现组织响应特征性的“J形”曲线，捕捉到了初始阶段的易拉伸性以及高载荷下发生的快速硬化现象。

这项工作的意义在于它改变了生物医学工程师处理复杂问题的方式。通过将神经网络的灵活性与基于物理的求解器的可靠性相结合，研究人员创建了一个既快速又值得信赖的工具。与纯数据驱动的模型不同，这种混合系统植根于材料的物理定律，因此在面对新情况时不会失效。这使其成为实时应用的有力竞争者，例如帮助外科医生规划手术，或允许工程师快速测试新的心脏瓣膜设计。虽然目前的研究局限于单个组织样本和静态加载条件，但该框架展示了一条清晰的前行之路。它表明，构建尊重物理定律的智能系统是可能的，这为模拟人体复杂的力学机制提供了一种既不牺牲速度也不牺牲准确性的强大新途径。