Thermodynamics-informed graph neural networks for real-time simulation of digital human twins

要約

医療分野におけるリアルタイム シミュレーションの重要性の高まりにより、複雑な生物学的システムのデジタル表現に内在する限界とボトルネックが明らかになりました。
この論文では、軟組織シミュレーションにおける現在の研究分野を前進させることを目的とした新しい方法論を紹介します。
提案されたアプローチは、グラフ ニューラル ネットワークの幾何学的バイアスと、アーキテクチャ内のソフトおよびハード制約としてのメトリプレクティック構造の課せから得られる物理的バイアスを統合するハイブリッド モデルを導入し、散逸特性を持つ肝臓組織をシミュレートできます。
このアプローチは、これまで見たことのない解剖学的構造に対する優れた一般化能力を維持しながら、高いフィードバック速度で予測を生成できる効率的なソリューションを提供します。
このため、これらの機能は精密医療と触覚レンダリングのコンテキストに特に関連します。
採用された方法論に基づいて、我々は、牽引および圧縮負荷に対する人間の肝臓の反応を、最適化された構成ではわずか 7.3 ミリ秒、最も効率的な場合ではわずか 1.65 ミリ秒で、すべて順方向パスで予測するモデルを提案します。
モデルは相対位置誤差を 0.15\% 未満に抑え、応力テンソルと速度の推定では相対誤差を 7\% 未満に維持します。
これは、さまざまな負荷状態や解剖学的構造を効果的に処理できる、開発されたアプローチの堅牢性を示しています。
この研究は、深層学習を通じてリアルタイム シミュレーションと患者固有の形状を統合する実現可能性を強調し、医療アプリケーションにおけるより堅牢なデジタル ヒューマン ツインへの道を開きます。

要約(オリジナル)

The growing importance of real-time simulation in the medical field has exposed the limitations and bottlenecks inherent in the digital representation of complex biological systems. This paper presents a novel methodology aimed at advancing current lines of research in soft tissue simulation. The proposed approach introduces a hybrid model that integrates the geometric bias of graph neural networks with the physical bias derived from the imposition of a metriplectic structure as soft and hard constrains in the architecture, being able to simulate hepatic tissue with dissipative properties. This approach provides an efficient solution capable of generating predictions at high feedback rate while maintaining a remarkable generalization ability for previously unseen anatomies. This makes these features particularly relevant in the context of precision medicine and haptic rendering. Based on the adopted methodologies, we propose a model that predicts human liver responses to traction and compression loads in as little as 7.3 milliseconds for optimized configurations and as fast as 1.65 milliseconds in the most efficient cases, all in the forward pass. The model achieves relative position errors below 0.15\%, with stress tensor and velocity estimations maintaining relative errors under 7\%. This demonstrates the robustness of the approach developed, which is capable of handling diverse load states and anatomies effectively. This work highlights the feasibility of integrating real-time simulation with patient-specific geometries through deep learning, paving the way for more robust digital human twins in medical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google