수술 로봇을 위해 대동맥 변형을 지도화하는 해부학 기반 AI (2026)

새로운 해부학 기반 신경망 프레임워크가 역학, 혈관 구조, 단일 영상 투시를 결합해 단단한 가이드와이어가 대동맥과 장골동맥을 어떻게 변형시키는지 예측한다. 이 접근법은 혈관이 펴지는 정도, 분지의 이동, 스텐트 그라프트 안착 구역의 위험에 대한 시술자의 판단을 계산 가능한 3차원 예측으로 바꿀 수 있다는 점에서 혈관 내 로봇 수술에 중요하다. 동시에 검증된 구성 요소와 아직 임상적으로 검증되지 않은 주장을 명확히 구분한다.

연구진은 무엇을 만들었나?

이 연구는 Anatomy-Informed Neural Networks, 즉 AINN을 소개한다. AINN은 해부학을 단순한 영상 데이터로 취급하는 대신, 모델의 학습 목표와 내부 구조 양쪽에 해부학적 지식을 반영한다. 활용 가능한 사전 정보에는 혈관 연결성, 분지 패턴, 대칭성, 전형적인 형태, 가동성, 해부학적 위치, 주변 구조물과의 접촉 등이 포함될 수 있다.

시연은 혈관 내 대동맥 복구술에 초점을 맞춘다. 시스템은 기구가 삽입되기 전 대동맥과 장골혈관을 보여주는 수술 전 3D CT 혈관조영 영상에서 출발한다. 이후 단단한 Lunderquist 가이드와이어와 더 유연한 pigtail 카테터가 혈관 안으로 들어간 뒤 변형된 해부 구조를 예측한다. 일반적으로 와이어가 훨씬 더 단단하기 때문에 변형의 대부분을 유발하고, pigtail은 상대적으로 작은 교란만 일으킨다.

혈관 중심선은 서로 무관한 점들의 집합이 아니라 위치와 방향의 연속열로 표현된다. 덕분에 모델은 각 미세 구간이 3차원에서 어떻게 휘고 이동하는지 기술할 수 있다. 물리 기반 시뮬레이터가 1차 변형을 예측하고, 신경망은 단순화된 역학으로 포착하지 못한 효과를 학습된 잔차 보정으로 보완한다.

이 설계는 일상적인 단일 영상 투시를 이용한 약한 지도학습도 지원한다. 영상은 완전한 수술 중 3D 재구성을 요구하는 대신, 투영된 와이어 경로와 영상에서 확인 가능한 임상적 랜드마크를 제공한다.

핵심 결과는 무엇이었나?

수치 실험은 정답을 알고 있는 합성 기하 구조에서 주요 수학적 구성 요소를 검증했다. 순방향 모델은 예상되는 두 가지 정성적 거동을 재현했다. 하나는 휘어진 혈관을 가로질러 와이어가 팽팽해지는 활시위 효과이고, 다른 하나는 곡률 정점 부근에 집중되는 혈관 벽 하중이다. 이는 통제된 시험 형상에서 구현이 의도한 역학을 포착하고 있음을 확인한다.

실험은 실용적인 모델링 요건 두 가지도 보여주었다. 위상 이동 형태의 퇴화 해를 막으려면 혈관을 고정하는 강성이 혈관 전체에서 엄격하게 양수여야 한다. 또한 단순 시험 형상에는 하나의 지배적인 곡선이 있어야 한다. 더 복잡한 영점 교차 패턴에서는 일반적인 장골동맥 해부 구조와 맞지 않는 인공적인 엮임 현상이 나타났다.

환자 데이터는 사용되지 않았으며, 실제 측정에 기반한 임상 검증도 수행되지 않았다. 잔차 신경망은 설계만 제시되었을 뿐 학습되지는 않았다. 따라서 이 연구가 보고하는 것은 임상 정확도 벤치마크가 아니라 수학적·합성 데이터 기반 검증이다.

연구진은 최적화 과정에서 서로 다른 두 개의 가짜 국소 최솟값도 확인했다. 기하 구조와 파라미터를 조정해 해당 해를 피할 수는 있었지만, 비볼록 문제를 전역적으로 신뢰할 수 있는 문제로 바꾸지는 못했다. 따라서 백분율 정확도, Hausdorff 점수, Wasserstein 점수, 학습된 임상 기준 모델과의 비교 결과는 보고되지 않았다.

기존 유한요소 접근법과 비교했을 때 핵심 성과는 수치 결과라기보다 표현 방식에 있다. 이 프레임워크는 혈관 중심선과 이동 프레임을 기본 상태로 사용하고, 이를 SE(3) 상태 공간에 배치하며, 역학과 해부학 인식 학습 및 투영 기반 지도를 결합한다.

해부학 기반 모델은 어떻게 작동하나?

이 모델은 혈관과 가이드와이어를 서로 결합된 탄성 곡선으로 다룬다. Cosserat-rod 모델은 각 곡선을 중심선, 방향, 굽힘 거동, 강성으로 표현한다. 단단한 와이어가 혈관 내강 벽을 밀면, 혈관은 그 접촉력과 주변 조직의 저항에 반응해 변형된다.

중심선의 상태는 3차원 위치와 3차원 방향을 함께 다루는 수학적 공간인 SE(3)에 놓인다. 미소 구간 하나하나는 강체 프레임으로 표현된다. 국소 변화에 행렬 지수함수를 적용하면 물리적으로 타당한 회전과 평행이동이 생성되므로, 불가능한 방향 변환을 포함한 예측을 피할 수 있다.

접촉은 일방향성이다. 가이드와이어는 혈관 벽을 밀 수 있지만 당기거나 달라붙거나 관통할 수는 없다. 간극 함수는 와이어와 내강 경계 사이의 거리를 측정한다. 이어서 상보성 조건이 다음 두 가지 유효한 상태를 강제한다.

와이어가 벽에서 떨어져 있으면 접촉력은 0이다.
와이어가 벽에 닿아 있으면 접촉력은 양수가 될 수 있다.
분리와 양의 접촉력은 동시에 발생할 수 없다.

이 구분은 와이어와 혈관을 동일한 중심선 매개변수에서 비교할 경우 방사 방향의 벽 접촉과 축 방향 변위를 혼동할 수 있기 때문에 중요하다. 하중이 걸리면 단축 효과로 혈관의 호 길이가 변하므로, 모델은 매개변수화에 의존하지 않는 방식으로 기하 구조를 비교해야 한다.

혈관은 탄성 Winkler foundation에도 연결된다. 이는 후복막, 척추기립근, 척추가 제공하는 저항을 스프링 집합으로 나타낸 것이다. 이러한 스프링 상수는 환자별 차이가 특히 큰 물리 파라미터 중 하나이며, 데이터로 보정할 수 있다.

학습 시스템은 물리적 예측과 신경망 잔차를 결합한다. 목적 함수는 네트워크 가중치와 일부 보정 파라미터를 함께 최적화한다. 여기에는 고정 거동과 석회화에 따른 강성의 관계가 포함된다. 역학 모델이 정확하다면 잔차는 0에 가까워져야 한다. 역학 모델이 불완전하다면 잔차가 나머지 변형을 학습하지만, 그만큼 더 많은 데이터가 필요하고 해석 가능성은 낮아진다.

손실 함수에는 일반적인 점별 평균제곱오차 대신 Wasserstein-2 최적수송이 사용된다. 최적수송은 특정 예측점이 특정 정답점과 대응해야 한다고 가정하지 않고 기하 분포를 비교한다. 또한 점별 거리보다 해부학적으로 부적절한 배열을 더 효과적으로 벌점화할 수 있다.

학습 과정에서 3D 예측은 기록된 투시 영상의 시점으로 투영된다. 투영된 와이어 경로는 연속적인 지도를 제공하고, 가장 낮은 신동맥 입구와 대동맥 분기부 같은 랜드마크는 영상에 보일 때 이산적인 지도를 제공한다. 깊이축 정규화 항은 관측되지 않는 방향으로의 비현실적인 변화를 제한한다.

물리 시뮬레이션, 잔차 학습, 투영, 해부학 인식 손실을 결합한 AINN 구조

로봇공학에 왜 중요한가?

혈관 내 로봇은 단순한 영상 인식 이상의 기능을 필요로 한다. 가이드와이어나 전달 장치를 전진시키는 시스템은 혈관이 어떻게 움직일지, 안착 구역이 얼마나 펴질지, 기구가 팽팽해질 때 분지 입구가 이동할지를 예측해야 한다. 이는 영상 한 장에 나타난 시각적 패턴이 아니라 해부 구조에서 비롯되는 역학적 결과다.

AINN은 이러한 예측을 가능하게 하는 경로를 제시한다. 로봇은 수술 전 CT로 환자별 역학 모델을 구축하고, 시술 중 투영된 와이어 경로로 모델을 업데이트하며, 불완전한 2D 증거에서 보이지 않는 3D 변형을 추정할 수 있다. 이러한 예측은 와이어 내비게이션, 장치 위치 결정, 힘 조절, 분지 이동 경고를 지원할 수 있다.

같은 설계 원리는 대동맥을 넘어 확장될 수 있다. 뇌혈관조영 모델은 혈관 분지와 교차하지 않는 위상 구조를 우선시할 수 있다. 결장 모델은 폐곡선 기하를 중점적으로 다룰 수 있다. 분지형 혈관 내 복구술 모델은 내장혈관 주변의 가동성에 더 높은 중요도를 부여할 수 있다.

이 연구는 실제 배치 가능한 수술 제어기가 아니지만, 로봇 시스템이 학습 기반 인식과 명시적인 물리 구조를 결합하는 방식을 보여준다. 자동화 장비를 평가하는 팀은 일반적인 조작 플랫폼을 위해 중고 협동로봇 판매 목록을 살펴보거나 높은 반복 정밀도가 필요한 자동화를 위해 중고 산업용 로봇을 찾아볼 수 있다. 다만 의료 현장에 투입하려면 전문 인증을 받은 시스템이 필요하다.

한계와 남은 질문은 무엇인가?

가장 큰 한계는 환자 데이터가 없다는 점이다. 모든 실험은 연구진이 구성한 합성 기하 구조를 사용했으므로, 이 프레임워크가 실제 수술 중 해부 구조의 변형과 일치하는 예측을 내놓는지는 아직 입증되지 않았다. 시험 형상이 관련 역학 조건을 만족하도록 설계되었기 때문에 활시위 거동이 나타나는 것은 예상 가능한 결과다. 이는 구현을 검증하지만 임상적 충실도를 입증하지는 않는다.

잔차 네트워크는 아직 학습되지 않았고, 여러 물리 파라미터도 여전히 보정이 필요하다. 단일 시점 투시는 깊이 정보를 모호하게 만들기 때문에, 예측이 작업 영상에서는 올바르게 보여도 3D 공간에서는 틀릴 수 있다. 최적화 문제는 비볼록이며 가짜 국소 최솟값도 발생했다.

의미 있는 평가를 위해서는 수술 전 CT와 수술 중 혈관조영 영상을 짝지은 데이터가 필요하며, 가능하다면 보완적인 3D 영상인 콘빔 CT를 활용해야 한다. 제안된 평가 방식은 약 25개의 짝지어진 증례를 사용하고, 각 검증 폴드 안에서 보정을 반복하며, 와이어 경로 오차와 랜드마크 오차를 모두 측정한다.