해부학 규칙을 신경망에 내장한 새 AI 프레임워크 제안

arXiv에 게재된 새 논문이 인체 해부학을 다루는 딥러닝 모델이 통계적으로는 그럴듯하지만 실제로는 물리적으로 불가능한 결과를 내놓는 문제를 해결하기 위한 방법을 제시했습니다. 이 프레임워크는 'AINN(Anatomy-Informed Neural Networks)'으로 명명되었으며, David Stonko가 저자로 참여해 42쪽 분량에 그림 10개, 표 4개를 포함한 논문으로 arXiv(cs.AI, cs.CV·cs.RO 교차 등재)에 보도된 바에 따르면 발표됐습니다.

논문이 지적하는 핵심 문제는 해부학을 다루는 딥러닝 모델이 "수치적으로는 그럴듯하지만 해부학적으로는 불가능(numerically plausible yet anatomically impossible)"한 결과를 낼 수 있고, 학습 데이터가 부족한 의료 영상 분야에서는 특히 일반화 성능이 떨어진다는 점입니다. AINN은 이를 두 가지 방식으로 해결합니다. 먼저 '완화된(soft)' 해부학적 사전 지식은 손실함수에 벌점 항으로 추가되는데, 이는 물리 법칙 위반을 학습 과정에서 벌점으로 반영하는 '물리 정보 신경망(physics-informed neural network)'과 같은 방식입니다. 예를 들어 신장 이식 동맥이 대동맥이 아닌 장골 동맥에서 분기되는 경우, 이를 불가능한 결과로 처리하지 않고 '드문 경우'로만 표시합니다. 반면 혈관의 연속성처럼 반드시 지켜져야 하는 '엄격한(hard)' 해부학적 규칙은 모델의 구조와 상태 표현 자체에 내장되어, 제약이 허용하는 범위 내에서는 애초에 잘못된 예측이 나올 수 없도록 설계됩니다.

연구진은 이 프레임워크를 검증하기 위해 학습 데이터가 매우 제한적인 임상 시나리오를 선택했습니다. 시술 중 경직된 와이어가 혈관 내부로 삽입될 때 대동맥-장골 동맥 트리가 어떻게 변형되는지를 예측하는 문제로, 이는 대동맥 수술은 물론 향후 스스로 혈관을 탐색해야 하는 자율 혈관 내(endovascular) 로봇 개발에도 중요한 역학적 현상입니다. 이 방법은 혈관 중심선과 와이어 경로를 단순한 3차원 곡선이 아니라, 위치와 방향을 함께 표현하는 리 군(Lie group)인 SE(3) 상의 기준 좌표계 곡선으로 표현합니다. 와이어는 얇은 탄성 막대의 굽힘과 비틀림까지 표현할 수 있는 역학 모델인 '코세라 로드(Cosserat-rod)' 모델로 나타내고, 이를 혈관의 자연스러운 굴곡과 해부학적 고정 위치를 반영한 혈관 모델과 결합합니다. 두 요소는 와이어가 혈관 내벽에 밀착되는 상황을 나타내는 단방향 접촉 부등식 제약으로 상호작용하며, 예측된 변형은 이 시스템의 전체 탄성 에너지를 최소화하는 해로 계산되고, 접촉력은 해당 제약 조건에서 도출되는 라그랑주 승수(구속조건을 만족시키기 위해 도입하는 수학적 계수)로 표현됩니다.

학습 지도(supervision)는 C자형 엑스선 촬영 장비(C-arm)의 기하학적 구조를 이용해 예측된 3차원 변형을 2차원으로 투영한 결과와 실제 혈관조영 영상을 비교하는 방식으로 이루어지며, 두 확률분포 간 차이를 이동 비용 관점에서 측정하는 '와서스타인-2 최적수송 손실(Wasserstein-2 optimal-transport loss)'을 사용합니다. 이를 통해 단일 2차원 혈관조영 영상만으로도 3차원 예측을 지도할 수 있습니다.

다만 연구진은 이번 논문에서는 실제로 신경망을 학습시키지는 않았다고 밝혔습니다. 현재까지는 운동학적 표현, 손실함수, 투영 기하학을 알려진 기준값과 비교해 검증했을 뿐이며, 역학 솔버는 자체 최적성 조건에 대해서만 검증되었고, 예측된 변위는 아직 메시 수렴(mesh convergence, 계산 격자를 세밀화해도 결과가 안정적으로 수렴하는지 확인하는 절차) 여부가 확인되지 않았습니다. 향후 연구에서는 이 시뮬레이션 모델을 실제 CT 스캔 데이터에 적용해 예측 정확도가 향상되는지, 필요한 학습 데이터양이 줄어드는지를 검증할 계획이며, 임상이나 로봇 내비게이션에 실제로 적용되기 전에 추가 검증이 필요합니다.