在医疗器械设计中，一项关键挑战是如何降低血液损伤的风险。借助建模与仿真技术，工程师可以评估发生血液损伤的概览，在提升医疗器械的安全性和性能的同时降低计算成本。COMSOL 认证咨询机构 Veryst Engineering 公司使用 COMSOL Multiphysics® 软件，基于美国食品药品监督管理局（FDA）提供的基准喷嘴几何模型（参考文献 1），构建了用于预测血液回流区和血液损伤（具体为溶血现象）的代理模型。
Veryst Engineering 公司的首席专家 Matthew Hancock 博士表示：“随着人工智能（AI）和机器学习被逐步纳入监管申报流程，真正的挑战已不只是代理模型与基准仿真相比有多准确；而在于我们能否通过验证的方式表明，而非仅凭假设推断，源于 AI 模型的预测偏差是否足够小，以维护其所辅助的决策的可靠性。我们将此称为 ‘决策可靠性’。”
使用仿真降低风险
当医疗器械与血液接触时，存在造成非预期血液损伤的风险。这一风险对诸如仪器回路或器械-血管连接装置的设计提出了挑战，这类装置包括起搏器、心脏瓣膜和导管等。
溶血是指红细胞破裂，其中的血红蛋白被释放到周围血浆中的现象。在对医疗器械进行建模时，可以通过测量流经器械的血液中游离血红蛋白的增加量，来评估此类血液损伤。在量化血红蛋白水平的同时，若能综合考虑亚致死性损伤和血栓形成等因素，将有助于做出更科学、更合理的设计决策。
Veryst 的目标是搭建一套仿真模型，帮助医疗器械设计人员理解设备几何结构与血液损伤之间的关系。为了实现这一目标，团队采用了多物理场仿真和代理模型技术，不仅达成了目的，还大幅减少了开展物理实验所需的各类资源。
在 COMSOL 用户年会的一份海报展示 中，Veryst 的工程师分享了他们如何训练并部署代理模型，实时呈现血液损伤的可视化效果。通过这套系统，工程师能够随时调整设计要素和各项运行参数，并直观地观察这些变化带来的影响。这些分析帮助他们找出了最关键的影响参数，并确定了相应的容差范围。
构建与训练代理模型
Veryst 的工程师们在仿真研究中使用了深度神经网络（DNN）代理模型来预测血流速度和溶血情况。这项工作参考并拓展了 Veryst 此前针对 FDA 基准喷嘴中血液损伤的建模研究（参考文献 2），相关成果曾在 2020 年 COMSOL 用户年会特邀演讲 上进行展示。团队利用先前全模型仿真生成的数据，来辅助训练这些 DNN 模型。
此外，FDA 提供了用于验证医疗器械内血流数值模拟结果的基准数据集（参考文献 3）。医疗器械必须满足相关要求，方可获得 FDA 批准。其中一组基准数据集针对一种 喷嘴结构，其管道包含收缩段、喉部和扩张段，即表现为喉部一端呈锥形直径变化，另一端则为直径突变（图 1）。
为将喷嘴模型提交至 FDA，Veryst 工程师选用了符合 FDA 基准方案的流体特性，设置了四项可调整输入参数：
- 流量
- 收缩段长度
- 喉部直径
- 扩张段长度
代理模型可预测血流速度，并采用以应力为自变量的幂律关系估算溶血程度（参考文献 2）。溶血模型的输出结果用于预测因细胞破裂或渗漏而释放到血液中的血红蛋白总量。
为了构建溶血模型，团队基于包含 9000 次仿真的试验设计数据样本，计算了流体出口处的平均溶血值。随后，他们构建了一个代理模型，利用原始数据对速度分量 u 和 w 开展训练。该 DNN 代理模型包含 3 个隐藏层，每层 20 个节点，并采用双曲正切激活函数，模型训练迭代周期设置为 5000。速度网络同样采用 DNN，基于 500 次仿真数据进行训练，训练周期为 3500，网络包含其 3 个隐藏层，每层设置 32 个节点。在流体训练数据方面，团队利用了扩展后的所有网格点，并将扩张段长度设为 0，以便重点研究回流区。
预测结果与既往数据高度吻合
在构建了用于训练速度分量 u 和 w 的代理模型后，团队进一步开发了一种改进的带有物理信息无滑移硬约束的深度神经网络。该网络基于轴向速度偏差 w’ 开展训练，其解析层流解为 w’ = w – (2*Q/A)(1–(r/R)2)。其中，Q 代表流量，A 代表横截面积，r 代表径向坐标，R 代表末端半径（图 2）。
无论是基于原始数据训练的深度神经网络，还是带有硬约束的深度神经网络，都能准确复现湍流状态下的流动剖面，而湍流状态恰好构成了基础训练数据的主体。不过，在匹配层流仿真结果或层流向湍流转捩阶段方面，这两种深度神经网络的定量精度相对较弱。
图 2. 雷诺数 Re = 6500 条件下的流速分布。该模型复现了 FDA 几何模型，展示了扩张段后的回流现象。
当溶血预测模型的训练目标设定为匹配溶血值的对数时，其预测结果在宽泛的输入参数范围内误差均能控制在 10% 以内。Veryst 发现，无论是有限元分析（FEA）还是深度神经网络（DNN）预测，改变几何结构的收缩段和扩张段长度对溶血的影响都微乎其微。为了验证该代理模型，团队基于 Herbertson 的实验参数（参考文献 4），对比了 FEA 与 DNN 预测的血红蛋白浓度（图 3）。
图 3. 采用 FDA 几何结构，在不同喉部半径与流量条件下，喷嘴出口处释放的血红蛋白比例。
Veryst 公司的首席工程师 Joseph Barakat 博士表示：“将溶血预测的结果与完整计算流体力学模型的误差控制在 10% 以内，同时将运算时间从数小时缩短至数毫秒，正是实现实时设计探索的关键所在。”
Veryst 的研究是基于公开的 FDA 基准几何结构展开的，未来可扩展应用于更广泛的场景。这套方法有望用于评估各类医疗器械中的血液损伤情况，例如器械管路以及器械与血管的连接处。
Hancock 补充道：“将代理模型的近似误差、数值误差以及验证偏差正式整合为一个总体误差估计值，以此来量化评估决策的可靠性——这一方法以美国机械工程师学会（ASME）验证与确认（V&V）20 和 V&V 40 标准，以及大量有关验证与不确定性量化的文献为理论基础，是极具前瞻性的后续推进方向。尤其是在 FDA 下属的医疗器械与放射健康中心持续为适用于 AI 加速设备仿真构建监管科学工具的背景下，这一步骤显得尤为重要。”
下一步
想要了解更多 Veryst 公司利用代理模型预测血液损伤的相关研究？点击下方按钮，查看该团队在 COMSOL 用户年会上展示的海报：
参考文献
- A. Spann, J. Barakat, and M. Hancock, “Deep Neural Network Surrogate Model for Blood Damage Modeling in FDA Hemolysis Benchmark,” COMSOL Conference 2024 Boston, 2024; https://www.comsol.com/paper/deep-neural-network-surrogate-model-for-blood-damage-modeling-in-fda-hemolysis-benchmark-136422
- A. Kermani, A. Vanegas, and A. Spann, “Blood Damage Modeling of FDA Benchmark Nozzle,” COMSOL Conference 2020 Boston, 2020; https://www.comsol.com/paper/blood-damage-modeling-of-fda-benchmark-nozzle-93171
- U.S. Food and Drug Administration, Benchmark dataset for validating computational fluid dynamic (CFD) simulation of blood flow through generalized medical device geometries (RST24CV11.01), 2024; https://cdrh-rst.fda.gov/benchmark-dataset-validating-computational-fluid-dynamic-cfd-simulation-blood-flow-through
- L.H. Herbertson et al., “Multilaboratory study of flow-induced hemolysis using the FDA benchmark nozzle model,” Artificial Organs, vol. 39, no. 3, pp. 237–248, 2015; https://pubmed.ncbi.nlm.nih.gov/25180887/
评论 (0)