대퇴동맥 재협착 위험 부위 예측

혈류역학 지표는 말초동맥질환의 재협착 위험과 밀접한 관련이 있습니다. 본 연구는 혈관 기하학과 유입 유동 파형을 모두 고려하여 재협착 취약 부위를 예측하는 머신러닝 기반 차수 축소 모델(ML-ROM) 프레임워크를 제안합니다. 이를 위해 500개의 매개변수화된 가상 대퇴동맥 형상과 생리적 유입 파형을 생성하고, 전산 유체 역학(CFD)을 통해 벽 전단 응력(WSS) 분포를 얻었습니다. 문헌 기반의 시간 평균 벽 전단 응력(TAWSS) 및 진동 전단 지수(OSI) 임계값을 적용하여 위험 부위를 정의한 후, Proper Orthogonal Decomposition(POD)으로 ROM을 구축하고 ML 모델을 훈련했습니다. 기하학적 매개변수만 사용한 모델과 푸리에 계수, LSTM, CNN을 통해 유입 파형 정보를 통합한 세 가지 대안을 탐색했습니다. 그 결과, 푸리에 모델이 모든 위험 부위 정의에서 0.92를 초과하는 균형 정확도(BA) 중앙값으로 가장 높은 예측 성능을 보였습니다. 이 모델은 기존 CFD 대비 약 10^9배 빠른 속도 향상을 제공합니다. 본 프레임워크는 재협착 위험 평가의 효율성을 크게 높여, 임상 진단 및 치료 전략 수립에 기여할 수 있을 것으로 기대됩니다.