뇌종양 진화 예측 및 치료 일정 수립을 위한 AI 증강 적응형 디지털 트윈 모델링
AI-Augmented Adaptive Digital Twin Modeling for Brain Tumor Evolution Prediction and Treatment Scheduling
뇌종양 진행은 공간적으로 이질적인 성장, 환자별 치료 반응, 주변 해부학과의 복잡한 상호작용을 보여 정확한 장기 예측을 어렵게 만든다. 우리는 뇌종양 진화 예측 및 치료 일정 수립을 위한 AI 증강 적응형 디지털 트윈(DT) 프레임워크를 제안한다. 이 프레임워크는 해석 가능한 반응-확산(RD) 모델, 모델 형태 보정을 위한 3D 잔차 학습 모듈, 재귀적 롤아웃 동안의 환자 특이적 DT 업데이트, 제약이 있는 화학요법 및 방사선치료 일정 수립을 위한 모델 예측 제어(MPC)를 통합한다. 120단계 진화를 갖는 387개의 합성 종양 궤적에 대한 실험은 기준선 RD 모델이 종양 위치와 전반적인 시간적 거동을 포착하지만 장기 예측에서 이질적인 종양 부담을 과소평가함을 보여준다. 하이브리드 RD-잔차 모델링은 밀집 시뮬레이션 관측 하에서 RD 기준선 대비 마스크된 복셀 단위 평균 제곱 오차를 84.3% 감소시키고 Dice 겹침을 43.5% 증가시킨다. 온라인 DT 업데이트는 업데이트되지 않은 하이브리드 모델과 비교하여 평균 제곱 오차를 추가로 45.9% 감소시키고 Dice 겹침을 9.6% 개선한다. MPC 기반 스케줄링 시뮬레이션에서, 업데이트된 DT 컨트롤러는 종말 부담 목적함수 하에서 고정 치료 일정 대비 최종 종양 부담을 22.4% 감소시킨다. 종합하면, 이 결과들은 환자 특이적 초기화, 기전적 모델링, 적응형 학습, 제약이 있는 치료 최적화를 위한 통합 프레임워크를 보여준다. 임상 종단 데이터가 아닌 환자 데이터에 기반한 합성 궤적으로 검증되었지만, 제안된 프레임워크는 실제 세계의 적응형 치료 계획으로의 향후 전환을 위한 기반을 마련한다.