Trong nghiên cứu công bố ngày 16/9/2026 trên arXiv, một nhóm tác giả dẫn đầu bởi Ali Nourbakhsh đã phân tích hiệu quả của mô hình LightGBM trong mô phỏng tương tác chất lỏng - cấu trúc (FSI) động mạch chủ và phát hiện AI chuyển giao hình thái không vượt trội hơn các phép nội suy trực tiếp.
Nghiên cứu sử dụng bốn mô hình giải phẫu động mạch chủ người được ẩn danh từ kho dữ liệu Vascular Model Repository. Nhóm tác giả tái cấu trúc các mô hình thành hai vùng riêng biệt gồm lòng mạch và thành mạch dày danh định 1,5 mm, sau đó phân tích tương tác FSI hai chiều ở chu kỳ đầu tiên. Để kiểm tra khả năng dự đoán không cần huấn luyện lại (zero-shot), nhóm xây dựng mô hình tiên nghiệm chỉ dựa trên hình học bằng thuật toán LightGBM thông qua phương pháp huấn luyện loại trừ một mẫu (leave-one-anatomy-out) trên ba bộ giải phẫu và đánh giá trên bộ thứ tư còn lại.
Kết quả thử nghiệm zero-shot cho thấy khả năng chuyển giao giữa các cấu trúc giải phẫu độc lập đạt hiệu quả rất thấp trên toàn bộ sáu mục tiêu khảo sát. Khi bổ sung 5% điểm neo định chuẩn (tương đương 203 điểm neo trên tổng số 3.852 nút đánh giá) để thích ứng mô hình, thuật toán LightGBM kết hợp hiệu chỉnh chỉ đạt hệ số xác định R² là 0,603 đối với chỉ số trượt dao động (OSI). Trong khi đó, các phương pháp nội suy trực tiếp dựa trên cùng số điểm neo lại cho kết quả vượt trội hơn đáng kể mà không cần mô hình AI phức tạp. Cụ thể, phương pháp nội suy nghịch đảo khoảng cách trọng số (IDW) đạt R² bằng 0,829 đối với OSI, 0,617 với ứng suất von Mises đỉnh và 0,676 với ứng suất trung bình. Phương pháp nội suy hàm xuyên tâm (RBF) thậm chí đạt R² lên tới 0,917 đối với OSI, 0,714 với ứng suất đỉnh và 0,778 với ứng suất trung bình.
Từ các số liệu này, nhóm nghiên cứu kết luận rằng các điểm nhãn thưa trong cùng một cấu trúc giải phẫu hoàn toàn có thể hỗ trợ hoàn thiện trường vật lý, nhưng không có bằng chứng nào cho thấy mô hình học chuyển giao xuyên giải phẫu mang lại giá trị vượt trội so với phép nội suy trực tiếp. Nhóm tác giả lưu ý đây mới chỉ là bước tính toán ban đầu hướng tới mô hình bản sao số gắn liền với dữ liệu đo đạc thực tế, chưa phải một giải pháp hoàn chỉnh trong lâm sàng. Những hạn chế hiện tại như tập dữ liệu nhỏ gồm 4 mẫu giải phẫu, mô phỏng FSI chưa đạt mức hội tụ sâu và thiếu dữ liệu đo đạc trực tiếp từ bệnh nhân sẽ cần được giải quyết trong các nghiên cứu tương lai với phương pháp học máy kết hợp vật lý. Toàn bộ mã nguồn và dữ liệu của nghiên cứu đã được mở công khai trên GitHub.