NVIDIA는 의료 로보틱스를 시뮬레이션하기 위한 오픈소스 GPU 가속 프레임워크를 공개했으며, 개발자들이 물리적 프로토타입이나 임상 시험으로 넘어가기 전에 해부학, 기구, 영상, 로봇 동작을 모델링할 수 있는 도구를 제공한다.

NVIDIA Medical Physics Simulation 프레임워크는 Isaac for Healthcare 내에서 사용할 수 있다. NVIDIA는 이 프레임워크가 의료 로보틱스의 핵심 문제에 대응하도록 설계됐다고 말한다. 팀은 다양한 훈련 및 테스트 데이터가 필요하지만, 시연에는 특수 장비, 임상 전문지식, 그리고 환자나 실험실 환경에 대한 통제된 접근이 요구된다. 드문 합병증과 특이한 해부학도 실제 데이터 수집만으로는 포착하기 어렵다.

이번 공개가 중요한 이유는 물리 시뮬레이션, 합성 영상, 로봇 학습을 하나의 GPU 기반 워크플로우로 묶기 때문이다. 개발자는 재사용 가능한 가상 환경을 만들고, 실패 사례를 테스트하며, 일반적인 하드웨어 중심 실험보다 더 큰 규모에서 로봇 정책을 학습하거나 평가할 수 있다. 다만 발표에서 가장 강한 성능 및 도입 신호는 독립 평가가 아니라 NVIDIA와 파트너들로부터 나온 것이다.

NVIDIA가 공개하는 것

Medical Physics Simulation은 전통적인 물리 기반 시뮬레이션과 생성형 AI 기반 시뮬레이션을 결합한다. NVIDIA는 전통적 계층을 접촉, 마찰, 운동, 기기 동작과 같은 알려진 상호작용을 표현하는 방법이라고 설명한다. 생성형 구성요소인 NVIDIA Cosmos-H는 절차적 데이터에서 학습한 시각적 장면 역학을 모델링하고 대화형 합성 환경을 지원하기 위한 것이다.

이 프레임워크는 NVIDIA Warp, Newton Physics, CUDA 위에 구축되었으며 NVIDIA Isaac Sim 및 Isaac Lab과 함께 동작할 수 있다. 이 아키텍처는 시뮬레이션과 머신러닝 워크로드를 GPU에 유지하여 학습 중 CPU와 GPU 메모리 간 반복 전송을 줄이려는 목적이다.

초기 일반 제공 구성요소는 Endoluminal Simulation Module이다. 이는 카테터와 가이드와이어를 포함한 길고 유연한 기구가 내부 공동을 통과하는 과정을 모델링한다. NVIDIA의 참조 워크플로우는 형광투시 안내 하에 환자별 혈관 해부학을 따라 카테터가 이동하는 과정에 초점을 맞춘다.

이 모듈은 유연한 기구를 Cosserat rod로 표현하고, 확장된 위치 기반 동역학을 사용해 굽힘, 비틀림, 신장을 계산한다. 또한 기구와 혈관 형상 사이의 접촉도 모델링한다. 현재 릴리스는 혈관 내부에서 기구를 단방향으로 강체처럼 구속하는 방식을 지원하며, NVIDIA는 변형 가능한 혈관벽과의 양방향 결합을 향후 릴리스에서 계획하고 있다고 밝혔다.

Surgical Simulation Module은 얼리 액세스로 제공된다. NVIDIA는 이 모듈이 연조직 변형과 수술 상호작용, 촉각 피드백 및 렌더링을 포함해 시뮬레이션하도록 설계됐다고 말하지만, 엔돌루미널 시스템에 비해 이 구성요소에 대한 공개 세부 정보는 더 적게 제공했다.

성능 주장에 대한 근거

NVIDIA는 8,192개의 로봇 훈련 환경을 병렬로 실행해 회사가 인용한 GPU 네이티브 시뮬레이션 설정과 비교했을 때 5시간이 넘던 훈련 작업을 2분 미만으로 줄였다고 보고한다. 원자료에는 독립적인 벤치마크 방법론이나 하드웨어·소프트웨어 직접 비교가 없으므로, 이 결과는 벤더가 보고한 수치로 봐야 한다.

별도의 기술 설명에서 NVIDIA는 단일 환경 물리 연산에 약 1,300Hz, 512개 환경 전체에서 60Hz, 그리고 256×256 픽셀 해상도의 완전한 시뮬레이션 및 렌더링 루프에 초당 63프레임을 보고했다. 이 수치들은 NVIDIA의 워크플로우와 구성에 대한 설명일 뿐, 모든 기기, 해부학, 로봇 정책에 대한 일반적 성능 보장은 아니다.

회사는 또한 엔돌루미널 시스템이 512개의 병렬 환경과 1,500회의 학습 반복을 포함한 실험에서 테스트됐다고 밝혔다. 이러한 세부사항은 프레임워크가 강화학습과 대규모 롤아웃 생성을 위해 설계되고 있음을 보여주지만, 시뮬레이션에서 학습한 정책이 임상 하드웨어로 안정적으로 전이된다는 것을 입증하지는 않는다.

NVIDIA는 이 플랫폼을 사용하거나 검토 중인 여러 조직을 소개했다. Johnson & Johnson MedTech는 비뇨기과용 MONARCH 플랫폼의 디지털 트윈을 만들고 신장결석 시나리오를 모델링하는 데 이를 사용하고 있다. XCath는 내혈관 자율성 정책 훈련에 프레임워크를 활용한다. Inner Logic은 합성 데이터, 기기 기계학 검증, 인실리코 증거에 이를 적용하고 있다. Medtronic Structural Heart는 카테터 내비게이션 연구를 위한 시뮬레이션 X선 센싱을 검토 중이다.

NVIDIA에 따르면 CMR Surgical과 Cambridge Consultants는 Cosmos-H를 사용해 연조직 시술의 상호작용 물리를 연구하고 환자별 시뮬레이션을 생성하고 있다. CMR은 또한 자사의 Versius Surgical Robotic System에서 나온 약 500시간의 익명화된 임상 데이터를 Open-H Embodiment 오픈 데이터셋에 제공했다. 이는 파트너가 보고한 활동 신호일 뿐, 프레임워크가 임상적으로 검증되었거나 의료용으로 승인되었다는 증거는 아니다.

의료 로보틱스에서 오픈소스가 중요한 이유

오픈소스 공개는 각 시술마다 맞춤형 장면, 역학 모델, 센서 파이프라인을 구축해야 하는 팀의 중복 인프라 작업을 줄일 수 있다. 개발자는 프레임워크를 살펴보고 자사 장치에 맞게 조정할 수 있으며, 기존 로봇 학습 워크플로우와 연결할 수 있다.

NVIDIA는 또한 개방성이 재현성과 규제 준비에 중요하다고 주장한다. 모델, 가중치, 시뮬레이션 구성요소에 대한 접근은 연구자들이 해부학과 시나리오 전반에서 결과를 비교하고, 한계를 파악하며, 시스템이 어떻게 훈련되었는지 문서화하는 데 도움이 된다. 이는 임상 증거, 물리적 테스트, 규제 검토의 필요성을 없애지는 않지만 개발 기록을 더 쉽게 검토할 수 있게 만들 수 있다.

구축자에게 가장 실용적인 가치는 해부학, 기기 역학, 영상이 하나의 루프로 결합되는 데서 나올 가능성이 크다. 카테터 정책은 추상적인 물리 상태만 학습하는 대신, 시뮬레이션된 형광투시 관찰을 받으며 혈관 형상에 대해 훈련할 수 있다. 같은 설정은 합성 데이터 생성, 정책 스트레스 테스트, 실패 모드의 조기 발견도 지원할 수 있다.

한계도 그만큼 중요하다. 시뮬레이션된 해부학은 생물학적 변동성, 조직 변형, 영상 아티팩트, 예상치 못한 기기 상호작용을 놓칠 수 있다. 가상 혈관 나무에서 잘 작동하는 정책도 환자별 환경이나 실제 기기로 전이될 때는 실패할 수 있다. NVIDIA의 기술 설명 역시 현재 엔돌루미널 릴리스가 아직 혈관벽의 양방향 변형을 모델링하지 않는다고 인정한다.

개발자와 기업 구매자에게 미치는 영향

연구팀에게 이 프레임워크는 각 실험이 희소한 벤치탑 시간이나 임상 시간에 의존하지 않고 강화학습을 확장할 수 있는 경로를 제공한다. 병렬 환경은 해부학, 기구 제어, 센서 조건, 실패 시나리오를 다양하게 바꾸기 쉽게 한다. Python 구현과 Torch-Warp 상호운용성은 제어·관찰 데이터를 GPU에 유지한 채 시뮬레이터를 머신러닝 파이프라인과 연결하려는 목적이다.

의료기기 기업에게 더 큰 질문은 시뮬레이션이 단순한 프로토타이핑 도구가 아니라 증거를 만들어내는 인프라가 될 수 있느냐는 점이다. 디지털 트윈은 설계 반복과 시험 범위 확대를 지원할 수 있지만, 구매자들은 시뮬레이션 조건과 물리적 성능 사이의 추적 가능성을 원할 것이다. 또한 합성 데이터, 모델 불확실성, 그리고 시뮬레이션 결과가 규제 제출에 반영될 수 있는 시점에 대한 명확한 경계도 필요하다.

이번 공개는 NVIDIA의 스택 전반에 걸친 입지도 강화한다. 프레임워크를 채택하는 팀은 오픈 시뮬레이션 코드와 함께 CUDA, Isaac Sim, Isaac Lab, Warp, Newton Physics, Cosmos를 사용할 수 있다. 이러한 통합 경로는 이미 NVIDIA 하드웨어를 사용하는 조직의 설정 비용을 낮추는 동시에, 장기 의료 로보틱스 플랫폼을 구축하는 팀의 NVIDIA 소프트웨어 생태계 의존도를 높일 수 있다.

앞으로 주목할 점

가장 중요한 후속 관전 포인트는 독립 팀들이 서로 다른 하드웨어, 시술, 해부학 데이터셋에서 NVIDIA가 보고한 처리량과 학습 결과를 재현할 수 있는지 여부다. 시뮬레이션된 카테터 내비게이션이 실제 시스템으로 성공적으로 전이되었다는 증거는 환경 수보다 더 중요할 것이다.

개발자들은 또한 변형 가능한 혈관벽과의 결합 지원, 더 넓은 기기 및 해부학 범위, 그리고 형광투시 또는 기타 의료 영상에서 더 많은 픽셀 기반 정책 학습에 대한 계획을 지켜봐야 한다. 기업 구매자에게는 공개된 검증 연구, 모델 한계에 대한 더 명확한 문서, 그리고 시뮬레이션이 안전성 사례나 규제 증거에 어떻게 기여하는지 보여주는 사례가 핵심 신호가 될 것이다.

Creati.ai 관점

NVIDIA의 공개는 의료 로보틱스의 현실적인 병목, 즉 확장 가능하고 다양하며 임상적으로 관련성 높은 상호작용 데이터의 부족을 다룬다. 연구자들이 기본 시뮬레이션 환경을 반복해서 다시 만들기보다 방법을 비교할 수 있게 해준다면, 개방형 인프라는 유용할 수 있다.

그러나 이번 발표는 시뮬레이션 정책이 임상 배포 준비가 되었다는 증거가 아니라, 개발 플랫폼의 이정표로 이해하는 것이 더 적절하다. Medical Physics Simulation의 가치는 결국 팀이 시뮬레이션-현실 성능을 얼마나 투명하게 측정하고, 불확실성을 어떻게 표현하며, 가상 실험을 물리적·규제적 증거와 어떻게 연결하느냐에 달려 있다.