Использование искусственной нейронной сети при внутрисосудистых методах исследования

Закрыть метаданные

Рекомендуем статьи по данной теме:

Узелковая дегенерация Зальцмана: особенности патогенеза, клинической картины и лечения. Вестник офтальмологии. 2023;(6):129-135

Анатомо-функциональное состояние центральных отделов сетчатки у недоношенных детей, перенесших внутрижелудочковые кровоизлияния и ретинопатию недоношенных. Журнал неврологии и психиатрии им. С.С. Корсакова. 2024;(1):66-75

Сравнение прогностических возможностей традиционных методов оценки сердечно-сосудистого риска с использованием шкал SCORE и FRAMINGHAM, технологий машинного обучения «ИНТЕРЭПИД». Профилактическая медицина. 2024;(2):96-102

Структурно-функциональные особенности глаза при синдроме Марфана. Сообщение 1. Изменения фиброзной оболочки. Вестник офтальмологии. 2024;(1):5-10

Разработка и тестирование новых методических подходов прогнозирования сердечно-сосудистых событий у здоровых людей с использованием технологии машинного обучения на базе международного исследования «Интерэпид». Профилактическая медицина. 2024;(3):72-79

Искусственные интеллектуальные системы в развитии вспомогательных репродуктивных технологий. Российский вестник акушера-гинеколога. 2024;(2):19-29

Прогнозирование эффективности органосохранного лечения меланомы хориоидеи по данным оптической когерентной томографии. Вестник офтальмологии. 2024;(2-2):16-20

Результаты бимануальной витреоретинальной хирургии в лечении осложнений диабетической ретинопатии. Вестник офтальмологии. 2024;(2-2):21-27

Применение оптической когерентной томографии в оценке задней капсулы хрусталика на фоне проведения антиангиогенной терапии. Вестник офтальмологии. 2024;(2-2):28-33

Внутрисосудистая визуализация имеет большой потенциал для улучшения исходов лечения пациентов с ишемической болезнью сердца. В настоящее время существуют несколько методов внутрисосудистой визуализации, которые позволяют верифицировать компоненты сосудистой стенки и морфологию атеросклеротического поражения. Однако интерпретация изображений имеет расхождения между разными экспертами, что затрудняет внутрисосудистую диагностику. Применение искусственных нейронных сетей для оценки результатов диагностических исследований на данный момент является активно развивающимся направлением. Обучение нейросети с помощью внутрисосудистой визуализации выявлять морфологические элементы сосудистой стенки, оценивать признаки нестабильности атеросклеротической бляшки, определять гемодинамическую значимость поражений поможет исключить ряд систематических ошибок, обусловленных человеческим фактором, и уменьшить время эндоваскулярного вмешательства. В данной статье представлен опыт применения искусственных нейронных сетей в интерпретации результатов внутрисосудистых методов исследования, таких как внутрисосудистое ультразвуковое исследование и оптическая когерентная томография.

Ключевые слова:

искусственные нейросети

машинное обучение

внутрисосудистая визуализация

оптическая когерентная томография

внутрисосудистое ультразвуковое исследование

Авторы:

Арнт А.А.

ФГБНУ «НИИ комплексных проблем сердечно-сосудистых заболеваний»

ORCID: 0000-0003-2438-0506

Колесников А.Ю.

ФГБНУ «НИИ комплексных проблем сердечно-сосудистых заболеваний»

ORCID: 0000-0001-6247-1287

Кочергин Н.А.

ФГБНУ «НИИ комплексных проблем сердечно-сосудистых заболеваний»

ORCID: 0000-0002-1534-264X

Дата поступления:

06.02.2023

Дата принятия в печать:

20.02.2023

Наличие конфликта интересов :

Исследование выполнено за счет гранта Российского научного фонда №23-75-10009, https://rscf.ru/project/23-75-10009/

Список литературы:

Казаков Ф.А., Шнайдер А.В. Использование нейронных сетей с временными рядами данных для анализа потоков данных. Современные наукоемкие технологии. 2021;6(2):260-264.
Мадонов П.Г., Хидирова Л.Д., Ковалев Е.А. Возможности применения нейросетей в оценке результатов внутрисосудистого ультразвукового исследования (обзор литературы). Journal of Siberian Medical Sciences. 2021;2:127-135.
Farajtabar M, Larimi MM, Biglarian M, et al. Machine Learning Identifcation Framework of Hemodynamics of Blood Flow in Patient-Specifc Coronary Arteries with Abnormality. Journal of Cardiovascular Translational Research. 2023;16:722-737. https://doi.org/10.1007/s12265-022-10339-5
Masuda T, Nakaura T, Funama Y, Oda S, et al. Deep learning with convolutional neural network for estimation of the characterisation of coronary plaques: Validation using IB-IVUS. J Radiography. 2022;28(3):661-662. https://doi.org/10.1016/j.radi.2021.07.024
Hana D, Liub J, Sunc Z, et al. Deep learning analysis in coronary computed tomographic angiography imaging for the assessment of patients with coronary artery stenosis. Computer Methods and Programs in Biomedicine. 2020;196:105651. https://doi.org/10.1016/j.cmpb.2020.105651
Manimegalai P, Suresh Kumar R, Prajoona Valsalan, Dhanagopal R, et al. 3D Convolutional Neural Network Framework with Deep Learning for Nuclear Medicine. Scanning. 2022;9640177. https://doi.org/10.1155/2022/9640177
Contea F, Fiscona G, Licursib V, et al. A paradigm shift in medicine: A comprehensive review of network-based approaches. Biochim Biophys Acta Gene Regul Mech. 2020;1863(6):194416. https://doi.org/10.1016/j.bbagrm.2019.194416
Литвин А.А. и др. Радиомика и анализ текстур цифровых изображений в онкологии (обзор). Современные технологии в медицине. 2021;12(2):97. https://doi.org/10.17691/stm2021.13.2.11
Fedewa R, Puri R, Fleischman E, et al. Artificial Intelligence in Intracoronary Imaging. Current Cardiology Reports. 2020;22:46. https://doi.org/10.1007/s11886-020-01299-w
Zhu L, Zheng WJ. Informatics, Data Science, and Artificial Intelligence. JAMA. 2018;320:1. https://doi.org/10.1001/jama.2018.8211
Кочергин Н.А., Кочергина А.М. Возможности оптической когерентной томографии и внутрисосудистого ультразвука в выявлении нестабильных бляшек в коронарных артериях. Кардиоваскулярная терапия и профилактика. 2022;21(1):2909. https://doi.org/10.15829/1728-8800-2022-2909
Stone GW, Maehara A, Ali ZA, et al. Percutaneous Coronary Intervention for Vulnerable Coronary Atherosclerotic Plaque. J Am Coll Cardiol. 2020;76(20):2289-2301. https://doi.org/10.1016/j.jacc.2020.09.547
Li Y, Qiu H, Hou Z, et al. Additional value of deep learning computed tomographic angiography-based fractional flow reserve in detecting coronary stenosis and predicting outcomes. Acta Radiologica. 2022;63(1):133-140. https://doi.org/10.1177/0284185120983977
Johnson TW, Räber L, di Mario C, et al. Clinical use of intracoronary imaging. Part 2: acute coronary syndromes, ambiguous coronary angiography findings, and guiding interventional decision-making: an expert consensus document of the European Association of Percutaneous Cardiovascular Interventions. Eur Heart J. 2019;40:2566-2584. https://doi.org/10.1093/eurheartj/ehz332
Кочергин Н.А., Загородников Н.И., Фролов А.В., Тарасов Р.С., Ганюков В.И. Оптическая когерентная томография как метод оценки системы «кондуит-анастомоз-артерия» у пациентов после коронарного шунтирования. Комплексные проблемы сердечно-сосудистых заболеваний. 2022;11(4):151-157. https://doi.org/10.17802/2306-1278-2022-11-4-151-157
Hoang V, Grounds J, Pham D, et al. The Role of Intracoronary Plaque Imaging with Intravascular Ultrasound, Optical Coherence Tomography, and NearInfrared Spectroscopy in Patients with Coronary Artery Disease. Curr Atheroscler Rep. 2016;18(9):57. https://doi.org/10.1007/s11883-016-0607-0
Kataoka Y, Hammadah M, Puri R, et al. Plaque microstructures in patients with coronary artery disease who achieved very low low-density lipoprotein cholesterol levels. Atherosclerosis. 2015;242:490-495. https://doi.org/10.1016/j.atherosclerosis.2015.08.005
Kini AS, Vengrenyuk Y, Yoshimura T, et al. Fibrous Cap Thickness by Optical Coherence Tomography In Vivo. J Am Coll Cardiol. 2017;69:644-657 https://doi.org/10.1016/j.jacc.2016.10.028
Kang J, Koo B-K, et al. Comparison of Fractional FLow Reserve And Intravascular ultrasound guided Intervention Strategy for Clinical Outcomes in Patients with InteRmediate Stenosis (FLAVOUR): Rationale and design of a randomized clinical trial. American Heart Journal. 2018;199:7-12. https://doi.org/10.1016/j.ahj.2017.11.001
Raber L, Mintz GS, Koskinas KC, et al. Clinical use of intracoronary imaging. Part 1: guidance and optimization of coronary interventions. An expert consensus document of the European Association of Percutaneous Cardiovascular Interventions. European Heart Journal. 2018;39:3281-3300. https://doi.org/10.1093/eurheartj/ehy285
Johnson TW, Raber L, di Mario C, et al. Clinical use of intracoronary imaging. Part 2: acute coronary syndromes, ambiguous coronary angiography findings, and guiding interventional decision-making: an expert consensus document of the European Association of Percutaneous Cardiovascular Interventions. European Heart Journal. 2019;0:1-19. https://doi.org/10.1093/eurheartj/ehz332
Bae Y, Kang S-J, Kim G, et al. Prediction of coronary thin-cap fibroatheroma by intravascular ultrasound-based machine learning. Atherosclerosis. 2019;288:168-174. https://doi.org/10.1016/j.atherosclerosis.2019.04.228
Tae Joon Jun, Soo-Jin Kang, June-Goo Lee, Jihoon Kweon et al. Automated detection of vulnerable plaque in intravascular ultrasound images. International Federation for Medical and Biological Engineering. 2019;57(4):863-876. https://doi.org/10.1007/s11517-018-1925-x
Xia M, Yan W, Huang Y, et al. Extracting membrane borders in IVUS images using a multi-scale feature aggregated U-Net. Annu Int Conf IEEE Eng Med Biol Soc. 2020;1650-1653. https://doi.org/10.1109/EMBC44109.2020.9175970
Bon-Kwon Koo, Xinyang Hu, Jeehoon Kang, et al. Fractional Flow Reserve or Intravascular Ultrasonography to Guide PCI. N Engl J Med. 2022;387:779-789. https://doi.org/10.1056/NEJMoa2201546
William FF, et al. FAME 2 Trial Investigators. Circulation. 2018;137:480-487. https://doi.org/10.1161/CIRCULATIONAHA.117.031907
Lee JG, Ko J, Hae H, et al. Intravascular ultrasound-based machine learning for predicting fractional flow reserve in intermediate coronary artery lesions. Atherosclerosis. 2020;292:171-177. https://doi.org/10.1016/j.atherosclerosis.2019.10.022
Hyun-Seok Min, Dongmin Ryu, Soo-Jin Kang, June-Goo Lee-S et al. Prediction of Coronary Stent Underexpansion by Pre-Procedural Intravascular Ultrasound—Based Deep Learning. JACC: Cardiovascular interventions. 2021;14(9):1021-1029. https://doi.org/10.1016/j.jcin.2021.01.033
Hyungjoo Cho, Soo-Jin Kang, Hyun-Seok Min, June-Goo Lee, et al. Intravascular ultrasound-based deep learning for plaque characterization in coronary artery disease. Atherosclerosis. 2021;324:69-75. https://doi.org/10.1016/j.atherosclerosis.2021.03.037

Закрыть метаданные