Введение

Искусственная нейронная сеть (ИНС) — это программный код, построенный по принципу организации и функционирования биологических нейронных сетей нервных клеток живого организма [1]. Одним из главных преимуществ ИНС перед традиционными алгоритмами является возможность их обучения. Обучение заключается в нахождении коэффициентов связей между «нейронами». В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными и выходными данными, а также выполнять обобщение [2]. Одним из наиболее перспективных направлений диагностики и прогнозирования заболеваний является радиомика — наука, совмещающая в себе радиологию, математическое моделирование и глубокое машинное обучение. Основным понятием радиомики служат биомаркеры изображений (БМИ), представляющие собой вычисленные на основе анализа текстуры цифровых изображений параметры, характеризующие различные патологические изменения [3]. С помощью БМИ проводится количественная оценка результатов цифровых методов визуализации (компьютерная томография, магнитно-резонансная томография, ультразвуковое исследование, позитронно-эмиссионная томография) [4, 5]. Особую актуальность применение БМИ приобретает в онкологии в виде «виртуальной биопсии» [6—8].

В 1973 г. ИНС впервые начали применять в медицине, но наибольшее развитие они получили только с начала 2000-х гг. [1]. ИНС стали широко применяться в лучевой диагностике и кардиологии и продолжают развиваться в различных областях медицины. В настоящее время в клинической науке и практике формируется новый подход к рассмотрению каждого конкретного случая заболевания, получению информации, необходимой для определения стратегии и повышения качества медицинской помощи [9].

Применение ИНС является одним из способов повышения эффективности медицинской диагностики. Качество и быстрота оценки нейронными сетями большого объема полученной информации помогают не только снизить время диагностического этапа, но и минимизировать вероятность ошибки, обусловленной человеческим фактором. Однако, несмотря на преимущества ИНС, она имеет сложную структуру, и процесс ее обучения достаточно трудоемок. Он может включать в себя ряд систематических ошибок, но наличие низкого коэффициента погрешности и непрерывное усовершенствование с оптимизацией различных алгоритмов обучения делают ее перспективным направлением [10, 11].

Внутрисосудистые методы исследования

За последние 20 лет широкую распространенность получили внутрисосудистые методы визуализации (оптическая когерентная томография (ОКТ) и внутрисосудистое ультразвуковое исследование (ВСУЗИ)), применяемые для оценки морфологии поражения коронарных артерий. ВСУЗИ и ОКТ позволяют провести морфологический анализ атеросклеротической бляшки, который соответствует гистологическому исследованию [12]. Имеется ряд исследований, посвященных изучению эффективности этих методов в оценке морфологии бляшек и показавших основополагающую роль внутрисосудистых методов визуализации в выявлении уязвимых бляшек и пациентов с высоким риском сердечно-сосудистых событий.

Внутрисосудистое исследование с виртуальной гистологией — доказанный метод выявления уязвимой бляшки [13], основным преимуществом которого является способность визуализировать различные компоненты атеросклеротической бляшки (фиброзный, липидный, некротический и кальцинированный) (рис. 1). Однако, поскольку осевое и боковое разрешение ВСУЗИ превышают 150 мкм, идентифицировать тонкую покрышку достаточно трудно.

Рис. 1. ВСУЗИ с виртуальной гистологией и указанием компонентов атеросклеротической бляшки (указаны стрелкой).

Поэтому чаще используют ОКТ для выявления нестабильной бляшки, поскольку пространственное разрешение ОКТ составляет 16 мкм, что позволяет визуализировать тонкую фиброзную покрышку (менее 65 мкм) [14]. К ограничениям ВСУЗИ относится невозможность точного определения толщины фиброзной покрышки из-за недостаточной разрешающей способности и выраженного кальциноза, образующего акустическую тень [15].

ОКТ имеет большую разрешающую способность, чем ВСУЗИ [16, 17]. Эта отличительная особенность ОКТ позволяет получать высококачественные изображения микроструктур бляшек, таких как тонкая фиброзная капсула, vasa vasorum, скопление липидов и макрофагов [17]. Есть возможность диагностировать тонкокапсульную фиброатерому, которая, в свою очередь, является предиктором неблагоприятных сердечно-сосудистых событий (рис. 2 на цв. вклейке). Ограничением данного исследования является невозможность ОКТ в крупных артериях (более 5 мм), поскольку глубина проникновения составляет всего 2—3 мм. По этой же причине не может быть количественно оценен объем бляшки. Эритроциты внутри сосудистого русла вызывают ослабление сигнала, следовательно, оценка устьевых поражений не подходит для визуализации при помощи ОКТ. Интерпретация изображений ОКТ довольно субъективна, так как измерение толщины фиброзной капсулы варьирует у разных операторов, однако в одном исследовании изучали возможность улучшения воспроизводимости измерений липидной дуги и фиброзной покрышки [18]. После обсуждения и разработки алгоритмов воспроизводимость измерений была улучшена, что показывает необходимость дальнейшего изучения.

Рис. 2. ОКТ. Тонкокапсульная фиброатерома.

Внедрение машинного обучения и/или искусственного интеллекта может стать решением воспроизводимости методов внутрисосудистой визуализации и объективизации анализа их результатов [19—21].

Искусственные нейронные сети и внутрисосудистые методы исследования

Выше представлены высокотехнологичные внутрисосудистые методы визуализации, используемые в клинической практике. Сочетание этих методов с ИНС представляется перспективным направлением развития современной медицины. В данном разделе будет раскрыт имеющийся опыт применения ИНС при анализе изображений, полученных путем ОКТ и ВСУЗИ.

В исследовании Y. Bae и соавт. [22] использовали данные, полученные в ходе ВСУЗИ у 517 пациентов. В качестве референсного исследования для верификации нестабильных бляшек использовали ОКТ. Обученная нейросеть с точностью 81% выявляла нестабильные бляшки с помощью ВСУЗИ. Площадь под кривой составила 0,82.

В исследовании T.J. Jun и соавт. [23] был проведен анализ различных классификаторов машинного обучения, включая сверточные нейронные сети (СНС); 12 325 кадров ВСУЗИ были использованы для обучения и оценки классификаторов. СНС показала лучшую способность выявлять тонкокапсульную фиброатерому с точностью 91% (специфичность 82% и чувствительность 87%). Таким образом, оба представленных исследования показали, что ИНС демонстрирует хорошие результаты в интерпретации данных ВСУЗИ.

В 2020 г. другая группа корейских исследователей под руководством M. Xia представила новую нейросеть, объединяющую преимущества уже представленных нейросетей и демонстрирующую наилучшие результаты сегментации при разных типах атеросклеротических бляшек. Ключевая особенность данной нейросети заключалась в том, что она позволяла получить результат, наиболее близкий к сегментации экспертом [24].

J.G. Lee и соавт. [27] в своем исследовании обучили нейросеть определять гемодинамическую значимость стенозов на основе ВСУЗИ. У 1328 пациентов с наличием промежуточного (пограничного) стеноза коронарной артерии было выполнено ВСУЗИ, определен фракционный резерв кровотока (ФРК) как «золотой стандарт» оценки гемодинамической значимости поражения [25, 26]. На основании ВСУЗИ, ФРК и 6 клинических параметров научили нейросеть с помощью ВСУЗИ определять гемодинамическую значимость стеноза с точностью до 92% (площадь под кривой 0,92, чувствительность алгоритма 87%). Данный алгоритм показывает хорошую диагностическую эффективность для выявления поражений коронарных артерий, вызывающих ишемию миокарда.

H.-S. Min и соавт. [28] разработали регрессионную модель с использованием СНС для прогнозирования степени расправления стента. В общей сложности у 615 пациентов, подвергшихся чрескожному коронарному вмешательству, до и после стентирования выполнено ВСУЗИ. Предпроцедурные факторы определяли пятью показателями: диаметр стента, баллона, время экспозиции и максимальное давление раздувания баллона и стента при имплантации. В дальнейшем эти факторы использовали для разработки регрессионной модели с помощью СНС для прогнозирования результатов вмешательства. Полученные данные после стентирования разделили на 2 класса: с полным и неполным раскрытием стента. В 15% случаев (5209 из 34 736 кадров) выявлено неполное раскрытие стента при ВСУЗИ. Обученная модель с точностью 94% (площадь под кривой 0,94) позволяла спрогнозировать неполное раскрытие стента, что отражает высокую предсказательную способность.

H. Cho и соавт. [29] разработали алгоритм на основе ВСУЗИ для обучения нейросети дифференцировать гипоэхогенные и кальцинированные бляшки; 598 пациентов были отобраны и рандомизированы на обучающую и тестовую выборки 5:1. Каждый кадр ВСУЗИ с интервалом 0,4 мм помечен одним из признаков, что в последующем было использовано в качестве обучения ИНС. Полученные результаты имели высокую точность (площадь под кривой 0,96). При анализе гипоэхогенности и кальцификации важно отметить значимую корреляцию с результатами эксперта. Индекс воспроизводимости составил 0,95. Высокая точность позволяет сделать вывод, что обучение нейросети достаточно эффективно для дальнейшего ее применения в практике.

Алгоритмы глубокого машинного обучения на основе пред- и перипроцедурных ВСУЗИ и ОКТ могут точно определить морфологию поражения коронарных артерий и предсказать вероятность недораскрытия стента после имплантации.

Таким образом, ИНС могут помочь клиницистам в интерпретации результатов внутрисосудистой визуализации. Представленные исследования продемонстрировали возможность искусственного интеллекта при помощи внутрисосудистой визуализации определять признаки нестабильности поражения, гемодинамическую значимость стенозов и другие морфологические элементы коронарных артерий.

Заключение

Использование ИНС в интракоронарной визуализации имеет большие перспективы в понимании морфологии поражения и дальнейшей тактики лечения пациентов с ишемической болезнью сердца. Способность ИНС анализировать изображение на уровне, сопоставимым с экспертным, уменьшает продолжительность интерпретации результатов. Кроме того, возможность нивелировать ошибки, обусловленные человеческим фактором, делает ИНС методом будущего. Однако, несмотря на активное развитие данного направления, доказательной базы недостаточно, что обусловливает необходимость дальнейшего изучения.

Финансирование

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

Авторы заявляют об отсутствии конфликта интересов.