Возможности искусственного интеллекта при выборе тактики хирургического лечения при тетраде Фалло

Тетрада Фалло (ТФ) — один из наиболее распространенных цианотических врожденных пороков сердца (ВПС). На его долю приходится 7—10% всех ВПС с частотой 1 на 3500 живорождений [1].

Рутинное предоперационное обследование включает в себя объективный осмотр, электрокардиографию, эхокардиографию, в частных случаях — ангиокардиографию и компьютерную томографию органов грудной клетки. Ориентируясь на показатели всех обследований, размеры легочных артерий (индексы Nakata и MCGoon), объемы правого и левого желудочков, тип и уровень обструкции, диаметры всех сердечных клапанов, определяют тактику дальнейшего ведения и хирургического лечения.

За последнее десятилетие термин «искусственный интеллект» постепенно заполонил многие научные журналы, в том числе по обработке изображений и медицинской физике. Парадоксально, однако, что ИИ — это старая концепция, веха развития которой началась в 1940-х гг., в то время как сам термин «искусственный интеллект» был введен в 1956 г. Джоном Маккарти. ИИ относится к компьютерным алгоритмам, которые могут имитировать функции, характерные для человеческого интеллекта, такие как решение проблем или обучение. Последний успех ИИ стал возможным благодаря огромному росту как вычислительной мощности, так и доступности данных. В частности, приложения ИИ, основанные на алгоритмах машинного обучения (МО), за последнее десятилетие совершили настоящие прорывы в области компьютерного зрения. Медицинское сообщество воспользовалось преимуществами этих выдающихся разработок для создания приложений с ИИ, которые получают максимальную отдачу от медицинских изображений, автоматизируя различные этапы клинической практики или обеспечивая поддержку клинических решений. В статьях, основанных на ИИ, сообщается о многообещающих результатах в широком спектре медицинских приложений [2, 3]. Диагностика заболеваний, сегментация изображений или прогнозирование результатов — вот некоторые из задач, которые претерпевают кардинальные изменения благодаря последним достижениям ИИ.

Компьютерные технологии и возможности МО постоянно развиваются и сегодня достигли уровня, чтобы соответствовать клиническим требованиям, и, таким образом, исследовательские и клинические группы, а также компании вместе работают над разработкой клинических приложений с использованием ИИ. Сегодня мы как никогда близки к клиническому внедрению ИИ, поэтому знакомство с основами этой технологии становится обязательным для каждого профессионала в области медицины.

Исторически к ИИ подходили с двух направлений: вычислительный подход и коннекционизм. Первый пытается имитировать формальные рассуждения и логику напрямую, независимо от их биологической реализации. Вычислительный подход, основанный в основном на жестко закодированных аксиомах и правилах, которые объединяются для получения новых выводов, концептуально аналогичен компьютерам, хранящим и обрабатывающим символы. Коннекционизм, с другой стороны, скорее следует восходящему подходу, начиная с моделей биологических нейронов, которые в большом количестве взаимосвязаны и из которых интеллект должен формироваться путем обучения на опыте. Экспертные системы, ставшие очень популярными в 1980-х гг., являются классическим примером вычислительного подхода. Некоторые известные приложения экспертных систем в области медицины включают MYCIN (диагностика бактериальной инфекции в крови), PUFF (интерпретация данных функции легких) и ТЕРАПЕВТ-1 (диагностика внутренних болезней) [4]. Однако узким местом экспертных систем является сложность получения необходимых знаний в форме производственных правил, таким образом, интерес к вычислительным алгоритмам начал угасать с 1990-х гг. в пользу коннекционистских подходов [5]. Привлекательность коннекционизма и ИИ, основанного на обучении, заключается в том, что он делегирует ответственность за точность и исчерпываемость данных экспертам-людям, которые могут быть малодоступны, склонны к ошибкам, предвзятости или субъективизму. Постоянно растущее количество данных, включая медицинские изображения, обычно склоняет чашу весов в пользу методов обучения, и сообщество последовательно фокусируется на двух вложенных подсемействах: машинное обучение и глубокое обучение.

Цель: разработать модель машинного обучения, рекомендующую хирургическую тактику при ТФ.

Задачи:

1. Анализ параметров отделов сердца у пациентов с ТФ;

2. Создать модель, рекомендующую хирургическую тактику;

3. Проверить модель на тестовых данных.

Проведено одноцентовое когортное исследование, сформирован датасет, включивший ретроспективный пул медицинских данных 300 больных с ТФ, прооперированных в 2019—2022 гг. Целевым признаком были 4 типа операции, которые применяли у детей с ТФ. Критерии включения: первично прооперированные дети. Пациенты были разделены на 4 группы (целевые переменные) в зависимости от типа операции: 1-ю — радикальная коррекция ТФ, 2-ю — реконструкция путей оттока из правого желудочка (РПОПЖ), 3-ю — наложение системно-легочного анастомоза (СЛА), 4-ю — стентирование/баллонирование выводного отдела правого желудочка (ПЖ). В исследование не включали больных с сопутствующими пороками сердца. Все данные детей были взяты из медицинских информационных систем и обезличены. После формирования и разметки датасета удалили случаи, содержащие неполные данные (n=6). Итоговое число пациентов 294.

Датасет был разделен на тестовую и тренировочную выборки в соотношении 70:30. Модель обучалась на тренировочной выборке. Для борьбы с переобучением применяли 5-Fold кросс-валидацию. Применяли алгоритмы случайного леса и градиентного бустинга. Базовая метрика была получена с помощью логистической регрессии. После обучения готовая модель проверялась на тестовой выборке.

В рамках данной работы были добавлены новые признаки: рост и вес в центилях. Для перевода значений использовали единый подход для детей женского и мужского полов, так как в датафрейме не было явных указаний на кодирование пола, а также для упрощения оценки использовали центильную таблицу развития девочек, в которой все данные несколько ниже, чем для мальчиков (с учетом ожидаемого низкого веса и роста по сравнению с общей популяцией в популяции детей с кардиологическими проблемами). Центильные группы хорошо характеризуют гармоничность развития детей относительно здоровых сверстников и вносят новую информацию для разделения признакового пространства. Для удобства возраст был переведен в значения в месяцах. Дети были разделены по возрасту на группы новорожденных (возраст менее 1 мес — 31 из 294 детей), детей от 1 мес до 1 года — 229 из 294, старше 1 года — 36 из 296. Был добавлен новый признак log — натуральный логарифм произведения значений АВнАо и ЛАИ пациента (отношение суммы диаметров устьев легочных артерий к диаметру нисходящей аорты·легочно-артериальный индекс). Эти 2 признака были выбраны по значимости (высокая корреляция для 1 и 2 операций). Также для целей визуализации данных эхокардиографии выполнен стемминг описания клапанов, но так как записи присутствовали для небольшой доли датасета, при последующем подборе моделей эти признаки не использовали. Все пропуски были заменены на –1.

Эффективность моделей, полученных после применения алгоритмов к первичным данным датасета, представлена в таблице.

Сравнение показателей метрики F1 макроалгоритмов МО на тренировочной и тестовой выборках

Наилучшими метриками качества обладала модель LGBMClassifier (Light Gradient Boosted Machine). С помощью LogiscticRegression (Logistic Regression in Machine Learning), RandomForestClassifier, XGBClassifier (eXtreme gradient boosting) и CatBoostClassifier также были получены удовлетворительные результаты. ROC-кривые для пяти моделей представлены на рис. 1.

Рис. 1. Сравнение эффективности моделей обучения.

На рис. 2 показаны возможности различных моделей в рекомендациях к хирургической тактике, основанных на ретроспективной оценке объективного и инструментального методов исследований. Модель LGBMClassifier хорошо обучилась рекомендовать 1 и 3 группы. У 45 детей рекомендации алгоритма выполнить радикальную коррекцию совпали с примененной хирургами тактикой, а в 5 случаях имеются расхождения, из которых 2 пациентам рекомендована РПОПЖ, а 3 — наложение СЛА. В 3-й группе тактика алгоритма совпала с примененной нами у 23 детей, а в 2 модель не смогла определить выбранную нами стратегию. Для анализа 2-й и 4-й групп было малое число пациентов, что ухудшало метрику.

Рис. 2. Матрица ошибок различных алгоритмов МО.

Наиболее важными для моделей МО признаками являлись насыщение капиллярной крови кислородом в дооперационном периоде, размер ствола легочной артерии (ЛА) (мм), индексы Nakata и MCGoon, градиент ПЖ/ЛА, размеры левого желудочка (ЛЖ) (рис. 3).

Рис. 3. Важность признаков модели LGBMClassifier.

Сложный ВПС (ТФ) уже многие годы является предметом обширных исследований. Ведение этих пациентов требует глубоких знаний докторов, сложных диагностических процедур и индивидуальных стратегий лечения для обеспечения оптимальных результатов на протяжении всей их жизни. Исторически лечение ТФ основывалось на сочетании профессиональных медицинских знаний, клинического опыта и технологических достижений. Однако появление ИИ и его внедрение в тактику ведения пациентов с ТФ потенциально может произвести революцию в этой области, предлагая более точный, индивидуальный подход, улучшая каждый этап ведения пациента, начиная с объективного исследования и заканчивая рекомендациями по послеоперационному уходу. Модели ИИ могут быть помощниками в клиническом обследовании и диагностике, визуализации сердца, планировании и ведении кардиохирургических вмешательств, прогнозировании и стратификации риска кардиальной патологии [6, 7].

Зарубежные коллеги начинают использовать ИИ уже на стадии пренатальной диагностики, анализируя изображения ультразвуковой диагностики. S. Nurmaini и соавт. обучили модель Convolutional Neural Network (CNN) на 1129 ультразвуковых изображениях, в результате чего она продемонстрировала высокую внутрибольничную чувствительность (86—100%), специфичность (94—100%) и точность (95—100%) при классификации ВПС по сравнению с обычными случаями [8].

Значительную часть детей с ТФ выявляют в послеродовом периоде, обычно проводя объективное обследование и аускультацию. Поскольку шумы в сердце распространены в детской кардиологии и часто могут быть нетипичными, отличить невинный шум от патологического может быть непросто, и опыт врача имеет решающее значение для определения отличительных свойств патологического шума. Одно из первоначальных применений ИИ в области постнатальной идентификации ВПС включает автоматическую идентификацию первого и второго сердечных тонов при аускультации с последующим обнаружением звуков и симптомов, специфически связанных с ВПС [9]. В случае новорожденного с ТФ и сбросом справа налево при аускультации может быть выявлен систолический шум выброса во втором межреберье слева от грудины, вызванный стенозом ЛА, и/или голосистолический шум парастернально в третьем-четвертом межреберье слева, связанный с дефектом межжелудочковой перегородки. Таким образом, интеллектуальные цифровые стетоскопы, помимо того, что являются одним из первых примеров успешного внедрения ИИ в клиническую практику, могут повысить точность диагностики ТФ в будущем [10].

Стратификация риска и прогноз являются основными областями исследований ИИ в контексте ВПС и ТФ. Прогнозирование риска особенно сложно при ТФ из-за большого количества анатомических дефектов и их различных вариаций. Таким образом, эти области могут быть наиболее улучшены с использованием моделей ИИ. J. Faerber и соавт. обучили 5 моделей ИИ (лучше всего себя показали logistic regression (LR) model и Gaussian Naive Bayes (GNB)) для прогнозирования послеоперационных осложнений после первичной коррекции ТФ, что является одной из областей, имеющих большое значение [11, 12]. Как и ожидалось, время искусственного кровообращения оказалось основным фактором риска, при этом были выявлены другие значимые факторы, включая гестационный возраст, предоперационную глобальную деформацию ПЖ, Z-балльную оценку легочного клапана, градиент выходного тракта ПЖ, использование трансаннулярной повязки во время операции и уровень кислорода в артериальной крови непосредственно после операции. Клиническая реализация этих прогнозов модели может быть выполнена с помощью динамических номограмм, интегрированных в электронные медицинские карты.

В нашем исследовании лучше всего себя показала модель LGBMClassifier. Она с наибольшей точностью научилась рекомендовать хирургическую тактику, основываясь на нашем опыте. Также модель определила, что насыщение крови кислородом, размеры легочной системы, объем ЛЖ и градиент ПЖ/ЛА являются наиболее важными факторами в выборе оперативного лечения.

Появление новых технологий, предоставляющих большой объем данных, генетические исследования и появление телемедицины требуют от врачей быстрой и эффективной интерпретации информации различного происхождения. Следовательно, ИИ с его способностью обрабатывать сложные наборы данных открывает огромные перспективы для улучшения ведения этих пациентов. Несмотря на недавние достижения, ИИ по-прежнему недостаточно используется в клинической сфере. Такое недоиспользование может быть объяснено несколькими факторами, включая техническую экспертизу, необходимую для создания, отсутствие валидации в ходе строгих клинических испытаний, непрозрачность, присущую моделям ИИ/МО, которые часто называют критикой «черного ящика», и преобладающие вопросы относительно конфиденциальности данных в связи с клиническим применением.

В заключение мы выделили некоторые модели ИИ, ограничения и проблемы, а также будущие приложения в диагностике ТФ. Интеграция алгоритмов ИИ и МО в лечении пациентов с ТФ открывает значительные перспективы для улучшения ухода за пациентами. Хотя многие из текущих приложений ограничены исследованиями среднего масштаба, проводимыми в одном центре и подтверждающими концепцию, они демонстрируют новаторские результаты. Тем не менее необходимы дальнейшие исследования и внешняя валидация для решения текущих проблем и уточнения моделей. Дальнейшее клиническое применение ИИ потенциально может привести к более эффективному и персонализированному ведению пациентов с ТФ.

Авторы заявляют об отсутствии конфликта интересов.