Нейросети при проведении внутрисосудистых ультразвуковых исследований (обзор литературы)

Резюме

В обзоре рассмотрены нейросети в области внутрисосудистых ультразвуковых исследований, выполняющих функции автоматического определения нестабильных бляшек, выделения стенок сосуда, прогнозирования фракционного резерва кровотока. На основании проанализированного материала установлено, что в настоящий момент нейросети в области внутрисосудистых ультразвуковых исследований являются зарождающимся и активно развивающимся направлением внутрисосудистой визуализации. В том случае, если удастся достичь сопоставимой с человеком точности результатов и доказать их при прямом сравнении в клиническом исследовании, это сможет привести к снижению стоимости проведения и увеличению скорости выполнения чрескожного коронарного вмешательства. Авторы считают, что алгоритмы автоматического определения нестабильных бляшек и прогнозирования фракционного резерва кровотока в будущем станет возможным объединить, что унифицирует внутрисосудистые ультразвуковые исследования для множества клинических ситуаций.

Ключевые слова:нейросети; машинное обучение; внутрисосудистое ультразвуковое исследование; внутрисосудистая визуализация

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Вклад авторов. Концепция и дизайн исследования - Хидирова Л.Д., Ковалев Е.А.; сбор и обработка материала - Ковалев Е.А.; написание текста - Ковалев Е.А.; редактирование - Хидирова Л.Д.

Для цитирования: Ковалев Е.А., Хидирова Л.Д. Нейросети при проведении внутрисосудистых ультразвуковых исследований (обзор литературы). Ангиология и сосудистая хирургия. Журнал имени академика

А.В. Покровского. 2022; 28 (3): 32-36. DOI: https://doi.org/10.33029/1027-6661-2022-28-3-32-36

Введение

Использование нейросетей в медицинской отрасли сегодня является активно развивающимся направлением. Это направление должно помочь врачам в клинической практике и облегчить решение рутинных задач. На момент написания обзора Управление по контролю за пищевыми продуктами, косметическими и лекарственными средствами США (FDA USA) уже одобрило к применению в клинической практике 64 нейросети в областях лучевой диагностики, кардиологии и внутренних болезней [1-3]. Однако на территории стран СНГ дискуссия по этому вопросу впервые была начата только 30 сентября 2020 г. на пленарном заседании "Цифровая медицина" в рамках Российского национального конгресса кардиологов [4]. При проведении поиска по этой теме не было найдено ни одного русскоязычного источника информации, что свидетельствует о необходимости освещения данной темы.

Автоматизированное обнаружение уязвимых бляшек на внутрисосудистых ультразвуковых изображениях

Для стратификации рисков при чрескожном коронарном вмешательстве (ЧКВ) перед эндоваскулярным хирургом периодически возникает проблема проведения оценки нестабильности бляшки, морфологической структуры атеромы (протяженность поражения, наличие кальцинатов, кровоизлияний). Для определения этих показателей в настоящее время применяются два метода - внутрисосудистое ультразвуковое исследование (ВСУЗИ) и внутрисосудистая оптическая когерентная томография (ОКТ). Использование в рутинной практике обоих методов является дорогостоящим и увеличивает время ЧКВ, поэтому разработчики алгоритмов, построенных на машинном обучении, предлагают нам способы, с помощью которых будет возможна оценка на ВСУЗИ не только морфологии атеромы, но и ее стабильности [5].

В данный момент существуют 2 исследованных алгоритма для автоматического определения нестабильной бляшки при ВСУЗИ [5, 6]. Они построены следующим образом.

1. Создание банка оцененных человеком изображений ВСУЗИ и ОКТ по принципу того, какой тип атеромы визуализируется - стабильная или нестабильная.

2. Из изображений ВСУЗИ, на уровне среза которых при проведении ОКТ было получено изображение, оцененное как нестабильная бляшка, формировалась выборка с нестабильными бляшками. Из аналогично полученных изображений со стабильными бляшками составлялась соответствующая выборка.

3. Полученные выборки делились на 2 подгруппы каждая. Первая использовалась для обучения нейросети, а вторая - для ее тестирования.

Y. Bae et al. (2019) использовали ретроспективные данные предоперационного ВСУЗИ и ОКТ 517 пациентов в период с 2010 г. [5]. Разделение и обучающую и тестовую выборки производили в соотношении 4:1 (517:103) с последующей их рандомизацией. Наиболее оптимизированный классификатор, разработанный в ходе исследования, продемонстрировал точность 0,82 AUC.

T.J. Jun et al. (2019) в своем исследовании использовали данные изображений, полученные от 100 пациентов, которым проводилась ангиография/ЧКВ [6, 7]. Наилучшим результатом было 0,91 AUC.

Наиболее интересным направлением в данной сфере представляется принципиально иной подход к обучению нейронных сетей, продемонстрированный в работе Y. Cao et al. [8]. Группа ученых решила использовать для обучения не группировку изображений ОКТ/ВСУЗИ, а гистологический препарат/ВСУЗИ. Выполнялось исследование следующим образом: прижизненно кроликам с атеросклеротическим поражением аорты было выполнено ВСУЗИ. Затем из аорт этих кроликов изготавливались препараты со специфической окраской на липиды, макрофаги, волокна коллагена, гладкомышечные волокна. В дальнейшем проведена группировка изображений и обучение нейросети. Иными словами, данный алгоритм работает не как предыдущие на основании выделения определенных слоев сосудистой стенки, сравнения их взаимоотношения и плотности, а за счет виртуальной гистологии. Наилучший результат, достигнутый в данном исследовании, имел показатель 0,71 AUC, что в целом можно объяснить малой выборкой - 23 кролика. В будущем команда исследователей планирует усовершенствовать алгоритм на большей выборке и применить данную нейросеть на ВСУЗИ, выполненном человеку.

Автоматическое выделение просвета и слоев сосудистой стенки (сегментация) на изображениях, полученных при ВСУЗИ

Работа данных алгоритмов построена приблизительно по тому же принципу, что и описанное выше автоматическое обнаружение нестабильных бляшек. Единственной особенностью является то, что обучающие и тестировочные выборки формируются из открытых источников изображений ВСУЗИ. Следует отметить, что разработчики данного направления предоставляют открытый исходный код своих программ, добавляя ссылки на ресурсы для загрузки данного программного обеспечения. Это позволяет при наличии желания у читателя самостоятельно проверить, как функционирует нейросеть [9, 10].

В декабре 2018 г. Y.Y. Wang et al. разработали алгоритм для автоматической детекции границы между медией и адвентицией коронарных сосудов [11]. Публикация не являлась первой по данной тематике, однако именно с нее следует начинать отсчет времени развития технологии автоматической сегментации сосудистой стенки. Это обусловлено тем, что именно Y.Y. Wang et al. впервые решили проблему всех предыдущих нейросетей. Она заключалась в том, что предыдущие нейросети не были способны выполнить сегментацию на участках бифуркации сосуда и атером с высоким содержанием кальция. Пример работы нейросети представлен на рис. 1.

V.L. Lo, M. Fresno, I. Larrabide в мае 2019 г. продемонстрировали алгоритм, который способен автоматически выделять границы просвета сосуда интима/медия, медия/адвентиция [5, 9, 12]. Несомненно, это является стремительным прогрессом, однако данная нейросеть не лишена недостатков своих предшественников в виде затруднения сегментации на участках бифуркации сосудов и атером с большим накоплением кальция. Работа нейросети представлена на рис. 2.

В июле 2019 г. J. Yang, M. Faraji, A. Basu опубликовали статью, продемонстрировав нейросеть Dual Path U-Net, которая умеет делать то же самое, что и вышеописанная, но решает проблему затруднения сегментации на участках бифуркации и атером с большим накоплением кальция [10, 13-15]. Также проводилось сравнение результатов сегментации, выполненной нейросетью и человеком (рис. 3).

В июле 2020 г. М. Xia et al. разработали алгоритм MFAU-net (multi-scale feature aggregated U-Net). Данная нейросеть объединила множество алгоритмов, применяемых ранее, продемонстрировав наилучший результат сегментации [10, 16]. Ключевая особенность заключается в том, что нейросеть стала способна предоставлять результат, наиболее близкий к тому, который выдает человек. Пример работы MFAU-net показан на рис. 4.

Прогнозирование фракционного резервного кровотока на основании внутрисосудистого ультразвукового исследования

Ценность данного алгоритма заключается в том, что с помощью ВСУЗИ возможно определить только морфологические аспекты поражения коронарного русла. А вот оценка функциональной составляющей оказалась проблемной. В то же время для выявления показаний к проведению стентирования при стабильной стенокардии при условии отсутствия данных стресс-тестов необходимо проведение измерения фракционного резерва кровотока (ФРК) [9, 18, 19].

Посредством предлагаемого вида нейросетей возможно прогнозировать такой показатель, как ФРК. Разрабатывался алгоритм следующим образом: были отобраны сведения из проведенных исследований в период с ноября 2009 по июль 2015 г. 1657 пациентов со стабильной и нестабильной стенокардией, из которых в последующем были исключены 329. Критериями исключения являлись многососудистые поражения, наличие стента внутри целевого сосуда, оценка боковых ветвей при проведении коронарографии, стеноз ствола левой коронарной артерии более 30% [20]. Пациентам выполнялись инвазивная коронарография, предоперационная ВСУЗИ и ФРК. Далее была проведены рандомизация и распределение исследований на 2 выборки - обучающую и тестовую в соотношении 4:1 (1063:265).

С целью обучения сети и формирования прогноза ФРК в тестовой группе в алгоритм также были заложены следующие сведения о пациентах: характеристики атеромы, полученные при проведении ВСУЗИ, возраст, пол, наличие сахарного диабета, курил ли на момент выполнения коронарографии больной, наличие артериальной гипертензии, стабильной или нестабильной стенокардии, площадь поверхности тела, ФРК, сегмент какой артерии был поражен (проксимальный/средний/дистальный передней нисходящей артерии; проксимальный/дистальный правой коронарной артерии; проксимальный/дистальный левой огибающей артерии).

При тестировании нейросети предоставлялись все вышеперечисленные данные, за исключением ФРК соответственно. Результатом наилучшей модификации алгоритма оказалась точность 87% (AUC). В будущем группа исследователей планирует продолжить свою работу в этой области и подтвердить полученные результаты на большей когорте.

Заключение

В настоящее время использование нейросетей в области ВСУЗИ представляет собой зарождающееся и активно развивающееся направление исследований. Использование внутрисосудистой ультразвуковой диагностики, особенно при лечении сложных коронарных поражений, помогает оптимизировать результаты эндоваскулярных вмешательств и способно повлиять на клинический исход в отдаленные сроки после процедуры. Применение нейросети, возможно, позволит добиться более качественного результата и лучшего прогноза.

Можно предположить, что алгоритмы автоматического определения нестабильных бляшек и прогнозирования ФРК в будущем можно будет объединить, что приведет к унификации ВСУЗИ при многих клинических ситуациях.

Литература/References

1. Benjamens S., Dhunnoo P., Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digital Medicine. 2020; 3 (1): 1-8. DOI: https://doi.org/10.1038/s41746-020-00324-0

2. Matheny M.E., Whicher D., Thadaney I.S. Artificial intelligence in health care: a report from the National Academy of Medicine. JAMA. 2020; 323 (6): 509-510. DOI: https://doi.org/10.1001/jama.2019.21579

3. Mincholé A., Rodriguez B. Artificial intelligence for the electrocardiogram. Nature Medicine. 2019; 25 (1): 22-23. DOI: https://doi.org/10.1038/s41591-018-0306-1

4. Hata T., Koyanagi A., Yamanishi T., et al. Superb microvascular imaging with Doppler luminance using an 18-MHz probe to visualize fetal intra-abdominal blood vessels and organ microvasculature. Journal of Perinatal Medicine. 2020; 48 (2): 184-188. DOI: https://doi.org/10.1515/jpm-2019-0411

5. Bae Y., Kang S.J., Kim G., et al. Prediction of coronary thin-cap fibroatheroma by intravascular ultrasound-based machine learning. Atherosclerosis. 2019; 288 (5): 168-174. DOI: https://doi.org/10.1016/j.atherosclerosis.2019.04.228

6.  Jun T.J., Kang S.J., Lee J.G., et al. Automated detection of vulnerable plaque in intravascular ultrasound images. Medical and Biological Engineering and Computing. 2019; 57 (4): 863-876. DOI: https://doi.org/10.1007/s11517-018-1925-x

7. Allen W.E., Chen M.Z., Pichamoorthy N., et al. Thirst regulates motivated behavior through modulation of brainwide neural population dynamics. Science. 2019; 364 (6437): 253. DOI: https://doi.org/10.1126/science.aav3932

8. Cao Y., Xiao X., Liu Z., et al. Detecting vulnerable plaque with vulnerability index based on convolutional neural networks. Computerized Medical Imaging and Graphics. 2020; 81: 101711. DOI: https://doi.org/10.1016/j.compmedimag.2020.101711

9. Lo V.L., Fresno M., Larrabide I. Lumen-intima and media-adventitia segmentation in IVUS images using supervised classifications of arterial layers and morphological structures. Computer Methods and Programs in Biomedicine. 2019; 177: 113-121. DOI: https://doi.org/10.1016/j.cmpb.2019.05.021

10. Yang J., Faraji M., Basu A. Robust segmentation of arterial walls in intravascular ultrasound images using Dual Path U-Net. Ultrasonics. 2019; 96 (3): 24-33. DOI: https://doi.org/10.1016/j.ultras.2019.03.014

11. Wang Y.Y., Qiu C.H., Jiang J., et al. Detecting the media-adventitia border in intravascular ultrasound images through a classification-based approach. Ultrasonic Imaging. 2019; 41 (2): 78-93. DOI: https://doi.org/10.1177/0161734618820112

12. Gao Z., Hau W.K., Lu M., et al. Automated framework for detecting lumen and media-adventitia borders in intravascular ultrasound images. Ultrasound in Medicine and Biology. 2019; 41 (7): 2001-2021. DOI: https://doi.org/10.1016/j.ultrasmedbio.2015.03.022

13. Wu H., Gole R., Ghosh S., et al. Alternative techniques for breast tumour detection using ultrasound. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2020; 7: 2047-2050. DOI: https://doi.org/10.1109/EMBC44109.2020.9175867

14. Papaioannou T.G., Schizas D., Vavuranakis M., et al. Quantification of new structural features of coronary plaques by computational post-hoc analysis of virtual histology-intravascular ultrasound images. Computer Methods in Biomechanics and Biomedical Engineering. 2014; 17 (6): 643-651. DOI: https://doi.org/10.1080/10255842.2012.713940

15. Athanasiou L., Sakellarios A.I., Bourantas C.V., et al. Currently avail-able methodologies for the processing of intravascular ultrasound and optical coherence tomography images. Expert Review of Cardiovascular Therapy. 2014; 12 (7): 885-900. DOI: https://doi.org/10.1586/14779072.2014.922413

16. Xia M., Yan W., Huang Y., et al. Extracting membrane borders in IVUS images using a multi-scale feature aggregated U-Net. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2020; 7: 1650-1653. DOI: https://doi.org/10.1109/EMBC44109.2020.9175970

17. Azad M., Asadi-Aghbolaghi M., Fathy M., Escalera S. Bi-directional ConvLSTM U-Net with densely connected convolutions. International Conference on Computer Vision Workshops. 2019; 1-10.

18. Katouzian A., Angelini E.D., Carlier S.G., еt al. A state-of-the-art review on segmentation algorithms in intravascular ultrasound (IVUS) images. IEEE Transactions on Information Technology in Biomedicine. 2012; 16 (5): 823-834. DOI: https://doi.org/10.1109/TITB.2012.2189408

19. Inaba S., Mintz G.S., Burke A.P., et al. Intravascular ultrasound and near-infrared spectroscopic characterization of thin-cap fibroatheroma. American Journal of Cardiology. 2017; 119 (3): 372-378. DOI: https://doi.org/10.1016/j.amjcard.2016.10.031

20. Lee J.G., 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. DOI: https://doi.org/10.1016/j.atherosclerosis.2019.10.022

  • Российское Общество ангиологов и сосудистых хирургов
  • ВКонтакте
  • Telegram
Главный редактор
ГЛАВНЫЙ РЕДАКТОР
Акчурин Ренат Сулейманович
Доктор медицинских наук, профессор, академик РАН, заместитель генераль­ного директора по хирургии, руководитель отдела сердечно-сосудистой хирургии ФГБУ «НМИЦ кардиологии им. акад. Е.И. Чазова» Минздрава России, президент Российского общества ангиологов и сосудистых хирургов

Глубокоуважаемые коллеги!
В соответствии с решением президиума Российского общества ангиологов и сосудистых хирургов журналу «Ангиология и сосудистая хирургия» присвоено имя академика А.В. Покровского. Номер регистрации нового наименования:
ПИ № ФС 77 - 85714 от 14.08.2023.


Журналы «ГЭОТАР-Медиа»