Capillaroscopic diagnostics of diabetic microangiopathy using artificial neural networks in patients with diabetes mellitus

Full Text

Актуальность

Компьютерные технологии, построенные на основе систем искусственного интеллекта, в последние несколько лет показали высокую востребованность не только в научных исследованиях, но и в практической медицине [1]. В моделях искусственного интеллекта для решения медицинских задач применяются специализированные методы машинного обучения, которые позволяют на анализе наборов данных (о состоянии пациента) выявлять закономерности, строить правила и прогнозы, принимать решения с минимальным участием человека [2, 3].

Идея использования модели искусственного нейрона (имитирующего работу нейронов головного мозга) для обучения систем искусственного интеллекта привела к появлению искусственных нейронных сетей (ИНС). Их применение с целью классификации и анализа позволило успешно решить многие сложные задачи распознавания и прогнозирования. Создание нейронных сетей с большим количеством нейронов, нейронных слоёв и взаимо­связей привело к формированию эффективного ­метода машинного обучения — глубокого обучения (deep learning).

Несмотря на то обстоятельство, что методы глубокого обучения впервые появились более 30 лет назад, только в последнее время им уделяют пристальное внимание в различных областях науки. Данная ситуация обусловлена малой эффективностью первых нейронных сетей [4, 5]. С появлением мощных графических процессоров и по мере усложнения архитектуры разрабатываемых сетей расширялся и круг задач, с которыми могли справиться ИНС: распознавание образов, речи и лиц, генерация описаний изображения, классификация, фильтрация и поиск данных, прогнозирование исходов и т.д. [6, 7].

Разрабатывая и обучая нейронные сети, можно выявлять сложные взаимоотношения в данных и настраивать механизмы выбора нескольких переменных одновременно. Это позволяет создавать мощные прогностические модели, существенно упрощая работу практических врачей, например посредством сокращения временных затрат на обследование и снижения количества диагностических ­ошибок [8].

Быстрый рост количества людей с сахарным диабетом (СД) и прогрессирующее ухудшение здоровья на фоне данного заболевания обосновывают необходимость применения новых технологий для ранней диагностики диабетических микроангиопатий [9, 10]. В настоящее время для обследования пациентов с СД разрабатываются ИНС, анализирующие результаты оптической когерентной и магнитно-резонансной томографии, ультразвукового исследования сосудов с целью выявления хронических микрососудистых осложнений [11, 12]. Однако для получения данных о состоянии сосудов микроциркуляторного русла можно применять менее дорогостоящее оборудование — капилляроскоп. С появлением компьютерных версий данного прибора интерес к капилляроскопическому исследованию существенно вырос [13].

Совместное применение компьютерной капилляроскопии и технологий глубокого обучения позволит значительно повысить качество и скорость диагностики диабетических микроангиопатий. В связи с интерпретацией изменений морфологии капилляров посредством ИНС и моментальным получением результата данное исследование может быть проведено медицинским работником без предварительного обучения за несколько минут амбулаторного приёма пациента [14, 15].

Единственная описанная в литературе система анализа капилляроскопических изображений с применением технологий глубокого обучения была разработана и протестирована для сегментарной оценки изображений низкого качества. Применение ИНС со структурой Res-Unet (ResNet — резидуальной сети и U-Net), обученной на 30 изображениях, позволила авторам добиться точности диагностики 91,72% [16].

Данный факт подтверждает важность продолжения разработки и усовершенствования интеллектуальных систем с целью повышения качества диагностики. Наиболее перспективным инструментом для этого служат нейронные сети. Однако все исследователи сталкиваются с проблемой качества и объёма данных для обучения ИНС [17]. Без этого невозможны эффективная работа диагностических систем и получение достоверных результатов.

Для решения данной проблемы мы предлагаем разработку алгоритма и программного приложения для обучения ИНС, которые позволяют отфильтровать и отформатировать данные.

Цель

Целью данного исследования была разработка системы оценки капилляроскопических изображений на основе ИНC, а также её тестирование и анализ результатов для ранней диагностики микроангиопатии у пациентов с СД 1-го типа с использованием разработанных алгоритмов и программного приложения.

Материал и методы исследования

В проспективное контролируемое одноцентровое простое выборочное исследование включали пациентов с СД 1-го типа, подписавших информированное согласие, с длительностью заболевания менее 10 лет.

Критерии исключения:
– пролиферативная диабетическая ретинопатия при офтальмоскопии глазного дна в условиях мидриаза;
– хроническая болезнь почек стадии 3Б и выше в соответствии с классификацией K/DOQI (National Kidney Foundation, 2002);
– перенесённые сердечно-сосудистые события по данным анамнеза и медицинской документации (инфаркт миокарда, острое нарушение мозгового кровообращения);
– артериальная гипертензия;
– артериальная гипотензия;
– хроническая артериальная недостаточность стадии 2Б и выше (по R. Fontaine, 1954);
– хроническая сердечная недостаточность I–IV функционального класса (по функциональной классификации New York Heart Association, 1994);
– наследственная гиперхолестеринемия;
– заболевания печени;
– заболевания лёгких;
– травмы верхних конечностей в анамнезе.

Исследование проводили на базе 7-й городской клинической больницы г. Симферополя, на кафедре пропедевтики внутренней медицины Медицинской академии им. С.И. Георгиевского и кафедре компьютерной инженерии и моделирования Физико-технического института ФГБОУ ВО «Крымский федеральный университет им. В.И. Вернадского» в 2019–2021 гг.

Для разработки и обучения системы оценки на основе ИНC из базы данных кабинета капилляроскопии были взяты протоколы капилляроскопии с фотографиями капилляров и заключениями врача, проводившего исследования.

После построения системы для оценки её работы в исследование были включены методом механического отбора согласно критериям включения и исключения 136 пациентов (59 женщин и 77 мужчин) с длительностью СД 1-го типа менее 10 лет в возрасте 25,82±6,05 года, которые получали стационарное лечение в ­терапевтическом отделении 7-й городской клинической больницы.

Исследуемые пациенты были разделены на две сопоставимые по полу и возрасту группы:
– первая группа — 65 (47,8%) пациентов, у которых отсутствовали признаки диабетических микроангиопатий по результатам комплексного клинико-лабораторного обследования;
– вторая группа — 71 (52,2%) пациент, у которых было диагностировано наличие одной или нескольких диабетических микроангиопатий (нефропатии, ретинопатии, а также невропатии).

В качестве контроля была взята группа из 30 практически здоровых добровольцев без нарушения углеводного обмена, сопоставимых по полу (р=0,952 для первой группы и р=0,875 для второй группы в сравнении с группой контроля, р=0,631 в сравнении групп между собой) (табл. 1).

 

Таблица 1. Распределение пациентов с сахарным диабетом (СД) 1-го типа и контрольной группы по полу, возрасту и клинико-анамнестическим характеристикам

Показатель	Контрольная группа	Первая группа	Вторая группа
Всего человек, абс.	30	65	71
Мужчины, абс.	17 (56,7%)	35 (53,8%)	42 (59,2%)
Женщины, абс.	13 (43,3%)	30 (46,2%)	29 (40,8%)
Возраст, годы	22,83±5,47	25,82±6,05; р=0,02371	26,65±5,92; р=0,02791
Масса тела, кг	67,57±10,13	67,26±12,12	69,51±10,51
Стаж диабета, годы	—	5,74±1,65	7,11±1,52; р=0,00062
Компенсированный СД (HbA1c <7,0)	—	4 (6,2%)	—
Субкомпенсированный СД (7,1 ≤ HbA1c ≤7,5)	—	13 (20,0%)	1 (1,4%)
Декомпенсированный СД (HbA1c >7,5)	—	48 (73,8%)	70 (98,6%)
Артериальная гипертензия, абс.	—	—	7 (9,9%)
Инсулин, ЕД/сут	—	28,31±3,52	33,71±5,20; р=0,00022

Примечание: ¹сравнение с группой контроля (t-критерий Стьюдента); ²сравнение с первой группой (t-критерий Стьюдента); HbA_1c — гликированный гемоглобин.

 

Проведение данного исследования было ­одобрено комитетом по этике ФГАОУ ВО «Крымский федеральный университет им. В.И. Вернадского» (протокол заседания №7 от 04.10.2019).

Определение уровня гликированного гемоглобина выполняли методом ионообменной высокоэффективной жидкостной хроматографии на анализаторе Variant II Turbo (Bio-Rad Laboratories, США), суточной альбуминурии — методом иммунотурбидиметрии на биохимическом анализаторе Cobas c8000 (Roche Diagnostics, Швейцария).

В обеих группах пациентов, а также в группе контроля выполняли цифровую капилляроскопию. Регистрацию параметров капиллярной сети проводили на ногтевых валиках безымянных пальцев с помощью цифрового микроскопа CAM-04 (Sigeta, Китай) при 350-кратном увеличении после 15–20 мин отдыха в положении сидя. Определяли следующие капилляроскопические показатели: плотность капиллярной сети, длину капиллярных петель, диаметр артериальных, переходных, венозных отделов капилляров. Результаты выражали в микрометрах (мкм). Полученные фотоснимки капиллярной сети сохраняли в формате jpg для дальнейшего анализа врачом, проводящим капилляроскопическое исследование, а также оценки с применением ИНС.

Конечной суррогатной точкой были показатели капилляроскопии и результаты оценки капилляроскопических изображений с использованием системы оценки, основанной на ИНС, пациентов с СД 1-го типа, а также значения чувствительности и специфичности диагностики диабетической микроангиопатии с помощью разработанной системы.

Для статистической обработки материала использовали программный комплект Statistica 13 (StatSoft, США). С целью оценки типа распределения данных применяли критерий Лиллиефорса, при значениях p >0,05 распределение считали не отличающимся от нормального. Межгрупповые и внутригрупповые различия ­количественных признаков оценивали с помощью критерия Стьюдента при нормальном распределении и Манна–Уитни (U-тест) при распределении, отличном от нормального. Логистический регрессионный анализ, определяющий наличие связей между несколькими независимыми переменными, производили определением χ2. Статистически значимыми считали различия при p <0,05. Проводили ROC-анализ (Receiver Operating Cha­racteristic curve) с построением операционных характеристических кривых и расчётом коэффициента площади кривой (AUC) с целью определения диагностической информативности оцениваемых методов.

Результаты

Высокий уровень гликированного гемоглобина у пациентов с СД 1-го типа как в первой, так и во второй группе (р=0,001 в сравнении как с контролем, так и с первой группой), является фактором высокого риска развития и прогрессирования диабетической микроангиопатии [18]. Средние значения систолического артериального давления в контрольной и первой группах составили 115 [110; 120] мм рт.ст., в то время как во второй группе данный показатель повышался до 120 [115;125] мм рт.ст. (р=0,020 в сравнении с контролем и р=0,008 — с первой группой) (табл. 2).

 

Таблица 2. Показатели капилляроскопии у пациентов с сахарным диабетом 1-го типа и в норме

Показатель	Контроль (n=30)		Первая группа (n=65)		Вторая группа (n=71)
	Значения показателя	Критерий Лиллиефорса	Значения показателя	Критерий Лиллиефорса	Значения показателя	Критерий Лиллиефорса
Систолическое артериальное давление, мм рт.ст.	116,30±5,71	p=0,008	116,62±5,60	p=0,006	119,86±6,97; р=0,0333, p=0,00354	p=0,009
HbA1c, %	4,94±0,46	p=0,115	8,28±0,90; p=0,00041	p=0,122	9,92±1,48; p=0,00021, p=0,00082	p=0,115
Альбуминурия, мг/сут	6,45±1,52	p=0,184	16,24±6,41; p=0,00011	p=0,169	58,93±22,81; p=0,00011, p=0,00012	p=0,154
Длина, мкм	190,87±35,58	p=0,170	187,87±38,52	p=0,158	184,09±39,88	p=0,173
Плотность, кап./мм2	9,17±1,20	p=0,032	8,08±1,84	p=0,029	7,87±1,80; p=0,0261	p=0,035
dарт., мкм	12,03±1,22	p=0,008	11,80±1,56	p=0,104	9,55±1,73; р=0,0331, р=0,0412	p=0,112
dпер., мкм	13,57±1,13	р=0,045	13,84±1,25	p=0,044	14,52±2,05; р=0,0371, р=0,0352	p=0,083
dвен., мкм	14,29±1,11	р=0,372	14,29±2,18	p=0,321	14,76±1,86	p=0,416
dпер./dвен.	0,95±0,08	р=0,404	0,99±0,15	p=0,235	0,99±0,13	p=0,293

Примечание: ¹сравнение с группой контроля (t-критерий Стьюдента); ²сравнение с первой группой (t-критерий Стьюдента); ³сравнение с группой контроля (U-критерий Уитни); ⁴сравнение с первой группой (U-критерий Уитни); HbA_1c — гликированный гемоглобин; d — диаметр артериальных (d_арт.), переходных (d_пер.) и венозных (d_вен.) отделов капилляров.

 

Капилляроскопическое исследование выявило различия у пациентов первой и второй групп в сравнении как с группой контроля, так и между собой. В первой группе плотность капиллярной сети составила 8,08 (1,84) кап./мм², что было ниже в сравнении с аналогичным показателем в контроле, где данный показатель был 9,17 (1,20) кап./мм² (р=0,006). Во второй группе, помимо снижения плотности капиллярной сети до уровня 7,87 (1,80) кап./мм² (р=0,001 в сравнении с группой контроля), зарегистрированы уменьшение диаметра артериальных отделов капилляров и увеличение диаметра переходных отделов капилляров в сравнении как с контролем, так и с первой группой.

Следует отметить, что значения показателя плотности капиллярной сети (количество капилляров на 1 мм²) в контрольной группе находились во взаимосвязи с длиной капиллярных петель, а также с диаметрами всех отделов капилляров: чем выше плотность капилляров, тем меньше их длина (r=–0,74, p <0,0005 в контроле; r=–0,66, p <0,0005 в первой группе и r=–0,64, p <0,0005 во второй группе), а также диаметр артериальных, переходных и венозных отделов капилляров (табл. 3) [19].

 

Таблица 3. Результаты корреляционного анализа плотности капиллярной сети и других показателей капилляроскопии

Показатель	Контроль (n=30)		Первая группа (n=65)		Вторая группа (n=71)
	r	p	r	p	r	p
Длина, мкм	–0,74	<0,0005	–0,66	<0,0005	–0,64	<0,0005
dарт., мкм	–0,32	0,082	–0,58	<0,0005	–0,67	<0,0005
dпер., мкм	–0,41	0,025	–0,50	<0,0005	–0,48	<0,0005
dвен., мкм	–0,51	0,004	–0,18	0,161	–0,03	0,803

Примечание: d — диаметр артериальных (d_арт.), переходных (d_пер.) и венозных (d_вен.) отделов капилляров.

 

С целью автоматизации оценки результатов капилляроскопии и удобства пользователя (практического врача) на основании архива данных было разработано приложение, реализующие все модели и алгоритмы эффективного анализа изображений с помощью искусственного интеллекта. Построение системы производилось в среде Anaconda с применением языка Python. Использованы хорошо зарекомендовавшая себя в распознавании изображений архитектура VGG16 и связка библиотек с открытым исходным кодом TensorFlow и Keras.

Построенная сеть состояла из двух частей для анализа изображения капилляров: первая часть выделяла характерные признаки изображения, вторая классифицировала их. На вход первого из 16 слоёв сети подавалось анализируемое изображение, которое в качестве входных признаков должно было иметь расширение jpg и цветовой режим RGB. Для сборки системы использовалось четыре параметра: ширина входного изображения, высота, глубина и число классов (classes). Поскольку исследуемые изображения имели цветовую модель RGB, глубина равнялась 3.

На выходе из сети анализируемому изображению присваивалась вероятность, что на изображении тот или иной класс объекта, то есть обученная ИНС делала заключение, относится фотография к классу «контроль» (нормальная капилляроскопическая картина) или «патология» (наличие микроангиопатии).

Обучение проводилось на 2000 изображений капилляров, полученных из архива кабинета капилляроскопии с заключением специалиста по капилляроскопии о наличии или отсутствии патологических изменений. Тем самым проводилось разделение изображений капилляров на классы «контроль» и «патология». После валидации система давала оценку капилляроскопическому изображению в виде метки принадлежности к одному из двух классов, а также вероятность данной принадлежности (%).

После сборки, подключения всех необходимых библиотек для работы ИНС, компилирования и обучения была проведена оценка эффективности обучения системы на базе лаборатории параллельных вычислений Физико-технического института. Для этого в интерфейсе JupyterLab мы использовали параметр точность (accuracy), который измеряет количество верно классифицированных объектов относительно общего количества всех объектов.

Разработанная система для оценки капилляроскопических изображений после обучения позволила проводить классификацию изображений капилляров с точностью 0,84 по двум классам: «контроль» и «патология» у пациентов с СД 1-го типа (табл. 4).

 

Таблица 4. Матрица ошибок построенной и обученной системы

Показатели	Прецизионность (precision)	Полнота (recall)	Оценка f1 (f1-score)	Обеспечение (support)
0 (контроль)	0,83	0,85	0,84	254
1 (патология)	0,85	0,82	0,83	246
Точность (accuracy)	—	—	0,84	500
Среднее значение (­macro avg)	0,84	0,84	0,84	500
Средневзвешенное значение (weighted avg)	0,84	0,84	0,84	500

 

Сравнительный анализ диагностической значимости разработанной системы в отношении микрососудистых осложнений по результатам капилляроскопии был проведён на 136 изображениях капилляров исследуемых пациентов с СД (тестовая выборка) (рис. 1).

 

Рис. 1. Результаты работы системы оценки капилляроскопических изображений в норме и при наличии ­микроангиопатии

 

В результате автоматической оценки изображений с помощью разработанного программного приложения были получены результаты принадлежности изображения к классу «контроль» или «патология». Сравнительный анализ результатов оценки капилляроскопических изображений системы на тестовой выборке из 136 пациентов показал, что метод имеет достаточный уровень значимости на тестовой выборке (χ2=21, р=0,000). Наибольшую значимость имела шкала вероятности патологии (специ­фичность метода) — 85,71%. Чувствительность метода была ниже и составила 71,43%, что, возможно, было связано с наличием у некоторых пациентов изменений микроциркуляции, ­вызванных причинами, отличными от СД. ­Параметр ROC-area составил 0,764 (рис. 2).

 

Рис. 2. ROC-кривая соотношения чувствительность/специфичность для системы оценки риска развития микроангиопатии

 

Таким образом, разработанная система оценки капилляроскопических изображений на основе ИНС диагностировала наличие или отсутствие морфологических нарушений капиллярной сети у пациентов с СД 1-го типа с высокими значениями чувствительности и спе­цифичности.

Обсуждение

Разработанная система оценки капилляроскопических изображений с применением ИНС эффективно диагностировала морфологические микрососудистые нарушения у пациентов с СД 1-го типа. Учитывая незначительные различия капилляроскопических параметров второй группы с контролем и первой группой, такие показатели ROC-анализа, как чувствительность (71,43%) и специфичность (85,71%), подтверждают эффективность применения данной системы для повышения качества диагностики в спорных случаях, когда микроангиопатические изменения носят начальный характер. Простота работы для пользователя и универсальный формат получаемых результатов расширяют сферу применения системы для оценки состояния капиллярной сети, в том числе на амбулаторном этапе.

В ходе данного исследования была поставлена задача разработать систему, способную анализировать капилляроскопические изображения с высокой чувствительностью и делать заключение о наличии или отсутствии микроангиопатии у пациентов с СД 1-го типа с малой длительностью заболевания. Исходя из поставленной задачи, для разработки системы была выбрана свёрточная нейронная сеть, которая позволяет решать задачи, связанные с распознаванием образов в компьютерном зрении, более успешно, чем любые предшествующие методы [20]. В основе работы свёрточной нейронной сети лежит операция свёртки, когда каждый фрагмент изображения умножается на матрицу свёртки отдельно, а полученный результат суммируется и записывается в аналогичную позицию выходного изображения.

Для эффективного распознавания графических образов обучение свёрточной сети необходимо производить на большом количестве примеров (в нашем случае 2000 снимков). Расширение обучающей выборки повышает эффективность данного процесса и значения специфичности диагностики. Применение метода исключения в архитектуре сети позволяет сделать процесс её обучения более устойчивым посредством случайной деактивации 25% нейронных соединений между слоями для каждой итерации обучения. Тем самым уменьшается переобучение и повышается точность системы, улучшается распознавание незнакомых изображений [21].

Получение на выходе свёрточной сети результата в бинарном виде (контроль или патология) обладает меньшей информативностью в сравнении с классическим капилляроскопическим исследованием. Однако описание морфологических параметров капилляров исследователем в подавляющем большинстве случаев избыточно и производится именно с целью определения наличия или отсутствия микроангиопатии у пациента [22, 23]. Быстрое получение заключения в процессе работы системы о наличии диабетического повреждения капилляров является оптимальным для неинвазивного обследования пациентов с СД.

На фоне значительного интереса к искусственному интеллекту на данный момент времени только начинают разрабатываться и проходить обучение диагностические системы, работающие с капилляроскопическими изображениями [16]. Разработанная и апробированная нами система даёт возможность выявить диабетическую микроангиопатию у пациентов с СД 1-го типа с точностью 84% не только при низком качестве капилляроскопических снимков, но и на начальных стадиях, когда изменения капиллярной архитектоники минимальны и могут не фиксироваться человеческим взглядом. Система характеризуется универсальностью: не нужны масштабирование фотографий и указание параметров съёмки. Для диагностики диабетической микроангиопатии с её помощью подойдут капилляроскопические изображения различного размера, а также снятые с разным углом наклона капилляров.

Выводы

1. Совместное применение капилляроскопии и искусственных нейронных сетей позволяет повысить скорость проведения и качество исследования, а также упростить интерпретацию получаемых изображений.
2. Разработанная система оценки капилляроскопических снимков в ходе исследования показала значения чувствительности 71,43% и специфичности 85,71% в отношении диагностики диабетической микроангиопатии.
3. Применение данной системы в практической работе врача-эндокринолога как неинвазивного чувствительного метода будет способствовать раннему выявлению пациентов с диабетической микроангиопатией и повышать качество оказываемой медицинской помощи.

 

Участие авторов. В.А.Ж. и Р.О.А. — проведение исследования, сбор и анализ результатов; М.А.Р. и Д.В.Б. — анализ результатов, разработка, обучение системы; Е.С.К. — руководство работой.
Источник финансирования. Исследование не имело спонсорской поддержки.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов по представленной статье.

About the authors

Evgeniy S. Krutikov

Crimean Federal University named after V.I. Vernadsky

Email: nephrostar@yandex.ru
ORCID iD: 0000-0002-5754-4418
SPIN-code: 5967-2847

M.D., D. Sci. (Med.), Prof., Head of Depart., Depart. of Propaedeutics of Internal Medicine, S.I. Georgievsky Medical Academy

Russian Federation, Simferopol, Russia

Viktoriya A. Zhitova

Crimean Federal University named after V.I. Vernadsky

Author for correspondence.
Email: mail@onephro.ru
ORCID iD: 0000-0002-1772-6399
SPIN-code: 3406-6010

M.D., Cand. Sci. (Med.), Assistant, Depart. of Basic and Clinical Pharmacology, S.I. Georgievsky Medical Academy

Russian Federation, Simferopol, Russia

Marina A. Rudenko

Crimean Federal University named after V.I. Vernadsky

Email: rudenko.ma@cfuv.ru
ORCID iD: 0000-0002-8334-8453
SPIN-code: 1900-7487

Cand. Sci. (Technic.), Assoc. Prof., Depart. of Computer Engineering and Modeling

Russian Federation, Simferopol, Russia

Rustam O. Akaev

Crimean Federal University named after V.I. Vernadsky

Email: akaevrustam1975@mail.ru
ORCID iD: 0000-0002-3897-8042
SPIN-code: 9564-4620

M.D., Depart. of Propaedeutics of Internal Medicine, S.I. Georgievsky Medical Academy

Russian Federation, Simferopol, Russia

Daniil V. Burdin

Crimean Federal University named after V.I. Vernadsky

Email: daniil-b96@mail.ru
ORCID iD: 0000-0002-2817-1480
SPIN-code: 8608-6393

Junior Researcher, Depart. of Computer Engineering and Modeling

Russian Federation, Simferopol, Russia

References

Supplementary files