Перспективы использования машинного обучения для усовершенствования коронарографии

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Сердечно-сосудистые заболевания являются главной угрозой для здоровья населения Российской Федерации и находятся на первом месте среди причин смерти. Наибольшие стандартизированные коэффициенты смертности среди населения России приходятся на ишемическую болезнь сердца. Комплексная диагностика этого заболевания включает оценку коронарного атеросклероза с использованием как неинвазивных методов, таких как мультиспиральная компьютерная томография коронарных артерий, так и инвазивных, включая коронарную ангиографию, а иногда и внутрисосудистой визуализации. Указанные методы являются наиболее эффективными для диагностики ишемической болезни сердца.

Распространение медицинских технологий, основанных на искусственном интеллекте, в последние годы привело к появлению новых диагностических и терапевтических возможностей. Искусственный интеллект позволил преодолеть разрыв между массивными наборами данных и полезной информацией, обрабатывая и анализируя важные данные в беспрецедентных масштабах.

В обзоре выделено пять потенциальных и перспективных направлений использования машинного обучения в области коронарографии: улучшение качества и эффективности исследования, определение характеристик бляшек, оценка гемодинамики, прогнозирование исходов заболевания и диагностика неатеросклеротических поражений коронарных артерий. В то время как машинное обучение обладает преобразующим потенциалом в области анализа коронарных ангиограмм, тщательное рассмотрение его ограничений, включая протоколы обмена данными и интерпретируемость моделей, имеет важное значение для полного использования его возможностей и обеспечения оптимальной диагностики и лечения пациентов.

Полный текст

Доступ закрыт

Об авторах

Юрий Александрович Трусов

Самарский государственный медицинский университет

Автор, ответственный за переписку.
Email: secretplace@internet.ru
ORCID iD: 0000-0001-6407-3880
SPIN-код: 3203-5314

ассистент

Россия, Самара

Айрина Айгизовна Вильданова

Башкирский государственный медицинский университет

Email: airinavildanowa@gmail.com
ORCID iD: 0009-0000-0625-9732
Россия, Уфа

Амина Нагимовна Загитова

Башкирский государственный медицинский университет

Email: zagitova.amina@mail.ru
ORCID iD: 0009-0006-9528-4019
Россия, Уфа

Мария Олеговна Симененкова

Крымский федеральный университет им. В.И. Вернадского

Email: masha.simenenkova@mail.ru
ORCID iD: 0009-0003-0523-3655
Россия, Симферополь

Фериде Экремовна Сеттарова

Крымский федеральный университет им. В.И. Вернадского

Email: ferideshka.settarova@gmail.com
ORCID iD: 0009-0003-5059-6105
Россия, Симферополь

Зарина Наилевна Рашитова

Российский национальный исследовательский медицинский университет им. Н.И. Пирогова

Email: rashitovazarina@yandex.ru
ORCID iD: 0009-0004-7890-5472
Россия, Москва

Анастасия Сергеевна Курченко

Первый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет)

Email: kurchenko.anastasiia@yandex.ru
ORCID iD: 0009-0004-1055-3394
Россия, Москва

Юлия Николаевна Лапшина

Пензенский государственный университет

Email: jul1a110401@yandex.ru
ORCID iD: 0009-0001-0985-9212
SPIN-код: 2724-5472
Россия, Пенза

Анастасия Андреевна Романова

Санкт-Петербургский государственный педиатрический медицинский университет

Email: romanna96@mail.ru
ORCID iD: 0009-0005-5675-835X
Россия, Санкт-Петербург

Константин Михайлович Нечаев

Санкт-Петербургский государственный педиатрический медицинский университет

Email: kostanechaev16@gmail.com
ORCID iD: 0009-0005-6937-0215
Россия, Санкт-Петербург

Родион Алексеевич Архипов

Крымский федеральный университет им. В.И. Вернадского

Email: nomier@list.ru
ORCID iD: 0009-0004-3971-733X
Россия, Симферополь

Аким Рефатович Умеров

Крымский федеральный университет им. В.И. Вернадского

Email: ufadime74@mail.ru
ORCID iD: 0009-0007-9134-1044
Россия, Симферополь

Ильдар Ильсурович Зайнуллин

Ижевская государственная медицинская академия

Email: il116rus22@gmail.com
ORCID iD: 0009-0005-0812-6171
Россия, Ижевск

Камила Фанисовна Бикмуллина

Ижевская государственная медицинская академия

Email: kbikmullina@mail.ru
ORCID iD: 0009-0003-2881-1876
Россия, Ижевск

Список литературы

  1. Концевая А.В., Муканеева Д.К., Игнатьева В.И., и др. Экономика профилактики сердечно-сосудистых заболеваний в Российской Федерации // Российский кардиологический журнал. 2023. Т. 28, № 9. С. 19–26. EDN: KNLBZO doi: 10.15829/1560-4071-2023-5521
  2. Самородская И.В., Старинская М.А., Бойцов С.А. Динамика региональных показателей смертности от сердечно-сосудистых заболеваний и когнитивных нарушений в России 2019–2021 годах // Российский кардиологический журнал. 2023. Т. 28, № 4. С. 94–101. EDN: EYFUHW doi: 10.15829/1560-4071-2023-5256
  3. Черняк А.А., Дешко М.С., Снежицкий В.А., и др. Чрескожные коронарные вмешательства: внутрисосудистые методы визуализации и измерение внутрикоронарной гемодинамики // Журнал Гродненского государственного медицинского университета. 2020. Т. 18, № 5. С. 513–522. EDN: IQBKOL doi: 10.25298/2221-8785-2020-18-5-513-522
  4. Личикаки В.А., Мордовин В.Ф., Фальковская А.Ю., и др. Особенности коронарной патологии и её связь с маркерами фиброза миокарда у больных с резистентной гипертензией // Российский кардиологический журнал. 2023. Т. 28, № 6. С. 95–100. EDN: OPUXND doi: 10.15829/1560-4071-2023-5394
  5. Ковальская А.Н., Дупляков Д.В. Биомаркеры в оценке уязвимости атеросклеротических бляшек: нарративный обзор // Рациональная фармакотерапия в кардиологии. 2023. Т. 19, № 3. С. 282–288. EDN: DVSIQI doi: 10.20996/1819-6446-2023-2878
  6. Миронова О.Ю., Исаев Г.О., Бердышева М.В., и др. Современные методики оценки физиологической значимости стенозирующих поражений коронарных артерий // Терапевтический архив. 2023. Т. 95, № 4. C. 341–346. EDN: ZLYNOW doi: 10.26442/00403660.2023.04.202169
  7. Даренский Д.И., Грамович В.В., Жарова Е.А., и др. Определение пороговых значений моментального резерва кровотока при оценке функциональной значимости стенозов коронарных артерий пограничной степени тяжести с использованием неинвазивных методов верификации ишемии миокарда в качестве стандарта // Евразийский кардиологический журнал. 2016. № 4. С. 34–41. EDN: XYKQLR
  8. Даренский Д.И., Грамович В.В., Жарова Е.А., и др. Сравнение методов моментального и фракционного резервов кровотока с неинвазивными методами выявления ишемии миокарда при оценке пограничных коронарных стенозов у больных с хронической формой ишемической болезни сердца // Кардиология. 2017. Т. 57, № 8. С. 11–19. EDN: WQKQLB doi: 10.18087/cardio.2017.8.10012
  9. Семенова А.А., Меркулова И.Н., Шария М.А., и др. Структурные особенности атеросклеротических бляшек по данным компьютерной томографии коронарных артерий и их динамика у больных с острым коронарным синдромом в ходе проспективного наблюдения // Кардиологический вестник. 2021. Т. 16, № 4. С. 66–75. EDN: SSCCNI doi: 10.17116/Cardiobulletin20211604166
  10. Williams M.C., Moss A.J., Dweck M., et al. Coronary artery plaque charaeristics associated with adverse outcomes in the SCOT-HEART study // J Am Coll Cardiol. 2019. Vol. 73, N. 3. P. 291–301. doi: 10.1016/j.jacc.2018.10.066
  11. Йео К.К. Искусственный интеллект в кардиологии: сработал ли он? // Российский журнал персонализированной медицины. 2022. Т. 2, № 6. С. 16–22. EDN: UIENOT doi: 10.18705/2782-3806-2022-2-6-16-22
  12. Johnson K.W., Torres Soto J., Glicksberg B.S., et al. Artificial intelligence in cardiology // J Am Coll Cardiol. 2018. Vol. 71, N. 23. P. 2668–2679. doi: 10.1016/j.jacc.2018.03.521
  13. Сумин А.Н. Алгоритмы диагностики у больных хроническим коронарным синдромом — что показывает реальная клиническая практика? // Российский кардиологический журнал. 2023. Т 28, № 9. С. 87–97. EDN: KAVIKE doi: 10.15829/1560-4071-2023-5483
  14. Баркалов М.Н., Атанесян Р.В., Агеев Ф.Т., Матчин Ю.Г. Оценка клинико-экономической эффективности эндоваскулярного лечения больных с протяженным поражением коронарных артерий с использованием стентов длиной 40–60 мм // Кардиологический вестник. 2021. Т. 16, № 2. С. 28-35. EDN: MHVGNO doi: 10.17116/Cardiobulletin20211602
  15. Jonas R.A., Weerakoon S., Fisher R., et al. Interobserver variability among expert readers quantifying plaque volume and plaque characteristics on coronary CT angiography: a CLARIFY trial sub-study // Clin Imaging. 2022. Vol. 91. P. 19–25. doi: 10.1016/j.clinimag.2022.08.005
  16. Zhang H., Mu L., Hu S., et al. Comparison of physician visual assessment with quantitative coronary angiography in assessment of stenosis severity in China // JAMA Intern Med. 2018. Vol. 178, N. 2. P. 239–247. doi: 10.1001/jamainternmed.2017.7821
  17. Budoff M.J., Dowe D., Jollis J.G., et al. Diagnostic performance of 64-multidetector row coro- nary computed tomographic angiography for evaluation of coronary artery stenosis in individuals without known coronary artery disease: results from the prospective multicenter ACC URACY (Assessment by Coronary Computed Tomographic Angiography of Individuals Undergoing Invasive Coronary Angiography) trial // J Am Coll Cardiol. 2008. Vol. 52, N. 21. P. 1724–1732. doi: 10.1016/j.jacc.2008.07.031
  18. Руголь Л.В., Сон И.М., Кириллов В.И., Гусева С.Л. Организационные технологии, повышающие доступность медицинской помощи для населения // Профилактическая медицина. 2020. Т. 23, № 2. С. 26–34. EDN: KBCBYP doi: 10.17116/profmed20202302126
  19. Гаджиев Я., Шалбузова К. Применение методов машинного обучения в прогнозировании и раннем обнаружении рака // Sciences of Europe. 2022. Т. 108. С. 46–50. EDN: PVXDIB doi: 10.5281/zenodo.7523833
  20. Chilamkurthy S., Ghosh R., Tanamala S., et al. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study // Lancet. 2018. Vol. 392, N. 10162. P. 2388–2396. doi: 10.1016/s0140-6736(18)31645-3
  21. Lansberg M.G., Christensen S., Kemp S., et al. Computed tomographic perfusion to predict response to recanalization in ischemic stroke // Ann Neurol. 2017. Vol. 81, N. 6. P. 849–856. doi: 10.1002/ana.24953
  22. Esteva A., Kuprel B., Novoa R.A., et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542, N. 7639. P. 115–118. doi: 10.1038/nature21056
  23. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. 2016. Vol. 316, N. 22. P. 2402–2410. doi: 10.1001/jama.2016.17216
  24. Al’Aref S.J., Anchouche K., Singh G., et al. Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging // Eur Heart J. 2019. Vol. 40, N. 24. P. 1975–1986. doi: 10.1093/ eurheartj/ehy404
  25. Lin A., Manral N., McElhinney P., et al. Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction: an international multicentre study // Lancet Digit Health. 2022. Vol. 4, N. 4. P. e256–e265. doi: 10.1016/s2589-7500(22)00022-X
  26. van Rosendael A.R., Maliakal G., Kolli K.K., et al. Maximization of the usage of coronary CTA derived plaque information using a machine learning based algorithm to improve risk stratification; insights from the CONFIRM registry // J Cardiovasc Comput Tomogr. 2018. Vol. 12, N. 3. P. 204–209. doi: 10.1016/j.jcct.2018.04.011
  27. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., и др. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний // Врач и информационные технологии. 2019. №3. С. 41–47. EDN: KKDZXQ
  28. Liu F., Jang H., Kijowski R., et al. Deep learning MR imaging-based attenuation correction for PET/MR imaging // Radiology. 2018. Vol. 286, N. 2. P. 676–684. doi: 10.1148/radiol.2017170700
  29. Wang G., Li W., Ourselin S., Vercauteren T. Automatic brain tumor segmentation based on cascaded convolutional neural networks with uncertainty estimation // Front Comput Neurosci. 2019. Vol. 13. P. 56. doi: 10.3389/fncom.2019.00056
  30. Азизов В.А., Султанова М.Д., Улудаг К., Эфендиева Л.Г. Возможности компьютерной томографии в оценке состояния коронарных артерий у больных ишемической болезнью сердца // Евразийский кардиологический журнал. 2014. № 2. С. 39–43. EDN: SMLQOD doi: 10.38109/2225-1685-2014-2-39-43
  31. Douglas P.S., Hoffmann U., Patel M.R., et al. Outcomes of anatomical versus functional testing for coronary artery disease // N Engl J Med. 2015. Vol. 372, N. 14. P. 1291–1300. doi: 10.1056/NEJMoa1415516
  32. De la Garza-Salazar F., Lankenau-Vela D.L., Cadena-Nuñez B., et al. The effect of functional and intra-coronary imaging techniques on fluoroscopy time, radiation dose and contrast volume during coronary angiography // Sci Rep. 2020. Vol. 10, N. 1. P. 6950. doi: 10.1038/s41598-020-63791-1
  33. Koskinas K.C., Nakamura M., Räber L., et al. Current use of intracoronary imaging in interventional practice – results of a European Association of Percutaneous Cardiovascular Interventions (EAPCI) and Japanese Association of Cardiovascular Interventions and Therapeutics (CVIT) Clinical Practice Survey // EuroIntervention. 2018. Vol. 14, N. 4. P. e475–e484. doi: 10.4244/eijy18m03_01
  34. Dey D., Gaur S., Ovrehus K.A., et al. Integrated prediction of lesion-specific ischaemia from quantitative coronary CT angiography using machine learning: a multicentre study // Eur Radiol. 2018. Vol. 28, N. 6. P. 2655–2664. doi: 10.1007/s00330-017-5223-z
  35. Krittanawong C., Zhang H., Wang Z., et al. Artificial intelligence in precision cardiovascular medicine // J Am Coll Cardiol. 2017. Vol. 69, N. 21. P. 2657–2664. doi: 10.1016/j.jacc.2017.03.571
  36. Веселова Т.Н., Терновой С.К., Чеповский А.М., и др. Оценка фракционного резерва кровотока по данным компьютерной томографии: сравнение расчетных показателей с результатами инвазивных измерений // Кардиология. 2021. Т. 61, № 7. С. 28–35. EDN: WMFYUW doi: 10.18087/cardio.2021.7.n1540
  37. Даренский Д.И., Грамович В.В., Жарова Е.А., и др. Диагностическая ценность измерения моментального резерва кровотока по сравнению с неинвазивными методами выявления ишемии миокарда при оценке функциональной значимости пограничных стенозов коронарных артерий // Терапевтический архив. 2017. Т. 89, № 4. С. 15-21. EDN: YNEVZR doi: 10.17116/terarkh201789415-21
  38. Cho H., Lee J.G., Kang S.J., et al. Angiography-based machine learning for predicting fractional flow reserve in intermediate coronary artery lesions // J Am Heart Assoc. 2019. Vol. 8, N. 4. P. 011685. doi: 10.1161/jaha.118.011685
  39. Kogame N., Ono M., Kawashima H., et al. The impact of coronary physiology on contemporary clinical decision making // JACC Cardiovasc Interv. 2020. Vol. 13, N. 14. P. 1617–1638. doi: 10.1016/j.jcin.2020.04.040
  40. Журавлев К.Н., Васильева Е.Ю., Синицын В.Е., Шпектор А.В. Кальциевый индекс как скрининговый метод диагностики сердечно-сосудистых заболеваний // Российский кардиологический журнал. 2019. Т. 24, № 12. С. 153–161. EDN: RKSFGF doi: 10.15829/1560-4071-2019-12-153-161
  41. Kral B.G., Becker L.C., Vaidya D., et al. Noncalcified coronary plaque volumes in healthy people with a family history of early onset coronary artery disease // Circ Cardiovasc Imaging. 2014. Vol. 7, N. 3. P. 446–453. doi: 10.1161/circimaging.113.000980
  42. Nakanishi R., Slomka P.J., Rios R., et al. Machine learning adds to clinical and CAC assess- ments in predicting 10-year CHD and CVD deaths // JACC Cardiovasc Imaging. 2021. Vol. 14, N. 3. P. 615–625. doi: 10.1016/j.jcmg.2020.08.024
  43. Жукова Н.С., Шахнович Р.М., Меркулова И.Н., и др. Спонтанная диссекция коронарных артерий // Кардиология. 2019. Т. 59, № 9. С. 52–63. EDN: RIDCFO doi: 10.18087/cardio.2019.9.10269
  44. Халиков А.А., Кузнецов К.О., Искужина Л.Р., Халикова Л.В. Судебно-медицинские аспекты внезапной аутопсия-отрицательной сердечной смерти // Судебно-медицинская экспертиза. 2021. Т. 64, № 3. С. 59–63. EDN: FOBSBA doi: 10.17116/sudmed20216403159
  45. Зайнобидинов Ш.Ш., Хелимский Д.А., Баранов А.А., и др. Современные аспекты диагностики и лечения пациентов со спонтанной диссекцией коронарных артерий // Кардиоваскулярная терапия и профилактика. 2022. Т. 21, № 8. С. 106–118. EDN: WVUPET doi: 10.15829/1728-8800-2022-3193
  46. Тайтакова Б.Ю., Сердечная А.Ю., Сукманова И.А. Инфаркт миокарда у пациента после ортотопической трансплантации сердца, причины развития и особенности ведения // Атеросклероз. 2022. Т. 18, № 1. С. 81–86. EDN: WKTCBV doi: 10.52727/2078-256X-2022-18-1-81-86
  47. Воронина Т.С., Раскин В.В., Фролова Ю.В., Дземешкевич С.Л. Болезнь коронарных артерий пересаженного сердца и системный атеросклероз сходства и различия // Атеросклероз и дислипидемии. 2014. № 3(16). С. 16–20. EDN: SISNQV
  48. Галин П.Ю., Губанова Т.Г. Микрососудистая стенокардия как проблема современной кардиологии // Оренбургский медицинский вестник. 2018. Т. VI, № 1(21). С. 4–10. EDN: OJYCSA
  49. Marinescu M.A., Löffler A.I., Ouellette M., et al. Coronary microvascular dysfunction, microvascular angina, and treatment strategies // JACC Cardiovasc Imaging. 2015. Vol. 8, N. 2. P. 210–220. doi: 10.1016/j.jcmg.2014.12.008
  50. Mathew R.C., Bourque J.M., Salerno M., Kramer C.M. Cardiovascular imaging techniques to assess microvascular dysfunction // JACC Cardiovasc Imaging. 2020. Vol. 13, N. 7. P. 1577–1590. doi: 10.1016/j.jcmg.2019.09.006
  51. Ford T.J., Stanley B., Sidik N., et al. 1-year outcomes of angina management guided by invasive coronary function testing (CorMicA) // JACC Cardiovasc Interv. 2020. Vol. 13, N. 1. P. 33–45. doi: 10.1016/j.jcin.2019.11.001
  52. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nat Med. 2019. Vol. 25, N. 1. P. 44–56. doi: 10.1038/s41591-018-0300-7
  53. Shen D., Wu G., Suk H.I. Deep learning in medical image analysis // Annu Rev Biomed Eng. 2017. Vol. 19. P. 221–248. doi: 10.1146/annurev-bioeng-071516-044442
  54. Obermeyer Z., Emanuel E.J. Predicting the future – big data, machine learning, and clinical medicine // N Engl J Med. 2016. Vol. 375, N. 13. P. 1216–1219. doi: 10.1056/NEJMp1606181
  55. Brisimi T.S., Chen R., Mela T., et al. Federated learning of predictive models from federated electronic health records // Int J Med Inform. 2018. Vol. 112. P. 59–67. doi: 10.1016/j.ijmedinf.2018.01.007
  56. Castelvecchi D. Can we open the black box of AI? // Nature. 2016. Vol. 538, N. 7623. P. 20–23. doi: 10.1038/538020a
  57. Simonyan K., Vedaldi A., Zisserman A. Deep inside convolutional networks: visualising image classification models and saliency maps // arXiv. 2013. doi: 10.48550/arXiv.1312.6034
  58. Zhou B., Khosla A., Lapedriza A., et al. Learning deep features for discriminative localization. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, 27-30 June 2016. P. 2921–2929. doi: 10.1109/CVPR.2016.319
  59. Olah C., Mordvintsev A., Schubert L. Feature Visualization // Distill. Nov. 7, 2017. doi: 10.23915/distill.00007
  60. McGovern A., Lagerquist R., John Gagne D., et al. Making the black box more transparent: understanding the physical implications of machine learning // Bull Am Meteor Soc. 2019. Vol. 100, N. 11. P. 2175–2199. doi: 10.1175/BAMS-D-18-0195.1
  61. Wagstaff K.L., Lee J. Interpretable discovery in large image data sets // arXiv. 2018. doi: 10.48550/arXiv.1806.08340

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рисунок. Алгоритм поиска исследований

Скачать (385KB)
Метаданные

© Эко-Вектор, 2024

Ссылка на описание лицензии: https://eco-vector.com/for_authors.php#07
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 71733 от 08.12.2017.


Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах