Медицина ИИ

Цель. Разработать и валидировать программную систему поддержки принятия врачебных решений на базе искусственного интеллекта (ИИ) для синхронизации фаз сердечного цикла без использования аппаратного ЭКГ-триггера и автоматической детекции нарушений локальной сократимости при стресс-эхокардиографии (Стресс-ЭхоКГ).

Материалы и методы. В исследование включены деперсонализированные эхокардиографические видеопетли. Сформирован мульти-вендорный обучающий набор данных (более 3000 пар видеопетель «покой–нагрузка»). Верификация данных проводилась врачами функциональной диагностики с применением методики взвешенного консенсуса. Разработан гибридный алгоритм (Two-Pass Self-Calibration), исключающий необходимость аппаратной ЭКГ-синхронизации, использующий 3D-сверточные нейронные сети (архитектура R3D-18) для пространственно-временной классификации стандартных сечений и модель семантической сегментации (DeepLabV3) для выделения границ левого желудочка. Для объективизации оценки зон гипокинеза и акинеза применялся анализ плотного оптического потока (Dense Optical Flow).

Результаты. Разработанная модель автоматического распознавания стандартных эхокардиографических позиций (PLAX, SAX-PM, 4CH, 2CH, APLAX) непосредственно в видеопотоке продемонстрировала точность классификации >90%. Применение предложенного алгоритма позволило успешно синхронизировать фазы сердечного цикла (систолу и диастолу) исключительно на основе анализа кинетики стенок миокарда, без использования аппаратного ЭКГ-триггера. Оценка движения миокарда на основе оптического потока с формированием тепловых карт (heatmaps) показала высокую степень совпадения с экспертным визуальным анализом врачей с опытом проведения более 10 000 исследований.

Заключение. Внедрение гибридных методов компьютерного зрения позволяет проводить экспертную Стресс-ЭхоКГ на ультразвуковых сканерах любого класса без необходимости их аппаратной модернизации специализированными программно-аппаратными модулями и блоками регистрации ЭКГ. Предложенная технология ИИ-синхронизации и детекции ишемии снижает операторозависимость метода, оптимизирует время проведения исследования и минимизирует риски диагностических ошибок при выявлении ишемической болезни сердца.

Источник финансирования: нет.