Сердечно-сосудистые заболевания являются основной причиной смерти взрослых во всем мире, поэтому диагностика и лечение сердечно-сосудистых заболеваний являются глобальным приоритетом здравоохранения. Эхокардиография, или ультразвуковое исследование сердца, — один из наиболее часто используемых методов визуализации, применяемых врачами для диагностики различных заболеваний и состояний сердца.

Большинство стандартных эхокардиографических исследований предоставляют двухмерные визуальные изображения (2D) трехмерной (3D) анатомии сердца. Эти эхокардиограммы часто содержат сотни двухмерных срезов или изображений бьющегося сердца, что позволяет врачам проводить клиническую оценку функции и структуры сердца.

Для повышения точности диагностики заболеваний сердца исследователи из Калифорнийского университета в Сан-Франциско поставили перед собой задачу определить, можно ли перепроектировать глубокие нейронные сети (DNN), тип алгоритмов искусственного интеллекта, чтобы лучше фиксировать сложную трехмерную анатомию и физиологию на нескольких изображениях одновременно. Они разработали новую структуру — или архитектуру — DNN, позволяющую получать информацию из нескольких изображений одновременно, в отличие от существующего подхода, использующего только одно изображение. Затем они обучили демонстрационные DNN, использующие эту архитектуру, для обнаружения заболеваний трех сердечно-сосудистых состояний: аномалий левого и правого желудочков, диастолической дисфункции и клапанной регургитации.

Заметное повышение точности

В исследовании, опубликованном 17 марта в журнале Nature Cardiovascular Research , исследователи сравнили производительность глубоких нейронных сетей (DNN), анализирующих данные эхокардиограмм из Калифорнийского университета в Сан-Франциско (UCSF) и Монреальского института сердца, как с одного, так и с нескольких ракурсов. Они обнаружили, что DNN, обученные на данных с нескольких ракурсов, повысили точность диагностики по сравнению с DNN, обученными на данных с одного ракурса, продемонстрировав, что модели ИИ, объединяющие информацию из нескольких изображений одновременно, лучше отражают состояние заболевания при этих сердечных заболеваниях.

«До сих пор ИИ в основном использовался для анализа одного двухмерного изображения за раз — либо с изображений, либо с видео — что ограничивает способность алгоритма ИИ получать информацию, имеющую отношение к заболеванию, между различными ракурсами», — сказал старший автор исследования Джеффри Тисон, доктор медицины, магистр общественного здравоохранения, кардиолог и содиректор Центра биосигнальных исследований Калифорнийского университета в Сан-Франциско.

«Архитектуры глубоких нейронных сетей, способные интегрировать информацию из нескольких изображений высокого разрешения, представляют собой значительный шаг на пути к максимизации производительности ИИ в медицинской визуализации. В случае эхокардиографии большинство диагнозов требуют учета информации из нескольких изображений, поскольку информация из любого отдельного изображения рассказывает лишь часть истории».

Почему важны множественные эхо-просмотры

Например, при оценке размера или функции левого желудочка (ЛЖ) эхокардиографическое изображение, показывающее все камеры сердца одновременно ( A4c ), наилучшим образом отображает определенные стенки левого желудочка (нижнеперегородочную и переднебоковую стенки), тогда как другое перпендикулярное эхокардиографическое изображение (A2c) отображает другие важные стенки (переднюю и нижнюю стенки). Часто функция стенок ЛЖ может казаться совершенно нормальной в одном изображении, но демонстрировать значительную дисфункцию в другом.

Результаты исследований, проведенных в рамках задач эхокардиографии, таких как выявление аномалий левого и правого желудочков и диастолической дисфункции, показывают, что многоракурсные глубокие нейронные сети, вероятно, обучаются взаимосвязанной информации между признаками из каждого ракурса для достижения более высокой общей производительности.

«Наша многоракурсная архитектура нейронной сети специально разработана для того, чтобы модель могла изучать сложные взаимосвязи между информацией в нескольких проекциях изображения», — сказал первый автор исследования Джошуа Барриос, доктор философии, доцент отделения кардиологии Калифорнийского университета в Сан-Франциско. «Мы обнаружили, что этот подход улучшает производительность при решении диагностических задач в эхокардиографии, но эта новая архитектура ИИ также может быть применена к другим методам медицинской визуализации, где несколько проекций содержат взаимодополняющую информацию».

Баланс между производительностью и эффективностью

Исследователи также обнаружили, что усреднение прогнозов трех одноракурсных нейронных сетей улучшает производительность по сравнению с одноракурсной нейронной сетью, при этом являясь менее ресурсоемкой с точки зрения вычислений, что обеспечивает жизнеспособную альтернативу обучению многоракурсной нейронной сети. Однако, по сравнению с ними, многоракурсная нейронная сеть показала наилучшие результаты. Они предполагают, что в будущих исследованиях следует изучить, как многоракурсные архитектуры нейронных сетей могут помочь в решении других медицинских задач или в методах визуализации.