ИИ-модель на основе графовых нейронных сетей локализует и оценивает поражения ткани предсердий по записям с поверхности тела
ИИ-модель на основе графовых нейронных сетей локализует и оценивает поражения ткани предсердий по записям с поверхности тела
Исследователи группы COR Института информационных и коммуникационных технологий (ITACA) Политехнического университета Валенсии (UPV) представили модель искусственного интеллекта, которая может локализовать и количественно оценивать аномалии ткани, связанные с предсердной кардиомиопатией, по электрическим записям, снятым с поверхности тела.
Система, основанная на графовых нейронных сетях (Graph Neural Networks, GNNs), показала высокие результаты: 89% точности при локализации поражённых участков и 84% — при определении степени повреждения предсердной ткани. При этом модель сохранила работоспособность при анализе анатомий, которые не использовались в процессе её обучения.
Следующий шаг: проверка на пациентах
Работа пока остаётся доказательством концепции: модель разрабатывали и тестировали на смоделированных данных, поэтому её результаты не означают немедленного клинического применения. Как отмечают авторы, «прежде чем этот подход можно будет перенести в приложения по планированию лечения, необходима проспективная проверка с использованием клинических записей». Если клинические исследования подтвердят результаты, технология может стать инструментом для неинвазивной характеристики предсердной ткани и дать дополнительную информацию для изучения и лечения состояний, связанных с предсердной кардиомиопатией.
«Основной вывод исследования заключается в том, что сочетание электрических карт поверхности тела, пространственно‑временного анализа и графических нейронных сетей демонстрирует большой потенциал для неинвазивной характеристики предсердной кардиомиопатии», — отмечают авторы.
Мария Макарулла, ведущий автор исследования.
Новый подход к изучению ткани предсердий
Предсердная кардиомиопатия сопровождается электрическими и структурными изменениями в ткани предсердий, в том числе фиброзом, которые связаны с возникновением и прогрессированием фибрилляции предсердий — одной из самых распространённых аритмий. Как поясняет Мария С. Гиллем, директор ITACA и участник исследования, «знание того, где расположена изменённая ткань и насколько она обширна, может помочь лучше понять болезнь и, возможно, спланировать лечение, такое как абляция».
В настоящее время выявление и характеристика таких аномалий возможны с помощью инвазивного внутрисердечного электроанатомического картирования или отдельных методов магнитно‑резонансной томографии. В предлагаемом подходе используются карты потенциалов поверхности тела (BSPM), полученные с помощью электродов, расположенных по корпусу, — они фиксируют распространение электрической активности сердца. Затем искусственный интеллект анализирует пространственное распределение этих сигналов и их изменение во времени, чтобы выявить «паттерны, связанные с расположением и протяжённостью поражённой ткани», поясняют авторы.
Точность локализации 89 процентов
Для разработки и оценки модели команда сгенерировала 14 400 смоделированных карт потенциалов поверхности тела, отражающих разнообразные анатомии предсердий и туловища, а также различные степени и локализации предсердной кардиомиопатии. «В базовой конфигурации со 128 электродами модель достигла точности 89% в локализации поражённой ткани со средними значениями чувствительности 89% и специфичности 90%», — подчёркивает Мария Макарулла.
Одним из ключевых результатов стало то, что модель сохранила хорошую производительность при обработке анатомий, отличных от тех, на которых она училась — важный аспект для применения у пациентов с разной анатомией. Авторы также отмечают, что модель показала общую точность 84% при оценке степени поражения ткани и продемонстрировала относительную устойчивость к снижению качества сигнала, что указывает на частичную робастность к шуму.
Результаты подчёркивают значение анатомического разнообразия в обучающих данных: включение более широкого набора моделей предсердий и туловища улучшало классификационные способности системы.
