Інтелектуальна комп’ютерна система аналізу вегетацій та оцінки ризику виникнення емболії в пацієнтів з інфекційним ендокардитом
##plugins.themes.bootstrap3.article.sidebar##
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
##plugins.themes.bootstrap3.article.main##
https://orcid.org/0000-0002-3297-9060
Анотація
Мета роботи – підвищити ефективність виявлення інфекційного ендокардиту (ІЕ) завдяки інтелектуальній комп’ютерній системі діагностики.
Матеріали і методи. Дослідження базувалося на інтелектуальній комп’ютерній обробці ехокардіографічних знімків, отриманих у 20 пацієнтів з ІЕ (15 в навчальній групі і 5 у референтній). Набір даних, використаний для дослідження, містив 668 зображень, отриманих під час 2D трансторакальної і трансстравохідної ехокардіографії в пацієнтів із наявною патологією (вегетацією та абсцесом), і 632 «чисті» кадри без патологічних змін; загалом 1300 фото в парастернальній проєкції за довгою віссю, апікальній 4-камерній проєкції та проєкції за довгою віссю лівого шлуночка. Зображення були вилучені з ехокардіограм у форматі DICOM. Вихідний формат зображення становив 708×1016 пікселів з трьома каналами RGB відповідно, і згодом був перетворений в одноканальне зображення розміром 512×512 пікселів з фіксованою цільовою ділянкою. Зображення були попередньо оброблені з використанням методів обрізання, нормалізації та контрастного посилення. Щоб забезпечити якість сумарної моделі, навчальний, перевірковий та тестовий набори містили зображення різних пацієнтів.
Результати. Результатом роботи була розроблена на основі штучного інтелекту (ШІ) автоматизована система діагностики ІЕ. Запропонована система дає змогу практично миттєво виділити наявні на структурах серця вегетації та визначити їх об’єм, при цьому нівелюючи фактор людської помилки. Таким чином підвищуються точність, надійність і швидкість визначення оцінки ризику виникнення емболії, що надає можливість вдосконалити протокол діагностики ІЕ. Розроблена система була протестована на знімках референтної групи з 5 пацієнтів у кількох різних проєкціях та з різними станами прогресування ІЕ. Система правильно спрогнозувала наявність вегетації на тих знімках, де вона була, та статистично значущо обчислила її об’єм.
Висновки. Використання запропонованої системи на основі ШІ дає змогу підійти до процесу діагностики ІЕ більш індивідуально і неупереджено, поліпшити його якість і тривалість (практично миттєво), що сприяє вдосконаленню сучасного протоколу обстеження і діагностування ІЕ.
##plugins.themes.bootstrap3.article.details##
Ключові слова:
Посилання
Hammond-Haleya M, Hartley A, Al-Khayatt BM, et al. Trends in the incidence and mortality of infective endocarditis in high-income countries between 1990 and 2019. Intern J Cardiol. 2023;371:441-51. https://doi.org/10.1016/j.ijcard.2022.09.061 DOI: https://doi.org/10.1016/j.ijcard.2022.09.061
Delgado V, Marsan NA, de Waha S, et al from ESC Scientific Document Group 2023 ESC Guidelines for the management of endocarditis: Developed by the task force on the management of endocarditis of the European Society of Cardiology (ESC) Endorsed by the European Association for Cardio-Thoracic Surgery (EACTS) and the European Association of Nuclear Medicine (EANM). Eur Heart J. 2023;44:3948-4042. https://doi.org/10.1093/eurheartj/ehad193 DOI: https://doi.org/10.1093/eurheartj/ehad625
Fernandez-Felix BM, Barca LV, Garcia-Esquinas E, et al. Prognostic models for mortality after cardiac surgery in patients with infective endocarditis: a systematic review and aggregation of prediction models. Clin Microbiol and Infection. 2021;27:1422-30. https://doi.org/10.1016/j.cmi.2021.05.051 DOI: https://doi.org/10.1016/j.cmi.2021.05.051
Cuervo G, Escrihuela-Vidal F, Gudiol C, et al. Current Challenges in the Management of Infective Endocarditis. Front. Med. 2021;8:641243. https://doi.org/10.3389/fmed.2021.641243 DOI: https://doi.org/10.3389/fmed.2021.641243
Nappi F, Moon MR, Martuscelli G, et al. Infective Endocarditis in High-Income Countries. Metabolites. 2022;12:682-717. https://doi.org/10.3390/metabo12080682 DOI: https://doi.org/10.3390/metabo12080682
Seung Jun Song, Jung Ho Kim, Nam Su Ku, et al. Vegetation Size, Multiplicity, and Position in Patients With Infective Endocarditis. Ann Thorac Surg. 2022;114:2253-61. https://doi.org/10.1016/j.athoracsur.2021.10.071 DOI: https://doi.org/10.1016/j.athoracsur.2021.10.071
Mihos CG, Nappi F. A narrative review of echocardiography in infective endocarditis of the right heart. Ann Transl Med. 2020;8:1622-33. http://dx.doi.org/10.21037/atm-20-5198 DOI: https://doi.org/10.21037/atm-20-5198
Tischler MD, Vaitkus PT. The ability of vegetation size on echocardiography to predict clinical complications: A meta-analysis. J Am Society Echocardiography. 1997;10(5):562-8. https://doi.org/10.1016/S0894-7317(97)70011-7. DOI: https://doi.org/10.1016/S0894-7317(97)70011-7
Paras ML, Jassar AS. Vegetation Size in Patients with Infective Endocarditis: Does Size Matter? 2022;35(6):576-8. https://doi.org/10.1016/j.echo.2022.02.007 DOI: https://doi.org/10.1016/j.echo.2022.02.007
Luaces M, Vilacosta I, Fernández C, et al. Vegetation size at diagnosis in infective endocarditis: Influencing factors and prognostic implications. Intern J Cardiol. 2009;137(1):76-8. https://doi.org/10.1016/j.ijcard.2008.05.011. DOI: https://doi.org/10.1016/j.ijcard.2008.05.011
Ghaffar Nia N, Kaplanoglu E, Nasab A. Evaluation of artificial intelligence techniques in disease diagnosis and prediction. Discov Artif Intell. 2023;3(1):5. https://doi.org/10.1007/s44163-023-00049-5. DOI: https://doi.org/10.1007/s44163-023-00049-5
Sineglazov V, Kot A. Design of hybrid neural networks of the ensemble structure. Eastern-European J Enterprise Technologies. 2021 Feb;1:31-45. https://doi.org/10.15587/1729-4061.2021.225301. DOI: https://doi.org/10.15587/1729-4061.2021.225301
Zgurovsky M, Sineglazov V, Chumachenko E. Classification and Analysis of Multicriteria Optimization Methods. In: Artificial Intelligence Systems Based on Hybrid Neural Networks. Vol. 904. Studies in Computational Intelligence. Springer, 2021. ISBN: 978-3-030-48452-1. https://doi.org/10.1007/978-3-030-48453-8_2. DOI: https://doi.org/10.1007/978-3-030-48453-8_2
Sineglazov V, Ryazanovskiy K, Chumachenko O. Multicriteria conditional optimization based on genetic algorithms. In: System research and information technologies. Dec. 2020, pp. 89-104. https://doi.org/10.20535/SRIT.2308-8893.2020.3.07. DOI: https://doi.org/10.20535/SRIT.2308-8893.2020.3.07
Muller D, Soto-Rey I, Kramer F. An Analysis on Ensemble Learning Optimized Medical Image Classification With Deep Convolutional Neural Networks. In: IEEE Access. 10 (2022), pp. 66467-80. https://doi.org/10.48550/arXiv.2201.11440. DOI: https://doi.org/10.1109/ACCESS.2022.3182399
Thambawita V, Hicks SA, Halvorsen P. Divergent Nets: Medical Image Segmentation by Network Ensemble. In: EndoCV@ISBI. 2021. https://doi.org/10.48550/arXiv.2107.00283.