Применение радиомического анализа и алгоритмов машинного обучения для выявления постинфарктного кардиосклероза у пациентов с ишемической кардиомиопатией по данным магнитно-резонансной томографии сердца без контрастирования

Ишемическая кардиомиопатия (ИКМП), являясь формой ишемической болезни сердца, характеризуется выраженной систолической дисфункцией миокарда и проявляется тяжелой сердечной недостаточностью, определяя значительный вклад в структуру общей заболеваемости и смертности в развитых странах. На сегодняшний день совершенствование методов лечения острого инфаркта миокарда (ИМ) приводит к повышению выживаемости пациентов, что неизбежно сопровождается ростом частоты выявления дисфункции левого желудочка, а также увеличением распространенности ИКМП [1]. Для определения оптимальной тактики лечения пациентов с ИКМП принципиально важной является комплексная оценка наличия, локализации и объема жизнеспособного миокарда. Существуют разные методы неинвазивной визуализации и диагностики жизнеспособного и нежизнеспособного миокарда у пациентов с ИКМП. Наиболее распространенные — эхокардиография, магнитно-резонансная томография (МРТ), позитронно-эмиссионная и однофотонная эмиссионная компьютерная томография. Основные принципы, лежащие в основе применения этих методов, включают оценку сократимости, метаболических/перфузионных дефектов и степени рубцевания ткани. МРТ сердца считается наиболее надежным методом оценки жизнеспособного миокарда, представляя комплексные данные о структурных и морфофункциональных характеристиках миокарда. Применение парамагнитного контрастного усиления и стресс-тестов позволяет количественно оценивать жизнеспособность миокарда и объем рубцовых изменений [2]. Определение объема нежизнеспособной ткани миокарда представляет собой значимый фактор при планировании лечебной тактики и хирургического лечения, в т.ч. аортокоронарного шунтирования [3]. Традиционные методы визуализации, несмотря на их ценность, часто не позволяют учесть гетерогенность структурных и функциональных патологических изменений при ИКМП. Эти ограничения обусловливают необходимость применения современных аналитических методов и поиск новых технологий, таких как радиомический анализ и искусственный интеллект [4]. Одной из актуальных тенденций использования радиомического анализа является возможность использования нативных изображений для постановки диагноза в случаях, когда традиционно требуется внутривенное введение контраста. Известно, что использование гадолиний-содержащих препаратов у пациентов с почечной недостаточностью может привести к нефрогенному системному фиброзу, что является важной проблемой в клинической практике из-за частоты коморбидности заболеваний почек и сердца у пациентов кардиологического профиля [5]. Радиомический анализ позволяет извлекать количественные характеристики из медицинских изображений, выявляя сложные паттерны и субвизуальные изменения, неразличимые невооруженным человеческим глазом. При этом методы искусственного интеллекта, в частности глубокое обучение, обеспечивают анализ этих признаков для генерации новых знаний, определения инновационных визуализационных биомаркеров заболеваний, поддержки принятия клинических решений, прогнозирования исходов. Комбинация радиомического анализа и машинного обучения открывает перспективы для существенного улучшения диагностических и прогностических возможностей кардиоваскулярной визуализации, способствуя развитию персонализированного подхода в лечении пациентов. Недавние исследования подтверждают потенциал радиомики и машинного обучения в оценке локализации и распространенности рубцовой ткани миокарда [6][7], дифференциальной диагностики дилатационной и ИКМП [8], а также характеристике различных типов кардиомиопатий [9][10]. При этом исследования по радиомическому анализу бесконтрастных МРТ изображений сердца в кинорежиме для оценки жизнеспособного миокарда немногочисленны, в России не представлены.

Таким образом, целью данного исследования является изучение и сравнение информативности моделей машинного обучения, основанных на радиомических показателях бесконтрастных изображений МРТ сердца в кинорежиме, для дифференцировки участков постинфарктного кардиосклероза (ПИКС) и интактного миокарда у пациентов с ИКМП.

Материал и методы

Пациенты и дизайн исследования. В данное наблюдательное когортное ретроспективное одноцентровое исследование были включены пациенты обоего пола в возрасте от 52 до 65 лет с установленным диагнозом ИКМП. У всех пациентов были показания для хирургического лечения ИКМП. Критерии невключения: пороки различного генеза, повторные острые ИМ. Критерий исключения: сниженное качество изображений кино-МРТ. На предоперационном этапе всем пациентам выполняли МРТ сердца с контрастированием. Радиомический анализ применялся к бесконтрастным изображениям МРТ в кинорежиме. Для определения различий в радиомических характеристиках интактного миокарда и областей ПИКС на киноизображениях формировали зоны интереса, размер и локализация которых соответствовала областям ПИКС и интактного миокарда по данным МРТ изображений с отсроченным контрастированием. Дизайн исследования представлен на рисунке 1. Исследование выполнено в соответствии со стандартами надлежащей клинической практики (Good Clinical Practice) и принципами Хельсинкской Декларации. Все пациенты, включенные в исследование, подписывали информированное согласие на участие в данном исследовании. Работа одобрена локальным Комитетом по биомедицинской этике № 277 от 26 февраля 2025г. МРТ исследования были выполнены на базе Центра коллективного пользования научно-исследовательского оборудования "Медицинская геномика" Томского НИМЦ.

МРТ сердца с контрастированием. Всем участникам исследования было выполнено МРТ-сердца с контрастированием по стандартному протоколу с использованием 1,5 Тл томографа Vantage Titan (Toshiba). Исследование проводилось с ЭКГ-синхронизацией, синхронизацией по дыханию, получением изображений по короткой и длинной осям сердца до и после контрастирования (гадобутрол (Гадовист/Гадобускан)). Технические параметры: толщина срезов: 7-8 мм, матрица изображений: 256×256, время инверсии (TI), в среднем 300±10 мс. Постпроцессорная обработка проводилась на рабочей станции AdvantageWorkstations (GE Healthcare, США) c применением специализированного программного обеспечения CVI42 (Circle Cardiovascular Imaging Inc., Канада).

Радиомический анализ. Текстурный анализ выполнялся на основе бесконтрастных изображений МРТ сердца в кинорежиме в конце диастолы. Все изображения были сегментированы с использованием программного обеспечения 3D slicer (version 5.2.2), радиомические признаки извлекались автоматически с помощью расширения SlicerRadiomics (version aa418a5). Последовательно выполнялись следующие действия: ручное очерчивание области интереса на МРТ срезах по короткой оси (в режиме SSFP), соответствующих областям ПИКС на постконтрастных МРТ изображениях (ROI) → извлечение текстурных характеристик с использованием библиотеки Pyradiomics. Для каждой зоны интереса получено по 107 радиомических характеристик. В дальнейшем проводили сравнение радиомических характеристик участков интактного миокарда с участками ПИКС на основе бесконтрастных киноизображений.

Статистическая обработка. Статистическая обработка данных и построение моделей машинного обучения проводилось на языке программирования Python (v. 3.13.2). С использованием специализированных функций выявлялись коллинеарные признаки, признаки с нулевой, низкой важностью, признаки с единственным значением. Для выявления значимых признаков, различающихся между группами ПИКС и интактной стенки, использовался U-критерий Манна-Уитни. Применялись следующие алгоритмы машинного обучения: алгоритм случайного леса (RandomForest), алгоритм на основе логистической регрессии (Logistic Regression), алгоритмы градиентного бустинга (XGBoost, CatBoost). Отбор признаков осуществлялся с помощью Lasso-регуляризации. Для повышения надежности моделей использовалась кросс-валидация методом k-fold с 5 группами. Для сравнительного анализа моделей использовались общепринятые метрики машинного обучения: точность (precision) — соответствует положительной предсказательной ценности, полнота (recall) — соответствует чувствительности, общая точность (accuracy), F1-мера и площадь под ROC-кривой (AUC-ROC). Такой набор метрик позволяет комплексно оценить эффективность моделей, учитывая точность классификации.

Результаты

Всего в исследование было отобрано 88 пациентов (59,9±7,8 лет), которым выполнялось хирургическое лечение по поводу ИКМП, их клиническая характеристика представлена в таблице 1. В выборке преобладали пациенты мужского пола, большинство пациентов имели II и III функциональный класс сердечной недостаточности и стенокардии.

Предварительная обработка данных

Текстурному анализу было подвергнуто 176 участков изображений МРТ сердца в кинорежиме, для каждого из которых определялись по 107 текстурных характеристик. На этапе предобработки данных были удалены столбцы, в которых доля пропущенных значений была >0,75. В остальных случаях пропущенные значения были заменены средним значением по признаку. Выявлены и исключены из анализа 36 коллинеарных признаков с величиной коллинеарности >0,98. Удалены признаки с нулевой важностью, т.к. в дальнейшем моделировании такие параметры не используются и не влияют на производительность модели. Кроме этого, оценена кумулятивная важность признаков, получено, что 78 признаков вносят свой вклад в общий вариационный ряд, при пороговом значении 99%. В результате выявления признаков с низкой важностью, получено, что 71 радиомический признак необходим для суммарной важности 0,98. Признаков с нулевым значением выявлено не было. В результате применения Lasso-регуляризации были отобраны следующие признаки: 3 признака формы; 2 признака первого порядка, 5 текстурных признаков (табл. 2). Отобранные признаки оказались наиболее информативными и использовались в дальнейшем анализе.

Установлено, что модель логистической регрессии показала наивысшее среднее значение AUC (0,8341) и высокие метрики качества: доля правильных ответов алгоритма (Accuracy =0,8227), точность (Precision =0,9259), полнота (Recall =0,6854) и F1-score =0,7828, что указывает на стабильную производительность и высокую прогностическую способность. Также высокие результаты показал алгоритм CatBoost (AUC=0,8), применение отбора признаков улучшило диагностическую точность и производительность всех моделей, особенно CatBoost, который достиг AUC=0,8331. Алгоритм случайного леса (Random Forest) демонстрирует самое низкое среднее значение площади под кривой без отбора и с отбором признаков, соответственно, AUC=0,7601 и 0,7925. Сводные результаты нашего исследования представлены в таблице 3. ROC-кривые для лучших моделей представлены на рисунке 2. На рисунке 3 представлены ROC-кривые для всех моделей машинного обучения, используемых в исследовании.

Обсуждение

В данной работе мы изучили и сравнили информативность моделей машинного обучения, основанных на радиомических показателях бесконтрастных МРТ изображений сердца в кинорежиме для дифференцировки участков ПИКС и интактного миокарда у пациентов с ИКМП. Из 107 радиомических характеристик нами был отобран оптимальный набор признаков, обладающий максимальной значимостью для решения поставленной задачи (3 признака формы, 2 признака первого порядка и 5 текстурных признаков), что позволило повысить эффективность обучения моделей машинного обучения, минимизировать риск переобучения. Применение метода Lasso позволило сократить размерность данных, исключив нерелевантные и избыточные параметры. Наряду с моделью логистической регрессии (AUC=0,83), алгоритм градиентного бустинга CatBoost показал высокую производительность (AUC=0,8), при этом применение отбора признаков способствовало улучшению всех используемых в исследовании моделей с наивысшими результатами в CatBoost (AUC=0,83). Алгоритм случайного леса (Random Forest) показал менее надежные результаты по сравнению с другими моделями и может рассматриваться как дополнительный метод при необходимости интерпретации признаков. Для оценки комплексной диагностической точности модель логистической регрессии демонстрирует наивысший показатель AUC и F1-score, сочетая высокую специфичность (Sp=0,95) и среднюю чувствительность (Se=0,6842). В зависимости от цели применения моделей машинного обучения, целесообразно выбирать оптимальную: так, для подтверждения диагноза, где важна высокая специфичность, подходят модели логистической регрессии, модель XGBoost с отбором признаков и CatBoost (Sp=0,95); для скрининга, где важна высокая чувствительность — модель XGBoost (Se=0,89). Насколько нам известно, это первая работа, где на клиническом материале, основанном на пациентах с ИКМП, была продемонстрирована информативность радиомических показателей для идентификации постинфарктных изменений миокарда. Полученные нами результаты демонстрируют значительные перспективы применения радиомики и машинного обучения в выявлении рубцовых изменений миокарда без введения контрастного вещества, что особенно важно у пациентов с почечной недостаточностью высоких стадий (>3b) или в случаях, когда пациент не может долго находиться в МР-томографе.

На сегодняшний день, целый ряд исследователей занимается изучением диагностического потенциала радиомики бесконтрастных изображений МРТ сердца в кинорежиме [11]. Так, в исследовании Avard E, et al. одномерный анализ с использованием единственного радиомического признака (Maximum 2D diameter (Slice) — признак формы) показал самую высокую информативность (AUC=0,88) в определении ИМ. Полученный в данном исследовании результат соотносится с данными нашего исследования — из 10 признаков, отобранных для машинного обучения, 3 относятся к признакам формы, включая Maximum 2D diameter (Column) и Maximum 2D diameter (Row). Также в исследовании Avard E, et al. был предложен подход многомерного анализа, в котором логистическая регрессия (AUC=0,93) и метод опорных векторов (AUC=0,92) продемонстрировали высокую диагностическую информативность как лучшие модели машинного обучения для радиомического анализа [4]. Аналогично с помощью метода опорных векторов Larroza A, et al. в своем исследовании продемонстрировали потенциальные возможности радиомического анализа бесконтрастных изображений МРТ сердца в кинорежиме в выявлении жизнеспособных и нежизнеспособных участков миокарда у пациентов с ИМ, достигнув высокой AUC=0,849 и чувствительности 92% [12]. В отличие от этих подходов, Zhang Q, et al. предложили новый метод виртуального контрастирования, комбинирующий изображения в кинорежиме и нативные изображения T1-картирования. Разработанная авторами модель глубокого обучения позволила получить изображения, сопоставимые с изображениями с отсроченным контрастированием по количественной оценке и трансмуральности рубцовых изменений миокарда левого желудочка с высокой точностью (84%), чувствительностью (77%) и специфичностью (100%) [13]. В другом исследовании, также без применения радиомики, группой авторов была предложена модель машинного обучения для дифференциальной диагностики ишемической и неишемической кардиомиопатии по данным бесконтрастной МРТ сердца в кинорежиме. Предложенная авторами модель, интегрирующая деформацию предсердий и желудочков, функциональные и клинические параметры, достигла диагностической точности (AUC=0,82) с чувствительностью 0,72 и специфичностью 0,68 [14].

В данном исследовании был выявлен набор из десяти наиболее информативных радиомических признаков, включающий: признаки формы, отражающие асимметрию и патологические изменения размеров пораженных областей; признаки первого порядка, характеризующие разброс и распределение интенсивностей пикселей; текстурные признаки, количественно оценивающие корреляцию значений соседних пикселей и однородность выделенной области. Выбранные параметры демонстрируют высокую дискриминативную способность в выявлении различий между интактной стенкой и участками ПИКС, отображая неоднородность и гетерогенность миокарда на бесконтрастных изображениях в кинорежиме, где визуально это может быть незаметно.

Несмотря на растущий интерес к радиомике, количество работ, посвященных анализу бесконтрастных изображений МРТ сердца в кинорежиме для дифференцировки жизнеспособного и рубцового миокарда у пациентов с ИКМП, остается ограниченным в международной практике и отсутствует в отечественных исследованиях. Настоящая работа восполняет этот пробел, предлагая не только оптимальный набор радиомических маркеров, но и оценивая эффективность различных алгоритмов машинного обучения для решения данной задачи.

Ограничения исследования. Настоящее исследование имеет несколько ограничений, которые необходимо учитывать при интерпретации результатов. Во-первых, ретроспективный дизайн и небольшой объем выборки могут влиять на обобщаемость выводов. Кроме того, все исследования выполнялись на одном аппарате (1,5 Тл) в рамках единого центра, что не исключает влияния технических особенностей на полученные данные и ограничивает возможность экстраполяции результатов исследования. Ручная сегментация миокарда может быть основой существенной меж- и внутриоператорской вариабельности, которую мы не оценивали в данной работе. Для подтверждения клинической значимости предложенной радиомической модели необходимы проспективные исследования. Тем не менее работа демонстрирует статистически значимые различия радиомических характеристик между интактным миокардом и зонами ПИКС при анализе бесконтрастных изображений в кинорежиме.

Заключение

Результаты данной работы показывают, что радиомический анализ изображений МРТ сердца в кинорежиме обеспечивает точную дифференцировку участков ПИКС и интактной ткани у пациентов с ИКМП, что открывает перспективы его использования в качестве альтернативы традиционным методам отсроченного контрастирования у данных пациентов. Получено, что логистическая регрессия обладает наивысшей производительностью и диагностической точностью в дифференцировке рубцовых изменений миокарда левого желудочка и жизнеспособной стенки. Применение моделей машинного обучения, созданных на основе радиомического анализа бесконтрастных изображений, обладает рядом преимуществ, за счет снижения затрат, времени сканирования и, как результат, повышения доступности и расширения клинической применимости МРТ сердца.