Оценка информативности признаков планарности петли QRS и интервала ST-T И применение глубокого обучения в анализе электрокардиографии при амилоидной кардиомиопатии

Амилоидная кардиомиопатия (АКМП) относится к группе инфильтративных заболеваний миокарда, протекает с проявлениями гипертрофической и рестриктивной кардиомиопатии. Амилоидоз вызывается внеклеточным отложением неправильно свернутых и нерастворимых белковых фибрилл в различных тканях и органах [1], что нарушает архитектуру тканей и приводит к дисфункции органов. При АКМП отложение амилоидных фибрилл происходит в межклеточном пространстве миокарда, приводя к развитию "псевдогипертрофии" и нарушению диастолической, а по мере прогрессирования заболевания и систолической, функции миокарда всех камер сердца. АКМП в подавляющем большинстве случаев проявляется в двух основных типах: транстиретиновом (АТТR) и амилоидозе легких цепей иммуноглобулинов (AL) [2]. Транстиреиновый амилоидоз, в свою очередь, может быть представлен двумя подтипами: генетически обусловленный (ATTRv) тип, который возникает по причине наличия вариантов в гене, кодирующем белок транстиретин (TTR), или негенетический (ATTRwt), возникающий у пациентов старшей возрастной группы (старше 65 лет).

Ранее считалось, что распространенность транстиретинового и амилоидоза легких цепей иммуноглобулинов составляет 1/2000, поэтому оба этих состояния трактуются как редкие или орфанные. По данным клиники Mayo уровень заболеваемости с 1990г по 2015г оставался на стабильном уровне 1,2 на 100 тыс. человеко-лет [3]. Тем не менее за последние годы с появлением высокоинформативных инструментальных и лабораторных методов диагностики, распространенность различных форм АКМП значительно выросла, причем рост этого числа происходит за счет выявления ATTRwt. Так, по данным Zampieri M, et al., 2021г на долю ATTRwt приходилось 60-70% случаев от всех пациентов с АКМП, особенно среди пациентов старшей возрастной группы [4]. Вместе с тем остро стоит вопрос ранней диагностики АКМП. К сожалению, заболевание выявляется на поздних стадиях, а задержка в постановке диагноза в среднем составляет 2 года [5], что недопустимо при таком быстро прогрессирующем заболевании. Такие факты, как низкая настороженность врачей относительно АКМП, существование множества масок и клинических проявлений амилоидоза, а также отсутствие доступности высокотехнологичных методов — спекл-трекинг технология эхокардиографии (ЭхоКГ), магнитно-резонансная томография сердца с контрастным усилением, иммунохимические/иммуногистохимические исследования, сцинтиграфия миокарда, в подавляющем большинстве медицинских организаций являются объективными причинами поздней постановки диагноза.

Для своевременной диагностики АКМП целесообразно разработать алгоритм скрининга пациентов на этапе первичного звена оказания медицинской помощи. При выявлении подозрения на АКМП такой алгоритм позволит своевременно маршрутизировать пациентов в медицинские организации более высокого уровня с целью подтверждения диагноза АКМП с дальнейшим типированием белка-предшественника и назначением специфической терапии.

Электрокардиография (ЭКГ) — это повсеместно используемый доступный метод диагностики, выполняемый при разных обращениях за медицинской помощью. Известные изменения ЭКГ, характерные для АКМП, могут развиваться на поздних стадиях заболевания и являться неспецифическими именно для АКМП, поэтому основанный на них скрининг оказывается неэффективным. К признакам АКМП относятся: низкий вольтаж комплексов QRS, "псевдоинфарктный" паттерн, различные нарушения ритма и проводимости [6-8].

Внедрение и распространение цифровой регистрации и обработки ЭКГ позволяет в автоматическом режиме применять новые подходы к анализу ЭКГ, в т.ч. с использованием искусственного интеллекта (ИИ). В последние годы развиваются два параллельных подхода к автоматизированному анализу ЭКГ: применение глубокого обучения [9][10], позволяющего работать с "сырыми" сигналами, и использование вычислительной векторэлектрокардиографии (ВЭКГ) для поиска новых биофизических маркеров, таких как нарушение планарности (плоскостности) петель сердца.

Интерпретация кардиологом ЭКГ покоя в 12 общепринятых отведениях у пациентов с подозрением на АКМП осуществляется в рамках традиционных представлений и в соответствии с клинической картиной заболевания и результатами ЭхоКГ. Незначительные изменения на ЭКГ, а особенно у коморбидных пациентов, могут привести к неправильному суждению об отсутствии АКМП и несвоевременной диагностике. По-видимому, в ЭКГ содержатся и более тонкие признаки и закономерности, которые могут превосходить возможности традиционного восприятия человеком, что и может быть использовано в создании скрининговых моделей, основанных на технологиях ИИ.

Прямое сравнение диагностических моделей ИИ, разработанных различными исследователями в разных популяциях, представляет собой сложную задачу. Проблема усугубляется непоследовательностью представления результатов; например, одни указывают площадь под кривой рабочей характеристики алгоритма (ROC) (AUC), в то время как другие предоставляют F1-меру (гармоническое среднее точности/положительной прогностической ценности и полноты/чувствительности). Такие показатели, как F1-мера, чувствительность, специфичность, точность и положительная/отрицательная прогностическая ценность, зависят от выбранного порогового значения для выходных данных модели, используемого для классификации положительных и отрицательных результатов. Более того, за исключением чувствительности и специфичности, такие показатели, как F1-мера, точность и положительная/отрицательная прогностическая ценность, также варьируются в зависимости от распределения целевой метки в изучаемой популяции. Эти характеристики следует учитывать при сравнении различных алгоритмов машинного обучения.

Таким образом, актуальность проблемы не вызывает сомнений, что привело к проведению исследования, целью которого стала разработка и сравнение алгоритмов диагностики АКМП на основе сверточной нейронной сети (convolutional neural network, CNN) и признаков планарности ВЭКГ, а также с помощью методов интерпретируемого ИИ, определение наиболее значимых морфологических элементов ЭКГ.

Сложность разработки методов диагностики АКМП, основанных на CNN, связана с небольшим числом пациентов, данные которых доступны для обучения модели.

Материал и методы

Для формирования алгоритма скрининга пациентов с АКМП на основании анализа цифровой ЭКГ использованы 2772 ЭКГ пациентов с различными сердечно-сосудистыми заболеваниями (ССЗ) (гипертрофическая кардиомиопатия, аортальный стеноз, гипертоническое сердце, постинфарктный кардиосклероз, фибрилляция предсердий). Характеристика пациентов, включенных в исследование, подробно представлена в таблице 1.

Среди пациентов с достоверным отсутствием АКМП у 1176 пациентов имелись признаки гипертрофии миокарда левого желудочка (ГЛЖ). У 157 пациентов диагностирована гипертрофическая кардиомиопатия, у 519 пациентов утолщение стенок сердца обусловлено аортальным стенозом, еще у 500 пациентов гипертрофия развилась на фоне длительно существующей артериальной гипертензии и гипертонического сердца.

Всем пациентам была выполнена ЭКГ покоя в 12 общепринятых отведениях. Каждая ЭКГ регистрировалась непрерывно и синхронно в течение 10 с, с частотой дискретизации 500 Гц, в полосе пропускания 0,05-150 Гц, диапазон сигнала -7,4-7,4 мВ по каждому отведению, разрядность аналого-цифрового преобразователя 16 бит. Для дальнейшей обработки использованы независимые отведения: I, II, V1-V6. Для анализа считались пригодными только те ЭКГ, на которых отсутствовали помехи, осложняющие автоматический или врачебный анализ. ЭКГ пациентов с имплантированными кардиостимуляторами в анализ не включались.

Дальнейший анализ выполнен при помощи программ машинного обучения. Для разработки нейросетевой модели для выявления признаков, характерных для амилоидоза сердца, при помощи специально созданной для этой цели программы оценки векторкардиографических параметров петель, построенных из цифровой ЭКГ в 12 отведениях анализировалась имеющаяся база данных, состоящая из 99 пациентов с верифицированным диагнозом АКМП различными белками-предшественниками и 2673 пациентов со схожими ЭКГ-признаками и установленными ранее другими заболеваниями сердечно-сосудистой системы. Для обучения моделей данные были разделены на обучающую (80%) и тестовую (20%) выборки.

Проблема дисбаланса классов решалась методом undersampling (отбор всех позитивных примеров и 200 случайных негативных) с последующей аугментацией данных (добавление шума, сдвиг, масштабирование).

На этапе предобработки данных исходные ЭКГ сигналы подвергались предварительной обработке, включающей полосовую фильтрацию для устранения дрейфа изолинии и высокочастотных шумов, а также процедуру усреднения кардиоциклов для формирования репрезентативного P-QRS-T комплекса.

Метод 1: Глубокое обучение

Использована одномерная свёрточная сеть (1D ResNet), состоящая из блока извлечения признаков и четырёх остаточных блоков для обработки временных рядов длиной 5000 отсчётов.

Для интерпретации ("открытия чёрного ящика") применён метод Grad-CAM [8], анализирующий градиенты на последнем свёрточном слое для построения карт важности (heatmaps) различных участков ЭКГ (P, Q, R, S, T).

Метод 2: Анализ планарности ВЭКГ

При использовании данного подхода производилось вычислительное получение ортогональных отведений (X, Y, Z) системы Франка с использованием коэффициентов матрицы Корса, что позволяет перейти от скалярного представления сигнала к анализу пространственных петель электрической активности сердца.

Выделение признаков. В основе предлагаемого подхода лежит рассмотрение отклонения пространственных петель комплекса QRS и сегмента ST-T от условной плоскости как интегральной характеристики пространственной неоднородности процессов деполяризации и реполяризации миокарда.

Для количественной оценки данного феномена производилась аппроксимация фрагментов петель плоскостью с использованием метода наименьших квадратов. В качестве меры отклонения от планарной структуры рассчитывался коэффициент детерминации (R2).

Сформированный вектор признаков включал как глобальные, так и локальные показатели плоскостности для сегментов QRS и ST. Низкие значения R2 свидетельствовали о выраженной "скрученности" петли, характерной для патологического распространения возбуждения.

Классификация. Для разделения классов на основе полученных признаков планарности использовались два алгоритма машинного обучения:

1. Метод опорных векторов (SVM) с радиально-базисным ядром (RBF), позволяющий строить нелинейные разделяющие поверхности.
2. Случайный лес (Random Forest) — ансамблевый метод, устойчивый к переобучению и позволяющий оценить важность признаков.

Результаты

Эффективность классификации

Результаты тестирования трех алгоритмов классификации на отложенной выборке представлены в таблице 2.

Модель глубокого обучения 1D ResNet продемонстрировала стабильные сбалансированные показатели: все ключевые метрики (чувствительность, специфичность, F1-мера) составили 75%. Это указывает на устойчивость нейросети, но демонстрирует отсутствие преимущества в выявлении патологии по сравнению с классическими методами в данном эксперименте.

Среди алгоритмов, использующих признаки планарности ВЭКГ, метод опорных векторов (SVM) показал наименьшую чувствительность (70%) и F1-меру (72%), несмотря на достойный уровень специфичности (81%).

Наилучшую комплексную диагностическую эффективность продемонстрировал алгоритм Random Forest. Данная модель превзошла остальные подходы по большинству показателей: прогностическая ценность положительного результата (Precision) достигла 79%, а F1-мера — 77%. Особенно важно отметить высокую специфичность (85%) метода Random Forest, которая сочетается с чувствительностью (75%), аналогичной нейросетевой модели. Таким образом, анализ признаков планарности с применением ансамблевых методов машинного обучения позволил снизить число ложноположительных срабатываний при сохранении уровня детекции заболевания.

Интерпретация и поиск паттернов

Анализ важности признаков выявил высокую согласованность обоих методов. По данным Grad-CAM (табл. 3): при идентификации амилоидоза (Класс 1) нейросеть практически полностью игнорировала комплексы P и QRS, опираясь на зубец T. Вклад T в решение составил 93,75%, тогда как для здоровых пациентов (Класс 0) внимание сети распределялось между P, QRS, Q.

По данным планарности: для амилоидоза наиболее значимыми признаками также оказались параметры плоскостности сегментов, соответствующих зубцу T (вклад 57% от общей важности).

Обсуждение

Неспецифические симптомы и другие диагностические сложности приводят к несвоевременной и неполной диагностике АКМП. Внедрение ИИ могло бы решить проблему скрининга пациентов. В общем виде задача состоит в создании средства автоматической обработки ЭКГ, применяемого еще до ее врачебной интерпретации, которое бы формировало оценку наличия или отсутствия подозрения на АКМП.

Работы, которые призваны решить эту задачу, ведутся во всем мире. За основу для создания такого средства выбираются как ЭКГ, так и данные ЭхоКГ. На сегодня опубликовано немало работ, посвященных этому вопросу, обзор которых приведен [11]. Размеры выборки в них колеблются от 50 до 2451 пациентов. В четырех работах использовались только данные ЭКГ, в восьми — ЭхоКГ и одно — исследование и ЭКГ, и ЭхоКГ [11]. Сложность в создании больших выборок пациентов заключается в том, что несмотря на рост выявляемости, АКМП является редким заболеванием. Это определяет и то объективное ограничение, что только в четырех исследованиях проводилась внешняя валидация [11].

Использовались различные алгоритмы машинного обучения. Чувствительность и специфичность моделей были на разных уровнях: чувствительность — от 64% до 89%, а специфичность — от 85% до 99% [12-15].

Сложности сопоставления полученных нами данных с результатами других исследований обусловлены как различием примененных алгоритмов, так и способами представления результатов: часть исследователей предпочитают демонстрировать площадь AUC, а ряд результатов представлены с демонстрацией специфичности и чувствительности. Тем не менее интересно остановиться на некоторых из них.

Grogan M, et al. разработали сверточную нейронную сеть для обнаружения обоих типов АКМП по ЭКГ. Это одно из крупных исследований, в которое был включен 2541 пациент с АКМП, как ATTR-АКМП, так и AL-АКМП. В качестве контрольной группы выступили 2454 пациента с другими заболеваниями сердечно-сосудистой системы. Коллеги продемонстрировали, что в 59% случаев их модель ИИ успешно предсказала наличие АКМП более чем за 6 мес. до клинического выявления. Чувствительность и специфичность предложенного алгоритма составили 84% и 85%, соответственно. Площадь под кривой (AUC) составила 0,91 (95% доверительный интервал (ДИ): 0,90-0,93), при этом положительная прогностическая ценность для выявления любого типа АКМП была 86% для модели одноканальной ЭКГ (V5) и модель на 6 отведениях имела AUC 0,90 и прогностическую ценность 85% [12].

Haimovich JS, et al. целью своей работы определили возможность применения 12-канальной ЭКГ с использованием ИИ при дифференциальной диагностике гипертрофии миокарда. Исследователи также использовали сверточную нейронную сеть. В исследование было включено 50709 пациентов с ССЗ и ГЛЖ, в т.ч. с АКМП (n=304). Было разработано две модели глубокого машинного обучения для данных с одним отведением, обучив модели на отведении I ("LVH-Net Lead I") или отведении II ("LVH-Net Lead II") из 12-канальной ЭКГ. AUC для LVH-Net для конкретных этиологий ГЛЖ составили: сердечный амилоидоз 0,95 (95% ДИ: 0,93-0,97), гипертрофическая кардиомиопатия 0,92 (95% ДИ: 0,90-0,94), стеноз аорты при ГЛЖ 0,90 (95% ДИ: 0,88-0,92), гипертоническая ГЛЖ 0,76 (95% ДИ: 0,76-0,77) и другие причины ГЛЖ 0,69 (95% ДИ: 0,68-0,71). То есть наилучшие показатели были продемонстрированы именно у пациентов с АКМП. На основании чего исследователи сделали вывод, что модель ЭКГ, созданная с использованием ИИ, является предпочтительной для выявления и классификации ГЛЖ и превосходит клинические правила, основанные на ЭКГ [13].

В еще одно исследование было включено 440 пациентов с АКМП. В этом исследовании проведена валидация алгоритмом AI-ECG, для АКМП показатель AUC составил 0,84 (95% ДИ: 0,82-0,86) для всех типов амилоидоза. Как в этом, так и других исследованиях отмечалась вариабельность чувствительности и специфичности у пациентов разных рас, а также при ГЛЖ и блокаде левой ветви пучка Гиса [14]. Кроме того, эти показатели могут различаться и в зависимости от типов амилоидоза: AUC 0,89 (95% ДИ: 0,86-0,91) для всех случаев АКМП, а для ATTR-АКМП и AL-АКМП 0,90 (95% ДИ: 0,86-0,95) и 0,80 (95% ДИ: 0,80-0,93), соответственно [16].

ВЭКГ как материал для дополнительной обработки ИИ используется гораздо реже. В доступной нам литературе представлена единственная работа Mahabadi AA, et al., 2025. Исследователи из Германии за основу использовали оригинальную схему регистрации биполярных отведений ЭКГ с четырех электродов для получения трехмерной векторной петли ЭКГ. Выбор был сделан с целью попытки упрощения диагностической скрининговой процедуры. Включены пациенты с АКМП обоих типов (n=99), группу контроля (n=156) составили пациенты с другими ССЗ, но без амилоидоза. Следует отметить, что как и в нашем исследовании в группе контроля были пациенты с любыми заболеваниями сердечно-сосудистой системы, а не только с ГЛЖ, как в некоторых ранее представленных. Последовательно алгоритм ИИ был обучен в когорте для разработки алгоритма (n=66 случаев амилоидоза, n=89 контрольных случаев). Затем этот алгоритм был применен к когорте для валидации (n=33 случая амилоидоза, n=67 контрольных случаев). В обучающей выборке алгоритм ИИ продемонстрировал чувствительность 85%, специфичность 89%, а применение алгоритма к независимой валидационной выборке позволило достичь чувствительности 79%, специфичности 82%. Однако в своих выводах авторы указывают на необходимость применения данного инструмента в свете других клинико-лабораторных методов обследования, в частности такого кардиоспецифического маркера, как N-концевой промозговой натрийуретический пептид [17].

Сопоставление собственных данных с литературными приведено в таблице 4.

В нашем исследовании за основу была избрана модель, основанная не на ЭКГ в 12 общепринятых отведениях, а дополненная вычислительной 12-канальной ЭКГ и ВЭКГ. ВЭКГ предоставляет возможность трехмерно исследовать не только зависимость сигнала от времени, но и изображение электрической активности сердца, и позволяет анализировать пространственную картину деполяризации и реполяризации миокарда. Анализ пространственной картины де- и реполяризации применяется для решения разных задач ЭКГ диагностики, в т.ч. разрабатываются специфические для такого представления меры и их пороговые значения для выявления различных состояний. Среди параметров ВЭКГ в контексте изучения АКМП, при которой лишь у ряда пациентов наблюдается характерное снижение амплитуды зубцов ЭКГ, представляют особенный интерес те, которые не зависят или минимально зависят от вольтажа исходной ЭКГ. Меры планарности петель QRS и ST-T относятся именно к таким, не зависящим от вольтажа, параметрам, что делает их весьма привлекательными для разработки методов выявления АКМП [18].

Проведённый сравнительный анализ продемонстрировал высокую диагностическую ценность автоматизированных методов анализа ЭКГ при АКМП. Модель глубокого обучения (1D ResNet), примененная нами, показала умеренную диагностическую ценность, достигнув значений чувствительности и специфичности 75%. Альтернативный подход, основанный на выделении физических признаков планарности петель ВЭКГ и классификации алгоритмом Random Forest, также подтвердил свою эффективность: чувствительность составила 75%, а специфичность — 85%. Согласованность результатов обоих методов имеет фундаментальное значение: как интерпретируемые карты активации нейросети (Grad-CAM), так и анализ пространственной неоднородности петель независимо друг от друга выявили, что наиболее специфичные для амилоидоза изменения локализуются в фазе реполяризации (зубец T). Это позволяет рассматривать нарушения планарности сегмента ST-T как надёжный биомаркер для скрининга данного заболевания.

Вероятно, что полученные нами результаты являются основанием для гипотезы о том, что инфильтрация миокарда амилоидом вызывает нарушения процессов реполяризации, которые проявляются в изменении морфологии зубца T и отклонении петли T от плоскости.

Несмотря на широкое использование амплитуды QRS комплекса при визуальном анализе сигнала [19][20], результаты работы алгоритмов машинного обучения указывают на зубец T как на наиболее информативный маркер, что позволяет выделить фазу реполяризации как ключевую для дифференциальной диагностики АКМП.

Заключение

Разработанные нами подходы, применяющие признаки как традиционной ЭКГ, так и ее трехмерного, векторного представления продемонстрировали в целом удовлетворительную эффективность для выявления АКМП. Существенно, что оба метода выявили существенный вклад фазы реполяризации (ST-T) в ЭКГ-картине у пациентов с АКМП. Подход на основе оригинальной оценки общей и локальной планарности петель T и QRS обеспечивает физиологическую интерпретацию, подтверждая пространственную гетерогенность процессов в миокарде при АКМП, а Grad-CAM визуализирует диагностическую логику нейросети, совпадающую с патофизиологическими предпосылками.

Существенным результатом работы стало превышение значения специфичности над чувствительностью. Поскольку АКМП относится к редким заболеваниям, ложноположительные результаты метода диагностики менее приемлемы, чем ложноотрицательные заключения. Каждый ложноположительный результат будет приводить к необоснованным диагностическим действиям.

Отношения и деятельность: все авторы заявляют об отсутствии потенциального конфликта интересов, требующего раскрытия в данной статье.

Декларация ИИ. Технологии генеративного ИИ не использовались при подготовке текста рукописи.