Лаборатория метафорических исследований и ии

   СДК. Сибирская Диагностическая Компания

Лаборатория метафорических исследований и ии

СДК. Сибирская Диагностическая Компания

О ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ ГИБРИДНОГО ПОДХОДА ПРИ РАСПОЗНАВАНИИ ПРЕДИКТОРОВ ВНЕЗАПНОЙ СЕРДЕЧНОЙ СМЕРТИ

Богданов М.Р., Оськин Н.Н.

 Аннотация. В статье рассматривается диагностика предикторов внезапной сердечной смерти (удлинённый QT-интервал, укороченный QT-интервал, гипертрофия левого желудочка, желудочковая тахикардия, ишемическая болезнь сердца, синдром Бругада, гипертрофическая кардиомиопатия) на основании анализа электрокардиограмм. Предлагается рассматривать электрокардиосигнал в виде пространственно-временного процесса и распознавать его с помощью метода, используемого для автоматической аннотации видео, — гибридной нейронной сети, состоящей из свёрточной и рекуррентной нейронных сетей. Была показана высокая эффективность предложенного подхода.
Ключевые слова: диагностика заболеваний, машинное обучение, цифровая обработка сигналов.

ВВЕДЕНИЕ

     В России от сердечно-сосудистых заболеваний ежегодно умирает от 200 до 250 тыс. человек (1462 на 100 000 населения, один из самых высоких показателей в мире) [1]. При этом половина смертей связана с прогрессированием хронической сердечной недостаточности. Другая половина смертей от сердечно-сосудистых заболеваний вызвана внезапной сердечной смертью (ВСС) [1]. При своевременной диагностике и лечении факторов риска внезапной 
сердечной смерти пациентов можно было бы спасти [1].
    Самым доступным методом диагностики кардиологических заболеваний является электрокардиография. Врачи осуществляют распознавание ЭКГ на основе анализа геометрических характеристик сердечных циклов.
    В случае сложных форм аритмии, нарушений проводимости, изменений зубцов и интервалов между зубцами распознавать электрокардиограммы становится сложно, потому что, с одной стороны, при одной и той же патологии могут наблюдаться разные паттерны кардиоциклов, а с другой стороны, один и тот же паттерн кардиоцикла может быть характерен для разных патологий (рис. 1).

Удлинённый QT-интервал

Дисбаланс электролитов

 Наджелудочковая 
пароксизмальная тахикардия

Нижний инфаркт миокарда

Ишемическая болезнь сердца

Воздействие наперстянки

Рис. 1. Электрокардиограммы при жизнеугрожающих физиологических состояниях. 
Патологии показаны оранжевым цветом, нормальный синусовый ритм — синим.

Данные были получены на основе анализа электрокардиограмм из набора данных PTB XL1¹.

       В случае автоматического распознавания ЭКГ электрокардиосигнал обычно разбивается на кардиоциклы, после чего последние рассматриваются как набор геометрических характеристик (комплекс PQRST) или как изображения, или как вейвлеты, или как временные ряды. Для классификации полученных признаков используются различные методы машинного обучения, такие как ансамблевые методы, свёрточные, полносвязные и рекуррентные нейронные сети. 
       К сожалению, в случае тяжёлых форм аритмии сложно, а иногда и невозможно, выделить P-, Q-, R-, S- и T-зубцы из кардиоциклов.

ОСНОВНЫЕ ПОЛОЖЕНИЯ

          Предлагается рассматривать электрокардиосигнал в виде пространственно-временного процесса и рассматривать его как видео. В отличие от статичных кадров (кардиоциклов) и аудиоряда (одномерного кардиосигнала, представленного в виде временного ряда), видеофильм, на наш взгляд, позволяет описывать гораздо более сложные процессы и явления, разворачивающиеся в динамике. 
    Видео состоит из упорядоченной последовательности кадров. Каждый кадр содержит пространственную информацию, а последовательность этих кадров содержит временную информацию. В данном случае видео — это сложный мультимодальный объект, который включает в себя визуальную составляющую, звуковую составляющую, временную составляющую, а иногда и субтитры и текст, присутствующий на кадрах.

ЦЕЛЬ ИССЛЕДОВАНИЯ

       Целью предлагаемого исследования является оценка возможности распознавания потенциально опасных состояний сердечно-сосудистой системы путем распознавания электрокардиограмм, которые рассматриваются как пространственно-временные объекты. Видеоролики создаются на основе одномерных ЭКГ-сигналов, которые распознаются с помощью методов видеоаналитики. В качестве базовых алгоритмов для распознавания электрокардиограмм используются свёрточная нейронная сеть и рекуррентная нейронная сеть.

Материал и методы. 

Вычислительный эксперимент.

     Исследования проводились на основе наборов данных холтеровского мониторированияпациентов с риском внезапной сердечной смерти (MUerte Subita en Insuficiencia Cardiaca², INCART³, Sudden Cardiac Death Holter Database⁴) в качестве контроля использовали базу данных электрокардиограмм испытуемых с нормальным синусовым ритмом (Normal Sinus Rythm Database⁵).
       MUerte Subita en Insuficiencia Cardiaca (внезапная сердечная смерть при хронической сердечной недостаточности) (43,5 ГБ).

     В рамках проспективного многоцентрового лонгитюдного исследованиями MUSIC (MUerte Subita en Insuficiencia Cardiaca) проводилась оценка факторов риска сердечной смертности и внезапной сердечной смерти (ВСС) у амбулаторных пациентов с хронической сердечной недостаточностью (ХСН) [2]. В исследовании принимали участие 992 пациента с ХСН, последовательно проходивших лечение в специализированных клиниках сердечной недостаточности при восьми университетских больницах Испании в период с апреля 2003 года по декабрь 2004 года. Медиана продолжительности наблюдения составила 44 месяца (по состоянию на ноябрь 2008 года). Всем пациентам при включении в исследование были проведены 3-канальная ЭКГ в состоянии покоя, 24-часовая, 2-канальная (4%) или 3-канальная (96%) холтеровская ЭКГ, рентгенография грудной клетки, эхокардиография и лабораторные анализы крови. Основными результатами были смерть от сердечно-сосудистых заболеваний, внезапная смерть от сердечно-сосудистых заболеваний (ВСД) или смерть от сердечной недостаточности (СН) в конце периода наблюдения.

         INCART (Санкт-Петербургская 12-канальная база данных по аритмии (794,5 МБ) (257 Гц).

     База данных, разработанная учеными из Санкт-Петербургского научноисследовательский института кардиологической техники, включает в себя семьдесят пять получасовых записей (12 отведений), пациентов, проходивших обследование на предмет ишемической болезни сердца. В исследовании принимали участие 17 мужчин и 15 женщин в возрасте от 18 до 80 лет (средний возраст - 58 лет). У большинства были желудочковые экстрасистолы. При отборе записей для включения в базу данных предпочтение отдавалось пациентам с ЭКГ, указывающими на ишемию, ишемическую болезнь сердца, нарушения проводимости и аритмию.

         База данных холтеровского мониторирования по внезапной сердечной смерти (1,1 ГБ).

         Записи были сделаны в бостонских клиниках в 1980-х годах и позже собраны в рамках исследования желудочковых аритмий. У всех пациентов была устойчивая желудочковая тахиаритмия, и у большинства из них была реальная остановка сердца.

      База данных ЭКГ пациентов с нормальным синусовым ритмом MIT-BIH Normal Sinus Rythm Database (279 Мб).

     В качестве контроля использовали электрокардиограммы испытуемых с нормальным синусовым ритмом. Эта база данных включает 18 длительных записей ЭКГ пациентов бостонской клиники именя дьяконессы Бэт Исраэль. У пациентов, включённых в эту базу данных, не было выявлено значительных нарушений сердечного ритма; среди них 5 мужчин в возрасте от 26 до 45 лет и 13 женщин в возрасте от 20 до 50 лет.

Обучающие выборки

Наборы данных.

        Используемые в исследовании оцифрованные электрокардиограммы исходно имели разную частоту дискретизации. На этапе препроцессинга она была во всех дейтасетах приведена к 250 Гц. В рамках проводимых исследований изучались такие физиологические состояния, как номальный синусовый ритм, удлиненный QT-интервал (>480 ms), укороченный QT-интервал (<400 ms), гипертрофия левого желудочка, желудочковая тахикардия, ишемическая болезнь сердца, синдром Бругада и гипертрофическая кардиомиопатия. Электрокардиограммы с такими диагнозами присутствовали в разных дейтасетах в разном соотношении. Мажорным классом была ишемическая болезнь сердца (175000 кардиоциклов). Объем остальных классов был доведен до объема мажорного класса методом оверсамплинга. Далее проводили серию из 7 бинарных классификаций, когда классом с меткой «0», был нормальный синусовый ритм, а классом с меткой «1» - один из диагнозов.
    В рамках исследования сравнивались три метода распознавания электрокардиограмм: с помощью свёрточной нейронной сети Xception⁶, с помощью рекуррентной нейронной сети LSTM5⁷ и с помощью гибридного подхода. В первом случае электрокардиосигналы были разбиты на кардиоциклы длиной 300 элементов, которые затем были распознаны как изображения (в каждом классе было 80 000 кардиоциклов), во втором случае ЭКГ была разбита на фрагменты продолжительностью 5000 элементов и распознана как временной ряд (в каждом классе было 80 000 кардиоциклов). 5000 временных рядов в каждом классе), в третьем случае электрокардиосигналы рассматривались как набор видеоклипов, которые были распознаны с использованием гибридного подхода (в каждом классе было по 1000 видеоклипов).
    Видеоролики были сформированы следующим образом. ЭКГ была разрезана на фрагменты фиксированной продолжительности (2 секунды) (рис. 1), эти фрагменты были преобразованы в изображения, из которых были сформированы видеоролики, как из кадров фильма.

¹ PTB-XL, a large publicly available electrocardiography dataset. https://physionet.org/content/ptb-xl/1.0.3/ (03 February, 2025)

Рис. 1. Кадр видеофильма, основанного на двухсекундном фрагменте ЭКГ с нормальным 
синусовым ритмом

     Полученные видеофрагменты были дополнительно классифицированы с помощью гибридной нейронной сети, описанной в работе Кэй с соавторами⁸ . 
    Для бинарной классификации удлиненного QT-интервала, укороченного QT-интервала, гипертрофии левого желудочка, желудочковой тахикардии, ишемической болезни сердца, синдрома Бругада, гипертрофической кардиомиопатии были сформированы обучающие выборки.
       Для проведения вычислительного эксперимента было разработано программное обеспечение на Python. Расчёты выполнялись на компьютере с процессором Intel Core i9, 256 ГБ оперативной памяти. NVIDIA RTX 3080 Ti.
        Результаты распознавания приведены в таблице 1. Во всех случаях проводилась бинарная классификация: целевой сигнал против нормального синусового ритма. 

Таблица 1.

Сравнение эффективности распознавания электрокардиограммы различными методами

РЕЗУЛЬТАТЫ

² MUSIC (MUerte Subita en Insuficiencia Cardiaca) (Sudden Cardiac Death in Chronic Heart Failure).https://physionet.org/content/music-sudden-cardiac-death/1.0.0/ (3 February 2025)
³ St Petersburg INCART 12-lead Arrhythmia Database. https://physionet.org/content/incartdb/1.0.0/ (3 February 2025)
⁴ Sudden Cardiac Death Holter Database. https://physionet.org/content/sddb/1.0.0/ (3 February 2025)
⁵ Normal Sinus Rythm Database. http://www.physionet.org/physiobank/database/nsrdb/ (3 February 2025)

⁶ Exception CNN. https://keras.io/api/applications/xception/ (3 February 2025)
⁷ LSTM. https://keras.io/api/layers/recurrent_layers/lstm/ (3 February 2025)
⁸ Kay W, Carreira J, Simonyan K et al. The Kinetics Human Action Video Dataset. arXiv:1705.06950v1 [cs.CV]. https://arxiv.org/abs/1705.06950 (19 May 2017)

     Одним из наиболее распространённых методов диагностики заболеваний сердечнососудистой системы является электрокардиография. В случае некоторых патологий сердечнососудистой системы, например, при тяжёлых аритмиях, при анализе электрокардиограмм может возникать неоднозначность, когда схожие паттерны ЭКГ могут наблюдаться при разных патологиях, и наоборот, при одной и той же патологии могут наблюдаться разные паттерны ЭКГ.
     Благодаря современным достижениям в области цифровой обработки сигналов и анализа данных в клиническую практику постепенно внедряются различные методы автоматического распознавания ЭКГ. В рамках проводимого исследования была проведена оцененка эффективности распознавания таких потенциально опасных физиологических состояний, как удлиненный QT-интервал, укороченный QT-интервал, гипертрофия левого желудочка, желудочковая тахикардия, ишемическая болезнь сердца, синдром Бругада, гипертрофическая кардиомиопатия с помощью таких широко распространенных методов классификации, как свёрточные и рекуррентные нейронные сети. Эффективность таких методов (метрика accuracy) при диагностике различных заболеваний составила от 0,5 до 0,79.

ЗАКЛЮЧЕНИЕ

    Был предложен гибридный подход для распознавания ЭКГ, когда ЭКГ рассматривалась как пространственно-временной объект. Одномерные ЭКГ- сигналы были преобразованы в видео, состоящие из 150 кадров. В качестве кадров использовались изображения двухсекундных фрагментов ЭКГ. Видео распознавали с помощью комбинации рекуррентных и свёрточных нейронных сетей. Во всех случаях эффективность распознавания ЭКГ была близка к единице. Полученные предварительные результаты дают надежду на успешное развитие предложенного подхода.

Литература

1. Национальные Рекомендации по определению риска и профилактике внезапной сердечной смерти Рабочая группа по подготовке текста рекомендаций: академик РАМН Шляхто Е.В. (Санкт-Петербург), профессор Арутюнов Г.П. (Москва), академик РАМН и член корреспондент РАН Беленков Ю.Н.  (Москва). https://scardio.ru/content/images/recommendation/vss_rekomendacii.pdf
2. Ramı´rez J, Orini M, Minchole´ A, Monasterio V, CygankiewiczI, Baye´s de Luna A, et al. (2017) Sudden cardiac death and pump failure death prediction in chronic heart failure by combining ECG and clinical markers in an integrated risk model. PLoS ONE 12(10): e0186152. https://doi.org/10.1371/journal. pone.0186152

Для связи

У вас есть идеи? Вопросы? Мы к ним готовы!