Цель. Цель данного исследования — изучить использование методов глубокого нейросетевого обучения в диагностике и лечении аневризмы аорты (АА), основываясь на методах визуализации. Будет уделено особое внимание скринингу, диагностике, сегментации поражений, хирургической помощи и прогнозированию исходов. Методы. Был проведен обзор научных публикаций, в которых использовались модели глубокого обучения, такие как сверточные нейронные сети (СНС), в различных аспектах диагностики и лечения АА. Результаты. Модели глубокого обучения продемонстрировали значительный прогресс в лечении и диагностике аневризм аорты. Отмечается, что такие модели, как ResNet, обеспечивают высокую точность выявления аневризмы на бесконтрастных компьютерных томограммах. Такие методы, как U-Net, позволяют точно измерить размер и объем аневризмы, что важно для планирования объема хирургического вмешательства. Глубокое обучение также помогает в хирургических процедурах, точно предсказывая позицию стента и послеоперационные осложнения. Кроме того, модели способны с высокой точностью прогнозировать прогрессирование аневризмы и оценивать вероятность неблагоприятного исхода для пациента. Выводы. Технологии глубокого обучения демонстрируют значительный потенциал в улучшении диагностики, лечения и контроля аневризмы аорты. Эти достижения могут привести к более точному и персонализированному подходу к пациентам, улучшая результаты лечения лиц с данной патологией.
Идентификаторы и классификаторы
Аневризма аорты (АА) — это расширение аорты, когда ее диаметр увеличивается по сравнению с нормальным диаметром аорты в 1,5 раза. Основными причинами развития являются атеросклероз и гипертония; также возникновение АА связано с такими факторами, как возраст, пол, раса, наследственность и курение [1]. АА — это жизнеугрожающее состояние. Есть два вида хирургического лечения данной патологии: открытая операция, а также эндоваскулярное вмешательство (Endovascular Aneurysm Repair (EVAR)/Thoracic Endovascular Aortic Repair (TEVAR)). В российских клинических рекомендациях от 2023 г. содержатся данные по ведению пациентов с аневризмой аорты. В них говорится, что план лечения должен основываться на сопоставлении предполагаемых рисков хирургического вмешательства с рисками роста и разрыва аневризмы, также, что компьютерная томография с ангиографией (КТА) остается наиболее часто используемым методом при планировании хирургического вмешательства, поскольку она позволяет получить исчерпывающую информацию об аорте и ее ветвях, оценить степень и морфологию аневризмы, а также выявить сопутствующие окклюзионные поражения [2, 3].
Список литературы
1. Upchurch GR Jr, Escobar GA, Azizzadeh A, et al. Society for vascular surgery clinical practice guidelines of thoracic endovascular aortic repair for descending thoracic aortic aneurysms. J Vasc Surg. 2021;73:55-83. DOI: 10.1016/j.jvs.2020.05.076
2. Chaikof EL, Dalman RL, Eskandari MK, et al. The society for vascular surgery practice guidelines on the care of patients with an abdominal aortic aneurysm. J Vasc Surg. 2018;67:2-77. DOI: 10.1016/j.jvs.2017.10.044
3. Milewicz DM, Ramirez F. Therapies for thoracic aortic aneurysms and acute aortic dissections. Arterio-scler, Thromb, Vasc Biol. 2019;39:126-136. DOI: 10.1161/ATVBAHA.118.310956
4. He K, Zhang X, Ren S, et al. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016:770-778.
5. Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18:500-510. DOI: 10.1038/s41568-018-0016-5
6. Lu Y, Yu Q, Gao Y, et al. Identification of metastatic lymph nodes in MR imaging with faster region-based convolutional neural networks. Cancer Res. 2018;78:5135-5143. DOI: 10.1158/0008-5472.CAN-18-0494
7. Sechopoulos I, Teuwen J, Mann R. Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: state of the art. Semin Cancer Biol. 2021;72:214-225. DOI: 10.1016/j.semcancer.2020.06.002
8. Forte GC, Altmayer S, Silva RF, et al. Deep learning algorithms for diagnosis of lung cancer: a systematic review and meta-analysis. Cancers. 2022;14(16):3856. DOI: 10.3390/cancers14163856
9. Litjens G, Kooi T, Bejnordi BE, et al. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60-88. DOI: 10.1016/j.media.2017.07.005
10. Lanzafame LRM, Bucolo GM, Muscogiuri G, et al. Artificial intelligence in cardiovascular CT and MR imaging. Life. 2023;13(2):507. DOI: 10.3390/life1302050
11. Covas P, De Guzman E, Barrows I, et al. Artificial intelligence advancements in the cardiovascular imaging of coronary atherosclerosis. Front Cardiovasc Med. 2022; 9:839400. DOI: 10.3389/fcvm.2022.839400
12. Murray NM, Unberath M, Hager GD, et al. Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: a systematic review. J Neurointerv Surg. 2020;12:156-164. DOI: 10.1136/neurintsurg-2019-015135
13. Shafaat O, Bernstock JD, Shafaat A, et al. Leveraging artificial intelligence in ischemic stroke imaging. J Neuroradiol. 2022;49:343-351. DOI: 10.1016/j.neurad.2021.05.001
14. Soffer S, Klang E, Shimon O, et al. Deep learning for pulmonary embolism detection on computed tomography pulmonary angiogram: a systematic review and meta-analysis. Sci Rep. 2021;11:15814. DOI: 10.1038/s41598-021-95249-3
15. Hwang JH, Seo JW, Kim JH, et al.Comparison between deep learning and conventional machine learning in classifying iliofemoral deep venous thrombosis upon CT venography. Diagnostics. 2022;12(2):274. DOI: 10.3390/diagnostics12020274
16. Golla AK, Tnes C, Russ T, et al. Automated screening for abdominal aortic aneurysm in CT scans under clinical conditions using deep learning. Diagnostics. 2021;11(11):2131. DOI: 10.3390/diagnostics11112131
17. Chandrashekar A, Handa A, Lapolla P, et al. A deep learning approach to visualize aortic aneurysm morphology without the use of intravenous contrast agents. Ann Surg. 2023;277:449-459. DOI: 10.1097/SLA.0000000000004835
18. Pradella M, Achermann R, Sperl JI, et al. Performance of a deep learning tool to detect missed aortic dilatation in a large chest CT cohort. Front Cardiovasc Med. 2022;9:972512. DOI: 10.3389/fcvm.2022.972512
19. Siriapisith T, Kusakunniran W, Haddawy P. A retrospective study of 3D deep learning approach incorporating coordinate information to improve the segmentation of pre-and post-operative abdominal aortic aneurysm. Peer J Comput Sci. 2022;8:1033. DOI: 10.7717/peerj-cs.1033
20. Mohammadi S, Mohammadi M, Dehlaghi V, Ahmadi A. Automatic segmentation, detection, and diagnosis of abdominal aortic aneurysm (AAA) using convolutional neural networks and hough circles algorithm. Cardiovasc Eng Technol. 2019;10:490-499. DOI: 10.1007/s13239-019-00421-6
21. Abdolmanafi A, Forneris A, Moore RD, et al. Deep-learning method for fully automatic segmentation of the abdominal aortic aneurysm from computed tomography imaging. Front Cardiovasc Med. 2022;9:1040053. DOI: 10.3389/fcvm.2022.1040053
22. Marin-Castrillon DM, Lalande A, Leclerc S, et al. 4D segmentation of the thoracic aorta from 4D flow MRI using deep learning. Magn Reson Imaging. 2023;99:20-25. DOI: 10.1016/j.mri.2022.12.021
23. Brutti F, Fantazzini A, Finotello A, et al. Deep learning to automatically segment and analyze abdominal aortic aneurysm from computed tomography angiography. Cardiovasc Eng Technol. 2022;13:535-547. DOI: 10.1007/s13239-021-00594-z
24. Lareyre F, Adam C, Carrier M, Raffort J. Automated segmentation of the human abdominal vascular system using a hybrid approach combining expert system and supervised deep learning. J Clin Med. 2021;10(15):3347. DOI: 10.3390/jcm10153347
25. Bratt A, Blezek DJ, Ryan WJ, et al. Deep learning improves the temporal reproducibility of aortic measurement. J Digit Imaging. 2021;34:1183-1189. DOI: 10.1007/s10278-021-00465-y
26. Adam C, Fabre D, Mougin J, et al. Pre-surgical and post-surgical aortic aneurysm maximum diameter measurement: full automation by artificial intelligence. Eur J Vasc Endovasc Surg. 2021;62:869-877. DOI: 10.1016/j.ejvs.2021.07.013
27. Jiang Z, Do HN, Choi J, et al. A deep learning approach to predict abdominal aortic aneurysm expansion using longitudinal data. FrontPhys. 2020;7:235. DOI: 10.3389/fphy.2019.00235
28. Saitta S, Sturla F, Caimi A, et al. A deep learning-based and fully automated pipeline for thoracic aorta geometric analysis and planning for endovascular repair from computed tomography. J Digit Imaging. 2022;35:226-239. DOI: 10.1007/s10278-021-00535-1
29. Kappe KO, Smorenburg SPM, Hoksbergen AWJ, et al. Deep learning-based intraoperative stent graft segmentation on completion digital subtraction angiography during endovascular aneurysm repair. J Endovasc Ther. 2022; 13(2):507. DOI: 10.1177/15266028221105840
30. Wang Y, Zhou M, Ding Y, et al. A deep learning model for predicting the outcome of persistent type 2 endoleaks after endovascular abdominal aortic aneurysm repair. Acta Chir Belg. 2025:1-27.
31. Hahn S, Perry M, Morris CS, et al. Machine deep learning accurately detects endoleak after endovascular abdominal aortic aneurysm repair. JVS-Vasc Sci. 2020;1:5-https://doi.org/10.1016Zj.jvssci.2019.12.003.
32. Rezaeitaleshmahalleh M, Mu N, Lyu Z, et al. Ra-diomic-based textural analysis of intraluminal thrombus in aortic abdominal aneurysms: a demonstration of automated workflow. J Cardiovasc Transl Res. 2023;16:1123-1134. DOI: 10.1007/s12265-023-10404-7
33. Kim S, Jiang Z, Zambrano BA, et al. Deep learning on multiphysical features and hemodynamic modeling for abdominal aortic aneurysm growth prediction. IEEE Trans Med Imaging. 2023;42:196-208. DOI: 10.1109/TMI.2022.3206142
34. Patel R, Sweeting MJ, Powell JT, Greenhalgh RM. Endovascular versus open repair of abdominal aortic aneurysm in 15-years’ follow-up of the UK endovascular aneurysm repair trial 1 (EVAR trial 1): a randomised controlled trial. Lancet. 2016;388:2366-2374. DOI: 10.1016/S0140-6736(16)31135-7
35. Lederle FA, Kyriakides TC, Stroupe KT, et al. Open versus endovascular repair of abdominal aortic aneurysm. N Engl J Med. 2019;380:2126-2135. DOI: 10.1056/NEJMoa1715955
36. Wang Y, Zhou M, Ding Y, et al. Development and comparison of multimodal models for preoperative prediction of outcomes after endovascular aneurysm repair. Front Cardiovasc Med. 2022;9:870132. DOI: 10.3389/fcvm.2022.870132
37. Caradu C, Pouncey AL, Lakhlifi E, et al. Fully automatic volume segmentation using deep learning approaches to assess aneurysmal sac evolution after infrarenal endovascular aortic repair. J Vasc Surg. 2022;76:620-630. DOI: 10.1016/j.jvs.2022.03.891
38. Markodimitrakis E, Lin S, Koutoulakis E, et al.Comparison of in-vivo and ex-vivo ascending aorta elastic properties through automatic deep learning segmentation of cine-MRI and biomechanical testing. J Clin Med. 2023;12(2):402. DOI: 10.3390/jcm12020402
39. Buijs RV, Willems TP, Tio RA, et al. Calcification as a risk factor for rupture of abdominal aortic aneurysm. Eur J Vasc Endovasc Surg. 2013;46:542-548. DOI: 10.1016/j.ejvs.2013.09.006
40. Graffy PM, Liu J, O’Connor S, et al. Automated segmentation and quantification of aortic calcification at abdominal CT: application of a deep learning-based algorithm to a longitudinal screening cohort. Abdom Radiol. 2019; 44:2921-2928. DOI: 10.1007/s00261-019-02014-2
41. Zhong Z, Yang W, Zhu C, et al. Role and progress of artificial intelligence in radiodiagnosing vascular calcification: a narrative review. Ann Transl Med. 2023;11:131. DOI: 10.21037/atm-22-6333
42. Kleinstreuer C, Li Z. Analysis and computer program for rupture-risk prediction of abdominal aortic aneurysms. Biomed Eng Online. 2006;5:19. DOI: 10.1186/1475-925X-5-19
43. Raffort J, Adam C, Carrier M, et al. Artificial intelligence in abdominal aortic aneurysm. J Vasc Surg. 2020;72:321-333. DOI: 10.1016/j.jvs.2019.12.026
44. Wise ES, Hocking KM, Brophy CM. Prediction of in-hospital mortality after ruptured abdominal aortic aneurysm repair using an artificial neural network. J Vasc Surg. 2015;62:8-15. DOI: 10.1016/j.jvs.2015.02.038
45. Monsalve-Torra A, Ruiz-Fernandez D, Marin-Alonso O, et al. Using machine learning methods for predicting inhospital mortality in patients undergoing open repair of abdominal aortic aneurysm. J Biomed Inform. 2016;62:195-201. DOI: 10.1016/j.jbi.2016.07.007
46. Turton EP, Scott DJ, Delbridge M, et al.Ruptured abdominal aortic aneurysm: a novel method of outcome prediction using neural network technology. Eur J Vasc Endovasc Surg. 2000;19:184-189.
Выпуск
Другие статьи выпуска
Актуальность. Для сахарного диабета (СД) характерно длительное бессимптомное течение, когда функциональные нарушения сердца и изменения метаболизма уже возникают, но не проявляются клинически. Для понимания необходимости и способов профилактики возможных осложнений СД важно иметь представление об особенностях функционального состояния сердца и метаболизма при развитии СД. Цель. Изучение особенностей электрофизиологических параметров сердца и показателей общего метаболизма у самцов и самок крыс на начальных этапах развития СД. Материалы и методы. У 20 крыс обоего пола индуцировали СД однократным введением аллоксана внутрибрюшинно в дозе 150 мг/кг. Электрокардиограмму регистрировали неинвазивно: оценивали интервалы RR, PQ, QRS, QT, амплитуду зубцов P, R, T, частоту сердечных сокращений RН. Определяли показатели общего метаболизма: объемы потребляемого О2 и выдыхаемого СО2, величину интенсивности теплопродукции. Все параметры оценивали до введения, на 3-и и 6-е сутки после введения аллоксана. Результаты. На 3-и сутки уровень глюкозы в крови вырос по отношению к исходному: у самцов в 5,9 раза, у самок в 7,0 раз. На 6-е сутки уровень глюкозы был выше исходного уровня: у самцов в 3,2 раза, у самок в 1,5 раза; причем у самцов в 2,5 раза выше, чем у самок. Патологические изменения электрокардиограммы — нерегулярность ритма, снижение амплитуды зубцов Р и Т ниже изолинии, расширение комплекса QRS, выявлены как у самцов, так и у самок на 3-и и 6-е сутки СД. Показатели метаболизма снижались только у самцов на всех сроках наблюдения. Заключение. В первую неделю СД у крыс наблюдались систолическая и диастолическая дисфункция сердца, снижение интенсивности метаболизма. Наиболее выраженные изменения были отмечены у самцов, что, вероятно, обусловлено более высоким, чем у самок, уровнем гликемии.
Стремительно развивающиеся технологии нейровизуализации позволяют с точностью определить венозную ишемию и венозный инфаркт головного мозга. Большинство работ по данной тематике посвящено изучению спонтанных церебральных венозных тромбозов. Общим для подобных тромбозов и венозных повреждений, возникших в ходе удаления опухолей основания черепа, является острое выключение церебральных вен. Однако в остальных аспектах клинико-диагностические алгоритмы зачастую не аналогичны. В статье представлены обобщение и анализ доступной литературы о возможностях нейровизуализации венозных повреждений головного мозга в спонтанных и хирургических условиях. Описаны современные способы ангиографической и перфузионной диагностики на примере тромбоза дуральных синусов и кортикальных вен. Приведена дискуссия о возможности применения данных методик в нейрохирургии.
Острый инсульт представляет собой одну из ведущих причин смертности и инвалидности во всем мире. Ежегодно миллионы людей сталкиваются с этим заболеванием, что приводит к значительным последствиям как для пациентов, так и для систем здравоохранения. Диагностика и лечение инсульта требуют быстрого и точного принятия решений, поскольку время является критическим фактором для успешного исхода. Однако существующие методы диагностики, такие как магнитно-резонансная томография, хотя и обеспечивают высокую точность визуализации, требуют значительных временных и человеческих ресурсов. Это создает необходимость в разработке новых подходов, которые могут повысить эффективность диагностики и прогнозирования исходов инсульта.
Искусственный интеллект активно развивается и находит применение в различных областях медицины, включая анализ медицинских изображений. Использование искусственного интеллекта для обработки данных МРТ открывает новые возможности для автоматизированной диагностики и прогнозирования исходов заболеваний, таких как инсульт. Это позволяет улучшить точность диагностики и сократить время анализа данных, что особенно важно в условиях экстренной медицинской помощи.
Введение. Последние достижения в патогенезе нейродегенеративных заболеваний демонстрируют, что воспаление является ключевым фактором прогрессирования. Уровни Т-клеток, NK-клеток, моноцитов и нейтрофилов, как обнаружено, повышены у пациентов с боковым амиотрофическим склерозом (БАС), что определяет прогрессирование заболевания. Цель — оценить динамику иммунологических показателей клеток костного мозга и клональный гемопоэз у пациентов с БАС. Материалы и методы. Группа БАС включала 10 пациентов (М/Ж 4/6). Средний возраст составил 53,9±9,9 года (95 % ДИ, 28–47). Полноэкзомное секвенирование и иммунофенотипирование субпопуляций CD34+ в клетках костного мозга проводились до начала терапии (точка 1) и в течение первых 6 месяцев наблюдения (точка 2). Группа сравнения включала 10 доноров костного мозга, средний возраст составил 39,5±8,5 года (95 % ДИ, 46–66, p=0,007). Клональный гемопоэз неотделенного потенциала (КГНП) обнаружен в 3 случаях (30 %). Результаты. Сбор мононуклеарных клеток периферической крови (МНК) осуществлялся после четырехдневного введения филграстима. Среднее количество собранных CD34+ составило 184,5±121,5x106 (95 % ДИ, 126,0–444,8). Пациенты получали флударабин 25 мг/м2/сут в 1-й и 2-й дни. С целью трансдифференцировки осуществлялась инкубация с двухцепочечными фрагментами ДНК человеческой плаценты (Panagen®) ex vivo после размораживания, после чего CD34+ клетки реинфузировали внутривенно через 48 часов после введения флударабина. После иммуномодулирующей терапии и реинфузии трансдифференцированных CD34+ МНК выявлено достоверное увеличение CD34+CD13+ и CD34+CD123+. Уровень CD34+CD44+ в костном мозге достоверно снизился. Уровни CD34+CD7+, CD34+CD2+ и CD34+CD56+ показали тенденцию к увеличению среднего значения и расширению доверительных интервалов по сравнению со значениями до лечения, хотя они не достигли статистической значимости. После терапии в двух случаях продемонстрировано исчезновение КГНП и в одном случае наблюдалось снижение частоты аллельного варианта (VAF). В ходе наблюдения средний балл ALSFRS-R не изменился (40±1 балл (ДИ 95 %, 37,5–40) против 40±2 (ДИ 95 %, 38–42,5), p>0,05). Заключение. Наше исследование является первой попыткой охарактеризовать подгруппы CD34+ клеток костного мозга при БАС. Полученные результаты имеют клиническое значение, хотя они ограничены и предварительны. Во-первых, они демонстрируют, что костный мозг является одним из органов, реагирующих на иммуноопосредованное нейровоспаление. Во-вторых, поднимается вопрос о том, можно ли перезапустить и исправить аномальный иммунный ответ, приводящий к нейродегенерации. Более того, предварительные результаты указывают на возможную связь между КГНП и БАС и указывают путь к устранению аберрантных клонов.
Актуальность. Острые кишечные инфекции (ОКИ) остаются значимой проблемой здравоохранения из-за высокой вирулентности, особенно среди детей, которые ввиду недостаточной развитости иммунной системы, а также из-за частого несоблюдения правил гигиены более подвержены данным патогенам. Заболеваемость ОКИ растет во всем мире, особенно уязвимы курортные города, в которых значительно проще реализуется основной способ передачи данной группы патогенов — через загрязненную воду. Цель. Провести анализ статистических данных заболеваемости ОКИ среди детей (0–17 лет) в г. Севастополе в период с 2019 по 2023 гг. с целью выявления эпидемиологических особенностей и закономерностей распространения данных инфекций в детской популяции. Материалы и методы. В основу исследования легли данные, предоставленные территориальным управлением Роспотребнадзора, которые состояли из зарегистрированных случаев установленной и неустановленной этиологии. Анализу подверглись все лабораторно подтвержденные диагнозы у пациентов за пятилетний период. Для обработки данных применялись методы описательной статистики, включая расчет абсолютных и относительных показателей заболеваемости, а также определение доли различных инфекций в общей структуре заболеваемости. Визуализация данных осуществлялась посредством построения линейных графиков и гистограмм, что позволило выявить основные тенденции и сезонные пики заболеваемости. Результаты. Проведенный анализ показал значительное преобладание детской заболеваемости в общей структуре ОКИ, достигающее 71 %. Среди этиологически подтвержденных случаев доминировала ротавирусная инфекция, составляющая 43 % от общего числа заболеваний. Эпидемиологический мониторинг выявил четко выраженную сезонную динамику с максимальным подъемом заболеваемости в летне-осенний период (III квартал), что соответствует характерному эпидемическому циклу для данной группы инфекций. Полученные данные подтверждают необходимость усиления профилактических мероприятий именно в этот временной интервал. Заключение. Исследование позволило выявить закономерности заболеваемости ОКИ, а также показало значительную эпидемиологическую роль ротавирусной инфекции в структуре детской заболеваемости. Полученные данные обосновывают необходимость оптимизации региональной системы надзора и профилактики с акцентом на выявленную сезонность.
Общемировая тенденция старения населения и увеличения продолжительности жизни приводит к необходимости разработки и внедрения на популяционном уровне национальных стратегий пропаганды здорового образа жизни и профилактики хронических неинфекционных заболеваний. В статье проанализированы лучшие практики мирового опыта по популяризации здорового образа жизни среди различных возрастных групп, концепции сохранения здоровья и увеличения продолжительности жизни, активного долголетия, а также эффективных мер по профилактике хронических неинфекционных заболеваний. Проведен анализ публикаций, размещенных в электронных базах PubMed, CochraneLibrary, WoS, Scopus, eLibrary, CyberLeninka, глубиной 15 лет, а также документов Организации Объединенных Наций по целям устойчивого развития и «Глобального плана действий по профилактике неинфекционных заболеваний на 2013–2020 гг.» Всемирной организации здравоохранения, пересмотренного и продленного по многим пунктам до 2030 г. Мировой опыт ряда государств подтверждает, что профилактика хронических неинфекционных заболеваний и формирование здорового образа жизни являются многоуровневыми задачами, требующими сочетания политической воли, развитой системы здравоохранения и участия общества.
Издательство
- Издательство
- НМИЦ ИМ. В.А. АЛМАЗОВ
- Регион
- Россия, Санкт-Петербург
- Почтовый адрес
- 197341, г Санкт-Петербург, Приморский р-н, ул Аккуратова, д 2 литера а
- Юр. адрес
- 197341, г Санкт-Петербург, Приморский р-н, ул Аккуратова, д 2 литера а
- ФИО
- Шляхто Евгений Владимирович (ГЕНЕРАЛЬНЫЙ ДИРЕКТОР)
- Контактный телефон
- +7 (965) 7594465