| Аннотация |
Цель исследования: разработать автоматическую систему анализа внутрисосудистых методов визуализации на основе машинного обучения для прижизненной оценки функционирования и ремоделирования тканеинженерных изделий для сосудистой реконструкции.
Актуальность исследования:
Атеросклероз, являющийся одной из наиболее распространенных патологий сердечно-сосудистой системы, сопровождается образованием атеросклеротических бляшек на внутренней поверхности сосудов и может приводить к критическому сужению их просвета, что в дальнейшем в зависимости от локализации проявляется ишемической болезнью сердца, нарушением мозгового кровообращения и заболеваниями периферических артерий [Nasir K., 2023; Alghamdi F.A., 2022; Yadav D.A., 2024]. Значимый стеноз внутренних сонных артерий (более 70%) является одной из основных причин инсульта головного мозга, а эффективным хирургическим способом коррекции данного состояния яляется каротидная эндартерэктомия [AbuRahma A.F., 2022]. Реконструкция сосудистой стенки заплатой является золотым стандартом хирургического лечения критического сужения просвета сосуда и наиболее часто применяется при каротидной эндартерэктомии [Marsman M.S., 2023]. Аналогичная тактика применима для лечения врожденных аномалий сердца и сосудов, а также травматического повреждения участков сосудистого русла [Sharrock A.E., 2019; Coleman D.M., 2020; Le Picault B.,2022; Engelhardt M., 2023].
На сегодняшний день на рынке медицинских изделий представлены заплаты из различных синтетических и биологических материалов: ePTFE, полиэтилентерефталат (Dacron), ксеноперикард. Однако, использование современных заплат все же связано с возникновением ряда осложнений: аневризмообразование, острое и/или хроническое воспаление, кальцификация, негативное ремоделирование и постимплантационный стеноз. Причем развитие такого рода осложнений одинаково часто встречается для каждого типа сосудистых заплат [Jonsson M., 2023]. В совокупности, развитие этих осложнений приводит к необходимости проведения повторного хирургического вмешательства, что сопряжено с более высоким хирургическим риском. В связи с этим для тканевой инженерии актуальна научная задача разработки новых материалов, обладающих максимальной комплаентностью с биологическими тканями различных отделов сердечно-сосудистой системы. В качестве решения данной научно-практической проблемы в настоящем проекте предлагается разработка нового композитного матрикса из природного биосовместимого биодеградируемого и синтетического инертного полимеров с улучшенными физико-механическими свойствами и сниженным риском постимплантационной гиперплазии неоинтимы для сосудистой реконструкции.
Второй научной проблемой является необходимость высокочувствительной оценки функции и ремоделирования сердечно-сосудистых имплантатов как в эксперименте на лабораторных животных, так и при клинических испытаниях. На сегодняшний день прижизненная диагностика функции и ремоделирования иплантированных в сосудистое русло протезов или заплат заключается в ультразвуковом или мультиспиральном компьютерном томографическом исследовании. Данные методы не обладают необходимым разрешением для оценки динамики формирования эндотелиального слоя клеток. Однако важным аспектом успешного долгосрочного функционирования имплантатов является полноценная эндотелизация всей его внутренней поверхности, контактирующей с кровью. Поэтому разработка метода in vivo оценки ремоделирования и эндотелизации как изделия, используемого в клинике, так и прототипа изделия, разрабатываемого для нужд сердечно-сосудистой хирургии, обладает высокой практической значимостью. Одним из потенциальных решений является использования внутрисосудистых методов визуализации (оптическая когерентная томография и внутрисосудистый ультразвук). Основными преимуществами методов являются: получение изображений с высоким разрешением на всем протяжении протеза с возможностью их анализа на разных сроках; возможность в режиме реального времени определять проходимость сосудистого протеза; детекция ремоделирования и аневризм, а также стенотических изменений и тромботических наложений; оценка формирования неоинтимы и ее толщины. При этом нет необходимости выводить лабораторное животное из эксперимента. Однако каждый из методов внутрисосудистой визуализации имеет свои преимущества и недостатки. Важно понимать различия двух методов для оптимального выбора опции внутрисосудистой визуализации и правильной интерпретации полученных данных. В отличии от внутрисосудистого ультразвука оптическая когерентная томография требует вымывания форменных элементов крови из кровеносного русла во время протяжки для качественной визуализации, что может иметь ограничения в зависимости от размера и анатомии сосуда. Внутрисосудистый ультразвук имеет меньшую разрешающую способность, чем оптическая когерентная томография. Несмотря на то, что размеры по данным внутрисосудистого ультразвука коррелируют с измерениями на оптической когерентной томографии, различия могут достигать от 11 до 22%. Оба метода имеют не только разную разрешающую способность, но и разную проникающую способность, вследствие чего внутрисосудистый ультразвук позволяет лучше визуализировать внутристеночные компоненты, а оптическая когерентная томография – компоненты внутри просвета сосуда. Более низкая проникающая способность оптической когерентной томографии также ограничивает максимальный размер исследуемого сосуда до 8 мм.
Третья научная проблема заключается в необходимости разработки алгоритмов машинного обучения для анализа большого массива данных внутрисосудистых методов исследований. Технологии искусственных нейросетей могут позволить нивелировать недостатки визуализирующих методов и оптимизировать анализ изображений для оценки патологии сосудистой стенки. Применяя алгоритмы глубокого обучения на основе свёрточных нейронных сетей, возможно снизить риски, возникающие при работе человека с такими данными; уменьшить длительность обработки; исключить субъективность; уменьшить частоту ошибок вследствие анализа большого объема данных. Искусственные нейросети способны принимать решения на основе признаков, которые в действительности являются малозначимыми, выдавая при обучении высокий результат точности, но рискуя ошибиться при анализе более нетипичных изображений. Решение проблемы повышения «прозрачности» работы нейросетевых алгоритмов, визуализации признаков, на основании которых происходит классификация или сегментация, заключается в увеличение обучающей выборки (датасета) данных для машинного обучения. Кроме того, понимание набора свойств внутрисосудистых методик, который ляжет в основу результатов анализа, их оценка экспертом-человеком на предмет релевантности должно стать важным этапом применения глубокого обучения.
|
| Приоритеты научно-технического развития |
в) переход к персонализированной, предиктивной и профилактической медицине, высокотехнологичному здравоохранению и технологиям здоровьесбережения, в том числе за счет рационального применения лекарственных препаратов (прежде всего антибактериальных) и использования генетических данных и технологий;; а) переход к передовым технологиям проектирования и создания высокотехнологичной продукции, основанным на применении интеллектуальных производственных решений, роботизированных и высокопроизводительных вычислительных систем, новых материалов и химических соединений, результатов обработки больших объемов данных, технологий машинного обучения и искусственного интеллекта;
|
