Перспективы применения цифровой рентгенографии для диагностики заболеваний системы кровообращений

Цифровые рентгеновские изображения органов грудной клетки пациентов с сердечно-сосудистыми заболеваниями (с врожденными и приобретенными пороками сердца) и здоровых людей (без патологии системы кровообращения) подвергались компьютерной обработке. Количественные показатели, полученные в результате, были использованы для построения паттернов (описательных моделей) при помощи Data Mining. Эти паттерны позволяют с высокими чувствительностью и специфичностью различать «норму» и «патологию», а также дифференцировать различные патологические состояния легочного сосудистого рисунка при врожденных пороках сердца и дифференцировать наиболее распространенные приобретенные клапанные пороки сердца по форме и размерам силуэта срединной тени 8 перспективе на основе полученных паттернов возможно создание автоматических систем для диагностики сердечно-сосудистых заболеваний по цифровым рентгенограммам.

В настоящее время получили широкое распространение такие методы лучевой диагностики, как УЗИ, компьютерная рентгеновская и ЯМР-томография. Естественно, с их помощью будут решаться проблемы предоперационной точной анатомической диагностики пороков сердца и магистральных сосудов. Однако первичное выявление патологических изменений в системе кровообращения по-прежнему остается в сфере методик, начинающихся с обычного рентгенологического исследования.

Традиционные пленочная флюорография и рентгенография, их цифровые аналоги, в том числе и конвертированные в цифровой формат экранно-пленочных изображения, являются сегодня методами первичного выявления заболеваний легких, сердца и крупных сосудов.

По прогнозу главного рентгенолога России Льва Марковича Портного, развитие цифровых методов получения рентгеновского изображения будет опережающим и приоритетным [7].

Метод цифровой рентгенографии позволяет перейти от качественных интуитивно-эмпирических оценок патологии легких и сердца к количественным цифровым показателям. Получение цифровых показателей моделей (описаний) нормы и различных патологических состояний, совмещенное с новыми методами статистической обработки, может перевести клиническую рентгенологию на качественно новый уровень доказательной медицины. Особо стоит отметить и тот факт, что на сегодняшний момент не разработаны программы автоматизированной обработки цифровых изображений, а это, в свою очередь, не позволяет использовать все возможности, которые нам предоставляет метод цифровой рентгенографии [1,5].

Целью настоящего исследования я вилось: изучить возможности цифровой рентгенографии и применить их для первичного отбора пациентов с врожденными и приобретенными пороками сердца.

Для достижения поставленной цели исследования необходимо решить следующие задачи:
1. Объективное определение изменений рентгенологического легочного рисунка при врожденных пороках сердца (ВПС) с переполнением малого круга кровообращения.
2. Объективная оценка изменений силуэта сердечно-сосудистой тени при приобретенных пороках сердца (ППС).

Приоритетность этих задач связана с тем, что при ВПС с переполнением малого круга кровообращения изменение рентгенологической картины легких (гиперволемия) является ведущим и легко выявляемым рентгенологическим синдромом, существующим с момента появления порока (с рождения). В то время как при ППС наиболее ранними, рентгенологическими симптомами являются расширение полостей сердца и крупных сосудов, а изменения в малом круге кровообращения, такие, как застой и гипертензия, возникают на более поздних стадиях порока, когда хирургическое лечение затруднено или даже невозможно.

Мы полагаем, что количественные характеристики состояния малого круга кровообращения и сердечнососудистой тени, полученные с помощью цифровой рентгенографии, позволят разработать автоматическую программу диагностики заболеваний сердца и сосудов. Универсальность, вычислительная мощность и относительно низкая стоимость современных персональных компьютеров (ПК) позволяют разрабатывать на их базе многофункциональное автоматизированное рабочее место (АРМ) врача-кардиолога. Возможности АРМ можно увеличить, если добавить к существующим АРМ автоматизированный модуль интеллектуального анализа цифрового рентгенологического изображения. При этом основным инструментом достижения этой цели являются новые принципы статистической обработки, заключенные в стандартном программном пакете «Statistica 6,1 Data Miner». На основе Data Mining можно создать автоматизированную систему дифференциальной диагностики пороков сердца, преимуществами которой являются высокая скорость проведения одновременного обследования большого количества пациентов, исключение «человеческого фактора ошибок», постоянное самообучение «виртуального диагноста» с повышением точности паттернов, возможность применения сетевых «диктантных» технологий [6].

Материал и методы
Рентгенологическое обследование проводили с помощью малодозового сканирующего аппарата «НОВОРЕНТ». Получаемое цифровое изображение обрабатывали на компьютере посредством программного обеспечения «ДИГИРЕНТ».

Для проведения статистической обработки полученных численных значений использовали программный пакет «Statistica 6.1 Data Miner», предоставленный компанией StatSoft Russia в рамках бесплатного Тестирования. Data Mining является мощным и эффективным инструментом для выявления ключевых новых и практически важных знаний, которые необходимы для принятия оптимального решения. Особенностями этой статистической программы являются независимость от распределения анализируемой выборки и использование алгоритмов, основанных на сравнении вероятностей реальных событий. В настоящее время Data Mining заслуженно завоевывает признание, как у зарубежных, так и у отечественных научно-медицинских работников как очень эффективный инструмент выявления новых знаний [6].

Изменения в малом круге кровообращения (МКК) при ВПС изучили у 98 пациентов в возрасте от 6 до 54 лет, которые условно были разделены на три группы: «норма» — 68 пациентов, «гиперволемия» — 23 пациента и «гипертеизия» — 7 пациентов. Переменной, «обучающей» программу «Statistica 6.1 Data Miner» тому, какое наблюдение рентгенолог-эксперт считал за тот или иной тип легочного артериального кровенаполнения, мы обозначили «тип кровенаполнения», определяемый визуально врачом-рентгенологом.

За тип кровенаполнения «норма» принимали легочный рисунок, характеризующийся «правильными закономерностями» [8]. В нашем исследовании такая рентгенологическая картина соответствовала расчетному давлению в легочной артерии по данным УЗИ не более 35 мм рт. ст. «Гиперволемия» характеризовалась на рентгенограммах признакам и увеличения кровотока в легких, что проявлялось «усилением» легочного рисунка, увеличением количества сосудистых теней на единицу площади легочного ноля. При гиперволемии обнаруживали большее количество сосудов, чем в норме, была снижена общая прозрачность легочной ткани [8]. Такая рентгенологическая картина у наших пациентов соответствовала давлению в легочной артерии от 35 до 60 мм рт. ст. «Гипертензия» рентгенологически характеризовалась увеличением ширины ствола и магистральных ветвей легочной артерии в прикорневых отделах и «обрубленностью» артериальных сосудов на уровне сегментарных ветвей, а также повышенной прозрачностью периферических отделов легочных полей [8]. У наших пациентов такую картину наблюдали, когда расчетное давление в легочной артерии превышало 60мм рт. ст. У больных ППС сердечную тень обследовали у 77 пациентов с различными пороками.

Всего было 8 условно выделенных клинических групп:

  • пороки митрального клапана — с преобладанием стеноза (MS) — 10 пациентов, с преобладанием недостаточности (MN) 10 пациентов и сочетанные (SMP) — 10 пациентов;
  • пороки аортального клапана — с преобладанием стеноза (AS) — 10 пациентов, с преобладанием недостаточности (AN) — 7 пациентов и сочетанные (SAP) — 10 пациентов;
  • комбинированные митрально-аортальные (КМАР) — 10 пациентов и митрально-трикуспидальные (КМТР) пороки — 10.

Для сравнения исследовали срединную тень условно здоровых людей (не страдающих заболеваниями сердечно-сосудистой системы) группа «нормы» (N) — 32 наблюдения. «Обучающей» переменной был выбран диагноз ППС, который устанавливал лечащий врач-кардиолог на основании углубленного инструментального обследования.

У больных ВПС определяли среднюю оптическую плотность легочной ткани, отражающую количество поглощенных рентгеновских квантов в определенных диагностически значимых участках правого легочного поля [3]. Кардиометрию у больных ППС проводили по собственной методике [2]. В результате были получены данные, которые мы занесли в две электронные базы данных: по оптической плотности диагностически значимых участков у пациентов с ВПС и по соотношению площадей частей силуэта сердечной тени у пациентов с ППС.

Дальнейшая работа со «Statistica 6.1 Data Miner» состояла из следующих этапов:
• заполнение столбца «обучающей переменной»;
• получение паттерна для «обучающей переменной» в каждой из изучаемых групп;
• кросс-проверка полученных паттернов на переменных составленной базы данных;
• анализ «нетипичных» случаев при помощи модуля «Boosting Classification Trees» (нетипичными мы условно обозначили клинические случаи, при которых не было однозначной принадлежности только к одному паттерну).

Термином «паттерн» («динамический стереотип») обозначают алгоритм, описывающий сущность явления или процесса. Можно создавать паттерны «типичных» изображений силуэтов сердечной тени и легочного рисунка при различных ВПС и ППС. После создания такой своего рода «медиатеки» паттернов цифровых рентгенограмм представляется возможным в автоматическом режиме осуществлять идентификацию анатомо-гемодинамичсских вариантов отклонений от условной нормы для различных пороков сердца,

Результаты и обсуждение
При обследовании групп пациентов с ВПС электронная база данных состояла из 98 клинических наблюдений по 15 переменным каждое наблюдение. Экспертом-рентгенологом для каждого клинического наблюдения была выполнена визуальная оценка типа легочного кровенаполнения и таким образом, на основании личного клинического опыта эксперта, была заполнена каждая ячейка колонки «обучающей переменной» — «Тип кровенаполнения». Затем были активированы встроенные алгоритмы модуля «Data Mining», и для каждого варианта типа легочного артериального кровенаполнения, предварительно идентифицированного экспертом, компьютером, получены паттерны, для чего программа «Data Mining» использовала полностью всю анализируемую базу данных, сравнивая вероятности встречаемости различных комбинаций значений переменных с вариантом экспертной оценки («обучающая переменная»), В результате были получены 3 паттерна, представленные в форме запроса SQL: «норма», «гиперволемия», «гипертения» (рисунок 1).

паттерн «НОРМА»
=( ((ST_9_DO >= 130.416113 And ST_9_DO <= 190663*100) ) Or ( (ST_REAL_6_DO >= 1.018747 And ST_REAL_6_DO <= 1.099972)) Or ((REALN_6_DO >= 119 And REALN_6_DO <= 170)) Or ((ST REAL_9_DO >= 0.505867 And SТ_RЕАL_9_DO <= 0.823960) ) Or ( (ST_REAL_9_DO >= 1.147987 And ST_REAL_9_DO <= 1.282402)) Or ((REALN_6_DO >= 197 And REALN_6_DO <=201)) Or ((ST_6_DO >= 187.334176 And ST_6_DO <= 191.431740) ) Or ( (VOZRAST >= 10 And VOZRAST <= 12) ) Or ( (ST_REAL_2_DO >= 0.838119 And ST_REAL_2_DO <= 0.848603)))
Рисунок 1. Паттерн вариантов легочного артериального кровенаполнения «норма», представленный в форме SQL-запроса.

При выполнении кросс-проверки соответствия оценки по выявленным паттернам оценке эксперта для каждого наблюдения получены результаты, характеризующие эффективность применения паттернов в качестве критерия дифференциальной диагностики. При этом в ряде случаев имелось одновременное соответствие двум или даже трем паттернам. Эти «нетипичные» случаи, вероятно, были связаны с несовершенством первого варианта паттернов и поэтому потребовали дополнительно второго этапа дифференциальной диагностики: разделения с помощью модуля «Деревья классификации» (рисунок 2).


Рисунок 2 Дерево классификации (алгоритм) дифференциальной диагностики гиперволемии для «нетипичных» случаев

N =( ((Х6 >= 0,4018 And X6 <= 0,4562)) Or ((XII >= 0,477 And XI1 <= 0,5495)) Or ((S >= 0,421 And S <= 0,493)) Or ((X8 >= 0,358 And X8 <= 0,4235)) Or ((X4 >= 0,404 And X4 <= 0,490)) Or ((X9 >=0,330333 And X9 <- 0,363333)) Or ((SR >= 0,378 And SR <= 0,445)) Or ((SL >= 0,416 And SL <= 0,462)) Or (((X2 >= 0,256 And X2 <= 0,453) ) And ( (X3 >= 0,462 And X3 <= 0,667)) And ( (X8 >= 0,4295 And X8 <= 0,497))) Or (((X3 >= 0,462 And X3 <= 0,667)) And ((X8 >= 0,4295 And X8 <= 0,497)) And ((X10 >= 0,260 And X10 <= 0,425))) Or ((X12 >= 0,452 And X12 <= 0,482)))
Рисунок 3 Паттерн силуэта сердечно-сосудистой тени — «условная норма» — в виде SQL-запроса

Алгоритмы дифференциальной диагностики по «Деревьям классификации» получены также с помощью программы «Data Mining» для нормоволемии, гиперволемии и гипертензии. В целом, после двух этапов дифференциальной диагностики (паттерны и деревья классификации) мы провели анализ прогностической ценности диагностических тестов по классической методике с применением «латинского квадрата». Вычисление Se (чувствительность) Sp (специфичность), +РУ (прогностическая ценность положительного результата), -РУ (прогностическая ценность отрицательного результата), Р (распространенность заболевания), LR+ (отношение правдоподобия положительного и отрицательного результатов теста), LR- (отношение правдоподобия отрицательного и положительного результатов теста) выполнено нами по методике, описанной в [4]. Таким образом, были рассчитаны семь классических показателей так называемой «операционной характеристики диагностического теста» (таблица 1).

Таблица 1
Результаты анализа прогностической ценности диагностического теста: последовательного применения идентификации типа легочного артериального кровенаполнения по паттернам и классифицирования по алгоритму «Деревьев классификаций»

Характеристики теста

 

 

Тип легочного артериального кровенаполнения

Нормоволемия

Гиперволемия

Гипертензия

Se (чувствительность)

71%

89%

100%

Sp (специфичность)

92%

75%

77%

+PV (прогностическая ценность положительного результата)

92%

63%

33%

-PV (прогностическая ценность отрицательного результата)

70%

94%

100%

Р (распространенность заболевания)

58%

32%

10%

LR+(отношение правдоподобия  положительного и отрицательного результатов теста)

8,9

3,6

4,3

LR-(отношение правдоподобия      отрицательного и положительного результатов теста)                            

0,3

0,1

Во второй электронной таблице (с результатами кардиометрических измерений у пациентов с ППС) ячейки «обучающей переменной» «Диагноз клапанного порока сердца» заполнял также непосредственно эксперт-клиницист (взяты из графы «диагноз» истории болезни). Назначением этой переменной было «обучение», передача клинического опыта компьютерной программе для того, чтобы последняя могла сформулировать в виде SQL запроса 9 паттернов: условной нормы и 8 наиболее распространенных приобретенных клапанных пороков.

После получения паттернов их SQL-описания были внесены в соответствующие поля формул электронной таблицы — виртуального классификатора, и произведен ее пересчет на основе этих идентифицирующих описаний. Виртуальный классификатор проанализировал значения переменных каждого наблюдения, сравнил их с «должными» значениями, зафиксированными в каждом из девяти паттернов, и по каждому паттерну вынес заключение о соответствии или несоответствии данного наблюдения данному паттерну.

В итоге по критерию паттерна «условная норма» лишь в одном клиническом случае машина не смогла распознать, что конфигурация сердечной тени у данного пациента соответствует варианту «нормы».

В случаях, когда одно наблюдение соответствовало нескольким паттернам одновременно, для окончательной дифференциальной диагностики потребовался второй этап. Программа модуля Data Mining — Boosting Classification Trees «проанализировала» 200 различных вариантов алгоритма окончательной идентификации клапанного порока сердца и указала на наиболее точный.

В результате последовательного выполнения двух этапов дифференциальной диагностики ППС но данным цифровой кардиометрии были рассчитаны семь классических показателей «операционной характеристики диагностического теста» (таблица 2).

Таблица 2
Результаты анализа прогностической ценности диагностического теста для приобретенных пороков сердца (по силуэту сердечно-сосудистой тени)

Характеристики теста

 

 

Виды приобретенных пороков сердца

MS

MN

AS

AN

SMP

SAP

KMAP

KMTP

N

Se (чувствительность)

80%

60%

70%

100%

60%

100%

100%

100%

97%

Sp (специфичность)

93%

92%

80%

99%

100%

99%

97%

98%

100%

+PV (прогностическая ценность положительного результата)

57%

46%

26%

87%

100%

91%

83%

90%

100%

-PV (прогностическая ценность отрицательного результата)

2%

4%

3%

4%

6%

Р (распространенность заболевания)

9%

9%

9%

9%

9%

9%

9%

9%

71%

LR+ (отношение правдоподобия положительного и отрицательного результатов теста)

13,33

8,57

3,68

102

100

50

100

LR- (отношение правдоподобия отрицательного и положительного результатов теста)

0,21

0,43

0,37

0,4

0,026

Примечание: MS — пороки митрального клапана с преобладанием стеноза, MN — пороки митрального клапана с преобладанием недостаточности, AS — пороки аортального клапана с преобладание стеноза, AN — пороки аортального клапана с преобладанием недостаточности. SMP — сочетанные пороки митрального клапана, SAP—сочетанные пороки аортального клапана. КМАР — комбинированные митрально-аортальные пopoки, КМТР — митрально-трикуспидальные пороки, N — группа «нормы» (условно-здоровые люди).

Из таблицы 2 видно, что полученные результаты указывают па имеющиеся различия в точности распознавания диагностическим алгоритмом отдельных клапанных пороков сердца. Трудности в дифференциальной диагностике с использованием разработанного нами алгоритма были при идентификации условной нормы, изолированного митрального стеноза и комбинированных пороков сердца.

Митральный стеноз часто ошибочно принимали за норму и наоборот. Вероятно, это может быть связано либо с минимальными различиями деформированного силуэта сердечно-сосудистой тени в прямой проекции у таких пациентов, либо с недостаточным количеством наблюдений для формирования точного «цифрового» паттерна митрального стеноза. Комбинированные пороки сердца также часто ошибочно принимали виртуальным классификатором за изолированный митральный стеноз. Поэтому основной задачей дальнейшего совершенствования разработанного нами цифрового диагностического алгоритма является повышение точности дифференциальной диагностики, в первую очередь, изолированного митрального стеноза.

Результаты проведенного исследования показали возможность создания на основе Data Mining автоматизированной системы дифференциальной диагностики пороков сердца, преимуществами которой являются: исключение «человеческого фактора ошибок», постоянное самообучение виртуального диагноста с постоянным повышением точности паттернов, возможности применения сетевых дистантных технологий и большая скорость одновременного проведения качественной диагностики у большого количества пациентов.

Созданный виртуальный классификатор позволяет различать варианты кровенаполнения легочного артериального русла и дифференцировать клапанные пороки сердца. Так как программа является «самообучаемой», то по мере увеличения количества клинических наблюдений точность паттернов будет возрастать, а следовательно, будет возрастать точность проводимой цифровой дифференциальной диагностики.

По нашему мнению, полученные исключительно для дифференциальной диагностики паттерны можно в перспективе применить и для изучения и объективной оценки послеоперационной динамики. Это представляет интерес не только с точки зрения фундаментальной проблемы обратимости вторичных изменений, вызванных в легких и сердце патологическим воздействием имеющегося порока сердца, развитием компенсаторных и паракомпенсаторных процессов, но важно и с практической точки зрения — для объективной оценки эффективности выполненной операции. Совершенно не изученным является вопрос о ремоделировании силуэта сердечной тени на разных этапах ведения больного с пороком сердца.

Выводы
1. Установлено, что разработанный при помощи Data Mining цифровой рентгенографии алгоритм идентификации вариантов кровенаполнения легких и силуэтов сердца при различных пороках является эффективным автоматизированным инструментом точной дифференциальной диагностики.
2. Чувствительность и специфичность разработанного способа автоматизированной дифференциальной диагностики типа легочного артериального кровенаполнения методом цифровой рентгенографии составили 71-100% и 77-92% соответственно.
3. Чувствительность и специфичность дифференциальной диагностики конфигурации сердечной тени при ППС составили 60-80% и 92-100%.
4. Входящие в состав Программы «Statistica 6.1 Data Miner» (StatSoft.USA) статистические модули позволяют создавать экспертные системы для решения актуальных задач идентификации, классификации и прогнозирования в кардиохирургии.

Материалы, размещенные на данной странице, носят исключительно информационный характер, предназначены для образовательных целей и не могут использоваться пользователями сайта для постановки диагноза и выбора метода лечения. Диагностику и лечение должен проводить только лечащий врач. Администрация сайта не несёт ответственности за возможные негативные последствия, возникшие в результате использования информации, размещенной на сайте http://medafarm.ru/.