Пензенские ученые создали нейросеть для точного планирования операций на сердце
Специалисты Пензенского государственного университета (ПГУ) разработали программу «3D-CorVasculograph», которая с помощью графовых нейронных сетей моделирует 3D-структуру венечных артерий сердца. Ее применение позволит хирургам точнее планировать ангиопластику — малоинвазивные операции по восстановлению кровотока в сосудах. Точность предсказания диаметров артерий достигает 97 %, что снижает риски осложнений и открывает путь к персонализированной кардиохирургии. Разработка также станет учебным инструментом для будущих медиков.
Сердечно-сосудистые заболевания остаются главной причиной смертности в мире. Ангиопластика, при которой в суженную артерию вводят стент для расширения просвета, спасает пациентов от инфарктов и инсультов. Однако успех операции зависит от понимания индивидуальных особенностей строения сосудов.
«Ошибка даже в полмиллиметра может привести к рестенозу или разрыву артерии», — отметил один из авторов разработки, профессор ПГУ, доктор медицинских наук Олег Зенин.
Программа «3D-CorVasculograph», разработанная междисциплинарной командой университета, объединившей медиков и IT-специалистов, воссоздает трехмерную модель венечных артерий, какой они были до развития патологии. После ввода исходного диаметра сосуда нейросеть за секунды генерирует полную карту русла с тысячами ответвлений (бифуркаций). Каждая бифуркация — место деления артерии на две ветви — уникальна, как отпечаток пальца. Знание изначальной анатомии позволяет медикам выбрать оптимальный размер стента и выстроить стратегию операции.
Основой для обучения нейросети стали данные 30 коррозионных препаратов — слепков артерий людей, не страдавших сердечными заболеваниями. В сосуды вводили контрастное вещество, после чего проводили КТ-сканирование и ручные замеры 957 бифуркаций.
«Мы оцифровали длину, диаметры и углы ветвления, создав библиотеку здоровых параметров. Но ключевой прорыв связан с применением графовых нейронных сетей (GNN), которые анализируют сосуды как математические графы — совокупности узлов и связей», — рассказал Олег Зенин.
Команда протестировала пять архитектур GNN, включая сети на основе трансформеров, аналогичных тем, что используются в ChatGPT. Наивысшую точность (97%) показала модель с механизмом внимания, способная выделять ключевые участки сосудов. Это первый в мире случай применения GNN в кардиологии.
«Обычные нейросети не работают с такими разветвленными структурами, как артерии. Графовые сети идеально подходят для этого: они учитывают иерархию бифуркаций и связи между ними», — пояснил также участвовавший в исследовании заведующий кафедрой «Компьютерные технологии» ПГУ, доктор технических наук Владимир Горбаченко.
Сейчас разработчики интегрируют нейросеть в «3D-CorVasculograph». В дальнейшем они планируют расширить базу данных, добавив в нее информацию о патологиях.