Uczenie głębokie do segmentacji naczyń i analizy przepływu w celu identyfikacji klastrów powiązanych z niekorzystnymi rezultatami w rejestrze pacjentów po procedurze Fontana

Dlaczego badanie przepływu krwi u dzieci ma znaczenie

Dzieci urodzone z tylko jedną funkcjonującą komorą serca często przechodzą skomplikowaną operację zwaną procedurą Fontana, by mogły przeżyć do dorosłości. Pacjenci ci mogą przez lata wydawać się stabilni, jednak niektórzy z nich później rozwijają poważne problemy związane z sercem i wątrobą. Lekarze już gromadzą szczegółowe skany MR, które rejestrują, jak krew rzeczywiście porusza się przez serce i naczynia w czasie, ale większość tych bogatych danych ruchu nigdy nie jest wykorzystywana. To badanie pokazuje, jak współczesna sztuczna inteligencja może wydobyć te ukryte informacje na dużą skalę, ujawniając wzorce przepływu krwi powiązane z lepszymi lub gorszymi długoterminowymi wynikami zdrowotnymi.

Przekształcanie tysięcy skanów w użyteczne dane

Naukowcy pracowali z rejestrem FORCE, dużym międzynarodowym zbiorem badań MR serca od ponad 3000 osób z krążeniem typu Fontan. Każde badanie zawiera specjalistyczne filmy śledzące, jak szybko krew płynie przez kluczowe naczynia podczas każdego cyklu serca. Aby nauczyć się na podstawie tych skanów, zespół musiał najpierw wyznaczyć obrysy naczyń na każdej klatce obrazu i zmierzyć przepływ w czasie — żmudne, ręczne zadanie, które zajęłoby szacunkowo rok ciągłej pracy ekspertów. Zamiast tego zbudowali model uczenia głębokiego, który potrafi rozpoznać, które naczynie jest obrazowane, i automatycznie narysować granicę naczynia dla pięciu głównych dróg: aorty oraz czterech dużych żył i tętnic prowadzących do i z płuc.

Jak działa inteligentny system segmentacji

Rdzeniem systemu jest sieć neuronowa, która analizuje każdy film jako krótki blok 3D: dwie wymiary przestrzenne plus czas. Przyjmuje dwie wersje sygnału MR — jedną pokazującą anatomię, drugą uwypuklającą poruszającą się krew — i została wytrenowana na 260 badaniach, w których eksperci ręcznie odrysowali naczynia. Model nie tylko wyznacza obrysy struktur; uczy się także identyfikować, które naczynie jest które, wspomagany informacjami wpisanymi przez operatora skanera w czasie badań. Dzięki temu połączeniu klasyfikacji i segmentacji system osiągnął bardzo wysokie pokrycie z ręcznymi odrysowaniami i poprawnie rozpoznawał typ naczynia w niemal wszystkich przypadkach testowych, mimo niezwykle skręconej i zmiennej anatomii typowej dla pacjentów po Fontanie.

Skalowanie na cały międzynarodowy rejestr

Po walidacji model umieszczono w zautomatyzowanym pipeline’ie w chmurze i zastosowano do ponad 4500 badań z rejestru. Dla każdego skanu wyodrębniał filmy przepływu, segmentował pięć docelowych naczyń i generował krzywą przepływ‑wobec‑czasu dla każdego uderzenia serca, wszystko bez ingerencji człowieka. Eksperci później sprawdzili wyniki i stwierdzili, że około 90% segmentacji było wystarczająco dobrych do zastosowań klinicznych, gdy wszystkie pięć naczyń było obecnych. System radził sobie nieco słabiej u pacjentów o wyjątkowo nietypowej anatomii, np. z podwójnymi żyłami, ale mimo to dostarczył ogromny, wcześniej nieosiągalny zbiór czystych, zmieniających się w czasie pomiarów przepływu krwi.

Odnajdywanie ukrytych typów przepływu powiązanych z wynikami

Mając w ręku tysiące krzywych przepływu, drugi model uczenia głębokiego zespołu poszukiwał naturalnych grup pacjentów opartych wyłącznie na tym, jak krew poruszała się przez naczynia w czasie. Model kompresował każdą parę krzywych — albo z tętnic płucnych, albo z dużych żył — do zwartej wewnętrznej reprezentacji, a następnie grupował pacjentów w odrębne „fenotypy” przepływu. Niektóre grupy miały zrównoważone, prawidłowej wielkości przepływy; inne wykazywały obniżony całkowity przepływ, dominujący przepływ do jednego płuca lub przepływ przesunięty w kierunku fazy rozkurczu serca. Naukowcy śledzili następnie pacjentów w czasie i odkryli, że pewne wzorce przepływu wiążą się z wyższym ryzykiem śmierci, przeszczepu serca lub choroby wątroby, nawet po uwzględnieniu wieku, siły skurczu serca i innych standardowych miar.

Co to może znaczyć dla przyszłej opieki

Mówiąc prościej, badanie pokazuje, że sposób, w jaki krew przepływa przez krążenie Fontana — które naczynia niosą więcej lub mniej przepływu i w którym momencie cyklu serca — zawiera istotne wskazówki o tym, którzy pacjenci mogą doświadczyć poważnych powikłań. Autorzy wykazują, że sztuczna inteligencja potrafi przekształcić duże archiwa surowych filmów MR w sensowne profile przepływu i grupy ryzyka, bez ręcznego odrysowywania czy reguł tworzonych ręcznie. W przyszłości taki system mógłby działać automatycznie tuż po badaniu MR dziecka, wskazując osoby, których wzorce przepływu przypominają grupy o wyższym ryzyku, i pomagając lekarzom dopasować kontrole, badania uzupełniające czy planowanie chirurgiczne. Poza pacjentami po Fontanie, to samo podejście można by zaadaptować do innych schorzeń serca, badań śledzących ruch lub nawet codziennych sygnałów jak EKG, lepiej wykorzystując informacje, które szpitale już zbierają, ale rzadko wykorzystują dogłębnie.

Cytowanie: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

Słowa kluczowe: Krążenie Fontana, rezonans magnetyczny serca, uczenie głębokie, wzorce przepływu krwi, stratyfikacja ryzyka pacjentów