W kierunku w pełni zautomatyzowanej kwantyfikacji syntetycznego ECV: otwartodostępne podejście oparte na uczeniu maszynowym do szybkiego CMR bez pobierania krwi

Dlaczego to ma znaczenie dla zdrowia serca

Lekarze coraz częściej polegają na badaniach rezonansu magnetycznego serca, aby wykrywać wczesne blizny w mięśniu sercowym — subtelną zmianę związaną z wieloma poważnymi chorobami serca. Obecnie uzyskanie tych informacji zwykle wymaga zarówno czasochłonnej analizy obrazów, jak i badania krwi. Badanie pokazuje, że komputer może automatycznie odczytywać specjalne mapy MR serca i szacować te same parametry bez pobierania krwi, co otwiera drogę do szybszej, bardziej komfortowej i potencjalnie szerszej dostępności zaawansowanej diagnostyki kardiologicznej.

Widzenie ukrytych blizn w sercu

Wiele przewlekłych chorób serca powoduje zwłóknienie — drobne ogniska tkanki podobnej do blizny, które usztywniają mięsień sercowy i pogarszają długoterminowe rokowanie. Nowoczesny rezonans magnetyczny serca pozwala zmierzyć tzw. objętość zewnątrzkomórkową (ECV), która odzwierciedla, jaka część mięśnia sercowego zajęta jest przez płyn i tkankę włóknistą zamiast zdrowych komórek. ECV stało się silnym markerem obrazowym rozlanego zwłóknienia, ale jego pomiar w praktyce jest uciążliwy. Zwykle wymaga ręcznego rysowania obszarów na kilku obrazach MR, starannej korekcji ruchu oraz aktualnego badania krwi w celu określenia hematokrytu — udziału czerwonych krwinek we krwi.

Problem z badaniami krwi i pracą ręczną

W rzeczywistości szpitale często napotykają na wąskie gardła w tym tradycyjnym przepływie pracy. Nie wszystkie ośrodki są w stanie pobrać próbkę krwi w czasie zbliżonym do badania MR, a hematokryt sam w sobie może się zmieniać nawet pod wpływem tak prostych czynników, jak pozycja ciała. Analiza obrazów również zależy od wyszkolonych ekspertów, specjalistycznego oprogramowania i kilku ręcznych kroków, w których osoby obrysowują struktury serca warstwa po warstwie. Te etapy zajmują czas i mogą się różnić między czytelnikami czy ośrodkami, co utrudnia porównywanie wyników między szpitalami lub w dużych badaniach naukowych.

Nauczanie komputera odczytywania map serca

W oparciu o wcześniejsze prace, które wykazały, że hematokryt można oszacować bezpośrednio z sygnału MR w puli krwi serca, autorzy postawili sobie za cel zautomatyzowanie reszty procesu. Wykorzystali dane MR od ponad 1000 pacjentów skanowanych przy dwóch różnych siłach pola magnetycznego. W fazie treningowej eksperci starannie obrysowywali granice mięśnia sercowego i komór krwi na specjalnych mapach T1 wykonanych przed i po podaniu kontrastu. Przykłady te posłużyły do wytrenowania modelu uczenia głębokiego (sieć neuronowa typu U‑net), aby automatycznie znajdował te same struktury. Algorytm stosował także kroki przetwarzania obrazu, aby oddzielić krew od przylegającej tkanki i nieco zmniejszyć obrysy, by uniknąć rozmycia spowodowanego ruchem.

Od surowych skanów do syntetycznego ECV w jednym kroku

Po wytrenowaniu model przetestowano na oddzielnej grupie pacjentów. Dla każdej osoby automatycznie mierzył typowe wartości T1 w mięśniu sercowym i krwi, podstawiał te wartości do opublikowanych wzorów szacujących hematokryt na podstawie samego MR, a następnie obliczał „syntetyczne” ECV — całkowicie bez pobierania krwi i ręcznego obrysowywania. Badacze porównali to w pełni zautomatyzowane syntetyczne ECV z konwencjonalnym ECV obliczonym przy użyciu eksperckich obrysów i laboratoryjnie zmierzonego hematokrytu. Ogólnie obie metody były ze sobą dobrze zgodne: wartości średnie były niemal identyczne, a korelacja między nimi silna. Zgodność była szczególnie dobra w klinicznie istotnym zakresie do około 35% ECV, gdzie mieści się większość pacjentów.

Co działało dobrze, a gdzie pojawiają się trudności

Automatyczne obrysy zostały generalnie ocenione jako akceptowalne do doskonałych przez niezależnych specjalistów od obrazowania serca, a model radził sobie niezawodnie z obrazami z obu sił pola MR. Jednak różnice między pomiarami zautomatyzowanymi a konwencjonalnymi zwiększały się przy bardzo wysokich wartościach ECV, zakresie często odzwierciedlającym ciężką chorobę. Autorzy sugerują, że wynika to częściowo z tego, że takie skrajne przypadki były rzadkie w zbiorze danych, a częściowo dlatego, że jakość obrazu i zawiła anatomia mogą mylić algorytm. Zwracają też uwagę, że tradycyjny standard odniesienia używa małego regionu w przegrodzie serca, podczas gdy metoda zautomatyzowana uśrednia całą warstwę, co naturalnie wprowadza pewne różnice.

Co to oznacza w przyszłości

Na razie podejście to należy traktować raczej jako narzędzie badawcze niż gotową do wdrożenia klinicznego zamianę. Mimo to pokazuje, że komputer może wykorzystać standardowe mapy MR serca przed i po kontraście i bez badania krwi oraz przy minimalnym udziale człowieka wygenerować wartości ECV, które w większości przypadków bardzo dobrze odzwierciedlają pracochłonne pomiary stosowane dziś. Ponieważ kod i wytrenowany model są dostępne publicznie, inne ośrodki mogą testować, udoskonalać i dostosowywać metodę do swoich skanerów. Jeśli zostanie dalej zwalidowana — szczególnie u pacjentów z bardzo wysokim ECV — w pełni zautomatyzowana, bezkrwawa ocena ECV może uczynić zaawansowaną ocenę zwłóknienia szybszą, bardziej spójną i szerzej dostępną.

Cytowanie: Beyer, R.E., Hüllebrand, M., Doeblin, P. et al. Towards fully automated synthetic ECV quantification: an open-access machine learning-based approach for fast blood draw-free CMR. Sci Rep 16, 8552 (2026). https://doi.org/10.1038/s41598-026-43624-3

Słowa kluczowe: rezonans magnetyczny serca, zwłóknienie mięśnia sercowego, objętość zewnątrzkomórkowa, uczenie głębokie, automatyzacja obrazowania medycznego