Глубокое обучение для сегментации сосудов и анализа потока с целью выявления кластеров, связанных с неблагоприятными исходами, в регистре пациентов с циркуляцией Фонтана

Почему важно изучать кровоток у детей

Дети, родившиеся с одним работающим сердечным желудочком, часто проходят сложную операцию — процедуру Фонтана — чтобы выжить и дожить до взрослого возраста. Эти пациенты могут выглядеть стабильными годами, но у некоторых позднее развиваются серьёзные проблемы с сердцем и печенью. Врачи уже собирают подробные МРТ‑сканы, фиксирующие, как кровь движется по сердцу и сосудам во времени, но большая часть этих богатых данных о движении остаётся неиспользованной. В этом исследовании показано, как современные методы искусственного интеллекта могут масштабно раскрыть скрытую информацию, выявляя закономерности кровотока, связанные с лучшим или худшим долгосрочным здоровьем.

Преобразование тысяч сканов в пригодные для анализа данные

Исследователи работали с регистром FORCE, большой международной коллекцией обследований сердечной МРТ более чем у 3000 человек с циркуляцией Фонтана. Каждое обследование включает специальные кинопоследовательности, отслеживающие скорость кровотока в ключевых сосудах в каждом сердечном цикле. Чтобы обучиться на этих сканах, команде сначала нужно было очертить сосуды на каждом кадре и измерить поток во времени — утомительная ручная работа, которая заняла бы примерно год непрерывной работы экспертов. Вместо этого они создали модель глубокого обучения, которая одновременно распознаёт, какой сосуд изображён, и автоматически проводит контур пяти основных путей: аорты и четырёх крупных вен и артерий, ведущих к лёгким и от них.

Как работает интеллектуальная система сегментации

В основе системы — нейронная сеть, анализирующая каждую кинопоследовательность как короткий 3D‑блок: две пространственные оси плюс время. На вход подаются две версии МР‑сигнала — одна показывает анатомию, другая выделяет движущуюся кровь — и сеть обучалась на 260 обследованиях, где эксперты вручную обвели сосуды. Модель не просто проводит контуры; она также учится определять тип сосуда, помогаясь информацией, введённой оператором аппарата при сканировании. Благодаря сочетанию классификации и сегментации система достигла очень высокого совпадения с человеческими обводками и правильно определяла тип сосуда почти во всех тестовых случаях, несмотря на необычно искривлённую и вариабельную анатомию, характерную для пациентов с Фонтаном.

Масштабирование на весь международный регистр

После валидации модель была внедрена в автоматизированный облачный конвейер и применена к более чем 4500 обследованиям из регистра. Для каждого скана она отбирала кинопоследовательности потока, сегментировала пять целевых сосудов и генерировала кривую «поток‑во‑времени» для каждого сердечного цикла — полностью без вмешательства человека. Эксперты затем проверили результаты и обнаружили, что примерно 90% сегментаций были достаточно хороши для клинического использования, когда все пять сосудов присутствовали. Система работала чуть хуже у пациентов с особенно необычной анатомией, например при дублированных венах, но при этом позволила получить огромную, ранее недоступную базу чистых измерений кровотока во времени.

Поиск скрытых типов кровотока, связанных с исходами

Имея тысячи кривых потока, вторая модель глубокого обучения команды искала естественные группы пациентов, опираясь исключительно на то, как кровь двигалась по сосудам во времени. Эта модель сжимала каждую пару кривых — либо из лёгочных артерий, либо из крупных вен — в компактное внутреннее представление и затем кластеризовала пациентов по различным «фенотипам» потока. Некоторые группы демонстрировали сбалансированные, нормальные по величине потоки; другие показали снижение общего кровотока, доминирование потока в одну сторону лёгкого или сдвиг пикового потока в фазу расслабления сердца. Исследователи затем отслеживали пациентов во времени и обнаружили, что определённые паттерны кровотока связаны с повышенным риском смерти, трансплантации сердца или заболеваний печени, даже после учёта возраста, сократимости сердца и других стандартных показателей.

Что это может означать для будущего ухода

Проще говоря, исследование демонстрирует, что то, как кровь движется по циркуляции Фонтана — какие сосуды несут больше или меньше потока и в какой момент сердечного цикла — содержит важные подсказки о том, какие пациенты с большей вероятностью столкнутся с серьёзными осложнениями. Авторы показывают, что искусственный интеллект может превращать большие архивы сырых МР‑кино в информативные профиль‑потока и группы риска без ручной обводки или вручную созданных правил. В будущем такая система могла бы запускаться автоматически сразу после МРТ ребёнка, отмечая тех, чьи паттерны потока напоминают группы с повышенным риском, и помогая врачам адаптировать наблюдение, обследования или даже планирование операций. За пределами пациентов с Фонтаном тот же подход может быть адаптирован к другим сердечным заболеваниям, сканам с отслеживанием движения или даже повседневным сигналам, таким как ЭКГ, позволяя глубже использовать информацию, которую больницы уже собирают, но редко всесторонне анализируют.

Цитирование: 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

Ключевые слова: Циркуляция Фонтана, сердечная МРТ, глубокое обучение, карты кровотока, стратификация риска пациентов