К полносамостоятельной синтетической оценке ECV: открытый метод на основе машинного обучения для быстрой CMR без взятия крови

Почему это важно для здоровья сердца

Врачи все чаще полагаются на МРТ сердца, чтобы выявлять ранние участки рубцевания в сердечной мышце — тонкие изменения, связанные со многими серьезными сердечными заболеваниями. Сегодня получение такой информации обычно требует и трудоемкого анализа изображений, и анализа крови. В этом исследовании показано, что компьютер способен автоматически считывать специальные сердечные МРТ и оценивать ту же информацию без забора крови, что открывает путь к более быстрому, более комфортному и, возможно, более широкому доступу к современным методам диагностики сердца.

Видеть скрытые рубцы в сердце

Многие хронические заболевания сердца вызывают фиброз — небольшие очаги рубцеобразной ткани, которые делают сердечную мышцу жестче и ухудшают прогноз на длительную перспективу. Современная кардиальная МРТ позволяет измерять так называемый внеклеточный объем (ECV), отражающий, какая доля сердечной мышцы занята жидкостью и волокнистой тканью вместо здоровых клеток. ECV стал мощным маркером диффузного фиброза, но измерение его на практике неудобно. Обычно это требует ручного обведения областей на нескольких снимках МРТ, аккуратной коррекции движений и недавнего анализа крови для определения гематокрита — доли эритроцитов в крови.

Проблема с анализами крови и ручной работой

В реальных условиях больниц такой традиционный рабочий процесс становится узким местом. Не все центры могут взять пробу крови близко по времени к МРТ, а гематокрит сам по себе может меняться под влиянием таких простых факторов, как положение тела. Анализ изображений также зависит от обученных специалистов, специализированного ПО и нескольких ручных шагов, когда люди по срезам обводят структуры сердца. Эти этапы отнимают время и могут варьироваться между ридерами или центрами, что затрудняет сравнение результатов между больницами или в крупных исследованиях.

Обучение компьютера читать карты сердца

Опираясь на предыдущие работы, показавшие, что гематокрит можно оценить непосредственно по сигналу МРТ в полости крови сердца, авторы поставили цель автоматизировать остальную часть процесса. Они использовали данные МРТ более чем 1000 пациентов, исследованных в двух разных магнитных полях. На этапе обучения эксперты тщательно обводили границы миокарда и камер сердца на специальных T1 «картах» до и после введения контрастного вещества. Эти примеры использовались для обучения модели глубокого обучения (нейросеть типа U‑net) автоматически находить те же структуры. Алгоритм также применял методы обработки изображений для отделения крови от близлежащих тканей и небольшого сужения границ, чтобы избежать размытия из‑за движения.

От сырых снимков к синтетическому ECV за один шаг

После обучения модель протестировали на отдельной группе пациентов. Для каждого человека она автоматически измеряла типичные значения T1 в миокарде и крови, подставляла эти значения в опубликованные формулы, позволяющие оценить гематокрит по МРТ, а затем рассчитывала «синтетический» ECV — полностью без забора крови и ручного обведения. Исследователи сравнили этот полностью автоматический синтетический ECV с обычным ECV, рассчитанным с использованием экспертных контуров и лабораторно измеренного гематокрита. В целом методы хорошо согласовывались: средние значения были практически идентичны, а корреляция между ними была высокой. Согласование было особенно хорошим в клинически важном диапазоне до примерно 35% ECV, где находится большинство пациентов.

Что получилось хорошо и где возникают трудности

Автоматические контуры в целом оценивались независимыми специалистами по визуализации сердца как приемлемые или отличные, и модель надежно справлялась с изображениями из обоих магнитных полей. Однако различия между автоматическими и традиционными измерениями увеличивались при очень высоких значениях ECV — в диапазоне, который часто отражает тяжелое заболевание. Авторы предполагают, что это отчасти связано с редкостью таких экстремальных случаев в наборе данных, а отчасти — с тем, что качество изображения и сложная анатомия могут запутать алгоритм. Они также отмечают, что традиционный эталон использует небольшую область в межжелудочковой перегородке, тогда как автоматический метод усредняет весь срез, что естественно вносит некоторые различия.

Что это значит в перспективе

Пока этот подход лучше рассматривать как инструмент для исследований, а не готовую клиническую замену. Тем не менее он показывает, что компьютер способен брать стандартные пред- и постконтрастные карты сердца МРТ и, без анализа крови и с минимальным участием человека, получать значения ECV, которые в большинстве случаев близко соответствуют сегодняшним трудоемким измерениям. Поскольку код и обученная модель доступны открыто, другие центры могут тестировать, совершенствовать и адаптировать метод под свои сканеры. При дальнейшей валидации — особенно у пациентов с очень высоким ECV — полностью автоматизированный, свободный от забора крови ECV может сделать оценку фиброза быстрее, более согласованной и более доступной.

Цитирование: 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

Ключевые слова: кардиальная МРТ, миокардиальный фиброз, внеклеточный объем, глубокое обучение, автоматизация медицинской визуализации