Быстрая предсказательная оценка активации сердца в левом желудочке с помощью геометрического глубокого обучения: шаг к планированию терапии ресинхронизации сердца

Почему важно время для ослабленного сердца

Для многих людей с тяжелой сердечной недостаточностью небольшие электрические импульсы от имплантированного устройства помогают основным насосным камерам сердца сокращаться более согласованно. Эта процедура, называемая терапией ресинхронизации сердца, может облегчить симптомы и продлить жизнь. Тем не менее примерно у одного из трех пациентов наблюдается слабый эффект, часто потому, что проводник на левой стороне сердца не может быть размещен в оптимальной точке. В этом исследовании изучают, могут ли компьютерные модели на базе современных методов искусственного интеллекта быстро предсказывать распространение электричества по левой части сердца и помогать врачам выбирать места стимуляции, адаптированные к каждому пациенту.

От медленных симуляций к мгновенным предсказаниям

Наиболее точные современные компьютерные модели сердца опираются на сложные уравнения, имитирующие, как электрические сигналы распространяются по сердечной мышце. Хотя такие симуляции детализированы, они могут занимать минуты на мощных компьютерах — слишком долго для рутинного использования во время вмешательства. Авторы поставили цель создать быстрые «заместительные» модели, которые могли бы научиться на этих тяжелых симуляциях и затем воспроизводить их результаты почти мгновенно. Они сосредоточились на левом желудочке — основной насосной камере сердца — и на предсказании «карт времени активации», показывающих, как быстро разные регионы этой камеры электрически включаются в ходе сердечного сокращения.

Обучение ИИ языку формы сердца

Форма сердца у каждого человека немного отличается, и эти различия влияют на распространение электрических волн. Вместо того чтобы принудительно приводить все сердца к жесткой сетке, исследователи использовали класс методов, называемый геометрическим глубоким обучением, который работает непосредственно с неправильными (неупорядоченными) формами. Они разработали и сравнили два родственных подхода. Первый, основанный на графовой нейронной сети, рассматривает левый желудочек как набор точек, связанных в виде сетки. Второй, называемый оператором нейронной сети с учетом геометрии, сначала кодирует эту неправильную форму на внутреннюю регулярную сетку, обрабатывает её, а затем отображает результат обратно на исходную анатомию. Обе модели принимают на вход трехмерную форму сердца, места стимуляции и проводимость ткани, а затем предсказывают, как активация распространяется по стенке миокарда.

Создание виртуальной популяции сердец

Поскольку большие наборы реальных данных пациентов с полными трехмерными картами активации редки, команда сгенерировала собственный виртуальный набор данных. Они начали с 75 реальных форм левого желудочка, охватывающих здоровые и больные сердца, и использовали статистическую модель формы, чтобы создать 35 000 синтетических вариантов. Для каждого варианта они назначали реалистичные направления мышечных волокон, выбирали одну или две точки стимуляции и варьировали проводимость ткани в широких пределах. Подробные физически обоснованные симуляции сгенерировали карты времени активации для всех этих виртуальных сердец, которые затем использовали для обучения и тестирования моделей глубокого обучения. Модели также проверяли на сетках более высокого разрешения и на геометриях левого желудочка, взятых из двух независимых клинических когорт, чтобы оценить, насколько хорошо они обобщаются за пределы синтетического тренировочного набора.

Насколько хорошо работали модели?

На синтетических сердцах, похожих на те, на которых их обучали, обе модели предсказывали карты активации с небольшими ошибками, но оператор нейронной сети с учетом геометрии был примерно вдвое точнее графовой нейронной сети. При переходе к реальным формам сердца ошибка увеличивалась для обеих моделей, и их производительность становилась сопоставимой. Это указывает на то, что главная ограничивающая причина — не мощность алгоритмов, а разрыв между упрощенными тренировочными формами и полной сложностью реальной анатомии пациентов. Тем не менее модели могли делать предсказания за миллисекунды — значительно быстрее примерно десяти минут, требуемых для традиционной симуляции — что делает их привлекательными для задач, требующих тысяч повторных оценок, например поиска среди множества возможных точек стимуляции.

Тестирование виртуального инструмента планирования

Затем команда встроила обученные модели в рабочий прототип потока планирования для терапии ресинхронизации. Начиная с формы левого желудочка и шумной карты активации, имитирующей клинические измерения, поток сначала работал в обратном направлении, чтобы оценить собственное (внутреннее) место стимуляции пациента и проводимость ткани. Затем выполнялся поиск по поверхности желудочка второй точки стимуляции, которая минимизировала бы общее время активации — величину, связанную в предыдущих исследованиях с лучшим ответом на терапию. Обе модели глубокого обучения смогли восстановить ключевые персональные параметры из шумных данных и предложить точки стимуляции, существенно сокращающие время активации, все это в течение десятков секунд на одном графическом процессоре. Авторы также создали веб‑интерфейс, где пользователи могут загружать геометрии, исследовать сценарии стимуляции и выполнять эту оптимизацию интерактивно.

Что это значит для пациентов

Эта работа демонстрирует, что тщательно обученные модели глубокого обучения могут имитировать подробные электрические симуляции левого желудочка для множества форм и сценариев стимуляции и делать это достаточно быстро, чтобы использовать их в инструментах планирования. Хотя текущие модели опираются на синтетические тренировочные данные и рассматривают только электрическое поведение в левом желудочке, они закладывают основу для более комплексных цифровых двойников, включающих обе стороны сердца и его механическую насосную функцию. С более богатыми реальными данными и дальнейшей доработкой такие инструменты однажды смогут помочь клиницистам протестировать множество стратегий стимуляции на компьютере до вмешательства, повышая вероятность того, что каждому пациенту подберут конфигурацию устройства, действительно восстанавливающую ритм сердца.

Цитирование: Naghavi, E., Wang, H., Ziaei-Rad, V. et al. Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning. npj Digit. Med. 9, 225 (2026). https://doi.org/10.1038/s41746-026-02399-7

Ключевые слова: терапия ресинхронизации сердца, геометрическое глубокое обучение, кардиальная электрофизиология, моделирование, специфичное для пациента, цифровой двойник