Возможность предсказания лодыжечно-плечевого индекса по допплеровским звукам с помощью глубокого обучения

Почему кровоток в ногах важен

Миллионы людей во всём мире живут с нарушенным кровоснабжением ног — состоянием, называемым заболеванием периферических артерий. Когда артерии ног сужаются или утрачивают эластичность, ходьба может вызывать боль, а раны плохо заживают, что иногда приводит к ампутации. Врачи используют простой тест — лодыжечно-плечевой индекс, который сравнивает давление в лодыжке и в руке, чтобы обнаружить проблему на ранней стадии. Но этот тест медленный, требует специального оборудования и часто не работает у людей с чрезмерно жёсткими артериями, например при диабете или заболеваниях почек. В этом исследовании изучается, может ли компьютер «услышать» знакомое шумовое сопровождение от ручного допплеровского прибора и мгновенно оценить, насколько хорошо кровь достигает стопы.

От шумов к оценке риска

Исследователи разработали систему, которую назвали AutoABI. Вместо установки нескольких манжет с измерением давления на конечности, клиницист использует стандартный ручной допплеровский датчик на лодыжке — так же, как в повседневной практике. Датчик улавливает звук пульсации крови в артерии. Эти звуки записывали короткими четырёхсекундными фрагментами при почти 800 исследованиях у 198 пациентов, направленных в сосудистую лабораторию больницы по поводу подозрений на заболевание артерий ног или нарушений кровообращения, связанных с диабетом. Цель заключалась в том, чтобы выяснить, сможет ли компьютерная программа отнести каждую запись к одному из четырёх диапазонов лодыжечно-плечевого индекса — от очень плохого кровотока до явно нормального.

Обучение компьютера слушать как специалист

Чтобы сделать аудио понятным для компьютера, команда сначала разделила каждую запись на одноcекундные отрезки, фиксирующие отдельные сердечные сокращения. Затем каждый отрезок преобразовали в цветное изображение — спектрограмму, которая показывает, как меняется энергия звука во времени и по частоте. Эти изображения подавались в модели глубокого обучения, известные как сверточные нейронные сети. Модели, построенные на двух версиях распространённой архитектуры для анализа изображений ResNet, научились распознавать шаблоны в допплеровских звуках, соответствующие клинически значимым категориям лодыжечно-плечевого индекса. Исследователи тщательно разделили данные так, чтобы звуки от одного и того же пациента никогда не попадали одновременно в обучающую и тестовую выборки — это помогло убедиться, что система усвоила общие правила, а не запомнила отдельные случаи.

Насколько хорошо работала система

После обучения AutoABI показала высокую способность различать четыре категории кровотока. Для обеих версий моделей она с высокой точностью отделяла нормальное кровообращение от патологического, что оценивали стандартными статистическими метриками, такими как площадь под кривой рабочей характеристики приёмник-оператор (AUC), которая приближалась к 0,95 или превышала его для всех классов. Большинство ошибок приходилось на неясные границы между «почти нормальным» и слегка сниженым кровотоком, где даже человеческие эксперты могут расходиться в оценках зрительно или на слух. Важно, что при применении системы к небольшой группе пациентов с диабетом, у которых артерии были слишком жёсткими для привычного измерения лодыжечно-плечевого индекса, предсказания модели соответствовали ожиданиям экспертов на основе формы допплеровских волн во всех десяти случаях.

Что это может означать в клинике

Авторы сравнили свой подход с коммерческими автоматизированными аппаратами для измерения лодыжечно-плечевого индекса, которые по‑прежнему полагаются на несколько манжет и измерения давления. Эти устройства быстрые, но имеют ту же слабость: они плохо работают, когда артерии жёсткие и не поддаются сжатию. AutoABI, напротив, требует только широко доступного ручного допплера и устройства, способного запускать модель глубокого обучения, например смартфона. Она жертвует точными числовыми значениями в пользу более широких диапазонов, но в обмен может предоставлять быструю и объективную помощь у кровати пациента, в отделениях неотложной помощи или в клиниках, где нет полноценной сосудистой лаборатории. Система может быть особенно полезна в условиях ограниченных ресурсов и для пациентов с высоким риском, у которых традиционные измерения ненадёжны.

Следующие шаги к реальному применению

Это исследование является ранним доказательством концепции, и авторы подчёркивают его ограничения. Набор данных, хотя и собран тщательно, был относительно небольшого размера, и число исследованных некопрессируемых сосудов было очень невелико. Качество записей зависело от того, как технолоg держал датчик, и от фонового шума, а система ещё не была протестирована с аппаратами разных производителей или в загруженных амбулаторных условиях. В дальнейшем потребуются большие, более разнообразные группы пациентов, учёт медицинской истории и постоянный мониторинг, чтобы защититься от смещения и деградации производительности. Тем не менее результаты указывают на то, что обучение компьютеров «слушать» кровоток может сделать тестирование кровообращения в ногах быстрее, дешевле и более доступным — потенциально позволяя вовремя выявлять серьёзные сосудистые заболевания до развития тяжёлых последствий.

Цитирование: Rao, A., Battenfield, K., Fereydooni, A. et al. Enabling ankle-brachial index prediction from doppler sounds using deep learning. npj Cardiovasc Health 3, 21 (2026). https://doi.org/10.1038/s44325-026-00116-7

Ключевые слова: заболевание периферических артерий, лодыжечно-плечевой индекс, допплеровское ультразвуковое исследование, глубокое обучение, перфузия конечностей