АНАЛИЗ ЭПИКАРДИАЛЬНЫХ ЭЛЕКТРОГРАММ СРЕДСТВАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Одним из наиболее эффективных на сегодняшний день электрофизиологических методов изу­чения миокарда является метод использования микроэлектродных матриц, который отличает­ся высоким пространственным разрешением регистрации внеклеточных потенциалов. Слож­ности при анализе биоэлектрических потенциалов, регистрируемых с живых объектов иссле­дования (клетка, ткань, орган) прямыми методами, заключаются в нестабильности формы, ам­плитуды и частоты регистрируемых биоэлектрических потенциалов в зависимости от условий эксперимента, а также в присутствии электрических шумов и артефактов. Существует необхо­димость постоянного контроля параметров алгоритма обработки сигнала на множественных коротких временных интервалах с последующей тщательной верификацией результата. При­нимая во внимание высокие значения частоты дискретизации записи современной измеритель­ной техники и внушительные объемы выходных данных, становится очевидной необходимость использования алгоритмов искусственного интеллекта для решения данных аналитических за­дач. Кроме того, применение методов искусственного интеллекта имеет большие перспективы для выявления на электрограммах сердца предикторов жизнеугрожающих аритмий при экс­периментальном моделировании данных состояний. Электрограммы, задействованные в про­веденном исследовании, были получены методом мультиэлектродного картирования гибкими матрицами, включающими 64 регистрирующих электрода, с поверхности эпикарда изолиро­ванных перфузируемых сердец крыс. Под моментами активации на графике электрограммы подразумеваются точки максимальной крутизны спада потенциала, которые соответствуют моментам возникновения потенциалов действия на мембранах кардиомиоцитов, то есть воз­буждению ткани. Анализ частоты возникновения моментов активации на одном электроде или последовательности возникновения на нескольких электродах в пределах матрицы позволяет оценить такие параметры сердца, как его пейсмейкерная активность и электрическая проводи­мость миокарда. В рамках исследования биоэлектрической активности сердца перспективным направлением является применение методов искусственного интеллекта для автоматизации анализа электрограмм, зарегистрированных с поверхности эпикарда.

Сбор и предобработка данных выполнена при финансовой поддержке Минобрнауки РФ, проект № 0729-2021-013. Обучение нейронной сети выполнено в рамках реализации программы стратегическо­го академического лидерства Приоритет 2030.

Представленная работа описывает создание программного комплекса анализа электрограмм изолированных сердец мелких грызунов, главной частвго которого является сегментирующая нейронная сетв для локализации моментов активации миокарда на основе архитектуры UNet. Выбор данной архитектуры обусловлен ее эффективностью в задачах сегментации изобра­жений, что особенно важно для выделения структур на электрограммах сердца. Архитектура UNet характеризуется наличием сверточных слоев для извлечения признаков и декодером для точного восстановления пространственной информации. Это делает ее отличным выбором для задач сегментации медицинских данных, таких как электрограммы, где точность и полнота крайне важны. Однако, как упоминалось ранее: UNet из оригинальной статьи предназначен для сегментации изображений, в связи с чем нейросеть была адаптирована для анализа од­номерных сигналов. Ввиду небольшого количества размеченных данных для оценки качества модели была проведена кросс валидация, она проходила на восьми наборах данных. Успеш­ность сегментации оценивается показателем F1, который представляет собой гармоническое среднее между точностью и полнотой. В данном контексте значение метрики F1 в районе 0.77 свидетельствует о способности модели точно выделять и локализовать моменты активации в сердце. Цель работы заключается в создании программного обеспечения, включающего в себя следующий функционал: создание набора данных для обучения, валидации и тестирования, обучение модели, создание и редактирование разметки. В совокупности это позволит авто­матически локализовывать моменты активации на эпикардиальных электрограммах. Таким образом, разработанный нами программный комплекс обеспечивает выделение и точное опре­деление искомых моментов активации, что облегчает дальнейший анализ биоэлектрической активности и повышает эффективность исследований в области кардиологии, в том числе бла­годаря возможности обработки больших данных. В целом, разработанный программный ком­плекс представляет собой перспективное решение для автоматизации анализа эпикардиальных электрограмм, с использованием сегментирующей нейронной сети на основе архитектуры UNet и сопутствующих алгоритмов.

Список литературы

1. Baldazzi, G., Orru, М., Viola, G. and Pani, D. Computer-aided detection of arrhythmogenic sites in post-ischemic ventricular tachycardia // Scientific Reports. 2023. 13(1). P. 6906-6917. DOI: 10.1038/s41598-023-33866-w.
2. Louisse, Jochem. Assessment of acute and chronic toxicity of doxorubicin in human induced pluripotent stem cell-derived cardiomyocytes. Toxicology In Vitro 42. 2017. P. 182-190. DOI: 10.1016/j.tiv.2017.04.023.
3. Kujala, Ville J. Laminar ventricular myocardium on a microelectrode array-based chip // Journal of Materials Chemistry. 2016. P. 3534-3543. DOI: 10.1039/D0BM01373K.
4. Kharkovskaya E., Osipov G., Mukhina I.V. Ventricular fibrillation induced by 2- aminoethoxydiphenyl borate under conditions of hypoxia/reoxygenation // Minerva Cardioangiologica 68.6. 2020. P. 619-628. DOI: 10.23736/S0026-4725.20.05376-1.
5. Moskalenko V., Zolotykh N., Osipov G. Deep learning for ECG segmentation // Advances in Neural Computation, Machine Learning, and Cognitive Research III: Selected Papers from the XXI International Conference on Neuroinformatics, Springer International Publishing. 2020. P. 246-254. DOL 10.1007/978-3-030-30425-6_29.
6. Zhang, Z. Improved adam optimizer for deep neural networks // 26th international symposium on quality of service. IEEE, 2018. P. 1-2. DOI: 10.1109/IWQoS.2018.8624183.
7. Zhou, L., Zhang, C. and Wu, M. D-LinkNet: LinkNet with pretrained encoder and dilated convolution for high resolution satellite imagery road extraction //In Proceedings of the IEEE conference on computer vision and pattern recognition workshops. IEEE, 2018. P. 182-186.
8. Hu M., Frega M., Tolner E.A., van den Maagdenberg A.M.J.M., Frimat J.P., le Feber J. MEA-ToolBox: an Open Source Toolbox for Standardized Analysis of Multi-Electrode Array Data // Neuroinformatics. 2022 Oct; 20(4):1077-1092. DOL 10.1007/sl2021-022-09591-6. Epub 2022 Jun. 9. PMID: 35680724; PMCID: PMC9588481.
9. Dastgheyb R. M., Yoo S. W., Haughey N. J. MEAnalyzer — a Spike Train Analysis Tool for Multi Electrode Arrays // Neuroinformatics. 2020 Jan; 18(1): 163 179. DOL 10.1007/sl2021-019-09431-0. PMID: 31273627.
10. Li Z, Wang Y, Zhang N, Li X. An Accurate and Robust Method for Spike Sorting Based on Convolutional Neural Networks. Brain Sci. 2020 Nov. 11; 10(ll):835. DOL 10.3390/brainscil0110835. PMID: 33187098; PMCID: PMC7696441.
11. Ottom M. A., Rahman H. A., Dinov I. D. Znet: deep learning approach for 2D MRI brain tumor segmentation // IEEE Journal of Translational Engineering in Health and Medicine. 2022. T. 10. S. 1-8. DOL 10.1109/JTEHM.2022.3176737.
12. Yang Q., Zhang H., Xia J., Zhang, X. Evaluation of magnetic resonance image segmentation in brain low-grade gliomas using support vector machine and convolutional neural network // Quantitative Imaging in Medicine and Surgery, 11(1), 300. DOL 10.21037/qims-20-783.
13. Yang S., Kweon J., Roh J. H., Lee J. H., Kang H., Park L. J., Park S. J. Deep learning segmentation of major vessels in X-ray coronary angiography // Scientific reports, 9(1), 16897. DOI: 10.1038/s41598-019-53254-7.
14. Yildirim O., Baloglu U. B., Acharya U. R. A deep convolutional neural network model for automated identification of abnormal EEG signals // Neural Computing and Applications. 2020. T. 32. N 20. C. 15857-15868. DOI: 10.1007/s00521-018-3889-z.
15. Smirnov L. A., Osipov G. V., Kotikhina E.E., Smirnov R.O., Rybkin A. V., Moskalenko V. A., Karchkov D.A. A software for visualization, segmentation and marking of electrical graph signal // Type: Certificate of state registration of a computer program. Certificate number: RU 2023685068. Publication year: 2023. Registration date: 11/16/2023.