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. Представленная работа описывает создание программного комплекса анализа электрограмм изолированных сердец мелких грызунов, главной частью которого является сегментирующая нейронная сеть 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.