ПРИМЕНЕНИЕ МЕТОДОВ ОБЪЯСНИМОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ СЕГМЕНТАЦИИ И КЛАССИФИКАЦИИ АТЕРОСКЛЕРОТИЧЕСКИХ БЛЯШЕК ПО ДАННЫМ ОПТИЧЕСКОЙ КОГЕРЕНТНОЙ ТОМОГРАФИИ

Основные положения

В работе разработан и апробирован гибридный подход, объединяющий методы глубокого обучения и объяснимого искусственного интеллекта (Explainable AI, XAI), для сегментации и классификации атеросклеротических бляшек. Применение методов объяснимого искусственного интеллекта позволило повысить интерпретируемость нейросетевых моделей и приблизить их практическое использование в клинической диагностике атеросклероза. Полученные результаты демонстрируют потенциал интеграции XAI для формирования надежных и прозрачных систем поддержки принятия решений в кардиологии.

Цель. Разработать и протестировать комплексный метод автоматизированной сегментации и классификации морфологических признаков атеросклеротических бляшек на основе оптической когерентной томографии с применением подходов объяснимого искусственного интеллекта.

Материал и методы. Проведено обучение девяти современных сегментационных нейросетевых архитектур на наборе из 103 исследований оптической когерентной томографии, аннотированных по четырем ключевым признакам бляшек. Для оценки интерпретируемости результатов применены девять методов объяснимого искусственного интеллекта.

Результаты. Наилучшие результаты сегментации достигнуты с использованием моделей DeepLabV3+ и MA-Net (DSC – до 72,1%). Методы LayerCAM и HiResCAM показали наибольшую стабильность и точность при визуализации областей внимания.

Заключение. Предложенный подход демонстрирует высокую точность автоматизированного анализа и интерпретируемость результатов, что способствует повышению доверия врачей и может стать основой для дальнейшего развития клинических систем в кардиологии.

1. F. Zibaeenejad, S. S. Mohammadi, M. Sayadi, F. Safari, and M. J. Zibaeenezhad, “Ten-year atherosclerosis cardiovascular disease (ASCVD) risk score and its components among an Iranian population: a cohort-based cross-sectional study,” BMC Cardiovasc Disord, vol. 22, no. 1, p. 162, Mar. 2022, doi: 10.1186/s12872-022-02601-0.

2. N. A. Kochergin, A. M. Kochergina, V. I. Ganyukov, and O. L. Barbarash, “Vulnerable Plaques in Patients with Stable Coronary Artery Disease,” in Horizons in World Cardiovascular Research, vol. 21, E. H. Bennington, Ed., Nova Science Publishers, 2021, pp. 187–203.

3. M. Vaduganathan, G. A. Mensah, J. V. Turco, V. Fuster, and G. A. Roth, “The Global Burden of Cardiovascular Diseases and Risk,” J Am Coll Cardiol, vol. 80, no. 25, pp. 2361–2371, Mar. 2022, doi: 10.1016/j.jacc.2022.11.005.

4. M. Araki et al., “Predictors of Rapid Plaque Progression,” JACC Cardiovasc Imaging, vol. 14, no. 8, pp. 1628–1638, Mar. 2021, doi: 10.1016/j.jcmg.2020.08.014.

5. P. Baruś et al., “Comparative Appraisal of Intravascular Ultrasound and Optical Coherence Tomography in Invasive Coronary Imaging: 2022 Update,” J Clin Med, vol. 11, no. 14, p. 4055, Mar. 2022, doi: 10.3390/jcm11144055.

6. Кочергин Н.А., Кочергина А.М., “Внутрисосудистый ультразвук как метод выявления нестабильных атеросклеротических бляшек коронарных артерий (обзор литературы) | Кочергин | Медицинская визуализация,” Медицинская визуализация, vol. 4, pp. 82–87, 2017, doi: https://doi.org/10.24835/1607-0763-2017-4-82-87.

7. N. A. Kochergin and A. M. Kochergina, “Возможности оптической когерентной томографии и внутрисосудистого ультразвука в выявлении нестабильных бляшек в коронарных артериях,” Кардиоваскулярная терапия и профилактика, vol. 21, no. 1, p. 2909, Jan. 2022, doi: 10.15829/1728-8800-2022-2909.

8. D. Chamié et al., “Optical Coherence Tomography Versus Intravascular Ultrasound and Angiography to Guide Percutaneous Coronary Interventions,” Circ Cardiovasc Interv, vol. 14, no. 3, p. E009452, Mar. 2021, doi: 10.1161/CIRCINTERVENTIONS.120.009452.

9. Н.А. Кочергин, А.М. Кочергина, В.И. Ганюков, О.Л. Барбараш. Нестабильные атеросклеротические бляшки коронарных артерий у пациентов со стабильной ишемической болезнью сердца. Комплексные проблемы сердечно-сосудистых заболеваний. 2018; 7 (3): 65-71. DOI: 10.17802/2306-1278-2018-7-3-65-71

10. L. S. Athanasiou et al., “Methodology for fully automated segmentation and plaque characterization in intracoronary optical coherence tomography images,” J Biomed Opt, vol. 19, no. 2, p. 26009, Mar. 2014, doi: 10.1117/1.JBO.19.2.026009.

11. M. C. Williams et al., “Artificial Intelligence and Machine Learning for Cardiovascular Computed Tomography (CCT): A White Paper of the Society of Cardiovascular Computed Tomography (SCCT),” J Cardiovasc Comput Tomogr, vol. 0, no. 0, Mar. 2024, doi: 10.1016/j.jcct.2024.08.003.

12. C. Kolluru, D. Prabhu, Y. Gharaibeh, H. Bezerra, G. Guagliumi, and D. Wilson, “Deep neural networks for A-line-based plaque classification in coronary intravascular optical coherence tomography images,” Journal of Medical Imaging, vol. 5, no. 04, p. 1, Mar. 2018, doi: 10.1117/1.JMI.5.4.044504.

13. C. Rudin, “Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead,” Nat Mach Intell, vol. 1, no. 5, pp. 206–215, Nov. 2018, doi: 10.1038/s42256-019-0048-x.

14. W. Samek, T. Wiegand, and K.-R. Müller, “Explainable Artificial Intelligence: Understanding, Visualizing and Interpreting Deep Learning Models,” Aug. 2017, Accessed: Jul. 06, 2025. [Online]. Available: https://arxiv.org/pdf/1708.08296

15. R. R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, and D. Batra, “Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization,” Int J Comput Vis, vol. 128, no. 2, pp. 336–359, Oct. 2016, doi: 10.1007/s11263-019-01228-7.

16. Y. Zhang, P. Tiňo, A. Leonardis, and K. Tang, “A Survey on Neural Network Interpretability,” 2021, Accessed: Jul. 06, 2025. [Online]. Available: https://www.acm.org/media-center/2019/march/turing-award-2018

17. С. В. Емельянов, Д. А. Макаров, Стабилизация угла тангажа вертолета на различных режимах полета с помощью координатно-операторной и операторной обратных связей, Искусственный интеллект и принятие решений, 2011, № 4, 68–80. Accessed: Jul. 06, 2025. [Online]. Available: https://www.mathnet.ru/php/archive.phtml?wshow=paper&jrnid=iipr&paperid=479&option_lang=rus

18. В. Евгения Александровна and П. Татьяна Валентиновна, “CHALLENGES AND PROSPECTS FOR THE INTRODUCTION OF ARTIFICIAL INTELLIGENCE IN MEDICINE,” STATE AND MUNICIPAL MANAGEMENT SCHOLAR NOTES, vol. 1, no. 1, pp. 25–32, Mar. 2022, doi: 10.22394/2079-1690-2022-1-1-25-32.

19. E. I. Tarlovskaya et al., “Analysis of influence of background therapy for comorbidities in the period before infection on the risk of the lethal COVID outcome. Data from the international ACTIV SARS-CoV-2 registry («Analysis of chronic non-infectious diseases dynamics after COVID-19 infection in adult patients SARS-CoV-2»),” Kardiologiya, vol. 61, no. 9, pp. 20–32, 2021, doi: 10.18087/CARDIO.2021.9.N1680.

20. Supervisely, “Supervisely Computer Vision platform,” Mar. 2023, Supervisely. [Online]. Available: https://supervisely.com

21. Uncovering unstable plaques: deep learning segmentation in optical coherence tomography // Laptev V.V., Danilov V.V, Ovcharenko E.A, Klyshnikov K.Y, Kolesnikov A.Y, Arnt A.A, Bessonov I.S, Litvinyuk N.V, Kochergin N.A // Computer Optics. – 2025. – Vol. 49. –¬ № 5. – P. 775–793

22. Segmentation and quantification of atherosclerotic plaques in optical coherence tomography / V. V. Danilov, V.V. Laptev, K. Y. Klyshnikov, I. S. Bessonov [et al.] // Computers in Biology and Medicine. – 2025. – Vol. 197