Волюметрия эпикардиальной жировой ткани: сравнение полуавтоматического измерения и алгоритма машинного обучения

Цель    Cравнить результаты оценки объемов эпикардиальной жировой ткани (ЭЖТ), полученные с помощью полуавтоматического, выполненного врачами, и автоматического анализов, с помощью алгоритма машинного обучения по данным низкодозной (НДКТ) и стандартной компьютерной томографии (КТ) органов грудной клетки.

Материал и методы  В аналитическое ретроспективное поперечное исследование из базы данных единого радиологического информационного сервиса (ЕРИС) методом случайной выборки включены 100 пациентов, которым были проведены НДКТ органов грудной клетки в рамках проекта «Низкодозная компьютерная томография органов грудной клетки как скрининговый метод диагностики рака легкого и других заболеваний органов грудной клетки» (n=50) и КТ органов грудной клетки по стандартному протоколу (n=50) в амбулаторно-поликлиническом звене г. Москвы. Каждое исследование было оценено двумя рентгенологами на рабочей станции Syngo. via VB20. Кроме того, каждое исследование было оценено с помощью разработанного алгоритма машинного обучения, позволяющего проводить оценку объема ЭЖТ полностью автоматически.

Результаты   При сравнении объемов ЭЖТ по данным НДКТ и КТ органов грудной клетки получена высокая сопоставимость результатов как по данным экспертного полуавтоматического анализа (коэффициент корреляции более 98 %), так и между экспертной разметкой и алгоритмом машинного обучения (коэффициент корреляции более 95 %). Время выполнения сегментации и волюметрии одного исследования алгоритмом машинного обучения составляет не более 40 с, что в 30 раз быстрее количественного анализа, выполняемого экспертом, и потенциально облегчает количественное определение объе­ма ЭЖТ в клинических условиях.

Заключение     Предлагаемый метод автоматической волюметрии поможет ускорить анализ ЭЖТ для прогнозирования риска развития ишемической болезни сердца.

1. Драпкина О.М., Корнеева О.Н., Драпкина Ю.С. Эпикардиальный жир: нападающий или запасной? Рациональная фармакотерапия в кардиологии. 2013;9(3):287–91. DOI: 10.20996/1819-6446-2013-9-3-287-291

2. Iacobellis G. Local and systemic effects of the multifaceted epicardial adipose tissue depot. Nature Reviews Endocrinology. 2015;11(6):363–71. DOI: 10.1038/nrendo.2015.58

3. Karmazyn M, Purdham DM, Rajapurohitam V, Zeidan A. Signalling mechanisms underlying the metabolic and other effects of adipokines on the heart. Cardiovascular Research. 2008;79(2):279–86. DOI: 10.1093/cvr/cvn115

4. Patel VB, Shah S, Verma S, Oudit GY. Epicardial adipose tissue as a metabolic transducer: role in heart failure and coronary artery disease. Heart Failure Reviews. 2017;22(6):889–902. DOI: 10.1007/s10741-017-9644-1

5. Ding J, Hsu F-C, Harris TB, Liu Y, Kritchevsky SB, Szklo M et al. The association of pericardial fat with incident coronary heart disease: the Multi-Ethnic Study of Atherosclerosis (MESA). The American Journal of Clinical Nutrition. 2009;90(3):499–504. DOI: 10.3945/ajcn.2008.27358

6. Britton KA, Massaro JM, Murabito JM, Kreger BE, Hoffmann U, Fox CS. Body Fat Distribution, Incident Cardiovascular Disease, Cancer, and All-Cause Mortality. Journal of the American College of Cardiology. 2013;62(10):921–5. DOI: 10.1016/j.jacc.2013.06.027

7. Mahabadi AA, Berg MH, Lehmann N, Kälsch H, Bauer M, Kara K et al. Association of Epicardial Fat With Cardiovascular Risk Factors and Incident Myocardial Infarction in the General Population. Journal of the American College of Cardiology. 2013;61(13):1388–95. DOI: 10.1016/j.jacc.2012.11.062

8. Forouzandeh F, Chang SM, Muhyieddeen K, Zaid RR, Trevino AR, Xu J et al. Does Quantifying Epicardial and Intrathoracic Fat With Noncontrast Computed Tomography Improve Risk Stratification Beyond Calcium Scoring Alone? Circulation: Cardiovascular Imaging. 2013;6(1):58–66. DOI: 10.1161/CIRCIMAGING.112.976316

9. Cheng VY, Dey D, Tamarappoo B, Nakazato R, Gransar H, Miranda-Peats R et al. Pericardial Fat Burden on ECG-Gated Noncontrast CT in Asymptomatic Patients Who Subsequently Experience Adverse Cardiovascular Events. JACC: Cardiovascular Imaging. 2010;3(4):352–60. DOI: 10.1016/j.jcmg.2009.12.013

10. Kim BJ, Kang JG, Lee SH, Lee JY, Sung KC, Kim BS et al. Relationship of Echocardiographic Epicardial Fat Thickness and Epicardial Fat Volume by Computed Tomography with Coronary Artery Calcification: Data from the CAESAR Study. Archives of Medical Research. 2017;48(4):352–9. DOI: 10.1016/j.arcmed.2017.06.010

11. Flüchter S, Haghi D, Dinter D, Heberlein W, Kühl HP, Neff W et al. Volumetric Assessment of Epicardial Adipose Tissue With Cardiovascular Magnetic Resonance Imaging. Obesity. 2007;15(4):870–8. DOI: 10.1038/oby.2007.591

12. Lim C, Ahn M-I, Jung JI, Beck KS. Simple quantification of paracardial and epicardial fat dimensions at low-dose chest CT: correlation with metabolic risk factors and usefulness in predicting metabolic syndrome. Japanese Journal of Radiology. 2018;36(9):528–36. DOI: 10.1007/s11604-018-0752-1

13. Miyazawa I, Ohkubo T, Kadowaki S, Fujiyoshi A, Hisamatsu T, Kadota A et al. Change in Pericardial Fat Volume and Cardiovascular Risk Factors in a General Population of Japanese Men. Circulation Journal. 2018;82(10):2542–8. DOI: 10.1253/circj.CJ-18-0153

14. Commandeur F, Goeller M, Betancur J, Cadet S, Doris M, Chen X et al. Deep Learning for Quantification of Epicardial and Thoracic Adipose Tissue From Non-Contrast CT. IEEE Transactions on Medical Imaging. 2018;37(8):1835–46. DOI: 10.1109/TMI.2018.2804799

15. Чернина В.Ю., Морозов С.П., Низовцова Л.А., Блохин И.А., Ситдиков Д.И., Гомболевский В.А. Роль количественной оценки висцеральной жировой ткани сердца как предиктора развития сердечно-сосудистых событий. Вестник рентгенологии и радиологии. 2019;100(6):387-94. DOI: 10.20862/0042-4676-2019-100-6-387-394

16. Морозов С.П., Кузьмина Е.С., Ветшева Н.Н., Гомболевский В.А., Лантух З.А., Полищук Н.С. и др. Московский скрининг: скрининг рака легкого с помощью низкодозовой компьютерной томографии. Проблемы социальной гигиены, здравоохранения и истории медицины. 2019;27(S):630–6. DOI: 10.32687/0869-866X-2019-27-si1-630-636

17. Николаев А.Е., Гомболевский В.А., Гончар А.П., Шапиев А.Н., Лайпан А.Ш., Морозов С.П. Случайные находки при скрининге рака легкого методом низкодозной компьютерной томографии. Туберкулез и болезни легких. 2018;96(11):60-7. DOI: 10.21292/2075-1230-2018-96-11-60-67

18. Milletari F, Navab N, Ahmadi S-A. V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation. 2016 Fourth International Conference on 3D Vision (3DV). P. 565–571. 2016. [DOI: 10.1109/3DV.2016.79]

19. Pisov M, Goncharov M, Kurochkina N, Morozov S, Gombolevskiy V, Chernina V et al. Correction to: Incorporating Task-Specific Structural Knowledge into CNNs for Brain Midline Shift Detection. Series Title: Lecture Notes in Computer Science. [DOI: 10.1007/978-3-030-33850-3_11]. In: Interpretability of Machine Intelligence in Medical Image Computing and Multimodal Learning for Clinical Decision Support ETH Zurich, Suzuki K, Reyes M, Syeda-Mahmood T, Glocker B, Wiest R, et al., editors -Cham: Springer International Publishing;2020.

20. Commandeur F, Goeller M, Razipour A, Cadet S, Hell MM, Kwiecinski J et al. Fully Automated CT Quantification of Epicardial Adipose Tissue by Deep Learning: A Multicenter Study. Radiology: Artificial Intelligence. 2019;1(6):e190045. DOI: 10.1148/ryai.2019190045

21. Deo RC. Machine Learning in Medicine. Circulation. 2015;132(20):1920–30. DOI: 10.1161/CIRCULATIONAHA.115.001593

22. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–44. DOI: 10.1038/nature14539

23. Greenspan H, van Ginneken B, Summers RM. Guest Editorial Deep Learning in Medical Imaging: Overview and Future Promise of an Exciting New Technique. IEEE Transactions on Medical Imaging. 2016;35(5):1153–9. DOI: 10.1109/TMI.2016.2553401

24. Spearman JV, Renker M, Schoepf UJ, Krazinski AW, Herbert TL, De Cecco CN et al. Prognostic value of epicardial fat volume measurements by computed tomography: a systematic review of the literature. European Radiology. 2015;25(11):3372–81. DOI: 10.1007/s00330-015-3765-5

25. Kauczor H-U, Baird A-M, Blum TG, Bonomo L, Bostantzoglou C, Burghuber O et al. ESR/ERS statement paper on lung cancer screening. European Radiology. 2020;30(6):3277–94. DOI: 10.1007/s00330-020-06727-7

26. Nagayama Y, Nakamura N, Itatani R, Oda S, Kusunoki S, Takahashi H et al. Epicardial fat volume measured on nongated chest CT is a predictor of coronary artery disease. European Radiology. 2019;29(7):3638–46. DOI: 10.1007/s00330-019-06079-x