Зміст доступний на ScienceDirect

Дослідження у ветеринарній науці

Домашня сторінка журналу: www.elsevier.com/locate/rvsc

Розробка алгоритму на основі штучного інтелекту для прогнозування тяжкості міксоматозної дегенерації мітрального клапана за торакальними рентгенограмами з використанням двох систем градації

Carlotta Valente ^a,*, Marek Wodzinski ^b,c, Carlo Guglielmini ^a, Helen Poser ^a, David Chiavegato ^d, Alessandro Zotti ^a, Roberto Venturini ^d, Tommaso Banzato ^a

• ^a Департамент ветеринарної медицини, тваринництва та здоров'я, Падуанський університет, Viale dell'Università 16, 35020, Леньяро, Падуя, Італія
• ^b Департамент вимірювань та електроніки, Краківський університет AGH, Al. A. Mickiewicza 30, 30-059 Краків, Польща
• c Інститут інформаційних систем, Університет прикладних наук — Західна Швейцарія (HES-SO Valais), Rue de Technopôle 3, 3960 Сьєрр, Швейцарія
• ^d Ветеринарна клініка AniCura Arcella, Via Cardinale Callegari 48, 35133 Падуя, Італія

ІНФОРМАЦІЯ ПРО СТАТТЮ

Ключові слова: собака, серце, радіологія, ехокардіографія, шкала MINE, штучний інтелект

АНОТАЦІЯ

Розроблено та протестовано згорткову нейронну мережу для серця (heart-CNN) для автоматичної класифікації рентгенограм грудної клітки в собак, уражених міксоматозною дегенерацією мітрального клапана (МДМК), на різних стадіях тяжкості захворювання. Проведено ретроспективне багатоцентрове дослідження. Латеральні рентгенограми собак із супутнім рентгенологічним та ехокардіографічним дослідженням були відібрані з внутрішніх баз даних двох установ. Собак класифікували як здорових, B1, B2, C та D на основі настанов Американського коледжу внутрішньої ветеринарної медицини (ACVIM), а також як здорових, із легкою, помірною, тяжкою та пізньою стадією на основі ехокардіографічної шкали мітральної недостатності (MINE). Ефективність heart-CNN оцінювали за допомогою матриць плутанини, кривих робочих характеристик приймача, а також аналізу t-SNE та UMAP. Площа під кривою (AUC) становила 0,88, 0,88, 0,79, 0,89 та 0,84 для здорових та стадій B1, B2, C і D за ACVIM відповідно. Згідно зі шкалою MINE, AUC становила 0,90, 0,86, 0,71, 0,82 та 0,82 для здорових, легкої, помірної, тяжкої та пізньої стадії відповідно. Розроблений алгоритм продемонстрував добру точність у прогнозуванні стадій МДМК на основі обох систем класифікації, що доводить його потенційну корисність як інструменту ранньої діагностики МДМК у собак.

1. Вступ

Міксоматозна дегенерація мітрального клапана (MMVD) у собак становить приблизно 75% випадків захворювань серця у собак і є найпоширенішим набутим захворюванням серця у дорослих собак дрібних і середніх порід (Borgarelli and Buchanan, 2012). Міксоматозна дегенерація мітрального клапана — прогресуюче захворювання, яке на пізніх стадіях може призводити до застійної серцевої недостатності (CHF). Згідно з найновішими настановами Американського коледжу ветеринарної внутрішньої медицини (ACVIM), собак із MMVD можна класифікувати як компенсованих (стадії B1 і B2) або декомпенсованих (стадії C і D) на основі клінічної, рентгенографічної та ехокардіографічної оцінки. Зокрема, настанови ACVIM визначають стадію A як собак без структурних аномалій серця (тобто без серцевого шуму), але з високим ризиком розвитку серцевої недостатності; стадію B1 як безсимптомних собак без рентгенографічних або ехокардіографічних ознак збільшення лівого передсердя та шлуночка, а також тих, у яких наявні лише мінімальні ознаки ремоделювання серця (тобто збільшення лівого передсердя та нормальний лівий шлуночок або навпаки); стадію B2 як безсимптомних собак зі збільшенням лівого передсердя та шлуночка; стадію C як симптомних собак з наявними або перенесеними клінічними ознаками серцевої недостатності (тобто набряк легень, асцит, синкопе) внаслідок тяжкої MMVD; стадію D як симптомних собак, рефрактерних до стандартного лікування серцевої недостатності (Keene et al., 2019).

Нещодавно для класифікації міксоматозної дегенерації мітрального клапана (МДМК) у собак було запропоновано нову, простішу у використанні шкалу тяжкості — ехокардіографічна шкала мітральної недостатності (Mitral INsufficiency Echocardiographic score, MINE) (Vezzosi et al., 2021). Ця система стадіювання базується на чотирьох рутинно отриманих ехокардіографічних параметрах: співвідношенні лівого передсердя до аорти (LA/Ao), кінцево-діастолічному діаметрі лівого шлуночка, нормалізованому за масою тіла (LVIDd-N), фракційному скороченні лівого шлуночка (FS) та піковій швидкості трансмітрального потоку хвилі E. Собак можна класифікувати як такі, що мають легкий, помірний, тяжкий або пізній ступінь, відповідно до загальної оцінки, отриманої шляхом підсумовування окремих балів, набраних за чотирма

Адреса електронної пошти: carlotta.valente@unipd.it (C. Valente).

^* Автор для листування.

ехокардіографічні змінні, кожна з яких має специфічні граничні значення з балом від 1 до 4. Клас тяжкості кожного пацієнта розраховується шляхом підсумовування балів за кожною змінною. Собаку класифікують як таку, що має легкий, помірний, тяжкий або пізній ступінь, коли загальний бал MINE становить 4–5, 6–7, 8–12 та 13–14 відповідно.

Ехокардіографія є золотим стандартом діагностичної техніки для діагностики та стадіювання MMVD і відіграє ключову роль як для ухвалення терапевтичних рішень, так і для прогностичних аспектів. Однак вона може бути тривалою в часі та потребує дорогого обладнання й досвідчених операторів: зазвичай розраховують кілька вимірювань для оцінки як структурного, так і гемодинамічного стану серця, тоді як оцінка серцевої тіні (cardiac silhouette) на торакальних рентгенограмах часто є першолінійною візуалізаційною технікою для раннього виявлення хвороби серця та наявності набряку легень і/або плеврального випоту. Тим не менш, інтерпретація торакальних рентгенівських знімків може бути складною і також може вимагати присутності досвідченого радіолога.

З цих причин останнім часом наукові дослідження приділяють велику увагу розробці алгоритмів на основі методів штучного інтелекту (ШІ), спрямованих на підтримку клінічної діяльності як у гуманній, так і у ветеринарній медицині. Розробка та використання цих засобів підтримки прогресивно зростають у кількох медичних галузях, зокрема у візуалізації серцево-судинної системи (Dey et al., 2019). У людей розроблені алгоритми на основі ШІ використовуються для прогнозування захворювань серця, автоматичної інтерпретації зображень та покращення медичного обслуговування пацієнтів (Seetharam et al., 2020). Нещодавно було запропоновано модель на основі глибокого навчання для діагностики мітральної регургітації за торакальними рентгенограмами (Ueda et al., 2022).

Застосування алгоритмів на основі штучного інтелекту (ШІ) у ветеринарній медицині все ще перебуває на ранній стадії. Тим не менш, його використання для автоматичної оцінки серцевої тіні та легеневого патерну на торакальних рентгенограмах було запропоновано як у собак, так і в котів (Banzato et al., 2021a; Banzato et al., 2021b; Jeong and Sung, 2022; Li et al., 2020). Крім того, нещодавно було опубліковано алгоритм для прогнозування тяжкості MMVD за торакальними рентгенограмами у собак (Valente et al., 2023). Цей алгоритм продемонстрував добру точність у виявленні собак на стадіях B1 та C + D за ACVIM, але помірну точність у класифікації собак на стадії B2. У тому дослідженні класифікацію собак, уражених MMVD, проводили відповідно до настанов ACVIM. Наскільки відомо авторам, жодне дослідження не оцінювало застосування алгоритмів на основі ШІ для прогнозування стадії тяжкості MMVD за торакальними рентгенограмами та на основі балів MINE. Така система градації дала б змогу об'єктивно оцінювати собак із MMVD, знижуючи варіабельність, що виникає внаслідок ехокардіографічних вимірювань.

Таким чином, метою нашого дослідження було розробити згорткову нейронну мережу (CNN) для серця, здатну прогнозувати стадію MMVD на основі як настанов ACVIM, так і шкали MINE, за латеральними рентгенографічними зображеннями грудної клітки у собак. Діагностичну точність алгоритму оцінювали з використанням обох різних систем стадіювання.

2. Матеріали та методи

2.1. Дизайн дослідження та створення бази даних

У цьому ретроспективному багатоцентровому дослідженні дані було зібрано з Ветеринарної навчальної лікарні Університету Падуї та з Ветеринарної клініки AniCura Arcella (Падуя). З архівів обох установ було відібрано собак віком понад 6 років, яким одночасно виконували рентгенографію грудної клітки та ехокардіографічне дослідження. Було включено випадки, прийняті в період із липня 2012 року по листопад 2023 року. Тварин класифікували як на підставі настанов ACVIM (Keene et al., 2019), так і за шкалою MINE (Vezzosi et al., 2021), як описано вище. Серійну рентгенографію грудної клітки виконували деяким тваринам, особливо тим собакам, стан яких погіршувався з часом між кардіологічними оглядами, або тим, у яких розвинулася ЗСН. Собак, уражених іншими захворюваннями серця, тяжкими респіраторними станами (тобто фіброз легень, новоутворення, плевральний випіт) або системними захворюваннями, було виключено.

2.2. Рентгенографічне та ехокардіографічне дослідження

Для кожної тварини було отримано праву та, не в усіх випадках, ліву латеральну (RL та LL відповідно) проєкції з використанням цифрових радіологічних систем (FDR D-EVO 1200 G43, Fujifilm Corporation; Aria 450 HF, Foschi, Italy). Оцінювання рентгенографічного дослідження грудної клітки виконував досвідчений радіолог (TB — 15 років досвіду у ветеринарній діагностичній візуалізації). З аналізу було виключено рентгенограми, на яких силует серця був затемнений легеневою або плевральною патологією.

Трансторакальне ехокардіографічне дослідження було виконано в кожної собаки досвідченими операторами (CG, HP та DC) як у правому, так і в лівому парастернальному вікні з використанням стандартної проєкції (Thomas et al., 1993) та комерційно доступних ультразвукових сканерів (CX50, Philips, Eindhoven, Нідерланди; Philips, Affiniti 50, Італія). Ехокардіографічні параметри, використані для класифікації MMVD, вимірювали таким чином: LA/Ao розраховували за вимірюваннями лівого передсердя (LA) та аорти (Ao), отриманими з правої парастернальної проєкції по короткій осі на рівні основи серця, і збільшення LA вважали наявним, коли LA/Ao > 1,6 (Rishniw and Erb, 2000); внутрішній діастолічний діаметр лівого шлуночка вимірювали в M-режимі, отриманому з правої парастернальної проєкції по короткій осі на рівні сухожильних хорд, і потім нормалізували за масою тіла, при цьому значення LVIDd-N $\geq$ 1,7 вказували на дилатацію лівого шлуночка (Cornell et al., 2004); фракційне скорочення (FS) лівого шлуночка вимірювали в M-режимі, отриманому з правої парастернальної проєкції по короткій осі на рівні папілярного м'яза: пікову швидкість трансмітрального потоку E-хвилі отримували за допомогою імпульсно-хвильового доплера з лівої апікальної 4-камерної проєкції.

2.3. Аналіз зображень

Обробку розпочато з конвертації радіографічних DICOM-файлів у формат MHA для забезпечення швидкого доступу до даних і метаданих. Під час завантаження зображення були доповнені онлайн-трансформаціями, що включали (i) випадкове обертання, (ii) горизонтальні та вертикальні відображення, (iii) транспозицію, (iv) зменшення масштабу з подальшим збільшенням, (v) розмиття, (vi) оптичне спотворення, (vii) сітчасте спотворення, (viii) випадіння пікселів, (ix) випадкові зміни яскравості та (x) випадкове підвищення різкості (кожна з імовірністю 0,5). Потужне доповнення було необхідним для мінімізації впливу перенавчання. Потім зображення були попередньо оброблені трансформаціями, пов'язаними з вагами попередньо навченої мережі (ResNet18, попередньо навчена на базі даних ImageNet, доступній у бібліотеці TorchVision), і передані до мережі.

Мережу навчали з учителем, використовуючи архітектуру ResNet18 (статистично значущих відмінностей при використанні складніших архітектур не спостерігалося). Задачу було сформульовано як задачу багатокласової класифікації. Класифікаційний шар і останній згортковий шар було розморожено, щоб зменшити перенавчання, водночас дозволяючи мережі налаштовувати згорткові ваги під високорівневі рентгенографічні ознаки. Усі інші параметри було заморожено, без жодного оновлення під час навчання. Навчання виконували з використанням п'ятикратної перехресної перевірки із заздалегідь визначеною кількістю епох (100), без будь-якого механізму ранньої зупинки, щоб уникнути зміщення щодо валідаційних підмножин. Як цільову функцію використовували перехресну ентропію. Початкову швидкість навчання (0.001) експоненційно зменшували на кожній епосі (швидкість згасання = 0.99). Цільову функцію оптимізували за допомогою оптимізатора AdamW зі швидкістю згасання ваг, що дорівнює 0.01. Ту саму стратегію навчання було застосовано як до оцінок ACVIM, так і до оцінок MINE.

2.4. Статистичний аналіз

Усі статистичні аналізи виконували з використанням мови програмування Python (версія 3.10, доступна за адресою https://www.python.org) разом із бібліотеками програмного забезпечення з відкритим вихідним кодом, призначеними для науки про дані (Pandas, NumPy, SciPy, sklearn, Matplotlib, доступні за адресою https://www.pypi.org).

Ефективність heart-CNN у класифікації стадії тяжкості MMVD відповідно до класифікації ACVIM та оцінки MINE була оцінена за допомогою матриць плутанини та площі під кривою робочих характеристик приймача (AUC).

AUC оцінює ймовірність правильного класифікування випадкового суб'єкта і, отже, перевіряє точність. Загалом значення AUC інтерпретують так: 0,5-0,6 (невдало), 0,6-0,7 (марно), 0,7-0,8 (погано), 0,8-0,9 (добре) та > 0,9 (відмінно) (Metz, 1978).

Матрицю плутанини, прогноз та AUC було розраховано з використанням бібліотеки sklearn. Цей пакет широко використовується спільнотою машинного навчання як для навчання, так і для оцінювання методів машинного навчання. AUC було розраховано з використанням анотацій ground-truth та ймовірнісних оцінок, обчислених глибокою нейронною мережею. Матрицю плутанини, відповідний прогноз, чутливість, специфічність, прогностичну цінність позитивного результату (PPV), прогностичну цінність негативного результату (NPV) та K-оцінку Коена було розраховано після застосування оператора argmax (для отримання класу з найвищою ймовірністю). Оскільки розглянута задача є прикладом задачі багатокласової класифікації, не було необхідності визначати точний поріг класифікації.

Аналіз латентного простору було проведено для оцінки відносного розподілу ознак щодо оцінок ACVIM та MINE. Метою аналізу було перевірити, чи зберігають ознаки відносний розподіл оцінок. Ми виконали зниження розмірності за допомогою методів розрахунку t-розподіленого стохастичного вкладення сусідів (t-SNE) та апроксимації та проєкції різноманіття (UMAP) для нелінійного зниження розмірності лише до двох ознак, щоб уможливити легку та інтуїтивну візуалізацію. Графіки t-SNE та UMAP дозволили візуалізувати відносну відповідність між ознаками та спостерігати, чи є розділення можливим з медичної точки зору.

3. Результати

3.1. База даних

Загалом до цього дослідження було включено 556 собак. Через відносно малий розмір вибірки для латеральних латеро-латеральних проєкцій (LL) (178) аналіз серця за допомогою CNN виконували лише на торакальних рентгенограмах у правій латеральній проєкції (RL). Набір даних складався з 795 рентгенограм у правій латеральній проєкції (452 [56,9%] з бази даних Ветеринарної навчальної лікарні Падуанського університету та 343 [43,1%] з Ветеринарної клініки AniCura Arcella).

Відповідно до класифікації ACVIM, 81 (10,2%) латеральних рентгенограм було позначено як здорові, 236 (29,7%) як B1, 159 (20%) як B2, 294 (37%) як C та 25 (3,1%) як D. На основі класифікації за шкалою MINE 81 (10,2%) рентгенограм було позначено як здорові, 227 (28,6%) як легкі, 113 (14,2%) як помірні, 316 (39,7%) як тяжкі та 58 (7,3%) як пізня стадія.

3.2. Результати класифікації

3.2.1. Матриці плутанини та ROC-крива

Матриці плутанини та криві робочих характеристик приймача (ROC) для класифікації латеральних рентгенограм відповідно до класифікації ACVIM та оцінки MINE наведено в таблицях 1 і 2 та на рисунках 1 і 2 відповідно. Крім того, специфічність, чутливість, NPV та PPV для класифікації ACVIM та оцінки MINE наведено в таблицях 3 і 4,

Таблиця 1 Матриця плутанини радіографічних проєкцій RL на основі класифікації ACVIM.

AUC продемонструвала добру ефективність у прогнозуванні стадії тяжкості MMVD за латеральними рентгенограмами для обох методів класифікації. Зокрема, AUC становила 0,88, 0,88, 0,79, 0,89 та 0,84 для здорових, B1, B2, C та D відповідно з урахуванням класифікації ACVIM; AUC становила 0,90, 0,86, 0,71, 0,82 та 0,82 для здорових, легкого, помірного, тяжкого та пізнього ступеня відповідно з урахуванням оцінки MINE.

Загальна точність прогнозування MMVD за латеральними рентгенограмами відповідно до настанов ACVIM становила 67%, з точністю 68%, 69%, 51%, 73% та 33% для здорових, B1, B2, C та D відповідно. Макросереднє та зважене середнє становили 59% та 66% відповідно. Нарешті, показник каппа Коена становив 0,53.

Загальна точність прогнозування MMVD за латеральними рентгенограмами відповідно до шкали MINE становила 60%, з точністю 59%, 66%, 30%, 69% та 40% для здорового, легкого, помірного, тяжкого та пізнього ступенів відповідно. Макросереднє та зважене середнє становили 53% та 59% відповідно. Нарешті, коефіцієнт каппа Коена становив 0,44.

3.2.2. Зменшення розмірності

Візуальний розподіл ознак для класифікації ACVIM наведено на рис. 3 і 4, тоді як ознаки, пов'язані з оцінкою MINE, показано на рис. 5 і 6. Усі рисунки підтверджують правильний розподіл ознак у латентному просторі – ознаки поступово переходять від здорових суб'єктів до тяжчих випадків. Ці графіки показали, що ознаки поступово зростають від здорових до тяжчих випадків – як для оцінок ACVIM, так і для MINE. Це спостереження підтверджує, що метод класифікації вивчає ознаки, пов'язані з тяжкістю захворювання. Якби це було не так, класи були б більш випадково розподілені в латентному просторі, без збереження відносної відповідності. Цікаво, що UMAP зміг правильно виділити здорові випадки (метод класифікації був тут найбільш впевненим), які не виявляють жодних ознак, пов'язаних ані з класифікацією ACVIM, ані з класифікацією MINE, що дозволило повністю відокремити їх у латентному просторі від собак, які страждають на різних рівнях тяжкості.

4. Обговорення

У цьому дослідженні ми перевірили точність алгоритму heart-CNN, розробленого для автоматичної класифікації рентгенограм грудної клітки у собак, уражених MMVD. Для класифікації використовували дві різні системи оцінювання: настанови ACVIM та нещодавно впроваджена шкала MINE (Keene et al., 2019; Vezzosi et al., 2021). Навіть якщо рентгенологічна оцінка серцевої тіні (cardiac silhouette) може допомогти у визначенні ступеня тяжкості MMVD, вона все ж вимагає наявності досвідченого радіолога та/або кардіолога. Щоб подолати ці потенційні обмеження, застосування інструментів ШІ для автоматичної класифікації рентгенограм грудної клітки у собак може полегшити діагностичний процес.

Основна відмінність між двома методами класифікації MMVD полягає в тому, що настанови ACVIM ґрунтуються на клінічних, рентгенографічних та ехокардіографічних критеріях, тоді як оцінка MINE базується виключно на чотирьох ехокардіографічних параметрах.

Розроблена heart-CNN продемонструвала добру точність у прогнозуванні стадії кардіологічного захворювання для обох систем класифікації, забезпечуючи потенційну початкову підтримку в діагностичному процесі в собак, які потребували б подальшого кардіологічного обстеження. Крім того, високу точність також було виявлено в ідентифікації здорових собак. З іншого боку, точність була нижчою в ідентифікації випадків, класифікованих як стадія B2 або помірна, відповідно до настанов ACVIM та оцінки MINE. Нижча точність, що спостерігалася під час класифікації цих собак, узгоджується з попередніми дослідженнями (Valente et al., 2023) і не є несподіваною. Це спостереження підтверджується графіком t-SNE, який показує неоднорідний розподіл точок даних, що представляють цю групу собак. Більша варіабельність, яка характеризує тварин на цих стадіях захворювання, а не на інших стадіях MMVD, імовірно, пояснює ці результати. Це також узгоджується з нещодавніми дослідженнями в цій галузі. Модель ШІ, спрямована на автоматичну класифікацію рентгенограм грудної клітки в собак

Таблиця 2 Матриця плутанини рентгенографічних проєкцій RL на основі класифікації за шкалою MINE.

Рис. 1. Крива операційних характеристик (ROC) правої та лівої латеральних рентгенографічних проєкцій з урахуванням класифікації ACVIM. Площа під кривою (AUC) становила $0.88,\ 0.88,\ 0.79,\ 0.89$ та 0.84 для здорових, B1, B2, C та D відповідно.

Рис. 2. Крива операційних характеристик (ROC) правої та лівої латеральних рентгенографічних проєкцій з урахуванням класифікації за шкалою MINE. Площа під кривою (AUC) становила 0,90, 0,86, 0,71, 0,82 та 0,82 для здорового стану, легкого, помірного, тяжкого та пізнього ступеня відповідно.

Досліджено та опубліковано (Valente et al., 2023) дані про собак, уражених MMVD: навіть якщо heart-CNN мала високу загальну діагностичну точність, здатність правильно ідентифікувати собаку на стадії B2 була нижчою, ніж для випадків стадії B1 або тих, які переживали застійну серцеву недостатність.

Крім того, розроблена heart-CNN точно розрізняла здорових собак та випадки стадії C або D. Просте

Таблиця 3 Чутливість, специфічність, прогностична цінність позитивного результату (PPV) та прогностична цінність негативного результату (NPV) рентгенографічних проєкцій RL на основі класифікації ACVIM.

Таблиця 4 Чутливість, специфічність, прогностична цінність позитивного результату (PPV) та прогностична цінність негативного результату (NPV) рентгенографічних проєкцій RL на основі оцінки MINE.

Рис. 3. Візуальний розподіл латентних просторів за допомогою графіка t-SNE латеральних рентгенографічних проєкцій з урахуванням класифікації ACVIM.

порівняння з наявною літературою щодо точності виявлення клінічно здорових собак неможливе, оскільки в попередніх дослідженнях не було отримано ехокардіографічного підтвердження. Однак раніше розроблений алгоритм на основі штучного інтелекту продемонстрував добру точність (AUC понад 0,8) у розрізненні «без особливостей» рентгенограм (тобто рентгенограм у межах норми) як у собак, так і в котів (Banzato et al., 2021a; Banzato et al., 2021b).

Нарешті, вища точність виявлення собак із ХСН (тобто собак на стадіях C і D) підтверджує те, що було описано раніше. У попередньому алгоритмі heart-CNN Valente et al. (2023) виявили AUC 0,88 у класифікації собак у стані декомпенсації, тоді як Banzato et al. (2021a, 2021b) задокументували вищу точність у виявленні альвеолярного

Рис. 4. Візуальний розподіл латентних просторів за допомогою графіка UMAP латеральних рентгенографічних проєкцій з урахуванням класифікації ACVIM.

Рис. 5. Візуальний розподіл латентних просторів за допомогою графіка t-SNE латеральних рентгенографічних проєкцій з урахуванням класифікації за шкалою MINE.

Рис. 6. Візуальний розподіл латентних просторів за допомогою графа UMAP латеральних рентгенографічних проєкцій з урахуванням класифікації за шкалою MINE.

та інтерстиційні патерни як у собак, так і в котів. Наявність виражених альвеолярних та інтерстиційних патернів могла вплинути на інтерпретацію торакальних рентгенограм за допомогою heart-CNN: слід розглянути подальші дослідження, які оцінюють точність таких CNN у класифікації як гострої, так і хронічної декомпенсованої серцевої недостатності.

Цікаво, що низький рівень помилок алгоритму під час класифікації середньо-прогресивних стадій MMVD як здорових або з легкою стадією можна розглядати як клінічно значущий аспект. Згідно з поточними настановами, пацієнти з MMVD у доклінічній стадії не отримують жодної фармакологічної терапії для уповільнення прогресування захворювання; однак собаки на стадії B2 повинні розпочати терапію пімобенданом, щоб відтермінувати початок CHF (Boswood et al., 2016). Розроблена heart-CNN, схоже, не помиляється в класифікації таких випадків: насправді лише невеликий відсоток (від 0,34% до 7,8%) собак із середньо-тяжкою стадією або стадією B2-C були класифіковані як кардіологічно здорові. Цей висновок відрізняється від того, що було задокументовано раніше (Valente et al., 2023). Імовірно, збільшення розміру вибірки зменшило внутрішню варіабельність кожної групи, зробивши групи різних стадій захворювання більш однорідними. Натомість помилка, пов'язана з хибною класифікацією стадії B2 або середньої як B1 або легкої стадії, була частішою (26,7% та 19,5% відповідно). Цей результат не є несподіваним, зважаючи на те, що з-поміж усіх стадій серцевої недостатності собаки на стадії B2 характеризуються надзвичайною варіабельністю, що призводить до ситуацій перекриття як із собаками на стадії B1 (тобто легка B2), так і на стадії C (прогресивна B2). Нарешті, heart-CNN хибно класифікувала деяких кардіологічно здорових пацієнтів та тих, хто на стадії B1 або з легкою стадією, як таких, що перебувають на прогресивних стадіях (C і D або тяжка-пізня стадія), і навпаки. Майбутні дослідження мають бути спрямовані на розширення розміру вибірки, використаної для навчання алгоритму heart-CNN, зменшуючи потенційні упередження класифікації. Це вдосконалення є важливим для розробки надійного інструменту для підтримки діагностичного процесу в рутинній клінічній діяльності, наприклад, для виявлення серцевих шумів, або в службах невідкладної допомоги, де спеціалісти-кардіологи або радіологи можуть бути недоступними.

Це дослідження мало деякі обмеження. По-перше, його ретроспективний дизайн не дозволяв здійснювати систематичний збір даних. По-друге, порівняно з дослідженнями в гуманній медицині (Ueda et al., 2022), вибірка включала відносно невелику кількість випадків, але все ж більшу, ніж у попередніх дослідженнях у ветеринарній галузі (Valente et al., 2023). Більше того, у нашому дослідженні ми розглядаємо лише здатність цього алгоритму класифікувати рентгенографічні проєкції RL, через дуже малу кількість рентгенографічних проєкцій LL, які виявилися непридатними для будь-якого аналізу. Однак порівняння точності heart-CNN у класифікації як рентгенографічних проєкцій LL, так і RL могло б бути клінічно значущим і заслуговує на подальше дослідження. Нарешті, використання наборів даних із двох різних центрів також можна розглядати як обмежувальний фактор, зважаючи на те, що варіації якості зображень через використання різних рентгенівських апаратів могли знизити точність heart-CNN.

5. Висновок

Було розроблено heart-CNN для автоматичної класифікації собак, уражених MMVD, на торакальних рентгенограмах, класифікованих відповідно як до класифікації ACVIM, так і до оцінки MINE. Цей алгоритм продемонстрував добру точність у прогнозуванні стадії MMVD для обох систем класифікації, що робить його потенційно корисним допоміжним інструментом у попередній діагностичній оцінці собаки з підозрою на захворювання серця. Подальші дослідження, можливо, із залученням більшої кількості випадків, необхідні для покращення ефективності класифікації цієї heart-CNN.

Фінансування

Ця робота була частиною проєкту, що фінансувався за рахунок дослідницького гранту PON "RICERCA E INNOVAZIONE" 2014–2020, DM n. 1062/2021.

CRediT authorship contribution statement

Carlotta Valente: написання — рецензування та редагування, написання — оригінальний текст

чернетка, Investigation, Data curation, Conceptualization. Marek Wodzinski: Writing – review & editing, Writing – original draft, Methodology, Formal analysis. Carlo Guglielmini: Writing – review & editing, Investigation, Conceptualization. Helen Poser: Writing – review & editing, Investigation, Conceptualization. David Chiavegato: Writing – review & editing, Investigation, Conceptualization. Roberto Venturini: Writing – review & editing, Investigation, Conceptualization. Roberto Venturini: Writing – review & editing, Writing – original draft, Methodology, Investigation, Funding acquisition, Data curation, Conceptualization.

Заява про конфлікт інтересів

Література

• Banzato, T., Wodzinski, M., Tauceri, F., Donà, C., Scavazza, F., Müller, H., Zotti, A., 2021a. Алгоритм на основі штучного інтелекту для автоматичної класифікації рентгенограм грудної клітки в котів. Front. Vet. Sci. 8, 731936 https://doi.org/10.3389/ fvets/2021.731936
• Banzato, T., Wodzinski, M., Burti, S., Osti, V.L., Rossoni, V., Atzori, M., Zotti, A., 2021b. Автоматична класифікація рентгенограм грудної клітки в собак із використанням глибокого навчання. Sci. Rep. 11 (1), 3964.
• Borgarelli, M., Buchanan, J.W., 2012. Історичний огляд, епідеміологія та природний перебіг дегенеративної хвороби мітрального клапана. J. Vet. Cardiol. 14 (1), 93–101. https:// doi.org/
• Boswood, A., Häggström, J., Gordon, S.G., Wess, G., Stepien, R.L., Oyama, M.A., Keene, B.W., Bonagura, J., MacDonald, K.A., Patteson, M., Smith, S., Fox, P.R., Sanderson, K., Woolley, R., Szatmári, V., Menaut, P., Church, W.M., O'Sullivan, M.L., Jaudon, J.-P., Kresken, J.-G., Rush, J., Barrett, K.A., Rosenthal, S.L., Saunders, A.B., Ljungvall, I., Deinert, M., Bomassi, E., Estrada, A.H., Fernandez Del Palacio, M.J., Moise, N.S., Abbott, J.A., Fujii, Y., Spier, A., Luethy, M.W., Santilli, R.A., Uechi, M., Tidholm, A., Watson, P., 2016. Вплив Pimobendan у собак із доклінічною міксоматозною хворобою мітрального клапана та кардіомегалією: дослідження EPIC — рандомізоване клінічне дослідження. J. Vet. Intern. Med. 30 (6), 1765–1779.
• Cornell, C.C., Kittleson, M.D., Della Torre, P., Häggström, J., Lombard, C.W., Pedersen, H.D., Vollmar, A., Wey, A., 2004. Алометричне масштабування M-режимних кардіальних

• вимірювання у здорових дорослих собак. J. Vet. Intern. Med. 18 (3), 311–321. 6640(2004)18<311:asomcm>2.0.co;2.
• Dey, D., Slomka, P.J., Leeson, P., Comaniciu, D., Shrestha, S., Sengupta, P.P., Marwick, T. H., 2019. Штучний інтелект у серцево-судинній візуалізації: огляд сучасного стану JACC. J. Am. Coll. Cardiol. 73 (11), 1317–1335. jacc.2018.12.054.
• Jeong, Y., Sung, J., 2022. Автоматизований метод глибокого навчання та новий кардіальний індекс для виявлення кардіомегалії у собак за простої рентгенографії. Sci. Rep. 12 (1), 14494.
• Keene, B.W., Atkins, C.E., Bonagura, J.D., Fox, P.R., Häggström, J., Fuentes, V.L., Oyama, M.A., Rush, J.E., Stepien, R., Uechi, M., 2019. Консенсусні настанови ACVIM щодо діагностики та лікування міксоматозної дегенерації мітрального клапана у собак. J. Vet. Intern. Med. 33 (3), 1127–1140.
• Li, S., Wang, Z., Visser, L.C., Wisner, E.R., Cheng, H., 2020. Пілотне дослідження: застосування штучного інтелекту для виявлення збільшення лівого передсердя на торакальних рентгенограмах у собак. Vet. Radiol. Ultrasound 61 (6), 611–618. https://doi.org/10.1111/ vrv1.12901
• Metz, C.E., 1978. Базові принципи ROC-аналізу. Semin. Nucl. Med. 8 (4), 283–298.
• Rishniw, M., Erb, H.N., 2000. Оцінка чотирьох двовимірних ехокардіографічних методів визначення розміру лівого передсердя у собак. J. Vet. Intern. Med. 14 (4), 429–435. <0429:eofemo>2.3.co;2.
• Seetharam, K., Brito, D., Farjo, P.D., Sengupta, P.P., 2020. Роль штучного інтелекту в серцево-судинній візуалізації: огляд сучасного стану. Front. Cardiovasc. Med. 7, 618849
• Thomas, W.P., Gaber, C.E., Jacobs, G.J., Kaplan, P.M., Lombard, C.W., Moise, N.S., Moses, B.L., 1993. Комітет спеціальності кардіології, Американський коледж ветеринарної внутрішньої медицини. J. Vet. Intern. Med. 7 (4), 247–252. https://doi.org/
• Ueda, D., Ehara, S., Yamamoto, A., Iwata, S., Abo, K., Walston, S.L., Matsumoto, T., Shimazaki, A., Yoshiyama, M., Miki, Y., 2022. Розробка та валідація методу на основі штучного інтелекту для діагностики мітральної регургітації за рентгенограмами грудної клітки. Radiol. Artif. Intell. 4 (2), e210221 https://doi.org/10.1148/ ryai.210221.
• Valente, C., Wodzinski, M., Guglielmini, C., Poser, H., Chiavegato, D., Zotti, A., Venturini, R., Banzato, T., 2023. Розробка методу на основі штучного інтелекту для діагностики тяжкості міксоматозної дегенерації мітрального клапана за рентгенограмами грудної клітки у собак. Front. Vet. Sci. 10, 1227009. https://doi.org/10.3389/ fvets.2023.1227009.
• Vezzosi, T., Grosso, G., Tognetti, R., Meucci, V., Patata, V., Marchesotti, F., Domenech, O., 2021. Ехокардіографічна шкала мітральної недостатності (mitral INsufficiency echocardiographic score): класифікація тяжкості міксоматозної дегенерації мітрального клапана у собак. J. Vet. Intern. Med. 35 (3), 1238–1244.