Капилляроскопическая диагностика диабетической микроангиопатии с использованием искусственных нейронных сетей у пациентов с сахарным диабетом
- Авторы: Крутиков Е.С.1, Житова В.А.2, Руденко М.А.1, Акаев Р.О.1, Бурдин Д.В.1
-
Учреждения:
- Крымский федеральный университет им. В.И. Вернадского
- Крымский федеральный университет им. В.И. Вернадского
- Выпуск: Том 103, № 6 (2022)
- Страницы: 1040-1049
- Тип: Обмен клиническим опытом
- URL: https://bakhtiniada.ru/kazanmedj/article/view/96764
- DOI: https://doi.org/10.17816/KMJ96764
- ID: 96764
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
Актуальность. Широкое распространение сахарного диабета и прогрессирующее ухудшение здоровья на фоне этого заболевания обосновывают необходимость применения новых методов ранней диагностики диабетических микроангиопатий. Совместное применение цифровой капилляроскопии и технологий глубокого обучения позволяет существенно повысить качество и скорость диагностики микрососудистых ¬нарушений.
Цель. Разработка системы оценки капилляроскопических изображений на основе искусственных нейронных сетей, а также её тестирование для ранней диагностики микроангиопатии у пациентов с сахарным ¬диабетом.
Материал и методы исследования. Обследованы 136 пациентов (59 женщин и 77 мужчин) с сахарным диабетом 1-го типа в возрасте 25,82±6,05 года, которые были разделены две группы: первая группа — 65 (47,8%) пациентов, у которых отсутствовали признаки диабетических микроангиопатий, вторая группа — 71 (52,2%) пациент, у которых было диагностировано наличие одной или нескольких диабетических микроангиопатий. Группу контроля составили 30 практически здоровых добровольцев. Всем исследуемым с сахарным диабетом, а также участникам из группы контроля выполняли капилляроскопию. Полученные изображения анализировали с помощью разработанной системы оценки с применением искусственных нейронных сетей. Для статистической обработки данных использовали критерии Стьюдента и Манна–Уитни (U-тест), логистический регрессионный анализ и ROC-анализ.
Результаты. У пациентов с сахарным диабетом отмечено снижение плотности капиллярной сети в обеих группах и диаметра артериальных отделов во второй группе. Капилляроскопия с применением разработанной системы показала уровень значимости (χ2=21, р=0,000), высокие чувствительность (71,43%) и специ¬фичность (85,71%). Данный метод можно использовать в диагностике микроангиопатии у больных сахарным диабетом.
Вывод. Применение капилляроскопии одновременно с нейронными сетями позволяет повысить скорость и качество исследования, а также упростить интерпретацию получаемых изображений.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Евгений Сергеевич Крутиков
Крымский федеральный университет им. В.И. Вернадского
Email: nephrostar@yandex.ru
ORCID iD: 0000-0002-5754-4418
SPIN-код: 5967-2847
докт. мед. наук, проф., зав. каф., каф. пропедевтики внутренней медицины, Медицинская академия им. С.И. Георгиевского
Россия, г. Симферополь, РоссияВиктория Андреевна Житова
Крымский федеральный университет им. В.И. Вернадского
Автор, ответственный за переписку.
Email: mail@onephro.ru
ORCID iD: 0000-0002-1772-6399
SPIN-код: 3406-6010
канд. мед. наук, ассистент, каф. базисной и клинической фармакологии, Медицинская академия им. С.И. Георгиевского
Россия, г. Симферополь, РоссияМарина Анатольевна Руденко
Крымский федеральный университет им. В.И. Вернадского
Email: rudenko.ma@cfuv.ru
ORCID iD: 0000-0002-8334-8453
SPIN-код: 1900-7487
канд. технич. наук, доц., каф. компьютерной инженерии и моделирования
Россия, г. Симферополь, РоссияРустам Олхазурович Акаев
Крымский федеральный университет им. В.И. Вернадского
Email: akaevrustam1975@mail.ru
ORCID iD: 0000-0002-3897-8042
SPIN-код: 9564-4620
соискатель, каф. пропедевтики внутренней медицины, Медицинская академия им. С.И. Георгиевского
Россия, г. Симферополь, РоссияДаниил Владимирович Бурдин
Крымский федеральный университет им. В.И. Вернадского
Email: daniil-b96@mail.ru
ORCID iD: 0000-0002-2817-1480
SPIN-код: 8608-6393
мл. науч. сотр., каф. компьютерной инженерии и моделирования,
Россия, г. Симферополь, РоссияСписок литературы
- Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018;2:719–731. doi: 10.1038/s41551-018-0305-z.
- Gruson D, Bernardini S, Dabla PK, Gouget B, Stankovic S. Collaborative AI and laboratory medicine integration in precision cardiovascular medicine. Clin Chim Acta. 2020;509:67–71. doi: 10.1016/j.cca.2020.06.001.
- Ati M. Diagnosis of diabetes mellitus in an E-health environment based on artificial neural network. Journal of Next Generation Information Technology. 2013;4(5):125–132. doi: 10.4156/jnit.vol4.issue5.12.
- Uncini A, Aretusi G, Manganelli F, Sekiguchi Y, Magy L, Tozza S, Tsuneyama A, Lefour S, Kuwabara S, Santoro L, Ippoliti L. Electrodiagnostic accuracy in polyneuropathies: Supervised learning algorithms as a tool for practitioners. Neurol Sci. 2020;41:3719–3727. doi: 10.1007/s10072-020-04499-y.
- Sambyal N, Saini P, Syal R. A review of statistical and machine learning techniques for microvascular complications in type 2 diabetes. Curr Diabetes Rev. 2020;17(2):143–155. doi: 10.2174/1573399816666200511003357.
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115–118. doi: 10.1038/nature21056.
- Reina Reina A, Barrera JM, Valdivieso B, Gas ME, Maté A, Trujillo JC. Machine learning model from a Spanish cohort for prediction of SARS-CoV-2 mortality risk and critical patients. Sci Rep. 2022;12(1):5723. doi: 10.1038/s41598-022-09613-y.
- Zou Q, Qu K, Luo Y, Yin D, Ju Y, Tang H. Predicting diabetes mellitus with machine learning techniques. Front Genet. 2018;9:515. doi: 10.3389/fgene.2018.00515.
- Alghamdi M, Al-Mallah M, Keteyian S, Brawner C, Ehrman J, Sakr S. Predicting diabetes mellitus using SMOTE and ensemble machine learning approach: The Henry Ford ExercIse Testing (FIT) project. PLoS ONE. 2017;12(7):e0179805. doi: 10.1371/journal.pone.0179805.
- Ferreira ACBH, Ferreira DD, Oliveira HC, Resende IC, Anjos A, Lopes MHBM. Competitive neural layer-based method to identify people with high risk for diabetic foot. Comput Biol Med. 2020;120:103744. doi: 10.1016/j.compbiomed.2020.103744.
- Padhy SK, Takkar B, Chawla R, Kumar A. Artificial intelligence in diabetic retinopathy: A natural step to the future. Indian J Ophthalmol. 2019;67(7):1004–1009. doi: 10.4103/ijo.IJO_1989_18.
- Sové RJ, Goldman D, Fraser GM. A computational model of the effect of capillary density variability on oxygen transport, glucose uptake, and insulin sensitivity in prediabetes. Microcirculation. 2017;24(2):e12342. doi: 10.1111/micc.12342.
- Senet P, Fichel F, Baudot N, Gaitz JP, Tribout L, Frances C. La capillaroscopie péri-unguéale en dermatologie. [Nail-fold capillaroscopy in dermatology. Ann Dermatol Venereol. 2014;141(6–7):429–437. doi: 10.1016/j.annder.2014.04.120.
- Du-Harpur X, Watt FM, Luscombe NM, Lynch MD. What is AI? Applications of artificial intelligence to dermatology. Br J Dermatol. 2020;183(3):423–430. doi: 10.1111/bjd.18880.
- Liyanage H, Liaw ST, Jonnagaddala J, Schreiber R, Kuziemsky C, Terry AL, de Lusignan S. Artificial intelligence in primary health care: Perceptions, issues, and challenges. Yearb Med Inform. 2019;28(1):41–46. doi: 10.1055/s-0039-1677901.
- Lui S, Li Y, Zhou J, Hu J, Chen N, Shang Y, Chen Z, Li T. Segmenting nailfold capillaries using an improved U-net network. Microvasc Res. 2020;130:104011. doi: 10.1016/j.mvr.2020.104011.
- Wells A, Patel S, Lee JB, Motaparthi K. Artificial intelligence in dermatopathology: Diagnosis, education, and research. J Cutan Pathol. 2021;48(8):1061–1068. doi: 10.1111/cup.13954.
- Дедов И.И., Шестакова М.В., Майоров А.Ю., Викулова О.К., Галстян Г.Р., Кураева Т.Л., Петеркова В.А., Смирнова О.М., Старостина Е.Г., Суркова Е.В., Сухарева О.Ю., Токмакова А.Ю., Шамхалова М.Ш., Ярек-Мартынова И.Р., Артемова Е.В., Бешлиева Д.Д., Бондаренко О.Н., Волеводз Н.Н., Гомова И.С., Григорян О.Р., Джемилова З.Н., Есаян Р.М., Ибрагимова Л.И., Калашников В.Ю., Кононенко И.В., Лаптев Д.Н., Липатов Д.В., Мотовилин О.Г., Никонова Т.В., Роживанов Р.В., Шестакова Е.А. Алгоритмы специализированной медицинской помощи больным сахарным диабетом. 9-й выпуск. Сахарный диабет. 2019;22(1S1):1–144. EDN: LDOTJF.
- Lambova SN. Nailfold capillaroscopy — practical implications for rheumatology practice. Curr Rheumatol Rev. 2020;16(2):79–83. doi: 10.2174/157339711602200415083444.
- Anwar SM, Majid M, Qayyum A, Awais M, Alnowami M, Khan MK. Medical image analysis using convolutional neural networks: A review. J Med Syst. 2018;42(11):226. doi: 10.1007/s10916-018-1088-1.
- Наркевич А.Н., Виноградов К.А. Распознавание объектов на цифровых изображениях микроскопических препаратов с использованием искусственных нейронных сетей. Вестник новых медицинских технологий. 2018;25(4):235–241. doi: 10.24411/1609-2163-2018-16078.
- Maldonado G, Guerrero R, Paredes C, Rios C. Nailfold capillaroscopy in diabetes mellitus. Microvasc Res. 2017;112:41–46. doi: 10.1016/j.mvr.2017.03.001.
- Uyar S, Balkarli A, Erol MK, Yeşil B, Tokuç A, Durmaz D, Görar S, Çekin AH. Assessment of the relationship between diabetic retinopathy and nailfold capillaries in type 2 diabetics with a noninvasive method: Nailfold videocapillaroscopy. J Diabetes Res. 2016;7592402. doi: 10.1155/2016/7592402.
Дополнительные файлы
