Исследователи разработали модель искусственного интеллекта (ИИ), которая по обычным двумерным видеозаписям ультразвукового исследования сердца может определять пациентов с гипертрофической кардиомиопатией и повышенным градиентом давления в выходном тракте левого желудочка. Алгоритму не требуются допплеровские изображения, которые обычно используют для непосредственной оценки скорости кровотока и выраженности обструкции. Однако технология предназначена для предварительного выявления пациентов, которым требуется дополнительное обследование, а не для замены стандартной допплеровской эхокардиографии.
Исследование провели специалисты Клиники Мэйо (Mayo Clinic) совместно с коллегами из Южной Кореи. Работа опубликована 6 августа 2026 года в журнале Circulation: Cardiovascular Imaging. Старшим автором исследования стал Имон Банерджи (Imon Banerjee), исследователь в области искусственного интеллекта в Клинике Мэйо.
Почему при гипертрофической кардиомиопатии важно оценивать кровоток
Гипертрофическая кардиомиопатия (ГКМП) — заболевание, при котором сердечная мышца, чаще всего стенка левого желудочка и межжелудочковая перегородка, становится аномально утолщённой.
Примерно у двух третей пациентов с ГКМП возникает динамическое препятствие для выхода крови из левого желудочка. Такое состояние называют обструкцией выходного тракта левого желудочка (ВТЛЖ). Во время сокращения сердца утолщённая перегородка и особенности движения митрального клапана могут сужать путь, по которому кровь поступает из желудочка в аорту.
Обструкция может сопровождаться одышкой, болью в груди, снижением переносимости физической нагрузки и другими симптомами. Её наличие и выраженность влияют на выбор лечения и дальнейшее наблюдение пациента.
Для оценки обструкции обычно используют допплеровскую эхокардиографию. Метод позволяет измерить скорость кровотока, а затем рассчитать градиент давления между левым желудочком и его выходным трактом.
Проблема в том, что такое измерение технически зависит от правильного положения ультразвукового датчика. Луч необходимо максимально точно направить вдоль потока крови. Ошибка в его ориентации способна привести к неправильной оценке градиента, поэтому исследование требует соответствующего опыта.
ИИ анализировал обычное двумерное УЗИ сердца
Авторы решили выяснить, можно ли извлечь информацию об обструкции из стандартной В-режимной эхокардиографии — обычного двумерного изображения движущихся структур сердца без данных допплера.
Модель глубокого обучения анализировала видеозаписи из трёх стандартных эхокардиографических позиций: парастернальной по длинной оси сердца, апикальной трёхкамерной и апикальной четырёхкамерной.
В основе системы использовалась EchoPrime — предварительно обученная модель, предназначенная специально для анализа эхокардиографических видеозаписей. Затем исследователи объединили информацию из нескольких проекций, чтобы алгоритм одновременно учитывал пространственные и временные особенности движения сердечных структур.
Американская выборка Клиники Мэйо включала 1833 пациента. Для внутренней проверки модели использовали отложенную тестовую выборку из 275 пациентов. Дополнительно алгоритм проверили на независимой группе из 46 пациентов одной из больниц Южной Кореи.
Алгоритм искал градиент выше 20 мм рт. ст.
Задачей ИИ было не непосредственное измерение давления. Алгоритм классифицировал исследования в зависимости от того, превышал ли реальный градиент ВТЛЖ, измеренный допплеровским методом, 20 мм рт. ст.
Этот нюанс важен для интерпретации результатов. Порог 20 мм рт. ст. был выбран авторами для конкретной задачи машинного обучения и оценки потенциально значимого повышения градиента. В более ранней литературе для определения наличия обструкции при ГКМП часто используется порог 30 мм рт. ст., а значения 50 мм рт. ст. и выше имеют особое значение при принятии некоторых терапевтических решений.
Поэтому положительный результат алгоритма нельзя автоматически приравнивать к клиническому диагнозу обструктивной ГКМП или считать самостоятельным основанием для лечения.
Объединение трёх проекций повысило точность
Модели, анализировавшие отдельные эхокардиографические проекции без специализированного предварительного обучения, работали заметно хуже. Во внешней выборке площадь под ROC-кривой (AUROC) находилась в диапазоне от 0,47 до 0,70.
AUROC — показатель способности диагностической модели отличать две группы пациентов при разных порогах классификации. Значение 0,5 приблизительно соответствует случайному угадыванию, а 1,0 — идеальному разделению групп.
Специализированная EchoPrime при анализе одной проекции показала AUROC от 0,75 до 0,80 во внутренней выборке и от 0,79 до 0,83 во внешней.
Когда исследователи объединили данные нескольких стандартных проекций, результат улучшился. Во внешней южнокорейской группе итоговая модель достигла AUROC 0,84.
Это указывает на то, что на обычных видеозаписях сердца действительно присутствуют структурные и динамические признаки, связанные с повышенным градиентом ВТЛЖ, даже если врач не может количественно оценить его без допплеровского измерения.
Что именно может замечать искусственный интеллект
Исследование не означает, что нейросеть каким-либо образом «видит давление» на обычном изображении.
Вероятнее, модель распознаёт сочетание косвенных признаков: форму и толщину межжелудочковой перегородки, геометрию выходного тракта, движение митрального клапана и изменения этих структур в разные фазы сердечного цикла.
При ГКМП особенно важным механизмом обструкции может быть систолическое переднее движение митрального клапана — его смещение в сторону выходного тракта во время сокращения желудочка. Комплекс таких динамических признаков способен содержать информацию о нарушении кровотока, которую алгоритм извлекает из последовательности кадров.
Именно поэтому анализ видеозаписи, а не одного статичного изображения, имеет принципиальное значение.
ИИ может помочь заметить скрытую обструкцию
У некоторых пациентов значимая обструкция отсутствует в состоянии покоя, но появляется при физической нагрузке или во время специальных провокационных проб, изменяющих условия работы сердца.
В исследовании при наличии таких проб для определения истинного состояния пациента учитывался максимальный зарегистрированный градиент. Авторы сообщают, что анализ обычных изображений также позволял выявлять часть пациентов, у которых обструкция становилась заметной только при подобных условиях.
В перспективе это может быть полезно как сигнал врачу: даже если стандартное изображение в состоянии покоя не вызывает явного подозрения, пациенту может потребоваться полноценная допплеровская оценка или нагрузочная эхокардиография.
Внешняя проверка — сильная сторона, но выборка была небольшой
Важной особенностью работы стала проверка алгоритма за пределами учреждения, где его разрабатывали.
Южнокорейская группа существенно отличалась от американской по составу пациентов, а исследования выполнялись на другом клиническом оборудовании. Несмотря на это, модель сохранила достаточно высокую способность различать пациентов с повышенным и нормальным градиентом.
Однако внешняя выборка включала всего 46 человек, из которых повышенный градиент был зарегистрирован у 12. Это слишком небольшое число для вывода о том, что алгоритм одинаково хорошо работает во всех популяциях, больницах и на разных ультразвуковых системах.
Кроме того, исследование было ретроспективным и проводилось преимущественно в специализированных медицинских центрах. Неизвестно, сохранится ли точность при обследовании пациентов менее опытными операторами, при использовании карманных ультразвуковых аппаратов или в обычных амбулаторных учреждениях.
Авторы также отмечают необходимость отдельно проверить модель при более традиционных порогах градиента — 30 и 50 мм рт. ст. — и изучить возможность не только классифицировать пациентов, но и непосредственно прогнозировать величину градиента.
ИИ не должен заменять допплеровскую эхокардиографию
Наиболее реалистичное применение технологии — предварительный отбор пациентов.
Если алгоритм обнаруживает признаки возможной обструкции на обычном УЗИ, врач может провести полноценное допплеровское исследование, выполнить провокационные пробы или направить пациента в специализированный центр по лечению ГКМП.
Такой подход потенциально особенно интересен для клиник, где нет постоянного доступа к специалистам экспертного уровня, а также для портативного ультразвукового оборудования.
Однако перед внедрением в клиническую практику необходимы более крупные проспективные исследования. Они должны показать не только точность алгоритма на заранее собранных данных, но и то, действительно ли его применение помогает раньше выявлять обструкцию, улучшает решения врачей и в конечном итоге влияет на исходы пациентов.
Таким образом, исследование демонстрирует, что обычные эхокардиографические видеозаписи содержат значительно больше информации о гемодинамике сердца, чем можно получить при стандартном визуальном осмотре. Искусственный интеллект способен извлекать эти скрытые признаки, но пока его следует рассматривать как потенциальный инструмент поддержки врача, а не альтернативу непосредственному измерению кровотока.
Литература
Crystal O. R., Farina J. M., Scalia I. G., Ayoub C., Etchegoyen C. V., Chollet L., Park H. B., Kim K. A., Arsanjani R., Lester S. J., Banerjee I. Beyond Doppler: Scalable AI Detection of LVOT Obstruction in HCM // Circulation: Cardiovascular Imaging. — 2026. — Published online 6 August 2026. — e019956. — DOI: 10.1161/CIRCIMAGING.126.019956.