Способ определения риска отторжения сердечного трансплантата



Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата
Способ определения риска отторжения сердечного трансплантата

Владельцы патента RU 2661559:

Ставенчук Татьяна Владимировна (RU)
Славинский Александр Александрович (RU)
Федеральное Государственное Бюджетное Образовательное Учреждение Высшего Образования "Кубанский Государственный Медицинский Университет Министерства здравоохранения Российской Федерации" ФГБОУ ВО КубГМУ Минздрава России (RU)
Космачева Елена Дмитриевна (RU)

Изобретение относится к медицине, а именно в трансплантологии и кардиологии, и может быть использовано для определения степени риска отторжения трансплантата. Способ включает выявление предикторов. С помощью ультразвукового способа исследования, speckle-tracking echocardiography, выявляют комплекс 13 предикторов отторжения сердечного трансплантата: глобальный пиковый систолический стрейн левого желудочка (GLSLV,-%), продольный стрейн левого желудочка в 4-х камерной позиции (А4С,-%), продольный стрейн левого желудочка в двухкамерной позиции (А2С,-%), продольный стрейн левого желудочка в трехкамерной позиции (А3С,-%), глобальный пиковый систолический стрейн рейт левого желудочка), (GLSTRLV, -с-'), радиарный стрейн левого желудочка (RadSLV, %), радиальный стрейн рейт левого желудочка, (RadSTRLV, с-'), циркулярный стрейн левого желудочка (CirSLV, -%), циркулярный стрейн рейт левого желудочка (Cir STR LV, -с-'), скручивание (twist,''), вращение апикальных сегментов левого желудочка), (ROT APEX,°), вращение базальных сегментов левого желудочка (ROT BASE,°), вращение средних сегментов левого желудочка (вращение средних сегментов левого желудочка ROT MID,°). Затем по формуле, с помощью компьютерного анализа рассчитываем степень риска отторжения сердечного трансплантата:

где Z k - "выходные" данные третьего слоя для 4 групп, е – экспонента, i 1…8 - индекс расположения "выходных" данных второго слоя, нейронной сети, j 1…13 - индекс расположения "выходных" данных первого слоя нейронной сети, X'' - «выходные» данные первого слоя нейронной сети, w j - веса 13 нормированных значений, w i- веса 8 нормированных значений, - пороги. Формула объединяет три слоя нейронной сети: 13 предикторов преобразовывают в "нормированные" значения первого слоя нейронной сети и получают 13 "нормированных" значений (j). Значения первого слоя нейронной сети преобразовывают во второй слой нейронной сети и на "выходе" получают 8 "нормированных" значений (7). Показатели второго слоя нейронной сети преобразовывают по указанной математической формуле в "выходные" данные третьего слоя нейронной сети, который включает: группу отторжения 1 - реципиенты без клеточного и гуморального отторжения, ACR 0, AMR 0; группу отторжения 2 - реципиенты с клеточным отторжением 1 степени, ACR 1; группу отторжения 3 - реципиенты с клеточным отторжением 2 степени, ACR 2; группу отторжения 4 - реципиенты с гуморальным отторжением 1 или 2 степени, AMR 1. Далее получают Zk от 0 до 1, соответствующие степени риска отторжения сердечного трансплантата. При этом реципиент будет относиться к той группе в третьем слое, значения которой по модулю составляют 0.9-1. Способ позволяет определить риск отторжения сердечного трансплантата, выявить ранние предикторы отторжения сердечного трансплантата на этапе ультразвукового исследования, выявить степень риска отторжения сердечного трансплантата, классифицировать реципиентов отторжения сердечного трансплантата по механизму и степени отторжения. 15 ил., 4 пр.

 

Способ определения группы риска отторжения сердечного трансплантата

Предполагаемое изобретение относится к медицине и может быть использовано в трансплантологии и кардиологии для определения степени риска отторжения трансплантата с целью своевременной коррекции тактики ведения больного.

В настоящее время трансплантация сердца - это наиболее эффективный способ лечения терминальной стадии хронической сердечной недостаточности (ESC Guidelines acute and chronic heart failure, 2012). Гистологическое и иммуногистохимическое исследования материала, получаемого в результате регулярно проводимой эндомиокардиальной биопсии, при этом являются объективным методом диагностики и оценки степени тяжести острого отторжения трансплантированного сердца (Costanzo M.R., 2010). Крайне актуальным остается вопрос мониторирования функции аллографта и раннего выявления реакций отторжения. У большинства пациентов отторжение не имеет клинических проявлений, что обусловливает регулярное проведение эндомиокардиальной биопсии. Это требует поиска дешевого, малоинвазивного, легко доступного в выполнении, безопасного и надежного способа диагностики отторжения сердечного трансплантата. Внедрение в клиническую практику неинвазивных и доступных способов скрининга позволит улучшить раннюю диагностику отторжения сердечного трансплантата и отдаленный прогноз реципиентов сердца (Miller С.A. et al, 2013).

В частности, известен неинвазивный способ наблюдения реципиентов с целью выявления отторжения сердечного трансплантата - трансторакальная эхокардиография. В раннем послеоперационном исследовании это позволяет идентифицировать хирургические осложнения, диагностировать раннюю дисфункцию трансплантата, правожелудочковую недостаточность, в дальнейшем - предположить возможность выявления острого отторжения трансплантата, болезни коронарных артерий трансплантированного сердца, оценки систолического артериального давления в легочной артерии. Отмечают закономерности между морфологическими изменениями в миокарде при остром гуморальном, клеточном и хроническом отторжении, которые находят отражение в отклонении от нормы параметров трансторкальной эхокардиографии.

Сущность метода состоит в оценке толщины стенок левого желудочка, массы миокарда, фракции выброса, размеров камер сердца, диастолической функции левого желудочка, выпота в полости перикарда, легочной гипертензии.

Недостатки: одним из ограничивающих факторов при выполнении данного исследования является вариабельность параметров в популяции реципиентов сердца (C.A. Miller et al., 2013; L.P. Badano et al., 2015). Этот факт указывает на то, что трудно выделить норму и пороговые значения для каждого из параметров у реципиентов сердца с целью диагностики дисфункции трансплантата. В выявлении новых зон нарушения локальной сократимости при отторжении сердца трансторакальная эхокардиография характеризуется низкой чувствительностью, но высокой специфичностью (69-100%) (C.A. Miller et al., 2013; L.P. Badano et al., 2015; В.И. Шумаков и соавт., 2005). При оценке диастолической функции на наполнение левого желудочка оказывает влияние много факторов: условия преднагрузки, мерцание предсердий, податливость левого желудочка, частота сердечных сокращений, морфология предсердий, конечный диастолический объем левого желудочка (В.И. Шумаков и соавт., 2005). Таким образом, диастолическая функция может быть нарушена в результате ряда причин и не является специфичной при отторжении. Таким образом, трансторакальная эхокардиография не может выступать в качестве способа диагностики с целью выявления отторжения на ранней стадии.

За ближайший аналог принят способ тканевой допплерографии, предусматривающий определение ранних предикторов отторжения трансплантата, таких, как продольная, радиальная, циркулярная деформации. Mirsky I. Parmley W.W. впервые ввели понятие Strain (стрейн) с целью облегчения понимания эластической жесткости сердечной мышцы. Strain (стрейн) - степень удлинения или сжатия между двумя точками в пространстве. Strain rate (стрейн рейт) - скорость, с которой происходит деформация миокарда. Отрицательный Strain означает сжатие или укорочение, а положительный - удлинение или расширение. Недостатки: на анализ влияет качество серошкального изображения; также данная методика уголзависимая, величины деформации будут невоспроизводимыми, если угол падающего луча более 20°, не учитывает механику сердца, на величину миокардиальных скоростей могут влиять избыточные движения пересаженного сердца (М.Н. Алехин, 2011).

Так, в исследовании A. Marciniak et al. с помощью тканевой допплерографии рассчитывались Strain (стрейн) и Strain rate (стрейн рейт). Исследование показало уменьшение продольного стрейна, как в левом, так и правом желудочке при градации клеточного отторжения сердечного трансплантата более 1 В. В этой когорте обследуемых результаты с наилучшей точностью показал радиальный стрейн. Ограничением этого исследования явилось изучение радиального стрейна только по задней стенке левого желудочка, что может повлиять на результат ввиду гетерогенных нарушений в миокарде на фоне отторжения сердечного трансплантата. В исследовании Kato et al. у реципиентов без отторжения значения пикового систолического продольного стрейна (ACR 0 или клеточного отторжения 1А) -32.6±6.3%, для реципиентов с отторжением ACR более 1 В -27.4%, чувствительность и специфичность 82% (C.Miller et al., 2013). Roshanali et al. нашли, что пиковый систолический продольный стрейн по боковой и септальной стенкам левого желудочка снижен с градации >3А ACR (S. Mingo-Santos et al., 2015). При обследовании реципиентов с помощью методики тканевой допплерографии можно диагностировать отторжение на более высоких стадиях (начиная с ACR 2 и выше), но не позволяет выделить ранние диагностические критерии отторжения сердечного трансплантата. Все приведенные выше исследования не были полипозиционными.

Задачи:

- обеспечить достоверность риска отторжения сердечного трансплантата

- предложить ранние предикторы отторжения сердечного трансплантата на этапе ультразвукового исследования

- выявить степень риска отторжения сердечного трансплантата

- классифицировать реципиентов сердечного трансплантата по механизму и степени отторжения

Технический результат:

Раннее определение степени риска отторжения сердечного трансплантата обусловлено применением методики speckle-tracking echocardiography, которая позволяет оценить деформацию миокарда в продольном, радиальном и циркулярном направлениях, как левого, так и правого желудочков и механику сердца. GLPS LV (параметр продольной деформации) отражает контрактильность миокарда левого желудочка. Систолическое продольное укорочение левого желудочка в основном осуществляется за счет сокращения субэндокардиальных слоев миокарда, которые наиболее уязвимы ввиду наибольшего влияния на них внутрижелудочкового давления и относительно скудного кровоснабжения этой зоны. Поэтому нарушение продольной функции является наиболее чувствительным в диагностике механической функции ЛЖ (Алехин М.Н., 2011). Острое отторжение сердечного трансплантата характеризуется гистологическими изменениями, такими как инфильтрат из воспалительных клеток, отек, кровоизлияния, некроз, которые способствуют нарушению контрактильности и расслаблению миокарда; а также хирургическое вмешательство, реомоделирование левого желудочка, нарушение микро - и макроваскулярной перфузии - факторы, приводящие к нарушению продольной систолической функции у реципиентов после ортотопической трансплантации сердца (A. Marciniak et al., 2006). Результаты апробации способа показывают, что GLSLV имеет чувствительность в диагностике отторжения на ранней стадии 62.3%, специфичность-90.5%, вероятность болезни при положительном диагнозе (PPV) - 86%, вероятность болезни при отрицательном диагнозе (NPV) - 28%, AUC - 0.76 (хороший классификатор), что указывает на хорошую разделительную способность с помощью GLSLV между группами реципиентов. Чувствительность twist в диагностике отторжения на ранней стадии составляет 34.7%, специфичность - 95.9%, вероятность болезни при положительном диагнозе (PPV) - 88.8%, вероятность болезни при отрицательном диагнозе (NPV) - 38.6, AUC-0.65 (средний классификатор). Таким образом, способ speckle-tracking echocardiography может выступать дополнением к эндомиокардиальной биопсии с целью выявления степени риска отторжения сердечного трансплантата на ранней стадии.

Предложено с помощью с помощью ультразвукового способа исследования, speckle-tracking echocardiography, выявляют комплекс 13 предикторов отторжения сердечного трансплантата: глобальный пиковый систолический стрейн левого желудочка (GLSLV, - %), продольный стрейн левого желудочка в 4-х камерной позиции (А4С, - %), продольный стрейн левого желудочка в двухкамерной позиции (А2С, - %), продольный стрейн левого желудочка в трехкамерной позиции (А3С, - %), глобальный пиковый систолический стрейн рейт левого желудочка), (GLSTRLV, -с-'), радиарный стрейн левого желудочка (RadSLV, %), радиальный стрейн рейт левого желудочка, (RadSTRLV, с-'), циркулярный стрейн левого желудочка (CirSLV, - %), циркулярный стрейн рейт левого желудочка (Cir STR LV, -с-'), скручивание, twist (°), вращение апикальных сегментов левого желудочка), (ROT APEX, °), вращение базальных сегментов левого желудочка (ROT BASE, °), вращение средних сегментов левого желудочка (вращение средних сегментов левого желудочка ROT MID, °), затем по формуле, представленной ниже, с помощью компьютерного анализа рассчитываем степень риска отторжения сердечного трансплантата.

, где

Zk - "выходные" данные третьего слоя для 4 групп

е - экспонента

j - 1……13 - "выходные" данные первого слоя нейронной сети (13 "нормированных "значений)

i 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

w j - веса 13 нормированных значений

- пороги

w i - веса 8 нормированных значений

Формула объединяет три слоя нейронной сети: 13 предикторов преобразовывают в "нормированные" значения первого слоя нейронной сети и получают 13 "нормированных" значений (j); значения первого слоя нейронной сети преобразовывают во второй слой нейронной сети и на "выходе" получают 8 "нормированных" значений (i); показатели второго слоя нейронной сети преобразовывают в "выходные" данные третьего слоя нейронной сети - это значения реципиентов с различной степенью риска отторжения сердечного трансплантата (Zk). Получают на "выходе" положительные значения от 0 до 1. Реципиент будет относиться к той группе в третьем слое, значения которой по модулю составляют ⎥0.9-1⎢.

Способ осуществляют следующим образом: во время текущей плановой или экстренной госпитализации в кардиологическое отделение реципиенту до или после выполнения эндомиокардиальной биопсии выполняют по методике УЗИ speckle-tracking echocardiography с выделением 13 предикторов отторжения сердечного трансплантата: глобальный пиковый систолический стрейн левого желудочка (GLSLV, - %), продольный стрейн левого желудочка в 4-х камерной позиции (А4С, - %), продольный стрейн левого желудочка в двухкамерной позиции (А2С, - %), продольный стрейн левого желудочка в трехкамерной позиции (А3С, - %), глобальный пиковый систолический стрейн рейт левого желудочка), (GLSTRLV, -с-'), радиарный стрейн левого желудочка (RadSLV, %), радиарный стрейн рейт левого желудочка, (RadSTRLV, с-'), циркулярный стрейн левого желудочка (CirSLV, -%), циркулярный стрейн рейт левого желудочка (Cir STR LV, -с-'), скручивание, twist (°), вращение апикальных сегментов левого желудочка), (ROT APEX,°), вращение базальных сегментов левого желудочка (ROT BASE, °), вращение средних сегментов левого желудочка (вращение средних сегментов левого желудочка ROT MID, °).

Затем, следуя блок-схеме, представленной в приложении, определяют степень риска отторжения сердечного трансплантата. На блок-схеме изображено последовательное преобразование предикторов посредством математической формулы в три слоя нейронной сети, где А - предикторы, полученные с помощью методики speckle-tracking echocardiography; В - "нормированные" 13 значений первого слоя нейронной сети, полученные с помощью математической формулы; C - "нормированные" 8 значений второго слоя нейронной сети, полученные с помощью математической формулы; D - третий слой нейронной сети, полученный с помощью математической формулы, 4 значения на выходе соответствуют 4 группам реципиентов. Е - значения по модулю третьего слоя нейронной сети; реципиент автоматически попадает в ту группу, значение по модулю которой приближается к 0.9-1.0.

После определения 13 предикторов для каждого из реципиентов с помощью метода "минимакса" преобразовывают входные данные в сигналы нейронной сети. После преобразования получаем "нормированные" значения первого слоя нейронной сети (блок-схема, п. В). Затем значения первого нейронного слоя преобразовываются во второй слой нейронов, на выходе получают 8 значений (блок-схема, п. С). Значения второго слоя преобразовываются в третий слой нейронов (блок-схема, п. D). С помощью нейронной сети "на выходе" относят исследуемого реципиента к группе, сигнал которой по модулю больше (блок-схема, п. Е). Критерием выбора является принцип максимального правдоподобия, то есть нейронная сеть для исследуемого реципиента рассчитывает значения всех четырех групп на выходе. Получаются положительные значения от 0 до 1. Реципиент будет относится к той группе, значение которой на выходе будет иметь значение 0.9-1 (блок-схема, Е).

На базе НИИ-ГБУЗ ККБ№1 им. С.В. Очаповского способ апробирован на 150 реципиентах. На первом этапе реципиентам проводили эндомиокардиальную биопсию. Затем у пациентов выявлены 13 предикторов отторжения сердечного трансплантата способом УЗИ speckle-tracking echocardiography. Реципиенты были разделены на 4 группы: группа №1=33 (реципиенты без клеточного и гуморального отторжения, ACR 0, AMR0); (образцов биопсии n=149, соответствуют обследованию 33 реципиентов в группе №1); группа №2=70 (реципиенты с клеточным отторжением 1 степени, ACR1), (образцов биопсии n=91, получены от 70 реципиентов); группа №3=34 (реципиенты с клеточным отторжением 2 степени, ACR2), (образцов биопсии n=45, получены от 34 реципиентов); группа №4=13 (реципиенты с гуморальным отторжением 1 или 2 степени, AMR1); (образцов биопсии n=24, получены от 13 реципиентов). Все реципиенты были классифицированы верно - результаты speckle-tracking echocardiography, обработанные с помощью нашего способа изобретения с целью определения степени риска отторжения сердечного трансплантата, соответствовали результатам анализа эндомиокардиальной биопсии. Средняя ошибка обучения нейронной сети составила 0,00162 (рис. VII, см. приложение).

Примеры диагностирования реципиентов с разной степенью клеточного и гуморального отторжения.

Пример №1.

А) Шаг №1. Клинический случай №1. Реципиент госпитализирован на плановую госпитализацию с целью динамического мониторирования функции сердечного аллографта. Жалоб пациент не предъявлял. Объективный статус удовлетворительный. Реципиенту выполнили эндомиокардиальную биопсию. Получили результаты с помощью speckle-tracking echocardiography: GLSLV (-24,75%), А4С (-30.79%) А2С (-21.7%), А3С (-26.41%), GLSTRLV, (-1.87с-'), RadSLV (33.71%), RadSTRLV (1.84, c-'), CirSLV, -29.07%, Cir STR LV, (-2.11c-') twist (9.48°) ROT APEX (5.00°), ROT BASE (-4.48°), ROT MID (5.70°). Преобразовывали эти данные с помощью нейронной сети. Математическая формула нейронной сети состоит из 3-х частей.

На первом этапе, преобразовав 13 предикторов, получили "нормированные" значения первого слоя нейронной сети (блок-схема, п. В). Производилась линейная нормировка методом "минимакса" для преобразования входных данных в сигналы нейронной сети (первая часть формулы нейронной сети):

(где Xmax - максимальное текущее значение каждого из предикторов, Xmin - минимальное текущее значение каждого из предикторов, Xg - текущее значение каждого из предикторов, х~ - нормированные значения первого слоя нейронной сети.

Нормировка всех признаков приводит к тому, что все облако данных заключается в шар единичного радиуса. Каждому из 13 предикторов соответствуют "нормированные" значения первого слоя нейронной сети, представлены в приложении (рис. II А).

В) Шаг №2. На втором этапе получили "нормированные" значения второго слоя нейронной сети.

Выходные данные первого слоя умножаются на соответствующие веса второго слоя нейронной сети из таблицы, представленной на рис. VI (см. приложение), затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю.

Вторая составная часть формулы нейронной сети для второго слоя имеет вид:

,

Где y - нормированные значения второго слоя нейронной сети

е - экспонента

у - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

j - 1……13 - "выходные" данные первого слоя нейронной сети (13 "нормированных "значений) w j - веса

- пороги

В результате на выходе из второго слоя получаем выходные данные для реципиента №1, которые одновременно являются входными данными для третьего слоя нейронной сети (рис. II В)

С) Шаг №3. Входные данные третьего слоя умножаются на соответствующие веса третьего слоя нейронной сети из таблицы, представленной на рис. VI (см. приложение), затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю.

Третья часть формулы нейронной сети имеет вид:

, где

i - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

z - результаты, рассчитанные для 4-х групп на выходе третьего слоя

y - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

w i - веса второго слоя нейронной сети

- пороги

Получили значения выходного третьего слоя нейронной сети на "выходе" рассчитываются значения всех четырех групп (блок-схема, п. Е). Получаются положительные значения от 0 до 1. Реципиент будет относиться к той группе, значение которой на выходе будет иметь 0.9-1 по модулю. Таким образом, реципиент №1 относится к группе отторжения №1 (без признаков клеточного отторжения ACR0) (приложение, рис. II С). Результаты speckle-tracking echocardiography для реципиента, преобразованные с помощью нашего изобретения, совпали с результатами эндомиокардиальной биопсии (ACR0).

Пример №2.

А) Шаг №1. Клинический случай №150. Реципиент госпитализирован на плановую госпитализацию с целью динамического мониторирования функции сердечного аллографта. Жалоб пациент не предъявлял. Объективный статус удовлетворительный. Реципиенту выполнили эндомиокардиальную биопсию. Получили результаты с помощью speckle-tracking echocardiography: GLSLV (-16.25%), А4С (-18.00%) А2С (-17.00%), А3С (-17.09%), GLSTRLV, (-1.12с-'), RadSLV (20.09%), RadSTRLV (1.67, c-'), CirSLV, -19.00%, Cir STR LV, (-1.70c-') twist (15.7°) ROT APEX (8.00°), ROT BASE (-7.00°), ROT MID (2.35°). Преобразовывали эти данные с помощью нейронной сети. Математическая формула нейронной сети состоит из 3-х частей.

На первом этапе, преобразовав 13 предикторов, получили "нормированные" значения первого слоя нейронной сети (блок-схема, п. В).

Производилась линейная нормировка методом "минимакса" для преобразования входных данных в сигналы нейронной сети (первая часть формулы нейронной сети):

(где Xmax - максимальное текущее значение каждого из предикторов, Xmin - минимальное текущее значение каждого из предикторов, Xg - текущее значение каждого из предикторов, х~ - нормированные значения первого слоя нейронной сети.

Нормировка всех признаков приводит к тому, что все облако данных заключается в шар единичного радиуса. Каждому из 13 предикторов соответствуют "нормированные" значения первого слоя нейронной сети, представлены в приложении (рис. III А).

В) Шаг №2. На втором этапе получили "нормированные" значения второго слоя нейронной сети.

Выходные данные первого слоя умножаются на соответствующие веса второго слоя нейронной сети из таблицы №1, представленной (см. приложение, рис. VI), затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю.

Формула второго слоя нейронной сети имеет вид:

,

Где y - нормированные значения второго слоя нейронной сети

е - экспонента

y - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

j - 1……13 - "выходные" данные первого слоя нейронной сети (13 "нормированных "значений)

w j - веса 13 нормированных значений

- пороги

В результате на выходе из второго слоя получаем выходные данные для реципиента, которые одновременно являются входными данными для третьего слоя нейронной сети (рис. III В)

С) Шаг №3. Входные данные третьего слоя умножаются на соответствующие веса третьего слоя нейронной сети из таблицы, затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю.

Формула третьего слоя нейронной сети имеет вид:

, где

где

i-1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

z - результаты, рассчитанные для 4-х групп на выходе третьего слоя

y - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

w i - веса 8 нормированных значений

- пороги

Получили значения выходного третьего слоя нейронной сети на "выходе" рассчитываются значения всех четырех групп. Получаются положительные значения от 0 до 1. Реципиент будет относится к той группе, значение которой на выходе будет иметь 0.9- 1 по модулю. Таким образом, реципиент №150 относится к группе отторжения №2 (с признаками клеточного отторжения ACR1) (приложение, рис III С). Результаты speckle-tracking echocardiography для реципиента, преобразованные с помощью нашего изобретения, совпали с результатами эндомиокардиальной биопсии (ACR1).

Пример №3.

А) Шаг №1. Клинический случай №241. Реципиент госпитализирован экстренно с подозрение на отторжение сердечного трансплантата. Жалобы на слабость, одышку, снижение толерантности к нагрузке. Реципиенту выполнили эндомиокардиальную биопсию. Получили результаты с помощью speckle-tracking echocardiography: GLSLV (-10.56%), А4С (-9.09%) А2С (-11.09%), А3С (-11.89%), GLSTRLV, (-0.98с-'), RadSLV (22.34%), RadSTRLV (1.09, c-'), CirSLV, -14.00%, Cir STR LV, (-1.13c-') twist (7.16°) ROT APEX (2.09°), ROT BASE (-5.43°), ROT MID (2.56°). Преобразовывали эти данные с помощью нейронной сети. В первом слое получили "нормированные" значения первого слоя нейронной сети. Производилась линейная нормировка методом "минимакса" для преобразования входных данных в сигналы нейронной сети (первая часть формулы нейронной сети):

, (где Xmax - максимальное текущее значение каждого из предикторов, Xmin - минимальное текущее значение каждого из предикторов, Xg - текущее значение каждого из предикторов, х~ - нормированные значения первого слоя нейронной сети.

Нормировка всех признаков приводит к тому, что все облако данных заключается в шар единичного радиуса. "Нормированные" значения первого слоя нейронной сети представлены показаны в приложении (рис. IV А, столбец значений слева).

В) Шаг №2. На втором этапе получили "нормированные" значения второго слоя нейронной сети.

Выходные данные первого слоя умножаются на соответствующие веса второго слоя нейронной сети из таблицы №1, представленной на рис. VI (см. приложение), затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю.

Вторая часть формулы нейронной сети для второго слоя:

,

Где y - нормированные значения второго слоя нейронной сети

е - экспонента

y - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

j - 1……13 - "выходные" данные первого слоя нейронной сети (13 "нормированных "значений)

w j - веса 13 нормированных значений

- пороги

В результате на выходе из второго слоя получаем выходные данные для реципиента №1, которые одновременно являются входными данными для третьего слоя нейронной сети (рис. IV В)

С) Шаг №3. Входные данные третьего слоя умножаются на соответствующие веса третьего слоя нейронной сети из таблицы, затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю. Формула третьего слоя нейронной сети имеет вид:

, где

i - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

z - результаты, рассчитанные для 4-х групп на выходе третьего слоя

y - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

w i - веса 8 нормированных значений

- пороги

Получили значения выходного третьего слоя нейронной сети на "выходе" рассчитываются значения всех четырех групп. Получаются положительные значения от 0 до 1. Реципиент будет относится к той группе, значение которой на выходе будет иметь 0.9- 1 по модулю. Таким образом, реципиент относится к группе отторжения №3 (с признаками клеточного отторжения ACR2) (приложение, рис IV С). Результаты speckle-tracking echocardiography для реципиента, преобразованные с помощью нашего изобретения, совпали с результатами эндомиокардиальной биопсии (ACR2).

Пример №4.

А) Шаг №1. Клинический случай №275. Реципиент госпитализирован экстренно с подозрением на отторжение сердечного трансплантата. Жалобы на слабость, одышку, снижение толерантности к нагрузке, повышение температуры тела до 37.5°. Реципиенту выполнили эндомиокардиальную биопсию. Получили результаты с помощью speckle-tracking echocardiography: GLSLV (-9.43%), А4С (-9.56%) А2С (-10.09%), А3С (-11.09%), GLSTRLV, (-0.76с-'), RadSLV (8.56%), RadSTRLV (1.09, c-'), CirSLV, -16.03%, Cir STR LV, (-1.12c-') twist (7.58°) ROT APEX (2.00°), ROT BASE (-5.38°), ROT MID (0.34°). Преобразовывали эти данные с помощью нейронной сети. В первом слое получили "нормированные" значения первого слоя нейронной сети. Производилась линейная нормировка методом "минимакса" для преобразования входных данных в сигналы нейронной сети (первая часть формулы нейронной сети):

(где Xmax - максимальное текущее значение каждого из предикторов, Xmin - минимальное текущее значение каждого из предикторов, Xg - текущее значение каждого из предикторов, х~ - нормированные значения первого слоя нейронной сети.

Нормировка всех признаков приводит к тому, что все облако данных заключается в шар единичного радиуса. "Нормированные" значения первого слоя нейронной сети представлены показаны в приложении (рис. V А, столбец значений слева).

В) Шаг №2. На втором этапе получили "нормированные" значения второго слоя нейронной сети (рис. V В, столбец значений слева). Выходные данные первого слоя умножаются на соответствующие веса второго слоя нейронной сети из таблицы №1, представленной на рис. VI (см. приложение), затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю.

Вторая часть формулы нейронной сети для второго слоя:

,

Где y - нормированные значения второго слоя нейронной сети

е - экспонента

у - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

j - 1……13 - "выходные" данные первого слоя нейронной сети (13 "нормированных "значений)

w j - веса 13 нормированных значений

- пороги

В результате на выходе из второго слоя получаем выходные данные для реципиента, которые одновременно являются входными данными для третьего слоя нейронной сети (рис. V В)

С) Шаг №3. Входные данные третьего слоя умножаются на соответствующие веса третьего слоя нейронной сети из таблицы, затем суммируются. Из результата вычитается пороговое значение θ-Threshold. Затем значение обрабатывается сигмоидальной функцией активации. Вычитается порог, равный 1, значение берется по модулю.

Третья часть формулы нейронной сети имеет вид:

, где

i - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

z - результаты, рассчитанные для 4-х групп на выходе третьего слоя

y - 1……8 - "выходные" данные второго слоя нейронной сети (8 "нормированных" значений)

w i - веса нормированных 8 значений

- пороги

Получили значения выходного третьего слоя нейронной сети на "выходе", рассчитываются значения всех четырех групп. Получаются положительные значения от 0 до 1 (блок-схема, п.Е). Реципиент будет относиться к той группе, значение которой на выходе будет иметь 0.9- 1 по модулю. Таким образом, реципиент относится к группе отторжения №4 (с признаками гуморального отторжения AMR1) (приложение, рис. V С). Результаты speckle-tracking echocardiography для реципиента, преобразованные с помощью нашего изобретения, совпали с результатами эндомиокардиальной биопсии (AMR1).

Способ определения риска отторжения сердечного трансплантата, включающий выявление предикторов, отличающийся тем, что с помощью ультразвукового способа исследования, speckle-tracking echocardiography, выявляют комплекс 13 предикторов отторжения сердечного трансплантата: глобальный пиковый систолический стрейн левого желудочка (GLSLV,-%), продольный стрейн левого желудочка в 4-х камерной позиции (А4С,-%), продольный стрейн левого желудочка в двухкамерной позиции (А2С,-%), продольный стрейн левого желудочка в трехкамерной позиции (А3С,-%), глобальный пиковый систолический стрейн рейт левого желудочка, (GLSTRLV, -с-'), радиарный стрейн левого желудочка (RadSLV, %), радиальный стрейн рейт левого желудочка, (RadSTRLV, с-'), циркулярный стрейн левого желудочка (CirSLV, -%), циркулярный стрейн рейт левого желудочка (Cir STR LV, -с-'), скручивание (twist,''), вращение апикальных сегментов левого желудочка, (ROT APEX,°), вращение базальных сегментов левого желудочка (ROT BASE,°), вращение средних сегментов левого желудочка (ROT MID,°), затем по формуле, представленной ниже, с помощью компьютерного анализа рассчитываем степень риска отторжения сердечного трансплантата:

Z k - "выходные" данные третьего слоя для 4 групп

е - экспонента

i 1…8 - индекс расположения "выходных" данных второго слоя

нейронной сети

j 1…13 - индекс расположения "выходных" данных первого слоя нейронной сети

X'' - «выходные» данные первого слоя нейронной сети

w j - веса 13 нормированных значений

w i- веса 8 нормированных значений

- пороги, где

формула объединяет три слоя нейронной сети: 13 предикторов преобразовывают в "нормированные" значения первого слоя нейронной сети и получают 13 "нормированных" значений (j); значения первого слоя нейронной сети преобразовывают во второй слой нейронной сети и на "выходе" получают 8 "нормированных" значений (7); показатели второго слоя нейронной сети преобразовывают по указанной математической формуле в "выходные" данные третьего слоя нейронной сети, который включает: группу отторжения 1 - реципиенты без клеточного и гуморального отторжения, ACR 0, AMR 0; группу отторжения 2 - реципиенты с клеточным отторжением 1 степени, ACR 1; группу отторжения 3 - реципиенты с клеточным отторжением 2 степени, ACR 2; группу отторжения 4 - реципиенты с гуморальным отторжением 1 или 2 степени, AMR 1; далее получают Zk от 0 до 1, соответствующие степени риска отторжения сердечного трансплантата, при этом реципиент будет относиться к той группе в третьем слое, значения которой по модулю составляют 0.9-1.



 

Похожие патенты:

Изобретение относится к области обнаружения вредоносных файлов. Техническим результатом является обнаружение вредоносных файлов на основании анализа функциональных зависимостей между ресурсами анализируемых файлов.

Изобретение относится к биометрической идентификации и аутентификации человека. Технический результат заключается в обеспечении быстрого и надежного способа идентификации человека с использованием индивидуальных реакций на небольшой набор простых стимулов с помощью электроэнцефаллограмм (ЭЭГ).

Изобретение относится к диагностике состояния электроприводных устройств. Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата включает измерение параметров, сбор информации и проверку ее достоверности, фильтрацию измерений, проверку измерений, корректировку показаний измерений, сверку с ограничениями, вычисление признаков оперативного диагностирования, распознавание неисправностей и расчет отклонений.

Изобретение относится к компьютерным системам диагностики производственных объектов. В частности, предложена интеллектуальная информационная система технической диагностики состояния подвижных миксеров, которая включает подвижной миксер с тензодатчиками и компьютер технолога со специализированным программным обеспечением.

Изобретение относится к области оптических измерений и касается способа нейроподобного снижения размерности оптических спектров. Способ заключается в мультиплексировании компонент спектра на несколько каналов, число которых меньше числа всех компонент, фильтрации мультиплексированных компонент в каждом канале и пространственном накоплении во всех каналах отфильтрованных компонент для формирования редуцированных образов оптических спектров.

Изобретение относится к вычислительной технике и может быть использовано в процессорах обработки сигналов, в цифровых фильтрах для обнаружения и коррекции ошибки.

Изобретение относится к радиотехнике и может быть использовано для определения типа и числа позиций априорно неизвестного сигнала. Технический результат заключается в повышении вероятности правильного определения числа позиций манипулированного радиосигнала.

Изобретение относится к радиотехнике и может быть использовано для определения типа манипуляции априорно неизвестных радиосигналов. Достигаемый технический результат - повышение вероятности правильного распознавания анализируемых радиосигналов.

Изобретение относится к способам мониторинга состояния телемеханизированных скважин, погружного оборудования на месторождении добычи нефти. Техническим результатом является появление конкретного способа контроля функционирования нефтепромысловых объектов и погружного оборудования по данным телеметрии на месторождениях добычи нефти.

Изобретение относится к области вычислительной техники и может быть использовано для обработки и прогнозирования значений временных рядов данных или непрерывных функциональных зависимостей.

Изобретение относится к ультразвуковой медицинской диагностике и может быть использовано для ультразвукового исследования и оценки состояния головного мозга и его сосудов.

Изобретение относится к медицине, а именно к ревматологии, и может быть использовано для прогнозирования эффективности лечения ревматоидного артрита. Определяют оптическую плотность тканей коленного сустава в сумке латерального заворота коленного сустава.

Группа изобретений относится к медицинской технике, а именно к многоимпульсной эластографии органа человека или животного. Способ количественного измерения по меньшей мере одного механического свойства вязкоупругой среды при наличии ультразвукового сигнала после ультразвукового облучения включает следующие этапы: определение характеристик по меньшей мере двух низкочастотных механических импульсов, генерирование указанных низкочастотных механических импульсов, мониторинг распространения по меньшей мере двух волн сдвига, сгенерированных по меньшей мере двумя низкочастотными механическими импульсами, с использованием средств приема и излучения ультразвукового сигнала в вязкоупругой среде, вычисление по меньшей мере одного механического свойства вязкоупругой среды с использованием средств приема ультразвуковых сигналов.

Группа изобретений относится к медицинской технике, а именно к средствам ультразвуковой визуализации. Система содержит ультразвуковой зонд с двумерной решеткой элементов преобразователя, для передачи ультразвуковых сигналов и получения трехмерных данных интересующего объема объекта, когда зонд помещается в первое положение на объекте и наклоняется под первым углом относительно интересующего объема, и элементы преобразователя зонда имеют первый набор установочных параметров, причем трехмерные данные объема интересующего объема содержат данные ультразвукового эха множества плоскостей сканирования, задаваемых первым набором установочных параметров, процессор для определения желаемой плоскости изображения для интересующего объема в соответствии с трехмерными данными объема и для определения результата - имеется ли второй набор установочных параметров, такой, что ультразвуковой сигнал, передаваемый от элементов преобразователя, имеющих второй набор установочных параметров, имел бы возможность получать данные ультразвукового эха желаемой плоскости изображения без перемещения зонда, причем процессор дополнительно сконфигурирован так, чтобы - если результат - ДА - то вывести второй набор установочных параметров, и - если результат - НЕТ - то вывести второе положение, второй угол и третий набор установочных параметров так, что, когда зонд перемещается во второе положение на объекте и наклоняется под вторым углом относительно интересующего объема, ультразвуковой сигнал, передаваемый от элементов преобразователя, имеющих третий набор установочных параметров, имел бы возможность получить данные ультразвукового эха желаемой плоскости изображения, контроллер преобразователя для регулировки элементов преобразователя в соответствии с выведенным вторым набором установочных параметров, если результат является ДА, и для регулировки элементов преобразователя в соответствии с выведенным третьим набором установочных параметров, если результат – НЕТ, и дисплей для вывода - если результат - НЕТ - команды для указания пользователю системы ультразвуковой визуализации на необходимость перемещения зонда так, чтобы он был установлен во второе положение и наклонен под вторым углом.

Изобретение относится к медицине и экологии. В биосредах человека определяют содержание йода, цинка, никеля, марганца, хрома и свинца.

Изобретение относится к медицине, а именно к кардиологии, и может быть использовано для прогнозирования риска развития фибрилляции предсердий у женщин с ишемической болезнью сердца.

Группа изобретений относится к медицинской технике, а именно к средствам ультразвуковой визуализации. Система ультразвуковой визуализации содержит процессор обработки изображений, выполненный с возможностью принимать по меньшей мере один набор объемных данных, полученных в результате трехмерного ультразвукового сканирования тела, и выдавать соответствующие данные отображения, детектор анатомии, выполненный с возможностью обнаружения положения и ориентации интересующего анатомического объекта в этом по меньшей мере одном наборе объемных данных, генератор срезов для формирования множества двумерных срезов из по меньшей мере одного набора объемных данных, причем генератор срезов выполнен с возможностью определения соответствующих местоположений срезов, основываясь на результатах детектора анатомии для интересующего анатомического объекта, чтобы получить набор двумерных стандартных проекций интересующего анатомического объекта, и с возможностью определять для каждой двумерной стандартной проекции, какие анатомические признаки интересующего анатомического объекта, как ожидается, должны в ней содержаться, блок оценки коэффициента качества каждого из сформированного множества двумерных срезов путем сравнения каждого из срезов с анатомическими признаками, ожидаемыми для соответствующей двумерной стандартной проекции, память для хранения множества наборов объемных данных, полученных в результате множества различных трехмерных сканирований тела и для хранения множества двумерных срезов, формируемых из множества наборов объемных данных, и их коэффициентов качества, и переключатель для выбора для каждой двумерной стандартной проекции двумерного среза, имеющего наивысший коэффициент качества, путем сравнения оцененных коэффициентов качества соответствующих двумерных срезов, сформированных из каждого из множества наборов объемных данных.

Изобретение относится к медицинской технике, а именно к диагностической ультразвуковой системе. Подъемник для панели управления, установленной на тележке ультразвуковой системы, содержит корпус тележки, установленный на колесах, панель управления, дисплей, установленный для наблюдения при работе с панелью управления, подъемник, который выполнен с возможностью поддерживать панель управления и дисплей и который выдвигает для подъема, опускания и вращения панель управления и дисплей.

Изобретение относится к медицинской технике, а именно к медицинcким ультразвуковым системам. Система мультилинейной визуализации с ультразвуковым зондом-преобразователем содержит матрицу преобразовательных элементов, выполненную в виде множества смежных пэтчей преобразовательных элементов, формирователь микропучка, связанный с преобразовательными элементами матрицы, содержащий множество управляемых линий (DL1, DL2, DL3) задержки, связанных с элементами матрицы для создания задержанных эхо-сигналов, множество управляемых переключателей, выполненных с возможностью направления задержанных эхо-сигналов на суммирующий узел (Σ) заданного пэтча или суммирующий узел пэтча, смежного с заданным пэтчем, и выход формирователя микропучка от каждого суммирующего узла, и формирователь пучка системы, имеющий множество каналов, причем каждый канал выполнен с возможностью приема частичного сигнала суммарного пучка с выхода формирователя микропучка.

Группа изобретений включает обрабатывающий элемент и обрабатывающую систему относится к области медицины и предназначена для использования в стоматологии при имплантации зубов.

Изобретение относится к системам и способам распознавания с использованием искусственного интеллекта. Технический результат заключается в упрощении структур одной или более моделей машинного обучения и уменьшении количества обрабатывающих и вычислительных ресурсов, необходимых для распознавания иероглифов. Результат достигается за счет того, что выполняют получение устройством обработки изображения иероглифа, подачу изображения иероглифа в качестве входной информации для обученной модели машинного обучения в целях определения комбинации компонентов на множестве позиций в иероглифе и классификацию иероглифа как определенного символа языка, исходя из определенной комбинации компонентов на множестве позиций в изображении иероглифа. Другой способ может включать обучение модели машинного обучения определению комбинации компонентов на множестве позиций. 3 н. и 17 з.п. ф-лы.15 ил.
Наверх