Сердечно-сосудистые заболевания (ССЗ) остаются одной из ведущих причин заболеваемости и смертности во всем мире. Ранняя и точная диагностика имеет решающее значение для эффективного лечения и улучшения исходов для пациентов [3].
В наше время используются основные методы, такие как электрокардиография (ЭКГ) [4], которая остается незаменимой для анализа ритма и выявления ишемии, и эхокардиография [5-6], предоставляющая ценную информацию о структуре и функции сердца с помощью как 2D, так и все более сложной 3D-визуализации. Также обсуждаются возможности допплеровской эхокардиографии [3] в оценке функции клапанов и динамики кровотока.
Помимо этих фундаментальных методов, важную роль имеют неинвазивные стресс-тесты, включая велоэргометрию, в выявлении индуцируемой ишемии и оценке функциональных возможностей. Кроме того, в статье рассматриваются методы расширенной визуализации. Кардиомагнитная резонансная томография (КМРТ) [7] предлагает беспрецедентную анатомическую детализацию и функциональную оценку миокарда, позволяя точно диагностировать такие состояния, как инфаркт миокарда, кардиомиопатия и врожденные пороки сердца. Наконец, анализируется все более важная роль компьютерной томографической ангиографии (КТА) [8, 9] в оценке коронарных артерий и заболеваний периферических сосудов.
Современные функциональные методы исследования.
Сцинтиграфия миокарда с таллием-201 представляет собой радионуклидный метод исследования, позволяющий оценить регионарную перфузию миокарда и диагностировать ишемическую болезнь сердца (ИБС) [10]. Метод основан на внутривенном введении радиофармпрепарата таллия-201 во время стресс-теста (функциональной пробы с физической или фармакологической нагрузкой) с последующей регистрацией его распределения в миокарде с помощью гамма-камеры. Для оценки перфузионных резервов миокарда выполняется повторное сканирование в состоянии покоя, через 4 часа после стресс-теста, анализируя перераспределение таллия-201.
Чувствительность метода при проведении на фоне стресс-теста составляет 90-95%. Сцинтиграфия с таллием-201 обладает высокой диагностической ценностью, особенно в случаях, когда интерпретация электрокардиограммы (ЭКГ) во время стресс-теста затруднена или невозможна. Кроме того, данный метод может применяться для отбора пациентов, показанных к коронароангиографии, а также для оценки эффективности реперфузионной терапии (например, аортокоронарного шунтирования) у больных с ИБС [11].
Мультиспиральная компьютерная томография (МСКТ) – высокоразрешающий метод лучевой диагностики, использующий рентгеновское излучение и многорядные детекторы для получения послойных изображений органов и тканей с последующей реконструкцией трёхмерных моделей.
МСКТ применяется в кардиологии для оценки морфологии и функции сердца, включая визуализацию миокарда, перикарда, клапанного аппарата, коронарных и магистральных сосудов. Методика позволяет определить наличие и степень выраженности патологических изменений, таких как ишемия миокарда, аневризмы, пороки развития, а также оценить систолическую и диастолическую функцию левого желудочка.
МСКТ аорты применяется для детального исследования грудного и/или абдоминального отделов аорты, позволяя визуализировать её анатомические особенности, оценивать диаметр просвета, выявлять аневризмы, диссекции, атеросклеротические бляшки и другие патологические изменения стенки сосуда [12].
Тканевая допплерография (ТД) – метод ультразвуковой диагностики, основанный на допплеровском эффекте, позволяющий оценить скорость движения миокарда в различные фазы сердечного цикла. Этот неинвазивный метод используется для оценки глобальной и регионарной систолической и диастолической функции левого желудочка (ЛЖ), а также для характеристики функции правого желудочка и левого предсердия [13].
Тканевая допплерография применяется в диагностике:
• Ишемической болезни сердца (ИБС).
• Необратимой и обратимой дисфункции миокарда.
• Констриктивного перикардита и рестриктивной кардиомиопатии.
• Отторжения трансплантата сердца.
Метод позволяет проводить неинвазивную оценку внутрисердечного давления и давления в легочной артерии.
Тканевая допплерография выполняется в различных режимах [14]:
• Двухмерный цветовой допплер: обеспечивает высокое пространственное разрешение, визуализируя скорость и направление движения миокарда цветовым кодированием.
• Цветной М-режим: характеризуется высоким временным разрешением.
• Импульсно-волновой допплер: позволяет определить пиковую скорость движения миокарда.
• Количественная обработка данных: позволяет получить объективные параметры сократительной функции миокарда.
Процедура длится 20-60 минут, не требует специальной подготовки пациента и не имеет побочных эффектов, позволяя ему сразу вернуться к обычной активности [15].
Магнитно-резонансная томография (МРТ) – высокоинформативный метод визуализации, используемый для диагностики заболеваний сердечно-сосудистой системы. Основанный на принципе ядерно-магнитного резонанса, метод позволяет получать высококачественные изображения сердца и крупных сосудов в различных плоскостях, обеспечивая детальную оценку анатомических структур и гемодинамических параметров.
МРТ предоставляет широкие диагностические возможности, в том числе:
• Фазово-контрастная МРТ (скоростная МРТ): позволяет визуализировать и количественно оценивать скорость и направление кровотока, выявлять зоны нарушения сократимости миокарда (например, при ишемической болезни сердца), определять ударный объем, фракцию выброса и другие показатели сердечной гемодинамики. Метод также позволяет диагностировать врожденные и приобретенные пороки сердца, включая дефекты межжелудочковой и межпредсердной перегородок, а также клапанную патологию [8].
Трёхмерная эхокардиография (3D-ЭхоКГ) – метод ультразвукового исследования, позволяющий получать объемные изображения сердца и прилежащих сосудов в реальном времени. Этот метод обеспечивает детальную визуализацию анатомических структур и позволяет проводить количественную оценку сердечной функции.
Клиническое применение 3D-ЭхоКГ [16]:
• Оценивание систолической функции левого желудочка (ЛЖ): с построением объемной модели ЛЖ, определением фракции выброса, глобальной и регионарной систолической функции.
• Детальная оценка клапанного аппарата: визуализация клапанных створок, определение степени стеноза и/или регургитации, моделирование клапанных отверстий.
• Оценка искусственных клапанных протезов и окклюдеров.
•Диагностика врожденных пороков сердца: включая анализ внутрисердечных шунтов.
• Выявление объемных образований сердца и средостения: таких как вегетации при инфекционном эндокардите, опухоли.
• Оценка патологии перикарда и плевры.
• Диагностика диссекции аорты.
• Оценивание диссинхронии сокращения миокарда ЛЖ.
Показания к проведению 3D-ЭхоКГ:
• Клапанная патология (стеноз, недостаточность).
• Врожденные пороки сердца.
• Оценка сократительной функции и массы миокарда желудочков.
• Оценка степени регургитации.
• Обнаружение внутрисердечных тромбов и опухолей, а также других внутри- и внесердечных образований.
• Оценка функции сердечного протеза.
Данное исследование выполняется на высококлассных ультразвуковых аппаратах, оборудованных специальными 3D-датчиками и соответствующим программным обеспечением [16].
Но традиционные методы диагностики, несмотря на свою ценность, часто имеют ограничения в отношении чувствительности, специфичности и способности обеспечить комплексную оценку функции и структуры сердца.
Быстрое развитие медицинской визуализации и технологий обработки сигналов привело к разработке сложных методов функциональной диагностики, которые значительно улучшают наше понимание и лечение ССЗ. В данной статье представлен обзор современных достижений в функциональной кардиодиагностике, с акцентом как на устоявшихся, так и на новых методах, а также на их сильных и слабых сторонах и клиническом применении в контексте персонализированной медицины. Всё более широкое внедрение искусственного интеллекта (ИИ) в анализ изображений и разработка новых контрастных веществ также рассматриваются как ключевые факторы, определяющие будущее диагностики ССЗ.
Современные функциональные методы исследования с использованием искуственного интеллекта.
Фотоплетизмография с искусственным интеллектом (ИИ) - это метод измерения колебаний кровенаполнения сосудов с помощью оптических сенсоров, обычно через кожу. Современные технологии интегрируют ФПГ с алгоритмами искусственного интеллекта (ИИ) для выявления аритмий и оценки сосудистого тонуса, предлагая альтернативу мониторингу сердечного ритма портативными устройствами.
Бесконтактные методы, основанные на биофотонике (ФПГ, лазерная допплеровская флоуметрия, термография высокого разрешения), обеспечивают непрерывный мониторинг состояния здоровья [17, 18]. Перспективным направлением является анализ изображений и видео, полученных с помощью стандартной камеры смартфона или ноутбука [19].
Веб-капилляроскопия и веб-ФПГ анализируют разность контрастности пикселей видеозаписей кожного покрова. При дистанционной ФПГ наибольшее отношение сигнал/шум обеспечивает источник в зеленом спектре [20]. Широкое распространение гаджетов делает метод перспективным для скрининга [21, 22]. Основная сложность – артефакты анализа видеоматериалов, минимизируемые вейвлет-анализом вместо классического преобразования Фурье [23].
Веб-капилляроскопия. При таком подходе визуализируется и исследуется часть микроциркуляторного русла, залегающего на глубине до 120 мкм от поверхности кожи. Таким образом, полноценной оценке подвергаются капилляры переходного отдела кровеносного русла, которые обеспечивают переход артериол в венулы.
Для проведения анализа каждого изображения используется набор определенных кадров, названных «опорными», относительно которых проводится оценка всех остальных кадров. Таким образом, компенсируются оптические шумы, возникающие из-за взаимного смещения изображений [24].
Метод позволяет изучать микроциркуляторное русло, оценивать влияние вегетативной нервной системы на гемодинамику и состояние церебрального кровотока. Веб-ФПГ является простым, чувствительным и эффективным методом мониторинга жизненно важных функций, доказавшим свою пригодность для скрининга фибрилляции предсердий и измерения АД, включая анализ видеозаписей групп людей.
Искусственный интеллект в эхокардиографии обнаружение, функциональная оценка и диагностика заболеваний.
Применение технологий искусственного интеллекта в визуализации сердечно-сосудистых заболеваний снижает стоимость лечения и уменьшает необходимость дополнительных тестов [25]. Технология искусственного интеллекта все больше применяется в обработке модальных изображений, включая электрокардиографию [26], КТ сердца [27] и радионуклидную перфузионную визуализацию миокарда [28]. В диагностике и лечении заболеваний сердца методы искусственного интеллекта были применены к электрокардиографии, векторкардиографии, эхокардиографии и электронным медицинским картам [29].
Эхокардиография, являясь неинвазивным методом оценки структуры и функции сердца, имеет ограничения, однако технологии глубокого обучения и нейронных сетей улучшили идентификацию анатомических структур [30], сегментацию и функциональную оценку сердца [31, 32]. Несмотря на доказанную эффективность ИИ, остаются проблемы стандартизации и обобщенности моделей в клинической практике [33–35].
В 2018 году классификационная модель сверхточных нейронных сетей, обученная на двухмерные (2D-данных) от 500 пациентов и 7000 видео, достигла точности 98% [36]. Исследования в Калифорнийском университете продемонстрировали, что модель ИИ, классифицирующая эхокардиографические изображения, достигла точности 97,8% против 70,2–83,5% у врачей [37]. Искусственный интеллект ускоряет диагностику и повышает точность, что особенно важно в условиях нехватки специалистов и ресурсов, а также для применения в специализированных и экстренных отделениях.
Функциональная оценка левого желудочка с помощью технологии искусственного интеллекта.
Существуют коммерческие программные пакеты, обеспечивающие высокоточные 2D и 3D эхокардиографические измерения для автоматической оценки функции левых отделов сердца. Philips EPIQ (HeartModel, Нидерланды) использует алгоритм адаптивного анализа для трансторакальной 3D-эхокардиографии, а AutoLV (TomTec, Германия) отслеживает фракцию выброса и продольную деформацию [38, 39].
Клинические исследования подтверждают, что автоматическое программное обеспечение для оценки объема желудочков и фракции выброса по точности сопоставимо с ручными методами, коррелируя с МРТ сердца [40]. Методы ИИ позволяют за менее чем 15 секунд определить стандартные апикальные виды, события сердечного цикла, оценить движение и измерить глобальную продольную деформацию, снижая временные затраты и требования к квалификации [41].
Искусственный интеллект также помогает новичкам осваивать диагностическую визуализацию, улучшая воспроизводимость измерений [42, 43]. Многоцентровое исследование подтвердило, что анализ левого желудочка с применением ИИ является более точным предиктором смертности по сравнению с ручными измерениями [44].
Диагностика кардиологических заболеваний с помощью технологии искусственного интеллекта.
Клапанные пороки сердца
Рутинная эхокардиография позволяет визуально исследовать форму и активность сердечных клапанов. Митральный и аортальный клапаны являются целями технологии искусственного интеллекта при оценке сердечных клапанов, особенно с акцентом на наблюдение за морфологией клапана и регургитацией. Точно так же метод искусственного интеллекта полезен при оценке клапанных пороков сердца. Программное обеспечение для оценки площади проксимальной поверхности изовелонности (PISA) автоматически измеряет площадь отверстия митрального клапана и объем регургитации, определяя тяжесть клапанной недостаточности.
PISA для 3D-эхокардиографии демонстрирует высокую точность и согласованность с чреспищеводными ультразвуковыми измерениями и МРТ, превосходя 2D-анализ [45, 46]. Использование 3D-допплерографии с цветовым потоком позволяет количественно оценивать объем регургитации с высокой корреляцией с МРТ [47]. Автоматические и ручные измерения обладают аналогичной точностью [48].
Полуавтоматическое программное обеспечение эффективно при заболеваниях, связанных с морфологией клапанов, таких как пролапс митрального клапана, повышая точность диагностики даже у неспециалистов [49]. Оно также обеспечивает согласованность и повторяемость при интервальном мониторинге [50].
Кардиомиопатия.
Диагностика кардиомиопатии с использованием искусственного интеллекта осуществляется с помощью 2D-ультразвука, М-режима и допплерографии. На основе сегментации желудочков и распознавания стенок реализуются автоматическое измерение объемов желудочков, оценка сердечной функции и визуализация движения миокарда. Разработанный конвейер машинного обучения, объединяющий ЭКГ и эхокардиографию, превзошел экспертную диагностику сердечного амилоидоза [51].
Ишемическая атеросклеротическая болезнь сердца (ИБС).
Эхокардиография в сочетании с ИИ улучшает диагностику ИБС, повышая системность анализа и дифференциацию нормальных и инфарктных изображений миокарда [52].
Ограничения ИИ в эхокардиографии.
Коммуникация врача с пациентом остается критически важной, тогда как искусственный интеллект не может выполнять полноценное взаимодействие. Современная ИИ-технология ограничена в стандартизации эхокардиографических срезов из-за сложности и вариабельности сердечных структур, особенно у разных расовых групп, что снижает обобщаемость моделей [53–55].
Будущая трансформация эхокардиографии с применением ИИ сосредоточится на интеграции технологий для вспомогательной помощи и адаптации моделей к индивидуальным особенностям пациентов.
Сосудистое нацеливание наночастиц для молекулярной визуализации больного эндотелия.
Наночастицы обеспечивают прямой доступ к молекулярным маркерам на эндотелии, благодаря поливалентному прикреплению к сосудистой мишени. Эта синергия между наночастицами, сосудистым таргетированием и молекулярной визуализацией открывает возможности для точной диагностики и прогнозирования заболеваний. Ремоделируемый эндотелий, характерный для патологий, таких как рак и атеросклероз, обеспечивает широкий спектр мишеней для наночастиц и молекулярной визуализации.
Малые органические молекулы легко синтезируются, глубоко проникают в ткани и адаптируются для оптимальной фармакокинетики, но их эффективность ограничена трудностями достижения высокоаффинного связывания [56].
Ядерная визуализация.
Методы, основанные на ОФЭКТ и ПЭТ, обладают высокой чувствительностью (пМ-диапазон) и глубоким проникновением в ткани, обеспечивая количественную оценку сигналов. Ядерная визуализация, синергично связанная с сосудистым таргетированием, является стандартом молекулярной диагностики и прогнозирования заболеваний.
Применение оптической когерентной томографии в визуализации сосудистой стенки коронарных артерий до и после стентирования.
Заболевания системы кровообращения, включая ишемическую болезнь сердца и инфаркт миокарда, остаются ведущей причиной смертности [57], хотя за последние годы их показатели снизились благодаря организационным решениям и внедрению современных методов реваскуляризации миокарда [58].
Ведущим методом диагностики патологии коронарных артерий является инвазивная коронаро-ангиография. Данный метод позволяет оценить проходимость артерий, выявить характер и степень поражения коронарного русла. однако ее двухмерное изображение ограничивает точность оценки стеноза. ОКТ обеспечивает светооптическую визуализацию сосудистой стенки с разрешением 10–20 мкм, основанную на интерференции инфракрасных лучей длиной около 1,3 мкм [59]. Метод позволяет анализировать интенсивность и время задержки отраженного света, предоставляя детализированное изображение ткани.
Основное ограничение ОКТ – влияние форменных элементов крови, отражающих сигнал и снижающих разрешение. Для улучшения качества изображения применяются рентгеноконтрастные препараты или физиологический раствор для вытеснения крови из просвета сосуда. Результаты ОКТ сопоставимы с гистологическими исследованиями [60].
ОКТ предоставляет эндоваскулярным хирургам высокоточные данные о структуре сосудистой стенки, помогает минимизировать осложнения при стентировании и уточняет тактику лечения.
Заключение.
Современная медицина располагает широким спектром методов функциональной диагностики сердечно-сосудистых заболеваний, которые уже прочно вошли в клиническую практику. Среди них – электрокардиография, эхокардиография, нагрузочные тесты, ангиография, компьютерная и магнитно-резонансная томография. Эти методы позволяют выявлять широкий круг патологий на разных стадиях их развития и эффективно оценивать состояние сердца и сосудов.
Однако стремительное развитие технологий открывает новые горизонты диагностики. Методы, использующие искусственный интеллект, постепенно меняют подход к выявлению и анализу сердечно-сосудистых заболеваний.
Описанные в статье инновационные подходы подчеркивают значимость интеграции высоких технологий и медицины, предлагая новые возможности для раннего выявления заболеваний и персонализированного подхода к лечению. Внедрение данных методов в повседневную клиническую практику позволит достичь новых высот в диагностике сердечно-сосудистых заболеваний, улучшая прогнозы и качество жизни пациентов.
1. MD.School. Искусственный интеллект для кардиологов. Диагностика сердечно-сосудистых заболеваний нейросетью. https://md.school/blog/iskusstvennyj-intellekt-dlya-kardiologov (9 ноября 2024)
2. Колпачкова Е.В., Соколова, Д.А., Напалков А.А. Персонализированная медицина в кардиологии: состояние, проблемы и перспективы. Медицинский совет 2017; (12): 162-168.
3. Thorstensen A, Dahlen H., Amundsen B.H., Aase S.A., Stoelen A. Reproducibility in echocardiographic assessment of global and regional left ventricular function, the HANTA study. European Journal of Echocardiography 2010; 11 (2): 149-156.
4. Лупанов В.П. Современные функциональные методы исследования сердечно-сосудистой системы в диагностике, оценке тяжести и прогнозе больных ишемической болезнью сердца. Кардиоваскулярная терапия и профилактика 2011; 10 (5): 106-115.
5. Чомахидзе, П.Ш. Эхокардиография для начинающих. Суть гемодинамических нарушений, позиции для анализа, определение тяжести порока. М.: Эксмо 2023; 112 с.
6. Михеев, Н. Н. Осложнения стресс-эхокардиографии. Общая реаниматология 2007; 3(4): 88–92.
7. Akki А., Gupta А., Robert G. Weiss Magnetic resonance imaging and spectroscopy of the murine cardiovascular system. Heart and Circulatory Physiology. – 2013; 304(5): 633-48.
8. Фокин, В. А. МРТ сердца что показывает? Журнал медицинской визуализации. – 2023; (5): 12-18.
9. Балахонова А.А., Сухинина Т.С., Веселова Т.Н., Меркулова И.Н., Барышева Н.А., Певзнер Д.В., Терновой С.К. Роль компьютерной томографии в диагностике коронарного атеросклероза и его осложнений. Кардиологический вестник. 2024; 19(1): 7‑15.
10. Динамическая сцинтиграфия. Онкологический центр София. https://cancercentersofia.ru/diagnostika/scintigrafija/dinamicheskaya-st... ( 09 ноября 2024)
11. Лупанов В. П. Сравнительная оценка функциональных методов исследования в диагностике ишемической болезни сердца. Атеросклероз и дислипидемии 2011; 2(3): 18-25.
12. Котляров П.М., Шимановский Н.Л. Мультиспиральная компьютерная томография грудной клетки с болюсным контрастированием – новые возможности диагностики заболеваний легких. Вестник рентгенологии и радиологии 2013; (2).
13. Isaaz K., Thompson А., Eteveno G., et al. Doppler echocardiographic measurement of low-velocity motion of the posterior wall of the left ventricle. American Journal of Cardiology 1989; 64 (1): 66-75.
14. Никифоров В.С., Тютин А.Р., Палагутин М.А. неинвазивная оценка гемодинамики с помощью тканевой доплерографии. Регионарное кровообращение и микроциркуляция 2011; 10(2): 13-18.
15. Науменко Е. П., Адзерихо И. Э. Тканевая допплерография: принципы и возможности метода. Проблемы здоровья и экологии 2014; 3(41): 18-25.
16. Рыбакова М. К., Митьков В. В., Рыбакова М. К. Новое в диагностике сердечно-сосудистых заболеваний. Трехмерная и четырехмерная эхокардиография. Клинические возможности метода 2015; 17(5).
17. Rong Y., Theofanopoulos P.C., Trichopoulos G.C., Bliss D.W. A new principle of pulse detection based on terahertz wave plethysmography. Sci Rep. 2022 Apr 15; 12(1): 6347.
18. Волков И.Ю., Сагайдачный А.А., Фомин А.В. Фотоплетизмографическая визуализация гемодинамики и двухмерная оксиметрия. Известия Саратовского университета. Новая серия. Серия: Физика 2022; 22(1): 15–45.
19. Yan Y., Ma X., Yao L., Ouyang J. Noncontact measure ment of heart rate using facial video illuminated under natural light and signal weighted analysis. Biomed Mater Eng 2015; 26(1): 903-909.
20. Sommermeyer D., Zou D., Ficker J.H, et al. Detection of cardiovascular risk from a photoplethysmographic signal using a matching pursuit algorithm. Med Biol Eng Comput 2016; 54(7): 1111-1121.
21. Peltokangas M., Vehkaoja A., Huotari M., et al. Combining fin ger and toe photoplethysmograms for the detection of athero sclerosis. Physiol Meas 2017; 38(2): 139-154.
22. Bousefsaf F, Maaoui C, Pruski A. Peripheral vasomo tor activity assessment using a continuous wavelet analysis on webcam photoplethysmographic signals. Biomed Mater Eng 2016; 27(5): 527-538.
23. Федорович А.А., Драпкина О.М. Веб-капилляроскопия – новый метод неинвазивного исследования микроциркуля торного кровотока в коже человека. Профилактическая медицина 2020; 23(4): 115–118.
24. Kuehn BM. Cardiac imaging on the cusp of an artificial intelligence revolution. Circulation 2020; 141(15): 1266 -1267.
25. Hannun AY. Cardiologist- level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med 2019; 25: 65–9.
26. Brandt V., Emrich T., Schoepf U.J., et al. Ischemia and outcome prediction by cardiac CT based machine learning. Int J Cardiovasc Imaging 2020; 36(12): 2429-2439.
27. Slomka P.J., Miller R.J., Isgum I., Dey D. Application and translation of artificial intelligence to cardiovascular imaging in nuclear medicine and noncontrast CT. Semin Nucl Med 2020; 50(4): 357–66.
28. Sanders WE Jr, Burton T, Khosousi A, et al. Machine learning: at the heart of failure diagnosis. Curr Opin Cardiol 2021; 36(2): 227–233.
29. Zhang J, Gajjala S, Agrawal P, et al. Fully automated echocardiogram interpretation in clinical practice. Circulation 2018; 138: 1623–1635.
30. Alsharqi M., Upton R., Mumith A., et al. Artificial intelligence: a new clinical support tool for stress echocardiography. Expert Rev Med Devices 2018; 15(8): 513–515.
31. Johnson K.W., Jessica T.S., Glicksberg B.S., et al. Artificial intelligence in cardiology. J Am Coll Cardiol 2018; 71(23): 2668–2679.
32. Krittanawong C., Zhang H., Wang Z., et al. Artificial intelligence in precision cardiovascular medicine. J Am Coll Cardiol 2017; 69(21): 2657–2664.
33. Litjens G., Ciompi F., Wolterink J.M., et al. State-of-the-art deep learning in cardiovascular image analysis. JACC Cardiovasc Imaging 2019; 12(8 Pt 1): 1549–1565.
34. Madani A., Arnaout R., Mofrad M., et al. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digital Med 2018; 1: 6.
35. Ostvik A., Smistad E., Aase S.A., et al. Real-time standard view classification in transthoracic echocardiography using convolutional neural networks. Ultrasound Med Biol 2019; 45(2): 374–384.
36. Tsang W., Salgo I.S., Medvedofsky D., et al. Transthoracic 3D Echocardiographic Left Heart Chamber Quantification Using an Automated Adaptive Analytics Algorithm. JACC Cardiovasc Imaging 2016; 9(7): 769–782.
37. Tamborini G., Piazzese C., Lang R.M., et al. Feasibility and accuracy of automated software for transthoracic three-dimensional left ventricular volume and function analysis: comparisons with two-dimensional echocardiography, three-dimensional transthoracic manual method, and cardiac magnetic resonance imaging. J Am Soc Echocardiogr 2017; 30(11): 1049–1058.
38. Knackstedt C., Bekkers S.C.A.M., Schummers G., et al. Fully automated versus standard tracking of left ventricular ejection fraction and longitudinal strain: the FAST-EFs multicenter study. J Am Coll Cardiol 2015; 66(13): 1456–1466.
39. Human vs AI-based echocardiography analysis as predictor of mortality in acute COVID-19 patients: WASE-COVID study. ACC Scientific Sessions, 2021.
40. Salte I.M., Østvik A., Smistad E., et al. Artificial intelligence for automatic measurement of left ventricular strain in echocardiography. JACC Cardiovasc Imaging 2021; S1936–878X(21)00363–6.
41. Asch F.M., Mor-Avi V., Rubenson D., et al. Deep learning-based automated echocardiographic quantification of left ventricular ejection fraction: a point-of-care solution. Circ Cardiovasc Imaging 2021; 14(6): e012293.
42. Schneider M., Bartko P., Geller W., et al. A machine learning algorithm supports ultrasound-naïve novices in the acquisition of diagnostic echocardiography loops and provides accurate estimation of LVEF. Int J Cardiovasc Imaging 2021; 37(2): 577–586.
43. Thavendiranathan P., Liu S., Datta S., et al. Quantification of chronic functional mitral regurgitation by automated 3-dimensional peak and integrated proximal isovelocity surface area and stroke volume techniques using real-time 3-dimensional volume color Doppler echocardiography: in vitro and clinical validation. Circ Cardiovasc Imaging 2013; 6: 125–133.
44. de Agustin J.A., Marcos-Alberca P., Fernandez-Golfin C., et al. Direct measurement of proximal isovelocity surface area by single-beat three-dimensional color Doppler echocardiography in mitral regurgitation: a validation study. J Am Soc Echocardiogr 2012; 25: 815–823.
45. Choi J., Hong G.R., Kim M., et al. Automatic quantification of aortic regurgitation using 3D full volume color doppler echocardiography: a validation study with cardiac magnetic resonance imaging. Int J Cardiovasc Imaging 2015; 31: 1379–1389.
46. Kagiyama N., Toki M., Hara M., et al. Efficacy and accuracy of novel automated mitral valve quantification: three-dimensional transesophageal echocardiographic study. Echocardiography 2016; 33: 756–763.
47. Jin C.N., Salgo I.S., Schneider R.J., et al. Using anatomic intelligence to localize mitral valve prolapse on three-dimensional echocardiography. J Am Soc Echocardiogr 2016; 29: 938–945.
48. Gandhi S., Mosleh W., Shen J., et al. Automation, machine learning, and artificial intelligence in echocardiography: a brave new world. Echocardiography 2018; 35(9): 1402–1418.
49. Goto S., Mahara K., Beussink-Nelson L., et al. Artificial intelligence-enabled fully automated detection of cardiac amyloidosis using electrocardiograms and echocardiograms. Nat Commun 2021; 12(1): 2726.
50. Sudarshan V., Acharya U.R., Ng E.Y., et al. Automated identification of infarcted myocardium tissue characterization using ultrasound images: a review. IEEE Rev Biomed Eng 2015; 8: 86–97.
51. Dey D., Slomka P.J., Leeson P., et al. Artificial intelligence in cardiovascular imaging. J Am Coll Cardiol 2019; 73(11): 1317–1335.
52. Nabi W., Bansal A., Xu B. Applications of artificial intelligence and machine learning approaches in echocardiography. Echocardiography 2021; 38(6): 982–992.
53. Ye Z., Kumar Y., Sing G., et al. Deep echocardiography: a first step toward automatic cardiac disease diagnosis using machine learning. J Internet Technol 2020; 21(6): 1589–1600.
54. Neri D., Bicknell R. Tumour vascular targeting. Nat Rev Cancer 2005; 5: 436–446.
55. Peer D., Karp J.M., Hong S., Farokhzad O.C., Margalit R., Langer R. Nanocarriers as an emerging platform for cancer therapy. Nat Nanotechnol 2007; 2: 751–760.
56. Nichols M., Townsend N., Scarborough P., Rayner M. Cardiovascular disease in Europe 2014: epidemiological update. Eur Heart J 2014; 35(42): 2950–2959.
57. Чазов Е.И., Бойцов С.А. Оказание медицинской помощи больным с острым коронарным синдромом в рамках программы создания региональных и первичных сосудистых центров в Российской Федерации. Кардиологический вестник 2008; 3(2): 5–11.
58. Huang D., Swanson E.A., Lin C.P., Schuman J.S., Stinson W.G., Chang W., et al. Optical coherence tomography. Science 1991; 254(5035): 1178–1181.
59. Jang I.K., Tearney G.J., MacNeill B., Takano M., Moselewski F., Iftima N., et al. In Vivo Characterization of Coronary Atherosclerotic Plaque by Use of Optical Coherence Tomography. Circulation 2005 Mar 29;111(12):1551–1555.
60. Tearney G.J., Regar E., Akasaka T., Adriaenssens T., Barlis P., Bezerra H.G., et al. Consensus standards for acquisition, measurement, and reporting of intravascular optical coherence tomography studies: a report from the International Working Group for Intravascular Optical Coherence Tomography Standardization and Validation. J Am Coll Cardiol 2012; 59(12): 1058–1072.
Поступила в редакцию 14 сентября 2025 г., Принята в печать 10 ноября 2025 г.