Собственный опыт применения технологий искусственного интеллекта в диагностике ахалазии кардии

Цель: оценить значение, роль и диагностические возможности искусственного интеллекта при диагностике заболеваний пищевода, продемонстрировать модель машинного обучения, обеспечивающую оптимизацию дифференциальной диагностики ахалазии кардии.

Материалы и методы. В исследование были включены 75 пациентов (52 % мужчин и 48 % женщин, сред ний возраст которых составил 44,5 ± 17,8 и 45,6 ± 16,6 года соответственно) с предварительным диагнозом ахалазия кардии (АК). При проведении манометрии пищевода высокого разрешения были оценены давле ние покоя нижнего пищеводного сфинктера (НПС), суммарное давление расслабления НПС, давление по коя верхнего пищеводного сфинктера (ВПС), остаточное давление ВПС, латентный период дистального сегмента, длина разрыва сокращения, интегральная сократимость дистального сегмента, одномоментное повышение давления в пищеводе, наличие перистальтических сокращений, в соответствии с которыми пациенты были распределены на 4 группы: АК I типа, АК II типа, АК III типа и группа обследованных с диагнозом, не соответствующим ахалазии кардии. На совокупности данных 750 глотков и, соответственно, 6750 манометрических параметров модели искусственного интеллекта DecisionTreeClassifier, RandomForestClassifier и CatBoostClassifier обучались устанавливать манометрический диагноз по основным манометрическим показателям. Критериями сравнения выступили время обучения и метрика f1_score. Технические характеристики модели (гиперпараметры) подбирались методом GridSearchCV. Модель с наилучшими результатами была интегрирована в веб-приложение.

Результаты. При сравнении по лучшим показателям была выбрана модель RandomForestClassifier. Ее техническими характеристиками служили «решающие деревья» и глубина ветвления, число которых составило 14 и 5 соответственно. За 27 секунд данные гиперпараметры позволили достигнуть f1_score = 0,91 при максимально возможном значении 1,0. Разработанное на основе этой модели веб-приложение при анализе данных манометрического исследования устанавливает у пациентов один из трех типов АК или исключает диагноз ахалазии кардии. Каждый манометрический тип заболевания сопровождается выводом изображения, соответствующего поставленному диагнозу.

Выводы. Впервые в России в Клинике пропедевтики внутренних болезней, гастроэнтерологии и гепатологии им. В.Х. Василенко Сеченовского Университета на основании данных манометрии пищевода высокого разрешения была разработана модель машинного обучения, примененная для создания веб-приложения и способная обосновать манометрический диагноз пациента по введенным показателям. В Федеральной службе по интеллектуальной собственности (Роспатент) получено свидетельство о государственной регистрации программы для ЭВМ № 2024665795 от 05.07.2024 г. Эта программа искусственного интеллекта может быть применена в клинической практике в качестве инструмента, обеспечивающего поддержку принятия врачебного решения с целью оптимизации процесса дифференциальной диагностики ахалазии кардии и более раннего выявления заболевания, определения прогноза пациента, а также выбора метода его дальнейшего лечения.

1. Черкасов Д.Ю., Иванов В.В. Машинное обучение. Наука, техника и образование. 2018;5(46):85–7.

2. Алханов А.А. Машинное обучение и его применение в современном мире. Проблемы науки. 2021;7(66):25–7.

3. Полетаева Н.Г. Классификация систем машинного обучения. Вестник Балтийского федерального университета им. И. Канта. Серия: Физико-математические и технические науки. 2020:1:5–22.

4. Сохина С.А., Немченко С.А. Машинное обучение. Методы машинного обучения. Современная наука в условиях модернизационных процессов: проблемы, реалии, перспективы: сб. науч. ст. по мат-лам V Междунар. науч.практ. конф, Уфа, 30 апреля 2021 г. Уфа: ООО «Научно-издательский центр “Вестник науки”», 2021:165–8.

5. Краснянский М.Н., Обухов А.Д., Воякина А.А., Соломатина Е.М. Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения. Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2018:(3):173–82. DOI: 10.17308/sait.2018.3/1245

6. Koleth G., Emmanue J., Spadaccini M., Mascagni P., Khalaf K., Mori Y., et al. Artificial intelligence in gastroenterology: Where are we heading? Endosc Int Open. 2022;10(11):E1474–80. DOI: 10.1055/a-1907-6569

7. Kröner P.T., Engels M.M., Glicksberg B.S., Johnson K.W., Mzaik O., van Hooft J.E., et al. Artificial intelligence in gastroenterology: A state-of-the-art review. World J Gastroenterol. 2021;27(40):6794–824. DOI: 10.3748/wjg.v27.i40.6794

8. Zhang Z., Wang S., Zhu Z., Nie B. Identification of potential feature genes in non-alcoholic fatty liver disease using bioinformatics analysis and machine learning strategies. Comput Biol Med. 2023;157:106724. DOI: 10.1016/j.compbiomed.2023.106724

9. Popa S.L., Surdea-Blaga T., Dumitrascu D.L., Chiarioni G., Savarino E., David L., et al. Automatic diagnosis of high-resolution esophageal manometry using artificial intelligence. J Gastrointestin Liver Dis. 2022;31(4):383– 9. DOI: 10.15403/jgld-4525

10. Kou W., Carlson D.A., Baumann A.J., Donnan E.N., Schauer J.M., Etemadi M., et al. A multi-stage ma chine learning model for diagnosis of esophageal manometry. Artif Intell Med. 2022;124:102233. DOI: 10.1016/j.artmed.2021.102233

11. Wong M.W., Rogers B.D., Liu M.X., Lei W.Y., Liu T.T., Yi C.H., et al. Application of artificial intelligence in measuring novel pH-impedance metrics for optimal diagnosis of GERD. Diagnostics (Basel). 2023;13(5):960. DOI: 10.3390/diagnostics13050960

12. Kou W., Carlson D.A., Baumann A.J., Donnan E., Luo Y., Pandolfino J.E., et al. A deep-learning-based unsupervised model on esophageal manometry using variational autoencoder. Artif Intell Med. 2021;112:102006. DOI: 10.1016/j.artmed.2020.102006

13. Frigo A., Costantini M., Fontanella C.G., Salvador R., Merigliano S., Carniel E.L. A procedure for the automatic analysis of high-resolution manometry data to support the clinical diagnosis of esophageal motility disorders. IEEE Trans Biomed Eng. 2018:65(7):1476–85. DOI: 10.1109/TBME.2017.2758441

14. Wang Z., Hou M., Yan L., Dai Y., Yin Y., Liu X. Deep learning for tracing esophageal motility function over time. Comput Methods Programs Biomed. 2021;207:106212. DOI: 10.1016/j.cmpb.2021.106212

15. Fass O., Rogers B.D., Gyawali C.P. Artificial intelligence tools for improving manometric diagnosis of esophageal dysmotility. Curr Gastroenterol Rep. 2024;26(4):115–23. DOI: 10.1007/s11894-024-00921-z

16. Carlson D.A., Kou W., Rooney K.P., Baumann A.J., Donnan E., Triggs J.R., et al. Achalasia subtypes can be identified with functional luminal imaging probe (FLIP) panometry using a supervised machine learning process. Neurogastroenterol Motil. 2021;33(3):e13932. DOI: 10.1111/nmo.13932

17. Ивашкин В.Т., Маев И.В., Трухманов А.С., Стороно ва О.А., Абдулхаков С.Р., Андреев Д.Н. и др. Рекомендации Российской гастроэнтерологической ассоциации по клиническому применению манометрии высокого разрешения при заболеваниях пищевода. Российский журнал гастроэнтерологии, гепатологии, колопроктологии. 2020;30(3):61–88. DOI: 10.22416/1382-4376-2020-30-3-61-88

18. Yadlapati R., Kahrilas P.J., Fox M.R., Bredenoord A.J., Prakash Gyawali C., Roman S., et al. Esophageal motility disorders on high-resolution manometry: Chicago classification version 4.0©. Neurogastroenterol Motil. 2021;33(1):e14058. DOI: 10.1111/nmo.14058

19. Vaezi M.F., Pandolfino J.E., Yadlapati R.H., Greer K.B., Kavitt R.T. ACG clinical guidelines: Diagnosis and management of achalasia. American Journal of Gastroenterology. 2020;115(9):1393–411. DOI: 10.14309/ajg.0000000000000731

20. Oude Nijhuis R.A.B., Zaninotto G., Roman S., Boeckxstaens G.E., Fockens P., Langendam M.W., et al. Europe an guidelines on achalasia: United European Gastroenterology and European Society of Neurogastroenterology and Motility recommendations. United European Gastroenterol J. 2020;8(1):13–33. DOI: 10.1177/2050640620903213

21. Roman S., Huot L., Zerbib F., Bruley des Varannes S., Gourcerol G., Coffin B., et al. High-resolution manometry improves the diagnosis of esophageal motility disorders in patients with dysphagia: A randomized multicenter study. Am J Gastroenterol. 2016;111(3):372–80. DOI: 10.1038/ajg.2016.1

22. Tack J., Pauwels A., Roman S., Savarino E., Smout A.; ESNM HRM consensus group. European Society for Neurogastroenterology and Motility (ESNM) recommendations for the use of high-resolution manometry of the esophagus. Neurogastroenterol Motil. 2021;33(5):e14043. DOI: 10.1111/nmo.14043

23. Savarino E., de Bortoli N., Bellini M., Galeazzi F., Ribolsi M., Salvador R., et al. Practice guidelines on the use of esophageal manometry — A GISMAD-SIGE-AIGO medical position statement. Dig Liver Dis. 2016;48(10):1124– 35. DOI: 10.1016/j.dld.2016.06.021

24. Yamasaki T., Tomita T., Mori S., Takimoto M., Tamura A., Hara K., et al. Esophagography in patients with esophageal achalasia diagnosed with high-resolution esophageal manometry. J Neurogastroenterol Motil. 2018;24(3):403–9. DOI: 10.5056/jnm17147

25. Ивашкин В.Т., Трухманов А.С., Годжелло Э.А., Маев И.В., Евсютина Ю.В., Лапина Т.Л. и др. Рекомендации Российской гастроэнтерологической ассоциации по диагностике и лечению ахалазии кардии и кардиоспазма. Российский журнал гастроэнтерологии, гепатологии, колопроктологии. 2016;26(4):36–54. DOI: 10.22416/1382-4376-2016-4-36-54

26. Анищенко В.В., Ковган Ю.М., Платонов П.А. Обзор современных тенденций диагностики, консервативного и хирургического лечения ахалазии кардии. Journal of Siberian Medical Sciences. 2015;5:33.

27. Jung D.H., Park H. Is gastroesophageal reflux disease and achalasia coincident or not? J Neurogastroenterol Motil. 2017;23(1):5–8. DOI: 10.5056/jnm16121