Сравнительный анализ результатов прогнозирования диаметров дочерних сегментов бифуркаций венечных артерий в норме, полученных с использованием графовых нейронных сетей и известных методов численного моделирования
Abstract
Обоснование. Точное определение диаметров венечных артерий сердца человека (ВАСЧ) играет ключевую роль в диагностике, оценке рисков и планировании лечения ишемической болезни сердца. Поскольку сосудистые сети имеют фрактальную структуру и состоят из артериальных бифуркаций (АБ), важной задачей является прогнозирование диаметров дочерних (дистальных) артериальных сегментов (АС) на основе известной величины диаметра материнского (проксимального) АС. Известные методы численного моделирования – прогнозирования диаметров артерий используют приближенные аналитические зависимости, полученные эмпирически.
Цель. Провести сравнительный анализ результатов прогнозирования диаметров дочерних сегментов (составных частей бифуркации), полученных с использованием графовых нейронных сетей и известных методов численного моделирования (ИМЧМ), основанных на данных морфометрии реальных венечных артерий сердца человека в норме.
Методы. Для достижения поставленной цели были реализованы и протестированы различные архитектуры GNN: GCN, GraphSAGE, GAT и TransformerConv. А также ИМЧМ и многослойный персептрон. Проведен сравнительный статистический анализ результатов. Использовали ранее полученные данные морфометрии величин внутренних диаметров АС, составляющих 30 графов коррозионных препаратов ВАСЧ в норме.
Результаты. Впервые предложено использовать GNN для решения данной задачи. Сравнительный анализ результатов показал, что все GNN-модели превзошли по точности ИМЧМ и многослойный персептрон, в прогнозировании величин диаметров дочерних АС меньшего калибра. Наилучшие результаты продемонстрировала TransformerConv, достигнув коэффициента детерминации R² = 0,96 и RMSE = 0,199 для прогноза большего дочернего диаметра и R² = 0,76 и RMSE = 0,221— для меньшего.
Заключение. Разработанные модели могут стать основой для создания клинических систем поддержки принятия решений, позволяющих более точно оценивать состояние структуры ВАСЧ.
