Возможности применения искусственного интеллекта для бесконтактного определения уровня артериального давления по данным плетизмографии кожи лица, полученными с помощью веб-камеры

Введение

Артериальная гипертензия (АГ) является ведущим модифицируемым фактором риска болезней сердечно-сосудистой системы. Результаты эпиде­мио­логических исследований демонстрируют значительное увеличение распространенности АГ как в общемировой популяции, так и среди населения Российской Федерации, и в настоящее время количество людей, страдающих АГ, приближается к 1,5 млрд [1][2]. При этом 46% пациентов не знают о наличии заболевания, а у остальных 54% АГ находится под контролем только в 21% случаев. Поскольку АГ зачастую носит бессимптомный характер, регулярное измерение артериального давления (АД) становится важнейшим методом ранней диагностики АГ и начала своевременного лечения. Значимость ранней диагностики АГ была подтверждена результатами исследования (n=1497 пациентов, длительность наблюдения 15-21 лет), показавшими, что значения АД на ранних стадиях развития заболевания лучше предсказывают риск сердечно-­сосудистых осложнений, чем показатели АД на более поздних стадиях патологии [3].

Все имеющиеся свидетельства того, что АГ является ведущим фактором риска развития сердечно-сосудистых заболеваний, цереброваскулярных болезней и поражения почек, вносит существенный вклад в структуру инвалидизации и смертности, а также данные о пользе антигипертензивной терапии были основаны на результатах измерения АД посредством плечевой манжеты. Именно поэтому измерение АД данным методом рекомендуется для офисного, домашнего и амбулаторного контроля в клинической практике, а также служит эталоном для оценки новых технологий измерения АД [4].

Однако эталонный манжеточный метод измерения АД требует наличия тонометра, правильно подобранного размера манжеты, оголения плеча, неподвижного состояния во время измерения и других особенностей, что делает его не всегда доступным, и более того, неудобным для непрерывного мониторинга уровня АД. А непрерывный мониторинг АД во многих случаях может не просто оказаться полезным для конкретного человека, но и предотвратить развитие опасных и социально значимых ситуаций среди людей профессий с повышенной социальной ответственностью, таких как водители, летчики, авиадиспетчеры и др.

Одним из перспективных методов для бесконтактной оценки уровня АД является видеоплетизмография (ВПГ), или дистанционная фотоплетизмография (англ. remote photoplethysmography), которая заключается в получении световой информации, отраженной от лица человека и зафиксированной оптическими датчиками видеозаписывающего устройства (веб-камера смартфона, ноутбука и др.), и ее анализе с помощью методов машинного обучения для оценки изменений в микроциркуляторном кровотоке кожи лица [5]. Хотя ВПГ в настоящее время не может рассматриваться в качестве метода точного определения АД, она может использоваться для его приблизительной оценки, в т.ч. в качестве массового скрининга населения для определения вероятности наличия АГ и показаний к проведению дальнейшего исследования для подтверждения/исключения болезни.

К настоящему времени предложено несколько алгоритмов оценки уровня АД методом ВПГ кожи лица, разработанных с применением методов глубокого машинного обучения и технологий искусственного интеллекта (ИИ). Так, Chen Y, et al. [6] на тестовой выборке в 132 человека разработали архитектуру ИИ для решения задачи восстановления регрессии уровня АД, которая продемонстрировала среднюю абсолютную ошибку (Mean Absolute Error, МАЕ) определения систолического (САД) и диастолического АД (ДАД) — 12,35/9,54 мм рт.ст. Коллективом авторов во главе с Curran T [7] на данных 143 испытуемых была создана гибридная модель для определения САД, сочетающая в себе блоки анализа сигнала ВПГ и общих сведений о пациенте. Разработанная нейронная сеть показала МАЕ для САД в 11,35 мм рт.ст. Группой исследователей под руководством Tan SYL [8] на выборке в 200 человек был разработан алгоритм с использованием искусственной нейронной сети U-Net, который продемонстрировал среднюю абсолютную процентную ошибку (Mean Absolute Percentage Error, MAPE) определения САД и ДАД в 9,52 и 7,52%, соответственно. В работе Kim S, et al. [9] с использованием нейронной сети U-Net и трансферного обучения на основании данных 17 испытуемых (7800 сегментов по 5 сек) представили алгоритм, показавший МАЕ определения САД/ДАД — 6,9/4,43 мм рт.ст.

Таким образом, результаты опубликованных работ демонстрируют возможность оценки уровня АД методами интеллектуального анализа данных и машинного обучения на основе данных ВПГ лица, полученных с помощью веб-камеры с приемлемой точностью, и подтверждают практическую перспективность данного метода.

Цель работы — разработка алгоритма оценки АД по данным ВПГ кожи лица, полученными с помощью веб-камеры, на основе комбинированного подхода, сочетающего метод подготовки данных, основанный на непрерывном вейвлет-­преобразовании, и сверточную нейронную сеть.

Материал и методы

Исследование проводили на добровольцах, поступающих на стационарное лечение в ФГБУ "Национальный медицинский исследовательский центр терапии и профилактической медицины" Минздрава России. Исследование выполнено в соответствии со стандартами надлежащей клинической практики (GCP) и принципами Хель­синкской декларации. Протокол исследования был одобрен локальным этическим комитетом (протокол № 01-05/24 от 30.01.2024). Все испытуемые дали письменное согласие на участие в исследовании.

В исследовании использовали размеченный набор данных ВПГ (Датасет), который включает видеозаписи кожи лица 1900 уникальных участников и сведений о наличии у них хронических неинфекционных заболеваний (ХНИЗ): 1) АГ; 2) ишемическая болезнь сердца или пост­инфарктный кардиосклероз; 3) хроническая сердечная недостаточность; 4) нарушения ритма и проводимости сердца; 5) цереброваскулярная болезнь; 6) хроническая ишемия нижних конечностей; 7) хронические обструктивные заболевания легких; 8) сахарный диабет 1 и 2 типа; 9) системные заболевания соединительной ткани; 10) заболевания желудочно-­кишечного тракта; 11) заболевания мочеполовой системы. Также учитывали прием фармпрепаратов по поводу конкретного ХНИЗ на момент исследования по методу — да/нет (+/-).

Поскольку исследование проводится в условиях стационара, из всего массива испытуемых, которые вошли в Датасет, только 266 (14%) человек оказались условно здоровыми; 247 (13%) человек имели одно заболевание; почти три четверти испытуемых являлись коморбидными пациентами, которые на момент исследования принимали фармпрепараты на постоянной основе по поводу различных ХНИЗ; а медиана возраста испытуемых составила 61 [ 44; 69] год. Это отличает формируемый Датасет от иных массивов данных, которые использовались для разработки алгоритмов оценки уровня АД методом ВПГ ­[6-9], и является его значимой характеристикой, поскольку возраст и коморбидный статус могут оказывать значимое влияние на микрососудистый кровоток кожи лица, изменения которого могут вносить существенный вклад в конечный результат исследования.

После подписания информированного согласия одномоментно измеряли АД на обеих руках двумя автоматическими тонометрами "Microlife BP A6 PC" для исключения окклюзионно-­стенотического поражения магистральных артерий верхних конечностей. После 2-мин паузы, на протяжении которой в базу данных вносили данные о ХНИЗ, осуществляли одновременную регистрацию уровня АД на левом плече автоматическим тонометром и запись видеопотока с кожи лица.

Видеозапись кожи лица проводили в положении пациента сидя на стуле, руки располагались на столе (рисунок 1). В процессе видеозаписи испытуемым на мониторе компьютера демонстрировали релаксирующее видео со звуками природы. Регистрацию видеопотока с кожи лица проводили видеокамерой ELP-USB4KHDR01-MFV (4 МП, частота дискретизации 30 Гц) с варифокальным объективом 5-50 мм (ELP, Shenzhen, Китай), закрепленной на штативе. Камеру располагали на уровне лица на расстоянии 60 см. В качестве источника света, направленного на лицо, использовали установленную за видео­камерой кольцевидную светодиодную лампу диаметром 26 см Smartbuy SBL-TTL-10 (Smartbuy, Taiwan) со световой температурой 5500К.

Набор Датасета проводили с использованием разработанного и запатентованного специализированного программного обеспечения автоматизации сбора первичных исследовательских данных "Vpgmetrics"¹. Из каждой полученной видеозаписи извлекали фрагмент длительностью 45 сек., который соответствовал началу измерения АД автоматическим тонометром. Дальнейшая предварительная обработка данных включала выделение региона интереса (рисунок 2 А), расчет пространственного среднего значения по трем цветовым каналам RGB, частотную фильтрацию и непрерывное вейвлет-­преобразование. Для выделения региона интереса на лице человека, использовали нейросетевую модель YuNet.

Выделение различных регионов кожи лица основано на особенностях кровоснабжения. Кожа лба крово­снабжается конечными ветвями глазничных артерий, которые входят в систему внутренних сонных артерий (рисунок 2 Б), кровоснабжающих головной мозг, который является одним из основных органов-­мишеней при АГ.

Затем на каждом кадре видеопоследовательности для каждого региона интереса вычисляли пространственные средние интенсивности 3-х каналов цветовой модели RGB (Red, Green, Blue) цифровых видеокамер, т.е. для ­красного, зеленого и синего цветов, соответственно. Таким образом, было сформировано 12 временных рядов (3 цветовых канала для 4 регионов).

Для получения частотно-­временной картины колебаний кровотока в 4-х выбранных регионах было применено непрерывное вейвлет-­преобразование. Выбор непрерывного вейвлет-­преобразования обосновывается нестационарностью колебательных процессов микроциркуляторного кровотока в коже лица.

В качестве целевой переменной использовали метки САД и ДАД, измеренные в ходе набора данных автоматическим тонометром. Мы сформулировали задачу оценки АД как задачу восстановления регрессии по двум целевым переменным.

Для осуществления интеллектуального анализа данных и восстановления регрессии была спроектирована и обучена сверточная нейронная сеть, которая включает в себя экстрактор признаков и регрессионную модель. Экстрактор признаков реализован в виде последовательной модели, содержащей три сверточных слоя с возрастающей размерностью карт признаков, за счет чего обеспечивается извлечение признаков различного уровня абстракции. Регрессионный модуль предназначен для преобразования выделенных при помощи экстрактора признаков в выходные числовые значения предсказанного САД и ДАД.

Результаты

Для разработанной модели ИИ при длительности окна анализа в 45 сек мы получили значения метрик, которые представлены в таблице 1. В скобках указаны границы 95% доверительного интервала (ДИ), вычисленные методом бутстрепа с 1000 повторений.

Помимо значений метрик важным этапом определения качества модели является оценка относительной частоты ошибок различной величины. Для этой цели для каждого элемента тестовой выборки для САД и ДАД в отдельности была вычислена величина ошибки оценки уровня АД, которая представлена на рисунке 3 в виде гистограммы плотности вероятности ошибок различного размера для САД и ДАД.

Обсуждение

Разработанная нами модель ИИ для оценки уровня АД по данным ВПГ показала точность определения уровня АД, которое соответствует целевым ориентирам для прототипа. Полученные результаты оказались несколько хуже данных работ зарубежных аналогов [6-9], но здесь стоит обратить внимание на то, что в каждой из работ зарубежных коллег использовался свой набор данных ВПГ как по количеству испытуемых, так и по нозологиям.

В настоящем исследовании, с учетом специфики набора данных, основной массив Датасета представляют испытуемые >60 лет из которых ~75% являются коморбидными пациентами с длительным анамнезом заболеваний и сопутствующей фармакологической нагрузкой на момент исследования, что можно считать существенным ограничением исследования. Тем не менее, несмотря на упомянутые ограничения исследования, реализованный нами подход к анализу данных ВПГ для прогнозирования уровня АД свидетельствует о перспективности дальнейших исследований в данном направлении.

Заключение

Разрабатываемый нами метод бесконтактного определения уровня АД по данным ВПГ кожи лица, полученным с помощью стандартной веб-камеры не может претендовать на место экспертного класса для определения АД. Однако, учитывая широкое распространение и доступность веб-камер в современных условиях, можно полагать, что данный подход к непрерывному мониторингу уровня АД, с использованием принципа "светофора", может мотивировать людей к периодическому контролю АД стандартными приборами.

По мере увеличения набираемых объемов данных (Датасет) в широком возрастном и нозологическом диапазоне, совершенствовании архитектуры нейронных сетей и алгоритмов анализа данных, величина ошибок определения уровня АД будет снижаться.

Отношения и деятельность. Работа выполнена в рамках Государственного задания Минздрава Рос­сии № 124013100904-7 "Разработка метода бесконтактного определения уровня артериального давления по данным видеоплетизмографии веб камерой кожи лица".