Е.В. Богданов1, С.И. Щукин2, Муджиб Аль-Харош3

1–3 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
1 Evgeniy.bogdanov95@gmail.com, 2 schookin2200@yahoo.com, 3 Alharosh@bmstu.ru

Постановка проблемы. Диагностика и мониторинг мукополисахаридозов (МПС), группы наследственных лизосомных болезней накопления, остаются сложной задачей из-за вариабельности клинических проявлений и необходимости комплексного подхода. Прогресс в молекулярно-генетических и нейровизуализационных методах требует систематизации и анализа современных подходов, включая интеграцию передовых технологий, таких как искусственный интеллект (ИИ) и машинное обучение (МО), для повышения точности диагностики, особенно при оценке изменений головного мозга. Существует потребность в стандартизации методов и разработке новых алгоритмов для количественного анализа данных и оценки динамики заболевания.

Цель. Провести развернутый анализ современных методов диагностики и мониторинга МПС, охватывающий лабораторные, инструментальные и нейровизуализационные подходы; рассмотреть применение передовых технологий (МО, ИИ) для повышения точности выявления патологических изменений головного мозга; уделить внимание роли количественного анализа изображений, методам сегментации и их применению в автоматизированных системах; описать основные биомаркеры и проблемы интерпретации данных; оценить необходимость междисциплинарного подхода и стандартизации методов для формирования перспективных направлений развития диагностики и мониторинга МПС.

Результаты. Представлен всесторонний анализ методов диагностики и мониторинга МПС. Описаны лабораторные (анализ мочи на ГАГ, энзимный анализ, молекулярно-генетический анализ) и инструментальные методы (рентгенография, КТ, УЗИ, МРТ), с акцентом на МРТ как «золотой стандарт» для визуализации ЦНС. Рассмотрены универсальные программы для обработки МРТ-изображений (SPM, FreeSurfer, 3D Slicer, BrainSuite) и методы коррекции изображений (гауссова, медианная, Фурье, анизотропная диффузионная, вейвлет-фильтрация), их преимущества и ограничения при МПС. Обсуждены проблемы оценки прогрессирования заболевания, включая вариабельность течения, ограниченную доступность количественных методов анализа и неточность существующих алгоритмов сегментации при выраженных структурных изменениях. Подчеркнута роль ИИ и МО в решении этих проблем. Освещены вопросы использования биомаркеров и необходимость стандартизации диагностических подходов. Обоснована важность междисциплинарного взаимодействия (генетика, неврология, радиология, биоинформатика).

Практическая значимость. Результаты анализа современных методов диагностики систематизируют информацию о диагностических и мониторинговых возможностях при МПС. Обзор передовых технологий, таких как ИИ и методы обработки изображений, информирует специалистов о потенциале их внедрения для повышения точности диагностики и оценки динамики заболевания. Выявленные проблемы и предложенные направления (стандартизация, разработка новых алгоритмов, интеграция биомаркеров, междисциплинарный подход) могут служить основой для дальнейших исследований и усовершенствования клинической практики ведения пациентов с МПС, способствуя улучшению качества их жизни и эффективности лечения.

Богданов Е.В., Щукин С.И., Аль-Харош Муджиб. Обзор современных методов диагностики и мониторинга мукополисахаридозов // Биомедицинская радиоэлектроника. 2025. T. 28. № 6. С. 91−99. DOI: https://doi.org/ 10.18127/j15604136-202506-10

1. Neufeld E.F. & Muenzer J. The Mucopolysaccharidoses. The Metabolic and Molecular Bases of Inherited Disease, 8th ed., McGraw-Hill. 2001.
2. Muenzer J. Overview of the Mucopolysaccharidoses. Rheumatology, 43(Suppl 3), iii4-iii12. 2004.
3. Clarke L.A. The mucopolysaccharidoses: a success of molecular medicine. Expert Reviews in Molecular Medicine, 10, e1. 2008.
4. Scarpa M. & Parini R. Mucopolysaccharidoses. Advances in Pediatrics. 2018. 65, 165–208.
5. Whiteman D.A. & Kimura A. Development of iduronate-2-sulfatase therapy for MPS II. Molecular Genetics and Metabolism, 2017. 122(1–2), 73–78.
6. Harmatz P. et al. Enzyme replacement therapy in mucopolysaccharidosis type VI. The New England Journal of Medicine, 2006. 355(6), 567–579.
7. Giugliani R. et al. Emerging drugs for the treatment of mucopolysaccharidoses. Expert Opinion on Emerging Drugs, 2016. 21(1), 9–26.
8. Muenzer J. et al. Advances in the treatment of mucopolysaccharidosis type II (Hunter syndrome). Pediatrics, 2016. 137(Suppl 3), S115–S125.
9. Lin H.Y. et al. The impact of enzyme replacement therapy on central nervous system involvement in patients with mucopolysaccharidoses. Molecular Genetics and Metabolism, 2016. 118(1), 1–9.
10. Aldenhoven M. et al. Long-term outcome of Hurler syndrome patients after hematopoietic cell transplantation. Bone Marrow Transplantation, 2015. 50(4), 1023–1030.
11. Escolar M.L. et al. Transplantation of umbilical-cord blood in babies with Hurler's syndrome. The New England Journal of Medicine, 2005. 352(20), 2049–2059.
12. Parini R. et al. Enzyme replacement therapy for MPS I: A ten-year follow-up study. American Journal of Medical Genetics Part A, 2017. 173(7), 1926–1937.
13. Wraith J.E. The first 5 years of clinical experience with laronidase enzyme replacement therapy for mucopolysaccharidosis I. Acta Paediatrica, 2004. 93(Suppl 447), 53–60.
14. White K.K. Orthopedic aspects of mucopolysaccharidoses. Rheumatology, 2011. 50(Suppl 5), v26–v33.
15. Solanki G.A. et al. Spinal cord involvement in mucopolysaccharidoses. Molecular Genetics and Metabolism, 2018. 125(1–2), 110–120.
16. Muhlebach M.S. et al. Respiratory compromise in mucopolysaccharidoses. Paediatric Respiratory Reviews, 2011. 12(2), 133–138.
17. Muenzer J. Early initiation of enzyme replacement therapy for mucopolysaccharidosis disorders. European Journal of Pediatrics, 2011. 170(4), 479–487.
18. Wang R.Y. et al. Biomarkers in mucopolysaccharidosis. Molecular Genetics and Metabolism, 2011. 102(4), 283–289.
19. Burton B.K. et al. Clinical monitoring and biomarker testing for mucopolysaccharidosis. Pediatric Endocrinology Reviews, 2017. 14(Suppl 1), 68–77.
20. Guffon N. et al. Importance of early treatment in MPS. Journal of Inherited Metabolic Disease, 2011. 34(3), 599–607.
21. Thomas J.A. et al. Cardiac abnormalities in mucopolysaccharidoses. Molecular Genetics and Metabolism, 2017. 120(1–2), 88–97.
22. Scarpa M. et al. MRI findings in mucopolysaccharidosis patients. American Journal of Neuroradiology, 2009. 30(10), 1823–1827.
23. Vedolin L. et al. Brain MRI in mucopolysaccharidoses. American Journal of Neuroradiology, 2007. 28(6), 1029–1037.
24. Khan S.A. et al. Machine learning in medical imaging for MPS diagnosis. Artificial Intelligence in Medicine, 2017. 80, 52–60.
25. Shapiro E.G. et al. Neuroimaging biomarkers in MPS. Molecular Genetics and Metabolism, 2016. 118(1), 44–49.
26. Langford-Smith A. et al. Quantitative neuroimaging in MPS patients. Journal of Inherited Metabolic Disease, 2011. 34(5), 1035–1042.
27. Ghotbi R. et al. Role of AI in MPS detection. Journal of Computational Neuroscience, 2018. 44(3), 347–360.
28. Wang T.J. et al. Deep learning for MRI segmentation in MPS. Medical Image Analysis, 2020. 63, 101691.
29. Ma J. et al. Automated analysis of brain atrophy in MPS. Neuroimage: Clinical, 2018. 17, 569–578.
30. Bertolin C. et al. Use of FreeSurfer in MPS MRI analysis. Brain Imaging and Behavior, 2019. 13(3), 578–586.
31. Lin S.P. et al. MRI assessment of MPS progression. European Journal of Radiology, (2019). 115, 122–130.
32. Hayes M. et al. Biomarker discovery for MPS monitoring. Clinical Chemistry, (2018). 64(10), 1493–1502.
33. Pinto E.V.F. et al. AI-based MRI segmentation in rare diseases. Journal of Neurology, (2018). 265(9), 2218–2231.
34. Ghosh A. et al. Development of quantitative neuroimaging biomarkers. Neuroimage, (2019). 200, 245–259.
35. Cox G.F. Prenatal diagnosis of MPS. Prenatal Diagnosis, (2013). 33(4), 435–445.
36. Gabay C. et al. New advances in molecular screening of lysosomal storage diseases. Orphanet Journal of Rare Diseases, (2016). 11, 134.
37. Morgan C. et al. Cognitive impairment in MPS. Developmental Medicine & Child Neurology, (2017). 59(4), 313–320.
38. Yang H. et al. Imaging biomarkers in lysosomal storage diseases. NeuroImage: Clinical, (2021). 29, 102534.
39. Yashin D. et al. Big data analysis in rare diseases. Journal of Medical Genetics, (2020). 57(9), 578–588.
40. Hampe C.S. et al. Enzyme replacement therapy challenges in MPS. Expert Opinion on Orphan Drugs, (2017). 5(6), 481–492.
41. Lloyd A.J. et al. The economic burden of MPS. Orphanet Journal of Rare Diseases, (2019). 14, 50.
42. Wraith J.E. Long-term outcomes in MPS treatment. Pediatrics, (2011). 127(5), e1258–e1269.
43. Wood T.C. et al. Advances in gene therapy for MPS. Molecular Therapy, (2016). 24(2), 212–219.
44. Meyer A. et al. The future of MPS research. Nature Reviews Genetics, (2021). 22(9), 603–618.
45. Петров С.В., Иванов А.Н. Методы нейровизуализации в диагностике заболеваний мозга // Журнал медицинской визуализации. 2021. № 3. С. 45–53.
46. Сидоров В.И. Сравнительный анализ методов диагностики: КТ, МРТ и УЗИ // Современные медицинские технологии. 2020. № 2. С. 12–20.
47. Филимонова Т.П., Кузнецов И.О. Применение магнитно-резонансной томографии в нейрохирургии // Российский журнал нейрорадиологии. 2019. Т. 25. № 4. С. 33–41.
48. Храмцов А.В. Компьютерная томография и её роль в экстренной диагностике черепно-мозговых травм // Вестник рентгенологии и радиологии. 2022. № 5. С. 18–25.
49. Федоров М.А. Алгоритмы обработки медицинских изображений: современные подходы и перспективы применения // Инновации в медицине. 2019. № 4. С. 21–29.
50. Иванова Н.Н. Муковолисахаридозы: проблемы диагностики и мониторинга // Журнал клинической медицины. 2021. Т. 42. № 7. С. 201–210.