Д.Н. Грибков1, О.К. Зенин2, А.А. Сергиенко3, З.М. Юлдашев4, В.И. Горбаченко5

1–3, 5 ФГБОУ ВО «Пензенский государственный университет» (г. Пенза, Россия)
4 Санкт-Петербургский государственный электротехнический университет (Санкт-Петербург, Россия)
1 rororol23@mail.ru, 2 zen.olegz@gmail.com, 3 anya.gurieva00@mail.ru, 4 yuld@mail.ru, 5 gorvi@mail.ru

Постановка проблемы. Прогнозирование диаметров коронарных артерий имеет ключевое значение для современной кардиологии, особенно в диагностике, профилактике и лечении ишемической болезни сердца, для выявления стеноза, оценки гемодинамического риска, оптимизации реваскуляризации. Артериальные сети внутри органов являются фрактальными системами, состоящими из бифуркаций. Большой практический интерес представляет собой прогнозирование диаметров дочерних сосудов по известному диаметру материнского сегмента, для чего предлагается использовать графовые нейронные сети.

Цель. Разработать графовые нейронные сети для прогнозирования диаметров венечных артерий сердца.

Результаты. Графовые нейронные сети впервые применены для прогнозирования диаметров венечных артерий сердца. Реализованы и исследованы графовая сверточная сеть, графовая сеть внимания, сеть GraphSAGE, графовая нейронная сеть на основе трансформера. Проведена оценка качества реализованных сетей, а также многослойного персептрона и двух известных гидродинамических моделей на тестовом наборе данных, показавшая преимущество графовых нейронных сетей перед известными моделями, особенно, при прогнозировании меньших диаметров сосудов бифуркаций. Отмечено, что лучшие результаты продемонстрировала графовая нейронная сеть на основе трансформера со значениями коэффициента детерминации 0,96 при прогнозировании бо́льшего диаметра дочернего сосуда и 0,73 – для меньшего диаметра сосуда.

Практическая значимость. Разработанные нейронные сети могут послужить основой систем прогнозирования для клинической практики.

Грибков Д.Н., Зенин О.К., Сергиенко А.А., Юлдашев З.М., Горбаченко В.И. Прогнозирование с помощью графовых нейронных сетей диаметров венечных артерий сердца // Биомедицинская радиоэлектроника. 2026. T. 29. № 1. С. 84−89. DOI: https://doi.org/10. 18127/j156 04136-202601-16

1. Chen Y.-li, Bai G.-Q., Ren L.-xing, Bai Y., Sun M.-y, Shang T., Ma C.-y, Ma D.-s. Blood physiological and flow characteristics within coronary artery circulatory network for human heart based on vascular fractal theory. Advances in Mechanical Engineering. 2020. V. 12. № 7. P. 1–13. DOI: 10.1177/1687814020933385.
2. Дадашев А.Ш., Зенин О.К., Милтых И.С., Кафаров Э.С. Морфометрические особенности различного вида бифуркаций внутриорганного артериального русла селезенки у лиц разного пола и возраста // Российский медико-биологический вестник им. акад. И.П. Павлова. 2024. Т. 32. № 1. С. 81–92. DOI:10.17816/PAVLOVJ321742.
3. Huo Y., Kassab G.S. Intraspecific scaling laws of vascular trees. Journal of the Royal Society Interface. 2012, V. 9. № 66. P. 190–200. DOI: 10.1098/rsif.2011.0270.
4. Лабон М., Груздев А. Графовые нейронные сети на Python. М.: ДМК Пресс. 2024. 342 с.
5. Свидетельство о государственной регистрации базы данных № 2021623064. База данных результатов морфометрии ангиограмм внутриорганного артериального русла сердца человека // О.К. Зенин, А.В. Дмитриев, И.С. Милтых. 2021.
6. PyG Documentation. URL: https://pytorch-geometric.readthedocs.io/en/latest/#.
7. NetworkX. URL: https://networkx.org/.
8. scikit-learn. URL: https://scikit-learn.org/stable/.
9. Veličković P., Cucurull G., Casanova A., Romero A., Liò P., Bengio Y. Graph Attention Networks. URL: https://arxiv.org/abs/ 1710.10903.
10. Hamilton W.L., Ying R., Leskovec J. Inductive Representation Learning on Large Graphs. URL: https://arxiv.org/abs/1706.02216
11. Shi Y., Huang Z., Feng S., Zhong H., Wang W., Sun Y. Masked Label Prediction: Unified Message Passing Model for Semi-Supervised Classification. URL: https://arxiv.org/abs/2009.03509.
12. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention Is All You Need. URL: https://arxiv.org/abs/1706.03762.
13. Optuna. URL: https://optuna.org/.
14. AdamW. URL: https://docs.pytorch.org/docs/stable/generated/torch.optim.AdamW.html.
15. Why Do We Need Weight Decay in Modern Deep Learning? / F. D'Angelo, M. Andriushchenko, A. Varre, N. Flammarion. URL: https://arxiv.org/abs/2310.04415.
16. HuberLoss. URL: https://docs.pytorch.org/docs/stable/generated/torch.nn.HuberLoss.html.
17. Olufsen M.S., Peskin C.S., Kim W.Y. et al. Numerical Simulation and Experimental Validation of Blood Flow in Arteries with Structured-Tree Outflow Conditions. Annals of Biomedical Engineering. 2000. V. 28. P. 1281–1299. DOI: 10.1114/1.1326031.
18. Huo Y., Kassab G. Scaling Laws of Coronary Circulation in Health and Disease. Journal of Biomechanics. 2016. V. 49. № 12. P. 2531–2539. DOI: 10.1016/j.jbiomech.2016.01.044.