Сравнение диагностической точности полуавтоматического и экспертного измерения кардиовертебрального индекса у кошек и собак: первый этап валидации «Десктопного приложения для автоматизации расчета VHS на основе рентгенограмм»

Введение. Болезни сердца являются одной из основных причин смертности мелких домашних животных. Расчет кардиовертебрального индекса (КВИ, VHS) — метод оценки увеличения силуэта сердца на рентгенограммах и прогнозирования развития застойной сердечной недостаточности. Однако традиционное ручное измерение КВИ сопряжено с высокой межнаблюдательной вариабельностью, субъективностью и значительными временными затратами. Для повышения доступности объективного кардиологического скрининга в рутинной клинической практике авторами было разработано десктопное приложение для автоматизации расчета КВИ на основе технологий искусственного интеллекта (ИИ), позволяющее стандартизировать оценку, минимизировать человеческий фактор и ускорить обработку рентгенограмм. Цель данного пилотного исследования — провести первый этап валидации приложения и сравнить диагностическую точность двух способов измерения КВИ — полуавтоматического и экспертного.

Материалы и методы. Для анализа сформирована сбалансированная выборка — по 30 рентгенограмм грудной клетки собак и кошек в правой боковой проекции, отобранных методом простой случайной выборки. Предварительная ручная аннотация изображений выполнена по методике Buchanan & Bücheler: два ветеринарных врача визуальной диагностики по рентгенограммам определяли короткую и длинную оси сердца и далее сопоставляли их относительно позвоночного столба. Для полуавтоматического расчёта КВИ использовали авторское «Десктопное приложение для автоматизации расчета кардиовертебрального индекса (VHS) на основе рентгенограмм», разработанное на основе свёрточной нейронной сети. Валидация включала сравнение результатов двух способов расчета КВИ с учетом коэффициента внутриклассовой корреляции (ICC).

Результаты исследования. Установлено, что «Десктопное приложение для автоматизации расчета кардиовертебрального индекса (VHS) на основе рентгенограмм» обеспечивает высокоточное и воспроизводимое автоматическое измерение КВИ на боковых рентгенограммах грудной клетки у собак и кошек. При этом оно имеет статистически высокое соответствие с измерением, полученным ветеринарными врачами визуальной диагностики (ICC≥0,97), причем на расчет затрачено меньше времени.

Обсуждение и заключение. Первый этап валидации приложения продемонстрировал отличную степень согласия между ИИ и двумя специалистами, поэтому предложенный подход представляет собой перспективный вспомогательный инструмент для врачей общей практики. Текущее пилотное исследование имеет несколько ограничений, в частности, выполнено на относительно небольшой выборке животных и может быть недостаточным для оценки его работы в узких подгруппах (например, при специфических породах или выраженной кардиомегалии). Для подтверждения клинической значимости требуются дальнейшие исследования на более крупных и гетерогенных когортах, включая пациентов с выраженной кардиомегалией и анатомическими аномалиями.

1. Ward JM, Youssef SA, Treuting PM. Why Animals Die: An Introduction to the Pathology of Aging. Veterinary Pathology. 2016;53(2):229–232. https://doi.org/10.1177/0300985815612151

2. Baisan A, Ciocan M, Bîrsan O, Vulpe V. Objective Assessment of the Radiographic Cardiac Size in Dogs – A Review of the Heart Size Measurements. Lucrari Stiintifice - Universitatea de Stiinte Agricole a Banatului Timisoara, Medicina Veterinara. 2017;50(2):16–23.

3. Buchanan JW, Bücheler J. Vertebral Scale System to Measure Canine Heart Size in Radiographs. Journal of the American Veterinary Medical Association. 1995;206(2):194–199.

4. Poad MH, Manzi TJ, Oyama MA, Gelzer AR. Utility of Radiographic Measurements to Predict Echocardiographic Left Heart Enlargement in Dogs with Preclinical Myxomatous Mitral Valve Disease. Journal of Veterinary Internal Medicine. 2020;34(5):1728–1733. https://doi.org/10.1111/jvim.15854

5. Keene BW, Atkins CE, Bonagura JD, Fox PR, Häggström J, Fuentes VL, et al. ACVIM Consensus Guidelines for the Diagnosis and Treatment of Myxomatous Mitral Valve Disease in Dogs. Journal of Veterinary Internal Medicine. 2019;33(3):1127–1140. https://doi.org/10.1111/jvim.15488

6. Lord P, Hansson K, Kvart C, Häggström J. Rate of Change of Heart Size before Congestive Heart Failure in Dogs with Mitral Regurgitation. Journal of Small Animal Practice. 2010;51(4):210–218. https://doi.org/10.1111/j.1748–5827.2010.00910.x

7. Boissady E, de La Comble A, Zhu X, Hespel AM. Artificial Intelligence Evaluating Primary Thoracic Lesions Has an Overall Lower Error Rate Compared to Veterinarians or Veterinarians in Conjunction with the Artificial Intelligence. Veterinary Radiology and Ultrasound. 2020;61(6):619–627. https://doi.org/10.1111/vru.12912

8. Koo TK, Li MY. A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Research. Journal of Chiropractic Medicine. 2016;15(2):155–163. https://doi.org/10.1016/j.jcm.2016.02.012. Erratum in: Journal of Chiropractic Medicine. 2017;16(4):346. https://doi.org/10.1016/j.jcm.2017.10.001

9. Sun Y, Wang X, Tang X. Deep Convolutional Network Cascade for Facial Point Detection. In: Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, OR, USA: IEEE; 2013. P. 3476–3483. https://doi.org/10.1109/CVPR.2013.446

10. Li Z, Hou Z, Chen C, Hao Z, An Y, Liang S, et al. Automatic Cardiothoracic Ratio Calculation with Deep Learning. IEEE Access. 2019;7:37749–37756. https://doi.org/10.1109/ACCESS.2019.2900053

11. Hansson K, Häggström J, Kvart C, Lord P. Interobserver Variability of Vertebral Heart Size Measurements in Dogs with Normal and Enlarged Hearts. Veterinary Radiology and Ultrasound. 2005;46(2):122–130. https://doi.org/10.1111/j.1740–8261.2005.00024.x

12. Титов А.Д., Демичев В.В., Акчурин С.В., Шмаренкова Ю.С. Формирование и разметка специализированного датасета для задач компьютерного зрения в ветеринарной рентгенологии. Вестник Российского нового университета. Серия: Сложные системы: модели, анализ, управление. 2025;4:129–140. URL: https://vestnik-rosnou.ru/item/2025/4/129

13. Васильев М.Е., Шалимов А.С., Савина О.А. Обзор версий YOLO: одноэтапная модель сверточной нейронной сети. Universum: технические науки. 2025;6(135):36–46. URL: https://7universum.com/ru/tech/archive/item/20293

14. Hennessey E, DiFazio M, Hennessey R, Cassel N. Artificial Intelligence in Veterinary Diagnostic Imaging: A literature Review. Veterinary Radiology & Ultrasound. 2022;63(Suppl. 1):851–870. https://doi.org/10.1111/vru.13163

15. Levicar C, Nolte I, Granados-Soler JL, Freise F, Raue JF, Bach JP. Methods of Radiographic Measurements of Heart and Left Atrial Size in Dogs with and without Myxomatous Mitral Valve Disease: Intra- and Interobserver Agreement and Practicability of Different Methods. Animals. 2022;12(19):2531. https://doi.org/10.3390/ani12192531. Correc-tion in: Animals. 2025;15(8):1082. https://doi.org/10.3390/ani15081082

16. Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ; SPIRIT-AI and CONSORT-AI Working Group. Guidelines for Clinical Trial Protocols for Interventions Involving Artificial Intelligence: the SPIRIT-AI Extension. Lancet Digital Health. 2020;2(10):e549-e560. doi: https://doi.org/10.1016/S2589-7500(20)30219-3