КЛАССИФИКАЦИИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА СПОРТСМЕНОВ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 270 КЛАССИФИКАЦИИ ИШЕМИЧЕСКОЙ БОЛЕЗНИ СЕРДЦА СПОРТСМЕНОВ НА ОСНОВЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА О.М.Исмаилов1, С.С.Мирзахалилов1 1Ташкентский университет информационных технологий имени Мухаммада ал-Хоразмий https://doi.org/10.5281/zenodo.17767941 Аннотация. Раннее выявление ишемической болезни сердца особенно важно для спортсменов, занятых высокоинтенсивными выносливыми нагрузками, у которых физический стресс может обнажить латентные патологии. В работе предложена облегчённая нейронная модель для идентификации и градации поражений коронарных артерий на основе ангиографических изображений из набора CADICA. Модификация архитектуры VGG16 обеспечивает сочетание высокой диагностической точности и экономии вычислительных ресурсов. Результаты экспериментов демонстрируют надёжную точность и быструю работу модели, что делает её перспективной для практического кардиологического скрининга спортсменов. Ключевые слова: ишемическая болезнь сердца; спортсмены; глубокое обучение; искусственный интеллект; CADICA; ангиография. Abstract. Early identification of coronary artery disease is critical for athletes engaged in high-intensity endurance activities, where sustained exertion may reveal latent cardiac conditions. This study presents a lightweight neural model for detecting and grading coronary lesions using angiographic data from the CADICA dataset. A tailored VGG16 modification enables a favorable balance between diagnostic accuracy and computational efficiency. Experimental evaluation indicates robust performance and rapid inference, supporting the model’s potential utility in sports medicine screening workflows. Keywords: coronary artery disease; athletes; deep learning; artificial intelligence; CADICA; angiography. Введение. Согласно Всемирной организации здравоохранения, каждый год более 17 миллионов людей умирают от ССЗ, что составляет около 31% всех смертей в мире. По всему миру увеличивается число случаев гипертонии, артериосклероза, инфарктов миокарда и других сердечно-сосудистых заболеваний. В свете этих статистических данных становится ясным, что эффективная система первичной диагностики является крайне важной составляющей борьбы с этими заболеваниями. Научные исследования в области диагностики сердечно-сосудистых заболеваний с использованием методов искусственного интеллекта (ИИ) и анализа электрокардиограммы (ЭКГ) являются активным направлением, направленным на улучшение точности диагностики, раннего выявления заболеваний и персонализированного подхода к лечению. Методы. Метод выявления ИБС. В нашем исследовании используется набор данных клинической ассоциации диагностики и исследования сердечно-сосудистых заболеваний (Clinical Association for Diagnosis and Research of Cardiovascular Emergencies-CADICA), специально подобранный для оценки ишемическая болезнь сердца (ИБС) у спортсменов, занимающихся различными видами спорта на выносливость высокой интенсивности. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 271 Этот набор данных содержит 3000 изображений в оттенках серого с разрешением 512x512 пикселей, представляющих сбалансированную смесь степеней поражения коронарных артерий. Изображения классифицируются по трем классам тяжести, таким как «легкая» в диапазоне [окклюзия 0–20%], «умеренная» в диапазоне [окклюзия 20–70%] и «тяжелая» в диапазоне [окклюзия 70–100%], по 1000 изображений на категорию, рисунок 1. Рисунок 1. Набор данных CADICA визуально сегментирован на категории в зависимости от тяжести поражения коронарных артерий. В первом столбце отображаются «легкие» случаи с поражениями от 0% до 20%, за ними следуют второй и третий столбцы, демонстрирующие «умеренные» случаи с поражениями от 20% до 70%. В последнем столбце показаны «тяжелые» случаи, где поражения варьируются от 90% до 99%. Эта классификация облегчает целенаправленный анализ способности модели точно обнаруживать и классифицировать поражения в спектре случаев. Чтобы повысить надежность набора данных и смоделировать реальные сценарии, которые могут повлиять на процесс визуализации, такие как различные углы и условия освещения, мы дополняем изображения с помощью таких методов, как вращение, масштабирование и упругие деформации. Каждое изображение проходит предварительную обработку для стандартизации входных данных и повышения эффективности модели, рисунок 2. Рисунок 2. На этом рисунке показаны результаты этапов предварительной обработки изображения, примененных к карте признаков, с использованием фильтров улучшения контуров для эффективного выделения наиболее важных контуров. Мы используем CADICA для обеспечения всестороннего понимания того, как изменения в состояниях коронарных артерий проявляются на изображениях с высоким разрешением. Это понимание имеет решающее значение для обучения модифицированной модели VGG16 для обнаружения тонких нюансов, которые различают различные уровни тяжести ИБС. Подробные аннотации, сопровождающие каждое изображение, проверенные группой экспертов-рентгенологов, гарантируют надежность истинных данных, используемых при обучении и оценке модели. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 272 Таблица 1. Используемые метрики. Метрический Описание формулировки Точность Точность = 𝑇𝑃 + 𝑇𝑁 𝑇𝑃 + 𝑇𝑁 +𝐹𝑃 + 𝐹𝑁 Чувствительность (Отзыв) Чувствительность = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 Специфичность Специфичность = 𝑇𝑁 𝑇𝑁 + 𝐹𝑃 Точность Точность = 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 F1-оценка 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 x 𝑅𝑒𝑐𝑎𝑙𝑙 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙 Площадь под кривой ROC (AUCROC) Площадь под кривой рабочей характеристики приемника; более высокие значения указывают на лучшую производительность. Количество параметров Количество параметров в нейронной сети указывает на общее количество обучаемых весов и смещений в модели. Операций с плавающей точкой в секунду Провалы FLOP рассчитывается для оценки вычислительной сложности обработки одного входного сигнала через сеть. Сравнение результатов эксперимента и анализов CADICA предоставляет изображения ангиограмм, которые играют важную роль в диагностике ИБС. Эти изображения в сочетании с данными о производительности различных моделей глубокого обучения предлагают глубокое исследование возможностей этих технологий в медицинской диагностике, особенно в обнаружении ИБС. Модели, которые мы оцениваем, включают известные архитектуры, такие как ResNet-50, VGG-16, DenseNet121, SqueezeNet и EfficientNet-B0, наряду с предлагаемой моделью. Каждая производительность предлагаемой модели тщательно анализируется с помощью трех критических метрик, таких как Accuracy, Recall и Precision, каждая из которых жизненно важна для обеспечения надежности и эффективности медицинских диагнозов. Accuracy, основная мера, количественно определяет общую эффективность каждой модели в создании правильных прогнозов во всех тестовых случаях. Она отражает способность каждой модели правильно определять как наличие, так и отсутствие заболевания, обеспечивая целостное представление о ее диагностической точности. Предложенная модель демонстрирует исключительную точность 90,3%, что указывает на то, что она правильно предсказывает результаты почти в 91% случаев, что значительно выше, чем у других оцененных моделей, как показано в Таблице 2. Предложенная модель достигает степени полноты 89%, демонстрируя ее надежную способность эффективно обнаруживать истинно положительные результаты. Высокая степень точности имеет важное значение для сокращения количества ложноположительных результатов, которые могут привести к ненужному беспокойству и инвазивным процедурам для пациентов. При степени точности 87,2% предложенная модель THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 273 подтверждает свою надежность в своих положительных классификациях, что делает ее надежным инструментом в процессе принятия клинических решений Рисунок 3. Рисунок 3. Виртуализация полноты и точности. Таблица 2. Сравнение моделей. Используя такие продвинутые модели глубокого обучения, врачи могут использовать значительные улучшения в точности диагностики, гарантируя, что пациенты получат наиболее информированную и эффективную помощь. Этот комплексный подход, который сочетает в себе строгий статистический анализ с практической визуальной проверкой, знаменует собой значительный прогресс в использовании искусственного интеллекта в здравоохранении, прокладывая путь для более точной и надежной медицинской диагностики. Сравнение результатов с современной моделью. Чтобы оценить эффективность нашей предлагаемой модели в обнаружении и САПР, мы провели обширные эксперименты, сравнивая ее производительность с несколькими современными (SOTA) архитектурами глубокого обучения. Модели, выбранные для сравнения, включают Ref [21], [22], [23], [27] и [28]. Эти архитектуры были выбраны на основе их известности в исследованиях медицинской визуализации и их разнообразных философий проектирования, начиная от остаточных связей до эффективного использования параметров. Оценка производительности была сосредоточена на нескольких критических аспектах: общая точность, чувствительность при обнаружении Модель Точность Отзывать Точность РесНет-50 0,863 0,86 0,83 ВГГ-16 0,878 0,856 0,79 DenseNet121 0,871 0,853 0,821 SqueezeNet 0,832 0,81 0,782 Эффективная сеть-B0 0,881 0,87 0,85 Предлагаемая модель 0,903 0,89 0,872 THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 274 истинно положительных случаев, точность в минимизации ложных положительных случаев и баланс между этими мерами, отраженный в оценке F1. Кроме того, способность моделей различать больные и не больные случаи при различных пороговых значениях оценивалась с помощью площади под кривой ROC (AUC-ROC). Вычислительная сложность, охватывающая количество обучаемых параметров и операций с плавающей точкой в секунду (FLOP), также была исследована для обеспечения практичности в реальных приложениях. Таблица 3 суммирует производительность моделей на основе набора данных CADICA [26]. Предложенная модель демонстрирует превосходные результаты по всем основным показателям, что подчеркивает ее эффективность в обнаружении САПР. Таблица 3. Сравнительный анализ моделей обнаружения САПР по ключевым показателям. Модель Точност ь Отзыва ть Точност ь F1оценка AUCROC Парамет ры (М) ФЛОП С (G) Ссылка [21] 0,87 0,87 0,82 0,85 0,88 23.6 4.1 Ссылка [22] 0,87 0,86 0,80 0,83 0,89 138.4 15.3 Ссылка [23] 0,87 0,86 0,83 0,84 0,89 7.98 2.8 Ссылка [27] 0,84 0,82 0,81 0,80 0,87 1.3 0.8 Ссылка [28] 0,88 0,88 0,86 0,86 0,91 5.3 0.4 Предлагаема я модель 0,903 0,890 0,90 0,90 0,912 1.2 3.5 В таблице 3 представлена сравнительная производительность предлагаемой модели с несколькими современными моделями, упомянутыми в [21] - [28]. Оценка основана на ключевых показателях производительности, включая точность, отзыв, прецизионность, F1Score и AUC-ROC, а также вычислительных параметрах, таких как количество обучаемых параметров (в миллионах) и вычислительная сложность, измеряемая в FLOP. Предлагаемая модель превосходит все упомянутые модели по большинству показателей. Она достигает наивысшей точности 0,903, отзыва 0,890 и точности 0,90, что отражает ее способность правильно определять истинно положительные случаи, минимизируя ложные положительные случаи. F1-Score, который уравновешивает точность и отзыв, также является самым высоким и составляет 0,90, демонстрируя общую надежность модели. Кроме того, AUC-ROC 0,912 указывает на превосходную дискриминационную способность по сравнению с другими моделями. С вычислительной точки зрения предлагаемая модель является особенно эффективной. Она имеет наименьшее количество параметров (1,2 миллиона) и относительно низкую вычислительную сложность (3,5 GFLOPs), что делает ее значительно легче, чем модели, подобные Ref [22] с 138,4 миллионами параметров и 15,3 GFLOPs. Такая эффективность гарантирует, что модель подходит для приложений реального времени и сред с ограниченными ресурсами, без ущерба для производительности. Таблица подчеркивает способность предлагаемой модели достигать самых современных результатов по точности, отзыву и AUC-ROC при сохранении вычислительной эффективности, что подчеркивает ее пригодность для практического развертывания в диагностике САПР. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 275 Визуальный анализ результатов классификации еще раз подтверждает превосходную производительность предлагаемой модели. Она продемонстрировала исключительную точность в различении легких, умеренных и тяжелых поражений, даже в тех случаях, когда другие архитектуры с трудом локализовали критические признаки. Рисунок 5. Результаты предлагаемой модели с указанием «повреждения» или «отсутствия поражения». Эта способность анализировать и интерпретировать тонкие закономерности на ангиографических изображениях подчеркивает полезность предлагаемой модели в решении уникальных задач диагностики ИБС у спортсменов. Производительность предлагаемой модели подчеркивает ее способность улучшать обнаружение и классификацию ИБС за счет интеграции передовых архитектурных инноваций. Достигнув надежного баланса между диагностической точностью и вычислительной эффективностью, модель представляет собой значительный шаг вперед в разработке инструментов на основе ИИ для сердечно-сосудистой медицины. Заключение. Проведённое исследование подтвердило, что применение технологий глубокого обучения в анализе ангиографических изображений повышает точность и скорость диагностики ишемической болезни сердца (ИБС) у спортсменов. Разработанная облегчённая модель на основе модифицированной архитектуры VGG16 обеспечивает высокие показатели классификации при минимальных вычислительных затратах. Сравнение с другими архитектурами (ResNet-50, DenseNet121, EfficientNet-B0) показало преимущество предложенного решения по соотношению точности и эффективности. Практическая ценность модели заключается в возможности её использования в спортивной медицине для раннего выявления ИБС, динамического мониторинга состояния сердца и снижения риска внезапных осложнений у спортсменов старше 35 лет. Лёгкость и быстродействие модели делают её пригодной для интеграции в мобильные и телемедицинские системы. В дальнейшем планируется расширение базы данных, клиническая валидация и адаптация модели к различным видам медицинских изображений. В целом разработанная система демонстрирует потенциал для внедрения в практику как инструмент интеллектуальной поддержки врачей при диагностике и профилактике сердечно-сосудистых заболеваний у спортсменов.. THE VI INTERNATIONAL SCIENTIFIC CONFERENCE “SCIENTIFIC FOUNDATIONS FOR THE USE OF INFORMATION TECHNOLOGIES OF A NEW LEVEL AND MODERN PROBLEMS OF AUTOMATION”, NOVEMBER 20, 2025 276 СПИСОК ЛИТЕРАТУРЫ 1. Ainiwaer, A.; Hou, W.Q.; Kadier, K.; Rehemuding, R.; Liu, P.F.; Maimaiti, H.; Qin, L.; Ma, X.; Dai, J.G. A Machine Learning Framework for Diagnosing and Predicting the Severity of Coronary Artery Disease. Rev. Cardiovasc. Med. 2023, 24, 168. 2. Özbilgin, F.; Kurnaz, Ç.; Aydın, E. Prediction of coronary artery disease using machine learning techniques with iris analysis. Diagnostics 2023, 13, 1081. 3. Abd-Ellah, M.K.; Khalaf, A.A.; Gharieb, R.R.; Hassanin, D.A. Automatic diagnosis of common carotid artery disease using different machine learning techniques. J. Ambient. Intell. Humaniz. Comput. 2023, 14, 113– 129. 4. Arun Kumar, S.; Sasikala, S. Review on deep learning-based CAD systems for breast cancer diagnosis. Technol. Cancer Res. Treat. 2023, 22, 15330338231177977. 5. Kaba, ¸S.; Haci, H.; Isin, A.; Ilhan, A.; Conkbayir, C. The application of deep learning for the segmentation and classification of coronary arteries. Diagnostics 2023, 13, 2274. 6. Hou, K.Y.; Yang, C.C. Investigating the feasibility of using DenseNet to improve coronary calcification detection in CT. Acad. Radiol. 2023, 30, 1600–1613.