АВТОМАТИЧЕСКОЕ ОПРЕДЕЛЕНИЕ КЛЮЧЕВЫХ ПАРАМЕТРОВ ДЛЯ ПРОГНОЗИРОВАНИЯ ТАКТИКИ ХИРУРГИЧЕСКОГО ЛЕЧЕНИЯ ВЕНТРАЛЬНЫХ ГРЫЖ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО ОБУЧЕНИЯ

Обоснование. Выбор тактики хирургического лечения послеоперационных вентральных грыж (ПОВГ) до сих пор основывается на субъективной визуальной оценке результатов КТ хирургом, что приводит к вариабельности решений и отсутствию стандартизации. Не существует утвержденных программных комплексов для автоматического анализа анатомии передней брюшной стенки.
Цель: разработать метод автоматического расчета ключевых хирургических параметров (RDR, объем грыжевого мешка) на основе семантической сегментации структур передней брюшной стенки с помощью сверточной нейронной сети U-Net для объективизации предоперационного планирования.
Материалы и методы. Проведено ретроспективное одноцентровое исследование на основе данных 25 пациентов с ПОВГ категорий W2–W3 (2024–2025 гг.). Выполнена ручная сегментация правой и левой прямых мышц живота и грыжевого мешка на КТ-срезах. Модель U-Net обучалась с функцией потерь Focal Loss и аугментацией данных. На основе результатов сегментации алгоритм автоматически вычислял параметр RDR (Rectus Diastasis Ratio) и объем грыжевого мешка, формируя прогностическое заключение о необходимости техники разделения компонентов (CST).
Результаты. Модель продемонстрировала стабильное обучение (потери на валидации: 0,0015). Качество сегментации грыжевого мешка составило 74,9%. Автоматический расчет RDR позволил корректно классифицировать тактику лечения для всех пациентов: при RDR>1,5 рекомендована простая пластика (40% пациентов), при RDR < 1,5 – CST (60% пациентов). Время анализа сокращено до 2–3 минут на пациента против 30–60 минут при ручной оценке.
Заключение. Предложенный метод на основе сверточной нейронной сети U-Net позволяет автоматически выделять ключевые структуры передней брюшной стенки на КТ-изображениях. Это создает основу для разработки систем поддержки принятия решений, способных количественно оценивать параметры грыжевого дефекта и объективизировать предоперационное планирование.

1. Bosanquet DC, Ansell J, Abdelrahman T, et al. Systematic Review and Meta-Regression of Factors Affecting Midline Incisional Hernia Rates: Analysis of 14,618 Patients. PLoS One. 2015; 10(9): e0138745. doi: 10.1371/journal.pone.0138745.

2. Павелец К.В., Вавилова О.Г., Лобанов М.Ю. и др. Особенности предоперационной подготовки у пациентов с обширными и гигантскими послеоперационными вентральными грыжами // Вестник Санкт-Петербургской медицинской академии последипломного образования. – 2011. – Т.3 – №2. – С.32-36.

3. Тимербулатов Ш.В., Абдуллин У.М., Викторов В.В. и др. Интраабдоминальная гипертензия и абдоминальный компартмент-синдром. Обзор литературы // Креативная хирургия и онкология. – 2024. – Т.14 – №2. – С.174-179. doi: 10.24060/2076-3093-2024-14-2-174-179.

4. Лукоянычев Е.Е., Измайлов С.Г., Евсюков Д.А. и др. Возможности воздействия на системный уровень воспаления в острую фазу после протезирующей пластики брюшной стенки // Вестник НМЦХ им. Н.И. Пирогова. – 2022; 17(3): 53-58. doi: 10.25881/2078255_2022_17_3_53.

5. Ермолов А.С., Корошвили В.Т., Благовестнов Д.А. // Послеоперационные вентральные грыжи – нерешенные вопросы хирургической тактики // Журнал им. Н.И. Пирогова. – 2018. – №10. – С.81-86. doi: 10.17116/hirurgia201810181.

6. Кульберг Н.С., Решетников Р.В., Новик В.П. и др. Вариабельность заключений при интерпретации КТ-снимков: один за всех и все за одного // Digital Diagnostics. – 2021. – Т.2 – №2. – С.105-118. doi: 10.17816/DD60622.

7. Wang R, Mu Z, Wang J, et al. ASF-LKUNet: Adjacent-scale fusion U-Net with large kernel for multi-organ segmentation. Comput Biol Med. 2024; 181: 109050. doi: 10.1016/j.compbiomed.2024.109050.

8. Qin H, Long Y, Shengwei T, Cheng Z, YingYing Y, Lei Z. SEDyConv: Spatially enhanced multi-dimensional dynamic convolution for medical multi-organ segmentation in CTs. Knowledge-Based Systems. 2025; 323: 113707. doi: 10.1016/j.knosys.2025.113707.

9. Muysoms FE, Miserez M, Berrevoet F, et al. Classification of primary and incisional abdominal wall hernias. Hernia. 2009; 13(4): 407-14. doi: 10.1007/s10029-009-0518-x.

10. Нуднов Н.В., Коробов А.В., Скачков А.А. и др. Оценка качества работы искусственного интеллекта в выявлении дегенеративных заболеваний пояснично-крестцового отдела позвоночника // Вестник рентгенологии и радиологии. – 2024. – Т.105 – №1. – С.20-28. doi: 10.20862/0042-4676-2024-105-1-20-28.