Aprendizaje automático y análisis estadístico para la evaluación de riesgo de rotura y comportamiento biomecánico de aneurismas intracraneales
Se estima que el 2 %-3% de de la población mundial presenta aneurismas intracraneales. Aunque los mismos suelen ser asintomáticos, la rotura y consecuente hemorragia del mismo, ponen en gran riesgo la vida de las personas, con tasas de mortalidad cercanas al 50 %. Junto a otros accidentes cerebro va...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2021
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1018/1/1Camussoni.pdf |
| Aporte de: |
| Sumario: | Se estima que el 2 %-3% de de la población mundial presenta aneurismas intracraneales. Aunque los mismos suelen ser asintomáticos, la rotura y consecuente hemorragia del mismo, ponen en gran riesgo la vida de las personas, con tasas de mortalidad cercanas al 50 %. Junto a otros accidentes cerebro vasculares, representan la tercer causa de muerte en argentina. Sumado a esto, no existen al presente marcadores genéticos claros, ni factores de riesgo que in fluyan en el crecimiento y rotura de un aneurisma, existiendo variaciones significativas en la bibliografía. Entonces, existe el dilema de realizar una posible intervención quirúrgica innecesaria, de alta morbilidad, frente al riesgo que
involucra la rotura del mismo.
En el presente proyecto, se desarrollaron técnicas de aprendizaje automático para la clasificación del estado de rotura de aneurismas de la base de datos de Aneurisk. Para esto, se realizo una búsqueda exhaustiva de atributos relevantes al estado de rotura de aneurisma en antecedentes. Además, se desarrollaron técnicas de ingeniera de atributos como ser RFE y SPEC. Por otro lado, se utilizaron técnicas de reducción de dimensionalidad como ser UMAP, Isomap, PCA y el uso de un autoencoder. Finalmente, se generaron datos artificiales mediante la salida de un autoencoder. Los clasificadores propuestos fueron LR, KNN, SVC, XGB, GL y LGL, para los cuales se obtuvieron rendimientos máximos según AUC de 0.79, 0.79, 0.78, 0.8, 0.79, 0.82 para los clasificadores, respectivamente, para los datos de generalización.
Por otro lado, se realizaron análisis estadísticos de los atributos obtenidos de un modelo biomecánico de laminas delgadas de Kircho-Love desarrollado en el proyecto PICTO-2016-0054, que enmarca el presente proyecto. Se encontró la dimensión intrínseca de los datos de salida, que resulto de 3, donde se utilizaron técnicas como PCA local, error de reconstrucción y la correlación de dimensión. En consiguiente, se realizo una reducción de dimensionalidad con Isomap a n de identificar propiedades de los atributos de salida. Se utilizo el aneurisma 34 como caso de estudio. En este, se idéntico que los efectos de pandeo están asociados a grandes curvaturas máximas, grandes relaciones de desplazamiento máximo y medio y grandes energías de membrana. Dichos resultados, fueron consistentes para los aneurismas 14, 42 y 90, como casos de control. |
|---|