Clasificación del estado de ruptura de aneurismas cerebrales basada en la caracterización morfológica y hemodinámica mediante Machine Learning

Abstract

Los aneurismas cerebrales son dilataciones patológicas localizadas de la pared arterial cerebrovascular. Su ruptura puede causar daño permanente e incluso la muerte. La evolución hasta la eventual ruptura es un proceso complejo y poco predecible. A su vez, su intervención conlleva un riesgo para el paciente. Dado esto, es clave reconocer a tiempo aquellos con mayor riesgo de ruptura. Actualmente esto se hace mediante factores de riesgo. Sin embargo, debido a su naturaleza impredecible, no es posible determinar con certeza absoluta su desenlace, ya sea que se intervenga o no. Es por ello que constituyen un desafío importante en medicina. En este trabajo se generan modelos de machine learning para clasificar el estado de ruptura de aneurismas cerebrales. Para ello se utilizan datos de 9 parámetros morfológicos y 6 atributos hemodinámicos, junto con el estado de ruptura, como caracterización de 71 aneurismas cerebrales, teniendo 36 no rotos y 35 rotos. Los 15 atributos morfológicos y hemodinámicos se obtienen a partir de geometrías CAD y simulaciones CFD respectivamente. Para desarrollar los modelos de clasificación binaria se usan 8 algoritmos de machine learning en paralelo. La clasificación se evalúa por validación cruzada con 10 particiones y con la exactitud como métrica. Inicialmente se evalúa el desempeño en 9 conjuntos que incorporan o seleccionan distintos atributos. Luego se prueban 8 transformaciones de datos aplicadas al conjunto de los 15 atributos. A continuación se realiza una búsqueda exhaustiva en las 8 transformaciones y los 15 atributos, para hallar los subconjuntos que maximizan la exactitud. Después se analizan los subconjuntos asociados a los modelos que logran una exactitud mínima de 80 % con reglas de asociación. Luego se hace una optimización de hiperparámetros de los mejores modelos por algoritmo. Finalmente se evalúan estos modelos mediante validación cruzada usual y estratificada con más métricas. Los resultados validan la selección de atributos según significancia estadística e incorporación de otros atributos como la ubicación y la multiplicidad. El desempeño mejora al usar transformaciones, destacándose la estandarización y exceptuándose la normalización. La búsqueda exhaustiva eleva la exactitud, logrando el máximo con Gradient Boosting y las transformaciones cuantil normal y uniforme. Los subconjuntos hallados sugieren el uso combinado de atributos morfológicos y hemodinámicos. Las reglas de asociación resaltan el valor individual del ángulo de flujo y el uso de ciertos atributos hemodinámicos en conjunto con otros atributos morfológicos y hemodinámicos. Vía optimización de hiperparámetros no se logra una mejora. La mayor exactitud alcanzada es de 88,8 %±8,5 % en validación cruzada. Se logra una sensibilidad máxima de 85,0 %±15,3 % y una AUC de la curva ROC máxima de 90,2 %±16,1 % en la variante estratificada. Esto evidencia el potencial de la caracterización morfológica y hemodinámica para discriminar el estado de ruptura vía machine learning.