Machine Learning Techniques for the Assessment of AAA Rupture Risk
Notice bibliographique
Résumé
Recent clinical studies have shown that the maximum transverse diameter of an abdominal aortic aneurysm (AAA) alone, or in combination with its expansion rate are not entirely reliable indicators of rupture potential. We hypothesize that AAA shape, size, and wall thickness may be related to rupture risk and can be deciding factors in the clinical management of the disease. A non-invasive, image-based evaluation of AAA size and geometry was implemented using an in-house code (AAAVASC v1.0, Carnegie Mellon University) on a retrospective study of 88 subjects. The contrast enhanced, computed tomography (CT) scans of 44 patients who suffered AAA rupture within 1 month of the scan were compared to those of 44 patients who received elective repair. The images were segmented and three-dimensional models were generated. Twenty-eight geometry-based indices were calculated to characterize the size and shape of each AAA and estimate regional variations in wall thickness. A multivariate analysis of variance was performed for all indices comparing the ruptured and non-ruptured data sets to determine which indices were statistically significant. A classification model was created using a J48 decision tree algorithm and its performance was assessed using 10-fold cross validation. The model correctly classified eighty-six data sets and had an average prediction accuracy of 74% (κ = 0.69). Such a decision model can be used in a clinical setting to assess the risk of AAA rupture with minimal user intervention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».