Vertebral artery fusiform aneurysm geometry in predicting rupture risk
Notice bibliographique
Résumé
Cerebral aneurysms affect a significant portion of the adult population worldwide. Despite significant progress, the development of robust techniques to evaluate the risk of aneurysm rupture remains a critical challenge. We hypothesize that vertebral artery fusiform aneurysm (VAFA) morphology may be predictive of rupture risk and can serve as a deciding factor in clinical management. To investigate the VAFA morphology, we use a combination of image analysis and machine learning techniques to study a geometric feature set computed from a depository of 37 (12 ruptured and 25 un-ruptured) aneurysm images. Of the 571 unique features we compute, we distinguish five features for use by our machine learning classification algorithm by an analysis of statistical significance. These machine learning methods achieve state-of-the-art classification performance (81.43 ± 13.08%) for the VAFA morphology, and identify five features (cross-sectional area change of aneurysm, maximum diameter of nearby distal vessel, solidity of aneurysm, maximum curvature of nearby distal vessel, and ratio of curvature between aneurysm and its nearby proximal vessel) as effective predictors of VAFA rupture risk. These results suggest that the geometric features of VAFA morphology may serve as useful non-invasive indicators for the prediction of aneurysm rupture risk in surgical settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».