Machine learning per la diagnosi della malformazione di Arnold-Chiari: rilevanza dei sintomi e dei parametri morfologici = Machine learning for the diagnosis of Arnold-Chiari malformation: relevance of symptoms and morphological parameters.

La sindrome di Arnold-Chiari è una malformazione della fossa cranica posteriore e come molte altre malattie rare è ancora oggi oggetto di ricerca. Il metodo di diagnosi attuale consiste nella visualizzazione di immagini di risonanza magnetica sagittale dei pazienti e nell’identificazione manuale della malformaziona da parte dei neurochirurghi: questo approccio, però, è soggettivo ed esposto ad un certo grado di incertezza. Per questo motivo, l’utilizzo di metodi automatici di diagnostica potrebbe aumentare l’accuratezza e l’efficacia nella diagnosi e nella cura. Questa tesi ha lo scopo di indagare l’utilità dei parametri morfologici tramite il confronto di tre differenti reti neurali con dati di input differenti: •??la prima analizzerà soltanto i parametri morfologici; •??la seconda analizzerà soltanto la sintomatologia preoperatoria; •??la terza analizzerà entrambi i fattori. Le immagini di risonanza magnetica sono sopposte a pre-processing e segmentazione delle aree cerebrali di interesse quali cervello, fossa posteriore e cervelletto. Successivamente, vengono ricavati i parametri morfologici caratteristici, derivanti dalla geometria della fossa cranica posteriore e dalla misura delle aree delle tre strutture cerebrali di interesse. I sintomi invece sono estratti direttamente dalle cartelle cliniche dei medesimi pazienti. L’obiettivo finale del progetto è quello di poter fornire una previsione affidabile dell’outcome dell’intervento di decompressione cranio-cervicale e di definire quale sia il percorso di cura più adeguato per ogni singolo paziente.