Nasal pathology assessment through supervised learning on computational fluid dynamics data : a preliminary study

Otolaryngology, in particular rhinology, is a field of medicine in which diagnosis tools and techniques are mostly bound to the analysis of nasal cavities' morphology and overall airflow quality through outdated technologies, if compared to other medical branches. However, in recent years, with the growth and spread of computational power at hand, CFD (Computational Fluid Dynamics), has shown the possibility to enhance the rhinologic diagnosis with highly detailed simulations of patients' nasal cavities airflow. This powerful tool, however, poses the challenge of results interpretation, given the high dimensionality of data produced by these simulations and the lack of understanding, by both medical professionals and engineers, of the non-trivial correlation between these data and the presence of a pathological condition. In this setting ML (Machine Learning) could represent the key to craft a diagnosis tool which produces results of easier interpretability for the doctor. The aim of this thesis is to investigate the presence of information in CFD data that can relate to the existence of a pathological condition. To do so we created a simplified parametric nose model, which we modified accordingly to both pathological and non-pathological traits, and executed fluid dynamics simulations over it. From simulation data we extracted various features to finally propose the study of their predictivity in a Supervised Learning setting.

Se paragonata ad altre branche della medicina, l'otorinolaringoiatria, in particolare la rinologia, è ancora legata a tecniche piuttosto datate per lo studio della morfologia delle cavità nasali e della qualità del flusso d'aria nelle stesse. Negli ultimi anni, con l'aumento della potenza di calcolo comunemente a disposizione, la Computational Fluid Dynamics (CFD) ha aperto le porte al miglioramento delle tecniche di diagnosi rinologica tramite l'utilizzo di simulazioni altamente dettagliate del flusso d'aria nelle cavità nasali del paziente. Questo potente mezzo porta con sé il problema dell'interpretazione dei risultati, data l'elevata dimensionalità dei dati e la mancanza di comprensione, da parte di medici e ingegneri, della loro correlazione con la presenza di affezioni patologiche. In un contesto di questo tipo il Machine Learning (ML) può rappresentare un ingrediente chiave nella produzione di uno strumento di supporto alla diagnosi in grado di produrre risultati efficaci e di più facile interpretazione per il personale medico. Lo scopo di questa tesi è accertare la presenza di informazioni, nei dati provenienti dalla CFD, che possano essere correlate alla presenza di condizioni patologiche. Per fare ciò, abbiamo creato un modello semplificato e parametrico delle cavità nasali, che abbiamo poi replicato inserendo una serie di modifiche patologiche e non patologiche. In seguito, su ogni modello abbiamo eseguito una simulazione fluidodinamica. Infine, dai dati così ottenuti abbiamo estratto diverse feature con l'obiettivo di studiare la loro predittività in un contesto di Supervised Learning.