Prediction of pathologies of human nose by machine learning with flow physics

Computational fluid dynamics is expected to play a crucial role to diagnose a condition of human nose. The detailed information and solutions provided by numerical simulations enable us to not only analyze flow characteristics but also visualize flow fields in an understandable manner. However, it is also true that we often have to include experted knowledge to achieve a precise assessment since there are considerable uncertainties caused by the difficulty of diagnosis for human nose. We here consider the use of data-driven frameworks for diagnosing nasal pathologies. Geometries and flow fields of 200 different noses, half of them exhibit some degree of turbinate hypertrophy, are utilized to predict their pathological parameters. First, the geometrical characteristics of the noses are extracted as a functional map between a reference healthy nose and other noses. The functional maps are then used to train neural networks and to predict pathological parameters. Three different machine learning models with different inputs and configurations are trained to examine the predictability of the methods for the pathologies. In addition to the prediction based on the geometric information, we also consider the utilization of flow measurements such as pressure and wall shear stress. The flow fields are considered as a function defined on nose which can be expressed by linear combinations of eigenfunctions of Laplace-Beltrami operator. The present results show reasonable agreements with the reference pathologies. We also find that the prediction performance can significantly be improved by including flow information as the input of machine learning models.

La fluidodinamica computazionale svolge un ruolo cruciale nella diagnosi delle patologie delle vie aeree superiori. Le informazioni dettagliate fornite dalle simulazioni numeriche permettono di analizzare le caratteristiche del flusso e di visualizzarne i campi. Tuttavia, l’analisi dei soli campi fluidodinamici spesso non è sufficiente per una precisa diagnosi delle patologie nasali, che richiede la valutazione di un esperto chirurgo otorinolaringoiatra. L'obiettivo di questo lavoro è lo sviluppo di una procedura data-driven per la diagnosi delle patologie nasali. Il database preso in considerazione è composto da 200 simulazioni fluidodinamiche di 200 diverse geometrie, la metà delle quali presenta un certo grado di ipertrofia dei turbinati, la restante parte, invece non presenta alcuna patologia. In primo luogo, le caratteristiche geometriche dei nasi sono estratte tramite l'uso delle mappe funzionali, che permettono il confronto tra un naso di riferimento ed il restante dataset. Le mappe funzionali sono poi utilizzate per addestrare reti neurali e fare predizione sui parametri patologici.Oltre alle predizioni basate sulle informazioni puramente geometriche, è stato valutato l'uso di variabili fluidodinamiche come la pressione e lo sforzo di taglio a parete. I campi fluidodinamici sono considerati come una funzione definita sulla superficie del naso che può essere espressa da una combinazione lineare delle autofunzioni dell'operatore di Laplace-Beltrami. I primi risultati sono incoraggianti e mostrano che è possibile predire patologie nasali con grande precisione, ottenendo performance migliori quando vengono considerati gli input fluidodinamici.