JoVE - Journal of Visualized Experiments
JoVE Visualize
Contact Us
Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

Predicción de la edad basada en el aprendizaje automático con selección de subconjuntos de características a partir de datos de angiografía por resonancia magnética

  • 0Medical Artificial Intelligence Laboratory, Division of Digital Healthcare, College of Software and Digital Healthcare Convergence, Yonsei University, Wonju, Korea.
Healthcare Informatics Research +

|

21 de agosto de 2025

|

21 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este resumen es generado por máquina.

Los modelos de aprendizaje automático pueden predecir la edad vascular utilizando mediciones de la arteria cerebral. La selección de características mejoró la precisión, destacando la tortuosidad como un indicador clave del envejecimiento vascular.

Área De La Ciencia

  • Imágenes neurológicas
  • Ingeniería biomédica
  • Inteligencia artificial

Sus Antecedentes

  • La evaluación de la salud cerebrovascular es crucial para las poblaciones que envejecen.
  • La angiografía por resonancia magnética (MRA) proporciona datos detallados de las arterias intracraneales.
  • El aprendizaje automático (ML) ofrece potencial para analizar características vasculares complejas.

Objetivo Del Estudio

  • Evaluar la eficacia del modelo ML en la predicción de la edad vascular utilizando datos MRA.
  • Para identificar las características vasculares críticas para la predicción de la edad.
  • Evaluar el impacto de la selección de características en la precisión de la predicción.

Principales Métodos

  • Análisis de los datos 3D del tiempo de vuelo de 171 sujetos.
  • Extracción de 169 características, incluidas las métricas de tortuosidad y diámetro.
  • Formación y validación de cinco modelos ML con selección de características basada en la correlación (CFS) y Relief-F.

Principales Resultados

  • El modelo forestal aleatorio con un subconjunto de características seleccionadas por CFS obtuvo el mejor rendimiento (RMSE: 14,0 años, R2: 0,275).
  • Las métricas de tortuosidad se identificaron como predictores más significativos que las estadísticas de diámetro.
  • La selección de características mejoró el rendimiento del modelo ML en comparación con el uso de todas las características extraídas.

Conclusiones

  • La predicción de la edad basada en ML utilizando características arteriales intracraneales es factible.
  • Los métodos de selección de características como CFS mejoran la precisión de la predicción.
  • La tortuosidad vascular es un factor clave para predecir la edad vascular.

Palabras clave: