Predicción de la edad basada en el aprendizaje automático con selección de subconjuntos de características a partir...

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.