Video Experimental Relacionado
Updated: May 8, 2026
14:27
Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.8K
Diagnóstico precoz de trastornos neurocognitivos asociados al VIH a través de modelos de aprendizaje múltiple basados
Chuanke Hou1, Meng Zhang2, Xingyuan Jiang1
1Department of Radiology, Beijing Youan Hospital, Capital Medical University, Beijing, China.
Quantitative imaging in medicine and surgery
|September 2, 2025
Resumen
Este estudio desarrolló un modelo de aprendizaje automático utilizando resonancia magnética funcional en estado de reposo y radiómica para diagnosticar con precisión el deterioro neurocognitivo asintomático (ANI) en personas que viven con VIH (PLWH). El modelo es prometedor para el diagnóstico clínico objetivo de los trastornos neurocognitivos asociados al VIH (TAN).
Área de la Ciencia:
- La neurociencia
- Radiología
- Aprendizaje automático
Sus antecedentes:
- Las personas que viven con el VIH (PLWH) son susceptibles a los trastornos neurocognitivos asociados al VIH (HAND).
- El deterioro neurocognitivo asintomático (ANI) es la etapa más temprana de HAND, lo que requiere métodos de diagnóstico precisos para una intervención oportuna.
- La resonancia magnética funcional en estado de reposo (rs-fMRI) ofrece el potencial para identificar cambios neurológicos sutiles.
Objetivo del estudio:
- Identificar las características de diagnóstico para el deterioro neurocognitivo asintomático (ANI) utilizando rs-fMRI y radiómica.
- Desarrollar y evaluar modelos de clasificación de aprendizaje automático para la detección de ANI.
- Establecer un método fiable para el diagnóstico precoz de HAND.
Principales métodos:
- Se extrajeron características de resonancia magnética funcional y radiómica de 74 pacientes con ANI y 78 personas con VIH pero sin trastornos neurocognitivos (PWND, por sus siglas en inglés).
- Se utilizó el operador de contracción y selección mínimos absolutos (LASSO) para la selección de características.
- Se emplearon cinco clasificadores de aprendizaje automático para construir modelos rs-fMRI, radiómicos y combinados, con un rendimiento evaluado por AUC, precisión, sensibilidad y especificidad.
Principales resultados:
- Se seleccionaron veintiún valores de señal rs-fMRI y 28 características radiómicas.
- Los modelos combinados demostraron un rendimiento excepcional, con el modelo de bosque aleatorio (RF) logrando un AUC de 0,902 en el conjunto de validación.
- Tres características clave diferenciaron significativamente a ANI de PWND y se correlacionaron con el rendimiento cognitivo.
Conclusiones:
- El modelo combinado de RF proporciona un método altamente preciso y confiable para el diagnóstico objetivo de ANI en entornos clínicos.
- Este enfoque ofrece una forma novedosa de caracterizar el deterioro funcional del cerebro y la fisiopatología en pacientes con ANI.
- Las futuras investigaciones y esfuerzos clínicos deben centrarse en las regiones frontoparietal y estriado de la ANI.
