{"id":13848,"date":"2025-05-22T10:32:43","date_gmt":"2025-05-22T08:32:43","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/analisi-e-interpretazione-delle-caratteristiche-radiomiche-da-mri-cerebrali-per-la-classificazione-dei-pazienti-con-demenza-riproducibilita-e-impatto-dei-metodi-di-elaborazione\/"},"modified":"2025-06-04T14:23:19","modified_gmt":"2025-06-04T12:23:19","slug":"analisi-e-interpretazione-delle-caratteristiche-radiomiche-da-mri-cerebrali-per-la-classificazione-dei-pazienti-con-demenza-riproducibilita-e-impatto-dei-metodi-di-elaborazione","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/analisi-e-interpretazione-delle-caratteristiche-radiomiche-da-mri-cerebrali-per-la-classificazione-dei-pazienti-con-demenza-riproducibilita-e-impatto-dei-metodi-di-elaborazione\/","title":{"rendered":"ANALISI E INTERPRETAZIONE DELLE CARATTERISTICHE RADIOMICHE DA MRI CEREBRALI PER LA CLASSIFICAZIONE DEI PAZIENTI CON DEMENZA: RIPRODUCIBILIT\u00c0 E IMPATTO DEI METODI DI ELABORAZIONE"},"content":{"rendered":"
\n
\n

\"\"\"\"<\/p>\n

AFFILIAZIONE<\/span><\/strong><\/p>\n

universit\u00e0 federico ii<\/p>\n


\nAUTORE PRINCIPALE<\/span><\/strong><\/p>\n

Dott.ssa Gambarota Maria Grazia<\/p>\n

VALUTA IL CHALLENGE
\n<\/span><\/strong><\/p>\n

Registrazione obbligatoria. Una valutazione consentita<\/em><\/div>\n
\t\t
\n\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogin<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tRegistrazione<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

login avvenuto<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogout<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<\/div>\n
[ratingwidget]<\/div>\n<\/div>\n
\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong><\/p>\n

Dott.ssa Gambarota Maria Grazia<\/strong> universit\u00e0 federico ii
\nDott.ssa Franzese Serena<\/strong> universit\u00e0 federico ii<\/p><\/div>\n

AREA TEMATICA<\/span><\/strong><\/p>\n

Applicazioni di intelligenza artificiale in sanit\u00e0<\/div>\n

ABSTRACT<\/span><\/strong><\/p>\n

Le malattie neurodegenerative sono tra le principali cause di demenza, una sindrome clinica sempre pi\u00f9 emergente per la sanit\u00e0 pubblica, con incidenza in rapido aumento nella popolazione anziana. La diagnosi precoce \u00e8 fondamentale, ma le metodologie attuali, basate su valutazioni cliniche qualitative e poco standardizzate, possono ritardare l\u2019identificazione della patologia. In questo contesto, la radiomica applicata alle immagini di risonanza magnetica (MRI) cerebrali rappresenta un approccio innovativo per individuare precocemente i segni di neurodegenerazione, offrendo una valutazione quantitativa e automatizzata. Tuttavia, l\u2019affidabilit\u00e0 clinica della radiomica dipende fortemente dalla riproducibilit\u00e0 delle caratteristiche, spesso influenzata dalle tecniche di acquisizione e pre-processing delle immagini. Utilizzando il dataset pubblico OASIS, composto da MRI T1-pesate di soggetti con e senza demenza, \u00e8 stato sviluppato un workflow che comprende: pre-processing, segmentazione automatica tramite reti neurali convoluzionali 3D, estrazione delle caratteristiche radiomiche e costruzione di modelli di machine learning. Questo studio analizza l\u2019impatto di tre pipeline di pre-processing sulla stabilit\u00e0 delle caratteristiche, valutata tramite il Coefficiente di Correlazione Intraclasse (ICC) e il Coefficiente di Concordanza di Classe (CCC), al fine di identificare la pipeline pi\u00f9 riproducibile e valutare quale gruppo, tra soggetti con e senza demenza, presenti maggiore stabilit\u00e0. Le regioni segmentate includono strutture coinvolte nei processi neurodegenerativi (ippocampo,lobi frontali e temporali), oltre al ponte, utilizzato come riferimento stabile. Sulle caratteristiche estratte sono stati costruiti modelli di machine learning per classificare automaticamente i soggetti con e senza demenza, testando diverse combinazioni di algoritmi, strategie di selezione delle caratteristiche e tecniche di cross-validation. L\u2019obiettivo \u00e8 stato identificare il modello pi\u00f9 efficace e le regioni cerebrali pi\u00f9 informative per la discriminazione. Le prestazioni sono state valutate tramite accuratezza, sensibilit\u00e0, specificit\u00e0 e AUC-ROC. Un\u2019analisi di Explainable AI ha individuato le caratteristiche pi\u00f9 influenti nella predizione della demenza, favorendo la trasparenza del modello e la sua applicabilit\u00e0 clinica. I risultati mirano a standardizzare le pipeline radiomiche nel neuroimaging e a integrare strumenti intelligenti utili al supporto della diagnosi precoce della demenza.<\/div>\n

 <\/p>\n

\n\n