مقالة بحثية

تعزيز تشخيص آلام أسفل الظهر الناتجة عن القرص المنشأ: نموذج غابة عشوائي مفسر بواسطة SHAP مع تصوير أشعة الرنين المغناطيسي للعمود الفقري القطني T2

DOI:

10.3791/69238

⸱

فبراير 13, 2026

 ,  ,  ,  , 
1Department of Spine Surgery, Nantong First People's Hospital, Southeast University, 2Research Institute for Spine and Spinal Cord Disease of Nantong University

* These authors contributed equally

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعزز هذه الدراسة تشخيص آلام أسفل الظهر الدوجي (DLBP) باستخدام بيانات الرنين المغناطيسي للعمود الفقري القطني T2، والأشعة البصرية، ونموذج الغابة العشوائية مع تحليل SHAP، محققة دقة عالية وقابلية تفسير لتحسين اتخاذ القرار السريري.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد ألم أسفل الظهر (LBP) سببا رئيسيا للإعاقة وتدهور جودة الحياة على مستوى العالم، حيث يشكل ألم أسفل الظهر الناجم عن القرص (DLBP) نسبة 39٪ من الحالات. التشخيص الدقيق لأسباب LBP يمثل تحديا بسبب نقص الطرق الموثوقة. تهدف هذه الدراسة إلى تحسين كفاءة تشخيص DLBP باستخدام بيانات الرنين المغناطيسي T2 للعمود الفقري القطني مع الأشعة وتعلم الآلة. حللت هذه الدراسة الاستعادية بيانات الرنين المغناطيسي من 81 مريضا ب DLBP و162 ضابطا صحيا. تم استخراج ميزات التصوير الإشعاعي، والبيانات السريرية، وميزات تصوير المناطق عالية الشدة (HIZ). تم تقسيم البيانات إلى أربع مجموعات (d0، d1، d2، D)، وتم بناء 20 نموذجا تنبؤيا باستخدام الغابة العشوائية (RF)، شجرة القرار (TREE)، آلة متجه الدعم (SVM)، أقرب الجيران (KNN)، والانحدار اللوجستي (LOG). تم تقييم أداء النموذج باستخدام مساحة خاصية تشغيل المستقبل (ROC) تحت المنحنى (AUC)، واستدعاء الدقة (PR) AUC، والدقة، والحساسية، والنوعية، والقيمة التنبؤية الموجبة (PPV)، والقيمة التنبؤية السلبية (NPV)، ودرجة F1. تم تطبيق إكسبلايشن الإضافي لشابلي (SHAP) لتفسير أهم السمات. أظهر فريق راندوم فورست في المجموعة D أفضل أداء، حيث حصلت على نقاط الاستقبال العشوائية في الجمهورية 0.9861 (القطار) و0.9580 (اختبار)، ونقاط التوقيت الثانوي 0.9813 و0.9179، ودرجات F1 0.9254 و0.8148 على التوالي. حدد تحليل SHAP أن الكورتوزيس من الدرجة الأولى هو السمة الأهم التي تساهم في تشخيص DLBP. حسن نموذج الغابة العشوائية مع تحليل SHAP بشكل كبير تشخيص DLBP، مقدما أداء عاليا وقابلية تفسير لتعزيز اتخاذ القرار السريري.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مع تفاقم شيخوخة السكان وانتشار وضعيات الجلوس غير الصحيحة في العمل والحياة اليومية، يزداد عدد المرضى الذين يعانون من آلام أسفل الظهر (LBP) عاما بعد عام. متوسط انتشار LBP في السكان البالغين عموما هو حوالي 12٪، مع لوحظة انتشار أعلى بين الأفراد الذين تبلغ أعمارهم 40 عاما أو أكثر ولدى النساء، بمعدل انتشار مدى الحياة يبلغ حوالي 40٪2. من بين جميع حالات LBP، يشكل ألم أسفل الظهر الناجم عن القرص (DLBP) حوالي 39٪، ويكون سببه معقدا ومتنوعا، وغالبا ما يرتبط بتدهور القرص، خاصة التمزقات الحلقية التي تصل إلى الحلقة الخارجية للقرص 3,4,5. زيادة ضغط القرص تحفز نهايات الأعصاب التي تحسس بواسطة الوسطاء الالتهابيين، مما يؤدي إلى ألم القرصالمنشأ 5,6.

حاليا، تعتبر الديسكوغرافيا المعيار الذهبي لتشخيص DLBP، مما يؤكد الأسباب من خلال إثارة ألم الأقراصالمنشأ 7. ومع ذلك، فإن صلاحية وسلامة الفيروس موضع تساؤلات بسبب احتمال حدوث إيجابيات كاذبة وخطر تسريع تدهور القرص، مما يحد من تطبيقه السريري 5,8. تشير المنطقة عالية الشدة (HIZ) إلى الإشارات عالية الشدة في الحلقة الخلفية في صور الرنين المغناطيسي المرجحة بوزن T2، والتي تتميز مرضيا بتمزقات أو تمزقات حلقية5،8،9. على الرغم من أن العلاقة بين HIZ وDLBP قد درست على نطاق واسع، إلا أن HIZ لها تخصصية منخفضة وهي شائعة أيضا لدى الأفراد الذين لا تظهر عليهم أعراض، وغالبا ما تؤدي إلى تشخيص خاطئ10، 11، 12، 13. في الصور المرجحة ب T2 لمرضى مرض القرص القطني التنكسي (LDDD) وLBP المزمن، تظهر معظم الأقراص المتدهورة انخفاض شدة الإشارة14. وفقا لتصنيف Pfirrmann وآخرين، يتم تصنيف تدهور القرص من I (القرص الطبيعي) إلى V (التنكس الشديد)14. يستخدم التصوير المرجح بالسكري على نطاق واسع في الدراسات متعددة الوسائط لتشخيص وتقييم LDDD وLBP، مما يوفر رؤى حاسمة حول تدهور القرص وأهميته السريرية15،16. ومع ذلك، فإن انخفاض شدة الإشارة لا يعكس بدقة التغيرات الشكلية في القرص ولا يرتبط كثيرا بدرجة الألم التي يسببها DLBP 17,18,19.

حاليا، يعتمد اتخاذ القرار السريري لمرض DLBP بشكل أساسي على التقييم الذاتي للأطباء الذين يركزون على عوامل مثل HIZ، ارتفاع القرص، الأقراص السوداء، أو تغيرات الإشارة في القرص20,21. تشمل الاعتبارات الإضافية عمر المريض، الجنس، الطول، الوزن، ومؤشر كتلة الجسم (BMI). مدة وشدة LBP أيضا ضمن نطاق الاعتبار. قد تؤدي هذه الطريقة التشخيصية، التي تعتمد على التقييم الذاتي، إلى خطط علاج خاطئة. لذلك، فإن تطوير أداة تشخيصية فعالة لتحسين كفاءة تشخيص DLBP أمر عاجل4.

يلعب الرنين المغناطيسي، كتقنية تصوير غير جراحية، دورا مهما في تشخيص LBP. على وجه الخصوص، يوفر التصوير المحوري المرجح بT2 (T2WI)، مع تباين الأنسجة العالي، معلومات فسيولوجية أكثر دقة وحالة مرضية للقرص مقارنة بالتصوير المقطعي المحوسب التقليدي (CT)22,23. تحليل ميزات الراديوميكس، من خلال تحويل بيانات الصور من الرنين المغناطيسي والتصوير المقطعي المحوسب وغيرها، إلى ميزات كمية للتحليل الرياضي المتقدم، يوفر أداة قوية لتقييم وتفسير الصور الطبية24. يمكن لهذه الطريقة تقليل التحيزات الناتجة عن التحليل الذاتي، مما يعزز دقةواتساق نتائج التشخيص.

في السنوات الأخيرة، جلبت تقنيات الذكاء الاصطناعي وتعلم الآلة في تحليل التصوير الطبي أملا جديدا في تشخيص المرض26. من خلال تعزيز دقة التشخيص، وأتمتة سير العمل السريري، وتمكين استراتيجيات العلاج الشخصية، تحدث تقنيات الذكاء الاصطناعي تغييرا عميقا في مشهد الرعاية الصحية الذكية27. في تشخيص DLBP، يحمل دمج الراديوميكس مع خوارزميات التعلم الآلي إمكانات كبيرة لتحسين دقةوكفاءة التشخيص. ومع ذلك، فإن الطبيعة "الصوفية السوداء" لنماذج التعلم الآلي المعقدة تحد من قابليتها السريرية للتطبيق، مما يجعل الذكاء الاصطناعي القابل للتفسير (XAI) مكونا حيويا في أنظمة دعم القرار السريري29. طريقة تفسيرية قائمة على نظرية الألعاب تعتمد على تفسير شابلي الإضافي (SHAP)، تقيس مساهمة كل ميزة وتأثيرها على توقعات النماذج التشخيصية، مما يجعل نماذج التعلم الآلي المعقدة أكثر شفافية وقابلية للتفسير30. أصبحت واحدة من أكثر تقنيات XAI استخداما في أنظمة دعم القرار السريري، مما عزز ثقة الأطباء وقبولهم لأنظمة الذكاء الاصطناعي29.

طورت هذه الدراسة خوارزمية الغابة العشوائية التي تدمج الراديوميكس وتحليل تفسير SHAP، مما حسن بشكل كبير كفاءة تشخيص DLBP مقارنة بالتقييمات الذاتية التقليدية. علاوة على ذلك، تعزز طريقة تفسير SHAP شفافية توقعات النموذج التشخيصي، مما يعزز ثقة الأطباء في التشخيص ويحسن دقة اتخاذ القرار السريري. تفترض هذه الدراسة أن هذا النموذج سيقلل من المعاناة غير الضرورية الناتجة عن التشخيص الخاطئ وتأجيل العلاج، ويعزز تقدم العلاج الشخصي، وفي النهاية يحسن نتائج العلاج العامة للمرضى.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

الاعتبارات الأخلاقية والسكان الدراسيين
تمت الموافقة على هذه الدراسة الاستعادية من قبل لجنة الأخلاقيات المؤسسية. تم التنازل عن الموافقة المستنيرة، حيث تم إخفاء هوية جميع المعلومات الصحية المحمية. تكونت مجموعة الدراسة من مرضى تم استرجاعهم من قاعدة بيانات التصوير في مستشفى فيرست بيبول في نانتونغ، الذين خضعوا لتصوير بالرنين المغناطيسي للعمود الفقري القطني بسبب آلام أسفل الظهر بين يناير 2022 وديسمبر 2023. كما تم جمع الميزات السريرية للمرضى (الجدول 1).

معايير الإدراج والاستبعاد
المعيار التشخيصي الحالي ل DLBP يتبع طريقة الديسكوغرافيا لعام 1995 من الجمعية الدولية لدراسة الألم، والتي تسبب الألم من خلال زيادة الضغط لكنها غير مقبولة على نطاق واسع بسبب تدخلها العالي8. لذلك، اعتمدت هذه الدراسة اختبار استفزاز ألم القرص المقيد أثناء العملية كطريقة تشخيصية لعلاج DLBP، متوافقا مع مبادئ التصوير مع تقليل المزيد من تلف القرص والمضاعفات31. شمل الإجراء المرضى في وضعية الاستلقاء تحت التخدير الشوكي، مع تحديد موقع القرص القطني المستهدف باستخدام توجيه الأشعة السينية بواسطة الذراع C. تم إدخال إبرة 18 G (<22 G) عبر اقتراب خلفي جانبي في النواة البلبوسية المركزية، متجنبا جذور الأعصاب والكيس الجافية. بعد تأكيد وضع الإبرة، تم حقن التباين الملحي أو غير الأيوني (مثل الإيوهكسول) بمعدل لا يتجاوز 0.5 مل/دقيقة، مع ضغط أقل من 50 psi وحجم حقن إجمالي أقل من 3 مل، لمحاكاة زيادة الضغط داخل القرص وإثارة أعراض ألم أسفل الظهر المألوفة، مع درجة مقياس الرؤية التناظرية (VAS) ≥ 7.

معايير إدراج مجموعة DLBP: المرضى المشمولون هنا خضعوا لفحص الرنين المغناطيسي، ويعانون من ألم متكرر في أسفل الظهر لأكثر من 3 أشهر، مع فشل علاج محافظ، مع أو بدون تنميل في الطرف السفلي أو ألم مشع، وكانت النتائج إيجابية لاختبار تحفيز ألم القرص أثناء العملية.

معايير الإدراج في مجموعة غير DLBP: خضع المرضى المشمولون هنا للتصوير بالرنين المغناطيسي؛ لا يوجد لديهم تاريخ من آلام أسفل الظهر خلال 3 أشهر أو أشخاص أصحاء يخضعون للفحص السريري؛ لا توجد أي تشوهات في الرنين المغناطيسي؛ ولديهم تقييم موحد مع مؤشر الإعاقة في أوسويستري (ODI) <10 وVAS ≤2.

معايير الاستبعاد: استبعاد المرضى الذين لديهم أسباب أخرى لآلام أسفل الظهر، مثل انزلاق القرص الكبير الذي يضغط الأعصاب، الكسور، التهابات العمود الفقري، تقشر الفقار، الأورام، هشاشة العظام، أو أمراض العظام الأيضية؛ تاريخ الجراحة قبل الفحص؛ صور غير واضحة أو ذات جودة ضعيفة؛ عدم القدرة على تحديد منطقة الاهتمام (ROI).

في النهاية، تم تضمين 243 مريضا، منهم 81 مريضا من DLBP و162 ضابطا.

معلمات الرنين المغناطيسي
خضع جميع المرضى المشاركين في هذه الدراسة لأشعة الرنين المغناطيسي بحجم 3.0 تس، باستخدام تسلسلات شملت التصوير المرجح بوزن T1 السهمي والمحوري (T1WI) والتصوير المرجح للT2 (T2WI). تم استخدام ثلاث أجهزة تصوير بالرنين المغناطيسي المختلفة في الدراسة: سيمنز فيريو، سيمنز بريزما، وفيليبس إنجينيا CX. تم ضبط معلمات المسح كما يلي: بالنسبة للطائر الوهمي T2WI، تراوحت مدة TR من 2000 إلى 4597 مللي ثانية، وTE من 90 إلى 120 مللي ثانية، وسماكة الشريحة من 4.0 إلى 4.8 ملم، مع تضمين 15 شريحة، وعرض النطاق من 250 هرتز إلى 340 هرتز، وحجم المصفوفة 384 × 384 أو 512 × 512، ونسبة مجال رؤية الطور 100٪، ومجال رؤية للقراءة بحجم 300 مم.

تتميز تقنية HIZ Imaging بالقياس والإحصائيات
استخدمت هذه الدراسة برنامج 3D Slicer (الإصدار 5.6.1، https://download.slicer.org/?version=5.6.1) لتحليل صور التصوير القطني الموزونة بالرنين المغناطيسي T2 يدويا من 243 مريضا ومجموعة تحكم. كان سير عمل معالجة البيانات كما يلي: تم استيراد الصور باستخدام وظيفة Add DICOM Data في برنامج 3D Slicer. تم إجراء القياسات باستخدام وظيفة Markups بواسطة طالبين دراسات عليا في أبحاث العمود الفقري تحت إشراف أطباء أشعة وجراحي عمود فقري لديهم أكثر من 10 سنوات من الخبرة السريرية. تم حل الفروقات في القياسات من خلال التشاور مع الطبيبين. تم متوسط جميع قيم القياس بواسطة اثنين من الإحصائيين لضمان الدقة. في الصور السهمية، تم قياس القطرين القصويين المتعامدين لمنطقة الشدة العالية (HIZ)، وعرفوا بأنه Hizh (الاتجاه العمودي القريب) وHizw (الاتجاه الأفقي القريب). تم استخدام دالة التقسيم لتحديد منطقة HIZ، وتم حساب مساحة أبرز HIZ على مستوى السهمية، ويرمز إليها ب Hizarea. في الصور المحورية، تم قياس أقصى طول لمؤشر HIZ، ويسمى Hizl. بالإضافة إلى ذلك، تم تعريف ثلاثة متغيرات ثنائية: Hiz (وجود HIZ)، الآخر (وجود HIZ متعدد الأجزاء)، والموقع (ما إذا كان HIZ يعبر الخط الأوسط الخلفي) (الجدول 2).

تتميز الراديوميكس بالاستخراج والتوحيد
لدمج العملية المحددة لإعادة أخذ حجم القياس في سياق معالجة صور التصوير المرجحة بالرنين المغناطيسي القطني T2 من 243 مريضا ومجموعة الضباط باستخدام 3D Slicer، تم اتباع الخطوات التفصيلية التالية: بدأت العملية باستيراد صور التصوير القطني الموزون بوزن T2 إلى 3D Slicer. لضمان الاتساق وتقليل تحيز التباين، تم إعادة أخذ عينات جميع الصور إلى حجم فوكسل 0.6 × 0.6 × 0.6 مم باستخدام وحدة حجم القياس Resample . الخطوات المحددة كانت: التنقل إلى قسم الوحدات واختيار إعادة تسمية حجم القياس. تحت مجموعة المعلمات، تأكد من اختيار حجم العينة القياسي لإعادة العينة . في قسم معايير إعادة العينة ، اضبط التباعد إلى 0.6، 0.6، 0.6 لتحديد أبعاد الفوكسل المستهدفة. اختر طريقة استيفاء مناسبة من خيارات مثل خطي، أقرب جار، bspline، هامينغ، جيب تمام، ويلش، لانكوزوس، أو بلاكمان، مع الخط كخيار افتراضي. بالنسبة لحجم الإخراج، اختر أو أنشئ حجما جديدا لتخزين البيانات التي تم إعادة الأخذ معها. بعد التحقق من الإعدادات، اضغط على تطبيق لتنفيذ عملية إعادة العينة.

بعد إعادة العينة، قام طالبان دراسات عليا في أبحاث العمود الفقري، بتوجيه من أطباء أشعة وجراحي عمود فقري لديهم أكثر من 10 سنوات من الخبرة، بإجراء تحديد شبه تلقائي لمنطقة الاهتمام (ROI). تم حل التناقضات من خلال التشاور. الخطوات المحددة كانت: اختيار الطبقة (تم إعادة أخذ حجم جديد)، إنشاء طبقة تقسيم جديدة، واستخدام دالة الرسم للتحديد طبقة بطبقة. استخدم وظيفة التعبئة بين الشرائح لتعبئة الطبقات الداخلية. قم بتنعيم العائد على الاستثمار المشكل باستخدام طريقة التلميم الوسيط بحجم نواة 3.0 مم، 5 × 5 بكسل. باستخدام مكتبة PyRadiomics، تم استخراج 107 ميزات راديوميك من الصور المعاد عيناتها، بما في ذلك ميزات الشكل، الميزات الإحصائية من الدرجة الأولى، مصفوفة التواجد المشترك على المستوى الرمادي (GLCM)، مصفوفة طول السلسلة على المستوى الرمادي (GLRLM)، مصفوفة حجم المنطقة الرمادية (GLSZM)، مصفوفة فرق الدرجات الرمادية المجاورة (NGTDM)، ومصفوفة الاعتماد على المستوى الرمادي (GLDM) (الجدول التكميلي 1)). وأخيرا، تم توحيد بيانات الميزات المستخرجة باستخدام طريقة Z-score لتحويل نطاقها الطبيعي إلى نطاق موحد.

التجميع بناء على الميزات
تم توزيع المجموعات على النحو التالي:
d0 (المجموعة الأساسية): السمات السريرية المشمولة، n(d0) = 5.
d1 (مجموعة الضبط الدقيق الأساسي): شملت الميزات السريرية وميزات تصوير HIZ، n(d1) = 12.
d2 (مجموعة النماذج): شملت الميزات السريرية وميزات الإشعاع، n(d2) = 112.
D (مجموعة التعديل الدقيق للنموذج): شملت الميزات السريرية، ميزات تصوير HIZ، وميزات الأشعة البصرية، n(D) = 119.

قراءة البيانات ومعالجتها المسبقة
تمت قراءة بيانات المجموعات المعنية باستخدام دالة read_excel في برنامج R (الإصدار 4.3.1، https://www.r-project.org/، المنصة: x86_64-w64-mingw32/x64 [64-بت]) مع ترميز UTF-8 (الإعداد الافتراضي للنظام)، والذي يدعم معظم اللغات المكتوبة عالميا. تم استخدام دالة الاختيار لفصل المتغير المستهدف عن متغيرات الميزة.

اختيار الميزات
لضمان قابلية تكرار تقسيم البيانات، اتبعت مجموعات البيانات الأربع (D، d2، d1، d0) نفس سير عمل المعالجة، مع بذرة عشوائية ثابتة تبلغ 80. تمت إضافة عمود تسمية إلى إطار البيانات، وتحويله إلى نوع عامل، وتم إنشاء تسميات عشوائية (1 و0) باستخدام توزيع ثنائي الحدين لتقسيم البيانات إلى مجموعات تدريب واختبار بنسبة 8:2 (احتمالية 80٪ لمجموعة التدريب). نظرا لعدد الميزات المحدود، لم تكن مجموعات d0 و d1 تتطلب اختيار الميزات، بينما خضعت مجموعات d2 و D لاختيار الميزات:

أولا، تم تطبيق اختبار مان-ويتني U على مجموعة التدريب لاختيار ميزات ذات قيم p <0.05. ثم تم إجراء انحدار لاسو مع التحقق المتقاطع 10 أضعاف وتنظيم اللغة الأولى لتحديد معامل العقوبة الأمثل واختيار الميزات من تكرار واحد. تم تعيين بذرة عشوائية من 1 إلى 100، وتكررت الخطوات السابقة (تقسيم البيانات، اختبار مان-ويتني U، وانحدار لاسو) في حلقة. تم اختيار ميزات تظهر أكثر من 50 مرة في 100 تكرار للنمذجة اللاحقة لضمان الموثوقية في بناء النموذج والتنبؤ التشخيصي. ميزات النمذجة لكل مجموعة مدرجة في الجدول 3.

البحث الشبكي وضبط النماذج
لتحسين النماذج، تم تطبيق البحث الشبكي لاستكشاف وتقييم مجموعات المعاملات الفائقة المختلفة بشكل منهجي. من خلال الضبط التكراري وتقييم الأداء، حددت هذه الدراسة مجموعة المعلمات الفائقة التي وفرت أفضل قيم AUC لمجموعات القطار والاختبار، مما أدى إلى تحسين أداء النموذج.

تطوير وتقييم النماذج
تم إجراء جميع تطوير النماذج وتحليل البيانات في R (الإصدار 4.3.1). طبقت هذه الدراسة خوارزميات تعلم آلي متنوعة، بما في ذلك الغابة العشوائية (RF)، آلة الدعم المتجه (SVM)، شجرة القرار (TREE)، أقرب جيران K (KNN)، والانحدار اللوجستي (LOG)، لتطوير 20 نموذجا عبر المجموعات الأربع (d0، d1، d2، وD) للتنبؤ بتشخيص DLBP. تم تقييم أداء النموذج باستخدام المقاييس التالية: ROC AUC، PR AUC، الدقة، الحساسية، النوعية، القيمة التنبؤية الإيجابية (PPV)، القيمة التنبؤية السلبية (NPV)، ودرجة F1.

تم توليد قيم AUC وPR AUC مباشرة من منحنيات ROC وPR، بينما تم حساب وتحليل المقاييس المتبقية (الدقة، الحساسية، النوعية، PPV، NPV، وF1) وتحليلها إحصائيا باستخدام الدوال المقابلة في R. من بين 20 نموذجا تم تطويرها، اختارت هذه الدراسة 8 نماذج تمثيلية للتقييم بناء على مؤشرات الأداء المذكورة أعلاه.

الصيغ لكل مقياس هي كما يلي:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: إيجابي حقيقي؛ TN: سلبي حقيقي؛ FP: إيجابية كاذبة؛ FN: سلبي كاذب.

تحليل قابلية تفسير SHAP
أظهر نموذج الغابة العشوائية في مجموعة D أفضل أداء في تقييم النموذج. لتفسير توقعات النموذج بشكل أعمق، أعادت هذه الدراسة بناء النموذج بلغة بايثون (الإصدار 3.7.9) وأجرت تحليل تفسير SHAP. للحفاظ على الاتساق، كانت معايير القطار الفائقة لنموذج الغابة العشوائية في بايثون مطابقة لتلك المستخدمة في R، وكان سير عمل معالجة البيانات متسقا أيضا. على وجه التحديد، استخدمنا مفسر نموذج الشجرة لتحليل مساهمة كل ميزة في توقعات النموذج التشخيصي في مجموعات القطار والاختبار. لرؤية أفضل، قمنا بإنشاء مخططات توزيع قيمة SHAP، ومخططات أهمية الميزات، ومخططات قوة SHAP للتنبؤات الفردية.

التحليل الإحصائي
تم إجراء جميع تحليلات البيانات باستخدام R (الإصدار 4.3.1، https://www.r-project.org/، المنصة: x86_64-w64-mingw32/x64 (64-بت)) وبايثون (الإصدار 3.7.9، https://www.python.org/downloads/release/python-379/). تم وصف المتغيرات المستمرة بمتوسط ± انحراف معياري، بينما تم التعبير عن المتغيرات التصنيفية بالتكرار والنسبة المئوية. تم تحليل المقارنة بين DLBP وغير DLBP باستخدام اختبار U، حيث اعتبرت قيمة P أقل من 0.05 ذات دلالة إحصائية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

استندت هذه الدراسة إلى بيانات الرنين المغناطيسي T2WI من 81 مريضا مؤكدا جراحيا لمرض DLBP و162 ضابطا، ليصل إجمالي عدد المرضى إلى 243. تم استخراج الميزات الإشعاعية ودمجها مع ميزات التصوير السريري وتصوير HIZ، مع تقسيم البيانات إلى مجموعات تدريب واختبار بنسبة 8:2 لبناء نماذج تشخيصية تنبؤية ل DLBP. على وجه التحديد، تم الحصول على سبع ميزات تصوير HIZ بعد قياس القرص المستهدف باستخدام 3D Slicer وتم تضمينها في نماذج مجموعة d1 و D إلى جانب الميزات السريرية. تم توحيد 107 ميزات راديوميك التي تم استخرا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نموذج المجموعة D، الذي يدمج الميزات السريرية، وميزات تصوير HIZ، والميزات الإشعاعية، استقر عند 15 ميزة رئيسية من خلال اختيار الميزات وتكرارات متعددة، مما أظهر أداء متوسطا متفوقا مقارنة بالمجموعات الأخرى، مع استقرار وقدرة تنبؤية أعلى. تفوق نموذج الغابة العشوائية على النماذج الأخرى في جميع المجموعات (باستثناء d0)، خصوصا في المجموعة D، حيث كانت قيم AUC في ROC قريبة من 1 واختلافات طفيفة بين مجموعات التدريب والاختبار، مما جعله أفضل نموذج. نماذج مجموعات d0 و d1 أكثر توافقا مع التطبيق السريري وا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أن البحث أجري في غياب أي علاقات تجارية أو مالية يمكن اعتبارها تضارب محتمل في المصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يود المؤلفون أن يشكروا على دعمهم المالي. العمل بدعم من مؤسسة العلوم في كلية كانغدا بجامعة نانجينغ الطبية (منحة رقم) KD2024KYJJ292). العمل مدعوم من صندوق أبحاث جامعة نانتونغ الخاص للطب السريري (المنحة رقم 2024JY002). وقد دعم هذا العمل مشروع العلوم والتكنولوجيا التابع للجنة الصحة البلدية في نانتونغ (رقم المنحة: MS2024045). وقد دعم هذا العمل مشاريع العلوم والتكنولوجيا في مقاطعة جيانغسو [BE2023742]، ومشروع إدارة جيانغسو للطب الصيني التقليدي (منحة رقم) MS2023113).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
3D Slicer 5.6.13D Slicerhttps://download.slicer.org/?version=5.6.1
تخزين البياناتزينودوhttps://doi.org/10.5281/zenodo.17365220.
بطاقة رسومات اللابتوب GeForce RTX 3060NVIDIAلا يوجد
جهاز الرنين المغناطيسي Ingenia CX 3.0Tفيليبس  لا يوجد
جهاز التصوير بالرنين المغناطيسي بريزما 3.0Tسيمنزلا يوجد
بايثون 3.7.9بايثون https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
جهاز التصوير بالرنين المغناطيسي من فيريو 3.0Tسيمنز لا يوجد

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hoy, D., Brooks, P., Blyth, F., Buchbinder, R. The epidemiology of low back pain. Best Pract Res Clin Rheumatol. 24 (6), 769-781 (2010).
  2. Maher, C., Underwood, M., Buchbinder, R. Non-specific low back pain. Lancet. 389 (10070), 736-747 (2017).
  3. Manchikanti, L., et al. American Society of Interventional Pain Physicians. Comprehensive review of epidemiology, scope, and impact of spinal pain. Pain Physician. 12 (4), E35-E70 (2009).
  4. Zhang, Y. G., Guo, T. M., Guo, X., Wu, S. X. Clinical diagnosis for discogenic low back pain. Int J Biol Sci. 5 (7), 647-658 (2009).
  5. Modic, M. T., Ross, J. S. Lumbar degenerative disk disease. Radiology. 245 (1), 43-61 (2007).
  6. Bartynski, W. S., Dejohn, L. M., Rothfus, W. E., Gerszten, P. C. 'Progressive-onset' versus injury-associated discogenic low back pain: features of disc internal derangement in patients studied with provocation lumbar discography. Interv Neuroradiol. 19 (1), 110-120 (2013).
  7. Peng, B., et al. The pathogenesis of discogenic low back pain. J Bone Joint Surg Br. 87 (1), 62-67 (2005).
  8. Derby, R., et al. The relation between annular disruption on computed tomography scan and pressure-controlled diskography. Arch Phys Med Rehabil. 86 (8), 1534-1538 (2005).
  9. Carragee, E. J., et al. False-positive findings on lumbar discography. Reliability of subjective concordance assessment during provocative disc injection. Spine (Phila Pa 1976). 24 (23), 2542-2547 (1999).
  10. Carragee, E. J., et al. The rates of false-positive lumbar discography in select patients without low back symptoms. Spine (Phila Pa 1976). 25 (11), 1373-1380 (2000).
  11. Carragee, E. J., et al. Provocative discography in patients after limited lumbar discectomy: a controlled, randomized study of pain response in symptomatic and asymptomatic subjects. Spine (Phila Pa 1976). 25 (23), 3065-3071 (2000).
  12. Carragee, E. J., Paragioudakis, S. J., Khurana, S. 2000 Volvo Award winner in clinical studies: lumbar high-intensity zone and discography in subjects without low back problems. Spine. 25 (23), 2987-2992 (2000).
  13. Deane, J. A., McGregor, A. H. Current and future perspectives on lumbar degenerative disc disease: a UK survey exploring specialist multidisciplinary clinical opinion. BMJ Open. 6 (9), e011075(2016).
  14. Pfirrmann, C. W., et al. Magnetic resonance classification of lumbar intervertebral disc degeneration. Spine (Phila Pa 1976). 26 (17), 1873-1878 (2001).
  15. Han, J., et al. Quantitative assessment of lumbar intervertebral disc degeneration and its correlation with clinical symptoms: a study utilizing ultrashort time-of-echo and T2 mapping as biomarkers. BMC Musculoskelet Disord. 26 (1), 829(2025).
  16. Kamei, N., et al. Evaluation of intervertebral disc degeneration using T2 signal ratio on magnetic resonance imaging. Eur J Radiol. 152, 110358(2022).
  17. Weishaupt, D., et al. Painful lumbar disk derangement: relevance of endplate abnormalities at MR imaging. Radiology. 218 (2), 420-427 (2001).
  18. Kluner, C., et al. Percutaneous discography: comparison of low-dose CT, fluoroscopy and MRI in the diagnosis of lumbar disc disruption. Eur Spine J. 15 (5), 620-626 (2006).
  19. Liliang, P. C., et al. Nucleoplasty for treating lumbar disk degenerative low back pain: an outcome prediction analysis. J Pain Res. 9, 893-898 (2016).
  20. Jha, S. C., et al. Clinical significance of high-intensity zone for discogenic low back pain: a review. J Med Invest. 63 (1-2), 1-7 (2016).
  21. Fang, C., Zhang, W., Chen, L., Li, H. The correlation between the high-intensity zone on a T2-weighted MRI and positive outcomes of discography: a meta-analysis. J Orthop Surg Res. 12 (1), 26(2017).
  22. Farshad-Amacker, N. A., Farshad, M., Winklehner, A., Andreisek, G. MR imaging of degenerative disc disease. Eur J Radiol. 84 (9), 1768-1776 (2015).
  23. Scapicchio, C., et al. A deep look into radiomics. Radiol Med. 126 (10), 1296-1311 (2021).
  24. van-Timmeren, J. E., et al. Radiomics in medical imaging-"how-to" guide and critical reflection. Insights Imaging. 11 (1), 91(2020).
  25. Lambin, P., et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer. 48 (4), 441-446 (2012).
  26. Erickson, B. J., Korfiatis, P., Akkus, Z., Kline, T. L. Machine learning for medical imaging. Radiographics. 37 (2), 505-515 (2017).
  27. Abbas, S. R., Seol, H., Abbas, Z., Lee, S. W. Exploring the role of artificial intelligence in smart healthcare: a capability and function-oriented review. Healthcare (Basel). 13 (14), 1642(2025).
  28. Shen, D., Wu, G., Suk, H. I. Deep learning in medical image analysis. Annu Rev Biomed Eng. 19, 221-248 (2017).
  29. Abbas, Q., Jeong, W., Lee, S. W. Explainable AI in clinical decision support systems: a meta-analysis of methods, applications, and usability challenges. Healthcare (Basel). 13 (17), 2154(2025).
  30. Chen, H., Lundberg, S. M., Lee, S. I. Explaining a series of models by propagating Shapley values. Nat Commun. 13 (1), 4512(2022).
  31. Chen, Y., Gao, Z. Progress in discography. Spine Surg Relat Res. 7 (2), 129-135 (2023).
  32. Goenka, N., et al. A regularized volumetric ConvNet based Alzheimer detection using T1-weighted MRI images. Cogent Eng. 11 (1), Article 2314872 (2024).
  33. Li, L., et al. Characterization of the microstructure of the intervertebral disc in patients with chronic low back pain by diffusion kurtosis imaging. Eur Spine J. 28 (11), 2517-2525 (2019).
  34. Naqvi, R. A., et al. Transformative noise reduction: leveraging a transformer-based deep network for medical image denoising. Mathematics. 12, 2313(2024).
  35. Wang, Z. X., Hu, Y. G. Imaging analysis of the high-intensity zone on lumbar spine magnetic resonance images: classification, features and correlation with low back pain. J Pain Res. 14, 2981-2989 (2021).
  36. Wang, Z. X., Hu, Y. G. High-intensity zone (HIZ) of lumbar intervertebral disc on T2-weighted magnetic resonance images: spatial distribution, and correlation of distribution with low back pain (LBP). Eur Spine J. 21 (7), 1311-1315 (2012).
  37. Abidin, Z. U., et al. Recent deep learning-based brain tumor segmentation models using multi-modality magnetic resonance imaging: a prospective survey. Front Bioeng Biotechnol. 12, 1392807(2024).
  38. DePalma, M. J., Ketchum, J. M., Saullo, T. What is the source of chronic low back pain and does age play a role. Pain Med. 12 (2), 224-233 (2011).
  39. Mohd Isa, I. L., Teoh, S. L., Mohd Nor, N. H., Mokhtar, S. A. Discogenic low back pain: anatomy, pathophysiology and treatments of intervertebral disc degeneration. Int J Mol Sci. 24 (1), 208(2022).
  40. Palkar, A., Dias, C. C., Chadaga, K., Sampathila, N. Empowering glioma prognosis with transparent machine learning and interpretative insights using explainable AI. IEEE Access. 12, 31697-31718 (2024).
  41. De-Simone, M., et al. Discogenic low back pain: anatomic and pathophysiologic characterization, clinical evaluation, biomarkers, AI, and treatment options. J Clin Med. 13 (19), 5915(2024).
  42. Peng, B., et al. The pathogenesis and clinical significance of a high-intensity zone (HIZ) of lumbar intervertebral disc on MR imaging in the patient with discogenic low back pain. Eur Spine J. 15 (5), 583-587 (2006).
  43. Khanna, V. V., et al. Explainable artificial intelligence-driven gestational diabetes mellitus prediction using clinical and laboratory markers. Cogent Eng. 11 (1), 2330266(2024).
  44. Bhuva, A. N., et al. A multicenter, scan-rescan, human and machine learning CMR study to test generalizability and precision in imaging biomarker analysis. Circ Cardiovasc Imaging. 12 (10), e009214(2019).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

SHAP

مقالات ذات صلة