Forschungsartikel

Verbesserung der Diagnose diskogener Rückenschmerzen: Ein SHAP-erklärtes Random Forest-Modell kombiniert mit Lendenwirbelsäulen-MRI T2-Radiomik

DOI:

10.3791/69238

⸱

13. Februar 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

In diesem Artikel

Zusammenfassung

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

Diese Studie verbessert die Diagnose diskogener Rückenschmerzen (DLBP) mithilfe von Lumbalwirbelsäulen-MRT-T2-Daten, Radiomik und einem Random Forest-Modell mit SHAP-Analyse und erreicht hohe Genauigkeit und Interpretierbarkeit für eine verbesserte klinische Entscheidungsfindung.

Zusammenfassung

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

Kreuzschmerzen (LBP) sind weltweit eine der Hauptursachen für Behinderungen und eine verminderte Lebensqualität, wobei diskogene Kreuzschmerzen (DLBP) 39 % der Fälle ausmachen. Eine genaue Diagnose der LBP-Ätiologie ist aufgrund fehlender zuverlässiger Methoden schwierig. Diese Studie zielt darauf ab, die diagnostische Effizienz des DLBP mithilfe von Lendenwirbelsäulen-MRT-Daten in Kombination mit Radiomik und maschinellem Lernen zu verbessern. Diese retrospektive Studie analysierte MRT-Daten von 81 DLBP-Patienten und 162 gesunden Kontrollen. Radiomic-Merkmale, klinische Daten und Bildgebungsmerkmale der Hochintensitätszone (HIZ) wurden extrahiert. Die Daten wurden in vier Gruppen (d0, d1, d2, D) unterteilt, und 20 prädiktive Modelle wurden unter Verwendung von Random Forest (RF), Decision Tree (TREE), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) und Logistic Regression (LOG) erstellt. Die Modellleistung wurde anhand der Empfänger-Betriebscharakteristik (ROC) unter der Kurve (AUC), Präzisionsrückruf (PR) AUC, Genauigkeit, Sensitivität, Spezifität, positiver Prädiktionswert (PPV), negativem Prädiktionswert (NPV) und F1-Wert bewertet. SHapley Additive Explanations (SHAP) wurden angewandt, um die bedeutendsten Merkmale zu interpretieren. Der Random Forest in Gruppe D zeigte die beste Leistung mit ROC-AUCs von 0,9861 (Zug) und 0,9580 (Test), PR-AUCs von 0,9813 und 0,9179 sowie F1-Werten von 0,9254 bzw. 0,8148. Die SHAP-Analyse identifizierte die Kurtose erster Ordnung als das wichtigste Merkmal, das zur DLBP-Diagnose beiträgt. Das Random Forest-Modell mit SHAP-Analyse verbesserte die DLBP-Diagnose signifikant und bot hohe Leistung und Interpretierbarkeit, um die klinische Entscheidungsfindung zu verbessern.

Einleitung

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

Mit der Verschärfung der Alterung der Bevölkerung und dem weit verbreiteten Vorkommen unsachgemäßer Sitzhaltung im Alltag und Leben steigt die Zahl der Patienten mit Rückenschmerzen (LBP) von Jahrzu Jahr an. Die durchschnittliche Prävalenz von LBP in der allgemeinen Erwachsenenbevölkerung beträgt etwa 12 %, mit einer höheren Prävalenz bei Personen ab 40 Jahren und Frauen mit einer lebenslangen Prävalenz von etwa 40 %. Unter allen LBP-Fällen machen discogene Kreuzschmerzen (DLBP) etwa 39 % aus, wobei ihre Ursache komplex und vielfältig ist und oft mit Bandscheibendegeneration einhergeht, insbesondere mit Annularrissen, die den äußeren Ring der Bandscheibe 3,4,5 erreichen. Erhöhter Bandscheibendruck stimuliert durch entzündliche Mediatoren sensibilisierte Nervenenden, was zu discogenen Schmerzenführt 5,6.

Derzeit gilt Diskografie als Goldstandard für die DLBP-Diagnose, da sie die Ätiologie durch das Auslösen von discogenen Schmerzenbestätigt 7. Allerdings werden ihre Gültigkeit und Sicherheit aufgrund potenzieller Fehlalarme und des Risikos einer beschleunigten Bandscheibendegeneration infrage gestellt, was ihre klinische Anwendungauf 5,8 begrenzt. Die Hochintensitätszone (HIZ) bezeichnet hochintensive Signale im hinteren Ring auf T2-gewichteten MRT-Bildern, pathologisch gekennzeichnet durch ringförmige Risse oder Risse 5,8,9. Obwohl die Beziehung zwischen HIZ und DLBP umfassend untersucht wurde, hat HIZ eine geringe Spezifität und ist auch bei asymptomatischen Personen häufig, was oft zu Fehldiagnosen 10,11,12,13 führt. In T2-gewichteten Bildern von lumbalen degenerativen Bandscheibenerkrankungen (LDDD) und chronischen LBP-Patienten zeigen fast alle degenerierten Bandscheiben eine verminderte Signalintensität14. Nach der Klassifikation von Pfirrmann et al. wird die Bandscheibendegeneration von I (normale Bandscheibe) bis V (schwere Degeneration)14 abgestuft. T2-gewichtete Bildgebung wird in multimodalen Studien weit verbreitet zur Diagnose und Bewertung von LDDD und LBP eingesetzt und liefert wichtige Einblicke in Bandscheibendegeneration und deren klinische Relevanz15,16. Allerdings spiegelt eine niedrige Signalintensität morphologische Veränderungen in der Bandscheibe nicht genau wider und hat wenig Zusammenhang mit dem durch DLBP 17,18,19 verursachten Schmerzgrad.

Derzeit basiert die klinische Entscheidungsfindung für DLBP hauptsächlich auf der subjektiven Bewertung der Kliniker, die sich auf Faktoren wie HIZ, Bandscheibenhöhe, schwarze Bandscheiben oder Signalveränderungen in der Scheibe20,21 konzentrieren. Weitere Überlegungen umfassen das Alter, Geschlecht, die Körpergröße, das Gewicht und den Body-Mass-Index (BMI). Auch die Dauer und Intensität des LBP fallen im Rahmen der Betrachtung. Eine solche Diagnosemethode, die auf subjektiver Bewertung basiert, kann zu fehlerhaften Behandlungsplänen führen. Daher istdringend die Entwicklung eines effektiven diagnostischen Werkzeugs zur Verbesserung der diagnostischen Effizienz von DLBP erforderlich.

Das MRT spielt als nicht-invasive Bildgebungstechnik eine wichtige Rolle bei der Diagnose der LBP. Insbesondere liefert die axiale T2-gewichtete Bildgebung (T2WI) mit ihrem hohen Gewebekontrast genauere physiologische Informationen und den pathologischen Status der Bandscheibe im Vergleich zur traditionellen Computertomographie (CT)22,23. Die Analyse von Radiomik-Merkmalen, indem Bilddaten aus MRT, CT usw. in quantitative Merkmale für fortgeschrittene mathematische Analysen umgewandelt werden, bietet ein leistungsstarkes Werkzeug zur Bewertung und Interpretation medizinischerBilder. Diese Methode kann Verzerrungen durch subjektive Analysen reduzieren und so die Genauigkeit und Konsistenz der diagnostischen Ergebnisse verbessern25.

In den letzten Jahren haben künstliche Intelligenz und maschinelles Lernen in der medizinischen Bildanalyse neue Hoffnung für die Krankheitsdiagnosegebracht 26. Durch die Verbesserung der diagnostischen Genauigkeit, die Automatisierung klinischer Arbeitsabläufe und die Ermöglichung personalisierter Behandlungsstrategien verändern KI-Technologien die Landschaft der intelligenten Gesundheitsversorgunggrundlegend 27. In der DLBP-Diagnose birgt die Integration von Radiomik mit maschinellen Lernalgorithmen großes Potenzial, die diagnostische Genauigkeit und Effizienz zu verbessern28. Die "Black-Box"-Natur komplexer Machine-Learning-Modelle schränkt jedoch ihre klinische Anwendbarkeit ein, sodass erklärbare KI (XAI) zu einem entscheidenden Bestandteil klinischer Entscheidungsunterstützungssysteme ist29. SHapley Additive ExPlanations (SHAP), eine spieltheoriebasierte interpretative Methode, quantifiziert den Beitrag und Einfluss jedes Features auf die diagnostische Vorhersagen von Modellen, wodurch komplexe Machine-Learning-Modelle transparenter und interpretierbarer werden30. Sie ist zu einer der am weitesten verbreiteten XAI-Techniken in klinischen Entscheidungsunterstützungssystemen geworden und stärkt effektiv das Vertrauen und die Akzeptanz von KI-Systemen durch Kliniker29.

Diese Studie entwickelte einen Random Forest-Algorithmus, der Radiomik und SHAP-Interpretierbarkeitsanalyse einbezieht und die diagnostische Effizienz von DLBP im Vergleich zu traditionellen subjektiven Bewertungen signifikant verbessert. Darüber hinaus erhöht die SHAP-Interpretationsmethode die Transparenz der diagnostischen Vorhersagen des Modells, stärkt das Vertrauen der Kliniker in die Diagnose und verbessert die Genauigkeit der klinischen Entscheidungsfindung. Diese Studie geht davon aus, dass dieses Modell unnötiges Leiden durch Fehldiagnosen und verzögerte Behandlung reduziert, die Weiterentwicklung personalisierter Behandlungen fördert und letztlich die Gesamtbehandlungsergebnisse für Patienten verbessert.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Ethische Überlegungen und Studienpopulation
Diese retrospektive Studie wurde vom institutionellen Ethikkomitee genehmigt. Die informierte Einwilligung wurde aufgehoben, da alle geschützten Gesundheitsinformationen anonymisiert wurden. Die Studienpopulation bestand aus Patienten, die aus der Bildgebungsdatenbank des First People's Hospital of Nantong stammten und zwischen Januar 2022 und Dezember 2023 aufgrund von Rückenschmerzen eine Lendenwirbelsäulen-MRT unterzogen hatten. Klinische Merkmale der Patienten wurden ebenfalls erfasst (Tabelle 1).

Einschluss- und Ausschlusskriterien
Der aktuelle diagnostische Standard für DLBP folgt der Diskographie-Methode der International Association for the Study of Pain von 1995, die durch erhöhten Druck Schmerzen hervorruft, aber aufgrund ihrer hohen Invasivitätnicht allgemein akzeptiert ist. Daher übernahm diese Studie einen restriktiven Test zur Provokation von Bandscheibenschmerzen als diagnostische Methode für DLBP, der mit den Prinzipien der Diskografie übereinstimmt und gleichzeitig weitere Bandscheibenschäden und Komplikationen minimiert31. Der Eingriff umfasste die Patienten in Bauchlage unter Wirbelsäulenanästhesie, wobei die Ziel-Lendenwirbelbahn mittels C-Arm-Röntgenführung lokalisiert wurde. Eine 18 G (<22 G) Nadel wurde posterolateral in den zentralen Nucleus pulposus eingeführt, wobei Nervenwurzeln und der Duralsack vermieden wurden. Nach Bestätigung der Nadeleinsetzung wurde Kochsalzlösung oder nicht-ionisches Kontrastmittel (z. B. Iohexol) mit einer Rate von nicht mehr als 0,5 mL/min, mit einem Druck unter 50 psi und einem Gesamtinjektionsvolumen von weniger als 3 mL injiziert, um erhöhten intradiscalen Druck zu simulieren und bekannte Symptome von Kreuzschmerzen auszulösen, mit einem visuellen Analog-Skala-Wert (VAS) ≥ 7.

Einschlusskriterien für DLBP-Gruppen: Die hier eingeschlossenen Patienten wurden einer MRT-Untersuchung unterzogen, haben seit über 3 Monaten wiederkehrende Rückenschmerzen, mit gescheiterter konservativer Behandlung, mit oder ohne Taubheitsgefühl oder ausstrahlenden Schmerzen in der unteren Gliedmaßen und sind positiv auf den intraoperativen Bandscheibenschmerzprovokationstest.

Einschlusskriterien für die Nicht-DLBP-Gruppe: Die hier eingeschlossenen Patienten unterzogen sich einer MRT; keine Vorgeschichte von Rückenschmerzen innerhalb von 3 Monaten oder gesunde Personen sich einer körperlichen Untersuchung unterziehen; keine MRT-Auffälligkeiten haben; und eine standardisierte Bewertung mit dem Oswestry Disability Index (ODI) <10 und VAS ≤2.

Ausschlusskriterien: Ausschluss von Patienten mit anderen Ursachen für Rückenschmerzen, wie erheblichen Bandscheibenvorfall, der Nervenbrüche belastet, Rückenmarksinfektionen, Spondylolisthesis, Tumoren, Osteoporose oder Stoffwechselknochenerkrankungen; Vorgeschichte der Chirurgie vor der Untersuchung; unklare oder minderwertige Bilder; Unfähigkeit, das Interessengebiet (ROI) zu identifizieren.

Letztlich wurden 243 Patienten eingeschlossen, davon 81 DLBP-Patienten und 162 Kontrollpatienten.

MRT-Parameter
Alle in dieser Studie eingeschlossenen Patienten unterzogen sich 3,0-T-MRT-Scans, wobei Sequenzen verwendet wurden, die sagittale und axiale T1-gewichtete Bildgebung (T1WI) sowie T2-gewichtete Bildgebung (T2WI) enthielten. In der Studie wurden drei verschiedene MRT-Geräte verwendet: Siemens Verio, Siemens Prisma und Philips Ingenia CX. Die Scanparameter wurden wie folgt eingestellt: Für sagittale T2WI reichte TR von 2000 bis 4597 ms, TE von 90 bis 120 ms, Schnittdicke von 4,0 bis 4,8 mm, mit 15 Schnitten einbezogen, Bandbreite von 250 Hz bis 340 Hz, Matrixgröße von 384 × 384 oder 512 × 512, Phasenfeld-Sichtfeld von 100 %. und ein Sichtfeld von 300 mm.

HIZ-Bildgebende Funktionen Messung und Statistik
Diese Studie nutzte 3D Slicer-Software (Version 5.6.1, https://download.slicer.org/?version=5.6.1), um lumbale MRT-T2-gewichtete Bilder von 243 Patienten und Kontrollpersonen manuell zu analysieren. Der Datenverarbeitungsworkflow war wie folgt: Bilder wurden mit der Funktion "Add DICOM Data " im 3D-Slicer importiert. Die Messungen wurden mit der Markups-Funktion von zwei Wirbelsäulenforscher-Doktoranden unter der Anleitung von Radiologen und Wirbelsäulenchirurgen mit über 10 Jahren klinischer Erfahrung durchgeführt. Unstimmigkeiten in den Maßen wurden durch Rücksprache mit den beiden Ärzten behoben. Alle Messwerte wurden von zwei Statistikern gemittelt, um die Genauigkeit sicherzustellen. Auf sagittalen Bildern wurden die beiden sich gegenseitig senkrechten maximalen Durchmesser der Hochintensitätszone (HIZ) gemessen, definiert als Hizh (nahe-vertikale Richtung) und Hizw (nahe-horizontale Richtung). Die Segmentierungsfunktion wurde verwendet, um die HIZ-Region abzugrenzen, und die Fläche der prominentesten HIZ auf der sagittalen Ebene wurde berechnet, bezeichnet als Hizarea. Bei axialen Aufnahmen wurde die maximale Länge des HIZ gemessen, der Hizl genannt wurde. Zusätzlich wurden drei binäre Variablen definiert: Hiz (Anwesenheit von HIZ), Other (Anwesenheit multisegmentaler HIZ) und Position (ob HIZ die hintere Mittellinie kreuzt) (Tabelle 2).

Radiomik verfügt über Extraktion und Standardisierung
Um den spezifischen Betrieb der Resampling Scalar Volume in den Kontext der Verarbeitung von lumbalen MRI T2-gewichteten Bildern von 243 Patienten und Kontrollen mit 3D Slicer zu integrieren, wurden folgende detaillierte Schritte befolgt: Der Prozess begann mit dem Import von lumbalen MRT T2-gewichteten Bildern in den 3D Slicer. Um Konsistenz zu gewährleisten und Heterogenitätsverzerrung zu reduzieren, wurden alle Bilder mit dem Resample Scalar Volume-Modul auf eine Voxelgröße von 0,6 × 0,6 × 0,6 mm neu abgetastet. Die konkreten Schritte waren: Navigiere zum Abschnitt Module und wähle Resample Scalar Volume. Unter Parameter Set stellen Sie sicher, dass Resample Scalar Volume ausgewählt ist. Im Abschnitt Resampling-Parameter setzen Sie den Abstand auf 0,6, 0,6, 0,6, um die Ziel-Voxel-Dimensionen zu definieren. Wählen Sie eine geeignete Interpolationsmethode aus Optionen wie linear, nearest neighbor, bspline, hamming, cosinus, welch, lanczos oder blackman aus, wobei linear als Standard ist. Für das Ausgabevolumen wählen oder erstellen Sie ein neues Volumen, um die neu gesampelten Daten zu speichern. Nachdem Sie die Einstellungen überprüft haben, klicken Sie auf Anwenden , um den Resampling-Prozess auszuführen.

Nach der Neuprobe führten zwei Wirbelsäulenforschungsdoktoranden, geleitet von Radiologen und Wirbelsäulenchirurgen mit über zehn Jahren Erfahrung, eine halbautomatische Abgrenzung des Interessenbereichs (ROI) durch. Unstimmigkeiten wurden durch Konsultationen gelöst. Die konkreten Schritte waren: Die Ebene auswählen (neues Volumen neu gesampelt), eine neue Segmentierungsschicht erstellen und die Draw-Funktion für die Schicht-für-Schicht-Abgrenzung verwenden. Verwenden Sie die Funktion "Zwischen Scheiben füllen" für das Füllen von Zwischenschichten. Glätten Sie den gebildeten ROI mit der Median-Glättungsmethode und einer Kerngröße von 3,0 mm, 5 x 5 Pixel. Mit Hilfe der PyRadiomics-Bibliothek wurden 107 radiomische Merkmale aus den neu gesampelten Bildern extrahiert, darunter Formmerkmale, statistische Merkmale erster Ordnung, Graustufen-Ko-Vorkommensmatrix (GLCM), Graustufen-Laufzeitmatrix (GLRLM), Graustufen-Größenzonenmatrix (GLSZM), benachbarte Grautondifferenzmatrix (NGTDM) und Graustufen-Abhängigkeitsmatrix (GLDM) (Ergänzende Tabelle 1). Schließlich wurden die extrahierten Merkmalsdaten mit der Z-Score-Methode standardisiert, um ihren natürlichen Bereich in einen standardisierten Bereich umzuwandeln.

Gruppierung basierend auf Merkmalen
Die Gruppen wurden wie folgt zugeteilt:
d0 (Basisgruppe): Inklusive klinischer Merkmale, n(d0) = 5.
d1 (Basis-Fintune-Gruppe): Eingeschlossene klinische Merkmale und HIZ-Bildgebungsmerkmale, n(d1) = 12.
d2 (Modellgruppe): Eingeschlossene klinische und radiomische Merkmale, n(d2) = 112.
D (Model Finetune Group): Umfasste klinische Merkmale, HIZ-Bildgebungsmerkmale und radiologische Merkmale, n(D) = 119.

Datenlesen und Vorverarbeitung
Die Daten für die jeweiligen Gruppen wurden mit der read_excel-Funktion in der R-Software (Version 4.3.1, https://www.r-project.org/, Plattform: x86_64-w64-mingw32/x64 [64-Bit]) mit UTF-8-Codierung (Systemstandard) gelesen, die weltweit die meisten Schriftsprachen unterstützt. Die Auswahlfunktion wurde verwendet, um die Zielvariable von den Feature-Variablen zu trennen.

Auswahl der Ausstattung
Um die Reproduzierbarkeit der Datenaufteilung zu gewährleisten, folgten die vier Datensätze (D, d2, d1, d0) demselben Verarbeitungsworkflow mit einem festen zufälligen Seed von 80. Eine Label-Spalte wurde dem Datenrahmen hinzugefügt, in einen Faktortyp umgewandelt, und Zufallslabels (1 und 0) wurden mithilfe einer binomialen Verteilung generiert, um die Daten in Trainings- und Testsets im 8:2-Verhältnis (80 % Wahrscheinlichkeit für den Trainingssatz) aufzuteilen. Aufgrund der begrenzten Anzahl an Funktionen mussten d0- und d1-Gruppen keine Merkmalsauswahl durchführen, während d2- und D-Gruppen eine Merkmalsauswahl durchliefen:

Zunächst wurde der Mann-Whitney-U-Test auf das Trainingsset angewendet, um Merkmale mit p-Werten <0,05 auszuwählen. Anschließend wurde eine Lasso-Regression mit 10-facher Kreuzvalidierung und L1-Regularisierung durchgeführt, um den optimalen Strafkoeffizienten zu bestimmen und Merkmale aus einer einzigen Iteration auszuwählen. Ein zufälliger Seed von 1 bis 100 wurde gesetzt, und die oben genannten Schritte (Datenaufteilung, Mann-Whitney-U-Test und Lasso-Regression) wurden in einer Schleife wiederholt. Merkmale, die mehr als 50 Mal in 100 Iterationen vorkommen, wurden für nachfolgende Modellierung ausgewählt, um Zuverlässigkeit bei der Modellkonstruktion und der diagnostischen Vorhersage sicherzustellen. Modellierungsmerkmale für jede Gruppe sind in Tabelle 3 aufgeführt.

Gittersuche und Modellabstimmung
Zur Optimierung der Modelle wurde eine Gittersuche angewendet, um systematisch verschiedene Hyperparameterkombinationen zu erforschen und zu evaluieren. Durch iterative Abstimmung und Leistungsbewertung identifizierte diese Studie die Menge von Hyperparametern, die die besten ROC-AUC-Werte für die Zug- und Testsätze lieferten und so die Leistung des Modells optimierten.

Modellentwicklung und Bewertung
Alle Modellentwicklungen und Datenanalysen wurden in R (Version 4.3.1) durchgeführt. Diese Studie setzte verschiedene maschinelle Lernalgorithmen ein, darunter Random Forest (RF), Support Vector Machine (SVM), Decision Tree (TREE), K-Nearest Neighbors (KNN) und Logistic Regression (LOG), um 20 Modelle über die vier Gruppen (d0, d1, d2 und D) zur Vorhersage der DLBP-Diagnose zu entwickeln. Die Modellleistung wurde anhand folgender Kennzahlen bewertet: ROC AUC, PR AUC, Genauigkeit, Sensitivität, Spezifität, positiver prädiktiver Wert (PPV), negativer prädiktiver Wert (NPV) und F1-Score.

Die ROC-AUC- und PR-AUC-Werte wurden direkt aus den ROC- und PR-Kurven generiert, während die übrigen Kennzahlen (Genauigkeit, Sensitivität, Spezifität, PPV, NPV und F1-Wert) mit entsprechenden Funktionen in R berechnet und statistisch analysiert wurden. Unter den 20 entwickelten Modellen wählte diese Studie 8 repräsentative Modelle für die Bewertung anhand der oben genannten Leistungskennzahlen aus.

Die Formeln für jede Metrik sind wie folgt:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: Wahres Positives; TN: Wahres Negativ; FP: Falsch-positiv; FN: Falsch negativ.

SHAP-Interpretierbarkeitsanalyse
Das Random Forest-Modell in der D-Gruppe zeigte die beste Leistung bei der Modellbewertung. Um die Vorhersagen des Modells weiter zu interpretieren, wurde das Modell in dieser Studie in Python (Version 3.7.9) neu aufgebaut und eine SHAP-Interpretierbarkeitsanalyse durchgeführt. Um Konsistenz zu gewährleisten, waren die Zug-Hyperparameter des Random Forest-Modells in Python identisch mit denen, die in R verwendet werden, und der Datenverarbeitungsworkflow war ebenfalls konsistent. Konkret haben wir den Baummodell-Interpreter verwendet, um den Beitrag jedes Merkmals zu den diagnostischen Vorhersagen des Modells in den Zug- und Testsätzen zu analysieren. Für eine bessere Visualisierung haben wir SHAP-Wertverteilungsdiagramme, Merkmalsprämien-Wichtigkeitsdiagramme und SHAP-Kraftdiagramme für individuelle Vorhersagen erstellt.

Statistische Analyse
Alle Datenanalysen wurden mit R (Version 4.3.1, https://www.r-project.org/, Plattform: x86_64-w64-mingw32/x64 (64-Bit)) und Python (Version 3.7.9, https://www.python.org/downloads/release/python-379/) durchgeführt. Kontinuierliche Variablen wurden als Mittelwert ± Standardabweichung beschrieben, während kategoriale Variablen als Häufigkeit und Prozentsatz angegeben wurden. Der Vergleich zwischen DLBP und Non-DLBP wurde mit dem U-Test analysiert, wobei ein P-Wert von weniger als 0,05 als statistisch signifikant gilt.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Diese Studie basierte auf MRT-T2WI-Daten von 81 chirurgisch bestätigten DLBP-Patienten und 162 Kontrollgruppen, insgesamt 243 Patienten. Radiomische Merkmale wurden extrahiert und mit klinischen und HIZ-Bildgebungsmerkmalen kombiniert, wobei die Daten in Trainings- und Testsets im Verhältnis 8:2 aufgeteilt wurden, um prädiktive DLBP-Diagnosemodelle zu erstellen. Konkret wurden sieben HIZ-Bildgebende Merkmale nach der Messung der Zielscheibe mit dem 3D-Slicer erhalten und zusammen mit kli...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Das D-Gruppenmodell, das klinische Merkmale, HIZ-Bildgebende Merkmale und radiomische Merkmale integriert, stabilisierte sich bei 15 Schlüsselmerkmalen durch Merkmalsauswahl und mehrere Iterationen und zeigte eine bessere durchschnittliche Leistung im Vergleich zu anderen Gruppen, mit höherer Stabilität und Prädiktionsfähigkeit. Das Zufallswaldmodell übertraf andere Modelle in allen Gruppen (außer d0), insbesondere in der D-Gruppe, mit ROC-AUC-Werten nahe 1 und minimalen Unterschieden zw...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren erklären, dass die Forschung ohne kommerzielle oder finanzielle Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.

Danksagungen

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

Die Autoren möchten sich für ihre finanzielle Unterstützung bedanken. Die von der Science Foundation des Kangda College der Nanjing Medizinischen Universität unterstützte Arbeit (Zuschussnummer KD2024KYJJ292). Die Arbeit wird vom Nantong University Special Research Fund for Clinical Medicine (Fördernummer 2024JY002) unterstützt. Diese Arbeit wurde durch das Wissenschafts- und Technologieprojekt der Nantong Municipal Health Commission unterstützt (Zuschuss Nr. MS2024045). Diese Arbeit wurde durch Science and Technology Projects in der Provinz Jiangsu [BE2023742], Project of Jiangsu Administration of Traditional Chinese Medicine (Zuschussnummer MS2023113).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
3D-Slicer 5.6.13D-Slicerhttps://download.slicer.org/?version=5.6.1
DatenspeicherungZenodohttps://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 Laptop-GPUNVIDIAN/A
Ingenia CX 3.0T MRT-GerätPhilips N/A
Prisma 3.0T MRT-GerätSiemensN/A
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Verio 3.0T MRT-GerätSiemens N/A

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

SHAP AnalyseHochintensit tszoneDiagnose mittels maschinellem LernenRadiomics MerkmaleMetriken zur Modellleistungklinische Entscheidungsunterst tzung

Verwandte Artikel