Artículo de investigación

Mejorando el diagnóstico del dolor lumbar discogénico: un modelo de bosque aleatorio explicado por SHAP combinado con radiómica T2 de resonancia magnética lumbar

DOI:

10.3791/69238

⸱

13 de febrero de 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

En este artículo

Resumen

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

Este estudio mejora el diagnóstico de dolor lumbar discogénico (DLBP) utilizando datos de resonancia magnética lumbar T2, radiología y un modelo de bosque aleatorio con análisis SHAP, logrando alta precisión e interpretabilidad para mejorar la toma de decisiones clínicas.

Resumen

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

El dolor lumbar (LBP) es una de las principales causas de discapacidad y de reducción de la calidad de vida a nivel mundial, siendo el dolor lumbar discógeno (DLBP) el 39% de los casos. El diagnóstico preciso de la etiología de la lombalgia es complicado debido a la falta de métodos fiables. Este estudio tiene como objetivo mejorar la eficiencia diagnóstica de la DLBP utilizando datos de resonancia magnética lumbar T2 combinados con radiología y aprendizaje automático. Este estudio retrospectivo analizó datos de resonancia magnética de 81 pacientes con DLBP y 162 controles sanos. Se extrajeron características de radiología, datos clínicos y características de imagen de la zona de alta intensidad (HIZ). Los datos se dividieron en cuatro grupos (d0, d1, d2, D), y se construyeron 20 modelos predictivos utilizando Random Forest (RF), Decision Tree (TREE), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) y Logistic Regression (LOG). El rendimiento del modelo se evaluó utilizando el área de Característica Operativa del Receptor (ROC) bajo la curva (AUC), el AUC de recuerdo de precisión (PR), precisión, sensibilidad, especificidad, valor predictivo positivo (PPV), valor predictivo negativo (NPV) y puntuación F1. Se aplicaron las explicaciones aditivas SHAPapley (SHAP) para interpretar las características más significativas. El Bosque Aleatorio del grupo D mostró el mejor rendimiento, con AUCs ROC de 0,9861 (tren) y 0,9580 (prueba), AUCs PR de 0,9813 y 0,9179, y puntuaciones F1 de 0,9254 y 0,8148, respectivamente. El análisis SHAP identificó la kurtosis de primer orden como la característica principal que contribuye al diagnóstico de DLBP. El modelo Random Forest con análisis SHAP mejoró significativamente el diagnóstico de DLBP, ofreciendo un alto rendimiento e interpretabilidad para mejorar la toma de decisiones clínicas.

Introducción

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

Con el agravamiento del envejecimiento poblacional y la generalizada aparición de posturas inadecuadas al sentarse en el trabajo y la vida diaria, el número de pacientes con dolor lumbar (LBP) aumenta año trasaño. La prevalencia media de la LBP en la población adulta general es aproximadamente del 12%, observándose una prevalencia mayor en personas de 40 años o más y en mujeres, con una prevalencia vitalicia de aproximadamente el 40%. Entre todos los casos de LBP, el dolor lumbar discogénico (DLBP) representa aproximadamente el 39%, siendo su etiología compleja y diversa, a menudo asociada con degeneración discal, especialmente desgarros anulares que llegan al anillo externo deldisco 3,4,5. El aumento de la presión discal estimula las terminaciones nerviosas sensibilizadas por mediadores inflamatorios, lo que provoca dolordiscogénico 5,6.

Actualmente, la discografía se considera el estándar de oro para el diagnóstico de DLBP, confirmando la etiología al provocar el dolordiscogénico 7. Sin embargo, su validez y seguridad se cuestionan debido a posibles falsos positivos y al riesgo de acelerar la degeneración del disco, limitando su aplicación clínica 5,8. La zona de alta intensidad (HIZ) se refiere a señales de alta intensidad en el anillo posterior en imágenes de resonancia magnética ponderadas en T2, caracterizadas patológicamente por desgarros o rupturasanulares 5,8,9. Aunque la relación entre HIZ y DLBP ha sido ampliamente estudiada, HIZ tiene baja especificidad y también es común en individuos asintomáticos, lo que a menudo conduce a un diagnóstico erróneo 10,11,12,13. En imágenes ponderadas en T2 de pacientes con enfermedad degenerativa de los discos lumbares (LDDD) y con lombalesis crónicas, casi todos los discos degenerados muestran una intensidad de señalreducida 14. Según la clasificación de Pfirrmann et al., la degeneración discal se gradúa de I (disco normal) a V (degeneración severa)14. La imagen ponderada en T2 se utiliza ampliamente en estudios multimodales para el diagnóstico y evaluación de LDDD y LBP, proporcionando información crítica sobre la degeneración discal y su relevanciaclínica 15,16. Sin embargo, una baja intensidad de señal no refleja con precisión los cambios morfológicos en el disco y tiene poca correlación con el grado de dolor causado porDLBP 17,18,19.

Actualmente, la toma de decisiones clínicas para la DLBP se basa principalmente en la evaluación subjetiva de los clínicos, que se centran en factores como la HIZ, la altura del disco, los discos negros o los cambios de señal en eldisco 20,21. Otras consideraciones incluyen la edad, el género, la altura, el peso y el índice de masa corporal (IMC) del paciente. La duración e intensidad de la LBP también están dentro del ámbito de consideración. Dicho método de diagnóstico, dependiente de una evaluación subjetiva, puede conducir a planes de tratamiento erróneos. Por lo tanto, es urgente desarrollar una herramienta diagnóstica eficaz para mejorar la eficiencia diagnósticade la DLBP 4.

La resonancia magnética, como técnica de imagen no invasiva, desempeña un papel importante en el diagnóstico de la lombal. En particular, la imagen axial ponderada en T2 (T2WI), con su alto contraste tisular, proporciona información fisiológica y estado patológico más precisos del disco en comparación con la tomografía computarizada tradicional (TC)22,23. El análisis de características de radiómica, al convertir datos de imágenes de resonancia magnética, TC, etc., en características cuantitativas para análisis matemático avanzado, proporciona una herramienta poderosa para la evaluación e interpretación de imágenesmédicas 24. Este método puede reducir los sesgos derivados del análisis subjetivo, mejorando así la precisión y consistencia de los resultadosdiagnósticos 25.

En los últimos años, la inteligencia artificial y las técnicas de aprendizaje automático en el análisis de imágenes médicas han aportado nuevas esperanzas para el diagnósticode enfermedades. Al mejorar la precisión del diagnóstico, automatizar los flujos de trabajo clínicos y habilitar estrategias de tratamiento personalizadas, las tecnologías de IA están transformando profundamente el panorama de la atención sanitariainteligente 27. En el diagnóstico de DLBP, la integración de la radiómica con algoritmos de aprendizaje automático tiene un gran potencial para mejorar la precisión y eficiencia del diagnóstico28. Sin embargo, la naturaleza de "caja negra" de los modelos complejos de aprendizaje automático limita su aplicabilidad clínica, haciendo que la IA explicable (XAI) sea un componente crítico de los sistemas de apoyo a la decisiónclínica 29. SHapley Additive ExPlanations (SHAP), un método interpretativo basado en teoría de juegos, cuantifica la contribución e impacto de cada característica en las predicciones diagnósticas del modelo, haciendo que los modelos complejos de aprendizaje automático sean más transparentes einterpretables 30. Se ha convertido en una de las técnicas XAI más utilizadas en sistemas de apoyo a la decisión clínica, aumentando eficazmente la confianza y aceptación de los clínicos hacia los sistemas de IA.

Este estudio desarrolló un algoritmo de Bosque Aleatorio que incorpora radiómica y análisis de interpretabilidad SHAP, mejorando significativamente la eficiencia diagnóstica de la DLBP en comparación con las evaluaciones subjetivas tradicionales. Además, el método de interpretación SHAP mejora la transparencia de las predicciones diagnósticas del modelo, aumentando la confianza de los clínicos en el diagnóstico y mejorando la precisión de la toma de decisiones clínicas. Este estudio sostiene que este modelo reducirá el sufrimiento innecesario causado por diagnósticos erróneos y retrasos en el tratamiento, promoverá el avance del tratamiento personalizado y, en última instancia, mejorará los resultados generales del tratamiento para los pacientes.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

Consideraciones éticas y población de estudio
Este estudio retrospectivo fue aprobado por el comité de ética institucional. Se renunció al consentimiento informado, ya que toda la información sanitaria protegida fue anonimizada. La población del estudio consistió en pacientes obtenidos de la base de datos de imagen del First People's Hospital de Nantong, que se sometieron a una resonancia magnética lumbar debido a dolor lumbar entre enero de 2022 y diciembre de 2023. También se recogieron las características clínicas de los pacientes (Tabla 1).

Criterios de inclusión y exclusión
El estándar diagnóstico actual para la DLBP sigue el método de discografía de la Asociación Internacional para el Estudio del Dolor de 1995, que provoca dolor mediante un aumento de presión pero no es ampliamente aceptado debido a su altainvasividad 8. Por ello, este estudio adoptó una prueba restrictiva intraoperatoria de provocación del dolor discal como método diagnóstico para la DLBP, coherente con los principios discográficos y minimizando daños y complicaciones discalesadicionales 31. El procedimiento implicó a los pacientes en posición prona bajo anestesia espinal, con el disco lumbar objetivo localizado mediante guiado por rayos X de C-arm. Se insertó una aguja de 18 G (<22 G) mediante un enfoque posterolateral en el núcleo pulposo central, evitando las raíces nerviosas y el saco dural. Tras confirmar la colocación de la aguja, se inyectó solución salina o contraste no iónico (por ejemplo, iohexol) a una tasa no superior a 0,5 mL/min, con presión inferior a 50 psi y un volumen total de inyección inferior a 3 mL, para simular el aumento de la presión intradiscal y provocar síntomas familiares de dolor lumbar, con una puntuación de escala visual analógica (VAS) ≥ 7.

Criterios de inclusión en grupos DLBP: Los pacientes incluidos aquí se sometieron a una resonancia magnética, presentan dolor lumbar recurrente durante más de 3 meses, con tratamiento conservador fallido, con o sin entumecimiento o dolor irradiado en la extremidad inferior, y son positivos para la prueba intraoperatoria de provocación del dolor discológico.

Criterios de inclusión en grupos no DLBP: Los pacientes incluidos aquí se sometieron a una resonancia magnética; no tienen antecedentes de dolor lumbar en los últimos 3 meses o las personas sanas están siendo sometidas a un examen físico; no presentan anomalías en la resonancia magnética; y realizar una evaluación estandarizada con el Índice de Discapacidad (ODI) de Oswestry <10 y VAS ≤2.

Criterios de exclusión: Excluir a los pacientes que presenten otras causas de dolor lumbar, como herniación discal significativa que comprime nervios, fracturas, infecciones de columna, espondilolistesis, tumores, osteoporosis o enfermedades metabólicas óseas; antecedentes de cirugía antes del examen; imágenes poco claras o de mala calidad; incapacidad para identificar la región de interés (ROI).

En total, se incluyeron 243 pacientes, que comprenden 81 pacientes con DLBP y 162 controles.

Parámetros de la resonancia magnética
Todos los pacientes incluidos en este estudio se sometieron a resonancias magnéticas de 3,0 T, utilizando secuencias que incluyeron imágenes ponderadas sagital y axial T1 (T1WI) y T2 ponderadas (T2WI). En el estudio se utilizaron tres máquinas de resonancia magnética diferentes: Siemens Verio, Siemens Prisma y Philips Ingenia CX. Los parámetros de barrido se establecieron de la siguiente manera: para T2WI sagital, TR osciló entre 2000 y 4597 ms, TE de 90 a 120 ms, grosor de corte de 4,0 a 4,8 mm, con 15 cortes incluidos, ancho de banda de 250 Hz a 340 Hz, tamaño de matriz de 384 × 384 o 512 × 512, porcentaje de campo de visión de fase del 100%, y un campo de visión de lectura de 300 mm.

Medición de características y estadísticas de imagen de HIZ
Este estudio utilizó el software 3D Slicer (versión 5.6.1, https://download.slicer.org/?version=5.6.1) para analizar manualmente imágenes ponderadas en T2 de resonancia magnética lumbar de 243 pacientes y controles. El flujo de trabajo de procesamiento de datos fue el siguiente: las imágenes se importaban usando la función Añadir Datos DICOM en 3D Slicer. Las mediciones se realizaron utilizando la función Markups por dos estudiantes de posgrado en investigación de columna bajo la supervisión de radiólogos y cirujanos de columna con más de 10 años de experiencia clínica. Las discrepancias en las mediciones se resolvieron mediante consulta con ambos médicos. Todos los valores de medición fueron promediados por dos estadísticos para garantizar la precisión. En imágenes sagitales se midieron los dos diámetros máximos mutuamente perpendiculares de la zona de alta intensidad (HIZ), definidos como Hizh (dirección casi vertical) y Hizw (dirección casi horizontal). La función de segmentación se utilizó para delimitar la región HIZ, y se calculó el área del HIZ más prominente en el plano sagital, denotada como Hizarea. En imágenes axiales, se medía la longitud máxima del HIZ, denominada Hizl. Además, se definieron tres variables binarias: Hiz (presencia de HIZ), Otra (presencia de HIZ multisegmental) y Posición (si el HIZ cruza la línea media posterior) (Tabla 2).

La radiómica presenta la extracción y estandarización
Para integrar la operación específica de Remuestreo del Volumen Escalar en el contexto del procesamiento de imágenes ponderadas en T2 de resonancia magnética lumbar de 243 pacientes y controles usando 3D Slicer, se siguieron los siguientes pasos detallados: El proceso comenzó con la importación de imágenes ponderadas en T2 para resonancia magnética lumbar en 3D Slicer. Para asegurar la consistencia y reducir el sesgo de heterogeneidad, todas las imágenes se remuestrearon a un tamaño de vóxel de 0,6 × 0,6 × 0,6 mm utilizando el módulo de Remuestreo de Volumen Escalar . Los pasos específicos eran: Navegar a la sección de Módulos y seleccionar Remuestrear Volumen Escalar. En Conjunto de parámetros, asegúrate de que esté seleccionado Remuestrear Volumen Escalar . En la sección de Parámetros de Remuestreo , establece el Espaciado en 0,6, 0,6, 0,6 para definir las dimensiones del vóxeles objetivo. Selecciona un método de interpolación apropiado entre opciones como lineal, vecino más cercano, bspline, hamming, coseno, welch, lanczos o blackman, con lineal como predeterminado. Para Volumen de Salida, selecciona o crea un nuevo volumen para almacenar los datos remuestreados. Tras verificar la configuración, haz clic en Aplicar para ejecutar el proceso de remuestreo.

Tras el remuestreo, dos estudiantes de posgrado en investigación de columna, guiados por radiólogos y cirujanos de columna con más de 10 años de experiencia, realizaron la delimitación semiautomática de la región de interés (ROI). Las discrepancias se resolvieron mediante consulta. Los pasos específicos eran: seleccionar la capa (remuestrear el nuevo volumen), crear una nueva capa de segmentación y usar la función Dibujar para la delimitación capa por capa. Usa la función de relleno entre rebanadas para el relleno entre capas. Suaviza el ROI formado usando el método de suavizado mediano con un tamaño de núcleo de 3,0 mm, 5 x 5 píxeles. Utilizando la biblioteca PyRadiomics, se extrajeron 107 características radiómicas de las imágenes remuestreadas, incluyendo características de forma, características estadísticas de primer orden, matriz de co-ocurrencia de nivel gris (GLCM), matriz de longitud de paso a nivel gris (GLRLM), matriz de zonas de tamaño a nivel gris (GLSZM), matriz de diferencia de tonos de gris vecina (NGTDM) y características de la matriz de dependencia de niveles de gris (GLDM) (Tabla suplementaria 1). Finalmente, los datos extraídos de características se estandarizaron utilizando el método Z-score para transformar su rango natural en un rango estandarizado.

Agrupación basada en características
Los grupos se asignaron de la siguiente manera:
d0 (Grupo base): Características clínicas incluidas, n(d0) = 5.
d1 (Grupo base de ajuste fino): Características clínicas incluidas y características de imagen HIZ, n(d1) = 12.
d2 (Grupo de modelos): Características clínicas incluidas y radiómicas, n(d2) = 112.
D (Grupo de ajuste de modelos finos): Características clínicas incluidas, características de imagen HIZ y características de radiómica, n(D) = 119.

Lectura y preprocesamiento de datos
Los datos de los respectivos grupos se leían usando la función read_excel en el software R (versión 4.3.1, https://www.r-project.org/, plataforma: x86_64-w64-mingw32/x64 [64 bits]) con codificación UTF-8 (por defecto del sistema), que soporta la mayoría de los lenguajes escritos a nivel global. La función select se utilizaba para separar la variable objetivo de las variables de características.

Selección de características
Para garantizar la reproducibilidad de la división de datos, los cuatro conjuntos de datos (D, d2, d1, d0) siguieron el mismo flujo de trabajo de procesamiento, con una semilla aleatoria fija de 80. Se añadió una columna de etiquetas al marco de datos, se convirtió a un tipo de factor, y se generaron etiquetas aleatorias (1 y 0) usando una distribución binomial para dividir los datos en conjuntos de entrenamiento y prueba en una proporción de 8:2 (80% de probabilidad para el conjunto de entrenamiento). Debido al número limitado de características, los grupos d0 y d1 no requerían selección de características, mientras que los grupos d2 y D pasaban por selección de características:

Primero, se aplicó la prueba Mann-Whitney U al conjunto de entrenamiento para seleccionar características con valores p <0,05. Después, se realizó regresión Lasso con validación cruzada de 10 veces y regularización L1 para determinar el coeficiente de penalización óptimo y seleccionar características de una única iteración. Se estableció una semilla aleatoria del 1 al 100, y los pasos anteriores (división de datos, prueba Mann-Whitney U y regresión Lazo) se repetían en un bucle. Se seleccionaron características que aparecieron más de 50 veces en 100 iteraciones para modelado posterior para garantizar la fiabilidad en la construcción y predicción diagnóstica. Las características de modelado para cada grupo se enumeran en la Tabla 3.

Búsqueda en cuadrícula y ajuste de modelos
Para optimizar los modelos, se aplicó la búsqueda en cuadrícula para explorar y evaluar sistemáticamente diferentes combinaciones de hiperparámetros. Mediante ajustes iterativos y evaluación del rendimiento, este estudio identificó el conjunto de hiperparámetros que proporcionaban los mejores valores de AUC ROC para los conjuntos de tren y prueba, optimizando así el rendimiento del modelo.

Desarrollo y evaluación del modelo
Todo el desarrollo de modelos y análisis de datos se realizó en R (versión 4.3.1). Este estudio aplicó varios algoritmos de aprendizaje automático, incluyendo Random Forest (RF), Support Vector Machine (SVM), Decision Tree (TREE), K-Nearest Neighbors (KNN) y Logistic Regression (LOG), para desarrollar 20 modelos en los cuatro grupos (d0, d1, d2 y D) para predecir el diagnóstico de DLBP. El rendimiento del modelo se evaluó utilizando las siguientes métricas: ROC AUC, PR AUC, precisión, sensibilidad, especificidad, valor predictivo positivo (PPV), valor predictivo negativo (NPV) y puntuación F1.

Los valores ROC AUC y PR AUC se generaron directamente a partir de las curvas ROC y PR, mientras que las métricas restantes (precisión, sensibilidad, especificidad, PPV, NPV y puntuación F1) se calcularon y analizaron estadísticamente usando funciones correspondientes en R. Entre los 20 modelos desarrollados, este estudio seleccionó 8 modelos representativos para evaluación basados en las métricas de rendimiento mencionadas.

Las fórmulas para cada métrica son las siguientes:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: Positivo verdadero; TN: Negativo verdadero; FP: Falso positivo; FN: Falso negativo.

Análisis de interpretabilidad SHAP
El modelo de Bosque Aleatorio del grupo D demostró el mejor rendimiento en la evaluación del modelo. Para interpretar aún más las predicciones del modelo, este estudio reconstruyó el modelo en Python (versión 3.7.9) y realizó un análisis de interpretabilidad SHAP. Para mantener la coherencia, los hiperparámetros de tren del modelo Random Forest en Python eran idénticos a los usados en R, y el flujo de trabajo de procesamiento de datos también era consistente. Específicamente, utilizamos el intérprete de modelos de árbol para analizar la contribución de cada característica a las predicciones diagnósticas del modelo en los conjuntos de tren y prueba. Para una mejor visualización, generamos gráficos de distribución de valores SHAP, gráficos de importancia de características y gráficos de fuerza SHAP para predicciones individuales.

Análisis estadístico
Todos los análisis de datos se realizaron usando R (versión 4.3.1, https://www.r-project.org/, plataforma: x86_64-w64-mingw32/x64 (64 bits)) y Python (versión 3.7.9, https://www.python.org/downloads/release/python-379/). Las variables continuas se describieron como media ± desviación estándar, mientras que las variables categóricas se expresaron como frecuencia y porcentaje. La comparación entre DLBP y no DLBP se analizó utilizando la prueba U, considerando un valor P inferior a 0,05 estadísticamente significativo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

Este estudio se basó en datos de resonancia magnética T2WI de 81 pacientes con DLBP confirmados quirúrgicamente y 162 controles, sumando un total de 243 pacientes. Se extrajeron características radiómicas y se combinaron con características clínicas y de imagen HIZ, con los datos divididos en conjuntos de entrenamiento y pruebas en una proporción 8:2 para construir modelos diagnósticos predictivos de DLBP. Concretamente, se obtuvieron siete características de imagen HIZ tras medir el dis...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

El modelo del grupo D, que integra características clínicas, características de imagen HIZ y características radiológicas, se estabilizó en 15 características clave mediante selección de características y múltiples iteraciones, demostrando un rendimiento medio superior en comparación con otros grupos, con mayor estabilidad y capacidad predictiva. El modelo de bosque aleatorio superó a otros modelos en todos los grupos (excepto d0), especialmente en el grupo D, con valores ROC AUC cercano...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Los autores afirman que la investigación se realizó en ausencia de relaciones comerciales o financieras que pudieran considerarse un posible conflicto de intereses.

Agradecimientos

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

Los autores quieren agradecer su apoyo financiero. El trabajo apoyado por la Fundación de Ciencias del Colegio Kangda de la Universidad Médica de Nankín (Grant No. KD2024KYJJ292). El trabajo está apoyado por el Fondo Especial de Investigación para Medicina Clínica de la Universidad de Nantong (Subvención nº 2024JY002). Este trabajo fue apoyado por el Proyecto de Ciencia y Tecnología de la Comisión Municipal de Salud de Nantong (subvención nº MS2024045). Este trabajo fue apoyado por proyectos de Ciencia y Tecnología en la provincia de Jiangsu [BE2023742], Proyecto de la Administración de Medicina Tradicional China de Jiangsu (subvención nº MS2023113).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
3D Slicer 5.6.13D Slicerhttps://download.slicer.org/?version=5.6.1
Almacenamiento de datosZenodohttps://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 GPU para portátilesNVIDIAN/A
Máquina de resonancia magnética Ingenia CX 3.0TPhilips N/A
Máquina de resonancia magnética Prisma 3.0TSiemensN/A
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Máquina de resonancia magnética Verio 3.0TSiemens N/A

Referencias

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

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

An lisis SHAPZona de Alta IntensidadDiagn stico mediante Aprendizaje Autom ticoCaracter sticas Radi micasM tricas de Rendimiento del ModeloSoporte para la Decisi n Cl nica

Artículos relacionados