Article de recherche

Amélioration du diagnostic de douleurs lombaires discogéniques : un modèle de forêt aléatoire expliqué par SHAP combiné à une radiomique T2 IRM lombaire

DOI :

10.3791/69238

⸱

13 février 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

Dans cet article

Résumé

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

Cette étude améliore le diagnostic de la douleur lombaire discogénique (DLBP) en utilisant des données IRM T2 de la colonne lombaire, la radiomique et un modèle Random Forest avec analyse SHAP, atteignant une grande précision et interprétabilité pour une meilleure prise de décision clinique.

Résumé

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

La douleur lombaire (LBP) est une cause majeure d’incapacité et de réduction de la qualité de vie à l’échelle mondiale, la douleur lombaire discogénique (DLBP) représentant 39 % des cas. Un diagnostic précis de l’étiologie de la lombie est difficile en raison du manque de méthodes fiables. Cette étude vise à améliorer l’efficacité diagnostique DLBP en utilisant les données IRM T2 de la colonne lombaire combinées à la radiomique et à l’apprentissage automatique. Cette étude rétrospective a analysé les données IRM de 81 patients atteints de DLBP et 162 témoins sains. Les caractéristiques radiomériques, les données cliniques et les caractéristiques d’imagerie de la zone d’intensité élevée (HIZ) ont été extraites. Les données ont été divisées en quatre groupes (d0, d1, d2, D), et 20 modèles prédictifs ont été construits en utilisant Random Forest (RF), Decision Tree (TREE), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) et Logistic Regression (LOG). La performance du modèle a été évaluée à l’aide de la zone de caractéristique de fonctionnement du récepteur (ROC) sous la courbe (AUC), de la mémoire de précision (PR), de la précision, de la sensibilité, de la spécificité, de la valeur prédictive positive (PPV), de la valeur prédictive négative (NPV) et du score F1. Les explications additives SHapley (SHAP) ont été appliquées pour interpréter les caractéristiques les plus significatives. La Forêt Aléatoire du groupe D a montré les meilleures performances, avec des AUC ROC de 0,9861 (train) et 0,9580 (test), des PR AUC de 0,9813 et 0,9179, et des scores F1 de 0,9254 et 0,8148 respectivement. L’analyse SHAP a identifié la kurtose du premier ordre comme la principale caractéristique contribuant au diagnostic de la DLBP. Le modèle Random Forest avec analyse SHAP a significativement amélioré le diagnostic de la DLBP, offrant une haute performance et une grande interprétabilité pour améliorer la prise de décision clinique.

Introduction

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

Avec l’aggravation du vieillissement de la population et la généralisation de postures assises inappropriées au quotidien, le nombre de patients souffrant de douleurs lombaires (LBP) augmente d’année enannée. La prévalence moyenne de la LBP dans la population adulte générale est d’environ 12 %, avec une prévalence plus élevée observée chez les personnes âgées de 40 ans ou plus et chez les femmes, avec une prévalence à vie d’environ 40 %. Parmi tous les cas de lombalgie, la douleur lombaire discogénique (DLBP) représente environ 39 %, son étiologie étant complexe et diversifiée, souvent associée à la dégénérescence disque, en particulier les déchirures annulaires atteignant l’anneau externe dudisque 3,4,5. L’augmentation de la pression discale stimule les terminaisons nerveuses sensibilisées par des médiateurs inflammatoires, entraînant une douleurdiscogénique 5,6.

Actuellement, la discographie est considérée comme la référence pour le diagnostic de la DLBP, confirmant l’étiologie en provoquant la douleurdiscogénique 7. Cependant, sa validité et sa sécurité sont remises en question en raison de faux positifs potentiels et du risque d’accélération de la dégénérescence discale, limitant son application clinique 5,8. La zone de haute intensité (HIZ) désigne des signaux de haute intensité dans l’annulus postérieur sur les images IRM pondérées en T2, caractérisés pathologiquement par des déchirures ou ruptures annulaires 5,8,9. Bien que la relation entre HIZ et DLBP ait été largement étudiée, HIZ présente une faible spécificité et est également fréquente chez les personnes asymptomatiques, conduisant souvent à des erreurs de diagnostic 10,11,12,13. Dans les images pondérées en T2 des patients atteints de maladie dégénérative des disques lombaires (LDDD) et de lombalesie chronique, presque tous les disques dégénérés présentent une diminution de l’intensité dusignal 14. Selon la classification de Pfirrmann et al., la dégénérescence discale est graduée de I (disque normal) à V (dégénérescence sévère)14. L’imagerie pondérée en T2 est largement utilisée dans les études multimodales pour le diagnostic et l’évaluation du LDDD et de la LBP, fournissant des informations essentielles sur la dégénérescence discale et sa pertinence clinique15,16. Cependant, une faible intensité du signal ne reflète pas fidèlement les changements morphologiques du disque et présente peu de corrélation avec le degré de douleur causé parDLBP 17,18,19.

Actuellement, la prise de décision clinique pour la DLBP repose principalement sur l’évaluation subjective des cliniciens, qui se concentrent sur des facteurs tels que le HIZ, la hauteur du disque, les disques noirs ou les changements de signaldans le disque 20,21. D’autres considérations incluent l’âge, le sexe, la taille, le poids et l’indice de masse corporelle (IMC) du patient. La durée et l’intensité de la largibide dorsale sont également dans le champ d’étude de la situation. Une telle méthode de diagnostic, dépendante d’une évaluation subjective, peut conduire à des plans de traitement erronés. Par conséquent, il est urgent de développer un outil de diagnostic efficace pour améliorer l’efficacité diagnostique de laDLBP 4.

L’IRM, en tant que technique d’imagerie non invasive, joue un rôle important dans le diagnostic de la lésbie lombique. En particulier, l’imagerie axiale pondérée en T2 (T2WI), avec son contraste tissulaire élevé, fournit des informations physiologiques et un état pathologique plus précis du disque que la tomodensitométrie (CT)22,23. L’analyse des caractéristiques radiomédicales, en convertissant les données d’images issues de l’IRM, du scanner, etc., en caractéristiques quantitatives pour une analyse mathématique avancée, offre un outil puissant pour l’évaluation et l’interprétation d’imagesmédicales 24. Cette méthode peut réduire les biais issus de l’analyse subjective, améliorant ainsi la précision et la cohérence des résultatsdiagnostiques 25.

Ces dernières années, l’intelligence artificielle et les techniques d’apprentissage automatique en analyse d’imagerie médicale ont apporté un nouvel espoir pour le diagnosticdes maladies 26. En améliorant la précision des diagnostics, en automatisant les flux de travail cliniques et en permettant des stratégies de traitement personnalisées, les technologies d’IA transforment profondément le paysage des soins de santéintelligents 27. Dans le diagnostic de la DLBP, l’intégration de la radiomique avec les algorithmes d’apprentissage automatique présente un grand potentiel pour améliorer la précision et l’efficacitédiagnostique 28. Cependant, la nature « boîte noire » des modèles complexes d’apprentissage automatique limite leur applicabilité clinique, faisant de l’IA explicable (XAI) un élément critique des systèmes d’aide à la décisionclinique 29. SHapley Additive exPlanations (SHAP), une méthode interprétative basée sur la théorie des jeux, quantifie la contribution et l’impact de chaque caractéristique sur les prédictions diagnostiques du modèle, rendant les modèles complexes d’apprentissage automatique plus transparents etinterprétables 30. Il est devenu l’une des techniques XAI les plus utilisées dans les systèmes d’aide à la décision clinique, renforçant efficacement la confiance et l’acceptation des systèmes d’IApar les cliniciens 29.

Cette étude a développé un algorithme de forêt aléatoire incorporant la radiomique et l’analyse d’interprétabilité SHAP, améliorant significativement l’efficacité diagnostique de la DLBP par rapport aux évaluations subjectives traditionnelles. De plus, la méthode d’interprétation SHAP améliore la transparence des prédictions diagnostiques du modèle, renforçant la confiance des cliniciens dans le diagnostic et améliorant la précision de la prise de décision clinique. Cette étude avance que ce modèle réduira la souffrance inutile causée par un diagnostic erroné et un traitement retardé, favorisera l’avancement d’un traitement personnalisé et, en fin de compte, améliorera les résultats globaux du traitement pour les patients.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Considérations éthiques et population étudiée
Cette étude rétrospective a été approuvée par le comité d’éthique institutionnel. Le consentement éclairé a été renoncé car toutes les informations de santé protégées ont été anonymisées. La population étudiée comprenait des patients récupérés dans la base de données d’imagerie du First People’s Hospital de Nantong, qui ont subi une IRM de la colonne lombaire en raison de douleurs lombaires entre janvier 2022 et décembre 2023. Les caractéristiques cliniques des patients ont également été recueillies (tableau 1).

Critères d’inclusion et d’exclusion
La norme diagnostique actuelle pour la DLBP suit la méthode de discographie de l’International Association for the Study of Pain de 1995, qui provoque la douleur par une pression accrue mais n’est pas largement acceptée en raison de sa forte intensitéd’invasion 8. Par conséquent, cette étude a adopté un test restrictif de provocation de douleur discale intraopératoire comme méthode diagnostique pour la DLBP, conforme aux principes de la discographie tout en minimisant les dommages et complications ultérieursdes disques 31. La procédure impliquait des patients en position allongée sous anesthésie rachidienne, avec le disque lombaire cible localisé selon la radiographie du bras C. Une aiguille de 18 G (<22 G) a été insérée par une approche postérolatérale dans le noyau pulposeux central, évitant les racines nerveuses et le sac dural. Après confirmation du placement de l’aiguille, une solution saline ou un contraste non ionique (par exemple, iohexol) a été injecté à un taux ne dépassant pas 0,5 mL/min, avec une pression inférieure à 50 psi et un volume total d’injection inférieur à 3 mL, afin de simuler une pression intradiscale accrue et de provoquer des symptômes familiers de douleur lombaire, avec un score d’échelle analogique visuelle (VAS) ≥ 7.

Critères d’inclusion dans les groupes DLBP : Les patients inclus ici ont subi une IRM, présentent des douleurs lombaires récurrentes depuis plus de 3 mois, avec un traitement conservateur infructueux, avec ou sans engourdissement ou douleur irradiante des membres inférieurs, et sont positifs au test de provocation de douleur discale intraopératoire.

Critères d’inclusion des groupes non liés au DLBP : Les patients inclus ici ont subi une IRM ; n’ont aucun antécédent de douleurs lombaires depuis 3 mois ou des personnes en bonne santé subissent un examen physique ; n’a aucune anomalie IRM ; et disposent d’une évaluation standardisée avec l’Indice de Handicap (ODI) d’Oswestry <10 et le VAS ≤2.

Critères d’exclusion : Excluez les patients ayant d’autres causes de douleurs lombaires, telles que des hernies discales importantes des nerfs compressants, des fractures, des infections vertébrales, une spondylolisthésis, des tumeurs, de l’ostéoporose ou des maladies métaboliques des os ; antécédents de chirurgie avant l’examen ; des images peu claires ou de mauvaise qualité ; incapacité à identifier la région d’intérêt (ROI).

Au total, 243 patients ont été inclus, comprenant 81 patients atteints de PLD et 162 témoins.

Paramètres IRM
Tous les patients inclus dans cette étude ont subi des IRM en 3,0 T, utilisant des séquences incluant l’imagerie sagittale et axiale pondérée en T1 (T1WI) ainsi que l’imagerie pondérée en T2 (T2WI). Trois appareils IRM différents ont été utilisés dans l’étude : Siemens Verio, Siemens Prisma et Philips Ingenia CX. Les paramètres de balayage étaient définis comme suit : pour le T2WI sagittal, TR variait de 2000 à 4597 ms, TE de 90 à 120 ms, épaisseur de tranche de 4,0 à 4,8 mm, avec 15 tranches incluses, bande passante de 250 Hz à 340 Hz, matrice de 384 × 384 ou 512 × 512, pourcentage de champ de vision de phase de 100 %, et un champ de vision de 300 mm.

Mesure et statistiques des caractéristiques d’imagerie HIZ
Cette étude a utilisé le logiciel 3D Slicer (version 5.6.1, https://download.slicer.org/?version=5.6.1) pour analyser manuellement les images IRM lombaires pondérées en T2 de 243 patients et témoins. Le flux de traitement des données était le suivant : les images étaient importées en utilisant la fonction Ajouter des données DICOM dans 3D Slicer. Les mesures ont été réalisées à l’aide de la fonction Markups par deux étudiants en recherche sur la colonne vertébrale sous la direction de radiologues et de chirurgiens de la colonne vertébrale ayant plus de 10 ans d’expérience clinique. Les écarts dans les mesures ont été résolus par consultation avec les deux médecins. Toutes les valeurs de mesure ont été moyennées par deux statisticiens pour garantir leur exactitude. Sur les images sagittales, les deux diamètres maximaux mutuellement perpendiculaires de la zone d’intensité élevée (HIZ) ont été mesurés, définis comme Hizh (direction quasi verticale) et Hizw (direction quasi horizontale). La fonction de segmentation était utilisée pour délimiter la région HIZ, et l’aire du HIZ le plus proéminent sur le plan sagittal était calculée, notée Hizarea. Sur les images axiales, la longueur maximale du HIZ était mesurée, appelée Hizl. De plus, trois variables binaires ont été définies : Hiz (présence de HIZ), Autre (présence d’HI multisegmentaire) et Position (si le HIZ traverse la ligne médiane postérieure) (Tableau 2).

Radiomics caractéristiques d’extraction et de normalisation
Pour intégrer le fonctionnement spécifique du volume scalaire de rééchantillonnage dans le contexte du traitement des images IRM lombaires pondérées T2 de 243 patients et témoins à l’aide de 3D Slicer, les étapes détaillées suivantes ont été suivies : Le processus a commencé par l’importation d’images pondérées en IRM lombaire T2 dans 3D Slicer. Pour assurer la cohérence et réduire le biais d’hétérogénéité, toutes les images ont été rééchantillonnées à une taille voxel de 0,6 × 0,6 × 0,6 mm en utilisant le module Resampling Scalar Volume . Les étapes spécifiques étaient : naviguer dans la section Modules et sélectionner Volume scalaire de rééchantillonnage. Dans Paramètres Ensemble, assurez-vous que le volume scalaire de rééchantillonnage est sélectionné. Dans la section Paramètres de rééchantillonnage , réglez l’espacement à 0,6, 0,6, 0,6 pour définir les dimensions cibles des voxels. Sélectionnez une méthode d’interpolation appropriée parmi des options telles que linéaire, voisin le plus proche, bspline, hamming, cosinus, welch, lanczos ou blackman, avec linéaire comme valeur par défaut. Pour le volume de sortie, sélectionnez ou créez un nouveau volume pour stocker les données rééchantillonnées. Après vérification des paramètres, cliquez sur Appliquer pour exécuter le processus de rééchantillonnage.

Après un rééchantillonnage, deux étudiants en recherche sur la colonne vertébrale, encadrés par des radiologues et des chirurgiens de la colonne vertébrale ayant plus de 10 ans d’expérience, ont réalisé une délimitation semi-automatique de la région d’intérêt (ROI). Les divergences ont été résolues par consultation. Les étapes spécifiques étaient : sélectionner le calque (rééchantillonner un nouveau volume), créer un nouveau calque de segmentation, et utiliser la fonction Dessin pour la délimitation couche par couche. Utilisez la fonction Remplir entre les tranches pour le remplissage entre les couches. Lisser le ROI formé en utilisant la méthode de lissage médiane avec une taille de grain de 3,0 mm, 5 x 5 pixels. À l’aide de la bibliothèque PyRadiomics, 107 caractéristiques radiomiques ont été extraites des images rééchantillonnées, incluant des caractéristiques de forme, des caractéristiques statistiques du premier ordre, la matrice de cooccurrence de niveau gris (GLCM), la matrice de longueur de course de niveau gris (GLRLM), la matrice de zone de taille de niveau gris (GLSZM), la matrice de différence de tonalité de gris voisine (NGTDM) et les caractéristiques de la matrice de dépendance des niveaux de gris (GLDM) (Tableau supplémentaire 1). Enfin, les données extraites des caractéristiques ont été standardisées à l’aide de la méthode Z-score pour transformer leur plage naturelle en une plage standardisée.

Regroupement basé sur les caractéristiques
Les groupes étaient répartis comme suit :
d0 (Groupe de base) : Caractéristiques cliniques incluses, n(d0) = 5.
d1 (Groupe de fin de base) : Caractéristiques cliniques incluses et caractéristiques d’imagerie HIZ, n(d1) = 12.
d2 (Groupe de modèles) : Caractéristiques cliniques et radiomiques incluses, n(d2) = 112.
D (Groupe de finure modèle) : Caractéristiques cliniques incluses, caractéristiques d’imagerie HIZ et caractéristiques radiomique, n(D) = 119.

Lecture et prétraitement des données
Les données des groupes respectifs étaient lues à l’aide de la fonction read_excel dans le logiciel R (version 4.3.1, https://www.r-project.org/, plateforme : x86_64-w64-mingw32/x64 [64 bits]) avec codage UTF-8 (par défaut système), qui prend en charge la plupart des langages écrits au monde. La fonction select servait à séparer la variable cible des variables de caractéristiques.

Sélection des fonctionnalités
Pour garantir la reproductibilité de la division des données, les quatre ensembles de données (D, d2, d1, d0) ont suivi le même flux de traitement, avec une graine aléatoire fixe de 80. Une colonne d’étiquettes était ajoutée à la trame de données, convertie en type de facteur, et des étiquettes aléatoires (1 et 0) étaient générées à l’aide d’une distribution binomiale pour diviser les données en ensembles d’entraînement et de test dans un ratio de 8:2 (probabilité de 80 % pour l’ensemble d’entraînement). En raison du nombre limité de fonctionnalités, les groupes d0 et d1 ne nécessitaient pas de sélection de caractéristiques, tandis que les groupes d2 et D subissaient une sélection de caractéristiques :

Premièrement, le test Mann-Whitney U a été appliqué à l’ensemble d’entraînement pour sélectionner des caractéristiques avec des valeurs p <0,05. Ensuite, une régression Lasso avec validation croisée 10 fois et régularisation L1 a été réalisée pour déterminer le coefficient de pénalité optimal et sélectionner des caractéristiques issues d’une seule itération. Une graine aléatoire de 1 à 100 était posée, et les étapes ci-dessus (division des données, test Mann-Whitney U et régression de lasso) étaient répétées dans une boucle. Les caractéristiques apparaissant plus de 50 fois en 100 itérations ont été sélectionnées pour la modélisation ultérieure afin d’assurer la fiabilité de la construction du modèle et de la prédiction diagnostique. Les caractéristiques de modélisation pour chaque groupe sont listées dans le tableau 3.

Recherche de grille et réglage du modèle
Pour optimiser les modèles, la recherche en grille a été appliquée afin d’explorer et d’évaluer systématiquement différentes combinaisons d’hyperparamètres. Grâce à l’ajustement itératif et à l’évaluation des performances, cette étude a identifié l’ensemble d’hyperparamètres fournissant les meilleures valeurs AUC ROC pour les ensembles de train et de test, optimisant ainsi les performances du modèle.

Développement et évaluation du modèle
Tout le développement du modèle et l’analyse des données ont été réalisés en R (version 4.3.1). Cette étude a appliqué divers algorithmes d’apprentissage automatique, notamment la Forêt Aléatoire (RF), la Machine à Vecteurs de Soutien (SVM), l’Arbre de Décision (TREE), les K-Voisins les Plus Proches (KNN) et la Régression Logistique (LOG), pour développer 20 modèles répartis sur les quatre groupes (d0, d1, d2 et D) pour prédire le diagnostic de la DLBP. La performance du modèle a été évaluée à l’aide des indicateurs suivants : ROC AUC, PR AUC, précision, sensibilité, spécificité, valeur prédictive positive (PPV), valeur prédictive négative (NPV) et score F1.

Les valeurs ROC AUC et PR AUC ont été directement générées à partir des courbes ROC et PR, tandis que les autres métriques (précision, sensibilité, spécificité, PPV, NPV et score F1) ont été calculées et analysées statistiquement à l’aide de fonctions correspondantes dans R. Parmi les 20 modèles développés, cette étude a sélectionné 8 modèles représentatifs pour une évaluation basée sur les indicateurs de performance ci-dessus.

Les formules pour chaque métrique sont les suivantes :

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP : Vrai positif ; TN : True Negative ; FP : Faux positif ; FN : Faux négatif.

Analyse de l’interprétabilité SHAP
Le modèle Random Forest du groupe D a démontré la meilleure performance dans l’évaluation du modèle. Pour mieux interpréter les prédictions du modèle, cette étude a reconstruit le modèle en Python (version 3.7.9) et a réalisé une analyse d’interprétabilité SHAP. Pour maintenir la cohérence, les hyperparamètres de train du modèle Random Forest en Python étaient identiques à ceux utilisés dans R, et le flux de traitement des données était également cohérent. Plus précisément, nous avons utilisé l’interpréteur de modèle arbre pour analyser la contribution de chaque caractéristique aux prédictions diagnostiques du modèle dans les ensembles de train et de test. Pour une meilleure visualisation, nous avons généré des graphiques de distribution de valeurs SHAP, des graphiques d’importance des caractéristiques et des graphiques de force SHAP pour des prédictions individuelles.

Analyse statistique
Toutes les analyses de données ont été réalisées avec R (version 4.3.1, https://www.r-project.org/, plateforme : x86_64-w64-mingw32/x64 (64 bits)) et Python (version 3.7.9, https://www.python.org/downloads/release/python-379/). Les variables continues étaient décrites comme moyenne ± écart-type, tandis que les variables catégorielles étaient exprimées en fréquence et en pourcentage. La comparaison entre DLBP et non-DLBP a été analysée à l’aide du test U, avec une valeur P inférieure à 0,05 considérée comme statistiquement significative.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Cette étude était basée sur des données IRM T2WI de 81 patients atteints de DLBP confirmés chirurgicalement et 162 témoins, soit un total de 243 patients. Les caractéristiques radiomiques ont été extraites et combinées avec des caractéristiques cliniques et d’imagerie HIZ, les données étant réparties en ensembles d’entraînement et de test dans un ratio 8:2 pour construire des modèles diagnostiques prédictifs DLBP. Plus précisément, sept caractéristiques d’imagerie HIZ ont été obtenues ap...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Le modèle du groupe D, intégrant les caractéristiques cliniques, les caractéristiques d’imagerie HIZ et les caractéristiques radiomiques, s’est stabilisé à 15 caractéristiques clés grâce à la sélection des caractéristiques et à plusieurs itérations, démontrant des performances moyennes supérieures à celles des autres groupes, avec une stabilité et une capacité prédictive supérieures. Le modèle de forêt aléatoire a surpassé les autres modèles dans tous les groupes (sauf d0), en particulie...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs affirment que la recherche a été menée en l’absence de toute relation commerciale ou financière pouvant être considérée comme un conflit d’intérêts potentiel.

Remerciements

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

Les auteurs tiennent à remercier leur soutien financier. Le travail soutenu par la Science Foundation du Collège Kangda de l’Université de Médecine de Nankin (Grant No. KD2024KYJJ292). Le travail est soutenu par le Fonds spécial de recherche en médecine clinique de l’Université de Nantong (Subvention n° 2024JY002). Ce travail a été soutenu par le projet Science and Technology de la Commission municipale de santé de Nantong (subvention n° MS2024045). Ce travail a été soutenu par des projets de science et technologie dans la province du Jiangsu [BE2023742], projet de l’Administration de la médecine traditionnelle chinoise du Jiangsu (subvention n° MS2023113).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
3D Slicer 5.6.13D Slicerhttps://download.slicer.org/?version=5.6.1
Stockage des donnéesZenodohttps://doi.org/10.5281/zenodo.17365220.
GPU GeForce RTX 3060 pour ordinateurs portablesNVIDIAN/A
Machine IRM Ingenia CX 3.0TPhilips  ;N/A
Machine d’IRM Prisma 3.0TSiemensN/A
Python 3.7.9Python  ;https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Machine IRM Verio 3.0TSiemens  ;N/A

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Analyse SHAPzone de haute intensitdiagnostic par apprentissage automatiquecaract ristiques radiomiquesmesures de performance du mod leaide la d cision clinique

Articles connexes