מאמר מחקר

שיפור האבחון של כאבי גב תחתון דיסקוגניים: מודל יער אקראי מוסבר על ידי SHAP בשילוב עם רדיו-מיקים MRI לעמוד השדרה המותני T2

DOI:

10.3791/69238

⸱

13 בפברואר 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

במאמר זה

סיכום

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

מחקר זה משפר את האבחנה של כאבי גב תחתון דיסקוגניים (DLBP) באמצעות נתוני MRI T2 בעמוד השדרה המותני, רדיומיקה ומודל יער אקראי עם ניתוח SHAP, ומשיג דיוק גבוה ויכולת פרשנות גבוהה לשיפור קבלת ההחלטות הקליניות.

תקציר

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

כאבי גב תחתון (LBP) הם גורם מוביל לנכות ולירידה באיכות החיים ברחבי העולם, כאשר כאבי גב תחתון דיסקוגניים (DLBP) מהווים 39% מהמקרים. אבחון מדויק של אטיולוגיית LBP הוא מאתגר בשל חוסר שיטות אמינות. מחקר זה שואף לשפר את יעילות האבחון של DLBP באמצעות נתוני MRI T2 בעמוד השדרה המותני בשילוב עם רדיומיקה ולמידת מכונה. מחקר רטרוספקטיבי זה ניתח נתוני MRI מ-81 מטופלים עם DLBP ו-162 אנשים בביקורת בריאים. הופקו מאפייני רדיומיקה, נתונים קליניים ותכונות הדמיה אזורית בעוצמה גבוהה (HIZ). הנתונים חולקו לארבע קבוצות (d0, d1, d2, D), ו-20 מודלים חיזויים נבנו באמצעות יער אקראי (RF), עץ החלטות (TREE), מכונת וקטור תמיכה (SVM), שכנים קרובים K(KNN) ורגרסיה לוגיסטית (LOG). ביצועי המודל הוערכו באמצעות שטח מאפיין תפעול של מקלט (ROC) מתחת לעקומה (AUC), שחזור דיוק (PR) AUC, דיוק, רגישות, ספציפיות, ערך חיזוי חיובי (PPV), ערך חיזוי שלילי (NPV) וציון F1. שימשו את SHaple Additive exPlanation (SHAP) לפרשנות התכונות המשמעותיות ביותר. ה-Random Forest בקבוצה D הציגה את הביצועים הטובים ביותר, עם AUCs של ROC של 0.9861 (רכבת) ו-0.9580 (מבחן), ציוני PR AUC של 0.9813 ו-0.9179, וציוני F1 של 0.9254 ו-0.8148, בהתאמה. ניתוח SHAP זיהה קורטוזיס מסדר ראשון כמאפיין המרכזי התורם לאבחון DLBP. מודל היער האקראי עם ניתוח SHAP שיפר משמעותית את אבחון DLBP, והציע ביצועים גבוהים ויכולת פרשנות לשיפור קבלת ההחלטות הקליניות.

מבוא

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

עם ההחמרה של הזדקנות האוכלוסייה וההתפשטות הנרחבת של יציבות ישיבה לא נכונות בעבודה ובחיים היומיומיים, מספר המטופלים עם כאבי גב תחתון (LBP) עולה משנהלשנה. השכיחות הממוצעת של LBP באוכלוסייה הבוגרת הכללית היא כ-12%, עם שכיחות גבוהה יותר שנצפתה בקרב בני 40 ומעלה ובנשים, עם שכיחות לכל החיים של כ-40%2. מבין כל מקרי LBP, כאבי גב תחתון דיסקוגניים (DLBP) מהווים כ-39%, כאשר האטיולוגיה שלו מורכבת ומגוונת, לעיתים קרובות קשורה לניוון דיסק, במיוחד קרעים טבעתיים שמגיעים לטבעת החיצונית של הדיסק 3,4,5. לחץ דיסק מוגבר מעורר קצות עצבים הרגישים על ידי מתווכים דלקתיים, מה שמוביל לכאב דיסקוגני 5,6.

נכון להיום, דיסקוגרפיה נחשבת לסטנדרט הזהב לאבחון DLBP, ומאשרת את האטיולוגיה על ידי עוררת כאב דיסקוגני7. עם זאת, תוקפו ובטיחותו מוטלים בספק בשל פוטנציאל חיובי שגוי וסיכון להאצת ניוון הדיסק, מה שמגביל את יישומו הקליני 5,8. אזור העוצמה הגבוהה (HIZ) מתייחס לאותות בעוצמה גבוהה בטבעת האחורית בתמונות MRI משוקללות T2, המאופיין פתולוגית בקרעים או קרעים טבעתיים 5,8,9. למרות שהקשר בין HIZ ל-DLBP נחקר באופן נרחב, ל-HIZ יש ספציפיות נמוכה והוא נפוץ גם אצל אנשים ללא תסמינים, מה שמוביל לעיתים לאבחון שגוי 10,11,12,13. בתמונות משוקללות T2 של מחלת דיסק ניוונית מותנית (LDDD) וחולי LBP כרוניים, כמעט כל הדיסקים המנוונים מראים ירידה בעוצמת האות14. לפי הסיווג של Pfirrmann ואחרים, ניוון הדיסק מדורג מ-I (דיסק תקין) ל-V (ניוון חמור)14. הדמיה משוקללת T2 משמשת באופן נרחב במחקרים רב-מודליים לאבחון והערכה של LDDD ו-LBP, ומספקת תובנות קריטיות לגבי ניוון דיסק ורלוונטיותו הקלינית15,16. עם זאת, עוצמת אות נמוכה אינה משקפת במדויק שינויים מורפולוגיים בדיסק ויש לה מעט מאוד קשר לחומרת הכאב שנגרם על ידי DLBP 17,18,19.

נכון להיום, קבלת ההחלטות הקליניות לגבי DLBP מתבססת בעיקר על הערכה סובייקטיבית של הרופאים, המתמקדים בגורמים כמו HIZ, גובה הדיסק, דיסקים שחורים או שינויים באות בדיסק20,21. שיקולים נוספים כוללים גיל מטופל, מגדר, גובה, משקל ומדד מסת גוף (BMI). משך ועוצמת ה-LBP גם הם בתחום השיקול. שיטת אבחון כזו, התלויה בהערכה סובייקטיבית, עלולה להוביל לתוכניות טיפול שגויות. לכן, פיתוח כלי אבחון יעיל לשיפור יעילות האבחון של DLBP הוא הכרחי בדחיפות4.

MRI, כשיטת דימות לא פולשנית, ממלא תפקיד חשוב באבחון LBP. במיוחד, הדמיה משוקללת T2 צירית (T2WI), עם ניגודיות רקמה גבוהה, מספקת מידע פיזיולוגי מדויק יותר ומצב פתולוגי של הדיסק בהשוואה לטומוגרפיה ממוחשבת מסורתית (CT)22,23. ניתוח תכונות רדיומאי, על ידי המרת נתוני תמונה מ-MRI, CT וכו', לתכונות כמותיות לניתוח מתמטי מתקדם, מספק כלי עוצמתי להערכה ופרשנותשל תמונות רפואיות. שיטה זו יכולה להפחית הטיות מניתוח סובייקטיבי, ובכך לשפר את הדיוק והעקביות של תוצאות האבחון25.

בשנים האחרונות, בינה מלאכותית וטכניקות למידת מכונה בניתוח הדמיה רפואית הביאו תקווה חדשה לאבחון מחלות26. על ידי שיפור דיוק האבחון, אוטומציה של תהליכי עבודה קליניים ואפשרות אסטרטגיות טיפול מותאמות אישית, טכנולוגיות AI משנות באופן עמוק את נוף מערכת הבריאות החכמה27. באבחון DLBP, שילוב רדיומיקים עם אלגוריתמים של למידת מכונה טומן בחובו פוטנציאל רב לשיפור הדיוק והיעילות האבחנתיים28. עם זאת, האופי ה"קופסה השחורה" של מודלים מורכבים של למידת מכונה מגביל את היישום הקליני שלהם, מה שהופך את הבינה המלאכותית הניתנת להסבר (XAI) לרכיב קריטי במערכות תמיכה קליניות29. SHapley Additive ExPlanations (SHAP), שיטה פרשנית מבוססת תורת המשחקים, מכמת את תרומתה והשפעתה של כל תכונה על תחזיות אבחון המודלים, מה שהופך מודלים מורכבים ללמידת מכונה לשקופיםוניתנים לפרשנות יותר. היא הפכה לאחת הטכניקות הנפוצות ביותר ב-XAI במערכות תמיכה קלינית, ומגבירה למעשה את האמון והקבלה של הרופאים במערכות בינה מלאכותית29.

מחקר זה פיתח אלגוריתם יער אקראי המשלב רדיומיקה וניתוח פרשנות SHAP, ושיפר משמעותית את יעילות האבחון של DLBP בהשוואה להערכות סובייקטיביות מסורתיות. יתרה מזאת, שיטת הפרשנות של SHAP משפרת את שקיפות תחזיות האבחון של המודל, מחזקת את ביטחון הרופאים באבחון ומשפרת את דיוק קבלת ההחלטות הקליניות. מחקר זה טוען שמודל זה יפחית סבל מיותר הנגרם מאבחון שגוי ועיכוב בטיפול, יקדם את קידום הטיפול המותאם אישית, ולבסוף ישפר את תוצאות הטיפול הכוללות של המטופלים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

שיקולים אתיים ואוכלוסיית המחקר
מחקר רטרואקטיבי זה אושר על ידי ועדת האתיקה המוסדית. הסכמה מדעת בוטלה מאחר שכל המידע הבריאותי המוגן היה אנונימי. אוכלוסיית המחקר כללה מטופלים שנאספו ממאגר ההדמיה של בית החולים First People's בננטונג, שעברו MRI עמוד שדרה מותני עקב כאבי גב תחתון בין ינואר 2022 לדצמבר 2023. נאספו גם מאפיינים קליניים של המטופלים (טבלה 1).

קריטריוני הכללה והחרגה
התקן האבחוני הנוכחי ל-DLBP עוקב אחרי שיטת הדיסקוגרפיה של האגודה הבינלאומית לחקר כאב משנת 1995, שמעוררת כאב באמצעות לחץ מוגבר אך אינה מקובלת באופן נרחב בשל פולשנותה הגבוהה8. לכן, מחקר זה אימץ מבחן הגבלה לגירוי כאב דיסק תוך ניתוח כשיטת אבחון ל-DLBP, בהתאם לעקרונות הדיסקוגרפיה תוך מזעור נזק וסיבוכים נוספים לדיסק31. ההליך כלל מטופלים במצב שכיבה תחת הרדמה עמוד שדרה, כאשר הדיסק המותני המטרה מוקם באמצעות הנחיית רנטגן בזרוע C. מחט במשקל 18 גרם (<22 גרם) הוכנסה באמצעות גישה פוסטרולטרלית לגרעין הפולפוסוס המרכזי, תוך הימנעות משורשי העצבים והשק הדורלי. לאחר אישור מיקום המחט, הוזרק חומר ניגוד תמי מלח או לא יוני (למשל, יוהקסול) בקצב שלא עולה על 0.5 מ"ל/דקה, עם לחץ מתחת ל-50 psi ונפח הזרקה הכולל של פחות מ-3 מ"ל, כדי לדמות לחץ תוך-דיסקלי מוגבר ולעורר תסמיני כאבי גב תחתון מוכרים, עם ציון סולם אנלוגי חזותי (VAS) ≥ 7.

קריטריוני הכללה לקבוצת DLBP: המטופלים כאן עברו בדיקת MRI, סובלים מכאבי גב תחתון חוזרים במשך למעלה מ-3 חודשים, עם טיפול שמרני כושל, עם או בלי נימול בגפה התחתונה או כאב מקרין, והם חיוביים לבדיקת גירוי כאב בדיסק במהלך הניתוח.

קריטריוני ההכללה בקבוצות שאינן DLBP: המטופלים שנכללו כאן עברו MRI; אין להם היסטוריה של כאבי גב תחתון בתוך 3 חודשים או אנשים בריאים שעוברים בדיקה גופנית; אין חריגות ב-MRI; ולקיים הערכה סטנדרטית עם מדד הנכות אוסווסטרי (ODI) <10 ו-VAS ≤2.

קריטריונים להחריג: להחריג מטופלים שיש להם סיבות נוספות לכאבי גב תחתון, כגון פריצת דיסק משמעותית הדוחות על עצבים, שברים, זיהומים בעמוד השדרה, ספונדילוליסטזיס, גידולים, אוסטאופורוזיס או מחלות עצם מטבוליות; היסטוריה של ניתוחים לפני הבדיקה; תמונות לא ברורות או באיכות ירודה; חוסר יכולת לזהות את אזור העניין (ROI).

בסופו של דבר, נכללו 243 מטופלים, כולל 81 חולי DLBP ו-162 בביקורת.

פרמטרי MRI
כל המטופלים שנכללו במחקר זה עברו סריקות MRI של 3.0 T, תוך שימוש ברצפים שכללו דימות משוקלל T1 (T1WI) וסגיטל ואקסיאלי (T1WI) והדמיה משוקללת T2 (T2WI). שלושה מכשירי MRI שונים שימשו במחקר: Siemens Verio, Siemens Prisma ו-Philips Ingenia CX. פרמטרי הסריקה נקבעו כך: עבור T2WI הסגיטלית, TR נע בין 2000 ל-4597 מילישניות, TE בין 90 ל-120 מילישניות, עובי פרוסה בין 4.0 ל-4.8 מ"מ, כולל 15 פרוסות, רוחב פס מ-250 הרץ עד 340 הרץ, גודל מטריצה של 384 × 384 או 512 × 512, אחוז שדה ראיית פאזה של 100%, ושדה ראייה של 300 מ"מ.

הדמיית HIZ כוללת מדידה וסטטיסטיקה
מחקר זה השתמש בתוכנת 3D Slicer (גרסה 5.6.1, https://download.slicer.org/?version=5.6.1) לניתוח ידני תמונות משוקללות MRI מותני T2 מ-243 מטופלים וביקורת. תהליך עיבוד הנתונים היה כדלקמן: תמונות יובאו באמצעות פונקציית Add DICOM Data ב-3D Slicer. המדידות בוצעו באמצעות פונקציית Markups על ידי שני סטודנטים לתארים מתקדמים למחקר עמוד שדרה בהנחיית רדיולוגים ומנתחי עמוד שדרה בעלי ניסיון קליני של למעלה מ-10 שנים. אי-התאמות במדידות נפתרו בהתייעצות עם שני הרופאים. כל ערכי המדידה נמדדו על ידי שני סטטיסטיקאים כדי להבטיח דיוק. בתמונות סגיטליות, נמדדו שני הקוטרים המקסימליים הניצבים זה לזה של אזור העוצמה הגבוהה (HIZ), שהוגדרו כ-Hizh (כיוון כמעט אנכי) ו-Hizw (כיוון כמעט אופקי). פונקציית הסגמנטציה שימשה להגדרת אזור ה-HIZ, ושטח ה-HIZ הבולט ביותר במישור הסגיטל חושב, שסומן כ-Hizarea. בתמונות ציריות נמדד האורך המרבי של ה-HIZ, שנקרא Hizl. בנוסף, הוגדרו שלושה משתנים בינאריים: Hiz (נוכחות HIZ), אחר (נוכחות HIZ רב-מקטעי), ומיקום (האם HIZ חוצה את הקו האמצעי) (טבלה 2).

הרדיומיקה כוללת חילוץ וסטנדרטיזציה
כדי לשלב את הפעולה הספציפית של Ressampleling Scalar Volume בהקשר של עיבוד תמונות משוקללות T2 MRI מותני מ-243 מטופלים וקבוצת ביקורת באמצעות 3D Slicer, ננקטו השלבים המפורטים הבאים: התהליך החל בייבוא תמונות עם משקל T2 של MRI מותני ל-3D Slicer. כדי להבטיח עקביות ולהפחית הטיית הטרוגניות, כל התמונות נבדמו מחדש לגודל ווקסלים של 0.6 × 0.6 × 0.6 מ"מ באמצעות מודול Resample Scalar Volume . השלבים הספציפיים היו: לנווט לחלק המודולים ולבחור ב-Resample Scalar Volume. תחת הגדרת פרמטרים, ודא שנבחר נפח סקלר דגימה מחדש . בסעיף פרמטרי דגימה מחדש , הגדר את המרווח ל-0.6, 0.6, 0.6 כדי להגדיר את מידות הווקסלים היעד. בחר שיטת אינטרפולציה מתאימה מתוך אפשרויות כמו ליניארית, nearest neighbor, bspline, hamming, cosine, welch, lanczos או blackman, כאשר ליניארי הוא ברירת המחדל. עבור Output Volume, בחר או צור נפח חדש לאחסון הנתונים המחודשים. לאחר אימות ההגדרות, לחץ על Apply כדי לבצע את תהליך הדגימה מחדש.

לאחר דגימה מחודשת, שני סטודנטים לתארים מתקדמים במחקר עמוד שדרה, בהנחיית רדיולוגים ומנתחי עמוד שדרה בעלי ניסיון של למעלה מ-10 שנים, ביצעו סידור חצי-אוטומטי של אזור העניין (ROI). הסתירות נפתרו באמצעות התייעצות. השלבים הספציפיים היו: בחירת השכבה (דגימה מחדש של נפח חדש), יצירת שכבת סגמנטציה חדשה, ושימוש בפונקציית Draw להגדרת שכבה אחר שכבה. השתמש בפונקציית Fill between slice למילוי בין שכבות. החלקו את התשואה שנוצרה באמצעות שיטת החלקה חציונית עם גודל גרעין של 3.0 מ"מ, 5 על 5 פיקסלים. באמצעות ספריית PyRadiomics, הופקו 107 תכונות רדיומיות מהתמונות המחודשות, כולל מאפייני צורה, תכונות סטטיסטיות מסדר ראשון, מטריצת הופעה משותפת ברמה אפורה (GLCM), מטריצת ריצה באורך אפור (GLRLM), מטריצת אזור בגודל אפור (GLSZM), מטריצת הפרש אפור שכנה (NGTDM), ומטריצת תלות ברמה אפורה (GLDM) (טבלה משלימה 1)). לבסוף, נתוני התכונות שהופקו עברו סטנדרטיזציה באמצעות שיטת Z-score כדי להפוך את הטווח הטבעי שלהם לטווח סטנדרטי.

קיבוץ על בסיס תכונות
הקבוצות חולקו כדלקמן:
d0 (קבוצת בסיס): מאפיינים קליניים כלולים, n(d0) = 5.
d1 (קבוצת Finetune בסיסית): כלולה תכונות קליניות ותכונות הדמיה HIZ, n(d1) = 12.
d2 (קבוצת מודל): כללה תכונות קליניות ורדיומיקה, n(d2) = 112.
D (קבוצת המודל פייניטיון): כללה תכונות קליניות, תכונות הדמיה HIZ ותכונות רדיומיק, n(D) = 119.

קריאת נתונים ועיבוד מוקדם
הנתונים עבור הקבוצות הנקראות באמצעות פונקציית read_excel בתוכנת R (גרסה 4.3.1, https://www.r-project.org/, פלטפורמה: x86_64-w64-mingw32/x64 [64-ביט]) עם קידוד UTF-8 (ברירת מחדל של המערכת), התומך ברוב השפות הכתובות ברחבי העולם. פונקציית הבחירה שימשה להפרדת המשתנה היעד ממשתני התכונה.

בחירת מאפיינים
כדי להבטיח שחזוריות של חלוקת נתונים, ארבעת מערכי הנתונים (D, d2, d1, d0) פעלו לפי אותו תהליך עיבוד, עם זרע אקראי קבוע של 80. עמודת תוויות נוספה למסגרת הנתונים, הומרה לסוג גורם, ונוצרו תוויות אקראיות (1 ו-0) באמצעות התפלגות בינומית לפיצול הנתונים לקבוצות אימון ובדיקות ביחס של 8:2 (הסתברות של 80% לקבוצת האימון). עקב מספר התכונות המוגבל, קבוצות d0 ו-d1 לא דרשו בחירת תכונות, בעוד שקבוצות d2 ו-D עברו בחירת תכונות:

ראשית, מבחן Mann-Whitney U הוחל על קבוצת האימון לבחירת תכונות עם ערכי p <0.05. לאחר מכן, בוצעה רגרסיית לאסו עם אימות צולב של 10 פעמים ורגולריזציה בשפה 1 כדי לקבוע את מקדם העונש האופטימלי ולבחור תכונות מאיטרציה אחת. נקבעה זרעה אקראית מ-1 עד 100, והשלבים הנ״ל (פיצול נתונים, מבחן Mann-Whitney U, ורגרסיית Lasso) חזרו על עצמם בלולאה. תכונות שהופיעו יותר מ-50 פעמים ב-100 איטרציות נבחרו למידול נוסף כדי להבטיח אמינות בבניית מודל ובחיזוי אבחון. מאפייני מידול לכל קבוצה מפורטים בטבלה 3.

חיפוש רשת וכוונון מודלים
כדי לאופטם את המודלים, יושם חיפוש רשת כדי לחקור ולהעריך באופן שיטתי שילובי היפרפרמטרים שונים. באמצעות כוונון איטרטיבי והערכת ביצועים, מחקר זה זיהה את קבוצת ההיפרפרמטרים שסיפקה את ערכי ה-AUC הטובים ביותר ל-ROC עבור מערכות הרכבת והבדיקות, ובכך אופטימיזציה של ביצועי המודל.

פיתוח והערכת מודלים
כל פיתוח המודל וניתוח הנתונים בוצעו ב-R (גרסה 4.3.1). מחקר זה יישם אלגוריתמים שונים של למידת מכונה, כולל יער אקראי (RF), מכונת וקטור תמיכה (SVM), עץ החלטות (TREE), שכנים קרובים ל-K (KNN) ורגרסיה לוגיסטית (LOG), לפיתוח 20 מודלים בארבע הקבוצות (d0, d1, d2 ו-D) לחיזוי אבחון DLBP. ביצועי המודל הוערכו באמצעות המדדים הבאים: ROC AUC, PR AUC, דיוק, רגישות, ספציפיות, ערך חיזוי חיובי (PPV), ערך חיזוי שלילי (NPV) וציון F1.

ערכי ROC AUC ו-PR AUC נוצרו ישירות מעקומות ROC ו-PR, בעוד שהמדדים הנותרים (דיוק, רגישות, ספציפיות, PPV, NPV וציון F1) חושבו ונותחו סטטיסטית באמצעות פונקציות מתאימות ב-R. מבין 20 המודלים שפותחו, המחקר בחר 8 מודלים מייצגים להערכה בהתבסס על מדדי הביצועים שהוזכרו לעיל.

הנוסחאות לכל מטריקה הן כדלקמן:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: חיובי אמיתי; TN: True Negative; FP: חיובי שגוי; נ.ב: שלילי שגוי.

ניתוח פרשנות SHAP
מודל היער האקראי בקבוצת D הראה את הביצועים הטובים ביותר בהערכת המודל. כדי לפרש טוב יותר את תחזיות המודל, מחקר זה בנה מחדש את המודל בפייתון (גרסה 3.7.9) וביצע ניתוח פרשנות SHAP. כדי לשמור על עקביות, ההיפרפרמטרים של הרכבת של מודל היער האקראי בפייתון היו זהים לאלו ששימשו ב-R, ותהליך עיבוד הנתונים היה גם הוא עקבי. באופן ספציפי, השתמשנו במפרש מודל עץ כדי לנתח את תרומתו של כל תכונה לתחזיות האבחון של המודל במערכות הרכבות והבדיקות. לצורך ויזואליזציה טובה יותר, יצרנו גרפים של התפלגות ערכי SHAP, גרפים של חשיבות תכונות, וגרפים של כוח SHAP עבור תחזיות בודדות.

ניתוח סטטיסטי
כל ניתוחי הנתונים בוצעו באמצעות R (גרסה 4.3.1, https://www.r-project.org/, פלטפורמה: x86_64-w64-mingw32/x64 (64 ביט)) ופייתון (גרסה 3.7.9, https://www.python.org/downloads/release/python-379/). משתנים רציפים תוארו כסטיית תקן ממוצעת ±, בעוד שמשתנים קטגוריים הוצגו בתדירות ואחוזים. ההשוואה בין DLBP ל-Non-DLBP נותחה באמצעות מבחן U, כאשר ערך P של פחות מ-0.05 נחשב מובהק סטטיסטית.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

מחקר זה התבסס על נתוני MRI T2WI מ-81 מטופלים שאושרו בניתוח DLBP ו-162 יחידות ביקורת, בסך הכל 243 מטופלים. תכונות רדיומיות הופקו ושולבו עם תכונות קליניות ודימות HIZ, כאשר הנתונים חולקו למערכות אימון ובדיקות ביחס של 8:2 לבניית מודלים אבחנתיים של DLBP. באופן ספציפי, שבע תכונות הדמיית HIZ הושגו לאחר מדידת דיסק המטרה באמצעות 3D Slicer ונכללו במודלים של קבוצת d1 ו-D יחד עם תכונות קליניות. 107 תכונות הרדיומיק שהופקו באמצעות PyRadiomics הוסדרו ונכללו במודלים של קבוצות d2 ו-D עם מאפיינים קליניים....

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

מודל קבוצת D, ששילב תכונות קליניות, תכונות הדמיה HIZ ותכונות רדיומיות, התייצב ב-15 תכונות מפתח באמצעות בחירת תכונות ואיטרציות מרובות, והפגין ביצועים ממוצעים עדיפים בהשוואה לקבוצות אחרות, עם יציבות ויכולת חיזוי גבוהה יותר. מודל היער האקראי התעלה על מודלים אחרים בכל הקבוצות (למעט d0), במיוחד בקבוצת D, עם ערכי AUC של ROC קרובים ל-1 והבדלים מינימליים בין קבוצות אימון למבחן, מה שהפך אותו למודל הטוב ביותר. מודלי קבוצות d0 ו-d1 מתאימים יותר ליישום קליני ולפרקטיקה, ומספקים תמיכה ברורה יותר לתהלי...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים כי המחקר נערך בהיעדר קשרים מסחריים או פיננסיים שיכולים להיחשב כניגוד עניינים פוטנציאלי.

תודות

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

המחברים רוצים להודות להם על תמיכתם הכלכלית. העבודה בתמיכת קרן המדע של מכללת קאנגדה של אוניברסיטת נאנג'ינג לרפואה (מענק מס' KD2024KYJJ292). העבודה נתמכת על ידי קרן המחקר המיוחדת לרפואה קלינית של אוניברסיטת ננטונג (מענק מס' 2024JY002). עבודה זו נתמכה על ידי פרויקט המדע והטכנולוגיה של ועדת הבריאות העירונית של ננטונג (מענק מס' MS2024045). עבודה זו נתמכה על ידי פרויקטי מדע וטכנולוגיה במחוז ג'יאנגסו [BE2023742], פרויקט מנהל הרפואה הסינית המסורתית של ג'יאנגסו (מענק מס' MS2023113).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
3D Slicer 5.6.1חותך תלת-ממדhttps://download.slicer.org/?version=5.6.1
אחסון נתוניםזנודוhttps://doi.org/10.5281/zenodo.17365220.
כרטיס גרפי למחשב נייד GeForce RTX 3060NVIDIAלא זמין
מכונת MRI אינג'ניה CX 3.0TPhilips לא זמין
מכונת MRI פריזמה 3.0Tסימנסלא זמין
פייתון 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
מכונת MRI Verio 3.0Tסימנס לא זמין

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

SHAP

מאמרים קשורים