Articolo di ricerca

Migliorare la diagnosi del mal di schiena discogenico: un modello di foresta casuale spiegato da SHAP combinato con la radiomica T2 MRI della colonna lombare

DOI:

10.3791/69238

⸱

13 febbraio 2026

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

* These authors contributed equally

In questo articolo

Sommario

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

Questo studio migliora la diagnosi di mal lombare discogenico (DLBP) utilizzando dati MRI T2 della colonna lombare, radiomica e un modello Random Forest con analisi SHAP, ottenendo alta accuratezza e interpretabilità per un miglioramento decisionale clinico.

Abstract

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

Il mal di schiena (LBP) è una delle principali cause di disabilità e riduzione della qualità della vita a livello globale, con il mal lombare discogenico (DLBP) che rappresenta il 39% dei casi. Una diagnosi accurata dell'eziologia della lombalgia è difficile a causa della mancanza di metodi affidabili. Questo studio mira a migliorare l'efficienza diagnostica DLBP utilizzando dati MRI T2 della colonna lombare combinati con radiomica e apprendimento automatico. Questo studio retrospettivo ha analizzato i dati della risonanza magnetica di 81 pazienti con DLBP e 162 controlli sani. Sono state estratte le caratteristiche radiomiche, i dati clinici e le caratteristiche di imaging delle zone ad alta intensità (HIZ). I dati sono stati suddivisi in quattro gruppi (d0, d1, d2, D) e sono stati costruiti 20 modelli predittivi utilizzando Random Forest (RF), Decision Tree (TREE), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) e Logistic Regression (LOG). Le prestazioni del modello sono state valutate utilizzando l'area della Caratteristica Operativa del Ricevitore (ROC) sotto la curva (AUC), il richiamo di precisione (PR) AUC, accuratezza, sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV) e punteggio F1. Le SHAPapley Additive ExPlanations (SHAP) sono state applicate per interpretare le caratteristiche più significative. La Foresta Casuale del gruppo D ha mostrato le migliori prestazioni, con AUC ROC di 0,9861 (treno) e 0,9580 (test), PR AUC di 0,9813 e 0,9179, e punteggi F1 rispettivamente di 0,9254 e 0,8148. L'analisi SHAP ha identificato la curtosi di primo ordine come la caratteristica principale che contribuisce alla diagnosi di DLBP. Il modello Random Forest con analisi SHAP ha migliorato significativamente la diagnosi di DLBP, offrendo elevate prestazioni e interpretabilità per migliorare le decisioni cliniche.

Introduzione

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

Con l'aggravamento dell'invecchiamento della popolazione e la diffusione di posizioni sedute incorrette nel lavoro e nella vita quotidiana, il numero di pazienti con mal di schiena lombare (LBP) aumenta di anno inanno. La prevalenza media della LBP nella popolazione adulta generale è di circa il 12%, con una prevalenza più elevata osservata negli individui di 40 anni o più e nelle donne, con una prevalenza a vita di circa il 40%. Tra tutti i casi di LBP, il mal di schiena discogenico (DLBP) rappresenta circa il 39%, con una sua eziologia complessa e diversificata, spesso associata alla degenerazione del disco, in particolare a lacerazioni annulari che raggiungono l'anello esterno deldisco 3,4,5. L'aumento della pressione del disco stimola le terminazioni nervose sensibilizzate dai mediatori infiammatori, portando a dolorediscogenico 5,6.

Attualmente, la discografia è considerata lo standard d'oro per la diagnosi di DLBP, confermando l'eziologia provocando dolorediscogenico 7. Tuttavia, la sua validità e sicurezza sono messe in discussione a causa di potenziali falsi positivi e del rischio di accelerare la degenerazione del disco, limitandone l'applicazioneclinica 5,8. La zona ad alta intensità (HIZ) si riferisce a segnali ad alta intensità nell'anello posteriore nelle immagini MRI ponderate in T2, patologicamente caratterizzate da lacerazioni o rotture annulari 5,8,9. Sebbene la relazione tra HIZ e DLBP sia stata ampiamente studiata, HIZ ha una bassa specificità ed è anche comune negli individui asintomatici, spesso portando a diagnosierrate 10,11,12,13. Nelle immagini ponderate T2 di malattia degenerativa del disco lombare (LDDD) e di pazienti cronici con lombalgie, quasi tutti i dischi degenerati mostrano una riduzione dell'intensità delsegnale 14. Secondo la classificazione di Pfirrmann et al., la degenerazione del disco è gradita da I (disco normale) a V (degenerazione grave)14. L'imaging ponderato T2 è ampiamente utilizzato in studi multimodali per la diagnosi e la valutazione di LDDD e LBP, fornendo informazioni fondamentali sulla degenerazione del disco e sulla sua rilevanzaclinica 15,16. Tuttavia, una bassa intensità del segnale non riflette accuratamente i cambiamenti morfologici nel disco e presenta poca correlazione con il grado di dolore causato daDLBP 17,18,19.

Attualmente, il processo decisionale clinico per la DLBP si basa principalmente sulla valutazione soggettiva dei clinici, che si concentrano su fattori come HIZ, altezza del disco, dischi neri o cambiamenti di segnalenel disco 20,21. Ulteriori considerazioni includono età, genere, altezza, peso e indice di massa corporea (BMI) del paziente. Anche la durata e l'intensità della LBP rientrano nell'ambito di considerazione. Un metodo diagnostico di questo tipo, dipendente dalla valutazione soggettiva, può portare a piani di trattamento errate. Pertanto, è urgentemente necessario sviluppare uno strumento diagnostico efficace per migliorare l'efficienza diagnosticadella DLBP 4.

La risonanza magnetica, in quanto tecnica di imaging non invasiva, svolge un ruolo importante nella diagnosi della LBP. In particolare, l'imaging ponderato assiale T2 (T2WI), con il suo alto contrasto tissutale, fornisce informazioni fisiologiche più accurate e uno stato patologico del disco rispetto alla tradizionale tomografia computerizzata (TC)22,23. L'analisi delle caratteristiche radiomica, convertendo i dati delle immagini da risonanza magnetica, TC, ecc., in caratteristiche quantitative per un'analisi matematica avanzata, fornisce uno strumento potente per la valutazione e l'interpretazione delle immaginimediche 24. Questo metodo può ridurre i bias derivanti dall'analisi soggettiva, migliorando così l'accuratezza e la coerenza dei risultatidiagnostici 25.

Negli ultimi anni, l'intelligenza artificiale e le tecniche di machine learning nell'analisi di imaging medico hanno portato nuove speranze per la diagnosidelle malattie 26. Migliorando l'accuratezza diagnostica, automatizzando i flussi di lavoro clinici e abilitando strategie di trattamento personalizzate, le tecnologie di IA stanno trasformando profondamente il panorama dell'assistenza sanitariaintelligente 27. Nella diagnosi DLBP, l'integrazione della radiomica con algoritmi di apprendimento automatico ha un grande potenziale per migliorare l'accuratezza e l'efficienzadiagnostica 28. Tuttavia, la natura "scatola nera" dei complessi modelli di machine learning limita la loro applicabilità clinica, rendendo l'IA spiegabile (XAI) un componente critico dei sistemi di supporto alle decisionicliniche. SHapley Additive exPlanations (SHAP), un metodo interpretativo basato sulla teoria dei giochi, quantifica il contributo e l'impatto di ciascuna caratteristica sulle previsioni diagnostiche del modello, rendendo i modelli complessi di machine learning più trasparenti einterpretabili 30. È diventata una delle tecniche XAI più utilizzate nei sistemi di supporto decisionale clinico, aumentando efficacemente la fiducia e l'accettazione dei sistemi di IA da parte deiclinici.

Questo studio ha sviluppato un algoritmo Random Forest che incorpora radiomica e analisi interpretabile SHAP, migliorando significativamente l'efficienza diagnostica della DLBP rispetto alle valutazioni soggettive tradizionali. Inoltre, il metodo di interpretazione SHAP migliora la trasparenza delle previsioni diagnostiche del modello, aumentando la fiducia dei clinici nella diagnosi e migliorando l'accuratezza delle decisioni cliniche. Questo studio sostiene che questo modello ridurrà la sofferenza inutile causata da diagnosi errate e trattamenti ritardati, promuoverà l'avanzamento di trattamenti personalizzati e, in ultima analisi, migliorerà gli esiti complessivi del trattamento per i pazienti.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Considerazioni etiche e popolazione di studio
Questo studio retrospettivo è stato approvato dal comitato etico istituzionale. Il consenso informato è stato rinunciato poiché tutte le informazioni sanitarie protette sono state anonimizzate. La popolazione dello studio era composta da pazienti recuperati dal database di imaging del First People's Hospital di Nantong, che hanno sottoposto una risonanza magnetica della colonna lombare a causa di mal di schiena tra gennaio 2022 e dicembre 2023. Sono state raccolte anche le caratteristiche cliniche dei pazienti (Tabella 1).

Criteri di inclusione ed esclusione
L'attuale standard diagnostico per la DLBP segue il metodo discografico dell'International Association for the Study of Pain del 1995, che provoca dolore tramite aumento della pressione ma non è ampiamente accettato a causa della sua elevatainvasività 8. Pertanto, questo studio ha adottato un test di provocazione del dolore del disco intraoperatorio restrittivo come metodo diagnostico per la DLBP, coerente con i principi della discografia e minimizzando ulteriori danni e complicanzeal disco 31. La procedura ha coinvolto i pazienti in posizione prona sotto anestesia spinale, con il disco lombare bersaglio posizionato tramite guida a raggi X a braccio C. Un ago da 18 G (<22 G) è stato inserito tramite un approccio posterolaterale nel nucleo pulposo centrale, evitando le radici nervose e il sacco durale. Dopo la conferma del posizionamento dell'ago, è stato iniettato soluzione salina o contrastante non ionica (ad esempio, iohexol) a una velocità non superiore a 0,5 mL/min, con pressione inferiore a 50 psi e volume totale di iniezione inferiore a 3 mL, per simulare l'aumento della pressione intradiscale e provocare sintomi familiari di mal di schiena, con un punteggio della scala analogica visiva (VAS) ≥ 7.

Criteri di inclusione nel gruppo DLBP: I pazienti inclusi qui hanno sottoposto una risonanza magnetica, presentano mal di schiena ricorrente da oltre 3 mesi, con trattamento conservativo fallito, con o senza intorpidimento dell'arto inferiore o dolore irradiato, e sono positivi al test di provocazione del dolore del disco intraoperatorio.

Criteri di inclusione nei gruppi non DLBP: I pazienti inclusi qui hanno sottoposto una risonanza magnetica; non hanno una storia di mal di schiena entro 3 mesi o sono persone sane sottoposte a visite fisiche; non presentano anomalie nella risonanza magnetica; e hanno una valutazione standardizzata con l'Oswestry Disability Index (ODI) <10 e VAS ≤2.

Criteri di esclusione: Escludere i pazienti che presentano altre cause di mal di schiena, come ernia del disco significativa che comprime i nervi, fratture, infezioni spinali, spondilolistesi, tumori, osteoporosi o malattie metaboliche ossee; storia di interventi chirurgici prima dell'esame; immagini poco chiare o di scarsa qualità; incapacità di identificare la regione di interesse (ROI).

Alla fine, sono stati inclusi 243 pazienti, di cui 81 pazienti con DLBP e 162 controlli.

Parametri della risonanza magnetica
Tutti i pazienti coinvolti in questo studio sono stati sottoposti a risonanze magnetiche a 3,0 T, utilizzando sequenze che includevano immagini ponderate sagittali e assiali T1 (T1WI) e immagini ponderate T2 (T2WI). Nello studio sono state utilizzate tre diverse macchine per la risonanza magnetica: Siemens Verio, Siemens Prisma e Philips Ingenia CX. I parametri di scansione erano impostati come segue: per il T2WI sagitale, TR variava da 2000 a 4597 ms, TE da 90 a 120 ms, spessore di taglio da 4,0 a 4,8 mm, con 15 fette incluse, larghezza di banda da 250 Hz a 340 Hz, matrice di 384 × 384 o 512 × 512, percentuale di campo visivo di fase del 100%, e un campo visivo di lettura di 300 mm.

Misurazione delle caratteristiche e statistiche di imaging HIZ
Questo studio ha utilizzato il software 3D Slicer (versione 5.6.1, https://download.slicer.org/?version=5.6.1) per analizzare manualmente immagini ponderate T2 della risonanza magnetica lombare di 243 pazienti e controlli. Il flusso di lavoro di elaborazione dati era il seguente: le immagini venivano importate utilizzando la funzione Aggiungi Dati DICOM in 3D Slicer. Le misurazioni sono state effettuate utilizzando la funzione Markups da due studenti laureati in ricerca sulla colonna vertebrale sotto la guida di radiologi e chirurghi spinali con oltre 10 anni di esperienza clinica. Le discrepanze nelle misurazioni sono state risolte tramite consultazione con i due medici. Tutti i valori delle misurazioni sono stati mediati da due statistici per garantirne l'accuratezza. Nelle immagini sagittali, sono stati misurati i due diametri massimi reciprocamente perpendicolari della zona ad alta intensità (HIZ), definiti come Hizh (direzione quasi verticale) e Hizw (direzione quasi orizzontale). La funzione di segmentazione veniva utilizzata per delimitare la regione HIZ, e l'area dell'HIZ più prominente sul piano sagittale veniva calcolata, indicata come Hizarea. Nelle immagini assiali, veniva misurata la lunghezza massima dell'HIZ, chiamata Hizl. Inoltre, sono state definite tre variabili binarie: Hiz (presenza di HIZ), Altro (presenza di HIZ multisegmentale) e Posizione (se HIZ attraversa la linea mediana posteriore) (Tabella 2).

Radiomics caratteristiche di estrazione e standardizzazione
Per integrare il funzionamento specifico del Volume Scalare di Ricampionamento nel contesto dell'elaborazione di immagini ponderate T2 per risonanza magnetica lombare di 243 pazienti e controlli tramite 3D Slicer, sono stati seguiti i seguenti passaggi dettagliati: Il processo è iniziato con l'importazione di immagini ponderate in T2 per risonanza magnetica lombare in 3D Slicer. Per garantire coerenza e ridurre il bias di eterogeneità, tutte le immagini sono state ricampionate a una dimensione voxel di 0,6 × 0,6 × 0,6 mm utilizzando il modulo Resample Scalar Volume . I passaggi specifici erano: navigare nella sezione Moduli e selezionare Resample Scalar Volume. Sotto Set di parametri, assicurati che sia selezionato Volume Scalare di Ricampionamento . Nella sezione Parametri di Ricampionamento , imposta la Spaziatura a 0,6, 0,6, 0,6 per definire le dimensioni dei voxel di destinazione. Seleziona un metodo di interpolazione appropriato tra opzioni come lineare, vicino più prossimo, bspline, Hamming, coseno, Welch, Lanczos o Blackman, con lineare come predefinito. Per Output Volume, seleziona o crea un nuovo volume per memorizzare i dati ricampionati. Dopo aver verificato le impostazioni, clicca su Applica per eseguire il processo di ricampionamento.

Dopo il ricampionamento, due studenti di ricerca sulla colonna vertebrale, guidati da radiologi e chirurghi spinali con oltre 10 anni di esperienza, hanno effettuato una delineazione semiautomatica della regione di interesse (ROI). Le discrepanze sono state risolte tramite consultazione. I passaggi specifici erano: selezionare il livello (ricampionare nuovo volume), creare un nuovo livello di segmentazione e usare la funzione Disegna per la delineazione layer per layer. Usa la funzione Riempire tra le fette per il ripieno tra gli strati. Leviga il ROI formato usando il metodo di livellatura mediana con una dimensione del nucleo di 3,0 mm, 5 x 5 pixel. Utilizzando la libreria PyRadiomics, sono state estratte 107 caratteristiche radiomiche dalle immagini ricampionate, tra cui caratteristiche di forma, caratteristiche statistiche di primo ordine, matrice di co-incidenza a livello di grigio (GLCM), matrice di lunghezza di corsa a livello di grigio (GLRLM), matrice della zona di dimensione a livello di grigio (GLSZM), matrice di differenza di toni di grigio vicina (NGTDM) e matrice di dipendenza a livello di grigio (GLDM) (Tabella Supplementare 1). Infine, i dati estratti sulle caratteristiche sono stati standardizzati utilizzando il metodo Z-score per trasformare il loro intervallo naturale in un intervallo standardizzato.

Raggruppamento in base alle caratteristiche
I gruppi furono assegnati come segue:
d0 (Gruppo base): Caratteristiche cliniche incluse, n(d0) = 5.
d1 (Gruppo di fine tuning base): Caratteristiche cliniche incluse e caratteristiche di imaging HIZ, n(d1) = 12.
d2 (Gruppo modello): Caratteristiche cliniche e radiomiche incluse, n(d2) = 112.
D (gruppo finetune modello): Caratteristiche cliniche incluse, caratteristiche di imaging HIZ e caratteristiche radiomiche, n(D) = 119.

Lettura e preelaborazione dei dati
I dati per i rispettivi gruppi venivano letti utilizzando la funzione read_excel nel software R (versione 4.3.1, https://www.r-project.org/, piattaforma: x86_64-w64-mingw32/x64 [64-bit]) con codifica UTF-8 (impostazione predefinita del sistema), che supporta la maggior parte dei linguaggi scritti a livello globale. La funzione select veniva utilizzata per separare la variabile target dalle variabili di caratteristica.

Selezione delle caratteristiche
Per garantire la riproducibilità della suddivisione dei dati, i quattro dataset (D, d2, d1, d0) hanno seguito lo stesso flusso di lavoro di elaborazione, con un seed casuale fisso di 80. Una colonna di etichette veniva aggiunta al frame dati, convertita in un tipo di fattore, e venivano generate etichette casuali (1 e 0) utilizzando una distribuzione binomiale per suddividere i dati in set di addestramento e test in un rapporto 8:2 (probabilità dell'80% per l'insieme di addestramento). A causa del numero limitato di funzionalità, i gruppi d0 e d1 non richiedevano la selezione delle caratteristiche, mentre i gruppi d2 e D venivano selezionati per le caratteristiche:

Per prima cosa, il test Mann-Whitney U è stato applicato al set di addestramento per selezionare caratteristiche con valori p <0,05. Successivamente, è stata eseguita una regressione Lasso con validazione incrociata a 10 volte e regolarizzazione L1 per determinare il coefficiente di penalità ottimale e selezionare caratteristiche da un'unica iterazione. Veniva impostato un seme casuale da 1 a 100 e i passaggi sopra (suddivisione dei dati, test Mann-Whitney U e regressione Lasso) venivano ripetuti in un loop. Le funzionalità che apparivano più di 50 volte in 100 iterazioni sono state selezionate per la modellazione successiva per garantire affidabilità nella costruzione del modello e nella previsione diagnostica. Le caratteristiche di modellazione per ciascun gruppo sono elencate nella Tabella 3.

Ricerca a griglia e messa a punto del modello
Per ottimizzare i modelli, è stata applicata la ricerca a griglia per esplorare e valutare sistematicamente diverse combinazioni di iperparametri. Attraverso la messa a punto iterativa e la valutazione delle prestazioni, questo studio ha identificato l'insieme di iperparametri che fornivano i migliori valori ROC AUC per il treno e i set di test, ottimizzando così le prestazioni del modello.

Sviluppo e valutazione del modello
Tutto lo sviluppo del modello e l'analisi dei dati sono stati condotti in R (versione 4.3.1). Questo studio ha applicato vari algoritmi di machine learning, tra cui Random Forest (RF), Support Vector Machine (SVM), Decision Tree (TREE), K-Nearest Neighbors (KNN) e Logistic Regression (LOG), per sviluppare 20 modelli distribuiti nei quattro gruppi (d0, d1, d2 e D) per prevedere la diagnosi DLBP. Le prestazioni del modello sono state valutate utilizzando le seguenti metriche: ROC AUC, PR AUC, accuratezza, sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV) e punteggio F1.

I valori ROC AUC e PR AUC sono stati generati direttamente dalle curve ROC e PR, mentre le metriche restanti (accuratezza, sensibilità, specificità, PPV, NPV e punteggio F1) sono state calcolate e analizzate statisticamente usando le corrispondenti funzioni in R. Tra i 20 modelli sviluppati, questo studio ha selezionato 8 modelli rappresentativi per la valutazione basati sulle metriche di performance sopra descritte.

Le formule per ciascuna metrica sono le seguenti:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: Vero Positivo; TN: Vero Negativo; FP: Falso Positivo; FN: Falso negativo.

Analisi dell'interpretabilità SHAP
Il modello Random Forest nel gruppo D ha dimostrato le migliori prestazioni nella valutazione del modello. Per interpretare ulteriormente le previsioni del modello, questo studio ha ricostruito il modello in Python (versione 3.7.9) ed ha eseguito un'analisi di interpretabilità SHAP. Per mantenere la coerenza, gli iperparametri di traino del modello Random Forest in Python erano identici a quelli usati in R, e anche il flusso di lavoro di elaborazione dei dati era coerente. In particolare, abbiamo utilizzato l'interprete del modello ad albero per analizzare il contributo di ciascuna caratteristica alle previsioni diagnostiche del modello nei set di train e test. Per una migliore visualizzazione, abbiamo generato grafici di distribuzione dei valori SHAP, grafici di importanza delle caratteristiche e grafici di forza SHAP per le previsioni individuali.

Analisi statistica
Tutte le analisi dei dati sono state condotte utilizzando R (versione 4.3.1, https://www.r-project.org/, piattaforma: x86_64-w64-mingw32/x64 (64 bit)) e Python (versione 3.7.9, https://www.python.org/downloads/release/python-379/). Le variabili continue erano descritte come media ± deviazione standard, mentre le variabili categoriche erano espresse come frequenza e percentuale. Il confronto tra DLBP e Non-DLBP è stato analizzato utilizzando il test U, con un valore P inferiore a 0,05 considerato statisticamente significativo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Questo studio si è basato su dati MRI T2WI di 81 pazienti DLBP confermati chirurgicamente e 162 controlli, per un totale di 243 pazienti. Le caratteristiche radiomiche sono state estratte e combinate con caratteristiche cliniche e di imaging HIZ, con i dati suddivisi in set di addestramento e test in un rapporto 8:2 per costruire modelli diagnostici predittivi DLBP. In particolare, sette caratteristiche di imaging HIZ sono state ottenute dopo aver misurato il disco bersaglio usando 3D Sl...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Il modello del gruppo D, che integra caratteristiche cliniche, caratteristiche di imaging HIZ e caratteristiche radiomiche, si è stabilizzato a 15 caratteristiche chiave tramite selezione delle caratteristiche e molteplici iterazioni, dimostrando prestazioni medie superiori rispetto ad altri gruppi, con maggiore stabilità e capacità predittiva. Il modello della foresta casuale ha superato gli altri modelli in tutti i gruppi (tranne d0), in particolare nel gruppo D, con valori ROC AUC vic...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori affermano che la ricerca è stata condotta in assenza di qualsiasi relazione commerciale o finanziaria che potesse essere interpretata come un potenziale conflitto di interessi.

Ringraziamenti

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

Gli autori desiderano ringraziare il loro sostegno finanziario. Il lavoro sostenuto dalla Science Foundation del Kangda College dell'Università Medica di Nanchino (Grant No. KD2024KYJJ292). Il lavoro è stato sostenuto dal Fondo Speciale di Ricerca per la Medicina Clinica dell'Università di Nantong (Grant n. 2024JY002). Questo lavoro è stato supportato dal Progetto Science and Technology della Commissione Sanitaria Municipale di Nantong (grant n. MS2024045). Questo lavoro è stato supportato da progetti scientifici e tecnologici nella provincia del Jiangsu [BE2023742], Progetto dell'Amministrazione della Medicina Tradizionale Cinese del Jiangsu (grant n. MS2023113).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
3D Slicer 5.6.13D Slicerhttps://download.slicer.org/?version=5.6.1
Archiviazione dei datiZenodohttps://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 Laptop GPUNVIDIAN/A
Macchina Ingenia CX 3.0T per risonanza magneticaPhilips N/A
Macchina Prisma 3.0T per risonanza magneticaSiemensN/A
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Macchina MRI Verio 3.0TSiemens N/A

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Analisi SHAPZona ad Alta IntensitDiagnosi tramite Machine LearningCaratteristiche RadiomicheMetriche di Performance del ModelloSupporto alle Decisioni Cliniche

Articoli correlati