研究記事

椎間性腰痛の診断強化:腰椎MRI T2放射線学と組み合わせたSHAP説明ランダムフォレストモデル

DOI：

10.3791/69238

⸱

2026年2月13日

 ,  ,  ,  , 
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

この記事について

サマリー

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

本研究は腰椎MRI T2データ、ラジオマイク、SHAP解析を用いたランダムフォレストモデルを用いて、ディスコゲン性腰痛(DLBP)の診断を強化し、高い精度と解釈可能性を実現し臨床意思決定の向上を目指します。

要約

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

腰痛(LBP)は世界的に障害と生活の質低下の主な原因であり、ディスコゲン性腰痛(DLBP)は症例の39%を占めています。信頼できる方法がないため、左筋症の病因の正確な診断は困難です。本研究は、腰椎MRIのT2データとラジオマイクおよび機械学習を組み合わせて、DLBP診断効率を向上させることを目的としています。この回顧的研究は、81人のDLBP患者と162人の健康対照群のMRIデータを分析しました。放射線学の特徴、臨床データ、高強度ゾーン(HIZ)画像の特徴を抽出しました。データは4つのグループ(d0、d1、d2、D)に分けられ、ランダムフォレスト(RF)、意思決定木(TREE)、サポートベクターマシン(SVM)、K近傍(KNN)、ロジスティック回帰(LOG)を用いて20の予測モデルを構築しました。モデルの性能は、曲線下の受信者動作特性(ROC)、精度リコール(PR)、精度、感度、特異度、陽性的命中値(PPV)、陰性命中値(NPV)、およびF1スコアを用いて評価されました。最も重要な特徴の解釈にはSHapley加法説明(SHAP)が適用されました。グループDのランダムフォレストは最も良い成績を示し、ROC AUCはそれぞれ0.9861(train)と0.9580(テスト)、PR AUCは0.9813と0.9179、F1スコアは0.9254と0.8148でした。SHAP分析により、第一次峰度がDLBP診断に寄与する主要な特徴であることが特定されました。SHAP解析を用いたランダムフォレストモデルはDLBP診断を大幅に改善し、高いパフォーマンスと解釈性を提供し、臨床意思決定の向上に貢献しました。

概要

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

人口の高齢化が悪化し、日常の仕事や生活における不適切な座り方の広範な発生により、腰痛(LBP)の患者数は年々増加しています。一般成人におけるLBPの平均有病率は約12%で、40歳以上の人や女性でより高い有病率が観察され、生涯有病率は約40%です2。すべての腰椎間板痛症例のうち、椎間板性腰痛(DLBP)は約39%を占め、その病因は複雑かつ多様であり、特に椎間板3,4,5の外側環状動脈に到達する環状断裂と関連しています。椎間板圧の増加は炎症性メディエーターによって感作された神経終末を刺激し、ディスクローエンス性疼痛を引き起こします5,6。

現在、ディスコグラフィーはDLBP診断のゴールドスタンダードとされており、椎間板性疼痛を引き起こすことで病因を確定しています。しかし、偽陽性の可能性や椎間板変性の加速リスクにより、その有効性や安全性は疑問視されており、臨床応用は制限されています5,8。高強度ゾーン(HIZ)とは、T2加重MRI画像における後方環状の高強度信号であり、病的に特徴づけられる環状の裂傷または破裂5,8,9を指します。HIZとDLBPの関係は広く研究されていますが、HIZは特異性が低く、無症状の人にもよく見られ、誤診(10,11,12,13)につながることが多いです。腰椎変性椎間板疾患(LDDD)および慢性腰椎障害患者のT2加重画像では、ほぼすべての変性椎間板が信号強度の低下を示しています14。Pfirrmannらの分類によれば、椎間板変性はI(正常椎間板)からV(重度変性)までグレードが付けられます14。T2加重イメージングは、LDDDおよびLBPの診断・評価に多モーダル研究で広く用いられており、椎間板変性とその臨床的関連性に関する重要な洞察を提供します(15,16)。しかし、低信号強度は椎間板の形態的変化を正確に反映せず、DLBP17,18,19による痛みの程度ともほとんど相関がありません。

現在、DLBPの臨床意思決定は主に臨床医による主観的評価に依存しており、HIZ、椎間板の高さ、黒い椎間板、または椎間板の信号変化などの要因に焦点を当てています。追加の考慮事項としては、患者の年齢、性別、身長、体重、体格指数(BMI)が含まれます。LBPの持続時間や強度も考慮対象です。このような診断方法は主観的な評価に依存しているため、誤った治療計画につながる可能性があります。したがって、DLBPの診断効率を向上させる効果的な診断ツールの開発が緊急に求められています。

MRIは非侵襲的な画像診断技術として、LBPの診断において重要な役割を果たします。特に、高い組織コントラストを持つ軸方向T2加重画像(T2WI)は、従来のCT(CT)に比べてより正確な生理学的情報と椎間板の病理状態を提供します22,23。放射線学の特徴解析は、MRIやCTなどの画像データを定量的特徴に変換し、高度な数学的解析を行うことで、医療画像の評価と解釈に強力なツールを提供します。この方法は主観的分析によるバイアスを減らし、診断結果の正確性と一貫性を高めることができます25。

近年、医療画像解析における人工知能と機械学習技術は、疾患診断に新たな希望をもたらしています。診断の精度向上、臨床ワークフローの自動化、個別化された治療戦略の実現により、AI技術はインテリジェント医療の風景を根本的に変革しています。DLBP診断において、ラジオマイクと機械学習アルゴリズムの統合は診断の精度と効率を向上させる大きな可能性を秘めています28。しかし、複雑な機械学習モデルの「ブラックボックス」特性が臨床応用を制限し、説明可能AI(XAI)は臨床意思決定支援システムの重要な要素となっています29。SHapley加法解析(SHAP)はゲーム理論に基づく解釈手法であり、各特徴がモデル診断予測に与える貢献度と影響を定量化し、複雑な機械学習モデルをより透明で解釈しやすくします。臨床意思決定支援システムにおいて最も広く使われているXAI技術の一つとなり、臨床医のAIシステムへの信頼と受容を効果的に高めています29。

本研究では、ラジオマイクとSHAP解釈可能性解析を取り入れたランダムフォレストアルゴリズムを開発し、従来の主観的評価と比較してDLBPの診断効率を大幅に向上させました。さらに、SHAP解釈法はモデルの診断予測の透明性を高め、臨床医の診断に対する信頼を高め、臨床意思決定の正確性を向上させます。本研究は、このモデルが誤診や治療遅延による不必要な苦痛を減らし、個別化治療の進展を促進し、最終的に患者の全体的な治療成果を向上させると提案しています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

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

倫理的考慮と研究対象者
この回顧的研究は機関倫理委員会によって承認されました。インフォームドコンセントは放棄され、すべての保護された健康情報は匿名化されました。研究対象は、南通第一人民病院の画像データベースから取得した患者で、2022年1月から2023年12月にかけて腰痛のために腰椎MRIを受けた者たちで構成されました。患者の臨床的特徴も収集しました(表1)。

参加基準および除外基準
現在のDLBPの診断基準は、1995年の国際疼痛研究協会ディスコグラフィー法に従っており、圧力を上げることで痛みを誘発しますが、その侵襲性が高いため広く受け入れられていません。したがって、本研究はDLBPの診断方法として、椎間板損傷や合併症のさらなる損傷を最小限に抑えつつ、椎間板撮影の原則に沿った制限的な術中椎間板痛誘発検査を採用しました。この手術では、患者が脊椎麻酔下で伏せ姿勢で、CアームX線誘導を用いて標的腰椎椎間板を位置特定しました。18G(<22G)の針を後方外側アプローチで髄核に挿入し、神経根や硬膜嚢を避けました。針の位置が確認された後、生理食塩水または非イオン造影剤(例:イオヘキソール)を毎分0.5mL以下の速度で注射し、圧力は50 psi未満、総注射量は3 mL未満で、椎間板内圧の上昇とおなじみの腰痛症状を模擬し、視覚アナログスケール(VAS)スコアは7≥。

DLBP群の納入基準:本件を含む患者はMRI検査を受け、3か月以上にわたり腰痛が再発し、保存的治療に失敗し、下肢のしびれや放散痛の有無にかかわらず、術中の椎間板痛誘発テストで陽性であること。

非DLBP群の参加基準:ここに含まれた患者はMRIを受けました。3か月以内に腰痛の既往がないか、健康な方で身体検査を受けている方。MRI異常なし。また、オズウェストリー障害指数(ODI)<10およびVAS ≤2による標準化された評価を受けています。

除外基準:神経圧迫による重大な椎間板ヘルニア、骨折、脊椎感染症、脊椎すべり症、腫瘍、骨粗鬆症、代謝性骨疾患など、他の原因で腰痛の原因を持つ患者は除外します。検査前の手術歴;不明瞭または質の悪い画像;関心領域(ROI)を特定できないこと。

最終的に243名の患者が対象となり、そのうち81名がDLBP患者、162名が対照群でした。

MRIパラメータ
本研究に含まれる全患者は、矢状体および軸方向のT1加重画像(T1WI)およびT2重み画像(T2WI)を含む3.0T型MRI検査を受けました。研究ではSiemens Verio、Siemens Prisma、Philips Ingenia CXの3種類のMRI機器が使用されました。スキャンパラメータは以下の通りに設定されました:矢状体T2WIの場合、TRは2000〜4597 ms、TEは90〜120 ms、スライス厚さは4.0〜4.8 mm(15スライスを含む)、帯域幅は250 Hzから340 Hz、マトリックスサイズは384 × 384または512 × 512、位相視野率は100%です。 そして300mmの視野角を読み出します。

HIZイメージング機能、測定および統計
本研究では、3D スライサーソフトウェア(バージョン5.6.1、https://download.slicer.org/?version=5.6.1)を用いて、243名の患者および対照群から腰椎MRIのT2加重画像を手動で解析しました。データ処理のワークフローは以下の通りです:画像は3D SlicerのAdd DICOM Data 関数を使ってインポートされました。測定は、放射線科医および10年以上の臨床経験を持つ脊椎外科医の指導のもと、2名の脊椎研究大学院生によってマーク アップ 機能を用いて実施されました。測定値の不一致は、2人の医師との相談によって解決されました。すべての測定値は、正確性を確保するために2人の統計学者によって平均されました。矢状面画像では、高強度帯(HIZ)の互角に垂直な最大直径が測定され、Hizh(ほぼ垂直方向)とHizw(ほぼ水平方向)が定義されました。分割 関数を 用いてHIZ領域を区画し、矢状面上で最も顕著なHIZの面積を計算し、Hizareaと表記しました。軸方向画像では、HIZの最大長(Hizl)が測定されました。さらに、3つの二項変数が定義されました:Hiz(HIZの有無)、その他(多節HIZの有無)、およびPosition(HIZが後方正中線を通過するかどうか)(表2)。

ラジオマイクは抽出と標準化を特徴としています
スカラーボリューム再サンプリングの特定の動作を、243人の患者および対照群からの腰椎MRI T2加重画像を3D Slicerで処理する文脈に統合するために、以下の詳細な手順が従いました。プロセスは、腰椎MRI T2加重画像を3D Slicerにインポートすることから始まります。一貫性を確保し異質バイアスを減らすために、すべての画像はリサンプルスカラーボリュームモジュールを用いて0.6 × 0.6 × 0.6 mmのボクセルサイズにリサンプリングされました。具体的な手順は次の通りです:モジュールセクションに移動し、「リサンプル・スカラーボリューム」を選択します。パラメータセットで「リサンプルスカラーボリューム」を選択してください。リサンプリングパラメータセクションで、スペーシングを0.6、0.6、0.6に設定してターゲットボクセルの寸法を定義します。線形、近傍、bspline、ハミング、コサイン、ウェルチ、ランチョス、ブラックマンなどのオプションから適切な補間法を選択し、デフォルトは線形にします。出力ボリュームでは、リサンプリングデータを保存する新しいボリュームを選択したり作成したりします。設定を確認した後、「適用」をクリックしてリサンプリングプロセスを実行します。

再サンプリング後、放射線科医と10年以上の経験を持つ脊椎外科医の指導を受けた2名の脊椎研究大学院生が、関心領域(ROI)の半自動区分を行いました。意見の不一致は協議によって解決されました。具体的な手順は、レイヤー(リサンプリングされた新しいボリューム)を選択し、新しいセグメンテーションレイヤーを作成し、レイヤーごとに描 画 機能を使うことです。層間充填には 「スライス間のフィル 」機能を使ってください。形成されたROIを、カーネルサイズ3.0mm、5×5ピクセルの 中央値平滑化 法で平滑化します。PyRadiomicsライブラリを用いて、リサンプリング画像から107の放射学的特徴が抽出されました。形状特徴、一次統計的特徴、グレーレベル共現行列(GLCM)、グレーレベルランレングス行列(GLRLM)、グレーレベルサイズゾーン行列(GLSZM)、隣接するグレートーン差行列(NGTDM)、およびグレーレベル依存行列(GLDM)の特徴が含まれます(補足表1).最後に、抽出された特徴データはZスコア法を用いて標準化され、自然な範囲を標準化された範囲に変換しました。

特徴に基づくグループ分け
グループは以下のように割り当てられました。
d0(ベースグループ):臨床的特徴を含むn(d0) = 5。
d1(基礎微調整群):臨床特徴およびHIZ画像特徴を含むn(d1) = 12。
d2(モデル群):臨床特徴および放射線学的特徴を含む、n(d2) = 112。
D(モデル微調整グループ):臨床特徴、HIZ画像特徴、放射線学特徴を含み、n(D) = 119。

データ読み取りと前処理
各グループのデータは、Rソフトウェア(バージョン4.3.1、https://www.r-project.org/、プラットフォーム:x86_64-w64-mingw32/x64 [64ビット])の read_excel 関数で読み込まれ、UTF-8エンコーディング(システムデフォルト)で、ほとんどの書き言葉を世界的にサポートしています。select関数はターゲット変数と特徴変数を分離するために使われました。

特徴選択
データ分割の再現性を確保するため、4つのデータセット(D、d2、d1、d0)は同じ処理ワークフローに従い、固定されたランダムシード80を用いました。データフレームにラベル列が追加され、因子タイプに変換され、2項分布を用いてランダムラベル(1と0)が生成され、データを8:2の比率でトレーニングセットとテストセットに分割しました(トレーニングセットは80%の確率)。特徴数が限られていたため、d0およびd1グループは特徴選択を必要としませんでしたが、d2およびDグループは特徴選択を行いました。

まず、マン・ホイットニーU検定を訓練セットに適用し、p値<0.05の特徴を選びました。次に、10折の交差検証とL1正則化を用いたラッソ回帰を用いて、最適なペナルティ係数を決定し、単一反復から特徴を選びました。1から100までのランダムシードを設定し、上記のステップ(データ分割、マン・ホイットニーU検定、ラッソ回帰)をループで繰り返しました。100回の反復で50回以上出現した特徴を選定し、モデル構築と診断予測の信頼性を確保するために後続のモデリングに用いられました。各グループのモデリング特徴は 表3に記載されています。

グリッド探索とモデルチューニング
モデルの最適化のために、グリッドサーチを用いて異なるハイパーパラメータの組み合わせを体系的に探求・評価しました。反復的なチューニングと性能評価を通じて、本研究は列車セットとテストセットの最良のROC AUC値を提供したハイパーパラメータのセットを特定し、モデルのパフォーマンスを最適化しました。

モデル開発と評価
すべてのモデル開発およびデータ解析はR(バージョン4.3.1)で行われました。本研究では、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)、意思決定木(TREE)、K近傍(KNN)、ロジスティック回帰(LOG)など様々な機械学習アルゴリズムを用いて、DLBP診断の予測のために4つのグループ(d0、d1、d2、D)にわたる20のモデルを開発しました。モデルの性能は以下の指標を用いて評価されました:ROC AUC、PR AUC、正確性、感度、特異度、陽性命中値(PPV)、陰性命中値(NPV)、およびF1スコア。

ROC AUCおよびPR AUC値はROCおよびPR曲線から直接生成され、残りの指標(精度、感度、特異度、PPV、NPV、F1スコア)はRの対応関数を用いて計算・統計解析されました。20のモデルの中から、本研究は上記のパフォーマンス指標に基づき8つの代表モデルを評価対象としました。

各計量の式は以下の通りです。

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP:トゥルーポジティブ;TN:トゥルーネガティブ;FP:偽陽性;FN: 偽陰性です。

SHAP解釈可能性解析
Dグループのランダムフォレストモデルはモデル評価において最良の性能を示しました。モデルの予測をさらに解釈するために、本研究ではPython(バージョン3.7.9)でモデルを再構築し、SHAP解釈可能性解析を実施しました。一貫性を保つために、PythonのランダムフォレストモデルのトレインハイパーパラメータはRで使用されたものと同一であり、データ処理のワークフローも一貫していました。具体的には、ツリーモデルインタプリタを用いて、列車セットおよびテストセットにおける各特徴がモデルの診断予測にどれほど寄与しているかを分析しました。より明確に表示するために、個別予測に対してSHAP値分布プロット、特徴重要度プロット、SHAP力プロットを作成しました。

統計解析
すべてのデータ解析はR(バージョン4.3.1、https://www.r-project.org/、プラットフォーム:x86_64-w64-mingw32/x64(64ビット))およびPython(バージョン3.7.9、https://www.python.org/downloads/release/python-379/)を使用して行われました。連続変数は平均±標準偏差として、カテゴリ変数は頻度とパーセンテージで表されました。DLBPと非DLBPの比較はU検定を用いて分析され、P値が0.05未満であれば統計的に有意とされました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

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

本研究は、手術で確認されたDLBP患者81名と対照群162名、合計243名のMRI T2WIデータを基にしました。放射線学的特徴を抽出し、臨床およびHIZ画像の特徴と組み合わせ、データをトレーニングセットとテストセットに分割して8:2の比率で予測的なDLBP診断モデルを構築しました。具体的には、3Dスライサーで標的椎間板を測定した後、7つのHIZ画像特徴が得られ、臨床的特徴とともにd1およびD群モデルに含めました。PyRadiomicsを用いて抽出された107の放射線群特徴は標準化され、臨床的特徴を持つd2およびD群モデルに含まれました。特徴数が限られていたため、d0およびd1グループは特徴選択を受けませんでした。しかし、特徴選択と複数回の反復を経て、D2グループは11の主要特徴、Dグループは15の主要特徴で安定しました。本研究は、マン・ホイットニーU検定、ラッソ回帰(L1正則化および10折交差検証付き)、反復的実行を用いてd2群およびD群の特徴選択プロセスを強化し、DLBP診断に最も影響力のある特徴を強牢に特定しました。各グループの特徴選択後のモデリング結果は

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

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

Dグループモデルは臨床特徴、HIZ画像特徴、放射学特徴を統合し、特徴選択と複数回の反復により15の主要特徴で安定化し、他群と比較して優れた平均性能を示し、安定性と予測能力も高かった。ランダムフォレストモデルは、d0を除くすべてのグループで他のモデルを上回り、特にDグループでROCのAUC値が1に近く、トレーニングセットとテストセット間の差も最小限に抑え、最良のモデルとして確立されました。d0およびd1グループモデルは臨床応用や実践により適合しており、医師の意思決定プロセスをより明確にサポートします。4つのグループを比較した結果、HIZ画像の特徴と放射線学的特徴は互いに補完し合い、主観的な医師評価と比較してDLBPの診断効率が大幅に向上し、複雑な分類タスクにおけるアンサンブル学習ツールとしてのランダムフォレストモデルの利点が強調されました。しかし、非侵襲的なDLBP診断やその他の分野には依然として大きなギャップがあります32。私たちの知る限り、本研究はDLBP診断における複数の画像特徴の予測有効性を体系的に比較し、画像介入に...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

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

著者らは、この研究は潜在的な利益相反と解釈される可能性のある商業的または財務的関係が一切ない状態で行われたと述べています。

謝辞

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

著者の皆様は、財政的支援に感謝申し上げます。この活動は南京医科大学康大学院科学財団の支援を受けています(助成金番号:KD2024KYJJ292)。南通大学臨床医学特別研究基金(助成金番号2024JY002)の支援を受けています。この作業は南通市衛生委員会の科学技術プロジェクト(助成金番号)によって支援されました。MS2024045)。この研究は、江蘇省科学技術プロジェクト(BE2023742年)および江蘇省伝統中医管理局プロジェクト(助成金番号)によって支援されました。MS2023113)。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
3D スライサー 5.6.13Dスライサーhttps://download.slicer.org/?version=5.6.1
データストレージゼノドhttps://doi.org/10.5281/zenodo.17365220。
GeForce RTX 3060 ノートパソコン GPUNVIDIA該当なし
インジェニアCX 3.0T MRI装置フィリップス 該当なし
プリズマ3.0T MRI装置シーメンス該当なし
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Verio 3.0T MRI装置シーメンス 該当なし

参考文献

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

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

SHAP

関連記事