연구 논문

이단성 요통 진단 강화: SHAP로 설명된 무작위 숲 모델과 요추 MRI T2 방사선 검사 결합

DOI:

10.3791/69238

⸱

2026년 2월 13일

 ,  ,  ,  , 
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

이 논문에서

요약

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

본 연구는 요추 MRI T2 데이터, 방사선 마이크, 그리고 SHAP 분석이 포함된 랜덤 포레스트 모델을 활용하여 디스크원성 요통(DLBP) 진단을 향상시켜, 높은 정확도와 해석 가능성을 달성하여 임상 의사결정 개선을 도모합니다.

초록

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

요통(LBP)은 전 세계적으로 장애와 삶의 질 저하의 주요 원인이며, 디스코유발성 요통(DLBP)이 전체 사례의 39%를 차지합니다. 요통성 요통성 병인의 정확한 진단은 신뢰할 수 있는 방법이 부족해 어렵습니다. 이 연구는 요추 MRI T2 데이터와 방사선 마이크 및 머신러닝을 결합하여 DLBP 진단 효율성을 향상시키는 것을 목표로 합니다. 이 후향적 연구는 81명의 DLBP 환자와 162명의 건강한 대조군의 MRI 데이터를 분석하였습니다. 방사선 학 특성, 임상 데이터, 고강도 구역(HIZ) 영상 특징을 추출하였습니다. 데이터는 네 그룹(d0, d1, d2, D)으로 나뉘었고, 무작위 숲(RF), 의사결정 트리(TREE), 지지 벡터 머신(SVM), K-최근이웃(KNN), 로지스틱 회귀(LOG)를 사용하여 20개의 예측 모델이 구축되었습니다. 모델 성능은 수신자 작동 특성(ROC) 곡선 아래 면적(AUC), 정밀도 회상(PR) AUC, 정확도, 민감도, 특이도, 양성 예측값(PPV), 음성 예측값(NPV), F1 점수를 사용하여 평가되었습니다. SHapley 추가 설명(SHAP)이 가장 중요한 특징을 해석하기 위해 적용되었습니다. 그룹 D의 무작위 숲은 ROC AUC가 각각 0.9861(train)과 0.9580(테스트)으로, PR AUC는 0.9813과 0.9179, F1 점수는 0.9254와 0.8148로 가장 좋은 성과를 보였습니다. SHAP 분석 결과, 1차 염도가 DLBP 진단에 가장 크게 기여하는 특징임이 확인되었습니다. SHAP 분석을 포함한 랜덤 포레스트 모델은 DLBP 진단을 크게 향상시켜 높은 성능과 해석 가능성을 제공하여 임상 의사결정을 향상시켰습니다.

서론

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

인구 고령화의 악화와 일상 업무 및 생활에서 부적절한 앉은 자세의 광범위한 발생으로 인해, 요통(LBP) 환자 수는1년 단위로 증가하고 있습니다. 일반 성인 인구에서 요통성 요통의 평균 유병률은 약 12%이며, 40세 이상과 여성에서 더 높은 유병률이 관찰되어 평생 유병률은 약 40%입니다2. 모든 요통 중 디스크 발생성 요통(DLBP)은 약 39%를 차지하며, 그 원인은 복잡하고 다양하며, 특히 디스크 3,4,5의 바깥 고리까지 도달하는 환상 파열과 연관되어 있습니다. 디스크 압력 증가는 염증 매개체에 의해 감작된 신경 말단을 자극하여 이간성 통증을 유발합니다 5,6.

현재 디스크 촬영은 DLBP 진단의 골드 스탠다드로 간주되며, 디스코인틱 통증을 유발하여 병인을 확인한다. 그러나 잠재적 위양성과 디스크 퇴행 가속화 위험으로 인해 임상적 적용이 제한되어 타당성과 안전성에 의문이 제기되고 있습니다 5,8. 고강도 영역(HIZ)은 T2 가중 MRI 영상에서 후방 고환 신호를 의미하며, 병리학적으로 고환 파열 또는 파열이특징인 5,8,9를 의미합니다. HIZ와 DLBP 간의 관계는 널리 연구되었으나, HIZ는 특이성이 낮고 무증상자에게서도 흔히 나타나 오진(10,11,12,13)으로 이어집니다. 요추 퇴행성 디스크 질환(LDDD) 및 만성 요랑골통증 환자의 T2 가중 영상에서 거의 모든 퇴행성 디스크에서 신호 강도가 감소한 것으로 나타났습니다14. Pfirrmann 등의 분류에 따르면, 디스크 퇴행은 I(정상 디스크)에서 V(심각한 퇴행)까지 등급이 나뉩니다14. T2 가중 영상은 LDDD 및 LBP의 진단 및 평가를 위한 다중 모달 연구에서 널리 사용되며, 디스크 퇴행과 그 임상적 관련성에 대한 중요한 통찰을 제공합니다 15,16. 하지만 낮은 신호 강도는 디스크의 형태학적 변화를 정확히 반영하지 못하며, DLBP17, 18, 19로 인한 통증 정도와도 거의 상관관계가 없습니다.

현재 DLBP에 대한 임상 의사결정은 주로 HIZ, 디스크 높이, 검은 디스크, 디스크 신호 변화와 같은 요인에 초점을 맞춘 임상의의 주관적 평가에 의존하고 있습니다20,21. 추가로 고려 사항은 환자의 나이, 성별, 키, 체중, 체질량지수(BMI)입니다. 요통의 지속 기간과 강도도 고려 범위 내에 포함됩니다. 이러한 진단 방법은 주관적 평가에 의존하여 잘못된 치료 계획을 초래할 수 있습니다. 따라서 DLBP의 진단 효율성을 향상시키기 위한 효과적인 진단 도구 개발이 시급히 필요합니다.

MRI는 비침습적 영상 기법으로서 요통성 요통성 통증 진단에 중요한 역할을 합니다. 특히, 높은 조직 대비를 가진 축방향 T2 가중 영상(T2WI)은 전통적인 컴퓨터 단층촬영(CT)보다 더 정확한 생리학적 정보와 디스크의 병리 상태를 제공합니다22,23. 방사선학 특징 분석은 MRI, CT 등의 이미지 데이터를 고급 수학적 분석을 위한 정량적 특징으로 변환하여 의료 영상 평가와 해석에 강력한 도구를 제공합니다24. 이 방법은 주관적 분석에서 발생하는 편향을 줄여 진단 결과의 정확성과 일관성을 높일 수 있습니다25.

최근 몇 년간 인공지능과 기계 학습 기법이 의료 영상 분석에서 질병 진단에 새로운 희망을 가져다주었습니다26. 진단 정확도 향상, 임상 워크플로우 자동화, 맞춤형 치료 전략 지원으로써 AI 기술은 지능형 의료의 지형을 근본적으로 변화시키고있습니다 27. DLBP 진단에서 방사선 마이크와 머신러닝 알고리즘의 통합은 진단 정확도와 효율성을 크게 향상시킬 잠재력을 가지고 있습니다28. 하지만 복잡한 머신러닝 모델의 '블랙박스' 특성은 임상 적용을 제한하여, 설명 가능한 AI(XAI)가 임상 의사결정 지원 시스템의 핵심 구성 요소로 만듭니다29. SHapley Additive exPlanations(SHAP)는 게임 이론 기반 해석 방법으로, 각 특징이 모델 진단 예측에 미치는 기여도와 영향을 정량화하여 복잡한 머신러닝 모델을 더 투명하고해석 가능하게 만듭니다. 임상 의사결정 지원 시스템에서 가장 널리 사용되는 XAI 기법 중 하나가 되어, 임상의들의 AI 시스템에 대한 신뢰와 수용을 효과적으로 높였습니다29.

이 연구는 방사선 측정기와 SHAP 해석 가능성 분석을 통합한 랜덤 포레스트 알고리즘을 개발하여 전통적인 주관적 평가에 비해 DLBP의 진단 효율성을 크게 향상시켰습니다. 더 나아가, SHAP 해석 방법은 모델 진단 예측의 투명성을 높여 임상의들의 진단에 대한 신뢰를 높이고 임상 의사결정의 정확성을 향상시킵니다. 이 연구는 이 모델이 오진과 지연된 치료로 인한 불필요한 고통을 줄이고, 맞춤형 치료의 발전을 촉진하며, 궁극적으로 환자의 전반적인 치료 결과를 향상시킬 것이라고 제안합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

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

윤리적 고려사항과 연구 대상
이 회고적 연구는 기관 윤리 위원회의 승인을 받았습니다. 모든 보호 건강 정보가 익명화되어 사전 동의가 포기되었습니다. 연구 대상은 2022년 1월부터 2023년 12월까지 요통으로 요추 MRI를 받은 난통 제1인민병원 영상 데이터베이스에서 수집된 환자들로 구성되었습니다. 환자의 임상 특성도 수집되었습니다(표 1).

포함 및 제외 기준
현재 DLBP의 진단 기준은 1995년 국제 통증 연구 협회(International Association for the Study of Pain) 디스크그래피 방법을 따르고 있으며, 이 방법은 압력 증가로 통증을 유발하지만 침습성이 높아 널리 받아들여지지 않습니다8. 따라서 본 연구는 디스크 손상과 합병증을 최소화하면서도 디스크 촬영 원칙에 부합하는 제한적인 수술 중 디스크 통증 유발 검사를 진단 방법으로 채택하였다31. 이 시술은 척추 마취 하에 엎드린 자세로 환자를 C암 X선 유도를 이용해 목표 요추 디스크를 찾았습니다. 18G(<22G) 바늘을 후외측 접근법으로 중심 치핵에 삽입하여 신경근과 경막낭을 피했습니다. 바늘 삽입이 확인된 후, 식염수 또는 비이온 조영제(예: 이오헥솔)를 분당 0.5mL를 초과하지 않는 속도로 주입하였으며, 압력은 50 psi 미만, 총 주사 용량은 3 mL 미만으로 진행되어 디스크 내 압력 증가와 익숙한 요통 증상을 시뮬레이션했으며, 시각 아날로그 척도(VAS) 점수는 7≥.

DLBP 그룹 포함 기준: 여기에 포함된 환자들은 MRI 검사를 받았고, 3개월 이상 반복되는 요통이 있으며, 보존적 치료 실패, 하체 저림 또는 방사성 통증 유무에 관계없이 수행되었으며, 수술 중 디스크 통증 유발 검사에서 양성이었습니다.

비DLBP 그룹 포함 기준: 여기에 포함된 환자들은 MRI를 받았고; 3개월 이내에 요통 병력이 없거나 신체 검사를 받는 건강한 사람; MRI 이상 없음; 오스웨스트리 장애 지수(ODI) <10 및 VAS ≤2에 따른 표준화된 평가를 받으세요.

제외 기준: 신경 압박으로 인한 심각한 디스크 탈출, 골절, 척추 감염, 척추전방위증, 종양, 골다공증, 대사 골질환 등 기타 요통 원인이 있는 환자는 제외합니다; 검사 전 수술 이력; 불분명하거나 품질이 낮은 이미지; 관심 영역(ROI) 식별 불가.

최종적으로 243명의 환자가 포함되었으며, 이 중 81명은 DLBP 환자, 162명은 대조군이었습니다.

MRI 매개변수
본 연구에 포함된 모든 환자는 시상 및 축 T1 가중 영상(T1WI)과 T2 가중 영상(T2WI)을 포함한 3.0 T MRI 스캔을 받았습니다. 연구에는 세 가지 다른 MRI 기기가 사용되었습니다: Siemens Verio, Siemens Prisma, 그리고 Philips Ingenia CX. 스캔 매개변수는 다음과 같이 설정되었습니다: 자상 T2WI의 경우 TR은 2000에서 4597 ms, TE는 90에서 120 ms, 슬라이스 두께는 4.0에서 4.8 mm, 15 슬라이스 포함, 대역폭은 250 Hz에서 340 Hz, 매트릭스 크기는 384 × 384 또는 512 × 512, 위상 시야각 비율은 100% 그리고 300mm 시야각을 가집니다.

HIZ 영상 특징, 측정 및 통계
본 연구는 3D 슬라이서 소프트웨어(버전 5.6.1, https://download.slicer.org/?version=5.6.1)를 사용하여 243명의 환자와 대조군으로부터 요추 MRI T2 가중 이미지를 수동으로 분석하였습니다. 데이터 처리 워크플로우는 다음과 같았습니다: 이미지는 3D 슬라이서의 Add DICOM Data 함수를 사용하여 가져왔습니다. 측정은 10년 이상의 임상 경험을 가진 방사선학과 척추 외과의사의 지도 아래 두 명의 척추 연구 대학원생이 Markups 기능을 사용해 수행했습니다. 측정 불일치는 두 의사와의 협의를 통해 해결되었습니다. 모든 측정값은 정확성을 보장하기 위해 두 명의 통계학자가 평균을 내어 측정했습니다. 시상상에서 고강도 구역(HIZ)의 상호 수직 최대 직경인 Hizh(근수직 방향)와 Hizw(근수평 방향)를 측정했습니다. 분할 함수는 HIZ 영역을 구분하는 데 사용되었고, 시상면에서 가장 두드러진 HIZ의 면적을 계산하여 Hizarea로 표기했습니다. 축 방향 이미지에서 HIZ의 최대 길이를 측정했으며, 이를 Hizl이라 명명했습니다. 추가로 세 가지 이진 변수가 정의되었습니다: Hiz(HIZ 존재), 기타(다분절 HIZ 존재), 위치(HIZ가 후측 중앙선을 넘는지 여부)(표 2).

라디오믹스 특징 추출 및 표준화
243명의 환자와 대조군의 요추 MRI T2 가중 이미지를 3D 슬라이서를 사용해 처리하는 맥락에 스칼라 부피 재샘플링의 구체적 작동을 통합하기 위해 다음과 같은 상세 단계를 따랐습니다: 과정은 요추 MRI T2 가중 이미지를 3D 슬라이서로 가져오는 것부터 시작되었습니다. 일관성을 확보하고 이질성 편향을 줄이기 위해 모든 이미지는 Resample Scalar Volume 모듈을 사용해 0.6 × 0.6 × 0.6 mm의 복셀 크기로 재샘플링되었습니다. 구체적인 단계는 다음과 같습니다: 모듈 섹션으로 이동하여 Resample Scalar Volume을 선택하세요. Parameter Set에서 Resample Scalar Volume이 선택되었는지 확인하세요. 리샘플링 파라미터 섹션에서 스페이싱을 0.6, 0.6, 0.6으로 설정하여 대상 복셀 치수를 정의하세요. 선형, 최근근 이웃, b스프라인, 해밍, 코사인, 웰치, 란초스, 블랙맨 등 옵션 중에서 적절한 보간 방법을 선택하며, 선형을 기본값으로 설정하세요. 출력 볼륨에서는 리샘플링 데이터를 저장할 새 볼륨을 선택하거나 생성합니다. 설정을 확인한 후 적용을 클릭하여 리샘플링 과정을 실행하세요.

재샘플링 후, 10년 이상의 경력을 가진 방사선과 전문의와 척추외과 의사의 지도 아래 두 명의 척추 연구 대학원생이 관심 영역(ROI)을 반자동 구분했습니다. 불일치는 협의를 통해 해결되었습니다. 구체적인 단계는 다음과 같았습니다: 레이어(새 볼륨을 재샘플링한 레이어)를 선택하고, 새로운 세그멘테이션 레이어를 만들고, 레이어별 경계를 위해 Draw 기능을 사용했습니다. 레이어 간 채우기에는 슬라이스 사이 채우 기 기능을 사용하세요. 형성된 ROI를 3.0 mm, 5 x 5 픽셀의 커널 크기로 평 탄 화합니다. PyRadiomics 라이브러리를 사용하여 재샘플링된 이미지에서 107개의 방사선 단위 특징을 추출했으며, 여기에는 형태 특징, 1차 통계적 특징, 회색 수준 공현 행렬(GLCM), 회색 수준 실행 길이 행렬(GLRLM), 회색 수준 크기 영역 행렬(GLSZM), 인접 회색 톤 차이 행렬(NGTDM), 그리고 회색 수준 의존 행렬(GLDM) 특징이 포함됩니다(보충 표 1). 마지막으로, 추출한 특징 데이터는 Z-점수 방법을 사용해 자연 범위를 표준화된 범위로 변환했습니다.

특징에 따른 그룹
그룹은 다음과 같이 배정되었습니다:
d0 (기저군): 포함된 임상 특징 n(d0) = 5.
d1 (기본 미세 조정 그룹): 임상 특징 및 HIZ 영상 특징을 포함했으며, n(d1) = 12.
d2 (모델 그룹): 임상 특징 및 방사선 측정 특징 포함, n(d2) = 112.
D (모델 미세조정 그룹): 임상 특징, HIZ 영상 특징, 방사선 마이크 특징을 포함했으며, n(D) = 119.

데이터 읽기 및 전처리
각 그룹의 데이터는 R 소프트웨어(버전 4.3.1, https://www.r-project.org/, 플랫폼: x86_64-w64-mingw32/x64 [64비트])의 read_excel 함수와 UTF-8 인코딩(시스템 기본값)을 사용하여 읽었으며, 이는 전 세계적으로 대부분의 문자 언어를 지원합니다. 선택 함수는 목표 변수와 특징 변수를 분리하는 데 사용되었습니다.

특징 선택
데이터 분할의 재현성을 보장하기 위해 네 개의 데이터셋(D, d2, d1, d0)은 동일한 처리 워크플로우를 따랐으며, 고정된 무작위 시드가 80개로 설정되었습니다. 데이터 프레임에 라벨 열이 추가되어 인자 유형으로 변환되었으며, 이항 분포를 사용해 무작위 라벨(1과 0)을 생성하여 데이터를 8:2 비율로 훈련 세트와 테스트 세트로 나누었습니다(훈련 세트는 80% 확률). 특징 수가 제한적이었기 때문에 d0과 d1 그룹은 특징 선택이 필요하지 않았고, d2와 D 그룹은 특징 선택을 거쳤습니다:

먼저, Mann-Whitney U 검정을 훈련 세트에 적용하여 p-값 <0.05를 가진 특징을 선택했습니다. 그 후 10배 교차 검증과 L1 정규화를 포함한 라쏘 회귀분석을 수행하여 최적 페널티 계수를 결정하고 단일 반복에서 특징을 선택했습니다. 1부터 100까지의 무작위 시드를 설정하고, 위의 단계들(데이터 분할, Mann-Whitney U 검정, 라쏘 회귀)을 반복하여 반복했습니다. 100회 반복 동안 50회 이상 등장한 특징을 선정하여 모델 구축과 진단 예측의 신뢰성을 확보했습니다. 각 그룹의 모델링 특징은 표 3에 나열되어 있습니다.

그리드 탐색과 모델 튜닝
모델을 최적화하기 위해 격자 탐색을 적용하여 다양한 하이퍼파라미터 조합을 체계적으로 탐색하고 평가하였습니다. 반복 튜닝과 성능 평가를 통해 본 연구는 트레인 및 테스트 세트에 대해 최적의 ROC AUC 값을 제공하는 하이퍼파라미터 집합을 규명하여 모델 성능을 최적화했습니다.

모델 개발 및 평가
모든 모델 개발과 데이터 분석은 R(버전 4.3.1)에서 수행되었습니다. 이 연구는 랜덤 포레스트(RF), 지원 벡터 머신(SVM), 의사결정 트리(TREE), K-근접 이웃(KNN), 로지스틱 회귀(LOG) 등 다양한 머신러닝 알고리즘을 적용하여 DLBP 진단을 예측하기 위한 네 그룹(d0, d1, d2, D)에 걸쳐 20개의 모델을 개발하였습니다. 모델 성능은 ROC AUC, PR AUC, 정확도, 민감도, 특이도, 양성 예측값(PPV), 음성 예측값(NPV), F1 점수 등 지표를 사용하여 평가되었습니다.

ROC AUC와 PR AUC 값은 ROC와 PR 곡선에서 직접 생성되었으며, 나머지 지표들(정확도, 민감도, 특이도, PPV, NPV, F1 점수)은 R 내 대응 함수를 사용해 계산 및 통계적으로 분석했습니다. 20개의 개발 모델 중에서 본 연구는 위 성과 지표를 바탕으로 8개의 대표 모델을 선정하여 평가를 수행하였습니다.

각 지표의 공식은 다음과 같습니다:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: 트루 포지티언; TN: 진음성; FP: 거짓 양성; FN: 거짓 음성입니다.

SHAP 해석 가능성 분석
D 그룹의 무작위 숲 모델은 모델 평가에서 가장 우수한 성과를 보였습니다. 모델의 예측을 더 해석하기 위해, 본 연구는 Python(버전 3.7.9)으로 모델을 재구성하고 SHAP 해석 가능성 분석을 수행했습니다. 일관성을 유지하기 위해 파이썬의 랜덤 포레스트 모델의 트레인 하이퍼파라미터는 R에서 사용된 것과 동일했으며, 데이터 처리 워크플로우도 일관되었습니다. 구체적으로, 트리 모델 해석기를 사용하여 각 특징이 트레인 및 테스트 세트에서 모델의 진단 예측에 얼마나 기여하는지 분석했습니다. 더 나은 시각화를 위해 개별 예측에 대해 SHAP 값 분포 플롯, 특징 중요성 플롯, SHAP 힘 플롯을 생성했습니다.

통계 분석
모든 데이터 분석은 R(버전 4.3.1, https://www.r-project.org/, 플랫폼: x86_64-w64-mingw32/x64 (64비트))과 파이썬(버전 3.7.9, https://www.python.org/downloads/release/python-379/)을 사용해 수행되었습니다. 연속 변수는 평균 ± 표준편차로, 범주 변수는 빈도와 백분율로 표현되었습니다. DLBP와 비-DLBP 간의 비교는 U-검정을 사용하여 분석되었으며, P-값이 0.05 미만이면 통계적으로 유의미하다고 간주되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

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

이 연구는 81명의 수술적 확진 DLBP 환자와 162명의 대조군, 총 243명의 환자를 대상으로 한 MRI T2WI 데이터를 기반으로 하였습니다. 방사선 측정 특징을 추출하여 임상 및 HIZ 영상 특징과 결합하였으며, 데이터를 8:2 비율로 훈련 및 검사 세트로 나누어 예측 DLBP 진단 모델을 구축하였습니다. 구체적으로, 3D 슬라이서를 이용해 표적 디스크를 측정한 후 7개의 HIZ 영상 특징이 얻어졌으며, 임상 특징과 함께 d1 및 D 그룹 모델에 포함되었습니다. PyRadiomics를 사용해 추출한 107개의 방사선 마이크로 특징은 표준화되어 임상 특징이 있는 d2 및 D 그룹 모델에 포함되었습니다. 특징 수가 제한적이었기 때문에 d0과 d1 그룹은 특징 선택을 하지 않았다; 특징 선택과 여러 반복 후 D2 그룹은 11개의 주요 특징, D 그룹은 15개의 주요 특징으로 안정화되었습니다. 이 연구는 Mann-Whitney U 검정, Lasso 회귀(L1 정규화 및...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

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

임상 특징, HIZ 영상 특징, 방사선 특성을 통합한 D 그룹 모델은 특징 선택과 다중 반복을 통해 15개의 주요 특징에서 안정화되었으며, 다른 그룹에 비해 우수한 평균 성능을 보여주었으며, 안정성과 예측 능력도 더 높았습니다. 무작위 숲 모델은 모든 그룹(d0을 제외하고)에서 다른 모델들보다 우수한 성능을 보였으며, 특히 D 그룹에서 ROC AUC 값이 1에 가깝고 훈련 세트와 테스트 세트 간 차이가 거의 없어 최고의 모델로 자리매김했습니다. d0 및 d1 그룹 모델은 임상 적용 및 실무와 더 일치하여 의사들의 의사결정 과정을 더 명확히 지원합니다. 네 그룹을 비교했을 때, HIZ 영상 특징과 방사선 측정 특징이 상호 보완적이어서 주관적 의사 평가에 비해 DLBP 진단 효율성을 크게 향상시켰으며, 복잡한 분류 과제에서 무작위 숲 모델이 집단 학습 도구로서 얼마나 강점이 있는지를 강조했습니다. 그러나 비침습적 DLBP 진단 및 기타 분야에서는 여전히 상당한 격차가 남아...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

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

저자들은 이 연구가 잠재적인 이해 충돌로 해석될 수 있는 상업적 또는 금융적 관계가 전혀 없는 상태에서 수행되었다고 주장합니다.

감사의 글

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

저자들은 재정 지원에 감사드립니다. 난징 의과대학 강다 대학 과학재단 지원 연구(보조금 번호) KD2024KYJJ292). 난통대학교 임상의학 특별 연구 기금(보조금 번호 2024JY002)의 지원을 받았습니다. 이 작업은 난통시 보건위원회의 과학기술 프로젝트(보조금 번호)의 지원을 받았습니다. MS2024045). 이 연구는 장쑤성 과학기술프로젝트[BE2023742], 장쑤 전통중의학관리청 프로젝트(보조금 번호) 지원의 후원 MS2023113).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
3D 슬라이서 5.6.13D 슬라이서https://download.slicer.org/?version=5.6.1
데이터 저장제노도https://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 노트북 GPU엔비디아해당 없음
인제니아 CX 3.0T MRI 기계필립스 해당 없음
프리즈마 3.0T MRI 기계지멘스해당 없음
파이썬 3.7.9파이썬 https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
베리오 3.0T MRI 기계지멘스 해당 없음

참고문헌

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

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

SHAP

관련 논문