Onderzoeksartikel

Verbetering van de diagnose van discogene lage rugpijn: een SHAP-verklaard random forest-model gecombineerd met lumbale wervelkolom MRI T2-radiomics

DOI:

10.3791/69238

⸱

13 februari 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 dit artikel

Samenvatting

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

Deze studie verbetert de diagnose van discogene lage rugpijn (DLBP) met behulp van lumbale rug MRI T2-data, radiomic en een Random Forest-model met SHAP-analyse, en bereikt hoge nauwkeurigheid en interpreteerbaarheid voor verbeterde klinische besluitvorming.

Samenvatting

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

Lage rugpijn (LBP) is wereldwijd een belangrijke oorzaak van invaliditeit en verminderde levenskwaliteit, waarbij discogene lage rugpijn (DLBP) 39% van de gevallen uitmaakt. Nauwkeurige diagnose van de etiologie van LBP is een uitdaging vanwege het gebrek aan betrouwbare methoden. Deze studie heeft als doel de diagnostische efficiëntie van DLBP te verbeteren met behulp van lumbale wervelkolom MRI-gegevens in combinatie met radiomici en machine learning. Deze retrospectieve studie analyseerde MRI-gegevens van 81 DLBP-patiënten en 162 gezonde controles. Radiomic-kenmerken, klinische gegevens en high-intensity zone (HIZ) beeldvormingsfuncties werden geëxtraheerd. De gegevens werden verdeeld in vier groepen (d0, d1, d2, D), en 20 voorspellende modellen werden opgebouwd met behulp van Random Forest (RF), Decision Tree (TREE), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) en Logistic Regression (LOG). De modelprestaties werden geëvalueerd met behulp van het Receiver Operating Characteristic (ROC) gebied onder de curve (AUC), precisie-terugroep (PR) AUC, nauwkeurigheid, gevoeligheid, specificiteit, positieve voorspellende waarde (PPV), negatieve voorspellende waarde (NPV) en F1-score. SHapley Additive explanations (SHAP) werden toegepast om de meest significante kenmerken te interpreteren. Het Random Forest in groep D toonde de beste prestaties, met ROC AUCs van 0,9861 (trein) en 0,9580 (test), PR AUCs van 0,9813 en 0,9179, en F1-scores van respectievelijk 0,9254 en 0,8148. SHAP-analyse identificeerde eerste-orde kurtose als het belangrijkste kenmerk dat bijdraagt aan de diagnose van DLBP. Het Random Forest-model met SHAP-analyse verbeterde de DLBP-diagnose significant en bood hoge prestaties en interpreteerbaarheid om klinische besluitvorming te verbeteren.

Inleiding

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

Met de verergering van de veroudering van de bevolking en het wijdverbreide voorkomen van verkeerde zithoudingen in het dagelijks werk en leven, neemt het aantal patiënten met lage rugpijn (LBP) jaarna jaar 1 toe. De gemiddelde prevalentie van LBP in de algemene volwassen bevolking is ongeveer 12%, met een hogere prevalentie waargenomen bij personen van 40 jaar of ouder en bij vrouwen, met een levenslange prevalentie van ongeveer 40%. Van alle LBP-gevallen is discogene lage rugpijn (DLBP) ongeveer 39% van de grond, met een complexe en diverse oorzaak, vaak geassocieerd met schijfdegeneratie, met name annulaire scheuren die de buitenste annulus van de schijfbereiken 3,4,5. Verhoogde schijfdruk stimuleert zenuwuiteinden die door ontstekingsmediatoren zijn gevoelig gemaakt, wat leidt tot discogene pijn 5,6.

Momenteel wordt discografie beschouwd als de gouden standaard voor DLBP-diagnose, waarbij de etiologie wordt bevestigd door discogene pijn op te wekken7. De geldigheid en veiligheid ervan worden echter in twijfel getrokken vanwege mogelijke vals-positieven en het risico op versnelde schijfdegeneratie, waardoor de klinische toepassing beperktis 5,8. De hoge-intensiteitszone (HIZ) verwijst naar hoogintensiteitssignalen in de achterste annulus op T2-gewogen MRI-beelden, pathologisch gekarakteriseerd door annulaire scheuren of rupturen 5,8,9. Hoewel de relatie tussen HIZ en DLBP veel is bestudeerd, heeft HIZ een lage specificiteit en komt het ook vaak voor bij asymptomatische personen, wat vaak leidt tot verkeerde diagnose 10,11,12,13. In T2-gewogen beelden van lumbale degeneratieve schijfziekte (LDDD) en chronische LBP-patiënten vertonen bijna alle gedegenereerde tussenwervelschijven een verminderde signaalintensiteit14. Volgens de classificatie van Pfirrmann et al. wordt schijfdegeneratie gegradueerd van I (normale schijf) tot V (ernstige degeneratie)14. T2-gewogen beeldvorming wordt veel gebruikt in multimodale studies voor de diagnose en evaluatie van LDDD en LBP, en biedt cruciale inzichten in schijfdegeneratie en de klinische relevantie ervan15,16. Echter, een lage signaalintensiteit weerspiegelt niet nauwkeurig morfologische veranderingen in de schijf en heeft weinig correlatie met de pijn veroorzaakt door DLBP 17,18,19.

Momenteel is de klinische besluitvorming voor DLBP voornamelijk afhankelijk van de subjectieve beoordeling van clinici, die zich richten op factoren zoals HIZ, schijfhoogte, zwarte tussenwervelschijven of signaalveranderingen in de schijf20,21. Aanvullende overwegingen zijn onder andere de leeftijd, het geslacht, de lengte, het gewicht en de body mass index (BMI) van de patiënt. De duur en intensiteit van de LBP vallen ook binnen de bestek van de overweging. Zo'n diagnosemethode, afhankelijk van subjectieve beoordeling, kan leiden tot foutieve behandelplannen. Daarom is het dringend nodig om een effectief diagnostisch hulpmiddel te ontwikkelen om de diagnostische efficiëntie van DLBP te verbeteren4.

MRI, als niet-invasieve beeldvormingstechniek, speelt een belangrijke rol bij de diagnose van LBP. In het bijzonder levert axiale T2-gewogen beeldvorming (T2WI), met zijn hoge weefselcontrast, nauwkeurigere fysiologische informatie en pathologische status van de schijf dan traditionele computertomografie (CT)22,23. Analyse van radiomicische kenmerken, door beeldgegevens van MRI, CT, enz. om te zetten in kwantitatieve kenmerken voor geavanceerde wiskundige analyse, biedt een krachtig hulpmiddel voor de evaluatie en interpretatie van medische beelden24. Deze methode kan vooroordelen door subjectieve analyse verminderen, waardoor de nauwkeurigheid en consistentie van diagnostische resultaten worden verbeterd25.

In de afgelopen jaren hebben kunstmatige intelligentie en machine learning-technieken in medische beeldvormingsanalyse nieuwe hoop gebracht voor ziektediagnose26. Door de diagnostische nauwkeurigheid te verbeteren, klinische workflows te automatiseren en gepersonaliseerde behandelstrategieën mogelijk te maken, transformeren AI-technologieën het landschap van intelligente gezondheidszorgingrijpend 27. In DLBP-diagnose biedt de integratie van radiomics met machine learning-algoritmen groot potentieel om de diagnostische nauwkeurigheid en efficiëntie te verbeteren28. De "black-box" aard van complexe machine learning-modellen beperkt echter hun klinische toepasbaarheid, waardoor verklaarbare AI (XAI) een cruciaal onderdeel is van klinische beslissingsondersteuningssystemen29. SHapley Additive exPlanations (SHAP), een op speltheorie gebaseerde interpretatieve methode, kwantificeert de bijdrage en impact van elke eigenschap op modeldiagnostische voorspellingen, waardoor complexe machine learning-modellen transparanter en interpreteerbaarder worden30. Het is een van de meest gebruikte XAI-technieken geworden in klinische beslissingsondersteuningssystemen, waardoor het vertrouwen en de acceptatie van AI-systemenvan clinici effectief wordt versterkt.

Deze studie ontwikkelde een Random Forest-algoritme dat radiomics en SHAP-interpretabiliteitsanalyse combineert, wat de diagnostische efficiëntie van DLBP aanzienlijk verbeterde ten opzichte van traditionele subjectieve beoordelingen. Bovendien verhoogt de SHAP-interpretatiemethode de transparantie van de diagnostische voorspellingen van het model, waardoor het vertrouwen van clinici in de diagnose wordt vergroot en de nauwkeurigheid van klinische besluitvorming verbetert. Deze studie stelt dat dit model onnodig lijden veroorzaakt door verkeerde diagnose en vertraagde behandeling zal verminderen, de vooruitgang van gepersonaliseerde behandeling zal bevorderen en uiteindelijk de algehele behandelingsresultaten voor patiënten zal verbeteren.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

Ethische overwegingen en studiepopulatie
Deze retrospectieve studie werd goedgekeurd door de ethische commissie van de instelling. Geïnformeerde toestemming werd opgegeven omdat alle beschermde gezondheidsinformatie werd geanonimiseerd. De onderzoekspopulatie bestond uit patiënten die waren teruggevonden uit de beeldvormingsdatabase van het First People's Hospital of Nantong, die tussen januari 2022 en december 2023 een lumbale wervelkolom-MRI ondergingen vanwege lage rugpijn. Klinische kenmerken van de patiënten werden ook verzameld (Tabel 1).

Inclusie- en uitsluitingscriteria
De huidige diagnostische standaard voor DLBP volgt de discografiemethode van de International Association for the Study of Pain uit 1995, die pijn veroorzaakt door verhoogde druk maar niet breed wordt geaccepteerd vanwege de hoge invasieve aard8. Daarom nam deze studie een restrictieve intraoperatieve test voor schijfpijn aan als diagnostische methode voor DLBP, in overeenstemming met discografieprincipes en met minimale verdere schijfschade en complicaties31. De procedure betrof patiënten in buikligging onder spinale anesthesie, waarbij de doellendenwervelschijf werd gelokaliseerd met behulp van C-arm röntgenbegeleiding. Een 18 G (<22 G) naald werd via een posterolaterale benadering in de centrale nucleus pulposus ingebracht, waarbij zenuwwortels en de durale zak werden vermeden. Na bevestiging van naaldplaatsing werd zoutoplossing of niet-ionisch contrast (bijv. iohexol) geïnjecteerd met een snelheid van niet meer dan 0,5 mL/min, met een druk onder de 50 psi en een totaal injectievolume van minder dan 3 mL, om verhoogde intradiscale druk te simuleren en bekende symptomen van lage rugpijn op te roepen, met een visuele analoge schaal (VAS) score ≥ 7.

DLBP-groepsinklusiecriteria: De hier opgenomen patiënten ondergingen een MRI-onderzoek, hebben terugkerende lage rugpijn van meer dan 3 maanden, met mislukte conservatieve behandeling, met of zonder gevoelloosheid in de onderledemaat of uitstralende pijn, en zijn positief voor de intraoperatieve test voor schijfpijnproccatie.

Inclusiecriteria voor de niet-DLBP-groep: Patiënten die hier zijn opgenomen, ondergingen een MRI; geen geschiedenis van lage rugpijn binnen 3 maanden of gezonde personen die een lichamelijk onderzoek ondergaan; geen MRI-afwijkingen; en een gestandaardiseerde beoordeling hebben met Oswestry Disability Index (ODI) <10 en VAS ≤2.

Uitsluitingscriteria: Sluit patiënten uit met andere oorzaken van lage rugpijn, zoals significante hernia die zenuwen samendrukt, breuken, wervelkolominfecties, spondylolisthesis, tumoren, osteoporose of metabole botziekten; Voorgeschiedenis van de operatie voorafgaand aan het onderzoek; onduidelijke of slechte kwaliteit afbeeldingen; onvermogen om het interessegebied (ROI) te identificeren.

Uiteindelijk werden 243 patiënten opgenomen, bestaande uit 81 DLBP-patiënten en 162 controles.

MRI-parameters
Alle patiënten die in deze studie waren opgenomen, ondergingen 3,0 T MRI-scans, met sequenties die sagittale en axiale T1-gewogen beeldvorming (T1WI) en T2-gewogen beeldvorming (T2WI) omvatten. In de studie werden drie verschillende MRI-machines gebruikt: Siemens Verio, Siemens Prisma en Philips Ingenia CX. De scanparameters werden als volgt ingesteld: voor sagittale T2WI varieerde TR van 2000 tot 4597 ms, TE van 90 tot 120 ms, slicedikte van 4,0 tot 4,8 mm, met 15 slices inbegrepen, bandbreedte van 250 Hz tot 340 Hz, matrixgrootte van 384 × 384 of 512 × 512, faseveldpercentage van 100%, en een uitleesveld van 300 mm.

HIZ-beeldvormingsfuncties meten en statistieken
Deze studie gebruikte 3D Slicer-software (versie 5.6.1, https://download.slicer.org/?version=5.6.1) om handmatig lumbale MRI T2-gewogen beelden van 243 patiënten en controles te analyseren. De gegevensverwerkingsworkflow was als volgt: Afbeeldingen werden geïmporteerd met de functie Add DICOM Data in 3D Slicer. De metingen werden uitgevoerd met behulp van de Markups-functie door twee promovendi in wervelkolomonderzoek onder begeleiding van radiologen en wervelkolomchirurgen met meer dan 10 jaar klinische ervaring. Verschillen in metingen werden opgelost door overleg met de twee artsen. Alle meetwaarden werden door twee statistici gemiddeld om nauwkeurigheid te waarborgen. Op sagittale beelden werden de twee onderling loodrechte maximale diameters van de hoogintensiteitszone (HIZ) gemeten, gedefinieerd als Hizh (bijna-verticale richting) en Hizw (bijna-horizontale richting). De Segmentatiefunctie werd gebruikt om het HIZ-gebied af te bakenen, en het gebied van de meest prominente HIZ op het sagittale vlak werd berekend, aangeduid als Hizarea. Op axiale beelden werd de maximale lengte van de HIZ gemeten, genaamd Hizl. Daarnaast werden drie binaire variabelen gedefinieerd: Hiz (aanwezigheid van HIZ), Overig (aanwezigheid van multisegmentale HIZ) en Positie (of HIZ de posterieure middellijn kruist) (Tabel 2).

Radiomics kenmerken extractie en standaardisatie
Om de specifieke werking van Resampling Scalar Volume te integreren in de context van het verwerken van lumbale MRI T2-gewogen beelden van 243 patiënten en controles met behulp van de 3D Slicer, werden de volgende gedetailleerde stappen gevolgd: Het proces begon met het importeren van lumbale MRI T2-gewogen beelden in de 3D Slicer. Om consistentie te waarborgen en heterogeniteitsbias te verminderen, werden alle beelden opnieuw gesampled tot een voxelgrootte van 0,6 × 0,6 × 0,6 mm met behulp van de Resample Scalar Volume-module . De specifieke stappen waren: Ga naar de sectie Modules en selecteer Resample Scalar Volume. Onder Parameter Set zorgt u ervoor dat Resample Scalar Volume is geselecteerd. In de sectie Resampling Parameters stelt u de afstand in op 0,6, 0,6, 0,6 om de doel-voxeldimensies te definiëren. Kies een geschikte interpolatiemethode uit opties zoals lineair, dichtstbijzijnde buur, bspline, hamming, cosinus, welch, lanczos of blackman, met lineair als standaard. Voor Output Volume selecteer of maak je een nieuw volume om de geresamplede data op te slaan. Na het verifiëren van de instellingen klik je op Toepassen om het herbemonsteringsproces uit te voeren.

Na het opnieuw bemonsteren voerden twee promovendi wervelkolomonderzoek, begeleid door radiologen en wervelkolomchirurgen met meer dan 10 jaar ervaring, een semi-automatische afbakening uit van het interessegebied (ROI). Onenigheid werd opgelost door overleg. De specifieke stappen waren: Selecteer de laag (opnieuw gesampled nieuw volume), maak een nieuwe segmentatielaag aan en gebruik de Draw-functie voor laag-voor-laag afbakening. Gebruik de functie Vullen tussen slices voor het vullen van lagen tussen lagen. Glad de gevormde ROI met de mediaan gladmakingsmethode met een kernelgrootte van 3,0 mm, 5 x 5 pixels. Met behulp van de PyRadiomics-bibliotheek werden 107 radiomische kenmerken geëxtraheerd uit de herbemonsterde beelden, waaronder vormkenmerken, eerste-orde statistische kenmerken, grijs-niveau co-occurent-matrix (GLCM), grijs-niveau run-length matrix (GLRLM), grijs-niveau grootte zone-matrix (GLSZM), aangrenzende grijs-toon verschil matrix (NGTDM) en grijs-niveau afhankelijkheidsmatrix (GLDM) kenmerken (Aanvullende Tabel 1). Ten slotte werden de geëxtraheerde featuregegevens gestandaardiseerd met behulp van de Z-score methode om hun natuurlijke bereik om te zetten in een gestandaardiseerd bereik.

Groeperen op basis van kenmerken
De groepen werden als volgt toegewezen:
d0 (basisgroep): Opgenomen klinische kenmerken, n(d0) = 5.
d1 (Basis finetunegroep): Inclusief klinische kenmerken en HIZ-beeldvormende kenmerken, n(d1) = 12.
d2 (modelgroep): Inclusief klinische kenmerken en radiomische kenmerken, n(d2) = 112.
D (Model finetune groep): Inclusief klinische kenmerken, HIZ-beeldvormingsfuncties en radiomische kenmerken, n(D) = 119.

Gegevenslezen en voorverwerking
De gegevens voor de respectievelijke groepen werden gelezen met de read_excel functie in R-software (versie 4.3.1, https://www.r-project.org/, platform: x86_64-w64-mingw32/x64 [64-bit]) met UTF-8-codering (systeemstandaard), die de meeste geschreven talen wereldwijd ondersteunt. De select-functie werd gebruikt om de doelvariabele te scheiden van de featurevariabelen.

Selectie van functies
Om reproduceerbaarheid van datasplitsing te waarborgen, volgden de vier datasets (D, d2, d1, d0) dezelfde verwerkingsworkflow, met een vaste willekeurige seed van 80. Een labelkolom werd toegevoegd aan het dataframe, omgezet naar een factortype, en willekeurige labels (1 en 0) werden gegenereerd met behulp van een binomiale verdeling om de data te splitsen in trainings- en testsets in een verhouding van 8:2 (80% kans voor de trainingsset). Vanwege het beperkte aantal functies hoefden d0- en d1-groepen geen feature-selectie te ondergaan, terwijl d2- en D-groepen feature-selectie ondergingen:

Eerst werd de Mann-Whitney U-test toegepast op de trainingsset om kenmerken met p-waarden <0,05 te selecteren. Vervolgens werd lasso-regressie uitgevoerd met 10-voudige kruisvalidatie en L1-regularisatie om de optimale strafcoëfficiënt te bepalen en kenmerken uit één enkele iteratie te selecteren. Er werd een willekeurige seed van 1 tot 100 gezet, en de bovenstaande stappen (datasplitsing, Mann-Whitney U-test en Lasso-regressie) werden herhaald in een lus. Kenmerken die meer dan 50 keer in 100 iteraties voorkwamen, werden geselecteerd voor latere modellering om betrouwbaarheid in modelconstructie en diagnostische voorspelling te waarborgen. Modelleerkenmerken voor elke groep worden vermeld in Tabel 3.

Rasterzoektocht en modelafstemming
Om de modellen te optimaliseren, werd grid search toegepast om systematisch verschillende hyperparametercombinaties te verkennen en te evalueren. Door iteratief afstellen en prestatiebeoordeling identificeerde deze studie de set hyperparameters die de beste ROC AUC-waarden leverden voor de trein- en testsets, waardoor de prestaties van het model werden geoptimaliseerd.

Modelontwikkeling en beoordeling
Alle modelontwikkeling en data-analyse werden uitgevoerd in R (versie 4.3.1). Deze studie paste verschillende machine learning-algoritmen toe, waaronder Random Forest (RF), Support Vector Machine (SVM), Decision Tree (TREE), K-Nearest Neighbors (KNN) en Logistic Regression (LOG), om 20 modellen te ontwikkelen over de vier groepen (d0, d1, d2 en D) voor het voorspellen van DLBP-diagnose. De modelprestaties werden geëvalueerd met de volgende maatstaven: ROC AUC, PR AUC, nauwkeurigheid, gevoeligheid, specificiteit, positieve voorspellende waarde (PPV), negatieve voorspellende waarde (NPV) en F1-score.

De ROC AUC- en PR-AUC-waarden werden direct gegenereerd uit de ROC- en PR-curves, terwijl de overige meetwaarden (nauwkeurigheid, gevoeligheid, specificiteit, PPV, NPV en F1-score) werden berekend en statistisch geanalyseerd met behulp van overeenkomstige functies in R. Van de 20 ontwikkelde modellen selecteerde deze studie 8 representatieve modellen voor beoordeling op basis van bovenstaande prestatie-indicatoren.

De formules voor elke metriek zijn als volgt:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: Echt positief; TN: Echt negatief; FP: Vals-positief; FN: Vals-negatief.

SHAP-interpretabiliteitsanalyse
Het Random Forest-model in de D-groep toonde de beste prestaties in modelbeoordeling. Om de voorspellingen van het model verder te interpreteren, heeft deze studie het model opnieuw opgebouwd in Python (versie 3.7.9) en SHAP-interpretabiliteitsanalyse uitgevoerd. Om consistentie te behouden, waren de train-hyperparameters van het Random Forest-model in Python identiek aan die in R, en was de dataverwerkingsworkflow ook consistent. Specifiek gebruikten we de boommodelinterpreter om de bijdrage van elk kenmerk aan de diagnostische voorspellingen van het model in de trein- en testsets te analyseren. Voor betere visualisatie hebben we SHAP-waardeverdelingsplots, feature-importance-plots en SHAP-krachtplots voor individuele voorspellingen gegenereerd.

Statistische analyse
Alle data-analyses werden uitgevoerd met R (versie 4.3.1, https://www.r-project.org/, platform: x86_64-w64-mingw32/x64 (64-bit)) en Python (versie 3.7.9, https://www.python.org/downloads/release/python-379/). Continue variabelen werden beschreven als gemiddelde ± standaarddeviatie, terwijl categorische variabelen werden uitgedrukt als frequentie en percentage. De vergelijking tussen DLBP en Non-DLBP werd geanalyseerd met behulp van de U-test, waarbij een P-waarde van minder dan 0,05 als statistisch significant werd beschouwd.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Deze studie was gebaseerd op MRI T2WI-gegevens van 81 chirurgisch bevestigde DLBP-patiënten en 162 controles, in totaal 243 patiënten. Radiomische kenmerken werden geëxtraheerd en gecombineerd met klinische en HIZ-beeldvormingsfuncties, waarbij data werd opgesplitst in trainings- en testsets in een verhouding van 8:2 om voorspellende DLBP-diagnostische modellen te bouwen. Specifiek werden zeven HIZ-beeldvormingsfuncties verkregen na het meten van de doelschijf met 3D Slicer en werden ze ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Het D-groepsmodel, dat klinische kenmerken, HIZ-beeldvormingsfuncties en radiomische kenmerken integreert, stabiliseerde op 15 sleutelkenmerken door featureselectie en meerdere iteraties, en toonde een superieure gemiddelde prestatie ten opzichte van andere groepen, met een hogere stabiliteit en voorspellende capaciteit. Het random forest-model presteerde beter dan andere modellen in alle groepen (behalve d0), vooral in de D-groep, met ROC-AUC-waarden dicht bij 1 en minimale verschillen ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs stellen dat het onderzoek is uitgevoerd zonder commerciële of financiële relaties die als een potentieel belangenconflict kunnen worden opgevat.

Dankbetuigingen

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

De auteurs willen hun financiële steun bedanken. Het werk, ondersteund door de Science Foundation van het Kangda College van de Nanjing Medische Universiteit (Subsidie nr. KD2024KYJJ292). Het werk wordt ondersteund door het Nantong University Special Research Fund for Clinical Medicine (subsidienummer 2024JY002). Dit werk werd ondersteund door het Science and Technology Project van de Nantong Municipal Health Commission (subsidie nr. MS2024045). Dit werk werd ondersteund door Science and Technology Projects in de provincie Jiangsu [BE2023742], Project of Jiangsu Administration of Traditional Chinese Medicine (subsidie nr. MS2023113).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
3D Slicer 5.6.13D Slicerhttps://download.slicer.org/?version=5.6.1
DataopslagZenodohttps://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 Laptop GPUNVIDIAN/A
Ingenia CX 3.0T MRI-machinePhilips N/A
Prisma 3.0T MRI-machineSiemensN/A
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Verio 3.0T MRI-machineSiemens N/A

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

SHAP analysezone met hoge intensiteitdiagnose via machine learningradiomics kenmerkenprestatieparameters van het modelklinische beslissingsondersteuning

Gerelateerde artikelen