Artykuł badawczy

Poprawa diagnozy dysogenicznego bólu dolnej części pleców: model losowego lasu wyjaśniony przez SHAP połączony z radiomiką MRI T2 z zakresu lędźwiowego kręgosłupa

DOI:

10.3791/69238

⸱

13 lutego 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

W tym artykule

Podsumowanie

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

Badanie to poprawia diagnostykę dyskogenicznego bólu dolnej części pleców (DLBP) na podstawie danych MRI T2 oddzielenia lędźwiowego kręgosłupa, radiomiki oraz modelu Random Forest z analizą SHAP, osiągając wysoką dokładność i interpretowalność dla lepszego podejmowania decyzji klinicznych.

Streszczenie

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

Ból dolnej części pleców (LBP) jest główną przyczyną niepełnosprawności i obniżonej jakości życia na całym świecie, przy czym dyskogeniczny ból dolnej części pleców (DLBP) stanowi 39% przypadków. Dokładna diagnoza etiologii LBP jest trudna ze względu na brak wiarygodnych metod. Celem tego badania jest poprawa efektywności diagnostycznej DLBP wykorzystując dane z MRI T2 oddzielenia lędźwiowego kręgosłupa w połączeniu z radiomiką i uczeniem maszynowym. To badanie retrospektywne przeanalizowało dane MRI od 81 pacjentów z DLBP oraz 162 zdrowych grup kontrolnych. Wyodrębniono cechy radiomiki, dane kliniczne oraz cechy obrazowania stref wysokiej intensywności (HIZ). Dane podzielono na cztery grupy (d0, d1, d2, D), a 20 modeli predykcyjnych zbudowano przy użyciu Random Forest (RF), Decision Tree (TREE), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) oraz Logistic Regression (LOG). Wydajność modelu oceniono na podstawie powierzchni charakterystyki operacyjnej odbiornika (ROC) pod krzywą (AUC), precyzyjnego przypomnienia (PR), dokładności, czułości, swoistości, dodatniej wartości predykcyjnej (PPV), ujemnej wartości predykcyjnej (NPV) oraz wyniku F1. Zastosowano wyjaśnienia SHapley Additive ExPlanations (SHAP) do interpretacji najważniejszych cech. Losowy Las w grupie D wykazał najlepsze wyniki, z AUC ROC na poziomie 0,9861 (train) i 0,9580 (test), PR AUC 0,9813 i 0,9179 oraz wynikami F1 odpowiednio 0,9254 i 0,8148. Analiza SHAP wskazała kurtozę pierwszego rzędu jako główną cechę przyczyniającą się do diagnozy DLBP. Model Random Forest z analizą SHAP znacząco poprawił diagnozę DLBP, oferując wysoką wydajność i interpretowalność ułatwiającą podejmowanie decyzji klinicznych.

Wprowadzenie

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

Wraz z nasileniem się starzenia się populacji oraz powszechnym występowaniem niewłaściwej pozycji siedzącej w codziennej pracy i życiu, liczba pacjentów z bólem dolnej części pleców (LBP) rośnie z roku narok. Średnia częstość występowania LBP w ogólnej populacji dorosłych wynosi około 12%, z wyższą częstością występowania u osób w wieku 40 lat lub starszych oraz u kobiet, z całkowitą częstością występowania około 40%2. We wszystkich przypadkach LBP dyskogenny ból dolnej części pleców (DLBP) stanowi około 39%, a jego etiologia jest złożona i różnorodna, często związana z degeneracją dysku, szczególnie z pęknięciami pierścieniowymi sięgającymi zewnętrznego pierścienia dysku 3,4,5. Zwiększone ciśnienie dysków stymuluje zakończenia nerwowe wrażliwe przez mediatory zapalne, prowadząc do bólu dyskogenicznego 5,6.

Obecnie dyskografia jest uznawana za złoty standard diagnozy DLBP, potwierdzając etiologię poprzez wywoływanie dysogenicznego bólu7. Jednak jego wiarygodność i bezpieczeństwo są kwestionowane ze względu na potencjalne fałszywie pozytywne wyniki oraz ryzyko przyspieszenia zwyrodnienia dysku, co ogranicza jego zastosowanie kliniczne 5,8. Strefa wysokiej intensywności (HIZ) odnosi się do sygnałów o wysokiej intensywności w tylnym pierścieniu na obrazach MRI ważonych T2, patologicznie charakteryzujących się pęknięciami pierścieni lub pęknięciami 5,8,9. Chociaż związek między HIZ a DLBP jest szeroko badany, HIZ charakteryzuje się niską swoistością i jest również częsty u osób bezobjawowych, co często prowadzi do błędnej diagnozy 10,11,12,13. Na obrazach ważonych T2 u pacjentów z przewlekłą chorobą dysków lędźwiowych (LDDD) i przewlekłymi LBP niemal wszystkie zdegenerowane dyski wykazują obniżoną intensywność sygnału14. Według klasyfikacji Pfirrmanna i in., degeneracja dysku jest oceniana od I (prawidłowy dysk) do V (ciężka degeneracja)14. Obrazowanie ważone T2 jest szeroko stosowane w badaniach multimodalnych do diagnozy i oceny LDDD i LBP, dostarczając kluczowych informacji na temat degeneracji dysku i jej znaczenia klinicznego15,16. Jednak niska intensywność sygnału nie odzwierciedla dokładnie zmian morfologicznych dysku i ma niewielki związek ze stopniem bólu wywołanym przez DLBP 17,18,19.

Obecnie decyzje kliniczne dotyczące DLBP opierają się głównie na subiektywnej ocenie klinicystów, którzy skupiają się na czynnikach takich jak HIZ, wysokość dysku, czarne dyski czy zmiany sygnału w dysku20,21. Dodatkowe rozważania to wiek pacjenta, płeć, wzrost, waga oraz wskaźnik masy ciała (BMI). Czas trwania i intensywność LBP również mieszczą się w zakresie rozważań. Taka metoda diagnozowania, oparta na subiektywnej ocenie, może prowadzić do błędnych planów leczenia. Dlatego pilnie potrzebne jest opracowanie skutecznego narzędzia diagnostycznego poprawiającego efektywność diagnostyczną DLBP4.

MRI, jako nieinwazyjna technika obrazowania, odgrywa ważną rolę w diagnozie LBP. W szczególności aksialne obrazowanie ważone T2 (T2WI), ze swoim wysokim kontrastem tkankowym, dostarcza dokładniejszych informacji fizjologicznych i patologicznego stanu dysku w porównaniu z tradycyjną tomografią komputerową (CT)22,23. Analiza cech radiomiki, polegająca na przekształcaniu danych obrazowych z MRI, CT itp. na cechy ilościowe dla zaawansowanej analizy matematycznej, stanowi potężne narzędzie do oceny i interpretacji obrazów medycznych24. Ta metoda może zmniejszyć błędy wynikające z analizy subiektywnej, zwiększając dokładność i spójność wyników diagnostycznych25.

W ostatnich latach sztuczna inteligencja i techniki uczenia maszynowego w analizie obrazów medycznych przyniosły nową nadzieję na diagnozowanie chorób26. Poprzez zwiększenie dokładności diagnostyki, automatyzację procesów klinicznych oraz umożliwienie spersonalizowanych strategii leczenia, technologie AI głęboko zmieniają krajobraz inteligentnej opieki zdrowotnej27. W diagnostyce DLBP integracja radiomiki z algorytmami uczenia maszynowego ma ogromny potencjał w poprawie dokładności i efektywności diagnostycznej28. Jednak "skrzynka" w złożonych modelach uczenia maszynowego ogranicza ich kliniczną użyteczność, czyniąc wyjaśniającą AI (XAI) kluczowym elementem systemów wsparcia decyzji klinicznych29. SHapley Additive exPlanations (SHAP), metoda interpretacyjna oparta na teorii gier, ilościowo określa wkład i wpływ każdej cechy na diagnostyczne prognozy modeli, czyniąc złożone modele uczenia maszynowego bardziej przejrzystymi i interpretowalnymi30. Stała się jedną z najczęściej stosowanych technik XAI w systemach wsparcia decyzji klinicznych, skutecznie zwiększając zaufanie i akceptację systemów AIprzez klinicystów.

W tym badaniu opracowano algorytm Random Forest, wykorzystujący radiomikę i analizę interpretowalności SHAP, co znacząco poprawiło efektywność diagnostyczną DLBP w porównaniu z tradycyjnymi subiektywnymi ocenami. Ponadto metoda interpretacji SHAP zwiększa przejrzystość prognoz diagnostycznych modelu, zwiększając zaufanie klinicystów do diagnozy i poprawiając dokładność podejmowania decyzji klinicznych. Badanie to zakłada, że ten model zmniejszy niepotrzebne cierpienie spowodowane błędną diagnozą i opóźnionym leczeniem, przyczyni się do rozwoju spersonalizowanego leczenia oraz ostatecznie poprawi ogólne wyniki leczenia pacjentów.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

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

Kwestie etyczne i populacja badawcza
To badanie retrospektywne zostało zatwierdzone przez komisję etyki instytucjonalnej. Świadoma zgoda została zniesiona, ponieważ wszystkie chronione informacje zdrowotne zostały zanonimizowane. Populacja badawcza składała się z pacjentów pobranych z bazy obrazowej Pierwszego Szpitala Ludowego w Nantong, którzy przeszli rezonans magnetyczny odcinka lędźwiowego kręgosłupa z powodu bólu dolnej części pleców między styczniem 2022 a grudniem 2023 roku. Zebrano również cechy kliniczne pacjentów (Tabela 1).

Kryteria włączenia i wykluczenia
Obecny standard diagnostyczny dla DLBP opiera się na metodzie dyskografii Międzynarodowego Stowarzyszenia Badań nad Bólem z 1995 roku, która wywołuje ból poprzez zwiększony nacisk, ale nie jest powszechnie akceptowana ze względu na wysoką inwazjność8. Dlatego badanie przyjęło restrykcyjny intraoperacyjny test prowokacji bólu dysku jako metodę diagnostyczną DLBP, zgodny z zasadami dyskografii, jednocześnie minimalizując dalsze uszkodzenia dysku i powikłania31. Procedura polegała na tym, że pacjenci leżeli w pozycji brzucha pod znieczuleniem, z docelowym krążkiem lędźwiowym lokalizowanym za pomocą rentgenowskiego naprowadzania ramienia C. Igła o masie 18 G (<22 G) została wprowadzona przez podejście posterolateralne do centralnego jądra pulsposus, omijając korzenie nerwowe i worek oponowiony. Po potwierdzeniu wszczepienia igły podano sól fizjologiczną lub kontrast niejonowy (np. joheksol) w tempie nieprzekraczającym 0,5 mL/min, ciśnieniem poniżej 50 psi i całkowitą objętością wstrzyku poniżej 3 mL, aby symulować wzrost ciśnienia wewnątrzdyskowego i wywołać znane objawy bólu dolnej części pleców, z wynikiem skali analogowej wzroku (VAS) ≥ 7.

Kryteria włączenia do grupy DLBP: Pacjenci uwzględnieni tutaj przeszli badanie MRI, mają nawracający ból dolnej części pleców przez ponad 3 miesiące, z niepowodzeniem leczenia zachowawczym, z drętwieniem kończyn dolnych lub bez niego lub promieniującym bólem, a także pozytywnie wychodzą na śródoperacyjny test wywołujący ból dysku.

Kryteria włączenia do grupy niebędącej DLBP: Pacjenci uwzględnieni tutaj przeszli rezonans magnetyczny; nie mają historii bólu dolnej części pleców w ciągu 3 miesięcy lub są zdrowymi osobami poddawanymi badaniu fizykalnym; nie ma nieprawidłowości w rezonanse magnetycznym; oraz posiadają standaryzowaną ocenę z Oswestry Disability Index (ODI) <10 i VAS ≤2.

Kryteria wykluczenia: Wykluczyć pacjentów z innymi przyczynami bólu dolnej części pleców, takimi jak znaczna przepuklina dysku uciskająca nerwy, złamania, infekcje kręgosłupa, spondylolistyka, guzy, osteoporoza lub choroby metaboliczne; historię operacji przed badaniem; niewyraźne lub słabej jakości obrazy; niemożność identyfikacji regionu zainteresowania (ROI).

Ostatecznie uwzględniono 243 pacjentów, w tym 81 pacjentów z DLBP i 162 grupy kontrolnej.

Parametry MRI
Wszyscy pacjenci uwzględnieni w tym badaniu przeszli badania MRI 3,0 T, wykorzystując sekwencje obejmujące sagittalne i osiowe obrazowanie ważone T1 (T1WI) oraz T2-ważone (T2WI). W badaniu zastosowano trzy różne urządzenia MRI: Siemens Verio, Siemens Prisma oraz Philips Ingenia CX. Parametry skanowania zostały ustalone następująco: dla sagittalnego T2WI TR mieściło się od 2000 do 4597 ms, TE od 90 do 120 ms, grubość przekroju od 4,0 do 4,8 mm, z 15 fragmentami, szerokość pasma od 250 Hz do 340 Hz, rozmiar matrycy 384 × 384 lub 512 × 512, procent pola widzenia fazowego 100%, oraz pole widzenia odczytu 300 mm.

Funkcje obrazowania HIZ – pomiary i statystyka
W tym badaniu wykorzystano oprogramowanie 3D Slicer (wersja 5.6.1, https://download.slicer.org/?version=5.6.1) do ręcznej analizy obrazów ważonych T2 rezonansu lędźwiowego u 243 pacjentów i grup kontrolnych. Proces przetwarzania danych wyglądał następująco: Obrazy były importowane za pomocą funkcji Dodaj danych DICOM w 3D Slicerze. Pomiary przeprowadzono przy użyciu funkcji Markups przez dwóch doktorantów badań nad kręgosłupem pod kierunkiem radiologów i chirurgów kręgosłupa z ponad 10-letnim doświadczeniem klinicznym. Rozbieżności w pomiarach zostały rozwiązane dzięki konsultacji z oboma lekarzami. Wszystkie wartości pomiarów były uśredniane przez dwóch statystyków, aby zapewnić dokładność. Na zdjęciach strzałkowych mierzono dwie wzajemnie prostopadłe maksymalne średnice strefy wysokiej intensywności (HIZ), definiowane jako Hizh (kierunek bliski pionowi) i Hizw (kierunek bliski poziomu). Funkcja segmentacji została użyta do wyznaczenia regionu HIZ, a obszar najbardziej wyrazistego HIZ na płaszczyźnie strzałkowej obliczono, oznaczany jako Hizarea. Na obrazach osiowych mierzono maksymalną długość HIZ, nazwaną Hizl. Dodatkowo zdefiniowano trzy zmienne binarne: Hiz (obecność HIZ), Other (obecność wielosegmentalnego HIZ) oraz Position (czy HIZ przecina tylną linię środkową) (Tabela 2).

Ekstrakcja cech radiomiki i standaryzacja
Aby zintegrować specyficzną operację Resampling Scalar Volume w kontekście przetwarzania obrazów ważonych T2 oddzielenia lędźwiowego od 243 pacjentów i kontrolnych za pomocą 3D Slicer, zastosowano następujące szczegółowe kroki: Proces rozpoczął się od importu obrazów ważonych T2 odcinka lędźwiowego do 3D Slicer. Aby zapewnić spójność i zmniejszyć błędy heterogeniczności, wszystkie obrazy zostały ponownie próbkowane do rozmiaru wokselowego 0,6 × 0,6 × 0,6 mm za pomocą modułu Resample Scalar Volume . Konkretne kroki to: Przejście do sekcji Moduły i wybór Resample Scalar Volume. W Ustawieniu parametrów upewnij się, że wybrano objętość skalarną ponownego próbkowania . W sekcji Parametry Resampling ustaw odstępy na 0,6, 0,6, 0,6, aby zdefiniować docelowe wymiary wokseli. Wybierz odpowiednią metodę interpolacji spośród opcji takich jak liniowa, najbliższy sąsiad, bspline, hamming, cosinus, welch, lanczos lub blackman, z liniową jako domyślną. Dla Output Volume wybierz lub stwórz nowy wolumin, aby przechować dane z resamplowaniem. Po weryfikacji ustawień kliknij Zastosowaj , aby uruchomić proces ponownego samplingu.

Po ponownym pobieraniu próbek dwóch doktorantów zajmujących się badaniami kręgosłupa, pod kierunkiem radiologów i chirurgów kręgosłupa z ponad 10-letnim doświadczeniem, przeprowadziło półautomatyczne wyznaczanie obszaru zainteresowania (ROI). Rozbieżności zostały rozwiązane poprzez konsultacje. Konkretne kroki to: Wybranie warstwy (ponowne próbkowanie nowego woluminu), utworzenie nowej warstwy segmentacji oraz użycie funkcji Draw do wyznaczania warstw po warstwach. Użyj funkcji Wypełnienia między fragmentami do wypełniania warstw. Wygładz powstały ROI metodą Mediana o rozmiarze jądra 3,0 mm, 5 x 5 pikseli. Korzystając z biblioteki PyRadiomics, z ponownego próbkowania wyodrębniono 107 cech radiomicznych, w tym cechy kształtu, cechy statystyczne pierwszego rzędu, macierz współwystępowania na poziomie szarości (GLCM), macierz długości długości serii na poziomie szarości (GLRLM), macierz strefy rozmiaru na poziomie szarości (GLSZM), sąsiednią macierz różnic tonów szarych (NGTDM) oraz cechy macierzy zależności na poziomie szarości (GLDM) (Tabela Uzupełniająca 1). Na koniec wyodrębnione dane cech zostały standaryzowane metodą Z-score, aby przekształcić ich naturalny zakres w standaryzowany zakres.

Grupowanie na podstawie cech
Grupy zostały przydzielone następująco:
d0 (grupa bazowa): Uwzględniono cechy kliniczne, n(d0) = 5.
d1 (grupa finostroju bazowego): Uwzględniono cechy kliniczne i cechy obrazowania HIZ, n(d1) = 12.
d2 (grupa modelowa): Uwzględniono cechy kliniczne i radiomiki, n(d2) = 112.
D (Grupa finetune modelu): Uwzględniono cechy kliniczne, cechy obrazowania HIZ oraz cechy radiomiki, n(D) = 119.

Odczyt i wstępne przetwarzanie danych
Dane dla poszczególnych grup były odczytywane za pomocą funkcji read_excel w oprogramowaniu R (wersja 4.3.1, https://www.r-project.org/, platforma: x86_64-w64-mingw32/x64 [64-bit]) z kodowaniem UTF-8 (domyślne w systemie), które obsługuje większość języków pisanych na świecie. Funkcja select służyła do oddzielenia zmiennej docelowej od zmiennych cech.

Wybór funkcji
Aby zapewnić powtarzalność podziału danych, cztery zbiory danych (D, d2, d1, d0) przebiegały tym samym procesem przetwarzania, z ustalonym losowym seedem 80. Do ramki danych dodawano kolumnę etykiet, przekształcano ją na typ czynnika, a losowe etykiety (1 i 0) generowano za pomocą rozkładu dwumianowego, dzieląc dane na zestawy treningowe i testowe w stosunku 8:2 (80% prawdopodobieństwa dla zbioru treningowego). Ze względu na ograniczoną liczbę cech, grupy d0 i d1 nie wymagały wyboru cech, podczas gdy grupy d2 i D przechodziły wybór cech:

Najpierw zastosowano test Mann-Whitney U do zbioru treningowego, aby wybrać cechy o wartościach p <0,05. Następnie wykonano regresję Lasso z 10-krotną walidacją krzyżową i regularizacją L1, aby określić optymalny współczynnik kary i wybrać cechy z jednej iteracji. Ustawiano losowe ziarno od 1 do 100, a powyższe kroki (podział danych, test Mann-Whitney U oraz regresja Lasso) powtarzano w pętli. Cechy pojawiające się ponad 50 razy w 100 iteracjach zostały wybrane do kolejnych modelowania, aby zapewnić wiarygodność konstrukcji modelu i diagnostyki. Cechy modelowania dla każdej grupy wymienione są w Tabeli 3.

Wyszukiwanie siatki i strojenie modeli
Aby zoptymalizować modele, zastosowano wyszukiwanie siatki do systematycznego badania i oceny różnych kombinacji hiperparametrów. Dzięki iteracyjnemu strojeniu i ocenie wydajności badanie to zidentyfikowało zestaw hiperparametrów, które zapewniły najlepsze wartości ROC AUC dla zestawów pociągowych i testowych, optymalizując tym samym wydajność modelu.

Rozwój i ocena modelu
Cały rozwój modeli i analiza danych były prowadzone w R (wersja 4.3.1). Badanie to wykorzystało różne algorytmy uczenia maszynowego, w tym Random Forest (RF), Support Vector Machine (SVM), Decision Tree (TREE), K-Nearest Neighbors (KNN) oraz Logistic Regression (LOG), aby opracować 20 modeli w czterech grupach (d0, d1, d2 i D) do przewidywania diagnozy DLBP. Wydajność modelu oceniano na podstawie następujących metryk: ROC AUC, PR AUC, dokładność, czułość, specyficzność, dodatnia wartość predykcyjna (PPV), ujemna wartość predykcyjna (NPV) oraz wynik F1.

Wartości AUC ROC i PR AUC zostały bezpośrednio wygenerowane z krzywych ROC i PR, natomiast pozostałe metryki (dokładność, czułość, specyficzność, PPV, NPV i wynik F1) zostały obliczone i statystycznie przeanalizowane przy użyciu odpowiadających funkcji w R. Spośród 20 opracowanych modeli wybrano 8 reprezentatywnych modeli do oceny na podstawie powyższych wskaźników wydajności.

Wzory dla każdej metryki są następujące:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: Prawdziwy pozytyw; TN: Prawdziwy negatyw; FP: Fałszywy alarm; FN: Fałszywie negatywne.

Analiza interpretowalności SHAP
Model Random Forest w grupie D wykazał najlepsze wyniki w ocenie modelu. Aby lepiej zinterpretować prognozy modelu, badanie to przebudowało model w Pythonie (wersja 3.7.9) i przeprowadziło analizę interpretowalności SHAP. Aby zachować spójność, hiperparametry trenowania modelu Random Forest w Pythonie były identyczne jak te używane w R, a proces przetwarzania danych również był spójny. Konkretnie użyliśmy interpretera modelu drzewa do analizy wkładu każdej cechy w diagnostyczne prognozy modelu w zbiorach treningowych i testowych. Dla lepszej wizualizacji wygenerowaliśmy wykresy rozkładu wartości SHAP, wykresy ważności cech oraz wykresy siły SHAP dla poszczególnych prognoz.

Analiza statystyczna
Wszystkie analizy danych przeprowadzono w R (wersja 4.3.1, https://www.r-project.org/, platforma: x86_64-w64-mingw32/x64 (64-bit)) oraz Pythonie (wersja 3.7.9, https://www.python.org/downloads/release/python-379/). Zmienne ciągłe opisywano jako średnią ± odchylenie standardowe, natomiast zmienne kategoryczne jako częstotliwość i procent. Porównanie między DLBP a Non-DLBP przeanalizowano za pomocą testu U, przy czym wartość P poniżej 0,05 została uznana za istotną statystycznie.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

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

Badanie to opierało się na danych MRI T2WI z 81 pacjentów z potwierdzonym chirurgicznie DLBP oraz 162 kontroli, co daje łącznie 243 pacjentów. Cechy radiomiczne zostały wyodrębnione i połączone z cechami klinicznymi i obrazowymi HIZ, a dane podzielono na zestawy treningowe i testowe w proporcji 8:2, aby zbudować predykcyjne modele diagnostyczne DLBP. Konkretnie, po pomiarze docelowego dysku za pomocą 3D Slicer uzyskano siedem cech obrazowania HIZ i zostało uwzględnionych w modelach grup d1 i D wraz z cechami klinicznymi....

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

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

Model grupy D, integrujący cechy kliniczne, cechy obrazowania HIZ oraz cechy radiomiki, ustabilizował się na poziomie 15 kluczowych cech poprzez selekcję cech i wielokrotne iteracje, wykazując wyższą średnią wydajność w porównaniu z innymi grupami, z wyższą stabilnością i zdolnościami predykcyjnymi. Model losowego lasu przewyższał inne modele we wszystkich grupach (z wyjątkiem d0), szczególnie w grupie D, z wartościami AUC ROC bliskimi 1 i minimalnymi różnicami między zestawami treningowymi a testowymi, co uczyniło go na...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

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

Autorzy twierdzą, że badania przeprowadzono w braku jakichkolwiek relacji handlowych lub finansowych, które mogłyby być uznane za potencjalny konflikt interesów.

Podziękowania

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

Autorzy chcieliby podziękować za wsparcie finansowe. Prace wspierane przez Fundację Naukową Kangda College Uniwersytetu Medycznego w Nankinie (Grant nr KD2024KYJJ292). Prace wspierane przez Specjalny Fundusz Badawczy Uniwersytetu Nantong na rzecz medycyny klinicznej (Grant nr 2024JY002). Prace te zostały wsparte przez Projekt Naukowo-Technologiczny Komisji Zdrowia Miejskiej Nantong (grant nr MS2024045). Prace te były wspierane przez Projekty Naukowo-Technologiczne w prowincji Jiangsu [BE2023742], Projekt Administracji Tradycyjnej Medycyny Chińskiej Jiangsu (grant nr MS2023113).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
3D Slicer 5.6.1Slicer 3Dhttps://download.slicer.org/?version=5.6.1
Przechowywanie danychZenodohttps://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 Laptop GPUNVIDIANie ma
Aparat MRI Ingenia CX 3.0TPhilips Nie ma
Aparat MRI Prisma 3.0TSiemensNie ma
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Aparat MRI Verio 3.0TSiemens Nie ma

Bibliografia

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

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Analiza SHAPstrefa o wysokim nat eniudiagnostyka oparta na uczeniu maszynowymcechy radiomicznemetryki wydajno ci modeluwsparcie decyzji klinicznych

Powiązane artykuły