Artigo de investigação

Aprimorando o Diagnóstico de Dor Lombar Discogênica: Um Modelo de Floresta Aleatória Explicado por SHAP Combinado com Radiomics T2 de Ressonância Magnética da Coluna Lombar

DOI:

10.3791/69238

⸱

13 de fevereiro de 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

Neste artigo

Resumo

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

Este estudo aprimora o diagnóstico de dor lombar discogênica (DLBP) utilizando dados de ressonância magnética lombar T2, radiômica e um modelo de Floresta Aleatória com análise SHAP, alcançando alta precisão e interpretabilidade para melhorar a tomada de decisões clínicas.

Resumo

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

A dor lombar (LBP) é uma das principais causas de incapacidade e redução da qualidade de vida globalmente, sendo que a dor lombar discogênica (DLBP) responde por 39% dos casos. O diagnóstico preciso da etiologia da lombalesca é desafiador devido à falta de métodos confiáveis. Este estudo visa melhorar a eficiência diagnóstica do DLBP usando dados de ressonância magnética T2 da coluna lombar combinados com radiômica e aprendizado de máquina. Este estudo retrospectivo analisou dados de ressonância magnética de 81 pacientes com DLBP e 162 controles saudáveis. Características de radiômica, dados clínicos e características de imagem de zona de alta intensidade (HIZ) foram extraídas. Os dados foram divididos em quatro grupos (d0, d1, d2, D), e 20 modelos preditivos foram construídos usando Random Forest (RF), Decision Tree (TREE), Support Vector Machine (SVM), K-Nearest Neighbors (KNN) e Logistic Regression (LOG). O desempenho do modelo foi avaliado usando a área da Característica Operacional do Receptor (ROC) sob a curva (AUC), AUC de recordação de precisão (PR), precisão, sensibilidade, especificidade, valor preditivo positivo (PPV), valor preditivo negativo (NPV) e escore F1. As explicações aditivas SHapley (SHAP) foram aplicadas para interpretar as características mais significativas. A Floresta Aleatória do grupo D apresentou o melhor desempenho, com AUCs ROC de 0,9861 (trem) e 0,9580 (teste), AUCs PR de 0,9813 e 0,9179, e pontuações F1 de 0,9254 e 0,8148, respectivamente. A análise SHAP identificou a curtose de primeira ordem como a principal característica que contribui para o diagnóstico de DLBP. O modelo Random Forest com análise SHAP melhorou significativamente o diagnóstico de DLBP, oferecendo alto desempenho e interpretabilidade para aprimorar a tomada de decisão clínica.

Introdução

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

Com o agravamento do envelhecimento populacional e a ocorrência generalizada de posturas inadequadas ao sentar no trabalho e na vida diária, o número de pacientes com dor lombar (LBP) está aumentando ano apósano. A prevalência média de LBP na população adulta geral é de aproximadamente 12%, com maior prevalência observada em indivíduos com 40 anos ou mais e em mulheres, com prevalência vitalícia de cerca de 40%. Entre todos os casos de LBP, a dor lombar discogênica (DLBP) representa aproximadamente 39%, sendo sua etiologia complexa e diversa, frequentemente associada à degeneração do disco, especialmente rupturas anulares que alcançam o anel externo dodisco 3,4,5. O aumento da pressão do disco estimula terminações nervosas sensibilizadas por mediadores inflamatórios, levando à dordiscogênica 5,6.

Atualmente, a discografia é considerada o padrão ouro para o diagnóstico de DLBP, confirmando a etiologia ao provocar dordiscogênica 7. No entanto, sua validade e segurança são questionadas devido a possíveis falsos positivos e ao risco de acelerar a degeneração do disco, limitando sua aplicaçãoclínica 5,8. A zona de alta intensidade (HIZ) refere-se a sinais de alta intensidade no anel posterior em imagens de ressonância magnética ponderadas em T2, patologicamente caracterizadas por rupturas ou rupturasanulares 5,8,9. Embora a relação entre HIZ e DLBP tenha sido amplamente estudada, a HIZ apresenta baixa especificidade e também é comum em indivíduos assintomáticos, frequentemente levando a diagnósticoserrados 10,11,12,13. Em imagens ponderadas em T2 de doença degenerativa do disco lombar (LDDD) e pacientes com lombalebral crônica, quase todos os discos degenerados apresentam redução da intensidade do sinal14. De acordo com a classificação de Pfirrmann et al., a degeneração do disco é graduada de I (disco normal) a V (degeneração severa)14. A imagem ponderada em T2 é amplamente utilizada em estudos multimodais para diagnóstico e avaliação de LDDD e LBP, fornecendo insights críticos sobre a degeneração discal e sua relevânciaclínica 15,16. No entanto, baixa intensidade de sinal não reflete com precisão as mudanças morfológicas no disco e tem pouca correlação com o grau de dor causado peloDLBP 17,18,19.

Atualmente, a tomada de decisão clínica para a DLBP baseia-se principalmente na avaliação subjetiva dos clínicos, que focam em fatores como HIZ, altura do disco, discos pretos ou mudanças de sinal nodisco 20,21. Considerações adicionais incluem idade, gênero, altura, peso e índice de massa corporal (IMC) do paciente. A duração e a intensidade da LBP também estão sob consideração. Tal método de diagnóstico, dependente de avaliação subjetiva, pode levar a planos de tratamento equivocados. Portanto, é urgente desenvolver uma ferramenta diagnóstica eficaz para melhorar a eficiência diagnóstica daDLBP 4.

A ressonância magnética, como técnica de imagem não invasiva, desempenha um papel importante no diagnóstico da lombalesia. Em particular, a imagem axial ponderada em T2 (T2WI), com seu alto contraste tecidual, fornece informações fisiológicas mais precisas e status patológico do disco em comparação com a tomografia computorizada tradicional (TC)22,23. A análise de características de radiômica, ao converter dados de imagens de ressonância magnética, tomografia computarizada, etc., em recursos quantitativos para análise matemática avançada, fornece uma ferramenta poderosa para avaliação e interpretação de imagensmédicas 24. Esse método pode reduzir vieses da análise subjetiva, aumentando assim a precisão e consistência dos resultadosdiagnósticos 25.

Nos últimos anos, inteligência artificial e técnicas de aprendizado de máquina na análise de imagens médicas trouxeram nova esperança para o diagnósticode doenças 26. Ao aumentar a precisão do diagnóstico, automatizar fluxos de trabalho clínicos e possibilitar estratégias de tratamento personalizadas, as tecnologias de IA estão transformando profundamente o cenário da saúdeinteligente 27. No diagnóstico de DLBP, a integração da radiômica com algoritmos de aprendizado de máquina possui grande potencial para melhorar a precisão e a eficiência do diagnóstico28. No entanto, a natureza "caixa-preta" dos modelos complexos de aprendizado de máquina limita sua aplicabilidade clínica, tornando a IA explicável (XAI) um componente crítico dos sistemas de apoio à decisãoclínica 29. As explicações aditivas SHapley (SHAP), um método interpretativo baseado em teoria dos jogos, quantificam a contribuição e o impacto de cada característica nas previsões diagnósticas do modelo, tornando modelos complexos de aprendizado de máquina mais transparentes einterpretáveis 30. Tornou-se uma das técnicas XAI mais amplamente utilizadas em sistemas de apoio à decisão clínica, aumentando efetivamente a confiança e a aceitação dos clínicos em relação aos sistemasde IA 29.

Este estudo desenvolveu um algoritmo de Floresta Aleatória incorporando radiômica e análise de interpretabilidade SHAP, melhorando significativamente a eficiência diagnóstica da DLBP em comparação com as avaliações subjetivas tradicionais. Além disso, o método de interpretação SHAP aumenta a transparência das previsões diagnósticas do modelo, aumentando a confiança dos profissionais no diagnóstico e melhorando a precisão da tomada de decisão clínica. Este estudo propõe que esse modelo reduzirá o sofrimento desnecessário causado por diagnósticos incorretos e tratamento atrasado, promoverá o avanço do tratamento personalizado e, em última análise, melhorará os resultados gerais do tratamento para os pacientes.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

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

Considerações éticas e população estudada
Este estudo retrospectivo foi aprovado pelo comitê de ética institucional. O consentimento informado foi renunciado, pois todas as informações de saúde protegidas foram anonimizadas. A população do estudo consistiu em pacientes retirados do banco de dados de imagens do First People's Hospital de Nantong, que realizaram ressonância magnética da coluna lombar devido a dores lombares entre janeiro de 2022 e dezembro de 2023. As características clínicas dos pacientes também foram coletadas (Tabela 1).

Critérios de inclusão e exclusão
O padrão diagnóstico atual para DLBP segue o método de discografia da International Association for the Study of Pain de 1995, que provoca dor por meio do aumento da pressão, mas não é amplamente aceito devido à sua altainvasividade 8. Portanto, este estudo adotou um teste restritivo de provocação de dor discal intraoperatório como método diagnóstico para DLBP, consistente com os princípios da discografia e minimizando danos e complicações discaisadicionais 31. O procedimento envolveu pacientes em posição prona sob anestesia espinhal, com o disco lombar alvo localizado usando guiagem de raio-X em C-arm. Uma agulha de 18 G (<22 G) foi inserida por meio de uma abordagem posterolateral no núcleo pulposo central, evitando as raízes nervosas e o saco dural. Após confirmação da colocação da agulha, foi injetado soro fisiológico ou contraste não iônico (por exemplo, iohexol) a uma taxa não superior a 0,5 mL/min, com pressão abaixo de 50 psi e volume total de injeção inferior a 3 mL, para simular o aumento da pressão intradiscal e provocar sintomas familiares de dor lombar, com uma escala visual analógica (VAS) ≥ 7.

Critérios de inclusão do grupo DLBP: Os pacientes aqui incluídos passaram por exame de ressonância magnética, apresentam dor lombar recorrente por mais de 3 meses, com tratamento conservador fracassado, com ou sem dormência no membro inferior ou dor irradiada, e são positivos para o teste de provocação de dor discal intraoperatória.

Critérios de inclusão em grupos sem DLBP: Pacientes aqui incluídos passaram por ressonância magnética; não têm histórico de dor lombar em 3 meses ou estão pessoas saudáveis passando por exame físico; não apresentam anomalias na ressonância magnética; e possuem uma avaliação padronizada com o Índice de Deficiência (ODI) de Oswestry (ODI) <10 e VAS ≤2.

Critérios de Exclusão: Exclua pacientes que tenham outras causas de dor lombar, como hérnia de disco significativa que comprime nervos, fraturas, infecções na coluna, espondilolistese, tumores, osteoporose ou doenças metabólicas ósseas; histórico de cirurgia antes do exame; imagens pouco claras ou de baixa qualidade; incapacidade de identificar a região de interesse (ROI).

No total, foram incluídos 243 pacientes, compreendendo 81 pacientes com DLBP e 162 controles.

Parâmetros da ressonância magnética
Todos os pacientes incluídos neste estudo passaram por ressonâncias magnéticas de 3,0 T, utilizando sequências que incluíam imagem ponderada sagital e axial T1 (T1WI) e imagem ponderada T2 (T2WI). Três máquinas diferentes de ressonância magnética foram usadas no estudo: Siemens Verio, Siemens Prisma e Philips Ingenia CX. Os parâmetros de varredura foram definidos da seguinte forma: para T2WI sagital, TR variou de 2000 a 4597 ms, TE de 90 a 120 ms, espessura de corte de 4,0 a 4,8 mm, com 15 fatias incluídas, largura de banda de 250 Hz a 340 Hz, tamanho da matriz de 384 × 384 ou 512 × 512, percentual de campo de visão de fase de 100%, e um campo de visão de leitura de 300 mm.

Medição de características e estatísticas de imagem do HIZ
Este estudo utilizou o software 3D Slicer (versão 5.6.1, https://download.slicer.org/?version=5.6.1) para analisar manualmente imagens ponderadas em T2 de ressonância magnética lombar de 243 pacientes e controles. O fluxo de trabalho de processamento de dados era o seguinte: as imagens eram importadas usando a função Adicionar Dados DICOM no 3D Slicer. As medições foram realizadas usando a função Markups por dois estudantes de pós-graduação em pesquisa da coluna sob a orientação de radiologistas e cirurgiões de coluna com mais de 10 anos de experiência clínica. As discrepâncias nas medições foram resolvidas por meio de consulta com os dois médicos. Todos os valores das medições foram medidos por dois estatísticos para garantir a precisão. Em imagens sagitais, os dois diâmetros máximos mutuamente perpendiculares da zona de alta intensidade (HIZ) foram medidos, definidos como Hizh (direção quase vertical) e Hizw (direção quase horizontal). A função de segmentação era usada para delimitar a região HIZ, e a área do HIZ mais proeminente no plano sagital era calculada, denotada como Hizarea. Em imagens axiais, o comprimento máximo do HIZ foi medido, chamado Hizl. Além disso, três variáveis binárias foram definidas: Hiz (presença de HIZ), Outra (presença de HIZ multisegmental) e Posição (se o HIZ cruza a linha média posterior) (Tabela 2).

Radiômica apresenta extração e padronização
Para integrar a operação específica do Volume Escalar de Reamostragem no contexto do processamento de imagens ponderadas em T2 de ressonância magnética lombar de 243 pacientes e controles usando o 3D Slicer, foram seguidos os seguintes passos detalhados: O processo começou com a importação de imagens ponderadas em T2 para a ressonância magnética lombar para o 3D Slicer. Para garantir consistência e reduzir o viés de heterogeneidade, todas as imagens foram reamostradas para um tamanho voxel de 0,6 × 0,6 × 0,6 mm usando o módulo Resample Scalar Volume . Os passos específicos foram: navegar até a seção Módulos e selecionar Reamostrar Volume Escalar. Em Conjunto de Parâmetros, certifique-se de que o Volume Escalar de Reamostragem esteja selecionado. Na seção Parâmetros de Reamostragem , defina o espaçamento para 0,6, 0,6, 0,6 para definir as dimensões voxel alvo. Selecione um método de Interpolação apropriado entre opções como linear, vizinho mais próximo, bspline, hamming, cosseno, welch, lanczos ou blackman, tendo linear como padrão. Para Volume de Saída, selecione ou crie um novo volume para armazenar os dados reamostrados. Após verificar as configurações, clique em Aplicar para executar o processo de reamostragem.

Após a reamostragem, dois estudantes de pós-graduação em pesquisa da coluna, orientados por radiologistas e cirurgiões com mais de 10 anos de experiência, realizaram a delimitação semiautomática da região de interesse (ROI). As discrepâncias foram resolvidas por meio de consulta. Os passos específicos foram: selecionar a camada (reamostrar o novo volume), criar uma nova camada de segmentação e usar a função Desenhar para delimitação camada por camada. Use a função Preenchimento entre fatias para o recheio entre camadas. Suavize o ROI formado usando o método de suavização mediana com tamanho de grão de 3,0 mm, 5 x 5 pixels. Usando a biblioteca PyRadiomics, 107 características radiômicas foram extraídas das imagens reamostradas, incluindo características de forma, características estatísticas de primeira ordem, matriz de coocorrência de nível cinza (GLCM), matriz de comprimento de execução em nível cinza (GLRLM), matriz de zona de tamanho em nível cinza (GLSZM), matriz vizinha de diferença de tons de cinza (NGTDM) e características da matriz de dependência de nível cinza (GLDM) (Tabela Suplementar 1). Por fim, os dados extraídos de características foram padronizados usando o método Z-score para transformar seu alcance natural em um intervalo padronizado.

Agrupamento baseado em características
Os grupos foram distribuídos da seguinte forma:
d0 (Grupo base): Características clínicas incluídas, n(d0) = 5.
d1 (Grupo de ajuste fino-base): Características clínicas incluídas e características de imagem do HIZ, n(d1) = 12.
d2 (Grupo modelo): Características clínicas e radiômicas incluídas, n(d2) = 112.
D (Grupo de ajuste fino modelo): Características clínicas incluídas, características de imagem HIZ e características de radiômica, n(D) = 119.

Leitura e pré-processamento de dados
Os dados dos respectivos grupos eram lidos usando a função read_excel no software R (versão 4.3.1, https://www.r-project.org/, plataforma: x86_64-w64-mingw32/x64 [64 bits]) com codificação UTF-8 (padrão do sistema), que suporta a maioria das linguagens escritas globalmente. A função select era usada para separar a variável alvo das variáveis de características.

Seleção de recursos
Para garantir a reprodutibilidade da divisão dos dados, os quatro conjuntos de dados (D, d2, d1, d0) seguiram o mesmo fluxo de processamento de processamento, com uma semente aleatória fixa de 80. Uma coluna de rótulos foi adicionada ao quadro de dados, convertida para um tipo fator, e rótulos aleatórios (1 e 0) foram gerados usando uma distribuição binomial para dividir os dados em conjuntos de treinamento e teste em uma proporção de 8:2 (80% de probabilidade para o conjunto de treinamento). Devido ao número limitado de recursos, os grupos d0 e d1 não exigiam seleção de características, enquanto os grupos d2 e D passavam por seleção de características:

Primeiro, o teste Mann-Whitney U foi aplicado ao conjunto de treinamento para selecionar características com valores p <0,05. Em seguida, foi realizada regressão Lasso com validação cruzada 10 vezes e regularização L1 para determinar o coeficiente de penalidade ótimo e selecionar características de uma única iteração. Uma semente aleatória de 1 a 100 foi definida, e os passos acima (divisão de dados, teste Mann-Whitney U e regressão Lasso) foram repetidos em um ciclo. Recursos que aparecem mais de 50 vezes em 100 iterações foram selecionados para modelagem subsequente para garantir confiabilidade na construção do modelo e na previsão diagnóstica. As características de modelagem para cada grupo estão listadas na Tabela 3.

Busca em grade e ajuste de modelos
Para otimizar os modelos, a busca em grade foi aplicada para explorar e avaliar sistematicamente diferentes combinações de hiperparâmetros. Por meio de ajustes iterativos e avaliação de desempenho, este estudo identificou o conjunto de hiperparâmetros que forneceram os melhores valores de AUC ROC para os conjuntos de trem e teste, otimizando assim o desempenho do modelo.

Desenvolvimento e avaliação do modelo
Todo o desenvolvimento de modelos e análise de dados foram realizados em R (versão 4.3.1). Este estudo aplicou vários algoritmos de aprendizado de máquina, incluindo Random Forest (RF), Support Vector Machine (SVM), Decision Tree (TREE), K-Nearest Neighbors (KNN) e Logistic Regression (LOG), para desenvolver 20 modelos nos quatro grupos (d0, d1, d2 e D) para prever o diagnóstico de DLBP. O desempenho do modelo foi avaliado usando as seguintes métricas: ROC AUC, PR AUC, precisão, sensibilidade, especificidade, valor preditivo positivo (PPV), valor preditivo negativo (NPV) e escore F1.

Os valores ROC AUC e PR AUC foram gerados diretamente a partir das curvas ROC e PR, enquanto as métricas restantes (precisão, sensibilidade, especificidade, PPV, NPV e pontuação F1) foram calculadas e estatisticamente analisadas usando funções correspondentes em R. Entre os 20 modelos desenvolvidos, este estudo selecionou 8 modelos representativos para avaliação com base nas métricas de desempenho acima.

As fórmulas para cada métrica são as seguintes:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: Verdadeiro Positivo; TN: Verdadeiro Negativo; FP: Falso Positivo; FN: Falso Negativo.

Análise de interpretabilidade SHAP
O modelo de Floresta Aleatória no grupo D demonstrou o melhor desempenho na avaliação do modelo. Para interpretar melhor as previsões do modelo, este estudo reconstruiu o modelo em Python (versão 3.7.9) e realizou análise de interpretabilidade SHAP. Para manter a consistência, os hiperparâmetros de treino do modelo Random Forest em Python eram idênticos aos usados em R, e o fluxo de trabalho de processamento de dados também era consistente. Especificamente, usamos o interpretador de modelo em árvore para analisar a contribuição de cada característica para as previsões diagnósticas do modelo nos conjuntos de treinamento e teste. Para melhor visualização, geramos gráficos de distribuição de valores SHAP, gráficos de importância de características e gráficos de força SHAP para previsões individuais.

Análise estatística
Todas as análises de dados foram realizadas usando R (versão 4.3.1, https://www.r-project.org/, plataforma: x86_64-w64-mingw32/x64 (64 bits)) e Python (versão 3.7.9, https://www.python.org/downloads/release/python-379/). Variáveis contínuas foram descritas como média ± desvio padrão, enquanto variáveis categóricas foram expressas como frequência e porcentagem. A comparação entre DLBP e não-DLBP foi analisada usando o teste U, com um valor P menor que 0,05 considerado estatisticamente significativo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

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

Este estudo foi baseado em dados de ressonância magnética T2WI de 81 pacientes com DLBP confirmados cirurgicamente e 162 controles, totalizando 243 pacientes. As características radiômicas foram extraídas e combinadas com características clínicas e de imagem HIZ, com os dados divididos em conjuntos de treinamento e teste em uma proporção de 8:2 para construir modelos diagnósticos preditivos de DLBP. Especificamente, sete características de imagem HIZ foram obtidas após medir o disco-alvo...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

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

O modelo do grupo D, integrando características clínicas, características de imagem HIZ e características radiômicas, estabilizou-se em 15 características-chave por meio da seleção de características e múltiplas iterações, demonstrando desempenho médio superior em comparação com outros grupos, com maior estabilidade e capacidade preditiva. O modelo de floresta aleatória superou outros modelos em todos os grupos (exceto d0), especialmente no grupo D, com valores ROC AUC próximos de 1 e di...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

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

Os autores afirmam que a pesquisa foi conduzida na ausência de quaisquer relações comerciais ou financeiras que pudessem ser interpretadas como um potencial conflito de interesses.

Agradecimentos

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

Os autores gostariam de agradecer pelo apoio financeiro. O trabalho apoiado pela Fundação de Ciências do Kangda College da Universidade Médica de Nanjing (Bolsa nº KD2024KYJJ292). O trabalho é apoiado pelo Fundo Especial de Pesquisa em Medicina Clínica da Universidade de Nantong (Bolsa nº 2024JY002). Esse trabalho foi apoiado pelo Projeto de Ciência e Tecnologia da Comissão Municipal de Saúde de Nantong (subsídio nº MS2024045). Esse trabalho foi apoiado por Projetos de Ciência e Tecnologia na Província de Jiangsu [BE2023742], Projeto da Administração de Medicina Tradicional Chinesa de Jiangsu (bolsa nº MS2023113).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
3D Slicer 5.6.13D Slicerhttps://download.slicer.org/?version=5.6.1
Armazenamento de DadosZenodohttps://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 Laptop GPUNVIDIAN/A
Máquina de ressonância magnética Ingenia CX 3.0TPhilips N/A
Máquina de ressonância magnética Prisma 3.0TSiemensN/A
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Máquina de ressonância magnética Verio 3.0TSiemens N/A

Referências

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

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

An lise SHAPZona de Alta IntensidadeDiagn stico por Aprendizado de M quinaCaracter sticas Radi micasM tricas de Desempenho do ModeloSuporte Decis o Cl nica

Artigos relacionados