Исследовательская статья

Улучшение диагностики дискогенной боли в пояснице: модель случайного леса, объяснённая SHAP, в сочетании с радиомикой МРТ Т2 поясничного отдела позвоночника

DOI:

10.3791/69238

⸱

13 февраля 2026 г.

 ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

Это исследование улучшает диагностику дискогенной боли в пояснице (DLBP) с помощью данных МРТ T2 поясничного отдела позвоночника, радиомики и модели Random Forest с анализом SHAP, обеспечивая высокую точность и интерпретируемость для улучшения клинического принятия решений.

Аннотация

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

Боль в пояснице (LBP) является одной из ведущих причин инвалидности и снижения качества жизни во всем мире, при этом дискогенная боль в пояснице (DLBP) составляет 39% случаев. Точная диагностика этиологии LBP сложно из-за отсутствия надёжных методов. Данное исследование направлено на повышение эффективности диагностики DLBP с использованием данных МРТ T2 поясничного отдела позвоночника в сочетании с радиомикой и машинным обучением. В этом ретроспективном исследовании проанализировали данные МРТ 81 пациента с DLBP и 162 здоровых контрольных групп. Были извлечены особенности радиомики, клинические данные и особенности зон высокой интенсивности (HIZ). Данные были разделены на четыре группы (d0, d1, d2, D), и было построено 20 предиктивных моделей с использованием случайного леса (RF), дерева принятия решений (TREE), машины поддержки векторов (SVM), K-ближайших соседей (KNN) и логистической регрессии (LOG). Производительность модели оценивалась с использованием площади рабочей характеристики приёмника (ROC) под кривой (AUC), точного воспоминания (PR) AUC, точности, чувствительности, специфичности, положительного прогностического значения (PPV), отрицательного предсказательного значения (NPV) и оценки F1. Для интерпретации наиболее значимых признаков применялись аддитивные экспланации SHapley Additive exPlanations (SHAP). Случайный лес в группе D показал лучшие результаты: AUC ROC составляли 0,9861 (поезд) и 0,9580 (тест), PR AUC — 0,9813 и 0,9179, а также результаты F1 0,9254 и 0,8148 соответственно. Анализ SHAP выявил куртоз первого порядка как главный признак, способствующий диагностике DLBP. Модель Random Forest с анализом SHAP значительно улучшила диагностику DLBP, обеспечив высокую эффективность и интерпретируемость для улучшения клинического принятия решений.

Введение

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

С ростом возраста населения и повсеместным распространением неправильных сидячих поз в повседневной работе и жизни число пациентов с болью в пояснице (LBP) растёт с каждымгодом. Средняя распространённость ЛБП в общей взрослой популяции составляет примерно 12%, при этом более высокая распространённость наблюдается у лиц в возрасте 40 лет и старше, а также у женщин, при пожизненной распространённости около 40%2. Среди всех случаев LBP дискогенная боль в пояснице (DLBP) составляет примерно 39%, этиология которой сложна и разнообразна, часто связана с дегенерацией диска, особенно с кольцевыми разрывами, достигающими внешнего кольца диска 3,4,5. Повышенное давление диска стимулирует нервные окончания, чувствительные воспалительными медиаторами, что приводит к дискогеннойболи 5,6.

В настоящее время дискография считается золотым стандартом диагностики DLBP, подтверждающей этиологию за счёт вызова дискогеннойболи 7. Однако его достоверность и безопасность ставятся под сомнение из-за возможных ложноположительных результатов и риска ускорения дегенерации диска, что ограничивает клиническоеприменение 5,8. Зона высокой интенсивности (HIZ) относится к сигналам высокой интенсивности в заднем кольце на МРТ-снимках с T2-взвешенным типом, патологически характеризующихся кольцевыми разрывамиили разрывами 5,8,9. Хотя связь между HIZ и DLBP широко изучена, HIZ имеет низкую специфичность и также часто встречается у бессимптомных людей, что часто приводит к ошибочномудиагнозу 10,11,12,13. В изображениях с T2-взвешенными заболеваниями поясничных дегенеративных заболеваний дисков (LDDD) и хронических пациентов с ЛБП почти все дегенерированные диски демонстрируют сниженную интенсивностьсигнала 14. Согласно классификации Пфиррманна и др., дегенерация диска классуется от I (нормальный диск) до V (тяжёлая дегенерация)14. Взвешенная T2 визуализация широко используется в мультимодальных исследованиях для диагностики и оценки ЛДДД и ЛБП, предоставляя критические выводы о дегенерации диска и её клиническойзначимости 15,16. Однако низкая интенсивность сигнала не точно отражает морфологические изменения диска и мало коррелирует со степенью боли, вызванной DLBP 17,18,19.

В настоящее время клинические решения по DLBP в основном опираются на субъективную оценку клиницистов, которые сосредотачиваются на таких факторах, как HIZ, высота диска, чёрные диски или изменения сигнала надиске 20,21. Дополнительные факторы включают возраст пациента, пол, рост, вес и индекс массы тела (ИМТ). Продолжительность и интенсивность ЛБП также входят в сферу рассмотрения. Такой метод диагностики, основанный на субъективной оценке, может привести к ошибочным планам лечения. Поэтому крайне необходима разработка эффективного диагностического инструмента для повышения эффективности диагностикиDLBP 4.

МРТ, как неинвазивная методика визуализации, играет важную роль в диагностике ЛБП. В частности, аксиальная T2-взвешенная визуализация (T2WI) благодаря высокому контрасту тканей обеспечивает более точную физиологическую информацию и патологическое состояние диска по сравнению с традиционной компьютерной томографией (КТ)22,23. Анализ признаков радиомики, преобразующий данные изображений с МРТ, КТ и др. в количественные признаки для продвинутого математического анализа, предоставляет мощный инструмент для оценки и интерпретации медицинскихизображений 24. Этот метод может снизить смещения субъективного анализа, тем самым повышая точность и согласованностьдиагностических результатов 25.

В последние годы искусственный интеллект и методы машинного обучения в анализе медицинской визуализации принесли новую надежду для диагностики заболеваний26. Повышая точность диагностики, автоматизируя клинические рабочие процессы и предоставляя персонализированные стратегии лечения, технологии ИИ глубоко меняют ландшафт интеллектуальноймедицины. В диагностике DLBP интеграция радиомики с алгоритмами машинного обучения обладает большим потенциалом для повышения точности и эффективностидиагностики 28. Однако «чёрный» характер сложных моделей машинного обучения ограничивает их клиническую применимость, делая объяснимый ИИ (XAI) критически важным компонентом систем поддержки клиническихрешений 29. SHapley Additive exPlanations (SHAP), интерпретативный метод, основанный на теории игр, количественно оценивает вклад и влияние каждой характеристики на прогнозы диагностики моделей, делая сложные модели машинного обучения более прозрачными иинтерпретируемыми 30. Он стал одним из самых широко используемых методов XAI в системах клинической поддержки принятия решений, эффективно повышая доверие и принятие систем ИИ среди клиницистов.

В этом исследовании был разработан алгоритм Random Forest, включающий радиомику и анализ интерпретируемости SHAP, что значительно повышает диагностическую эффективность DLBP по сравнению с традиционными субъективными оценками. Кроме того, метод интерпретации SHAP повышает прозрачность диагностических прогнозов модели, повышая уверенность клиницистов в постановке диагноза и повышая точность клинических решений. В этом исследовании предполагается, что эта модель снизит ненужные страдания, вызванные ошибочным диагнозом и задержкой лечения, способствует развитию персонализированного лечения и, в конечном итоге, улучшит общие результаты лечения для пациентов.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

Этические соображения и обучаемая группа
Это ретроспективное исследование было одобрено комитетом по институциональной этике. Информированное согласие было отменено, так как вся защищённая медицинская информация была анонимизирована. В состав исследований входили пациенты, полученные из базы данных визуализации Первой народной больницы Наньтуна, которые проходили МРТ поясничного отдела позвоночника из-за боли в пояснице с января 2022 по декабрь 2023 года. Также были собраны клинические особенности пациентов (Таблица 1).

Критерии включения и исключения
Современный диагностический стандарт DLBP следует методу дискографии Международной ассоциации по изучению боли 1995 года, который вызывает боль при повышенном давлении, но не является широко признанным из-за высокойинвазивности 8. Поэтому в этом исследовании был принят рестриктивный интраоперационный тест на провокацию боли в диске в качестве диагностического метода DLBP, соответствующий принципам дискографии, минимизируя дальнейшее повреждение диска иосложнения 31. Процедура включала пациентов в положении лежа под воздействием спинальной анестезии, при этом мишевой поясничный диск находился с помощью рентгеновского наведения C-руки. Игла весом 18 G (<22 G) была введена заднелатеральным подходом в центральное пульпозное ядро, избегая нервных корней и дюрального мешка. После подтверждения установки иглы вводили физиологический раствор или неионный контраст (например, иогексол) с частотой не более 0,5 мл/мин, при давлении ниже 50 psi и общим объёме инъекции менее 3 мл, чтобы имитировать повышенное внутридисковое давление и вызвать знакомые симптомы боли в пояснице, с визуальной аналоговой шкалой (VAS) ≥ 7.

Критерии включения в группу DLBP: Пациенты, включённые здесь, прошли МРТ, испытывают рецидивирующую боль в пояснице более 3 месяцев, с неудачным консервативным лечением, с онемением нижней конечности или радиационной болью в нижней части конечностей или без него, и положительный результат интраоперационного теста на вызов боли в диске.

Критерии включения группы, не связанные с DLBP: Пациенты, включённые здесь, прошли МРТ; не имеют истории боли в пояснице в течение 3 месяцев или здоровые люди, проходящие физическое обследование; отсутствуют аномалий на МРТ; и имеют стандартизированную оценку с индексом инвалидности Освестри (ODI) <10 и VAS ≤2.

Критерии исключения: Исключать пациентов с другими причинами боли в пояснице, такими как значительная грыжа диска, сдавливающая нервы, переломы, инфекции позвоночника, спондилолистез, опухоли, остеопороз или метаболические заболевания костей; история операций до осмотра; изображения нечёткого или низкого качества; неспособность определить интересующий регион (ROI).

В итоге было включено 243 пациента, из которых 81 пациент с DLBP и 162 контрольных группы.

Параметры МРТ
Все пациенты, вошедшие в это исследование, прошли 3,0 Т МРТ с использованием последовательностей, включающих сагиттальную и аксиальную T1-взвешенную визуализацию (T1WI) и T2-взвешенную визуализацию (T2WI). В исследовании использовались три разных МРТ-аппарата: Siemens Verio, Siemens Prisma и Philips Ingenia CX. Параметры сканирования были установлены следующим образом: для сагиттального T2WI TR варьировалась от 2000 до 4597 мс, TE — от 90 до 120 мс, толщина среза от 4,0 до 4,8 мм, с 15 включёнными срезами, полоса пропускания от 250 Гц до 340 Гц, размер матрицы 384 × 384 или 512 × 512, процент поля обзора фазы 100%, и поле зрения 300 мм.

Функции визуализации HIZ — это измерение и статистика
В этом исследовании использовалось программное обеспечение 3D Slicer (версия 5.6.1, https://download.slicer.org/?version=5.6.1) для ручного анализа изображений поясничного МРТ T2 от 243 пациентов и контрольных групп. Рабочий процесс обработки данных был следующим: Изображения импортировались с помощью функции Add DICOM Data в 3D Slicer. Измерения проводились с использованием функции Markups двумя аспирантами-исследователями позвоночника под руководством радиологов и хирургов позвоночника с более чем 10-летним клиническим опытом. Расхождения в измерениях были устранены путём консультации с двумя врачами. Все значения измерений были усреднены двумя статистиками для обеспечения точности. На сагиттальных изображениях измерялись два взаимно перпендикулярных максимальных диаметра зоны высокой интенсивности (HIZ), определяемые как Хиж (близкое вертикальное направление) и Хизв (близкое к горизонтальному направлении). Функция сегментации использовалась для определения области HIZ, а площадь наиболее заметного HIZ на сагиттальной плоскости вычислялась как Hizarea. На осевых изображениях измерялась максимальная длина HIZ, получившая название Hizl. Кроме того, были определены три бинарные переменные: Hiz (наличие HIZ), Other (наличие многосегментного HIZ) и Position (пересекает ли HIZ заднюю среднюю линию) (Таблица 2).

Радиомика отличается экстракцией и стандартизацией
Для интеграции конкретной работы ресемплирования скалярного объёма в контекст обработки изображений поясничного МРТ T2 от 243 пациентов и контролей с помощью 3D-слайсера были выполнены следующие детальные шаги: процесс начался с импорта изображений поясничного МРТ T2 в 3D Slicer. Для обеспечения согласованности и снижения смещения гетерогенности все изображения были передискретированы до размера вокселей 0,6 × 0,6 × 0,6 мм с использованием модуля Resample Scalar Volume Volume. Конкретные шаги были следующими: перейти в раздел Модули и выбрать Resample Scalar Volume. В разделе Parameter Set убедитесь, что выбран объём скаляра повторной сэмпли . В разделе параметров передискретизации установите интервал 0.6, 0.6, 0.6 для определения целевых размеров вокселей. Выберите подходящий метод интерполяции из таких параметров, как линейный, ближайший сосед, bspline, hamming, косинус, уэлч, lanczos или blackman, при этом линейный метод по умолчанию является линейным. Для Output Volume выберите или создайте новый том для хранения пересэмплированных данных. После проверки настроек нажмите Применить , чтобы выполнить процесс пересэмплирования.

После повторной пробы два аспиранта-исследователя позвоночника, под руководством радиологов и хирургов с более чем 10-летним опытом, провели полуавтоматическое разграничение интересующей области (ROI). Расхождения решались в ходе консультаций. Конкретные шаги были следующими: выбрать слой (пересэмплировать новый объем), создать новый сегментационный слой и использовать функцию Draw для разграничения слой за слоем. Используйте функцию «Заполнить между срезами » для заполнения между слоями. Сгладить сформированную рентабельность с помощью метода сглаживания медианы с размером ядра 3,0 мм, 5 x 5 пикселей. Используя библиотеку PyRadiomics, из пересэмплированных изображений было извлечено 107 радиоминых особенностей, включая особенности формы, статистические признаки первого порядка, матрицу совместного появления серого уровня (GLCM), матрицу длины серого уровня (GLRLM), матрицу зон размера серого уровня (GLSZM), соседнюю матрицу разницы серых оттенков (NGTDM) и матрицу зависимостей серого уровня (GLDM) (дополнительная таблица 1)). Наконец, извлеченные данные признаков стандартизировались с помощью метода Z-score для преобразования их естественного диапазона в стандартизированный.

Группировка по признакам
Группы были распределены следующим образом:
d0 (Базовая группа): Включены клинические признаки, n(d0) = 5.
d1 (Базовая группа тонкой настройки): Включены клинические признаки и особенности визуализации HIZ, n(d1) = 12.
d2 (Модельная группа): Включены клинические признаки и признаки радиомики, n(d2) = 112.
D (Группа тонкой настройки модели): Включены клинические особенности, особенности визуализации HIZ и радиомики, n(D) = 119.

Чтение и предобработка данных
Данные для соответствующих групп читались с помощью функции read_excel в программном обеспечении R (версия 4.3.1, https://www.r-project.org/, платформа: x86_64-w64-mingw32/x64 [64-bit]) с кодированием UTF-8 (системное кодирование по умолчанию), которое поддерживает большинство письменных языков по всему миру. Функция select использовалась для отделения целевой переменной от переменных признаков.

Выбор функций
Для обеспечения воспроизводимости разделения данных четыре набора данных (D, d2, d1, d0) следовали одинаковому процессу обработки с фиксированным случайным посевом 80. В фрейм данных добавлялся столбец с метками, преобразованный в тип фактора, а случайные метки (1 и 0) генерировались с помощью биномиального распределения для разделения данных на обучающие и тестовые наборы в соотношении 8:2 (вероятность 80% для обучающего набора). Из-за ограниченного количества функций группы d0 и d1 не требовали выбора признаков, тогда как группы d2 и D проходили выбор признаков:

Сначала тест Mann-Whitney U применялся к обучающему набору для выбора признаков с p-значениями <0,05. Затем была проведена регрессия Лассо с 10-кратной перекрёстной валидацией и регрегризацией L1 для определения оптимального коэффициента штрафа и выбора признаков из одной итерации. Было установлено случайное семя от 1 до 100, и вышеуказанные шаги (разделение данных, тест Манна-Уитни U и регрессия Лассо) повторялись в цикле. Для последующего моделирования были выбраны признаки, появляющиеся более 50 раз за 100 итераций, чтобы обеспечить надёжность при построении модели и прогнозировании диагностики. Особенности моделирования каждой группы приведены в таблице 3.

Поиск по сетке и настройка моделей
Для оптимизации моделей применялся поиск по сетке для систематического изучения и оценки различных комбинаций гиперпараметров. С помощью итеративной настройки и оценки производительности в этом исследовании был выявлен набор гиперпараметров, обеспечивающих наилучшие значения ROC AUC для тренировочных и тестовых наборов, тем самым оптимизируя производительность модели.

Разработка и оценка модели
Вся разработка модели и анализ данных проводились в R (версия 4.3.1). В этом исследовании применялись различные алгоритмы машинного обучения, включая Random Forest (RF), Support Vector Machine (SVM), Decision Tree (TREE), K-ближайшие соседи (KNN) и логистическую регрессию (LOG), для разработки 20 моделей по четырём группам (d0, d1, d2 и D) для прогнозирования диагностики DLBP. Производительность модели оценивалась по следующим метрикам: ROC AUC, PR AUC, точность, чувствительность, специфичность, положительное прогностическое значение (PPV), отрицательное прогностическое значение (NPV) и оценка F1.

Значения ROC AUC и PR AUC генерировались непосредственно на основе кривых ROC и PR, а остальные метрики (точность, чувствительность, специфичность, PPV, NPV и F1) были рассчитаны и статистически проанализированы с использованием соответствующих функций в R. Из 20 разработанных моделей в этом исследовании было выбрано 8 репрезентативных моделей для оценки на основе вышеуказанных показателей эффективности.

Формулы для каждой метрики следующие:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: Истинный позитив; TN: True Negative; FP: ложноположительный результат; FN: ложноотрицательный результат.

Анализ интерпретируемости SHAP
Модель случайного леса в группе D показала наилучшие результаты в оценке модели. Для дальнейшей интерпретации прогнозов модели в этом исследовании была перестроена модель на Python (версия 3.7.9) и проведена анализ интерпретируемости SHAP. Для поддержания согласованности гиперпараметры тренировки модели Random Forest в Python были идентичны тем, что использовались в R, а рабочий процесс обработки данных также был последовательным. В частности, мы использовали интерпретатор древесной модели для анализа вклада каждой особенности в диагностические прогнозы модели в наборах для обучения и тестирования. Для лучшей визуализации мы создали графики распределения значений SHAP, графики важности признаков и графики сил SHAP для отдельных прогнозов.

Статистический анализ
Все анализы данных проводились с использованием R (версия 4.3.1, https://www.r-project.org/, платформа: x86_64-w64-mingw32/x64 (64-бит)) и Python (версия 3.7.9, https://www.python.org/downloads/release/python-379/). Непрерывные переменные описывались как средние ± стандартном отклонении, а категориальные переменные — как частота и процент. Сравнение между DLBP и Non-DLBP было проанализировано с помощью U-теста, при этом P-значение менее 0,05 считалось статистически значимым.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Это исследование было основано на данных МРТ T2WI от 81 хирургически подтверждённого пациента с DLBP и 162 контрольных групп, всего 243 пациента. Радиомические признаки были извлечены и объединены с клиническими и HIZ-визуализационными функциями, а данные разделены на обучающие и тестовые наборы в соотношении 8:2 для создания предиктивных диагностических моделей DLBP. В частности, семь характеристик визуализации HIZ были получены после измерения целевого диска с помощью 3D-слайсера и вкл...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

Модель группы D, интегрирующая клинические признаки, функции визуализации HIZ и радиомические особенности, стабилизировалась на 15 ключевых признаках через выбор признаков и многократные итерации, демонстрируя более высокие средние показатели по сравнению с другими группами, с более высокой стабильностью и предсказательными способностями. Случайная лесная модель превосходила другие модели во всех группах (кроме d0), особенно в D-группе, при этом значения ROC AUC были близки к 1 и минимал...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

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

Авторы выражают благодарность за их финансовую поддержку. Работа, поддержанная Фондом науки колледжа Кангда Нанкинского медицинского университета (грант No KD2024KYJJ292). Работа поддержана Специальным исследовательским фондом Университета Наньтун по клинической медицине (грант No 2024JY002). Эта работа была поддержана проектом «Наука и технологии» Муниципальной комиссии здравоохранения Наньтуна (грант No MS2024045). Эта работа была поддержана проектами науки и технологий провинции Цзянсу [BE2023742], проектом Администрации традиционной китайской медицины Цзянсу (грант No MS2023113).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
3D Slicer 5.6.13D-слайсерhttps://download.slicer.org/?version=5.6.1
Хранение данныхЗенодоhttps://doi.org/10.5281/zenodo.17365220.
Видеокарта ноутбука GeForce RTX 3060NVIDIAН/Д
МРТ-аппарат Ingenia CX 3.0TPhilips Н/Д
Аппарат МРТ Prisma 3.0TSiemensН/Д
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
МРТ-аппарат Verio 3.0TSiemens Н/Д

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

SHAP

Похожие статьи