Araştırma makalesi

Diskojenik Bel Ağrısı Teşhisinin Geliştirilmesi: SHAP Açıkladığı Rastgele Orman Modeli Lumber Omurga MRI T2 Radyomikleriyle Birleştirilmiş

DOI:

10.3791/69238

⸱

13 Şubat 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

Bu makalede

Özet

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

Bu çalışma, bel omurga MRI T2 verileri, radyomik veriler ve SHAP analiziyle Rastgele Orman modeli kullanarak diskojenik bel ağrısı (DLBP) tanısını geliştirerek, klinik karar alma için yüksek doğruluk ve yorumlanabilirlik sağlamaktadır.

Özet

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

Bel ağrısı (LBP), küresel olarak engelliliğin ve yaşam kalitesinin düşmesinin önde gelen nedenlerinden biridir; diskojenik bel ağrısı (DLBP) vakaların %39'unu oluşturur. LBP etiyolojisinin doğru teşhisi, güvenilir yöntemlerin eksikliği nedeniyle zordur. Bu çalışma, bel omurga MRI T2 verilerini radyomik ve makine öğrenimi ile birleştirerek DLBP tanı verimliliğini artırmayı amaçlamaktadır. Bu retrospektif çalışma, 81 DLBP hastası ve 162 sağlıklı kontrol kontrolünün MRI verilerini analiz etti. Radyomik özellikleri, klinik veriler ve yüksek yoğunluklu bölge (HIZ) görüntüleme özellikleri çıkarıldı. Veriler dört gruba (d0, d1, d2, D) ayrıldı ve Rastgele Orman (RF), Karar Ağacı (TREE), Destek Vektör Makinesi (SVM), K-En Yakın Komşular (KNN) ve Lojistik Regresyon (LOG) kullanılarak 20 öngörü modeli oluşturuldu. Model performansı, eğri altındaki Alıcı Çalışma Karakteristikası (ROC) alanı (AUC), hassas geri çağırma (PR) AUC, doğruluk, hassasiyet, özgüllük, pozitif öngörü değeri (PPV), negatif öngörü değeri (NPV) ve F1 puanı kullanılarak değerlendirildi. En önemli özellikleri yorumlamak için SHapley Additive ExPlanations (SHAP) uygulanmıştır. D grubundaki Random Forest en iyi performansı gösterdi; ROC AUC'leri sırasıyla 0.9861 (tren) ve 0.9580 (test), PR AUC'leri 0.9813 ve 0.9179, F1 puanları ise sırasıyla 0.9254 ve 0.8148 oldu. SHAP analizi, DLBP tanısına katkıda bulunan en önemli özellik olarak birinci dereceden kurtozu belirlemiştir. SHAP analizine sahip Random Forest modeli, DLBP tanısını önemli ölçüde geliştirerek klinik karar alma süreçlerini geliştirmek için yüksek performans ve yorumlanabilirlik sundu.

Giriş

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

Nüfusun yaşlanmasının artması ve günlük iş ve hayatta yanlış oturma pozisyonlarının yaygın yaygınlaşmasıyla birlikte, bel ağrısı (LBP) hasta sayısı her yıl1. yılda artmaktadır. Genel yetişkin nüfusunda LBP'nin ortalama yaygınlığı yaklaşık %12'dir; 40 yaş ve üzeri bireylerde ve kadınlarda daha yüksek görülür; yaşam boyu yaygınlık yaklaşık %40'dır2. Tüm LBP vakaları arasında, diskojenik bel ağrısı (DLBP) yaklaşık %39'u oluşturur; etiyolojisi karmaşık ve çeşitlidir; genellikle disk dejenerasyonu ile ilişkilidir; özellikle disk 3,4,5'in dış halka ulaşan halka şeklinde yırtıklarla ilişkilidir. Artan disk basıncı, inflamatuar aracılar tarafından hassaslaştırılan sinir uçlarını uyarır ve bu da diskojenik ağrıyayol açar 5,6.

Şu anda diskografi, DLBP tanısı için altın standart olarak kabul edilir ve etiyolojiyi diskojenik ağrıya neden olarakdoğrulamaktadır 7. Ancak, potansiyel yanlış pozitifler ve disk dejenerasyonu hızlandırma riski nedeniyle geçerliliği ve güvenliği sorgulanmakta ve bu da klinik uygulamasınısınırlamaktadır 5,8. Yüksek yoğunluklu bölge (HIZ), T2 ağırlıklı MRI görüntülerindeki posterior halkadaki yüksek yoğunluklu sinyalleri ifade eder; patolojik olarak halka yırtılları veya yırtılmalar 5,8,9. HIZ ile DLBP arasındaki ilişki yaygın olarak incelenmiş olsa da, HIZ'in özgüllüğü düşüktür ve semptomatsız bireylerde de yaygındır; bu da sıklıkla yanlış teşhiseyol açar 10,11,12,13. Lomber dejeneratif disk hastalığı (LDDD) ve kronik LBP hastalarının T2 ağırlıklı görüntülerinde, neredeyse tüm dejenerasyon disklerinde sinyal yoğunluğundaazalma görülür 14. Pfirrmann ve ark. sınıflandırmasına göre, disk dejenerasyonu I'den (normal disk) V'ye (şiddetli dejenerasyon)14 derecelendirilir. T2 ağırlıklı görüntüleme, LDDD ve LBP tanısı ve değerlendirmesi için multimodal çalışmalarda yaygın olarak kullanılır ve disk dejenerasyonu ile klinik önemi hakkında kritik bilgilersağlar 15,16. Ancak, düşük sinyal yoğunluğu diskteki morfolojik değişiklikleri doğru yansıtmaz ve DLBP 17,18,19'un neden olduğu ağrı derecesiyle çok az ilişkisi vardır.

Şu anda DLBP için klinik karar alma süreci öncelikle klinisyenlerin öznel değerlendirmesine dayanır; bu değerlendirmeler HIZ, disk yüksekliği, siyah diskler veya disk 20,21'deki sinyal değişiklikleri gibi faktörlere odaklanmaktadır. Ek olarak hastanın yaşı, cinsiyeti, boyu, kilosu ve vücut kitle indeksi (BMI) dikkate alınabilir. LBP'nin süresi ve şiddeti de dikkate alınma kapsamındadır. Böyle bir tanı yöntemi, öznel değerlendirmeye dayanarak yanlış tedavi planlarına yol açabilir. Bu nedenle, DLBP'nin tanı verimliliğini artırmak için etkili bir tanı aracı geliştirmek acilengereklidir 4.

MR, invaziv olmayan görüntüleme tekniği olarak LBP tanisinde önemli bir rol oynar. Özellikle, yüksek doku kontrastına sahip eksenel T2 ağırlıklı görüntüleme (T2WI), geleneksel bilgisayarlı tomografiye (CT) kıyasla diskin fizyolojik bilgisini ve patolojik durumunu daha doğru sağlar22,23. Radyomik özellik analizi, MR, BT vb. görüntü verilerini ileri matematiksel analiz için nicel özelliklere dönüştürerek, tıbbi görüntülerin değerlendirilmesi ve yorumlanması için güçlü bir araçsağlar 24. Bu yöntem, öznel analizden kaynaklanan önyargıları azaltarak tanı sonuçlarının doğruluğunu ve tutarlılığını artırabilir25.

Son yıllarda, tıbbi görüntüleme analizinde yapay zeka ve makine öğrenimi teknikleri, hastalık teşhisi için yeni umutgetirdi 26. Tanı doğruluğunu artırarak, klinik iş akışlarını otomatikleştirerek ve kişiselleştirilmiş tedavi stratejilerini mümkün kılarak, yapay zeka teknolojileri akıllı sağlık sektörünün dünyasını derinlemesinedönüştürüyor 27. DLBP tanısında, radyomiklerin makine öğrenimi algoritmalarıyla entegrasyonu, tanı doğruluğunu ve verimliliğini artırma konusunda büyükpotansiyele sahiptir 28. Ancak, karmaşık makine öğrenimi modellerinin "kara kutu" doğası, klinik uygulanabilirliklerini sınırlar ve açıklanabilir yapay zekayı (XAI) klinik karar destek sistemlerinin kritik bir bileşenihaline getirir 29. SHapley Additive exPlanations (SHAP), oyun teorisine dayalı bir yorumlama yöntemi, her özelliğin katkısını ve model tanı tahminlerine etkisini nicelikle ölçüyor; böylece karmaşık makine öğrenimi modelleri daha şeffaf ve yorumlanabilirhale getiriyor 30. Klinik karar destek sistemlerinde en yaygın kullanılan XAI tekniklerinden biri haline gelmiş ve klinisyenlerin yapay zeka sistemlerine olan güvenini ve kabulünü etkilibir şekilde artırmıştır 29.

Bu çalışma, radyomik ve SHAP yorumlanabilirlik analizini içeren bir Rastgele Orman algoritması geliştirdi ve DLBP'nin tanısal verimliliğini geleneksel öznel değerlendirmelere kıyasla önemli ölçüde iyileştirdi. Ayrıca, SHAP yorumlama yöntemi modelin tanı tahminlerinin şeffaflığını artırır, klinisyenlerin tanıya olan güvenini artırır ve klinik karar verme doğruluğunu artırır. Bu çalışma, bu modelin yanlış teşhis ve tedavinin gecikmesinden kaynaklanan gereksiz acıyı azaltacağını, kişiselleştirilmiş tedavinin ilerlemesini teşvik edeceğini ve nihayetinde hastalar için genel tedavi sonuçlarını iyileştireceğini öne sürmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Etik Hususlar ve çalışma nüfusu
Bu geriye dönük çalışma kurumsal etik komitesi tarafından onaylandı. Bilgilendirilmiş onay muaf edildi çünkü tüm korunan sağlık bilgileri anonimleştirildi. Çalışma popülasyonu, Ocak 2022 ile Aralık 2023 arasında bel ağrısı nedeniyle bel omurga MR'ı geçiren Nantong Birinci Halk Hastanesi'nin görüntüleme veritabanından alınan hastalardan oluşuyordu. Hastaların klinik özellikleri de toplandı (Tablo 1).

Dahil etme ve dışlama kriterleri
DLBP için mevcut tanı standardı, 1995 tarihli Uluslararası Ağrı Araştırmaları Derneği diskografi yöntemini takip eder; bu yöntem, artan basınçla ağrıyı tetiklemekle birlikte yüksek invazivliği nedeniyle yaygın olarak kabulgörmemektedir 8. Bu nedenle, bu çalışma, diskografi prensipleriyle uyumlu, disk hasarı ve komplikasyonlarını en aza indiren DLBP için kısıtlayıcı intraoperatif disk ağrısı provokasyon testibenimsemiştir 31. İşlem, omurga anestezi altında yatan pozisyonda olan hastalarla gerçekleşti; hedef bel diski C-kol röntgen rehberliğiyle konumlandırıldı. 18 G (<22 G) iğne, sinir kökleri ve dural keselerden kaçınarak posterolateral yaklaşımla merkezi çekirdek pulposus'a yerleştirildi. İğne yerleşimi doğrulandıktan sonra, 0,5 mL/dakikayı aşmayan bir hızda, basınçta 50 psi'nin altında ve toplam enjeksiyon hacmi 3 mL'den az olduğunda, artan intradiskal basınç simüle etmek ve tanıdık bel ağrısı semptomlarını tetiklemek için salin veya iyonsuz kontrast (örneğin, iohexol) enjekte edildi; görsel analog ölçeği (VAS) puanı 7≥ verildi.

DLBP grup dahil etme kriterleri: Burada yer alan hastalar MRI muayenesinden geçti, 3 aydan fazla süredir tekrarlayan bel ağrısı yaşadı, konservatif tedavi başarısız oldu, alt uzuv uyuşması veya radyasyon ağrısı olup olmadı ya da olmadan, ve ameliyat dışı disk ağrısı provokasyon testi pozitiftir.

DLBP olmayan grup dahil etme kriterleri: Burada dahil edilen hastalar MR geçirildi; 3 ay içinde bel ağrısı geçmişi olmayan veya fiziksel muayeneden geçen sağlıklı bireyler; MRI anormalliği yok; ve Oswestry Engellilik Endeksi (ODI) <10 ve VAS ≤2 ile standartlaştırılmış bir değerlendirmeye sahiptir.

Dışlama Kriterleri: Ciddi disk fıtığı sinirleri sıkıştıran düşük bel ağrısı, kırıklar, omurga enfeksiyonları, spondilolistezis, tümör, osteoporoz veya metabolik kemik hastalıkları gibi diğer bel ağrısı nedenleri olan hastaları hariç tutun; muayene öncesi ameliyat geçmişi; belirsiz veya düşük kaliteli görüntüler; İlgi alanını tanımlayamamayı (ROI) belirleyememek.

Sonuç olarak, 81 DLBP hastası ve 162 kontrol grubundan oluşan 243 hasta dahil edildi.

MRI parametreleri
Bu çalışmaya dahil edilen tüm hastalar, sagittal ve eksenel T1 ağırlıklı görüntüleme (T1WI) ile T2 ağırlıklı görüntüleme (T2WI) dizileriyle 3.0 T MRI taramaları yapıldı. Çalışmada üç farklı MRI cihazı kullanıldı: Siemens Verio, Siemens Prisma ve Philips Ingenia CX. Tarama parametreleri şu şekilde ayarlandı: sagital T2WI için TR 2000 ile 4597 ms arasında, TE 90 ila 120 ms arasında, dilim kalınlığı 4,0 ila 4,8 mm arasında (15 dilim dahil), bant genişliği 250 Hz ile 340 Hz arasında, matris boyutu 384 × 384 veya 512 × 512, faz görüş alanı yüzdesi %100, ve 300 mm bir görüntü alanı vardı.

HIZ görüntüleme, ölçüm ve istatistikleri içerir
Bu çalışma, 243 hasta ve kontrol kontrolünün lumber MRI T2 ağırlıklı görüntülerini manuel olarak analiz etmek için 3D Slicer yazılımı (sürüm 5.6.1, https://download.slicer.org/?version=5.6.1) kullandı. Veri işleme iş akışı şöyleydi: Görüntüler, 3D Dilimleyici'deki Add DICOM Data fonksiyonu kullanılarak içe aktarıldı. Ölçümler, 10 yılı aşkın klinik deneyime sahip radyolog ve omurga cerrahlarının rehberliğinde iki omurga araştırma lisansüstü öğrencisi tarafından Markups fonksiyonu kullanılarak gerçekleştirildi. Ölçümlerdeki tutarsızlıklar, iki doktorla yapılan görüşmelerle çözüldü. Tüm ölçüm değerleri doğruluk sağlamak için iki istatistikçi tarafından ortalanmıştır. Sagittal görüntülerde, yüksek yoğunluklu bölgenin (HIZ) karşılıklı dik iki maksimum çapı ölçüldü; bunlar Hizh (neredeyse dikey yön) ve Hizw (neredeyse yatay yön) olarak tanımlandı. Segmentasyon fonksiyonu HIZ bölgesini belirlemek için kullanıldı ve sagittal düzlemdeki en belirgin HIZ alanı hesaplandı; bu alan Hizarea olarak gösterildi. Eksenel görüntülerde, HIZ'in maksimum uzunluğu ölçüldü ve bu durum Hizl olarak adlandırıldı. Ayrıca, üç ikili değişken tanımlandı: Hiz (HIZ varlığı), Other (çok segmental HIZ varlığı) ve Pozisyon (HIZ'in arka orta çizgiyi geçip geçmediği) (Tablo 2).

Radyomik çıkarma ve standartlaştırma özelliklerine sahiptir
Resampling Scaler Volume'un özel işlemini, 3D Dilimleyici kullanılarak 243 hasta ve kontrolden alınan lomber MRI T2 ağırlıklı görüntülerin işleme bağlamına entegre etmek için aşağıdaki detaylı adımlar izlendi: Süreç, lomber MRI T2 ağırlıklı görüntülerin 3D Slicer'a ithale getirilmesiyle başladı. Tutarlılığı sağlamak ve heterojenlik yanlılığını azaltmak için, tüm görüntüler Resample Scalar Volume modülü kullanılarak 0.6 × 0.6 × 0.6 mm voxel boyutuna yeniden örneklendi. Belirli adımlar şunlardı: Modüller bölümüne gidin ve Resample Scalar Volume'u seçin. Parametre Seti altında, Skaler Hacim'i Yeniden Seçme seçeneğinin seçildiğinden emin olun. Yeniden Örnekleme Parametreleri bölümünde, hedef voxel boyutlarını tanımlamak için Aralıkları 0.6, 0.6, 0.6 olarak ayarlayın. Linear, en yakın komşu, bspline, hamming, cosine, welch, lanczos veya blackman gibi seçeneklerden uygun bir Interpolasyon yöntemi seçin; varsayılan olarak lineer seçin. Output Volume için, yeniden örneklenen veriyi depolamak için yeni bir hacim seçin veya oluşturun. Ayarları doğruladıktan sonra, yeniden örnekleme sürecini yürütmek için Uygula tuşuna tıklayın.

Yeniden örnekleme sonrasında, 10 yılı aşkın deneyime sahip radyologlar ve omurga cerrahları rehberliğinde iki omurga araştırma yüksek lisans öğrencisi, ilgi alanının yarı otomatik olarak belirlenmesini (ROI) gerçekleştirdi. Tutarsızlıklar istişare yoluyla çözüldü. Belirli adımlar şunlardı: Katmanı seçmek (yeni hacim yeniden örneklemek), yeni bir segmentasyon katmanı oluşturmak ve katman katman çizim için Çiz fonksiyonunu kullanmak. Katmanlar arası doldurma için Dilimler arasında Doldurma fonksiyonunu kullanın. Oluşturulmuş ROI'yi 3.0 mm çekirdek boyutu 5 x 5 piksel olan Median düzgünleştirme yöntemiyle düzleştirin. PyRadiomics kütüphanesi kullanılarak, yeniden örneklenen görüntülerden şekil özellikleri, birinci dereceden istatistiksel özellikler, gri seviyeli eş oluş matrisi (GLCM), gri seviye koşu matrisi (GLRLM), gri seviye boyut bölgesi matrisi (GLSZM), komşu gri ton farkı matrisi (NGTDM) ve gri seviye bağımlılık matrisi (GLDM) özellikleri dahil olmak üzere 107 radyomik özellik çıkarıldı (Ek Tablo 1). Son olarak, çıkarılan özellik verileri Z-skor yöntemiyle standartlaştırıldı ve doğal aralıklarını standartlaştırıldı.

Özelliklere göre gruplandırma
Gruplar şu şekilde atandı:
d0 (Temel grup): Dahil edilen klinik özellikler, n(d0) = 5.
d1 (Baz ince ayar grubu): Klinik özellikler ve HIZ görüntüleme özellikleri dahil edildi, n(d1) = 12.
d2 (Model grubu): Klinik özellikler ve radyomik özellikleri dahil edildi, n(d2) = 112.
D (Model ince ayar grubu): Klinik özellikler, HIZ görüntüleme özellikleri ve radyomik özellikler dahil edildi, n(D) = 119.

Veri okuma ve ön işleme
İlgili gruplar için veri, R yazılımındaki read_excel fonksiyonu kullanılarak (sürüm 4.3.1, https://www.r-project.org/, platform: x86_64-w64-mingw32/x64 [64-bit]) ve UTF-8 kodlaması (sistem varsayılan) kullanılarak okundu; bu da çoğu yazılı dili küresel olarak desteklemektedir. Hedef değişkeni özellik değişkenlerinden ayırmak için select fonksiyonu kullanıldı.

Özellik seçimi
Veri bölmesinin tekrarlanabilirliğini sağlamak için, dört veri seti (D, d2, d1, d0) aynı işlem akışını takip etti ve sabit rastgele 80 tohum ile kullanıldı. Veri çerçevesine bir etiket sütunu eklendi, bir faktör türüne dönüştürüldü ve rastgele etiketler (1 ve 0) binom dağılımıyla verilerin eğitim ve test setlerine 8:2 oranında (eğitim seti için %80 olasılık) bölünmesiyle oluşturuldu. Sınırlı sayıda özellik nedeniyle, d0 ve d1 grupları özellik seçimi gerektirmezken, d2 ve D grupları özellik seçimi gerektiriyordu:

İlk olarak, Mann-Whitney U testi eğitim setine uygulanarak p-değerlerine sahip <0.05 özellikler seçildi. Daha sonra, 10 kat çapraz doğrulama ve L1 düzenleme ile Lasso regresyonu yapıldı; böylece optimal ceza katsayısı belirlendi ve tek bir yinelemeden özellikler seçildi. 1'den 100'e rastgele bir tohum ayarlandı ve yukarıdaki adımlar (veri bölme, Mann-Whitney U testi ve Lasso regresyonu) bir döngüde tekrarlandı. 100 iterasyonda 50'den fazla kez ortaya çıkan özellikler, model yapımında ve tanı tahmininde güvenilirlik sağlamak amacıyla sonraki modelleme için seçildi. Her grup için modelleme özellikleri Tablo 3'te listelenmiştir.

Şebeke araması ve model ayarı
Modelleri optimize etmek için, farklı hiperparametre kombinasyonlarını sistematik olarak keşfetmek ve değerlendirmek amacıyla ızgara araması uygulandı. Yinelemeli ayar ve performans değerlendirmesi sayesinde, bu çalışma tren ve test setleri için en iyi ROC AUC değerlerini sağlayan hiperparametreler setini belirledi ve böylece modelin performansını optimize etti.

Model geliştirme ve değerlendirme
Tüm model geliştirme ve veri analizi R (sürüm 4.3.1) ile gerçekleştirilmiştir. Bu çalışma, Random Forest (RF), Destek Vektör Makinesi (SVM), Karar Ağacı (TREE), K-En Yakın Komşular (KNN) ve Lojistik Regresyon (LOG) gibi çeşitli makine öğrenimi algoritmalarını kullanarak DLBP teşhisini tahmin etmek için dört grup (d0, d1, d2 ve D) arasında 20 model geliştirdi. Model performansı şu metriklerle değerlendirildi: ROC AUC, PR AUC, doğruluk, hassasiyet, özgüllük, pozitif öngörücü değer (PPV), negatif öngörücü değer (NPV) ve F1 puanı.

ROC AUC ve PR AUC değerleri doğrudan ROC ve PR eğrilerinden oluşturulurken, kalan metrikler (doğruluk, hassasiyet, özgüllük, PPV, NPV ve F1 puanı) R'deki ilgili fonksiyonlar kullanılarak hesaplanıp istatistiksel olarak analiz edilmiştir. Geliştirilen 20 model arasından, bu çalışma yukarıdaki performans metriklerine dayanarak değerlendirme için 8 temsilci model seçti.

Her metrik için formüller şunlardır:

figure-protocol-1

figure-protocol-2

figure-protocol-3

figure-protocol-4

figure-protocol-5Q

figure-protocol-6

TP: True Positive; TN: True Negative; FP: Yanlış Pozitif; FN: Yanlış olumsuz.

SHAP yorumlanabilirlik analizi
D grubundaki Rastgele Orman modeli, model değerlendirmesinde en iyi performansı gösterdi. Modelin tahminlerini daha iyi yorumlamak için, bu çalışma modeli Python'da (sürüm 3.7.9) yeniden inşa etti ve SHAP yorumlanabilirlik analizi yaptı. Tutarlılığı korumak için, Python'daki Random Forest modelinin tren hiperparametreleri R'de kullanılanlarla aynıydı ve veri işleme iş akışı da tutarlıydı. Özellikle, her özelliğin tren ve test setlerindeki modelin tanısal tahminlerine katkısını analiz etmek için ağaç model yorumlayıcısını kullandık. Daha iyi görselleştirme için, bireysel tahminler için SHAP değer dağılımı grafikleri, özellik önemi grafikleri ve SHAP kuvvet grafikleri oluşturduk.

İstatistiksel analiz
Tüm veri analizleri R (sürüm 4.3.1, https://www.r-project.org/, platform: x86_64-w64-mingw32/x64 (64-bit)) ve Python (sürüm 3.7.9, https://www.python.org/downloads/release/python-379/) kullanılarak gerçekleştirildi. Sürekli değişkenler ortalama ± standart sapma olarak tanımlanırken, kategorik değişkenler frekans ve yüzde olarak ifade edildi. DLBP ile DLBP olmayan arasındaki karşılaştırma U-testi kullanılarak analiz edildi ve P-değeri 0.05'in altında istatistiksel olarak anlamlı olarak kabul edildi.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Bu çalışma, cerrahi olarak doğrulanmış 81 DLBP hastası ve 162 kontrol kontrolünden, toplamda 243 hastadan alınan MRI T2WI verilerine dayanmıştır. Radyomik özellikler çıkarılıp klinik ve HIZ görüntüleme özellikleriyle birleştirildi; veriler 8:2 oranında eğitim ve test setlerine bölünerek öngörücü DLBP tanı modelleri oluşturuldu. Özellikle, hedef disk 3D Dilimleyici kullanılarak ölçüldükten sonra yedi HIZ görüntüleme özelliği elde edildi ve klinik özelliklerle birlikte d1 ve D grup modelle...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

D grubu modeli, klinik özellikleri, HIZ görüntüleme özelliklerini ve radyomik özellikleri entegre ederek özellik seçimi ve çoklu yinelemelerle 15 ana özellikte stabilizasyon sağladı; diğer gruplara kıyasla daha üstün ortalama performans gösterdi, daha yüksek kararlılık ve tahmin yeteneği sağladı. Rastgele orman modeli, özellikle D grubunda, tüm gruplarda (d0 hariç) diğer modelleri geride bıraktı; ROC AUC değerleri 1'e yakın ve eğitim ile test setleri arasındaki minimum farklarla en iyi m...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarlar, araştırmanın potansiyel çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişki olmadan yürütüldüğünü belirtmektedir.

Teşekkürler

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

Yazarlar, maddi destekleri için teşekkür etmek isterler. Çalışma, Nanjing Tıp Üniversitesi Kangda Koleji Bilim Vakfı tarafından desteklenen (Grant No. KD2024KYJJ292). Çalışma, Nantong Üniversitesi Klinik Tıp Özel Araştırma Fonu tarafından desteklenmiştir (Hibe No. 2024JY002). Bu çalışma, Nantong Belediye Sağlık Komisyonu'nun Bilim ve Teknoloji Projesi (hibe no. MS2024045). Bu çalışma, Jiangsu Eyaleti'ndeki Bilim ve Teknoloji Projeleri [BE2023742], Jiangsu Geleneksel Çin Tıbbı İdaresi Projesi (hibe no. MS2023113).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
3D Dilimleyici 5.6.13D Dilimleyicihttps://download.slicer.org/?version=5.6.1
Veri DepolamaZenodohttps://doi.org/10.5281/zenodo.17365220.
GeForce RTX 3060 Dizüstü Bilgisayar KartıNVIDIAYok
Ingenia CX 3.0T MRI makinesiPhilips Yok
Prisma 3.0T MRI makinesiSiemensYok
Python 3.7.9Python https://www.python.org/downloads/release/python-379/
R 4.3.1Rhttps://www.r-project.org/
Verio 3.0T MRI machineSiemens Yok

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

SHAP AnaliziY ksek Yo unluklu B lgeMakine renmesi Tan sRadyomik zelliklerModel Performans MetrikleriKlinik Karar Destek

İlgili makaleler