基于MRI特征的可解释机器学习模型用于预测关节疾病中的疼痛严重程度
Chuanfang Xu1, Xianyan Wu1, Shibin Li2
1Department of Radiology, The Affiliated People's Hospital of Fujian University of Traditional Chinese Medicine, Fuzhou, China.
Journal of oral rehabilitation
|November 18, 2025
概括
使用关节 (TMJ) 磁共振成像 (MRI) 功能的机器学习模型可以预测关节障碍 (TMD) 疼痛严重程度. 最好的模型确定了年龄,椎间盘位置和状动作作为客观疼痛评估的关键预测因素.
科学领域:
- 医疗成像和机器学习在医疗保健中的应用.
- 放射学和诊断成像解释.
- 生物医学数据科学和预测建模.
背景情况:
- 关节 (TMJ) 和肌中的慢性疼痛是关节疾病 (TMD) 的标志.
- 特定磁共振成像 (MRI) 特性对TMD相关疼痛强度的预测价值尚未得到充分确立.
- 这项研究解决了对TMD患者客观疼痛评估的需求.
研究的目的:
- 开发和解释机器学习 (ML) 模型,利用MRI特征来预测诊断为TMD的患者的疼痛严重程度.
- 通过将成像发现与患者报告的疼痛水平相关联,提高TMJ MRI的临床实用性.
- 确定与TMD疼痛强度相关的关键成像生物标志物.
主要方法:
- 进行了755个TMJ MRI数据集的回顾性分析,这些数据集来自584名TMD患者 (2022-2024年).
- 疼痛严重程度使用视觉模拟量表 (VAS) 量化.
- 通过使用人口统计和详细的MRI特征 (例如,盘位置,输出,骨变化) 训练和评估了11个ML模型,通过AUC,准确性和SHAP解释性评估性能. 此外,还探索了功能选择.
主要成果:
- 轻GBM模型实现了最高的预测性能,曲线下的面积 (AUC) 为0.899.
- 沙普利添加式解释 (SHAP) 分析强调年龄,圆盘位置和圆盘动作是疼痛预测中最有影响力的特征.
- 使用SHAP排名前九个特征的优化模型显示出强大的诊断性能 (AUC = 0.829).
结论:
- 基于MRI的可解释,高性能的ML模型已成功开发,用于对TMD的客观疼痛评估.
- 通过ML和SHAP分析整合成像特征和临床数据,为识别有风险的TMD患者提供了一个有希望的方法.
- 这种方法有可能为患有TMD相关疼痛的个人指导个性化治疗策略.
