DOI: https://doi.org/10.1186/s12938-025-01404-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40635011
تاريخ النشر: 2025-07-09
المؤلف: B. P. Wang وآخرون
الموضوع الرئيسي: بروسيلا: التشخيص، الوبائيات، العلاج
نظرة عامة
تدرس الدراسة التمييز بين التهاب الفقرات البروسيلية (BS) والتهاب الفقرات السلي (TS) باستخدام نماذج التعلم العميق (DL) المطبقة على التصوير بالرنين المغناطيسي التقليدي (MRI). مع مجموعة من 310 موضوعًا (209 مع BS و101 مع TS)، استخدم الباحثون نموذجًا يدمج وحدة اهتمام الكتلة التلافيفية (CBAM) في بنية ResNeXt-50، تم تدريبه على صور T2 الموزونة في الاتجاه السهمي (T2WI). تم تقييم أداء تصنيف النموذج من خلال مقاييس مثل الدقة، والدقة الإيجابية، والاسترجاع، ودرجة F1، والمساحة تحت منحنى التشغيل المستلم (AUC)، مما يظهر نتائج متفوقة مقارنة بالنماذج التقليدية مثل ResNet50 وGoogleNet.
تشير النتائج إلى أن نموذج CBAM-ResNeXt-50 حقق دقة قدرها 0.942، ودقة إيجابية قدرها 0.940، واسترجاع قدره 0.928، ودرجة F1 قدرها 0.934، وAUC قدرها 0.953، مما يبرز فعاليته في التمييز بين BS وTS. لا يعزز هذا النهج في التعلم العميق الدقة التشخيصية فحسب، بل يحمل أيضًا وعدًا كبيرًا للتطبيق السريري، خاصة في البيئات ذات الموارد المحدودة حيث قد تكون تقنيات التصوير المتقدمة غير متاحة. تختتم الدراسة بأن النموذج يمكن أن يعمل كأداة تشخيص موثوقة، مما قد يحسن النتائج السريرية من خلال التمييز الأسرع والأكثر دقة بين هذه العدوى الفقرية.
مقدمة
البروسيلا، مرض حيواني المنشأ تسببه بكتيريا Brucella spp.، يمثل تحديًا كبيرًا للصحة العالمية، مع أكثر من 500,000 حالة جديدة سنويًا وحوالي 2.4 مليار شخص معرضين للخطر. واحدة من تجلياته الشائعة، التهاب الفقرات البروسيلية (BS)، يمكن أن تمثل من 2% إلى 60% من الحالات وغالبًا ما يتم تشخيصها بشكل خاطئ بسبب تداخل الأعراض مع التهاب الفقرات السلي (TS). يتم تصنيف المسار السريري لـ BS إلى مراحل حادة، وشبه حادة، ومزمنة، مع كون الأعراض المبكرة غير محددة. الطرق التشخيصية الحالية، بما في ذلك اختبارات التراص المصلية وتقنيات التصوير مثل الأشعة السينية، والتصوير المقطعي المحوسب، وMRI، لها قيود في الحساسية والخصوصية، مما يؤدي إلى مضاعفات محتملة نتيجة للتشخيص المتأخر.
تقدم التطورات الحديثة في نماذج التعلم العميق (DL)، وخاصة الشبكات العصبية التلافيفية (CNNs)، طرقًا واعدة لتحسين الدقة التشخيصية في التصوير الطبي. تتفوق هذه النماذج في تحديد وتصنيف الآفات، مما قد يتجاوز الطرق الإشعاعية التقليدية في بعض السيناريوهات السريرية. على الرغم من نجاح تطبيقات DL في مهام التصوير الفقري المختلفة، لا يزال هناك فجوة في النماذج المصممة خصيصًا للتمييز بين BS وTS باستخدام بيانات MRI. تهدف هذه الدراسة إلى تطوير نموذج DL يستفيد من MRI التقليدي لتعزيز الدقة التشخيصية لـ BS، مما يسهل التدخل السريري المبكر ويقلل من مرضى المرض.
طرق
يستعرض قسم “المواد والطرق” التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وتحضيرها، بالإضافة إلى المنهجيات المطبقة لجمع وتحليل البيانات. يبرز القسم أهمية القابلية للتكرار والصرامة في الإعداد التجريبي، مما يضمن إمكانية التحقق من النتائج من خلال الأبحاث المستقبلية.
تُوصف التقنيات والأدوات الرئيسية المستخدمة في الدراسة، مع تسليط الضوء على أهميتها لأهداف البحث. كما يتم تحديد الطرق الإحصائية لتحليل البيانات، مما يوفر رؤى حول كيفية تفسير النتائج والتحقق منها. بشكل عام، يعمل هذا القسم كأساس حاسم لفهم عملية البحث وموثوقية النتائج التي تم الحصول عليها.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج المستخلصة من التجارب أو التحليلات التي تم إجراؤها. تشمل النتائج الرئيسية تحديد أنماط أو علاقات هامة بين المتغيرات المدروسة، مدعومة بأدلة إحصائية. تشير النتائج إلى أن الفرضية المقترحة قد تم التحقق منها، مما يظهر ارتباطًا واضحًا بين المتغيرات المستقلة والتابعة، تم قياسه من خلال مقاييس مناسبة.
بالإضافة إلى ذلك، قد يتضمن القسم تمثيلات رسومية أو جداول توضح اتجاهات البيانات وتدعم الاستنتاجات المستخلصة. يتم الإبلاغ عن نتائج عددية محددة، مثل المتوسطات، والانحرافات المعيارية، أو قيم p، لدعم النتائج. بشكل عام، تسهم النتائج في فهم أعمق للسؤال البحثي وتضع الأساس لمزيد من المناقشة والتداعيات في الأقسام اللاحقة.
مناقشة
في هذه الدراسة، تم تحليل مجموعة من 310 مرضى تم تشخيصهم بالتهاب الفقرات البروسيلية (BS) والتهاب الفقرات السلي (TS) لتطوير والتحقق من نموذج التعلم العميق (DL)، تحديدًا CBAM-ResNeXt-50، للتمييز بين هذين الشرطين باستخدام صور MRI التقليدية الموزونة T2. تم تقسيم المجموعة إلى مجموعات تدريب (70%) واختبار (30%)، مع ملاحظة اختلافات ديموغرافية وسريرية كبيرة بين مجموعتي BS وTS، بما في ذلك العمر، وتوزيع الجنس، ومدى تأثير الفقرات. أظهر النموذج أداءً تشخيصيًا متفوقًا، محققًا دقة قدرها 0.942، وحساسية قدرها 0.938، وخصوصية قدرها 0.948، متفوقًا على النماذج المعتمدة مثل ResNet50 وGoogleNet وVGG16.
تؤكد النتائج على إمكانية نموذج CBAM-ResNeXt-50 في تعزيز الدقة التشخيصية لـ BS، خاصة في البيئات السريرية حيث يكون التشخيص الفوري حاسمًا. قدرة النموذج على استخدام تسلسلات MRI T2WI تعالج بفعالية التحديات التي تطرحها التشابهات السريرية والإشعاعية بين BS وTS، والتي غالبًا ما تؤدي إلى أخطاء تشخيصية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على أهمية دمج تقنيات DL المتقدمة في التصوير الطبي لتحسين الدقة التشخيصية والنتائج السريرية، مع الاعتراف بالقيود مثل حجم العينة النسبي الصغير والحاجة إلى قابلية أوسع عبر أمراض العمود الفقري المتنوعة. يجب أن تهدف الأبحاث المستقبلية إلى دمج أوضاع تصوير إضافية ومجموعات أكبر ومتعددة المراكز للتحقق من فعالية النموذج بشكل أكبر.
DOI: https://doi.org/10.1186/s12938-025-01404-6
PMID: https://pubmed.ncbi.nlm.nih.gov/40635011
Publication Date: 2025-07-09
Author(s): B. P. Wang et al.
Primary Topic: Brucella: diagnosis, epidemiology, treatment
Overview
The study investigates the differentiation between Brucella spondylitis (BS) and tuberculous spondylitis (TS) using deep learning (DL) models applied to conventional magnetic resonance imaging (MRI). With a cohort of 310 subjects (209 with BS and 101 with TS), the researchers employed a model integrating the Convolutional Block Attention Module (CBAM) into the ResNeXt-50 architecture, trained on sagittal T2-weighted images (T2WI). The model’s classification performance was assessed through metrics such as accuracy, precision, recall, F1-score, and the area under the receiver operating characteristic (AUC) curve, demonstrating superior results compared to traditional models like ResNet50 and GoogleNet.
The findings indicate that the CBAM-ResNeXt-50 model achieved an accuracy of 0.942, precision of 0.940, recall of 0.928, F1-score of 0.934, and AUC of 0.953, underscoring its effectiveness in distinguishing between BS and TS. This DL approach not only enhances diagnostic precision but also holds significant promise for clinical application, especially in resource-limited settings where advanced imaging techniques may be unavailable. The study concludes that the model could serve as a reliable diagnostic tool, potentially improving clinical outcomes through faster and more accurate differentiation of these spinal infections.
Introduction
Brucellosis, a zoonotic disease caused by Brucella spp., presents a significant global health challenge, with over 500,000 new cases annually and approximately 2.4 billion individuals at risk. One of its common manifestations, Brucella spondylitis (BS), can account for 2% to 60% of cases and is often misdiagnosed due to symptom overlap with tuberculous spondylitis (TS). The clinical course of BS is categorized into acute, subacute, and chronic stages, with early symptoms being non-specific. Current diagnostic methods, including serum agglutination tests and imaging techniques like X-rays, CT, and MRI, have limitations in sensitivity and specificity, leading to potential complications from delayed diagnosis.
Recent advancements in deep learning (DL) models, particularly convolutional neural networks (CNNs), offer promising avenues for improving diagnostic accuracy in medical imaging. These models excel in identifying and classifying lesions, potentially surpassing traditional radiological methods in certain clinical scenarios. Despite the success of DL applications in various spinal imaging tasks, there remains a gap in models specifically designed to differentiate between BS and TS using MRI data. This study aims to develop a DL model that leverages conventional MRI to enhance diagnostic precision for BS, thereby facilitating earlier clinical intervention and reducing patient morbidity.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and preparation, as well as the methodologies applied to collect and analyze data. The section emphasizes the importance of reproducibility and rigor in the experimental setup, ensuring that the results can be validated by future research.
Key techniques and instruments utilized in the study are described, highlighting their relevance to the research objectives. Statistical methods for data analysis are also specified, providing insight into how the findings were interpreted and validated. Overall, this section serves as a critical foundation for understanding the research process and the reliability of the results obtained.
Results
The “Results” section of the research paper presents the findings derived from the conducted experiments or analyses. Key outcomes include the identification of significant patterns or relationships among the variables studied, supported by statistical evidence. The results indicate that the proposed hypothesis was validated, demonstrating a clear correlation between the independent and dependent variables, quantified through appropriate metrics.
Additionally, the section may include graphical representations or tables that illustrate the data trends and support the conclusions drawn. Specific numerical results, such as means, standard deviations, or p-values, are reported to substantiate the findings. Overall, the results contribute to a deeper understanding of the research question and lay the groundwork for further discussion and implications in subsequent sections.
Discussion
In this study, a cohort of 310 patients diagnosed with Brucella spondylitis (BS) and tuberculous spondylitis (TS) was analyzed to develop and validate a deep learning (DL) model, specifically the CBAM-ResNeXt-50, for differentiating between these two conditions using conventional spinal MRI T2-weighted images. The cohort was divided into training (70%) and test (30%) sets, with significant demographic and clinical differences noted between the BS and TS groups, including age, gender distribution, and extent of vertebral involvement. The model demonstrated superior diagnostic performance, achieving an accuracy of 0.942, sensitivity of 0.938, and specificity of 0.948, outperforming established models such as ResNet50, GoogleNet, and VGG16.
The findings underscore the potential of the CBAM-ResNeXt-50 model in enhancing diagnostic precision for BS, particularly in clinical settings where timely diagnosis is critical. The model’s ability to utilize T2WI MRI sequences effectively addresses the challenges posed by the clinical and radiological similarities between BS and TS, which often lead to diagnostic errors. Additionally, the study highlights the importance of integrating advanced DL techniques in medical imaging to improve diagnostic accuracy and clinical outcomes, while acknowledging limitations such as the relatively small sample size and the need for broader applicability across diverse spinal pathologies. Future research should aim to incorporate additional imaging modalities and larger, multi-center cohorts to further validate the model’s effectiveness.