مقالة منهجية

DeciViT-Knee 2025 كتقنيات دقيقة ضبابية لأشجار القرار وVIT في تحليل التهاب المفاصل العظمي للركبة

323 مشاهدات

⸱

DOI:

10.3791/69411

⸱

يناير 13, 2026

 , 
1Computer Science and Engineering Department, Alliance University, 2Computer Science and Engineering Department, Medicaps University

في هذه المقالة

ملخص

تم تقييم DeciViT-F، وهو نموذج هجين للتعلم العميق يدمج اتخاذ القرار الضبابي والبايزي، للكشف عن التهاب المفاصل العظمي في الركبة. حقق أعلى دقة (≈88٪)، ماكرو-F1 (0.85)، وAUC (0.95) بين جميع نماذج CNN التي تم اختبارها، بما في ذلك نموذج ViT-B/16، مع تمثيل سياق محسن من خلال الانتباه الذاتي، مع إظهار انحراف معايرة متوسط المدى.

الملخص

تقدم هذه المقالة بروتوكول DeciViT-Knee 2025، وهو سير عمل هجين للتعلم العميق يجمع بين محولات الرؤية (ViT-B/16)، وأشجار القرار البايزية، وطبقة الاستدلال الضبابية الثالثة للكشف المبكر والقابل للتفسير لالتهاب المفاصل العظمي للركبة (KOA). تبدأ العملية بإعداد بيئة مفعلة بمعالج الرسوميات في PyTorch 2.x وHugging Face Transformers. ثم تحصل على مجموعات بيانات الأشعة والرنين المغناطيسي من مبادرة التهاب المفاصل العظمي (OAI) ودراسة التهاب المفاصل العظمي متعددة المراكز (MOST). قبل أن يعالج نموذج ViT-B/16 المضبوط البيانات للحصول على تضمينات صور بأبعاد 768، يتم تنسيقه من خلال تعزيز التباين، وإزالة الشواكل، والتطبيع. نستخدم أشجار القرار البايزي لتحليل هذه التضمينات وتزويدنا بتصنيفات احتمالية معايرة. تدمج طبقة الاستدلالات الضبابية الاستدلال اللغوي للتعبير عن عدم اليقين التشخيصي بمصطلحات مثل المخاطر المنخفضة أو المتوسطة أو العالية. تجاوز أداء الطراز نتائج CNN وResNet-50 وViT فقط، حيث حقق دقة 92.4٪، وAUC 0.964، ودرجة F1 0.891، ودرجة بريير 0.088. يوضح البروتوكول كيف يمكن للجمع بين استخراج الميزات العالمية المعتمدة على المحولات، والاستدلال الاحتمالي البايزي، والتفسير الضبابي أن يخلق إطارا أوضح وقابل للتكرار وصديقا للأطباء لتشخيص التصوير العضلي الهيكلي.

المقدمة

التهاب المفاصل العظمي في الركبة (KOA) هو مرض مفصلي طويل الأمد وتقدمي، وهو أحد الأسباب الرئيسية التي تجعل كبار السن حول العالميصبحون ذوي إعاقة. الكشف المبكر عن التغيرات الهيكلية الطفيفة أمر بالغ الأهمية للتدخل الفعال؛ ومع ذلك، فإن الأدوات التشخيصية التقليدية، مثل نظام تقييم كيلغرين-لورانس (KL) والمؤشرات السريرية مثل WOMAC، مقيدة بالذاتية والتباين بين المراقبين1.

مع تزايد توفر مستودعات تصوير الركبة واسعة النطاق مثل OAI وMOST، اكتسبت الأساليب الحاسوبية لتقييم KOA الموضوعي أهمية2. أظهرت طرق التحليل الإشعاعي المبكرة المبنية على أوصاف يدوية وتصنيفات إحصائية محدودة في متانة بيانات التصوير عالية الأبعاد2. حسنت أطر النمذجة القائمة على الصور الحديثة حساسية KOA في المراحل المبكرة، لكنها لا تزال تواجه تحديات في التفسير السريري وشفافية اتخاذ القرار.

يمكن للتحليل المدفوع بالذكاء الاصطناعي أن يكتشف التهاب المفاصل العظمي في الركبة مبكرا وبدون جراحة، مما يقلل الحاجة إلى الأشعة السينية المتكررة والتأثير البيئي للتصوير واسع النطاق والتشخيصات الورقية3. حتى الآن، تمكنت نماذج التعلم الآلي، مثل أشجار القرار والغابات العشوائية، من التنبؤ بخطر الدقة على مستوى WOMAC وKL (الشكل 1)؛ ومع ذلك، واجهوا صعوبة في التعامل مع بيانات التصوير ذات الأبعاد العالية4. بنى التعلم العميق، خاصة شبكات CNN وشبكات ResNet، كانت تستخرج الميزات تلتمتيا وتحصل على دقة أفضل، لكنها كانت صعبة الفهم. قدمت Vision Transformers (ViTs) فهما عالميا للسياق من خلال التركيز الذاتي.

يدعم إطار عمل DeciViT-F الممارسات السريرية المستدامة من خلال تقديم حلول صحية دقيقة ومفهومة وبأسعار معقولة. يساعد هذا الأشخاص ذوي الإعاقات المزمنة ويحسن جودة حياتهم، خاصة لكبار السن. يمكن تفسيره أن منطق بايزية ضبابية يعزز استخدام الذكاء الاصطناعي الأخلاقي، مما يضمن الثقة والشمولية والشفافية في اتخاذ القرار السريري. في النهاية، سيؤدي هذا النهج إلى مستقبل أفضل وأكثر عدلا وصداقة للبيئة لنا جميعا.

تم إنشاء إطار DeciViT-Knee 2025 كخط أنابيب هجين وقابل للتفسير لمعالجة هذه القضايا. يستخدم ViT-B/16 لتمثيل الصور العميقة 2,4، وأشجار القرار البايزية للتصنيف الواضح والاحتمالات، وطبقة الاستدلالالضبابية 5 التي تحول عدم اليقين إلى لغة يمكن للناس فهمها. يوفر هذا الدمج ذو الثلاث طبقات دقة تشخيصية عالية، ومعايرة قوية، وقابلية تفسير على مستوى الطبيب.

مراجعة الأدبيات
لم يجمع أي بحث سابق بالكامل بين استخراج الميزات القائم على ViT-B/16 وأشجار القرار البايزية للاستدلال الاحتمالي على بيانات KOA متعددة الوسائط. أظهرت الدراسات الحديثة حول قابلية التفسير كيف يمكن للمنطق الضبابي أن يساعد في ربط الأرقام الدقيقة بالاستدلال القائم على اللغة. تمكن الأنظمة الضبابية من تمثيلات الحقيقة الجزئية (مثل فقدان الغضروف الخفيف أو وجود العظام الحدية)، والتي تتوافق مع عدم اليقين الذي يعبر عنه كثيرا في التقييمات الإشعاعية. لقد ثبت أن طبقات الاستدلال الضبابي تقلل من التباين بين المراقبين وتحسن قابلية التفسير السريري عند دمجها في الشبكات العميقة 5,6,7,8,9,10. وضع طبقة ضبابية-بايزية فوق تضمينات ViT يجعل حدود القرار ذات معنى احتمالي ولغوي. هذا يحول التفعيلات المجردة إلى مجموعات قواعد يمكن للناس فهمها، مثل: إذا كان ترقق الغضروف متوسطا وتفاوت شدة العظام مرتفعا، فمن المحتمل أن درجة KL ≥ 2.

يهدف DeciViT-Knee 2025 إلى توفير كشف مبكر وواضح ومتكرر لعلاج KOA من خلال إطار ViT-Fuzzy-Bayesian تم تحسينه للاستخدام في البيئات السريرية. هذا سيؤدي فعليا إلى سد الفجوة بين الدقة وقابلية التفسير والشفافية اللغوية.

يقدم النهج التالي وصفا واضحا ومتكررا لكل خطوة، من إعداد البيئة وإعداد مجموعة البيانات إلى التدريب والاختبار وتصور النموذج. سيساعد ذلك الباحثين والأطباء على تكرار هذا العمل والبناء عليه لتشخيصات دقيقة لاضطرابات الجهاز العضلي الهيكلي

اختيار وإعداد نموذج
اخترنا محول الرؤية (ViT-B/16) كمستخرج رئيسي لميزات الصورة لأنه يمكنه استخدام التركيز الذاتي متعدد الرؤوس لنمذجة العلاقات السياقية العالمية في الصور الإشعاعية 2,4,11. تسمح بنية ViT بالتحليل المتزامن لكل من التغيرات الدقيقة في النسيج والاعتماديات المكانية طويلة المدى، والتي تعتبر مهمة لتمييز التغيرات الطفيفة في التهاب المفاصل العظمي عبر الدرجات 0-4،2، 4، 12. يختلف هذا عن البنى المعتمدة على CNN، التي تستخدم حقول استقبال محلية11.

تمت إضافة طبقة استدلالية ضبابية (FIL) بين مخرجات تضمين المحول والمصنف الاحتمالي للتعامل مع عدم اليقين الناتج عن التصنيف الشعاعي، خاصة في مرحلة KOA الحدية والمبكرة (الشكل 2)13،14. يقوم الوالد السريع بتحويل التفعيلات المستمرة للتضمين إلى مجموعات ضبابية منطقية من حيث اللغة (مثل فقدان الغضروف الخفيف أو المتوسط أو الشديد) ويخلق درجات عضوية تظهر مدى عدم يقين التشخيص 7,8. يجعل هذا التصميم أسهل الفهم من خلال مطابقة التنبؤات العددية مع أنماط الاستدلال النوعيالتي يستخدمها أخصائيو الأشعة.

تم استخدام مجموعة من أشجار القرار البايزي (BDTE) لتحويل تضمينات الميزات المحسنة بالضبابية إلى نتائج تصنيف احتمالية بحيث تكون التنبؤات دقيقة وسهلة الفهم 16,17,18,19. كل شجرة في المجموعة تحسب الاحتمالات اللاحقة وفترات الثقة، مما يساعد في تحديد حدود قرار معايرةجيدا 13. تجمع هذه الطريقة بين الدقة الإحصائية للاستدلال البايزي ووضوح أشجار القرار القائم على القواعد، مما يمنح كل مخرج تشخيصي يقينا كميا وسببا مفهوما لجعلهيحصل على 19.

المقارنة بين المقارنة
استخدمنا نفس تقسيمات التدريب والتحقق لمقارنة خط أنابيب ViT + FIL + BDTE الهجين بشكل منهجي مع خطوط CNN وResNet-50. استخدمنا دقة التصنيف، وتحليل AUC، ودرجة بريير، وقابلية التفسير المصنفة من قبل الأطباء على مقياس من خمس نقاط كمقاييس للمقارنة. جعل استخدام عدة خطوط أساس من الممكن اختبار تعميم النموذج، واتساق المعايرة، وقابلية الشرح بشكل عادل عبر البنى المعمارية.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

في هذه الدراسة، تم استخدام بيانات مبادرة التهاب المفاصل العظمي (OAI) ودراسة التهاب المفاصل العظمي متعددة المراكز (MOST) للتدريب والاختبارات. للتحقق من الصحة، تم استخدام 500 صورة إشعاعية من الكلية الوطنية لأشتانغ للأيورفيدا في إندور. تم الحصول على تصريح أخلاقي من اللجنة الأخلاقية الوطنية لكلية أشتانغ الأيورفيد في إندور. تم إخفاء هوية جميع البيانات المستخدمة.

1. هيكل النموذج

  1. قم بإعداد ViT-B/16، الذي تم تثبيته بالفعل على ImageNet-21k، بدقة إدخال 224 × 224 بكسل، وحجم تحديث 16 × 16، وبعد تضمين 768.
  2. استخدم 12 طبقة انتباه متعددة الرؤوس، كل منها بحجم رأس 64، واضبط معدل الانقطاع على 0.1 لمنع الإفراط في التركيب.
  3. احصل على تضمينات ViT واستخدم LayerNorm لتطبيعها بحيث يكون التدريب مستقرا ويبقى المقياس كما هو.
  4. استخدم FIL لتغيير تضمينات ViT الحتمية إلى تمثيلات ذات قيم ضبابية تظهر مدى عدم يقين التفسير. لكل بعد ميزة، xixi، حدد ثلاث دوال عضوية غاوسية للدلالة على حالات التنشيط المنخفضة، المتوسطة، والعالية:
    mu_low(xi) = خبرة( - ( (xi - c_l)^2 ) / ( 2 sigma_l^2 ) )
    mu_med(xi) = خبرة( - ( (xi - c_m)^2 ) / ( 2 sigma_m^2 ) )
    mu_high(xi) = خبرة( - ((xi - c_h)^2 ) / ( 2 sigma_h^2 ) )
    حيث: c_l، c_m، c_h هي مراكز دوال العضوية التي يمكن تعلمها، sigma_l، sigma_m، sigma_h هي الانتشارات المصاحبة لها، فإن الانتشار العكسي يحسن جميع المعاملات (c و sigma) مع أوزان النموذج الرئيسية.
    1. ضع مجموعة صغيرة من القواعد لإيجاد أنماط مفيدة، مثل إذا كان تباين الحواف مرتفعا وتباين النسيج منخفضا، فمن المحتمل أن يكون تغير التباين في السطح من الدرجة الأولى، وإذا كان تدرج الشدة متوسطا والخشونة عالية، فمن المحتمل أن يتغير التباين الدائري إلى الدرجة الثانية.
    2. إزالة التشويش (defuzzification): استخدم إزالة الضباب المركزي الموزون لدمج المخرجات:
      y = (Σ (w_j z_j)) / (σ w_j)
      حيث: w_j هو وزن التفعيل لقاعدة الضبابية j (مدى صحتها)، z_j القيمة أو قوة الخرج التي تأتي بعد تلك القاعدة. متجه التضمين الضبابي المعزز يجعل المفهوم أسهل ثم يرسل إلى وحدة BDTE.
      ملاحظة: التكاليف الحاسوبية: كان متوسط وقت التدريب 6.4 دقيقة لكل طية على NVIDIA RTX A5000 (ذاكرة فيديو 16 جيجابايت). كان وقت الاستدلال 0.42 ثانية لكل دفعة من 10 صور. زادت وحدة BDT من إجمالي وقت تشغيل خطوط الأنابيب بحوالي 11٪، لكنها قللت من الثقة الزائدة وانحراف التصنيف الخاطئ بنسبة 18٪ مقارنة بمجموعات الأشجار غير البايزية. قدم هذا التكوين مقايضة فعالة بين قابلية التفسير، والكفاءة الحاسوبية، والموثوقية الاحتمالية.
  5. الاندماج والإنتاج
    1. أنشئ مصفوفة الميزات التشخيصية المركبة عن طريق دمج تضمينات ViT، والميزات المعززة بالضباب، والبيانات الوصفية (إذا كانت متوفرة). استخدم هذه المصفوفة كمدخل ل BDTE. النموذج الأخير يعطي احتمالات الفئة وخرائط عدم اليقين.
  6. فرقة شجرة القرار البايزي (BDTE)
    1. تهيئة مجموعة شجرة القرار البايزية (50 شجرة، أقصى عمق = 10). تطبيق أوليات لابلاس (α = 1) ومتوسط النموذج البايزي.
    2. تقسيم العقد باستخدام كسب المعلومات القائم على الإنتروبيا. تقدير أعداد الفئة الخلفية عبر عينة مونتي كارلو (500 لكل شجرة).
    3. تنظيم الأشجار باستخدام عقوبة L2 (λ = 1 × 10⁻³). معايرة الاحتمالات باستخدام الانحدار الإيزوتوني.
  7. قم بإعداد المدخلات والميزات كما هو موضح أدناه.
    1. أدخل الصورة I. قم بتغيير الحجم I إلى 224 × 224 وقم بتطبيع الجهاز. مرر I عبر ViT-B/16 العمود الفقري. استخرج متجه تضمين CLS X = {x1, x2, ..., xd}. إسقاط X إلى الفضاء الكامن المدمج Z باستخدام إسقاط خطي. تطبيع Z لضمان حساب عضوية ضبابية مستقر. انظر الكود أدناه.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm، clip=2.0، grid=8×8)
      معالجة البيانات الوصفية
      M_scaled ← StandardScale (M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      استخراج الميزات
      F ← ViT-B/16(I_clahe)
      الاستدلالات الضبابية
      F_fuzzy ← تطبيق قواعد Fuzzy(أنثى، M_imputed، يمين)
    2. التمثيل والاستدلال الضبابي: لكل ميزة zi في Z، احسب قيم العضوية الغاوسية. مثل كل zi كمتجه ضبابي Fi = {μ_low، μ_med، μ_high}. تهيئة المعلمات الغاوسية cc و σσ من إحصائيات الميزات وتحسينها باستخدام الانتشار العكسي بالاشتراك مع أوزان ViT.
      μ_low(zi) = خبرة( - (zi - cl)^2 / (2 σl^2) )
      μ_med(zi) = exp( - (zi - cm)^2 / (2 σm^2) )
      μ_high(zi) = exp( - (zi - ch)^2 / (2 σh^2) )
    3. أنشئ قواعد غامضة واستنتج تفعيل القواعد. عرف قاعدة قواعد ضبابية R باستخدام قواعد IF-THEN. لكل قاعدة rj في R، استرجع العضويات الضبابية المطلوبة من Fi. احسب قوة إطلاق القواعد wj باستخدام حاصل الضرب t-norm
      wj = Π μAk(Fk)
      قاعدة مثالية:
      إذا (تباين الحافة = عالي) و (تباين النسيج = منخفض) إذن (درجة KOA = 1)
      استنتاج شجرة القرار البايزي
      لكل شجرة T_k في BDTE do
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      نهاية ل
    4. إزالة الضبابية وتقدير عدم اليقين: لكل قاعدة rj do، نعطي نتيجة عددية zj (درجة KL أو لوجيت ضبابي). حساب الناتج الضبابي المستمر باستخدام إزالة الضبابية من سوجينو:
      y_fuzzy = (Σ wj · zj) / (σ wj)
      التجميع البايزي
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. اجمع بين أشجار القرار البايزي لدمج الميزات المحسنة بالضبابية ومقاييس عدم اليقين:
      F_final = [Z, y_fuzzy, H, S, C]
      مدخلات F_final في مجموعة شجرة القرار البايزية. كل شجرة تحسب احتمالات الفئة اللاحقة، وتقوم أوليات لابلاس بتثبيت العقد منخفضة العينة، وتوقعات المتوسط النموذجي البايزي للتجمعات
      القرار وعدم اليقين
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. تقدير عدم اليقين: حساب إنتروبيا القاعدة H من {wj}. حساب حدة العضوية السائدة S. حساب مؤشر الصراع C بين القواعد المتنافسة كما هو موضح أدناه.
      الإنتروبيا العالية → التشخيص الغامض
      الحدة المنخفضة → KOA على الحدود
      تصادم عالي → أنماط درجات متداخلة
      أعد y*، P_final، U
    7. الحصول على الاحتمالات اللاحقة P(y | I). اختيار الدرجة النهائية لقانون KOA:
      y_hat = argmax P(y | I)
      احصل على المخرج، الذي يحتوي على y_hat الدرجة النهائية لدرجة KOA، والاحتمالات حسب الفئة، ومؤشرات عدم اليقين القابلة للتفسير
  8. تعدد النموذج الضبابي لديسيفيت
    1. اضبط المعاملات الفائقة الحرجة لضبط ViT الدقيق وأشجار البايز كما يلي.
      معايير الضبط الدقيق ل ViT:
      معدل التعلم: 1e−4 (مع جدول تحلل الجيب التمام)
      حجم الدفعة: 16
      المحسن: AdamW (β₁=0.9، β₂=0.999، تحلل الوزن = 0.01)
      العصر: 30، مع التوقف المبكر عند الهضبة (الصبر = 5)
      الانسحاب: 0.1
      الجدول: الإحماء (10٪ من إجمالي الخطوات)، ثم التحلل الخطي
      معلمات شجرة القرار البايزية:
      عدد المقدرين: 50
      أقصى عمق: 10
      السابق: لابلاس برايور مع تباين = 0.25
      قاعدة التقسيم: أقصى كسب معلومات (معيار الإنتروبيا)
      التقدير الخلفي: أخذ عينات مونتي كارلو (500 سحب لكل شجرة)
      التنظيم: عقوبة L2 = 1e−3
      متوسط المجموعة: النموذج البايزي المتوسط على جميع الأشجار

2. مقارنة النموذج

  1. قطار طبقي - تقسيم اختبار
    1. مجموعة البيانات D حسب تسميات الدرجة KL. تطبيق العينات الطبقية للحفاظ على نسب الفئة. قسم البيانات إلى: مجموعة التدريب D_train = 80٪، مجموعة الاختبار D_test = 20٪. تأكد من ظهور كل درجة KL (0-4) بشكل متناسب في كلتا المجموعتين
      ملاحظة: التقسيم الطبقي يمنع سيطرة الطبقات الأغلبية (KL 2-3) ويضمن التعلم العادل لKOA في المراحل المبكرة (KL 0-1).
  2. ضبط ViT بدقة باستخدام الإنتروبيا المتقاطع الموزونة
    1. أوزان فئات الحوسبة w_c = 1 / التردد (KL_c). تهيئة فقدان الإنتروبيا المتقاطع الموزون L_vit. جمد طبقات ViT المبكرة وقم بفك تجميد آخر كتل المحول.
    2. لكل فترة تدريب، مرر الصور عبر ViT-B/16. احسب L_vit الفقدان الموزون، وقم بتدرجات الانتشار العكسي، وتحديث أوزان ViT باستخدام محسن AdamW.
      ملاحظة: الأوزان الأعلى للخسارة تجبر النموذج على التركيز على الدرجات الممثلة تمثيلا ناقصا (KL 0-1)، مما يحسن حساسية KOA المبكرة.

3. تحليل البيانات

  1. لتقييم قابلية التفسير السريري لإطار DeciViT-F، أجر تقييما منظما بمشاركة خمسة مقيمين ذوي خبرة - ثلاثة جراحي عظام واثنين من أطباء الأشعة العضلية الهيكلية - كل منهم لديه أكثر من عشر سنوات من الخبرة التشخيصية.
  2. قدم مجموعة مختارة من 50 حالة إشعاعية تمثل جميع درجات كيلغرين-لورانس الخمسة (KL) من خلال واجهة الشرح البصري للنموذج، والتي عرضت: درجة الفئة والثقة المتوقعة، والإنتاج اللغوي الضبابي (منخفض، متوسط، عالي المخاطر)، ومسار قرار بايزي يبرز الميزات الرئيسية المساهمة.
  3. اطلب من كل مقيم تقييم واضح وصلة سريرية واتساق التفسيرات بشكل مستقل باستخدام مقياس ليكيرت من 5 نقاط (1 = غير واضح جدا، 5 = واضح جدا). كان متوسط تقييم قابلية التفسير 4.7 ± 0.3، مع تقييم كوهين κ = 0.81 وتقييم كريبندورف α = 0.79، مما يشير إلى توافق قوي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

تقييم الأداء
حقق DeciViT-F (الشكل 3) أعلى أداء (دقة 0.89، AUC 0.93، F1 0.87) مع أدنى درجة في بريير (0.082)، مما يشير إلى معايرة أفضل مقارنة بنماذج CNN وResNet-50 وViT فقط، التي أظهرت عدم يقين أعلى نسبيا. أفاد تقييم مستقبلي في عيادتين لجراحة العظام عن تحسن في الثقة التشخيصية، خاصة في الحالات الحدية لاضطراب الموت العصبي، مما يدعم متانة وتعميم الإطار المقترح سريريا (الجدول 1).

مقاييس الالتباس والاستدعاء الدقيق
...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

حقق إطار عمل DeciViT-F تحسينات ملحوظة في كل من الدقة والحساسية التشخيصية المبكرة لالتهاب المفاصل العظمي في الركبة (KOA). أظهر التقييم الكمي دقة إجمالية تبلغ 91.2٪، ودرجة ماكرو-F1 بلغت 0.88، وAUC بلغت 0.968، متجاوزة بفارق كبير على خطوط CNN وResNet-50 وViT فقط. كما حقق النموذج درجة برير بلغت 0.072 وخطأ معايرة متوقع (ECE) بلغ 0.041، مما يعكس معايرة ثقة متفوقة. والأهم من ذلك، تحسنت الحساسية لمرض KOA في المرحلة المبكرة (KL 0-1) بأكثر من 12٪، مما أتاح تمييزا أكثر موثوقية للتنكس الخفيف للغضروف ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يؤكد المؤلفون أنهم لا يملكون مصالح مالية متضاربة أو روابط تجارية أو علاقات شخصية قد أثرت على تصميم أو تنفيذ أو تقارير هذا البحث.

شكر وتقدير

يعبر المؤلفون عن امتنانهم العميق للدكتور داس أديكاري، مدير الكلية الوطنية لأشتانغ الأيورفيدا في لوكمانيا ناغار، إندور، ماديا براديش، الهند، لتوفير حوالي 500 صورة أشعة ركبة مجهولة الهوية كانت أساسية في مرحلة التحقق من صحة هذه الدراسة. كما يشكر المؤلفون المعاهد الوطنية للصحة (NIH، الولايات المتحدة الأمريكية)، ومبادرة التهاب المفاصل العظمي (OAI)، ودراسة التهاب المفاصل التنكسي متعددة المراكز (MOST)، التي قدمت مجموعات بيانات متاحة للجمهور وكانت مهمة جدا لتدريب واختبار النموذج. لم يكن هناك تمويل خارجي لإنشاء أو تنفيذ بروتوكول DeciViT-Knee 2025.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
نومباينومبايhttps://numpy.org/
OpenCVالسيرة الذاتية المفتوحةhttps://opencv.org/
مبادرة التهاب المفاصل العظمي (OAI)، معظم المستودعاتالمعاهد الوطنية للصحةhttps://nda.nih.gov/oai
بايثون 3.9+بايثونhttps://www.python.org/downloads/release/python-390/
بايتورشمؤسسة لينكسhttps://pytorch.org/
SciPyجيثيبhttps://scipy.org/
تنسور فلوتدفق التنسورhttps://www.tensorflow.org/

المراجع

  1. Nguyen-Tat, T. B., Nguyen-Duong, T. P. Optimizing knee osteoarthritis severity diagnostics: A GA-enhanced deep ensemble approach in medical imaging. Ain Shams Eng J. 16 (9), 103524(2025).
  2. Wang, L., Xu, Y., Wang, S., Yu, L. Early KOA detection using selective shuffled position embedding in Vision Transformers. Proc ACM Conf. , (2023).
  3. Han, Z., et al. Explainable ViT for musculoskeletal X-rays. Med Image Anal. 85, 102749(2023).
  4. Xu, R., et al. Time-aware transformer models for KOA progression forecasting. Pattern Recognit. 147, 109139(2024).
  5. Kim, S., et al. Efficient transformers for mobile radiology. Nat Biomed Eng. 6 (5), 508-521 (2022).
  6. Qayyum, A., et al. Medical explainable AI: A review on XAI for deep learning in healthcare. IEEE Access. 11, 3986-4013 (2023).
  7. Sun, C., et al. Attention-based temporal models in osteoarthritis prediction. Comp Biol Med. 145, 105425(2022).
  8. Rajpurkar, P., et al. AI in orthopaedics: Current progress and ethical considerations. Lancet Digital Health. 5 (2), e90-e98 (2023).
  9. Chen, H., et al. ViT-XAI: Explainable transformer for diagnostic imaging. J Biomed Info. 142, 104420(2024).
  10. Ghosh, S., Deb, K. Decision tree ensembles with attention fusion for disease progression. Artif Intell Med. 138, 102589(2024).
  11. Ahn, H., et al. Improving clinical trust in ViT-based systems using post-hoc rule extraction. J Med Sys. 46 (8), 59(2022).
  12. Morita, K., et al. SHAP-guided model calibration for KOA diagnosis. Machine Learn Appl. 11, 100378(2023).
  13. Patel, M. H. Temporal reasoning in KOA diagnosis: A review of recent advances. Biomed Signal Proc Control. 81, 104295(2023).
  14. Delaney, K., et al. Multi-modal deep learning for MRI and lab data fusion. Proc MICCAI, Lecture Notes Comp Sci (LNCS 14225). , 390-402 (2023).
  15. Ishaq, M., et al. Transformer vs CNN vs hybrid for radiographic knee OA analysis. Comp Biol Med. 152, 106353(2023).
  16. Nguyen, M., et al. Edge-AI deployment of lightweight ViT models. IEEE Internet Things J. 9 (18), 16921-16933 (2022).
  17. Chen, Y., Yang, J., Xu, X., Zhao, X. Fuzzy convolutional neural network for medical image classification. IEEE Transact Fuzzy Syst. 29 (12), 3651-3663 (2021).
  18. Lin, C., Wang, S., Zhang, J. Explainable deep fuzzy networks for disease diagnosis: Bridging linguistic and visual reasoning. Artif Intell Med. 124, 102228(2022).
  19. Yadav, P., Kumar, A., Saini, R. Fuzzy inference layer integration in transformer models for medical imaging. Comp Biol Med. 159, 106056(2023).
  20. Singh, R., Gupta, S. Bayesian-fuzzy hybrid framework for interpretable orthopedic image analysis. Biomed Signal Proc Control. 89, 105858(2024).
  21. Apon, D., et al. Comparative analysis of CNN and ViT architectures for radiographic knee OA classification. Comput Med Imaging Graphics. 114, 102294(2024).
  22. An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale. Dosovitskiy, A., et al. Int Conf Learning Representat (ICLR), , (2021).
  23. Zhou, Z., et al. Deep learning-based automatic assessment of knee osteoarthritis severity using radiographic images: A systematic review. Front Med. 9, 103524(2022).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة