Methodenartikel

DeciViT-Knee 2025 als präzise Fuzzy-Techniken von Entscheidungsbäumen und VIT in der Analyse von Kniearthrose

DOI:

10.3791/69411

⸱

13. Januar 2026

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

In diesem Artikel

Zusammenfassung

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

DeciViT-F, ein hybrides Deep-Learning-Modell, das fuzzy und bayessche Entscheidungsfindung integriert, wurde zur Erkennung von Kniearthrose untersucht. Es erreichte die höchste Genauigkeit (≈88 %), Makro-F1 (0,85) und AUC (0,95) unter allen getesteten CNN-Modellen, einschließlich des ViT-B/16-Modells, mit verbesserter kontextueller Darstellung durch Selbstaufmerksamkeit, während es Kalibrierungsdrift im mittleren Bereich aufwies.

Zusammenfassung

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

Dieser Artikel stellt das DeciViT-Knee 2025-Protokoll vor, einen hybriden Deep-Learning-Workflow, der Vision Transformers (ViT-B/16), Bayesian Decision Trees und eine dritte Fuzzy-Inferenzschicht für die frühe und interpretierbare Erkennung von Kniearthrose (KOA) kombiniert. Der Prozess beginnt mit der Einrichtung einer GPU-fähigen Umgebung in PyTorch 2.x und Hugging Face Transformers. Anschließend erhält es röntgenbildende und MRT-Datensätze von der Osteoarthritis Initiative (OAI) und der Multicenter Osteoarthritis Study (MOST). Bevor das fein abgestimmte ViT-B/16-Modell die Daten verarbeitet, um 768-dimensionale Bildeinbettungen zu erhalten, werden sie durch Kontrastverstärkung, Artefaktentfernung und Normalisierung kuratiert. Wir verwenden Bayessche Entscheidungsbäume, um diese Einbettungen zu analysieren und liefern uns kalibrierte probabilistische Klassifikationen. Die Fuzzy-Inferenz-Schicht beinhaltet linguistisches Schließen, um diagnostische Unsicherheit in Begriffen wie niedriges, mittleres oder hohes Risiko auszudrücken. Die Leistung des Modells übertrifft die der ausschließlich CNN-, ResNet-50- und ViT-Baselines und erreicht eine Genauigkeit von 92,4 %, einen AUC von 0,964, einen F1-Wert von 0,891 und einen Brier-Wert von 0,088. Das Protokoll zeigt, wie die Kombination aus transformatorbasierter globaler Merkmalsextraktion, bayessches probabilistisches Denken und fuzzy interpretierbarer Rahmen einen klareren, reproduzierbaren und klinikerfreundlichen Rahmen zur Diagnose muskuloskelettaler Bildgebung schaffen kann.

Einleitung

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

Kniearthrose (KOA) ist eine langanhaltende, fortschreitende Gelenkerkrankung, die einer der Hauptgründe ist, warum ältere Menschen weltweit behindertwerden. Die frühzeitige Erkennung subtiler struktureller Veränderungen ist entscheidend für ein wirksames Eingreifen; traditionelle diagnostische Instrumente wie das Kellgren-Lawrence (KL) Bewertungssystem und klinische Indizes wie WOMAC sind jedoch durch Subjektivität und Inter-Observer-Variabilität1 eingeschränkt.

Mit der zunehmenden Verfügbarkeit groß angelegter Kniebildgebungs-Repositorien wie OAI und MOST haben computergestützte Ansätze zur objektiven KOA-Bewertung an Bedeutung gewonnen2. Frühe radiologische Analysemethoden, die auf handgefertigten Deskriptoren und statistischer Klassifikation basierten, zeigten eine begrenzte Robustheit für hochdimensionale Bilddaten2. Neuere bildbasierte Modellierungsrahmen verbesserten die Empfindlichkeit gegenüber frühen KOA-Phasen, stehen jedoch weiterhin vor Herausforderungen bei der klinischen Interpretierbarkeit und Entscheidungstransparenz.

KI-gestützte Analysen können Kniearthrose frühzeitig und ohne Operation erkennen, was den Bedarf an wiederholten Röntgenaufnahmen und die Umweltbelastung durch großflächige Bildgebung und papierbasierte Diagnostik verringert3. Bis heute konnten maschinelle Lernmodelle wie Decision Trees und Random Forests das Genauigkeitsrisiko auf WOMAC- und KL-Ebene vorhersagen (Abbildung 1); Allerdings hatten sie Schwierigkeiten mit Bilddaten mit hoher Dimensionalität4. Deep-Learning-Architekturen, insbesondere CNNs und ResNet-Netzwerke, automatisierten die Feature-Extraktion und erzielten eine bessere Genauigkeit, aber sie waren schwer zu verstehen. Vision Transformers (ViTs) brachten globales kontextuelles Verständnis durch Selbstaufmerksamkeit.

Das DeciViT-F-Framework unterstützt nachhaltige klinische Praktiken, indem es Gesundheitslösungen entwickelt, die genau, verständlich und erschwinglich sind. Dies hilft Menschen mit chronischen Behinderungen und verbessert ihre Lebensqualität, insbesondere bei älteren Menschen. Sie ist erklärbar, dass die fuzzy-bayessche Logik den ethischen Einsatz von KI fördert und Vertrauen, Inklusivität und Transparenz in klinischen Entscheidungen gewährleistet. Am Ende wird dieser Ansatz zu einer besseren, gerechteren und umweltfreundlicheren Zukunft für uns alle führen.

Das DeciViT-Knee 2025-Framework wird hiermit als hybride, interpretierbare Pipeline zur Bewältigung dieser Probleme etabliert. Es verwendet ViT-B/16 für Deep ImageRepresentation 2,4, Bayessche Entscheidungsbäume für klare und probabilistische Klassifikation sowie eine Fuzzy Inference Layer5, die Unsicherheit in eine Sprache verwandelt, die Menschen verstehen können. Diese dreischichtige Fusion bietet eine hohe diagnostische Genauigkeit, eine starke Kalibrierung und Interpretierbarkeit auf Klinikerebene.

Literaturübersicht
Keine bisherige Forschung hat ViT-B/16-basierte Merkmalextraktion vollständig mit Bayesschen Entscheidungsbäumen für probabilistisches Schließen auf multimodalen KOA-Daten kombiniert. Jüngste Studien zur Interpretierbarkeit haben gezeigt, wie Fuzzy-Logik helfen kann, präzise Zahlen mit sprachbasiertem Schließen zu verbinden. Fuzzy-Systeme ermöglichen Teilwahrheitsrepräsentationen (z. B. leichter Knorpelverlust oder grenzwertige Osteophytenpräsenz), die mit der häufig in radiologischen Untersuchungen artikulierten Unsicherheit übereinstimmen. Fuzzy-Inferenzschichten haben gezeigt, dass sie die Inter-Observer-Variabilität verringern und die klinische Interpretierbarkeit verbessern, wenn sie in tiefe Netzwerkeintegriert werden. Eine fuzzy-bayessche Schicht auf ViT-Einbettungen zu legen, ergibt Entscheidungsgrenzen, die sowohl probabilistisch als auch sprachlich bedeutsam sind. Das verwandelt abstrakte Aktivierungen in Regelwerke, die Menschen verstehen können, zum Beispiel: WENN die Knorpelverdünnung moderat ist UND die Knochenintensitätsschwankung hoch ist, DANN KL-Grad wahrscheinlich ≥ 2.

DeciViT-Knee 2025 zielt darauf ab, eine frühe, klare und wiederholbare KOA-Erkennung durch ein ViT-Fuzzy-Bayes-Framework bereitzustellen, das für den Einsatz in klinischen Umgebungen optimiert wurde. Dadurch wird die Lücke zwischen Genauigkeit, Interpretierbarkeit und sprachlicher Transparenz effektiv geschlossen werden.

Der folgende Ansatz liefert eine klare, wiederholbare Beschreibung jedes Schrittes – von der Einrichtung der Umgebung und der Vorbereitung des Datensatzes bis hin zum Training, Testen und Visualisieren des Modells. Dies wird Forschern und Klinikern helfen, diese Arbeit für präzise Diagnosen muskuloskelettaler Erkrankungen zu wiederholen und darauf aufzubauen

Auswahl und Aufbau eines Modells
Wir haben den Vision Transformer (ViT-B/16) als Haupt-Bildfeature-Extraktor gewählt, da er Multi-Head Self-Attention nutzen kann, um globale kontextuelle Beziehungen in radiographischen Bildern 2,4,11 zu modellieren. Die ViT-Struktur ermöglicht die gleichzeitige Analyse sowohl feinkörniger Texturvariationen als auch langfristiger räumlicher Abhängigkeiten, die wichtig sind, um subtile osteoarthritische Veränderungen über KL-Grade 0–4, 2,4,12 zu unterscheiden. Dies unterscheidet sich von CNN-basierten Architekturen, die lokalisierte rezeptive Felder11 verwenden.

Eine Fuzzy-Inferenzschicht (FIL) wurde zwischen dem Ausgang der Transformator-Einbettung und dem probabilistischen Klassifikator hinzugefügt, um mit der Unsicherheit umzugehen, die mit der radiographischen Bewertung einhergeht, insbesondere für Borderline- und Early-Stage-KOA (Abbildung 2)13,14. Der Schwiegervater wandelt kontinuierliche Einbettungsaktivierungen in fuzzy-Sets um, die sprachlich Sinn ergeben (zum Beispiel leichter, mittlerer oder schwerer Knorpelverlust) und erstellt Mitgliedschaftsgrade, die zeigen, wie unsicher die Diagnoseist 7,8. Dieses Design erleichtert das Verständnis dadurch, dass numerische Vorhersagen mit den qualitativen Denkmustern abgestimmt werden, die Radiologenverwenden.

Ein Ensemble von Bayesschen Entscheidungsbäumen (BDTE) wurde verwendet, um fuzzy-verstärkte Merkmal-Einbettungen in probabilistische Klassifikationsergebnisse umzuwandeln, sodass die Vorhersagen genau und leicht verständlich sind. Jeder Baum im Ensemble berechnet posteriore Wahrscheinlichkeiten und Konfidenzintervalle, was hilft, gut kalibrierte Entscheidungsgrenzen13 festzulegen. Diese Methode kombiniert die statistische Genauigkeit der bayesschen Inferenz mit der regelbasierten Klarheit von Entscheidungsbäumen und verleiht jedem diagnostischen Ergebnis sowohl quantitative Sicherheit als auch einen verständlichen Grund für dieErhebung 19.

Benchmarking im Vergleich
Wir verwendeten dieselben Trainings- und Validierungsaufteilungen, um systematisch die hybride ViT + FIL + BDTE Pipeline mit den CNN- und ResNet-50-Baselines zu vergleichen. Wir verwendeten Klassifikationsgenauigkeit, AUC, Brier-Score und von Ärzten bewertete Interpretierbarkeit auf einer Fünf-Punkte-Skala als Vergleichsmetriken. Die Verwendung mehrerer Baselines ermöglichte es, die Generalisierbarkeit von Modellen, Kalibrierungskonsistenz und Erklärbarkeit über Architekturen hinweg fair zu testen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

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

Für diese Studie wurden Daten der Osteoarthritis Initiative (OAI) und der Multicenter Osteoarthritis Study (MOST) für Training und Tests verwendet. Zur Validierung wurden 500 Röntgenaufnahmen vom National Ashtang Ayurveda College in Indore verwendet. Eine ethische Freigabe vom National Ashtang Ayurved College, Indore, Ethikausschuss wurde eingeholt. Alle verwendeten Daten wurden anonymisiert.

1. Struktur des Modells

  1. Richte ViT-B/16 ein, das bereits auf ImageNet-21k installiert wurde, mit einer Eingangsauflösung von 224 x 224 Pixeln, einer Patchgröße von 16 x 16 und einer Embedding-Dimension von 768.
  2. Verwenden Sie 12 Multi-Head Attention Layers, jeweils mit einer Kopfgröße von 64, und stellen Sie die Dropout-Rate auf 0,1, um Overfitting zu verhindern.
  3. Hol dir ViT-Embeddings und nutze LayerNorm, um sie zu normalisieren, damit das Training stabil bleibt und die Skalierung gleich bleibt.
  4. Verwenden Sie FIL, um deterministische ViT-Einbettungen in fuzzy-wertige Darstellungen zu ändern, die zeigen, wie unsicher die Interpretation ist. Für jede Merkmalsdimension xixi werden drei Gaußsche Zugehörigkeitsfunktionen festgelegt, um Niedrige, Mittlere und Hohe Aktivierungszustände zu kennzeichnen:
    mu_low(xi) = exp( - ( ( (xi - c_l)^2 ) / ( 2 sigma_l^2 ) )
    mu_med(xi) = exp( - ( ( (xi - c_m)^2 ) / ( 2 sigma_m^2 ) )
    mu_high(xi) = exp( - ( ( (xi - c_h)^2 ) / ( 2 sigma_h^2 ) )
    wobei: c_l, c_m und c_h die Zentren der Mitgliedschaftsfunktionen sind, die gelernt werden können, sigma_l, sigma_m und sigma_h sind die Spreads, die mit ihnen einhergehen. Die Rückpropagation optimiert alle Parameter (c und sigma) zusammen mit den Hauptmodellgewichten.
    1. Erstelle eine kleine Reihe von Regeln, um nützliche Muster zu finden, zum Beispiel wenn der Kantenkontrast hoch und die Texturvarianz gering ist, ist es wahrscheinlich, dass die OA-Änderung Grad 1 ist; wenn der Intensitätsgradient mittlere und die Rauheit hoch ist, wird die OA wahrscheinlich auf Grad 2 umgestellt.
    2. Defuzzifizierung: Verwenden Sie gewichtete Schwerpunkt-Defuzzifizierung, um die Ausgaben zu kombinieren:
      y = (Σ (w_j z_j)) / (Σ w_j)
      wobei: w_j das Aktivierungsgewicht der j-ten Fuzzy-Regel ist (wie wahr sie ist), z_j der Wert oder die Ausgangsstärke ist, die nach dieser Regel kommt. Der ausgegebene, fuzzy-augmentierte Einbettungsvektor erleichtert das Verständnis und wird dann an das BDTE-Modul gesendet.
      HINWEIS: Rechenaufwand: Die durchschnittliche Trainingszeit betrug 6,4 Minuten pro Falte auf NVIDIA RTX A5000 (16 GB VRAM). Die Inferenzzeit betrug 0,42 s pro Charge von 10 Bildern. Das BDT-Modul erhöhte die gesamte Pipeline-Laufzeit um etwa 11 %, reduzierte jedoch Überübung und Fehlklassifikationsdrift um 18 % im Vergleich zu Nicht-Bayesschen Baumensembles. Diese Konfiguration bot einen effektiven Kompromiss zwischen Interpretierbarkeit, Recheneffizienz und probabilistischer Zuverlässigkeit.
  5. Fusion und Ausgabe
    1. Erstellen Sie die zusammengesetzte diagnostische Feature-Matrix, indem Sie ViT-Embeddings, fuzzy-augmentierte Features und Metadaten (sofern verfügbar) kombinieren. Verwenden Sie diese Matrix als Eingabe für die BDTE. Das letzte Modell liefert sowohl Klassenwahrscheinlichkeiten als auch Abbildungen der Unsicherheit.
  6. Bayessches Entscheidungsbaum-Ensemble (BDTE)
    1. Initialisieren Sie das Bayessche Entscheidungsbaum-Ensemble (50 Bäume, maximale Tiefe = 10). Wende Laplace-Priors (α = 1) und Bayessche Modellmittelung an.
    2. Split-Nodes mit entropiebasierter Informationsgewinnung. Schätzen Sie die Klassenposterioren mittels Monte-Carlo-Stichproben (500/Baum).
    3. Regularisiere Bäume mit L2-Strafe (λ = 1 x 10⁻³). Kalibrieren Sie Wahrscheinlichkeiten mittels isotonischer Regression.
  7. Richten Sie die Eingaben und Funktionen wie unten beschrieben ein.
    1. Eingabebild I. Skaliere I auf 224 × 224 und normalisiere es. Ich gehe durch das ViT-B/16-Backbone. Extrahiere CLS-Einbettungsvektor X = {x1, x2, ..., xd}. Projiziere X in den kompakten latenten Raum Z mittels einer linearen Projektion. Normalisiere Z, um eine stabile Fuzzy-Mitgliedschaftsberechnung sicherzustellen. Siehe den Code unten.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grid=8×8)
      Metadatenverarbeitung
      M_scaled ← StandardScale(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      Merkmalsextraktion
      F ← ViT-B/16(I_clahe)
      Fuzzy Inferenz
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. Fuzzy-Darstellung und Argumentation: Für jedes Merkmal zi in Z berechnen Sie Gaußsche Zugehörigkeitswerte. Darstelle jedes zi als einen Fuzzy-Vektor Fi = {μ_low, μ_med, μ_high}. Initialisieren Sie die Gaußschen Parameter cc und σσ aus Merkmalsstatistiken und optimieren Sie diese gemeinsam mit ViT-Gewichten durch Backpropagation.
      μ_low(zi) = exp( - (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. Erstellen Sie unscharfe Regeln und schließen Sie das Regel-Zünden ab. Definiere die unscharfe Regelbasis R mit IF-THEN-Regeln. Für jede Regel rj in R werden die erforderlichen Fuzzy-Mitgliedschaften aus Fi abgerufen. Berechnen Sie die Regel-Feuerstärke wj mit der Produkt-t-Norm
      wj = Π μAk(Fk)
      Beispielregel:
      WENN (Kantenkontrast = Hoch) UND (Texturvarianz = Niedrig)DANN (KOA-Bewertung = 1)
      Bayessche Entscheidungsbaum-Inferenz
      für jeden Baum T_k in BDTE tun
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      Ende für
    4. Defuzzifizierung und Unsicherheitsschätzung: Für jede Regel rj tun Sie die numerische Konsequenz zj (KL-Grade oder Fuzzy Logit) zuweisen. Berechnen Sie kontinuierliche Fuzzy-Ausgaben mit Sugeno-Defuzzifikation:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      Bayessche Aggregation
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. Kombinieren Sie sie mit bayesschen Entscheidungsbäumen, um fuzzy-verbesserte Features und Unsicherheitsmetriken zu verknüpfen:
      F_final = [Z, y_fuzzy, H, S, C]
      Geben Sie F_final in das Bayessche Entscheidungsbaum-Ensemble ein. Jeder Baum berechnet die Wahrscheinlichkeiten für posteriore Klassen, Laplace-Priors stabilisieren Low-Sample-Knoten, und Bayessche Modellmittelung aggregiert Vorhersagen
      Entscheidung & Unsicherheit
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. Unsicherheitsschätzung: Berechnen Sie die Regelentropie H aus {wj}. Berechnen Sie die Schärfe der dominanten Mitgliedschaft S. Berechnen Sie den Konfliktindex C zwischen konkurrierenden Regeln wie folgt.
      Hohe Entropie → mehrdeutige Diagnose
      Niedrige Schärfe → grenzwertige KOA
      Hohe Konflikte → sich überschneidenden Notenmustern
      Zurück y*, P_final, U
    7. Erhalten Sie die posterioren Wahrscheinlichkeiten P(y | I). Wählen Sie die endgültige KOA-Note:
      y_hat = argmax P(y | I)
      Erhalten Sie die Ausgabe, die die endgültige KOA-Note y_hat, klassenweise Wahrscheinlichkeiten und interpretierbare Unsicherheitsindikatoren enthält.
  8. Granularität des DeciVit-Fuzzy-Modells
    1. Setzen Sie die kritischen Hyperparameter für ViT-Feinabstimmung und Bayessche Bäume wie folgt.
      ViT Feinabstimmungsparameter:
      Lernrate: 1e−4 (mit Cosinus-Zerfallsplan)
      Chargengröße: 16
      Optimierer: AdamW (β₁=0,9, β₂=0,999, Gewichtsabfall = 0,01)
      Epochen: 30, mit frühem Stopp auf dem Plateau (Geduld = 5)
      Ausbruch: 0,1
      Scheduler: Aufwärmen (10 % der Gesamtschritte), dann linearer Zerfall
      Bayessche Entscheidungsbaum-Parameter:
      Anzahl der Schätzer: 50
      Maximale Tiefe: 10
      Prior: Laplace Prior mit Varianz = 0,25
      Aufteilungsregel: Maximaler Informationsgewinn (Entropiekriterium)
      Posteriore Schätzung: Monte-Carlo-Probenahme (500 Ziehungen pro Baum)
      Regularisierung: L2-Strafe = 1e−3
      Ensemble-Durchschnitt: Bayessches Modell mittelt über alle Bäume

2. Benchmarking des Modells

  1. Geschichteter Zug – Testaufteilung
    1. Gruppen-Datensatz D nach KL-Grade-Labels. Wenden Sie geschichtete Stichproben an, um die Klassenverhältnisse zu erhalten. Daten aufteilen in: Trainingssatz D_train = 80 %, Testsatz D_test = 20 %. Stellen Sie sicher, dass jede KL-Note (0-4) in beiden Sätzen proportional erscheint
      HINWEIS: Die Stratifizierung verhindert die Dominanz der Mehrheitsklassen (KL 2-3) und gewährleistet ein faires Lernen von KOA in der frühen Phase (KL 0-1).
  2. Feinabstimmung von ViT mit gewichteter Kreuzentropie
    1. Berechnen Sie die Klassengewichte w_c = 1 / Frequenz (KL_c). Initialisieren Sie den gewichteten Kreuzentropieverlust L_vit. Frühe ViT-Schichten einfrieren und die letzten Transformatorblöcke wieder auftauen.
    2. Für jede Trainingsepoche werden Bilder vorwärts durch ViT-B/16 übertragen. Berechnen Sie gewichtete Verlust-L_vit, backpropagieren Sie Gradienten und aktualisieren Sie ViT-Gewichte mit dem AdamW-Optimierer.
      HINWEIS: Höhere Gewichtsverluste zwingen das Modell dazu, sich auf unterrepräsentierte Noten (KL 0-1) zu konzentrieren, was die frühe KOA-Sensitivität verbessert.

3. Datenanalyse

  1. Um die klinische Interpretierbarkeit des DeciViT-F-Rahmens zu bewerten, führen Sie eine strukturierte Evaluation mit fünf erfahrenen Bewertern durch – drei orthopädische Chirurgen und zwei muskuloskelettale Radiologen – jeweils mit mehr als zehn Jahren diagnostischer Erfahrung.
  2. Präsentieren Sie eine kuratierte Sammlung von 50 radiographischen Fällen, die alle fünf Kellgren-Lawrence (KL)-Klassen über die visuelle Erklärungsoberfläche des Modells repräsentieren und zeigen: vorhergesagte Klasse und Konfidenzwert, unscharfe linguistische Ausgaben (niedrig, mittel, hoch Risiko) und einen bayesschen Entscheidungspfad, der wichtige beitragende Merkmale hervorhebt.
  3. Bitten Sie jeden Bewerter, unabhängig die Klarheit, klinische Relevanz und logische Konsistenz der Erklärungen mit einer 5-Punkte-Likert-Skala zu bewerten (1 = sehr unklar, 5 = sehr klar). Die mittlere Interpretierbarkeitsbewertung betrug 4,7 ± 0,3, wobei ein Inter-Rater Cohens κ = 0,81 und Krippendorffs α = 0,79 anzeigt, was auf eine starke Übereinstimmung hindeutet.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

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

Leistungsbewertung
DeciViT-F (Abbildung 3) erzielte die höchste Leistung (Genauigkeit 0,89, AUC 0,93, F1 0,87) mit dem niedrigsten Brier-Wert (0,082), was auf eine bessere Kalibrierung als CNN, ResNet-50 und nur ViT-Modelle hindeutet, die vergleichsweise höhere Unsicherheit zeigten. Eine prospektive Untersuchung in zwei orthopädischen Kliniken berichtete über ein verbessertes diagnostisches Vertrauen, insbesondere bei Borderline-Fällen von KOA, was die klinische Robusthei...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

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

Das DeciViT-F-Framework erzielte bemerkenswerte Verbesserungen sowohl in der Genauigkeit als auch bei der frühen diagnostischen Sensitivität für Kniearthrose (KOA). Die quantitative Bewertung zeigte eine Gesamtgenauigkeit von 91,2 %, einen Makro-F1-Wert von 0,88 und einen AUC von 0,968, was CNN, ResNet-50 und nur ViT-basierte Baselines deutlich übertraf. Das Modell erreichte außerdem einen Brier-Wert von 0,072 und einen erwarteten Kalibrierungsfehler (ECE) von 0,041, was eine überlegene ...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

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

Die Autoren behaupten, dass sie keine widersprüchlichen finanziellen Interessen, kommerziellen Verbindungen oder persönlichen Beziehungen haben, die das Design, die Umsetzung oder die Berichterstattung dieser Forschung beeinflusst haben könnten.

Danksagungen

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

Die Autoren sprechen Dr. Das Adhikari, dem Direktor des National Ashtang Ayurveda College in Lokmanya Nagar, Indore, Madhya Pradesh, Indien, ihre aufrichtige Dankbarkeit für die Bereitstellung von rund 500 anonymisierten Knieröntgenaufnahmen aus, die für die Validierungsphase dieser Studie maßgeblich waren. Die Autoren danken außerdem den National Institutes of Health (NIH, USA), der Osteoarthritis Initiative (OAI) und der Multicenter Osteoarthritis Study (MOST), die öffentlich zugängliche Datensätze bereitstellten, die für das Training und die Erprobung des Modells sehr wichtig waren. Für die Erstellung oder Umsetzung des DeciViT-Knee 2025-Protokolls gab es keine externen Mittel.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
NumPyNumPyhttps://numpy.org/
OpenCVOffener Lebenslaufhttps://opencv.org/
Osteoarthritis Initiative (OAI), MOST-RepositorienNationale Gesundheitsinstitutehttps://nda.nih.gov/oai
Python 3.9+Pythonhttps://www.python.org/downloads/release/python-390/
PyTorchDie Linux-Stiftunghttps://pytorch.org/
SciPyGithibhttps://scipy.org/
TensorFlowTensorflusshttps://www.tensorflow.org/

Referenzen

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

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Vision TransformersBayesianische Entscheidungsb umeFuzzy InferenzDeep Learning Workflowmuskuloskelettale Bildgebungradiografische AnalyseMRT Datens tzeprobabilistische KlassifikationMerkmalsextraktion

Verwandte Artikel