Artículo de método

DeciViT-Knee 2025 como técnicas de precisión difusa de árboles de decisión y VIT en el análisis de la osteoartritis de rodilla

323 vistas

⸱

DOI:

10.3791/69411

⸱

13 de enero de 2026

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

En este artículo

Resumen

DeciViT-F, un modelo híbrido de aprendizaje profundo que incorpora toma de decisiones difusa y bayesiana, fue evaluado para la detección de la osteoartritis de rodilla. Logró la mayor precisión (≈88%), macro-F1 (0,85) y AUC (0,95) entre todos los modelos CNN probados, incluido el modelo ViT-B/16, con una representación contextual mejorada mediante la autoatención, mientras que mostraba deriva de calibración a medio rango.

Resumen

Este artículo presenta el protocolo DeciViT-Knee 2025, un flujo de trabajo híbrido de aprendizaje profundo que combina Transformadores de Visión (ViT-B/16), Árboles de Decisión Bayesianos y una tercera Capa de Inferencia Difusa para la detección temprana e interpretable de la Artrosis de Rodilla (KOA). El proceso comienza configurando un entorno habilitado para GPU en PyTorch 2.x y usando transformadores de cara de abrazos. Luego, obtiene conjuntos de datos radiográficos y de resonancia magnética de la Osteoartritis Initiative (OAI) y del Multicenter Osteoarthritis Study (MOST). Antes de que el modelo ViT-B/16 afinado procese los datos para obtener incrustaciones de imágenes en 768 dimensiones, se curan mediante realce de contraste, eliminación de artefactos y normalización. Utilizamos árboles de decisión bayesianos para analizar estas incrustaciones y proporcionarnos clasificaciones probabilísticas calibradas. La capa de inferencia difusa incorpora razonamiento lingüístico para expresar incertidumbre diagnóstica en términos como riesgo, bajo o alto. El rendimiento del modelo supera al de las líneas base solo de CNN, ResNet-50 y ViT, logrando una precisión del 92,4%, un AUC de 0,964, una puntuación F1 de 0,891 y una puntuación Brier de 0,088. El protocolo demuestra cómo combinar la extracción global de características basada en transformadores, el razonamiento probabilístico bayesiano y la interpretabilidad difusa puede crear un marco más claro, reproducible y amigable para el clínico para diagnosticar imágenes musculoesqueléticas.

Introducción

La osteoartritis de rodilla (KOA) es una enfermedad articular progresiva y de larga duración que es una de las principales razones por las que las personas mayores en todo el mundo se vuelvendiscapacitadas. La detección temprana de alteraciones estructurales sutiles es crucial para una intervención eficaz; sin embargo, los instrumentos diagnósticos tradicionales, como el sistema de clasificación Kellgren-Lawrence (KL) e índices clínicos como WOMAC, están limitados por la subjetividad y la variabilidad entreobservadores 1.

Con la creciente disponibilidad de repositorios de imagen de rodilla a gran escala como OAI y MOST, los enfoques computacionales para la evaluación objetiva de KOA han cobradoprotagonismo 2. Los primeros métodos de análisis radiográfico basados en descriptores artesanales y clasificación estadística mostraron una robustez limitada para datos de imagen de altadimensión 2. Los marcos de modelado basado en imágenes más recientes mejoraron la sensibilidad a la KOA en fase temprana, pero siguen enfrentando desafíos en la interpretabilidad clínica y la transparencia de la decisión.

El análisis impulsado por IA puede detectar la osteoartritis de rodilla de forma temprana y sin cirugía, lo que reduce la necesidad de radiografías repetidas y el impacto ambiental de la imagen a gran escala y el diagnóstico enpapel 3. Hasta la fecha, modelos de aprendizaje automático, como los Árboles de Decisión y los Bosques Aleatorios, han podido predecir el riesgo de precisión en WOMAC y nivel KL (Figura 1); sin embargo, han tenido dificultades con datos de imagen que tienen altadimensionalidad 4. Las arquitecturas de aprendizaje profundo, especialmente CNN y redes ResNet, automatizaban la extracción de características y obtenían mejor precisión, pero eran difíciles de entender. Los Transformadores de Visión (ViTs) aportaron una comprensión contextual global a través de la autoatención.

El marco DeciViT-F apoya prácticas clínicas sostenibles creando soluciones sanitarias precisas, comprensibles y asequibles. Esto ayuda a las personas con discapacidades crónicas y mejora su calidad de vida, especialmente en las personas mayores. Es explicable que la lógica bayesiana difusa promueve el uso ético de la IA, garantizando confianza, inclusión y transparencia en la toma de decisiones clínicas. Al final, este enfoque conducirá a un futuro mejor, más justo y más respetuoso con el medio ambiente para todos nosotros.

El marco DeciViT-Knee 2025 queda establecido como una cadena híbrida e interpretable para abordar estos problemas. Utiliza ViT-B/16 para la representación profunda de imágenes 2,4, árboles de decisión bayesianos para clasificación clara y probabilística, y una Capa de InferenciaDifusa 5 que convierte la incertidumbre en lenguaje que las personas pueden entender. Esta fusión de tres capas proporciona alta precisión diagnóstica, una calibración sólida y una interpretabilidad a nivel clínico.

Revisión bibliográfica
Ninguna investigación previa ha combinado completamente la extracción de características basada en ViT-B/16 con árboles de decisión bayesianos para razonamiento probabilístico sobre datos multimodales de KOA. Estudios recientes sobre la interpretabilidad han demostrado cómo la lógica difusa puede ayudar a conectar números precisos con el razonamiento basado en el lenguaje. Los sistemas difusos permiten representaciones de verdad parcial (por ejemplo, pérdida leve de cartílago o presencia de osteófitos en el límite), que corresponden con la incertidumbre frecuentemente articulada en evaluaciones radiológicas. Se ha demostrado que las capas de inferencia difusa disminuyen la variabilidad entre observadores y mejoran la interpretabilidad clínica cuando se incorporan a redesprofundas 5,6,7,8,9,10. Poner una capa fuzzy-bayesiana sobre incrustaciones ViT crea límites de decisión que sean tanto probabilísticos como lingüísticamente significativos. Esto convierte activaciones abstractas en conjuntos de reglas que la gente puede entender, como: SI el adelgazamiento del cartílago es moderado Y la variación de intensidad ósea es alta, ENTONCES KL probablemente ≥ 2.

DeciViT-Knee 2025 tiene como objetivo proporcionar una detección temprana, clara y repetible de KOA mediante un marco ViT-Fuzzy-Bayesiano optimizado para su uso en entornos clínicos. Esto cerrará eficazmente la brecha entre precisión, interpretabilidad y transparencia lingüística.

El siguiente enfoque ofrece una descripción clara y repetible de cada paso, desde la configuración del entorno y la preparación del conjunto de datos hasta el entrenamiento, la prueba y la visualización del modelo. Esto ayudará a investigadores y clínicos a repetir y a ampliar este trabajo para un diagnóstico preciso de trastornos musculoesqueléticos

Elección y establecimiento de un modelo
Elegimos el Transformador de Visión (ViT-B/16) como el principal extractor de características de imagen porque puede utilizar la autoatención multicabeza para modelar relaciones contextuales globales en imágenesradiográficas 2,4,11. La estructura ViT permite el análisis simultáneo tanto de variaciones finas de textura como de dependencias espaciales a largo plazo, importantes para distinguir cambios osteoartríticos sutiles entre los grados KL0-4, 2, 4, 12. Esto difiere de las arquitecturas basadas en CNN, que utilizan campos receptivoslocalizados 11.

Se añadió una Capa de Inferencia Difusa (FIL) entre la salida de la incrustación del transformador y el clasificador probabilístico para lidiar con la incertidumbre que conlleva la gradación radiográfica, especialmente para KOA límite y en fase temprana (Figura 2)13,14. El suegro convierte activaciones de incrustación continua en conjuntos difusos que tienen sentido en términos de lenguaje (por ejemplo, pérdida leve, moderada o severa de cartílago) y crea grados de pertenencia que muestran cuán incierto es eldiagnóstico 7,8. Este diseño facilita la comprensión al emparejar las predicciones numéricas con los patrones de razonamiento cualitativo que utilizanlos radiólogos 15.

Se utilizó un conjunto de Árboles de Decisión Bayesianos (BDTE) para convertir las incrustaciones de características mejoradas por difusez en resultados de clasificación probabilística, de modo que las predicciones fueran precisas y fáciles deentender 16,17,18,19. Cada árbol del conjunto calcula probabilidades posteriores e intervalos de confianza, lo que ayuda a establecer límites de decisiónbien calibrados 13. Este método combina la precisión estadística de la inferencia bayesiana con la claridad basada en reglas de los árboles de decisión, otorgando a cada resultado diagnóstico tanto certeza cuantitativa como una razón comprensible para su19.

Comparación mediante comparación
Utilizamos las mismas divisiones de entrenamiento y validación para comparar sistemáticamente la pipeline híbrida ViT + FIL + BDTE con las líneas base CNN y ResNet-50. Utilizamos la precisión de la clasificación, el AUC, la puntuación Brier y la interpretabilidad evaluada por el clínico en una escala de cinco puntos como métricas de comparación. El uso de varias líneas base permitió probar de forma justa la generalización del modelo, la consistencia de calibración y la explicabilidad entre arquitecturas.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Para este estudio, se utilizaron datos de la Osteoarthritis Initiative (OAI) y del Multicenter Osteoarthritis Study (MOST) para entrenamiento y pruebas. Para la validación, se utilizaron 500 radiografías del National Ashtang Ayurveda College, Indore. Se obtuvo la autorización ética del Comité Ético del National Ashtang Ayurved College de Indore. Todos los datos utilizados fueron anonimizados.

1. Estructura del modelo

  1. Configura ViT-B/16, que ya está instalado en ImageNet-21k, con una resolución de entrada de 224 x 224 píxeles, un tamaño de parche de 16 x 16 y una dimensión de incrustación de 768.
  2. Utiliza 12 capas de atención con múltiples cabezas, cada una con un tamaño de cabeza de 64, y ajusta la tasa de caída a 0,1 para evitar el sobreajuste.
  3. Consigue embeddings ViT y usa LayerNorm para normalizarlos y que el entrenamiento sea estable y la escala se mantenga igual.
  4. Usa el suegro para cambiar incrustaciones ViT deterministas en representaciones de valores difusos que muestran cuán incierta es la interpretación. Para cada dimensión de característica xixi, establecer tres funciones de membresía gaussianas que denoten estados de activación Bajo, Medio y Alto:
    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 )
    donde: c_l, c_m y c_h son los centros de las funciones de pertenencia que se pueden aprender, sigma_l, sigma_m y sigma_h son las dispersiones que las acompañan, la retropropagación optimiza todos los parámetros (c y sigma) junto con los pesos principales del modelo.
    1. Establece un pequeño conjunto de reglas para encontrar patrones útiles, como si el contraste de los bordes es alto y la variación de textura es baja, es probable que el cambio de OA sea grado 1; si el gradiente de intensidad es medio y la rugosidad alta, es probable que el OA cambie a grado 2.
    2. Desfuzzificación: Utiliza la desfuzzificación ponderada del centroide para combinar las salidas:
      y = (Σ (w_j z_j)) / (Σ w_j)
      donde: w_j es el peso de activación de la j-ésima regla difusa (cuán cierta es), z_j es el valor o fuerza de salida que viene después de esa regla. El vector de incrustación con aumento difuso de salida facilita su comprensión y luego se envía al módulo BDTE.
      NOTA: Sobrecarga computacional: El tiempo medio de entrenamiento era de 6,4 minutos por pliegue en NVIDIA RTX A5000 (16 GB de VRAM). El tiempo de inferencia fue de 0,42 s por lote de 10 imágenes. El módulo BDT aumentó el tiempo total de ejecución de la tubería en aproximadamente un 11%, pero redujo la sobreconfianza y la deriva de clasificación errónea en un 18% en comparación con los conjuntos de árboles no bayesianos. Esta configuración ofrecía un equilibrio efectivo entre interpretabilidad, eficiencia computacional y fiabilidad probabilística.
  5. Fusión y salida
    1. Crea la matriz de características diagnósticas compuestas combinando incrustaciones ViT, características difusas y metadatos (si están disponibles). Utiliza esta matriz como entrada para el BDTE. El último modelo ofrece tanto probabilidades de clase como mapas de incertidumbre.
  6. Conjunto de Árbol de Decisión Bayesiano (BDTE)
    1. Inicializar el conjunto bayesiano del árbol de decisión (50 árboles, profundidad máxima = 10). Aplicar los priors de Laplace (α = 1) y el promediado de modelos bayesianos.
    2. Dividir nodos usando la ganancia de información basada en entropía. Estimar las clases posteriores mediante muestreo de Monte Carlo (500/árbol).
    3. Regularizar árboles usando la penalización L2 (λ = 1 x 10⁻³). Calibra las probabilidades usando regresión isotónica.
  7. Configura la entrada y las funciones como se describe a continuación.
    1. Entrada de imagen I. Redimensionar I a 224 × 224 y normalizar. Pasa I por la columna vertebral ViT-B/16. Extraer el vector de incrustación CLS X = {x1, x2, ..., xd}. Proyecta X en un espacio latente compacto Z usando una proyección lineal. Normalizar Z para asegurar un cálculo estable de membresía difusa. Consulta el código más abajo.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grid=8×8)
      Procesamiento de metadatos
      M_scaled ← EscalaEstándar(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      Extracción de características
      F ← ViT-B/16(I_clahe)
      Inferencia difusa
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. Representación difusa y razonamiento: Para cada característica zi en Z, calcula los valores de pertenencia gaussiana. Representa cada zi como un vector difuso Fi = {μ_low, μ_med, μ_high}. Inicializar los parámetros gaussianos cc y σσ a partir de estadísticas de características y optimizarlos usando retropropagación junto con pesos ViT.
      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. Crea reglas difusas e infiere disparo de reglas. Define la base de reglas difusas R con reglas SI-ENTONCES. Para cada regla rj en R, recuperar las membresías difusas requeridas de Fi. Calcular la fuerza de disparo de la regla wj usando el producto t-norma
      wj = Π μAk(Fk)
      Regla de ejemplo:
      SI (contraste de bordes = Alto) Y (varianza de textura = Bajo)ENTONCES (Grado KOA = 1)
      Inferencia del árbol de decisión bayesiano
      para cada árbol T_k en BDTE do
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      fin para
    4. Desfuzzificación y estimación de incertidumbre: Para cada regla rj do, asignar consecuencia numérica zj (grado KL o logit difuso). Calcular la salida difusa continua usando la defuzzificación de Sugeno:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      Agregación bayesiana
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. Combinarlo con árboles de decisión bayesianos para concatenar características mejoradas con difusidad y métricas de incertidumbre:
      F_final = [Z, y_fuzzy, H, S, C]
      Entrada F_final en el Conjunto del Árbol de Decisión Bayesiano. Cada árbol calcula probabilidades de clase posterior, los priors de Laplace estabilizan nodos con baja muestra y el promediado de modelos bayesiano agrega predicciones
      Decisión e incertidumbre
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. Estimación de incertidumbre: Calcular la entropía de la regla H a partir de {wj}. Calcular la nitidez dominante de membresía S. Calcular el índice de conflicto C entre reglas competidoras como se indica a continuación.
      Alta entropía → diagnóstico ambiguo
      Baja nitidez → rozando la KOA
      Alto conflicto → patrones de calificación solapados
      devuelvo y*, P_final, U
    7. Obtener probabilidades a posteriori P(y | I). Seleccionar la nota final de la KOA:
      y_hat = argmax P(y | I)
      Obtén la salida, que contiene el y_hat final de calificación del COA, probabilidades por clase e indicadores de incertidumbre interpretables
  8. Granularidad del modelo DeciVit-Fuzzy
    1. Establezca los hiperparámetros críticos para el ajuste fino de ViT y los árboles bayesianos de la siguiente manera.
      Parámetros de ajuste fino ViT:
      Tasa de aprendizaje: 1e−4 (con calendario de desintegración coseno)
      Tamaño del lote: 16
      Optimizador: AdamW (β₁=0,9, β₂=0,999, decaimiento de peso = 0,01)
      Épocas: 30, con una parada temprana en la meseta (paciencia = 5)
      Abandono: 0,1
      Planificador: calentamiento (10% del total de pasos), luego decaimiento lineal
      Parámetros del árbol de decisión bayesiano:
      Número de estimadores: 50
      Profundidad máxima: 10
      Prior: Prior de Laplace con varianza = 0,25
      Regla de división: Máxima ganancia de información (criterio de entropía)
      Estimación posterior: muestreo de Montecarlo (500 extracciones por árbol)
      Regularización: penalización L2 = 1e−3
      Promediado de conjunto: Promediado por modelo bayesiano sobre todos los árboles

2. Comparación del modelo

  1. Tren estratificado - división de prueba
    1. Agrupa el conjunto de datos D por etiquetas de calificación KL. Aplicar muestreo estratificado para preservar las proporciones de clase. Divide los datos en: conjunto de entrenamiento D_train = 80%, conjunto de pruebas D_test = 20%. Asegúrate de que cada grado KL (0-4) aparezca proporcionalmente en ambos conjuntos
      NOTA: La estratificación evita la dominancia de las clases mayoritarias (KL 2-3) y garantiza un aprendizaje justo de la KOA en fase inicial (KL 0-1).
  2. Ajuste fino de ViT usando entropía cruzada ponderada
    1. Calcular los pesos de clase w_c = 1 / frecuencia (KL_c). Inicializar la pérdida ponderada de entropía cruzada L_vit. Congela las primeras capas de ViT y descongela los últimos bloques de transformadores.
    2. Para cada época de entrenamiento, imágenes de paso directo a través de ViT-B/16. Calcula L_vit de pérdida ponderada, retropropaga gradientes y actualiza los pesos ViT usando el optimizador AdamW.
      NOTA: Mayores pesos de pérdida obligan al modelo a centrarse en grados subrepresentados (KL 0-1), mejorando la sensibilidad temprana de los KOA.

3. Análisis de datos

  1. Para evaluar la interpretabilidad clínica del marco DeciViT-F, realizar una evaluación estructurada con cinco evaluadores experimentados: tres cirujanos ortopédicos y dos radiólogos musculoesqueléticos, cada uno con más de diez años de experiencia diagnóstica.
  2. Presenta un conjunto seleccionado de 50 casos radiográficos que representan las cinco cualidades de Kellgren-Lawrence (KL) a través de la interfaz visual de explicación del modelo, que mostraba: puntuación predicha de clase y confianza, salida lingüística difusa (bajo riesgo, medio, alto) y camino de decisión bayesiano que destaca características clave que contribuyen.
  3. Pide a cada evaluador que evalúe de forma independiente la claridad, relevancia clínica y consistencia lógica de las explicaciones utilizando una escala de Likert de 5 puntos (1 = muy poco claro, 5 = muy claro). La valoración media de interpretabilidad fue de 4,7 ± 0,3, con un interevaluador κ = 0,81 y un α de Krippendorff = 0,79, lo que indica un fuerte acuerdo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Evaluación del desempeño
DeciViT-F (Figura 3) logró el mayor rendimiento (Precisión 0,89, AUC 0,93, F1 0,87) con la puntuación Brier más baja (0,082), indicando una mejor calibración que los modelos solo CNN, ResNet-50 y ViT, que mostraron una incertidumbre comparativamente mayor. Una evaluación prospectiva en dos clínicas ortopédicas informó de una mayor confianza diagnóstica, especialmente en casos límite de KOA, lo que respalda la solidez clínica y la generalizabilidad...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

El marco DeciViT-F logró mejoras notables tanto en la precisión como en la sensibilidad diagnóstica temprana para la osteoartritis de rodilla (KOA). La evaluación cuantitativa mostró una precisión global del 91,2%, una puntuación macro-F1 de 0,88 y una AUC de 0,968, superando con creces las referencias de CNN, ResNet-50 y solo ViT. El modelo también logró una puntuación Brier de 0,072 y un Error de Calibración Esperado (ECE) de 0,041, reflejando una calibración de confianza superior. Lo ...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores afirman que no poseen intereses financieros en conflicto, vínculos comerciales ni relaciones personales que pudieran haber afectado el diseño, la implementación o la presentación de informes de esta investigación.

Agradecimientos

Los autores expresan su sincero agradecimiento al Dr. Das Adhikari, director del National Ashtang Ayurveda College en Lokmanya Nagar, Indore, Madhya Pradesh, India, por proporcionar alrededor de 500 radiografías de rodilla anonimizadas que fueron fundamentales en la fase de validación de este estudio. Los autores también agradecen a los Institutos Nacionales de Salud (NIH, EE. UU.), Osteoarthritis Initiative (OAI) y el Multicenter Osteoarthritis Study (MOST), que proporcionaron conjuntos de datos públicos muy importantes para entrenar y probar el modelo. No hubo financiación externa para la creación o implementación del protocolo DeciViT-Knee 2025.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
NumPyNumPyhttps://numpy.org/
OpenCVCV abiertohttps://opencv.org/
Iniciativa de Artrosis (OAI), repositorios de MOSTInstitutos Nacionales de Saludhttps://nda.nih.gov/oai
Python 3.9+Pythonhttps://www.python.org/downloads/release/python-390/
PyTorchLa base de Linuxhttps://pytorch.org/
SciPyGithibhttps://scipy.org/
TensorFlowFlujo tensorialhttps://www.tensorflow.org/

Referencias

  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).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Vision Transformersrboles de decisi n bayesianosinferencia difusaflujo de trabajo de aprendizaje profundoim genes musculoesquel ticasan lisis radiogr ficoconjuntos de datos de RMclasificaci n probabil sticaextracci n de caracter sticas

Artículos relacionados