מאמר שיטה

DeciViT-Knee 2025 כטכניקות מדויקות ומטושטשות של עצי החלטה ו-VIT בניתוח אוסטיאוארתריטיס בברך

323 צפיות

⸱

DOI:

10.3791/69411

⸱

13 בינואר 2026

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

במאמר זה

סיכום

DeciViT-F, מודל היברידי ללמידה עמוקה המשלב קבלת החלטות מטושטשת ובייסיאנית, הוערך לזיהוי אוסטיאוארתריטיס בברך. הוא השיג את הדיוק הגבוה ביותר (≈88%), מאקרו-F1 (0.85) ו-AUC (0.95) מבין כל מודלי ה-CNN שנבדקו, כולל מודל ViT-B/16, עם ייצוג קונטקסטואלי משופר דרך תשומת לב עצמית, תוך הצגת סטיית כיול בטווח הביניים.

תקציר

מאמר זה מציג את פרוטוקול DeciViT-Knee 2025, תהליך היברידי של למידה עמוקה המשלב Vision Transformers (ViT-B/16), עצי החלטה בייסיאניים ושכבת הסקה מטושטשת שלישית לזיהוי מוקדם וניתן לפרשנות של אוסטיאוארתריטיס בברך (KOA). התהליך מתחיל בהגדרת סביבה עם GPU ב-PyTorch 2.x וב-Hugging Face Transformers. לאחר מכן, היא מקבלת מאגרי נתונים רדיוגרפיים ו-MRI מיוזמת אוסטיאוארתריטיס (OAI) ומהמחקר הרב-מרכזי של אוסטיאוארתריטיס (MOST). לפני שמודל ViT-B/16 המכוון מעבד את הנתונים לקבלת הטבעות תמונה בממדים 768, הם מתבצעים באמצעות שיפור ניגודיות, הסרת ארטיפקטים ונרמול. אנו משתמשים בעצי החלטה בייסיאניים כדי לנתח את ההטמעות הללו ומספקים לנו סיווגים הסתברותיים מכויילים. שכבת ההסקה המטושטשת משלבת הסקה לשונית כדי לבטא אי-ודאות אבחנתית במונחים כמו סיכון נמוך, בינוני או גבוה. ביצועי הדגם עולים על אלו של CNN, ResNet-50 וקווי הבסיס של ViT בלבד, עם דיוק של 92.4%, AUC של 0.964, ציון F1 של 0.891, וציון ברייר של 0.088. הפרוטוקול מדגים כיצד שילוב של חילוץ תכונות גלובלי מבוסס טרנספורמר, הסקה הסתברותית בייסיאנית ופרשנות מטושטשת יכול ליצור מסגרת ברורה, ניתנת לשחזור וידידותית לרופאים לאבחון הדמיה של מערכת השרירים והשלד.

מבוא

אוסטיאוארתריטיס בברך (KOA) היא מחלת מפרקים מתקדמת וממושכת, שהיא אחת הסיבות העיקריות לכך שאנשים מבוגרים ברחבי העולם הופכים לנכים1. זיהוי מוקדם של שינויים מבניים עדינים הוא קריטי להתערבות יעילה; עם זאת, מכשירי אבחון מסורתיים, כמו מערכת הדירוג קלגרן-לורנס (KL) ומדדים קליניים כמו WOMAC, מוגבלים על ידי סובייקטיביות ושונות בין-צופים1.

עם הזמינות הגוברת של מאגרי הדמיית ברך בקנה מידה גדול כגון OAI ו-MOST, גישות חישוביות להערכת KOA אובייקטיביות זכו לבולטות2. שיטות ניתוח רנטגן מוקדמות המבוססות על תיאורים בעבודת יד וסיווג סטטיסטי הראו עמידות מוגבלת בנתוני הדמיה מממד גבוה2. מסגרות מודלים מבוססות תמונה עדכניות שיפרו את הרגישות ל-KOA בשלבים מוקדמים, אך ממשיכות להתמודד עם אתגרים בפרשנות קלינית ובשקיפות החלטות.

ניתוח מונחה בינה מלאכותית יכול למצוא אוסטיאוארתריטיס בברך מוקדם וללא ניתוח, מה שמפחית את הצורך בצילומי רנטגן חוזרים ואת ההשפעה הסביבתית של הדמיה רחבת היקף ואבחון נייר3. עד כה, מודלים של למידת מכונה, כגון עצי החלטה ויערות אקראיים, הצליחו לחזות את הסיכון לדיוק ברמת WOMAC ו-KL (איור 1); עם זאת, הם התקשו עם נתוני הדמיה בעלי ממדים גבוהים4. ארכיטקטורות למידה עמוקה, במיוחד CNNs ורשתות ResNet, אוטומט חילוץ תכונות וקיבלו דיוק טוב יותר, אבל היו קשים להבנה. Vision Transformers (ViTs) הביאו הבנה קונטקסטואלית גלובלית דרך תשומת לב עצמית.

מסגרת DeciViT-F תומכת בפרקטיקות קליניות ברות קיימא על ידי יצירת פתרונות בריאות מדויקים, מובנים ונגישים. זה מסייע לאנשים עם מוגבלויות כרוניות ומשפר את איכות חייהם, במיוחד בקרב קשישים. הלוגיקה הבייסיאנית המטושטשת מקדמת שימוש אתי בבינה מלאכותית, ומבטיחה אמון, הכלה ושקיפות בקבלת החלטות קליניות. בסופו של דבר, גישה זו תוביל לעתיד טוב יותר, הוגן וידידותי יותר לסביבה עבור כולנו.

מסגרת DeciViT-Knee 2025 נקבעה בזאת כצינור היברידי וניתן לפרשנות לטיפול בבעיות אלו. הוא משתמש ב-ViT-B/16 לייצוג תמונה עמוק 2,4, בעצי החלטה בייסיאניים לסיווג ברור והסתברותי, ובשכבת הסקה מטושטשת5 שהופכת אי-ודאות לשפה שאנשים יכולים להבין. המיזוג התלת-שכבתי הזה מספק דיוק אבחוני גבוה, כיול חזק ויכולת פרשנות ברמת הרופא.

סקירת ספרות
אף מחקר קודם לא שילב לחלוטין חילוץ תכונות מבוסס ViT-B/16 עם עצי החלטה בייסיאניים לצורך הסקה הסתברותית על נתוני KOA רב-מודליים. מחקרים עדכניים על פרשנות הראו כיצד לוגיקה מטושטשת יכולה לעזור לקשר בין מספרים מדויקים לבין הסקה מבוססת שפה. מערכות מטושטשות מאפשרות ייצוגים חלקי-אמת (למשל, אובדן קל של סחוס או נוכחות אוסטאופיטית גבולית), התואמים לאי-הוודאות שמובעת לעיתים קרובות בהערכות רדיולוגיות. שכבות הסקה מטושטשות הוכחו כמפחיתות שונות בין צופים ומשפרות את הפרשנות הקלינית כאשר הן משולבות ברשתות עמוקות 5,6,7,8,9,10. הוספת שכבה מטושטשת-בייסיאנית מעל ההטמעות של ViT יוצרת גבולות החלטה שהם גם הסתברותיים וגם בעלי משמעות לשנית. זה הופך הפעלות מופשטות למערכות חוקים שאנשים יכולים להבין, כמו: אם דילול הסחוס בינוני וגם השונות בעוצמת העצם גבוהה, אז דירוג KL כנראה ≥ 2.

DeciViT-Knee 2025 שואף לספק גילוי KOA מוקדם, ברור וחוזר באמצעות מסגרת ViT-Fuzzy-Bayesian שמותאמת לשימוש בסביבות קליניות. זה יסגור למעשה את הפער בין דיוק, פרשנות ושקיפות לשונית.

הגישה הבאה מספקת תיאור ברור וחוזר של כל שלב, מהקמת הסביבה והכנת מערך הנתונים ועד לאימון, בדיקה והמחשה של המודל. דבר זה יסייע לחוקרים ולרופאים לחזור על עבודה זו ולבנות עליה לאבחון מדויק של הפרעות במערכת השרירים והשלד

בחירה והקמת מודל
בחרנו ב-Vision Transformer (ViT-B/16) כמחלץ התכונה המרכזית של התמונה כי הוא יכול להשתמש בתשומת לב עצמית מרובת ראשים כדי לדמות קשרים קונטקסטואליים גלובליים בתמונות רדיוגרפיות 2,4,11. מבנה ה-ViT מאפשר ניתוח סימולטני של שינויים במרקמים דקים ושל תלות מרחבית ארוכת טווח, החשובים להבחנה בין שינויים אוסטיאוארתריטיים עדינים בדרגות KL 0-4, 2,4,12. זה שונה מארכיטקטורות מבוססות CNN, המשתמשות בשדות קליטה מקומיים11.

שכבת הסקה מטושטשת (FIL) נוספה בין פלט ההטמעה של השנאי לבין מסווג ההסתברותי כדי להתמודד עם אי-הוודאות שמגיעה עם דירוג רדיוגרפי, במיוחד עבור KOA בשלבים גבוליים ומוקדמים (איור 2)13,14. החם הופך הפעלות הטמעה רציפות לקבוצות מטושטשות שהגיוניות מבחינת שפה (למשל, אובדן סחוס קל, בינוני או חמור) ויוצר דרגות חברות שמראות עד כמה האבחנה אינה ודאית 7,8. עיצוב זה מקל על ההבנה על ידי התאמת תחזיות מספריות לדפוסי ההיגיון האיכותניים שרדיולוגים משתמשים בהם15.

אנסמבל של עצי החלטה בייסיאניים (BDTE) שימש כדי להפוך הטמעות-תכונות משופרות מטושטשת לתוצאות סיווג הסתברותיות, כך שהתחזיות יהיו מדויקות וקלות להבנה 16,17,18,19. כל עץ באנסמבל מחשב הסתברויות אחוריות ורווחי ביטחון, מה שעוזר לקבוע גבולות החלטה מכוילים היטב13. שיטה זו משלבת את הדיוק הסטטיסטי של ההסקה הבייסיאנית עם בהירות מבוססת כללים של עצי ההחלטה, מה שמעניק לכל פלט אבחנתי גם ודאות כמותית וגם סיבה מובנת לכך שהפךל-19.

השוואה בהשוואה
השתמשנו באותם חלוקות אימון ואימות כדי להשוות באופן שיטתי את צינור ההיבריד ViT + FIL + BDTE לבין קווי הבסיס של CNN ו-ResNet-50. השתמשנו בדיוק סיווג, AUC, ציון Brier ויכולת פרשנות מדורגת על ידי קלינאים בסולם של חמש נקודות כמדדים להשוואה. השימוש במספר קווי בסיס אפשר לבדוק באופן הוגן הכללת מודלים, עקביות כיול והסבר בין ארכיטקטורות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

למחקר זה נעשה שימוש בנתונים מיוזמת אוסטיאוארתריטיס (OAI) ומחקר רב-מרכזי לדלקת מפרקים ניוונית (MOST) להכשרה ולבדיקות. לצורך אימות, נעשה שימוש ב-500 צילומי רנטגן מהמכללה הלאומית לאיורוודה, אינדורה. הושג אישור אתי מהמכללה הלאומית אשטנג לאיורווד, אינדור, הושג אישור אתי. כל הנתונים שבהם השתמשו היו אנונימיים.

1. מבנה המודל

  1. הגדר את ViT-B/16, שכבר הותקן על ImageNet-21k, עם רזולוציית קלט של 224 x 224 פיקסלים, גודל פאץ' של 16 על 16, ומימד הטמעה של 768.
  2. השתמש ב-12 שכבות קשב מרובות ראשים, כל אחת עם גודל ראש של 64, והגדר את קצב הנשירה ל-0.1 כדי למנוע התאמת יתר.
  3. קבל הטמעות ViT והשתמש ב-LayerNorm כדי לנרמל אותם כך שהאימון יהיה יציב והסקאלה נשארת זהה.
  4. השתמש ב-FIL כדי לשנות הטמעות ViT דטרמיניסטיות לייצוגים בעלי ערכים מטושטשים שמראים עד כמה הפרשנות אינה ודאית. לכל ממד תכונה xixi, קבע שלוש פונקציות חברות גאוסיות לציון מצבי הפעלה נמוכים, בינוניים וגבוהים:
    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 ) )
    כאשר: c_l, c_m ו-c_h הם מרכזי פונקציות החברות שניתן ללמוד, sigma_l, sigma_m, sigma_h הם המרווחים הנלווים להם, הפצה לאחור ממעלאת את כל הפרמטרים (c וסיגמה) יחד עם משקלי המודל הראשיים.
    1. קבע סט קטן של כללים כדי למצוא דפוסים שימושיים, כמו אם ניגודיות הקצוות גבוהה והשונות בטקסטורה נמוכה, סביר שהשינוי ב-OA הוא דרגה 1, אם גרדיאנט העוצמה בינוני והחספוס גבוה, סביר להניח שה-OA ישתנה לדרגה 2.
    2. דה-פזיפיקציה: השתמשו בהסרת ערפול מרכזי משוקלל כדי לשלב את הפלטים:
      y = (Σ (w_j z_j)) / (Σ w_j)
      כאשר: w_j הוא משקל ההפעלה של כלל ה-j-th-fuzzy (עד כמה הוא נכון), z_j הוא הערך או עוצמת הפלט שמגיעים אחרי הכלל הזה. וקטור ההטמעה המטושטש של הפלט מקל על ההבנה ואז נשלח למודול ה-BDTE.
      הערה: תקורה חישובית: זמן האימון הממוצע היה 6.4 דקות לקיפול ב-NVIDIA RTX A5000 (16GB VRAM). זמן ההסקה היה 0.42 שניות לכל אצווה של 10 תמונות. מודול ה-BDT הגדיל את זמן הריצה הכולל של הצינור בכ-11%, אך הפחית ביטחון יתר וסטיית סיווג שגוי ב-18% בהשוואה לאנסמבלים של עצים שאינם בייסיאניים. תצורה זו הציעה פשרה יעילה בין יכולת פרשנות, יעילות חישובית ואמינות הסתברותית.
  5. היתוך ותפוקה
    1. צור את מטריצת תכונות האבחון המורכבת על ידי שילוב הטמעות ViT, תכונות מטושטשות ומטא-דאטה (אם היא זמינה). השתמש במטריצה הזו כקלט עבור ה-BDTE. המודל האחרון נותן גם הסתברויות מחלקה וגם מפות של אי-ודאות.
  6. אנסמבל עץ ההחלטה הבייסיאנית (BDTE)
    1. אתחול אנסמבל עץ החלטות בייסיאני (50 עצים, עומק מקסימלי = 10). יישם פריורים לפלס (α = 1) וממוצע מודלים בייסיאני.
    2. פיצול צמתים באמצעות רווח מידע מבוסס אנטרופיה. הערכת הפוסטריור של הקבוצות באמצעות דגימת מונטה קרלו (500 לעץ).
    3. רגוליזציה של עצים באמצעות עונש L2 (λ = 1 x 10⁻³). כיולו הסתברויות באמצעות רגרסיה איזוטונית.
  7. הגדר את הקלט והתכונות כפי שמתואר למטה.
    1. הזן תמונה I. שנה את גודל I ל-224 × 224 ונרמל. העבר I דרך עמוד השדרה ViT-B/16. חלץ וקטור הטמעה CLS X = {x1, x2, ..., xd}. להקרין X למרחב סמוי קומפקטי Z באמצעות הקרנה ליניארית. נרמול Z כדי להבטיח חישוב חברות מטושטש יציב. ראו את הקוד למטה.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grid=8×8)
      עיבוד מטא-דאטה
      M_scaled ← StandardScale(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      חילוץ תכונות
      F ← ViT-B/16(I_clahe)
      הסקה מטושטשת
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. ייצוג והסקה מטושטשת: עבור כל תכונה zi ב-Z, חשב ערכי חברות גאוסיאניות. ייצג כל zi כוקטור מטושטש Fi = {μ_low, μ_med, μ_high}. אתחול פרמטרים גאוסיים cc ו-σσ מסטטיסטיקות תכונות ואופטימיזציה שלהם באמצעות התפשטות אחורית במשותף עם משקלי 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. צור חוקים מעורפלים והסיק הפעלה של חוקים. הגדר בסיס חוקים מטושטש R עם כללי IF-THEN. עבור כל כלל rj ב-R, שלפו את החברות המטושטשת הנדרשת מ-Fi. חישבו את עוצמת ההפעלה wj באמצעות המכפלה t-norm
      wj = Π μAk(Fk)
      כלל לדוגמה:
      אם (ניגודיות קצה = גבוה) ו-(שונות טקסטורה = נמוכה) אז (דרגת KOA = 1)
      הסקת עץ ההחלטה הבייסיאנית
      עבור כל עץ T_k ב-BDTE do
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      סוף עבור
    4. פירוש אי-ודאות והערכת אי-ודאות: לכל כלל rj do, יש להקצות תוצאה מספרית zj (דרגת KL או לוגיט מטושטש). חישוב פלט מטושטש רציף באמצעות דה-פזיפיקציה של סוגנו:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      אגרגציה בייסיאנית
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. שילוב עם עצי החלטה בייסיאניים כדי לאחד תכונות משודרגות מטושטשות ומדדי אי-ודאות:
      F_final = [Z, y_fuzzy, H, S, C]
      קלט F_final לאנסמבל עץ ההחלטה הבייסיאני. כל עץ מחשב הסתברויות מחלקת פוסטריור, פריורים לפלס מייצבים צמתים עם דגימה נמוכה, והממוצע הממוצע של מודל בייסיאני מבצע תחזיות אגרגטים
      החלטה ואי-ודאות
      y* ← argmax_y P_final(y|x)
      U ←ComputeUncertainty(P_final)
    6. הערכת אי-ודאות: חישוב אנטרופיית כלל H מתוך {wj}. חשב את חדות החברות הדומיננטית S. חישב מדד קונפליקט C בין כללים מתחרים כפי שמופיע להלן.
      אנטרופיה גבוהה → אבחנה מעורפלת
      חדות נמוכה → גבולית KOA
      קונפליקט גבוה → דפוסי דרגות חופפים
      החזרה y*, P_final, U
    7. השגת הסתברויות פוסטריור P(y | I). בחר את הציון הסופי של KOA:
      y_hat = argmax P(y | I)
      קבל את התוצאה, הכוללת את y_hat הדירוג הסופי של KOA, הסתברויות לפי מחלקה, ומדדי אי-ודאות ניתנים לפרשנות
  8. גרנולריות של מודל DeciVit-Fuzzy
    1. הגדר את ההיפרפרמטרים הקריטיים לכיוון מדויק של ViT ועצי בייסיאן כך.
      פרמטרי הכוונון המדויק של ViT:
      קצב למידה: 1e−4 (עם לוח זמנים לדעיכת קוסינוס)
      גודל אצווה: 16
      אופטימייזר: AdamW (β₁=0.9, β₂=0.999, דעיכת משקל = 0.01)
      תקופות: 30, עם עצירות מוקדמות ברמה (סבלנות = 5)
      נשירה: 0.1
      מתזמן: חימום (10% מהצעדים הכוללים), ואז דעיכה ליניארית
      פרמטרי עץ החלטה בייסיאני:
      מספר האומדנים: 50
      עומק מקסימלי: 10
      פריור: לפלס פריור עם שונות = 0.25
      כלל הפיצול: רווח מידע מקסימלי (קריטריון האנטרופיה)
      הערכה אחורית: דגימת מונטה קרלו (500 הגרלות לעץ)
      רגולריזציה: עונש L2 = 1e−3
      ממוצע אנסמבל: מודל בייסיאני ממוצע על כל העצים

2. בנצ'מרק של המודל

  1. רכבת שכבתית - פיצול מבחן
    1. מערך נתונים קבוצתי D לפי תוויות דרגת KL. החלו דגימה שכבתית לשמירת יחסי המחלקות. פיצול הנתונים ל: סט אימון D_train = 80%, סט בדיקות D_test = 20%. ודאו שכל ציון KL (0-4) מופיע באופן פרופורציונלי בשתי הקבוצות
      הערה: סטרטיפיקציה מונעת שליטה של מחלקות הרוב (KL 2-3) ומבטיחה למידה הוגנת של KOA בשלבים מוקדמים (KL 0-1).
  2. כוונון מדויק של ViT באמצעות אנטרופיה צולבת משוקללת
    1. משקלי מחלקות חישוב w_c = 1 / תדירות (KL_c). אתחול אובדן אנטרופיה צולבת משוקללת L_vit. הקפיאו שכבות ViT מוקדמות ופתחו את בלוקי השנאי האחרונים.
    2. לכל תקופת אימון, העברת תמונות קדימה דרך ViT-B/16. חשב L_vit ירידה משוקללת, הפצת גרדיאנטים לאחור, ועדכון משקלים של ViT באמצעות אופטימייזר AdamW.
      הערה: משקל ירידה גבוה יותר מאלץ את המודל להתמקד בציונים מיוצגים פחות (KL 0-1), מה שמשפר את רגישות KOA המוקדמת.

3. ניתוח נתונים

  1. כדי להעריך את הפרשנות הקלינית של מסגרת DeciViT-F, ערכו הערכה מובנית בהשתתפות חמישה מעריכים מנוסים - שלושה אורתופדים ושני רדיולוגים של מערכת השרירים והשלד - לכל אחד מהם ניסיון אבחוני של למעלה מעשר שנים.
  2. הציגו סט מובחר של 50 מקרים רדיוגרפיים המייצגים את כל חמשת ציוני קלגרן-לורנס (KL) דרך ממשק ההסבר החזותי של המודל, שהציג: ציון מחלקה וביטחון חזויים, פלט לשוני מטושטש (נמוך, בינוני, גבוה סיכון), ונתיב החלטה בייסיאני המדגישה תכונות מרכזיות תורמות.
  3. בקש מכל מעריך לדרג באופן עצמאי את הבהירות, הרלוונטיות הקלינית והעקביות הלוגית של ההסברים באמצעות סולם ליקרט בן 5 נקודות (1 = מאוד לא ברור, 5 = ברור מאוד). דירוג הפרשנות הממוצע היה 4.7 ± 0.3, כאשר המדרג הבין-מדרג כהן κ = 0.81 ו-α של קריפנדורף = 0.79, מה שמעיד על הסכמה חזקה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

הערכת ביצועים
DeciViT-F (איור 3) השיג את הביצועים הגבוהים ביותר (דיוק 0.89, AUC 0.93, F1 0.87) עם הציון הנמוך ביותר של ברייר (0.082), המצביע על כיול טוב יותר מאשר מודלים של CNN, ResNet-50 ו-ViT בלבד, שהראו אי-ודאות גבוהה יחסית. הערכה פרוספקטיבית בשתי מרפאות אורתופדיות דיווחה על שיפור בביטחון האבחון, במיוחד במקרים גבוליים של KOA, התומכת בעמידות הקלינית ובהכללה של המסגרת המוצעת (טבלה 1).

מדדי בלבול ושחזור דיוק

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

מסגרת DeciViT-F השיגה שיפורים ניכרים הן בדיוק והן ברגישות האבחנתית המוקדמת לאוסטיאוארתריטיס בברך (KOA). הערכה כמותית הראתה דיוק כולל של 91.2%, ציון מאקרו-F1 של 0.88, וציון AUC של 0.968, ועקף את קווי הבסיס של CNN, ResNet-50 ו-ViT בלבד בפער משמעותי. המודל גם השיג ציון ברייר של 0.072 ושגיאת כיול צפויה (ECE) של 0.041, מה שמשקף כיול ביטחון גבוה יותר. החשוב מכל, הרגישות ל-KOA בשלב מוקדם (KL 0-1) השתפרה ביותר מ-12%, מה שאפשר הבחנה אמינה יותר של ניוון סחוס קל לפני הופעת רנטגן. השימוש הסינרגטי בה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים טוענים כי אין להם אינטרסים פיננסיים סותרים, קשרים מסחריים או קשרים אישיים שעשויים להשפיע על עיצוב, יישום או דיווח מחקר זה.

תודות

המחברים מביעים את תודתם הכנה לד"ר דאס אדיקארי, מנהל המכללה הלאומית אשטנג איורוודה בלוקמניה נגר, אינדור, מדיה פרדש, הודו, על אספקת כ-500 צילומי ברך אנונימיים שהיו חיוניים בשלב האימות של מחקר זה. המחברים מודים גם למכונים הלאומיים לבריאות (NIH, ארה"ב), ליוזמת אוסטיאוארתריטיס (OAI) ולמחקר הרב-מרכזי לאוסטיאוארתריטיס (MOST), שסיפקו מאגרי נתונים זמינים לציבור שהיו חשובים מאוד לאימון ובדיקת המודל. לא היה מימון חיצוני ליצירה או ליישום פרוטוקול DeciViT-Knee 2025.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
NumPyNumPyhttps://numpy.org/
OpenCVקורות חיים פתוחיםhttps://opencv.org/
יוזמת דלקת מפרקים ניוסטרית (OAI), רוב המאגריםהמכונים הלאומיים לבריאותhttps://nda.nih.gov/oai
פייתון 3.9+פייתוןhttps://www.python.org/downloads/release/python-390/
פייטורץ'קרן לינוקסhttps://pytorch.org/
SciPyגיתיבhttps://scipy.org/
TensorFlowזרימת טנזורhttps://www.tensorflow.org/

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Vision TransformersFuzzy InferenceMRI

מאמרים קשורים