Articolo metodologico

DeciViT-Knee 2025 come tecniche di precisione fuzzy degli alberi decisionali e VIT nell'analisi dell'osteoartrite del ginocchio

DOI:

10.3791/69411

⸱

13 gennaio 2026

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

In questo articolo

Sommario

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

DeciViT-F, un modello ibrido di deep learning che incorpora decisioni fuzzy e bayesiana, è stato valutato per la rilevazione dell'osteoartrite al ginocchio. Ha raggiunto la massima accuratezza (≈88%), macro-F1 (0,85) e AUC (0,95) tra tutti i modelli CNN testati, incluso il modello ViT-B/16, con una rappresentazione contestuale migliorata tramite auto-attenzione, mostrando al contempo una deriva di calibrazione a medio raggio (mid-range).

Abstract

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

Questo articolo introduce il protocollo DeciViT-Knee 2025, un flusso di lavoro ibrido di deep learning che combina Vision Transformers (ViT-B/16), alberi decisionali bayesiani e un terzo Strato di Inferenza Fuzzy per la rilevazione precoce e interpretabile dell'Artrosi del ginocchio (KOA). Il processo inizia configurando un ambiente abilitato alla GPU in PyTorch 2.x e utilizzando i Transformers Faccia Hug. Successivamente, ottiene dataset radiografici e di risonanza magnetica dall'Osteoarthritis Initiative (OAI) e dal Multicenter Osteoarthritis Study (MOST). Prima che il modello ViT-B/16 fine-tuned elabori i dati per ottenere embedding di immagini a 768 dimensioni, viene curato tramite potenziamento del contrasto, rimozione di artefatti e normalizzazione. Utilizziamo alberi decisionali bayesiani per analizzare questi embeddings e forniscono classificazioni probabilistiche calibrate. Lo strato di inferenza fuzzy incorpora il ragionamento linguistico per esprimere l'incertezza diagnostica in termini come basso, medio o alto rischio. Le prestazioni del modello superano quelle dei valori base solo di CNN, ResNet-50 e ViT, raggiungendo una precisione del 92,4%, un AUC di 0,964, un punteggio F1 di 0,891 e un punteggio Brier di 0,088. Il protocollo dimostra come combinando l'estrazione globale di caratteristiche basata su transformer, il ragionamento probabilistico bayesiano e l'interpretabilità fuzzy possa creare un quadro più chiaro, riproducibile e adatto ai clinici per la diagnosi dell'imaging muscoloscheletrico.

Introduzione

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

L'osteoartrite al ginocchio (KOA) è una malattia articolare progressiva e di lunga durata, che rappresenta una delle principali ragioni per cui le persone anziane in tutto il mondo diventanodisabili 1. La rilevazione precoce di sottili alterazioni strutturali è cruciale per un intervento efficace; tuttavia, strumenti diagnostici tradizionali, come il sistema di valutazione Kellgren-Lawrence (KL) e indici clinici come WOMAC, sono vincolati dalla soggettività e dalla variabilitàinter-osservatori 1.

Con la crescente disponibilità di depositi di imaging del ginocchio su larga scala come OAI e MOST, gli approcci computazionali per la valutazione oggettiva del KOA hanno acquisito importanza2. I primi metodi di analisi radiografica basati su descrittori artigianali e classificazione statistica hanno mostrato una robustezza limitata per dati di imaging ad altadimensione 2. I framework di modellazione basati su immagini più recenti hanno migliorato la sensibilità al KOA in fase iniziale, ma continuano ad affrontare sfide nell'interpretabilità clinica e nella trasparenza decisionale.

L'analisi basata sull'IA può individuare l'osteoartrite al ginocchio precocemente e senza intervento chirurgico, riducendo così la necessità di radiografie ripetute e l'impatto ambientale delle immagini su larga scala e della diagnostica sucarta 3. Ad oggi, modelli di apprendimento automatico, come gli Alberi Decisionali e le Foreste Casuali, sono riusciti a prevedere il rischio di accuratezza nei livelli WOMAC e KL (Figura 1); tuttavia, hanno avuto difficoltà con dati di imaging ad alta dimensionalità4. Le architetture di deep learning, specialmente CNN e reti ResNet, automatizzavano l'estrazione delle funzionalità e ottenevano una maggiore precisione, ma erano difficili da comprendere. I Transformation della Visione (ViTs) hanno portato una comprensione contestuale globale attraverso l'attenzione a sé.

Il framework DeciViT-F supporta pratiche cliniche sostenibili creando soluzioni sanitarie accurate, comprensibili e accessibili. Questo aiuta le persone con disabilità croniche e migliora la loro qualità della vita, soprattutto per gli anziani. La logica fuzzy-bayesiana spiegabile promuove l'uso etico dell'IA, garantendo fiducia, inclusività e trasparenza nelle decisioni cliniche. Alla fine, questo approccio porterà a un futuro migliore, più equo e più rispettoso dell'ambiente per tutti noi.

Il framework DeciViT-Knee 2025 è qui stabilito come una pipeline ibrida e interpretabile per affrontare queste problematiche. Utilizza ViT-B/16 per la rappresentazione profonda delle immagini 2,4, alberi decisionali bayesiani per una classificazione chiara e probabilistica, e uno Strato di InferenzaFuzzy 5 che trasforma l'incertezza in linguaggio comprensibile dalle persone. Questa fusione a tre strati offre un'elevata accuratezza diagnostica, una forte calibrazione e interpretabilità a livello clinico.

Revisione della letteratura
Nessuna ricerca precedente ha combinato completamente l'estrazione di caratteristiche basata su ViT-B/16 con alberi decisionali bayesiani per ragionamento probabilistico su dati multimodali KOA. Studi recenti sull'interpretabilità hanno dimostrato come la logica fuzzy possa aiutare a collegare numeri precisi al ragionamento basato sul linguaggio. I sistemi fuzzy permettono rappresentazioni di parziale verità (ad esempio, lieve perdita di cartilagine o presenza di osteofite borderline), che corrispondono all'incertezza frequentemente espressa nelle valutazione radiologiche. È stato dimostrato che gli strati di inferenza fuzzy diminuiscono la variabilità tra osservatori e migliorano l'interpretabilità clinica quando incorporati in retiprofonde 5,6,7,8,9,10. Mettere uno strato Fuzzy-bayesiano sopra gli embeddings ViT crea confini decisionali che sono sia probabilistici che linguisticamente significativi. Questo trasforma le attivazioni astratte in regole che le persone possono comprendere, come: SE il diradamento della cartilagine è moderato E la variazione dell'intensità ossea è alta, ALLORA il grado KL probabilmente ≥ 2.

DeciViT-Knee 2025 mira a fornire una rilevazione precoce, chiara e ripetibile del KOA attraverso un framework ViT-Fuzzy-Bayesian ottimizzato per l'uso in contesti clinici. Questo colmarà efficacemente il divario tra accuratezza, interpretabilità e trasparenza linguistica.

L'approccio seguente fornisce una descrizione chiara e ripetibile di ogni fase, dalla configurazione dell'ambiente e la preparazione del dataset fino all'addestramento, al test e alla visualizzazione del modello. Questo aiuterà ricercatori e clinici a ripetere e a sviluppare questo lavoro per una diagnosi precisa dei disturbi muscoloscheletrici

Scelta e impostazione di un modello
Abbiamo scelto il Vision-Transformer (ViT-B/16) come estrattore principale delle caratteristiche dell'immagine perché può utilizzare l'autoattenzione multi-head per modellare relazioni contestuali globali nelle immaginiradiografiche 2,4,11. La struttura ViT consente l'analisi simultanea sia delle variazioni di texture a grana fine sia delle dipendenze spaziali a lungo raggio, importanti per distinguere i sottili cambiamenti osteoartritici tra i gradi KL0-4, 2,4,12. Questo differisce dalle architetture basate su CNN, che utilizzano campi ricettivilocalizzati 11.

È stato aggiunto uno Strato di Inferenza Fuzzy (FIL) tra l'uscita dell'embedding del trasformatore e il classificatore probabilistico per gestire l'incertezza derivante dalla gradazione radiografica, specialmente per KOA borderline e in fase iniziale (Figura 2)13,14. Il suocero trasforma le attivazioni di embedding continuo in insiemi fuzzy che hanno senso dal punto di vista del linguaggio (ad esempio, perdita lieve, moderata o grave di cartilagine) e crea gradi di appartenenza che mostrano quanto la diagnosi siaincerta 7,8. Questo design rende più facile la comprensione abbinando le previsioni numeriche ai modelli di ragionamento qualitativo che i radiologiutilizzano 15.

Un insieme di alberi decisionali bayesiani (BDTE) è stato utilizzato per trasformare le incorporate di caratteristiche fuzzy potenziate in risultati di classificazione probabilistica, in modo che le previsioni fossero accurate e facili dacomprendere 16,17,18,19. Ogni albero nell'insieme calcola probabilità posteriori e intervalli di confidenza, il che aiuta a stabilire i confini decisionaliben calibrati 13. Questo metodo combina l'accuratezza statistica dell'inferenza bayesiana con la chiarezza basata su regole degli alberi decisionali, conferendo a ogni output diagnostico sia certezza quantitativa sia una ragione comprensibile per cui è stato realizzato19.

Benchmarking per confronto
Abbiamo utilizzato le stesse divisioni di addestramento e validazione per confrontare sistematicamente la pipeline ibrida ViT + FIL + BDTE con le basi CNN e ResNet-50. Abbiamo utilizzato l'accuratezza della classificazione, l'AUC, il punteggio Brier e l'interpretabilità valutata dal clinico su una scala a cinque punti come metriche di confronto. L'uso di diverse linee di base ha reso possibile testare in modo equo la generalizzabilità del modello, la coerenza della calibrazione e la spiegabilità tra le architetture successive.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

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

Per questo studio, sono stati utilizzati dati dall'Osteoarthritis Initiative (OAI) e dal Multicenter Osteoarthritis Study (MOST) per l'addestramento e i test. Per la validazione sono state utilizzate 500 radiografie del National Ashtang Ayurveda College di Indore. È stata ottenuta l'autorizzazione etica dal comitato etico del National Ashtang Ayurved College di Indore. Tutti i dati utilizzati sono stati anonimizzati.

1. Struttura del modello

  1. Configura ViT-B/16, che è già stato installato su ImageNet-21k, con una risoluzione di input di 224 x 224 pixel, una dimensione patch di 16 x 16 e una dimensione di embedding di 768.
  2. Usa 12 strati di attenzione multi-testa, ciascuno con una dimensione di 64 teste, e imposta il tasso di dropout a 0,1 per evitare il sovrafitting.
  3. Prendi embedding ViT e usa LayerNorm per normalizzarli, così che l'allenamento sia stabile e la scala rimanga la stessa.
  4. Usa il suocero per trasformare gli embedding ViT deterministici in rappresentazioni a valori fuzzy che mostrano quanto sia incerta l'interpretazione. Per ogni dimensione di caratteristica xixi, stabilire tre funzioni di appartenenza gaussiane per indicare stati di attivazione Basso, Medio e 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 ) )
    dove: c_l, c_m e c_h sono i centri delle funzioni di appartenenza che possono essere apprese, sigma_l, sigma_m e sigma_h sono le dispersioni che le accompagnano, la retropropagazione ottimizza tutti i parametri (c e sigma) insieme ai pesi principali del modello.
    1. Stabilisci un piccolo insieme di regole per trovare pattern utili, ad esempio se il contrasto dei bordi è alto e la varianza della texture è bassa, è probabile che il cambiamento di OA sia di grado 1; se il gradiente di intensità è medio e la rugosità è alta, è probabile che l'OA cambi a grado 2.
    2. Defuzzificazione: Usa la defuzzificazione ponderata del centroide per combinare le uscite:
      y = (Σ (w_j z_j)) / (Σ w_j)
      dove: w_j è il peso di attivazione della j-esima regola fuzzy (quanto è vera), z_j è il valore o la forza di uscita che viene dopo quella regola. Il vettore di embedding fuzzy-augmented in uscita lo rende più facile da comprendere e viene poi inviato al modulo BDTE.
      NOTA: Sovraccarico computazionale: Il tempo medio di addestramento era di 6,4 minuti per piega su NVIDIA RTX A5000 (16 GB VRAM). Il tempo di inferenza era di 0,42 s per ogni lotto di 10 immagini. Il modulo BDT ha aumentato il tempo totale di esecuzione della pipeline di circa l'11%, ma ha ridotto l'eccessiva fiducia e la deriva di classificazione errata del 18% rispetto agli ensemble ad alberi non bayesiani. Questa configurazione offriva un compromesso efficace tra interpretabilità, efficienza computazionale e affidabilità probabilistica.
  5. Fusione e produzione
    1. Realizzare la matrice composita di caratteristiche diagnostiche combinando embedding ViT, caratteristiche fuzzy-augmented e metadati (se disponibili). Usa questa matrice come input per il BDTE. L'ultimo modello fornisce sia probabilità di classe sia mappe di incertezza.
  6. Ensemble dell'Albero Decisionale Bayesiano (BDTE)
    1. Inizializzare l'Ensemble Bayesian Decision Tree (50 alberi, profondità massima = 10). Applicare i priori di Laplace (α = 1) e la media del modello bayesiano.
    2. Dividere i nodi usando il guadagno di informazioni basato sull'entropia. Stimare le classi posteriori tramite campionamento Monte Carlo (500/albero).
    3. Regolarizzare gli alberi usando la penalità L2 (λ = 1 x 10⁻³). Calibra le probabilità usando la regressione isotonica.
  7. Imposta l'input e le funzionalità come descritto di seguito.
    1. Inserisci immagine I. Ridimensiona I a 224 × 224 e normalizza. Passare I attraverso la spina dorsale ViT-B/16. Estrarre il vettore di incorporamento CLS X = {x1, x2, ..., xd}. Proiettare X nello spazio latente compatto Z usando una proiezione lineare. Normalizzare Z per garantire un calcolo stabile dell'appartenenza fuzzy. Vedi il codice qui sotto.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, griglia=8×8)
      Elaborazione dei metadati
      M_scaled ← StandardScale(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      Estrazione delle caratteristiche
      F ← ViT-B/16(I_clahe)
      Inferenza sfocata
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. Rappresentazione e ragionamento fuzzy: Per ogni caratteristica zi in Z, calcola i valori di appartenenza gaussiana. Rappresentare ogni zi come un vettore fuzzy Fi = {μ_low, μ_med, μ_high}. Inizializzare i parametri gaussiani cc e σσ dalle statistiche delle caratteristiche e ottimizzarli utilizzando la retropropagazione insieme ai pesi 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 regole sfumate e deduci il tiro delle regole. Definisci la base di regole fuzzy R con regole IF-THEN. Per ogni regola rj in R, si ottengono le appartenenze fuzzy richieste da Fi. Calcolo la forza di attivazione della regola wj usando il prodotto t-norma
      wj = Π μAk(Fk)
      Regola di esempio:
      SE (contrasto dei bordi = Alto) E (varianza della texture = Basso) ALLORA (Grado KOA = 1)
      Inferenza dell'Albero Decisionale Bayesiano
      per ogni albero T_k in BDTE do
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      fine per
    4. Defuzzificazione e stima dell'incertezza: per ogni regola rj do, assegna la conseguenza numerica zj (KL grado o logit fuzzy). Calcolare l'output fuzzy continuo usando la defuzzificazione di Sugeno:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      Aggregazione bayesiana
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. Combinare con alberi decisionali bayesiani per concatenare caratteristiche fuzzy-enhanced e metriche di incertezza:
      F_final = [Z, y_fuzzy, H, S, C]
      Input F_final nell'Ensemble Bayesiano dell'Albero Decisionale. Ogni albero calcola le probabilità di classe posteriori, i priori di Laplace stabilizzano nodi a basso campione e la media del modello bayesiano aggrega le previsioni
      Decisione e incertezza
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. Stima dell'incertezza: Calcolare l'entropia delle regole H da {wj}. Calcola la nitidezza dominante dell'appartenenza S. Calcola l'indice di conflitto C tra regole concorrenti come segue.
      Alta entropia → diagnosi ambigua
      Bassa nitidezza → al limite del KOA
      Alto conflitto → sovrapposizione dei livelli
      restituisci y*, P_final, U
    7. Ottenere probabilità a posteriori P(y | I). Seleziona il voto finale KOA:
      y_hat = argmax P(y | I)
      Ottieni l'output, che contiene il y_hat finale del voto KOA, le probabilità per classe e indicatori di incertezza interpretabili
  8. Granularità del modello DeciVit-Fuzzy
    1. Imposta gli iperparametri critici per la fine-tuning ViT e gli alberi bayesiani come segue.
      Parametri di messa a punto ViT:
      Tasso di apprendimento: 1e−4 (con programma di decadimento coseno)
      Dimensione del lotto: 16
      Ottimizzatore: AdamW (β₁=0,9, β₂=0,999, decadimento del peso = 0,01)
      Epoche: 30, con fermate precoce al plateau (pazienza = 5)
      Abbandono: 0,1
      Scheduler: riscaldamento (10% dei passi totali), poi decay lineare
      Parametri dell'albero decisionale bayesiano:
      Numero di stimer: 50
      Profondità massima: 10
      Priori: priori di Laplace con varianza = 0,25
      Regola di sdivisione: massimo guadagno informativo (criterio di entropia)
      Stima posteriore: campionamento Monte Carlo (500 estrazioni per albero)
      Regolarizzazione: penalità L2 = 1e−3
      Media dell'ensemble: media del modello bayesiano su tutti gli alberi

2. Benchmarking del modello

  1. Treno stratificato - prova di divisione
    1. Raggruppare il dataset D per etichette di grado KL. Applica il campionamento stratificato per preservare le proporzioni di classe. Suddividere i dati in: Set di addestramento D_train = 80%, set di test D_test = 20%. Assicurati che ogni grado KL (0-4) appaia proporzionalmente in entrambi i set
      NOTA: La stratificazione impedisce il dominio delle classi di maggioranza (KL 2-3) e garantisce un apprendimento equo delle KOA in fase iniziale (KL 0-1).
  2. Regolazione fine di ViT usando entropia incrociata pesata
    1. Calcolare i pesi delle classi w_c = 1 / frequenza (KL_c). Inizializzare la perdita di entropia incrociata ponderata L_vit. Congela i primi strati ViT e scongela gli ultimi blocchi del trasformatore.
    2. Per ogni epoca di addestramento, immagini in passo avanti tramite ViT-B/16. Calcola la L_vit di perdita ponderata, retropropaga gradienti e aggiorna i pesi ViT usando l'ottimizzatore AdamW.
      NOTA: Pesi di perdita più elevati costringono il modello a concentrarsi su gradi sottorappresentati (KL 0-1), migliorando la sensibilità precoce al KOA.

3. Analisi dei dati

  1. Per valutare l'interpretabilità clinica del quadro DeciViT-F, si effettua una valutazione strutturata che coinvolge cinque valutatori esperti - tre chirurghi ortopedici e due radiologi muscoloscheletrici - ciascuno con oltre dieci anni di esperienza diagnostica.
  2. Presentare un insieme curato di 50 casi radiografici che rappresentano tutti e cinque i gradi Kellgren-Lawrence (KL) attraverso l'interfaccia visiva di spiegazione del modello, che mostrava: valutazione di classe e di confidenza previsti, output linguistico fuzzy (basso, medio, alto rischio) e percorso decisionale bayesiano che evidenzia le principali caratteristiche contribuinte.
  3. Chiedi a ciascun valutatore di valutare indipendentemente la chiarezza, la rilevanza clinica e la coerenza logica delle spiegazioni utilizzando una scala di Likert a 5 punti (1 = molto poco chiaro, 5 = altamente chiaro). Il punteggio medio di interpretabilità era 4,7 ± 0,3, con un intervalutatore κ = 0,81 e un α di Krippendorff = 0,79, indicando un forte accordo.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

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

Valutazione delle prestazioni
DeciViT-F (Figura 3) ha raggiunto le prestazioni più alte (Precisione 0,89, AUC 0,93, F1 0,87) con il punteggio Brier più basso (0,082), indicando una calibrazione migliore rispetto ai modelli CNN, ResNet-50 e solo ViT, che mostravano un'incertezza relativamente maggiore. Una valutazione prospettica in due cliniche ortopediche ha riportato un miglioramento della fiducia diagnostica, in particolare nei casi borderline di KOA, supportando la ro...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

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

Il quadro DeciViT-F ha raggiunto miglioramenti significativi sia nella precisione che nella sensibilità diagnostica precoce per l'Artrite del ginocchio (KOA). La valutazione quantitativa ha mostrato una precisione complessiva del 91,2%, un punteggio macro-F1 di 0,88 e un AUC di 0,968, superando di gran lunga le basi di CNN, ResNet-50 e ViT di soli linee. Il modello ha inoltre ottenuto un punteggio Brier di 0,072 e un Expected Calibration Error (ECE) di 0,041, riflettendo una calibrazione...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

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

Gli autori affermano di non possedere interessi finanziari in conflitto, legami commerciali o relazioni personali che possano aver influenzato la progettazione, l'implementazione o la rendicontazione di questa ricerca.

Ringraziamenti

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

Gli autori esprimono la loro sincera gratitudine al Dr. Das Adhikari, Direttore del National Ashtang Ayurveda College a Lokmanya Nagar, Indore, Madhya Pradesh, India, per aver fornito circa 500 radiografie anonime del ginocchio che sono state fondamentali nella fase di validazione di questo studio. Gli autori ringraziano inoltre i National Institutes of Health (NIH, USA), l'Osteoarthritis Initiative (OAI) e il Multicenter Osteoarthritis Study (MOST), che hanno fornito dataset pubblici e molto importanti per l'addestramento e il test del modello. Non c'è stato alcun finanziamento esterno per la creazione o l'implementazione del protocollo DeciViT-Knee 2025.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
NumPyNumPyhttps://numpy.org/
OpenCVOpen CVhttps://opencv.org/
Osteoarthritis Initiative (OAI), repository MOSTIstituti Nazionali di Salutehttps://nda.nih.gov/oai
Python 3.9+Pythonhttps://www.python.org/downloads/release/python-390/
PyTorchLe fondamenta Linuxhttps://pytorch.org/
SciPyGithibhttps://scipy.org/
TensorFlowFlusso tensorialehttps://www.tensorflow.org/

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Vision TransformersAlberi di Decisione BayesianiInferenza FuzzyFlusso di Lavoro per il Deep LearningImaging MuscoloscheletricoAnalisi RadiograficaDataset MRIClassificazione ProbabilisticaEstrazione delle Caratteristiche

Articoli correlati