방법 논문

DeciViT-Knee 2025: 무릎 골관절염 분석에서 의사결정 트리와 VIT의 정밀 모호 기법

323 조회수

⸱

DOI:

10.3791/69411

⸱

2026년 1월 13일

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

이 논문에서

요약

DeciViT-F는 퍼지와 베이지안 의사결정 방식을 통합한 하이브리드 딥러닝 모델로, 무릎 골관절염 탐지에 대해 평가되었습니다. 이 모델은 ViT-B/16 모델을 포함한 모든 CNN 모델 중에서 가장 높은 정확도(≈88%), 매크로 F1(0.85), AUC(0.95)를 달성했으며, 자기 주의를 통한 맥락 표현이 강화되었으나 중간 범위 보정 드리프트를 보였습니다.

초록

이 글에서는 Vision Transformers(ViT-B/16), 베이지안 의사결정 트리, 그리고 무릎 골관절염(KOA)의 조기 및 해석 가능한 감지를 위한 세 번째 퍼지 추론 계층을 결합한 하이브리드 딥러닝 워크플로우인 DeciViT-Knee 2025 프로토콜을 소개합니다. 이 과정은 PyTorch 2.x에서 GPU 지원 환경을 설정하고 Hugging Face Transformers를 설치하는 것으로 시작됩니다. 그 다음, 골관절염 이니셔티브(OAI)와 다센터 골관절염 연구(MOST)에서 방사선 및 MRI 데이터셋을 받습니다. 미세 조정된 ViT-B/16 모델이 데이터를 처리하여 768차원 이미지 임베딩을 얻기 전에, 대비 향상, 아티팩트 제거, 정규화를 통해 큐레이션됩니다. 우리는 베이지안 결정 트리를 사용해 이러한 임베딩을 분석하고, 보정된 확률적 분류를 제공합니다. 퍼지 추론 계층은 진단 불확실성을 저위험, 중간, 고위험과 같은 용어로 표현하기 위해 언어학적 추론을 포함합니다. 이 모델의 성능은 CNN, ResNet-50, ViT 전용 기준선을 능가하여 92.4%의 정확도, AUC 0.964, F1 점수 0.891, 브라이어 점수 0.088을 달성했습니다. 이 프로토콜은 트랜스포머 기반 전역 특징 추출, 베이지안 확률적 추론, 그리고 퍼지 해석 가능성을 결합하여 근골격계 영상 진단을 위한 보다 명확하고 재현 가능하며 임상의가 친화적인 프레임워크를 어떻게 만들 수 있는지를 보여줍니다.

서론

무릎 골관절염(KOA)은 장기간 지속되는 진행성 관절 질환으로, 전 세계 노인들이 장애를 갖게 되는 주요 원인 중 하나입니다. 미묘한 구조적 변화를 조기에 발견하는 것은 효과적인 개입을 위해 매우 중요합니다; 그러나 켈그렌-로렌스(KL) 평가 시스템과 WOMAC과 같은 임상 지수와 같은 전통적인 진단 도구들은 주관성과 관찰자 간 변동성에 의해 제약을 받습니다1.

OAI, MOST와 같은 대규모 무릎 영상 저장소의 보급이 증가함에 따라, 객관적인 KOA 평가를 위한 계산적 접근법이 부각되고있습니다 2. 수작업으로 만든 기술자와 통계적 분류를 기반으로 한 초기 방사선 분석 방법은 고차원 영상 데이터에 대해 견고성이 제한적임을 보여주었다2. 최근의 이미지 기반 모델링 프레임워크는 초기 단계 KOA에 대한 민감도를 향상시켰지만, 임상 해석 가능성과 의사결정 투명성에 여전히 어려움을 겪고 있습니다.

AI 기반 분석은 무릎 골관절염을 조기에 발견할 수 있고 수술 없이도 가능하며, 반복적인 엑스레이 촬영과 대규모 영상 및 종이 기반 진단의 환경 영향을 줄일 수 있습니다. 현재까지 의사결정나무(Decision Trees)와 랜덤포레스트(Random Forests)와 같은 머신러닝 모델은 WOMAC와 KL 수준에서 정확도 위험을 예측할 수 있었습니다(그림 1); 하지만 그들은 고차원 4의 영상 데이터에서는 어려움을 겪고있습니다. 딥러닝 아키텍처, 특히 CNN과 ResNet 네트워크는 특징 추출을 자동화하고 정확도를 높였지만, 이해하기는 어려웠습니다. 비전 트랜스포머(ViTs)는 자기 주의를 통해 전 세계적인 맥락적 이해를 가져왔습니다.

DeciViT-F 프레임워크는 정확하고 이해하기 쉬며 저렴한 의료 솔루션을 제공함으로써 지속 가능한 임상 실천을 지원합니다. 이는 만성 장애를 가진 사람들에게 도움이 되고 특히 노인들의 삶의 질을 향상시킵니다. 설명 가능한 퍼지 베이지안 논리는 윤리적인 AI 사용을 촉진하여 임상 의사결정에서 신뢰, 포용성, 투명성을 보장합니다. 궁극적으로 이 접근법은 우리 모두에게 더 나은, 더 공정하며, 더 친환경적인 미래로 이어질 것입니다.

DeciViT-Knee 2025 프레임워크는 이러한 문제를 해결하기 위한 하이브리드 해석 가능한 파이프라인으로 확립되었습니다. 딥 이미지표현 2,4에는 ViT-B/16을, 명확하고 확률적인 분류를 위해 베이지안 결정 트리를 사용하며, 불확실성을 사람들이 이해할 수 있는 언어로 변환하는 퍼지 추론 레이어5를 사용합니다. 이 3층 융합은 임상가 수준에서 높은 진단 정확도, 강력한 교정 및 해석 가능성을 제공합니다.

문헌 검토
ViT-B/16 기반 특징 추출과 베이지안 결정 트리를 결합해 다중 모달 KOA 데이터에 대한 확률적 추론을 위한 이전 연구는 없습니다. 해석 가능성에 관한 최근 연구들은 퍼지 논리가 정확한 숫자와 언어 기반 추론을 연결하는 데 어떻게 도움이 되는지 보여주었습니다. 퍼지 시스템은 부분 진실(예: 경미한 연골 손실 또는 경계 골 존재)을 가능하게 하며, 이는 방사선 평가에서 자주 표현되는 불확실성과 일치합니다. 퍼지 추론 계층은 심층 네트워크에 통합될 때 관찰자 간 변동성을 줄이고 임상 해석 가능성을 향상시키는 것으로 입증되었습니다 5,6,7,8,9,10. ViT 임베딩 위에 퍼지-베이지안 층을 얹으면 확률적이면서도 언어적으로 의미 있는 의사결정 경계가 만들어집니다. 이로 인해 추상적인 활성화가 이해할 수 있는 규칙 세트로 바뀌는데, 예를 들어 연골 얇아짐이 중간 정도이고 뼈 강도 변동이 크면, KL 등급은 2≥ 가능성이 높다.

DeciViT-Knee 2025는 임상 환경에서 최적화된 ViT-퍼지-베이지안 프레임워크를 통해 조기, 명확하며 반복 가능한 KOA 탐지를 제공하는 것을 목표로 합니다. 이는 정확성, 해석 가능성, 언어적 투명성 간의 간극을 효과적으로 해소할 것입니다.

다음 접근법은 환경 설정, 데이터셋 준비부터 학습, 테스트, 모델 시각화에 이르기까지 각 단계를 명확하고 반복 가능하게 설명합니다. 이를 통해 연구자와 임상의가 근골격계 질환의 정확한 진단을 위해 이 연구를 반복하고 발전시키는 데 도움이 될 것입니다

모델 선택 및 설정
우리는 Vision Transformer(ViT-B/16)를 주요 이미지 특징 추출기로 선택했는데, 이는 다중 헤드 자기 주의를 통해 방사선 이미지 2,4,11의 전반적인 맥락 관계를 모델링할 수 있기 때문입니다. ViT 구조는 미세한 질감 변이와 장거리 공간 의존성을 동시에 분석할 수 있게 해주며, 이는 KL 등급 0-4,2, 4, 12 전반에 걸쳐 미묘한 골관절염 변화를 구분하는 데 중요합니다. 이는 국소화된 수용 필드11을 사용하는 CNN 기반 아키텍처와는 다릅니다.

특히 경계선 및 초기 단계의 KOA에서 방사선 등급 측정에 따른 불확실성을 다루기 위해 변압기 임베딩 출력과 확률적 분류기 사이에 퍼지 추론층(FIL)이 추가되었습니다(그림 2)13,14. FIL은 연속적인 임베딩 활성화를 언어적으로 의미가 있는 모호한 집합(예: 경미, 중등도, 중증 연골 손실)으로 바꾸고, 진단의 불확실성을 보여주는 구성원 등급을 7,8로 만듭니다. 이 설계는 수치 예측을 방사선 전문의들이 사용하는 정성적 추론 패턴과 일치시켜 이해하기 쉽게 만듭니다.

베이지안 결정 트리(BDTE) 앙상블을 사용해 퍼지 강화된 특징 임베딩을 확률적 분류 결과로 변환하여 예측이 정확하고 이해하기 쉽게 만들었습니다. 앙상블의 각 트리는 사후 확률과 신뢰구간을 계산하여 잘 조정된 의사결정 경계를 설정하는 데 도움을줍니다. 이 방법은 베이지안 추론의 통계적 정확성과 규칙 기반의 결정 트리의 명확성을 결합하여 각 진단 출력에 정량적 확실성과19로 지정된 이해 가능한 이유를 부여합니다.

비교를 통한 벤치마킹
동일한 훈련 및 검증 분할을 사용하여 하이브리드 ViT + FIL + BDTE 파이프라인을 CNN 및 ResNet-50 기준선과 체계적으로 비교했습니다. 분류 정확도, AUC, Brier 점수, 임상가 평가 해석 가능성을 5점 척도의 기준으로 비교하였습니다. 여러 기준선을 사용함으로써 아키텍처 간 모델 일반화 가능성, 보정 일관성 및 설명 가능성을 공정하게 검증할 수 있었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

이 연구에서는 골관절염 이니셔티브(OAI)와 다센터 골관절염 연구(MOST)의 데이터를 훈련과 시험에 활용했습니다. 검증을 위해 인도르 국립 아슈탕 아유르베다 대학의 500장의 방사선 사진이 사용되었습니다. 인도르 국립 아슈탕 아유르베드 대학 윤리 위원회로부터 윤리적 승인을 받았습니다. 사용된 모든 데이터는 익명화되었습니다.

1. 모델의 구조

  1. 이미 ImageNet-21k에 설치된 ViT-B/16을 설정하며, 입력 해상도는 224 x 224 픽셀, 패치 크기는 16 x 16, 임베딩 차원은 768입니다.
  2. 12개의 다중 헤드 어텐션 레이어를 사용하고, 각 레이어의 헤드 사이즈는 64이며, 과적합을 막기 위해 드롭아웃 비율을 0.1로 설정하세요.
  3. ViT 임베딩을 얻고 LayerNorm을 사용해 정규화하여 훈련이 안정적이고 스케일이 동일하게 유지되도록 하세요.
  4. FIL을 사용해 결정론적 ViT 임베딩을 해석이 얼마나 불확실한지 보여주는 퍼지 값 표현으로 바꾸세요. 모든 특징 차원 xixi에 대해, Low, Medium, High의 활성화 상태를 나타내는 세 가지 가우시안 소속 함수를 설정한다:
    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 ) )
    여기서 c_l, c_m, c_h는 학습 가능한 소속 함수의 중심이며, sigma_l, sigma_m, sigma_h는 이들과 함께 퍼짐입니다. 역전파는 모든 매개변수(c와 시그마)와 주요 모델 가중치를 최적화합니다.
    1. 유용한 패턴을 찾기 위해 작은 규칙 세트를 정하세요. 예를 들어, 가장자리 대비가 높고 텍스처 변동이 낮으면 OA 변화가 1등급일 가능성이 높고, 강도 그라데이션이 중간 정도이고 거칠기가 높으면 OA가 2등급으로 바뀔 가능성이 큽니다.
    2. 디퍼지화: 가중 중심체 디퍼지화를 사용해 출력을 결합합니다:
      y = (Σ (w_j z_j)) / (Σ w_j)
      여기서 w_j는 j번째 퍼지 규칙의 활성화 가중치(얼마나 참되는지), z_j는 그 규칙 다음에 오는 값 또는 출력 강도입니다. 출력된 퍼지 증강 임베딩 벡터는 이해하기 쉽게 만들어 BDTE 모듈로 전송됩니다.
      참고: 계산 오버헤드: NVIDIA RTX A5000(16GB VRAM)에서 평균 학습 시간은 접을 때마다 6.4분이었습니다. 추론 시간은 10장의 이미지 배치당 0.42초였습니다. BDT 모듈은 전체 파이프라인 실행 시간을 약 11% 증가시켰으며, 비베이지안 트리 앙상블에 비해 과신과 오분류 드리프트를 18% 감소시켰습니다. 이 구성은 해석 가능성, 계산 효율성, 확률적 신뢰성 간의 효과적인 균형을 제공했습니다.
  5. 융합과 출력
    1. ViT 임베딩, 퍼지 증강 특징, 메타데이터(가능하다면)를 결합하여 복합 진단 특징 매트릭스를 만드세요. 이 행렬을 BDTE의 입력값으로 사용하세요. 마지막 모델은 클래스 확률과 불확실성 지도를 모두 제공합니다.
  6. 베이지안 결정 나무 앙상블 (BDTE)
    1. 베이지안 결정 트리 앙상블(50개의 트리, 최대 깊이 = 10)을 초기화합니다. 라플라스 사전에 (α = 1)와 베이지안 모델 평균을 적용합니다.
    2. 엔트로피 기반 정보 이득을 이용한 분할 노드. 몬테카를로 샘플링(나무당 500개)을 통해 클래스 후방을 추정합니다.
    3. L2 페널티(λ = 1 x 10⁻³)를 사용하여 트리를 정규화한다. 등장성 회귀를 사용해 확률을 보정하세요.
  7. 아래에 설명된 입력과 기능을 설정하세요.
    1. 입력 이미지 I. I를 224× 224로 크기 조정하고 정규화합니다. ViT-B/16 백본을 통과시켜. CLS 임베딩 벡터 X = {x1, x2, ..., xd}를 추출합니다. X를 선형 투영법을 사용해 컴팩트 잠재 공간 Z에 투영합니다. 안정적인 퍼지 멤버십 계산을 보장하기 위해 Z를 정규화합니다. 아래 코드를 참고하세요.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grid=8×8)
      메타데이터 처리
      M_scaled ← 스탠다드스케일(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      특징 추출
      F ← ViT-B/16(I_clahe)
      퍼지 추론
      F_fuzzy ← 적용 FuzzyRules(F, M_imputed, R)
    2. 퍼지 표현 및 추론: Z의 각 특징 zi에 대해 가우시안 소속 값을 계산한다. 각 zi를 퍼지 벡터 Fi = {μ_low, μ_med, μ_high}로 표현하자. 특징 통계량에서 가우시안 매개변수 cc와 σσ를 초기화하고, ViT 가중치와 함께 역전파를 이용해 최적화합니다.
      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. 모호한 규칙을 만들고 규칙 발화를 추론하세요. IF-THEN 규칙으로 퍼지 규칙 베이스 R을 정의합니다. R의 각 규칙 rj에 대해 Fi에서 필요한 퍼지 소속성을 가져옵니다. t-norm 곱을 사용하여 규칙 발화 강도 wj를 계산합니다.
      wj = Π μAk(Fk)
      예시 규칙:
      만약 (엣지 대비 = 높음) AND (텍스처 분산 = 낮음)이면 (KOA 등급 = 1)
      베이지안 결정 트리 추론
      BDTE의 각 트리 T_k에 대해 do를 수행합니다.
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      끝
    4. 디퍼지화 및 불확실성 추정: 각 규칙 rj do에 대해 수치 결과 zj(KL 등급 또는 퍼지 로짓)를 할당합니다. Sugeno 디퍼지화를 사용하여 연속 퍼지 출력을 계산합니다:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      베이지안 집적
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. 베이지안 결정 트리와 결합하여 퍼지 강화 특징과 불확실성 지표를 연결하라:
      F_final = [Z, y_fuzzy, H, S, C]
      베이지안 결정 트리 앙상블에 입력F_final. 각 트리는 사후 클래스 확률을 계산하고, 라플라스 사례는 저표본 노드를 안정화하며, 베이지안 모델 평균은 예측을 집계합니다
      결정과 불확실성
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. 불확실성 추정: {wj}에서 규칙 엔트로피 H를 계산합니다. 지배 소속 선명도 S를 계산하고, 경쟁하는 규칙들 간의 충돌 지수 C를 계산합니다.
      높은 엔트로피→ 모호한 진단
      선명도가 낮→ 경계선 KOA
      높은 갈등→ 겹치는 성적 패턴
      반환 y*, P_final, U
    7. 사후 확률 P(y | I). 최종 KOA 등급을 선택:
      y_hat = argmax P(y | I)
      최종 KOA 성적 y_hat, 클래스별 확률, 해석 가능한 불확실성 지표를 포함하는 출력을 얻습니다
  8. DeciVit-퍼지 모델의 세분성
    1. ViT 미세 조정과 베이지안 트리의 임계 하이퍼파라미터를 다음과 같이 설정하세요.
      ViT 미세 조정 매개변수:
      학습 속도: 1e−4 (코사인 붕괴 일정 적용)
      배치 크기: 16
      옵티마이저: AdamW (β₁=0.9, β₂=0.999, 가중치 감쇠 = 0.01)
      에포크: 30, 초반 정지 (인내심 = 5)
      탈락: 0.1
      스케줄러: 워밍업(전체 스텝의 10%), 그 후 선형 감쇠
      베이지안 의사결정 트리 매개변수:
      추정자 수: 50명
      최대 깊이: 10
      사전: 분산 = 0.25인 라플라스 사주
      분할 규칙: 최대 정보 이득 (엔트로피 기준)
      사후 추정: 몬테카를로 샘플링 (나무당 500회 추출)
      정규화: L2 페널티 = 1e−3
      앙상블 평균화: 모든 트리에 대한 베이지안 모델 평균화

2. 모델 벤치마킹

  1. 층화 열차 - 시험 분할
    1. 데이터 세트 D를 KL 등급 라벨로 그룹화합니다. 클래스 비율을 유지하기 위해 층화 표본추출을 적용하세요. 데이터를 다음과 같이 분할합니다: 트레이닝 세트 D_train = 80%, 테스트 세트 D_test = 20%. 각 KL 등급(0-4)이 두 세트에서 비례적으로 나타났는지 확인하세요
      참고: 계층화는 다수 계급(KL 2-3)의 지배를 방지하고, 초기 단계의 KOA(KL 0-1)의 공정한 학습을 보장합니다.
  2. 가중 교차엔트로피를 이용한 ViT의 미세 조정
    1. 클래스 가중치를 계산합니다 w_c = 1 / 빈도(KL_c). 가중 교차엔트로피 손실 L_vit을 초기화합니다. 초기 ViT 레이어를 동결하고 마지막 변압기 블록을 해제하세요.
    2. 각 훈련 에포크마다 ViT-B/16을 통해 순방향 통과 이미지를 제공합니다. AdamW 옵티마이저를 사용해 가중 손실 L_vit을 계산하고, 기울기를 역전파하며, ViT 가중치를 업데이트합니다.
      참고: 더 높은 감량 체중은 모델이 저대표 등급(KL 0-1)에 집중하도록 강제하여 초기 KOA 민감도를 향상시킵니다.

3. 데이터 분석

  1. DeciViT-F 프레임워크의 임상 해석 가능성을 평가하기 위해, 10년 이상의 진단 경험을 가진 5명의 경험 많은 평가자(3명의 정형외과 의사와 2명의 근골격계 방사선 전문의)를 대상으로 구조화된 평가를 실시합니다.
  2. 모델의 시각적 설명 인터페이스를 통해 Kellgren-Lawrence(KL) 등급 5개 모두를 대표하는 50개의 방사선 사례를 선별하여 제시하는데, 이 인터페이스에는 예측된 분류 및 신뢰 점수, 흐릿한 언어 출력(저, 중, 고위험), 주요 기여 특징을 강조하는 베이지안 의사결정 경로가 표시되었습니다.
  3. 각 평가자에게 5점 리커트 척도(1 = 매우 불명확, 5 = 매우 명확함)를 사용해 설명의 명확성, 임상적 관련성, 논리적 일관성을 독립적으로 평가하도록 요청합니다. 평균 해석 가능성 평가는 4.7 ± 0.3이었으며, 평가자 간 코헨의 κ = 0.81과 크리펜도르프 α = 0.79로 강한 일치를 나타냈다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

성과 평가
DeciViT-F(그림 3)는 가장 높은 성능을 달성했으며(정확도 0.89, AUC 0.93, F1 0.87), 브라이어 점수는 가장 낮았으며(0.082), 이는 CNN, ResNet-50, ViT 단독 모델보다 더 나은 보정을 보여주었으며, 이들 모델은 상대적으로 더 높은 불확실성을 보였다. 두 개의 정형외과 클리닉에서 전향적 평가를 실시한 결과, 특히 경계 KOA 사례에서 진단 신뢰도가 향상되어 제안된 프레임워크의 임상적 견고성과 일반화 가능성을 지지하였습니다(표 1).

혼란 지표와 정밀도 회상
클래스별 결과는 DeciViT-F가 모든 KL 등급에서 가장 높은 정밀도와 회상률을 달성했으며, 매크로 F1 0.85로 CNN(0.66), ResNet-50(0.70), VGG16(0.78), ViT-B/16(0.83)을...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

DeciViT-F 프레임워크는 무릎 골관절염(KOA)의 정확도와 조기 진단 민감도에서 눈에 띄는 향상을 이루었습니다. 정량적 평가 결과 전체 정확도는 91.2%, 매크로-F1 점수는 0.88, AUC는 0.968로, CNN, ResNet-50, ViT 단독 기준선을 크게 능가했습니다. 또한 브라이어 점수 0.072와 기대 보정 오차(ECE)가 0.041로 우수한 신뢰도 보정을 반영했습니다. 무엇보다도, 초기 단계의 KOA(KL 0-1)에 대한 민감도가 12% 이상 향상되어, 방사선 발현 전 경미한 연골 퇴행의 구분이 더 신뢰할 수 있게 되었습니다. Vision Transformer 임베딩, 퍼지 추론 계층, 베이지안 의사결정 트리의 시너지 효과를 통해 정량적 정밀도와 해석적 투명성을 모두 보장했습니다(그림 9). 이 결과들은 DeciViT-F가 조기, 신뢰할 수 있으며 임상적으로 해석 가능한 KOA 진단을 가능하게 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이 연구의 설계, 실행, 보고에 영향을 미칠 수 있는 상충하는 재정적 이해관계, 상업적 유대, 또는 개인적 관계가 없다고 주장합니다.

감사의 글

저자들은 인도 인도아프라데시 인도르 로크마냐 나가르에 위치한 국립 아쉬탕 아유르베다 대학 소장인 Dr. Das Adhikari께 이 연구의 검증 단계에서 중요한 역할을 한 약 500장의 익명 무릎 방사선 사진을 제공해 주신 데 진심으로 감사를 표합니다. 저자들은 또한 미국 국립보건원(NIH, USA), 골관절염 이니셔티브(OAI), 다센터 골관절염 연구(MOST)에도 감사를 표하며, 이들은 모델 훈련과 테스트에 매우 중요한 공개 데이터셋을 제공했습니다. DeciViT-Knee 2025 프로토콜의 제작 또는 실행을 위한 외부 자금은 전혀 없었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
넘버피넘버피https://numpy.org/
오픈CV이력서 열기https://opencv.org/
골관절염 이니셔티브(OAI), MOST 저장소국립보건원(NIH)https://nda.nih.gov/oai
파이썬 3.9+파이썬https://www.python.org/downloads/release/python-390/
파이토치리눅스 재단https://pytorch.org/
사이피기입https://scipy.org/
텐서플로우텐서 플로우https://www.tensorflow.org/

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

이 JoVE 논문의 텍스트 또는 그림 재사용 허가 요청

허가 요청

태그

MRI

관련 논문