Methodenartikel

DeciViT-Knee 2025 als precisie-fuzzytechnieken van beslissingsbomen en VIT in de analyse van knieartrose

323 weergaven

⸱

DOI:

10.3791/69411

⸱

13 januari 2026

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

In dit artikel

Samenvatting

DeciViT-F, een hybride deep-learning model dat fuzzy en Bayesian Decision-Making combineert, werd geëvalueerd voor de detectie van knieartrose. Het behaalde de hoogste nauwkeurigheid (≈88%), macro-F1 (0,85) en AUC (0,95) van alle geteste CNN-modellen, inclusief het ViT-B/16-model, met verbeterde contextuele representatie door zelf-aandacht, terwijl het mid-range kalibratiedrift vertoonde.

Samenvatting

Dit artikel introduceert het DeciViT-Knee 2025-protocol, een hybride deep-learning workflow die Vision Transformers (ViT-B/16), Bayesian Decision Trees en een derde Fuzzy Inference Layer combineert voor de vroege en interpreteerbare detectie van knieartrose (KOA). Het proces begint met het opzetten van een GPU-geschikte omgeving in PyTorch 2.x en Hugging Face Transformers. Vervolgens krijgt het röntgen- en MRI-datasets van de Osteoarthritis Initiative (OAI) en de Multicenter Osteoarthritis Study (MOST). Voordat het fijn afgestemde ViT-B/16 model de data verwerkt om 768-dimensionale beeld-embeddings te verkrijgen, worden deze gecureerd door contrastversterking, artefactverwijdering en normalisatie. We gebruiken Bayesiaanse Decision Trees om deze embeddings te analyseren en voorzien ons van gekalibreerde probabilistische classificaties. De fuzzy-inferentielaag bevat taalkundige redenering om diagnostische onzekerheid uit te drukken in termen zoals laag, gemiddeld of hoog risico. De prestaties van het model overtreffen die van de CNN-, ResNet-50- en ViT-only baselines, met een nauwkeurigheid van 92,4%, een AUC van 0,964, een F1-score van 0,891 en een Brier-score van 0,088. Het protocol toont aan hoe de combinatie van transformer-gebaseerde globale feature-extractie, Bayesiaanse probabilistische redenering en fuzzy interpretability een duidelijker, reproduceerbaar en clinicievriendelijker kader kan creëren voor het diagnosticeren van musculoskeletale beeldvorming.

Inleiding

Knieartrose (KOA) is een langdurige, progressieve gewrichtsaandoening die een van de belangrijkste redenen is waarom ouderen wereldwijd een handicap raken. Vroege detectie van subtiele structurele veranderingen is cruciaal voor effectieve interventie; echter, traditionele diagnostische instrumenten, zoals het Kellgren-Lawrence (KL) beoordelingssysteem en klinische indices zoals WOMAC, worden beperkt door subjectiviteit envariabiliteit tussen waarnemers.

Met de toenemende beschikbaarheid van grootschalige kniebeeldvormingsrepositories zoals OAI en MOST, hebben computationele benaderingen voor objectieve KOA-beoordeling aan belang gewonnen2. Vroege radiografische analysemethoden gebaseerd op handgemaakte beschrijvingen en statistische classificatie toonden beperkte robuustheid voor hoogdimensionale beeldgegevens2. Meer recente beeldgebaseerde modelleringskaders verbeterden de gevoeligheid voor vroege KOA, maar ondervinden nog steeds uitdagingen op het gebied van klinische interpretatie en besluitvormingstransparantie.

AI-gedreven analyse kan knieartrose vroegtijdig en zonder operatie vaststellen, wat de noodzaak van herhaalde röntgenfoto's en de milieueffecten van grootschalige beeldvorming en papiergebaseerde diagnostiek vermindert3. Tot nu toe zijn machine learning-modellen, zoals Decision Trees en Random Forests, in staat geweest het nauwkeurigheidsrisico op WOMAC- en KL-niveau te voorspellen (Figuur 1); Ze hebben echter moeite gehad met beeldmateriaal met een hoge dimensionaliteit4. Deep-learning architecturen, vooral CNN's en ResNet-netwerken, automatiseerden feature-extractie en kregen een betere nauwkeurigheid, maar ze waren moeilijk te begrijpen. Vision Transformers (ViTs) brachten wereldwijd contextueel begrip door zelfaandacht.

Het DeciViT-F-raamwerk ondersteunt duurzame klinische praktijken door zorgoplossingen te maken die nauwkeurig, begrijpelijk en betaalbaar zijn. Dit helpt mensen met chronische beperkingen en verbetert hun levenskwaliteit, vooral voor ouderen. Het is verklaarbaar dat een vaag Bayesiaanse logica ethisch gebruik van AI bevordert, waardoor vertrouwen, inclusiviteit en transparantie in klinische besluitvorming worden gewaarborgd. Uiteindelijk zal deze aanpak leiden tot een betere, eerlijkere en milieuvriendelijkere toekomst voor ons allemaal.

Het DeciViT-Knee 2025-raamwerk wordt hierbij vastgesteld als een hybride, interpreteerbare pijplijn om deze kwesties aan te pakken. Het gebruikt ViT-B/16 voor diepe beeldrepresentatie 2,4, Bayesiaanse beslissingsbomen voor duidelijke en probabilistische classificatie, en een Fuzzy Inference Layer5 die onzekerheid omzet in taal die mensen kunnen begrijpen. Deze drielaagse fusie biedt hoge diagnostische nauwkeurigheid, sterke kalibratie en interpreteerbaarheid op cliniciniveau.

Literatuuroverzicht
Geen enkel eerder onderzoek heeft ViT-B/16-gebaseerde feature-extractie volledig gecombineerd met Bayesiaanse beslissingsbomen voor probabilistische redenering op multimodale KOA-data. Recente studies over interpreteerbaarheid hebben aangetoond hoe fuzzy logic kan helpen om precieze getallen te verbinden met taalgebaseerd redeneren. Vaag systemen maken gedeeltelijke waarheidsrepresentaties mogelijk (bijvoorbeeld licht kraakbeenverlies of borderline osteofyten), die overeenkomen met de onzekerheid die vaak wordt geformuleerd in radiologische beoordelingen. Er is aangetoond dat vage inferentielagen de variabiliteit tussen waarnemers verminderen en de klinische interpretatie verbeteren wanneer ze worden opgenomen in diepe netwerken 5,6,7,8,9,10. Het plaatsen van een Fuzzy-Bayesiaanse laag bovenop ViT-embeddings maakt besluitgrenzen die zowel probabilistisch als taalkundig betekenisvol zijn. Dit verandert abstracte activaties in regelsets die mensen kunnen begrijpen, zoals: ALS kraakbeenuitdunning matig is EN de botintensiteit hoog varieert, DAN KL-graad waarschijnlijk ≥ 2.

DeciViT-Knee 2025 streeft ernaar vroege, duidelijke en herhaalbare KOA-detectie te bieden via een ViT-Fuzzy-Bayesiaans kader dat is geoptimaliseerd voor gebruik in klinische omgevingen. Dit zal effectief de kloof tussen nauwkeurigheid, interpreteerbaarheid en taalkundige transparantie dichten.

De volgende aanpak geeft een duidelijke, herhaalbare beschrijving van elke stap, van het opzetten van de omgeving en het voorbereiden van de dataset tot het trainen, testen en visualiseren van het model. Dit zal onderzoekers en clinici helpen dit werk te herhalen en voort te bouwen voor nauwkeurige diagnostiek van musculoskeletale aandoeningen

Een model kiezen en opzetten
We kozen de Vision Transformer (ViT-B/16) als de belangrijkste beeldfeature-extractor omdat deze multi-head self-attention kan gebruiken om globale contextuele relaties in radiografische beelden 2,4,11 te modelleren. De ViT-structuur maakt gelijktijdige analyse mogelijk van zowel fijnkorrelige textuurvariaties als langeafstandsruimtelijke afhankelijkheden die belangrijk zijn om subtiele osteoartritische veranderingen te onderscheiden over KL-graden 0-4, 2,4,12. Dit verschilt van CNN-gebaseerde architecturen, die gebruikmaken van gelokaliseerde receptieve velden11.

Er werd een Fuzzy Inference Layer (FIL) toegevoegd tussen de uitgang van de transformator-embedding en de probabilistische classifier om de onzekerheid die gepaard gaat met radiografische gradatie om te gaan, vooral voor borderline en vroege stadium KOA (Figuur 2)13,14. De schoonvader zet continue embedding-activaties om in vae sets die taalkundig logisch zijn (bijvoorbeeld mild, matig of ernstig kraakbeenverlies) en creëert lidmaatschapsgraden die laten zien hoe onzeker de diagnose is 7,8. Dit ontwerp maakt het makkelijker te begrijpen door numerieke voorspellingen te koppelen aan de kwalitatieve redeneerpatronen die radiologen gebruiken15.

Een ensemble van Bayesiaanse beslissingsbomen (BDTE) werd gebruikt om fuzzy-enhanced feature embeddings om te zetten in probabilistische classificatie-uitkomsten, zodat de voorspellingen nauwkeurig en gemakkelijkte begrijpen zouden zijn. Elke boom in het ensemble berekent posterior kansen en betrouwbaarheidsintervallen, wat helpt bij het instellen van goed gekalibreerde beslissingsgrenzen13. Deze methode combineert de statistische nauwkeurigheid van Bayesiaanse inferentie met de regelgebaseerde helderheid van beslissingsbomen, waardoor elke diagnostische output zowel kwantitatieve zekerheid als een begrijpelijke reden krijgt waarom deze is gemaakt19.

Benchmarking door vergelijking
We gebruikten dezelfde trainings- en validatiesplitsingen om systematisch de hybride ViT + FIL + BDTE-pijplijn te vergelijken met CNN- en ResNet-50-baselines. We gebruikten classificatienauwkeurigheid, AUC, Brier-score en door clinici beoordeelde interpreteerbaarheid op een vijfpuntsschaal als maatstaven voor vergelijking. Het gebruik van verschillende baselines maakte het mogelijk om modelgeneraliseerbaarheid, kalibratieconsistentie en verklaarbaarheid tussen architecturen eerlijk te testen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

Voor deze studie werden gegevens van de Osteoarthritis Initiative (OAI) en de Multicenter Osteoarthritis Study (MOST) gebruikt voor training en testen. Voor validatie werden 500 röntgenfoto's van het National Ashtang Ayurveda College in Indore gebruikt. Ethische goedkeuring van de ethische commissie van National Ashtang Ayurved College, Indore werd verkregen. Alle gebruikte gegevens werden geanonimiseerd.

1. Structuur van het model

  1. Stel ViT-B/16 op, dat al is geïnstalleerd op ImageNet-21k, met een inputresolutie van 224 x 224 pixels, een patchgrootte van 16 x 16 en een embedding-dimensie van 768.
  2. Gebruik 12 multi-head attention layers, elk met een hoofdgrootte van 64, en stel de dropout-rate in op 0,1 om overfitting te voorkomen.
  3. Haal ViT-embeddings en gebruik LayerNorm om ze te normaliseren zodat de training stabiel is en de schaal hetzelfde blijft.
  4. Gebruik FIL om deterministische ViT-embeddings te veranderen in fuzzy-waarde representaties die laten zien hoe onzeker de interpretatie is. Voor elke kenmerkdimensie xixi stelt u drie Gaussische lidmaatschapsfuncties vast om Lage, Medium en Hoge activatietoestanden aan te duiden:
    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 ) )
    waarbij: c_l, c_m en c_h de centra zijn van de lidmaatschapsfuncties die geleerd kunnen worden, sigma_l, sigma_m en sigma_h de spreads zijn die ermee gepaard gaan, Backpropagatie optimaliseert alle parameters (c en sigma) samen met de hoofdmodelgewichten.
    1. Stel een kleine set regels op om nuttige patronen te vinden, bijvoorbeeld als het randcontrast hoog is en de textuurvariatie laag, is de OA-verandering waarschijnlijk graad 1, als de intensiteitsgradiënt gemiddeld is en de ruwheid hoog, zal de OA waarschijnlijk veranderen naar graad 2.
    2. Defuzzificatie: Gebruik gewogen centroid-defuzzificatie om de uitgangen te combineren:
      y = (Σ (w_j z_j)) / (Σ w_j)
      waarbij: w_j het activatiegewicht is van de j-de fuzzy-regel (hoe waar die is), z_j is de waarde of outputsterkte die na die regel komt. De uitvoer fuzzy-augmented embeddingvector maakt het makkelijker te begrijpen en wordt vervolgens naar de BDTE-module gestuurd.
      OPMERKING: Rekenlast: De gemiddelde trainingstijd was 6,4 minuten per vouw op NVIDIA RTX A5000 (16 GB VRAM). De inferentietijd was 0,42 seconden per batch van 10 afbeeldingen. De BDT-module verhoogde de totale pijpleidingruntime met ongeveer 11%, maar verminderde overconfidence en verkeerde classificatiedrift met 18% vergeleken met niet-Bayesiaanse boomensembles. Deze configuratie bood een effectieve afweging tussen interpreteerbaarheid, computationele efficiëntie en probabilistische betrouwbaarheid.
  5. Fusie en output
    1. Maak de samengestelde diagnostische featurematrix door ViT-embeddings, fuzzy-augmented features en metadata (indien beschikbaar) te combineren. Gebruik deze matrix als input voor de BDTE. Het laatste model geeft zowel klassekansen als afbeeldingen van onzekerheid.
  6. Bayesiaans Beslissingsboomensemble (BDTE)
    1. Initialiseer Bayesian Decision Tree Ensemble (50 bomen, maximale diepte = 10). Pas Laplace-priors toe (α = 1) en Bayesiaans modelgemiddelde.
    2. Split-nodes met entropie-gebaseerde informatiewinst. Schat klasse-posterioren via Monte Carlo-bemonstering (500/boom).
    3. Regulariseer bomen met L2-straf (λ = 1 x 10⁻³). Kalibreer kansen met isotonische regressie.
  7. Stel de input en functies in zoals hieronder beschreven.
    1. Voer afbeelding I in. Verander I naar 224 × 224 en normaliseer. Geef I door via ViT-B/16 backbone. Haal CLS-embeddingvector X = {x1, x2, ..., xd} uit. Projecteer X in compacte latente ruimte Z met behulp van een lineaire projectie. Normaliseer Z om stabiele fuzzy membership computation te garanderen. Zie de code hieronder.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grid=8×8)
      Metadataverwerking
      M_scaled ← StandardScale(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      Feature-extractie
      F ← ViT-B/16(I_clahe)
      Vaag Inferentie
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. Fuzzy representatie en redenering: Voor elk kenmerk zi in Z, bereken Gaussische lidmaatschapswaarden. Vertegenwoordig elke zi als een fuzzyvector Fi = {μ_low, μ_med, μ_high}. Initialiseer Gaussiaanse parameters cc en σσ uit feature-statistieken en optimaliseer deze met backpropagatie samen met ViT-gewichten.
      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. Maak vage regels en concludeer regelafvuren. Definieer fuzzy rule base R met IF-THEN-regels. Voor elke regel rj in R haalt u de vereiste fuzzy-lidmaatschappen uit Fi op. Bereken regelvuursterkte wj met behulp van de product t-norm
      wj = Π μAk(Fk)
      Voorbeeldregel:
      ALS (randcontrast = Hoog) EN (textuurvariatie = Laag)DAN (KOA-graad = 1)
      Bayesiaanse beslissingsboominferentie
      voor elke boom T_k in BDTE doe
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      einde voor
    4. Defuzzificatie en onzekerheidsschatting: Voor elke regel rj do, wijs je numerieke consequentie zj toe (KL-graad of fuzzy logit). Bereken continue fuzzy-output met Sugeno-defuzzificatie:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      Bayesiaanse Aggregatie
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. Combineer met Bayesiaanse beslissingsbomen om fuzzy-enhanced features en onzekerheidsmetrics aan elkaar te koppelen:
      F_final = [Z, y_fuzzy, H, S, C]
      Invoer F_final in het Bayesiaanse Decision Tree Ensemble. Elke boom berekent waarschijnlijkheden voor posteriorklassen, Laplace-priors stabiliseren low-sample knooppunten en Bayesiaans modelgemiddelde aggregeert voorspellingen
      Beslissing & Onzekerheid
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. Onzekerheidsschatting: Bereken regelentropie H uit {wj}. Bereken de scherpte van het dominante lidmaatschap S. Bereken conflictindex C tussen concurrerende regels zoals hieronder.
      Hoge entropie → dubbelzinnige diagnose
      Lage scherpte → grens aan KOA
      Hoog conflict → overlappende cijferpatronen
      Return y*, P_final, U
    7. Verkrijg posterieure kansen P(y | I). Selecteer het eindcijfer van de KOA:
      y_hat = argmax P(y | I)
      Verkrijg de output, die de uiteindelijke KOA-cijfer y_hat, klassegewijze waarschijnlijkheden en interpreteerbare onzekerheidsindicatoren bevat.
  8. Granulariteit van het DeciVit-Fuzzy-model
    1. Stel de kritieke hyperparameters voor ViT-finetuning en Bayesiaanse bomen als volgt in.
      ViT Fine-Tuning Parameters:
      Leersnelheid: 1e−4 (met cosinusvervalschema)
      Batchgrootte: 16
      Optimizer: AdamW (β₁=0,9, β₂=0,999, gewichtsafname = 0,01)
      Epochs: 30, met vroege stop op het plateau (geduld = 5)
      Uitval: 0,1
      Scheduler: Opwarming (10% van de totale stappen), daarna lineaire verval
      Bayesiaanse beslissingsboomparameters:
      Aantal schatters: 50
      Maximale diepte: 10
      Prior: Laplace prior met variantie = 0,25
      Splitsingsregel: Maximale informatiewinst (Entropiecriterium)
      Posterior schatting: Monte Carlo-bemonstering (500 trekkingen per boom)
      Regularisatie: L2 straf = 1e−3
      Ensemblegemiddelde: Bayesiaans model dat over alle bomen gemiddeld wordt

2. Het benchmarken van het model

  1. Gestratificeerde trein - testsplitsing
    1. Groepsdataset D volgens KL-kwaliteitslabels. Pas gestratificeerde steekproeven toe om de klassenverhoudingen te behouden. Splits gegevens in: Trainingsset D_train = 80%, testset D_test = 20%. Zorg ervoor dat elke KL-graad (0-4) evenredig voorkomt in beide sets
      OPMERKING: Stratificatie voorkomt dominantie van meerderheidsklassen (KL 2-3) en zorgt voor eerlijk leren van vroege KOA (KL 0-1).
  2. ViT fijn afstemmen met behulp van gewogen kruis-entropie
    1. Bereken klassegewichten w_c = 1 / frequentie (KL_c). Initialiseer gewogen kruisentropieverlies L_vit. Bevries vroege ViT-lagen en ontdooi de laatste transformatorblokken.
    2. Voor elk trainingstijdperk laat je beelden vooruit door ViT-B/16. Bereken gewogen verlies L_vit, backpropagate gradiënten en werk ViT-gewichten bij met behulp van de AdamW-optimizer.
      OPMERKING: Hogere gewichtsverliesgewichten dwingen het model zich te richten op ondervertegenwoordigde cijfers (KL 0-1), wat de vroege gevoeligheid voor KOA verbetert.

3. Data-analyse

  1. Om de klinische interpreteerbaarheid van het DeciViT-F-kader te beoordelen, voer een gestructureerde evaluatie uit met vijf ervaren beoordelaars - drie orthopedisch chirurgen en twee musculoskeletale radiologen - elk met meer dan tien jaar diagnostische ervaring.
  2. Presenteer een samengestelde set van 50 röntgengevallen die alle vijf Kellgren-Lawrence (KL) graden vertegenwoordigen via de visuele uitleginterface van het model, die het volgende toonde: voorspelde klasse en betrouwbaarheidsscore, vage taalkundige output (laag, middel, hoog risico) en een Bayesiaans beslissingspad met belangrijke bijdragende kenmerken.
  3. Vraag elke beoordelaar om onafhankelijk de duidelijkheid, klinische relevantie en logische consistentie van verklaringen te beoordelen met behulp van een 5-punts Likert-schaal (1 = zeer onduidelijk, 5 = zeer duidelijk). De gemiddelde interpreteerbaarheid was 4,7 ± 0,3, met een inter-rater Cohen's κ = 0,81 en Krippendorff's α = 0,79, wat wijst op sterke overeenkomst.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

Prestatie-evaluatie
DeciViT-F (Figuur 3) behaalde de hoogste prestaties (nauwkeurigheid 0,89, AUC 0,93, F1 0,87) met de laagste Brier-score (0,082), wat wijst op betere kalibratie dan CNN, ResNet-50 en ViT-only modellen, die relatief hogere onzekerheid vertoonden. Een prospectieve evaluatie in twee orthopedische klinieken rapporteerde een verbeterd diagnostisch vertrouwen, vooral in borderline gevallen van KOA, wat de klinische robuustheid en generaliseerbaarheid van het ...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het DeciViT-F-framework leverde aanzienlijke verbeteringen op in zowel nauwkeurigheid als vroege diagnostische gevoeligheid voor knieartrose (KOA). Kwantitatieve evaluatie toonde een algehele nauwkeurigheid van 91,2%, een macro-F1 score van 0,88 en een AUC van 0,968, waarmee CNN, ResNet-50 en ViT-only baselines met een aanzienlijke marge overtreft. Het model behaalde ook een Brier-score van 0,072 en een verwachte kalibratiefout (ECE) van 0,041, wat een superieure betrouwbaarheidskalibrat...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs stellen dat zij geen conflicterende financiële belangen, commerciële banden of persoonlijke relaties hebben die het ontwerp, de uitvoering of rapportage van dit onderzoek hadden kunnen beïnvloeden.

Dankbetuigingen

De auteurs spreken hun oprechte dank uit aan Dr. Das Adhikari, directeur van het National Ashtang Ayurveda College in Lokmanya Nagar, Indore, Madhya Pradesh, India, voor het leveren van ongeveer 500 geanonimiseerde knie-röntgenfoto's die van cruciaal belang waren voor de validatiefase van deze studie. De auteurs bedanken ook de National Institutes of Health (NIH, VS), de Osteoarthritis Initiative (OAI) en de Multicenter Osteoarthritis Study (MOST), die openbaar beschikbare datasets leverden die zeer belangrijk waren voor het trainen en testen van het model. Er was geen externe financiering voor de creatie of implementatie van het DeciViT-Knee 2025-protocol.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
NumPyNumPyhttps://numpy.org/
OpenCVOpen CVhttps://opencv.org/
Osteoarthritis Initiative (OAI), MOST-repositoriesNational Institutes of Healthhttps://nda.nih.gov/oai
Python 3.9+Pythonhttps://www.python.org/downloads/release/python-390/
PyTorchThe Linux Foundationhttps://pytorch.org/
SciPyGithubhttps://scipy.org/
TensorFlowTensor flowhttps://www.tensorflow.org/

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Vision TransformersBayesiaanse beslissingsbomenfuzzy inferentiedeep learning workflowmuskuloskeletale beeldvormingradiografische analyseMRI datasetsprobabilistische classificatiekenmerkextractie

Gerelateerde artikelen