Методическая статья

DeciViT-Knee 2025 как точные нечеткие методы деревьев принятия решений и VIT в анализе остеоартрита колена

323 просмотров

⸱

DOI:

10.3791/69411

⸱

13 января 2026 г.

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

В этой статье

Краткое содержание

DeciViT-F, гибридная модель глубокого обучения, включающая нечеткие и байесовские решения, была оценена для выявления остеоартрита колена. Он достиг самой высокой точности (≈88%), макро-F1 (0,85) и AUC (0,95) среди всех протестированных моделей CNN, включая модель ViT-B/16, с улучшенным контекстным представлением за счёт самовнимания, при этом демонстрируя средний калибровочный дрейф.

Аннотация

В этой статье представлен протокол DeciViT-Knee 2025 — гибридный рабочий процесс глубокого обучения, объединяющий трансформеры зрения (ViT-B/16), баесовские деревья принятия решений и третий слой нечеткого вывода для раннего и интерпретируемого выявления остеоартрита колена (KOA). Процесс начинается с создания среды с поддержкой GPU в PyTorch 2.x и Hugging Face Transformers. Затем получают рентгенографические и МРТ-наборы данных от Инициативы по остеоартриту (OAI) и Многоцентрового исследования остеоартрита (MOST). До того как тонко настроенная модель ViT-B/16 обрабатывает данные для получения 768-мерных вложений изображений, её курируют с помощью усиления контраста, удаления артефактов и нормализации. Мы используем баесовские деревья принятия решений для анализа этих вложений и предоставления нам калиброванных вероятностных классификаций. Слой нечеткого вывода включает лингвистическое мышление для выражения диагностической неопределённости в терминах, таких как низкий, средний или высокий риск. Производительность модели превосходит базовые показатели CNN, ResNet-50 и только ViT, достигая точности 92,4%, AUC 0,964, результата F1 0,891 и балла Brier 0,088. Протокол демонстрирует, как сочетание глобального извлечения признаков на основе трансформаторов, байесовского вероятностного рассуждения и нечеткой интерпретируемости может создать более чёткую, воспроизводимую и удобную для клинициста основу для диагностики мышечно-скелетной визуализации.

Введение

Остеоартрит колена (КОА) — это длительное прогрессирующее заболевание суставов, которое является одной из главных причин, по которым пожилые люди по всему миру становятсяинвалидами 1. Раннее выявление тонких структурных изменений крайне важно для эффективного вмешательства; однако традиционные диагностические инструменты, такие как система оценок Келлгрена-Лоуренса (KL) и клинические индексы, такие как WOMAC, ограничены субъективностью и изменчивостью междунаблюдателями 1.

С ростом доступности крупномасштабных репозиториев для визуализации колен, таких как OAI и MOST, вычислительные подходы к объективной оценке KOA приобрелипопулярность 2. Ранние методы рентгенологического анализа, основанные на ручных описаниях и статистической классификации, показали ограниченную устойчивость к данным крупноразмернойвизуализации 2. Более современные модели моделирования на основе изображений повысили чувствительность к ранним стадиям KOA, но продолжают сталкиваться с трудностями в клинической интерпретации и прозрачности принятия решений.

Анализ, основанный на ИИ, позволяет выявить остеоартрит колена на ранних этапах и без хирургического вмешательства, что снижает необходимость повторных рентгеновских снимков и влияние на окружающую среду масштабной визуализации и бумажнойдиагностики 3. На сегодняшний день модели машинного обучения, такие как деревья принятия решений и случайные леса, смогли предсказать риск точности на уровнях WOMAC и KL (рисунок 1); однако им сложно работать с данными с высокойразмерностью 4. Архитектуры глубокого обучения, особенно CNN и сети ResNet, автоматизировали извлечение признаков и обеспечивали лучшую точность, но их было сложно понять. Vision Transformers (ViTs) принесли глобальное контекстуальное понимание через самосознание.

Рамка DeciViT-F поддерживает устойчивые клинические практики, создавая медицинские решения, которые являются точными, понятными и доступными по цене. Это помогает людям с хроническими инвалидностями и улучшает качество их жизни, особенно для пожилых. Объяснимо, что неясная байесовская логика способствует этическому использованию ИИ, обеспечивая доверие, инклюзивность и прозрачность в клинических решениях. В конечном итоге такой подход приведёт к лучшему, справедливому и экологически чистому будущему для всех нас.

Рамка DeciViT-Knee 2025 устанавливается как гибридный, интерпретируемый конвейер для решения этих проблем. Используется ViT-B/16 для глубокого представленияизображений 2,4, баесовские деревья принятия решений для чёткой и вероятностной классификации, а также слой нечеткоговывода 5, который превращает неопределённость в понятный язык. Это трёхслойное слияние обеспечивает высокую диагностическую точность, сильную калибровку и интерпретируемость на уровне клинициста.

Обзор литературы
Ни одно предыдущее исследование не объединяло извлечение признаков на основе ViT-B/16 с баесовскими деревьями принятия решений для вероятностного рассуждения на мультимодальных данных KOA. Недавние исследования интерпретируемости показали, как нечеткая логика может помочь связать точные числа с языковым рассуждением. Размытые системы позволяют получать частично-истинные представления (например, лёгкое потерю хряща или пограничное присутствие остеофитов), что соответствует неопределённости, часто выраженной в радиологических оценках. Было показано, что слои нечеткого вывода снижают изменчивость между наблюдателями и улучшают клиническую интерпретируемость при включении в глубокие сети 5,6,7,8,9,10. Добавление слоя Фаззи-Байеса поверх ViT-вложений создаёт границы решений, которые одновременно вероятностны и лингвистически значимы. Это превращает абстрактные активации в набора правил, которые люди понимают, например: ЕСЛИ истончение хряща умеренное, а вариации интенсивности костей высоки, ТО класс KL, вероятно, ≥ 2.

DeciViT-Knee 2025 направлен на раннее и чёткое и повторяемое выявление KOA с помощью ViT-Fuzzy-Bayesian рамки, оптимизированной для клинического применения. Это эффективно сократит разрыв между точностью, интерпретируемостью и языковой прозрачностью.

Следующий подход даёт чёткое, повторяемое описание каждого шага — от настройки среды и подготовки набора данных до обучения, тестирования и визуализации модели. Это поможет исследователям и клиницистам повторять и развивать эту работу для точной диагностики заболеваний опорно-двигательного аппарата

Выбор и настройка модели
Мы выбрали Vision Transformer (ViT-B/16) в качестве основного экстрактора элементов изображения, поскольку он может использовать многоголовое самовнимание для моделирования глобальных контекстных отношений нарентгенографических изображениях 2,4,11. Структура ViT позволяет одновременно анализировать как мелкозернистые вариации текстуры, так и дальнодействующие пространственные зависимости, что важно для различия тонких остеоартритных изменений между классами KL 0-4, 2,4,12. Это отличается от архитектур на базе CNN, которые используют локализованные рецептивные поля11.

Между выходом вложения трансформатора и вероятностным классификатором был добавлен слой нечеткого вывода (FIL) для устранения неопределённости, возникающей при радиографическом градировке, особенно для пограничных и ранних стадий KOA (рисунок 2)13,14. FIL превращает активацию непрерывного вложения в размытые наборы, которые имеют смысл с точки зрения языка (например, лёгкая, умеренная или тяжёлая потеря хряща), и создаёт степени принадлежности, показывающие, насколько неопределенен диагноз 7,8. Такая конструкция облегчает понимание, сопоставляя численные прогнозы с качественными шаблонами рассуждения, которые используютрадиологи 15.

Ансамбль баесовских деревьев принятия решений (BDTE) был использован для превращения вложенных признаков с усилением нечеткости в вероятностные результаты классификации, чтобы прогнозы были точными и простымидля понимания 16,17,18,19. Каждое дерево в ансамбле вычисляет постериорные вероятности и доверительные интервалы, что помогает установить хорошо откалиброванные границы принятиярешений 13. Этот метод сочетает статистическую точность байесовского вывода с ясностью деревьев решений на основе правил, обеспечивая каждому диагностическому результату количественную уверенность и понятную причину егосоздания 19.

Бенчмаркинг в сравнении
Мы использовали те же разбития обучения и валидации для систематического сравнения гибридного конвейера ViT + FIL + BDTE с базовыми линиями CNN и ResNet-50. Мы использовали точность классификации, AUC, балл Бриера и интерпретируемость, оценённую клиницистами, по пятибалльной шкале для сравнения. Использование нескольких базовых линий позволило справедливо протестировать обобщаемость моделей, согласованность калибровки и объяснимость между архитектурами.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Для этого исследования для обучения и тестирования использовались данные Инициативы по остеоартриту (OAI) и Многоцентрового исследования остеоартрита (MOST). Для валидации использовались 500 рентгеновских записей из Национального аюрведического колледжа Аштанг в Индоре. Был получен этический допуск от Национального аюрведического колледжа Аштанга, Индор. Все использованные данные были анонимизированы.

1. Структура модели

  1. Настройте ViT-B/16, который уже установлен на ImageNet-21k, с разрешением входа 224 x 224 пикселя, размером патча 16 x 16 и размером вложения 768.
  2. Используйте 12 слоёв внимания с несколькими головами, каждый с размером головы 64, и установите частоту выпадения на 0,1, чтобы предотвратить перенагон.
  3. Возьмите ViT-эмбеддинги и используйте LayerNorm, чтобы нормализовать их, чтобы обучение было стабильным, а масштаб оставался прежним.
  4. Используйте FIL, чтобы преобразовать детерминированные ViT-вложения в нечеткие представления, которые показывают неопределенность интерпретации. Для каждого измерения признаков xixi установите три гауссовские функции принадлежности, обозначающие состояния активации Низкий, Средний и Высок:
    mu_low(xi) = опыт( - ( (xi - c_l)^2 ) / ( 2 sigma_l^2 ) )
    mu_med(xi) = exp( - ( (xi - c_m)^2 ) / ( 2 sigma_m^2 ) )
    mu_high(xi) = опыт( - ( (xi - c_h)^2 ) / ( 2 sigma_h^2 ) )
    где: c_l, c_m и c_h — центры функций принадлежности, которые можно изучать, sigma_l, sigma_m, а sigma_h — разбросы, связанные с ними. Обратное распространение оптимизирует все параметры (c и сигма) вместе с основными весами модели.
    1. Установите небольшой набор правил для поиска полезных узоров: например, если контраст краёв высок, а дисперсия текстуры низкая, скорее всего, изменение OA — это степень 1, если градиент интенсивности средний, а шероховатость высокая, скорее всего, OA изменится на grade 2.
    2. Дефаззификация: Используйте взвешенную дефазизацию центроидов для объединения выходов:
      y = (Σ (w_j z_j)) / (Σ w_j)
      где: w_j — вес активации j-го нечеткого правила (насколько оно истинно), z_j — значение или мощность выхода, следующая после этого правила. Вектор вложения с нечетким дополнением на выходе облегчает понимание и затем отправляется в модуль BDTE.
      ПРИМЕЧАНИЕ: Вычислительные расходы: среднее время обучения составляло 6,4 минуты на NVIDIA RTX A5000 (16 ГБ видеопамяти). Время вывода составляло 0,42 с на партию из 10 изображений. Модуль BDT увеличил общее время выполнения конвейера примерно на 11%, но снизил сверхуверенность и дрейф неправильной классификации на 18% по сравнению с небайесовскими древесовыми ансамблями. Эта конфигурация обеспечивала эффективный компромисс между интерпретируемостью, вычислительной эффективностью и вероятностной надёжностью.
  5. Синтез и выход
    1. Создайте составную матрицу диагностических признаков, объединив ViT-вложения, нечеткие дополненные признаки и метаданные (если они доступны). Используйте эту матрицу как вход для BDTE. Последняя модель даёт как вероятности классов, так и отображения неопределённости.
  6. Ансамбль Баесовского дерева решений (BDTE)
    1. Инициализировать ансамбль баесовского дерева принятия решений (50 деревьев, максимальная глубина = 10). Примените априоры Лапласа (α = 1) и усреднение баесовской модели.
    2. Разделение узлов с использованием усиления информации на основе энтропии. Оцените апостериорные классы с помощью выборки Монте-Карло (500 на дерево).
    3. Регуляризация деревьев с помощью штрафа L2 (λ = 1 x 10⁻³). Калибровка вероятностей с помощью изотонической регрессии.
  7. Настройте ввод и функции так, как описано ниже.
    1. Введите изображение I. Измените размер I на 224 × 224 и нормализуйте. Пройдите I через основу ViT-B/16. Извлечь вектор вложения CLS X = {x1, x2, ..., xd}. Проект X в компактное латентное пространство Z с помощью линейной проекции. Нормализуйте Z для обеспечения стабильного вычисления нечеткой принадлежности. См. код ниже.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ПрименитьCLAHE(I_norm, clip=2.0, grid=8×8)
      Обработка метаданных
      M_scaled ← StandardScale(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      Извлечение признаков
      F ← ViT-B/16(I_clahe)
      Нечеткий вывод
      F_fuzzy ← ПрименимоПравила Фаззи(F, M_imputed, R)
    2. Размытое представление и рассуждение: для каждой признака zi в Z вычислите гауссовские значения принадлежности. Представляем каждый zi как нечеткий вектор Fi = {μ_low, μ_med, μ_high}. Инициализировать гауссовские параметры cc и σσ из статистики признаков и оптимизировать их с помощью обратного распространения совместно с ViT-весами.
      μ_low(zi) = exp( - (zi - cl)^2 / (2 σl^2) )
      μ_med(zi) = exp( - (zi - cm)^2 / (2 σm^2) )
      μ_high(zi) = опыт( - (zi - ch)^2 / (2 σh^2) )
    3. Создайте нечеткие правила и делайте выводы о запуске правил. Определим нечеткую базу правил R с правилами IF-THEN. Для каждого правила rj в R получите необходимые нечеткие принадлежности из Fi. Вычислите силу стрельбы правила wj с помощью произведения t-нормы
      wj = Π μAk(Fk)
      Пример правила:
      IF (контраст краёв = высокий) AND (дисперсия текстуры = низкий)ТОГДА (KOA Grade = 1)
      Вывод из дерева принятия решений по байесовскому дереву
      для каждого дерева T_k в BDTE делают
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      конец для
    4. Дефаззификация и оценка неопределённости: для каждого правила rj do присваивается числовое следствие zj (KL grade или fuzzy logit). Вычислите непрерывный нечеткий вывод с помощью дефаззизации Sugeno:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      Байесовская агрегация
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. Объединяйте с баесовскими деревьями решений для объединения нечетко-усиленных признаков и метрик неопределённости:
      F_final = [Z, y_fuzzy, H, S, C]
      Внесите F_final в ансамбль Байесовского дерева решений. Каждое дерево вычисляет вероятности апостериорных классов, априоры Лапласа стабилизируют узлы с низким уровнем выборки, а баесовское усреднение — агрегированные прогнозы
      Решение и неопределённость
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. Оценка неопределённости: вычислите энтропию правила H из {wj}. Вычислите доминантную чёткость принадлежности S. Вычислите индекс конфликта C между конкурирующими правилами, как указано ниже.
      Высокая энтропия → неоднозначный диагноз
      Низкая резкость → почти KOA
      Высокий уровень конфликтов → перекрывающиеся оценки
      вернуть y*, P_final, u
    7. Получите апостериорные вероятности P(y | I). Выберите итоговую оценку KOA:
      y_hat = argmax P(y | I)
      Получите результат, содержащий итоговую оценку KOA y_hat, вероятности по классам и интерпретируемые индикаторы неопределённости
  8. Гранулярность модели DeciVit-Fuzzy
    1. Установим критические гиперпараметры для тонкой настройки ViT и баесовские деревья следующим образом.
      Параметры тонкой настройки ViT:
      Скорость обучения: 1e−4 (с графиком распада косинуса)
      Размер партии: 16
      Оптимизатор: AdamW (β₁=0.9, β₂=0.999, затухание веса = 0.01)
      Эпохи: 30, с ранней остановкой на плато (терпение = 5)
      Отсев: 0,1
      Планировщик: разминка (10% от общего числа шагов), затем линейный спад
      Параметры баесовского дерева решений:
      Количество оценщиков: 50
      Максимальная глубина: 10
      Приор: Лаплас априор с дисперсией = 0,25
      Правило расщепления: максимальное получение информации (критерий энтропии)
      Последняя оценка: выборка Монте-Карло (500 рисунков на дерево)
      Регуляризация: штраф L2 = 1e−3
      Усреднение ансамбля: Байесовское усреднение по всем деревьям

2. Бенчмаркинг модели

  1. Стратифицированный поезд — тестовое разделение
    1. Групповой набор данных D по меткам класса KL. Применяйте стратифицированную выборку для сохранения пропорций классов. Разделить данные на: обучающий набор D_train = 80%, тестовый набор D_test = 20%. Убедитесь, что каждая оценка KL (0-4) отображается пропорционально в обоих наборах
      ПРИМЕЧАНИЕ: Стратификация предотвращает доминирование классов большинства (KL 2-3) и обеспечивает справедливое изучение ранних стадий KOA (KL 0-1).
  2. Тонкая настройка ViT с использованием взвешенной кросс-энтропии
    1. Вычислите веса класса w_c = 1 / частота (KL_c). Инициализировать взвешенную потерю перекрёстной энтропии L_vit. Заморозьте ранние слои ViT и разморозьте последние блоки трансформаторов.
    2. Для каждой учебной эпохи — изображения прямого прохода через ViT-B/16. Вычислите взвешенные L_vit потерь, обратные градиенты и обновите ViT-веса с помощью оптимизатора AdamW.
      ПРИМЕЧАНИЕ: Более высокая потеря веса заставляет модель сосредоточиться на недостаточно представленных оценках (KL 0-1), что повышает раннюю чувствительность к KOA.

3. Анализ данных

  1. Для оценки клинической интерпретируемости рамки DeciViT-F проведите структурированную оценку с участием пяти опытных оценщиков — трёх ортопедов и двух радиологов опорно-двигательного аппарата, каждый из которых имеет более десяти лет диагностического опыта.
  2. Представить отобранный набор из 50 рентгенографических случаев, представляющих все пять оценок Келлгрена-Лоуренса (KL) через визуальный интерфейс объяснения модели, который отображает: прогнозируемый класс и уровень уверенности, неясный лингвистический результат (низкий, средний, высокий риск) и байесовский путь принятия решений, выделяющий ключевые элементы.
  3. Попросите каждого оценщика независимо оценить ясность, клиническую значимость и логическую согласованность объяснений с помощью 5-балльной шкалы Ликерта (1 = очень неясно, 5 = очень ясно). Средний рейтинг интерпретируемости составлял 4,7 ± 0,3, при этом межоценщик κ Коэна = 0,81 и α Криппендорфа = 0,79, что указывает на сильное согласие.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Оценка эффективности
DeciViT-F (рисунок 3) показал наивысшую производительность (точность 0,89, AUC 0,93, F1 0,87) с самым низким баллом Brier (0,082), что указывает на лучшую калибровку по сравнению с моделями CNN, ResNet-50 и только с ViT, которые показывали сравнительно более высокую неопределённость. Проспективная оценка в двух ортопедических клиниках показала повышение диагностической уверенности, особенно в пограничных случаях КОА, что подтверждает клиническую устой...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Рамка DeciViT-F достигла заметных улучшений как в точности, так и в ранней диагностической чувствительности при остеоартрите колена (KOA). Количественная оценка показала общую точность 91,2%, показатель макро-F1 0,88 и AUC 0,968, значительно превзойдя базовые показатели CNN, ResNet-50 и только ViT. Модель также достигла оценки Бриера 0,072 и ожидаемой ошибки калибровки (ECE) 0,041, что отражает превосходную калибровку доверия. Самое главное, чувствительность к ранней стадии КОА (KL 0-1) ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы утверждают, что не обладают конфликтующими финансовыми интересами, коммерческими связями или личными отношениями, которые могли бы повлиять на разработку, реализацию или освещение этого исследования.

Благодарности

Авторы выражают искреннюю благодарность доктору Дасу Адхикари, директору Национального колледжа аюрведы Аштанг в Локманья Нагаре, Индор, Мадхья-Прадеш, Индия, за предоставление около 500 анонимных рентгеновских фотографий колена, которые сыграли ключевую роль в этапе валидации этого исследования. Авторы также выражают благодарность Национальным институтам здоровья (NIH, США), Инициативе по остеоартриту (OAI) и Многоцентровому исследованию остеоартрита (MOST), которые предоставили общедоступные наборы данных, оказавшиеся очень важными для обучения и тестирования модели. Не было внешнего финансирования для создания или внедрения протокола DeciViT-Knee 2025.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
NumPyNumPyhttps://numpy.org/
OpenCVОткрытое резюмеhttps://opencv.org/
Инициатива по остеоартриту (OAI), репозитории MOSTНациональные институты здравоохраненияhttps://nda.nih.gov/oai
Python 3.9+Pythonhttps://www.python.org/downloads/release/python-390/
PyTorchФундамент Linuxhttps://pytorch.org/
SciPyГитибhttps://scipy.org/
TensorFlowТензорный потокhttps://www.tensorflow.org/

Ссылки

  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).

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

Похожие статьи