Yöntem makalesi

DeciViT-Knee 2025, Diz Osteoartriti Analizinde Karar Ağaçlarının Hassas Bulanık Teknikleri ve VIT olarak

323 görüntüleme

⸱

DOI:

10.3791/69411

⸱

13 Ocak 2026

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

Bu makalede

Özet

Bulanık ve Bayes Karar Verme yöntemlerini içeren hibrit derin öğrenme modeli DeciViT-F, diz osteoartritinin tespiti için değerlendirildi. Test edilen tüm CNN modelleri arasında, ViT-B/16 modeli dahil, en yüksek doğruluk (≈88%), makro-F1 (0.85) ve AUC (0.95) oranlarını elde etti; bu oranlar, öz-dikkat yoluyla gelişmiş bağlamsal temsil ile orta aralık kalibrasyon kayması sergiledi.

Özet

Bu makale, Diz Osteoartrit'in (KOA) erken ve yorumlanabilir tespiti için Vision Transformers (ViT-B/16), Bayes Karar Ağaçları ve üçüncü Bulanık Çıkarım Katmanını birleştiren hibrit derin öğrenme iş akışı olan DeciViT-Knee 2025 protokolünü tanıtmaktadır. Süreç, PyTorch 2.x'te GPU destekli bir ortam kurarak başlar ve Face Transformers'ı Hugging Face kullanır. Sonrası, Osteoartrit Girişimi (OAI) ve Çok Merkezli Osteoartrit Çalışması'ndan (MOST) radyografik ve MRI veri setleri alınıyor. İnce ayarlanmış ViT-B/16 modeli, verileri işleyerek 768 boyutlu görüntü gömmeleri elde etmeden önce, kontrast artırma, artefaktların kaldırılması ve normalizasyon yoluyla küratörlüğü yapılır. Bu gömmeleri analiz etmek için Bayes Karar Ağaçları kullanıyoruz ve kalibre edilmiş olasılıksal sınıflandırmalar sağlıyoruz. Bulanık çıkarım katmanı, tanısal belirsizliği düşük, orta veya yüksek risk gibi terimlerle ifade etmek için dilsel akıl yürütmeyi içerir. Modelin performansı, CNN, ResNet-50 ve sadece ViT tabanlı temel verilerin performansını geçerek %92,4 doğruluk oranı, 0,964 AUC, 0,891 F1 puanı ve 0,088 Brier puanı elde eder. Protokol, transformatör tabanlı küresel özellik çıkarımı, Bayes olasılıksal akıl yürütme ve belirsiz yorumlanabilirliğin birleşiminin kas-iskelet görüntüleme tanısı için daha net, tekrarlanabilir ve klinisyen dostu bir çerçeve oluşturabileceğini gösteriyor.

Giriş

Diz Osteoartriti (KOA), uzun süreli, ilerleyici bir eklem hastalığıdır ve dünya genelinde yaşlıların engelli olmasının başlıca nedenlerindenbiridir 1. Ince yapısal değişikliklerin erken tespiti, etkili müdahale için çok önemlidir; ancak Kellgren-Lawrence (KL) derecelendirme sistemi gibi geleneksel tanı cihazları ve WOMAC gibi klinik endeksler öznellik ve gözlemci arası değişkenlik 1 ile sınırlıdır.

OAI ve MOST gibi büyük ölçekli diz görüntüleme depolarının artan erişilebilirliğiyle, objektif KOA değerlendirmesi için hesaplamalı yaklaşımlar öneçıkmıştır 2. El yapımı tanımlayıcılar ve istatistiksel sınıflandırmaya dayalı erken radyografik analiz yöntemleri, yüksek boyutlu görüntüleme verileri için sınırlı dayanıklılıkgöstermiştir 2. Daha yeni görüntü tabanlı modelleme çerçeveleri, erken aşama KOA'ya duyarlılığı artırdı ancak klinik yorumlanabilirlik ve karar şeffaflığı konusunda zorluklarla karşı karşıya kalmaya devam etmektedir.

Yapay zeka destekli analizler, diz osteoartritini erken ve ameliyatsız olarak tespit edebilir; bu da tekrarlanan röntgen ihtiyacını ve büyük ölçekli görüntüleme ile kağıt tabanlı tanının çevresel etkisini azaltır3. Bugüne kadar, Karar Ağaçları ve Rastgele Ormanlar gibi makine öğrenimi modelleri, WOMAC ve KL düzeyinde doğruluk riskini tahmin edebilmiştir (Şekil 1); ancak yüksek boyutluğa sahip görüntüleme verileriyle mücadeleettiler 4. Derin öğrenme mimarileri, özellikle CNN'ler ve ResNet ağları, otomatik özellik çıkarımı sağlıyor ve daha iyi doğruluk sağlıyordu, ancak anlaması zordu. Vision Transformers (ViT), öz-dikkat yoluyla küresel bağlamsal anlayış getirdi.

DeciViT-F çerçevesi, doğru, anlaşılır ve uygun fiyatlı sağlık çözümleri sunarak sürdürülebilir klinik uygulamaları destekler. Bu, kronik engelli kişilere yardımcı olur ve özellikle yaşlılar için yaşam kalitelerini artırır. Bulanık-Bayes mantığının etik yapay zeka kullanımını teşvik etmesi, klinik karar alma süreçlerinde güven, kapsayıcı ve şeffaflık sağlaması açıktır. Sonuç olarak, bu yaklaşım hepimiz için daha iyi, daha adil ve çevre dostu bir geleceğe yol açacak.

DeciViT-Knee 2025 çerçevesi, bu sorunları ele almak için hibrit, yorumlanabilir bir ürün hattı olarak kurulmuştur. Derin görüntütemsili için ViT-B/16 2,4, net ve olasılıksal sınıflandırma için Bayes Karar Ağaçları ve belirsizliği insanların anlayabileceği dile dönüştüren Bulanık ÇıkarımKatmanı 5'i kullanır. Bu üç katmanlı birleşme, klinisyen düzeyinde yüksek tanı doğruluğu, güçlü kalibrasyon ve yorumlanabilirlik sağlar.

Literatür incelemesi
Daha önceki hiçbir araştırma, ViT-B/16 tabanlı özellik çıkarımı Bayes Karar Ağaçları ile çoklu modal KOA verileri üzerinde olasılıksal akıl yürütme için tamamen birleştirmemiştir. Yorumlanabilirlik üzerine yapılan son çalışmalar, bulanık mantığın kesin sayıları dil temelli akıl yürütme ile bağlamaya nasıl yardımcı olabileceğini göstermiştir. Bulanık sistemler, kısmi doğruluk temsillerini (örneğin, hafif kıkırdak kaybı veya sınırda osteofit varlığı) mümkün kılar; bu da radyolojik değerlendirmelerde sıkça ifade edilen belirsizlikle örtüşür. Bulanık çıkarım katmanlarının, derin ağlara entegre edildiğinde gözlemciler arası değişkenliği azalttığı ve klinik yorumlanabilirliği artırdığıgösterilmiştir 5,6,7,8,9,10. ViT gömmelerinin üzerine Fuzzy-Bayes katmanı koymak, hem olasılıksal hem de dilsel anlamlı karar sınırları oluşturur. Bu, soyut aktivasyonları insanların anlayabileceği kural setlerine dönüştürür, örneğin: EĞER kıkırdak incelmesi orta derecede VE kemik yoğunluğu varyasyonu yüksekse, KL derecesi muhtemelen 2≥ olabilir.

DeciViT-Knee 2025, klinik ortamlarda kullanım için optimize edilmiş ViT-Fuzzy-Bayesian bir çerçeve aracılığıyla erken ve net ve tekrarlanabilir KOA tespiti sağlamayı amaçlamaktadır. Bu, doğruluk, yorumlanabilirlik ve dilsel şeffaflık arasındaki farkı etkili bir şekilde kapatacaktır.

Aşağıdaki yaklaşım, ortamın kurulmasından veri setinin hazırlanmasına ve modelin eğitimi, test ve görselleştirilmesine kadar her adımın açık ve tekrarlanabilir bir açıklamasını sunar. Bu, araştırmacıların ve klinisyenlerin kas-iskelet hastalıklarının hassas tanısında bu çalışmayı tekrarlayıp üzerine inşa etmesine yardımcı olacak

Bir model seçmek ve kurmak
Ana görüntü özellik çıkarıcısı olarak Vision Transformer (ViT-B/16) seçtik çünkü radyografik görüntülerde küresel bağlamsal ilişkileri modellemek için çoklu başlı öz-dikkatkullanabiliyor 2,4,11. ViT yapısı, KL dereceleri 0-4, 2,4,12 arasında ince osteoartritik değişiklikleri ayırt etmek için önemli olan ince taneli doku varyasyonlarının ve uzun aralıklı uzamsal bağımlılıkların eşzamanlı analizine olanak tanır. Bu, yerel alıcıalanları kullanan CNN tabanlı mimarilerden farklıdır 11.

Özellikle sınır ve erken aşama KOA için radyografik derecelendirme ile getirdiği belirsizlikle başa çıkmak amacıyla transformatör gömütme çıkışı ile olasılıksal sınıflandırıcı arasında bir Bulanık Çıkarım Katmanı (FIL) eklendi (Şekil 2)13,14. Kıstırım (FIL) sürekli gömülü aktivasyonları dil açısından anlamlı bulanık kümelere dönüştürür (örneğin, hafif, orta veya şiddetli kıkırdak kaybı) ve tanının ne kadar belirsiz olduğunu gösteren üyelikdereceleri oluşturur 7,8. Bu tasarım, sayısal tahminleri radyologların kullandığı niteliksel akıl yürütme kalıplarıyla eşleştirerekanlaşılmasını kolaylaştırır 15.

Bayes Karar Ağaçları (BDTE) topluluğu, bulanık geliştirilmiş özellik gömülmelerini olasılıksal sınıflandırma sonuçlarına dönüştürmek için kullanıldı; böylece tahminler doğru ve anlaşılırolur 16,17,18,19. Topluluktaki her ağaç, arka olasılıkları ve güven aralıklarını hesaplar, bu da iyi ayarlanmış karar sınırlarınınbelirlenmesine yardımcı olur 13. Bu yöntem, Bayes çıkarımının istatistiksel doğruluğunu karar ağaçlarının kural tabanlı netliğiyle birleştirir ve her tanısal çıktıya hem nicel kesinlik hem de neden yapıldığına dair anlaşılır bir sebep sağlar19.

Karşılaştırma yoluyla kıyaslama
Aynı eğitim ve doğrulama bölünmelerini kullanarak hibrit ViT + FIL + BDTE boru hattını CNN ve ResNet-50 temel hatlarıyla sistematik olarak karşılaştırdık. Karşılaştırma için sınıflandırma doğruluğu, AUC, Brier puanı ve klinisyen tarafından değerlendirilen yorumlanabilirliği beş puanlık bir ölçekte kullandık. Birkaç temel çizginin kullanılması, model genellenebilirliğini, kalibrasyon tutarlılığını ve açıklanabilirliğini mimariler arasında adil şekilde test etmeyi mümkün kılmıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu çalışmada, eğitim ve test için Osteoartrit Girişimi (OAI) ve Çok Merkezli Osteoartrit Çalışması (MOST) verileri kullanıldı. Doğrulama için Indore'daki Ulusal Ashtang Ayurveda Koleji'nden 500 radyograf kullanıldı. Ulusal Ashtang Ayurved Koleji, Indore etik komitesinden etik onay alındı. Kullanılan tüm veriler anonimleştirildi.

1. Modelin yapısı

  1. ImageNet-21k üzerinde zaten kurulmuş olan ViT-B/16'yı kurun; giriş çözünürlüğü 224 x 224 piksel, patch boyutu 16 x 16 ve gömüme boyutu 768.
  2. Her biri 64 başlık boyutlu 12 çok başlı dikkat katmanı kullanın ve aşırı uyumu önlemek için bırakma oranını 0.1'e ayarlayın.
  3. ViT gömütmelerini alın ve LayerNorm ile onları normalize edin, böylece eğitim kararlı olur ve ölçek aynı kalır.
  4. FIL'i kullanarak deterministik ViT gömmelerini bulanık değerli temsillere dönüştürerek yorumun ne kadar belirsiz olduğunu gösterebilir. Her özellik boyutu xixi için, Düşük, Orta ve Yüksek aktivasyon durumlarını belirten üç Gauss üyelik fonksiyonu oluşturun:
    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 ) )
    burada: c_l, c_m ve c_h öğrenilebilen üyelik fonksiyonlarının merkezleridir, sigma_l, sigma_m ve sigma_h onlarla birlikte yayılımlardır, Geri yayılma tüm parametreleri (c ve sigma) ana model ağırlıklarıyla birlikte optimize eder.
    1. Faydalı desenleri bulmak için küçük bir kural seti oluşturun; örneğin kenar kontrastı yüksekse doku varyansı düşükse, OA değişikliği muhtemelen 1. derecede, yoğunluk gradyanı orta ve pürüzlülük yüksekse, OA muhtemelen 2. dereceye geçebilir.
    2. Defuzzification: Çıktıları birleştirmek için ağırlıklı centroid defuzzifikasyon kullanın:
      y = (Σ (w_j z_j)) / (Σ w_j)
      burada: w_j, j-ci bulanık kuralın aktivasyon ağırlığıdır (ne kadar doğrudur), z_j bu kuraldan sonra gelen değer veya çıkış gücüdür. Çıkış bulanık-artırılmış gömüleme vektörü bunu anlamayı kolaylaştırır ve ardından BDTE modülüne gönderilir.
      NOT: Hesaplamalı ek yük: NVIDIA RTX A5000 (16 GB VRAM) ile ortalama eğitim süresi katlama başına 6,4 dakika idi. Çıkarım süresi, 10 görüntü partisi başına 0,42 saniyeydi. BDT modülü, toplam boru hattı çalışma süresini yaklaşık %11 artırdı, ancak aşırı güven ve yanlış sınıflandırma kayıntısını Bayes olmayan ağaç topluluklarına kıyasla %18 azalttı. Bu yapılandırma, yorumlanabilirlik, hesaplama verimliliği ve olasılıksal güvenilirlik arasında etkili bir denge sunuyordu.
  5. Füzyon ve çıkış
    1. Bileşik tanı özellik matrisini, ViT gömmelerini, bulanık artırılmış özellikleri ve meta verileri (eğer mevcutsa) birleştirerek oluşturun. Bu matrisi BDTE için giriş olarak kullanın. Son model hem sınıf olasılıklarını hem de belirsizlik haritalarını verir.
  6. Bayes Karar Ağacı Topluluğu (BDTE)
    1. Bayes Karar Ağacı Topluluğunu başlatın (50 ağaç, maksimum derinlik = 10). Laplace önceliklerini (α = 1) ve Bayes Model Ortalamasını uygulayın.
    2. Entropi tabanlı bilgi kazancı kullanarak düğümleri bölmek. Monte Carlo örnekleme yoluyla sınıf posteriorlarını tahmin edin (500/ağaç).
    3. Ağaçları L2 cezası ile düzenlendirin (λ = 1 x 10⁻³). Olasılıkları izotonik regresyon kullanarak kalibre.
  7. Giriş ve özellikleri aşağıda açıklandığı gibi ayarlayın.
    1. Girin görüntü I. I'yi 224 × 224'e yeniden boyutlandırın ve normalleştirin. ViT-B/16 omurgasından geç I. CLS gömüleme vektörü X = {x1, x2, ..., xd} çıkar. X'i kompakt gizli Z uzayına doğrusal bir projeksiyon kullanarak projeksiyon yapın. Z'yi normalize ederek kararlı bulanık üyelik hesaplamasını sağlayın. Aşağıdaki kodu görebilirsiniz.
      I_norm ← ZScoreNormalize(I)
      I_clahe ← ApplyCLAHE(I_norm, clip=2.0, grid=8×8)
      Meta Veri İşleme
      M_scaled ← StandardScale(M)
      M_imputed ← KNNImpute(M_scaled, k=5)
      Özellik Çıkarımı
      F ← ViT-B/16(I_clahe)
      Bulanık Çıkarım
      F_fuzzy ← ApplyFuzzyRules(F, M_imputed, R)
    2. Bulanık temsil ve mantık: Z'deki her zi özelliği için Gauss üyelik değerlerini hesaplayın. Her zi'yi bulanık bir vektör olarak temsil edin Fi = {μ_low, μ_med, μ_high}. Özellik istatistiklerinden cc ve σσ Gauss parametrelerini başlatmak ve ViT ağırlıklarıyla birlikte geri yayılma kullanarak optimize etmek.
      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. Belirsiz kurallar oluşturun ve kural ateşlenmesini çıkarın. Bulanık kural tabanı R'yi IF-THEN kurallarıyla tanımlayın. R'deki her rj kuralı için, Fi'den gerekli bulanık üyelikleri alın. Kural ateşleme gücünü t-normu çarpımı kullanarak wj hesaplayın
      wj = Π μAk(Fk)
      Örnek kural:
      IF (kenar kontrastı = Yüksek) VE (doku varyansı = Düşük) O ZAMAN (KOA Derecesi = 1)
      Bayes Karar Ağacı Çıkarımı
      BDTE'deki her T_k ağaç için
      P_k(y|x) ← PredictPosterior(T_k, F_fuzzy)
      son
    4. Defuzzifikasyon ve belirsizlik tahmini: Her rj kuralı için sayısal sonuç zj (KL derecesi veya bulanık logit) atayın. Sugeno defuzzifikasyonu kullanarak sürekli bulanık çıktıyı hesaplayın:
      y_fuzzy = (Σ wj · zj) / (Σ wj)
      Bayes Birliği
      P_final(y|x) ← Mean_k(P_k(y|x))
    5. Bayes karar ağaçlarıyla birleştirerek bulanık-gelişmiş özellikleri ve belirsizlik metriklerini birleştirin:
      F_final = [Z, y_fuzzy, H, S, C]
      Bayes Karar Ağacı Topluluğuna F_final giriş. Her ağaç arka sınıf olasılıklarını hesaplar, Laplace öncelikleri düşük örneklem düğümlerini stabilize eder ve Bayes Modeli Ortalaması tahminleri toplar
      Karar ve Belirsizlik
      y* ← argmax_y P_final(y|x)
      U ← ComputeUncertainty(P_final)
    6. Belirsizlik tahmini: {wj}'den entropi H'yi hesapla. Baskın üyelik keskinliğini hesapla S. Aşağıdaki gibi rekabet eden kurallar arasında çatışma indeksi C'yi hesapla.
      Yüksek entropi → belirsiz tanı
      Düşük keskinlik → sınırda KOA
      Yüksek çatışma → örtüşen derecelendirme desenleri
      return y*, P_final, U
    7. Posterior olasılıkları elde et P(y | I). Son KOA notunu seçin:
      y_hat = argmax P(y | I)
      Nihai KOA not y_hat, sınıf bazında olasılıklar ve yorumlanabilir belirsizlik göstergelerini içeren çıktıyı elde edin
  8. DeciVit-Fuzzy Modelinin Granülerliği
    1. ViT ince ayar ve Bayes ağaçları için kritik hiperparametreleri aşağıdaki gibi ayarlayın.
      ViT İnce Ayar Parametreleri:
      Öğrenme hızı: 1e−4 (kosinüs bozunma takvimi ile)
      Parti sayısı: 16
      Optimizer: AdamW (β₁=0.9, β₂=0.999, kilo azalması = 0.01)
      Çağlar: 30, erken duraklama platosu (sabır = 5)
      Eleme: 0.1
      Zamanlayıcı: Isınma (toplam adımların %10'u), ardından lineer azalma
      Bayes Karar Ağacı Parametreleri:
      Tahmin ediciler sayısı: 50
      Maksimum derinlik: 10
      Prior: Laplace prior varyansla = 0.25
      Bölme kuralı: Maksimum bilgi kazancı (Entropi kriteri)
      Arka tahmin: Monte Carlo örnekleme (ağaç başına 500 çekme)
      Düzenleme: L2 cezası = 1e−3
      Topluluk ortalaması: Tüm ağaçlar üzerinde Bayes modeli ortalaması

2. Modelin kıyaslanması

  1. Katmanlı tren - test bölünmesi
    1. D veri seti KL sınıf etiketlerine göre gruplanın. Sınıf oranlarını korumak için tabakalı örnekleme uygulanır. Veriyi şu şekilde böl: Eğitim seti D_train = 80%, test seti D_test = %20. Her KL notunun (0-4) her iki sette orantılı olarak göründüğünden emin olun
      NOT: Katmanlaşma, çoğunluk sınıflarının (KL 2-3) hakimiyetini önler ve erken aşama KOA'nın (KL 0-1) adil öğrenimini sağlar.
  2. Ağırlıklı çapraz entropi kullanarak ViT'nin ince ayarlanması
    1. Sınıf ağırlıklarını hesaplayın w_c = 1 / frekans (KL_c). Ağırlıklı çapraz entropi kaybı başlatın L_vit. Erken ViT katmanlarını dondurun ve son transformatör bloklarını çözün.
    2. Her eğitim dönemi için, ViT-B/16 üzerinden ileri geçiş görüntüleri yapılır. Ağırlıklı kayıp L_vit'i hesaplayın, gradyanları geri yayınız ve ViT ağırlıklarını AdamW optimizer'ı kullanarak güncelleyin.
      NOT: Daha yüksek kayıp ağırlıkları, modeli az temsil edilen notlara (KL 0-1) odaklanmaya zorlar ve erken KOA hassasiyetini iyileştirir.

3. Veri analizi

  1. DeciViT-F çerçevesinin klinik yorumlanabilirliğini değerlendirmek için, her biri on yıldan fazla tanı deneyimine sahip beş deneyimli değerlendirici - üç ortopedi cerrahı ve iki kas-iskelet radyoloğu - içeren yapılandırılmış bir değerlendirme gerçekleştirin.
  2. Modelin görsel açıklama arayüzü aracılığıyla beş Kellgren-Lawrence (KL) derecesini temsil eden 50 radyografik vakadan oluşan özenli bir set sunun; bu durum şu özellikleri öngören sınıf ve güven puanı, bulanık dilsel çıktı (düşük, orta, yüksek risk) ve Bayes karar yolu ile temel katkı sağlayan özellikleri göstermektedir.
  3. Her değerlendiriciden açıklamaların açıklığını, klinik önemini ve mantıksal tutarlılığını bağımsız olarak 5 puanlık bir Likert ölçeği (1 = çok belirsiz, 5 = çok açık) puanlamasını talep edin. Ortalama yorumlanabilirlik oranı 4.7 ± 0.3 idi; bir arada değerlendirici Cohen'in κ = 0.81 ve Krippendorff'un α = 0.79 olarak güçlü bir uyum olduğunu gösteriyor.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Performans değerlendirmesi
DeciViT-F (Şekil 3) en yüksek performansı (Doğruluk 0.89, AUC 0.93, F1 0.87) ve en düşük Brier puanını (0.082) elde etti; bu, CNN, ResNet-50 ve ViT-only modellerden daha iyi kalibrasyon gösterdiğini gösteriyor; çünkü ViT modelleri nispeten daha yüksek belirsizlik gösterdi. İki ortopedi kliniğinde yapılan bir perspektif değerlendirme, özellikle KOA sınır vakalarında tanısal güvenin arttığını ve önerilen çerçevenin klinik sağlamlığını ve genellene...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

DeciViT-F çerçevesi, Diz Osteoartriti (KOA) için hem doğruluk hem de erken tanı hassasiyetinde kayda değer iyileşmeler sağladı. Nicel değerlendirme, genel doğruluk %91,2, makro-F1 puanı 0,88 ve AUC 0,968 olarak gösterilerek CNN, ResNet-50 ve sadece ViT ile ilgili temel sınırları önemli ölçüde geride bıraktı. Model ayrıca 0,072 Brier puanı ve 0,041 Beklenen Kalibrasyon Hatası (ECE) elde etti; bu da üstün güven kalibrasyonunu yansıtıyor. En önemlisi, erken evre KOA (KL 0-1) hassasiyeti %12...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, bu araştırmanın tasarımı, uygulanması veya raporlanmasını etkileyebilecek çelişkili finansal çıkarları, ticari bağları veya kişisel ilişkileri olmadığını iddia etmektedir.

Teşekkürler

Yazarlar, bu çalışmanın doğrulama aşamasında etkili olan yaklaşık 500 anonim diz radyografisi sağladığı için Hindistan'ın Madhya Pradesh eyaletindeki Indore, Lokmanya Nagar'daki Ulusal Ashtang Ayurveda Koleji Direktörü Dr. Das Adhikari'ye içten teşekkürlerini sunarlar. Yazarlar ayrıca, modelin eğitimi ve test için çok önemli olan halka açık veri setleri sağlayan Ulusal Sağlık Enstitüleri'ne (NIH, ABD), Osteoartrit Girişimi'ne (OAI) ve Çok Merkezli Osteoartrit Çalışması'na (MOST) teşekkür etmektedir. DeciViT-Knee 2025 protokolünün oluşturulması veya uygulanması için dışarıdan bir fon bulunmamıştır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
NumPyNumPyhttps://numpy.org/
OpenCVAçık CVhttps://opencv.org/
Osteoartrit Girişimi (OAI), MOST depolarıUlusal Sağlık Enstitülerihttps://nda.nih.gov/oai
Python 3.9+Pythonhttps://www.python.org/downloads/release/python-390/
PyTorchLinux Vakfıhttps://pytorch.org/
SciPyGithibhttps://scipy.org/
TensorFlowTensör akışıhttps://www.tensorflow.org/

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Vision TransformerlarBayes Karar A a larBulan k kar mDerin renme AkKas skelet Sistemi G r nt lemeRadyografik AnalizMRI Veri SetleriOlas l ksal S n fland rmaznitelik kar m

İlgili makaleler