Discovering Knee Osteoarthritis Using CNN Enhanced with AlexNet
Notice bibliographique
Résumé
Pain and a decline in gait function are symptoms of knee osteoarthritis (KOA). With the use of machine learning methods, developed regression models to identify KOA-related gait variables according to outcome measurements (PROMS) that the patient reports. 375 people with a range of KOA scores took part in the study. Making use of the McMaster Universities and Western Ontario Osteoarthritis Index (WOMAC), the severity of KOA was assessed. The severity of the diseases was divided into three groups based on WOMAC scores. From the gait data, 1087 characteristics in total were retrieved. After doing an ANOVA and student's t-test, the machine learning system selected only significant features. Each of the three subscales of the WOMAC: stiffness, discomfort, and physical function has three categories. To ascertain which chosen traits were substantially correlated with the subscales, an ANOVA was conducted. To estimate the patient's WOMAC values, a random forest regression as well as linear regression models were utilized. Based on the outcomes of the student t-test and ANOVA, 43 characteristics were chosen. Twelve characteristics from the hip, one from the pelvis, seventeen from the foot, three from the spatiotemporal characteristics, nine from the knee, and one from the ankle were chosen from each joint. This research proposed a novel approach utilizing Convolutional Neural Networks (CNNs) with the AlexNet architecture to enhance the diagnostic accuracy and severity assessment of knee osteoarthritis. The study leverages a large dataset of knee radiographic images, encompassing diverse cases of OA progression. The AlexNet architecture, renowned for its deep learning capabilities in image classification tasks, is employed to automatically extract hierarchical features from the input radiographs. The CNN model is trained to discern subtle patterns and nuanced information indicative of OA-related structural changes, enabling it to differentiate between varying stages of the disease.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».