Objective Bi-Modal Assessment of Knee Osteoarthritis Severity Grades: Model and Mechanism
Notice bibliographique
Résumé
Knee osteoarthritis (KOA), a common musculoskeletal disorder, is typically diagnosed by assessing patients’ X-rays. This method may have potential implications for health, especially with long-term and repeated examinations. In this study, we propose a KOA severity prediction (SP) model that utilizes bi-modal data, thermal image combined with personal health data, to objectively classify KOA severity into three categories, following the Kellgren-Lawrence (KL) grading criterion. We establish, for the first time, the KOA dataset and evaluate it with the KOA SP model, achieving the classification accuracy of 89.29%. The generalization of the KOA SP model is validated using data from the other centers, attaining the accuracy of 70.83%. The mechanism of KOA SP model is verified by utilizing the theory of thermal resistance in heat conduction and the anatomy of knee joint. The KOA SP model is developed by modeling handcrafted bi-modal features using gradient boosting tree, and we explain the reasons for not using deep neural networks, based on Vapnik-Chervonenkis dimension (VC dimension), from the perspective of the initial and appropriate feature representation of the task. The KOA SP model is anticipated to significantly alleviate the burden on physicians in assessing the severity of the disease, offering crucial supplementary data for knee disease diagnosis, thereby enhancing both efficiency and diagnostic precision in the KOA field. The KOA dataset and the corresponding code can be accessed publicly athttps://github.com/chenjjsx/KOA.git.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».