Fugu-MT 論文翻訳(概要): Knee-xRAI: An Explainable AI Framework for Automatic Kellgren-Lawrence Grading of Knee Osteoarthritis

論文の概要: Knee-xRAI: An Explainable AI Framework for Automatic Kellgren-Lawrence Grading of Knee Osteoarthritis

arxiv url: http://arxiv.org/abs/2604.23435v1
Date: Sat, 25 Apr 2026 20:34:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-28 17:12:07.335999
Title: Knee-xRAI: An Explainable AI Framework for Automatic Kellgren-Lawrence Grading of Knee Osteoarthritis
Title（参考訳）: Knee-xRAI:変形性膝関節症に対するKellgren-Lawrenceグラフ作成のための説明可能なAIフレームワーク
Authors: Azmul A. Irfan, Nur Ahmad Khatim, Alfan Alfian Irfan, Achmad Zaki, Erike A. Suwarsono, Mansur M. Arief,
Abstract要約: Knee-xRAIは変形性膝関節症(KOA)の3つの基本的なX線学的特徴を定量化するモジュラーフレームワークである。 Knee-xRAIは、単一の監査可能なパイプライン内で3つのKL定義のラジオグラフィ機能をすべて明示的に定量化する。
参考スコア（独自算出の注目度）: 0.4618037115403289
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Radiographic grading of knee osteoarthritis (KOA) with the Kellgren-Lawrence (KL) system is limited by inter-reader variability and the opacity of current deep learning approaches, which predict KL grades directly from images without decomposing structural features. We present Knee-xRAI, a modular framework that independently quantifies the three cardinal radiographic features of KOA (joint space narrowing [JSN], osteophytes, and subchondral sclerosis) and integrates them into an explainable KL grade classification. The pipeline combines U-Net++ segmentation for contour-based JSN measurement, an SE-ResNet-50 network for per-site osteophyte grading (OARSI scale), and a hybrid texture-CNN classifier for binary sclerosis quantification. The resulting 50-dimensional structured feature vector feeds two complementary classification paths. An XGBoost path supports SHAP-based feature attribution. A ConvNeXt hybrid path combines the structured vector with a full-image encoder for enhanced predictive performance. Evaluated on 8,260 radiographs from an OAI-derived dataset, the JSN module achieved a Dice coefficient of 0.8909 and an mJSW intraclass correlation of 0.8674 against manual annotations. The ConvNeXt hybrid path reached a test quadratic weighted kappa (QWK) of 0.8436 and AUC of 0.9017. The transparent XGBoost path achieved a test QWK of 0.6294 with full feature-level audit capability. Ablation confirmed JSN as the dominant predictor (QWK = 0.6103 alone), with osteophyte features providing consistent incremental gain (+0.0183) and sclerosis contributing marginally. Inference-time ablation of Path B confirmed the structured pathway contributes materially beyond the image encoder, with QWK drops of 0.098 (feature zeroing) and 0.284 (feature-image permutation). Knee-xRAI explicitly quantifies all three KL-defining radiographic features within a single auditable pipeline.
Abstract（参考訳）: 膝関節症に対するKelgren-Lawrence (KL) システムによるX線学的評価は, 構造的特徴を分解することなく, 画像から直接KLグレードを予測する, 読取者間変動と現在の深層学習アプローチの不透明性によって制限される。 Knee-xRAI は KOA (joint space narrowing [JSN], osteophytes, subchondral sclerosis) の3つの基本的な放射線学的特徴を独立に定量化し, 説明可能な KL 分類に統合するモジュラーフレームワークである。このパイプラインは、輪郭ベースのJSN測定のためのU-Net++セグメンテーション、サイトごとの骨芽細胞グレーディング(OARSIスケール)のためのSE-ResNet-50ネットワーク、バイナリ硬化定量のためのハイブリッドテクスチャ-CNN分類器を組み合わせた。結果として得られる50次元構造的特徴ベクトルは2つの相補的な分類経路を与える。 XGBoostパスはSHAPベースの機能属性をサポートする。 ConvNeXtハイブリッドパスは、構造化ベクトルとフルイメージエンコーダを組み合わせて予測性能を向上させる。 JSNモジュールは、OAI由来のデータセットから8,260個のX線写真に基づいて評価され、Dice係数が0.8909、mJSWクラス内相関が0.8674に達した。 ConvNeXtハイブリッドパスはテスト2次重み付きカッパ(QWK)が0.8436、AUCが0.9017に達した。透明なXGBoostパスは、完全な機能レベルの監査機能を備えた0.6294のテストQWKを達成した。アブレーションはJSNを支配的な予測因子(QWK = 0.6103 単独)として確認し、骨芽細胞の特徴は一貫したインクリメンタルゲイン(+0.0183)を示し、硬化はわずかに寄与した。 Path Bの推論時アブレーションにより、構造経路は画像エンコーダをはるかに越え、QWKは0.098(Fature zeroing)、0.284(Feature-image permutation)であることがわかった。 Knee-xRAIは、単一の監査可能なパイプライン内で3つのKL定義のラジオグラフィ機能をすべて明示的に定量化する。

関連論文リスト

Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization [9.995968038491128]
変形性骨折を発症するまで、骨粗しょう症や骨減少症は診断されないことが多い。変形性膝関節症評価のために, 膝X線撮影を行った。単一チャネルグレースケール膝X線撮影のためのマルチタスクフレームワークSTR-Netを開発した。
論文参考訳（メタデータ） (2026-04-22T07:12:04Z)
Self-Supervised Learning for Knee Osteoarthritis: Diagnostic Limitations and Prognostic Value of Hospital Data [44.60673645733936]
自己教師あり学習(SSL)は、診断と予後のための膝関節症(OA)モデルを改善する。我々は,OAI,MOST,NYUコーホーツの膝X線写真で事前訓練された画像のみSSLと,(ii)病院膝X線写真で事前訓練されたマルチモーダル画像テキストSSLと,放射線学的印象との組み合わせを比較した。 Kellgren-Lawrence (KL)グレードの診断では、SSLは混合結果を得た。
論文参考訳（メタデータ） (2026-03-26T00:33:55Z)
Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks [6.923757075165361]
解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-03T02:05:20Z)
AGE-Net: Spectral--Spatial Fusion and Anatomical Graph Reasoning with Evidential Ordinal Regression for Knee Osteoarthritis Grading [3.337151338735509]
AGE-Netは、SSF(Spectral-Spatial Fusion)、AGR(Anatomical Graph Reasoning)、DFR(differial Refinement)を統合したConvNeXtベースのフレームワークである。 KLデータセットでは、AGE-Netは2次重み付きカッパ(QWK)が0.9017 +/- 0.0045で、平均二乗誤差(MSE)が0.2349 +/- 0.0028である。
論文参考訳（メタデータ） (2026-01-24T06:35:30Z)
A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文参考訳（メタデータ） (2025-08-19T14:41:22Z)
CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
論文参考訳（メタデータ） (2025-02-25T13:09:34Z)
A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。 RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
論文参考訳（メタデータ） (2025-01-14T16:28:02Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文参考訳（メタデータ） (2021-10-19T00:03:57Z)
Classification of Schizophrenia from Functional MRI Using Large-scale Extended Granger Causality [0.0]
大規模拡張グランジャー因果関係(lsxgc)は脳ネットワーク接続の変化を捉えることができる。 lsXGCは典型的なコントロールから統合失調症の患者を分類するためのバイオマーカーとして機能します。統合失調症のバイオマーカーとしてのlsXGCの適用性について検討した。
論文参考訳（メタデータ） (2021-01-12T20:36:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。