జర్నల్ ఆఫ్ థియరిటికల్ & కంప్యూటేషనల్ సైన్స్
అందరికి ప్రవేశం

నైరూప్య

మోకాలి ఆస్టియో ఆర్థరైటిస్ తీవ్రతను అంచనా వేయడం: రోగి యొక్క డేటా మరియు సాదా ఎక్స్-రే చిత్రాల ఆధారంగా తులనాత్మక నమూనా

జయనల్ అబెదిన్

మోకాలి ఆస్టియో ఆర్థరైటిస్ (KOA) అనేది మోకాలి పనితీరును బలహీనపరిచే మరియు నొప్పిని కలిగించే వ్యాధి. ఒక రేడియాలజిస్ట్ మోకాలి ఎక్స్-రే చిత్రాలను సమీక్షిస్తాడు మరియు కెల్‌గ్రెన్ మరియు లారెన్స్ గ్రేడింగ్ పథకం ప్రకారం బలహీనతల తీవ్రత స్థాయిని గ్రేడ్ చేస్తాడు; ఐదు-పాయింట్ ఆర్డినల్ స్కేల్ (0~??4). ఈ అధ్యయనంలో, రోగి అంచనా డేటా (అంటే రెండు మోకాలు మరియు మందుల వాడకం యొక్క సంకేతాలు మరియు లక్షణాలు) మరియు ఎక్స్-రే ఉపయోగించి శిక్షణ పొందిన కన్వల్యూషన్ న్యూరల్ నెట్‌వర్క్ (CNN) ఉపయోగించి ప్రిడిక్టివ్ మోడల్‌లను రూపొందించడానికి సాగే నెట్ (EN) మరియు రాండమ్ ఫారెస్ట్‌లు (RF)ని ఉపయోగించాము. చిత్రాలు మాత్రమే. లీనియర్ మిక్స్డ్ ఎఫెక్ట్ మోడల్స్ (LMM) రెండు మోకాళ్ల మధ్య సబ్జెక్ట్ కోరిలేషన్‌ను మోడల్ చేయడానికి ఉపయోగించబడ్డాయి. CNN, EN మరియు RF మోడల్‌ల కోసం రూట్ మీన్ స్క్వేర్డ్ ఎర్రర్ వరుసగా 0.77, 0.97 మరియు 0.94. LMM EN రిగ్రెషన్ వలె మొత్తం అంచనా ఖచ్చితత్వాన్ని చూపుతుంది కానీ డేటా యొక్క క్రమానుగత నిర్మాణాన్ని సరిగ్గా లెక్కించింది, ఫలితంగా మరింత నమ్మదగిన అనుమితి ఏర్పడుతుంది. ఎక్స్-రే ఇమేజింగ్‌కు ముందు రోగి పర్యవేక్షణకు ఉపయోగపడే ఉపయోగకరమైన వివరణాత్మక వేరియబుల్స్ గుర్తించబడ్డాయి. KOA తీవ్రత స్థాయిలను అంచనా వేయడానికి శిక్షణ పొందిన మోడల్‌లు X-రే చిత్రాలు మరియు రోగి డేటాను మోడలింగ్ చేసేటప్పుడు పోల్చదగిన ఫలితాలను సాధిస్తాయని మా విశ్లేషణలు సూచిస్తున్నాయి. KL గ్రేడ్‌లోని సబ్జెక్టివిటీ ఇప్పటికీ ప్రాథమిక ఆందోళనగా ఉంది.