Köszönjük, hogy meglátogatta a nature.com webhelyet. A használt böngésző verziója korlátozott CSS -támogatással rendelkezik. A legjobb eredmény elérése érdekében javasoljuk, hogy használja a böngésző újabb verzióját (vagy kikapcsolja a kompatibilitási módot az Internet Explorerben). Időközben a folyamatos támogatás biztosítása érdekében a webhelyet stílus vagy javascript nélkül mutatjuk be.
A fogakat az emberi test életkorának legpontosabb mutatója tekintik, és gyakran használják a kriminalisztikai életkor értékelésében. Célunk volt az adatbányászat-alapú fogkori becslések validálására a 18 éves küszöb becslési pontosságának és osztályozási teljesítményének összehasonlításával a hagyományos módszerekkel és az adatok bányászati életkor-becsléseivel. Összesen 2657 panorámás röntgenfelvételt gyűjtöttek a 15–23 éves koreai és japán állampolgároktól. Ezeket egy edzőkészletre osztottuk, mindegyik 900 koreai röntgenfelvételt tartalmazott, és egy belső tesztkészlet, amely 857 japán röntgenfelvételt tartalmaz. Összehasonlítottuk a hagyományos módszerek osztályozási pontosságát és hatékonyságát az adatbányászati modellek tesztkészleteivel. A hagyományos módszer pontossága a belső tesztkészletnél valamivel magasabb, mint az adatbányászati modellnél, és a különbség kicsi (átlagos abszolút hiba <0,21 év, a gyökér átlagos hibája <0,24 év). A 18 éves küszöb osztályozási teljesítménye szintén hasonló a hagyományos módszerek és az adatbányászati modellek között. Így a hagyományos módszereket az adatbányászati modellek helyettesíthetik, amikor a kriminalisztikai életkori értékelést elvégzik a koreai serdülők és a fiatal felnőttek második és harmadik molarájának érettségének felhasználásával.
A fogászati életkor becslését széles körben használják a kriminalisztikai orvoslásban és a gyermekgyógyászatban. Különösen a kronológiai életkor és a fogászati fejlődés közötti magas korreláció miatt a fogfejlesztési szakaszok szerinti életkori értékelés fontos kritérium a gyermekek és serdülők életkorának értékelésére1,2,3. A fiatalok számára azonban a fogászati életkor becslése a fogászati érettségen alapul, mivel a fogászati növekedés szinte teljes, a harmadik moláris kivételével. A fiatalok és serdülők életkorának meghatározásának jogi célja, hogy pontos becsléseket és tudományos bizonyítékokat nyújtson arról, hogy elérték -e a többség életkorát. A serdülők és fiatal felnőttek gyógyászati jogi gyakorlatában Koreában az életkorot Lee módszerrel becsülték meg, és az Oh et al. Ábra által bejelentett adatok alapján 18 éves jogi küszöböt becsültek meg.
A gépi tanulás egyfajta mesterséges intelligencia (AI), amely többször megtanulja és osztályozza nagy mennyiségű adatot, önmagában megoldja a problémákat, és az adatprogramozást vezeti. A gépi tanulás hasznos rejtett mintákat fedezhet fel nagy mennyiségű adatban6. Ezzel szemben a munkaigényes és időigényes klasszikus módszerek korlátozottak lehetnek, ha nagy mennyiségű komplex adatot kezelnek, amelyeket nehéz manuálisan feldolgozni7. Ezért számos tanulmányt végeztek a közelmúltban a legújabb számítógépes technológiák felhasználásával az emberi hibák minimalizálása és a többdimenziós adatok hatékony feldolgozása érdekében8,9,10,11,12. Különösen a mély tanulást széles körben alkalmazták az orvosi képanalízisben, és a röntgenfelvételek automatikus elemzésével különféle életkor -becslési módszerekről számoltak be, hogy javítják az életkor becslésének pontosságát és hatékonyságát13,14,15,16,18,19,20 - Például a Halabi és munkatársai 13 gépi tanulási algoritmust fejlesztettek ki konvolúciós neurális hálózatokon (CNN), hogy megbecsüljék a csontváz életkorát a gyermekek kezének röntgenfelvételeivel. Ez a tanulmány olyan modellt javasol, amely gépi tanulást alkalmaz az orvosi képekre, és azt mutatja, hogy ezek a módszerek javíthatják a diagnosztikai pontosságot. Li et al14 becsült életkor a medencei röntgenképekből egy mély tanulási CNN segítségével, és összehasonlította őket a regressziós eredményekkel az Ossification Stage becslés felhasználásával. Megállapították, hogy a mély tanulási CNN modell ugyanolyan életkor -becslési teljesítményt mutatott, mint a hagyományos regressziós modell. Guo és munkatársai tanulmánya [15] értékelte a CNN technológia életkor -tolerancia -osztályozási teljesítményét fogorvosi ortofotók alapján, és a CNN modell eredményei bebizonyították, hogy az emberek felülmúlják az életkor osztályozási teljesítményét.
A legtöbb életkor becsléséről a gépi tanulás alkalmazásával végzett tanulmányok mély tanulási módszereket használnak13,14,15,16,17,18,19,20. A mély tanuláson alapuló életkor becslése szerint pontosabbak, mint a hagyományos módszerek. Ez a megközelítés azonban kevés lehetőséget kínál az életkori becslések tudományos alapjának bemutatására, például a becslésekben alkalmazott életkor -mutatókra. Van egy jogi vita arról is, hogy ki végzi az ellenőrzéseket. Ezért a közigazgatási és igazságügyi hatóságok nehéz elfogadni a mély tanuláson alapuló életkor becslését. Az adatbányászat (DM) olyan technika, amely nemcsak a váratlan információkat fedezheti fel, mint módszerként a nagy mennyiségű adatok közötti hasznos korrelációk felfedezésére 6,21,22. A gépi tanulást gyakran használják az adatbányászatban, és mind az adatbányászat, mind a gépi tanulás ugyanazokat a kulcs algoritmusokat használja az adatok mintáinak felfedezéséhez. Az életkor becslése a fogfejlesztéssel a vizsgáztató értékelésén alapul a célfogak érettségéről, és ezt az értékelést minden célfog szakaszában fejezik ki. A DM felhasználható a fogászati értékelési szakasz és a tényleges életkor közötti korreláció elemzésére, és lehetősége van a hagyományos statisztikai elemzés helyett. Ezért, ha a DM technikákat alkalmazzuk az életkor becslésére, akkor a gépi tanulást a kriminalisztikai életkor becsléseiben valósíthatjuk meg anélkül, hogy a jogi felelősség miatt aggódnánk. Számos összehasonlító tanulmányt tettek közzé a kriminalisztikai gyakorlatban alkalmazott hagyományos kézi módszerek lehetséges alternatíváiról és az EBM-alapú módszerekről a fogkor korkorának meghatározására. Shen és mtsai23 azt mutatta, hogy a DM modell pontosabb, mint a hagyományos kamera -képlet. Galibourg és munkatársai különböző DM módszereket alkalmaztak az életkor előrejelzésére a Demirdjian Criterion25 szerint, és az eredmények azt mutatták, hogy a DM módszer felülmúlta a DemirdJian és Willems módszereket a francia populáció életkorának becslése során.
A koreai serdülők és a fiatal felnőttek fogászati életkorának becslésére a Lee 4. módszerét széles körben használják a koreai kriminalisztikai gyakorlatban. Ez a módszer a hagyományos statisztikai elemzést (például a többszörös regressziót) használja a koreai alanyok és az időrendi életkor közötti kapcsolat vizsgálatára. Ebben a tanulmányban a hagyományos statisztikai módszerekkel kapott életkor -becslési módszereket „hagyományos módszerekként” kell meghatározni. Lee módszere egy hagyományos módszer, és pontosságát Oh et al. 5; A koreai kriminalisztikai gyakorlatban a DM modell alapján az életkor becslésének alkalmazhatósága azonban továbbra is megkérdőjelezhető. Célunk az volt, hogy a DM modell alapján tudományosan igazoljuk az életkor becslésének potenciális hasznosságát. Ennek a tanulmánynak az volt a célja (1), hogy összehasonlítsák a két DM modell pontosságát a fogkor korszakának becslésében, és (2) összehasonlítani a 7 DM modellek osztályozási teljesítményét 18 éves korban a hagyományos statisztikai módszerek második lejáratú lejáratával kapott eredményekkel. és a harmadik molarok mindkét állkapocsban.
A kronológiai életkor és a fog típus szerinti és a fog típus szerinti átlagát és szórásait az S1 kiegészítő táblázat (edzéskészlet), az S2 kiegészítő táblázat (belső tesztkészlet) és az S3 kiegészítő táblázat (külső tesztkészlet) kiegészítő táblázata mutatja be. Az edzőkészletből kapott Kappa-értékek az intra- és az intero-szerver megbízhatóságának 0,951 és 0,947 voltak. A Kappa -értékek P értékeit és 95% -os konfidencia -intervallumát az S4 online kiegészítő táblázat mutatja. A kappa értéket „szinte tökéletesnek” értelmezték, összhangban a Landis és a Koch26 kritériumaival.
Az átlagos abszolút hiba (MAE) összehasonlításakor a hagyományos módszer kissé felülmúlja a DM modellt az összes nem és a külső férfi tesztkészlet esetében, a többrétegű Perceptron (MLP) kivételével. A belső MAE tesztkészletben a hagyományos modell és a DM modell közötti különbség 0,12–0,19 év volt a férfiaknál és 0,17–0,21 év a nőknél. A külső teszt akkumulátor esetében a különbségek kisebbek (0,001–0,05 év férfiak és 0,05–0,09 év a nőknél). Ezenkívül a gyökér átlagos négyzethiba (RMSE) valamivel alacsonyabb, mint a hagyományos módszer, kisebb különbségekkel (0,17–0,24, 0,2–0,24 a férfi belső tesztkészletnél és 0,03–0,07, 0,04–0,08 a külső tesztkészletnél). ). Az MLP kissé jobb teljesítményt mutat, mint az egyrétegű Perceptron (SLP), kivéve a női külső tesztkészlet esetét. A MAE és az RMSE esetében a külső tesztkészlet magasabb pontszámot mutat, mint az összes nem és modell belső tesztkészlete. Az összes Mae és RMSE -t az 1. táblázat és az 1. ábra mutatja.
A hagyományos és adatbányászati regressziós modellek Mae és RMSE. Átlagos abszolút hiba Mae, gyökér átlagos négyzethiba RMSE, egyrétegű Perceptron SLP, Multilayer Perptron MLP, hagyományos CM módszer.
A hagyományos és DM modellek 18 éves küszöbértékének osztályozási teljesítményét (18 éves küszöbértékkel) az érzékenység, a specifitás, a pozitív prediktív érték (PPV), a negatív prediktív érték (NPV) és a vevő működési jellemző görbe (AUROC) alapján mutatta be. 27. (2. táblázat, 2. ábra és az 1. kiegészítő ábra online). A belső teszt akkumulátor érzékenységét tekintve a hagyományos módszerek a férfiak körében a legjobban, a nők körében pedig rosszabbak. A hagyományos módszerek és az SD közötti osztályozási teljesítmény különbsége azonban a férfiaknál 9,7% (MLP), a nők esetében pedig csak 2,4%. A DM modellek közül a logisztikus regresszió (LR) mindkét nemben jobb érzékenységet mutatott. A belső tesztkészlet specifitását illetően megfigyelték, hogy a négy SD modell jól teljesített férfiakban, míg a hagyományos modell jobban teljesített a nőstényekben. A férfiak és a nők osztályozási teljesítményének különbségei 13,3% (MLP) és 13,1% (MLP), jelezve, hogy a modellek közötti osztályozási teljesítmény különbsége meghaladja az érzékenységet. A DM modellek közül a támogató vektorgép (SVM), a döntési fa (DT) és a véletlenszerű erdő (RF) modellek a legjobban működtek a férfiak körében, míg az LR modell a legjobban teljesítette a nőstényeket. A hagyományos modell és az összes SD modell AUROC-ja meghaladta a 0,925-et (K-legfrissebb szomszéd (KNN) a férfiakban), amely kiváló osztályozási teljesítményt mutatott a 18 éves minták megkülönböztetésében28. A külső tesztkészletnél az osztályozási teljesítmény csökkenése volt az érzékenység, a specifitás és az AUROC szempontjából a belső tesztkészlethez képest. Ezenkívül a legjobb és a legrosszabb modellek osztályozási teljesítménye közötti érzékenység és specifitás különbsége 10% -ról 25% -ra változott, és nagyobb volt, mint a belső tesztkészlet különbsége.
Az adatbányászati osztályozási modellek érzékenysége és specifitása a hagyományos módszerekhez képest, 18 éves küszöbértékkel. KNN K A legközelebbi szomszéd, SVM támogató vektorgép, LR logisztikus regresszió, DT döntési fa, RF véletlenszerű erdő, XGB XGBOOST, MLP többrétegű Perceptron, hagyományos CM módszer.
A tanulmány első lépése az volt, hogy összehasonlítsuk a hét DM -modellből kapott fogászati életkor becsléseinek pontosságát a hagyományos regresszió alkalmazásával. A MAE -t és az RMSE -t mindkét nemnél belső tesztkészletekben értékeltük, a hagyományos módszer és a DM modell közötti különbség 44-77 napig terjedt a MAE -nál, 62–88 nap az RMSE esetében. Noha a hagyományos módszer kissé pontosabb volt ebben a tanulmányban, nehéz megállapítani, hogy egy ilyen kis különbség klinikai vagy gyakorlati jelentőséggel bír -e. Ezek az eredmények azt jelzik, hogy a fogorélet -becslés pontossága a DM modell alkalmazásával majdnem megegyezik a hagyományos módszerrel. A korábbi vizsgálatok eredményeivel való közvetlen összehasonlítás nehéz, mivel egyetlen tanulmány sem hasonlította össze a DM modellek pontosságát a hagyományos statisztikai módszerekkel, ugyanolyan technikát alkalmazva, hogy a fogakat ugyanolyan korosztályban rögzítik, mint ebben a tanulmányban. Galibourg et al24 összehasonlította a MAE -t és az RMSE -t két hagyományos módszer (Demirjian Method25 és Willems Method29) és 10 DM modellek között egy 2–24 éves francia populációban. Azt jelentették, hogy az összes DM modell pontosabb, mint a hagyományos módszerek, a MAE -ben 0,20 és 0,38 év különbségekkel, valamint az RMSE -ben 0,25 év és 0,47 év, a Willems és a DeMirdjian módszerekhez képest. Az SD -modell és a Halibourg tanulmányban bemutatott hagyományos módszerek közötti eltérés számos jelentést vesz igénybe, hogy a Demirdjian módszer nem pontosan becsüli meg a fogászati életkorot a francia kanadaiakon kívüli populációkban, amelyeken a tanulmány alapult. Ebben a tanulmányban. Tai és munkatársai 34 az MLP algoritmust használták a fogak korának előrejelzésére 1636 kínai ortodontikus fényképektől, és összehasonlították annak pontosságát a Demirjian és a Willems módszer eredményeivel. Azt jelentették, hogy az MLP pontossággal rendelkezik, mint a hagyományos módszereknél. A Demirdjian módszer és a hagyományos módszer közötti különbség <0,32 év, és a Willems módszer 0,28 év, ami hasonló a jelen tanulmány eredményeihez. E korábbi tanulmányok eredményei24,34 szintén összhangban állnak a jelen tanulmány eredményeivel, és a DM modell és a hagyományos módszer életkor becslési pontossága hasonló. A bemutatott eredmények alapján azonban csak óvatosan arra a következtetésre juthatunk, hogy a DM modellek használata az életkor becslésére helyettesítheti a meglévő módszereket az összehasonlító és a referencia korábbi tanulmányok hiánya miatt. Nagyobb mintákkal történő nyomon követési vizsgálatokra van szükség a tanulmányban kapott eredmények megerősítéséhez.
Az SD pontosságát vizsgáló vizsgálatok között a fogkor becslése során néhányan nagyobb pontosságot mutattak, mint a tanulmányunk. Stepanovsky és munkatársai 22 SD modellt alkalmaztak a 2,7–20,5 éves 976 cseh lakos panorámás röntgenfelvételeire, és megvizsgálta az egyes modellek pontosságát. Megvizsgálták, hogy összesen 16 felső és alsó tartós foga kifejlesztését a Moorrees és mtsai 36 által javasolt osztályozási kritériumok alapján. A MAE 0,64 és 0,94 év között van, az RMSE 0,85 és 1,27 év között, amelyek pontosabbak, mint a tanulmányban alkalmazott két DM modell. Shen és munkatársai23 a Cameriere módszert használták a bal oldali állkapocs hét állandó fogak fogás korának becslésére 5-13 éves keleti kínai lakosokban, és összehasonlították azt lineáris regresszió, SVM és RF felhasználásával becsült korúakkal. Megmutatták, hogy mindhárom DM modellnél nagyobb a pontosság a hagyományos Cameriere képlethez képest. A MAE és az RMSE Shen vizsgálatában alacsonyabb volt, mint a DM modellben ebben a tanulmányban. Stepanovsky et al. 35 és Shen et al. A 23. sz. 23. a fiatalabb alanyok bevonása a vizsgálati mintákba. Mivel a fejlődő fogakkal rendelkező résztvevők életkori becslései pontosabbak lesznek, mivel a fogak száma növekszik a fogászati fejlődés során, a kapott életkor becslési módszerének pontossága veszélybe kerülhet, ha a vizsgálati résztvevők fiatalabbak. Ezenkívül az MLP életkor becslésében az MLP hibája valamivel kisebb, mint az SLP -k, ami azt jelenti, hogy az MLP pontosabb, mint az SLP. Az MLP -t kissé jobbnak tekintik az életkor becsléséhez, valószínűleg az MLP38 rejtett rétegei miatt. Van azonban kivétel a nők külső mintájáról (SLP 1.45, MLP 1.49). Az a megállapítás, hogy az MLP pontosabb, mint az SLP az életkor értékelésében, további retrospektív vizsgálatokat igényel.
Összehasonlítottuk a DM modell és a hagyományos módszer 18 éves küszöbértékkel történő osztályozási teljesítményét. Az összes tesztelt SD modell és a belső tesztkészlet hagyományos módszerei gyakorlatilag elfogadható diszkriminációs szintet mutattak a 18 éves mintában. A férfiak és a nők érzékenysége nagyobb, mint 87,7%, illetve 94,9%, a specifitás pedig nagyobb, mint 89,3% és 84,7%. Az összes vizsgált modell AUROC -ja szintén meghaladja a 0,925 -et. Legjobb tudomásunk szerint egyetlen tanulmány sem tesztelte a DM modell teljesítményét a 18 éves osztályozáshoz a fogorvosi érettség alapján. Összehasonlíthatjuk a tanulmány eredményeit a mély tanulási modellek besorolási teljesítményével a panorámás röntgenfelvételeken. Guo és munkatársai. A kézi módszer érzékenysége és specifitása 87,7%, illetve 95,5% volt, a CNN modell érzékenysége és specifitása meghaladta a 89,2% -ot, illetve 86,6% -ot. Megállapították, hogy a mély tanulási modellek helyettesíthetik vagy felülmúlhatják a kézi értékelést az életkor küszöbértékeinek osztályozásában. A tanulmány eredményei hasonló osztályozási teljesítményt mutattak; Úgy gondolják, hogy a DM modellek osztályozása helyettesítheti az életkor becslésének hagyományos statisztikai módszereit. A modellek közül a DM LR volt a legjobb modell a férfi minta érzékenysége, valamint a női minta érzékenysége és specifitása szempontjából. Az LR a második helyen áll a férfiak számára. Ezenkívül az LR-t az egyik felhasználóbarát DM35 modellnek tekintik, és kevésbé összetett és nehezen dolgozik. Ezen eredmények alapján az LR-t a koreai népességben a 18 éves korosztály legjobb küszöbértékelési modelljének tekintették.
Összességében az életkor becslésének vagy osztályozási teljesítményének pontossága a külső tesztkészletnél rossz vagy alacsonyabb volt a belső tesztkészlet eredményeihez képest. Egyes jelentések azt mutatják, hogy a besorolási pontosság vagy a hatékonyság csökken, ha a koreai populációra épülő életkor -becsléseket alkalmazzák a japán populáció 5,39 -re, és hasonló mintát találtak a jelen tanulmányban. Ezt a romlási tendenciát a DM modellben is megfigyelték. Ezért az életkor pontos becslése érdekében, még akkor is, ha a DM -t használják az elemzési folyamatban, a natív populáció adatainak, például a hagyományos módszerekből származó módszereket előnyben kell részesíteni 5,39,40,41,42. Mivel nem világos, hogy a mély tanulási modellek képesek -e hasonló tendenciákat mutatni, az osztályozási pontosságot és a hatékonyságot összehasonlító tanulmányok a hagyományos módszerekkel, a DM modellekkel és az ugyanazon minták mély tanulási modelljeire szükségük van annak megerősítésére, hogy a mesterséges intelligencia képes -e leküzdeni ezeket a faji különbségeket korlátozott életkorban. Értékelések.
Bemutatjuk, hogy a hagyományos módszerek helyettesíthetők az életkor becslése alapján, a Korea kriminalisztikai életkori becslési gyakorlatában a DM modell alapján. Felfedeztük a gépi tanulás végrehajtásának lehetőségét a kriminalisztikai életkor értékelése érdekében. Vannak azonban egyértelmű korlátozások, például a tanulmányban nem elegendő számú résztvevő az eredmények végleges meghatározásához, valamint a korábbi tanulmányok hiánya a tanulmány eredményeinek összehasonlításához és megerősítéséhez. A jövőben a DM vizsgálatokat nagyobb számú mintával és sokrétűbb populációkkal kell elvégezni, hogy javítsák annak gyakorlati alkalmazhatóságát a hagyományos módszerekhez képest. A mesterséges intelligencia használatának megvalósíthatóságának érvényesítéséhez az életkor becslésére több populációban, jövőbeni tanulmányokra van szükség a DM és a mély tanulási modellek osztályozási pontosságának és hatékonyságának összehasonlításához a hagyományos módszerekkel ugyanazon mintákban.
A tanulmány 2657 ortográfiai fényképet használt, amelyet 15–23 éves koreai és japán felnőttekből gyűjtöttek. A koreai röntgenfelvételeket 900 edzőkészletre (19,42 ± 2,65 év) és 900 belső tesztkészletre (19,52 ± 2,59 év) osztottuk. A képzési készletet egy intézményben (Szöul Szent Mária Kórház) gyűjtötték össze, és a saját tesztkészletet két intézményben (Szöul Nemzeti Egyetemi Dental Kórház és a Yonsei Egyetemi Dental Kórház) gyűjtötték össze. 857 röntgenfelvételt gyűjtöttünk egy másik népesség-alapú adatokból (Iwate Medical University, Japán) a külső teszteléshez. A japán alanyok (19,31 ± 2,60 év) röntgenfelvételeit választottuk külső tesztkészletként. Az adatokat visszamenőlegesen gyűjtötték a fogászati kezelés során vett panorámás röntgenfelvételek fogászati fejlődésének szakaszának elemzésére. Az összes összegyűjtött adat anonim volt, kivéve a nemet, a születési dátumot és a röntgenfelvétel dátumát. A befogadási és kizárási kritériumok megegyeztek a korábban közzétett 4., 5. tanulmányokkal. A minta tényleges életkorát úgy számították ki, hogy kivonják a születési időpontot a röntgenfelvételek napjától. A mintacsoportot kilenc korcsoportra osztották. Az életkor és a nemi eloszlásokat a 3. táblázat mutatja, ezt a tanulmányt a Helsinki Nyilatkozatnak megfelelően végezték el, és amelyet a Koreai Katolikus Egyetem Szöul Szent Mária Kórházának Intézményi Felülvizsgálati Testülete (KC22WISI0328) hagyott jóvá. A tanulmány retrospektív kialakítása miatt nem lehetett tájékozott hozzájárulást szerezni minden olyan betegtől, aki terápiás célokra radiográfiai vizsgálaton ment keresztül. A Szöul Korea Egyetem Szent Mária Kórház (IRB) lemondott a tájékozott beleegyezés követelményéről.
A bimaxillary második és a harmadik moláris fejlődési stádiumát a Demircan Criteria25 szerint értékeltük. Csak egy fogot választottak ki, ha az egyes állkapcsok bal és jobb oldalán azonos típusú fogot találtak. Ha mindkét oldal homológ fogak különböző fejlődési szakaszokban voltak, akkor az alacsonyabb fejlődési stádiumú fogot választották a becsült életkor bizonytalanságának figyelembevétele érdekében. Az edzőkészletből száz véletlenszerűen kiválasztott röntgenfelvételt két tapasztalt megfigyelő pontozta az InteroBserver megbízhatóságának tesztelésére a fogászati érettségi szakasz meghatározása érdekében. Az intraobserver megbízhatóságát az elsődleges megfigyelő három hónapos időközönként kétszer értékelte.
Az egyes állkapocs második és harmadik molarjának nemi és fejlődési szakaszát az edzéskészletben egy elsődleges megfigyelő becsülte meg, amelyet különböző DM modellekkel képzettek, és a tényleges életkorot a célértékként állították be. Az SLP és MLP modelleket, amelyeket széles körben használnak a gépi tanulásban, a regressziós algoritmusok alapján teszteltük. A DM modell egyesíti a lineáris funkciókat a négy foga fejlődési szakaszaival, és ezeket az adatokat egyesíti az életkor becsléséhez. Az SLP a legegyszerűbb ideghálózat, és nem tartalmaz rejtett rétegeket. Az SLP a csomópontok közötti küszöbértékelés alapján működik. Az SLP modell regresszióban matematikailag hasonló a többszörös lineáris regresszióhoz. Az SLP modellel ellentétben az MLP modell több rejtett réteggel rendelkezik, nemlineáris aktivációs funkciókkal. Kísérleteink rejtett réteget használtak, mindössze 20 rejtett csomóponttal, nemlineáris aktiválási funkciókkal. Használjon gradiens leszállást optimalizálási módszerként, a MAE és az RMSE -t pedig a veszteségfüggvényként a gépi tanulási modell kiképzéséhez. A legjobban kapott regressziós modellt alkalmazták a belső és külső tesztkészletekre, és a fogak életkorát becsülték meg.
Kidolgoztak egy osztályozási algoritmust, amely négy foga érettségét használja az edzéskészleten, hogy megjósolja, hogy a minta 18 éves -e vagy sem. A modell felépítéséhez hét reprezentációs gépi tanulási algoritmust származtattunk 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST és (7) MLP és (7) MLP - Az LR az egyik legszélesebb körben alkalmazott osztályozási algoritmus44. Ez egy felügyelt tanulási algoritmus, amely a regressziót használja egy bizonyos kategóriába tartozó adatok valószínűségének előrejelzésére, és az adatokat e valószínűség alapján valószínűbb kategóriába tartozik; Elsősorban bináris osztályozáshoz használják. A KNN az egyik legegyszerűbb gépi tanulási algoritmus45. Új bemeneti adatok megadásakor a K -adatokat a meglévő halmaz közelében találja meg, majd a legmagasabb frekvenciájú osztályba sorolja őket. 3 -at állítottunk be a figyelembe vett szomszédok számára (K). Az SVM egy olyan algoritmus, amely maximalizálja a két osztály közötti távolságot egy kernelfüggvény használatával, hogy a lineáris teret a Fields46 nevű nemlineáris térbe bővítse. Ehhez a modellhez torzítást használunk = 1, teljesítmény = 1 és gamma = 1 a polinomiális kernel hiperparamétereként. A DT -t különféle területeken alkalmazták algoritmusként, hogy egy teljes adatkészletet több alcsoportba oszthassunk, a döntési szabályok ábrázolásával egy faszerkezetben47. A modell konfigurálva van egy minimális számú rekorddal, 2 csomópontonként, és a GINI -indexet használja a minőség méréseként. Az RF egy olyan együttes módszer, amely több DT -t egyesít a teljesítmény javításához olyan bootstrap -aggregációs módszerrel, amely minden mintához gyenge osztályozót generál, véletlenszerűen, azonos méretű mintákat húzva az eredeti adatkészletből. 100 fát, 10 fa mélységét, 1 minimális csomópont méretét és Gini admixtúrájú indexet használtunk csomópont -elválasztási kritériumokként. Az új adatok osztályozását többségi szavazás határozza meg. Az XGBoost egy olyan algoritmus, amely ötvözi a fellendülési technikákat egy olyan módszerrel, amely képzési adatokként veszi fel a hibát az előző modell tényleges és becsült értékei között, és növeli a hibát a Gradients49 segítségével. Ez egy széles körben alkalmazott algoritmus, jó teljesítménye és erőforrás -hatékonysága miatt, valamint nagy megbízhatóság, mint túlteljesítő korrekciós funkció. A modell 400 támogató kerékkel van felszerelve. Az MLP egy neurális hálózat, amelyben egy vagy több PercePtron több réteget képez, egy vagy több rejtett réteggel a bemeneti és a kimeneti rétegek között38. Ennek felhasználásával elvégezheti a nemlineáris osztályozást, ahol egy bemeneti réteg hozzáadásával és az eredményérték megszerzésekor a becsült eredményértéket összehasonlítják a tényleges eredményértékkel, és a hiba visszahúzódik. Készítettünk egy rejtett réteget, amelynek minden rétegben 20 rejtett idegsejtje van. Minden kifejlesztett modellt alkalmaztunk a belső és külső készletekre az osztályozási teljesítmény tesztelésére az érzékenység, a specifitás, a PPV, az NPV és az AUROC kiszámításával. Az érzékenységet úgy definiálják, hogy a minta becslések szerint 18 éves vagy annál idősebb mint a becslések szerint 18 éves vagy annál idősebb. A specifitás a 18 év alatti minták és a becslések szerint 18 év alatti minták aránya.
Az edzéskészletben becsült fogászati szakaszokat numerikus szakaszokká alakítottuk statisztikai elemzés céljából. Többváltozós lineáris és logisztikus regressziót végeztünk az egyes nemekre vonatkozó prediktív modellek kidolgozására és a regressziós képletek levezetésére, amelyek felhasználhatók az életkor becslésére. Ezeket a képleteket használtuk a fogak korának becslésére mind a belső, mind a külső tesztkészleteknél. A 4. táblázat a tanulmányban alkalmazott regressziós és osztályozási modelleket mutatja.
Az intra- és az intero-szerver megbízhatóságát Cohen Kappa statisztikájával számítottuk ki. A DM és a hagyományos regressziós modellek pontosságának tesztelésére a MAE -t és az RMSE -t kiszámítottuk a belső és külső tesztkészletek becsült és tényleges életkora alapján. Ezeket a hibákat általában használják a modell előrejelzéseinek pontosságának értékelésére. Minél kisebb a hiba, annál nagyobb az előrejelzés pontossága24. Hasonlítsa össze a belső és külső tesztkészletek MAE -jét és RMSE -jét, a DM és a hagyományos regresszió alkalmazásával kiszámítva. A 18 éves küszöb osztályozási teljesítményét a hagyományos statisztikákban egy 2 × 2-es vészhelyzeti táblázat segítségével értékelték. A tesztkészlet kiszámított érzékenységét, specifitását, PPV -jét, NPV -jét és AUROC -ját összehasonlítottuk a DM osztályozási modell mért értékeivel. Az adatokat átlag ± standard eltérésként vagy számban (%) fejezzük ki, az adatok jellemzőitől függően. A kétoldalas P értékeket <0,05 statisztikailag szignifikánsnak tekintettük. Az összes rutin statisztikai elemzést a SAS 9.4 verziójával végeztük (SAS Institute, Cary, NC). A DM regressziós modellt a Python -ban valósítottuk meg a Keras50 2.2.4 háttér és a TensorFlow51 1.8.0 felhasználásával, kifejezetten a matematikai műveletekhez. A DM osztályozási modellt a WAIKATO Knowledgeanal Analysis környezetben és a Konstanz Information Miner (KNIME) 4.6.152 elemzési platformon valósították meg.
A szerzők elismerik, hogy a tanulmány következtetéseit alátámasztó adatok megtalálhatók a cikkben és a kiegészítő anyagokban. A tanulmány során előállított és/vagy elemzett adatkészletek ésszerű kéréssel a megfelelő szerzőtől érhetők el.
Ritz-Timme, S. et al. Életkori értékelés: A legkorszerűbb a kriminalisztikai gyakorlat konkrét követelményeinek való megfelelés. Nemzetköziság. J. Jogi orvoslás. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. és Olze, A. Az élő alanyok kriminalisztikai életkorának jelenlegi státusza büntetőeljárási célokra. Kriminalisztika. gyógyszer. Patológia. 1, 239–246 (2005).
Pan, J. et al. Módosított módszer az 5-16 éves gyermekek fogászati életkorának értékelésére Kelet -Kínában. klinikai. Szóbeli felmérés. 25, 3463–3474 (2021).
Lee, SS stb. A második és a harmadik moláris fejlődésének kronológiája a koreaiakban és annak alkalmazásának a kriminalisztikai életkor értékelésére. Nemzetköziság. J. Jogi orvoslás. 124, 659–665 (2010).
Ó, S., Kumagai, A., Kim, SY és Lee, SS, az életkor becslésének pontossága és a 18 éves küszöb becslése a második és a harmadik moláris érettség alapján a koreai és a japánban. PLOS One 17, E0271247 (2022).
Kim, JY, et al. A preoperatív gépi tanuláson alapuló adatok elemzése előre jelezheti az alvásműtéti kezelés eredményét az OSA-ban szenvedő betegekben. A tudomány. 14911, 11. jelentés (2021).
Han, M. et al. Pontos életkor becslése a gépi tanulásból az emberi beavatkozással vagy anélkül? Nemzetköziság. J. Jogi orvoslás. 136, 821–831 (2022).
Khan, S. és Shaheen, M. Az adatbányászattól az adatbányászatig. J.Information. A tudomány. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. és Shaheen, M. Wisrule: Az asszociációs szabályok bányászatának első kognitív algoritmusa. J.Information. A tudomány. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. és Abdullah U. Karm: Hagyományos adatbányászat kontextus-alapú társulási szabályok alapján. számítsa el. Matt. Folytassa. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. és Habib M. A mély tanuláson alapuló szemantikai hasonlóság észlelése szöveges adatok felhasználásával. tájékoztatni. Technológiák. ellenőrzés. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. és Shahin, M. A sportvideók tevékenységének felismerésére szolgáló rendszer. multimédia. Eszközök alkalmazások https://doi.org/10.1007/S11042-021-10519-6 (2021).
Halabi, SS et al. Az RSNA gépi tanulási kihívás a gyermekcsont korában. Radiológia 290, 498–503 (2019).
Li, Y. et al. Kriminalisztikai életkor becslése a medence röntgenfelvételeiről a mély tanulás segítségével. EURO. sugárzás. 29, 2322–2329 (2019).
Guo, YC, et al. Pontos életkor osztályozás kézi módszerekkel és mély konvolúciós neurális hálózatokkal az ortográfiai vetítés képeiből. Nemzetköziság. J. Jogi orvoslás. 135, 1589–1597 (2021).
Alabama Dalora et al. Csontkori becslés különböző gépi tanulási módszerekkel: szisztematikus irodalmi áttekintés és metaanalízis. PLOS ONE 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. és Yang, J. Az afrikai amerikaiak és a kínai népesség-specifikus életkor becslése az első moláris pépkamrák térfogata alapján, kúpos gerendás számítógépes tomográfia felhasználásával. Nemzetköziság. J. Jogi orvoslás. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK és OH KS Az élő emberek korcsoportjainak meghatározása az első molarák mesterséges intelligencián alapuló képeit használva. A tudomány. 11. jelentés, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. és Urschler, M. Automatikus életkor becslése és többségi életkor osztályozása a többváltozós MRI -adatokból. IEEE J. Biomed. Egészségügyi figyelmeztetések. 23, 1392–1403 (2019).
Cheng, Q., GE, Z., Du, H. és Li, G. Az életkor becslése az első molárisok 3D pépkamra szegmentálásán alapul, a kúpos fénysugár -tomográfiából a mély tanulási és szintkészletek integrálásával. Nemzetköziság. J. Jogi orvoslás. 135, 365–373 (2021).
Wu, WT, et al. Adatbányászat a klinikai nagy adatokban: Közös adatbázisok, lépések és módszerek modellek. Világ. gyógyszer. forrás. 8, 44 (2021).
Yang, J. et al. Bevezetés az orvosi adatbázisokba és az adatbányászati technológiákba a nagy adatok korszakában. J. Avid. Alapvető orvoslás. 13, 57–69 (2020).
Shen, S. et al. Camerer módszere a fogak korának becslésére gépi tanulás segítségével. BMC Orális Health 21, 641 (2021).
Galliburg A. et al. A fogászati életkor előrejelzésére szolgáló különféle gépi tanulási módszerek összehasonlítása a Demirdjian stádium módszerrel. Nemzetköziság. J. Jogi orvoslás. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. és Tanner, JM új rendszer a fogkor korszakának értékelésére. horkant. biológia. 45, 211–227 (1973).
Landis, Jr és Koch, a megfigyelői megállapodás GG -je a kategorikus adatokról. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK és Choi HK. A kétdimenziós mágneses rezonancia képalkotás textúrájú, morfológiai és statisztikai elemzése mesterséges intelligencia technikákkal az elsődleges agydaganatok differenciálására. Egészségügyi információk. forrás. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
A postai idő: január-04-2024