Köszönjük, hogy felkereste a Nature.com weboldalt. Az Ön által használt böngészőverzió korlátozott CSS-támogatással rendelkezik. A legjobb eredmény elérése érdekében javasoljuk a böngésző újabb verziójának használatát (vagy a kompatibilitási mód kikapcsolását az Internet Explorerben). Időközben a folyamatos támogatás biztosítása érdekében a webhelyet stílus és JavaScript nélkül jelenítjük meg.
A fogakat az emberi test korának legpontosabb jelzőjének tekintik, és gyakran használják a forenzikus kormeghatározásban. Célunk a 18 éves küszöb becslési pontosságának és osztályozási teljesítményének adatbányászaton alapuló korbecsléseinek validálása volt a hagyományos módszerekkel és az adatbányászaton alapuló korbecslésekkel való összehasonlításával. Összesen 2657 panoráma röntgenfelvételt gyűjtöttünk 15 és 23 év közötti koreai és japán állampolgároktól. Ezeket egy 900 koreai röntgenfelvételt tartalmazó tanulóhalmazra és egy 857 japán röntgenfelvételt tartalmazó belső teszthalmazra osztottuk. A hagyományos módszerek osztályozási pontosságát és hatékonyságát összehasonlítottuk adatbányászati modellek teszthalmazaival. A hagyományos módszer pontossága a belső teszthalmazon valamivel magasabb, mint az adatbányászati modellé, és a különbség kicsi (átlagos abszolút hiba <0,21 év, négyzetes középérték hiba <0,24 év). A 18 éves határérték osztályozási teljesítménye szintén hasonló a hagyományos módszerek és az adatbányászati modellek között. Így a hagyományos módszerek helyettesíthetők adatbányászati modellekkel, amikor a koreai serdülők és fiatal felnőttek második és harmadik őrlőfogainak érettségét használó forenzikus kormeghatározást végeznek.
A fogászati kor becslését széles körben alkalmazzák a törvényszéki orvostanban és a gyermekfogászatban. Különösen a kronológiai életkor és a fogfejlődés közötti szoros korreláció miatt a fogfejlődési szakaszok szerinti életkormeghatározás fontos kritérium a gyermekek és serdülők életkorának felmérésében1,2,3. A fiatalok esetében azonban a fogászati életkor fogérettség alapján történő becslésének vannak korlátai, mivel a fognövekedés szinte befejeződött, a harmadik őrlőfogak kivételével. A fiatalok és serdülők életkorának meghatározásának jogi célja, hogy pontos becslést és tudományos bizonyítékot szolgáltasson arról, hogy elérték-e a nagykorúságot. A koreai serdülők és fiatal felnőttek orvosi-jogi gyakorlatában az életkort Lee módszerével becsülték meg, és Oh és munkatársai által közölt adatok alapján 18 éves jogi küszöbértéket jósoltak.
A gépi tanulás a mesterséges intelligencia (MI) egy olyan típusa, amely ismételten tanul és osztályoz nagy mennyiségű adatot, önállóan old meg problémákat, és vezérli az adatprogramozást. A gépi tanulás hasznos rejtett mintákat képes felfedezni nagy mennyiségű adatban6. Ezzel szemben a klasszikus módszerek, amelyek munkaigényesek és időigényesek, korlátokkal rendelkezhetnek, amikor nagy mennyiségű, összetett adattal dolgoznak, amelyeket nehéz manuálisan feldolgozni7. Ezért a közelmúltban számos tanulmányt végeztek a legújabb számítógépes technológiák felhasználásával az emberi hibák minimalizálása és a többdimenziós adatok hatékony feldolgozása érdekében8,9,10,11,12. Különösen a mélytanulást alkalmazzák széles körben az orvosi képelemzésben, és a röntgenfelvételek automatikus elemzésével végzett korbecslési módszerekről számoltak be, amelyek javítják a korbecslés pontosságát és hatékonyságát13,14,15,16,17,18,19,20. Például Halabi és munkatársai13 kifejlesztettek egy konvolúciós neurális hálózatokon (CNN) alapuló gépi tanulási algoritmust a csontváz korának becslésére gyermekek kezének röntgenfelvételei alapján. Ez a tanulmány egy olyan modellt javasol, amely gépi tanulást alkalmaz orvosi képekre, és bemutatja, hogy ezek a módszerek javíthatják a diagnosztikai pontosságot. Li és munkatársai14 mélytanuló CNN segítségével becsülték meg a medenceröntgenképek alapján a kort, és ezeket összehasonlították a csontosodási stádiumbecsléssel kapott regressziós eredményekkel. Azt találták, hogy a mélytanuló CNN modell ugyanolyan korbecslési teljesítményt mutatott, mint a hagyományos regressziós modell. Guo és munkatársai [15] tanulmánya a CNN technológia kortolerancia-besorolási teljesítményét értékelte fogászati ortofotók alapján, és a CNN modell eredményei bizonyították, hogy az emberek felülmúlták a korbesorolási teljesítményét.
A gépi tanuláson alapuló korbecsléssel foglalkozó legtöbb tanulmány mélytanulási módszereket alkalmaz13,14,15,16,17,18,19,20. A mélytanuláson alapuló korbecslésről azt állítják, hogy pontosabb, mint a hagyományos módszerek. Ez a megközelítés azonban kevés lehetőséget ad a korbecslések tudományos alapjának bemutatására, például a becslésekben használt korindikátorokra. Jogi vita is folyik arról, hogy ki végzi az ellenőrzéseket. Ezért a mélytanuláson alapuló korbecslést a közigazgatási és igazságügyi hatóságok nehezen fogadják el. Az adatbányászat (DM) egy olyan technika, amely nemcsak a várt, hanem a váratlan információkat is képes feltárni, mint módszert a nagy mennyiségű adat közötti hasznos összefüggések felfedezésére6,21,22. A gépi tanulást gyakran használják az adatbányászatban, és mind az adatbányászat, mind a gépi tanulás ugyanazokat a kulcsfontosságú algoritmusokat használja az adatokban található minták felfedezéséhez. A fogfejlődésen alapuló korbecslés a vizsgálónak a célfogak érettségére vonatkozó értékelésén alapul, és ezt az értékelést minden célfoghoz egy stádiumként fejezik ki. A DM segítségével elemezhető a fogászati értékelési stádium és a tényleges életkor közötti összefüggés, és potenciálisan helyettesítheti a hagyományos statisztikai elemzést. Ezért, ha DM-technikákat alkalmazunk a korbecslésre, gépi tanulást alkalmazhatunk a forenzikus korbecslésben anélkül, hogy a jogi felelősség miatt aggódnunk kellene. Számos összehasonlító tanulmány jelent meg a forenzikus gyakorlatban alkalmazott hagyományos manuális módszerek és az EBM-alapú módszerek lehetséges alternatíváiról a fogászati kor meghatározásában. Shen és munkatársai23 kimutatták, hogy a DM-modell pontosabb, mint a hagyományos Camerer-formula. Galibourg és munkatársai24 különböző DM-módszereket alkalmaztak a Demirdjian-kritérium25 szerinti korelőrejelzésre, és az eredmények azt mutatták, hogy a DM-módszer felülmúlta a Demirdjian- és Willems-módszereket a francia lakosság korának becslésében.
A koreai serdülők és fiatal felnőttek fogászati életkorának becslésére Lee módszerét4 széles körben alkalmazzák a koreai forenzikus gyakorlatban. Ez a módszer hagyományos statisztikai elemzést (például többszörös regressziót) alkalmaz a koreai alanyok és a kronológiai életkor közötti kapcsolat vizsgálatára. Ebben a tanulmányban a hagyományos statisztikai módszerekkel kapott korbecslési módszereket „hagyományos módszereknek” nevezzük. Lee módszere egy hagyományos módszer, amelynek pontosságát Oh és munkatársai5 is megerősítették; azonban a DM modellen alapuló korbecslés alkalmazhatósága a koreai forenzikus gyakorlatban továbbra is megkérdőjelezhető. Célunk a DM modellen alapuló korbecslés potenciális hasznosságának tudományos validálása volt. A tanulmány célja (1) két DM modell pontosságának összehasonlítása a fogászati életkor becslésében, és (2) 7 DM modell osztályozási teljesítményének összehasonlítása 18 éves korban a hagyományos statisztikai módszerekkel kapott eredményekkel. A második és harmadik őrlőfogak érettsége mindkét állkapocsban.
A kronológiai életkor átlagait és szórását stádium és fogtípus szerint online az S1. kiegészítő táblázat (tanítóhalmaz), az S2. kiegészítő táblázat (belső teszthalmaz) és az S3. kiegészítő táblázat (külső teszthalmaz) mutatja. A tanulóhalmazból kapott megfigyelőn belüli és megfigyelők közötti megbízhatóság kappa-értékei 0,951, illetve 0,947 voltak. A kappa-értékek p-értékeit és 95%-os konfidenciaintervallumait az S4. online kiegészítő táblázat mutatja. A kappa-értéket „szinte tökéletesnek” értelmeztük, összhangban Landis és Koch26 kritériumaival.
Az átlagos abszolút hiba (MAE) összehasonlításakor a hagyományos módszer minden nem esetében és a külső férfi teszthalmazon kissé felülmúlja a DM modellt, a többrétegű perceptron (MLP) kivételével. A hagyományos modell és a DM modell közötti különbség a belső MAE teszthalmazon 0,12–0,19 év volt férfiaknál és 0,17–0,21 év nőknél. A külső tesztcsoport esetében a különbségek kisebbek (0,001–0,05 év férfiaknál és 0,05–0,09 év nőknél). Ezenkívül a négyzetes középérték hibája (RMSE) kissé alacsonyabb, mint a hagyományos módszernél, kisebb különbségekkel (0,17–0,24, 0,2–0,24 a férfi belső teszthalmaznál és 0,03–0,07, 0,04–0,08 a külső teszthalmaznál). Az MLP valamivel jobb teljesítményt mutat, mint az egyrétegű perceptron (SLP), kivéve a női külső teszthalmaz esetében. A MAE és az RMSE esetében a külső teszthalmaz minden nem és modell esetében magasabb pontszámot adott, mint a belső teszthalmaz. Az összes MAE és RMSE értéket az 1. táblázat és az 1. ábra mutatja.
Hagyományos és adatbányászati regressziós modellek MAE és RMSE értékei. Az átlagos abszolút hiba MAE, a négyzetes gyökérhiba RMSE, egyrétegű perceptron SLP, többrétegű perceptron MLP, hagyományos CM módszer.
A hagyományos és a DM modellek osztályozási teljesítményét (18 éves korhatárral) az érzékenység, a specificitás, a pozitív prediktív érték (PPV), a negatív prediktív érték (NPV) és a ROC görbe alatti terület (AUROC) 27 alapján mutatták be (2. táblázat, 2. ábra és 1. kiegészítő ábra online). A belső tesztkészlet érzékenységét tekintve a hagyományos módszerek férfiaknál teljesítettek a legjobban, a nőknél pedig a legrosszabbul. A hagyományos módszerek és az SD közötti osztályozási teljesítménybeli különbség azonban férfiaknál 9,7% (MLP), nőknél pedig csak 2,4% (XGBoost). A DM modellek közül a logisztikus regresszió (LR) mindkét nemnél jobb érzékenységet mutatott. A belső tesztkészlet specificitását tekintve megfigyelték, hogy a négy SD modell férfiaknál, míg a hagyományos modell nőknél teljesített jobban. A férfiak és nők osztályozási teljesítményében mutatkozó különbség 13,3% (MLP), illetve 13,1% (MLP), ami azt jelzi, hogy a modellek közötti osztályozási teljesítménybeli különbség meghaladja az érzékenységet. A DM modellek közül a support vector machine (SVM), a döntési fa (DT) és a random forest (RF) modellek teljesítettek a legjobban a férfiak körében, míg az LR modell a nők körében. A hagyományos modell és az összes SD modell AUROC értéke nagyobb volt, mint 0,925 (k-legközelebbi szomszéd (KNN) férfiaknál), ami kiváló osztályozási teljesítményt mutatott a 18 éves minták megkülönböztetésében28. A külső teszthalmaz esetében az osztályozási teljesítmény csökkenése volt megfigyelhető az érzékenység, a specificitás és az AUROC tekintetében a belső teszthalmazhoz képest. Ezenkívül a legjobb és a legrosszabb modellek osztályozási teljesítménye közötti érzékenységi és specificitási különbség 10% és 25% között mozgott, és nagyobb volt, mint a belső teszthalmazban tapasztalt különbség.
Adatbányászati osztályozási modellek érzékenysége és specificitása a hagyományos, 18 éves levágású módszerekkel összehasonlítva. KNN k legközelebbi szomszéd, SVM support vector machine, LR logisztikus regresszió, DT döntési fa, RF véletlenszerű erdő, XGB XGBoost, MLP többrétegű perceptron, hagyományos CM módszer.
A tanulmány első lépése az volt, hogy összehasonlítsák a hét DM modellből kapott fogkor-becslések pontosságát a hagyományos regresszióval kapott eredményekkel. A MAE-t és az RMSE-t mindkét nem esetében belső tesztkészletekben értékelték, és a hagyományos módszer és a DM modell közötti különbség 44 és 77 nap között volt a MAE, illetve 62 és 88 nap között az RMSE esetében. Bár a hagyományos módszer valamivel pontosabb volt ebben a vizsgálatban, nehéz megállapítani, hogy egy ilyen kis különbségnek van-e klinikai vagy gyakorlati jelentősége. Ezek az eredmények azt mutatják, hogy a DM modellel végzett fogkor-becslés pontossága 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, ugyanazt a fogrögzítési technikát alkalmazva, ugyanabban a korcsoportban, mint ebben a vizsgálatban. Galibourg és munkatársai24 összehasonlították a MAE-t és az RMSE-t két hagyományos módszer (Demirjian-módszer25 és Willems-módszer29) és 10 DM modell között egy 2 és 24 év közötti francia populációban. Jelentésük szerint minden DM modell pontosabb volt, mint a hagyományos módszerek, a Willems és Demirdjian módszerhez képest 0,20 és 0,38 év különbséggel a MAE-ben, valamint 0,25 és 0,47 év különbséggel az RMSE-ben. A Halibourg-tanulmányban bemutatott eltérés az SD-modell és a hagyományos módszerek között számos jelentést30,31,32,33 vesz figyelembe, amelyek szerint a Demirdjian-módszer nem becsüli meg pontosan a fogak korát a vizsgálat alapjául szolgáló francia-kanadai populációktól eltérő populációkban. Tai és munkatársai34 az MLP algoritmust használták a fogak korának előrejelzésére 1636 kínai fogszabályozási fénykép alapján, és összehasonlították pontosságát a Demirjian és Willems módszer eredményeivel. Jelentésük szerint az MLP nagyobb pontossággal rendelkezik, mint a hagyományos módszerek. A Demirdjian-módszer és a hagyományos módszer közötti különbség <0,32 év, a Willems-módszer pedig 0,28 év, ami hasonló a jelenlegi vizsgálat eredményeihez. Ezen korábbi tanulmányok eredményei24,34 szintén összhangban vannak a jelenlegi tanulmány eredményeivel, és a DM modell, valamint a hagyományos módszer korbecslési pontossága hasonló. A bemutatott eredmények alapján azonban csak óvatosan vonhatjuk le azt a következtetést, hogy a DM modellek használata a korbecsléshez helyettesítheti a meglévő módszereket az összehasonlító és referenciaként szolgáló korábbi tanulmányok hiánya miatt. Nagyobb mintákat használó követéses vizsgálatokra van szükség a jelen vizsgálatban kapott eredmények megerősítéséhez.
Az SD pontosságát a fogászati életkor becslésében vizsgáló tanulmányok közül néhány nagyobb pontosságot mutatott, mint a mi tanulmányunk. Stepanovsky és munkatársai35 22 SD modellt alkalmaztak 976, 2,7 és 20,5 év közötti cseh lakos panoráma röntgenfelvételein, és tesztelték az egyes modellek pontosságát. Összesen 16 bal felső és alsó maradó fog fejlődését értékelték Moorrees és munkatársai36 által javasolt osztályozási kritériumok alapján. A MAE (Mae - átlagos átlagos expozíció) 0,64 és 0,94 év között, az RMSE (RMSE - átlagos hiba) pedig 0,85 és 1,27 év között mozog, amelyek pontosabbak, mint a jelen vizsgálatban használt két DM modell. Shen és munkatársai23 a Cameriere-módszert alkalmazták a bal állkapocsban található hét maradó fog fogászati életkorának becslésére 5 és 13 év közötti kelet-kínai lakosoknál, és összehasonlították a lineáris regresszió, SVM és RF segítségével becsült életkorral. Kimutatták, hogy mindhárom DM modell nagyobb pontossággal rendelkezik a hagyományos Cameriere-képlethez képest. A Shen-féle tanulmányban a MAE és az RMSE értékek alacsonyabbak voltak, mint a jelen tanulmány DM modelljében kapott értékek. Stepanovsky és munkatársai35, valamint Shen és munkatársai23 tanulmányainak megnövekedett pontossága valószínűleg annak tudható be, hogy fiatalabb alanyokat is bevontak a vizsgálati mintákba. Mivel a fejlődő fogazatú résztvevők életkorbecslése pontosabbá válik a fogak számának növekedésével a fogfejlődés során, a kapott életkorbecslési módszer pontossága csökkenhet, ha a vizsgálatban résztvevők fiatalabbak. Ezenkívül az MLP hibája az életkorbecslésben valamivel kisebb, mint az SLP-é, ami azt jelenti, hogy az MLP pontosabb, mint az SLP. Az MLP-t valamivel jobbnak tekintik az életkorbecslésben, valószínűleg az MLP38 rejtett rétegei miatt. Van azonban egy kivétel a nők külső mintája esetében (SLP 1,45, MLP 1,49). Az a megállapítás, hogy az MLP pontosabb az életkor meghatározásában, további retrospektív vizsgálatokat igényel.
A DM modell és a hagyományos módszer osztályozási teljesítményét 18 éves küszöbértéken is összehasonlították. A belső teszthalmazon tesztelt összes SD modell és hagyományos módszer gyakorlatilag elfogadható diszkriminációs szintet mutatott a 18 éves mintán. A férfiak és nők érzékenysége meghaladta a 87,7%-ot, illetve a 94,9%-ot, a specificitás pedig a 89,3%-ot és a 84,7%-ot. Az összes tesztelt modell AUROC értéke meghaladja a 0,925-öt. Tudomásunk szerint egyetlen tanulmány sem vizsgálta a DM modell teljesítményét a fogászati érettség alapján történő 18 éves osztályozás esetén. A tanulmány eredményeit összehasonlíthatjuk a mélytanulási modellek panoráma röntgenfelvételeken elért osztályozási teljesítményével. Guo és munkatársai15 kiszámították egy CNN-alapú mélytanulási modell és egy Demirjian-módszeren alapuló manuális módszer osztályozási teljesítményét egy bizonyos életkori küszöbértékre. A manuális módszer érzékenysége és specificitása 87,7%, illetve 95,5% volt, a CNN modell érzékenysége és specificitása pedig meghaladta a 89,2%-ot, illetve a 86,6%-ot. Arra a következtetésre jutottak, hogy a mélytanulási modellek helyettesíthetik vagy felülmúlhatják a manuális értékelést az életkori küszöbök osztályozásában. A tanulmány eredményei hasonló osztályozási teljesítményt mutattak; Úgy vélik, hogy a DM modelleket használó osztályozás helyettesítheti a hagyományos statisztikai módszereket az életkor becsléséhez. A modellek közül a DM LR volt a legjobb modell az érzékenység tekintetében a férfi minta, valamint az érzékenység és specificitás tekintetében a női minta esetében. Az LR a második helyen áll a specificitás tekintetében a férfiak esetében. Ezenkívül az LR-t az egyik felhasználóbarátabb DM35 modellnek tekintik, és kevésbé összetett és nehezen feldolgozható. Ezen eredmények alapján az LR-t tartották a legjobb határérték-osztályozási modellnek a koreai lakosság 18 évesei számára.
Összességében a külső teszthalmazon végzett korbecslés vagy osztályozási teljesítmény pontossága gyenge vagy alacsonyabb volt a belső teszthalmaz eredményeihez képest. Egyes jelentések azt mutatják, hogy az osztályozás pontossága vagy hatékonysága csökken, ha a koreai népességen alapuló korbecsléseket a japán népességre alkalmazzák5,39, és hasonló mintázatot találtak a jelen tanulmányban is. Ez a romlási tendencia a DM modellben is megfigyelhető volt. Ezért a kor pontos becsléséhez, még DM használata esetén is, az elemzési folyamatban az őshonos népességadatokból származó módszereket, például a hagyományos módszereket kell előnyben részesíteni5,39,40,41,42. Mivel nem világos, hogy a mélytanulási modellek mutathatnak-e hasonló trendeket, olyan tanulmányokra van szükség, amelyek összehasonlítják az osztályozás pontosságát és hatékonyságát hagyományos módszerek, DM modellek és mélytanulási modellek alkalmazásával ugyanazon mintákon annak megerősítésére, hogy a mesterséges intelligencia képes-e leküzdeni ezeket a faji egyenlőtlenségeket korlátozott életkori értékelések során.
Bemutatjuk, hogy a hagyományos módszereket felválthatja a DM-modellen alapuló életkorbecslés a koreai forenzikus korbecslési gyakorlatban. Felfedeztük a gépi tanulás alkalmazásának lehetőségét is a forenzikus életkorbecsléshez. Vannak azonban egyértelmű korlátok, mint például a vizsgálatban részt vevők elégtelen száma az eredmények végleges meghatározásához, valamint a korábbi tanulmányok hiánya a vizsgálat eredményeinek összehasonlítására és megerősítésére. A jövőben a DM-vizsgálatokat nagyobb számú mintával és változatosabb populációkkal kell elvégezni, hogy javítsuk a gyakorlati alkalmazhatóságot a hagyományos módszerekhez képest. Annak érdekében, hogy a mesterséges intelligencia több populációban történő életkorbecslésre való felhasználása megvalósítható legyen, további vizsgálatokra van szükség a DM és a mélytanulási modellek osztályozási pontosságának és hatékonyságának összehasonlítására a hagyományos módszerekkel ugyanazon mintákon.
A tanulmányban 2657 ortografikus fényképet használtak fel, amelyeket 15 és 23 év közötti koreai és japán felnőttektől gyűjtöttek. A koreai röntgenfelvételeket 900 tanulóhalmazra (19,42 ± 2,65 év) és 900 belső teszthalmazra (19,52 ± 2,59 év) osztottuk. A tanulóhalmazt egy intézményben (Szöuli Szent Mária Kórház), a saját teszthalmazt pedig két intézményben (Szöuli Nemzeti Egyetem Fogászati Kórháza és Jonszei Egyetem Fogászati Kórháza) gyűjtöttük. Külső teszteléshez egy másik populációalapú adatsorból (Iwate Orvosi Egyetem, Japán) is gyűjtöttünk 857 röntgenfelvételt. Külső teszthalmazként japán alanyok (19,31 ± 2,60 év) röntgenfelvételeit választottuk ki. Az adatokat retrospektíven gyűjtöttük, hogy elemezzük a fogászati fejlődés szakaszait a fogászati kezelések során készített panoráma röntgenfelvételeken. Minden gyűjtött adat anonimok voltak, kivéve a nemet, a születési dátumot és a röntgenfelvétel dátumát. A beválasztási és kizárási kritériumok megegyeztek a korábban publikált tanulmányokkal4, 5. A minta tényleges életkorát a születési dátumnak a röntgenfelvétel készítésének dátumából való kivonásával számítottuk ki. A minta csoportját kilenc korcsoportra osztottuk. A kor és nem szerinti megoszlást a 3. táblázat mutatja. Ez a vizsgálat a Helsinki Nyilatkozatnak megfelelően történt, és a Koreai Katolikus Egyetem Szöuli St. Mary Kórházának Intézményi Felülvizsgálati Testülete (IRB) hagyta jóvá (KC22WISI0328). A vizsgálat retrospektív felépítése miatt nem minden terápiás célú radiográfiai vizsgálaton átesett betegtől lehetett tájékozott beleegyezést szerezni. A Szöuli Koreai Egyetem St. Mary Kórháza (IRB) eltekintett a tájékozott beleegyezés követelményétől.
A bimaxilláris második és harmadik őrlőfogak fejlődési stádiumait Demircan-kritériumok25 szerint értékelték. Csak egy fogat választottak ki, ha mindkét állkapocs bal és jobb oldalán azonos típusú fogat találtak. Ha mindkét oldalon homológ fogak voltak eltérő fejlődési stádiumban, akkor az alacsonyabb fejlődési stádiumú fogat választották ki, hogy figyelembe vegyék a becsült életkor bizonytalanságát. A tanulóhalmazból száz véletlenszerűen kiválasztott röntgenfelvételt két tapasztalt megfigyelő pontozott a megfigyelők közötti megbízhatóság tesztelésére a fogászati érettségi stádium meghatározására szolgáló előkalibráció után. A megfigyelőn belüli megbízhatóságot kétszer, háromhavonta értékelte az elsődleges megfigyelő.
A tanulóhalmazban lévő egyes állkapcsok második és harmadik őrlőfogainak nemét és fejlődési stádiumát egy különböző DM modellekkel betanított elsődleges megfigyelő becsülte meg, és a tényleges életkort határozta meg célértékként. A gépi tanulásban széles körben használt SLP és MLP modelleket regressziós algoritmusokkal tesztelték. A DM modell lineáris függvényeket kombinál a négy fog fejlődési stádiumának felhasználásával, és ezeket az adatokat kombinálva becsüli meg az életkort. Az SLP a legegyszerűbb neurális hálózat, és nem tartalmaz rejtett rétegeket. Az SLP a csomópontok közötti küszöbátvitel alapján működik. A regresszióban az SLP modell matematikailag hasonló a többszörös lineáris regresszióhoz. Az SLP modellel ellentétben az MLP modell több rejtett réteggel rendelkezik nemlineáris aktivációs függvényekkel. Kísérleteinkben egy olyan rejtett réteget használtunk, amely csak 20 rejtett csomópontot tartalmaz nemlineáris aktivációs függvényekkel. A gépi tanulási modellünk betanításához gradiens süllyedést, veszteségfüggvényként pedig MAE-t és RMSE-t használtunk. A legjobban kapott regressziós modellt alkalmaztuk a belső és külső teszthalmazokra, és becsültük a fogak életkorát.
Kifejlesztettek egy osztályozási algoritmust, amely a tanulóhalmaz négy fogának érettségét használja fel annak előrejelzésére, hogy egy minta 18 éves-e vagy sem. A modell felépítéséhez hét reprezentációs gépi tanulási algoritmust származtattunk6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost és (7) MLP. Az LR az egyik legszélesebb körben használt osztályozási algoritmus44. Ez egy felügyelt tanulási algoritmus, amely regressziót használ annak a valószínűségének előrejelzésére, hogy az adatok egy adott kategóriába tartoznak 0-tól 1-ig, és az adatokat egy valószínűbb kategóriába sorolja ezen valószínűség alapján; főként bináris osztályozásra használják. A KNN az egyik legegyszerűbb gépi tanulási algoritmus45. Új bemeneti adatok esetén k adatot talál a meglévő halmazhoz közel, majd a legmagasabb gyakoriságú osztályba sorolja azokat. A figyelembe vett szomszédok számára (k) 3-at állítottunk be. Az SVM egy olyan algoritmus, amely maximalizálja a két osztály közötti távolságot egy kernelfüggvény segítségével, amely a lineáris teret egy nemlineáris térbe, az úgynevezett mezőkbe bővíti46. Ennél a modellnél a polinomiális kernel hiperparamétereiként 1 torzítást, 1 teljesítményt és 1 gamma értéket használunk. A DT-t különböző területeken alkalmazták algoritmusként egy teljes adathalmaz több alcsoportra osztására a döntési szabályok fa struktúrában történő ábrázolásával47. A modell minimális rekordszáma csomópontonként 2, és a Gini-indexet használja a minőség mértékeként. Az RF egy együttes módszer, amely több DT-t kombinál a teljesítmény javítása érdekében egy bootstrap aggregációs módszerrel, amely minden mintához gyenge osztályozót generál azáltal, hogy véletlenszerűen azonos méretű mintákat vesz fel többször az eredeti adathalmazból48. Csomópont-elválasztási kritériumként 100 fát, 10 famélységet, 1 minimális csomópontméretet és Gini keverési indexet használtunk. Az új adatok osztályozását többségi szavazással határozzuk meg. Az XGBoost egy algoritmus, amely a növelési technikákat kombinálja egy olyan módszerrel, amely betanítási adatként az előző modell tényleges és előrejelzett értékei közötti hibát veszi alapul, és gradiensek segítségével növeli a hibát49. Jó teljesítménye és erőforrás-hatékonysága, valamint túlillesztési korrekciós függvényként nyújtott magas megbízhatósága miatt széles körben használt algoritmus. A modell 400 támogató kerékkel van felszerelve. Az MLP egy neurális hálózat, amelyben egy vagy több perceptron több réteget alkot, egy vagy több rejtett réteggel a bemeneti és kimeneti rétegek között38. Ennek segítségével nemlineáris osztályozás végezhető, ahol egy bemeneti réteg hozzáadása és egy eredményérték megszerzésekor a várható eredményértéket összehasonlítják a tényleges eredményértékkel, és a hiba visszaterjed. Létrehoztunk egy rejtett réteget, amelyben minden rétegben 20 rejtett neuron található. Minden általunk kifejlesztett modellt belső és külső halmazokra alkalmaztunk az osztályozási teljesítmény tesztelésére az érzékenység, a specificitás, a pozitív prediktív érték (PPV), az NPV és az AUROC kiszámításával. Az érzékenység a 18 éves vagy idősebbnek becsült minta és a 18 éves vagy idősebbnek becsült minta aránya. A specificitás a 18 év alatti és a 18 év alattinak becsült minták aránya.
A tanulóhalmazban értékelt fogászati stádiumokat numerikus stádiumokká alakítottuk statisztikai elemzés céljából. Többváltozós lineáris és logisztikus regressziót végeztünk az egyes nemek prediktív modelljeinek kidolgozására, valamint az életkor becslésére használható regressziós képletek levezetésére. Ezeket a képleteket használtuk a fogak életkorának becslésére mind belső, mind külső teszthalmazok esetében. A 4. táblázat a vizsgálatban használt regressziós és osztályozási modelleket mutatja.
Az intra- és interobserver megbízhatóságot Cohen kappa statisztikájával számítottuk ki. A DM és a hagyományos regressziós modellek pontosságának teszteléséhez MAE-t és RMSE-t számítottunk ki a belső és külső teszthalmazok becsült és tényleges életkorának felhasználásával. Ezeket a hibákat általában a modell-előrejelzések pontosságának értékelésére használják. Minél kisebb a hiba, annál nagyobb az előrejelzés pontossága24. Hasonlítsuk össze a DM és a hagyományos regresszió segítségével számított belső és külső teszthalmazok MAE-jét és RMSE-jét. A hagyományos statisztikákban a 18 éves határérték osztályozási teljesítményét 2 × 2-es kontingenciatáblázattal értékeltük. A teszthalmaz számított érzékenységét, specificitását, PPV-jét, NPV-jét és AUROC-ját összehasonlítottuk a DM osztályozási modell mért értékeivel. Az adatokat átlag ± szórás vagy szám (%) formájában fejezzük ki az adatjellemzőktől függően. A 0,05-nél kisebb kétoldalas P-értékeket tekintettük statisztikailag szignifikánsnak. Minden rutin statisztikai elemzést SAS 9.4-es verzióval (SAS Institute, Cary, NC) végeztünk. A DM regressziós modellt Pythonban implementáltuk a Keras50 2.2.4 backend és a Tensorflow51 1.8.0 segítségével, kifejezetten matematikai műveletekhez. A DM osztályozási modellt a Waikato Knowledge Analysis Environment környezetben és a Konstanz Information Miner (KNIME) 4.6.152 elemző platformon implementáltuk.
A szerzők tudomásul veszik, hogy a tanulmány következtetéseit alátámasztó adatok megtalálhatók a cikkben és a kiegészítő anyagokban. A tanulmány során keletkezett és/vagy elemzett adatkészletek ésszerű kérésre a levelező szerzőtől elérhetők.
Ritz-Timme, S. és munkatársai. Kormeghatározás: a legmodernebb módszerek a forenzikus gyakorlat sajátos követelményeinek kielégítésére. Nemzetköziség. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. és Olze, A. Az élő alanyok büntetőeljárási célú törvényszéki kormeghatározásának jelenlegi helyzete. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. és munkatársai. Módosított módszer 5 és 16 év közötti gyermekek fogászati életkorának meghatározására Kelet-Kínában. klinikai. Orális felmérés. 25, 3463–3474 (2021).
Lee, SS stb. A második és harmadik zápfogak fejlődésének kronológiája koreaiaknál és alkalmazása a törvényszéki kormeghatározásban. internationality. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY és Lee, SS. Az életkorbecslés pontossága és a 18 éves küszöb becslése a második és harmadik őrlőfogak érettsége alapján koreaiaknál és japánoknál. PLoS ONE 17, e0271247 (2022).
Kim, JY és munkatársai. A műtét előtti gépi tanuláson alapuló adatelemzés megjósolhatja az alvássebészeti kezelés kimenetelét OSA-ban szenvedő betegeknél. The Science. Report 11, 14911 (2021).
Han, M. et al. Pontos életkorbecslés gépi tanulással, emberi beavatkozással vagy anélkül? nemzetköziség. J. Legal medicine. 136, 821–831 (2022).
Khan, S. és Shaheen, M. Az adatbányászattól az adatbányászatig. J.Information. The Science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. és Shaheen, M. WisRule: Az első kognitív algoritmus az asszociációs szabályok feltárására. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. és Abdullah U. Karm: Hagyományos adatbányászat kontextusalapú asszociációs szabályok alapján. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. és Habib M. Mélytanuláson alapuló szemantikus hasonlóságérzékelés szöveges adatok felhasználásával. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. és Shahin, M. Sportvideók aktivitásának felismerésére szolgáló rendszer. Multimédia. Eszközök és alkalmazások https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS és munkatársai. RSNA gépi tanulási kihívás a gyermekkori csontkorban. Radiológia 290, 498–503 (2019).
Li, Y. és munkatársai. Igazságügyi életkorbecslés medenceröntgenből mélytanulás segítségével. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC és munkatársai. Pontos életkor szerinti besorolás manuális módszerekkel és mély konvolúciós neurális hálózatokkal ortografikus vetítési képekből. internacionalitás. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora és munkatársai. Csontkor becslése különböző gépi tanulási módszerekkel: szisztematikus irodalmi áttekintés és metaanalízis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. és Yang, J. Az afroamerikaiak és kínaiak populációspecifikus életkorbecslése az első őrlőfogak pulpakamra-térfogatai alapján kúpnyalábos komputertomográfiával. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK és Oh KS Élő emberek korcsoportjainak meghatározása mesterséges intelligencia alapú első őrlőfogak képeinek felhasználásával. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. és Urschler, M. Automatikus életkorbecslés és többségi kor szerinti besorolás többváltozós MRI adatokból. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. és Li, G. Korbecslés az első őrlőfogak 3D pulpakamra szegmentációján alapul kúpnyalábos komputertomográfiából, mélytanulás és szintkészletek integrálásával. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT és munkatársai. Adatbányászat a klinikai big data-ban: közös adatbázisok, lépések és módszertani modellek. World. Medicine. Resource. 8, 44 (2021).
Yang, J. et al. Bevezetés az orvosi adatbázisokba és az adatbányászati technológiákba a Big Data korszakában. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. és munkatársai. Camerer módszere a fogak életkorának becslésére gépi tanulás segítségével. BMC Oral Health 21, 641 (2021).
Galliburg A. és munkatársai. Különböző gépi tanulási módszerek összehasonlítása a fogászati életkor előrejelzésére a Demirdjian stádiumbeosztási módszerrel. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. és Tanner, JM. Új rendszer a fogak életkorának meghatározására. snort. biology. 45, 211–227 (1973).
Landis, JR és Koch, GG: A megfigyelők egyezésének mértékei kategorikus adatokon. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK és Choi HK. Kétdimenziós mágneses rezonancia képalkotás texturális, morfológiai és statisztikai elemzése mesterséges intelligencia technikák alkalmazásával primer agydaganatok differenciálására. Egészségügyi információk. Forrás. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Közzététel ideje: 2024. január 4.