Köszönjük, hogy meglátogatta a Nature.com oldalt.Az Ön által használt böngészőverzió korlátozott CSS-támogatással rendelkezik.A legjobb eredmény érdekében javasoljuk, hogy használja a böngésző újabb verzióját (vagy kapcsolja ki a kompatibilitási módot az Internet Explorerben).Addig is a folyamatos támogatás érdekében a webhelyet stílus vagy JavaScript nélkül jelenítjük meg.
A fogakat tekintik az emberi test életkorának legpontosabb mutatójának, és gyakran használják az igazságügyi orvosszakértői korbecslésben.Célunk az volt, hogy az adatbányászat alapú fogászati korbecsléseket validáljuk a 18 éves küszöb becslési pontosságának és osztályozási teljesítményének a hagyományos módszerekkel és adatbányászat alapú korbecslésekkel való összehasonlításával.Összesen 2657 panoráma röntgenfelvételt gyűjtöttek 15 és 23 év közötti koreai és japán állampolgároktól.Egy gyakorló készletre osztották őket, amelyek mindegyike 900 koreai röntgenfelvételt tartalmazott, és egy belső tesztkészletre, amely 857 japán röntgenfelvételt tartalmazott.Összehasonlítottuk a hagyományos módszerek osztályozási pontosságát és hatékonyságát adatbányászati modellek tesztkészleteivel.A hagyományos módszer pontossága a belső tesztkészleten valamivel nagyobb, mint az adatbányászati modellé, és kicsi a különbség (átlagos abszolút hiba <0,21 év, négyzetes hiba <0,24 év).A 18 éves küszöb besorolási teljesítménye is hasonló a hagyományos módszerek és az adatbányászati modellek között.Így a hagyományos módszereket felválthatják az adatbányászati modellek, amikor koreai serdülőknél és fiatal felnőtteknél a második és harmadik őrlőfog érettségét használó törvényszéki kormeghatározást végzik.
A fogászati életkor becslését széles körben használják a törvényszéki orvostanban és a gyermekfogászatban.Különösen az időrendi életkor és a fogászati fejlettség közötti magas korreláció miatt a fogászati fejlődési szakaszok szerinti életkor értékelése fontos kritérium a gyermekek és serdülők életkorának értékeléséhez1,2,3.A fiatalok esetében azonban a fogászati életkor fogászati érettség alapján történő becslésének korlátai vannak, mivel a fognövekedés a harmadik őrlőfogak kivételével szinte teljes.A fiatalok és serdülők életkorának meghatározásának jogi célja, hogy pontos becsléseket és tudományos bizonyítékokat adjon arról, hogy elérték-e a nagykorúságot.Koreában a serdülők és fiatal felnőttek orvosi jogi gyakorlatában az életkort Lee módszerével becsülték meg, és Oh és munkatársai által közölt adatok alapján 18 éves törvényes küszöböt jósoltak meg 5 .
A gépi tanulás a mesterséges intelligencia (AI) egyik fajtája, amely ismételten megtanul és osztályoz nagy mennyiségű adatot, önállóan oldja meg a problémákat, és adatprogramozást hajt végre.A gépi tanulás hasznos rejtett mintákat fedezhet fel nagy mennyiségű adatban6.Ezzel szemben a klasszikus módszereknek, amelyek munka- és időigényesek, lehetnek korlátai, amikor nagy mennyiségű összetett adatot kezelnek, amelyet 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 mély tanulást alkalmazták széles körben az orvosi képelemzésben, és a röntgenfelvételek automatikus elemzésével az életkor becslésére szolgáló különféle módszerekről számoltak be, amelyek javítják az életkor becslésének pontosságát és hatékonyságát13,14,15,16,17,18,19,20 .Halabi és munkatársai 13 például kifejlesztettek egy konvolúciós neurális hálózatokon (CNN) alapuló gépi tanulási algoritmust, amellyel a gyermekek kezéről készült röntgenfelvételek segítségével megbecsülhetik a csontváz korát.Ez a tanulmány olyan modellt javasol, amely a gépi tanulást alkalmazza az orvosi képekre, és megmutatja, hogy ezek a módszerek javíthatják a diagnosztikai pontosságot.Li és munkatársai14 a kismedencei röntgenfelvételek alapján becsülték meg az életkort egy mély tanulási CNN segítségével, és összehasonlították azokat a regressziós eredményekkel a csontosodási stádium becslésével.Azt találták, hogy a mély tanulási CNN modell ugyanolyan életkorbecslési teljesítményt mutatott, mint a hagyományos regressziós modell.Guo és munkatársai tanulmánya [15] fogászati ortofotók alapján értékelte a CNN technológia életkor-tolerancia-besorolási teljesítményét, és a CNN-modell eredményei bebizonyították, hogy az ember felülmúlja a korosztályozási teljesítményét.
A gépi tanulást használó életkorbecsléssel kapcsolatos legtöbb tanulmány mély tanulási módszereket használ13,14,15,16,17,18,19,20.A mélytanuláson alapuló életkorbecslés pontosabb, mint a hagyományos módszerek.Ez a megközelítés azonban kevés lehetőséget biztosít az életkorbecslések tudományos alapjainak bemutatására, például a becslésekben használt kormutatókra.Jogvita is van arról, hogy ki végzi az ellenőrzéseket.Ezért a mély tanuláson alapuló korbecslést nehezen fogadják el a közigazgatási és igazságügyi hatóságok.Az adatbányászat (DM) egy olyan technika, amely nem csak várt, hanem váratlan információkat is képes felfedezni, 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 kulcsalgoritmusokat használja az adatok mintáinak felfedezésére.A fogfejlődést használó életkorbecslés a vizsgáló által a célfogak érettségére vonatkozó értékelésen alapul, és ezt az értékelést minden egyes célfogra egy szakaszként fejezik ki.A DM felhasználható a fogászati értékelési szakasz és a tényleges életkor közötti összefüggés elemzésére, és potenciálisan helyettesítheti a hagyományos statisztikai elemzést.Ezért, ha DM technikákat alkalmazunk az életkor becslésére, akkor a törvényszéki korbecslésben megvalósíthatjuk a gépi tanulást anélkül, hogy aggódnánk a jogi felelősség miatt.Számos összehasonlító tanulmány jelent meg az igazságügyi orvosszakértői gyakorlatban alkalmazott hagyományos manuális módszerek lehetséges alternatíváiról és a fogászati életkor meghatározásának EBM-alapú módszereiről.Shen és munkatársai23 kimutatták, hogy a DM modell pontosabb, mint a hagyományos Camerer képlet.Galibourg et al
A koreai serdülők és fiatal felnőttek fogászati életkorának becslésére Lee 4. módszerét széles körben használják a koreai törvényszéki gyakorlatban.Ez a módszer hagyományos statisztikai elemzést (például többszörös regressziót) alkalmaz a koreai alanyok és a kronológiai kor közötti kapcsolat vizsgálatára.Ebben a tanulmányban a hagyományos statisztikai módszerekkel kapott korbecslési módszereket „hagyományos módszereknek” nevezzük.Lee módszere hagyományos módszer, pontosságát Oh et al.5;a DM modellen alapuló korbecslés alkalmazhatósága a koreai törvényszéki gyakorlatban azonban továbbra is kérdéses.Célunk az volt, hogy tudományosan igazoljuk a DM modellen alapuló korbecslés lehetséges hasznosságát.A tanulmány célja (1) összehasonlítani két DM modell pontosságát a fogászati életkor becslésében, és (2) összehasonlítani 7 DM modell osztályozási teljesítményét 18 éves korban a hagyományos statisztikai módszerekkel kapott eredményekkel. és mindkét állkapocsban a harmadik őrlőfogak.
A kronológiai életkor átlaga és szórása stádium és fogtípus szerint az S1 kiegészítő táblázatban (edzéskészlet), az S2 kiegészítő táblázatban (belső tesztkészlet) és az S3 kiegészítő táblázatban (külső tesztkészlet) láthatók.A betanítási halmazból kapott intra- és interobserver megbízhatóság kappa értéke 0,951 és 0,947 volt.A P értékek és a kappa értékek 95%-os konfidencia intervallumai az S4 online kiegészítő táblázatban láthatók.A kappa értéket „majdnem tökéletesnek” értelmezték, amely megfelel Landis és Koch26 kritériumainak.
Az átlagos abszolút hiba (MAE) összehasonlításakor a hagyományos módszer valamennyi nemnél és a külső férfi tesztkészletben is jobban teljesít, mint a DM modell, kivéve a többrétegű perceptront (MLP).A hagyományos modell és a DM modell közötti különbség a belső MAE tesztkészleten férfiaknál 0,12-0,19 év, nőknél 0,17-0,21 év volt.A külső tesztakkumulátornál kisebbek a különbségek (férfiaknál 0,001-0,05 év, nőknél 0,05-0,09 év).Ezenkívül a négyzetes hiba (RMSE) valamivel alacsonyabb, mint a hagyományos módszernél, kisebb eltérésekkel (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 valamivel jobb teljesítményt mutat, mint az SLP (Single Layer Perceptron), kivéve a női külső tesztkészletet.A MAE és az RMSE esetében a külső tesztkészlet minden nemre és modellre magasabb pontszámot ér el, mint a belső tesztkészlet.Az összes MAE és RMSE az 1. táblázatban és az 1. ábrán látható.
A hagyományos és adatbányászati regressziós modellek MAE és RMSE.Átlagos abszolút hiba MAE, négyzetes átlag hiba RMSE, egyrétegű perceptron SLP, többrétegű perceptron MLP, hagyományos CM módszer.
A hagyományos és a DM modellek osztályozási teljesítményét (18 éves határértékkel) az érzékenység, a specifitás, a pozitív prediktív érték (PPV), a negatív prediktív érték (NPV) és a vevő működési jelleggörbe alatti terület (AUROC) tekintetében mutatták be. 27 (2. táblázat, 2. ábra és 1. kiegészítő ábra online).A belső teszt akkumulátor érzékenységét tekintve a hagyományos módszerek a férfiak körében teljesítettek a legjobban, a nőknél rosszabbul.A hagyományos módszerek és az SD közötti osztályozási teljesítmény különbsége azonban 9,7% a férfiaknál (MLP), és csak 2,4% a nőknél (XGBoost).A DM modellek közül a logisztikus regresszió (LR) mindkét nemnél jobb érzékenységet mutatott.A belső tesztkészlet specifitását illetően megfigyelhető, hogy a négy SD modell jól teljesített a férfiaknál, míg a hagyományos modell jobban teljesített a nőknél.A férfiak és nők osztályozási teljesítményében a különbségek 13,3% (MLP), illetve 13,1% (MLP), jelezve, hogy a modellek osztályozási teljesítményében mutatkozó különbség meghaladja az érzékenységet.A DM modellek közül a támogatási vektorgép (SVM), a döntési fa (DT) és a véletlen erdő (RF) modellje teljesített 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 mutat a 18 éves minták megkülönböztetésében28.A külső tesztkészlet esetében az osztályozási teljesítmény csökkenést mutatott az érzékenység, a specificitás és az AUROC tekintetében a belső tesztkészlethez képest.Ezenkívül a legjobb és legrosszabb modellek osztályozási teljesítménye közötti érzékenység és specificitás közötti különbség 10% és 25% között volt, és nagyobb volt, mint a belső tesztkészletben.
Az adatbányászati osztályozási modellek érzékenysége és specifitása a hagyományos, 18 éves küszöbértékkel rendelkező módszerekhez képest.KNN k legközelebbi szomszéd, SVM támogató vektor gép, LR logisztikus regresszió, DT döntési fa, RF véletlen erdő, XGB XGBoost, MLP többrétegű perceptron, hagyományos CM módszer.
A tanulmány első lépése a hét DM-modellből kapott fogászati életkor-becslések pontosságának összehasonlítása volt a hagyományos regresszióval kapottakkal.A MAE-t és az RMSE-t belső tesztkészletekben értékelték mindkét nemnél, és a különbség a hagyományos módszer és a DM-modell között MAE esetében 44-77 nap, RMSE esetében 62-88 nap között volt.Bár a hagyományos módszer valamivel pontosabb volt ebben a vizsgálatban, nehéz megállapítani, hogy egy ilyen kis eltérésnek klinikai vagy gyakorlati jelentősége van.Ezek az eredmények azt mutatják, hogy a DM modellel végzett fogászati életkor becslés pontossága közel azonos a hagyományos módszerével.A korábbi vizsgálatok eredményeivel való közvetlen összehasonlítás nehéz, mivel egyetlen tanulmány sem hasonlította össze a DM-modellek pontosságát hagyományos statisztikai módszerekkel, amelyek ugyanazt a technikát alkalmazták, mint ebben a tanulmányban.Galibourg et alBeszámoltak arról, hogy minden DM-modell pontosabb volt, mint a hagyományos módszerek, a MAE-ben 0,20 és 0,38 év, az RMSE-ben pedig 0,25 és 0,47 év a különbség a Willems és a Demirdjian módszerhez képest.Az SD-modell és a hagyományos módszerek közötti eltérés a Halibourg-tanulmányban számos jelentést30,31,32,33 figyelembe vesz, amelyek szerint a Demirdjian-módszer nem becsüli meg pontosan a fogászati életkort a vizsgálat alapjául szolgáló francia kanadaiaktól eltérő populációkban.ebben a tanulmányban.Tai és munkatársai 34 az MLP algoritmust használták a fogak életkorának előrejelzésére 1636 kínai fogszabályozási fénykép alapján, és összehasonlították annak pontosságát a Demirjian és Willems módszer eredményeivel.Beszámoltak arról, hogy az MLP nagyobb pontossággal rendelkezik, mint a hagyományos módszerek.A Demirdjian módszer és a hagyományos módszer közötti különbség <0,32 év, a Willems módszere pedig 0,28 év, ami hasonló a jelen vizsgálat eredményeihez.Ezen korábbi vizsgálatok24,34 eredményei is összhangban vannak jelen vizsgálat eredményeivel, a DM modell és a hagyományos módszer életkorbecslési pontossága hasonló.A bemutatott eredmények alapján azonban csak óvatosan következtethetünk arra, hogy a DM modellek alkalmazása az életkor becslésére a korábbi összehasonlító és referencia tanulmányok hiánya miatt felválthatja a meglévő módszereket.Nagyobb mintákon végzett nyomon követési vizsgálatok szükségesek az ebben a vizsgálatban kapott eredmények megerősítéséhez.
A fogászati életkor becslésében az SD pontosságát tesztelő tanulmányok közül néhány nagyobb pontosságot mutatott, mint a mi vizsgálatunk.Stepanovsky és munkatársai 35 22 SD-modellt alkalmaztak 976, 2,7 és 20,5 év közötti cseh lakos panoráma röntgenfelvételére, és tesztelték az egyes modellek pontosságát.Összesen 16 bal felső és alsó maradandó fog fejlődését értékelték a Moorrees és munkatársai által javasolt osztályozási kritériumok alapján36.A MAE 0,64 és 0,94 év között, az RMSE pedig 0,85 és 1,27 év között van, ami pontosabb, mint a tanulmányban használt két DM modell.Shen és munkatársai23 a Cameriere-módszert alkalmazták hét maradandó fog fogászati életkorának becslésére a bal alsó állcsontban 5-13 éves kelet-kínai lakosoknál, és összehasonlították azt a lineáris regresszió, SVM és RF segítségével becsült életkorokkal.Megmutatták, hogy mindhárom DM modell nagyobb pontossággal rendelkezik a hagyományos Cameriere formulához képest.A MAE és az RMSE Shen vizsgálatában alacsonyabb volt, mint a DM modellben ebben a tanulmányban.Stepanovsky et al. tanulmányainak megnövekedett pontossága.35 és Shen et al.23 oka lehet annak, hogy fiatalabb alanyokat is bevontak vizsgálati mintáikba.Mivel a fejlődő fogakkal rendelkező résztvevők életkorának becslése pontosabbá válik, ahogy a fogak száma növekszik a fogfejlődés során, az eredményül kapott életkor-becslési módszer pontossága sérülhet, ha a vizsgálatban résztvevők fiatalabbak.Ezenkívül az MLP hibája az életkor becslésében valamivel kisebb, mint az SLP-é, ami azt jelenti, hogy az MLP pontosabb, mint az SLP.Az MLP valamivel jobbnak tekinthető az életkor becsléséhez, valószínűleg az MLP38 rejtett rétegei miatt.Van azonban kivétel a nők külső mintájára (SLP 1.45, MLP 1.49).Az a megállapítás, hogy az MLP pontosabb, mint az SLP az életkor meghatározásában, további retrospektív vizsgálatokat igényel.
Összehasonlították a DM modell és a hagyományos módszer osztályozási teljesítményét is 18 éves küszöbön.A belső tesztkészletben minden tesztelt SD-modell és hagyományos módszer gyakorlatilag elfogadható szintű diszkriminációt mutatott a 18 éves minta esetében.A férfiaknál és a nőknél az érzékenység 87,7%-nál és 94,9%-nál, a specificitás pedig 89,3%-nál és 84,7%-nál nagyobb volt.Az összes tesztelt modell AUROC értéke is meghaladja a 0,925-öt.Legjobb tudomásunk szerint egyetlen tanulmány sem tesztelte a DM modell teljesítményét a 18 éves fogászati érettség alapján történő besoroláshoz.A tanulmány eredményeit összehasonlíthatjuk a mélytanulási modellek panoráma röntgenfelvételeken elért osztályozási teljesítményével.Guo és munkatársai15 egy CNN-alapú mély tanulási modell és egy Demirjian módszerén alapuló manuális módszer osztályozási teljesítményét számították ki egy bizonyos életkori küszöbhöz.A manuális módszer szenzitivitása és specificitása 87,7%, illetve 95,5%, a CNN modell szenzitivitása és specificitása pedig meghaladta a 89,2%-ot, illetve a 86,6%-ot.Arra a következtetésre jutottak, hogy a mély tanulási modellek helyettesíthetik vagy felülmúlhatják a manuális értékelést az életkori küszöbök osztályozásában.E tanulmány eredményei hasonló osztályozási teljesítményt mutattak;Úgy gondolják, hogy a DM-modellek segítségével történő osztályozás helyettesítheti a hagyományos statisztikai módszereket az életkor becslésére.A modellek közül a DM LR volt a legjobb modell a férfi minta érzékenysége és a női minta szenzitivitása és specificitása tekintetében.Az LR a második helyen áll a férfiak esetében.Ezenkívül az LR az egyik felhasználóbarátabb DM35-modellnek számít, és kevésbé bonyolult és nehezen feldolgozható.Ezen eredmények alapján az LR-t tekintették a legjobb besorolási modellnek a 18 évesek koreai populációjában.
Összességében az életkor-becslés vagy az osztályozási teljesítmény pontossága a külső tesztkészleten gyenge vagy alacsonyabb volt a belső tesztkészlet eredményeihez képest.Egyes jelentések azt mutatják, hogy az osztályozás pontossága vagy hatékonysága csökken, ha a koreai népességen alapuló korbecsléseket alkalmazzák a japán populációra5,39, és hasonló mintát találtak jelen tanulmányban is.Ez a romlási tendencia a DM modellben is megfigyelhető volt.Ezért az életkor pontos becsléséhez még akkor is, ha DM-t használunk az elemzési folyamatban, a natív populáció adataiból származó módszereket, például a hagyományos módszereket kell előnyben részesíteni5,39,40,41,42.Mivel nem világos, hogy a mély tanulási modellek képesek-e hasonló tendenciákat mutatni, az osztályozás pontosságát és hatékonyságát hagyományos módszerekkel, DM modellekkel és mély tanulási modellekkel összehasonlító tanulmányokra van szükség ugyanazon mintákon annak megerősítésére, hogy a mesterséges intelligencia képes-e legyőzni ezeket a faji különbségeket korlátozott életkorban.értékelések.
Bemutatjuk, hogy a hagyományos módszerek helyettesíthetők a koreai törvényszéki korbecslési gyakorlatban a DM modellen alapuló korbecsléssel.Felfedeztük a gépi tanulás megvalósításának lehetőségét is a törvényszéki kormeghatározáshoz.Vannak azonban egyértelmű korlátok, például a jelen tanulmányban részt vevők száma nem elegendő az eredmények végleges meghatározásához, valamint a korábbi tanulmányok hiánya a jelen tanulmány eredményeinek összehasonlítására és megerősítésére.A jövőben a DM-vizsgálatokat nagyobb mintaszámmal és változatosabb populációval kell végezni, hogy a hagyományos módszerekhez képest javítsák gyakorlati alkalmazhatóságát.Annak igazolására, hogy a mesterséges intelligencia használható-e az életkor becslésére több populációban, jövőbeli tanulmányokra van szükség a DM és a mély tanulási modellek osztályozási pontosságának és hatékonyságának összehasonlítására a hagyományos módszerekkel ugyanazon mintákban.
A tanulmány 2657 ortográfiai fényképet használt, amelyeket 15 és 23 év közötti koreai és japán felnőttektől gyűjtöttek össze.A koreai röntgenfelvételeket 900 gyakorló készletre (19,42 ± 2,65 év) és 900 belső tesztkészletre (19,52 ± 2,59 év) osztották.Az oktatókészletet egy intézményben (Szöuli Szent Mária Kórház), a saját tesztkészletet pedig két intézményben (Szöuli Nemzeti Egyetemi Fogászati Kórház és Yonsei Egyetemi Fogászati Kórház) gyűjtöttük össze.Ezenkívül 857 röntgenfelvételt gyűjtöttünk be egy másik populáció alapú adatból (Iwate Medical University, Japán) külső vizsgálatok céljából.Külső tesztkészletként japán alanyok (19,31 ± 2,60 éves) röntgenfelvételeit választottuk.Az adatokat retrospektív módon gyűjtöttük a fogászati fejlődési szakaszok elemzésére a fogászati kezelés során készült panoráma röntgenfelvételeken.Minden összegyűjtött adat anonim volt, kivéve a nemet, a születési dátumot és a röntgenfelvétel dátumát.A felvételi és kizárási kritériumok megegyeztek a korábban publikált tanulmányokkal 4, 5.A minta tényleges életkorát úgy számítottuk ki, hogy a születési dátumot levontuk a röntgenfelvétel időpontjából.A mintacsoportot kilenc korcsoportra osztották.Az életkori és nemi megoszlás a 3. táblázatban látható. Ezt a vizsgálatot a Helsinki Deklarációnak megfelelően végezték, és a Koreai Katolikus Egyetem Szöuli Szent Mária Kórházának Intézményi Felülvizsgáló Testülete (IRB) hagyta jóvá (KC22WISI0328).A tanulmány retrospektív felépítése miatt nem lehetett minden olyan betegtől tájékozott beleegyezést szerezni, akik terápiás célból radiográfiás vizsgálaton estek át.A Szöuli Koreai Egyetemi Szent Mária Kórház (IRB) lemondott a tájékozott beleegyezés követelményétől.
A bimaxilláris második és harmadik őrlőfogak fejlődési stádiumait a Demircan kritériumok szerint értékeltük25.Csak egy fogat választottunk ki, ha azonos típusú fogat találtunk mindkét állkapocs bal és jobb oldalán.Ha a homológ fogak mindkét oldalon eltérő fejlődési stádiumban voltak, akkor az alacsonyabb fejlődési stádiumú fogat választottuk ki, hogy figyelembe vegyék a becsült életkor bizonytalanságát.A betanítókészletből száz véletlenszerűen kiválasztott röntgenfelvételt két tapasztalt megfigyelő pontozott, hogy tesztelje az interobserver megbízhatóságát az előkalibrálás után a fogérettségi állapot meghatározásához.Az intraobserver megbízhatóságot az elsődleges megfigyelő három hónapos időközönként kétszer értékelte.
A tréningkészletben szereplő minden egyes állkapocs második és harmadik őrlőfogának nemét és fejlődési stádiumát egy különböző DM modellekkel kiképzett elsődleges megfigyelő becsülte meg, célértékként pedig a tényleges életkort állította be.A gépi tanulásban széles körben használt SLP és MLP modelleket regressziós algoritmusokkal szemben tesztelték.A DM-modell a négy fog fejlődési stádiumait felhasználva kombinálja a lineáris függvényeket, és kombinálja ezeket az adatokat az életkor becsléséhez.Az SLP a legegyszerűbb neurális hálózat, és nem tartalmaz rejtett rétegeket.Az SLP a csomópontok közötti küszöbérték átvitelen alapul.A regressziós SLP modell matematikailag hasonló a többszörös lineáris regresszióhoz.Az SLP-modelltől eltérően az MLP-modell több rejtett réteget tartalmaz nemlineáris aktiválási függvényekkel.Kísérleteinkben egy rejtett réteget használtunk mindössze 20 rejtett csomóponttal, nemlineáris aktiválási függvényekkel.Használja a gradiens süllyedést optimalizálási módszerként, a MAE és az RMSE-t veszteségfüggvényként a gépi tanulási modellünk betanításához.A legjobban kapott regressziós modellt alkalmaztuk a belső és külső tesztkészletekre, és megbecsültük a fogak korát.
Kifejlesztettek egy osztályozási algoritmust, amely a betanítókészlet négy fogának érettségét használja annak előrejelzésére, hogy egy minta 18 éves-e vagy sem.A modell felépítéséhez hét reprezentációs gépi tanulási algoritmust6,43 származtattunk: (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 egy bizonyos kategóriához 0-tól 1-ig terjedő adatok valószínűségének előrejelzésére, és e valószínűség alapján osztályozza az adatokat egy valószínűbb kategóriába tartozónak;főként bináris osztályozásra használják.A KNN az egyik legegyszerűbb gépi tanulási algoritmus45.Ha új bemeneti adatot ad meg, k olyan adatot talál, amely közel van a meglévő halmazhoz, majd besorolja azokat a legmagasabb gyakoriságú osztályba.A figyelembe vett szomszédok számának (k) 3-at állítunk be.Az SVM egy olyan algoritmus, amely maximalizálja a távolságot két osztály között azáltal, hogy egy kernelfüggvény segítségével a lineáris teret mezőknek nevezett nemlineáris térré bővíti46.Ennél a modellnél a polinomiális kernel hiperparamétereiként a torzítás = 1, a teljesítmény = 1 és a gamma = 1 értékeket használjuk.A DT-t különféle területeken alkalmazták algoritmusként egy teljes adathalmaz több alcsoportra történő felosztására a döntési szabályok fastruktúrában történő megjelenítésével47.A modell csomópontonkénti minimális rekordszámmal van konfigurálva, és a Gini-indexet használja a minőség mérőszámaként.Az RF egy ensemble módszer, amely több DT-t kombinál, hogy javítsa a teljesítményt egy bootstrap aggregációs módszerrel, amely gyenge osztályozót generál minden egyes mintához úgy, hogy véletlenszerűen azonos méretű mintákat rajzol az eredeti adatkészletből48.Csomópont-elválasztási kritériumként 100 fát, 10 fa mélységet, 1 minimális csomópontméretet és Gini-admixture indexet használtunk.Az új adatok besorolása többségi szavazással történik.Az XGBoost egy olyan algoritmus, amely egyesíti a fokozási technikákat egy olyan módszerrel, amely az előző modell tényleges és előrejelzett értéke közötti hibát veszi tanítási adatként, és gradiensek segítségével növeli a hibát49.Jó teljesítménye és erőforrás-hatékonysága, valamint túlillesztési korrekciós funkciójaként nagy megbízhatósága miatt széles körben használt algoritmus.A modell 400 támasztókerékkel van felszerelve.Az MLP egy neurális hálózat, amelyben egy vagy több perceptron több réteget alkot, a bemeneti és kimeneti rétegek között pedig egy vagy több rejtett réteg található38.Ennek segítségével nemlineáris osztályozást hajthat végre, ahol amikor hozzáad egy bemeneti réteget és megkapja az eredmény értéket, a megjósolt eredmény értéket összehasonlítja 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 készletekre alkalmaztunk az osztályozási teljesítmény tesztelésére az érzékenység, a specificitás, a PPV, az NPV és az AUROC kiszámításával.Az érzékenység a 18 éves vagy annál idősebbnek becsült minta és a 18 éves vagy annál idősebb minta aránya.A specifitás a 18 év alatti és a becsült 18 év alatti minták aránya.
A képzési készletben értékelt fogászati szakaszokat számszerű szakaszokká alakítottuk át statisztikai elemzés céljából.Többváltozós lineáris és logisztikus regressziót végeztek, hogy prediktív modelleket dolgozzanak ki minden nemre, és olyan regressziós képleteket származtassanak, amelyek felhasználhatók az életkor becslésére.Ezeket a képleteket használtuk a fogak életkorának becslésére mind a belső, mind a külső tesztkészleteknél.A 4. táblázat a tanulmányban használt regressziós és osztályozási modelleket mutatja be.
Az intra- és interobserver megbízhatóságot Cohen-féle kappastatisztikával számítottuk ki.A DM és a hagyományos regressziós modellek pontosságának tesztelésére MAE-t és RMSE-t számítottunk a belső és külső tesztkészletek becsült és tényleges életkorának felhasználásával.Ezeket a hibákat általában a modell-előrejelzések pontosságának értékelésére használják.Minél kisebb a hiba, annál pontosabb az előrejelzés24.Hasonlítsa össze a DM és a hagyományos regresszió segítségével számított belső és külső tesztkészletek MAE és RMSE értékét.A 18 éves küszöb besorolási teljesítményét a hagyományos statisztikákban 2 × 2-es kontingencia táblázat segítségével értékelték.A tesztkészlet számított szenzitivitását, specificitását, PPV-jét, NPV-jét és AUROC-ját összehasonlítottuk a DM osztályozási modell mért értékeivel.Az adatokat az adatok jellemzőitől függően átlag ± szórás vagy szám (%) formájában fejezzük ki.A kétoldali P-értékek <0,05 statisztikailag szignifikánsnak tekinthetők.Minden rutin statisztikai elemzést a SAS 9.4-es verziójával végeztünk (SAS Institute, Cary, NC).A DM regressziós modellt Pythonban valósították meg a Keras50 2.2.4 backend és a Tensorflow51 1.8.0 használatával, kifejezetten matematikai műveletekhez.A DM osztályozási modellt a Waikato Knowledge Analysis Environment és a Konstanz Information Miner (KNIME) 4.6.152 elemző platformon valósították meg.
A szerzők elismerik, hogy a tanulmány következtetéseit alátámasztó adatok a cikkben és a kiegészítő anyagokban találhatók.A vizsgálat során generált és/vagy elemzett adatkészletek ésszerű kérésre hozzáférhetők a megfelelő szerzőtől.
Ritz-Timme, S. et al.Életkor felmérése: a legkorszerűbb, hogy megfeleljen az igazságügyi szakértői gyakorlat speciális követelményeinek.nemzetköziség.J. Jogi orvoslás.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Élő alanyok igazságügyi kormeghatározásának jelenlegi állapota büntetőeljárás céljából.Forensics.gyógyszer.Patológia.1, 239–246 (2005).
Pan, J. et al.Módosított módszer 5 és 16 év közötti gyermekek fogászati életkorának meghatározására Kelet-Kínában.klinikai.Szóbeli felmérés.25, 3463–3474 (2021).
Lee, SS stb. A második és harmadik őrlőfogak fejlődésének kronológiája koreaiaknál és alkalmazása a törvényszéki kormeghatározáshoz.nemzetköziség.J. Jogi orvoslás.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY és Lee, SS Az életkor becslésének pontossága és a 18 éves küszöb becslése a második és harmadik őrlőfog érettsége alapján koreaiaknál és japánoknál.PLoS ONE 17, e0271247 (2022).
Kim, JY és mtsai.A preoperatív gépi tanuláson alapuló adatelemzés előrejelezheti az alvásműtét kezelésének kimenetelét OSA-ban szenvedő betegeknél.a tudomány.11. jelentés, 14911 (2021).
Han, M. et al.Pontos életkorbecslés gépi tanulásból emberi beavatkozással vagy anélkül?nemzetköziség.J. Jogi orvoslás.136, 821–831 (2022).
Khan, S. és Shaheen, M. Az adatbányászattól az adatbányászatig.J. Információ.a tudomány.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. és Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J. Információ.a tudomány.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. és Abdullah U. Karm: Hagyományos adatbányászat kontextus alapú asszociációs szabályokon.kiszámítja.Matt.folytatni.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. és Habib M. Mély tanuláson alapuló szemantikai hasonlóság detektálás szöveges adatok felhasználásával.tájékoztatni.technológiákat.ellenőrzés.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. és Shahin, M. A rendszer a sportvideókban végzett tevékenység felismerésére.multimédia.Eszközök Alkalmazások https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA gépi tanulási kihívás a gyermekkori csontkorszakban.Radiology 290, 498–503 (2019).
Li, Y. et al.Törvényszéki korbecslés kismedencei röntgenfelvételekből, mély tanulással.EURO.sugárzás.29, 2322–2329 (2019).
Guo, YC és mtsai.Pontos korosztályozás manuális módszerekkel és mélykonvolúciós neurális hálózatokkal ortográfiai vetületi képekből.nemzetköziség.J. Jogi orvoslás.135, 1589–1597 (2021).
Alabama Dalora et al.Csontkorbecslés különböző gépi tanulási módszerekkel: szisztematikus irodalmi áttekintés és metaanalízis.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. és Yang, J. Afro-amerikaiak és kínaiak népesség-specifikus életkorának becslése az első őrlőfogak cellulózkamrájának térfogata alapján, kúpos komputertomográfiával.nemzetköziség.J. Jogi orvoslás.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK és Oh KS Élő emberek korcsoportjainak meghatározása az első őrlőfogak mesterséges intelligencia alapú képeinek felhasználásával.a tudomány.Jelentés, 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. és Urschler, M. Automatikus korbecslés és többségi korosztályozás többváltozós MRI adatokból.IEEE J. Biomed.Egészségügyi figyelmeztetések.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. és Li, G. Életkorbecslés az első őrlőfogak 3D pulpakamrás szegmentációján alapuló kúpos komputertomográfiából, mély tanulási és szintkészletek integrálásával.nemzetköziség.J. Jogi orvoslás.135, 365–373 (2021).
Wu, WT és mtsai.Adatbányászat klinikai big data-ban: általános adatbázisok, lépések és módszerek modellek.Világ.gyógyszer.forrás.8, 44 (2021).
Yang, J. et al.Bevezetés az orvosi adatbázisokba és adatbányászati technológiákba a Big Data korszakban.J. Avid.Alapvető gyógyszer.13, 57–69 (2020).
Shen, S. et al.Camerer módszere a fogak életkorának becslésére gépi tanulás segítségével.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Különböző gépi tanulási módszerek összehasonlítása a fogászati életkor előrejelzésére a Demirdjian staging módszerrel.nemzetköziség.J. Jogi orvoslás.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. és Tanner, JM. Új rendszer a fogászati életkor felmérésére.horkant.biológia.45, 211–227 (1973).
Landis, JR és Koch, GG A megfigyelői egyetértés mértéke a kategorikus adatokkal kapcsolatban.Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK és Choi HK.Kétdimenziós mágneses rezonancia képalkotás szövettani, morfológiai és statisztikai elemzése mesterséges intelligencia technikákkal primer agydaganatok differenciálására.Egészségügyi információ.forrás.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Feladás időpontja: 2024-04-04