Dėkojame, kad apsilankėte gamtoje.com. Jūsų naudojamos naršyklės versijoje yra ribotas CSS palaikymas. Norėdami gauti geriausius rezultatus, mes rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“). Tuo tarpu, norėdami užtikrinti nuolatinę palaikymą, mes rodome svetainę be stiliaus ar „JavaScript“.
Dantys laikomi tiksliausiu žmogaus kūno amžiaus rodikliu ir dažnai naudojami teismo amžiaus vertinimui. Mes siekėme patvirtinti duomenų gavybos pagrindu pagamintus dantų amžiaus įvertinimus, palygindami 18 metų slenksčio įvertinimo tikslumą ir klasifikavimo rezultatus su tradiciniais metodais ir duomenų kasybos pagrindu pagrįstais amžiaus įvertinimais. Iš viso iš Korėjos ir Japonijos piliečių nuo 15 iki 23 metų buvo surinkti 2657 panoraminės rentgenografijos. Jie buvo suskirstyti į treniruočių rinkinį, kurių kiekviename yra 900 korėjiečių rentgenografų, ir vidinį bandymų rinkinį, kuriame yra 857 japonų rentgenografijos. Palyginome tradicinių metodų klasifikavimo tikslumą ir efektyvumą su duomenų gavybos modelių bandymo rinkiniais. Tradicinio metodo vidinio bandymo rinkinyje tikslumas yra šiek tiek didesnis nei duomenų gavybos modelio, o skirtumas yra mažas (vidutinė absoliuti paklaida <0,21 metų, šaknies vidurkio kvadrato paklaida <0,24 metų). 18 metų ribos klasifikavimo rezultatai taip pat yra panašūs tarp tradicinių metodų ir duomenų gavybos modelių. Taigi tradicinius metodus galima pakeisti duomenų gavybos modeliais atliekant teismo medicinos amžiaus vertinimą, naudojant antrosios ir trečiosios molių brandą Korėjos paaugliams ir jauniems suaugusiesiems.
Dantų amžiaus įvertinimas yra plačiai naudojamas teismo medicinos ir vaikų odontologijoje. Visų pirma, dėl aukšto koreliacijos tarp chronologinio amžiaus ir dantų vystymosi dantų vystymosi etapų amžiaus vertinimas yra svarbus kriterijus, vertinant vaikų ir paauglių amžių1,2,3. Tačiau jauniems žmonėms dantų amžius, atsižvelgiant į dantų brandą, turi savo apribojimus, nes dantų augimas yra beveik baigtas, išskyrus trečiąjį molius. Teisinis jaunų žmonių ir paauglių amžiaus nustatymas yra pateikti tikslius įvertinimus ir mokslinius įrodymus, ar jie pasiekė daugumos amžių. Korėjos paauglių ir jaunų suaugusiųjų medicinoje praktikoje, amžiuje buvo įvertintas Lee metodas, ir 18 metų teisinė riba buvo prognozuojama remiantis duomenimis, apie kuriuos pranešė OH ir kt. 5.
Mašinų mokymasis yra dirbtinio intelekto tipas (AI), kuris pakartotinai mokosi ir klasifikuoja didelius duomenų kiekius, išsprendžia problemas savarankiškai ir skatina duomenų programavimą. Mašinų mokymasis gali atrasti naudingus paslėptus modelius dideliuose „Data6“ tomuose. Priešingai, klasikiniai metodai, kurie reikalauja daug darbo ir reikalauja daug laiko, gali turėti apribojimų, kai reikia spręsti didelius sudėtingų duomenų kiekius, kuriuos sunku apdoroti rankiniu būdu. Todėl neseniai buvo atlikta daugybė tyrimų, naudojant naujausias kompiuterių technologijas, siekiant sumažinti žmogaus klaidas ir efektyviai apdoroti daugialypius duomenis8,9,10,11,12. Visų pirma, gilus mokymasis buvo plačiai naudojamas atliekant medicinos įvaizdžio analizę, ir buvo pranešta . Pavyzdžiui, Halabi ir kt. 13 Sukūrė mašininio mokymosi algoritmą, pagrįstą konvoliuciniais neuroniniais tinklais (CNN), kad įvertintų skeleto amžių, naudojant vaikų rankų rentgenogramas. Šis tyrimas siūlo modelį, kuris mašinų mokymąsi taikomas medicininiams vaizdams ir parodo, kad šie metodai gali pagerinti diagnostinį tikslumą. Li ir kt. Jie nustatė, kad giluminio mokymosi CNN modelis parodė tą patį amžiaus įvertinimo rezultatą kaip ir tradicinis regresijos modelis. Guo ir kt. Tyrimas [15] įvertino CNN technologijos, pagrįsto dantų ortofotu, tolerancijos klasifikavimo amžių, o CNN modelio rezultatai įrodė, kad žmonės pranoko savo amžiaus klasifikavimo rezultatus.
Daugelyje tyrimų, susijusių su amžiaus įvertinimu, naudojant mašinų mokymąsi, naudojami giluminio mokymosi metodai13,14,15,16,17,18,19,20. Pranešama, kad amžius, pagrįstas gilumu, yra tikslesnis nei tradiciniai metodai. Tačiau šis požiūris suteikia mažai galimybių pateikti mokslinį pagrindą amžiaus įvertinimams, tokiems kaip amžiaus rodikliai, naudojami įvertinimuose. Taip pat yra teisinis ginčas dėl to, kas atlieka patikrinimus. Todėl administracinės ir teisminės valdžios institucijos sunku priimti amžių, pagrįstą giliu mokymu. Duomenų gavyba (DM) yra technika, kuri gali atrasti ne tik tikėtiną, bet ir netikėtą informaciją kaip metodą, kaip nustatyti naudingas koreliacijas tarp didelių duomenų6,21,22 duomenų. Mašinų mokymasis dažnai naudojamas duomenų gavyboje, o duomenų gavyba ir mašininis mokymasis naudoja tuos pačius pagrindinius algoritmus duomenų modeliams atrasti. Amžiaus įvertinimas naudojant dantų vystymąsi grindžiamas egzaminuotojo įvertinimu tikslinių dantų brandos įvertinimu, ir šis vertinimas išreiškiamas kaip kiekvieno tikslinio danties stadija. DM gali būti naudojamas analizuoti koreliaciją tarp dantų vertinimo stadijos ir faktinio amžiaus ir gali pakeisti tradicinę statistinę analizę. Todėl, jei taikome DM metodus vertinant amžių, mašinų mokymąsi galime įgyvendinti teismo amžiaus vertinime, nesijaudindami dėl teisinės atsakomybės. Paskelbta keletas lyginamųjų tyrimų apie galimus tradicinių rankinių metodų, naudojamų teismo medicinos praktikoje, alternatyvų ir EBM pagrįstų dantų amžiaus nustatymo metodų. Shen et al23 parodė, kad DM modelis yra tikslesnis nei tradicinė kameros formulė. Galibourg ir kt. 24 pritaikė skirtingus DM metodus, kad numatytų amžių pagal Demirdjian kriteriją25, o rezultatai parodė, kad DM metodas pralenkė Demirdjian ir Willems metodus įvertinant Prancūzijos gyventojų amžių.
Norint įvertinti korėjiečių paauglių ir jaunų suaugusiųjų dantų amžių, Lee 4 metodas yra plačiai naudojamas korėjiečių kriminalistikos praktikoje. Šis metodas naudoja tradicinę statistinę analizę (pvz., Daugybinę regresiją), siekiant ištirti korėjiečių tiriamųjų ir chronologinio amžiaus ryšį. Šiame tyrime amžiaus įvertinimo metodai, gauti naudojant tradicinius statistinius metodus, yra apibrėžiami kaip „tradiciniai metodai“. Lee metodas yra tradicinis metodas, o jo tikslumą patvirtino Oh ir kt. 5; Tačiau vis dar abejotinas amžių įvertinimo, pagrįsto Korėjos teismo medicinos praktika, taikymas. Mūsų tikslas buvo moksliškai patvirtinti galimą amžiaus įvertinimo naudingumą remiantis DM modeliu. Šio tyrimo tikslas buvo (1) palyginti dviejų DM modelių tikslumą įvertinant dantų amžių ir (2), kad būtų galima palyginti 7 DM modelių klasifikavimo rezultatus 18 metų amžiaus su tais, kurie buvo gauti naudojant tradicinius statistinius metodus antrosios sekundės brandos. ir trečiosios žandikauliai abiejuose žandikauliuose.
Chronologinio amžiaus vidurkiai ir standartiniai nuokrypiai pagal sceną ir dantų tipą rodomi internete S1 lentelėje (treniruočių rinkinys), papildoma S2 lentelė (vidinis bandymų rinkinys) ir papildoma S3 lentelė (išorinis bandymo rinkinys). Kappa vertės, susijusios su intra ir tarpusavio serverio patikimumu, gautomis iš treniruočių rinkinio, buvo atitinkamai 0,951 ir 0,947. P vertės ir 95% „Kappa“ verčių pasikliovimo intervalai parodomi internetinėje papildomoje S4 lentelėje. Kappa vertė buvo aiškinama kaip „beveik tobula“, atitinkanti Landis ir Koch26 kriterijus.
Palyginus vidutinę absoliučią paklaidą (MAE), tradicinis metodas šiek tiek pralenkia visų lyčių ir išorinio vyro bandymo rinkinio DM modelį, išskyrus daugiasluoksnį „Perceptron“ (MLP). Skirtumas tarp tradicinio modelio ir DM modelio ant vidinio MAE testo rinkinio buvo 0,12–0,19 metų vyrams ir 0,17–0,21 metų moterims. Išorinio bandymo baterijai skirtumai yra mažesni (vyrams 0,001–0,0,05 metų ir 0,05–0,09 metų moterims). Be to, šaknies vidutinė kvadratinė paklaida (RMSE) yra šiek tiek mažesnė nei tradicinis metodas, mažesni skirtumai (0,17–0,24, 0,2–0,24 vyriško vidinio bandymo rinkiniui ir 0,03–0,07, 0,04–0,08 išorinio bandymo rinkiniui). ). MLP rodo šiek tiek geresnį našumą nei vieno sluoksnio „Perceptron“ (SLP), išskyrus moters išorinio bandymo rinkinio atvejį. MAE ir RMSE išorinių bandymų rinkinyje yra didesnis nei visų lyčių ir modelių vidinio bandymo rinkinys. Visi MAE ir RMSE yra parodyti 1 lentelėje ir 1 paveiksle.
Tradicinių ir duomenų kasybos regresijos modelių MAE ir RMSE. Vidutinė absoliuti klaida Mae, šaknies vidurkio kvadrato klaida RMSE, vieno sluoksnio perceptron SLP, daugiasluoksnio perceptron MLP, tradicinis CM metodas.
Tradicinių ir DM modelių klasifikavimo našumas (su 18 metų ribomis) buvo įrodytas jautrumo, specifiškumo, teigiamos numatomosios vertės (PPV), neigiamos prognozuojamos vertės (NPV) ir plotu po imtuvo veikimo charakteristikų kreivės (AUROC) prasme (AUROC) (AUROC) atžvilgiu. 27 (2 lentelė, 2 paveikslas ir papildomas 1 paveikslas internete). Kalbant apie vidinio testo akumuliatoriaus jautrumą, tradiciniai metodai buvo geriausi tarp vyrų ir blogiau tarp moterų. Tačiau tradicinių metodų ir SD klasifikavimo rezultatų skirtumas yra 9,7% vyrų (MLP) ir tik 2,4% moterims (xgboost). Tarp DM modelių logistinė regresija (LR) parodė geresnį abiejų lyčių jautrumą. Kalbant apie vidinio bandymo rinkinio specifiškumą, buvo pastebėta, kad keturi SD modeliai gerai veikė vyrams, o tradicinis modelis geriau veikė moterims. Vyrų ir moterų klasifikavimo rezultatų skirtumai yra atitinkamai 13,3% (MLP) ir 13,1% (MLP), tai rodo, kad modelių klasifikavimo efektyvumo skirtumas viršija jautrumą. Tarp DM modelių, atraminių vektorių aparatas (SVM), sprendimų medis (DT) ir „Random Forest“ (RF) modeliai buvo geriausi tarp vyrų, o LR modelis geriausiai pasirodė tarp moterų. Tradicinio modelio ir visų SD modelių aurok buvo didesnis nei 0,925 (K-AREARest kaimynas (KNN) vyrams), parodantis puikų klasifikaciją diskriminuojant 18 metų senumo pavyzdžius28. Išoriniam bandymo rinkiniui, palyginti su vidiniu bandymo rinkiniu, klasifikavimo našumas sumažėjo. Be to, jautrumo ir specifiškumo skirtumai tarp geriausių ir blogiausių modelių klasifikavimo rezultatų svyravo nuo 10% iki 25% ir buvo didesnis už vidinio testų rinkinio skirtumą.
Duomenų kasybos klasifikavimo modelių jautrumas ir specifiškumas, palyginti su tradiciniais metodais, kurių riba buvo 18 metų. KNN K Artimiausias kaimynas, SVM palaikymo vektorių aparatas, LR logistinė regresija, DT sprendimų medis, RF atsitiktinis miškas, XGB XGBOOST, MLP MultiLYERER PERCEPTRON, tradicinis CM metodas.
Pirmasis šio tyrimo žingsnis buvo palyginti dantų amžiaus įverčių, gautų iš septynių DM modelių, tikslumo, gauto naudojant tradicinę regresiją. MAE ir RMSE buvo įvertinti abiejų lyčių vidiniuose bandymų rinkiniuose, o skirtumas tarp tradicinio metodo ir DM modelio buvo nuo 44 iki 77 dienų MAE ir nuo 62 iki 88 dienų RMSE. Nors tradicinis metodas šiame tyrime buvo šiek tiek tikslesnis, sunku padaryti išvadą, ar toks mažas skirtumas turi klinikinę ar praktinę reikšmę. Šie rezultatai rodo, kad dantų amžiaus įvertinimo tikslumas naudojant DM modelį yra beveik toks pat kaip tradicinio metodo. Tiesioginis palyginimas su ankstesnių tyrimų rezultatais yra sunku, nes nė vienas tyrimas nepalygino DM modelių tikslumo su tradiciniais statistiniais metodais, naudojant tą pačią dantų įrašymo metodą tame pačiame amžiaus diapazone, kaip ir šiame tyrime. Galibourg ir kt. 24 palygino MAE ir RMSE tarp dviejų tradicinių metodų (Demirjian Method25 ir Willems metodų29) ir 10 DM modelių Prancūzijos gyventojuose nuo 2 iki 24 metų. Jie pranešė, kad visi DM modeliai buvo tikslesni nei tradiciniai metodai, kurių skirtumai buvo 0,20 ir 0,38 metų MAE ir 0,25 ir 0,47 metų RMSE, palyginti su Willems ir Demirdjian metodais. SD modelio ir tradicinių metodų, parodytų Halibourg tyrime, neatitikimas atsižvelgia į daugybę pranešimų 30,31,32,33, kad Demirdjian metodas tiksliai neįvertina dantų amžių, išskyrus Prancūzijos kanadiečius, kuriuose buvo pagrįstas Prancūzijos kanadiečiai. Šiame tyrime. Tai ir kt. 34 panaudojo MLP algoritmą, kad numatytų dantų amžių iš 1636 kinų ortodontinių nuotraukų ir palygintų jo tikslumą su Demirjian ir Willems metodo rezultatais. Jie pranešė, kad MLP tikslumas yra didesnis nei tradiciniai metodai. Skirtumas tarp Demirdjian metodo ir tradicinio metodo yra <0,32 metų, o Willemso metodas yra 0,28 metų, kuris yra panašus į šio tyrimo rezultatus. Šių ankstesnių tyrimų 24,34 rezultatai taip pat atitinka šio tyrimo rezultatus, o DM modelio ir tradicinio metodo amžiaus įvertinimo tikslumas yra panašus. Tačiau, remdamiesi pateiktais rezultatais, galime tik atsargiai daryti išvadą, kad DM modelių naudojimas amžiui įvertinti gali pakeisti esamus metodus, nes trūksta palyginamųjų ir nuorodų ankstesnių tyrimų. Norint patvirtinti šio tyrimo rezultatus, reikalingi tolesni tyrimai, naudojant didesnius mėginius.
Tarp tyrimų, tiriančių SD tikslumą vertinant dantų amžių, kai kurie parodė didesnį tikslumą nei mūsų tyrimas. Stepanovsky ir kt. 35 pritaikė 22 SD modelius, skirtus 976 čekų gyventojams nuo 2,7 iki 20,5 metų ir išbandė kiekvieno modelio tikslumą. Jie įvertino iš viso 16 viršutinių ir apatinių kairiųjų nuolatinių dantų, naudodamiesi Moorrees ir kt. MAE svyruoja nuo 0,64 iki 0,94 metų, o RMSE svyruoja nuo 0,85 iki 1,27 metų, o tai yra tikslesni nei du DM modeliai, naudojami šiame tyrime. Shen ir kt. Jie parodė, kad visi trys DM modeliai turi didesnį tikslumą, palyginti su tradicine „Cameriere“ formule. MAE ir RMSE Šeno tyrime šiame tyrime buvo mažesni nei DM modelyje. Padidėjęs Stepanovsky ir kt. Tyrimų tikslumas. 35 ir Shen ir kt. 23 gali būti dėl to, kad į jų tyrimo mėginius įtraukė jaunesni tiriamieji. Kadangi dantų išsivysčiusiems dalyviams amžiaus įvertinimai tampa tikslesni, nes dantų skaičius didėja dantų vystymosi metu, susidarančio amžiaus įvertinimo metodo tikslumas gali būti pažeistas, kai tyrimo dalyviai yra jaunesni. Be to, MLP klaida amžiaus įvertinime yra šiek tiek mažesnė nei SLP, tai reiškia, kad MLP yra tikslesnė nei SLP. MLP laikomas šiek tiek geresniu amžiaus įvertinimui, galbūt dėl paslėptų sluoksnių MLP38. Tačiau išorinei moterims išorinei mėginiui yra išimtis (SLP 1.45, MLP 1.49). Išvada, kad MLP yra tikslesnis nei SLP vertinant amžių, reikalauja papildomų retrospektyvių tyrimų.
Taip pat buvo lyginamas DM modelio klasifikavimo efektyvumas ir tradicinis metodas esant 18 metų slenksčiui. Visi išbandyti SD modeliai ir tradiciniai vidinio bandymo rinkinio metodai parodė praktiškai priimtiną 18-mečio imties diskriminacijos lygį. Vyrų ir moterų jautrumas buvo didesnis nei 87,7% ir 94,9%, o specifiškumas buvo didesnis nei 89,3% ir 84,7%. Visų išbandytų modelių aurok taip pat viršija 0,925. Kiek mums yra žinoma, nė vienas tyrimas neišbandė DM modelio, skirto 18 metų klasifikacijai, pagal dantų brandą. Galime palyginti šio tyrimo rezultatus su giliųjų mokymosi modelių klasifikavimo rezultatais panoraminėse rentgenografijose. Guo ir kt.15 apskaičiavo CNN pagrįsto giluminio mokymosi modelio klasifikavimo efektyvumą ir rankinį metodą, pagrįstą Demirjiano metodu tam tikram amžiaus slenksčiui. Rankinio metodo jautrumas ir specifiškumas buvo atitinkamai 87,7% ir 95,5%, o CNN modelio jautrumas ir specifiškumas viršijo atitinkamai 89,2% ir 86,6%. Jie padarė išvadą, kad giluminio mokymosi modeliai gali pakeisti arba aplenkti rankinį vertinimą klasifikuojant amžiaus slenksčius. Šio tyrimo rezultatai parodė panašius klasifikavimo rezultatus; Manoma, kad klasifikacija naudojant DM modelius gali pakeisti tradicinius statistinius metodus amžiaus įvertinimo metodams. Tarp modelių DM LR buvo geriausias modelis, susijęs su jautrumu vyro mėginiui ir moters mėginio jautrumui bei specifiškumui. LR užima antrą vietą pagal vyrų specifiškumą. Be to, LR yra laikomas vienu iš vartotojo draugiškų DM35 modelių ir yra ne toks sudėtingas ir sunkiai apdorojamas. Remiantis šiais rezultatais, LR buvo laikomas geriausiu 18-mečio Korėjos gyventojų ribų klasifikavimo modeliu.
Apskritai, palyginti su vidinio bandymo rinkinio rezultatais, išorinio bandymo rinkinio amžiaus įvertinimo tikslumas arba klasifikavimo rezultatai. Kai kurios ataskaitos rodo, kad klasifikavimo tikslumas ar efektyvumas mažėja, kai Japonijos gyventojams taikoma amžiaus amžiaus įvertinimas, pagrįstas Korėjos gyventojais, ir panašus modelis buvo rastas šiame tyrime. Ši pablogėjimo tendencija taip pat buvo pastebėta DM modelyje. Todėl norint tiksliai įvertinti amžių, net naudojant DM analizės procese, turėtų būti teikiama pirmenybė metodams, gautiems iš vietinių populiacijos duomenų, tokių kaip tradiciniai metodai, 5,39,40,41,42. Kadangi neaišku, ar giluminio mokymosi modeliai gali parodyti panašias tendencijas, tyrimai, kuriuose lyginamas klasifikavimo tikslumas ir efektyvumas, naudojant tradicinius metodus, DM modelius ir giluminio mokymosi modelius tų pačių pavyzdžių, reikalingų norint patvirtinti, ar dirbtinis intelektas gali įveikti šiuos rasinius skirtumus ribotame amžiuje. vertinimai.
Mes parodome, kad tradicinius metodus galima pakeisti amžiaus įvertinimu, remiantis DM modeliu teismo amžiaus įvertinimo praktikoje Korėjoje. Mes taip pat atradome galimybę įgyvendinti mašininį mokymąsi teismo medicinos amžiaus vertinimui. Tačiau yra aiškių apribojimų, tokių kaip nepakankamas šio tyrimo dalyvių skaičius, siekiant galutinai nustatyti rezultatus, ir ankstesnių tyrimų trūkumas, kad būtų galima palyginti ir patvirtinti šio tyrimo rezultatus. Ateityje DM tyrimai turėtų būti atlikti su didesniu skaičiumi mėginių ir įvairesnių populiacijų, siekiant pagerinti jo praktinį pritaikomumą, palyginti su tradiciniais metodais. Norint patvirtinti dirbtinio intelekto naudojimo galimybes įvertinti amžių keliose populiacijose, reikia ateities tyrimų, kad būtų galima palyginti DM ir giluminio mokymosi modelių klasifikavimo tikslumą ir efektyvumą su tradiciniais metodais tose pačiuose mėginiuose.
Tyrime buvo naudojamos 2657 ortografinės nuotraukos, surinktos iš Korėjos ir Japonijos suaugusiųjų nuo 15 iki 23 metų. Korėjos rentgenografijos buvo padalintos į 900 treniruočių rinkinių (19,42 ± 2,65 metų) ir 900 vidinių bandymų rinkinių (19,52 ± 2,59 metų). Mokymo rinkinys buvo surinktas vienoje įstaigoje (Seulo Šv. Marijos ligoninėje), o pačių bandymų rinkinys buvo surinktas dviejose įstaigose (Seulo nacionalinės universiteto odontologijos ligoninėje ir Yonsei universiteto odontologijos ligoninėje). Mes taip pat surinkome 857 rentgenografijas iš kitų gyventojų pagrįstų duomenų (IWATE medicinos universitetas, Japonija) išoriniams tyrimams. Japonijos tiriamųjų rentgenografijos (19,31 ± 2,60 metų) buvo parinkti kaip išorinio bandymo rinkinys. Duomenys buvo renkami retrospektyviai, siekiant išanalizuoti dantų vystymosi etapus panoraminių rentgenografijų, paimtų dantų gydymo metu. Visi surinkti duomenys buvo anoniminiai, išskyrus lytį, gimimo datą ir rentgenogramos datą. Įtraukimo ir pašalinimo kriterijai buvo tokie patys, kaip anksčiau paskelbtos 4, 5 tyrimai. Faktinis imties amžius buvo apskaičiuotas atimant gimimo datą nuo rentgenografijos datos. Mėginių grupė buvo suskirstyta į devynias amžiaus grupes. Amžius ir lyties pasiskirstymas parodytas 3 lentelėje. Šis tyrimas buvo atliktas pagal Helsinkio deklaraciją ir patvirtinta Seulo Šv. Marijos Korėjos universiteto Seulo Šv. Marijos ligoninės institucinės peržiūros tarybos (IRB) (KC22WISI0328). Dėl retrospektyvaus šio tyrimo projekto, visų pacientų, kuriems atliktas rentgenografinis tyrimas terapiniais tikslais, nepavyko gauti informuoto sutikimo. Seulo Korėjos universiteto Šv. Marijos ligoninė (IRB) atsisakė informuoto sutikimo reikalavimo.
BiMaksiliarinės antrosios ir trečiosios molinės raidos stadijos buvo įvertintos pagal DEMIRCAN kriterijus25. Buvo pasirinktas tik vienas dantis, jei kairėje ir dešinėje kiekvieno žandikaulio pusėse buvo rastas tas pats danties. Jei homologiniai dantys iš abiejų pusių buvo skirtingose vystymosi stadijose, dantis su mažesne vystymosi stadija buvo pasirinkta atsižvelgiant į neapibrėžtumą apskaičiuotame amžiuje. Šimtą atsitiktinai parinktų rentgenogramų iš treniruočių rinkinio surinko du patyrę stebėtojai, kad patikrintų tarpusavio patikimumą po pirmtakų, kad būtų galima nustatyti dantų brandos stadiją. IntraObserver patikimumas du kartus buvo įvertintas trijų mėnesių intervalu, kurį pirminis stebėtojas.
Antrojo ir trečiojo kiekvieno žandikaulio lyties ir vystymosi stadijos treniruočių rinkinyje buvo įvertintas pirminis stebėtojas, apmokytas skirtingais DM modeliais, o tikrasis amžius buvo nustatytas kaip tikslinė vertė. SLP ir MLP modeliai, kurie yra plačiai naudojami mokant mašininį mokymąsi, buvo išbandyti pagal regresijos algoritmus. DM modelis sujungia linijines funkcijas, naudodamas keturių dantų vystymosi etapus ir sujungia šiuos duomenis, kad įvertintų amžių. SLP yra paprasčiausias nervų tinklas ir jame nėra paslėptų sluoksnių. SLP veikia pagal slenksčio perdavimą tarp mazgų. Regresijos SLP modelis yra matematiškai panašus į daugialypę tiesinę regresiją. Skirtingai nuo SLP modelio, MLP modelis turi kelis paslėptus sluoksnius su netiesinėmis aktyvacijos funkcijomis. Mūsų eksperimentuose buvo naudojamas paslėptas sluoksnis su tik 20 paslėptų mazgų su netiesinėmis aktyvacijos funkcijomis. Kaip optimizavimo metodą naudokite gradiento nusileidimą, o MAE ir RMSE - kaip nuostolių funkciją, kad išmokytumėte mūsų mašininio mokymosi modelį. Geriausias regresijos modelis buvo pritaikytas vidiniams ir išoriniams bandymų rinkiniams, o dantų amžius buvo įvertintas.
Buvo sukurtas klasifikavimo algoritmas, kuriame naudojama keturių dantų branda treniruotėse, siekiant numatyti, ar mėginys yra 18 metų, ar ne. Norėdami sukurti modelį, mes išvedėme septynis reprezentatyvių mašinų mokymosi algoritmus6,43: (1) LR, (2) KNN, (3) SVM, (4) dt, (5) rf, (6) xgboost ir (7) MLP . LR yra vienas iš plačiausiai naudojamų klasifikavimo algoritmų44. Tai yra prižiūrimas mokymosi algoritmas, kuris naudoja regresiją, kad numatytų duomenų, priklausančių tam tikrai kategorijai nuo 0 iki 1, tikimybę ir klasifikuoja duomenis kaip priklausančius labiau tikėtinam kategorijai, remiantis šia tikimybe; daugiausia naudojamas dvejetainiam klasifikavimui. KNN yra vienas paprasčiausių mašininio mokymosi algoritmų45. Pateikus naujus įvesties duomenis, jis nustato k duomenis arti esamo rinkinio ir tada juos klasifikuoja į klasę su didžiausiu dažniu. Mes nustatėme 3 kaimynų skaičiaus (k) skaičių. SVM yra algoritmas, maksimaliai padidinantis atstumą tarp dviejų klasių, naudodamas branduolio funkciją, siekiant išplėsti linijinę erdvę į netiesinę erdvę, vadinamą „Fields46“. Šiam modeliui mes naudojame paklaidą = 1, galią = 1, o gama = 1 - kaip hiperparametrus polinominiam branduoliui. DT buvo pritaikytas įvairiose srityse kaip algoritmas, skirtas padalyti visą duomenų rinkinį į keletą pogrupių, vaizduojant sprendimų taisykles medžio struktūroje47. Modelis sukonfigūruotas su minimaliu įrašų skaičiumi viename mazge 2 ir naudojamas „Gini“ indeksas kaip kokybės rodiklis. RF yra ansamblio metodas, sujungiantis kelis DT, siekiant pagerinti našumą, naudojant įkrovos agregavimo metodą, kuris sukuria silpną kiekvieno mėginio klasifikatorių atsitiktinai nupiešdamas tokio paties dydžio pavyzdžius kelis kartus iš originalios „DataSet48“. Kaip mazgo atskyrimo kriterijus mes panaudojome 100 medžių, 10 medžių gylio, 1 minimalaus mazgo dydžio ir „Gini“ priemaišų indekso. Naujų duomenų klasifikavimas nustatomas balsavus daugumai. „XGBoost“ yra algoritmas, kuriame derinami padidinimo metodai, naudojant metodą, kuris kaip mokymo duomenys naudoja klaidą tarp ankstesnio modelio faktinių ir numatytų verčių ir padidina klaidą naudojant gradientus49. Tai yra plačiai naudojamas algoritmas dėl jo gero našumo ir išteklių efektyvumo, taip pat aukšto patikimumo kaip perpildymo pataisos funkcija. Modelyje yra 400 atraminių ratų. MLP yra neuroninis tinklas, kuriame vienas ar keli „Perceptrons“ sudaro kelis sluoksnius su vienu ar keliais paslėptais sluoksniais tarp įvesties ir išvesties sluoksnių38. Naudodamiesi tuo, galite atlikti netiesinę klasifikaciją, kai pridedant įvesties sluoksnį ir gauti rezultato vertę, numatomos rezultato vertė palyginama su faktine rezultato verte ir klaida skleidžiama atgal. Mes sukūrėme paslėptą sluoksnį su 20 paslėptų neuronų kiekviename sluoksnyje. Kiekvienas mūsų sukurtas modelis buvo pritaikytas vidiniams ir išoriniams rinkiniams, siekiant patikrinti klasifikavimo efektyvumą, apskaičiuojant jautrumą, specifiškumą, PPV, NPV ir AUROC. Jautrumas yra apibrėžiamas kaip 18 metų ar vyresnio amžiaus imties santykis su imtimi, kuri, kaip apskaičiuota, yra 18 metų ar vyresni. Specifiškumas yra mėginių, jaunesnių nei 18 metų, dalis, o tie, kurie, kaip manoma, yra jaunesni nei 18 metų.
Dantų stadijos, įvertintos treniruočių rinkinyje, buvo paversti statistinės analizės skaitmeniniais etapais. Buvo atlikta daugiamatė linijinė ir logistinė regresija, siekiant sukurti kiekvienos lyties numatomuosius modelius ir išvesti regresijos formules, kurios gali būti naudojamos amžiui įvertinti. Mes panaudojome šias formules, kad įvertintume dantų amžių tiek vidiniams, tiek išoriniams bandymų rinkiniams. 4 lentelėje pateikiami šiame tyrime naudojami regresijos ir klasifikavimo modeliai.
Vidų ir interobseratorių patikimumas buvo apskaičiuotas naudojant Coheno kappa statistiką. Norėdami patikrinti DM ir tradicinių regresijos modelių tikslumą, mes apskaičiavome MAE ir RMSE, naudodami apskaičiuotą ir faktinį vidinių ir išorinių bandymų rinkinių amžių. Šios klaidos dažniausiai naudojamos modelio prognozių tikslumui įvertinti. Kuo mažesnė klaida, tuo didesnis prognozės 24 tikslumas. Palyginkite vidinių ir išorinių bandymų rinkinių MAE ir RMSE, apskaičiuotų naudojant DM ir tradicinę regresiją, RMSE. 18 metų tradicinės statistikos klasifikavimo rezultatai buvo įvertinti naudojant 2 × 2 nenumatytų atvejų lentelę. Apskaičiuotas bandymo rinkinio jautrumas, specifiškumas, PPV, NPV ir AUROC buvo palyginti su išmatuotomis DM klasifikavimo modelio vertėmis. Duomenys išreiškiami kaip vidurkis ± standartinis nuokrypis arba skaičius (%), atsižvelgiant į duomenų charakteristikas. Dvipusės p vertės <0,05 buvo laikomos statistiškai reikšmingomis. Visos įprastos statistinės analizės buvo atliktos naudojant SAS 9.4 versiją (SAS institutas, Cary, NC). DM regresijos modelis buvo įdiegtas „Python“ naudojant KERAS50 2.2.4 Backend ir Tensorflow51 1.8.0 specifiškai matematinėms operacijoms. DM klasifikavimo modelis buvo įgyvendintas Waikato žinių analizės aplinkoje ir „Konstanz Information Miner“ (KNIME) 4.6.152 analizės platforma.
Autoriai pripažįsta, kad duomenis, patvirtinančius tyrimo išvadas, galite rasti straipsnyje ir papildomoje medžiagoje. Tyrimo metu sugeneruotus ir (arba) išanalizuotus duomenų rinkinius galite rasti atitinkamą autorių pagrįstą prašymą.
Ritz-Timme, S. ir kt. Amžiaus vertinimas: MAGE, kad atitiktų specifinius teismo medicinos praktikos reikalavimus. tarptautinis. J. Teisinė medicina. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ir Olze, A. Dabartinė gyvų asmenų teismo amžiaus vertinimo būklė baudžiamojo persekiojimo tikslais. Kriminalistika. vaistas. Patologija. 1, 239–246 (2005).
Pan, J. et al. Modifikuotas metodas, skirtas įvertinti 5–16 metų vaikų dantų amžių Rytų Kinijoje. klinikinė. Žodinė apklausa. 25, 3463–3474 (2021).
Lee, SS ir kt. Antrojo ir trečiojo molių vystymosi chronologija korėjiečiuose ir jos pritaikymas teismo amžiaus vertinimui. tarptautinis. J. Teisinė medicina. 124, 659–665 (2010).
O, S., Kumagai, A., Kim, Sy ir Lee, SS amžiaus įvertinimo tikslumas ir 18 metų slenksčio įvertinimo tikslumas, atsižvelgiant į antrosios ir trečiosios molių brandą korėjiečiuose ir japonuose. PLOS ONE 17, E0271247 (2022).
Kim, Jy ir kt. Priešoperacinė mašininio mokymosi pagrindu pagrįstų duomenų analizė gali numatyti OSA sergančių pacientų miego chirurgijos gydymo rezultatus. Mokslas. 14911 11 11 ataskaita (2021).
Han, M. et al. Tikslus amžiaus įvertinimas, kai mokomasi mašinų su žmogaus intervencija ar be jų? tarptautinis. J. Teisinė medicina. 136, 821–831 (2022).
Khan, S. ir Shaheen, M. nuo duomenų gavybos iki duomenų gavybos. J.informacija. Mokslas. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ir Shaheen, M. Wisrule: Pirmasis pažinimo algoritmas asociacijos taisyklių gavybai. J.informacija. Mokslas. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ir Abdullah U. Karm: Tradicinė duomenų gavyba, pagrįsta konteksto asociacijos taisyklėmis. apskaičiuoti. Matas. tęsti. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ir Habib M. Giluminis mokymasis pagrįstas semantinio panašumo aptikimas naudojant teksto duomenis. informuoti. Technologijos. kontrolė. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ir Shahin, M. Sistema, skirta atpažinti veiklą sporto vaizdo įrašuose. Multimedija. Įrankių programos https://doi.org/10.1007/S11042-021-10519-6 (2021).
Halabi, SS ir kt. RSNA mašinų mokymosi iššūkis vaikų kaulų amžiuje. Radiologija 290, 498–503 (2019).
Li, Y. et al. Dubens rentgeno spindulių teismo medicinos amžiaus įvertinimas naudojant gilų mokymąsi. Euras. radiacija. 29, 2322–2329 (2019).
Guo, YC ir kt. Tiksli amžiaus klasifikacija naudojant rankinius metodus ir gilius konvoliucinius nervinius tinklus iš ortografinių projekcijų vaizdų. tarptautinis. J. Teisinė medicina. 135, 1589–1597 (2021).
Alabama Dalora ir kt. Kaulų amžiaus įvertinimas naudojant skirtingus mašinų mokymosi metodus: sisteminė literatūros apžvalga ir metaanalizė. „PLoS One 14“, E0220242 (2019).
Du, H., Li, G., Cheng, K. ir Yang, J. Afrikos amerikiečių ir kinų amžiaus specifinio amžiaus įvertinimas, remiantis pirmųjų molinių pulpos kamerų tūriais, naudojant kūgio pluošto kompiuterinę tomografiją. tarptautinis. J. Teisinė medicina. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, „Park FK“ ir „OH KS“, lemiančios gyvų žmonių amžiaus grupes, naudojant dirbtinį intelektą pagrįstus pirmųjų molių vaizdus. Mokslas. 1073 11 ataskaita (2021).
Stern, D., Payer, C., Giuliani, N. ir Urschler, M. Automatinis amžiaus įvertinimas ir daugumos amžiaus klasifikacija pagal daugiamatį MRT duomenis. IEEE J. Biomed. Perspėjimai apie sveikatą. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ir Li, G. Amžiaus įvertinimas, pagrįstas 3D plaušienos kameros segmentavimu iš pirmųjų molių iš kūgio pluošto kompiuterinės tomografijos, integruojant gilų mokymąsi ir lygio rinkinius. tarptautinis. J. Teisinė medicina. 135, 365–373 (2021).
Wu, WT ir kt. Duomenų gavyba klinikiniuose dideliuose duomenyse: bendros duomenų bazės, žingsniai ir metodų modeliai. Pasaulis. vaistas. Šaltinis. 8, 44 (2021).
Yang, J. ir kt. Įvadas į medicinos duomenų bazes ir duomenų gavybos technologijas „Big Data“ eroje. J. Avid. Pagrindinis vaistas. 13, 57–69 (2020).
Shen, S. et al. Kameros metodas dantų amžiui įvertinti naudojant mašininį mokymąsi. „BMC Oral Health“ 21, 641 (2021).
Galliburg A. et al. Skirtingų mašininio mokymosi metodų palyginimas dantų amžiui numatyti naudojant Demirdjian inscenizacijos metodą. tarptautinis. J. Teisinė medicina. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ir Tanner, JM Nauja dantų amžiaus įvertinimo sistema. Snort. Biologija. 45, 211–227 (1973).
Landis, Jr ir Koch, GG stebėtojų susitarimo matai kategoriniams duomenims. Biometrija 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ir Choi HK. Dviejų matmenų magnetinio rezonanso tomografijos tekstūrinis, morfologinė ir statistinė analizė naudojant dirbtinio intelekto metodus pirminių smegenų navikų diferenciacijai. Informacija apie sveikatą. Šaltinis. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Pašto laikas: 2014 m. Sausio-04 d