Dėkojame, kad apsilankėte Nature.com.Naudojama naršyklės versija turi ribotą CSS palaikymą.Siekiant geriausių rezultatų, rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“).Tuo tarpu, norėdami užtikrinti nuolatinį palaikymą, svetainę rodome be stiliaus ar JavaScript.
Dantys laikomi tiksliausiu žmogaus organizmo amžiaus rodikliu ir dažnai naudojami atliekant teismo medicinos amžiaus įvertinimą.Siekėme patvirtinti duomenų gavyba pagrįstus dantų amžiaus įverčius, lygindami įvertinimo tikslumą ir 18 metų slenksčio klasifikavimo našumą su tradiciniais metodais ir duomenų gavyba pagrįstais amžiaus įverčiais.Iš viso Korėjos ir Japonijos piliečių nuo 15 iki 23 metų buvo paimtos 2657 panoraminės rentgenogramos.Jie buvo suskirstyti į mokymo rinkinį, kuriame yra 900 korėjiečių rentgenogramų, ir vidinį testų rinkinį, kuriame buvo 857 japoniškos rentgenogramos.Tradicinių metodų klasifikavimo tikslumą ir efektyvumą palyginome su duomenų gavybos modelių bandomaisiais rinkiniais.Tradicinio metodo tikslumas vidinio bandymo rinkinyje yra šiek tiek didesnis nei duomenų gavybos modelio, o skirtumas yra nedidelis (vidutinė absoliuti paklaida <0,21 metų, vidutinė kvadratinė paklaida <0,24 metų).18 metų ribos klasifikavimo našumas taip pat yra panašus tarp tradicinių metodų ir duomenų gavybos modelių.Taigi tradicinius metodus galima pakeisti duomenų gavybos modeliais, atliekant teismo medicinos amžiaus vertinimą, naudojant antrųjų ir trečiųjų krūminių dantų brandą Korėjos paaugliams ir jauniems suaugusiems.
Dantų amžiaus įvertinimas plačiai naudojamas teismo medicinoje ir vaikų odontologijoje.Visų pirma, dėl didelės koreliacijos tarp chronologinio amžiaus ir dantų vystymosi, amžiaus vertinimas pagal dantų vystymosi stadijas yra svarbus vaikų ir paauglių amžiaus vertinimo kriterijus1,2,3.Tačiau jauniems žmonėms dantų amžiaus įvertinimas pagal dantų brandą turi savo apribojimų, nes dantų augimas beveik baigtas, išskyrus trečiuosius krūminius dantis.Teisinis jaunuolių ir paauglių amžiaus nustatymo tikslas – pateikti tikslius įverčius ir mokslinius įrodymus, ar jie sulaukę pilnametystės.Korėjos paauglių ir jaunų suaugusiųjų medicininėje teisinėje praktikoje amžius buvo įvertintas taikant Lee metodą, o remiantis Oh ir kt. pateiktais duomenimis, buvo numatyta teisinė 18 metų riba.
Mašinų mokymasis yra dirbtinio intelekto (AI) rūšis, kuri nuolat mokosi ir klasifikuoja didelius duomenų kiekius, savarankiškai sprendžia problemas ir skatina duomenų programavimą.Mašininis mokymasis gali atrasti naudingų paslėptų modelių dideliuose duomenų kiekiuose6.Priešingai, klasikiniai metodai, kurie yra daug darbo ir daug laiko reikalaujantys, gali turėti apribojimų dirbant su dideliais sudėtingų duomenų kiekiais, kuriuos sunku apdoroti rankiniu būdu7.Todėl pastaruoju metu buvo atlikta daug tyrimų naudojant naujausias kompiuterines technologijas, siekiant sumažinti žmogiškąsias klaidas ir efektyviai apdoroti daugiamačius duomenis8,9,10,11,12.Visų pirma gilus mokymasis buvo plačiai naudojamas atliekant medicininių vaizdų analizę, o įvairūs amžiaus nustatymo metodai, automatiškai analizuojant rentgenogramas, pagerina amžiaus nustatymo tikslumą ir efektyvumą13, 14, 15, 16, 17, 18, 19, 20 .Pavyzdžiui, Halabi ir kt. 13 sukūrė mašininio mokymosi algoritmą, pagrįstą konvoliuciniais neuroniniais tinklais (CNN), kad nustatytų skeleto amžių, naudojant vaikų rankų rentgenogramas.Šiame tyrime siūlomas modelis, kuris medicinos vaizdams taiko mašininį mokymąsi, ir parodo, kad šie metodai gali pagerinti diagnostikos tikslumą.Li ir kt.14 apskaičiavo amžių iš dubens rentgeno vaizdų, naudodami gilaus mokymosi CNN, ir palygino juos su regresijos rezultatais, naudodami osifikacijos stadijos įvertinimą.Jie nustatė, kad gilaus mokymosi CNN modelis parodė tokius pat amžiaus įvertinimo rezultatus kaip ir tradicinis regresijos modelis.Guo ir kt. tyrime [15], remiantis dantų ortofotografijomis, buvo įvertintas CNN technologijos tolerancijos pagal amžių klasifikavimas, o CNN modelio rezultatai įrodė, kad žmonės pralenkė savo amžiaus klasifikavimo rezultatus.
Daugumoje tyrimų dėl amžiaus įvertinimo naudojant mašininį mokymąsi naudojami giluminio mokymosi metodai13,14,15,16,17,18,19,20.Pranešama, kad giluminiu mokymusi pagrįstas amžiaus įvertinimas yra tikslesnis nei tradiciniai metodai.Tačiau šis metodas suteikia mažai galimybių pateikti mokslinį amžiaus įverčių pagrindą, pavyzdžiui, įverčiuose naudojamus amžiaus rodiklius.Taip pat vyksta teisminis ginčas, kas atlieka patikrinimus.Todėl administracinėms ir teisminėms institucijoms sunku priimti giluminiu mokymusi pagrįstą amžiaus įvertinimą.Duomenų gavyba (DM) yra metodas, galintis atrasti ne tik laukiamą, bet ir netikėtą informaciją, kaip metodą, leidžiantį rasti naudingų koreliacijų tarp didelių duomenų kiekių6, 21, 22.Mašininis mokymasis dažnai naudojamas duomenų gavyboje, o duomenų gavyba ir mašininis mokymasis naudoja tuos pačius pagrindinius algoritmus, kad nustatytų duomenų šablonus.Amžiaus įvertinimas naudojant dantų vystymąsi yra pagrįstas tyrėjo įvertinimu dėl tikslinių dantų brandos ir šis įvertinimas išreiškiamas kaip kiekvieno tikslinio danties stadija.DM gali būti naudojamas analizuojant ryšį tarp dantų vertinimo stadijos ir tikrojo amžiaus ir gali pakeisti tradicinę statistinę analizę.Todėl, jei taikysime DM metodus amžiaus įvertinimui, galime įdiegti mašininį mokymąsi teismo medicinos amžiaus įvertinime nesijaudindami dėl teisinės atsakomybės.Paskelbta keletas lyginamųjų tyrimų apie galimas alternatyvas tradiciniams rankiniams metodams, naudojamiems teismo medicinos praktikoje, ir EBM pagrįstus dantų amžiaus nustatymo metodus.Shen ir kt.23 parodė, kad DM modelis yra tikslesnis nei tradicinė Camerer formulė.Galibourg ir kt.24 taikė skirtingus DM metodus, kad numatytų amžių pagal Demirdjian kriterijų25, o rezultatai parodė, kad DM metodas pralenkė Demirdjian ir Willems metodus, įvertindamas Prancūzijos gyventojų amžių.
Norint įvertinti Korėjos paauglių ir jaunų suaugusiųjų dantų amžių, Korėjos teismo medicinos praktikoje plačiai naudojamas Lee 4 metodas.Šis metodas naudoja tradicinę statistinę analizę (pvz., daugkartinę regresiją), kad ištirtų ryšį tarp Korėjos tiriamųjų ir chronologinio amžiaus.Šiame tyrime amžiaus nustatymo metodai, gauti naudojant tradicinius statistinius metodus, apibrėžiami kaip „tradiciniai metodai“.Lee metodas yra tradicinis metodas, jo tikslumą patvirtino Oh ir kt.5;tačiau amžiaus įvertinimo, pagrįsto DM modeliu, pritaikymas Korėjos teismo medicinos praktikoje vis dar abejotinas.Mūsų tikslas buvo moksliškai patvirtinti galimą amžiaus įvertinimo naudingumą remiantis DM modeliu.Šio tyrimo tikslas buvo (1) palyginti dviejų DM modelių tikslumą apskaičiuojant dantų amžių ir (2) palyginti 7 DM modelių klasifikavimo rezultatus sulaukus 18 metų su gautais tradiciniais statistiniais metodais. ir tretieji krūminiai dantys abiejuose žandikauliuose.
Chronologinio amžiaus vidurkiai ir standartiniai nuokrypiai pagal stadiją ir dantų tipą rodomi internete papildomoje S1 lentelėje (mokymo rinkinys), papildomoje lentelėje S2 (vidinio testo rinkinys) ir papildomoje lentelėje S3 (išorinio bandymo rinkinys).Vidinio ir tarpinio stebėjimo patikimumo kappa vertės, gautos iš mokymo rinkinio, buvo atitinkamai 0,951 ir 0,947.P vertės ir 95% kappa verčių pasikliautinieji intervalai yra parodyti papildomoje S4 lentelėje.Kapos vertė buvo interpretuojama kaip „beveik tobula“, atitinkanti Landis ir Koch26 kriterijus.
Lyginant vidutinę absoliučią paklaidą (MAE), tradicinis metodas šiek tiek lenkia DM modelį visoms lytims ir išoriniame vyrų testų rinkinyje, išskyrus daugiasluoksnį perceptroną (MLP).Skirtumas tarp tradicinio modelio ir DM modelio vidiniame MAE testų rinkinyje buvo 0,12–0,19 metų vyrams ir 0,17–0,21 metų moterims.Išorinio testavimo akumuliatoriaus skirtumai mažesni (vyrams – 0,001–0,05 metų, o moterims – 0,05–0,09 metų).Be to, vidutinė kvadratinė paklaida (RMSE) yra šiek tiek mažesnė už tradicinį metodą, o skirtumai mažesni (0,17–0,24, 0,2–0,24 vyrų vidinio tyrimo rinkinio ir 0,03–0,07, 0,04–0,08 išorinio tyrimo rinkinio).).MLP rodo šiek tiek geresnį našumą nei vieno sluoksnio perceptronas (SLP), išskyrus moteriško išorinio bandymo rinkinį.MAE ir RMSE išorinio testo rinkinio balai yra aukštesni nei vidinio visų lyčių ir modelių testų rinkinio.Visi MAE ir RMSE parodyti 1 lentelėje ir 1 paveiksle.
Tradicinių ir duomenų gavybos regresijos modelių MAE ir RMSE.Vidutinė absoliuti paklaida MAE, vidutinė kvadratinė paklaida RMSE, vieno sluoksnio perceptronas SLP, daugiasluoksnis perceptronas MLP, tradicinis CM metodas.
Tradicinių ir DM modelių klasifikavimo našumas (su 18 metų riba) buvo parodytas pagal jautrumą, specifiškumą, teigiamą nuspėjamąją vertę (PPV), neigiamą nuspėjamąją vertę (NPV) ir plotą po imtuvo veikimo charakteristikos kreive (AUROC). 27 (2 lentelė, 2 paveikslas ir papildomas 1 paveikslas internete).Kalbant apie vidinio testo baterijos jautrumą, tradiciniai metodai geriausiai pasirodė tarp vyrų ir blogesni tarp moterų.Tačiau klasifikavimo efektyvumo skirtumas tarp tradicinių metodų ir SD yra 9,7% vyrų (MLP) ir tik 2,4% moterų (XGBoost).Tarp DM modelių logistinė regresija (LR) parodė geresnį abiejų lyčių jautrumą.Kalbant apie vidinio testo rinkinio specifiškumą, buvo pastebėta, kad keturi SD modeliai buvo geri vyrams, o tradicinis modelis – geresnis moterims.Vyrų ir moterų klasifikavimo našumo skirtumai yra atitinkamai 13,3 % (MLP) ir 13,1 % (MLP), o tai rodo, kad klasifikavimo efektyvumo skirtumas tarp modelių viršija jautrumą.Tarp DM modelių geriausiai pasirodė atraminio vektoriaus mašinos (SVM), sprendimų medžio (DT) ir atsitiktinio miško (RF) modeliai tarp vyrų, o LR modelis geriausiai pasirodė tarp moterų.Tradicinio modelio ir visų SD modelių AUROC buvo didesnis nei 0, 925 (k-artimiausias kaimynas (KNN) vyrams), o tai rodo puikų klasifikavimo našumą skiriant 18 metų senumo mėginius28.Išorinio bandymo rinkinio klasifikavimo efektyvumas sumažėjo jautrumo, specifiškumo ir AUROC atžvilgiu, palyginti su vidinio bandymo rinkiniu.Be to, jautrumo ir specifiškumo skirtumas tarp geriausių ir blogiausių modelių klasifikavimo našumo svyravo nuo 10% iki 25% ir buvo didesnis nei vidinio bandymo rinkinio skirtumas.
Duomenų gavybos klasifikavimo modelių jautrumas ir specifiškumas, palyginti su tradiciniais metodais, kurių riba yra 18 metų.KNN k artimiausias kaimynas, SVM paramos vektoriaus mašina, LR logistinė regresija, DT sprendimų medis, RF atsitiktinis miškas, XGB XGBoost, MLP daugiasluoksnis perceptronas, tradicinis CM metodas.
Pirmasis šio tyrimo žingsnis buvo palyginti dantų amžiaus įverčių, gautų iš septynių DM modelių, tikslumą su tais, kurie buvo gauti naudojant tradicinę regresiją.MAE ir RMSE buvo įvertinti abiejų lyčių vidaus testų rinkiniuose, o skirtumas tarp tradicinio metodo ir DM modelio svyravo nuo 44 iki 77 dienų MAE ir nuo 62 iki 88 dienų RMSE.Nors šiame tyrime tradicinis metodas buvo šiek tiek tikslesnis, sunku padaryti išvadą, ar toks mažas skirtumas turi klinikinę ar praktinę reikšmę.Šie rezultatai rodo, kad dantų amžiaus nustatymo tikslumas naudojant DM modelį yra beveik toks pat kaip ir tradicinio metodo.Tiesioginis palyginimas su ankstesnių tyrimų rezultatais yra sunkus, nes jokiame tyrime DM modelių tikslumas nebuvo lyginamas su tradiciniais statistiniais metodais, naudojant tą pačią dantų registravimo metodiką toje pačioje amžiaus grupėje, kaip ir šiame tyrime.Galibourg ir kt.24 palygino MAE ir RMSE tarp dviejų tradicinių metodų (Demirjian metodas25 ir Willems metodas29) ir 10 DM modelių Prancūzijos populiacijoje nuo 2 iki 24 metų.Jie pranešė, kad visi DM modeliai buvo tikslesni nei tradiciniai metodai, o MAE skirtumai buvo 0, 20 ir 0, 38 metų, o RMSE - 0, 25 ir 0, 47 metų, palyginti su Willems ir Demirdjian metodais.Neatitikimas tarp SD modelio ir tradicinių metodų, parodytų Halibourgo tyrime, atsižvelgia į daugybę ataskaitų 30, 31, 32, 33, kad Demirdjian metodas tiksliai neįvertina dantų amžiaus kitose populiacijose, išskyrus kanadiečių prancūzus, kuriais buvo pagrįstas tyrimas.Šiame tyrime.Tai ir kt. 34 naudojo MLP algoritmą, kad prognozuotų dantų amžių iš 1636 Kinijos ortodontinių nuotraukų ir palygino jo tikslumą su Demirjian ir Willems metodo rezultatais.Jie pranešė, kad MLP tikslumas didesnis nei tradiciniai metodai.Skirtumas tarp Demirdjian metodo ir tradicinio metodo yra <0,32 metų, o Willemso metodo – 0,28 metų, o tai panašu į šio tyrimo rezultatus.Šių ankstesnių tyrimų rezultatai24,34 taip pat atitinka šio tyrimo rezultatus, o DM modelio ir tradicinio metodo amžiaus įvertinimo tikslumas yra panašus.Tačiau, remiantis pateiktais rezultatais, galime tik atsargiai daryti išvadą, kad DM modelių naudojimas amžiui įvertinti gali pakeisti esamus metodus, nes trūksta lyginamųjų ir referencinių ankstesnių tyrimų.Norint patvirtinti šio tyrimo rezultatus, reikalingi tolesni tyrimai naudojant didesnes imtis.
Tarp tyrimų, kuriuose tikrinamas SD tikslumas apskaičiuojant dantų amžių, kai kurie parodė didesnį tikslumą nei mūsų tyrimas.Stepanovsky ir kt. 35 pritaikė 22 SD modelius 976 Čekijos gyventojų nuo 2,7 iki 20,5 metų panoraminėms rentgenogramoms ir išbandė kiekvieno modelio tikslumą.Jie įvertino iš viso 16 viršutinių ir apatinių kairiųjų nuolatinių dantų išsivystymą pagal Moorrees ir kt. pasiūlytus klasifikavimo kriterijus36.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 šiame tyrime naudojami DM modeliai.Shen ir kt.23 naudojo Cameriere metodą, kad įvertintų septynių nuolatinių dantų amžių kairiajame apatiniame žandikaulyje Rytų Kinijos gyventojams nuo 5 iki 13 metų ir palygino jį su amžiumi, apskaičiuotu naudojant tiesinę regresiją, SVM ir RF.Jie parodė, kad visi trys DM modeliai pasižymi didesniu tikslumu, palyginti su tradicine Cameriere formule.MAE ir RMSE Shen tyrime buvo mažesni nei šio tyrimo DM modelyje.Padidėjęs Stepanovskio ir kt. tyrimų tikslumas.35 ir Shen ir kt.23 gali būti dėl to, kad į jų tyrimo pavyzdžius buvo įtraukti jaunesni subjektai.Kadangi besivystančių dantų dalyvių amžiaus įvertinimai tampa tikslesni, kai dantų vystymosi metu didėja dantų skaičius, gauto amžiaus įvertinimo metodo tikslumas gali būti pažeistas, kai tyrimo dalyviai yra jaunesni.Be to, MLP amžiaus vertinimo paklaida yra šiek tiek mažesnė nei SLP, o tai reiškia, kad MLP yra tikslesnė nei SLP.MLP laikomas šiek tiek geresniu amžiaus įvertinimui, galbūt dėl paslėptų MLP38 sluoksnių.Tačiau yra išimtis, taikoma išorinei moterų imčiai (SLP 1.45, MLP 1.49).Išvada, kad MLP yra tikslesnė nei SLP, vertinant amžių, reikalauja papildomų retrospektyvių tyrimų.
Taip pat buvo lyginamas DM modelio ir tradicinio metodo klasifikavimo veiksmingumas, esant 18 metų slenksčiui.Visi išbandyti SD modeliai ir tradiciniai metodai vidiniame testų rinkinyje parodė praktiškai priimtiną 18 metų amžiaus 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 bandytų modelių AUROC taip pat viršija 0,925.Kiek mums yra žinoma, jokiame tyrime nebuvo patikrintas DM modelio veikimas 18 metų klasifikavimui pagal dantų brandą.Šio tyrimo rezultatus galime palyginti su giluminio mokymosi modelių klasifikavimo atlikimu panoraminėse rentgenogramose.Guo ir kt.15 apskaičiavo CNN pagrįsto gilaus mokymosi modelio ir rankinio metodo, pagrįsto Demirjian metodu, klasifikavimo našumą 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 gilaus mokymosi modeliai gali pakeisti arba pranokti rankinį vertinimą klasifikuojant amžiaus slenksčius.Šio tyrimo rezultatai parodė panašius klasifikavimo rezultatus;Manoma, kad klasifikavimas naudojant DM modelius gali pakeisti tradicinius statistinius amžiaus vertinimo metodus.Tarp modelių DM LR buvo geriausias modelis pagal jautrumą vyrų mėginiui ir jautrumą bei specifiškumą moteriškam mėginiui.LR pagal specifiškumą vyrams užima antrą vietą.Be to, LR laikomas vienu patogiausių DM35 modelių ir yra ne toks sudėtingas ir sunkiai apdorojamas.Remiantis šiais rezultatais, LR buvo laikomas geriausiu 18 metų amžiaus Korėjos gyventojų klasifikavimo modeliu.
Apskritai, amžiaus įvertinimo arba klasifikavimo tikslumas išoriniame testų rinkinyje buvo prastas arba mažesnis, palyginti su vidaus testų rinkinio rezultatais.Kai kuriose ataskaitose nurodoma, kad klasifikavimo tikslumas arba efektyvumas mažėja, kai Japonijos populiacijai taikomi amžiaus įverčiai, pagrįsti Korėjos populiacija5, 39, ir panašus modelis buvo nustatytas šiame tyrime.Ši blogėjimo tendencija buvo pastebėta ir DM modelyje.Todėl norint tiksliai įvertinti amžių, net ir naudojant DM analizės procese, pirmenybė turėtų būti teikiama metodams, gautiems iš vietinių populiacijos duomenų, pavyzdžiui, tradiciniams metodams5, 39, 40, 41, 42.Kadangi neaišku, ar gilaus mokymosi modeliai gali rodyti panašias tendencijas, norint patvirtinti, ar dirbtinis intelektas gali įveikti šiuos rasinius skirtumus ribotame amžiuje, reikia atlikti tyrimus, kuriuose lyginamas klasifikavimo tikslumas ir efektyvumas naudojant tradicinius metodus, DM modelius ir gilaus mokymosi modelius tais pačiais pavyzdžiais.vertinimai.
Mes parodome, kad Korėjos teismo medicinos amžiaus vertinimo praktikoje tradicinius metodus galima pakeisti amžiaus įvertinimu, pagrįstu DM modeliu.Taip pat atradome galimybę pritaikyti mašininį mokymąsi teismo medicinos amžiaus įvertinimui.Tačiau yra aiškių apribojimų, pavyzdžiui, nepakankamas šio tyrimo dalyvių skaičius, kad būtų galima galutinai nustatyti rezultatus, ir ankstesnių tyrimų, kuriais būtų galima palyginti ir patvirtinti šio tyrimo rezultatus, trūkumas.Ateityje DM tyrimai turėtų būti atliekami naudojant didesnį mėginių skaičių ir įvairesnes populiacijas, kad būtų pagerintas jų praktinis pritaikymas, palyginti su tradiciniais metodais.Norint patvirtinti galimybę naudoti dirbtinį intelektą norint įvertinti amžių keliose populiacijose, reikia atlikti būsimus tyrimus, kad būtų galima palyginti DM ir gilaus mokymosi modelių klasifikavimo tikslumą ir efektyvumą su tradiciniais metodais tuose pačiuose pavyzdžiuose.
Tyrimo metu buvo panaudotos 2657 ortografinės nuotraukos, surinktos iš 15–23 metų amžiaus suaugusiųjų korėjiečių ir japonų.Korėjos rentgenogramos buvo suskirstytos į 900 treniruočių rinkinių (19,42 ± 2,65 metų) ir 900 vidinių tyrimų rinkinių (19,52 ± 2,59 metų).Mokomasis rinkinys buvo renkamas vienoje institucijoje (Seulo Šv. Marijos ligoninėje), o nuosavas testų rinkinys – dviejose įstaigose (Seulo nacionalinė universitetinė odontologijos ligoninė ir Yonsei universitetinė odontologijos ligoninė).Taip pat surinkome 857 rentgenogramas iš kitų populiacijos duomenų (Iwate medicinos universiteto, Japonija) išoriniams tyrimams.Išoriniu tyrimo rinkiniu buvo pasirinktos japonų tiriamųjų (19,31 ± 2,60 metų) rentgenogramos.Duomenys buvo renkami retrospektyviai, siekiant išanalizuoti dantų vystymosi stadijas panoraminėse rentgenogramose, darytose dantų gydymo metu.Visi surinkti duomenys buvo anonimiški, išskyrus lytį, gimimo datą ir rentgenogramos datą.Įtraukimo ir pašalinimo kriterijai buvo tokie patys kaip ir anksčiau paskelbtų tyrimų 4, 5.Tikrasis mėginio amžius buvo apskaičiuotas iš rentgenogramos darymo datos atėmus gimimo datą.Imties grupė buvo suskirstyta į devynias amžiaus grupes.Amžiaus ir lyties pasiskirstymas parodytas 3 lentelėje. Šis tyrimas buvo atliktas pagal Helsinkio deklaraciją ir patvirtintas Korėjos katalikų universiteto Seulo Šv. Marijos ligoninės Institucinės peržiūros tarybos (IRB) (KC22WISI0328).Dėl retrospektyvaus šio tyrimo plano iš visų pacientų, kuriems gydymo tikslais atliekami radiografiniai tyrimai, nebuvo galima gauti informuoto sutikimo.Seulo Korėjos universiteto Šv. Marijos ligoninė (IRB) atsisakė informuoto sutikimo reikalavimo.
Dvižandikaulių antrųjų ir trečiųjų krūminių dantų vystymosi stadijos buvo vertinamos pagal Demircan kriterijus25.Buvo pasirinktas tik vienas dantis, jei to paties tipo dantis buvo rastas kiekvieno žandikaulio kairėje ir dešinėje pusėse.Jei homologiniai dantys abiejose pusėse buvo skirtinguose vystymosi etapuose, dantis, kurio vystymosi stadija buvo žemesnė, buvo pasirinktas atsižvelgiant į apskaičiuoto amžiaus neapibrėžtumą.Šimtą atsitiktinai atrinktų rentgenogramų iš mokymo rinkinio įvertino du patyrę stebėtojai, kad patikrintų interobserverio patikimumą po išankstinio kalibravimo, siekiant nustatyti dantų brandos stadiją.Pagrindinis stebėtojas du kartus kas trijų mėnesių intervalą įvertino intrastebėtojo patikimumą.
Kiekvieno žandikaulio antrojo ir trečiojo krūminių dantų lytį ir vystymosi stadiją treniruočių rinkinyje įvertino pagrindinis stebėtojas, apmokytas naudojant skirtingus DM modelius, o tikrasis amžius buvo nustatytas kaip tikslinė vertė.SLP ir MLP modeliai, plačiai naudojami mašininiame mokyme, 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 neuroninis tinklas ir jame nėra paslėptų sluoksnių.SLP veikia pagal slenkstinį perdavimą tarp mazgų.SLP modelis regresijoje matematiškai panašus į daugkartinę tiesinę regresiją.Skirtingai nuo SLP modelio, MLP modelis turi kelis paslėptus sluoksnius su netiesinėmis aktyvinimo funkcijomis.Mūsų eksperimentuose buvo naudojamas paslėptas sluoksnis su tik 20 paslėptų mazgų su netiesinėmis aktyvinimo funkcijomis.Naudokite gradiento nusileidimą kaip optimizavimo metodą ir MAE ir RMSE kaip praradimo funkciją, kad mokytumėte mūsų mašininio mokymosi modelį.Geriausias gautas regresijos modelis buvo pritaikytas vidiniams ir išoriniams testų rinkiniams bei įvertintas dantų amžius.
Buvo sukurtas klasifikavimo algoritmas, kuris naudoja keturių treniruočių dantų brandą, kad būtų galima numatyti, ar mėginiui yra 18 metų, ar ne.Norėdami sukurti modelį, išvedėme septynis vaizdavimo mašininio mokymosi algoritmus6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost ir (7) MLP. .LR yra vienas plačiausiai naudojamų klasifikavimo algoritmų44.Tai prižiūrimas mokymosi algoritmas, kuris naudoja regresiją tam, kad nuspėtų tikimybę, kad duomenys priklausys tam tikrai kategorijai nuo 0 iki 1, ir pagal šią tikimybę klasifikuoja duomenis kaip priklausančius labiau tikėtinai kategorijai;daugiausia naudojamas dvejetainei klasifikacijai.KNN yra vienas iš paprasčiausių mašininio mokymosi algoritmų45.Suteikus naujus įvesties duomenis, jis suranda k duomenų, artimų esamai aibei, ir tada suskirsto juos į klasę, kurios dažnis yra didžiausias.Svarstytų kaimynų skaičiui (k) nustatėme 3.SVM yra algoritmas, kuris maksimaliai padidina atstumą tarp dviejų klasių, naudodamas branduolio funkciją linijinei erdvei išplėsti į nelinijinę erdvę, vadinamą laukais46.Šiam modeliui mes naudojame šališkumą = 1, galią = 1 ir gama = 1 kaip daugianario branduolio hiperparametrus.DT buvo taikomas įvairiose srityse kaip algoritmas, skirtas padalyti visą duomenų rinkinį į keletą pogrupių, pateikiant sprendimo taisykles medžio struktūroje47.Modelis sukonfigūruotas su minimaliu 2 įrašų skaičiumi viename mazge ir naudoja Gini indeksą kaip kokybės matą.RF yra ansamblio metodas, sujungiantis kelis DT, kad būtų pagerintas našumas, naudojant įkrovos agregavimo metodą, kuris generuoja silpną kiekvieno pavyzdžio klasifikatorių, atsitiktinai kelis kartus nubrėždamas tokio paties dydžio pavyzdžius iš pradinio duomenų rinkinio48.Kaip mazgų atskyrimo kriterijus naudojome 100 medžių, 10 medžių gylių, 1 minimalų mazgo dydį ir Gini priemaišų indeksą.Naujų duomenų klasifikacija nustatoma balsų dauguma.XGBoost yra algoritmas, apjungiantis stiprinimo metodus, naudojant metodą, kuris kaip mokymo duomenis ima paklaidą tarp ankstesnio modelio faktinių ir numatomų verčių ir padidina klaidą naudodamas gradientus49.Tai plačiai naudojamas algoritmas dėl savo gero našumo ir efektyvaus išteklių naudojimo, taip pat dėl didelio patikimumo kaip permontavimo korekcijos funkcijos.Modelis aprūpintas 400 atraminių ratų.MLP yra neuroninis tinklas, kuriame vienas ar keli perceptronai sudaro kelis sluoksnius su vienu ar daugiau paslėptų sluoksnių tarp įvesties ir išvesties sluoksnių38.Naudodami tai galite atlikti nelinijinę klasifikaciją, kai pridedate įvesties sluoksnį ir gaunate rezultato reikšmę, numatoma rezultato reikšmė palyginama su faktine rezultato reikšme ir klaida perduodama 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 apibrėžiamas kaip 18 metų ar vyresnio imties ir 18 metų ar vyresnio mėginio santykis.Specifiškumas – tai jaunesnių nei 18 metų ir jaunesnių nei 18 metų mėginių dalis.
Treniruočių rinkinyje įvertinti odontologijos etapai statistinei analizei buvo paversti skaitiniais etapais.Buvo atlikta daugiamatė tiesinė ir logistinė regresija, siekiant sukurti kiekvienos lyties nuspėjamuosius modelius ir gauti regresijos formules, kurios gali būti naudojamos amžiui įvertinti.Šias formules naudojome danties amžiui įvertinti tiek vidaus, tiek išoriniams bandymų rinkiniams.4 lentelėje pateikti šiame tyrime naudojami regresijos ir klasifikavimo modeliai.
Vidinis ir tarpinis stebėjimo patikimumas buvo apskaičiuotas naudojant Coheno kappa statistiką.Norėdami patikrinti DM ir tradicinių regresijos modelių tikslumą, apskaičiavome MAE ir RMSE, naudodami apskaičiuotą ir faktinį vidinių ir išorinių testų rinkinių amžių.Šios klaidos dažniausiai naudojamos modelio prognozių tikslumui įvertinti.Kuo mažesnė paklaida, tuo didesnis prognozės tikslumas24.Palyginkite vidinių ir išorinių testų rinkinių MAE ir RMSE, apskaičiuotus naudojant DM ir tradicinę regresiją.18 metų ribos klasifikavimo veiksmingumas tradicinėje statistikoje buvo įvertintas naudojant 2 × 2 nenumatytų atvejų lentelę.Bandymų rinkinio apskaičiuotas jautrumas, specifiškumas, PPV, NPV ir AUROC buvo lyginami su išmatuotomis DM klasifikavimo modelio reikšmėmis.Duomenys išreiškiami kaip vidurkis ± standartinis nuokrypis arba skaičius (%), priklausomai nuo duomenų charakteristikų.Dvipusės P vertės <0,05 buvo laikomos statistiškai reikšmingomis.Visos įprastinės 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 specialiai matematinėms operacijoms.DM klasifikavimo modelis buvo įdiegtas Waikato žinių analizės aplinkoje ir Konstanz Information Miner (KNIME) 4.6.152 analizės platformoje.
Autoriai pripažįsta, kad duomenis, pagrindžiančius tyrimo išvadas, galima rasti straipsnyje ir papildomoje medžiagoje.Tyrimo metu sugeneruotus ir (arba) analizuotus duomenų rinkinius pagrįstu prašymu gali gauti atitinkamas autorius.
Ritz-Timme, S. ir kt.Amžiaus įvertinimas: naujausia technika, atitinkanti konkrečius teismo medicinos praktikos reikalavimus.tarptautiškumas.J. Teisinė medicina.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Dabartinė gyvų subjektų teismo medicinos amžiaus vertinimo baudžiamojo persekiojimo tikslais būklė.Kriminalistika.vaistas.Patologija.1, 239–246 (2005).
Pan, J. ir kt.Modifikuotas 5–16 metų vaikų dantų amžiaus nustatymo metodas Rytų Kinijoje.klinikinis.Apklausa žodžiu.25, 3463–3474 (2021).
Lee, SS ir kt. Antrųjų ir trečiųjų krūminių dantų vystymosi chronologija korėjiečiams ir jos taikymas teismo medicinos amžiaus įvertinimui.tarptautiškumas.J. Teisinė medicina.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ir Lee, SS Amžiaus įvertinimo ir 18 metų slenksčio įvertinimo tikslumas, pagrįstas korėjiečių ir japonų antrųjų ir trečiųjų krūminių dantų branda.PLoS ONE 17, e0271247 (2022).
Kim, JY ir kt.Priešoperacinė mašininio mokymosi duomenų analizė gali numatyti miego chirurgijos gydymo rezultatus pacientams, sergantiems OSA.Mokslas.11 ataskaita, 14911 (2021).
Han, M. ir kt.Tikslus amžiaus įvertinimas iš mašininio mokymosi su žmogaus įsikišimu ar be jo?tarptautiškumas.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 kontekstu pagrįstomis asociacijos taisyklėmis.apskaičiuoti.Matt.Tęsti.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ir Habib M. Giluminiu mokymusi grįstas semantinio panašumo nustatymas naudojant teksto duomenis.informuoti.technologijas.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 mašininio mokymosi iššūkis vaikų kaulų amžiuje.Radiology 290, 498–503 (2019).
Li, Y. ir kt.Teismo medicinos amžiaus įvertinimas iš dubens rentgeno spindulių, naudojant giluminį mokymąsi.EURO.radiacija.29, 2322–2329 (2019).
Guo, YC ir kt.Tikslus amžiaus klasifikavimas naudojant rankinius metodus ir giliuosius konvoliucinius neuroninius tinklus iš ortografinių projekcijų vaizdų.tarptautiškumas.J. Teisinė medicina.135, 1589–1597 (2021).
Alabama Dalora ir kt.Kaulų amžiaus įvertinimas naudojant skirtingus mašininio mokymosi metodus: sisteminė literatūros apžvalga ir metaanalizė.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. ir Yang, J. Afroamerikiečių ir kinų populiacijos amžiaus įvertinimas, pagrįstas pirmųjų krūminių dantų pulpos kameros tūriais, naudojant kūgio pluošto kompiuterinę tomografiją.tarptautiškumas.J. Teisinė medicina.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ir Oh KS Gyvų žmonių amžiaus grupių nustatymas naudojant dirbtiniu intelektu pagrįstus pirmųjų krūminių dantų vaizdus.Mokslas.Ataskaita 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ir Urschler, M. Automatinis amžiaus įvertinimas ir daugumos amžiaus klasifikavimas iš daugiamačių MRT duomenų.IEEE J. Biomed.Sveikatos įspėjimai.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ir Li, G. Amžiaus įvertinimas, pagrįstas pirmųjų krūminių dantų segmentavimu 3D pulpos kameroje iš kūgio pluošto kompiuterinės tomografijos, integruojant giluminio mokymosi ir lygių rinkinius.tarptautiškumas.J. Teisinė medicina.135, 365–373 (2021).
Wu, WT ir kt.Klinikinių didelių duomenų gavyba: bendrosios duomenų bazės, žingsniai ir metodų modeliai.Pasaulis.vaistas.išteklių.8, 44 (2021).
Yang, J. ir kt.Įvadas į medicinos duomenų bazes ir duomenų gavybos technologijas didžiųjų duomenų eroje.J. Avid.Pagrindinis vaistas.13, 57–69 (2020).
Shen, S. ir kt.Kamererio metodas dantų amžiui įvertinti naudojant mašininį mokymąsi.BMC Oral Health 21, 641 (2021).
Galliburg A. ir kt.Skirtingų mašininio mokymosi metodų, skirtų dantų amžiui prognozuoti, palyginimas naudojant Demirdjian sustojimo metodą.tarptautiškumas.J. Teisinė medicina.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ir Tanner, JM. Nauja dantų amžiaus vertinimo sistema.niurnėti.biologija.45, 211–227 (1973).
Landis, JR ir Koch, GG Stebėtojo susitarimo dėl kategoriškų duomenų priemonės.Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ir Choi HK.Dvimačio magnetinio rezonanso tomografijos tekstūrinė, morfologinė ir statistinė analizė naudojant dirbtinio intelekto metodus pirminių smegenų auglių diferencijavimui.Informacija apie sveikatą.išteklių.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Paskelbimo laikas: 2024-04-04