Dėkojame, kad apsilankėte Nature.com. Jūsų naudojama naršyklės versija turi ribotą CSS palaikymą. Geriausiems rezultatams pasiekti rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“). Tuo tarpu, siekdami užtikrinti nuolatinį palaikymą, svetainę rodome be stiliaus ar „JavaScript“.
Dantys laikomi tiksliausiu žmogaus kūno amžiaus rodikliu ir dažnai naudojami teismo medicinos amžiaus nustatyme. Mūsų tikslas buvo patvirtinti duomenų gavybos pagrindu nustatytus dantų amžiaus įverčius, palyginant 18 metų ribos įvertinimo tikslumą ir klasifikavimo našumą su tradiciniais metodais ir duomenų gavybos pagrindu sukurtais amžiaus įverčiais. Iš viso buvo surinktos 2657 panoraminės rentgenogramos iš 15–23 metų amžiaus Korėjos ir Japonijos piliečių. Jos buvo suskirstytos į mokymo rinkinį, kuriame kiekvienoje yra 900 Korėjos rentgenogramų, ir vidinį bandymų rinkinį, kuriame yra 857 Japonijos rentgenogramos. Palyginome tradicinių metodų klasifikavimo tikslumą ir efektyvumą su duomenų gavybos modelių bandymų rinkiniais. Tradicinio metodo tikslumas vidiniame bandymų 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). Klasifikavimo našumas 18 metų ribai taip pat yra panašus tarp tradicinių metodų ir duomenų gavybos modelių. Taigi, atliekant teismo medicinos amžiaus nustatymą, naudojant antrųjų ir trečiųjų krūminių dantų brandą Korėjos paaugliams ir jauniems suaugusiesiems, tradicinius metodus galima pakeisti duomenų gavybos modeliais.
Dantų amžiaus nustatymas plačiai naudojamas teismo medicinoje ir vaikų odontologijoje. Visų pirma, dėl didelės koreliacijos tarp chronologinio amžiaus ir dantų išsivystymo, amžiaus nustatymas pagal dantų vystymosi stadijas yra svarbus kriterijus vertinant vaikų ir paauglių amžių1,2,3. Tačiau jauniems žmonėms dantų amžiaus nustatymas pagal dantų brandą turi apribojimų, nes dantys beveik visiškai suaugę, išskyrus trečiuosius krūminius dantis. Teisinis jaunų žmonių ir paauglių amžiaus nustatymo tikslas yra pateikti tikslius įvertinimus ir mokslinius įrodymus, ar jie sulaukė pilnametystės. Korėjos medicinos ir teisinėje paauglių praktikoje amžius buvo nustatomas naudojant Lee metodą, o teisinė 18 metų riba buvo prognozuojama remiantis Oh ir kt. pateiktais duomenimis5.
Mašininis mokymasis yra dirbtinio intelekto (DI) rūšis, kuri pakartotinai mokosi ir klasifikuoja didelius duomenų kiekius, pati sprendžia problemas ir valdo duomenų programavimą. Mašininis mokymasis gali atrasti naudingus paslėptus modelius dideliuose duomenų kiekiuose6. Priešingai, klasikiniai metodai, kurie yra daug darbo ir laiko reikalaujantys, gali turėti apribojimų, kai tvarkomi dideli sudėtingų duomenų kiekiai, kuriuos sunku apdoroti rankiniu būdu7. Todėl pastaruoju metu atlikta daug tyrimų, naudojant naujausias kompiuterines technologijas, siekiant sumažinti žmogaus klaidas ir efektyviai apdoroti daugiamačius duomenis8,9,10,11,12. Visų pirma, gilusis mokymasis buvo plačiai naudojamas medicininių vaizdų analizėje, ir pranešama apie įvairius amžiaus nustatymo metodus, automatiškai analizuojant rentgenogramas, kurie 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), skirtą skeleto amžiui įvertinti naudojant vaikų rankų rentgenogramas. Šiame tyrime siūlomas modelis, kuris taiko mašininį mokymąsi medicininiams vaizdams, ir parodoma, kad šie metodai gali pagerinti diagnostikos tikslumą. Li ir kt.14 įvertino amžių pagal dubens rentgeno nuotraukas, naudodami gilaus mokymosi CNN modelį, ir palygino juos su regresijos rezultatais, naudodami kaulėjimo stadijos įvertinimą. Jie nustatė, kad gilaus mokymosi CNN modelis parodė tokį patį amžiaus įvertinimo našumą kaip ir tradicinis regresijos modelis. Guo ir kt. tyrime [15] buvo įvertintas CNN technologijos, pagrįstos dantų ortofotografijomis, amžiaus tolerancijos klasifikavimo našumas, o CNN modelio rezultatai įrodė, kad žmonės pranoko jo amžiaus klasifikavimo našumą.
Daugumoje amžiaus nustatymo naudojant mašininį mokymąsi tyrimų naudojami gilaus mokymosi metodai13,14,15,16,17,18,19,20. Pranešama, kad amžiaus nustatymas, pagrįstas giliuoju mokymusi, yra tikslesnis nei tradiciniai metodai. Tačiau šis metodas suteikia mažai galimybių pateikti mokslinį amžiaus įvertinimų pagrindą, pavyzdžiui, amžiaus rodiklius, naudojamus įvertinimuose. Taip pat kyla teisinių ginčų dėl to, kas atlieka patikrinimus. Todėl amžiaus nustatymas, pagrįstas giliuoju mokymusi, yra sunkiai priimtinas administracinėms ir teisminėms institucijoms. Duomenų gavyba (DM) – tai technika, kuri gali atrasti ne tik laukiamą, bet ir netikėtą informaciją, kaip metodas naudingoms koreliacijoms tarp didelių duomenų kiekių atrasti6,21,22. Mašininis mokymasis dažnai naudojamas duomenų gavyboje, ir tiek duomenų gavyba, tiek mašininis mokymasis naudoja tuos pačius pagrindinius algoritmus duomenų modeliams atrasti. Amžiaus nustatymas naudojant dantų vystymąsi grindžiamas tyrėjo atliekamu tikslinių dantų brandos įvertinimu, o šis įvertinimas išreiškiamas kaip kiekvieno tikslinio danties etapas. DM gali būti naudojama dantų vertinimo etapo ir tikrojo amžiaus koreliacijai analizuoti ir gali pakeisti tradicinę statistinę analizę. Todėl, jei taikysime DM metodus amžiaus nustatymui, galėsime pritaikyti mašininį mokymąsi teismo medicinos amžiaus nustatyme nesijaudindami dėl teisinės atsakomybės. Paskelbta keletas lyginamųjų tyrimų apie galimas alternatyvas tradiciniams rankiniams metodams, naudojamiems teismo praktikoje, ir EBM pagrįstiems metodams, skirtiems dantų amžiui nustatyti. Shen ir kt.23 parodė, kad DM modelis yra tikslesnis nei tradicinė Camerer formulė. Galibourg ir kt.24 pritaikė skirtingus DM metodus amžiui numatyti pagal Demirdžiano kriterijų25, o rezultatai parodė, kad DM metodas pranoko Demirdžiano ir Willemso metodus vertinant Prancūzijos gyventojų amžių.
Korėjos paauglių ir jaunuolių dantų amžiui įvertinti Korėjos teismo medicinos praktikoje plačiai naudojamas Lee metodas4. Šis metodas naudoja tradicinę statistinę analizę (pvz., daugybinę 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, o jo tikslumą patvirtino Oh ir kt.5; tačiau amžiaus nustatymo, pagrįsto DM modeliu, taikymas Korėjos teismo medicinos praktikoje vis dar abejotinas. Mūsų tikslas buvo moksliškai patvirtinti amžiaus nustatymo, pagrįsto DM modeliu, galimą naudingumą. Šio tyrimo tikslas buvo (1) palyginti dviejų DM modelių tikslumą nustatant dantų amžių ir (2) palyginti 7 DM modelių klasifikavimo efektyvumą 18 metų amžiaus su rezultatais, gautais naudojant tradicinius statistinius metodus. Abiejų žandikaulių antrųjų ir trečiųjų krūminių dantų branda.
Chronologinio amžiaus vidurkiai ir standartiniai nuokrypiai pagal stadiją ir dantų tipą pateikti internete papildomoje S1 lentelėje (mokymo rinkinys), papildomoje S2 lentelėje (vidinių testų rinkinys) ir papildomoje S3 lentelėje (išorinių testų rinkinys). Iš mokymo rinkinio gautos vidinio ir išorinio stebėtojų patikimumo kapa vertės buvo atitinkamai 0,951 ir 0,947. Kapa verčių p vertės ir 95 % pasikliautinasis intervalas pateikti internete papildomoje S4 lentelėje. Kapa vertė buvo interpretuota kaip „beveik ideali“, atitinkanti Landis ir Koch26 kriterijus.
Lyginant vidutinę absoliučią paklaidą (MAE), tradicinis metodas šiek tiek pranoksta DM modelį visoms lytims ir išoriniame vyrų testų rinkinyje, išskyrus daugiasluoksnį perceptroną (MLP). Skirtumas tarp tradicinio ir DM modelių vidiniame MAE testų rinkinyje buvo 0,12–0,19 metų vyrams ir 0,17–0,21 metų moterims. Išorinių testų rinkinyje skirtumai yra mažesni (0,001–0,05 metų vyrams ir 0,05–0,09 metų moterims). Be to, vidutinė kvadratinė paklaida (RMSE) yra šiek tiek mažesnė nei tradicinio metodo, o skirtumai yra mažesni (0,17–0,24, 0,2–0,24 vyrų vidiniam testų rinkiniui ir 0,03–0,07, 0,04–0,08 išoriniam testų rinkiniui). MLP rodo šiek tiek geresnius rezultatus nei vieno sluoksnio perceptronas (SLP), išskyrus moterų išorinį testų rinkinį. MAE ir RMSE atveju išorinio testo rinkinio balai yra aukštesni nei vidinio testo rinkinio visoms lytims ir modeliams. Visi MAE ir RMSE pateikti 1 lentelėje ir 1 paveiksle.
Tradicinių ir duomenų gavybos regresinių modelių vidutinė absoliuti paklaida (MAE) ir vidutinė kvadratinė paklaida (RMSE). Vidutinė absoliuti paklaida (MAE), vidutinė kvadratinė paklaida (RMSE), vieno sluoksnio perceptrono SLP, daugiasluoksnio perceptrono MLP, tradicinis CM metodas.
Tradicinių ir DM modelių klasifikavimo efektyvumas (su 18 metų riba) buvo parodytas pagal jautrumą, specifiškumą, teigiamą prognozinę vertę (PPV), neigiamą prognozinę vertę (NPV) ir plotą po imtuvo veikimo charakteristikų kreive (AUROC) 27 (2 lentelė, 2 paveikslas ir 1 papildomas paveikslas internete). Kalbant apie vidinio testo rinkinio jautrumą, tradiciniai metodai geriausiai veikė tarp vyrų ir blogiausiai tarp moterų. Tačiau klasifikavimo efektyvumo skirtumas tarp tradicinių metodų ir SD yra 9,7 % vyrams (MLP) ir tik 2,4 % moterims (XGBoost). Tarp DM modelių logistinė regresija (LR) parodė geresnį jautrumą abiejų lyčių atstovams. Kalbant apie vidinio testo rinkinio specifiškumą, pastebėta, kad keturi SD modeliai gerai veikė tarp vyrų, o tradicinis modelis geriau – tarp moterų. Klasifikavimo efektyvumo skirtumai tarp vyrų ir moterų yra atitinkamai 13,3 % (MLP) ir 13,1 % (MLP), o tai rodo, kad klasifikavimo efektyvumo skirtumas tarp modelių viršija jautrumą. Iš DM modelių geriausiai tarp vyrų pasirodė atraminių vektorių mašinos (SVM), sprendimų medžio (DT) ir atsitiktinių miškų (RF) modeliai, o tarp moterų – LR modelis. Tradicinio modelio ir visų SD modelių AUROC buvo didesnis nei 0,925 (k – artimiausias kaimynas (KNN) vyrams), o tai rodo puikų klasifikavimo efektyvumą, diskriminuojant 18 metų amžiaus imtis28. Išorinio testo rinkinio klasifikavimo efektyvumas sumažėjo jautrumo, specifiškumo ir AUROC atžvilgiu, palyginti su vidiniu testo rinkiniu. Be to, geriausių ir blogiausių modelių klasifikavimo efektyvumo jautrumo ir specifiškumo skirtumas svyravo nuo 10 % iki 25 % ir buvo didesnis nei skirtumas vidiniame testo rinkinyje.
Duomenų gavybos klasifikavimo modelių jautrumas ir specifiškumas, palyginti su tradiciniais metodais, kurių ribinė trukmė yra 18 metų. KNN k artimiausias kaimynas, SVM atraminių vektorių 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 naudojant septynis DM modelius, tikslumą su įverčių, gautų naudojant tradicinę regresiją, tikslumu. MAE ir RMSE buvo įvertinti abiejų lyčių vidiniuose testų rinkiniuose, o skirtumas tarp tradicinio metodo ir DM modelio svyravo nuo 44 iki 77 dienų MAE atveju ir nuo 62 iki 88 dienų RMSE atveju. Nors tradicinis metodas šiame tyrime buvo šiek tiek tikslesnis, sunku daryti išvadą, ar toks mažas skirtumas turi klinikinę ar praktinę reikšmę. Šie rezultatai rodo, kad dantų amžiaus įvertinimo naudojant DM modelį tikslumas yra beveik toks pat kaip ir tradicinio metodo. Tiesioginis palyginimas su ankstesnių tyrimų rezultatais yra sudėtingas, nes jokiame tyrime nebuvo lyginamas DM modelių tikslumas su tradiciniais statistiniais metodais, naudojant tą pačią dantų registravimo techniką tame pačiame amžiaus intervale kaip ir šiame tyrime. Galibourg ir kt.24 palygino MAE ir RMSE tarp dviejų tradicinių metodų (Demirjian metodo25 ir Willems metodo29) ir 10 DM modelių 2–24 metų amžiaus Prancūzijos populiacijoje. Jie pranešė, kad visi DM modeliai buvo tikslesni nei tradiciniai metodai, o MAE skirtumas buvo atitinkamai 0,20 ir 0,38 metų, o RMSE – 0,25 ir 0,47 metų, palyginti su Willemso ir Demirjiano metodais. Halibourgo tyrime parodytas SD modelio ir tradicinių metodų neatitikimas atsižvelgia į daugybę pranešimų30,31,32,33, kad Demirjiano metodas netiksliai įvertina dantų amžių kitose populiacijose, išskyrus Prancūzijos kanadiečius, kuriais buvo pagrįstas tyrimas. Šiame tyrime Tai ir kt.34 naudojo MLP algoritmą dantų amžiui numatyti pagal 1636 kinų ortodontines nuotraukas ir palygino jo tikslumą su Demirjiano ir Willemso metodo rezultatais. Jie pranešė, kad MLP yra tikslesnis nei tradiciniai metodai. Skirtumas tarp Demirjiano metodo ir tradicinio metodo yra <0,32 metų, o Willemso metodas – 0,28 metų, o tai panašu į šio tyrimo rezultatus. Šių ankstesnių tyrimų24,34 rezultatai 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 dėl palyginamųjų ir etaloninių ankstesnių tyrimų trūkumo. Norint patvirtinti šiame tyrime gautus rezultatus, reikalingi tolesni tyrimai, naudojant didesnes imtis.
Iš tyrimų, kuriuose buvo tiriamas SD tikslumas nustatant 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 amžiaus panoraminėms rentgenogramoms ir išbandė kiekvieno modelio tikslumą. Jie įvertino iš viso 16 viršutinių ir apatinių kairiųjų nuolatinių dantų išsivystymą, naudodami Moorrees ir kt. 36 pasiūlytus klasifikavimo kriterijus. MAE svyruoja nuo 0,64 iki 0,94 metų, o RMSE svyruoja nuo 0,85 iki 1,27 metų, o tai yra tikslesni rezultatai nei du šiame tyrime naudoti 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, įvertintu naudojant tiesinę regresiją, SVM ir RF. Jie parodė, kad visi trys DM modeliai yra tikslesni, palyginti su tradicine Cameriere formule. Shen tyrimo MAE ir RMSE buvo mažesni nei šio tyrimo DM modelyje. Padidėjęs Stepanovsky ir kt.35 bei Shen ir kt.23 tyrimų tikslumas gali būti susijęs su jaunesnių tiriamųjų įtraukimu į jų tyrimo imtis. Kadangi amžiaus įverčiai dalyviams su besivystančiais dantimis tampa tikslesni, didėjant dantų skaičiui dantų vystymosi metu, gauto amžiaus nustatymo metodo tikslumas gali būti mažesnis, kai tyrimo dalyviai yra jaunesni. Be to, MLP paklaida nustatant amžių yra šiek tiek mažesnė nei SLP, o tai reiškia, kad MLP yra tikslesnis nei SLP. MLP laikoma šiek tiek geresniu amžiaus nustatymui, galbūt dėl paslėptų sluoksnių MLP38. Tačiau yra išimtis dėl išorinės moterų imties (SLP 1,45, MLP 1,49). Norint nustatyti, kad MLP yra tikslesnis nei SLP vertinant amžių, reikia atlikti papildomus retrospektyvinius tyrimus.
Taip pat buvo palygintas DM modelio ir tradicinio metodo klasifikavimo našumas, esant 18 metų amžiaus ribai. Visi išbandyti SD modeliai ir tradiciniai metodai, naudojant vidinį testų rinkinį, parodė praktiškai priimtiną diskriminacijos lygį 18 metų imčiai. Jautrumas vyrams ir moterims buvo atitinkamai didesnis nei 87,7 % ir 94,9 %, o specifiškumas – didesnis nei 89,3 % ir 84,7 %. Visų išbandytų modelių AUROC taip pat viršija 0,925. Kiek mums žinoma, nė vienas tyrimas nebandė patikrinti DM modelio našumo 18 metų amžiaus klasifikavimui pagal dantų brandą. Šio tyrimo rezultatus galime palyginti su gilaus mokymosi modelių klasifikavimo našumu panoraminėse rentgenogramose. Guo ir kt.15 apskaičiavo CNN pagrįsto gilaus mokymosi modelio ir rankinio metodo, pagrįsto Demirjian metodu, klasifikavimo našumą, esant tam tikrai amžiaus ribai. Rankinio metodo jautrumas ir specifiškumas buvo atitinkamai 87,7 % ir 95,5 %, o CNN modelio jautrumas ir specifiškumas atitinkamai viršijo 89,2 % ir 86,6 %. Jie padarė išvadą, kad gilaus mokymosi modeliai gali pakeisti arba pranokti rankinį vertinimą klasifikuojant amžiaus ribas. Šio tyrimo rezultatai parodė panašų klasifikavimo našumą; manoma, kad klasifikavimas naudojant DM modelius gali pakeisti tradicinius statistinius amžiaus nustatymo metodus. Tarp modelių DM LR buvo geriausias modelis pagal jautrumą vyrų imčiai ir jautrumą bei specifiškumą moterų imčiai. LR užima antrą vietą pagal specifiškumą vyrams. Be to, LR laikomas vienu iš patogesnių naudoti DM35 modelių ir yra mažiau sudėtingas bei sunkiai apdorojamas. Remiantis šiais rezultatais, LR buvo laikomas geriausiu ribiniu klasifikavimo modeliu 18 metų amžiaus Korėjos populiacijoje.
Apskritai amžiaus įvertinimo arba klasifikavimo rezultatų tikslumas naudojant išorinį testų rinkinį buvo prastas arba mažesnis, palyginti su rezultatais, gautais naudojant vidinį testų rinkinį. Kai kuriose ataskaitose nurodoma, kad klasifikavimo tikslumas arba efektyvumas mažėja, kai amžiaus įverčiai, pagrįsti Korėjos populiacija, taikomi Japonijos populiacijai5,39, ir panašus modelis buvo nustatytas ir 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 parodyti panašias tendencijas, reikalingi tyrimai, kuriuose būtų lyginamas klasifikavimo tikslumas ir efektyvumas naudojant tradicinius metodus, DM modelius ir gilaus mokymosi modelius tose pačiose imtyse, siekiant patvirtinti, ar dirbtinis intelektas gali įveikti šiuos rasinius skirtumus atliekant ribotus amžiaus vertinimus.
Parodome, kad Korėjoje teismo ekspertizės amžiaus nustatymo praktikoje tradicinius metodus galima pakeisti amžiaus nustatymu, pagrįstu DM modeliu. Taip pat atradome mašininio mokymosi taikymo teismo ekspertizės amžiaus nustatymui galimybę. 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 su didesniu imčių skaičiumi ir įvairesnėmis populiacijomis, siekiant pagerinti jų praktinį pritaikomumą, palyginti su tradiciniais metodais. Norint patvirtinti dirbtinio intelekto naudojimo amžiui įvertinti keliose populiacijose galimybes, reikalingi būsimi tyrimai, skirti palyginti DM ir gilaus mokymosi modelių klasifikavimo tikslumą ir efektyvumą su tradiciniais metodais tose pačiose imtyse.
Tyrime panaudotos 2657 ortografinės nuotraukos, surinktos iš 15–23 metų amžiaus Korėjos ir Japonijos suaugusiųjų. Korėjos rentgenogramos buvo suskirstytos į 900 mokomųjų rinkinių (19,42 ± 2,65 metų) ir 900 vidinių testų rinkinių (19,52 ± 2,59 metų). Mokomasis rinkinys buvo surinktas vienoje įstaigoje (Seulo Šv. Marijos ligoninėje), o nuosavas testų rinkinys – dviejose įstaigose (Seulo nacionalinio universiteto odontologijos ligoninėje ir Jonsei universiteto odontologijos ligoninėje). Išoriniams testams taip pat surinkome 857 rentgenogramas iš kitų populiacijos duomenų (Ivatės medicinos universiteto, Japonija). Išoriniam testų rinkiniui pasirinkome japonų tiriamųjų (19,31 ± 2,60 metų) rentgenogramas. Duomenys buvo renkami retrospektyviai, siekiant išanalizuoti dantų vystymosi etapus panoraminėse rentgenogramose, darytose dantų gydymo metu. Visi surinkti duomenys buvo anonimiški, išskyrus lytį, gimimo datą ir rentgenogramos datą. Įtraukimo ir neįtraukimo kriterijai buvo tokie patys kaip ir anksčiau paskelbtuose tyrimuose 4, 5. Tikrasis imties amžius buvo apskaičiuotas iš rentgenogramos darymo datos atėmus gimimo datą. Imties grupė buvo suskirstyta į devynias amžiaus grupes. Amžiaus ir lyties pasiskirstymas pateiktas 3 lentelėje. Šis tyrimas buvo atliktas pagal Helsinkio deklaraciją ir patvirtintas Korėjos katalikiškojo universiteto Seulo Šv. Marijos ligoninės Institucinės peržiūros tarybos (IRB) (KC22WISI0328). Dėl retrospektyvaus šio tyrimo dizaino ne iš visų pacientų, kuriems buvo atliekamas radiografinis tyrimas terapiniais tikslais, buvo galima gauti informuotą sutikimą. Seulo Korėjos universiteto Šv. Marijos ligoninė (IRB) netaiko informuoto sutikimo reikalavimo.
Dvigalvio viršutinio žandikaulio antrojo ir trečiojo krūminių dantų vystymosi stadijos buvo įvertintos pagal Demircano kriterijus25. Buvo pasirinktas tik vienas dantis, jei to paties tipo dantis buvo rastas kairėje ir dešinėje kiekvieno žandikaulio pusėse. Jei abiejų pusių homologiški dantys buvo skirtingų vystymosi stadijų, buvo pasirinktas dantis su žemesne vystymosi stadija, siekiant atsižvelgti į numatomo amžiaus neapibrėžtumą. Šimtą atsitiktinai parinktų rentgenogramų iš mokomojo rinkinio įvertino du patyrę stebėtojai, kad patikrintų stebėtojų tarpusavio patikimumą po išankstinio kalibravimo, skirto dantų brandos stadijai nustatyti. Stebėtojų vidinį patikimumą du kartus kas tris mėnesius įvertino pagrindinis stebėtojas.
Kiekvieno žandikaulio antrojo ir trečiojo krūminių dantų lytį ir vystymosi stadiją mokymo rinkinyje įvertino pagrindinis stebėtojas, apmokytas skirtingais DM modeliais, o tikrasis amžius buvo nustatytas kaip tikslinė vertė. SLP ir MLP modeliai, kurie plačiai naudojami mašininio mokymosi srityje, buvo išbandyti su regresijos algoritmais. DM modelis sujungia tiesines funkcijas, naudodamas keturių dantų vystymosi stadijas, ir sujungia šiuos duomenis, kad įvertintų amžių. SLP yra paprasčiausias neuroninis tinklas ir neturi paslėptų sluoksnių. SLP veikia remiantis slenksčio perdavimu tarp mazgų. SLP modelis regresijoje yra matematiškai panašus į daugybinę tiesinę regresiją. Skirtingai nuo SLP modelio, MLP modelis turi kelis paslėptus sluoksnius su netiesinėmis aktyvavimo funkcijomis. Mūsų eksperimentuose buvo naudojamas paslėptas sluoksnis, kuriame yra tik 20 paslėptų mazgų su netiesinėmis aktyvavimo funkcijomis. Mašininio mokymosi modeliui apmokyti buvo naudojamas gradiento nuolydis kaip optimizavimo metodas, o MAE ir RMSE – kaip nuostolių funkcijos. Geriausiai gautas regresijos modelis buvo pritaikytas vidiniams ir išoriniams bandymų rinkiniams ir įvertintas dantų amžius.
Buvo sukurtas klasifikavimo algoritmas, kuris naudoja keturių dantų brandą mokymo rinkinyje, kad numatytų, ar imtis yra 18 metų, ar ne. Norėdami sukurti modelį, išvedėme septynis reprezentacinius mašininio 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 prižiūrimo mokymosi algoritmas, kuris naudoja regresiją, kad numatytų duomenų priklausymo tam tikrai kategorijai nuo 0 iki 1 tikimybę ir klasifikuoja duomenis kaip priklausančius labiau tikėtinai kategorijai, remdamasis šia tikimybe; daugiausia naudojamas dvejetainei klasifikacijai. KNN yra vienas iš paprasčiausių mašininio mokymosi algoritmų45. Gavęs naujus įvesties duomenis, jis randa k duomenų, artimų esamam rinkiniui, ir tada klasifikuoja juos į klasę su didžiausiu dažniu. Nustatėme 3 nagrinėjamų kaimynų skaičiui (k). SVM yra algoritmas, kuris maksimaliai padidina atstumą tarp dviejų klasių, naudodamas branduolio funkciją, kad išplėstų tiesinę erdvę į netiesinę erdvę, vadinamą laukais46. Šiam modeliui kaip polinominio branduolio hiperparametrus naudojame šališkumą = 1, galią = 1 ir gamą = 1. DT buvo taikomas įvairiose srityse kaip algoritmas visam duomenų rinkiniui padalyti į keletą pogrupių, pateikiant sprendimų taisykles medžio struktūroje47. Modelis sukonfigūruotas su minimaliu įrašų skaičiumi kiekviename mazge – 2, o kokybės matas naudojamas Gini indeksas. RF yra ansamblinis metodas, kuris sujungia kelis DT, siekiant pagerinti našumą naudojant „bootstrap“ agregavimo metodą, kuris kiekvienam mėginiui generuoja silpną klasifikatorių, atsitiktinai kelis kartus iš pradinio duomenų rinkinio ištraukdamas vienodo dydžio mėginius48. 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, kuris sujungia didinimo metodus, naudodamas metodą, kuris kaip mokymo duomenis ima paklaidą tarp ankstesnio modelio faktinių ir numatytų verčių ir padidina paklaidą naudodamas gradientus49. Tai plačiai naudojamas algoritmas dėl gero našumo ir išteklių efektyvumo, taip pat dėl didelio patikimumo kaip persidengimo korekcijos funkcija. Modelis aprūpintas 400 atraminių ratų. MLP yra neuroninis tinklas, kuriame vienas ar keli perceptronai sudaro kelis sluoksnius su vienu ar keliais paslėptais sluoksniais tarp įvesties ir išvesties sluoksnių38. Naudojant tai, galima atlikti netiesinę klasifikaciją, kai pridedant įvesties sluoksnį ir gaunant rezultato reikšmę, numatoma rezultato reikšmė palyginama su faktine rezultato reikšme, o paklaida perduodama atgal. Sukūrėme paslėptą sluoksnį su 20 paslėptų neuronų kiekviename sluoksnyje. Kiekvienas mūsų sukurtas modelis buvo pritaikytas vidiniams ir išoriniams rinkiniams, siekiant patikrinti klasifikavimo našumą apskaičiuojant jautrumą, specifiškumą, PPV, NPV ir AUROC. Jautrumas apibrėžiamas kaip imties, kuriai numatoma 18 metų ar daugiau, santykis su imtimi, kuriai numatoma 18 metų ar daugiau. Specifiškumas yra imčių, jaunesnių nei 18 metų, ir tų, kurie numatoma 18 metų, dalis.
Mokymo rinkinyje įvertinti dantų etapai buvo paversti skaitmeniniais etapais statistinei analizei. Daugiamatės tiesinės ir logistinės regresijos analizės buvo atliktos siekiant sukurti kiekvienos lyties prognozavimo modelius ir gauti regresijos formules, kurias galima naudoti amžiui įvertinti. Šias formules naudojome dantų amžiui įvertinti tiek vidiniams, tiek išoriniams testų rinkiniams. 4 lentelėje pateikti šiame tyrime naudoti regresijos ir klasifikavimo modeliai.
Stebėtojo vidinis ir tarpstebėtojų patikimumas buvo apskaičiuotas naudojant Coheno kapa statistiką. Norėdami patikrinti DM ir tradicinių regresinių modelių tikslumą, apskaičiavome MAE ir RMSE, naudodami apskaičiuotą ir faktinį vidinių ir išorinių testų rinkinių amžių. Šios paklaidos 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 efektyvumas tradicinėje statistikoje buvo įvertintas naudojant 2 × 2 kontingencinę lentelę. Apskaičiuotas testo rinkinio jautrumas, specifiškumas, PPV, NPV ir AUROC buvo palyginti su išmatuotomis DM klasifikavimo modelio vertėmis. Duomenys išreikšti 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 regresinis modelis buvo įdiegtas Python kalba naudojant Keras50 2.2.4 posistemę 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 tyrimo išvadas pagrindžiančius duomenis galima rasti straipsnyje ir papildomoje medžiagoje. Tyrimo metu sugeneruotus ir (arba) analizuotus duomenų rinkinius galima gauti iš atitinkamo autoriaus, pateikus pagrįstą prašymą.
Ritz-Timme, S. ir kt. Amžiaus nustatymas: pažangiausias būdas atitikti konkrečius teismo medicinos praktikos reikalavimus. Tarptautiniškumas. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ir Olze, A. Dabartinė gyvų asmenų teismo ekspertizės amžiaus nustatymo baudžiamojo persekiojimo tikslais padėtis. Teismo medicinos ekspertizė, patologija, 1, 239–246 (2005).
Pan, J. ir kt. Modifikuotas 5–16 metų vaikų dantų amžiaus nustatymo metodas rytų Kinijoje. klinikinė. Burnos tyrimas. 25, 3463–3474 (2021).
Lee, SS ir kt. Antrųjų ir trečiųjų krūminių dantų vystymosi chronologija korėjiečiams ir jos taikymas teismo medicinos amžiaus nustatymui. Internacionalumas. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ir Lee, SS. Amžiaus nustatymo tikslumas ir 18 metų ribos nustatymas remiantis antrųjų ir trečiųjų krūminių dantų branda korėjiečiams ir japonams. PLoS ONE 17, e0271247 (2022).
Kim, JY ir kt. Priešoperacine mašininio mokymosi pagrindu sukurta duomenų analizė gali numatyti miego operacijos rezultatus pacientams, sergantiems obstrukcine miego apnėja (OMA). „The Science“. Ataskaita 11, 14911 (2021).
Han, M. ir kt. Tikslus amžiaus nustatymas naudojant mašininį mokymąsi su žmogaus įsikišimu ar be jo? tarptautiškumas. J. Legal medicine. 136, 821–831 (2022).
Khan, S. ir Shaheen, M. Nuo duomenų gavybos iki duomenų gavybos. J.Information. The science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ir Shaheen, M. WisRule: Pirmasis kognityvinis asociacijų taisyklių išgavimo algoritmas. J.Information. The science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ir Abdullah U. Karm: Tradicinė duomenų gavyba, pagrįsta kontekstinėmis asociacijos taisyklėmis. apskaičiuoti. Matt. tęsti. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ir Habib M. Giliuoju mokymusi pagrįstas semantinio panašumo aptikimas naudojant tekstinius duomenis. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ir Shahin, M. Sistema, skirta atpažinti aktyvumą sporto vaizdo įrašuose. Multimedija. Įrankiai ir programos https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS ir kt. RSNA mašininio mokymosi iššūkis vaikų kaulų amžiuje. Radiologija 290, 498–503 (2019).
Li, Y. ir kt. Teismo medicinos amžiaus nustatymas iš dubens rentgeno nuotraukų, naudojant gilųjį mokymąsi. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC ir kt. Tikslus amžiaus klasifikavimas naudojant rankinius metodus ir giliuosius konvoliucinius neuroninius tinklus iš ortografinės projekcijos vaizdų. tarptautiškumas. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora ir kt. Kaulų amžiaus nustatymas naudojant skirtingus mašininio mokymosi metodus: sisteminė literatūros apžvalga ir metaanalizė. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. ir Yang, J. Populiacijai būdingas afroamerikiečių ir kinų amžiaus įvertinimas, pagrįstas pirmųjų krūminių dantų pulpos kameros tūriais, naudojant kūginio pluošto kompiuterinę tomografiją. tarptautiškumas. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ir Oh KS. Gyvų žmonių amžiaus grupių nustatymas naudojant dirbtinio intelekto pagrindu sukurtus pirmųjų krūminių dantų vaizdus. „The Science“. Ataskaita 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ir Urschler, M. Automatinis amžiaus nustatymas ir pilnametystės klasifikacija iš daugiamačio MRT duomenų. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ir Li, G. Amžiaus nustatymas, pagrįstas pirmųjų krūminių dantų 3D pulpos kameros segmentacija iš kūginės spindulio kompiuterinės tomografijos, integruojant gilųjį mokymąsi ir lygių rinkinius. tarptautiškumas. J. Legal medicine. 135, 365–373 (2021).
Wu, WT ir kt. Duomenų gavyba klinikiniuose dideliuose duomenyse: bendros duomenų bazės, žingsniai ir metodų modeliai. World. Medicine. Resource. 8, 44 (2021).
Yang, J. ir kt. Įvadas į medicinines duomenų bazes ir duomenų gavybos technologijas didžiųjų duomenų eroje. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. ir kt. Camererio metodas dantų amžiui įvertinti naudojant mašininį mokymąsi. BMC Oral Health 21, 641 (2021).
Galliburg A. ir kt. Įvairių mašininio mokymosi metodų, skirtų dantų amžiui prognozuoti naudojant Demirdžiano stadijų nustatymo metodą, palyginimas. tarptautiškumas. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ir Tanner, JM. Nauja dantų amžiaus vertinimo sistema. snort. biology. 45, 211–227 (1973).
Landis, JR ir Koch, GG. Stebėtojų sutarimo matai kategoriniuose duomenyse. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ir Choi HK. Dvimačio magnetinio rezonanso tomografijos, naudojant dirbtinio intelekto metodus pirminiams smegenų augliams diferencijuoti, tekstūrinė, morfologinė ir statistinė analizė. Sveikatos informacija. Šaltinis. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Įrašo laikas: 2024 m. sausio 4 d.