Dankie dat u Nature.com besoek het. Die weergawe van die blaaier wat u gebruik, het beperkte CSS -ondersteuning. Vir die beste resultate, beveel ons aan dat u 'n nuwer weergawe van u blaaier gebruik (of die versoenbaarheidsmodus in Internet Explorer afskakel). Intussen wys ons die webwerf sonder stilering of JavaScript om deurlopende ondersteuning te verseker.
Tande word beskou as die mees akkurate aanduiding van die ouderdom van die menslike liggaam en word dikwels in forensiese ouderdomsbeoordeling gebruik. Ons het ten doel gehad om die raming van data-ontginning-gebaseerde tandheelkundige ouderdom te bekragtig deur die skatting van die akkuraatheid en klassifikasieprestasie van die 18-jaar-drempel met tradisionele metodes en gebaseerde ouderdomsberamings op data te vergelyk. Altesaam 2657 panoramiese radiografieë is versamel van Koreaanse en Japannese burgers tussen 15 en 23 jaar. Hulle is in 'n oefenstel verdeel, elk met 900 Koreaanse radiografieë, en 'n interne toetsstel wat 857 Japannese radiografieë bevat. Ons het die klassifikasie -akkuraatheid en doeltreffendheid van tradisionele metodes met toetsstelle data -ontginning -modelle vergelyk. Die akkuraatheid van die tradisionele metode op die interne toetsstel is effens hoër as die van die data -ontginningmodel, en die verskil is klein (gemiddelde absolute fout <0,21 jaar, wortelgemiddelde vierkantige fout <0,24 jaar). Die klassifikasieprestasie vir die 18-jarige afsny is ook dieselfde tussen tradisionele metodes en modelle vir data-ontginning. Tradisionele metodes kan dus vervang word deur modelle vir data -ontginning by die uitvoering van forensiese ouderdomsassessering met behulp van die volwassenheid van tweede en derde molare by Koreaanse adolessente en jong volwassenes.
Die beraming van tandheelkundige ouderdom word wyd gebruik in forensiese medisyne en pediatriese tandheelkunde. Vanweë die hoë korrelasie tussen chronologiese ouderdom en tandheelkundige ontwikkeling, is ouderdomsassessering deur tandheelkundige ontwikkelingsfases 'n belangrike maatstaf vir die beoordeling van die ouderdom van kinders en adolessente1,2,3. Vir jong mense het die beraming van tandheelkundige ouderdom op grond van tandheelkundige volwassenheid egter sy beperkings omdat tandheelkundige groei byna voltooi is, met die uitsondering van die derde kiestande. Die wettige doel van die bepaling van die ouderdom van jong mense en adolessente is om akkurate ramings en wetenskaplike bewyse te lewer of hulle die ouderdom van die meerderheid bereik het. In die medisyne-wettige praktyk van adolessente en jong volwassenes in Korea, is die ouderdom met behulp van Lee se metode geskat, en 'n wettige drempel van 18 jaar is voorspel op grond van die data wat deur Oh et al 5 gerapporteer is.
Masjienleer is 'n soort kunsmatige intelligensie (AI) wat herhaaldelik groot hoeveelhede data leer en klassifiseer, probleme op sy eie oplos en data -programmering dryf. Masjienleer kan nuttige verborge patrone in groot volumes data6 ontdek. In teenstelling hiermee, kan klassieke metodes, wat arbeidsintensief en tydrowend is, beperkings hê as u groot hoeveelhede ingewikkelde data hanteer wat moeilik is om met die hand te verwerk7. Daarom is baie studies onlangs uitgevoer met behulp van die nuutste rekenaartegnologieë om menslike foute te verminder en multidimensionele data8,9,10,11,12 doeltreffend te verwerk. In die besonder is diep leer wyd gebruik in mediese beeldanalise, en daar is berig dat verskillende metodes vir ouderdomsberaming deur outomaties ontleding van radiografieë die akkuraatheid en doeltreffendheid van ouderdomsberaming13,14,15,16,17,18,19,20 verbeter het . Halabi et al 13 het byvoorbeeld 'n masjienleer -algoritme ontwikkel wat gebaseer is op omwentelingsneurale netwerke (CNN) om die skelet -ouderdom te skat met behulp van radiografieë van kinders se hande. Hierdie studie stel 'n model voor wat masjienleer op mediese beelde toepas en toon dat hierdie metodes die diagnostiese akkuraatheid kan verbeter. Li et al14 het die ouderdom van die bekken-x-straalbeelde met behulp van 'n diep leer CNN geskat en dit vergelyk met regressieresultate met behulp van die beraming van die ossifikasie-stadium. Hulle het gevind dat die diep leer -CNN -model dieselfde ouderdomsberaming toon as die tradisionele regressiemodel. Die studie van Guo et al. [15] het die prestasie van die ouderdomsverdraagsaamheid van CNN -tegnologie op grond van tandheelkundige ortofoto's geëvalueer, en die resultate van die CNN -model het bewys dat mense beter presteer as sy ouderdomsklassifikasieprestasie.
Die meeste studies oor ouderdomsberaming met behulp van masjienleer gebruik diep leermetodes13,14,15,16,17,18,19,20. Daar word berig dat ouderdomsberaming gebaseer op diep leer meer akkuraat is as tradisionele metodes. Hierdie benadering bied egter min geleentheid om die wetenskaplike basis vir ouderdomsberamings aan te bied, soos die ouderdomsaanwysers wat in die ramings gebruik word. Daar is ook 'n regsgeskil oor wie die inspeksies uitvoer. Daarom is ouderdomsberaming gebaseer op diep leer moeilik om deur administratiewe en regterlike owerhede te aanvaar. Data Mining (DM) is 'n tegniek wat nie net verwag kan word nie, maar ook onverwagte inligting as 'n metode om nuttige korrelasies tussen groot hoeveelhede data6,21,22 te ontdek. Masjienleer word dikwels in data -ontginning gebruik, en beide data -ontginning en masjienleer gebruik dieselfde sleutelalgoritmes om patrone in data te ontdek. Ouderdomskatting met behulp van tandheelkundige ontwikkeling is gebaseer op die beoordeling van die ondersoeker van die volwassenheid van die teiken tande, en hierdie assessering word uitgedruk as 'n stadium vir elke teikentand. DM kan gebruik word om die korrelasie tussen tandheelkundige assesseringsfase en die werklike ouderdom te ontleed en het die potensiaal om tradisionele statistiese analise te vervang. As ons dus DM -tegnieke toepas op ouderdomsberaming, kan ons masjienleer in forensiese ouderdomsberaming implementeer sonder om bekommerd te wees oor wettige aanspreeklikheid. Verskeie vergelykende studies is gepubliseer oor moontlike alternatiewe vir tradisionele handmetodes wat in forensiese praktyk gebruik word en EBM-gebaseerde metodes vir die bepaling van tandheelkundige ouderdom. Shen et al23 het getoon dat die DM -model meer akkuraat is as die tradisionele Camerer -formule. Galibourg et al24 het verskillende DM -metodes toegepas om ouderdom volgens die Demirdjian Criterion25 te voorspel, en die resultate het getoon dat die DM -metode beter was as die Demirdjian- en Willems -metodes om die ouderdom van die Franse bevolking te skat.
Om die tandheelkundige ouderdom van Koreaanse adolessente en jong volwassenes te skat, word Lee se metode 4 wyd gebruik in Koreaanse forensiese praktyk. Hierdie metode gebruik tradisionele statistiese analise (soos veelvuldige regressie) om die verband tussen Koreaanse persone en chronologiese ouderdom te ondersoek. In hierdie studie word ouderdomsberamingsmetodes wat met tradisionele statistiese metodes verkry is, gedefinieer as 'tradisionele metodes'. Lee se metode is 'n tradisionele metode, en die akkuraatheid daarvan is bevestig deur Oh et al. 5; Die toepaslikheid van ouderdomsberaming gebaseer op die DM -model in Koreaanse forensiese praktyk is egter steeds twyfelagtig. Ons doel was om die potensiële bruikbaarheid van ouderdomsberaming op grond van die DM -model wetenskaplik te bevestig. Die doel van hierdie studie was (1) om die akkuraatheid van twee DM -modelle in die beraming van tandheelkundige ouderdom te vergelyk en (2) om die klassifikasieprestasie van 7 DM -modelle op die ouderdom van 18 jaar te vergelyk met dié wat verkry is met tradisionele statistiese metodes volwassenheid van tweede en derde kiestande in albei kake.
Middele en standaardafwykings van chronologiese ouderdom vir stadium en tandtipe word aanlyn getoon in aanvullende tabel S1 (opleidingsstel), aanvullende tabel S2 (interne toetsstel), en aanvullende tabel S3 (eksterne toetsstel). Die kappa-waardes vir betroubaarheid van intra- en interobserver wat uit die opleidingsstel verkry is, was onderskeidelik 0,951 en 0,947. P -waardes en 95% vertrouensintervalle vir kappa -waardes word in aanlynaanvullende tabel S4 getoon. Die kappa -waarde is geïnterpreteer as 'byna perfek', in ooreenstemming met die kriteria van Landis en Koch26.
Wanneer die gemiddelde absolute fout (MAE) vergelyk word, is die tradisionele metode effens beter as die DM -model vir alle geslagte en in die eksterne manlike toetsstel, met die uitsondering van meerlaag Perceptron (MLP). Die verskil tussen die tradisionele model en die DM -model op die interne MAE -toetsstel was 0,12–0,19 jaar vir mans en 0,17–0,21 jaar vir vroue. Vir die eksterne toetsbattery is die verskille kleiner (0,001–0,05 jaar vir mans en 0,05–0,09 jaar vir vroue). Daarbenewens is die wortelgemiddelde vierkantfout (RMSE) effens laer as die tradisionele metode, met kleiner verskille (0,17–0,24, 0,2–0,24 vir die manlike interne toetsstel, en 0,03–0,07, 0,04–0,08 vir eksterne toetsstel). ). MLP toon effens beter werkverrigting as enkellaag Perceptron (SLP), behalwe in die geval van die vroulike eksterne toetsstel. Vir MAE en RMSE is die eksterne toetsstel hoër as die interne toets vir alle geslagte en modelle. Alle MAE en RMSE word in Tabel 1 en Figuur 1 getoon.
MAE en RMSE van tradisionele en regressiemodelle vir data -ontginning. Gemiddelde absolute fout mae, wortel gemiddelde vierkantige fout RMSE, enkellaag Perceptron SLP, multilayer Perceptron MLP, tradisionele CM -metode.
Klassifikasieprestasie (met 'n afsnyding van 18 jaar) van die tradisionele en DM -modelle is gedemonstreer in terme van sensitiwiteit, spesifisiteit, positiewe voorspellingswaarde (PPV), negatiewe voorspellingswaarde (NPV) en gebied onder die ontvanger -bedryfskarakterkurwe (AUROC) 27 (Tabel 2, Figuur 2 en aanvullende figuur 1 aanlyn). Wat die sensitiwiteit van die interne toetsbattery betref, het tradisionele metodes die beste onder mans uitgevoer en erger onder vroue. Die verskil in klassifikasieprestasie tussen tradisionele metodes en SD is egter 9,7% vir mans (MLP) en slegs 2,4% vir vroue (XGBoost). Onder DM -modelle het logistieke regressie (LR) 'n beter sensitiwiteit by beide geslagte getoon. Wat die spesifisiteit van die interne toetsstel betref, is daar waargeneem dat die vier SD -modelle goed by mans presteer het, terwyl die tradisionele model beter by vrouens presteer het. Die verskille in klassifikasieprestasie vir mans en vrouens is onderskeidelik 13,3% (MLP) en 13,1% (MLP), wat daarop dui dat die verskil in klassifikasieprestasie tussen modelle die sensitiwiteit oorskry. Onder die DM -modelle het die Support Vector Machine (SVM), Decision Tree (DT) en Random Forest (RF) -modelle die beste onder mans uitgevoer, terwyl die LR -model die beste onder vrouens presteer het. Die AUROC van die tradisionele model en alle SD-modelle was groter as 0,925 (K-naaste buurman (KNN) by mans), wat uitstekende klassifikasieprestasie toon in die diskriminering van 18-jarige monsters28. Vir die eksterne toetsstel was daar 'n afname in klassifikasieprestasie in terme van sensitiwiteit, spesifisiteit en Auroc in vergelyking met die interne toetsstel. Die verskil in sensitiwiteit en spesifisiteit tussen die klassifikasieprestasie van die beste en slegste modelle het ook gewissel van 10% tot 25% en was groter as die verskil in die interne toetsstel.
Gevoeligheid en spesifisiteit van klassifikasiemodelle vir data -ontginning in vergelyking met tradisionele metodes met 'n afsnyding van 18 jaar. KNN K Naaste buurman, SVM -ondersteuningsvektormasjien, LR -logistieke regressie, DT -beslissingsboom, RF Random Forest, XGB XGBoost, MLP Multilayer Perceptron, tradisionele CM -metode.
Die eerste stap in hierdie studie was om die akkuraatheid van tandheelkundige ouderdomsberamings wat verkry is uit sewe DM -modelle met dié wat met tradisionele regressie verkry is, te vergelyk. MAE en RMSE is in interne toetsstelle vir beide geslagte geëvalueer, en die verskil tussen die tradisionele metode en die DM -model het gewissel van 44 tot 77 dae vir MAE en van 62 tot 88 dae vir RMSE. Alhoewel die tradisionele metode in hierdie studie effens meer akkuraat was, is dit moeilik om te bepaal of so 'n klein verskil kliniese of praktiese belang het. Hierdie resultate dui aan dat die akkuraatheid van die skatting van tandheelkundige ouderdom met die DM -model byna dieselfde is as die van die tradisionele metode. Direkte vergelyking met die resultate van vorige studies is moeilik omdat geen studie die akkuraatheid van DM -modelle met tradisionele statistiese metodes vergelyk het met dieselfde tegniek om tande op te neem in dieselfde ouderdomsgroep as in hierdie studie nie. Galibourg et al24 het MAE en RMSE tussen twee tradisionele metodes vergelyk (Demirjian Method25 en Willems Method29) en 10 DM -modelle in 'n Franse bevolking tussen 2 en 24 jaar. Hulle het berig dat alle DM -modelle meer akkuraat was as tradisionele metodes, met verskille van 0,20 en 0,38 jaar in MAE en 0,25 en 0,47 jaar in RMSE in vergelyking met onderskeidelik die Willems en Demirdjian -metodes. Die verskil tussen die SD -model en die tradisionele metodes wat in die Halibourg -studie getoon is, neem talle verslae 30,31,32,33 in ag dat die Demirdjiaanse metode nie die tandheelkundige ouderdom in bevolkings bepaal nie, behalwe die Franse Kanadese waarop die studie gebaseer was. In hierdie studie. Tai et al 34 het die MLP -algoritme gebruik om die tandouderdom van 1636 Chinese ortodontiese foto's te voorspel en die akkuraatheid daarvan vergelyk met die resultate van die Demirjiaanse en Willems -metode. Hulle het berig dat MLP hoër akkuraatheid het as tradisionele metodes. Die verskil tussen die Demirdjian -metode en die tradisionele metode is <0,32 jaar, en die Willems -metode is 0,28 jaar, wat soortgelyk is aan die resultate van die huidige studie. Die resultate van hierdie vorige studies24,34 stem ook ooreen met die resultate van die huidige studie, en die akkuraatheid van die ouderdomsberaming van die DM -model en die tradisionele metode is soortgelyk. Op grond van die voorgestelde resultate, kan ons egter net versigtig tot die gevolgtrekking kom dat die gebruik van DM -modelle om ouderdom te skat, bestaande metodes kan vervang as gevolg van die gebrek aan vergelykende en verwysings vorige studies. Opvolgstudies wat groter monsters gebruik, is nodig om die resultate wat in hierdie studie verkry is, te bevestig.
Van die studies wat die akkuraatheid van SD in die beraming van tandheelkundige ouderdom getoets het, het sommige 'n groter akkuraatheid getoon as ons studie. Stepanovsky et al 35 het 22 SD -modelle op panoramiese radiografieë van 976 Tsjeggiese inwoners van 2,7 tot 20,5 jaar toegepas en die akkuraatheid van elke model getoets. Hulle het die ontwikkeling van 'n totaal van 16 permanente tande van die boonste en onderste linkerkant beoordeel aan die hand van die klassifikasiekriteria wat deur Moorrees et al 36 voorgestel is. Die MAE wissel van 0,64 tot 0,94 jaar en die RMSE wissel van 0,85 tot 1,27 jaar, wat meer akkuraat is as die twee DM -modelle wat in hierdie studie gebruik is. Shen et al23 het die Cameriere -metode gebruik om die tandheelkundige ouderdom van sewe permanente tande in die linker mandibel by die oostelike Chinese inwoners van 5 tot 13 jaar te skat en dit te vergelyk met ouderdomme wat geskat is met behulp van lineêre regressie, SVM en RF. Hulle het getoon dat al drie DM -modelle 'n hoër akkuraatheid het in vergelyking met die tradisionele Cameriere -formule. Die MAE en RMSE in Shen se studie was laer as dié in die DM -model in hierdie studie. Die verhoogde presisie van die studies deur Stepanovsky et al. 35 en Shen et al. 23 kan wees as gevolg van die insluiting van jonger proefpersone in hul studiemonsters. Aangesien ouderdomsberamings vir deelnemers met ontwikkelende tande meer akkuraat word namate die aantal tande tydens tandheelkundige ontwikkeling toeneem, kan die akkuraatheid van die resulterende ouderdomsberamingsmetode in die gedrang kom wanneer die deelnemers aan die studie jonger is. Boonop is die fout van MLP in ouderdomsberaming effens kleiner as SLP's, wat beteken dat MLP meer akkuraat is as SLP. MLP word effens beter beskou vir ouderdomsberaming, moontlik as gevolg van die verborge lae in MLP38. Daar is egter 'n uitsondering vir die buitenste steekproef van vroue (SLP 1.45, MLP 1.49). Die bevinding dat die MLP meer akkuraat is as die SLP in die beoordeling van ouderdom, verg addisionele retrospektiewe studies.
Die klassifikasieprestasie van die DM-model en die tradisionele metode op 'n 18-jaar-drempel is ook vergelyk. Al die getoetsde SD-modelle en tradisionele metodes op die interne toetsstel het prakties aanvaarbare vlakke van diskriminasie vir die 18-jarige steekproef getoon. Die sensitiwiteit vir mans en vroue was onderskeidelik groter as 87,7% en 94,9%, en spesifisiteit was groter as 89,3% en 84,7%. Die AUROC van alle getoetsde modelle is ook meer as 0,925. Na die beste van ons wete het geen studie die prestasie van die DM-model vir 18-jarige klassifikasie op grond van tandheelkundige volwassenheid getoets nie. Ons kan die resultate van hierdie studie vergelyk met die klassifikasieprestasie van diepleermodelle op panoramiese radiografieë. Guo et al.15 bereken die klassifikasieprestasie van 'n CNN-gebaseerde Deep Learning-model en 'n handmatige metode gebaseer op Demirjian se metode vir 'n sekere ouderdomsdrempel. Die sensitiwiteit en spesifisiteit van die handmetode was onderskeidelik 87,7% en 95,5%, en die sensitiwiteit en spesifisiteit van die CNN -model het onderskeidelik 89,2% en 86,6% oorskry. Hulle het tot die gevolgtrekking gekom dat diep leermodelle handmatige assessering kan vervang of beter kan presteer in die klassifisering van ouderdomsdrempels. Die resultate van hierdie studie het soortgelyke klassifikasieprestasie getoon; Daar word geglo dat klassifikasie met behulp van DM -modelle tradisionele statistiese metodes vir ouderdomsberaming kan vervang. Onder die modelle was DM LR die beste model in terme van sensitiwiteit vir die manlike monster en sensitiwiteit en spesifisiteit vir die vroulike monster. LR is tweede in spesifisiteit vir mans. Boonop word LR beskou as een van die meer gebruikersvriendelike DM35-modelle en is dit minder ingewikkeld en moeilik om te verwerk. Op grond van hierdie resultate, is LR beskou as die beste afsnypunt-klassifikasiemodel vir 18-jariges in die Koreaanse bevolking.
In die algemeen was die akkuraatheid van ouderdomsberaming of klassifikasieprestasie op die eksterne toetsstel swak of laer in vergelyking met die resultate op die interne toetsstel. Sommige verslae dui aan dat die akkuraatheid van klassifikasie of doeltreffendheid afneem wanneer ouderdomsberamings gebaseer op die Koreaanse bevolking op die Japannese bevolking 5,39 toegepas word, en 'n soortgelyke patroon is in die huidige studie gevind. Hierdie agteruitgangstendens is ook in die DM -model waargeneem. Om die ouderdom akkuraat te skat, selfs as u DM in die ontledingsproses gebruik, moet metodes afgelei van inheemse bevolkingsdata, soos tradisionele metodes, 5,39,40,41,42 verkies. Aangesien dit onduidelik is of diepleermodelle soortgelyke neigings kan toon, is studies wat die akkuraatheid van klassifikasie en doeltreffendheid vergelyk met behulp van tradisionele metodes, DM -modelle en diepleermodelle op dieselfde monsters nodig om te bevestig of kunsmatige intelligensie hierdie rasseverskille in 'n beperkte ouderdom kan oorkom. assesserings.
Ons demonstreer dat tradisionele metodes vervang kan word deur ouderdomsberaming op grond van die DM -model in die beoordelingspraktyk van forensiese ouderdom in Korea. Ons het ook die moontlikheid ontdek om masjienleer vir forensiese ouderdomsassessering te implementeer. Daar is egter duidelike beperkings, soos die onvoldoende aantal deelnemers aan hierdie studie om die resultate definitief te bepaal, en die gebrek aan vorige studies om die resultate van hierdie studie te vergelyk en te bevestig. In die toekoms moet DM -studies uitgevoer word met groter aantal monsters en meer diverse bevolkings om die praktiese toepaslikheid daarvan te verbeter in vergelyking met tradisionele metodes. Om die haalbaarheid van die gebruik van kunsmatige intelligensie te bevestig om ouderdom in veelvuldige bevolkings te skat, is toekomstige studies nodig om die klassifikasie -akkuraatheid en doeltreffendheid van DM en diep leermodelle met tradisionele metodes in dieselfde monsters te vergelyk.
Die studie het 2,657 ortografiese foto's gebruik wat versamel is van Koreaanse en Japannese volwassenes tussen 15 en 23 jaar. Die Koreaanse radiografieë is in 900 oefenstelle (19,42 ± 2,65 jaar) en 900 interne toetsstelle (19,52 ± 2,59 jaar) verdeel. Die opleidingsstel is by een instelling (Seoul St. Mary's Hospital) versamel, en die eie toetsstel is by twee instellings (Seoul National University Dental Hospital en die Yonsei University Dental Hospital) versamel. Ons het ook 857 radiografieë van 'n ander bevolkingsgebaseerde data (IWate Medical University, Japan) vir eksterne toetsing versamel. Radiografieë van Japannese proefpersone (19,31 ± 2,60 jaar) is as die eksterne toetsstel gekies. Data is retrospektief versamel om die stadiums van tandheelkundige ontwikkeling op panoramiese radiografieë wat tydens tandheelkundige behandeling geneem is, te ontleed. Alle data wat versamel is, was anoniem, behalwe vir geslag, geboortedatum en datum van radiografie. Insluiting en uitsluitingskriteria was dieselfde as voorheen gepubliseerde studies 4, 5. Die werklike ouderdom van die steekproef is bereken deur die geboortedatum af te trek vanaf die datum waarop die radiografie geneem is. Die steekproefgroep is in nege ouderdomsgroepe verdeel. Die ouderdoms- en geslagsverspreiding word in Tabel 3 getoon. Hierdie studie is uitgevoer in ooreenstemming met die verklaring van Helsinki en is goedgekeur deur die Institusionele beoordelingsraad (IRB) van Seoul St. Mary's Hospital van die Katolieke Universiteit van Korea (KC22WISI0328). As gevolg van die retrospektiewe ontwerp van hierdie studie, kon ingeligte toestemming nie verkry word van alle pasiënte wat radiografiese ondersoek vir terapeutiese doeleindes ondergaan nie. Seoul Korea Universiteit St. Mary's Hospital (IRB) het afstand gedoen van die vereiste vir ingeligte toestemming.
Ontwikkelingsfases van bimaksillêre tweede en derde kiestande is volgens Demircan Criteria25 beoordeel. Slegs een tand is gekies as dieselfde tipe tand aan die linker- en regterkant van elke kakebeen gevind is. As homoloë tande aan beide kante in verskillende ontwikkelingsfases was, is die tand met die laer ontwikkelingsfase gekies om rekening te hou met onsekerheid in die geskatte ouderdom. Honderd willekeurig geselekteerde radiografieë uit die oefenstel is deur twee ervare waarnemers behaal om die betroubaarheid van die interobserver na voorafalibrasie te toets om die stadsvermoë -stadium te bepaal. Intraobserver betroubaarheid is twee keer met tussenposes van drie maande deur die primêre waarnemer beoordeel.
Die geslags- en ontwikkelingsfase van die tweede en derde molêre van elke kakebeen in die opleidingsstel is geskat deur 'n primêre waarnemer wat met verskillende DM -modelle opgelei is, en die werklike ouderdom is as die teikenwaarde gestel. SLP- en MLP -modelle, wat wyd gebruik word in masjienleer, is teen regressie -algoritmes getoets. Die DM -model kombineer lineêre funksies met behulp van die ontwikkelingsfases van die vier tande en kombineer hierdie data om die ouderdom te skat. SLP is die eenvoudigste neurale netwerk en bevat nie verborge lae nie. SLP werk gebaseer op drempeloordrag tussen nodusse. Die SLP -model in regressie is wiskundig soortgelyk aan veelvuldige lineêre regressie. Anders as die SLP -model, het die MLP -model verskeie verborge lae met nie -lineêre aktiveringsfunksies. Ons eksperimente het 'n verborge laag met slegs 20 verborge nodusse met nie -lineêre aktiveringsfunksies gebruik. Gebruik gradiëntafkoms as die optimaliseringsmetode en MAE en RMSE as die verliesfunksie om ons masjienleermodel op te lei. Die beste verkrygde regressiemodel is op die interne en eksterne toetsstelle toegepas en die ouderdom van die tande is geskat.
'N Klassifikasie -algoritme is ontwikkel wat die volwassenheid van vier tande op die opleiding gebruik om te voorspel of 'n steekproef 18 jaar oud is of nie. Om die model te bou, het ons sewe voorstelling -masjienleer -algoritms6,43 afgelei: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, en (7) MLP . LR is een van die mees gebruikte klassifikasie -algoritmes44. Dit is 'n leeralgoritme wat onder toesig is wat regressie gebruik om die waarskynlikheid van data wat tot 'n sekere kategorie van 0 tot 1 behoort, te voorspel en die data te klassifiseer as 'n meer waarskynlike kategorie op grond van hierdie waarskynlikheid; hoofsaaklik gebruik vir binêre klassifikasie. KNN is een van die eenvoudigste algoritmes van die masjienleer45. As dit nuwe invoerdata kry, vind dit k -data naby die bestaande stel en klassifiseer dit dan met die hoogste frekwensie in die klas. Ons stel 3 vir die aantal bure wat oorweeg word (k). SVM is 'n algoritme wat die afstand tussen twee klasse maksimeer deur 'n kernfunksie te gebruik om die lineêre ruimte uit te brei in 'n nie-lineêre ruimte genaamd Fields46. Vir hierdie model gebruik ons vooroordeel = 1, krag = 1 en gamma = 1 as hiperparameters vir die polinoomkorrel. DT is in verskillende velde toegepas as 'n algoritme om 'n volledige datastel in verskillende subgroepe te verdeel deur besluitnemingsreëls in 'n boomstruktuur voor te stel47. Die model is gekonfigureer met 'n minimum aantal rekords per knoop van 2 en gebruik die Gini -indeks as 'n maatstaf van kwaliteit. RF is 'n ensemble -metode wat veelvuldige DT's kombineer om die werkverrigting te verbeter met behulp van 'n Bootstrap -samevoegingsmetode wat 'n swak klassifiseerder vir elke monster genereer deur monsters van dieselfde grootte periode van dieselfde grootte uit die oorspronklike dataset48 te teken. Ons het 100 bome, 10 boomdieptes, 1 minimum nodusgrootte en Gini -mengsel -indeks as node -skeidingskriteria gebruik. Die klassifikasie van nuwe gegewens word deur 'n meerderheidstem bepaal. XGBOOST is 'n algoritme wat 'n hupstoottegnieke kombineer met behulp van 'n metode wat die fout tussen die werklike en voorspelde waardes van die vorige model as opleidingsdata neem, en die fout met behulp van gradiënte49 verhoog. Dit is 'n wyd gebruikte algoritme vanweë die goeie werkverrigting en hulpbrondoeltreffendheid, sowel as 'n hoë betroubaarheid as 'n oorpassende regstellingsfunksie. Die model is toegerus met 400 ondersteuningswiele. MLP is 'n neurale netwerk waarin een of meer perceptrons veelvuldige lae vorm met een of meer verborge lae tussen die inset- en uitsetlae38. Deur dit te gebruik, kan u nie-lineêre klassifikasie uitvoer, waar wanneer u 'n invoerlaag byvoeg en 'n resultaatwaarde kry, die voorspelde resultaatwaarde vergelyk word met die werklike resultaatwaarde en die fout terug gepropageer word. Ons het 'n verborge laag met 20 verborge neurone in elke laag geskep. Elke model wat ons ontwikkel het, is op interne en eksterne stelle toegepas om die prestasie van die klassifikasie te toets deur sensitiwiteit, spesifisiteit, PPV, NPV en AUROC te bereken. Sensitiwiteit word gedefinieer as die verhouding van 'n steekproef wat na raming 18 jaar of ouer is tot 'n steekproef wat na raming 18 jaar of ouer is. Spesifisiteit is die persentasie monsters onder die ouderdom van 18 jaar en dit word onder 18 jaar oud.
Die tandheelkundige stadiums wat in die opleidingsstel beoordeel is, is omgeskakel in numeriese stadiums vir statistiese analise. Meerveranderlike lineêre en logistieke regressie is uitgevoer om voorspellende modelle vir elke geslag te ontwikkel en om regressieformules af te lei wat gebruik kan word om ouderdom te skat. Ons het hierdie formules gebruik om die tandouderdom vir beide interne en eksterne toetsstelle te skat. Tabel 4 toon die regressie- en klassifikasiemodelle wat in hierdie studie gebruik is.
Intra- en interobserver betroubaarheid is bereken met behulp van Cohen se Kappa-statistiek. Om die akkuraatheid van DM en tradisionele regressiemodelle te toets, het ons MAE en RMSE bereken met behulp van die geskatte en werklike ouderdomme van die interne en eksterne toetsstelle. Hierdie foute word gereeld gebruik om die akkuraatheid van modelvoorspellings te evalueer. Hoe kleiner die fout, hoe hoër is die akkuraatheid van die voorspelling24. Vergelyk die MAE en RMSE van interne en eksterne toetsstelle bereken met behulp van DM en tradisionele regressie. Klassifikasieprestasie van die 18-jarige afsnyding in tradisionele statistieke is beoordeel aan die hand van 'n 2 × 2 gebeurlikheidstabel. Die berekende sensitiwiteit, spesifisiteit, PPV, NPV en AUROC van die toetsstel is vergelyk met die gemete waardes van die DM -klassifikasiemodel. Data word uitgedruk as gemiddelde ± standaardafwyking of getal (%), afhangende van die datakarakteristieke. Tweesydige P-waardes <0,05 word as statisties beduidend beskou. Alle roetine -statistiese ontledings is uitgevoer met behulp van SAS weergawe 9.4 (SAS Institute, Cary, NC). Die DM -regressiemodel is in Python geïmplementeer met behulp van KERAS50 2.2.4 backend en TensorFlow51 1.8.0 spesifiek vir wiskundige bewerkings. Die DM -klassifikasiemodel is geïmplementeer in die Waikato Knowledge Analise -omgewing en die Konstanz Information Miner (KNIME) 4.6.152 Analise -platform.
Die skrywers erken dat data wat die gevolgtrekkings van die studie ondersteun, in die artikel en aanvullende materiale gevind kan word. Die datastelle wat tydens die studie gegenereer en/of geanaliseer is, is op redelike versoek by die ooreenstemmende skrywer beskikbaar.
Ritz-Timme, S. et al. Ouderdomsassessering: moderne kuns om aan die spesifieke vereistes van forensiese praktyk te voldoen. internasionaliteit. J. Legal Medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., en Olze, A. Huidige status van forensiese ouderdomsbeoordeling van lewende vakke vir strafregtelike vervolgdoeleindes. Forensika. medisyne. Patologie. 1, 239–246 (2005).
Pan, J. et al. 'N Gewysigde metode om die tandheelkundige ouderdom van kinders tussen 5 en 16 jaar in Oos -China te beoordeel. klinies. Mondelinge opname. 25, 3463–3474 (2021).
Lee, SS ens. Chronologie van die ontwikkeling van tweede en derde molare in Koreane en die toepassing daarvan op forensiese ouderdomsassessering. internasionaliteit. J. Legal Medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY en Lee, SS Akkuraatheid van ouderdomsberaming en beraming van die 18-jaar-drempel gebaseer op die volwassenheid van tweede en derde kiestande in Koreane en Japannees. PLoS One 17, E0271247 (2022).
Kim, JY, et al. Preoperatiewe masjienleer-gebaseerde data-analise kan die uitkoms van slaapoperasies by pasiënte met OSA voorspel. die wetenskap. Verslag 11, 14911 (2021).
Han, M. et al. Akkurate ouderdomsberaming van masjienleer met of sonder menslike ingryping? internasionaliteit. J. Legal Medicine. 136, 821–831 (2022).
Khan, S. en Shaheen, M. Van data -ontginning tot data -ontginning. J.Informasie. die wetenskap. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. en Shaheen, M. Wisrule: Die eerste kognitiewe algoritme vir die ontginning van die assosiasie. J.Informasie. die wetenskap. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. en Abdullah U. Karm: Tradisionele data-ontginning gebaseer op konteksgebaseerde assosiasie-reëls. bereken. Matt. gaan voort. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. en Habib M. Deep Learning Based Semantic Opreessed opsporing met behulp van teksdata. inligting. tegnologieë. beheer. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., en Shahin, M. 'n Stelsel vir die herkenning van aktiwiteit in sportvideo's. multimedia. Tools-toepassings https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA -masjienleeruitdaging in pediatriese beentyd. Radiologie 290, 498–503 (2019).
Li, Y. et al. Forensiese ouderdomsberaming van bekken-x-strale met behulp van diep leer. Euro. bestraling. 29, 2322–2329 (2019).
Guo, YC, et al. Akkurate ouderdomsklassifikasie met behulp van handmatige metodes en diep omwentelingsneurale netwerke van ortografiese projeksiebeelde. internasionaliteit. J. Legal Medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Bene-ouderdomsberaming met behulp van verskillende masjienleermetodes: 'n sistematiese literatuuroorsig en meta-analise. PLoS One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., en Yang, J. Bevolkingspesifieke ouderdomsberaming van Afro-Amerikaners en Chinees gebaseer op pulpkamervolumes van eerste molare met behulp van keëlstraal-rekenaartomografie. internasionaliteit. J. Legal Medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK en OH KS Bepaling van ouderdomsgroepe lewende mense wat kunsmatige intelligensie-gebaseerde beelde van eerste kiestande gebruik. die wetenskap. Verslag 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., en Urschler, M. Outomatiese ouderdomsberaming en meerderheidsouderdomsklassifikasie van meerveranderlike MRI -data. IEEE J. BIOMED. Gesondheidswaarskuwings. 23, 1392–1403 (2019).
Cheng, Q., GE, Z., Du, H. en Li, G. Ouderdomberaming gebaseer op 3D -pulpkamer -segmentering van eerste molêre van keëlbalkrekenaartomografie deur diep leer- en vlakstelle te integreer. internasionaliteit. J. Legal Medicine. 135, 365–373 (2021).
Wu, WT, et al. Data -ontginning in kliniese big data: algemene databasisse, stappe en metodesmodelle. Wêreld. medisyne. Hulpbron. 8, 44 (2021).
Yang, J. et al. Inleiding tot mediese databasisse en data -ontginningstegnologieë in die Big Data -era. J. Avid. Basiese medisyne. 13, 57–69 (2020).
Shen, S. et al. Camerer se metode om die tandtydperk te skat met behulp van masjienleer. BMC mondgesondheid 21, 641 (2021).
Galliburg A. et al. Vergelyking van verskillende masjienleermetodes vir die voorspelling van tandheelkundige ouderdom met behulp van die Demirdjiaanse verhoogmetode. internasionaliteit. J. Legal Medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. en Tanner, JM 'n Nuwe stelsel vir die beoordeling van tandheelkundige ouderdom. snork. Biologie. 45, 211–227 (1973).
Landis, Jr en Koch, GG Maatreëls van Observer -ooreenkoms oor kategoriese data. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK en Choi HK. Tekstuele, morfologiese en statistiese analise van tweedimensionele magnetiese resonansbeelding met behulp van kunsmatige intelligensietegnieke vir die onderskeiding van primêre breingewasse. Gesondheidsinligting. Hulpbron. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Postyd: Jan-04-2024