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 dat u die versoenbaarheidsmodus in Internet Explorer afskakel). Intussen, om voortgesette ondersteuning te verseker, wys ons die webwerf sonder stilering of JavaScript.
Tande word beskou as die akkuraatste aanduiding van die ouderdom van die menslike liggaam en word dikwels in forensiese ouderdomsbepaling gebruik. Ons het ten doel gehad om data-ontginning-gebaseerde tandheelkundige ouderdomsberamings te valideer deur die akkuraatheid van die skatting en klassifikasieprestasie van die 18-jaar-drempel te vergelyk met tradisionele metodes en data-ontginning-gebaseerde ouderdomsberamings. 'n Totaal van 2657 panoramiese radiografieë is versamel van Koreaanse en Japannese burgers van 15 tot 23 jaar oud. Hulle is verdeel in 'n oefenstel, elk met 900 Koreaanse radiografieë, en 'n interne toetsstel met 857 Japannese radiografieë. Ons het die klassifikasie-akkuraatheid en doeltreffendheid van tradisionele metodes vergelyk met toetsstelle van data-ontginningmodelle. Die akkuraatheid van die tradisionele metode op die interne toetsstel is effens hoër as dié van die data-ontginningmodel, en die verskil is klein (gemiddelde absolute fout <0.21 jaar, wortelgemiddelde kwadraatfout <0.24 jaar). Die klassifikasieprestasie vir die 18-jaar-afsnypunt is ook soortgelyk tussen tradisionele metodes en data-ontginningmodelle. Dus kan tradisionele metodes vervang word deur data-ontginningsmodelle wanneer forensiese ouderdomsbepaling uitgevoer word met behulp van die volwassenheid van tweede en derde kiestande in Koreaanse adolessente en jong volwassenes.
Tandouderdomsberaming word wyd gebruik in forensiese medisyne en pediatriese tandheelkunde. Veral as gevolg van die hoë korrelasie tussen chronologiese ouderdom en tandontwikkeling, is ouderdomsbepaling volgens tandontwikkelingsfases 'n belangrike kriterium vir die bepaling van die ouderdom van kinders en adolessente1,2,3. Vir jongmense het die beraming van tandouderdom gebaseer op tandvolwassenheid egter sy beperkings, want tandgroei is byna volledig, met die uitsondering van die derde kiestande. Die wetlike doel van die bepaling van die ouderdom van jongmense en adolessente is om akkurate ramings en wetenskaplike bewyse te verskaf of hulle die meerderheidsouderdom bereik het. In die medies-regspraktyk van adolessente en jong volwassenes in Korea is ouderdom beraam met behulp van Lee se metode, en 'n wetlike drempel van 18 jaar is voorspel op grond van die data wat deur Oh et al.5 gerapporteer is.
Masjienleer is 'n tipe kunsmatige intelligensie (KI) wat herhaaldelik groot hoeveelhede data leer en klassifiseer, probleme op sy eie oplos en dataprogrammering dryf. Masjienleer kan nuttige verborge patrone in groot volumes data ontdek6. In teenstelling hiermee kan klassieke metodes, wat arbeidsintensief en tydrowend is, beperkings hê wanneer groot volumes komplekse data hanteer word wat moeilik is om handmatig te verwerk7. Daarom is daar onlangs baie studies uitgevoer met behulp van die nuutste rekenaartegnologieë om menslike foute te verminder en multidimensionele data doeltreffend te verwerk8,9,10,11,12. In die besonder is diep leer wyd gebruik in mediese beeldanalise, en verskeie metodes vir ouderdomsberaming deur outomatiese analise van radiografieë is berig om die akkuraatheid en doeltreffendheid van ouderdomsberaming te verbeter13,14,15,16,17,18,19,20. Halabi et al13 het byvoorbeeld 'n masjienleeralgoritme ontwikkel gebaseer op konvolusionele neurale netwerke (CNN) om skeletouderdom te skat deur radiografieë van kinders se hande te gebruik. Hierdie studie stel 'n model voor wat masjienleer op mediese beelde toepas en toon dat hierdie metodes diagnostiese akkuraatheid kan verbeter. Li et al14 het ouderdom beraam vanaf bekken-X-straalbeelde met behulp van 'n diep leer-KNN en dit vergelyk met regressieresultate deur gebruik te maak van ossifikasiestadiumberaming. Hulle het bevind dat die diep leer-KNN-model dieselfde ouderdomsberamingsprestasie as die tradisionele regressiemodel getoon het. Guo et al. se studie [15] het die ouderdomstoleransieklassifikasieprestasie van KNN-tegnologie geëvalueer gebaseer op tandheelkundige ortofoto's, en die resultate van die KNN-model het bewys dat mense beter presteer het as die ouderdomsklassifikasieprestasie daarvan.
Die meeste studies oor ouderdomsberaming met behulp van masjienleer gebruik diep leermetodes13,14,15,16,17,18,19,20. Ouderdomsberaming gebaseer op diep leer word as meer akkuraat as tradisionele metodes berig. Hierdie benadering bied egter min geleentheid om die wetenskaplike basis vir ouderdomsberamings aan te bied, soos die ouderdomsaanwysers wat in die beramings gebruik word. Daar is ook 'n regsgeskil oor wie die inspeksies uitvoer. Daarom is ouderdomsberaming gebaseer op diep leer moeilik om deur administratiewe en geregtelike owerhede te aanvaar. Data-ontginning (DM) is 'n tegniek wat nie net verwagte nie, maar ook onverwagte inligting kan ontdek as 'n metode om nuttige korrelasies tussen groot hoeveelhede data te ontdek6,21,22. Masjienleer word dikwels in data-ontginning gebruik, en beide data-ontginning en masjienleer gebruik dieselfde sleutelalgoritmes om patrone in data te ontdek. Ouderdomsberaming met behulp van tandheelkundige ontwikkeling is gebaseer op die ondersoeker se assessering van die volwassenheid van die teikentande, en hierdie assessering word uitgedruk as 'n stadium vir elke teikentand. DM kan gebruik word om die korrelasie tussen tandheelkundige assesseringstadium en werklike ouderdom te analiseer en het die potensiaal om tradisionele statistiese analise te vervang. Daarom, as ons DM-tegnieke op ouderdomsberaming toepas, kan ons masjienleer in forensiese ouderdomsberaming implementeer sonder om oor regsaanspreeklikheid bekommerd te wees. Verskeie vergelykende studies is gepubliseer oor moontlike alternatiewe vir tradisionele handmatige metodes 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 te voorspel volgens die Demirdjiaanse kriterium25 en die resultate het getoon dat die DM-metode beter presteer het as die Demirdjian- en Willems-metodes in die beraming van die ouderdom van die Franse bevolking.
Om die tandouderdom 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 proefpersone en chronologiese ouderdom te ondersoek. In hierdie studie word ouderdomsberamingsmetodes wat verkry is met behulp van tradisionele statistiese metodes 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 gebaseer op die DM-model wetenskaplik te valideer. Die doel van hierdie studie was (1) om die akkuraatheid van twee DM-modelle in die beraming van tandouderdom 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 behulp van tradisionele statistiese metodes. Volwassenheid van tweede en derde kiestande in beide kake.
Gemiddeldes en standaardafwykings van chronologiese ouderdom volgens stadium en tandtipe word aanlyn getoon in Aanvullende Tabel S1 (opleidingstel), Aanvullende Tabel S2 (interne toetsstel) en Aanvullende Tabel S3 (eksterne toetsstel). Die kappawaardes vir intra- en interwaarnemerbetroubaarheid verkry uit die opleidingstel was onderskeidelik 0.951 en 0.947. P-waardes en 95%-vertrouensintervalle vir kappawaardes word getoon in aanlyn aanvullende tabel S4. Die kappawaarde is geïnterpreteer as "byna perfek", in ooreenstemming met die kriteria van Landis en Koch26.
Wanneer die gemiddelde absolute fout (MAE) vergelyk word, presteer die tradisionele metode effens beter as die DM-model vir alle geslagte en in die eksterne manlike toetsstel, met die uitsondering van die multilaag-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 kwadraatfout (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 die eksterne toetsstel). MLP toon effens beter prestasie as Enkellaag-Perceptron (SLP), behalwe in die geval van die vroulike eksterne toetsstel. Vir MAE en RMSE behaal die eksterne toetsstel hoër tellings as die interne toetsstel vir alle geslagte en modelle. Alle MAE en RMSE word in Tabel 1 en Figuur 1 getoon.
MAE en RMSE van tradisionele en data-ontginningsregressiemodelle. Gemiddelde absolute fout MAE, wortelgemiddelde kwadraatfout RMSE, enkellaag perceptron SLP, meerlaag perceptron MLP, tradisionele CM-metode.
Klassifikasieprestasie (met 'n afsnytydperk van 18 jaar) van die tradisionele en DM-modelle is gedemonstreer in terme van sensitiwiteit, spesifisiteit, positiewe voorspellende waarde (PPV), negatiewe voorspellende waarde (NPV), en area onder die ontvanger-bedryfskenmerkkromme (AUROC) 27 (Tabel 2, Figuur 2 en Aanvullende Figuur 1 aanlyn). In terme van die sensitiwiteit van die interne toetsbattery het tradisionele metodes die beste onder mans en swakker onder vroue gevaar. 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 logistiese regressie (LR) beter sensitiwiteit in beide geslagte getoon. Wat die spesifisiteit van die interne toetsstel betref, is waargeneem dat die vier SD-modelle goed in mans gevaar het, terwyl die tradisionele model beter in vroue gevaar het. Die verskille in klassifikasieprestasie vir mans en vroue is onderskeidelik 13.3% (MLP) en 13.1% (MLP), wat aandui dat die verskil in klassifikasieprestasie tussen modelle die sensitiwiteit oorskry. Onder die DM-modelle het die ondersteuningsvektormasjien (SVM), besluitnemingsboom (DT) en ewekansige woud (RF) modelle die beste onder mans gevaar, terwyl die LR-model die beste onder vroue gevaar 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 in die onderskeiding van 18-jarige monsters28 toon. Vir die eksterne toetsstel was daar 'n afname in klassifikasieprestasie in terme van sensitiwiteit, spesifisiteit en AUROC in vergelyking met die interne toetsstel. Boonop het die verskil in sensitiwiteit en spesifisiteit tussen die klassifikasieprestasie van die beste en swakste modelle gewissel van 10% tot 25% en was dit groter as die verskil in die interne toetsstel.
Sensitiwiteit en spesifisiteit van data-ontginningsklassifikasiemodelle in vergelyking met tradisionele metodes met 'n afsnypunt van 18 jaar. KNN k naaste buurman, SVM-ondersteuningsvektormasjien, LR logistiese regressie, DT-besluitnemingsboom, RF-ewekansige woud, XGB XGBoost, MLP-meerlaagperseptron, tradisionele CM-metode.
Die eerste stap in hierdie studie was om die akkuraatheid van tandouderdomsberamings wat verkry is uit sewe DM-modelle te vergelyk met dié wat verkry is met behulp van tradisionele regressie. 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 effens meer akkuraat in hierdie studie was, is dit moeilik om tot die gevolgtrekking te kom of so 'n klein verskil kliniese of praktiese betekenis het. Hierdie resultate dui daarop dat die akkuraatheid van tandouderdomsberaming met behulp van die DM-model amper dieselfde is as dié van die tradisionele metode. Direkte vergelyking met resultate van vorige studies is moeilik omdat geen studie die akkuraatheid van DM-modelle vergelyk het met tradisionele statistiese metodes wat dieselfde tegniek gebruik om tande in dieselfde ouderdomsgroep op te neem as in hierdie studie nie. Galibourg et al24 het MAE en RMSE vergelyk tussen twee tradisionele metodes (Demirjian-metode25 en Willems-metode29) en 10 DM-modelle in 'n Franse bevolking van 2 tot 24 jaar oud. 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 tradisionele metodes wat in die Halibourg-studie getoon word, neem talle verslae30,31,32,33 in ag dat die Demirdjian-metode nie die tandouderdom akkuraat skat in populasies anders as die Frans-Kanadese waarop die studie gebaseer was nie. In hierdie studie het Tai et al34 die MLP-algoritme gebruik om tandouderdom te voorspel uit 1636 Chinese ortodontiese foto's en die akkuraatheid daarvan vergelyk met die resultate van die Demirjian- 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. Gebaseer op die aangebiedde resultate, kan ons egter slegs 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 verwysingsstudies van vorige studies. Opvolgstudies met groter steekproewe is nodig om die resultate wat in hierdie studie verkry is, te bevestig.
Onder die studies wat die akkuraatheid van SD in die beraming van tandouderdom getoets het, het sommige hoër akkuraatheid as ons studie getoon. Stepanovsky et al. 35 het 22 SD-modelle toegepas op panoramiese radiografieë van 976 Tsjeggiese inwoners van 2,7 tot 20,5 jaar oud en die akkuraatheid van elke model getoets. Hulle het die ontwikkeling van 'n totaal van 16 boonste en onderste linker permanente tande beoordeel deur die klassifikasiekriteria wat deur Moorrees et al. 36 voorgestel is, te gebruik. 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 al. 23 het die Cameriere-metode gebruik om die tandouderdom van sewe permanente tande in die linker mandibula in oostelike Chinese inwoners van 5 tot 13 jaar oud te skat en dit vergelyk met ouderdomme wat beraam is met behulp van lineêre regressie, SVM en RF. Hulle het getoon dat al drie DM-modelle 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 te wyte wees aan die insluiting van jonger proefpersone in hul studiesteekproewe. Omdat ouderdomsberamings vir deelnemers met ontwikkelende tande meer akkuraat word namate die aantal tande tydens tandontwikkeling toeneem, kan die akkuraatheid van die gevolglike ouderdomsberamingsmetode in die gedrang kom wanneer studiedeelnemers jonger is. Daarbenewens is MLP se fout in ouderdomsberaming effens kleiner as SLP s'n, wat beteken dat MLP meer akkuraat is as SLP. MLP word as 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, vereis addisionele retrospektiewe studies.
Die klassifikasieprestasie van die DM-model en die tradisionele metode by 'n 18-jaar drempel is ook vergelyk. Alle getoetste SD-modelle en tradisionele metodes op die interne toetsstel het prakties aanvaarbare vlakke van diskriminasie vir die 18-jarige steekproef getoon. 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 getoetste modelle oorskry ook 0.925. Na ons beste wete het geen studie die prestasie van die DM-model vir 18-jaar klassifikasie gebaseer op tandheelkundige volwassenheid getoets nie. Ons kan die resultate van hierdie studie vergelyk met die klassifikasieprestasie van diep leermodelle op panoramiese radiografieë. Guo et al.15 het die klassifikasieprestasie van 'n CNN-gebaseerde diep leermodel en 'n handmatige metode gebaseer op Demirjian se metode vir 'n sekere ouderdomsdrempel bereken. Die sensitiwiteit en spesifisiteit van die handmatige metode 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 oortref 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 steekproef en sensitiwiteit en spesifisiteit vir die vroulike steekproef. LR is tweede in spesifisiteit vir mans. Boonop word LR beskou as een van die meer gebruikersvriendelike DM35-modelle en is dit minder kompleks en moeilik om te verwerk. Gebaseer op hierdie resultate, is LR beskou as die beste afsnyklassifikasiemodel vir 18-jariges in die Koreaanse bevolking.
Oor 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 daarop dat klassifikasie-akkuraatheid of -doeltreffendheid afneem wanneer ouderdomsberamings gebaseer op die Koreaanse bevolking op die Japannese bevolking toegepas word5,39, en 'n soortgelyke patroon is in die huidige studie gevind. Hierdie verslegtingstendens is ook in die DM-model waargeneem. Om ouderdom akkuraat te skat, selfs wanneer DM in die ontledingsproses gebruik word, moet metodes afgelei van inheemse bevolkingsdata, soos tradisionele metodes, verkies word5,39,40,41,42. Aangesien dit onduidelik is of diep leermodelle soortgelyke tendense kan toon, is studies wat klassifikasie-akkuraatheid en -doeltreffendheid vergelyk met behulp van tradisionele metodes, DM-modelle en diep leermodelle op dieselfde monsters nodig om te bevestig of kunsmatige intelligensie hierdie rasseverskille in beperkte ouderdomsassesserings kan oorkom.
Ons demonstreer dat tradisionele metodes vervang kan word deur ouderdomsberaming gebaseer op die DM-model in forensiese ouderdomsberamingspraktyk in Korea. Ons het ook die moontlikheid ontdek om masjienleer vir forensiese ouderdomsbepaling 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 getalle monsters en meer diverse populasies om die praktiese toepaslikheid daarvan te verbeter in vergelyking met tradisionele metodes. Om die uitvoerbaarheid van die gebruik van kunsmatige intelligensie om ouderdom in verskeie populasies te skat, te bevestig, 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 die ouderdomme van 15 en 23 jaar. Die Koreaanse radiografieë is verdeel in 900 oefenstelle (19,42 ± 2,65 jaar) en 900 interne toetsstelle (19,52 ± 2,59 jaar). Die oefenstel is by een instelling (Seoul St. Mary's Hospital) versamel, en die eie toetsstel is by twee instellings (Seoul National University Dental Hospital en 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 analiseer. Alle data wat versamel is, was anoniem, behalwe vir geslag, geboortedatum en datum van radiografie. Insluitings- en uitsluitingskriteria was dieselfde as voorheen gepubliseerde studies 4, 5. Die werklike ouderdom van die steekproef is bereken deur die geboortedatum af te trek van die datum waarop die radiografie geneem is. Die steekproefgroep is in nege ouderdomsgroepe verdeel. Die ouderdoms- en geslagsverspreidings word in Tabel 3 getoon. Hierdie studie is uitgevoer in ooreenstemming met die Verklaring van Helsinki en goedgekeur deur die Institusionele Hersieningsraad (IRB) van Seoul St. Mary's Hospitaal 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 'n radiografiese ondersoek vir terapeutiese doeleindes ondergaan nie. Seoul Korea Universiteit St. Mary's Hospitaal (IRB) het die vereiste vir ingeligte toestemming kwytgeskeld.
Ontwikkelingsfases van bimaksillêre tweede en derde kiestande is volgens Demircan-kriteria25 beoordeel. Slegs een tand is gekies indien dieselfde tipe tand aan die linker- en regterkant van elke kakebeen gevind is. Indien 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 beraamde ouderdom. Een honderd ewekansig geselekteerde radiografieë uit die oefenstel is deur twee ervare waarnemers beoordeel om interwaarnemerbetroubaarheid te toets na voorkalibrasie om die tandheelkundige volwassenheidstadium te bepaal. Intrawaarnemerbetroubaarheid is twee keer met drie maande tussenposes deur die primêre waarnemer beoordeel.
Die geslag en ontwikkelingsfase van die tweede en derde kiestande van elke kaak in die oefenstel is deur 'n primêre waarnemer wat met verskillende DM-modelle opgelei is, geskat, en die werklike ouderdom is as die teikenwaarde gestel. SLP- en MLP-modelle, wat wyd in masjienleer gebruik word, is teen regressie-algoritmes getoets. Die DM-model kombineer lineêre funksies deur die ontwikkelingsfases van die vier tande te gebruik en kombineer hierdie data om 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 veelvuldige verborge lae met nie-lineêre aktiveringsfunksies. Ons eksperimente het 'n verborge laag met slegs 20 verborge nodusse met nie-lineêre aktiveringsfunksies gebruik. Gebruik gradiëntafdaling as die optimeringsmetode 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 opleidingsstel gebruik om te voorspel of 'n steekproef 18 jaar oud is of nie. Om die model te bou, het ons sewe verteenwoordigende masjienleer-algoritmes afgelei6,43: (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 toesighoudende leer-algoritme wat regressie gebruik om die waarskynlikheid van data wat tot 'n sekere kategorie behoort, van 0 tot 1 te voorspel en die data as behoortend tot 'n meer waarskynlike kategorie op grond van hierdie waarskynlikheid te klassifiseer; hoofsaaklik gebruik vir binêre klassifikasie. KNN is een van die eenvoudigste masjienleer-algoritmes45. Wanneer nuwe invoerdata gegee word, vind dit k data naby die bestaande stel en klassifiseer dit dan in die klas met die hoogste frekwensie. 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 na 'n nie-lineêre ruimte genaamd velde46. Vir hierdie model gebruik ons vooroordeel = 1, krag = 1, en gamma = 1 as hiperparameters vir die polinoomkern. DT is in verskeie velde toegepas as 'n algoritme om 'n hele datastel in verskeie subgroepe te verdeel deur besluitnemingsreëls in 'n boomstruktuur voor te stel47. Die model is gekonfigureer met 'n minimum aantal rekords per node van 2 en gebruik die Gini-indeks as 'n maatstaf van kwaliteit. RF is 'n ensemble-metode wat verskeie DT's kombineer om werkverrigting te verbeter deur 'n bootstrap-aggregasiemetode te gebruik wat 'n swak klassifiseerder vir elke monster genereer deur monsters van dieselfde grootte verskeie kere ewekansig uit die oorspronklike datastel te trek48. Ons het 100 bome, 10 boomdieptes, 1 minimum nodegrootte en Gini-mengindeks as node-skeidingskriteria gebruik. Die klassifikasie van nuwe data word deur 'n meerderheidstem bepaal. XGBoost is 'n algoritme wat versterkingstegnieke kombineer deur 'n metode te gebruik wat die fout tussen die werklike en voorspelde waardes van die vorige model as opleidingsdata neem en die fout aanvul deur gradiënte49 te gebruik. Dit is 'n wyd gebruikte algoritme as gevolg van sy goeie werkverrigting en hulpbrondoeltreffendheid, sowel as hoë betroubaarheid as 'n oorpassingskorreksiefunksie. Die model is toegerus met 400 ondersteuningswiele. MLP is 'n neurale netwerk waarin een of meer perseptrone veelvuldige lae vorm met een of meer verborge lae tussen die invoer- en uitvoerlae38. Deur dit te gebruik, kan jy nie-lineêre klassifikasie uitvoer waar wanneer jy 'n invoerlaag byvoeg en 'n resultaatwaarde kry, die voorspelde resultaatwaarde vergelyk word met die werklike resultaatwaarde en die fout teruggepropageer word. Ons het 'n verborge laag geskep met 20 verborge neurone in elke laag. Elke model wat ons ontwikkel het, is op interne en eksterne stelle toegepas om klassifikasieprestasie 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 proporsie van steekproewe jonger as 18 jaar en dié wat na raming jonger as 18 jaar is.
Die tandheelkundige stadiums wat in die oefenstel geassesseer is, is omgeskakel na numeriese stadiums vir statistiese analise. Multivariate lineêre en logistiese regressie is uitgevoer om voorspellende modelle vir elke geslag te ontwikkel en regressieformules af te lei wat gebruik kan word om ouderdom te skat. Ons het hierdie formules gebruik om tandouderdom vir beide interne en eksterne toetsstelle te skat. Tabel 4 toon die regressie- en klassifikasiemodelle wat in hierdie studie gebruik is.
Intra- en interwaarnemerbetroubaarheid 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 deur die beraamde en werklike ouderdomme van die interne en eksterne toetsstelle te gebruik. Hierdie foute word algemeen gebruik om die akkuraatheid van modelvoorspellings te evalueer. Hoe kleiner die fout, hoe hoër die akkuraatheid van die voorspelling24. Vergelyk die MAE en RMSE van interne en eksterne toetsstelle wat bereken is met behulp van DM en tradisionele regressie. Klassifikasieprestasie van die 18-jaar afsnypunt in tradisionele statistieke is beoordeel met behulp 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 data-eienskappe. Tweesydige P-waardes <0.05 is 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-agterkant en Tensorflow51 1.8.0 spesifiek vir wiskundige bewerkings. Die DM-klassifikasiemodel is geïmplementeer in die Waikato Knowledge Analysis Environment en die Konstanz Information Miner (KNIME) 4.6.152-analiseplatform.
Die outeurs erken dat data wat die studie se gevolgtrekkings ondersteun, in die artikel en aanvullende materiaal gevind kan word. Die datastelle wat tydens die studie gegenereer en/of geanaliseer is, is op redelike versoek by die ooreenstemmende outeur beskikbaar.
Ritz-Timme, S. et al. Ouderdomsassessering: die stand van die kuns om aan die spesifieke vereistes van forensiese praktyk te voldoen. internasionaliteit. J. Regsgeneeskunde. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., en Olze, A. Huidige status van forensiese ouderdomsbepaling van lewende subjekte vir kriminele vervolgingsdoeleindes. Forensiese medisyne. Patologie. 1, 239–246 (2005).
Pan, J. et al. 'n Gewysigde metode vir die bepaling van die tandheelkundige ouderdom van kinders van 5 tot 16 jaar in oostelike China. klinies. Mondopname. 25, 3463–3474 (2021).
Lee, SS ens. Chronologie van die ontwikkeling van tweede en derde kiestande in Koreane en die toepassing daarvan vir forensiese ouderdomsbepaling. internasionaliteit. J. Regsgeneeskunde. 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 Japannese. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Preoperatiewe masjienleer-gebaseerde data-analise kan die uitkoms van slaapchirurgie-behandeling in 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. Regsgeneeskunde. 136, 821–831 (2022).
Khan, S. en Shaheen, M. Van Data-ontginning tot Data-ontginning. J. Inligting. die wetenskap. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. en Shaheen, M. WisRule: Die Eerste Kognitiewe Algoritme vir Assosiasiereëlontginning. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. en Abdullah U. Karm: Tradisionele data-ontginning gebaseer op konteksgebaseerde assosiasiereëls. bereken. Matt. gaan voort. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. en Habib M. Diep leer-gebaseerde semantiese ooreenkomsopsporing 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. Gereedskap Toepassings https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Masjienleer-uitdaging in pediatriese beenouderdom. Radiologie 290, 498–503 (2019).
Li, Y. et al. Forensiese ouderdomsberaming vanaf 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 konvolusionele neurale netwerke vanaf ortografiese projeksiebeelde. internasionaliteit. J. Regsgeneeskunde. 135, 1589–1597 (2021).
Alabama Dalora et al. Beenouderdomsberaming 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 Chinese gebaseer op pulpakamervolumes van eerste kiestande met behulp van keëlbundel-rekenaartomografie. internasionaliteit. J. Regsgeneeskunde. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK en Oh KS Bepaling van ouderdomsgroepe van lewende mense met behulp van kunsmatige intelligensie-gebaseerde beelde van eerste kiestande. die wetenskap. Verslag 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., en Urschler, M. Outomatiese ouderdomsberaming en meerderheidsouderdomsklassifikasie vanaf multivariate MRI-data. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. en Li, G. Ouderdomsberaming gebaseer op 3D-pulpakamersegmentering van eerste kiestande vanaf keëlbundel-rekenaartomografie deur diep leer en vlakstelle te integreer. internasionaliteit. J. Regsgeneeskunde. 135, 365–373 (2021).
Wu, WT, et al. Data-ontginning in kliniese groot data: algemene databasisse, stappe en metodemodelle. Wêreld. medisyne. hulpbron. 8, 44 (2021).
Yang, J. et al. Inleiding tot Mediese Databasisse en Data-ontginningstegnologieë in die Grootdata-era. J. Avid. Basiese medisyne. 13, 57–69 (2020).
Shen, S. et al. Camerer se metode vir die beraming van tandouderdom met behulp van masjienleer. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Vergelyking van verskillende masjienleermetodes vir die voorspelling van tandouderdom met behulp van die Demirdjiaanse stadiëringsmetode. internasionaliteit. J. Regsgeneeskunde. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. en Tanner, JM 'n Nuwe stelsel vir die bepaling van tandouderdom. snork. biologie. 45, 211–227 (1973).
Landis, JR, en Koch, GG Maatstawwe van waarnemerooreenkoms op kategoriese data. Biometrie 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK en Choi HK. Teksturele, morfologiese en statistiese analise van tweedimensionele magnetiese resonansiebeelding met behulp van kunsmatige intelligensietegnieke vir die differensiasie van primêre breingewasse. Gesondheidsinligting. hulpbron. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Plasingstyd: Jan-04-2024