Dankie dat jy Nature.com besoek het.Die weergawe van die blaaier wat jy gebruik het beperkte CSS-ondersteuning.Vir die beste resultate, beveel ons aan om 'n nuwer weergawe van jou blaaier te gebruik (of om versoenbaarheidsmodus in Internet Explorer af te skakel).In die tussentyd, om deurlopende ondersteuning te verseker, wys ons die webwerf sonder stilering of JavaScript.
Tande word beskou as die mees akkurate 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 ouderdomskattings te bekragtig deur die skattingsakkuraatheid en klassifikasieprestasie van die 18-jaar drempel te vergelyk met tradisionele metodes en data-ontginning-gebaseerde ouderdomskattings.Altesaam 2657 panoramiese radiografieë is van Koreaanse en Japannese burgers van 15 tot 23 jaar oud ingesamel.Hulle is verdeel in 'n opleidingstel wat elk 900 Koreaanse radiografieë bevat het, en 'n interne toetsstel wat 857 Japannese radiografieë bevat het.Ons het die klassifikasie akkuraatheid en doeltreffendheid van tradisionele metodes vergelyk met toetsstelle data-ontginningsmodelle.Die akkuraatheid van die tradisionele metode op die interne toetsstel is effens hoër as dié van die data-ontginningsmodel, en die verskil is klein (gemiddelde absolute fout <0,21 jaar, wortel gemiddelde kwadraat fout <0,24 jaar).Die klassifikasieprestasie vir die 18-jaar afsnypunt is ook soortgelyk tussen tradisionele metodes en data-ontginningsmodelle.Tradisionele metodes kan dus deur data-ontginningsmodelle vervang word wanneer forensiese ouderdomsbepaling uitgevoer word deur die volwassenheid van tweede en derde kiestande in Koreaanse adolessente en jong volwassenes te gebruik.
Tandheelkundige ouderdomberaming word wyd gebruik in forensiese medisyne en pediatriese tandheelkunde.In die besonder, as gevolg van die hoë korrelasie tussen chronologiese ouderdom en tandheelkundige ontwikkeling, is ouderdomsbepaling deur tandheelkundige ontwikkelingstadia 'n belangrike kriterium vir die assessering van die ouderdom van kinders en adolessente1,2,3.Vir jongmense het die skatting 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 wetlike doel van die bepaling van die ouderdom van jongmense en adolessente is om akkurate skattings en wetenskaplike bewyse te verskaf van of hulle die ouderdom van meerderjarigheid bereik het.In die medies-regspraktyk van adolessente en jong volwassenes in Korea, is ouderdom met behulp van Lee se metode geskat, en 'n wettige drempel van 18 jaar is voorspel gebaseer op 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 aandryf.Masjienleer kan nuttige verborge patrone in groot volumes data ontdek6.Daarteenoor kan klassieke metodes, wat arbeidsintensief en tydrowend is, beperkings hê wanneer groot volumes komplekse data hanteer word 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 minimaliseer en multidimensionele data doeltreffend te verwerk8,9,10,11,12.Diep leer is veral wyd gebruik in mediese beeldanalise, en verskeie metodes vir ouderdomberaming deur outomatiese ontleding van radiografieë is gerapporteer om die akkuraatheid en doeltreffendheid van ouderdomsberaming te verbeter13,14,15,16,17,18,19,20 .Halabi et al 13 het byvoorbeeld 'n masjienleeralgoritme ontwikkel wat gebaseer is op konvolusionele neurale netwerke (CNN) om skeletouderdom te skat met behulp van radiografieë van kinders se hande.Hierdie studie stel 'n model voor wat masjienleer op mediese beelde toepas en wys dat hierdie metodes diagnostiese akkuraatheid kan verbeter.Li et al14 beraam ouderdom van bekken X-straalbeelde met behulp van 'n diep leer CNN en vergelyk dit met regressie resultate met behulp van ossifikasie stadium skatting.Hulle het gevind dat die diep leer CNN-model dieselfde ouderdomsskattingsprestasie as die tradisionele regressiemodel getoon het.Guo et al. se studie [15] het die ouderdomsverdraagsaamheidsklassifikasieprestasie van CNN-tegnologie geëvalueer op grond van tandheelkundige ortofoto's, en die resultate van die CNN-model het bewys dat mense beter as sy ouderdomsklassifikasieprestasie presteer het.
Die meeste studies oor ouderdomberaming wat masjienleer gebruik, gebruik diepleermetodes13,14,15,16,17,18,19,20.Ouderdomsskatting gebaseer op diep leer is na berig word meer akkuraat as tradisionele metodes.Hierdie benadering bied egter min geleentheid om die wetenskaplike basis vir ouderdomsberamings aan te bied, soos die ouderdomsaanwysers wat in die skattings gebruik word.Daar is ook 'n regsdispuut oor wie die inspeksies uitvoer.Daarom is ouderdomberaming gebaseer op diep leer moeilik om te aanvaar deur administratiewe en geregtelike owerhede.Data-ontginning (DM) is 'n tegniek wat nie net verwagte, 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.Ouderdomsskatting 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 ontleed en het die potensiaal om tradisionele statistiese analise te vervang.As ons dus DM-tegnieke op ouderdomskatting toepas, kan ons masjienleer in forensiese ouderdomberaming implementeer sonder om bekommerd te wees oor wetlike aanspreeklikheid.Verskeie vergelykende studies is gepubliseer oor moontlike alternatiewe vir tradisionele manuele 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 volgens die Demirdjian-kriterium te voorspel25 en die resultate het getoon dat die DM-metode beter presteer het as die Demirdjian- en Willems-metodes in die skatting van die ouderdom van die Franse bevolking.
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 meervoudige regressie) om die verband tussen Koreaanse vakke en chronologiese ouderdom te ondersoek.In hierdie studie word ouderdomsskattingsmetodes 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 ouderdomberaming gebaseer op die DM-model in Koreaanse forensiese praktyk is egter steeds twyfelagtig.Ons doel was om die potensiële bruikbaarheid van ouderdomskatting wetenskaplik te bekragtig op grond van die DM-model.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 deur gebruik te maak 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 (oefenstel), Aanvullende Tabel S2 (interne toetsstel) en Aanvullende Tabel S3 (eksterne toetsstel).Die kappa-waardes vir intra- en interwaarnemer-betroubaarheid verkry uit die opleidingstel was onderskeidelik 0.951 en 0.947.P-waardes en 95% vertrouensintervalle vir kappa-waardes word in aanlyn aanvullende tabel S4 getoon.Die kappa-waarde is geïnterpreteer as "amper perfek", in ooreenstemming met die kriteria van Landis en Koch26.
Wanneer 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 meerlaagperseptron (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 wortel gemiddelde kwadraat fout (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 prestasie as Enkellaagperseptron (SLP), behalwe in die geval van die vroulike eksterne toetsstel.Vir MAE en RMSE behaal die eksterne toetsstel hoër 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, wortel gemiddelde kwadraat fout RMSE, enkellaag perseptron SLP, meerlaag perseptron MLP, tradisionele CM metode.
Klassifikasieprestasie (met 'n afsnypunt van 18 jaar) van die tradisionele en DM-modelle is gedemonstreer in terme van sensitiwiteit, spesifisiteit, positiewe voorspellingswaarde (PPV), negatiewe voorspellingswaarde (NPV) en area onder die ontvanger se bedryfskenmerkkurwe (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 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 presteer het by mans, terwyl die tradisionele model beter presteer het by vrouens.Die verskille in klassifikasieprestasie vir mans en vrouens is onderskeidelik 13.3% (MLP) en 13.1% (MLP), wat aandui dat die verskil in klassifikasieprestasie tussen modelle sensitiwiteit oorskry.Onder die DM-modelle het die ondersteuningsvektormasjien (SVM), besluitboom (DT) en ewekansige woud (RF) modelle die beste onder mans gevaar, terwyl die LR-model die beste onder vrouens 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 toon in die diskriminasie 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.Boonop het die verskil in sensitiwiteit en spesifisiteit tussen die klassifikasieprestasie van die beste en swakste modelle gewissel van 10% tot 25% en was 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 ondersteuning vektor masjien, LR logistiese regressie, DT besluit boom, RF ewekansige woud, XGB XGBoost, MLP multilayer perceptron, tradisionele CM metode.
Die eerste stap in hierdie studie was om die akkuraatheid van tandheelkundige ouderdomskattings verkry vanaf sewe DM-modelle te vergelyk met dié wat verkry is deur 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 was in hierdie studie, is dit moeilik om af te lei of so 'n klein verskil kliniese of praktiese betekenis het.Hierdie resultate dui aan dat die akkuraatheid van tandheelkundige ouderdomberaming 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 ouderdomsreeks as in hierdie studie op te teken 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.Hulle het gerapporteer 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 die Willems- en Demirdjian-metodes, onderskeidelik.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 tandheelkundige ouderdom akkuraat skat in ander bevolkings as die Franse Kanadese waarop die studie gebaseer is nie.in hierdie studie.Tai et al 34 het die MLP-algoritme gebruik om tandouderdom te voorspel vanaf 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 ouderdomsskattingsakkuraatheid van die DM-model en die tradisionele metode is soortgelyk.Gebaseer op die voorgestelde resultate, kan ons egter net versigtig aflei dat die gebruik van DM-modelle om ouderdom te skat, bestaande metodes kan vervang as gevolg van die gebrek aan vergelykende en verwysende vorige studies.Opvolgstudies wat groter monsters gebruik, is nodig om die resultate wat in hierdie studie verkry is, te bevestig.
Onder die studies wat die akkuraatheid van SD toets in die skatting van tandheelkundige ouderdom, het sommige hoër akkuraatheid as ons studie getoon.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 boonste en onderste linker permanente tande beoordeel deur gebruik te maak 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 linkermandibel in Oos-Chinese inwoners van 5 tot 13 jaar oud te skat en dit vergelyk met ouderdomme wat geskat is deur gebruik te maak van lineêre regressie, SVM en RF.Hulle het gewys 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 akkuraatheid 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.Omdat ouderdomskattings vir deelnemers met ontwikkelende tande meer akkuraat word namate die aantal tande toeneem tydens tandheelkundige ontwikkeling, kan die akkuraatheid van die gevolglike ouderdomsskattingsmetode benadeel word wanneer studiedeelnemers jonger is.Daarbenewens is MLP se fout in ouderdomskatting effens kleiner as SLP's, wat beteken dat MLP meer akkuraat is as SLP.MLP word as effens beter beskou vir ouderdomskatting, moontlik as gevolg van die versteekte 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 bykomende 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.Sover ons kennis strek, het geen studie die prestasie van die DM-model vir 18-jaar-klassifikasie getoets op grond van tandheelkundige volwassenheid nie.Ons kan die resultate van hierdie studie vergelyk met die klassifikasieprestasie van diepleermodelle op panoramiese radiografieë.Guo et al.15 het die klassifikasieprestasie van 'n CNN-gebaseerde diepleermodel en 'n handmatige metode wat op Demirjian se metode gebaseer is 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 diepleermodelle handassessering kan vervang of beter kan vaar in die klassifikasie van ouderdomsdrempels.Die resultate van hierdie studie het soortgelyke klassifikasieprestasie getoon;Daar word geglo dat klassifikasie deur gebruik te maak van DM-modelle tradisionele statistiese metodes vir ouderdomskatting 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 as een van die meer gebruikersvriendelike DM35-modelle beskou en is dit minder kompleks en moeilik om te verwerk.Op grond van hierdie resultate is LR as die beste afsnyklassifikasiemodel vir 18-jariges in die Koreaanse bevolking beskou.
Oor die algemeen was die akkuraatheid van ouderdomberaming of klassifikasieprestasie op die eksterne toetsstel swak of laer in vergelyking met die resultate op die interne toetsstel.Sommige verslae dui aan dat klassifikasie akkuraatheid of doeltreffendheid afneem wanneer ouderdom skattings gebaseer op die Koreaanse bevolking toegepas word op die Japannese bevolking5,39, en 'n soortgelyke patroon is gevind in die huidige studie.Hierdie verslechteringstendens is ook in die DM-model waargeneem.Daarom, 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 diepleermodelle soortgelyke tendense kan toon, is studies wat klassifikasie akkuraatheid en doeltreffendheid vergelyk met tradisionele metodes, DM-modelle en diepleermodelle op dieselfde monsters nodig om te bevestig of kunsmatige intelligensie hierdie rasse-ongelykhede in beperkte ouderdom kan oorkom.assesserings.
Ons demonstreer dat tradisionele metodes vervang kan word deur ouderdomberaming gebaseer op die DM-model in forensiese ouderdomberamingspraktyk 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 met groter getalle steekproewe en meer diverse populasies uitgevoer word om die praktiese toepaslikheid daarvan te verbeter in vergelyking met tradisionele metodes.Om die haalbaarheid van die gebruik van kunsmatige intelligensie om ouderdom in veelvuldige populasies te skat te valideer, is toekomstige studies nodig om die klassifikasie akkuraatheid en doeltreffendheid van DM en diep leermodelle te vergelyk met tradisionele metodes in dieselfde monsters.
Die studie het 2 657 ortografiese foto's gebruik wat van Koreaanse en Japannese volwassenes van 15 tot 23 jaar oud is.Die Koreaanse radiografieë is in 900 opleidingsstelle (19.42 ± 2.65 jaar) en 900 interne toetsstelle (19.52 ± 2.59 jaar) verdeel.Die opleidingstel is by een instansie (Seoul St. Mary's Hospitaal) afgehaal en die eie toetsstel is by twee instansies (Seoul National University Dental Hospital en Yonsei University Dental Hospital) afgehaal.Ons het ook 857 radiografieë van 'n ander bevolkingsgebaseerde data (Iwate Medical University, Japan) vir eksterne toetsing ingesamel.Radiografieë van Japannese proefpersone (19.31 ± 2.60 jaar) is gekies as die eksterne toetsstel.Data is retrospektief ingesamel om die stadiums van tandheelkundige ontwikkeling te ontleed op panoramiese radiografieë wat tydens tandheelkundige behandeling geneem is.Alle data wat ingesamel is, was anoniem behalwe geslag, geboortedatum en datum van radiografie.Insluiting- en uitsluitingskriteria was dieselfde as voorheen gepubliseerde studies 4, 5.Die werklike ouderdom van die monster is bereken deur die geboortedatum af te trek van die datum waarop die radiografie geneem is.Die steekproefgroep is in nege ouderdomsgroepe verdeel.Die ouderdom en geslag verspreidings 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 radiografiese ondersoek vir terapeutiese doeleindes ondergaan het nie.Seoul Korea University St. Mary's Hospital (IRB) het afstand gedoen van die vereiste vir ingeligte toestemming.
Ontwikkelingstadia van bimaksillêre tweede en derde kiestande is geassesseer volgens Demircan-kriteria25.Slegs een tand is gekies as dieselfde tipe tand aan die linker- en regterkant van elke kakebeen gevind is.Indien homoloë tande aan beide kante in verskillende ontwikkelingstadiums was, is die tand met die laer ontwikkelingstadium gekies om rekening te hou met onsekerheid in die geskatte ouderdom.Eenhonderd ewekansig geselekteerde radiografieë uit die opleidingstel is deur twee ervare waarnemers beoordeel om interwaarnemersbetroubaarheid te toets na voorafkalibrasie om tandheelkundige volwassenheidstadium te bepaal.Intrawaarnemer betroubaarheid is twee keer met drie maande intervalle deur die primêre waarnemer geassesseer.
Die geslag en ontwikkelingstadium van die tweede en derde kiestande van elke kakebeen in die oefenstel is beraam 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 in masjienleer gebruik word, is teen regressie-algoritmes getoets.Die DM-model kombineer lineêre funksies deur die ontwikkelingstadia 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 meervoudige lineêre regressie.Anders as die SLP-model, het die MLP-model verskeie versteekte lae met nie-lineêre aktiveringsfunksies.Ons eksperimente het 'n versteekte laag gebruik met slegs 20 versteekte nodusse met nie-lineêre aktiveringsfunksies.Gebruik gradiënt-afkoms as die optimaliseringsmetode en MAE en RMSE as die verliesfunksie om ons masjienleermodel op te lei.Die bes verkry regressiemodel is op die interne en eksterne toetsstelle toegepas en die ouderdom van die tande is beraam.
'n Klassifikasie-algoritme is ontwikkel wat die volwassenheid van vier tande op die oefenstel gebruik om te voorspel of 'n monster 18 jaar oud is of nie.Om die model te bou, het ons sewe voorstellingsmasjienleeralgoritmes6,43 afgelei: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost en (7) MLP .LR is een van die klassifikasie-algoritmes wat die meeste gebruik word44.Dit is 'n algoritme vir toesigleer wat regressie gebruik om die waarskynlikheid van data wat tot 'n sekere kategorie behoort te voorspel van 0 tot 1 en klassifiseer die data as behorende tot 'n meer waarskynlike kategorie gebaseer op hierdie waarskynlikheid;hoofsaaklik gebruik vir binêre klassifikasie.KNN is een van die eenvoudigste masjienleeralgoritmes45.Wanneer nuwe invoerdata gegee word, vind dit k data naby aan 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 fields46.Vir hierdie model gebruik ons vooroordeel = 1, mag = 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 besluitreëls in 'n boomstruktuur voor te stel47.Die model is gekonfigureer met 'n minimum aantal rekords per nodus van 2 en gebruik die Gini-indeks as 'n maatstaf van kwaliteit.RF is 'n ensemble-metode wat veelvuldige DT's kombineer om werkverrigting te verbeter deur 'n selflaai-aggregasiemetode te gebruik wat 'n swak klassifiseerder vir elke steekproef genereer deur steekproewe van dieselfde grootte verskeie kere uit die oorspronklike datastel te trek48.Ons het 100 bome, 10 boomdieptes, 1 minimum nodusgrootte en Gini-mengsel-indeks as nodusskeidingskriteria gebruik.Die klassifikasie van nuwe data word deur 'n meerderheidstem bepaal.XGBoost is 'n algoritme wat hupstoottegnieke kombineer met behulp van 'n metode wat as opleidingsdata die fout tussen die werklike en voorspelde waardes van die vorige model neem en die fout aanvul met gradiënte49.Dit is 'n wyd gebruikte algoritme vanweë sy goeie werkverrigting en hulpbrondoeltreffendheid, sowel as hoë betroubaarheid as 'n oorpassende regstellingsfunksie.Die model is toegerus met 400 steunwiele.MLP is 'n neurale netwerk waarin een of meer perseptrone veelvuldige lae vorm met een of meer versteekte lae tussen die inset- en uitsetlae38.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 word teruggepropageer.Ons het 'n versteekte laag geskep met 20 versteekte neurone in elke laag.Elke model wat ons ontwikkel het, is toegepas op interne en eksterne stelle om klassifikasieprestasie te toets deur sensitiwiteit, spesifisiteit, PPV, NPV en AUROC te bereken.Sensitiwiteit word gedefinieer as die verhouding van 'n steekproef wat geskat word as 18 jaar of ouer tot 'n steekproef wat na raming 18 jaar of ouer is.Spesifisiteit is die verhouding van monsters onder 18 jaar oud en dié wat na raming onder 18 jaar oud is.
Die tandheelkundige stadiums wat in die opleidingstel geassesseer is, is omgeskakel na numeriese stadiums vir statistiese analise.Meerveranderlike 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 interwaarnemer-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 deur gebruik te maak van die beraamde en werklike ouderdomme van die interne en eksterne toetsstelle.Hierdie foute word algemeen 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 deur gebruik te maak van DM en tradisionele regressie.Klassifikasieprestasie van die 18-jaar afsnypunt in tradisionele statistieke is geassesseer 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 backend en Tensorflow51 1.8.0 spesifiek vir wiskundige bewerkings.Die DM-klassifikasiemodel is in die Waikato Knowledge Analysis Environment en die Konstanz Information Miner (KNIME) 4.6.152 analise platform geïmplementeer.
Die skrywers 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 ontleed is, is op redelike versoek by die ooreenstemmende outeur beskikbaar.
Ritz-Timme, S. et al.Ouderdomsevaluering: 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 ouderdombeoordeling van lewende subjekte vir kriminele vervolgingsdoeleindes.Forensiese.medisyne.Patologie.1, 239–246 (2005).
Pan, J. et al.'n Gewysigde metode om die tandheelkundige ouderdom van kinders van 5 tot 16 jaar in Oos-China te bepaal.klinies.Mondelinge opname.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 ouderdom skatting en skatting 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 slaapchirurgiebehandeling by pasiënte met OSA voorspel.die wetenskap.Rapport 11, 14911 (2021).
Han, M. et al.Akkurate ouderdomskatting 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 assosiasiereëlmynbou.J.Inligting.die wetenskap.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. en Abdullah U. Karm: Tradisionele data-ontginning gebaseer op konteksgebaseerde assosiasiereëls.bereken.Matt.aanhou.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. en Habib M. Diep leer gebaseer semantiese ooreenkoms opsporing deur gebruik te maak van teks data.inlig.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.Radiology 290, 498–503 (2019).
Li, Y. et al.Forensiese ouderdomberaming van bekken X-strale met behulp van diep leer.EURO.bestraling.29, 2322–2329 (2019).
Guo, YC, et al.Akkurate ouderdomsklassifikasie deur gebruik te maak van handmatige metodes en diep konvolusionele neurale netwerke vanaf ortografiese projeksiebeelde.internasionaliteit.J. Regsgeneeskunde.135, 1589–1597 (2021).
Alabama Dalora et al.Beenouderdomskatting 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 ouderdomskatting van Afro-Amerikaners en Chinese gebaseer op pulpkamervolumes van eerste kiestande deur gebruik te maak van kegelbundel-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 ouderdomberaming en meerderheidsouderdomsklassifikasie van meerveranderlike MRI-data.IEEE J. Biomed.Gesondheidswaarskuwings.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. en Li, G. Ouderdomsskatting gebaseer op 3D-pulpkamersegmentering van eerste kiestande van keëlstraal-rekenaartomografie deur diepleer- 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 om tand ouderdom te skat deur masjienleer te gebruik.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Vergelyking van verskillende masjienleermetodes vir die voorspelling van tandheelkundige ouderdom met behulp van die Demirdjian-staging-metode.internasionaliteit.J. Regsgeneeskunde.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 Maatstawwe van waarnemer-ooreenkoms oor kategoriese data.Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK en Choi HK.Tekstuur-, morfologiese en statistiese analise van tweedimensionele magnetiese resonansiebeelding deur gebruik te maak van kunsmatige intelligensie tegnieke vir differensiasie van primêre breingewasse.Gesondheidsinligting.hulpbron.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Postyd: Jan-04-2024