Terima kasih kerana melawat Nature.com. Versi penyemak imbas yang anda gunakan mempunyai sokongan CSS terhad. Untuk hasil yang terbaik, kami mengesyorkan menggunakan versi penyemak imbas anda yang lebih baru (atau mematikan mod keserasian di Internet Explorer). Sementara itu, untuk memastikan sokongan berterusan, kami menunjukkan tapak tanpa gaya atau JavaScript.
Gigi dianggap sebagai penunjuk yang paling tepat dari umur tubuh manusia dan sering digunakan dalam penilaian usia forensik. Kami berhasrat untuk mengesahkan anggaran usia pergigian berasaskan perlombongan data dengan membandingkan ketepatan anggaran dan prestasi klasifikasi ambang 18 tahun dengan kaedah tradisional dan anggaran umur berasaskan perlombongan data. Sejumlah 2657 radiografi panorama dikumpulkan dari warga Korea dan Jepun berusia 15 hingga 23 tahun. Mereka dibahagikan kepada set latihan, masing -masing mengandungi 900 radiografi Korea, dan set ujian dalaman yang mengandungi 857 radiografi Jepun. Kami membandingkan ketepatan klasifikasi dan kecekapan kaedah tradisional dengan set ujian model perlombongan data. Ketepatan kaedah tradisional pada set ujian dalaman sedikit lebih tinggi daripada model perlombongan data, dan perbezaannya adalah kecil (kesilapan mutlak mutlak <0.21 tahun, ralat min akar persegi <0.24 tahun). Prestasi klasifikasi untuk potongan 18 tahun juga sama antara kaedah tradisional dan model perlombongan data. Oleh itu, kaedah tradisional boleh digantikan dengan model perlombongan data apabila melakukan penilaian usia forensik menggunakan kematangan molar kedua dan ketiga pada remaja Korea dan orang dewasa muda.
Anggaran umur pergigian digunakan secara meluas dalam perubatan forensik dan pergigian pediatrik. Khususnya, kerana korelasi yang tinggi antara umur kronologi dan pembangunan pergigian, penilaian umur oleh peringkat perkembangan pergigian adalah kriteria penting untuk menilai umur kanak -kanak dan remaja1,2,3. Walau bagaimanapun, bagi golongan muda, menganggarkan umur pergigian berdasarkan kematangan pergigian mempunyai batasannya kerana pertumbuhan pergigian hampir selesai, dengan pengecualian molar ketiga. Tujuan undang -undang untuk menentukan umur golongan muda dan remaja adalah untuk memberikan anggaran yang tepat dan bukti saintifik sama ada mereka telah mencapai usia majoriti. Dalam amalan medico-undang-undang remaja dan orang dewasa muda di Korea, umur dianggarkan menggunakan kaedah Lee, dan ambang undang-undang 18 tahun diramalkan berdasarkan data yang dilaporkan oleh Oh et al 5.
Pembelajaran mesin adalah sejenis kecerdasan buatan (AI) yang berulang kali belajar dan mengklasifikasikan sejumlah besar data, menyelesaikan masalah sendiri, dan memacu pengaturcaraan data. Pembelajaran mesin boleh menemui corak tersembunyi yang berguna dalam jumlah data yang besar6. Sebaliknya, kaedah klasik, yang intensif buruh dan memakan masa, mungkin mempunyai batasan ketika berurusan dengan jumlah besar data kompleks yang sukar diproses secara manual7. Oleh itu, banyak kajian telah dijalankan baru -baru ini menggunakan teknologi komputer terkini untuk meminimumkan kesilapan manusia dan memproses data multidimensi 8,9,10,11,12. Khususnya, pembelajaran mendalam telah digunakan secara meluas dalam analisis imej perubatan, dan pelbagai kaedah untuk anggaran umur dengan menganalisis radiografi secara automatik telah dilaporkan untuk meningkatkan ketepatan dan kecekapan anggaran umur13,14,15,16,17,18,19,20 . Sebagai contoh, Halabi et al 13 membangunkan algoritma pembelajaran mesin berdasarkan rangkaian saraf konvolusi (CNN) untuk menganggarkan umur rangka menggunakan radiografi tangan kanak -kanak. Kajian ini mencadangkan model yang menggunakan pembelajaran mesin kepada imej perubatan dan menunjukkan bahawa kaedah ini dapat meningkatkan ketepatan diagnostik. Li et al14 Anggaran umur dari imej sinar-X pelvik menggunakan CNN pembelajaran mendalam dan membandingkannya dengan hasil regresi menggunakan anggaran tahap ossifikasi. Mereka mendapati bahawa model CNN pembelajaran mendalam menunjukkan prestasi anggaran umur yang sama sebagai model regresi tradisional. Kajian Guo et al. [15] menilai prestasi klasifikasi toleransi umur teknologi CNN berdasarkan orthophotos pergigian, dan hasil model CNN membuktikan bahawa manusia mengatasi prestasi klasifikasi umurnya.
Kebanyakan kajian mengenai anggaran umur menggunakan pembelajaran mesin menggunakan kaedah pembelajaran mendalam13,14,15,16,17,18,19,20. Anggaran umur berdasarkan pembelajaran mendalam dilaporkan lebih tepat daripada kaedah tradisional. Walau bagaimanapun, pendekatan ini memberi sedikit peluang untuk membentangkan asas saintifik untuk anggaran umur, seperti penunjuk umur yang digunakan dalam anggaran. Terdapat juga pertikaian undang -undang mengenai siapa yang menjalankan pemeriksaan. Oleh itu, anggaran umur berdasarkan pembelajaran mendalam sukar diterima oleh pihak berkuasa pentadbiran dan kehakiman. Perlombongan Data (DM) adalah teknik yang dapat menemui bukan sahaja yang dijangkakan tetapi juga maklumat yang tidak dijangka sebagai kaedah untuk menemui korelasi yang berguna antara sejumlah besar data6,21,22. Pembelajaran mesin sering digunakan dalam perlombongan data, dan kedua -dua perlombongan data dan pembelajaran mesin menggunakan algoritma utama yang sama untuk menemui corak data. Anggaran umur menggunakan perkembangan pergigian adalah berdasarkan penilaian pemeriksa tentang kematangan gigi sasaran, dan penilaian ini dinyatakan sebagai tahap untuk setiap gigi sasaran. DM boleh digunakan untuk menganalisis korelasi antara peringkat penilaian pergigian dan umur sebenar dan mempunyai potensi untuk menggantikan analisis statistik tradisional. Oleh itu, jika kita menggunakan teknik DM untuk anggaran umur, kita boleh melaksanakan pembelajaran mesin dalam anggaran usia forensik tanpa bimbang tentang liabiliti undang -undang. Beberapa kajian perbandingan telah diterbitkan pada alternatif yang mungkin untuk kaedah manual tradisional yang digunakan dalam amalan forensik dan kaedah berasaskan EBM untuk menentukan usia pergigian. Shen et al23 menunjukkan bahawa model DM lebih tepat daripada formula camerer tradisional. Galibourg et al24 menggunakan kaedah DM yang berbeza untuk meramalkan umur mengikut kriteria Demirdjian25 dan hasilnya menunjukkan bahawa kaedah DM mengatasi kaedah demirdjian dan Willems dalam menganggarkan umur penduduk Perancis.
Untuk menganggarkan umur pergigian remaja Korea dan orang dewasa muda, kaedah Lee 4 digunakan secara meluas dalam amalan forensik Korea. Kaedah ini menggunakan analisis statistik tradisional (seperti regresi berganda) untuk mengkaji hubungan antara subjek Korea dan umur kronologi. Dalam kajian ini, kaedah anggaran umur yang diperoleh menggunakan kaedah statistik tradisional ditakrifkan sebagai "kaedah tradisional." Kaedah Lee adalah kaedah tradisional, dan ketepatannya telah disahkan oleh Oh et al. 5; Walau bagaimanapun, kebolehgunaan anggaran umur berdasarkan model DM dalam amalan forensik Korea masih dipersoalkan. Matlamat kami adalah secara saintifik mengesahkan potensi kegunaan anggaran umur berdasarkan model DM. Tujuan kajian ini adalah (1) untuk membandingkan ketepatan dua model DM dalam menganggarkan umur pergigian dan (2) untuk membandingkan prestasi klasifikasi 7 model DM pada usia 18 tahun dengan yang diperoleh menggunakan kaedah statistik tradisional kematangan kedua pada kedua dan molar ketiga di kedua -dua rahang.
Bermakna dan penyimpangan piawai umur kronologi mengikut peringkat dan jenis gigi ditunjukkan dalam talian dalam Jadual Tambahan S1 (set latihan), Jadual Tambahan S2 (set ujian dalaman), dan Jadual Tambahan S3 (set ujian luaran). Nilai kappa untuk kebolehpercayaan intra- dan interobserver yang diperoleh dari set latihan adalah 0.951 dan 0.947. Nilai p dan selang keyakinan 95% untuk nilai kappa ditunjukkan dalam Jadual Tambahan S4 dalam talian. Nilai Kappa ditafsirkan sebagai "hampir sempurna", selaras dengan kriteria Landis dan Koch26.
Apabila membandingkan kesilapan mutlak min (MAE), kaedah tradisional sedikit mengatasi model DM untuk semua jantina dan dalam set ujian lelaki luaran, kecuali perceptron multilayer (MLP). Perbezaan antara model tradisional dan model DM pada set ujian MAE dalaman ialah 0.12-0.19 tahun untuk lelaki dan 0.17-0.21 tahun untuk wanita. Untuk bateri ujian luaran, perbezaannya lebih kecil (0.001-0.05 tahun untuk lelaki dan 0.05-0.09 tahun untuk wanita). Di samping itu, kesilapan purata persegi akar (RMSE) sedikit lebih rendah daripada kaedah tradisional, dengan perbezaan yang lebih kecil (0.17-0.24, 0.2-0.24 untuk set ujian dalaman lelaki, dan 0.03-0.07, 0.04-0.08 untuk set ujian luaran). ). MLP menunjukkan prestasi yang lebih baik daripada satu lapisan Perceptron (SLP), kecuali dalam kes ujian luaran wanita. Bagi MAE dan RMSE, skor set ujian luaran lebih tinggi daripada set ujian dalaman untuk semua jantina dan model. Semua MAE dan RMSE ditunjukkan dalam Jadual 1 dan Rajah 1.
MAE dan RMSE model regresi perlombongan tradisional dan data. Purata kesilapan mutlak MAE, RMSE ralat persegi akar RMSE, satu lapisan perceptron SLP, Multilayer Perceptron MLP, kaedah CM tradisional.
Prestasi klasifikasi (dengan pemotongan 18 tahun) model tradisional dan DM ditunjukkan dari segi kepekaan, kekhususan, nilai ramalan positif (PPV), nilai ramalan negatif (NPV), dan kawasan di bawah lengkung ciri operasi penerima (AUROC) 27 (Jadual 2, Rajah 2 dan Tambahan Rajah 1 dalam talian). Dari segi sensitiviti bateri ujian dalaman, kaedah tradisional dilakukan paling baik di kalangan lelaki dan lebih teruk di kalangan wanita. Walau bagaimanapun, perbezaan prestasi klasifikasi antara kaedah tradisional dan SD adalah 9.7% untuk lelaki (MLP) dan hanya 2.4% untuk wanita (xgboost). Antara model DM, regresi logistik (LR) menunjukkan kepekaan yang lebih baik dalam kedua -dua jantina. Mengenai kekhususan set ujian dalaman, diperhatikan bahawa empat model SD dilakukan dengan baik pada lelaki, sementara model tradisional dilakukan lebih baik pada wanita. Perbezaan prestasi klasifikasi lelaki dan perempuan adalah 13.3% (MLP) dan 13.1% (MLP), yang menunjukkan bahawa perbezaan prestasi klasifikasi antara model melebihi kepekaan. Antara model DM, mesin vektor sokongan (SVM), pokok keputusan (DT), dan model Random Hutan (RF) yang paling baik dilakukan di kalangan lelaki, manakala model LR melakukan yang terbaik di kalangan wanita. Auroc model tradisional dan semua model SD lebih besar daripada 0.925 (K-terdiri jiran (KNN) pada lelaki), menunjukkan prestasi klasifikasi yang sangat baik dalam membezakan sampel 18 tahun28. Untuk set ujian luaran, terdapat penurunan prestasi klasifikasi dari segi kepekaan, kekhususan dan Auroc berbanding dengan set ujian dalaman. Selain itu, perbezaan kepekaan dan kekhususan antara prestasi klasifikasi model terbaik dan terburuk adalah dari 10% hingga 25% dan lebih besar daripada perbezaan dalam set ujian dalaman.
Kepekaan dan kekhususan model klasifikasi perlombongan data berbanding dengan kaedah tradisional dengan potongan 18 tahun. KNN K Neighbor terdekat, SVM Sokongan Vektor Mesin, Regresi Logistik LR, Pokok Keputusan DT, RF Random Hutan, XGB XGBOOST, MLP Multilayer Perceptron, Kaedah CM Tradisional.
Langkah pertama dalam kajian ini adalah untuk membandingkan ketepatan anggaran umur pergigian yang diperoleh daripada tujuh model DM dengan yang diperoleh menggunakan regresi tradisional. MAE dan RMSE dinilai dalam set ujian dalaman untuk kedua -dua jantina, dan perbezaan antara kaedah tradisional dan model DM berkisar antara 44 hingga 77 hari untuk MAE dan dari 62 hingga 88 hari untuk RMSE. Walaupun kaedah tradisional sedikit lebih tepat dalam kajian ini, sukar untuk menyimpulkan sama ada perbezaan kecil itu mempunyai kepentingan klinikal atau praktikal. Keputusan ini menunjukkan bahawa ketepatan anggaran umur pergigian menggunakan model DM hampir sama dengan kaedah tradisional. Perbandingan langsung dengan hasil dari kajian terdahulu adalah sukar kerana tiada kajian telah membandingkan ketepatan model DM dengan kaedah statistik tradisional menggunakan teknik yang sama untuk rakaman gigi dalam julat umur yang sama seperti dalam kajian ini. Galibourg et al24 berbanding MAE dan RMSE antara dua kaedah tradisional (Demirjian Method25 dan Willems Method29) dan 10 model DM dalam populasi Perancis berusia 2 hingga 24 tahun. Mereka melaporkan bahawa semua model DM lebih tepat daripada kaedah tradisional, dengan perbezaan 0.20 dan 0.38 tahun di MAE dan 0.25 dan 0.47 tahun dalam RMSE berbanding dengan kaedah Willems dan Demirdjian. Percanggahan antara model SD dan kaedah tradisional yang ditunjukkan dalam kajian Halibourg mengambil kira banyak laporan30,31,32,33 bahawa kaedah Demirdjian tidak tepat menganggarkan umur pergigian dalam populasi selain daripada Kanada Perancis di mana kajian itu berdasarkan. Dalam kajian ini. Tai et al 34 menggunakan algoritma MLP untuk meramalkan usia gigi dari 1636 gambar ortodontik Cina dan membandingkan ketepatannya dengan hasil kaedah Demirjian dan Willems. Mereka melaporkan bahawa MLP mempunyai ketepatan yang lebih tinggi daripada kaedah tradisional. Perbezaan antara kaedah Demirdjian dan kaedah tradisional ialah <0.32 tahun, dan kaedah Willems adalah 0.28 tahun, yang serupa dengan hasil kajian ini. Hasil kajian sebelumnya24,34 juga konsisten dengan hasil kajian ini, dan ketepatan anggaran umur model DM dan kaedah tradisional adalah serupa. Walau bagaimanapun, berdasarkan hasil yang dibentangkan, kita hanya dapat dengan berhati -hati menyimpulkan bahawa penggunaan model DM untuk menganggarkan umur boleh menggantikan kaedah yang sedia ada kerana kekurangan perbandingan dan rujukan kajian terdahulu. Kajian susulan menggunakan sampel yang lebih besar diperlukan untuk mengesahkan hasil yang diperolehi dalam kajian ini.
Antara kajian yang menguji ketepatan SD dalam menganggarkan umur pergigian, ada yang menunjukkan ketepatan yang lebih tinggi daripada kajian kami. Stepanovsky et al 35 memohon 22 model SD untuk radiografi panorama 976 penduduk Czech berusia 2.7 hingga 20.5 tahun dan menguji ketepatan setiap model. Mereka menilai perkembangan sejumlah 16 gigi kekal atas dan bawah kiri menggunakan kriteria klasifikasi yang dicadangkan oleh Moorrees et al 36. MAE berkisar antara 0.64 hingga 0.94 tahun dan RMSE berkisar antara 0.85 hingga 1.27 tahun, yang lebih tepat daripada dua model DM yang digunakan dalam kajian ini. Shen et al23 menggunakan kaedah cameriere untuk menganggarkan umur pergigian tujuh gigi kekal di mandible kiri di penduduk Cina timur berusia 5 hingga 13 tahun dan membandingkannya dengan umur yang dianggarkan menggunakan regresi linear, SVM dan RF. Mereka menunjukkan bahawa ketiga -tiga model DM mempunyai ketepatan yang lebih tinggi berbanding dengan formula tradisional cameraere. MAE dan RMSE dalam kajian Shen lebih rendah daripada model DM dalam kajian ini. Peningkatan ketepatan kajian oleh Stepanovsky et al. 35 dan Shen et al. 23 mungkin disebabkan oleh kemasukan subjek muda dalam sampel kajian mereka. Oleh kerana anggaran umur untuk peserta dengan membangunkan gigi menjadi lebih tepat kerana bilangan gigi meningkat semasa pembangunan pergigian, ketepatan kaedah anggaran umur yang terhasil dapat dikompromikan apabila peserta kajian lebih muda. Di samping itu, kesilapan MLP dalam anggaran umur sedikit lebih kecil daripada SLP, yang bermaksud bahawa MLP lebih tepat daripada SLP. MLP dianggap sedikit lebih baik untuk anggaran umur, mungkin disebabkan oleh lapisan tersembunyi di MLP38. Walau bagaimanapun, terdapat pengecualian untuk sampel luar wanita (SLP 1.45, MLP 1.49). Penemuan bahawa MLP lebih tepat daripada SLP dalam menilai umur memerlukan kajian retrospektif tambahan.
Prestasi klasifikasi model DM dan kaedah tradisional pada ambang 18 tahun juga dibandingkan. Semua model SD yang diuji dan kaedah tradisional pada set ujian dalaman menunjukkan tahap diskriminasi yang boleh diterima untuk sampel berusia 18 tahun. Kepekaan untuk lelaki dan wanita adalah lebih besar daripada 87.7% dan 94.9%, dan kekhususan adalah lebih besar daripada 89.3% dan 84.7%. Auroc semua model yang diuji juga melebihi 0.925. Untuk pengetahuan yang terbaik, tiada kajian telah menguji prestasi model DM untuk klasifikasi 18 tahun berdasarkan kematangan pergigian. Kita dapat membandingkan hasil kajian ini dengan prestasi klasifikasi model pembelajaran mendalam pada radiografi panorama. Guo et al.15 mengira prestasi klasifikasi model pembelajaran mendalam berasaskan CNN dan kaedah manual berdasarkan kaedah Demirjian untuk ambang umur tertentu. Kepekaan dan kekhususan kaedah manual masing -masing adalah 87.7% dan 95.5%, dan kepekaan dan kekhususan model CNN melebihi 89.2% dan 86.6%. Mereka menyimpulkan bahawa model pembelajaran yang mendalam boleh menggantikan atau mengatasi penilaian manual dalam mengklasifikasikan ambang umur. Hasil kajian ini menunjukkan prestasi klasifikasi yang sama; Adalah dipercayai bahawa klasifikasi menggunakan model DM boleh menggantikan kaedah statistik tradisional untuk anggaran umur. Antara model, DM LR adalah model terbaik dari segi kepekaan untuk sampel lelaki dan kepekaan dan kekhususan untuk sampel wanita. LR menduduki tempat kedua dalam kekhususan untuk lelaki. Selain itu, LR dianggap sebagai salah satu model DM35 yang lebih mesra pengguna dan kurang kompleks dan sukar diproses. Berdasarkan keputusan ini, LR dianggap sebagai model klasifikasi cutoff terbaik untuk kanak-kanak berumur 18 tahun dalam populasi Korea.
Secara keseluruhannya, ketepatan anggaran umur atau prestasi klasifikasi pada set ujian luaran adalah miskin atau lebih rendah berbanding dengan keputusan pada set ujian dalaman. Sesetengah laporan menunjukkan bahawa ketepatan atau kecekapan klasifikasi berkurangan apabila anggaran umur berdasarkan populasi Korea digunakan untuk populasi Jepun5,39, dan corak yang sama didapati dalam kajian ini. Trend kemerosotan ini juga diperhatikan dalam model DM. Oleh itu, dengan tepat menganggarkan umur, walaupun menggunakan DM dalam proses analisis, kaedah yang diperolehi daripada data penduduk asli, seperti kaedah tradisional, harus lebih disukai5,39,40,41,42. Memandangkan tidak jelas sama ada model pembelajaran mendalam dapat menunjukkan trend yang sama, kajian membandingkan ketepatan dan kecekapan klasifikasi menggunakan kaedah tradisional, model DM, dan model pembelajaran mendalam pada sampel yang sama diperlukan untuk mengesahkan sama ada kecerdasan buatan dapat mengatasi perbezaan kaum ini dalam usia yang terhad. penilaian.
Kami menunjukkan bahawa kaedah tradisional boleh digantikan dengan anggaran umur berdasarkan model DM dalam amalan anggaran umur forensik di Korea. Kami juga mendapati kemungkinan pelaksanaan pembelajaran mesin untuk penilaian usia forensik. Walau bagaimanapun, terdapat batasan yang jelas, seperti bilangan peserta yang tidak mencukupi dalam kajian ini untuk menentukan hasilnya secara pasti, dan kekurangan kajian terdahulu untuk membandingkan dan mengesahkan hasil kajian ini. Pada masa akan datang, kajian DM perlu dijalankan dengan jumlah sampel yang lebih besar dan populasi yang lebih pelbagai untuk meningkatkan kebolehgunaan praktikalnya berbanding dengan kaedah tradisional. Untuk mengesahkan kemungkinan menggunakan kecerdasan buatan untuk menganggarkan umur dalam pelbagai populasi, kajian masa depan diperlukan untuk membandingkan ketepatan klasifikasi dan kecekapan DM dan model pembelajaran mendalam dengan kaedah tradisional dalam sampel yang sama.
Kajian ini menggunakan 2,657 gambar ortografi yang dikumpulkan dari orang dewasa Korea dan Jepun berusia 15 hingga 23 tahun. Radiograf Korea dibahagikan kepada 900 set latihan (19.42 ± 2.65 tahun) dan 900 set ujian dalaman (19.52 ± 2.59 tahun). Set latihan dikumpulkan di satu institusi (Seoul St. Mary's Hospital), dan set ujian sendiri dikumpulkan di dua institusi (Seoul National University Hospital dan Hospital Pergigian Universiti Yonsei). Kami juga mengumpul 857 radiografi dari data berasaskan populasi lain (Iwate Medical University, Jepun) untuk ujian luaran. Radiografi subjek Jepun (19.31 ± 2.60 tahun) dipilih sebagai set ujian luaran. Data dikumpulkan secara retrospektif untuk menganalisis peringkat pembangunan pergigian pada radiografi panorama yang diambil semasa rawatan pergigian. Semua data yang dikumpulkan adalah tanpa nama kecuali jantina, tarikh lahir dan tarikh radiografi. Kriteria inklusi dan pengecualian adalah sama seperti kajian yang diterbitkan sebelum ini 4, 5. Umur sebenar sampel dikira dengan menolak tarikh lahir dari tarikh radiografi diambil. Kumpulan sampel dibahagikan kepada sembilan kumpulan umur. Umur dan pengagihan seks ditunjukkan dalam Jadual 3 Kajian ini dijalankan mengikut Deklarasi Helsinki dan diluluskan oleh Lembaga Kajian Institusi (LHDN) dari Hospital Seoul St. Mary Katolik Korea (KC22WISI0328). Oleh kerana reka bentuk retrospektif kajian ini, persetujuan yang dimaklumkan tidak dapat diperoleh dari semua pesakit yang menjalani peperiksaan radiografi untuk tujuan terapeutik. Seoul Korea University St. Mary's Hospital (LHDN) mengetepikan keperluan untuk persetujuan yang dimaklumkan.
Tahap perkembangan molar kedua dan ketiga bimaxillary dinilai mengikut kriteria demircan25. Hanya satu gigi yang dipilih jika jenis gigi yang sama ditemui di sebelah kiri dan kanan setiap rahang. Jika gigi homolog di kedua -dua belah berada pada peringkat perkembangan yang berbeza, gigi dengan peringkat perkembangan yang lebih rendah dipilih untuk menjelaskan ketidakpastian dalam usia yang dianggarkan. Seratus radiografi yang dipilih secara rawak dari set latihan dijaringkan oleh dua pemerhati yang berpengalaman untuk menguji kebolehpercayaan interobserver selepas precalibration untuk menentukan peringkat kematangan gigi. Kebolehpercayaan intraobserver dinilai dua kali pada selang tiga bulan oleh pemerhati utama.
Tahap seks dan perkembangan molar kedua dan ketiga setiap rahang dalam set latihan dianggarkan oleh pemerhati utama yang terlatih dengan model DM yang berbeza, dan umur sebenar ditetapkan sebagai nilai sasaran. Model SLP dan MLP, yang digunakan secara meluas dalam pembelajaran mesin, telah diuji terhadap algoritma regresi. Model DM menggabungkan fungsi linear menggunakan peringkat perkembangan empat gigi dan menggabungkan data ini untuk menganggarkan umur. SLP adalah rangkaian saraf yang paling mudah dan tidak mengandungi lapisan tersembunyi. SLP berfungsi berdasarkan penghantaran ambang antara nod. Model SLP dalam regresi secara matematik sama dengan regresi linear berganda. Tidak seperti model SLP, model MLP mempunyai banyak lapisan tersembunyi dengan fungsi pengaktifan tak linear. Eksperimen kami menggunakan lapisan tersembunyi dengan hanya 20 nod tersembunyi dengan fungsi pengaktifan tak linear. Gunakan keturunan kecerunan sebagai kaedah pengoptimuman dan MAE dan RMSE sebagai fungsi kerugian untuk melatih model pembelajaran mesin kami. Model regresi terbaik yang diperolehi telah digunakan untuk set ujian dalaman dan luaran dan umur gigi dianggarkan.
Algoritma klasifikasi telah dibangunkan yang menggunakan kematangan empat gigi pada latihan yang ditetapkan untuk meramalkan sama ada sampel berusia 18 tahun atau tidak. Untuk membina model, kami memperoleh tujuh algoritma pembelajaran mesin perwakilan6,43: (1) LR, (2) KNN, (3) SVM, (4) dt, (5) RF, (6) XGBOOST, dan (7) MLP . LR adalah salah satu algoritma klasifikasi yang paling banyak digunakan. Ia adalah algoritma pembelajaran yang diawasi yang menggunakan regresi untuk meramalkan kebarangkalian data yang dimiliki oleh kategori tertentu dari 0 hingga 1 dan mengklasifikasikan data sebagai kepunyaan kategori yang lebih mungkin berdasarkan kebarangkalian ini; terutamanya digunakan untuk klasifikasi binari. KNN adalah salah satu algoritma pembelajaran mesin paling mudah45. Apabila diberi data input baru, ia mendapati data K dekat dengan set sedia ada dan kemudian mengklasifikasikannya ke dalam kelas dengan kekerapan tertinggi. Kami menetapkan 3 untuk bilangan jiran yang dipertimbangkan (k). SVM adalah algoritma yang memaksimumkan jarak antara dua kelas dengan menggunakan fungsi kernel untuk mengembangkan ruang linear ke dalam ruang bukan linear yang dipanggil Fields46. Untuk model ini, kami menggunakan bias = 1, kuasa = 1, dan gamma = 1 sebagai hyperparameter untuk kernel polinomial. DT telah digunakan dalam pelbagai bidang sebagai algoritma untuk membahagikan keseluruhan data yang ditetapkan ke dalam beberapa subkumpulan dengan mewakili peraturan keputusan dalam struktur pokok47. Model ini dikonfigurasikan dengan bilangan minimum rekod setiap nod 2 dan menggunakan indeks Gini sebagai ukuran kualiti. RF adalah kaedah ensemble yang menggabungkan pelbagai DTS untuk meningkatkan prestasi menggunakan kaedah agregasi bootstrap yang menghasilkan pengelas yang lemah untuk setiap sampel dengan sampel lukisan secara rawak dengan saiz yang sama beberapa kali dari Dataset48 asal. Kami menggunakan 100 pokok, 10 kedalaman pokok, 1 saiz nod minimum, dan indeks campuran Gini sebagai kriteria pemisahan nod. Klasifikasi data baru ditentukan oleh undi majoriti. XGBoost adalah algoritma yang menggabungkan teknik meningkatkan menggunakan kaedah yang mengambil data latihan kesilapan antara nilai sebenar dan yang diramalkan model sebelumnya dan menambah ralat menggunakan gradien49. Ia adalah algoritma yang digunakan secara meluas kerana prestasi dan kecekapan sumbernya yang baik, serta kebolehpercayaan yang tinggi sebagai fungsi pembetulan yang berlebihan. Model ini dilengkapi dengan 400 roda sokongan. MLP adalah rangkaian saraf di mana satu atau lebih perceptrons membentuk pelbagai lapisan dengan satu atau lebih lapisan tersembunyi antara lapisan input dan output38. Dengan menggunakan ini, anda boleh melakukan klasifikasi bukan linear di mana apabila anda menambah lapisan input dan mendapatkan nilai hasil, nilai hasil yang diramalkan dibandingkan dengan nilai hasil sebenar dan ralat disebarkan kembali. Kami mencipta lapisan tersembunyi dengan 20 neuron tersembunyi di setiap lapisan. Setiap model yang kami usahakan telah digunakan untuk set dalaman dan luaran untuk menguji prestasi klasifikasi dengan mengira kepekaan, kekhususan, PPV, NPV, dan Auroc. Sensitiviti ditakrifkan sebagai nisbah sampel yang dianggarkan berumur 18 tahun atau lebih tua kepada sampel yang dianggarkan berumur 18 tahun atau lebih tua. Kekhususan adalah perkadaran sampel di bawah umur 18 tahun dan yang dianggarkan berusia di bawah 18 tahun.
Tahap pergigian yang dinilai dalam set latihan telah diubah menjadi peringkat berangka untuk analisis statistik. Regresi linear dan logistik multivariate dilakukan untuk membangunkan model ramalan untuk setiap seks dan memperoleh formula regresi yang boleh digunakan untuk menganggarkan umur. Kami menggunakan formula ini untuk menganggarkan umur gigi untuk set ujian dalaman dan luaran. Jadual 4 menunjukkan model regresi dan klasifikasi yang digunakan dalam kajian ini.
Kebolehpercayaan intra- dan interobserver dikira menggunakan statistik kappa Cohen. Untuk menguji ketepatan DM dan model regresi tradisional, kami mengira MAE dan RMSE menggunakan usia yang dianggarkan dan sebenar set ujian dalaman dan luaran. Kesalahan ini biasanya digunakan untuk menilai ketepatan ramalan model. Semakin kecil kesilapan, semakin tinggi ketepatan ramalan24. Bandingkan MAE dan RMSE set ujian dalaman dan luaran yang dikira menggunakan DM dan regresi tradisional. Prestasi klasifikasi potongan 18 tahun dalam statistik tradisional dinilai menggunakan jadual kontingensi 2 × 2. Sensitiviti, kekhususan, PPV, NPV, dan AUROC yang dikira set ujian dibandingkan dengan nilai yang diukur model klasifikasi DM. Data dinyatakan sebagai min ± sisihan piawai atau bilangan (%) bergantung kepada ciri -ciri data. Nilai p dua sisi <0.05 dianggap signifikan secara statistik. Semua analisis statistik rutin dilakukan menggunakan versi SAS 9.4 (SAS Institute, Cary, NC). Model regresi DM dilaksanakan di Python menggunakan Backend Keras50 2.2.4 dan TensorFlow51 1.8.0 khusus untuk operasi matematik. Model klasifikasi DM telah dilaksanakan dalam persekitaran Analisis Pengetahuan Waikato dan Platform Analisis Penambang Maklumat Konstanz (KNIME) 4.6.152.
Penulis mengakui bahawa data yang menyokong kesimpulan kajian boleh didapati dalam artikel dan bahan tambahan. Dataset yang dihasilkan dan/atau dianalisis semasa kajian boleh didapati dari pengarang yang sepadan dengan permintaan yang munasabah.
Ritz-Timme, S. et al. Penilaian umur: keadaan seni untuk memenuhi keperluan khusus amalan forensik. antarabangsa. J. Perubatan Perundangan. 113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., dan Olze, A. Status semasa penilaian umur forensik subjek hidup untuk tujuan pendakwaan jenayah. Forensik. ubat. Patologi. 1, 239-246 (2005).
Pan, J. et al. Kaedah yang diubahsuai untuk menilai usia pergigian kanak -kanak berumur 5 hingga 16 tahun di timur China. klinikal. Tinjauan lisan. 25, 3463-3474 (2021).
Lee, SS dan lain -lain Kronologi perkembangan molar kedua dan ketiga di Korea dan permohonannya untuk penilaian usia forensik. antarabangsa. J. Perubatan Perundangan. 124, 659-665 (2010).
OH, S., Kumagai, A., Kim, SY dan Lee, SS Ketepatan anggaran umur dan anggaran ambang 18 tahun berdasarkan kematangan molar kedua dan ketiga di Korea dan Jepun. PLOS One 17, E0271247 (2022).
Kim, JY, et al. Analisis data berasaskan pembelajaran mesin preoperatif boleh meramalkan hasil rawatan pembedahan tidur pada pesakit dengan OSA. sains. Laporan 11, 14911 (2021).
Han, M. et al. Anggaran umur yang tepat dari pembelajaran mesin dengan atau tanpa campur tangan manusia? antarabangsa. J. Perubatan Perundangan. 136, 821-831 (2022).
Khan, S. dan Shaheen, M. dari perlombongan data ke perlombongan data. J.Information. sains. https://doi.org/10.1177/016555515211030872 (2021).
Khan, S. dan Shaheen, M. Wisrule: Algoritma Kognitif Pertama untuk Peraturan Peraturan Persatuan. J.Information. sains. https://doi.org/10.1177/016555515221108695 (2022).
Shaheen M. dan Abdullah U. KARM: Perlombongan data tradisional berdasarkan peraturan persatuan berasaskan konteks. hitung. Matt. Teruskan. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. dan Habib M. Pengesanan persamaan semantik berdasarkan pembelajaran mendalam menggunakan data teks. memaklumkan. teknologi. kawalan. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., dan Shahin, M. Sistem untuk mengiktiraf aktiviti dalam video sukan. Multimedia. Aplikasi Alat https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Cabaran Pembelajaran Mesin RSNA dalam Umur Tulang Pediatrik. Radiologi 290, 498-503 (2019).
Li, Y. et al. Anggaran umur forensik dari x-ray pelvik menggunakan pembelajaran mendalam. Euro. radiasi. 29, 2322-2329 (2019).
Guo, YC, et al. Klasifikasi umur yang tepat menggunakan kaedah manual dan rangkaian saraf konvensional yang mendalam dari imej unjuran ortografi. antarabangsa. J. Perubatan Perundangan. 135, 1589-1597 (2021).
Alabama Dalora et al. Anggaran umur tulang menggunakan kaedah pembelajaran mesin yang berbeza: Kajian literatur sistematik dan meta-analisis. PLOS One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., dan Yang, J. Anggaran umur spesifik penduduk Amerika Afrika dan Cina berdasarkan jumlah ruang pulpa molar pertama menggunakan tomografi yang dikira kerucut. antarabangsa. J. Perubatan Perundangan. 136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK dan OH KS Menentukan Kumpulan Umur Orang Hidup Menggunakan Imej Berbasis Kecerdasan Buatan Molar Pertama. sains. Laporan 11, 1073 (2021).
Stern, D., Pembayar, C., Giuliani, N., dan Urschler, M. Anggaran umur automatik dan klasifikasi umur majoriti dari data MRI multivariate. IEEE J. Biomed. Makluman kesihatan. 23, 1392-1403 (2019).
Cheng, Q., Ge, Z., Du, H. dan Li, G. Anggaran umur berdasarkan segmentasi ruang pulpa 3D dari molar pertama dari tomografi dikira rasuk kerucut dengan mengintegrasikan set pembelajaran mendalam dan set. antarabangsa. J. Perubatan Perundangan. 135, 365-373 (2021).
Wu, WT, et al. Perlombongan data dalam data besar klinikal: pangkalan data, langkah, dan kaedah biasa. Dunia. ubat. sumber. 8, 44 (2021).
Yang, J. et al. Pengenalan kepada pangkalan data perubatan dan teknologi perlombongan data dalam era data besar. J. Avid. Ubat asas. 13, 57-69 (2020).
Shen, S. et al. Kaedah Camerer untuk menganggarkan umur gigi menggunakan pembelajaran mesin. BMC Health Oral 21, 641 (2021).
Galliburg A. et al. Perbandingan kaedah pembelajaran mesin yang berbeza untuk meramalkan umur pergigian menggunakan kaedah pementasan Demirdjian. antarabangsa. J. Perubatan Perundangan. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. dan Tanner, JM Sistem baru untuk menilai usia pergigian. snort. Biologi. 45, 211-227 (1973).
Landis, Jr, dan Koch, GG mengukur perjanjian pemerhati mengenai data kategori. Biometrik 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK dan Choi HK. Analisis tekstur, morfologi dan statistik pengimejan resonans magnetik dua dimensi menggunakan teknik kecerdasan buatan untuk pembezaan tumor otak utama. Maklumat kesihatan. sumber. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Masa Post: Jan-04-2024