Terima kasih kerana melawat Nature.com.Versi penyemak imbas yang anda gunakan mempunyai sokongan CSS yang terhad.Untuk hasil terbaik, kami mengesyorkan menggunakan versi penyemak imbas anda yang lebih baharu (atau matikan mod keserasian dalam Internet Explorer).Sementara itu, untuk memastikan sokongan berterusan, kami memaparkan tapak tanpa penggayaan atau JavaScript.
Gigi dianggap sebagai penunjuk umur badan manusia yang paling tepat dan sering digunakan dalam penilaian umur forensik.Kami menyasarkan untuk mengesahkan anggaran umur pergigian berasaskan perlombongan data dengan membandingkan ketepatan anggaran dan prestasi klasifikasi ambang 18 tahun dengan kaedah tradisional dan anggaran umur berasaskan perlombongan data.Sebanyak 2657 radiograf panoramik telah dikumpul daripada warga Korea dan Jepun berumur 15 hingga 23 tahun.Mereka dibahagikan kepada set latihan, setiap satu mengandungi 900 radiograf Korea, dan set ujian dalaman mengandungi 857 radiograf Jepun.Kami membandingkan ketepatan klasifikasi dan kecekapan kaedah tradisional dengan set ujian model perlombongan data.Ketepatan kaedah tradisional pada set ujian dalaman adalah lebih tinggi sedikit daripada model perlombongan data, dan perbezaannya adalah kecil (min ralat mutlak <0.21 tahun, punca ralat min kuasa dua <0.24 tahun).Prestasi klasifikasi untuk pemotongan 18 tahun juga serupa antara kaedah tradisional dan model perlombongan data.Oleh itu, kaedah tradisional boleh digantikan dengan model perlombongan data apabila melakukan penilaian umur forensik menggunakan kematangan gigi molar kedua dan ketiga pada remaja dan dewasa muda Korea.
Anggaran umur pergigian digunakan secara meluas dalam perubatan forensik dan pergigian pediatrik.Khususnya, kerana korelasi yang tinggi antara umur kronologi dan perkembangan pergigian, penilaian umur mengikut peringkat perkembangan pergigian merupakan kriteria penting untuk menilai umur kanak-kanak dan remaja1,2,3.Walau bagaimanapun, bagi golongan muda, menganggarkan umur pergigian berdasarkan kematangan gigi mempunyai hadnya kerana pertumbuhan gigi hampir lengkap, kecuali gigi molar ketiga.Tujuan undang-undang menentukan umur golongan muda dan remaja adalah untuk memberikan anggaran yang tepat dan bukti saintifik sama ada mereka telah mencapai umur dewasa.Dalam amalan medico-legal remaja dan 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 ialah sejenis kecerdasan buatan (AI) yang berulang kali mempelajari dan mengklasifikasikan sejumlah besar data, menyelesaikan masalah dengan sendirinya 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 had apabila berurusan dengan volum besar data kompleks yang sukar diproses secara manual7.Oleh itu, banyak kajian telah dijalankan baru-baru ini menggunakan teknologi komputer terkini untuk meminimumkan ralat manusia dan memproses data multidimensi dengan cekap8,9,10,11,12.Khususnya, pembelajaran mendalam telah digunakan secara meluas dalam analisis imej perubatan, dan pelbagai kaedah untuk anggaran umur dengan menganalisis radiograf 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 neural convolutional (CNN) untuk menganggarkan umur rangka menggunakan radiograf tangan kanak-kanak.Kajian ini mencadangkan model yang menggunakan pembelajaran mesin pada imej perubatan dan menunjukkan bahawa kaedah ini boleh meningkatkan ketepatan diagnostik.Li et al14 menganggarkan umur daripada imej X-ray pelvis menggunakan CNN pembelajaran mendalam dan membandingkannya dengan keputusan regresi menggunakan anggaran peringkat pengerasan.Mereka mendapati model CNN pembelajaran mendalam menunjukkan prestasi anggaran umur yang sama seperti model regresi tradisional.Kajian Guo et al. [15] menilai prestasi klasifikasi toleransi umur teknologi CNN berdasarkan ortofoto pergigian, dan keputusan model CNN membuktikan bahawa manusia mengatasi prestasi klasifikasi umurnya.
Kebanyakan kajian tentang anggaran umur menggunakan pembelajaran mesin menggunakan kaedah pembelajaran mendalam13,14,15,16,17,18,19,20.Anggaran umur berdasarkan pembelajaran mendalam dilaporkan lebih tepat berbanding kaedah tradisional.Walau bagaimanapun, pendekatan ini memberikan 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) ialah teknik yang boleh menemui bukan sahaja maklumat yang dijangka tetapi juga 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 dalam data.Anggaran umur menggunakan perkembangan pergigian adalah berdasarkan penilaian pemeriksa terhadap kematangan gigi sasaran, dan penilaian ini dinyatakan sebagai peringkat untuk setiap gigi sasaran.DM boleh digunakan untuk menganalisis korelasi antara peringkat penilaian pergigian dan umur sebenar dan berpotensi untuk menggantikan analisis statistik tradisional.Oleh itu, jika kami menggunakan teknik DM pada anggaran umur, kami boleh melaksanakan pembelajaran mesin dalam anggaran umur forensik tanpa perlu risau tentang liabiliti undang-undang.Beberapa kajian perbandingan telah diterbitkan mengenai kemungkinan alternatif kepada kaedah manual tradisional yang digunakan dalam amalan forensik dan kaedah berasaskan EBM untuk menentukan umur pergigian.Shen et al23 menunjukkan bahawa model DM adalah lebih tepat daripada formula Camerer tradisional.Galibourg et al24 menggunakan kaedah DM yang berbeza untuk meramal umur mengikut kriteria Demirdjian25 dan keputusan menunjukkan kaedah DM mengatasi kaedah Demirdjian dan Willems dalam menganggar umur penduduk Perancis.
Untuk menganggarkan umur pergigian remaja Korea dan 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 untuk mengesahkan potensi kegunaan anggaran umur secara saintifik berdasarkan model DM.Tujuan kajian ini adalah (1) untuk membandingkan ketepatan dua model DM dalam menganggar umur pergigian dan (2) untuk membandingkan prestasi klasifikasi 7 model DM pada umur 18 tahun dengan yang diperoleh menggunakan kaedah statistik tradisional Kematangan kedua. dan molar ketiga di kedua-dua rahang.
Purata dan sisihan 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 antara pemerhati yang diperoleh daripada set latihan ialah 0.951 dan 0.947, masing-masing.Nilai P dan selang keyakinan 95% untuk nilai kappa ditunjukkan dalam jadual tambahan dalam talian S4.Nilai kappa ditafsirkan sebagai "hampir sempurna", selaras dengan kriteria Landis dan Koch26.
Apabila membandingkan min ralat mutlak (MAE), kaedah tradisional sedikit mengatasi model DM untuk semua jantina dan dalam set ujian lelaki luaran, dengan pengecualian multilayer perceptron (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 adalah lebih kecil (0.001–0.05 tahun untuk lelaki dan 0.05–0.09 tahun untuk wanita).Selain itu, ralat purata kuasa dua (RMSE) adalah lebih rendah sedikit 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 sedikit daripada Single Layer Perceptron (SLP), kecuali dalam kes set ujian luaran wanita.Untuk 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.Min ralat mutlak MAE, punca min ralat kuasa dua RMSE, satu lapisan perceptron SLP, multilayer perceptron MLP, kaedah CM tradisional.
Prestasi klasifikasi (dengan potongan 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 Rajah Tambahan 1 dalam talian).Dari segi sensitiviti bateri ujian dalaman, kaedah tradisional menunjukkan prestasi terbaik di kalangan lelaki dan lebih teruk di kalangan wanita.Walau bagaimanapun, perbezaan dalam prestasi pengelasan antara kaedah tradisional dan SD ialah 9.7% untuk lelaki (MLP) dan hanya 2.4% untuk wanita (XGBoost).Antara model DM, regresi logistik (LR) menunjukkan sensitiviti yang lebih baik dalam kedua-dua jantina.Mengenai kekhususan set ujian dalaman, diperhatikan bahawa empat model SD menunjukkan prestasi yang baik pada lelaki, manakala model tradisional menunjukkan prestasi yang lebih baik pada wanita.Perbezaan dalam prestasi pengelasan untuk lelaki dan perempuan adalah masing-masing 13.3% (MLP) dan 13.1% (MLP), menunjukkan bahawa perbezaan dalam prestasi pengelasan antara model melebihi sensitiviti.Antara model DM, model mesin vektor sokongan (SVM), pokok keputusan (DT), dan hutan rawak (RF) menunjukkan prestasi terbaik dalam kalangan lelaki, manakala model LR menunjukkan prestasi terbaik dalam kalangan wanita.AUROC model tradisional dan semua model SD adalah lebih besar daripada 0.925 (k-jiran terdekat (KNN) pada lelaki), menunjukkan prestasi klasifikasi yang sangat baik dalam mendiskriminasi sampel berusia 18 tahun28.Bagi set ujian luaran, terdapat penurunan dalam prestasi klasifikasi dari segi kepekaan, kekhususan dan AUROC berbanding set ujian dalaman.Selain itu, perbezaan kepekaan dan kekhususan antara prestasi klasifikasi model terbaik dan terburuk adalah antara 10% hingga 25% dan lebih besar daripada perbezaan dalam set ujian dalaman.
Kepekaan dan kekhususan model klasifikasi perlombongan data berbanding kaedah tradisional dengan cutoff selama 18 tahun.KNN k jiran terdekat, mesin vektor sokongan SVM, regresi logistik LR, pokok keputusan DT, hutan rawak RF, 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 adalah antara 44 hingga 77 hari untuk MAE dan dari 62 hingga 88 hari untuk RMSE.Walaupun kaedah tradisional lebih tepat sedikit dalam kajian ini, adalah sukar untuk membuat kesimpulan sama ada perbezaan kecil itu mempunyai kepentingan klinikal atau praktikal.Keputusan ini menunjukkan bahawa ketepatan anggaran umur pergigian menggunakan model DM adalah hampir sama dengan kaedah tradisional.Perbandingan langsung dengan keputusan daripada kajian lepas adalah sukar kerana tiada kajian membandingkan ketepatan model DM dengan kaedah statistik tradisional menggunakan teknik merekod gigi yang sama dalam lingkungan umur yang sama seperti dalam kajian ini.Galibourg et al24 membandingkan MAE dan RMSE antara dua kaedah tradisional (kaedah Demirjian25 dan kaedah Willems29) dan 10 model DM dalam populasi Perancis berumur 2 hingga 24 tahun.Mereka melaporkan bahawa semua model DM adalah lebih tepat daripada kaedah tradisional, dengan perbezaan 0.20 dan 0.38 tahun dalam MAE dan 0.25 dan 0.47 tahun dalam RMSE berbanding dengan kaedah Willems dan Demirdjian, masing-masing.Percanggahan antara model SD dan kaedah tradisional yang ditunjukkan dalam kajian Halibourg mengambil kira banyak laporan30,31,32,33 bahawa kaedah Demirdjian tidak menganggarkan umur pergigian dengan tepat dalam populasi selain daripada Kanada Perancis yang menjadi asas kajian itu.Dalam kajian ini.Tai et al 34 menggunakan algoritma MLP untuk meramal umur gigi daripada 1636 gambar ortodontik Cina dan membandingkan ketepatannya dengan keputusan 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 ialah 0.28 tahun, yang serupa dengan keputusan kajian ini.Keputusan kajian terdahulu24,34 ini juga konsisten dengan keputusan kajian ini, dan ketepatan anggaran umur model DM dan kaedah tradisional adalah serupa.Walau bagaimanapun, berdasarkan keputusan yang dibentangkan, kami hanya boleh membuat kesimpulan dengan berhati-hati bahawa penggunaan model DM untuk menganggarkan umur mungkin menggantikan kaedah sedia ada kerana kekurangan perbandingan dan rujukan kajian terdahulu.Kajian susulan menggunakan sampel yang lebih besar diperlukan untuk mengesahkan keputusan yang diperoleh dalam kajian ini.
Antara kajian yang menguji ketepatan SD dalam menganggar umur pergigian, ada yang menunjukkan ketepatan yang lebih tinggi daripada kajian kami.Stepanovsky et al 35 menggunakan 22 model SD untuk radiograf panoramik 976 penduduk Czech berumur 2.7 hingga 20.5 tahun dan menguji ketepatan setiap model.Mereka menilai perkembangan sejumlah 16 gigi kekal kiri atas dan bawah menggunakan kriteria klasifikasi yang dicadangkan oleh Moorrees et al 36 .MAE berjulat dari 0.64 hingga 0.94 tahun dan RMSE berjulat dari 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 rahang bawah kiri pada penduduk Cina timur berumur 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 formula Cameriere tradisional.MAE dan RMSE dalam kajian Shen adalah lebih rendah daripada dalam model DM dalam kajian ini.Peningkatan ketepatan kajian oleh Stepanovsky et al.35 dan Shen et al.23 mungkin disebabkan oleh kemasukan subjek yang lebih muda dalam sampel kajian mereka.Oleh kerana anggaran umur untuk peserta yang tumbuh gigi menjadi lebih tepat apabila bilangan gigi bertambah semasa perkembangan pergigian, ketepatan kaedah anggaran umur yang terhasil mungkin terjejas apabila peserta kajian lebih muda.Selain itu, ralat MLP dalam anggaran umur adalah lebih kecil sedikit daripada SLP, bermakna MLP lebih tepat daripada SLP.MLP dianggap lebih baik sedikit untuk anggaran umur, mungkin disebabkan oleh lapisan tersembunyi dalam MLP38.Walau bagaimanapun, terdapat pengecualian untuk sampel luar wanita (SLP 1.45, MLP 1.49).Penemuan bahawa MLP adalah lebih tepat daripada SLP dalam menilai umur memerlukan kajian retrospektif tambahan.
Prestasi klasifikasi model DM dan kaedah tradisional pada ambang 18 tahun juga telah dibandingkan.Semua model SD yang diuji dan kaedah tradisional pada set ujian dalaman menunjukkan tahap diskriminasi yang boleh diterima secara praktikal untuk sampel berumur 18 tahun.Sensitiviti untuk lelaki dan wanita adalah lebih besar daripada 87.7% dan 94.9%, masing-masing, dan kekhususan adalah lebih besar daripada 89.3% dan 84.7%.AUROC semua model yang diuji juga melebihi 0.925.Sepanjang pengetahuan kami, tiada kajian telah menguji prestasi model DM untuk klasifikasi 18 tahun berdasarkan kematangan pergigian.Kita boleh membandingkan hasil kajian ini dengan prestasi klasifikasi model pembelajaran mendalam pada radiograf panoramik.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 ialah 87.7% dan 95.5%, masing-masing, dan kepekaan dan kekhususan model CNN masing-masing melebihi 89.2% dan 86.6%.Mereka membuat kesimpulan bahawa model pembelajaran mendalam boleh menggantikan atau mengatasi prestasi penilaian manual dalam mengklasifikasikan ambang umur.Keputusan kajian ini menunjukkan prestasi pengelasan yang sama;Adalah dipercayai bahawa pengelasan menggunakan model DM boleh menggantikan kaedah statistik tradisional untuk anggaran umur.Antara model tersebut, DM LR merupakan model terbaik dari segi kepekaan bagi sampel lelaki dan kepekaan dan kekhususan bagi sampel perempuan.LR menduduki tempat kedua dalam kekhususan untuk lelaki.Selain itu, LR dianggap sebagai salah satu model DM35 yang lebih mesra pengguna dan kurang kompleks serta sukar untuk 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 lemah atau lebih rendah berbanding keputusan pada set ujian dalaman.Beberapa laporan menunjukkan bahawa ketepatan klasifikasi atau kecekapan berkurangan apabila anggaran umur berdasarkan populasi Korea digunakan untuk penduduk Jepun5,39, dan corak yang sama ditemui dalam kajian ini.Trend kemerosotan ini juga diperhatikan dalam model DM.Oleh itu, untuk menganggar umur dengan tepat, walaupun semasa menggunakan DM dalam proses analisis, kaedah yang diperoleh daripada data populasi asli, seperti kaedah tradisional, harus diutamakan5,39,40,41,42.Memandangkan tidak jelas sama ada model pembelajaran mendalam boleh menunjukkan arah aliran yang sama, kajian yang membandingkan ketepatan dan kecekapan pengelasan menggunakan kaedah tradisional, model DM dan model pembelajaran mendalam pada sampel yang sama diperlukan untuk mengesahkan sama ada kecerdasan buatan boleh mengatasi jurang perkauman ini dalam usia terhad.penilaian.
Kami menunjukkan bahawa kaedah tradisional boleh digantikan dengan anggaran umur berdasarkan model DM dalam amalan anggaran umur forensik di Korea.Kami juga menemui kemungkinan melaksanakan pembelajaran mesin untuk penilaian umur forensik.Walau bagaimanapun, terdapat batasan yang jelas, seperti bilangan peserta yang tidak mencukupi dalam kajian ini untuk menentukan keputusan secara pasti, dan kekurangan kajian terdahulu untuk membandingkan dan mengesahkan keputusan kajian ini.Pada masa hadapan, kajian DM harus dijalankan dengan bilangan sampel yang lebih besar dan populasi yang lebih pelbagai untuk meningkatkan kebolehgunaan praktikalnya berbanding dengan kaedah tradisional.Untuk mengesahkan kebolehlaksanaan menggunakan kecerdasan buatan untuk menganggarkan umur dalam berbilang populasi, kajian masa depan diperlukan untuk membandingkan ketepatan klasifikasi dan kecekapan model DM dan pembelajaran mendalam dengan kaedah tradisional dalam sampel yang sama.
Kajian itu menggunakan 2,657 gambar ortografik yang dikumpul daripada orang dewasa Korea dan Jepun berumur 15 hingga 23 tahun.Radiografi 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 (Hospital St. Mary Seoul), dan set ujian sendiri dikumpulkan di dua institusi (Hospital Pergigian Universiti Nasional Seoul dan Hospital Pergigian Universiti Yonsei).Kami juga mengumpul 857 radiograf daripada data berasaskan populasi lain (Universiti Perubatan Iwate, Jepun) untuk ujian luaran.Radiografi subjek Jepun (19.31 ± 2.60 tahun) telah dipilih sebagai set ujian luaran.Data dikumpul secara retrospektif untuk menganalisis peringkat perkembangan pergigian pada radiograf panoramik yang diambil semasa rawatan pergigian.Semua data yang dikumpul adalah tanpa nama kecuali jantina, tarikh lahir dan tarikh radiograf.Kriteria kemasukan dan pengecualian adalah sama seperti kajian yang diterbitkan sebelum ini 4 , 5 .Umur sebenar sampel dikira dengan menolak tarikh lahir daripada tarikh radiograf diambil.Kumpulan sampel dibahagikan kepada sembilan kumpulan umur.Taburan umur dan jantina ditunjukkan dalam Jadual 3 Kajian ini dijalankan mengikut Deklarasi Helsinki dan diluluskan oleh Lembaga Kajian Institusi (LHDN) Hospital St. Mary Seoul Universiti Katolik Korea (KC22WISI0328).Disebabkan oleh reka bentuk retrospektif kajian ini, persetujuan termaklum tidak dapat diperoleh daripada semua pesakit yang menjalani pemeriksaan radiografi untuk tujuan terapeutik.Hospital St. Mary Universiti Korea Seoul (IRB) mengetepikan keperluan untuk persetujuan termaklum.
Peringkat perkembangan molar kedua dan ketiga bimaxillary dinilai mengikut kriteria Demircan25.Hanya satu gigi dipilih jika jenis gigi yang sama ditemui di bahagian kiri dan kanan setiap rahang.Jika gigi homolog pada kedua-dua belah berada pada peringkat perkembangan yang berbeza, gigi dengan peringkat perkembangan yang lebih rendah telah dipilih untuk mengambil kira ketidakpastian dalam anggaran umur.Seratus radiograf yang dipilih secara rawak daripada set latihan telah dijaringkan oleh dua pemerhati berpengalaman untuk menguji kebolehpercayaan antara pemerhati selepas penentukuran awal untuk menentukan peringkat kematangan pergigian.Kebolehpercayaan intraobserver dinilai dua kali pada selang tiga bulan oleh pemerhati utama.
Peringkat jantina dan perkembangan gigi molar kedua dan ketiga setiap rahang dalam set latihan dianggarkan oleh pemerhati utama yang dilatih 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 ialah rangkaian saraf paling ringkas dan tidak mengandungi lapisan tersembunyi.SLP berfungsi berdasarkan penghantaran ambang antara nod.Model SLP dalam regresi secara matematik serupa dengan regresi linear berganda.Tidak seperti model SLP, model MLP mempunyai berbilang lapisan tersembunyi dengan fungsi pengaktifan tak linear.Percubaan kami menggunakan lapisan tersembunyi dengan hanya 20 nod tersembunyi dengan fungsi pengaktifan bukan linear.Gunakan keturunan kecerunan sebagai kaedah pengoptimuman dan MAE dan RMSE sebagai fungsi kehilangan untuk melatih model pembelajaran mesin kami.Model regresi terbaik yang diperoleh telah digunakan pada set ujian dalaman dan luaran dan usia gigi dianggarkan.
Algoritma klasifikasi telah dibangunkan yang menggunakan kematangan empat gigi pada set latihan untuk meramalkan sama ada sampel berumur 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 ialah salah satu algoritma pengelasan yang paling banyak digunakan44.Ia adalah algoritma pembelajaran diselia yang menggunakan regresi untuk meramalkan kebarangkalian data tergolong dalam kategori tertentu dari 0 hingga 1 dan mengklasifikasikan data sebagai tergolong dalam kategori yang lebih berkemungkinan berdasarkan kebarangkalian ini;digunakan terutamanya untuk klasifikasi binari.KNN ialah salah satu algoritma pembelajaran mesin yang paling mudah45.Apabila diberi data input baharu, ia mendapati k data hampir dengan set sedia ada dan kemudian mengklasifikasikannya ke dalam kelas dengan kekerapan tertinggi.Kami menetapkan 3 untuk bilangan jiran yang dipertimbangkan (k).SVM ialah algoritma yang memaksimumkan jarak antara dua kelas dengan menggunakan fungsi kernel untuk mengembangkan ruang linear menjadi ruang bukan linear yang dipanggil fields46.Untuk model ini, kami menggunakan bias = 1, kuasa = 1, dan gamma = 1 sebagai hiperparameter untuk inti polinomial.DT telah digunakan dalam pelbagai bidang sebagai algoritma untuk membahagikan keseluruhan set data kepada beberapa subkumpulan dengan mewakili peraturan keputusan dalam struktur pokok47.Model ini dikonfigurasikan dengan bilangan rekod minimum bagi setiap nod 2 dan menggunakan indeks Gini sebagai ukuran kualiti.RF ialah kaedah ensemble yang menggabungkan berbilang DT untuk meningkatkan prestasi menggunakan kaedah pengagregatan bootstrap yang menjana pengelas lemah untuk setiap sampel dengan melukis sampel bersaiz yang sama secara rawak berbilang kali daripada dataset asal48.Kami menggunakan 100 pokok, 10 kedalaman pokok, 1 saiz nod minimum dan indeks campuran Gini sebagai kriteria pemisahan nod.Klasifikasi data baharu ditentukan oleh undi majoriti.XGBoost ialah algoritma yang menggabungkan teknik meningkatkan menggunakan kaedah yang mengambil sebagai data latihan ralat antara nilai sebenar dan ramalan model sebelumnya dan menambah ralat menggunakan kecerunan49.Ia adalah algoritma yang digunakan secara meluas kerana prestasinya yang baik dan kecekapan sumber, serta kebolehpercayaan yang tinggi sebagai fungsi pembetulan lampau.Model ini dilengkapi dengan 400 roda sokongan.MLP ialah rangkaian neural di mana satu atau lebih perceptron membentuk berbilang lapisan dengan satu atau lebih lapisan tersembunyi antara lapisan input dan output38.Menggunakan ini, anda boleh melakukan pengelasan bukan linear di mana apabila anda menambah lapisan input dan mendapat nilai hasil, nilai hasil yang diramalkan dibandingkan dengan nilai hasil sebenar dan ralat disebarkan kembali.Kami mencipta lapisan tersembunyi dengan 20 neuron tersembunyi dalam setiap lapisan.Setiap model yang kami bangunkan telah digunakan pada set dalaman dan luaran untuk menguji prestasi pengelasan dengan mengira kepekaan, kekhususan, PPV, NPV dan AUROC.Kepekaan ditakrifkan sebagai nisbah sampel yang dianggarkan berumur 18 tahun atau lebih kepada sampel yang dianggarkan berumur 18 tahun atau lebih.Kekhususan ialah nisbah sampel di bawah umur 18 tahun dan yang dianggarkan berumur di bawah 18 tahun.
Peringkat pergigian yang dinilai dalam set latihan telah ditukar kepada peringkat berangka untuk analisis statistik.Regresi linear dan logistik multivariate dilakukan untuk membangunkan model ramalan bagi setiap jantina dan memperoleh formula regresi yang boleh digunakan untuk menganggarkan umur.Kami menggunakan formula ini untuk menganggar umur gigi bagi set ujian dalaman dan luaran.Jadual 4 menunjukkan model regresi dan klasifikasi yang digunakan dalam kajian ini.
Kebolehpercayaan intra- dan antara pemerhati dikira menggunakan statistik kappa Cohen.Untuk menguji ketepatan DM dan model regresi tradisional, kami mengira MAE dan RMSE menggunakan anggaran dan umur sebenar set ujian dalaman dan luaran.Ralat ini biasanya digunakan untuk menilai ketepatan ramalan model.Semakin kecil ralat, 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.Kepekaan, kekhususan, PPV, NPV dan AUROC yang dikira bagi set ujian dibandingkan dengan nilai terukur model klasifikasi DM.Data dinyatakan sebagai min ± sisihan piawai atau nombor (%) bergantung kepada ciri data.Nilai P dua belah <0.05 dianggap signifikan secara statistik.Semua analisis statistik rutin dilakukan menggunakan SAS versi 9.4 (SAS Institute, Cary, NC).Model regresi DM telah dilaksanakan dalam 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 Konstanz Information Miner (KNIME) 4.6.152.
Penulis mengakui bahawa data yang menyokong kesimpulan kajian boleh didapati dalam artikel dan bahan tambahan.Set data yang dijana dan/atau dianalisis semasa kajian boleh didapati daripada pengarang yang sepadan atas permintaan yang munasabah.
Ritz-Timme, S. et al.Penilaian umur: keadaan seni untuk memenuhi keperluan khusus amalan forensik.antarabangsa.J. Perubatan undang-undang.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 diubah suai untuk menilai umur pergigian kanak-kanak berumur 5 hingga 16 tahun di timur China.klinikal.Tinjauan lisan.25, 3463–3474 (2021).
Lee, SS dsb. Kronologi perkembangan gigi molar kedua dan ketiga di Korea dan penggunaannya untuk penilaian umur forensik.antarabangsa.J. Perubatan undang-undang.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY dan Lee, SS Ketepatan anggaran umur dan anggaran ambang 18 tahun berdasarkan kematangan gigi molar kedua dan ketiga dalam bahasa Korea dan Jepun.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Analisis data berasaskan pembelajaran mesin praoperasi boleh meramalkan hasil rawatan pembedahan tidur pada pesakit dengan OSA.Sains.Laporan 11, 14911 (2021).
Han, M. et al.Anggaran umur yang tepat daripada pembelajaran mesin dengan atau tanpa campur tangan manusia?antarabangsa.J. Perubatan undang-undang.136, 821–831 (2022).
Khan, S. dan Shaheen, M. Daripada Perlombongan Data kepada Perlombongan Data.J.Maklumat.Sains.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. dan Shaheen, M. WisRule: Algoritma Kognitif Pertama untuk Perlombongan Peraturan Persatuan.J.Maklumat.Sains.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. dan Abdullah U. Karm: Perlombongan data tradisional berdasarkan peraturan persatuan berasaskan konteks.mengira.Mat.teruskan.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. dan Habib M. Pengesanan persamaan semantik berasaskan pembelajaran mendalam menggunakan data teks.maklumkan.teknologi.kawalan.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., dan Shahin, M. Sistem untuk mengenali 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 daripada X-ray pelvis menggunakan pembelajaran mendalam.EURO.sinaran.29, 2322–2329 (2019).
Guo, YC, et al.Pengelasan umur yang tepat menggunakan kaedah manual dan rangkaian neural convolutional dalam daripada imej unjuran ortografik.antarabangsa.J. Perubatan undang-undang.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 khusus populasi orang Afrika Amerika dan Cina berdasarkan isipadu ruang pulpa molar pertama menggunakan tomografi terkira rasuk kon.antarabangsa.J. Perubatan undang-undang.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK dan Oh KS Menentukan kumpulan umur orang yang masih hidup menggunakan imej molar pertama berasaskan kecerdasan buatan.Sains.Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., dan Urschler, M. Anggaran umur automatik dan klasifikasi umur majoriti daripada data MRI multivariate.IEEE J. Biomed.Makluman Kesihatan.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. dan Li, G. Anggaran umur berdasarkan pembahagian ruang pulpa 3D bagi molar pertama daripada tomografi terkira rasuk kon dengan menyepadukan pembelajaran mendalam dan set tahap.antarabangsa.J. Perubatan undang-undang.135, 365–373 (2021).
Wu, WT, et al.Perlombongan data dalam data besar klinikal: pangkalan data biasa, langkah dan model kaedah.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.Perubatan asas.13, 57–69 (2020).
Shen, S. et al.Kaedah Camerer untuk menganggar umur gigi menggunakan pembelajaran mesin.Kesihatan Mulut BMC 21, 641 (2021).
Galliburg A. et al.Perbandingan kaedah pembelajaran mesin yang berbeza untuk meramal umur pergigian menggunakan kaedah pementasan Demirdjian.antarabangsa.J. Perubatan undang-undang.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. dan Tanner, JM Sistem baharu untuk menilai umur pergigian.mendengus.biologi.45, 211–227 (1973).
Landis, JR, dan Koch, GG Ukuran persetujuan pemerhati pada 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 primer.Maklumat kesihatan.sumber.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Masa siaran: Jan-04-2024