Terima kasih kerana melayari Nature.com. Versi pelayar yang anda gunakan mempunyai sokongan CSS yang terhad. Untuk hasil terbaik, kami mengesyorkan menggunakan versi pelayar anda yang lebih baharu (atau mematikan mod keserasian dalam Internet Explorer). Sementara itu, bagi memastikan sokongan berterusan, kami memaparkan laman web ini tanpa penggayaan atau JavaScript.
Gigi dianggap sebagai penunjuk umur tubuh manusia yang paling tepat dan sering digunakan dalam penilaian umur forensik. Kami berhasrat untuk mengesahkan anggaran umur pergigian berasaskan perlombongan data dengan membandingkan ketepatan anggaran dan prestasi pengelasan ambang 18 tahun dengan kaedah tradisional dan anggaran umur berasaskan perlombongan data. Sebanyak 2657 radiograf panoramik telah dikumpulkan daripada warganegara Korea dan Jepun berumur 15 hingga 23 tahun. Ia dibahagikan kepada satu set latihan, setiap satu mengandungi 900 radiograf Korea, dan satu set ujian dalaman yang mengandungi 857 radiograf Jepun. Kami membandingkan ketepatan dan kecekapan pengelasan kaedah tradisional dengan set ujian model perlombongan data. Ketepatan kaedah tradisional pada set ujian dalaman adalah sedikit lebih tinggi daripada model perlombongan data, dan perbezaannya adalah kecil (purata ralat mutlak <0.21 tahun, ralat punca purata kuasa dua <0.24 tahun). Prestasi pengelasan untuk tempoh 18 tahun juga serupa antara kaedah tradisional dan model perlombongan data. Oleh itu, kaedah tradisional boleh digantikan dengan model perlombongan data apabila menjalankan penilaian umur forensik menggunakan kematangan geraham kedua dan ketiga dalam kalangan remaja dan dewasa muda Korea.
Anggaran umur pergigian digunakan secara meluas dalam perubatan forensik dan pergigian pediatrik. Khususnya, disebabkan oleh 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 pergigian mempunyai batasannya kerana pertumbuhan pergigian hampir lengkap, kecuali geraham 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 umur dewasa. Dalam amalan medikolegal 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 memerlukan banyak tenaga kerja dan memakan masa, mungkin mempunyai batasan apabila berurusan dengan jumlah data kompleks yang besar 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 berbilang dimensi 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 dapat meningkatkan ketepatan dan kecekapan anggaran umur13,14,15,16,17,18,19,20. Contohnya, Halabi et al 13 membangunkan algoritma pembelajaran mesin berdasarkan rangkaian saraf konvolusi (CNN) untuk menganggarkan usia rangka menggunakan radiograf tangan kanak-kanak. Kajian ini mencadangkan model yang menggunakan pembelajaran mesin pada imej perubatan dan menunjukkan bahawa kaedah ini dapat meningkatkan ketepatan diagnostik. Li et al14 menganggarkan umur daripada imej sinar-X pelvis menggunakan CNN pembelajaran mendalam dan membandingkannya dengan keputusan regresi menggunakan anggaran peringkat osifikasi. Mereka mendapati bahawa 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 daripada kaedah tradisional. Walau bagaimanapun, pendekatan ini memberikan sedikit peluang untuk mengemukakan 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 bukan sahaja boleh menemui maklumat 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 dalam data. Anggaran umur menggunakan perkembangan pergigian adalah berdasarkan penilaian pemeriksa tentang 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 kita menggunakan teknik DM untuk menganggarkan umur, kita 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 meramalkan umur mengikut kriteria Demirdjian25 dan hasilnya menunjukkan bahawa kaedah DM mengatasi kaedah Demirdjian dan Willems dalam menganggarkan umur penduduk Perancis.
Untuk menganggarkan usia pergigian remaja dan dewasa muda Korea, kaedah 4 Lee digunakan secara meluas dalam amalan forensik Korea. Kaedah ini menggunakan analisis statistik tradisional (seperti regresi berganda) untuk mengkaji hubungan antara subjek Korea dan usia 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 secara saintifik potensi kegunaan anggaran umur berdasarkan model DM. Tujuan kajian ini adalah (1) untuk membandingkan ketepatan dua model DM dalam menganggarkan usia pergigian dan (2) untuk membandingkan prestasi pengelasan 7 model DM pada usia 18 tahun dengan yang diperoleh menggunakan kaedah statistik tradisional Kematangan geraham kedua dan ketiga di kedua-dua rahang.
Min 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 interpemerhati yang diperoleh daripada set latihan masing-masing ialah 0.951 dan 0.947. 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, kecuali perceptron berbilang lapisan (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. Bagi bateri ujian luaran, perbezaannya lebih kecil (0.001–0.05 tahun untuk lelaki dan 0.05–0.09 tahun untuk wanita). Di samping itu, ralat punca min kuasa dua (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 sedikit lebih baik daripada Perceptron Lapisan Tunggal (SLP), kecuali dalam kes set ujian luaran wanita. Bagi MAE dan RMSE, set ujian luaran mendapat markah yang 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 bagi model regresi tradisional dan perlombongan data. Ralat mutlak min MAE, ralat punca min kuasa dua RMSE, perceptron lapisan tunggal SLP, perceptron berbilang lapisan MLP, kaedah CM tradisional.
Prestasi pengelasan (dengan tempoh pemotongan 18 tahun) bagi model tradisional dan DM ditunjukkan dari segi kepekaan, kekhususan, nilai ramalan positif (PPV), nilai ramalan negatif (NPV), dan luas di bawah lengkung ciri operasi penerima (AUROC) 27 (Jadual 2, Rajah 2 dan Rajah Tambahan 1 dalam talian). Dari segi kepekaan bateri ujian dalaman, kaedah tradisional menunjukkan prestasi terbaik dalam kalangan lelaki dan lebih teruk dalam kalangan wanita. Walau bagaimanapun, perbezaan 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 kepekaan yang lebih baik dalam kedua-dua jantina. Berkenaan kekhususan set ujian dalaman, diperhatikan bahawa empat model SD menunjukkan prestasi yang baik dalam kalangan lelaki, manakala model tradisional menunjukkan prestasi yang lebih baik dalam kalangan wanita. Perbezaan prestasi pengelasan untuk lelaki dan wanita masing-masing ialah 13.3% (MLP) dan 13.1% (MLP), menunjukkan bahawa perbezaan prestasi pengelasan antara model melebihi kepekaan. 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) dalam kalangan lelaki), menunjukkan prestasi pengelasan yang sangat baik dalam membezakan sampel berusia 18 tahun28. Bagi set ujian luaran, terdapat penurunan dalam prestasi pengelasan dari segi kepekaan, kekhususan dan AUROC berbanding set ujian dalaman. Selain itu, perbezaan kepekaan dan kekhususan antara prestasi pengelasan 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 tempoh pemotongan 18 tahun. KNN k jiran terdekat, mesin vektor sokongan SVM, regresi logistik LR, pokok keputusan DT, hutan rawak RF, XGB XGBoost, persepsi berbilang lapisan MLP, 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 telah 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 sedikit lebih tepat dalam kajian ini, sukar untuk membuat kesimpulan sama ada perbezaan kecil sedemikian mempunyai kepentingan klinikal atau praktikal. Keputusan ini menunjukkan bahawa ketepatan anggaran umur pergigian menggunakan model DM hampir sama dengan kaedah tradisional. Perbandingan langsung dengan keputusan daripada kajian terdahulu adalah sukar kerana tiada kajian yang membandingkan ketepatan model DM dengan kaedah statistik tradisional menggunakan teknik yang sama iaitu merekod gigi dalam julat 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 masing-masing 0.20 dan 0.38 tahun dalam MAE dan 0.25 dan 0.47 tahun dalam RMSE berbanding kaedah Willems dan Demirdjian. Perbezaan antara model SD dan kaedah tradisional yang ditunjukkan dalam kajian Halibourg mengambil kira banyak laporan30,31,32,33 bahawa kaedah Demirdjian tidak menganggarkan usia gigi dengan tepat dalam populasi selain daripada Kanada Perancis yang menjadi asas kajian ini. Tai et al 34 menggunakan algoritma MLP untuk meramalkan usia 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 terdahulu ini24,34 juga konsisten dengan keputusan kajian ini, dan ketepatan anggaran umur model DM dan kaedah tradisional adalah serupa. Walau bagaimanapun, berdasarkan keputusan yang dibentangkan, kita hanya boleh membuat kesimpulan dengan berhati-hati bahawa penggunaan model DM untuk menganggarkan umur mungkin menggantikan kaedah sedia ada disebabkan oleh kekurangan kajian perbandingan dan rujukan terdahulu. Kajian susulan menggunakan sampel yang lebih besar diperlukan untuk mengesahkan keputusan yang diperoleh dalam kajian ini.
Antara kajian yang menguji ketepatan SD dalam menganggarkan usia pergigian, ada yang menunjukkan ketepatan yang lebih tinggi daripada kajian kami. Stepanovsky et al. 35 menggunakan 22 model SD pada 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 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 al. 23 menggunakan kaedah Cameriere untuk menganggarkan usia pergigian tujuh gigi kekal di rahang kiri penduduk timur China berumur 5 hingga 13 tahun dan membandingkannya dengan usia 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 berbanding model DM dalam kajian ini. Peningkatan ketepatan kajian oleh Stepanovsky et al. 35 dan Shen et al. 23 mungkin disebabkan oleh penyertaan subjek yang lebih muda dalam sampel kajian mereka. Oleh kerana anggaran umur untuk peserta yang mempunyai gigi yang sedang berkembang menjadi lebih tepat apabila bilangan gigi meningkat semasa perkembangan pergigian, ketepatan kaedah anggaran umur yang terhasil mungkin terjejas apabila peserta kajian lebih muda. Di samping itu, ralat MLP dalam anggaran umur sedikit lebih kecil daripada SLP, bermakna MLP lebih tepat daripada SLP. MLP dianggap sedikit lebih baik 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 lebih tepat daripada SLP dalam menilai umur memerlukan kajian retrospektif tambahan.
Prestasi pengelasan 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 berusia 18 tahun. Sensitiviti untuk lelaki dan wanita masing-masing adalah lebih besar daripada 87.7% dan 94.9%, dan kekhususan adalah lebih besar daripada 89.3% dan 84.7%. AUROC bagi semua model yang diuji juga melebihi 0.925. Setahu kami, tiada kajian yang menguji prestasi model DM untuk pengelasan 18 tahun berdasarkan kematangan pergigian. Kita boleh membandingkan hasil kajian ini dengan prestasi pengelasan model pembelajaran mendalam pada radiograf panoramik. Guo et al.15 mengira prestasi pengelasan 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 masing-masing melebihi 89.2% dan 86.6%. Mereka menyimpulkan bahawa model pembelajaran mendalam boleh menggantikan atau mengatasi penilaian manual dalam mengklasifikasikan ambang umur. Keputusan kajian ini menunjukkan prestasi pengelasan yang serupa; Adalah dipercayai bahawa pengelasan 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 berada di kedudukan kedua dari segi kekhususan untuk lelaki. Selain itu, LR dianggap sebagai salah satu model DM35 yang lebih mesra pengguna dan kurang kompleks dan sukar untuk diproses. Berdasarkan keputusan ini, LR dianggap sebagai model pengelasan pemotongan terbaik untuk remaja berusia 18 tahun dalam populasi Korea.
Secara keseluruhan, ketepatan anggaran umur atau prestasi pengelasan pada set ujian luaran adalah lemah atau lebih rendah berbanding keputusan pada set ujian dalaman. Beberapa laporan menunjukkan bahawa ketepatan atau kecekapan pengelasan berkurangan apabila anggaran umur berdasarkan populasi Korea digunakan pada populasi Jepun5,39, dan corak yang serupa ditemui dalam kajian ini. Trend kemerosotan ini juga diperhatikan dalam model DM. Oleh itu, untuk menganggarkan umur dengan tepat, walaupun 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 trend yang serupa, 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 perbezaan kaum ini dalam penilaian umur yang terhad.
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 muktamad, 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 kebolehgunaannya secara praktikal berbanding kaedah tradisional. Untuk mengesahkan kebolehlaksanaan penggunaan kecerdasan buatan untuk menganggarkan umur dalam pelbagai populasi, kajian masa hadapan diperlukan untuk membandingkan ketepatan dan kecekapan pengelasan model DM dan pembelajaran mendalam dengan kaedah tradisional dalam sampel yang sama.
Kajian ini menggunakan 2,657 gambar ortografik yang dikumpulkan daripada orang dewasa Korea dan Jepun berumur 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 (Hospital St. Mary Seoul), dan set ujian sendiri dikumpulkan di dua institusi (Hospital Pergigian Universiti Kebangsaan Seoul dan Hospital Pergigian Universiti Yonsei). Kami juga mengumpulkan 857 radiograf daripada data berasaskan populasi lain (Universiti Perubatan Iwate, Jepun) untuk ujian luaran. Radiograf subjek Jepun (19.31 ± 2.60 tahun) dipilih sebagai set ujian luaran. Data dikumpulkan secara retrospektif untuk menganalisis peringkat perkembangan pergigian pada radiograf panoramik yang diambil semasa rawatan pergigian. Semua data yang dikumpulkan 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 Semakan Institusi (IRB) Hospital St. Mary Seoul, Universiti Katolik Korea (KC22WISI0328). Disebabkan reka bentuk retrospektif kajian ini, persetujuan termaklum tidak dapat diperoleh daripada semua pesakit yang menjalani pemeriksaan radiografi untuk tujuan terapeutik. Hospital St. Mary Universiti Seoul Korea (IRB) mengetepikan keperluan persetujuan termaklum.
Peringkat perkembangan molar kedua dan ketiga bimaksilari dinilai mengikut kriteria Demircan25. Hanya satu gigi dipilih jika jenis gigi yang sama ditemui di sebelah kiri dan kanan setiap rahang. Jika gigi homolog di kedua-dua belah pihak berada pada peringkat perkembangan yang berbeza, gigi dengan peringkat perkembangan yang lebih rendah 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 pra-penentukuran untuk menentukan peringkat kematangan pergigian. Kebolehpercayaan intrapemerhati dinilai dua kali pada selang tiga bulan oleh pemerhati utama.
Jantina dan peringkat perkembangan 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, 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 matematiknya serupa dengan regresi linear berganda. Tidak seperti model SLP, model MLP mempunyai berbilang lapisan tersembunyi dengan fungsi pengaktifan tak linear. Eksperimen kami menggunakan lapisan tersembunyi dengan hanya 20 nod tersembunyi dengan fungsi pengaktifan tak linear. Gunakan penurunan 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 umur gigi dianggarkan.
Satu algoritma pengelasan 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 merupakan algoritma pembelajaran diselia yang menggunakan regresi untuk meramalkan kebarangkalian data yang tergolong dalam kategori tertentu dari 0 hingga 1 dan mengklasifikasikan data sebagai tergolong dalam kategori yang lebih berkemungkinan berdasarkan kebarangkalian ini; terutamanya digunakan untuk pengelasan binari. KNN ialah salah satu algoritma pembelajaran mesin yang paling mudah45. Apabila diberi data input baharu, ia mencari k data yang hampir dengan set sedia ada dan kemudian mengklasifikasikannya ke dalam kelas dengan frekuensi 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 ke dalam ruang tak linear yang dipanggil medan46. Untuk model ini, kami menggunakan bias = 1, kuasa = 1, dan gamma = 1 sebagai hiperparameter untuk kernel 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 setiap nod sebanyak 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 sama secara rawak beberapa kali daripada set data asal48. Kami menggunakan 100 pokok, 10 kedalaman pokok, 1 saiz nod minimum, dan indeks campuran Gini sebagai kriteria pemisahan nod. Pengelasan data baharu ditentukan oleh undian majoriti. XGBoost ialah algoritma yang menggabungkan teknik penggalakan menggunakan kaedah yang mengambil ralat antara nilai sebenar dan nilai ramalan model sebelumnya sebagai data latihan dan menambah ralat menggunakan kecerunan49. Ia merupakan algoritma yang digunakan secara meluas kerana prestasi dan kecekapan sumbernya yang baik, serta kebolehpercayaan yang tinggi sebagai fungsi pembetulan overfitting. Model ini dilengkapi dengan 400 roda sokongan. MLP ialah rangkaian saraf di mana satu atau lebih perceptron membentuk berbilang lapisan dengan satu atau lebih lapisan tersembunyi antara lapisan input dan output38. Dengan menggunakan ini, anda boleh melakukan pengelasan tak 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 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 ke atas kepada sampel yang dianggarkan berumur 18 tahun ke atas. Kekhususan ialah perkadaran sampel di bawah umur 18 tahun dan yang dianggarkan berumur di bawah umur 18 tahun.
Peringkat pergigian yang dinilai dalam set latihan telah ditukar kepada peringkat berangka untuk analisis statistik. Regresi linear dan logistik multivariat telah dijalankan untuk membangunkan model ramalan bagi setiap jantina dan memperoleh formula regresi yang boleh digunakan untuk menganggarkan umur. Kami menggunakan formula ini untuk menganggarkan usia gigi bagi kedua-dua set ujian dalaman dan luaran. Jadual 4 menunjukkan model regresi dan pengelasan yang digunakan dalam kajian ini.
Kebolehpercayaan intra- dan interpemerhati 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 pengelasan bagi tempoh 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 yang diukur bagi model pengelasan DM. Data dinyatakan sebagai min ± sisihan piawai atau nombor (%) bergantung pada ciri data. Nilai P dua sisi <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 pengelasan DM telah dilaksanakan dalam Persekitaran Analisis Pengetahuan Waikato dan platform analisis Konstanz Information Miner (KNIME) 4.6.152.
Para penulis mengakui bahawa data yang menyokong kesimpulan kajian boleh didapati dalam artikel dan bahan tambahan. Set data yang dihasilkan dan/atau dianalisis semasa kajian boleh didapati daripada penulis yang berkaitan atas permintaan yang munasabah.
Ritz-Timme, S. et al. Penilaian umur: keadaan terkini untuk memenuhi keperluan khusus amalan forensik. keantarabangsaan. J. Perubatan undang-undang. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., dan Olze, A. Status semasa penilaian umur forensik subjek yang masih hidup untuk tujuan pendakwaan jenayah. Forensik. perubatan. 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 dll. Kronologi perkembangan geraham kedua dan ketiga dalam kalangan rakyat Korea dan aplikasinya untuk penilaian umur forensik. keantarabangsaan. 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 geraham kedua dan ketiga dalam kalangan rakyat Korea dan Jepun. PLoS ONE 17, e0271247 (2022).
Kim, JY, dkk. Analisis data berasaskan pembelajaran mesin praoperasi boleh meramalkan hasil rawatan pembedahan tidur pada pesakit dengan OSA. sains. Laporan 11, 14911 (2021).
Han, M. dkk. Anggaran umur yang tepat daripada pembelajaran mesin dengan atau tanpa intervensi manusia? keantarabangsaan. 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.Information. sains. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. dan Abdullah U. Karm: Perlombongan data tradisional berdasarkan peraturan perkaitan berasaskan konteks. kira. Matt. 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. maklumat. 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 Alatan https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS dkk. Cabaran Pembelajaran Mesin RSNA dalam Usia Tulang Pediatrik. Radiologi 290, 498–503 (2019).
Li, Y. dkk. Anggaran umur forensik daripada sinar-X pelvis menggunakan pembelajaran mendalam. Sinaran EURO. 29, 2322–2329 (2019).
Guo, YC, dsb. Pengelasan umur yang tepat menggunakan kaedah manual dan rangkaian saraf konvolusi mendalam daripada imej unjuran ortografik. keantarabangsaan. J. Perubatan undang-undang. 135, 1589–1597 (2021).
Alabama Dalora dkk. Anggaran usia tulang menggunakan kaedah pembelajaran mesin yang berbeza: tinjauan literatur sistematik dan meta-analisis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., dan Yang, J. Anggaran umur khusus populasi warga Afrika Amerika dan Cina berdasarkan isipadu ruang pulpa gigi geraham pertama menggunakan tomografi berkomputer kon-beam. keantarabangsaan. 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 geraham pertama berasaskan kecerdasan buatan. sains. Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., dan Urschler, M. Anggaran umur automatik dan pengelasan umur majoriti daripada data MRI multivariat. IEEE J. Biomed. Amaran Kesihatan. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. dan Li, G. Anggaran umur berdasarkan segmentasi ruang pulpa 3D bagi geraham pertama daripada tomografi berkomputer pancaran kon dengan mengintegrasikan pembelajaran mendalam dan set tahap. keantarabangsaan. J. Perubatan undang-undang. 135, 365–373 (2021).
Wu, WT, dkk. Perlombongan data dalam data raya klinikal: pangkalan data biasa, langkah dan model kaedah. Dunia. perubatan. sumber. 8, 44 (2021).
Yang, J. dkk. 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 menganggarkan usia gigi menggunakan pembelajaran mesin. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Perbandingan kaedah pembelajaran mesin yang berbeza untuk meramalkan usia pergigian menggunakan kaedah pementasan Demirdjian. keantarabangsaan. J. Perubatan undang-undang. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. dan Tanner, JM Sistem baharu untuk menilai usia pergigian. snort. biologi. 45, 211–227 (1973).
Landis, JR, dan Koch, GG Ukuran persetujuan pemerhati terhadap 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: 04-Jan-2024