• meie

Andmete kaevandamise mudeli valideerimine traditsiooniliste hambaaja hindamismeetoditega Korea noorukite ja noorte täiskasvanute vahel

Täname, et külastasite Nature.com. Teie kasutatava brauseri versioonil on piiratud CSS -tugi. Parimate tulemuste saamiseks soovitame kasutada teie brauseri uuemat versiooni (või ühilduvuse režiimi väljalülitamist Internet Exploreris). Vahepeal näitame pideva toe tagamiseks saiti ilma stiili või JavaScriptita.
Hambaid peetakse inimkeha vanuse kõige täpsemaks näitajaks ja neid kasutatakse sageli kohtuekspertiisi hindamisel. Meie eesmärk oli valideerida andmete kaevandamisepõhised hambaajastu hinnangud, võrreldes 18-aastase läve hindamise täpsust ja klassifitseerimise tulemuslikkust traditsiooniliste meetodite ja andmete kaevandamisepõhiste vanusehinnangutega. Kokku koguti 2657 panoraamsagedust Korea ja Jaapani kodanikelt vanuses 15–23 aastat. Need jagati koolituskomplektiks, millest igaüks sisaldas 900 Korea radiograafi ja sisemist katsekomplekti, mis sisaldas 857 Jaapani radiograafi. Võrdlesime traditsiooniliste meetodite klassifitseerimise täpsust ja tõhusust andmekaevandamise mudelite testikomplektidega. Traditsioonilise meetodi täpsus sisemisel testkomplektil on pisut kõrgem kui andmete kaevandamise mudelil ja erinevus on väike (keskmine absoluutviga <0,21 aastat, juure keskmine ruutviga <0,24 aastat). 18-aastase läbilõike klassifikatsiooni jõudlus on sarnane ka traditsiooniliste meetodite ja andmekaevandamise mudelite vahel. Seega saab traditsioonilisi meetodeid asendada kohtuekspertiisi vanuse hindamisel andmekaevandamise mudelitega, kasutades Korea noorukite ja noorte täiskasvanute teise ja kolmanda molaari küpsust.
Hammaste vanuse hindamist kasutatakse laialdaselt kohtuekspertiisi ja laste hambaravis. Eelkõige on kronoloogilise vanuse ja hambaravi arengu kõrge korrelatsiooni tõttu vanuse hindamine hambaravi arenguetappide poolt oluline kriteerium laste ja noorukite vanuse hindamiseks1,2,3. Noorte jaoks on hambaravi küpsuse põhjal siiski oma piirangud, kuna hambaarsti kasv on peaaegu täielik, välja arvatud kolmas molaarid. Noorte ja noorukite vanuse määramise õiguslik eesmärk on esitada täpsed hinnangud ja teaduslikud tõendid selle kohta, kas nad on jõudnud enamuse vanusesse. Koreas noorukite ja noorte täiskasvanute meditsiinilise juriidilises praktikas hinnati vanust Lee meetodit ja 18-aastase juriidilise lävega ennustati OH jt 5 teatatud andmete põhjal.
Masinõpe on teatud tüüpi tehisintellekt (AI), mis õpib ja klassifitseerib korduvalt suures koguses andmeid, lahendab probleemid iseseisvalt ja juhib andmete programmeerimist. Masinõpe võib leida kasulikke varjatud mustreid suurtes andmetes6. Seevastu klassikalistel meetoditel, mis on töömahukad ja aeganõudvad, võivad olla piiranguid, kui käsitleda suure hulga keerulisi andmeid, mida on keeruline käsitsi töödelda. Seetõttu on hiljuti läbi viidud palju uuringuid, kasutades uusimaid arvutitehnoloogiaid inimeste vigade minimeerimiseks ja mitmemõõtmeliste andmete tõhusaks töötlemiseks8,9,10,11,12. Eelkõige on meditsiinilise kujutise analüüsimisel laialdaselt kasutatud sügavat õppimist ja on teatatud erinevaid vanuse hindamise meetodeid, analüüsides radiograafiaid automaatselt, et parandada vanusehindamise täpsust ja tõhusust13,14,15,16,16,17,18,19,19,20. . Näiteks töötasid Halabi jt 13 välja masinõppe algoritmi, mis põhineb konvolutsioonilistel närvivõrkudel (CNN), et hinnata skeleti ajastut laste käte radiograafide abil. See uuring pakub välja mudeli, mis rakendab masinõpet meditsiiniliste piltide jaoks ja näitab, et need meetodid võivad parandada diagnostilist täpsust. Li jt14 hinnanguline vanus vaagna röntgenikiirguse piltide põhjal, kasutades sügavat õppimist CNN-i, ja võrdlesid neid regressiooni tulemustega, kasutades luustumisetapi hindamist. Nad leidsid, et sügava õppimise CNN -mudel näitas sama vanuse hindamise tulemuslikkust kui traditsioonilisel regressioonimudel. Guo jt uuringus [15] hinnati CNN -tehnoloogia vanusetaluvuse klassifitseerimise tulemusi, mis põhinevad hambaravi ortofotodel, ja CNN -mudeli tulemused tõestasid, et inimesed edestasid oma vanuseklasside tulemusi.
Enamik uuringuid vanuse hindamise kohta, kasutades masinõpet, kasutavad süvaõppe meetodeid13,14,15,16,17,18,19,20. Sügaval õppimisel põhinev vanusehinnang on täpsem kui traditsioonilised meetodid. See lähenemisviis annab siiski vähe võimalusi esitada teaduslik alus vanuseprognooside jaoks, näiteks hinnangutes kasutatud vanusenäitajad. Kontrollide läbiviimise üle on ka juriidiline vaidlus. Seetõttu on haldus- ja kohtuasutused sügaval õppimisel põhinevat vanuse hindamist keeruline aktsepteerida. Andmete kaevandamine (DM) on tehnika, mis võib leida mitte ainult oodatud, vaid ka ootamatut teavet kui meetodit kasulike korrelatsioonide avastamiseks suures koguses andmete 6,21,22 vahel. Masinaõpet kasutatakse sageli andmete kaevandamisel ja nii andmete kaevandamine kui ka masinõpe kasutavad andmete mustrite leidmiseks samu võtme algoritme. Vanuse hinnang hambaravi arengu kasutamine põhineb eksamineerija hinnangul sihthammaste küpsuse kohta ja seda hinnangut väljendatakse iga sihthamba etapina. DM -i saab kasutada hambaravi hindamise etapi ja tegeliku vanuse vahelise seose analüüsimiseks ning sellel on potentsiaal asendada traditsiooniline statistiline analüüs. Seetõttu, kui rakendame DM -tehnikaid vanuse hindamisel, saame kohtuekspertiisi hinnangul rakendada masinõpet, muretsemata juriidilise vastutuse pärast. Kohtuekspertiisi praktikas kasutatavate traditsiooniliste manuaalmeetodite võimalike alternatiivide ja hambaaega määramiseks on avaldatud mitmeid võrdlevaid uuringuid. Shen jt näitasid, et DM -mudel on täpsem kui traditsiooniline kaamerate valem. Galibourg jt rakendasid vanuse ennustamiseks erinevaid DM -meetodeid vastavalt Demirdjiani kriteeriumile25 ja tulemused näitasid, et DM -meetod edestas Demirdjian ja Willems meetodeid Prantsuse elanikkonna vanuse hindamisel.
Korea noorukite ja noorte täiskasvanute hambaraviaja hindamiseks kasutatakse Lee 4. meetodit laialdaselt Korea kohtuekspertiisi praktikas. See meetod kasutab traditsioonilist statistilist analüüsi (näiteks mitme regressiooni), et uurida Korea subjektide ja kronoloogilise vanuse vahelist seost. Selles uuringus määratletakse traditsiooniliste statistiliste meetodite abil saadud vanusehindamismeetodeid kui traditsioonilisi meetodeid. Lee meetod on traditsiooniline meetod ja selle täpsust on kinnitanud OH jt. 5; Kuid DM -mudelil Korea kohtuekspertiisi praktikas põhinev vanusehinnangu rakendatavus on endiselt küsitav. Meie eesmärk oli teaduslikult valideerida DM -mudelil põhineva vanusehinnangu potentsiaalne kasulikkus. Selle uuringu eesmärk oli (1) võrrelda kahe DM -mudeli täpsust hambaaega ja (2), et võrrelda 7 DM -mudeli klassifitseerimise jõudlust 18 -aastaselt, saadud traditsiooniliste statistiliste meetoditega teise tähtajaga ja kolmandad molaarid mõlemas lõualuudes.
Kronoloogilise vanuse vahendid ja standardhälbed etappide ja hammaste tüübi järgi on näidatud veebis lisatabelis S1 (treeningkomplekt), täiendava tabeli S2 (sisemine testikomplekt) ja täiendav tabel S3 (väline testkomplekt). Treeningkomplektist saadud kappade sise- ja sisearvestuses oleva töökindluse väärtused olid vastavalt 0,951 ja 0,947. P väärtused ja kappa väärtuste 95% usaldusvahemikud on näidatud veebipõhises lisatabelis S4. Kappa väärtust tõlgendati kui “peaaegu täiuslikku”, kooskõlas Landise ja Koch26 kriteeriumidega.
Kui võrrelda keskmist absoluutset viga (MAE), edestab traditsiooniline meetod kõigi soode ja välise meestekomplekti DM -mudelit pisut, välja arvatud mitmekihiline perceptron (MLP). Erinevus traditsioonilise mudeli ja DM -mudeli vahel sisemise MAE testkomplektis oli meestel 0,12–0,19 aastat ja naiste puhul 0,17–0,21 aastat. Välise testi aku korral on erinevused väiksemad (meestel 0,001–0,05 aastat ja naistel 0,05–0,09 aastat). Lisaks on ruutkeskmine vea (RMSE) traditsioonilisest meetodist pisut madalam, väiksemate erinevustega (meeste sisemistestide komplekti korral 0,17–0,24, 0,2–0,24 ja 0,03–0,07, 0,04–0,08 välise testikomplekti korral). ). MLP näitab pisut paremat jõudlust kui ühekihilise Perceptron (SLP), välja arvatud naissoost välise testkomplekti korral. MAE ja RMSE jaoks skoorib väline testikomplekt kõrgem kui kõigi sugude ja mudelite sisemistestide komplekt. Kõik MAE ja RMSE on esitatud tabelis 1 ja joonisel 1.
Mae ja RMSE traditsioonilistest ja andmete kaevandamise regressioonimudelitest. Keskmine absoluutviga MAE, Root keskmine ruutviga RMSE, ühekihiline Perceptron SLP, mitmekihiline Perceptron MLP, traditsiooniline CM -meetod.
Traditsiooniliste ja DM -mudelite klassifitseerimise jõudlust (koos 18 -aastase piirväärtusega) demonstreeriti tundlikkuse, spetsiifilisuse, positiivse ennustava väärtuse (PPV), negatiivse ennustava väärtuse (NPV) ja vastuvõtja töökarakteristikku alusel (Auroc) alal (Auroc). 27 (tabel 2, joonis 2 ja täiendav joonis 1 veebis). Sisemistesti aku tundlikkuse osas toimisid traditsioonilised meetodid meeste seas kõige paremini ja hullem naiste seas. Traditsiooniliste meetodite ja SD klassifitseerimise tulemuslikkuse erinevus on aga meeste (MLP) ja naiste (XGBoost) kohta vaid 2,4%. DM -mudelite hulgas näitas logistilist regressiooni (LR) mõlemat soos paremat tundlikkust. Sisemistestide komplekti spetsiifilisuse osas täheldati, et neli SD -mudelit toimisid meestel hästi, samal ajal kui traditsiooniline mudel toimis naistel paremini. Meeste ja naiste klassifikatsiooni jõudluse erinevused on vastavalt 13,3% (MLP) ja 13,1% (MLP), mis näitab, et mudelite klassifikatsiooni jõudluse erinevus ületab tundlikkust. DM -mudelite hulgas toimisid meeste seas kõige paremini tugivektorite masin (SVM), otsustuspuu (DT) ja Random Forest (RF) mudelid, samas kui LR -mudel toimis naiste seas kõige paremini. Traditsioonilise mudeli ja kõigi SD-mudelite aurok oli suurem kui 0,925 (meestel K-Nearest naaber (KNN)), mis näitas suurepärast klassifikatsiooni jõudlust 18-aastaste proovide eristamisel28. Välise testkomplekti puhul vähenes tundlikkuse, spetsiifilisuse ja AuroC osas klassifitseerimise jõudlus võrreldes sisemise testi komplektiga. Veelgi enam, parimate ja halvimate mudelite klassifikatsiooni jõudluse tundlikkuse ja spetsiifilisuse erinevus oli vahemikus 10% kuni 25% ja oli suurem kui sisemistestide erinevus.
Andmete kaevandamise klassifitseerimise mudelite tundlikkus ja spetsiifilisus võrreldes traditsiooniliste meetoditega, mille piirväärtus on 18 aastat. KNN K Lähim naaber, SVM tugivektorite masin, LR logistiline regressioon, DT otsustuspuu, RF Random Forest, XGB XGBoost, MLP mitmekihiline perceptron, traditsiooniline CM -meetod.
Selle uuringu esimene samm oli seitsme DM -mudeli põhjal saadud hambaaega hinnangute täpsus võrrelda traditsioonilise regressiooni abil. MAE ja RMSE hinnati mõlema soo sisemistestide komplektides ning erinevus traditsioonilise meetodi ja DM -mudeli vahel oli 44–77 päeva Mae jaoks ja 62–88 päeva RMSE jaoks. Ehkki traditsiooniline meetod oli selles uuringus pisut täpsem, on raske järeldada, kas nii väikesel erinevusel on kliiniline või praktiline tähtsus. Need tulemused näitavad, et DM -mudelit kasutades on hammaste vanuse hindamise täpsus peaaegu sama kui traditsioonilisel meetodil. Varasemate uuringute tulemustega otsene võrdlus on keeruline, kuna üheski uuringus pole võrrelnud DM -mudelite täpsust traditsiooniliste statistiliste meetoditega, kasutades samade hammaste salvestamise tehnikat samas vanusevahemikus kui selles uuringus. Galibourg jt võrdlesid MAE ja RMSE kahe traditsioonilise meetodi (Demirjiani meetod25 ja Willems meetod 29) ja 10 DM mudelite vahel Prantsuse elanikkonnas vanuses 2–24 aastat. Nad teatasid, et kõik DM -mudelid olid täpsemad kui traditsioonilised meetodid, erinevused MAE -s 0,20 ja 0,38 aastat ning RMSE -s 0,25 ja 0,47 aastat, võrreldes Willems ja Demirdjiani meetoditega. SD mudeli ja Halibourgi uuringus näidatud traditsiooniliste meetodite erinevus võtab arvesse arvukalt aruandeid 30,31,32,33, et Demirdjiani meetod ei hinda täpselt hambaaega muudes populatsioonides kui Prantsuse kanadalastel, millel uuring põhines. Selles uuringus. Tai jt 34 kasutasid MLP algoritmi, et ennustada hammaste vanust 1636 Hiina ortodontilisest fotost ja võrdlesid selle täpsust Demirjiani ja Willems meetodi tulemustega. Nad teatasid, et MLP -l on suurem täpsus kui traditsioonilistel meetoditel. Erinevus Demirdjiani meetodi ja traditsioonilise meetodi vahel on <0,32 aastat ja Willems meetod on 0,28 aastat, mis sarnaneb käesoleva uuringu tulemustega. Nende varasemate uuringute tulemused24,34 on samuti kooskõlas käesoleva uuringu tulemustega ning DM -mudeli ja traditsioonilise meetodi vanusehinnangu täpsus on sarnased. Esitatud tulemuste põhjal võime siiski vaid ettevaatlikult järeldada, et DM -mudelite kasutamine vanuse hindamiseks võib olemasolevaid meetodeid asendada võrreldavate ja eelnevate uuringute viitamise puudumise tõttu. Selles uuringus saadud tulemuste kinnitamiseks on vaja suuremaid proove kasutavaid järelkontrolli uuringuid.
Uuringute hulgas, mis testivad SD täpsust hambaaega hindamisel, näitasid mõned suuremat täpsust kui meie uuring. Stepanovsky jt 35 rakendasid 22 SD -mudelit 976 Tšehhi elaniku panoraamsageduse radiograafidele vanuses 2,7–20,5 aastat ja testisid iga mudeli täpsust. Nad hindasid Moorrees jt ​​36 pakutud klassifikatsioonikriteeriumide abil kokku 16 ülemise ja alumise vasaku püshamma väljatöötamist. MAE on vahemikus 0,64 kuni 0,94 aastat ja RMSE on vahemikus 0,85 kuni 1,27 aastat, mis on täpsemad kui kaks selles uuringus kasutatud DM -mudelit. Shen jt 23 kasutasid kaameraiere -meetodit seitsme püsihammaste vanuse hindamiseks vasakpoolses mandiblis Ida -Hiina elanikes vanuses 5–13 aastat ja võrdles seda vanustega, mille hinnangul oli lineaarne regressioon, SVM ja RF. Nad näitasid, et kõigil kolmel DM -mudelil on võrreldes traditsioonilise kaameri valemiga võrreldes suurem täpsus. MAE ja RMSE Sheni uuringus olid madalamad kui selle uuringu DM -mudelis. Stepanovsky jt uuringute suurenenud täpsus. 35 ja Shen jt. 23 võib olla tingitud nooremate subjektide kaasamisest nende uuringuproovidesse. Kuna tekkivate hammastega osalejate vanusehinnangud muutuvad täpsemaks, kuna hammaste arv suureneb hambaravi arengu ajal, võib sellest tuleneva vanusehindamismeetodi täpsus olla ohustatud, kui uuringus osalejad on nooremad. Lisaks on MLP viga vanuse hindamisel pisut väiksem kui SLP -d, mis tähendab, et MLP on täpsem kui SLP. MLP -d peetakse vanusehindamiseks pisut paremaks, võib -olla tingitud MLP38 varjatud kihtidest. Siiski on erand naiste välisproovi kohta (SLP 1.45, MLP 1.49). Tõdemus, et MLP on vanuse hindamisel täpsem kui SLP, nõuab täiendavaid tagasiulatuvaid uuringuid.
Võrreldi ka DM-mudeli ja traditsioonilise meetodi klassifitseerimise jõudlust 18-aastase lävega. Kõik testitud SD-mudelid ja traditsioonilised meetodid sisemisel testkomplektil näitasid 18-aastase valimi diskrimineerimise taset praktiliselt vastuvõetavat. Meeste ja naiste tundlikkus oli vastavalt suurem kui 87,7% ja 94,9% ning spetsiifilisus oli suurem kui 89,3% ja 84,7%. Kõigi testitud mudelite Auroc ületab ka 0,925. Meie teadmiste kohaselt pole ükski uuring testinud DM-mudeli toimivust 18-aastase klassifikatsiooni jaoks, mis põhineb hammaste küpsusel. Saame võrrelda selle uuringu tulemusi sügava õppimise mudelite klassifitseerimise tulemusega panoraamilise radiograafia osas. Guo jt.15 Arvutasid CNN-põhise sügava õppe mudeli klassifitseerimise jõudluse ja Demirjiani meetodil põhineva käsitsi meetodi teatud vanuse läve jaoks. Käsitsimeetodi tundlikkus ja spetsiifilisus olid vastavalt 87,7% ja 95,5% ning CNN -mudeli tundlikkus ja spetsiifilisus ületasid vastavalt 89,2% ja 86,6%. Nad jõudsid järeldusele, et sügavaõppe mudelid võivad vanuse läve klassifitseerimisel asendada käsitsi hindamist või edestada. Selle uuringu tulemused näitasid sarnast klassifikatsiooni jõudlust; Arvatakse, et DM -mudeleid kasutav klassifikatsioon võib asendada traditsioonilisi statistilisi meetodeid vanuse hindamiseks. Mudelite hulgas oli DM LR parim mudel meeste proovi tundlikkuse ning naissoost proovi tundlikkuse ja spetsiifilisuse osas. LR on meeste spetsiifilisuse poolest teisel kohal. Lisaks peetakse LR-i üheks kasutajasõbralikumaks DM35 mudeliks ning seda on vähem keeruline ja raskesti töödeldav. Nende tulemuste põhjal peeti LR-i Korea elanikkonna 18-aastaste jaoks parimaks läbilõigete klassifitseerimise mudeliks.
Üldiselt oli vanuse hindamise täpsus või välise testkomplekti klassifitseerimise jõudlus halb või madalam kui sisemistestide tulemused. Mõned aruanded näitavad, et klassifitseerimise täpsus või tõhusus väheneb, kui Korea elanikkonnal põhinevaid vanuseprognoose rakendatakse Jaapani elanikkonnale 5,39 ja sarnane muster leiti käesolevas uuringus. Seda halvenemissuunda täheldati ka DM -mudelis. Seetõttu tuleks vanuse täpseks hindamiseks isegi DM -i kasutamisel analüüsiprotsessis eelistada põliselanike andmetest tuletatud meetodeid, näiteks traditsioonilisi meetodeid, 5,39,40,41,42. Kuna on ebaselge, kas sügavaõppe mudelid võivad näidata sarnaseid suundumusi, on vaja uurida klassifitseerimise täpsust ja tõhusust, kasutades samade proovide traditsioonilisi meetodeid, DM -mudeleid ja sügavaõppe mudeleid, et kinnitada, kas tehisintellekt suudab neist rassilistest erinevustest piiratud vanuses üle saada. hinnangud.
Näitame, et traditsioonilisi meetodeid saab asendada vanusehinnanguga, mis põhineb DM -mudelil Korea kohtuekspertiisi hindamise praktikas. Samuti avastasime võimaluse rakendada masinõpe kohtuekspertiisi hindamiseks. Siiski on olemas selged piirangud, näiteks selles uuringus osalejate ebapiisav arv tulemuste lõplikuks määramiseks ja varasemate uuringute puudumine selle uuringu tulemuste võrdlemiseks ja kinnitamiseks. Tulevikus tuleks DM -uuringud läbi viia suurema hulga proovide ja mitmekesisema populatsiooniga, et parandada selle praktilist rakendatavust võrreldes traditsiooniliste meetoditega. Tehisintellekti kasutamise teostatavuse valideerimiseks vanuse hindamiseks mitmetes populatsioonides on vaja tulevasi uuringuid, et võrrelda DM -i klassifitseerimise täpsust ja tõhusust ning sügavaõppe mudeleid samades proovides traditsiooniliste meetoditega.
Uuringus kasutati 2657 ortograafilist fotot, mis on kogutud Korea ja Jaapani täiskasvanutelt vanuses 15–23 aastat. Korea radiograafid jagati 900 treeningkomplektiks (19,42 ± 2,65 aastat) ja 900 sisemistesti (19,52 ± 2,59 aastat). Koolituskomplekt koguti ühes asutuses (Seoul St. Maarja haigla) ja enda katsekomplekt koguti kahes asutuses (Souli riikliku ülikooli hambahaigla ja Yonsei ülikooli hambahaigla). Samuti kogusime väliste katsete jaoks 857 radiograafi (Iwate Medical University, Jaapan). Välise katsekomplektiks valiti Jaapani subjektide radiograafid (19,31 ± 2,60 aastat). Andmeid koguti tagasiulatuvalt, et analüüsida hammaste arengu etappe hambaravi käigus võetud panoraamsageduse kohta. Kõik kogutud andmed olid anonüümsed, välja arvatud sugu, sünniaeg ja radiograafi kuupäev. Kaasamise ja välistamise kriteeriumid olid samad kui varem avaldatud uuringud 4, 5. Valimi tegelik vanus arvutati, lahutades sünnikuupäeva alates radiograafi kuupäevast. Valimirühm jagunes üheksaks vanuserühma. Vanuse ja soo jaotamine on esitatud tabelis 3 See uuring viidi läbi vastavalt Helsingi deklaratsioonile ja selle heaks kiitis Korea katoliku ülikooli Souli St. Maarja haigla institutsionaalne ülevaatenõukogu (IRB) (KC22WISI0328). Selle uuringu tagasiulatuva ülesehituse tõttu ei saanud teadlikku nõusolekut kõigilt patsientidelt, kellel oli radiograafiline uuring terapeutilistel eesmärkidel. Souli Korea Püha Maarja haigla (IRB) loobus teadliku nõusoleku nõudest.
Bimaksillaarse teise ja kolmanda molaari arenguetappe hinnati vastavalt Demircani kriteeriumidele25. Vali valiti ainult üks hammas, kui iga lõualuu vasakult ja paremalt küljelt leiti sama tüüpi hammas. Kui mõlemal küljel asusid homoloogsed hambad erineva arenguetapiga, valiti madalama arenguetapiga hammas, et arvestada ebakindlust hinnangulisel ajastul. Kaks kogenud vaatlejat skoorisid sada juhuslikult valitud radiograafi, et testida servadevahelist usaldusväärsust pärast presalibreerimist, et määrata hamba küpsuse etapp. Peamise vaatleja hindas vaatlejasisese töökindlust kaks korda kolmekuulise intervalliga.
Iga lõualuu teise ja kolmanda molaari soo- ja arenguetapi treeningkomplektis hinnati erinevate DM -mudelitega koolitatud esmane vaatleja ja tegelik vanus määrati sihtväärtuseks. SLP ja MLP mudeleid, mida kasutatakse laialdaselt masinõppeks, testiti regressioonikogude suhtes. DM -mudel ühendab lineaarsed funktsioonid, kasutades nelja hammaste arenguetappe ja ühendab need andmed vanuse hindamiseks. SLP on kõige lihtsam närvivõrk ega sisalda varjatud kihte. SLP töötab sõlmede vahelise läveülekande põhjal. SLP mudel regressioonis on matemaatiliselt sarnane mitme lineaarse regressiooniga. Erinevalt SLP mudelist on MLP mudelil mitu peidetud kihti, millel on mittelineaarsed aktiveerimisfunktsioonid. Meie katsed kasutasid peidetud kihti, millel oli ainult 20 peidetud sõlme, millel oli mittelineaarsed aktiveerimisfunktsioonid. Kasutage optimeerimismeetodina gradiendi laskumist ning MAE ja RMSE -d kui kadumisfunktsioonina meie masinõppe mudeli koolitamiseks. Sise- ja väliste katsekomplektide jaoks rakendati kõige paremini saadud regressioonimudelit ning hinnati hammaste vanust.
Töötati välja klassifikatsioonialgoritm, mis kasutab treeningkomplektil nelja hammaste küpsust, et ennustada, kas proov on 18 -aastane või mitte. Mudeli ehitamiseks saasime seitse esindusmasina algoritmi6,43: (1) LR, (2) KN, (3) SVM, (4) DT, (5) RF, (6) XGBoost ja (7) MLP . LR on üks enim kasutatavaid klassifikatsiooni algoritmid44. See on juhendatud õppimisalgoritm, mis kasutab regressiooni, et ennustada teatud kategooriasse kuuluvate andmete tõenäosust vahemikus 0 kuni 1 ja klassifitseerib andmed selle tõenäosuse põhjal tõenäolisema kategooriasse kuuluvatesse kategooriasse; Kasutatakse peamiselt binaarseks klassifitseerimiseks. KNN on üks lihtsamaid masinõppe algoritmid45. Uute sisendandmete andmisel leiab see K -andmed olemasoleva komplekti lähedal ja klassifitseerib need kõrgeima sagedusega klassi. Seadsime 3 kaalutud naabrite arvu (k). SVM on algoritm, mis maksimeerib kahe klassi vahelise kauguse, kasutades tuuma funktsiooni, et laiendada lineaarset ruumi mittelineaarseks ruumiks, mida nimetatakse Fields46. Selle mudeli jaoks kasutame polünoomi tuuma hüperparameetritena eelarvamusi = 1, võimsust = 1 ja gamma = 1. DT -d on erinevates valdkondades rakendatud algoritmina, et jagada terve andmekogum mitmesse alarühma, esindades puustruktuuris otsustusreegleid47. Mudel on konfigureeritud minimaalse arvu kirjete arvuga sõlme kohta 2 ja kasutab Gini indeksit kvaliteedi mõõtmena. RF on ansamblimeetod, mis ühendab mitu DT -d jõudluse parandamiseks, kasutades alglaadimise agregatsioonimeetodit, mis genereerib iga valimi jaoks nõrga klassifikaatori, joonistades algsest DataSet48 -st mitu korda sama suurusega proovid juhuslikult. Sõlmede eraldamise kriteeriumidena kasutasime 100 puud, 10 puu sügavust, 1 minimaalne sõlme suurus ja Gini segunemisindeks. Uute andmete klassifikatsioon määratakse enamuse hääletusega. XGBoost on algoritm, mis ühendab suurendamise tehnikaid, kasutades meetodit, mis võtab treeningandmetena viga eelmise mudeli tegelike ja ennustatud väärtuste vahel ning suurendab vea gradients49 abil. See on laialdaselt kasutatav algoritm tänu hea jõudlusele ja ressursside tõhususele, samuti kõrge töökindluse tõttu ületamisfunktsioonina. Mudel on varustatud 400 tugirattaga. MLP on närvivõrk, kus üks või mitu tajumist moodustavad mitu kihti, mille sisend- ja väljundkihtide vahel on üks või mitu varjatud kihti38. Seda kasutades saate teha mittelineaarse klassifikatsiooni, kui lisada sisendkiht ja saada tulemuse väärtus, võrreldakse ennustatud tulemuse väärtust tegeliku tulemuse väärtusega ja viga levitatakse tagasi. Lõime peidetud kihi, mille igas kihis oli 20 peidetud neuronit. Iga välja töötatud mudelit rakendati sise- ja välistes komplektides, et testida klassifitseerimise jõudlust, arvutades tundlikkuse, spetsiifilisuse, PPV, NPV ja AUROC. Tundlikkus on määratletud kui valimi suhe, mis on hinnanguliselt 18 -aastane või vanem valimi suhtes, mis on hinnanguliselt 18 -aastane või vanem. Spetsiifilisus on alla 18 -aastaste proovide osakaal ja nende hinnangul on alla 18 -aastane.
Treeningkomplektis hinnatud hambaarsti etapid muudeti statistilise analüüsi numbrilisteks etappideks. Iga soo jaoks ennustatavate mudelite väljatöötamiseks viidi läbi mitme muutujaga lineaarne ja logistiline regressioon ja tuletada regressioonivalemeid, mida saab kasutada vanuse hindamiseks. Me kasutasime neid valemeid hammaste vanuse hindamiseks nii sise- kui ka väliste katsekomplektide jaoks. Tabelis 4 on toodud selles uuringus kasutatud regressiooni- ja klassifitseerimismudelid.
Varjutunnerisisese ja interpreverri töökindluse arvutati Coheni Kappa statistika abil. DM -i ja traditsiooniliste regressioonimudelite täpsuse testimiseks arvutasime MAE ja RMSE, kasutades sise- ja väliste katsekomplektide hinnangulisi ja tegelikke vanuseid. Neid vigu kasutatakse tavaliselt mudeli ennustuste täpsuse hindamiseks. Mida väiksem on viga, seda suurem on prognoosi 24 täpsus. Võrrelge DM -i ja traditsioonilise regressiooni abil arvutatud sise- ja väliste testkomplektide MAE ja RMSE. Traditsioonilise statistika 18-aastase läbilõike klassifitseerimise tulemuslikkust hinnati 2 × 2 situatsioonilaua abil. Testkomplekti arvutatud tundlikkust, spetsiifilisust, PPV, NPV ja AUROC -i võrreldi DM klassifitseerimismudeli mõõdetud väärtustega. Andmeid väljendatakse keskmise ± standardhälbe või arvuna (%) sõltuvalt andmeomadustest. Kahepoolseid P väärtusi <0,05 peeti statistiliselt oluliseks. Kõik rutiinsed statistilised analüüsid viidi läbi, kasutades SAS versiooni 9.4 (SAS Institute, Cary, NC). DM -regressioonimudel rakendati Pythonis, kasutades Keras50 2.2.4 taustaprogrammi ja tensorflow51 1.8.0 spetsiaalselt matemaatiliste toimingute jaoks. DM klassifitseerimismudel rakendati Waikato teadmiste analüüsi keskkonnas ja Konstanzi infomkaevandaja (Knime) 4.6.152 analüüsiplatvormil.
Autorid tunnistavad, et uuringu järeldusi toetavad andmed leiate artiklist ja lisamaterjalidest. Uuringu käigus genereeritud ja/või analüüsitud andmekogumid on vastava autori kättesaadavad mõistliku taotluse alusel.
Ritz-Timme, S. et al. Vanuse hindamine: asjatundlik seisund vastama kohtuekspertiisi praktika konkreetsetele nõuetele. Rahvusvaheline. J. Juriidiline meditsiin. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ja Olze, A. Kriminaalmenetluste kohtuekspertide hindamise praegune staatus kriminaalvastutusele võtmiseks. Kohtuekspertiisi. ravim. Patoloogia. 1, 239–246 (2005).
Pan, J. jt. Muudetud meetod Ida -Hiinas 5–16 -aastaste laste hambaajastu hindamiseks. kliiniline. Suuline uuring. 25, 3463–3474 (2021).
Lee, SS jne Rahvusvaheline. J. Juriidiline meditsiin. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, Sy ja Lee, vanuse hindamise täpsus ja 18-aastase läve hindamine, mis põhineb korealastel ja jaapanlastel teise ja kolmanda molaari küpsusel. PLOS One 17, E0271247 (2022).
Kim, Jy jt. Operatsioonieelne masinõppepõhine andmete analüüs võib ennustada uneoperatsiooni ravi tulemust OSA-ga patsientidel. Teadus. Aruanne 11, 14911 (2021).
Han, M. jt. Täpne vanuse hinnang masinõppest koos inimese sekkumisega või ilma? Rahvusvaheline. J. Juriidiline meditsiin. 136, 821–831 (2022).
Khan, S. ja Shaheen, M. Andmete kaevandamisest andmete kaevandamiseni. J.informatsioon. Teadus. https://doi.org/10.1177/016555515211030872 (2021).
Khan, S. ja Shaheen, M. Wisrule: esimene kognitiivne algoritm assotsiatsioonireeglite kaevandamiseks. J.informatsioon. Teadus. https://doi.org/10.1177/016555515221108695 (2022).
Shaheen M. ja Abdullah U. Karm: traditsiooniline andmete kaevandamine, mis põhineb kontekstipõhistel assotsiatsioonireeglitel. arvutada. Matt. Jätka. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ja Habib M. Sügava õppepõhine semantiline sarnasuse tuvastamine tekstiandmete abil. teavitada. Tehnoloogiad. kontroll. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ja Shahin, M. Süsteem spordivideote tegevuse äratundmiseks. Multimeedia. Tööriistarakendused https://doi.org/10.1007/S11042-021-10519-6 (2021).
Halabi, SS jt. RSNA masinõppe väljakutse laste luude ajastul. Radiology 290, 498–503 (2019).
Li, Y. jt. Kohtuekspertiisi hinnang vaagna röntgenikiirtelt, kasutades sügavat õppimist. Euro. kiirgus. 29, 2322–2329 (2019).
Guo, YC jt. Täpne vanuseklassifikatsioon käsitsi meetodite ja ortograafiliste projektsioonipiltide sügavate konvolutsiooniliste närvivõrkude abil. Rahvusvaheline. J. Juriidiline meditsiin. 135, 1589–1597 (2021).
Alabama Dalora jt. Luu vanuse hinnang erinevate masinõppe meetodite abil: süstemaatiline kirjanduse ülevaade ja metaanalüüs. PLOS One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. ja Yang, J. Aafrika ameeriklaste ja hiinlaste populatsioonipõhise vanusehinnang, mis põhineb esimeste molaaride tselluloosi kambril, kasutades koonuse tala kompuutertomograafiat. Rahvusvaheline. J. Juriidiline meditsiin. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ja OH KS, kes määravad elavate inimeste vanuserühmad, kasutades tehisintellektipõhiseid pilte esimestest molaaridest. Teadus. Aruanne 11, 1073 (2021).
Stern, D., maksja, C., Giuliani, N. ja Urschler, M. Automaatne vanuse hindamine ja enamuse vanuse klassifikatsioon mitme muutujaga MRI andmetest. IEEE J. Biomed. Terviseteated. 23, 1392–1403 (2019).
Cheng, Q., GE, Z., DU, H. ja Li, G. Vanuse hinnang, mis põhineb koonusevalgust kompuutertomograafiast pärit esimese molaari 3D -paberimassi kambri segmenteerimisel, integreerides sügava õppimise ja tasemekomplektid. Rahvusvaheline. J. Juriidiline meditsiin. 135, 365–373 (2021).
Wu, WT jt. Andmete kaevandamine kliinilistes suurandmetes: tavalised andmebaasid, sammud ja meetodid mudelid. Maailm. ravim. ressurss. 8, 44 (2021).
Yang, J. jt. Sissejuhatus meditsiinilistesse andmebaasidesse ja andmete kaevandamise tehnoloogiatesse suurandmete ajastul. J. Avid. Põhiravim. 13, 57–69 (2020).
Shen, S. jt. Kaamerameetod hammaste vanuse hindamiseks masinõppe abil. BMC Oral Health 21, 641 (2021).
Galliburg A. jt. DEMIRDJIANi lavastusmeetodi abil hambaraviaja prognoosimiseks erinevate masinõppe meetodite võrdlus. Rahvusvaheline. J. Juriidiline meditsiin. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ja Tanner, JM Uus süsteem hambaaega hindamiseks. Nuusk. Bioloogia. 45, 211–227 (1973).
Landis, JR ja Koch, GG vaatlejate kokkuleppe mõõtmed kategooriliste andmete osas. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ja Choi HK. Kahemõõtmelise magnetresonantstomograafia tekstuuriline, morfoloogiline ja statistiline analüüs tehisintellektitehnikate abil primaarsete ajukasvajate diferentseerumiseks. Terviseteave. ressurss. https://doi.org/10.4258/hir.2022.28.1.46 (2022).


Postiaeg: jaanuar-04-2024