Täname, et külastasite veebilehte Nature.com.Teie kasutataval brauseri versioonil on piiratud CSS-i tugi.Parimate tulemuste saavutamiseks soovitame kasutada brauseri uuemat versiooni (või Internet Exploreris ühilduvusrežiimi välja lülitada).Seni näitame pideva toe tagamiseks saiti ilma stiilita või JavaScriptita.
Hambaid peetakse kõige täpsemaks inimkeha vanuse näitajaks ja neid kasutatakse sageli kohtuekspertiisi vanuse hindamisel.Meie eesmärk oli kinnitada andmekaevandamisel põhinevaid hambaravi vanuse hinnanguid, võrreldes 18-aastase künnise hinnangu täpsust ja klassifitseerimise tulemuslikkust traditsiooniliste meetodite ja andmekaevepõhiste vanusehinnangutega.Korea ja Jaapani kodanikelt vanuses 15–23 aastat koguti kokku 2657 panoraamröntgenipilti.Need jaotati treeningkomplektiks, millest igaüks sisaldas 900 Korea radiograafiat, ja sisemiseks testikomplektiks, mis sisaldas 857 Jaapani radiograafiat.Võrdlesime traditsiooniliste meetodite klassifitseerimise täpsust ja tõhusust andmekaevemudelite testkomplektidega.Traditsioonilise meetodi täpsus sisemise testikomplekti puhul on veidi kõrgem kui andmekaevandamise mudelil ja erinevus on väike (keskmine absoluutviga <0,21 aastat, ruutkeskmine viga <0,24 aastat).18-aastase piiri klassifikatsiooni jõudlus on sarnane ka traditsiooniliste meetodite ja andmekaevemudelite vahel.Seega saab Korea noorukitel ja noortel täiskasvanutel kohtuekspertiisi vanuse hindamisel teise ja kolmanda purihamba küpsust kasutades asendada traditsioonilised meetodid andmekaeve mudelitega.
Hambaravi vanuse hindamist kasutatakse laialdaselt kohtuekspertiisi ja laste hambaravis.Eelkõige kronoloogilise vanuse ja hammaste arengu vahelise suure korrelatsiooni tõttu on vanuse hindamine hammaste arenguetappide järgi oluline kriteerium laste ja noorukite vanuse hindamisel1,2,3.Noorte inimeste puhul on hammaste vanuse hindamisel hammaste küpsuse põhjal siiski omad piirangud, sest hammaste kasv on peaaegu täielik, välja arvatud kolmandad purihambad.Noorte ja noorukite vanuse määramise õiguslik eesmärk on anda täpseid hinnanguid ja teaduslikke tõendeid selle kohta, kas nad on täisealiseks saanud.Noorukite ja noorte täiskasvanute meditsiinilises praktikas Koreas hinnati vanust Lee meetodil ja Oh jt andmete põhjal ennustati seaduslikku künnist 18 aastat 5 .
Masinõpe on tehisintellekti (AI) tüüp, mis õpib ja klassifitseerib korduvalt suuri andmehulki, lahendab probleeme iseseisvalt ja juhib andmete programmeerimist.Masinõpe võib avastada kasulikke peidetud mustreid suurtes andmemahtudes6.Seevastu klassikalistel meetoditel, mis on töömahukad ja aeganõudvad, võivad olla piirangud suurte keerukate andmete töötlemisel, mida on raske käsitsi töödelda7.Seetõttu on hiljuti läbi viidud palju uuringuid, kasutades uusimaid arvutitehnoloogiaid, et minimeerida inimlikke vigu ja tõhusalt töödelda mitmemõõtmelisi andmeid8,9,10,11,12.Eelkõige on süvaõpet laialdaselt kasutatud meditsiinilises kujutise analüüsis ning on teatatud, et mitmesugused vanuse hindamise meetodid radiograafide automaatanalüüsi abil parandavad vanuse hindamise täpsust ja tõhusust13, 14, 15, 16, 17, 18, 19, 20 .Näiteks Halabi jt 13 töötasid välja konvolutsiooniliste närvivõrkude (CNN) baasil masinõppe algoritmi, et hinnata skeleti vanust laste käte röntgenograafia abil.See uuring pakub välja mudeli, mis rakendab masinõpet meditsiiniliste piltide puhul ja näitab, et need meetodid võivad parandada diagnostilist täpsust.Li jt14 hindasid vanust vaagnapiirkonna röntgenpiltide põhjal, kasutades süvaõppe CNN-i, ja võrdlesid neid regressioonitulemustega, kasutades luustumise etapi hinnangut.Nad leidsid, et süvaõppe CNN-i mudel näitas sama vanusehinnangu jõudlust kui traditsiooniline regressioonimudel.Guo jt uuringus [15] hinnati hambaortofotode põhjal CNN-tehnoloogia vanusetaluvuse klassifikatsiooni jõudlust ning CNN-i mudeli tulemused tõestasid, et inimesed ületasid selle vanuseklassifikatsiooni jõudlust.
Enamikus masinõppe abil vanuse hindamise uuringutes kasutatakse süvaõppe meetodeid13,14,15,16,17,18,19,20.Väidetavalt on sügaval õppimisel põhinev vanuse hindamine täpsem kui traditsioonilised meetodid.Selline lähenemine annab aga vähese võimaluse esitada vanusehinnangute teaduslikke aluseid, näiteks hinnangutes kasutatud vanusenäitajaid.Samuti käib juriidiline vaidlus selle üle, kes kontrolli läbi viib.Seetõttu on haldus- ja kohtuasutustel raske aktsepteerida sügaval õppimisel põhinevat vanuse hindamist.Andmekaeve (DM) on tehnika, mis võimaldab avastada mitte ainult oodatud, vaid ka ootamatut teavet kui meetodit kasulike korrelatsioonide avastamiseks suurte andmemahtude vahel6, 21, 22.Andmekaevanduses kasutatakse sageli masinõpet ning nii andmekaevandamine kui ka masinõpe kasutavad andmetes mustrite avastamiseks samu võtmealgoritme.Vanuse hindamine hammaste arengut kasutades põhineb eksamineerija hinnangul sihthammaste küpsuse kohta ja see hinnang on väljendatud etapina iga sihthamba kohta.DM-i saab kasutada hammaste hindamise etapi ja tegeliku vanuse vahelise seose analüüsimiseks ning see võib asendada traditsioonilise statistilise analüüsi.Seega, kui rakendame vanuse hindamisel DM-tehnikaid, saame masinõpet rakendada kohtuekspertiisi vanuse hindamisel, muretsemata juriidilise vastutuse pärast.On avaldatud mitmeid võrdlevaid uuringuid võimalike alternatiivide kohta kohtuekspertiisi praktikas kasutatavatele traditsioonilistele manuaalmeetoditele ja EBM-põhistele meetoditele hambaravi vanuse määramisel.Shen jt23 näitasid, et DM-mudel on täpsem kui traditsiooniline Camereri valem.Galibourg jt24 rakendasid Demirdjiani kriteeriumi järgi vanuse ennustamiseks erinevaid DM-meetodeid25 ja tulemused näitasid, et DM-meetod edestas Prantsuse elanikkonna vanuse hindamisel Demirdjiani ja Willemsi meetodeid.
Korea noorukite ja noorte täiskasvanute hambaravi vanuse hindamiseks kasutatakse Korea kohtuekspertiisi praktikas laialdaselt Lee meetodit 4.See meetod kasutab traditsioonilist statistilist analüüsi (nt mitmekordset regressiooni), et uurida seost Korea katsealuste ja kronoloogilise vanuse vahel.Selles uuringus määratletakse traditsiooniliste statistiliste meetodite abil saadud vanuse hindamise meetodeid kui "traditsioonilisi meetodeid".Lee meetod on traditsiooniline meetod ja selle täpsust on kinnitanud Oh jt.5;DM mudelil põhineva vanuse hindamise rakendatavus Korea kohtuekspertiisi praktikas on aga endiselt küsitav.Meie eesmärk oli teaduslikult kinnitada DM mudelil põhineva vanuse hindamise võimalikku kasulikkust.Selle uuringu eesmärk oli (1) võrrelda kahe DM-mudeli täpsust hambaravi vanuse hindamisel ja (2) võrrelda 7 DM-mudeli klassifikatsiooni jõudlust 18-aastaselt traditsiooniliste statistiliste meetodite abil saadud tulemustega. ja kolmandad molaarid mõlemas lõualuus.
Kronoloogilise vanuse keskmised ja standardhälbed etapi ja hambatüübi järgi on näidatud veebis täiendavas tabelis S1 (treeningkomplekt), täiendavas tabelis S2 (sisemine testikomplekt) ja täiendavas tabelis S3 (väline testikomplekt).Treeningkomplektist saadud vaatlejasisese ja interobserveri usaldusväärsuse kappa väärtused olid vastavalt 0,951 ja 0,947.P väärtused ja kappa väärtuste 95% usaldusvahemikud on näidatud veebipõhises lisatabelis S4.Kapa väärtust tõlgendati kui "peaaegu täiuslikku", mis on kooskõlas Landise ja Koch26 kriteeriumidega.
Kui võrrelda keskmist absoluutset viga (MAE), ületab traditsiooniline meetod veidi DM-mudelit kõigi sugude ja välise meeste testikomplekti puhul, välja arvatud mitmekihiline pertseptron (MLP).Traditsioonilise mudeli ja DM-mudeli erinevus sisemise MAE testikomplekti puhul oli meestel 0,12–0,19 aastat ja naistel 0,17–0,21 aastat.Välise testpatarei puhul on erinevused väiksemad (meestel 0,001–0,05 aastat ja naistel 0,05–0,09 aastat).Lisaks on ruutkeskmine viga (RMSE) pisut madalam kui traditsioonilisel meetodil, väiksemate erinevustega (0, 17–0, 24, 0, 2–0, 24 meeste sisemise testikomplekti puhul ja 0, 03–0, 07, 0, 04–0, 08 välise testikomplekti puhul).).MLP näitab veidi paremat jõudlust kui ühekihiline perceptron (SLP), välja arvatud naissoost välistestide komplekti puhul.MAE ja RMSE puhul on väline testikomplekt kõigi sugude ja mudelite puhul kõrgem kui sisemise testikomplekt.Kõik MAE ja RMSE on näidatud tabelis 1 ja joonisel 1.
Traditsiooniliste ja andmekaeve regressioonimudelite MAE ja RMSE.Keskmine absoluutviga MAE, ruutkeskmine viga RMSE, ühekihiline pertseptron SLP, mitmekihiline pertseptron MLP, traditsiooniline CM meetod.
Traditsiooniliste ja DM-mudelite klassifitseerimise jõudlust (18-aastase piiriga) demonstreeriti tundlikkuse, spetsiifilisuse, positiivse ennustusväärtuse (PPV), negatiivse ennustusväärtuse (NPV) ja vastuvõtja töökarakteristiku kõvera aluse (AUROC) alusel. 27 (tabel 2, joonis 2 ja täiendav joonis 1 võrgus).Sisetesti aku tundlikkuse osas toimisid traditsioonilised meetodid kõige paremini meeste ja halvemini naiste seas.Siiski on klassifikatsiooni jõudluse erinevus traditsiooniliste meetodite ja SD vahel 9,7% meeste (MLP) ja ainult 2,4% naiste puhul (XGBoost).DM mudelite hulgas näitas logistiline regressioon (LR) paremat tundlikkust mõlemas soos.Sisemise testikomplekti spetsiifilisuse osas täheldati, et neli SD-mudelit toimisid hästi meestel, samas kui traditsiooniline mudel toimis paremini naistel.Meeste ja naiste klassifikatsiooni jõudluse erinevused on vastavalt 13,3% (MLP) ja 13,1% (MLP), mis näitab, et klassifikatsiooni jõudluse erinevus mudelite vahel ületab tundlikkuse.DM-mudelitest toimisid meeste seas kõige paremini tugivektori masina (SVM), otsustuspuu (DT) ja juhusliku metsa (RF) mudelid, naiste seas aga LR-mudel.Traditsioonilise mudeli ja kõigi SD-mudelite AUROC oli suurem kui 0, 925 (k-lähim naaber (KNN) meestel), mis näitab suurepärast klassifikatsioonijõudlust 18-aastaste proovide eristamisel28.Välise testikomplekti puhul vähenes klassifikatsiooni jõudlus tundlikkuse, spetsiifilisuse ja AUROC osas võrreldes sisemise testikomplektiga.Veelgi enam, tundlikkuse ja spetsiifilisuse erinevus parimate ja halvimate mudelite klassifikatsiooni jõudluse vahel oli vahemikus 10% kuni 25% ja oli suurem kui sisemise testikomplekti erinevus.
Andmekaeve klassifitseerimismudelite tundlikkus ja spetsiifilisus võrreldes traditsiooniliste meetoditega, mille piirmäär on 18 aastat.KNN k lähim naaber, SVM tugivektori masin, LR logistiline regressioon, DT otsustuspuu, RF juhuslik mets, XGB XGBoost, MLP mitmekihiline pertseptron, traditsiooniline CM meetod.
Selle uuringu esimene samm oli võrrelda seitsmest DM-mudelist saadud hambaravi vanuse hinnangute täpsust traditsioonilise regressiooniga saadud hinnangutega.MAE-d ja RMSE-d hinnati mõlema soo sisetestikomplektides ning erinevus traditsioonilise meetodi ja DM-mudeli vahel oli MAE puhul 44–77 päeva ja RMSE puhul 62–88 päeva.Kuigi traditsiooniline meetod oli selles uuringus veidi täpsem, on raske järeldada, kas nii väikesel erinevusel on kliiniline või praktiline tähendus.Need tulemused näitavad, et hambaravi vanuse hindamise täpsus DM-mudeli abil on peaaegu sama kui traditsioonilise meetodi puhul.Otsene võrdlemine varasemate uuringute tulemustega on keeruline, kuna üheski uuringus ei ole võrreldud DM-mudelite täpsust traditsiooniliste statistiliste meetoditega, kasutades sama hammaste registreerimistehnikat samas vanusevahemikus nagu käesolevas uuringus.Galibourg jt24 võrdlesid MAE-d ja RMSE-d kahe traditsioonilise meetodi (Demirjiani meetod25 ja Willemsi meetod29) ja 10 DM-mudeli vahel 2–24-aastastel Prantsuse elanikel.Nad teatasid, et kõik DM-mudelid olid täpsemad kui traditsioonilised meetodid, erinevused 0,20 ja 0,38 aastat MAE-s ning 0,25 ja 0,47 aastat RMSE-s võrreldes Willemsi ja Demirdjiani meetoditega.Halibourgi uuringus näidatud lahknevus SD-mudeli ja traditsiooniliste meetodite vahel võtab arvesse arvukaid aruandeid 30, 31, 32, 33, et Demirdjiani meetod ei hinda täpselt hambaravi vanust muudes populatsioonides peale prantsuse kanadalaste, millel uuring põhines.selles uuringus.Tai jt 34 kasutasid MLP algoritmi hammaste vanuse ennustamiseks 1636 Hiina ortodontilise foto põhjal ning võrdlesid selle täpsust Demirjiani ja Willemsi meetodi tulemustega.Nad teatasid, et MLP-l on suurem täpsus kui traditsioonilistel meetoditel.Demirdjiani meetodi ja traditsioonilise meetodi erinevus on <0,32 aastat ja Willemsi meetodil 0,28 aastat, mis on sarnane käesoleva uuringu tulemustega.Nende varasemate uuringute24,34 tulemused on samuti kooskõlas käesoleva uuringu tulemustega ning DM-mudeli ja traditsioonilise meetodi vanuse hindamise täpsus on sarnane.Esitatud tulemuste põhjal võime siiski vaid ettevaatlikult järeldada, et DM-mudelite kasutamine vanuse hindamiseks võib olemasolevaid meetodeid asendada varasemate võrdlevate ja võrdlusuuringute puudumise tõttu.Selles uuringus saadud tulemuste kinnitamiseks on vaja järeluuringuid suuremate valimitega.
Uuringute hulgas, mis testisid SD täpsust hambaravi vanuse hindamisel, näitasid mõned suuremat täpsust kui meie uuring.Stepanovsky jt 35 rakendasid 22 SD-mudelit 976 Tšehhi elaniku panoraamröntgenipiltidele vanuses 2,7–20,5 aastat ja testisid iga mudeli täpsust.Nad hindasid kokku 16 ülemise ja alumise vasaku jäävhamba arengut, kasutades Moorreesi jt välja pakutud klassifitseerimiskriteeriume36.MAE on vahemikus 0, 64 kuni 0, 94 aastat ja RMSE on vahemikus 0, 85 kuni 1, 27 aastat, mis on täpsemad kui selles uuringus kasutatud kaks DM mudelit.Shen jt23 kasutasid Cameriere'i meetodit, et hinnata Ida-Hiina elanikel vanuses 5–13 aastat vasaku alalõualu seitsme jäävhamba vanust ja võrdlesid seda lineaarse regressiooni, SVM-i ja RF-i abil hinnatud vanusega.Need näitasid, et kõigil kolmel DM-mudelil on suurem täpsus võrreldes traditsioonilise Cameriere'i valemiga.Sheni uuringu MAE ja RMSE olid madalamad kui selles uuringus DM mudelis.Stepanovski jt uuringute suurenenud täpsus.35 ja Shen et al.23 võib olla tingitud nooremate katsealuste kaasamisest nende uuringuvalimitesse.Kuna arenevate hammastega osalejate vanusehinnangud muutuvad hammaste arvu suurenemisel hammaste arengu ajal täpsemaks, võib saadud vanuse hindamise meetodi täpsus olla ohus, kui uuringus osalejad on nooremad.Lisaks on MLP viga vanuse hindamisel veidi väiksem kui SLP, mis tähendab, et MLP on täpsem kui SLP.MLP-d peetakse vanuse hindamisel veidi paremaks, võib-olla MLP38 peidetud kihtide tõttu.Siiski on naiste välisvalimi puhul erand (SLP 1,45, MLP 1,49).Järeldus, et MLP on vanuse hindamisel täpsem kui SLP, nõuab täiendavaid retrospektiivseid uuringuid.
Võrreldi ka DM-mudeli ja traditsioonilise meetodi klassifitseerimise toimivust 18-aastase künnise juures.Kõik sisetestikomplekti testitud SD-mudelid ja traditsioonilised meetodid näitasid 18-aastase valimi puhul praktiliselt vastuvõetavat diskrimineerimise taset.Meeste ja naiste tundlikkus oli suurem kui 87,7% ja 94,9% ning spetsiifilisus oli suurem kui 89,3% ja 84,7%.Kõikide testitud mudelite AUROC ületab samuti 0,925.Meie teadmiste kohaselt ei ole ükski uuring testinud DM-mudeli toimivust 18-aastase klassifikatsiooni jaoks, mis põhineb hammaste küpsusel.Selle uuringu tulemusi saame võrrelda panoraamröntgenipiltide süvaõppe mudelite klassifitseerimisega.Guo jt.15 arvutasid CNN-il põhineva süvaõppe mudeli ja Demirjiani meetodil põhineva manuaalmeetodi klassifitseerimise jõudluse teatud vanuseläve puhul.Manuaalse meetodi tundlikkus ja spetsiifilisus olid vastavalt 87,7% ja 95,5%, CNN-i mudeli tundlikkus ja spetsiifilisus ületasid vastavalt 89,2% ja 86,6%.Nad jõudsid järeldusele, et süvaõppe mudelid võivad asendada või ületada käsitsi hindamist vanuselävede klassifitseerimisel.Selle uuringu tulemused näitasid sarnast klassifikatsiooni jõudlust;Arvatakse, et klassifikatsioon DM-mudelite abil võib asendada traditsioonilised statistilised meetodid vanuse hindamiseks.Mudelite hulgas oli DM LR parim mudel meessoost proovi tundlikkuse ning naiste proovi tundlikkuse ja spetsiifilisuse osas.LR on meeste spetsiifilisuses teisel kohal.Lisaks peetakse LR-i üheks kasutajasõbralikumaks DM35 mudeliks ning seda on vähem keeruline ja raskem töödelda.Nende tulemuste põhjal peeti LR-i parimaks 18-aastaste klassifikatsiooni mudeliks Korea elanikkonnas.
Üldiselt oli vanuse hindamise või klassifitseerimise täpsus välise testikomplekti puhul halb või madalam võrreldes sisemise testikomplekti tulemustega.Mõned aruanded näitavad, et klassifikatsiooni täpsus või tõhusus väheneb, kui Korea elanikkonnal põhinevaid vanusehinnanguid rakendatakse Jaapani elanikkonnale5, 39, ja sarnane muster leiti ka käesolevas uuringus.Seda halvenemistrendi täheldati ka DM mudelis.Seetõttu tuleks vanuse täpseks hindamiseks, isegi kui analüüsiprotsessis kasutatakse DM-i, eelistada looduslikest populatsiooniandmetest tuletatud meetodeid, näiteks traditsioonilisi meetodeid5, 39, 40, 41, 42.Kuna on ebaselge, kas süvaõppe mudelid võivad näidata sarnaseid suundumusi, on vaja uuringuid, mis võrdlevad klassifikatsiooni täpsust ja tõhusust traditsiooniliste meetodite, DM-mudelite ja samade proovide süvaõppe mudelite abil, et kinnitada, kas tehisintellekt suudab neid rassilisi erinevusi piiratud vanuses ületada.hinnanguid.
Näitame, et Korea kohtuekspertiisi vanuse hindamise praktikas saab traditsioonilisi meetodeid asendada DM mudelil põhineva vanuse hindamisega.Samuti avastasime masinõppe rakendamise võimaluse kohtuekspertiisi vanuse hindamiseks.Siiski on selgeid piiranguid, näiteks selles uuringus osalenute ebapiisav arv tulemuste lõplikuks kindlaksmääramiseks ning varasemate uuringute puudumine selle uuringu tulemuste võrdlemiseks ja kinnitamiseks.Tulevikus tuleks DM-uuringuid läbi viia suurema hulga proovide ja mitmekesisemate populatsioonidega, et parandada selle praktilist rakendatavust võrreldes traditsiooniliste meetoditega.Tehisintellekti kasutamise teostatavuse kinnitamiseks vanuse hindamiseks mitmes populatsioonis on vaja tulevasi uuringuid, et võrrelda DM-i ja süvaõppe mudelite klassifitseerimise täpsust ja tõhusust samades proovides traditsiooniliste meetoditega.
Uuringus kasutati 2657 ortograafilist fotot, mis koguti Korea ja Jaapani täiskasvanutelt vanuses 15–23 aastat.Korea radiograafiad jagati 900 treeningkomplektiks (19,42 ± 2,65 aastat) ja 900 sisetestikomplektiks (19,52 ± 2,59 aastat).Koolituskomplekti koguti ühes asutuses (Souli St. Mary haiglas) ja oma testikomplekti koguti kahes asutuses (Souli Riiklik Ülikooli Hambahaigla ja Yonsei Ülikooli Haigla).Samuti kogusime väliseks testimiseks 857 radiograafiat teistest populatsioonipõhistest andmetest (Iwate Medical University, Jaapan).Väliseks testikomplektiks valiti Jaapani katsealuste (19,31 ± 2,60 aastat) radiograafiad.Andmeid koguti tagasiulatuvalt, et analüüsida hambaravi käigus tehtud panoraamröntgenipiltidel hammaste arenguetappe.Kõik kogutud andmed olid anonüümsed, välja arvatud sugu, sünnikuupäev ja radiograafia kuupäev.Kaasamise ja väljajätmise kriteeriumid olid samad, mis varem avaldatud uuringutes 4, 5.Proovi tegelik vanus arvutati, lahutades radiograafia tegemise kuupäevast sünnikuupäeva.Valimirühm jaotati üheksasse vanuserühma.Vanuse ja soo jaotus on näidatud tabelis 3. See uuring viidi läbi vastavalt Helsingi deklaratsioonile ja selle kiitis heaks Korea Katoliku Ülikooli Seouli Püha Maarja haigla institutsionaalne ülevaatusnõukogu (KC22WISI0328).Selle uuringu tagasiulatuva ülesehituse tõttu ei saanud kõigilt terapeutilistel eesmärkidel radiograafilist uuringut läbinud patsientidelt teadlikku nõusolekut saada.Souli Korea ülikooli St. Mary haigla (IRB) loobus teadliku nõusoleku nõudest.
Bimaxillaarsete teise ja kolmanda molaari arenguetappe hinnati vastavalt Demircani kriteeriumidele25.Kui mõlema lõualuu vasakul ja paremal küljel leiti sama tüüpi hammas, valiti ainult üks hammas.Kui mõlema poole homoloogsed hambad olid erinevas arengustaadiumis, valiti madalama arenguastmega hammas, et võtta arvesse hinnangulise vanuse ebakindlust.Kaks kogenud vaatlejat hindasid koolituskomplektist sada juhuslikult valitud radiograafiat, et testida vaatlejatevahelist töökindlust pärast hammaste küpsusastme määramiseks tehtud eelkalibreerimist.Peamine vaatleja hindas vaatlejasisest töökindlust kaks korda kolmekuulise intervalliga.
Treeningkomplekti iga lõualuu teise ja kolmanda molaari sugu ja arengustaadium hindas erinevate DM-mudelitega koolitatud esmane vaatleja ning sihtväärtuseks määrati tegelik vanus.Masinõppes laialdaselt kasutatavaid SLP ja MLP mudeleid testiti regressioonialgoritmide suhtes.DM-mudel ühendab lineaarsed funktsioonid, kasutades nelja hamba arenguetappe, ja kombineerib need andmed vanuse hindamiseks.SLP on lihtsaim närvivõrk ja ei sisalda peidetud kihte.SLP töötab sõlmedevahelise läviülekande alusel.SLP-mudel regressioonis on matemaatiliselt sarnane mitme lineaarse regressiooniga.Erinevalt SLP mudelist on MLP mudelil mitu peidetud kihti mittelineaarsete aktiveerimisfunktsioonidega.Meie katsetes kasutati peidetud kihti ainult 20 peidetud sõlmega mittelineaarsete aktiveerimisfunktsioonidega.Kasutage meie masinõppemudeli treenimiseks optimeerimismeetodina gradiendi laskumist ning kadufunktsioonina MAE ja RMSE.Parimat saadud regressioonimudelit rakendati sise- ja välistestikomplektidele ning hinnati hammaste vanust.
Töötati välja klassifitseerimisalgoritm, mis kasutab treeningkomplekti nelja hamba küpsust, et ennustada, kas proov on 18-aastane või mitte.Mudeli koostamiseks tuletasime seitse esitusmasinõppe algoritmi6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost ja (7) MLP .LR on üks enim kasutatavaid klassifitseerimisalgoritme44.See on juhendatud õppealgoritm, mis ennustab regressiooni abil tõenäosust, et andmed kuuluvad teatud kategooriasse vahemikus 0 kuni 1, ja liigitab andmed selle tõenäosuse alusel tõenäolisemasse kategooriasse kuuluvaks;kasutatakse peamiselt binaarseks klassifitseerimiseks.KNN on üks lihtsamaid masinõppe algoritme45.Kui antakse uusi sisendandmeid, leiab ta k olemasolevale hulgale lähedasi andmeid ja liigitab need seejärel kõrgeima sagedusega klassi.Arvestatud naabrite arvu (k) jaoks määrasime 3.SVM on algoritm, mis maksimeerib kahe klassi vahelise kauguse, kasutades kerneli funktsiooni, et laiendada lineaarset ruumi mittelineaarseks ruumiks, mida nimetatakse väljadeks46.Selle mudeli puhul kasutame polünoomituuma hüperparameetritena bias = 1, võimsus = 1 ja gamma = 1.DT-d on erinevates valdkondades kasutatud algoritmina kogu andmestiku jagamiseks mitmeks alamrühmaks, esitades otsusereegleid puustruktuuris47.Mudel on konfigureeritud nii, et minimaalne kirjete arv sõlme kohta on 2 ja see kasutab kvaliteedi mõõtmiseks Gini indeksit.RF on ansamblimeetod, mis ühendab mitu DT-d, et parandada jõudlust, kasutades alglaadimisagregatsiooni meetodit, mis genereerib iga valimi jaoks nõrga klassifikaatori, tõmmates algsest andmekogumist juhuslikult mitu korda sama suurusega valimeid48.Sõlmede eraldamise kriteeriumina kasutasime 100 puud, 10 puu sügavust, 1 minimaalset sõlme suurust ja Gini segude indeksit.Uute andmete liigitus määratakse häälteenamusega.XGBoost on algoritm, mis ühendab võimendustehnikad, kasutades meetodit, mis võtab treeningandmetena eelmise mudeli tegelike ja prognoositud väärtuste vahelise vea ning suurendab viga gradientide abil49.See on laialdaselt kasutatav algoritm tänu oma heale jõudlusele ja ressursitõhususele, samuti kõrgele töökindlusele kui ülepaigutamise parandusfunktsioonile.Mudel on varustatud 400 tugirattaga.MLP on närvivõrk, milles üks või mitu pertseptronit moodustavad mitu kihti, mille sisend- ja väljundkihtide vahel on üks või mitu peidetud kihti38.Seda kasutades saate teostada mittelineaarset klassifitseerimist, kus sisendkihi lisamisel ja tulemuse väärtuse saamisel võrreldakse prognoositud tulemuse väärtust tegeliku tulemuse väärtusega ja viga levitatakse tagasi.Lõime peidetud kihi, kus igas kihis oli 20 peidetud neuronit.Iga meie väljatöötatud mudelit rakendati sisemiste ja väliste komplektide jaoks, et testida klassifitseerimise toimivust, arvutades tundlikkuse, spetsiifilisuse, PPV, NPV ja AUROC.Tundlikkus on defineeritud kui hinnanguliselt 18-aastase või vanema valimi ja hinnanguliselt 18-aastase või vanema valimi suhe.Spetsiifilisus on alla 18-aastaste ja hinnanguliselt alla 18-aastaste proovide osakaal.
Treeningkomplektis hinnatud hambaravi etapid teisendati statistilise analüüsi jaoks numbrilisteks etappideks.Viidi läbi mitme muutujaga lineaarne ja logistiline regressioon, et töötada välja iga soo jaoks ennustavad mudelid ja tuletada regressioonivalemid, mida saab kasutada vanuse hindamiseks.Kasutasime neid valemeid hammaste vanuse hindamiseks nii sise- kui ka välistestikomplektide jaoks.Tabelis 4 on toodud selles uuringus kasutatud regressiooni- ja klassifitseerimismudelid.
Vaatlejasisene ja interobserveri usaldusväärsus arvutati Coheni kappa statistika abil.DM-i ja traditsiooniliste regressioonimudelite täpsuse testimiseks arvutasime MAE ja RMSE, kasutades sisemiste ja väliste testikomplektide hinnangulist ja tegelikku vanust.Neid vigu kasutatakse tavaliselt mudeli prognooside täpsuse hindamiseks.Mida väiksem on viga, seda suurem on prognoosi täpsus24.Võrrelge sisemiste ja väliste testikomplektide MAE ja RMSE, mis on arvutatud DM ja traditsioonilise regressiooni abil.Traditsioonilise statistika 18-aastase piiri klassifikatsiooni toimivust hinnati 2 × 2 situatsioonitabeli abil.Katsekomplekti arvutatud tundlikkust, spetsiifilisust, PPV, NPV ja AUROC võrreldi DM klassifikatsiooni mudeli mõõdetud väärtustega.Andmed on väljendatud keskmisena ± standardhälbe või arvuna (%) olenevalt andmete omadustest.Statistiliselt oluliseks peeti kahepoolseid P väärtusi <0,05.Kõik rutiinsed statistilised analüüsid viidi läbi, kasutades SAS-i 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 klassifikatsioonimudel rakendati Waikato Knowledge Analysis Environment ja Konstanz Information Miner (KNIME) 4.6.152 analüüsiplatvormis.
Autorid tunnistavad, et uuringu järeldusi toetavad andmed on leitavad artiklist ja lisamaterjalidest.Uuringu käigus loodud ja/või analüüsitud andmekogumid on mõistliku nõudmise korral kättesaadavad vastavalt autorilt.
Ritz-Timme, S. et al.Vanuse hindamine: tehnika tase, mis vastab kohtuekspertiisi praktika erinõuetele.rahvusvahelisus.J. Õigusmeditsiin.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ja Olze, A. Kriminaalsüüdistuse eesmärgil elavate subjektide kohtuekspertiisi vanuse hindamise praegune seis.Kohtuekspertiisi.ravim.Patoloogia.1, 239–246 (2005).
Pan, J. et al.Modifitseeritud meetod 5–16-aastaste laste hambaravi vanuse hindamiseks Ida-Hiinas.kliiniline.Suuline küsitlus.25, 3463–3474 (2021).
Lee, SS jne. Korealaste teise ja kolmanda purihamba arengu kronoloogia ja selle rakendamine kohtuekspertiisi vanuse hindamisel.rahvusvahelisus.J. Õigusmeditsiin.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ja Lee, SS Vanusehinnangu täpsus ja 18-aastase künnise hinnang korealaste ja jaapanlaste teise ja kolmanda purihamba küpsuse põhjal.PLoS ONE 17, e0271247 (2022).
Kim, JY jt.Operatsioonieelne masinõppel põhinev andmeanalüüs võib ennustada uneoperatsiooni ravi tulemusi OSA-ga patsientidel.teadus.Aruanne 11, 14911 (2021).
Han, M. et al.Täpne vanuse hinnang masinõppest inimese sekkumisega või ilma?rahvusvahelisus.J. Õigusmeditsiin.136, 821–831 (2022).
Khan, S. ja Shaheen, M. Andmekaevest andmekaevani.J. Teave.teadus.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ja Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J. Teave.teadus.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ja Abdullah U. Karm: Traditsiooniline andmekaeve kontekstipõhistel seostusreeglitel.arvutama.Matt.jätka.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ja Habib M. Sügaval õppimisel põhinev semantilise sarnasuse tuvastamine tekstiandmete abil.teavitama.tehnoloogiaid.kontroll.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ja Shahin, M. Süsteem tegevuse tuvastamiseks spordivideotes.multimeedia.Tööriistad, rakendused https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS jt.RSNA masinõppe väljakutse laste luueas.Radiology 290, 498–503 (2019).
Li, Y. et al.Kohtuekspertiisi vanuse hindamine vaagnapiirkonna röntgenikiirguse põhjal, kasutades sügavat õppimist.EURO.kiirgust.29, 2322–2329 (2019).
Guo, YC jt.Täpne vanuseline klassifitseerimine, kasutades käsitsi meetodeid ja sügavaid konvolutsioonilisi närvivõrke ortograafiliste projektsioonipiltide põhjal.rahvusvahelisus.J. Õigusmeditsiin.135, 1589–1597 (2021).
Alabama Dalora et al.Luu vanuse hindamine erinevate masinõppemeetodite abil: süstemaatiline kirjanduse ülevaade ja metaanalüüs.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. ja Yang, J. Aafrika ameeriklaste ja hiinlaste populatsioonispetsiifiline vanusehinnang, mis põhineb esimeste purihammaste tselluloosi kambri mahtudel, kasutades koonuskiirega kompuutertomograafiat.rahvusvahelisus.J. Õigusmeditsiin.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ja Oh KS Elavate inimeste vanuserühmade määramine esimeste purihammaste tehisintellektil põhinevate kujutiste abil.teadus.Aruanne 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ja Urschler, M. Automaatne vanuse hindamine ja enamuse vanuse klassifikatsioon mitme muutujaga MRI andmetest.IEEE J. Biomed.Tervise hoiatused.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ja Li, G. Vanuse hindamine, mis põhineb koonuskiirega kompuutertomograafia esimeste purihammaste 3D pulpakambri segmenteerimisel, integreerides sügava õppimise ja tasemekomplektid.rahvusvahelisus.J. Õigusmeditsiin.135, 365–373 (2021).
Wu, WT jt.Andmekaeve kliinilistes suurandmetes: levinud andmebaasid, sammud ja meetodite mudelid.Maailm.ravim.ressurss.8, 44 (2021).
Yang, J. et al.Sissejuhatus meditsiiniliste andmebaaside ja andmekaevandamise tehnoloogiatesse suurandmete ajastul.J. Avid.Põhiline ravim.13, 57–69 (2020).
Shen, S. et al.Camereri meetod hammaste vanuse hindamiseks masinõppe abil.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Erinevate masinõppemeetodite võrdlus hammaste vanuse ennustamiseks Demirdjiani lavastusmeetodi abil.rahvusvahelisus.J. Õigusmeditsiin.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ja Tanner, JM. Uus süsteem hambaravi vanuse hindamiseks.norskama.bioloogia.45, 211–227 (1973).
Landis, JR ja Koch, GG Vaatleja kokkuleppe meetmed kategooriliste andmete osas.Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ja Choi HK.Kahemõõtmelise magnetresonantstomograafia tekstuurne, morfoloogiline ja statistiline analüüs tehisintellekti tehnikate abil primaarsete ajukasvajate eristamiseks.Tervisealane teave.ressurss.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Postitusaeg: jaanuar 04-2024