Täname teid Nature.com-i külastamise eest. Teie kasutataval brauseri versioonil on piiratud CSS-i tugi. Parima tulemuse saavutamiseks soovitame kasutada brauseri uuemat versiooni (või lülitada Internet Exploreris ühilduvusrežiimi välja). Seni aga kuvame saiti ilma stiili ja JavaScriptita, et tagada jätkuv tugi.
Hambaid peetakse inimkeha vanuse kõige täpsemaks indikaatoriks ja neid kasutatakse sageli kohtuekspertiisi vanuse hindamisel. Meie eesmärk oli valideerida andmekaevel põhinevaid hammaste vanuse hinnanguid, võrreldes 18-aastase läve hinnangu täpsust ja klassifitseerimise toimivust traditsiooniliste meetodite ja andmekaevel põhinevate vanuse hinnangutega. Kokku koguti 2657 panoraamröntgenipilti Korea ja Jaapani kodanikelt vanuses 15–23 aastat. Need jagati treeningkomplekti, millest igaüks sisaldas 900 Korea röntgenipilti, ja sisemisse testkomplekti, mis sisaldas 857 Jaapani röntgenipilti. Võrdlesime traditsiooniliste meetodite klassifitseerimise täpsust ja efektiivsust andmekaeve mudelite testkomplektidega. Traditsioonilise meetodi täpsus sisemises testkomplektis on veidi kõrgem kui andmekaeve mudelil ja erinevus on väike (keskmine absoluutviga <0,21 aastat, ruutkeskmine viga <0,24 aastat). 18-aastase läve klassifitseerimise toimivus on traditsiooniliste meetodite ja andmekaeve mudelite vahel samuti sarnane. Seega saab traditsioonilisi meetodeid asendada andmekaeve mudelitega, kui tehakse kohtuekspertiisi vanuse hindamist Korea noorukite ja noorte täiskasvanute teise ja kolmanda molaari küpsuse põhjal.
Hambavanuse hindamist kasutatakse laialdaselt kohtumeditsiinis ja laste hambaravis. Eelkõige kronoloogilise vanuse ja hammaste arengu vahelise tugeva korrelatsiooni tõttu on vanuse hindamine hammaste arenguetappide järgi oluline kriteerium laste ja noorukite vanuse hindamisel1,2,3. Noorte puhul on hammaste vanuse hindamisel hammaste küpsuse põhjal aga omad piirangud, kuna hammaste kasv on peaaegu lõppenud, välja arvatud kolmandate purihammaste puhul. Noorte ja noorukite vanuse määramise juriidiline eesmärk on anda täpsed hinnangud ja teaduslikud tõendid selle kohta, kas nad on täisealiseks saanud. Korea noorukite ja noorte täiskasvanute õigusmeditsiinipraktikas hinnati vanust Lee meetodi abil ning seaduslikuks 18-aastaseks lävendiks ennustati Oh jt esitatud andmete põhjal5.
Masinõpe on tehisintellekti (AI) liik, mis õpib ja klassifitseerib korduvalt suuri andmemahtusid, lahendab iseseisvalt probleeme ja juhib andmeprogrammeerimist. Masinõpe suudab avastada kasulikke peidetud mustreid suurtes andmemahtudes6. Seevastu klassikalistel meetoditel, mis on töömahukad ja aeganõudvad, võivad olla piirangud keerukate ja käsitsi raskesti töödeldavate andmete suurte mahtudega tegelemisel7. 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 meditsiiniliste piltide analüüsis laialdaselt kasutatud süvaõpet ning vanuse hindamise täpsust ja tõhusust on parandatud mitmesugustest röntgenogrammide automaatse analüüsimise meetoditest13,14,15,16,17,18,19,20. Näiteks Halabi jt13 töötasid välja konvolutsioonilistel närvivõrkudel (CNN) põhineva masinõppe algoritmi, et hinnata skeleti vanust laste käte röntgenogrammide abil. See uuring pakub välja mudeli, mis rakendab masinõpet meditsiinilistele piltidele ja näitab, et need meetodid võivad parandada diagnostilist täpsust. Li jt14 hindasid süvaõppega CNN-mudeli abil vaagna röntgenpiltide põhjal vanust ja võrdlesid neid luustumisastme hindamise abil saadud regressioonitulemustega. Nad leidsid, et süvaõppega CNN-mudel näitas sama vanuse hindamise tulemuslikkust kui traditsiooniline regressioonimudel. Guo jt uuringus [15] hinnati hambaortofotodel põhineva CNN-tehnoloogia vanusetolerantsi klassifitseerimise tulemuslikkust ning CNN-mudeli tulemused tõestasid, et inimesed ületasid selle vanuse klassifitseerimise tulemuslikkust.
Enamik masinõppe abil vanuse hindamise uuringuid kasutab süvaõppe meetodeid13,14,15,16,17,18,19,20. Süvaõppel põhinev vanuse hindamine on väidetavalt täpsem kui traditsioonilised meetodid. See lähenemisviis annab aga vähe võimalusi esitada vanuse hinnangute teaduslikku alust, näiteks hinnangutes kasutatavaid vanusenäitajaid. Samuti on õiguslik vaidlus selle üle, kes kontrolle läbi viib. Seetõttu on süvaõppel põhinevat vanuse hindamist haldus- ja kohtuasutustel raske aktsepteerida. Andmekaeve (DM) on tehnika, mis suudab avastada mitte ainult oodatavat, vaid ka ootamatut teavet, kuna see on meetod kasulike korrelatsioonide avastamiseks suurte andmemahtude vahel6,21,22. Masinõpet kasutatakse andmekaeves sageli ning nii andmekaeve kui ka masinõpe kasutavad andmete mustrite avastamiseks samu võtmealgoritme. Vanuse hindamine hammaste arengu abil põhineb uurija hinnangul sihthammaste küpsuse kohta ja see hinnang väljendatakse iga sihthamba staadiumina. DM-i saab kasutada hammaste hindamise etapi ja tegeliku vanuse vahelise korrelatsiooni analüüsimiseks ning sellel on potentsiaal asendada traditsioonilist statistilist analüüsi. Seega, kui rakendame vanuse hindamiseks DM-tehnikaid, saame masinõpet rakendada kohtumeditsiinilises vanuse hindamises, muretsemata juriidilise vastutuse pärast. Kohtuekspertiisi praktikas kasutatavate traditsiooniliste manuaalmeetodite ja EBM-põhiste meetodite võimalike alternatiivide kohta hammaste vanuse määramisel on avaldatud mitmeid võrdlevaid uuringuid. Shen jt23 näitasid, et DM-mudel on täpsem kui traditsiooniline Camereri valem. Galibourg jt24 rakendasid vanuse ennustamiseks Demirdjiani kriteeriumi25 alusel erinevaid DM-meetodeid ning tulemused näitasid, et DM-meetod edestas Prantsuse elanikkonna vanuse hindamisel Demirdjiani ja Willemsi meetodeid.
Korea noorukite ja noorte täiskasvanute hambaea hindamiseks kasutatakse Korea kohtuekspertiisi praktikas laialdaselt Lee meetodit4. See meetod kasutab traditsioonilist statistilist analüüsi (näiteks mitmekordset regressiooni), et uurida Korea subjektide ja kronoloogilise vanuse vahelist seost. Käesolevas uuringus defineeritakse traditsiooniliste statistiliste meetodite abil saadud vanuse hindamise meetodeid kui „traditsioonilisi meetodeid“. Lee meetod on traditsiooniline meetod ja selle täpsust on kinnitanud Oh jt5; DM-mudelil põhineva vanuse hindamise rakendatavus Korea kohtuekspertiisi praktikas on aga endiselt küsitav. Meie eesmärk oli teaduslikult valideerida DM-mudelil põhineva vanuse hindamise potentsiaalset kasulikkust. Selle uuringu eesmärk oli (1) võrrelda kahe DM-mudeli täpsust hambaea hindamisel ja (2) võrrelda 7 DM-mudeli klassifitseerimise tulemuslikkust 18-aastaselt traditsiooniliste statistiliste meetodite abil saadud tulemustega. Mõlema lõualuu teise ja kolmanda molaari küpsus.
Kronoloogilise vanuse keskmised ja standardhälbed staadiumi ja hambatüübi järgi on esitatud veebis lisatabelis S1 (treeningkomplekt), lisatabelis S2 (sisemine testikomplekt) ja lisatabelis S3 (väline testikomplekt). Treeningkomplektist saadud vaatlejasisese ja vaatlejatevahelise usaldusväärsuse kappa väärtused olid vastavalt 0,951 ja 0,947. Kappa väärtuste P-väärtused ja 95% usaldusvahemikud on esitatud veebis lisatabelis S4. Kappa väärtust tõlgendati kui „peaaegu ideaalset“, mis on kooskõlas Landise ja Kochi kriteeriumidega26.
Keskmise absoluutvea (MAE) võrdlemisel ületab traditsiooniline meetod DM-mudeli tulemusi veidi kõigi sugupoolte ja meeste välise testikomplekti puhul, välja arvatud mitmekihiline pertseptron (MLP). Traditsioonilise mudeli ja DM-mudeli erinevus sisemise MAE-testkomplekti puhul oli meestel 0,12–0,19 aastat ja naistel 0,17–0,21 aastat. Välise testikomplekti puhul on erinevused väiksemad (meestel 0,001–0,05 aastat ja naistel 0,05–0,09 aastat). Lisaks on ruutkeskmine viga (RMSE) veidi 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 tulemust kui ühekihiline pertseptron (SLP), välja arvatud naiste välise testikomplekti puhul. MAE ja RMSE puhul on välise testikomplekti tulemused kõigi sugupoolte ja mudelite puhul kõrgemad kui sisemise testikomplekti tulemused. Kõik MAE ja RMSE on näidatud tabelis 1 ja joonisel 1.
Traditsiooniliste ja andmekaeve regressioonimudelite keskmine absoluutvea (MAE) ja keskmine ruutvea (RMSE). Keskmine absoluutvea (MAE), ruutkeskmise vea (RMSE), ühekihilise pertseptroni SLP, mitmekihilise pertseptroni MLP, traditsiooniline CM-meetod.
Traditsiooniliste ja DM-mudelite klassifitseerimise toimivust (18-aastase piirväärtusega) demonstreeriti tundlikkuse, spetsiifilisuse, positiivse ennustusväärtuse (PPV), negatiivse ennustusväärtuse (NPV) ja vastuvõtja töökarakteristiku kõvera aluse pindala (AUROC) 27 osas (tabel 2, joonis 2 ja lisajoonis 1 veebis). Sisemise testikomplekti tundlikkuse osas toimisid traditsioonilised meetodid meeste seas kõige paremini ja naiste seas halvemini. Traditsiooniliste meetodite ja standardmeetodite klassifitseerimise toimivuse erinevus on aga meestel 9,7% (MLP) ja naistel ainult 2,4% (XGBoost). DM-mudelite seas näitas logistiline regressioon (LR) paremat tundlikkust mõlema soo puhul. Sisemise testikomplekti spetsiifilisuse osas täheldati, et neli standardmudelit toimisid meestel hästi, samas kui traditsiooniline mudel toimis naistel paremini. Meeste ja naiste klassifitseerimise toimivuse erinevused on vastavalt 13,3% (MLP) ja 13,1% (MLP), mis näitab, et mudelite klassifitseerimise toimivuse erinevus ületab tundlikkuse. DM-mudelite seas toimisid meeste seas kõige paremini tugivektorimasina (SVM), otsustuspuu (DT) ja juhusliku metsa (RF) mudelid, naiste seas aga LR-mudel. Traditsioonilise mudeli ja kõigi standardhälbe mudelite AUROC oli suurem kui 0,925 (meeste puhul k-lähim naaber (KNN), mis näitab suurepärast klassifitseerimistulemust 18-aastaste valimite eristamisel28. Välise testkomplekti puhul täheldati klassifitseerimistulemuse langust tundlikkuse, spetsiifilisuse ja AUROC osas võrreldes sisemise testkomplektiga. Lisaks oli parimate ja halvimate mudelite klassifitseerimistulemuse erinevus tundlikkuse ja spetsiifilisuse vahel vahemikus 10–25%, mis oli suurem kui erinevus sisemises testkomplektis.
Andmekaeve klassifitseerimismudelite tundlikkus ja spetsiifilisus võrreldes traditsiooniliste meetoditega 18-aastase piirväärtusega. KNN k lähim naaber, SVM tugivektorimasin, LR logistiline regressioon, DT otsustuspuu, RF juhuslik mets, XGB XGBoost, MLP mitmekihiline pertseptron, traditsiooniline CM-meetod.
Selle uuringu esimene samm oli võrrelda seitsme DM-mudeli abil saadud hammaste vanuse hinnangute täpsust traditsioonilise regressiooni abil saadud tulemustega. MAE-d ja RMSE-d hinnati mõlema soo sisemistes testides ning traditsioonilise meetodi ja DM-mudeli erinevus oli MAE puhul 44–77 päeva ja RMSE puhul 62–88 päeva. Kuigi traditsiooniline meetod oli käesolevas uuringus veidi täpsem, on raske järeldada, kas nii väikesel erinevusel on kliiniline või praktiline tähtsus. Need tulemused näitavad, et DM-mudeli abil hammaste vanuse hindamise täpsus on peaaegu sama kui traditsioonilise meetodi puhul. Otsene võrdlemine varasemate uuringute tulemustega on keeruline, kuna ükski uuring ei ole võrrelnud DM-mudelite täpsust traditsiooniliste statistiliste meetoditega, kasutades sama hammaste registreerimise tehnikat 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 Prantsuse populatsioonis vanuses 2–24 aastat. Nad teatasid, et kõik DM-mudelid olid täpsemad kui traditsioonilised meetodid, kusjuures MAE puhul olid erinevused 0,20 ja 0,38 aastat ning RMSE puhul 0,25 ja 0,47 aastat võrreldes Willemsi ja Demirdjiani meetoditega. Halibourgi uuringus näidatud SD-mudeli ja traditsiooniliste meetodite erinevus võtab arvesse arvukalt aruandeid,30,31,32,33, et Demirdjiani meetod ei hinda hammaste vanust täpselt muudes populatsioonides peale prantsuse kanadalaste, kellel uuring põhineb. Käesolevas uuringus kasutasid Tai jt 34 MLP algoritmi hammaste vanuse ennustamiseks 1636 Hiina ortodontilise foto põhjal ja 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 ning 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 saame aga vaid ettevaatlikult järeldada, et DM-mudelite kasutamine vanuse hindamiseks võib asendada olemasolevaid meetodeid, kuna puuduvad võrdlevad ja võrdlusaluseks olevad varasemad uuringud. Käesolevas uuringus saadud tulemuste kinnitamiseks on vaja järelkontrolluuringuid suuremate valimitega.
Hambavanuse hindamisel SD täpsust testinud uuringute seas näitasid mõned suuremat täpsust kui meie uuring. Stepanovsky jt35 rakendasid 22 SD mudelit 976 Tšehhi elaniku (vanuses 2,7–20,5 aastat) panoraamröntgenipiltidele ja testisid iga mudeli täpsust. Nad hindasid kokku 16 ülemise ja alumise vasaku jäävhamba arengut, kasutades Moorrees jt36 pakutud klassifitseerimiskriteeriume. MAE jääb vahemikku 0,64–0,94 aastat ja RMSE jääb vahemikku 0,85–1,27 aastat, mis on täpsemad kui kaks käesolevas uuringus kasutatud DM-mudelit. Shen jt23 kasutasid Cameriere'i meetodit, et hinnata seitsme jäävhamba hambavanust vasakus lõualuus 5–13-aastastel Ida-Hiina elanikel ja võrdlesid seda lineaarse regressiooni, SVM-i ja RF-i abil hinnatud vanustega. Nad näitasid, et kõigil kolmel DM-mudelil on traditsioonilise Cameriere'i valemiga võrreldes suurem täpsus. Sheni uuringus olid MAE ja RMSE madalamad kui käesoleva uuringu DM-mudelis. Stepanovsky jt35 ja Shen jt23 uuringute suurem täpsus võib olla tingitud nooremate katsealuste kaasamisest nende uuringuvalimistesse. Kuna arenevate hammastega osalejate vanusehinnangud muutuvad täpsemaks hammaste arvu suurenedes hammaste arengu käigus, võib saadud vanuse hindamise meetodi täpsus olla väiksem, kui uuringus osalejad on nooremad. Lisaks on MLP vanuse hindamise viga veidi väiksem kui SLP-l, mis tähendab, et MLP on täpsem kui SLP. MLP-d peetakse vanuse hindamisel veidi paremaks, võimalik, et MLP38 peidetud kihtide tõttu. Siiski on naiste välimise valimi puhul erand (SLP 1,45, MLP 1,49). Järeldus, et MLP on vanuse hindamisel täpsem kui SLP, nõuab täiendavaid retrospektiivseid uuringuid.
Samuti võrreldi DM-mudeli ja traditsioonilise meetodi klassifitseerimise toimivust 18-aastase läve puhul. Kõik testitud SD-mudelid ja traditsioonilised meetodid sisemises testikomplektis näitasid 18-aastase valimi puhul praktiliselt vastuvõetavat diskrimineerimistaset. 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 teada ei ole ükski uuring testinud DM-mudeli toimivust 18-aastaste klassifitseerimisel hammaste küpsuse põhjal. Käesoleva uuringu tulemusi saab võrrelda süvaõppe mudelite klassifitseerimise toimivusega panoraamröntgenogrammidel. Guo jt.15 arvutasid CNN-põhise süvaõppe mudeli ja Demirjiani meetodil põhineva käsitsi meetodi klassifitseerimise toimivuse teatud vanuseläve puhul. Manuaalse meetodi 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 süvaõppe mudelid suudavad vanusepiiride klassifitseerimisel asendada või edestada käsitsi hindamist. Selle uuringu tulemused näitasid sarnast klassifitseerimise tulemuslikkust; arvatakse, et DM-mudelite abil klassifitseerimine suudab vanuse hindamisel asendada traditsioonilisi statistilisi meetodeid. Mudelite seas oli DM LR parim mudel tundlikkuse poolest meeste valimi puhul ning tundlikkuse ja spetsiifilisuse poolest naiste valimi puhul. LR on meeste puhul spetsiifilisuse poolest teisel kohal. Lisaks peetakse LR-i üheks kasutajasõbralikumaks DM35 mudeliks ning see on vähem keeruline ja raskesti töödeldav. Nende tulemuste põhjal peeti LR-i parimaks piirväärtusklassifikatsioonimudeliks 18-aastaste jaoks Korea elanikkonnas.
Üldiselt oli vanuse hindamise või klassifitseerimise tulemuslikkuse täpsus välise testikomplekti puhul halb või madalam võrreldes sisemise testikomplekti tulemustega. Mõned aruanded näitavad, et klassifitseerimise täpsus või efektiivsus 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 DM-i kasutamisel analüüsiprotsessis, eelistada põlisrahvastiku andmetest saadud meetodeid, näiteks traditsioonilisi meetodeid5,39,40,41,42. Kuna pole selge, kas süvaõppe mudelid suudavad näidata sarnaseid suundumusi, on vaja uuringuid, mis võrdlevad klassifitseerimise täpsust ja efektiivsust traditsiooniliste meetodite, DM-mudelite ja süvaõppe mudelite abil samadel valimitel, et kinnitada, kas tehisintellekt suudab piiratud vanusehinnangutes need rassilised ebavõrdsused ületada.
Me demonstreerime, et traditsioonilisi meetodeid saab Korea kohtuekspertiisi vanuse hindamise praktikas asendada DM-mudelil põhineva vanuse hindamisega. Samuti avastasime võimaluse rakendada masinõpet kohtuekspertiisi vanuse hindamiseks. Siiski on selged piirangud, näiteks ebapiisav osalejate arv selles uuringus tulemuste lõplikuks kindlaksmääramiseks ning varasemate uuringute puudumine selle uuringu tulemuste võrdlemiseks ja kinnitamiseks. Tulevikus tuleks DM-uuringuid läbi viia suurema arvu valimite ja mitmekesisemate populatsioonidega, et parandada nende praktilist rakendatavust võrreldes traditsiooniliste meetoditega. Tehisintellekti kasutamise teostatavuse valideerimiseks vanuse hindamiseks mitmes populatsioonis on vaja edasisi uuringuid, et võrrelda DM-i ja süvaõppe mudelite klassifitseerimise täpsust ja efektiivsust traditsiooniliste meetoditega samades valimites.
Uuringus kasutati 2657 ortograafilist fotot, mis koguti 15–23-aastastelt Korea ja Jaapani täiskasvanutelt. Korea röntgenülesvõtted jagati 900 treeningkomplektiks (19,42 ± 2,65 aastat) ja 900 sisemiseks testkomplektiks (19,52 ± 2,59 aastat). Treeningkomplekt koguti ühest asutusest (Seouli St. Mary haigla) ja oma testkomplekt kahest asutusest (Seouli Riikliku Ülikooli Hambakliinik ja Yonsei Ülikooli Hambakliinik). Lisaks kogusime väliseks testimiseks 857 röntgenülesvõtet teisest populatsioonipõhisest andmestikust (Iwate Meditsiiniülikool, Jaapan). Väliseks testkomplektiks valiti Jaapani katsealuste (19,31 ± 2,60 aastat) röntgenülesvõtted. Andmeid koguti retrospektiivselt, et analüüsida hammaste arenguetappe hambaravi ajal tehtud panoraamröntgenülesvõtetel. Kõik kogutud andmed olid anonüümsed, välja arvatud sugu, sünniaeg ja röntgenülesvõtte kuupäev. Kaasamise ja väljajätmise kriteeriumid olid samad, mis varem avaldatud uuringutes4,5. Valimi tegelik vanus arvutati, lahutades sünnikuupäeva röntgenülesvõtte tegemise kuupäevast. Valimi rühm jagati üheksaks vanuserühmaks. Vanuse ja soo jaotus on esitatud tabelis 3. See uuring viidi läbi vastavalt Helsingi deklaratsioonile ja selle kiitis heaks Korea Katoliikliku Ülikooli Seouli St. Mary haigla institutsionaalne eetikakomitee (IRB) (KC22WISI0328). Selle uuringu retrospektiivse ülesehituse tõttu ei olnud võimalik saada teadlikku nõusolekut kõigilt patsientidelt, kellele tehti terapeutilistel eesmärkidel radiograafiline uuring. Seouli Korea Ülikooli St. Mary haigla (IRB) loobus teadliku nõusoleku nõudest.
Bimaxillaarsete teise ja kolmanda molaari arengustaadiume hinnati Demircani kriteeriumide25 alusel. Ainult üks hammas valiti välja, kui mõlema lõualuu vasakul ja paremal küljel leiti sama tüüpi hammas. Kui mõlemal küljel olid homoloogsed hambad erinevates arengustaadiumides, valiti madalama arenguastmega hammas, et arvestada hinnangulise vanuse ebakindlusega. Kaks kogenud vaatlejat hindasid treeningkomplektist sada juhuslikult valitud röntgenülesvõtet, et testida vaatlejatevahelist usaldusväärsust pärast eelkalibreerimist hammaste küpsusastme määramiseks. Vaatlejasisest usaldusväärsust hindas esmane vaatleja kaks korda kolmekuuliste intervallidega.
Treeningandmestiku iga lõualuu teise ja kolmanda molaari sugu ja arengustaadium hinnati erinevate DM-mudelitega treenitud esmase vaatleja poolt ning tegelik vanus määrati sihtväärtuseks. Masinõppes laialdaselt kasutatavaid SLP- ja MLP-mudeleid testiti regressioonialgoritmide suhtes. DM-mudel ühendab lineaarfunktsioone, kasutades nelja hamba arengustaadiume, ja ühendab need andmed vanuse hindamiseks. SLP on lihtsaim närvivõrk ega sisalda peidetud kihte. SLP töötab sõlmede vahelise läviülekande põhjal. Regressioonis on SLP-mudel matemaatiliselt sarnane mitmekordse lineaarse regressiooniga. Erinevalt SLP-mudelist on MLP-mudelil mitu peidetud kihti mittelineaarsete aktivatsioonifunktsioonidega. Meie katsetes kasutati peidetud kihti, millel on ainult 20 peidetud sõlme mittelineaarsete aktivatsioonifunktsioonidega. Masinõppe mudeli treenimiseks kasutati optimeerimismeetodina gradiendi laskumist ning kadufunktsioonina MAE-d ja RMSE-d. Parimat saadud regressioonimudelit rakendati sisemistele ja välistele testkomplektidele ning hinnati hammaste vanust.
Töötati välja klassifitseerimisalgoritm, mis kasutab treeningandmestiku nelja hamba küpsust, et ennustada, kas valim on 18-aastane või mitte. Mudeli loomiseks tuletasime seitse esitusmasinõppe algoritmi6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost ja (7) MLP. LR on üks enimkasutatavaid klassifitseerimisalgoritme44. See on juhendatud õppe algoritm, mis kasutab regressiooni, et ennustada andmete kuulumise tõenäosust teatud kategooriasse vahemikus 0 kuni 1 ja klassifitseerib andmed selle tõenäosuse põhjal tõenäolisemasse kategooriasse kuuluvaks; seda kasutatakse peamiselt binaarseks klassifitseerimiseks. KNN on üks lihtsamaid masinõppe algoritme45. Uute sisendandmete andmisel leiab see k olemasolevale andmestikule lähedast ja klassifitseerib need seejärel kõrgeima sagedusega klassi. Vaatlusaluste naabrite arvuks (k) määrasime 3. SVM on algoritm, mis maksimeerib kahe klassi vahelist kaugust, kasutades kerneli funktsiooni lineaarse ruumi laiendamiseks mittelineaarseks ruumiks, mida nimetatakse väljadeks46. Selle mudeli puhul kasutame polünoomse kerneli hüperparameetritena bias = 1, power = 1 ja gamma = 1. DT-d on erinevates valdkondades rakendatud algoritmina terve andmekogumi jagamiseks mitmeks alamrühmaks, esitades otsustusreegleid puustruktuuris47. Mudel on konfigureeritud minimaalse kirjete arvuga sõlme kohta 2 ja kasutab kvaliteedi mõõduna Gini indeksit. RF on ansamblimeetod, mis ühendab mitu DT-d jõudluse parandamiseks, kasutades bootstrap-agregatsioonimeetodit, mis genereerib iga valimi jaoks nõrga klassifikaatori, valides algsest andmestikust mitu korda juhuslikult sama suurusega valimeid48. Sõlmede eralduskriteeriumidena kasutasime 100 puud, 10 puu sügavust, 1 minimaalset sõlme suurust ja Gini seguindeksit. Uute andmete klassifikatsioon määratakse häälteenamusega. XGBoost on algoritm, mis ühendab võimendustehnikaid meetodi abil, mis võtab treeningandmetena eelmise mudeli tegelike ja ennustatud väärtuste vahelise vea ning suurendab viga gradientide abil49. See on laialdaselt kasutatav algoritm tänu oma heale jõudlusele ja ressursitõhususele, aga ka kõrgele töökindlusele ülesobitamise korrektsioonifunktsioonina. Mudel on varustatud 400 tugirattaga. MLP on närvivõrk, milles üks või mitu perceptroni moodustavad mitu kihti, millel on sisend- ja väljundkihtide vahel üks või mitu peidetud kihti38. Selle abil saab teostada mittelineaarset klassifitseerimist, kus sisendkihi lisamisel ja tulemuse väärtuse saamisel võrreldakse ennustatud tulemuse väärtust tegeliku tulemuse väärtusega ja viga levib tagasi. Lõime peidetud kihi, milles igas kihis on 20 peidetud neuronit. Iga meie väljatöötatud mudelit rakendati sisemistele ja välistele komplektidele, et testida klassifitseerimise toimivust, arvutades tundlikkust, spetsiifilisust, PPV-d, NPV-d ja AUROC-i. 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 valimite osakaal.
Treeningandmestikus hinnatud hambastaadiumid teisendati statistiliseks analüüsiks numbrilisteks staadiumiteks. Mitmemõõtmelise lineaarse ja logistilise regressiooni abil töötati välja iga soo jaoks ennustusmudelid ja tuletati vanuse hindamiseks kasutatavad regressioonivalemid. Kasutasime neid valemeid hammaste vanuse hindamiseks nii sisemiste kui ka väliste testandmete puhul. Tabel 4 näitab käesolevas uuringus kasutatud regressiooni- ja klassifitseerimismudeleid.
Vaatlejate sisest ja vaatlejatevahelist usaldusväärsust arvutati Coheni kappa statistika abil. DM-i ja traditsiooniliste regressioonimudelite täpsuse testimiseks arvutasime MAE ja RMSE, kasutades sisemiste ja väliste testkomplektide hinnangulist ja tegelikku vanust. Neid vigu kasutatakse tavaliselt mudeli ennustuste täpsuse hindamiseks. Mida väiksem on viga, seda suurem on prognoosi täpsus24. Võrrelge DM-i ja traditsioonilise regressiooni abil arvutatud sisemiste ja väliste testkomplektide MAE-d ja RMSE-d. 18-aastase piiri klassifitseerimise toimivust traditsioonilises statistikas hinnati 2 × 2 situatsioonitabeli abil. Testkomplekti arvutatud tundlikkust, spetsiifilisust, PPV-d, NPV-d ja AUROC-i võrreldi DM-i klassifitseerimismudeli mõõdetud väärtustega. Andmed on väljendatud keskmise ± standardhälbe või arvuna (%), olenevalt andmete omadustest. Kahepoolseid P-väärtusi <0,05 peeti statistiliselt olulisteks. Kõik rutiinsed statistilised analüüsid viidi läbi SAS-i versiooniga 9.4 (SAS Institute, Cary, NC). DM-i regressioonimudel rakendati Pythonis, kasutades Keras50 2.2.4 taustaprogrammi ja Tensorflow51 1.8.0 spetsiaalselt matemaatiliste operatsioonide jaoks. DM-i klassifitseerimismudel rakendati Waikato teadmiste analüüsi keskkonnas ja Konstanz Information Miner (KNIME) 4.6.152 analüüsiplatvormil.
Autorid möönavad, et uuringu järeldusi toetavaid andmeid võib leida artiklist ja lisamaterjalidest. Uuringu käigus genereeritud ja/või analüüsitud andmekogumid on mõistliku taotluse korral vastavalt autorilt kättesaadavad.
Ritz-Timme, S. jt. Vanuse hindamine: ajakohane lähenemine kohtumeditsiini erinõuete täitmiseks. Rahvusvahelisus. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ja Olze, A. Elusate isikute kohtumeditsiinilise vanuse hindamise praegune olukord kriminaalsüüdistuse esitamise eesmärgil. Kohtumeditsiin. Patoloogia. 1, 239–246 (2005).
Pan, J. jt. Modifitseeritud meetod 5–16-aastaste laste hambaea hindamiseks Ida-Hiinas. kliiniline. Oral survey. 25, 3463–3474 (2021).
Lee, SS jt. Teise ja kolmanda molaari arengu kronoloogia korealastel ja selle rakendamine kohtumeditsiinilisel vanuse hindamisel. internatsionaalsus. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ja Lee, SS. Vanuse hindamise täpsus ja 18-aastaseks saamise piiri hindamine korealastel ja jaapanlastel teise ja kolmanda molaari küpsuse põhjal. PLoS ONE 17, e0271247 (2022).
Kim, JY jt. Preoperatiivne masinõppel põhinev andmeanalüüs suudab ennustada unekirurgilise ravi tulemusi OSA-ga patsientidel. The Science. Report 11, 14911 (2021).
Han, M. jt. Täpne vanuse hindamine masinõppe abil, inimese sekkumisega või ilma? rahvusvahelisus. J. Legal medicine. 136, 821–831 (2022).
Khan, S. ja Shaheen, M. Andmekaevest andmekaevesse. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ja Shaheen, M. WisRule: Esimene kognitiivne algoritm assotsiatsioonireeglite kaevandamiseks. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ja Abdullah U. Karm: Traditsiooniline andmekaevandamine kontekstipõhiste assotsiatsioonireeglite põhjal. Arvuta. Matt. Jätka. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ja Habib M. Süvaõppel põhinev semantilise sarnasuse tuvastamine tekstiandmete abil. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ja Shahin, M. Süsteem spordivideotes aktiivsuse tuvastamiseks. Multimeedia. Tööriistad ja rakendused https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS jt. RSNA masinõppe väljakutse laste luuajastul. Radioloogia 290, 498–503 (2019).
Li, Y. jt. Kohtuekspertiisi vanuse hindamine vaagna röntgenpiltide põhjal süvaõppe abil. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC jt. Täpne vanuseklassifikatsioon käsitsi meetodite ja sügavate konvolutsiooniliste närvivõrkude abil ortograafiliste projektsioonipiltide põhjal. rahvusvahelisus. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora jt. Luu vanuse hindamine 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 populatsioonispetsiifiline vanusehinnang esimeste molaaride pulbikambri mahtude põhjal, kasutades koonuskiire kompuutertomograafiat. internatsionaalsus. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ja Oh KS. Elavate inimeste vanuserühmade määramine tehisintellektil põhinevate esimeste molaaride kujutiste abil. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ja Urschler, M. Automaatne vanuse hindamine ja täisealiseks saamise vanuseklassifikatsioon mitmemõõtmelise magnetresonantstomograafia andmete põhjal. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ja Li, G. Vanuse hindamine esimeste molaaride 3D pulbikambri segmenteerimise põhjal koonuskiire kompuutertomograafia abil, integreerides süvaõpet ja tasemekomplekte. rahvusvahelisus. J. Legal medicine. 135, 365–373 (2021).
Wu, WT jt. Andmekaevandamine kliinilistes suurandmetes: levinud andmebaasid, sammud ja meetodimudelid. World. Medicine. Resource. 8, 44 (2021).
Yang, J. jt. Sissejuhatus meditsiinilistesse andmebaasidesse ja andmekaeve tehnoloogiatesse suurandmete ajastul. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. jt. Camereri meetod hammaste vanuse hindamiseks masinõppe abil. BMC Oral Health 21, 641 (2021).
Galliburg A. jt. Erinevate masinõppe meetodite võrdlus hammaste vanuse ennustamiseks Demirdjiani staadiumimeetodi abil. internatsionaalsus. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ja Tanner, JM. Uus süsteem hammaste vanuse hindamiseks. snort. biology. 45, 211–227 (1973).
Landis, JR ja Koch, GG. Vaatleja kokkuleppimise mõõdud kategooriliste andmete puhul. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ja Choi HK. Kahemõõtmelise magnetresonantstomograafia tekstuurne, morfoloogiline ja statistiline analüüs, kasutades tehisintellekti tehnikaid primaarsete ajukasvajate eristamiseks. Terviseinfo. Allikas. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Postituse aeg: 04.01.2024