Paldies, ka apmeklējāt Nature.com. Pārlūka versijai, kuru izmantojat, ir ierobežots CSS atbalsts. Lai iegūtu labākos rezultātus, mēs iesakām izmantot jaunāku pārlūka versiju (vai izslēgt saderības režīmu Internet Explorer). Pa to laiku, lai nodrošinātu pastāvīgu atbalstu, mēs parādām vietni bez stila vai JavaScript.
Zobi tiek uzskatīti par visprecīzāko cilvēka ķermeņa vecuma rādītāju, un tos bieži izmanto kriminālistikas novērtējumā. Mūsu mērķis bija apstiprināt datus balstītus zobu vecuma aprēķinus, salīdzinot 18 gadu sliekšņa novērtēšanas precizitāti un klasifikācijas rādītājus ar tradicionālajām metodēm un datu ieguves vecuma aplēsēm. Kopumā no Korejas un Japānas pilsoņiem vecumā no 15 līdz 23 gadiem tika savākti 2657 panorāmas rentgenogrāfijas. Tie tika sadalīti apmācības komplektā, katrs no tiem satur 900 korejiešu rentgenogrammas, un iekšējais testa komplekts, kas satur 857 japāņu rentgenogrāfus. Mēs salīdzinājām tradicionālo metožu klasifikācijas precizitāti un efektivitāti ar datu ieguves modeļu testa kopām. Tradicionālās metodes precizitāte iekšējā testa komplektā ir nedaudz augstāka nekā datu ieguves modelim, un atšķirība ir maza (vidējā absolūtā kļūda <0,21 gadi, saknes vidējā kvadrāta kļūda <0,24 gadi). Klasifikācijas rādītāji 18 gadu laikā ir līdzīgi arī starp tradicionālajām metodēm un datu ieguves modeļiem. Tādējādi tradicionālās metodes var aizstāt ar datu ieguves modeļiem, veicot kriminālistikas vecuma novērtējumu, izmantojot otro un trešo molāru briedumu korejiešu pusaudžiem un jauniem pieaugušajiem.
Zobu vecuma novērtējums tiek plaši izmantots kriminālistikas un bērnu zobārstniecībā. Jo īpaši tāpēc, ka ir augstas korelācijas starp hronoloģisko vecumu un zobu attīstību, vecuma novērtēšana ar zobu attīstības stadijām ir svarīgs kritērijs bērnu un pusaudžu vecuma novērtēšanai1,2,3. Tomēr jauniešiem zobu vecuma novērtēšanai, kas balstīta uz zobu briedumu, ir savs ierobežojums, jo zobu augšana ir gandrīz pilnīga, izņemot trešo molārus. Jauniešu un pusaudžu vecuma noteikšanas mērķis ir sniegt precīzus aprēķinus un zinātniskus pierādījumus par to, vai viņi ir sasnieguši vairākuma vecumu. Pusaudžu un jauno pieaugušo medicīniskajā likumīgajā praksē Korejā tika novērtēts vecums, izmantojot Lī metodi, un tika prognozēts 18 gadu likumīgais slieksnis, pamatojoties uz datiem, kurus ziņoja Oh et al 5.
Mašīnmācība ir mākslīgā intelekta veids (AI), kas vairākkārt apgūst un klasificē lielu datu daudzumu, pats atrisina problēmas un veicina datu programmēšanu. Mašīnmācība var atklāt noderīgus slēptus modeļus lielos datos6. Turpretī klasiskajām metodēm, kas ir darbietilpīgas un laikietilpīgas, var būt ierobežojumi, strādājot ar lielu daudzumu sarežģītu datu, kurus ir grūti apstrādāt manuāli7. Tāpēc nesen tika veikti daudzi pētījumi, izmantojot jaunākās datortehnoloģijas, lai samazinātu cilvēku kļūdas un efektīvi apstrādātu daudzdimensionālos datus8,9,10,11,12. Jo īpaši dziļā mācīšanās ir plaši izmantota medicīniskā attēla analīzē, un dažādas vecuma novērtēšanas metodes, automātiski analizējot rentgenogrammas, ir uzlabojusi vecuma novērtēšanas precizitāti un efektivitāti13,14,15,16,17,18,19,20 Apvidū Piemēram, Halabi et al 13 izstrādāja mašīnmācīšanās algoritmu, kura pamatā ir konvolūcijas neironu tīkli (CNN), lai novērtētu skeleta vecumu, izmantojot bērnu roku rentgenogrāfus. Šis pētījums ierosina modeli, kas izmanto mašīnu apguvi medicīniskiem attēliem un parāda, ka šīs metodes var uzlabot diagnostikas precizitāti. Li et al14 aprēķinātais vecums no iegurņa rentgena attēliem, izmantojot dziļas mācīšanās CNN, un salīdzināja tos ar regresijas rezultātiem, izmantojot ossifikācijas posma novērtējumu. Viņi atklāja, ka dziļās mācīšanās CNN modelis uzrādīja tādu pašu vecuma novērtēšanas rādītājus kā tradicionālajam regresijas modelim. Guo et al. Pētījums [15] novērtēja CNN tehnoloģijas vecuma tolerances klasifikācijas rādītājus, pamatojoties uz zobārstniecības ortofotiem, un CNN modeļa rezultāti pierādīja, ka cilvēki pārspēja savu vecuma klasifikācijas rādītājus.
Lielākā daļa pētījumu par vecuma novērtēšanu, izmantojot mašīnmācību, izmanto dziļas mācīšanās metodes13,14,15,16,17,18,19,20. Tiek ziņots, ka vecuma novērtēšana, pamatojoties uz dziļo mācīšanos, ir precīzāka nekā tradicionālās metodes. Tomēr šī pieeja sniedz maz iespēju uzrādīt zinātnisko pamatu vecuma aprēķiniem, piemēram, aplēsēs izmantotajiem vecuma rādītājiem. Pastāv arī juridisks strīds par to, kurš veic pārbaudes. Tāpēc administratīvās un tiesu iestādes ir grūti pieņemt vecuma novērtēšanu, kuras pamatā ir dziļa mācīšanās. Datu ieguve (DM) ir paņēmiens, kas var atklāt ne tikai gaidītu, bet arī negaidītu informāciju kā metodi, lai atklātu noderīgu korelāciju starp lielu daudzumu datu6,21,22. Mašīnu apguve bieži tiek izmantota datu ieguvē, un gan datu ieguve, gan mašīnmācība izmanto tos pašus galvenos algoritmus, lai atklātu datus. Vecuma novērtēšana, izmantojot zobu attīstību, balstās uz eksaminētāja novērtējumu par mērķa zobu briedumu, un šis novērtējums tiek izteikts kā katra mērķa zoba posms. DM var izmantot, lai analizētu korelāciju starp zobārstniecības novērtēšanas posmu un faktisko vecumu, un tai ir potenciāls aizstāt tradicionālo statistisko analīzi. Tāpēc, ja vecuma novērtēšanai mēs izmantojam DM paņēmienus, mēs varam ieviest mašīnu apguvi kriminālistikas novērtējumā, neuztraucoties par juridisko atbildību. Ir publicēti vairāki salīdzinoši pētījumi par iespējamām alternatīvām tradicionālajām manuālajām metodēm, kuras izmanto kriminālistikas praksē, un EBM balstītas metodes zobu vecuma noteikšanai. Shen et al23 parādīja, ka DM modelis ir precīzāks nekā tradicionālā kameras formula. Galiburg et al24 izmantoja dažādas DM metodes, lai prognozētu vecumu saskaņā ar Demirdjian Criterion25, un rezultāti parādīja, ka DM metode pārspēja Demirdjian un Willems metodes, novērtējot Francijas populācijas vecumu.
Lai novērtētu Korejas pusaudžu un jauno pieaugušo zobu vecumu, Lī 4 metodi plaši izmanto korejiešu kriminālistikas praksē. Šī metode izmanto tradicionālo statistisko analīzi (piemēram, vairāku regresiju), lai pārbaudītu saistību starp korejiešu subjektiem un hronoloģisko vecumu. Šajā pētījumā vecuma novērtēšanas metodes, kas iegūtas, izmantojot tradicionālās statistiskās metodes, tiek definētas kā “tradicionālās metodes”. Lī metode ir tradicionāla metode, un tās precizitāti ir apstiprinājuši Oh et al. 5; Tomēr joprojām ir apšaubāma vecuma novērtēšanas piemērojamība, pamatojoties uz DM modeli korejiešu kriminālistikas praksē. Mūsu mērķis bija zinātniski apstiprināt vecuma novērtēšanas iespējamo lietderību, pamatojoties uz DM modeli. Šī pētījuma mērķis bija (1) salīdzināt divu DM modeļu precizitāti zobu vecuma novērtēšanā un (2) salīdzināt 7 dm modeļu klasifikācijas rādītājus 18 gadu vecumā ar tiem, kas iegūti, izmantojot tradicionālās statistiskās metožu otrās daļas briedumu un trešie molāri abos žokļos.
Hronoloģiskā vecuma vidējie rādītāji un standartnovirzes ir parādīti tiešsaistē S1 papildu tabulā (apmācības komplekts), S2 papildu tabulas (iekšējā testa komplekts) un papildu tabulas S3 (ārējā testa komplekts). Kappa vērtības iekšējā un starpobservera ticamībai, kas iegūta no apmācības kopas, bija attiecīgi 0,951 un 0,947. P vērtības P vērtības un 95% ticamības intervāli Kappa vērtībām ir parādītas tiešsaistes papildu tabulā S4. Kappa vērtība tika interpretēta kā “gandrīz perfekta”, kas atbilst Landisa un Koch26 kritērijiem.
Salīdzinot vidējo absolūto kļūdu (MAE), tradicionālā metode nedaudz pārspēj DM modeli visiem dzimumiem un ārējā vīriešu testa komplektā, izņemot daudzslāņu Perceptron (MLP). Atšķirība starp tradicionālo modeli un DM modeli iekšējā MAE testa komplektā bija 0,12–0,19 gadi vīriešiem un 0,17–0,21 gadu sievietēm. Ārējā testa akumulatoram atšķirības ir mazākas (vīriešiem - 0,001–0,05 gadi un sievietēm - 0,05–0,09 gadi). Turklāt saknes vidējā kvadrāta kļūda (RMSE) ir nedaudz zemāka nekā tradicionālā metode, ar mazākām atšķirībām (0,17–0,24, 0,2–0,24 vīrieša iekšējā testa komplektā un 0,03–0,07, 0,04–0,08 ārējam testa komplektam). ). MLP parāda nedaudz labāku veiktspēju nekā viena slāņa Perceptron (SLP), izņemot sieviešu ārējā testa komplekta gadījumā. MAE un RMSE ārējā testa kopa ir augstāka par visu dzimumu un modeļu iekšējo testa komplektu. Visi MAE un RMSE ir parādīti 1. un 1. attēlā.
Tradicionālo un datu ieguves regresijas modeļu MAE un RMSE. Vidējā absolūtā kļūda MAE, saknes vidējā kvadrāta kļūda RMSE, viena slāņa Perceptron SLP, daudzslāņu Perceptron MLP, tradicionālā CM metode.
Tradicionālo un DM modeļu klasifikācijas veiktspēja (ar 18 gadu robežu) tika pierādīta jutīguma, specifiskuma, pozitīvas paredzamās vērtības (PPV), negatīvās prognozējošās vērtības (NPV) un apgabala zem uztvērēja darbības raksturlīknes (AUROC) ziņā. 27 (2. tabula, 2. attēls un 1. papildinājums tiešsaistē). Runājot par iekšējā testa akumulatora jutīgumu, tradicionālās metodes vislabāk darbojās vīriešu vidū un sliktāka sieviešu vidū. Tomēr atšķirība klasifikācijas veiktspējā starp tradicionālajām metodēm un SD ir 9,7% vīriešiem (MLP) un tikai 2,4% sievietēm (XGBOOST). Starp DM modeļiem loģistiskā regresija (LR) parādīja labāku jutīgumu abos dzimumos. Attiecībā uz iekšējā testa komplekta specifiku tika novērots, ka četri SD modeļi veica labi vīriešiem, savukārt tradicionālais modelis bija labāka sievietēm. Vīriešu un sieviešu klasifikācijas veiktspējas atšķirības ir attiecīgi 13,3% (MLP) un 13,1% (MLP), norādot, ka atšķirība starp modeļiem starp modeļiem pārsniedz jutīgumu. Starp DM modeļiem, atbalsta vektora mašīna (SVM), lēmumu koku (DT) un Random Forest (RF) modeļi, kas vislabāk darbojās vīriešu vidū, savukārt LR modelis vislabāk darbojās sieviešu vidū. Tradicionālā modeļa un visu SD modeļu AUROC vīriešiem bija lielāks par 0,925 (K-tuvākais kaimiņš (KNN) vīriešiem), demonstrējot izcilu klasifikācijas sniegumu, diskriminējot 18 gadus vecus paraugus28. Ārējā testa kopai bija samazinājies klasifikācijas veiktspēja jutīguma, specifiskuma un Auroc ziņā, salīdzinot ar iekšējo testa kopu. Turklāt jutīguma un specifiskuma atšķirība starp labāko un sliktāko modeļu klasifikācijas veiktspēju svārstījās no 10% līdz 25% un bija lielāka nekā atšķirība iekšējā testa komplektā.
Datu ieguves klasifikācijas modeļu jutīgums un specifiskums salīdzinājumā ar tradicionālajām metodēm ar 18 gadu robežu. KNN K tuvākais kaimiņš, SVM atbalsta vektora mašīna, LR loģistiskā regresija, DT lēmumu koks, RF Random Forest, XGB XGBOOST, MLP daudzslāņu Perceptron, tradicionālā CM metode.
Pirmais solis šajā pētījumā bija salīdzināt zobu vecuma aprēķinu precizitāti, kas iegūti no septiņiem DM modeļiem ar tiem, kas iegūti, izmantojot tradicionālo regresiju. MAE un RMSE tika novērtēti abu dzimumu iekšējā testa komplektos, un atšķirība starp tradicionālo metodi un DM modeli bija no 44 līdz 77 dienām MAE un no 62 līdz 88 dienām RMSE. Lai arī tradicionālā metode šajā pētījumā bija nedaudz precīzāka, ir grūti secināt, vai tik mazai atšķirībai ir klīniska vai praktiska nozīme. Šie rezultāti norāda, ka zobu vecuma novērtēšanas precizitāte, izmantojot DM modeli, ir gandrīz tāda pati kā tradicionālajai metodei. Tiešs salīdzinājums ar iepriekšējo pētījumu rezultātiem ir grūts, jo nevienā pētījumā nav salīdzināta DM modeļu precizitāte ar tradicionālajām statistiskajām metodēm, izmantojot to pašu zobu reģistrēšanas paņēmienu tajā pašā vecuma diapazonā kā šajā pētījumā. Galiburg et al24 salīdzināja MAE un RMSE starp divām tradicionālajām metodēm (Demirjian metodi25 un Willems metodi29) un 10 DM modeļus Francijas populācijā vecumā no 2 līdz 24 gadiem. Viņi ziņoja, ka visi DM modeļi bija precīzāki nekā tradicionālās metodes, ar atšķirībām 0,20 un 0,38 gadi MAE un 0,25 un 0,47 gadus RMSE salīdzinājumā ar attiecīgi Willems un Demirdjian metodēm. Neatbilstība starp SD modeli un tradicionālajām metodēm, kas parādītas Halibourg pētījumā, ņem vērā daudzus ziņojumus30,31,32,33, ka Demirdjian metode precīzi nenosaka zobu vecumu populācijās, izņemot franču kanādiešus, uz kuriem balstījās pētījums. šajā pētījumā. Tai et al 34 izmantoja MLP algoritmu, lai prognozētu zobu vecumu no 1636. gada ķīniešu ortodontiskajām fotogrāfijām un salīdzināja tā precizitāti ar Demirjian un Willems metodes rezultātiem. Viņi ziņoja, ka MLP ir augstāka precizitāte nekā tradicionālajām metodēm. Atšķirība starp Demirdjian metodi un tradicionālo metodi ir <0,32 gadi, un Willems metode ir 0,28 gadi, kas ir līdzīga šī pētījuma rezultātiem. Šo iepriekšējo pētījumu rezultāti 24,34 ir arī atbilstoši šī pētījuma rezultātiem, un DM modeļa vecuma novērtēšanas precizitāte un tradicionālā metode ir līdzīga. Tomēr, pamatojoties uz uzrādītajiem rezultātiem, mēs varam tikai piesardzīgi secināt, ka DM modeļu izmantošana vecuma novērtēšanai var aizstāt esošās metodes, jo trūkst salīdzinošu un atsauce uz iepriekšējiem pētījumiem. Lai apstiprinātu šajā pētījumā iegūtos rezultātus, ir nepieciešami papildu pētījumi, izmantojot lielākus paraugus.
Starp pētījumiem, kas pārbaudīja SD precizitāti zobu vecuma novērtēšanā, daži uzrādīja augstāku precizitāti nekā mūsu pētījums. Stepanovsky et al 35 pielietoja 22 SD modeļus panorāmas rentgenogrammās 976 Čehijas iedzīvotājiem vecumā no 2,7 līdz 20,5 gadiem un pārbaudīja katra modeļa precizitāti. Viņi novērtēja kopumā 16 augšējo un apakšējo kreiso zobu attīstību, izmantojot klasifikācijas kritērijus, ko ierosinājuši Moorrees et al 36. MAE svārstās no 0,64 līdz 0,94 gadiem, bet RMSE svārstās no 0,85 līdz 1,27 gadiem, kas ir precīzāki nekā divi šajā pētījumā izmantotie DM modeļi. Shen et al23 izmantoja Cameriere metodi, lai novērtētu septiņu pastāvīgo zobu zobu vecumu kreisajā apakšžokā Ķīnas austrumu iedzīvotājiem vecumā no 5 līdz 13 gadiem un salīdzināja to ar vecumu, kas novērtēts, izmantojot lineāru regresiju, SVM un RF. Viņi parādīja, ka visiem trim DM modeļiem ir augstāka precizitāte, salīdzinot ar tradicionālo Cameriere formulu. MAE un RMSE Šena pētījumā bija zemāki nekā šajā pētījumā DM modelī. Stepanovsky et al. Pētījumu pastiprināta precizitāte. 35 un Shen et al. 23 var būt saistīts ar jaunāku subjektu iekļaušanu viņu pētījumu paraugos. Tā kā vecuma aprēķini dalībniekiem ar jaunattīstības zobiem kļūst precīzāki, jo zobu attīstības laikā palielinās zobu skaits, iegūtās vecuma novērtēšanas metodes precizitāte var tikt apdraudēta, ja pētījuma dalībnieki ir jaunāki. Turklāt MLP kļūda vecuma novērtēšanā ir nedaudz mazāka nekā SLP, kas nozīmē, ka MLP ir precīzāks nekā SLP. MLP tiek uzskatīts par nedaudz labāku vecuma novērtēšanai, iespējams, MLP38 slēpto slāņu dēļ. Tomēr sieviešu ārējā parauga izņēmums ir izņēmums (SLP 1.45, MLP 1.49). Lai novērtētu vecumu, MLP ir precīzāks nekā SLP, ir nepieciešami papildu retrospektīvi pētījumi.
Tika salīdzināta arī DM modeļa klasifikācijas veiktspēja un tradicionālā metode ar 18 gadu slieksni. Visi pārbaudītie SD modeļi un tradicionālās metodes iekšējā testa komplektā parādīja praktiski pieņemamu diskriminācijas līmeni 18 gadus vecam paraugam. Vīriešu un sieviešu jutība bija attiecīgi lielāka par 87,7% un 94,9%, un specifiskums bija lielāks par 89,3% un 84,7%. Visu pārbaudīto modeļu AUROC pārsniedz arī 0,925. Cik mums ir zināms, neviens pētījums nav pārbaudījis DM modeļa veiktspēju 18 gadu klasifikācijai, pamatojoties uz zobu briedumu. Mēs varam salīdzināt šī pētījuma rezultātus ar dziļas mācību modeļu klasifikācijas veiktspēju panorāmas rentgenogrammās. Guo et al.15 Aprēķināja uz CNN balstīta dziļas mācīšanās modeļa klasifikācijas veiktspēju un manuālu metodi, kuras pamatā ir Demirjian metode noteikta vecuma slieksnim. Manuālās metodes jutīgums un specifiskums bija attiecīgi 87,7% un 95,5%, un CNN modeļa jutība un specifiskums pārsniedza attiecīgi 89,2% un 86,6%. Viņi secināja, ka dziļas mācīšanās modeļi var aizstāt vai pārspēt manuālo novērtējumu vecuma sliekšņu klasificēšanā. Šī pētījuma rezultāti parādīja līdzīgu klasifikācijas veiktspēju; Tiek uzskatīts, ka klasifikācija, izmantojot DM modeļus, var aizstāt tradicionālās statistiskās metodes vecuma novērtēšanai. Starp modeļiem DM LR bija labākais modelis vīriešu parauga jutīguma ziņā un sievietes parauga jutība un specifiskums. LR ieņem otro vietu vīriešiem. Turklāt LR tiek uzskatīts par vienu no lietotājam draudzīgākajiem DM35 modeļiem, un to ir mazāk sarežģīts un grūti apstrādājams. Balstoties uz šiem rezultātiem, LR tika uzskatīts par labāko izslēgšanas klasifikācijas modeli 18 gadus veciem bērniem Korejas iedzīvotājiem.
Kopumā ārējā testa kopas vecuma novērtēšanas vai klasifikācijas veiktspējas precizitāte bija slikta vai zemāka, salīdzinot ar iekšējā testa kopas rezultātiem. Daži ziņojumi norāda, ka klasifikācijas precizitāte vai efektivitāte samazinās, ja vecuma novērtējumi, pamatojoties uz Korejas iedzīvotājiem, tiek piemēroti Japānas populācijai5,39, un šajā pētījumā tika konstatēts līdzīgs modelis. Šī pasliktināšanās tendence tika novērota arī DM modelī. Tāpēc, lai precīzi novērtētu vecumu, pat izmantojot DM analīzes procesā, vajadzētu dot priekšroku metodēm, kas iegūtas no vietējiem iedzīvotājiem, piemēram, tradicionālajām metodēm, dod priekšroku 5,39,40,41,42. Tā kā nav skaidrs, vai dziļas mācīšanās modeļi var parādīt līdzīgas tendences, pētījumi, kas salīdzina klasifikācijas precizitāti un efektivitāti, izmantojot tradicionālās metodes, DM modeļus un dziļas mācīšanās modeļus vienādos paraugos, ir nepieciešami, lai apstiprinātu, vai mākslīgais intelekts var pārvarēt šīs rasu atšķirības ierobežotā vecumā. novērtējumi.
Mēs parādām, ka tradicionālās metodes var aizstāt ar vecuma novērtēšanu, pamatojoties uz DM modeli kriminālistikas novērtēšanas praksē Korejā. Mēs arī atklājām iespēju ieviest mašīnmācību kriminālistikas novērtējumā. Tomēr ir skaidri ierobežojumi, piemēram, nepietiekamais dalībnieku skaits šajā pētījumā, lai galīgi noteiktu rezultātus, un iepriekšējo pētījumu trūkumu, lai salīdzinātu un apstiprinātu šī pētījuma rezultātus. Nākotnē DM pētījumi jāveic ar lielāku paraugu skaitu un daudzveidīgāku iedzīvotāju skaitu, lai uzlabotu tā praktisko pielietojamību salīdzinājumā ar tradicionālajām metodēm. Lai apstiprinātu mākslīgā intelekta izmantošanas iespējamību, lai novērtētu vecumu vairākās populācijās, ir nepieciešami turpmāki pētījumi, lai salīdzinātu DM klasifikācijas precizitāti un efektivitāti un dziļas mācīšanās modeļus ar tradicionālajām metodēm tajos pašos paraugos.
Pētījumā tika izmantotas 2 657 ortogrāfiskas fotogrāfijas, kas savāktas no korejiešu un japāņu pieaugušajiem vecumā no 15 līdz 23 gadiem. Korejas rentgenogrammas tika sadalītas 900 apmācības komplektos (19,42 ± 2,65 gadi) un 900 iekšējo testa komplektus (19,52 ± 2,59 gadi). Apmācību komplekts tika savākts vienā iestādē (Seulas Sv. Marijas slimnīca), un pats testa komplekts tika savākts divās institūcijās (Seulas Nacionālās universitātes zobārstniecības slimnīca un Yonsei University zobārstniecības slimnīca). Mēs arī savācām 857 rentgenogrāfijas no cita uz populāciju balstītiem datiem (Iwate Medical University, Japāna) ārējai pārbaudei. Par ārējo testa komplektu tika atlasīti japāņu subjektu (19,31 ± 2,60 gadi) rentgenogrammas. Dati tika savākti retrospektīvi, lai analizētu zobu attīstības posmus panorāmas rentgenogrammās, kas veikti zobu ārstēšanas laikā. Visi savāktie dati bija anonīmi, izņemot dzimumu, dzimšanas datumu un rentgenogrāfijas datumu. Iekļaušanas un izslēgšanas kritēriji bija tādi paši kā iepriekš publicētie pētījumi 4, 5. Faktiskais parauga vecums tika aprēķināts, atņemot dzimšanas datumu no rentgenogrammas uzņemšanas dienas. Parauga grupa tika sadalīta deviņās vecuma grupās. Vecums un dzimuma sadalījums ir parādīts 3. tabulā. Šis pētījums tika veikts saskaņā ar Helsinku deklarāciju, un to apstiprināja Korejas katoļu universitātes Seulas Sv. Marijas slimnīcas institucionālā pārskata padome (KC22WISI0328). Sakarā ar retrospektīvu šī pētījuma plānošanu, informētu piekrišanu nevar iegūt no visiem pacientiem, kuriem terapeitiskiem nolūkiem tiek veikta radiogrāfiskā pārbaude. Seulas Korejas Universitātes Sv. Marijas slimnīca (IRB) atteicās no prasības pēc informētas piekrišanas.
Bimaxillary otrā un trešā molāra attīstības posmi tika novērtēti saskaņā ar Demircan kritērijiem25. Ja katra žokļa kreisajā un labajā pusē tika atrasts tāda paša veida zobs, tika izvēlēts tikai viens zobs. Ja homoloģiski zobi abās pusēs bija dažādos attīstības posmos, zobs ar zemāku attīstības stadiju tika izvēlēts, lai ņemtu vērā nenoteiktību aprēķinātajā vecumā. Divi pieredzējuši novērotāji novērtēja simts nejauši atlasītu rentgenogrāfiju no apmācības kopas, lai pēc pārsvaricācijas pārbaudītu starpposma uzticamību, lai noteiktu zobu brieduma stadiju. Intraobservera ticamību primārais novērotājs divreiz novērtēja ar trīs mēnešu intervālu.
Katra žokļa otrā un trešā molāra dzimuma un attīstības posms apmācības komplektā tika aprēķināts ar primāro novērotāju, kas apmācīts ar dažādiem DM modeļiem, un faktiskais vecums tika noteikts kā mērķa vērtība. SLP un MLP modeļi, kurus plaši izmanto mašīnmācībā, tika pārbaudīti pret regresijas algoritmiem. DM modelis apvieno lineārās funkcijas, izmantojot četru zobu attīstības posmus, un apvieno šos datus, lai novērtētu vecumu. SLP ir vienkāršākais neironu tīkls, un tajā nav slēptus slāņus. SLP darbojas, pamatojoties uz sliekšņa pārraidi starp mezgliem. SLP modelis regresijā ir matemātiski līdzīgs vairākām lineārajām regresijām. Atšķirībā no SLP modeļa, MLP modelim ir vairāki slēpti slāņi ar nelineārām aktivizācijas funkcijām. Mūsu eksperimenti izmantoja slēptu slāni ar tikai 20 slēptiem mezgliem ar nelineārām aktivizācijas funkcijām. Izmantojiet gradienta nolaišanos kā optimizācijas metodi un MAE un RMSE kā zaudējumu funkciju, lai apmācītu mūsu mašīnmācīšanās modeli. Vislabāk iegūtais regresijas modelis tika piemērots iekšējām un ārējām testa kopām, un tika aprēķināts zobu vecums.
Tika izstrādāts klasifikācijas algoritms, kurā apmācības komplektā tiek izmantots četru zobu briedums, lai prognozētu, vai paraugam ir 18 gadi vai nē. Lai izveidotu modeli, mēs atvasinājām septiņus attēlojuma mašīnmācīšanās algoritmus6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST un (7) MLP Apvidū LR ir viens no visplašāk izmantotajiem klasifikācijas algoritmiem44. Tas ir uzraudzīts mācību algoritms, kas izmanto regresiju, lai prognozētu datu iespējamību, kas pieder noteiktai kategorijai no 0 līdz 1, un klasificē datus kā piederīgu, visticamāk, kategorijai, pamatojoties uz šo varbūtību; galvenokārt izmanto binārai klasifikācijai. KNN ir viens no vienkāršākajiem mašīnmācīšanās algoritmiem45. Ja tiek doti jauni ievades dati, tas atrod K datus tuvu esošajai kopai un pēc tam tos klasificē klasē ar visaugstāko frekvenci. Mēs uzstādījām 3 ņemto kaimiņu skaitu (k). SVM ir algoritms, kas palielina attālumu starp divām klasēm, izmantojot kodola funkciju, lai paplašinātu lineāro telpu nelineārā telpā, ko sauc par laukiem46. Šim modelim mēs izmantojam neobjektivitāti = 1, jauda = 1 un gamma = 1 kā hiperparametri polinoma kodolam. DT ir izmantots dažādos laukos kā algoritms, lai sadalītu visu datu kopu vairākās apakšgrupās, pārstāvot lēmumu noteikumus koka struktūrā47. Modelis ir konfigurēts ar minimālu ierakstu skaitu uz mezglu 2 un kā kvalitātes mērījumu izmanto Džini indeksu. RF ir ansambļa metode, kas apvieno vairākus DTS, lai uzlabotu veiktspēju, izmantojot sāknēšanas apkopošanas metodi, kas katram paraugam ģenerē vāju klasifikatoru, nejauši zīmējot tāda paša izmēra paraugus vairākas reizes no sākotnējās datu kopas48. Kā mezgla atdalīšanas kritērijus mēs izmantojām 100 kokus, 10 koku dziļumus, 1 minimālo mezgla izmēru un gini piemaisījuma indeksu. Jaunu datu klasifikāciju nosaka vairākuma balsojums. XGBOOST ir algoritms, kas apvieno pastiprināšanas paņēmienus, izmantojot metodi, kas kā apmācības datiem ņem kļūdu starp iepriekšējā modeļa faktiskajām un prognozētajām vērtībām, un palielina kļūdu, izmantojot slīpumus49. Tas ir plaši izmantots algoritms, pateicoties tā labajai veiktspējai un resursu efektivitātei, kā arī augsta uzticamība kā pārmērīga korekcijas funkcija. Modelis ir aprīkots ar 400 atbalsta riteņiem. MLP ir neironu tīkls, kurā viens vai vairāki perceptroni veido vairākus slāņus ar vienu vai vairākiem slēptiem slāņiem starp ieejas un izejas slāņiem38. Izmantojot to, jūs varat veikt nelineāru klasifikāciju, ja pievienojot ievades slāni un iegūstot rezultāta vērtību, prognozētā rezultāta vērtība tiek salīdzināta ar faktisko rezultāta vērtību un kļūda tiek izplatīta atpakaļ. Katrā slānī mēs izveidojām slēptu slāni ar 20 slēptiem neironiem. Katrs mūsu izstrādātais modelis tika izmantots iekšējām un ārējām kopām, lai pārbaudītu klasifikācijas veiktspēju, aprēķinot jutīgumu, specifiskumu, PPV, NPV un AUROC. Jutīgums tiek definēts kā parauga attiecība, kas tiek lēsts 18 gadu vecumā vai vecāks par paraugu, kas, lēsts 18 gadu vecumā. Specifiskums ir paraugu īpatsvars, kas jaunāki par 18 gadiem, un tie, kas tiek lēsts līdz 18 gadu vecumam.
Apmācības komplektā novērtētās zobārstniecības stadijas statistiskajai analīzei tika pārveidotas skaitliskos posmos. Tika veikta daudzdimensiju lineārā un loģistiskā regresija, lai izstrādātu prognozējošus modeļus katram dzimumam un atvasinātu regresijas formulas, kuras var izmantot vecuma novērtēšanai. Mēs izmantojām šīs formulas, lai novērtētu zobu vecumu gan iekšējā, gan ārējā testa kopai. 4. tabulā parādīti šajā pētījumā izmantotie regresijas un klasifikācijas modeļi.
Intra un starpobservera ticamība tika aprēķināta, izmantojot Koena Kappa statistiku. Lai pārbaudītu DM un tradicionālo regresijas modeļu precizitāti, mēs aprēķinājām MAE un RMSE, izmantojot aprēķināto un faktisko iekšējo un ārējo testa kopu vecumu. Šīs kļūdas parasti izmanto, lai novērtētu modeļa prognožu precizitāti. Jo mazāka kļūda, jo augstāka ir prognozes precizitāte24. Salīdziniet MAE un RMSE iekšējo un ārējo testu kopu, kas aprēķināta, izmantojot DM un tradicionālo regresiju. Tradicionālās statistikas klasifikācijas veiktspēja tika novērtēta, izmantojot 2 × 2 ārkārtas galdu. Aprēķinātā testa komplekta jutība, specifiskums, PPV, NPV un AUROC tika salīdzināti ar DM klasifikācijas modeļa izmērītajām vērtībām. Dati tiek izteikti kā vidējā ± standartnovirze vai skaits (%) atkarībā no datu raksturlielumiem. Divpusējas P vērtības <0,05 tika uzskatītas par statistiski nozīmīgām. Visas ikdienas statistiskās analīzes tika veiktas, izmantojot SAS versiju 9.4 (SAS Institute, Cary, NC). DM regresijas modelis tika ieviests Python, izmantojot Keras50 2.2.4 Backend un TensorFlow51 1.8.0, īpaši matemātiskām operācijām. DM klasifikācijas modelis tika ieviests Waikato zināšanu analīzes vidē un Konstanz Information Miner (Knime) 4.6.152 analīzes platforma.
Autori atzīst, ka dati, kas atbalsta pētījuma secinājumus, ir atrodami rakstā un papildu materiālos. Pētījuma laikā izveidotās un/vai analizētās datu kopas ir pieejamas no attiecīgā autora pēc saprātīga pieprasījuma.
Ritz-Timme, S. et al. Vecuma novērtējums: modernākais, lai izpildītu kriminālistikas prakses īpašās prasības. starptautiskums. J. Juridiskās zāles. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. un Olze, A. Kriminālistikas kriminālistikas novērtējuma pašreizējais statuss kriminālvajāšanas nolūkos. Kriminālistika. medicīna. Patoloģija. 1, 239–246 (2005).
Pan, J. et al. Modificēta metode bērnu zobu vecuma novērtēšanai vecumā no 5 līdz 16 gadiem Ķīnas austrumos. klīniskais. Mutvārdu aptauja. 25, 3463–3474 (2021).
Lee, SS utt. Otro un trešo molāru attīstības hronoloģija korejiešiem un tā piemērošana kriminālistikas novērtēšanai. starptautiskums. J. Juridiskās zāles. 124, 659–665 (2010).
OH, S., Kumagai, A., Kim, Sy un Lee, SS vecuma novērtēšanas precizitāte un 18 gadu sliekšņa novērtēšana, pamatojoties uz otro un trešo molāru briedumu korejiešu un japāņu valodā. Plos One 17, E0271247 (2022).
Kims, JY, et al. Pirmsoperācijas mašīnu mācīšanās datu analīze var paredzēt miega ķirurģijas ārstēšanas rezultātu pacientiem ar OSA. Zinātne. Ziņojums 11., 14911 (2021).
Han, M. et al. Precīzs vecuma novērtējums no mašīnmācīšanās ar vai bez cilvēka iejaukšanās vai bez tās? starptautiskums. J. Juridiskās zāles. 136, 821–831 (2022).
Khan, S. un Shaheen, M. No datu ieguves līdz datu ieguvei. J.informācija. Zinātne. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. un Shaheen, M. Wisrule: Pirmais izziņas algoritms asociācijas likumu ieguvei. J.informācija. Zinātne. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. un Abdullah U. Karm: tradicionālā datu ieguve, pamatojoties uz konteksta asociācijas noteikumiem. aprēķināt. Metjū. turpināt. 68, 3305–3322 (2021).
Muhameds M., Rehmans Z., Šaheen M., Khan M. un Habib M. Dziļās mācībās balstīta semantiskā līdzības noteikšana, izmantojot teksta datus. informēt. tehnoloģijas. kontrole. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. un Shahin, M. Sistēma aktivitātes atpazīšanai sporta video. multimedija. Rīki lietojumprogrammas https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA mašīnu apguves izaicinājums bērnu kaulu vecumā. Radioloģija 290, 498–503 (2019).
Li, Y. et al. Kriminālistikas novērtējums no iegurņa rentgena stariem, izmantojot dziļo mācīšanos. Eiro. starojums. 29, 2322–2329 (2019).
Guo, YC, et al. Precīza vecuma klasifikācija, izmantojot manuālās metodes un dziļos konvolūcijas neironu tīklus no ortogrāfiskās projekcijas attēliem. starptautiskums. J. Juridiskās zāles. 135, 1589–1597 (2021).
Alabama Dalora et al. Kaulu vecuma novērtēšana, izmantojot dažādas mašīnmācīšanās metodes: sistemātisks literatūras pārskats un metaanalīze. Plos One 14, E0220242 (2019).
Du, H., Li, G., Čeng, K. un Yang, J. Afroamerikāņu un ķīniešu vecuma novērtējums iedzīvotājiem, pamatojoties uz pirmo molāru celulozes kameras apjomiem, izmantojot konusa staru datortomogrāfiju. starptautiskums. J. Juridiskās zāles. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK un Oh Ks, kas nosaka dzīvu cilvēku vecuma grupas, izmantojot mākslīgo intelektu balstītos pirmos molāros attēlus. Zinātne. Ziņojums 11, 1073 (2021).
Stern, D., Paxer, C., Giuliani, N. un Urschler, M. Automātiska vecuma novērtēšana un vairākuma vecuma klasifikācija no daudzdimensionāliem MRI datiem. IEEE J. BIOMED. Veselības brīdinājumi. 23, 1392–1403 (2019).
Cheng, Q., GE, Z., Du, H. un Li, G. Vecuma novērtēšana, pamatojoties uz 3D celulozes kameras segmentēšanu no pirmajiem molāriem no konusa staru datortomogrāfijas, integrējot dziļas mācības un līmeņa komplektus. starptautiskums. J. Juridiskās zāles. 135, 365–373 (2021).
Wu, WT, et al. Datu ieguve klīniskajos lielajos datos: kopīgas datu bāzes, soļi un metožu modeļi. Pasaule. medicīna. resurss 8, 44 (2021).
Yang, J. et al. Ievads medicīnas datu bāzēs un datu ieguves tehnoloģijās lielo datu laikmetā. J. Avid. Pamata medicīna. 13, 57–69 (2020).
Shen, S. et al. Kamerera metode zobu vecuma novērtēšanai, izmantojot mašīnu apguvi. BMC perorālā veselība 21, 641 (2021).
Galliburg A. et al. Dažādu mašīnmācīšanās metožu salīdzināšana zobu vecuma prognozēšanai, izmantojot Demirdjian iestudēšanas metodi. starptautiskums. J. Juridiskās zāles. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. un Tanner, JM jauna sistēma zobu vecuma novērtēšanai. snort. bioloģija. 45, 211–227 (1973).
Landis, Jr un Koch, GG novērotāju vienošanās pasākumi par kategoriskiem datiem. Biometrija 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK un Choi HK. Divdimensiju magnētiskās rezonanses attēlveidošanas teksturālā, morfoloģiskā un statistiskā analīze, izmantojot mākslīgā intelekta metodes primāro smadzeņu audzēju diferenciācijai. Informācija par veselību. resurss https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Pasta laiks: janvāris-04-244