Paldies, ka apmeklējāt vietni Nature.com.Jūsu izmantotajai pārlūkprogrammas versijai ir ierobežots CSS atbalsts.Lai iegūtu vislabākos rezultātus, ieteicams izmantot jaunāku pārlūkprogrammas versiju (vai izslēgt saderības režīmu pārlūkprogrammā Internet Explorer).Tikmēr, lai nodrošinātu pastāvīgu atbalstu, mēs rādām vietni bez stila vai JavaScript.
Zobi tiek uzskatīti par visprecīzāko cilvēka ķermeņa vecuma rādītāju, un tos bieži izmanto tiesu medicīnas vecuma novērtēšanā.Mūsu mērķis bija apstiprināt uz datu ieguvi balstītus zobārstniecības vecuma aprēķinus, salīdzinot novērtējuma precizitāti un 18 gadu sliekšņa klasifikācijas veiktspēju ar tradicionālajām metodēm un uz datu ieguvi balstītiem vecuma aprēķiniem.Kopumā tika savākti 2657 panorāmas rentgenogrammas no Korejas un Japānas pilsoņiem vecumā no 15 līdz 23 gadiem.Tie tika sadalīti apmācības komplektā, kurā katrā bija 900 korejiešu rentgenogrammas, un iekšējā testu komplektā, kurā bija 857 japāņu rentgenogrammas.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 modeļa precizitāte, un atšķirība ir neliela (vidējā absolūtā kļūda <0,21 gads, vidējā kvadrātiskā kļūda <0,24 gadi).Klasifikācijas veiktspēja 18 gadu ierobežojumam ir līdzīga arī tradicionālajām metodēm un datu ieguves modeļiem.Tādējādi tradicionālās metodes var aizstāt ar datu ieguves modeļiem, veicot kriminālistikas vecuma novērtējumu, izmantojot otrā un trešā molāra briedumu Korejas pusaudžiem un jauniešiem.
Zobu vecuma noteikšana tiek plaši izmantota tiesu medicīnā un bērnu zobārstniecībā.Jo īpaši, ņemot vērā augsto korelāciju starp hronoloģisko vecumu un zobu attīstību, vecuma novērtējums pēc zobu attīstības stadijām ir svarīgs kritērijs bērnu un pusaudžu vecuma noteikšanai1,2,3.Tomēr jauniem cilvēkiem zobu vecuma noteikšanai, pamatojoties uz zobu briedumu, ir ierobežojumi, jo zobu augšana ir gandrīz pabeigta, izņemot trešos molārus.Jauniešu un pusaudžu vecuma noteikšanas juridiskais mērķis ir sniegt precīzus aprēķinus un zinātniskus pierādījumus par to, vai viņi ir sasnieguši pilngadību.Pusaudžu un jauniešu medicīnas juridiskajā praksē Korejā vecums tika noteikts, izmantojot Lī metodi, un, pamatojoties uz Oh et al sniegtajiem datiem, tika prognozēts juridiskais 18 gadu slieksnis.
Mašīnmācība ir mākslīgā intelekta (AI) veids, kas atkārtoti apgūst un klasificē lielus datu apjomus, pats atrisina problēmas un vada datu programmēšanu.Mašīnmācība var atklāt noderīgus slēptos modeļus lielos datu apjomos6.Turpretim klasiskajām metodēm, kas ir darbietilpīgas un laikietilpīgas, var būt ierobežojumi, strādājot ar lieliem sarežģītu datu apjomiem, kurus ir grūti apstrādāt manuāli7.Tāpēc pēdējā laikā ir veikti daudzi pētījumi, izmantojot jaunākās datortehnoloģijas, lai samazinātu cilvēku kļūdas un efektīvi apstrādātu daudzdimensiju datus8,9,10,11,12.Jo īpaši dziļā mācīšanās ir plaši izmantota medicīnisko attēlu analīzē, un ir ziņots, ka dažādas vecuma noteikšanas metodes, automātiski analizējot rentgenogrammas, uzlabo vecuma noteikšanas precizitāti un efektivitāti13, 14, 15, 16, 17, 18, 19, 20. .Piemēram, Halabi et al 13 izstrādāja mašīnmācīšanās algoritmu, kura pamatā ir konvolucionālie neironu tīkli (CNN), lai novērtētu skeleta vecumu, izmantojot bērnu roku rentgenogrammas.Šis pētījums piedāvā modeli, kas mašīnmācību izmanto medicīniskiem attēliem, un parāda, ka šīs metodes var uzlabot diagnostikas precizitāti.Li et al14 novērtēja vecumu no iegurņa rentgena attēliem, izmantojot dziļās mācīšanās CNN, un salīdzināja tos ar regresijas rezultātiem, izmantojot pārkaulošanās stadijas novērtējumu.Viņi atklāja, ka dziļās mācīšanās CNN modelis uzrādīja tādu pašu vecuma novērtējuma veiktspēju kā tradicionālais regresijas modelis.Guo et al pētījumā [15] tika novērtēta CNN tehnoloģijas vecuma tolerances klasifikācijas veiktspēja, pamatojoties uz zobu ortofotogrāfijām, un CNN modeļa rezultāti pierādīja, ka cilvēki pārspēj tās vecuma klasifikācijas veiktspēju.
Lielākajā daļā pētījumu par vecuma novērtēšanu, izmantojot mašīnmācīšanos, tiek izmantotas dziļās mācīšanās metodes13,14,15,16,17,18,19,20.Tiek ziņots, ka vecuma novērtējums, kas balstīts uz dziļu mācīšanos, ir precīzāks nekā tradicionālās metodes.Tomēr šī pieeja sniedz maz iespēju prezentēt vecuma aplēšu zinātnisko pamatojumu, piemēram, aplēsēs izmantotos vecuma rādītājus.Ir arī juridisks strīds par to, kurš veic pārbaudes.Tāpēc administratīvajām un tiesu iestādēm ir grūti pieņemt vecuma novērtējumu, kas balstīts uz dziļu mācīšanos.Datu ieguve (DM) ir paņēmiens, kas var atklāt ne tikai gaidīto, bet arī negaidīto informāciju kā metodi, lai atklātu noderīgas korelācijas starp lielu datu apjomu6, 21, 22.Mašīnmācība bieži tiek izmantota datu ieguvē, un gan datu ieguve, gan mašīnmācīšanās izmanto vienus un tos pašus galvenos algoritmus, lai atklātu datu modeļus.Vecuma novērtējums, izmantojot zobu attīstību, ir balstīts uz pārbaudītāja novērtējumu par mērķa zobu briedumu, un šis novērtējums tiek izteikts kā posms katram mērķa zobam.DM var izmantot, lai analizētu korelāciju starp zobārstniecības novērtējuma stadiju un faktisko vecumu, un tas var aizstāt tradicionālo statistisko analīzi.Tāpēc, ja mēs izmantojam DM metodes vecuma noteikšanai, mēs varam ieviest mašīnmācīšanos kriminālistikas vecuma novērtēšanā, neuztraucoties par juridisko atbildību.Ir publicēti vairāki salīdzinoši pētījumi par iespējamām alternatīvām tradicionālajām manuālajām metodēm, ko izmanto tiesu medicīnas praksē, un uz EBM balstītām metodēm zobu vecuma noteikšanai.Shen et al23 parādīja, ka DM modelis ir precīzāks nekā tradicionālā Camerer formula.Galibourg et al24 izmantoja dažādas DM metodes, lai prognozētu vecumu saskaņā ar Demirdjian kritēriju25, un rezultāti parādīja, ka DM metode pārspēja Demirdjian un Willems metodes Francijas iedzīvotāju vecuma novērtēšanā.
Lai novērtētu korejiešu pusaudžu un jauniešu zobārstniecības vecumu, Korejas tiesu medicīnas praksē plaši tiek izmantota Lī 4. metode.Šī metode izmanto tradicionālo statistisko analīzi (piemēram, daudzkārtēju regresiju), lai pārbaudītu attiecības starp korejiešu subjektiem un hronoloģisko vecumu.Šajā pētījumā vecuma noteikšanas metodes, kas iegūtas, izmantojot tradicionālās statistikas metodes, ir definētas kā "tradicionālās metodes".Lī metode ir tradicionāla metode, un tās precizitāti ir apstiprinājuši Oh et al.5;tomēr uz DM modeli balstītā vecuma novērtējuma pielietojamība Korejas tiesu medicīnas praksē joprojām ir apšaubāma.Mūsu mērķis bija zinātniski apstiprināt vecuma novērtējuma iespējamo lietderību, pamatojoties uz DM modeli.Šī pētījuma mērķis bija (1) salīdzināt divu DM modeļu precizitāti zobārstniecības vecuma novērtēšanā un (2) salīdzināt 7 DM modeļu klasifikācijas veiktspēju 18 gadu vecumā ar tiem, kas iegūti, izmantojot tradicionālās statistikas metodes. un trešie molāri abos žokļos.
Hronoloģiskā vecuma vidējie un standarta novirzes pēc stadijas un zobu veida ir parādīti tiešsaistē papildu tabulā S1 (apmācības komplekts), papildu tabulā S2 (iekšējā testa komplekts) un papildu tabulā S3 (ārējā testa komplekts).Kappa vērtības iekšējā un starpnovērotāja uzticamībai, kas iegūtas no apmācības komplekta, bija attiecīgi 0,951 un 0,947.P vērtības un 95% ticamības intervāli kappa vērtībām ir parādīti tiešsaistes papildu tabulā S4.Kapa vērtība tika interpretēta kā “gandrīz ideāla”, kas atbilst Lendisa un Koča26 kritērijiem.
Salīdzinot vidējo absolūto kļūdu (MAE), tradicionālā metode nedaudz pārspēj DM modeli visiem dzimumiem un ārējā vīriešu testa komplektā, izņemot daudzslāņu perceptronu (MLP).Atšķirība starp tradicionālo modeli un DM modeli iekšējā MAE testa komplektā bija 0,12–0,19 gadi vīriešiem un 0,17–0,21 gads sievietēm.Ārējam testa akumulatoram atšķirības ir mazākas (0,001–0,05 gadi vīriešiem un 0,05–0,09 gadi sievietēm).Turklāt vidējā kvadrātiskā kļūda (RMSE) ir nedaudz zemāka par tradicionālo metodi ar mazākām atšķirībām (0,17–0,24, 0,2–0,24 vīriešu iekšējā testa komplektā un 0,03–0,07, 0,04–0,08 ārējai testa komplektam).).MLP uzrāda nedaudz labāku veiktspēju nekā Single Layer Perceptron (SLP), izņemot sieviešu ārējās pārbaudes komplektu.Attiecībā uz MAE un RMSE ārējās pārbaudes kopas rezultāti ir augstāki nekā iekšējās pārbaudes komplekti visiem dzimumiem un modeļiem.Visi MAE un RMSE ir parādīti 1. tabulā un 1. attēlā.
Tradicionālo un datu ieguves regresijas modeļu MAE un RMSE.Vidējā absolūtā kļūda MAE, vidējā kvadrātiskā kļūda RMSE, viena slāņa perceptrons SLP, daudzslāņu perceptrons MLP, tradicionālā CM metode.
Tradicionālo un DM modeļu klasifikācijas veiktspēja (ar 18 gadu robežu) tika demonstrēta jutīguma, specifiskuma, pozitīvas paredzamās vērtības (PPV), negatīvās paredzamās vērtības (NPV) un laukuma zem uztvērēja darbības raksturlīknes (AUROC) izteiksmē. 27 (2. tabula, 2. attēls un 1. papildu attēls tiešsaistē).Attiecībā uz iekšējā testa akumulatora jutīgumu tradicionālās metodes vislabāk darbojās vīriešiem un sliktāk sievietēm.Tomēr klasifikācijas veiktspējas atšķirība starp tradicionālajām metodēm un SD ir 9,7% vīriešiem (MLP) un tikai 2,4% sievietēm (XGBoost).Starp DM modeļiem loģistiskā regresija (LR) uzrādīja labāku jutību abiem dzimumiem.Attiecībā uz iekšējās pārbaudes kopas specifiku tika novērots, ka četri SD modeļi darbojās labi vīriešiem, bet tradicionālais modelis bija labāks sievietēm.Klasifikācijas veiktspējas atšķirības vīriešiem un sievietēm ir attiecīgi 13,3% (MLP) un 13,1% (MLP), kas norāda, ka klasifikācijas veiktspējas atšķirība starp modeļiem pārsniedz jutīgumu.No DM modeļiem atbalsta vektora mašīnas (SVM), lēmumu koka (DT) un izlases meža (RF) modeļiem bija vislabākie rezultāti vīriešu vidū, bet LR modelim vislabākie rezultāti bija sieviešu vidū.Tradicionālā modeļa un visu SD modeļu AUROC bija lielāks par 0, 925 (k-tuvākais kaimiņš (KNN) vīriešiem), demonstrējot izcilu klasifikācijas veiktspēju, diskriminējot 18 gadus vecus paraugus28.Attiecībā uz ārējo testu komplektu klasifikācijas veiktspēja jutības, specifiskuma un AUROC ziņā samazinājās, salīdzinot ar iekšējo testu komplektu.Turklāt jutīguma un specifiskuma atšķirība starp labāko un sliktāko modeļu klasifikācijas veiktspēju svārstījās no 10% līdz 25% un bija lielāka nekā iekšējā testa komplekta atšķirība.
Datu ieguves klasifikācijas modeļu jutīgums un specifika salīdzinājumā ar tradicionālajām metodēm ar 18 gadu robežu.KNN k tuvākais kaimiņš, SVM atbalsta vektora mašīna, LR loģistikas regresija, DT lēmumu koks, RF izlases mežs, XGB XGBoost, MLP daudzslāņu perceptrons, tradicionālā CM metode.
Pirmais solis šajā pētījumā bija salīdzināt zobu vecuma aplēses, kas iegūtas no septiņiem DM modeļiem, ar tām, kas iegūtas, izmantojot tradicionālo regresiju.MAE un RMSE tika novērtēti iekšējos testu komplektos abiem dzimumiem, un atšķirība starp tradicionālo metodi un DM modeli bija no 44 līdz 77 dienām MAE un no 62 līdz 88 dienām RMSE.Lai gan šajā pētījumā tradicionālā metode bija nedaudz precīzāka, ir grūti secināt, vai tik nelielai atšķirībai ir klīniska vai praktiska nozīme.Šie rezultāti liecina, ka zobu vecuma noteikšanas precizitāte, izmantojot DM modeli, ir gandrīz tāda pati kā tradicionālās metodes precizitāte.Tieša salīdzināšana ar iepriekšējo pētījumu rezultātiem ir sarežģīta, jo nevienā pētījumā nav salīdzināta DM modeļu precizitāte ar tradicionālajām statistikas metodēm, izmantojot to pašu zobu reģistrēšanas paņēmienu tajā pašā vecuma diapazonā kā šajā pētījumā.Galibourg et al24 salīdzināja MAE un RMSE starp divām tradicionālajām metodēm (Demirjian metode25 un Willems metode29) un 10 DM modeļiem 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 gadi RMSE salīdzinājumā ar attiecīgi Vilemsa un Demirdjian metodēm.Neatbilstība starp SD modeli un tradicionālajām metodēm, kas parādīta Halibūras pētījumā, ņem vērā daudzus ziņojumus30, 31, 32, 33, ka Demirdjian metode precīzi nenovērtē zobu vecumu citās populācijās, izņemot franču kanādiešus, uz kuriem tika balstīts pētījums.šajā pētījumā.Tai et al 34 izmantoja MLP algoritmu, lai prognozētu zobu vecumu no 1636 ķīniešu ortodontiskām 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 Vilemsa metode ir 0,28 gadi, kas ir līdzīgs šī pētījuma rezultātiem.Šo iepriekšējo pētījumu rezultāti 24, 34 saskan arī ar šī pētījuma rezultātiem, un DM modeļa un tradicionālās metodes vecuma novērtējuma precizitāte ir līdzīga.Tomēr, pamatojoties uz iesniegtajiem rezultātiem, mēs varam tikai piesardzīgi secināt, ka DM modeļu izmantošana vecuma noteikšanai var aizstāt esošās metodes, jo trūkst salīdzinošu un atsauces iepriekšējo pētījumu.Lai apstiprinātu šajā pētījumā iegūtos rezultātus, ir nepieciešami papildu pētījumi, izmantojot lielākus paraugus.
No pētījumiem, kas pārbauda SD precizitāti, novērtējot zobu vecumu, daži uzrādīja augstāku precizitāti nekā mūsu pētījums.Stepanovskis et al 35 izmantoja 22 SD modeļus panorāmas rentgenogrammām 976 Čehijas iedzīvotājiem vecumā no 2,7 līdz 20,5 gadiem un pārbaudīja katra modeļa precizitāti.Viņi novērtēja kopumā 16 augšējo un apakšējo kreiso pastāvīgo zobu attīstību, izmantojot Moorrees et al piedāvātos klasifikācijas kritērijus36.MAE svārstās no 0, 64 līdz 0, 94 gadiem, un 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 apakšžoklī Austrumķīnas iedzīvotājiem vecumā no 5 līdz 13 gadiem un salīdzināja to ar vecumu, kas aprēķināts, izmantojot lineāro regresiju, SVM un RF.Viņi parādīja, ka visiem trim DM modeļiem ir augstāka precizitāte, salīdzinot ar tradicionālo Cameriere formulu.MAE un RMSE Shen pētījumā bija zemāki nekā DM modelī šajā pētījumā.Stepanovska et al. pētījumu paaugstinātā precizitāte.35 un Shen et al.23 var būt saistīts ar jaunāku priekšmetu iekļaušanu viņu studiju paraugos.Tā kā vecuma aprēķini dalībniekiem, kuriem attīstās zobi, kļūst precīzāki, jo zobu attīstības laikā palielinās zobu skaits, iegūtās vecuma noteikšanas metodes precizitāte var tikt apdraudēta, kad pētījuma dalībnieki ir jaunāki.Turklāt MLP kļūda vecuma novērtējumā ir nedaudz mazāka nekā SLP, kas nozīmē, ka MLP ir precīzāka nekā SLP.MLP tiek uzskatīts par nedaudz labāku vecuma noteikšanai, iespējams, MLP38 slēpto slāņu dēļ.Tomēr ir izņēmums sieviešu ārējai izlasei (SLP 1.45, MLP 1.49).Konstatējums, ka MLP ir precīzāks par SLP, novērtējot vecumu, prasa papildu retrospektīvus pētījumus.
Tika salīdzināta arī DM modeļa un tradicionālās metodes klasifikācijas veiktspēja pie 18 gadu sliekšņa.Visi pārbaudītie SD modeļi un tradicionālās metodes iekšējā testu komplektā uzrādīja praktiski pieņemamu diskriminācijas līmeni 18 gadus vecam paraugam.Sensitivitāte vīriešiem un sievietēm bija attiecīgi lielāka par 87,7% un 94,9%, un specifiskums bija lielāks par 89,3% un 84,7%.Arī visu pārbaudīto modeļu AUROC pārsniedz 0,925.Cik mums ir zināms, nevienā pētījumā nav pārbaudīta DM modeļa veiktspēja 18 gadu klasifikācijai, pamatojoties uz zobu briedumu.Šī pētījuma rezultātus varam salīdzināt ar dziļās mācīšanās modeļu klasifikācijas veiktspēju panorāmas rentgenogrammās.Guo et al.15 aprēķināja uz CNN balstīta dziļās mācīšanās modeļa un manuālās metodes, kuras pamatā ir Demirjian metode, klasifikācijas veiktspēju noteiktam vecuma slieksnim.Manuālās metodes jutīgums un specifiskums bija attiecīgi 87,7% un 95,5%, un CNN modeļa jutīgums un specifiskums pārsniedza attiecīgi 89,2% un 86,6%.Viņi secināja, ka dziļās mācīšanās modeļi var aizstāt vai pārspēt manuālo novērtēšanu vecuma sliekšņu klasifikācijā.Šī pētījuma rezultāti parādīja līdzīgu klasifikācijas veiktspēju;Tiek uzskatīts, ka klasifikācija, izmantojot DM modeļus, var aizstāt tradicionālās statistikas metodes vecuma noteikšanai.Starp modeļiem DM LR bija labākais modelis jutīguma ziņā vīriešu paraugam un jutīguma un specifiskuma ziņā sieviešu paraugam.LR ierindojas otrajā vietā pēc specifikas vīriešiem.Turklāt LR tiek uzskatīts par vienu no lietotājam draudzīgākajiem DM35 modeļiem, un tas ir mazāk sarežģīts un grūti apstrādājams.Pamatojoties uz šiem rezultātiem, LR tika uzskatīts par labāko nogriešanas klasifikācijas modeli 18 gadus veciem jauniešiem Korejas populācijā.
Kopumā vecuma novērtējuma vai klasifikācijas veiktspējas precizitāte ārējā testu komplektā bija slikta vai zemāka, salīdzinot ar rezultātiem iekšējā testa komplektā.Dažos ziņojumos norādīts, ka klasifikācijas precizitāte vai efektivitāte samazinās, ja Japānas iedzīvotājiem tiek piemēroti vecuma aprēķini, kuru pamatā ir Korejas populācija5, 39, un līdzīgs modelis tika konstatēts arī šajā pētījumā.Šī pasliktināšanās tendence tika novērota arī DM modelī.Tāpēc, lai precīzi novērtētu vecumu, pat ja analīzes procesā izmanto DM, priekšroka jādod metodēm, kas iegūtas no vietējiem populācijas datiem, piemēram, tradicionālām metodēm5, 39, 40, 41, 42.Tā kā nav skaidrs, vai dziļās mācīšanās modeļi var parādīt līdzīgas tendences, ir nepieciešami pētījumi, kuros tiek salīdzināta klasifikācijas precizitāte un efektivitāte, izmantojot tradicionālās metodes, DM modeļus un dziļās mācīšanās modeļus, lai apstiprinātu, vai mākslīgais intelekts var pārvarēt šīs rasu atšķirības ierobežotā vecumā.novērtējumiem.
Mēs parādām, ka tradicionālās metodes var aizstāt ar vecuma novērtēšanu, kuras pamatā ir DM modelis kriminālistikas vecuma noteikšanas praksē Korejā.Mēs arī atklājām iespēju ieviest mašīnmācīšanos kriminālistikas vecuma noteikšanai.Tomēr ir skaidri ierobežojumi, piemēram, nepietiekams dalībnieku skaits šajā pētījumā, lai galīgi noteiktu rezultātus, un iepriekšējo pētījumu trūkums, lai salīdzinātu un apstiprinātu šī pētījuma rezultātus.Nākotnē DM pētījumi būtu jāveic ar lielāku paraugu skaitu un daudzveidīgākām populācijām, lai uzlabotu to praktisko pielietojamību salīdzinājumā ar tradicionālajām metodēm.Lai apstiprinātu mākslīgā intelekta izmantošanas iespējamību, lai novērtētu vecumu vairākās populācijās, ir nepieciešami turpmāki pētījumi, lai salīdzinātu DM un dziļās mācīšanās modeļu klasifikācijas precizitāti un efektivitāti ar tradicionālajām metodēm tajos pašos paraugos.
Pētījumā tika izmantotas 2657 ortogrāfiskas fotogrāfijas, kas savāktas no korejiešu un japāņu pieaugušajiem vecumā no 15 līdz 23 gadiem.Korejas rentgenogrammas tika sadalītas 900 treniņu komplektos (19,42 ± 2,65 gadi) un 900 iekšējo testu komplektos (19,52 ± 2,59 gadi).Apmācības komplekts tika savākts vienā iestādē (Seulas Sv. Marijas slimnīcā), savukārt pašu testu komplekts tika savākts divās iestādēs (Seulas Nacionālajā universitātes zobārstniecības slimnīcā un Jonsejas universitātes zobārstniecības slimnīcā).Ārējai pārbaudei mēs savācām arī 857 rentgenogrammas no citiem populācijas datiem (Ivatas Medicīnas universitāte, Japāna).Japāņu subjektu (19,31 ± 2,60 gadi) rentgenogrāfijas tika izvēlētas kā ārējās pārbaudes komplekts.Dati tika vākti retrospektīvi, lai analizētu zobu attīstības stadijas panorāmas rentgenogrammās, kas uzņemtas zobu ārstēšanas laikā.Visi savāktie dati bija anonīmi, izņemot dzimumu, dzimšanas datumu un rentgenogrāfijas datumu.Iekļaušanas un izslēgšanas kritēriji bija tādi paši kā iepriekš publicētajos pētījumos 4 , 5 .Parauga faktiskais vecums tika aprēķināts, no rentgenogrāfijas uzņemšanas datuma atņemot dzimšanas datumu.Izlases grupa tika sadalīta deviņās vecuma grupās.Vecuma un dzimuma sadalījums ir parādīts 3. tabulā. Šis pētījums tika veikts saskaņā ar Helsinku deklarāciju, un to apstiprināja Korejas Katoļu universitātes Seulas Svētās Marijas slimnīcas Institucionālā pārskata padome (IRB) (KC22WISI0328).Šī pētījuma retrospektīvā dizaina dēļ informētu piekrišanu nevarēja iegūt no visiem pacientiem, kuriem terapeitiskos nolūkos tika veikta radiogrāfiska izmeklēšana.Seulas Korejas Universitātes Svētās Marijas slimnīca (IRB) atteicās no prasības par informētu piekrišanu.
Bimaxillary otrā un trešā molāra attīstības stadijas tika novērtētas pēc Demircan kritērijiem25.Tika izvēlēts tikai viens zobs, ja viena veida zobs tika atrasts katra žokļa kreisajā un labajā pusē.Ja homologi zobi abās pusēs bija dažādās attīstības stadijās, zobs ar zemāku attīstības stadiju tika izvēlēts, lai ņemtu vērā aplēstā vecuma nenoteiktību.Simts nejauši izvēlētu rentgenogrammu no apmācības komplekta novērtēja divi pieredzējuši novērotāji, lai pārbaudītu starpnovērošanas uzticamību pēc iepriekšējas kalibrēšanas, lai noteiktu zobu brieduma stadiju.Primārais novērotājs divreiz ar trīs mēnešu intervālu novērtēja intraobservera uzticamību.
Katra žokļa otrā un trešā molāra dzimumu un attīstības stadiju apmācību komplektā novērtēja primārais novērotājs, kurš bija apmācīts ar dažādiem DM modeļiem, un faktiskais vecums tika noteikts kā mērķa vērtība.SLP un MLP modeļi, ko plaši izmanto mašīnmācībā, tika pārbaudīti pret regresijas algoritmiem.DM modelis apvieno lineārās funkcijas, izmantojot četru zobu attīstības stadijas, un apvieno šos datus, lai novērtētu vecumu.SLP ir vienkāršākais neironu tīkls un nesatur slēptos slāņus.SLP darbojas, pamatojoties uz sliekšņa pārraidi starp mezgliem.SLP modelis regresijā ir matemātiski līdzīgs daudzkārtējai lineārajai regresijai.Atšķirībā no SLP modeļa, MLP modelim ir vairāki slēpti slāņi ar nelineārām aktivizācijas funkcijām.Mūsu eksperimentos tika izmantots slēpts slānis ar tikai 20 slēptiem mezgliem ar nelineārām aktivizācijas funkcijām.Izmantojiet gradienta nolaišanos kā optimizācijas metodi un MAE un RMSE kā zaudēšanas funkciju, lai apmācītu mūsu mašīnmācīšanās modeli.Vislabāk iegūtais regresijas modelis tika piemērots iekšējai un ārējai testu komplektiem un tika novērtēts zobu vecums.
Tika izstrādāts klasifikācijas algoritms, kas izmanto apmācības komplektā esošo četru zobu briedumu, lai prognozētu, vai paraugs ir 18 gadus vecs.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. .LR ir viens no visplašāk izmantotajiem klasifikācijas algoritmiem44.Tas ir uzraudzīts mācīšanās algoritms, kas izmanto regresiju, lai prognozētu varbūtību, ka dati pieder noteiktai kategorijai no 0 līdz 1, un klasificē datus kā piederīgus visticamākai kategorijai, pamatojoties uz šo varbūtību;galvenokārt izmanto binārajai klasifikācijai.KNN ir viens no vienkāršākajiem mašīnmācīšanās algoritmiem45.Kad tiek doti jauni ievades dati, tas atrod k datus tuvu esošajai kopai un pēc tam klasificē tos klasē ar visaugstāko biežumu.Mēs iestatījām 3 aplūkoto kaimiņu skaitam (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 nobīdi = 1, jauda = 1 un gamma = 1 kā polinoma kodola hiperparametrus.DT ir izmantots dažādās jomās kā algoritms visas datu kopas sadalīšanai vairākās apakšgrupās, attēlojot lēmuma noteikumus koka struktūrā47.Modelis ir konfigurēts ar minimālo ierakstu skaitu vienā mezglā — 2, un kā kvalitātes mērauklu izmanto Džini indeksu.RF ir ansambļa metode, kas apvieno vairākus DT, lai uzlabotu veiktspēju, izmantojot sāknēšanas agregācijas metodi, kas katram paraugam ģenerē vāju klasifikatoru, vairākas reizes nejauši izvelkot tāda paša izmēra paraugus no sākotnējās datu kopas48.Kā mezglu atdalīšanas kritēriji mēs izmantojām 100 kokus, 10 koku dziļumus, 1 minimālo mezgla izmēru un Džini piejaukuma indeksu.Jauno datu klasifikāciju nosaka ar balsu vairākumu.XGBoost ir algoritms, kas apvieno pastiprināšanas paņēmienus, izmantojot metodi, kas kā apmācības datus izmanto kļūdu starp iepriekšējā modeļa faktiskajām un prognozētajām vērtībām un palielina kļūdu, izmantojot gradientus49.Tas ir plaši izmantots algoritms, pateicoties tā labajai veiktspējai un resursu efektivitātei, kā arī augstajai uzticamībai kā pārmērīgas korekcijas funkcijai.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 ievades un izvades slāni38.Izmantojot to, varat veikt nelineāru klasifikāciju, kur, pievienojot ievades slāni un iegūstot rezultāta vērtību, prognozētā rezultāta vērtība tiek salīdzināta ar faktisko rezultāta vērtību un kļūda tiek izplatīta atpakaļ.Mēs izveidojām slēptu slāni ar 20 slēptiem neironiem katrā slānī.Katrs mūsu izstrādātais modelis tika piemērots iekšējām un ārējām kopām, lai pārbaudītu klasifikācijas veiktspēju, aprēķinot jutīgumu, specifiskumu, PPV, NPV un AUROC.Jutīgums ir definēts kā attiecība starp paraugu, kas ir 18 gadus vecs vai vecāks, un paraugu, kas ir 18 gadus vecs vai vecāks.Specifiskums ir to paraugu proporcija, kas jaunāki par 18 gadiem, un to paraugu īpatsvars, kas ir jaunāki par 18 gadiem.
Apmācības komplektā novērtētie zobārstniecības posmi statistiskai analīzei tika pārveidoti par skaitliskiem posmiem.Tika veikta daudzfaktoru lineārā un loģistiskā regresija, lai izstrādātu paredzamos modeļus katram dzimumam un iegūtu regresijas formulas, ko var izmantot vecuma noteikšanai.Mēs izmantojām šīs formulas, lai novērtētu zobu vecumu gan iekšējiem, gan ārējiem testu komplektiem.4. tabulā parādīti šajā pētījumā izmantotie regresijas un klasifikācijas modeļi.
Iekšējā un starpnovērotāja uzticamība tika aprēķināta, izmantojot Koena kappa statistiku.Lai pārbaudītu DM un tradicionālo regresijas modeļu precizitāti, mēs aprēķinājām MAE un RMSE, izmantojot aptuveno un faktisko iekšējo un ārējo testu kopu vecumu.Šīs kļūdas parasti izmanto, lai novērtētu modeļa prognožu precizitāti.Jo mazāka kļūda, jo lielāka ir prognozes precizitāte24.Salīdziniet iekšējo un ārējo testu kopu MAE un RMSE, kas aprēķinātas, izmantojot DM un tradicionālo regresiju.Klasifikācijas veiktspēja 18 gadu griezumā tradicionālajā statistikā tika novērtēta, izmantojot 2 × 2 nejaušības tabulu.Testa komplekta aprēķinātā jutība, specifiskums, PPV, NPV un AUROC tika salīdzināti ar DM klasifikācijas modeļa izmērītajām vērtībām.Dati tiek izteikti kā vidējā ± standartnovirze vai skaitlis (%) atkarībā no datu īpašībām.Divpusējās 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 programmā Python, izmantojot Keras50 2.2.4 backend un Tensorflow51 1.8.0 īpaši matemātiskām darbībām.DM klasifikācijas modelis tika ieviests Waikato zināšanu analīzes vidē un Konstanz Information Miner (KNIME) 4.6.152 analīzes platformā.
Autori atzīst, ka dati, kas pamato pētījuma secinājumus, ir atrodami rakstā un papildu materiālos.Pētījuma laikā ģenerētās un/vai analizētās datu kopas pēc pamatota pieprasījuma ir pieejamas no attiecīgā autora.
Ritz-Timme, S. et al.Vecuma novērtējums: jaunākais līmenis, lai atbilstu īpašajām tiesu medicīnas prakses prasībām.internacionalitāte.J. Juridiskā medicīna.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Pašreizējais statuss tiesu medicīnas vecuma noteikšanai dzīviem subjektiem kriminālvajāšanas nolūkos.Kriminālistika.medicīna.Patoloģija.1, 239–246 (2005).
Pan, J. et al.Modificēta metode zobārstniecības vecuma noteikšanai bērniem vecumā no 5 līdz 16 gadiem Ķīnas austrumos.klīniski.Mutiska aptauja.25, 3463–3474 (2021).
Lee, SS uc Korejiešu otrā un trešā dzerokļa attīstības hronoloģija un tās pielietojums tiesu medicīnas vecuma noteikšanai.internacionalitāte.J. Juridiskā medicīna.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY un Lee, SS Vecuma novērtējuma precizitāte un 18 gadu sliekšņa aprēķins, pamatojoties uz otrā un trešā dzerokļa briedumu korejiešiem un japāņiem.PLoS ONE 17, e0271247 (2022).
Kim, JY u.c.Pirmsoperācijas mašīnmācības datu analīze var paredzēt miega operācijas ārstēšanas rezultātus pacientiem ar OSA.zinātne.Ziņojums 11, 14911 (2021).
Han, M. et al.Precīzs vecuma novērtējums no mašīnmācības ar vai bez cilvēka iejaukšanās?internacionalitāte.J. Juridiskā medicīna.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 kognitīvais algoritms asociācijas noteikumu ieguvei.J.Informācija.zinātne.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. un Abdullah U. Karm: Tradicionālā datu ieguve, kuras pamatā ir konteksta asociācijas noteikumi.aprēķināt.Matt.Turpināt.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. un Habib M. Dziļās mācīšanās balstīta semantiskās 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 aktivitāšu atpazīšanai sporta videoklipos.multivide.Rīki Lietojumprogrammas https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA mašīnmācīšanās izaicinājums bērnu kaulu vecumā.Radiology 290, 498–503 (2019).
Li, Y. et al.Kriminālistikas vecuma novērtējums no iegurņa rentgena stariem, izmantojot dziļo mācīšanos.EIRO.starojums.29, 2322–2329 (2019).
Guo, YC u.c.Precīza vecuma klasifikācija, izmantojot manuālas metodes un dziļus konvolucionālos neironu tīklus no ortogrāfiskās projekcijas attēliem.internacionalitāte.J. Juridiskā medicīna.135, 1589–1597 (2021).
Alabama Dalora et al.Kaulu vecuma noteikšana, izmantojot dažādas mašīnmācīšanās metodes: sistemātisks literatūras apskats un metaanalīze.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. un Yang, J. Afroamerikāņu un ķīniešu populācijas specifiskā vecuma novērtējums, pamatojoties uz pirmo molāru celulozes kameras tilpumiem, izmantojot konusa staru datortomogrāfiju.internacionalitāte.J. Juridiskā medicīna.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK un Oh KS Dzīvo cilvēku vecuma grupu noteikšana, izmantojot uz mākslīgo intelektu balstītus pirmo molāru attēlus.zinātne.Ziņojums 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. un Urschler, M. Automātiska vecuma novērtēšana un vairākuma vecuma klasifikācija no daudzfaktoru MRI datiem.IEEE J. Biomed.Brīdinājumi par veselību.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. un Li, G. Vecuma novērtējums, kas balstīts uz 3D pulpas kameru pirmo molāru segmentāciju no konusa staru datortomogrāfijas, integrējot dziļās mācīšanās un līmeņu komplektus.internacionalitāte.J. Juridiskā medicīna.135, 365–373 (2021).
Wu, WT u.c.Datu ieguve klīniskajos lielos datos: izplatītas 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 zāles.13, 57–69 (2020).
Shen, S. et al.Kamerera metode zobu vecuma noteikšanai, izmantojot mašīnmācīšanos.BMC Mutes veselība 21, 641 (2021).
Galliburg A. et al.Dažādu mašīnmācīšanās metožu salīdzinājums zobu vecuma prognozēšanai, izmantojot Demirdjian inscenēšanas metodi.internacionalitāte.J. Juridiskā medicīna.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. un Tanner, JM. Jauna sistēma zobu vecuma novērtēšanai.šņāc.bioloģija.45, 211–227 (1973).
Landis, JR un Koch, GG Novērotāju vienošanās pasākumi par kategoriskiem datiem.Biometrics 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).
Izlikšanas laiks: Jan-04-2024