Paldies, ka apmeklējāt vietni Nature.com. Jūsu izmantotajai pārlūkprogrammas versijai ir ierobežots CSS atbalsts. Lai iegūtu labākos rezultātus, iesakām izmantot jaunāku pārlūkprogrammas versiju (vai izslēgt saderības režīmu pārlūkprogrammā Internet Explorer). Tikmēr, lai nodrošinātu nepārtrauktu atbalstu, mēs rādām vietni bez stila vai JavaScript.
Zobi tiek uzskatīti par precīzāko cilvēka ķermeņa vecuma rādītāju, un tos bieži izmanto tiesu medicīnas vecuma noteikšanā. Mūsu mērķis bija validēt uz datu ieguvi balstītus zobu vecuma aprēķinus, salīdzinot 18 gadu sliekšņa novērtēšanas precizitāti un 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. Tās tika sadalītas apmācības kopā, katrā no kurām bija 900 Korejas rentgenogrammas, un iekšējā testa kopā, kas saturēja 857 Japānas rentgenogrammas. Mēs salīdzinājām tradicionālo metožu klasifikācijas precizitāti un efektivitāti ar datu ieguves modeļu testa kopām. Tradicionālās metodes precizitāte iekšējā testa kopā ir nedaudz augstāka nekā datu ieguves modelim, un atšķirība ir neliela (vidējā absolūtā kļūda <0,21 gads, vidējā kvadrātiskā kļūda <0,24 gadi). Klasifikācijas veiktspēja 18 gadu robežai ir līdzīga arī starp tradicionālajām metodēm un datu ieguves modeļiem. Tādējādi, veicot tiesu medicīnas vecuma novērtējumu, izmantojot otrā un trešā molāra briedumu Korejas pusaudžiem un jauniešiem, tradicionālās metodes var aizstāt ar datu ieguves modeļiem.
Zobu vecuma noteikšana tiek plaši izmantota tiesu medicīnā un bērnu zobārstniecībā. Jo īpaši, ņemot vērā augsto korelāciju starp hronoloģisko vecumu un zobu attīstību, vecuma noteikšana pēc zobu attīstības stadijām ir svarīgs kritērijs bērnu un pusaudžu vecuma noteikšanai1,2,3. Tomēr jauniešiem zobu vecuma noteikšanai, pamatojoties uz zobu briedumu, ir savi 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. Korejas pusaudžu un jauniešu medicīniskajā juridiskajā praksē vecums tika noteikts, izmantojot Lī metodi, un, pamatojoties uz Oh et al. ziņotajiem datiem, tika prognozēts juridiskais 18 gadu slieksnis.
Mašīnmācīšanās ir mākslīgā intelekta (MI) veids, kas atkārtoti apgūst un klasificē lielu datu apjomu, pats risina problēmas un vada datu programmēšanu. Mašīnmācīšanās var atklāt noderīgus slēptus modeļus lielos datu apjomos6. Turpretī klasiskajām metodēm, kas ir darbietilpīgas un laikietilpīgas, var būt ierobežojumi, strādājot ar lieliem sarežģītu datu apjomiem, kurus ir grūti apstrādāt manuāli7. Tāpēc nesen ir veikti daudzi pētījumi, izmantojot jaunākās datortehnoloģijas, lai samazinātu cilvēciskās kļūdas un efektīvi apstrādātu daudzdimensionālus 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, kas balstīts uz konvolucionālajiem neironu tīkliem (CNN), lai novērtētu skeleta vecumu, izmantojot bērnu roku rentgenogrammas. Šajā pētījumā tiek piedāvāts modelis, kas piemēro mašīnmācīšanos medicīniskajiem attēliem, un parādīts, ka šīs metodes var uzlabot diagnostikas precizitāti. Li et al.14 novērtēja vecumu no iegurņa rentgena attēliem, izmantojot dziļās mācīšanās CNN, un salīdzināja tos ar regresijas rezultātiem, izmantojot osifikācijas stadijas novērtējumu. Viņi atklāja, ka dziļās mācīšanās CNN modelis uzrādīja tādu pašu vecuma novērtēšanas 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 pārspēja tā vecuma klasifikācijas veiktspēju.
Lielākajā daļā pētījumu par vecuma noteikšanu, izmantojot mašīnmācīšanos, tiek izmantotas dziļās mācīšanās metodes13,14,15,16,17,18,19,20. Tiek ziņots, ka vecuma noteikšana, pamatojoties uz dziļo mācīšanos, ir precīzāka nekā tradicionālās metodes. Tomēr šī pieeja sniedz maz iespēju sniegt vecuma aprēķinu zinātnisko pamatojumu, piemēram, aprēķinos izmantotos vecuma rādītājus. Pastāv arī juridisks strīds par to, kas veic pārbaudes. Tāpēc administratīvajām un tiesu iestādēm ir grūti pieņemt vecuma noteikšanu, pamatojoties uz dziļo mācīšanos. Datu ieguve (DM) ir metode, kas var atklāt ne tikai gaidīto, bet arī negaidīto informāciju kā metodi noderīgu korelāciju atklāšanai starp lieliem datu apjomiem6,21,22. Mašīnmācīšanās bieži tiek izmantota datu ieguvē, un gan datu ieguve, gan mašīnmācīšanās izmanto tos pašus galvenos algoritmus, lai atklātu modeļus datos. Vecuma noteikšana, izmantojot zobu attīstību, balstās uz izmeklētāja novērtējumu par mērķa zobu briedumu, un šis novērtējums tiek izteikts kā katra mērķa zoba posms. DM var izmantot, lai analizētu korelāciju starp zobu novērtēšanas posmu un faktisko vecumu, un tai ir potenciāls aizstāt tradicionālo statistisko analīzi. Tādēļ, ja vecuma noteikšanai izmantojam DM metodes, varam ieviest mašīnmācīšanos tiesu medicīnas vecuma noteikšanā, 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. Šens un līdzautori23 parādīja, ka DM modelis ir precīzāks nekā tradicionālā Kamerera formula. Galibūrs un līdzautori24 izmantoja dažādas DM metodes, lai prognozētu vecumu saskaņā ar Demirdžiana kritēriju25, un rezultāti parādīja, ka DM metode pārspēja Demirdžiana un Vilemsa metodes Francijas iedzīvotāju vecuma novērtēšanā.
Lai novērtētu Korejas pusaudžu un jaunu pieaugušo zobu vecumu, Korejas tiesu medicīnas praksē plaši tiek izmantota Lī metode4. Šī metode izmanto tradicionālo statistisko analīzi (piemēram, daudzkārtēju regresiju), lai pārbaudītu saistību starp Korejas subjektiem un hronoloģisko vecumu. Šajā pētījumā vecuma noteikšanas metodes, kas iegūtas, izmantojot tradicionālās statistikas metodes, tiek definētas kā “tradicionālās metodes”. Lī metode ir tradicionāla metode, un tās precizitāti ir apstiprinājuši Oh et al.5; tomēr vecuma noteikšanas, kas balstīta uz DM modeli, piemērojamība Korejas tiesu medicīnas praksē joprojām ir apšaubāma. Mūsu mērķis bija zinātniski apstiprināt vecuma noteikšanas, kas balstīta uz DM modeli, potenciālo lietderību. Šī pētījuma mērķis bija (1) salīdzināt divu DM modeļu precizitāti zobu vecuma noteikšanā un (2) salīdzināt 7 DM modeļu klasifikācijas veiktspēju 18 gadu vecumā ar tiem, kas iegūti, izmantojot tradicionālās statistikas metodes. Otrā un trešā molāra briedums abos žokļos.
Hronoloģiskā vecuma vidējie rādītāji un standartnovirzes pēc stadijas un zobu tipa ir parādītas tiešsaistē S1. papildtabulā (apmācības kopa), S2. papildtabulā (iekšējo testu kopa) un S3. papildtabulā (ārējo testu kopa). No apmācības kopas iegūtās novērotāja iekšējās un starpnovērotāja ticamības kappa vērtības bija attiecīgi 0,951 un 0,947. Kappa vērtību p vērtības un 95 % ticamības intervāli ir parādīti tiešsaistes S4. papildtabulā. Kappa vērtība tika interpretēta kā “gandrīz ideāla”, kas atbilst Landisa un Koha kritērijiem26.
Salīdzinot vidējo absolūto kļūdu (MAE), tradicionālā metode nedaudz pārspēj DM modeli visiem dzimumiem un ārējā vīriešu testa kopā, izņemot daudzslāņu perceptronu (MLP). Atšķirība starp tradicionālo modeli un DM modeli iekšējā MAE testa kopā bija 0,12–0,19 gadi vīriešiem un 0,17–0,21 gads sievietēm. Ārējā testa komplektā atšķirības ir mazākas (0,001–0,05 gadi vīriešiem un 0,05–0,09 gadi sievietēm). Turklāt vidējā kvadrātiskā kļūda (RMSE) ir nedaudz zemāka nekā tradicionālajai metodei, ar mazākām atšķirībām (0,17–0,24, 0,2–0,24 vīriešu iekšējai testa kopai un 0,03–0,07, 0,04–0,08 ārējai testa kopai). MLP uzrāda nedaudz labāku sniegumu nekā vienslāņa perceptrons (SLP), izņemot sieviešu ārējās testa kopas gadījumā. MAE un RMSE gadījumā ārējā testa kopa iegūst augstākus rezultātus nekā iekšējā testa kopa visiem dzimumiem un modeļiem. Visi MAE un RMSE ir parādīti 1. tabulā un 1. attēlā.
Tradicionālo un datu ieguves regresijas modeļu vidējā absolūtā kļūda (MAE) un vidējā kvadrātiskā kļūda (RMSE). Vidējā absolūtā kļūda (MAE), vidējā kvadrātiskā kļūda (RMSE), vienslāņu perceptrona SLP, daudzslāņu perceptrona MLP, tradicionālā CM metode.
Tradicionālo un DM modeļu klasifikācijas veiktspēja (ar 18 gadu robežvērtību) tika parādīta jutīguma, specifiskuma, pozitīvās paredzamās vērtības (PPV), negatīvās paredzamās vērtības (NPV) un laukuma zem uztvērēja darbības raksturlīknes (AUROC) 27 izteiksmē (2. tabula, 2. attēls un 1. papildattēls tiešsaistē). Runājot par iekšējās testu kopas 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 testu kopas specifiskumu tika novērots, ka četri SD modeļi labi darbojās vīriešiem, savukārt tradicionālais modelis labāk darbojās 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 jutību. Starp DM modeļiem vīriešu vidū vislabāk darbojās atbalsta vektoru mašīnas (SVM), lēmumu koka (DT) un nejaušā meža (RF) modeļi, savukārt sieviešu vidū vislabāk darbojās LR modelis. 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. Ārējai testa kopai klasifikācijas veiktspēja samazinājās jutīguma, specifiskuma un AUROC ziņā, salīdzinot ar iekšējo testa kopu. Turklāt jutības un specifiskuma atšķirība starp labāko un sliktāko modeļu klasifikācijas veiktspēju svārstījās no 10% līdz 25% un bija lielāka nekā atšķirība iekšējā testa kopā.
Datu ieguves klasifikācijas modeļu jutīgums un specifiskums, salīdzinot ar tradicionālajām metodēm ar 18 gadu robežvērtību. KNN k tuvākais kaimiņš, SVM atbalsta vektoru mašīna, LR loģistiskā regresija, DT lēmumu koks, RF nejaušais mežs, XGB XGBoost, MLP daudzslāņu perceptrons, tradicionālā CM metode.
Pirmais solis šajā pētījumā bija salīdzināt zobu vecuma novērtējumu precizitāti, kas iegūta no septiņiem DM modeļiem, ar tiem, kas iegūti, izmantojot tradicionālo regresiju. MAE un RMSE tika novērtēti iekšējos testu komplektos abiem dzimumiem, un atšķirība starp tradicionālo metodi un DM modeli svārstījās no 44 līdz 77 dienām MAE gadījumā un no 62 līdz 88 dienām RMSE gadījumā. Lai gan tradicionālā metode šajā pētījumā 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 tradicionālajai metodei. 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 tehniku tajā pašā vecuma diapazonā kā šajā pētījumā. Galibourg et al24 salīdzināja MAE un RMSE starp divām tradicionālām metodēm (Demirjian metodi25 un Willems metodi29) 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, salīdzinot ar Vilemsa un Demirdžiana metodēm. Haliburgas pētījumā parādītā neatbilstība starp SD modeli un tradicionālajām metodēm ņem vērā daudzus ziņojumus30,31,32,33, ka Demirdžiana metode precīzi nenovērtē zobu vecumu citās populācijās, izņemot franču kanādiešus, uz kuriem balstījās pētījums. Šajā pētījumā Tai et al.34 izmantoja MLP algoritmu, lai prognozētu zobu vecumu no 1636 ķīniešu ortodontiskajām fotogrāfijām, un salīdzināja tā precizitāti ar Demirdžiana un Vilemsa metodes rezultātiem. Viņi ziņoja, ka MLP ir augstāka precizitāte nekā tradicionālajām metodēm. Atšķirība starp Demirdžiana metodi un tradicionālo metodi ir <0,32 gadi, un Vilemsa metode ir 0,28 gadi, kas ir līdzīgi šī pētījuma rezultātiem. Šo iepriekšējo pētījumu rezultāti24,34 arī atbilst pašreizējā pētījuma rezultātiem, un DM modeļa un tradicionālās metodes vecuma novērtēšanas precizitāte ir līdzīga. Tomēr, pamatojoties uz iesniegtajiem rezultātiem, mēs varam tikai piesardzīgi secināt, ka DM modeļu izmantošana vecuma novērtēšanai varētu aizstāt esošās metodes salīdzinošu un atsauces iepriekšējo pētījumu trūkuma dēļ. Lai apstiprinātu šajā pētījumā iegūtos rezultātus, ir nepieciešami papildu pētījumi, izmantojot lielākus izlases lielumus.
Starp pētījumiem, kuros tika pārbaudīta SD precizitāte zobu vecuma novērtēšanā, daži uzrādīja augstāku precizitāti nekā mūsu pētījums. Stepanovsky et al.35 pielietoja 22 SD modeļus 976 Čehijas iedzīvotāju vecumā no 2,7 līdz 20,5 gadiem panorāmas rentgenogrammām un pārbaudīja katra modeļa precizitāti. Viņi novērtēja kopumā 16 augšējo un apakšējo kreisās puses pastāvīgo zobu attīstību, izmantojot Moorrees et al.36 piedāvātos klasifikācijas kritērijus. 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 al.23 izmantoja Camerière 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 salīdzinājumā ar tradicionālo Camerière formulu. Šena pētījumā MAE un RMSE bija zemāki nekā šī pētījuma DM modelī. Stepanovska et al.35 un Šena et al.23 pētījumu paaugstinātā precizitāte var būt saistīta ar jaunāku subjektu iekļaušanu viņu pētījuma izlasēs. Tā kā vecuma aprēķini dalībniekiem ar augošiem zobiem kļūst precīzāki, palielinoties zobu skaitam zobu attīstības laikā, iegūtās vecuma noteikšanas metodes precizitāte var būt apdraudēta, ja pētījuma dalībnieki ir jaunāki. Turklāt MLP kļūda vecuma noteikšanā ir nedaudz mazāka nekā SLP, kas nozīmē, ka MLP ir precīzāka par SLP. MLP tiek uzskatīts par nedaudz labāku vecuma noteikšanai, iespējams, MLP38 slēpto slāņu dēļ. Tomēr pastāv izņēmums attiecībā uz sieviešu ārējo izlasi (SLP 1,45, MLP 1,49). Secinājums, ka MLP ir precīzāka par SLP vecuma novērtēšanā, prasa papildu retrospektīvus pētījumus.
Tika salīdzināta arī DM modeļa un tradicionālās metodes klasifikācijas veiktspēja 18 gadu slieksnī. Visi pārbaudītie SD modeļi un tradicionālās metodes iekšējā testa kopā uzrādīja praktiski pieņemamu diskriminācijas līmeni 18 gadus vecai izlasei. Jutība vīriešiem un sievietēm bija attiecīgi lielāka par 87,7% un 94,9%, un specifiskums bija lielāks par 89,3% un 84,7%. Visu pārbaudīto modeļu AUROC arī pārsniedz 0,925. Cik mums zināms, nevienā pētījumā nav pārbaudīta DM modeļa veiktspēja 18 gadu klasifikācijā, 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 manuālas metodes, kas balstīta uz Demirdžiana metodi, klasifikācijas veiktspēju noteiktam vecuma slieksnim. Manuālās metodes jutība 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 dziļās mācīšanās modeļi var aizstāt vai pārspēt manuālo novērtējumu vecuma sliekšņu klasificēšanā. Šī pētījuma rezultāti uzrādīja līdzīgu klasifikācijas veiktspēju; tiek uzskatīts, ka klasifikācija, izmantojot DM modeļus, var aizstāt tradicionālās statistiskās metodes vecuma novērtēšanai. Starp modeļiem DM LR bija labākais modelis jutības ziņā vīriešu izlasē un jutības un specifiskuma ziņā sieviešu izlasē. LR ieņem otro vietu specifiskuma ziņā vīriešiem. Turklāt LR tiek uzskatīts par vienu no lietotājam draudzīgākajiem DM35 modeļiem un ir mazāk sarežģīts un grūti apstrādājams. Pamatojoties uz šiem rezultātiem, LR tika uzskatīts par labāko robežklasifikācijas modeli 18 gadus veciem jauniešiem Korejas populācijā.
Kopumā vecuma novērtēšanas vai klasifikācijas veiktspējas precizitāte ārējā testa kopā bija slikta vai zemāka salīdzinājumā ar rezultātiem iekšējā testa kopā. Daži ziņojumi liecina, ka klasifikācijas precizitāte vai efektivitāte samazinās, ja vecuma aplēses, kas balstītas uz Korejas iedzīvotājiem, tiek piemērotas Japānas iedzīvotājiem5,39, 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 tiek izmantots DM, priekšroka jādod metodēm, kas iegūtas no vietējo iedzīvotāju datiem, piemēram, tradicionālajām metodēm5,39,40,41,42. Tā kā nav skaidrs, vai dziļās mācīšanās modeļi var parādīt līdzīgas tendences, ir nepieciešami pētījumi, kuros salīdzināta klasifikācijas precizitāte un efektivitāte, izmantojot tradicionālās metodes, DM modeļus un dziļās mācīšanās modeļus vienādās izlasēs, lai apstiprinātu, vai mākslīgais intelekts var pārvarēt šīs rasu atšķirības ierobežotos vecuma novērtējumos.
Mēs pierādām, ka Korejas tiesu medicīnas vecuma noteikšanas praksē tradicionālās metodes var aizstāt ar vecuma noteikšanu, kuras pamatā ir DM modelis. Mēs arī atklājām mašīnmācīšanās ieviešanas iespēju tiesu medicīnas vecuma novērtēšanai. Tomēr pastāv 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 jāveic ar lielāku izlašu skaitu un daudzveidīgākām populācijām, lai uzlabotu to praktisko pielietojamību salīdzinājumā ar tradicionālajām metodēm. Lai apstiprinātu mākslīgā intelekta izmantošanas iespējamību vecuma novērtēšanai vairākās populācijās, ir nepieciešami turpmāki pētījumi, lai salīdzinātu DM un dziļās mācīšanās modeļu klasifikācijas precizitāti un efektivitāti ar tradicionālajām metodēm tajos pašos izlasēs.
Pētījumā tika izmantotas 2657 ortogrāfiskas fotogrāfijas, kas savāktas no Korejas un Japānas pieaugušajiem vecumā no 15 līdz 23 gadiem. Korejas rentgenogrammas tika sadalītas 900 apmācības kopās (19,42 ± 2,65 gadi) un 900 iekšējās testa kopās (19,52 ± 2,59 gadi). Apmācības kopa tika savākta vienā iestādē (Seulas Sv. Marijas slimnīcā), bet pašu testa kopa tika savākta divās iestādēs (Seulas Nacionālās universitātes Stomatoloģijas slimnīcā un Jonsei universitātes Stomatoloģijas slimnīcā). Ārējai testēšanai mēs savācām arī 857 rentgenogrammas no citiem uz populāciju balstītiem datiem (Ivates Medicīnas universitāte, Japāna). Kā ārējā testa kopa tika izvēlētas japāņu subjektu (19,31 ± 2,60 gadi) rentgenogrammas. Dati tika apkopoti retrospektīvi, lai analizētu zobu attīstības stadijas panorāmas rentgenogrammās, kas uzņemtas zobu ārstēšanas laikā. Visi apkopotie dati bija anonīmi, izņemot dzimumu, dzimšanas datumu un rentgenogrammas datumu. Iekļaušanas un izslēgšanas kritēriji bija tādi paši kā iepriekš publicētajos pētījumos4, 5. Faktiskais izlases vecums tika aprēķināts, no rentgenuzņēmuma 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 apstiprināts Korejas Katoļu universitātes Seulas Sv. Marijas slimnīcas Institucionālās pārskata padomes (IRB) (KC22WISI0328). Šī pētījuma retrospektīvā dizaina dēļ informētu piekrišanu nevarēja iegūt no visiem pacientiem, kuriem tika veikta radiogrāfiska izmeklēšana terapeitiskos nolūkos. Seulas Korejas Universitātes Sv. Marijas slimnīca (IRB) atcēla prasību par informētu piekrišanu.
Bimaxillāro otro un trešo molāru attīstības stadijas tika novērtētas saskaņā ar Demirkana kritērijiem25. Tika izvēlēts tikai viens zobs, ja katra žokļa kreisajā un labajā pusē tika atrasts viena veida zobs. Ja abās pusēs homologi zobi bija dažādās attīstības stadijās, tika izvēlēts zobs ar zemāku attīstības stadiju, lai ņemtu vērā nenoteiktību aprēķinātajā vecumā. Divi pieredzējuši novērotāji novērtēja simts nejauši izvēlētus rentgenogrammas no apmācības kopas, lai pārbaudītu starpnovērotāju ticamību pēc iepriekšējas kalibrēšanas zobu brieduma pakāpes noteikšanai. Primārais novērotājs divreiz ar trīs mēnešu intervālu novērtēja iekšējās novērotāja ticamību.
Katra žokļa otrā un trešā molāra dzimumu un attīstības stadiju apmācības kopā novērtēja primārais novērotājs, kas apmācīts ar dažādiem DM modeļiem, un faktiskais vecums tika noteikts kā mērķa vērtība. SLP un MLP modeļi, kas tiek plaši izmantoti mašīnmācībā, tika pārbaudīti pret regresijas algoritmiem. DM modelis apvieno lineāras funkcijas, izmantojot četru zobu attīstības stadijas, un apvieno šos datus, lai novērtētu vecumu. SLP ir vienkāršākais neironu tīkls un nesatur slēptus slāņus. SLP darbojas, pamatojoties uz sliekšņa pārraidi starp mezgliem. SLP modelis regresijā ir matemātiski līdzīgs daudzkārtējai lineārai regresijai. Atšķirībā no SLP modeļa, MLP modelim ir vairāki slēpti slāņi ar nelineārām aktivācijas funkcijām. Mūsu eksperimentos tika izmantots slēpts slānis ar tikai 20 slēptiem mezgliem ar nelineārām aktivācijas funkcijām. Izmantojiet gradienta nolaišanos kā optimizācijas metodi un MAE un RMSE kā zaudējumu funkcijas, lai apmācītu mūsu mašīnmācīšanās modeli. Labākais iegūtais regresijas modelis tika piemērots iekšējiem un ārējiem testa komplektiem, un tika novērtēts zobu vecums.
Tika izstrādāts klasifikācijas algoritms, kas izmanto četru zobu briedumu apmācības kopā, lai prognozētu, vai izlasei ir 18 gadi vai nē. Lai izveidotu modeli, mēs atvasinājām septiņus reprezentācijas 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 mācību algoritms, kas izmanto regresiju, lai prognozētu datu piederības varbūtību noteiktai kategorijai no 0 līdz 1, un klasificē datus kā piederošus ticamākai kategorijai, pamatojoties uz šo varbūtību; galvenokārt tiek izmantots binārajai klasifikācijai. KNN ir viens no vienkāršākajiem mašīnmācīšanās algoritmiem45. Kad tiek doti jauni ievades dati, tas atrod k datus, kas ir tuvu esošajai kopai, un pēc tam klasificē tos klasē ar augstāko frekvenci. 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. Šajā modelī mēs izmantojam nobīdi = 1, jaudu = 1 un gamma = 1 kā polinoma kodola hiperparametrus. DT ir pielietots dažādās jomās kā algoritms visa datu kopas sadalīšanai vairākās apakšgrupās, attēlojot lēmumu noteikumus koka struktūrā47. Modelis ir konfigurēts ar minimālo ierakstu skaitu uz mezglu 2 un izmanto Džini indeksu kā kvalitātes mēru. RF ir ansambļa metode, kas apvieno vairākus DT, lai uzlabotu veiktspēju, izmantojot sāknēšanas apkopošanas metodi, kas ģenerē vāju klasifikatoru katram paraugam, nejauši vairākas reizes atlasot vienāda lieluma paraugus no sākotnējā datu kopuma48. Kā mezglu atdalīšanas kritērijus mēs izmantojām 100 kokus, 10 koku dziļumus, 1 minimālo mezgla lielumu un Džini piejaukuma indeksu. Jaunu datu klasifikāciju nosaka ar balsu vairākumu. XGBoost ir algoritms, kas apvieno palielināšanas metodes, izmantojot metodi, kas kā apmācības datus ņem kļūdu starp iepriekšējā modeļa faktiskajām un prognozētajām vērtībām un palielina kļūdu, izmantojot gradientus49. Tas ir plaši izmantots algoritms, pateicoties tā labai veiktspējai un resursu efektivitātei, kā arī augstajai uzticamībai kā pārpielāgošanas 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 ieejas un izejas slāņiem38. Izmantojot to, var veikt nelineāru klasifikāciju, kur, pievienojot ievades slāni un iegūstot rezultāta vērtību, paredzētā 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 pielietots iekšējām un ārējām kopām, lai pārbaudītu klasifikācijas veiktspēju, aprēķinot jutību, specifiskumu, PPV, NPV un AUROC. Jutība ir definēta kā parauga, kas tiek lēsts kā 18 gadus vecs vai vecāks, attiecība pret paraugu, kas tiek lēsts kā 18 gadus vecs vai vecāks. Specifiskums ir to paraugu īpatsvars, kas ir jaunāki par 18 gadiem, un to paraugu īpatsvars, kas tiek lēsts kā jaunāki par 18 gadiem.
Apmācības kopā novērtētās zobu stadijas statistiskai analīzei tika pārveidotas skaitliskās stadijās. Lai izstrādātu paredzošos modeļus katram dzimumam un iegūtu regresijas formulas, ko var izmantot vecuma novērtēšanai, tika veikta daudzfaktoru lineārā un loģistiskā regresija. Mēs izmantojām šīs formulas, lai novērtētu zobu vecumu gan iekšējām, gan ārējām testa kopām. 4. tabulā parādīti šajā pētījumā izmantotie regresijas un klasifikācijas modeļi.
Novērotāju iekšējā un starpnovērotāju ticamība tika aprēķināta, izmantojot Koena kappa statistiku. Lai pārbaudītu DM un tradicionālo regresijas modeļu precizitāti, mēs aprēķinājām MAE un RMSE, izmantojot iekšējo un ārējo testa kopu aprēķināto un faktisko vecumu. Šīs kļūdas parasti tiek izmantotas, lai novērtētu modeļa prognožu precizitāti. Jo mazāka kļūda, jo augstāka prognozes precizitāte24. Salīdziniet iekšējo un ārējo testa kopu MAE un RMSE, kas aprēķinātas, izmantojot DM un tradicionālo regresiju. 18 gadu robežvērtības klasifikācijas veiktspēja tradicionālajā statistikā tika novērtēta, izmantojot 2 × 2 kontingences tabulu. Aprēķinātā testa kopas jutība, specifiskums, PPV, NPV un AUROC tika salīdzināti ar DM klasifikācijas modeļa izmērītajām vērtībām. Dati ir izteikti kā vidējais ± standartnovirze vai skaitlis (%) atkarībā no datu raksturlielumiem. Divpusējas P vērtības <0,05 tika uzskatītas par statistiski nozīmīgām. Visas rutīnas statistiskās analīzes tika veiktas, izmantojot SAS 9.4. versiju (SAS institūts, Kerija, Ziemeļkarolīna). DM regresijas modelis tika ieviests Python valodā, izmantojot Keras50 2.2.4 aizmugures sistēmu un Tensorflow51 1.8.0 tieši matemātiskām operācijām. 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 ģenerētie un/vai analizētie datu kopumi ir pieejami no atbilstošā autora pēc saprātīga pieprasījuma.
Ritz-Timme, S. u.c. Vecuma novērtējums: jaunākās tehnoloģijas, lai atbilstu tiesu medicīnas prakses īpašajām prasībām. internacionalitāte. J. Legal medicine. 113, 129–136 (2000).
Šmēlings, A., Reisingers, V., Geseriks, G. un Olze, A. Dzīvu personu tiesu medicīnas vecuma noteikšanas pašreizējais statuss kriminālvajāšanas nolūkos. Tiesu medicīna. Patoloģija. 1, 239–246 (2005).
Pan, J. et al. Modificēta metode 5 līdz 16 gadus vecu bērnu zobu vecuma novērtēšanai Ķīnas austrumos. klīniskā. Mutes dobuma aptauja. 25, 3463–3474 (2021).
Lī, S. S. u.c. Otro un trešo molāru attīstības hronoloģija korejiešiem un tās pielietojums tiesu medicīnas vecuma noteikšanā. internacionalitāte. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY un Lee, SS. Vecuma noteikšanas precizitāte un 18 gadu sliekšņa noteikšana, pamatojoties uz otrā un trešā molāra briedumu korejiešiem un japāņiem. PLoS ONE 17, e0271247 (2022).
Kim, JY u.c. Preoperatīva mašīnmācīšanās datu analīze var paredzēt miega operācijas ārstēšanas iznākumu pacientiem ar obstruktīvu miega apnoju (OMA). The Science. Report 11, 14911 (2021).
Han, M. et al. Precīza vecuma noteikšana, izmantojot mašīnmācīšanos, ar cilvēka iejaukšanos vai bez tās? internacionalitāte. J. Legal medicine. 136, 821–831 (2022).
Khan, S. un Shaheen, M. No datu ieguves līdz datu ieguvei. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. un Shaheen, M. WisRule: Pirmais kognitīvais algoritms asociācijas noteikumu ieguvei. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Šahīns M. un Abdulla U. Karms: Tradicionālā datu ieguve, kuras pamatā ir uz kontekstu balstīti asociācijas noteikumi. Aprēķināt. Matt. Turpināt. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. un Habib M. Uz dziļo mācīšanos balstīta semantiskās līdzības noteikšana, izmantojot teksta datus. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. un Shahin, M. Sistēma aktivitātes atpazīšanai sporta video. Multivide. Rīku lietojumprogrammas https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA mašīnmācīšanās izaicinājums bērnu kaulu vecumā. Radioloģija 290, 498–503 (2019).
Li, Y. u.c. Tiesu medicīnas vecuma noteikšana no iegurņa rentgenuzņēmumiem, izmantojot dziļo mācīšanos. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC u.c. Precīza vecuma klasifikācija, izmantojot manuālas metodes un dziļos konvolucionālos neironu tīklus no ortogrāfiskās projekcijas attēliem. internacionalitāte. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora u.c. 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 populācijai specifisks vecuma novērtējums, pamatojoties uz pirmo molāru pulpas kameras tilpumiem, izmantojot konusa staru datortomogrāfiju. internacionalitāte. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK un Oh KS Dzīvu cilvēku vecuma grupu noteikšana, izmantojot uz mākslīgo intelektu balstītus pirmo molāru attēlus. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. un Urschler, M. Automātiska vecuma noteikšana un vairākuma vecuma klasifikācija no daudzfaktoru MRI datiem. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. un Li, G. Vecuma noteikšana, pamatojoties uz pirmo molāru 3D pulpas kameras segmentāciju no konusa staru datortomogrāfijas, integrējot dziļo mācīšanos un līmeņu kopas. internacionalitāte. J. Legal medicine. 135, 365–373 (2021).
Vu, WT u.c. Datu ieguve klīniskajos lielajos datos: izplatītas datubāzes, soļi un metožu modeļi. World. Medicine. Resource. 8, 44 (2021).
Yang, J. et al. Ievads medicīnas datubāzēs un datu ieguves tehnoloģijās lielo datu laikmetā. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. et al. Kamerera metode zobu vecuma noteikšanai, izmantojot mašīnmācīšanos. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Dažādu mašīnmācīšanās metožu salīdzinājums zobu vecuma prognozēšanai, izmantojot Demirdžiana stadijas noteikšanas metodi. internacionalitāte. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. un Tanner, JM. Jauna zobu vecuma novērtēšanas sistēma. snort. biology. 45, 211–227 (1973).
Landis, JR, un Koch, GG Novērotāju atbilstības mērījumi kategoriskos datos. Biometrics 33, 159–174 (1977).
Bhatačardžī S., Prakašs D., Kima K., Kima HK. un Čoi 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).
Publicēšanas laiks: 2024. gada 4. janvāris