Hvala vam što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu podršku za CSS. Za najbolje rezultate preporučujemo korištenje novije verzije preglednika (ili isključivanje načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazujemo stranicu bez stiliziranja ili JavaScripta.
Zubi se smatraju najtočnijim pokazateljem starosti ljudskog tijela i često se koriste u forenzičkoj procjeni dobi. Cilj nam je bio validirati procjene dobi zuba temeljene na rudarenju podataka usporedbom točnosti procjene i učinkovitosti klasifikacije praga od 18 godina s tradicionalnim metodama i procjenama dobi temeljenim na rudarenju podataka. Ukupno je prikupljeno 2657 panoramskih rendgenskih snimaka od korejskih i japanskih građana u dobi od 15 do 23 godine. Podijeljeni su u skup za učenje, od kojih svaki sadrži 900 korejskih rendgenskih snimaka, i interni skup za testiranje koji sadrži 857 japanskih rendgenskih snimaka. Usporedili smo točnost klasifikacije i učinkovitost tradicionalnih metoda s testnim skupovima modela rudarenja podataka. Točnost tradicionalne metode na internom skupu za testiranje nešto je veća od točnosti modela rudarenja podataka, a razlika je mala (srednja apsolutna pogreška <0,21 godina, srednja kvadratna pogreška <0,24 godine). Učinkovitost klasifikacije za granicu od 18 godina također je slična između tradicionalnih metoda i modela rudarenja podataka. Stoga se tradicionalne metode mogu zamijeniti modelima rudarenja podataka pri provođenju forenzičke procjene dobi korištenjem zrelosti drugih i trećih kutnjaka kod korejskih adolescenata i mladih odraslih osoba.
Procjena dentalne dobi široko se koristi u sudskoj medicini i dječjoj stomatologiji. Posebno zbog visoke korelacije između kronološke dobi i razvoja zuba, procjena dobi prema fazama razvoja zuba važan je kriterij za procjenu dobi djece i adolescenata1,2,3. Međutim, za mlade ljude, procjena dentalne dobi na temelju zrelosti zuba ima svoja ograničenja jer je rast zuba gotovo završen, s izuzetkom trećih kutnjaka. Pravna svrha određivanja dobi mladih ljudi i adolescenata je pružiti točne procjene i znanstvene dokaze o tome jesu li dostigli punoljetnost. U medicinsko-pravnoj praksi adolescenata i mladih odraslih osoba u Koreji, dob je procijenjena Leejevom metodom, a zakonski prag od 18 godina predviđen je na temelju podataka koje su izvijestili Oh i suradnici5.
Strojno učenje je vrsta umjetne inteligencije (UI) koja opetovano uči i klasificira velike količine podataka, samostalno rješava probleme i pokreće programiranje podataka. Strojno učenje može otkriti korisne skrivene obrasce u velikim količinama podataka6. Nasuprot tome, klasične metode, koje su radno intenzivne i dugotrajne, mogu imati ograničenja pri radu s velikim količinama složenih podataka koje je teško ručno obraditi7. Stoga su nedavno provedene mnoge studije korištenjem najnovijih računalnih tehnologija kako bi se smanjile ljudske pogreške i učinkovito obradili višedimenzionalni podaci8,9,10,11,12. Duboko učenje se posebno široko koristi u analizi medicinskih slika, a zabilježeno je da različite metode za procjenu dobi automatskom analizom radiografskih snimaka poboljšavaju točnost i učinkovitost procjene dobi13,14,15,16,17,18,19,20. Na primjer, Halabi i suradnici13 razvili su algoritam strojnog učenja temeljen na konvolucijskim neuronskim mrežama (CNN) za procjenu dobi kostura pomoću radiografskih snimaka dječjih ruku. Ova studija predlaže model koji primjenjuje strojno učenje na medicinske slike i pokazuje da te metode mogu poboljšati dijagnostičku točnost. Li i suradnici14 procijenili su dob iz rendgenskih snimaka zdjelice koristeći CNN dubokog učenja i usporedili ih s rezultatima regresije korištenjem procjene stupnja osifikacije. Otkrili su da model CNN dubokog učenja pokazuje iste performanse procjene dobi kao i tradicionalni regresijski model. Studija Guoa i suradnika [15] procijenila je performanse klasifikacije tolerancije dobi CNN tehnologije na temelju dentalnih ortofoto snimaka, a rezultati CNN modela dokazali su da ljudi nadmašuju njegove performanse klasifikacije dobi.
Većina studija o procjeni dobi pomoću strojnog učenja koristi metode dubokog učenja13,14,15,16,17,18,19,20. Procjena dobi temeljena na dubokom učenju navodno je točnija od tradicionalnih metoda. Međutim, ovaj pristup pruža malo mogućnosti za predstavljanje znanstvene osnove za procjene dobi, poput pokazatelja dobi korištenih u procjenama. Postoji i pravni spor oko toga tko provodi inspekcije. Stoga je procjenu dobi temeljenu na dubokom učenju teško prihvatiti od strane upravnih i sudskih vlasti. Rudarenje podataka (DM) je tehnika koja može otkriti ne samo očekivane već i neočekivane informacije kao metoda za otkrivanje korisnih korelacija između velikih količina podataka6,21,22. Strojno učenje se često koristi u rudarenju podataka, a i rudarenje podataka i strojno učenje koriste iste ključne algoritme za otkrivanje obrazaca u podacima. Procjena dobi pomoću razvoja zuba temelji se na procjeni ispitivača o zrelosti ciljanih zuba, a ta se procjena izražava kao stadij za svaki ciljani zub. DM se može koristiti za analizu korelacije između stadija procjene zuba i stvarne dobi te ima potencijal zamijeniti tradicionalnu statističku analizu. Stoga, ako primijenimo DM tehnike na procjenu dobi, možemo implementirati strojno učenje u forenzičkoj procjeni dobi bez brige o pravnoj odgovornosti. Objavljeno je nekoliko komparativnih studija o mogućim alternativama tradicionalnim ručnim metodama koje se koriste u forenzičkoj praksi i metodama temeljenim na EBM-u za određivanje dentalne dobi. Shen i sur.23 pokazali su da je DM model točniji od tradicionalne Camererove formule. Galibourg i sur.24 primijenili su različite DM metode za predviđanje dobi prema Demirdjianovom kriteriju25, a rezultati su pokazali da je DM metoda nadmašila Demirdjianovu i Willemsovu metodu u procjeni dobi francuskog stanovništva.
Za procjenu dentalne dobi korejskih adolescenata i mladih odraslih osoba, Leejeva metoda 4 široko se koristi u korejskoj forenzičkoj praksi. Ova metoda koristi tradicionalnu statističku analizu (poput višestruke regresije) za ispitivanje odnosa između korejskih ispitanika i kronološke dobi. U ovoj studiji, metode procjene dobi dobivene korištenjem tradicionalnih statističkih metoda definirane su kao „tradicionalne metode“. Leejeva metoda je tradicionalna metoda, a njezinu točnost potvrdili su Oh i suradnici 5; međutim, primjenjivost procjene dobi na temelju DM modela u korejskoj forenzičkoj praksi još je uvijek upitna. Naš je cilj bio znanstveno potvrditi potencijalnu korisnost procjene dobi na temelju DM modela. Svrha ove studije bila je (1) usporediti točnost dva DM modela u procjeni dentalne dobi i (2) usporediti učinkovitost klasifikacije 7 DM modela u dobi od 18 godina s onima dobivenim korištenjem tradicionalnih statističkih metoda. Zrelost drugih i trećih kutnjaka u obje čeljusti.
Srednje vrijednosti i standardne devijacije kronološke dobi prema stadiju i vrsti zuba prikazane su online u Dodatnoj tablici S1 (skup za učenje), Dodatnoj tablici S2 (interni skup za testiranje) i Dodatnoj tablici S3 (eksterni skup za testiranje). Kappa vrijednosti za intra- i inter-opservatorsku pouzdanost dobivene iz skupa za učenje bile su 0,951 odnosno 0,947. P-vrijednosti i 95% intervali pouzdanosti za kappa vrijednosti prikazani su u online dodatnoj tablici S4. Kappa vrijednost je interpretirana kao „gotovo savršena“, u skladu s kriterijima Landisa i Kocha26.
Pri usporedbi srednje apsolutne pogreške (MAE), tradicionalna metoda neznatno nadmašuje DM model za sve spolove i u vanjskom muškom testnom skupu, s izuzetkom višeslojnog perceptrona (MLP). Razlika između tradicionalnog modela i DM modela na internom MAE testnom skupu bila je 0,12–0,19 godina za muškarce i 0,17–0,21 godina za žene. Za vanjsku bateriju testova razlike su manje (0,001–0,05 godina za muškarce i 0,05–0,09 godina za žene). Osim toga, srednja kvadratna pogreška (RMSE) neznatno je niža od tradicionalne metode, s manjim razlikama (0,17–0,24, 0,2–0,24 za muški interni testni skup i 0,03–0,07, 0,04–0,08 za vanjski testni skup). MLP pokazuje neznatno bolje performanse od jednoslojnog perceptrona (SLP), osim u slučaju ženskog vanjskog testnog skupa. Za MAE i RMSE, vanjski testni skup postiže više rezultate od internog testnog skupa za sve spolove i modele. Svi MAE i RMSE prikazani su u Tablici 1 i Slici 1.
MAE i RMSE tradicionalnih i data mining regresijskih modela. Srednja apsolutna pogreška MAE, korijen srednje kvadratne pogreške RMSE, jednoslojni perceptron SLP, višeslojni perceptron MLP, tradicionalna CM metoda.
Klasifikacijska učinkovitost (s graničnom vrijednosti od 18 godina) tradicionalnih i DM modela demonstrirana je u smislu osjetljivosti, specifičnosti, pozitivne prediktivne vrijednosti (PPV), negativne prediktivne vrijednosti (NPV) i površine ispod krivulje ROC (AUROC) 27 (Tablica 2, Slika 2 i Dodatna slika 1 online). Što se tiče osjetljivosti interne baterije testova, tradicionalne metode postigle su najbolje rezultate među muškarcima, a lošije među ženama. Međutim, razlika u klasifikacijskoj učinkovitosti između tradicionalnih metoda i SD iznosi 9,7% za muškarce (MLP) i samo 2,4% za žene (XGBoost). Među DM modelima, logistička regresija (LR) pokazala je bolju osjetljivost kod oba spola. Što se tiče specifičnosti internog skupa testova, uočeno je da su četiri SD modela dobro prošla kod muškaraca, dok je tradicionalni model bolje prošao kod žena. Razlike u klasifikacijskoj učinkovitosti za muškarce i žene iznose 13,3% (MLP) odnosno 13,1% (MLP), što ukazuje na to da razlika u klasifikacijskoj učinkovitosti između modela premašuje osjetljivost. Među DM modelima, modeli potpornih vektora (SVM), stabla odlučivanja (DT) i slučajne šume (RF) postigli su najbolje rezultate među muškarcima, dok je LR model postigao najbolje rezultate među ženama. AUROC tradicionalnog modela i svih SD modela bio je veći od 0,925 (k-najbližih susjeda (KNN) kod muškaraca), što pokazuje izvrsne performanse klasifikacije u razlikovanju uzoraka od 18 godina28. Za vanjski testni skup došlo je do smanjenja performansi klasifikacije u smislu osjetljivosti, specifičnosti i AUROC-a u usporedbi s internim testnim skupom. Štoviše, razlika u osjetljivosti i specifičnosti između performansi klasifikacije najboljeg i najgoreg modela kretala se od 10% do 25% i bila je veća od razlike u internom testnom skupu.
Osjetljivost i specifičnost modela klasifikacije rudarenja podataka u usporedbi s tradicionalnim metodama s graničnom vrijednosti od 18 godina. KNN k najbliži susjed, SVM stroj potpornih vektora, LR logistička regresija, DT stablo odlučivanja, RF slučajna šuma, XGB XGBoost, MLP višeslojni perceptron, tradicionalna CM metoda.
Prvi korak u ovoj studiji bio je usporedba točnosti procjena dentalne dobi dobivenih iz sedam DM modela s onima dobivenim tradicionalnom regresijom. MAE i RMSE procijenjeni su u internim testnim skupovima za oba spola, a razlika između tradicionalne metode i DM modela kretala se od 44 do 77 dana za MAE i od 62 do 88 dana za RMSE. Iako je tradicionalna metoda bila nešto točnija u ovoj studiji, teško je zaključiti ima li tako mala razlika klinički ili praktični značaj. Ovi rezultati ukazuju na to da je točnost procjene dentalne dobi pomoću DM modela gotovo ista kao i kod tradicionalne metode. Izravna usporedba s rezultatima prethodnih studija je teška jer nijedna studija nije usporedila točnost DM modela s tradicionalnim statističkim metodama korištenjem iste tehnike bilježenja zuba u istom dobnom rasponu kao u ovoj studiji. Galibourg i sur.24 usporedili su MAE i RMSE između dvije tradicionalne metode (Demirjianova metoda25 i Willemsova metoda29) i 10 DM modela u francuskoj populaciji u dobi od 2 do 24 godine. Izvijestili su da su svi DM modeli bili točniji od tradicionalnih metoda, s razlikama od 0,20 i 0,38 godina u MAE te 0,25 i 0,47 godina u RMSE u usporedbi s Willemsovom i Demirdjianovom metodom. Razlika između SD modela i tradicionalnih metoda prikazana u Halibourgovoj studiji uzima u obzir brojna izvješća30,31,32,33 da Demirdjianova metoda ne procjenjuje točno dentalnu dob u populacijama osim francuskih Kanađana na kojima se studija temeljila. u ovoj studiji. Tai i sur.34 koristili su MLP algoritam za predviđanje starosti zuba iz 1636 kineskih ortodontskih fotografija i usporedili njegovu točnost s rezultatima Demirjianove i Willemsove metode. Izvijestili su da MLP ima veću točnost od tradicionalnih metoda. Razlika između Demirdjianove metode i tradicionalne metode je <0,32 godine, a Willemsove metode je 0,28 godina, što je slično rezultatima ove studije. Rezultati ovih prethodnih studija24,34 također su u skladu s rezultatima ove studije, a točnost procjene dobi DM modela i tradicionalne metode je slična. Međutim, na temelju prikazanih rezultata možemo samo oprezno zaključiti da bi korištenje DM modela za procjenu dobi moglo zamijeniti postojeće metode zbog nedostatka komparativnih i referentnih prethodnih studija. Potrebne su naknadne studije s većim uzorcima kako bi se potvrdili rezultati dobiveni u ovoj studiji.
Među studijama koje su testirale točnost SD u procjeni zubne dobi, neke su pokazale veću točnost od naše studije. Stepanovsky i sur.35 primijenili su 22 SD modela na panoramske rendgenske snimke 976 čeških stanovnika u dobi od 2,7 do 20,5 godina i testirali točnost svakog modela. Procijenili su razvoj ukupno 16 gornjih i donjih lijevih trajnih zuba koristeći kriterije klasifikacije koje su predložili Moorrees i sur.36. MAE se kreće od 0,64 do 0,94 godine, a RMSE se kreće od 0,85 do 1,27 godina, što je točnije od dva DM modela korištena u ovoj studiji. Shen i sur.23 koristili su Cameriere metodu za procjenu zubne dobi sedam trajnih zuba u lijevoj mandibuli kod stanovnika istočne Kine u dobi od 5 do 13 godina i usporedili je s dobi procijenjenom pomoću linearne regresije, SVM-a i RF-a. Pokazali su da sva tri DM modela imaju veću točnost u usporedbi s tradicionalnom Cameriereovom formulom. MAE i RMSE u Shenovoj studiji bili su niži od onih u DM modelu u ovoj studiji. Povećana preciznost studija Stepanovskyja i sur.35 i Shena i sur.23 može biti posljedica uključivanja mlađih ispitanika u njihove uzorke studija. Budući da procjene dobi za sudionike s razvojem zuba postaju točnije kako se broj zuba povećava tijekom razvoja zuba, točnost rezultirajuće metode procjene dobi može biti ugrožena kada su sudionici studije mlađi. Osim toga, pogreška MLP-a u procjeni dobi nešto je manja od pogreške SLP-a, što znači da je MLP točniji od SLP-a. MLP se smatra nešto boljim za procjenu dobi, moguće zbog skrivenih slojeva u MLP-u38. Međutim, postoji iznimka za vanjski uzorak žena (SLP 1,45, MLP 1,49). Nalaz da je MLP točniji od SLP-a u procjeni dobi zahtijeva dodatne retrospektivne studije.
Također je uspoređena učinkovitost klasifikacije DM modela i tradicionalne metode na pragu od 18 godina. Svi testirani SD modeli i tradicionalne metode na internom testnom skupu pokazali su praktički prihvatljive razine diskriminacije za uzorak od 18 godina. Osjetljivost za muškarce i žene bila je veća od 87,7% odnosno 94,9%, a specifičnost veća od 89,3% odnosno 84,7%. AUROC svih testiranih modela također prelazi 0,925. Koliko znamo, nijedna studija nije testirala učinkovitost DM modela za klasifikaciju od 18 godina na temelju zrelosti zuba. Rezultate ove studije možemo usporediti s učinkovitošću klasifikacije modela dubokog učenja na panoramskim rendgenskim snimkama. Guo i sur.15 izračunali su učinkovitost klasifikacije modela dubokog učenja temeljenog na CNN-u i ručne metode temeljene na Demirjianovoj metodi za određeni dobni prag. Osjetljivost i specifičnost ručne metode bile su 87,7% odnosno 95,5%, a osjetljivost i specifičnost CNN modela premašile su 89,2% odnosno 86,6%. Zaključili su da modeli dubokog učenja mogu zamijeniti ili nadmašiti ručnu procjenu u klasifikaciji dobnih pragova. Rezultati ove studije pokazali su slične performanse klasifikacije; vjeruje se da klasifikacija pomoću DM modela može zamijeniti tradicionalne statističke metode za procjenu dobi. Među modelima, DM LR bio je najbolji model u smislu osjetljivosti za muški uzorak te osjetljivosti i specifičnosti za ženski uzorak. LR je drugi po specifičnosti za muškarce. Štoviše, LR se smatra jednim od jednostavnijih DM35 modela i manje je složen i težak za obradu. Na temelju tih rezultata, LR se smatrao najboljim modelom granične klasifikacije za 18-godišnjake u korejskoj populaciji.
Sveukupno, točnost procjene dobi ili učinkovitosti klasifikacije na vanjskom testnom skupu bila je slaba ili niža u usporedbi s rezultatima na internom testnom skupu. Neka izvješća pokazuju da se točnost ili učinkovitost klasifikacije smanjuje kada se procjene dobi temeljene na korejskoj populaciji primjenjuju na japansku populaciju5,39, a sličan obrazac pronađen je i u ovoj studiji. Ovaj trend pogoršanja uočen je i u DM modelu. Stoga, za točnu procjenu dobi, čak i kada se u procesu analize koristi DM, treba dati prednost metodama izvedenim iz podataka o domaćoj populaciji, poput tradicionalnih metoda5,39,40,41,42. Budući da nije jasno mogu li modeli dubokog učenja pokazati slične trendove, potrebne su studije koje uspoređuju točnost i učinkovitost klasifikacije korištenjem tradicionalnih metoda, DM modela i modela dubokog učenja na istim uzorcima kako bi se potvrdilo može li umjetna inteligencija prevladati ove rasne razlike u ograničenim procjenama dobi.
Pokazujemo da se tradicionalne metode mogu zamijeniti procjenom dobi na temelju DM modela u praksi forenzičke procjene dobi u Koreji. Također smo otkrili mogućnost primjene strojnog učenja za forenzičku procjenu dobi. Međutim, postoje jasna ograničenja, poput nedovoljnog broja sudionika u ovoj studiji da bi se definitivno utvrdili rezultati i nedostatka prethodnih studija za usporedbu i potvrdu rezultata ove studije. U budućnosti bi se DM studije trebale provoditi s većim brojem uzoraka i raznolikijim populacijama kako bi se poboljšala njihova praktična primjenjivost u usporedbi s tradicionalnim metodama. Kako bi se potvrdila izvedivost korištenja umjetne inteligencije za procjenu dobi u više populacija, potrebna su buduća istraživanja kako bi se usporedila točnost klasifikacije i učinkovitost DM i modela dubokog učenja s tradicionalnim metodama u istim uzorcima.
U studiji je korišteno 2657 ortografskih fotografija prikupljenih od korejskih i japanskih odraslih osoba u dobi od 15 do 23 godine. Korejske rendgenske snimke podijeljene su u 900 setova za učenje (19,42 ± 2,65 godina) i 900 internih setova za testiranje (19,52 ± 2,59 godina). Skup za učenje prikupljen je u jednoj ustanovi (Bolnica sv. Marije u Seulu), a vlastiti set za testiranje prikupljen je u dvije ustanove (Stomatološka bolnica Nacionalnog sveučilišta u Seulu i Stomatološka bolnica Sveučilišta Yonsei). Također smo prikupili 857 rendgenskih snimaka iz drugih populacijskih podataka (Medicinski sveučilište Iwate, Japan) za vanjsko testiranje. Rendgenske snimke japanskih ispitanika (19,31 ± 2,60 godina) odabrane su kao vanjski skup za testiranje. Podaci su prikupljeni retrospektivno kako bi se analizirale faze razvoja zuba na panoramskim rendgenskim snimkama snimljenim tijekom stomatološkog tretmana. Svi prikupljeni podaci bili su anonimni osim spola, datuma rođenja i datuma rendgenske snimke. Kriteriji uključivanja i isključivanja bili su isti kao i u prethodno objavljenim studijama 4, 5. Stvarna dob uzorka izračunata je oduzimanjem datuma rođenja od datuma snimanja rendgenske snimke. Uzorak je podijeljen u devet dobnih skupina. Raspodjela dobi i spola prikazana je u Tablici 3. Ova studija provedena je u skladu s Helsinškom deklaracijom i odobrena je od strane Institucionalnog odbora za reviziju (IRB) bolnice St. Mary's u Seulu Katoličkog sveučilišta u Koreji (KC22WISI0328). Zbog retrospektivnog dizajna ove studije, informirani pristanak nije mogao biti dobiven od svih pacijenata koji su podvrgnuti radiografskom pregledu u terapijske svrhe. Bolnica St. Mary's Sveučilišta u Seulu u Koreji (IRB) odustala je od zahtjeva za informiranim pristankom.
Razvojni stadiji bimaksilarnih drugih i trećih kutnjaka procijenjeni su prema Demircanovim kriterijima25. Samo je jedan zub odabran ako je ista vrsta zuba pronađena na lijevoj i desnoj strani svake čeljusti. Ako su homologni zubi na obje strane bili u različitim razvojnim stadijima, odabran je zub s nižim razvojnim stadijem kako bi se uzeo u obzir nesigurnost u procijenjenoj dobi. Stotinu nasumično odabranih rendgenskih snimaka iz skupa za učenje ocijenila su dva iskusna promatrača kako bi se testirala pouzdanost između promatrača nakon prethodne kalibracije za određivanje stupnja zrelosti zuba. Pouzdanost unutar promatrača procijenjena je dva puta u tromjesečnim intervalima od strane primarnog promatrača.
Spol i razvojni stadij drugog i trećeg kutnjaka svake čeljusti u skupu za učenje procijenio je primarni promatrač obučen s različitim DM modelima, a stvarna dob postavljena je kao ciljna vrijednost. SLP i MLP modeli, koji se široko koriste u strojnom učenju, testirani su u odnosu na regresijske algoritme. DM model kombinira linearne funkcije koristeći razvojne stadije četiri zuba i kombinira te podatke za procjenu dobi. SLP je najjednostavnija neuronska mreža i ne sadrži skrivene slojeve. SLP radi na temelju prijenosa praga između čvorova. SLP model u regresiji matematički je sličan višestrukoj linearnoj regresiji. Za razliku od SLP modela, MLP model ima više skrivenih slojeva s nelinearnim aktivacijskim funkcijama. Naši eksperimenti koristili su skriveni sloj sa samo 20 skrivenih čvorova s nelinearnim aktivacijskim funkcijama. Koristite gradijentni spust kao metodu optimizacije i MAE i RMSE kao funkciju gubitka za treniranje našeg modela strojnog učenja. Najbolje dobiveni regresijski model primijenjen je na interne i eksterne testne skupove i procijenjena je starost zuba.
Razvijen je algoritam klasifikacije koji koristi zrelost četiri zuba na skupu za učenje kako bi predvidio je li uzorak star 18 godina ili ne. Za izgradnju modela izveli smo sedam algoritama strojnog učenja reprezentacije6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost i (7) MLP. LR je jedan od najčešće korištenih algoritama klasifikacije44. To je algoritam nadziranog učenja koji koristi regresiju za predviđanje vjerojatnosti pripadnosti podataka određenoj kategoriji od 0 do 1 i klasificira podatke kao pripadnice vjerojatnije kategorije na temelju te vjerojatnosti; uglavnom se koristi za binarnu klasifikaciju. KNN je jedan od najjednostavnijih algoritama strojnog učenja45. Kada se zadaju novi ulazni podaci, pronalazi k podataka bliskih postojećem skupu, a zatim ih klasificira u klasu s najvećom frekvencijom. Postavili smo 3 za broj susjeda koji se razmatraju (k). SVM je algoritam koji maksimizira udaljenost između dvije klase korištenjem kernel funkcije za proširenje linearnog prostora u nelinearni prostor nazvan polja46. Za ovaj model koristimo pristranost = 1, power = 1 i gama = 1 kao hiperparametre za polinomsku jezgru. DT je primijenjen u raznim područjima kao algoritam za dijeljenje cijelog skupa podataka u nekoliko podskupina predstavljanjem pravila odlučivanja u strukturi stabla47. Model je konfiguriran s minimalnim brojem zapisa po čvoru od 2 i koristi Gini indeks kao mjeru kvalitete. RF je metoda ansambla koja kombinira više DT-ova kako bi poboljšala performanse korištenjem metode agregacije bootstrap koja generira slab klasifikator za svaki uzorak nasumično izvlačeći uzorke iste veličine više puta iz izvornog skupa podataka48. Koristili smo 100 stabala, 10 dubina stabla, 1 minimalnu veličinu čvora i Gini indeks primjesa kao kriterije odvajanja čvorova. Klasifikacija novih podataka određuje se većinom glasova. XGBoost je algoritam koji kombinira tehnike pojačavanja korištenjem metode koja kao podatke za učenje uzima pogrešku između stvarnih i predviđenih vrijednosti prethodnog modela i povećava pogrešku korištenjem gradijenata49. To je široko korišten algoritam zbog dobrih performansi i učinkovitosti resursa, kao i visoke pouzdanosti kao funkcije korekcije preopterećenja. Model je opremljen s 400 potpornih kotača. MLP je neuronska mreža u kojoj jedan ili više perceptrona tvore više slojeva s jednim ili više skrivenih slojeva između ulaznog i izlaznog sloja38. Pomoću ovoga možete izvesti nelinearnu klasifikaciju gdje kada dodate ulazni sloj i dobijete vrijednost rezultata, predviđena vrijednost rezultata uspoređuje se sa stvarnom vrijednošću rezultata, a pogreška se propagira natrag. Izradili smo skriveni sloj s 20 skrivenih neurona u svakom sloju. Svaki model koji smo razvili primijenjen je na interne i eksterne skupove kako bi se testirala učinkovitost klasifikacije izračunavanjem osjetljivosti, specifičnosti, PPV-a, NPV-a i AUROC-a. Osjetljivost je definirana kao omjer uzorka za koji se procjenjuje da ima 18 godina ili više i uzorka za koji se procjenjuje da ima 18 godina ili više. Specifičnost je udio uzoraka mlađih od 18 godina i onih za koje se procjenjuje da su mlađi od 18 godina.
Zubni stadiji procijenjeni u skupu za učenje pretvoreni su u numeričke stadije za statističku analizu. Provedena je multivarijantna linearna i logistička regresija kako bi se razvili prediktivni modeli za svaki spol i izvele regresijske formule koje se mogu koristiti za procjenu dobi. Ove smo formule koristili za procjenu starosti zuba za interne i eksterne testne skupove. Tablica 4 prikazuje regresijske i klasifikacijske modele korištene u ovoj studiji.
Intra- i inter-opservatorska pouzdanost izračunata je pomoću Cohenove kappa statistike. Kako bismo testirali točnost DM i tradicionalnih regresijskih modela, izračunali smo MAE i RMSE koristeći procijenjenu i stvarnu starost internih i eksternih testnih skupova. Ove se pogreške obično koriste za procjenu točnosti predviđanja modela. Što je manja pogreška, to je veća točnost prognoze24. Usporedite MAE i RMSE internih i eksternih testnih skupova izračunatih pomoću DM i tradicionalne regresije. Učinkovitost klasifikacije 18-godišnjeg graničnog razdoblja u tradicionalnoj statistici procijenjena je pomoću tablice kontingencije 2 × 2. Izračunata osjetljivost, specifičnost, PPV, NPV i AUROC testnog skupa uspoređeni su s izmjerenim vrijednostima DM klasifikacijskog modela. Podaci su izraženi kao srednja vrijednost ± standardna devijacija ili broj (%) ovisno o karakteristikama podataka. Dvostrane P vrijednosti <0,05 smatrane su statistički značajnima. Sve rutinske statističke analize provedene su pomoću SAS verzije 9.4 (SAS Institute, Cary, NC). DM regresijski model implementiran je u Pythonu korištenjem Keras50 2.2.4 backenda i Tensorflow51 1.8.0 posebno za matematičke operacije. DM klasifikacijski model implementiran je u Waikato Knowledge Analysis Environmentu i analitičkoj platformi Konstanz Information Miner (KNIME) 4.6.152.
Autori priznaju da se podaci koji podupiru zaključke studije mogu pronaći u članku i dodatnim materijalima. Skupovi podataka generirani i/ili analizirani tijekom studije dostupni su od odgovarajućeg autora na razuman zahtjev.
Ritz-Timme, S. i dr. Procjena dobi: najsuvremenija tehnologija za zadovoljavanje specifičnih zahtjeva forenzičke prakse. međunarodnost. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. i Olze, A. Trenutno stanje forenzičke procjene dobi živih subjekata u svrhu kaznenog progona. Forensics. medical. Pathology. 1, 239–246 (2005).
Pan, J. i dr. Modificirana metoda za procjenu dentalne dobi djece u dobi od 5 do 16 godina u istočnoj Kini. clinical. Oral survey. 25, 3463–3474 (2021).
Lee, SS itd. Kronologija razvoja drugih i trećih kutnjaka u Korejaca i njezina primjena za forenzičku procjenu dobi. međunarodnost. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY i Lee, SS Točnost procjene dobi i procjena 18-godišnjeg praga na temelju zrelosti drugih i trećih kutnjaka kod Korejaca i Japanaca. PLoS ONE 17, e0271247 (2022).
Kim, JY i dr. Preoperativna analiza podataka temeljena na strojnom učenju može predvidjeti ishod liječenja operacije spavanja kod pacijenata s OSA-om. the science. Report 11, 14911 (2021).
Han, M. i dr. Točna procjena dobi pomoću strojnog učenja sa ili bez ljudske intervencije? Međunarodnost. J. Legal medicine. 136, 821–831 (2022).
Khan, S. i Shaheen, M. Od rudarenja podataka do rudarenja podataka. J.Information. znanost. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. WisRule: Prvi kognitivni algoritam za rudarenje pravila asocijacije. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Tradicionalno rudarenje podataka temeljeno na pravilima povezivanja temeljenim na kontekstu. izračunaj. Matt. nastavi. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. i Habib M. Detekcija semantičke sličnosti temeljena na dubokom učenju korištenjem tekstualnih podataka. inform. tehnologije. kontrola. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. i Shahin, M. Sustav za prepoznavanje aktivnosti u sportskim videozapisima. multimedija. Alati Aplikacije https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS i dr. Izazov strojnog učenja RSNA u pedijatrijskoj koštanoj dobi. Radiologija 290, 498–503 (2019).
Li, Y. i dr. Forenzička procjena dobi iz zdjeličnih rendgenskih snimaka korištenjem dubokog učenja. EURO. zračenje. 29, 2322–2329 (2019).
Guo, YC i dr. Točna klasifikacija dobi korištenjem ručnih metoda i dubokih konvolucijskih neuronskih mreža iz ortografskih projekcijskih slika. međunarodnost. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora i dr. Procjena koštane dobi korištenjem različitih metoda strojnog učenja: sustavni pregled literature i meta-analiza. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. i Yang, J. Procjena dobi specifična za populaciju Afroamerikanaca i Kineza na temelju volumena pulpne komore prvih kutnjaka korištenjem konusno-snopne kompjuterizirane tomografije. internacionalnost. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK i Oh KS Određivanje dobnih skupina živih ljudi korištenjem slika prvih kutnjaka temeljenih na umjetnoj inteligenciji. Znanost. Izvješće 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. i Urschler, M. Automatska procjena dobi i klasifikacija većinske dobi iz multivarijantnih MRI podataka. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. i Li, G. Procjena dobi na temelju 3D segmentacije pulpne komore prvih kutnjaka dobivene konusno-snopnom kompjuteriziranom tomografijom integriranjem dubokog učenja i skupova razina. međunarodnost. J. Legal medicine. 135, 365–373 (2021).
Wu, WT i dr. Rudarenje podataka u kliničkim velikim podacima: uobičajene baze podataka, koraci i metode modela. World. medicine. resource. 8, 44 (2021).
Yang, J. i dr. Uvod u medicinske baze podataka i tehnologije rudarenja podataka u eri velikih podataka. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. i dr. Camererova metoda za procjenu starosti zuba korištenjem strojnog učenja. BMC Oral Health 21, 641 (2021).
Galliburg A. i dr. Usporedba različitih metoda strojnog učenja za predviđanje dentalne dobi korištenjem Demirdjianove metode stadija. međunarodnost. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Novi sustav za procjenu dentalne dobi. snort. biology. 45, 211–227 (1973).
Landis, JR i Koch, GG Mjere slaganja promatrača o kategoričkim podacima. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK i Choi HK. Teksturalna, morfološka i statistička analiza dvodimenzionalne magnetske rezonancije korištenjem tehnika umjetne inteligencije za diferencijaciju primarnih tumora mozga. Zdravstvene informacije. Izvor. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Vrijeme objave: 04.01.2024.