Hvala vam što ste posjetili prirodu.com. Verzija preglednika koji koristite ima ograničenu CSS podršku. Za najbolje rezultate, preporučujemo korištenje nove verzije vašeg preglednika (ili isključivanja načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali stalnu podršku, prikazujemo web mjesto bez stila ili JavaScript.
Zubi se smatraju najtačnijim pokazateljem dobi ljudskog tijela i često se koriste u procjeni forenzičke dobi. Namjeravali smo potvrditi procjene stomatološke dobi temeljene na iskopavanju podataka uspoređujući točnost procjene i performanse klasifikacije 18-godišnjeg praga s tradicionalnim metodama i procjenama dobi na temelju iskopavanja podataka. Ukupno 2657 panoramskih radiograma prikupljeno je od korejskih i japanskih građana u dobi od 15 do 23 godine. Podijeljeni su u set za trening, koji sadrži 900 korejskih radiograma i unutarnji testni set koji sadrži 857 japanskih radiograma. Usporedili smo točnost klasifikacije i učinkovitost tradicionalnih metoda s testnim skupovima modela iskopavanja podataka. Točnost tradicionalne metode na unutarnjem testnom skupu nešto je veća od modela iskopavanja podataka, a razlika je mala (srednja apsolutna pogreška <0,21 godina, korijenska srednja kvadratna pogreška <0,24 godine). Učinkovitost klasifikacije za 18-godišnju presjek također je slična između tradicionalnih metoda i modela iskopavanja podataka. Stoga se tradicionalne metode mogu zamijeniti modelima iskopavanja podataka prilikom provođenja procjene forenzičke dobi koristeći zrelost drugog i trećeg kutnjaka kod korejskih adolescenata i mladih odraslih.
Procjena stomatološke dobi široko se koristi u forenzičkoj medicini i pedijatrijskoj stomatologiji. Konkretno, zbog visoke povezanosti između kronološke dobi i stomatološkog razvoja, procjena dobne dobi u fazi zubnog razvoja važan je kriterij za procjenu dobi djece i adolescenata1,2,3. Međutim, za mlade ljude, procjena stomatološke dobi na temelju zrelosti zuba ima svoja ograničenja jer je rast zuba gotovo potpun, s izuzetkom trećih kutnjaka. Pravna svrha određivanja starosti mladih i adolescenata jest pružiti točne procjene i znanstvene dokaze jesu li dostigli veliku dobi. U medicinsko-pravnom praksi adolescenata i mladih odraslih u Koreji, dob je procijenjen korištenjem Leejeve metode, a predviđen je pravni prag od 18 godina na temelju podataka koje su izvijestili Oh i sur. 5.
Strojno učenje je vrsta umjetne inteligencije (AI) koja opetovano uči i klasificira velike količine podataka, samostalno rješava probleme i pokreće programiranje podataka. Strojno učenje može otkriti korisne skrivene uzorke u velikim količinama podataka6. Suprotno tome, klasične metode, koje su intenzivne i dugotrajne, mogu imati ograničenja kada se bave velikim količinama složenih podataka koje je teško ručno obraditi7. Stoga su nedavno provedene mnoge studije koristeći najnovije računalne tehnologije kako bi se smanjile ljudske pogreške i učinkovito obrađivali višedimenzionalne podatke8,9,10,11,12. Konkretno, duboko se učenje široko koristi u analizi medicinskih slika, a zabilježene su različite metode procjene dobi automatskim analizom radiografa kako bi poboljšale točnost i učinkovitost procjene dobi13,14,15,16,17,18,19,19,20 . Na primjer, Halabi i ostali 13 razvili su algoritam strojnog učenja na temelju konvolucijskih neuronskih mreža (CNN) za procjenu skeletne dobi koristeći radiografije dječjih ruku. Ova studija predlaže model koji primjenjuje strojno učenje na medicinske slike i pokazuje da ove metode mogu poboljšati dijagnostičku točnost. Li i sur .14 Procijenjena dob iz rendgenskih slika zdjelice pomoću CNN-a dubokog učenja i uspoređivala ih s rezultatima regresije koristeći procjenu faze okoštavanja. Otkrili su da CNN model dubokog učenja pokazao je iste performanse procjene kao i tradicionalni regresijski model. Studija Guo i suradnika [15] procijenila je performanse klasifikacije CNN tehnologije tolerancije na stomatološkom ortofotosu, a rezultati modela CNN -a dokazali su da su ljudi nadmašili performanse dobne klasifikacije.
Većina studija o procjeni dobi pomoću strojnog učenja koristi metode dubokog učenja13,14,15,16,17,18,19,20. Procjena dobne godine na temelju dubokog učenja navodi se da je točnija od tradicionalnih metoda. Međutim, ovaj pristup pruža malo mogućnosti da se znanstvena osnova predstavi za procjene dobi, poput pokazatelja dobi koji se koriste u procjenama. Postoji i pravni spor oko toga tko provodi inspekcije. Stoga je procjenu dobi zasnovano na duboko učenjem teško prihvatiti administrativne i pravosudne vlasti. Iskopavanje podataka (DM) je tehnika koja ne može otkriti ne samo očekivane, već i neočekivane informacije kao metodu za otkrivanje korisnih korelacija između velikih količina podataka6,21,22. Strojno učenje često se koristi u iskopavanju podataka, a i rudarstvo podataka i strojno učenje koriste iste ključne algoritme za otkrivanje obrazaca u podacima. Procjena dobne dobi pomoću stomatološkog razvoja temelji se na procjeni ispitivača zrelosti ciljnih zuba, a ta se procjena izražava kao faza za svaki ciljni zub. DM se može koristiti za analizu korelacije između faze procjene zuba i stvarne dobi i ima potencijal zamijeniti tradicionalnu statističku analizu. Stoga, ako primijenimo DM tehnike na procjenu dobi, možemo implementirati strojno učenje u procjeni forenzičke 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 stomatološke dobi. Shen i sur .23 pokazali su da je DM model precizniji od tradicionalne formule kamerera. Galibourg i sur .24 primijenili su različite DM metode za predviđanje dobi prema demirdjianom kriteriju25, a rezultati su pokazali da je DM metoda nadmašila metode Demirdjian i Willems u procjeni dobi francuskog stanovništva.
Za procjenu stomatološke dobi korejskih adolescenata i mladih odraslih, Leejeva metoda 4 široko se koristi u korejskoj forenzičkoj praksi. Ova metoda koristi tradicionalnu statističku analizu (poput višestruke regresije) za ispitivanje odnosa između korejskih subjekata i kronološke dobi. U ovom istraživanju metode procjene dobi dobivene tradicionalnim statističkim metodama definirane su kao "tradicionalne metode". Leejeva metoda je tradicionalna metoda, a njegovu točnost potvrdili su Oh i sur. 5; Međutim, primjenjivost procjene dobi na temelju DM modela u korejskoj forenzičkoj praksi i dalje je upitna. Naš je cilj bio znanstveno potvrditi potencijalnu korisnost procjene dobi na temelju DM modela. Svrha ove studije bila je (1) usporediti točnost dva modela DM -a u procjeni stomatološke dobi i (2) usporediti performanse klasifikacije 7 DM modela u dobi od 18 godina s onima dobivenim korištenjem tradicionalnih statističkih metoda zrelosti drugog i treći kutnjaci u obje čeljusti.
Sredstva i standardna odstupanja kronološke dobi po fazi i vrsti zuba prikazana su na mreži u Dodatnoj tablici S1 (set treninga), dopunska tablica S2 (unutarnji set test) i dopunska tablica S3 (vanjski testni set). Kappa vrijednosti za pouzdanost intra- i interobservera dobivene iz seta treninga bile su 0,951, odnosno 0,947. P vrijednosti i 95% intervali pouzdanosti za vrijednosti KAPPA prikazani su u mrežnoj dodatnoj tablici S4. Kappa vrijednost protumačena je kao "gotovo savršena", u skladu s kriterijima Landisa i Koch26.
Kada uspoređujete srednju apsolutnu pogrešku (MAE), tradicionalna metoda malo nadmašuje DM model za sve spolove i u vanjskom setu za ispitivanje mužjaka, s izuzetkom višeslojnog perceptrona (MLP). Razlika između tradicionalnog modela i DM modela na internom mae testnom setu bila je 0,12–0,19 godina za muškarce i 0,17–0,21 godina za žene. Za vanjsku testnu bateriju razlike su manje (0,001–0,05 godina za muškarce i 0,05–0,09 godina za žene). Uz to, greška korijena srednjeg kvadrata (RMSE) nešto je niža od tradicionalne metode, s manjim razlikama (0,17–0,24, 0,2–0,24 za muški unutarnji testni skup i 0,03–0,07, 0,04–08 za vanjski test). ). MLP pokazuje nešto bolje performanse od jednoslojnog perceptrona (SLP), osim u slučaju ženskog vanjskog testnog skupa. Za MAE i RMSE, vanjski test set postiže viši od unutarnjeg testnog skupa za sve spolove i modele. Svi MAE i RMSE prikazani su u tablici 1 i slici 1.
MAE i RMSE tradicionalnih i regresijskih modela za rudarstvo podataka. Srednja apsolutna pogreška MAE, korijenska srednja kvadratna pogreška RMSE, jednoslojni Perceptron SLP, višeslojni Perceptron MLP, tradicionalna CM metoda.
Učinkovitost klasifikacije (s presjekom od 18 godina) tradicionalnih i DM modela prikazana je u smislu osjetljivosti, specifičnosti, pozitivne prediktivne vrijednosti (PPV), negativne prediktivne vrijednosti (NPV) i područja pod krivuljom prijemnika (Auroc) (Auroc) 27 (Tablica 2, slika 2 i dopunska slika 1 na mreži). U smislu osjetljivosti unutarnje testne baterije, tradicionalne metode najbolje su se snašle među muškarcima i još gore među ženama. Međutim, razlika u uspješnosti klasifikacije između tradicionalnih metoda i SD -a je 9,7% za muškarce (MLP) i samo 2,4% za žene (XGBoost). Među DM modelima logistička regresija (LR) pokazala je bolju osjetljivost u oba spola. Što se tiče specifičnosti unutarnjeg testnog skupa, primijećeno je da su četiri SD modela dobro djelovala u mužjaka, dok je tradicionalni model bolji u ženama. Razlike u performansama klasifikacije za muškarce i žene su 13,3% (MLP) i 13,1% (MLP), što ukazuje na to da razlika u performansama klasifikacije između modela prelazi osjetljivost. Među modelima DM -a, modeli za podršku vektora (SVM), stablo odlučivanja (DT) i slučajnih šuma (RF) najbolje su se snašli među mužjacima, dok je LR model najbolje djelovao među ženama. Auroc tradicionalnog modela i svih SD modela bio je veći od 0,925 (k-najvažniji susjed (KNN) kod muškaraca), pokazujući izvrsne klasifikacijske performanse u diskriminirajućim 18-godišnjim uzorcima28. Za vanjski testni skup došlo je do smanjenja performansi klasifikacije u smislu osjetljivosti, specifičnosti i Auroca u usporedbi s unutarnjim testnim skupom. Nadalje, razlika u osjetljivosti i specifičnosti između performansi klasifikacije najboljih i najgorih modela kretala se u rasponu od 10% do 25% i bila je veća od razlike u unutarnjem testnom skupu.
Osjetljivost i specifičnost modela klasifikacije iskopavanja podataka u usporedbi s tradicionalnim metodama s presjekom od 18 godina. KNN K Najbliži susjed, SVM stroj za podršku 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 zubne dobi dobivene iz sedam DM modela s onima dobivenim korištenjem tradicionalne regresije. MAE i RMSE procijenjeni su u unutarnjim testnim setovima za oba spola, a razlika između tradicionalne metode i DM modela kretala se u rasponu od 44 do 77 dana za MAE i od 62 do 88 dana za RMSE. Iako je tradicionalna metoda u ovoj studiji bila nešto preciznija, teško je zaključiti ima li tako mala razlika klinički ili praktični značaj. Ovi rezultati pokazuju da je točnost procjene stomatološke dobi pomoću DM modela gotovo ista kao u tradicionalnoj metodi. Izravna usporedba s rezultatima iz prethodnih studija je teško jer nijedna studija nije usporedila točnost DM modela s tradicionalnim statističkim metodama koristeći istu tehniku snimanja zuba u istom dobnom rasponu kao i u ovoj studiji. Galibourg i sur .24 uspoređivali su MAE i RMSE između dvije tradicionalne metode (Demirjian Method25 i Willems Methots29) i 10 DM modela u francuskoj populaciji u dobi od 2 do 24 godine. Izvijestili su da su svi DM modeli precizniji od tradicionalnih metoda, s razlikama od 0,20 i 0,38 godina u MAE i 0,25 i 0,47 godina u RMSE u usporedbi s Willems i Demirdjian metodama. Odstupanje između SD modela i tradicionalnih metoda prikazanih u studiji Halibourg uzima u obzir brojna izvješća30,31,32,33 da demirdjijska metoda ne procjenjuje točno stomatološku dob u populaciji osim francuskih Kanađana na kojoj je studija utemeljena. U ovoj studiji. Tai i suradnici 34 koristili su MLP algoritam za predviđanje dobi zuba sa 1636 kineskih ortodontskih fotografija i uspoređivali njegovu točnost s rezultatima metode Demirjian i Willems. Izvijestili su da MLP ima veću točnost od tradicionalnih metoda. Razlika između demirdjianske metode i tradicionalne metode je <0,32 godine, a Willemsova metoda 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 su slični. Međutim, na temelju predstavljenih rezultata, možemo samo oprezno zaključiti da upotreba DM modela za procjenu dobi može zamijeniti postojeće metode zbog nedostatka komparativnih i referentnih prethodnih studija. Studije praćenja koje koriste veće uzorke potrebne su za potvrdu rezultata dobivenih u ovoj studiji.
Među studijama koje su testirale točnost SD -a u procjeni stomatološke dobi, neki su pokazali veću točnost od naše studije. Stepanovsky i ostali 35 primijenili su 22 SD modela na panoramske radiografije 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 kreće se od 0,85 do 1,27 godina, koji su precizniji od dva modela DM -a korištena u ovom istraživanju. Shen i sur .23 koristili su Cameriere metodu za procjenu zubne dob od sedam trajnih zuba u lijevoj mandibuli u istočnim kineskim stanovnicima u dobi od 5 do 13 godina i uspoređivali je s AGES -om procijenjenim korištenjem linearne regresije, SVM i RF. Pokazali su da sva tri DM modela imaju veću točnost u odnosu na tradicionalnu formulu Cameriere. MAE i RMSE u Shenovoj studiji bili su niži od onih u DM modelu u ovoj studiji. Povećana preciznost studija Stepanovsky i sur. 35 i Shen i sur. 23 može biti posljedica uključivanja mlađih ispitanika u njihove uzorke studije. Budući da procjene dobi za sudionike s zubima u razvoju postaju preciznije kako se broj zuba povećava tijekom stomatološkog razvoja, točnost metode dobivene procjene dobi može biti ugrožena kada su sudionici studije mlađi. Uz to, pogreška MLP -a u procjeni dobi nešto je manja od SLP -a, što znači da je MLP precizniji od SLP -a. MLP se smatra malo boljim za procjenu dobi, možda zbog skrivenih slojeva u MLP38. Međutim, postoji iznimka za vanjski uzorak žena (SLP 1,45, MLP 1,49). Otkriće da je MLP precizniji od SLP -a u procjeni dobi zahtijeva dodatne retrospektivne studije.
Uspoređena je i razvrstana izvedba DM modela i tradicionalna metoda na 18-godišnjem pragu. Svi testirani SD modeli i tradicionalne metode na unutarnjem testnom skupu pokazali su praktički prihvatljive razine diskriminacije za 18-godišnji uzorak. Osjetljivost za muškarce i žene bila je veća od 87,7%, odnosno 94,9%, a specifičnost je bila veća od 89,3% i 84,7%. Auroc svih testiranih modela također prelazi 0,925. Koliko znamo, nijedna studija nije testirala izvedbu DM modela za 18-godišnju klasifikaciju na temelju zrelosti zuba. Možemo usporediti rezultate ove studije s klasifikacijskim performansama modela dubokog učenja na panoramskim radiografima. Guo i ostali.15 izračunali su klasifikacijsku performanse modela dubokog učenja utemeljenog na CNN-u i ručne metode temeljene na Demirjianovoj metodi za određeni dobni prag. Osjetljivost i specifičnost ručne metode bila je 87,7%, odnosno 95,5%, a osjetljivost i specifičnost CNN modela premašili su 89,2%, odnosno 86,6%. Zaključili su da modeli dubokog učenja mogu zamijeniti ili nadmašiti ručnu procjenu u razvrstavanju 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 pogledu osjetljivosti za muški uzorak i osjetljivost i specifičnost za ženski uzorak. LR je na drugom mjestu specifično za muškarce. Nadalje, LR se smatra jednim od najprikladnijih modela DM35 prilagođenih korisnicima i manje je složen i teško ih je obraditi. Na temelju ovih rezultata, LR se smatrao najboljim modelom klasifikacije za 18-godišnjake u korejskoj populaciji.
Općenito, točnost procjene dobi ili performanse klasifikacije na vanjskom testnom skupu bila je loša ili niža u usporedbi s rezultatima na unutarnjem setu ispitivanja. Neka izvješća pokazuju da se točnost ili učinkovitost klasifikacije smanjuju kada se procjene dobnih sredstava temelje na korejskoj populaciji primijene na japansku populaciju5,39, a sličan obrazac pronađen je u ovoj studiji. Ovaj trend pogoršanja također je primijećen u DM modelu. Stoga, kako bi se točno procijenila dob, čak i kada se koristi DM u procesu analize, metode dobivene iz podataka o domorodačkom stanovništvu, poput tradicionalnih metoda, trebaju biti preferirane 5,39,40,41,42. Budući da nije jasno mogu li modeli dubokog učenja pokazati slične trendove, studije koje uspoređuju točnost i učinkovitost klasifikacije koristeći tradicionalne metode, modele DM -a i modele dubokog učenja na istim uzorcima kako bi se potvrdilo može li umjetna inteligencija prevladati ove rasne razlike u ograničenoj dobi. Procjene.
Pokazujemo da se tradicionalne metode mogu zamijeniti procjenom dobi na temelju DM modela u praksi procjene forenzičke dobi u Koreji. Otkrili smo i mogućnost provođenja strojnog učenja za procjenu forenzičke dobi. Međutim, postoje jasna ograničenja, poput nedovoljnog broja sudionika u ovoj studiji koji će definitivno odrediti rezultate i nedostatak prethodnih studija za usporedbu i potvrđivanje rezultata ove studije. U budućnosti bi se studije DM -a trebale provesti s većim brojem uzoraka i raznovrsnijim populacijama kako bi se poboljšala njegova praktična primjenjivost u usporedbi s tradicionalnim metodama. Da bi se potvrdila izvedivost korištenja umjetne inteligencije za procjenu dobi u više populacija, potrebne su buduće studije za usporedbu točnosti klasifikacije i učinkovitosti DM -a i modela dubokog učenja s tradicionalnim metodama u istim uzorcima.
Studija je koristila 2.657 ortografskih fotografija prikupljenih od odraslih korejskih i japana u dobi od 15 do 23 godine. Korejski radiografski snimci podijeljeni su u 900 setova za trening (19,42 ± 2,65 godina) i 900 unutarnjih testnih setova (19,52 ± 2,59 godina). Skup obuke prikupljen je u jednoj ustanovi (bolnica Seul St. Mary's), a vlastiti testni set prikupljen je u dvije institucije (stomatološka bolnica Nacionalne sveučilišne sveučilišta u Seulu i stomatološka bolnica Sveučilišta Yonsei). Također smo prikupili 857 radiografa iz drugih podataka utemeljenih na populaciji (Iwate Medical University, Japan) za vanjsko testiranje. Kao vanjski testni set odabrane su radiografije japanskih ispitanika (19,31 ± 2,60 godina). Podaci su prikupljeni retrospektivno kako bi se analizirali fazama zubnog razvoja na panoramskim radiografima snimljenim tijekom zubnog liječenja. Svi prikupljeni podaci bili su anonimni, osim spola, datuma rođenja i datuma radiografa. Kriteriji za uključivanje i isključenje bili su isti kao što je prethodno objavljeno studije 4, 5. Stvarna dob uzorka izračunata je oduzimanjem datuma rođenja od datuma snimljenog radiografije. Skupina uzorka podijeljena je u devet dobnih skupina. Raspodjela dobnih i spola prikazana je u tablici 3 Ova studija provedena je u skladu s Helsinškom deklaracijom, a odobrila je Institucionalni odbor za reviziju (IRB) bolnice Seoul St. Mary, Katoličkog sveučilišta u Koreji (KC22WISI0328). Zbog retrospektivnog dizajna ove studije, informirani pristanak nije se mogao dobiti od svih pacijenata koji su podvrgnuti radiografskim pregledom u terapijske svrhe. Bolnica Sveučilišta St. Mary (IRB) Sveučilišta Seoul Korea odustala je od zahtjeva za informiranim pristankom.
Razvojne faze bimaksilarnog drugog i trećeg kutnjaka ocijenjene su prema kriterijima Demircana25. Odabran je samo jedan zub ako je na lijevoj i desnoj strani svake čeljusti pronađen ista vrsta zuba. Ako su homologni zubi s obje strane bili u različitim razvojnim fazama, zub s nižim razvojnim fazama odabran je kako bi se objasnio neizvjesnost u procijenjenoj dobi. Sto nasumično odabranih radiografa iz seta za trening ocijenila su dva iskusna promatrača za testiranje pouzdanosti interobservera nakon predkalibracije radi utvrđivanja faze zrelosti zubne zrelosti. Pouzdanost intraobservera ocijenjena je dva puta u tromjesečnim intervalima od strane primarnog promatrača.
Spol i razvojni stupanj drugog i trećeg kutnjaka svake čeljusti u setu za trening 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 protiv algoritama regresije. DM model kombinira linearne funkcije koristeći razvojne faze četiri zuba i kombinira te podatke za procjenu dobi. SLP je najjednostavnija neuronska mreža i ne sadrži skrivene slojeve. SLP djeluje na temelju prijenosa praga između čvorova. SLP model u regresiji je matematički sličan višestrukoj linearnoj regresiji. Za razliku od SLP modela, MLP model ima više skrivenih slojeva s nelinearnim aktivacijskim funkcijama. Naši su eksperimenti koristili skriveni sloj sa samo 20 skrivenih čvorova s nelinearnim aktivacijskim funkcijama. Koristite gradijentni spuštanje kao metodu optimizacije i MAE i RMSE kao funkciju gubitka za obuku našeg modela strojnog učenja. Najbolje dobiveni regresijski model primijenjen je na unutarnje i vanjske testne setove i procijenjena je dob zuba.
Razvijen je algoritam klasifikacije koji koristi zrelost od četiri zuba na setu treninga kako bi predvidio je li uzorak star 18 godina ili ne. Za izgradnju modela izveli smo sedam algoritama strojnog učenja za reprezentaciju6,43: (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 nadzirani algoritam učenja koji koristi regresiju za predviđanje vjerojatnosti podataka koji pripadaju određenoj kategoriji od 0 do 1 i klasificira podatke kao pripadaju vjerojatnijoj kategoriji na temelju ove vjerojatnosti; Uglavnom se koristi za binarnu klasifikaciju. KNN je jedan od najjednostavnijih algoritama strojnog učenja45. Kada se daju novi ulazni podaci, oni pronalaze k podatke blizu postojećeg skupa, a zatim ih klasificira u klasu s najvišom frekvencijom. Postavili smo 3 za broj razmatranih susjeda (k). SVM je algoritam koji maksimizira udaljenost između dviju klasa pomoću funkcije kernela za proširenje linearnog prostora u nelinearni prostor zvan Fields46. Za ovaj model koristimo pristranost = 1, moć = 1, a gama = 1 kao hiperparametri za polinomnu jezgru. DT je primijenjen u različitim poljima kao algoritam za podjelu čitavog 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 DTS -a za poboljšanje performansi primjenom metode agregacije pokretanja koja generira slab klasifikator za svaki uzorak nasumičnim crtanjem uzoraka iste veličine više puta iz izvornog podatkovnog skupa48. Koristili smo 100 stabala, 10 dubina stabla, 1 minimalnu veličinu čvora i Gini indeks dodataka kao kriterije odvajanja čvorova. Klasifikacija novih podataka određuje se većinom glasova. XGBOOST je algoritam koji kombinira tehnike pojačanja pomoću metode koja kao podatke o treningu uzima pogrešku između stvarnih i predviđenih vrijednosti prethodnog modela i povećava pogrešku pomoću Gradient49. To je široko korišteni algoritam zbog dobrih performansi i učinkovitosti resursa, kao i velike pouzdanosti kao funkcije preklapanja korekcije. Model je opremljen s 400 kotača za podršku. MLP je neuronska mreža u kojoj jedan ili više perceptrona formiraju više slojeva s jednim ili više skrivenih slojeva između ulaznih i izlaznih slojeva38. Koristeći ovo, možete izvršiti nelinearnu klasifikaciju gdje kada dodate ulazni sloj i dobijete vrijednost rezultata, predviđena vrijednost rezultata uspoređuje se sa stvarnom vrijednošću rezultata i pogreška se širi natrag. Stvorili smo skriveni sloj s 20 skrivenih neurona u svakom sloju. Svaki model koji smo razvili primijenjeni su na unutarnje i vanjske skupove za testiranje performansi klasifikacije izračunavanjem osjetljivosti, specifičnosti, PPV -a, NPV -a i AUROC -a. Osjetljivost je definirana kao omjer uzorka za koji se procjenjuje da će biti stariji od 18 godina do uzorka za koji se procjenjuje da će biti stariji od 18 godina. Specifičnost je udio uzoraka mlađih od 18 godina, a onih koji se procjenjuju mlađi od 18 godina.
Stomatološke faze procijenjene u setu za obuku pretvorene su u numeričke faze za statističku analizu. Provedena je multivarijantna linearna i logistička regresija za razvoj prediktivnih modela za svaku formulu spola i regresije koje se mogu koristiti za procjenu dobi. Koristili smo ove formule za procjenu dobi zuba i za unutarnje i za vanjske testne setove. Tablica 4 prikazuje regresijske i klasifikacijske modele korištene u ovoj studiji.
Intra- i interobserver pouzdanost izračunata je korištenjem Cohenove kappa statistike. Da bismo testirali točnost DM -a i tradicionalne regresijske modele, izračunali smo MAE i RMSE koristeći procijenjene i stvarne dobi unutarnjih i vanjskih 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 unutarnjih i vanjskih testnih skupova izračunate pomoću DM -a i tradicionalne regresije. Učinkovitost klasifikacije 18-godišnjeg smanjenja u tradicionalnoj statistici procijenjena je korištenjem tablice za slučaj izvanrednih stanja 2 × 2. Izračunana osjetljivost, specifičnost, PPV, NPV i Auroc testnog skupa uspoređene su s izmjerenim vrijednostima modela klasifikacije DM. Podaci su izraženi kao srednja ± standardna odstupanja ili broj (%), ovisno o karakteristikama podataka. Dvostrane P vrijednosti <0,05 smatrane su statistički značajnim. Sve rutinske statističke analize provedene su korištenjem SAS verzije 9.4 (SAS Institute, Cary, NC). DM regresijski model implementiran je u Python koristeći Keras50 2.2.4 Backend i TensorFlow51 1.8.0 posebno za matematičke operacije. Model klasifikacije DM proveden je u okruženju Waikato Analysis Analysis i Konstanzov rudar informacija (Knime) 4.6.152 Analiza platforme.
Autori priznaju da se podaci koji podržavaju zaključke studije mogu naći u članku i dodatnim materijalima. Skupovi podataka generirani i/ili analizirani tijekom studije dostupni su od odgovarajućeg autora na razumnu zahtjev.
Ritz-Timme, S. i sur. Procjena dobi: stanje umjetnosti u skladu s specifičnim zahtjevima forenzičke prakse. Internacionalnost. J. Pravna medicina. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., i Olze, A. Trenutni status procjene forenzičke dobne dobi u svrhu kaznenog progona. Forenzika. lijek. Patologija. 1, 239–246 (2005).
Pan, J. i sur. Izmijenjena metoda za procjenu stomatološke dobi djece u dobi od 5 do 16 godina u istočnoj Kini. Kliničko. Usmeno istraživanje. 25, 3463–3474 (2021).
Lee, SS itd. Kronologija razvoja drugog i trećeg kutnjaka u Korejcima i njegova primjena za procjenu forenzičke dobi. Internacionalnost. J. Pravna medicina. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, Sy i Lee, SS točnost procjene dobi i procjena 18-godišnjeg praga na temelju zrelosti drugog i trećeg kutnjaka u Korejcima i Japanima. PLOS ONE 17, E0271247 (2022).
Kim, Jy i sur. Predoperativna analiza podataka utemeljena na strojnom učenju može predvidjeti ishod liječenja kirurgije spavanja u bolesnika s OSA. Znanost. Izvještaj 11, 14911 (2021).
Han, M. i sur. Točna procjena dobi iz strojnog učenja sa ili bez ljudske intervencije? Internacionalnost. J. Pravna medicina. 136, 821–831 (2022).
Khan, S. i Shaheen, M. Od iskopavanja podataka do iskopavanja podataka. J.Informacije. Znanost. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. Wirule: Prvi kognitivni algoritam za rudarstvo pravila udruživanja. J.Informacije. Znanost. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Tradicionalno iskopavanje podataka na temelju pravila udruživanja utemeljenih na kontekstu. izračunati. Matt. nastaviti. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. i Habib M. Semantička otkrivanje semantičke sličnosti utemeljenih na dubokom učenju pomoću tekstualnih podataka. obavijestiti. Tehnologije. kontrolirati. 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 sur. Izazov RSNA strojnog učenja u pedijatrijskoj koštanoj dobi. Radiologija 290, 498–503 (2019).
Li, Y. i sur. Procjena forenzičke dobi iz zdjeličnih rendgenskih zraka pomoću dubokog učenja. EURO. zračenje. 29, 2322–2329 (2019).
Guo, YC i sur. Točna dobna klasifikacija koristeći ručne metode i duboke konvolucijske neuronske mreže s ortografskih projekcijskih slika. Internacionalnost. J. Pravna medicina. 135, 1589–1597 (2021).
Alabama Dalora i sur. Procjena kostiju pomoću različitih metoda strojnog učenja: sustavni pregled literature i metaanaliza. PLOS ONE 14, E0220242 (2019).
DU, H., Li, G., Cheng, K. i Yang, J. Procjena dobne dobne cijene Afroamerikanaca i Kineza na temelju količine komore pulpnih komora prvih kutnjaka pomoću računalne tomografije konusnog snopa. Internacionalnost. J. Pravna medicina. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK i OH KS određuju dobne skupine živih ljudi koji koriste slike prvih kutnjaka utemeljenih na umjetnoj inteligenciji. Znanost. Izvještaj 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., i Urschler, M. Procjena automatske dobi i klasifikacija dobne dobne dobi iz multivarijantnih MRI podataka. IEEE J. Biomed. Zdravstvena upozorenja. 23, 1392–1403 (2019).
Cheng, Q., GE, Z., DU, H. i Li, G. Procjena dobi na temelju segmentacije 3D pulpne komore prvih kutnjaka iz računalne tomografije konusnog snopa integrirajući duboko učenje i nivo. Internacionalnost. J. Pravna medicina. 135, 365–373 (2021).
Wu, WT i sur. Iskopavanje podataka u kliničkim velikim podacima: uobičajene baze podataka, koraci i modeli metoda. Svijet. lijek. resurs. 8, 44 (2021).
Yang, J. i sur. Uvod u medicinske baze podataka i tehnologije rudarstva podataka u doba velikih podataka. J. Avid. Osnovni lijek. 13, 57–69 (2020).
Shen, S. i sur. Kamererova metoda za procjenu dobi zuba pomoću strojnog učenja. BMC Oralno zdravlje 21, 641 (2021).
Galliburg A. i sur. Usporedba različitih metoda strojnog učenja za predviđanje stomatološke dobi primjenom metode Demirdjian. Internacionalnost. J. Pravna medicina. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Novi sustav za procjenu stomatološke dobi. frknuti. biologija. 45, 211–227 (1973).
Landis, Jr i Koch, GG Mjere promatračkog sporazuma o kategorijskim podacima. Biometrija 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK i Choi HK. Teksturna, morfološka i statistička analiza dvodimenzionalnog snimanja magnetske rezonancije primjenom tehnika umjetne inteligencije za diferencijaciju primarnih tumora mozga. Zdravstvene informacije. resurs. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Post vremena: siječnja-04-2024