Hvala što ste posjetili Nature.com.Verzija preglednika koji koristite ima ograničenu podršku za CSS.Za najbolje rezultate preporučujemo korištenje novije verzije preglednika (ili isključivanje načina rada kompatibilnosti u Internet Exploreru).U međuvremenu, kako bismo osigurali stalnu podršku, prikazujemo stranicu bez stiliziranja ili JavaScripta.
Zubi se smatraju najpreciznijim pokazateljem starosti ljudskog tijela i često se koriste u forenzičkoj procjeni starosti.Namjeravali smo potvrditi procjene dentalne dobi temeljene na rudarenju podataka uspoređujući točnost procjene i učinkovitost klasifikacije 18-godišnjeg praga s tradicionalnim metodama i procjenama dobi temeljenim na rudarenju podataka.Prikupljeno je ukupno 2657 panoramskih radiografija od korejskih i japanskih građana u dobi od 15 do 23 godine.Bili su podijeljeni u set za obuku, od kojeg je svaki sadržavao 900 korejskih radiografija, i interni set za testiranje koji je sadržavao 857 japanskih radiografija.Usporedili smo točnost klasifikacije i učinkovitost tradicionalnih metoda s testnim skupovima modela rudarenja podataka.Točnost tradicionalne metode na internom ispitnom skupu nešto je veća od one modela rudarenja podataka, a razlika je mala (srednja apsolutna pogreška <0,21 godine, korijen srednje kvadratne pogreške <0,24 godine).Učinkovitost klasifikacije za 18-godišnju granicu također je slična između tradicionalnih metoda i modela rudarenja podataka.Stoga se tradicionalne metode mogu zamijeniti modelima rudarenja podataka kada se provodi forenzička procjena dobi koristeći zrelost drugog i trećeg kutnjaka u korejskih adolescenata i mladih odraslih osoba.
Procjena dentalne dobi naširoko se koristi u sudskoj medicini i dječjoj stomatologiji.Konkretno, zbog visoke korelacije između kronološke dobi i dentalnog razvoja, procjena dobi po fazama dentalnog razvoja važan je kriterij za procjenu dobi djece i adolescenata1,2,3.Međutim, za mlade ljude, procjena dentalne dobi na temelju dentalne zrelosti ima svoja ograničenja jer je dentalni rast gotovo završen, s izuzetkom trećih kutnjaka.Zakonska svrha utvrđivanja dobi mladih i adolescenata je točna procjena i znanstveni dokaz o njihovoj punoljetnosti.U medicinsko-pravnoj praksi adolescenata i mladih odraslih osoba u Koreji, dob je procijenjena korištenjem Leejeve metode, a zakonski prag od 18 godina predviđen je na temelju podataka koje su objavili Oh et al 5 .
Strojno učenje vrsta je umjetne inteligencije (AI) koja opetovano uči i klasificira velike količine podataka, sama 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 provedena mnoga istraživanja korištenjem najnovijih računalnih tehnologija za smanjenje ljudskih pogrešaka i učinkovitu obradu višedimenzionalnih podataka8,9,10,11,12.Konkretno, duboko učenje naširoko se koristi u medicinskoj analizi slike, a izvješćeno je da različite metode za procjenu dobi automatskim analiziranjem radiografija poboljšavaju točnost i učinkovitost procjene dobi13,14,15,16,17,18,19,20 .Na primjer, Halabi i suradnici 13 razvili su algoritam strojnog učenja temeljen na konvolucijskim neuronskim mrežama (CNN) za procjenu starosti kostura pomoću radiografija 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 slika zdjelice pomoću dubokog učenja CNN-a i usporedili ih s rezultatima regresije koristeći procjenu stupnja okoštavanja.Otkrili su da CNN model dubokog učenja pokazuje istu izvedbu procjene dobi kao i tradicionalni regresijski model.Studija Guoa i suradnika [15] procijenila je izvedbu klasifikacije dobne tolerancije CNN tehnologije na temelju zubnih ortofoto snimaka, a rezultati CNN modela dokazali su da su ljudi nadmašili njegovu izvedbu dobne klasifikacije.
Većina studija o procjeni dobi pomoću strojnog učenja koristi metode dubokog učenja13,14,15,16,17,18,19,20.Prijavljeno je da je procjena dobi temeljena na dubokom učenju točnija od tradicionalnih metoda.Međutim, ovaj pristup pruža malo mogućnosti za predstavljanje znanstvene osnove za procjene dobi, kao što su pokazatelji dobi korišteni u procjenama.Postoji i pravni spor oko toga tko provodi nadzor.Stoga je administrativna i sudska tijela teško prihvatiti procjenu dobi temeljenu na dubokom učenju.Data mining (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 često se koristi u rudarenju podataka, a rudarenje podataka i strojno učenje koriste iste ključne algoritme za otkrivanje uzoraka u podacima.Procjena dobi pomoću dentalnog razvoja temelji se na procjeni ispitivača o zrelosti ciljnih zuba, a ta se procjena izražava kao faza za svaki ciljni zub.DM se može koristiti za analizu korelacije između stadija 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 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 suradnici23 pokazali su da je DM model točniji od tradicionalne Camererove formule.Galibourg i suradnici24 primijenili su različite DM metode za predviđanje starosti prema Demirdjianovom kriteriju25 i rezultati su pokazali da je DM metoda nadmašila Demirdjianove i Willemsove metode u procjeni starosti 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 (kao što je višestruka regresija) 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 sur.5;međutim, primjenjivost procjene dobi na temelju DM modela u korejskoj forenzičkoj praksi još uvijek 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 u procjeni dentalne dobi i (2) usporediti učinkovitost klasifikacije 7 modela DM u dobi od 18 godina s onima dobivenim tradicionalnim statističkim metodama. i treći kutnjaci u obje čeljusti.
Srednje vrijednosti i standardne devijacije kronološke dobi prema stadiju i vrsti zuba prikazane su na mreži u Dodatnoj tablici S1 (skup za vježbanje), Dodatnoj tablici S2 (skup za interno testiranje) i Dodatnoj tablici S3 (skup za vanjsko ispitivanje).Kappa vrijednosti za intra- i inter-observersku pouzdanost dobivene iz skupa za obuku bile su 0,951 odnosno 0,947.P vrijednosti i 95% intervali pouzdanosti za kappa vrijednosti prikazani su u online dodatnoj tablici S4.Vrijednost kappa protumačena je kao "gotovo savršena", u skladu s kriterijima Landisa i Kocha26.
Kada se uspoređuje srednja apsolutna pogreška (MAE), tradicionalna metoda neznatno nadmašuje model DM za sve spolove i u eksternom muškom testu, s iznimkom višeslojnog perceptrona (MLP).Razlika između tradicionalnog modela i DM modela na internom MAE testu bila je 0,12–0,19 godina za muškarce i 0,17–0,21 godina za žene.Za bateriju vanjskog testa razlike su manje (0,001–0,05 godina za muškarce i 0,05–0,09 godina za žene).Dodatno, korijen srednje kvadratne pogreške (RMSE) nešto je niži od tradicionalne metode, s manjim razlikama (0,17–0,24, 0,2–0,24 za muški interni testni set i 0,03–0,07, 0,04–0,08 za vanjski testni set).).MLP pokazuje nešto bolje performanse od jednoslojnog perceptrona (SLP), osim u slučaju ženskog vanjskog testnog seta.Za MAE i RMSE, skup eksternih testova daje više rezultate od skupa internih testova za sve spolove i modele.Svi MAE i RMSE prikazani su u tablici 1 i na 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.
Učinkovitost klasifikacije (s granicom 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 radne karakteristike prijemnika (AUROC) 27 (tablica 2, slika 2 i dopunska slika 1 online).Što se tiče osjetljivosti interne testne baterije, tradicionalne metode pokazale su se najbolje među muškarcima, a lošije među ženama.Međutim, razlika u učinkovitosti klasifikacije između tradicionalnih metoda i SD je 9,7% za muškarce (MLP) i samo 2,4% za žene (XGBoost).Među modelima DM, logistička regresija (LR) pokazala je bolju osjetljivost u oba spola.Što se tiče specifičnosti internog skupa testova, uočeno je da su četiri SD modela imala dobre rezultate kod muškaraca, dok je tradicionalni model imao bolje rezultate kod žena.Razlike u učinkovitosti klasifikacije za muškarce i žene su 13,3% (MLP) odnosno 13,1% (MLP), što ukazuje da razlika u učinkovitosti klasifikacije između modela premašuje osjetljivost.Među DM modelima, model potpornog vektorskog stroja (SVM), stabla odlučivanja (DT) i slučajne šume (RF) pokazali su se najboljim među muškarcima, dok je LR model imao najbolje rezultate među ženama.AUROC tradicionalnog modela i svih SD modela bio je veći od 0,925 (k-najbliži susjed (KNN) kod muškaraca), pokazujući izvrsnu klasifikacijsku izvedbu u razlikovanju 18-godišnjih uzoraka28.Za eksterni testni set, došlo je do smanjenja učinkovitosti klasifikacije u smislu osjetljivosti, specifičnosti i AUROC u usporedbi s internim testnim skupom.Štoviše, razlika u osjetljivosti i specifičnosti između izvedbe 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 prekidom od 18 godina.KNN k najbliži susjed, SVM potporni vektorski stroj, LR logistička regresija, DT stablo odlučivanja, RF slučajna šuma, XGB XGBoost, MLP višeslojni perceptron, tradicionalna CM metoda.
Prvi korak u ovoj studiji bila je usporedba točnosti procjena starosti zuba dobivenih iz sedam modela DM s onima dobivenim korištenjem tradicionalne regresije.MAE i RMSE procijenjeni su internim setovima testova 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 malo točnija u ovoj studiji, teško je zaključiti ima li tako mala razlika klinički ili praktični značaj.Ovi rezultati pokazuju da je točnost procjene dentalne dobi korištenjem DM modela gotovo ista kao kod tradicionalne metode.Izravna usporedba s rezultatima iz prethodnih studija je teška jer nijedna studija nije usporedila točnost DM modela s tradicionalnim statističkim metodama koristeći istu tehniku snimanja zubi u istom dobnom rasponu kao u ovoj studiji.Galibourg i suradnici24 usporedili su MAE i RMSE između dvije tradicionalne metode (Demirjian metoda25 i Willemsova metoda29) i 10 modela DM u francuskoj populaciji u dobi od 2 do 24 godine.Izvijestili su da su svi DM modeli točniji 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 Willemsovom i Demirdjianovom metodom.Razlika između SD modela i tradicionalnih metoda prikazana u Halibourškoj studiji uzima u obzir brojna izvješća30,31,32,33 da Demirdjianova metoda ne procjenjuje točno starost zuba u populacijama osim francuskih Kanađana na kojima se studija temeljila.u ovoj studiji.Tai i suradnici 34 koristili su MLP algoritam za predviđanje starosti zuba iz 1636 kineskih ortodontskih fotografija i usporedili njegovu točnost s rezultatima Demirjian i Willemsove metode.Izvijestili su da MLP ima veću točnost od tradicionalnih metoda.Razlika između Demirdjian metode i tradicionalne metode je <0,32 godine, a Willems 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 su slične.Međutim, na temelju prikazanih rezultata možemo samo oprezno zaključiti da korištenje DM modela za procjenu dobi može zamijeniti postojeće metode zbog nedostatka usporednih i referentnih prethodnih studija.Potrebne su naknadne studije koje koriste veće uzorke kako bi se potvrdili rezultati dobiveni u ovoj studiji.
Među studijama koje su testirale točnost SD u procjeni starosti zuba, neke su pokazale veću točnost od naše studije.Stepanovsky i suradnici 35 primijenili su 22 SD modela na panoramske radiografije 976 stanovnika Češke u dobi od 2,7 do 20,5 godina i testirali su 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 u rasponu od 0,64 do 0,94 godine, a RMSE u rasponu od 0,85 do 1,27 godina, što je preciznije od dva DM modela korištena u ovoj studiji.Shen i suradnici23 koristili su Cameriere metodu za procjenu dentalne dobi sedam trajnih zuba u lijevoj donjoj čeljusti kod stanovnika istočne Kine u dobi od 5 do 13 godina i usporedili su je s dobi procijenjenom pomoću linearne regresije, SVM i RF.Pokazali su da sva tri DM modela imaju veću točnost u usporedbi s tradicionalnom formulom Cameriere.MAE i RMSE u Shenovoj studiji bili su niži od onih u DM modelu u ovoj studiji.Povećana preciznost studija Stepanovsky et al.35 i Shen et al.23 može biti posljedica uključivanja mlađih ispitanika u njihove uzorke istraživanja.Budući da procjene dobi za sudionike sa zubima u razvoju postaju točnije kako se broj zuba povećava tijekom razvoja zuba, točnost dobivene metode procjene dobi može biti ugrožena kada su sudionici studije mlađi.Dodatno, MLP-ova pogreška u procjeni dobi nešto je manja od SLP-ove, što znači da je MLP točniji od SLP-a.MLP se smatra malo boljim za procjenu dobi, vjerojatno zbog skrivenih slojeva u MLP38.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 klasifikacijska učinkovitost DM modela i tradicionalne metode na 18-godišnjem pragu.Svi testirani SD modeli i tradicionalne metode na internom ispitnom setu 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 veća od 89,3% odnosno 84,7%.AUROC svih testiranih modela također prelazi 0,925.Koliko nam je poznato, nijedna studija nije testirala učinkovitost DM modela za 18-godišnju klasifikaciju na temelju zrelosti zuba.Možemo usporediti rezultate ove studije s izvedbom klasifikacije modela dubokog učenja na panoramskim radiografijama.Guo et al.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 manuelne 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 sličnu učinkovitost 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 na drugom mjestu po specifičnosti za muškarce.Štoviše, LR se smatra jednim od modela DM35 koji je lakši za korištenje te je manje složen i težak za obradu.Na temelju ovih rezultata, LR se smatrao najboljim graničnim modelom klasifikacije za 18-godišnjake u korejskoj populaciji.
Općenito, točnost procjene dobi ili uspješnosti klasifikacije na eksternom testu bila je loša ili niža u usporedbi s rezultatima na internom testu.Neka izvješća pokazuju da se točnost ili učinkovitost klasifikacije smanjuje kada se procjene dobi temeljene na korejskoj populaciji primijene na japansku populaciju5,39, a sličan je uzorak pronađen u ovoj studiji.Ovaj trend pogoršanja također je primijećen u DM modelu.Stoga, za točnu procjenu starosti, čak i kada se koristi DM u procesu analize, treba dati prednost metodama izvedenim iz podataka o izvornom stanovništvu, kao što su tradicionalne metode5,39,40,41,42.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 te rasne razlike u ograničenoj dobi.procjene.
Pokazujemo da se tradicionalne metode mogu zamijeniti procjenom dobi na temelju DM modela u forenzičkoj praksi procjene dobi u Koreji.Također smo otkrili mogućnost implementacije strojnog učenja za forenzičku procjenu dobi.Međutim, postoje jasna ograničenja, kao što je nedovoljan broj sudionika u ovoj studiji da bi se definitivno utvrdili rezultati te nedostatak prethodnih studija koje bi usporedile i potvrdile rezultate ove studije.U budućnosti bi studije DM trebale biti provedene s većim brojem uzoraka i raznolikijom populacijom 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, potrebne su buduće studije za usporedbu točnosti klasifikacije i učinkovitosti modela DM i dubokog učenja s tradicionalnim metodama u istim uzorcima.
Studija je koristila 2657 ortografskih fotografija prikupljenih od odraslih Korejaca i Japanaca u dobi od 15 do 23 godine.Korejski rendgenski snimci podijeljeni su u 900 setova za obuku (19,42 ± 2,65 godina) i 900 setova za interno testiranje (19,52 ± 2,59 godina).Skup za obuku prikupljen je u jednoj instituciji (bolnica St. Mary 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 radiografija iz drugih podataka temeljenih na populaciji (Iwate Medical University, Japan) za vanjsko testiranje.Radiografski snimci japanskih ispitanika (19,31 ± 2,60 godina) odabrani su kao eksterni ispitni skup.Podaci su prikupljeni retrospektivno kako bi se analizirale faze dentalnog razvoja na panoramskim rendgenskim snimkama snimljenim tijekom stomatološkog liječenja.Svi prikupljeni podaci bili su anonimni osim spola, datuma rođenja i datuma radiografije.Kriteriji za uključivanje i isključivanje bili su isti kao i prethodno objavljene studije 4, 5.Stvarna starost uzorka izračunata je oduzimanjem datuma rođenja od datuma snimanja radiografije.Uzorak je podijeljen u devet dobnih skupina.Dobna i spolna distribucija prikazana je u tablici 3. Ova je studija provedena u skladu s Helsinškom deklaracijom i odobrena od strane Institucionalnog odbora za reviziju (IRB) bolnice St. Mary u Seulu Katoličkog sveučilišta u Koreji (KC22WISI0328).Zbog retrospektivnog dizajna ove studije, informirani pristanak nije se mogao dobiti od svih pacijenata koji su podvrgnuti radiografskom pregledu u terapijske svrhe.Sveučilišna bolnica St. Mary u Seulu (IRB) odustala je od zahtjeva za informiranim pristankom.
Razvojni stadiji bimaksilarnih drugog i trećeg kutnjaka procijenjeni su prema Demircanovim kriterijima25.Odabran je samo jedan zub ako je isti tip zuba pronađen na lijevoj i desnoj strani svake čeljusti.Ako su homologni zubi s obje strane bili u različitim razvojnim stupnjevima, odabran je zub s nižim razvojnim stupnjem kako bi se uzela u obzir nesigurnost u procijenjenoj dobi.Stotinu nasumično odabranih rendgenskih snimaka iz skupa za obuku ocjenjivala su dva iskusna promatrača kako bi se testirala pouzdanost između promatrača nakon predkalibracije kako bi se odredio stupanj zrelosti zuba.Pouzdanost unutar promatrača procijenjena je dvaput u tromjesečnim intervalima od strane primarnog promatrača.
Spol i razvojni stupanj drugog i trećeg kutnjaka svake čeljusti u setu za obuku 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 faze četiriju 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 je matematički sličan višestrukoj linearnoj regresiji.Za razliku od SLP modela, MLP model ima više skrivenih slojeva s nelinearnim funkcijama aktivacije.Naši eksperimenti koristili su skriveni sloj sa samo 20 skrivenih čvorova s nelinearnim funkcijama aktivacije.Koristite gradijentni spuštanje kao metodu optimizacije i MAE i RMSE kao funkciju gubitka za treniranje našeg modela strojnog učenja.Najbolji dobiveni regresijski model primijenjen je na unutarnje i vanjske testove te je procijenjena starost zuba.
Razvijen je algoritam klasifikacije koji koristi zrelost četiri zuba na setu za vježbanje kako bi se predvidjelo ima li uzorak 18 godina ili ne.Kako bismo izradili model, izveli smo sedam reprezentativnih algoritama strojnog učenja6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost i (7) MLP .LR je jedan od najčešće korištenih klasifikacijskih algoritama44.To je algoritam nadziranog učenja koji koristi regresiju za predviđanje vjerojatnosti pripadnosti podataka određenoj kategoriji od 0 do 1 i klasificira podatke kao pripadnost vjerojatnijoj kategoriji na temelju te vjerojatnosti;uglavnom se koristi za binarnu klasifikaciju.KNN je jedan od najjednostavnijih algoritama strojnog učenja45.Kada mu se daju novi ulazni podaci, on pronalazi k podataka blizu postojećeg skupa i zatim ih klasificira u klasu s najvećom učestalošću.Postavili smo 3 za broj razmatranih susjeda (k).SVM je algoritam koji maksimizira udaljenost između dviju klasa korištenjem kernel funkcije za proširenje linearnog prostora u nelinearni prostor koji se zove polja46.Za ovaj model koristimo bias = 1, power = 1 i gamma = 1 kao hiperparametre za jezgru polinoma.DT se primjenjuje u raznim područjima kao algoritam za dijeljenje 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 skupna metoda koja kombinira višestruke DT-ove za poboljšanje performansi korištenjem metode agregacije pokretačkog sustava koja generira slabi klasifikator za svaki uzorak nasumičnim izvlačenjem uzoraka iste veličine više puta iz izvornog skupa podataka48.Koristili smo 100 stabala, 10 dubina stabala, 1 minimalnu veličinu čvora i Ginijev indeks primjesa kao kriterij za odvajanje čvorova.Klasifikacija novih podataka utvrđuje se većinom glasova.XGBoost je algoritam koji kombinira tehnike pojačanja koristeći metodu koja kao podatke za obuku uzima pogrešku između stvarnih i predviđenih vrijednosti prethodnog modela i povećava pogrešku korištenjem gradijena49.To je široko korišten algoritam zbog dobre izvedbe i učinkovitosti resursa, kao i visoke pouzdanosti kao funkcije korekcije prekomjernog opremanja.Model je opremljen s 400 potpornih kotača.MLP je neuronska mreža u kojoj jedan ili više perceptrona čine više slojeva s jednim ili više skrivenih slojeva između ulaznog i izlaznog sloja38.Pomoću toga možete izvršiti nelinearnu klasifikaciju gdje kada dodate ulazni sloj i dobijete vrijednost rezultata, predviđena vrijednost rezultata se uspoređuje sa stvarnom vrijednošću rezultata i pogreška se prenosi natrag.Napravili smo skriveni sloj s 20 skrivenih neurona u svakom sloju.Svaki model koji smo razvili primijenjen je na unutarnje i vanjske skupove za testiranje učinkovitosti klasifikacije izračunavanjem osjetljivosti, specifičnosti, PPV, NPV i AUROC.Osjetljivost se definira kao omjer uzorka za koji se procjenjuje da ima 18 godina ili više i uzorka za koji se procjenjuje da je star 18 godina ili više.Specifičnost je udio uzoraka mlađih od 18 godina i onih za koje se procjenjuje da su mlađi od 18 godina.
Stomatološki stadiji procijenjeni u skupu za obuku pretvoreni su u numeričke stadije za statističku analizu.Provedena je multivarijatna linearna i logistička regresija kako bi se razvili prediktivni modeli za svaki spol i izvele regresijske formule koje se mogu koristiti za procjenu dobi.Koristili smo ove formule za procjenu starosti zuba za unutarnje i vanjske testove.Tablica 4 prikazuje modele regresije i klasifikacije korištene u ovoj studiji.
Pouzdanost unutar i među promatračima 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 pogreška manja, to je veća točnost prognoze24.Usporedite MAE i RMSE internih i eksternih skupova testova izračunatih pomoću DM i tradicionalne regresije.Učinkovitost klasifikacije 18-godišnjeg ograničenja u tradicionalnoj statistici procijenjena je korištenjem tablice nepredviđenosti 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 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 implementiran je u Waikato Knowledge Analysis Environment i platformi za analizu Konstanz Information Miner (KNIME) 4.6.152.
Autori potvrđuju 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 sur.Procjena dobi: najsuvremenije za ispunjavanje specifičnih zahtjeva forenzičke prakse.internacionalnost.J. Pravna medicina.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. i Olze, A. Trenutno stanje forenzičke procjene starosti živih subjekata u svrhu kaznenog progona.Forenzika.lijek.Patologija.1, 239–246 (2005).
Pan, J. i sur.Modificirana metoda za procjenu dentalne dobi djece u dobi od 5 do 16 godina u istočnoj Kini.klinički.Usmena anketa.25, 3463-3474 (2021).
Lee, SS itd. Kronologija razvoja drugog i trećeg kutnjaka u Korejaca i njezina primjena za forenzičku procjenu starosti.internacionalnost.J. Pravna medicina.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY i Lee, SS. Točnost procjene dobi i procjena praga od 18 godina na temelju zrelosti drugog i trećeg kutnjaka u Korejaca i Japanaca.PLoS ONE 17, e0271247 (2022).
Kim, JY i sur.Preoperativna analiza podataka temeljena na strojnom učenju može predvidjeti ishod liječenja operacije spavanja kod pacijenata s OSA.znanost.Izvješće 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 rudarenja podataka do rudarenja podataka.J.Informacije.znanost.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. WisRule: Prvi kognitivni algoritam za rudarenje pravila asocijacije.J.Informacije.znanost.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Tradicionalno rudarenje podataka temeljeno na pravilima asocijacije temeljenoj na kontekstu.izračunati.Matt.nastaviti.68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. i Habib M. Detekcija semantičke sličnosti temeljena 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 videima.multimedija.Prijave alata https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS i sur.RSNA izazov strojnog učenja u pedijatrijskoj koštanoj dobi.Radiologija 290, 498–503 (2019).
Li, Y. i sur.Forenzička procjena dobi iz rendgenskih snimaka zdjelice pomoću dubokog učenja.EURO.radijacija.29, 2322-2329 (2019).
Guo, YC, i sur.Točna dobna klasifikacija korištenjem ručnih metoda i dubokih konvolucijskih neuronskih mreža iz slika ortografske projekcije.internacionalnost.J. Pravna medicina.135, 1589–1597 (2021).
Alabama Dalora i sur.Procjena starosti kostiju pomoću 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 Afroamerikanaca i Kineza specifična za populaciju na temelju volumena pulpne komore prvih kutnjaka korištenjem računalne tomografije sa stožastim snopom.internacionalnost.J. Pravna medicina.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK i Oh KS Određivanje dobnih skupina živih ljudi pomoću 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 punoljetne dobi iz multivarijatnih MRI podataka.IEEE J. Biomed.Zdravstvena upozorenja.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. i Li, G. Procjena starosti na temelju 3D segmentacije pulpne komore prvih kutnjaka iz računalne tomografije s konusnim snopom integracijom dubokog učenja i skupova razina.internacionalnost.J. Pravna medicina.135, 365–373 (2021).
Wu, WT i sur.Rudarenje podataka u kliničkim velikim podacima: uobičajene baze podataka, modeli koraka i metoda.Svijet.lijek.resurs.8, 44 (2021).
Yang, J. i sur.Uvod u medicinske baze podataka i tehnologije rudarenja podataka u eri velikih podataka.J. Avid.Osnovna medicina.13, 57–69 (2020).
Shen, S. i sur.Camererova metoda za procjenu starosti zuba pomoću strojnog učenja.BMC Oralno zdravlje 21, 641 (2021).
Galliburg A. i sur.Usporedba različitih metoda strojnog učenja za predviđanje dentalne dobi korištenjem Demirdjian metode staginga.internacionalnost.J. Pravna medicina.135, 665-675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Novi sustav za procjenu starosti zuba.frknuti.biologija.45, 211–227 (1973).
Landis, JR, i Koch, GG Mjere slaganja promatrača o kategoričkim podacima.Biometrija 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK i Choi HK.Teksturalna, morfološka i statistička analiza dvodimenzionalne magnetske rezonancije primjenom tehnika umjetne inteligencije za diferencijaciju primarnih tumora mozga.Informacije o zdravlju.resurs.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Vrijeme objave: 4. siječnja 2024