Kiitos, että kävit Nature.com-sivustolla. Käyttämäsi selainversio tukee CSS:ää rajoitetusti. Parhaan tuloksen saavuttamiseksi suosittelemme uudemman selainversion käyttöä (tai Internet Explorerin yhteensopivuustilan poistamista käytöstä). Sillä välin näytämme sivuston ilman tyylittelyä tai JavaScriptiä jatkuvan tuen varmistamiseksi.
Hampaita pidetään ihmiskehon iän tarkimpana indikaattorina, ja niitä käytetään usein oikeuslääketieteellisessä iänarvioinnissa. Tavoitteenamme oli validoida tiedonlouhintaan perustuvia hampaiden ikäarvioita vertaamalla 18 vuoden kynnysarvon arviointitarkkuutta ja luokittelukykyä perinteisiin menetelmiin ja tiedonlouhintaan perustuviin ikäarvioihin. Yhteensä 2657 panoraamaröntgenkuvaa kerättiin 15–23-vuotiailta korealaisilta ja japanilaisilta kansalaisilta. Ne jaettiin harjoitusjoukkoon, joista kukin sisälsi 900 korealaista röntgenkuvaa, ja sisäiseen testijoukkoon, joka sisälsi 857 japanilaista röntgenkuvaa. Vertailimme perinteisten menetelmien luokittelutarkkuutta ja tehokkuutta tiedonlouhintamallien testijoukkoihin. Perinteisen menetelmän tarkkuus sisäisessä testijoukossa on hieman korkeampi kuin tiedonlouhintamallin, ja ero on pieni (keskimääräinen absoluuttinen virhe <0,21 vuotta, neliöjuurikeskivirhe <0,24 vuotta). Luokittelukyky 18 vuoden rajalla on myös samanlainen perinteisten menetelmien ja tiedonlouhintamallien välillä. Siten perinteiset menetelmät voidaan korvata tiedonlouhintamalleilla, kun oikeuslääketieteellistä iänarviointia suoritetaan käyttämällä toisen ja kolmannen poskihampaan kypsyyttä korealaisilla nuorilla ja nuorilla aikuisilla.
Hampaiden iän arviointia käytetään laajalti oikeuslääketieteessä ja lasten hammaslääketieteessä. Erityisesti kronologisen iän ja hampaiden kehityksen välisen vahvan korrelaation vuoksi iän arviointi hampaiden kehitysvaiheiden perusteella on tärkeä kriteeri lasten ja nuorten iän arvioinnissa1,2,3. Nuorten kohdalla hampaiden kypsyyteen perustuvalla iän arvioinnilla on kuitenkin rajoituksensa, koska hampaiden kasvu on lähes päättynyt viisaudenhampaita lukuun ottamatta. Nuorten ja nuorten iän määrittämisen laillinen tarkoitus on antaa tarkkoja arvioita ja tieteellistä näyttöä siitä, ovatko he saavuttaneet täysi-ikäisyyden. Koreassa nuorten ja nuorten aikuisten oikeuslääketieteellisessä käytännössä ikä arvioitiin Leen menetelmällä, ja 18 vuoden laillinen kynnys ennustettiin Oh et al.5:n raportoimien tietojen perusteella.
Koneoppiminen on tekoälyn (AI) muoto, joka toistuvasti oppii ja luokittelee suuria tietomääriä, ratkaisee ongelmia itse ja ohjaa dataohjelmointia. Koneoppiminen voi löytää hyödyllisiä piilotettuja malleja suurista tietomääristä6. Sitä vastoin klassisilla menetelmillä, jotka ovat työläitä ja aikaa vieviä, voi olla rajoituksia käsiteltäessä suuria määriä monimutkaista ja manuaalisesti vaikeasti käsiteltävää tietoa7. Siksi on viime aikoina tehty monia tutkimuksia, joissa on käytetty uusimpia tietokonetekniikoita inhimillisten virheiden minimoimiseksi ja moniulotteisen datan tehokkaaksi käsittelemiseksi8,9,10,11,12. Erityisesti syväoppimista on käytetty laajalti lääketieteellisessä kuvankäsittelyssä, ja useiden iänarviointimenetelmien, jotka analysoivat automaattisesti röntgenkuvia, on raportoitu parantavan iänarvioinnin tarkkuutta ja tehokkuutta13,14,15,16,17,18,19,20. Esimerkiksi Halabi ym.13 kehittivät konvoluutioneuroverkkoihin (CNN) perustuvan koneoppimisalgoritmin luuston iän arvioimiseksi lasten käsien röntgenkuvien avulla. Tämä tutkimus ehdottaa mallia, joka soveltaa koneoppimista lääketieteellisiin kuviin ja osoittaa, että nämä menetelmät voivat parantaa diagnostista tarkkuutta. Li ym.14 arvioivat iän lantion röntgenkuvista käyttämällä syväoppivaa CNN-mallia ja vertasivat niitä luutumisvaiheen estimoinnin avulla saatuihin regressiotuloksiin. He havaitsivat, että syväoppivalla CNN-mallilla oli sama iänarviointiteho kuin perinteisellä regressiomallilla. Guo ym. tutkimuksessa [15] arvioitiin CNN-teknologian ikätoleranssiluokittelua hammasortokuvien perusteella, ja CNN-mallin tulokset osoittivat, että ihmiset suoriutuivat sen ikäluokittelua paremmin.
Useimmat koneoppimiseen perustuvaa iänarviointia koskevat tutkimukset käyttävät syväoppimisen menetelmiä13,14,15,16,17,18,19,20. Syväoppimiseen perustuvan iänarvioinnin on raportoitu olevan tarkempi kuin perinteiset menetelmät. Tämä lähestymistapa tarjoaa kuitenkin vain vähän mahdollisuuksia esittää ikäarvioiden tieteellistä perustaa, kuten arvioissa käytettyjä ikäindikaattoreita. Tarkastusten suorittajasta on myös oikeudellista kiistaa. Siksi syväoppimiseen perustuvaa iänarviointia on vaikea hyväksyä hallinto- ja oikeusviranomaisten keskuudessa. Tiedonlouhinta (DM) on tekniikka, jolla voidaan löytää paitsi odotettua myös odottamatonta tietoa, ja se on menetelmä hyödyllisten korrelaatioiden löytämiseksi suurten tietomäärien välillä6,21,22. Koneoppimista käytetään usein tiedonlouhinnassa, ja sekä tiedonlouhinta että koneoppiminen käyttävät samoja keskeisiä algoritmeja datan mallien löytämiseksi. Hampaiden kehitykseen perustuva iänarviointi perustuu tutkijan arvioon kohdehampaiden kypsyydestä, ja tämä arvio ilmaistaan vaiheena kullekin kohdehampaalle. DM:ää voidaan käyttää hampaiden arviointivaiheen ja todellisen iän välisen korrelaation analysointiin, ja sillä on potentiaalia korvata perinteinen tilastollinen analyysi. Siksi, jos sovellamme DM-tekniikoita iän arviointiin, voimme hyödyntää koneoppimista rikosteknisessä iän arvioinnissa huolehtimatta oikeudellisesta vastuusta. Useita vertailevia tutkimuksia on julkaistu mahdollisista vaihtoehdoista perinteisille rikosteknisessä käytännössä käytetyille manuaalisille menetelmille ja EBM-pohjaisille menetelmille hampaiden iän määrittämiseksi. Shen ym.23 osoittivat, että DM-malli on tarkempi kuin perinteinen Camererin kaava. Galibourg ym.24 sovelsivat erilaisia DM-menetelmiä iän ennustamiseen Demirdjianin kriteerin25 mukaisesti, ja tulokset osoittivat, että DM-menetelmä oli Demirdjianin ja Willemsin menetelmiä parempi Ranskan väestön iän arvioinnissa.
Leen menetelmää 4 käytetään laajalti korealaisessa oikeuslääketieteellisessä käytännössä korealaisten nuorten ja nuorten aikuisten hammasiän arvioimiseksi. Tämä menetelmä käyttää perinteistä tilastollista analyysia (kuten moninkertaista regressiota) tutkiakseen korealaisten koehenkilöiden ja kronologisen iän välistä suhdetta. Tässä tutkimuksessa perinteisillä tilastollisilla menetelmillä saatuja iänarviointimenetelmiä määritellään "perinteisinä menetelminä". Leen menetelmä on perinteinen menetelmä, ja Oh et al. 5 ovat vahvistaneet sen tarkkuuden; DM-malliin perustuvan iänarvioinnin sovellettavuus korealaisessa oikeuslääketieteellisessä käytännössä on kuitenkin edelleen kyseenalainen. Tavoitteenamme oli tieteellisesti validoida DM-malliin perustuvan iänarvioinnin mahdollinen hyödyllisyys. Tutkimuksen tarkoituksena oli (1) verrata kahden DM-mallin tarkkuutta hammasiän arvioinnissa ja (2) verrata seitsemän DM-mallin luokittelukykyä 18 vuoden iässä perinteisillä tilastollisilla menetelmillä saatuihin tuloksiin. Molempien leukojen toisen ja kolmannen poskihampaan kypsyys.
Kronologisen iän keskiarvot ja keskihajonnat vaiheen ja hammastyypin mukaan on esitetty verkossa lisätaulukossa S1 (harjoitusjoukko), lisätaulukossa S2 (sisäinen testijoukko) ja lisätaulukossa S3 (ulkoinen testijoukko). Harjoitusjoukosta saadut havainnoijien sisäisen ja havainnoijien välisen luotettavuuden kappa-arvot olivat vastaavasti 0,951 ja 0,947. Kappa-arvojen p-arvot ja 95 %:n luottamusvälit on esitetty verkossa lisätaulukossa S4. Kappa-arvo tulkittiin ”melkein täydelliseksi”, mikä on yhdenmukaista Landisin ja Kochin26 kriteerien kanssa.
Keskimääräistä absoluuttista virhettä (MAE) verrattaessa perinteinen menetelmä suoriutuu hieman DM-mallia paremmin kaikilla sukupuolilla ja ulkoisessa miespuolisessa testijoukossa lukuun ottamatta monikerroksista perceptronia (MLP). Ero perinteisen mallin ja DM-mallin välillä sisäisessä MAE-testijoukossa oli miehillä 0,12–0,19 vuotta ja naisilla 0,17–0,21 vuotta. Ulkoisessa testijoukossa erot ovat pienempiä (0,001–0,05 vuotta miehillä ja 0,05–0,09 vuotta naisilla). Lisäksi keskimääräinen neliövirhe (RMSE) on hieman pienempi kuin perinteisessä menetelmässä, ja erot ovat pienempiä (0,17–0,24, 0,2–0,24 miesten sisäisessä testijoukossa ja 0,03–0,07, 0,04–0,08 ulkoisessa testijoukossa). MLP osoittaa hieman parempaa suorituskykyä kuin yksikerroksinen perceptroni (SLP), lukuun ottamatta naisten ulkoista testijoukkoa. MAE- ja RMSE-arvojen osalta ulkoinen testijoukko antaa korkeammat pisteet kuin sisäinen testijoukko kaikilla sukupuolilla ja malleilla. Kaikki MAE- ja RMSE-arvot on esitetty taulukossa 1 ja kuvassa 1.
Perinteisten ja tiedonlouhintaregressiomallien keskimääräinen absoluuttinen virhe (MAE) ja keskimääräinen neliövirhe (RMSE). Keskimääräinen absoluuttinen virhe (MAE), keskimääräinen neliövirhe (RMSE), yksikerroksinen perceptron SLP, monikerroksinen perceptron MLP, perinteinen CM-menetelmä.
Perinteisten ja DM-mallien luokittelukykyä (18 vuoden raja-arvolla) osoitettiin herkkyyden, spesifisyyden, positiivisen ennustearvon (PPV), negatiivisen ennustearvon (NPV) ja ROC-käyrän alle jäävän pinta-alan (AUROC) 27 perusteella (taulukko 2, kuva 2 ja lisäkuva 1 verkossa). Sisäisen testijoukon herkkyyden suhteen perinteiset menetelmät toimivat parhaiten miehillä ja huonoimmin naisilla. Luokittelukyvyn ero perinteisten menetelmien ja SD:n välillä on kuitenkin 9,7 % miehillä (MLP) ja vain 2,4 % naisilla (XGBoost). DM-malleista logistinen regressio (LR) osoitti parempaa herkkyyttä molemmilla sukupuolilla. Sisäisen testijoukon spesifisyyden osalta havaittiin, että neljä SD-mallia toimivat hyvin miehillä, kun taas perinteinen malli toimi paremmin naisilla. Luokittelukyvyn erot miesten ja naisten välillä ovat 13,3 % (MLP) ja 13,1 % (MLP), mikä osoittaa, että mallien välinen luokittelukyvyn ero ylittää herkkyyden. DM-malleista tukivektorikone (SVM), päätöspuumalli (DT) ja satunnaismetsämalli (RF) toimivat parhaiten miesten keskuudessa, kun taas LR-malli toimi parhaiten naisten keskuudessa. Perinteisen mallin ja kaikkien SD-mallien AUROC-arvo oli yli 0,925 (k-lähin naapuri (KNN) miehillä), mikä osoittaa erinomaista luokittelusuorituskykyä 18-vuotiaiden otosryhmien erottelussa28. Ulkoisessa testijoukossa luokittelusuorituskyky heikkeni herkkyyden, spesifisyyden ja AUROC-arvon suhteen verrattuna sisäiseen testijoukkoon. Lisäksi parhaiden ja huonoimpien mallien luokittelusuorituskyvyn välinen ero herkkyydessä ja spesifisyydessä vaihteli 10–25 %:n välillä ja oli suurempi kuin ero sisäisessä testijoukossa.
Tiedonlouhinnan luokittelumallien herkkyys ja spesifisyys verrattuna perinteisiin menetelmiin 18 vuoden katkaisuajalla. KNN k lähin naapuri, SVM-tukivektorikone, LR logistinen regressio, DT-päätöspuu, RF-satunnaismetsä, XGB XGBoost, MLP monikerrosperseptroni, perinteinen CM-menetelmä.
Tämän tutkimuksen ensimmäinen vaihe oli verrata seitsemällä DM-mallilla saatujen hampaiden iän arvioiden tarkkuutta perinteisellä regressiolla saatuihin arvioihin. MAE- ja RMSE-arvoja arvioitiin sisäisissä testisarjoissa molemmille sukupuolille, ja perinteisen menetelmän ja DM-mallin välinen ero vaihteli 44–77 päivän välillä MAE-mallin ja 62–88 päivän välillä RMSE-mallin osalta. Vaikka perinteinen menetelmä oli tässä tutkimuksessa hieman tarkempi, on vaikea päätellä, onko näin pienellä erolla kliinistä tai käytännön merkitystä. Nämä tulokset osoittavat, että hampaiden iän arvioinnin tarkkuus DM-mallilla on lähes sama kuin perinteisellä menetelmällä. Suora vertailu aiempien tutkimusten tuloksiin on vaikeaa, koska missään tutkimuksessa ei ole verrattu DM-mallien tarkkuutta perinteisiin tilastollisiin menetelmiin, joissa käytetään samaa hampaiden tallennustekniikkaa samassa ikäryhmässä kuin tässä tutkimuksessa. Galibourg ym.24 vertasivat MAE- ja RMSE-arvoja kahden perinteisen menetelmän (Demirjian-menetelmä25 ja Willems-menetelmä29) ja 10 DM-mallin välillä 2–24-vuotiaalla ranskalaisella väestöllä. He raportoivat, että kaikki DM-mallit olivat tarkempia kuin perinteiset menetelmät, ja MAE-arvojen ero oli 0,20 ja 0,38 vuotta sekä RMSE-arvojen 0,25 ja 0,47 vuotta verrattuna Willemsin ja Demirdjianin menetelmiin. Halibourgin tutkimuksessa havaittu ero SD-mallin ja perinteisten menetelmien välillä ottaa huomioon lukuisat raportit30,31,32,33, joiden mukaan Demirdjian-menetelmä ei arvioi tarkasti hampaiden ikää muissa populaatioissa kuin tutkimuksen perustana olevissa ranskalaiskanadalaisissa. Tässä tutkimuksessa Tai ym.34 käyttivät MLP-algoritmia hampaiden iän ennustamiseen 1636 kiinalaisesta oikomishoidon valokuvasta ja vertasivat sen tarkkuutta Demirjianin ja Willemsin menetelmän tuloksiin. He raportoivat, että MLP:llä on suurempi tarkkuus kuin perinteisillä menetelmillä. Demirdjian-menetelmän ja perinteisen menetelmän välinen ero on <0,32 vuotta ja Willemsin menetelmän 0,28 vuotta, mikä on samankaltainen kuin tämän tutkimuksen tulokset. Näiden aiempien tutkimusten24,34 tulokset ovat myös yhdenmukaisia tämän tutkimuksen tulosten kanssa, ja DM-mallin ja perinteisen menetelmän iänarviointitarkkuus on samanlainen. Esitettyjen tulosten perusteella voimme kuitenkin vain varovaisesti päätellä, että DM-mallien käyttö iän arvioimiseen saattaa korvata olemassa olevia menetelmiä, koska vertailevia ja referenssejä sisältäviä aiempia tutkimuksia ei ole. Tässä tutkimuksessa saatujen tulosten vahvistamiseksi tarvitaan seurantatutkimuksia, joissa käytetään suurempia otoksia.
Hammasiän arvioinnissa SD:n tarkkuutta testaavista tutkimuksista jotkut osoittivat parempaa tarkkuutta kuin meidän tutkimuksemme. Stepanovsky ym. 35 sovelsivat 22 SD-mallia 976 tšekkiläisen, 2,7–20,5-vuotiaan asukkaan panoraamaröntgenkuviin ja testasivat kunkin mallin tarkkuutta. He arvioivat yhteensä 16 vasemman ylä- ja alaleuan pysyvän hampaan kehitystä Moorreesin ym. 36 ehdottamien luokittelukriteerien avulla. MAE vaihtelee 0,64:n ja 0,94 vuoden välillä ja RMSE 0,85:n ja 1,27 vuoden välillä, mikä on tarkempaa kuin tässä tutkimuksessa käytetyt kaksi DM-mallia. Shen ym. 23 käyttivät Cameriere-menetelmää arvioidakseen seitsemän pysyvän hampaan hammasiän vasemmassa alaleuassa 5–13-vuotiailla itäkiinalaisilla asukkailla ja vertasivat sitä lineaarisen regression, SVM:n ja RF:n avulla arvioituihin ikiin. He osoittivat, että kaikilla kolmella DM-mallilla on parempi tarkkuus verrattuna perinteiseen Cameriere-kaavaan. Shenin tutkimuksessa MAE ja RMSE olivat alhaisemmat kuin tässä tutkimuksessa käytetyn DM-mallin tulokset. Stepanovsky ym.35 ja Shen ym.23 tutkimusten lisääntynyt tarkkuus voi johtua nuorempien koehenkilöiden sisällyttämisestä heidän tutkimusotoksiinsa. Koska kehittyvien hampaiden omaavien osallistujien ikäarviot tarkentuvat hampaiden määrän kasvaessa hampaiden kehityksen aikana, tuloksena olevan iänarviointimenetelmän tarkkuus voi heikentyä, kun tutkimusosallistujat ovat nuorempia. Lisäksi MLP:n virhe iänarvioinnissa on hieman pienempi kuin SLP:n, mikä tarkoittaa, että MLP on tarkempi kuin SLP. MLP:tä pidetään hieman parempana iänarvioinnissa, mahdollisesti MLP38:n piilevien kerrosten vuoksi. Naisten ulomman otoksen osalta on kuitenkin poikkeus (SLP 1,45, MLP 1,49). Havainto, että MLP on tarkempi kuin SLP iän arvioinnissa, vaatii lisäretrospektiivisia tutkimuksia.
Myös DM-mallin ja perinteisen menetelmän luokittelukykyä 18 vuoden ikärajalla verrattiin. Kaikki testatut SD-mallit ja perinteiset menetelmät sisäisessä testijoukossa osoittivat käytännössä hyväksyttävää erottelukykyä 18-vuotiaiden otoksella. Herkkyys miehillä ja naisilla oli yli 87,7 % ja 94,9 %, ja spesifisyys oli yli 89,3 % ja 84,7 %. Kaikkien testattujen mallien AUROC ylittää myös 0,925. Tietojemme mukaan yksikään tutkimus ei ole testannut DM-mallin suorituskykyä 18-vuotiaiden hampaiden kypsyyteen perustuvassa luokittelussa. Voimme verrata tämän tutkimuksen tuloksia syväoppimismallien luokittelukykyyn panoraamaröntgenkuvissa. Guo ym.15 laskivat CNN-pohjaisen syväoppimismallin ja Demirjianin menetelmään perustuvan manuaalisen menetelmän luokittelukyvyn tietyllä ikärajalla. Manuaalisen menetelmän herkkyys ja spesifisyys olivat vastaavasti 87,7 % ja 95,5 %, ja CNN-mallin herkkyys ja spesifisyys ylittivät 89,2 % ja 86,6 %. He päättelivät, että syväoppimismallit voivat korvata tai ylittää manuaalisen arvioinnin ikärajojen luokittelussa. Tämän tutkimuksen tulokset osoittivat samanlaista luokittelusuorituskykyä; Uskotaan, että DM-malleja käyttäen tapahtuva luokittelu voi korvata perinteiset tilastolliset menetelmät iän arvioimiseksi. Malleista DM LR oli paras malli herkkyyden ja spesifisyyden suhteen miesotoksessa sekä herkkyyden ja spesifisyyden suhteen naisotoksessa. LR on toiseksi paras spesifisyydessä miehillä. Lisäksi LR:ää pidetään yhtenä käyttäjäystävällisemmistä DM35-malleista, ja se on vähemmän monimutkainen ja vaikea käsitellä. Näiden tulosten perusteella LR:ää pidettiin parhaana raja-arvoluokittelumallina 18-vuotiaille Korean väestössä.
Kaiken kaikkiaan iän arvioinnin tai luokittelun tarkkuus ulkoisessa testijoukossa oli heikko tai alhaisempi verrattuna sisäisen testijoukon tuloksiin. Jotkut raportit osoittavat, että luokittelun tarkkuus tai tehokkuus heikkenee, kun Korean väestöön perustuvia ikäarvioita sovelletaan Japanin väestöön5,39, ja samanlainen kuvio havaittiin myös tässä tutkimuksessa. Tämä heikkenemistrendi havaittiin myös DM-mallissa. Siksi iän tarkan arvioinnin varmistamiseksi, jopa käytettäessä DM:ää analyysiprosessissa, tulisi suosia alkuperäisväestödatasta johdettuja menetelmiä, kuten perinteisiä menetelmiä5,39,40,41,42. Koska on epäselvää, voivatko syväoppimismallit osoittaa samanlaisia trendejä, tarvitaan tutkimuksia, joissa vertaillaan luokittelun tarkkuutta ja tehokkuutta perinteisten menetelmien, DM-mallien ja syväoppimismallien avulla samoilla otoksilla, jotta voidaan vahvistaa, voiko tekoäly voittaa nämä rotuerot rajoitetuissa ikäarvioinneissa.
Osoitamme, että perinteiset menetelmät voidaan korvata DM-malliin perustuvalla iänarvioinnilla oikeuslääketieteellisessä iänarviointikäytännössä Koreassa. Havaitsimme myös mahdollisuuden koneoppimisen soveltamiseen oikeuslääketieteelliseen iänarviointiin. Tällä on kuitenkin selkeitä rajoituksia, kuten riittämätön osallistujamäärä tässä tutkimuksessa tulosten lopulliseksi määrittämiseksi sekä aiempien tutkimusten puute tämän tutkimuksen tulosten vertailemiseksi ja vahvistamiseksi. Tulevaisuudessa DM-tutkimuksia tulisi tehdä suuremmilla otosmäärillä ja monimuotoisemmilla populaatioilla, jotta niiden käytännön sovellettavuutta voidaan parantaa perinteisiin menetelmiin verrattuna. Jotta tekoälyn käyttökelpoisuus iän arvioinnissa useissa populaatioissa voidaan validoida, tarvitaan tulevia tutkimuksia, joissa verrataan DM- ja syväoppimismallien luokittelutarkkuutta ja -tehokkuutta perinteisiin menetelmiin samoissa otoksissa.
Tutkimuksessa käytettiin 2 657 ortografiakuvaa, jotka oli kerätty 15–23-vuotiailta korealaisilta ja japanilaisilta aikuisilta. Korealaiset röntgenkuvat jaettiin 900 harjoitusjoukkoon (19,42 ± 2,65 vuotta) ja 900 sisäiseen testijoukkoon (19,52 ± 2,59 vuotta). Harjoitusjoukko kerättiin yhdessä laitoksessa (Soulin St. Maryn sairaala) ja oma testijoukko kahdessa laitoksessa (Soulin kansallisen yliopiston hammassairaala ja Yonsein yliopiston hammassairaala). Keräsimme myös 857 röntgenkuvaa toisesta väestöpohjaisesta aineistosta (Iwaten lääketieteellinen yliopisto, Japani) ulkoista testausta varten. Ulkoiseksi testijoukoksi valittiin japanilaisten koehenkilöiden (19,31 ± 2,60 vuotta) röntgenkuvat. Tiedot kerättiin retrospektiivisesti hampaiden kehitysvaiheiden analysoimiseksi hammashoidon aikana otetuista panoraamaröntgenkuvista. Kaikki kerätyt tiedot olivat anonyymejä lukuun ottamatta sukupuolta, syntymäaikaa ja röntgenkuvauspäivämäärää. Sisäänotto- ja poissulkemiskriteerit olivat samat kuin aiemmin julkaistuissa tutkimuksissa4, 5. Otoksen todellinen ikä laskettiin vähentämällä syntymäaika röntgenkuvan ottopäivästä. Otosryhmä jaettiin yhdeksään ikäryhmään. Ikä- ja sukupuolijakaumat on esitetty taulukossa 3. Tämä tutkimus tehtiin Helsingin julistuksen mukaisesti ja Seoul St. Mary's Hospitalin, Korean katolisen yliopiston (KC22WISI0328), tutkimuseettinen toimikunta (Institutional Review Board, IRB) hyväksyi sen. Tutkimuksen retrospektiivisen suunnittelun vuoksi tietoon perustuvaa suostumusta ei voitu saada kaikilta potilailta, joille tehtiin radiologinen tutkimus hoitotarkoituksessa. Seoul Korea University St. Mary's Hospital (IRB) luopui tietoon perustuvan suostumuksen vaatimuksesta.
Yläleuan kahden hampaan (bimaxillary toiset ja viisaudenhampaat) kehitysvaiheet arvioitiin Demircanin kriteerien25 mukaisesti. Vain yksi hammas valittiin, jos samantyyppinen hammas löytyi sekä kummankin leuan vasemmalta että oikealta puolelta. Jos homologiset hampaat molemmilla puolilla olivat eri kehitysvaiheissa, valittiin alemmassa kehitysvaiheessa oleva hammas arvioidun iän epävarmuuden huomioon ottamiseksi. Kaksi kokenutta havainnoijaa pisteytti sata satunnaisesti valittua röntgenkuvaa harjoitusjoukosta testatakseen havainnoijien välistä luotettavuutta esikalibroinnin jälkeen hampaiden kypsyysasteen määrittämiseksi. Havainnoijan sisäinen luotettavuus arvioitiin kahdesti kolmen kuukauden välein ensisijaisen havainnoijan toimesta.
Harjoitusjoukon kunkin leuan toisen ja kolmannen poskihampaan sukupuoli ja kehitysvaihe arvioitiin eri DM-malleilla koulutetun ensisijaisen havainnoijan toimesta, ja todellinen ikä asetettiin tavoitearvoksi. Koneoppimisessa laajalti käytettyjä SLP- ja MLP-malleja testattiin regressioalgoritmeja vastaan. DM-malli yhdistää lineaarisia funktioita käyttämällä neljän hampaan kehitysvaiheita ja yhdistää nämä tiedot iän arvioimiseksi. SLP on yksinkertaisin neuroverkko eikä sisällä piilokerroksia. SLP toimii kynnysarvon siirron perusteella solmujen välillä. Regressiossa SLP-malli on matemaattisesti samanlainen kuin moninkertainen lineaarinen regressio. Toisin kuin SLP-malli, MLP-mallissa on useita piilokerroksia, joissa on epälineaariset aktivaatiofunktiot. Kokeissamme käytettiin piilokerrosta, jossa oli vain 20 piilotettua solmua, joissa on epälineaariset aktivaatiofunktiot. Käytimme gradienttilaskeutumista optimointimenetelmänä ja MAE:ta ja RMSE:tä häviöfunktiona koneoppimismallimme kouluttamiseen. Paras saatu regressiomalli sovellettiin sisäisiin ja ulkoisiin testijoukkoihin ja hampaiden ikä arvioitiin.
Kehitettiin luokittelualgoritmi, joka käyttää neljän harjoitusjoukon hampaan kypsyyttä ennustaakseen, onko otos 18-vuotias vai ei. Mallin rakentamiseksi johdimme seitsemän representaatioon perustuvaa koneoppimisalgoritmia6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost ja (7) MLP. LR on yksi yleisimmin käytetyistä luokittelualgoritmeista44. Se on ohjatun oppimisen algoritmi, joka käyttää regressiota ennustaakseen datan kuulumisen todennäköisyyden tiettyyn luokkaan välillä 0-1 ja luokittelee datan kuuluvaksi todennäköisempään luokkaan tämän todennäköisyyden perusteella; sitä käytetään pääasiassa binääriluokitteluun. KNN on yksi yksinkertaisimmista koneoppimisalgoritmeista45. Kun sille annetaan uutta syöttödataa, se löytää k dataa läheltä olemassa olevaa joukkoa ja luokittelee ne sitten luokkaan, jolla on suurin frekvenssi. Asetimme arvon 3 tarkasteltavien naapureiden lukumäärälle (k). SVM on algoritmi, joka maksimoi kahden luokan välisen etäisyyden käyttämällä ydinfunktiota laajentaakseen lineaarista avaruutta epälineaariseksi avaruudeksi, jota kutsutaan kentiksi46. Tässä mallissa käytämme polynomiytimen hyperparametreina biasia = 1, potenssia = 1 ja gammaa = 1. DT:tä on sovellettu useilla aloilla algoritmina koko datajoukon jakamiseksi useisiin aliryhmiin esittämällä päätössäännöt puurakenteessa47. Malli on konfiguroitu siten, että solmua kohden on vähintään 2 tietuetta, ja se käyttää Gini-indeksiä laadun mittarina. RF on ensemble-menetelmä, joka yhdistää useita DT:itä suorituskyvyn parantamiseksi käyttämällä bootstrap-aggregaatiomenetelmää, joka luo heikon luokittelijan jokaiselle näytteelle ottamalla satunnaisesti saman kokoisia näytteitä useita kertoja alkuperäisestä datajoukosta48. Käytimme solmujen erotuskriteereinä 100 puuta, 10 puun syvyyttä, 1 vähimmäissolmukokoa ja Gini-sekoitusindeksiä. Uuden datan luokittelu määräytyy enemmistöäänestyksellä. XGBoost on algoritmi, joka yhdistää tehostustekniikoita käyttämällä menetelmää, joka ottaa harjoitusdatana edellisen mallin todellisten ja ennustettujen arvojen välisen virheen ja lisää virhettä gradienttien49 avulla. Se on laajalti käytetty algoritmi hyvän suorituskykynsä ja resurssitehokkuutensa sekä ylisovituksen korjausfunktiona käytetyn korkean luotettavuutensa ansiosta. Malli on varustettu 400 tukipyörällä. MLP on neuroverkko, jossa yksi tai useampi perceptroni muodostaa useita kerroksia ja yksi tai useampi piilokerros tulo- ja lähtökerrosten välissä38. Tämän avulla voidaan suorittaa epälineaarista luokittelua, jossa kun lisätään tulokerros ja saadaan tulosarvo, ennustettua tulosarvoa verrataan todelliseen tulosarvoon ja virhe leviää takaisin. Loimme piilokerroksen, jossa on 20 piilotettua neuronia kussakin kerroksessa. Jokaista kehittämäämme mallia sovellettiin sisäisiin ja ulkoisiin joukoihin luokittelun suorituskyvyn testaamiseksi laskemalla herkkyys, spesifisyys, PPV, NPV ja AUROC. Herkkyys määritellään 18-vuotiaaksi tai vanhemmaksi arvioidun otoksen suhteena 18-vuotiaaksi tai vanhemmaksi arvioituun otokseen. Spesifisyys on alle 18-vuotiaiden ja alle 18-vuotiaiksi arvioitujen otosten osuus.
Harjoitusjoukossa arvioidut hammasvaiheet muunnettiin numeerisiksi vaiheiksi tilastollista analyysia varten. Monimuuttujaisen lineaarisen ja logistisen regression avulla kehitettiin ennustavia malleja kullekin sukupuolelle ja johdettiin regressiokaavoja, joita voidaan käyttää iän arvioimiseen. Käytimme näitä kaavoja hampaiden iän arvioimiseen sekä sisäisille että ulkoisille testijoukoille. Taulukko 4 esittää tässä tutkimuksessa käytetyt regressio- ja luokittelumallit.
Sisäinen ja havainnoitsijoiden välinen luotettavuus laskettiin Cohenin kappa-tilastoa käyttäen. DM-mallien ja perinteisten regressiomallien tarkkuuden testaamiseksi laskimme MAE:n ja RMSE:n käyttämällä sisäisten ja ulkoisten testijoukkojen arvioituja ja todellisia ikiä. Näitä virheitä käytetään yleisesti malliennusteiden tarkkuuden arviointiin. Mitä pienempi virhe, sitä suurempi ennusteen tarkkuus24. Vertaa DM:llä ja perinteisellä regressiolla laskettujen sisäisten ja ulkoisten testijoukkojen MAE:ta ja RMSE:tä. 18-vuotisen raja-arvon luokittelusuorituskykyä perinteisessä tilastotieteessä arvioitiin käyttämällä 2 × 2 -kontingenssitaulukkoa. Testijoukon laskettua herkkyyttä, spesifisyyttä, PPV:tä, NPV:tä ja AUROC:ta verrattiin DM-luokittelumallin mitattuihin arvoihin. Tiedot ilmaistaan keskiarvona ± keskihajonta tai lukumääränä (%) datan ominaisuuksista riippuen. Kaksipuolisia P-arvoja <0,05 pidettiin tilastollisesti merkitsevinä. Kaikki rutiinitilastolliset analyysit suoritettiin SAS-ohjelmiston versiolla 9.4 (SAS Institute, Cary, NC). DM-regressiomalli toteutettiin Pythonilla käyttäen Keras50 2.2.4 -taustajärjestelmää ja Tensorflow51 1.8.0 -versiota erityisesti matemaattisia operaatioita varten. DM-luokittelumalli toteutettiin Waikato Knowledge Analysis Environment -ympäristössä ja Konstanz Information Miner (KNIME) 4.6.152 -analyysialustalla.
Kirjoittajat tiedostavat, että tutkimuksen johtopäätöksiä tukevaa dataa löytyy artikkelista ja lisämateriaaleista. Tutkimuksen aikana tuotet ja/tai analysoidut aineistot ovat saatavilla vastaavalta kirjoittajalta kohtuullisesta pyynnöstä.
Ritz-Timme, S. ym. Iänmääritys: nykyaikainen menetelmä oikeuslääketieteen erityisvaatimusten täyttämiseksi. kansainvälisyys. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ja Olze, A. Elävien henkilöiden rikosteknisen iänmäärityksen nykytila rikossyytettä varten. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. ym. Muokattu menetelmä 5–16-vuotiaiden lasten hammasiän arvioimiseksi Itä-Kiinassa. clinical. Oral survey. 25, 3463–3474 (2021).
Lee, SS ym. Korealaisten toisen ja kolmannen poskihampaan kehityksen kronologia ja sen soveltaminen oikeuslääketieteelliseen iänarviointiin. internationality. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ja Lee, SS. Ikärajan arvioinnin tarkkuus ja 18 vuoden kynnyksen arviointi korealaisilla ja japanilaisilla toisten ja kolmansien poskihampaiden kypsyyden perusteella. PLoS ONE 17, e0271247 (2022).
Kim, JY, ym. Leikkausta edeltävä koneoppimiseen perustuva data-analyysi voi ennustaa uniapneakirurgisen hoidon lopputulosta uniapneapotilailla. The Science. Raportti 11, 14911 (2021).
Han, M. ym. Tarkka iän arviointi koneoppimisen avulla ihmisen puuttumisella vai ilman? kansainvälisyys. J. Legal medicine. 136, 821–831 (2022).
Khan, S. ja Shaheen, M. Tiedonlouhinnasta tiedonlouhintaan. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ja Shaheen, M. WisRule: Ensimmäinen kognitiivinen algoritmi assosiaatiosääntöjen louhintaan. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ja Abdullah U. Karm: Perinteinen tiedonlouhinta kontekstipohjaisten assosiaatiosääntöjen pohjalta. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ja Habib M. Syväoppimiseen perustuva semanttisen samankaltaisuuden havaitseminen tekstidatan avulla. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ja Shahin, M. Järjestelmä urheiluvideoiden aktiivisuuden tunnistamiseen. Multimedia. Työkalut ja sovellukset https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS ym. RSNA-koneoppimisen haaste lasten luustoiässä. Radiology 290, 498–503 (2019).
Li, Y. ym. Oikeuslääketieteellinen iän arviointi lantion röntgenkuvista syväoppimisen avulla. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC ym. Tarkka ikäluokitus manuaalisten menetelmien ja syvien konvoluutioneuroverkkojen avulla ortografisista projektiokuvista. internationality. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora ym. Luun iän arviointi eri koneoppimismenetelmien avulla: systemaattinen kirjallisuuskatsaus ja meta-analyysi. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. ja Yang, J. Afroamerikkalaisten ja kiinalaisten väestökohtainen ikäarvio ensimmäisten poskihampaiden pulpakammiotilavuuksien perusteella kartiokeilatietokonetomografialla. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ja Oh KS. Elävien ihmisten ikäryhmien määrittäminen tekoälyyn perustuvien ensimmäisten poskihampaiden kuvien avulla. The Science. Raportti 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ja Urschler, M. Automaattinen iän arviointi ja täysi-ikäisyyden luokittelu monimuuttujaisesta MRI-datasta. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ja Li, G. Iänmääritys ensimmäisten poskihampaiden 3D-ydinkammiosegmentoinnin perusteella kartiokeilatietokonetomografiasta integroimalla syväoppimista ja tasojoukkoja. kansainvälisyys. J. Legal medicine. 135, 365–373 (2021).
Wu, WT ym. Tiedonlouhinta kliinisessä big datassa: yleiset tietokannat, vaiheet ja menetelmämallit. World. medicine. resource. 8, 44 (2021).
Yang, J. ym. Johdatus lääketieteellisiin tietokantoihin ja tiedonlouhintateknologioihin Big Data -aikakaudella. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. ym. Camererin menetelmä hampaiden iän arvioimiseksi koneoppimisen avulla. BMC Oral Health 21, 641 (2021).
Galliburg A. ym. Erilaisten koneoppimismenetelmien vertailu hampaiden iän ennustamisessa Demirdjian-vaiheistusmenetelmää käyttäen. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ja Tanner, JM. Uusi järjestelmä hampaiden iän arviointiin. snort. biology. 45, 211–227 (1973).
Landis, JR, ja Koch, GG. Havaitsijoitten yhteensopivuuden mittaaminen kategorisissa tiedoissa. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ja Choi HK. Kaksiulotteisen magneettikuvauksen tekstuurinen, morfologinen ja tilastollinen analyysi tekoälytekniikoilla primaaristen aivokasvainten erotteluun. Terveystietoa. Lähde. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Julkaisun aika: 04.01.2024