Kiitos vierailustasi Nature.comissa.Käyttämäsi selainversiolla on rajoitettu CSS-tuki.Parhaan tuloksen saavuttamiseksi suosittelemme selaimen uudemman version käyttöä (tai yhteensopivuustilan poistamista Internet Explorerissa).Jatkuvan tuen varmistamiseksi näytämme tällä välin sivustoa ilman tyyliä tai JavaScriptiä.
Hampaat pidetään tarkimpana ihmiskehon iän indikaattorina, ja niitä käytetään usein oikeuslääketieteellisessä iänarvioinnissa.Pyrimme validoimaan tiedonlouhintaan perustuvat hammaslääkärin ikäarviot vertaamalla 18 vuoden kynnyksen arviointitarkkuutta ja luokitussuoritusta perinteisiin menetelmiin ja tiedonlouhintaan perustuviin ikäarvioihin.Yhteensä 2657 panoraamaröntgenkuvaa kerättiin 15–23-vuotiailta Korean ja Japanin kansalaisilta.Ne jaettiin harjoitussarjaan, joista jokainen sisälsi 900 korealaista röntgenkuvaa, ja sisäiseen testisarjaan, joka sisälsi 857 japanilaista röntgenkuvaa.Vertasimme perinteisten menetelmien luokittelutarkkuutta ja tehokkuutta tiedonlouhintamallien testisarjoihin.Perinteisen menetelmän tarkkuus sisäisessä testijoukossa on hieman korkeampi kuin tiedonlouhintamallissa, ja ero on pieni (keskimääräinen absoluuttinen virhe <0,21 vuotta, neliövirhe <0,24 vuotta).Luokittelusuorituskyky 18 vuoden rajalle on myös samanlainen perinteisten menetelmien ja tiedonlouhintamallien välillä.Siten perinteiset menetelmät voidaan korvata tiedonlouhintamalleilla suoritettaessa rikosteknistä iänarviointia toisen ja kolmannen poskihampaan kypsyysasteella korealaisilla nuorilla ja nuorilla aikuisilla.
Hammaslääketieteen iän arviointia käytetään laajalti oikeuslääketieteessä ja lasten hammaslääketieteessä.Erityisesti kronologisen iän ja hampaiden kehityksen välisen korkean korrelaation vuoksi iän arviointi hampaiden kehitysvaiheittain on tärkeä kriteeri lasten ja nuorten iän arvioinnissa1,2,3.Nuorten kohdalla hampaiden iän arvioinnissa hampaiden kypsyyden perusteella on kuitenkin rajoituksensa, koska hampaiden kasvu on kolmatta poskihampaa lukuun ottamatta lähes täydellinen.Nuorten ja nuorten iän määrittämisen oikeudellinen tarkoitus on antaa tarkkoja arvioita ja tieteellistä näyttöä siitä, ovatko he täysi-ikäisiä.Nuorten ja nuorten aikuisten lääketieteellisessä oikeuskäytännössä Koreassa ikä arvioitiin Leen menetelmällä ja 18 vuoden lakisääteinen kynnys ennustettiin Oh et al 5 raportoimien tietojen perusteella.
Koneoppiminen on tekoälyn tyyppi, joka toistuvasti oppii ja luokittelee suuria tietomääriä, ratkaisee ongelmia itse ja ohjaa dataohjelmointia.Koneoppiminen voi löytää hyödyllisiä piilomalleja suurista tietomääristä6.Sitä vastoin klassisilla menetelmillä, jotka ovat työvoimavaltaisia ja aikaa vieviä, voi olla rajoituksia, kun käsitellään suuria määriä monimutkaista dataa, jota on vaikea käsitellä manuaalisesti7.Siksi viime aikoina on tehty monia tutkimuksia uusimpien tietokonetekniikoiden avulla inhimillisten virheiden minimoimiseksi ja moniulotteisen tiedon tehokkaaksi käsittelemiseksi8,9,10,11,12.Erityisesti syväoppimista on käytetty laajasti lääketieteellisessä kuva-analyysissä, ja erilaisten menetelmien iän arviointiin automaattisesti analysoimalla röntgenkuvia on raportoitu parantavan iän arvioinnin tarkkuutta ja tehokkuutta13,14,15,16,17,18,19,20 .Esimerkiksi Halabi ym. 13 kehittivät konvoluutiohermoverkkoihin (CNN) perustuvan koneoppimisalgoritmin luuston iän arvioimiseksi käyttämällä lasten käsien röntgenkuvia.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:tä ja vertasivat niitä regressiotuloksiin käyttämällä luuutumisvaiheen estimointia.He havaitsivat, että syväoppiva CNN-malli osoitti saman ikäarvioinnin suorituskyvyn kuin perinteinen regressiomalli.Guon et al.:n tutkimuksessa [15] arvioitiin CNN-teknologian ikäluokittelusuorituskyky hampaiden ortovalokuvien perusteella, ja CNN-mallin tulokset osoittivat, että ihmiset ylittivät sen ikäluokitussuorituskyvyn.
Suurin osa koneoppimisen iänarviointitutkimuksista käyttää syväoppimismenetelmiä13,14,15,16,17,18,19,20.Syväoppimiseen perustuvan ikäarvioinnin on raportoitu olevan perinteisiä menetelmiä tarkempi.Tämä lähestymistapa antaa kuitenkin vain vähän mahdollisuuksia esittää ikäestimaattien tieteellistä perustaa, kuten arvioissa käytettyjä ikäindikaattoreita.Oikeudellinen kiista on myös siitä, kuka tarkastukset suorittaa.Siksi syvään oppimiseen perustuvaa ikäarviointia on vaikea hyväksyä hallinto- ja oikeusviranomaisten toimesta.Data Mining (DM) on tekniikka, jolla voidaan löytää paitsi odotettua myös odottamatonta tietoa menetelmänä löytää hyödyllisiä korrelaatioita suurten tietomäärien välillä6,21,22.Koneoppimista käytetään usein tiedon louhinnassa, ja sekä tiedon louhinta että koneoppiminen käyttävät samoja avainalgoritmeja löytääkseen datasta malleja.Ikäarviointi hampaiden kehityksen avulla perustuu tutkijan arvioon kohdehampaiden kypsyydestä, ja tämä arvio ilmaistaan kunkin kohdehampaan vaiheena.DM:llä voidaan analysoida hammaslääkärin arviointivaiheen ja todellisen iän välistä korrelaatiota, ja se voi korvata perinteisen tilastollisen analyysin.Siksi, jos käytämme DM-tekniikoita iän arvioinnissa, voimme toteuttaa koneoppimisen rikosteknisessä iän arvioinnissa huolehtimatta oikeudellisesta vastuusta.Useita vertailevia tutkimuksia on julkaistu mahdollisista vaihtoehdoista oikeuslääketieteellisessä käytännössä käytettäville perinteisille manuaalisille menetelmille ja EBM-pohjaisille hampaiden iän määritysmenetelmille.Shen ym.23 osoittivat, että DM-malli on tarkempi kuin perinteinen Camerer-kaava.Galibourg ym.24 käyttivät erilaisia DM-menetelmiä ennustaakseen ikää Demirdjian-kriteerin25 mukaisesti, ja tulokset osoittivat, että DM-menetelmä ylitti Demirdjianin ja Willemsin menetelmät Ranskan väestön iän arvioinnissa.
Korealaisten nuorten ja nuorten aikuisten hammaslääketieteellisen iän arvioimiseksi Leen menetelmää 4 käytetään laajalti korealaisessa oikeuslääketieteellisessä käytännössä.Tämä menetelmä käyttää perinteistä tilastoanalyysiä (kuten moninkertaista regressiota) tutkimaan korealaisten koehenkilöiden ja kronologisen iän välistä suhdetta.Tässä tutkimuksessa perinteisillä tilastomenetelmillä saadut iänestimointimenetelmät määritellään "perinteisiksi menetelmiksi".Leen menetelmä on perinteinen menetelmä ja sen tarkkuuden ovat vahvistaneet Oh et al.5;DM-malliin perustuvan iän arvioinnin soveltuvuus Korean oikeuslääketieteelliseen käytäntöön on kuitenkin edelleen kyseenalainen.Tavoitteenamme oli tieteellisesti validoida DM-malliin perustuvan iän arvioinnin mahdollinen hyödyllisyys.Tämän tutkimuksen tarkoituksena oli (1) verrata kahden DM-mallin tarkkuutta hampaiden iän arvioinnissa ja (2) verrata 7 DM-mallin luokittelukykyä 18-vuotiaana perinteisillä tilastollisilla menetelmillä saatuihin. ja kolmannet poskihampaat molemmissa leuoissa.
Kronologisen iän keskiarvot ja keskihajonnat vaiheen ja hammastyypin mukaan näkyvät verkossa lisätaulukossa S1 (harjoitussarja), lisätaulukossa S2 (sisäinen testisarja) ja lisätaulukossa S3 (ulkoinen testisarja).Koulutussarjasta saadut kappa-arvot intra- ja interobserver-luotettavuudelle olivat 0,951 ja 0,947.P-arvot ja 95 %:n luottamusvälit kappa-arvoille on esitetty online-lisätaulukossa S4.Kappa-arvo tulkittiin "melkein täydelliseksi" Landisin ja Koch26:n kriteerien mukaisesti.
Keskimääräistä absoluuttista virhettä (MAE) verrattaessa perinteinen menetelmä ylittää hieman DM-mallin kaikilla sukupuolilla ja ulkoisessa miestestisarjassa, paitsi monikerroksisessa perceptronissa (MLP).Ero perinteisen mallin ja DM-mallin välillä sisäisessä MAE-testissä oli miehillä 0,12–0,19 vuotta ja naisilla 0,17–0,21 vuotta.Ulkoisen testiakun osalta erot ovat pienempiä (0,001–0,05 vuotta miehillä ja 0,05–0,09 vuotta naisilla).Lisäksi neliöjuuriero (RMSE) on hieman pienempi kuin perinteinen menetelmä pienemmillä eroilla (0,17–0,24, 0,2–0,24 miesten sisäisellä testisarjalla ja 0,03–0,07, 0,04–0,08 ulkoisella testisarjalla).).MLP:n suorituskyky on hieman parempi kuin SLP (Single Layer Perceptron), paitsi naispuolisen ulkoisen testisarjan tapauksessa.MAE:n ja RMSE:n osalta ulkoinen testisarja on korkeampi kuin sisäinen testisarja kaikille sukupuolille ja malleille.Kaikki MAE ja RMSE on esitetty taulukossa 1 ja kuvassa 1.
Perinteisten ja tiedon louhintaregressiomallien MAE ja RMSE.Keskimääräinen absoluuttinen virhe MAE, neliövirhe RMSE, yksikerroksinen perceptroni SLP, monikerroksinen perceptroni MLP, perinteinen CM-menetelmä.
Perinteisten ja DM-mallien luokittelukyky (18 vuoden rajalla) osoitettiin herkkyyden, spesifisyyden, positiivisen ennustusarvon (PPV), negatiivisen ennustusarvon (NPV) ja vastaanottimen toimintakäyrän alla olevan alueen (AUROC) suhteen. 27 (taulukko 2, kuva 2 ja täydentävä kuva 1 verkossa).Sisäisen testiakun herkkyyden osalta perinteiset menetelmät menestyivät parhaiten miehillä ja huonommin naisilla.Ero luokittelusuorituskyvyssä 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.Mitä tulee sisäisen testisarjan spesifisyyteen, havaittiin, että neljä SD-mallia menestyivät hyvin miehillä, kun taas perinteinen malli menestyi paremmin naisilla.Erot miesten ja naisten luokittelussa ovat 13,3 % (MLP) ja 13,1 % (MLP), mikä osoittaa, että ero luokituksen suorituskyvyssä mallien välillä ylittää herkkyyden.DM-malleista tukivektorikone (SVM), päätöspuu (DT) ja random forest (RF) -mallit menestyivät parhaiten miehillä, kun taas LR-malli menestyi parhaiten naisilla.Perinteisen mallin ja kaikkien SD-mallien AUROC oli suurempi kuin 0,925 (k-lähin naapuri (KNN) miehillä), mikä osoittaa erinomaista luokitussuoritusta 18-vuotiaiden näytteiden erottamisessa28.Ulkoisen testisarjan luokituksen suorituskyky heikkeni herkkyyden, spesifisyyden ja AUROC:n suhteen verrattuna sisäiseen testisarjaan.Lisäksi ero herkkyydessä ja spesifisyydessä parhaiden ja huonoimpien mallien luokitussuorituskyvyn välillä vaihteli 10 %:sta 25 %:iin ja oli suurempi kuin sisäisen testisarjan ero.
Tiedonlouhinnan luokitusmallien herkkyys ja spesifisyys verrattuna perinteisiin menetelmiin 18 vuoden rajalla.KNN k lähin naapuri, SVM-tukivektorikone, LR-logistinen regressio, DT-päätöspuu, RF-satunnaismetsä, XGB XGBoost, MLP-monikerroksinen perceptroni, perinteinen CM-menetelmä.
Ensimmäinen askel tässä tutkimuksessa oli verrata seitsemästä DM-mallista saatujen hammaslääketieteen ikäarvioiden tarkkuutta perinteisellä regressiolla saatuihin.MAE ja RMSE arvioitiin sisäisissä testisarjoissa molemmille sukupuolille, ja ero perinteisen menetelmän ja DM-mallin välillä vaihteli MAE:n osalta 44-77 päivää ja RMSE:n osalta 62-88 päivää.Vaikka perinteinen menetelmä oli tässä tutkimuksessa hieman tarkempi, on vaikea päätellä, onko näin pienellä erolla kliinistä vai käytännön merkitystä.Nämä tulokset osoittavat, että hammaslääkärin iän arvioinnin tarkkuus DM-mallilla on lähes sama kuin perinteisellä menetelmällä.Suora vertailu aikaisempien tutkimusten tuloksiin on vaikeaa, koska missään tutkimuksessa ei ole verrattu DM-mallien tarkkuutta perinteisiin tilastollisiin menetelmiin käyttäen samaa hampaiden kirjaamistekniikkaa samassa ikäryhmässä kuin tässä tutkimuksessa.Galibourg ym.24 vertasivat MAE:tä ja RMSE:tä kahden perinteisen menetelmän (Demirjianin menetelmä25 ja Willemsin menetelmä29) ja 10 DM-mallin välillä 2–24-vuotiaalla ranskalaisella väestöllä.He raportoivat, että kaikki DM-mallit olivat tarkempia kuin perinteiset menetelmät, ja erot olivat 0,20 ja 0,38 vuotta MAE:ssä ja 0,25 ja 0,47 vuotta RMSE:ssä verrattuna Willemsin ja Demirdjianin menetelmiin.Halibourgin tutkimuksessa esitetty 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 ranskalaisissa kanadalaisissa, joihin tutkimus perustui.tässä tutkimuksessa.Tai et al 34 käyttivät MLP-algoritmia ennustamaan hampaiden ikää 1636 kiinalaisen oikomisvalokuvan perusteella ja vertasivat sen tarkkuutta Demirjianin ja Willemsin menetelmän tuloksiin.He raportoivat, että MLP:llä on suurempi tarkkuus kuin perinteisillä menetelmillä.Ero Demirdjian-menetelmän ja perinteisen menetelmän välillä on <0,32 vuotta ja Willemsin menetelmän 0,28 vuotta, mikä vastaa tämän tutkimuksen tuloksia.Näiden aikaisempien tutkimusten tulokset24,34 ovat myös yhdenmukaisia tämän tutkimuksen tulosten kanssa, ja DM-mallin ja perinteisen menetelmän ikäarviointitarkkuus on samanlainen.Esitettyjen tulosten perusteella voimme kuitenkin vain varovasti päätellä, että DM-mallien käyttö iän arvioinnissa voi korvata olemassa olevia menetelmiä vertailu- ja vertailututkimusten puutteen vuoksi.Tässä tutkimuksessa saatujen tulosten vahvistamiseksi tarvitaan seurantatutkimuksia, joissa käytetään suurempia otoksia.
Niistä tutkimuksista, joissa testattiin SD:n tarkkuutta hampaiden iän arvioinnissa, jotkut osoittivat tarkempaa tarkkuutta kuin tutkimuksemme.Stepanovsky ym. 35 käyttivät 22 SD-mallia 976 2,7–20,5-vuotiaan Tšekin asukkaan panoraamaröntgenkuviin ja testasivat kunkin mallin tarkkuuden.He arvioivat yhteensä 16 ylä- ja alavasemman pysyvän hampaan kehitystä Moorreesin et al.36 ehdottamien luokituskriteerien avulla.MAE vaihtelee välillä 0,64 - 0,94 vuotta ja RMSE 0,85 - 1,27 vuotta, mikä on tarkempia kuin tässä tutkimuksessa käytetyt kaksi DM-mallia.Shen ym.23 käyttivät Cameriere-menetelmää arvioimaan seitsemän pysyvän hampaan hammaslääketieteellistä ikää vasemmassa alaleuassa 5–13-vuotiailla Itä-Kiinan asukkailla ja vertasivat sitä lineaarisen regression, SVM:n ja RF:n avulla arvioituihin ikään.He osoittivat, että kaikilla kolmella DM-mallilla on suurempi tarkkuus verrattuna perinteiseen Cameriere-kaavaan.MAE ja RMSE Shenin tutkimuksessa olivat alhaisemmat kuin DM-mallissa tässä tutkimuksessa.Stepanovsky et ai. tutkimusten lisääntynyt tarkkuus.35 ja Shen et ai.23 voi johtua nuorempien koehenkilöiden sisällyttämisestä heidän tutkimusotokseensa.Koska hampaiden kehittyvien osallistujien ikäarviot tarkentuvat hampaiden määrän kasvaessa hampaiden kehityksen aikana, tuloksena olevan iänarviointimenetelmän tarkkuus saattaa vaarantua, kun tutkimuksen osallistujat ovat nuorempia.Lisäksi MLP:n virhe ikäarvioinnissa on hieman pienempi kuin SLP:n, mikä tarkoittaa, että MLP on tarkempi kuin SLP.MLP:tä pidetään hieman parempana iän arvioinnissa, mahdollisesti MLP38:n piilotettujen kerrosten vuoksi.Poikkeuksena on kuitenkin naisten ulompi otos (SLP 1.45, MLP 1.49).Havainto, että MLP on tarkempi kuin SLP iän arvioinnissa, vaatii lisätutkimuksia.
Myös DM-mallin ja perinteisen menetelmän luokittelukykyä 18 vuoden kynnyksellä verrattiin.Kaikki testatut SD-mallit ja perinteiset menetelmät sisäisessä testisarjassa osoittivat käytännössä hyväksyttävää syrjintää 18-vuotiaiden otosten osalta.Miesten ja naisten herkkyys oli yli 87,7 % ja 94,9 %, ja spesifisyys oli suurempi kuin 89,3 % ja 84,7 %.Kaikkien testattujen mallien AUROC ylittää myös 0,925.Tietojemme mukaan mikään tutkimus ei ole testannut DM-mallin suorituskykyä 18 vuoden luokittelussa hampaiden kypsyyden perusteella.Voimme verrata tämän tutkimuksen tuloksia syväoppimismallien luokittelukykyyn panoraamaröntgenkuvissa.Guo ym.15 laskivat CNN-pohjaisen syväoppimismallin ja Demirjianin menetelmään perustuvan manuaalisen menetelmän luokittelukyvyn tietylle ikärajalle.Manuaalisen menetelmän herkkyys ja spesifisyys olivat 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 luokittelukykyä;Uskotaan, että luokittelu DM-malleilla voi korvata perinteiset tilastolliset menetelmät iän estimointiin.Malleista DM LR oli paras malli herkkyyden suhteen miesnäytteelle ja herkkyydelle ja spesifisyydelle naisnäytteelle.LR on miesten spesifisyyden toisella sijalla.Lisäksi LR:tä pidetään yhtenä käyttäjäystävällisimmistä DM35-malleista, ja se on vähemmän monimutkainen ja vaikeampi käsitellä.Näiden tulosten perusteella LR:tä pidettiin parhaana 18-vuotiaiden luokitusmallina Korean väestössä.
Kaiken kaikkiaan ikäarvioinnin tai luokitussuorituskyvyn tarkkuus ulkoisessa testisarjassa oli huono tai alhaisempi verrattuna sisäisen testisarjan tuloksiin.Jotkut raportit osoittavat, että luokituksen tarkkuus tai tehokkuus heikkenee, kun Korean väestöön perustuvia ikäarvioita sovelletaan Japanin väestöön5,39, ja samanlainen kuvio havaittiin tässä tutkimuksessa.Tämä heikkenemistrendi havaittiin myös DM-mallissa.Siksi iän arvioimiseksi tarkasti, jopa käytettäessä DM:ää analyysiprosessissa, alkuperäisväestötiedoista johdettuja menetelmiä, kuten perinteisiä menetelmiä, tulisi suosia5,39,40,41,42.Koska on epäselvää, voivatko syväoppimismallit osoittaa samanlaisia suuntauksia, tarvitaan tutkimuksia, joissa verrataan luokittelun tarkkuutta ja tehokkuutta perinteisillä menetelmillä, DM-malleja ja syväoppimismalleja samoilla näytteillä, jotta voidaan vahvistaa, voiko tekoäly voittaa nämä rodulliset erot rajoitetussa iässä.arvioinnit.
Osoitamme, että Korean oikeuslääketieteellisessä iänarviointikäytännössä perinteiset menetelmät voidaan korvata DM-malliin perustuvalla iänestimoinnilla.Löysimme myös mahdollisuuden toteuttaa koneoppimista oikeuslääketieteelliseen iänarviointiin.On kuitenkin selviä rajoituksia, kuten riittämätön osallistujien määrä tässä tutkimuksessa tulosten lopulliseksi määrittämiseksi, ja aiempien tutkimusten puute tämän tutkimuksen tulosten vertaamiseksi ja vahvistamiseksi.Jatkossa DM-tutkimuksia tulisi tehdä suuremmilla näytemäärillä ja monipuolisemmilla populaatioilla sen käytännön soveltuvuuden parantamiseksi perinteisiin menetelmiin verrattuna.Jotta voidaan validoida tekoälyn käyttökelpoisuus iän arvioinnissa useissa populaatioissa, tarvitaan tulevia tutkimuksia, joilla verrataan DM- ja syväoppimismallien luokittelutarkkuutta ja tehokkuutta perinteisiin menetelmiin samoissa näytteissä.
Tutkimuksessa käytettiin 2 657 ortografista valokuvaa, jotka kerättiin 15–23-vuotiailta korealaisista ja japanilaisista aikuisista.Korean röntgenkuvat jaettiin 900 harjoitussarjaan (19,42 ± 2,65 vuotta) ja 900 sisäiseen testisarjaan (19,52 ± 2,59 vuotta).Koulutussarja kerättiin yhdestä laitoksesta (Soul St. Mary's Hospital) ja oma testisarja kahdesta laitoksesta (Seoul National University Dental Hospital ja Yonsei University Dental Hospital).Keräsimme myös 857 röntgenkuvaa toisesta väestöpohjaisesta tiedosta (Iwate Medical University, Japani) ulkoista testausta varten.Ulkopuoliseksi testisarjaksi valittiin japanilaisten koehenkilöiden (19,31 ± 2,60 vuotta) röntgenkuvat.Tietoja kerättiin takautuvasti hampaiden kehitysvaiheiden analysoimiseksi hammashoidon aikana otetuissa panoraamaröntgenkuvissa.Kaikki kerätyt tiedot olivat anonyymejä paitsi sukupuoli, syntymäaika ja röntgenkuvaus.Sisällys- ja poissulkemiskriteerit olivat samat kuin aiemmin julkaistuissa tutkimuksissa 4, 5.Näytteen todellinen ikä laskettiin vähentämällä syntymäaika röntgenkuvan ottopäivästä.Otosryhmä jaettiin yhdeksään ikäryhmään.Ikä- ja sukupuolijakaumat on esitetty taulukossa 3. Tämä tutkimus suoritettiin Helsingin julistuksen mukaisesti ja Korean katolisen yliopiston Seoul St. Mary's Hospitalin Institutional Review Boardin (IRB) hyväksymä (KC22WISI0328).Tämän tutkimuksen retrospektiivisen suunnittelun vuoksi tietoon perustuvaa suostumusta ei voitu saada kaikilta potilailta, joille tehtiin röntgentutkimus terapeuttisia tarkoituksia varten.Soul Korea University St. Mary's Hospital (IRB) luopui tietoisen suostumuksen vaatimuksesta.
Kahden yläleuan toisen ja kolmannen poskihammasta kehitysvaiheet arvioitiin Demircan-kriteerien mukaisesti25.Vain yksi hammas valittiin, jos samantyyppinen hammas löytyi kummankin leuan vasemmalta ja oikealta puolelta.Jos molemmin puolin homologiset hampaat olivat eri kehitysvaiheissa, valittiin alemman kehitysvaiheen hammas ottamaan huomioon arvioituun ikään liittyvä epävarmuus.Kaksi kokenutta tarkkailijaa arvioi satunnaisesti koulutussarjasta valitun röntgenkuvan testatakseen tarkkailijoiden välistä luotettavuutta esikalibroinnin jälkeen hampaiden kypsyysasteen määrittämiseksi.Ensisijainen tarkkailija arvioi intraobserver-luotettavuuden kahdesti kolmen kuukauden välein.
Harjoittelusarjan leuan toisen ja kolmannen poskihammasta sukupuolen ja kehitysvaiheen arvioi eri DM-malleilla koulutettu ensisijainen tarkkailija, ja tavoitearvoksi asetettiin todellinen ikä.Koneoppimisessa laajasti käytettyjä SLP- ja MLP-malleja testattiin regressioalgoritmeja vastaan.DM-malli yhdistää lineaariset funktiot käyttämällä neljän hampaan kehitysvaiheita ja yhdistää nämä tiedot iän arvioimiseksi.SLP on yksinkertaisin hermoverkko, eikä se sisällä piilotettuja kerroksia.SLP toimii solmujen välisen kynnyslähetyksen perusteella.Regression SLP-malli on matemaattisesti samanlainen kuin moninkertainen lineaarinen regressio.Toisin kuin SLP-mallissa, MLP-mallissa on useita piilotettuja kerroksia epälineaarisilla aktivointifunktioilla.Kokeissamme käytettiin piilotettua kerrosta, jossa oli vain 20 piilotettua solmua epälineaarisilla aktivointifunktioilla.Käytä gradienttilaskua optimointimenetelmänä ja MAE:tä ja RMSE:tä häviöfunktiona koneoppimismallimme kouluttamiseen.Parasta saatua regressiomallia sovellettiin sisäisiin ja ulkoisiin testisarjoihin ja hampaiden ikä arvioitiin.
Luokittelualgoritmi kehitettiin, joka käyttää harjoitussarjan neljän hampaan kypsyyttä ennustamaan, onko näyte 18-vuotias vai ei.Mallin rakentamiseksi johdimme seitsemän esityskoneoppimisalgoritmia6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost ja (7) MLP .LR on yksi yleisimmin käytetyistä luokitusalgoritmeista44.Se on valvottu oppimisalgoritmi, joka ennustaa regression avulla tiettyyn luokkaan 0–1 kuuluvien tietojen todennäköisyyden ja luokittelee tiedot kuuluviksi todennäköisempään luokkaan tämän todennäköisyyden perusteella;käytetään pääasiassa binääriluokitukseen.KNN on yksi yksinkertaisimmista koneoppimisalgoritmeista45.Kun se antaa uutta syöttötietoa, se löytää k dataa lähellä olemassa olevaa joukkoa ja luokittelee ne sitten luokkaan, jolla on korkein taajuus.Asetimme 3 tarkasteltujen naapureiden lukumäärälle (k).SVM on algoritmi, joka maksimoi kahden luokan välisen etäisyyden käyttämällä ydinfunktiota laajentamaan lineaarista avaruutta epälineaariseen tilaan, jota kutsutaan kentäksi46.Tässä mallissa käytämme polynomiytimen hyperparametreinä bias = 1, teho = 1 ja gamma = 1.DT:tä on sovellettu eri aloilla algoritmina koko tietojoukon jakamiseksi useisiin alaryhmiin esittämällä päätössäännöt puurakenteessa47.Malli on määritetty siten, että tietueiden vähimmäismäärä solmua kohti on 2, ja se käyttää Gini-indeksiä laadun mittana.RF on ensemble-menetelmä, joka yhdistää useita DT:itä suorituskyvyn parantamiseksi käyttämällä bootstrap-aggregointimenetelmää, joka luo heikon luokittimen jokaiselle näytteelle piirtämällä satunnaisesti samankokoisia näytteitä useita kertoja alkuperäisestä tietojoukosta48.Käytimme 100 puuta, 10 puun syvyyttä, 1 solmun vähimmäiskokoa ja Gini-sekoitusindeksiä solmujen erottelukriteereinä.Uusien tietojen luokittelu määräytyy äänten enemmistöllä.XGBoost on algoritmi, joka yhdistää tehostustekniikoita käyttämällä menetelmää, joka ottaa harjoitustietona edellisen mallin todellisen ja ennustetun arvojen välisen virheen ja lisää virhettä gradienteilla49.Se on laajalti käytetty algoritmi hyvän suorituskyvyn ja resurssitehokkuuden sekä korkean luotettavuuden ansiosta ylisovituskorjausfunktiona.Malli on varustettu 400 tukipyörällä.MLP on hermoverkko, jossa yksi tai useampi perceptron muodostaa useita kerroksia, joissa tulo- ja lähtökerroksen välissä on yksi tai useampi piilotettu kerros38.Tämän avulla voit suorittaa epälineaarisen luokituksen, jossa kun lisäät syöttökerroksen ja saat tulosarvon, ennustettua tulosarvoa verrataan todelliseen tulosarvoon ja virhe leviää takaisin.Loimme piilotetun kerroksen, jossa oli 20 piilotettua neuronia jokaisessa kerroksessa.Jokaista kehittämäämme mallia sovellettiin sisäisiin ja ulkoisiin sarjoihin luokituksen suorituskyvyn testaamiseksi laskemalla herkkyys, spesifisyys, PPV, NPV ja AUROC.Herkkyys määritellään 18-vuotiaaksi arvioidun näytteen suhteeksi 18-vuotiaaksi arvioituun otokseen.Spesifisyys tarkoittaa alle 18-vuotiaiden ja alle 18-vuotiaiden arvioitujen näytteiden osuutta.
Harjoittelusarjassa arvioidut hammaslääketieteen vaiheet muunnettiin numeerisiksi vaiheiksi tilastollista analyysiä varten.Monimuuttuja lineaarista ja logistista regressiota suoritettiin ennustemallien kehittämiseksi jokaiselle sukupuolelle ja regressiokaavojen johtamiseksi iän arvioimiseen.Käytimme näitä kaavoja hampaiden iän arvioimiseen sekä sisäisille että ulkoisille testisarjoille.Taulukossa 4 on esitetty tässä tutkimuksessa käytetyt regressio- ja luokittelumallit.
Intra- ja interobserver luotettavuus laskettiin käyttämällä Cohenin kappa-tilastoa.DM:n ja perinteisten regressiomallien tarkkuuden testaamiseksi laskimme MAE:n ja RMSE:n käyttämällä sisäisten ja ulkoisten testijoukkojen arvioituja ja todellisia iän.Näitä virheitä käytetään yleisesti arvioitaessa malliennusteiden tarkkuutta.Mitä pienempi virhe, sitä suurempi on ennusteen tarkkuus24.Vertaa sisäisten ja ulkoisten testijoukkojen MAE- ja RMSE-arvoja, jotka on laskettu DM:llä ja perinteisellä regressiolla.Perinteisten tilastojen 18 vuoden rajan luokittelusuorituskykyä arvioitiin 2 × 2 -varaustaulukolla.Testisarjan laskettua herkkyyttä, spesifisyyttä, PPV-, NPV- ja AUROC-arvoja verrattiin DM-luokitusmallin mitattuihin arvoihin.Tiedot ilmaistaan keskiarvona ± keskihajonta tai luku (%) tietojen ominaisuuksista riippuen.Kaksipuolisia P-arvoja <0,05 pidettiin tilastollisesti merkitsevinä.Kaikki rutiinitilastolliset analyysit suoritettiin käyttämällä SAS-versiota 9.4 (SAS Institute, Cary, NC).DM-regressiomalli toteutettiin Pythonissa käyttämällä Keras50 2.2.4 -taustaohjelmaa ja Tensorflow51 1.8.0:aa erityisesti matemaattisiin operaatioihin.DM-luokitusmalli toteutettiin Waikato Knowledge Analysis Environment -ympäristössä ja Konstanz Information Miner (KNIME) 4.6.152 -analyysialustalla.
Kirjoittajat myöntävät, että artikkelista ja lisämateriaaleista löytyy tutkimuksen päätelmiä tukevaa tietoa.Tutkimuksen aikana tuotetut ja/tai analysoidut aineistot ovat saatavilla vastaavalta tekijältä kohtuullisesta pyynnöstä.
Ritz-Timme, S. et ai.Ikäarviointi: uusinta tekniikkaa, joka täyttää oikeuslääketieteen käytännön vaatimukset.kansainvälisyyttä.J. Oikeudellinen lääketiede.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ja Olze, A. Elävien kohteiden rikosteknisen iän arvioinnin nykytila rikossyytteitä varten.Forensics.lääke.Patologia.1, 239–246 (2005).
Pan, J. et ai.Muokattu menetelmä 5–16-vuotiaiden lasten hammashoidon iän arvioimiseksi Itä-Kiinassa.kliininen.Suullinen kysely.25, 3463–3474 (2021).
Lee, SS jne. Toisen ja kolmannen poskihammasta kehityksen kronologia korealaisilla ja sen soveltaminen oikeuslääketieteelliseen iänarviointiin.kansainvälisyyttä.J. Oikeudellinen lääketiede.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ja Lee, SS Ikäarvioinnin tarkkuus ja arvio 18 vuoden kynnyksestä, joka perustuu korealaisten ja japanilaisten toisen ja kolmannen poskihampaan kypsyyteen.PLoS ONE 17, e0271247 (2022).
Kim, JY, et ai.Leikkausta edeltävä koneoppimiseen perustuva data-analyysi voi ennustaa unikirurgian hoitotuloksia OSA-potilailla.Tiede.Raportti 11, 14911 (2021).
Han, M. et ai.Tarkka ikäarvio koneoppimisesta ihmisen toimilla vai ilman?kansainvälisyyttä.J. Oikeudellinen lääketiede.136, 821–831 (2022).
Khan, S. ja Shaheen, M. Data Mining to Data Mining.J. Information.Tiede.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ja Shaheen, M. WisRule: Ensimmäinen kognitiivinen algoritmi yhdistyssäännön louhintaan.J. Information.Tiede.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ja Abdullah U. Karm: Perinteinen tiedonlouhinta kontekstipohjaisiin assosiaatiosääntöihin perustuvalla tavalla.laskea.Matta.jatkaa.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ja Habib M. Syväoppimiseen perustuva semanttisen samankaltaisuuden havaitseminen tekstidatan avulla.ilmoittaa.teknologioita.ohjata.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ja Shahin, M. Järjestelmä urheiluvideoiden aktiivisuuden tunnistamiseksi.multimedia.Työkalusovellukset https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et ai.RSNA-koneoppimishaaste lasten luukaudella.Radiology 290, 498–503 (2019).
Li, Y. et ai.Oikeuslääketieteellinen ikäarvio lantion röntgensäteistä syväoppimisen avulla.EURO.säteilyä.29, 2322–2329 (2019).
Guo, YC, et ai.Tarkka ikäluokitus käyttämällä manuaalisia menetelmiä ja syväkonvoluutiohermoverkkoja ortografisista projektiokuvista.kansainvälisyyttä.J. Oikeudellinen lääketiede.135, 1589–1597 (2021).
Alabama Dalora et ai.Luun iän arviointi eri koneoppimismenetelmillä: systemaattinen kirjallisuuskatsaus ja meta-analyysi.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. ja Yang, J. Afroamerikkalaisten ja kiinalaisten väestökohtainen ikäarviointi perustuen ensimmäisten poskihammien massakammiotilavuuksiin kartio-tietokonetomografialla.kansainvälisyyttä.J. Oikeudellinen lääketiede.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ja Oh KS Elävien ihmisten ikäryhmien määrittäminen käyttämällä tekoälyyn perustuvia kuvia ensimmäisistä poskihaareista.Tiede.Raportti 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ja Urschler, M. Automaattinen ikäarviointi ja enemmistön ikäluokitus monimuuttujaisista MRI-tiedoista.IEEE J. Biomed.Terveysilmoitukset.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ja Li, G. Ikäarviointi, joka perustuu 3D-sellukammio-segmentointiin ensimmäisten poskihammasten segmentointiin kartiosädetietokonetomografiasta integroimalla syväoppiminen ja tasosarjat.kansainvälisyyttä.J. Oikeudellinen lääketiede.135, 365–373 (2021).
Wu, WT, et ai.Datan louhinta kliinisessä big datassa: yleiset tietokannat, vaiheet ja menetelmämallit.Maailman.lääke.resurssi.8, 44 (2021).
Yang, J. et ai.Johdatus lääketieteellisiin tietokantoihin ja tiedonlouhintatekniikoihin Big Datan aikakaudella.J. Avid.Peruslääketiede.13, 57–69 (2020).
Shen, S. et ai.Camererin menetelmä hampaiden iän arvioimiseksi koneoppimisen avulla.BMC Oral Health 21, 641 (2021).
Galliburg A. et ai.Erilaisten koneoppimismenetelmien vertailu hampaiden iän ennustamiseen Demirdjianin vaiheistusmenetelmällä.kansainvälisyyttä.J. Oikeudellinen lääketiede.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ja Tanner, JM. Uusi järjestelmä hammaslääkärin iän arviointiin.haukkua.biologia.45, 211-227 (1973).
Landis, JR ja Koch, GG Toimenpiteet tarkkailijan sopimuksen kategorisista tiedoista.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ja Choi HK.Kaksiulotteisen magneettikuvauksen tekstuaalinen, morfologinen ja tilastollinen analyysi tekoälytekniikoilla primaaristen aivokasvainten erottamiseen.Terveystiedot.resurssi.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Postitusaika: 04-04-2024