Дякуємо, що відвідали Nature.com.Версія браузера, яку ви використовуєте, має обмежену підтримку CSS.Для досягнення найкращих результатів рекомендуємо використовувати новішу версію вашого браузера (або вимкнути режим сумісності в Internet Explorer).Тим часом, щоб забезпечити постійну підтримку, ми показуємо сайт без стилів і JavaScript.
Зуби вважаються найточнішим індикатором віку людського тіла і часто використовуються в судово-медичній оцінці віку.Ми мали на меті підтвердити оцінки стоматологічного віку на основі аналізу даних, порівнюючи точність оцінки та ефективність класифікації 18-річного порогу з традиційними методами та оцінками віку на основі аналізу даних.Всього було зібрано 2657 панорамних рентгенограм від корейських і японських громадян віком від 15 до 23 років.Вони були розділені на навчальний набір, кожен з якого містив 900 корейських рентгенограм, і внутрішній тестовий набір, що містив 857 японських рентгенограм.Ми порівняли точність класифікації та ефективність традиційних методів із тестовими наборами моделей інтелектуального аналізу даних.Точність традиційного методу на внутрішньому тестовому наборі дещо вища, ніж у моделі інтелектуального аналізу даних, і різниця невелика (середня абсолютна похибка <0,21 року, середньоквадратична похибка <0,24 року).Ефективність класифікації для 18-річного відсічення також подібна між традиційними методами та моделями аналізу даних.Таким чином, традиційні методи можна замінити моделями інтелектуального аналізу даних при проведенні судово-медичної оцінки віку за допомогою зрілості других і третіх молярів у корейських підлітків і молодих людей.
Оцінка стоматологічного віку широко використовується в судовій медицині та дитячій стоматології.Зокрема, через високу кореляцію між хронологічним віком і розвитком зубів, оцінка віку за стадіями розвитку зубів є важливим критерієм для оцінки віку дітей і підлітків1,2,3.Однак для молодих людей оцінка віку зубів на основі зрілості зубів має свої обмеження, оскільки ріст зубів майже завершений, за винятком третіх молярів.Юридичною метою визначення віку молоді та підлітків є точні оцінки та наукові докази досягнення ними повноліття.У медичній та юридичній практиці підлітків і молодих людей у Кореї вік оцінювався за методом Лі, а юридичний поріг у 18 років був передбачений на основі даних, наданих Охом та іншими 5 .
Машинне навчання – це тип штучного інтелекту (ШІ), який неодноразово вивчає та класифікує великі обсяги даних, самостійно вирішує проблеми та керує програмуванням даних.Машинне навчання може виявити корисні приховані шаблони у великих обсягах даних6.На відміну від цього, класичні методи, які є трудомісткими та забирають багато часу, можуть мати обмеження при роботі з великими обсягами складних даних, які важко обробити вручну7.Тому останнім часом було проведено багато досліджень з використанням новітніх комп’ютерних технологій для мінімізації людських помилок і ефективної обробки багатовимірних даних8,9,10,11,12.Зокрема, глибоке навчання широко використовується в аналізі медичних зображень, і, як повідомляється, різні методи оцінки віку шляхом автоматичного аналізу рентгенограм покращують точність і ефективність оцінки віку13,14,15,16,17,18,19,20 .Наприклад, Халабі та інші13 розробили алгоритм машинного навчання на основі згорткових нейронних мереж (CNN) для оцінки віку скелета за допомогою рентгенограм дитячих рук.Це дослідження пропонує модель, яка застосовує машинне навчання до медичних зображень, і показує, що ці методи можуть підвищити точність діагностики.Li et al14 оцінили вік на основі рентгенівських зображень органів малого таза за допомогою глибокого навчання CNN і порівняли їх із результатами регресії за допомогою оцінки стадії окостеніння.Вони виявили, що модель глибокого навчання CNN показала таку саму ефективність оцінки віку, як і традиційна регресійна модель.Дослідження Гуо та ін. [15] оцінювало ефективність класифікації вікової толерантності технології CNN на основі стоматологічних ортофотознімків, і результати моделі CNN довели, що люди перевершують ефективність класифікації за віком.
Більшість досліджень з оцінки віку за допомогою машинного навчання використовують методи глибокого навчання13,14,15,16,17,18,19,20.Повідомляється, що оцінка віку на основі глибокого навчання є більш точною, ніж традиційні методи.Однак цей підхід дає мало можливостей представити наукову основу для оцінки віку, наприклад вікові показники, які використовуються в оцінках.Також точиться судовий спір щодо того, хто проводить перевірки.Тому оцінка віку на основі глибокого навчання важко прийняти адміністративними та судовими органами.Інтелектуальний аналіз даних (DM) — це техніка, яка може виявити не лише очікувану, але й неочікувану інформацію як метод для виявлення корисних кореляцій між великими обсягами даних6,21,22.Машинне навчання часто використовується в інтелектуальному аналізі даних, і як інтелектуальний аналіз даних, так і машинне навчання використовують однакові ключові алгоритми для виявлення шаблонів у даних.Оцінка віку за допомогою розвитку зубів базується на оцінці екзаменатором зрілості цільових зубів, і ця оцінка виражається як стадія для кожного цільового зуба.DM можна використовувати для аналізу кореляції між стадією стоматологічної оцінки та фактичним віком і має потенціал для заміни традиційного статистичного аналізу.Таким чином, якщо ми застосуємо методи DM до оцінки віку, ми зможемо застосувати машинне навчання в судово-медичній оцінці віку, не турбуючись про юридичну відповідальність.Було опубліковано кілька порівняльних досліджень щодо можливих альтернатив традиційним ручним методам, що використовуються в судово-медичній практиці, і методам на основі ДМ для визначення віку зубів.Shen та інші23 показали, що модель DM точніша, ніж традиційна формула Камерера.Galibourg та інші24 застосували різні методи DM для прогнозування віку відповідно до критерію Демірджяна25, і результати показали, що метод DM перевершив методи Демірджяна та Віллемса в оцінці віку французького населення.
Для оцінки віку зубів корейських підлітків і молодих людей метод Лі 4 широко використовується в корейській судово-медичній практиці.Цей метод використовує традиційний статистичний аналіз (наприклад, множинну регресію) для вивчення зв’язку між корейськими суб’єктами та хронологічним віком.У цьому дослідженні методи оцінки віку, отримані за допомогою традиційних статистичних методів, визначаються як «традиційні методи».Метод Лі є традиційним методом, і його точність була підтверджена Oh et al.5;однак застосовність оцінки віку на основі моделі DM у корейській судово-медичній практиці все ще сумнівна.Нашою метою було науково підтвердити потенційну корисність оцінки віку на основі моделі DM.Мета цього дослідження полягала в тому, щоб (1) порівняти точність двох моделей DM в оцінці стоматологічного віку та (2) порівняти ефективність класифікації 7 моделей DM у віці 18 років з тими, які були отримані за допомогою традиційних статистичних методів. і треті моляри на обох щелепах.
Середні значення та стандартні відхилення хронологічного віку за стадією та типом зуба показано онлайн у додатковій таблиці S1 (набір для навчання), додатковій таблиці S2 (набір для внутрішнього тестування) та додатковій таблиці S3 (набір для зовнішнього тестування).Значення каппа для внутрішньої та міжспостережної надійності, отримані з навчального набору, становили 0,951 і 0,947 відповідно.Значення P і 95% довірчі інтервали для значень каппа показані в онлайн-додатковій таблиці S4.Значення каппа було інтерпретовано як «майже ідеальне», що відповідає критеріям Лендіса та Коха26.
Під час порівняння середньої абсолютної помилки (MAE) традиційний метод трохи перевершує модель DM для всіх статей і в зовнішньому чоловічому наборі тестів, за винятком багатошарового персептрона (MLP).Різниця між традиційною моделлю та моделлю DM у внутрішньому наборі тестів MAE становила 0,12–0,19 року для чоловіків і 0,17–0,21 року для жінок.Для батареї зовнішнього тесту відмінності менші (0,001–0,05 року для чоловіків і 0,05–0,09 року для жінок).Крім того, середня квадратична помилка (RMSE) дещо нижча, ніж традиційний метод, з меншими відмінностями (0,17–0,24, 0,2–0,24 для чоловічого внутрішнього тестового набору та 0,03–0,07, 0,04–0,08 для зовнішнього тестового набору).).MLP показує трохи кращу продуктивність, ніж Single Layer Perceptron (SLP), за винятком зовнішнього тестового набору жіночого типу.Для MAE та RMSE набір зовнішніх тестів має вищі бали, ніж набір внутрішніх тестів для всіх статей і моделей.Усі MAE та RMSE показані в таблиці 1 та на малюнку 1.
MAE і RMSE традиційних регресійних моделей і моделей інтелектуального аналізу даних.Середня абсолютна похибка MAE, середньоквадратична похибка RMSE, одношаровий персептрон SLP, багатошаровий персептрон MLP, традиційний метод CM.
Ефективність класифікації (з обмеженням у 18 років) традиційних моделей і моделей DM була продемонстрована з точки зору чутливості, специфічності, позитивної прогностичної цінності (PPV), негативної прогностичної цінності (NPV) і площі під кривою робочої характеристики приймача (AUROC). 27 (таблиця 2, малюнок 2 і додатковий малюнок 1 онлайн).З точки зору чутливості внутрішньої тестової батареї, традиційні методи продемонстрували найкращі результати серед чоловіків і гірші серед жінок.Однак різниця в ефективності класифікації між традиційними методами та SD становить 9,7% для чоловіків (MLP) і лише 2,4% для жінок (XGBoost).Серед моделей DM логістична регресія (LR) показала кращу чутливість в обох статей.Що стосується специфіки внутрішнього набору тестів, було помічено, що чотири моделі SD показали хороші результати у чоловіків, тоді як традиційна модель показала кращі результати у жінок.Відмінності в ефективності класифікації для чоловіків і жінок становлять 13,3% (MLP) і 13,1% (MLP), відповідно, що вказує на те, що різниця в продуктивності класифікації між моделями перевищує чутливість.Серед моделей DM моделі опорних векторів (SVM), дерева рішень (DT) і випадкового лісу (RF) продемонстрували найкращі результати серед чоловіків, тоді як модель LR показала найкращі результати серед жінок.AUROC традиційної моделі та всіх моделей SD був більшим за 0,925 (k-найближчий сусід (KNN) у чоловіків), що демонструє відмінну ефективність класифікації в дискримінаційних зразках 18-річних28.Для зовнішнього тестового набору спостерігалося зниження ефективності класифікації з точки зору чутливості, специфічності та AUROC порівняно з внутрішнім тестовим набором.Крім того, різниця в чутливості та специфічності між показниками класифікації найкращої та найгіршої моделей становила від 10% до 25% і була більшою, ніж різниця у внутрішньому тестовому наборі.
Чутливість і специфічність моделей класифікації інтелектуального аналізу даних порівняно з традиційними методами з межею 18 років.Найближчий сусід KNN k, опорна векторна машина SVM, логістична регресія LR, дерево рішень DT, RF випадковий ліс, XGB XGBoost, багатошаровий перцептрон MLP, традиційний метод CM.
Першим кроком у цьому дослідженні було порівняння точності оцінок віку зубів, отриманих із семи моделей DM, із тими, які були отримані за допомогою традиційної регресії.MAE та RMSE оцінювали у внутрішніх наборах тестів для обох статей, і різниця між традиційним методом і моделлю DM становила від 44 до 77 днів для MAE та від 62 до 88 днів для RMSE.Хоча традиційний метод був дещо точнішим у цьому дослідженні, важко зробити висновок, чи така невелика різниця має клінічне чи практичне значення.Ці результати вказують на те, що точність визначення віку зубів за допомогою моделі DM майже така ж, як і традиційного методу.Пряме порівняння з результатами попередніх досліджень є складним, оскільки жодне дослідження не порівнювало точність моделей DM з традиційними статистичними методами з використанням тієї ж техніки запису зубів у тому ж віковому діапазоні, що й у цьому дослідженні.Galibourg та інші24 порівнювали MAE та RMSE між двома традиційними методами (метод Демірджяна25 та метод Віллемса29) та 10 моделями ЦД у популяції Франції віком від 2 до 24 років.Вони повідомили, що всі моделі DM були більш точними, ніж традиційні методи, з відмінностями в 0,20 і 0,38 року в MAE і 0,25 і 0,47 року в RMSE порівняно з методами Віллемса і Демірджіяна відповідно.Розбіжності між моделлю SD і традиційними методами, показаними в Галібурзькому дослідженні, враховують численні звіти30,31,32,33 про те, що метод Демірджіяна не точно оцінює вік зубів у інших популяціях, окрім французьких канадців, на яких базувалося дослідження.у цьому дослідженні.Tai та інші 34 використали алгоритм MLP для прогнозування віку зубів за 1636 китайськими ортодонтичними фотографіями та порівняли його точність з результатами методу Демірджяна та Віллемса.Вони повідомили, що MLP має вищу точність, ніж традиційні методи.Різниця між методом Демірджяна та традиційним методом становить <0,32 року, а методом Віллемса – 0,28 року, що подібно до результатів цього дослідження.Результати цих попередніх досліджень24,34 також узгоджуються з результатами цього дослідження, а точність оцінки віку моделі ЦД і традиційного методу подібні.Однак, виходячи з представлених результатів, ми можемо лише обережно зробити висновок, що використання моделей DM для оцінки віку може замінити існуючі методи через відсутність порівняльних та довідкових попередніх досліджень.Для підтвердження результатів, отриманих у цьому дослідженні, необхідні подальші дослідження з використанням більших зразків.
Серед досліджень, які перевіряли точність SD при оцінці віку зубів, деякі показали вищу точність, ніж наше дослідження.Степановський та інші 35 застосували 22 моделі SD до панорамних рентгенограм 976 жителів Чехії віком від 2,7 до 20,5 років і перевірили точність кожної моделі.Вони оцінили розвиток загалом 16 верхніх і нижніх постійних зубів зліва, використовуючи критерії класифікації, запропоновані Moorrees et al.36.MAE коливається від 0,64 до 0,94 року, а RMSE – від 0,85 до 1,27 року, що є точнішим, ніж дві моделі DM, використані в цьому дослідженні.Shen та інші23 використовували метод Cameriere для оцінки стоматологічного віку семи постійних зубів лівої нижньої щелепи у жителів східного Китаю віком від 5 до 13 років і порівняли його з віком, оціненим за допомогою лінійної регресії, SVM та RF.Вони показали, що всі три моделі DM мають вищу точність порівняно з традиційною формулою Камер’єра.MAE та RMSE у дослідженні Shen були нижчими, ніж у моделі DM у цьому дослідженні.Підвищена точність досліджень Степановського та ін.35 та Shen et al.23 може бути пов'язано з включенням молодших суб'єктів до їх досліджуваних вибірок.Оскільки вікові оцінки для учасників із ростом зубів стають більш точними, коли кількість зубів збільшується під час розвитку зубів, точність отриманого методу оцінки віку може бути скомпрометована, коли учасники дослідження молодші.Крім того, похибка MLP в оцінці віку трохи менша, ніж SLP, що означає, що MLP точніший, ніж SLP.MLP вважається трохи кращим для оцінки віку, можливо, через приховані шари в MLP38.Однак існує виняток для зовнішньої вибірки жінок (SLP 1,45, MLP 1,49).Виявлення того, що MLP є більш точним, ніж SLP в оцінці віку, потребує додаткових ретроспективних досліджень.
Також порівнювали ефективність класифікації моделі DM і традиційного методу на порозі 18 років.Усі перевірені моделі SD та традиційні методи на внутрішньому тестовому наборі показали практично прийнятні рівні дискримінації для 18-річної вибірки.Чутливість для чоловіків і жінок була більшою за 87,7% і 94,9% відповідно, а специфічність була більшою за 89,3% і 84,7%.AUROC всіх протестованих моделей також перевищує 0,925.Наскільки нам відомо, жодне дослідження не перевіряло ефективність моделі DM для 18-річної класифікації на основі зрілості зубів.Ми можемо порівняти результати цього дослідження з ефективністю класифікації моделей глибокого навчання на панорамних рентгенограмах.Guo et al.15 розрахували ефективність класифікації моделі глибокого навчання на основі CNN і ручного методу на основі методу Демірджяна для певного вікового порогу.Чутливість і специфічність мануального методу становили 87,7% і 95,5% відповідно, а чутливість і специфічність моделі CNN перевищили 89,2% і 86,6% відповідно.Вони дійшли висновку, що моделі глибокого навчання можуть замінити або перевершити ручне оцінювання у класифікації вікових порогів.Результати цього дослідження показали подібну ефективність класифікації;Вважається, що класифікація за допомогою моделей DM може замінити традиційні статистичні методи оцінки віку.Серед моделей DM LR була найкращою моделлю з точки зору чутливості для чоловічої вибірки та чутливості та специфічності для жіночої вибірки.LR займає друге місце за специфічністю для чоловіків.Крім того, LR вважається однією з найбільш зручних моделей DM35 і є менш складною та складною для обробки.Ґрунтуючись на цих результатах, LR вважали найкращою граничною моделлю класифікації для 18-річних у корейському населенні.
Загалом точність оцінки віку або ефективності класифікації на зовнішньому тестовому наборі була поганою або нижчою порівняно з результатами внутрішнього тестового набору.Деякі звіти вказують на те, що точність або ефективність класифікації знижується, коли оцінки віку на основі корейського населення застосовуються до японського населення5,39, і подібна закономірність була виявлена в цьому дослідженні.Ця тенденція до погіршення також спостерігалася в моделі DM.Таким чином, для точної оцінки віку, навіть якщо використовувати DM у процесі аналізу, слід віддавати перевагу методам, отриманим з даних місцевого населення, таким як традиційні методи5,39,40,41,42.Оскільки незрозуміло, чи можуть моделі глибокого навчання демонструвати подібні тенденції, необхідні дослідження, що порівнюють точність і ефективність класифікації з використанням традиційних методів, моделей DM і моделей глибокого навчання на тих самих зразках, щоб підтвердити, чи може штучний інтелект подолати ці расові відмінності в обмеженому віці.оцінки.
Ми демонструємо, що традиційні методи можна замінити оцінкою віку на основі моделі DM у практиці судово-медичної оцінки віку в Кореї.Ми також виявили можливість впровадження машинного навчання для судово-медичної оцінки віку.Однак існують чіткі обмеження, такі як недостатня кількість учасників у цьому дослідженні для остаточного визначення результатів, а також відсутність попередніх досліджень для порівняння та підтвердження результатів цього дослідження.У майбутньому дослідження DM повинні проводитися з більшою кількістю зразків і більш різноманітними популяціями, щоб покращити його практичну застосовність порівняно з традиційними методами.Щоб підтвердити доцільність використання штучного інтелекту для оцінки віку в багатьох популяціях, необхідні майбутні дослідження для порівняння точності класифікації та ефективності моделей DM і глибокого навчання з традиційними методами в тих самих зразках.
У дослідженні використано 2657 орфографічних фотографій, зібраних у дорослих корейців і японців віком від 15 до 23 років.Корейські рентгенограми були розділені на 900 наборів для навчання (19,42 ± 2,65 року) і 900 наборів для внутрішнього тестування (19,52 ± 2,59 року).Набір для навчання був зібраний в одній установі (Сеульська лікарня Святої Марії), а власний набір для тестування був зібраний у двох установах (Стоматологічна лікарня Національного університету Сеула та Стоматологічна лікарня Університету Йонсей).Ми також зібрали 857 рентгенограм з інших популяційних даних (Медичний університет Івате, Японія) для зовнішнього тестування.Рентгенограми японських суб'єктів (19,31 ± 2,60 років) були обрані для зовнішнього тестування.Дані були зібрані ретроспективно для аналізу стадій розвитку зубів на панорамних рентгенограмах, зроблених під час лікування зубів.Усі зібрані дані були анонімними, за винятком статі, дати народження та дати рентгенограми.Критерії включення та виключення були такими ж, як і в раніше опублікованих дослідженнях 4, 5.Фактичний вік зразка був розрахований шляхом віднімання дати народження від дати, коли була зроблена рентгенограма.Вибіркова група була поділена на дев'ять вікових груп.Розподіл за віком і статтю наведено в таблиці 3. Це дослідження було проведено відповідно до Гельсінської декларації та схвалено Інституційною ревізійною радою (IRB) Сеульської лікарні Святої Марії Католицького університету Кореї (KC22WISI0328).Через ретроспективний дизайн цього дослідження не вдалося отримати інформовану згоду від усіх пацієнтів, які проходили рентгенологічне обстеження з терапевтичною метою.Лікарня Святої Марії Сеульського Корейського університету (IRB) скасувала вимогу інформованої згоди.
Стадії розвитку двохщелепних других і третіх молярів оцінювали за критеріями Деміркана25.Був обраний лише один зуб, якщо один і той же тип зуба був знайдений на лівій і правій сторонах кожної щелепи.Якщо гомологічні зуби з обох сторін перебували на різних стадіях розвитку, вибирався зуб із нижчою стадією розвитку, щоб врахувати невизначеність розрахункового віку.Сто випадково вибраних рентгенограм із навчального набору оцінювали двоє досвідчених спостерігачів, щоб перевірити надійність між спостерігачами після попереднього калібрування для визначення стадії зрілості зубів.Надійність внутрішнього спостереження оцінювалася двічі з інтервалом у три місяці основним спостерігачем.
Стать і стадію розвитку другого і третього молярів кожної щелепи в навчальному наборі оцінював основний спостерігач, навчений на різних моделях DM, а фактичний вік було встановлено як цільове значення.Моделі SLP і MLP, які широко використовуються в машинному навчанні, були протестовані на регресійних алгоритмах.Модель DM поєднує лінійні функції з використанням стадій розвитку чотирьох зубів і поєднує ці дані для оцінки віку.SLP є найпростішою нейронною мережею і не містить прихованих шарів.SLP працює на основі порогової передачі між вузлами.Модель SLP у регресії математично подібна до множинної лінійної регресії.На відміну від моделі SLP, модель MLP має кілька прихованих рівнів з нелінійними функціями активації.У наших експериментах використовувався прихований шар лише з 20 прихованими вузлами з нелінійними функціями активації.Використовуйте градієнтний спуск як метод оптимізації та MAE і RMSE як функцію втрат для навчання нашої моделі машинного навчання.Найкращу отриману регресійну модель застосували до внутрішнього та зовнішнього тестових наборів і оцінили вік зубів.
Було розроблено алгоритм класифікації, який використовує зрілість чотирьох зубів у навчальному наборі, щоб передбачити, чи є вибірці 18 років чи ні.Щоб побудувати модель, ми вивели сім алгоритмів машинного навчання6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost і (7) MLP .LR є одним із найбільш широко використовуваних алгоритмів класифікації44.Це контрольований алгоритм навчання, який використовує регресію для прогнозування ймовірності належності даних до певної категорії від 0 до 1 і класифікує дані як такі, що належать до більш імовірної категорії на основі цієї ймовірності;в основному використовується для двійкової класифікації.KNN є одним із найпростіших алгоритмів машинного навчання45.При отриманні нових вхідних даних він знаходить k даних, близьких до існуючого набору, а потім класифікує їх у клас із найвищою частотою.Ми встановили 3 для числа розглянутих сусідів (k).SVM — це алгоритм, який максимізує відстань між двома класами за допомогою функції ядра для розширення лінійного простору в нелінійний простір під назвою fields46.Для цієї моделі ми використовуємо зсув = 1, потужність = 1 і гамма = 1 як гіперпараметри для поліноміального ядра.DT застосовувався в різних областях як алгоритм для поділу всього набору даних на кілька підгруп шляхом представлення правил прийняття рішень у структурі дерева47.Модель налаштована з мінімальною кількістю записів на вузол 2 і використовує індекс Джіні як міру якості.RF — це метод ансамблю, який поєднує кілька DT для покращення продуктивності за допомогою методу завантажувального агрегування, який генерує слабкий класифікатор для кожної вибірки шляхом випадкового відбору вибірок однакового розміру кілька разів із вихідного набору даних48.Ми використовували 100 дерев, 10 глибин дерева, 1 мінімальний розмір вузла та індекс домішки Джіні як критерії поділу вузлів.Класифікація нових даних визначається більшістю голосів.XGBoost — це алгоритм, який поєднує методи підвищення за допомогою методу, який приймає як тренувальні дані помилку між фактичними та прогнозованими значеннями попередньої моделі та збільшує помилку за допомогою градієнтів49.Це широко використовуваний алгоритм завдяки його хорошій продуктивності та ефективності використання ресурсів, а також високій надійності як функції корекції переобладнання.Модель оснащена 400 опорними колесами.MLP — це нейронна мережа, в якій один або кілька перцептронів утворюють кілька шарів з одним або кількома прихованими шарами між вхідним і вихідним шарами38.Використовуючи це, ви можете виконати нелінійну класифікацію, де, коли ви додаєте вхідний рівень і отримуєте значення результату, прогнозоване значення результату порівнюється з фактичним значенням результату, а помилка поширюється назад.Ми створили прихований шар із 20 прихованими нейронами в кожному шарі.Кожну розроблену нами модель було застосовано до внутрішніх і зовнішніх наборів для перевірки ефективності класифікації шляхом обчислення чутливості, специфічності, PPV, NPV і AUROC.Чутливість визначається як відношення зразка віком 18 років або старше до зразка віком 18 років або старше.Специфічність — це частка зразків віком до 18 років і тих, за оцінками, віком до 18 років.
Стоматологічні стадії, оцінені в навчальному наборі, були перетворені в числові стадії для статистичного аналізу.Багатовимірна лінійна та логістична регресія була виконана для розробки прогнозних моделей для кожної статі та виведення формул регресії, які можна використовувати для оцінки віку.Ми використовували ці формули для оцінки віку зубів як для внутрішніх, так і для зовнішніх тестів.Таблиця 4 показує моделі регресії та класифікації, використані в цьому дослідженні.
Надійність між спостерігачами та між спостерігачами розраховували за допомогою статистики Каппа Коена.Щоб перевірити точність DM і традиційних регресійних моделей, ми розрахували MAE і RMSE, використовуючи розрахунковий і фактичний вік внутрішніх і зовнішніх тестових наборів.Ці помилки зазвичай використовуються для оцінки точності прогнозів моделі.Чим менша похибка, тим вища точність прогнозу24.Порівняйте MAE і RMSE внутрішніх і зовнішніх наборів тестів, розрахованих за допомогою DM і традиційної регресії.Ефективність класифікації 18-річного відсічення в традиційній статистиці оцінювалася за допомогою таблиці непередбачуваності 2 × 2.Розраховані чутливість, специфічність, PPV, NPV і AUROC тестового набору порівнювали з виміряними значеннями моделі класифікації DM.Дані виражаються як середнє ± стандартне відхилення або число (%) залежно від характеристик даних.Двосторонні значення P <0,05 вважалися статистично значущими.Усі рутинні статистичні аналізи проводили з використанням SAS версії 9.4 (SAS Institute, Cary, NC).Регресійну модель DM було реалізовано на Python за допомогою серверної частини Keras50 2.2.4 і Tensorflow51 1.8.0 спеціально для математичних операцій.Модель класифікації DM була реалізована в середовищі аналізу знань Waikato та аналітичній платформі Konstanz Information Miner (KNIME) 4.6.152.
Автори визнають, що дані, що підтверджують висновки дослідження, можна знайти в статті та додаткових матеріалах.Набори даних, створені та/або проаналізовані під час дослідження, доступні у відповідного автора за розумним запитом.
Ritz-Timme, S. та ін.Оцінка віку: сучасний рівень, що відповідає конкретним вимогам судово-медичної практики.інтернаціональність.Ж. Юридична медицина.113, 129–136 (2000).
Шмелінг, А., Рейзінгер, В., Гесерік, Г., і Олзе, А. Поточний стан судово-медичної оцінки віку живих суб'єктів для цілей кримінального переслідування.Криміналістика.ліки.Патологія.1, 239–246 (2005).
Пан, Дж. та ін.Модифікований метод оцінки стоматологічного віку дітей віком від 5 до 16 років у східному Китаї.клінічний.Усне опитування.25, 3463–3474 (2021).
Lee, SS тощо. Хронологія розвитку других і третіх молярів у корейців і її застосування для судово-медичної оцінки віку.інтернаціональність.Ж. Юридична медицина.124, 659–665 (2010).
О, С., Кумагай, А., Кім, С. Й. та Лі, С. С. Точність оцінки віку та оцінки 18-річного порогу на основі зрілості других і третіх молярів у корейців і японців.PLoS ONE 17, e0271247 (2022).
Kim, JY та ін.Передопераційний аналіз даних на основі машинного навчання може спрогнозувати результат лікування хірургічного лікування сну у пацієнтів з OSA.наука.Звіт 11, 14911 (2021).
Han, M. та ін.Точна оцінка віку за допомогою машинного навчання з втручанням людини чи без нього?інтернаціональність.Ж. Юридична медицина.136, 821–831 (2022).
Хан, С. і Шахін, М. Від аналізу даних до аналізу даних.J.Інформація.наука.https://doi.org/10.1177/01655515211030872 (2021).
Хан, С. і Шахін, М. WisRule: перший когнітивний алгоритм для аналізу правил асоціації.J.Інформація.наука.https://doi.org/10.1177/01655515221108695 (2022).
Шахін М. та Абдулла У. Карм: Традиційний інтелектуальний аналіз даних на основі правил асоціації на основі контексту.розрахувати.Меттпродовжувати.68, 3305–3322 (2021).
Мухаммад М., Рехман З., Шахін М., Хан М. і Хабіб М. Виявлення семантичної подібності на основі глибокого навчання за допомогою текстових даних.інформ.технології.КОНТРОЛЬ.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табіш, М., Танолі, З., і Шахін, М. Система для розпізнавання активності у спортивних відео.мультимедіа.Додатки інструментів https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS та ін.Проблема машинного навчання RSNA в педіатричному кістковому віці.Радіологія 290, 498–503 (2019).
Li, Y. та ін.Судово-медична оцінка віку за рентгенівськими знімками органів малого таза з використанням глибокого навчання.ЄВРО.випромінювання.29, 2322–2329 (2019).
Guo, YC та ін.Точна вікова класифікація за допомогою ручних методів і глибоких згорткових нейронних мереж із зображень ортографічної проекції.інтернаціональність.Ж. Юридична медицина.135, 1589–1597 (2021).
Алабама Далора та ін.Оцінка кісткового віку за допомогою різних методів машинного навчання: систематичний огляд літератури та мета-аналіз.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. Популяційна оцінка віку афроамериканців і китайців на основі об’ємів пульпової камери перших молярів за допомогою конусно-променевої комп’ютерної томографії.інтернаціональність.Ж. Юридична медицина.136, 811–819 (2022).
Кім С., Лі Ю.Х., Но Ю.К., Парк Ф.К. та О К.С. Визначення вікових груп живих людей за допомогою зображень перших молярів на основі штучного інтелекту.наука.Звіт 11, 1073 (2021).
Стерн, Д., Паєр, К., Джуліані, Н., і Уршлер, М. Автоматична оцінка віку та класифікація повноліття за даними багатофакторної МРТ.IEEE J. Biomed.Сповіщення про здоров'я.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. та Li, G. Оцінка віку на основі 3D-сегментації пульпової камери перших молярів з конусно-променевої комп’ютерної томографії шляхом інтеграції глибокого навчання та наборів рівнів.інтернаціональність.Ж. Юридична медицина.135, 365–373 (2021).
Wu, WT та ін.Інтелектуальний аналіз даних у клінічних великих даних: загальні бази даних, кроки та моделі методів.світ.ліки.ресурс.8, 44 (2021).
Yang, J. та ін.Вступ до медичних баз даних і технологій інтелектуального аналізу даних в епоху великих даних.Дж. Авід.Основна медицина.13, 57–69 (2020).
Shen, S. та ін.Метод Камерера для оцінки віку зубів за допомогою машинного навчання.BMC Oral Health 21, 641 (2021).
Galliburg A. та ін.Порівняння різних методів машинного навчання для прогнозування віку зубів за допомогою методу постановки Демірдж’яна.інтернаціональність.Ж. Юридична медицина.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. і Tanner, JM. Нова система для оцінки віку зубів.пирхати.біологія.45, 211–227 (1973).
Landis, JR, and Koch, GG Заходи згоди спостерігачів щодо категоричних даних.Біометрія 33, 159–174 (1977).
Бхаттачарджі С, Пракаш Д, Кім С, Кім Х.К. і Чой Х.К.Текстурний, морфологічний та статистичний аналіз двовимірної магнітно-резонансної томографії з використанням методів штучного інтелекту для диференціації первинних пухлин головного мозку.Інформація про здоров'я.ресурс.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Час публікації: 04 січня 2024 р