Дякуємо за відвідування Nature.com. Версія браузера, яку ви використовуєте, має обмежену підтримку CSS. Для найкращих результатів рекомендуємо використовувати новішу версію вашого браузера (або вимкнути режим сумісності в Internet Explorer). Тим часом, щоб забезпечити постійну підтримку, ми відображаємо сайт без стилізації та JavaScript.
Зуби вважаються найточнішим показником віку людського тіла та часто використовуються в судово-медичній оцінці віку. Ми мали на меті перевірити оцінки віку зубів на основі data mining, порівнюючи точність оцінки та ефективність класифікації 18-річного порогу з традиційними методами та оцінками віку на основі data mining. Загалом було зібрано 2657 панорамних рентгенограм громадян Кореї та Японії віком від 15 до 23 років. Вони були розділені на навчальний набір, кожен з якого містив 900 корейських рентгенограм, та внутрішній тестовий набір, що містив 857 японських рентгенограм. Ми порівняли точність класифікації та ефективність традиційних методів з тестовими наборами моделей data mining. Точність традиційного методу на внутрішньому тестовому наборі дещо вища, ніж у моделі data mining, і різниця невелика (середня абсолютна похибка <0,21 року, середньоквадратична похибка <0,24 року). Ефективність класифікації для 18-річного порогу також подібна між традиційними методами та моделями data mining. Таким чином, традиційні методи можуть бути замінені моделями інтелектуального аналізу даних під час проведення судово-медичної оцінки віку з використанням зрілості других та третіх молярів у корейських підлітків та молодих людей.
Оцінка стоматологічного віку широко використовується в судовій медицині та дитячій стоматології. Зокрема, через високу кореляцію між хронологічним віком та розвитком зубів, оцінка віку за стадіями розвитку зубів є важливим критерієм для оцінки віку дітей та підлітків1,2,3. Однак для молодих людей оцінка стоматологічного віку на основі стоматологічної зрілості має свої обмеження, оскільки ріст зубів майже завершений, за винятком третіх молярів. Юридичною метою визначення віку молодих людей та підлітків є надання точних оцінок та наукових доказів того, чи досягли вони повноліття. У медико-правовій практиці підлітків та молодих людей у Кореї вік оцінювався за методом Лі, а юридичний поріг у 18 років прогнозувався на основі даних, наведених О та ін.5.
Машинне навчання – це тип штучного інтелекту (ШІ), який багаторазово навчається та класифікує великі обсяги даних, самостійно вирішує проблеми та керує програмуванням даних. Машинне навчання може виявляти корисні приховані закономірності у великих обсягах даних6. На противагу цьому, класичні методи, які є трудомісткими та тривалими, можуть мати обмеження при роботі з великими обсягами складних даних, які важко обробляти вручну7. Тому нещодавно було проведено багато досліджень з використанням найновіших комп'ютерних технологій для мінімізації людських помилок та ефективної обробки багатовимірних даних8,9,10,11,12. Зокрема, глибоке навчання широко використовується в аналізі медичних зображень, і повідомлялося, що різні методи оцінки віку шляхом автоматичного аналізу рентгенограм покращують точність та ефективність оцінки віку13,14,15,16,17,18,19,20. Наприклад, Халабі та ін.13 розробили алгоритм машинного навчання на основі згорткових нейронних мереж (ЗНМ) для оцінки віку скелета за допомогою рентгенограм дитячих рук. Це дослідження пропонує модель, яка застосовує машинне навчання до медичних зображень та показує, що ці методи можуть підвищити точність діагностики. Лі та ін.14 оцінили вік за рентгенівськими знімками тазу, використовуючи CNN глибокого навчання, та порівняли їх з результатами регресійного аналізу, використовуючи оцінку стадії окостеніння. Вони виявили, що модель CNN глибокого навчання показала таку ж ефективність оцінки віку, як і традиційна регресійна модель. У дослідженні Го та ін. [15] оцінено ефективність класифікації вікової толерантності технології CNN на основі стоматологічних ортофотопланів, і результати моделі CNN довели, що люди перевершили її ефективність класифікації віку.
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 точнішою, ніж традиційні методи. Однак цей підхід дає мало можливостей представити наукову основу для оцінки віку, таку як показники віку, що використовуються в оцінках. Існує також правова суперечка щодо того, хто проводить перевірки. Тому оцінка віку на основі глибокого навчання важко прийняти адміністративними та судовими органами. Інтелектуальний аналіз даних (DM) – це метод, який може виявляти не лише очікувану, але й неочікувану інформацію як метод 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 одні й ті ж ключові алгоритми для виявлення закономірностей у даних. Оцінка віку за допомогою розвитку зубів базується на оцінці експертом зрілості цільових зубів, і ця оцінка виражається як стадія для кожного цільового зуба. DM може бути використаний для аналізу кореляції між стадією оцінки зубів та фактичним віком і має потенціал замінити традиційний статистичний аналіз. Отже, якщо ми застосуємо методи машинного навчання (DM) до оцінки віку, ми можемо впровадити 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, та методам на основі електронної медицини (EBM) для визначення стоматологічного віку. Шен та ін.23 показали, що модель DM є точнішою, ніж традиційна формула Камерера. Галібур та ін.24 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 населення Франції.
Для оцінки стоматологічного віку корейських підлітків та молодих людей у корейській судово-медичній практиці широко використовується метод Лі 4. 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, визначені як «традиційні методи». Метод Лі є традиційним методом, і його точність була підтверджена О та ін. 5; однак застосовність оцінки віку на основі моделі DM у корейській судово-медичній практиці все ще залишається сумнівною. Нашою метою було науково обґрунтувати потенційну корисність оцінки віку на основі моделі DM. Метою цього дослідження було (1) порівняти точність двох моделей DM в оцінці стоматологічного віку та (2) порівняти ефективність класифікації 7 моделей DM у віці 18 років з тими, що отримані за допомогою традиційних статистичних методів. Зрілість других та третіх молярів на обох щелепах.
Середні значення та стандартні відхилення хронологічного віку за стадією та типом зуба показано онлайн у Додатковій таблиці S1 (навчальний набір), Додатковій таблиці S2 (внутрішній тестовий набір) та Додатковій таблиці S3 (зовнішній тестовий набір). Значення каппа для внутрішньо- та міжспостережувальної надійності, отримані з навчального набору, становили 0,951 та 0,947 відповідно. Значення P та 95% довірчі інтервали для значень каппа показано в додатковій онлайн-таблиці S4. Значення каппа було інтерпретовано як «майже ідеальне», що відповідає критеріям Лендіса та Коха26.
При порівнянні середньої абсолютної похибки (MAE), традиційний метод дещо перевершує модель DM для всіх статей та у зовнішньому чоловічому тестовому наборі, за винятком багатошарового персептрона (MLP). Різниця між традиційною моделлю та моделлю DM на внутрішньому тестовому наборі MAE становила 0,12–0,19 років для чоловіків та 0,17–0,21 років для жінок. Для батареї зовнішніх тестів відмінності менші (0,001–0,05 років для чоловіків та 0,05–0,09 років для жінок). Крім того, середньоквадратична похибка (RMSE) дещо нижча, ніж у традиційного методу, з меншими відмінностями (0,17–0,24, 0,2–0,24 для внутрішнього чоловічого тестового набору та 0,03–0,07, 0,04–0,08 для зовнішнього тестового набору). MLP показує дещо кращу продуктивність, ніж одношаровий персептрон (SLP), за винятком випадку жіночого зовнішнього тестового набору. Для MAE та RMSE зовнішній тестовий набір має вищі бали, ніж внутрішній тестовий набір для всіх статей та моделей. Усі MAE та RMSE показано в таблиці 1 та на рисунку 1.
MAE та RMSE традиційних регресійних моделей та моделей інтелектуального аналізу даних. Середня абсолютна похибка MAE, середньоквадратична похибка RMSE, одношаровий персептрон SLP, багатошаровий персептрон MLP, традиційний метод CM.
Ефективність класифікації (з пороговим значенням 18 років) традиційних та DM моделей була продемонстрована з точки зору чутливості, специфічності, позитивної прогностичної цінності (PPV), негативної прогностичної цінності (NPV) та площі під кривою робочих характеристик приймача (AUROC) 27 (Таблиця 2, Рисунок 2 та Додатковий Рисунок 1 онлайн). Що стосується чутливості внутрішнього тестового набору, традиційні методи показали 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 DM моделей логістична регресія (LR) показала кращу чутливість в обох статей. Щодо специфічності внутрішнього тестового набору, було відзначено, що чотири SD моделі добре працювали у чоловіків, тоді як традиційна модель краще працювала у жінок. Різниця в ефективності класифікації для чоловіків і жінок становить 13,3% (MLP) та 13,1% (MLP) відповідно, що свідчить про те, що різниця в ефективності класифікації між моделями перевищує чутливість. Серед моделей DM, моделі методу опорних векторів (SVM), дерева рішень (DT) та випадкового лісу (RF) показали 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-найближчих сусідів (KNN) у чоловіків), що демонструє чудову ефективність класифікації при розрізненні 18-річних вибірок28. Для зовнішнього тестового набору спостерігалося зниження ефективності класифікації з точки зору чутливості, специфічності та AUROC порівняно з внутрішнім тестовим набором. Більше того, різниця в чутливості та специфічності між ефективністю класифікації найкращої та найгіршої моделей коливалася від 10% до 25% і була більшою, ніж різниця у внутрішньому тестовому наборі.
Чутливість та специфічність моделей класифікації даних у порівнянні з традиційними методами з граничним значенням 18 років. Найближчий сусід KNN k, метод опорних векторів SVM, логістична регресія LR, дерево рішень DT, випадковий ліс RF, XGB XGBoost, багатошаровий перцептрон MLP, традиційний метод CM.
Першим кроком у цьому дослідженні було порівняння точності оцінок стоматологічного віку, отриманих за допомогою семи моделей DM, з тими, що були отримані за допомогою традиційної регресії. MAE та RMSE були оцінені у внутрішніх тестових наборах для обох статей, і різниця між традиційним методом та моделлю DM коливалася 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 має така невелика різниця клінічне чи практичне значення. Ці результати вказують на те, що точність оцінки стоматологічного віку за допомогою моделі DM майже така ж, як і за допомогою традиційного методу. Пряме порівняння з результатами попередніх досліджень є складним, оскільки жодне дослідження не порівнювало точність моделей DM з традиційними статистичними методами, що використовують ту саму техніку реєстрації зубів у тому ж віковому діапазоні, що й у цьому дослідженні. Galibourg та ін.24 порівняли MAE та RMSE між двома традиційними методами (метод Демірджана25 та метод Віллемса29) та 10 моделями DM у французькій популяції віком від 2 до 24 років. Вони повідомили, що всі моделі DM були точнішими, ніж традиційні методи, з різницею 0,20 та 0,38 року в MAE та 0,25 та 0,47 року в RMSE порівняно з методами Віллемса та Демірджяна відповідно. Розбіжність між моделлю SD та традиційними методами, показана в дослідженні Халібурга, враховує численні повідомлення30,31,32,33 про те, що метод Демірджяна неточно оцінює вік зубів у популяціях, відмінних від франкоканадців, на яких базувалося дослідження. У цьому дослідженні Тай та ін.34 використовували алгоритм MLP для прогнозування віку зубів на основі 1636 китайських ортодонтичних фотографій 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 за допомогою моделі DM та традиційного методу є подібною. 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 еталонних попередніх досліджень. Для підтвердження результатів, отриманих у цьому дослідженні, необхідні подальші дослідження з використанням більших вибірок.
Серед досліджень, що перевіряли точність стандартного відхилення (SD) в оцінці стоматологічного віку, деякі показали вищу точність, ніж наше дослідження. Степановський та ін.35 застосували 22 моделі SD до панорамних рентгенограм 976 жителів Чехії віком від 2,7 до 20,5 років та перевірили точність кожної моделі. Вони оцінили розвиток загалом 16 верхніх та нижніх лівих постійних зубів, використовуючи критерії класифікації, запропоновані Муррісом та ін.36. MAE коливається від 0,64 до 0,94 років, а RMSE – від 0,85 до 1,27 років, що є точнішим, ніж дві моделі DM, використані в цьому дослідженні. Шень та ін.23 використовували метод Камер'єра для оцінки стоматологічного віку семи постійних зубів на лівій нижній щелепі у жителів східного Китаю віком від 5 до 13 років та 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. Значення MAE та RMSE у дослідженні Шена були нижчими, ніж у моделі DM у цьому дослідженні. Підвищена точність досліджень Степановського та ін.35 та Шена та ін.23 може бути пов'язана з включенням молодших учасників до вибірки їхніх досліджень. Оскільки оцінки віку учасників з зубами, що розвиваються, стають точнішими зі збільшенням кількості зубів під час розвитку зубів, точність отриманого методу оцінки віку може бути порушена, коли учасники дослідження молодші. Крім того, похибка MLP в оцінці віку трохи менша, ніж у SLP, а це означає, що MLP точніший, ніж SLP. MLP вважається трохи кращим для оцінки віку, можливо, через приховані шари в MLP38. Однак є виняток для зовнішньої вибірки жінок (SLP 1,45, MLP 1,49). Висновок про те, що MLP є точнішим, ніж SLP, в оцінці віку, вимагає додаткових ретроспективних досліджень.
Також порівнювали ефективність класифікації моделі DM та традиційного методу на 18-річному порозі. Усі протестовані моделі SD та традиційні методи на внутрішньому тестовому наборі показали практично прийнятний рівень дискримінації для 18-річної вибірки. Чутливість для чоловіків та жінок була більшою за 87,7% та 94,9% відповідно, а специфічність була більшою за 89,3% та 84,7%. AUROC усіх 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. Го та ін.15 розрахували ефективність класифікації моделі глибокого навчання на основі CNN та ручного методу, заснованого на методі Демірджяна, для певного вікового порогу. Чутливість та специфічність ручного методу становили 87,7% та 95,5% відповідно, а чутливість та специфічність моделі CNN перевищили 89,2% та 86,6% відповідно. Вони дійшли висновку, що моделі глибокого навчання можуть замінити або перевершити ручну оцінку в класифікації вікових порогів. Результати цього дослідження показали подібну ефективність класифікації; вважається, що класифікація з використанням 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 посідає друге місце за специфічністю для чоловіків. Більше того, LR вважається однією з найбільш зручних моделей DM35, є менш складною та важкою в обробці. На основі цих результатів LR вважався найкращою моделлю класифікації порогових значень для 18-річних осіб у корейській популяції.
Загалом, точність оцінки віку або ефективності класифікації на зовнішньому тестовому наборі була низькою або нижчою порівняно з результатами на внутрішньому тестовому наборі. Деякі звіти вказують на те, що точність або ефективність класифікації знижується, коли оцінки віку, засновані на корейському населенні, застосовуються до японського населення5,39, і подібна закономірність була виявлена в цьому дослідженні. Ця тенденція погіршення також спостерігалася в моделі глибокого навчання (DM). Тому для точної оцінки віку, навіть при використанні DM у процесі аналізу, слід надавати перевагу методам, отриманим на основі даних місцевого населення, таким як традиційні методи5,39,40,41,42. Оскільки неясно, чи можуть моделі глибокого навчання демонструвати подібні тенденції, необхідні дослідження, що порівнюють точність та ефективність класифікації з використанням традиційних методів, моделей DM та моделей глибокого навчання на тих самих вибірках, щоб підтвердити, чи може штучний інтелект подолати ці расові відмінності в обмежених оцінках віку.
Ми демонструємо, що традиційні методи можуть бути замінені оцінкою віку на основі моделі глибокого навчання (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 цього дослідження для остаточного визначення результатів, а також відсутність попередніх досліджень для порівняння та підтвердження результатів цього дослідження. У майбутньому дослідження DM слід проводити з більшою кількістю вибірок та більш різноманітними популяціями, щоб покращити їх практичну застосовність порівняно з традиційними методами. Щоб перевірити можливість використання штучного інтелекту для оцінки віку в кількох популяціях, необхідні майбутні дослідження для порівняння точності класифікації та ефективності моделей DM та глибокого навчання з традиційними методами в тих самих вибірках.
У дослідженні було використано 2657 ортографічних фотографій, зібраних у корейських та японських дорослих віком від 15 до 23 років. Корейські рентгенограми були розділені на 900 навчальних наборів (19,42 ± 2,65 років) та 900 внутрішніх тестових наборів (19,52 ± 2,59 років). Навчальний набір був зібраний в одному закладі (Сеульська лікарня Святої Марії), а власний тестовий набір був зібраний у двох закладах (Стоматологічна лікарня Сеульського національного університету 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 як зовнішній тестовий набір. Дані були зібрані ретроспективно для аналізу стадій розвитку зубів на панорамних рентгенограмах, зроблених під час стоматологічного лікування. Усі зібрані дані були анонімними, за винятком статі, дати народження та дати рентгенограми. Критерії включення та виключення були такими ж, як у раніше опублікованих дослідженнях 4, 5. Фактичний вік вибірки було розраховано шляхом віднімання дати народження від дати зйомки рентгенограми. Вибірку було розділено на дев'ять вікових груп. Розподіл за віком та статтю наведено в таблиці 3. Це дослідження було проведено відповідно до Гельсінської декларації та схвалено Інституційною етичної комісією (IRB) Сеульської лікарні Святої Марії Католицького університету Кореї (KC22WISI0328). Через ретроспективний дизайн цього дослідження інформовану згоду не вдалося отримати від усіх пацієнтів, які проходили рентгенографічне обстеження з терапевтичною метою. Сеульська лікарня Корейського університету Святої Марії (IRB) скасувала вимогу щодо інформованої згоди.
Стадії розвитку других та третіх молярів двощелепної щелепи оцінювали відповідно до критеріїв Деміркана25. Вибирали лише один зуб, якщо однаковий тип зуба був знайдений з лівого та правого боків кожної щелепи. Якщо гомологічні зуби з обох боків перебували на різних стадіях розвитку, вибирали зуб з нижчою стадією розвитку, щоб врахувати невизначеність у оцінюваному віці. Сто випадково вибраних рентгенограм з навчального набору були оцінені двома досвідченими спостерігачами для перевірки надійності між спостерігачами після попереднього калібрування для визначення стадії зрілості зубів. Внутрішньощелепна надійність оцінювалася двічі з тримісячними інтервалами первинним спостерігачем.
Стать та стадію розвитку других і третіх молярів кожної щелепи в навчальному наборі оцінювалися первинним спостерігачем, навченим за допомогою різних моделей DM, а фактичний вік було встановлено як цільове значення. Моделі SLP та MLP, які широко використовуються в машинному навчанні, були протестовані за допомогою алгоритмів регресії. Модель DM поєднує лінійні функції, використовуючи стадії розвитку чотирьох зубів, та об'єднує ці дані для оцінки віку. SLP є найпростішою нейронною мережею та 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 шарів 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, а MAE та RMSE як функцію втрат для навчання нашої моделі машинного навчання. Найкраще отримана регресійна модель була застосована до внутрішнього та зовнішнього тестових наборів, і було оцінено вік зубів.
Було розроблено алгоритм класифікації, який використовує зрілість чотирьох зубів на навчальному наборі для прогнозування віку вибірки 18 років. Для побудови моделі ми вивели сім алгоритмів машинного навчання на основі представлень6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost та (7) MLP. LR є одним із найбільш широко використовуваних алгоритмів класифікації44. Це алгоритм навчання з учителем, який використовує регресію для прогнозування ймовірності належності даних до певної категорії від 0 до 1 та класифікує дані як такі, що належать до більш ймовірної категорії на основі цієї ймовірності; в основному використовується для двійкової класифікації. KNN є одним із найпростіших алгоритмів машинного навчання45. Коли йому надаються нові вхідні дані, він знаходить k даних, близьких до існуючого набору, а потім класифікує їх у клас з найвищою частотою. Ми встановлюємо 3 для кількості розглянутих сусідів (k). SVM — це алгоритм, який максимізує відстань між двома класами, використовуючи функцію ядра для розширення лінійного простору в нелінійний простір, який називається полями46. Для цієї моделі ми використовуємо зміщення = 1, потужність = 1 та гамма = 1 як гіперпараметри для ядра полінома. DT застосовується в різних галузях як алгоритм для поділу всього набору даних на кілька підгруп шляхом представлення правил прийняття рішень у деревоподібній структурі47. Модель налаштована з мінімальною кількістю записів на вузол 2 та використовує індекс Джині як міру якості. RF - це метод ансамблю, який поєднує кілька DT для покращення продуктивності за допомогою методу агрегації бутстрепу, який генерує слабкий класифікатор для кожної вибірки шляхом випадкового вибору вибірок однакового розміру кілька разів з вихідного набору даних48. Ми використовували 100 дерев, 10 глибин дерев, 1 мінімальний розмір вузла та індекс домішки Джині як критерії розділення вузлів. Класифікація нових даних визначається більшістю голосів. XGBoost - це алгоритм, який поєднує методи бустингу за допомогою методу, який приймає як навчальні дані похибку між фактичними та прогнозованими значеннями попередньої моделі та збільшує похибку за допомогою градієнтів49. Це широко використовуваний алгоритм завдяки своїй хорошій продуктивності та ресурсоефективності, а також високій надійності як функції корекції перенавчання. Модель оснащена 400 опорними колесами. MLP – це нейронна мережа, в якій один або декілька перцептронів утворюють кілька шарів з одним або кількома прихованими шарами між вхідним та вихідним шарами38. Використовуючи це, можна виконувати нелінійну класифікацію, де при додаванні вхідного шару та отриманні значення результату прогнозоване значення результату порівнюється з фактичним значенням результату, а помилка поширюється назад. Ми створили прихований шар з 20 прихованими нейронами в кожному шарі. Кожна розроблена нами модель була застосована до внутрішніх та зовнішніх наборів для перевірки ефективності класифікації шляхом обчислення чутливості, специфічності, PPV, NPV та AUROC. Чутливість визначається як відношення вибірки, вік якої оцінюється у 18 років або старше, до вибірки, вік якої оцінюється у 18 років або старше. Специфічність – це частка вибірок віком до 18 років та тих, вік яких оцінюється у 18 років.
Стадії розвитку зубів, оцінені в навчальному наборі, були перетворені на числові стадії для статистичного аналізу. Для розробки прогностичних моделей для кожної статі та виведення формул регресії, які можна використовувати для оцінки віку, було проведено багатовимірну лінійну та логістичну регресію. Ми використовували ці формули для оцінки віку зубів як для внутрішніх, так і для зовнішніх тестових наборів. У таблиці 4 наведено моделі регресії та класифікації, що використовувалися в цьому дослідженні.
Внутрішньо- та міжспостерігацьку надійність розраховували за допомогою каппа-статистики Коена. Для перевірки точності моделей DM та традиційної регресії ми розрахували MAE та RMSE, використовуючи розрахунковий та фактичний вік внутрішнього та зовнішнього тестових наборів. Ці похибки зазвичай використовуються для оцінки точності прогнозів моделі. Чим менша похибка, тим вища точність прогнозу24. Порівняйте MAE та RMSE внутрішнього та зовнішнього тестових наборів, розраховані за допомогою DM та традиційної регресії. Ефективність класифікації 18-річного порогового значення в традиційній статистиці оцінювали за допомогою таблиці спряженості 2 × 2. Розраховані чутливість, специфічність, PPV, NPV та AUROC тестового набору порівнювали з виміряними значеннями моделі класифікації DM. Дані виражаються як середнє значення ± стандартне відхилення або число (%) залежно від характеристик даних. Двосторонні значення P <0,05 вважалися статистично значущими. Всі рутинні статистичні аналізи виконували за допомогою SAS версії 9.4 (SAS Institute, Cary, NC). Регресійну модель DM було реалізовано на Python з використанням бекенду Keras50 2.2.4 та Tensorflow51 1.8.0 спеціально для математичних операцій. Модель класифікації DM було реалізовано 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 у статті та додаткових матеріалах. Набори даних, згенеровані та/або проаналізовані під час дослідження, доступні у відповідного автора за обґрунтованим запитом.
Рітц-Тімме, С. та ін. Оцінка віку: сучасний стан для задоволення конкретних вимог судово-медичної практики. Міжнародність. Журнал юридичної медицини. 113, 129–136 (2000).
Шмелінг, А., Райзінгер, В., Гезерік, Г. та Ольце, А. Сучасний стан судово-медичної оцінки віку живих істот для цілей кримінального переслідування. Судова медицина. 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).
Лі, С.С. та ін. Хронологія розвитку других і третіх молярів у корейців та її застосування для судово-медичної оцінки віку. Інтернаціональність. Журнал юридичної медицини. 124, 659–665 (2010).
О, С., Кумагай, А., Кім, С.Ю. та Лі, С.С. Точність оцінки віку та оцінки 18-річного порогу на основі зрілості других та третіх молярів у корейців та японців. PLoS ONE 17, e0271247 (2022).
Кім, Дж.Й. та ін. Передопераційний аналіз даних на основі машинного навчання може передбачити результат лікування хірургічним втручанням у сну у пацієнтів з обструктивним апное сну. Наука. Звіт 11, 14911 (2021).
Хан, М. та ін. Точна оцінка віку за допомогою машинного навчання з втручанням людини чи без нього? Інтернаціональність. Журнал юридичної медицини. 136, 821–831 (2022).
Хан, С. та Шахін, М. Від інтелектуального аналізу даних до інтелектуального аналізу даних. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Хан, С. та Шахін, М. WisRule: Перший когнітивний алгоритм для аналізу правил асоціації. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Шахін М. та Абдулла У. Карм: Традиційний аналіз даних на основі контекстно-орієнтованих правил асоціації. обчислити. Метт. продовжити. 68, 3305–3322 (2021).
Мухаммад М., Рехман З., Шахін М., Хан М. та Хабіб М. Виявлення семантичної подібності на основі глибокого навчання з використанням текстових даних. Інформаційні технології. Контроль. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табіш, М., Танолі, З. та Шахін, М. Система розпізнавання активності у спортивних відео. мультимедіа. Інструменти та програми https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халабі, С.С. та ін. Проблема машинного навчання RSNA у дітей з дослідженням кісткового віку. Радіологія 290, 498–503 (2019).
Лі, Ю. та ін. Судово-медична оцінка віку за рентгенівськими знімками органів малого тазу з використанням глибокого навчання. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC та ін. Точна класифікація віку з використанням ручних методів та глибоких згорткових нейронних мереж з ортогональних проекційних зображень. міжнародність. Журнал юридичної медицини. 135, 1589–1597 (2021).
Алабама Далора та ін. Оцінка кісткового віку за допомогою різних методів машинного навчання: систематичний огляд літератури та метааналіз. PLoS ONE 14, e0220242 (2019).
Ду, Х., Лі, Г., Ченг, К. та Ян, Дж. Популяційно-специфічна оцінка віку афроамериканців та китайців на основі об'ємів пульпової камери перших молярів за допомогою конусно-променевої комп'ютерної томографії. Міжнародність. Журнал юридичної медицини. 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).
Stern, D., Payer, C., Giuliani, N. та Urschler, M. Автоматична оцінка віку та класифікація віку більшої частини населення на основі даних багатовимірної МРТ. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. та Li, G. Оцінка віку на основі 3D-сегментації пульпової камери перших молярів за допомогою конусно-променевої комп'ютерної томографії шляхом інтеграції глибокого навчання та наборів рівнів. міжнародність. J. Legal medicine. 135, 365–373 (2021).
Ву, В. Т. та ін. Інтелектуальний аналіз даних у великих клінічних даних: загальні бази даних, кроки та методи моделей. World. medicine. resource. 8, 44 (2021).
Ян, Дж. та ін. Вступ до медичних баз даних та технологій інтелектуального аналізу даних в епоху великих даних. J. Avid. Basic medicine. 13, 57–69 (2020).
Шен, С. та ін. Метод Камерера для оцінки віку зубів за допомогою машинного навчання. BMC Oral Health 21, 641 (2021).
Галлібург А. та ін. Порівняння різних методів машинного навчання для прогнозування стоматологічного віку з використанням методу стадіювання Демірджяна. міжнародність. Журнал юридичної медицини. 135, 665–675 (2021).
Демірджян, А., Гольдштейн, Х. та Таннер, Дж. М. Нова система оцінки стоматологічного віку. snort. biology. 45, 211–227 (1973).
Лендіс, Дж. Р. та Кох, Г. Г. Міри узгодженості спостерігачів щодо категоріальних даних. Біометрія 33, 159–174 (1977).
Бхаттачарджі С., Пракаш Д., Кім К., Кім Х.К. та 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.