Благодаря ви, че посетихте Nature.com. Версията на браузъра, която използвате, има ограничена поддръжка на CSS. За най -добри резултати препоръчваме да използвате по -нова версия на вашия браузър (или изключване на режим на съвместимост в Internet Explorer). Междувременно, за да осигурим постоянна поддръжка, ние показваме сайта без стайлинг или JavaScript.
Зъбите се считат за най -точния показател за възрастта на човешкото тяло и често се използват при оценка на криминалистичната възраст. Ние имахме за цел да валидираме оценките на денталната възраст, базирани на данни, като сравним точността на оценката и ефективността на класификацията на 18-годишния праг с традиционните методи и оценките на възрастта, базирани на данни. Общо 2657 панорамни рентгенографии бяха събрани от корейски и японски граждани на възраст от 15 до 23 години. Те бяха разделени на тренировъчен комплект, всеки от които съдържа 900 корейски рентгенографии, и вътрешен тестов набор, съдържащ 857 японски рентгенографии. Сравнихме точността на класификацията и ефективността на традиционните методи с тестови набори от модели за извличане на данни. Точността на традиционния метод на вътрешния тестов набор е малко по -висока от тази на модела за извличане на данни, а разликата е малка (средна абсолютна грешка <0,21 години, средна квадратна грешка на корена <0,24 години). Класификационната ефективност за 18-годишното прекъсване също е сходно между традиционните методи и модели за извличане на данни. По този начин традиционните методи могат да бъдат заменени от модели за извличане на данни при извършване на оценка на криминалистичната възраст, като се използва зрелостта на втория и третия кътник при корейски юноши и млади възрастни.
Оценката на зъбната възраст се използва широко в съдебната медицина и педиатричната стоматология. По -специално, поради високата връзка между хронологичната възраст и зъбното развитие, оценката на възрастта по етапите на развитието на зъбите е важен критерий за оценка на възрастта на децата и юношите1,2,3. Въпреки това, за младите хора оценката на денталната възраст въз основа на зрялост на зъбите има своите ограничения, тъй като растежът на зъбите е почти завършен, с изключение на третата кътна. Правната цел за определяне на възрастта на младите хора и юношите е да предоставят точни оценки и научни доказателства дали са достигнали възрастта на мнозинството. В медико-правната практика на подрастващите и младите възрастни в Корея, възрастта се оценява по метода на Лий и правен праг от 18 години се прогнозира въз основа на данните, докладвани от OH et al 5.
Машинното обучение е вид изкуствен интелект (AI), който многократно се учи и класифицира големи количества данни, решава проблеми самостоятелно и управлява програмирането на данни. Машинното обучение може да открие полезни скрити модели в големи обеми от данни6. За разлика от тях, класическите методи, които са трудоемки и отнемащи време, могат да имат ограничения при справяне с големи обеми от сложни данни, които са трудни за ръчно обработка. Следователно, много проучвания са проведени наскоро, използвайки най -новите компютърни технологии, за да се сведат до минимум човешките грешки и ефективно да обработват многоизмерни данни 8,9,10,11,12. По -специално, дълбокото обучение е широко използвано при анализ на медицински изображения и се съобщава за различни методи за оценка на възрастта чрез автоматично анализиране на рентгенографии, за да подобрят точността и ефективността на оценката на възрастта13,14,15,16,17,18,19,20 . Например, Halabi et al. Това проучване предлага модел, който прилага машинно обучение към медицински изображения и показва, че тези методи могат да подобрят диагностичната точност. Li et al14 оценява възрастта от рентгенови изображения на таза, използвайки дълбоко обучение CNN и ги сравнява с регресионни резултати, използвайки оценка на етапа на осификация. Те откриха, че моделът за дълбоко обучение CNN показва същата ефективност на оценката на възрастта като традиционния регресионен модел. Проучването на Guo et al. [15] оценява ефективността на класификацията на толерантността на възрастта на технологията на CNN, базирана на дентални ортофото, и резултатите от модела на CNN доказаха, че хората превъзхождат неговите възрастови класификационни резултати.
Повечето проучвания за оценка на възрастта с помощта на машинно обучение използват методи за дълбоко обучение13,14,15,16,17,18,19,20. Оценката на възрастта въз основа на дълбокото обучение се съобщава за по -точна от традиционните методи. Този подход обаче предоставя малка възможност за представяне на научната основа за оценките на възрастта, като например показателите за възрастта, използвани при оценките. Съществува и правен спор за това кой провежда проверките. Следователно оценката на възрастта, основана на дълбокото обучение, е трудно да се приеме от административните и съдебните органи. Извличането на данни (DM) е техника, която може да открие не само очакваната, но и неочаквана информация като метод за откриване на полезни корелации между големи количества данни 6,21,22. Машинното обучение често се използва при извличането на данни, а както извличането на данни, така и машинното обучение използват едни и същи ключови алгоритми, за да открият модели в данните. Оценка на възрастта с помощта на зъболекарска развитие се основава на оценката на изпитващия за зрелостта на целевите зъби и тази оценка се изразява като етап за всеки целеви зъб. ДМ може да се използва за анализ на корелацията между етапа на оценка на зъбите и действителната възраст и има потенциал да замени традиционния статистически анализ. Следователно, ако приложим DM техники за оценка на възрастта, можем да приложим машинно обучение при оценка на възрастта на криминалистиката, без да се притесняваме за правна отговорност. Публикувани са няколко сравнителни проучвания за възможни алтернативи на традиционните ръчни методи, използвани в криминалистичната практика и методите, базирани на EBM за определяне на денталната възраст. Shen et al23 показаха, че DM моделът е по -точен от традиционната формула на оператора. Galibourg et al24 прилагат различни DM методи за прогнозиране на възрастта според критериите на Demirdjian25 и резултатите показват, че методът на ДМ превъзхожда методите на Demirdjian и Willems при оценка на възрастта на френското население.
За да оцени денталната епоха на корейските юноши и младите възрастни, методът 4 на Лий се използва широко в корейската криминалистична практика. Този метод използва традиционния статистически анализ (като множествена регресия), за да изследва връзката между корейските субекти и хронологичната възраст. В това проучване методите за оценка на възрастта, получени с помощта на традиционните статистически методи, се определят като „традиционни методи“. Методът на Ли е традиционен метод и точността му е потвърдена от Oh et al. 5; Въпреки това, приложимостта на оценката на възрастта въз основа на DM модела в корейската криминалистична практика все още е съмнителна. Нашата цел беше научно да потвърдим потенциалната полезност на оценката на възрастта въз основа на модела на DM. Целта на това проучване беше (1) да се сравни точността на два модела на ДМ при оценката на зъбната възраст и (2), за да се сравни ефективността на класификацията на 7 DM модела на възраст от 18 години с тези, получени с помощта на традиционните статистически методи зрялост на втория и трети кътници и в двете челюсти.
Средствата и стандартните отклонения на хронологичната възраст по етап и типа на зъба са показани онлайн в допълнителна таблица S1 (тренировъчен набор), допълнителна таблица S2 (вътрешен тестов набор) и допълнителна таблица S3 (външен тестов набор). Стойностите на Kappa за надеждността на вътрешно и интеграрна, получени от тренировъчния набор, са съответно 0,951 и 0,947. P стойности и 95% доверителни интервали за стойностите на kappa са показани в онлайн допълнителна таблица S4. Стойността на Kappa беше интерпретирана като „почти перфектна“, в съответствие с критериите на Landis и Koch26.
При сравняване на средна абсолютна грешка (MAE), традиционният метод леко превъзхожда DM модела за всички полове и във външния тестов набор от мъже, с изключение на многослойния перцептрон (MLP). Разликата между традиционния модел и DM модела във вътрешния тестов набор от MAE е 0,12–0,19 години за мъже и 0,17–0,21 години за жените. За външната тестова батерия разликите са по -малки (0,001–0,05 години за мъже и 0,05–0,09 години за жените). Освен това, коренната средна квадратна грешка (RMSE) е малко по -ниска от традиционния метод, с по -малки разлики (0,17–0,24, 0,2–0,24 за мъжкия вътрешен тестов набор и 0,03–0,07, 0,04–0,08 за външен тестов набор). ). MLP показва малко по -добра производителност от перцептрона от един слой (SLP), освен в случай на женски външен тестов набор. За MAE и RMSE външният тестов набор от резултати по -високи от вътрешния тестов набор за всички полове и модели. Всички MAE и RMSE са показани в таблица 1 и фигура 1.
MAE и RMSE на традиционните и регресионни модели за добив на данни. Средна абсолютна грешка MAE, корен средна квадратна грешка RMSE, еднослоен PERCEPTRON SLP, многослоен PERCEPTRON MLP, Традиционен CM метод.
Ефективността на класификацията (с прекъсване на 18 години) на традиционните и DM модели беше демонстрирана по отношение на чувствителността, специфичността, положителната прогнозна стойност (PPV), отрицателната прогнозна стойност (NPV) и площта под характеристичната крива на приемника (AUROC) 27 (Таблица 2, Фигура 2 и Допълнителна Фигура 1 онлайн). По отношение на чувствителността на вътрешната тестова батерия, традиционните методи се представиха най -добре сред мъжете и по -лошо сред жените. Въпреки това, разликата в ефективността на класификацията между традиционните методи и SD е 9,7% за мъжете (MLP) и само 2,4% за жените (XGBOOST). Сред DM моделите логистичната регресия (LR) показа по -добра чувствителност и при двата пола. По отношение на специфичността на вътрешния тестов набор беше забелязано, че четирите модела SD се представят добре при мъже, докато традиционният модел се представи по -добре при жените. Разликите в ефективността на класификацията за мъжете и жените са 13,3% (MLP) и 13,1% (MLP), което показва, че разликата в ефективността на класификацията между моделите надвишава чувствителността. Сред DM моделите, модели на поддържаща векторна машина (SVM), дърво на решения (DT) и Random Forest (RF) се представяха най -добре сред мъжете, докато LR моделът се представи най -добре сред жените. AUROC на традиционния модел и всички SD модели беше по-голям от 0,925 (K-най-Nearest съсед (KNN) при мъже), демонстрирайки отлични класификационни резултати при дискриминиране на 18-годишни проби28. За външния тестов набор се наблюдава намаление на ефективността на класификацията по отношение на чувствителността, специфичността и AUROC в сравнение с вътрешния тестов набор. Освен това, разликата в чувствителността и специфичността между ефективността на класификацията на най -добрите и най -лошите модели варира от 10% до 25% и е по -голяма от разликата във вътрешния тестов набор.
Чувствителност и специфичност на моделите за класификация на извличане на данни в сравнение с традиционните методи с прекъсване на 18 години. Knn K най -близък съсед, SVM поддържаща векторна машина, LR логистична регресия, DT дърво за решения, RF Random Forest, XGB XGBOOST, MLP MultiLayer Perceptron, Традиционен метод на CM.
Първата стъпка в това проучване беше да се сравни точността на оценките на денталната възраст, получени от седем модела на ДМ с тези, получени с помощта на традиционна регресия. MAE и RMSE бяха оценени във вътрешни тестови набори и за двата пола, а разликата между традиционния метод и DM модела варира от 44 до 77 дни за MAE и от 62 до 88 дни за RMSE. Въпреки че традиционният метод е бил малко по -точен в това проучване, е трудно да се заключи дали такава малка разлика има клинично или практическо значение. Тези резултати показват, че точността на оценката на зъбната възраст с помощта на DM модела е почти същата като тази на традиционния метод. Директното сравнение с резултатите от предишни проучвания е трудно, тъй като нито едно проучване не е сравнявало точността на DM модели с традиционните статистически методи, използвайки същата техника на записването на зъби в същия възрастов диапазон, както в това проучване. Galibourg et al24 сравняват MAE и RMSE между два традиционни метода (Demirjian метод25 и Willems Method29) и 10 DM модела във френска популация на възраст от 2 до 24 години. Те съобщават, че всички DM модели са по -точни от традиционните методи, като разликите са 0,20 и 0,38 години в MAE и 0,25 и 0,47 години в RMSE в сравнение съответно с Willems и Demirdjian методи. Разминаването между SD модела и традиционните методи, показани в проучването на Halibourg, отчита множество доклади30,31,32,33, че методът на Demirdjian не оценява точно денталната възраст в популации, различни от френските канадци, на които се основава изследването. В това проучване. Tai et al 34 използваха MLP алгоритъма, за да прогнозират възрастта на зъбите от 1636 китайски ортодонтски снимки и сравняват неговата точност с резултатите от метода на Demirjian and Willems. Те съобщават, че MLP има по -висока точност от традиционните методи. Разликата между метода на Demirdjian и традиционния метод е <0,32 години, а методът Willems е 0,28 години, което е подобно на резултатите от настоящото проучване. Резултатите от тези предишни проучвания24,34 също са в съответствие с резултатите от настоящото проучване, а точността на оценка на възрастта на DM модела и традиционния метод са сходни. Въз основа на представените резултати обаче можем само предпазливо да заключим, че използването на DM модели за оценка на възрастта може да замени съществуващите методи поради липсата на сравнителни и референтни предишни проучвания. Последващи проучвания, използващи по-големи проби, са необходими за потвърждаване на резултатите, получени в това проучване.
Сред проучванията, тестващи точността на SD при оценка на денталната възраст, някои показват по -висока точност от нашето изследване. Stepanovsky et al 35 прилагат 22 SD модела на панорамни рентгенографии на 976 чешки жители на възраст от 2,7 до 20,5 години и тестваха точността на всеки модел. Те оцениха разработването на общо 16 горни и долни леви постоянни зъби, използвайки критериите за класификация, предложени от Moorrees et al 36. MAE варира от 0,64 до 0,94 години, а RMSE варира от 0,85 до 1,27 години, които са по -точни от двата DM модела, използвани в това проучване. Shen et al23 използваха метода Cameriere, за да оценят зъбната възраст на седем постоянни зъба в лявата мандибула при източно китайски жители на възраст от 5 до 13 години и го сравняват с възрасти, изчислени с помощта на линейна регресия, SVM и RF. Те показаха, че и трите модела на DM имат по -висока точност в сравнение с традиционната формула на Cameriere. MAE и RMSE в изследването на Шен бяха по -ниски от тези в модела на ДМ в това проучване. Повишената точност на изследванията на Stepanovsky et al. 35 и Shen et al. 23 може да се дължи на включването на по -млади лица в техните проби от изследване. Тъй като оценките на възрастта за участниците с развиващите се зъби стават по -точни, тъй като броят на зъбите се увеличава по време на развитието на зъбите, точността на получения метод за оценка на възрастта може да бъде компрометирана, когато участниците в проучването са по -млади. Освен това, грешката на MLP при оценката на възрастта е малко по -малка от тази на SLP, което означава, че MLP е по -точен от SLP. MLP се счита за малко по -добър за оценка на възрастта, вероятно поради скритите слоеве в MLP38. Въпреки това, има изключение за външната проба от жени (SLP 1.45, MLP 1.49). Констатацията, че MLP е по -точна от SLP при оценката на възрастта, изисква допълнителни ретроспективни проучвания.
Сравнява се и класификационната ефективност на модела DM и традиционния метод на 18-годишен праг. Всички тествани SD модели и традиционни методи във вътрешния тестов набор показаха практически приемливи нива на дискриминация за 18-годишната извадка. Чувствителността при мъжете и жените е била по -голяма от 87,7% и 94,9%, а специфичността е по -голяма от 89,3% и 84,7%. AUROC на всички тествани модели също надвишава 0,925. Доколкото ни е известно, нито едно проучване не е тествало работата на DM модела за 18-годишна класификация въз основа на зрялост на зъбите. Можем да сравним резултатите от това проучване с класификационното изпълнение на моделите за дълбоко обучение на панорамни рентгенографии. Guo et al.15 изчислиха класификационната ефективност на модел на дълбоко обучение, базиран на CNN и ръчен метод, базиран на метода на Demirjian за определен възрастов праг. Чувствителността и специфичността на ръчния метод са съответно 87,7% и 95,5%, а чувствителността и специфичността на модела на CNN надвишават съответно 89,2% и 86,6%. Те стигнаха до заключението, че моделите за дълбоко обучение могат да заменят или превъзхождат ръчната оценка при класифициране на възрастовите прагове. Резултатите от това проучване показаха подобни класификационни резултати; Смята се, че класификацията с помощта на DM модели може да замени традиционните статистически методи за оценка на възрастта. Сред моделите DM LR беше най -добрият модел по отношение на чувствителността за мъжката проба и чувствителността и специфичността на женската проба. LR се нарежда на второ място по специфичност за мъжете. Освен това, LR се счита за един от по-удобните за потребителя DM35 модели и е по-малко сложен и труден за обработка. Въз основа на тези резултати, LR се счита за най-добър модел за класификация на съкращаването за 18-годишни деца от корейското население.
Като цяло точността на оценката на възрастта или ефективността на класификацията на външния тестов набор е лоша или по -ниска в сравнение с резултатите от вътрешния тестов набор. Някои доклади показват, че точността на класификацията или ефективността намалява, когато оценките на възрастта въз основа на корейското население се прилагат към японското население 5,39 и подобен модел е открит в настоящото проучване. Тази тенденция на влошаване се наблюдава и в DM модела. Следователно, за да се оцени точно възрастта, дори когато се използва ДМ в процеса на анализ, методите, получени от данните на местната популация, като традиционните методи, трябва да бъдат предпочитани 5,39,40,41,42. Тъй като не е ясно дали моделите на дълбоко обучение могат да показват подобни тенденции, проучвания, сравняващи точността на класификацията и ефективността, използвайки традиционните методи, DM модели и модели за дълбоко обучение на едни и същи проби, за да се потвърди дали изкуственият интелект може да преодолее тези расови различия в ограничена възраст. оценки.
Ние демонстрираме, че традиционните методи могат да бъдат заменени по оценка на възрастта въз основа на модела на ДМ в практиката за оценка на възрастта на криминалистиката в Корея. Открихме и възможността за прилагане на машинно обучение за оценка на криминалистиката. Съществуват обаче ясни ограничения, като недостатъчният брой участници в това проучване, за да се определят окончателно резултатите и липсата на предишни проучвания за сравняване и потвърждаване на резултатите от това проучване. В бъдеще трябва да се провеждат DM проучвания с по -голям брой проби и по -разнообразни популации, за да се подобри практическата му приложимост в сравнение с традиционните методи. За да се потвърди осъществимостта на използването на изкуствен интелект за оценка на възрастта при множество популации, са необходими бъдещи проучвания, за да се сравни точността на класификацията и ефективността на DM и моделите за дълбоко обучение с традиционните методи в същите проби.
Проучването използва 2657 ортографски снимки, събрани от възрастни от корейски и японски на възраст от 15 до 23 години. Корейските рентгенови снимки бяха разделени на 900 тренировъчни набора (19,42 ± 2,65 години) и 900 вътрешни тестови набора (19,52 ± 2,59 години). Обучителният комплект е събран в една институция (болница в Сеул Сейнт Мери), а собственият тестов комплект е събран в две институции (Дентална болница на Националния университет в Сеул и дентална болница на университета Йонсей). Също така събрахме 857 рентгенографии от други данни, базирани на населението (Iwate Medical University, Япония) за външно тестване. Рентгенографиите на японските субекти (19,31 ± 2,60 години) бяха избрани като външен тестов набор. Данните бяха събрани ретроспективно за анализ на етапите на развитие на зъбите върху панорамни рентгенографии, направени по време на дентално лечение. Всички събрани данни бяха анонимни, с изключение на пол, дата на раждане и дата на рентгенография. Критериите за включване и изключване бяха същите като публикуваните по -рано проучвания 4, 5. Действителната възраст на извадката се изчислява чрез изваждане на датата на раждане от датата, на която е взета рентгенография. Групата на извадката беше разделена на девет възрастови групи. Разпределенията на възрастта и пола са показани в таблица 3 Това проучване е проведено в съответствие с Декларацията на Хелзинки и одобрено от Институционалния съвет за преглед (IRB) на болницата на Сеул Сейнт Мери на Католическия университет в Корея (KC22WISI0328). Поради ретроспективния дизайн на това проучване, информираното съгласие не може да бъде получено от всички пациенти, подложени на рентгенографско изследване за терапевтични цели. Университетът в Сеул Корея в болницата на Сейнт Мери (IRB) се отказа от изискването за информирано съгласие.
Етапите на развитие на бимаксиларния втори и трети кътници се оценяват съгласно критериите на Demircan25. Избран е само един зъб, ако от лявата и дясната страна на всяка челюст е открит един и същ тип зъб. Ако хомоложните зъби от двете страни са били на различни етапи на развитие, зъбът с долния етап на развитие е избран, за да се отчита несигурността в прогнозната възраст. Сто произволно избрани рентгенографии от тренировъчния набор бяха оценени от двама опитни наблюдатели за тестване на надеждността на интеграва след преоцениране за определяне на етапа на зрелостта на зъбите. Надеждността на IntraObServer се оценява два пъти на интервали от три месеца от първичния наблюдател.
Полът и етапът на развитие на втория и третия кътник на всяка челюст в тренировъчния набор бяха оценени от първичен наблюдател, обучен с различни DM модели, а действителната възраст беше определена като целевата стойност. SLP и MLP моделите, които се използват широко при машинно обучение, бяха тествани спрямо алгоритмите за регресия. Моделът DM съчетава линейни функции, използвайки етапите на развитие на четирите зъба и комбинира тези данни за оценка на възрастта. SLP е най -простата невронна мрежа и не съдържа скрити слоеве. SLP работи въз основа на праговото предаване между възлите. Моделът SLP в регресията е математически подобен на множествената линейна регресия. За разлика от модела SLP, MLP моделът има множество скрити слоеве с нелинейни функции за активиране. Нашите експерименти използваха скрит слой със само 20 скрити възли с нелинейни функции за активиране. Използвайте спускането на градиент като метод за оптимизация и MAE и RMSE като функция за загуба, за да обучите нашия модел на машинно обучение. Най -добре полученият регресионен модел е приложен към вътрешните и външните тестови набори и е оценена възрастта на зъбите.
Разработен е алгоритъм за класификация, който използва зрелостта на четири зъба на обучението, за да прогнозира дали проба е на 18 години или не. За да изградим модела, получихме седем алгоритми за машинно обучение за представяне 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST и (7) MLP . LR е един от най -използваните алгоритми за класификация44. Това е контролиран алгоритъм за обучение, който използва регресия, за да прогнозира вероятността данните, принадлежащи към определена категория от 0 до 1, и класифицират данните като принадлежащи към по -вероятна категория въз основа на тази вероятност; Използва се главно за бинарна класификация. KNN е един от най -простите алгоритми за машинно обучение45. Когато им се предоставят нови входни данни, той намира K данни, близки до съществуващия набор и след това ги класифицира в класа с най -висока честота. Зададохме 3 за броя на разгледаните съседи (K). SVM е алгоритъм, който увеличава максимално разстоянието между два класа, като използва функция на ядрото за разширяване на линейното пространство в нелинейно пространство, наречено Fields46. За този модел използваме пристрастия = 1, мощност = 1 и гама = 1 като хиперпараметри за полиномното ядро. DT се прилага в различни области като алгоритъм за разделяне на цели данни, зададени на няколко подгрупи чрез представяне на правила за вземане на решения в структура на дърво47. Моделът е конфигуриран с минимален брой записи на възел 2 и използва индекса на Джини като мярка за качество. RF е ансамбъл метод, който комбинира множество DTS за подобряване на производителността, използвайки метод за агрегиране на bootstrap, който генерира слаб класификатор за всяка проба, като на случаен принцип черпи проби със същия размер многократно от оригиналния набор от данни48. Използвахме 100 дървета, 10 дълбочина на дървото, 1 минимален размер на възела и индекс на примесите на Джини като критерии за разделяне на възлите. Класификацията на новите данни се определя с гласуване с мнозинство. XGBOOST е алгоритъм, който комбинира техники за усилване, използвайки метод, който приема като данни за обучение Грешката между действителните и прогнозираните стойности на предишния модел и увеличава грешката с помощта на градиенти49. Той е широко използван алгоритъм поради добрата си ефективност и ефективността на ресурсите, както и високата надеждност като функция за прекомерна корекция. Моделът е оборудван с 400 поддържащи колела. MLP е невронна мрежа, в която един или повече перцептрони образуват множество слоя с един или повече скрити слоеве между входните и изходните слоеве38. Използвайки това, можете да извършите нелинейна класификация, при която когато добавите входен слой и да получите стойност на резултата, прогнозираната стойност на резултата се сравнява с действителната стойност на резултата и грешката се разпространява обратно. Създадохме скрит слой с 20 скрити неврона във всеки слой. Всеки модел, който разработихме, беше приложен към вътрешни и външни набори за тестване на ефективността на класификацията чрез изчисляване на чувствителността, специфичността, PPV, NPV и Auroc. Чувствителността се дефинира като съотношение на извадка, която се изчислява на 18 години или по -възрастна към извадка, която се изчислява на възраст 18 или повече години. Специфичността е делът на пробите под 18 години и тези, които се изчисляват на възраст под 18 години.
Стоматологичните етапи, оценени в тренировъчния набор, бяха преобразувани в числени етапи за статистически анализ. Извършена е многовариантна линейна и логистична регресия, за да се разработят прогнозни модели за всеки пол и да се получат регресионни формули, които могат да се използват за оценка на възрастта. Използвахме тези формули за оценка на възрастта на зъбите както за вътрешни, така и за външни тестови набори. Таблица 4 показва моделите на регресия и класификация, използвани в това проучване.
Надеждността на вътрешно и интеграва се изчислява с помощта на статистиката на Kappa на Cohen. За да тестваме точността на DM и традиционните регресионни модели, изчислихме MAE и RMSE, използвайки прогнозните и действителните възрасти на вътрешните и външните тестови набори. Тези грешки обикновено се използват за оценка на точността на прогнозите на модела. Колкото по -малка е грешката, толкова по -висока е точността на прогнозата24. Сравнете MAE и RMSE на вътрешни и външни тестови набори, изчислени с помощта на DM и традиционна регресия. Ефективността на класификацията на 18-годишната граница в традиционната статистика беше оценена с помощта на таблица за извънредни ситуации 2 × 2. Изчислената чувствителност, специфичност, PPV, NPV и AUROC на тестовия набор бяха сравнени с измерените стойности на модела на класификация на DM. Данните се изразяват като средно ± стандартно отклонение или брой (%) в зависимост от характеристиките на данните. Двустранните стойности на P <0,05 се считат за статистически значими. Всички рутинни статистически анализи бяха извършени с помощта на SAS версия 9.4 (SAS Institute, Cary, NC). DM регресионният модел е реализиран в Python, използвайки Keras50 2.2.4 Backend и TensorFlow51 1.8.0, специално за математически операции. Моделът за класификация на DM беше реализиран в средата за анализ на знанията на Waikato и информационния миньор на Konstanz (Knime) 4.6.152 платформа за анализ.
Авторите признават, че данните, подкрепящи заключенията на изследването, могат да бъдат намерени в статията и допълнителните материали. Генерираните и/или анализирани набори от данни са достъпни от съответния автор по разумна заявка.
Ritz-Timme, S. et al. Оценка на възрастта: Състояние на изкуството за изпълнение на специфичните изисквания на криминалистичната практика. Интернационалност. J. Правна медицина. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. и Olze, A. Текущо състояние на оценка на съдебната възраст на живите предмети с цел наказателно преследване. Криминалистика. лекарство. Патология. 1, 239–246 (2005).
Pan, J. et al. Модифициран метод за оценка на зъбната възраст на децата на възраст от 5 до 16 години в Източен Китай. клинични. Устно проучване. 25, 3463–3474 (2021).
Lee, Ss и др. Хронология на развитието на втория и третия кътник в корейците и неговото приложение за оценка на криминалистичната възраст. Интернационалност. J. Правна медицина. 124, 659–665 (2010).
OH, S., Kumagai, A., Kim, Sy and Lee, SS точност на оценката на възрастта и оценка на 18-годишния праг въз основа на зрелостта на втория и третия кътник на корейци и японски. PLOS ONE 17, E0271247 (2022).
Kim, JY, et al. Предоперативният анализ на данни, базиран на машинно обучение, може да предскаже резултата от лечението на съня при пациенти с OSA. Науката. Доклад 11, 14911 (2021).
Han, M. et al. Точна оценка на възрастта от машинно обучение със или без човешка намеса? Интернационалност. J. Правна медицина. 136, 821–831 (2022).
Khan, S. и Shaheen, M. От извличане на данни до извличане на данни. J.Information. Науката. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. и Shaheen, M. Wisrule: Първият когнитивен алгоритъм за добив на правила за асоцииране. J.Information. Науката. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. и Abdullah U. Karm: Традиционно извличане на данни въз основа на контекстно базирани правила за асоцииране. Изчислете. Мат. продължете. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. и Habib M. Deep Learning, базирани на семантично откриване на сходство, използвайки текстови данни. информиране. Технологии. контрол. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. и Shahin, M. Система за разпознаване на активност в спортните видеоклипове. мултимедия. Приложения за инструменти https://doi.org/10.1007/S11042-021-10519-6 (2021).
Halabi, SS et al. Предизвикателство за машинно обучение на RSNA в педиатричната костна възраст. Рентгенология 290, 498–503 (2019).
Li, Y. et al. Оценка на криминалистичната възраст от рентгенови лъчи на таза, използвайки дълбоко обучение. Евро. радиация. 29, 2322–2329 (2019).
Guo, YC, et al. Точна възрастова класификация с помощта на ръчни методи и дълбоки конволюционни невронни мрежи от ортографски проекционни изображения. Интернационалност. J. Правна медицина. 135, 1589–1597 (2021).
Alabama Dalora et al. Оценка на костната възраст с помощта на различни методи за машинно обучение: Систематичен преглед на литературата и мета-анализ. PLOS ONE 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. и Yang, J. Специфична за населението оценка на възрастта на афро-американците и китайците въз основа на обемите на пулп камерата на първите кътници, използвайки компютърна томография с конусен лъч. Интернационалност. J. Правна медицина. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK и OH KS определят възрастови групи от живи хора, използващи изображения, базирани на изкуствен интелект на първи кътници. Науката. Доклад 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., и Urschler, M. Автоматична оценка на възрастта и класификация на възрастта на мнозинството от многовариантни ЯМР данни. IEEE J. Biomed. Здравни сигнали. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. и Li, G. Оценка на възрастта въз основа на сегментацията на 3D пулп камерна на първите кътници от компютърната томография на конусния лъч чрез интегриране на дълбоко обучение и нива. Интернационалност. J. Правна медицина. 135, 365–373 (2021).
Wu, Wt, et al. Извличане на данни в клинични големи данни: общи модели на бази данни, стъпки и методи. Свят. лекарство. ресурс. 8, 44 (2021).
Yang, J. et al. Въведение в медицинските бази данни и технологиите за извличане на данни в ерата на големите данни. J. Avid. Основна медицина. 13, 57–69 (2020).
Shen, S. et al. Метод на оператора за оценка на възрастта на зъба с помощта на машинно обучение. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Сравнение на различни методи на машинно обучение за прогнозиране на денталната епоха, използвайки метода на поставяне на Demirdjian. Интернационалност. J. Правна медицина. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM Нова система за оценка на денталната възраст. Snort. Биология. 45, 211–227 (1973).
Landis, JR и Koch, GG мерки за споразумение за наблюдение на категорични данни. Биометрия 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK и Choi HK. Текстурни, морфологични и статистически анализ на двуизмерно магнитно-резонансно изображение, използвайки техники за изкуствен интелект за диференциация на първичните мозъчни тумори. Здравна информация. ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Време за публикация: януари-04-2024