Благодарим ви, че посетихте Nature.com. Версията на браузъра, която използвате, има ограничена CSS поддръжка. За най-добри резултати препоръчваме да използвате по-нова версия на браузъра си (или да изключите режима на съвместимост в Internet Explorer). Междувременно, за да осигурим постоянна поддръжка, показваме сайта без стилизиране или JavaScript.
Зъбите се считат за най-точния индикатор за възрастта на човешкото тяло и често се използват в съдебната оценка на възрастта. Целта ни беше да валидираме оценките за денталната възраст, базирани на извличане на данни, като сравним точността на оценката и класификационната ефективност на 18-годишния праг с традиционните методи и оценките за възраст, базирани на извличане на данни. Общо 2657 панорамни рентгенографии бяха събрани от корейски и японски граждани на възраст от 15 до 23 години. Те бяха разделени на обучителен набор, всеки съдържащ 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 върху 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, средноквадратична грешка <0,24 години). Класификационната ефективност за 18-годишната граница също е сходна между традиционните методи и моделите за извличане на данни. По този начин традиционните методи могат да бъдат заменени от модели за извличане на данни при извършване на съдебна оценка на възрастта, използвайки зрелостта на вторите и третите молари при корейски юноши и млади хора.
Оценката на зъбната възраст се използва широко в съдебната медицина и детската стоматология. По-специално, поради високата корелация между хронологичната възраст и зъбното развитие, оценката на възрастта по етапи на зъбно развитие е важен критерий за оценка на възрастта на децата и юношите1,2,3. Въпреки това, за младите хора оценката на зъбната възраст въз основа на зъбната зрялост има своите ограничения, тъй като растежът на зъбите е почти завършен, с изключение на третите молари. Правната цел на определянето на възрастта на младите хора и юношите е да се предоставят точни оценки и научни доказателства за това дали са достигнали пълнолетие. В медико-правната практика на юношите и младите хора в Корея възрастта се оценява по метода на Лий, а законовият праг от 18 години се прогнозира въз основа на данните, докладвани от Ох и др.5.
Машинното обучение е вид изкуствен интелект (ИИ), който многократно се учи и класифицира големи количества данни, решава проблеми самостоятелно и управлява програмирането на данни. Машинното обучение може да открива полезни скрити модели в големи обеми от данни6. За разлика от това, класическите методи, които са трудоемки и отнемат време, може да имат ограничения при работа с големи обеми от сложни данни, които са трудни за ръчна обработка7. Поради това напоследък са проведени много проучвания, използващи най-новите компютърни технологии, за да се сведат до минимум човешките грешки и да се обработват ефективно многомерни данни8,9,10,11,12. По-специално, дълбокото обучение се използва широко в анализа на медицински изображения и се съобщава, че различни методи за оценка на възрастта чрез автоматично анализиране на рентгенови снимки подобряват точността и ефективността на оценката на възрастта13,14,15,16,17,18,19,20. Например, Halabi et al13 разработиха алгоритъм за машинно обучение, базиран на конволюционни невронни мрежи (CNN), за оценка на скелетната възраст с помощта на рентгенови снимки на детски ръце. Това проучване предлага модел, който прилага машинното обучение към медицински изображения и показва, че тези методи могат да подобрят диагностичната точност. Ли и др.14 оцениха възрастта от рентгенови снимки на таза, използвайки CNN с дълбоко обучение, и ги сравниха с регресионни резултати, използвайки оценка на етапа на осификация. Те установиха, че моделът на CNN с дълбоко обучение показва същата ефективност при оценка на възрастта като традиционния регресионен модел. Проучването на Гуо и др. [15] оцени ефективността на класификацията на възрастовата толерантност на CNN технологията въз основа на дентални ортофотоснимки, а резултатите от CNN модела доказаха, че хората превъзхождат нейната ефективност при класификация на възрастта.
Повечето проучвания върху оценката на възрастта чрез машинно обучение използват методи за дълбоко обучение13,14,15,16,17,18,19,20. Оценката на възрастта, базирана на дълбоко обучение, се оказва по-точна от традиционните методи. Този подход обаче предоставя малко възможности за представяне на научната основа за оценките на възрастта, като например показателите за възрастта, използвани в оценките. Съществува и правен спор относно това кой извършва проверките. Следователно, оценката на възрастта, базирана на дълбоко обучение, е трудно приета от административните и съдебните органи. Извличането на данни (DM) е техника, която може да открие не само очаквана, но и неочаквана информация като метод за откриване на полезни корелации между големи количества данни6,21,22. Машинното обучение често се използва при извличането на данни и както извличането на данни, така и машинното обучение използват едни и същи ключови алгоритми за откриване на модели в данните. Оценката на възрастта чрез дентално развитие се основава на оценката на изследващия за зрялостта на целевите зъби и тази оценка се изразява като етап за всеки целеви зъб. DM може да се използва за анализ на корелацията между етапа на денталната оценка и действителната възраст и има потенциал да замени традиционния статистически анализ. Следователно, ако приложим техники на DM за оценка на възрастта, можем да внедрим машинно обучение в съдебната оценка на възрастта, без да се притесняваме за правна отговорност. Публикувани са няколко сравнителни проучвания върху възможни алтернативи на традиционните ръчни методи, използвани в съдебната практика, и методи, базирани на EBM, за определяне на зъбната възраст. Shen et al.23 показаха, че DM моделът е по-точен от традиционната формула на Camerer. Galibourg et al.24 приложиха различни DM методи за прогнозиране на възрастта съгласно критерия на Demirdjian25 и резултатите показаха, че DM методът превъзхожда методите на Demirdjian и Willems при оценката на възрастта на френското население.
За да се оцени денталната възраст на корейските юноши и млади хора, методът 4 на Лий е широко използван в корейската съдебномедицинска практика. Този метод използва традиционен 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 традиционни статистически методи, са определени като „традиционни методи“. Методът на Лий е традиционен метод и неговата точност е потвърдена от Ох и др. 5; приложимостта на оценката на възрастта въз основа на DM модела в корейската съдебномедицинска практика обаче все още е под въпрос. Нашата цел беше научно да потвърдим потенциалната полезност на оценката на възрастта въз основа на DM модела. Целта на това проучване беше (1) да се сравни точността на два DM модела при оценката на денталната възраст и (2) да се сравни класификационната ефективност на 7 DM модела на 18-годишна възраст с тази, получена с помощта на традиционни статистически методи. Зрялост на втори и трети молари в двете челюсти.
Средните стойности и стандартните отклонения на хронологичната възраст по стадий и вид зъб са показани онлайн в Допълнителна таблица S1 (обучаем набор), Допълнителна таблица S2 (вътрешен тестов набор) и Допълнителна таблица S3 (външен тестов набор). Каппа стойностите за вътрешно- и междуобсерваторска надеждност, получени от обучаващия набор, са съответно 0,951 и 0,947. P стойностите и 95% доверителните интервали за каппа стойностите са показани в онлайн допълнителна таблица S4. Каппа стойността е интерпретирана като „почти перфектна“, в съответствие с критериите на Landis и Koch26.
При сравняване на средната абсолютна грешка (MAE), традиционният метод леко превъзхожда DM модела за всички полове и във външния мъжки тестов набор, с изключение на многослойния персептрон (MLP). Разликата между традиционния модел и DM модела във вътрешния MAE тестов набор е 0,12–0,19 години за мъжете и 0,17–0,21 години за жените. За външната тестова батерия разликите са по-малки (0,001–0,05 години за мъжете и 0,05–0,09 години за жените). Освен това, средноквадратичната 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 външния тестов набор). MLP показва малко по-добри резултати от еднослойния персептрон (SLP), с изключение на случая с женския външен тестов набор. За MAE и RMSE, външният тестов набор показва по-високи резултати 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 традиционни и регресионни модели за извличане на данни. Средна абсолютна грешка MAE, средноквадратична грешка RMSE, еднослоен персептрон SLP, многослоен персептрон MLP, традиционен CM метод.
Класификационната ефективност (с гранична стойност от 18 години) на традиционните и DM моделите беше демонстрирана по отношение на чувствителност, специфичност, положителна прогностична стойност (PPV), отрицателна прогностична стойност (NPV) и площ под кривата на работните характеристики 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. Разликата в класификационната ефективност 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 наблюдавано, че четирите SD модела се представиха добре при мъжете, докато традиционният модел се представи по-добре при жените. Разликите в класификационната ефективност за мъже и жени са съответно 13,3% (MLP) и 13,1% (MLP), което показва, че разликата в класификационната ефективност между моделите надвишава чувствителността. Сред DM моделите, моделите с машина на опорни вектори (SVM), дърво на решенията (DT) и случайна гора (RF) се представиха 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-близки съсед (KNN) при мъжете), демонстрирайки отлична класификационна ефективност при разграничаване на 18-годишни проби28. За външния тестов набор имаше намаление на класификационната ефективност по отношение на чувствителност, специфичност и AUROC в сравнение с вътрешния тестов набор. Освен това, разликата в чувствителността и специфичността между класификационната ефективност на най-добрите и най-лошите модели варираше от 10% до 25% и беше по-голяма от разликата във вътрешния тестов набор.
Чувствителност и специфичност на моделите за класификация на данни в сравнение с традиционните методи с гранична стойност от 18 години. KNN k най-близък съсед, SVM машина на опорни вектори, LR логистична регресия, DT дърво на решенията, RF случайна гора, XGB XGBoost, MLP многослоен перцептрон, традиционен CM метод.
Първата стъпка в това проучване беше да се сравни точността на оценките за денталната възраст, получени от седем DM модела, с тези, получени чрез традиционна регресия. MAE и RMSE бяха оценени във вътрешни тестови набори за двата пола, а разликата между традиционния метод и DM модела варираше от 44 до 77 дни за MAE и от 62 до 88 дни за RMSE. Въпреки че традиционният метод беше малко по-точен в това проучване, трудно е да се заключи дали такава малка разлика има клинично или практическо значение. Тези резултати показват, че точността на оценката на денталната възраст, използвайки 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 моделите с традиционни статистически методи, използващи същата техника за записване на зъби в същия възрастов диапазон, както в това проучване. Galibourg et al24 сравниха MAE и RMSE между два традиционни метода (метод на Demirjian25 и метод на Willems29) и 10 DM модела във френска популация на възраст от 2 до 24 години. Те съобщиха, че всички DM модели са по-точни от традиционните методи, с разлики от 0,20 и 0,38 години в MAE и 0,25 и 0,47 години в RMSE в сравнение с методите на Willems и Demirdjian, съответно. Разминаването между SD модела и традиционните методи, показано в проучването на Halibourg, взема предвид множество доклади30,31,32,33, че методът на Demirdjian не оценява точно зъбната възраст в популации, различни от френско-канадските, на които е базирано проучването. В това проучване Tai et al34 използваха MLP алгоритъма, за да предскажат възрастта на зъбите от 1636 китайски ортодонтски снимки и сравниха неговата точност с резултатите от метода на Demirdjian и Willems. Те съобщиха, че MLP има по-висока точност от традиционните методи. Разликата между метода на Demirdjian и традиционния метод е <0,32 години, а методът на 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 е сходна. Въпреки това, въз основа на представените резултати, можем само предпазливо да заключим, че използването на DM модели за оценка на възрастта може да замести съществуващите методи поради липсата на сравнителни и референтни предишни проучвания. Необходими са последващи проучвания с по-големи извадки, за да се потвърдят резултатите, получени в това проучване.
Сред проучванията, тестващи точността на стандартната дегенерация (SD) при оценката на зъбната възраст, някои показват по-висока точност от нашето проучване. Stepanovsky et al.35 са приложили 22 SD модела към панорамни рентгенографии на 976 чешки жители на възраст от 2,7 до 20,5 години и са тествали точността на всеки модел. Те са оценили развитието на общо 16 горни и долни леви постоянни зъба, 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, което е по-точно от двата DM модела, използвани в това проучване. Shen et al.23 са използвали метода на Cameriere, за да оценят зъбната възраст на седем постоянни зъба в лявата долна челюст при жители на източен Китай на възраст от 5 до 13 години и са го сравнили с възрастта, оценена с помощта на линейна регресия, SVM и RF. Те са показали, че и трите DM модела имат по-висока точност в сравнение с традиционната формула на Cameriere. MAE и RMSE в проучването на Шен бяха по-ниски от тези в DM модела в това проучване. Повишената прецизност на изследванията на Stepanovsky et al.35 и Shen et al.23 може да се дължи на включването на по-млади субекти в техните извадки от изследвания. Тъй като оценките за възрастта на участниците с развиващи се зъби стават по-точни с увеличаване на броя на зъбите по време на зъбното развитие, 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. Има обаче изключение за външната извадка от жени (SLP 1.45, MLP 1.49). Констатацията, че MLP е по-точен от SLP при оценката на възрастта, изисква допълнителни ретроспективни проучвания.
Сравнена е и класификационната ефективност на DM модела и традиционния метод при 18-годишен праг. Всички тествани SD модели и традиционни методи върху вътрешния тестов набор показаха практически приемливи нива на дискриминация за 18-годишната извадка. Чувствителността за мъже и жени беше съответно по-голяма от 87,7% и 94,9%, а специфичността беше 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 ефективността на DM модела за 18-годишна класификация въз основа на зрялост на зъбите. Можем да сравним резултатите от това проучване с класификационната ефективност на модели за дълбоко обучение върху панорамни рентгенографии. Guo et al.15 изчислиха класификационната ефективност на модел за дълбоко обучение, базиран на CNN, и ръчен метод, базиран на метода на Демирджиян, за определен възрастов праг. Чувствителността и специфичността на ръчния метод бяха съответно 87,7% и 95,5%, а чувствителността и специфичността на CNN модела надхвърлиха съответно 89,2% и 86,6%. Те заключиха, че моделите за дълбоко обучение могат да заменят или да превъзхождат ръчната оценка при класифицирането на възрастовите прагове. Резултатите от това проучване показаха подобна класификационна ефективност; Смята се, че класификацията, използваща DM модели, може да замени традиционните статистически методи за оценка на възрастта. Сред моделите, DM LR беше най-добрият модел по отношение на чувствителност за мъжката извадка и чувствителност и специфичност за женската извадка. LR се нарежда на второ място по специфичност за мъжете. Освен това, LR се счита за един от по-лесните за ползване DM35 модели и е по-малко сложен и труден за обработка. Въз основа на тези резултати, LR се счита за най-добрия модел за класификация с гранични стойности за 18-годишни в корейското население.
Като цяло, точността на оценката на възрастта или класификационните показатели върху външния тестов набор е била лоша или по-ниска в сравнение с резултатите от вътрешния тестов набор. Някои доклади показват, че точността или ефективността на класификацията намаляват, когато оценките за възрастта, базирани на корейското население, се прилагат към японското население5,39, и подобен модел е установен в настоящото проучване. Тази тенденция на влошаване се наблюдава и в DM модела. Следователно, за да се оцени точно възрастта, дори когато се използва DM в процеса на анализ, трябва да се предпочитат методи, получени от данни за местното население, като например традиционни методи5,39,40,41,42. Тъй като не е ясно дали моделите за дълбоко обучение могат да покажат подобни тенденции, са необходими проучвания, сравняващи точността и ефективността на класификацията, използващи традиционни методи, DM модели и модели за дълбоко обучение върху едни и същи извадки, за да се потвърди дали изкуственият интелект може да преодолее тези расови различия при ограничени оценки на възрастта.
Демонстрираме, че традиционните методи могат да бъдат заменени от оценка на възрастта, базирана на DM модела, в практиката на съдебната оценка на възрастта в Корея. Открихме също така възможността за прилагане на машинно обучение за съдебна оценка на възрастта. Съществуват обаче ясни ограничения, като например недостатъчният брой участници в това проучване, за да се определят окончателно резултатите, и липсата на предишни проучвания, които да сравняват и потвърждават резултатите от това проучване. В бъдеще DM проучванията трябва да се провеждат с по-голям брой проби и по-разнообразни популации, за да се подобри практическата им приложимост в сравнение с традиционните методи. За да се валидира осъществимостта на използването на изкуствен интелект за оценка на възрастта в 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 едни и същи проби.
В проучването са използвани 2657 ортографски снимки, събрани от корейски и японски възрастни на възраст от 15 до 23 години. Корейските рентгенографии са разделени на 900 обучителни комплекта (19,42 ± 2,65 години) и 900 вътрешни тестови комплекта (19,52 ± 2,59 години). Обучителният комплект е събран в една институция (болница „Сеулска св. Мария“), а собственият тестов комплект е събран в две институции (Стоматологична болница на Националния университет в Сеул и Стоматологична болница на университета Йонсей). Събрахме и 857 рентгенографии от друга популационна база данни (Медицински университет Ивате, Япония) за външно тестване. Рентгенографии на японски субекти (19,31 ± 2,60 години) са избрани като външен тестов комплект. Данните са събрани ретроспективно, за да се анализират етапите на зъбно развитие на панорамни рентгенографии, направени по време на стоматологично лечение. Всички събрани данни са анонимни, с изключение на пол, дата на раждане и дата на рентгенографията. Критериите за включване и изключване са същите като в публикувани по-рано проучвания 4, 5. Действителната възраст на извадката беше изчислена чрез изваждане на датата на раждане от датата на направата на рентгеновата снимка. Извадковата група беше разделена на девет възрастови групи. Разпределението по възраст и пол е показано в Таблица 3. Това проучване е проведено в съответствие с Декларацията от Хелзинки и е одобрено от Институционалния съвет за преглед (IRB) на болница „Света Мария“ в Сеул към Католическия университет на Корея (KC22WISI0328). Поради ретроспективния дизайн на това проучване, информирано съгласие не можа да бъде получено от всички пациенти, подложени на рентгенографско изследване с терапевтична цел. Болница „Света Мария“ към Сеулския университет на Корея (IRB) отмени изискването за информирано съгласие.
Етапите на развитие на бимаксиларните втори и трети молари бяха оценени съгласно критериите на Демиркан25. Избиран 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, е избран зъбът с по-нисък етап на развитие, за да се отчете несигурността в очакваната възраст. Сто произволно избрани рентгенографии от обучителния набор бяха оценени от двама опитни наблюдатели, за да се тества надеждността на междунаблюдателите след предварително калибриране за определяне на етапа на зрялост на зъбите. Вътренаблюдателната надеждност беше оценена два пъти на интервали от три месеца от основния наблюдател.
Полът и етапът на развитие на вторите и третите молари на всяка челюст в обучителния набор бяха оценени от първичен наблюдател, обучен с различни DM модели, а действителната възраст беше зададена като целева стойност. SLP и MLP моделите, които се използват широко в машинното обучение, бяха тествани спрямо регресионни алгоритми. DM моделът комбинира линейни функции, използвайки етапите на развитие на четирите зъба, и комбинира тези данни, за да оцени възрастта. SLP е най-простата невронна мрежа и не съдържа скрити слоеве. SLP работи на базата на прагово предаване между възлите. SLP моделът в регресията е математически подобен на множествената линейна регресия. За разлика от SLP модела, MLP моделът има множество скрити слоеве с нелинейни активационни функции. Нашите експерименти използваха скрит слой само с 20 скрити възела с нелинейни активационни функции. Използвахме градиентен спуск като метод за оптимизация и MAE и RMSE като функция на загуба, за да обучим нашия модел за машинно обучение. Най-добре полученият регресионен модел беше приложен към вътрешния и външния тестов набор и беше оценена възрастта на зъбите.
Разработен е алгоритъм за класификация, който използва зрелостта на четири зъба от обучаващия набор, за да предскаже дали дадена извадка е на 18 години или не. За да изградим модела, изведохме седем алгоритъма за машинно обучение с представяне6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost и (7) MLP. LR е един от най-широко използваните алгоритми за класификация44. Това е алгоритъм за контролирано обучение, който използва регресия, за да предскаже вероятността данните да принадлежат към определена категория от 0 до 1 и класифицира данните като принадлежащи към по-вероятна категория въз основа на тази вероятност; използва се главно за двоична класификация. KNN е един от най-простите алгоритми за машинно обучение45. Когато са дадени нови входни данни, той намира k данни, близки до съществуващия набор, и след това ги класифицира в класа с най-висока честота. Задаваме 3 за броя на разглежданите съседи (k). SVM е алгоритъм, който максимизира разстоянието между два класа, като използва функция на ядрото, за да разшири линейното пространство в нелинейно пространство, наречено полета46. За този модел използваме bias = 1, power = 1 и gamma = 1 като хиперпараметри за полиномиалното ядро. DT е прилаган в различни области като алгоритъм за разделяне на цял набор от данни на няколко подгрупи чрез представяне на правилата за вземане на решения в дървовидна структура47. Моделът е конфигуриран с минимален брой записи на възел от 2 и използва индекса на Джини като мярка за качество. RF е ансамблов метод, който комбинира множество DT, за да подобри производителността, използвайки метод за агрегиране с bootstrap, който генерира слаб класификатор за всяка извадка, като произволно извлича извадки с еднакъв размер няколко пъти от оригиналния набор от данни48. Използвахме 100 дървета, 10 дълбочини на дърветата, 1 минимален размер на възел и индекс на примесите на Джини като критерии за разделяне на възлите. Класификацията на новите данни се определя с мнозинство от гласовете. 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, използвайки градиенти49. Това е широко използван алгоритъм поради добрата си производителност и ресурсна ефективност, както и високата надеждност като функция за корекция на пренареждане. Моделът е оборудван с 400 опорни колела. MLP е невронна мрежа, в която един или повече перцептрони образуват множество слоеве с един или повече скрити слоеве между входния и изходния слой38. Използвайки това, можете да извършвате нелинейна класификация, при която когато добавите входен слой и получите резултатна стойност, прогнозираната резултатна стойност се сравнява с действителната резултатна стойност и грешката се разпространява обратно. Създадохме скрит слой с 20 скрити неврона във всеки слой. Всеки разработен от нас модел беше приложен към вътрешни и външни множества, за да се тества производителността на класификацията чрез изчисляване на чувствителност, специфичност, PPV, NPV и AUROC. Чувствителността се определя като съотношението на извадка, оценена на 18 години или повече, към извадка, оценена на 18 години или повече. Специфичността е делът на пробите под 18 години и тези, оценени на под 18 години.
Зъбните етапи, оценени в обучителния набор, бяха преобразувани в числени етапи за статистически анализ. Бяха извършени многовариантни линейни и логистични регресионни методи, за да се разработят предсказващи модели за всеки пол и да се изведат регресионни формули, които могат да се използват за оценка на възрастта. Използвахме тези формули, за да оценим възрастта на зъбите както за вътрешни, така и за външни тестови набори. Таблица 4 показва регресионните и класификационни модели, използвани в това проучване.
Вътрешно- и междунаблюдателната надеждност беше изчислена с помощта на каппа статистиката на Коен. За да тестваме точността на DM и традиционните регресионни модели, изчислихме MAE и RMSE, използвайки очакваната и действителната възраст 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 вътрешните и външните тестови набори, изчислени с помощта на DM и традиционна регресия. Класификационната ефективност на 18-годишната граница в традиционната статистика беше оценена с помощта на таблица на контингентност 2 × 2. Изчислените чувствителност, специфичност, PPV, NPV и AUROC на тестовия набор бяха сравнени с измерените стойности на DM класификационния модел. Данните са изразени като средна стойност ± стандартно отклонение или число (%) в зависимост от характеристиките на данните. Двустранните P стойности <0,05 се считат за статистически значими. Всички рутинни статистически анализи бяха извършени с помощта на SAS версия 9.4 (SAS Institute, Cary, NC). Регресионният модел на DM беше реализиран в Python, използвайки Keras50 2.2.4 backend и Tensorflow51 1.8.0, специално за математически операции. Класификационният модел на DM беше реализиран в средата за анализ на знания Waikato и аналитичната платформа Konstanz Information Miner (KNIME) 4.6.152.
Авторите потвърждават, че данни, подкрепящи заключенията на изследването, могат да бъдат намерени в статията и допълнителните материали. Наборите от данни, генерирани и/или анализирани по време на изследването, са достъпни от съответния автор при разумно искане.
Ritz-Timme, S. et al. Оценка на възрастта: най-съвременни технологии за посрещане на специфичните изисквания на съдебната практика. Международност. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. и Olze, A. Актуално състояние на съдебномедицинската оценка на възрастта на живи субекти за целите на наказателното преследване. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. Модифициран метод за оценка на денталната възраст на деца на възраст от 5 до 16 години в Източен Китай. clinical. Oral survey. 25, 3463–3474 (2021).
Лий, С.С. и др. Хронология на развитието на втори и трети молари при корейците и нейното приложение за съдебна оценка на възрастта. Международност. J. Legal medicine. 124, 659–665 (2010).
О, С., Кумагай, А., Ким, С.Ю. и Лий, С.С. Точност на оценката на възрастта и оценка на 18-годишния праг въз основа на зрялостта на вторите и третите молари при корейци и японци. PLoS ONE 17, e0271247 (2022).
Kim, JY и др. Предоперативният анализ на данни, базиран на машинно обучение, може да предскаже резултата от лечението на съня чрез операция при пациенти с обструктивна апнея спонтанна апнея (OSA). the science. Доклад 11, 14911 (2021).
Хан, М. и др. Точна оценка на възрастта чрез машинно обучение със или без човешка намеса? Интернационалност. J. Legal medicine. 136, 821–831 (2022).
Хан, С. и Шахин, М. От извличане на данни до извличане на данни. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Хан, С. и Шахин, М. WisRule: Първият когнитивен алгоритъм за извличане на правила за асоциации. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. и Абдула У. Карм: Традиционен анализ на данни, базиран на контекстно-базирани правила за асоцииране. изчисли. Мат. продължи. 68, 3305–3322 (2021).
Мохамед М., Рехман З., Шахин М., Хан М. и Хабиб М. Откриване на семантично сходство, базирано на дълбоко обучение, с помощта на текстови данни. информационни технологии. контрол. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З. и Шахин, М. Система за разпознаване на активност в спортни видеоклипове. мултимедия. Инструменти Приложения https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, С.С. и др. Предизвикателство за машинно обучение на RSNA в детската костна възраст. Радиология 290, 498–503 (2019).
Li, Y. et al. Съдебномедицинска оценка на възрастта от рентгенови снимки на таза с помощта на дълбоко обучение. EURO. радиация. 29, 2322–2329 (2019).
Guo, YC и др. Точна класификация на възрастта с помощта на ръчни методи и дълбоки конволюционни невронни мрежи от ортографски проекционни изображения. Международност. J. Legal medicine. 135, 1589–1597 (2021).
Алабама Далора и др. 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 популацията оценка на възрастта на афроамериканци и китайци въз основа на обема на пулпната камера на първите молари, използвайки конусно-лъчева компютърна томография. internationality. J. Legal medicine. 136, 811–819 (2022).
Ким С., Лий ЙХ, Но ЙК, Парк ФК и О КС. Определяне на възрастовите групи на живите хора с помощта на изображения на първи кътници, базирани на изкуствен интелект. 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. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. и Li, G. Оценка на възрастта въз основа на 3D сегментиране на пулпната камера на първи молари от конусно-лъчева компютърна томография чрез интегриране на дълбоко обучение и набори от нива. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT и др. Извличане на данни от големи клинични данни: общи бази данни, стъпки и методи. World. medicine. resource. 8, 44 (2021).
Янг, Дж. и др. Въведение в медицинските бази данни и технологиите за извличане на данни в ерата на големите данни. J. Avid. Basic medicine. 13, 57–69 (2020).
Шен, С. и др. Метод на Камерер за оценка на възрастта на зъбите чрез машинно обучение. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Сравнение на различни методи за машинно обучение за прогнозиране на денталната възраст, използвайки метода на стадиране на Демирджиан. internationality. J. Legal medicine. 135, 665–675 (2021).
Демирджиян, А., Голдщайн, Х. и Танър, Дж. М. Нова система за оценка на денталната възраст. snort. biology. 45, 211–227 (1973).
Ландис, Дж. Р. и Кох, Г. Г. Мерки за съгласие между наблюдателите относно категорични данни. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK и Choi HK. Текстурен, морфологичен и статистически анализ на двуизмерна магнитно-резонансна томография с помощта на техники за изкуствен интелект за диференциация на първични мозъчни тумори. Здравна информация. ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Време на публикуване: 04.01.2024 г.