Tige tank foar it besykjen fan natuer.com. De ferzje fan browser dy't jo brûke hat CSS-stipe beheind. Foar bêste resultaten, advisearje wy in nijere ferzje fan jo browser te brûken (of útsette kompatibiliteitsmodus yn Internet Explorer). Yn 'e tuskentiid, om oanhâldende stipe te garandearjen, litte wy de side sjen sûnder styling as javascript.
Tanden wurde beskôge as de meast krekte yndikator fan 'e leeftyd fan it minsklik lichem en wurde faak brûkt yn beoardieling fan forensyske leeftyd. Wy binne fan doel dat it skatting fan gegevens fan gegevens fan 'e skatting fan' e skatting fan 'e skatting fan' e skatting kredense en klassifikaasje fan it ferstjoeren fan 'e trompelen fan 18-jierrekleed fan' e trompelen en gegevensmoden en gegevensmaster. Yn totaal 2657 Panoramyske radiografen waarden sammele fan Koreaanske en Japanske boargers fan 15 oant 23 jier âld. Se waarden ferdield yn in trainingset, elk befette 900 Koreaanske radiografen, en in ynterne testset befettet 857 Japanske radiografyen. Wy fergelykje de klassifikaasje-krektens en effisjinsje fan tradisjonele metoaden mei test sets fan gegevensmodellen. De krektens fan 'e tradisjonele metoade op' e ynset fan ynterne test is wat fan 'e gegevensmodel, en it ferskil is lyts (gemiddelde absolute flater <0,21 jier, woartele flater <0.24 jier). De opmaak fan 'e klassifikaasje foar it Cuto fan 18 jier is ek ferlykber tusken tradisjonele metoaden en gegevensmodels. Sa kinne tradisjonele metoaden wurde ferfongen troch gegevensmodellen by it útfieren fan forensyske leeftydsbeoardieling mei de ferfaldatum fan twadde en tredde molens yn Koreaanske adolesinten en jonge folwoeksenen.
Denther Age-skatting wurdt breed brûkt yn forensyske medisinen en pediatryske toskedokter. Benammen fanwegen de hege korrelaasje tusken Chronologyske leeftyd en Tandheitlike ferdieling fan Chronologyske leeftyd troch Tandheitlike ûntwikkeling is in wichtige kritearium foar it beoardieljen fan 'e leeftyd fan bern en adolesinten1,2,3. Foar jonge minsken skatte lykwols dentale leeftyd op basis fan tentale ferfaldatum hat de beheiningen, om't Dental-groei hast folslein is, mei útsûndering fan 'e tredde molens. It juridyske doel om te bepalen fan 'e leeftyd fan jonge minsken en adolesinten is om krekte skattingen en wittenskiplik bewiis te leverjen of se de leeftyd fan mearderheid hawwe berikt. Yn 'e medico-juridyske praktyk fan adolesinten yn Korea, waard leeftyd yn Korea skatte mei leeke metoade, en in wetlike drompel fan 18 jier waard foarsteld op basis fan' e rapporteare gegevens troch Och Al 5.
Masine learen is in soarte fan keunstmjittige yntelliginsje (AI) dy't ferskate kearen leart en klassifiseart fan gegevens, oplosse problemen op har eigen, en driuwt gegevens op. Masine learen kin nuttige ferburgen patroanen ûntdekke yn grutte folumes fan data6. Yn tsjinstelling, Klassike metoaden, dy't arbeidensintensensyf binne, kinne beheiningen hawwe by behanneling by it omgean mei grutte folumes fan komplekse gegevens dy't lestich binne om manuelly te ferwurkjen. Dêrom binne in protte stúdzjes koartlyn útfierd mei de lêste kompjûtertechnologyen om minsklike flaters te minimalisearjen en effisjint te meitsjen fan multidiMensionale data8,9,11,12. Yn 't bysûnder is djippe learen breed brûkt yn Medyske ôfbylding Analyse, en ferskate metoaden foar Radiografy fan leeftyd binne rapporteare om de krektens te ferbetterjen om de krektens te ferbetterjen om te ferbetterjen en effisjinsje fan leeftyd fan skatting13,16,17,18,19,20 . Bygelyks Halabi et al 13 ûntwikkele in masjine-learen fan algoritme basearre op Kalkolúsjoneel neurale netwurken (CNN) om skeletale leeftyd te skatten mei radiografen fan hannen fan bern. Dizze stúdzje stelt in model út dy't masjine oanfreget oan medyske ôfbyldings en lit sjen dat dizze metoaden diagnostyske krektens kinne ferbetterje. LI et Al14 Ynskatte leeftyd fan bekken x-ray-ôfbyldings mei help fan in djippe learen cnn en fergelike se mei regression resultaten mei regression-skatting foar ossification-poadium. Se fûnen dat it djippe learen CNN-model deselde leeftyd liet de prestaasjes fan leeftyd skatte as it tradisjonele regressionmodel. Guo et al.'S stúdzje [15] evalueare de perioade fan 'e leeftyd fan' e leeftyd fan CNN-technology basearre op Dental Orthophotos, en de resultaten bewiisde dat de minske syn prestaasjes fan 'e leeftydsklassifikaasje fan' e leeftydsklasse.
De measte stúdzjes op leeftydsste skatting mei masine-learen gebrûk fan de djippe learmetoaden13,15,16,1617,18,19,20. Leeftyd skatting basearre op djippe learen wurdt rapporteare om krekter te wêzen dan tradisjonele metoaden. Dizze oanpak biedt lykwols net folle kâns om de wittenskiplike basis te presintearjen foar leeftydske skatting, lykas de leeftydsindikaters brûkt yn 'e skattingen. D'r is ek in wetlik skeel oer wa't de ynspeksjes fiert. Dêrom is leeftydskatting basearre op djippe learen lestich te akseptearjen troch bestjoerlike en rjochterlike autoriteiten. Data-mining (DM) is in technyk dy't kin ûntdekke dat net allinich ferwachte, mar ek unferwachte ynformaasje as metoade foar it ûntdekken fan nuttige korrelaasjes tusken grutte hoemannichten gegevens fan gegevens6.21,22. Masine learen wurdt faak brûkt yn gegevensmijn, en sawol gegevensmijn- en masjine-learen brûke deselde kaai algoritmen om patroanen yn gegevens te ûntdekken. Age-skatting mei help fan dental ûntwikkeling is basearre op beoardieling fan 'e examiner fan' e ferfaldatum fan 'e doeltosken, en dizze beoardieling wurdt útdrukt as in poadium foar elke doelhûs. DM kin brûkt wurde om de korrelaasje te analysearjen tusken dental beoardielingstadium en wirklike leeftyd en hat it potensjeel om tradisjonele statistyske analyse te ferfangen. Dêrom, as wy DM-techniken tapasse op leeftydskatting, kinne wy masjine-skema ymplementearje yn forensyske leeftyd sûnder soargen te meitsjen oer juridyske oanspraaklikens. Ferskate ferlykjende stúdzjes binne publisearre op mooglike alternativen foar tradisjonele hânmjittige metoaden brûkt yn forensyske oefenjen en ebm-basearre metoaden foar it bepalen foar it bepalen fan dental leeftyd. Shen et al23 liet sjen dat it DM-model krekter is as de tradisjonele kameratorformule. Galibourg et Al24 tapast ferskate DM-metoaden om te foarsizzen neffens de Dirmdjian-kritearium25 en de resultaten dy't de DM-metoade de Dirmdjian en Willems útstelde by it skatte yn skatte de leeftyd fan 'e Frânske befolking.
Om de toskedokter te skatten fan Koreaanske adolesinten en jonge folwoeksenen, is lee's metoade 4 is breed brûkt yn Koreaanske forensyske praktyk. Dizze metoade brûkt tradisjonele statistyske analyse (lykas meardere regression) om de relaasje te ûndersiikjen tusken Koreaanske ûnderwerpen en chronologyske leeftyd. Yn dizze stúdzje wurde leeftyd skattingmetoaden krigen mei tradisjonele statistyske metoaden wurde definieare as "tradisjonele metoaden." Lee's metoade is in tradisjonele metoade, en syn krektens is befêstige troch OH et al. 5; De tapassing fan tapassing fan leeftydskatting basearre op it DM-model yn Koreaanske foarseeske praktyk is noch twifelich. Us doel wie om de potensjaal wittenskiplik te wassidentjen fan 'e steatsfoarsjenning fan leeftyd op basis fan it DM-model. It doel fan dizze stúdzje wie (1) om de krektens te ferlykjen fan twa DM-modellen yn skatting dentlike leeftyd en (2) om de klassifikaasjestellingen te ferlykjen op 'e leeftyd fan 18 jier mei dyjingen dy't hannele hawwe mei tradisjonele statistyske metoaden fan twadde en tredde molens yn beide kaken.
Betsjut en standertôfwikingen fan chronologyske leeftyd troch it poadium en tandtype wurde online toand yn oanfolling fan S1 (trainingset), oanfoljende tabel S2 (ynterne test), en oanfoljende tabel S3 (eksterne testset). De Kappa-wearden foar intra-ynterobarver dy't betrouberens krigen is fan 'e trainingset wiene respektivelik 0,951 en 0.947, respektivelik. P-wearden en 95% fertrouwen yntervallen foar Kappa-wearden wurde werjûn yn online oanfoljende tafel S4. De Kappa-wearde waard ynterpretearre as "hast perfekt", konsistint mei de kritearia fan Landis en Koch26.
As jo gemiddelde absolute flater (Mae) fergelykje, freget de tradisjonele metoade in bytsje út foar alle geslachten en yn 'e eksterne manlike testset, mei útsûndering fan Multilayer Percepron (MLP). It ferskil tusken it tradisjonele model en it DM-model op 'e ynterne Mae-set is 0.12-0,19 JIER foar manlju foar manlju en 0.17-0.21 Jierren foar froulju foar froulju. Foar de batterij fan 'e eksterne test is de ferskillen lytser (0.001-0.05 jier foar manlju en 0,05-0.09 jier foar froulju). Derneist betsjutte de woartelflater (RMSE-flater (RMSE) in bytsje leger is as de tradisjonele fergoedingen (0.17-0.24, 0,2-0.24, 0,03-0.07, 0.03-0.08 foar eksterne test set). . MLP toant wat bettere prestaasjes dan ien laach Perceptron (SLP), útsein yn 't gefal fan' e froulike eksterne test set. Foar Mae en RMSE, de eksterne test ynstelde skoart heger dan de ynterne test ynsteld foar alle geslachten en modellen. Alle Mae en RMSE wurde werjûn yn Tabel 1 en Figuer 1.
Mae en rmse fan tradisjonele en gegevensmodels. Gemiddelde absolute flater Mae, woartele gemiene fjouwerkante flater RMSE, single laach Perceptron SLP, Multilayer Perceptron MLP, tradisjonele cm-metoade.
Klassifikaasjeprestaasje (mei in besuniging fan 18 jier) fan 'e tradisjonele en DM-modellen waarden oantoand yn termen fan gefoelichheid, positive foarsizzend wearde (NPV), en gebiet ûnder de ûntfangerde karakteristike kromme (Auroc) 27 (Tabel 2, Figuer 2 en oanfoljende figuer 1 online). Yn termen fan 'e gefoelichheid fan' e ynterne testbatterij prestearren tradjonele metoaden it bêste ûnder minsken en slimmer ûnder froulju. It ferskil yn 'e prestaasjes fan klassifikaasje tusken tradisjonele metoaden en SD is lykwols 9,7% foar manlju (MLP) en mar 2,4% foar froulju (Xgboost). Under DM-modellen liet logistike regression (LR) bettere gefoelichheid yn beide geslachten ferskynde. Oangeande de spesifisiteit fan 'e ynterne test set, waard it waarnommen dat de fjouwer SD-modellen goed prestearre yn manlju, wylst it tradisjonele model better útfierd yn wyfkes. De ferskillen yn 'e opmaak fan klassifikaasje foar manlju en wyfkes binne 13,3% (MLP) en 13,1% (MLP), oanjout, oanjout dat it ferskil yn' e prestaasjes tusken modellen fan 'e klassifikaasje fan klassifikaasje binne. Under de DM-modellen, de stipe Vector (SVM), beslút (DT), en willekeurige boskmodellen dy't it bêste útfierd ûnder manlju, wylst it LR-model it bêste útfierd ûnder wyfkes. De Auroc fan it tradisjonele model en alle SD-modellen wie grutter dan 0,925 (K-tichtstby buorman (KNN) yn manlju), demonstrearje uitstekende klassifikaasjeprestaasjes yn diskriminaasje fan 18-jier-âlde samples28. Foar de eksterne test set, wie d'r in ôfname yn 'e prestaasjes fan klassifikaasje yn termen fan gefoelichheid, spesifisiteit en auroc yn ferliking mei de ynterne testset. Boppedat is it ferskil yn gefoelichheid en spesifisiteit tusken de klassifikaasje fan 'e klassifikaasje fan' e bêste en minste modellen fan 10% rûnen fan 10% oant 25% en wie grutter dan it ferskil yn 'e ynstelde ynterne test set.
Gefoelichheid en spesifisiteit fan gegevensmodels fan gegevens yn fergeliking fergelike mei tradisjonele metoaden mei in besuniging fan 18 jier. KNN K-tichtstby buorman, SVM-stipe Vectorasje, LR Logistic Regression, DT beslissingsbeam, RF Random Forest, XGB XGBOOST, MLP Multilayer Perceptron, tradisjonele cm-metoade.
De earste stap yn dizze stúdzje wie om de krektens te ferlykjen fan skatten fan Dental Leeftyd krigen fan sân DM-modellen mei dy krigen mei tradisjonele regression. Mae en RMSE waarden evalueare yn ynterne testsets foar beide geslachten, en it ferskil tusken de tradisjonele metoade en it DM-model fariearde fan 44 oant 77 dagen foar Mae en fan 62 dagen foar RMSE. Hoewol de tradisjonele metoade krekt krekter wie yn dizze stúdzje, is it lestich om te konkludearjen, om't sa'n lyts ferskil klinyske as praktyske betsjutting hat. Dizze resultaten jouwe oan dat de krektens fan skatting fan Dent-leeftyd hawwe mei it DM-model is hast itselde is as dat fan 'e tradisjonele metoade. Direkte fergeliking mei resultaten fan eardere stúdzjes is lestich, om't gjin stúdzje de krektens fan DM-modellen hat fergelike mei tradisjonele statistyske metoaden mei deselde technyk yn opnimmen fan 'e opname fan' e opnimmen fan 'e opnimmen fan' e opnimmen fan 'e opnimmen fan tosken lykas yn dizze stúdzje. Galibourg et al24 fergelike Mae en RMSE en RMSE tusken twa tradisjonele metoaden (Demirjian Method25 en Willems Methodels yn in Frânske befolking yn in Frânske befolking yn in Frânske befolking. Se rapporteare dat alle DM-modellen krekter wiene as tradisjonele metoaden, mei ferskillen fan 0.20 en 0,8 jier yn Mae en 0,4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 0.4 en 1.00 en demirms-metoaden. De ôfwiking tusken de SD-model- en tradisjonele metoaden yn 'e halibels yn' e Rêdersoardielen rekken hâlde mei rapporten30,32,33, dat de demirdjian-metoade net skatting yn populaasjes dy't oars as de Frânske Kanadezen skatte as de stúdzje waard basearre. yn dizze stúdzje. Tai et al 34 brûkte de MLP-algoritme om tosken te foarsizzen fan 1636 Sineeske ortodontyske foto en fergelike har krektens mei de resultaten mei de resultaten fan 'e metoade Demirjian en Willems-metoade. Se rapporteare dat MLP hegere krektens hat dan tradisjonele metoaden. It ferskil tusken de Demardjian-metoade en de tradisjonele metoade is <0,32 jier, en de wilems-metoade is 0,28 jier, dy't gelyk is oan 'e resultaten fan' e hjoeddeistige stúdzje. De resultaten fan dizze foarige stúdzjes4.34 binne ek konsistint mei de resultaten fan 'e hjoeddeistige stúdzje, en de leeftyd fan' e leeftyd fan 'e leeftyd fan' e estimaasje fan it DM-model en de tradisjonele metoade binne gelyk. Op basis fan 'e presinteare resultaten kinne wy allinich foarsichtich konkludearje dat it gebrûk fan DM-modellen om besteande metoaden te ferfangen fanwege it gebrek oan ferlykjende en ferwizing foarige stúdzjes. Folsleine-up-stúdzjes mei gruttere samples binne nedich om te befêstigjen dat de resultaten binne krigen yn dizze stúdzje krigen.
Under de stúdzjes testen de krektens fan SD yn Estimating Dental Age, tochten guon hegere krektens dan ús stúdzje. Stepanovsky et al 35 tapast 22 SD-modellen nei Panoramyske radiografen fan 976 Tsjechyske ynwenners fan 976 Tsjechyske ynwenners 2,7 oant 20,5 jier en hifke de krektens fan elk model. Se beoardiele de ûntwikkeling fan in totaal fan yn totaal 16-boppeste en legere lofts permaninte tosken mei de foarstelde klassifikaasje dy't foarsteld troch moores et al 36. De mae farieart fan 0,64 oant 0,94 jier en de rmse berik fan 0,85 oant 1.27 jierren, dy't krekter binne as de twa DM-modellen brûkt yn dizze stúdzje. SHEN ET AL23 brûkte de kameraere metoade om de dentale leeftyd fan sân permaninte tosken yn 'e linkerand yn' e linkere Sineeske ynwenners te skatten yn 5 oant 13 jier en fergelike it mei leeftyd mei lineêre regression, SVM en RF. Se lieten sjen dat alle trije DM-modellen hegere krektens hawwe yn ferliking mei de tradisjonele kameriere-formule. De Mae en RMSE yn 'e stúdzje fan Shen wiene leger as dyjingen yn it DM-model yn dizze stúdzje. De ferhege presyzje fan 'e stúdzjes troch Stepanovsky et al. 35 en shen et al. 23 Kin wêze fanwege it opnimmen fan jongere ûnderwerpen yn har stúdzje-samples. Om't leeftyd skat foar dielnimmers mei ûntwikkeling fan tosken wurde krekter, om't it oantal tosken fergruttet yn 'e krektens fan' e resultearjende leeftyd fan 'e útstelde jild kin kompromitteare wêze as dielnimmers jonger binne. Derneist is de flater fan MLP yn leeftydskwestlik wat lytser dan SLP's, wat betsjuttet dat MLP krekter is as SLP is. MLP wurdt beskôge as in bytsje better foar leeftydskwaliteit, mooglik fanwege de ferburgen lagen yn MLP38. D'r is lykwols in útsûndering foar it bûtenste foarbyld fan froulju (SLP 1.45, MLP 1.49). De fynst dat de MLP krekter is as de SLP yn beoardieljende leeftyd fereasket ekstra retrospektive stúdzjes.
De opmaak fan klassifikaasje fan it DM-model en de tradisjonele metoade op in trompel fan 18 jier waard ek yn fergeliking. Alle testen SD-modellen en tradisjonele metoaden op 'e ynterne testset sjen liet praktysk akseptabele nivo's fan diskriminaasje foar de 18-jier-âlde stekproef. Sensitiviteit foar manlju en froulju wie grutter dan 87,7% en 94,9%, respektivelik, en spesifisiteit wie grutter dan 89,3% en 84,7%. De Auroc fan alle testen modellen is ek grutter dan 0,925. Nei it bêste fan ús kennis hat gjin stúdzje de prestaasjes fan it DM-model testen foar klassifikaasje fan 18 jier basearre op tandheelfetsheid. Wy kinne de resultaten fan dizze stúdzje fergelykje mei de klassifikaasjefoarstelling fan 'e prestaasjes fan djip learmodellen op Panoramic Radiografen. Guo et al.15 berekkene de klassifikaasjeprestaasjes fan in CNN-basearre djip-learmodel en in hânmjittige metoade basearre op de metoade fan Demirjian foar in bepaalde leeftydshompel. De gefoelichheid en spesifisiteit fan 'e hânmjittige metoade wiene 87,7% en 95,5%, en de gefoelichheid en spesifisiteit en spesifisiteit fan it CNN-model is respektivelik 89,2% en 86,6%. Se konkludeare dat djippe learmodellen mei hânmjittige beoardieling kinne ferfange of útperformearje yn klassifisearje leeftyd drompels. De resultaten fan dizze stúdzje toande ferlykbere prestaasjes fan ferlykbere klassifikaasje; It wurdt leaud dat klassifikaasje mei help fan DM-modellen tradisjonele statyske metoaden kin ferfange foar leeftydskatting. Under de modellen wie DM LR it bêste model yn termen fan gefoelichheid foar it manlike stekproef en gefoelichheid en spesifisiteit foar it froulike stekproef. Lr ranks sekonde yn spesifisiteit foar manlju. Boppedat wurdt lr beskôge as ien fan 'e mear brûkerfreonlike DM35-modellen te wêzen en is minder kompleks en lestich te ferwurkjen. Basearre op dizze resultaten waard LR waard beskôge as it bêste besunigingsmodel foar 18-jierrigen yn 'e Koreaanske befolking.
Oer it algemien, de oersteandrichheid fan leeftyd fan leeftyd as klassifikaasjestasjon op 'e eksterne test ynsteld wie min as leger yn ferliking mei de resultaten op' e ynstelde resultaten. Guon rapporten oanjaan dat klassifikaasje-krektens of effisjint nimt ôf doe't leeftydskema basearre op 'e Koreaanske befolking wurdt tapast op' e Japanske befolking .39, en in ferlykber patroan waard fûn yn 'e hjoeddeistige stúdzje. Dizze fertriettrend waard ek waarnommen yn it DM-model. Dêrom, om leeftyd te skatten, sels as jo DM brûke yn it analyseproses ûntrieet metoaden fan lânseigen befolkinggegevens, lykas tradisjonele metoaden, moatte de foarkar hawwe .39,40,41. Sûnt it ûndúdlik is of djippe learmodellen ferlykbere trends kinne sjen litte, fergelykje mei tradisjonele metoaden, en djippe learen op deselde samples om dizze rasiale dispariteiten te befoarderjen yn beheinde leeftyd. beoardielingen.
Wy demonstrearje dat tradisjonele metoaden kinne wurde ferfongen troch leeftydskatting basearre op it DM-model yn 'e praktyk fan it DM-skatting yn Korea. Wy ûntdutsen ek de mooglikheid om masjine-learen te ymplementearjen foar beoardieling fan forensyske leeftyd. D'r binne lykwols dúdlike beheiningen, lykas it net genôch oantal dielnimmers yn dizze stúdzje om de resultaten definityf te bepalen, en it gebrek oan eardere stúdzjes om de resultaten fan dizze stúdzje te ferlykjen en te befêstigjen. Yn 'e takomst moatte DM-stúdzjes útfierd wurde mei gruttere oantal samples en mear ferskaat populaasjes om syn praktyske tapassing te ferbetterjen fergelike mei tradisjonele metoaden. Om de mooglikheid om keunstmjittige yntelliginsje te validearjen binne takomstige populaasjes nedich, hawwe takomstige stúdzjes om de klassifikaasje krektens te ferlykjen en effisjinsje fan DM en djippe learmodellen mei tradisjonele metoaden yn deselde samples.
De stúdzje brûkt 2.657 ortografyske foto's sammele fan Koreaansk en Japanske folwoeksenen 15 oant 23 jier âld. De Koreaanske radiografyen waarden ferdield yn 900 trainingset (19.42 ± 2.65 jier) en 900 ynterne testets (19.52 ± 2.59 jier). De trainingset waard sammele by ien ynstelling (Seoul St. HARY's Hospital), en de eigen testset waard sammele op twa ynstellingen (Seoul National University Hospital en Yonsei University Hosshei University Hosths Hospital). Wy hawwe ek 857 radiografen sammele út in oare befolking-basearre gegevens (iwate medyske universiteit, Japan) foar eksterne testen. Radiografen fan Japanske fakken (19.31 ± 2.60 jier) waarden selekteare as de eksterne test set. Gegevens waarden retrospektyf sammele om de stadia fan TALE Untwikkeling te analysearjen oer Panoramyske radiografen dy't wurde nommen tidens tandbehanneling. Alle sammele gegevens waarden anonym útsein foar geslacht, bertedatum en datum fan radiograaf. Ynklúzje- en útslutingskritearia wiene itselde as earder publisearre stúdzjes 4, 5. De eigentlike leeftyd fan 'e stekproef waard berekkene troch de bertedatum fan' e datum fan 'e datum te subtraearjen fan' e datum dat de radiograf waard nommen. De foarbyldgroep wie ferdield yn njoggen leeftydsgroepen. De âldere en seksferdielingen wurde toand yn Tabel 3 Dizze stúdzje waard útfierd yn oerienstimming mei de ferklearring fan Helseklean (IRB) Mary's Hospital fan 'e KatoLyske Universiteit fan Korea (KC22WISI0328). Fanwegen it retrospektyf ûntwerp fan dizze stúdzje koe ynformeare tastimming net wurde krigen fan alle pasjinten dy't radiografysk ûndersiik binne foar terapeutyske doelen. SeauL KOREA Universiteit Sint-Korea Sint's sikehûs (IRB) ôfwachte fan 'e eask foar ynformeare tastimming.
Untwikkelingsstelletten fan Bimaxillêre twadde en tredde molens waarden beoardiele neffens Demircan-kritearia25. Allinich ien tosken waard selektearre as itselde soarte tosken waard fûn oan 'e linkerkant en rjochterkant fan elke kaak. As homologyske tosken oan beide kanten wiene by ferskate ûntwikkelingsstoffen, waard de tosken mei de legere ûntwikkelingstage selekteare om te ferantwurdzjen foar ûnwissichheid yn 'e skatting leeftyd. Hûndert willekeurich selekteare radiografen fan 'e training waarden skoard troch twa erfarne waarnimmers om ynterebserver betrouberens te testsjen nei't wy betrouberens om tental maturity-poadium te bepalen. Intraobserver betrouberheid waard twa kear beoardiele op yntervallen fan trije moanne troch de primêre waarnimmer.
De seks en ûntwikkelingsstadium fan 'e twadde en tredde maaien fan elke kaak yn' e training yn 'e training waarden skatte troch in primêre waarnimmer trainde mei ferskate DM-modellen, en de eigentlike leeftyd waard ynsteld as de doelwearde. SLP- en MLP-modellen, dy't breed brûkt wurde yn masine learen, waarden testen tsjin regression algoritmen. It DM-model kombineart lineêre funksjes mei de ûntwikkelingsstampen fan 'e fjouwer tosken en kombineart dizze gegevens oan skatte leeftyd. SLP is it simpelste neuraal netwurk en befettet gjin ferburgen lagen. SLP Wurken basearre op drompet oerdracht tusken knooppunten. It SLP-model yn regression is wiskundich gelyk oan meardere lineêre regression. Oars as it SLP-model hat it MLP-model meardere ferburgen lagen mei net-lineêre aktivearringfunksjes. Us eksperiminten brûkten in ferburgen laach mei mar 20 ferburgen knooppunten mei net-lineêre aktivearringfunksjes. Brûk de helden komôf as de optimisaasjemetoade en Mae en RMSE as de ferliesfunksje om ús masine learmodel te trainen. It bêste behelle model waard tapast op de ynterne en eksterne testets en de leeftyd fan 'e tosken waard skatte.
In klassifikaasje-algoritme waard ûntwikkele dat brûkt dat de ferfaldatum fan fjouwer tosken brûkt op 'e training ynsteld om te foarsizzen oft in stekproef 18 jier is. Om it model te bouwen, hawwe wy sân foarstellingsmasine-machine-machine útskeakele, algoritms6,43: (1) lr, knn, (3) rf, (5) rf, (6) rf, (6) xgboost, en (7) mlp . LR is ien fan 'e meast brûkte klassifikaasje Algorithms44. It is in tafersjochhâlder dat regear fermoardet dat regression brûkt om de kâns te foarsizzen fan gegevens dy't hearre by in bepaalde kategory fan 0 oant 1 en de gegevens dy't hearre by in mear kâns op dizze kâns; fral brûkt foar binêre klassifikaasje. KNN is ien fan 'e ienfâldichste machine-learen algoritms45. As jo nije ynfiergegevens krigen hawwe, fynt it K-gegevens tichtby de besteande set en klassifiseart se dan yn 'e klasse mei de heechste frekwinsje. Wy sette 3 yn foar it oantal buorlju dy't beskôge wurde (k). SVM is in algoritme dy't de ôfstân maksimaal twa klassen maksimeart mei in kernelfunksje om de lineêre romte út te wreidzjen yn in net-lineêre romte neamd fjilden46. Foar dit model brûke wy Bias = 1, Power = 1, en gamma = 1 as hyperparameter foar it polynoom kernel. Dt is tapast yn ferskate fjilden as in algoritme foar it dielen fan in heule gegevens ynsteld yn ferskate subgroepen troch it fertsjinwurdigjen fan beslútregels yn in beamstruktuer. It model is konfigureare mei in minimum oantal records per knooppunt fan 2 en brûkt de Gini-yndeks as maat fan kwaliteit. RF is in ensemble-metoade dy't kombineart om prestaasjes te ferbetterjen mei in bootstrap-aggregapparaten dy't in swakke klassifearder genereart troch mingers fan deselde grutte fan meardere kearen út 'e orizjinele dataset48. Wy hawwe 100 beammen brûkt, 10 Tree Djipten, 1 Minimale knooppuntgrutte, en Gini Adverture Indext as knooppuntkriteria. De klassifikaasje fan nije gegevens wurdt bepaald troch in mearderheid stimming. Xgboost is in algoritme dy't te stimulearjen fan techniken dy't in metoade befoarderet dy't nimt as traininggegevens dy't de flater nimt tusken de werklike en foarsizzende wearden fan it foarige model en fergruttet de flater mei gradiënters4. It is in breed brûkt algoritme fanwege syn goede prestaasjes en boarne effisjinsje, lykas hege betrouberens as in oertredingsfunksje. It model is foarsjoen fan 400 stipe tsjillen. MLP is in neuraal netwurk wêryn ien of mear perseptrons meardere lagen foarmje mei ien of mear ferburgen lagen tusken de ynfier- en útfier-lagen38. Dit kinne brûke, kinne jo net-lineêre klassifikaasje útfiere wêr't jo in ynfierlaach tafoegje en in resultaat krije, de foarsein resultaatwearde wurdt fergelike mei de werklike resultaatwearde en de flater wurdt propageare. Wy hawwe in ferburgen laach makke mei 20 ferburgen neuronen yn elke laach. Elk model dat wy ûntwikkele waarden tapast op ynterne en eksterne sets om klassifikaasjesteferstelling te testen troch it berekkenjen fan gefoelichheid, spesifisiteit, PPV, NPV, en Auroc. Sensitiviteit wurdt definieare as de ferhâlding fan in stekproef dat wurdt rûsde 18 jier of âlder te wêzen as âlder nei in stekproef om 18 jier of âlder te wêzen. Spesifisiteit is it oanpart fan samples ûnder 18 jier en dy rûsd om te wêzen ûnder 18 jier.
De Dental Stages beoardiele yn 'e trainingset waarden omboud ta numerike stadia foar statistyske analyse. Multivariate-lineêre en logistyske regression waarden útfierd om foarsizzende modellen te ûntwikkeljen foar elke seks en ôflaat regressionformules dy't kinne wurde brûkt om te skatte leeftyd. Wy hawwe dizze formules brûkt om toskende leeftyd te skatten foar sawol ynterne as eksterne testets. Tabel 4 toant de regression en klassifikaasjemodellen brûkt yn dizze stúdzje.
Intra-- en ynterokserie-betrouberens waard berekkene mei COPEN's Kappa-statistyk. Om de krektens fan DM en tradisjonele regressionmodellen te testen, berekkene wy Mae en RMSE mei de skatte en feitlike ieuwen fan 'e ynterne en eksterne testets. Dizze flaters wurde faak brûkt om de krektens fan it model foarsizzingen te evaluearjen. De lytsere de flater, hoe heger de krektens fan 'e prognoseo. Fergelykje de mae en rmse fan ynterne en eksterne testets berekkene mei help fan dm en tradisjonele regearing. Klassifikaasjeprestaasjes fan it 18-jier-cutoff yn tradisjonele statistiken waard beoardiele mei help fan in 2 × 2 kontingencetabel. De berekkene gefoelichheid, spesifisiteit, PPV, NPV, en Auroc fan 'e testset waarden fergelike mei de mjitten wearden fan it DM-klassifikaasjetodel. Gegevens wurde útdrukt as gemien ± standertdeviaasje as nûmer (%) ôfhinklik fan gegevens skaaimerken. Twa-sidige P-wearden <0,05 waarden beskôge as statistysk signifikant. Alle routine statistyske analyses waarden útfierd mei SAS-ferzje 9.4 (SAS-ynstitút, Cary, NC). It DM Regression Model waard ymplementearre yn Python mei Keras50 2.2.4 Backend en TensorFlow51 1.8.0 Spesjaal foar wiskundige operaasjes. It DM-klassifikaatmodel waard ymplementearre yn 'e Waikato Knowledisanalyze-omjouwing en de Konstanzynformaasje miner (Knime) 4.6.152 analyse analyse analyse analyse analyse analyse analyse analyse analyse platfoarm.
De auteurs erkenne dat gegevens fan 'e gegevens stipe dy't de konklúzjes fan' e stúdzje stipe kinne wurde fûn yn it artikel en oanfoljende materialen. De datasets generearre en / of analysearre tidens de stúdzje binne te krijen fan 'e oerienkommende auteur op ridlik fersyk.
Ritz-timme, S. et al. Leeftydsoarch: State of the Art om de spesifike easken te foldwaan oan forensyske praktyk. Internationality. J. Juridyske medisinen. 113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., en Olze, A. Aktuele status fan forensyske leeftydsbeoardieling fan libbensûnderwerpen foar libbensûnderwerpen foar libbensûnderwerpen. Forensics. medisinen. Pathology. 1, 239-246 (2005).
Pan, J. et al. In wizige metoade foar it beoardieljen fan 'e Dental Leeftyd fan bern fan 5 jier âld oant 16 jier yn East-Sina. klinysk. Orale enkête. 25, 3463-3474 (2021).
Lee, SS ensfh. Chronology fan 'e ûntwikkeling fan twadde en tredde molens yn it Korea's en syn oanfraach foar wurklik foar beoardieling fan Forensic Age. Internationality. J. Juridyske medisinen. 124, 659-665 (2010).
Och, S., Kumagai, A., Kim, SY en Lee, SS-skatting fan leeftyd fan leeftyd fan 'e skatting fan' e trompel fan 18 jier fan 'e ferfaldatum yn' e ryst en tredde molens yn Koreanen en Japansk. PLOS ONE 17, E0271247 (2022).
Kim, JY, et al. Preoperative machine-learbasearre gegevens-analyse kin sliepe sjirurgy-behanneling-behanneling útkomme yn pasjinten mei Osa. de wittenskip. Rapportearje 11, 14911 (2021).
Han, M. et al. ACRIEKE AGE-skatting fan masine learen mei of sûnder minsklike yntervinsje? Internationality. J. Juridyske medisinen. 136, 821-831 (2022).
Khan, S. En Shaheen, M. Fan gegevensmijn nei gegevensmining. J.information. de wittenskip. https://doei.org/10.1177/01655515211030872 (2021).
Khan, S. En Shaheen, M. Wiifle: de earste kognitive algoritme foar ferieningsregel MINING. J.information. de wittenskip. https://doei.org/10.1177/01655515221108695 (2022).
Shaheen M. en Abdullah U. Karm: Tradisjoneel gegevensmijn basearre op kontekst-basearre ferieningsregels. Berekkenje. Matt. trochgean. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. en Habib M. Deep Learning Basabed Semantic Salgality Deteksje mei tekstgegevens. ynformearje. technologyen. kontrôle. https://doei.org/10.5755/J01.atc.49.4.27118 (2020).
TABISH, M., Tanoli, Z., en Shahin, M. In systeem foar it werkenjen fan aktiviteit yn sportfideo's. Multimedia. Tools-applikaasjes https://doei.org/10.1007/s11042-021-121-1201919-6 (2021).
Halabi, SS et al. RSNA Machine Learning Challenge yn Pediatryske bonke leeftyd. Radiology 290, 498-503 (2019).
LI, Y. ET Al. Forensyske leeftydskatting fan bekken x-rays mei help fan djippe learen. Euro. strieling. 29, 2322-2329 (2019).
Guo, YC, et al. Akkuraat leeftydsklassifikaasje mei help fan hânmjittige metoaden en djippalkolúsjonele neurale netwurken fan ortografyske projeksjide ôfbyldings. Internationality. J. Juridyske medisinen. 135, 1589-1597 (2021).
Alabama Dalora et al. Bone Leeftyd fan leeftyd Leeftyd mei ferskate masjine learmetoaden: in systematyske literatuerresinsje en meta-analyse. PLOS ONE 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., en Yang, J. SPESIFIEVE AGE AGEMAASJE FAN AFRIK AION AFRIKAAR EIN BASSE ON PULP KAMPER VOLEN FOLDEN FAN EARSTE MOLARS BEHANDELING MEI-BEAM COMPUTE TOMOGRAPT. Internationality. J. Juridyske medisinen. 136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK en OH KS Bepale leeftydsgroepen fan libbene minsken mei brûkers fan keunstmjittige yntelliginsje fan earste molens. de wittenskip. Rapportearje 11, 1073 (2021).
Stern, D., beteller, C., Giuliani, N., en Urschler, M. Automatyske leeftydskatting en meardere leeftydsklassifikaasje fan Multivarieate MRI-gegevens. Ieee J. Biomed. Health Alerts. 23, 1392-1403 (2019).
Cheng, Q., Ge, Z., du, Du, H. en L. en Li, G. Age-skatting basearre op 3D Pulp Chamber Segment Cheal Country Tomografy troch ynfiering fan djippe learen en nivo-sets te yntegrearjen. Internationality. J. Juridyske medisinen. 135, 365-373 (2021).
Wu, wt, et al. Gegevensmining yn klinyske grutte gegevens: mienskiplike databases, stappen, en metoaden modellen. Wrâld. medisinen. helpmiddel. 8, 44 (2021).
Yang, J. et al. Yntroduksje ta medyske databases en gegevensmyntechnologyen yn 'e grutte gegevens-tiidrek. J. Avid. Basis medisyn. 13, 57-69 (2020).
Shen, S. et al. Metoade fan Camerer foar skatte toskende tiid mei machine-learen. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Fergeliking fan ferskate metoaden fan machine-learen foar it foarsizzen fan Dental Leeftyd mei de Demirdjian-stappetmetoade. Internationality. J. Juridyske medisinen. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. En Tanner, JM in nij systeem foar it beoardieljen fan Dental leeftyd. Snort. biology. 45, 211-227 (1973).
Landis, Jr, en Koch, GG-maatregels fan waarnimmer oerienkomst op kategoryske gegevens. Biometrysk 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim Hk en Choi Hk. Tekstural, morfologyske en statistyske analyze fan twa-dimensjoneel magnetyske resonânsje foar it útfieren fan keunstmjittige yntelliginsje techniken foar differinsjaasje fan primêre tumors. Sûnensynformaasje. helpmiddel. https://doei.org/10.4258/hir.2022.28.1.46 (2022).
Posttiid: Jan-04-2024