Tankewol foar jo besite oan Nature.com. De ferzje fan 'e browser dy't jo brûke hat beheinde CSS-stipe. Foar de bêste resultaten advisearje wy in nijere ferzje fan jo browser te brûken (of de kompatibiliteitsmodus yn Internet Explorer út te skeakeljen). Yn 'e tuskentiid, om trochgeande stipe te garandearjen, litte wy de side sûnder styling of JavaScript sjen.
Tosken wurde beskôge as de meast krekte yndikator fan 'e leeftyd fan it minsklik lichem en wurde faak brûkt yn forensyske leeftydsbeoardieling. Wy hiene as doel om leeftydsskattingen fan tosken basearre op datamining te falidearjen troch de skattingskrektens en klassifikaasjeprestaasjes fan 'e 18-jierrige drompel te fergelykjen mei tradisjonele metoaden en leeftydsskattingen basearre op datamining. In totaal fan 2657 panoramyske röntgenfoto's waarden sammele fan Koreaanske en Japanske boargers fan 15 oant 23 jier. Se waarden ferdield yn in trainingsset, elk mei 900 Koreaanske röntgenfoto's, en in ynterne testset mei 857 Japanske röntgenfoto's. Wy hawwe de klassifikaasjekrektens en effisjinsje fan tradisjonele metoaden fergelike mei testsets fan dataminingmodellen. De krektens fan 'e tradisjonele metoade op 'e ynterne testset is wat heger as dy fan it dataminingmodel, en it ferskil is lyts (gemiddelde absolute flater <0,21 jier, woartel fan gemiddelde kwadraatflater <0,24 jier). De klassifikaasjeprestaasjes foar de 18-jierrige cutoff binne ek fergelykber tusken tradisjonele metoaden en dataminingmodellen. Sa kinne tradisjonele metoaden ferfongen wurde troch dataminingmodellen by it útfieren fan forensyske leeftydsbeoardieling mei de folwoeksenheid fan twadde en tredde kiezen by Koreaanske adolesinten en jongfolwoeksenen.
It skatten fan 'e leeftyd fan tosken wurdt in soad brûkt yn forensyske medisinen en pediatryske toskhielkunde. Benammen fanwegen de hege korrelaasje tusken chronologyske leeftyd en toskûntwikkeling is leeftydsbeoardieling op basis fan toskûntwikkelingsstadia in wichtich kritearium foar it beoardieljen fan 'e leeftyd fan bern en adolesinten1,2,3. Foar jonge minsken hat it skatten fan 'e leeftyd fan tosken op basis fan toskfolwoeksenens lykwols syn beheiningen, om't de toskgroei hast foltôge is, mei útsûndering fan 'e tredde kiezen. It juridyske doel fan it bepalen fan 'e leeftyd fan jonge minsken en adolesinten is om krekte skattings en wittenskiplik bewiis te jaan oft se de mearderjierrichheid berikt hawwe. Yn 'e medysk-juridyske praktyk fan adolesinten en jongfolwoeksenen yn Korea waard de leeftyd skatte mei de metoade fan Lee, en in juridyske drompel fan 18 jier waard foarsein op basis fan 'e gegevens rapportearre troch Oh et al5.
Masinelearen is in soarte keunstmjittige yntelliginsje (KI) dy't werhelle grutte hoemannichten gegevens leart en klassifisearret, problemen sels oplost en gegevensprogrammearring oandriuwt. Masinelearen kin nuttige ferburgen patroanen ûntdekke yn grutte hoemannichten gegevens6. Yn tsjinstelling kinne klassike metoaden, dy't arbeidsyntinsyf en tiidslinend binne, beheiningen hawwe by it omgean mei grutte hoemannichten komplekse gegevens dy't lestich mei de hân te ferwurkjen binne7. Dêrom binne koartlyn in protte stúdzjes útfierd mei de lêste kompjûtertechnologyen om minsklike flaters te minimalisearjen en multidimensionale gegevens effisjint te ferwurkjen8,9,10,11,12. Yn it bysûnder is djip learen in soad brûkt yn medyske ôfbyldingsanalyse, en ferskate metoaden foar leeftydsskatting troch automatysk röntgenfoto's te analysearjen binne rapportearre om de krektens en effisjinsje fan leeftydsskatting te ferbetterjen13,14,15,16,17,18,19,20. Bygelyks, Halabi et al13 ûntwikkelen in masinelearenalgoritme basearre op konvolusjonele neurale netwurken (CNN) om skeletleeftyd te skatten mei help fan röntgenfoto's fan bernehannen. Dizze stúdzje stelt in model foar dat masinelearen tapast op medyske ôfbyldings en lit sjen dat dizze metoaden de diagnostyske krektens kinne ferbetterje. Li et al14 skatten de leeftyd út bekkenröntgenfoto's mei in djippe learende CNN en fergelike dy mei regresjeresultaten mei help fan skatting fan it ossifikaasjestadium. Se fûnen dat it djippe learende CNN-model deselde leeftydskattingsprestaasjes liet sjen as it tradisjonele regresjemodel. De stúdzje fan Guo et al. [15] evaluearre de prestaasjes fan leeftydstolerânsjeklassifikaasje fan CNN-technology op basis fan tosk-ortofoto's, en de resultaten fan it CNN-model bewiisden dat minsken de prestaasjes fan 'e leeftydklassifikaasje oertroffen.
De measte stúdzjes oer leeftydsskatting mei help fan masinelearen brûke djippe learmetoaden13,14,15,16,17,18,19,20. Leeftydsskatting basearre op djip learen wurdt rapportearre as krekter as tradisjonele metoaden. Dizze oanpak biedt lykwols net folle kâns om de wittenskiplike basis foar leeftydsskattingen te presintearjen, lykas de leeftydsindikatoaren dy't brûkt wurde yn 'e skattingen. D'r is ek in juridysk skeel oer wa't de ynspeksjes útfiert. Dêrom is leeftydsskatting basearre op djip learen lestich te akseptearjen troch bestjoerlike en rjochterlike autoriteiten. Datamining (DM) is in technyk dy't net allinich ferwachte, mar ek ûnferwachte ynformaasje kin ûntdekke as in metoade foar it ûntdekken fan nuttige korrelaasjes tusken grutte hoemannichten gegevens6,21,22. Masinelearen wurdt faak brûkt yn datamining, en sawol datamining as masinelearen brûke deselde kaaialgoritmen om patroanen yn gegevens te ûntdekken. Leeftydsskatting mei help fan toskûntwikkeling is basearre op 'e beoardieling fan' e ûndersiker fan 'e folwoeksenheid fan' e doeltosken, en dizze beoardieling wurdt útdrukt as in stadium foar elke doeltosk. DM kin brûkt wurde om de korrelaasje tusken it toskbeoardielingsstadium en de werklike leeftyd te analysearjen en hat de potinsje om tradisjonele statistyske analyze te ferfangen. Dêrom, as wy DM-techniken tapasse op leeftydsskatting, kinne wy masinelearen ymplementearje yn forensyske leeftydsskatting sûnder ús soargen te meitsjen oer juridyske oanspraaklikens. Ferskate ferlykjende stúdzjes binne publisearre oer mooglike alternativen foar tradisjonele manuele metoaden dy't brûkt wurde yn 'e forensyske praktyk en EBM-basearre metoaden foar it bepalen fan toskleeftyd. Shen et al23 hawwe sjen litten dat it DM-model krekter is as de tradisjonele formule fan Camerer. Galibourg et al24 hawwe ferskate DM-metoaden tapast om leeftyd te foarsizzen neffens it Demirdjiaanske kritearium25 en de resultaten litte sjen dat de DM-metoade better prestearre as de metoaden fan Demirdjian en Willems by it skatten fan 'e leeftyd fan' e Frânske befolking.
Om de toskleeftyd fan Koreaanske adolesinten en jongfolwoeksenen te skatten, wurdt Lee's metoade 4 in soad brûkt yn 'e Koreaanske forensyske praktyk. Dizze metoade brûkt tradisjonele statistyske analyze (lykas meardere regresje) om de relaasje tusken Koreaanske ûnderwerpen en chronologyske leeftyd te ûndersykjen. Yn dizze stúdzje wurde leeftydsskattingsmetoaden dy't krigen binne mei tradisjonele statistyske metoaden definiearre as "tradisjonele metoaden". Lee's metoade is in tradisjonele metoade, en de krektens dêrfan is befêstige troch Oh et al. 5; de tapasberens fan leeftydsskatting basearre op it DM-model yn 'e Koreaanske forensyske praktyk is lykwols noch twifelich. Us doel wie om de potinsjele brûkberens fan leeftydsskatting basearre op it DM-model wittenskiplik te falidearjen. It doel fan dizze stúdzje wie (1) om de krektens fan twa DM-modellen te fergelykjen by it skatten fan toskleeftyd en (2) om de klassifikaasjeprestaasjes fan 7 DM-modellen op 'e leeftyd fan 18 jier te fergelykjen mei dy krigen mei tradisjonele statistyske metoaden. Rypens fan twadde en tredde kiezen yn beide kaken.
Gemiddelden en standertôfwikingen fan chronologyske leeftyd per stadium en tosktype wurde online werjûn yn Oanfoljende Tabel S1 (trainingset), Oanfoljende Tabel S2 (ynterne testset), en Oanfoljende Tabel S3 (eksterne testset). De kappawearden foar intra- en ynterobserverbetrouberens krigen út 'e trainingsset wiene respektivelik 0.951 en 0.947. P-wearden en 95% fertrouwensyntervallen foar kappawearden wurde werjûn yn online oanfoljende tabel S4. De kappawearde waard ynterpretearre as "hast perfekt", yn oerienstimming mei de kritearia fan Landis en Koch26.
By it fergelykjen fan 'e gemiddelde absolute flater (MAE) prestearret de tradisjonele metoade wat better as it DM-model foar alle geslachten en yn 'e eksterne manlike testset, mei útsûndering fan multilayer perceptron (MLP). It ferskil tusken it tradisjonele model en it DM-model op 'e ynterne MAE-testset wie 0,12–0,19 jier foar manlju en 0,17–0,21 jier foar froulju. Foar de eksterne testbatterij binne de ferskillen lytser (0,001–0,05 jier foar manlju en 0,05–0,09 jier foar froulju). Derneist is de woartel fan 'e gemiddelde kwadraatflater (RMSE) wat leger as de tradisjonele metoade, mei lytsere ferskillen (0,17–0,24, 0,2–0,24 foar de ynterne manlike testset, en 0,03–0,07, 0,04–0,08 foar de eksterne testset). MLP lit wat bettere prestaasjes sjen as Single Layer Perceptron (SLP), útsein yn it gefal fan 'e eksterne testset foar froulju. Foar MAE en RMSE skoart de eksterne testset heger as de ynterne testset foar alle geslachten en modellen. Alle MAE en RMSE wurde werjûn yn Tabel 1 en Figuer 1.
MAE en RMSE fan tradisjonele en datamining-regresjemodellen. Gemiddelde absolute flater MAE, woartelgemiddelde kwadraatflater RMSE, ienlaach perceptron SLP, mearlaach perceptron MLP, tradisjonele CM-metoade.
Klassifikaasjeprestaasjes (mei in grinswearde fan 18 jier) fan 'e tradisjonele en DM-modellen waarden oantoand yn termen fan gefoelichheid, spesifisiteit, positive foarsizzingswearde (PPV), negative foarsizzingswearde (NPV), en gebiet ûnder de ûntfanger-operaasjekarakteristykkurve (AUROC) 27 (Tabel 2, Figuer 2 en Oanfoljende Figuer 1 online). Wat de gefoelichheid fan 'e ynterne testbatterij oanbelanget, prestearren tradisjonele metoaden it bêste ûnder manlju en minder ûnder froulju. It ferskil yn klassifikaasjeprestaasjes tusken tradisjonele metoaden en SD is lykwols 9,7% foar manlju (MLP) en mar 2,4% foar froulju (XGBoost). Under DM-modellen liet logistyske regresje (LR) bettere gefoelichheid sjen yn beide geslachten. Oangeande de spesifisiteit fan 'e ynterne testset waard waarnommen dat de fjouwer SD-modellen goed prestearren by manlju, wylst it tradisjonele model better prestearre by froulju. De ferskillen yn klassifikaasjeprestaasjes foar manlju en froulju binne respektivelik 13,3% (MLP) en 13,1% (MLP), wat oanjout dat it ferskil yn klassifikaasjeprestaasjes tusken modellen de gefoelichheid oertreft. Under de DM-modellen prestearren de stipevektormasine (SVM), beslútbeam (DT), en willekeurige bosk (RF)-modellen it bêste ûnder manlju, wylst it LR-model it bêste prestearre ûnder froulju. De AUROC fan it tradisjonele model en alle SD-modellen wie grutter as 0.925 (k-nearest neighbor (KNN) by manlju), wat poerbêste klassifikaasjeprestaasjes oantoande by it ûnderskieden fan 18-jierrige stekproeven28. Foar de eksterne testset wie der in ôfname yn klassifikaasjeprestaasjes yn termen fan gefoelichheid, spesifisiteit en AUROC yn ferliking mei de ynterne testset. Boppedat fariearre it ferskil yn gefoelichheid en spesifisiteit tusken de klassifikaasjeprestaasjes fan 'e bêste en minste modellen fan 10% oant 25% en wie grutter as it ferskil yn 'e ynterne testset.
Gefoelichheid en spesifisiteit fan datamining-klassifikaasjemodellen yn ferliking mei tradisjonele metoaden mei in grinswearde fan 18 jier. KNN k nearest neighbor, SVM-stipefektormasine, LR logistyske regresje, DT-beslútbeam, RF-willekeurige bosk, XGB XGBoost, MLP multilayer perceptron, tradisjonele CM-metoade.
De earste stap yn dizze stúdzje wie om de krektens fan skattings fan 'e toskleeftyd dy't krigen waarden út sân DM-modellen te fergelykjen mei dy krigen mei tradisjonele regresje. MAE en RMSE waarden evaluearre yn ynterne testsets foar beide geslachten, en it ferskil tusken de tradisjonele metoade en it DM-model fariearre fan 44 oant 77 dagen foar MAE en fan 62 oant 88 dagen foar RMSE. Hoewol de tradisjonele metoade wat krekter wie yn dizze stúdzje, is it lestich om te konkludearjen oft sa'n lyts ferskil klinyske of praktyske betsjutting hat. Dizze resultaten jouwe oan dat de krektens fan 'e skatting fan' e toskleeftyd mei it DM-model hast itselde is as dy fan 'e tradisjonele metoade. Direkte ferliking mei resultaten út eardere stúdzjes is lestich, om't gjin stúdzje de krektens fan DM-modellen hat fergelike mei tradisjonele statistyske metoaden mei deselde technyk foar it registrearjen fan tosken yn itselde leeftydsberik as yn dizze stúdzje. Galibourg et al24 fergelike MAE en RMSE tusken twa tradisjonele metoaden (Demirjian-metoade25 en Willems-metoade29) en 10 DM-modellen yn in Frânske befolking fan 2 oant 24 jier. Se rapportearren dat alle DM-modellen krekter wiene as tradisjonele metoaden, mei ferskillen fan 0,20 en 0,38 jier yn MAE en 0,25 en 0,47 jier yn RMSE yn ferliking mei respektivelik de Willems- en Demirdjiaanske metoaden. De diskrepânsje tusken it SD-model en tradisjonele metoaden dy't te sjen is yn 'e Halibourg-stúdzje hâldt rekken mei ferskate rapporten30,31,32,33 dat de Demirdjiaanske metoade de toskleeftyd net akkuraat skat yn oare populaasjes as de Frânsk-Kanadezen wêrop de stúdzje basearre wie. Yn dizze stúdzje brûkten Tai et al34 it MLP-algoritme om de toskleeftyd te foarsizzen út 1636 Sineeske ortodontyske foto's en fergelike de krektens dêrfan mei de resultaten fan 'e Demirjian- en Willems-metoade. Se rapportearren dat MLP in hegere krektens hat as tradisjonele metoaden. It ferskil tusken de Demirdjiaanske metoade en de tradisjonele metoade is <0,32 jier, en de Willems-metoade is 0,28 jier, wat fergelykber is mei de resultaten fan 'e hjoeddeiske stúdzje. De resultaten fan dizze eardere stúdzjes24,34 binne ek yn oerienstimming mei de resultaten fan 'e hjoeddeiske stúdzje, en de krektens fan 'e leeftydsskatting fan it DM-model en de tradisjonele metoade binne fergelykber. Op basis fan 'e presintearre resultaten kinne wy lykwols allinich foarsichtich konkludearje dat it gebrûk fan DM-modellen om leeftyd te skatten besteande metoaden kin ferfange fanwegen it gebrek oan ferlykjende en referinsje-eardere stúdzjes. Folgjende stúdzjes mei gruttere stekproeven binne nedich om de resultaten dy't yn dizze stúdzje binne krigen te befêstigjen.
Under de stúdzjes dy't de krektens fan SD by it skatten fan toskleeftyd testen, lieten guon in hegere krektens sjen as ús stúdzje. Stepanovsky et al 35 hawwe 22 SD-modellen tapast op panoramyske röntgenfoto's fan 976 Tsjechyske ynwenners fan 2,7 oant 20,5 jier en de krektens fan elk model testen. Se beoardielden de ûntwikkeling fan yn totaal 16 permaninte tosken oan 'e boppeste en ûnderste lofterkant mei de klassifikaasjekritearia foarsteld troch Moorrees et al 36. De MAE farieart fan 0,64 oant 0,94 jier en de RMSE farieart fan 0,85 oant 1,27 jier, wat krekter is as de twa DM-modellen dy't yn dizze stúdzje brûkt binne. Shen et al 23 brûkten de Cameriere-metoade om de toskleeftyd fan sân permaninte tosken yn 'e linker ûnderkaak te skatten by ynwenners fan East-Sineeske leeftyd fan 5 oant 13 jier en fergelike it mei leeftiden dy't skatte waarden mei lineêre regresje, SVM en RF. Se lieten sjen dat alle trije DM-modellen in hegere krektens hawwe yn ferliking mei de tradisjonele Cameriere-formule. De MAE en RMSE yn 'e stúdzje fan Shen wiene leger as dy yn it DM-model yn dizze stúdzje. De ferhege presyzje fan 'e stúdzjes fan Stepanovsky et al. 35 en Shen et al. 23 kin te tankjen wêze oan it opnimmen fan jongere ûnderwerpen yn har stúdzjesteekproeven. Omdat leeftydsskattingen foar dielnimmers mei ûntwikkeljende tosken krekter wurde as it oantal tosken tanimt tidens de toskûntwikkeling, kin de krektens fan 'e resultearjende leeftydsskattingsmetoade yn gefaar komme as stúdzjedielnimmers jonger binne. Derneist is de flater fan MLP yn leeftydsskatting wat lytser as dy fan SLP, wat betsjut dat MLP krekter is as SLP. MLP wurdt beskôge as wat better foar leeftydsskatting, mooglik fanwegen de ferburgen lagen yn MLP38. D'r is lykwols in útsûndering foar de bûtenste stekproef fan froulju (SLP 1.45, MLP 1.49). De fynst dat de MLP krekter is as de SLP by it beoardieljen fan leeftyd fereasket ekstra retrospektive stúdzjes.
De klassifikaasjeprestaasjes fan it DM-model en de tradisjonele metoade by in drompel fan 18 jier waarden ek fergelike. Alle testte SD-modellen en tradisjonele metoaden op 'e ynterne testset lieten praktysk akseptabele nivo's fan ûnderskied sjen foar de 18-jierrige stekproef. De gefoelichheid foar manlju en froulju wie respektivelik grutter as 87,7% en 94,9%, en de spesifisiteit wie grutter as 89,3% en 84,7%. De AUROC fan alle testte modellen is ek grutter as 0,925. Foar safier't wy witte, hat gjin stúdzje de prestaasjes fan it DM-model foar 18-jierrige klassifikaasje op basis fan toskrypheid hifke. Wy kinne de resultaten fan dizze stúdzje fergelykje mei de klassifikaasjeprestaasjes fan djippe learmodellen op panoramyske röntgenfoto's. Guo et al.15 berekkene de klassifikaasjeprestaasjes fan in CNN-basearre djip learmodel en in manuele metoade basearre op 'e metoade fan Demirjian foar in bepaalde leeftydsdrompel. De gefoelichheid en spesifisiteit fan 'e manuele metoade wiene respektivelik 87,7% en 95,5%, en de gefoelichheid en spesifisiteit fan it CNN-model wiene mear as respektivelik 89,2% en 86,6%. Se konkludearren dat djippe learmodellen manuele beoardieling kinne ferfange of oertreffe by it klassifisearjen fan leeftydsdrompen. De resultaten fan dizze stúdzje lieten ferlykbere klassifikaasjeprestaasjes sjen; Der wurdt leaud dat klassifikaasje mei DM-modellen tradisjonele statistyske metoaden foar leeftydsskatting kin ferfange. Under de modellen wie DM LR it bêste model yn termen fan gefoelichheid foar de manlike stekproef en gefoelichheid en spesifisiteit foar de froulike stekproef. LR stiet op it twadde plak yn spesifisiteit foar manlju. Boppedat wurdt LR beskôge as ien fan 'e brûkerfreonliker DM35-modellen en is it minder kompleks en lestich te ferwurkjen. Op basis fan dizze resultaten waard LR beskôge as it bêste cutoff-klassifikaasjemodel foar 18-jierrigen yn 'e Koreaanske befolking.
Oer it algemien wie de krektens fan 'e leeftydsskatting of klassifikaasjeprestaasjes op 'e eksterne testset min of leger yn ferliking mei de resultaten op 'e ynterne testset. Guon rapporten jouwe oan dat de klassifikaasjekrektens of effisjinsje ôfnimt as leeftydsskattingen basearre op 'e Koreaanske befolking tapast wurde op 'e Japanske befolking5,39, en in ferlykber patroan waard fûn yn 'e hjoeddeiske stúdzje. Dizze efterútgongstrend waard ek waarnommen yn it DM-model. Dêrom, om leeftyd sekuer te skatten, sels by it brûken fan DM yn it analyseproses, moatte metoaden ôflaat fan gegevens oer de native befolking, lykas tradisjonele metoaden, de foarkar hawwe5,39,40,41,42. Om't it ûndúdlik is oft djippe learmodellen ferlykbere trends kinne sjen litte, binne stúdzjes dy't de klassifikaasjekrektens en effisjinsje fergelykje mei tradisjonele metoaden, DM-modellen en djippe learmodellen op deselde stekproeven nedich om te befestigjen oft keunstmjittige yntelliginsje dizze rasiale ferskillen yn beheinde leeftydsbeoardielingen kin oerwinne.
Wy litte sjen dat tradisjonele metoaden ferfongen wurde kinne troch leeftydsskatting basearre op it DM-model yn 'e forensyske leeftydsskattingspraktyk yn Korea. Wy hawwe ek de mooglikheid ûntdutsen om masinelearen te ymplementearjen foar forensyske leeftydsbeoardieling. D'r binne lykwols dúdlike beheiningen, lykas it ûnfoldwaande oantal dielnimmers oan dizze stúdzje om de resultaten definityf te bepalen, en it gebrek oan eardere stúdzjes om de resultaten fan dizze stúdzje te fergelykjen en te befêstigjen. Yn 'e takomst moatte DM-stúdzjes útfierd wurde mei gruttere oantallen stekproeven en mear ferskaat oan populaasjes om de praktyske tapasberens te ferbetterjen yn ferliking mei tradisjonele metoaden. Om de mooglikheid te falidearjen fan it brûken fan keunstmjittige yntelliginsje om leeftyd yn meardere populaasjes te skatten, binne takomstige stúdzjes nedich om de klassifikaasjekrektens en effisjinsje fan DM- en djippe learmodellen te fergelykjen mei tradisjonele metoaden yn deselde stekproeven.
De stúdzje brûkte 2.657 ortografyske foto's sammele fan Koreaanske en Japanske folwoeksenen fan 15 oant 23 jier. De Koreaanske röntgenfoto's waarden ferdield yn 900 trainingssets (19,42 ± 2,65 jier) en 900 ynterne testsets (19,52 ± 2,59 jier). De trainingsset waard sammele by ien ynstelling (Seoul St. Mary's Hospital), en de eigen testset waard sammele by twa ynstellingen (Seoul National University Dental Hospital en Yonsei University Dental Hospital). Wy hawwe ek 857 röntgenfoto's sammele fan oare befolkingsbasearre gegevens (Iwate Medical University, Japan) foar eksterne testen. Röntgenfoto's fan Japanske ûnderwerpen (19,31 ± 2,60 jier) waarden selektearre as de eksterne testset. Gegevens waarden retrospektyf sammele om de stadia fan toskûntwikkeling te analysearjen op panoramyske röntgenfoto's dy't makke waarden tidens toskbehanneling. Alle sammele gegevens wiene anonym, útsein geslacht, bertedatum en datum fan röntgenfoto. De ynklúzje- en útslutingskritearia wiene itselde as earder publisearre stúdzjes 4, 5. De werklike leeftyd fan 'e stekproef waard berekkene troch de bertedatum ôf te lûken fan 'e datum dat de röntgenfoto makke waard. De stekproefgroep waard ferdield yn njoggen leeftydsgroepen. De leeftyds- en geslachtferdieling wurdt werjûn yn tabel 3. Dizze stúdzje waard útfierd yn oerienstimming mei de Ferklearring fan Helsinki en goedkard troch de Institutional Review Board (IRB) fan it Seoul St. Mary's Hospital fan 'e Katolike Universiteit fan Korea (KC22WISI0328). Fanwegen it retrospektive ûntwerp fan dizze stúdzje koe ynformearre tastimming net krigen wurde fan alle pasjinten dy't in radiografysk ûndersyk ûndergienen foar terapeutyske doelen. It Seoul Korea University St. Mary's Hospital (IRB) hat ôfsjoen fan 'e eask foar ynformearre tastimming.
Untwikkelingsstadia fan bimaxillêre twadde en tredde molaren waarden beoardiele neffens Demircan-kritearia25. Allinnich ien tosk waard selektearre as itselde type tosk fûn waard oan 'e lofter- en rjochterkant fan elke kaak. As homologe tosken oan beide kanten yn ferskillende ûntwikkelingsstadia wiene, waard de tosk mei it legere ûntwikkelingsstadium selektearre om rekken te hâlden mei ûnwissichheid yn 'e skatte leeftyd. Hûndert willekeurich selektearre röntgenfoto's út 'e trainingsset waarden skoard troch twa erfarne waarnimmers om de betrouberens fan tuskenbeoardielers te testen nei foarkalibraasje om it toskrypheidsstadium te bepalen. De betrouberens fan tuskenbeoardielers waard twa kear mei yntervallen fan trije moannen beoardiele troch de primêre waarnimmer.
It geslacht en de ûntwikkelingsstadium fan 'e twadde en tredde molaren fan elke kaak yn 'e trainingsset waarden skatte troch in primêre waarnimmer dy't traind wie mei ferskate DM-modellen, en de werklike leeftyd waard ynsteld as de doelwearde. SLP- en MLP-modellen, dy't in soad brûkt wurde yn masinelearen, waarden test tsjin regresje-algoritmen. It DM-model kombinearret lineêre funksjes mei de ûntwikkelingsstadia fan 'e fjouwer tosken en kombinearret dizze gegevens om de leeftyd te skatten. SLP is it ienfâldichste neurale netwurk en befettet gjin ferburgen lagen. SLP wurket basearre op drompeltransmisje tusken knooppunten. It SLP-model yn regresje is wiskundich fergelykber mei meardere lineêre regresje. Oars as it SLP-model hat it MLP-model meardere ferburgen lagen mei net-lineêre aktivearringsfunksjes. Us eksperiminten brûkten in ferburgen laach mei mar 20 ferburgen knooppunten mei net-lineêre aktivearringsfunksjes. Brûk gradiëntôfstamming as de optimalisaasjemetoade en MAE en RMSE as de ferliesfunksje om ús masinelearenmodel te trainen. It bêst krigen regresjemodel waard tapast op 'e ynterne en eksterne testsets en de leeftyd fan 'e tosken waard skatte.
In klassifikaasjealgoritme waard ûntwikkele dat de folwoeksenheid fan fjouwer tosken op 'e trainingsset brûkt om te foarsizzen oft in stekproef 18 jier âld is of net. Om it model te bouwen, hawwe wy sân fertsjintwurdigingsmasinelearalgoritmes ôflaat6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, en (7) MLP. LR is ien fan 'e meast brûkte klassifikaasjealgoritmes44. It is in kontroleare learalgoritme dat regresje brûkt om de kâns fan gegevens dy't ta in bepaalde kategory hearre te foarsizzen fan 0 oant 1 en de gegevens klassifisearret as hearrend ta in wierskynliker kategory op basis fan dizze kâns; benammen brûkt foar binêre klassifikaasje. KNN is ien fan 'e ienfâldichste masinelearalgoritmes45. As nije ynfiergegevens jûn wurde, fynt it k gegevens dy't ticht by de besteande set binne en klassifisearret se dan yn 'e klasse mei de heechste frekwinsje. Wy sette 3 foar it oantal beskôge buorlju (k). SVM is in algoritme dat de ôfstân tusken twa klassen maksimalisearret troch in kernelfunksje te brûken om de lineêre romte út te wreidzjen nei in net-lineêre romte neamd fjilden46. Foar dit model brûke wy bias = 1, power = 1, en gamma = 1 as hyperparameters foar de polynomiale kernel. DT is yn ferskate fjilden tapast as in algoritme foar it ferdielen fan in folsleine dataset yn ferskate subgroepen troch beslútregels te fertsjintwurdigjen yn in beamstruktuer47. It model is konfigurearre mei in minimum oantal records per knooppunt fan 2 en brûkt de Gini-yndeks as in mjitte fan kwaliteit. RF is in ensemblemetoade dy't meardere DT's kombinearret om prestaasjes te ferbetterjen mei in bootstrap-aggregaasjemetoade dy't in swakke klassifikator genereart foar elke stekproef troch willekeurich stekproeven fan deselde grutte meardere kearen út 'e orizjinele dataset te lûken48. Wy brûkten 100 beammen, 10 beamdjipten, 1 minimale knooppuntgrutte, en Gini-admixture-yndeks as knooppuntskiedingskritearia. De klassifikaasje fan nije gegevens wurdt bepaald troch in mearderheid fan stimmen. XGBoost is in algoritme dat boostingtechniken kombinearret mei in metoade dy't de flater tusken de werklike en foarseine wearden fan it foarige model as trainingsgegevens nimt en de flater fergruttet mei gradiënten49. It is in breed brûkt algoritme fanwegen syn goede prestaasjes en effisjinsje fan boarnen, lykas ek hege betrouberens as in overfitting-korreksjefunksje. It model is foarsjoen fan 400 stipe-tsjillen. MLP is in neuraal netwurk wêryn ien of mear perceptrons meardere lagen foarmje mei ien of mear ferburgen lagen tusken de ynfier- en útfierlagen38. Mei dit kinne jo net-lineare klassifikaasje útfiere, wêrby't, as jo in ynfierlaach tafoegje en in resultaatwearde krije, de foarseine resultaatwearde wurdt fergelike mei de werklike resultaatwearde en de flater wurdt weromferspraat. Wy hawwe in ferburgen laach makke mei 20 ferburgen neuronen yn elke laach. Elk model dat wy ûntwikkele hawwe, waard tapast op ynterne en eksterne sets om klassifikaasjeprestaasjes te testen troch gefoelichheid, spesifisiteit, PPV, NPV en AUROC te berekkenjen. Gefoelichheid wurdt definiearre as de ferhâlding fan in stekproef dy't rûsd wurdt op 18 jier of âlder ta in stekproef dy't rûsd wurdt op 18 jier of âlder. Spesifisiteit is it oanpart fan stekproeven ûnder de 18 jier en dyjingen dy't rûsd wurde op 18 jier of âlder.
De toskstadia dy't yn 'e trainingsset beoardiele waarden, waarden omset yn numerike stadia foar statistyske analyze. Multivariate lineêre en logistyske regresje waarden útfierd om foarsizzingsmodellen foar elk geslacht te ûntwikkeljen en regresjeformules ôf te lieden dy't brûkt wurde kinne om leeftyd te skatten. Wy hawwe dizze formules brûkt om de toskleeftyd te skatten foar sawol ynterne as eksterne testsets. Tabel 4 toant de regresje- en klassifikaasjemodellen dy't yn dizze stúdzje brûkt binne.
Intra- en ynterobserverbetrouberens waard berekkene mei de kappa-statistiek fan Cohen. Om de krektens fan DM en tradisjonele regresjemodellen te testen, hawwe wy MAE en RMSE berekkene mei de skatte en werklike leeftiden fan 'e ynterne en eksterne testsets. Dizze flaters wurde faak brûkt om de krektens fan modelfoarsizzingen te evaluearjen. Hoe lytser de flater, hoe heger de krektens fan 'e prognose24. Fergelykje de MAE en RMSE fan ynterne en eksterne testsets berekkene mei DM en tradisjonele regresje. De klassifikaasjeprestaasjes fan 'e 18-jierrige cutoff yn tradisjonele statistiken waarden beoardiele mei in 2 × 2 kontinginsjetabel. De berekkene gefoelichheid, spesifisiteit, PPV, NPV en AUROC fan 'e testset waarden fergelike mei de mjitten wearden fan it DM-klassifikaasjemodel. Gegevens wurde útdrukt as gemiddelde ± standertôfwiking of oantal (%) ôfhinklik fan gegevenskarakteristiken. Twasidige P-wearden <0,05 waarden as statistysk signifikant beskôge. Alle routine statistyske analyses waarden útfierd mei SAS ferzje 9.4 (SAS Institute, Cary, NC). It DM-regresjemodel waard ymplementearre yn Python mei Keras50 2.2.4 backend en Tensorflow51 1.8.0 spesifyk foar wiskundige operaasjes. It DM-klassifikaasjemodel waard ymplementearre yn 'e Waikato Knowledge Analysis Environment en it Konstanz Information Miner (KNIME) 4.6.152 analyseplatfoarm.
De auteurs erkenne dat gegevens dy't de konklúzjes fan 'e stúdzje stypje, te finen binne yn it artikel en oanfoljende materialen. De datasets dy't generearre en/of analysearre binne tidens de stúdzje binne op ridlik fersyk beskikber by de oerienkommende auteur.
Ritz-Timme, S. et al. Leeftydsbeoardieling: steat fan 'e keunst om te foldwaan oan 'e spesifike easken fan forensyske praktyk. ynternasjonaliteit. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., en Olze, A. Hjoeddeiske status fan forensyske leeftydsbeoardieling fan libbene ûnderwerpen foar strafrjochtlike ferfolging. Forensyske medisinen. Patology. 1, 239–246 (2005).
Pan, J. et al. In oanpaste metoade foar it beoardieljen fan 'e toskleeftyd fan bern fan 5 oant 16 jier yn eastlik Sina. klinysk. Mûnlinge enkête. 25, 3463–3474 (2021).
Lee, SS ensfh. Kronology fan 'e ûntwikkeling fan twadde en tredde molaren by Koreanen en de tapassing dêrfan foar forensyske leeftydsbeoardieling. ynternasjonaliteit. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY en Lee, SS Krektens fan leeftydsskatting en skatting fan 'e 18-jierrige drompel basearre op 'e folwoeksenheid fan twadde en tredde molaren by Koreanen en Japanners. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Preoperative gegevensanalyse basearre op masinelearen kin de útkomst fan sliepoperaasjebehanneling foarsizze by pasjinten mei OSA. de wittenskip. Rapport 11, 14911 (2021).
Han, M. et al. Krekte leeftydsskatting út masinelearen mei of sûnder minsklike yntervinsje? ynternasjonaliteit. J. Legal medicine. 136, 821–831 (2022).
Khan, S. en Shaheen, M. Fan Data Mining nei Data Mining. J. Ynformaasje. de wittenskip. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. en Shaheen, M. WisRule: It earste kognitive algoritme foar it minen fan assosjaasjeregels. J. Ynformaasje. de wittenskip. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. en Abdullah U. Karm: Tradisjonele datamining basearre op kontekst-basearre assosjaasjeregels. berekkenje. Matt. trochgean. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. en Habib M. Djip learen basearre semantyske oerienkomstdeteksje mei help fan tekstgegevens. ynformaasjetechnologyen. kontrôle. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., en Shahin, M. In systeem foar it werkennen fan aktiviteit yn sportfideo's. multimedia. Tools Applications https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Machine Learning Challenge in Pediatric Bone Age. Radiology 290, 498–503 (2019).
Li, Y. et al. Forensyske leeftydsskatting út bekkenröntgenfoto's mei help fan djippe learen. EURO. strieling. 29, 2322–2329 (2019).
Guo, YC, et al. Krekte leeftydsklassifikaasje mei help fan manuele metoaden en djippe konvolúsjonele neurale netwurken fan ortografyske projeksjeôfbyldings. ynternasjonaliteit. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Skatting fan bonkeleeftyd mei ferskate masinelearmetoaden: in systematyske literatuerbeoardieling en meta-analyze. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., en Yang, J. Befolkingsspesifike leeftydsskatting fan Afro-Amerikanen en Sinezen basearre op pulpakeamervoluminten fan earste molaren mei help fan kegelbeam-kompjûtertomografy. ynternasjonaliteit. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK en Oh KS Bepaling fan leeftydsgroepen fan libbene minsken mei help fan ôfbyldings fan earste kiezen basearre op keunstmjittige yntelliginsje. de wittenskip. Rapport 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., en Urschler, M. Automatyske leeftydsskatting en leeftydsklassifikaasje fan 'e mearderheid út multivariate MRI-gegevens. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. en Li, G. Leeftydsskatting basearre op 3D pulpakeamersegmentaasje fan earste molaren fan kegelbeam-kompjûtertomografy troch yntegraasje fan djippe learen en nivo-sets. ynternasjonaliteit. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Datamining yn klinyske big data: mienskiplike databases, stappen en metoademodellen. Wrâld. medisinen. boarne. 8, 44 (2021).
Yang, J. et al. Ynlieding ta medyske databases en dataminingtechnologyen yn it Big Data-tiidrek. J. Avid. Basismedisinen. 13, 57–69 (2020).
Shen, S. et al. Camerer syn metoade foar it skatten fan toskleeftyd mei masinelearen. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Ferliking fan ferskate masinelearmetoaden foar it foarsizzen fan toskleeftyd mei de Demirdjiaanske stagingmetoade. ynternasjonaliteit. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. en Tanner, JM In nij systeem foar it beoardieljen fan toskleeftyd. snort. biology. 45, 211–227 (1973).
Landis, JR, en Koch, GG Mjittingen fan waarnimmersoerienkomst op kategoryske gegevens. Biometrie 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK en Choi HK. Tekstuerele, morfologyske en statistyske analyze fan twadiminsjonale magnetyske resonânsjeôfbylding mei help fan keunstmjittige yntelliginsjetechniken foar differinsjaasje fan primêre harsentumors. Ynformaasje oer sûnens. boarne. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Pleatsingstiid: Jan-04-2024