Tankewol foar it besykjen fan Nature.com.De ferzje fan 'e browser dy't jo brûke hat beheinde CSS-stipe.Foar bêste resultaten riede wy oan om in nijere ferzje fan jo browser te brûken (of kompatibiliteitsmodus yn Internet Explorer út te skeakeljen).Yn 'e tuskentiid, om trochgeande stipe te garandearjen, litte wy de side sjen sûnder styling of JavaScript.
Tosken wurde beskôge as de meast krekte yndikator fan 'e leeftyd fan it minsklik lichem en wurde faak brûkt yn forensyske leeftydsbeoardieling.Wy wiene fan doel it validearjen fan gegevens mining-basearre dental leeftyd skattings troch it fergelykjen fan de skatting krektens en klassifikaasje prestaasjes fan de 18-jierrige drompel mei tradisjonele metoaden en gegevens mining-basearre leeftyd skatten.In totaal fan 2657 panoramyske radiografyen waarden sammele fan Koreaanske en Japanske boargers fan 15 oant 23 jier.Se waarden ferdield yn in trainingsset, elk mei 900 Koreaanske radiografyen, en in ynterne testset mei 857 Japanske radiografyen.Wy fergelike de klassifikaasje krektens en effisjinsje fan tradisjonele metoaden mei test sets fan data mining modellen.De krektens fan 'e tradisjonele metoade op' e ynterne test set is wat heger as dy fan it data mining model, en it ferskil is lyts (gemiddelde absolute flater <0,21 jier, root gemiddelde fjouwerkant flater <0,24 jier).De klassifikaasjeprestaasjes foar de 18-jierrige cutoff is ek ferlykber tusken tradisjonele metoaden en modellen foar data mining.Sa kinne tradisjonele metoaden wurde ferfongen troch data mining modellen by it útfieren fan forensyske leeftyd beoardieling mei help fan de folwoeksenheid fan twadde en tredde molars yn Koreaanske adolesinten en jonge folwoeksenen.
Dental leeftydskatting wurdt in protte brûkt yn forensyske medisinen en pediatryske toskedokters.Benammen fanwegen de hege korrelaasje tusken gronologyske leeftyd en dental ûntwikkeling, leeftyd beoardieling troch dental ûntwikkeling stadia is in wichtich kritearium foar it beoardieljen fan de leeftyd fan bern en adolesinten1,2,3.Foar jonge minsken hat it ynskatten fan dentale leeftyd lykwols syn beheiningen op grûn fan toskedokters, om't de groei fan tosken hast folslein is, mei útsûndering fan 'e tredde molaren.It juridyske doel fan it bepalen fan 'e leeftyd fan jonge minsken en adolesinten is om krekte skattings en wittenskiplik bewiis te leverjen oft se de leeftyd fan mearderheid hawwe berikt.Yn 'e medysk-juridyske praktyk fan adolesinten en jonge folwoeksenen yn Korea waard leeftyd rûsd mei Lee's metoade, en in juridyske drompel fan 18 jier waard foarsein basearre op de gegevens dy't troch Oh et al 5 rapporteare.
Masine learen is in soarte fan keunstmjittige yntelliginsje (AI) dy't ferskate kearen grutte hoemannichten gegevens leart en klassifisearret, problemen op himsels oplost en gegevensprogrammearring oandriuwt.Masine learen kin nuttige ferburgen patroanen ûntdekke yn grutte voluminten gegevens6.Yn tsjinstelling ta kinne klassike metoaden, dy't arbeidsintensyf en tiidslinend binne, beheiningen hawwe by it omgean mei grutte folumes fan komplekse gegevens dy't dreech binne om mei de hân te ferwurkjen7.Dêrom binne in protte stúdzjes koartlyn útfierd mei de lêste kompjûtertechnologyen om minsklike flaters te minimalisearjen en multydinsjonele gegevens effisjint te ferwurkjen8,9,10,11,12.Benammen djip learen is in soad brûkt yn medyske ôfbyldingsanalyse, en ferskate metoaden foar leeftydskatting troch automatysk analysearjen fan radiografyen binne rapportearre om de krektens en effisjinsje fan leeftydskatting te ferbetterjen13,14,15,16,17,18,19,20 .Bygelyks, Halabi et al 13 ûntwikkele in masine learen algoritme basearre op convolutional neural netwurken (CNN) te skatten skeletal leeftyd mei help fan radiographs fan bern syn hannen.Dizze stúdzje stelt in model foar dat masine learen tapast op medyske ôfbyldings en lit sjen dat dizze metoaden de diagnostyske krektens kinne ferbetterje.Li et al14 skatte leeftyd fan pelvyske röntgenôfbyldings mei in djippe learen CNN en fergelike se mei regressionsresultaten mei skatting fan ossifikaasjestadium.Se fûnen dat it djippe learen CNN-model deselde leeftydskattingsprestaasjes toande as it tradisjonele regressionmodel.Guo et al.'s stúdzje [15] evaluearre de prestaasjes fan leeftydtolerânsjeklassifikaasje fan CNN-technology basearre op dentale ortofoto's, en de resultaten fan it CNN-model bewiisden dat minsken har prestaasje fan leeftydsklassifikaasje oertreffe.
De measte stúdzjes oer leeftydskatting mei masine learen brûke metoaden foar djippe learen13,14,15,16,17,18,19,20.Leeftydskatting basearre op djip learen wurdt rapportearre om krekter te wêzen dan tradisjonele metoaden.Dizze oanpak jout lykwols net folle kâns om de wittenskiplike basis foar leeftydskattingen te presintearjen, lykas de leeftydsindikatoaren dy't brûkt wurde yn 'e skattingen.Der is ek in juridysk skeel oer wa't de kontrôles docht.Dêrom is leeftydskatting basearre op djip learen lestich te akseptearjen troch bestjoerlike en rjochterlike autoriteiten.Data mining (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.Masine learen wurdt faak brûkt yn data mining, en sawol data mining as masine learen brûke deselde kaai algoritmen te ûntdekken patroanen yn gegevens.Leeftyd skatting mei help fan dental ûntwikkeling is basearre op de ûndersiker syn beoardieling fan 'e folwoeksenheid fan' e doel tosken, en dizze beoardieling wurdt útdrukt as in poadium foar eltse doel tosk.DM kin brûkt wurde om de korrelaasje te analysearjen tusken poadium foar beoardieling fan toskedokters en werklike leeftyd en hat it potinsjeel om tradisjonele statistyske analyze te ferfangen.Dêrom, as wy DM-techniken tapasse op leeftydskatting, kinne wy masinelearen ymplementearje yn forensyske leeftydskatting sûnder ús soargen te meitsjen oer juridyske oanspraaklikens.Ferskate ferlykjende stúdzjes binne publisearre oer mooglike alternativen foar tradisjonele hânmetoaden brûkt yn forensyske praktyk en EBM-basearre metoaden foar it bepalen fan dental leeftyd.Shen et al23 lieten sjen dat it DM-model krekter is dan de tradisjonele Camerer-formule.Galibourg et al24 tapasten ferskate DM-metoaden om leeftyd te foarsizzen neffens it Demirdjian-kritearium25 en de resultaten lieten sjen dat de DM-metoade de Demirdjian- en Willems-metoaden better prestearre by it skatten fan de leeftyd fan 'e Frânske befolking.
Om de dentale leeftyd fan Koreaanske adolesinten en jonge folwoeksenen te skatten, wurdt Lee's metoade 4 in protte brûkt yn 'e Koreaanske forensyske praktyk.Dizze metoade brûkt tradisjonele statistyske analyze (lykas meardere regression) om de relaasje te ûndersykjen tusken Koreaanske ûnderwerpen en gronologyske leeftyd.Yn dizze stúdzje wurde metoaden foar skatting fan leeftyd krigen 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;lykwols, de tapaslikheid fan leeftyd skatting basearre op de DM model yn Koreaansk forensyske praktyk is noch twifele.Us doel wie om de potensjele nut fan leeftydskatting wittenskiplik te validearjen basearre op it DM-model.It doel fan dizze stúdzje wie (1) om de krektens fan twa DM-modellen te fergelykjen by it skatten fan dentale leeftyd en (2) om de klassifikaasjeprestaasjes fan 7 DM-modellen op 'e leeftyd fan 18 jier te fergelykjen mei dy krigen mei tradisjonele statistyske metoaden Maturity of second en tredde molaren yn beide kaken.
Middels en standertôfwikingen fan gronologyske leeftyd per poadium en tosktype wurde online toand yn oanfoljende tabel S1 (opliedingsset), oanfoljende tabel S2 (ynterne testset), en oanfoljende tabel S3 (eksterne testset).De kappa-wearden foar intra- en ynterobserver betrouberens krigen fan 'e trainingsset wiene respektivelik 0.951 en 0.947.P-wearden en 95% betrouwensintervallen foar kappa-wearden wurde werjûn yn online oanfoljende tabel S4.De kappa-wearde waard ynterpretearre as "hast perfekt", yn oerienstimming mei de kritearia fan Landis en Koch26.
By it fergelykjen fan gemiddelde absolute flater (MAE), prestearret de tradisjonele metoade in bytsje 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 root mean square error (RMSE) wat leger as de tradisjonele metoade, mei lytsere ferskillen (0.17-0.24, 0.2-0.24 foar de manlike ynterne testset, en 0.03-0.07, 0.04-0.08 foar eksterne testset).).MLP toant wat bettere prestaasjes dan Single Layer Perceptron (SLP), útsein yn it gefal fan 'e froulike eksterne testset.Foar MAE en RMSE skoart de eksterne testset heger dan 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 data mining-regressionmodellen.Mean absolute flater MAE, root mean fjouwerkante flater RMSE, single layer perceptron SLP, multilayer perceptron MLP, tradisjonele CM metoade.
Klassifikaasjeprestaasjes (mei in besuniging fan 18 jier) fan 'e tradisjonele en DM-modellen waarden oantoand yn termen fan gefoelichheid, spesifisiteit, positive foarsizzende wearde (PPV), negative foarsizzende wearde (NPV), en gebiet ûnder de ûntfanger operearjende karakteristike kromme (AUROC) 27 (tabel 2, figuer 2 en oanfoljende figuer 1 online).Wat de gefoelichheid fan 'e ynterne testbatterij oanbelanget, presteare tradisjonele metoaden it bêste ûnder manlju en slimmer ûnder froulju.It ferskil yn klassifikaasjeprestaasjes tusken tradisjonele metoaden en SD is lykwols 9,7% foar manlju (MLP) en allinich 2,4% foar froulju (XGBoost).Under DM-modellen liet logistyske regression (LR) bettere gefoelichheid sjen yn beide seksen.Wat de spesifisiteit fan 'e ynterne testset oanbelanget, waard konstatearre dat de fjouwer SD-modellen goed presteare by mantsjes, wylst it tradisjonele model better prestearre yn 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 grutter is.Under de DM-modellen prestearren de stipe-vektormasine (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 dan 0.925 (k-nearest buorman (KNN) by manlju), en toant poerbêste klassifikaasjeprestaasjes by it diskriminearjen fan 18-jier-âlde samples28.Foar de eksterne testset wie d'r in delgong yn klassifikaasjeprestaasjes yn termen fan gefoelichheid, spesifisiteit en AUROC yn ferliking mei de ynterne testset.Boppedat wie 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 klassifikaasjemodellen foar data mining yn ferliking mei tradisjonele metoaden mei in cutoff fan 18 jier.KNN k neiste buorman, SVM stipe vector machine, LR logistyske regression, DT beslút beam, RF random bosk, XGB XGBoost, MLP multilayer perceptron, tradisjoneel CM metoade.
De earste stap yn dizze stúdzje wie om de krektens te fergelykjen fan skatten fan toskedokters leeftyd krigen fan sân DM-modellen mei dy krigen mei tradisjonele regression.MAE en RMSE waarden evaluearre yn ynterne testsets foar beide seksen, en it ferskil tusken de tradisjonele metoade en it DM-model rûn fan 44 oant 77 dagen foar MAE en fan 62 oant 88 dagen foar RMSE.Hoewol de tradisjonele metoade yn dizze stúdzje wat krekter wie, is it lestich om te konkludearjen oft sa'n lyts ferskil klinyske of praktyske betsjutting hat.Dizze resultaten jouwe oan dat de krektens fan skatting fan dentale leeftyd mei it DM-model hast itselde is as dy fan 'e tradisjonele metoade.Direkte fergeliking mei resultaten fan eardere stúdzjes is lestich, om't gjin stúdzje de krektens fan DM-modellen fergelike hat mei tradisjonele statistyske metoaden mei deselde technyk fan opnimmen fan tosken yn deselde leeftydsklasse 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 rapporteare 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 de Willems en Demirdjian metoaden, respektivelik.De diskrepânsje tusken it SD-model en tradisjonele metoaden werjûn yn 'e Halibourg-stúdzje hâldt rekken mei in protte rapporten30,31,32,33 dat de Demirdjian-metoade net sekuer skat dental leeftyd yn oare populaasjes as de Frânske Kanadezen dêr't de stúdzje basearre wie.Yn dizze stúdzje.Tai et al 34 brûkten it MLP-algoritme om de leeftyd fan tosken út 1636 Sineeske ortodontyske foto's te foarsizzen en fergelike de krektens dêrfan mei de resultaten fan 'e Demirjian en Willems-metoade.Se rapporteare dat MLP hegere krektens hat dan tradisjonele metoaden.It ferskil tusken de Demirdjian-metoade en de tradisjonele metoade is <0,32 jier, en de Willems-metoade is 0,28 jier, wat gelyk is oan de resultaten fan it hjoeddeiske ûndersyk.De resultaten fan dizze foargeande stúdzjes24,34 binne ek yn oerienstimming mei de resultaten fan 'e hjoeddeiske stúdzje, en de krektens fan 'e leeftydskatting fan it DM-model en de tradisjonele metoade binne ferlykber.Op grûn fan 'e presinteare resultaten kinne wy lykwols allinich foarsichtich konkludearje dat it gebrûk fan DM-modellen om leeftyd te skatten besteande metoaden ferfange kin troch it ûntbrekken fan ferlykjende en ferwizende eardere stúdzjes.Ferfolchstúdzjes mei gruttere samples binne nedich om de resultaten te befestigjen dy't yn dizze stúdzje krigen binne.
Under de stúdzjes dy't de krektens fan SD testen by it skatten fan dentale leeftyd, lieten guon hegere krektens sjen as ús stúdzje.Stepanovsky et al 35 tapast 22 SD-modellen op panoramyske radiografyen fan 976 Tsjechyske ynwenners fan 2,7 oant 20,5 jier en testen de krektens fan elk model.Se beoardiele de ûntwikkeling fan in totaal fan 16 boppeste en legere lofter permaninte tosken mei de klassifikaasjekritearia foarsteld troch Moorrees et al 36.De MAE farieart fan 0.64 oant 0.94 jier en de RMSE rint fan 0.85 oant 1.27 jier, dy't krekter binne as de twa DM-modellen dy't yn dizze stúdzje brûkt wurde.Shen et al23 brûkten de Cameriere-metoade om de dentale leeftyd fan sân permaninte tosken yn 'e linker mandibel te skatten yn eastlike Sineeske ynwenners fan 5 oant 13 jier en fergelike it mei leeftyd rûsd mei lineêre regression, SVM en RF.Se lieten sjen dat alle trije DM-modellen hegere krektens hawwe yn ferliking mei de tradisjonele Cameriere-formule.De MAE en RMSE yn Shen's stúdzje wiene leger dan dy yn it DM-model yn dizze stúdzje.De ferhege krektens fan 'e stúdzjes troch Stepanovsky et al.35; Sjen et al.23 kin wêze troch it opnimmen fan jongere ûnderwerpen yn har stúdzjemonsters.Om't leeftydskattingen foar dielnimmers mei ûntwikkeljen fan tosken krekter wurde as it oantal tosken tanimt tidens dentale ûntwikkeling, kin de krektens fan 'e resultearjende metoade foar leeftydskatting kompromitteare wurde as dielnimmers fan 'e stúdzje jonger binne.Derneist is de flater fan MLP yn leeftydskatting wat lytser dan SLP's, wat betsjuttet dat MLP krekter is dan SLP.MLP wurdt beskôge wat better foar leeftyd skatting, 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 dan de SLP by it beoardieljen fan leeftyd fereasket ekstra retrospektive stúdzjes.
De klassifikaasjeprestaasjes fan it DM-model en de tradisjonele metoade op in drompel fan 18 jier waarden ek fergelike.Alle teste SD-modellen en tradisjonele metoaden op 'e ynterne testset lieten praktysk akseptabel nivo's fan diskriminaasje sjen foar de 18-jier-âlde stekproef.Sensitiviteit foar manlju en froulju wie respektivelik grutter dan 87,7% en 94,9%, en spesifisiteit wie grutter dan 89,3% en 84,7%.De AUROC fan alle testen modellen is ek grutter as 0.925.Nei it bêste fan ús kennis hat gjin stúdzje de prestaasjes fan it DM-model hifke foar 18-jierrige klassifikaasje op basis fan toskedokter.Wy kinne de resultaten fan dizze stúdzje fergelykje mei de klassifikaasjeprestaasjes fan modellen foar djippe learen op panoramyske radiografyen.Guo et al.15 berekkene de klassifikaasjeprestaasjes fan in CNN-basearre djippe learmodel en in hânmetoade basearre op Demirjian's metoade foar in bepaalde leeftydsdrompel.De gefoelichheid en spesifisiteit fan 'e hânmetoade wiene respektivelik 87.7% en 95.5%, en de gefoelichheid en spesifisiteit fan it CNN-model wiene respektivelik 89.2% en 86.6%.Se konkludearren dat djippe learmodellen hantlieding beoardielje kinne ferfange of better prestearje by it klassifisearjen fan leeftydsdrompels.De resultaten fan dizze stúdzje lieten ferlykbere klassifikaasjeprestaasjes sjen;It wurdt leaud dat klassifikaasje mei DM-modellen tradisjonele statistyske metoaden kin ferfange foar leeftydskatting.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 ranks twadde yn spesifisiteit foar manlju.Boppedat, LR wurdt beskôge as ien fan de mear brûker-friendly DM35 modellen en is minder kompleks en dreech te ferwurkjen.Op grûn 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 leeftydskatting of klassifikaasjeprestaasjes op 'e eksterne testset min of leger yn ferliking mei de resultaten op' e ynterne testset.Guon rapporten jouwe oan dat de krektens of effisjinsje fan klassifikaasje nimt ôf as leeftydskattingen basearre op 'e Koreaanske befolking wurde tapast op' e Japanske befolking5,39, en in ferlykber patroan waard fûn yn 'e hjoeddeiske stúdzje.Dizze fersoargingstrend waard ek waarnommen yn it DM-model.Dêrom, om de leeftyd sekuer te skatten, sels by it brûken fan DM yn it analyseproses, moatte metoaden ôflaat fan lânseigen befolkingsgegevens, lykas tradisjonele metoaden, de foarkar krije5,39,40,41,42.Sûnt it is ûndúdlik oft djippe learen modellen kinne sjen litte ferlykbere trends, stúdzjes fergelykjen klassifikaasje krektens en effisjinsje mei help fan tradisjonele metoaden, DM modellen, en djippe learen modellen op deselde samples binne nedich om te befestigjen oft keunstmjittige yntelliginsje kin oerwinne dizze rasiale ferskillen yn beheinde leeftyd.beoardielingen.
Wy litte sjen dat tradisjonele metoaden kinne wurde ferfongen troch leeftydskatting basearre op it DM-model yn forensyske leeftydskattingspraktyk yn Korea.Wy ûntdutsen ek de mooglikheid om masine learen te ymplementearjen foar forensyske leeftydsbeoardieling.D'r binne lykwols dúdlike beheiningen, lykas it net genôch oantal dielnimmers oan dizze stúdzje om de resultaten definityf te bepalen, en it ûntbrekken fan eardere stúdzjes om de resultaten fan dizze stúdzje te fergelykjen en te befestigjen.Yn 'e takomst moatte DM-stúdzjes wurde útfierd mei gruttere oantallen samples en mear ferskaat populaasjes om de praktyske tapasberens te ferbetterjen yn ferliking mei tradisjonele metoaden.Om de helberens te validearjen fan it brûken fan keunstmjittige yntelliginsje om leeftyd yn meardere populaasjes te skatten, binne takomstige stúdzjes nedich om de klassifikaasje-krektens en effisjinsje fan DM- en djippe learmodellen te fergelykjen mei tradisjonele metoaden yn deselde samples.
De stúdzje brûkte 2,657 ortografyske foto's sammele fan Koreaanske en Japanske folwoeksenen fan 15 oant 23 jier.De Koreaanske radiografyen waarden ferdield yn 900 trainingsets (19.42 ± 2.65 jier) en 900 ynterne testsets (19.52 ± 2.59 jier).De training set waard sammele op ien ynstelling (Seoul St. Mary's Sikehûs), en de eigen test set waard sammele op twa ynstellingen (Seoul National University Dental Hospital en Yonsei University Dental Hospital).Wy sammele ek 857 radiografyen fan oare populaasje-basearre gegevens (Iwate Medical University, Japan) foar eksterne testen.Radiografyen fan Japanske ûnderwerpen (19.31 ± 2.60 jier) waarden selektearre as de eksterne testset.Gegevens waarden retrospektyf sammele om de stadia fan toskedokterûntwikkeling te analysearjen op panoramyske radiografyen nommen tidens toskedokter.Alle sammele gegevens wiene anonym útsein geslacht, bertedatum en datum fan radiografy.Kritearia foar ynklúzje en útsluting wiene itselde as earder publisearre stúdzjes 4, 5.De werklike leeftyd fan 'e stekproef waard berekkene troch de bertedatum te subtrahearjen fan' e datum dat de radiografy waard nommen.De stekproefgroep waard ferdield yn njoggen leeftydsgroepen.De leeftiid en seks distribúsjes wurde werjûn yn Tabel 3 Dizze stúdzje waard útfierd yn oerienstimming mei de Ferklearring fan Helsinki en goedkard troch de Institutional Review Board (IRB) fan Seoul St. Mary's Sikehûs fan 'e Katolike Universiteit fan Korea (KC22WISI0328).Troch it retrospektyf ûntwerp fan dizze stúdzje koe ynformearre tastimming net wurde krigen fan alle pasjinten dy't radiografysk ûndersyk ûndergeane foar therapeutyske doelen.Seoul Korea University St. Mary's Hospital (IRB) wegere de eask foar ynformearre tastimming.
Untwikkelingsstadia fan bimaxillêre twadde en tredde molaren waarden beoardiele neffens Demircan-kritearia25.Allinich ien tosk waard selektearre as itselde type tosk waard fûn oan de linker- en rjochterkant fan elke kaak.As homologe tosken oan beide kanten op ferskate ûntwikkelingsstadia wiene, waard de tosk mei it legere ûntwikkelingsstadium selektearre om rekken te hâlden mei ûnwissichheid yn 'e skatte leeftyd.Hûndert willekeurich selekteare radiografyen út 'e trainingsset waarden skoard troch twa betûfte waarnimmers om de betrouberens fan interobserver te testen nei foarkalibraasje om toskedoktersstadium te bepalen.Intraobserver betrouberens waard twa kear beoardiele op trije moanne yntervallen troch de primêre waarnimmer.
It seks- en ûntwikkelingsstadium fan 'e twadde en tredde molaren fan elke kaak yn' e trainingsset waarden beoardield troch in primêre waarnimmer dy't trainearre mei ferskate DM-modellen, en de eigentlike leeftyd waard ynsteld as de doelwearde.SLP- en MLP-modellen, dy't in protte brûkt wurde yn masine learen, waarden hifke tsjin regression-algoritmen.It DM-model kombinearret lineêre funksjes mei de ûntwikkelingsstadia fan 'e fjouwer tosken en kombinearret dizze gegevens om leeftyd te skatten.SLP is it ienfâldichste neurale netwurk en befettet gjin ferburgen lagen.SLP wurket basearre op drompeltransmission tusken knopen.It SLP-model yn regression is wiskundich fergelykber mei meardere lineêre regression.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 knopen mei net-lineêre aktivearringsfunksjes.Brûk gradientôfstamming as de optimisaasjemetoade en MAE en RMSE as de ferliesfunksje om ús masinelearmodel te trainen.It bêst krigen regressionmodel waard tapast op de ynterne en eksterne testsets en de leeftyd fan 'e tosken waard rûsd.
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 represintaasjemasjine-learalgoritmen ôflaat6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, en (7) MLP .LR is ien fan 'e meast brûkte klassifikaasjealgoritmen44.It is in begeliede learalgoritme dat regression brûkt om de kâns te foarsizzen fan gegevens dy't ta in bepaalde kategory hearre fan 0 oant 1 en klassifisearret de gegevens as hearrend ta in wierskynliker kategory basearre op dizze kâns;benammen brûkt foar binêre klassifikaasje.KNN is ien fan 'e ienfâldichste masine-learen-algoritmen45.As jo nije ynfiergegevens krije, fynt it k gegevens tichtby de besteande set en klassifisearret se dan yn 'e klasse mei de heechste frekwinsje.Wy sette 3 foar it oantal buorlju beskôge (k).SVM is in algoritme dat de ôfstân tusken twa klassen maksimalisearret troch in kernelfunksje te brûken om de lineêre romte út te wreidzjen yn in net-lineêre romte neamd fields46.Foar dit model brûke wy bias = 1, macht = 1, en gamma = 1 as hyperparameters foar de polynomiale kearn.DT is op ferskate fjilden tapast as in algoritme foar it ferdielen fan in hiele dataset yn ferskate subgroepen troch it fertsjintwurdigjen fan beslútregels yn in beamstruktuer47.It model is konfigureare mei in minimum oantal records per knooppunt fan 2 en brûkt de Gini-yndeks as kwaliteitsmaat.RF is in ensemblemetoade dy't meardere DT's kombineart om prestaasjes te ferbetterjen mei in bootstrap-aggregaasjemetoade dy't in swak klassifikaasje genereart foar elke stekproef troch willekeurige samples fan deselde grutte meardere kearen te tekenjen út 'e orizjinele dataset48.Wy brûkten 100 beammen, 10 beam djipten, 1 minimum knooppunt grutte, en Gini admixture index as knooppunt skieding kritearia.De klassifikaasje fan nije gegevens wurdt bepaald troch in mearderheid fan stimmen.XGBoost is in algoritme dat stimulearjende techniken kombineart mei in metoade dy't as trainingsgegevens de flater nimt tusken de werklike en foarseine wearden fan it foarige model en de flater fergruttet mei gradients49.It is in soad brûkt algoritme fanwege syn goede prestaasjes en boarne effisjinsje, lykas ek hege betrouberens as in overfitting korreksje funksje.It model is foarsjoen fan 400 stipe tsjillen.MLP is in neural netwurk wêryn ien of mear perceptrons meardere lagen foarmje mei ien of mear ferburgen lagen tusken de ynfier- en útfierlagen38.Mei help fan dit kinne jo útfiere net-lineêre klassifikaasje dêr't as jo tafoegje in ynfier laach en krije in resultaat wearde, de foarsein resultaat wearde wurdt fergelike mei de eigentlike resultaat wearde en de flater wurdt propagearre werom.Wy makken in ferburgen laach mei 20 ferburgen neuroanen yn elke laach.Elk model dat wy ûntwikkele 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 rûsd op 18 jier of âlder oan in stekproef rûsd op 18 jier of âlder.Spesifisiteit is it oanpart fan samples ûnder de 18 jier âld en dejingen dy't rûsd binne ûnder de 18 jier âld.
De dentale stadia beoardiele yn 'e trainingsset waarden omboud ta numerike stadia foar statistyske analyze.Multivariate lineêre en logistyske regression waarden útfierd om foarsizzende modellen te ûntwikkeljen foar elk geslacht en ôfliede regressionformules dy't kinne wurde brûkt om leeftyd te skatten.Wy brûkten dizze formules om de leeftyd fan 'e tosken te skatten foar sawol ynterne as eksterne testsets.Tabel 4 lit de regression- en klassifikaasjemodellen sjen dy't yn dizze stúdzje brûkt wurde.
Intra- en interobserver betrouberens waard berekkene mei Cohen's kappa statistyk.Om de krektens fan DM en tradisjonele regressionmodellen te testen, hawwe wy MAE en RMSE berekkene mei de rûsde en werklike leeftyd 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 regression.Klassifikaasjeprestaasjes fan 'e 18-jierrige cutoff yn tradisjonele statistiken waard beoardiele mei in 2 × 2 kontingintabel.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 ± standertdeviaasje of nûmer (%) ôfhinklik fan gegevenskarakteristiken.Twa-side P-wearden <0.05 waarden statistysk signifikant beskôge.Alle routine statistyske analyzes waarden útfierd mei SAS ferzje 9.4 (SAS Institute, Cary, NC).It DM-regressionmodel waard ymplementearre yn Python mei help fan 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 de Konstanz Information Miner (KNIME) 4.6.152 analyseplatfoarm.
De auteurs erkenne dat gegevens dy't de konklúzjes fan 'e stúdzje stypje kinne fûn wurde yn it artikel en oanfoljende materialen.De datasets dy't generearre en / of analysearre binne tidens de stúdzje binne beskikber fan 'e korrespondearjende auteur op ridlik fersyk.
Ritz-Timme, S. et al.Leeftyd beoardieling: steat fan 'e keunst om te foldwaan oan de spesifike easken fan' e forensyske praktyk.ynternasjonaliteit.J. Juridyske medisinen.113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Current status of forensic age assessment of living subjects for criminal prosecution purposes.Forensics.medisinen.Pathology.1, 239–246 (2005).
Pan, J. et al.In wizige metoade foar it beoardieljen fan de dentale leeftyd fan bern fan 5 oant 16 jier yn it easten fan Sina.klinysk.Mûnlinge enkête.25, 3463–3474 (2021).
Lee, SS ensfh Chronology fan de ûntwikkeling fan twadde en tredde molars yn Koreanen en syn tapassing foar forensyske leeftyd beoardieling.ynternasjonaliteit.J. Juridyske medisinen.124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY en Lee, SS Accuracy of age skatting en skatting fan 'e 18-jierrige drompel basearre op' e ferfaldatum fan twadde en tredde molaren yn Koreanen en Japanners.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Preoperative masine learen-basearre gegevensanalyse kin it resultaat fan behanneling fan sliepchirurgie foarsizze yn pasjinten mei OSA.de wittenskip.Ferslach 11, 14911 (2021).
Han, M. et al.Akkurate leeftydskatting fan masine learen mei of sûnder minsklike yntervinsje?ynternasjonaliteit.J. Juridyske medisinen.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: De earste kognitive algoritme foar Association Rule Mining.J. Ynformaasje.de wittenskip.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. en Abdullah U. Karm: Tradisjoneel data mining basearre op kontekst-basearre ferieningsregels.rekkenje.Matt.trochgean.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. en Habib M. Djip learen basearre semantyske oerienkomstdeteksje mei tekstgegevens.ynformearje.technologyen.Kontrolearje.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., en Shahin, M. In systeem foar it erkennen fan aktiviteit yn sportfideo's.multimedia.Toolsapplikaasjes https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Machine Learning Challenge yn Pediatric Bone Age.Radiology 290, 498-503 (2019).
Li, Y. et al.Forensyske leeftydskatting fan pelvyske röntgenfoto's mei djip learen.EURO.strieling.29, 2322–2329 (2019).
Guo, YC, et al.Akkurate leeftydsklassifikaasje mei manuele metoaden en djippe konvolúsjonele neurale netwurken út ortografyske projeksjeôfbyldings.ynternasjonaliteit.J. Juridyske medisinen.135, 1589-1597 (2021).
Alabama Dalora et al.Bone leeftyd skatting mei ferskate masine learmetoaden: in systematyske literatueroersjoch en meta-analyze.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., en Yang, J. Populaasje-spesifike leeftyd skatting fan Afro-Amerikanen en Sinezen basearre op pulp keamer folume fan earste molars mei help fan cone-beam computed tomography.ynternasjonaliteit.J. Juridyske medisinen.136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK en Oh KS.de wittenskip.Ferslach 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., en Urschler, M. Automatyske leeftyd skatting en mearderheid leeftyd klassifikaasje fan multivariate MRI gegevens.IEEE J. Biomed.Health Alerts.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. en Li, G. Age skatting basearre op 3D pulp keamer segmentation fan earste molars út cone beam computed tomography troch yntegraasje fan djippe learen en nivo sets.ynternasjonaliteit.J. Juridyske medisinen.135, 365–373 (2021).
Wu, WT, et al.Data mining yn klinyske grutte gegevens: mienskiplike databases, stappen en metoademodellen.Wrâld.medisinen.helpmiddel.8, 44 (2021).
Yang, J. et al.Yntroduksje ta medyske databases en data miningtechnologyen yn 'e Big Data Era.J. Avid.Basis medisinen.13, 57–69 (2020).
Shen, S. et al.Camerer's metoade foar it skatten fan toskenleeftyd mei masine learen.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Fergeliking fan ferskate masine-learenmetoaden foar it foarsizzen fan dentale leeftyd mei de Demirdjian-stagingmetoade.ynternasjonaliteit.J. Juridyske medisinen.135, 665–675 (2021).
Demirdjian, A., Goldstein, H., Tanner, JM.snorke.biology.45, 211-227 (1973).
Landis, JR, and Koch, GG. Maatregels fan waarnimmer oerienkomst oer kategoaryske gegevens.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK, Choi HK.Tekstuele, morfologyske en statistyske analyze fan twadimensjonale magnetyske resonânsjeôfbylding mei keunstmjittige yntelliginsjetechniken foar differinsjaasje fan primêre harsentumors.Health ynformaasje.helpmiddel.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Post tiid: Jan-04-2024