Hvala vam što ste posjetili Nature.com.Verzija pretraživača koju koristite ima ograničenu podršku za CSS.Za najbolje rezultate preporučujemo upotrebu novije verzije vašeg pretraživača (ili isključivanje načina kompatibilnosti u Internet Exploreru).U međuvremenu, kako bismo osigurali stalnu podršku, prikazujemo stranicu bez stila ili JavaScripta.
Zubi se smatraju najpreciznijim pokazateljem starosti ljudskog tijela i često se koriste u forenzičkoj procjeni starosti.Cilj nam je bio da potvrdimo procjene starosti zuba zasnovane na rudarenju podataka upoređujući točnost procjene i učinak klasifikacije 18-godišnjeg praga sa tradicionalnim metodama i procjenama starosti zasnovanim na rudarenju podataka.Ukupno je prikupljeno 2657 panoramskih rendgenskih snimaka državljana Koreje i Japana u dobi od 15 do 23 godine.Bili su podijeljeni u set za obuku, od kojih je svaki sadržavao 900 korejskih radiografija, i interni test koji je sadržavao 857 japanskih radiografija.Uporedili smo klasifikacionu tačnost i efikasnost tradicionalnih metoda sa test skupovima modela data mininga.Preciznost tradicionalne metode na internom skupu testova je nešto veća od one u modelu rudarenja podataka, a razlika je mala (srednja apsolutna greška <0,21 godina, srednja kvadratna greška <0,24 godine).Učinkovitost klasifikacije za 18-godišnji prekid je također slična između tradicionalnih metoda i modela rudarenja podataka.Stoga se tradicionalne metode mogu zamijeniti modelima rudarenja podataka kada se vrši forenzička procjena starosti koristeći zrelost drugog i trećeg kutnjaka kod korejskih adolescenata i mladih odraslih osoba.
Procjena starosti zuba se široko koristi u sudskoj medicini i dječjoj stomatologiji.Konkretno, zbog visoke korelacije između hronološke starosti i razvoja zuba, procjena starosti po fazama razvoja zuba važan je kriterij za procjenu starosti djece i adolescenata1,2,3.Međutim, za mlade ljude procjenjivanje dobi zuba na osnovu zrelosti zuba ima svoja ograničenja jer je rast zuba gotovo gotov, s izuzetkom trećih kutnjaka.Pravna svrha utvrđivanja starosti mladih ljudi i adolescenata je pružanje tačnih procjena i naučnih dokaza o tome da li su oni postali punoljetni.U medicinsko-pravnoj praksi adolescenata i mladih odraslih u Koreji, starost je procijenjena Lee-ovom metodom, a zakonski prag od 18 godina je predviđen na osnovu podataka koje su objavili Oh et al 5 .
Mašinsko učenje je vrsta umjetne inteligencije (AI) koja stalno uči i klasifikuje velike količine podataka, sama rješava probleme i pokreće programiranje podataka.Mašinsko učenje može otkriti korisne skrivene obrasce u velikim količinama podataka6.Nasuprot tome, klasične metode, koje su radno intenzivne i dugotrajne, mogu imati ograničenja kada se bave velikim količinama složenih podataka koje je teško obraditi ručno7.Stoga su u posljednje vrijeme provedena mnoga istraživanja korištenjem najnovijih kompjuterskih tehnologija kako bi se smanjile ljudske greške i efikasna obrada višedimenzionalnih podataka8,9,10,11,12.Konkretno, duboko učenje se široko koristi u analizi medicinske slike, a prijavljeno je da različite metode za procjenu starosti automatskim analizom radiografija poboljšavaju tačnost i efikasnost procjene starosti13,14,15,16,17,18,19,20 .Na primjer, Halabi i ostali 13 razvili su algoritam za strojno učenje zasnovan na konvolucijskim neuronskim mrežama (CNN) za procjenu starosti skeleta koristeći radiografiju dječjih ruku.Ova studija predlaže model koji primjenjuje strojno učenje na medicinske slike i pokazuje da ove metode mogu poboljšati dijagnostičku točnost.Li i saradnici14 su procijenili starost na osnovu rendgenskih snimaka karlice koristeći CNN duboko učenje i uporedili ih sa rezultatima regresije koristeći procjenu faze okoštavanja.Otkrili su da CNN model dubokog učenja pokazuje iste performanse procjene starosti kao i tradicionalni regresijski model.Studija Guoa i saradnika [15] procijenila je performanse klasifikacije starosne tolerancije CNN tehnologije zasnovane na dentalnim ortofoto fotografijama, a rezultati CNN modela su dokazali da su ljudi nadmašili učinak klasifikacije po godinama.
Većina studija o proceni starosti korišćenjem mašinskog učenja koristi metode dubokog učenja13,14,15,16,17,18,19,20.Izvještava se da je procjena starosti zasnovana na dubokom učenju preciznija od tradicionalnih metoda.Međutim, ovaj pristup pruža malo mogućnosti za predstavljanje naučne osnove za procjene starosti, kao što su indikatori starosti koji se koriste u procjenama.Postoji i pravni spor oko toga ko vrši inspekcije.Stoga je procjenu starosti zasnovanu na dubokom učenju teško prihvatiti upravni i pravosudni organi.Data mining (DM) je tehnika koja može otkriti ne samo očekivane, već i neočekivane informacije kao metod za otkrivanje korisnih korelacija između velikih količina podataka6,21,22.Strojno učenje se često koristi u rudarenju podataka, a i rudarenje podataka i strojno učenje koriste iste ključne algoritme za otkrivanje obrazaca u podacima.Procjena starosti korištenjem dentalnog razvoja zasniva se na procjeni ispitivača o zrelosti ciljnih zuba, a ta procjena se izražava kao faza za svaki ciljni zub.DM se može koristiti za analizu korelacije između faze stomatološke procjene i stvarne starosti i ima potencijal da zamijeni tradicionalnu statističku analizu.Stoga, ako primijenimo DM tehnike na procjenu starosti, možemo implementirati mašinsko učenje u forenzičku procjenu starosti bez brige o pravnoj odgovornosti.Objavljeno je nekoliko komparativnih studija o mogućim alternativama tradicionalnim ručnim metodama koje se koriste u forenzičkoj praksi i metodama zasnovanim na EBM za određivanje starosti zuba.Shen i ostali23 su pokazali da je DM model precizniji od tradicionalne Camererove formule.Galibourg i saradnici24 primijenili su različite DM metode za predviđanje starosti prema Demirdjian kriteriju25 i rezultati su pokazali da je DM metoda nadmašila Demirdjianovu i Willemsovu metodu u procjeni starosti francuske populacije.
Za procjenu starosti zuba korejskih adolescenata i mladih odraslih, Leejeva metoda 4 se široko koristi u korejskoj forenzičkoj praksi.Ova metoda koristi tradicionalnu statističku analizu (kao što je višestruka regresija) za ispitivanje odnosa između korejskih ispitanika i hronološke starosti.U ovoj studiji metode procjene starosti dobivene korištenjem tradicionalnih statističkih metoda definirane su kao “tradicionalne metode”.Leejeva metoda je tradicionalna metoda, a njenu točnost potvrdili su Oh et al.5;međutim, još uvijek je upitna primjenjivost procjene starosti zasnovane na DM modelu u korejskoj forenzičkoj praksi.Naš cilj je bio da naučno potvrdimo potencijalnu korisnost procene starosti na osnovu DM modela.Svrha ovog istraživanja bila je (1) da se uporedi tačnost dva modela DM u proceni starosti zuba i (2) da se uporedi učinak klasifikacije 7 modela DM u dobi od 18 godina sa onima dobijenim korišćenjem tradicionalnih statističkih metoda Zrelost drugog i treći kutnjaci u obje čeljusti.
Srednje vrijednosti i standardne devijacije hronološke starosti prema stadiju i tipu zuba prikazane su na mreži u dodatnoj tabeli S1 (skup za obuku), dodatnoj tabeli S2 (interni test set) i dodatnoj tabeli S3 (eksterni test).Kapa vrijednosti za pouzdanost unutar i među promatračem dobivene iz skupa za obuku bile su 0,951 i 0,947, respektivno.P vrijednosti i 95% intervali pouzdanosti za kapa vrijednosti prikazani su u online dodatnoj tabeli S4.Kappa vrijednost je protumačena kao „skoro savršena“, u skladu sa kriterijima Landisa i Kocha26.
Kada se uporedi srednja apsolutna greška (MAE), tradicionalna metoda neznatno nadmašuje DM model za sve spolove iu eksternom muškom testnom skupu, sa izuzetkom višeslojnog perceptrona (MLP).Razlika između tradicionalnog modela i DM modela na internom MAE test setu bila je 0,12–0,19 godina za muškarce i 0,17–0,21 godina za žene.Za eksternu test bateriju razlike su manje (0,001–0,05 godina za muškarce i 0,05–0,09 godina za žene).Pored toga, srednja kvadratna greška (RMSE) je nešto niža od tradicionalne metode, sa manjim razlikama (0,17–0,24, 0,2–0,24 za muški interni test set, i 0,03–0,07, 0,04–0,08 za eksterni test).).MLP pokazuje nešto bolje performanse od jednoslojnog perceptrona (SLP), osim u slučaju ženskog eksternog testnog seta.Za MAE i RMSE, eksterni skup testova ima više rezultata od internog testnog skupa za sve spolove i modele.Svi MAE i RMSE prikazani su u tabeli 1 i na slici 1.
MAE i RMSE tradicionalnih regresijskih modela i modela rudarenja podataka.Srednja apsolutna greška MAE, srednja kvadratna greška RMSE, jednoslojni perceptron SLP, višeslojni perceptron MLP, tradicionalna CM metoda.
Performanse klasifikacije (sa prekidom od 18 godina) tradicionalnih i DM modela demonstrirane su u smislu osjetljivosti, specifičnosti, pozitivne prediktivne vrijednosti (PPV), negativne prediktivne vrijednosti (NPV) i površine ispod krive radne karakteristike prijemnika (AUROC) 27 (Tabela 2, Slika 2 i Dodatna slika 1 online).Što se tiče osjetljivosti interne test baterije, tradicionalne metode su se najbolje pokazale među muškarcima, a lošije među ženama.Međutim, razlika u performansama klasifikacije između tradicionalnih metoda i SD je 9,7% za muškarce (MLP) i samo 2,4% za žene (XGBoost).Među modelima DM, logistička regresija (LR) je pokazala bolju osjetljivost kod oba spola.Što se tiče specifičnosti internog testnog skupa, uočeno je da su četiri SD modela pokazala dobre rezultate kod muškaraca, dok je tradicionalni model bio bolji kod žena.Razlike u performansama klasifikacije za muškarce i žene su 13,3% (MLP) i 13,1% (MLP), respektivno, što ukazuje da razlika u performansama klasifikacije između modela premašuje osjetljivost.Među modelima DM, modeli sa vektorom podrške (SVM), stablo odlučivanja (DT) i slučajne šume (RF) pokazali su se najboljim među muškarcima, dok je LR model bio najbolji među ženama.AUROC tradicionalnog modela i svih SD modela bio je veći od 0,925 (k-najbliži susjed (KNN) kod muškaraca), što pokazuje odlične performanse klasifikacije u diskriminaciji 18-godišnjih uzoraka28.Za eksterni skup testova, došlo je do smanjenja performansi klasifikacije u smislu osetljivosti, specifičnosti i AUROC u poređenju sa internim skupom testova.Štaviše, razlika u osetljivosti i specifičnosti između performansi klasifikacije najboljih i najgorih modela kretala se od 10% do 25% i bila je veća od razlike u internom test setu.
Osetljivost i specifičnost modela klasifikacije data mininga u poređenju sa tradicionalnim metodama sa prekidom od 18 godina.KNN k najbliži susjed, SVM pomoćni vektorski stroj, LR logistička regresija, DT stablo odlučivanja, RF slučajna šuma, XGB XGBoost, MLP višeslojni perceptron, tradicionalna CM metoda.
Prvi korak u ovoj studiji bio je poređenje tačnosti procjena starosti zuba dobivenih iz sedam DM modela s onima dobivenim korištenjem tradicionalne regresije.MAE i RMSE su evaluirani u internim test setovima za oba pola, a razlika između tradicionalne metode i DM modela se kretala od 44 do 77 dana za MAE i od 62 do 88 dana za RMSE.Iako je tradicionalna metoda bila nešto preciznija u ovoj studiji, teško je zaključiti da li tako mala razlika ima klinički ili praktični značaj.Ovi rezultati pokazuju da je tačnost procjene starosti zuba korištenjem DM modela gotovo ista kao kod tradicionalne metode.Direktno poređenje sa rezultatima prethodnih studija je teško jer nijedna studija nije uporedila tačnost DM modela sa tradicionalnim statističkim metodama koristeći istu tehniku snimanja zuba u istom starosnom rasponu kao u ovoj studiji.Galibourg et al24 upoređivali su MAE i RMSE između dvije tradicionalne metode (Demirjian metoda25 i Willemsova metoda29) i 10 DM modela u francuskoj populaciji starosti od 2 do 24 godine.Izvijestili su da su svi DM modeli bili tačniji od tradicionalnih metoda, s razlikama od 0,20 i 0,38 godina u MAE i 0,25 i 0,47 godina u RMSE u poređenju sa Willemsovim i Demirdjianovim metodama, respektivno.Nesklad između SD modela i tradicionalnih metoda prikazanih u studiji Halibourg uzima u obzir brojne izvještaje30,31,32,33 da Demirdjian metoda ne procjenjuje precizno starost zuba u populacijama osim francusko-kanadskih na kojima je studija zasnovana.u ovoj studiji.Tai i saradnici 34 koristili su MLP algoritam za predviđanje starosti zuba na osnovu 1636 kineskih ortodontskih fotografija i uporedili njegovu tačnost sa rezultatima Demirjian i Willems metode.Izvijestili su da MLP ima veću preciznost od tradicionalnih metoda.Razlika između Demirdžijanove metode i tradicionalne metode je <0,32 godine, a Willemsove metode je 0,28 godina, što je slično rezultatima ove studije.Rezultati ovih prethodnih studija24,34 su također u skladu s rezultatima ove studije, a tačnost procjene starosti DM modela i tradicionalne metode je slična.Međutim, na osnovu prikazanih rezultata, možemo samo oprezno zaključiti da korištenje DM modela za procjenu starosti može zamijeniti postojeće metode zbog nedostatka komparativnih i referentnih prethodnih studija.Potrebne su naknadne studije koje koriste veće uzorke kako bi se potvrdili rezultati dobiveni u ovoj studiji.
Među studijama koje su testirale točnost SD u procjeni starosti zuba, neke su pokazale veću točnost od naše studije.Stepanovsky i ostali 35 su primenili 22 SD modela na panoramske radiografije 976 čeških stanovnika starosti od 2,7 do 20,5 godina i testirali tačnost svakog modela.Procijenili su razvoj ukupno 16 gornjih i donjih lijevo trajnih zuba koristeći kriterije klasifikacije koje su predložili Moorrees et al 36 .MAE se kreće od 0,64 do 0,94 godine, a RMSE u rasponu od 0,85 do 1,27 godina, što je preciznije od dva DM modela korištena u ovoj studiji.Shen i saradnici23 koristili su metodu Cameriere da procijene starost zuba sedam trajnih zuba na lijevoj donjoj čeljusti kod stanovnika istočne Kine u dobi od 5 do 13 godina i uporedili su je sa starošću procijenjenom linearnom regresijom, SVM i RF.Pokazali su da sva tri DM modela imaju veću preciznost u odnosu na tradicionalnu Cameriere formulu.MAE i RMSE u Shenovoj studiji bili su niži od onih u DM modelu u ovoj studiji.Povećana preciznost studija Stepanovsky et al.35 i Shen et al.23 može biti zbog uključivanja mlađih ispitanika u njihove uzorke istraživanja.Budući da procjene starosti za učesnike sa zubima u razvoju postaju preciznije kako se broj zuba povećava tokom razvoja zuba, tačnost rezultirajuće metode procjene starosti može biti ugrožena kada su učesnici istraživanja mlađi.Dodatno, MLP-ova greška u procjeni starosti je nešto manja od SLP-ove, što znači da je MLP tačniji od SLP-a.MLP se smatra malo boljim za procjenu starosti, vjerovatno zbog skrivenih slojeva u MLP38.Međutim, postoji izuzetak za spoljašnji uzorak žena (SLP 1,45, MLP 1,49).Nalaz da je MLP tačniji od SLP u procjeni starosti zahtijeva dodatne retrospektivne studije.
Upoređene su i performanse klasifikacije DM modela i tradicionalne metode na pragu od 18 godina.Svi testirani SD modeli i tradicionalne metode na internom testnom setu pokazali su praktično prihvatljive nivoe diskriminacije za uzorak od 18 godina.Osetljivost za muškarce i žene bila je veća od 87,7% i 94,9%, respektivno, a specifičnost veća od 89,3% i 84,7%.AUROC svih testiranih modela također premašuje 0,925.Koliko nam je poznato, nijedna studija nije testirala performanse DM modela za 18-godišnju klasifikaciju na osnovu zrelosti zuba.Rezultate ove studije možemo uporediti sa performansama klasifikacije modela dubokog učenja na panoramskim radiografijama.Guo et al.15 izračunali su performanse klasifikacije CNN-baziranog modela dubokog učenja i manuelne metode zasnovane na Demirjianovoj metodi za određeni dobni prag.Osetljivost i specifičnost manuelne metode bile su 87,7% i 95,5%, respektivno, a osetljivost i specifičnost CNN modela premašile su 89,2% i 86,6%, respektivno.Zaključili su da modeli dubokog učenja mogu zamijeniti ili nadmašiti ručno ocjenjivanje u klasifikaciji starosnih pragova.Rezultati ove studije pokazali su slične performanse klasifikacije;Vjeruje se da klasifikacija korištenjem DM modela može zamijeniti tradicionalne statističke metode za procjenu starosti.Među modelima, DM LR je bio najbolji model u smislu osjetljivosti za muški uzorak i osjetljivosti i specifičnosti za ženski uzorak.LR je na drugom mjestu po specifičnosti za muškarce.Štaviše, LR se smatra jednim od modela DM35 koji su jednostavniji za upotrebu i manje je složen i težak za obradu.Na osnovu ovih rezultata, LR se smatra najboljim modelom klasifikacije graničnih vrijednosti za 18-godišnjake u korejskoj populaciji.
Sve u svemu, tačnost procjene starosti ili izvedbe klasifikacije na eksternom testnom setu bila je loša ili niža u poređenju s rezultatima na internom testnom setu.Neki izvještaji pokazuju da se tačnost ili efikasnost klasifikacije smanjuje kada se procjene starosti zasnovane na korejskoj populaciji primjenjuju na japansku populaciju5,39, a sličan obrazac je pronađen i u ovoj studiji.Ovaj trend pogoršanja uočen je iu DM modelu.Stoga, za tačnu procjenu starosti, čak i kada se koristi DM u procesu analize, treba dati prednost metodama izvedenim iz podataka domaće populacije, kao što su tradicionalne metode5,39,40,41,42.Budući da je nejasno mogu li modeli dubokog učenja pokazati slične trendove, potrebne su studije koje upoređuju točnost i efikasnost klasifikacije koristeći tradicionalne metode, DM modele i modele dubokog učenja na istim uzorcima kako bi se potvrdilo može li umjetna inteligencija prevladati ove rasne disparitete u ograničenoj dobi.procjene.
Pokazali smo da se tradicionalne metode mogu zamijeniti procjenom starosti zasnovanom na DM modelu u forenzičkoj praksi procjene starosti u Koreji.Otkrili smo i mogućnost implementacije mašinskog učenja za forenzičku procjenu starosti.Međutim, postoje jasna ograničenja, kao što je nedovoljan broj učesnika u ovoj studiji da bi se definitivno utvrdili rezultati, te nedostatak prethodnih studija za upoređivanje i potvrđivanje rezultata ove studije.U budućnosti bi se DM studije trebale provoditi s većim brojem uzoraka i raznolikijom populacijom kako bi se poboljšala njena praktična primjena u odnosu na tradicionalne metode.Da bi se potvrdila izvodljivost upotrebe umjetne inteligencije za procjenu starosti u više populacija, potrebne su buduće studije za upoređivanje tačnosti i efikasnosti klasifikacije DM i modela dubokog učenja sa tradicionalnim metodama u istim uzorcima.
Studija je koristila 2.657 ortografskih fotografija prikupljenih od odraslih Korejaca i Japanaca u dobi od 15 do 23 godine.Korejski radiografi su podijeljeni u 900 setova za obuku (19,42 ± 2,65 godina) i 900 internih testnih setova (19,52 ± 2,59 godina).Set za obuku je prikupljen u jednoj instituciji (Seoul St. Mary's Hospital), a vlastiti set za testiranje prikupljen je u dvije institucije (Seul National University Dental Hospital i Yonsei University Dental Hospital).Takođe smo prikupili 857 radiografija iz drugih podataka baziranih na populaciji (Iwate Medical University, Japan) za eksterno testiranje.Radiografi japanskih ispitanika (19,31 ± 2,60 godina) odabrani su kao eksterni testni set.Podaci su prikupljeni retrospektivno kako bi se analizirale faze razvoja zuba na panoramskim rendgenskim snimcima tokom stomatološkog tretmana.Svi prikupljeni podaci bili su anonimni osim spola, datuma rođenja i datuma radiografije.Kriterijumi za uključivanje i isključivanje bili su isti kao u prethodno objavljenim studijama 4, 5 .Stvarna starost uzorka izračunata je oduzimanjem datuma rođenja od datuma snimanja radiografije.Grupa uzorka podijeljena je u devet starosnih grupa.Raspodjela po godinama i spolu prikazana je u Tabeli 3. Ova studija je sprovedena u skladu sa Helsinškom deklaracijom i odobrena od strane Institucionalnog odbora za reviziju (IRB) bolnice St. Mary u Seulu na Katoličkom univerzitetu Koreje (KC22WISI0328).Zbog retrospektivnog dizajna ove studije, informirani pristanak nije mogao biti dobiven od svih pacijenata koji su podvrgnuti radiografskom pregledu u terapijske svrhe.Bolnica Svete Marije (IRB) Univerziteta u Seulu Koreje odustala je od zahtjeva za informiranim pristankom.
Faze razvoja bimaksilarnog drugog i trećeg kutnjaka procijenjene su prema Demircan kriterijumima25.Odabran je samo jedan zub ako je isti tip zuba pronađen na lijevoj i desnoj strani svake vilice.Ako su homologni zubi s obje strane bili u različitim razvojnim fazama, zub s nižim razvojnim stadijem je odabran kako bi se uračunala nesigurnost u procijenjenoj starosti.Dva iskusna posmatrača su ocijenila sto nasumično odabranih rendgenskih snimaka iz skupa za obuku kako bi se testirala pouzdanost među posmatračima nakon prekalibracije kako bi se odredila faza zrelosti zuba.Pouzdanost unutar posmatrača je procijenjena dva puta u intervalima od tri mjeseca od strane primarnog posmatrača.
Pol i razvojnu fazu drugog i trećeg kutnjaka svake vilice u setu za obuku procijenio je primarni posmatrač obučen sa različitim modelima DM, a stvarna starost je postavljena kao ciljna vrijednost.SLP i MLP modeli, koji se široko koriste u mašinskom učenju, testirani su u odnosu na algoritme regresije.DM model kombinuje linearne funkcije koristeći razvojne faze četiri zuba i kombinuje ove podatke za procjenu starosti.SLP je najjednostavnija neuronska mreža i ne sadrži skrivene slojeve.SLP radi na osnovu prenosa praga između čvorova.SLP model u regresiji je matematički sličan višestrukoj linearnoj regresiji.Za razliku od SLP modela, MLP model ima više skrivenih slojeva s nelinearnim aktivacijskim funkcijama.Naši eksperimenti su koristili skriveni sloj sa samo 20 skrivenih čvorova s nelinearnim aktivacijskim funkcijama.Koristite gradijentni pad kao metod optimizacije i MAE i RMSE kao funkciju gubitka za obuku našeg modela mašinskog učenja.Najbolje dobijeni regresijski model primijenjen je na interne i eksterne testne setove i procijenjena je starost zuba.
Razvijen je klasifikacioni algoritam koji koristi zrelost četiri zuba na setu za obuku da predvidi da li je uzorak star 18 godina ili ne.Da bismo izgradili model, izveli smo sedam reprezentacijskih algoritama mašinskog učenja6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost i (7) MLP .LR je jedan od najčešće korištenih klasifikacionih algoritama44.To je nadzirani algoritam učenja koji koristi regresiju za predviđanje vjerovatnoće da podaci pripadaju određenoj kategoriji od 0 do 1 i klasifikuje podatke kao da pripadaju vjerovatnijoj kategoriji na osnovu ove vjerovatnoće;uglavnom se koristi za binarnu klasifikaciju.KNN je jedan od najjednostavnijih algoritama za strojno učenje45.Kada se daju novi ulazni podaci, pronalazi k podataka blizu postojećeg skupa i zatim ih klasifikuje u klasu sa najvećom frekvencijom.Postavili smo 3 za broj razmatranih susjeda (k).SVM je algoritam koji maksimizira udaljenost između dvije klase korištenjem funkcije kernela za proširenje linearnog prostora u nelinearni prostor koji se zove polja46.Za ovaj model koristimo bias = 1, power = 1 i gama = 1 kao hiperparametre za polinomno jezgro.DT je primijenjen u raznim oblastima kao algoritam za podjelu cijelog skupa podataka u nekoliko podgrupa predstavljanjem pravila odlučivanja u strukturi stabla47.Model je konfigurisan sa minimalnim brojem zapisa po čvoru od 2 i koristi Gini indeks kao meru kvaliteta.RF je metoda ansambla koja kombinuje višestruke DT-ove za poboljšanje performansi koristeći metodu agregacije pokretanja koja generiše slab klasifikator za svaki uzorak nasumično izvlačeći uzorke iste veličine više puta iz originalnog skupa podataka48.Koristili smo 100 stabala, 10 dubina stabala, 1 minimalnu veličinu čvora i Gini indeks primjesa kao kriterije za razdvajanje čvorova.Klasifikacija novih podataka utvrđuje se većinom glasova.XGBoost je algoritam koji kombinuje tehnike pojačavanja koristeći metodu koja kao podatke za obuku uzima grešku između stvarnih i predviđenih vrednosti prethodnog modela i povećava grešku koristeći gradijente49.To je algoritam koji se široko koristi zbog svojih dobrih performansi i efikasnosti resursa, kao i visoke pouzdanosti kao funkcije korekcije prekomjernog prilagođavanja.Model je opremljen sa 400 potpornih kotača.MLP je neuronska mreža u kojoj jedan ili više perceptrona formiraju više slojeva s jednim ili više skrivenih slojeva između ulaznog i izlaznog sloja38.Koristeći ovo, možete izvršiti nelinearnu klasifikaciju gdje kada dodate ulazni sloj i dobijete vrijednost rezultata, predviđena vrijednost rezultata se upoređuje sa stvarnom vrijednošću rezultata i greška se širi nazad.Napravili smo skriveni sloj sa 20 skrivenih neurona u svakom sloju.Svaki model koji smo razvili primijenjen je na interne i eksterne skupove za testiranje performansi klasifikacije izračunavanjem osjetljivosti, specifičnosti, PPV, NPV i AUROC.Osjetljivost se definira kao omjer uzorka za koji se procjenjuje da ima 18 godina ili više prema uzorku za koji se procjenjuje da ima 18 godina ili više.Specifičnost je udio uzoraka mlađih od 18 godina i onih za koje se procjenjuje da su mlađi od 18 godina.
Stomatološke faze procijenjene u setu za obuku pretvorene su u numeričke faze za statističku analizu.Izvršena je multivarijantna linearna i logistička regresija kako bi se razvili prediktivni modeli za svaki spol i izvele regresijske formule koje se mogu koristiti za procjenu starosti.Koristili smo ove formule za procjenu starosti zuba i za interne i za eksterne testove.Tabela 4 prikazuje modele regresije i klasifikacije korištene u ovoj studiji.
Pouzdanost unutar i među posmatračima izračunata je korištenjem Cohenove kapa statistike.Da bismo testirali tačnost DM i tradicionalnih regresionih modela, izračunali smo MAE i RMSE koristeći procijenjenu i stvarnu starost internih i eksternih testnih skupova.Ove greške se obično koriste za procjenu tačnosti predviđanja modela.Što je manja greška, to je veća tačnost prognoze24.Uporedite MAE i RMSE internih i eksternih skupova testova izračunatih korišćenjem DM i tradicionalne regresije.Učinak klasifikacije 18-godišnjeg preseka u tradicionalnoj statistici procijenjen je korištenjem tabele kontingentnosti 2 × 2.Izračunata osjetljivost, specifičnost, PPV, NPV i AUROC testnog skupa upoređeni su sa izmjerenim vrijednostima DM modela klasifikacije.Podaci su izraženi kao srednja vrijednost ± standardna devijacija ili broj (%) ovisno o karakteristikama podataka.Dvostrane P vrijednosti <0,05 smatrane su statistički značajnim.Sve rutinske statističke analize obavljene su korištenjem SAS verzije 9.4 (SAS Institute, Cary, NC).Model DM regresije implementiran je u Python koristeći Keras50 2.2.4 backend i Tensorflow51 1.8.0 posebno za matematičke operacije.Model DM klasifikacije implementiran je u Waikato Knowledge Analysis Environment i Konstanz Information Miner (KNIME) 4.6.152 platformu za analizu.
Autori priznaju da se podaci koji podržavaju zaključke studije mogu naći u članku i dodatnim materijalima.Skupovi podataka generisani i/ili analizirani tokom studije dostupni su od odgovarajućeg autora na razuman zahtjev.
Ritz-Timme, S. et al.Procjena starosne dobi: najmodernije stanje za ispunjavanje specifičnih zahtjeva forenzičke prakse.internacionalnost.J. Pravna medicina.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., i Olze, A. Trenutni status forenzičke procjene starosti živih subjekata u svrhu krivičnog gonjenja.Forenzika.lijek.Patologija.1, 239–246 (2005).
Pan, J. et al.Modificirana metoda za procjenu starosti zuba djece u dobi od 5 do 16 godina u istočnoj Kini.klinički.Usmena anketa.25, 3463–3474 (2021).
Lee, SS itd. Hronologija razvoja drugih i trećih kutnjaka kod Korejaca i njena primjena za forenzičku procjenu starosti.internacionalnost.J. Pravna medicina.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY i Lee, SS Preciznost procene starosti i procene 18-godišnjeg praga na osnovu zrelosti drugog i trećeg kutnjaka kod Korejaca i Japanaca.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Preoperativna analiza podataka zasnovana na mašinskom učenju može predvideti ishod lečenja operacije spavanja kod pacijenata sa OSA.nauku.Izvještaj 11, 14911 (2021).
Han, M. et al.Tačna procjena starosti iz mašinskog učenja sa ili bez ljudske intervencije?internacionalnost.J. Pravna medicina.136, 821–831 (2022).
Khan, S. i Shaheen, M. Od rudarenja podataka do rudarenja podataka.J.Information.nauku.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. WisRule: Prvi kognitivni algoritam za rudarenje pravila asocijacija.J.Information.nauku.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Tradicionalno rudarenje podataka zasnovano na kontekstualnim pravilima asocijacije.izračunati.Matt.nastaviti.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. i Habib M. Detekcija semantičke sličnosti zasnovana na dubokom učenju korištenjem tekstualnih podataka.informirati.tehnologije.kontrolu.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. i Shahin, M. Sistem za prepoznavanje aktivnosti u sportskim video zapisima.multimedija.Aplikacije alata https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Izazov mašinskog učenja u pedijatrijskom koštanom dobu.Radiology 290, 498–503 (2019).
Li, Y. et al.Forenzička procjena starosti na osnovu rendgenskih snimaka karlice koristeći duboko učenje.EURO.zračenje.29, 2322–2329 (2019).
Guo, YC, et al.Precizna starosna klasifikacija korištenjem ručnih metoda i dubokih konvolucijskih neuronskih mreža iz ortografskih projekcijskih slika.internacionalnost.J. Pravna medicina.135, 1589–1597 (2021).
Alabama Dalora i dr.Procjena koštane dobi korištenjem različitih metoda mašinskog učenja: sistematski pregled literature i meta-analiza.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., i Yang, J. Procjena starosne dobi Afroamerikanaca i Kineza specifične za populaciju na osnovu zapremine pulpne komore prvih kutnjaka korištenjem kompjuterizovane tomografije konusnog zraka.internacionalnost.J. Pravna medicina.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK i Oh KS Određivanje starosnih grupa živih ljudi pomoću slika prvih kutnjaka zasnovanih na umjetnoj inteligenciji.nauku.Izvještaj 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., i Urschler, M. Automatska procjena starosti i klasifikacija starosne dobi iz multivarijantnih MRI podataka.IEEE J. Biomed.Zdravstvena upozorenja.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. i Li, G. Procjena starosti zasnovana na segmentaciji 3D pulpne komore prvih molara iz kompjuterizovane tomografije konusnog zraka integracijom dubokog učenja i skupova nivoa.internacionalnost.J. Pravna medicina.135, 365–373 (2021).
Wu, WT, et al.Data mining u kliničkim velikim podacima: uobičajene baze podataka, koraci i modeli metoda.Svijet.lijek.resurs.8, 44 (2021).
Yang, J. et al.Uvod u medicinske baze podataka i tehnologije rudarenja podataka u eri velikih podataka.J. Avid.Osnovna medicina.13, 57–69 (2020).
Shen, S. et al.Kamererova metoda za procjenu starosti zuba pomoću mašinskog učenja.BMC Oralno zdravlje 21, 641 (2021).
Galliburg A. et al.Poređenje različitih metoda mašinskog učenja za predviđanje starosti zuba pomoću Demirdžijanove metode.internacionalnost.J. Pravna medicina.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Novi sistem za procjenu starosti zuba.frkni.biologija.45, 211–227 (1973).
Landis, JR, i Koch, GG Mere sporazuma posmatrača o kategoričkim podacima.Biometrija 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK i Choi HK.Teksturna, morfološka i statistička analiza dvodimenzionalne magnetne rezonancije tehnikama umjetne inteligencije za diferencijaciju primarnih tumora mozga.Zdravstvene informacije.resurs.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Vrijeme objave: Jan-04-2024