Hvala vam što ste posjetili prirodu.com. Verzija pretraživača koju koristite ima ograničenu podršku CSS-a. Za najbolje rezultate, preporučujemo upotrebu novije verzije vašeg pretraživača (ili isključivanje načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bi se osigurala stalna podrška, mi prikazujemo web mjesto bez oblikovanja ili JavaScript-a.
Zubi se smatraju najtačnijim pokazateljem starosti ljudskog tijela i često se koriste u forenzičkoj starosnoj procjeni. Ciljli smo da potvrdimo procene stomatološkog dentalnog doba zasnovane na bazi podataka uspoređujući preciznost procjene i klasifikacijskog učinka 18-godišnjeg praga s tradicionalnim metodama i procjenama starosti u rudarstvu. Iz korejskih i japanskih i japanskog građana prikupljeno je ukupno 2657 panoramskih radiografa. Podijeljeni su u skup treninga, a svaki sadrži 900 korejskih radiografa, te interni testni set koji sadrži 857 japanskih radiografa. Uporedili smo tačnost klasifikacije i efikasnost tradicionalnih metoda sa testnim skupovima modela rudanja podataka. Točnost tradicionalne metode u internom testnom skupu je nešto viša od modela rudarstva podataka, a razlika je mala (srednja apsolutna greška <0,21 godina, korijenska srednja greška <0,24 godine). Performanse klasifikacije za 18-godišnje rezonovanje također je slično između tradicionalnih metoda i modela rudanja podataka. Stoga se tradicionalne metode mogu zamijeniti modelima rudarskih podataka prilikom obavljanja forenzičke produkcije dob koristeći zrelost drugog i trećeg kutnjaka u korejskim adolescentima i mladim odraslim osobama.
Procjena stomatološke dobi široko se koristi u forenzičkoj medicini i pedijatrijskoj stomatologiji. Konkretno, zbog visoke korelacije između hronološke dobi i zubnog razvoja, starosna procjena stomatoloških razvojnih faza važan je kriterij za procjenu starosti djece i adolescenata1,2,3. Međutim, za mlade, procjenu stomatološke dobi na temelju stomatološkog zrelosti ima svoja ograničenja jer je zubni rast gotovo završen, osim trećih kutnjaka. Pravna svrha određivanja starosti mladih i adolescenata je pružanje tačnih procjena i naučnih dokaza da li su dostigli starost većine. U srednjoj pravnoj praksi adolescenata i mladih odraslih u Koreji procijenjena je Starost Korištenje Leejeve metode, a zakonski prag od 18 godina predviđen je na osnovu podataka koji su izvijestili o IT 5.
Mašinsko učenje je vrsta umjetne inteligencije (AI) koja više puta uči i klasificira velike količine podataka, rješava probleme sami i upravlja programiranje podataka. Mašinsko učenje može otkriti korisne skrivene uzorke u velikim količinama podataka6. Suprotno tome, klasične metode, koje su radno intenzivno i dugotrajno, mogu imati ograničenja kada se bave velikim količinama složenih podataka koje su teško obrađivati7. Stoga su mnoge studije provedene nedavno koristeći najnovije računarske tehnologije za minimiziranje ljudskih grešaka i efikasno procesuiranje višedimenzionalnih podataka8,9,10,11,12. Konkretno, duboko učenje je široko korišteno u analizi medicinske slike, a zabilježeno je različite metode za procjenu starosne procjene automatski analiziranje radiografa za poboljšanje tačnosti i efikasnosti procjene starosne procjene13,14,15,16,17,18,14,10,16,17,18,19,20 . Na primjer, Halabi i AL 13 razvio je algoritam mašinskog učenja na temelju konvolucionih neuronskih mreža (CNN) za procjenu skeletne dobi koristeći radiografije dječjih ruku. Ova studija predlaže model koji primjenjuje mašinsko učenje medicinskim slikama i pokazuje da ove metode mogu poboljšati dijagnostičku tačnost. Li et al14 Procijenjena dob iz karličnih rendgenskih slika pomoću dubokog učenja CNN-a i uporedila ih sa regresijskim rezultatima koristeći procjenu Ossefication Stage. Otkrili su da je dubok učenje CNN modela pokazao iste performanse procjene starosti kao tradicionalni regresijski model. GUO et al. Studija [15] ocijenila je performanse klasifikacije dobne tolerancije na CNN tehnologiju zasnovanu na zubnim ortofotovima, a rezultati modela CNN-a pokazali su se da su ljudi nadmašili svoj učinak razvrstavanja.
Većina studija o procjeni starosne procjene upotrebe mašinskog učenja koristite metode duboke učenje13,14,15,16,17,18,19,20. Izvještavanje o procjeni starosti temeljeno na dubokom učenju je tačnije od tradicionalnih metoda. Međutim, ovaj pristup pruža malu priliku za predstavljanje naučne osnove za procjene starosti, poput dobavljača starosti korištenih u procjenama. Postoji i pravni spor o tome ko provodi inspekcije. Stoga je procjena starosti temeljena na dubokom učenju teško prihvaća administrativne i pravosudne vlasti. Rudarstvo podataka (DM) je tehnika koja može otkriti ne samo da se ne očekuju, već i neočekivane informacije kao metoda za otkrivanje korisnih korelacija između velikih količina podataka6,21,22. Mašinsko učenje često se koristi u rudarstvu podataka i rudarstvo podataka i mašinsko učenje koriste iste ključne algoritme za otkrivanje obrazaca u podacima. Procjena starosne dobi koriste se zubni razvoj zasniva se na procjeni ispitivača do zrelosti ciljanih zuba, a ova procjena se izražava kao faza za svaki ciljni zub. DM se može koristiti za analizu korelacije između stomatološke faze procjene i stvarne dobi i ima potencijal za zamjenu tradicionalne statističke analize. Stoga, ako primjenjujemo DM tehnike u procjenu starosti, možemo implementirati mašinsko učenje u procjeni forenzičke dobi bez brige o pravnoj odgovornosti. Nekoliko komparativnih studija objavljeno je na mogućim alternativama na tradicionalne ručne metode koje se koriste u forenzičkoj praksi i metodama zasnovanim na EBM-u za određivanje stomatološkog doba. Shen et al23 pokazao je da je DM model precizniji od tradicionalne formule kamera. Galiburg i AL24 primijenio je različite DM metode za predviđanje starosti prema demirdjian kriteriji25, a rezultati su pokazali da je DM metoda nadmašio metode Demirdžijana i WilleMS-a u procjeni starosti francuskog stanovništva.
Procijeniti stomatološku starost korejskih adolescenata i mladih odraslih, Leejeva metoda 4 široko se koristi u korejskoj forenzičkoj praksi. Ova metoda koristi tradicionalnu statističku analizu (poput višestruke regresije) za ispitivanje odnosa između korejskih subjekata i hronološkog doba. U ovoj studiji metode procjene starosti dobivene korištenjem tradicionalnih statističkih metoda definiraju se kao "tradicionalne metode". Leejeva metoda je tradicionalna metoda, a njegova tačnost potvrdila je OH i sur. 5; Međutim, primjenjivost procjene starosti na temelju DM modela u korejskoj forenzičkoj praksi i dalje je upitna. Naš cilj je bio naučno da potvrdimo potencijalnu korisnost procjene starosne dobi zasnovana na DM modelu. Svrha ove studije bila je (1) da uporedi tačnost dva DM modela u procjeni stomatološkog doba i (2) da uporede performanse klasifikacije od 7 DM modela u dobi od 18 godina s dobivenim tradicionalnim statističkim metodama dospijeća sekunde i treći kutnjaci u obje čeljusti.
Sredstva i standardna odstupanja hronološkog doba po fazi i vrstu zuba prikazani su na mreži u dodatnom tablici S1 (set za obuku), dodatna tablica S2 (interni testni set) i dodatni test). Vrijednosti KAPPA za pouzdanost unutar i interijervera dobivene iz skupa treninga iznosile su 0,951 i 0,947. P Vrijednosti i 95% intervali pouzdanosti za KappA vrijednosti prikazani su u internetskoj dodatnoj tablici S4. Vrijednost Kappe bila je tumačena kao "gotovo savršena", u skladu sa kriterijima Landis i Koch26.
Kada uspoređuju srednju apsolutnu grešku (MAE), tradicionalna metoda lagano nadmašuje DM model za sve spojke i u vanjskom mužjskom testnom setu, s izuzetkom višeslojnog perceptrona (MLP). Razlika između tradicionalnog modela i DM modela na unutrašnjem MAE testnom skupu bila je 0,12-0,19 godina za muškarce i 0,17-0,21 godine za žene. Za vanjsku testnu bateriju razlike su manje (0,001-0,05 godina za muškarce i 0,05-0,09 godina za žene). Uz to, korijenski znak kvadratne greške (RMSE) malo je niža od tradicionalne metode, s manjim razlikama (0,17-0,24, 0,2-0,24 za muški interni testni set i 0,03-0,07, 0,04-0,08 za vanjski testni set). ). MLP pokazuje malo bolje performanse od pojedinačnih perceptrona (SLP), osim u slučaju ženskog vanjskog testa. Za MAE i RMSE, vanjski testni set postiže veći od internog ispitivanja za sve spojke i modele. Svi Mae i RMSE prikazani su u tablici 1 i slici 1.
MAE i RMSE iz tradicionalnih i podatkovnih regresijskih modela. Srednja apsolutna greška Mae, korijenski srednji kvadratni grešku RMSE, jednosloj Perceptron SLP, višeslojni perceptron MLP, tradicionalna CM metoda.
Performansi klasifikacije (sa izrezom od 18 godina) tradicionalnih i DM modela pokazalo se u smislu osjetljivosti, specifičnosti, pozitivne prediktivne vrijednosti (PPV), negativne prediktivne vrijednosti (NPV) i površine u okviru prijemnika (AUROC) 27 (Tabela 2, slika 2 i dopunska slika 1 na mreži). U pogledu osjetljivosti interne testne baterije, tradicionalne metode su najbolje izvršile među muškarcima i još gore među ženama. Međutim, razlika u klasifikacijskom učinku između tradicionalnih metoda i SD-a iznosi 9,7% za muškarce (MLP) i samo 2,4% za žene (XGBoost). Među DM modelima, logistička regresija (LR) pokazala je bolju osjetljivost u oba spola. Što se tiče specifičnosti internog testnog skupa, primijećeno je da su četiri SD modela dobro provodili u muškarcima, dok je tradicionalni model učinio boljim u ženama. Razlike u klasifikacijskom učinku za muškarce i žene su 13,3% (MLP), odnosno 13,1% (MLP), ukazujući na to da razlika u klasifikacijskom učinku između modela prelazi osjetljivost. Među DM modelima, vektorskim strojem (SVM), stablo odluke (DT), i slučajni šuma (RF) modeli su najbolji među mužjacima, dok je LR model najbolji među ženki. AUROC tradicionalnog modela i svih SD modela bio je veći od 0,925 (K-Najbliža susjeda (KNN) u muškarcima), pokazujući izvrsne klasifikacijske performanse u diskriminaciji 18-godišnjih uzoraka28. Za vanjski testni set došlo je do smanjenja klasifikacijskog učinka u pogledu osjetljivosti, specifičnosti i Auroća u odnosu na interni testni set. Štaviše, razlika u osjetljivosti i specifičnosti između klasifikacijskih performansi najboljih i najgorih modela kretala se u rasponu od 10% na 25% i bila je veća od razlike u internom skupu testa.
Osjetljivost i specifičnost modela klasifikacije podataka u odnosu na tradicionalne metode s prekidom od 18 godina. KNN K Najbliži susjed, vektorska mašina za podršku SVM, LR logistička regresija, DT Drvo odlučivanja, RF slučajna šuma, XGB XGBoost, MLP multilayer perceptron, tradicionalna CM metoda.
Prvi korak u ovoj studiji bio je usporedba preciznosti procjene stomatološke dobi dobivena od sedam DM modela s dobivenim korištenjem tradicionalne regresije. Mae i RMSE ocijenjeni su u internim testnim setovima za oba spola, a razlika između tradicionalne metode i modela DM-a kretali su se od 44 do 77 dana za MAE i od 62 do 88 dana za RMSE. Iako je tradicionalna metoda bila nešto tačnija u ovoj studiji, teško je zaključiti da li takva mala razlika ima klinički ili praktični značaj. Ovi rezultati ukazuju na to da je tačnost procene stomatološke dobi pomoću DM modela gotovo jednaka kao u tradicionalnoj metodi. Direktna usporedba s rezultatima prethodnih studija je teška jer nijedna studija nije uspoređena tačnost DM modela s tradicionalnim statističkim metodama koristeći istu tehniku snimanja zuba u istom rasponu starosti u ovom istraživanju. Galiburg et AL24 u usporedbi su i RMSE između dvije tradicionalne metode (Demirian metoda25 i metoda WilleMS29) i 10 DM modela u francuskom stanovništvu u dobi od 2 do 24 godine. Izvijestili su da su svi DM modeli bili precizniji od tradicionalnih metoda, s razlikama od 0,20 i 0,38 godina u MAE i 0,25 i 0,47 godina u RMS-u u odnosu na Willems i Demirdjian metode, respektivno. Odstupanje između modela SD-a i tradicionalnih metoda prikazanih u studiji Halibourg uzima u obzir brojne izvještaje30,31,32,33 da Demirdjian metoda ne procjenjuje stomatološku dob u populaciji osim francuskih Kanađana na kojima je zasnovana na francuskim kanadima. u ovoj studiji. Tai i AL 34 koristili su algoritam MLP-a za predviđanje zuba iz 1636. kineske ortodontske fotografije i uspoređivala je njegova tačnost s rezultatima Demirjian i WilleMS metode. Izvijestili su da MLP ima veću tačnost od tradicionalnih metoda. Razlika između demirdjian metode i tradicionalne metode je <0,32 godine, a metoda WilleMS-a je 0,28 godina, što je slično rezultatima ove studije. Rezultati ovih prethodnih studija24,34 također su u skladu s rezultatima ove studije, a tačnost procjene starosne procjene DM modela i tradicionalne metode su slični. Međutim, na osnovu predstavljenih rezultata možemo samo oprezno zaključiti da upotreba DM modela u procjenu starosti može zamijeniti postojeće metode zbog nedostatka komparativne i referentne prethodne studije. Za potvrdu rezultata dobivenih u ovoj studiji potrebne su prateće studije koje koriste veće uzorke.
Među ispitivanjem testiranja tačnosti SD-a u procjeni stomatološkog doba, neki su pokazali veću tačnost od naše studije. Stepanovsky i AL 35 je primijenio 22 SD modele panoramskim radiografcima od 976 čeških stanovnika u dobi od 2,7 do 20,5 godina i testirali su tačnost svakog modela. Procijenili su razvoj ukupno 16 gornjih i donjih stalnih zuba koji koriste kriterije klasifikacije koji su predložili Mooroes i al 36. Mae se kreće od 0,64 do 0,94 godine, a RMSE se kreće od 0,85 do 1,27 godina, koji su tačniji od dva DM modela koji se koriste u ovoj studiji. Shen et al23 koristila je metodu kamerire za procjenu stomatološkog stanja od sedam trajnih zuba u lijevoj mandiklu u istočnim kineskim stanovnicima u dobi od 5 do 13 godina, a u poređenju s godinama procijenjenim linearnim regresijom, SVM i RF. Pokazali su da sva tri modela DM imaju veću tačnost u odnosu na tradicionalnu kameriere formulu. Mae i RMSE u Shen-ovoj studiji bili su niži od onih u DM modelu u ovoj studiji. Povećana preciznost studija Stepanovsky i sur. 35 i Shen i dr. 23 može biti zbog uključivanja mlađih subjekata u njihove uzorke studije. Budući da su procjene starosti za sudionike s razvojem zuba postaju tačniji kao broj zuba tokom zubnog razvoja, tačnost nastalih metoda procjene dob može biti ugrožena kada su učesnici studije mlađi. Uz to, Greška MLP-a u procjeni starosne dobi je nešto manja od SLP-a, što znači da je MLP precizniji od SLP-a. MLP se malo bolje smatra za procjenom starosti, možda zbog skrivenih slojeva u MLP38. Međutim, postoji izuzetak za vanjski uzorak žena (SLP 1,45, MLP 1.49). Otkrivanje da je MLP precizniji od SLP-a u procjeni starosti zahtijeva dodatne retrospektivne studije.
Također je upoređen performanse klasifikacije DM modela i tradicionalna metoda na 18-godišnjem pragu. Svi testirani SD modeli i tradicionalne metode na internom testnom skupu pokazali su praktično prihvatljive razine diskriminacije za 18-godišnji uzorak. Osjetljivost za muškarce i žene bila je veća od 87,7%, odnosno 94,9%, a specifičnost je bila veća od 89,3% i 84,7%. Auroc svih testiranih modela također prelazi 0,925. Koliko nam je poznato, nijedno istraživanje nije testiralo performanse DM modela za 18-godišnju klasifikaciju na osnovu stomatološke zrelosti. Rezultati ove studije možemo uporediti s klasifikacijskim performansama dubokih modela učenja na panoramskim radiografcima. GUO et al.15 izračunao je izvedbu klasifikacijskih performansi CNN-a zasnovanog na dubokom učenju i ručnom metodu zasnovan na Demirjian-ovoj metodi za određeni dobni prag. Osjetljivost i specifičnost ručnog metode bili su 87,7%, odnosno 95,5%, odnosno osjetljivost i specifičnost CNN modela premašila su 89,2%, odnosno 86,6%. Zaključili su da modeli dubokog učenja mogu zamijeniti ili nadmašiti ručnu procjenu u klasificiranim pragovima. Rezultati ove studije pokazali su slične klasifikacijske performanse; Vjeruje se da klasifikacija pomoću DM modela može zamijeniti tradicionalne statističke metode za procjenu starosne dobi. Među modelima, DM LR je bio najbolji model u pogledu osjetljivosti za muški uzorak i osjetljivost i specifičnost za ženski uzorak. LR je na drugom mjestu u specifičnosti za muškarce. Štaviše, LR se smatra jednim od korisnijih modela koji su korisniji DM35 i manje je složen i težak za obradu. Na osnovu tih rezultata, LR je smatrao najboljim modelom klasifikacije rezona za 18-godišnjake u korejskom stanovništvu.
Sveukupno, tačnost procjene starosne procjene ili klasifikacije na vanjskom testnom skupu bila je loša ili niža u odnosu na rezultate na internom testnom skupu. Neki izvještaji ukazuju na to da se tačnost ili efikasnost klasifikacije smanjuje kada se procjene starosti na temelju korejskog stanovništva primjenjuju na japansko stanovništvo5, a slični obrazac pronađen je u ovom istraživanju. Ovaj trend pogoršanja primijećen je i u modelu DM-a. Stoga, da precizno procjenjuju dob, čak i kada se koristi DM u procesu analize, metode izvedene iz matičnih podataka stanovništva, poput tradicionalnih metoda, trebaju biti preferirani5,39,40,41,42. Budući da je nejasno da li su potrebni modeli dubokog učenja, studije koje uspoređuju tačnost klasifikacije i efikasnost koristeći tradicionalne metode, DM modele i duboke modele učenja na istim uzorcima mogu prevladati ove rasne razlike u ograničenoj dobi. Procjene.
Pokazujemo da se tradicionalne metode mogu zamijeniti procjenom starosne dobi na temelju DM modela u predviđenju forenzičke procjene u Koreji. Otkrili smo i mogućnost provedbe mašinskog učenja za procjenu forenzičke dobi. Međutim, postoje jasna ograničenja, poput nedovoljnog broja sudionika u ovoj studiji da definitivno određuju rezultate i nedostatak prethodnih studija za usporedbu i potvrđivanje rezultata ove studije. U budućnosti treba provesti DM studije s većim brojem uzoraka i raznolikih stanovništva za poboljšanje njegove praktične primjene u odnosu na tradicionalne metode. Da bismo potvrdili izvodljivost korištenja umjetne inteligencije za procjenu starosti u više populaciji, buduće studije potrebne su za usporedbu tačnosti klasifikacije i efikasnost modela DM i dubokih učenja s tradicionalnim metodama u istim uzorcima.
Studija je koristila 2.657 ortografskih fotografija sakupljenih od korejskih i japanskih odraslih u dobi od 15 do 23 godine. Korejski radiografi su podijeljeni u 900 skupova treninga (19,42 ± 2,65 godina) i 900 internih testnih skupova (19,52 ± 2,59 godina). Set treninga prikupljen je u jednoj instituciji (Seoul St. Mary's bolnica), a vlastiti testni set prikupljen je u dvije institucije (Stomatološka bolnica Seoul Nacionalna univerziteta i zubne bolnice u Yonseiju). Također smo prikupili 857 radiograma iz još jednog broja podataka u osnovanju stanovništva (Iwate Medical University, Japan) za vanjsko testiranje. Kao vanjski testni set su odabrani radiografi sa japanskim subjektima (19,31 ± 2,60 godina). Podaci su prikupljeni retrospektivno kako bi analizirali faze stomatološkog razvoja na panoramskim radiografskim radiografima snimljene tokom stomatološkog tretmana. Svi prikupljeni podaci bili su anonimni, osim roda, datum rođenja i datum radiografa. Kriteriji za uključivanje i isključenje bili su isti kao i prethodno objavljene studije 4, 5. Stvarna starost uzorka izračunata je oduzimanjem datuma rođenja iz datuma je uzeta radiograf. Uzorka grupa podijeljena je u devet starosnih grupa. Starost i seks distribucije prikazane su u tablici 3 Ovo istraživanje provedeno je u skladu s Deklaracijom Helsinkija i odobrio je odbor za institucionalni pregled (IRB) BOLNICE SEOL-a u Koreji (KC22WISI0328). Zbog retrospektivnog dizajna ove studije, informirani pristanak nije mogao biti dobiven od svih pacijenata koji prolaze radiografski ispit za terapijske svrhe. Univerzitet u Seulu Koreju, bolnica Svetog Marije (IRB) odustala je od zahtjeva za informirani pristanak.
Porodice razvoja bimaxillarnog drugog i trećeg molara ocijenjeni su prema kriterijima Demircana25. Odabran je samo jedan zub ako je na lijevoj i desnoj strani svake čeljusti pronađena ista vrsta zuba na lijevoj i desnoj strani svake čeljusti. Ako su homologni zubi s obje strane bili u različitim razvojnim fazama, zub s manjim razvojnim fazom odabrani su za objavljivanje nesigurnosti u procijenjenoj dobi. Sto nasumično odabranim radiografima iz skupa treninga postiglo je dva iskusna promatrača za testiranje pouzdanosti internetskih usluga nakon prekalibracije za određivanje faze stomatološke zrelosti. Pouzdanost intraobServera procijenjena je dva puta u tri mjeseca intervala od strane primarnog posmatrača.
Seks i razvojna faza drugog i trećeg molara svake čeljusti u skupu obuke procijenila je primarni promatrač koji su obučeni sa različitim DM modelima, a stvarna dob postavljena je kao ciljna vrijednost. Protiv regresijskih algoritma su testirani modeli SLP-a i MLP-a koji se široko koriste u mašinskom učenju. DM model kombinira linearne funkcije pomoću razvojnih faza četiri zuba i kombinira ove podatke za procjenu starosti. SLP je najjednostavnija neuronska mreža i ne sadrži skrivene slojeve. SLP radi na bazi praga prijenosa između čvorova. SLP model u regresiji je matematički sličan višestruku linearnu regresiju. Za razliku od SLP modela, MLP model ima više skrivenih slojeva sa nelinearnim funkcijama za aktivaciju. Naši eksperimenti koristili su skriveni sloj sa samo 20 skrivenih čvorova s nelinearnim funkcijama za aktivaciju. Koristite gradijent silazak kao metodu optimizacije i MAE i RMSE kao funkcija gubitka za obuku našeg modela mašinskog učenja. Najbolji dobiveni regresijski model primijenjen je na unutrašnje i vanjske ispitne setove i procijenjena je doba zuba.
Razvijen je algoritam klasifikacije koji koristi zrelost četiri zuba na treningu za predviđanje da li je uzorak 18 godina ili ne. Da biste izgradili model, izvedeli smo algoritms sa sedam reprezentacijskih mašina6,43: (1) lr, (2) knn, (3) SVM, (5) DT, (6) XGBoost i (7) MLP . LR je jedan od najčešće korištenih algoritmi za klasifikaciju44. To je nadziran algoritam za učenje koji koristi regresiju kako bi predvidio vjerojatnost podataka koji pripadaju određenoj kategoriji od 0 do 1 i klasificira podatke kao pripadnost veću vjerovatnost na osnovu ove vjerojatnosti; uglavnom se koristi za binarnu klasifikaciju. Knn je jedan od najjednostavnijih algoritma za mašinsko učenje4545. Kada se date nove ulazne podatke, pronalazi k podatke u blizini postojećeg skupa, a zatim ih klasificira u klasu s najvišom frekvencijom. Smjestili smo 3 za broju susjeda (k). SVM je algoritam koji maksimizira udaljenost između dvije klase pomoću funkcije kernela za proširenje linearnog prostora u nelinearni prostor nazvan polja46. Za ovaj model koristimo pristranost = 1, napajanje = 1, a gama = 1 kao hiperparametre za polinoma kernel. DT je primijenjen u raznim poljima kao algoritam za podjelu čitavih podataka postavljenih u nekoliko podskupina za predstavljanje pravila odluke u strukturi drveća47. Model je konfiguriran sa minimalnim brojem zapisa po čvoru 2 i koristi Gini indeks kao mjeru kvalitete. RF je cjelovita metoda koja kombinira više DTS-a za poboljšanje performansi pomoću metode agregacije Bootstrap koji stvara slab klasifikator za svaki uzorak nasumično crtanje uzoraka iste veličine više puta iz originalnog skupa podataka48. Koristili smo 100 stabala, 10 dubina drveća, 1 minimalni veličinu čvora i indeksa Gini dodavanja kao kriterije odvajanja čvora. Klasifikacija novih podataka određuje se većinom glasova. XGBoost je algoritam koji kombinuje tehnike pojačanja pomoću metode koja zahtijeva kao podatke o treningu Greška između stvarnih i predviđenih vrijednosti prethodnog modela i povećanja pogreške pomoću gradijenata49. To je široko korišten algoritam zbog dobre performanse i efikasnosti resursa, kao i visoku pouzdanost kao funkciju korekcije korica. Model je opremljen sa 400 potpornih točkova. MLP je neuronska mreža u kojoj jedna ili više percepcija formiraju više slojeva s jednim ili više skrivenih slojeva između ulaznih i izlaznih slojeva38. Koristeći ovo, možete izvesti nelinearnu klasifikaciju gdje kada dodate ulazni sloj i ostvarite vrijednost rezultata, predviđena vrijednost rezultata uspoređuje se s stvarnim vrijednostima rezultata i greška se propagira. Stvorili smo skriveni sloj sa 20 skrivenih neurona u svakom sloju. Svaki model koji smo razvili bio je primijenjen na unutrašnje i vanjske setove za ispitivanje performansi klasifikacije izračunavanjem osjetljivosti, specifičnosti, PPV-a, NPV-a i Auroc-a. Osjetljivost je definirana kao omjer uzorka koji se procjenjuje da je stariji od 18 godina ili stariji u uzorak koji se procjenjuje da je 18 ili više godina. Specifičnost je udio uzoraka mlađih od 18 godina i onih koji se procjenjuju da su mlađi od 18 godina.
Stomatološke faze ocijenjene u skupu obuke pretvorene su u numeričke faze za statističku analizu. Multivarijantna linearna i logistička regresija izvršena su za razvoj prediktivnih modela za svaki spol i izvedeni regresijski formula koji se mogu koristiti za procjenu starosti. Koristili smo ove formule za procjenu zuba i za unutarnje i vanjske ispitne setove. Tabela 4 prikazuje modele regresije i klasifikacije koji se koriste u ovoj studiji.
Pouzdanost unutar i interijerver izračunata je korištenjem COHEN-ove statistike Kappa. Da bismo testirali tačnost DM i tradicionalnih regresijskih modela, izračunali smo MAE i RMSE koristeći procijenjene i stvarne dob unutarnjih i vanjskih testnih skupova. Te se greške obično koriste za procjenu tačnosti predviđanja modela. Što je manja greška, veća je tačnost prognoze24. Uporedite MAE i RMSE unutarnjih i vanjskih testnih skupova izračunati pomoću DM-a i tradicionalne regresije. Izvođenje klasifikacije 18-godišnjeg prekida u tradicionalnoj statistici procijenjeno je korištenjem tablice nepredviđene tablice 2 × 2. Izračunata osjetljivost, specifičnost, PPV, NPV i AUROC testnog skupa uspoređeni su s izmjerenim vrijednostima modela klasifikacije DM-a. Podaci se izražavaju kao srednje ± standardno odstupanje ili broj (%), ovisno o karakteristikama podataka. Dvostrane p vrijednosti <0,05 smatralo se statistički značajnim. Sve rutinske statističke analize izvršene su pomoću SAS verzije 9.4 (SAS Institute, Cary, NC). DM regresijski model implementiran je u Pythonu pomoću KeraS50 2.2.4 Backs i Tensorflow51 1.8.0 posebno za matematičke operacije. Model klasifikacije DM implementiran je u okruženju za analizu znanja Waikato i Konstanz Information Miner (Knime) 4.6.152 platformom za analizu.
Autori priznaju da podaci koji podržavaju zaključke studije mogu se naći u članku i dopunskim materijalima. Dobiveni podaci generirani i / ili analizirani tokom studije dostupni su od odgovarajućeg autora na razumnom zahtjevu.
Ritz-Timme, S. et al. Procjena starosne dobi: stanje umjetnosti 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 starosne procjene životnih subjekata za potrebe krivičnih gonjenja. Forenzičari. lijek. Patologija. 1, 239-246 (2005).
Pan, J. i dr. Izmijenjena metoda za procjenu stomatološkog doba djece u dobi od 5 do 16 godina u istočnoj Kini. Klinička. Oralno istraživanje. 25, 3463-3474 (2021).
LEE, SS itd. Hronologija razvoja drugog i trećeg kutnjaka u Korejcima i njegova primjena za forenzičku starosnu procjenu. Internacionalnost. J. Pravni lijek. 124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, Sy i Lee, SS tačnost procjene starosne dobi i procjena 18-godišnjeg praga na temelju dospijeća drugog i trećeg kutnjaka na korejskim i japancima. Plos One 17, E0271247 (2022).
Kim, JY, i dr. Predoperativna analiza podataka na bazi učinjavanja može predvidjeti ishod tretmana hirurgije sa spavanjem kod pacijenata sa OSA-om. nauka. Izveštaj 11, 14911 (2021).
Han, M. i dr. Precizna procjena starosne dobi sa mašinske učenje sa ili bez ljudske intervencije? Internacionalnost. J. Pravna medicina. 136, 821-831 (2022).
Khan, S. i Shaheen, M. iz rudanja podataka za rudarstvo podataka. J.Informacija. nauka. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. Wisule: Prvi kognitivni algoritam za rudarstvo pravila udruženja. J.Informacija. nauka. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Tradicionalni miniranje podataka na osnovu pravila udruženja utemeljenosti na kontekstu. Izračunajte. Matt. Nastavite. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. i Habib M. DEEP SEMANTIC SIMANTICNO RAZMENE SLIKE KORIŠTENJE POMOĆI TEKSNIH PODATAKA. informirati. Tehnologije. Kontrola. https://doi.org/10.5755/J01.itc.49.4.27118 (2020).
Tabhish, M., Tanoli, Z. i Shahin, M. sistem za prepoznavanje aktivnosti u sportskim video zapisima. Multimedija. Aplikacije za alate https://doi.org/10.1007/S11042-021-10519-6 (2021).
Halabi, SS i sur. RSNA mašinska učenje izazov u pedijatrijskoj kosti dob. Radiologija 290, 498-503 (2019).
Li, Y. i sur. Procjena forenzičke dobi od rendgenskih zraka iz karlika pomoću dubokog učenja. Euro. Zračenje. 29, 2322-2329 (2019).
GUO, YC, i dr. Precizna sposobnost klasifikacija pomoću ručnih metoda i dubokih konvolucionih neuronskih mreža iz slika ortografske projekcije. Internacionalnost. J. Pravna medicina. 135, 1589-1597 (2021).
Alabama Dalora i dr. Procjena od kostiju korištenjem različitih metoda za učenje mašina: sustavna recenzija literature i meta-analize. Plos One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. i Yang, J. Procjena starosne dobi specifične za stanovništvo i Kineze na bazi komore za pulpu za prve kutnjake koristeći konusnu tomografiju. Internacionalnost. J. Pravna medicina. 136, 811-819 (2022).
Kim S., Lee Yh, Noh YK, Park FK i OH KS određujući starosne grupe živih ljudi koristeći umjetne inteligencijske slike prvih kutnjaka. nauka. Izveštaj 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. i Urschler, M. Automatska procjena starosne procjene i većinska dobna klasifikacija 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 komore pulpe iz prvih kutnjaka iz konusne komore izračunave tomografije integrirajući setove dubokog učenja i nivoa. Internacionalnost. J. Pravni lijek. 135, 365-373 (2021).
Wu, Wt, i dr. Rudar podataka u kliničkim velikim podacima: zajedničke baze podataka, koraci i modeli metoda. Svijet. lijek. Resurs. 8, 44 (2021).
Yang, J. i dr. Uvod u medicinske baze podataka i tehnologije za rudarstvo podataka u ERA-e za velike podatke. J. Avid. Osnovna medicina. 13, 57-69 (2020).
Shen, S. et al. Metoda kamera za procjenu zubnih dob pomoću uređaja za učenje. BMC oralno zdravlje 21, 641 (2021).
Galliburg A. i dr. Poređenje različitih metoda mašinskog učenja za predviđanje stomatološkog doba pomoću metode Demirdjian Stil. Internacionalnost. J. Pravni lijek. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Novi sistem za procjenu stomatološkog doba. Snort. Biologija. 45, 211-227 (1973).
Landis, JR i Koch, GG mjere promatračkog sporazuma o kategoričkim podacima. Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK i Choi HK. Teksturalna, morfološka i statistička analiza dvodimenzionalne magnetske rezonancije koristeći tehnike umjetne inteligencije za diferencijaciju primarnih tumora mozga. Zdravstvene informacije. Resurs. https://doi.org/10.4258/HIR.2022.28.1.46 (2022).
Vrijeme pošte: januar-04-2024