Hvala vam što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu CSS podršku. Za najbolje rezultate, preporučujemo korištenje novije verzije vašeg preglednika (ili isključivanje načina kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazujemo stranicu bez stiliziranja ili JavaScripta.
Zubi se smatraju najtačnijim pokazateljem starosti ljudskog tijela i često se koriste u forenzičkoj procjeni starosti. Cilj nam je bio validirati procjene starosti zuba zasnovane na data miningu upoređujući tačnost procjene i performanse klasifikacije praga od 18 godina sa tradicionalnim metodama i procjenama starosti zasnovanim na data miningu. Ukupno je prikupljeno 2657 panoramskih rendgenskih snimaka od korejskih i japanskih građana starosti od 15 do 23 godine. Podijeljeni su u skup za obuku, od kojih svaki sadrži 900 korejskih rendgenskih snimaka, i interni testni skup koji sadrži 857 japanskih rendgenskih snimaka. Uporedili smo tačnost klasifikacije i efikasnost tradicionalnih metoda sa testnim skupovima modela data mininga. Tačnost tradicionalne metode na internom testnom skupu je nešto veća od tačnosti modela data mininga, a razlika je mala (srednja apsolutna greška <0,21 godina, srednja kvadratna greška <0,24 godine). Performanse klasifikacije za granicu od 18 godina su takođe slične između tradicionalnih metoda i modela data mininga. Stoga se tradicionalne metode mogu zamijeniti modelima rudarenja podataka prilikom forenzičke procjene dobi korištenjem zrelosti drugih i trećih kutnjaka kod korejskih adolescenata i mladih odraslih osoba.
Procjena dentalne dobi se široko koristi u sudskoj medicini i dječjoj stomatologiji. Posebno zbog visoke korelacije između hronološke dobi i razvoja zuba, procjena dobi prema fazama razvoja zuba važan je kriterij za procjenu dobi djece i adolescenata1,2,3. Međutim, za mlade ljude, procjena dentalne dobi na osnovu zrelosti zuba ima svoja ograničenja jer je rast zuba gotovo završen, s izuzetkom trećih kutnjaka. Pravna svrha određivanja dobi mladih ljudi i adolescenata je pružanje tačnih procjena i naučnih dokaza o tome da li su dostigli punoljetstvo. U medicinsko-pravnoj praksi adolescenata i mladih odraslih osoba u Koreji, dob je procijenjena korištenjem Leejeve metode, a zakonski prag od 18 godina predviđen je na osnovu podataka koje su izvijestili Oh i saradnici5.
Mašinsko učenje je vrsta vještačke inteligencije (AI) koja više puta uči i klasificira velike količine podataka, samostalno 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 pri radu s velikim količinama složenih podataka koje je teško ručno obraditi7. Stoga su nedavno provedene mnoge studije korištenjem najnovijih računarskih tehnologija kako bi se minimizirale ljudske greške i efikasno obradili višedimenzionalni podaci8,9,10,11,12. Posebno se duboko učenje široko koristi u analizi medicinskih slika, a zabilježeno je da različite metode za procjenu starosti automatskom analizom rendgenskih snimaka poboljšavaju tačnost i efikasnost procjene starosti13,14,15,16,17,18,19,20. Na primjer, Halabi i saradnici13 razvili su algoritam mašinskog učenja zasnovan na konvolucijskim neuronskim mrežama (CNN) za procjenu starosti skeleta korištenjem rendgenskih snimaka dječjih ruku. Ova studija predlaže model koji primjenjuje mašinsko učenje na medicinske slike i pokazuje da ove metode mogu poboljšati dijagnostičku tačnost. Li i saradnici14 procijenili su starost na osnovu rendgenskih snimaka karlice koristeći CNN dubokog učenja i uporedili ih sa rezultatima regresije korištenjem procjene stadija osifikacije. Otkrili su da model CNN dubokog učenja pokazuje iste performanse procjene starosti kao i tradicionalni regresijski model. Studija Guoa i saradnika [15] procijenila je performanse klasifikacije tolerancije starosti CNN tehnologije na osnovu dentalnih ortofoto snimaka, a rezultati CNN modela dokazali su da ljudi nadmašuju njene performanse klasifikacije starosti.
Većina studija o procjeni starosti korištenjem mašinskog učenja koristi metode dubokog učenja13,14,15,16,17,18,19,20. Procjena starosti zasnovana na dubokom učenju se smatra tačnijom od tradicionalnih metoda. Međutim, ovaj pristup pruža malo mogućnosti za predstavljanje naučne osnove za procjene starosti, kao što su indikatori starosti korišteni u procjenama. Postoji i pravni spor oko toga ko provodi inspekcije. Stoga je procjenu starosti zasnovanu na dubokom učenju teško prihvatiti od strane administrativnih i sudskih vlasti. Rudarenje podataka (DM) je tehnika koja može otkriti ne samo očekivane već i neočekivane informacije kao metoda za otkrivanje korisnih korelacija između velikih količina podataka6,21,22. Mašinsko učenje se često koristi u rudarenju podataka, a i rudarenje podataka i mašinsko učenje koriste iste ključne algoritme za otkrivanje obrazaca u podacima. Procjena starosti korištenjem razvoja zuba zasniva se na procjeni ispitivača o zrelosti ciljanih zuba, a ova procjena se izražava kao stadij za svaki ciljani zub. DM se može koristiti za analizu korelacije između stadija procjene zuba i stvarne starosti i ima potencijal da zamijeni tradicionalnu statističku analizu. Stoga, ako primijenimo DM tehnike na procjenu starosti, možemo implementirati mašinsko učenje u forenzičkoj procjeni 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-u za određivanje dentalne starosti. Shen i saradnici23 pokazali su da je DM model tačniji od tradicionalne Camererove formule. Galibourg i saradnici24 primijenili su različite DM metode za predviđanje starosti prema Demirdjianovom kriteriju25, a rezultati su pokazali da je DM metoda nadmašila Demirdjianovu i Willemsovu metodu u procjeni starosti francuskog stanovništva.
Za procjenu dentalne dobi korejskih adolescenata i mladih odraslih osoba, 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 dobi. U ovoj studiji, metode procjene dobi dobijene korištenjem tradicionalnih statističkih metoda definirane su kao "tradicionalne metode". Leejeva metoda je tradicionalna metoda, a njenu tačnost potvrdili su Oh i saradnici 5; međutim, primjenjivost procjene dobi na osnovu DM modela u korejskoj forenzičkoj praksi je još uvijek upitna. Naš cilj je bio naučno potvrditi potencijalnu korisnost procjene dobi na osnovu DM modela. Svrha ove studije bila je (1) uporediti tačnost dva DM modela u procjeni dentalne dobi i (2) uporediti performanse klasifikacije 7 DM modela u dobi od 18 godina s onima dobijenim korištenjem tradicionalnih statističkih metoda. Zrelost drugih i trećih kutnjaka u obje vilice.
Srednje vrijednosti i standardne devijacije hronološke starosti po stadiju i vrsti zuba prikazane su online u Dodatnoj tabeli S1 (skup za obuku), Dodatnoj tabeli S2 (interni skup za testiranje) i Dodatnoj tabeli S3 (eksterni skup za testiranje). Kappa vrijednosti za intra- i inter-posmatračku pouzdanost dobijene iz skupa za obuku bile su 0,951 i 0,947, respektivno. P-vrijednosti i 95% intervali pouzdanosti za kappa vrijednosti prikazani su u online dodatnoj tabeli S4. Kappa vrijednost je interpretirana kao "gotovo savršena", u skladu s kriterijima Landisa i Kocha26.
Prilikom poređenja srednje apsolutne greške (MAE), tradicionalna metoda neznatno nadmašuje DM model za sve spolove i u eksternom muškom testnom skupu, s izuzetkom višeslojnog perceptrona (MLP). Razlika između tradicionalnog modela i DM modela na internom MAE testnom skupu bila je 0,12–0,19 godina za muškarce i 0,17–0,21 godina za žene. Za eksternu bateriju testova, razlike su manje (0,001–0,05 godina za muškarce i 0,05–0,09 godina za žene). Osim toga, srednja kvadratna greška (RMSE) je neznatno niža od tradicionalne metode, s manjim razlikama (0,17–0,24, 0,2–0,24 za muški interni testni skup i 0,03–0,07, 0,04–0,08 za eksterni testni skup). MLP pokazuje neznatno bolje performanse od jednoslojnog perceptrona (SLP), osim u slučaju ženskog eksternog testnog skupa. Za MAE i RMSE, eksterni testni set ima više rezultate od internog testnog seta za sve spolove i modele. Svi MAE i RMSE prikazani su u Tabeli 1 i Slici 1.
MAE i RMSE tradicionalnih i data mining regresijskih modela. Srednja apsolutna greška MAE, srednja kvadratna greška RMSE, jednoslojni perceptron SLP, višeslojni perceptron MLP, tradicionalna CM metoda.
Klasifikacijske performanse (s graničnom vrijednosti 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 ROC (AUROC) 27 (Tabela 2, Slika 2 i Dopunska slika 1 online). Što se tiče osjetljivosti interne baterije testova, tradicionalne metode su postigle najbolje rezultate među muškarcima, a lošije među ženama. Međutim, razlika u klasifikacijskim performansama između tradicionalnih metoda i SD je 9,7% za muškarce (MLP) i samo 2,4% za žene (XGBoost). Među DM modelima, logistička regresija (LR) pokazala je bolju osjetljivost kod oba spola. Što se tiče specifičnosti internog skupa testova, uočeno je da su četiri SD modela dobro prošla kod muškaraca, dok je tradicionalni model bolje prošao kod žena. Razlike u klasifikacijskim performansama za muškarce i žene su 13,3% (MLP) i 13,1% (MLP), respektivno, što ukazuje da razlika u klasifikacijskim performansama između modela premašuje osjetljivost. Među DM modelima, modeli potpornih vektora (SVM), stabla odlučivanja (DT) i slučajne šume (RF) postigli su najbolje rezultate među muškarcima, dok je LR model pokazao najbolje rezultate među ženama. AUROC tradicionalnog modela i svih SD modela bio je veći od 0,925 (k-najbližih susjeda (KNN) kod muškaraca), što pokazuje odlične performanse klasifikacije u razlikovanju uzoraka od 18 godina28. Za eksterni testni skup, došlo je do smanjenja performansi klasifikacije u smislu osjetljivosti, specifičnosti i AUROC-a u poređenju sa internim testnim skupom. Štaviše, razlika u osjetljivosti i specifičnosti između performansi klasifikacije najboljeg i najgoreg modela kretala se od 10% do 25% i bila je veća od razlike u internom testnom skupu.
Osjetljivost i specifičnost modela klasifikacije rudarenja podataka u poređenju s tradicionalnim metodama s graničnom vrijednosti od 18 godina. KNN k najbliži susjed, SVM mašina potpornih vektora, 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 dentalne starosti dobijenih iz sedam DM modela sa onima dobijenim korištenjem tradicionalne regresije. MAE i RMSE su procijenjeni u internim testnim setovima za oba spola, a razlika između tradicionalne metode i DM modela kretala se 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 ukazuju na to da je tačnost procjene dentalne starosti korištenjem DM modela gotovo ista kao i kod tradicionalne metode. Direktno poređenje sa rezultatima iz prethodnih studija je teško jer nijedna studija nije uporedila tačnost DM modela sa tradicionalnim statističkim metodama korištenjem iste tehnike snimanja zuba u istom starosnom rasponu kao u ovoj studiji. Galibourg i saradnici24 uporedili su MAE i RMSE između dvije tradicionalne metode (Demirjianova 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 precizniji 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 s Willemsovom i Demirdjianovom metodom, respektivno. Razlika između SD modela i tradicionalnih metoda prikazana u Halibourg studiji uzima u obzir brojne izvještaje30,31,32,33 da Demirdjianova metoda ne procjenjuje precizno starost zuba u populacijama osim francuskih Kanađana na kojima je studija zasnovana. U ovoj studiji, Tai i saradnici34 koristili su MLP algoritam za predviđanje starosti zuba na osnovu 1636 kineskih ortodontskih fotografija i uporedili njegovu tačnost s rezultatima Demirjianove i Willemsove metode. Izvijestili su da MLP ima veću tačnost od tradicionalnih metoda. Razlika između Demirdjianove 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 također su u skladu s rezultatima ove studije, a tačnost procjene starosti DM modela i tradicionalne metode je slična. Međutim, na osnovu predstavljenih rezultata, možemo samo oprezno zaključiti da upotreba DM modela za procjenu starosti može zamijeniti postojeće metode zbog nedostatka komparativnih i referentnih prethodnih studija. Potrebne su dodatne studije koje koriste veće uzorke kako bi se potvrdili rezultati dobijeni u ovoj studiji.
Među studijama koje su testirale tačnost SD u procjeni dentalne starosti, neke su pokazale veću tačnost od naše studije. Stepanovsky i saradnici35 primijenili su 22 SD modela na panoramske rendgenske snimke 976 čeških stanovnika starosti od 2,7 do 20,5 godina i testirali tačnost svakog modela. Procijenili su razvoj ukupno 16 gornjih i donjih lijevih trajnih zuba koristeći kriterije klasifikacije koje su predložili Moorrees i saradnici36. MAE se kreće od 0,64 do 0,94 godine, a RMSE se kreće od 0,85 do 1,27 godina, što je preciznije od dva DM modela korištena u ovoj studiji. Shen i saradnici23 koristili su Cameriere metodu za procjenu dentalne starosti sedam trajnih zuba u lijevoj mandibuli kod stanovnika istočne Kine starosti od 5 do 13 godina i uporedili je sa starošću procijenjenom korištenjem linearne regresije, SVM i RF. Pokazali su da sva tri DM modela imaju veću tačnost u poređenju s tradicionalnom Cameriere formulom. 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 posljedica uključivanja mlađih ispitanika u njihove uzorke studija. Budući da procjene starosti za učesnike sa zubima u razvoju postaju tačnije kako se broj zuba povećava tokom razvoja zuba, tačnost rezultirajuće metode procjene starosti može biti ugrožena kada su učesnici studije mlađi. Osim toga, greška MLP-a u procjeni starosti je nešto manja od SLP-a, što znači da je MLP tačniji od SLP-a. MLP se smatra nešto boljim za procjenu starosti, moguće zbog skrivenih slojeva u MLP38. Međutim, postoji izuzetak za vanjski uzorak žena (SLP 1,45, MLP 1,49). Nalaz da je MLP tačniji od SLP-a u procjeni starosti zahtijeva dodatne retrospektivne studije.
Također su upoređene performanse klasifikacije DM modela i tradicionalne metode na pragu od 18 godina. Svi testirani SD modeli i tradicionalne metode na internom testnom skupu pokazali su praktično prihvatljive nivoe diskriminacije za uzorak od 18 godina. Osjetljivost za muškarce i žene bila je veća od 87,7% odnosno 94,9%, a specifičnost veća od 89,3% i 84,7%. AUROC svih testiranih modela također prelazi 0,925. Koliko je nama poznato, nijedna studija nije testirala performanse DM modela za klasifikaciju od 18 godina na osnovu dentalne zrelosti. Rezultate ove studije možemo uporediti sa performansama klasifikacije modela dubokog učenja na panoramskim rendgenskim snimcima. Guo i saradnici15 izračunali su performanse klasifikacije modela dubokog učenja zasnovanog na CNN-u i ručne metode zasnovane na Demirjianovoj metodi za određeni prag starosti. Osjetljivost i specifičnost ručne metode iznosile su 87,7% odnosno 95,5%, a osjetljivost i specifičnost CNN modela premašile su 89,2% odnosno 86,6%. Zaključili su da modeli dubokog učenja mogu zamijeniti ili nadmašiti ručnu procjenu 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 dobi. Među modelima, DM LR bio je najbolji model u smislu osjetljivosti za muški uzorak i osjetljivosti i specifičnosti za ženski uzorak. LR je drugi po specifičnosti za muškarce. Štaviše, LR se smatra jednim od DM35 modela prilagođenijih korisniku i manje je složen i težak za obradu. Na osnovu ovih rezultata, LR se smatrao najboljim modelom granične klasifikacije za 18-godišnjake u korejskoj populaciji.
Sveukupno, tačnost procjene starosti ili performansi klasifikacije na eksternom testnom skupu bila je loša ili niža u poređenju s rezultatima na internom testnom skupu. Neki izvještaji ukazuju na to 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 i u DM modelu. Stoga, da bi se precizno procijenila starost, čak i kada se koristi DM u procesu analize, treba dati prednost metodama izvedenim iz podataka o domaćoj populaciji, kao što su tradicionalne metode5,39,40,41,42. Budući da nije jasno da li modeli dubokog učenja mogu pokazati slične trendove, potrebne su studije koje upoređuju tačnost i efikasnost klasifikacije korištenjem tradicionalnih metoda, DM modela i modela dubokog učenja na istim uzorcima kako bi se potvrdilo da li vještačka inteligencija može prevazići ove rasne razlike u ograničenim procjenama starosti.
Pokazujemo da se tradicionalne metode mogu zamijeniti procjenom starosti na osnovu DM modela u praksi forenzičke procjene starosti u Koreji. Također smo otkrili mogućnost primjene 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 i nedostatak prethodnih studija za poređenje i potvrdu rezultata ove studije. U budućnosti, DM studije treba provoditi s većim brojem uzoraka i raznolikijim populacijama kako bi se poboljšala njihova praktična primjenjivost u poređenju s tradicionalnim metodama. Da bi se potvrdila izvodljivost korištenja vještačke inteligencije za procjenu starosti u više populacija, potrebna su buduća istraživanja kako bi se uporedila tačnost klasifikacije i efikasnost DM i modela dubokog učenja s tradicionalnim metodama u istim uzorcima.
U studiji je korišteno 2.657 ortografskih fotografija prikupljenih od korejskih i japanskih odraslih osoba starosti od 15 do 23 godine. Korejski rendgenski snimci su podijeljeni u 900 setova za obuku (19,42 ± 2,65 godina) i 900 internih setova za testiranje (19,52 ± 2,59 godina). Set za obuku je prikupljen u jednoj instituciji (Bolnica St. Mary's u Seulu), a vlastiti set za testiranje je prikupljen u dvije institucije (Stomatološka bolnica Nacionalnog univerziteta u Seulu i Stomatološka bolnica Univerziteta Yonsei). Također smo prikupili 857 rendgenskih snimaka iz drugih populacijskih podataka (Medicinski univerzitet Iwate, Japan) za eksterno testiranje. Rendgenski snimci japanskih ispitanika (19,31 ± 2,60 godina) odabrani su kao eksterni set za testiranje. Podaci su prikupljeni retrospektivno kako bi se analizirale faze razvoja zuba na panoramskim rendgenskim snimcima snimljenim tokom stomatološkog tretmana. Svi prikupljeni podaci bili su anonimni osim spola, datuma rođenja i datuma rendgenskog snimka. Kriteriji za uključivanje i isključivanje bili su isti kao i u prethodno objavljenim studijama 4, 5. Stvarna starost uzorka izračunata je oduzimanjem datuma rođenja od datuma snimanja rendgenskog snimka. Uzorak je podijeljen u devet starosnih grupa. Raspodjela po godinama i spolu prikazana je u Tabeli 3. Ova studija je provedena u skladu s Helsinškom deklaracijom i odobrena je od strane Institucionalnog odbora za reviziju (IRB) Bolnice St. Mary's u Seulu Katoličkog univerziteta u Koreji (KC22WISI0328). Zbog retrospektivnog dizajna ove studije, informirani pristanak nije mogao biti dobijen od svih pacijenata koji su podvrgnuti radiografskom pregledu u terapijske svrhe. Bolnica St. Mary's Univerziteta u Seulu u Koreji (IRB) odustala je od zahtjeva za informiranim pristankom.
Razvojni stadiji bimaksilarnih drugih i trećih kutnjaka procijenjeni su prema Demircanovim kriterijima25. Samo jedan zub je odabran ako je ista vrsta zuba pronađena na lijevoj i desnoj strani svake vilice. Ako su homologni zubi na obje strane bili u različitim razvojnim stadijima, odabran je zub s nižim razvojnim stadijem kako bi se uzeo u obzir nesigurnost u procijenjenoj starosti. Stotinu nasumično odabranih rendgenskih snimaka iz skupa za obuku ocijenila su dva iskusna posmatrača kako bi se testirala pouzdanost između posmatrača nakon prethodne kalibracije za određivanje stadija zrelosti zuba. Pouzdanost unutar posmatrača procijenjena je dva puta u intervalima od tri mjeseca od strane primarnog posmatrača.
Spol i razvojni stadij drugog i trećeg kutnjaka svake vilice u skupu za obuku procijenio je primarni posmatrač obučen različitim DM modelima, a stvarna starost postavljena je kao ciljna vrijednost. SLP i MLP modeli, koji se široko koriste u mašinskom učenju, testirani su u odnosu na regresijske algoritme. DM model kombinuje linearne funkcije koristeći razvojne stadije četiri zuba i kombinuje ove podatke za procjenu starosti. SLP je najjednostavnija neuronska mreža i ne sadrži skrivene slojeve. SLP radi na osnovu praga prenosa 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 koristili su skriveni sloj sa samo 20 skrivenih čvorova s nelinearnim aktivacijskim funkcijama. Koristili smo gradijentni spust kao metodu 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 skupove i procijenjena je starost zuba.
Razvijen je algoritam klasifikacije koji koristi zrelost četiri zuba na skupu za obuku kako bi predvidio da li je uzorak star 18 godina ili ne. Za izgradnju modela izveli smo sedam algoritama mašinskog učenja reprezentacije6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost i (7) MLP. LR je jedan od najčešće korištenih algoritama klasifikacije44. To je algoritam nadziranog učenja koji koristi regresiju za predviđanje vjerovatnoće pripadnosti podataka određenoj kategoriji od 0 do 1 i klasificira podatke kao pripadnice vjerovatnije kategorije na osnovu ove vjerovatnoće; uglavnom se koristi za binarnu klasifikaciju. KNN je jedan od najjednostavnijih algoritama mašinskog učenja45. Kada se daju novi ulazni podaci, pronalazi k podataka bliskih postojećem skupu, a zatim ih klasificira u klasu s najvećom frekvencijom. Postavili smo 3 za broj susjeda koji se razmatraju (k). SVM je algoritam koji maksimizira udaljenost između dvije klase korištenjem kernel funkcije za proširenje linearnog prostora u nelinearni prostor koji se naziva polja46. Za ovaj model koristimo pristranost = 1, snagu = 1 i gama = 1 kao hiperparametre za polinomsko jezgro. DT je primijenjen u raznim oblastima kao algoritam za dijeljenje 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 mjeru kvaliteta. RF je metoda ansambla koja kombinuje više DT-ova kako bi poboljšala performanse koristeći metodu agregacije bootstrap koja generiše slab klasifikator za svaki uzorak nasumično izvlačeći uzorke iste veličine više puta iz originalnog skupa podataka48. Koristili smo 100 stabala, 10 dubina stabla, 1 minimalnu veličinu čvora i Gini indeks primjesa kao kriterije razdvajanja čvorova. Klasifikacija novih podataka određuje se većinom glasova. XGBoost je algoritam koji kombinuje tehnike pojačavanja koristeći metodu koja kao podatke za obuku uzima grešku između stvarnih i predviđenih vrijednosti prethodnog modela i povećava grešku pomoću gradijenata49. To je široko korišten algoritam zbog dobrih performansi i efikasnosti resursa, kao i visoke pouzdanosti kao funkcije korekcije preopterećenja. Model je opremljen sa 400 pomoćnih točkova. 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 poredi sa stvarnom vrijednošću rezultata i greška se propagira unatrag. Kreirali smo skriveni sloj sa 20 skrivenih neurona u svakom sloju. Svaki model koji smo razvili primijenjen je na interne i eksterne skupove kako bi se testirale performanse klasifikacije izračunavanjem osjetljivosti, specifičnosti, PPV, NPV i AUROC. Osjetljivost se definira kao omjer uzorka za koji se procjenjuje da ima 18 godina ili više i uzorka 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.
Zubni stadiji procijenjeni u skupu za obuku pretvoreni su u numeričke stadije 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 testne skupove. Tabela 4 prikazuje regresijske i klasifikacijske modele korištene u ovoj studiji.
Intra- i inter-opservatorska pouzdanost izračunata je korištenjem Cohenove kappa statistike. Da bismo testirali tačnost DM i tradicionalnih regresijskih 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, veća je tačnost prognoze24. Uporedite MAE i RMSE internih i eksternih testnih skupova izračunatih korištenjem DM i tradicionalne regresije. Performanse klasifikacije 18-godišnjeg graničnog prosjeka u tradicionalnoj statistici procijenjene su korištenjem 2 × 2 tabele kontingencije. Izračunata osjetljivost, specifičnost, PPV, NPV i AUROC testnog skupa upoređeni su sa izmjerenim vrijednostima DM klasifikacijskog modela. 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 provedene su korištenjem SAS verzije 9.4 (SAS Institute, Cary, NC). DM regresijski model je implementiran u Pythonu korištenjem Keras50 2.2.4 backend-a i Tensorflow51 1.8.0 posebno za matematičke operacije. DM klasifikacijski model je implementiran u Waikato Knowledge Analysis Environment i Konstanz Information Miner (KNIME) 4.6.152 analitičkoj platformi.
Autori priznaju da se podaci koji podržavaju zaključke studije mogu pronaći u članku i dodatnim materijalima. Skupovi podataka generirani i/ili analizirani tokom studije dostupni su od odgovarajućeg autora na razuman zahtjev.
Ritz-Timme, S. i dr. Procjena dobi: najsavremenije tehnologije za ispunjavanje specifičnih zahtjeva forenzičke prakse. Međunarodnost. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. i Olze, A. Trenutno stanje forenzičke procjene starosti živih subjekata u svrhu krivičnog gonjenja. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. i dr. Modificirana metoda za procjenu dentalne dobi djece uzrasta od 5 do 16 godina u istočnoj Kini. klinički. Oralno istraživanje. 25, 3463–3474 (2021).
Lee, SS itd. Hronologija razvoja drugih i trećih kutnjaka kod Korejaca i njena primjena za forenzičku procjenu dobi. Internacionalnost. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY i Lee, SS Tačnost procjene starosti i procjena praga od 18 godina na osnovu zrelosti drugih i trećih kutnjaka kod Korejaca i Japanaca. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Preoperativna analiza podataka zasnovana na mašinskom učenju može predvidjeti ishod liječenja operacije spavanja kod pacijenata sa OSA. the science. Izvještaj 11, 14911 (2021).
Han, M. i dr. Tačna procjena starosti pomoću mašinskog učenja sa ili bez ljudske intervencije? Internacionalnost. J. Legal medicine. 136, 821–831 (2022).
Khan, S. i Shaheen, M. Od rudarenja podataka do rudarenja podataka. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. WisRule: Prvi kognitivni algoritam za rudarenje pravila asocijacije. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Tradicionalno rudarenje podataka zasnovano na pravilima asocijacije zasnovanim na kontekstu. izračunaj. Matt. nastavi. 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. inform. tehnologije. kontrola. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. i Shahin, M. Sistem za prepoznavanje aktivnosti u sportskim videozapisima. multimedija. Alati Aplikacije https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS i dr. Izazov mašinskog učenja RSNA u pedijatrijskoj dobi kostiju. Radiologija 290, 498–503 (2019).
Li, Y. i dr. Forenzička procjena starosti na osnovu rendgenskih snimaka karlice korištenjem dubokog učenja. EURO. zračenje. 29, 2322–2329 (2019).
Guo, YC, et al. Precizna klasifikacija starosti korištenjem manuelnih metoda i dubokih konvolucijskih neuronskih mreža iz ortografskih projekcijskih slika. međunarodnost. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora i dr. Procjena starosti kostiju 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 starosti specifična za populaciju Afroamerikanaca i Kineza na osnovu volumena pulpne komore prvih kutnjaka korištenjem konusno-snopne kompjuterizirane tomografije. internacionalnost. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK i Oh KS Određivanje starosnih grupa živih ljudi korištenjem slika prvih kutnjaka zasnovanih na vještačkoj inteligenciji. Nauka. Izvještaj 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. i Urschler, M. Automatska procjena dobi i klasifikacija punoljetničke 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 na osnovu 3D segmentacije pulpne komore prvih molara dobijene kompjuterizovanom tomografijom sa konusnim snopom integracijom dubokog učenja i skupova nivoa. Internacionalnost. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Rudarenje podataka u kliničkim velikim podacima: uobičajene baze podataka, koraci i metode modela. World. medicine. resource. 8, 44 (2021).
Yang, J. i dr. Uvod u medicinske baze podataka i tehnologije rudarenja podataka u eri velikih podataka. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. i dr. Camererova metoda za procjenu starosti zuba korištenjem mašinskog učenja. BMC Oral Health 21, 641 (2021).
Galliburg A. i dr. Poređenje različitih metoda mašinskog učenja za predviđanje dentalne starosti korištenjem Demirdjian metode stadijuma. Međunarodnost. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Novi sistem za procjenu dentalne starosti. snort. biology. 45, 211–227 (1973).
Landis, JR i Koch, GG Mjere slaganja posmatrača 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 magnetne rezonancije korištenjem tehnika umjetne inteligencije za diferencijaciju primarnih tumora mozga. Zdravstvene informacije. Izvor. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Vrijeme objave: 04.01.2024.