Hvala, ker ste obiskali Nature.com. Različica brskalnika, ki jo uporabljate, ima omejeno podporo za CSS. Za najboljše rezultate priporočamo uporabo novejše različice brskalnika (ali izklop načina združljivosti v Internet Explorerju). Medtem, da bi zagotovili stalno podporo, spletno mesto prikazujemo brez stilov ali JavaScripta.
Zobje veljajo za najnatančnejši kazalnik starosti človeškega telesa in se pogosto uporabljajo pri forenzičnem ocenjevanju starosti. Naš cilj je bil potrditi ocene starosti zob, ki temeljijo na rudarjenju podatkov, s primerjavo natančnosti ocenjevanja in učinkovitosti klasifikacije 18-letnega praga s tradicionalnimi metodami in ocenami starosti, ki temeljijo na rudarjenju podatkov. Zbrali smo skupno 2657 panoramskih rentgenskih posnetkov korejskih in japonskih državljanov, starih od 15 do 23 let. Razdeljeni so bili v učni nabor, ki je vseboval 900 korejskih rentgenskih posnetkov, in interni testni nabor, ki je vseboval 857 japonskih rentgenskih posnetkov. Natančnost in učinkovitost klasifikacije tradicionalnih metod smo primerjali s testnimi nabori modelov rudarjenja podatkov. Natančnost tradicionalne metode na internem testnem naboru je nekoliko višja kot pri modelu rudarjenja podatkov, razlika pa je majhna (povprečna absolutna napaka <0,21 leta, koren povprečne kvadratne napake <0,24 leta). Učinkovitost klasifikacije za 18-letno mejo je med tradicionalnimi metodami in modeli rudarjenja podatkov podobna. Tako lahko tradicionalne metode nadomestijo modeli podatkovnega rudarjenja pri forenzični oceni starosti z uporabo zrelosti drugih in tretjih molarjev pri korejskih mladostnikih in mladih odraslih.
Ocenjevanje zobne starosti se pogosto uporablja v sodni medicini in otroški stomatologiji. Zaradi visoke korelacije med kronološko starostjo in razvojem zob je ocenjevanje starosti po stopnjah razvoja zob pomembno merilo za ocenjevanje starosti otrok in mladostnikov1,2,3. Vendar pa ima pri mladih ocenjevanje zobne starosti na podlagi zrelosti zob svoje omejitve, saj je rast zob skoraj končana, z izjemo tretjih molarjev. Pravni namen določanja starosti mladih in mladostnikov je zagotoviti natančne ocene in znanstvene dokaze o tem, ali so dosegli polnoletnost. V medicinsko-pravni praksi mladostnikov in mladih odraslih v Koreji je bila starost ocenjena z Leejevo metodo, zakonski prag 18 let pa je bil predviden na podlagi podatkov, ki so jih poročali Oh in sodelavci5.
Strojno učenje je vrsta umetne inteligence (UI), ki se večkrat uči in razvršča velike količine podatkov, sama rešuje probleme in poganja programiranje podatkov. Strojno učenje lahko odkrije uporabne skrite vzorce v velikih količinah podatkov6. Nasprotno pa imajo lahko klasične metode, ki so delovno intenzivne in dolgotrajne, omejitve pri delu z velikimi količinami kompleksnih podatkov, ki jih je težko ročno obdelati7. Zato je bilo v zadnjem času izvedenih veliko študij z uporabo najnovejših računalniških tehnologij za zmanjšanje človeških napak in učinkovito obdelavo večdimenzionalnih podatkov8,9,10,11,12. Globoko učenje se še posebej pogosto uporablja pri analizi medicinskih slik, poročali pa so, da različne metode za ocenjevanje starosti z avtomatsko analizo rentgenskih slik izboljšujejo natančnost in učinkovitost ocenjevanja starosti13,14,15,16,17,18,19,20. Na primer, Halabi in sodelavci13 so razvili algoritem strojnega učenja, ki temelji na konvolucijskih nevronskih mrežah (CNN), za oceno starosti skeleta z uporabo rentgenskih slik otroških rok. Ta študija predlaga model, ki uporablja strojno učenje za medicinske slike in kaže, da lahko te metode izboljšajo diagnostično natančnost. Li in sodelavci14 so ocenili starost na podlagi rentgenskih slik medenice z uporabo modela globokega učenja CNN in jih primerjali z rezultati regresije z uporabo ocene stopnje osifikacije. Ugotovili so, da je model globokega učenja CNN pokazal enako učinkovitost ocenjevanja starosti kot tradicionalni regresijski model. Študija Guo in sodelavcev [15] je ocenila učinkovitost klasifikacije tolerance starosti s tehnologijo CNN na podlagi zobnih ortofoto posnetkov, rezultati modela CNN pa so dokazali, da so ljudje prekašali njeno učinkovitost klasifikacije starosti.
Večina študij o ocenjevanju starosti z uporabo strojnega učenja uporablja metode globokega učenja13,14,15,16,17,18,19,20. Ocenjevanje starosti na podlagi globokega učenja naj bi bilo natančnejše od tradicionalnih metod. Vendar pa ta pristop ponuja malo možnosti za predstavitev znanstvene podlage za ocene starosti, kot so kazalniki starosti, uporabljeni v ocenah. Obstaja tudi pravni spor o tem, kdo izvaja preglede. Zato upravni in sodni organi težko sprejmejo ocenjevanje starosti na podlagi globokega učenja. Podatkovno rudarjenje (DM) je tehnika, ki lahko odkrije ne le pričakovane, temveč tudi nepričakovane informacije kot metoda za odkrivanje uporabnih korelacij med velikimi količinami podatkov6,21,22. Strojno učenje se pogosto uporablja pri podatkovnem rudarjenju, tako podatkovno rudarjenje kot strojno učenje pa uporabljata iste ključne algoritme za odkrivanje vzorcev v podatkih. Ocenjevanje starosti z uporabo zobozdravstvenega razvoja temelji na oceni ocenjevalca o zrelosti ciljnih zob, ta ocena pa je izražena kot stopnja za vsak ciljni zob. DM se lahko uporablja za analizo korelacije med stopnjo ocene zob in dejansko starostjo ter ima potencial, da nadomesti tradicionalno statistično analizo. Če torej za ocenjevanje starosti uporabimo tehnike DM, lahko v forenzično ocenjevanje starosti vključimo strojno učenje, ne da bi nas skrbela pravna odgovornost. Objavljenih je bilo več primerjalnih študij o možnih alternativah tradicionalnim ročnim metodam, ki se uporabljajo v forenzični praksi, in metodam, ki temeljijo na EBM, za določanje zobne starosti. Shen in sod.23 so pokazali, da je model DM natančnejši od tradicionalne Camererjeve formule. Galibourg in sod.24 so uporabili različne metode DM za napovedovanje starosti po Demirdjianovih kriterijih25 in rezultati so pokazali, da je metoda DM pri ocenjevanju starosti francoskega prebivalstva prekosila Demirdjianovo in Willemsovo metodo.
Za oceno zobne starosti korejskih mladostnikov in mladih odraslih se v korejski forenzični praksi pogosto uporablja Leejeva metoda 4. Ta metoda uporablja tradicionalno statistično analizo (kot je multipla regresija) za preučevanje razmerja med korejskimi subjekti in kronološko starostjo. V tej študiji so metode ocenjevanja starosti, pridobljene z uporabo tradicionalnih statističnih metod, opredeljene kot "tradicionalne metode". Leejeva metoda je tradicionalna metoda, njeno natančnost pa so potrdili Oh in sod. 5; vendar je uporabnost ocenjevanja starosti na podlagi modela DM v korejski forenzični praksi še vedno vprašljiva. Naš cilj je bil znanstveno potrditi potencialno uporabnost ocenjevanja starosti na podlagi modela DM. Namen te študije je bil (1) primerjati natančnost dveh modelov DM pri ocenjevanju zobne starosti in (2) primerjati uspešnost klasifikacije 7 modelov DM pri starosti 18 let s tisto, pridobljeno z uporabo tradicionalnih statističnih metod. Zrelost drugih in tretjih molarjev v obeh čeljustih.
Povprečja in standardni odkloni kronološke starosti glede na stadij in vrsto zoba so prikazani na spletu v dodatni tabeli S1 (učni nabor), dodatni tabeli S2 (interni testni nabor) in dodatni tabeli S3 (zunanji testni nabor). Vrednosti kappa za zanesljivost znotraj in med opazovalci, pridobljene iz učnega nabora, so bile 0,951 oziroma 0,947. Vrednosti P in 95-odstotni intervali zaupanja za vrednosti kappa so prikazani v spletni dodatni tabeli S4. Vrednost kappa je bila interpretirana kot »skoraj popolna«, kar je skladno s kriteriji Landisa in Kocha26.
Pri primerjavi povprečne absolutne napake (MAE) tradicionalna metoda nekoliko prekaša model DM za vse spole in v zunanjem moškem testnem naboru, z izjemo večplastnega perceptrona (MLP). Razlika med tradicionalnim modelom in modelom DM na notranjem testnem naboru MAE je bila 0,12–0,19 let za moške in 0,17–0,21 let za ženske. Pri zunanji testni bateriji so razlike manjše (0,001–0,05 let za moške in 0,05–0,09 let za ženske). Poleg tega je koren povprečne kvadratne napake (RMSE) nekoliko nižji kot pri tradicionalni metodi, z manjšimi razlikami (0,17–0,24, 0,2–0,24 za moški notranji testni nabor in 0,03–0,07, 0,04–0,08 za zunanji testni nabor). MLP kaže nekoliko boljšo učinkovitost kot enoplastni perceptron (SLP), razen v primeru ženskega zunanjega testnega nabora. Za MAE in RMSE je zunanji testni niz dosegel višje rezultate kot notranji testni niz za vse spole in modele. Vsi MAE in RMSE so prikazani v tabeli 1 in na sliki 1.
MAE in RMSE tradicionalnih in podatkovno-rudarskih regresijskih modelov. Povprečna absolutna napaka MAE, koren povprečne kvadratne napake RMSE, enoplastni perceptron SLP, večplastni perceptron MLP, tradicionalna metoda CM.
Učinkovitost klasifikacije (z mejo 18 let) tradicionalnih in DM modelov je bila prikazana v smislu občutljivosti, specifičnosti, pozitivne napovedne vrednosti (PPV), negativne napovedne vrednosti (NPV) in površine pod krivuljo ROC (AUROC) 27 (tabela 2, slika 2 in dodatna slika 1 na spletu). Kar zadeva občutljivost internega testnega nabora, so se tradicionalne metode najbolje odrezale pri moških in slabše pri ženskah. Vendar pa je razlika v učinkovitosti klasifikacije med tradicionalnimi metodami in SD 9,7 % za moške (MLP) in le 2,4 % za ženske (XGBoost). Med DM modeli je logistična regresija (LR) pokazala boljšo občutljivost pri obeh spolih. Glede specifičnosti internega testnega nabora je bilo ugotovljeno, da so se štirje SD modeli dobro odrezali pri moških, medtem ko se je tradicionalni model bolje odrezal pri ženskah. Razlike v učinkovitosti klasifikacije za moške in ženske so 13,3 % (MLP) oziroma 13,1 % (MLP), kar kaže, da razlika v učinkovitosti klasifikacije med modeli presega občutljivost. Med modeli DM so se modeli podpornih vektorjev (SVM), odločitvenega drevesa (DT) in naključnega gozda (RF) najbolje odrezali pri moških, medtem ko se je model LR najbolje odrezal pri ženskah. AUROC tradicionalnega modela in vseh modelov SD je bil večji od 0,925 (k-najbližji sosed (KNN) pri moških), kar kaže na odlično učinkovitost klasifikacije pri razlikovanju 18-letnih vzorcev28. Pri zunanjem testnem naboru se je učinkovitost klasifikacije v smislu občutljivosti, specifičnosti in AUROC zmanjšala v primerjavi z notranjim testnim naborom. Poleg tega se je razlika v občutljivosti in specifičnosti med učinkovitostjo klasifikacije najboljšega in najslabšega modela gibala od 10 % do 25 % in je bila večja kot razlika v notranjem testnem naboru.
Občutljivost in specifičnost klasifikacijskih modelov za rudarjenje podatkov v primerjavi s tradicionalnimi metodami z mejo 18 let. KNN k najbližji sosed, SVM podporni vektorski stroj, LR logistična regresija, DT odločitveno drevo, RF naključni gozd, XGB XGBoost, MLP večplastni perceptron, tradicionalna CM metoda.
Prvi korak v tej študiji je bila primerjava natančnosti ocen zobne starosti, pridobljenih iz sedmih modelov DM, s tistimi, pridobljenimi z uporabo tradicionalne regresije. MAE in RMSE sta bila ocenjena v internih testnih sklopih za oba spola, razlika med tradicionalno metodo in modelom DM pa se je gibala od 44 do 77 dni za MAE in od 62 do 88 dni za RMSE. Čeprav je bila tradicionalna metoda v tej študiji nekoliko natančnejša, je težko sklepati, ali ima tako majhna razlika klinični ali praktični pomen. Ti rezultati kažejo, da je natančnost ocene zobne starosti z uporabo modela DM skoraj enaka kot pri tradicionalni metodi. Neposredna primerjava z rezultati prejšnjih študij je težka, ker nobena študija ni primerjala natančnosti modelov DM s tradicionalnimi statističnimi metodami, ki bi uporabljale isto tehniko beleženja zob v istem starostnem razponu kot v tej študiji. Galibourg in sod.24 so primerjali MAE in RMSE med dvema tradicionalnima metodama (Demirjianova metoda25 in Willemsova metoda29) in 10 modeli DM v francoski populaciji, stari od 2 do 24 let. Poročali so, da so bili vsi modeli DM natančnejši od tradicionalnih metod, z razlikami 0,20 in 0,38 let pri MAE ter 0,25 in 0,47 let pri RMSE v primerjavi z Willemsovo in Demirdjianovo metodo. Razlika med modelom SD in tradicionalnimi metodami, prikazana v študiji Halibourg, upošteva številna poročila30,31,32,33, da Demirdjianova metoda ne ocenjuje natančno starosti zob v populacijah, ki niso francoski Kanadčani, na katerih je študija temeljila. V tej študiji so Tai in sod.34 uporabili algoritem MLP za napoved starosti zob na podlagi 1636 kitajskih ortodontskih fotografij in primerjali njegovo natančnost z rezultati metode Demirjian in Willems. Poročali so, da ima MLP večjo natančnost kot tradicionalne metode. Razlika med Demirdjianovo metodo in tradicionalno metodo je <0,32 let, Willemsova metoda pa 0,28 let, kar je podobno rezultatom te študije. Rezultati teh prejšnjih študij24,34 so skladni tudi z rezultati te študije, natančnost ocene starosti modela DM in tradicionalne metode pa je podobna. Vendar pa lahko na podlagi predstavljenih rezultatov le previdno sklepamo, da bi uporaba modelov DM za oceno starosti lahko nadomestila obstoječe metode zaradi pomanjkanja primerjalnih in referenčnih prejšnjih študij. Za potrditev rezultatov, pridobljenih v tej študiji, so potrebne nadaljnje študije z večjimi vzorci.
Med študijami, ki so preizkušale natančnost SD pri ocenjevanju zobne starosti, so nekatere pokazale višjo natančnost kot naša študija. Stepanovsky in sod.35 so uporabili 22 modelov SD na panoramskih rentgenskih posnetkih 976 čeških prebivalcev, starih od 2,7 do 20,5 let, in preizkusili natančnost vsakega modela. Ocenili so razvoj skupno 16 zgornjih in spodnjih levih stalnih zob z uporabo klasifikacijskih kriterijev, ki so jih predlagali Moorrees in sod.36. MAE se giblje od 0,64 do 0,94 let, RMSE pa od 0,85 do 1,27 let, kar je natančneje od dveh modelov DM, uporabljenih v tej študiji. Shen in sod.23 so uporabili Camerièrejevo metodo za oceno zobne starosti sedmih stalnih zob v levi spodnji čeljusti pri prebivalcih vzhodne Kitajske, starih od 5 do 13 let, in jo primerjali s starostjo, ocenjeno z uporabo linearne regresije, SVM in RF. Pokazali so, da imajo vsi trije modeli DM višjo natančnost v primerjavi s tradicionalno Camerièrejevo formulo. MAE in RMSE v Shenovi študiji sta bila nižja kot v modelu DM v tej študiji. Povečana natančnost študij Stepanovskyja in sodelavcev35 ter Shena in sodelavcev23 je lahko posledica vključitve mlajših preiskovancev v vzorce študije. Ker ocene starosti za udeležence z razvijajočimi se zobmi postajajo natančnejše, ko se število zob med razvojem zob povečuje, je lahko natančnost nastale metode ocenjevanja starosti ogrožena, ko so udeleženci študije mlajši. Poleg tega je napaka MLP pri ocenjevanju starosti nekoliko manjša kot pri SLP, kar pomeni, da je MLP natančnejši od SLP. MLP velja za nekoliko boljši za oceno starosti, verjetno zaradi skritih plasti v MLP38. Vendar pa obstaja izjema za zunanji vzorec žensk (SLP 1,45, MLP 1,49). Ugotovitev, da je MLP natančnejši od SLP pri ocenjevanju starosti, zahteva dodatne retrospektivne študije.
Primerjana je bila tudi učinkovitost klasifikacije modela DM in tradicionalne metode pri 18-letnem pragu. Vsi testirani modeli SD in tradicionalne metode na internem testnem naboru so pokazali praktično sprejemljivo raven diskriminacije za 18-letni vzorec. Občutljivost za moške in ženske je bila večja od 87,7 % oziroma 94,9 %, specifičnost pa večja od 89,3 % oziroma 84,7 %. AUROC vseh testiranih modelov prav tako presega 0,925. Kolikor nam je znano, nobena študija ni preizkusila učinkovitosti modela DM za 18-letno klasifikacijo na podlagi zobne zrelosti. Rezultate te študije lahko primerjamo z učinkovitostjo klasifikacije modelov globokega učenja na panoramskih rentgenskih slikah. Guo in sod.15 so izračunali učinkovitost klasifikacije modela globokega učenja, ki temelji na CNN, in ročne metode, ki temelji na Demirjianovi metodi, za določen starostni prag. Občutljivost in specifičnost ročne metode sta bili 87,7 % oziroma 95,5 %, občutljivost in specifičnost modela CNN pa sta presegli 89,2 % oziroma 86,6 %. Sklenili so, da lahko modeli globokega učenja nadomestijo ali prekašajo ročno ocenjevanje pri razvrščanju starostnih pragov. Rezultati te študije so pokazali podobno učinkovitost razvrščanja; verjame se, da lahko razvrščanje z uporabo modelov DM nadomesti tradicionalne statistične metode za ocenjevanje starosti. Med modeli je bil DM LR najboljši model glede občutljivosti za moški vzorec ter občutljivosti in specifičnosti za ženski vzorec. LR se uvršča na drugo mesto po specifičnosti za moške. Poleg tega velja LR za enega uporabniku prijaznejših modelov DM35 in je manj kompleksen ter težko obdelljiv. Na podlagi teh rezultatov je bil LR ocenjen kot najboljši model za razvrščanje z mejnimi vrednostmi za 18-letnike v korejski populaciji.
Na splošno je bila natančnost ocene starosti ali učinkovitosti klasifikacije na zunanjem testnem naboru slaba ali nižja v primerjavi z rezultati na notranjem testnem naboru. Nekatera poročila kažejo, da se natančnost ali učinkovitost klasifikacije zmanjša, ko se ocene starosti na podlagi korejske populacije uporabijo za japonsko populacijo5,39, podoben vzorec pa je bil ugotovljen tudi v tej študiji. Ta trend poslabšanja je bil opažen tudi pri modelu globokega učenja (DM). Zato je treba za natančno oceno starosti, tudi pri uporabi DM v procesu analize, dati prednost metodam, ki izhajajo iz podatkov o avtohtoni populaciji, kot so tradicionalne metode5,39,40,41,42. Ker ni jasno, ali lahko modeli globokega učenja kažejo podobne trende, so potrebne študije, ki primerjajo natančnost in učinkovitost klasifikacije z uporabo tradicionalnih metod, modelov DM in modelov globokega učenja na istih vzorcih, da se potrdi, ali lahko umetna inteligenca premaga te rasne razlike pri omejenih ocenah starosti.
Pokazali smo, da je v praksi forenzičnega ocenjevanja starosti v Koreji tradicionalne metode mogoče nadomestiti z ocenjevanjem starosti na podlagi modela DM. Odkrili smo tudi možnost uporabe strojnega učenja za forenzično ocenjevanje starosti. Vendar pa obstajajo jasne omejitve, kot sta nezadostno število udeležencev v tej študiji za dokončno določitev rezultatov in pomanjkanje prejšnjih študij za primerjavo in potrditev rezultatov te študije. V prihodnosti bi bilo treba študije DM izvajati z večjim številom vzorcev in bolj raznolikimi populacijami, da bi izboljšali njihovo praktično uporabnost v primerjavi s tradicionalnimi metodami. Za potrditev izvedljivosti uporabe umetne inteligence za ocenjevanje starosti v več populacijah so potrebne nadaljnje študije za primerjavo natančnosti in učinkovitosti klasifikacije DM in modelov globokega učenja s tradicionalnimi metodami v istih vzorcih.
V študiji je bilo uporabljenih 2657 ortografskih fotografij, zbranih od korejskih in japonskih odraslih, starih od 15 do 23 let. Korejski rentgenski posnetki so bili razdeljeni na 900 učnih nizov (19,42 ± 2,65 let) in 900 internih testnih nizov (19,52 ± 2,59 let). Učni niz je bil zbran v eni ustanovi (bolnišnica Seul St. Mary's), lastni testni niz pa v dveh ustanovah (zobozdravstvena bolnišnica Seul National University in zobozdravstvena bolnišnica Yonsei University). Za zunanje testiranje smo zbrali tudi 857 rentgenskih posnetkov iz drugega populacijskega nabora (Medicinska univerza Iwate, Japonska). Za zunanji testni niz so bili izbrani rentgenski posnetki japonskih oseb (19,31 ± 2,60 let). Podatki so bili zbrani retrospektivno za analizo stopenj razvoja zob na panoramskih rentgenskih posnetkih, posnetih med zobozdravstvenim zdravljenjem. Vsi zbrani podatki so bili anonimni, razen spola, datuma rojstva in datuma rentgenskega posnetka. Vključitveni in izključitveni kriteriji so bili enaki kot v predhodno objavljenih študijah 4, 5. Dejanska starost vzorca je bila izračunana tako, da se je od datuma rentgenskega posnetka odštel datum rojstva. Vzorčna skupina je bila razdeljena v devet starostnih skupin. Porazdelitev po starosti in spolu je prikazana v tabeli 3. Ta študija je bila izvedena v skladu s Helsinško deklaracijo in jo je odobril Institucionalni revizijski odbor (IRB) bolnišnice sv. Marije v Seulu Katoliške univerze v Koreji (KC22WISI0328). Zaradi retrospektivne zasnove te študije ni bilo mogoče pridobiti informiranega soglasja od vseh bolnikov, ki so bili podvrženi radiografskemu pregledu v terapevtske namene. Bolnišnica sv. Marije Univerze v Seulu v Koreji (IRB) je opustila zahtevo po informiranem soglasju.
Razvojne stopnje bimaksilarnih drugih in tretjih molarjev so bile ocenjene po Demircanovih kriterijih25. Izbran je bil le en zob, če je bila na levi in desni strani vsake čeljusti najdena ista vrsta zoba. Če so bili homologni zobje na obeh straneh v različnih razvojnih stopnjah, je bil izbran zob z nižjo razvojno stopnjo, da se upošteva negotovost pri ocenjeni starosti. Sto naključno izbranih rentgenskih slik iz učnega nabora sta ocenila dva izkušena opazovalca, da bi po predhodni kalibraciji preverila zanesljivost med opazovalci za določitev stopnje zrelosti zob. Zanesljivost znotraj opazovalca je primarni opazovalec ocenil dvakrat v trimesečnih intervalih.
Spol in razvojno stopnjo drugega in tretjega molarja vsake čeljusti v učnem naboru je ocenil primarni opazovalec, usposobljen z različnimi DM modeli, dejanska starost pa je bila določena kot ciljna vrednost. Modela SLP in MLP, ki se pogosto uporabljata v strojnem učenju, sta bila preizkušena z regresijskimi algoritmi. Model DM združuje linearne funkcije z uporabo razvojnih stopenj štirih zob in te podatke združuje za oceno starosti. SLP je najpreprostejša nevronska mreža in ne vsebuje skritih plasti. SLP deluje na podlagi prenosa praga med vozlišči. Model SLP v regresiji je matematično podoben večkratni linearni regresiji. Za razliko od modela SLP ima model MLP več skritih plasti z nelinearnimi aktivacijskimi funkcijami. V naših poskusih je bila uporabljena skrita plast s samo 20 skritimi vozlišči z nelinearnimi aktivacijskimi funkcijami. Za optimizacijsko metodo smo uporabili gradientni spust ter MAE in RMSE kot funkcijo izgub za učenje našega modela strojnega učenja. Najbolje dobljeni regresijski model smo uporabili za notranji in zunanji testni nabor ter ocenili starost zob.
Razvit je bil klasifikacijski algoritem, ki uporablja zrelost štirih zob na učni množici za napovedovanje, ali je vzorec star 18 let ali ne. Za izgradnjo modela smo izpeljali sedem algoritmov strojnega učenja za predstavitve6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost in (7) MLP. LR je eden najpogosteje uporabljenih klasifikacijskih algoritmov44. Gre za algoritem nadzorovanega učenja, ki uporablja regresijo za napovedovanje verjetnosti, da podatki pripadajo določeni kategoriji od 0 do 1, in na podlagi te verjetnosti podatke razvrsti kot pripadnike bolj verjetne kategorije; uporablja se predvsem za binarno razvrščanje. KNN je eden najpreprostejših algoritmov strojnega učenja45. Ko so podani novi vhodni podatki, najde k podatkov, ki so blizu obstoječemu naboru, in jih nato razvrsti v razred z najvišjo frekvenco. Za število upoštevanih sosedov (k) smo nastavili 3. SVM je algoritem, ki maksimizira razdaljo med dvema razredoma z uporabo jedrne funkcije za razširitev linearnega prostora v nelinearni prostor, imenovan polja46. Za ta model uporabljamo pristranskost = 1, potenco = 1 in gama = 1 kot hiperparametre za polinomsko jedro. DT se uporablja na različnih področjih kot algoritem za delitev celotnega nabora podatkov v več podskupin z predstavljanjem odločitvenih pravil v drevesni strukturi47. Model je konfiguriran z minimalnim številom zapisov na vozlišče 2 in uporablja Ginijev indeks kot merilo kakovosti. RF je metoda ansambla, ki združuje več DT za izboljšanje zmogljivosti z uporabo metode agregacije bootstrap, ki za vsak vzorec ustvari šibek klasifikator tako, da iz prvotnega nabora podatkov naključno večkrat izvleče vzorce enake velikosti48. Kot merila za ločevanje vozlišč smo uporabili 100 dreves, 10 globin dreves, 1 minimalno velikost vozlišča in Ginijev indeks primesi. Razvrstitev novih podatkov se določi z večino glasov. XGBoost je algoritem, ki združuje tehnike povečevanja z metodo, ki kot učne podatke vzame napako med dejanskimi in napovedanimi vrednostmi prejšnjega modela in napako poveča z uporabo gradientov49. Zaradi dobre zmogljivosti in učinkovitosti virov ter visoke zanesljivosti kot korekcijske funkcije preobremenitve je to široko uporabljen algoritem. Model je opremljen s 400 podpornimi kolesi. MLP je nevronska mreža, v kateri eden ali več perceptronov tvori več plasti z eno ali več skritimi plastmi med vhodno in izhodno plastjo38. S tem lahko izvedete nelinearno klasifikacijo, kjer se ob dodajanju vhodne plasti in pridobitvi vrednosti rezultata predvidena vrednost rezultata primerja z dejansko vrednostjo rezultata in napaka se posreduje nazaj. Ustvarili smo skrito plast z 20 skritimi nevroni v vsaki plasti. Vsak model, ki smo ga razvili, smo uporabili za notranje in zunanje množice za testiranje učinkovitosti klasifikacije z izračunom občutljivosti, specifičnosti, PPV, NPV in AUROC. Občutljivost je opredeljena kot razmerje med vzorcem, za katerega je ocenjeno, da je star 18 let ali več, in vzorcem, za katerega je ocenjeno, da je star 18 let ali več. Specifičnost je delež vzorcev, mlajših od 18 let, in tistih, za katere je ocenjeno, da so mlajši od 18 let.
Zobne stopnje, ocenjene v učnem naboru, so bile za statistično analizo pretvorjene v numerične stopnje. Za razvoj napovednih modelov za vsak spol in izpeljavo regresijskih formul, ki jih je mogoče uporabiti za oceno starosti, sta bili izvedeni multivariatna linearna in logistična regresija. Te formule smo uporabili za oceno starosti zob tako za interne kot za eksterne testne nabore. Tabela 4 prikazuje regresijske in klasifikacijske modele, uporabljene v tej študiji.
Zanesljivost znotraj in med opazovalci smo izračunali z uporabo Cohenove kappa statistike. Za preverjanje natančnosti modelov DM in tradicionalnih regresijskih modelov smo izračunali MAE in RMSE z uporabo ocenjene in dejanske starosti internih in eksternih testnih nizov. Te napake se pogosto uporabljajo za oceno natančnosti napovedi modelov. Manjša kot je napaka, večja je natančnost napovedi24. Primerjajte MAE in RMSE internih in eksternih testnih nizov, izračunanih z uporabo DM in tradicionalne regresije. Uspešnost klasifikacije 18-letne mejne vrednosti v tradicionalni statistiki smo ocenili z uporabo kontingenčne tabele 2 × 2. Izračunana občutljivost, specifičnost, PPV, NPV in AUROC testnega niza smo primerjali z izmerjenimi vrednostmi klasifikacijskega modela DM. Podatki so izraženi kot povprečje ± standardni odklon ali število (%), odvisno od značilnosti podatkov. Dvostranske vrednosti P < 0,05 so bile ocenjene kot statistično pomembne. Vse rutinske statistične analize smo izvedli z uporabo programa SAS različice 9.4 (SAS Institute, Cary, NC). Regresijski model DM je bil implementiran v Pythonu z uporabo zalednega okolja Keras50 2.2.4 in Tensorflow51 1.8.0, posebej za matematične operacije. Klasifikacijski model DM je bil implementiran v okolju Waikato Knowledge Analysis Environment in analitični platformi Konstanz Information Miner (KNIME) 4.6.152.
Avtorji potrjujejo, da so podatki, ki podpirajo zaključke študije, na voljo v članku in dodatnih gradivih. Nabori podatkov, ustvarjeni in/ali analizirani med študijo, so na voljo pri ustreznem avtorju na razumno zahtevo.
Ritz-Timme, S. idr. Ugotavljanje starosti: najsodobnejša tehnologija za izpolnjevanje posebnih zahtev forenzične prakse. Mednarodnost. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. in Olze, A. Trenutno stanje forenzične ocene starosti živih oseb za namene kazenskega pregona. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. Spremenjena metoda za ocenjevanje zobne starosti otrok, starih od 5 do 16 let, v vzhodni Kitajski. klinična. Ustna raziskava. 25, 3463–3474 (2021).
Lee, SS itd. Kronologija razvoja drugih in tretjih molarjev pri Korejcih in njena uporaba za forenzično oceno starosti. Internationality. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY in Lee, SS Natančnost ocene starosti in ocena 18-letnega praga na podlagi zrelosti drugih in tretjih molarjev pri Korejcih in Japoncih. PLoS ONE 17, e0271247 (2022).
Kim, JY in sod. Predoperativna analiza podatkov na podlagi strojnega učenja lahko napoveduje izid zdravljenja s kirurškim posegom v spanju pri bolnikih z OSA. the science. Poročilo 11, 14911 (2021).
Han, M. et al. Natančna ocena starosti s strojnim učenjem z ali brez človeškega posredovanja? Mednarodnost. J. Legal medicine. 136, 821–831 (2022).
Khan, S. in Shaheen, M. Od rudarjenja podatkov do rudarjenja podatkov. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. in Shaheen, M. WisRule: Prvi kognitivni algoritem za rudarjenje asociacijskih pravil. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. in Abdullah U. Karm: Tradicionalno podatkovno rudarjenje, ki temelji na kontekstualnih asociacijskih pravilih. izračun. Matt. nadaljevanje. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. in Habib M. Zaznavanje semantične podobnosti na podlagi globokega učenja z uporabo besedilnih podatkov. inform. tehnologije. nadzor. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. in Shahin, M. Sistem za prepoznavanje aktivnosti v športnih videoposnetkih. multimedija. Orodja Aplikacije https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Izziv strojnega učenja RSNA pri pediatrični kostni starosti. Radiology 290, 498–503 (2019).
Li, Y. et al. Forenzična ocena starosti na podlagi rentgenskih slik medenice z uporabo globokega učenja. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC in sod. Natančna starostna klasifikacija z uporabo ročnih metod in globokih konvolucijskih nevronskih mrež iz ortografskih projekcijskih slik. Internationality. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora in sod. Ocenjevanje starosti kosti z uporabo različnih metod strojnega učenja: sistematični pregled literature in metaanaliza. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. in Yang, J. Ocena starosti Afroameričanov in Kitajcev, specifična za populacijo, na podlagi volumna pulpne komore prvih molarjev z uporabo stožčasto-žarkovne računalniške tomografije. internacionalnost. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK in Oh KS Določanje starostnih skupin živečih ljudi z uporabo slik prvih molarjev, ki temeljijo na umetni inteligenci. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. in Urschler, M. Samodejna ocena starosti in razvrščanje v večinsko starost iz multivariatnih podatkov MRI. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. in Li, G. Ocena starosti na podlagi 3D segmentacije pulpne komore prvih molarjev iz stožčasto-žarkovne računalniške tomografije z integracijo globokega učenja in nizov nivojev. Internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT in sod. Rudarjenje podatkov v kliničnih velepodatkih: skupne podatkovne baze, koraki in metode modelov. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Uvod v medicinske podatkovne baze in tehnologije podatkovnega rudarjenja v dobi velikih podatkov. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. et al. Camererjeva metoda za ocenjevanje starosti zob z uporabo strojnega učenja. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Primerjava različnih metod strojnega učenja za napovedovanje zobne starosti z uporabo Demirdjianove metode določanja stadija. Internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. in Tanner, JM Nov sistem za ocenjevanje zobne starosti. snort. biology. 45, 211–227 (1973).
Landis, JR in Koch, GG Mere ujemanja opazovalcev o kategoričnih podatkih. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK in Choi HK. Teksturna, morfološka in statistična analiza dvodimenzionalnega slikanja z magnetno resonanco z uporabo tehnik umetne inteligence za diferenciacijo primarnih možganskih tumorjev. Vir zdravstvenih informacij. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Čas objave: 4. januar 2024