Dziękujemy za odwiedzenie strony Nature.com. Używana przez Ciebie wersja przeglądarki ma ograniczoną obsługę CSS. Aby uzyskać najlepsze rezultaty, zalecamy korzystanie z nowszej wersji przeglądarki (lub wyłączenie trybu zgodności w przeglądarce Internet Explorer). W międzyczasie, aby zapewnić ciągłą obsługę, wyświetlamy witrynę bez stylów i JavaScriptu.
Zęby są uważane za najdokładniejszy wskaźnik wieku ludzkiego ciała i są często wykorzystywane w sądowej ocenie wieku. Naszym celem była walidacja szacunków wieku zębowego opartych na eksploracji danych poprzez porównanie dokładności estymacji i skuteczności klasyfikacji progu 18 lat z metodami tradycyjnymi i szacunkami wieku opartymi na eksploracji danych. Zebrano łącznie 2657 zdjęć pantomograficznych od obywateli Korei i Japonii w wieku od 15 do 23 lat. Podzielono je na zbiór treningowy, każdy zawierający 900 zdjęć rentgenowskich koreańskich, oraz wewnętrzny zbiór testowy zawierający 857 zdjęć rentgenowskich japońskich. Porównaliśmy dokładność klasyfikacji i skuteczność metod tradycyjnych z zestawami testowymi modeli eksploracji danych. Dokładność metody tradycyjnej w wewnętrznym zbiorze testowym jest nieznacznie wyższa niż dokładność modelu eksploracji danych, a różnica jest niewielka (średni błąd bezwzględny <0,21 roku, pierwiastek średniego błędu kwadratowego <0,24 roku). Skuteczność klasyfikacji dla progu 18 lat jest również podobna między metodami tradycyjnymi i modelami eksploracji danych. W związku z tym tradycyjne metody można zastąpić modelami eksploracji danych podczas przeprowadzania oceny wieku zębów na podstawie dojrzałości drugich i trzecich zębów trzonowych u koreańskich nastolatków i młodych dorosłych.
Oszacowanie wieku zębowego jest szeroko stosowane w medycynie sądowej i stomatologii dziecięcej. W szczególności, ze względu na wysoką korelację między wiekiem chronologicznym a rozwojem uzębienia, ocena wieku na podstawie stadiów rozwoju uzębienia jest ważnym kryterium oceny wieku dzieci i młodzieży1,2,3. Jednak w przypadku młodych osób szacowanie wieku zębowego na podstawie dojrzałości zębowej ma swoje ograniczenia, ponieważ wzrost zębów jest prawie zakończony, z wyjątkiem trzecich zębów trzonowych. Prawnym celem określania wieku młodych osób i młodzieży jest dostarczenie dokładnych szacunków i dowodów naukowych na to, czy osiągnęli oni pełnoletność. W praktyce medyczno-prawnej młodzieży i młodych dorosłych w Korei wiek szacowano za pomocą metody Lee, a próg prawny 18 lat przewidziano na podstawie danych zgłoszonych przez Oh i in.5.
Uczenie maszynowe to rodzaj sztucznej inteligencji (AI), która wielokrotnie uczy się i klasyfikuje duże ilości danych, samodzielnie rozwiązuje problemy i kieruje programowaniem danych. Uczenie maszynowe może odkrywać użyteczne ukryte wzorce w dużych wolumenach danych6. Z kolei klasyczne metody, które są pracochłonne i czasochłonne, mogą mieć ograniczenia w przypadku dużych wolumenów złożonych danych, które są trudne do ręcznego przetwarzania7. Dlatego ostatnio przeprowadzono wiele badań z wykorzystaniem najnowszych technologii komputerowych w celu zminimalizowania błędów ludzkich i wydajnego przetwarzania danych wielowymiarowych8,9,10,11,12. W szczególności głębokie uczenie jest szeroko stosowane w analizie obrazów medycznych, a różne metody szacowania wieku poprzez automatyczną analizę zdjęć rentgenowskich poprawiają dokładność i wydajność szacowania wieku13,14,15,16,17,18,19,20. Na przykład Halabi i in.13 opracowali algorytm uczenia maszynowego oparty na splotowych sieciach neuronowych (CNN) w celu oszacowania wieku szkieletowego na podstawie zdjęć rentgenowskich dłoni dzieci. W niniejszym badaniu zaproponowano model, który stosuje uczenie maszynowe do obrazów medycznych i pokazuje, że te metody mogą poprawić dokładność diagnostyczną. Li i wsp. [14] oszacowali wiek na podstawie zdjęć rentgenowskich miednicy za pomocą głębokiego uczenia się sieci neuronowej CNN i porównali je z wynikami regresji przy użyciu szacowania stopnia kostnienia. Stwierdzili, że głęboki model uczenia się sieci neuronowej CNN wykazał taką samą skuteczność szacowania wieku, jak tradycyjny model regresji. Badanie Guo i wsp. [15] oceniło skuteczność klasyfikacji tolerancji wieku technologii CNN na podstawie ortofotomap stomatologicznych, a wyniki modelu CNN dowiodły, że ludzie osiągnęli lepsze wyniki w klasyfikacji wieku.
Większość badań nad szacowaniem wieku z wykorzystaniem uczenia maszynowego wykorzystuje metody głębokiego uczenia13,14,15,16,17,18,19,20. Szacowanie wieku oparte na uczeniu głębokim jest uważane za dokładniejsze niż metody tradycyjne. Jednak podejście to daje niewiele możliwości przedstawienia naukowych podstaw szacowania wieku, takich jak wskaźniki wieku używane w szacowaniach. Istnieje również spór prawny dotyczący tego, kto przeprowadza inspekcje. Dlatego szacowanie wieku oparte na uczeniu głębokim jest trudne do zaakceptowania przez organy administracyjne i sądowe. Eksploracja danych (DM) to technika, która może odkryć nie tylko oczekiwane, ale także nieoczekiwane informacje jako metodę odkrywania użytecznych korelacji między dużymi ilościami danych6,21,22. Uczenie maszynowe jest często wykorzystywane w eksploracji danych, a zarówno eksploracja danych, jak i uczenie maszynowe wykorzystują te same kluczowe algorytmy do odkrywania wzorców w danych. Szacowanie wieku z wykorzystaniem rozwoju uzębienia opiera się na ocenie dojrzałości zębów docelowych przez osobę badającą, a ocena ta jest wyrażana jako etap dla każdego zęba docelowego. Model DM może być wykorzystywany do analizy korelacji między etapem oceny uzębienia a wiekiem rzeczywistym i ma potencjał zastąpienia tradycyjnej analizy statystycznej. Dlatego też, jeśli zastosujemy techniki DM do szacowania wieku, możemy wdrożyć uczenie maszynowe w szacowaniu wieku w sądach, bez obaw o odpowiedzialność prawną. Opublikowano kilka badań porównawczych dotyczących możliwych alternatyw dla tradycyjnych metod manualnych stosowanych w praktyce sądowej i metod opartych na EBM do określania wieku uzębienia. Shen i wsp. [23] wykazali, że model DM jest dokładniejszy niż tradycyjny wzór Camerera. Galibourg i wsp. [24] zastosowali różne metody DM do przewidywania wieku zgodnie z kryterium Demirdjiana [25], a wyniki pokazały, że metoda DM przewyższała metody Demirdjiana i Willemsa w szacowaniu wieku populacji francuskiej.
Aby oszacować wiek zębowy koreańskich nastolatków i młodych dorosłych, w koreańskiej praktyce kryminalistycznej powszechnie stosowana jest metoda Lee 4 . Metoda ta wykorzystuje tradycyjną analizę statystyczną (taką jak regresja wielokrotna) do zbadania związku między osobami koreańskimi a wiekiem chronologicznym. W niniejszym badaniu metody szacowania wieku uzyskane za pomocą tradycyjnych metod statystycznych są definiowane jako „metody tradycyjne”. Metoda Lee jest metodą tradycyjną, a jej dokładność została potwierdzona przez Oh i in. 5 ; jednakże przydatność szacowania wieku w oparciu o model DM w koreańskiej praktyce kryminalistycznej jest nadal wątpliwa. Naszym celem było naukowe potwierdzenie potencjalnej przydatności szacowania wieku w oparciu o model DM. Celem niniejszego badania było (1) porównanie dokładności dwóch modeli DM w szacowaniu wieku zębowego i (2) porównanie wydajności klasyfikacji 7 modeli DM w wieku 18 lat z modelami uzyskanymi za pomocą tradycyjnych metod statystycznych Dojrzałość drugich i trzecich zębów trzonowych w obu szczękach.
Średnie i odchylenia standardowe wieku chronologicznego według stadium i rodzaju zęba przedstawiono online w Tabeli Uzupełniającej S1 (zestaw treningowy), Tabeli Uzupełniającej S2 (zestaw testów wewnętrznych) i Tabeli Uzupełniającej S3 (zestaw testów zewnętrznych). Wartości kappa dla rzetelności wewnątrz- i międzyobserwatorowej uzyskane z zestawu treningowego wyniosły odpowiednio 0,951 i 0,947. Wartości p i 95% przedziały ufności dla wartości kappa przedstawiono w Tabeli Uzupełniającej S4. Wartość kappa zinterpretowano jako „prawie idealną”, co jest zgodne z kryteriami Landisa i Kocha26.
Porównując średni błąd bezwzględny (MAE), tradycyjna metoda nieznacznie przewyższa model DM dla wszystkich płci i w zewnętrznym męskim zestawie testowym, z wyjątkiem perceptronu wielowarstwowego (MLP). Różnica między modelem tradycyjnym a modelem DM w wewnętrznym zestawie testowym MAE wynosiła 0,12–0,19 roku dla mężczyzn i 0,17–0,21 roku dla kobiet. W przypadku zewnętrznego zestawu testów różnice są mniejsze (0,001–0,05 roku dla mężczyzn i 0,05–0,09 roku dla kobiet). Ponadto, pierwiastek średniego błędu kwadratowego (RMSE) jest nieco niższy niż w metodzie tradycyjnej, z mniejszymi różnicami (0,17–0,24, 0,2–0,24 dla męskiego wewnętrznego zestawu testowego i 0,03–0,07, 0,04–0,08 dla zewnętrznego zestawu testowego). ). MLP wykazuje nieznacznie lepszą wydajność niż perceptron jednowarstwowy (SLP), z wyjątkiem zewnętrznego zestawu testowego dla kobiet. W przypadku MAE i RMSE, zewnętrzny zestaw testów uzyskał wyższe wyniki niż wewnętrzny zestaw testów dla wszystkich płci i modeli. Wszystkie MAE i RMSE przedstawiono w Tabeli 1 i na Rysunku 1.
MAE i RMSE tradycyjnych modeli regresji i eksploracji danych. Średni błąd bezwzględny MAE, pierwiastek średniokwadratowego błędu RMSE, perceptron jednowarstwowy SLP, perceptron wielowarstwowy MLP, tradycyjna metoda CM.
Wydajność klasyfikacji (z punktem odcięcia 18 lat) modelu tradycyjnego i DM została wykazana pod względem czułości, swoistości, dodatniej wartości predykcyjnej (PPV), ujemnej wartości predykcyjnej (NPV) i pola pod krzywą charakterystyki operacyjnej odbiornika (AUROC) 27 (Tabela 2, Rysunek 2 i Rysunek uzupełniający 1 online). Jeśli chodzi o czułość wewnętrznej baterii testów, tradycyjne metody wypadły najlepiej u mężczyzn, a gorzej u kobiet. Jednak różnica w wydajności klasyfikacji między metodami tradycyjnymi a SD wynosi 9,7% dla mężczyzn (MLP) i tylko 2,4% dla kobiet (XGBoost). Wśród modeli DM regresja logistyczna (LR) wykazała lepszą czułość u obu płci. Jeśli chodzi o swoistość wewnętrznego zestawu testowego, zaobserwowano, że cztery modele SD wypadły dobrze u mężczyzn, podczas gdy tradycyjny model wypadł lepiej u kobiet. Różnice w wydajności klasyfikacji dla mężczyzn i kobiet wynoszą odpowiednio 13,3% (MLP) i 13,1% (MLP), co wskazuje, że różnica w wydajności klasyfikacji między modelami przekracza czułość. Spośród modeli DM, modele maszyny wektorów nośnych (SVM), drzewa decyzyjnego (DT) i lasu losowego (RF) wypadły najlepiej wśród mężczyzn, podczas gdy model LR wypadł najlepiej wśród kobiet. AUROC modelu tradycyjnego i wszystkich modeli SD było większe niż 0,925 (k najbliższych sąsiadów (KNN) u mężczyzn), co wskazuje na doskonałą wydajność klasyfikacji w rozróżnianiu próbek 18-latków28. W przypadku zewnętrznego zestawu testowego zaobserwowano spadek wydajności klasyfikacji pod względem czułości, swoistości i AUROC w porównaniu z wewnętrznym zestawem testowym. Ponadto różnica w czułości i swoistości między wydajnością klasyfikacji najlepszych i najgorszych modeli wahała się od 10% do 25% i była większa niż różnica w wewnętrznym zestawie testowym.
Czułość i swoistość modeli klasyfikacji eksploracji danych w porównaniu z tradycyjnymi metodami z punktem odcięcia 18 lat. Najbliższy sąsiad KNN k, maszyna wektorów nośnych SVM, regresja logistyczna LR, drzewo decyzyjne DT, las losowy RF, XGB XGBoost, wielowarstwowy perceptron MLP, tradycyjna metoda CM.
Pierwszym krokiem w tym badaniu było porównanie dokładności szacunków wieku zębowego uzyskanych z siedmiu modeli DM z tymi uzyskanymi przy użyciu tradycyjnej regresji. MAE i RMSE oceniano w wewnętrznych zestawach testowych dla obu płci, a różnica między metodą tradycyjną a modelem DM wynosiła od 44 do 77 dni dla MAE i od 62 do 88 dni dla RMSE. Chociaż tradycyjna metoda była nieco dokładniejsza w tym badaniu, trudno jest stwierdzić, czy tak niewielka różnica ma znaczenie kliniczne lub praktyczne. Wyniki te wskazują, że dokładność szacowania wieku zębowego przy użyciu modelu DM jest prawie taka sama, jak w przypadku metody tradycyjnej. Bezpośrednie porównanie z wynikami poprzednich badań jest trudne, ponieważ żadne badanie nie porównywało dokładności modeli DM z tradycyjnymi metodami statystycznymi przy użyciu tej samej techniki rejestrowania zębów w tym samym przedziale wiekowym, co w tym badaniu. Galibourg i wsp.24 porównali MAE i RMSE między dwiema tradycyjnymi metodami (metodą Demirjiana25 i metodą Willemsa29) i 10 modelami DM w populacji francuskiej w wieku od 2 do 24 lat. Poinformowali, że wszystkie modele DM były dokładniejsze niż tradycyjne metody, z różnicami wynoszącymi odpowiednio 0,20 i 0,38 roku w MAE oraz 0,25 i 0,47 roku w RMSE w porównaniu z metodami Willemsa i Demirdjiana. Rozbieżność między modelem SD a tradycyjnymi metodami wykazana w badaniu Halibourg uwzględnia liczne doniesienia30,31,32,33, że metoda Demirdjiana nie szacuje dokładnie wieku zębowego w populacjach innych niż francuskojęzyczni Kanadyjczycy, na których oparto badanie. w tym badaniu. Tai i wsp. 34 użyli algorytmu MLP do przewidzenia wieku zębów na podstawie 1636 chińskich zdjęć ortodontycznych i porównali jego dokładność z wynikami metody Demirjiana i Willemsa. Poinformowali, że MLP ma wyższą dokładność niż tradycyjne metody. Różnica między metodą Demirdjiana a metodą tradycyjną wynosi <0,32 roku, a metoda Willemsa wynosi 0,28 roku, co jest podobne do wyników niniejszego badania. Wyniki tych wcześniejszych badań24,34 są również spójne z wynikami niniejszego badania, a dokładność szacowania wieku za pomocą modelu DM i metody tradycyjnej jest podobna. Jednakże, na podstawie przedstawionych wyników, możemy jedynie ostrożnie stwierdzić, że wykorzystanie modeli DM do szacowania wieku może zastąpić istniejące metody ze względu na brak porównawczych i referencyjnych wcześniejszych badań. Konieczne są badania uzupełniające z wykorzystaniem większych prób, aby potwierdzić wyniki uzyskane w tym badaniu.
Wśród badań testujących dokładność SD w szacowaniu wieku zębowego, niektóre wykazały wyższą dokładność niż nasze badanie. Stepanovsky i wsp. 35 zastosowali 22 modele SD do zdjęć pantomograficznych 976 mieszkańców Czech w wieku od 2,7 do 20,5 roku i przetestowali dokładność każdego modelu. Ocenili rozwój łącznie 16 górnych i dolnych lewych zębów stałych, stosując kryteria klasyfikacji zaproponowane przez Moorrees i wsp. 36 . MAE waha się od 0,64 do 0,94 roku, a RMSE waha się od 0,85 do 1,27 roku, które są dokładniejsze niż dwa modele DM użyte w tym badaniu. Shen i wsp. 23 zastosowali metodę Cameriere'a do oszacowania wieku zębowego siedmiu zębów stałych w lewej żuchwie u mieszkańców wschodnich Chin w wieku od 5 do 13 lat i porównali ją z wiekami oszacowanymi za pomocą regresji liniowej, SVM i RF. Wykazali, że wszystkie trzy modele DM mają wyższą dokładność w porównaniu z tradycyjnym wzorem Cameriere'a. MAE i RMSE w badaniu Shena były niższe niż w modelu DM w tym badaniu. Zwiększona precyzja badań Stepanovsky'ego i in. 35 i Shena i in. 23 może wynikać z włączenia młodszych osób do ich próbek badawczych. Ponieważ szacunki wieku uczestników z rozwijającymi się zębami stają się dokładniejsze wraz ze wzrostem liczby zębów w trakcie rozwoju uzębienia, dokładność wynikającej z tego metody szacowania wieku może być zagrożona, gdy uczestnicy badania są młodsi. Ponadto błąd MLP w szacowaniu wieku jest nieco mniejszy niż SLP, co oznacza, że MLP jest dokładniejszy niż SLP. MLP jest uważany za nieco lepszy do szacowania wieku, prawdopodobnie ze względu na ukryte warstwy w MLP38. Istnieje jednak wyjątek dla zewnętrznej próby kobiet (SLP 1,45, MLP 1,49). Odkrycie, że MLP jest dokładniejszy niż SLP w ocenie wieku, wymaga dodatkowych badań retrospektywnych.
Porównano również wydajność klasyfikacji modelu DM i tradycyjnej metody na progu 18 lat. Wszystkie testowane modele SD i tradycyjne metody w wewnętrznym zestawie testowym wykazały praktycznie akceptowalne poziomy dyskryminacji dla 18-letniej próby. Czułość dla mężczyzn i kobiet była większa niż 87,7% i 94,9%, odpowiednio, a swoistość była większa niż 89,3% i 84,7%. AUROC wszystkich testowanych modeli również przekracza 0,925. Według naszej najlepszej wiedzy, żadne badanie nie testowało wydajności modelu DM dla klasyfikacji 18-letniej na podstawie dojrzałości zębowej. Możemy porównać wyniki tego badania z wydajnością klasyfikacji modeli głębokiego uczenia na zdjęciach pantomograficznych. Guo i in.15 obliczyli wydajność klasyfikacji modelu głębokiego uczenia opartego na CNN i metody manualnej opartej na metodzie Demirjiana dla pewnego progu wiekowego. Czułość i swoistość metody manualnej wyniosły odpowiednio 87,7% i 95,5%, a czułość i swoistość modelu CNN przekroczyły odpowiednio 89,2% i 86,6%. Stwierdzili, że modele głębokiego uczenia mogą zastąpić lub przewyższyć ocenę manualną w klasyfikowaniu progów wiekowych. Wyniki tego badania wykazały podobną wydajność klasyfikacji; Uważa się, że klasyfikacja z wykorzystaniem modeli DM może zastąpić tradycyjne metody statystyczne do szacowania wieku. Spośród modeli DM LR był najlepszym modelem pod względem czułości dla próby męskiej oraz czułości i swoistości dla próby żeńskiej. LR zajmuje drugie miejsce pod względem swoistości dla mężczyzn. Ponadto LR jest uważany za jeden z bardziej przyjaznych dla użytkownika modeli DM35 i jest mniej złożony i trudny do przetworzenia. Na podstawie tych wyników LR został uznany za najlepszy model klasyfikacji odcięcia dla 18-latków w populacji koreańskiej.
Ogólnie rzecz biorąc, dokładność szacowania wieku lub wydajność klasyfikacji w zewnętrznym zestawie testowym była słaba lub niższa w porównaniu z wynikami w wewnętrznym zestawie testowym. Niektóre raporty wskazują, że dokładność lub wydajność klasyfikacji maleje, gdy szacunki wieku oparte na populacji koreańskiej są stosowane do populacji japońskiej5,39, a podobny wzorzec zaobserwowano w niniejszym badaniu. Tę tendencję pogorszenia zaobserwowano również w modelu DM. Dlatego, aby dokładnie oszacować wiek, nawet przy użyciu DM w procesie analizy, należy preferować metody pochodzące z danych populacji rodzimej, takie jak metody tradycyjne5,39,40,41,42. Ponieważ nie jest jasne, czy modele głębokiego uczenia mogą wykazywać podobne trendy, potrzebne są badania porównujące dokładność i wydajność klasyfikacji przy użyciu metod tradycyjnych, modeli DM i modeli głębokiego uczenia na tych samych próbkach, aby potwierdzić, czy sztuczna inteligencja może pokonać te różnice rasowe w ograniczonych ocenach wieku.
Wykazaliśmy, że tradycyjne metody można zastąpić szacowaniem wieku opartym na modelu głębokiego uczenia (DM) w praktyce szacowania wieku w sądach sądowych w Korei. Odkryliśmy również możliwość wdrożenia uczenia maszynowego do szacowania wieku w sądach sądowych. Istnieją jednak wyraźne ograniczenia, takie jak niewystarczająca liczba uczestników badania, aby ostatecznie ustalić wyniki, oraz brak wcześniejszych badań porównujących i potwierdzających wyniki tego badania. W przyszłości badania głębokiego uczenia (DM) powinny być przeprowadzane na większej liczbie prób i bardziej zróżnicowanych populacjach, aby poprawić ich praktyczną przydatność w porównaniu z metodami tradycyjnymi. Aby zweryfikować wykonalność wykorzystania sztucznej inteligencji do szacowania wieku w wielu populacjach, potrzebne są dalsze badania porównujące dokładność klasyfikacji i efektywność modeli głębokiego uczenia (DM) i głębokiego uczenia (Deep Learning) z tradycyjnymi metodami w tych samych próbach.
W badaniu wykorzystano 2657 zdjęć ortograficznych zebranych od dorosłych Koreańczyków i Japończyków w wieku od 15 do 23 lat. Koreańskie zdjęcia rentgenowskie podzielono na 900 zestawów szkoleniowych (19,42 ± 2,65 roku) i 900 wewnętrznych zestawów testowych (19,52 ± 2,59 roku). Zestaw szkoleniowy zebrano w jednej placówce (Szpital St. Mary's w Seulu), a własny zestaw testowy zebrano w dwóch placówkach (Szpital Stomatologiczny Uniwersytetu Narodowego w Seulu i Szpital Stomatologiczny Uniwersytetu Yonsei). Zebraliśmy również 857 zdjęć rentgenowskich z innej populacji (Uniwersytet Medyczny Iwate, Japonia) do testów zewnętrznych. Zdjęcia rentgenowskie osób japońskich (19,31 ± 2,60 roku) wybrano jako zewnętrzny zestaw testowy. Dane zebrano retrospektywnie w celu analizy etapów rozwoju uzębienia na zdjęciach pantomograficznych wykonanych podczas leczenia stomatologicznego. Wszystkie zebrane dane były anonimowe, z wyjątkiem płci, daty urodzenia i daty wykonania zdjęcia rentgenowskiego. Kryteria włączenia i wykluczenia były takie same jak w przypadku wcześniej opublikowanych badań 4 , 5 . Rzeczywisty wiek próbki obliczono, odejmując datę urodzenia od daty wykonania zdjęcia rentgenowskiego. Grupę próby podzielono na dziewięć grup wiekowych. Dystrybucja wieku i płci została przedstawiona w Tabeli 3. Badanie przeprowadzono zgodnie z Deklaracją Helsińską i zatwierdzono przez Instytucjonalną Komisję Etyczną (IRB) Szpitala St. Mary's w Seulu Katolickiego Uniwersytetu Korei (KC22WISI0328). Ze względu na retrospektywny charakter badania nie udało się uzyskać świadomej zgody od wszystkich pacjentów poddawanych badaniu radiograficznemu w celach terapeutycznych. Szpital Uniwersytetu St. Mary's w Seulu Korea (IRB) zrezygnował z wymogu uzyskania świadomej zgody.
Stadia rozwojowe obuszczękowych drugich i trzecich zębów trzonowych oceniano zgodnie z kryteriami Demircana25. Wybierano tylko jeden ząb, jeśli po lewej i prawej stronie każdej szczęki znajdował się ten sam typ zęba. Jeśli zęby homologiczne po obu stronach znajdowały się na różnych etapach rozwoju, wybierano ząb w niższym stadium rozwoju, aby uwzględnić niepewność szacowanego wieku. Sto losowo wybranych zdjęć rentgenowskich z zestawu treningowego zostało ocenionych przez dwóch doświadczonych obserwatorów w celu sprawdzenia wiarygodności międzyobserwatorskiej po wstępnej kalibracji w celu określenia stopnia dojrzałości zębów. Wiarygodność wewnątrzobserwatorska była oceniana dwukrotnie w odstępach trzymiesięcznych przez głównego obserwatora.
Płeć i stadium rozwoju drugich i trzecich zębów trzonowych każdej szczęki w zestawie treningowym zostały oszacowane przez głównego obserwatora wyszkolonego przy użyciu różnych modeli DM, a rzeczywisty wiek został ustawiony jako wartość docelowa. Modele SLP i MLP, które są szeroko stosowane w uczeniu maszynowym, zostały przetestowane pod kątem algorytmów regresji. Model DM łączy funkcje liniowe wykorzystujące stadia rozwojowe czterech zębów i łączy te dane w celu oszacowania wieku. SLP jest najprostszą siecią neuronową i nie zawiera warstw ukrytych. SLP działa w oparciu o transmisję progową między węzłami. Model SLP w regresji jest matematycznie podobny do wielokrotnej regresji liniowej. W przeciwieństwie do modelu SLP, model MLP ma wiele warstw ukrytych z nieliniowymi funkcjami aktywacji. Nasze eksperymenty wykorzystały warstwę ukrytą z zaledwie 20 ukrytymi węzłami z nieliniowymi funkcjami aktywacji. Użyj gradientu prostego jako metody optymalizacji oraz MAE i RMSE jako funkcji straty do trenowania naszego modelu uczenia maszynowego. Najlepiej uzyskany model regresji został zastosowany do wewnętrznych i zewnętrznych zestawów testowych, a wiek zębów został oszacowany.
Opracowano algorytm klasyfikacji, który wykorzystuje dojrzałość czterech zębów w zestawie treningowym do przewidywania, czy próbka ma 18 lat, czy nie. Aby zbudować model, wyprowadziliśmy siedem reprezentacyjnych algorytmów uczenia maszynowego6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost i (7) MLP. LR jest jednym z najczęściej używanych algorytmów klasyfikacji44. Jest to algorytm uczenia nadzorowanego, który wykorzystuje regresję do przewidywania prawdopodobieństwa przynależności danych do określonej kategorii od 0 do 1 i klasyfikuje dane jako należące do bardziej prawdopodobnej kategorii na podstawie tego prawdopodobieństwa; stosowany głównie do klasyfikacji binarnej. KNN jest jednym z najprostszych algorytmów uczenia maszynowego45. Po otrzymaniu nowych danych wejściowych, znajduje k danych bliskich istniejącemu zestawowi, a następnie klasyfikuje je do klasy o najwyższej częstotliwości. Ustawiamy 3 dla liczby rozważanych sąsiadów (k). SVM to algorytm maksymalizujący odległość między dwiema klasami poprzez użycie funkcji jądra do rozszerzenia przestrzeni liniowej do przestrzeni nieliniowej zwanej polami46. W tym modelu używamy bias = 1, power = 1 i gamma = 1 jako hiperparametrów dla jądra wielomianowego. DT został zastosowany w różnych polach jako algorytm podziału całego zestawu danych na kilka podgrup poprzez reprezentowanie reguł decyzyjnych w strukturze drzewa47. Model jest skonfigurowany z minimalną liczbą rekordów na węzeł równą 2 i wykorzystuje indeks Giniego jako miarę jakości. RF to metoda zespołowa, która łączy wiele DT w celu poprawy wydajności, wykorzystując metodę agregacji bootstrapowej, która generuje słaby klasyfikator dla każdej próbki poprzez losowe losowanie próbek o tej samej wielkości wielokrotnie z oryginalnego zestawu danych48. Użyliśmy 100 drzew, 10 głębokości drzew, 1 minimalnego rozmiaru węzła i indeksu domieszki Giniego jako kryteriów separacji węzłów. Klasyfikacja nowych danych jest ustalana większością głosów. XGBoost to algorytm łączący techniki wzmacniania za pomocą metody, która przyjmuje jako dane treningowe błąd między rzeczywistymi i przewidywanymi wartościami poprzedniego modelu i zwiększa błąd za pomocą gradientów49. Jest to szeroko stosowany algorytm ze względu na dobrą wydajność i efektywne wykorzystanie zasobów, a także wysoką niezawodność jako funkcja korekcji nadmiernego dopasowania. Model jest wyposażony w 400 kół podporowych. MLP to sieć neuronowa, w której jeden lub więcej perceptronów tworzy wiele warstw z jedną lub więcej ukrytymi warstwami między warstwami wejściową i wyjściową38. Używając tego, można przeprowadzić klasyfikację nieliniową, gdzie po dodaniu warstwy wejściowej i otrzymaniu wartości wynikowej, przewidywana wartość wynikowa jest porównywana z rzeczywistą wartością wynikową, a błąd jest propagowany z powrotem. Stworzyliśmy warstwę ukrytą z 20 ukrytymi neuronami w każdej warstwie. Każdy opracowany przez nas model został zastosowany do zbiorów wewnętrznych i zewnętrznych w celu przetestowania wydajności klasyfikacji poprzez obliczenie czułości, swoistości, PPV, NPV i AUROC. Czułość definiuje się jako stosunek próbki, której wiek szacuje się na 18 lat lub więcej, do próbki, której wiek szacuje się na 18 lat lub więcej. Swoistość to stosunek próbek, których wiek szacuje się na poniżej 18 lat, do próbek, których wiek szacuje się na poniżej 18 lat.
Stopnie uzębienia ocenione w zbiorze treningowym zostały przekształcone w stadia numeryczne w celu przeprowadzenia analizy statystycznej. Przeprowadzono wieloczynnikową regresję liniową i logistyczną w celu opracowania modeli predykcyjnych dla każdej płci i wyprowadzenia wzorów regresji, które można wykorzystać do oszacowania wieku. Wzory te wykorzystano do oszacowania wieku zębów zarówno dla wewnętrznych, jak i zewnętrznych zestawów testowych. Tabela 4 przedstawia modele regresji i klasyfikacji zastosowane w tym badaniu.
Niezawodność wewnątrz- i międzyobserwatorowa została obliczona przy użyciu statystyki kappa Cohena. Aby przetestować dokładność modeli DM i tradycyjnej regresji, obliczyliśmy MAE i RMSE, używając szacowanego i rzeczywistego wieku wewnętrznych i zewnętrznych zestawów testowych. Błędy te są powszechnie stosowane do oceny dokładności przewidywań modelu. Im mniejszy błąd, tym wyższa dokładność prognozy24. Porównaj MAE i RMSE wewnętrznych i zewnętrznych zestawów testowych obliczone przy użyciu DM i tradycyjnej regresji. Wydajność klasyfikacji 18-letniego punktu odcięcia w statystyce tradycyjnej została oceniona przy użyciu tabeli wielodzielczej 2 × 2. Obliczona czułość, swoistość, PPV, NPV i AUROC zestawu testowego zostały porównane ze zmierzonymi wartościami modelu klasyfikacji DM. Dane wyrażono jako średnia ± odchylenie standardowe lub liczba (%) w zależności od charakterystyki danych. Dwustronne wartości p <0,05 uznano za statystycznie istotne. Wszystkie rutynowe analizy statystyczne przeprowadzono przy użyciu oprogramowania SAS w wersji 9.4 (SAS Institute, Cary, NC). Model regresji DM został zaimplementowany w Pythonie z wykorzystaniem backendu Keras50 2.2.4 i Tensorflow51 1.8.0, przeznaczonego specjalnie do operacji matematycznych. Model klasyfikacji DM został zaimplementowany w środowisku Waikato Knowledge Analysis Environment oraz platformie analitycznej Konstanz Information Miner (KNIME) 4.6.152.
Autorzy potwierdzają, że dane potwierdzające wnioski z badania znajdują się w artykule i materiałach uzupełniających. Zestawy danych wygenerowane i/lub przeanalizowane w trakcie badania są dostępne u autora korespondencyjnego na uzasadniony wniosek.
Ritz-Timme, S. i in. Ocena wieku: stan wiedzy w celu spełnienia specyficznych wymagań praktyki kryminalistycznej. Międzynarodowość. J. Medycyna prawna. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. i Olze, A. Aktualny stan sądowej oceny wieku osób żyjących na potrzeby postępowania karnego. Medycyna sądowa. Patologia. 1, 239–246 (2005).
Pan, J. i in. Zmodyfikowana metoda oceny wieku zębowego dzieci w wieku od 5 do 16 lat we wschodnich Chinach. Badanie kliniczne. Badanie ustne. 25, 3463–3474 (2021).
Lee, SS etc. Chronologia rozwoju drugich i trzecich zębów trzonowych u Koreańczyków i jej zastosowanie w ocenie wieku w ramach medycyny sądowej. Międzynarodowość. J. Medycyna prawna. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY i Lee, SS Dokładność szacowania wieku i szacowania progu 18 lat na podstawie dojrzałości drugich i trzecich zębów trzonowych u Koreańczyków i Japończyków. PLoS ONE 17, e0271247 (2022).
Kim, JY i in. Przedoperacyjna analiza danych oparta na uczeniu maszynowym może przewidywać wynik leczenia operacyjnego zaburzeń snu u pacjentów z OSA. the science. Raport 11, 14911 (2021).
Han, M. i in. Dokładne szacowanie wieku za pomocą uczenia maszynowego z udziałem człowieka czy bez? Międzynarodowość. J. Medycyna prawna. 136, 821–831 (2022).
Khan, S. i Shaheen, M. Od eksploracji danych do eksploracji danych. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. WisRule: Pierwszy algorytm poznawczy do eksploracji reguł asocjacyjnych. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Tradycyjne eksplorowanie danych oparte na regułach asocjacyjnych opartych na kontekście. Oblicz. Matt. kontynuuj. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. i Habib M. Wykrywanie podobieństwa semantycznego na podstawie głębokiego uczenia się z wykorzystaniem danych tekstowych. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. i Shahin, M. System rozpoznawania aktywności w filmach sportowych. multimedia. Narzędzia Aplikacje https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS i in. Wyzwanie uczenia maszynowego RSNA w ocenie wieku kostnego u dzieci. Radiologia 290, 498–503 (2019).
Li, Y. i in. Oszacowanie wieku na potrzeby medycyny sądowej na podstawie zdjęć rentgenowskich miednicy z wykorzystaniem głębokiego uczenia. EURO. promieniowanie. 29, 2322–2329 (2019).
Guo, YC i in. Dokładna klasyfikacja wieku z wykorzystaniem metod manualnych i głębokich sieci neuronowych splotowych z obrazów projekcji ortograficznej. Międzynarodowość. J. Medycyna prawna. 135, 1589–1597 (2021).
Alabama Dalora i in. Oszacowanie wieku kostnego z wykorzystaniem różnych metod uczenia maszynowego: systematyczny przegląd literatury i metaanaliza. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. i Yang, J. Szacowanie wieku populacji Afroamerykanów i Chińczyków na podstawie objętości komór miazgi pierwszych zębów trzonowych przy użyciu tomografii komputerowej wiązki stożkowej. Internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK i Oh KS Określanie grup wiekowych żyjących osób z wykorzystaniem obrazów pierwszych zębów trzonowych opartych na sztucznej inteligencji. the science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. i Urschler, M. Automatyczna ocena wieku i klasyfikacja wieku większości na podstawie danych z wieloczynnikowego MRI. IEEE J. Biomed. Alerty zdrowotne. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. i Li, G. Oszacowanie wieku na podstawie segmentacji komory miazgi 3D pierwszych zębów trzonowych za pomocą tomografii komputerowej wiązki stożkowej z wykorzystaniem integracji głębokiego uczenia i zestawów poziomów. Internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT i in. Eksploracja danych w klinicznych dużych zbiorach danych: wspólne bazy danych, kroki i modele metod. Świat. medycyna. źródło. 8, 44 (2021).
Yang, J. i in. Wprowadzenie do baz danych medycznych i technologii eksploracji danych w erze Big Data. J. Avid. Podstawy medycyny. 13, 57–69 (2020).
Shen, S. i in. Metoda Camerera do szacowania wieku zębów z wykorzystaniem uczenia maszynowego. BMC Oral Health 21, 641 (2021).
Galliburg A. i in. Porównanie różnych metod uczenia maszynowego do przewidywania wieku zębowego z wykorzystaniem metody stagingu Demirdjiana. Internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Nowy system oceny wieku zębowego. snort. biology. 45, 211–227 (1973).
Landis, JR i Koch, GG. Miary zgodności obserwatorów w odniesieniu do danych kategorycznych. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK i Choi HK. Analiza teksturalna, morfologiczna i statystyczna dwuwymiarowego obrazowania metodą rezonansu magnetycznego z wykorzystaniem technik sztucznej inteligencji do różnicowania pierwotnych guzów mózgu. Informacje zdrowotne. Zasób. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Czas publikacji: 04-01-2024