Hatur nuhun pikeun ngadatangan Nature.com.Versi browser anu anjeun anggo gaduh dukungan CSS kawates.Pikeun hasil nu pangsaena, kami nyarankeun make versi anyar tina browser anjeun (atawa mareuman mode kasaluyuan dina Internet Explorer).Samentara éta, pikeun mastikeun rojongan lumangsung, kami némbongkeun situs tanpa styling atanapi JavaScript.
Huntu dianggap indikator paling akurat ngeunaan umur awak manusa sareng sering dianggo dina penilaian umur forensik.Urang aimed mun sangkan méré konfirmasi data basis pertambangan perkiraan umur dental ku ngabandingkeun akurasi estimasi jeung kinerja klasifikasi tina bangbarung 18-taun kalawan métode tradisional jeung data perkiraan umur basis pertambangan.Jumlahna aya 2657 radiographs panoramik dikumpulkeun ti warga Korea jeung Jepang umur 15 nepi ka 23 taun.Aranjeunna dibagi kana set latihan, masing-masing ngandung 900 radiographs Korea, sarta hiji set test internal ngandung 857 radiographs Jepang.Kami ngabandingkeun akurasi klasifikasi sareng efisiensi metode tradisional sareng set uji model data pertambangan.Katepatan tina métode tradisional dina set test internal rada luhur batan model data pertambangan, sarta bédana leutik (hartosna kasalahan mutlak <0.21 taun, root mean kasalahan kuadrat <0.24 taun).Kinerja klasifikasi pikeun cutoff 18 taun ogé sarupa antara métode tradisional jeung model pertambangan data.Ku kituna, métode tradisional bisa diganti ku model data pertambangan nalika ngalakukeun assessment umur forensik ngagunakeun kematangan molars kadua jeung katilu di rumaja Korea jeung déwasa ngora.
Estimasi umur dental loba dipaké dina ubar forensik jeung kedokteran gigi murangkalih.Khususna, kusabab korelasi anu luhur antara umur kronologis sareng pamekaran dental, penilaian umur ku tahap pangembangan dental mangrupikeun kriteria penting pikeun meunteun umur murangkalih sareng rumaja1,2,3.Nanging, pikeun jalma ngora, ngira-ngira umur dental dumasar kana kematangan dental aya watesanana sabab pertumbuhan dental ampir lengkep, iwal ti molar katilu.Tujuan hukum pikeun nangtukeun umur nonoman sareng rumaja nyaéta pikeun masihan perkiraan anu akurat sareng bukti ilmiah naha aranjeunna parantos ngahontal umur mayoritas.Dina prakték medico-légal rumaja jeung sawawa ngora di Koréa, umur ieu diperkirakeun ngagunakeun métode Lee urang, sarta bangbarung légal 18 taun diprediksi dumasar kana data dilaporkeun ku Oh et al 5.
Pembelajaran mesin mangrupikeun jinis intelijen buatan (AI) anu sababaraha kali diajar sareng ngagolongkeun jumlah data anu ageung, ngarengsekeun masalah nyalira, sareng ngajalankeun program data.Mesin learning bisa manggihan pola disumputkeun mangpaat dina volume badag data6.Sabalikna, métode klasik, anu merlukeun tanaga gawé sarta méakkeun waktu, bisa jadi boga watesan nalika nungkulan volume badag data kompléks nu hese diolah ku cara manual7.Ku alatan éta, loba studi geus dipigawé anyar ngagunakeun téknologi komputer panganyarna pikeun ngaleutikan kasalahan manusa jeung éfisién ngolah data multidimensional8,9,10,11,12.Khususna, pangajaran jero parantos seueur dianggo dina analisa gambar médis, sareng sababaraha metode pikeun estimasi umur ku cara nganalisa radiografi otomatis parantos dilaporkeun pikeun ningkatkeun akurasi sareng efisiensi estimasi umur13,14,15,16,17,18,19,20. .Contona, Halabi dkk 13 ngembangkeun hiji algoritma machine learning dumasar kana jaringan saraf convolutional (CNN) keur estimasi umur rangka ngagunakeun radiographs leungeun barudak.Panaliti ieu ngajukeun modél anu nerapkeun pembelajaran mesin kana gambar médis sareng nunjukkeun yén metode ieu tiasa ningkatkeun akurasi diagnostik.Li et al14 diperkirakeun umur tina gambar X-ray pelvic ngagunakeun CNN learning jero tur dibandingkeun kalawan hasil regression ngagunakeun estimasi tahap ossification.Aranjeunna mendakan yén modél CNN diajar jero nunjukkeun kinerja estimasi umur anu sami sareng modél régrési tradisional.Ulikan Guo et al. [15] ngevaluasi kinerja klasifikasi kasabaran umur téknologi CNN dumasar kana orthophotos dental, sareng hasil model CNN ngabuktikeun yén manusa ngaleuwihan kinerja klasifikasi umur na.
Kalolobaan studi ngeunaan estimasi umur ngagunakeun learning mesin ngagunakeun métode deep learning13,14,15,16,17,18,19,20.Estimasi umur dumasar kana learning deep dilaporkeun leuwih akurat ti métode tradisional.Nanging, pendekatan ieu masihan sakedik kasempetan pikeun nampilkeun dasar ilmiah pikeun perkiraan umur, sapertos indikator umur anu dianggo dina perkiraan.Aya ogé sengketa hukum ngeunaan saha anu ngalaksanakeun pamariksaan.Ku alatan éta, estimasi umur dumasar kana learning jero hese ditarima ku otoritas administratif jeung yudisial.Data Mining (DM) mangrupa téknik anu bisa manggihan lain ngan nu dipiharep tapi ogé informasi nu teu disangka-sangka salaku métode pikeun manggihan korélasi mangpaat antara jumlah data nu loba6,21,22.Pembelajaran mesin sering dianggo dina pertambangan data, sareng duanana pertambangan data sareng pembelajaran mesin nganggo algoritma konci anu sami pikeun mendakan pola data.Estimasi umur ngagunakeun ngembangkeun dental dumasar kana assessment examiner ngeunaan kematangan huntu target, sarta assessment ieu dinyatakeun salaku tahap pikeun tiap target huntu.DM bisa dipaké pikeun nganalisis korelasi antara tahap assessment dental jeung umur sabenerna sarta boga potensi pikeun ngaganti analisis statistik tradisional.Ku alatan éta, lamun urang nerapkeun téknik DM kana estimasi umur, urang tiasa nerapkeun mesin learning dina estimasi umur forensik tanpa salempang ngeunaan liability légal.Sababaraha studi banding geus diterbitkeun dina kamungkinan alternatif pikeun métode manual tradisional dipaké dina prakték forensik jeung métode basis EBM pikeun nangtukeun umur dental.Shen et al23 nunjukkeun yén modél DM langkung akurat tibatan rumus Camerer tradisional.Galibourg et al24 nerapkeun métode DM béda pikeun ngaduga umur nurutkeun criterion25 Demirdjian sarta hasil némbongkeun yén métode DM outperformed métode Demirdjian na Willems dina estimasi umur populasi Perancis.
Pikeun ngira-ngira umur dental rumaja Korea sareng dewasa ngora, metode Lee 4 seueur dianggo dina prakték forensik Korea.Métode ieu ngagunakeun analisis statistik tradisional (sapertos régrési sababaraha) pikeun nguji hubungan antara mata pelajaran Korea sareng umur kronologis.Dina ulikan ieu, métode estimasi umur diala ngagunakeun métode statistik tradisional dihartikeun salaku "métode tradisional".Metoda Lee nyaéta métode tradisional, sarta akurasi na geus dikonfirmasi ku Oh et al.5;kumaha oge, applicability tina estimasi umur dumasar kana modél DM dina prakték forensik Korea masih questionable.Tujuan kami nya éta sacara ilmiah sangkan méré konfirmasi mangpaat poténsi estimasi umur dumasar kana modél DM.Tujuan tina ieu panalungtikan nyaéta (1) ngabandingkeun akurasi dua modél DM dina estimasi umur dental sareng (2) ngabandingkeun kinerja klasifikasi 7 modél DM dina umur 18 taun sareng anu dicandak ngagunakeun métode statistik tradisional Kematangan kadua. jeung molar katilu dina duanana rahang.
Sarana sareng panyimpangan standar umur kronologis ku tahapan sareng jinis huntu ditingalikeun online dina Méja Suplemén S1 (set latihan), Méja Suplemén S2 (set tés internal), sareng Méja Suplemén S3 (set tés éksternal).Nilai kappa pikeun réliabilitas intra- sareng interobserver anu dicandak tina set latihan nyaéta 0,951 sareng 0,947, masing-masing.Nilai P sareng interval kapercayaan 95% pikeun nilai kappa dipidangkeun dina tabel tambahan online S4.Nilai kappa diinterpretasi salaku "ampir sampurna", saluyu sareng kriteria Landis sareng Koch26.
Lamun ngabandingkeun mean absolute error (MAE), métode tradisional rada outperforms model DM pikeun sakabéh genders sarta dina set test jalu éksternal, iwal multilayer perceptron (MLP).Bédana antara modél tradisional sareng modél DM dina set tés MAE internal nyaéta 0.12-0.19 taun pikeun lalaki sareng 0.17-0.21 taun kanggo awéwé.Pikeun batré tés éksternal, bédana langkung alit (0.001-0.05 taun kanggo lalaki sareng 0.05-0.09 taun kanggo awéwé).Salaku tambahan, kasalahan akar hartosna kuadrat (RMSE) rada handap tina metodeu tradisional, kalayan bédana langkung alit (0.17-0.24, 0.2-0.24 pikeun set tés internal lalaki, sareng 0.03-0.07, 0.04-0.08 pikeun set tés éksternal).).MLP nembongkeun kinerja rada hadé ti Single Layer Perceptron (SLP), iwal dina kasus set test éksternal bikangna.Pikeun MAE sareng RMSE, set tés éksternal ngagaduhan skor langkung luhur tibatan set tés internal pikeun sadaya jinis sareng modél.Sadaya MAE sareng RMSE dipidangkeun dina Tabel 1 sareng Gambar 1.
MAE sareng RMSE tina modél régrési pertambangan tradisional sareng data.Mean absolute error MAE, root mean square error RMSE, single layer perceptron SLP, multilayer perceptron MLP, metode CM tradisional.
Kinerja klasifikasi (kalayan cutoff 18 taun) tina modél tradisional sareng DM ditingalikeun dina hal sensitipitas, spésifisitas, nilai prediksi positif (PPV), nilai prediksi négatip (NPV), sareng daérah handapeun kurva karakteristik operasi panarima (AUROC) 27 (Tabel 2, Gambar 2 sareng Gambar Tambahan 1 online).Dina watesan sensitipitas batré test internal, métode tradisional dipigawé pangalusna diantara lalaki jeung goréng diantara awéwé.Sanajan kitu, bédana kinerja klasifikasi antara métode tradisional jeung SD nyaeta 9,7% keur lalaki (MLP) sarta ngan 2,4% keur awéwé (XGBoost).Di antara modél DM, régrési logistik (LR) nunjukkeun sensitipitas anu langkung saé dina duanana séks.Ngeunaan spésifisitas set tés internal, dititénan yén opat modél SD berprestasi saé pikeun lalaki, sedengkeun modél tradisional langkung saé pikeun awéwé.Bedana kinerja klasifikasi pikeun lalaki jeung bikang nyaéta 13,3% (MLP) jeung 13,1% (MLP) masing-masing, nunjukkeun yén bédana kinerja klasifikasi antara model ngaleuwihan sensitipitas.Di antara modél DM, modél mesin véktor dukungan (SVM), tangkal kaputusan (DT), sareng model leuweung acak (RF) ngalaksanakeun pangsaéna di antara lalaki, sedengkeun modél LR ngalaksanakeun pangsaéna diantara awéwé.AUROC tina modél tradisional sareng sadaya modél SD langkung ageung tibatan 0.925 (k-tatangga pangcaketna (KNN) dina lalaki), nunjukkeun kinerja klasifikasi anu saé dina ngabédakeun sampel 18 taun heubeul28.Pikeun set tés éksternal, aya panurunan dina pagelaran klasifikasi tina segi sensitipitas, spésifisitas sareng AUROC dibandingkeun sareng set tés internal.Leuwih ti éta, bédana sensitipitas jeung spésifisitas antara kinerja klasifikasi model pangalusna jeung awon ranged ti 10% nepi ka 25% sarta éta leuwih badag batan bédana dina set test internal.
Sensitipitas sareng spésifisitas modél klasifikasi data pertambangan dibandingkeun metode tradisional kalayan cutoff 18 taun.KNN k tatangga pangcaketna, mesin vektor rojongan SVM, LR logistik regression, tangkal kaputusan DT, RF leuweung acak, XGB XGBoost, MLP multilayer perceptron, métode CM tradisional.
Léngkah munggaran dina panilitian ieu nyaéta ngabandingkeun akurasi perkiraan umur dental anu dicandak tina tujuh modél DM sareng anu dicandak nganggo régrési tradisional.MAE sareng RMSE dievaluasi dina set tés internal pikeun duanana kelamin, sareng bédana antara metode tradisional sareng modél DM dibasajankeun 44 dugi ka 77 dinten kanggo MAE sareng ti 62 dugi ka 88 dinten pikeun RMSE.Sanajan métode tradisional rada leuwih akurat dina ulikan ieu, hese disimpulkeun naha béda leutik misalna boga significance klinis atawa praktis.Hasil ieu nunjukkeun yén akurasi estimasi umur dental ngagunakeun modél DM ampir sarua jeung métode tradisional.Perbandingan langsung sareng hasil tina panilitian samemehna hese sabab teu aya kajian anu ngabandingkeun akurasi model DM sareng metode statistik tradisional ngagunakeun téknik anu sami pikeun ngarékam huntu dina rentang umur anu sami sareng dina ulikan ieu.Galibourg et al24 ngabandingkeun MAE sareng RMSE antara dua metode tradisional (metode Demirjian25 sareng metode Willems29) sareng 10 modél DM dina populasi Perancis yuswa 2 dugi ka 24 taun.Aranjeunna ngalaporkeun yén sadaya modél DM langkung akurat tibatan metode tradisional, kalayan bédana 0,20 sareng 0,38 taun dina MAE sareng 0,25 sareng 0,47 taun dina RMSE dibandingkeun sareng metode Willems sareng Demirdjian, masing-masing.Beda antara model SD jeung métode tradisional ditémbongkeun dina ulikan Halibourg nyokot kana akun sababaraha laporan30,31,32,33 yén métode Demirdjian teu akurat estimasi umur dental dina populasi lian ti Canadians Perancis on nu ulikan ieu dumasar.dina ieu pangajaran.Tai dkk 34 ngagunakeun algoritma MLP pikeun ngaduga umur waos ti 1636 poto ortodontik Cina sareng ngabandingkeun akurasina sareng hasil metode Demirjian sareng Willems.Aranjeunna ngalaporkeun yén MLP gaduh akurasi anu langkung luhur tibatan metode tradisional.Bédana antara métode Demirdjian jeung métode tradisional nyaéta <0,32 taun, sarta métode Willems nyaéta 0,28 taun, nu sarupa jeung hasil ulikan ayeuna.Hasil ieu studi saméméhna24,34 ogé konsisten jeung hasil ulikan ayeuna, sarta akurasi estimasi umur model DM jeung métode tradisional nu sarupa.Sanajan kitu, dumasar kana hasil dibere, urang ngan bisa cautiously dicindekkeun yén pamakéan model DM keur estimasi umur bisa ngaganti metodeu aya alatan kurangna komparatif jeung rujukan studi saméméhna.Studi susulan ngagunakeun sampel anu langkung ageung diperyogikeun pikeun mastikeun hasil anu dicandak dina ulikan ieu.
Diantara studi nguji katepatan SD dina estimasi umur dental, sababaraha némbongkeun akurasi luhur batan ulikan urang.Stepanovsky dkk 35 dilarapkeun 22 model SD kana radiographs panorama 976 warga Czech yuswa 2,7 ka 20,5 taun sarta diuji akurasi unggal model.Aranjeunna ditaksir ngembangkeun total 16 luhur jeung handap kénca huntu permanén ngagunakeun kriteria klasifikasi diajukeun ku Moorrees dkk 36.MAE rentang ti 0.64 nepi ka 0.94 taun jeung RMSE rentang ti 0.85 nepi ka 1.27 taun, nu leuwih akurat ti dua model DM dipaké dina ulikan ieu.Shen et al23 ngagunakeun métode Cameriere keur estimasi umur dental tujuh huntu permanén dina mandible kénca di warga Cina wétan yuswa 5 mun 13 taun sarta dibandingkeun jeung umur estimasi maké régrési linier, SVM jeung RF.Aranjeunna nunjukkeun yén sadaya tilu modél DM gaduh akurasi anu langkung luhur dibandingkeun sareng rumus Cameriere tradisional.MAE sareng RMSE dina pangajaran Shen langkung handap tina modél DM dina ulikan ieu.The ngaronjat precision tina studi ku Stepanovsky et al.35 sarta Shen et al.23 bisa jadi alatan citakan subjék ngora dina sampel ulikan maranéhanana.Kusabab perkiraan umur pikeun pamilon anu ngembang huntu janten langkung akurat nalika jumlah huntu naék nalika ngembangkeun dental, akurasi metode perkiraan umur anu hasilna tiasa dikompromi nalika pamilon diajar langkung ngora.Salaku tambahan, kasalahan MLP dina estimasi umur rada leutik tibatan SLP, hartosna MLP langkung akurat tibatan SLP.MLP dianggap rada hadé pikeun estimasi umur, kamungkinan alatan lapisan disumputkeun dina MLP38.Tapi, aya pengecualian pikeun sampel luar awéwé (SLP 1.45, MLP 1.49).Pananjung yén MLP langkung akurat tibatan SLP dina meunteun umur peryogi studi retrospektif tambahan.
Kinerja klasifikasi modél DM sareng metode tradisional dina ambang 18 taun ogé dibandingkeun.Sadaya model SD anu diuji sareng metode tradisional dina set tés internal nunjukkeun tingkat diskriminasi anu tiasa ditampi pikeun sampel umur 18 taun.Sensitipitas pikeun lalaki sareng awéwé langkung ageung ti 87,7% sareng 94,9% masing-masing, sareng spésifisitas langkung ageung tibatan 89,3% sareng 84,7%.AUROC sadaya model anu diuji ogé ngaleuwihan 0.925.Kanggo pangaweruh anu saé, teu aya panilitian anu nguji kinerja modél DM pikeun klasifikasi 18 taun dumasar kana kematangan dental.Urang bisa ngabandingkeun hasil ulikan ieu kalawan kinerja klasifikasi model deep learning on radiographs panoramic.Guo et al.15 ngitung kinerja klasifikasi model pembelajaran jero basis CNN jeung métode manual dumasar kana métode Demirjian pikeun bangbarung umur nu tangtu.Sensitipitas sareng spésifisitas metode manual nyaéta 87,7% sareng 95,5% masing-masing, sareng sensitipitas sareng spésifisitas modél CNN ngaleuwihan 89,2% sareng 86,6%, masing-masing.Aranjeunna menyimpulkan yén modél pangajaran anu jero tiasa ngagentos atanapi ngalangkungan penilaian manual dina ngagolongkeun ambang umur.Hasil ulikan ieu némbongkeun kinerja klasifikasi sarupa;Hal ieu dipercaya yén klasifikasi ngagunakeun modél DM bisa ngaganti métode statistik tradisional keur estimasi umur.Di antara model, DM LR éta modél pangalusna dina watesan sensitipitas pikeun sampel jalu jeung sensitipitas sarta spésifisitas pikeun sampel awéwé.LR rengking kadua di spésifisitas pikeun lalaki.Sumawona, LR dianggap salah sahiji model DM35 anu langkung ramah-pamaké sareng kirang rumit sareng sesah diolah.Dumasar hasil ieu, LR dianggap model klasifikasi cutoff pangalusna pikeun 18 taun olds dina populasi Korea.
Gemblengna, katepatan estimasi umur atanapi kinerja klasifikasi dina set tés éksternal kirang atanapi langkung handap dibandingkeun sareng hasil dina set tés internal.Sababaraha laporan nunjukkeun yén akurasi klasifikasi atanapi efisiensi turun nalika perkiraan umur dumasar kana populasi Korea dilarapkeun ka populasi Jepang5,39, sarta pola sarupa kapanggih dina ulikan ayeuna.Trend deterioration ieu ogé dititénan dina modél DM.Ku alatan éta, pikeun akurat estimasi umur, sanajan ngagunakeun DM dina prosés analisis, métode diturunkeun tina data populasi asli, kayaning métode tradisional, kudu preferred5,39,40,41,42.Kusabab teu jelas naha modél pangajaran jero tiasa nunjukkeun tren anu sami, studi ngabandingkeun akurasi klasifikasi sareng efisiensi nganggo metode tradisional, modél DM, sareng modél pangajaran jero dina conto anu sami diperyogikeun pikeun mastikeun naha intelegensi jieunan tiasa ngatasi disparities ras ieu dina umur anu terbatas.assessments.
Kami nunjukkeun yén metode tradisional tiasa diganti ku estimasi umur dumasar kana modél DM dina prakték perkiraan umur forensik di Korea.Kami ogé mendakan kamungkinan ngalaksanakeun pembelajaran mesin pikeun penilaian umur forensik.Sanajan kitu, aya watesan jelas, kayaning jumlah cukup pamilon dina ulikan ieu definitively nangtukeun hasil, sarta kurangna studi saméméhna pikeun ngabandingkeun sarta mastikeun hasil ulikan ieu.Dina mangsa nu bakal datang, studi DM kudu dilaksanakeun kalawan jumlah sampel leuwih badag sarta populasi leuwih rupa-rupa pikeun ngaronjatkeun applicability praktis na dibandingkeun jeung métode tradisional.Pikeun validasi feasibility ngagunakeun kecerdasan jieunan keur estimasi umur di sababaraha populasi, studi hareup diperlukeun pikeun ngabandingkeun akurasi klasifikasi jeung efisiensi DM jeung model learning jero jeung métode tradisional dina sampel sarua.
Panalitian ngagunakeun 2.657 poto ortografis anu dikumpulkeun ti sawawa Korea sareng Jepang yuswa 15 dugi ka 23 taun.Radiografi Korea dibagi kana 900 set latihan (19.42 ± 2.65 taun) sareng 900 set tés internal (19.52 ± 2.59 taun).Set latihan dikumpulkeun di hiji lembaga (Rumah Sakit Seoul St. Mary), sareng set tés sorangan dikumpulkeun di dua lembaga (Rumah Sakit Gigi Universitas Nasional Seoul sareng Rumah Sakit Gigi Universitas Yonsei).Urang ogé ngumpulkeun 857 radiographs tina data dumasar populasi séjén (Iwate Medical University, Jepang) pikeun nguji éksternal.Radiographs subjék Jepang (19.31 ± 2.60 taun) dipilih salaku set tés éksternal.Data dikumpulkeun sacara retrospektif pikeun nganalisis tahapan kamekaran dental dina radiografi panoramik anu dicandak salami perawatan dental.Sadaya data anu dikumpulkeun henteu namina kecuali gender, tanggal lahir sareng tanggal radiograf.Kriteria inklusi sareng pangaluaran sami sareng studi anu diterbitkeun saméméhna 4, 5.Umur sabenerna sampel diitung ku subtracting tanggal kalahiran ti tanggal radiograph dicokot.Kelompok sampel dibagi kana salapan kelompok umur.Sebaran umur sareng jinisna dipidangkeun dina Tabél 3 Ulikan ieu dilaksanakeun saluyu sareng Déklarasi Helsinki sareng disatujuan ku Badan Tinjauan Institusi (IRB) Rumah Sakit St. Mary Seoul Universitas Katolik Korea (KC22WISI0328).Alatan desain retrospective ulikan ieu, informed idin teu bisa dimeunangkeun ti sakabeh pasien ngalaman pamariksaan radiographic keur kaperluan terapi.Rumah Sakit St Mary's Universitas Korea Seoul (IRB) waived sarat pikeun idin informed.
Tahap perkembangan molar kadua jeung katilu bimaxillary ditaksir nurutkeun kriteria Demircan25.Ngan hiji huntu dipilih lamun tipe sarua huntu kapanggih dina kénca jeung katuhu sisi unggal rahang.Lamun huntu homolog dina dua sisi éta dina tahap developmental béda, huntu jeung tahap developmental handap dipilih pikeun akun kateupastian dina estimasi umur.Saratus radiographs dipilih acak tina set latihan anu ngoleksi ku dua pengamat ngalaman pikeun nguji reliabilitas interobserver sanggeus precalibration pikeun nangtukeun tahap kematangan dental.Reliabilitas intraobserver ditaksir dua kali dina interval tilu bulan ku panitén primér.
Jenis kelamin jeung tahap developmental tina molars kadua jeung katilu unggal rahang dina set latihan anu diperkirakeun ku panitén primér dilatih jeung model DM béda, sarta umur sabenerna ieu diatur salaku nilai target.Model SLP sareng MLP, anu seueur dianggo dina pembelajaran mesin, diuji ngalawan algoritma régrési.Modél DM ngagabungkeun fungsi linier ngagunakeun tahap ngembangkeun opat huntu jeung ngagabungkeun data ieu keur estimasi umur.SLP mangrupikeun jaringan saraf pangbasajanna sareng henteu ngandung lapisan disumputkeun.SLP jalan dumasar kana transmisi ambang antara titik.Modél SLP dina régrési sacara matematis sami sareng régrési liniér ganda.Teu kawas model SLP, model MLP boga sababaraha lapisan disumputkeun jeung fungsi aktivasina nonlinier.Percobaan kami nganggo lapisan disumputkeun ngan ukur 20 titik disumputkeun sareng fungsi aktivasina nonlinier.Anggo turunan gradién salaku padika optimasi sareng MAE sareng RMSE salaku fungsi leungitna pikeun ngalatih modél pembelajaran mesin urang.Modél régrési anu pangsaéna diterapkeun kana set tés internal sareng éksternal sareng diperkirakeun umur huntu.
Algoritma klasifikasi dikembangkeun anu ngagunakeun kematangan opat huntu dina set latihan pikeun ngaduga naha sampel umurna 18 taun atanapi henteu.Pikeun ngawangun modél, urang diturunkeun tujuh répréséntasi algoritma machine learning6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, jeung (7) MLP .LR mangrupikeun salah sahiji algoritma klasifikasi anu paling seueur dianggo44.Algoritma pembelajaran diawasan anu ngagunakeun régrési pikeun ngaduga probabilitas data anu kagolong kana kategori tinangtu tina 0 dugi ka 1 sareng ngagolongkeun data kana kategori anu langkung dipikaresep dumasar kana kamungkinan ieu;utamana dipaké pikeun klasifikasi binér.KNN mangrupikeun salah sahiji algoritma pembelajaran mesin pangbasajanna45.Lamun dibéré data input anyar, manggihan k data deukeut set aya lajeng ngagolongkeun kana kelas kalawan frékuénsi pangluhurna.Urang nangtukeun 3 pikeun jumlah tatangga dianggap (k).SVM mangrupa algoritma nu maximizes jarak antara dua kelas ku cara maké fungsi kernel rék dilegakeun spasi linier kana spasi non-linier disebut fields46.Pikeun modél ieu, kami nganggo bias = 1, kakuatan = 1, sareng gamma = 1 salaku hyperparameters pikeun kernel polynomial.DT geus dilarapkeun dina sagala rupa widang salaku hiji algoritma keur ngabagi sakabéh data susunan kana sababaraha subgroups ku ngagambarkeun aturan kaputusan dina struktur tangkal47.Modél ieu ngonpigurasi kalawan jumlah minimum rékaman per titik 2 sarta ngagunakeun indéks Gini salaku ukuran kualitas.RF mangrupa métode ensemble nu ngagabungkeun sababaraha DTs pikeun ngaronjatkeun kinerja ngagunakeun métode aggregation bootstrap nu dibangkitkeun classifier lemah pikeun tiap sampel ku acak ngagambar sampel tina ukuran anu sarua sababaraha kali tina dataset48 aslina.Kami ngagunakeun 100 tangkal, 10 jero tangkal, 1 ukuran titik minimum, sareng indéks campuran Gini salaku kriteria pamisahan titik.Klasifikasi data anyar ditangtukeun ku sora mayoritas.XGBoost mangrupikeun algoritma anu ngagabungkeun téknik naekeun ngagunakeun metode anu nyandak data latihan kasalahan antara nilai aktual sareng anu diprediksi tina modél saméméhna sareng ningkatkeun kasalahan nganggo gradién49.Algoritma ieu loba dipaké alatan kinerja alus sarta efisiensi sumberdaya, kitu ogé reliabiliti tinggi salaku fungsi koreksi overfitting.Modél ieu dilengkepan 400 roda rojongan.MLP nyaéta jaringan saraf nu hiji atawa leuwih perceptron ngabentuk sababaraha lapisan kalawan hiji atawa leuwih lapisan disumputkeun antara input jeung kaluaran lapisan38.Ngagunakeun ieu, anjeun bisa ngalakukeun klasifikasi non-linier dimana mun anjeun tambahkeun hiji lapisan input sarta meunangkeun nilai hasilna, nilai hasil diprediksi dibandingkeun jeung nilai hasilna sabenerna sarta kasalahan ieu propagated deui.Kami nyiptakeun lapisan disumputkeun sareng 20 neuron disumputkeun dina unggal lapisan.Unggal modél anu dikembangkeun ku urang diterapkeun kana set internal sareng éksternal pikeun nguji kinerja klasifikasi ku cara ngitung sensitipitas, spésifisitas, PPV, NPV, sareng AUROC.Sensitipitas dihartikeun salaku babandingan sampel nu diperkirakeun umurna 18 taun atawa leuwih jeung sampel nu diperkirakeun umurna 18 taun atawa leuwih.Spésifisitas nyaéta proporsi sampel di handapeun umur 18 taun sareng anu diperkirakeun umurna sahandapeun 18 taun.
Tahap dental ditaksir dina set latihan dirobah kana tahap numerik pikeun analisis statistik.Regresi linier sareng logistik multivariate dilakukeun pikeun ngembangkeun modél prediktif pikeun tiap jinis sareng ngahasilkeun rumus régrési anu tiasa dianggo pikeun ngira-ngira umur.Kami nganggo rumus ieu pikeun ngira-ngira umur huntu pikeun set tés internal sareng éksternal.Tabél 4 nembongkeun modél régrési jeung klasifikasi anu digunakeun dina ieu panalungtikan.
Intra- sarta reliabiliti interobserver diitung ngagunakeun statistik kappa Cohen urang.Pikeun nguji akurasi DM sareng modél régrési tradisional, urang ngitung MAE sareng RMSE nganggo perkiraan sareng umur aktual tina set tés internal sareng éksternal.Kasalahan ieu biasana dianggo pikeun ngévaluasi akurasi prediksi modél.Nu leuwih leutik kasalahan, nu leuwih luhur akurasi ramalan24.Bandingkeun MAE sareng RMSE set tés internal sareng éksternal anu diitung nganggo DM sareng régrési tradisional.Kinerja klasifikasi tina cutoff 18 taun dina statistik tradisional ditaksir nganggo tabel kontingensi 2 × 2.Sensitipitas diitung, spésifisitas, PPV, NPV, sareng AUROC set tés dibandingkeun sareng nilai anu diukur tina modél klasifikasi DM.Data dikedalkeun salaku rata-rata ± simpangan baku atawa jumlah (%) gumantung kana karakteristik data.Nilai P dua sisi <0.05 dianggap signifikan sacara statistik.Sadaya analisa statistik rutin dilakukeun nganggo versi SAS 9.4 (SAS Institute, Cary, NC).Modél régrési DM dilaksanakeun dina Python ngagunakeun Keras50 2.2.4 backend na Tensorflow51 1.8.0 husus pikeun operasi matematik.Modél klasifikasi DM dilaksanakeun dina Lingkungan Analisis Pangaweruh Waikato sareng platform analisis Konstanz Information Miner (KNIME) 4.6.152.
Nu nulis ngaku yén data ngarojong conclusions ulikan urang bisa kapanggih dina artikel jeung bahan tambahan.Dataset anu dihasilkeun sareng/atanapi dianalisis salami pangajaran sayogi ti panulis anu aya dina pamundut anu wajar.
Ritz-Timme, S. et al.Penilaian umur: kaayaan seni pikeun nyumponan sarat khusus prakték forensik.internasionalitas.J. Kedokteran hukum.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., sarta Olze, A. Status ayeuna assessment umur forensik subjék hirup keur kaperluan gugatan kriminal.Forensik.landong.Patologi.1, 239–246 (2005).
Pan, J. et al.Métode anu dirobih pikeun meunteun umur dental murangkalih umur 5 dugi ka 16 taun di Cina wétan.klinis.Survei lisan.25, 3463–3474 (2021).
Lee, SS jsb Kronologi ngembangkeun molars kadua jeung katilu di Koréa sarta aplikasi na pikeun assessment umur forensik.internasionalitas.J. Kedokteran hukum.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY jeung Lee, SS Akurasi estimasi umur jeung estimasi tina bangbarung 18 taun dumasar kana kematangan molars kadua jeung katilu di Koréa sarta Jepang.PLoS HIJI 17, e0271247 (2022).
Kim, JY, dkk.Analisis data basis learning mesin preoperative bisa ngaduga hasil perlakuan bedah sare di penderita OSA.élmu.Laporan 11, 14911 (2021).
Han, M. et al.Estimasi umur anu akurat tina pembelajaran mesin nganggo atanapi tanpa campur tangan manusa?internasionalitas.J. Kedokteran hukum.136, 821–831 (2022).
Khan, S. jeung Shaheen, M. Ti Data Mining ka Data Mining.J. Émbaran.élmu.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. jeung Shaheen, M. WisRule: Algoritma kognitif munggaran pikeun Asosiasi Aturan Pertambangan.J. Émbaran.élmu.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. sarta Abdullah U. Karm: pertambangan data Tradisional dumasar kana aturan pakaitna dumasar-kontéks.ngitung.Matt.nuluykeun.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. jeung Habib M. Deep learning dumasar deteksi kasaruaan semantik ngagunakeun data téks.ngawartosan.téknologi.kadali.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., sarta Shahin, M. Hiji sistem pikeun recognizing aktivitas dina video olahraga.multimédia.Aplikasi Alat https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.Tantangan Pembelajaran Mesin RSNA dina Umur Tulang murangkalih.Radiologi 290, 498-503 (2019).
Li, Y. et al.Estimasi umur forensik tina sinar-X pelvic ngagunakeun learning jero.EURO.radiasi.29, 2322–2329 (2019).
Guo, YC, et al.Klasifikasi umur akurat ngagunakeun métode manual jeung jaringan neural convolutional jero tina gambar proyéksi orthographic.internasionalitas.J. Kedokteran hukum.135, 1589–1597 (2021).
Alabama Dalora et al.Estimasi umur tulang ngagunakeun metode pembelajaran mesin anu béda: tinjauan literatur sistematis sareng meta-analysis.PLoS HIJI 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., sarta Yang, J. Populasi-spésifik estimasi umur Afrika Amerika jeung Cina dumasar kana volume chamber pulp of molars munggaran ngagunakeun congcot-beam diitung tomography.internasionalitas.J. Kedokteran hukum.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK jeung Oh KS Nangtukeun grup umur jalma hirup ngagunakeun gambar dumasar kecerdasan jieunan tina molars munggaran.élmu.Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., sarta Urschler, M. Estimasi umur otomatis tur klasifikasi umur mayoritas tina data MRI multivariate.IEEE J. Bioméd.Waspada Kaséhatan.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. jeung Li, G. estimasi umur dumasar kana 3D bubur chamber segmentation of molars munggaran ti congcot beam diitung tomography ku integral tina learning jero tur tingkat susunan.internasionalitas.J. Kedokteran hukum.135, 365–373 (2021).
Wu, WT, et al.Pertambangan data dina data ageung klinis: pangkalan data umum, léngkah, sareng modél metode.Dunya.landong.sumberdaya.8, 44 (2021).
Yang, J. et al.Bubuka ka Basis Data Médis sareng Téknologi Pertambangan Data dina Era Data Besar.J. Avid.Ubar dasar.13, 57–69 (2020).
Shen, S. et al.Métode Camerer pikeun estimasi umur huntu ngagunakeun pembelajaran mesin.Kaséhatan Lisan BMC 21, 641 (2021).
Galliburg A. dkk.Babandingan métode machine learning béda pikeun ngaramal umur dental ngagunakeun métode pementasan Demirdjian.internasionalitas.J. Kedokteran hukum.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. sarta Tanner, JM Sistim anyar pikeun assessing umur dental.nyerengeh.biologi.45, 211–227 (1973).
Landis, JR, sarta Koch, GG Ukuran kasapukan panitén dina data categorical.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK jeung Choi HK.Analisis tékstur, morfologis sareng statistik tina imaging résonansi magnét dua diménsi ngagunakeun téknik intelijen jieunan pikeun diferensiasi tumor otak primér.Inpo kaséhatan.sumberdaya.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
waktos pos: Jan-04-2024