Hatur nuhun parantos nganjang ka Nature.com. Vérsi browser anu anjeun anggo gaduh dukungan CSS anu terbatas. Pikeun hasil anu pangsaéna, kami nyarankeun nganggo vérsi browser anjeun anu langkung énggal (atanapi mareuman modeu kompatibilitas dina Internet Explorer). Samentawis waktos, pikeun mastikeun dukungan anu terus-terusan, kami nunjukkeun situs ieu tanpa gaya atanapi JavaScript.
Huntu dianggap indikator anu paling akurat pikeun nangtukeun umur awak manusa sareng sering dianggo dina penilaian umur forensik. Tujuan kami nyaéta pikeun ngavalidasi perkiraan umur dental dumasar kana data mining ku cara ngabandingkeun akurasi estimasi sareng kinerja klasifikasi tina ambang 18 taun sareng metode tradisional sareng perkiraan umur dumasar kana data mining. Sajumlah 2657 radiografi panoramik dikumpulkeun ti warga Korea sareng Jepang anu umurna 15 dugi ka 23 taun. Éta dibagi kana hiji set latihan, masing-masing ngandung 900 radiografi Korea, sareng hiji set tés internal anu ngandung 857 radiografi Jepang. Kami ngabandingkeun akurasi klasifikasi sareng efisiensi metode tradisional sareng set tés modél data mining. Akurasi metode tradisional dina set tés internal rada langkung luhur tibatan modél data mining, sareng bédana alit (rata-rata kasalahan absolut <0,21 taun, akar rata-rata kasalahan kuadrat <0,24 taun). Kinerja klasifikasi pikeun cutoff 18 taun ogé sami antara metode tradisional sareng modél data mining. Ku kituna, metode tradisional tiasa digentos ku modél panambangan data nalika ngalaksanakeun penilaian umur forensik nganggo kematangan molar kadua sareng katilu dina rumaja sareng déwasa ngora Korea.
Perkiraan umur huntu loba dipaké dina ubar forensik jeung kedokteran gigi pediatrik. Utamana, kusabab korélasi anu luhur antara umur kronologis jeung kamekaran huntu, penilaian umur ku tahapan kamekaran huntu mangrupa kriteria penting pikeun meunteun umur barudak jeung rumaja1,2,3. Nanging, pikeun nonoman, ngira-ngira umur huntu dumasar kana kematangan huntu miboga watesan sabab kamekaran huntu ampir réngsé, iwal ti geraham katilu. Tujuan légal pikeun nangtukeun umur nonoman jeung rumaja nyaéta pikeun nyadiakeun perkiraan anu akurat jeung bukti ilmiah naha maranéhna geus ngahontal umur mayoritas. Dina prakték mediko-légal rumaja jeung déwasa ngora di Koréa, umur diperkirakeun ngagunakeun métode Lee, jeung ambang légal 18 taun diprediksi dumasar kana data anu dilaporkeun ku Oh et al 5.
Diajar mesin nyaéta salah sahiji jinis kecerdasan jieunan (AI) anu sacara terus-terusan diajar sareng ngaklasifikasikeun sajumlah ageung data, ngarengsekeun masalah nyalira, sareng ngadorong pamrograman data. Diajar mesin tiasa mendakan pola anu disumputkeun anu mangpaat dina volume data anu ageung6. Sabalikna, metode klasik, anu intensif tanaga sareng nyéépkeun waktos, tiasa gaduh watesan nalika ngurus volume ageung data kompléks anu hésé diprosés sacara manual7. Ku alatan éta, seueur panilitian anu parantos dilakukeun nembe nganggo téknologi komputer pangénggalna pikeun ngaminimalkeun kasalahan manusa sareng ngolah data multidiménsi sacara efisien8,9,10,11,12. Khususna, diajar jero parantos seueur dianggo dina analisis gambar médis, sareng rupa-rupa metode pikeun estimasi umur ku cara nganalisis radiografi sacara otomatis parantos dilaporkeun ningkatkeun akurasi sareng efisiensi estimasi umur13,14,15,16,17,18,19,20. Salaku conto, Halabi et al 13 ngembangkeun algoritma diajar mesin dumasar kana jaringan saraf konvolusional (CNN) pikeun ngira-ngira umur rangka nganggo radiografi leungeun barudak. Panilitian ieu ngajukeun modél anu nerapkeun diajar mesin kana gambar médis sareng nunjukkeun yén metode ieu tiasa ningkatkeun akurasi diagnostik. Li et al14 ngira-ngira umur tina gambar sinar-X pelvis nganggo CNN deep learning sareng ngabandingkeunana sareng hasil regresi nganggo estimasi tahapan osifikasi. Aranjeunna mendakan yén modél CNN deep learning nunjukkeun kinerja estimasi umur anu sami sareng modél regresi tradisional. Panilitian Guo et al. [15] meunteun kinerja klasifikasi toleransi umur téknologi CNN dumasar kana ortofoto dental, sareng hasil modél CNN ngabuktikeun yén manusa ngaleuwihan kinerja klasifikasi umurna.
Kaseueuran panilitian ngeunaan estimasi umur nganggo pembelajaran mesin nganggo metode pembelajaran jero13,14,15,16,17,18,19,20. Estimasi umur dumasar kana pembelajaran jero dilaporkeun langkung akurat tibatan metode tradisional. Nanging, pendekatan ieu nyayogikeun sakedik kasempetan pikeun nampilkeun dasar ilmiah pikeun estimasi umur, sapertos indikator umur anu dianggo dina estimasi. Aya ogé sengketa hukum ngeunaan saha anu ngalaksanakeun pamariksaan. Ku alatan éta, estimasi umur dumasar kana pembelajaran jero hésé ditampi ku otoritas administratif sareng yudisial. Data mining (DM) mangrupikeun téknik anu henteu ngan ukur tiasa mendakan inpormasi anu dipiharep tapi ogé anu teu disangka-sangka salaku metode pikeun mendakan korélasi anu mangpaat antara jumlah data anu ageung6,21,22. Pembelajaran mesin sering dianggo dina pertambangan data, sareng pertambangan data sareng pembelajaran mesin nganggo algoritma konci anu sami pikeun mendakan pola dina data. Estimasi umur nganggo pamekaran dental dumasar kana penilaian penguji ngeunaan kematangan huntu target, sareng penilaian ieu dikedalkeun salaku tahapan pikeun unggal huntu target. DM tiasa dianggo pikeun nganalisis korélasi antara tahapan penilaian dental sareng umur anu saleresna sareng gaduh poténsi pikeun ngagentos analisis statistik tradisional. Ku kituna, upami urang nerapkeun téknik DM kana estimasi umur, urang tiasa nerapkeun pembelajaran mesin dina estimasi umur forensik tanpa hariwang ngeunaan tanggung jawab hukum. Sababaraha studi komparatif parantos diterbitkeun ngeunaan alternatif anu mungkin pikeun metode manual tradisional anu dianggo dina prakték forensik sareng metode berbasis EBM pikeun nangtukeun umur dental. Shen et al23 nunjukkeun yén modél DM langkung akurat tibatan rumus Camerer tradisional. Galibourg et al24 nerapkeun metode DM anu béda pikeun ngaduga umur numutkeun kriteria Demirdjian25 sareng hasilna nunjukkeun yén metode DM langkung saé tibatan metode Demirdjian sareng Willems dina ngira-ngira umur populasi Perancis.
Pikeun ngira-ngira umur huntu rumaja sareng déwasa ngora Koréa, metode 4 Lee seueur dianggo dina prakték forensik Koréa. Metode ieu nganggo analisis statistik tradisional (sapertos régrési ganda) pikeun nalungtik hubungan antara subjek Koréa sareng umur kronologis. Dina panilitian ieu, metode estimasi umur anu diala nganggo metode statistik tradisional dihartikeun salaku "metode tradisional." Metode Lee mangrupikeun metode tradisional, sareng akurasina parantos dikonfirmasi ku Oh et al. 5; kumaha oge, penerapan estimasi umur dumasar kana modél DM dina prakték forensik Koréa masih patut dipertanyakeun. Tujuan kami nyaéta pikeun sacara ilmiah ngavalidasi poténsi mangpaat estimasi umur dumasar kana modél DM. Tujuan panilitian ieu nyaéta (1) pikeun ngabandingkeun akurasi dua modél DM dina ngira-ngira umur huntu sareng (2) pikeun ngabandingkeun kinerja klasifikasi 7 modél DM dina umur 18 taun sareng anu diala nganggo metode statistik tradisional Kadewasaan molar kadua sareng katilu dina dua rahang.
Rata-rata sareng standar deviasi umur kronologis dumasar kana tahapan sareng jinis huntu dipidangkeun sacara online dina Tabel Tambahan S1 (set latihan), Tabel Tambahan S2 (set tés internal), sareng Tabel Tambahan S3 (set tés éksternal). Nilai kappa pikeun reliabilitas intra- sareng interobserver anu diala 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.
Nalika ngabandingkeun kasalahan absolut rata-rata (MAE), metode tradisional rada ngaleuwihan modél DM pikeun sadaya gender sareng dina set tés lalaki éksternal, iwal ti perceptron multilayer (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 pikeun awéwé. Pikeun batré tés éksternal, bédana langkung alit (0,001–0,05 taun pikeun lalaki sareng 0,05–0,09 taun pikeun awéwé). Salaku tambahan, kasalahan akar kuadrat rata-rata (RMSE) rada langkung handap tibatan metode tradisional, kalayan bédana anu 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 nunjukkeun kinerja anu rada langkung saé tibatan Single Layer Perceptron (SLP), kecuali dina kasus set tés éksternal awéwé. Pikeun MAE sareng RMSE, set tés éksternal ngagaduhan skor anu langkung luhur tibatan set tés internal pikeun sadaya gender sareng modél. Sadaya MAE sareng RMSE dipidangkeun dina Tabel 1 sareng Gambar 1.
MAE sareng RMSE tina modél régrési tradisional sareng data mining. Kasalahan absolut rata-rata MAE, kasalahan akar rata-rata kuadrat RMSE, perceptron lapisan tunggal SLP, perceptron multilayer MLP, metode CM tradisional.
Kinerja klasifikasi (kalayan cutoff 18 taun) tina modél tradisional sareng DM dipidangkeun dina hal sensitivitas, spésifisitas, nilai prédiktif positif (PPV), nilai prédiktif négatif (NPV), sareng daérah di handapeun kurva karakteristik operasi panarima (AUROC) 27 (Tabel 2, Gambar 2 sareng Gambar Tambahan 1 online). Dina hal sensitivitas batré tés internal, metode tradisional ngalakukeun anu pangsaéna di antara lalaki sareng langkung goréng di antara awéwé. Nanging, bédana kinerja klasifikasi antara metode tradisional sareng SD nyaéta 9,7% pikeun lalaki (MLP) sareng ngan ukur 2,4% pikeun awéwé (XGBoost). Di antara modél DM, régrési logistik (LR) nunjukkeun sensitivitas anu langkung saé dina dua jenis kelamin. Ngeunaan spésifisitas set tés internal, dititénan yén opat modél SD ngalakukeun anu saé dina lalaki, sedengkeun modél tradisional ngalakukeun anu langkung saé dina awéwé. Béda dina kinerja klasifikasi pikeun lalaki sareng awéwé nyaéta 13,3% (MLP) sareng 13,1% (MLP), masing-masing, nunjukkeun yén bédana kinerja klasifikasi antara modél ngaleuwihan sensitivitas. Di antara modél DM, modél mesin véktor pangrojong (SVM), tangkal kaputusan (DT), sareng leuweung acak (RF) nunjukkeun kinerja pangsaéna di antara lalaki, sedengkeun modél LR nunjukkeun kinerja pangsaéna di antara awéwé. AUROC 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 umur 18 taun28. Pikeun set tés éksternal, aya panurunan dina kinerja klasifikasi dina hal sensitivitas, spésifisitas sareng AUROC dibandingkeun sareng set tés internal. Leuwih ti éta, bédana dina sensitivitas sareng spésifisitas antara kinerja klasifikasi modél pangsaéna sareng anu paling awon mimitian ti 10% dugi ka 25% sareng langkung ageung tibatan bédana dina set tés internal.
Sensitivitas sareng spésifisitas modél klasifikasi data mining dibandingkeun sareng metode tradisional kalayan cutoff 18 taun. KNN k tatangga pangcaketna, mesin véktor pangrojong SVM, régrési logistik LR, tangkal kaputusan DT, leuweung acak RF, XGB XGBoost, perceptron multilayer MLP, metode CM tradisional.
Léngkah munggaran dina ieu panilitian nyaéta ngabandingkeun akurasi estimasi umur huntu anu diala tina tujuh modél DM sareng anu diala nganggo régrési tradisional. MAE sareng RMSE dievaluasi dina sét tés internal pikeun duanana jenis kelamin, sareng bédana antara metode tradisional sareng modél DM mimitian ti 44 dugi ka 77 dinten pikeun MAE sareng ti 62 dugi ka 88 dinten pikeun RMSE. Sanaos metode tradisional rada langkung akurat dina panilitian ieu, hésé pikeun nyimpulkeun naha bédana alit sapertos kitu gaduh signifikansi klinis atanapi praktis. Hasil ieu nunjukkeun yén akurasi estimasi umur huntu nganggo modél DM ampir sami sareng metode tradisional. Perbandingan langsung sareng hasil tina panilitian sateuacana hésé sabab teu aya panilitian anu ngabandingkeun akurasi modél DM sareng metode statistik tradisional nganggo téknik anu sami pikeun ngarékam huntu dina rentang umur anu sami sapertos dina panilitian ieu. Galibourg et al24 ngabandingkeun MAE sareng RMSE antara dua metode tradisional (metode Demirjian25 sareng metode Willems29) sareng 10 modél DM dina populasi Perancis anu umurna 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. Beda antara modél SD sareng metode tradisional anu dipidangkeun dina panilitian Halibourg merhatoskeun seueur laporan30,31,32,33 yén metode Demirdjian henteu sacara akurat ngira-ngira umur huntu dina populasi salian ti Kanada Perancis anu janten dasar panilitian ieu. dina panilitian ieu. Tai et al 34 nganggo algoritma MLP pikeun ngaduga umur huntu tina 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 metode Demirdjian sareng metode tradisional nyaéta <0,32 taun, sareng metode Willems nyaéta 0,28 taun, anu sami sareng hasil panilitian ayeuna. Hasil tina panilitian samemehna ieu24,34 ogé saluyu sareng hasil panilitian ayeuna, sareng akurasi estimasi umur tina modél DM sareng metode tradisional sami. Nanging, dumasar kana hasil anu dipidangkeun, urang ngan ukur tiasa nyimpulkeun sacara ati-ati yén panggunaan modél DM pikeun ngira-ngira umur tiasa ngagentos metode anu tos aya kusabab kurangna panilitian komparatif sareng rujukan samemehna. Panilitian tindak lanjut anu nganggo sampel anu langkung ageung diperyogikeun pikeun mastikeun hasil anu diala dina panilitian ieu.
Di antara panilitian anu nguji akurasi SD dina ngira-ngira umur huntu, aya sababaraha anu nunjukkeun akurasi anu langkung luhur tibatan panilitian kami. Stepanovsky et al 35 nerapkeun 22 modél SD kana radiografi panoramik 976 warga Céko anu umurna 2,7 dugi ka 20,5 taun sareng nguji akurasi unggal modél. Aranjeunna meunteun kamekaran total 16 huntu permanén kénca luhur sareng handap nganggo kriteria klasifikasi anu diusulkeun ku Moorrees et al 36. MAE antara 0,64 dugi ka 0,94 taun sareng RMSE antara 0,85 dugi ka 1,27 taun, anu langkung akurat tibatan dua modél DM anu dianggo dina panilitian ieu. Shen et al 23 nganggo metode Cameriere pikeun ngira-ngira umur huntu tujuh huntu permanén dina mandibula kénca di warga Cina wétan umurna 5 dugi ka 13 taun sareng ngabandingkeunana sareng umur anu diestimasi nganggo régrési linier, SVM sareng RF. Aranjeunna nunjukkeun yén sadaya tilu modél DM gaduh akurasi anu langkung luhur dibandingkeun sareng rumus Cameriere tradisional. MAE sareng RMSE dina panilitian Shen langkung handap tibatan anu aya dina modél DM dina panilitian ieu. Ningkatna katepatan panilitian ku Stepanovsky et al. 35 sareng Shen et al. 23 tiasa disababkeun ku kaasupna subjek anu langkung ngora dina sampel panilitianna. Kusabab estimasi umur pikeun pamilon anu gaduh huntu anu nuju mekar janten langkung akurat nalika jumlah huntu ningkat nalika kamekaran huntu, akurasi metode estimasi umur anu dihasilkeun tiasa kaganggu nalika pamilon panilitian langkung ngora. Salaku tambahan, kasalahan MLP dina estimasi umur rada langkung alit tibatan SLP, anu hartosna MLP langkung akurat tibatan SLP. MLP dianggap rada langkung saé pikeun estimasi umur, kamungkinan kusabab lapisan anu disumputkeun dina MLP38. Nanging, aya pengecualian pikeun sampel luar awéwé (SLP 1.45, MLP 1.49). Panemuan yén MLP langkung akurat tibatan SLP dina meunteun umur meryogikeun panilitian rétrospéktif tambahan.
Kinerja klasifikasi modél DM sareng metode tradisional dina ambang 18 taun ogé dibandingkeun. Sadaya modél SD anu diuji sareng metode tradisional dina set tés internal nunjukkeun tingkat diskriminasi anu praktis tiasa ditampi pikeun sampel anu umurna 18 taun. Sensitivitas pikeun lalaki sareng awéwé masing-masing langkung ageung tibatan 87,7% sareng 94,9%, sareng spésifisitas langkung ageung tibatan 89,3% sareng 84,7%. AUROC tina sadaya modél anu diuji ogé ngaleuwihan 0,925. Numutkeun pangaweruh urang, teu aya panilitian anu nguji kinerja modél DM pikeun klasifikasi 18 taun dumasar kana kematangan huntu. Urang tiasa ngabandingkeun hasil panilitian ieu sareng kinerja klasifikasi modél pembelajaran jero dina radiografi panoramik. Guo et al.15 ngitung kinerja klasifikasi modél pembelajaran jero dumasar CNN sareng metode manual dumasar kana metode Demirjian pikeun ambang umur anu tangtu. Sensitivitas sareng spésifisitas tina metode manual masing-masing 87,7% sareng 95,5%, sareng sensitivitas sareng spésifisitas modél CNN ngaleuwihan 89,2% sareng 86,6%. Aranjeunna nyimpulkeun yén modél pembelajaran jero tiasa ngagentos atanapi ngungkulan penilaian manual dina ngaklasifikasikeun ambang umur. Hasil panilitian ieu nunjukkeun kinerja klasifikasi anu sami; Dipercaya yén klasifikasi anu nganggo modél DM tiasa ngagentos metode statistik tradisional pikeun estimasi umur. Di antara modél-modél éta, DM LR mangrupikeun modél anu pangsaéna dina hal sensitivitas pikeun sampel lalaki sareng sensitivitas sareng spésifisitas pikeun sampel awéwé. LR rengking kadua dina spésifisitas pikeun lalaki. Leuwih ti éta, LR dianggap salah sahiji modél DM35 anu langkung ramah-pangguna sareng kirang rumit sareng hésé diprosés. Dumasar kana hasil ieu, LR dianggap modél klasifikasi cutoff anu pangsaéna pikeun jalma umur 18 taun dina populasi Koréa.
Sacara umum, akurasi estimasi umur atanapi kinerja klasifikasi dina set tés éksternal goréng atanapi langkung handap dibandingkeun sareng hasil dina set tés internal. Sababaraha laporan nunjukkeun yén akurasi atanapi efisiensi klasifikasi nurun nalika estimasi umur dumasar kana populasi Koréa diterapkeun kana populasi Jepang5,39, sareng pola anu sami kapanggih dina panilitian ayeuna. Tren deteriorasi ieu ogé dititénan dina modél DM. Ku alatan éta, pikeun ngira-ngira umur sacara akurat, bahkan nalika nganggo DM dina prosés analisis, metode anu diturunkeun tina data populasi asli, sapertos metode tradisional, kedah langkung dipikaresep5,39,40,41,42. Kusabab teu jelas naha modél pembelajaran jero tiasa nunjukkeun tren anu sami, panilitian anu ngabandingkeun akurasi sareng efisiensi klasifikasi nganggo metode tradisional, modél DM, sareng modél pembelajaran jero dina sampel anu sami diperyogikeun pikeun mastikeun naha kecerdasan jieunan tiasa ngungkulan disparitas ras ieu dina umur anu terbatas. penilaian.
Kami nunjukkeun yén metode tradisional tiasa digentos ku estimasi umur dumasar kana modél DM dina prakték estimasi umur forensik di Koréa. Kami ogé mendakan kamungkinan pikeun nerapkeun pembelajaran mesin pikeun penilaian umur forensik. Nanging, aya watesan anu jelas, sapertos jumlah pamilon anu teu cekap dina panilitian ieu pikeun nangtukeun hasil sacara pasti, sareng kurangna panilitian sateuacana pikeun ngabandingkeun sareng mastikeun hasil panilitian ieu. Ka hareupna, panilitian DM kedah dilakukeun kalayan jumlah sampel anu langkung ageung sareng populasi anu langkung beragam pikeun ningkatkeun aplikasi praktisna dibandingkeun sareng metode tradisional. Pikeun ngavalidasi kalayakan ngagunakeun kecerdasan buatan pikeun ngira-ngira umur dina sababaraha populasi, panilitian ka hareup diperyogikeun pikeun ngabandingkeun akurasi klasifikasi sareng efisiensi modél DM sareng pembelajaran jero sareng metode tradisional dina sampel anu sami.
Panilitian ieu ngagunakeun 2.657 poto ortografik anu dikumpulkeun ti déwasa Koréa sareng Jepang umur 15 dugi ka 23 taun. Radiografi Koréa dibagi kana 900 sét latihan (19,42 ± 2,65 taun) sareng 900 sét tés internal (19,52 ± 2,59 taun). Sét latihan dikumpulkeun di hiji lembaga (Rumah Sakit St. Mary Seoul), sareng sét tés sorangan dikumpulkeun di dua lembaga (Rumah Sakit Gigi Universitas Nasional Seoul sareng Rumah Sakit Gigi Universitas Yonsei). Kami ogé ngumpulkeun 857 radiografi tina data berbasis populasi anu sanés (Universitas Médis Iwate, Jepang) pikeun tés éksternal. Radiografi subjek Jepang (19,31 ± 2,60 taun) dipilih salaku sét tés éksternal. Data dikumpulkeun sacara rétrospéktif pikeun nganalisis tahapan kamekaran dental dina radiografi panoramik anu dicandak nalika perawatan dental. Sadaya data anu dikumpulkeun anonim kecuali jenis kelamin, tanggal lahir sareng tanggal radiografi. Kriteria inklusi sareng éksklusi sami sareng panilitian anu diterbitkeun sateuacanna 4, 5. Umur sampel anu saleresna diitung ku cara ngirangan tanggal lahir tina tanggal radiografi dicandak. Grup sampel dibagi kana salapan kelompok umur. Distribusi umur sareng jenis kelamin dipidangkeun dina Tabel 3. Panilitian ieu dilaksanakeun saluyu sareng Déklarasi Helsinki sareng disatujuan ku Dewan Peninjau Institusional (IRB) Rumah Sakit Seoul St. Mary's Universitas Katolik Korea (KC22WISI0328). Kusabab desain rétrospéktif tina panilitian ieu, idin anu diinformasikeun henteu tiasa didapet ti sadaya pasien anu ngalaman pamariksaan radiografi pikeun tujuan terapi. Rumah Sakit St. Mary's Universitas Seoul Korea (IRB) ngahapuskeun sarat pikeun idin anu diinformasikeun.
Tahapan perkembangan molar kadua sareng katilu bimaxillary dipeunteun numutkeun kriteria Demircan25. Ngan hiji huntu anu dipilih upami jinis huntu anu sami kapanggih di sisi kénca sareng katuhu unggal rahang. Upami huntu homolog di dua sisi aya dina tahapan perkembangan anu béda, huntu kalayan tahapan perkembangan anu langkung handap dipilih pikeun ngitung kateupastian dina perkiraan umur. Saratus radiografi anu dipilih sacara acak tina set latihan dipeunteun ku dua pengamat anu berpengalaman pikeun nguji reliabilitas antar pengamat saatos prakalibrasi pikeun nangtukeun tahapan kematangan huntu. Reliabilitas intrapengamat dipeunteun dua kali dina interval tilu bulan ku pengamat primér.
Jenis kelamin sareng tahapan perkembangan molar kadua sareng katilu tina unggal rahang dina set latihan diperkirakeun ku pengamat primér anu dilatih nganggo modél DM anu béda, sareng umur anu saleresna ditetepkeun salaku nilai target. Modél SLP sareng MLP, anu seueur dianggo dina pembelajaran mesin, diuji ngalawan algoritma regresi. Modél DM ngagabungkeun fungsi linier nganggo tahapan perkembangan opat huntu sareng ngagabungkeun data ieu pikeun ngira-ngira umur. SLP mangrupikeun jaringan saraf anu paling saderhana sareng henteu ngandung lapisan anu disumputkeun. SLP jalan dumasar kana transmisi ambang antara simpul. Modél SLP dina regresi sacara matematis sami sareng regresi linier berganda. Teu sapertos modél SLP, modél MLP gaduh sababaraha lapisan anu disumputkeun kalayan fungsi aktivasi nonlinier. Ékspérimén kami nganggo lapisan anu disumputkeun kalayan ngan ukur 20 simpul anu disumputkeun kalayan fungsi aktivasi nonlinier. Anggo turunan gradien salaku metode optimasi sareng MAE sareng RMSE salaku fungsi rugi pikeun ngalatih modél pembelajaran mesin kami. Modél regresi anu pangsaéna diterapkeun kana set tés internal sareng éksternal sareng umur huntu diperkirakeun.
Algoritma klasifikasi dikembangkeun anu ngagunakeun kematangan opat huntu dina set latihan pikeun ngaduga naha sampel umurna 18 taun atanapi henteu. Pikeun ngawangun modél, urang ngahasilkeun tujuh algoritma pembelajaran mesin répréséntasi6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, sareng (7) MLP. LR mangrupikeun salah sahiji algoritma klasifikasi anu paling seueur dianggo44. Éta mangrupikeun algoritma pembelajaran anu diawasi anu nganggo régrési pikeun ngaduga probabilitas data kagolong kana kategori anu tangtu ti 0 dugi ka 1 sareng ngaklasifikasikeun data salaku kagolong kana kategori anu langkung dipikaresep dumasar kana probabilitas ieu; utamina dianggo pikeun klasifikasi binér. KNN mangrupikeun salah sahiji algoritma pembelajaran mesin anu paling saderhana45. Nalika dipasihan data input énggal, éta mendakan k data anu caket kana set anu tos aya teras ngaklasifikasikeun kana kelas kalayan frékuénsi pangluhurna. Urang netepkeun 3 pikeun jumlah tatangga anu dipertimbangkeun (k). SVM mangrupikeun algoritma anu ngamaksimalkeun jarak antara dua kelas ku ngagunakeun fungsi kernel pikeun ngalegaan rohangan linier kana rohangan non-linier anu disebut widang46. Pikeun modél ieu, urang nganggo bias = 1, power = 1, sareng gamma = 1 salaku hiperparameter pikeun kernel polinomial. DT parantos diterapkeun dina sababaraha widang salaku algoritma pikeun ngabagi sakabéh set data kana sababaraha subgrup ku cara ngawakilan aturan kaputusan dina struktur tangkal47. Modél ieu dikonfigurasi kalayan jumlah minimum rékaman per simpul 2 sareng nganggo indéks Gini salaku ukuran kualitas. RF mangrupikeun metode ansambel anu ngagabungkeun sababaraha DT pikeun ningkatkeun kinerja nganggo metode agregasi bootstrap anu ngahasilkeun classifier lemah pikeun unggal sampel ku cara ngagambar sampel ukuran anu sami sababaraha kali tina set data aslina48. Kami nganggo 100 tangkal, 10 jerona tangkal, 1 ukuran simpul minimum, sareng indéks admixture Gini salaku kriteria pamisahan simpul. Klasifikasi data anyar ditangtukeun ku sora mayoritas. XGBoost mangrupikeun algoritma anu ngagabungkeun téknik boosting nganggo metode anu nyandak salaku data latihan kasalahan antara nilai anu saleresna sareng anu diprediksi tina modél sateuacana sareng ningkatkeun kasalahan nganggo gradien49. Ieu mangrupikeun algoritma anu seueur dianggo kusabab kinerja sareng efisiensi sumber daya anu saé, ogé reliabilitas anu luhur salaku fungsi koréksi overfitting. Modél ieu dilengkepan ku 400 roda dukungan. MLP nyaéta jaringan saraf dimana hiji atanapi langkung perceptron ngabentuk sababaraha lapisan kalayan hiji atanapi langkung lapisan anu disumputkeun antara lapisan input sareng output38. Ngagunakeun ieu, anjeun tiasa ngalakukeun klasifikasi non-linier dimana nalika anjeun nambihan lapisan input sareng kéngingkeun nilai hasil, nilai hasil anu diprediksi dibandingkeun sareng nilai hasil anu saleresna sareng kasalahan disebarkeun deui. Kami nyiptakeun lapisan anu disumputkeun kalayan 20 neuron anu disumputkeun dina unggal lapisan. Unggal modél anu kami kembangkeun diterapkeun kana sét internal sareng éksternal pikeun nguji kinerja klasifikasi ku cara ngitung sensitivitas, spésifisitas, PPV, NPV, sareng AUROC. Sensitivitas dihartikeun salaku babandingan sampel anu diperkirakeun umurna 18 taun atanapi langkung ka sampel anu diperkirakeun umurna 18 taun atanapi langkung. Spésifisitas nyaéta proporsi sampel anu umurna di handap 18 taun sareng anu diperkirakeun umurna di handap 18 taun.
Tahapan dental anu dipeunteun dina set latihan dirobah jadi tahapan numerik pikeun analisis statistik. Regresi linier sareng logistik multivariat dilaksanakeun pikeun ngembangkeun modél prédiktif pikeun unggal jenis kelamin sareng ngahasilkeun rumus regresi anu tiasa dianggo pikeun ngira-ngira umur. Kami nganggo rumus ieu pikeun ngira-ngira umur huntu pikeun set tés internal sareng éksternal. Tabel 4 nunjukkeun modél regresi sareng klasifikasi anu dianggo dina panilitian ieu.
Reliabilitas intra- sareng interobserver diitung nganggo statistik kappa Cohen. Pikeun nguji akurasi DM sareng modél régrési tradisional, urang ngitung MAE sareng RMSE nganggo umur anu diperkirakeun sareng saleresna tina sét tés internal sareng éksternal. Kasalahan ieu umumna dianggo pikeun meunteun akurasi prediksi modél. Beuki leutik kasalahan, beuki luhur akurasi ramalan24. Bandingkeun MAE sareng RMSE tina sét tés internal sareng éksternal anu diitung nganggo DM sareng régrési tradisional. Kinerja klasifikasi cutoff 18 taun dina statistik tradisional dipeunteun nganggo tabel kontingensi 2 × 2. Sensitivitas, spésifisitas, PPV, NPV, sareng AUROC anu diitung tina sét tés dibandingkeun sareng nilai anu diukur tina modél klasifikasi DM. Data dikedalkeun salaku rata-rata ± standar deviasi atanapi angka (%) gumantung kana karakteristik data. Nilai P dua sisi <0,05 dianggap signifikan sacara statistik. Sadaya analisis statistik rutin dilakukeun nganggo SAS versi 9.4 (SAS Institute, Cary, NC). Modél régrési DM diimplementasikeun dina Python nganggo backend Keras50 2.2.4 sareng Tensorflow51 1.8.0 khusus pikeun operasi matematis. Modél klasifikasi DM diimplementasikeun dina Lingkungan Analisis Pangaweruh Waikato sareng platform analisis Konstanz Information Miner (KNIME) 4.6.152.
Para panulis ngaku yén data anu ngadukung kacindekan panilitian tiasa dipendakan dina artikel sareng bahan tambahan. Kumpulan data anu dihasilkeun sareng/atanapi dianalisis salami panilitian sayogi ti panulis anu saluyu upami aya pamundut anu wajar.
Ritz-Timme, S. et al. Penilaian umur: kaayaan seni pikeun minuhan sarat khusus prakték forensik. internasionalitas. J. Kedokteran hukum. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., sareng Olze, A. Status ayeuna tina penilaian umur forensik subjek anu masih hirup pikeun tujuan tuntutan pidana. Forensik. ubar. Patologi. 1, 239–246 (2005).
Pan, J. et al. Métode anu dimodifikasi pikeun meunteun umur huntu barudak umur 5 dugi ka 16 taun di Cina wétan. klinis. Survei lisan. 25, 3463–3474 (2021).
Lee, SS jsb. Kronologi kamekaran molar kadua sareng katilu di urang Koréa sareng aplikasina pikeun penilaian umur forensik. internasionalitas. J. Kedokteran hukum. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY sareng Lee, SS Akurasi estimasi umur sareng estimasi ambang 18 taun dumasar kana kematangan molar kadua sareng katilu di urang Koréa sareng Jepang. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Analisis data dumasar kana pembelajaran mesin pra-operasi tiasa ngaduga hasil pangobatan bedah sare dina pasien anu ngagaduhan OSA. élmuna. Laporan 11, 14911 (2021).
Han, M. et al. Estimasi umur anu akurat tina pembelajaran mesin kalayan atanapi tanpa campur tangan manusa? internasionalitas. J. Kedokteran hukum. 136, 821–831 (2022).
Khan, S. sareng Shaheen, M. Ti Pertambangan Data ka Pertambangan Data. J.Informasi. élmu. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. sareng Shaheen, M. WisRule: Algoritma Kognitif Kahiji pikeun Pertambangan Aturan Asosiasi. J.Information. élmu. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. sareng Abdullah U. Karm: Panambangan data tradisional dumasar kana aturan asosiasi dumasar kontéks. itung. Matt. teraskeun. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. sareng Habib M. Deteksi kamiripan semantik dumasar kana pembelajaran jero nganggo data téks. inform. téknologi. kontrol. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., sareng Shahin, M. Sistem pikeun mikawanoh kagiatan dina pidéo olahraga. multimedia. Aplikasi Pakakas https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Tangtangan Diajar Mesin RSNA dina Jaman Tulang Pediatrik. Radiologi 290, 498–503 (2019).
Li, Y. et al. Estimasi umur forensik tina sinar-X pelvis nganggo deep learning. EURO. radiasi. 29, 2322–2329 (2019).
Guo, YC, et al. Klasifikasi umur anu akurat nganggo metode manual sareng jaringan saraf konvolusional anu jero tina gambar proyéksi ortografik. internasionalitas. J. Kedokteran hukum. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimasi umur tulang nganggo metode pembelajaran mesin anu béda: tinjauan literatur sistematis sareng meta-analisis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., sareng Yang, J. Estimasi umur spésifik populasi urang Afrika-Amérika sareng Cina dumasar kana volume kamar pulpa tina geraham munggaran nganggo tomografi komputer cone-beam. internasionalitas. J. Kedokteran hukum. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK sareng Oh KS Nangtukeun kelompok umur jalma anu hirup nganggo gambar geraham munggaran anu didasarkeun kana kecerdasan jieunan. élmu. Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., sareng Urschler, M. Estimasi umur otomatis sareng klasifikasi umur mayoritas tina data MRI multivariat. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. sareng Li, G. Estimasi umur dumasar kana segmentasi ruang pulpa 3D tina molar kahiji tina tomografi komputer cone beam ku cara ngahijikeun deep learning sareng set level. internasionalitas. J. Kedokteran hukum. 135, 365–373 (2021).
Wu, WT, et al. Panggalian data dina data ageung klinis: basis data umum, léngkah-léngkah, sareng modél metode. Dunya. ubar. sumber daya. 8, 44 (2021).
Yang, J. et al. Bubuka kana Database Médis sareng Téknologi Pertambangan Data dina Éra Big Data. J. Avid. Kedokteran dasar. 13, 57–69 (2020).
Shen, S. et al. Métode Camerer pikeun ngira-ngira umur huntu nganggo pembelajaran mesin. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Babandingan métode pembelajaran mesin anu béda pikeun ngaramalkeun umur huntu nganggo métode pementasan Demirdjian. internasionalitas. J. Kedokteran hukum. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. sareng Tanner, JM Sistem anyar pikeun meunteun umur huntu. snort. biology. 45, 211–227 (1973).
Landis, JR, sareng Koch, GG Ukuran kasapukan pangamat kana data kategoris. Biometrika 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK sareng Choi HK. Analisis tékstur, morfologis sareng statistik tina pencitraan résonansi magnét dua diménsi nganggo téknik kecerdasan jieunan pikeun diferensiasi tumor otak primér. Inpormasi kaséhatan. sumber daya. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Waktos posting: Jan-04-2024