Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што го користите има ограничена поддршка за CSS. За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или исклучување на режимот за компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме постојана поддршка, ја покажуваме страницата без стилизирање или JavaScript.
Забите се сметаат за најточен показател за возраста на човечкото тело и честопати се користат во проценка на форензичката возраст. Имавме за цел да ги потврдиме проценките на стоматолошката возраст заснована на податоци засновани на податоци со споредување на точноста на проценката и перформансите на класификацијата на 18-годишниот праг со традиционалните методи и проценките на возраста заснована на рударството. Вкупно 2657 панорамски радиографии беа собрани од корејски и јапонски граѓани на возраст од 15 до 23 години. Тие беа поделени во сет за обука, секоја од нив содржи 900 корејски радиографии, и внатрешен сет за тестирање што содржи 857 јапонски радиографии. Ние ја споредивме точноста на класификацијата и ефикасноста на традиционалните методи со тест множества на модели за рударство на податоци. Точноста на традиционалниот метод на сетот за внатрешни тестови е малку поголема од онаа на моделот за рударство на податоци, а разликата е мала (средна апсолутна грешка <0,21 години, грешка во средната грешка на коренот <0,24 години). Перформансите за класификација за 18-годишното прекинување е исто така слични помеѓу традиционалните методи и моделите за рударство на податоци. Така, традиционалните методи можат да се заменат со модели за рударство на податоци при извршување на проценка на форензичката возраст користејќи ја зрелоста на второто и третиот катници кај корејски адолесценти и млади возрасни.
Проценката на стоматолошката возраст е широко користена во судската медицина и детската стоматологија. Особено, заради високата корелација помеѓу хронолошката возраст и развојот на забите, проценката на возраста од фазите на развој на забите е важен критериум за проценка на возраста на децата и адолесцентите1,2,3. Сепак, за младите луѓе, проценката на забите врз основа на забна зрелост има свои ограничувања затоа што растот на забите е скоро целосен, со исклучок на третиот катници. Правната цел за утврдување на возраста на младите луѓе и адолесцентите е да обезбеди точни проценки и научни докази за тоа дали тие достигнале старост на мнозинство. Во медицинската пракса на адолесцентите и младите возрасни во Кореја, возраста се проценуваше со методот на Ли, а правниот праг од 18 години беше предвиден врз основа на податоците пријавени од О и др. 5.
Машинското учење е еден вид вештачка интелигенција (АИ) која постојано учи и класифицира големи количини на податоци, ги решава проблемите самостојно и вози програмирање на податоци. Машинското учење може да открие корисни скриени обрасци во големи количини на податоци6. Спротивно на тоа, класичните методи, кои се трудоинтензивни и одземаат многу време, може да имаат ограничувања кога се занимаваат со големи количини на сложени податоци што е тешко да се процесираат рачно7. Затоа, многу студии се спроведени неодамна користејќи ги најновите компјутерски технологии за да се минимизираат човековите грешки и ефикасно обработка на мултидимензионални податоци8,9,10,11,12. Особено, длабокото учење е широко користено во медицинската анализа на сликата, а се пријавени разни методи за проценка на возраста со автоматско анализирање на радиографии за подобрување на точноста и ефикасноста на проценката на возраста13,14,15,16,17,18,19,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,20,220 . На пример, Halabi et al 13 развиле алгоритам за учење машини засновано на конвулативни нервни мрежи (CNN) за да се процени скелетната возраст користејќи радиографии на рацете на децата. Оваа студија предлага модел што применува машинско учење на медицински слики и покажува дека овие методи можат да ја подобрат дијагностичката точност. Ли et al14 ја процени возраста од карличните рендгенски слики користејќи длабоко учење CNN и ги спореди со резултатите од регресија користејќи ја проценката на фазата на осификација. Откриле дека моделот Deep Learning CNN покажала иста возраст за проценка на возраста како и традиционалниот модел на регресија. Студијата на Гуо и др.
Повеќето студии за проценка на возраста со употреба на машинско учење користат методи за длабоко учење13,14,15,16,17,18,19,20. Проценката на возраста заснована на длабоко учење се вели дека е поточна од традиционалните методи. Сепак, овој пристап дава мала можност да се претстави научната основа за проценките на возраста, како што се индикаторите за возраста што се користат во проценките. Исто така, постои правен спор околу тоа кој ги спроведува инспекциите. Затоа, проценката на возраста заснована врз длабоко учење е тешко да се прифати од административните и судските власти. Рударството на податоци (ДМ) е техника што може да ги открие не само очекуваните, туку и неочекуваните информации како метод за откривање на корисни корелации помеѓу големите количини на податоци6,21,22. Машинското учење често се користи во рударството на податоци, а рударството со податоци и машинското учење користат исти алгоритми на клучот за да ги откријат моделите во податоците. Проценката на возраста со употреба на развој на забите се заснова на проценката на испитувачот за зрелоста на целните заби, а оваа проценка се изразува како фаза за секој целен заб. ДМ може да се користи за да се анализира корелацијата помеѓу фазата на стоматолошка проценка и реалната возраст и има потенцијал да ја замени традиционалната статистичка анализа. Затоа, ако примениме техники на ДМ за проценка на возраста, можеме да спроведеме машинско учење во проценка на форензичката возраст без да се грижиме за правната одговорност. Објавени се неколку компаративни студии за можни алтернативи на традиционалните рачни методи што се користат во форензичката пракса и методите засновани на ЕБМ за утврдување на стоматолошката возраст. Шен et al23 покажаа дека моделот ДМ е поточен од традиционалната формула за камери. Галибург и сор24 примениле различни методи на ДМ за да ја предвидат возраста според критериумот на Демирдјан25 и резултатите покажале дека методот ДМ ги надминал методите Демирдје и Вилемс во проценката на возраста на француското население.
За да се процени стоматолошката ера на корејските адолесценти и млади возрасни, методот 4 на Ли е широко користен во корејската судска пракса. Овој метод користи традиционална статистичка анализа (како што е повеќекратна регресија) за да се испита врската помеѓу корејските субјекти и хронолошката возраст. Во оваа студија, методите за проценка на возраста добиени со традиционални статистички методи се дефинираат како „традиционални методи“. Методот на Ли е традиционален метод, а неговата точност е потврдена од О и др. 5; Сепак, применливоста на проценка на возраста заснована врз моделот ДМ во корејската судска пракса е сè уште сомнителна. Нашата цел беше научно да ја потврдиме потенцијалната корисност на проценката на возраста заснована врз моделот ДМ. Целта на оваа студија беше (1) да се спореди точноста на двата модели на ДМ во проценката на стоматолошката возраст и (2) да се споредат перформансите на класификацијата на 7 модели на ДМ на возраст од 18 години со оние добиени со употреба на традиционални статистички методи зрелост на секунда и трети катници во двата вилици.
Средствата и стандардните отстапувања на хронолошката возраст по фаза и типот на забите се прикажани на Интернет во Дополнителната табела S1 (сет на обука), Дополнителната табела S2 (сет за внатрешни тестови) и дополнителната табела S3 (надворешен сет за тестирање). Вредностите на Kappa за доверливост на интра- и меѓусебно сервер, добиени од сетот за обука, беа 0,951 и 0,947, соодветно. P вредностите и 95% интервали на доверба за вредностите на KAPPA се прикажани во онлајн дополнителната табела S4. Вредноста на Капа се толкуваше како „скоро совршена“, во согласност со критериумите на Ландис и Кох26.
Кога се споредува средната апсолутна грешка (MAE), традиционалниот метод малку го надминува моделот DM за сите родови и во надворешниот сет на тест за машки, со исклучок на повеќеслојниот перцептрон (MLP). Разликата помеѓу традиционалниот модел и моделот ДМ во внатрешниот сет за тест MAE беше 0,12-0,19 години за мажи и 0,17–0,21 години за жени. За надворешната батерија за тестирање, разликите се помали (0,001-0,05 години за мажи и 0,05–0,09 години за жени). Покрај тоа, средната грешка на коренот на квадрат (RMSE) е малку пониска од традиционалниот метод, со помали разлики (0,17-0,24, 0,2–0,24 за машкиот сет за внатрешни тестови и 0,03–0,07, 0,04–0,08 за надворешен тест сет). ). MLP покажува малку подобри перформанси од единечен слој перцептрон (SLP), освен во случај на женски сет за надворешни тестови. За Mae и RMSE, надворешниот тест поставен е повисок од внатрешниот тест поставен за сите пола и модели. Сите MAE и RMSE се прикажани во Табела 1 и Слика 1.
Mae и RMSE на традиционални модели на регресија на рударството и податоци. Средна апсолутна грешка MAE, коренска средна грешка на квадрат RMSE, единечен слој перцептрон SLP, повеќеслојно перцептрон MLP, традиционален метод на CM.
Перформансите за класификација (со прекин од 18 години) на традиционалните и ДМ моделите беа демонстрирани во однос на чувствителноста, специфичноста, позитивната предвидлива вредност (ППВ), негативната предвидлива вредност (НПВ) и областа под приемникот Оперативна карактеристична крива (AUROC) (AUROC) 27 (Табела 2, Слика 2 и Дополнителна слика 1 на Интернет). Во однос на чувствителноста на внатрешната батерија за тестирање, традиционалните методи се вршеа најдобро кај мажите и уште полошо кај жените. Сепак, разликата во перформансите на класификацијата помеѓу традиционалните методи и СД е 9,7% за мажи (МЛП) и само 2,4% за жени (XGBoost). Меѓу моделите ДМ, логистичката регресија (ЛР) покажа подобра чувствителност кај двата пола. Што се однесува до специфичноста на сетот за внатрешни тестови, забележано е дека четирите SD модели се одвиваа добро кај мажите, додека традиционалниот модел настапи подобро кај жените. Разликите во перформансите на класификацијата кај мажите и женките се 13,3% (MLP) и 13,1% (MLP), соодветно, што укажува дека разликата во перформансите на класификацијата помеѓу моделите ја надминува чувствителноста. Меѓу моделите DM, моделите за векторска поддршка (SVM), дрвото на одлуки (DT) и случаен шума (RF) се претставија најдобро кај мажјаците, додека моделот LR се претстави најдобро кај жените. Auroc на традиционалниот модел и сите модели на SD беше поголема од 0,925 (K-најблискиот сосед (KNN) кај мажите), демонстрирајќи одлични перформанси за класификација во дискриминација на 18-годишниот примерок28. За надворешниот сет на тестирање, имаше намалување на перформансите на класификацијата во однос на чувствителност, специфичност и AUROC во споредба со сетот за внатрешни тестови. Покрај тоа, разликата во чувствителноста и специфичноста помеѓу перформансите на класификација на најдобрите и најлошите модели се движеше од 10% до 25% и беше поголема од разликата во сетот за внатрешни тестови.
Чувствителност и специфичност на моделите за класификација на рударството со податоци во споредба со традиционалните методи со прекин од 18 години. KNN K Најблиску до сосед, SVM Support Vector Machine, LR логистичка регресија, ДТ Дрво за одлучување, RF случајна шума, XGB XGBOOST, MLP MultiLayer perceptron, традиционален метод на CM.
Првиот чекор во оваа студија беше да се спореди точноста на проценките на стоматолошката возраст добиени од седум модели на ДМ со оние добиени со традиционална регресија. Меј и РМСЕ беа оценети во внатрешните комплети за тестирање за двата пола, а разликата помеѓу традиционалниот метод и моделот ДМ се движеше од 44 до 77 дена за МАЕ и од 62 до 88 дена за РМСЕ. Иако традиционалниот метод беше малку поточен во оваа студија, тешко е да се заклучи дали толку мала разлика има клиничко или практично значење. Овие резултати укажуваат на тоа дека точноста на проценката на стоматолошката возраст со помош на моделот ДМ е скоро иста како онаа на традиционалниот метод. Директната споредба со резултатите од претходните студии е тешка затоа што ниту една студија не ја спореди точноста на моделите ДМ со традиционалните статистички методи со користење на истата техника на снимање на заби во ист опсег на возраст како во оваа студија. Galibourg et al24 ги спореди Mae и RMSE помеѓу два традиционални методи (Method Method25 и Willems Method29) и 10 DM модели кај француско население на возраст од 2 до 24 години. Тие објавија дека сите модели на ДМ се поточни од традиционалните методи, со разлики од 0,20 и 0,38 години во МАЕ и 0,25 и 0,47 години во РМСЕ во споредба со методите Вилемс и Демирдјејан, соодветно. Несовпаѓањето помеѓу моделот SD и традиционалните методи прикажани во студијата Халибург ги зема предвид бројните извештаи30,31,32,33, дека методот Демирдјејан не ја проценува точно стоматолошката ера кај популациите, освен француските Канаѓани на кои се засноваше студијата. Во оваа студија. Таи и сор 34 го користеле алгоритмот МЛП за да ја предвидат возраста на забите од 1636 кинески ортодонтски фотографии и ја споредиле нејзината точност со резултатите од методот Демирјан и Вилемс. Тие објавија дека МЛП има поголема точност од традиционалните методи. Разликата помеѓу методот Демирдјан и традиционалниот метод е <0,32 години, а методот Вилемс е 0,28 години, што е слично на резултатите од оваа студија. Резултатите од овие претходни студии24,34 се исто така во согласност со резултатите од оваа студија, а точноста на проценката на возраста на моделот ДМ и традиционалниот метод се слични. Сепак, врз основа на презентираните резултати, можеме внимателно да заклучиме дека употребата на модели ДМ за проценка на возраста може да ги замени постојните методи заради недостаток на компаративни и референтни претходни студии. Потребни се студии за последователни примероци за да се потврдат резултатите добиени во оваа студија.
Меѓу студиите што ја тестираат точноста на SD во проценката на забите, некои покажаа поголема точност од нашата студија. Степановски и сор 35 примениле 22 модели на SD на панорамски радиографии на 976 чешки жители на возраст од 2,7 до 20,5 години и ја тестирале точноста на секој модел. Тие го оценија развојот на вкупно 16 горните и долните леви постојани заби користејќи ги критериумите за класификација предложени од Моорс и сор 36. МАЕ се движи од 0,64 до 0,94 години и RMSE се движи од 0,85 до 1,27 години, кои се поточни од двата модели на ДМ што се користат во оваа студија. Шен et al23 го користел методот Cameriere за да ја процени стоматолошката возраст од седум постојани заби во левата мандибула кај источните кинески жители на возраст од 5 до 13 години и го споредиле со возраста проценета со употреба на линеарна регресија, SVM и RF. Тие покажаа дека сите три модели на ДМ имаат поголема точност во споредба со традиционалната формула за камери. Меј и РМСЕ во студијата на Шен беа пониски од оние во моделот ДМ во оваа студија. Зголемената прецизност на студиите од Степановски и сор. 35 и Шен и сор. 23 може да се должи на вклучувањето на помладите субјекти во нивните примероци од студијата. Бидејќи проценките на возраста за учесниците со развој на заби стануваат поточни бидејќи бројот на забите се зголемува за време на развојот на забите, точноста на методот на проценка на возраста може да биде компромитирана кога учесниците во студијата се помлади. Покрај тоа, грешката на МЛП во проценката на возраста е малку помала од SLP, што значи дека MLP е поточен од SLP. MLP се смета за малку подобар за проценка на возраста, можеби поради скриените слоеви во MLP38. Сепак, постои исклучок за надворешниот примерок на жени (SLP 1,45, MLP 1,49). Наодот дека MLP е поточен од SLP за проценка на возраста, бара дополнителни ретроспективни студии.
Исто така, беа споредени и перформансите на класификацијата на моделот ДМ и традиционалниот метод на 18-годишен праг. Сите тестирани SD модели и традиционалните методи на сетот за внатрешни тестови покажаа практично прифатливи нивоа на дискриминација за 18-годишниот примерок. Чувствителноста кај мажите и жените беше поголема од 87,7% и 94,9%, соодветно, а специфичноста беше поголема од 89,3% и 84,7%. AUROC на сите тестирани модели исто така надминува 0,925. Најдобро од нашето знаење, ниту една студија не ги тестираше перформансите на моделот ДМ за 18-годишна класификација заснована на забна зрелост. Можеме да ги споредиме резултатите од оваа студија со перформансите на класификација на моделите на длабоко учење на панорамски радиографии. Guo et al.15 ги пресмета перформансите на класификацијата на моделот за длабоко учење базиран на CNN и рачен метод заснован на методот на Демирјан за одредена возраст. Чувствителноста и специфичноста на рачниот метод беа 87,7% и 95,5%, соодветно, а чувствителноста и специфичноста на моделот CNN ја надминаа 89,2% и 86,6%, соодветно. Тие заклучија дека моделите со длабоко учење можат да ја заменат или надминат рачната проценка во класификацијата на праговите на возраста. Резултатите од оваа студија покажаа слични перформанси на класификација; Се верува дека класификацијата со употреба на модели DM може да ги замени традиционалните статистички методи за проценка на возраста. Меѓу моделите, ДМ ЛР беше најдобриот модел во однос на чувствителноста за машкиот примерок и чувствителност и специфичност за женскиот примерок. LR се рангира на второто место по специфичност за мажите. Покрај тоа, LR се смета за еден од повеќе лесни за корисниците DM35 модели и е помалку сложена и тешко за обработка. Врз основа на овие резултати, LR се сметаше за најдобар модел за класификација на прекини за 18-годишници кај корејското население.
Севкупно, точноста на проценката на возраста или перформансите на класификација на надворешниот сет на тестови беше слаба или пониска во споредба со резултатите од сетот за внатрешен тест. Некои извештаи укажуваат дека точноста или ефикасноста на класификацијата се намалуваат кога проценките на возраста засновани врз корејската популација се применуваат на јапонската популација5,39, а слична шема е пронајдена во оваа студија. Овој тренд на влошување е забележан и во моделот ДМ. Затоа, точно да се процени возраста, дури и кога се користи ДМ во процесот на анализа, методите добиени од податоците за домашно население, како што се традиционалните методи, треба да се претпочитаат5,39,40,41,42. Бидејќи е нејасно дали моделите на длабоко учење можат да покажат слични трендови, студиите споредувајќи ја точноста и ефикасноста на класификацијата со користење на традиционални методи, модели на ДМ и модели на длабоко учење на истите примероци се потребни за да се потврди дали вештачката интелигенција може да ги надмине овие расни разлики во ограничена возраст. проценки.
Ние демонстрираме дека традиционалните методи можат да се заменат со проценка на возраста врз основа на моделот ДМ во практиката за проценка на форензичката возраст во Кореја. Откривме и можност за спроведување на машинско учење за проценка на форензичката возраст. Сепак, постојат јасни ограничувања, како што е недоволниот број на учесници во оваа студија за дефинитивно да ги утврдат резултатите и недостатокот на претходни студии за да се споредат и потврдат резултатите од оваа студија. Во иднина, студиите за ДМ треба да се спроведат со поголем број примероци и поразновидни популации за да се подобри нејзината практична применливост во споредба со традиционалните методи. За да се потврди изводливоста на користење на вештачка интелигенција за да се процени возраста кај повеќе популации, потребни се идни студии за да се спореди точноста на класификацијата и ефикасноста на ДМ и моделите на длабоко учење со традиционални методи во истите примероци.
Студијата користела 2.657 ортографски фотографии собрани од корејски и јапонски возрасни на возраст од 15 до 23 години. Корејските радиографии беа поделени на 900 сетови за обука (19,42 ± 2,65 години) и 900 сетови за внатрешни тестови (19,52 ± 2,59 години). Комплетот за обука беше собрана во една институција (болница во Сеул Свети Марија), а сопствениот тест сет беше собран во две институции (Стоматолошка болница на Националната универзитет во Сеул и Стоматолошката болница на Универзитетот Јонсеи). Собравме и 857 радиографии од други податоци засновани на население (Медицински универзитет Ивајт, Јапонија) за надворешно тестирање. Радиографиите на јапонските субјекти (19,31 ± 2,60 години) беа избрани како надворешен сет за тестирање. Податоците беа собрани ретроспективно за да се анализираат фазите на развој на забите на панорамски радиографии земени за време на стоматолошкиот третман. Сите собрани податоци беа анонимни, освен за пол, датум на раѓање и датум на радиографија. Критериуми за вклучување и исклучување беа исти како и претходно објавените студии 4, 5. Вистинската возраст на примерокот беше пресметана со одземање на датумот на раѓање од датумот кога е земена радиографијата. Групата на примероци беше поделена на девет возрасни групи. Дистрибуцијата на возраста и сексот се прикажани во Табела 3 Оваа студија беше спроведена во согласност со Декларацијата на Хелсинки и одобрена од Одборот за институционален преглед (ИРБ) на Сеул Свети Марија болница на Католичкиот универзитет во Кореја (KC22WISI0328). Поради ретроспективниот дизајн на оваа студија, информираната согласност не може да се добие од сите пациенти кои се подложени на радиографски преглед за терапевтски цели. Универзитетот Сеул Кореја, Универзитет Свети Марија (ИРБ), се откажа од барањето за информирана согласност.
Развојните фази на бимаксиларна втора и трета катници беа проценети според критериумите на Демикјан25. Само еден заб беше избран ако истиот вид заб се најде на левата и десната страна на секоја вилица. Ако хомолошките заби од обете страни биле во различни фази на развој, забот со пониска фаза на развој беше избран за да даде сметка за неизвесност во проценетата возраст. Сто случајно избрани радиографии од сетот за обука беа постигнати од страна на двајца искусни набудувачи за да се тестира доверливоста на меѓусебниот сервер по прекалибрацијата за да се утврди фазата на забни зрелост. Сигурноста на интраобсервер беше оценета двапати во тримесечни интервали од страна на примарниот набудувач.
Сексот и фазата на развој на втората и третата катници на секоја вилица во сетот за обука беа проценети од примарен набудувач обучен со различни модели на ДМ, а вистинската возраст беше поставена како целна вредност. Моделите SLP и MLP, кои се користат во машинско учење, беа тестирани против алгоритмите на регресија. Моделот ДМ комбинира линеарни функции користејќи ги фазите на развој на четирите заби и ги комбинира овие податоци за да ја процени возраста. SLP е наједноставната нервна мрежа и не содржи скриени слоеви. SLP работи врз основа на преносот на прагот помеѓу јазлите. Моделот SLP во регресија е математички сличен на повеќекратна линеарна регресија. За разлика од моделот SLP, моделот MLP има повеќе скриени слоеви со нелинеарни функции за активирање. Нашите експерименти користеа скриен слој со само 20 скриени јазли со нелинеарни функции за активирање. Користете го градиентното спуштање како метод за оптимизација и MAE и RMSE како функција за загуба за обука на нашиот модел на учење на машината. Најдобро добиениот модел на регресија беше применет на внатрешните и надворешните тест комплети и се проценува возраста на забите.
Беше развиен алгоритам за класификација кој ја користи зрелоста на четири заби на поставената обука за да предвиди дали примерокот е стар 18 години или не. За да го изградиме моделот, добивме седум алгоритми за учење машина за учење6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) Xgboost и (7) MLP . LR е еден од најчесто користените алгоритми за класификација44. Тоа е надгледуван алгоритам за учење што користи регресија за да ја предвиди веројатноста за податоци кои припаѓаат на одредена категорија од 0 до 1 и ги класифицира податоците како припадност на поголема веројатна категорија заснована на оваа веројатност; Главно се користи за бинарна класификација. KNN е еден од наједноставните алгоритми за учење машини45. Кога им се даваат нови влезни податоци, ги наоѓа податоците К близу до постојниот сет и потоа ги класифицира во класата со најголема фреквенција. Поставивме 3 за бројот на разгледани соседи (к). SVM е алгоритам што го максимизира растојанието помеѓу две класи со употреба на функција на јадрото за проширување на линеарниот простор во нелинеарниот простор наречен Fields46. За овој модел, ние користиме пристрасност = 1, моќност = 1 и гама = 1 како хиперпараметри за полиномското јадро. ДТ се применува на различни полиња како алгоритам за делење на цели податоци поставени во неколку подгрупи со претставување на правила за одлуки во структура на дрво47. Моделот е конфигуриран со минимален број на записи по јазол од 2 и го користи индексот iniи како мерка за квалитет. RF е метод на ансамбл кој комбинира повеќе ДТ за подобрување на перформансите со помош на метод на агрегација на подигање, кој генерира слаб класификатор за секој примерок со случајно цртање примероци со иста големина повеќе пати од оригиналната база на податоци48. Користевме 100 дрвја, 10 длабочини на дрвјата, 1 минимална големина на јазол и индекс на iniини додатоци како критериуми за раздвојување на јазолот. Класификацијата на новите податоци се определува со мнозинство гласови. XGBoost е алгоритам кој комбинира техники за зајакнување со користење на метод што ги зема како податоци за обука, грешката помеѓу реалните и предвидените вредности на претходниот модел и ја зголемува грешката со користење на градиенти49. Тој е широко користен алгоритам заради неговите добри перформанси и ефикасност на ресурсите, како и голема сигурност како функција за корекција на прекумерна корекција. Моделот е опремен со 400 тркала за поддршка. MLP е нервна мрежа во која една или повеќе перцептрони формираат повеќе слоеви со еден или повеќе скриени слоеви помеѓу влезните и излезните слоеви38. Користејќи го ова, можете да извршите нелинеарна класификација кога кога додавате влезен слој и ќе добиете резултатска вредност, предвидената вредност на резултатот се споредува со вистинската вредност на резултатот и грешката се пропагира назад. Создадовме скриен слој со 20 скриени неврони во секој слој. Секој модел што го развивме се применуваше на внатрешни и надворешни комплети за да ги тестира перформансите на класификација со пресметување на чувствителност, специфичност, ППВ, НПВ и АУРОК. Чувствителноста е дефинирана како однос на примерок што се проценува на 18 -годишна возраст или постара до примерок за кој се проценува дека е на возраст од 18 години или постара. Специфичноста е процентот на примероци под 18 години и оние што се проценуваат дека се под 18 години.
Стоматолошките фази проценети во сетот за обука беа претворени во нумерички фази за статистичка анализа. Мултиваријална линеарна и логистичка регресија беа извршени за да се развијат предвидливи модели за секој формули за регресија на пол и изведување кои можат да се користат за проценка на возраста. Ние ги искористивме овие формули за да ја процениме возраста на забите и за внатрешни и за надворешни тест комплети. Табелата 4 ги прикажува моделите на регресија и класификација што се користат во оваа студија.
Сигурноста на интра- и меѓусебниот сервер беше пресметана со употреба на статистиката Капа на Коен. За да ја тестираме точноста на DM и традиционалните модели на регресија, ги пресметавме MAE и RMSE користејќи ги проценетите и реалните возрасти на внатрешните и надворешните комплети за тестирање. Овие грешки најчесто се користат за да се процени точноста на предвидувањата на моделот. Колку е помала грешката, толку е поголема точноста на прогнозата24. Споредете ги MAE и RMSE на внатрешни и надворешни комплети за тестирање пресметани со употреба на DM и традиционална регресија. Перформансите на класификацијата на 18-годишното прекинување во традиционалната статистика беше оценето со употреба на табела за непредвидени состојби од 2 × 2. Пресметаната чувствителност, специфичност, PPV, NPV и AUROC на сетот за тестирање беа споредени со измерените вредности на моделот за класификација на DM. Податоците се изразуваат како средна ± стандардна девијација или број (%) во зависност од карактеристиките на податоците. Двостраните вредности на П <0,05 се сметаа за статистички значајни. Сите рутински статистички анализи беа извршени со употреба на SAS верзија 9.4 (SAS Institute, Cary, NC). Моделот на регресија на ДМ беше имплементиран во Пајтон со употреба на Keras50 2.2.4 Задникот и TensorFlow51 1.8.0 специјално за математички операции. Моделот за класификација на ДМ беше имплементиран во животната средина за анализа на знаењето на Ваикато и Минер за информации за информации Констанц (NIME) 4.6.152 Платформа за анализа.
Авторите потврдуваат дека податоците што ги поддржуваат заклучоците на студијата може да се најдат во статијата и дополнителните материјали. Базата на податоци генерирани и/или анализирани за време на студијата се достапни од соодветниот автор на разумно барање.
Риц-Тим, С. и др. Проценка на возраста: Состојба на уметноста за да се исполнат специфичните барања на судската пракса. Интернационалност. Ј. Правна медицина. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Тековен статус на проценка на форензичката возраст на предмети за живеење за цели на кривично гонење. Форензика. лек. Патологија. 1, 239–246 (2005).
Пан, Ј и др. Изменет метод за проценка на забното доба на деца на возраст од 5 до 16 години во источна Кина. Клинички. Орално истражување. 25, 3463–3474 (2021).
Ли, С. Интернационалност. Ј. Правна медицина. 124, 659–665 (2010).
О, С., Кумагаи, А., Ким, Си и Ли, СС Точност на проценка на возраста и проценка на 18-годишниот праг врз основа на зрелоста на второто и третото катници на Корејците и Јапонците. PLOS ONE 17, E0271247 (2022).
Ким, Ји, и др. Предоперативната анализа на податоци заснована на машини за учење може да го предвиди исходот на третман на хирургија на спиење кај пациенти со ОСА. науката. Извештај 11, 14911 (2021).
Хан, М. и др. Точна проценка на возраста од машинско учење со или без човечка интервенција? Интернационалност. Ј. Правна медицина. 136, 821–831 (2022).
Кан, С и Шахин, М. од рударство на податоци до рударство на податоци. J.information. науката. https://doi.org/10.1177/01655515211030872 (2021).
Кан, С и Шахин, М. Висруле: Првиот когнитивен алгоритам за рударство на правило на здружение. J.information. науката. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. и Абдула У. Пресметајте. Мет. продолжете. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. and Habib M. Длабоко учење засновано на семантичко откривање на сличност со употреба на податоци за текст. информира. технологии. контрола. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З. и Шахин, М. Систем за препознавање активност во спортски видеа. Мултимедија. Апликации за алатки https://doi.org/10.1007/S11042-021-10519-6 (2021).
Халаби, СС и др. Предизвик за учење на машини RSNA во детска коска доба. Радиологија 290, 498–503 (2019).
Li, Y. et al. Проценка на форензичка возраст од карлични Х-зраци користејќи длабоко учење. Евро. зрачење. 29, 2322–2329 (2019).
Гуо, ЈЦ, и др. Точна класификација на возраста со употреба на рачни методи и длабоки конвулативни нервни мрежи од слики од ортографска проекција. Интернационалност. Ј. Правна медицина. 135, 1589–1597 (2021).
Алабама Далора и др. Проценка на коскената возраст со користење на различни методи за учење машини: систематски преглед на литературата и мета-анализа. PLOS ONE 14, E0220242 (2019).
Ду, Х., Ли, Г., Ченг, К., и Јанг, Ј. Специфична проценка на возраста на возраста на Афроамериканците и Кинезите, врз основа на тома на пулпи комора на први катници со употреба на томографија со конус-зрак. Интернационалност. Ј. Правна медицина. 136, 811–819 (2022).
Ким С., Ли Ј.Х. науката. Извештај 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. Автоматска проценка на возраста и класификација на возраста на мнозинството од мултиваријатни податоци за МРИ. IEEE J. Biomed. Здравствени сигнали. 23, 1392–1403 (2019).
Ченг, П., ГЕ, З., Ду, Х. и Ли, Г. Проценка на возраста заснована на 3Д сегментација на комората на пулпа на првите катници од пресметана томографија на конус зрак со интегрирање на сетови за длабоко учење и нивоа. Интернационалност. Ј. Правна медицина. 135, 365–373 (2021).
Ву, СТ, и др. Рударство на податоци во клинички големи податоци: Заеднички бази на податоци, чекори и модели на методи. Свет. лек. ресурс. 8, 44 (2021).
Јанг, Ј и др. Вовед во медицинските бази на податоци и технологиите за рударство на податоци во ерата на големите податоци. J. Avid. Основна медицина. 13, 57–69 (2020).
Шен, С. и др. Метод на Камерер за проценка на возраста на забите со употреба на машинско учење. Орално здравје на BMC 21, 641 (2021).
Галибург А. и др. Споредба на различни методи за учење машини за предвидување на стоматолошката возраст со помош на методот на стагнирање на Демирдјејан. Интернационалност. Ј. Правна медицина. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM Нов систем за проценка на стоматолошката возраст. Snиркач. Биологија. 45, 211–227 (1973).
Landis, JR и Koch, GG мерки на договор за набудувач за категорични податоци. Биометрија 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK and Choi HK. Текстурална, морфолошка и статистичка анализа на дводимензионална магнетна резонанца со употреба на техники за вештачка интелигенција за диференцијација на примарните тумори на мозокот. Здравствени информации. ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Време на објавување: Јануари-04-2024