Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што ја користите има ограничена CSS поддршка. За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или да го исклучите режимот на компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме континуирана поддршка, ја прикажуваме страницата без стилизирање или JavaScript.
Забите се сметаат за најточен индикатор за возраста на човечкото тело и често се користат во форензичката проценка на возраста. Целта ни беше да ги потврдиме проценките за стоматолошката возраст базирани на рударство на податоци со споредување на точноста на проценката и перформансите на класификација на прагот од 18 години со традиционалните методи и проценките на возраст базирани на рударство на податоци. Вкупно 2657 панорамски рендгенски снимки беа собрани од корејски и јапонски граѓани на возраст од 15 до 23 години. Тие беа поделени во сет за обука, секој содржејќи 900 корејски рендгенски снимки и внатрешен тест сет што содржеше 857 јапонски рендгенски снимки. Ја споредивме точноста на класификацијата и ефикасноста на традиционалните методи со тест сетови на модели за рударство на податоци. Точноста на традиционалниот метод на внатрешниот тест сет е малку поголема од онаа на моделот за рударство на податоци, а разликата е мала (средна апсолутна грешка <0,21 години, средна квадратна грешка <0,24 години). Перформансите на класификација за граничниот опсег од 18 години се 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 вршење форензичка проценка на возраста со користење на зрелоста на вторите и третите молари кај корејски адолесценти и млади возрасни.
Проценката на забната возраст е широко користена во судската медицина и детската стоматологија. Особено, поради високата корелација помеѓу хронолошката возраст и забниот развој, проценката на возраста според фазите на забниот развој е важен критериум за проценка на возраста на децата и адолесцентите1,2,3. Сепак, за младите луѓе, проценката на забната возраст врз основа на забната зрелост има свои ограничувања бидејќи растот на забите е речиси завршен, со исклучок на третите катници. Правната цел на одредувањето на возраста на младите луѓе и адолесцентите е да се обезбедат точни проценки и научни докази за тоа дали тие ја достигнале возраста на полнолетство. Во медицинско-правната пракса на адолесцентите и младите возрасни лица во Кореја, возраста се проценувала со користење на Лиевиот метод, а законскиот праг од 18 години бил предвиден врз основа на податоците објавени од Ох и сор.5.
Машинското учење е вид на вештачка интелигенција (ВИ) која постојано учи и класифицира големи количини на податоци, решава проблеми самостојно и го поттикнува програмирањето на податоци. Машинското учење може да открие корисни скриени шеми во големи количини на податоци6. Спротивно на тоа, класичните методи, кои се трудоинтензивни и одземаат многу време, може да имаат ограничувања при справување со големи количини на сложени податоци кои тешко се обработуваат рачно7. Затоа, неодамна се спроведени многу студии со користење на најновите компјутерски технологии за минимизирање на човечките грешки и ефикасно обработка на повеќедимензионални податоци8,9,10,11,12. Особено, длабокото учење е широко користено во анализата на медицински слики, а објавено е дека различни методи за проценка на возраста со автоматска анализа на радиографии ја подобруваат точноста и ефикасноста на проценката на возраста13,14,15,16,17,18,19,20. На пример, Халаби и сор.13 развија алгоритам за машинско учење базиран на конволуциони невронски мрежи (CNN) за проценка на скелетната возраст со користење на радиографии на детски раце. Оваа студија предлага модел кој применува машинско учење на медицински слики и покажува дека овие методи можат да ја подобрат дијагностичката точност. Ли и сор.14 ја проценија возраста од рендгенски снимки на карлицата користејќи CNN со длабинско учење и ги споредија со резултатите од регресијата користејќи проценка на стадиумот на осификација. Тие открија дека моделот CNN со длабинско учење покажа исти перформанси за проценка на возраста како и традиционалниот модел на регресија. Студијата на Гуо и сор. [15] ги оцени перформансите за класификација на толеранција на возраста на технологијата CNN врз основа на стоматолошки ортофотографии, а резултатите од моделот CNN докажаа дека луѓето ги надминаа неговите перформанси за класификација на возраста.
Повеќето студии за проценка на возраста со користење на машинско учење користат методи на длабинско учење13,14,15,16,17,18,19,20. Се наведува дека проценката на возраста врз основа на длабинско учење е попрецизна од традиционалните методи. Сепак, овој пристап дава мала можност да се презентира научната основа за проценките на возраста, како што се индикаторите за возраст што се користат во проценките. Исто така, постои правен спор околу тоа кој ги спроведува инспекциите. Затоа, проценката на возраста врз основа на длабинско учење е тешко прифатена од страна на административните и судските власти. Рударењето на податоци (DM) е техника што може да открие не само очекувани, туку и неочекувани информации како метод за откривање корисни корелации помеѓу големи количини на податоци6,21,22. Машинското учење често се користи во рударењето на податоци, а и рударењето на податоци и машинското учење користат исти клучни алгоритми за да откријат шеми во податоците. Проценката на возраста со користење на стоматолошки развој се базира на проценката на испитувачот за зрелоста на целните заби, а оваа проценка се изразува како фаза за секој целен заб. DM може да се користи за анализа на корелацијата помеѓу фазата на стоматолошка проценка и вистинската возраст и има потенцијал да ја замени традиционалната статистичка анализа. Затоа, ако ги примениме техниките на DM за проценка на возраста, можеме да имплементираме машинско учење во форензичката проценка на возраста без да се грижиме за правна одговорност. Објавени се неколку компаративни студии за можни алтернативи на традиционалните рачни методи што се користат во форензичката пракса и методите базирани на EBM за одредување на стоматолошката возраст. Шен и сор.23 покажаа дека моделот на DM е попрецизен од традиционалната формула на Камерер. Галибур и сор.24 применија различни методи на DM за да ја предвидат возраста според критериумот на Демирџијан25 и резултатите покажаа дека методот на DM ги надмина методите на Демирџијан и Вилемс во проценката на возраста на француското население.
За проценка на забната возраст кај корејските адолесценти и млади возрасни, методот на Ли 4 е широко користен во корејската форензичка пракса. Овој метод користи традиционална статистичка анализа (како што е повеќекратна регресија) за да ја испита врската помеѓу корејските испитаници и хронолошката возраст. Во оваа студија, методите за проценка на возраста добиени со употреба на традиционални статистички методи се дефинирани како „традиционални методи“. Методот на Ли е традиционален метод, а неговата точност е потврдена од Ох и сор. 5; сепак, применливоста на проценката на возраста врз основа на моделот на дијабетес мелитус (ДМ) во корејската форензичка пракса е сè уште под знак прашалник. Нашата цел беше научно да ја потврдиме потенцијалната корисност на проценката на возраста врз основа на моделот на ДМ. Целта на оваа студија беше (1) да се спореди точноста на два модели на ДМ во проценката на забната возраст и (2) да се спореди класификациската ефикасност на 7 модели на ДМ на возраст од 18 години со оние добиени со употреба на традиционални статистички методи. Зрелост на втори и трети молари во обете вилици.
Средните вредности и стандардните отстапувања на хронолошката возраст по стадиум и тип на заб се прикажани онлајн во Дополнителната табела S1 (сет за обука), Дополнителната табела S2 (сет за внатрешен тест) и Дополнителната табела S3 (сет за надворешен тест). Вредностите на капа за интра- и меѓунабљудувачите на сигурност добиени од сетот за обука беа 0,951 и 0,947, соодветно. P вредностите и интервалите на доверба од 95% за капа вредностите се прикажани онлајн во дополнителната табела S4. Вредноста на капа беше протолкувана како „скоро совршена“, во согласност со критериумите на Ландис и Кох26.
При споредување на средната апсолутна грешка (MAE), традиционалниот метод малку го надминува DM моделот за сите пола и во надворешниот машки тест сет, со исклучок на повеќеслојниот перцептрон (MLP). Разликата помеѓу традиционалниот модел и DM моделот на внатрешниот MAE тест сет беше 0,12–0,19 години за мажи и 0,17–0,21 години за жени. За надворешната тест батерија, разликите се помали (0,001–0,05 години за мажи и 0,05–0,09 години за жени). Дополнително, средната квадратна грешка (RMSE) е малку помала од традиционалниот метод, со помали разлики (0,17–0,24, 0,2–0,24 за машкиот внатрешен тест сет и 0,03–0,07, 0,04–0,08 за надворешниот тест сет). MLP покажува малку подобри перформанси од Еднослојниот перцептрон (SLP), освен во случајот со женскиот надворешен тест сет. За MAE и RMSE, надворешниот тест сет дава повисоки резултати од внатрешниот тест сет за сите родови и модели. Сите MAE и RMSE се прикажани во Табела 1 и Слика 1.
MAE и RMSE на традиционални и регресиони модели за рударење податоци. Средна апсолутна грешка MAE, средна квадратна грешка RMSE, еднослоен перцептрон SLP, повеќеслоен перцептрон MLP, традиционален CM метод.
Перформансите на класификација (со гранична граница од 18 години) на традиционалните и DM моделите беа демонстрирани во однос на чувствителноста, специфичноста, позитивната предикативна вредност (PPV), негативната предикативна вредност (NPV) и површината под оперативната карактеристична крива на приемникот (AUROC) 27 (Табела 2, Слика 2 и Дополнителна слика 1 онлајн). Во однос на чувствителноста на внатрешната тест батерија, традиционалните методи се покажаа најдобри кај мажите, а полоши кај жените. Сепак, разликата во перформансите на класификација помеѓу традиционалните методи и SD е 9,7% за мажите (MLP) и само 2,4% за жените (XGBoost). Меѓу DM моделите, логистичката регресија (LR) покажа подобра чувствителност кај двата пола. Во однос на специфичноста на внатрешниот тест сет, беше забележано дека четирите SD модели се покажаа добро кај мажите, додека традиционалниот модел се покажа подобро кај жените. Разликите во перформансите на класификација за мажи и жени се 13,3% (MLP) и 13,1% (MLP), соодветно, што укажува дека разликата во перформансите на класификација помеѓу моделите ја надминува чувствителноста. Меѓу DM моделите, моделите на машина за потпорни вектори (SVM), дрво на одлуки (DT) и случајна шума (RF) се покажаа најдобри кај мажите, додека LR моделот се покажа како најдобар кај жените. AUROC на традиционалниот модел и сите SD модели беше поголем од 0,925 (k-најблизок сосед (KNN) кај мажи), демонстрирајќи одлични перформанси на класификација при разликување на 18-годишни примероци28. За надворешниот тест сет, имаше намалување на перформансите на класификација во однос на чувствителноста, специфичноста и AUROC во споредба со внатрешниот тест сет. 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 внатрешниот тест сет.
Сензитивност и специфичност на моделите за класификација на рударење податоци во споредба со традиционалните методи со гранична вредност од 18 години. KNN k најблизок сосед, SVM машина за потпорни вектори, LR логистичка регресија, DT дрво на одлучување, RF случајна шума, XGB XGBoost, MLP повеќеслоен перцептрон, традиционален CM метод.
Првиот чекор во оваа студија беше да се спореди точноста на проценките за денталната возраст добиени од седум модели на дијабетес мелитус (ДМ) со оние добиени со употреба на традиционална регресија. MAE и RMSE беа оценети во интерни тест сетови за двата пола, а разликата помеѓу традиционалниот метод и моделот на ДМ се движеше од 44 до 77 дена за MAE и од 62 до 88 дена за RMSE. Иако традиционалниот метод беше малку попрецизен во оваа студија, тешко е да се заклучи дали толку мала разлика има клиничко или практично значење. Овие резултати укажуваат дека точноста на проценката на денталната возраст со употреба на моделот на ДМ е скоро иста како и онаа на традиционалниот метод. Директната споредба со резултатите од претходните студии е тешка бидејќи ниедна студија не ја споредила точноста на моделите на ДМ со традиционалните статистички методи користејќи ја истата техника на снимање на забите во истиот возрасен опсег како во оваа студија. Галибур и сор.24 ги споредија MAE и RMSE помеѓу два традиционални методи (метод на Демирџиан25 и метод на Вилемс29) и 10 модели на ДМ кај француска популација на возраст од 2 до 24 години. Тие објавија дека сите модели на DM биле поточни од традиционалните методи, со разлики од 0,20 и 0,38 години во MAE и 0,25 и 0,47 години во RMSE во споредба со методите на Willems и Demirdjian, соодветно. Разликата помеѓу моделот SD и традиционалните методи прикажани во студијата на Halibourg ги зема предвид бројните извештаи30,31,32,33 дека методот на Demirdjian не ја проценува точно староста на забите кај популациите освен Француско-Канаѓаните на кои се базираше студијата. Во оваа студија, Tai et al. 34 го користеле MLP алгоритмот за да ја предвидат староста на забите од 1636 кинески ортодонтски фотографии и ја споредиле неговата точност со резултатите од методот на Demirdjian и Willems. Тие објавија дека MLP има поголема точност од традиционалните методи. Разликата помеѓу методот на Demirdjian и традиционалниот метод е <0,32 години, а методот на Willems 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 за дијабетес мелитус и традиционалниот метод се слични. Сепак, врз основа на презентираните резултати, можеме само претпазливо да заклучиме дека употребата на модели за дијабетес мелитус за проценка на возраста може да ги замени постојните методи поради недостаток на компаративни и референтни претходни студии. Потребни се дополнителни студии со користење на поголеми примероци за да се потврдат резултатите добиени во оваа студија.
Меѓу студиите што ја тестираат точноста на SD во проценката на стоматолошката старост, некои покажаа поголема точност од нашата студија. Степановски и сор. 35 применија 22 SD модели на панорамски рендгенски снимки на 976 чешки жители на возраст од 2,7 до 20,5 години и ја тестираа точноста на секој модел. Тие го проценија развојот на вкупно 16 горни и долни леви трајни заби користејќи ги критериумите за класификација предложени од Мурис и сор. 36. MAE се движи од 0,64 до 0,94 години, а RMSE се движи од 0,85 до 1,27 години, што е поточно од двата модели на DM што се користат во оваа студија. Шен и сор. 23 го користеа методот Камериер за да ја проценат стоматолошката старост на седум трајни заби во левата долна вилица кај жители на источна Кина на возраст од 5 до 13 години и го споредија со возрастите проценети со линеарна регресија, SVM и RF. Тие покажаа дека сите три модели на DM имаат поголема точност во споредба со традиционалната формула на Камериер. MAE и RMSE во студијата на Шен беа пониски од оние во моделот на DM во оваа студија. Зголемената прецизност на студиите на Степановски и сор. 35 и Шен и сор. 23 може да се должи на вклучувањето на помлади испитаници во нивните примероци од студијата. Бидејќи проценките за возраста кај учесниците со заби во развој стануваат поточни како што бројот на заби се зголемува за време на развојот на забите, точноста на добиениот метод за проценка на возраста може да биде компромитирана кога учесниците во студијата се помлади. Дополнително, грешката на MLP во проценката на возраста е малку помала од онаа на SLP, што значи дека MLP е попрецизен од SLP. MLP се смета за малку подобар за проценка на возраста, веројатно поради скриените слоеви во MLP38. Сепак, постои исклучок за надворешниот примерок на жени (SLP 1,45, MLP 1,49). Откритието дека MLP е попрецизен од SLP во проценката на возраста бара дополнителни ретроспективни студии.
Исто така, беше споредена и класификациската ефикасност на моделот DM и традиционалниот метод на праг од 18 години. Сите тестирани SD модели и традиционални методи на интерниот тест сет 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. Според нашите сознанија, ниедна студија не ја тестирала ефикасноста на моделот DM за 18-годишна класификација врз основа на дентална зрелост. Можеме да ги споредиме резултатите од оваа студија со класификациската ефикасност на моделите за длабоко учење на панорамски радиографии. Гуо и сор.15 ја пресметаа класификациската ефикасност на модел за длабоко учење базиран на CNN и рачен метод базиран на методот на Демирџијан за одреден возрасен праг. Сензитивноста и специфичноста на рачниот метод беа 87,7% и 95,5%, соодветно, а сензитивноста и специфичноста на моделот CNN надминаа 89,2% и 86,6%, соодветно. Тие заклучија дека моделите за длабоко учење можат да ја заменат или да ја надминат рачната проценка во класификацијата на возрасните прагови. Резултатите од оваа студија покажаа слични перформанси на класификација; Се верува дека класификацијата со користење на DM модели може да ги замени традиционалните статистички методи за проценка на возраста. Меѓу моделите, DM LR беше најдобриот модел во однос на сензитивноста за машкиот примерок и сензитивноста и специфичноста за женскиот примерок. LR е на второ место по специфичност за мажите. Покрај тоа, LR се смета за еден од попријателските модели DM35 за користење и е помалку сложен и тежок за обработка. Врз основа на овие резултати, LR се сметаше за најдобар модел за класификација на гранични вредности за 18-годишници во корејската популација.
Генерално, точноста на проценката на возраста или перформансите на класификација на надворешниот тест сет беше слаба или пониска во споредба со резултатите на внатрешниот тест сет. Некои извештаи укажуваат дека точноста или ефикасноста на класификацијата се намалува кога проценките на возраста врз основа на корејската популација се применуваат на јапонското население5,39, а сличен модел е пронајден и во оваа студија. Овој тренд на влошување е забележан и во моделот на DM. Затоа, за прецизно проценување на возраста, дури и кога се користи DM во процесот на анализа, треба да се претпочитаат методи добиени од податоци за домородното население, како што се традиционалните методи5,39,40,41,42. Бидејќи не е јасно дали моделите за длабоко учење можат да покажат слични трендови, потребни се студии што ја споредуваат точноста и ефикасноста на класификацијата со користење на традиционални методи, модели на DM и модели за длабоко учење на истите примероци за да се потврди дали вештачката интелигенција може да ги надмине овие расни нееднаквости во ограничени проценки на возраста.
Покажуваме дека традиционалните методи можат да се заменат со проценка на возраста врз основа на моделот на DM во форензичката пракса за проценка на возраста во Кореја. Исто така, откривме можност за имплементирање на машинско учење за форензичка проценка на возраста. Сепак, постојат јасни ограничувања, како што се недоволниот број учесници во оваа студија за дефинитивно да се утврдат резултатите и недостатокот на претходни студии за споредување и потврдување на резултатите од оваа студија. Во иднина, студиите за DM треба да се спроведуваат со поголем број примероци и поразновидни популации за да се подобри нивната практична применливост во споредба со традиционалните методи. За да се потврди изводливоста на користењето на вештачка интелигенција за проценка на возраста кај повеќе популации, потребни се идни студии за да се спореди точноста и ефикасноста на класификацијата на DM и моделите за длабоко учење со традиционалните методи во истите примероци.
Во студијата беа користени 2.657 ортографски фотографии собрани од корејски и јапонски возрасни лица на возраст од 15 до 23 години. Корејските радиографии беа поделени на 900 сетови за обука (19,42 ± 2,65 години) и 900 внатрешни тест сетови (19,52 ± 2,59 години). Сетот за обука беше собран во една институција (Болницата „Св. Марија“ во Сеул), а сопствениот тест сет беше собран во две институции (Стоматолошката болница на Националниот универзитет во Сеул и Стоматолошката болница на Универзитетот Јонсеи). Исто така, собравме 857 радиографии од други податоци базирани на популацијата (Медицински универзитет Ивате, Јапонија) за надворешно тестирање. Радиографиите на јапонски испитаници (19,31 ± 2,60 години) беа избрани како надворешен тест сет. Податоците беа собрани ретроспективно за да се анализираат фазите на развој на забите на панорамски радиографии направени за време на стоматолошки третман. Сите собрани податоци беа анонимни, освен полот, датумот на раѓање и датумот на радиографијата. Критериумите за вклучување и исклучување беа исти како и во претходно објавените студии 4, 5. Вистинската возраст на примерокот беше пресметана со одземање на датумот на раѓање од датумот на кој е направена радиографијата. Групата на примероци беше поделена на девет возрасни групи. Распределбата по возраст и пол е прикажана во Табела 3. Оваа студија е спроведена во согласност со Хелсиншката декларација и одобрена од Одборот за институционален преглед (IRB) на болницата „Света Марија“ во Сеул на Католичкиот универзитет во Кореја (KC22WISI0328). Поради ретроспективниот дизајн на оваа студија, не можеше да се добие информирана согласност од сите пациенти кои се подложени на радиографски преглед за терапевтски цели. Болницата „Света Марија“ при Универзитетот во Сеул Кореја (IRB) се откажа од барањето за информирана согласност.
Развојните фази на бимаксиларните втори и трети молари беа оценети според критериумите на Демиркан25. Беше избран само еден заб ако истиот тип на заб беше пронајден на левата и десната страна од секоја вилица. Ако хомологни заби од двете страни беа во различни развојни фази, забот со пониска развојна фаза беше избран за да се земе предвид неизвесноста во проценетата возраст. Сто случајно избрани радиографии од сетот за обука беа оценети од двајца искусни набљудувачи за да се тестира веродостојноста меѓу набљудувачите по прекалибрацијата за да се утврди фазата на зрелост на забите. Веродостојноста меѓу набљудувачите беше оценета двапати во тримесечни интервали од страна на примарниот набљудувач.
Полот и развојната фаза на вториот и третиот катник на секоја вилица во сетот за обука беа проценети од примарен набљудувач обучен со различни DM модели, а вистинската возраст беше поставена како целна вредност. SLP и MLP моделите, кои се широко користени во машинското учење, беа тестирани во однос на регресивни алгоритми. DM моделот комбинира линеарни функции користејќи ги развојните фази на четирите заби и ги комбинира овие податоци за да ја процени возраста. SLP е наједноставната невронска мрежа и не содржи скриени слоеви. SLP работи врз основа на праг на пренос помеѓу јазлите. SLP моделот во регресија е математички сличен на повеќекратната линеарна регресија. За разлика од SLP моделот, MLP моделот има повеќе скриени слоеви со нелинеарни функции на активирање. Нашите експерименти користеа скриен слој со само 20 скриени јазли со нелинеарни функции на активирање. Користевме градиентно спуштање како метод за оптимизација и MAE и RMSE како функција на загуба за да го обучиме нашиот модел за машинско учење. Најдобро добиениот регресивен модел беше применет на внатрешните и надворешните тест сетови и беше проценета возраста на забите.
Развиен е алгоритам за класификација кој ја користи зрелоста на четири заби на множеството за обука за да предвиди дали примерокот е стар 18 години или не. За да го изградиме моделот, изведовме седум алгоритми за машинско учење за репрезентација6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost и (7) MLP. LR е еден од најшироко користените алгоритми за класификација44. Тоа е алгоритам за надгледувано учење кој користи регресија за да ја предвиди веројатноста податоците да припаѓаат на одредена категорија од 0 до 1 и ги класифицира податоците како да припаѓаат на поверојатна категорија врз основа на оваа веројатност; главно се користи за бинарна класификација. KNN е еден од наједноставните алгоритми за машинско учење45. Кога се даваат нови влезни податоци, тој наоѓа k податоци блиску до постоечкиот множество, а потоа ги класифицира во класата со највисока фреквенција. Поставивме 3 за бројот на земени предвид соседи (k). SVM е алгоритам кој го максимизира растојанието помеѓу две класи со користење на функција на јадрото за да го прошири линеарниот простор во нелинеарен простор наречен полиња46. За овој модел, користиме пристрасност = 1, моќност = 1 и гама = 1 како хиперпараметри за полиномното јадро. DT е применет во различни области како алгоритам за делење на цел сет на податоци во неколку подгрупи со претставување на правила за одлучување во структура на дрво47. Моделот е конфигуриран со минимален број на записи по јазол од 2 и го користи Gini индексот како мерка за квалитет. RF е метод на ансамбл кој комбинира повеќе DT за да ги подобри перформансите користејќи метод на агрегација со bootstrap кој генерира слаб класификатор за секој примерок со случајно извлекување примероци со иста големина повеќе пати од оригиналниот сет на податоци48. Користевме 100 дрвја, 10 длабочини на дрвја, 1 минимална големина на јазол и Gini индекс на примеси како критериуми за раздвојување на јазли. Класификацијата на новите податоци се одредува со мнозинство гласови. XGBoost е алгоритам кој комбинира техники на зголемување користејќи метод кој ја зема како податоци за обука грешката помеѓу вистинските и предвидените вредности на претходниот модел и ја зголемува грешката користејќи градиенти49. Тоа е широко користен алгоритам поради неговите добри перформанси и ефикасност на ресурсите, како и високата сигурност како функција за корекција на префитување. Моделот е опремен со 400 потпорни тркала. MLP е невронска мрежа во која еден 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 каде што кога ќе додадете влезен слој и ќе добиете вредност на резултатот, предвидената вредност на резултатот се споредува со вистинската вредност на резултатот и грешката се пренесува назад. Создадовме скриен слој со 20 скриени неврони во секој слој. Секој модел што го развивме беше применет на внатрешни и надворешни сетови за да се тестираат перформансите на класификацијата со пресметување на чувствителност, специфичност, PPV, NPV и AUROC. Чувствителноста се дефинира како однос на примерок за кој се проценува дека е на возраст од 18 години или постар кон примерок за кој се проценува дека е на возраст од 18 години или постар. Специфичноста е пропорцијата на примероци под 18 години и оние за кои се проценува дека се на возраст од 18 години.
Стоматолошките фази оценети во сетот за обука беа претворени во нумерички фази за статистичка анализа. Беше извршена мултивариантна линеарна и логистичка регресија за да се развијат предикативни модели за секој пол и да се извлечат регресиони формули што можат да се користат за проценка на возраста. Ги користевме овие формули за да ја процениме возраста на забите и за внатрешни и за надворешни тест сетови. Табела 4 ги прикажува моделите за регресија и класификација што се користат во оваа студија.
Внатрешната и меѓунабљудувачката веродостојност беше пресметана со користење на Коеновата капа статистика. За да се тестира точноста на DM и традиционалните регресивни модели, ги пресметавме MAE и RMSE користејќи ги проценетите и фактичките возрасти на внатрешните и надворешните тест сетови. 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 внатрешните и надворешните тест сетови пресметани со користење на DM и традиционалната регресија. Перформансите на класификација на 18-годишната граница во традиционалната статистика беа оценети со користење на табела за контингенција 2 × 2. Пресметаната чувствителност, специфичност, PPV, NPV и AUROC на тест сетот беа споредени со измерените вредности на моделот за класификација на DM. Податоците се изразени како средна вредност ± стандардна девијација или број (%) во зависност од карактеристиките на податоците. Двостраните P вредности <0,05 се сметаа за статистички значајни. Сите рутински статистички анализи беа извршени со користење на SAS верзија 9.4 (SAS Institute, Cary, NC). Моделот на регресија на DM беше имплементиран во Python користејќи го backend-от Keras50 2.2.4 и Tensorflow51 1.8.0 специјално за математички операции. Моделот на класификација на DM беше имплементиран во околината за анализа на знаење Waikato и платформата за анализа Konstanz Information Miner (KNIME) 4.6.152.
Авторите потврдуваат дека податоците што ги поддржуваат заклучоците од студијата може да се најдат во статијата и во дополнителните материјали. Групите податоци генерирани и/или анализирани за време на студијата се достапни од соодветниот автор по разумно барање.
Риц-Тим, С. и др. Проценка на возраста: најсовремена технологија за исполнување на специфичните барања на форензичката пракса. интернационалност. J. Legal medicine. 113, 129–136 (2000).
Шмелинг, А., Рајзингер, В., Гесерик, Г. и Олце, А. Тековна состојба на форензичката проценка на возраста на живи субјекти за цели на кривично гонење. Форензика. медицина. патологија. 1, 239–246 (2005).
Пан, Ј. и др. Модифициран метод за проценка на денталната возраст кај деца на возраст од 5 до 16 години во источна Кина. клинички. Усна анкета. 25, 3463–3474 (2021).
Ли, СС итн. Хронологија на развојот на вторите и третите катници кај Корејците и нејзината примена за форензичка проценка на возраста. интернационалност. J. Legal medicine. 124, 659–665 (2010).
Ох, С., Кумагај, А., Ким, С.Ј. и Ли, С.С. Точност на проценката на возраста и проценка на прагот од 18 години врз основа на зрелоста на вториот и третиот катник кај Корејците и Јапонците. PLoS ONE 17, e0271247 (2022).
Ким, ЈЈ и др. Преоперативната анализа на податоци базирана на машинско учење може да го предвиди исходот од третманот на операцијата за спиење кај пациенти со OSA. науката. Извештај 11, 14911 (2021).
Хан, М. и др. Точна проценка на возраста од машинско учење со или без човечка интервенција? интернационалност. J. Legal medicine. 136, 821–831 (2022).
Кан, С. и Шахин, М. Од рударење на податоци до рударење на податоци. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Кан, С. и Шахин, М. ВисРул: Првиот когнитивен алгоритам за рударење правила на асоцијации. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. и Абдула У. Карм: Традиционално рударење на податоци засновано на правила за асоцијација базирани на контекст. пресметај. Мет. продолжи. 68, 3305–3322 (2021).
Мухамед М., Рехман З., Шахин М., Кан М. и Хабиб М. Детекција на семантичка сличност базирана на длабинско учење со користење на текстуални податоци. информативни 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. Алатки за апликации https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, СС и др. Предизвик за машинско учење на RSNA во педијатриската коскена возраст. Радиологија 290, 498–503 (2019).
Ли, Ј. и др. Форензичка проценка на возраста од карлични рендгенски снимки со употреба на длабинско учење. EURO. зрачење. 29, 2322–2329 (2019).
Гуо, ЈЦ и др. Точна класификација на возраста со употреба на рачни методи и длабоки конволуциони невронски мрежи од ортографски проекциски слики. internationality. J. Legal medicine. 135, 1589–1597 (2021).
Алабама Далора и др. Проценка на коскената возраст со користење на различни методи на машинско учење: систематски преглед на литературата и мета-анализа. PLoS ONE 14, e0220242 (2019).
Ду, Х., Ли, Г., Ченг, К. и Јанг, Ј. Проценка на возраста специфична за популацијата кај Афроамериканците и Кинезите врз основа на волумените на пулпната комора на првите катници со употреба на конусно-зрачна компјутеризирана томографија. internationality. J. Legal medicine. 136, 811–819 (2022).
Ким С., Ли ЈХ, Но ЈК, Парк ФК и Ох КС. Одредување на возрасни групи на живи луѓе со користење на слики од први катници базирани на вештачка интелигенција. науката. Извештај 11, 1073 (2021).
Стерн, Д., Пајер, К., Џулијани, Н. и Уршлер, М. Автоматска проценка на возраста и класификација на возраста на полнолетството од мултивариантни МРИ податоци. IEEE J. Biomed. Здравствени предупредувања. 23, 1392–1403 (2019).
Ченг, К., Ге, З., Ду, Х. и Ли, Г. Проценка на возраста врз основа на 3Д сегментација на пулпната комора на првите молари од компјутеризирана томографија со конусен зрак со интегрирање на длабинско учење и нивоа. internationality. J. Legal medicine. 135, 365–373 (2021).
Ву, ВТ и др. Рударење на податоци во клинички големи податоци: вообичаени бази на податоци, чекори и методи. World. medicine. resource. 8, 44 (2021).
Јанг, Ј. и др. Вовед во медицинските бази на податоци и технологиите за рударство на податоци во ерата на големи податоци. Ј. Авид. Основна медицина. 13, 57–69 (2020).
Шен, С. и др. Камереров метод за проценка на возраста на забите со користење на машинско учење. BMC Oral Health 21, 641 (2021).
Галибург А. и др. Споредба на различни методи на машинско учење за предвидување на забната возраст со користење на методот на Демирџијанова стадиумска анализа. internationality. J. Legal medicine. 135, 665–675 (2021).
Демирџијан, А., Голдштајн, Х. и Танер, ЈМ Нов систем за проценка на староста на забите. snort. biology. 45, 211–227 (1973).
Лендис, ЈР и Кох, ГГ Мерки за согласност на набљудувачите за категорични податоци. Биометрика 33, 159–174 (1977).
Батачарџи С, Пракаш Д, Ким Ц, Ким ХК и Чои ХК. Текстурална, морфолошка и статистичка анализа на дводимензионална магнетна резонанца со употреба на техники на вештачка интелигенција за диференцијација на примарни тумори на мозокот. Здравствени информации. ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Време на објавување: 04.01.2024