Ви благодариме што ја посетивте Nature.com.Верзијата на прелистувачот што ја користите има ограничена поддршка за CSS.За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или да го исклучите режимот за компатибилност во Internet Explorer).Во меѓувреме, за да обезбедиме постојана поддршка, ја прикажуваме страницата без стајлинг или JavaScript.
Забите се сметаат за најточен показател за возраста на човечкото тело и често се користат во форензичката проценка на возраста.Имавме за цел да ги потврдиме проценките за забната старост засновани на податоци за рударство со споредување на точноста на проценката и перформансите на класификација на прагот од 18 години со традиционалните методи и проценките за возраст базирани на податоци за рударство.Собрани се вкупно 2657 панорамски радиографија од корејски и јапонски граѓани на возраст од 15 до 23 години.Тие беа поделени на сет за обука, секој содржеше 900 корејски радиографија и внатрешен тест сет со 857 јапонски радиографија.Ја споредивме точноста и ефикасноста на класификацијата на традиционалните методи со тест множества на модели за рударство на податоци.Точноста на традиционалниот метод на интерното тест множество е малку повисока од онаа на моделот за рударство на податоци, а разликата е мала (средна апсолутна грешка <0,21 години, коренска средна квадратна грешка <0,24 години).Изведбата на класификација за 18-годишниот прекин е исто така слична помеѓу традиционалните методи и моделите за рударство на податоци.Така, традиционалните методи може да се заменат со модели за ископување податоци кога се врши форензичка проценка на возраста користејќи ја зрелоста на вториот и третиот катник кај корејските адолесценти и млади возрасни лица.
Проценката на возраста на забите е широко користена во судската медицина и педијатриската стоматологија.Особено, поради високата корелација помеѓу хронолошката возраст и забниот развој, проценката на возраста по стоматолошки развојни фази 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 забниот раст е речиси завршен, со исклучок на третите молари.Законската цел на одредувањето на возраста на младите и адолесцентите е да се обезбедат точни проценки и научни докази за тоа дали тие наполниле полнолетство.Во медицинско-правната практика на адолесценти и млади возрасни лица во Кореја, возраста беше проценета со методот на Ли, а законскиот праг од 18 години беше предвиден врз основа на податоците пријавени од Oh et al 5 .
Машинското учење е вид на вештачка интелигенција (ВИ) која постојано учи и класифицира големи количини на податоци, самостојно решава проблеми и го поттикнува програмирањето на податоците.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 работи со голем обем на сложени податоци кои тешко се обработуваат рачно7.Затоа, неодамна беа спроведени многу студии користејќи ги најновите компјутерски технологии за да се минимизираат човечките грешки и ефикасно да се обработат повеќедимензионални податоци8,9,10,11,12.Особено, длабокото учење е широко користено во медицинската анализа на слики, а пријавени се различни методи за проценка на возраста со автоматска анализа на радиографија за подобрување на точноста и ефикасноста на проценката на возраста13,14,15,16,17,18,19,20 .На пример, Халаби и сор.Оваа студија предлага модел кој го применува машинското учење на медицинските слики и покажува дека овие методи можат да ја подобрат дијагностичката точност.Ли и сор14 ја процениле возраста од сликите со рендген на карлицата користејќи CNN за длабоко учење и ги споредиле со резултатите од регресија користејќи проценка на фазата на осификација.Тие открија дека моделот на CNN за длабоко учење ги покажува истите перформанси за проценка на возраста како и традиционалниот регресивен модел.Студијата на Гуо и сор.
Повеќето студии за проценка на возраста со користење на машинско учење користат методи за длабоко учење13,14,15,16,17,18,19,20.Возрасната проценка заснована на длабоко учење се наведува дека е попрецизна од традиционалните методи.Сепак, овој пристап дава мала можност да се претстави научната основа за проценките на возраста, како што се показателите за возраста што се користат во проценките.Има и правен спор за тоа кој ги спроведува инспекциите.Затоа, административните и судските власти тешко ја прифаќаат проценката на возраста врз основа на длабоко учење.Податочно рударство (DM) е техника која може да открие не само очекувани, туку и неочекувани информации како метод за откривање на корисни корелации помеѓу големи количини на податоци6,21,22.Машинското учење често се користи во ископувањето податоци, а и податочното и машинското учење ги користат истите клучни алгоритми за откривање шеми во податоците.Проценката на возраста со користење на забниот развој се заснова на проценката на испитувачот за зрелоста на целните заби и 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 за DM за проценка на возраста, можеме да го имплементираме машинското учење во форензичката проценка на возраста без да се грижиме за правната одговорност.Објавени се неколку компаративни студии за можните алтернативи на традиционалните рачни методи кои се користат во форензичката пракса и методите базирани на EBM за одредување на староста на забите.Shen et al23 покажаа дека моделот DM е попрецизен од традиционалната формула на Камерер.Галибург и сор.
За да се процени стоматолошката возраст на корејските адолесценти и млади возрасни, методот 4 на Ли 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 субјекти и хронолошката возраст.Во оваа студија, методите за проценка на возраста добиени со користење на традиционални статистички методи се дефинирани како „традиционални методи“.Методот на Ли е традиционален метод, а неговата точност е потврдена од Oh et al.5;сепак, применливоста на проценката на возраста заснована на моделот DM во корејската форензичка пракса сè уште е сомнителна.Нашата цел беше научно да ја потврдиме потенцијалната корисност на проценката на возраста врз основа на моделот DM.Целта на оваа студија беше (1) да се спореди точноста на два модели на ДМ во проценката на староста на забите и (2) да се споредат перформансите на класификација на 7 модели на ДМ на возраст од 18 години со оние добиени со користење на традиционални статистички методи Зрелост на секунда и трети катници во двете вилици.
Средствата и стандардните отстапувања на хронолошката возраст по фаза и тип на заб се прикажани на интернет во Дополнителна табела S1 (комплет за обука), Дополнителна табела S2 (интерна сет за тестирање) и Дополнителна табела S3 (комплет за надворешен тест).Вредностите на капа за веродостојност меѓу и меѓунабљудувачите добиени од комплетот за обука беа 0,951 и 0,947, соодветно.Вредностите на P и интервалите на доверливост од 95% за вредностите на каппа се прикажани во дополнителната табела S4 преку Интернет.Вредноста на капа беше толкувана како „речиси совршена“, во согласност со критериумите на Landis и Koch26.
Кога се споредува средната апсолутна грешка (MAE), традиционалниот метод малку го надминува моделот DM за сите пола и во надворешен тест сет за мажи, со исклучок на повеќеслојниот перцептрон (MLP).Разликата помеѓу традиционалниот модел и моделот DM на внатрешниот тест сет MAE 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, коренската средна 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 надворешен тест сет).).MLP покажува малку подобри перформанси од Single Layer Perceptron (SLP), освен во случај на женски надворешен тест сет.За MAE и RMSE, множеството на надворешни тестови добива повисоки резултати од интерните тестови за сите полови и модели.Сите MAE и RMSE се прикажани во Табела 1 и Слика 1.
MAE и RMSE на традиционални и модели за регресија на податоци за рударство.Средна апсолутна грешка MAE, коренска средна квадратна грешка RMSE, еднослоен перцептрон SLP, повеќеслоен перцептрон MLP, традиционален CM метод.
Класификацијата (со прекин од 18 години) на традиционалните и DM моделите беше прикажана во однос на чувствителноста, специфичноста, позитивната предиктивна вредност (PPV), негативната предиктивна вредност (NPV) и површината под работната 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 најдобро кај мажите и полоши кај жените.Сепак, разликата во перформансите на класификацијата помеѓу традиционалните методи и SD е 9,7% за мажи (MLP) и само 2,4% за жени (XGBoost).Меѓу моделите на ДМ, логистичката регресија (LR) покажа подобра чувствителност кај двата пола.Во однос на специфичноста на интерниот тест сет, беше забележано дека четирите SD модели се покажаа добро кај мажите, додека традиционалниот модел имаше подобри резултати кај жените.Разликите во перформансите на класификацијата за мажи и жени се 13,3% (MLP) и 13,1% (MLP), соодветно, што покажува дека разликата во перформансите на класификацијата помеѓу моделите ја надминува чувствителноста.Помеѓу DM моделите, моделите со векторска машина за поддршка (SVM), дрво на одлуки (DT) и модели на случајна шума (RF) беа најдобри кај мажите, додека моделот LR се покажа најдобро кај жените.AUROC на традиционалниот модел и на сите SD модели беше поголем од 0,925 (k-најблискиот сосед (KNN) кај мажите), што покажува одлични перформанси за класификација во дискриминација на примероци од 18 години28.За надворешниот тест сет, имаше намалување на перформансите на класификацијата во однос на чувствителноста, специфичноста и AUROC во споредба со интерниот тест сет.Покрај тоа, разликата во чувствителноста и специфичноста помеѓу перформансите на класификацијата на најдобрите и најлошите модели се движеше од 10% до 25% и беше поголема од разликата во интерниот тест сет.
Чувствителност и специфичност на моделите за класификација на рударството на податоци во споредба со традиционалните методи со прекин од 18 години.KNN k најблискиот сосед, SVM векторска машина за поддршка, LR логистичка регресија, дрво на одлуки DT, RF случајна шума, XGB XGBoost, MLP повеќеслоен перцептрон, традиционален CM метод.
Првиот чекор во оваа студија беше да се спореди точноста на проценките на забната возраст добиени од седум модели на ДМ со оние добиени со помош на традиционалната регресија.MAE и RMSE беа евалуирани во интерни тест сетови за двата пола, а разликата помеѓу традиционалниот метод и моделот DM 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 покажуваат дека точноста на проценката на забната возраст со користење на моделот DM е речиси иста како онаа на традиционалниот метод.Директната споредба со резултатите од претходните студии е тешка бидејќи ниту една студија не ја споредила точноста на моделите на ДМ со традиционалните статистички методи со користење на истата техника на запишување на забите во истиот возрасен опсег како во оваа студија.Galibourg et al24 ги спореди MAE и RMSE помеѓу два традиционални методи (Demirjian метод25 и Willems метод29) и 10 DM модели кај француска популација на возраст од 2 до 24 години.Тие објавија дека сите DM модели се попрецизни 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 Willems и Demirdjian, соодветно.Неусогласеноста помеѓу моделот SD и традиционалните методи прикажани во студијата Halibourg ги зема предвид бројните извештаи30,31,32,33 дека методот Демирџијан не ја проценува прецизно забната старост кај популации различни од Французите Канаѓани на кои се базираше студијата.во оваа студија.Таи и сор.Тие објавија дека MLP има поголема точност од традиционалните методи.Разликата помеѓу Демирџиевиот метод и традиционалниот метод е <0,32 години, а Вилемсовиот метод е 0,28 години, што е слично на резултатите од оваа студија.Резултатите од овие претходни студии24,34 се исто така конзистентни со резултатите од оваа студија, а точноста на проценката на возраста на моделот DM и традиционалниот метод се слични.Сепак, врз основа на презентираните резултати, можеме само претпазливо да заклучиме дека употребата на модели на ДМ за проценка на возраста може да ги замени постоечките методи поради недостаток на компаративни и референтни претходни студии.Потребни се дополнителни студии со употреба на поголеми примероци за да се потврдат резултатите добиени во оваа студија.
Меѓу студиите за тестирање на точноста на SD во проценката на староста на забите, некои покажаа поголема точност од нашата студија.Степановски и сор.Тие го оценија развојот на вкупно 16 горни и долни леви трајни заби користејќи ги критериумите за класификација предложени од Moorrees et al 36 .MAE се движи од 0,64 до 0,94 години, а RMSE се движи од 0,85 до 1,27 години, кои се попрецизни од двата DM модели користени во оваа студија.Шен и сор.Тие покажаа дека сите три модели DM имаат поголема точност во споредба со традиционалната формула на Камериер.MAE и RMSE во студијата на Shen беа пониски од оние во моделот 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 субјекти во нивните примероци од студијата.Бидејќи проценките на возраста за учесниците со заби во развој стануваат попрецизни како што бројот на забите 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 попрецизна 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).Наодот дека MLP е попрецизен од SLP во проценката на возраста бара дополнителни ретроспективни студии.
Класификацијата на моделот DM и традиционалниот метод на праг од 18 години исто така беа споредени.Сите тестирани SD модели и традиционални методи на интерниот тест сет покажаа практично прифатливи нивоа на дискриминација за примерокот од 18 години.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, ниту една студија не ги тестирала перформансите на моделот DM за 18-годишна класификација врз основа на забната зрелост.Можеме да ги споредиме резултатите од оваа студија со перформансите на класификација на моделите за длабоко учење на панорамски радиографија.Гуо и сор.15 ги пресметале перформансите на класификацијата на моделот за длабоко учење базиран на CNN и рачниот метод заснован на методот на Демирџијан за одреден возрасен праг.Чувствителноста и специфичноста на рачниот метод беа 87,7% и 95,5%, соодветно, а чувствителноста и специфичноста на моделот на CNN надминаа 89,2% и 86,6%, соодветно.Тие заклучија дека моделите за длабоко учење можат да го заменат или надминат рачното оценување во класифицирањето на праговите за возраст.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 најдобар модел во однос на чувствителноста за машкиот примерок и чувствителноста и специфичноста за женскиот примерок.LR е на второ место по специфичност за мажи.Згора на тоа, LR се смета за еден од моделите DM35 кои се попогодни за користење и е помалку сложен и тежок за обработка.Врз основа на овие резултати, LR се сметаше за најдобар модел за класификација на прекини за 18-годишници во корејската популација.
Севкупно, точноста на проценката на возраста или перформансите на класификација на екстерниот тест сет беше слаба или помала во споредба со резултатите од интерните тестови.Некои извештаи покажуваат дека точноста или ефикасноста на класификацијата се намалуваат кога проценките за возраст врз основа на корејската популација се применуваат на јапонското население5,39, а сличен модел беше пронајден во оваа студија.Овој тренд на влошување беше забележан и кај моделот DM.Затоа, за прецизно да се процени возраста, дури и кога се користи ДМ во процесот на анализа, треба да се претпочитаат методи кои произлегуваат од податоци за мајчиното 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 кои ја споредуваат точноста и ефикасноста на класификацијата користејќи 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 разлики во ограничена возраст.проценки.
Докажуваме дека традиционалните методи може да се заменат со проценка на возраст врз основа на моделот DM во форензичката практика за проценка на возраста во Кореја.Ја откривме и можноста за спроведување на машинско учење за форензичка проценка на возраста.Сепак, постојат јасни ограничувања, како што се недоволниот број на учесници во оваа студија за дефинитивно да се утврдат резултатите, како и недостатокот на претходни студии за споредба и потврда на резултатите од оваа студија.Во иднина, студиите за ДМ треба да се спроведуваат со поголем број примероци и поразновидни популации за да се подобри неговата практична применливост во споредба со традиционалните методи.За да се потврди можноста за користење на вештачка интелигенција за да се процени возраста кај повеќе популации, потребни се идни студии за да се споредат точноста и ефикасноста на класификацијата на моделите за DM и длабоко учење со традиционалните методи во истите примероци.
Студијата користела 2.657 правописни фотографии собрани од возрасни Корејци и Јапонци на возраст од 15 до 23 години.Корејските радиографија беа поделени на 900 сетови за обука (19,42 ± 2,65 години) и 900 интерни тест серии (19,52 ± 2,59 години).Сетот за обука беше собран во една институција (Болницата Сент Мери во Сеул), а сопствениот тест сет беше собран во две институции (Националната универзитетска стоматолошка болница во Сеул и Универзитетската стоматолошка болница Јонсеј).Собравме и 857 радиографија од други податоци засновани на популација (Медицинскиот универзитет Ивате, Јапонија) за екстерно тестирање.Рендгенски снимки на јапонски испитаници (19,31 ± 2,60 години) беа избрани како комплет за надворешен тест.Податоците беа собрани ретроспективно за да се анализираат фазите на денталниот развој на панорамските радиографија направени за време на денталниот третман.Сите собрани податоци беа анонимни освен полот, датумот на раѓање и датумот на радиографија.Критериумите 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 направена радиографијата.Групата примерок беше поделена на девет возрасни групи.Распределбата на возраста и полот е прикажана во Табела 3 Оваа студија беше спроведена во согласност со Декларацијата од Хелсинки и одобрена од Одборот за институционална ревизија (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 биле подложени на радиографски преглед за терапевтски цели.Болницата Сент Мери на Универзитетот во Кореја во Сеул (IRB) се откажа од барањето за информирана согласност.
Развојните фази на бимаксиларните втори и трети молари беа оценети според Демирчански критериуми25.Беше избран само еден заб ако се најде ист тип на заб на левата и десната страна на секоја вилица.Ако хомологните заби од двете страни биле во различни развојни фази, забот со понизок стадиум на развој бил избран за да се земе предвид неизвесноста во проценетата возраст.Сто случајно избрани радиографија од сетот за обука беа оценети од двајца искусни набљудувачи за да се тестира веродостојноста на интернабсерверот по преткалибрација за да се одреди фазата на забна зрелост.Веродостојноста на интранабсерверот беше проценета двапати во интервали од три месеци од примарниот набљудувач.
Полот и фазата на развој на вториот и третиот молар на секоја вилица во комплетот за обука беа проценети од примарен набљудувач обучен со различни модели на ДМ, а вистинската возраст беше поставена како целна вредност.Моделите SLP и MLP, кои се широко користени во машинското учење, беа тестирани против алгоритми за регресија.Моделот DM 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 пренос на праг помеѓу јазлите.Моделот SLP во регресија е математички сличен на повеќекратната 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 спуштањето на градиент како метод за оптимизација и MAE и RMSE како функција на загуба за да го обучите нашиот модел за машинско учење.Најдобро добиениот регресивен модел беше применет на внатрешните и надворешните тест сетови и беше проценета староста на забите.
Развиен е алгоритам за класификација кој користи зрелост на четири заби на сетот за обука за да предвиди дали примерокот е стар 18 години или не.За да го изградиме моделот, изведовме седум репрезентативни алгоритми за машинско учење6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost и (7) MLP .LR е еден од најкористените алгоритми за класификација44.Тоа е надгледуван алгоритам за учење кој користи регресија за да ја предвиди веројатноста на податоците кои припаѓаат на одредена категорија од 0 до 1 и ги класифицира податоците како 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 постојното множество и потоа ги класифицира во класата со најголема фреквенција.Поставивме 3 за бројот на разгледани соседи (k).SVM е алгоритам кој го максимизира растојанието помеѓу две класи со користење на функцијата на јадрото за проширување на 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 полиња како алгоритам за делење на целото множество податоци во неколку подгрупи преку претставување правила за одлучување во структура на дрво47.Моделот е конфигуриран со минимален број записи по јазол од 2 и го користи индексот Gini како мерка за квалитет.RF е ансамбл метод кој комбинира повеќе DT за да ги подобри перформансите користејќи метод на агрегација на bootstrap кој генерира слаб класификатор за секој примерок со случајно цртање примероци со иста големина повеќе пати од оригиналната база на податоци48.Како критериуми за раздвојување на јазлите користевме 100 дрвја, 10 длабочини на дрвја, 1 минимална големина на јазол и индекс на примеси на Gini.Класификацијата на новите податоци се утврдува со мнозинство гласови.XGBoost е алгоритам кој комбинира техники за засилување користејќи метод што ја зема како податок 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 доверливост како функција за корекција на преоптоварување.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 додавате влезен слој и добивате вредност на резултатот, предвидената вредност на резултатот се споредува со вистинската вредност на резултатот и грешката се шири назад.Создадовме скриен слој со 20 скриени неврони во секој слој.Секој модел што го развивме беше применет на внатрешни и надворешни множества за тестирање на перформансите на класификацијата со пресметување на чувствителноста, специфичноста, PPV, NPV и AUROC.Чувствителноста се дефинира како сооднос на примерок за кој се проценува дека е на возраст од 18 години или постар со примерок за кој се проценува дека е на возраст од 18 години или повеќе.Специфичноста е процентот на примероци на возраст под 18 години и оние кои се проценува дека се на возраст под 18 години.
Стоматолошките фази оценети во сетот за обука беа претворени во нумерички фази за статистичка анализа.Беше изведена повеќеваријатна линеарна и логистичка регресија за да се развијат предвидливи модели за секој пол и да се изведат формули за регресија што може да се користат за проценка на возраста.Ги користевме овие формули за да ја процениме староста на забите и за внатрешни и за надворешни тестови.Табела 4 ги прикажува моделите на регресија и класификација што се користат во оваа студија.
Веродостојноста на внатрешните и меѓунабљудувачите беше пресметана со помош на Капа статистиката на Коен.За да ја тестираме точноста на DM и традиционалните регресивни модели, ги пресметавме MAE и RMSE користејќи ја проценетата и вистинската возраст на внатрешните и надворешните тест множества.Овие грешки најчесто се користат за да се оцени точноста на предвидувањата на моделот.Колку е помала грешката, толку е поголема точноста на прогнозата24.Споредете ги MAE и RMSE на интерни и надворешни тест множества пресметани со користење на DM и традиционална регресија.Изведбата на класификација на 18-годишниот прекин во традиционалната статистика беше оценета со помош на табела за непредвидени ситуации 2 × 2.Пресметаната чувствителност, специфичност, PPV, NPV и AUROC на тест сет беа споредени со измерените вредности на моделот за класификација DM.Податоците се изразуваат како средна вредност ± стандардна девијација или број (%) во зависност од карактеристиките на податоците.Двостраните вредности на P <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 за регресија DM беше имплементиран во Python користејќи Keras50 2.2.4 backend и Tensorflow51 1.8.0 специјално за математички операции.Моделот за класификација DM беше имплементиран во околината за анализа на знаење на Waikato и платформата за анализа на Konstanz Information Miner (KNIME) 4.6.152.
Авторите признаваат дека податоците што ги поддржуваат заклучоците на студијата може да се најдат во статијата и дополнителните материјали.Збирките на податоци генерирани и/или анализирани за време на студијата се достапни од соодветниот автор на разумно барање.
Ritz-Timme, S. et al.Проценка на возраста: најсовремена технологија за исполнување на специфичните барања на форензичката пракса.интернационалноста.J. Правна медицина.113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Тековен статус на форензичка возраст проценка на живите субјекти за цели на кривично гонење.Форензика.лек.Патологија.1, 239-246 (2005).
Пан, Ј. и сор.Модифициран метод за проценка на забната возраст на 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 вториот и третиот катник кај Корејците и неговата примена за форензичка проценка на возраста.интернационалност.J. Правна медицина.124, 659-665 (2010).
О, С., Кумагаи, А., Ким, СЈ и Ли, СС Точност на проценката на возраста и проценка на 18-годишниот праг врз основа на зрелоста на вториот и третиот катник кај Корејците и Јапонците.PLoS ONE 17, e0271247 (2022).
Ким, JY и сор.Анализата на податоци базирана на предоперативно машинско учење може да го предвиди исходот од третманот со операција на спиење кај пациенти со OSA.науката.Извештај 11, 14911 (2021).
Хан, М. и сор.Точна проценка на возраста од машинското учење со или без човечка интервенција?интернационалноста.J. Правна медицина.136, 821-831 (2022).
Кан, С. и Шахин, М. Од рударство на податоци до рударство на податоци.Ј.Информации.науката.https://doi.org/10.1177/01655515211030872 (2021).
Кан, С. и Шахин, М. WisRule: Првиот когнитивен алгоритам за рударство со правила на асоцијација.Ј.Информации.науката.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. и Abdullah U. Karm: Традиционално ископување податоци засновано на правила за асоцијација засновани на контекст.пресметај.Мет.продолжи.68, 3305-3322 (2021).
Мухамед М., Реман З., Шахин М., Кан М. и Хабиб М. Откривање на семантичка сличност засновано на длабоко учење со помош на текстуални податоци.информираат.технологии.контрола.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З. и Шахин, М. Систем за препознавање на активност во спортски видеа.мултимедија.Апликации за алатки https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, СС и сор.RSNA предизвик за машинско учење во детска коскена возраст.Радиологија 290, 498-503 (2019).
Li, Y. и сор.Форензичка проценка на возраст од карличните рендгенски снимки користејќи длабоко учење.ЕВРО.радијација.29, 2322-2329 (2019).
Гуо, YC, и сор.Точна класификација на возраста со помош на рачни методи и длабоки конволутивни невронски мрежи од сликите на правописна проекција.интернационалноста.J. Правна медицина.135, 1589–1597 (2021).
Алабама Далора и сор.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. Специфична старосна проценка на популацијата на Афроамериканците и Кинезите врз основа на волумените на комората на пулпата на првите катници користејќи компјутерска томографија со конусен зрак.интернационалност.J. Правна медицина.136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK и Oh KS Одредување возрасни групи на живи луѓе користејќи слики од првите катници базирани на вештачка интелигенција.науката.Извештај 11, 1073 (2021).
Стерн, Д., Пајер, Ц., Џулијани, Н., и Уршлер, М.IEEE J. Biomed.Здравствени предупредувања.23, 1392-1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. Проценка на возраста врз основа на сегментација на 3D комората на пулпата на првите катници од компјутеризирана томографија со конусен зрак со интегрирање на длабоки множества за учење и нивоа.интернационалноста.J. Правна медицина.135, 365-373 (2021).
Ву, ВТ и сор.Рударство на податоци во клинички големи податоци: заеднички бази на податоци, чекори и модели на методи.Светот.лек.ресурс.8, 44 (2021).
Јанг, Ј. и сор.Вовед во медицински бази на податоци и технологии за ископување податоци во ерата на големи податоци.J. Avid.Основна медицина.13, 57-69 (2020).
Шен, С. и сор.Камереровиот метод за проценка на староста на забите со помош на машинско учење.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Споредба на различни методи на машинско учење за предвидување на забната старост со помош на методот на Демирџијан стадиум.интернационалност.J. Правна медицина.135, 665-675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM Нов систем за проценка на забната возраст.шмркање.биологија.45, 211-227 (1973).
Landis, JR, and Koch, GG Мерки на набљудувач договор за категорични податоци.Биометрика 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK и Choi HK.Текстурална, морфолошка и статистичка анализа на дводимензионална магнетна резонанца со помош 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: Јан-04-2024 година