Faleminderit për vizitën e natyrës.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS. Për rezultate më të mira, ne ju rekomandojmë të përdorni një version më të ri të shfletuesit tuaj (ose të fikni mënyrën e pajtueshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po tregojmë faqen pa stilim ose JavaScript.
Dhëmbët konsiderohen treguesi më i saktë i moshës së trupit të njeriut dhe shpesh përdoren në vlerësimin e moshës mjeko -ligjore. Ne synuam të vërtetojmë vlerësimet e moshës dentare të bazuara në minierat e të dhënave duke krahasuar saktësinë e vlerësimit dhe performancën e klasifikimit të pragut 18-vjeçar me metodat tradicionale dhe vlerësimet e moshës së bazuar në minierat e të dhënave. Gjithsej 2657 radiografi panoramike u mblodhën nga qytetarët koreanë dhe japonezë të moshës 15 deri në 23 vjeç. Ata u ndanë në një grup trajnimi, secila që përmbante 900 radiografi Koreane, dhe një grup testi të brendshëm që përmbante 857 radiografi japoneze. Ne krahasuam saktësinë e klasifikimit dhe efikasitetin e metodave tradicionale me grupet e provave të modeleve të minierave të të dhënave. Saktësia e metodës tradicionale në grupin e provës së brendshme është pak më e lartë se ajo e modelit të minierave të të dhënave, dhe ndryshimi është i vogël (gabimi mesatar absolut <0.21 vjet, gabimi katror i rrënjës <0.24 vjet). Performanca e klasifikimit për ndërprerjen 18-vjeçare është gjithashtu e ngjashme midis metodave tradicionale dhe modeleve të minierave të të dhënave. Kështu, metodat tradicionale mund të zëvendësohen nga modelet e minierave të të dhënave kur kryejnë vlerësimin e moshës mjeko -ligjore duke përdorur pjekurinë e molarëve të dytë dhe të tretë tek adoleshentët koreanë dhe të rriturit e rinj.
Vlerësimi i moshës dentare përdoret gjerësisht në mjekësinë mjeko -ligjore dhe stomatologjinë pediatrike. Në veçanti, për shkak të korrelacionit të lartë midis moshës kronologjike dhe zhvillimit të dhëmbëve, vlerësimi i moshës sipas fazave të zhvillimit të dhëmbëve është një kriter i rëndësishëm për vlerësimin e moshës së fëmijëve dhe adoleshentëve1,2,3. Sidoqoftë, për të rinjtë, vlerësimi i moshës dentare bazuar në pjekurinë e dhëmbëve ka kufizimet e saj sepse rritja e dhëmbëve është pothuajse e plotë, me përjashtim të molarëve të tretë. Qëllimi ligjor i përcaktimit të moshës së të rinjve dhe adoleshentëve është të sigurojë vlerësime të sakta dhe prova shkencore nëse ata kanë arritur në moshën e shumicës. Në praktikën medicinale-ligjore të adoleshentëve dhe të rriturve të rinj në Kore, mosha u vlerësua duke përdorur metodën e Lee, dhe një prag ligjor prej 18 vjetësh u parashikua bazuar në të dhënat e raportuara nga Oh et al 5.
Mësimi i makinerisë është një lloj i inteligjencës artificiale (AI) që mëson vazhdimisht dhe klasifikon sasi të mëdha të të dhënave, zgjidh problemet më vete dhe drejton programimin e të dhënave. Mësimi i makinerisë mund të zbulojë modele të dobishme të fshehura në vëllime të mëdha të të dhënave6. Në të kundërt, metodat klasike, të cilat janë intensive të punës dhe kërkojnë kohë, mund të kenë kufizime kur merren me vëllime të mëdha të të dhënave komplekse që janë të vështira për t'u përpunuar me dorë7. Prandaj, shumë studime janë kryer kohët e fundit duke përdorur teknologjitë më të fundit të kompjuterit për të minimizuar gabimet njerëzore dhe të përpunojnë në mënyrë efikase të dhëna shumëdimensionale8,9,11,11,12. Në veçanti, mësimi i thellë është përdorur gjerësisht në analizën e imazhit mjekësor, dhe metoda të ndryshme për vlerësimin e moshës duke analizuar automatikisht radiografitë janë raportuar për të përmirësuar saktësinë dhe efikasitetin e vlerësimit të moshës13,14,15,16,17,18,19,20 . Për shembull, Halabi et al 13 zhvilluan një algoritëm të mësimit të makinerisë bazuar në rrjetet nervore konvolucionare (CNN) për të vlerësuar moshën skeletore duke përdorur radiografi të duarve të fëmijëve. Ky studim propozon një model që aplikon mësimin e makinerisë në imazhet mjekësore dhe tregon se këto metoda mund të përmirësojnë saktësinë diagnostikuese. Li et al14 Mosha e vlerësuar nga imazhet me rreze X të legenit duke përdorur një CNN të mësimit të thellë dhe i krahasoi ato me rezultatet e regresionit duke përdorur vlerësimin e fazës së ossifikimit. Ata zbuluan se modeli CNN i mësimit të thellë tregoi të njëjtën performancë të vlerësimit të moshës si modeli tradicional i regresionit. Studimi i Guo et al. [15] vlerësoi performancën e klasifikimit të tolerancës në moshë të teknologjisë CNN bazuar në ortofotot dentare, dhe rezultatet e modelit CNN vërtetuan se njerëzit tejkaluan performancën e klasifikimit të moshës.
Shumica e studimeve mbi vlerësimin e moshës duke përdorur mësimin e makinerisë Përdorni metoda të mësimit të thellë13,14,15,16,17,18,19,20. Vlerësimi i moshës bazuar në mësimin e thellë raportohet të jetë më i saktë se metodat tradicionale. Sidoqoftë, kjo qasje ofron pak mundësi për të paraqitur bazën shkencore për vlerësimet e moshës, siç janë treguesit e moshës së përdorur në vlerësime. Ekziston gjithashtu një mosmarrëveshje ligjore se kush i kryen inspektimet. Prandaj, vlerësimi i moshës bazuar në mësimin e thellë është i vështirë të pranohet nga autoritetet administrative dhe gjyqësore. Minierat e të dhënave (DM) janë një teknikë që mund të zbulojë jo vetëm që pritej, por edhe informacionin e papritur si një metodë për të zbuluar korrelacione të dobishme midis sasive të mëdha të të dhënave6,21,22. Mësimi i makinerisë shpesh përdoret në minierat e të dhënave, dhe të dyja minierat e të dhënave dhe mësimi i makinerisë përdorin të njëjtin algoritme kryesore për të zbuluar modele në të dhëna. Vlerësimi i moshës duke përdorur zhvillimin e dhëmbëve bazohet në vlerësimin e ekzaminuesit për pjekurinë e dhëmbëve të synuar, dhe ky vlerësim shprehet si një fazë për secilin dhëmb të synuar. DM mund të përdoret për të analizuar lidhjen midis fazës së vlerësimit dentar dhe moshës aktuale dhe ka potencialin për të zëvendësuar analizën tradicionale statistikore. Prandaj, nëse aplikojmë teknikat e DM në vlerësimin e moshës, ne mund të zbatojmë mësimin e makinerive në vlerësimin e moshës mjeko -ligjore pa u shqetësuar për përgjegjësinë ligjore. Disa studime krahasuese janë botuar në alternativa të mundshme të metodave tradicionale manuale të përdorura në praktikën mjeko-ligjore dhe metodat e bazuara në EBM për përcaktimin e moshës dentare. Shen et al23 treguan se modeli DM është më i saktë se formula tradicionale e kamerave. Galibourg et al24 aplikuan metoda të ndryshme DM për të parashikuar moshën sipas kriterit të Demirdjian25 dhe rezultatet treguan se metoda DM tejkaloi metodat Demirdjian dhe Willems në vlerësimin e moshës së popullsisë franceze.
Për të vlerësuar epokën e dhëmbëve të adoleshentëve koreanë dhe të rriturve të rinj, metoda 4 e Lee përdoret gjerësisht në praktikën mjekoligjore koreane. Kjo metodë përdor analizën tradicionale statistikore (siç është regresioni i shumëfishtë) për të ekzaminuar marrëdhëniet midis subjekteve koreane dhe moshës kronologjike. Në këtë studim, metodat e vlerësimit të moshës të marra duke përdorur metoda tradicionale statistikore përcaktohen si "metoda tradicionale". Metoda e Lee është një metodë tradicionale, dhe saktësia e saj është konfirmuar nga Oh et al. 5; Sidoqoftë, zbatueshmëria e vlerësimit të moshës bazuar në modelin DM në praktikën mjeko -ligjore koreane është ende e diskutueshme. Qëllimi ynë ishte të vërtetojmë shkencërisht dobinë e mundshme të vlerësimit të moshës bazuar në modelin DM. Qëllimi i këtij studimi ishte (1) për të krahasuar saktësinë e dy modeleve DM në vlerësimin e moshës dentare dhe (2) për të krahasuar performancën e klasifikimit të 7 modeleve DM në moshën 18 vjeç me ato të marra duke përdorur pjekurinë e metodave tradicionale statistikore të sekondës së sekondës së sekondës dhe molarët e tretë në të dy nofullat.
Mjetet dhe devijimet standarde të moshës kronologjike sipas fazës dhe llojit të dhëmbit tregohen në internet në Tabelën plotësuese S1 (grup trajnimi), Tabela plotësuese S2 (grup i testit të brendshëm), dhe Tabela plotësuese S3 (grup i testit të jashtëm). Vlerat e Kappa për besueshmërinë brenda dhe interobserver të marra nga grupi i trajnimit ishin përkatësisht 0.951 dhe 0.947. Vlerat P dhe intervalet e besimit 95% për vlerat kappa tregohen në tabelën plotësuese në internet S4. Vlera Kappa u interpretua si "pothuajse e përsosur", në përputhje me kriteret e Landis dhe Koch26.
Kur krahasojmë gabimin mesatar absolut (MAE), metoda tradicionale pak e tejkalon modelin DM për të gjithë gjinitë dhe në grupin e testit të jashtëm mashkull, me përjashtim të perceptronit me shumë shtresa (MLP). Dallimi midis modelit tradicional dhe modelit DM në grupin e testit të brendshëm MAE ishte 0.12-0.19 vjet për burrat dhe 0.17-0.21 vjet për gratë. Për baterinë e provës së jashtme, ndryshimet janë më të vogla (0.001-0.05 vjet për burrat dhe 0.05-0.09 vjet për gratë). Për më tepër, gabimi mesatar katror i rrënjës (RMSE) është pak më i ulët se metoda tradicionale, me ndryshime më të vogla (0.17–0,24, 0.2–0.24 për grupin e provës së brendshme mashkullore, dhe 0.03–0.07, 0.04-0.08 për grupin e provës së jashtme). ). MLP tregon performancë pak më të mirë sesa perceptron me shtresa të vetme (SLP), përveç në rastin e grupit të provës së jashtme femra. Për MAE dhe RMSE, prova e jashtme e vendosjes së provave më të larta se testi i brendshëm i vendosur për të gjithë gjinitë dhe modelet. Të gjitha Mae dhe RMSE janë paraqitur në Tabelën 1 dhe Figurën 1.
MAE dhe RMSE e modeleve tradicionale dhe të regresionit të minierave të të dhënave. Mesatarja e gabimit absolut MAE, rrënja mesatare e gabimit katror RMSE, perceptroni me shtresa të vetme SLP, perceptimi multilayer MLP, metoda tradicionale CM.
Performanca e klasifikimit (me një ndërprerje prej 18 vjetësh) të modeleve tradicionale dhe DM u demonstrua në drejtim të ndjeshmërisë, specifikës, vlerës parashikuese pozitive (PPV), vlerës parashikuese negative (NPV) dhe zonës nën kurbën karakteristike të funksionimit të marrësit (AUROC) 27 (Tabela 2, Figura 2 dhe figura plotësuese 1 në internet). Për sa i përket ndjeshmërisë së baterisë së testit të brendshëm, metodat tradicionale performuan më së miri tek burrat dhe më keq tek gratë. Sidoqoftë, ndryshimi në performancën e klasifikimit midis metodave tradicionale dhe SD është 9.7% për burrat (MLP) dhe vetëm 2.4% për gratë (xgboost). Ndër modelet DM, regresioni logjistik (LR) tregoi ndjeshmëri më të mirë në të dy gjinitë. Sa i përket specifikës së grupit të provës së brendshme, u vërejt se katër modelet SD performuan mirë te meshkujt, ndërsa modeli tradicional performonte më mirë tek femrat. Dallimet në performancën e klasifikimit për meshkujt dhe femrat janë 13.3% (MLP) dhe 13.1% (MLP), përkatësisht, duke treguar që ndryshimi në performancën e klasifikimit midis modeleve tejkalon ndjeshmërinë. Ndër modelet DM, Makina Vektore Mbështetëse (SVM), Pema e Vendimit (DT) dhe Modelet e Rastit Forest (RF) të kryera më së miri tek meshkujt, ndërsa modeli LR performoi më së miri tek femrat. AUROC i modelit tradicional dhe të gjitha modeleve SD ishte më i madh se 0.925 (fqinji K-Nearest (KNN) te burrat), duke demonstruar performancë të shkëlqyeshme të klasifikimit në diskriminimin e mostrave 18-vjeçare28. Për grupin e provës së jashtme, pati një ulje të performancës së klasifikimit në drejtim të ndjeshmërisë, specifikës dhe auroc në krahasim me grupin e provës së brendshme. Për më tepër, ndryshimi në ndjeshmëri dhe specifikim midis performancës së klasifikimit të modeleve më të mira dhe më të këqija shkonte nga 10% në 25% dhe ishte më i madh se diferenca në grupin e provave të brendshme.
Ndjeshmëria dhe specifikimi i modeleve të klasifikimit të minierave të të dhënave në krahasim me metodat tradicionale me një ndërprerje prej 18 vjetësh. KNN K fqinji më i afërt, makina vektoriale mbështetëse SVM, regresioni logjistik i LR, pema e vendimit të DT, pylli i rastësishëm RF, xgb xgboost, perceptroni multilayer mlp, metoda tradicionale CM.
Hapi i parë në këtë studim ishte të krahasonte saktësinë e vlerësimeve të moshës dentare të marra nga shtatë modele DM me ato të marra duke përdorur regresionin tradicional. MAE dhe RMSE u vlerësuan në grupe të provave të brendshme për të dy gjinitë, dhe ndryshimi midis metodës tradicionale dhe modelit DM shkonte nga 44 në 77 ditë për MAE dhe nga 62 deri në 88 ditë për RMSE. Megjithëse metoda tradicionale ishte pak më e saktë në këtë studim, është e vështirë të konkludohet nëse një ndryshim kaq i vogël ka domethënie klinike ose praktike. Këto rezultate tregojnë se saktësia e vlerësimit të moshës dentare duke përdorur modelin DM është pothuajse e njëjtë me atë të metodës tradicionale. Krahasimi i drejtpërdrejtë me rezultatet nga studimet e mëparshme është i vështirë sepse asnjë studim nuk ka krahasuar saktësinë e modeleve DM me metodat tradicionale statistikore duke përdorur të njëjtën teknikë të regjistrimit të dhëmbëve në të njëjtin gamë moshe si në këtë studim. Galibourg et al24 krahasuan MAE dhe RMSE midis dy metodave tradicionale (Demirjian Metoda25 dhe Willems Metoda29) dhe 10 modele DM në një popullsi franceze të moshës 2 deri në 24 vjeç. Ata raportuan se të gjitha modelet DM ishin më të sakta se metodat tradicionale, me ndryshime prej 0.20 dhe 0.38 vjet në MAE dhe 0.25 dhe 0.47 vjet në RMSE në krahasim me metodat Willems dhe Demirdjian, përkatësisht. Mospërputhja midis modelit SD dhe metodave tradicionale të paraqitura në studimin e Halibourg merr parasysh raporte të shumta30,31,32,33 që metoda Demirdjian nuk vlerëson me saktësi moshën e dhëmbëve në popullsi të ndryshme nga Kanadezët Francezë në të cilët bazohej studimi. Në këtë studim. Tai et al 34 përdorën algoritmin MLP për të parashikuar moshën e dhëmbit nga 1636 fotografi ortodontike kineze dhe krahasuan saktësinë e tij me rezultatet e metodës Demirjian dhe Willems. Ata raportuan se MLP ka saktësi më të lartë se metodat tradicionale. Dallimi midis metodës Demirdjian dhe metodës tradicionale është <0.32 vjet, dhe metoda Willems është 0.28 vjet, e cila është e ngjashme me rezultatet e studimit aktual. Rezultatet e këtyre studimeve të mëparshme24,34 janë gjithashtu në përputhje me rezultatet e studimit aktual, dhe saktësia e vlerësimit të moshës së modelit DM dhe metodës tradicionale janë të ngjashme. Sidoqoftë, bazuar në rezultatet e paraqitura, ne vetëm mund të konkludojmë me kujdes se përdorimi i modeleve DM për të vlerësuar moshën mund të zëvendësojë metodat ekzistuese për shkak të mungesës së studimeve të mëparshme krahasuese dhe referuese. Studimet vijuese duke përdorur mostra më të mëdha janë të nevojshme për të konfirmuar rezultatet e marra në këtë studim.
Ndër studimet që testojnë saktësinë e SD në vlerësimin e moshës dentare, disa treguan saktësi më të lartë se studimi ynë. Stepanovsky et al 35 aplikuan 22 modele SD në radiografi panoramike të 976 banorëve të Czecheke të moshës 2.7 deri në 20.5 vjeç dhe testuan saktësinë e secilit model. Ata vlerësuan zhvillimin e gjithsej 16 dhëmbëve të përhershëm të majtë të sipërm dhe të poshtëm duke përdorur kriteret e klasifikimit të propozuara nga Moorrees et al 36. MAE varion nga 0.64 në 0.94 vjet dhe RMSE varion nga 0.85 në 1.27 vjet, të cilat janë më të sakta se dy modelet DM të përdorura në këtë studim. Shen et al23 përdorën metodën kameriere për të vlerësuar moshën dentare të shtatë dhëmbëve të përhershëm në mandibulën e majtë në banorët lindorë kinezë të moshës 5 deri në 13 vjeç dhe e krahasuan atë me moshat e vlerësuara duke përdorur regresionin linear, SVM dhe RF. Ata treguan se të tre modelet e DM kanë saktësi më të lartë në krahasim me formulën tradicionale të kamerave. MAE dhe RMSE në studimin e Shen ishin më të ulëta se ato në modelin DM në këtë studim. Saktësia e shtuar e studimeve nga Stepanovsky et al. 35 dhe Shen et al. 23 mund të jetë për shkak të përfshirjes së subjekteve më të reja në mostrat e tyre të studimit. Për shkak se vlerësimet e moshës për pjesëmarrësit me dhëmbë në zhvillim bëhen më të sakta pasi numri i dhëmbëve rritet gjatë zhvillimit të dhëmbëve, saktësia e metodës së vlerësimit të moshës që rezulton mund të rrezikohet kur pjesëmarrësit e studimit janë më të rinj. Për më tepër, gabimi i MLP në vlerësimin e moshës është pak më i vogël se SLP, që do të thotë se MLP është më i saktë se SLP. MLP konsiderohet pak më mirë për vlerësimin e moshës, ndoshta për shkak të shtresave të fshehura në MLP38. Sidoqoftë, ekziston një përjashtim për mostrën e jashtme të grave (SLP 1.45, MLP 1.49). Konstatimi se MLP është më i saktë se SLP në vlerësimin e moshës kërkon studime shtesë retrospektive.
Performanca e klasifikimit të modelit DM dhe metoda tradicionale në një prag 18-vjeçar u krahasua gjithashtu. Të gjitha modelet e testuara të SD dhe metodat tradicionale në grupin e provës së brendshme treguan nivele praktikisht të pranueshme të diskriminimit për mostrën 18-vjeçare. Ndjeshmëria për burrat dhe gratë ishte më e madhe se 87.7% dhe 94.9%, përkatësisht, dhe specifikimi ishte më i madh se 89.3% dhe 84.7%. AUROC i të gjitha modeleve të testuara gjithashtu tejkalon 0.925. Për më të mirën e njohurive tona, asnjë studim nuk ka testuar performancën e modelit DM për klasifikimin 18-vjeçar bazuar në pjekurinë e dhëmbëve. Ne mund të krahasojmë rezultatet e këtij studimi me performancën e klasifikimit të modeleve të mësimit të thellë në radiografi panoramike. Guo et al.15 llogaritën performancën e klasifikimit të një modeli të mësimit të thellë të bazuar në CNN dhe një metodë manuale të bazuar në metodën e Demirjian për një prag të caktuar moshe. Ndjeshmëria dhe specifikimi i metodës manuale ishin përkatësisht 87.7% dhe 95.5%, dhe ndjeshmëria dhe specifikimi i modelit CNN tejkaluan përkatësisht 89.2% dhe 86.6%, përkatësisht. Ata arritën në përfundimin se modelet e mësimit të thellë mund të zëvendësojnë ose tejkalojnë vlerësimin manual në klasifikimin e pragjeve të moshës. Rezultatet e këtij studimi treguan një performancë të ngjashme klasifikimi; Besohet se klasifikimi duke përdorur modele DM mund të zëvendësojë metodat tradicionale statistikore për vlerësimin e moshës. Ndër modelet, DM LR ishte modeli më i mirë për sa i përket ndjeshmërisë për mostrën mashkullore dhe ndjeshmërinë dhe specifikën për mostrën femërore. LR renditet e dyta në specifikën për burrat. Për më tepër, LR konsiderohet të jetë një nga modelet më miqësore për përdoruesit DM35 dhe është më pak komplekse dhe e vështirë për tu përpunuar. Bazuar në këto rezultate, LR u konsiderua modeli më i mirë i klasifikimit të ndërprerjes për 18-vjeçarët në popullatën Koreane.
Në përgjithësi, saktësia e vlerësimit të moshës ose performancës së klasifikimit në grupin e testit të jashtëm ishte e dobët ose më e ulët në krahasim me rezultatet në grupin e testit të brendshëm. Disa raporte tregojnë se saktësia e klasifikimit ose efikasiteti zvogëlohet kur vlerësimet e moshës bazuar në popullsinë Koreane zbatohen për popullsinë japoneze 5,39, dhe një model i ngjashëm u gjet në studimin e tanishëm. Kjo prirje e përkeqësimit është vërejtur edhe në modelin DM. Prandaj, për të vlerësuar me saktësi moshën, edhe kur përdorni DM në procesin e analizës, metodat që rrjedhin nga të dhënat e popullsisë vendase, siç janë metodat tradicionale, duhet të preferohen 5,39,40,41,42. Meqenëse është e paqartë nëse modelet e mësimit të thellë mund të tregojnë tendenca të ngjashme, studimet që krahasojnë saktësinë e klasifikimit dhe efikasitetin duke përdorur metoda tradicionale, modele DM dhe modele të mësimit të thellë në të njëjtat mostra janë të nevojshme për të konfirmuar nëse inteligjenca artificiale mund t'i kapërcejë këto pabarazi racore në moshë të kufizuar. vlerësimet.
Ne demonstrojmë se metodat tradicionale mund të zëvendësohen sipas vlerësimit të moshës bazuar në modelin DM në praktikën e vlerësimit të moshës mjeko -ligjore në Kore. Ne gjithashtu zbuluam mundësinë e zbatimit të mësimit të makinerive për vlerësimin e moshës mjeko -ligjore. Sidoqoftë, ekzistojnë kufizime të qarta, siç është numri i pamjaftueshëm i pjesëmarrësve në këtë studim për të përcaktuar përfundimisht rezultatet, dhe mungesën e studimeve të mëparshme për të krahasuar dhe konfirmuar rezultatet e këtij studimi. Në të ardhmen, studimet e DM duhet të bëhen me një numër më të madh të mostrave dhe popullsi më të larmishme për të përmirësuar zbatueshmërinë e tij praktike në krahasim me metodat tradicionale. Për të vërtetuar fizibilitetin e përdorimit të inteligjencës artificiale për të vlerësuar moshën në popullsi të shumta, janë të nevojshme studime të ardhshme për të krahasuar saktësinë e klasifikimit dhe efikasitetin e DM dhe modeleve të mësimit të thellë me metoda tradicionale në të njëjtat mostra.
Studimi përdori 2,657 fotografi ortografike të mbledhura nga të rriturit koreanë dhe japonezë të moshës 15 deri në 23 vjeç. Radiografitë Koreane u ndanë në 900 grupe trajnimi (19,42 ± 2.65 vjet) dhe 900 grupe të testit të brendshëm (19.52 ± 2.59 vjet). Grupi i trajnimit u mblodh në një institucion (Spitali i Seulit të Shën Mërisë), dhe grupi i provës u mblodh në dy institucione (Spitali Dental i Universitetit Kombëtar të Seulit dhe Spitali Dental i Universitetit Yonsei). Ne gjithashtu mblodhëm 857 radiografi nga një tjetër të dhëna të bazuara në popullsi (Universiteti Mjekësor IWate, Japoni) për testimin e jashtëm. Radiografitë e subjekteve japoneze (19,31 ± 2.60 vjet) u zgjodhën si grup i testit të jashtëm. Të dhënat u mblodhën në mënyrë retrospektive për të analizuar fazat e zhvillimit të dhëmbëve në radiografi panoramike të marra gjatë trajtimit dentar. Të gjitha të dhënat e mbledhura ishin anonime përveç gjinisë, data e lindjes dhe data e radiografisë. Kriteret e përfshirjes dhe të përjashtimit ishin të njëjta me studimet e botuara më parë 4, 5. Mosha aktuale e mostrës u llogarit duke zbritur datën e lindjes nga data kur u mor radiografia. Grupi i mostrës u nda në nëntë grupmoshat. Shpërndarjet e moshës dhe seksit janë paraqitur në Tabelën 3 Ky studim u krye në përputhje me Deklaratën e Helsinkit dhe u aprovua nga Bordi i Rishikimit Institucional (IRB) të Spitalit të Seulit të Shën Mërisë në Universitetin Katolik të Koresë (KC22WISI0328). Për shkak të modelit retrospektiv të këtij studimi, pëlqimi i informuar nuk mund të merret nga të gjithë pacientët që i nënshtrohen ekzaminimit radiografik për qëllime terapeutike. Universiteti i Seulës Korea Spitali i Shën Marisë (IRB) hoqi dorë nga kërkesa për pëlqim të informuar.
Fazat e zhvillimit të molarëve të dytë dhe të tretë bimaxillary u vlerësuan sipas kritereve të Demircan25. Vetëm një dhëmb u zgjodh nëse u gjet i njëjti lloj dhëmbi në anët e majta dhe të djathta të secilës nofull. Nëse dhëmbët homologë nga të dy palët ishin në faza të ndryshme zhvillimi, dhëmbi me fazën më të ulët të zhvillimit u zgjodh për të dhënë llogari për pasiguri në moshën e vlerësuar. Njëqind radiografi të zgjedhura rastësisht nga grupi i trajnimit u shënuan nga dy vëzhgues me përvojë për të provuar besueshmërinë e interobserverit pas prealibrimit për të përcaktuar fazën e pjekurisë dentare. Besueshmëria intraobserver u vlerësua dy herë në interval tre-mujor nga vëzhguesi kryesor.
Seksi dhe faza e zhvillimit të molarëve të dytë dhe të tretë të secilës nofull në grupin e trajnimit u vlerësuan nga një vëzhgues parësor i trajnuar me modele të ndryshme DM, dhe mosha aktuale u vendos si vlera e synuar. Modelet SLP dhe MLP, të cilat përdoren gjerësisht në mësimin e makinerive, u testuan kundër algoritmeve të regresionit. Modeli DM kombinon funksionet lineare duke përdorur fazat e zhvillimit të katër dhëmbëve dhe i kombinon këto të dhëna për të vlerësuar moshën. SLP është rrjeti nervor më i thjeshtë dhe nuk përmban shtresa të fshehura. SLP punon bazuar në transmetimin e pragut midis nyjeve. Modeli SLP në regresion është matematikisht i ngjashëm me regresionin e shumëfishtë linear. Për dallim nga modeli SLP, modeli MLP ka shtresa të shumta të fshehura me funksione të aktivizimit jolinear. Eksperimentet tona përdorën një shtresë të fshehur me vetëm 20 nyje të fshehura me funksione të aktivizimit jolinear. Përdorni zbritjen e gradientit si metodë e optimizimit dhe MAE dhe RMSE si funksion i humbjes për të trajnuar modelin tonë të mësimit të makinerisë. Modeli më i mirë i regresionit të marrë u aplikua në grupet e provave të brendshme dhe të jashtme dhe u vlerësua mosha e dhëmbëve.
U zhvillua një algoritëm klasifikimi që përdor pjekurinë e katër dhëmbëve në trajnimin e vendosur për të parashikuar nëse një mostër është 18 vjeç apo jo. Për të ndërtuar modelin, kemi nxjerrë shtatë algoritme të mësimit të makinerisë së përfaqësimit6,43: (1) lr, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST, dhe (7) MLP . LR është një nga algoritmet më të përdorura të klasifikimit44. Isshtë një algoritëm i të mësuarit i mbikëqyrur që përdor regresionin për të parashikuar mundësinë e të dhënave që i përkasin një kategorie të caktuar nga 0 në 1 dhe i klasifikon të dhënat si i përkasin një kategorie më të mundshme bazuar në këtë probabilitet; Përdoret kryesisht për klasifikimin binar. KNN është një nga algoritmet më të thjeshta të mësimit të makinerisë45. Kur jepen të dhëna të reja hyrëse, gjen të dhëna K afër grupit ekzistues dhe pastaj i klasifikon ato në klasë me frekuencën më të lartë. Ne vendosëm 3 për numrin e fqinjëve të konsideruar (k). SVM është një algoritëm që maksimizon distancën midis dy klasave duke përdorur një funksion kernel për të zgjeruar hapësirën lineare në një hapësirë jo-lineare të quajtur Fields46. Për këtë model, ne përdorim paragjykimin = 1, fuqinë = 1, dhe gama = 1 si hiperparametra për kernelin polinom. DT është aplikuar në fusha të ndryshme si një algoritëm për ndarjen e një të dhënash të tërë të vendosur në disa nëngrupe duke përfaqësuar rregullat e vendimeve në një strukturë peme47. Modeli është konfiguruar me një numër minimal të regjistrave për nyjen e 2 dhe përdor indeksin Gini si masë të cilësisë. RF është një metodë ansambël që kombinon shumë DT për të përmirësuar performancën duke përdorur një metodë të grumbullimit të bootstrap që gjeneron një klasifikues të dobët për secilën mostër duke vizatuar rastësisht mostra me të njëjtën madhësi shumë herë nga të dhënat origjinale48. Ne kemi përdorur 100 pemë, 10 thellësi të pemëve, 1 madhësi minimale të nyjes dhe indeksin e përzierjes Gini si kritere të ndarjes së nyjeve. Klasifikimi i të dhënave të reja përcaktohet me shumicë votash. XGBOOST është një algoritëm që kombinon teknikat e rritjes duke përdorur një metodë që merr si të dhëna trajnimi gabimi midis vlerave aktuale dhe të parashikuara të modelit të mëparshëm dhe rrit gabimin duke përdorur gradients49. Isshtë një algoritëm i përdorur gjerësisht për shkak të performancës së mirë të tij dhe efikasitetit të burimeve, si dhe besueshmërisë së lartë si një funksion korrigjimi i mbivendosur. Modeli është i pajisur me 400 rrota mbështetëse. MLP është një rrjet nervor në të cilin një ose më shumë perceptrone formojnë shtresa të shumta me një ose më shumë shtresa të fshehura midis shtresave të hyrjes dhe daljes38. Duke përdorur këtë, ju mund të kryeni klasifikimin jo-linear kur kur shtoni një shtresë hyrëse dhe merrni një vlerë të rezultatit, vlera e parashikuar e rezultatit krahasohet me vlerën aktuale të rezultatit dhe gabimi përhapet mbrapa. Ne krijuam një shtresë të fshehur me 20 neurone të fshehura në secilën shtresë. Secili model që kemi zhvilluar u aplikua në grupe të brendshme dhe të jashtme për të provuar performancën e klasifikimit duke llogaritur ndjeshmërinë, specifikën, PPV, NPV dhe AUROC. Ndjeshmëria përcaktohet si raporti i një kampioni që vlerësohet të jetë 18 vjeç ose më i vjetër në një mostër që vlerësohet të jetë 18 vjeç ose më e vjetër. Specifikimi është përqindja e mostrave nën moshën 18 vjeç dhe ato që vlerësohen të jenë nën 18 vjeç.
Fazat dentare të vlerësuara në grupin e trajnimit u shndërruan në faza numerike për analiza statistikore. Regresioni linear dhe logjistik multivarian u krye për të zhvilluar modele parashikuese për secilin formula të seksit dhe të regresionit që mund të përdoren për të vlerësuar moshën. Ne i kemi përdorur këto formula për të vlerësuar moshën e dhëmbit si për grupet e provave të brendshme ashtu edhe për ato të jashtme. Tabela 4 tregon modelet e regresionit dhe klasifikimit të përdorura në këtë studim.
Besueshmëria intra- dhe interobserver u llogarit duke përdorur statistikën kappa të Cohen. Për të provuar saktësinë e DM dhe modeleve tradicionale të regresionit, ne kemi llogaritur MAE dhe RMSE duke përdorur moshat e vlerësuara dhe aktuale të grupeve të provave të brendshme dhe të jashtme. Këto gabime zakonisht përdoren për të vlerësuar saktësinë e parashikimeve të modelit. Sa më i vogël të jetë gabimi, aq më i lartë është saktësia e parashikimit24. Krahasoni MAE dhe RMSE të grupeve të provave të brendshme dhe të jashtme të llogaritura duke përdorur DM dhe regresionin tradicional. Performanca e klasifikimit të ndërprerjes 18-vjeçare në statistikat tradicionale u vlerësua duke përdorur një tabelë kontigjente 2 × 2. Ndjeshmëria e llogaritur, specifikiteti, PPV, NPV dhe AUROC i grupit të provës u krahasuan me vlerat e matura të modelit të klasifikimit DM. Të dhënat shprehen si devijim mesatar ± standard ose numër (%) në varësi të karakteristikave të të dhënave. Vlerat P të dyanshme <0.05 u konsideruan statistikisht të rëndësishme. Të gjitha analizat rutinore statistikore u kryen duke përdorur versionin SAS 9.4 (SAS Institute, Cary, NC). Modeli i regresionit DM u zbatua në Python duke përdorur KERAS50 2.2.4 Backend dhe TensorFlow51 1.8.0 posaçërisht për operacionet matematikore. Modeli i klasifikimit DM u zbatua në mjedisin e analizës së njohurive Waikato dhe Platformën e Analizës së Informacionit Konstanz (KNIME) 4.6.152.
Autorët pranojnë se të dhënat që mbështesin përfundimet e studimit mund të gjenden në artikull dhe materialet plotësuese. Të dhënat e të dhënave të krijuara dhe/ose të analizuara gjatë studimit janë në dispozicion nga autori përkatës me kërkesë të arsyeshme.
Ritz-Timme, S. et al. Vlerësimi i moshës: Gjendja e artit për të përmbushur kërkesat specifike të praktikës mjeko -ligjore. ndërkombëtarizmi J. Mjekësia Ligjore. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Statusi aktual i vlerësimit të moshës mjeko -ligjore të subjekteve të gjalla për qëllime të ndjekjes penale. Mjekësia ligjore. bar. Patologji. 1, 239–246 (2005).
Pan, J. et al. Një metodë e modifikuar për vlerësimin e moshës dentare të fëmijëve të moshës 5 deri në 16 vjeç në Kinën Lindore. klinik. Sondazh gojor. 25, 3463–3474 (2021).
Lee, SS etj. Kronologjia e zhvillimit të molarëve të dytë dhe të tretë në Koreanë dhe aplikimin e saj për vlerësimin e moshës mjeko -ligjore. ndërkombëtarizmi J. Mjekësia Ligjore. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, Sy dhe Lee, SS Saktësia e vlerësimit të moshës dhe vlerësimi i pragut 18-vjeçar bazuar në pjekurinë e molarëve të dytë dhe të tretë në Koreanë dhe Japonisht. PLOS ONE 17, E0271247 (2022).
Kim, Jy, et al. Analiza e të dhënave të bazuara në mësimin e makinerisë para operacionit mund të parashikojë rezultatin e trajtimit të kirurgjisë së gjumit në pacientët me OSA. shkenca. Raporti 11, 14911 (2021).
Han, M. et al. Vlerësimi i saktë i moshës nga mësimi i makinerisë me ose pa ndërhyrje njerëzore? ndërkombëtarizmi J. Mjekësia Ligjore. 136, 821–831 (2022).
Khan, S. dhe Shaheen, M. Nga minierat e të dhënave në minierat e të dhënave. J. Informacioni. shkenca. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. dhe Shaheen, M. Wisrule: Algoritmi i parë njohës për minierat e rregullave të shoqatës. J. Informacioni. shkenca. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. dhe Abdullah U. Karm: Minierat tradicionale të të dhënave bazuar në rregullat e shoqatës të bazuara në kontekst. llogaritni. Matt. vazhdoj. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. dhe Habib M. Detektimi i ngjashmërisë semantike të bazuara në mësim të thellë duke përdorur të dhënat e tekstit. informoj. teknologjitë. kontroll. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., dhe Shahin, M. Një sistem për njohjen e aktivitetit në videot sportive. multimedia. Aplikimet e mjeteve https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Sfida e të mësuarit të makinerisë RSNA në epokën e kockave pediatrike. Radiologjia 290, 498–503 (2019).
Li, Y. et al. Vlerësimi i moshës mjeko-ligjore nga rrezet X të legenit duke përdorur mësim të thellë. Euro rrezatimi 29, 2322–2329 (2019).
Guo, YC, et al. Klasifikimi i saktë i moshës duke përdorur metoda manuale dhe rrjete nervore të thella konvolucionare nga imazhet e projeksionit ortografik. ndërkombëtarizmi J. Mjekësia Ligjore. 135, 1589-1597 (2021).
Alabama Dalora et al. Vlerësimi i moshës së kockave duke përdorur metoda të ndryshme të mësimit të makinerisë: Një përmbledhje sistematike e literaturës dhe meta-analizë. PLOS ONE 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. Vlerësimi i moshës specifike të popullsisë së afrikano-amerikanëve dhe kinezëve bazuar në vëllimet e dhomës së pulpës së molarëve të parë duke përdorur tomografinë e llogaritur me rreze kon. ndërkombëtarizmi J. Mjekësia Ligjore. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK dhe OH KS që përcaktojnë grupmoshat e njerëzve të gjallë që përdorin imazhe artificiale të bazuara në inteligjencë të molarëve të parë. shkenca. Raporti 11, 1073 (2021).
Stern, D., pagues, C., Giuliani, N., dhe Urschler, M. Vlerësimi automatik i moshës dhe klasifikimi i moshës së shumicës nga të dhënat multivariane të MRI. IEEE J. Biomed. Alertet e shëndetit. 23, 1392–1403 (2019).
Cheng, Q., GE, Z., Du, H. dhe Li, G. Vlerësimi i moshës bazuar në segmentimin 3D të dhomës së pulpës së molarëve të parë nga tomografia e llogaritur e rrezeve të konit duke integruar grupe të thella të mësimit dhe niveleve. ndërkombëtarizmi J. Mjekësia Ligjore. 135, 365–373 (2021).
Wu, WT, et al. Minierat e të dhënave në të dhëna të mëdha klinike: bazat e të dhënave të zakonshme, hapat dhe modelet e metodave. Bota bar. burim 8, 44 (2021).
Yang, J. et al. Hyrje në bazat e të dhënave mjekësore dhe teknologjitë e minierave të të dhënave në epokën e të dhënave të mëdha. J. Avid. Mjekësia themelore. 13, 57–69 (2020).
Shen, S. et al. Metoda e kamerës për vlerësimin e moshës së dhëmbit duke përdorur mësimin e makinerisë. BMC Health Oral Health 21, 641 (2021).
Galliburg A. et al. Krahasimi i metodave të ndryshme të mësimit të makinerisë për parashikimin e moshës dentare duke përdorur metodën e skenës Demirdjian. ndërkombëtarizmi J. Mjekësia Ligjore. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. dhe Tanner, JM Një sistem i ri për vlerësimin e moshës dentare. gërhitje biologji 45, 211–227 (1973).
Landis, Jr, dhe Koch, GG Masat e Marrëveshjes së Observer për të dhënat kategorike. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK dhe Choi HK. Analizë tekstuale, morfologjike dhe statistikore e imazhit të rezonancës magnetike dy-dimensionale duke përdorur teknika të inteligjencës artificiale për diferencimin e tumoreve parësore të trurit. Informacion shëndetësor. burim https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Koha e postimit: Jan-04-2024