Faleminderit që vizituat Nature.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS. Për rezultate më të mira, ne rekomandojmë përdorimin e një versioni më të ri të shfletuesit tuaj (ose çaktivizimin e modalitetit të përputhshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po e shfaqim faqen pa stilizim 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 validonim vlerësimet e moshës dentare bazuar në nxjerrjen e të dhënave duke krahasuar saktësinë e vlerësimit dhe performancën e klasifikimit të pragut 18-vjeçar me metodat tradicionale dhe vlerësimet e moshës bazuar në nxjerrjen e të dhënave. Një total prej 2657 radiografish panoramike u mblodhën nga qytetarë koreanë dhe japonezë të moshës 15 deri në 23 vjeç. Ato u ndanë në një grup trajnimi, secili që përmbante 900 radiografi koreane, dhe një grup testimi të brendshëm që përmbante 857 radiografi japoneze. Ne krahasuam saktësinë e klasifikimit dhe efikasitetin e metodave tradicionale me grupet e testimit të modeleve të nxjerrjes së të dhënave. Saktësia e metodës tradicionale në grupin e testimit të brendshëm është pak më e lartë se ajo e modelit të nxjerrjes së të dhënave, dhe ndryshimi është i vogël (gabimi mesatar absolut <0.21 vjet, gabimi mesatar katror i rrënjës <0.24 vjet). Performanca e klasifikimit për kufirin 18-vjeçar është gjithashtu e ngjashme midis metodave tradicionale dhe modeleve të nxjerrjes së të dhënave. Kështu, metodat tradicionale mund të zëvendësohen nga modelet e nxjerrjes së të dhënave kur kryhet vlerësimi i moshës mjeko-ligjore duke përdorur pjekurinë e molarëve të dytë dhe të tretë në adoleshentët dhe të rriturit e rinj koreanë.
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 dentar, vlerësimi i moshës sipas fazave të zhvillimit dentar është një kriter i rëndësishëm për vlerësimin e moshës së fëmijëve dhe adoleshentëve1,2,3. Megjithatë, për të rinjtë, vlerësimi i moshës dentare bazuar në pjekurinë dentare ka kufizimet e veta sepse rritja dentare është pothuajse e plotë, me përjashtim të molarëve të tretë. Qëllimi ligjor i përcaktimit të moshës së të rinjve dhe adoleshentëve është të ofrojë vlerësime të sakta dhe prova shkencore nëse ata kanë arritur moshën madhore. Në praktikën mjeko-ligjore të adoleshentëve dhe të rriturve të rinj në Kore, mosha u vlerësua duke përdorur metodën e Lee-së, dhe një prag ligjor prej 18 vjeç u parashikua bazuar në të dhënat e raportuara nga Oh et al. 5.
Mësimi automatik është një lloj inteligjence artificiale (IA) që mëson dhe klasifikon në mënyrë të përsëritur sasi të mëdha të dhënash, zgjidh probleme vetë dhe nxit programimin e të dhënave. Mësimi automatik mund të zbulojë modele të fshehura të dobishme në vëllime të mëdha të dhënash6. Në të kundërt, metodat klasike, të cilat kërkojnë shumë punë dhe kohë, mund të kenë kufizime kur merren me vëllime të mëdha të të dhënave komplekse që janë të vështira për t'u përpunuar manualisht7. Prandaj, shumë studime janë kryer kohët e fundit duke përdorur teknologjitë më të fundit kompjuterike për të minimizuar gabimet njerëzore dhe për të përpunuar në mënyrë efikase të dhënat shumëdimensionale8,9,10,11,12. Në veçanti, mësimi i thellë është përdorur gjerësisht në analizën e imazheve mjekësore, dhe metoda të ndryshme për vlerësimin e moshës duke analizuar automatikisht radiografitë janë raportuar të përmirësojnë 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 automatik bazuar në rrjetet nervore konvolucionale (CNN) për të vlerësuar moshën skeletore duke përdorur radiografi të duarve të fëmijëve. Ky studim propozon një model që zbaton mësimin automatik në imazhet mjekësore dhe tregon se këto metoda mund të përmirësojnë saktësinë diagnostikuese. Li et al.14 vlerësuan moshën nga imazhet me rreze X të legenit duke përdorur një CNN me mësim të thellë dhe i krahasuan ato me rezultatet e regresionit duke përdorur vlerësimin e fazës së oshifikimit. Ata zbuluan se modeli CNN me mësim 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 së moshës të teknologjisë CNN bazuar në ortofotot dentare, dhe rezultatet e modelit CNN vërtetuan se njerëzit e tejkaluan performancën e klasifikimit të moshës.
Shumica e studimeve mbi vlerësimin e moshës duke përdorur të mësuarit automatik përdorin metoda të të mësuarit të thellë13,14,15,16,17,18,19,20. Vlerësimi i moshës bazuar në të mësuarit e thellë raportohet të jetë më i saktë se metodat tradicionale. Megjithatë, kjo qasje ofron pak mundësi për të paraqitur bazën shkencore për vlerësimet e moshës, siç janë treguesit e moshës të përdorur në vlerësime. Ekziston gjithashtu një mosmarrëveshje ligjore se kush i kryen inspektimet. Prandaj, vlerësimi i moshës bazuar në të mësuarit e thellë është i vështirë për t'u pranuar nga autoritetet administrative dhe gjyqësore. Minierimi i të dhënave (DM) është një teknikë që mund të zbulojë jo vetëm informacion të pritur, por edhe të papritur si një metodë për zbulimin e korrelacioneve të dobishme midis sasive të mëdha të të dhënave6,21,22. Mësimi automatik përdoret shpesh në minierimin e të dhënave, dhe si minierimi i të dhënave ashtu edhe të mësuarit automatik përdorin të njëjtat algoritme kyçe për të zbuluar modele në të dhëna. Vlerësimi i moshës duke përdorur zhvillimin dentar 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 korrelacionin midis fazës së vlerësimit dentar dhe moshës aktuale dhe ka potencialin të zëvendësojë analizën tradicionale statistikore. Prandaj, nëse aplikojmë teknikat DM për vlerësimin e moshës, mund të zbatojmë të mësuarit automatik në vlerësimin e moshës forenzike pa u shqetësuar për përgjegjësinë ligjore. Janë botuar disa studime krahasuese mbi alternativat e mundshme ndaj metodave tradicionale manuale të përdorura në praktikën forenzike dhe metodave të bazuara në EBM për përcaktimin e moshës dentare. Shen et al.23 treguan se modeli DM është më i saktë se formula tradicionale Camerer. Galibourg et al.24 aplikuan metoda të ndryshme DM për të parashikuar moshën sipas kriterit Demirdjian25 dhe rezultatet treguan se metoda DM i tejkaloi metodat Demirdjian dhe Willems në vlerësimin e moshës së popullsisë franceze.
Për të vlerësuar moshën dentare të adoleshentëve dhe të rriturve të rinj koreanë, metoda 4 e Lee-së përdoret gjerësisht në praktikën koreane mjeko-ligjore. Kjo metodë përdor analizën statistikore tradicionale (siç është regresioni i shumëfishtë) për të shqyrtuar marrëdhënien midis subjekteve koreanë dhe moshës kronologjike. Në këtë studim, metodat e vlerësimit të moshës të marra duke përdorur metoda tradicionale statistikore përkufizohen si "metoda tradicionale". Metoda e Lee-së është një metodë tradicionale dhe saktësia e saj është konfirmuar nga Oh et al. 5; megjithatë, zbatueshmëria e vlerësimit të moshës bazuar në modelin DM në praktikën koreane mjeko-ligjore është ende e dyshimtë. Qëllimi ynë ishte të vërtetonim shkencërisht dobinë e mundshme të vlerësimit të moshës bazuar në modelin DM. Qëllimi i këtij studimi ishte (1) të krahasohej saktësia e dy modeleve DM në vlerësimin e moshës dentare dhe (2) të krahasohej performanca e klasifikimit të 7 modeleve DM në moshën 18 vjeç me ato të marra duke përdorur metoda tradicionale statistikore. Pjekuria e molarëve të dytë dhe të tretë në të dy nofullat.
Mesataret dhe devijimet standarde të moshës kronologjike sipas fazës dhe llojit të dhëmbit tregohen në internet në Tabelën Plotësuese S1 (grupi i trajnimit), Tabelën Plotësuese S2 (grupi i testit të brendshëm) dhe Tabelën Plotësuese S3 (grupi i testit të jashtëm). Vlerat kappa për besueshmërinë brenda dhe ndër-vëzhgues 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 S4 në internet. Vlera kappa u interpretua si "pothuajse perfekte", në përputhje me kriteret e Landis dhe Koch26.
Kur krahasohet gabimi mesatar absolut (MAE), metoda tradicionale e tejkalon pak modelin DM për të gjitha gjinitë dhe në grupin e testeve të jashtme mashkullore, me përjashtim të perceptronit shumështresor (MLP). Diferenca midis modelit tradicional dhe modelit DM në grupin e testeve të brendshme MAE ishte 0.12–0.19 vjet për burrat dhe 0.17–0.21 vjet për gratë. Për baterinë e testeve të 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 rrënjësor mesatar katror (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 testeve të brendshme mashkullore dhe 0.03–0.07, 0.04–0.08 për grupin e testeve të jashtme). MLP tregon performancë pak më të mirë se Perceptroni me Një Shtresë (SLP), përveç në rastin e grupit të testeve të jashtme femërore. Për MAE dhe RMSE, grupi i testeve të jashtme jep rezultate më të larta se grupi i testeve të brendshme për të gjitha gjinitë dhe modelet. Të gjitha MAE dhe RMSE tregohen në Tabelën 1 dhe Figurën 1.
MAE dhe RMSE të modeleve tradicionale dhe të regresionit të minierimit të të dhënave. Gabimi mesatar absolut MAE, gabimi mesatar katror i rrënjës RMSE, perceptroni me një shtresë SLP, perceptroni me shumë shtresa MLP, metoda tradicionale CM.
Performanca e klasifikimit (me një kufi prej 18 vitesh) e modeleve tradicionale dhe DM u demonstrua në aspektin e ndjeshmërisë, specifikës, vlerës parashikuese pozitive (PPV), vlerës parashikuese negative (NPV) dhe sipërfaqes nën kurbën karakteristike operative të marrësit (AUROC) 27 (Tabela 2, Figura 2 dhe Figura plotësuese 1 në internet). Sa i përket ndjeshmërisë së baterisë së testit të brendshëm, metodat tradicionale performuan më mirë tek burrat dhe më keq tek gratë. Megjithatë, ndryshimi në performancën e klasifikimit midis metodave tradicionale dhe SD është 9.7% për burrat (MLP) dhe vetëm 2.4% për gratë (XGBoost). Midis modeleve DM, regresioni logjistik (LR) tregoi ndjeshmëri më të mirë në të dy gjinitë. Lidhur me specifikën e grupit të testit të brendshëm, u vu re se katër modelet SD performuan mirë tek meshkujt, ndërsa modeli tradicional performoi më mirë tek femrat. Dallimet në performancën e klasifikimit për meshkujt dhe femrat janë përkatësisht 13.3% (MLP) dhe 13.1% (MLP), duke treguar se ndryshimi në performancën e klasifikimit midis modeleve tejkalon ndjeshmërinë. Midis modeleve DM, modelet e makinës së vektorit mbështetës (SVM), pemës së vendimeve (DT) dhe pyllit të rastësishëm (RF) performuan më mirë tek meshkujt, ndërsa modeli LR performoi më mirë tek femrat. AUROC e modelit tradicional dhe të gjitha modeleve SD ishte më e madhe se 0.925 (k-fqinj më i afërt (KNN) tek burrat), duke demonstruar performancë të shkëlqyer të klasifikimit në dallimin e mostrave 18-vjeçare28. Për grupin e testeve të jashtme, pati një rënie në performancën e klasifikimit për sa i përket ndjeshmërisë, specifikës dhe AUROC krahasuar me grupin e testeve të brendshme. Për më tepër, ndryshimi në ndjeshmëri dhe specifikë midis performancës së klasifikimit të modeleve më të mira dhe më të këqija varionte nga 10% në 25% dhe ishte më i madh se ndryshimi në grupin e testeve të brendshme.
Ndjeshmëria dhe specifikimi i modeleve të klasifikimit të minierimit të të dhënave krahasuar me metodat tradicionale me një kufi prej 18 vitesh. KNN k fqinji më i afërt, makina vektoriale mbështetëse SVM, regresioni logjistik LR, pema e vendimeve DT, pylli i rastësishëm RF, XGB XGBoost, perceptroni shumështresor MLP, metoda tradicionale CM.
Hapi i parë në këtë studim ishte krahasimi i saktësisë së vlerësimeve të moshës dentare të marra nga shtatë modele të DM me ato të marra duke përdorur regresionin tradicional. MAE dhe RMSE u vlerësuan në grupe testesh të brendshme për të dy gjinitë, dhe ndryshimi midis metodës tradicionale dhe modelit DM varionte nga 44 në 77 ditë për MAE dhe nga 62 në 88 ditë për RMSE. Edhe pse metoda tradicionale ishte pak më e saktë në këtë studim, është e vështirë të konkludohet nëse një ndryshim kaq i vogël ka rëndësi klinike apo 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 interval moshe si në këtë studim. Galibourg et al.24 krahasuan MAE dhe RMSE midis dy metodave tradicionale (metoda Demirjian25 dhe metoda Willems29) dhe 10 modeleve 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 krahasuar me metodat Willems dhe Demirdjian, përkatësisht. Mospërputhja midis modelit SD dhe metodave tradicionale të treguara në studimin Halibourg merr në konsideratë raporte të shumta30,31,32,33 që metoda Demirdjian nuk vlerëson me saktësi moshën dentare në popullata të tjera përveç franko-kanadezëve mbi të cilët u bazua studimi. Në këtë studim. Tai et al. 34 përdorën algoritmin MLP për të parashikuar moshën e dhëmbëve 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, që është e ngjashme me rezultatet e studimit të tanishëm. 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. Megjithatë, bazuar në rezultatet e paraqitura, 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. Studime pasuese 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 radiografitë panoramike të 976 banorëve çekë të moshës 2.7 deri në 20.5 vjeç dhe testuan saktësinë e secilit model. Ata vlerësuan zhvillimin e një totali prej 16 dhëmbësh të përhershëm të sipërm dhe të poshtëm të majtë 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 al. 23 përdorën metodën Cameriere për të vlerësuar moshën dentare të shtatë dhëmbëve të përhershëm në nofullën e majtë tek banorët e Kinës lindore 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 DM kanë saktësi më të lartë krahasuar me formulën tradicionale Cameriere. 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. Meqenëse vlerësimet e moshës për pjesëmarrësit me dhëmbë në zhvillim bëhen më të sakta ndërsa numri i dhëmbëve rritet gjatë zhvillimit dentar, saktësia e metodës që rezulton nga vlerësimi i moshës mund të kompromentohet kur pjesëmarrësit në studim janë më të rinj. Përveç kësaj, gabimi i MLP në vlerësimin e moshës është pak më i vogël se ai i SLP, që do të thotë se MLP është më i saktë se SLP. MLP konsiderohet pak më i mirë për vlerësimin e moshës, ndoshta për shkak të shtresave të fshehura në MLP38. Megjithatë, ekziston një përjashtim për mostrën e jashtme të grave (SLP 1.45, MLP 1.49). Zbulimi se MLP është më i saktë se SLP në vlerësimin e moshës kërkon studime shtesë retrospektive.
Performanca e klasifikimit të modelit DM dhe metodës tradicionale në një prag 18-vjeçar u krahasua gjithashtu. Të gjitha modelet e testuara SD dhe metodat tradicionale në setin e testimit të brendshëm 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 e të gjitha modeleve të testuara gjithashtu tejkalon 0.925. Sipas njohurive tona më të mira, asnjë studim nuk ka testuar performancën e modelit DM për klasifikimin 18-vjeçar bazuar në pjekurinë dentare. Ne mund të krahasojmë rezultatet e këtij studimi me performancën e klasifikimit të modeleve të të mësuarit të thellë në radiografitë panoramike. Guo et al.15 llogaritën performancën e klasifikimit të një modeli të të mësuarit të thellë të bazuar në CNN dhe një metode manuale të bazuar në metodën e Demirjian për një prag të caktuar moshe. Ndjeshmëria dhe specifikiteti i metodës manuale ishin përkatësisht 87.7% dhe 95.5%, dhe ndjeshmëria dhe specifikiteti i modelit CNN tejkaluan përkatësisht 89.2% dhe 86.6%. Ata arritën në përfundimin se modelet e të mësuarit të thellë mund të zëvendësojnë ose të tejkalojnë vlerësimin manual në klasifikimin e pragjeve të moshës. Rezultatet e këtij studimi treguan performancë të ngjashme klasifikimi; Besohet se klasifikimi duke përdorur modelet 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 ndjeshmërisë dhe specifikës për mostrën femërore. LR renditet i dyti në specifikë për burrat. Për më tepër, LR konsiderohet të jetë një nga modelet DM35 më miqësore për përdoruesit dhe është më pak komplekse dhe e vështirë për t'u përpunuar. Bazuar në këto rezultate, LR u konsiderua modeli më i mirë i klasifikimit të kufijve për 18-vjeçarët në popullatën koreane.
Në përgjithësi, saktësia e vlerësimit të moshës ose performancës së klasifikimit në grupin e testeve të jashtme ishte e dobët ose më e ulët krahasuar me rezultatet në grupin e testeve të brendshme. Disa raporte tregojnë se saktësia ose efikasiteti i klasifikimit zvogëlohet kur vlerësimet e moshës bazuar në popullsinë koreane aplikohen në popullsinë japoneze5,39, dhe një model i ngjashëm u gjet në studimin e tanishëm. Ky trend përkeqësimi u vu re edhe në modelin DM. Prandaj, për të vlerësuar me saktësi moshën, edhe kur përdoret DM në procesin e analizës, duhet të preferohen metodat e nxjerra nga të dhënat e popullsisë vendase, siç janë metodat tradicionale5,39,40,41,42. Meqenëse nuk është e qartë nëse modelet e të mësuarit të thellë mund të tregojnë trende të ngjashme, nevojiten studime që krahasojnë saktësinë dhe efikasitetin e klasifikimit duke përdorur metoda tradicionale, modele DM dhe modele të të mësuarit të thellë në të njëjtat mostra për të konfirmuar nëse inteligjenca artificiale mund t'i kapërcejë këto pabarazi racore në vlerësimet e kufizuara të moshës.
Ne demonstrojmë se metodat tradicionale mund të zëvendësohen nga vlerësimi i moshës bazuar në modelin DM në praktikën e vlerësimit të moshës forenzike në Kore. Ne gjithashtu zbuluam mundësinë e zbatimit të të mësuarit automatik për vlerësimin e moshës forenzike. Megjithatë, ka kufizime të qarta, siç është numri i pamjaftueshëm i pjesëmarrësve në këtë studim për të përcaktuar përfundimisht rezultatet dhe mungesa e studimeve të mëparshme për të krahasuar dhe konfirmuar rezultatet e këtij studimi. Në të ardhmen, studimet DM duhet të kryhen me një numër më të madh mostrash dhe popullata më të larmishme për të përmirësuar zbatueshmërinë e saj praktike krahasuar me metodat tradicionale. Për të validuar fizibilitetin e përdorimit të inteligjencës artificiale për të vlerësuar moshën në popullata të shumëfishta, nevojiten studime të ardhshme për të krahasuar saktësinë dhe efikasitetin e klasifikimit të modeleve DM dhe të të mësuarit të thellë me metodat tradicionale në të njëjtat mostra.
Studimi përdori 2,657 fotografi ortografike të mbledhura nga të rritur koreanë dhe japonezë të moshës 15 deri në 23 vjeç. Radiografitë koreane u ndanë në 900 grupe trajnimi (19.42 ± 2.65 vjeç) dhe 900 grupe testimi të brendshëm (19.52 ± 2.59 vjeç). Grupi i trajnimit u mblodh në një institucion (Spitali St. Mary's i Seulit), dhe grupi i testimit të vetë u mblodh në dy institucione (Spitali Stomatologjik Universitar Kombëtar i Seulit dhe Spitali Stomatologjik Universitar Yonsei). Ne gjithashtu mblodhëm 857 radiografi nga të dhëna të tjera të bazuara në popullatë (Universiteti Mjekësor Iwate, Japoni) për testim të jashtëm. Radiografitë e subjekteve japoneze (19.31 ± 2.60 vjeç) u përzgjodhën si grupi i testimit të jashtëm. Të dhënat u mblodhën në mënyrë retrospektive për të analizuar fazat e zhvillimit dentar në radiografitë panoramike të marra gjatë trajtimit dentar. Të gjitha të dhënat e mbledhura ishin anonime përveç gjinisë, datës së lindjes dhe datës së radiografisë. Kriteret e përfshirjes dhe përjashtimit ishin të njëjta me studimet e publikuara më parë 4, 5. Mosha aktuale e mostrës u llogarit duke zbritur datën e lindjes nga data e marrjes së radiografisë. Grupi i mostrës u nda në nëntë grupmosha. Shpërndarjet e moshës dhe gjinisë tregohen në Tabelën 3. Ky studim u krye në përputhje me Deklaratën e Helsinkit dhe u miratua nga Bordi i Rishikimit Institucional (IRB) i Spitalit St. Mary's të Seulit të Universitetit Katolik të Koresë (KC22WISI0328). Për shkak të dizajnit retrospektiv të këtij studimi, pëlqimi i informuar nuk mund të merrej nga të gjithë pacientët që i nënshtroheshin ekzaminimit radiografik për qëllime terapeutike. Spitali St. Mary's i Universitetit të Seulit të Koresë (IRB) hoqi dorë nga kërkesa për pëlqim të informuar.
Fazat e zhvillimit të molarëve të dytë dhe të tretë bimaksilarë u vlerësuan sipas kritereve të Demircan25. U zgjodh vetëm një dhëmb nëse i njëjti lloj dhëmbi u gjet në anët e majta dhe të djathta të secilës nofull. Nëse dhëmbët homologë në të dyja anët ishin në faza të ndryshme zhvillimi, u zgjodh dhëmbi me fazën më të ulët të zhvillimit për të marrë parasysh pasigurinë në moshën e vlerësuar. Njëqind radiografi të zgjedhura rastësisht nga grupi i trajnimit u vlerësuan nga dy vëzhgues me përvojë për të testuar besueshmërinë ndërvëzhgues pas parakalibrimit për të përcaktuar fazën e pjekurisë dentare. Besueshmëria brendavëzhguesit u vlerësua dy herë në intervale tremujore nga vëzhguesi kryesor.
Seksi dhe faza e zhvillimit të molarëve të dytë dhe të tretë të secilës nofull në setin e trajnimit u vlerësuan nga një vëzhgues parësor i trajnuar me modele të ndryshme DM, dhe mosha aktuale u caktua si vlera e synuar. Modelet SLP dhe MLP, të cilat përdoren gjerësisht në të mësuarit automatik, u testuan kundrejt 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 funksionon bazuar në transmetimin e pragut midis nyjeve. Modeli SLP në regresion është matematikisht i ngjashëm me regresionin linear të shumëfishtë. Ndryshe nga modeli SLP, modeli MLP ka shtresa të shumëfishta të fshehura me funksione aktivizimi jolineare. Eksperimentet tona përdorën një shtresë të fshehur me vetëm 20 nyje të fshehura me funksione aktivizimi jolineare. Përdorni zbritjen gradient si metodë optimizimi dhe MAE dhe RMSE si funksionin e humbjes për të trajnuar modelin tonë të të mësuarit automatik. Modeli i regresionit më i mirë i përftuar u aplikua në setet e testimit të brendshëm dhe të jashtëm dhe u vlerësua mosha e dhëmbëve.
U zhvillua një algoritëm klasifikimi që përdor pjekurinë e katër dhëmbëve në grupin e trajnimit për të parashikuar nëse një mostër është 18 vjeç apo jo. Për të ndërtuar modelin, ne nxorëm shtatë algoritme përfaqësimi të të mësuarit automatik6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost dhe (7) MLP. LR është një nga algoritmet e klasifikimit më të përdorura44. Është një algoritëm i të mësuarit të mbikëqyrur që përdor regresionin për të parashikuar probabilitetin e të dhënave që i përkasin një kategorie të caktuar nga 0 në 1 dhe i klasifikon të dhënat si pjesë të një kategorie më të mundshme bazuar në këtë probabilitet; përdoret kryesisht për klasifikimin binar. KNN është një nga algoritmet më të thjeshta të të mësuarit automatik45. Kur jepen të dhëna të reja hyrëse, ai gjen k të dhëna afër grupit ekzistues dhe më pas i klasifikon ato në klasën 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 bërthame për të zgjeruar hapësirën lineare në një hapësirë jolineare të quajtur fusha46. Për këtë model, ne përdorim paragjykimin = 1, fuqinë = 1 dhe gama = 1 si hiperparametra për bërthamën polinomiale. DT është aplikuar në fusha të ndryshme si një algoritëm për ndarjen e një grupi të tërë të dhënash në disa nëngrupe duke përfaqësuar rregullat e vendimmarrjes në një strukturë peme47. Modeli është konfiguruar me një numër minimal të të dhënave për nyje prej 2 dhe përdor indeksin Gini si masë të cilësisë. RF është një metodë ansambli që kombinon DT të shumëfishta për të përmirësuar performancën duke përdorur një metodë grumbullimi bootstrap që gjeneron një klasifikues të dobët për secilën mostër duke tërhequr rastësisht mostra të së njëjtës madhësi shumë herë nga grupi origjinal i të dhënave48. Ne përdorëm 100 pemë, 10 thellësi pemësh, 1 madhësi minimale nyjesh dhe indeksin e përzierjes Gini si kritere ndarjeje të 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 gabimin midis vlerave aktuale dhe të parashikuara të modelit të mëparshëm dhe e rrit gabimin duke përdorur gradiente49. Është një algoritëm i përdorur gjerësisht për shkak të performancës së tij të mirë dhe efikasitetit të burimeve, si dhe besueshmërisë së lartë si një funksion korrigjimi i mbivendosjes. Modeli është i pajisur me 400 rrota mbështetëse. MLP është një rrjet nervor në të cilin një ose më shumë perceptrone formojnë shtresa të shumëfishta me një ose më shumë shtresa të fshehura midis shtresave hyrëse dhe dalëse38. Duke përdorur këtë, ju mund të kryeni klasifikim jo-linear ku kur shtoni një shtresë hyrëse dhe merrni një vlerë rezultati, vlera e parashikuar e rezultatit krahasohet me vlerën aktuale të rezultatit dhe gabimi përhapet mbrapsht. Ne krijuam një shtresë të fshehur me 20 neurone të fshehura në secilën shtresë. Çdo model që zhvilluam u aplikua në grupe të brendshme dhe të jashtme për të testuar performancën e klasifikimit duke llogaritur ndjeshmërinë, specifikën, PPV, NPV dhe AUROC. Ndjeshmëria përcaktohet si raporti i një mostre të vlerësuar të jetë 18 vjeç ose më e vjetër me një mostër të vlerësuar të jetë 18 vjeç ose më e vjetër. Specifikiteti është përqindja e mostrave nën 18 vjeç dhe atyre që vlerësohen të jenë nën 18 vjeç.
Fazat dentare të vlerësuara në setin e trajnimit u shndërruan në faza numerike për analizë statistikore. Regresioni linear dhe logjistik shumëvariabël u krye për të zhvilluar modele parashikuese për secilin seks dhe për të nxjerrë formula regresioni që mund të përdoren për të vlerësuar moshën. Ne përdorëm këto formula për të vlerësuar moshën e dhëmbëve për setet e testimit të brendshëm dhe të jashtëm. Tabela 4 tregon modelet e regresionit dhe klasifikimit të përdorura në këtë studim.
Besueshmëria brenda dhe ndërvëzhgues u llogarit duke përdorur statistikën kappa të Cohen. Për të testuar saktësinë e modeleve të regresionit DM dhe atyre tradicionalë, ne llogaritëm MAE dhe RMSE duke përdorur moshat e vlerësuara dhe aktuale të seteve të testimit të brendshëm dhe të jashtëm. Këto gabime përdoren zakonisht për të vlerësuar saktësinë e parashikimeve të modelit. Sa më i vogël të jetë gabimi, aq më e lartë është saktësia e parashikimit24. Krahasoni MAE dhe RMSE të seteve të testimit të brendshëm dhe të jashtëm të llogaritura duke përdorur DM dhe regresionin tradicional. Performanca e klasifikimit të kufirit 18-vjeçar në statistikat tradicionale u vlerësua duke përdorur një tabelë kontigjence 2 × 2. Ndjeshmëria, specifikimi, PPV, NPV dhe AUROC e llogaritur e setit të testimit u krahasuan me vlerat e matura të modelit të klasifikimit DM. Të dhënat shprehen si mesatare ± devijim standard ose numër (%) në varësi të karakteristikave të të dhënave. Vlerat dypalëshe të P <0.05 u konsideruan statistikisht të rëndësishme. Të gjitha analizat statistikore rutinë u kryen duke përdorur versionin 9.4 të SAS (SAS Institute, Cary, NC). Modeli i regresionit DM u implementua në Python duke përdorur backend-in Keras50 2.2.4 dhe Tensorflow51 1.8.0 posaçërisht për operacionet matematikore. Modeli i klasifikimit DM u implementua në Mjedisin e Analizës së Njohurive Waikato dhe platformën e analizës Konstanz Information Miner (KNIME) 4.6.152.
Autorët pranojnë se të dhënat që mbështesin përfundimet e studimit mund të gjenden në artikull dhe në materiale plotësuese. Setet e të dhënave të gjeneruara dhe/ose të analizuara gjatë studimit janë të disponueshme nga autori përkatës me kërkesë të arsyeshme.
Ritz-Timme, S. et al. Vlerësimi i moshës: gjendja aktuale për të përmbushur kërkesat specifike të praktikës mjeko-ligjore. ndërkombëtariteti. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., dhe Olze, A. Statusi aktual i vlerësimit të moshës mjeko-ligjore të subjekteve të gjalla për qëllime ndjekjeje penale. Forenzikë. mjekësi. 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 oral. 25, 3463–3474 (2021).
Lee, SS etj. Kronologjia e zhvillimit të molarëve të dytë dhe të tretë tek koreanët dhe zbatimi i saj për vlerësimin mjeko-ligjor të moshës. ndërkombëtariteti. J. Legal medicine. 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 tek koreanët dhe japonezët. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Analiza e të dhënave paraoperative e bazuar në të mësuarit automatik mund të parashikojë rezultatin e trajtimit të kirurgjisë së gjumit tek pacientët me OSA. shkenca. Raporti 11, 14911 (2021).
Han, M. et al. Vlerësim i saktë i moshës nga të mësuarit automatik me apo pa ndërhyrjen e njeriut? ndërkombëtariteti. J. Legal medicine. 136, 821–831 (2022).
Khan, S. dhe Shaheen, M. Nga Miniera e të Dhënave në Miniera të të Dhënave. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. dhe Shaheen, M. WisRule: Algoritmi i Parë Njohës për Nxjerrjen e Rregullave të Asociacionit. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. dhe Abdullah U. Karm: Miniera tradicionale e të dhënave bazuar në rregullat e shoqërimit të bazuara në kontekst. llogaris. Matt. vazhdon. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. dhe Habib M. Zbulimi i ngjashmërisë semantike bazuar në të mësuarit e thellë duke përdorur të dhëna tekstuale. Teknologji informative. 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. Mjete Aplikacionesh https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Sfida e të Mësuarit Automatik të RSNA-së në Epokën e Kockave Pediatrike. Radiology 290, 498–503 (2019).
Li, Y. et al. Vlerësimi mjeko-ligjor i moshës nga rrezet X të legenit duke përdorur të nxënit e thellë. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Klasifikimi i saktë i moshës duke përdorur metoda manuale dhe rrjete nervore konvolucionale të thella nga imazhet e projeksionit ortografik. internationality. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Vlerësimi i moshës së kockave duke përdorur metoda të ndryshme të të mësuarit automatik: një rishikim sistematik i literaturës dhe meta-analizë. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., dhe Yang, J. Vlerësimi i moshës specifike për popullsinë e afrikano-amerikanëve dhe kinezëve bazuar në vëllimet e dhomës së pulpës së molarëve të parë duke përdorur tomografinë e kompjuterizuar me rreze konike. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK dhe Oh KS Përcaktimi i grupmoshave të njerëzve të gjallë duke përdorur imazhe të molarëve të parë të bazuara në inteligjencën artificiale. Shkenca. Raporti 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., dhe Urschler, M. Vlerësimi automatik i moshës dhe klasifikimi i moshës së shumicës nga të dhënat shumëvariabël të MRI-së. IEEE J. Biomed. Alarmet Shëndetësore. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. dhe Li, G. Vlerësimi i moshës bazuar në segmentimin 3D të dhomës së pulpës të molarëve të parë nga tomografia e kompjuterizuar me rreze konike duke integruar të mësuarit e thellë dhe setet e niveleve. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Miniera e të dhënave në të dhënat e mëdha klinike: bazat e të dhënave të zakonshme, hapat dhe modelet e metodave. World. medicine. resource. 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 Bazë. 13, 57–69 (2020).
Shen, S. et al. Metoda e Camerer për vlerësimin e moshës së dhëmbëve duke përdorur të mësuarit automatik. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Krahasimi i metodave të ndryshme të të mësuarit automatik për parashikimin e moshës dentare duke përdorur metodën e stadifikimit Demirdjian. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. dhe Tanner, JM Një sistem i ri për vlerësimin e moshës së dhëmbëve. snort. biology. 45, 211–227 (1973).
Landis, JR, dhe Koch, GG Matjet e marrëveshjes së vëzhguesve mbi të dhënat kategorike. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK dhe Choi HK. Analiza teksturale, morfologjike dhe statistikore e imazherisë me rezonancë magnetike dy-dimensionale duke përdorur teknika të inteligjencës artificiale për diferencimin e tumoreve primare të trurit. Informacion shëndetësor. burim. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Koha e postimit: 04 Janar 2024