Faleminderit që vizituat Nature.com.Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS.Për rezultate më të mira, ju rekomandojmë të përdorni një version më të ri të shfletuesit tuaj (ose të çaktivizoni modalitetin e përputhshmërisë në Internet Explorer).Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po e shfaqim sajtin pa stilim ose JavaScript.
Dhëmbët konsiderohen si treguesi më i saktë i moshës së trupit të njeriut dhe shpesh përdoren në vlerësimin e moshës mjeko-ligjore.Ne synuam të vërtetonim vlerësimet e moshës dentare të bazuara 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 të bazuara në nxjerrjen e të dhënave.Gjithsej 2657 radiografi panoramike u mblodhën nga shtetas koreanë dhe japonezë të moshës 15 deri në 23 vjeç.Ata u ndanë në një grup trajnimi, secila me 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 minierave të të dhënave.Saktësia e metodës tradicionale në grupin e testit të brendshëm është pak më e lartë se ajo e modelit të minierës së të dhënave dhe diferenca është e vogël (gabimi mesatar absolut <0,21 vjet, gabimi mesatar katror i rrënjës <0,24 vjet).Performanca e klasifikimit për ndërprerjen 18-vjeçare 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 gjatë kryerjes së vlerësimit mjeko-ligjor të moshës duke përdorur pjekurinë e molarëve të dytë dhe të tretë në adoleshentët dhe të rinjtë koreanë.
Vlerësimi i moshës së dhëmbëve përdoret gjerësisht në mjekësinë 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.Megjithatë, për të rinjtë, vlerësimi i moshës së dhëmbëve bazuar në pjekurinë e dhëmbëve ka kufizimet e veta, 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 mbushur moshën madhore.Në praktikën mjeko-ligjore të adoleshentëve dhe të rinjve 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 makinerive është një lloj inteligjence artificiale (AI) që mëson dhe klasifikon në mënyrë të përsëritur sasi të mëdha të dhënash, zgjidh vetë problemet dhe drejton programimin e të dhënave.Mësimi i makinerisë mund të zbulojë modele të dobishme të fshehura në vëllime të mëdha të dhënash6.Në të kundërt, metodat klasike, të cilat kërkojnë punë intensive dhe kërkojnë kohë, mund të kenë kufizime kur merren me vëllime të mëdha të dhënash 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 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 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 makinës bazuar në rrjetet nervore konvolucioniste (CNN) për të vlerësuar moshën e skeletit duke përdorur radiografi të duarve të fëmijëve.Ky studim propozon një model që zbaton mësimin e makinerive në imazhet mjekësore dhe tregon se këto metoda mund të përmirësojnë saktësinë diagnostike.Li et al14 vlerësuan moshën nga imazhet me rreze X të legenit duke përdorur një CNN të mësuarit të thellë dhe i krahasuan ato me rezultatet e regresionit duke përdorur vlerësimin e fazës së ossifikimit.Ata zbuluan se modeli CNN i të mësuarit 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 ndaj moshës të teknologjisë CNN bazuar në ortofotot dentare, dhe rezultatet e modelit CNN vërtetuan se njerëzit e tejkalonin performancën e klasifikimit të moshës.
Shumica e studimeve mbi vlerësimin e moshës duke përdorur mësimin e makinës përdorin metoda të mësimit të thellë13,14,15,16,17,18,19,20.Vlerësimi i moshës i 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 edhe 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.Miningja e të dhënave (DM) është një teknikë që mund të zbulojë jo vetëm informacione të pritshme, por edhe të papritura, si një metodë për zbulimin e korrelacioneve të dobishme midis sasive të mëdha të të dhënave6,21,22.Mësimi i makinerive përdoret shpesh në minimin e të dhënave, dhe si miniera e të dhënave ashtu edhe mësimi i makinerive 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 çdo dhëmb të synuar.DM mund të përdoret për të analizuar korrelacionin midis fazës së vlerësimit dentar dhe moshës aktuale dhe ka potencialin për të zëvendësuar analizat tradicionale statistikore.Prandaj, nëse zbatojmë teknikat DM për vlerësimin e moshës, ne mund të zbatojmë mësimin e makinerive në vlerësimin mjeko-ligjor të moshës pa u shqetësuar për përgjegjësinë ligjore.Janë publikuar disa studime krahasuese mbi alternativat e mundshme ndaj metodave tradicionale manuale të përdorura në praktikën mjekoligjore dhe metodave të bazuara në EBM për përcaktimin e moshës dentare.Shen et al23 treguan se modeli DM është më i saktë se formula tradicionale Camerer.Galibourg et al24 aplikuan metoda të ndryshme të DM për të parashikuar moshën sipas kriterit Demirdjian25 dhe rezultatet treguan se metoda DM ia kalonte metodave Demirdjian dhe Willems në vlerësimin e moshës së popullsisë franceze.
Për të vlerësuar moshën e dhëmbëve të adoleshentëve dhe të rinjve koreanë, metoda 4 e Lee përdoret gjerësisht në praktikën mjekoligjore koreane.Kjo metodë përdor analizën tradicionale statistikore (siç është regresioni i shumëfishtë) për të ekzaminuar marrëdhënien midis subjekteve koreane dhe moshës kronologjike.Në këtë studim, metodat e vlerësimit të moshës të marra duke përdorur metodat tradicionale statistikore përkufizohen si "metoda tradicionale".Metoda e Lee 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 mjekoligjore koreane është ende e diskutueshme.Qëllimi ynë ishte të vërtetonim shkencërisht dobinë e mundshme të vlerësimit të moshës bazuar në modelin DM.Qëllimi i këtij studimi ishte (1) të krahasonte saktësinë e dy modeleve të DM në vlerësimin e moshës dentare dhe (2) të krahasonte performancën e klasifikimit të 7 modeleve DM në moshën 18 vjeç me ato të marra duke përdorur metodat statistikore tradicionale. 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 S1 Suplementare (seti i trajnimit), Tabela Suplementare S2 (Set i testeve të brendshme) dhe Tabela Suplementare S3 (set e testeve të jashtme).Vlerat kappa për besueshmërinë brenda dhe ndërvëzhguese 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 tejkalon paksa modelin DM për të gjitha gjinitë dhe në grupin e testit të jashtëm mashkullor, 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, dallimet 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 dallime më të vogla (0.17-0.24, 0.2-0.24 për grupin e testit të brendshëm mashkullor dhe 0.03-0.07, 0.04-0.08 për grupin e testit të jashtëm).).MLP tregon performancë pak më të mirë se Perceptron me një shtresë (SLP), përveç në rastin e grupit të testit të jashtëm femëror.Për MAE dhe RMSE, grupi i testit të jashtëm rezulton më i lartë se grupi i testit të brendshëm për të gjitha gjinitë dhe modelet.Të gjitha MAE dhe RMSE janë paraqitur në tabelën 1 dhe figurën 1.
MAE dhe RMSE të modeleve tradicionale të regresionit dhe të minierave të të dhënave.Gabimi mesatar absolut MAE, gabimi mesatar katror i rrënjës RMSE, perceptron SLP me një shtresë, perceptron MLP me shumë shtresa, metoda tradicionale CM.
Performanca e klasifikimit (me një ndërprerje prej 18 vjetësh) të modeleve tradicionale dhe DM u demonstrua për sa i përket ndjeshmërisë, specifikës, vlerës parashikuese pozitive (PPV), vlerës parashikuese negative (NPV) dhe zonës nën lakoren 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 brendshme të provës, metodat tradicionale performuan më mirë tek burrat dhe më keq tek gratë.Sidoqoftë, ndryshimi në performancën e klasifikimit midis metodave tradicionale dhe SD është 9.7% për meshkujt (MLP) dhe vetëm 2.4% për femrat (XGBoost).Ndër modelet e DM, regresioni logjistik (LR) tregoi ndjeshmëri më të mirë në të dy gjinitë.Për sa i përket specifikës së grupit të testit të brendshëm, u vu re se katër modelet SD performuan mirë te meshkujt, ndërsa modeli tradicional performoi më mirë tek femrat.Ndryshimet në performancën e klasifikimit për meshkujt dhe femrat janë përkatësisht 13.3% (MLP) dhe 13.1% (MLP), duke treguar se diferenca në performancën e klasifikimit midis modeleve tejkalon ndjeshmërinë.Midis modeleve DM, modeli i makinës së vektorit mbështetës (SVM), i pemës së vendimit (DT) dhe i pyllit të rastësishëm (RF) rezultoi më i mirë tek meshkujt, ndërsa modeli LR performoi më mirë te femrat.AUROC e modelit tradicional dhe të të gjitha modeleve SD ishte më e madhe se 0,925 (k-fqinjja më e afërt (KNN) te meshkujt), duke demonstruar performancë të shkëlqyer klasifikimi në diskriminimin e mostrave 18-vjeçare28.Për grupin e testit të jashtëm, ka pasur një rënie në performancën e klasifikimit për sa i përket ndjeshmërisë, specifikës dhe AUROC në krahasim me grupin e testit të brendshëm.Për më tepër, diferenca 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 e madhe se diferenca në grupin e testit të brendshëm.
Ndjeshmëria dhe specifika e modeleve të klasifikimit të minierave të të dhënave krahasuar me metodat tradicionale me një ndërprerje prej 18 vjetësh.KNN k fqinji më i afërt, makina vektoriale mbështetëse SVM, regresioni logjistik LR, pema e vendimeve DT, pylli i rastësishëm RF, XGB XGBoost, perceptron me shumë shtresa MLP, metoda tradicionale CM.
Hapi i parë në këtë studim ishte krahasimi i saktësisë së vlerësimeve të moshës dentare të marra nga shtatë modele DM me ato të marra duke përdorur regresionin tradicional.MAE dhe RMSE u vlerësuan në grupet e testeve të brendshme për të dy gjinitë, dhe diferenca midis metodës tradicionale dhe modelit DM varionte nga 44 në 77 ditë për MAE dhe nga 62 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 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 e studimeve të mëparshme është i vështirë sepse asnjë studim nuk e ka krahasuar saktësinë e modeleve të DM me metodat tradicionale statistikore duke përdorur të njëjtën teknikë të regjistrimit të dhëmbëve në të njëjtën gamë moshe si në këtë studim.Galibourg et al24 krahasuan MAE dhe RMSE midis dy metodave tradicionale (metoda Demirjian25 dhe metoda Willems29) dhe modeleve 10 DM në një popullatë franceze të moshës 2 deri në 24 vjeç.Ata raportuan se të gjitha modelet DM ishin më të sakta se metodat tradicionale, me dallime prej 0.20 dhe 0.38 vjet në MAE dhe 0.25 dhe 0.47 vjet në RMSE krahasuar me metodat Willems dhe Demirdjian, respektivisht.Mospërputhja midis modelit SD dhe metodave tradicionale të treguara në studimin Halibourg merr parasysh raporte të shumta30,31,32,33 që metoda Demirdjian nuk e vlerëson me saktësi moshën e dhëmbëve në popullata të tjera përveç kanadezëve francezë mbi të cilët u bazua studimi.ne kete 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.Diferenca midis metodës Demirdjian dhe metodës tradicionale është <0.32 vjet, dhe metodës 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.Megjithatë, bazuar në rezultatet e paraqitura, mund të konkludojmë vetëm me kujdes se përdorimi i modeleve të 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 së dhëmbëve, disa treguan saktësi më të lartë se studimi ynë.Stepanovsky dhe të tjerët 35 aplikuan 22 modele SD në radiografi panoramike të 976 banorëve çekë 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 sipërm dhe të poshtëm majtas 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 Cameriere për të vlerësuar moshën dentare të shtatë dhëmbëve të përhershëm në mandibulën e majtë në 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 në krahasim me formulën tradicionale Cameriere.MAE dhe RMSE në studimin e Shenit ishin më të ulëta se ato në modelin DM në këtë studim.Saktësia e rritur e studimeve nga Stepanovsky et al.35 dhe Shen et al.23 mund të jetë për shkak të përfshirjes së subjekteve më të rinj në mostrat e tyre të studimit.Për shkak se vlerësimet e moshës për pjesëmarrësit me dhëmbë në zhvillim bëhen më të sakta ndërsa numri i dhëmbëve rritet gjatë zhvillimit të dhëmbëve, saktësia e metodës së vlerësimit të moshës që rezulton mund të rrezikohet kur pjesëmarrësit në studim janë më të rinj.Për më tepër, 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 e mirë për vlerësimin e moshës, ndoshta për shkak të shtresave të fshehura në MLP38.Megjithatë, ekziston një përjashtim për kampionin e jashtëm të grave (SLP 1.45, MLP 1.49).Gjetja se MLP është më e saktë se SLP në vlerësimin e moshës kërkon studime shtesë retrospektive.
Gjithashtu u krahasua performanca e klasifikimit të modelit DM dhe metodës tradicionale në një prag 18-vjeçar.Të gjitha modelet SD të testuara dhe metodat tradicionale në grupin e testit të brendshëm treguan nivele praktikisht të pranueshme të diskriminimit për kampionin 18-vjeçar.Ndjeshmëria për burrat dhe gratë ishte më e madhe se 87.7% dhe 94.9%, përkatësisht, dhe specifika ishte më e madhe se 89.3% dhe 84.7%.AUROC e të gjitha modeleve të testuara gjithashtu kalon 0,925.Sipas njohurive tona, 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 radiografi 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 specifika e metodës manuale ishin përkatësisht 87.7% dhe 95.5%, dhe ndjeshmëria dhe specifika e modelit CNN kaluan 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 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 kampionin mashkullor dhe ndjeshmërisë dhe specifikës për kampionin femëror.LR renditet e dyta për nga specifika për meshkujt.Për më tepër, LR konsiderohet të jetë një nga modelet DM35 më miqësore për përdoruesit dhe është më pak kompleks dhe i vështirë për t'u përpunuar.Bazuar në këto rezultate, LR u konsiderua modeli më i mirë i klasifikimit për 18-vjeçarët në popullatën koreane.
Në përgjithësi, saktësia e vlerësimit të moshës ose performanca e klasifikimit në grupin e testeve të jashtme ishte e dobët ose më e ulët në krahasim me rezultatet në grupin e testeve të brendshme.Disa raporte tregojnë se saktësia e klasifikimit ose efikasiteti zvogëlohet kur vlerësimet e moshës bazuar në popullsinë koreane zbatohen për popullatën japoneze5,39 dhe një model i ngjashëm u gjet në studimin aktual.Ky trend i përkeqësimit është vërejtur 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 është e paqartë nëse modelet e të mësuarit të thellë mund të tregojnë tendenca të ngjashme, nevojiten studime që krahasojnë saktësinë dhe efikasitetin e klasifikimit duke përdorur metoda tradicionale, modelet DM dhe modelet e të mësuarit të thellë në të njëjtat mostra 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 nga vlerësimi i moshës bazuar në modelin DM në praktikën mjekoligjore të vlerësimit të moshës në Kore.Ne zbuluam gjithashtu mundësinë e zbatimit të mësimit të makinerive për vlerësimin e moshës mjeko-ligjore.Megjithatë, ka kufizime të qarta, si 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 e DM duhet të kryhen me një numër më të madh mostrash dhe popullata më të ndryshme 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 popullata të shumta, nevojiten studime të ardhshme për të krahasuar saktësinë e klasifikimit dhe efikasitetin e modeleve të DM dhe të të mësuarit të thellë me metodat tradicionale në të njëjtat mostra.
Studimi përdori 2657 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 vjet) dhe 900 grupe të testeve të brendshme (19,52 ± 2,59 vjet).Seti i trajnimit u mblodh në një institucion (Spitali Seul St. Mary's Hospital), dhe grupi i testimit u mblodh në dy institucione (Spitali Dentar Universitar Kombëtar i Seulit dhe Spitali Dentar Universitar Yonsei).Ne gjithashtu mblodhëm 857 radiografi nga një tjetër të dhëna të bazuara në popullatë (Universiteti Mjekësor Iwate, Japoni) për testim të jashtëm.Radiografitë e subjekteve japoneze (19,31 ± 2,60 vjet) u zgjodhën si grup testimi i jashtëm.Të dhënat u mblodhën në mënyrë retrospektive për të analizuar fazat e zhvillimit të dhëmbëve në radiografitë panoramike të marra gjatë trajtimit dentar.Të gjitha të dhënat e mbledhura ishin anonime përveç gjinisë, datëlindjes dhe datës së radiografisë.Kriteret e përfshirjes dhe përjashtimit ishin të njëjta me studimet e publikuara më parë 4, 5.Mosha aktuale e kampionit është llogaritur duke zbritur datën e lindjes nga data kur është marrë radiografia.Grupi i mostrës u nda në nëntë grupmosha.Shpërndarjet e moshës dhe gjinisë janë paraqitur në Tabelën 3. Ky studim është kryer në përputhje me Deklaratën e Helsinkit dhe është miratuar nga Bordi i Rishikimit Institucional (IRB) i Spitalit St. Mary's Seul të Universitetit Katolik të Koresë (KC22WISI0328).Për shkak të dizajnit retrospektiv të këtij studimi, pëlqimi i informuar nuk mund të merret nga të gjithë pacientët që i nënshtroheshin ekzaminimit radiografik për qëllime terapeutike.Spitali St. Mary's University i Koresë së Seulit (IRB) hoqi dorë nga kërkesa për miratim të informuar.
Fazat e zhvillimit të molarëve të dytë dhe të tretë bimaksillarë u vlerësuan sipas kritereve të Demircanit25.Përzgjidhej vetëm një dhëmb nëse i njëjti lloj dhëmbi gjendej në anën e majtë dhe të djathtë të secilës nofull.Nëse dhëmbët homologë në të dyja anët ishin në faza të ndryshme zhvillimi, dhëmbi me fazën më të ulët të zhvillimit u zgjodh për të llogaritur 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 e ndërvëzhguesve pas parakalibrimit për të përcaktuar fazën e pjekurisë dentare.Besueshmëria brenda vëzhguesit u vlerësua dy herë në intervale tre mujore nga vëzhguesi kryesor.
Seksi dhe faza e zhvillimit të molarit të dytë dhe të tretë të secilës nofull në grupin e trajnimit u vlerësuan nga një vëzhgues parësor i trajnuar me modele të ndryshme të DM, dhe mosha aktuale u caktua 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 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 e shumëfishtë linear.Ndryshe nga modeli SLP, modeli MLP ka shtresa të shumta 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 mësimit të makinerive.Modeli më i mirë i regresionit u aplikua në grupet e testeve të brendshme dhe të jashtme 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 kampion është 18 vjeç apo jo.Për të ndërtuar modelin, ne kemi nxjerrë shtatë algoritme të përfaqësimit të mësimit të makinerive6,43: (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.Është një algoritëm i mbikëqyrur i të mësuarit 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 të një kategorie më të mundshme bazuar në këtë probabilitet;përdoret kryesisht për klasifikimin binar.KNN është një nga algoritmet më të thjeshtë të mësimit të makinerive45.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 kernel për të zgjeruar hapësirën lineare në një hapësirë jolineare të quajtur fusha46.Për këtë model, ne përdorim paragjykim = 1, fuqi = 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 vendimit në një strukturë peme47.Modeli është konfiguruar me një numër minimal regjistrimesh për nyje prej 2 dhe përdor indeksin Gini si një matës të cilësisë.RF është një metodë ansambli që kombinon DT të shumta për të përmirësuar performancën duke përdorur një metodë grumbullimi bootstrap që gjeneron një klasifikues të dobët për çdo kampion duke tërhequr rastësisht mostra të së njëjtës madhësi shumë herë nga grupi i të dhënave origjinale48.Ne përdorëm 100 pemë, 10 thellësi pemësh, 1 madhësi minimale të nyjeve 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 gabimin midis vlerave aktuale dhe të parashikuara të modelit të mëparshëm dhe shton gabimin duke përdorur gradientët49.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 korrigjues i tepërt.Modeli është i pajisur me 400 rrota mbështetëse.MLP është një rrjet nervor në të cilin një ose më shumë perceptron formojnë shtresa të shumta 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 përsëri.Ne krijuam një shtresë të fshehur me 20 neurone të fshehur në secilën shtresë.Çdo model që kemi zhvilluar është aplikuar 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 kampioni të vlerësuar të jetë 18 vjeç ose më i vjetër ndaj një kampioni të vlerësuar të jetë 18 vjeç ose më i vjetër.Specifikimi është proporcioni i mostrave nën 18 vjeç dhe atyre 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 me shumë variacione u kryen për të zhvilluar modele parashikuese për çdo seks dhe për të nxjerrë formulat e regresionit që mund të përdoren për të vlerësuar moshën.Ne i përdorëm këto formula për të vlerësuar moshën e dhëmbit për grupet e testeve të brendshme dhe të jashtme.Tabela 4 tregon modelet e regresionit dhe klasifikimit të përdorura në këtë studim.
Besueshmëria brenda dhe ndërvëzhguese u llogarit duke përdorur statistikën kappa të Cohen.Për të testuar saktësinë e DM dhe modeleve tradicionale të regresionit, ne kemi llogaritur MAE dhe RMSE duke përdorur moshat e vlerësuara dhe aktuale të grupeve të testeve të brendshme dhe të jashtme.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 grupeve të testeve të brendshme dhe të jashtme të llogaritura duke përdorur DM dhe regresionin tradicional.Performanca e klasifikimit të kufirit 18-vjeçar në statistikat tradicionale u vlerësua duke përdorur një tabelë kontingjente 2 × 2.Ndjeshmëria e llogaritur, specifika, PPV, NPV dhe AUROC e grupit të provës 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 e dyanshme P <0.05 u konsideruan statistikisht të rëndësishme.Të gjitha analizat rutinë statistikore u kryen duke përdorur versionin 9.4 të SAS (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 operacione matematikore.Modeli i klasifikimit DM u zbatua në mjedisin e analizës së njohurive të 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 materiale shtesë.Të dhënat e 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 e teknologjisë për të përmbushur kërkesat specifike të praktikës mjeko-ligjore.ndërkombëtariteti.J. Mjekësi juridike.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 të ndjekjes penale.Mjekësia ligjore.bar.Patologjia.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.klinike.Sondazh me gojë.25, 3463–3474 (2021).
Lee, SS etj. Kronologjia e zhvillimit të molarëve të dytë dhe të tretë në koreanët dhe aplikimi i tij për vlerësimin e moshës mjeko-ligjore.ndërkombëtariteti.J. Mjekësi juridike.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 koreanët dhe japonezët.PLoS ONE 17, e0271247 (2022).
Kim, JY, etj.Analiza e të dhënave të bazuara në mësimin e makinerive 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 makinerive me ose pa ndërhyrje njerëzore?ndërkombëtariteti.J. Mjekësi juridike.136, 821–831 (2022).
Khan, S. dhe Shaheen, M. Nga Minierat e të Dhënave në Minierat e të Dhënave.J.Informacion.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.Informacion.shkenca.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. dhe Abdullah U. Karm: Minierat tradicionale të të dhënave bazuar në rregullat e shoqërimit të bazuara në kontekst.llogarit.Mat.vazhdojnë.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 teksti.informoj.teknologjive.kontrollin.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.multimediale.Aplikacionet e mjeteve https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS etj.Sfida e të mësuarit të makinës RSNA në moshën pediatrike të kockave.Radiology 290, 498–503 (2019).
Li, Y. et al.Vlerësimi mjeko-ligjor i moshës nga rrezet X të legenit duke përdorur të mësuarit e thellë.EURO.rrezatimi.29, 2322–2329 (2019).
Guo, YC, et al.Klasifikimi i saktë i moshës duke përdorur metoda manuale dhe rrjete nervore konvolucionare të thella nga imazhet e projeksionit ortografik.ndërkombëtariteti.J. Mjekësi juridike.135, 1589–1597 (2021).
Alabama Dalora etj.Vlerësimi i moshës kockore duke përdorur metoda të ndryshme të mësimit të makinerive: 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 të molarëve të parë duke përdorur tomografinë e kompjuterizuar me rreze kon.ndërkombëtariteti.J. Mjekësi juridike.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 bazuara në inteligjencën artificiale të molarëve të parë.shkenca.Raporti 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., dhe Urschler, M. Vlerësimi automatik i moshës dhe klasifikimi i moshës madhore nga të dhënat MRI me shumë variacione.IEEE J. Biomed.Alarmet shëndetësore.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. dhe Li, G. Vlerësimi i moshës bazuar në segmentimin e dhomës së pulpës 3D të molarëve të parë nga tomografia e kompjuterizuar me rreze konike duke integruar grupe të të mësuarit të thellë dhe niveleve.ndërkombëtariteti.J. Mjekësi juridike.135, 365–373 (2021).
Wu, WT, et al.Minierat e të dhënave në të dhënat e mëdha klinike: bazat e të dhënave të zakonshme, hapat dhe modelet e metodave.Botë.bar.burimi.8, 44 (2021).
Yang, J. et al.Hyrje në bazat e të dhënave mjekësore dhe teknologjitë e nxjerrjes së 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 mësimin e makinës.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Krahasimi i metodave të ndryshme të të mësuarit të makinerive për parashikimin e moshës së dhëmbëve duke përdorur metodën e skedimit Demirdjian.ndërkombëtariteti.J. Mjekësi juridike.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. dhe Tanner, JM Një sistem i ri për vlerësimin e moshës dentare.gërhij.biologjisë.45, 211-227 (1973).
Landis, JR, dhe Koch, GG Masat e marrëveshjes së vëzhguesit mbi të dhënat kategorike.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK dhe Choi HK.Analiza tekstuale, morfologjike dhe statistikore e imazhit të rezonancës magnetike dydimensionale duke përdorur teknika të inteligjencës artificiale për diferencimin e tumoreve parësore të trurit.Informacion shëndetësor.burimi.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Koha e postimit: Jan-04-2024