Takk for at du besøker Nature.com. Nettleserversjonen du bruker har begrenset CSS-støtte. For best resultat anbefaler vi at du bruker en nyere versjon av nettleseren din (eller slår av kompatibilitetsmodus i Internet Explorer). I mellomtiden, for å sikre kontinuerlig støtte, viser vi nettstedet uten styling eller JavaScript.
Tenner regnes som den mest nøyaktige indikatoren på menneskekroppens alder og brukes ofte i rettsmedisinske aldersestimater. Vi hadde som mål å validere datamining-baserte tannaldersestimater ved å sammenligne estimeringsnøyaktigheten og klassifiseringsytelsen for 18-årsgrensen med tradisjonelle metoder og datamining-baserte aldersestimater. Totalt 2657 panoramarøntgenbilder ble samlet inn fra koreanske og japanske statsborgere i alderen 15 til 23 år. De ble delt inn i et treningssett, hvert med 900 koreanske røntgenbilder, og et internt testsett med 857 japanske røntgenbilder. Vi sammenlignet klassifiseringsnøyaktigheten og effektiviteten til tradisjonelle metoder med testsett av datamining-modeller. Nøyaktigheten til den tradisjonelle metoden på det interne testsettet er litt høyere enn for datamining-modellen, og forskjellen er liten (gjennomsnittlig absolutt feil <0,21 år, rot av gjennomsnittlig kvadratfeil <0,24 år). Klassifiseringsytelsen for 18-årsgrensen er også lik mellom tradisjonelle metoder og datamining-modeller. Dermed kan tradisjonelle metoder erstattes av datautvinningsmodeller når man utfører rettsmedisinske aldersvurderinger ved bruk av modenheten til andre og tredje molarer hos koreanske ungdommer og unge voksne.
Estimering av tannalder er mye brukt i rettsmedisin og pediatrisk tannbehandling. Spesielt på grunn av den høye korrelasjonen mellom kronologisk alder og tannutvikling, er aldersvurdering etter tannutviklingsstadier et viktig kriterium for å vurdere alderen til barn og ungdom1,2,3. For unge mennesker har estimering av tannalder basert på tannmodenhet imidlertid sine begrensninger fordi tannveksten er nesten fullført, med unntak av de tredje jekslene. Det juridiske formålet med å bestemme alderen til unge mennesker og ungdom er å gi nøyaktige estimater og vitenskapelige bevis på om de har nådd myndighetsalderen. I den medisinsk-juridiske praksisen for ungdom og unge voksne i Korea ble alder estimert ved hjelp av Lees metode, og en lovlig terskel på 18 år ble forutsagt basert på dataene rapportert av Oh et al.5.
Maskinlæring er en type kunstig intelligens (KI) som gjentatte ganger lærer og klassifiserer store mengder data, løser problemer på egenhånd og driver dataprogrammering. Maskinlæring kan oppdage nyttige skjulte mønstre i store datamengder6. I motsetning til dette kan klassiske metoder, som er arbeidsintensive og tidkrevende, ha begrensninger når de håndterer store mengder komplekse data som er vanskelige å behandle manuelt7. Derfor har det nylig blitt utført mange studier som bruker den nyeste datateknologien for å minimere menneskelige feil og effektivt behandle flerdimensjonale data8,9,10,11,12. Spesielt dyp læring har blitt mye brukt i medisinsk bildeanalyse, og ulike metoder for aldersestimering ved automatisk analyse av røntgenbilder har blitt rapportert å forbedre nøyaktigheten og effektiviteten av aldersestimering13,14,15,16,17,18,19,20. For eksempel utviklet Halabi et al13 en maskinlæringsalgoritme basert på konvolusjonelle nevrale nettverk (CNN) for å estimere skjelettalder ved hjelp av røntgenbilder av barns hender. Denne studien foreslår en modell som anvender maskinlæring på medisinske bilder og viser at disse metodene kan forbedre diagnostisk nøyaktighet. Li et al.14 estimerte alder fra bekkenrøntgenbilder ved hjelp av et dyplærings-CNN og sammenlignet dem med regresjonsresultater ved hjelp av estimering av ossifikasjonsstadium. De fant at CNN-modellen med dyp læring viste samme aldersestimeringsytelse som den tradisjonelle regresjonsmodellen. Guo et al.s studie [15] evaluerte alderstoleranseklassifiseringsytelsen til CNN-teknologi basert på dental ortofoto, og resultatene fra CNN-modellen beviste at mennesker overgikk aldersklassifiseringsytelsen.
De fleste studier av aldersestimering ved bruk av maskinlæring bruker dyp læringsmetoder13,14,15,16,17,18,19,20. Aldersestimering basert på dyp læring rapporteres å være mer nøyaktig enn tradisjonelle metoder. Denne tilnærmingen gir imidlertid liten mulighet til å presentere det vitenskapelige grunnlaget for aldersestimater, for eksempel aldersindikatorene som brukes i estimatene. Det er også en juridisk tvist om hvem som utfører inspeksjonene. Derfor er aldersestimering basert på dyp læring vanskelig å akseptere av administrative og rettslige myndigheter. Datautvinning (DM) er en teknikk som kan oppdage ikke bare forventet, men også uventet informasjon som en metode for å oppdage nyttige korrelasjoner mellom store mengder data6,21,22. Maskinlæring brukes ofte i datautvinning, og både datautvinning og maskinlæring bruker de samme nøkkelalgoritmene for å oppdage mønstre i data. Aldersestimering ved bruk av tannutvikling er basert på undersøkerens vurdering av modenheten til måltennene, og denne vurderingen uttrykkes som et stadium for hver måltann. DM kan brukes til å analysere korrelasjonen mellom tannvurderingsstadium og faktisk alder og har potensial til å erstatte tradisjonell statistisk analyse. Hvis vi bruker DM-teknikker til aldersestimering, kan vi derfor implementere maskinlæring i rettsmedisinsk aldersestimering uten å bekymre oss for juridisk ansvar. Flere sammenlignende studier har blitt publisert om mulige alternativer til tradisjonelle manuelle metoder som brukes i rettsmedisinsk praksis og EBM-baserte metoder for å bestemme tannalder. Shen et al.23 viste at DM-modellen er mer nøyaktig enn den tradisjonelle Camerer-formelen. Galibourg et al.24 anvendte forskjellige DM-metoder for å forutsi alder i henhold til Demirdjian-kriteriet25, og resultatene viste at DM-metoden overgikk Demirdjian- og Willems-metodene i estimering av alderen til den franske befolkningen.
For å estimere tannalderen til koreanske ungdommer og unge voksne, er Lees metode 4 mye brukt i koreansk rettsmedisinsk praksis. Denne metoden bruker tradisjonell statistisk analyse (som multippel regresjon) for å undersøke forholdet mellom koreanske forsøkspersoner og kronologisk alder. I denne studien er aldersestimeringsmetoder oppnådd ved hjelp av tradisjonelle statistiske metoder definert som "tradisjonelle metoder". Lees metode er en tradisjonell metode, og nøyaktigheten er bekreftet av Oh et al. 5; imidlertid er anvendeligheten av aldersestimering basert på DM-modellen i koreansk rettsmedisinsk praksis fortsatt tvilsom. Vårt mål var å vitenskapelig validere den potensielle nytten av aldersestimering basert på DM-modellen. Formålet med denne studien var (1) å sammenligne nøyaktigheten til to DM-modeller for estimering av tannalder og (2) å sammenligne klassifiseringsytelsen til 7 DM-modeller ved 18 års alder med de som ble oppnådd ved hjelp av tradisjonelle statistiske metoder. Modenhet av andre og tredje molarer i begge kjever.
Gjennomsnitt og standardavvik for kronologisk alder etter stadium og tanntype vises online i tilleggstabell S1 (treningssett), tilleggstabell S2 (internt testsett) og tilleggstabell S3 (eksternt testsett). Kappaverdiene for intra- og interobservatørreliabilitet oppnådd fra treningssettet var henholdsvis 0,951 og 0,947. P-verdier og 95 % konfidensintervaller for kappaverdier vises i online tilleggstabell S4. Kappaverdien ble tolket som «nesten perfekt», i samsvar med kriteriene til Landis og Koch26.
Når man sammenligner gjennomsnittlig absolutt feil (MAE), yter den tradisjonelle metoden litt bedre enn DM-modellen for alle kjønn og i det eksterne mannlige testsettet, med unntak av flerlagsperceptron (MLP). Forskjellen mellom den tradisjonelle modellen og DM-modellen på det interne MAE-testsettet var 0,12–0,19 år for menn og 0,17–0,21 år for kvinner. For det eksterne testsettet er forskjellene mindre (0,001–0,05 år for menn og 0,05–0,09 år for kvinner). I tillegg er roten av gjennomsnittlig kvadratfeil (RMSE) litt lavere enn den tradisjonelle metoden, med mindre forskjeller (0,17–0,24, 0,2–0,24 for det interne mannlige testsettet, og 0,03–0,07, 0,04–0,08 for det eksterne testsettet). MLP viser litt bedre ytelse enn enkeltlagsperceptron (SLP), bortsett fra i tilfellet med det eksterne kvinnelige testsettet. For MAE og RMSE skårer det eksterne testsettet høyere enn det interne testsettet for alle kjønn og modeller. Alle MAE og RMSE er vist i tabell 1 og figur 1.
MAE og RMSE for tradisjonelle og datautvinningsregresjonsmodeller. Gjennomsnittlig absolutt feil MAE, rotmiddelkvadratfeil RMSE, enkeltlags perceptron SLP, flerlags perceptron MLP, tradisjonell CM-metode.
Klassifiseringsytelsen (med en grense på 18 år) for de tradisjonelle og DM-modellene ble demonstrert med tanke på sensitivitet, spesifisitet, positiv prediktiv verdi (PPV), negativ prediktiv verdi (NPV) og arealet under ROC-kurven (AUROC) 27 (tabell 2, figur 2 og tilleggsfigur 1 online). Når det gjelder sensitiviteten til det interne testsettet, presterte tradisjonelle metoder best blant menn og dårligst blant kvinner. Forskjellen i klassifiseringsytelse mellom tradisjonelle metoder og SD er imidlertid 9,7 % for menn (MLP) og bare 2,4 % for kvinner (XGBoost). Blant DM-modellene viste logistisk regresjon (LR) bedre sensitivitet hos begge kjønn. Når det gjelder spesifisiteten til det interne testsettet, ble det observert at de fire SD-modellene presterte bra hos menn, mens den tradisjonelle modellen presterte bedre hos kvinner. Forskjellene i klassifiseringsytelse for menn og kvinner er henholdsvis 13,3 % (MLP) og 13,1 % (MLP), noe som indikerer at forskjellen i klassifiseringsytelse mellom modellene overstiger sensitiviteten. Blant DM-modellene presterte støttevektormaskinen (SVM), beslutningstreet (DT) og tilfeldig skog (RF) best blant menn, mens LR-modellen presterte best blant kvinner. AUROC for den tradisjonelle modellen og alle SD-modeller var større enn 0,925 (k-nærmeste neighbor (KNN) hos menn), noe som viser utmerket klassifiseringsytelse i å skille 18 år gamle prøver28. For det eksterne testsettet var det en nedgang i klassifiseringsytelsen når det gjelder sensitivitet, spesifisitet og AUROC sammenlignet med det interne testsettet. Dessuten varierte forskjellen i sensitivitet og spesifisitet mellom klassifiseringsytelsen til de beste og verste modellene fra 10 % til 25 % og var større enn forskjellen i det interne testsettet.
Sensitivitet og spesifisitet av data mining-klassifiseringsmodeller sammenlignet med tradisjonelle metoder med en grense på 18 år. KNN k nærmeste nabo, SVM-støttevektormaskin, LR logistisk regresjon, DT-beslutningstre, RF tilfeldig skog, XGB XGBoost, MLP flerlagsperseptron, tradisjonell CM-metode.
Det første trinnet i denne studien var å sammenligne nøyaktigheten av estimater for tannalder oppnådd fra syv DM-modeller med de som ble oppnådd ved bruk av tradisjonell regresjon. MAE og RMSE ble evaluert i interne testsett for begge kjønn, og forskjellen mellom den tradisjonelle metoden og DM-modellen varierte fra 44 til 77 dager for MAE og fra 62 til 88 dager for RMSE. Selv om den tradisjonelle metoden var litt mer nøyaktig i denne studien, er det vanskelig å konkludere med om en så liten forskjell har klinisk eller praktisk betydning. Disse resultatene indikerer at nøyaktigheten av estimering av tannalder ved bruk av DM-modellen er nesten den samme som for den tradisjonelle metoden. Direkte sammenligning med resultater fra tidligere studier er vanskelig fordi ingen studier har sammenlignet nøyaktigheten av DM-modeller med tradisjonelle statistiske metoder som bruker samme teknikk for registrering av tenner i samme aldersgruppe som i denne studien. Galibourg et al.24 sammenlignet MAE og RMSE mellom to tradisjonelle metoder (Demirjian-metoden25 og Willems-metoden29) og 10 DM-modeller i en fransk befolkning i alderen 2 til 24 år. De rapporterte at alle DM-modeller var mer nøyaktige enn tradisjonelle metoder, med forskjeller på 0,20 og 0,38 år i MAE og 0,25 og 0,47 år i RMSE sammenlignet med henholdsvis Willems- og Demirdjian-metodene. Avviket mellom SD-modellen og tradisjonelle metoder vist i Halibourg-studien tar hensyn til en rekke rapporter30,31,32,33 om at Demirdjian-metoden ikke nøyaktig estimerer tannalder i andre populasjoner enn de franskkanadiske populasjonene som studien var basert på. I denne studien brukte Tai et al.34 MLP-algoritmen til å forutsi tannalder fra 1636 kinesiske ortodontiske fotografier og sammenlignet nøyaktigheten med resultatene fra Demirjian- og Willems-metoden. De rapporterte at MLP har høyere nøyaktighet enn tradisjonelle metoder. Forskjellen mellom Demirdjian-metoden og den tradisjonelle metoden er <0,32 år, og Willems-metoden er 0,28 år, noe som tilsvarer resultatene fra denne studien. Resultatene fra disse tidligere studiene24,34 er også i samsvar med resultatene fra denne studien, og nøyaktigheten av aldersestimering for DM-modellen og den tradisjonelle metoden er lik. Basert på de presenterte resultatene kan vi imidlertid bare forsiktig konkludere med at bruken av DM-modeller for å estimere alder kan erstatte eksisterende metoder på grunn av mangelen på tidligere sammenlignende og referansestudier. Oppfølgingsstudier med større utvalg er nødvendig for å bekrefte resultatene oppnådd i denne studien.
Blant studiene som testet nøyaktigheten av SD i estimering av tannalder, viste noen høyere nøyaktighet enn vår studie. Stepanovsky et al. 35 anvendte 22 SD-modeller på panoramarøntgenbilder av 976 tsjekkiske innbyggere i alderen 2,7 til 20,5 år og testet nøyaktigheten til hver modell. De vurderte utviklingen av totalt 16 øvre og nedre venstre permanente tenner ved hjelp av klassifiseringskriteriene foreslått av Moorrees et al. 36. MAE varierer fra 0,64 til 0,94 år, og RMSE varierer fra 0,85 til 1,27 år, som er mer nøyaktige enn de to DM-modellene som ble brukt i denne studien. Shen et al. 23 brukte Cameriere-metoden for å estimere tannalder for syv permanente tenner i venstre mandibel hos østkinesiske innbyggere i alderen 5 til 13 år, og sammenlignet den med alder estimert ved hjelp av lineær regresjon, SVM og RF. De viste at alle tre DM-modellene har høyere nøyaktighet sammenlignet med den tradisjonelle Cameriere-formelen. MAE og RMSE i Shens studie var lavere enn i DM-modellen i denne studien. Den økte presisjonen i studiene av Stepanovsky et al. 35 og Shen et al. 23 kan skyldes inkluderingen av yngre personer i studieutvalgene deres. Fordi aldersestimater for deltakere med utviklende tenner blir mer nøyaktige etter hvert som antallet tenner øker under tannutviklingen, kan nøyaktigheten til den resulterende aldersestimeringsmetoden bli kompromittert når studiedeltakerne er yngre. I tillegg er MLPs feil i aldersestimering litt mindre enn SLPs, noe som betyr at MLP er mer nøyaktig enn SLP. MLP anses som litt bedre for aldersestimering, muligens på grunn av de skjulte lagene i MLP 38. Det er imidlertid et unntak for det ytre utvalget av kvinner (SLP 1,45, MLP 1,49). Funnet om at MLP er mer nøyaktig enn SLP i vurderingen av alder krever ytterligere retrospektive studier.
Klassifiseringsytelsen til DM-modellen og den tradisjonelle metoden ved en 18-årsterskel ble også sammenlignet. Alle testede SD-modeller og tradisjonelle metoder på det interne testsettet viste praktisk akseptable nivåer av diskriminering for det 18 år gamle utvalget. Sensitiviteten for menn og kvinner var henholdsvis større enn 87,7 % og 94,9 %, og spesifisiteten var større enn 89,3 % og 84,7 %. AUROC for alle testede modeller overstiger også 0,925. Så vidt vi vet har ingen studier testet ytelsen til DM-modellen for 18-årsklassifisering basert på tannmodenhet. Vi kan sammenligne resultatene av denne studien med klassifiseringsytelsen til dyplæringsmodeller på panoramarøntgenbilder. Guo et al.15 beregnet klassifiseringsytelsen til en CNN-basert dyplæringsmodell og en manuell metode basert på Demirjians metode for en viss aldersterskel. Sensitiviteten og spesifisiteten til den manuelle metoden var henholdsvis 87,7 % og 95,5 %, og sensitiviteten og spesifisiteten til CNN-modellen oversteg henholdsvis 89,2 % og 86,6 %. De konkluderte med at dyplæringsmodeller kan erstatte eller utkonkurrere manuell vurdering i klassifisering av aldersterskler. Resultatene fra denne studien viste lignende klassifiseringsytelse; det antas at klassifisering ved bruk av DM-modeller kan erstatte tradisjonelle statistiske metoder for aldersestimering. Blant modellene var DM LR den beste modellen når det gjaldt sensitivitet for det mannlige utvalget og sensitivitet og spesifisitet for det kvinnelige utvalget. LR er nummer to i spesifisitet for menn. Dessuten anses LR å være en av de mer brukervennlige DM35-modellene og er mindre kompleks og vanskelig å behandle. Basert på disse resultatene ble LR ansett som den beste grenseverdien for klassifisering for 18-åringer i den koreanske befolkningen.
Totalt sett var nøyaktigheten av aldersestimering eller klassifiseringsytelsen på det eksterne testsettet dårlig eller lavere sammenlignet med resultatene på det interne testsettet. Noen rapporter indikerer at klassifiseringsnøyaktigheten eller effektiviteten avtar når aldersestimater basert på den koreanske befolkningen brukes på den japanske befolkningen5,39, og et lignende mønster ble funnet i denne studien. Denne forverringstrenden ble også observert i DM-modellen. For å estimere alder nøyaktig, selv når man bruker DM i analyseprosessen, bør derfor metoder utledet fra data fra den lokale befolkningen, som tradisjonelle metoder, foretrekkes5,39,40,41,42. Siden det er uklart om dyplæringsmodeller kan vise lignende trender, er det behov for studier som sammenligner klassifiseringsnøyaktighet og effektivitet ved hjelp av tradisjonelle metoder, DM-modeller og dyplæringsmodeller på de samme utvalgene for å bekrefte om kunstig intelligens kan overvinne disse raseforskjellene i begrensede aldersvurderinger.
Vi demonstrerer at tradisjonelle metoder kan erstattes av aldersestimering basert på DM-modellen i rettsmedisinsk aldersestimeringspraksis i Korea. Vi oppdaget også muligheten for å implementere maskinlæring for rettsmedisinsk aldersvurdering. Det er imidlertid klare begrensninger, som det utilstrekkelige antallet deltakere i denne studien til å definitivt kunne fastslå resultatene, og mangelen på tidligere studier for å sammenligne og bekrefte resultatene av denne studien. I fremtiden bør DM-studier gjennomføres med et større antall utvalg og mer mangfoldige populasjoner for å forbedre den praktiske anvendeligheten sammenlignet med tradisjonelle metoder. For å validere muligheten for å bruke kunstig intelligens til å estimere alder i flere populasjoner, er det behov for fremtidige studier for å sammenligne klassifiseringsnøyaktigheten og effektiviteten til DM- og dyplæringsmodeller med tradisjonelle metoder i de samme utvalgene.
Studien brukte 2657 ortografiske fotografier samlet fra koreanske og japanske voksne i alderen 15 til 23 år. De koreanske røntgenbildene ble delt inn i 900 treningssett (19,42 ± 2,65 år) og 900 interne testsett (19,52 ± 2,59 år). Treningssettet ble samlet inn ved én institusjon (Seoul St. Mary's Hospital), og det egne testsettet ble samlet inn ved to institusjoner (Seoul National University Dental Hospital og Yonsei University Dental Hospital). Vi samlet også inn 857 røntgenbilder fra andre populasjonsbaserte data (Iwate Medical University, Japan) for ekstern testing. Røntgenbilder av japanske personer (19,31 ± 2,60 år) ble valgt som eksternt testsett. Data ble samlet inn retrospektivt for å analysere stadiene i tannutviklingen på panoramarøntgenbilder tatt under tannbehandling. Alle innsamlede data var anonyme bortsett fra kjønn, fødselsdato og dato for røntgenbilde. Inklusjons- og eksklusjonskriteriene var de samme som i tidligere publiserte studier 4, 5. Den faktiske alderen til utvalget ble beregnet ved å trekke fra fødselsdatoen fra datoen røntgenbildet ble tatt. Utvalgsgruppen ble delt inn i ni aldersgrupper. Alders- og kjønnsfordelingen er vist i tabell 3. Denne studien ble utført i samsvar med Helsingforserklæringen og godkjent av Institutional Review Board (IRB) ved Seoul St. Mary's Hospital of the Catholic University of Korea (KC22WISI0328). På grunn av den retrospektive designen av denne studien kunne ikke informert samtykke innhentes fra alle pasienter som gjennomgikk radiografisk undersøkelse for terapeutiske formål. Seoul Korea University St. Mary's Hospital (IRB) ga frafall fra kravet om informert samtykke.
Utviklingsstadier av bimaxillære andre- og tredjejeksler ble vurdert i henhold til Demircan-kriterier25. Kun én tann ble valgt hvis samme type tann ble funnet på venstre og høyre side av hver kjeve. Hvis homologe tenner på begge sider var på forskjellige utviklingsstadier, ble tannen med det lavere utviklingsstadiet valgt for å ta hensyn til usikkerhet i den estimerte alderen. Hundre tilfeldig utvalgte røntgenbilder fra treningssettet ble scoret av to erfarne observatører for å teste interobservatørreliabilitet etter prekalibrering for å bestemme tannmodningsstadiet. Intraobservatørreliabilitet ble vurdert to ganger med tre måneders intervaller av den primære observatøren.
Kjønn og utviklingsstadium for andre og tredje jeksler i hver kjeve i treningssettet ble estimert av en primær observatør trent med forskjellige DM-modeller, og den faktiske alderen ble satt som målverdi. SLP- og MLP-modeller, som er mye brukt i maskinlæring, ble testet mot regresjonsalgoritmer. DM-modellen kombinerer lineære funksjoner ved hjelp av utviklingsstadiene til de fire tennene og kombinerer disse dataene for å estimere alder. SLP er det enkleste nevrale nettverket og inneholder ikke skjulte lag. SLP fungerer basert på terskeloverføring mellom noder. SLP-modellen i regresjon er matematisk lik multippel lineær regresjon. I motsetning til SLP-modellen har MLP-modellen flere skjulte lag med ikke-lineære aktiveringsfunksjoner. Våre eksperimenter brukte et skjult lag med bare 20 skjulte noder med ikke-lineære aktiveringsfunksjoner. Bruk gradient descent som optimaliseringsmetode og MAE og RMSE som tapsfunksjon for å trene vår maskinlæringsmodell. Den best oppnådde regresjonsmodellen ble brukt på de interne og eksterne testsettene, og tennenes alder ble estimert.
En klassifiseringsalgoritme ble utviklet som bruker modenheten til fire tenner på treningssettet til å forutsi om et utvalg er 18 år gammelt eller ikke. For å bygge modellen utledet vi syv representasjonsmaskinlæringsalgoritmer6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost og (7) MLP. LR er en av de mest brukte klassifiseringsalgoritmene44. Det er en overvåket læringsalgoritme som bruker regresjon for å forutsi sannsynligheten for at data tilhører en bestemt kategori fra 0 til 1 og klassifiserer dataene som tilhørende en mer sannsynlig kategori basert på denne sannsynligheten; hovedsakelig brukt for binær klassifisering. KNN er en av de enkleste maskinlæringsalgoritmene45. Når den får nye inndata, finner den k data nær det eksisterende settet og klassifiserer dem deretter i klassen med høyest frekvens. Vi setter 3 for antall naboer som vurderes (k). SVM er en algoritme som maksimerer avstanden mellom to klasser ved å bruke en kjernefunksjon for å utvide det lineære rommet til et ikke-lineært rom kalt felt46. For denne modellen bruker vi bias = 1, power = 1 og gamma = 1 som hyperparametere for polynomkjernen. DT har blitt brukt i ulike felt som en algoritme for å dele et helt datasett inn i flere undergrupper ved å representere beslutningsregler i en trestruktur47. Modellen er konfigurert med et minimum antall poster per node på 2 og bruker Gini-indeksen som et mål på kvalitet. RF er en ensemblemetode som kombinerer flere DT-er for å forbedre ytelsen ved hjelp av en bootstrap-aggregeringsmetode som genererer en svak klassifikator for hvert utvalg ved å tilfeldig trekke utvalg av samme størrelse flere ganger fra det opprinnelige datasettet48. Vi brukte 100 trær, 10 tredybder, 1 minimum nodestørrelse og Gini-blandingsindeks som nodeseparasjonskriterier. Klassifiseringen av nye data bestemmes av flertallsvedtak. XGBoost er en algoritme som kombinerer boosting-teknikker ved hjelp av en metode som tar feilen mellom de faktiske og predikerte verdiene til den forrige modellen som treningsdata og forsterker feilen ved hjelp av gradienter49. Det er en mye brukt algoritme på grunn av dens gode ytelse og ressurseffektivitet, samt høye pålitelighet som en overtilpasningskorreksjonsfunksjon. Modellen er utstyrt med 400 støttehjul. MLP er et nevralt nettverk der ett eller flere perseptroner danner flere lag med ett eller flere skjulte lag mellom inngangs- og utgangslagene38. Ved hjelp av dette kan du utføre ikke-lineær klassifisering der når du legger til et inngangslag og får en resultatverdi, sammenlignes den predikerte resultatverdien med den faktiske resultatverdien, og feilen forplantes tilbake. Vi opprettet et skjult lag med 20 skjulte nevroner i hvert lag. Hver modell vi utviklet ble brukt på interne og eksterne sett for å teste klassifiseringsytelsen ved å beregne sensitivitet, spesifisitet, PPV, NPV og AUROC. Sensitivitet er definert som forholdet mellom et utvalg estimert til å være 18 år eller eldre og et utvalg estimert til å være 18 år eller eldre. Spesifisitet er andelen utvalg under 18 år og de som er estimert til å være under 18 år.
Tannstadiene som ble vurdert i treningssettet ble konvertert til numeriske stadier for statistisk analyse. Multivariat lineær og logistisk regresjon ble utført for å utvikle prediktive modeller for hvert kjønn og utlede regresjonsformler som kan brukes til å estimere alder. Vi brukte disse formlene til å estimere tannalder for både interne og eksterne testsett. Tabell 4 viser regresjons- og klassifiseringsmodellene som ble brukt i denne studien.
Intra- og interobservatørreliabilitet ble beregnet ved hjelp av Cohens kappastatistikk. For å teste nøyaktigheten til DM og tradisjonelle regresjonsmodeller, beregnet vi MAE og RMSE ved hjelp av estimert og faktisk alder for de interne og eksterne testsettene. Disse feilene brukes ofte til å evaluere nøyaktigheten til modellprediksjoner. Jo mindre feilen er, desto høyere er nøyaktigheten til prognosen24. Sammenlign MAE og RMSE for interne og eksterne testsett beregnet ved hjelp av DM og tradisjonell regresjon. Klassifiseringsytelsen til 18-årsgrensen i tradisjonell statistikk ble vurdert ved hjelp av en 2 × 2 kontingenstabell. Den beregnede sensitiviteten, spesifisiteten, PPV, NPV og AUROC for testsettet ble sammenlignet med de målte verdiene til DM-klassifiseringsmodellen. Data uttrykkes som gjennomsnitt ± standardavvik eller antall (%) avhengig av dataegenskaper. Tosidige P-verdier <0,05 ble ansett som statistisk signifikante. Alle rutinemessige statistiske analyser ble utført ved hjelp av SAS versjon 9.4 (SAS Institute, Cary, NC). DM-regresjonsmodellen ble implementert i Python ved hjelp av Keras50 2.2.4 backend og Tensorflow51 1.8.0 spesielt for matematiske operasjoner. DM-klassifiseringsmodellen ble implementert i Waikato Knowledge Analysis Environment og Konstanz Information Miner (KNIME) 4.6.152 analyseplattform.
Forfatterne erkjenner at data som støtter studiens konklusjoner finnes i artikkelen og tilleggsmateriale. Datasettene som genereres og/eller analyseres under studien er tilgjengelige fra den korresponderende forfatteren på rimelig forespørsel.
Ritz-Timme, S. et al. Aldersvurdering: det nyeste innen rettsmedisinsk praksis. internasjonalitet. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., og Olze, A. Nåværende status for rettsmedisinsk aldersvurdering av levende personer for straffeforfølgelsesformål. Rettsmedisin. Patologi. 1, 239–246 (2005).
Pan, J. et al. En modifisert metode for å vurdere tannalderen til barn i alderen 5 til 16 år i Øst-Kina. klinisk. Oral undersøkelse. 25, 3463–3474 (2021).
Lee, SS etc. Kronologi over utviklingen av andre og tredje molarer hos koreanere og dens anvendelse for rettsmedisinsk aldersvurdering. Internationality. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY og Lee, SS Nøyaktighet av aldersestimering og estimering av 18-årsgrensen basert på modenheten til andre og tredje molarer hos koreanere og japanere. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Preoperativ maskinlæringsbasert dataanalyse kan forutsi utfallet av søvnkirurgisk behandling hos pasienter med OSA. Vitenskapen. Rapport 11, 14911 (2021).
Han, M. et al. Nøyaktig aldersestimering fra maskinlæring med eller uten menneskelig inngripen? Internasjonalitet. J. Legal medicine. 136, 821–831 (2022).
Khan, S. og Shaheen, M. Fra datautvinning til datautvinning. J. Informasjon. Vitenskapen. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. og Shaheen, M. WisRule: Den første kognitive algoritmen for utvinning av assosiasjonsregler. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. og Abdullah U. Karm: Tradisjonell datautvinning basert på kontekstbaserte assosiasjonsregler. Beregn. Matt. Fortsett. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. og Habib M. Dyp læringsbasert semantisk likhetsdeteksjon ved bruk av tekstdata. informasjonsteknologier. kontroll. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., og Shahin, M. Et system for å gjenkjenne aktivitet i sportsvideoer. multimedia. Verktøy og applikasjoner https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Maskinlæringsutfordring i pediatrisk beinalder. Radiology 290, 498–503 (2019).
Li, Y. et al. Rettsmedisinsk aldersestimering fra bekkenrøntgenbilder ved bruk av dyp læring. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Nøyaktig aldersklassifisering ved bruk av manuelle metoder og dype konvolusjonelle nevrale nettverk fra ortografiske projeksjonsbilder. internasjonalitet. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimering av beinalder ved bruk av ulike maskinlæringsmetoder: en systematisk litteraturgjennomgang og metaanalyse. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., og Yang, J. Populasjonsspesifikk aldersestimering av afroamerikanere og kinesere basert på pulpakammervolum i første molarer ved bruk av konstråle-computertomografi. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK og Oh KS. Bestemmelse av aldersgrupper for levende mennesker ved hjelp av bilder av første jeksler basert på kunstig intelligens. Vitenskapen. Rapport 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., og Urschler, M. Automatisk aldersestimering og klassifisering av majoritetsalder fra multivariate MR-data. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. og Li, G. Aldersestimering basert på 3D-pulpakammersegmentering av første molarer fra konestråle-computertomografi ved å integrere dyp læring og nivåsett. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Datautvinning i kliniske stordata: vanlige databaser, trinn og metodemodeller. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Introduksjon til medisinske databaser og datautvinningsteknologier i stordata-æraen. J. Avid. Grunnleggende medisin. 13, 57–69 (2020).
Shen, S. et al. Camerers metode for å estimere tannalder ved hjelp av maskinlæring. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Sammenligning av ulike maskinlæringsmetoder for å forutsi tannalder ved bruk av Demirdjian-stadieinndelingsmetoden. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. og Tanner, JM. Et nytt system for å vurdere tannalder. snort. biology. 45, 211–227 (1973).
Landis, JR, og Koch, GG Mål på observatørkonformitet på kategoriske data. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK og Choi HK. Teksturell, morfologisk og statistisk analyse av todimensjonal magnetisk resonansavbildning ved bruk av kunstig intelligens-teknikker for differensiering av primære hjernesvulster. Helseinformasjon. ressurs. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Publisert: 04.01.2024