Tak for dit besøg på Nature.com. Den browserversion, du bruger, har begrænset CSS-understøttelse. For at opnå de bedste resultater anbefaler vi, at du bruger en nyere version af din browser (eller at du slår kompatibilitetstilstand fra i Internet Explorer). I mellemtiden viser vi webstedet uden styling eller JavaScript for at sikre løbende support.
Tænder betragtes som den mest præcise indikator for menneskekroppens alder og bruges ofte i retsmedicinsk aldersvurdering. Vi havde til formål at validere datamining-baserede aldersestimater for tænder ved at sammenligne estimeringsnøjagtigheden og klassifikationsydelsen for 18-års-tærsklen med traditionelle metoder og datamining-baserede aldersestimater. I alt 2657 panoramarøntgenbilleder blev indsamlet fra koreanske og japanske statsborgere i alderen 15 til 23 år. De blev opdelt i et træningssæt, der hver indeholdt 900 koreanske røntgenbilleder, og et internt testsæt med 857 japanske røntgenbilleder. Vi sammenlignede klassifikationsnøjagtigheden og effektiviteten af traditionelle metoder med testsæt af datamining-modeller. Nøjagtigheden af den traditionelle metode på det interne testsæt er lidt højere end for datamining-modellen, og forskellen er lille (gennemsnitlig absolut fejl <0,21 år, rodmiddelkvadratfejl <0,24 år). Klassifikationsydelsen for 18-års-grænsen er også ens mellem traditionelle metoder og datamining-modeller. Således kan traditionelle metoder erstattes af data mining-modeller, når der udføres retsmedicinsk aldersvurdering ved hjælp af modenheden af anden og tredje molarer hos koreanske unge og unge voksne.
Estimering af tændernes alder anvendes i vid udstrækning inden for retsmedicin og pædiatrisk tandpleje. Især på grund af den høje korrelation mellem kronologisk alder og tandudvikling er aldersvurdering ud fra tændernes udviklingsstadier et vigtigt kriterium for vurdering af børns og unges alder1,2,3. For unge mennesker har estimering af tændernes alder baseret på tændernes modenhed dog sine begrænsninger, fordi tændernes vækst er næsten fuldstændig, med undtagelse af de tredje molarer. Det juridiske formål med at bestemme unges og unges alder er at give nøjagtige estimater og videnskabeligt bevis for, om de har nået myndighedsalderen. I den medicinsk-juridiske praksis for unge og unge voksne i Korea blev alderen estimeret ved hjælp af Lees metode, og en lovlig tærskel på 18 år blev forudsagt baseret på data rapporteret af Oh et al.5.
Maskinlæring er en type kunstig intelligens (AI), der gentagne gange lærer og klassificerer store mængder data, løser problemer på egen hånd og driver dataprogrammering. Maskinlæring kan opdage nyttige skjulte mønstre i store mængder data6. I modsætning hertil kan klassiske metoder, som er arbejdsintensive og tidskrævende, have begrænsninger, når de håndterer store mængder komplekse data, der er vanskelige at behandle manuelt7. Derfor er der for nylig blevet udført mange undersøgelser med den nyeste computerteknologi for at minimere menneskelige fejl og effektivt behandle flerdimensionelle data8,9,10,11,12. Især dyb læring har været meget anvendt i medicinsk billedanalyse, og forskellige metoder til aldersestimering ved automatisk analyse af røntgenbilleder er blevet rapporteret at forbedre nøjagtigheden og effektiviteten af aldersestimering13,14,15,16,17,18,19,20. For eksempel udviklede Halabi et al13 en maskinlæringsalgoritme baseret på konvolutionelle neurale netværk (CNN) til at estimere skeletalder ved hjælp af røntgenbilleder af børns hænder. Denne undersøgelse foreslår en model, der anvender maskinlæring på medicinske billeder og viser, at disse metoder kan forbedre diagnostisk nøjagtighed. Li et al.14 estimerede alder ud fra bækkenrøntgenbilleder ved hjælp af en deep learning CNN og sammenlignede dem med regressionsresultater ved hjælp af estimering af ossifikationsstadiet. De fandt, at deep learning CNN-modellen viste den samme aldersestimeringspræstation som den traditionelle regressionsmodel. Guo et al.s undersøgelse [15] evaluerede alderstoleranceklassificeringspræstationen for CNN-teknologi baseret på dentale ortofotoer, og resultaterne af CNN-modellen beviste, at mennesker overgik dens aldersklassificeringspræstation.
De fleste studier af aldersestimering ved hjælp af maskinlæring bruger deep learning-metoder13,14,15,16,17,18,19,20. Aldersestimering baseret på deep learning rapporteres at være mere præcis end traditionelle metoder. Denne tilgang giver dog ringe mulighed for at præsentere det videnskabelige grundlag for aldersestimater, såsom de aldersindikatorer, der anvendes i estimaterne. Der er også en juridisk tvist om, hvem der udfører inspektionerne. Derfor er aldersestimering baseret på deep learning vanskelig at acceptere af administrative og retslige myndigheder. Data mining (DM) er en teknik, der kan opdage ikke kun forventede, men også uventede oplysninger som en metode til at opdage nyttige korrelationer mellem store mængder data6,21,22. Maskinlæring bruges ofte i data mining, og både data mining og maskinlæring bruger de samme nøglealgoritmer til at opdage mønstre i data. Aldersestimering ved hjælp af tandudvikling er baseret på undersøgerens vurdering af måltændernes modenhed, og denne vurdering udtrykkes som et stadie for hver måltand. DM kan bruges til at analysere korrelationen mellem tandvurderingsstadiet og den faktiske alder og har potentiale til at erstatte traditionel statistisk analyse. Hvis vi derfor anvender DM-teknikker til aldersestimering, kan vi implementere maskinlæring i retsmedicinsk aldersestimering uden at bekymre os om juridisk ansvar. Adskillige sammenlignende undersøgelser er blevet offentliggjort om mulige alternativer til traditionelle manuelle metoder, der anvendes i retsmedicinsk praksis, og EBM-baserede metoder til bestemmelse af tandalder. Shen et al.23 viste, at DM-modellen er mere præcis end den traditionelle Camerer-formel. Galibourg et al.24 anvendte forskellige DM-metoder til at forudsige alder i henhold til Demirdjian-kriteriet25, og resultaterne viste, at DM-metoden overgik Demirdjian- og Willems-metoderne til at estimere den franske befolknings alder.
For at estimere tandalderen hos koreanske unge og unge voksne anvendes Lees metode 4 i vid udstrækning i koreansk retsmedicinsk praksis. Denne metode bruger traditionel statistisk analyse (såsom multipel regression) til at undersøge forholdet mellem koreanske forsøgspersoner og kronologisk alder. I denne undersøgelse defineres aldersestimeringsmetoder opnået ved hjælp af traditionelle statistiske metoder som "traditionelle metoder". Lees metode er en traditionel metode, og dens nøjagtighed er blevet bekræftet af Oh et al. 5; anvendeligheden af aldersestimering baseret på DM-modellen i koreansk retsmedicinsk praksis er dog stadig tvivlsom. Vores mål var at videnskabeligt validere den potentielle anvendelighed af aldersestimering baseret på DM-modellen. Formålet med denne undersøgelse var (1) at sammenligne nøjagtigheden af to DM-modeller til estimering af tandalderen og (2) at sammenligne klassifikationspræstationen af 7 DM-modeller i en alder af 18 år med dem, der blev opnået ved hjælp af traditionelle statistiske metoder. Modenhed af anden og tredje molarer i begge kæber.
Gennemsnit og standardafvigelser for kronologisk alder efter stadie og tandtype er vist online i Supplerende Tabel S1 (træningssæt), Supplerende Tabel S2 (internt testsæt) og Supplerende Tabel S3 (eksternt testsæt). Kappaværdierne for intra- og interobservatørreliabilitet opnået fra træningssættet var henholdsvis 0,951 og 0,947. P-værdier og 95% konfidensintervaller for kappaværdier er vist i den online supplerende tabel S4. Kappaværdien blev fortolket som "næsten perfekt", hvilket stemmer overens med kriterierne fra Landis og Koch26.
Ved sammenligning af gennemsnitlig absolut fejl (MAE) overgår den traditionelle metode DM-modellen en smule for alle køn og i det eksterne mandlige testsæt, med undtagelse af multilayer perceptron (MLP). Forskellen mellem den traditionelle model og DM-modellen på det interne MAE-testsæt var 0,12-0,19 år for mænd og 0,17-0,21 år for kvinder. For det eksterne testsæt er forskellene mindre (0,001-0,05 år for mænd og 0,05-0,09 år for kvinder). Derudover er rodmiddelkvadratfejlen (RMSE) en smule lavere end den traditionelle metode, med mindre forskelle (0,17-0,24, 0,2-0,24 for det interne mandlige testsæt og 0,03-0,07, 0,04-0,08 for det eksterne testsæt). MLP viser en smule bedre ydeevne end Single Layer Perceptron (SLP), undtagen i tilfældet med det eksterne kvindelige testsæt. For MAE og RMSE scorer det eksterne testsæt højere end det interne testsæt for alle køn og modeller. Alle MAE og RMSE er vist i tabel 1 og figur 1.
MAE og RMSE af traditionelle og data mining regressionsmodeller. Gennemsnitlig absolut fejl MAE, rodmiddelkvadratfejl RMSE, enkeltlags perceptron SLP, flerlags perceptron MLP, traditionel CM-metode.
Klassifikationspræstationen (med en grænseværdi på 18 år) for de traditionelle og DM-modeller blev demonstreret med hensyn til sensitivitet, specificitet, positiv prædiktiv værdi (PPV), negativ prædiktiv værdi (NPV) og arealet under receiver operating characteristic curve (AUROC) 27 (Tabel 2, Figur 2 og Supplerende Figur 1 online). Med hensyn til sensitiviteten af det interne testsæt klarede traditionelle metoder sig bedst blandt mænd og dårligere blandt kvinder. Forskellen i klassifikationspræstation mellem traditionelle metoder og SD er dog 9,7 % for mænd (MLP) og kun 2,4 % for kvinder (XGBoost). Blandt DM-modellerne viste logistisk regression (LR) bedre sensitivitet hos begge køn. Med hensyn til specificiteten af det interne testsæt blev det observeret, at de fire SD-modeller klarede sig godt hos mænd, mens den traditionelle model klarede sig bedre hos kvinder. Forskellene i klassifikationspræstation for mænd og kvinder er henholdsvis 13,3 % (MLP) og 13,1 % (MLP), hvilket indikerer, at forskellen i klassifikationspræstation mellem modellerne overstiger sensitiviteten. Blandt DM-modellerne klarede support vector machine (SVM), decision tree (DT) og random forest (RF) modellerne sig bedst blandt mænd, mens LR-modellen klarede sig bedst blandt kvinder. AUROC for den traditionelle model og alle SD-modeller var større end 0,925 (k-nærmeste neighbor (KNN) hos mænd), hvilket demonstrerer fremragende klassifikationspræstation i at skelne mellem 18-årige prøver28. For det eksterne testsæt var der et fald i klassifikationspræstationen med hensyn til sensitivitet, specificitet og AUROC sammenlignet med det interne testsæt. Desuden varierede forskellen i sensitivitet og specificitet mellem klassifikationspræstationen for de bedste og værste modeller fra 10 % til 25 % og var større end forskellen i det interne testsæt.
Følsomhed og specificitet af data mining klassifikationsmodeller sammenlignet med traditionelle metoder med en grænseværdi på 18 år. KNN k nærmeste neighbor, SVM support vector machine, LR logistisk regression, DT beslutningstræ, RF tilfældig skov, XGB XGBoost, MLP flerlagsperceptron, traditionel CM-metode.
Det første trin i denne undersøgelse var at sammenligne nøjagtigheden af tandaldersestimater opnået fra syv DM-modeller med dem opnået ved hjælp af traditionel regression. MAE og RMSE blev evalueret i interne testsæt for begge køn, og forskellen mellem den traditionelle metode og DM-modellen varierede fra 44 til 77 dage for MAE og fra 62 til 88 dage for RMSE. Selvom den traditionelle metode var en smule mere præcis i denne undersøgelse, er det vanskeligt at konkludere, om en så lille forskel har klinisk eller praktisk betydning. Disse resultater indikerer, at nøjagtigheden af tandaldersestimering ved hjælp af DM-modellen er næsten den samme som den traditionelle metodes. Direkte sammenligning med resultater fra tidligere undersøgelser er vanskelig, fordi ingen undersøgelse har sammenlignet nøjagtigheden af DM-modeller med traditionelle statistiske metoder, der bruger den samme teknik til registrering af tænder i samme aldersinterval som i denne undersøgelse. Galibourg et al.24 sammenlignede MAE og RMSE mellem to traditionelle metoder (Demirjian-metoden25 og Willems-metoden29) og 10 DM-modeller i en fransk befolkning i alderen 2 til 24 år. De rapporterede, at alle DM-modeller var mere præcise end traditionelle metoder, med forskelle på 0,20 og 0,38 år i MAE og 0,25 og 0,47 år i RMSE sammenlignet med henholdsvis Willems- og Demirdjian-metoderne. Forskellen mellem SD-modellen og traditionelle metoder, der er vist i Halibourg-undersøgelsen, tager højde for adskillige rapporter30,31,32,33 om, at Demirdjian-metoden ikke nøjagtigt estimerer tandalder i andre populationer end de franskcanadiere, som undersøgelsen var baseret på. I denne undersøgelse brugte Tai et al.34 MLP-algoritmen til at forudsige tandalder ud fra 1636 kinesiske ortodontiske fotografier og sammenlignede dens nøjagtighed med resultaterne af Demirjian- og Willems-metoden. De rapporterede, at MLP har højere nøjagtighed end traditionelle metoder. Forskellen mellem Demirdjian-metoden og den traditionelle metode er <0,32 år, og Willems-metoden er 0,28 år, hvilket svarer til resultaterne af den foreliggende undersøgelse. Resultaterne af disse tidligere undersøgelser24,34 er også i overensstemmelse med resultaterne af den foreliggende undersøgelse, og nøjagtigheden af aldersestimeringen af DM-modellen og den traditionelle metode er ens. Baseret på de præsenterede resultater kan vi dog kun forsigtigt konkludere, at brugen af DM-modeller til at estimere alder kan erstatte eksisterende metoder på grund af manglen på tidligere sammenlignende og referencemæssige undersøgelser. Opfølgende undersøgelser med større stikprøver er nødvendige for at bekræfte de resultater, der er opnået i denne undersøgelse.
Blandt de studier, der testede nøjagtigheden af SD i estimering af tandalder, viste nogle højere nøjagtighed end vores undersøgelse. Stepanovsky et al. 35 anvendte 22 SD-modeller på panoramarøntgenbilleder af 976 tjekkiske beboere i alderen 2,7 til 20,5 år og testede nøjagtigheden af hver model. De vurderede udviklingen af i alt 16 øvre og nedre venstre blivende tænder ved hjælp af klassifikationskriterierne foreslået af Moorrees et al. 36. MAE varierer fra 0,64 til 0,94 år, og RMSE varierer fra 0,85 til 1,27 år, hvilket er mere præcist end de to DM-modeller, der blev brugt i denne undersøgelse. Shen et al. 23 brugte Cameriere-metoden til at estimere tandalder på syv blivende tænder i venstre mandibula hos østkinesiske beboere i alderen 5 til 13 år og sammenlignede den med aldre estimeret ved hjælp af lineær regression, SVM og RF. De viste, at alle tre DM-modeller har højere nøjagtighed sammenlignet med den traditionelle Cameriere-formel. MAE og RMSE i Shens undersøgelse var lavere end i DM-modellen i denne undersøgelse. Den øgede præcision i undersøgelserne foretaget af Stepanovsky et al. 35 og Shen et al. 23 kan skyldes inkluderingen af yngre forsøgspersoner i deres undersøgelsesstikprøver. Da aldersestimater for deltagere med udviklende tænder bliver mere præcise, efterhånden som antallet af tænder stiger under tandudviklingen, kan nøjagtigheden af den resulterende aldersestimeringsmetode blive kompromitteret, når undersøgelsesdeltagerne er yngre. Derudover er MLP's fejl i aldersestimering lidt mindre end SLP's, hvilket betyder, at MLP er mere præcis end SLP. MLP anses for at være lidt bedre til aldersestimering, muligvis på grund af de skjulte lag i MLP 38. Der er dog en undtagelse for den ydre stikprøve af kvinder (SLP 1,45, MLP 1,49). Fundet af, at MLP er mere præcis end SLP til vurdering af alder, kræver yderligere retrospektive undersøgelser.
Klassifikationspræstationen af DM-modellen og den traditionelle metode ved en 18-års tærskel blev også sammenlignet. Alle testede SD-modeller og traditionelle metoder på det interne testsæt viste praktisk talt acceptable niveauer af diskrimination for den 18-årige stikprøve. Sensitiviteten for mænd og kvinder var henholdsvis større end 87,7 % og 94,9 %, og specificiteten var større end 89,3 % og 84,7 %. AUROC for alle testede modeller overstiger også 0,925. Så vidt vi ved, har ingen undersøgelse testet DM-modellens præstation til 18-års klassifikation baseret på tandmodenhed. Vi kan sammenligne resultaterne af denne undersøgelse med klassifikationspræstationen af deep learning-modeller på panoramarøntgenbilleder. Guo et al.15 beregnede klassifikationspræstationen af en CNN-baseret deep learning-model og en manuel metode baseret på Demirjians metode for en bestemt aldersgrænse. Sensitiviteten og specificiteten af den manuelle metode var henholdsvis 87,7 % og 95,5 %, og sensitiviteten og specificiteten af CNN-modellen oversteg henholdsvis 89,2 % og 86,6 %. De konkluderede, at deep learning-modeller kan erstatte eller overgå manuel vurdering i klassificeringen af aldersgrænser. Resultaterne af denne undersøgelse viste lignende klassificeringspræstation; det menes, at klassificering ved hjælp af DM-modeller kan erstatte traditionelle statistiske metoder til aldersestimering. Blandt modellerne var DM LR den bedste model med hensyn til sensitivitet for den mandlige stikprøve og sensitivitet og specificitet for den kvindelige stikprøve. LR rangerer som nummer to i specificitet for mænd. Desuden anses LR for at være en af de mere brugervenlige DM35-modeller og er mindre kompleks og vanskelig at behandle. Baseret på disse resultater blev LR betragtet som den bedste cutoff-klassificeringsmodel for 18-årige i den koreanske befolkning.
Samlet set var nøjagtigheden af aldersestimeringen eller klassificeringspræstationen på det eksterne testsæt dårlig eller lavere sammenlignet med resultaterne på det interne testsæt. Nogle rapporter indikerer, at klassificeringsnøjagtigheden eller effektiviteten falder, når aldersestimater baseret på den koreanske befolkning anvendes på den japanske befolkning5,39, og et lignende mønster blev fundet i den foreliggende undersøgelse. Denne forværringstendens blev også observeret i DM-modellen. For nøjagtigt at estimere alder, selv når man bruger DM i analyseprocessen, bør metoder afledt af data fra den indfødte befolkning, såsom traditionelle metoder, derfor foretrækkes5,39,40,41,42. Da det er uklart, om deep learning-modeller kan vise lignende tendenser, er der behov for undersøgelser, der sammenligner klassificeringsnøjagtighed og effektivitet ved hjælp af traditionelle metoder, DM-modeller og deep learning-modeller på de samme stikprøver, for at bekræfte, om kunstig intelligens kan overvinde disse racemæssige forskelle i begrænsede aldersvurderinger.
Vi demonstrerer, at traditionelle metoder kan erstattes af aldersestimering baseret på DM-modellen i retsmedicinsk aldersestimeringspraksis i Korea. Vi opdagede også muligheden for at implementere maskinlæring til retsmedicinsk aldersvurdering. Der er dog klare begrænsninger, såsom det utilstrækkelige antal deltagere i denne undersøgelse til endeligt at fastslå resultaterne og manglen på tidligere undersøgelser til at sammenligne og bekræfte resultaterne af denne undersøgelse. I fremtiden bør DM-undersøgelser udføres med et større antal stikprøver og mere forskelligartede populationer for at forbedre den praktiske anvendelighed sammenlignet med traditionelle metoder. For at validere muligheden for at bruge kunstig intelligens til at estimere alder i flere populationer er der behov for fremtidige undersøgelser for at sammenligne klassifikationsnøjagtigheden og effektiviteten af DM- og deep learning-modeller med traditionelle metoder i de samme stikprøver.
Undersøgelsen anvendte 2.657 ortografiske fotografier indsamlet fra koreanske og japanske voksne i alderen 15 til 23 år. De koreanske røntgenbilleder blev opdelt i 900 træningssæt (19,42 ± 2,65 år) og 900 interne testsæt (19,52 ± 2,59 år). Træningssættet blev indsamlet på én institution (Seoul St. Mary's Hospital), og det eget testsæt blev indsamlet på to institutioner (Seoul National University Dental Hospital og Yonsei University Dental Hospital). Vi indsamlede også 857 røntgenbilleder fra andre populationsbaserede data (Iwate Medical University, Japan) til ekstern testning. Røntgenbilleder af japanske forsøgspersoner (19,31 ± 2,60 år) blev valgt som det eksterne testsæt. Data blev indsamlet retrospektivt for at analysere stadierne i tandudviklingen på panoramarøntgenbilleder taget under tandbehandling. Alle indsamlede data var anonyme bortset fra køn, fødselsdato og dato for røntgenbillede. Inklusions- og eksklusionskriterierne var de samme som i tidligere publicerede studier 4, 5. Stikprøvens faktiske alder blev beregnet ved at trække fødselsdatoen fra den dato, hvor røntgenbilledet blev taget. Stikprøvegruppen blev opdelt i ni aldersgrupper. Alders- og kønsfordelingen er vist i tabel 3. Denne undersøgelse blev udført i overensstemmelse med Helsinki-erklæringen og godkendt af Institutional Review Board (IRB) på Seoul St. Mary's Hospital ved det katolske universitet i Korea (KC22WISI0328). På grund af studiets retrospektive design kunne informeret samtykke ikke indhentes fra alle patienter, der gennemgik radiografisk undersøgelse med terapeutiske formål. Seoul Korea University St. Mary's Hospital (IRB) dispenserede fra kravet om informeret samtykke.
Udviklingsstadier af bimaxillære anden og tredje molarer blev vurderet i henhold til Demircan-kriterierne25. Kun én tand blev udvalgt, hvis den samme type tand blev fundet på venstre og højre side af hver kæbe. Hvis homologe tænder på begge sider var på forskellige udviklingsstadier, blev tanden med det lavere udviklingsstadie udvalgt for at tage højde for usikkerhed i den estimerede alder. Et hundrede tilfældigt udvalgte røntgenbilleder fra træningssættet blev scoret af to erfarne observatører for at teste interobservatørreliabilitet efter prækalibrering for at bestemme tandmodningsstadiet. Intraobservatørreliabilitet blev vurderet to gange med tre måneders intervaller af den primære observatør.
Køn og udviklingsstadium for den anden og tredje molar i hver kæbe i træningssættet blev estimeret af en primær observatør trænet med forskellige DM-modeller, og den faktiske alder blev sat som målværdi. SLP- og MLP-modeller, som er meget anvendt i maskinlæring, blev testet mod regressionsalgoritmer. DM-modellen kombinerer lineære funktioner ved hjælp af udviklingsstadierne for de fire tænder og kombinerer disse data for at estimere alder. SLP er det enkleste neurale netværk og indeholder ikke skjulte lag. SLP fungerer baseret på tærskeltransmission mellem noder. SLP-modellen i regression er matematisk set lig multipel lineær regression. I modsætning til SLP-modellen har MLP-modellen flere skjulte lag med ikke-lineære aktiveringsfunktioner. Vores eksperimenter brugte et skjult lag med kun 20 skjulte noder med ikke-lineære aktiveringsfunktioner. Brug gradient descent som optimeringsmetode og MAE og RMSE som tabsfunktion til at træne vores maskinlæringsmodel. Den bedst opnåede regressionsmodel blev anvendt på de interne og eksterne testsæt, og tændernes alder blev estimeret.
En klassifikationsalgoritme blev udviklet, der bruger modenheden af fire tænder på træningssættet til at forudsige, om en prøve er 18 år gammel eller ej. For at bygge modellen udledte vi syv repræsentations-maskinlæringsalgoritmer6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost og (7) MLP. LR er en af de mest anvendte klassifikationsalgoritmer44. Det er en overvåget læringsalgoritme, der bruger regression til at forudsige sandsynligheden for, at data tilhører en bestemt kategori fra 0 til 1, og klassificerer dataene som tilhørende en mere sandsynlig kategori baseret på denne sandsynlighed; primært brugt til binær klassifikation. KNN er en af de enkleste maskinlæringsalgoritmer45. Når den får nye inputdata, finder den k data tæt på det eksisterende sæt og klassificerer dem derefter i klassen med den højeste frekvens. Vi sætter 3 for antallet af betragtede naboer (k). SVM er en algoritme, der maksimerer afstanden mellem to klasser ved at bruge en kernefunktion til at udvide det lineære rum til et ikke-lineært rum kaldet felter46. Til denne model bruger vi bias = 1, power = 1 og gamma = 1 som hyperparametre for polynomkernen. DT er blevet anvendt i forskellige felter som en algoritme til at opdele et helt datasæt i flere undergrupper ved at repræsentere beslutningsregler i en træstruktur47. Modellen er konfigureret med et minimum antal poster pr. node på 2 og bruger Gini-indekset som et mål for kvalitet. RF er en ensemblemetode, der kombinerer flere DT'er for at forbedre ydeevnen ved hjælp af en bootstrap-aggregeringsmetode, der genererer en svag klassifikator for hver stikprøve ved tilfældigt at trække stikprøver af samme størrelse flere gange fra det originale datasæt48. Vi brugte 100 træer, 10 trædybder, 1 minimum nodestørrelse og Gini-blandingsindeks som nodeadskillelseskriterier. Klassificeringen af nye data bestemmes ved flertalsafstemning. XGBoost er en algoritme, der kombinerer boosting-teknikker ved hjælp af en metode, der tager fejlen mellem de faktiske og forudsagte værdier fra den forrige model som træningsdata og forstærker fejlen ved hjælp af gradienter49. Det er en udbredt algoritme på grund af dens gode ydeevne og ressourceeffektivitet, samt dens høje pålidelighed som en overfitting-korrektionsfunktion. Modellen er udstyret med 400 støttehjul. MLP er et neuralt netværk, hvor en eller flere perceptroner danner flere lag med et eller flere skjulte lag mellem input- og outputlagene38. Ved hjælp af dette kan man udføre ikke-lineær klassificering, hvor når man tilføjer et inputlag og får en resultatværdi, sammenlignes den forudsagte resultatværdi med den faktiske resultatværdi, og fejlen forplantes tilbage. Vi oprettede et skjult lag med 20 skjulte neuroner i hvert lag. Hver model, vi udviklede, blev anvendt på interne og eksterne sæt for at teste klassificeringsydelsen ved at beregne følsomhed, specificitet, PPV, NPV og AUROC. Følsomhed er defineret som forholdet mellem en stikprøve, der estimeres til at være 18 år eller ældre, og en stikprøve, der estimeres til at være 18 år eller ældre. Specificitet er andelen af stikprøver under 18 år og dem, der estimeres til at være under 18 år.
De tandstadier, der blev vurderet i træningssættet, blev konverteret til numeriske stadier til statistisk analyse. Multivariat lineær og logistisk regression blev udført for at udvikle prædiktive modeller for hvert køn og udlede regressionsformler, der kan bruges til at estimere alder. Vi brugte disse formler til at estimere tandalder for både interne og eksterne testsæt. Tabel 4 viser de regressions- og klassifikationsmodeller, der blev anvendt i dette studie.
Intra- og interobservatørreliabilitet blev beregnet ved hjælp af Cohens kappa-statistik. For at teste nøjagtigheden af DM og traditionelle regressionsmodeller beregnede vi MAE og RMSE ved hjælp af de estimerede og faktiske aldre af de interne og eksterne testsæt. Disse fejl bruges almindeligvis til at evaluere nøjagtigheden af modelforudsigelser. Jo mindre fejlen er, desto højere er prognosens nøjagtighed24. Sammenlign MAE og RMSE af interne og eksterne testsæt beregnet ved hjælp af DM og traditionel regression. Klassifikationspræstationen for 18-års cutoff i traditionel statistik blev vurderet ved hjælp af en 2 × 2 kontingenstabel. Den beregnede sensitivitet, specificitet, PPV, NPV og AUROC for testsættet blev sammenlignet med de målte værdier i DM-klassifikationsmodellen. Data udtrykkes som middelværdi ± standardafvigelse eller antal (%) afhængigt af dataegenskaber. Tosidede P-værdier <0,05 blev betragtet som statistisk signifikante. Alle rutinemæssige statistiske analyser blev udført ved hjælp af SAS version 9.4 (SAS Institute, Cary, NC). DM-regressionsmodellen blev implementeret i Python ved hjælp af Keras50 2.2.4 backend og Tensorflow51 1.8.0 specifikt til matematiske operationer. DM-klassificeringsmodellen blev implementeret i Waikato Knowledge Analysis Environment og Konstanz Information Miner (KNIME) 4.6.152 analyseplatformen.
Forfatterne anerkender, at data, der understøtter studiets konklusioner, kan findes i artiklen og supplerende materiale. De datasæt, der genereres og/eller analyseres under studiet, er tilgængelige fra den korresponderende forfatter efter rimelig anmodning.
Ritz-Timme, S. et al. Aldersvurdering: den nyeste teknologi til at opfylde de specifikke krav i retsmedicinsk praksis. Internationalitet. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., og Olze, A. Aktuel status for retsmedicinsk aldersvurdering af levende personer med henblik på strafferetlig forfølgning. Retsmedicin. Patologi. 1, 239–246 (2005).
Pan, J. et al. En modificeret metode til vurdering af tandalderen hos børn i alderen 5 til 16 år i det østlige Kina. klinisk. Oral undersøgelse. 25, 3463–3474 (2021).
Lee, SS osv. Kronologi over udviklingen af anden og tredje molar hos koreanere og dens anvendelse til retsmedicinsk aldersvurdering. internationalitet. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY og Lee, SS. Nøjagtighed af aldersestimering og estimering af 18-års tærsklen baseret på modenheden af anden og tredje molarer hos koreanere og japanere. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Præoperativ maskinlæringsbaseret dataanalyse kan forudsige resultatet af søvnkirurgisk behandling hos patienter med OSA. Videnskaben. Rapport 11, 14911 (2021).
Han, M. et al. Præcis aldersestimering fra maskinlæring med eller uden menneskelig indgriben? Internationalitet. J. Legal medicine. 136, 821–831 (2022).
Khan, S. og Shaheen, M. Fra data mining til data mining. J. Information. Videnskaben. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. og Shaheen, M. WisRule: Den første kognitive algoritme til udvinding af associationsregler. J. Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. og Abdullah U. Karm: Traditionel data mining baseret på kontekstbaserede associationsregler. Beregn. Matt. Fortsæt. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. og Habib M. Deep learning-baseret semantisk lighedsdetektion ved hjælp af tekstdata. informationsteknologier. kontrol. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., og Shahin, M. Et system til genkendelse af aktivitet i sportsvideoer. multimedie. Værktøjer Applikationer https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Maskinlæringsudfordring i pædiatrisk knoglealder. Radiology 290, 498–503 (2019).
Li, Y. et al. Retsmedicinsk aldersestimering fra bækkenrøntgenbilleder ved hjælp af deep learning. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Præcis aldersklassificering ved hjælp af manuelle metoder og dybe konvolutionelle neurale netværk fra ortografiske projektionsbilleder. internationalitet. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimering af knoglealder ved hjælp af forskellige maskinlæringsmetoder: en systematisk litteraturgennemgang og metaanalyse. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., og Yang, J. Populationsspecifik aldersestimering af afroamerikanere og kinesere baseret på pulpakammervolumener i første molarer ved hjælp af cone-beam computertomografi. internationalitet. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK og Oh KS. Bestemmelse af aldersgrupper for levende mennesker ved hjælp af billeder af første kindtænder baseret på kunstig intelligens. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., og Urschler, M. Automatisk aldersestimering og klassificering af majoritetsalder ud fra multivariate MR-data. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. og Li, G. Aldersestimering baseret på 3D-pulpakammersegmentering af første molarer fra cone beam computertomografi ved at integrere deep learning og niveausæt. internationalitet. J. Legal medicine. 135, 365–373 (2021).
Wu, WT m.fl. Data mining i kliniske big data: almindelige databaser, trin og metodemodeller. World. medicine. ressource. 8, 44 (2021).
Yang, J. et al. Introduktion til medicinske databaser og data mining-teknologier i big data-æraen. J. Avid. Grundlæggende medicin. 13, 57–69 (2020).
Shen, S. et al. Camerers metode til estimering af tandalder ved hjælp af maskinlæring. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Sammenligning af forskellige maskinlæringsmetoder til forudsigelse af tandalder ved hjælp af Demirdjian-stadieinddelingsmetode. internationalitet. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. og Tanner, JM. Et nyt system til vurdering af tandalder. snort. biology. 45, 211–227 (1973).
Landis, JR, og Koch, GG. Mål for observatøroverensstemmelse på kategoriske data. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK og Choi HK. Teksturel, morfologisk og statistisk analyse af todimensionel magnetisk resonansbilleddannelse ved hjælp af kunstig intelligens-teknikker til differentiering af primære hjernetumorer. Sundhedsinformation. ressource. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Opslagstidspunkt: 04. januar 2024