Vă mulțumim că ați vizitat Nature.com. Versiunea de browser pe care o utilizați are suport limitat pentru CSS. Pentru cele mai bune rezultate, vă recomandăm să utilizați o versiune mai nouă a browserului dvs. (sau să dezactivați modul de compatibilitate în Internet Explorer). Între timp, pentru a asigura asistență continuă, afișăm site-ul fără stiluri sau JavaScript.
Dinții sunt considerați cel mai precis indicator al vârstei corpului uman și sunt adesea utilizați în evaluarea criminalistică a vârstei. Ne-am propus să validăm estimările vârstei dentare bazate pe data mining prin compararea preciziei estimării și a performanței de clasificare a pragului de 18 ani cu metodele tradiționale și estimările de vârstă bazate pe data mining. Un total de 2657 de radiografii panoramice au fost colectate de la cetățeni coreeni și japonezi cu vârste cuprinse între 15 și 23 de ani. Acestea au fost împărțite într-un set de antrenament, fiecare conținând 900 de radiografii coreene, și un set de testare intern conținând 857 de radiografii japoneze. Am comparat precizia și eficiența clasificării metodelor tradiționale cu seturi de testare ale modelelor de data mining. Precizia metodei tradiționale pe setul de testare intern este puțin mai mare decât cea a modelului de data mining, iar diferența este mică (eroarea absolută medie <0,21 ani, eroarea medie pătratică <0,24 ani). Performanța clasificării pentru pragul de 18 ani este, de asemenea, similară între metodele tradiționale și modelele de data mining. Astfel, metodele tradiționale pot fi înlocuite cu modele de data mining atunci când se efectuează evaluarea criminalistică a vârstei utilizând maturitatea molarilor doi și trei la adolescenții și tinerii adulți coreeni.
Estimarea vârstei dentare este utilizată pe scară largă în medicina legală și stomatologia pediatrică. În special, din cauza corelației ridicate dintre vârsta cronologică și dezvoltarea dentară, evaluarea vârstei în funcție de stadiile de dezvoltare dentară este un criteriu important pentru evaluarea vârstei copiilor și adolescenților1,2,3. Cu toate acestea, pentru tineri, estimarea vârstei dentare pe baza maturității dentare are limitările sale, deoarece creșterea dentară este aproape completă, cu excepția molarilor de trei. Scopul legal al determinării vârstei tinerilor și adolescenților este de a oferi estimări precise și dovezi științifice cu privire la faptul dacă aceștia au atins vârsta majoratului. În practica medico-legală a adolescenților și tinerilor adulți din Coreea, vârsta a fost estimată folosind metoda lui Lee, iar un prag legal de 18 ani a fost prezis pe baza datelor raportate de Oh și colab. 5.
Învățarea automată este un tip de inteligență artificială (IA) care învață și clasifică în mod repetat cantități mari de date, rezolvă singură probleme și conduce programarea datelor. Învățarea automată poate descoperi modele ascunse utile în volume mari de date6. În schimb, metodele clasice, care necesită multă muncă și mult timp, pot avea limitări atunci când se ocupă de volume mari de date complexe, dificil de procesat manual7. Prin urmare, recent au fost efectuate numeroase studii utilizând cele mai noi tehnologii informatice pentru a minimiza erorile umane și a procesa eficient datele multidimensionale8,9,10,11,12. În special, învățarea profundă a fost utilizată pe scară largă în analiza imaginilor medicale, iar diverse metode de estimare a vârstei prin analiza automată a radiografiilor au fost raportate ca îmbunătățind acuratețea și eficiența estimării vârstei13,14,15,16,17,18,19,20. De exemplu, Halabi și colab.13 au dezvoltat un algoritm de învățare automată bazat pe rețele neuronale convoluționale (CNN) pentru a estima vârsta scheletică folosind radiografii ale mâinilor copiilor. Acest studiu propune un model care aplică învățarea automată imaginilor medicale și arată că aceste metode pot îmbunătăți acuratețea diagnosticului. Li și colab.14 au estimat vârsta din imaginile radiografice pelvine folosind un CNN cu învățare profundă și le-au comparat cu rezultatele regresiei folosind estimarea stadiului de osificare. Aceștia au descoperit că modelul CNN cu învățare profundă a demonstrat aceeași performanță de estimare a vârstei ca și modelul de regresie tradițional. Studiul lui Guo și colab. [15] a evaluat performanța de clasificare a toleranței la vârstă a tehnologiei CNN pe baza ortofotografiilor dentare, iar rezultatele modelului CNN au dovedit că oamenii au depășit performanța sa de clasificare a vârstei.
Majoritatea studiilor privind estimarea vârstei folosind învățarea automată utilizează metode de învățare profundă13,14,15,16,17,18,19,20. Se raportează că estimarea vârstei bazată pe învățarea profundă este mai precisă decât metodele tradiționale. Cu toate acestea, această abordare oferă puține oportunități de a prezenta baza științifică pentru estimările de vârstă, cum ar fi indicatorii de vârstă utilizați în estimări. Există, de asemenea, o dispută juridică cu privire la cine efectuează inspecțiile. Prin urmare, estimarea vârstei bazată pe învățarea profundă este dificil de acceptat de către autoritățile administrative și judiciare. Data mining (DM) este o tehnică care poate descoperi nu numai informații așteptate, ci și neașteptate, ca metodă pentru descoperirea corelațiilor utile între cantități mari de date6,21,22. Învățarea automată este adesea utilizată în data mining, iar atât data mining, cât și învățarea automată utilizează aceiași algoritmi cheie pentru a descoperi modele în date. Estimarea vârstei folosind dezvoltarea dentară se bazează pe evaluarea de către examinator a maturității dinților țintă, iar această evaluare este exprimată ca un stadiu pentru fiecare dinte țintă. DM poate fi utilizat pentru a analiza corelația dintre stadiul evaluării dentare și vârsta reală și are potențialul de a înlocui analiza statistică tradițională. Prin urmare, dacă aplicăm tehnici DM la estimarea vârstei, putem implementa învățarea automată în estimarea vârstei în domeniul criminalistic fără a ne face griji cu privire la răspunderea legală. Au fost publicate mai multe studii comparative privind posibile alternative la metodele manuale tradiționale utilizate în practica criminalistică și la metodele bazate pe EBM pentru determinarea vârstei dentare. Shen și colab.23 au arătat că modelul DM este mai precis decât formula tradițională Camerer. Galibourg și colab.24 au aplicat diferite metode DM pentru a prezice vârsta conform criteriului Demirdjian25, iar rezultatele au arătat că metoda DM a depășit metodele Demirdjian și Willems în estimarea vârstei populației franceze.
Pentru a estima vârsta dentară a adolescenților și tinerilor adulți coreeni, metoda 4 a lui Lee este utilizată pe scară largă în practica medico-legală coreeană. Această metodă utilizează analiza statistică tradițională (cum ar fi regresia multiplă) pentru a examina relația dintre subiecții coreeni și vârsta cronologică. În acest studiu, metodele de estimare a vârstei obținute folosind metode statistice tradiționale sunt definite ca „metode tradiționale”. Metoda lui Lee este o metodă tradițională, iar acuratețea sa a fost confirmată de Oh și colab. 5; cu toate acestea, aplicabilitatea estimării vârstei pe baza modelului DM în practica medico-legală coreeană este încă discutabilă. Scopul nostru a fost de a valida științific utilitatea potențială a estimării vârstei pe baza modelului DM. Scopul acestui studiu a fost (1) de a compara acuratețea a două modele DM în estimarea vârstei dentare și (2) de a compara performanța de clasificare a 7 modele DM la vârsta de 18 ani cu cele obținute folosind metode statistice tradiționale. Maturitatea molarilor doi și trei la ambele maxilare.
Mediile și deviațiile standard ale vârstei cronologice în funcție de stadiu și tipul de dinte sunt prezentate online în Tabelul suplimentar S1 (set de antrenament), Tabelul suplimentar S2 (set de teste interne) și Tabelul suplimentar S3 (set de teste externe). Valorile kappa pentru fiabilitatea intra- și interobservator obținute din setul de antrenament au fost de 0,951 și, respectiv, 0,947. Valorile P și intervalele de încredere de 95% pentru valorile kappa sunt prezentate în tabelul suplimentar online S4. Valoarea kappa a fost interpretată ca „aproape perfectă”, în conformitate cu criteriile lui Landis și Koch26.
Atunci când se compară eroarea absolută medie (MAE), metoda tradițională depășește ușor modelul DM pentru toate sexe și în setul de teste externe masculine, cu excepția perceptronului multistrat (MLP). Diferența dintre modelul tradițional și modelul DM pe setul de teste interne MAE a fost de 0,12–0,19 ani pentru bărbați și 0,17–0,21 ani pentru femei. Pentru bateria de teste externe, diferențele sunt mai mici (0,001–0,05 ani pentru bărbați și 0,05–0,09 ani pentru femei). În plus, eroarea medie pătratică (RMSE) este puțin mai mică decât metoda tradițională, cu diferențe mai mici (0,17–0,24, 0,2–0,24 pentru setul de teste interne masculine și 0,03–0,07, 0,04–0,08 pentru setul de teste externe). MLP prezintă o performanță puțin mai bună decât Perceptronul cu un singur strat (SLP), cu excepția cazului setului de teste externe feminine. Pentru MAE și RMSE, setul de teste externe obține scoruri mai mari decât setul de teste interne pentru toate genurile și modelele. Toate testele MAE și RMSE sunt prezentate în Tabelul 1 și Figura 1.
MAE și RMSE ale modelelor de regresie tradiționale și de data mining. Eroare absolută medie MAE, eroare pătratică medie RMSE, perceptron cu un singur strat SLP, perceptron multistrat MLP, metoda CM tradițională.
Performanța de clasificare (cu o limită de 18 ani) a modelelor tradiționale și DM a fost demonstrată în termeni de sensibilitate, specificitate, valoare predictivă pozitivă (PPV), valoare predictivă negativă (NPV) și aria de sub curba caracteristică de funcționare a receptorului (AUROC) 27 (Tabelul 2, Figura 2 și Figura suplimentară 1 online). În ceea ce privește sensibilitatea bateriei interne de teste, metodele tradiționale au avut cele mai bune performanțe la bărbați și mai slabe la femei. Cu toate acestea, diferența de performanță de clasificare între metodele tradiționale și SD este de 9,7% pentru bărbați (MLP) și doar 2,4% pentru femei (XGBoost). Printre modelele DM, regresia logistică (LR) a arătat o sensibilitate mai bună la ambele sexe. În ceea ce privește specificitatea setului de teste interne, s-a observat că cele patru modele SD au avut performanțe bune la bărbați, în timp ce modelul tradițional a avut performanțe mai bune la femei. Diferențele de performanță de clasificare pentru bărbați și femei sunt de 13,3% (MLP) și, respectiv, 13,1% (MLP), indicând faptul că diferența de performanță de clasificare între modele depășește sensibilitatea. Printre modelele DM, modelele cu mașina cu vectori de suport (SVM), arborele de decizie (DT) și pădurea aleatorie (RF) au avut cele mai bune performanțe în rândul bărbaților, în timp ce modelul LR a avut cele mai bune performanțe în rândul femeilor. AUROC-ul modelului tradițional și al tuturor modelelor SD a fost mai mare de 0,925 (k-cel mai apropiat vecin (KNN) la bărbați), demonstrând o performanță excelentă de clasificare în discriminarea eșantioanelor de 18 ani28. Pentru setul de teste externe, s-a observat o scădere a performanței de clasificare în ceea ce privește sensibilitatea, specificitatea și AUROC-ul în comparație cu setul de teste interne. Mai mult, diferența de sensibilitate și specificitate dintre performanța de clasificare a celor mai bune și a celor mai slabe modele a variat de la 10% la 25% și a fost mai mare decât diferența din setul de teste interne.
Sensibilitatea și specificitatea modelelor de clasificare pentru data mining comparativ cu metodele tradiționale cu o limită de 18 ani. KNN k cel mai apropiat vecin, mașină vectorială de suport SVM, regresie logistică LR, arbore decizional DT, pădure aleatorie RF, XGB XGBoost, perceptron multistrat MLP, metoda CM tradițională.
Primul pas în acest studiu a fost compararea acurateței estimărilor vârstei dentare obținute din șapte modele DM cu cele obținute prin regresie tradițională. MAE și RMSE au fost evaluate în seturi de teste interne pentru ambele sexe, iar diferența dintre metoda tradițională și modelul DM a variat de la 44 la 77 de zile pentru MAE și de la 62 la 88 de zile pentru RMSE. Deși metoda tradițională a fost puțin mai precisă în acest studiu, este dificil de concluzionat dacă o diferență atât de mică are semnificație clinică sau practică. Aceste rezultate indică faptul că acuratețea estimării vârstei dentare folosind modelul DM este aproape aceeași cu cea a metodei tradiționale. Compararea directă cu rezultatele studiilor anterioare este dificilă deoarece niciun studiu nu a comparat acuratețea modelelor DM cu metodele statistice tradiționale folosind aceeași tehnică de înregistrare a dinților în același interval de vârstă ca în acest studiu. Galibourg și colab.24 au comparat MAE și RMSE între două metode tradiționale (metoda Demirjian25 și metoda Willems29) și 10 modele DM într-o populație franceză cu vârsta cuprinsă între 2 și 24 de ani. Aceștia au raportat că toate modelele DM au fost mai precise decât metodele tradiționale, cu diferențe de 0,20 și 0,38 ani în MAE și 0,25 și 0,47 ani în RMSE în comparație cu metodele Willems și Demirdjian, respectiv. Discrepanța dintre modelul SD și metodele tradiționale demonstrată în studiul Halibourg ia în considerare numeroase rapoarte30,31,32,33 conform cărora metoda Demirdjian nu estimează cu exactitate vârsta dentară în alte populații decât canadienii francezi pe care s-a bazat studiul. În acest studiu, Tai și colab.34 au utilizat algoritmul MLP pentru a prezice vârsta dinților din 1636 de fotografii ortodontice chinezești și au comparat acuratețea acestuia cu rezultatele metodei Demirjian și Willems. Aceștia au raportat că MLP are o acuratețe mai mare decât metodele tradiționale. Diferența dintre metoda Demirdjian și metoda tradițională este <0,32 ani, iar metoda Willems este de 0,28 ani, ceea ce este similar cu rezultatele prezentului studiu. Rezultatele acestor studii anterioare24,34 sunt, de asemenea, în concordanță cu rezultatele prezentului studiu, iar acuratețea estimării vârstei prin intermediul modelului DM și al metodei tradiționale este similară. Cu toate acestea, pe baza rezultatelor prezentate, putem concluziona doar cu prudență că utilizarea modelelor DM pentru estimarea vârstei ar putea înlocui metodele existente, din cauza lipsei unor studii anterioare comparative și de referință. Sunt necesare studii ulterioare care să utilizeze eșantioane mai mari pentru a confirma rezultatele obținute în acest studiu.
Printre studiile care au testat acuratețea SD în estimarea vârstei dentare, unele au arătat o acuratețe mai mare decât studiul nostru. Stepanovsky și colab. 35 au aplicat 22 de modele SD radiografiilor panoramice a 976 de rezidenți cehi cu vârste cuprinse între 2,7 și 20,5 ani și au testat acuratețea fiecărui model. Aceștia au evaluat dezvoltarea a un total de 16 dinți permanenți superiori și inferiori stângi folosind criteriile de clasificare propuse de Moorrees și colab. 36. MAE variază de la 0,64 la 0,94 ani, iar RMSE variază de la 0,85 la 1,27 ani, acestea fiind mai precise decât cele două modele DM utilizate în acest studiu. Shen și colab. 23 au utilizat metoda Cameriere pentru a estima vârsta dentară a șapte dinți permanenți din mandibula stângă la rezidenții din estul Chinei cu vârste cuprinse între 5 și 13 ani și au comparat-o cu vârstele estimate folosind regresia liniară, SVM și RF. Aceștia au arătat că toate cele trei modele DM au o acuratețe mai mare în comparație cu formula tradițională Cameriere. Valorile MAE și RMSE din studiul lui Shen au fost mai mici decât cele din modelul DM din acest studiu. Precizia crescută a studiilor realizate de Stepanovsky și colab. 35 și Shen și colab. 23 se poate datora includerii unor subiecți mai tineri în eșantioanele lor de studiu. Deoarece estimările de vârstă pentru participanții cu dinți în curs de dezvoltare devin mai precise pe măsură ce numărul de dinți crește în timpul dezvoltării dentare, acuratețea metodei de estimare a vârstei rezultate poate fi compromisă atunci când participanții la studiu sunt mai tineri. În plus, eroarea MLP în estimarea vârstei este puțin mai mică decât cea a SLP, ceea ce înseamnă că MLP este mai precis decât SLP. MLP este considerat puțin mai bun pentru estimarea vârstei, posibil datorită straturilor ascunse din MLP 38. Cu toate acestea, există o excepție pentru eșantionul extern de femei (SLP 1,45, MLP 1,49). Constatarea că MLP este mai precis decât SLP în evaluarea vârstei necesită studii retrospective suplimentare.
Performanța de clasificare a modelului DM și a metodei tradiționale la un prag de 18 ani a fost, de asemenea, comparată. Toate modelele SD testate și metodele tradiționale pe setul de teste intern au arătat niveluri practic acceptabile de discriminare pentru eșantionul de 18 ani. Sensibilitatea pentru bărbați și femei a fost mai mare de 87,7% și, respectiv, 94,9%, iar specificitatea a fost mai mare de 89,3% și 84,7%. AUROC-ul tuturor modelelor testate depășește, de asemenea, 0,925. Din câte știm, niciun studiu nu a testat performanța modelului DM pentru clasificarea la 18 ani pe baza maturității dentare. Putem compara rezultatele acestui studiu cu performanța de clasificare a modelelor de învățare profundă pe radiografii panoramice. Guo și colab.15 au calculat performanța de clasificare a unui model de învățare profundă bazat pe CNN și a unei metode manuale bazate pe metoda lui Demirjian pentru un anumit prag de vârstă. Sensibilitatea și specificitatea metodei manuale au fost de 87,7%, respectiv 95,5%, iar sensibilitatea și specificitatea modelului CNN au depășit 89,2%, respectiv 86,6%. Aceștia au concluzionat că modelele de deep learning pot înlocui sau depăși evaluarea manuală în clasificarea pragurilor de vârstă. Rezultatele acestui studiu au arătat performanțe similare în clasificare; se consideră că clasificarea folosind modele DM poate înlocui metodele statistice tradiționale pentru estimarea vârstei. Printre modele, DM LR a fost cel mai bun model în ceea ce privește sensibilitatea pentru eșantionul masculin și sensibilitatea și specificitatea pentru eșantionul feminin. LR ocupă locul al doilea în ceea ce privește specificitatea pentru bărbați. Mai mult, LR este considerat unul dintre modelele DM35 mai ușor de utilizat și este mai puțin complex și dificil de procesat. Pe baza acestor rezultate, LR a fost considerat cel mai bun model de clasificare cu prag de clasificare pentru tinerii de 18 ani din populația coreeană.
Per ansamblu, acuratețea estimării vârstei sau a performanței clasificării pe setul de teste externe a fost slabă sau mai mică în comparație cu rezultatele pe setul de teste interne. Unele rapoarte indică faptul că acuratețea sau eficiența clasificării scade atunci când estimările de vârstă bazate pe populația coreeană sunt aplicate populației japoneze5,39, iar un model similar a fost constatat și în prezentul studiu. Această tendință de deteriorare a fost observată și în modelul DM. Prin urmare, pentru a estima cu exactitate vârsta, chiar și atunci când se utilizează DM în procesul de analiză, ar trebui preferate metode derivate din datele populației native, cum ar fi metodele tradiționale5,39,40,41,42. Întrucât nu este clar dacă modelele de învățare profundă pot arăta tendințe similare, sunt necesare studii care să compare acuratețea și eficiența clasificării utilizând metode tradiționale, modele DM și modele de învățare profundă pe aceleași eșantioane pentru a confirma dacă inteligența artificială poate depăși aceste disparități rasiale în evaluările limitate de vârstă.
Demonstrăm că metodele tradiționale pot fi înlocuite de estimarea vârstei bazată pe modelul DM în practica criminalistică a estimării vârstei din Coreea. De asemenea, am descoperit posibilitatea implementării învățării automate pentru evaluarea criminalistică a vârstei. Cu toate acestea, există limitări clare, cum ar fi numărul insuficient de participanți la acest studiu pentru a determina definitiv rezultatele și lipsa studiilor anterioare care să compare și să confirme rezultatele acestui studiu. În viitor, studiile DM ar trebui efectuate cu un număr mai mare de eșantioane și cu populații mai diverse pentru a îmbunătăți aplicabilitatea practică în comparație cu metodele tradiționale. Pentru a valida fezabilitatea utilizării inteligenței artificiale pentru estimarea vârstei în populații multiple, sunt necesare studii viitoare pentru a compara acuratețea și eficiența clasificării modelelor DM și deep learning cu metodele tradiționale în aceleași eșantioane.
Studiul a utilizat 2.657 de fotografii ortografice colectate de la adulți coreeni și japonezi cu vârste cuprinse între 15 și 23 de ani. Radiografiile coreene au fost împărțite în 900 de seturi de antrenament (19,42 ± 2,65 ani) și 900 de seturi de teste interne (19,52 ± 2,59 ani). Setul de antrenament a fost colectat la o instituție (Spitalul St. Mary's din Seul), iar setul propriu de teste a fost colectat la două instituții (Spitalul Universitar Național de Stomatologie din Seul și Spitalul Universitar de Stomatologie Yonsei). De asemenea, am colectat 857 de radiografii dintr-o altă populație de date (Universitatea Medicală Iwate, Japonia) pentru testare externă. Radiografiile subiecților japonezi (19,31 ± 2,60 ani) au fost selectate ca set de teste externe. Datele au fost colectate retrospectiv pentru a analiza etapele dezvoltării dentare pe radiografiile panoramice efectuate în timpul tratamentului dentar. Toate datele colectate au fost anonime, cu excepția sexului, datei nașterii și datei radiografiei. Criteriile de includere și excludere au fost aceleași ca în studiile publicate anterior [4, 5]. Vârsta reală a eșantionului a fost calculată prin scăderea datei nașterii din data la care a fost efectuată radiografia. Grupul eșantion a fost împărțit în nouă grupe de vârstă. Distribuțiile pe vârste și sexe sunt prezentate în Tabelul 3. Acest studiu a fost realizat în conformitate cu Declarația de la Helsinki și aprobat de Comitetul de Revizuire Instituțională (IRB) al Spitalului St. Mary din Seul al Universității Catolice din Coreea (KC22WISI0328). Datorită designului retrospectiv al acestui studiu, consimțământul informat nu a putut fi obținut de la toți pacienții supuși examinării radiografice în scopuri terapeutice. Spitalul Universitar St. Mary (IRB) din Seul, Coreea, a renunțat la cerința consimțământului informat.
Stadiile de dezvoltare ale molarilor doi și trei bimaxilari au fost evaluate conform criteriilor Demircan25. A fost selectat un singur dinte dacă același tip de dinte a fost găsit pe partea stângă și dreaptă a fiecărui maxilar. Dacă dinții omologi de pe ambele părți se aflau în stadii de dezvoltare diferite, a fost selectat dintele cu stadiul de dezvoltare inferior pentru a ține cont de incertitudinea privind vârsta estimată. O sută de radiografii selectate aleatoriu din setul de antrenament au fost evaluate de doi observatori experimentați pentru a testa fiabilitatea interobservator după precalibrare pentru a determina stadiul de maturitate dentară. Fiabilitatea intraobservator a fost evaluată de două ori la intervale de trei luni de către observatorul principal.
Sexul și stadiul de dezvoltare al molarilor doi și trei ai fiecărui maxilar din setul de antrenament au fost estimate de către un observator primar antrenat cu diferite modele DM, iar vârsta reală a fost stabilită ca valoare țintă. Modelele SLP și MLP, care sunt utilizate pe scară largă în învățarea automată, au fost testate în funcție de algoritmi de regresie. Modelul DM combină funcții liniare folosind etapele de dezvoltare ale celor patru dinți și combină aceste date pentru a estima vârsta. SLP este cea mai simplă rețea neuronală și nu conține straturi ascunse. SLP funcționează pe baza transmisiei prag între noduri. Modelul SLP în regresie este similar din punct de vedere matematic cu regresia liniară multiplă. Spre deosebire de modelul SLP, modelul MLP are mai multe straturi ascunse cu funcții de activare neliniară. Experimentele noastre au folosit un strat ascuns cu doar 20 de noduri ascunse cu funcții de activare neliniară. Am folosit coborârea în gradient ca metodă de optimizare și MAE și RMSE ca funcție de pierdere pentru a antrena modelul nostru de învățare automată. Cel mai bun model de regresie obținut a fost aplicat seturilor de teste interne și externe, iar vârsta dinților a fost estimată.
A fost dezvoltat un algoritm de clasificare care utilizează maturitatea a patru dinți din setul de antrenament pentru a prezice dacă un eșantion are sau nu 18 ani. Pentru a construi modelul, am derivat șapte algoritmi de învățare automată cu reprezentare6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost și (7) MLP. LR este unul dintre cei mai utilizați algoritmi de clasificare44. Este un algoritm de învățare supravegheată care folosește regresia pentru a prezice probabilitatea ca datele să aparțină unei anumite categorii de la 0 la 1 și clasifică datele ca aparținând unei categorii mai probabile pe baza acestei probabilități; utilizat în principal pentru clasificarea binară. KNN este unul dintre cei mai simpli algoritmi de învățare automată45. Atunci când i se dau date de intrare noi, acesta găsește k date apropiate de setul existent și apoi le clasifică în clasa cu cea mai mare frecvență. Am stabilit 3 pentru numărul de vecini considerați (k). SVM este un algoritm care maximizează distanța dintre două clase utilizând o funcție kernel pentru a extinde spațiul liniar într-un spațiu neliniar numit câmpuri46. Pentru acest model, folosim bias = 1, power = 1 și gamma = 1 ca hiperparametri pentru nucleul polinomial. DT a fost aplicat în diverse domenii ca algoritm pentru împărțirea unui întreg set de date în mai multe subgrupuri prin reprezentarea regulilor de decizie într-o structură arborescentă47. Modelul este configurat cu un număr minim de înregistrări per nod de 2 și utilizează indicele Gini ca măsură a calității. RF este o metodă de ansamblu care combină mai multe DT-uri pentru a îmbunătăți performanța folosind o metodă de agregare bootstrap care generează un clasificator slab pentru fiecare eșantion prin extragerea aleatorie a unor eșantioane de aceeași dimensiune de mai multe ori din setul de date original48. Am folosit 100 de arbori, 10 adâncimi de arbori, 1 dimensiune minimă a nodului și indicele de amestec Gini ca criterii de separare a nodurilor. Clasificarea datelor noi este determinată prin vot majoritar. XGBoost este un algoritm care combină tehnici de amplificare folosind o metodă care preia ca date de antrenament eroarea dintre valorile reale și cele prezise ale modelului anterior și amplifică eroarea folosind gradienți49. Este un algoritm utilizat pe scară largă datorită performanței sale bune și eficienței resurselor, precum și fiabilității ridicate ca funcție de corecție a supraadaptării. Modelul este echipat cu 400 de roți de suport. MLP este o rețea neuronală în care unul sau mai mulți perceptroni formează straturi multiple cu unul sau mai multe straturi ascunse între straturile de intrare și ieșire38. Folosind aceasta, puteți efectua o clasificare neliniară în care, atunci când adăugați un strat de intrare și obțineți o valoare a rezultatului, valoarea rezultatului prezis este comparată cu valoarea rezultatului real, iar eroarea se propagă înapoi. Am creat un strat ascuns cu 20 de neuroni ascunși în fiecare strat. Fiecare model pe care l-am dezvoltat a fost aplicat unor seturi interne și externe pentru a testa performanța clasificării prin calcularea sensibilității, specificității, PPV, NPV și AUROC. Sensibilitatea este definită ca raportul dintre un eșantion estimat a avea 18 ani sau mai mult și un eșantion estimat a avea 18 ani sau mai mult. Specificitatea este proporția de eșantioane cu vârsta sub 18 ani și cele estimate a avea sub 18 ani.
Stadiile dentare evaluate în setul de antrenament au fost convertite în stadii numerice pentru analiză statistică. Au fost efectuate regresii liniare și logistice multivariate pentru a dezvolta modele predictive pentru fiecare sex și a obține formule de regresie care pot fi utilizate pentru estimarea vârstei. Am folosit aceste formule pentru a estima vârsta dinților atât pentru seturile de teste interne, cât și pentru cele externe. Tabelul 4 prezintă modelele de regresie și clasificare utilizate în acest studiu.
Fiabilitatea intra- și interobservator a fost calculată folosind statistica kappa a lui Cohen. Pentru a testa acuratețea modelelor de regresie DM și tradiționale, am calculat MAE și RMSE utilizând vârstele estimate și reale ale seturilor de teste interne și externe. Aceste erori sunt utilizate în mod obișnuit pentru a evalua acuratețea predicțiilor modelului. Cu cât eroarea este mai mică, cu atât acuratețea prognozei este mai mare24. Comparați MAE și RMSE ale seturilor de teste interne și externe calculate folosind DM și regresia tradițională. Performanța clasificării pragului de 18 ani în statisticile tradiționale a fost evaluată folosind un tabel de contingență 2 × 2. Sensibilitatea, specificitatea, PPV, NPV și AUROC calculate ale setului de teste au fost comparate cu valorile măsurate ale modelului de clasificare DM. Datele sunt exprimate ca medie ± deviație standard sau număr (%), în funcție de caracteristicile datelor. Valorile P bilaterale <0,05 au fost considerate semnificative statistic. Toate analizele statistice de rutină au fost efectuate folosind SAS versiunea 9.4 (SAS Institute, Cary, NC). Modelul de regresie DM a fost implementat în Python folosind backend-ul Keras50 2.2.4 și Tensorflow51 1.8.0 special pentru operații matematice. Modelul de clasificare DM a fost implementat în mediul de analiză Waikato Knowledge Analysis Environment și platforma de analiză Konstanz Information Miner (KNIME) 4.6.152.
Autorii recunosc că datele care susțin concluziile studiului pot fi găsite în articol și în materialele suplimentare. Seturile de date generate și/sau analizate în timpul studiului sunt disponibile de la autorul corespondent la cerere rezonabilă.
Ritz-Timme, S. și colab. Evaluarea vârstei: stadiul actual al tehnicii pentru a îndeplini cerințele specifice ale practicii criminalistice. Internaționalitate. J. Legal Medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. și Olze, A. Stadiul actual al evaluării criminalistice a vârstei subiecților vii în scopul urmăririi penale. Forensics. Medicine. Pathology. 1, 239–246 (2005).
Pan, J. și colab. O metodă modificată pentru evaluarea vârstei dentare la copiii cu vârste cuprinse între 5 și 16 ani din estul Chinei. clinical. Oral survey. 25, 3463–3474 (2021).
Lee, SS etc. Cronologia dezvoltării molarilor doi și trei la coreeni și aplicarea acesteia în evaluarea criminalistică a vârstei. internaționalitate. J. Medicină legală. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY și Lee, SS. Precizia estimării vârstei și estimarea pragului de 18 ani pe baza maturității molarilor doi și trei la coreeni și japonezi. PLoS ONE 17, e0271247 (2022).
Kim, JY și colab. Analiza datelor preoperatorii bazată pe învățarea automată poate prezice rezultatul tratamentului chirurgiei în somn la pacienții cu apnee obstructivă a somnului. The Science. Report 11, 14911 (2021).
Han, M. și colab. Estimarea precisă a vârstei prin învățare automată, cu sau fără intervenție umană? internaționalitate. J. Legal Medicine. 136, 821–831 (2022).
Khan, S. și Shaheen, M. De la data mining la data mining. J. Information, știința. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. și Shaheen, M. WisRule: Primul algoritm cognitiv pentru extragerea regulilor de asociere. J.Information. știința. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. și Abdullah U. Karm: Exploatarea tradițională a datelor bazată pe reguli de asociere bazate pe context. *calculate*. Matt. *continue*. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. și Habib M. Detectarea similarității semantice bazată pe învățare profundă folosind date text. Tehnologii informaționale. Control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. și Shahin, M. Un sistem pentru recunoașterea activității în videoclipurile sportive. Multimedia. Tools Applications https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS și colab. Provocarea învățării automate RSNA la vârsta osoasă pediatrică. Radiology 290, 498–503 (2019).
Li, Y. și colab. Estimarea criminalistică a vârstei din radiografiile pelvine utilizând învățarea profundă. EURO. radiations. 29, 2322–2329 (2019).
Guo, YC și colab. Clasificarea precisă a vârstei folosind metode manuale și rețele neuronale convoluționale profunde din imagini de proiecție ortografică. Internationality. J. Legal Medicine. 135, 1589–1597 (2021).
Alabama Dalora și colab. Estimarea vârstei osoase folosind diferite metode de învățare automată: o analiză sistematică a literaturii de specialitate și o meta-analiză. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. și Yang, J. Estimarea vârstei specifice populației afro-americanilor și chinezilor pe baza volumelor camerei pulpare a primilor molarilor utilizând tomografia computerizată cu fascicul conic. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK și Oh KS Determinarea grupelor de vârstă ale persoanelor în viață folosind imagini bazate pe inteligență artificială ale primilor molarilor. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. și Urschler, M. Estimarea automată a vârstei și clasificarea vârstei majorității din date RMN multivariate. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. și Li, G. Estimarea vârstei bazată pe segmentarea 3D a camerei pulpare a primilor molarilor din tomografia computerizată cu fascicul conic prin integrarea învățării profunde și a seturilor de niveluri. Internationality. J. Legal Medicine. 135, 365–373 (2021).
Wu, WT și colab. Extragerea de date în big data clinică: baze de date comune, etape și modele de metode. World. Medicine. Resource. 8, 44 (2021).
Yang, J. și colab. Introducere în bazele de date medicale și tehnologiile de data mining în era Big Data. J. Avid. Medicină de bază. 13, 57–69 (2020).
Shen, S. și colab. Metoda Camerer pentru estimarea vârstei dinților folosind învățarea automată. BMC Oral Health 21, 641 (2021).
Galliburg A. și colab. Comparație între diferite metode de învățare automată pentru prezicerea vârstei dentare utilizând metoda de stadializare Demirdjian. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. și Tanner, JM Un nou sistem pentru evaluarea vârstei dentare. Snort. Biology. 45, 211–227 (1973).
Landis, JR și Koch, GG Măsuri ale acordului observatorilor asupra datelor categorice. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK și Choi HK. Analiza texturală, morfologică și statistică a imagisticii prin rezonanță magnetică bidimensională utilizând tehnici de inteligență artificială pentru diferențierea tumorilor cerebrale primare. Informații despre sănătate. Resursă. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Data publicării: 04 ian. 2024