Worlder.com сайтына кіргеніңіз үшін рахмет. Сіз қолданатын шолғыштың нұсқасы шектеулі CSS қолдауы бар. Жақсы нәтижеге қол жеткізу үшін браузердің жаңа нұсқасын қолдануды ұсынамыз (немесе Internet Explorer-де үйлесімділік режимін өшіру). Осы уақытта, тұрақты қолдауды қамтамасыз ету үшін, біз сайтты сәндеусіз немесе JavaScriptсыз көрсетеміз.
Тістер адам ағзасының жасының дәл көрсеткіші болып саналады және көбінесе сот жасын бағалауда қолданылады. Біз 18 жылдық шекті депарат пен жіктелуін дәстүрлі әдістермен және деректерді тау-кен жұмыстарымен салыстырғанда деректердің делік туралы мәліметтерін тексеруге бағыттадық. 15-23 жас аралығындағы корей және жапондық азаматтардан жалпы 2657 панорамалық рентгенография жиналды. Олар әрқайсысы 900 корей радиографы бар жаттығу жиынтығына және 857 жапондық рентгенографиялық ішкі тест жиынтығына бөлінді. Біз дәстүрлі әдістердің дұрыстығы мен тиімділігін салыстырдық, мәліметтерді тау-кен үлгілерінің жиынтығымен салыстырдық. Ішкі сынақ жиынтығыдағы дәстүрлі әдістің дәлдігі деректерді өндіру моделіне қарағанда сәл жоғары, ал айырмашылық аз (орташа абсолютті қате <0,21 жыл, түбірлік орташа квадраттық қате <0,24 жыл). 18 жылдық үзілістегі жіктеу нәтижелері дәстүрлі әдістер мен мәліметтерді тау-кен үлгілеріне ұқсас. Осылайша, дәстүрлі әдістерді кореялық жасөспірімдер мен жас ересектердегі екінші және үшінші молярлардың өтеу мерзімін пайдаланып, сот жасын бағалау кезінде мәліметтерді тау-кен үлгілерімен алмастыруға болады.
Стомен жасын бағалау сот медицинасында және педиатриялық стоматологияда кеңінен қолданылады. Атап айтқанда, хронологиялық жас пен стоматологиялық даму арасындағы жоғары корреляцияның арқасында стоматологиялық даму кезеңдеріне жас бағалау балалар мен жасөспірімдердің жасын бағалаудың маңызды критерийі1,2,3. Алайда, жастар үшін стоматологиялық өтеуге негізделген стоматологиялық жаста, өйткені үшінші молшылықтарды қоспағанда, стоматологиялық өсу аяқталды. Жастар мен жасөспірімдердің жасын анықтаудың заңды мақсаты - олардың көпшілік жасына жеткені туралы нақты бағалар мен ғылыми дәлелдер келтіру. Кореядағы жасөспірімдер мен жасөспірімдердің медициналық-құқықтық тәжірибесінде, жасы, жасы Ли әдісі бойынша бағаланды, ал 18 жасар заңды табалдырылды, деп хабарлады OH және AL 5.
Машиналарды оқыту - бұл көптеген деректерді бірнеше рет үйренетін және жіктейтін жасанды интеллект (AI) түрі, олар өзекті мәселелерді шешеді және деректерді бағдарламалауға әкеледі. Машиналарды оқыту пайдалы жасырын үлгілерді деректерді көп мөлшерде таба алады6. Керісінше, еңбекті қажет ететін және уақытты қажет ететін классикалық әдістер, бұл қолмен өңдеуді қиындататын күрделі деректердің көп мөлшерімен күресу кезінде шектеулер болуы мүмкін. Сондықтан, жақында көптеген зерттеулер соңғы компьютерлік технологияларды адам қателерін азайту және көп өлшемді мәліметтерді тиімді өңдеу үшін қолданыстағы және көптік жүргізілді8,9,10,1,12. Атап айтқанда, терең оқыту медициналық суретті талдауда кеңінен қолданылады, ал дәйекті бағалаудың дұрыстығы мен тиімділігін арттыру үшін 1,1,14,15,16,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19,19. . Мысалы, Халаби және аль аль 13-ші кандоларлы нейрондық желілерге (CNN) негізінде машиналық оқу алгоритмін (CNN) балалардың рентгенографиясын қолдана отырып бағалауды жасады. Бұл зерттеу модельді медициналық суреттерге оқып, бұл әдістер диагностикалық дәлдікті жақсарта алатындығын көрсетеді. Li et al14 CNN терең үйренуді қолдана отырып, жамбас рентген суреттерінен тұрады және оларды қайта бағалау нәтижелерімен салыстырды. Олар CNN терең оқыту моделінің дәстүрлі регрессиялық модель ретінде жасынша бағалау нәтижелерін көрсетті. GUO және Al. Зерттеуі [15] Тұрақты технологияның жас ерекшеліктерін стоматологиялық ортофоталар негізінде және CNN моделінің нәтижелері адамдардың жасын жіктеу нәтижелеріне сүйенегенін дәлелдеді.
Машиналарды оқытуды қолданудың көп бөлігі терең оқыту әдістерін қолданады13,14,15,16,17,18,19,20. Терең оқу негізінде жас мөлшерін бағалау дәстүрлі әдістерге қарағанда дәлірек айтылады. Алайда, бұл тәсіл бағалауда қолданылатын жас индикаторлары сияқты жасын бағалаудың ғылыми негізін ұсынуға аз мүмкіндік береді. Тексерулерді жүргізетін құқықтық дау бойынша заң даулары бар. Сондықтан терең оқытуға негізделген қарасты бағалауды әкімшілік және әділет органдары қабылдау қиын. Деректерді өндіру (DM) - бұл күтілетін ғана емес, сонымен бірге күтпеген ақпаратты таба алатын әдіс, сонымен қатар, көптеген деректер арасындағы пайдалы корреляцияларды табу әдісі ретінде 6,21,22. Машиналарды оқыту көбінесе деректерді өндіруде қолданылады, сонымен қатар деректерді өндіру және машиналарды оқыту да, деректердің үлгілерін табу үшін бірдей негізгі алгоритмдерді қолданады. Стоматологиялық дамуды қолдана отырып, жасын бағалау емтихан алушының мақсатты тістердің жетілу мерзіміне негізделеді, және бұл бағалау әрбір мақсатты тістің сахнасында көрсетілген. DM-ді стоматологиялық бағалау кезеңі мен нақты жас арасындағы байланысты талдау үшін қолданыла алады және дәстүрлі статистикалық талдауды алмастыруға болады. Сондықтан, егер біз DM техникасын жасқа дейін қолдансақ, біз заңды жауапкершілік туралы алаңдамай-ақ, сот жасын есептеу кезінде машинаны оқытуды жүзеге асыра аламыз. Сот-практикалық практикада қолданылатын дәстүрлі қолмен қолданылатын және стоматологиялық жаста қолданудың дәстүрлі әдістеріне арналған бірнеше салыстырмалы зерттеулер жарияланды. Shen et et23 DM моделі дәстүрлі камера формуласынан гөрі дәлірек екенін көрсетті. Галибург және AL24 Demirdjian критерийлеріне сәйкес жасын болжау үшін екі түрлі DM әдістерін қолданды және нәтижелер ДМ әдісі француз халқының жасын бағалауда DM әдісі сөндірулі және Виллемс әдістеріне әсер еткенін көрсетті.
Кореяның жасөспірімдерінің тіс жасын және жас ересектердің, Лидің 4-әдісі корей сот-медициналық тәжірибесінде кеңінен қолданылады. Бұл әдіс дәстүрлі статистикалық талдауды (мысалы, бірнеше регрессия) және корейлік пәндер мен хронологиялық жас арасындағы байланысты тексеруге арналған. Бұл зерттеуде дәстүрлі статистикалық әдістерді қолдану арқылы алынған жас бағалау әдістері «дәстүрлі әдістер» деп анықталған. Ли әдісі - бұл дәстүрлі әдіс, және оның дәлдігі оның дәлдігі О, Е.Т. 5; Алайда, корей сот-тәжірибесінде DM моделіне негізделген жас бағалаудың қолданылуы әлі де күмән тудырады. Біздің мақсатымыз DM моделіне негізделген жас бағалаудың ықтимал тиімділігін ғылыми негіздеу болды. Бұл зерттеудің мақсаты (1) DM модельдерінің дұрыстығын және (2) десенді бағалаудағы және (2) 18 жасқа дейінгі 7 DM модельдерінің жіктелуін 18 жасқа дейінгі 7 DM үлгілерін салыстыру, екінші деңгейдегі дәстүрлі статистикалық әдістерді қолдану. Екі жаққа да, үшінші молярлар.
Сахналық және тіс түріндегі хронологиялық жас ерекшеліктері және тістердің стандартты ауытқулары S1 қосымша кестеде (жаттығу жиынтығында), қосымша кесте (ішкі тест жиынтығы), ал қосымша кесте (сыртқы тест жиынтығы). Оқу жиынтығынан алынған және InterobServer сенімділігі үшін Kappa мәні сәйкесінше 0,951 және 0.947 болды. P мәндері және Каппа мәндеріне 95% сенімділік интерветтері S4 онлайн-қосымша кестеде көрсетілген. Каппа мәні Landis және Koch26 өлшемдеріне сәйкес «өте жақсы» деп түсіндірілді.
Орташа абсолютті қатені (MAE) салыстыру кезінде дәстүрлі әдіс біршама жақсы әсер етеді, бұл барлық жыныстық қатынас және сыртқы ерлердің сынақ жиынтығын, көп қабатты қабылдау (MLP). Дәстүрлі модель мен DM моделінің арасындағы айырмашылық ерлер үшін 0,12-0,19 жыл, әйелдер үшін 0,17-0,21 жыл. Сыртқы сынақ батареясы үшін айырмашылықтар аз (ерлер үшін 0,001-0,05 жыл және әйелдер үшін 0,05-0,09 жыл). Сонымен қатар, тамырлы орташа квадрат қатесі (RMSE) дәстүрлі әдіден сәл төмен, ал кішігірім айырмашылықтары бар (0.17-0.24, 0.24, 0.2-0,24, 0.03-0.07, 0.03-0.07, 0.03-0.07, 0.03-0.07, 0.04-0.07, 0.03-0.07, 0.03-0.07, 0.04-0.08). ). MLP әйел сыртқы сынақ жиынтығын қоспағанда, бір қабатты қабылдау (SLP) қарағанда жақсы өнімділікті көрсетеді. MAE және RMSE үшін сыртқы сынақ жиынтығы барлық жыныс және модельдер үшін ішкі сынаққа қарағанда жоғары көрсеткіштер. Барлық MAE және RMSE 1-кестеде және 1-суретте көрсетілген.
MAE және дәстүрлі және деректерді өндірудің регрессиялық модельдерінің. MAE, тамырлы орташа квадрат RMSE, бір қабатты Enterptron SLP, көп қабатты Enterptron MLP, дәстүрлі см әдісі.
Дәстүрлі және DM модельдерінің жіктелуі (18 жасар кесілген), сезімталдық, ерекшелігі, оң болжамды болжам, оң болжамды болжам (PPV), теріс болжамды мән (NPV), ал редатте жұмыс істейтін қисық сызық астындағы аймақ (Auroc) 27 (2-кесте, 2-сурет және қосымша 1-сурет). Ішкі сынақ батареясының сезімталдығы тұрғысынан дәстүрлі әдістер ерлер арасында ең жақсы және әйелдер арасында ең жақсы болды. Алайда, дәстүрлі әдістер мен SD арасындағы жіктеудің айырмашылығы ерлер үшін (MLP) 9,7% құрайды, ал әйелдер үшін 2,4% (xgboost). DM модельдерінің ішінде логистикалық регрессия (LR) екі жыныстағы сезімталдықты жақсы көрсетті. Ішкі тестілеудің ерекшелігіне келетін болсақ, төрт SD модельдері еркектерде жақсы өнер көрсетті, ал дәстүрлі модель әйелдерде жақсы орындалады. Еркектер мен әйелдер үшін жіктеудегі айырмашылықтар, сәйкесінше, модельдер арасындағы жіктеудің айырмашылығының сезімталдыққа асып түсуі 13,3% (MLP) және 13,1% (млн. DM модельдерінің ішінде қолдау векторының құрылғы (SVM), шешім ағашы (DT), ал кездейсоқ орман (RF) модельдері еркектер арасында ең жақсы орындалды, ал LR моделі әйелдер арасында ең жақсы орындалды. Дәстүрлі модельдің және барлық SD модельдерінің Auroc 0,925-тен жоғары болды (K-Tolest көршісі (K-KNN), 18 жасар үлгілерді кемсіту үшін тамаша жіктеуді көрсетті28. Сыртқы сынақ жиынтығы үшін ішкі сынақ жиынтығымен салыстырғанда сезімталдық, ерекшелігі және аудрок тұрғысынан жіктеу нәтижелері төмендеді. Сонымен қатар, ең жақсы және нашар модельдердің жіктелуі арасындағы сезімталдық пен ерекшеліктер 10% -дан 25% -ға дейін өзгеріп, ішкі тестілеудің айырмашылығынан үлкен болды.
18 жастан төмен, дәстүрлі әдістермен салыстырғанда мәліметтерді тау-кенді толтыру модельдерінің сипаттамасы және ерекшелігі. ТоН К жақын көршісі, SVM қолдау векторы, LR логистикалық регрессиясы, LR логистикалық регрессиясы, DT шешімдері, RF Кездейсоқ орман, XGB XGBOOST, MLP көп қабатты қабылдайтын, дәстүрлі см әдісі.
Бұл зерттеудің алғашқы қадамы дәстүрлі DM модельдерінен алынған стоматологиялық жас сметаларының дұрыстығын дәстүрлі регрессияны қолданып алынған адамдармен бірге салыстыру болды. MAE және RMSE ішкі сынақ жиынтығында да, екі жыныс үшін де, дәстүрлі әдіс пен DM моделінің айырмашылығы MAE үшін 44-тен 77 күнге дейін және RMSE үшін 62-ден 88 күнге дейін өзгерді. Дәстүрлі әдіс осы зерттеуде сәл дәл болса да, мұндай ұсақ айырмашылық клиникалық немесе практикалық маңызы бар-жоғын тұжырымдау қиын. Бұл нәтижелер DM моделін қолдана отырып, стоматологиялық жастықтың дұрыстығының дәлдігі дәстүрлі әдіспен бірдей екенін көрсетеді. Алдыңғы зерттеулердің нәтижелерімен тікелей салыстыру қиын, өйткені ешқандай зерттеу DM модельдерінің дәлдігін дәстүрлі статистикалық әдістермен салыстырғанда, осы зерттеудегідей тістерді жазудың дәстүрлі статистикалық әдістерімен салыстырды. Галибург және AL24 MAE және RMSE екі дәстүрлі әдістер (Demirjian әдісі25 және Willems әдісі29) және 2 жастан 24 жасқа дейінгі француз халқының 10 DM модельдері. Олар барлық DM модельдері дәстүрлі әдістерге қарағанда дәлірек, олар 0,20 және 0,38 жас аралығындағы, МАЭ және 0,25 және 0,25 және 0,25 және 0,25 және 0,25 және 0,47 жыл және СҒМ-да, сәйкесінше және 0,25 және 0,47 жылдардағы. SD моделі мен Халибург зерттеуінде көрсетілген дәстүрлі әдістер мен дәстүрлі әдістердің сәйкес келмеуі көптеген есептерді ескереді30,31,32,33, Demirdjian әдісі оқу құралы француздық канадалықтардан басқа қаздарларда даталық түрде бағаланбайды. осы зерттеуде. TAI et al 34 MLP алгоритмін 1636 қытайлық ортодонтиялық фотосуреттерден тістеу үшін және оның дұрыстығын демиржандық және вилемс әдісімен салыстырды. Олар MLP дәстүрлі әдістерге қарағанда жоғары дәлдікке ие екенін хабарлады. Demirdjian әдісі мен дәстүрлі әдіс арасындағы айырмашылық <0,32 жыл, ал вилемс әдісі - 0,28 жыл, бұл осы зерттеу нәтижелеріне ұқсас. Осы алдыңғы зерттеулердің нәтижелері24,34 сонымен қатар осы зерттеу нәтижелеріне сәйкес келеді және DM моделінің жасын бағалау дәлдігі және дәстүрлі әдіс ұқсас. Алайда, ұсынылған нәтижелерге сүйене отырып, біз дәйекті түрде DM модельдерін қолдану жасын бағалауға дейін қолданыстағы әдістерді қолданыстағы әдістерді салыстырмалы және сілтеме жасаудың болмауына байланысты қолданыстағы әдістерді алмастыра аламыз. Осы зерттеуде алынған нәтижелерді растау үшін үлкен үлгілерді қолдану қажет.
Тестілеудің ішінде SD-дің дұрыстығы стоматологиялық жаста, кейбіреулер біздің зерттеуден гөрі жоғары дәлдікті көрсетті. Степановский және Аль 35 976 Чехия тұрғындарының 2,7-ден 20,5 жасқа дейінгі панорамалық рентгенографияға арналған 22 SD модельдеріне қолданылады және әр модельдің дәлдігін сынады. Олар 16 жоғарғы және төменгі сол жақтағы тұрақты тістердің дамуына бағаланды, олар моордтар және аль-36 ұсынған жіктеу критерийлерін қолдана отырып, тұрақты тістерді бағалады. Мэй 0,64-тен 0,94 жасқа дейін, ал RMSE 0,85-тен 1,27 жасқа дейін, бұл зерттеуде қолданылатын екі DM модельдерінен дәлірек. Shen et al23 Камерия әдісін 5-тен 13 жасқа дейінгі шығыс қытай тұрғындарында ең жақсы тестің, 7-ге жуық қытай тұрғындарында, SVM және RF көмегімен салыстырды. Олар екі DM модельдерінің барлық модельдері дәстүрлі камерия формуласымен салыстырғанда жоғары дәлдікке ие екенін көрсетті. Мэй мен Шеннің зерттеуіндегі rmse осы зерттеуде DM моделіне қарағанда төмен болды. Степанов және басқалардың оқу дәлдігінің жоғарылауы. 35 және Shen et al. 23 Жас тақырыптарды оқу үлгілеріне қосудың арқасында болуы мүмкін. Себебі қатысушылар үшін тістерді дамыта отырып, тістердің жасы дәл бола бастайды Сонымен қатар, MLP-дің жас мәнін бағалаудағы қателігі SLP-тен сәл кіші, бұл MLP SLP-ге қарағанда дәлірек. MLP жас мәнін бағалау үшін сәл жақсы болып саналады, мүмкін MLP38-де жасырын қабаттарға байланысты. Алайда, әйелдердің сыртқы үлгісі үшін ерекше жағдай бар (СҚМ 1.45, MLP 1.49). MLP бағалау жасындағы SLP-тен гөрі дәлірек екенін анықтау қосымша ретроспективті зерттеулерді қажет етеді.
Сондай-ақ, DM моделін және 18 жылдық шекті деңгейдегі дәстүрлі әдісті жіктеу жұмыстары салыстырылды. Барлық сыналған SD модельдері және ішкі тестілеу жиынтығы дәстүрлі әдістері 18 жастағы үлгідегі дискриминацияның іс жүзінде қолайлы деңгейлерін көрсетті. Ерлер мен әйелдерге сезімталдық 87,7% және 94,9% -дан жоғары болды, ал ерекшелігі 89,3% және 84,7% -дан жоғары болды. Барлық сыналған модельдердің Auroc 0,925-тен асады. Біздің білуімізше, ешқандай зерттеу DM моделінің жұмысын стоматологиялық өтеуге негізделген 18 жылдық жіктеу үшін сынақтан өткізді. Біз осы зерттеудің нәтижелерін панорамалық рентгенографиялардағы терең оқыту модельдерінің жіктелуімен салыстыра аламыз. GUO және Al.15 CNN негізіндегі терең оқыту моделінің жіктелуін және белгілі бір жас шегі бойынша демиржидің әдісіне негізделген қолмен жұмыс жасауды есептеді. Қолмен жұмыс әдісінің сезімталдығы мен ерекшелігі 87,7% және 95,5% құрады, сәйкесінше, CNN моделінің сезімталдығы мен ерекшелігі сәйкесінше 89,2% және 86,6% -дан асты. Олар терең оқыту модельдері қолмен бағалауды жасына жатқызуда алмастыра алады немесе бастайды. Осы зерттеудің нәтижелері осындай классификацияны көрсетті; DM модельдерін қолдана отырып, жіктеу жасын бағалаудың дәстүрлі статистикалық әдістерін алмастыра алады деп саналады. Модельдердің ішінде DM LR ерлердің үлгісі мен сезімталдық пен әйел үлгісінің ерекшелігі үшін сезімталдық тұрғысынан ең жақсы үлгі болды. LR ерлер үшін ерекшелігі бойынша екінші орында. Сонымен қатар, LR ыңғайлы DM35 модельдерінің бірі болып саналады және күрделі және қиын және қиын. Осы нәтижелерге сүйене отырып, LR корей тұрғындарындағы 18 жастағы балаларға арналған ең жақсы классификация моделі болып саналды.
Жалпы, сыртқы сынақ жиынтығындағы жас мәнін немесе жіктеудің дәлдігі нашар немесе ішкі тестілеу нәтижелерімен салыстырғанда төмен немесе төмен болды. Кейбір есептер жапон халқының негізінде жас ерекшеліктері кәріс популяциясына негізделген жіктеудің дәлдігі немесе тиімділігі төмендегенін көрсетеді, егер осы зерттеуде жапондықтардың саны 5,39-ға қолданылады. Бұл нашарлау тенденциясы DM моделінде де байқалды. Сондықтан, жасын, тіпті DM-ді талдау кезінде де, талдау процесінде болса да, жергілікті популяция мәліметтерінен алынған әдістер, мысалы, дәстүрлі әдістер, артықшылықтар 5,39,40,41,42 артықшылықты. Терең оқу модельдері осындай үрдістерді көрсете ала ма, жоқ болғандықтан, дәстүрлі әдістерді, DM модельдерін және лимитивтілікке негізделген тереңдетілген модельдерді салыстыру, ал бірдей үлгілерде терең оқыту модельдерін салыстыру шектеулі жаста шектеулі жаста. Бағалау.
Біз дәстүрлі әдістерді Кореядағы сот жасын бағалау тәжірибесіндегі DM моделіне негізделген жас бағалау арқылы алмастыруға болатындығын көрсетеміз. Біз сондай-ақ сот жасын бағалау үшін машинаны оқытуды жүзеге асыру мүмкіндігін анықтадық. Алайда, нақты шектеулер бар, мысалы, осы зерттеуге қатысушылар саны, мысалы, нәтижелерді анықтауға және осы зерттеу нәтижелерін салыстыруға және растау үшін алдыңғы зерттеулердің жетіспеушілігінде. Болашақта DM зерттеулері көптеген үлгілермен және әр түрлі популяциялармен өткізілуі керек, олар дәстүрлі әдістермен салыстырғанда өзінің практикалық қолданылуын жақсарту үшін әртүрлі популяциялармен жүргізілуі керек. Жасанды интеллект қолданудың орындылығын растау үшін бірнеше популяциядағы жасын бағалау үшін, болашақ зерттеулер DM және DM және DE терең оқу үлгілерінің классификациялық дәлдігі мен тиімділігін бірдей үлгілерде салыстыру үшін қажет.
Зерттеуге 15-23 жас аралығындағы корей және жапондық ересектерден жиналған 2657 орталық фотосуреттер қолданылды. Корей рентгенографиясы 900 жаттығу жиынтығына (19.42 ± 2,65 жыл) және 900 ішкі тест жиынтығы (19,52 ± 2,59 жыл) бөлінді. Оқу жиынтығы бір мекемеде жиналды (Сеул Сент-Мәриямның ауруханасы), ал жеке тест жиынтығы екі мекемеде жиналды (Сеул Ұлттық университет студенттері және Йонсей университетінің стоматологиялық ауруханасы). Сондай-ақ, біз сыртқы тестілеуге арналған популяциядағы басқа мәліметтерден (IWATE медициналық университеті, Жапония) 857 рентгенография жинадық. Сыртқы сынақ ретінде жапондық субъектілердің рентгенографиясы (19,31 ± 2,60 жыл) таңдалды. Деректер стоматологиялық емдеу кезінде қабылданған дана рентгенографиялардағы стоматологиялық даму сатыларын талдау үшін ретроспективті түрде жиналды. Жиналған барлық мәліметтер гендерден, туған күнінен және радиографтардан басқа жасырын болды. Қосылу және алып тастау критерийлері бұрын 4, 5-беттен жасалған оқумен бірдей болды. Үлгінің нақты жасы радиографтың алынған күнінен бастап туған күнді шегеру арқылы есептелді. Үлгі тобы тоғыз жас топтарына бөлінді. Жас және жыныстық бөлімдер 3-кестеде көрсетілген. Осы зерттеудің ретроспективті дизайнына байланысты, ақпараттық-сауықтыру мақсатына сәйкес, барлық пациенттерден емдік мақсаттар үшін алынған барлық пациенттер алуға болмайды. Сеул Корея университеті Сент-Мэри-Мэридің ауруханасы (IRB) ақпараттандырылған келісім сұранысынан бас тартты.
Bimaxillary екінші және үшінші молярлардың даму кезеңдері «Демиркан» критерийлеріне сәйкес бағаланды25. Егер әр жақ сүйегінің сол және оң жақтарында тістің сол түрі табылса, бір ғана тіс таңдалды. Егер екі жағынан да гомологиялық тістер әртүрлі даму кезеңдерінде болған болса, даму кезеңіндегі тістің төмендеу кезеңінде белгісіздік үшін таңдалды. Тренингтік жиынтықтан жүз кездейсоқ таңдалған рентгендік рентгендік рентген екі тәжірибелі байқаушы дәрігердің сенімділігімен DELATIONTER-мен Студенттік жетілу кезеңін анықтау үшін алдын-ала дайындалған. IntraobServer сенімділігі бастапқы бақылаушының үш айлық аралықтарында екі рет бағаланды.
Оқу жиынтығындағы әрбір жақтың екінші және үшінші молярларының жыныстық және үшінші кезеңі әр түрлі DM модельдерімен оқыған бастапқы бақылаушы болып табылады және нақты жасы мақсатты мән ретінде белгіленді. Машиналарда кеңінен қолданылатын SLP және MLP модельдері регрессиялық алгоритмдерден тексерілді. DM моделі төрт тістің даму сатыларын қолдана отырып, сызықтық функцияларды біріктіріп, осы деректерді жасына сәйкес келеді. SLP - бұл қарапайым нейрондық желі және жасырын қабаттар жоқ. SLP түйіндер арасындағы шекті беріліс негізінде жұмыс істейді. Регрессиядағы SLP моделі математикалық түрде көптеген сызықтық регрессияға ұқсас. SLP моделінен айырмашылығы, MLP моделінде сызықты емес активтендіру функциялары бар бірнеше жасырын қабаттар бар. Біздің эксперименттеріміз сызықты емес активтендіру функциялары бар 20 жасырын түйінмен жасырын қабатты қолданды. Градиентді оңтайландыру әдісі және MAE және RMSE, өйткені біздің машинаны оқыту моделін жоғалту функциясы ретінде. Ең жақсы алынған регрессиялық модель ішкі және сыртқы сынақ жиынтығына қолданылды және тістердің жасы бағаланды.
Жыпу алгоритмі жасалды, бұл үлгінің 18 жас немесе жоқ-жоқтығын болжау үшін төрт тістің жетілу мерзімін қолданады. Үлгіні құру үшін біз жеті ұсынамыз, (1) LR, (2) Н.Н., (3) SVM, (4) DT, (5) RF, (6) RF, (6) xgboost, және (7) xgboost және (7) . LR - ең көп қолданылатын классификация алгоритмдерінің бірі44. Бұл белгілі бір санатқа тиесілі, 0-ден 1-ге дейінгі мәліметтердің ықтималдығын болжайтын және деректерді осы ықтималдылыққа байланысты деректерді жіктейтін, деректерді жіктейтін жетекшілік ететін алгоритм; негізінен екілік жіктеу үшін қолданылады. НҰН - бұл ең қарапайым машинаны үйрену алгоритмдері45. Жаңа кіріс деректер берілген кезде, ол k деректерін бар жиынға жақын табады, содан кейін оларды сыныпқа ең жоғары жиілікпен жіктейді. Біз 3 көршілер саны үшін 3-ті (k) жинадық. SVM - бұл сызықтық кеңістікті кеңейту үшін ядро функциясын қолдану арқылы екі класс арасындағы қашықтықты макситат жасайтын алгоритм. Осы модель үшін біз Bias = 1, Power = 1 және GAMMA = 1-ге 1, полиномдық ядро үшін гиперпараметрді қолданамыз. DT әр түрлі салада барлық мәліметтер жиынтығын бірнеше топқа бөлу үшін алгоритм ретінде қолданылды. Модель 2-ші түйінге жазбалардың ең аз санымен теңшелген және Gini индексін сапа өлшемі ретінде пайдаланады. РФ - бұл әр түрлі жиынтық классификаторды қолдана отырып, әрбір үлгімен классификаторды қолдана отырып, әр түрлі DTS-ті біріктіретін ансамбль әдісі. Біз 100 ағаш, 10 ағаш тереңдігі, 1 минималды түйін мөлшері, 1 минималды түйін мөлшері және GINI ADDICE индексі түйін бөлу критерийлері ретінде. Жаңа мәліметтердің жіктелуі көпшілік дауыспен анықталады. Xgboost - бұл алдыңғы модельдің нақты және болжамды мәндері арасындағы қате туралы мәліметтерді қолдана отырып, күшейтетін әдістерді үйлестіретін алгоритм. Бұл кеңінен қолданылатын алгоритм, оның жақсы өнімділігі мен ресурстар тиімділігіне, сондай-ақ артық қорыту функциясы ретінде жоғары сенімділік. Модель 400 тірек доңғалақтарымен жабдықталған. MLP - бұл нейрондық желі, оның ішінде бір немесе бірнеше қабылдайтын бір немесе бірнеше қабатта бірнеше қабаттар пайда болады, олар енгізу және шығыс қабаттары арасында бір немесе бірнеше жасырын қабаттары бар. Мұны пайдалану, сіз сызықты емес жіктеуді жасай аласыз, онда сіз енгізу қабатын қосып, нәтиже мәнін ала аласыз, нәтиже мәні нақты мәнмен салыстырылады және қате пайда болады. Біз әр қабатта 20 жасырын нейронмен жасырын қабат жасадық. Біз жасаған әр модельдер сезімталдықты, ерекшелігін, PPV, NPV және Auroc-ті есептеу арқылы жіктеуді тексеру үшін ішкі және сыртқы жиынтықтарға қолданылды. Сезімталдық 18 жастан асқан үлгінің арақатынасы ретінде анықталады, ал 18 жастан жоғары болатын үлгіні құрайды. Ерекшелік - 18 жасқа толмаған үлгілердің үлесі, ал 18 жасқа толмағандар.
Оқу жиынтығында есептелген стоматологиялық сатылар статистикалық талдаудың сандық сатыларына айналды. Әр жыныстағы және жасын бағалау үшін қолдануға болатын әр жыныс пен туылған регрессиялық формулалардың болжалды модельдерін жасау үшін көп өлшемді сызықтық және логистикалық регрессия жасалды. Біз бұл формулаларды ішкі және сыртқы сынақ жиынтықтарының тісті дәнін бағалау үшін қолдандық. 4-кестеде осы зерттеуде қолданылатын регрессия мен жіктеу модельдері көрсетілген.
Intra- және InterobServer сенімділігі Cohen's Kappa Statistic көмегімен есептелді. ДМ және дәстүрлі регрессиялық модельдердің дұрыстығын тексеру үшін біз MAE және RMSE-ді ішкі және сыртқы тест жиынтығын пайдаланып есептейміз. Бұл қателер көбінесе модельдік болжаудың дұрыстығын бағалау үшін қолданылады. Қате кішірек болса, болжамның дәлдігі соғұрлым жоғары болады24. DM және дәстүрлі регрессияның көмегімен есептелген MAE және сыртқы және сыртқы сынақ жиынтықтарын салыстырыңыз. Дәстүрлі статистикадағы 18 жылдық үзінді классификация бойынша қойылым 2 × 2 шартты дастархан мәзірімнің көмегімен бағаланды. Есептелген сезімталдық, ерекшелігі, PPV, NPV және сынақ жиынтығының Auroc DM классификация моделінің өлшенген мәндерімен салыстырылды. Деректер бірдей ± стандартты ауытқу немесе деректер сипаттамаларына байланысты (%) ретінде көрсетілген. Екі жақты P мәндері <0.05 статистикалық тұрғыдан маңызды деп саналды. Күнделікті статистикалық талдаулар SAS 9.4 (SAS институты, Cary, NC) арқылы жүргізілді. DM регрессиялық моделі Python-да Keras50 2.2.4 серверін және Tensorflow51 1.8.0-де енгізілген. DM классификация моделі Вайкато туралы білімдерді талдау ортасында және KONSTANS ақпараттық шахтерінде (KNEE) 4.6.152 талдау алаңында жүзеге асырылды.
Авторлар зерттеу қорытындыларын қолдайтын мәліметтер мақалалардан және қосымша материалдардан табуға болатындығын мойындайды. Зерттеу барысында құрылған және / немесе талданған мәліметтер жинақтарын тиісті автордан алуға болады.
Ritz-timme, S. et al. Қартаюды бағалау: сот практикасының нақты талаптарын қанағаттандыру үшін өнер жағдайы. Интернационалдық. J. Құқықтық медицина. 113, 129-136 (2000).
Шмельинг, А., Рейдингсер, В., Гесерик, Г., Г., Ол z, AZE, AZ, A. Қылмыстық қудалау мақсаттары үшін тұрғын үйлердің сот-сараптамасының ағымдағы жағдайы. Сот-медициналық. дәрі. Патология. 1, 239-246 (2005).
PAN, J. және Al. Шығыс Қытайдағы 5-тен 16 жасқа дейінгі балалардың тіс жасын бағалаудың өзгертілген әдісі. Клиникалық. Ауызша сауалнама. 25, 3463-3474 (2021).
Ли, SS және т.б. Корейлердегі екінші және үшінші молярлардың дамуының хронологиясы және оның сот жасын бағалауға өтініші. Интернационалдық. J. Құқықтық медицина. 124, 659-665 (2010).
О, Құмагай, А., Ким, Ким, SY және LEE, SS, SS-ті, корейлер мен жапон тілдеріндегі екінші және үшінші молардың жетілуіне негізделген 18 жылдық шекті бағалайды. Plos One 17, E0271247 (2022).
Ким, Дж.Ю., және басқалар. Операциялық машинаны оқытуға негізделген деректерді талдау ОСА бар науқастарда ұйқылық хирургияны емдеу нәтижелерін болжай алады. Ғылым. 11, 14911 (2021) есебі.
Хан, М. және басқалар. Машинадан жасалған немесе адаммен араласудан нақты жас бағалау? Интернационалдық. J. Құқықтық медицина. 136, 821-831 (2022).
Хан, С. және Шахин, M. Деректер өндіруден бастап мәліметтерді өндіруге дейін. J.Information. Ғылым. https://doi.org/10.1177/0165551521103030872 (2021).
Хан, С. және Шахин, М. Висруле: Қауымдастық ережесін өндірудің алғашқы танымдық алгоритмі. J.Information. Ғылым. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. және Абдулла У. Карм: контекстке негізделген бірлестік ережелеріне негізделген дәстүрлі деректерді өндіру. Есептеу. Мат. Жалғастыру. 68, 3305-3322 (2021).
Мухаммад М., Рехин З., Шахин М., Хан М., Хан М. және Хабиб М. Терең үйрену. Бұл туралы хабарлаңыз. Технологиялар. Бақылау. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Кабиш, М., Таноли, З. және Шахин, М. Спорттық бейнелердегі белсенділікті тану жүйесі. мультимедия. Https://doi.org/10.1007/s11042-021-10519-6 (2021) құралдары
Халаби, С.С.Т. RSNA машинасын педиатриялық сүйек дәуіріндегі сынақтан өткізу. Радиология 290, 498-503 (2019).
Ли, Ю.Т. Терең үйренуді қолдана отырып, жамбас рентгендерінен сот-шағымды бағалау. Евро. Сәуле. 29, 2322-2329 (2019).
Гуо, yc және al. Ортографиялық проекциялық кескіндерден қолмен және терең дұрыстығы желілерді қолдана отырып, жасын нақты жіктеу. Интернационалдық. J. Құқықтық медицина. 135, 1589-1597 (2021).
Алабама Далора және басқалар. Сүйектің жасын бағалау Әр түрлі машиналарды оқыту әдістері: жүйелік әдебиеттерге шолу және мета-талдау. Plos бір 14, e0220242 (2019).
Ду, Х., Х., Чень, Кен, К., Йанг, Дж., Ж., Африкандық американдықтар мен қытайлардың халыққа тәндік жасын конустық пульспекс камерасының көмегімен, конустық пульс бөлмесінің көлеміне негізделген. Интернационалдық. J. Құқықтық медицина. 136, 811-819 (2022).
Ким С., Ли Ю.К., Ю.Х., бірінші молардың жасанды интеллектуалды бейнесін қолданатын тірі адамдардың жас топтарын анықтау. Ғылым. 11, 1073 (2021) есебі.
Шәй, D., Төлеуші, C., GIuliani, N., N., Urschler, M. Көптiрi жастықшаны автоматты түрде есептеу және көпшілік жасын толығымен жіктеу. Иее Дж. Биомед. Денсаулық туралы ескертулер. 23, 1392-1403 (2019).
Чэн, Q., GE, Z., Z, Z., Du, H. және LI, G. Цульпс пуло палатасының 3D стендтері Конустың сәулесінен 3D целлюлоза палатасының сегментациясы, конус сәулесінен бастап, терең оқыту және деңгей жиынтығын интеграциялау арқылы томография. Интернационалдық. J. Құқықтық медицина. 135, 365-373 (2021).
Ву, Вт және басқалар. Үлкен деректердегі мәліметтерді өндіру: жалпы мәліметтер базасы, қадамдар және әдістер. Әлем. дәрі. Ресурс. 8, 44 (2021).
Ян, Ж. және басқалар. Үлкен деректер дәуіріндегі медициналық мәліметтер базасына және мәліметтерді тау-кен технологияларына кіріспе. Дж. Ындай. Негізгі дәрі. 13, 57-69 (2020).
Shen, S. et al. Машиналарды пайдалану арқылы камератордың тіс жасын бағалау әдісі. BMC ауызша денсаулық 21, 641 (2021).
Galliburg A. және Al. Demirdjian Startaging әдісін қолдана отырып, стоматологиялық жастықты болжаудың әртүрлі әдістерін салыстыру. Интернационалдық. J. Құқықтық медицина. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. және TANNER, JM стоматологиялық жастағы жаңа жүйе. сноуборд. биология. 45, 211-227 (1973).
Landis, JR және Koch, GG, категориялық мәліметтер бойынша бақылаушы келісім шаралары. Биометрика 33, 159-174 (1977).
Бхатчарже, Прақаш Д, Ким С, Ким Хк және Чи Хк. Бастапқы ми ісіктерін саралауға арналған жасанды интеллектуалды әдістерді қолдана отырып, екі өлшемді магниттік-резонанстық бейнелеудің текстуралық, морфологиялық және статистикалық талдауы. Денсаулық туралы ақпарат. Ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
POST уақыты: қаңтар-04-2024