Nature.com сайтына кіргеніңіз үшін рахмет.Сіз пайдаланып жатқан шолғыш нұсқасында шектеулі CSS қолдауы бар.Жақсы нәтижеге қол жеткізу үшін шолғыштың жаңарақ нұсқасын пайдалану ұсынылады (немесе Internet Explorer шолғышында үйлесімділік режимін өшіру).Әзірше, тұрақты қолдауды қамтамасыз ету үшін біз сайтты сәндеусіз немесе JavaScriptсіз көрсетеміз.
Тістер адам ағзасының жасының ең дәл көрсеткіші болып саналады және көбінесе сот-медициналық жасты бағалауда қолданылады.Біз 18 жылдық шекті бағалаудың дәлдігі мен классификация өнімділігін дәстүрлі әдістермен және деректерді өңдеуге негізделген жас бағалауларымен салыстыру арқылы деректерді өндіруге негізделген стоматологиялық жас бағалауларын растауды мақсат еттік.15 пен 23 жас аралығындағы корей және жапон азаматтарынан барлығы 2657 панорамалық рентгенограмма алынды.Олар әрқайсысында 900 корей рентгенограммасы бар оқу жинағына және 857 жапон рентгенограммасы бар ішкі сынақ жинағына бөлінді.Дәстүрлі әдістердің жіктелу дәлдігі мен тиімділігін деректерді іздеу модельдерінің сынақ жиынтықтарымен салыстырдық.Ішкі сынақ жинағы бойынша дәстүрлі әдістің дәлдігі деректерді іздеу үлгісінен сәл жоғары және айырмашылық аз (орташа абсолютті қате <0,21 жыл, орташа квадраттық қателік <0,24 жыл).18 жылдық үзіліс үшін жіктеу өнімділігі дәстүрлі әдістер мен деректерді іздеу үлгілері арасында да ұқсас.Осылайша, кореялық жасөспірімдер мен жас ересектердегі екінші және үшінші азу тістердің жетілуін пайдалана отырып, сот-медициналық жасты бағалауды жүргізу кезінде дәстүрлі әдістерді деректерді іздеу үлгілерімен ауыстыруға болады.
Стоматологиялық жасты бағалау сот медицинасында және балалар стоматологиясында кеңінен қолданылады.Атап айтқанда, хронологиялық жас пен стоматологиялық даму арасындағы жоғары корреляцияға байланысты тістердің даму кезеңдері бойынша жасты бағалау балалар мен жасөспірімдердің жасын бағалаудың маңызды критерийі болып табылады1,2,3.Дегенмен, жастар үшін тіс жасын тістердің жетілуіне байланысты бағалаудың шектеулері бар, өйткені үшінші азу тістерді қоспағанда, тістің өсуі дерлік аяқталды.Жастар мен жасөспірімдердің жасын анықтаудың заңдық мақсаты – олардың кәмелеттік жасқа толған-жетпегендігі туралы нақты бағалар мен ғылыми дәлелдер келтіру.Кореядағы жасөспірімдер мен жас ересектердің медициналық-құқықтық тәжірибесінде жас Ли әдісі арқылы бағаланды және Oh et al 5 хабарлаған деректер негізінде 18 жастың заңды шегі болжалды.
Машиналық оқыту - бұл үлкен көлемдегі деректерді бірнеше рет үйренетін және жіктейтін, мәселелерді өздігінен шешетін және деректерді бағдарламалауды басқаратын жасанды интеллект (AI) түрі.Машиналық оқыту деректердің үлкен көлемдеріндегі пайдалы жасырын үлгілерді таба алады6.Керісінше, еңбекті көп қажет ететін және көп уақытты қажет ететін классикалық әдістер қолмен өңдеу қиын болатын үлкен көлемдегі күрделі деректермен жұмыс істеу кезінде шектеулерге ие болуы мүмкін7.Сондықтан адам қателіктерін азайту және көп өлшемді деректерді тиімді өңдеу үшін соңғы компьютерлік технологияларды пайдалана отырып, соңғы уақытта көптеген зерттеулер жүргізілді8,9,10,11,12.Атап айтқанда, медициналық кескінді талдауда терең оқыту кеңінен қолданылды және жасты бағалаудың дәлдігі мен тиімділігін арттыру үшін рентгенограммаларды автоматты түрде талдау арқылы жасты бағалаудың әртүрлі әдістері хабарланды13,14,15,16,17,18,19,20 .Мысалы, Халаби және басқалар 13 балалардың қолдарының рентгенограммаларын пайдалана отырып, қаңқа жасын бағалау үшін конволюционды нейрондық желілерге (CNN) негізделген машинаны оқыту алгоритмін жасады.Бұл зерттеу медициналық кескіндерге машиналық оқытуды қолданатын модельді ұсынады және бұл әдістер диагностикалық дәлдікті жақсарта алатынын көрсетеді.Ли және басқалар 14 терең оқу CNN көмегімен жамбас рентгендік суреттерінен жасты есептеді және сүйектену сатысын бағалау арқылы оларды регрессия нәтижелерімен салыстырды.Олар терең оқыту CNN үлгісі дәстүрлі регрессия үлгісімен бірдей жасты бағалау өнімділігін көрсететінін анықтады.Гуо және басқалардың зерттеуі [15] стоматологиялық ортофотоға негізделген CNN технологиясының жасқа толеранттылық классификациясының өнімділігін бағалады және CNN моделінің нәтижелері адамдар оның жас классификациясының көрсеткіштерінен жоғары екенін дәлелдеді.
Машиналық оқыту арқылы жасты бағалау бойынша зерттеулердің көпшілігі терең оқыту әдістерін пайдаланады13,14,15,16,17,18,19,20.Терең оқуға негізделген жасты бағалау дәстүрлі әдістерге қарағанда дәлірек болады.Дегенмен, бұл тәсіл жасты бағалаудың ғылыми негіздерін ұсынуға аз мүмкіндік береді, мысалы, бағалауда қолданылатын жас көрсеткіштері.Сондай-ақ тексеруді кім жүргізетіні жөнінде де заңды дау бар.Сондықтан терең білімге негізделген жасты бағалауды әкімшілік және сот органдары қабылдауы қиын.Деректерді іздеу (ДМ) – бұл үлкен көлемдегі деректер арасындағы пайдалы корреляцияларды табу әдісі ретінде күтілетін ғана емес, күтпеген ақпаратты да таба алатын әдіс6,21,22.Деректерді өңдеуде машиналық оқыту жиі қолданылады және деректерді өңдеу де, машиналық оқыту да деректердегі үлгілерді табу үшін бірдей негізгі алгоритмдерді пайдаланады.Тіс дамуының көмегімен жасты бағалау емтихан алушының мақсатты тістердің жетілуін бағалауына негізделеді және бұл бағалау әрбір нысана тіс үшін кезең ретінде көрсетіледі.DM стоматологиялық бағалау кезеңі мен нақты жас арасындағы корреляцияны талдау үшін пайдаланылуы мүмкін және дәстүрлі статистикалық талдауды алмастыру мүмкіндігіне ие.Сондықтан, егер біз жасты бағалауға DM әдістерін қолданатын болсақ, біз заңды жауапкершілік туралы алаңдамай, сот-медициналық жасты бағалауда машиналық оқытуды жүзеге асыра аламыз.Сот-медициналық тәжірибеде қолданылатын дәстүрлі қол әдістеріне және стоматологиялық жасты анықтауға арналған ДМ негізіндегі әдістерге ықтимал баламалар туралы бірнеше салыстырмалы зерттеулер жарияланды.Shen et al23 DM үлгісі дәстүрлі Camerer формуласына қарағанда дәлірек екенін көрсетті.Галибур және басқалары24 Демирджян критерийіне сәйкес жасты болжау үшін әртүрлі DM әдістерін қолданды25 және нәтижелер DM әдісі француз халқының жасын бағалауда Демирджян және Виллемс әдістерінен асып түсетінін көрсетті.
Кореялық жасөспірімдер мен жас ересектердің стоматологиялық жасын бағалау үшін Кореяның сот-медициналық тәжірибесінде Лидің 4 әдісі кеңінен қолданылады.Бұл әдіс корей субъектілері мен хронологиялық жас арасындағы байланысты зерттеу үшін дәстүрлі статистикалық талдауды (мысалы, бірнеше регрессия) пайдаланады.Бұл зерттеуде дәстүрлі статистикалық әдістерді қолдану арқылы алынған жасты бағалау әдістері «дәстүрлі әдістер» ретінде анықталады.Ли әдісі дәстүрлі әдіс болып табылады және оның дәлдігін Oh et al.5;дегенмен, Кореяның сот-медициналық тәжірибесінде DM үлгісіне негізделген жасты бағалаудың қолданылуы әлі де күмәнді.Біздің мақсатымыз DM үлгісіне негізделген жасты бағалаудың әлеуетті пайдалылығын ғылыми тұрғыдан растау болды.Бұл зерттеудің мақсаты (1) стоматологиялық жасты бағалаудағы екі DM моделінің дәлдігін салыстыру және (2) 18 жастағы 7 DM моделінің классификациялық көрсеткіштерін дәстүрлі статистикалық әдістерді қолдану арқылы алынғандармен салыстыру болды. және екі жақтың үшінші азу тістері.
Хронологиялық жастың сатысы мен тіс түрі бойынша көрсеткіштері мен стандартты ауытқулары S1 қосымша кестесінде (жаттығу жинағы), S2 қосымша кестесінде (ішкі сынақ жинағы) және S3 қосымша кестесінде (сыртқы сынақ жинағы) онлайн режимінде көрсетілген.Жаттығу жиынынан алынған ішкі және бақылаушы аралық сенімділік үшін каппа мәндері сәйкесінше 0,951 және 0,947 болды.P мәндері және каппа мәндері үшін 95% сенімділік интервалдары S4 онлайн қосымша кестесінде көрсетілген.Каппа мәні Ландис пен Кох26 критерийлеріне сәйкес «дерлік мінсіз» деп түсіндірілді.
Орташа абсолютті қатені (MAE) салыстыру кезінде дәстүрлі әдіс көпқабатты перцептронды (MLP) қоспағанда, барлық жыныстар үшін және сыртқы ерлер сынақ жинағындағы DM үлгісінен сәл асып түседі.Ішкі MAE сынақ жинағындағы дәстүрлі үлгі мен DM үлгісі арасындағы айырмашылық ерлер үшін 0,12–0,19 жасты және әйелдер үшін 0,17–0,21 жасты құрады.Сыртқы сынақ батареясы үшін айырмашылықтар азырақ (ерлер үшін 0,001–0,05 жас және әйелдер үшін 0,05–0,09 жыл).Сонымен қатар, орташа квадраттық қателік (RMSE) дәстүрлі әдістен сәл төмен, айырмашылықтары азырақ (ерлердің ішкі сынақ жинағы үшін 0,17–0,24, 0,2–0,24 және сыртқы сынақ жинағы үшін 0,03–0,07, 0,04–0,08).).Әйел сыртқы сынақ жинағы жағдайын қоспағанда, MLP бір қабатты перцептронға (SLP) қарағанда сәл жақсырақ өнімділікті көрсетеді.MAE және RMSE үшін сыртқы сынақ жинағы барлық жыныстар мен үлгілер үшін ішкі сынақ жиынынан жоғары ұпай береді.Барлық MAE және RMSE 1-кестеде және 1-суретте көрсетілген.
Дәстүрлі және деректерді өңдеу регрессия үлгілерінің MAE және RMSE.Орташа абсолютті қате MAE, орташа квадраттық қателік RMSE, бір қабатты перцептрон SLP, көпқабатты қабылдау MLP, дәстүрлі CM әдісі.
Дәстүрлі және DM үлгілерінің классификациялық өнімділігі (18 жыл үзіліспен) сезімталдық, ерекшелік, оң болжамдық мән (PPV), теріс болжау мәні (NPV) және қабылдағыштың жұмыс сипаттамасы қисығы астындағы аудан (AUROC) бойынша көрсетілді. 27 (2-кесте, 2-сурет және қосымша 1-сурет онлайн).Ішкі сынақ батареясының сезімталдығы бойынша дәстүрлі әдістер ерлер арасында жақсы нәтиже көрсетті, ал әйелдер арасында нашар.Дегенмен, дәстүрлі әдістер мен SD арасындағы жіктеу өнімділігінің айырмашылығы ерлер үшін 9,7% (MLP) және әйелдер үшін тек 2,4% (XGBoost) құрайды.DM модельдерінің арасында логистикалық регрессия (LR) екі жыныста да жақсы сезімталдықты көрсетті.Ішкі сынақ жинағының ерекшелігіне келетін болсақ, төрт SD үлгісі ерлерде жақсы нәтиже көрсеткені байқалды, ал дәстүрлі үлгі әйелдерде жақсырақ нәтиже көрсетті.Ерлер мен әйелдер үшін жіктеу өнімділігіндегі айырмашылықтар тиісінше 13,3% (MLP) және 13,1% (MLP) құрайды, бұл модельдер арасындағы жіктеу өнімділігінің айырмашылығы сезімталдықтан асып түсетінін көрсетеді.DM үлгілерінің ішінде тірек векторлық машинасы (SVM), шешім ағашы (DT) және кездейсоқ орман (RF) үлгілері ерлер арасында жақсы нәтиже көрсетті, ал LR моделі әйелдер арасында жақсы нәтиже көрсетті.Дәстүрлі үлгінің және барлық SD үлгілерінің AUROC мәні 0,925-тен жоғары болды (ерлердегі k-ең жақын көрші (KNN)), бұл 18 жастағы үлгілерді дискриминациялауда тамаша жіктеу өнімділігін көрсетті28.Сыртқы сынақ жинағы үшін ішкі сынақ жинағымен салыстырғанда сезімталдық, ерекшелік және AUROC бойынша жіктеу өнімділігінің төмендеуі байқалды.Сонымен қатар, ең жақсы және ең нашар үлгілердің жіктелу көрсеткіштері арасындағы сезімталдық пен ерекшеліктегі айырмашылық 10%-дан 25%-ға дейін ауытқиды және ішкі сынақ жиынындағы айырмашылықтан үлкен болды.
18 жылдық үзіліспен дәстүрлі әдістермен салыстырғанда деректерді өндіру классификациясының модельдерінің сезімталдығы мен ерекшелігі.KNN k жақын көрші, SVM қолдау векторлық машинасы, LR логистикалық регрессия, DT шешім ағашы, RF кездейсоқ орман, XGB XGBoost, MLP көпқабатты перцептрон, дәстүрлі CM әдісі.
Бұл зерттеудің бірінші қадамы жеті DM үлгісінен алынған тіс жасын бағалаудың дәлдігін дәстүрлі регрессия арқылы алынғандармен салыстыру болды.MAE және RMSE екі жыныс үшін де ішкі сынақ жинақтарында бағаланды және дәстүрлі әдіс пен DM үлгісі арасындағы айырмашылық MAE үшін 44-тен 77 күнге дейін және RMSE үшін 62-ден 88 күнге дейін ауытқиды.Бұл зерттеуде дәстүрлі әдіс сәл дәлірек болғанымен, мұндай аздаған айырмашылықтың клиникалық немесе практикалық маңызы бар ма деген қорытынды жасау қиын.Бұл нәтижелер DM үлгісін қолданатын стоматологиялық жасты бағалаудың дәлдігі дәстүрлі әдіспен бірдей дерлік екенін көрсетеді.Алдыңғы зерттеулердің нәтижелерімен тікелей салыстыру қиын, өйткені ешбір зерттеуде осы зерттеудегідей жас диапазонында тістерді жазудың бірдей әдісін қолданатын дәстүрлі статистикалық әдістермен DM үлгілерінің дәлдігін салыстырған жоқ.Galibourg et al24 2 жастан 24 жасқа дейінгі француз популяциясындағы екі дәстүрлі әдіс (Demirjian әдісі25 және Виллемс әдісі29) және 10 DM моделі арасында MAE және RMSE салыстырды.Олар барлық DM үлгілері дәстүрлі әдістерге қарағанда дәлірек болды, сәйкесінше Виллемс және Демирджян әдістерімен салыстырғанда MAE-де 0,20 және 0,38 жыл және RMSE-де 0,25 және 0,47 жыл айырмашылықтары бар.SD үлгісі мен Галибург зерттеуінде көрсетілген дәстүрлі әдістер арасындағы сәйкессіздік Демирджиан әдісі зерттеуге негізделген француз канадалықтарынан басқа популяциялардағы тіс жасын дәл есептемейтіні туралы көптеген есептерді ескереді30,31,32,33.осы зерттеуде.Tai et al 34 MLP алгоритмін 1636 қытайлық ортодонтиялық фотосуреттерден тіс жасын болжау үшін қолданды және оның дәлдігін Демирджян және Виллемс әдісінің нәтижелерімен салыстырды.Олар MLP дәстүрлі әдістерге қарағанда жоғары дәлдікке ие екенін хабарлады.Демирджиан әдісі мен дәстүрлі әдіс арасындағы айырмашылық <0,32 жыл, Виллемс әдісі 0,28 жыл, бұл осы зерттеудің нәтижелеріне ұқсас.Осы алдыңғы зерттеулердің нәтижелері24,34 де осы зерттеудің нәтижелеріне сәйкес келеді және DM үлгісі мен дәстүрлі әдістің жасты бағалау дәлдігі ұқсас.Дегенмен, ұсынылған нәтижелерге сүйене отырып, біз жасты бағалау үшін DM модельдерін пайдалану салыстырмалы және анықтамалық алдыңғы зерттеулердің болмауына байланысты бар әдістерді алмастыруы мүмкін деген қорытынды жасауға болады.Осы зерттеуде алынған нәтижелерді растау үшін үлкен үлгілерді қолданатын кейінгі зерттеулер қажет.
Тіс жасын бағалауда SD дәлдігін сынайтын зерттеулердің ішінде кейбіреулері біздің зерттеуге қарағанда жоғары дәлдік көрсетті.Степановский және басқалар 35 2,7 жастан 20,5 жасқа дейінгі 976 чех тұрғынының панорамалық рентгенограммаларына 22 SD моделін қолданды және әрбір модельдің дәлдігін тексерді.Олар Moorrees et al 36 ұсынған жіктеу критерийлерін пайдалана отырып, жалпы 16 жоғарғы және төменгі сол жақ тұрақты тістердің дамуын бағалады.MAE 0,64-тен 0,94 жылға дейін және RMSE 0,85-тен 1,27 жылға дейін ауытқиды, бұл зерттеуде пайдаланылған екі DM үлгісіне қарағанда дәлірек.Shen et al23 5 жастан 13 жасқа дейінгі шығыс қытай тұрғындарының сол жақ төменгі жақ сүйегіндегі жеті тұрақты тістің тіс жасын бағалау үшін Cameriere әдісін қолданды және оны сызықтық регрессия, SVM және RF көмегімен есептелген жастармен салыстырды.Олар барлық үш DM моделінің дәстүрлі Cameriere формуласымен салыстырғанда жоғары дәлдікке ие екенін көрсетті.Шеннің зерттеуіндегі MAE және RMSE осы зерттеудегі DM үлгісіне қарағанда төмен болды.Степановский және т.б. зерттеулерінің жоғары дәлдігі.35 және Shen et al.23 олардың зерттеу үлгілеріне жас субъектілердің қосылуына байланысты болуы мүмкін.Тістері дамып келе жатқан қатысушылардың жасын бағалау стоматологиялық даму кезінде тістердің саны артқан сайын дәлірек болатындықтан, зерттеуге қатысушылар жас болған кезде алынған жасты бағалау әдісінің дәлдігі бұзылуы мүмкін.Сонымен қатар, MLP жасын бағалаудағы қатесі SLP қателерінен сәл аз, яғни MLP SLP қарағанда дәлірек.MLP жасты бағалау үшін сәл жақсырақ болып саналады, мүмкін MLP38 ішіндегі жасырын қабаттарға байланысты.Дегенмен, әйелдердің сыртқы үлгісі үшін ерекшелік бар (SLP 1.45, MLP 1.49).MLP жасты бағалауда SLP-ге қарағанда дәлірек екенін анықтау қосымша ретроспективті зерттеулерді қажет етеді.
Сондай-ақ DM моделінің классификациялық өнімділігі мен дәстүрлі әдістің 18 жылдық шегінде салыстырылды.Барлық тексерілген SD үлгілері мен ішкі сынақ жиынындағы дәстүрлі әдістер 18 жастағы үлгі үшін кемсітушіліктің іс жүзінде қолайлы деңгейлерін көрсетті.Ерлер мен әйелдердің сезімталдығы сәйкесінше 87,7% және 94,9%, ал ерекшелік 89,3% және 84,7% жоғары болды.Барлық сынақтан өткен үлгілердің AUROC мәні де 0,925-тен асады.Біздің білуімізше, тістердің жетілуіне негізделген 18 жылдық жіктеу үшін DM моделінің өнімділігін сынаған зерттеулер жоқ.Бұл зерттеудің нәтижелерін панорамалық рентгенограммалардағы терең оқыту үлгілерінің классификациялық көрсеткіштерімен салыстыруға болады.Гуо және т.б.15 белгілі бір жас шегі үшін CNN негізіндегі терең оқыту моделінің және Демирджян әдісіне негізделген қол әдісінің жіктелу өнімділігін есептеді.Қол әдісінің сезімталдығы мен ерекшелігі сәйкесінше 87,7% және 95,5% құрады, ал CNN моделінің сезімталдығы мен ерекшелігі сәйкесінше 89,2% және 86,6% асты.Олар терең оқыту үлгілері жас шектерін жіктеуде қолмен бағалауды алмастыра алады немесе одан асып түседі деген қорытындыға келді.Осы зерттеудің нәтижелері ұқсас жіктеу өнімділігін көрсетті;DM модельдерін қолданатын классификация жасты бағалаудың дәстүрлі статистикалық әдістерін алмастыра алады деп саналады.Модельдер арасында DM LR еркек үлгісі үшін сезімталдық және әйел үлгісі үшін сезімталдық пен ерекшелік бойынша ең жақсы үлгі болды.LR ерлерге арналған ерекшелігі бойынша екінші орында.Сонымен қатар, LR пайдаланушыға ыңғайлы DM35 үлгілерінің бірі болып саналады және күрделірек және өңдеуге қиын.Осы нәтижелерге сүйене отырып, LR корей популяциясындағы 18 жастағылар үшін ең жақсы шекті жіктеу үлгісі болып саналды.
Жалпы, сыртқы сынақ жиынындағы жасты бағалаудың дәлдігі немесе жіктеу өнімділігі ішкі сынақ жиынындағы нәтижелермен салыстырғанда нашар немесе төмен болды.Кейбір есептер корей популяциясына негізделген жас бағалаулары жапон халқына қолданылғанда жіктеу дәлдігі немесе тиімділігі төмендейтінін көрсетеді5,39 және осы зерттеуде ұқсас үлгі табылды.Бұл нашарлау үрдісі DM үлгісінде де байқалды.Сондықтан, жасты дәл бағалау үшін, тіпті талдау процесінде DM пайдаланған кезде, дәстүрлі әдістер сияқты жергілікті халық деректерінен алынған әдістерге артықшылық беру керек5,39,40,41,42.Терең оқыту үлгілері ұқсас тенденцияларды көрсете алатыны белгісіз болғандықтан, жасанды интеллект шектеулі жаста бұл нәсілдік теңсіздіктерді жеңе алатынын растау үшін дәстүрлі әдістерді, DM үлгілерін және сол үлгілердегі терең оқыту үлгілерін пайдаланып жіктеу дәлдігі мен тиімділігін салыстыратын зерттеулер қажет.бағалаулар.
Біз Кореядағы сот-медициналық жасты бағалау тәжірибесінде DM үлгісіне негізделген дәстүрлі әдістерді жасты бағалаумен алмастыруға болатындығын көрсетеміз.Сондай-ақ біз сот-медициналық жасты бағалау үшін машиналық оқытуды енгізу мүмкіндігін таптық.Дегенмен, нәтижелерді түпкілікті анықтау үшін осы зерттеуге қатысушылар санының жеткіліксіздігі және осы зерттеу нәтижелерін салыстыру және растау үшін алдыңғы зерттеулердің болмауы сияқты нақты шектеулер бар.Болашақта DM зерттеулерін дәстүрлі әдістермен салыстырғанда оның практикалық қолдану мүмкіндігін жақсарту үшін үлгілердің көп санымен және әртүрлі популяциялармен жүргізілуі керек.Көптеген популяциялардағы жасты бағалау үшін жасанды интеллектті пайдаланудың орындылығын растау үшін DM және терең оқыту үлгілерінің классификация дәлдігі мен тиімділігін сол үлгілердегі дәстүрлі әдістермен салыстыру үшін болашақ зерттеулер қажет.
Зерттеуге 15 пен 23 жас аралығындағы корей және жапондық ересектерден жиналған 2657 орфографиялық фотосурет пайдаланылды.Корей рентгенограммалары 900 оқу жинағына (19,42 ± 2,65 жыл) және 900 ішкі сынақ жинағына (19,52 ± 2,59 жыл) бөлінді.Оқу жинағы бір мекемеде (Сеул Әулие Мэри ауруханасы), ал жеке сынақ жинағы екі мекемеде (Сеул ұлттық университетінің стоматологиялық ауруханасы және Йонсей университетінің стоматологиялық ауруханасы) жиналды.Біз сондай-ақ сыртқы тестілеу үшін басқа популяция деректерінен (Ивате медициналық университеті, Жапония) 857 рентгенограмма жинадық.Сыртқы сынақ жинағы ретінде жапондық субъектілердің рентгенографиясы (19,31 ± 2,60 жыл) таңдалды.Деректер стоматологиялық емдеу кезінде түсірілген панорамалық рентгенограммалар бойынша стоматологиялық даму кезеңдерін талдау үшін ретроспективті түрде жиналды.Жынысы, туған күні және рентгенограмма күнін қоспағанда, барлық жиналған деректер анонимді болды.Қосу және алып тастау критерийлері бұрын жарияланған зерттеулермен бірдей болды 4, 5.Үлгінің нақты жасы рентгенограмма алынған күннен туған күнін шегеру арқылы есептелді.Таңдамалы топ тоғыз жас тобына бөлінді.Жасы мен жынысы бойынша үлестірім 3-кестеде көрсетілген. Бұл зерттеу Хельсинки Декларациясына сәйкес жүргізілген және Корея Католик Университетінің Сеул Әулие Мэри ауруханасының (KC22WISI0328) Институционалдық шолу кеңесімен (IRB) бекітілген.Осы зерттеудің ретроспективті дизайнына байланысты терапевтік мақсатта рентгенографиялық тексеруден өтетін барлық пациенттерден ақпараттандырылған келісімді алу мүмкін болмады.Сеул Корея университетінің Әулие Мэри ауруханасы (IRB) ақпараттандырылған келісім талабынан бас тартты.
Бимаксилярлы екінші және үшінші азу тістердің даму кезеңдері Демиржан критерийлеріне сәйкес бағаланды25.Әрбір жақтың сол және оң жағында бір типті тіс табылса, бір ғана тіс таңдалды.Егер екі жақтағы гомологиялық тістер әртүрлі даму кезеңдерінде болса, болжамды жаста белгісіздікті есепке алу үшін төменгі даму сатысы бар тіс таңдалды.Тістің жетілу кезеңін анықтау үшін алдын ала калибрлеуден кейін бақылаушылар арасындағы сенімділікті тексеру үшін оқу жинағынан кездейсоқ таңдалған жүз рентгенограмманы екі тәжірибелі бақылаушы жинады.Бақылаушы ішілік сенімділігін бастапқы бақылаушы үш айлық аралықпен екі рет бағалады.
Жаттығу жиынындағы әрбір жақтың екінші және үшінші азу тістерінің жынысы мен даму сатысын әртүрлі DM үлгілерімен оқытылған бастапқы бақылаушы бағалады және мақсатты мән ретінде нақты жас белгіленді.Машиналық оқытуда кеңінен қолданылатын SLP және MLP үлгілері регрессия алгоритмдеріне қарсы сынақтан өтті.DM моделі төрт тістің даму кезеңдерін пайдаланып сызықтық функцияларды біріктіреді және жасты бағалау үшін осы деректерді біріктіреді.SLP - ең қарапайым нейрондық желі және жасырын қабаттарды қамтымайды.SLP түйіндер арасындағы шекті беру негізінде жұмыс істейді.Регрессиядағы SLP моделі математикалық тұрғыдан бірнеше сызықтық регрессияға ұқсас.SLP үлгісінен айырмашылығы, MLP үлгісінде сызықты емес белсендіру функциялары бар бірнеше жасырын қабаттар бар.Біздің эксперименттеріміз сызықты емес белсендіру функциялары бар 20 жасырын түйіні бар жасырын қабатты пайдаланды.Оңтайландыру әдісі ретінде градиенттің төмендеуін және машиналық оқыту үлгісін үйрету үшін жоғалту функциясы ретінде MAE және RMSE пайдаланыңыз.Ең жақсы алынған регрессия үлгісі ішкі және сыртқы сынақ жиынтықтарына қолданылды және тістердің жасы бағаланды.
Үлгінің 18 жаста немесе жоқтығын болжау үшін оқу жинағындағы төрт тістің жетілуін пайдаланатын жіктеу алгоритмі әзірленді.Модельді құру үшін біз машинаны оқытудың жеті алгоритмін 6,43 алдық: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost және (7) MLP .LR ең көп қолданылатын жіктеу алгоритмдерінің бірі болып табылады44.Бұл 0-ден 1-ге дейінгі белгілі бір санатқа жататын деректердің ықтималдығын болжау үшін регрессияны қолданатын және осы ықтималдық негізінде деректерді неғұрлым ықтимал санатқа жататын ретінде жіктейтін бақыланатын оқыту алгоритмі;негізінен екілік классификация үшін қолданылады.KNN машиналық оқытудың қарапайым алгоритмдерінің бірі болып табылады45.Жаңа кіріс деректері берілгенде, ол бар жиынтыққа жақын k деректерді табады, содан кейін оларды ең жоғары жиіліктегі классқа жіктейді.Қарастырылған көршілер санына (k) 3 орнаттық.SVM - өрістер46 деп аталатын сызықтық кеңістікті сызықтық емес кеңістікке кеңейту үшін ядро функциясын пайдалану арқылы екі класс арасындағы қашықтықты барынша арттыратын алгоритм.Бұл модель үшін полиномдық ядро үшін гиперпараметрлер ретінде қиғаштық = 1, қуат = 1 және гамма = 1 қолданамыз.DT әр түрлі өрістерде ағаш құрылымында шешім қабылдау ережелерін көрсету арқылы тұтас деректер жиынын бірнеше ішкі топтарға бөлу алгоритмі ретінде қолданылған47.Модель 2 түйіндегі жазбалардың ең аз санымен конфигурацияланған және сапа өлшемі ретінде Джини индексін пайдаланады.RF – бастапқы деректер жиынынан бірдей өлшемді үлгілерді бірнеше рет кездейсоқ сызу арқылы әрбір үлгі үшін әлсіз классификаторды генерациялайтын жүктеуді біріктіру әдісі арқылы өнімділікті жақсарту үшін бірнеше DT біріктіретін ансамбль әдісі48.Біз түйінді бөлу критерийі ретінде 100 ағашты, 10 ағаш тереңдігін, 1 ең төменгі түйін өлшемін және Джини қоспасының индексін қолдандық.Жаңа деректердің жіктелуі көпшілік дауыспен анықталады.XGBoost - жаттығу деректері ретінде алдыңғы үлгінің нақты және болжамды мәндері арасындағы қатені алатын және градиенттер49 арқылы қатені арттыратын әдісті пайдалана отырып, күшейту әдістерін біріктіретін алгоритм.Бұл оның жақсы өнімділігі мен ресурс тиімділігі, сондай-ақ шамадан тыс түзету функциясы ретінде жоғары сенімділігі арқасында кеңінен қолданылатын алгоритм.Модель 400 тірек доңғалақтарымен жабдықталған.MLP – бір немесе бірнеше қабылдаушы кіріс және шығыс қабаттары арасында бір немесе бірнеше жасырын қабаттары бар бірнеше қабаттарды құрайтын нейрондық желі38.Мұны пайдаланып, кіріс қабатын қосқанда және нәтиже мәнін алған кезде болжамды нәтиже мәні нақты нәтиже мәнімен салыстырылатын және қате кері таралатын сызықты емес жіктеуді орындауға болады.Біз әр қабатта 20 жасырын нейроннан тұратын жасырын қабат жасадық.Біз әзірлеген әрбір модель сезімталдықты, ерекшелікті, PPV, NPV және AUROC есептеу арқылы жіктеу өнімділігін тексеру үшін ішкі және сыртқы жинақтарға қолданылды.Сезімталдық жасы 18-ге толған немесе одан жоғары деп есептелетін үлгінің 18 жаста немесе одан жоғары деп есептелген үлгіге қатынасы ретінде анықталады.Ерекшелік - 18 жасқа толмаған және 18 жасқа толмаған үлгілердің үлесі.
Оқу жинағында бағаланған стоматологиялық кезеңдер статистикалық талдау үшін сандық кезеңдерге айналдырылды.Әр жыныс үшін болжамды модельдерді әзірлеу және жасты бағалау үшін қолданылатын регрессия формулаларын алу үшін көп айнымалы сызықтық және логистикалық регрессия орындалды.Біз бұл формулаларды ішкі және сыртқы сынақ жиынтықтары үшін тіс жасын бағалау үшін пайдаландық.4-кестеде осы зерттеуде пайдаланылған регрессия және классификация үлгілері көрсетілген.
Ішкі және бақылаушы аралық сенімділік Коэннің каппа статистикасы арқылы есептелді.DM және дәстүрлі регрессия үлгілерінің дәлдігін тексеру үшін біз ішкі және сыртқы сынақ жинақтарының болжалды және нақты жасын пайдаланып MAE және RMSE есептедік.Бұл қателер әдетте модель болжамдарының дәлдігін бағалау үшін пайдаланылады.Қате неғұрлым аз болса, болжамның дәлдігі соғұрлым жоғары болады24.DM және дәстүрлі регрессия көмегімен есептелген ішкі және сыртқы сынақ жиындарының MAE және RMSE салыстырыңыз.Дәстүрлі статистикадағы 18 жылдық үзілістің классификациялық өнімділігі 2 × 2 күтпеген жағдайлар кестесі арқылы бағаланды.Сынақ жинағының есептелген сезімталдығы, ерекшелігі, PPV, NPV және AUROC DM классификация моделінің өлшенген мәндерімен салыстырылды.Деректер деректер сипаттамаларына байланысты орташа ± стандартты ауытқу немесе сан (%) ретінде көрсетіледі.Екі жақты P мәндері <0,05 статистикалық маңызды деп саналды.Барлық әдеттегі статистикалық талдаулар SAS 9.4 нұсқасы (SAS институты, Cary, NC) арқылы орындалды.DM регрессия моделі Python тілінде Keras50 2.2.4 сервері мен Tensorflow51 1.8.0 көмегімен арнайы математикалық операциялар үшін жүзеге асырылды.DM жіктеу моделі Waikato білім талдау ортасында және Konstanz Information Miner (KNIME) 4.6.152 талдау платформасында іске асырылды.
Авторлар зерттеу қорытындыларын растайтын мәліметтерді мақалада және қосымша материалдардан табуға болатынын мойындайды.Зерттеу барысында жасалған және/немесе талданған деректер жинақтары негізделген сұрау бойынша тиісті автордан қол жетімді.
Ritz-Timme, S. et al.Жас деңгейін бағалау: сот-медициналық тәжірибенің нақты талаптарын қанағаттандыру үшін техниканың деңгейі.интернационалдық.J. Заң медицинасы.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Қылмыстық қудалау мақсатында тірі субъектілердің жасын бағалаудың қазіргі жағдайы.Криминалистика.дәрі.Патология.1, 239–246 (2005).
Пан, Дж. және т.б.Шығыс Қытайдағы 5 пен 16 жас аралығындағы балалардың тіс жасын бағалаудың өзгертілген әдісі.клиникалық.Ауызша сауалнама.25, 3463–3474 (2021).
Ли, С.С. және т.б. Корейлердегі екінші және үшінші азу тістердің даму хронологиясы және оны сот-медициналық жасты бағалау үшін қолдану.интернационалдық.J. Заң медицинасы.124, 659–665 (2010).
О, С., Кумагай, А., Ким, SY және Ли, SS Корейлер мен жапондардағы екінші және үшінші азу тістердің жетілуіне негізделген жасты бағалау және 18 жылдық шекті бағалаудың дәлдігі.PLoS ONE 17, e0271247 (2022).
Ким, Джи Ю, т.б.Операция алдындағы машиналық оқытуға негізделген деректерді талдау OSA бар науқастарда ұйқы хирургиясының емдеу нәтижесін болжай алады.ғылым.Есеп 11, 14911 (2021).
Хан, M. және т.б.Адамның араласуымен немесе онсыз машиналық оқытудан алынған жасты дәл бағалау?интернационалдық.J. Заң медицинасы.136, 821–831 (2022).
Хан, С. және Шахин, М. Деректерді өндіруден деректерді өндіруге дейін.J. Ақпарат.ғылым.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. WisRule: Қауымдастық ережелерін өндірудің бірінші когнитивтік алгоритмі.J. Ақпарат.ғылым.https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. және Абдулла У. Карм: Мәтінмәнге негізделген ассоциация ережелеріне негізделген дәстүрлі деректерді өндіру.есептеу.Мэтт.жалғастыру.68, 3305–3322 (2021).
Мұхаммед М., Рехман З., Шахин М., Хан М. және Хабиб М. Мәтіндік деректерді пайдалану арқылы терең оқыту негізінде семантикалық ұқсастықты анықтау.хабарлау.технологиялар.бақылау.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З. және Шахин, М. Спорттық бейнелердегі белсенділікті тану жүйесі.мультимедиа.Құралдар қолданбалары https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, SS және т.б.Балалардың сүйек жасындағы RSNA Machine Learning Challenge.Радиология 290, 498–503 (2019).
Ли, Y. және т.б.Терең оқытуды қолдана отырып, жамбас рентгенографиясынан сот-медициналық жасты бағалау.ЕУРО.радиация.29, 2322–2329 (2019 ж.).
Гуо, YC және т.б.Орфографиялық проекциялық кескіндерден қолмен әдістер мен терең конволюционды нейрондық желілерді қолдану арқылы дәл жас классификациясы.интернационалдық.J. Заң медицинасы.135, 1589–1597 (2021).
Алабама Далора және т.б.Әртүрлі машиналық оқыту әдістерін қолдану арқылы сүйек жасын бағалау: жүйелі әдебиетті шолу және мета-талдау.PLoS ONE 14, e0220242 (2019).
Ду, Х., Ли, Г., Ченг, К. және Янг, Дж. Конус-сәулелік компьютерлік томографияны пайдалана отырып, бірінші азу тістердің целлюлоза камерасының көлеміне негізделген афроамерикалықтар мен қытайлықтардың популяциялық жасын бағалау.интернационалдық.J. Заң медицинасы.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK and Oh KS Бірінші азу тістердің жасанды интеллект негізіндегі суреттерін пайдаланып тірі адамдардың жас топтарын анықтау.ғылым.Есеп 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. Көп өзгермелі MRI деректерінен жасты автоматты түрде бағалау және көпшілік жас классификациясы.IEEE J. Biomed.Денсаулық туралы ескертулер.23, 1392–1403 (2019).
Ченг, Q., Ge, Z., Du, H. және Li, G. Терең оқыту мен деңгей жинақтарын біріктіру арқылы конусты сәулелік компьютерлік томографиядан бірінші молярлардың 3D целлюлоза камерасының сегментациясына негізделген жасты бағалау.интернационалдық.J. Заң медицинасы.135, 365–373 (2021).
Ву, ВТ және т.б.Клиникалық үлкен деректердегі деректерді іздеу: жалпы мәліметтер базасы, қадамдар және әдістер үлгілері.Әлем.дәрі.ресурс.8, 44 (2021).
Ян, Дж. және т.б.Үлкен деректер дәуіріндегі медициналық деректер базаларына және деректерді өндіру технологияларына кіріспе.Дж. Авид.Негізгі медицина.13, 57–69 (2020).
Шен, С. және т.б.Машиналық оқытуды қолдана отырып, тіс жасын бағалауға арналған Камерер әдісі.BMC ауызша денсаулық 21, 641 (2021).
Галлибург А. және т.б.Демирджянның кезеңдік әдісін қолдана отырып, тіс жасын болжау үшін әртүрлі машиналық оқыту әдістерін салыстыру.интернационалдық.J. Заң медицинасы.135, 665–675 (2021).
Демирджян, А., Голдштейн, Х. және Таннер, Дж.М. Стоматологиялық жасты бағалаудың жаңа жүйесі.күрсіну.биология.45, 211–227 (1973).
Ландис, Дж.Р. және Кох, Г.Г. Категориялық деректер бойынша бақылаушы келісімінің шаралары.Биометрия 33, 159–174 (1977).
Бхаттачарджи С, Пракаш Д, Ким С, Ким ХК және Чой ХК.Бас миының ісіктерін саралау үшін жасанды интеллект әдістерін қолдана отырып, екі өлшемді магнитті-резонансты бейнелеудің текстуралық, морфологиялық және статистикалық талдауы.Денсаулық туралы ақпарат.ресурс.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Жіберу уақыты: 04.04.2024 ж