Nature.com сайтына кіргеніңіз үшін рақмет. Сіз пайдаланып отырған браузер нұсқасында CSS қолдауы шектеулі. Ең жақсы нәтижелерге қол жеткізу үшін браузеріңіздің жаңа нұсқасын пайдалануды (немесе Internet Explorer бағдарламасында үйлесімділік режимін өшіруді) ұсынамыз. Сонымен қатар, үздіксіз қолдауды қамтамасыз ету үшін біз сайтты стильдеусіз немесе JavaScriptсіз көрсетіп жатырмыз.
Тістер адам денесінің жасын анықтаудың ең дәл көрсеткіші болып саналады және көбінесе сот-медициналық жасты бағалауда қолданылады. Біз деректерді іздеуге негізделген тіс жасын бағалауды 18 жылдық шекті бағалау дәлдігі мен жіктеу өнімділігін дәстүрлі әдістермен және деректерді іздеуге негізделген жасты бағалаумен салыстыру арқылы тексеруді мақсат еттік. 15 жастан 23 жасқа дейінгі кореялық және жапондық азаматтардан барлығы 2657 панорамалық рентгенограмма жиналды. Олар әрқайсысында 900 кореялық рентгенограмма бар жаттығу жиынтығына және 857 жапондық рентгенограмма бар ішкі сынақ жиынтығына бөлінді. Біз дәстүрлі әдістердің жіктеу дәлдігі мен тиімділігін деректерді іздеу модельдерінің сынақ жиынтығымен салыстырдық. Ішкі сынақ жиынтығындағы дәстүрлі әдістің дәлдігі деректерді іздеу моделіне қарағанда сәл жоғары және айырмашылық аз (орташа абсолютті қате <0,21 жыл, орташа квадраттық қате <0,24 жыл). 18 жылдық шекті мән үшін жіктеу өнімділігі дәстүрлі әдістер мен деректерді іздеу модельдері арасында да ұқсас. Осылайша, кореялық жасөспірімдер мен жас ересектерде екінші және үшінші азу тістердің жетілуін пайдаланып, сот-медициналық жасты бағалау кезінде дәстүрлі әдістерді деректерді іздеу модельдерімен алмастыруға болады.
Тіс жасын бағалау сот медицинасында және балалар стоматологиясында кеңінен қолданылады. Атап айтқанда, хронологиялық жас пен тіс дамуы арасындағы жоғары корреляцияға байланысты, тіс даму кезеңдеріне қарай жасын бағалау балалар мен жасөспірімдердің жасын бағалаудың маңызды критерийі болып табылады1,2,3. Дегенмен, жастар үшін тістің жетілуіне негізделген тіс жасын бағалаудың өз шектеулері бар, себебі үшінші азу тістерден басқа тістің өсуі толық дерлік. Жасөспірімдер мен жасөспірімдердің жасын анықтаудың заңды мақсаты - олардың кәмелетке толған-толғанбағанын дәл бағалау және ғылыми дәлелдер келтіру. Кореядағы жасөспірімдер мен жас ересектердің медициналық-құқықтық тәжірибесінде жас Ли әдісін қолдану арқылы бағаланды, ал Ох және т.б. 5 ұсынған деректер негізінде 18 жас заңды шегі болжанды.
Машиналық оқыту - бұл үлкен көлемдегі деректерді бірнеше рет үйренетін және жіктейтін, мәселелерді өз бетінше шешетін және деректерді бағдарламалауды басқаратын жасанды интеллекттің (ЖИ) бір түрі. Машиналық оқыту үлкен көлемдегі деректердегі пайдалы жасырын үлгілерді аша алады6. Керісінше, еңбекті көп қажет ететін және уақытты қажет ететін классикалық әдістер қолмен өңдеу қиын үлкен көлемдегі күрделі деректермен жұмыс істегенде шектеулерге ие болуы мүмкін7. Сондықтан, адами қателіктерді азайту және көп өлшемді деректерді тиімді өңдеу үшін соңғы компьютерлік технологияларды қолдана отырып, жақында көптеген зерттеулер жүргізілді8,9,10,11,12. Атап айтқанда, терең оқыту медициналық кескіндерді талдауда кеңінен қолданылды және рентгенограммаларды автоматты түрде талдау арқылы жасты бағалаудың әртүрлі әдістері жасты бағалаудың дәлдігі мен тиімділігін арттыратыны туралы хабарланды13,14,15,16,17,18,19,20. Мысалы, Халаби және т.б. 13 балалар қолдарының рентгенограммаларын пайдаланып қаңқа жасын бағалау үшін конволюциялық нейрондық желілерге (CNN) негізделген машиналық оқыту алгоритмін жасады. Бұл зерттеу машиналық оқытуды медициналық кескіндерге қолданатын модельді ұсынады және бұл әдістердің диагностикалық дәлдікті жақсарта алатынын көрсетеді. Ли және т.б.14 терең оқыту CNN көмегімен жамбас рентген суреттерінен жасты бағалап, оларды сүйектену сатысын бағалау арқылы регрессия нәтижелерімен салыстырды. Олар терең оқыту CNN моделі дәстүрлі регрессия моделімен бірдей жасты бағалау өнімділігін көрсеткенін анықтады. Гуо және т.б. зерттеуі [15] стоматологиялық ортофотосуреттерге негізделген CNN технологиясының жас төзімділігін жіктеу өнімділігін бағалады, ал CNN моделінің нәтижелері адамдардың оның жастық жіктеу өнімділігінен асып түскенін дәлелдеді.
Машиналық оқытуды қолдану арқылы жасты бағалау бойынша зерттеулердің көпшілігі терең оқыту әдістерін қолданады13,14,15,16,17,18,19,20. Терең оқытуға негізделген жасты бағалау дәстүрлі әдістерге қарағанда дәлірек деп хабарланады. Дегенмен, бұл тәсіл жасты бағалаудың ғылыми негізін, мысалы, бағалауларда қолданылатын жас көрсеткіштерін ұсынуға аз мүмкіндік береді. Тексерулерді кім жүргізетіні туралы заңды дау да бар. Сондықтан, терең оқытуға негізделген жасты бағалауды әкімшілік және сот органдары қабылдауы қиын. Деректерді өндіру (ДӨ) - бұл үлкен көлемдегі деректер арасындағы пайдалы корреляцияларды анықтау әдісі ретінде тек күтілетін ғана емес, сонымен қатар күтпеген ақпаратты да анықтай алатын әдіс6,21,22. Машиналық оқыту деректерді өндіруде жиі қолданылады, ал деректерді өндіру де, машиналық оқыту да деректердегі заңдылықтарды анықтау үшін бірдей негізгі алгоритмдерді пайдаланады. Тіс дамуын қолдану арқылы жасты бағалау тексерушінің мақсатты тістердің жетілуін бағалауына негізделген және бұл бағалау әрбір мақсатты тіс үшін кезең ретінде көрсетіледі. ДӨ тістерді бағалау кезеңі мен нақты жас арасындағы корреляцияны талдау үшін пайдаланылуы мүмкін және дәстүрлі статистикалық талдауды ауыстыру мүмкіндігіне ие. Сондықтан, егер біз жасты бағалауға ДМ әдістерін қолдансақ, сот-медициналық жасты бағалауда заңдық жауапкершілік туралы алаңдамай-ақ машиналық оқытуды енгізе аламыз. Сот-медициналық тәжірибеде қолданылатын дәстүрлі қолмен жасалатын әдістерге және тіс жасын анықтаудың ЭМ негізіндегі әдістеріне мүмкін болатын баламалары бойынша бірнеше салыстырмалы зерттеулер жарияланды. Шен және т.б.23 ДМ моделі дәстүрлі Камерер формуласына қарағанда дәлірек екенін көрсетті. Галибур және т.б.24 Демирджиан критерийіне сәйкес жасты болжау үшін әртүрлі ДМ әдістерін қолданды25 және нәтижелер ДМ әдісі француз халқының жасын бағалауда Демирджиан мен Виллемс әдістерінен асып түскенін көрсетті.
Кореялық жасөспірімдер мен жастардың тіс жасын бағалау үшін Лидің 4-әдісі кореялық сот-медициналық тәжірибесінде кеңінен қолданылады. Бұл әдіс кореялық субъектілер мен хронологиялық жас арасындағы байланысты зерттеу үшін дәстүрлі статистикалық талдауды (мысалы, көптік регрессия) пайдаланады. Бұл зерттеуде дәстүрлі статистикалық әдістерді қолдану арқылы алынған жасты бағалау әдістері «дәстүрлі әдістер» деп анықталады. Лидің әдісі дәстүрлі әдіс болып табылады және оның дәлдігін О және т.б. 5 растады; дегенмен, кореялық сот-медициналық тәжірибеде DM моделіне негізделген жасты бағалаудың қолданылуы әлі де күмәнді. Біздің мақсатымыз DM моделіне негізделген жасты бағалаудың әлеуетті пайдалылығын ғылыми тұрғыдан растау болды. Бұл зерттеудің мақсаты (1) тіс жасын бағалаудағы екі DM моделінің дәлдігін салыстыру және (2) 18 жастағы 7 DM моделінің жіктеу көрсеткіштерін дәстүрлі статистикалық әдістерді қолдану арқылы алынған көрсеткіштермен салыстыру болды. Екінші және үшінші азу тістердің екі жақтағы жетілуі.
Хронологиялық жастың кезеңдері мен тіс түрі бойынша орташа мәндері мен стандартты ауытқулары S1 қосымша кестесінде (жаттығу жиынтығы), S2 қосымша кестесінде (ішкі сынақ жиынтығы) және S3 қосымша кестесінде (сыртқы сынақ жиынтығы) онлайн көрсетілген. Жаттығу жиынтығынан алынған бақылаушыішілік және бақылаушылар арасындағы сенімділік үшін каппа мәндері сәйкесінше 0,951 және 0,947 болды. Каппа мәндері үшін P мәндері және 95% сенімділік аралықтары онлайн қосымша S4 кестесінде көрсетілген. Каппа мәні Landis және Koch26 критерийлеріне сәйкес «дерлік мінсіз» деп түсіндірілді.
Орташа абсолютті қатені (MAE) салыстырған кезде, дәстүрлі әдіс көп қабатты перцептроннан (MLP) басқа барлық жыныстар үшін және сыртқы еркектік сынақ жиынтығында DM моделінен сәл асып түседі. Ішкі MAE сынақ жиынтығындағы дәстүрлі модель мен DM моделі арасындағы айырмашылық ерлер үшін 0,12–0,19 жыл және әйелдер үшін 0,17–0,21 жыл болды. Сыртқы сынақ батареясы үшін айырмашылықтар аз (ерлер үшін 0,001–0,05 жыл және әйелдер үшін 0,05–0,09 жыл). Сонымен қатар, орташа квадраттық қателік (RMSE) дәстүрлі әдіске қарағанда сәл төмен, айырмашылықтары аз (ерлер үшін ішкі сынақ жиынтығы үшін 0,17–0,24, 0,2–0,24 және сыртқы сынақ жиынтығы үшін 0,03–0,07, 0,04–0,08). MLP әйел сыртқы сынақ жиынтығы жағдайын қоспағанда, бір қабатты перцептроннан (SLP) сәл жақсырақ өнімділік көрсетеді. MAE және RMSE үшін сыртқы тест жиынтығы барлық жыныстар мен модельдер үшін ішкі тест жиынтығынан жоғары балл алады. Барлық MAE және RMSE 1-кестеде және 1-суретте көрсетілген.
Дәстүрлі және деректерді өңдеу регрессиялық модельдерінің MAE және RMSE. Орташа абсолютті қате MAE, орташа квадраттық қате RMSE, бір қабатты перцептрон SLP, көп қабатты перцептрон MLP, дәстүрлі CM әдісі.
Дәстүрлі және DM модельдерінің жіктеу өнімділігі (18 жылдық шекті мәнмен) сезімталдық, ерекшелік, оң болжамдық мән (PPV), теріс болжамдық мән (NPV) және қабылдағыштың жұмыс сипаттамасының қисығы астындағы аудан (AUROC) 27 тұрғысынан көрсетілді (2-кесте, 2-сурет және қосымша 1-сурет онлайн). Ішкі сынақ батареясының сезімталдығы тұрғысынан дәстүрлі әдістер ерлер арасында ең жақсы, ал әйелдер арасында нашар нәтиже көрсетті. Дегенмен, дәстүрлі әдістер мен SD арасындағы жіктеу өнімділігінің айырмашылығы ерлер үшін 9,7% (MLP) және әйелдер үшін тек 2,4% (XGBoost). DM модельдерінің ішінде логистикалық регрессия (LR) екі жыныста да жақсы сезімталдық көрсетті. Ішкі сынақ жиынтығының ерекшелігіне келетін болсақ, төрт SD моделі ерлерде жақсы нәтиже көрсеткені, ал дәстүрлі модель әйелдерде жақсы нәтиже көрсеткені байқалды. Ерлер мен әйелдер үшін жіктеу өнімділігінің айырмашылықтары сәйкесінше 13,3% (MLP) және 13,1% (MLP) құрайды, бұл модельдер арасындағы жіктеу өнімділігінің айырмашылығы сезімталдықтан асып түсетінін көрсетеді. DM модельдерінің ішінде тірек векторы машинасы (SVM), шешім ағашы (DT) және кездейсоқ орман (RF) модельдері ер адамдар арасында ең жақсы нәтиже көрсетті, ал LR моделі әйелдер арасында ең жақсы нәтиже көрсетті. Дәстүрлі модельдің және барлық SD модельдерінің AUROC көрсеткіші 0,925-тен жоғары болды (ерлерде k-ең жақын көрші (KNN)), бұл 18 жастағы үлгілерді ажыратуда тамаша жіктеу өнімділігін көрсетті28. Сыртқы сынақ жиынтығы үшін ішкі сынақ жиынтығымен салыстырғанда сезімталдық, ерекшелік және AUROC тұрғысынан жіктеу өнімділігінің төмендеуі байқалды. Сонымен қатар, ең жақсы және ең нашар модельдердің жіктеу өнімділігі арасындағы сезімталдық пен ерекшелік айырмашылығы 10%-дан 25%-ға дейін болды және ішкі сынақ жиынтығындағы айырмашылықтан үлкен болды.
18 жылдық шекті мерзімі бар дәстүрлі әдістермен салыстырғандағы деректерді іздеу жіктеу модельдерінің сезімталдығы мен ерекшелігі. KNN k ең жақын көршісі, SVM тірек векторлық машинасы, LR логистикалық регрессиясы, DT шешім ағашы, RF кездейсоқ орманы, XGB XGBoost, MLP көп қабатты перцептроны, дәстүрлі CM әдісі.
Бұл зерттеудің алғашқы қадамы жеті DM моделінен алынған тіс жасын бағалаудың дәлдігін дәстүрлі регрессияны қолдану арқылы алынған бағалаулармен салыстыру болды. MAE және RMSE екі жыныс үшін де ішкі сынақ жиынтықтарында бағаланды, ал дәстүрлі әдіс пен DM моделі арасындағы айырмашылық MAE үшін 44-тен 77 күнге дейін және RMSE үшін 62-ден 88 күнге дейін болды. Бұл зерттеуде дәстүрлі әдіс сәл дәлірек болғанымен, мұндай шағын айырмашылықтың клиникалық немесе практикалық маңызы бар-жоғын анықтау қиын. Бұл нәтижелер DM моделін қолдана отырып, тіс жасын бағалаудың дәлдігі дәстүрлі әдіспен бірдей екенін көрсетеді. Алдыңғы зерттеулердің нәтижелерімен тікелей салыстыру қиын, себебі ешбір зерттеу DM модельдерінің дәлдігін осы зерттеудегідей жас аралығындағы тістерді тіркеудің бірдей әдісін қолдана отырып, дәстүрлі статистикалық әдістермен салыстырмаған. Галибур және т.б.24 2 жастан 24 жасқа дейінгі француз халқында екі дәстүрлі әдіс (Демирджян әдісі25 және Виллемс әдісі29) және 10 DM моделі арасындағы MAE және RMSE салыстырды. Олар барлық DM модельдері дәстүрлі әдістерге қарағанда дәлірек екенін, MAE-де 0,20 және 0,38 жыл айырмашылықтары және RMSE-де 0,25 және 0,47 жыл айырмашылықтары Виллемс және Демирджян әдістерімен салыстырғанда екенін хабарлады. Халибург зерттеуінде көрсетілген SD моделі мен дәстүрлі әдістер арасындағы сәйкессіздік Демирджян әдісі зерттеуге негізделген француз канадалықтарынан басқа популяциялардағы тіс жасын дәл бағаламайтыны туралы көптеген есептерді ескереді30,31,32,33. Тай және т.б. 34 1636 қытай ортодонтиялық фотосуреттерінен тіс жасын болжау үшін MLP алгоритмін қолданды және оның дәлдігін Демирджян мен Виллемс әдісінің нәтижелерімен салыстырды. Олар MLP дәстүрлі әдістерге қарағанда жоғары дәлдікке ие екенін хабарлады. Демирджян әдісі мен дәстүрлі әдіс арасындағы айырмашылық <0,32 жыл, ал Виллемс әдісі 0,28 жыл, бұл осы зерттеудің нәтижелеріне ұқсас. Осы алдыңғы зерттеулердің нәтижелері24,34 осы зерттеудің нәтижелерімен де сәйкес келеді және DM моделі мен дәстүрлі әдістің жасты бағалау дәлдігі ұқсас. Дегенмен, ұсынылған нәтижелерге сүйене отырып, салыстырмалы және анықтамалық бұрынғы зерттеулердің болмауына байланысты жасты бағалау үшін DM модельдерін пайдалану қолданыстағы әдістерді ауыстыруы мүмкін деген қорытындыға тек сақтықпен келе аламыз. Бұл зерттеуде алынған нәтижелерді растау үшін үлкенірек үлгілерді пайдалана отырып, кейінгі зерттеулер қажет.
Тіс жасын бағалауда SD дәлдігін тексерген зерттеулердің ішінде кейбіреулері біздің зерттеуімізге қарағанда жоғары дәлдік көрсетті. Степановский және т.б. 35 2,7 жастан 20,5 жасқа дейінгі 976 чех тұрғынының панорамалық рентгенограммаларына 22 SD моделін қолданды және әр модельдің дәлдігін тексерді. Олар Муррис және т.б. 36 ұсынған жіктеу критерийлерін қолдана отырып, барлығы 16 жоғарғы және төменгі сол жақ тұрақты тістердің дамуын бағалады. MAE 0,64-тен 0,94 жасқа дейін, ал RMSE 0,85-тен 1,27 жасқа дейін, бұл осы зерттеуде қолданылған екі DM моделіне қарағанда дәлірек. Шен және т.б.23 5 жастан 13 жасқа дейінгі шығыс Қытай тұрғындарының сол жақ төменгі жағындағы жеті тұрақты тістің тіс жасын бағалау үшін Камьер әдісін қолданды және оны сызықтық регрессия, SVM және RF көмегімен бағаланған жаспен салыстырды. Олар үш DM моделінің де дәстүрлі Камьер формуласымен салыстырғанда жоғары дәлдікке ие екенін көрсетті. Шеннің зерттеуіндегі MAE және RMSE осы зерттеудегі DM моделіндегіге қарағанда төмен болды. Степановский және т.б. 35 және Шен және т.б. 23 зерттеулерінің дәлдігінің артуы жас субъектілерді зерттеу үлгілеріне қосуға байланысты болуы мүмкін. Тістері дамып келе жатқан қатысушылардың жасын бағалау тістердің дамуы кезінде тістер саны артқан сайын дәлірек болатындықтан, зерттеуге қатысушылар жас болған кезде алынған жасты бағалау әдісінің дәлдігі төмендеуі мүмкін. Сонымен қатар, жасты бағалаудағы MLP қателігі SLP қателігінен сәл аз, бұл MLP SLP-ге қарағанда дәлірек екенін білдіреді. MLP жасты бағалау үшін сәл жақсырақ деп саналады, бұл MLP38-дегі жасырын қабаттарға байланысты болуы мүмкін. Дегенмен, әйелдердің сыртқы үлгісі үшін ерекшелік бар (SLP 1.45, MLP 1.49). MLP жасты бағалауда SLP-ге қарағанда дәлірек екендігі туралы қорытынды қосымша ретроспективті зерттеулерді қажет етеді.
DM моделі мен дәстүрлі әдістің 18 жылдық шегіндегі жіктеу өнімділігі де салыстырылды. Барлық тексерілген SD модельдері мен ішкі сынақ жиынтығындағы дәстүрлі әдістер 18 жастағы үлгі үшін іс жүзінде қолайлы ажырату деңгейлерін көрсетті. Ерлер мен әйелдер үшін сезімталдық сәйкесінше 87,7% және 94,9%-дан жоғары, ал ерекшелік 89,3% және 84,7%-дан жоғары болды. Барлық тексерілген модельдердің AUROC көрсеткіші де 0,925-тен асады. Біздің білуімізше, ешбір зерттеу DM моделінің 18 жылдық жіктеудегі өнімділігін тістердің жетілуіне негізделген сынамаған. Біз бұл зерттеудің нәтижелерін панорамалық рентгенограммалардағы терең оқыту модельдерінің жіктеу өнімділігімен салыстыра аламыз. Гуо және т.б.15 белгілі бір жас шегі үшін CNN негізіндегі терең оқыту моделінің және Демирджян әдісіне негізделген қолмен әдістің жіктеу өнімділігін есептеді. Қолмен әдістің сезімталдығы мен ерекшелігі сәйкесінше 87,7% және 95,5% құрады, ал CNN моделінің сезімталдығы мен ерекшелігі сәйкесінше 89,2% және 86,6%-дан асты. Олар терең оқыту модельдері жас шегін жіктеуде қолмен бағалауды алмастыра алады немесе одан асып түсе алады деген қорытындыға келді. Бұл зерттеудің нәтижелері ұқсас жіктеу өнімділігін көрсетті; DM модельдерін қолданатын жіктеу жасты бағалаудың дәстүрлі статистикалық әдістерін алмастыра алады деп есептеледі. Модельдердің ішінде DM LR ерлердің үлгісі үшін сезімталдық тұрғысынан және әйелдер үлгісі үшін сезімталдық пен ерекшелік тұрғысынан ең жақсы модель болды. LR ерлердің ерекшелігі бойынша екінші орында. Сонымен қатар, LR пайдаланушыға ыңғайлы DM35 модельдерінің бірі болып саналады және онша күрделі емес және өңдеу қиын. Осы нәтижелерге сүйене отырып, LR кореялық популяциядағы 18 жастағылар үшін ең жақсы шекті жіктеу моделі болып саналды.
Жалпы алғанда, сыртқы тест жинағындағы жасты бағалаудың немесе жіктеу көрсеткіштерінің дәлдігі ішкі тест жинағындағы нәтижелермен салыстырғанда нашар немесе төмен болды. Кейбір есептер корей халқына негізделген жас бағалаулары жапон халқына қолданылған кезде жіктеу дәлдігі немесе тиімділігі төмендейтінін көрсетеді5,39 және осы зерттеуде ұқсас үлгі анықталды. Бұл нашарлау үрдісі DM моделінде де байқалды. Сондықтан, жасты дәл бағалау үшін, тіпті талдау процесінде DM қолданған кезде де, дәстүрлі әдістер сияқты жергілікті халық деректерінен алынған әдістерге артықшылық беру керек5,39,40,41,42. Терең оқыту модельдері ұқсас үрдістерді көрсете ала ма, жоқ па, белгісіз болғандықтан, жасанды интеллекттің шектеулі жаста осы нәсілдік айырмашылықтарды жеңе алатынын растау үшін бірдей үлгілердегі дәстүрлі әдістерді, DM модельдерін және терең оқыту модельдерін қолдана отырып, жіктеу дәлдігі мен тиімділігін салыстыратын зерттеулер қажет.
Біз Кореядағы сот-медициналық жасты бағалау тәжірибесінде дәстүрлі әдістерді DM моделіне негізделген жасты бағалаумен алмастыруға болатынын көрсетеміз. Сондай-ақ, сот-медициналық жасты бағалау үшін машиналық оқытуды енгізу мүмкіндігін анықтадық. Дегенмен, нәтижелерді нақты анықтау үшін осы зерттеуге қатысушылар санының жеткіліксіздігі және осы зерттеудің нәтижелерін салыстыру және растау үшін бұрынғы зерттеулердің болмауы сияқты айқын шектеулер бар. Болашақта DM зерттеулері дәстүрлі әдістермен салыстырғанда практикалық қолданылуын жақсарту үшін көбірек үлгілермен және әртүрлі популяциялармен жүргізілуі керек. Бірнеше популяциядағы жасты бағалау үшін жасанды интеллектті пайдаланудың орындылығын растау үшін DM және терең оқыту модельдерінің жіктеу дәлдігі мен тиімділігін бірдей үлгілердегі дәстүрлі әдістермен салыстыру үшін болашақ зерттеулер қажет.
Зерттеуде 15 жастан 23 жасқа дейінгі корей және жапон ересектерінен жиналған 2657 орфографиялық фотосурет пайдаланылды. Корей рентгенограммалары 900 жаттығу жиынтығына (19,42 ± 2,65 жас) және 900 ішкі сынақ жиынтығына (19,52 ± 2,59 жас) бөлінді. Оқу жиынтығы бір мекемеде (Сеул Әулие Мэри ауруханасы) жиналды, ал жеке сынақ жиынтығы екі мекемеде (Сеул ұлттық университетінің стоматологиялық ауруханасы және Йонсей университетінің стоматологиялық ауруханасы) жиналды. Біз сондай-ақ сыртқы сынақ үшін басқа популяцияға негізделген деректерден (Ивате медициналық университеті, Жапония) 857 рентгенограмма жинадық. Сыртқы сынақ жиынтығы ретінде жапондық субъектілердің (19,31 ± 2,60 жас) рентгенограммалары таңдалды. Деректер стоматологиялық емдеу кезінде түсірілген панорамалық рентгенограммалардағы тістердің даму кезеңдерін талдау үшін ретроспективті түрде жиналды. Жиналған барлық деректер жынысы, туған күні және рентгенограмма күнінен басқа анонимді болды. Қосу және алып тастау критерийлері бұрын жарияланған зерттеулермен бірдей болды 4, 5. Үлгінің нақты жасы рентгенограмма түсірілген күннен туған күнін алып тастау арқылы есептелді. Үлгі тобы тоғыз жас тобына бөлінді. Жас және жыныстық бөліністер 3-кестеде көрсетілген. Бұл зерттеу Хельсинки декларациясына сәйкес жүргізілді және Корея Католик Университетінің Сеул Әулие Мэри ауруханасының Институционалдық шолу кеңесімен (IRB) мақұлданды (KC22WISI0328). Бұл зерттеудің ретроспективті дизайнына байланысты терапиялық мақсаттарда рентгенологиялық тексеруден өтіп жатқан барлық пациенттерден хабардар келісім алу мүмкін болмады. Сеул Корея Университетінің Әулие Мэри ауруханасы (IRB) хабардар келісім талабынан бас тартты.
Бимаксилярлы екінші және үшінші азу тістердің даму кезеңдері Демиркан критерийлеріне сәйкес бағаланды25. Егер әр жақтың сол және оң жағында бірдей тіс табылса, тек бір тіс таңдалды. Егер екі жақтағы гомологты тістер әртүрлі даму кезеңдерінде болса, болжамды жастың белгісіздігін ескеру үшін төменгі даму сатысындағы тіс таңдалды. Тістердің жетілу кезеңін анықтау үшін алдын ала калибрлеуден кейін бақылаушылар арасындағы сенімділікті тексеру үшін екі тәжірибелі бақылаушы жаттығу жиынтығынан кездейсоқ таңдалған жүз рентгенограмманы бағалады. Бақылаушы ішіндегі сенімділік негізгі бақылаушымен үш айлық аралықпен екі рет бағаланды.
Оқыту жиынтығындағы әрбір жақтың екінші және үшінші азу тістерінің жынысы мен даму кезеңін әртүрлі DM модельдерімен оқытылған негізгі бақылаушы бағалады, ал нақты жас мақсатты мән ретінде белгіленді. Машиналық оқытуда кеңінен қолданылатын SLP және MLP модельдері регрессия алгоритмдерімен салыстырылды. 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 беріліске негізделген. Регрессиядағы SLP моделі математикалық тұрғыдан көп сызықтық регрессияға ұқсас. SLP моделінен айырмашылығы, MLP моделінде сызықтық емес активация функциялары бар бірнеше жасырын қабаттар бар. Біздің тәжірибелерімізде сызықтық емес активация функциялары бар тек 20 жасырын түйіні бар жасырын қабат қолданылды. Оңтайландыру әдісі ретінде градиенттік түсуді және машиналық оқыту моделімізді оқыту үшін MAE және RMSE жоғалту функциясын пайдаланыңыз. Ең жақсы алынған регрессия моделі ішкі және сыртқы сынақ жиынтықтарына қолданылды және тістердің жасы бағаланды.
Үлгінің 18 жаста екенін немесе жоқ екенін болжау үшін жаттығу жиынындағы төрт тістің жетілуін пайдаланатын жіктеу алгоритмі жасалды. Модельді құру үшін біз жеті бейнелеу машиналық оқыту алгоритмін шығардық6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost және (7) MLP. LR - ең кең таралған жіктеу алгоритмдерінің бірі44. Бұл белгілі бір санатқа жататын деректердің ықтималдығын 0-ден 1-ге дейін болжау үшін регрессияны қолданатын және деректерді осы ықтималдыққа негізделген ықтималдығы жоғары санатқа жататын деп жіктейтін бақыланатын оқыту алгоритмі; негізінен екілік жіктеу үшін қолданылады. KNN - ең қарапайым машиналық оқыту алгоритмдерінің бірі45. Жаңа кіріс деректері берілген кезде, ол бар жиынтыққа жақын k деректерді табады, содан кейін оларды ең жоғары жиіліктегі класқа жіктейді. Қарастырылған көршілер саны (k) үшін 3 орнатамыз. SVM - сызықтық кеңістікті өрістер деп аталатын сызықтық емес кеңістікке кеңейту үшін ядро функциясын пайдалану арқылы екі клас арасындағы қашықтықты барынша арттыратын алгоритм46. Бұл модель үшін біз полиномдық ядро үшін гиперпараметрлер ретінде ығысу = 1, қуат = 1 және гамма = 1 қолданамыз. DT әртүрлі салаларда шешім қабылдау ережелерін ағаш құрылымында көрсету арқылы тұтас деректер жиынтығын бірнеше кіші топтарға бөлу алгоритмі ретінде қолданылды47. Модель әрбір түйін үшін ең аз жазбалар саны 2 болатындай етіп конфигурацияланған және сапа өлшемі ретінде Джини индексін пайдаланады. RF - бастапқы деректер жиынтығынан бірнеше рет бірдей өлшемдегі үлгілерді кездейсоқ түрде алу арқылы әрбір үлгі үшін әлсіз жіктеуішті жасайтын bootstrap агрегация әдісін қолдана отырып өнімділікті жақсарту үшін бірнеше DT біріктіретін ансамбльдік әдіс48. Түйіндерді бөлу критерийлері ретінде біз 100 ағашты, 10 ағаш тереңдігін, 1 минималды түйін өлшемін және Джини қоспа индексін қолдандық. Жаңа деректерді жіктеу көпшілік дауыспен анықталады. XGBoost - алдыңғы модельдің нақты және болжамды мәндері арасындағы қатені оқыту деректері ретінде қабылдайтын және градиенттерді қолдана отырып қатені арттыратын әдісті қолдана отырып күшейту әдістерін біріктіретін алгоритм49. Бұл жақсы өнімділігі мен ресурстарды тиімді пайдалануына, сондай-ақ шамадан тыс түзету функциясы ретінде жоғары сенімділігіне байланысты кеңінен қолданылатын алгоритм. Модель 400 тірек дөңгелегімен жабдықталған. MLP - бұл бір немесе бірнеше перцептрондар кіріс және шығыс қабаттары арасында бір немесе бірнеше жасырын қабаттары бар бірнеше қабат құрайтын нейрондық желі38. Мұны пайдаланып, сіз сызықтық емес жіктеуді орындай аласыз, мұнда кіріс қабатын қосып, нәтиже мәнін алған кезде болжамды нәтиже мәні нақты нәтиже мәнімен салыстырылады және қате кері таралады. Біз әр қабатта 20 жасырын нейроны бар жасырын қабат жасадық. Біз әзірлеген әрбір модель сезімталдықты, ерекшелікті, PPV, NPV және AUROC есептеу арқылы жіктеу өнімділігін тексеру үшін ішкі және сыртқы жиынтықтарға қолданылды. Сезімталдық 18 жаста немесе одан үлкен деп бағаланған үлгінің 18 жаста немесе одан үлкен деп бағаланған үлгіге қатынасы ретінде анықталады. Ерекшелік - 18 жасқа толмаған және 18 жасқа толмаған деп бағаланған үлгілердің үлесі.
Оқу жинағында бағаланған тіс кезеңдері статистикалық талдау үшін сандық кезеңдерге түрлендірілді. Әр жыныс үшін болжамдық модельдерді әзірлеу және жасты бағалау үшін пайдаланылуы мүмкін регрессия формулаларын алу үшін көп айнымалы сызықтық және логистикалық регрессия орындалды. Біз бұл формулаларды ішкі және сыртқы сынақ жиынтықтары үшін тіс жасын бағалау үшін қолдандық. 4-кестеде осы зерттеуде қолданылған регрессия және жіктеу модельдері көрсетілген.
Бақылаушыішілік және бақылаушылар арасындағы сенімділік Коэннің каппа статистикасын қолдану арқылы есептелді. DM және дәстүрлі регрессиялық модельдердің дәлдігін тексеру үшін біз ішкі және сыртқы сынақ жиынтықтарының болжамды және нақты жасын пайдаланып MAE және RMSE есептедік. Бұл қателіктер модель болжамдарының дәлдігін бағалау үшін жиі қолданылады. Қате неғұрлым аз болса, болжамның дәлдігі соғұрлым жоғары болады24. DM және дәстүрлі регрессияны қолдану арқылы есептелген ішкі және сыртқы сынақ жиынтықтарының MAE және RMSE салыстырыңыз. Дәстүрлі статистикадағы 18 жылдық шекті деңгейдің жіктеу өнімділігі 2 × 2 шартты кестені қолдану арқылы бағаланды. Сынақ жиынтықтарының есептелген сезімталдығы, ерекшелігі, PPV, NPV және AUROC DM жіктеу моделінің өлшенген мәндерімен салыстырылды. Деректер деректер сипаттамаларына байланысты орташа ± стандартты ауытқу немесе сан (%) ретінде көрсетіледі. Екі жақты P мәндері <0,05 статистикалық тұрғыдан маңызды деп саналды. Барлық әдеттегі статистикалық талдаулар SAS 9.4 нұсқасын (SAS институты, Кэри, NC) қолдану арқылы жүргізілді. DM регрессиялық моделі Python тілінде Keras50 2.2.4 серверін және Tensorflow51 1.8.0 арнайы математикалық операциялар үшін қолданылып жүзеге асырылды. DM жіктеу моделі Waikato білім талдау ортасында және Konstanz Information Miner (KNIME) 4.6.152 талдау платформасында жүзеге асырылды.
Авторлар зерттеу қорытындыларын растайтын деректерді мақаладан және қосымша материалдардан табуға болатынын мойындайды. Зерттеу барысында жасалған және/немесе талданған деректер жиынтығы тиісті автордан ақылға қонымды сұраныс бойынша қолжетімді.
Ритц-Тимме, С. және т.б. Жас ерекшелігін бағалау: сот-медициналық тәжірибенің нақты талаптарына сай келетін заманауи деңгей. халықаралық. Заң медицинасы журналы. 113, 129–136 (2000).
Шмелинг, А., Рейзингер, В., Гесерик, Г. және Олзе, А. Қылмыстық қудалау мақсаттары үшін тірі субъектілердің жасын сот-медициналық бағалаудың қазіргі жағдайы. Сот-медицина. медицина. Патология. 1, 239–246 (2005).
Пан, Дж. және т.б. Шығыс Қытайдағы 5 жастан 16 жасқа дейінгі балалардың стоматологиялық жасын бағалаудың өзгертілген әдісі. клиникалық. Ауызша сауалнама. 25, 3463–3474 (2021).
Ли, С.С. және т.б. Корейліктерде екінші және үшінші азу тістердің даму хронологиясы және оны сот-медициналық жасты бағалауда қолдану. халықаралық. Заң медицинасы журналы. 124, 659–665 (2010).
О, С., Кумагай, А., Ким, С.Й. және Ли, С.С. Корейлер мен жапондарда екінші және үшінші азу тістердің жетілуіне негізделген жасты бағалаудың дәлдігі және 18 жастағы шекті бағалау. PLoS ONE 17, e0271247 (2022).
Ким, JY және т.б. Операция алдындағы машиналық оқытуға негізделген деректерді талдау OSA бар науқастарда ұйқы хирургиясын емдеу нәтижесін болжай алады. ғылым. Есеп 11, 14911 (2021).
Хан, М. және т.б. Адамның араласуымен немесе араласуынсыз машиналық оқытудан жасты дәл бағалау? халықаралық. J. Legal medicine. 136, 821–831 (2022).
Хан, С. және Шахин, М. Деректерді өндіруден деректерді өндіруге дейін. Ақпарат. ғылым. https://doi.org/10.1177/01655515211030872 (2021).
Хан, С. және Шахин, М. ВисРуле: Ассоциациялық ережелерді зерттеудің алғашқы когнитивті алгоритмі. Ақпарат. ғылым. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. және Абдулла У. Карм: Контекстке негізделген ассоциация ережелеріне негізделген дәстүрлі деректерді өндіру. есептеу. Мат. жалғасы. 68, 3305–3322 (2021).
Мұхаммед М., Рехман З., Шахин М., Хан М. және Хабиб М. Мәтіндік деректерді пайдалана отырып, терең оқытуға негізделген семантикалық ұқсастықты анықтау. Ақпарат. Технологиялар. Басқару. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., және Shahin, M. Спорттық бейнелердегі белсенділікті тану жүйесі. Мультимедиа. Құралдар Қолданбалар https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, С.С. және т.б. Балалар сүйек дәуіріндегі RSNA машиналық оқыту мәселесі. Радиология 290, 498–503 (2019).
Ли, Ю. және т.б. Терең оқытуды қолдана отырып, жамбас рентгенографиясы арқылы сот-медициналық жасты бағалау. ЕВРО. сәулелену. 29, 2322–2329 (2019).
Гуо, Ю.К. және т.б. Орфографиялық проекциялық кескіндерден алынған қолмен жасалатын әдістерді және терең конволюциялық нейрондық желілерді қолдана отырып, жас ерекшеліктерін дәл жіктеу. халықаралық. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora және т.б. Әртүрлі машиналық оқыту әдістерін қолдана отырып, сүйек жасын бағалау: жүйелі әдебиетке шолу және мета-талдау. PLoS ONE 14, e0220242 (2019).
Ду, Х., Ли, Г., Ченг, К., және Ян, Дж. Конус-сәулелік компьютерлік томографияны қолдана отырып, бірінші азу тістердің пульпа камерасының көлеміне негізделген афроамерикалықтар мен қытайлықтардың популяцияға тән жасын бағалау. халықаралық. Заңды медицина журналы. 136, 811–819 (2022).
Ким С., Ли Ю.Х., Но Ю.К., Парк Ф.К. және О.К. Жасанды интеллект негізіндегі алғашқы азу тістердің суреттерін пайдаланып тірі адамдардың жас топтарын анықтау. ғылым. Есеп 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. және Urschler, M. Көп айнымалы МРТ деректерінен жасты автоматты түрде бағалау және кәмелетке толмағандардың жасын жіктеу. IEEE J. Biomed. Денсаулық сақтау туралы ескертулер. 23, 1392–1403 (2019).
Ченг, К., Ге, З., Ду, Х. және Ли, Г. Терең оқыту мен деңгей жиынтықтарын біріктіру арқылы конус сәулесінің компьютерлік томографиясынан алынған бірінші азу тістердің 3D пульпа камерасын сегменттеуге негізделген жасты бағалау. халықаралық. Заңды медицина журналы. 135, 365–373 (2021).
Ву, ВТ және т.б. Клиникалық үлкен деректердегі деректерді өндіру: жалпы дерекқорлар, қадамдар және әдістер модельдері. Әлемдік медицина. ресурс. 8, 44 (2021).
Янг, Дж. және т.б. Үлкен деректер дәуіріндегі медициналық дерекқорларға және деректерді өндіру технологияларына кіріспе. Дж. Эйвид. Негізгі медицина. 13, 57–69 (2020).
Шен, С. және т.б. Машиналық оқытуды қолдана отырып, тіс жасын бағалауға арналған Камерер әдісі. BMC Oral Health 21, 641 (2021).
Галлибург А. және т.б. Демирджянның кезеңдік әдісін қолдана отырып, тіс жасын болжаудың әртүрлі машиналық оқыту әдістерін салыстыру. халықаралық. Заңды медицина журналы. 135, 665–675 (2021).
Демирджян, А., Голдштейн, Х. және Таннер, Дж.М. Тіс жасын бағалаудың жаңа жүйесі. снорт. биология. 45, 211–227 (1973).
Ландис, Дж.Р. және Кох, Г.Г. Санаттық деректер бойынша бақылаушы келісімінің өлшемдері. Биометрика 33, 159–174 (1977).
Бхаттачарджи С, Пракаш Д, Ким С, Ким ХК және Чой ХК. Бастапқы ми ісіктерін дифференциациялау үшін жасанды интеллект әдістерін қолдана отырып, екі өлшемді магниттік-резонанстық томографияның текстуралық, морфологиялық және статистикалық талдауы. Денсаулық сақтау туралы ақпарат. ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Жарияланған уақыты: 2024 жылғы 4 қаңтар