Ďakujeme za návštevu stránky Nature.com. Verzia prehliadača, ktorú používate, má obmedzenú podporu CSS. Pre dosiahnutie najlepších výsledkov odporúčame používať novšiu verziu prehliadača (alebo vypnúť režim kompatibility v prehliadači Internet Explorer). Medzitým, aby sme zabezpečili nepretržitú podporu, zobrazujeme stránku bez štýlov a JavaScriptu.
Zuby sa považujú za najpresnejší ukazovateľ veku ľudského tela a často sa používajú pri forenznom posudzovaní veku. Naším cieľom bolo overiť odhady veku zubov založené na data miningu porovnaním presnosti odhadu a klasifikačnej výkonnosti 18-ročného prahu s tradičnými metódami a odhadmi veku založenými na data miningu. Celkovo bolo zozbieraných 2657 panoramatických röntgenových snímok od kórejských a japonských občanov vo veku 15 až 23 rokov. Boli rozdelené do trénovacej sady, z ktorej každá obsahovala 900 kórejských röntgenových snímok, a internej testovacej sady obsahujúcej 857 japonských röntgenových snímok. Porovnali sme presnosť klasifikácie a účinnosť tradičných metód s testovacími sadami modelov data miningu. Presnosť tradičnej metódy na internej testovacej sade je o niečo vyššia ako presnosť modelu data miningu a rozdiel je malý (priemerná absolútna chyba <0,21 roka, stredná kvadratická chyba <0,24 roka). Klasifikačná výkonnosť pre 18-ročný limit je tiež podobná medzi tradičnými metódami a modelmi data miningu. Tradičné metódy teda možno nahradiť modelmi dolovania dát pri vykonávaní forenzného hodnotenia veku s využitím zrelosti druhých a tretích molárov u kórejských adolescentov a mladých dospelých.
Odhad veku chrupu sa široko používa v súdnom lekárstve a detskej stomatológii. Najmä kvôli vysokej korelácii medzi chronologickým vekom a vývojom chrupu je odhad veku podľa štádií vývoja chrupu dôležitým kritériom na posúdenie veku detí a dospievajúcich1,2,3. Avšak u mladých ľudí má odhad veku chrupu na základe zrelosti chrupu svoje obmedzenia, pretože rast chrupu je takmer ukončený, s výnimkou tretích molárov. Právnym účelom určenia veku mladých ľudí a dospievajúcich je poskytnúť presné odhady a vedecké dôkazy o tom, či dosiahli vek plnoletosti. V medicínsko-právnej praxi dospievajúcich a mladých dospelých v Kórei sa vek odhadoval pomocou Leeovej metódy a zákonná hranica 18 rokov bola predpovedaná na základe údajov, ktoré uviedli Oh a kol.5.
Strojové učenie je typ umelej inteligencie (AI), ktorá sa opakovane učí a klasifikuje veľké množstvo údajov, sama rieši problémy a riadi programovanie údajov. Strojové učenie dokáže objaviť užitočné skryté vzory vo veľkých objemoch údajov6. Naproti tomu klasické metódy, ktoré sú náročné na prácu a čas, môžu mať obmedzenia pri práci s veľkými objemami zložitých údajov, ktoré je ťažké spracovať manuálne7. Preto sa v poslednom čase uskutočnilo mnoho štúdií s využitím najnovších počítačových technológií s cieľom minimalizovať ľudské chyby a efektívne spracovať viacrozmerné údaje8,9,10,11,12. Hlboké učenie sa najmä široko používa v analýze lekárskych snímok a rôzne metódy odhadu veku automatickou analýzou röntgenových snímok údajne zlepšujú presnosť a účinnosť odhadu veku13,14,15,16,17,18,19,20. Napríklad Halabi a kol.13 vyvinuli algoritmus strojového učenia založený na konvolučných neurónových sieťach (CNN) na odhad veku kostry pomocou röntgenových snímok detských rúk. Táto štúdia navrhuje model, ktorý aplikuje strojové učenie na lekárske snímky a ukazuje, že tieto metódy môžu zlepšiť diagnostickú presnosť. Li a kol.14 odhadli vek z röntgenových snímok panvy pomocou modelu CNN s hlbokým učením a porovnali ich s výsledkami regresie s použitím odhadu štádia osifikácie. Zistili, že model CNN s hlbokým učením vykazoval rovnaký výkon pri odhadovaní veku ako tradičný regresný model. Štúdia Guo a kol. [15] hodnotila výkonnosť klasifikácie tolerancie veku pomocou technológie CNN na základe zubných ortofotosnímok a výsledky modelu CNN dokázali, že ľudia prekonali jej výkonnosť pri klasifikácii veku.
Väčšina štúdií o odhade veku pomocou strojového učenia využíva metódy hlbokého učenia13,14,15,16,17,18,19,20. Odhad veku založený na hlbokom učení je údajne presnejší ako tradičné metódy. Tento prístup však poskytuje len málo príležitostí na prezentovanie vedeckého základu pre odhady veku, ako sú napríklad ukazovatele veku použité v odhadoch. Existuje tiež právny spor o to, kto vykonáva kontroly. Preto je odhad veku založený na hlbokom učení ťažko akceptovateľný správnymi a súdnymi orgánmi. Dolovanie dát (DM) je technika, ktorá dokáže objaviť nielen očakávané, ale aj neočakávané informácie ako metóda na objavovanie užitočných korelácií medzi veľkým množstvom údajov6,21,22. Strojové učenie sa často používa pri dolovaní dát a dolovanie dát aj strojové učenie používajú rovnaké kľúčové algoritmy na objavovanie vzorcov v údajoch. Odhad veku pomocou vývoja chrupu je založený na posúdení zrelosti cieľových zubov skúšajúcim a toto posúdenie je vyjadrené ako štádium pre každý cieľový zub. DM sa môže použiť na analýzu korelácie medzi štádiom posúdenia chrupu a skutočným vekom a má potenciál nahradiť tradičnú štatistickú analýzu. Ak teda aplikujeme techniky DM na odhad veku, môžeme implementovať strojové učenie do forenzného odhadu veku bez obáv z právnej zodpovednosti. Bolo publikovaných niekoľko porovnávacích štúdií o možných alternatívach k tradičným manuálnym metódam používaným vo forenznej praxi a metódam založeným na EBM na určenie veku zubov. Shen a kol.23 ukázali, že model DM je presnejší ako tradičný Camererov vzorec. Galibourg a kol.24 použili rôzne metódy DM na predpovedanie veku podľa Demirdjianovho kritéria25 a výsledky ukázali, že metóda DM prekonala Demirdjianovu a Willemsovu metódu pri odhadovaní veku francúzskej populácie.
Na odhad zubného veku kórejských adolescentov a mladých dospelých sa v kórejskej forenznej praxi široko používa Leeova metóda 4. Táto metóda využíva tradičnú štatistickú analýzu (ako napríklad viacnásobnú regresiu) na skúmanie vzťahu medzi kórejskými subjektmi a chronologickým vekom. V tejto štúdii sú metódy odhadu veku získané pomocou tradičných štatistických metód definované ako „tradičné metódy“. Leeova metóda je tradičná metóda a jej presnosť potvrdili Oh a kol. 5; použiteľnosť odhadu veku na základe modelu DM v kórejskej forenznej praxi je však stále otázna. Naším cieľom bolo vedecky overiť potenciálnu užitočnosť odhadu veku na základe modelu DM. Cieľom tejto štúdie bolo (1) porovnať presnosť dvoch modelov DM pri odhade zubného veku a (2) porovnať klasifikačnú výkonnosť 7 modelov DM vo veku 18 rokov s výsledkami získanými pomocou tradičných štatistických metód. Zrelosť druhých a tretích molárov v oboch čeľustiach.
Priemery a štandardné odchýlky chronologického veku podľa štádia a typu zuba sú zobrazené online v doplnkovej tabuľke S1 (trénovacia sada), doplnkovej tabuľke S2 (interná testovacia sada) a doplnkovej tabuľke S3 (externá testovacia sada). Hodnoty kappa pre intra- a interobservačnú spoľahlivosť získané z trénovacej sady boli 0,951 a 0,947. Hodnoty P a 95 % intervaly spoľahlivosti pre hodnoty kappa sú zobrazené v online doplnkovej tabuľke S4. Hodnota kappa bola interpretovaná ako „takmer dokonalá“, čo je v súlade s kritériami Landisa a Kocha26.
Pri porovnaní priemernej absolútnej chyby (MAE) tradičná metóda mierne prevyšuje model DM pre všetky pohlavia a v externej mužskej testovacej sade, s výnimkou viacvrstvového perceptrónu (MLP). Rozdiel medzi tradičným modelom a modelom DM na internej testovacej sade MAE bol 0,12 – 0,19 roka pre mužov a 0,17 – 0,21 roka pre ženy. V prípade externej testovacej batérie sú rozdiely menšie (0,001 – 0,05 roka pre mužov a 0,05 – 0,09 roka pre ženy). Okrem toho je stredná kvadratická chyba (RMSE) mierne nižšia ako pri tradičnej metóde s menšími rozdielmi (0,17 – 0,24, 0,2 – 0,24 pre mužskú internú testovaciu sadu a 0,03 – 0,07, 0,04 – 0,08 pre externú testovaciu sadu). MLP vykazuje mierne lepší výkon ako jednovrstvový perceptrón (SLP), s výnimkou prípadu ženskej externej testovacej sady. V prípade MAE a RMSE dosiahla externá testovacia sada vyššie skóre ako interná testovacia sada pre všetky pohlavia a modely. Všetky MAE a RMSE sú uvedené v tabuľke 1 a na obrázku 1.
MAE a RMSE tradičných a dátovo-dolovacích regresných modelov. Priemerná absolútna chyba MAE, stredná kvadratická chyba RMSE, jednovrstvový perceptrón SLP, viacvrstvový perceptrón MLP, tradičná CM metóda.
Klasifikačný výkon (s hraničným časovým rozpätím 18 rokov) tradičných a DM modelov bol preukázaný z hľadiska citlivosti, špecifickosti, pozitívnej prediktívnej hodnoty (PPV), negatívnej prediktívnej hodnoty (NPV) a plochy pod krivkou ROC (AUROC) 27 (Tabuľka 2, Obrázok 2 a Doplnkový obrázok 1 online). Pokiaľ ide o citlivosť internej testovacej batérie, tradičné metódy dosiahli najlepšie výsledky u mužov a horšie u žien. Rozdiel vo výkonnosti klasifikácie medzi tradičnými metódami a SD je však 9,7 % u mužov (MLP) a iba 2,4 % u žien (XGBoost). Medzi DM modelmi vykazovala logistická regresia (LR) lepšiu citlivosť u oboch pohlaví. Pokiaľ ide o špecifickosť internej testovacej sady, pozorovalo sa, že štyri SD modely dosiahli dobré výsledky u mužov, zatiaľ čo tradičný model dosiahol lepšie výsledky u žien. Rozdiely vo výkonnosti klasifikácie u mužov a žien sú 13,3 % (MLP) a 13,1 % (MLP), čo naznačuje, že rozdiel vo výkonnosti klasifikácie medzi modelmi prevyšuje citlivosť. Spomedzi DM modelov dosiahli najlepšie výsledky u mužov modely podporných vektorov (SVM), rozhodovacieho stromu (DT) a náhodného lesa (RF), zatiaľ čo u žien model LR dosiahol najlepšie výsledky. Hodnota AUROC tradičného modelu a všetkých SD modelov bola väčšia ako 0,925 (k-najbližších susedov (KNN) u mužov), čo dokazuje vynikajúci klasifikačný výkon pri rozlišovaní 18-ročných vzoriek28. V prípade externej testovacej sady došlo k poklesu klasifikačného výkonu z hľadiska citlivosti, špecifickosti a AUROC v porovnaní s internou testovacou sadou. Okrem toho sa rozdiel v citlivosti a špecifickosti medzi klasifikačným výkonom najlepších a najhorších modelov pohyboval od 10 % do 25 % a bol väčší ako rozdiel v internej testovacej sade.
Citlivosť a špecifickosť klasifikačných modelov dolovania dát v porovnaní s tradičnými metódami s hraničnou hodnotou 18 rokov. KNN k najbližší sused, SVM podporný vektorový stroj, LR logistická regresia, DT rozhodovací strom, RF náhodný les, XGB XGBoost, MLP viacvrstvový perceptrón, tradičná CM metóda.
Prvým krokom v tejto štúdii bolo porovnanie presnosti odhadov veku zubov získaných zo siedmich DM modelov s odhadmi získanými pomocou tradičnej regresie. MAE a RMSE boli hodnotené v interných testovacích súboroch pre obe pohlavia a rozdiel medzi tradičnou metódou a DM modelom sa pohyboval od 44 do 77 dní pre MAE a od 62 do 88 dní pre RMSE. Hoci tradičná metóda bola v tejto štúdii o niečo presnejšia, je ťažké dospieť k záveru, či má takýto malý rozdiel klinický alebo praktický význam. Tieto výsledky naznačujú, že presnosť odhadu veku zubov pomocou DM modelu je takmer rovnaká ako pri tradičnej metóde. Priame porovnanie s výsledkami z predchádzajúcich štúdií je ťažké, pretože žiadna štúdia neporovnávala presnosť DM modelov s tradičnými štatistickými metódami s použitím rovnakej techniky zaznamenávania zubov v rovnakom vekovom rozmedzí ako v tejto štúdii. Galibourg a kol.24 porovnávali MAE a RMSE medzi dvoma tradičnými metódami (Demirjianova metóda25 a Willemsova metóda29) a 10 DM modelmi vo francúzskej populácii vo veku 2 až 24 rokov. Uviedli, že všetky DM modely boli presnejšie ako tradičné metódy, s rozdielmi 0,20 a 0,38 roka v MAE a 0,25 a 0,47 roka v RMSE v porovnaní s Willemsovou a Demirdjianovou metódou. Rozdiel medzi SD modelom a tradičnými metódami uvedený v Halibourgovej štúdii zohľadňuje početné správy30,31,32,33, že Demirdjianova metóda presne neodhaduje vek zubov v iných populáciách ako francúzski Kanaďania, na ktorých bola štúdia založená. V tejto štúdii Tai a kol.34 použili algoritmus MLP na predpovedanie veku zubov z 1636 čínskych ortodontických fotografií a porovnali jeho presnosť s výsledkami Demirjianovej a Willemsovej metódy. Uviedli, že MLP má vyššiu presnosť ako tradičné metódy. Rozdiel medzi Demirdjianovou metódou a tradičnou metódou je <0,32 roka a Willemsova metóda je 0,28 roka, čo je podobné výsledkom tejto štúdie. Výsledky týchto predchádzajúcich štúdií24,34 sú tiež v súlade s výsledkami tejto štúdie a presnosť odhadu veku pomocou DM modelu a tradičnej metódy je podobná. Na základe prezentovaných výsledkov však môžeme len opatrne dospieť k záveru, že použitie DM modelov na odhad veku môže nahradiť existujúce metódy z dôvodu nedostatku porovnávacích a referenčných predchádzajúcich štúdií. Na potvrdenie výsledkov získaných v tejto štúdii sú potrebné následné štúdie s použitím väčších vzoriek.
Spomedzi štúdií testujúcich presnosť štandardnej devijacie (SD) pri odhadovaní veku zubov niektoré preukázali vyššiu presnosť ako naša štúdia. Stepanovsky a kol.35 aplikovali 22 modelov SD na panoramatické röntgenové snímky 976 českých obyvateľov vo veku 2,7 až 20,5 roka a testovali presnosť každého modelu. Posúdili vývoj celkovo 16 horných a dolných ľavých stálych zubov pomocou klasifikačných kritérií navrhnutých Moorreesom a kol.36. MAE sa pohybuje od 0,64 do 0,94 roka a RMSE sa pohybuje od 0,85 do 1,27 roka, čo je presnejšie ako dva modely DM použité v tejto štúdii. Shen a kol.23 použili Camerièrovu metódu na odhad veku zubov siedmich stálych zubov v ľavej dolnej čeľusti u obyvateľov východnej Číny vo veku 5 až 13 rokov a porovnali ho s vekom odhadnutým pomocou lineárnej regresie, SVM a RF. Ukázali, že všetky tri modely DM majú vyššiu presnosť v porovnaní s tradičným Camerièrovim vzorcom. Hodnoty MAE a RMSE v Shenovej štúdii boli nižšie ako v modeli DM v tejto štúdii. Zvýšená presnosť štúdií Stepanovského a kol.35 a Shena a kol.23 môže byť spôsobená zahrnutím mladších subjektov do ich študijných vzoriek. Keďže odhady veku účastníkov s vyvíjajúcimi sa zubami sú presnejšie so zvyšujúcim sa počtom zubov počas vývoja zubov, presnosť výslednej metódy odhadu veku môže byť ohrozená, keď sú účastníci štúdie mladší. Okrem toho je chyba MLP v odhade veku o niečo menšia ako pri SLP, čo znamená, že MLP je presnejší ako SLP. MLP sa považuje za o niečo lepší na odhad veku, pravdepodobne kvôli skrytým vrstvám v MLP38. Existuje však výnimka pre vonkajšiu vzorku žien (SLP 1,45, MLP 1,49). Zistenie, že MLP je presnejší ako SLP pri posudzovaní veku, si vyžaduje ďalšie retrospektívne štúdie.
Porovnaná bola aj klasifikačná výkonnosť modelu DM a tradičnej metódy pri 18-ročnom prahu. Všetky testované modely SD a tradičné metódy na internej testovacej sade preukázali prakticky prijateľnú úroveň diskriminácie pre 18-ročnú vzorku. Citlivosť pre mužov a ženy bola vyššia ako 87,7 % a 94,9 % a špecificita bola vyššia ako 89,3 % a 84,7 %. AUROC všetkých testovaných modelov tiež presahuje 0,925. Podľa našich najlepších vedomostí žiadna štúdia netestovala výkonnosť modelu DM pre 18-ročnú klasifikáciu na základe dentálnej zrelosti. Výsledky tejto štúdie môžeme porovnať s klasifikačnou výkonnosťou modelov hlbokého učenia na panoramatických röntgenových snímkach. Guo a kol.15 vypočítali klasifikačnú výkonnosť modelu hlbokého učenia založeného na CNN a manuálnej metódy založenej na Demirjianovej metóde pre určitý vekový prah. Citlivosť a špecifickosť manuálnej metódy boli 87,7 % a 95,5 % a citlivosť a špecifickosť modelu CNN presiahli 89,2 % a 86,6 %. Dospeli k záveru, že modely hlbokého učenia môžu nahradiť alebo prekonať manuálne hodnotenie pri klasifikácii vekových prahov. Výsledky tejto štúdie ukázali podobný klasifikačný výkon; predpokladá sa, že klasifikácia pomocou modelov DM môže nahradiť tradičné štatistické metódy odhadu veku. Spomedzi modelov bol DM LR najlepším modelom z hľadiska citlivosti pre mužskú vzorku a citlivosti a špecifickosti pre ženskú vzorku. LR sa umiestnil na druhom mieste v špecifickosti pre mužov. Okrem toho sa LR považuje za jeden z užívateľsky prívetivejších modelov DM35 a je menej zložitý a ťažko spracovateľný. Na základe týchto výsledkov bol LR považovaný za najlepší model klasifikácie s hraničnými hodnotami pre 18-ročných v kórejskej populácii.
Celkovo bola presnosť odhadu veku alebo klasifikácie na externej testovacej sade nízka alebo nižšia v porovnaní s výsledkami na internej testovacej sade. Niektoré správy naznačujú, že presnosť alebo účinnosť klasifikácie sa znižuje, keď sa odhady veku založené na kórejskej populácii aplikujú na japonskú populáciu5,39 a podobný vzorec sa zistil aj v tejto štúdii. Tento trend zhoršenia sa pozoroval aj v modeli DM. Preto by sa na presný odhad veku, a to aj pri použití DM v procese analýzy, mali uprednostňovať metódy odvodené z údajov o pôvodnej populácii, ako sú tradičné metódy5,39,40,41,42. Keďže nie je jasné, či modely hlbokého učenia môžu vykazovať podobné trendy, sú potrebné štúdie porovnávajúce presnosť a účinnosť klasifikácie s použitím tradičných metód, modelov DM a modelov hlbokého učenia na rovnakých vzorkách, aby sa potvrdilo, či umelá inteligencia dokáže prekonať tieto rasové rozdiely v obmedzených vekových hodnoteniach.
Preukazujeme, že tradičné metódy možno v praxi forenzného odhadu veku v Kórei nahradiť odhadom veku na základe modelu DM. Objavili sme tiež možnosť implementácie strojového učenia na forenzné hodnotenie veku. Existujú však jasné obmedzenia, ako napríklad nedostatočný počet účastníkov tejto štúdie na definitívne určenie výsledkov a nedostatok predchádzajúcich štúdií na porovnanie a potvrdenie výsledkov tejto štúdie. V budúcnosti by sa štúdie DM mali vykonávať s väčším počtom vzoriek a rozmanitejšími populáciami, aby sa zlepšila ich praktická použiteľnosť v porovnaní s tradičnými metódami. Na overenie uskutočniteľnosti použitia umelej inteligencie na odhad veku vo viacerých populáciách sú potrebné ďalšie štúdie, ktoré by porovnali presnosť klasifikácie a účinnosť modelov DM a hlbokého učenia s tradičnými metódami v rovnakých vzorkách.
V štúdii bolo použitých 2 657 ortografických fotografií zozbieraných od kórejských a japonských dospelých vo veku 15 až 23 rokov. Kórejské röntgenové snímky boli rozdelené do 900 trénovacej sady (19,42 ± 2,65 roka) a 900 interných testovacích sád (19,52 ± 2,59 roka). Trénovacia sada bola zozbieraná v jednej inštitúcii (Nemocnica sv. Márie v Soule) a vlastná testovacia sada bola zozbieraná v dvoch inštitúciách (Zubná nemocnica Národnej univerzity v Soule a Zubná nemocnica Univerzity Yonsei). Na externé testovanie sme tiež zozbierali 857 röntgenových snímok z inej populácie (Lekárska univerzita Iwate, Japonsko). Ako externá testovacia sada boli vybrané röntgenové snímky japonských subjektov (19,31 ± 2,60 roka). Dáta boli zozbierané retrospektívne s cieľom analyzovať štádiá vývoja chrupu na panoramatických röntgenových snímkach zhotovených počas zubného ošetrenia. Všetky zozbierané údaje boli anonymné okrem pohlavia, dátumu narodenia a dátumu röntgenového snímku. Kritériá zaradenia a vylúčenia boli rovnaké ako v predtým publikovaných štúdiách 4, 5. Skutočný vek vzorky bol vypočítaný odčítaním dátumu narodenia od dátumu zhotovenia röntgenového snímku. Vzorka bola rozdelená do deviatich vekových skupín. Rozdelenie podľa veku a pohlavia je uvedené v tabuľke 3. Táto štúdia bola vykonaná v súlade s Helsinskou deklaráciou a schválená Inštitucionálnou revíznou komisiou (IRB) Nemocnice sv. Márie v Soule Katolíckej univerzity v Kórei (KC22WISI0328). Vzhľadom na retrospektívny dizajn tejto štúdie nebolo možné získať informovaný súhlas od všetkých pacientov, ktorí podstúpili rádiografické vyšetrenie na terapeutické účely. Nemocnica sv. Márie na Kórejskej univerzite v Soule (IRB) upustila od požiadavky na informovaný súhlas.
Vývojové štádiá bimaxilárnych druhých a tretích molárov boli hodnotené podľa Demircanových kritérií25. Ak sa na ľavej a pravej strane každej čeľuste našiel rovnaký typ zuba, bol vybraný iba jeden zub. Ak boli homológne zuby na oboch stranách v rôznych vývojových štádiách, bol vybraný zub s nižším vývojovým štádiom, aby sa zohľadnila neistota v odhadovanom veku. Sto náhodne vybraných röntgenových snímok z tréningovej sady bolo vyhodnotených dvoma skúsenými pozorovateľmi, aby sa po predkalibrácii na určenie štádia zrelosti zubov otestovala spoľahlivosť medzi pozorovateľmi. Spoľahlivosť v rámci pozorovateľa bola hodnotená dvakrát v trojmesačných intervaloch primárnym pozorovateľom.
Pohlavie a vývojové štádium druhých a tretích molárov každej čeľuste v trénovacej sade odhadol primárny pozorovateľ trénovaný s rôznymi DM modelmi a skutočný vek bol stanovený ako cieľová hodnota. Modely SLP a MLP, ktoré sa široko používajú v strojovom učení, boli testované s regresnými algoritmami. DM model kombinuje lineárne funkcie s použitím vývojových štádií štyroch zubov a kombinuje tieto údaje na odhad veku. SLP je najjednoduchšia neurónová sieť a neobsahuje skryté vrstvy. SLP funguje na základe prahového prenosu medzi uzlami. Model SLP v regresii je matematicky podobný viacnásobnej lineárnej regresii. Na rozdiel od modelu SLP má model MLP viacero skrytých vrstiev s nelineárnymi aktivačnými funkciami. Naše experimenty použili skrytú vrstvu s iba 20 skrytými uzlami s nelineárnymi aktivačnými funkciami. Na trénovanie nášho modelu strojového učenia sme použili gradientný zostup ako optimalizačnú metódu a MAE a RMSE ako stratovú funkciu. Najlepšie získaný regresný model bol aplikovaný na interné a externé testovacie sady a bol odhadnutý vek zubov.
Bol vyvinutý klasifikačný algoritmus, ktorý využíva zrelosť štyroch zubov v trénovacej množine na predpovedanie, či má vzorka 18 rokov alebo nie. Na zostavenie modelu sme odvodili sedem algoritmov strojového učenia reprezentácie6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost a (7) MLP. LR je jeden z najpoužívanejších klasifikačných algoritmov44. Je to algoritmus riadeného učenia, ktorý využíva regresiu na predpovedanie pravdepodobnosti údajov patriacich do určitej kategórie od 0 do 1 a klasifikuje údaje ako patriace do pravdepodobnejšej kategórie na základe tejto pravdepodobnosti; používa sa hlavne na binárnu klasifikáciu. KNN je jeden z najjednoduchších algoritmov strojového učenia45. Keď sú zadané nové vstupné údaje, nájde k údajov blízkych existujúcej množine a potom ich klasifikuje do triedy s najvyššou frekvenciou. Pre počet uvažovaných susedov (k) sme nastavili 3. SVM je algoritmus, ktorý maximalizuje vzdialenosť medzi dvoma triedami pomocou jadrovej funkcie na rozšírenie lineárneho priestoru do nelineárneho priestoru nazývaného polia46. Pre tento model používame ako hyperparametre pre polynomické jadro bias = 1, power = 1 a gama = 1. DT sa používa v rôznych oblastiach ako algoritmus na rozdelenie celej množiny údajov do niekoľkých podskupín reprezentáciou rozhodovacích pravidiel v stromovej štruktúre47. Model je konfigurovaný s minimálnym počtom záznamov na uzol 2 a ako mieru kvality používa Giniho index. RF je metóda súboru, ktorá kombinuje viacero DT na zlepšenie výkonu pomocou metódy bootstrap agregácie, ktorá generuje slabý klasifikátor pre každú vzorku náhodným vyberaním vzoriek rovnakej veľkosti viackrát z pôvodnej množiny údajov48. Ako kritériá oddelenia uzlov sme použili 100 stromov, 10 hĺbok stromov, 1 minimálnu veľkosť uzla a Giniho index prímesí. Klasifikácia nových údajov sa určuje väčšinovým hlasovaním. XGBoost je algoritmus, ktorý kombinuje techniky zosilňovania pomocou metódy, ktorá berie ako trénovacie údaje chybu medzi skutočnými a predpovedanými hodnotami predchádzajúceho modelu a zväčšuje chybu pomocou gradientov49. Je to široko používaný algoritmus vďaka svojmu dobrému výkonu a efektívnosti zdrojov, ako aj vysokej spoľahlivosti ako korekčnej funkcie preplnenia. Model je vybavený 400 podpornými kolesami. MLP je neurónová sieť, v ktorej jeden alebo viac perceptrónov tvorí viacero vrstiev s jednou alebo viacerými skrytými vrstvami medzi vstupnou a výstupnou vrstvou38. Pomocou toho môžete vykonávať nelineárnu klasifikáciu, kde keď pridáte vstupnú vrstvu a získate výslednú hodnotu, predpokladaná výsledná hodnota sa porovná so skutočnou výslednou hodnotou a chyba sa šíri späť. Vytvorili sme skrytú vrstvu s 20 skrytými neurónmi v každej vrstve. Každý model, ktorý sme vyvinuli, bol aplikovaný na interné a externé súbory na testovanie výkonnosti klasifikácie výpočtom citlivosti, špecifickosti, PPV, NPV a AUROC. Citlivosť je definovaná ako pomer vzorky odhadovanej na vek 18 rokov alebo viac k vzorke odhadovanej na vek 18 rokov alebo viac. Špecificita je podiel vzoriek mladších ako 18 rokov a vzoriek odhadovaných na vek mladších ako 18 rokov.
Štádiá vývoja zubov hodnotené v trénovacom súbore boli pre štatistickú analýzu prevedené na numerické štádiá. Na vytvorenie prediktívnych modelov pre každé pohlavie a odvodenie regresných vzorcov, ktoré možno použiť na odhad veku, bola vykonaná viacrozmerná lineárna a logistická regresia. Tieto vzorce sme použili na odhad veku zubov pre interné aj externé testovacie súbory. Tabuľka 4 zobrazuje regresné a klasifikačné modely použité v tejto štúdii.
Intra- a interobservačná spoľahlivosť bola vypočítaná pomocou Cohenovej kappa štatistiky. Na testovanie presnosti DM a tradičných regresných modelov sme vypočítali MAE a RMSE s použitím odhadovaného a skutočného veku interných a externých testovacích súborov. Tieto chyby sa bežne používajú na hodnotenie presnosti predpovedí modelu. Čím menšia je chyba, tým vyššia je presnosť predpovede24. Porovnajte MAE a RMSE interných a externých testovacích súborov vypočítaných pomocou DM a tradičnej regresie. Klasifikačný výkon 18-ročného hraničného rozpätia v tradičnej štatistike bol hodnotený pomocou kontingenčnej tabuľky 2 × 2. Vypočítaná citlivosť, špecificita, PPV, NPV a AUROC testovacieho súboru boli porovnané s nameranými hodnotami klasifikačného modelu DM. Údaje sú vyjadrené ako priemer ± štandardná odchýlka alebo číslo (%) v závislosti od charakteristík údajov. Obojstranné hodnoty P < 0,05 boli považované za štatisticky významné. Všetky rutinné štatistické analýzy boli vykonané pomocou SAS verzie 9.4 (SAS Institute, Cary, NC). Regresný model DM bol implementovaný v jazyku Python s použitím backendu Keras50 2.2.4 a Tensorflow51 1.8.0 špeciálne pre matematické operácie. Klasifikačný model DM bol implementovaný v prostredí Waikato Knowledge Analysis Environment a analytickej platforme Konstanz Information Miner (KNIME) 4.6.152.
Autori berú na vedomie, že údaje podporujúce závery štúdie možno nájsť v článku a doplnkových materiáloch. Súbory údajov vygenerované a/alebo analyzované počas štúdie sú k dispozícii od príslušného autora na základe primeranej žiadosti.
Ritz-Timme, S. a kol. Posudzovanie veku: súčasný stav techniky na splnenie špecifických požiadaviek forenznej praxe. Medzinárodnosť. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. a Olze, A. Súčasný stav forenzného posudzovania veku živých subjektov na účely trestného stíhania. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. a kol. Modifikovaná metóda na posúdenie zubného veku detí vo veku 5 až 16 rokov vo východnej Číne. clinical. Oral survey. 25, 3463–3474 (2021).
Lee, SS a ďalší. Chronológia vývoja druhých a tretích molárov u Kórejčanov a jej aplikácia na forenzné posúdenie veku. Medzinárodnosť. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY a Lee, SS Presnosť odhadu veku a odhad 18-ročného prahu na základe zrelosti druhých a tretích molárov u Kórejčanov a Japoncov. PLoS ONE 17, e0271247 (2022).
Kim, JY a kol. Predoperačná analýza údajov založená na strojovom učení môže predpovedať výsledok liečby operáciou spánku u pacientov s OSA. the science. Report 11, 14911 (2021).
Han, M. a kol. Presný odhad veku zo strojového učenia s ľudským zásahom alebo bez neho? Medzinárodnosť. J. Legal medicine. 136, 821–831 (2022).
Khan, S. a Shaheen, M. Od dolovania dát k dolovaniu dát. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. a Shaheen, M. WisRule: Prvý kognitívny algoritmus pre dolovanie asociačných pravidiel. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. a Abdullah U. Karm: Tradičná analýza dát založená na kontextových asociačných pravidlách. vypočítať. Matt. pokračovať. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. a Habib M. Detekcia sémantickej podobnosti založená na hlbokom učení s využitím textových údajov. informačné technológie. riadenie. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. a Shahin, M. Systém na rozpoznávanie aktivity v športových videách. multimédiá. Nástroje Aplikácie https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS a kol. Výzva strojového učenia RSNA v detskom veku kostí. Rádiológia 290, 498–503 (2019).
Li, Y. a kol. Forenzný odhad veku z röntgenových snímok panvy pomocou hlbokého učenia. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC a kol. Presná veková klasifikácia pomocou manuálnych metód a hlbokých konvolučných neurónových sietí z ortografických projekčných obrazov. internacionalita. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora a kol. Odhad veku kostí pomocou rôznych metód strojového učenia: systematický prehľad literatúry a metaanalýza. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. a Yang, J. Odhad veku Afroameričanov a Číňanov špecifický pre populáciu na základe objemov zubnej drene prvých molárov pomocou kužeľovej počítačovej tomografie. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK a Oh KS Určovanie vekových skupín žijúcich ľudí pomocou snímok prvých stoličiek založených na umelej inteligencii. Veda. Správa 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. a Urschler, M. Automatický odhad veku a klasifikácia väčšinového veku z viacrozmerných MRI údajov. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. a Li, G. Odhad veku na základe 3D segmentácie dreňovej komory prvých molárov z kužeľovej lúčovej počítačovej tomografie integráciou hlbokého učenia a úrovní. internacionalita. J. Legal medicine. 135, 365–373 (2021).
Wu, WT a kol. Dolovanie dát v klinických veľkých dátach: bežné databázy, kroky a metódy, modely. World. medicine. resource. 8, 44 (2021).
Yang, J. a kol. Úvod do medicínskych databáz a technológií dolovania dát v ére veľkých dát. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. a kol. Camererova metóda na odhad veku zubov pomocou strojového učenia. BMC Oral Health 21, 641 (2021).
Galliburg A. a kol. Porovnanie rôznych metód strojového učenia na predpovedanie veku zubov pomocou Demirdjianovej metódy stagingu. internacionalita. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. a Tanner, JM Nový systém na hodnotenie zubného veku. snort. biology. 45, 211–227 (1973).
Landis, JR a Koch, GG Miery zhody pozorovateľov na kategorických údajoch. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK a Choi HK. Textúrna, morfologická a štatistická analýza dvojrozmerného zobrazovania magnetickou rezonanciou s využitím techník umelej inteligencie na diferenciáciu primárnych mozgových nádorov. Zdravotné informácie. Zdroj. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Čas uverejnenia: 4. januára 2024