Tack för att du besöker Nature.com. Den webbläsarversion du använder har begränsat CSS-stöd. För bästa resultat rekommenderar vi att du använder en nyare version av din webbläsare (eller att du stänger av kompatibilitetsläget i Internet Explorer). Under tiden, för att säkerställa fortsatt support, visar vi webbplatsen utan styling eller JavaScript.
Tänder anses vara den mest exakta indikatorn på människokroppens ålder och används ofta vid rättsmedicinsk åldersbedömning. Vi syftade till att validera åldersuppskattningar av tänder baserade på data mining genom att jämföra uppskattningsnoggrannheten och klassificeringsprestanda för 18-årströskeln med traditionella metoder och åldersuppskattningar baserade på data mining. Totalt 2657 panoramaröntgenbilder samlades in från koreanska och japanska medborgare i åldrarna 15 till 23 år. De delades in i en träningsuppsättning, som var och en innehöll 900 koreanska röntgenbilder, och en intern testuppsättning innehållande 857 japanska röntgenbilder. Vi jämförde klassificeringsnoggrannheten och effektiviteten hos traditionella metoder med testuppsättningar av data mining-modeller. Noggrannheten hos den traditionella metoden på den interna testuppsättningen är något högre än hos data mining-modellen, och skillnaden är liten (medelabsolutfel <0,21 år, rotmedelkvadratfel <0,24 år). Klassificeringsprestandan för 18-årsgränsen är också likartad mellan traditionella metoder och data mining-modeller. Således kan traditionella metoder ersättas av datautvinningsmodeller vid rättsmedicinsk åldersbedömning med hjälp av mognaden hos andra och tredje molarer hos koreanska ungdomar och unga vuxna.
Åldersuppskattning för tänder används ofta inom rättsmedicin och barntandvård. Särskilt på grund av den höga korrelationen mellan kronologisk ålder och tandutveckling är åldersbedömning utifrån tandutvecklingsstadier ett viktigt kriterium för att bedöma barns och ungdomars ålder1,2,3. För unga människor har dock uppskattning av tändernas ålder baserat på tandmognad sina begränsningar eftersom tändernas tillväxt är nästan fullständig, med undantag för de tredje molarerna. Det rättsliga syftet med att bestämma åldern för unga människor och ungdomar är att ge noggranna uppskattningar och vetenskapliga bevis för om de har uppnått myndighetsåldern. Inom den medicinsk-juridiska praxisen för ungdomar och unga vuxna i Korea uppskattades åldern med Lees metod, och en laglig tröskel på 18 år förutspåddes baserat på de data som rapporterats av Oh et al.5.
Maskininlärning är en typ av artificiell intelligens (AI) som upprepade gånger lär sig och klassificerar stora mängder data, löser problem på egen hand och driver dataprogrammering. Maskininlärning kan upptäcka användbara dolda mönster i stora datamängder6. Däremot kan klassiska metoder, som är arbetsintensiva och tidskrävande, ha begränsningar när de hanterar stora volymer komplex data som är svåra att bearbeta manuellt7. Därför har många studier genomförts nyligen med den senaste datortekniken för att minimera mänskliga fel och effektivt bearbeta flerdimensionella data8,9,10,11,12. I synnerhet har djupinlärning använts i stor utsträckning inom medicinsk bildanalys, och olika metoder för åldersuppskattning genom automatisk analys av röntgenbilder har rapporterats förbättra noggrannheten och effektiviteten i åldersuppskattning13,14,15,16,17,18,19,20. Till exempel utvecklade Halabi et al13 en maskininlärningsalgoritm baserad på faltningsneurala nätverk (CNN) för att uppskatta skelettålder med hjälp av röntgenbilder av barns händer. Denna studie föreslår en modell som tillämpar maskininlärning på medicinska bilder och visar att dessa metoder kan förbättra diagnostisk noggrannhet. Li et al.14 uppskattade ålder från bäckenröntgenbilder med hjälp av ett djupinlärnings-CNN och jämförde dem med regressionsresultat med hjälp av ossifikationsstadiesestimering. De fann att djupinlärnings-CNN-modellen visade samma åldersuppskattningsprestanda som den traditionella regressionsmodellen. Guo et al.s studie [15] utvärderade ålderstoleransklassificeringsprestanda för CNN-teknik baserat på dentala ortofoton, och resultaten av CNN-modellen bevisade att människor överträffade dess åldersklassificeringsprestanda.
De flesta studier om åldersuppskattning med hjälp av maskininlärning använder djupinlärningsmetoder13,14,15,16,17,18,19,20. Åldersuppskattning baserad på djupinlärning rapporteras vara mer exakt än traditionella metoder. Denna metod ger dock liten möjlighet att presentera den vetenskapliga grunden för åldersuppskattningar, såsom de åldersindikatorer som används i uppskattningarna. Det finns också en juridisk tvist om vem som utför inspektionerna. Därför är åldersuppskattning baserad på djupinlärning svår att acceptera av administrativa och rättsliga myndigheter. Data mining (DM) är en teknik som kan upptäcka inte bara förväntad utan även oväntad information som en metod för att upptäcka användbara korrelationer mellan stora mängder data6,21,22. Maskininlärning används ofta i data mining, och både data mining och maskininlärning använder samma nyckelalgoritmer för att upptäcka mönster i data. Åldersuppskattning med hjälp av tandutveckling baseras på undersökarens bedömning av måltändernas mognad, och denna bedömning uttrycks som ett stadium för varje måltand. DM kan användas för att analysera korrelationen mellan tandbedömningsstadium och faktisk ålder och har potential att ersätta traditionell statistisk analys. Om vi därför tillämpar maskininlärning för åldersuppskattning kan vi implementera maskininlärning i forensisk åldersuppskattning utan att oroa oss för juridiskt ansvar. Flera jämförande studier har publicerats om möjliga alternativ till traditionella manuella metoder som används inom forensisk praktik och EBM-baserade metoder för att bestämma tandålder. Shen et al23 visade att DM-modellen är mer exakt än den traditionella Camerer-formeln. Galibourg et al24 tillämpade olika DM-metoder för att förutsäga ålder enligt Demirdjians kriterium25 och resultaten visade att DM-metoden överträffade Demirdjians och Willems metoder vid uppskattning av den franska befolkningens ålder.
För att uppskatta tandåldern hos koreanska ungdomar och unga vuxna används Lees metod 4 i stor utsträckning inom koreansk rättsmedicinsk praxis. Denna metod använder traditionell statistisk analys (såsom multipel regression) för att undersöka sambandet mellan koreanska försökspersoner och kronologisk ålder. I denna studie definieras åldersuppskattningsmetoder som erhållits med traditionella statistiska metoder som "traditionella metoder". Lees metod är en traditionell metod, och dess noggrannhet har bekräftats av Oh et al. 5; dock är tillämpligheten av åldersuppskattning baserad på DM-modellen inom koreansk rättsmedicinsk praxis fortfarande tveksam. Vårt mål var att vetenskapligt validera den potentiella användbarheten av åldersuppskattning baserad på DM-modellen. Syftet med denna studie var (1) att jämföra noggrannheten hos två DM-modeller för att uppskatta tandålder och (2) att jämföra klassificeringsprestandan hos 7 DM-modeller vid 18 års ålder med de som erhållits med traditionella statistiska metoder. Mognad av andra och tredje molarer i båda käkarna.
Medelvärden och standardavvikelser för kronologisk ålder per stadium och tandtyp visas online i tilläggstabell S1 (träningsset), tilläggstabell S2 (internt testset) och tilläggstabell S3 (externt testset). Kappavärdena för intra- och interobservatörsreliabilitet som erhölls från träningssetet var 0,951 respektive 0,947. P-värden och 95 % konfidensintervall för kappavärden visas i online-tilläggstabell S4. Kappavärdet tolkades som "nästan perfekt", i överensstämmelse med kriterierna från Landis och Koch26.
Vid jämförelse av medelabsolutfel (MAE) överträffar den traditionella metoden DM-modellen något för alla kön och i det externa manliga testsetet, med undantag för multilayer perceptron (MLP). Skillnaden mellan den traditionella modellen och DM-modellen på det interna MAE-testsetet var 0,12–0,19 år för män och 0,17–0,21 år för kvinnor. För det externa testsetet är skillnaderna mindre (0,001–0,05 år för män och 0,05–0,09 år för kvinnor). Dessutom är rotmedelkvadratfelet (RMSE) något lägre än den traditionella metoden, med mindre skillnader (0,17–0,24, 0,2–0,24 för det interna manliga testsetet och 0,03–0,07, 0,04–0,08 för det externa testsetet). MLP visar något bättre prestanda än Single Layer Perceptron (SLP), förutom i fallet med det externa kvinnliga testsetet. För MAE och RMSE får det externa testet högre poäng än det interna testet för alla kön och modeller. Alla MAE och RMSE visas i tabell 1 och figur 1.
MAE och RMSE för traditionella regressionsmodeller och data mining-regressionsmodeller. Medelabsolutfel MAE, rotmedelskvadratfel RMSE, enkelskiktsperceptron-SLP, flerskiktsperceptron-MLP, traditionell CM-metod.
Klassificeringsprestanda (med ett gränsvärde på 18 år) för de traditionella och DM-modellerna demonstrerades i termer av sensitivitet, specificitet, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) och arean under ROC-kurvan (AUROC)27 (tabell 2, figur 2 och kompletterande figur 1 online). När det gäller sensitiviteten hos den interna testuppsättningen presterade traditionella metoder bäst bland män och sämre bland kvinnor. Skillnaden i klassificeringsprestanda mellan traditionella metoder och SD är dock 9,7 % för män (MLP) och endast 2,4 % för kvinnor (XGBoost). Bland DM-modellerna visade logistisk regression (LR) bättre sensitivitet hos båda könen. Beträffande specificiteten hos den interna testuppsättningen observerades att de fyra SD-modellerna presterade bra hos män, medan den traditionella modellen presterade bättre hos kvinnor. Skillnaderna i klassificeringsprestanda för män och kvinnor är 13,3 % (MLP) respektive 13,1 % (MLP), vilket indikerar att skillnaden i klassificeringsprestanda mellan modellerna överstiger sensitiviteten. Bland DM-modellerna presterade support vector machine (SVM), decision tree (DT) och random forest (RF) bäst bland män, medan LR-modellen presterade bäst bland kvinnor. AUROC för den traditionella modellen och alla SD-modeller var större än 0,925 (k-närmaste neighbor (KNN) hos män), vilket visar utmärkt klassificeringsprestanda vid urskiljning av 18-åriga urval28. För den externa testuppsättningen skedde en minskning av klassificeringsprestanda vad gäller sensitivitet, specificitet och AUROC jämfört med den interna testuppsättningen. Dessutom varierade skillnaden i sensitivitet och specificitet mellan klassificeringsprestanda för de bästa och sämsta modellerna från 10 % till 25 % och var större än skillnaden i den interna testuppsättningen.
Känslighet och specificitet hos klassificeringsmodeller för data mining jämfört med traditionella metoder med en gräns på 18 år. KNN k närmaste granne, SVM-stödvektormaskin, LR logistisk regression, DT-beslutsträd, RF-slumpmässig skog, XGB XGBoost, MLP flerskiktsperceptron, traditionell CM-metod.
Det första steget i denna studie var att jämföra noggrannheten i åldersuppskattningar för tandvård erhållna från sju DM-modeller med de som erhölls med traditionell regression. MAE och RMSE utvärderades i interna testuppsättningar för båda könen, och skillnaden mellan den traditionella metoden och DM-modellen varierade från 44 till 77 dagar för MAE och från 62 till 88 dagar för RMSE. Även om den traditionella metoden var något mer exakt i denna studie är det svårt att dra slutsatsen om en så liten skillnad har klinisk eller praktisk betydelse. Dessa resultat indikerar att noggrannheten i åldersuppskattningen för tandvård med hjälp av DM-modellen är nästan densamma som den traditionella metodens. Direkt jämförelse med resultat från tidigare studier är svår eftersom ingen studie har jämfört noggrannheten hos DM-modeller med traditionella statistiska metoder som använder samma teknik för att registrera tänder i samma åldersintervall som i denna studie. Galibourg et al24 jämförde MAE och RMSE mellan två traditionella metoder (Demirjian-metoden25 och Willems-metoden29) och 10 DM-modeller i en fransk population i åldrarna 2 till 24 år. De rapporterade att alla DM-modeller var mer exakta än traditionella metoder, med skillnader på 0,20 och 0,38 år i MAE och 0,25 respektive 0,47 år i RMSE jämfört med Willems- och Demirdjian-metoderna. Skillnaden mellan SD-modellen och traditionella metoder som visas i Halibourg-studien tar hänsyn till ett flertal rapporter30,31,32,33 om att Demirdjian-metoden inte korrekt uppskattar tandåldern i andra populationer än de franskkanadensiska som studien baserades på. I denna studie använde Tai et al34 MLP-algoritmen för att förutsäga tandåldern från 1636 kinesiska ortodontiska fotografier och jämförde dess noggrannhet med resultaten från Demirjian- och Willems-metoden. De rapporterade att MLP har högre noggrannhet än traditionella metoder. Skillnaden mellan Demirdjian-metoden och den traditionella metoden är <0,32 år, och Willems-metoden är 0,28 år, vilket liknar resultaten från den aktuella studien. Resultaten från dessa tidigare studier24,34 överensstämmer också med resultaten från den aktuella studien, och noggrannheten i åldersuppskattningen för DM-modellen och den traditionella metoden är likartade. Baserat på de presenterade resultaten kan vi dock endast försiktigt dra slutsatsen att användningen av DM-modeller för att uppskatta ålder kan ersätta befintliga metoder på grund av bristen på jämförande och referensstudier från tidigare studier. Uppföljningsstudier med större urval behövs för att bekräfta resultaten från denna studie.
Bland de studier som testade noggrannheten hos standardavvikelsen (SD) vid uppskattning av tandålder visade vissa högre noggrannhet än vår studie. Stepanovsky et al. 35 tillämpade 22 SD-modeller på panoramaröntgenbilder av 976 tjeckiska invånare i åldrarna 2,7 till 20,5 år och testade noggrannheten för varje modell. De bedömde utvecklingen av totalt 16 övre och nedre vänstra permanenta tänder med hjälp av klassificeringskriterierna som föreslagits av Moorrees et al. 36. MAE varierar från 0,64 till 0,94 år och RMSE varierar från 0,85 till 1,27 år, vilket är mer exakt än de två DM-modellerna som användes i denna studie. Shen et al. 23 använde Cameriere-metoden för att uppskatta tandåldern för sju permanenta tänder i vänster mandibel hos östkinesiska invånare i åldrarna 5 till 13 år och jämförde den med åldrar uppskattade med linjär regression, SVM och RF. De visade att alla tre DM-modeller har högre noggrannhet jämfört med den traditionella Cameriere-formeln. MAE och RMSE i Shens studie var lägre än de i DM-modellen i denna studie. Den ökade precisionen i studierna av Stepanovsky et al. 35 och Shen et al. 23 kan bero på att yngre försökspersoner inkluderades i deras urval. Eftersom åldersuppskattningar för deltagare med utvecklande tänder blir mer exakta i takt med att antalet tänder ökar under tandutvecklingen, kan noggrannheten hos den resulterande åldersuppskattningsmetoden försämras när studiedeltagarna är yngre. Dessutom är MLP:s fel i åldersuppskattning något mindre än SLP:s, vilket innebär att MLP är mer exakt än SLP. MLP anses vara något bättre för åldersuppskattning, möjligen på grund av de dolda lagren i MLP 38. Det finns dock ett undantag för det yttre urvalet av kvinnor (SLP 1,45, MLP 1,49). Upptäckten att MLP är mer exakt än SLP vid bedömning av ålder kräver ytterligare retrospektiva studier.
Klassificeringsprestandan för DM-modellen och den traditionella metoden vid en 18-årströskel jämfördes också. Alla testade SD-modeller och traditionella metoder på den interna testuppsättningen visade praktiskt taget acceptabla nivåer av diskriminering för det 18-åriga urvalet. Sensitiviteten för män och kvinnor var större än 87,7 % respektive 94,9 %, och specificiteten var större än 89,3 % respektive 84,7 %. AUROC för alla testade modeller överstiger också 0,925. Så vitt vi vet har ingen studie testat prestandan för DM-modellen för 18-årsklassificering baserad på tandmognad. Vi kan jämföra resultaten av denna studie med klassificeringsprestandan för djupinlärningsmodeller på panoramaröntgenbilder. Guo et al.15 beräknade klassificeringsprestandan för en CNN-baserad djupinlärningsmodell och en manuell metod baserad på Demirjians metod för en viss ålderströskel. Sensitiviteten och specificiteten för den manuella metoden var 87,7 % respektive 95,5 %, och sensitiviteten och specificiteten för CNN-modellen översteg 89,2 % respektive 86,6 %. De drog slutsatsen att djupinlärningsmodeller kan ersätta eller överträffa manuell bedömning vid klassificering av åldersgränser. Resultaten av denna studie visade liknande klassificeringsprestanda; man tror att klassificering med hjälp av DM-modeller kan ersätta traditionella statistiska metoder för åldersuppskattning. Bland modellerna var DM LR den bästa modellen vad gäller sensitivitet för det manliga urvalet och sensitivitet och specificitet för det kvinnliga urvalet. LR rankas tvåa i specificitet för män. Dessutom anses LR vara en av de mer användarvänliga DM35-modellerna och är mindre komplex och svår att bearbeta. Baserat på dessa resultat ansågs LR vara den bästa gränsklassificeringsmodellen för 18-åringar i den koreanska befolkningen.
Sammantaget var noggrannheten i åldersuppskattningen eller klassificeringsprestanda på det externa testsetet dålig eller lägre jämfört med resultaten på det interna testsetet. Vissa rapporter indikerar att klassificeringsnoggrannheten eller effektiviteten minskar när åldersuppskattningar baserade på den koreanska befolkningen tillämpas på den japanska befolkningen5,39, och ett liknande mönster hittades i den aktuella studien. Denna försämringstrend observerades även i DM-modellen. För att korrekt uppskatta ålder, även när man använder DM i analysprocessen, bör därför metoder som härrör från data från den inhemska befolkningen, såsom traditionella metoder, föredra5,39,40,41,42. Eftersom det är oklart om djupinlärningsmodeller kan visa liknande trender, behövs studier som jämför klassificeringsnoggrannhet och effektivitet med traditionella metoder, DM-modeller och djupinlärningsmodeller på samma urval för att bekräfta om artificiell intelligens kan övervinna dessa rasskillnader i begränsade åldersbedömningar.
Vi visar att traditionella metoder kan ersättas med åldersuppskattning baserad på DM-modellen inom forensisk åldersuppskattning i Korea. Vi upptäckte också möjligheten att implementera maskininlärning för forensisk åldersbedömning. Det finns dock tydliga begränsningar, såsom det otillräckliga antalet deltagare i denna studie för att definitivt kunna fastställa resultaten, och bristen på tidigare studier för att jämföra och bekräfta resultaten av denna studie. I framtiden bör DM-studier genomföras med ett större antal urval och mer diversifierade populationer för att förbättra dess praktiska tillämpbarhet jämfört med traditionella metoder. För att validera genomförbarheten av att använda artificiell intelligens för att uppskatta ålder i flera populationer behövs framtida studier för att jämföra klassificeringsnoggrannheten och effektiviteten hos DM- och djupinlärningsmodeller med traditionella metoder i samma urval.
Studien använde 2 657 ortografiska fotografier insamlade från koreanska och japanska vuxna i åldrarna 15 till 23 år. De koreanska röntgenbilderna delades in i 900 träningsset (19,42 ± 2,65 år) och 900 interna testset (19,52 ± 2,59 år). Träningssetet samlades in vid en institution (Seoul St. Mary's Hospital), och det egna testsetet samlades in vid två institutioner (Seoul National University Dental Hospital och Yonsei University Dental Hospital). Vi samlade också in 857 röntgenbilder från en annan populationsbaserad data (Iwate Medical University, Japan) för extern testning. Röntgenbilder av japanska försökspersoner (19,31 ± 2,60 år) valdes som extern testset. Data samlades in retrospektivt för att analysera stadierna av tandutveckling på panoramaröntgenbilder tagna under tandbehandling. Alla insamlade data var anonyma förutom kön, födelsedatum och datum för röntgenbilden. Inklusions- och exklusionskriterierna var desamma som i tidigare publicerade studier 4, 5. Urvalets faktiska ålder beräknades genom att subtrahera födelsedatumet från det datum då röntgenbilden togs. Urvalsgruppen delades in i nio åldersgrupper. Ålders- och könsfördelningarna visas i tabell 3. Denna studie genomfördes i enlighet med Helsingforsdeklarationen och godkändes av Institutional Review Board (IRB) vid Seoul St. Mary's Hospital vid Koreas katolska universitet (KC22WISI0328). På grund av studiens retrospektiva design kunde informerat samtycke inte erhållas från alla patienter som genomgick radiografisk undersökning för terapeutiska ändamål. Seoul Korea University St. Mary's Hospital (IRB) medgav undantag från kravet på informerat samtycke.
Utvecklingsstadier hos bimaxillära andra och tredje molarer bedömdes enligt Demircan-kriterierna25. Endast en tand valdes om samma typ av tand hittades på vänster och höger sida av varje käke. Om homologa tänder på båda sidor var i olika utvecklingsstadier valdes tanden med det lägre utvecklingsstadiet för att ta hänsyn till osäkerheten i den uppskattade åldern. Ett hundra slumpmässigt utvalda röntgenbilder från träningssetet poängsattes av två erfarna observatörer för att testa interobservatörsreliabilitet efter förkalibrering för att bestämma tandmognadsstadium. Intraobservatörsreliabilitet bedömdes två gånger med tre månaders intervall av den primära observatören.
Kön och utvecklingsstadium för andra och tredje molarer i varje käke i träningsuppsättningen uppskattades av en primär observatör tränad med olika DM-modeller, och den faktiska åldern sattes som målvärde. SLP- och MLP-modeller, som används flitigt inom maskininlärning, testades mot regressionsalgoritmer. DM-modellen kombinerar linjära funktioner med hjälp av utvecklingsstadierna för de fyra tänderna och kombinerar dessa data för att uppskatta ålder. SLP är det enklaste neurala nätverket och innehåller inga dolda lager. SLP fungerar baserat på tröskelöverföring mellan noder. SLP-modellen i regression är matematiskt lik multipel linjär regression. Till skillnad från SLP-modellen har MLP-modellen flera dolda lager med icke-linjära aktiveringsfunktioner. Våra experiment använde ett dolt lager med endast 20 dolda noder med icke-linjära aktiveringsfunktioner. Använd gradient descent som optimeringsmetod och MAE och RMSE som förlustfunktion för att träna vår maskininlärningsmodell. Den bästa erhållna regressionsmodellen tillämpades på de interna och externa testuppsättningarna och tändernas ålder uppskattades.
En klassificeringsalgoritm utvecklades som använder mognaden hos fyra tänder på träningsuppsättningen för att förutsäga om ett urval är 18 år gammalt eller inte. För att bygga modellen härledde vi sju representativa maskininlärningsalgoritmer6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost och (7) MLP. LR är en av de mest använda klassificeringsalgoritmerna44. Det är en övervakad inlärningsalgoritm som använder regression för att förutsäga sannolikheten för att data tillhör en viss kategori från 0 till 1 och klassificerar data som tillhörande en mer sannolik kategori baserat på denna sannolikhet; används främst för binär klassificering. KNN är en av de enklaste maskininlärningsalgoritmerna45. När den får ny indata hittar den k data nära den befintliga uppsättningen och klassificerar dem sedan i klassen med högst frekvens. Vi sätter 3 för antalet grannar som beaktas (k). SVM är en algoritm som maximerar avståndet mellan två klasser genom att använda en kärnfunktion för att expandera det linjära rummet till ett icke-linjärt rum som kallas fält46. För denna modell använder vi bias = 1, power = 1 och gamma = 1 som hyperparametrar för polynomkärnan. DT har använts inom olika områden som en algoritm för att dela upp en hel datamängd i flera undergrupper genom att representera beslutsregler i en trädstruktur47. Modellen är konfigurerad med ett minsta antal poster per nod på 2 och använder Gini-index som ett mått på kvalitet. RF är en ensemblemetod som kombinerar flera DT:er för att förbättra prestanda med hjälp av en bootstrap-aggregeringsmetod som genererar en svag klassificerare för varje sampel genom att slumpmässigt dra sampel av samma storlek flera gånger från den ursprungliga datamängden48. Vi använde 100 träd, 10 träddjup, 1 minsta nodstorlek och Gini-admixtureindex som nodseparationskriterier. Klassificeringen av nya data bestäms av en majoritetsröstning. XGBoost är en algoritm som kombinerar boosting-tekniker med hjälp av en metod som tar felet mellan de faktiska och förutspådda värdena från den tidigare modellen som träningsdata och förstärker felet med hjälp av gradienter49. Det är en allmänt använd algoritm på grund av dess goda prestanda och resurseffektivitet, samt höga tillförlitlighet som en överanpassningskorrigeringsfunktion. Modellen är utrustad med 400 stödhjul. MLP är ett neuralt nätverk där en eller flera perceptroner bildar flera lager med ett eller flera dolda lager mellan in- och utgångslagren38. Med hjälp av detta kan man utföra icke-linjär klassificering där när man lägger till ett ingångslager och får ett resultatvärde, jämförs det förutspådda resultatvärdet med det faktiska resultatvärdet och felet fortplantas tillbaka. Vi skapade ett dolt lager med 20 dolda neuroner i varje lager. Varje modell vi utvecklade tillämpades på interna och externa uppsättningar för att testa klassificeringsprestanda genom att beräkna känslighet, specificitet, PPV, NPV och AUROC. Känslighet definieras som förhållandet mellan ett urval som uppskattas vara 18 år eller äldre och ett urval som uppskattas vara 18 år eller äldre. Specificitet är andelen urval under 18 år och de som uppskattas vara under 18 år.
De tandstadier som bedömdes i träningssetet omvandlades till numeriska stadier för statistisk analys. Multivariat linjär och logistisk regression utfördes för att utveckla prediktiva modeller för varje kön och härleda regressionsformler som kan användas för att uppskatta ålder. Vi använde dessa formler för att uppskatta tandålder för både interna och externa testset. Tabell 4 visar regressions- och klassificeringsmodellerna som användes i denna studie.
Intra- och interobservatörsreliabilitet beräknades med hjälp av Cohens kappastatistik. För att testa noggrannheten hos DM och traditionella regressionsmodeller beräknade vi MAE och RMSE med hjälp av de uppskattade och faktiska åldrarna hos de interna och externa testuppsättningarna. Dessa fel används vanligtvis för att utvärdera noggrannheten hos modellförutsägelser. Ju mindre felet är, desto högre noggrannhet i prognosen24. Jämför MAE och RMSE för interna och externa testuppsättningar beräknade med DM och traditionell regression. Klassificeringsprestanda för 18-årsgränsen i traditionell statistik bedömdes med hjälp av en 2 × 2-kontingenstabell. Den beräknade sensitiviteten, specificiteten, PPV, NPV och AUROC för testuppsättningen jämfördes med de uppmätta värdena från DM-klassificeringsmodellen. Data uttrycks som medelvärde ± standardavvikelse eller antal (%) beroende på dataegenskaper. Tvåsidiga p-värden <0,05 ansågs statistiskt signifikanta. Alla rutinmässiga statistiska analyser utfördes med SAS version 9.4 (SAS Institute, Cary, NC). DM-regressionsmodellen implementerades i Python med hjälp av Keras50 2.2.4 backend och Tensorflow51 1.8.0 specifikt för matematiska operationer. DM-klassificeringsmodellen implementerades i Waikato Knowledge Analysis Environment och analysplattformen Konstanz Information Miner (KNIME) 4.6.152.
Författarna bekräftar att data som stöder studiens slutsatser finns i artikeln och kompletterande material. De datamängder som genererats och/eller analyserats under studien är tillgängliga från respektive författare på rimlig begäran.
Ritz-Timme, S. et al. Åldersbedömning: aktuell teknik för att möta de specifika kraven inom rättsmedicinsk praxis. internationalitet. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., och Olze, A. Nuvarande status för rättsmedicinsk åldersbedömning av levande individer för åtal. Forensics. Medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. En modifierad metod för att bedöma tandåldern hos barn i åldrarna 5 till 16 år i östra Kina. klinisk. Oralundersökning. 25, 3463–3474 (2021).
Lee, SS etc. Kronologi över utvecklingen av andra och tredje molarer hos koreaner och dess tillämpning för rättsmedicinsk åldersbedömning. internationalitet. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY och Lee, SS Noggrannhet i åldersuppskattning och uppskattning av 18-årströskeln baserat på mognaden hos andra och tredje molarer hos koreaner och japaner. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Preoperativ maskininlärningsbaserad dataanalys kan förutsäga resultatet av sömnkirurgisk behandling hos patienter med OSA. vetenskapen. Rapport 11, 14911 (2021).
Han, M. et al. Noggrann åldersuppskattning från maskininlärning med eller utan mänsklig intervention? Internationalitet. J. Legal medicine. 136, 821–831 (2022).
Khan, S. och Shaheen, M. Från datautvinning till datautvinning. J. Information. Vetenskapen. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. och Shaheen, M. WisRule: Den första kognitiva algoritmen för utvinning av associationsregler. J. Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. och Abdullah U. Karm: Traditionell datautvinning baserad på kontextbaserade associationsregler. beräkna. Matt. fortsätt. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. och Habib M. Djupinlärningsbaserad semantisk likhetsdetektering med hjälp av textdata. informationsteknologier. kontroll. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., och Shahin, M. Ett system för att känna igen aktivitet i sportvideor. multimedia. Verktyg och tillämpningar https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Maskininlärningsutmaning i pediatrisk benålder. Radiology 290, 498–503 (2019).
Li, Y. et al. Rättsmedicinsk åldersuppskattning från bäckenröntgen med hjälp av djupinlärning. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Noggrann åldersklassificering med hjälp av manuella metoder och djupa faltningsneuronnätverk från ortografiska projektionsbilder. internationalitet. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Uppskattning av benålder med hjälp av olika maskininlärningsmetoder: en systematisk litteraturöversikt och metaanalys. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., och Yang, J. Populationsspecifik åldersuppskattning av afroamerikaner och kineser baserat på pulpakammarvolymer hos första molarer med hjälp av konstråle-datortomografi. internationalitet. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK och Oh KS. Att bestämma åldersgrupper för levande människor med hjälp av bilder av första kindtänderna baserade på artificiell intelligens. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., och Urschler, M. Automatisk åldersuppskattning och åldersklassificering för majoritet från multivariata MR-data. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. och Li, G. Åldersuppskattning baserad på 3D-pulpakammarsegmentering av första molarer från konstråle-datortomografi genom att integrera djupinlärning och nivåuppsättningar. internationalitet. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Datautvinning inom klinisk stordata: vanliga databaser, steg och metodmodeller. World. medicine. resurs. 8, 44 (2021).
Yang, J. et al. Introduktion till medicinska databaser och datautvinningstekniker i stordataeran. J. Avid. Grundläggande medicin. 13, 57–69 (2020).
Shen, S. et al. Camerers metod för att uppskatta tandålder med hjälp av maskininlärning. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Jämförelse av olika maskininlärningsmetoder för att förutsäga tandålder med hjälp av Demirdjian-stadieindelningsmetoden. internationalitet. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. och Tanner, JM Ett nytt system för att bedöma tandålder. snort. biology. 45, 211–227 (1973).
Landis, JR, och Koch, GG Mått på observatörers överensstämmelse på kategoriska data. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK och Choi HK. Texturell, morfologisk och statistisk analys av tvådimensionell magnetisk resonanstomografi med hjälp av artificiell intelligens-tekniker för differentiering av primära hjärntumörer. Hälsoinformation. resurs. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Publiceringstid: 4 januari 2024