Tack för att du besöker Nature.com.Den version av webbläsaren du använder har begränsat CSS-stöd.För bästa resultat rekommenderar vi att du använder en nyare version av din webbläsare (eller stänger av kompatibilitetsläget i Internet Explorer).Under tiden, för att säkerställa kontinuerlig support, visar vi webbplatsen utan styling eller JavaScript.
Tänder anses vara den mest exakta indikatorn på människokroppens ålder och används ofta i rättsmedicinsk åldersbedömning.Vi syftade till att validera datautvinningsbaserade dentala åldersuppskattningar genom att jämföra uppskattningsnoggrannheten och klassificeringsprestandan för 18-årströskeln med traditionella metoder och datautvinningsbaserade åldersuppskattningar.Totalt samlades 2657 panoramaröntgenbilder 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 datautvinningsmodeller.Noggrannheten för den traditionella metoden på den interna testuppsättningen är något högre än den för datautvinningsmodellen, och skillnaden är liten (genomsnittligt absolut fel <0,21 år, rotmedelvärdesfel <0,24 år).Klassificeringsprestandan för 18-årsgränsen är också liknande för traditionella metoder och datautvinningsmodeller.Sålunda kan traditionella metoder ersättas med datautvinningsmodeller när man utför rättsmedicinsk åldersbedömning med hjälp av mognad hos andra och tredje molarer hos koreanska tonåringar och unga vuxna.
Dental åldersuppskattning används ofta inom rättsmedicin och pediatrisk tandvård.I synnerhet på grund av den höga korrelationen mellan kronologisk ålder och tandutveckling är åldersbedömning efter tandutvecklingsstadier ett viktigt kriterium för att bedöma åldern på barn och ungdomar1,2,3.För unga människor har dock en uppskattning av dental ålder baserat på dental mognad sina begränsningar eftersom tandtillväxten är nästan fullständig, med undantag för tredje molarerna.Det juridiska syftet med att fastställa ungdomars och ungdomars ålder är att tillhandahålla korrekta uppskattningar och vetenskapliga bevis på om de har uppnått myndig ålder.I den medicinsk-juridiska praktiken av tonåringar och unga vuxna i Korea, uppskattades ålder med Lees metod, och en laglig tröskel på 18 år förutspåddes baserat på 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 mängder data6.Däremot kan klassiska metoder, som är arbetskrävande och tidskrävande, ha begränsningar när man hanterar stora mängder komplexa data som är svåra att bearbeta manuellt7.Därför har många studier nyligen genomförts med den senaste datortekniken för att minimera mänskliga fel och effektivt bearbeta flerdimensionell data8,9,10,11,12.I synnerhet har djupinlärning använts i stor utsträckning i medicinsk bildanalys, och olika metoder för åldersuppskattning genom automatisk analys av röntgenbilder har rapporterats förbättra noggrannheten och effektiviteten av åldersuppskattning13,14,15,16,17,18,19,20 .Till exempel utvecklade Halabi et al 13 en maskininlärningsalgoritm baserad på konvolutionella neurala nätverk (CNN) för att uppskatta skelettets ålder 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 al14 uppskattade ålder från bäckenröntgenbilder med hjälp av en djupinlärnings-CNN och jämförde dem med regressionsresultat med hjälp av uppskattning av ossifieringsstadiet.De fann att CNN-modellen för djupinlärning visade samma åldersuppskattningsprestanda som den traditionella regressionsmodellen.Guo et al.s studie [15] utvärderade prestanda för ålderstoleransklassificering av CNN-teknik baserat på dentala ortofoton, och resultaten av CNN-modellen visade att människor överträffade sin åldersklassificeringsprestanda.
De flesta studier om åldersuppskattning med hjälp av maskininlärning använder metoder för djupinlärning13,14,15,16,17,18,19,20.Åldersuppskattning baserad på djupinlärning rapporteras vara mer exakt än traditionella metoder.Detta tillvägagångssätt ger dock små möjligheter att presentera det vetenskapliga underlaget för åldersuppskattningar, såsom de åldersindikatorer som används i uppskattningarna.Det finns också en rättslig tvist om vem som gör 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 datautvinning, och både datautvinning och maskininlärning använder samma nyckelalgoritmer för att upptäcka mönster i data.Åldersuppskattning med tandutveckling baseras på granskarens bedömning av måltändernas mognad, och denna bedömning uttrycks som ett steg för varje måltand.DM kan användas för att analysera sambandet mellan tandbedömningsstadiet och faktisk ålder och har potential att ersätta traditionell statistisk analys.Därför, om vi tillämpar DM-tekniker för åldersuppskattning, kan vi implementera maskininlärning i rättsmedicinsk åldersuppskattning utan att oroa oss för juridiskt ansvar.Flera jämförande studier har publicerats om möjliga alternativ till traditionella manuella metoder som används i rättsmedicinsk praxis och EBM-baserade metoder för att fastställa dental ålder.Shen et al23 visade att DM-modellen är mer exakt än den traditionella Camerer-formeln.Galibourg et al24 använde olika DM-metoder för att förutsäga ålder enligt Demirdjian-kriteriet25 och resultaten visade att DM-metoden överträffade Demirdjian- och Willems-metoderna när det gällde att uppskatta den franska befolkningens ålder.
För att uppskatta tandåldern för koreanska tonåringar och unga vuxna används Lees metod 4 flitigt i koreansk rättsmedicinsk praxis.Denna metod använder traditionell statistisk analys (som multipel regression) för att undersöka sambandet mellan koreanska ämnen 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 i koreansk rättsmedicin fortfarande tveksam.Vårt mål var att vetenskapligt validera den potentiella användbarheten av åldersuppskattning baserat på DM-modellen.Syftet med denna studie var (1) att jämföra noggrannheten hos två DM-modeller vid uppskattning av dental ålder och (2) att jämföra klassificeringsprestandan för 7 DM-modeller vid 18 års ålder med de som erhållits med traditionella statistiska metoder Maturity of second 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).Kappa-värdena för intra- och interobservatörstillförlitlighet erhållna från träningsuppsättningen var 0,951 respektive 0,947.P-värden och 95 % konfidensintervall för kappa-värden visas i tilläggstabell S4 online.Kappavärdet tolkades som "nästan perfekt", i överensstämmelse med kriterierna för Landis och Koch26.
När man jämför genomsnittligt absolut fel (MAE) överträffar den traditionella metoden något bättre än DM-modellen för alla kön och i den externa manliga testuppsättningen, 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 testbatteriet är skillnaderna mindre (0,001–0,05 år för män och 0,05–0,09 år för kvinnor).Dessutom är root mean square error (RMSE) något lägre än den traditionella metoden, med mindre skillnader (0,17–0,24, 0,2–0,24 för den interna testuppsättningen för män och 0,03–0,07, 0,04–0,08 för extern testuppsättning).).MLP visar något bättre prestanda än Single Layer Perceptron (SLP), förutom i fallet med den externa kvinnliga testsatsen.För MAE och RMSE ger den externa testuppsättningen högre poäng än den interna testuppsättningen för alla kön och modeller.Alla MAE och RMSE visas i tabell 1 och figur 1.
MAE och RMSE av traditionella och data mining regressionsmodeller.Genomsnittligt absolut fel MAE, root mean square error RMSE, single layer perceptron SLP, multilayer perceptron MLP, traditionell CM-metod.
Klassificeringsprestanda (med en gräns på 18 år) för de traditionella och DM-modellerna demonstrerades i termer av känslighet, specificitet, positivt prediktivt värde (PPV), negativt prediktivt värde (NPV) och area under mottagarens funktionskarakteristikkurva (AUROC) 27 (Tabell 2, Figur 2 och Kompletterande Figur 1 online).När det gäller det interna testbatteriets känslighet 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-modeller visade logistisk regression (LR) bättre känslighet hos båda könen.När det gäller 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 modeller överstiger känsligheten.Bland DM-modellerna presterade stödvektormaskinen (SVM), beslutsträdet (DT) och random forest (RF) modellerna bäst bland män, medan LR-modellen presterade bäst bland kvinnor.AUROC för den traditionella modellen och alla SD-modeller var högre än 0,925 (k-närmaste granne (KNN) hos män), vilket visar utmärkt klassificeringsprestanda för att urskilja 18-åriga prover28.För den externa testuppsättningen var det en minskning av klassificeringsprestanda i termer av sensitivitet, specificitet och AUROC jämfört med den interna testuppsättningen.Dessutom varierade skillnaden i känslighet och specificitet mellan klassificeringsprestanda för de bästa och sämsta modellerna från 10 % till 25 % och var större än skillnaden i den interna testuppsättningen.
Sensitivitet och specificitet för klassificeringsmodeller för datautvinning jämfört med traditionella metoder med en gräns på 18 år.KNN k närmaste granne, SVM stödvektormaskin, LR logistisk regression, DT beslutsträd, RF random forest, XGB XGBoost, MLP flerskiktsperceptron, traditionell CM-metod.
Det första steget i denna studie var att jämföra noggrannheten hos dentala åldersuppskattningar erhållna från sju DM-modeller med de som erhölls med traditionell regression.MAE och RMSE utvärderades i interna testset 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 för dental åldersuppskattning med DM-modellen är nästan densamma som den för den traditionella metoden.Direkt jämförelse med resultat från tidigare studier är svårt eftersom ingen studie har jämfört DM-modellernas noggrannhet med traditionella statistiska metoder med 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 method25 och Willems method29) och 10 DM-modeller i en fransk befolkning i åldern 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 och 0,47 år i RMSE jämfört med Willems- respektive Demirdjian-metoderna.Diskrepansen 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 exakt uppskattar dental ålder i andra populationer än de franska kanadensare som studien baserades på.i den här studien.Tai et al 34 använde MLP-algoritmen för att förutsäga tandålder från 1636 kinesiska ortodontiska fotografier och jämförde dess noggrannhet med resultaten av 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 denna studie.Resultaten från dessa tidigare studier24,34 överensstämmer också med resultaten från den aktuella studien, och åldersuppskattningens noggrannhet för DM-modellen och den traditionella metoden är likartade.Men baserat på de presenterade resultaten kan vi bara försiktigt dra slutsatsen att användningen av DM-modeller för att uppskatta ålder kan ersätta befintliga metoder på grund av bristen på jämförande och referens tidigare studier.Uppföljningsstudier med större prover behövs för att bekräfta resultaten som erhållits i denna studie.
Bland studierna som testade noggrannheten av SD vid uppskattning av tandålder, visade några högre noggrannhet än vår studie.Stepanovsky et al 35 tillämpade 22 SD-modeller på panoramaröntgenbilder av 976 tjeckiska invånare i åldern 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 sträcker sig från 0,64 till 0,94 år och RMSE sträcker sig från 0,85 till 1,27 år, vilket är mer exakt än de två DM-modeller som används i denna studie.Shen et al23 använde Cameriere-metoden för att uppskatta tandåldern för sju permanenta tänder i vänster underkäke hos östkinesiska invånare i åldern 5 till 13 år och jämförde den med åldrar uppskattade med hjälp av linjär regression, SVM och RF.De visade att alla tre DM-modellerna 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 inkluderandet av yngre försökspersoner i deras studieprover.Eftersom åldersuppskattningar för deltagare med utvecklande tänder blir mer exakta när antalet tänder ökar under tandutvecklingen, kan noggrannheten hos den resulterande åldersuppskattningsmetoden äventyras när studiedeltagarna är yngre.Dessutom är MLP:s fel i åldersuppskattningen något mindre än SLP:s, vilket betyder att MLP är mer exakt än SLP.MLP anses vara något bättre för åldersuppskattning, möjligen på grund av de dolda lagren i MLP38.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.
Klassificeringsprestanda för DM-modellen och den traditionella metoden vid en 18-års tröskel jämfördes också.Alla testade SD-modeller och traditionella metoder på det interna testsetet 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 % och 84,7 %.AUROC för alla testade modeller överstiger också 0,925.Så vitt vi vet har ingen studie testat prestandan hos DM-modellen för 18-årsklassificering baserad på dental mognad.Vi kan jämföra resultaten av denna studie med klassificeringsprestanda för modeller för djupinlärning på panoramaröntgenbilder.Guo et al.15 beräknade klassificeringsprestandan för en CNN-baserad modell för djupinlärning och en manuell metod baserad på Demirjians metod för en viss ålderströskel.Känsligheten 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 modeller för djupinlärning kan ersätta eller överträffa manuell bedömning vid klassificering av ålderströsklar.Resultaten av denna studie visade liknande klassificeringsprestanda;Man tror att klassificering med DM-modeller kan ersätta traditionella statistiska metoder för åldersuppskattning.Bland modellerna var DM LR den bästa modellen vad gäller sensitivitet för det manliga provet och sensitivitet och specificitet för det kvinnliga provet.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 cutoff-klassificeringsmodellen för 18-åringar i den koreanska befolkningen.
Sammantaget var noggrannheten för åldersuppskattning eller klassificeringsprestanda på det externa testsetet dåligt 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 noggrant uppskatta ålder, även när DM används i analysprocessen, bör metoder som härrör från inhemsk populationsdata, såsom traditionella metoder, därför föredras5,39,40,41,42.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 prov för att bekräfta om artificiell intelligens kan övervinna dessa rasskillnader i begränsad ålder.bedömningar.
Vi visar att traditionella metoder kan ersättas av åldersuppskattning baserad på DM-modellen i rättsmedicinsk åldersuppskattning i Korea.Vi upptäckte också möjligheten att implementera maskininlärning för rättsmedicinsk åldersbedömning.Det finns dock tydliga begränsningar, såsom det otillräckliga antalet deltagare i denna studie för att definitivt fastställa resultaten, och avsaknaden av tidigare studier för att jämföra och bekräfta resultaten av denna studie.I framtiden bör DM-studier genomföras med större antal prover och mer varierande populationer för att förbättra dess praktiska användbarhet 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 prov.
Studien använde 2 657 ortografiska fotografier från koreanska och japanska vuxna i åldern 15 till 23 år.De koreanska röntgenbilderna delades in i 900 träningsuppsättningar (19,42 ± 2,65 år) och 900 interna testuppsättningar (19,52 ± 2,59 år).Utbildningssetet samlades in på en institution (Seoul St. Mary's Hospital), och det egna testsetet samlades in på 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 ut som den externa testuppsättningen.Data samlades in retrospektivt för att analysera stadierna av dental utveckling på panoramaröntgenbilder tagna under tandbehandling.All data som samlades in var anonym förutom kön, födelsedatum och röntgenbild.Inklusions- och uteslutningskriterier var desamma som tidigare publicerade studier 4 , 5 .Den faktiska åldern på provet 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 utfördes 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 den retrospektiva designen av denna studie kunde informerat samtycke inte erhållas från alla patienter som genomgick radiografisk undersökning i terapeutiska syften.Seoul Korea University St. Mary's Hospital (IRB) avstod från kravet på informerat samtycke.
Utvecklingsstadierna för bimaxillära andra och tredje molarer bedömdes enligt Demircans kriterier25.Endast en tand valdes om samma typ av tand hittades på vänster och höger sida av varje käke.Om homologa tänder på båda sidor befann sig i olika utvecklingsstadier valdes tanden med det lägre utvecklingsstadiet för att ta hänsyn till osäkerhet i den uppskattade åldern.Etthundra slumpmässigt utvalda röntgenbilder från träningsuppsättningen poängsattes av två erfarna observatörer för att testa interobservatörens tillförlitlighet efter förkalibrering för att bestämma dentala mognadsstadiet.Intraobservatörens tillförlitlighet bedömdes två gånger med tre månaders intervall av den primära observatören.
Kön och utvecklingsstadium för den andra och tredje molaren i varje käke i träningssetet uppskattades av en primär observatör som tränats med olika DM-modeller, och den faktiska åldern sattes som målvärde.SLP- och MLP-modeller, som används i stor utsträckning 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 liknar matematiskt multipel linjär regression.Till skillnad från SLP-modellen har MLP-modellen flera dolda lager med olinjära aktiveringsfunktioner.Våra experiment använde ett dolt lager med endast 20 dolda noder med olinjära aktiveringsfunktioner.Använd gradient descent som optimeringsmetod och MAE och RMSE som förlustfunktion för att träna vår maskininlärningsmodell.Den bäst erhållna regressionsmodellen applicerades på de interna och externa testseten och tändernas ålder uppskattades.
En klassificeringsalgoritm utvecklades som använder mognad av fyra tänder på träningssetet för att förutsäga om ett prov är 18 år gammalt eller inte.För att bygga modellen härledde vi sju representationsalgoritmer för maskininlärning6,43: (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 data som tillhör en viss kategori från 0 till 1 och klassificerar data som tillhörande en mer trolig kategori baserat på denna sannolikhet;används främst för binär klassificering.KNN är en av de enklaste maskininlärningsalgoritmerna45.När den ges 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 utrymmet till ett icke-linjärt utrymme som kallas fields46.För denna modell använder vi bias = 1, potens = 1 och gamma = 1 som hyperparametrar för polynomkärnan.DT har tillämpats 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 prestandan med hjälp av en bootstrap-aggregationsmetod som genererar en svag klassificerare för varje prov genom att slumpmässigt dra prover av samma storlek flera gånger från den ursprungliga datasetet48.Vi använde 100 träd, 10 träddjup, 1 minsta nodstorlek och Gini-inblandningsindex som nodseparationskriterier.Klassificeringen av nya uppgifter bestäms av majoritetsbeslut.XGBoost är en algoritm som kombinerar förstärkningstekniker med en metod som tar som träningsdata felet mellan de faktiska och förutsagda värdena för den tidigare modellen och förstärker felet med gradients49.Det är en allmänt använd algoritm på grund av dess goda prestanda och resurseffektivitet, samt höga tillförlitlighet som en överanpassad korrigeringsfunktion.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 ingångs- och utgångsskikten38.Med hjälp av detta kan du utföra icke-linjär klassificering där när du lägger till ett indatalager och får ett resultatvärde jämförs det förutsagda resultatvärdet med det faktiska resultatvärdet och felet sprids tillbaka.Vi skapade ett dolt lager med 20 dolda neuroner i varje lager.Varje modell vi utvecklade användes på interna och externa uppsättningar för att testa klassificeringsprestanda genom att beräkna sensitivitet, 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 prover under 18 år och de som uppskattas vara under 18 år.
De tandstadier som bedömdes i utbildningssetet omvandlades till numeriska steg 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 tandåldern för både interna och externa testuppsättningar.Tabell 4 visar de regressions- och klassificeringsmodeller som används i denna studie.
Intra- och interobservatörstillförlitlighet beräknades med hjälp av Cohens kappa-statistik.För att testa noggrannheten hos DM och traditionella regressionsmodeller, beräknade vi MAE och RMSE med hjälp av de uppskattade och faktiska åldrarna för de interna och externa testuppsättningarna.Dessa fel används vanligtvis för att utvärdera riktigheten av modellförutsägelser.Ju mindre fel, desto högre träffsäkerhet 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 beredskapstabell.Den beräknade sensitiviteten, specificiteten, PPV, NPV och AUROC för testsetet jämfördes med de uppmätta värdena för DM-klassificeringsmodellen.Data uttrycks som medelvärde ± standardavvikelse eller antal (%) beroende på dataegenskaper.Tvåsidiga P-värden <0,05 ansågs vara statistiskt signifikanta.Alla rutinmässiga statistiska analyser utfördes med SAS version 9.4 (SAS Institute, Cary, NC).DM-regressionsmodellen implementerades i Python med Keras50 2.2.4 backend och Tensorflow51 1.8.0 specifikt för matematiska operationer.DM-klassificeringsmodellen implementerades i Waikato Knowledge Analysis Environment och Konstanz Information Miner (KNIME) 4.6.152 analysplattform.
Författarna erkänner att data som stöder studiens slutsatser finns i artikeln och kompletterande material.Datauppsättningarna som genereras och/eller analyseras under studien är tillgängliga från motsvarande författare på rimlig begäran.
Ritz-Timme, S. et al.Åldersbedömning: den senaste tekniken för att uppfylla de specifika kraven för kriminalteknisk praxis.internationalitet.J. Rättsmedicin.113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. och Olze, A. Nuvarande status för rättsmedicinsk åldersbedömning av levande ämnen i brottmålssyfte.Forensics.medicin.Patologi.1, 239–246 (2005).
Pan, J. et al.En modifierad metod för att bedöma tandåldern för barn i åldrarna 5 till 16 år i östra Kina.klinisk.Muntlig undersökning.25, 3463–3474 (2021).
Lee, SS etc. Kronologi för utvecklingen av andra och tredje molarer hos koreaner och dess tillämpning för rättsmedicinsk åldersbedömning.internationalitet.J. Rättsmedicin.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY och Lee, SS Noggrannhet av åldersuppskattning och uppskattning av 18-årströskeln baserat på mognad av andra och tredje molarer i koreaner och japanska.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Preoperativ maskininlärningsbaserad dataanalys kan förutsäga behandlingsresultat för sömnkirurgi hos patienter med OSA.vetenskapen.Rapport 11, 14911 (2021).
Han, M. et al.Exakt åldersuppskattning från maskininlärning med eller utan mänsklig inblandning?internationalitet.J. Rättsmedicin.136, 821–831 (2022).
Khan, S. och Shaheen, M. Från Data Mining till Data Mining.J.Information.vetenskapen.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. och Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J.Information.vetenskapen.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. och Abdullah U. Karm: Traditionell datautvinning baserad på kontextbaserade associationsregler.Beräkna.Matt.Fortsätta.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. och Habib M. Deep learning-baserad semantisk likhetsdetektering med hjälp av textdata.underrätta.tekniker.kontrollera.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 Applikationer https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Machine Learning Challenge i pediatrisk benålder.Radiologi 290, 498–503 (2019).
Li, Y. et al.Rättsmedicinsk åldersuppskattning från bäckenröntgen med djupinlärning.EURO.strålning.29, 2322–2329 (2019).
Guo, YC, et al.Noggrann åldersklassificering med hjälp av manuella metoder och djupa konvolutionella neurala nätverk från ortografiska projektionsbilder.internationalitet.J. Rättsmedicin.135, 1589–1597 (2021).
Alabama Dalora et al.Benåldersuppskattning 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 massakammarens volymer av första molarer med hjälp av datortomografi med konstråle.internationalitet.J. Rättsmedicin.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK och Oh KS Bestämma åldersgrupper av levande människor med hjälp av artificiell intelligens-baserade bilder av första kindtänder.vetenskapen.Rapport 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. och Urschler, M. Automatisk åldersuppskattning och majoritetsåldersklassificering från multivariat MRI-data.IEEE J. Biomed.Hälsovarningar.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. och Li, G. Åldersuppskattning baserad på 3D-massakammaresegmentering av första molarer från konstråledatortomografi genom att integrera djupinlärning och nivåuppsättningar.internationalitet.J. Rättsmedicin.135, 365–373 (2021).
Wu, WT, et al.Datautvinning i klinisk big data: vanliga databaser, steg och metodmodeller.Värld.medicin.resurs.8, 44 (2021).
Yang, J. et al.Introduktion till medicinska databaser och datautvinningstekniker i Big Data-eran.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 dental ålder med hjälp av Demirdjian iscensättningsmetoden.internationalitet.J. Rättsmedicin.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. och Tanner, JM Ett nytt system för att bedöma dental ålder.fnysa.biologi.45, 211-227 (1973).
Landis, JR och Koch, GG Mätningar av observatörens överenskommelse om 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 artificiell intelligensteknik för differentiering av primära hjärntumörer.Hälsoinformation.resurs.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Posttid: Jan-04-2024