Děkujeme za návštěvu webu Nature.com. Verze prohlížeče, kterou používáte, má omezenou podporu CSS. Pro dosažení nejlepších výsledků doporučujeme používat novější verzi prohlížeče (nebo vypnout režim kompatibility v prohlížeči Internet Explorer). Mezitím, abychom zajistili průběžnou podporu, zobrazujeme web bez stylů a JavaScriptu.
Zuby jsou považovány za nejpřesnější ukazatel věku lidského těla a často se používají při forenzním hodnocení věku. Naším cílem bylo validovat odhady věku zubů založené na data miningu porovnáním přesnosti odhadu a klasifikační účinnosti 18leté hranice s tradičními metodami a odhady věku založenými na data miningu. Celkem bylo shromážděno 2657 panoramatických rentgenových snímků od korejských a japonských občanů ve věku 15 až 23 let. Snímky byly rozděleny do trénovací sady, z níž každá obsahovala 900 korejských rentgenových snímků, a interní testovací sady obsahující 857 japonských rentgenových snímků. Porovnali jsme přesnost a účinnost klasifikace tradičních metod s testovacími sadami modelů data miningu. Přesnost tradiční metody na interní testovací sadě je mírně vyšší než u modelu data miningu a rozdíl je malý (průměrná absolutní chyba <0,21 let, střední kvadratická chyba <0,24 let). Klasifikační účinnost pro 18letou hranici je mezi tradičními metodami a modely data miningu také podobná. Tradiční metody lze tedy při forenzním hodnocení věku s využitím zralosti druhých a třetích molárů u korejských dospívajících a mladých dospělých nahradit modely dolování dat.
Odhad věku chrupu se široce používá v soudním lékařství a dětské stomatologii. Zejména kvůli vysoké korelaci mezi chronologickým věkem a vývojem chrupu je hodnocení věku podle vývojových stádií chrupu důležitým kritériem pro posouzení věku dětí a dospívajících1,2,3. U mladých lidí má však odhad věku chrupu na základě zralosti chrupu svá omezení, protože růst chrupu je téměř dokončen, s výjimkou třetích molárů. Právním účelem určení věku mladých lidí a dospívajících je poskytnout přesné odhady a vědecké důkazy o tom, zda dosáhli plnoletosti. V lékařsko-právní praxi dospívajících a mladých dospělých v Koreji byl věk odhadován pomocí Leeovy metody a zákonná hranice 18 let byla predikována na základě údajů uvedených Ohem a kol.5.
Strojové učení je typ umělé inteligence (AI), která se opakovaně učí a klasifikuje velké množství dat, sama řeší problémy a řídí programování dat. Strojové učení dokáže objevit užitečné skryté vzory ve velkých objemech dat6. Naproti tomu klasické metody, které jsou pracné a časově náročné, mohou mít omezení při práci s velkými objemy složitých dat, která je obtížné ručně zpracovat7. Proto bylo v poslední době provedeno mnoho studií s využitím nejnovějších počítačových technologií s cílem minimalizovat lidské chyby a efektivně zpracovávat vícerozměrná data8,9,10,11,12. Zejména hluboké učení se široce používá v analýze lékařských obrazů a různé metody pro odhad věku automatickou analýzou rentgenových snímků údajně zlepšují přesnost a efektivitu odhadu věku13,14,15,16,17,18,19,20. Například Halabi a kol.13 vyvinuli algoritmus strojového učení založený na konvolučních neuronových sítích (CNN) pro odhad věku skeletu pomocí rentgenových snímků dětských rukou. Tato studie navrhuje model, který aplikuje strojové učení na lékařské obrazy a ukazuje, že tyto metody mohou zlepšit diagnostickou přesnost. Li a kol.14 odhadli věk z rentgenových snímků pánve pomocí modelu CNN s hlubokým učením a porovnali je s výsledky regrese s využitím odhadu stádia osifikace. Zjistili, že model CNN s hlubokým učením vykazoval stejný výkon v odhadu věku jako tradiční regresní model. Studie Guo a kol. [15] vyhodnotila výkonnost klasifikace tolerance věku pomocí technologie CNN na základě zubních ortofotosnímků a výsledky modelu CNN prokázaly, že lidé překonali její výkonnost v klasifikaci věku.
Většina studií o odhadu věku pomocí strojového učení využívá metody hlubokého učení13,14,15,16,17,18,19,20. Odhad věku založený na hlubokém učení je údajně přesnější než tradiční metody. Tento přístup však poskytuje jen málo příležitostí k prezentaci vědeckého základu pro odhady věku, jako jsou například ukazatele věku použité v odhadech. Existuje také právní spor o to, kdo provádí inspekce. Proto je odhad věku založený na hlubokém učení obtížně akceptovatelný správními a soudními orgány. Dolování dat (DM) je technika, která dokáže objevit nejen očekávané, ale i neočekávané informace jako metoda pro objevování užitečných korelací mezi velkým množstvím dat6,21,22. Strojové učení se často používá v dolování dat a jak dolování dat, tak strojové učení používají stejné klíčové algoritmy k objevování vzorců v datech. Odhad věku pomocí vývoje zubů je založen na posouzení zralosti cílových zubů zkoušejícím a toto posouzení je vyjádřeno jako stádium pro každý cílový zub. DM lze použít k analýze korelace mezi stádiem posouzení zubů a skutečným věkem a má potenciál nahradit tradiční statistickou analýzu. Pokud tedy aplikujeme techniky DM k odhadu věku, můžeme implementovat strojové učení do forenzního odhadu věku, aniž bychom se museli obávat právní odpovědnosti. Bylo publikováno několik srovnávacích studií o možných alternativách k tradičním manuálním metodám používaným ve forenzní praxi a metodám založeným na EBM pro určení věku zubů. Shen a kol.23 ukázali, že model DM je přesnější než tradiční Camererův vzorec. Galibourg a kol.24 použili různé metody DM k predikci věku podle Demirdjianova kritéria25 a výsledky ukázaly, že metoda DM překonala Demirdjianovu a Willemsovu metodu v odhadu věku francouzské populace.
Pro odhad zubního věku korejských dospívajících a mladých dospělých se v korejské forenzní praxi široce používá Leeova metoda 4. Tato metoda využívá tradiční statistickou analýzu (například vícenásobnou regresi) ke zkoumání vztahu mezi korejskými subjekty a chronologickým věkem. V této studii jsou metody odhadu věku získané pomocí tradičních statistických metod definovány jako „tradiční metody“. Leeova metoda je tradiční metoda a její přesnost potvrdili Oh a kol. 5; použitelnost odhadu věku na základě modelu DM v korejské forenzní praxi je však stále otázkou. Naším cílem bylo vědecky ověřit potenciální užitečnost odhadu věku na základě modelu DM. Účelem této studie bylo (1) porovnat přesnost dvou modelů DM při odhadu zubního věku a (2) porovnat klasifikační výkonnost 7 modelů DM ve věku 18 let s výsledky získanými pomocí tradičních statistických metod. Zralost druhých a třetích molárů v obou čelistech.
Průměry a směrodatné odchylky chronologického věku podle stádia a typu zubu jsou uvedeny online v doplňkové tabulce S1 (trénovací sada), doplňkové tabulce S2 (interní testovací sada) a doplňkové tabulce S3 (externí testovací sada). Hodnoty kappa pro intra- a interobserverovou spolehlivost získané z trénovací sady byly 0,951 a 0,947. Hodnoty P a 95% intervaly spolehlivosti pro hodnoty kappa jsou uvedeny v online doplňkové tabulce S4. Hodnota kappa byla interpretována jako „téměř dokonalá“, což je v souladu s kritérii Landise a Kocha26.
Při porovnání průměrné absolutní chyby (MAE) tradiční metoda mírně překonává model DM u všech pohlaví a v externí mužské testovací sadě, s výjimkou vícevrstvého perceptronu (MLP). Rozdíl mezi tradičním modelem a modelem DM na interní testovací sadě MAE byl 0,12–0,19 let u mužů a 0,17–0,21 let u žen. U externí testovací baterie jsou rozdíly menší (0,001–0,05 let u mužů a 0,05–0,09 let u žen). Střední kvadratická chyba (RMSE) je navíc mírně nižší než u tradiční metody s menšími rozdíly (0,17–0,24, 0,2–0,24 pro mužskou interní testovací sadu a 0,03–0,07, 0,04–0,08 pro externí testovací sadu). MLP vykazuje mírně lepší výkon než jednovrstvý perceptron (SLP), s výjimkou případu externí testovací sady žen. U MAE a RMSE má externí testovací sada vyšší skóre než interní testovací sada pro všechna pohlaví a modely. Všechny MAE a RMSE jsou uvedeny v tabulce 1 a na obrázku 1.
MAE a RMSE tradičních a data miningových regresních modelů. Střední absolutní chyba MAE, střední kvadratická chyba RMSE, jednovrstvý perceptron SLP, vícevrstvý perceptron MLP, tradiční CM metoda.
Klasifikační výkonnost (s hraniční hodnotou 18 let) tradičních a DM modelů byla prokázána z hlediska citlivosti, specificity, pozitivní prediktivní hodnoty (PPV), negativní prediktivní hodnoty (NPV) a plochy pod křivkou ROC (AUROC) 27 (tabulka 2, obrázek 2 a doplňkový obrázek 1 online). Pokud jde o citlivost interní testovací baterie, tradiční metody dosáhly nejlepších výsledků u mužů a horších u žen. Rozdíl ve výkonnosti klasifikace mezi tradičními metodami a SD je však 9,7 % u mužů (MLP) a pouze 2,4 % u žen (XGBoost). U DM modelů vykazovala logistická regrese (LR) lepší citlivost u obou pohlaví. Pokud jde o specificitu interní testovací sady, bylo pozorováno, že čtyři SD modely dosáhly dobrých výsledků u mužů, zatímco tradiční model dosáhl lepších výsledků u žen. Rozdíly ve výkonnosti klasifikace pro muže a ženy jsou 13,3 % (MLP) a 13,1 % (MLP), což naznačuje, že rozdíl ve výkonnosti klasifikace mezi modely převyšuje citlivost. Mezi DM modely dosáhly nejlepších výsledků u mužů modely s metodou support vector machine (SVM), rozhodovacím stromem (DT) a náhodným lesem (RF), zatímco u žen model LR dosáhl nejlepších výsledků. Hodnota AUROC tradičního modelu a všech SD modelů byla u mužů vyšší než 0,925 (k-nejbližších sousedů (KNN)), což prokazuje vynikající klasifikační výkon při rozlišování 18letých vzorků28. U externí testovací sady došlo ke snížení klasifikačního výkonu z hlediska citlivosti, specificity a AUROC ve srovnání s interní testovací sadou. Rozdíl v citlivosti a specificitě mezi klasifikačním výkonem nejlepšího a nejhoršího modelu se navíc pohyboval od 10 % do 25 % a byl větší než rozdíl v interní testovací sadě.
Citlivost a specificita klasifikačních modelů pro dolování dat v porovnání s tradičními metodami s mezní hodnotou 18 let. KNN k nejbližší soused, SVM support vector machine, LR logistická regrese, DT rozhodovací strom, RF náhodný les, XGB XGBoost, MLP vícevrstvý perceptron, tradiční CM metoda.
Prvním krokem v této studii bylo porovnání přesnosti odhadů věku zubů získaných ze sedmi DM modelů s odhady získanými pomocí tradiční regrese. MAE a RMSE byly hodnoceny v interních testovacích sadách pro obě pohlaví a rozdíl mezi tradiční metodou a DM modelem se pohyboval od 44 do 77 dnů pro MAE a od 62 do 88 dnů pro RMSE. Ačkoli byla tradiční metoda v této studii o něco přesnější, je obtížné dojít k závěru, zda má takový malý rozdíl klinický nebo praktický význam. Tyto výsledky naznačují, že přesnost odhadu věku zubů pomocí DM modelu je téměř stejná jako u tradiční metody. Přímé srovnání s výsledky z předchozích studií je obtížné, protože žádná studie neporovnávala přesnost DM modelů s tradičními statistickými metodami používajícími stejnou techniku zaznamenávání zubů ve stejném věkovém rozmezí jako v této studii. Galibourg a kol.24 porovnávali MAE a RMSE mezi dvěma tradičními metodami (Demirjianova metoda25 a Willemsova metoda29) a 10 DM modely u francouzské populace ve věku 2 až 24 let. Uvedli, že všechny DM modely byly přesnější než tradiční metody, s rozdíly 0,20 a 0,38 let v MAE a 0,25 a 0,47 let v RMSE ve srovnání s Willemsovou a Demirdjianovou metodou. Rozdíl mezi SD modelem a tradičními metodami uvedený ve studii Halibourg zohledňuje četné zprávy30,31,32,33, že Demirdjianova metoda přesně neodhaduje věk zubů v jiných populacích než u francouzských Kanaďanů, na kterých byla studie založena. V této studii Tai a kol.34 použili algoritmus MLP k predikci věku zubů z 1636 čínských ortodontických fotografií a porovnali jeho přesnost s výsledky Demirjianovy a Willemsovy metody. Uvedli, že MLP má vyšší přesnost než tradiční metody. Rozdíl mezi Demirdjianovou metodou a tradiční metodou je <0,32 let a Willemsova metoda je 0,28 let, což je podobné výsledkům této studie. Výsledky těchto předchozích studií24,34 jsou také v souladu s výsledky této studie a přesnost odhadu věku pomocí DM modelu a tradiční metody je podobná. Na základě prezentovaných výsledků však můžeme pouze opatrně dojít k závěru, že použití DM modelů k odhadu věku může nahradit stávající metody vzhledem k nedostatku srovnávacích a referenčních předchozích studií. Pro potvrzení výsledků získaných v této studii jsou nutné následné studie s použitím větších vzorků.
Mezi studiemi testujícími přesnost SD při odhadu věku zubů některé vykazovaly vyšší přesnost než naše studie. Stepanovsky a kol.35 aplikovali 22 modelů SD na panoramatické rentgenové snímky 976 českých obyvatel ve věku 2,7 až 20,5 let a testovali přesnost každého modelu. Posoudili vývoj celkem 16 horních a dolních levých stálých zubů pomocí klasifikačních kritérií navržených Moorreesem a kol.36. MAE se pohybuje od 0,64 do 0,94 let a RMSE se pohybuje od 0,85 do 1,27 let, což je přesnější než dva modely DM použité v této studii. Shen a kol.23 použili Camerièreovu metodu k odhadu věku zubů sedmi stálých zubů v levé čelisti u obyvatel východní Číny ve věku 5 až 13 let a porovnali jej s věkem odhadnutým pomocí lineární regrese, SVM a RF. Ukázali, že všechny tři modely DM mají vyšší přesnost ve srovnání s tradičním Camerièreovým vzorcem. Hodnoty MAE a RMSE v Shenově studii byly nižší než v modelu DM v této studii. Zvýšená přesnost studií Stepanovského a kol.35 a Shena a kol.23 může být způsobena zahrnutím mladších subjektů do jejich studijních vzorků. Protože odhady věku u účastníků s vyvíjejícími se zuby se stávají přesnějšími s rostoucím počtem zubů během vývoje zubů, může být přesnost výsledné metody odhadu věku ohrožena, když jsou účastníci studie mladší. Chyba MLP v odhadu věku je navíc o něco menší než u SLP, což znamená, že MLP je přesnější než SLP. MLP je považována za o něco lepší pro odhad věku, pravděpodobně kvůli skrytým vrstvám v MLP38. Existuje však výjimka pro vnější vzorek žen (SLP 1,45, MLP 1,49). Zjištění, že MLP je při hodnocení věku přesnější než SLP, vyžaduje další retrospektivní studie.
Rovněž byl porovnán klasifikační výkon modelu DM a tradiční metody na prahu 18 let. Všechny testované modely SD a tradiční metody na interní testovací sadě vykazovaly prakticky přijatelnou úroveň diskriminace pro vzorek 18 let. Citlivost pro muže a ženy byla vyšší než 87,7 %, respektive 94,9 % a specificita byla vyšší než 89,3 %, respektive 84,7 %. Hodnota AUROC všech testovaných modelů také překračuje 0,925. Pokud je nám známo, žádná studie netestovala výkon modelu DM pro 18letou klasifikaci na základě dentální zralosti. Výsledky této studie můžeme porovnat s klasifikačním výkonem modelů hlubokého učení na panoramatických rentgenových snímcích. Guo a kol.15 vypočítali klasifikační výkon modelu hlubokého učení založeného na CNN a manuální metody založené na Demirjianově metodě pro určitý věkový práh. Citlivost a specificita manuální metody byla 87,7 %, respektive 95,5 % a citlivost a specificita modelu CNN překročila 89,2 %, respektive 86,6 %. Došli k závěru, že modely hlubokého učení mohou nahradit nebo překonat manuální hodnocení při klasifikaci věkových prahů. Výsledky této studie ukázaly podobnou klasifikační výkonnost; předpokládá se, že klasifikace pomocí modelů DM může nahradit tradiční statistické metody pro odhad věku. Mezi modely byl DM LR nejlepším modelem z hlediska citlivosti pro mužský vzorek a citlivosti a specificity pro ženský vzorek. LR se umístil na druhém místě ve specificitě pro muže. LR je navíc považován za jeden z uživatelsky přívětivějších modelů DM35 a je méně složitý a obtížně zpracovatelný. Na základě těchto výsledků byl LR považován za nejlepší model pro klasifikaci s hraniční hodnotou pro 18leté v korejské populaci.
Celkově byla přesnost odhadu věku nebo klasifikačního výkonu na externí testovací sadě nízká nebo nižší ve srovnání s výsledky na interní testovací sadě. Některé zprávy naznačují, že přesnost nebo účinnost klasifikace klesá, když se odhady věku založené na korejské populaci aplikují na japonskou populaci5,39, a podobný vzorec byl zjištěn i v této studii. Tento trend zhoršení byl pozorován i u modelu DM. Proto by pro přesný odhad věku, a to i při použití DM v procesu analýzy, měly být upřednostňovány metody odvozené z dat o původní populaci, jako jsou tradiční metody5,39,40,41,42. Vzhledem k tomu, že není jasné, zda modely hlubokého učení mohou vykazovat podobné trendy, jsou zapotřebí studie porovnávající přesnost a účinnost klasifikace s použitím tradičních metod, modelů DM a modelů hlubokého učení na stejných vzorcích, aby se potvrdilo, zda umělá inteligence dokáže překonat tyto rasové rozdíly v omezeném hodnocení věku.
Ukazujeme, že tradiční metody lze v korejské forenzní praxi odhadování věku nahradit odhadem věku založeným na modelu hlubokého učení (DM). Objevili jsme také možnost implementace strojového učení pro forenzní hodnocení věku. Existují však jasná omezení, jako je nedostatečný počet účastníků této studie k definitivnímu určení výsledků a nedostatek předchozích studií, které by porovnaly a potvrdily výsledky této studie. V budoucnu by měly být studie DM prováděny s větším počtem vzorků a rozmanitějšími populacemi, aby se zlepšila jejich praktická použitelnost ve srovnání s tradičními metodami. Pro ověření proveditelnosti použití umělé inteligence k odhadu věku ve více populacích jsou zapotřebí další studie, které by porovnaly přesnost a efektivitu klasifikace DM a modelů hlubokého učení s tradičními metodami ve stejných vzorcích.
Studie použila 2 657 ortografických fotografií shromážděných od korejských a japonských dospělých ve věku 15 až 23 let. Korejské rentgenové snímky byly rozděleny do 900 trénovacích sad (19,42 ± 2,65 let) a 900 interních testovacích sad (19,52 ± 2,59 let). Trénovací sada byla shromážděna v jedné instituci (Seoul St. Mary's Hospital) a vlastní testovací sada byla shromážděna ve dvou institucích (Seoul National University Dental Hospital a Yonsei University Dental Hospital). Pro externí testování jsme také shromáždili 857 rentgenových snímků z jiné populační datové skupiny (Iwate Medical University, Japonsko). Jako externí testovací sada byly vybrány rentgenové snímky japonských subjektů (19,31 ± 2,60 let). Data byla shromážděna retrospektivně za účelem analýzy stádií vývoje chrupu na panoramatických rentgenových snímcích pořízených během stomatologického ošetření. Všechna shromážděná data byla anonymní s výjimkou pohlaví, data narození a data rentgenového snímku. Kritéria pro zařazení a vyloučení byla stejná jako v dříve publikovaných studiích 4, 5. Skutečný věk vzorku byl vypočítán odečtením data narození od data pořízení rentgenového snímku. Vzorek byl rozdělen do devíti věkových skupin. Rozložení podle věku a pohlaví je uvedeno v tabulce 3. Tato studie byla provedena v souladu s Helsinskou deklarací a schválena Institucionální etické komisí (IRB) Nemocnice sv. Marie v Soulu Korejské katolické univerzity (KC22WISI0328). Vzhledem k retrospektivnímu designu této studie nemohl být informovaný souhlas získán od všech pacientů podstupujících radiografické vyšetření z terapeutických důvodů. Nemocnice sv. Marie Korejské univerzity v Soulu (IRB) požadavku na informovaný souhlas upustila.
Vývojová stádia bimaxilárních druhých a třetích molárů byla hodnocena podle Demircanových kritérií25. Pokud byl na levé a pravé straně každé čelisti nalezen stejný typ zubu, byl vybrán pouze jeden zub. Pokud byly homologní zuby na obou stranách v různých vývojových stádiích, byl z důvodu nejistoty v odhadovaném věku vybrán zub s nižším vývojovým stádiem. Sto náhodně vybraných rentgenových snímků z trénovací sady bylo po prekalibraci pro určení stádia zralosti zubů vyhodnoceno dvěma zkušenými pozorovateli, aby se otestovala spolehlivost mezi pozorovateli. Spolehlivost uvnitř pozorovatele byla hodnocena dvakrát v tříměsíčních intervalech primárním pozorovatelem.
Pohlaví a vývojové stádium druhých a třetích molárů každé čelisti v trénovací sadě byly odhadnuty primárním pozorovatelem trénovaným s různými DM modely a skutečný věk byl nastaven jako cílová hodnota. Modely SLP a MLP, které se široce používají ve strojovém učení, byly testovány s regresními algoritmy. DM model kombinuje lineární funkce využívající vývojová stádia čtyř zubů a kombinuje tato data pro odhad stáří. SLP je nejjednodušší neuronová síť a neobsahuje skryté vrstvy. SLP funguje na základě prahového přenosu mezi uzly. Model SLP v regresi je matematicky podobný vícenásobné lineární regresi. Na rozdíl od modelu SLP má model MLP více skrytých vrstev s nelineárními aktivačními funkcemi. V našich experimentech byla použita skrytá vrstva s pouze 20 skrytými uzly s nelineárními aktivačními funkcemi. Pro trénování našeho modelu strojového učení byl použit gradientní sestup jako optimalizační metoda a MAE a RMSE jako ztrátová funkce. Nejlepší získaný regresní model byl aplikován na interní a externí testovací sady a byl odhadnut věk zubů.
Byl vyvinut klasifikační algoritmus, který využívá zralost čtyř zubů na trénovací sadě k predikci, zda je vzorek starý 18 let či nikoli. Pro sestavení modelu jsme odvodili sedm algoritmů strojového učení pro reprezentaci6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost a (7) MLP. LR je jeden z nejpoužívanějších klasifikačních algoritmů44. Jedná se o algoritmus s kontrolovaným učením, který využívá regresi k predikci pravděpodobnosti patřící dat do určité kategorie od 0 do 1 a na základě této pravděpodobnosti klasifikuje data jako patřící do pravděpodobnější kategorie; používá se hlavně pro binární klasifikaci. KNN je jeden z nejjednodušších algoritmů strojového učení45. Když jsou zadána nová vstupní data, najde k dat blízkých existující sadě a poté je klasifikuje do třídy s nejvyšší frekvencí. Pro počet uvažovaných sousedů (k) jsme nastavili 3. SVM je algoritmus, který maximalizuje vzdálenost mezi dvěma třídami pomocí kernelové funkce k rozšíření lineárního prostoru do nelineárního prostoru zvaného pole46. Pro tento model používáme jako hyperparametry pro polynomiální jádro bias = 1, power = 1 a gama = 1. DT byl použit v různých oblastech jako algoritmus pro rozdělení celé datové sady do několika podskupin reprezentací rozhodovacích pravidel ve stromové struktuře47. Model je konfigurován s minimálním počtem záznamů na uzel 2 a používá Giniho index jako měřítko kvality. RF je metoda souboru, která kombinuje více DT pro zlepšení výkonu pomocí metody bootstrap agregace, která generuje slabý klasifikátor pro každý vzorek náhodným vylosováním vzorků stejné velikosti vícekrát z původní datové sady48. Jako kritéria pro oddělení uzlů jsme použili 100 stromů, 10 hloubek stromů, 1 minimální velikost uzlu a Giniho index příměsi. Klasifikace nových dat je určena většinovým hlasováním. XGBoost je algoritmus, který kombinuje techniky boostingu pomocí metody, která bere jako trénovací data chybu mezi skutečnými a predikovanými hodnotami předchozího modelu a chybu rozšiřuje pomocí gradientů49. Jedná se o široce používaný algoritmus díky svému dobrému výkonu a efektivitě zdrojů, stejně jako vysoké spolehlivosti jako korekční funkce přeplnění. Model je vybaven 400 podpůrnými koly. MLP je neuronová síť, ve které jeden nebo více perceptronů tvoří více vrstev s jednou nebo více skrytými vrstvami mezi vstupní a výstupní vrstvou38. Pomocí toho můžete provádět nelineární klasifikaci, kde když přidáte vstupní vrstvu a získáte výslednou hodnotu, předpokládaná výsledná hodnota se porovná se skutečnou výslednou hodnotou a chyba se šíří zpět. Vytvořili jsme skrytou vrstvu s 20 skrytými neurony v každé vrstvě. Každý model, který jsme vyvinuli, byl aplikován na interní a externí sady k testování výkonu klasifikace výpočtem citlivosti, specificity, PPV, NPV a AUROC. Citlivost je definována jako poměr vzorku odhadovaného na 18 let nebo staršího k vzorku odhadovanému na 18 let nebo staršímu. Specifičnost je podíl vzorků mladších 18 let a vzorků odhadovaných na mladší 18 let.
Zubní stádia hodnocená v trénovací sadě byla pro statistickou analýzu převedena na numerická stádia. Pro vývoj prediktivních modelů pro každé pohlaví a odvození regresních vzorců, které lze použít k odhadu věku, byla provedena vícerozměrná lineární a logistická regrese. Tyto vzorce jsme použili k odhadu věku zubů pro interní i externí testovací sady. Tabulka 4 ukazuje regresní a klasifikační modely použité v této studii.
Intra- a interobserverová spolehlivost byla vypočítána pomocí Cohenovy kappa statistiky. Pro otestování přesnosti DM a tradičních regresních modelů jsme vypočítali MAE a RMSE s použitím odhadovaného a skutečného stáří interních a externích testovacích sad. Tyto chyby se běžně používají k hodnocení přesnosti predikcí modelu. Čím menší je chyba, tím vyšší je přesnost predikce24. Porovnejte MAE a RMSE interních a externích testovacích sad vypočítaných pomocí DM a tradiční regrese. Klasifikační výkon 18letého hraničního bodu v tradiční statistice byl posouzen pomocí kontingenční tabulky 2 × 2. Vypočítaná citlivost, specificita, PPV, NPV a AUROC testovací sady byly porovnány s naměřenými hodnotami klasifikačního modelu DM. Data jsou vyjádřena jako průměr ± směrodatná odchylka nebo číslo (%) v závislosti na charakteristikách dat. Oboustranné hodnoty P < 0,05 byly považovány za statisticky významné. Všechny rutinní statistické analýzy byly provedeny pomocí SAS verze 9.4 (SAS Institute, Cary, NC). Regresní model DM byl implementován v Pythonu s využitím backendu Keras50 2.2.4 a Tensorflow51 1.8.0 speciálně pro matematické operace. Klasifikační model DM byl implementován v prostředí Waikato Knowledge Analysis Environment a analytické platformě Konstanz Information Miner (KNIME) 4.6.152.
Autoři berou na vědomí, že data podporující závěry studie lze nalézt v článku a doplňkových materiálech. Datové soubory generované a/nebo analyzované během studie jsou k dispozici u příslušného autora na základě přiměřené žádosti.
Ritz-Timme, S. a kol. Posouzení věku: nejmodernější technologie pro splnění specifických požadavků forenzní praxe. Mezinárodní vztahy. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. a Olze, A. Současný stav forenzního posuzování věku živých subjektů pro účely trestního stíhání. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. a kol. Modifikovaná metoda pro hodnocení zubního věku dětí ve věku 5 až 16 let ve východní Číně. clinical. Oral survey. 25, 3463–3474 (2021).
Lee, SS atd. Chronologie vývoje druhých a třetích molárů u Korejců a její aplikace pro forenzní posouzení věku. Internationality. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY a Lee, SS. Přesnost odhadu věku a odhad 18leté hranice na základě zralosti druhých a třetích molárů u Korejců a Japonců. PLoS ONE 17, e0271247 (2022).
Kim, JY a kol. Předoperační analýza dat založená na strojovém učení může předpovědět výsledek operace spánku u pacientů s OSA. the science. Report 11, 14911 (2021).
Han, M. a kol. Přesný odhad věku pomocí strojového učení s lidským zásahem nebo bez něj? Mezinárodní vztah. J. Legal medicine. 136, 821–831 (2022).
Khan, S. a Shaheen, M. Od dolování dat k dolování dat. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. a Shaheen, M. WisRule: První kognitivní algoritmus pro dolování asociačních pravidel. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. a Abdullah U. Karm: Tradiční dolování dat založené na kontextových asociačních pravidlech. vypočítat. Matt. pokračovat. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. a Habib M. Detekce sémantické podobnosti založená na hlubokém učení s využitím textových dat. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. a Shahin, M. Systém pro rozpoznávání aktivity ve sportovních videích. multimédia. Nástroje Aplikace https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS a kol. Výzva strojového učení RSNA v dětském věku kostí. Radiology 290, 498–503 (2019).
Li, Y. a kol. Forenzní odhad věku z rentgenových snímků pánve s využitím hlubokého učení. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC a kol. Přesná věková klasifikace s využitím manuálních metod a hlubokých konvolučních neuronových sítí z ortografických projekčních obrazů. Internationality. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora a kol. Odhad věku kostí pomocí různých metod strojového učení: systematický přehled literatury a metaanalýza. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. a Yang, J. Populačně specifický odhad věku Afroameričanů a Číňanů na základě objemů zubní dřeně prvních molárů pomocí kuželové výpočetní tomografie. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK a Oh KS. Určení věkových skupin žijících lidí pomocí snímků prvních stoliček založených na umělé inteligenci. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. a Urschler, M. Automatický odhad věku a klasifikace věku většiny z dat multivariační magnetické rezonance. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. a Li, G. Odhad věku na základě 3D segmentace dřeňové komory prvních molárů z kuželové počítačové tomografie integrací hlubokého učení a sad úrovní. Internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT a kol. Dolování dat v klinických velkých datech: běžné databáze, kroky a metody, modely. World. medicine. resource. 8, 44 (2021).
Yang, J. a kol. Úvod do lékařských databází a technologií dolování dat v éře velkých dat. J. Avid. Basic medicine. 13, 57–69 (2020).
Shen, S. a kol. Camererova metoda pro odhad stáří zubů pomocí strojového učení. BMC Oral Health 21, 641 (2021).
Galliburg A. a kol. Porovnání různých metod strojového učení pro predikci zubního věku pomocí Demirdjianovy metody stagingů. Internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. a Tanner, JM Nový systém pro hodnocení zubního věku. snort. biology. 45, 211–227 (1973).
Landis, JR a Koch, GG Míry shody pozorovatelů na kategorických datech. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK a Choi HK. Texturální, morfologická a statistická analýza dvourozměrného zobrazování magnetickou rezonancí s využitím technik umělé inteligence pro diferenciaci primárních mozkových nádorů. Zdravotní informace. Zdroj. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Čas zveřejnění: 4. ledna 2024