Dankon, ke vi vizitis Nature.com. La versio de retumilo, kiun vi uzas, havas limigitan CSS -subtenon. Por plej bonaj rezultoj, ni rekomendas uzi pli novan version de via retumilo (aŭ malŝalti kongruan reĝimon en Interreta Esplorilo). Intertempe, por certigi daŭran subtenon, ni montras la retejon sen stilo aŭ ĝavaskripto.
Dentoj estas konsiderataj la plej preciza indikilo de la aĝo de la homa korpo kaj ofte estas uzataj en kuracista aĝo -takso. Ni celis validigi taksojn pri denta aĝo de datumoj pri minado komparante la taksan precizecon kaj klasifikan rendimenton de la 18-jara sojlo kun tradiciaj metodoj kaj taksoj de datum-minado. Entute 2657 panoramaj radiografioj estis kolektitaj de koreaj kaj japanaj civitanoj en aĝo de 15 ĝis 23 jaroj. Ili estis dividitaj en trejnan aron, ĉiu enhavanta 900 koreajn radiografiojn, kaj internan testan aron enhavantan 857 japanajn radiografiojn. Ni komparis la klasifikan precizecon kaj efikecon de tradiciaj metodoj kun testaj aroj de modeloj de minado de datumoj. La precizeco de la tradicia metodo sur la interna testo estas iomete pli alta ol tiu de la datum -minadmodelo, kaj la diferenco estas malgranda (mezuma absoluta eraro <0,21 jaroj, radika meznombro de kvadrata eraro <0,24 jaroj). La klasifika agado por la 18-jara tranĉo ankaŭ similas inter tradiciaj metodoj kaj modeloj de minado de datumoj. Tiel, tradiciaj metodoj povas esti anstataŭigitaj per modeloj de minado de datumoj dum plenumado de jura aĝa takso uzante la maturecon de dua kaj tria molaroj en koreaj adoleskantoj kaj junaj plenkreskuloj.
Takso de denta aĝo estas vaste uzata en kuracista medicino kaj infana dentokuracado. Precipe pro la alta korelacio inter kronologia aĝo kaj denta disvolviĝo, takso de aĝo de dentaj disvolvaj stadioj estas grava kriterio por taksi la aĝon de infanoj kaj adoleskantoj1,2,3. Tamen, por junuloj, taksi dentan aĝon bazitan sur denta matureco havas siajn limojn ĉar denta kresko estas preskaŭ kompleta, krom la triaj molaroj. La jura celo determini la aĝon de junuloj kaj adoleskantoj estas provizi precizajn taksojn kaj sciencan evidentecon pri tio, ĉu ili atingis la plimulton. En la medik-jura praktiko de adoleskantoj kaj junaj plenkreskuloj en Koreio, aĝo estis taksita uzante la metodon de Lee, kaj laŭleĝa sojlo de 18 jaroj estis antaŭdirita surbaze de la datumoj raportitaj de OH et al 5.
Maŝina lernado estas speco de artefarita inteligenteco (AI), kiu plurfoje lernas kaj klasifikas grandajn kvantojn da datumoj, solvas problemojn memstare kaj pelas programadon de datumoj. Maŝina lernado povas malkovri utilajn kaŝitajn ŝablonojn en grandaj volumoj de datumoj6. En kontrasto, klasikaj metodoj, kiuj multe laboras kaj multe da tempo, povas havi limojn kiam temas pri grandaj volumoj de kompleksaj datumoj, kiujn malfacilas prilabori permane7. Tial multaj studoj estis faritaj lastatempe uzante la plej novajn komputilajn teknologiojn por minimumigi homajn erarojn kaj efike prilabori multidimensiajn datumojn8,9,10,11,12. Precipe, profunda lernado estis vaste uzata en medicina bilda analizo, kaj diversaj metodoj por takso de aĝo per aŭtomate analizado de radiografioj estis raportitaj plibonigi la precizecon kaj efikecon de aĝa takso13,14,15,16,17,18,19,20 . Ekzemple, Halabi et al. Ĉi tiu studo proponas modelon, kiu aplikas maŝinlernadon al medicinaj bildoj kaj montras, ke ĉi tiuj metodoj povas plibonigi diagnozan precizecon. Li et al14 taksis aĝon de pelvaj X-radiaj bildoj uzante profundan lernan CNN kaj komparis ilin kun regresaj rezultoj uzante osificación stadion. Ili trovis, ke la profunda lernado CNN -modelo montris la saman aĝan taksadon kiel la tradicia regresiga modelo. La studo de Guo et al. [15] taksis la agadon de la aĝa toleremo de CNN -teknologio surbaze de dentaj ortofotoj, kaj la rezultoj de la CNN -modelo pruvis, ke homoj superas ĝian aĝon.
Plej multaj studoj pri aĝa takso uzante maŝinlernadon uzas profundajn lernadmetodojn13,14,15,16,17,18,19,20. Aĝa takso bazita sur profunda lernado estas raportita esti pli preciza ol tradiciaj metodoj. Ĉi tiu aliro tamen donas malmultan ŝancon prezenti la sciencan bazon por aĝaj taksoj, kiel la aĝaj indikiloj uzataj en la taksoj. Estas ankaŭ jura disputo pri kiu faras la inspektojn. Tial, aĝa takso bazita sur profunda lernado estas malfacile akceptebla de administraj kaj juĝaj aŭtoritatoj. Datuma Minado (DM) estas tekniko, kiu povas malkovri ne nur atenditajn sed ankaŭ neatenditajn informojn kiel metodo por malkovri utilajn korelaciojn inter grandaj kvantoj de datumoj6,21,22. Maŝina lernado ofte estas uzata en datumminado, kaj ambaŭ datumminado kaj maŝina lernado uzas la samajn ŝlosilajn algoritmojn por malkovri ŝablonojn en datumoj. Aĝa takso uzanta dentan disvolviĝon baziĝas sur la takso de la ekzamenanto pri la matureco de la celaj dentoj, kaj ĉi tiu takso estas esprimita kiel stadio por ĉiu cela dento. DM povas esti uzata por analizi la korelacion inter denta taksa stadio kaj reala aĝo kaj havas la eblon anstataŭigi tradician statistikan analizon. Sekve, se ni aplikas DM -teknikojn al aĝo -takso, ni povas efektivigi maŝinlernadon en jura aĝo -takso sen zorgi pri jura respondeco. Pluraj komparaj studoj estis publikigitaj pri eblaj alternativoj al tradiciaj manaj metodoj uzataj en jura praktiko kaj EBM-bazitaj metodoj por determini dentan aĝon. Shen et al23 montris, ke la DM -modelo estas pli preciza ol la tradicia kameraa formulo. Galibourg et.
Por taksi la dentan aĝon de koreaj adoleskantoj kaj junaj plenkreskuloj, la Metodo 4 de Lee estas vaste uzata en korea kuracista praktiko. Ĉi tiu metodo uzas tradician statistikan analizon (kiel multobla regreso) por ekzameni la rilaton inter koreaj subjektoj kaj kronologia aĝo. En ĉi tiu studo, aĝaj taksaj metodoj akiritaj per tradiciaj statistikaj metodoj estas difinitaj kiel "tradiciaj metodoj." La metodo de Lee estas tradicia metodo, kaj ĝia precizeco estis konfirmita de Oh et al. 5; Tamen, la aplikebleco de aĝa takso bazita sur la DM -modelo en korea kuracista praktiko estas ankoraŭ pridubebla. Nia celo estis science validigi la eblan utilecon de aĝa takso surbaze de la DM -modelo. La celo de ĉi tiu studo estis (1) kompari la precizecon de du DM -modeloj en taksado de denta aĝo kaj (2) kompari la klasifikan agadon de 7 DM kaj triaj molaroj en ambaŭ makzeloj.
Rimedoj kaj normaj devioj de kronologia aĝo laŭ stadio kaj dento -tipo estas montritaj interrete en Suplementa Tabelo S1 (Trejnado), Suplementa Tablo S2 (Interna Testo -Aro), kaj Suplementa Tabelo S3 (ekstera testo). La valoroj de kappa por intra- kaj interobserver-fidindeco akiritaj de la trejnada aro estis 0.951 kaj 0.947 respektive. P -valoroj kaj 95% konfido -intervaloj por kappa valoroj estas montritaj en interreta suplementa tabelo S4. La Kappa valoro estis interpretita kiel "preskaŭ perfekta", konforme al la kriterioj de Landis kaj Koch26.
Kiam oni komparas Mean Absolute Error (MAE), la tradicia metodo iomete superas la DM -modelon por ĉiuj seksoj kaj en la ekstera maskla testo, krom la multistrata Perceptron (MLP). La diferenco inter la tradicia modelo kaj la DM -modelo sur la interna MAE -testo estis 0,12-0,19 jaroj por viroj kaj 0,17-0,21 jaroj por virinoj. Por la ekstera testo -baterio, la diferencoj estas pli malgrandaj (0,001-0,05 jaroj por viroj kaj 0,05-0,09 jaroj por virinoj). Aldone, la radika meznombro kvadrata eraro (RMSE) estas iomete pli malalta ol la tradicia metodo, kun pli malgrandaj diferencoj (0,17-0,24, 0,2-0,24 por la vira interna testo, kaj 0,03-0,07, 0,04-0,08 por ekstera testo). ). MLP montras iomete pli bonan agadon ol ununura tavolo perceptron (SLP), krom en la kazo de la ina ekstera testo. Por MAE kaj RMSE, la ekstera testo -aro kalkulas pli alte ol la interna testo aro por ĉiuj seksoj kaj modeloj. Ĉiuj MAE kaj RMSE estas montritaj en Tabelo 1 kaj Figuro 1.
MAE kaj RMSE de tradiciaj kaj datumminadaj regresaj modeloj. Meza absoluta eraro MAE, radika meznombro kvadrata eraro RMSE, ununura tavolo perceptron SLP, multistrata perceptron MLP, tradicia CM -metodo.
Klasifika agado (kun detranĉo de 18 jaroj) de la tradiciaj kaj DM -modeloj estis montrita koncerne sentivecon, specifecon, pozitivan prognozan valoron (PPV), negativan prognozan valoron (NPV), kaj areon sub la ricevilo funkcianta karakterizan kurbon (AUROC) 27 (Tabelo 2, Figuro 2 kaj Suplementa Figuro 1 interrete). Koncerne la sentivecon de la interna testo -baterio, tradiciaj metodoj agis plej bone inter viroj kaj pli malbonaj inter virinoj. Tamen, la diferenco en klasifika agado inter tradiciaj metodoj kaj SD estas 9,7% por viroj (MLP) kaj nur 2,4% por virinoj (XGBoost). Inter DM -modeloj, loĝistika regreso (LR) montris pli bonan sentivecon en ambaŭ seksoj. Koncerne la specifecon de la interna testo, oni observis, ke la kvar SD -modeloj agis bone en viroj, dum la tradicia modelo agis pli bone en inoj. La diferencoj en klasifika agado por viroj kaj inoj estas 13,3% (MLP) kaj 13,1% (MLP) respektive, indikante ke la diferenco en klasifika agado inter modeloj superas sentivecon. Inter la DM -modeloj, la subtena vektora maŝino (SVM), decida arbo (DT), kaj hazarda arbaro (RF) modeloj agis plej bone inter viroj, dum la LR -modelo agis plej bone inter inoj. La AUROC de la tradicia modelo kaj ĉiuj SD-modeloj estis pli granda ol 0,925 (K-plej proksima najbaro (KNN) en viroj), montrante bonegan klasifikan agadon en diskriminacio de 18-jaraj specimenoj28. Por la ekstera testo -aro, estis malpliigo de klasifika agado koncerne sentivecon, specifecon kaj AUROC kompare kun la interna testo. Plie, la diferenco en sentiveco kaj specifeco inter la klasifika agado de la plej bonaj kaj plej malbonaj modeloj iris de 10% ĝis 25% kaj estis pli granda ol la diferenco en la interna testo.
Sentiveco kaj specifeco de modeloj de klasifiko de datumoj kompare al tradiciaj metodoj kun detranĉo de 18 jaroj. KNN K plej proksima najbaro, SVM -subtena vektora maŝino, LR -loĝistika regreso, DT -decida arbo, RF hazarda arbaro, XGB XGBOOST, MLP Multistrayer Perceptron, tradicia CM -metodo.
La unua paŝo en ĉi tiu studo estis kompari la precizecon de dentaj aĝaj taksoj akiritaj de sep DM -modeloj kun tiuj akiritaj uzante tradician regreson. Mae kaj RMSE estis taksitaj en internaj testaj aroj por ambaŭ seksoj, kaj la diferenco inter la tradicia metodo kaj la DM -modelo iris de 44 ĝis 77 tagoj por MAE kaj de 62 ĝis 88 tagoj por RMSE. Kvankam la tradicia metodo estis iomete pli preciza en ĉi tiu studo, estas malfacile konkludi, ĉu tia malgranda diferenco havas klinikan aŭ praktikan signifon. Ĉi tiuj rezultoj indikas, ke la precizeco de denta aĝo -takso uzanta la DM -modelon estas preskaŭ la sama kiel tiu de la tradicia metodo. Rekta komparo kun rezultoj de antaŭaj studoj estas malfacila ĉar neniu studo komparis la precizecon de DM -modeloj kun tradiciaj statistikaj metodoj uzante la saman teknikon de registrado de dentoj en la sama aĝa gamo kiel en ĉi tiu studo. Galibourg et al24 komparis MAE kaj RMSE inter du tradiciaj metodoj (Demirjian Method25 kaj Willems Method29) kaj 10 DM -modeloj en franca loĝantaro en aĝo de 2 ĝis 24 jaroj. Ili raportis, ke ĉiuj DM -modeloj estis pli precizaj ol tradiciaj metodoj, kun diferencoj de 0,20 kaj 0,38 jaroj en MAE kaj 0,25 kaj 0,47 jaroj en RMSE kompare kun la metodoj Willems kaj Demirdjian respektive. La diskreteco inter la SD -modelo kaj tradiciaj metodoj montritaj en la Hilibourg -studo enkalkulas multnombrajn raportojn30,31,32,33, ke la Demirdjian -metodo ne precize taksas dentan aĝon en populacioj krom la francaj kanadanoj, sur kiuj baziĝis la studo. En ĉi tiu studo. Tai et al 34 uzis la MLP -algoritmon por antaŭdiri dentan aĝon de 1636 ĉinaj ortodontaj fotoj kaj komparis ĝian precizecon kun la rezultoj de la metodo Demirjian kaj Willems. Ili raportis, ke MLP havas pli altan precizecon ol tradiciaj metodoj. La diferenco inter la metodo Demirdjian kaj la tradicia metodo estas <0,32 jaroj, kaj la metodo Willems estas 0,28 jaroj, kio similas al la rezultoj de la nuna studo. La rezultoj de ĉi tiuj antaŭaj studoj24,34 ankaŭ konformas al la rezultoj de la nuna studo, kaj la aĝa taksa precizeco de la DM -modelo kaj la tradicia metodo estas similaj. Tamen, surbaze de la prezentitaj rezultoj, ni nur povas singarde konkludi, ke la uzo de DM -modeloj por taksi aĝon povas anstataŭigi ekzistantajn metodojn pro la manko de komparaj kaj referencaj antaŭaj studoj. Sekvaj studoj uzantaj pli grandajn specimenojn necesas por konfirmi la rezultojn akiritajn en ĉi tiu studo.
Inter la studoj testantaj la precizecon de SD en taksado de denta aĝo, iuj montris pli altan precizecon ol nia studo. Stepanovsky et al 35 aplikis 22 SD -modelojn al panoramaj radiografioj de 976 ĉe Czechaj loĝantoj en aĝo de 2,7 ĝis 20,5 jaroj kaj testis la precizecon de ĉiu modelo. Ili taksis la disvolviĝon de 16 supraj kaj malsuperaj maldekstraj permanentaj dentoj uzante la klasifikajn kriteriojn proponitajn de Moorrees et al 36. La MAE varias de 0,64 ĝis 0,94 jaroj kaj la RMSE varias de 0,85 ĝis 1,27 jaroj, kiuj estas pli precizaj ol la du DM -modeloj uzataj en ĉi tiu studo. Shen et al23 uzis la Cameriere -metodon por taksi la dentan aĝon de sep permanentaj dentoj en la maldekstra mandiblo en orientaj ĉinaj loĝantoj en aĝo de 5 ĝis 13 jaroj kaj komparis ĝin kun aĝoj taksitaj uzante linean regreson, SVM kaj RF. Ili montris, ke ĉiuj tri DM -modeloj havas pli altan precizecon kompare kun la tradicia Cameriere -formulo. La MAE kaj RMSE en la studo de Shen estis pli malaltaj ol tiuj en la DM -modelo en ĉi tiu studo. La pliigita precizeco de la studoj de Stepanovsky et al. 35 kaj Shen et al. 23 eble ŝuldiĝas al la inkludo de pli junaj subjektoj en iliaj studaj specimenoj. Ĉar aĝaj taksoj por partoprenantoj kun evoluantaj dentoj fariĝas pli precizaj ĉar la nombro de dentoj pliiĝas dum denta disvolviĝo, la precizeco de la rezulta aĝa taksa metodo povas esti kompromitita kiam studaj partoprenantoj estas pli junaj. Aldone, la eraro de MLP en takso de aĝo estas iomete pli malgranda ol tiu de SLP, tio signifas, ke MLP estas pli preciza ol SLP. MLP estas konsiderata iomete pli bona por takso de aĝo, eble pro la kaŝitaj tavoloj en MLP38. Tamen estas escepto por la ekstera specimeno de virinoj (SLP 1.45, MLP 1.49). La konstato, ke la MLP estas pli preciza ol la SLP en taksado de aĝo, postulas pliajn retrospektivajn studojn.
La klasifika agado de la DM-modelo kaj la tradicia metodo ĉe 18-jara sojlo ankaŭ estis komparata. Ĉiuj testitaj SD-modeloj kaj tradiciaj metodoj sur la interna testo-aro montris praktike akcepteblajn nivelojn de diskriminacio por la 18-jaraĝa specimeno. Sentiveco por viroj kaj virinoj estis pli granda ol 87,7% kaj 94,9% respektive, kaj specifeco estis pli granda ol 89,3% kaj 84,7%. La AUROC de ĉiuj testitaj modeloj ankaŭ superas 0.925. Laŭ nia scio, neniu studo testis la agadon de la DM-modelo por 18-jara klasifiko surbaze de denta matureco. Ni povas kompari la rezultojn de ĉi tiu studo kun la klasifika agado de profundaj lernadaj modeloj en panoramaj radiografioj. Guo et al.15 kalkulis la klasifikan agadon de CNN-bazita profunda lernada modelo kaj mana metodo bazita sur la metodo de Demirjian por certa aĝa sojlo. La sentiveco kaj specifeco de la mana metodo estis 87,7% kaj 95,5% respektive, kaj la sentiveco kaj specifeco de la CNN -modelo superis 89,2% kaj 86,6% respektive. Ili konkludis, ke profundaj lernadmodeloj povas anstataŭigi aŭ superi manan taksadon en klasifikado de aĝaj sojloj. La rezultoj de ĉi tiu studo montris similan klasifikan agadon; Oni kredas, ke klasifiko uzanta DM -modelojn povas anstataŭigi tradiciajn statistikajn metodojn por takso de aĝo. Inter la modeloj, DM LR estis la plej bona modelo koncerne sentivecon por la vira specimeno kaj sentiveco kaj specifeco por la ina specimeno. LR estas dua en specifeco por viroj. Plie, LR estas konsiderata kiel unu el la pli uzeblaj DM35-modeloj kaj estas malpli kompleksa kaj malfacile prilabora. Surbaze de ĉi tiuj rezultoj, LR estis konsiderata la plej bona tranĉa klasifikmodelo por 18-jaruloj en la korea loĝantaro.
Entute, la precizeco de aĝa takso aŭ klasifika agado sur la ekstera testo -aro estis malriĉa aŭ pli malalta kompare kun la rezultoj de la interna testo. Iuj raportoj indikas, ke klasifika precizeco aŭ efikeco malpliiĝas kiam aĝaj taksoj bazitaj sur la korea loĝantaro estas aplikataj al la japana loĝantaro5,39, kaj simila ŝablono estis trovita en la nuna studo. Ĉi tiu difekta tendenco ankaŭ estis observita en la DM -modelo. Tial, por precize taksi aĝon, eĉ kiam oni uzas DM en la analiza procezo, metodoj derivitaj de denaskaj loĝantaroj, kiel tradiciaj metodoj, devas esti preferitaj5,39,40,41,42. Ĉar ne klaras, ĉu profundaj lernaj modeloj povas montri similajn tendencojn, studojn komparantajn klasifikan precizecon kaj efikecon per tradiciaj metodoj, DM -modeloj kaj profundaj lernaj modeloj sur la samaj specimenoj necesas por konfirmi ĉu artefarita inteligenteco povas venki ĉi tiujn rasajn malegalecojn en limigita aĝo. taksoj.
Ni pruvas, ke tradiciaj metodoj povas esti anstataŭigitaj per aĝa takso surbaze de la DM -modelo en kuracista aĝa taksa praktiko en Koreio. Ni ankaŭ malkovris la eblecon efektivigi maŝinlernadon por kuracista aĝo -takso. Tamen, estas klaraj limigoj, kiel la nesufiĉa nombro de partoprenantoj en ĉi tiu studo por definitive determini la rezultojn, kaj la mankon de antaŭaj studoj por kompari kaj konfirmi la rezultojn de ĉi tiu studo. En la estonteco, DM -studoj devas esti farataj kun pli grandaj nombroj de specimenoj kaj pli diversaj loĝantaroj por plibonigi ĝian praktikan aplikeblecon kompare kun tradiciaj metodoj. Por validigi la fareblecon de uzado de artefarita inteligenteco por taksi aĝon en multnombraj loĝantaroj, necesas estontaj studoj por kompari la klasifikan precizecon kaj efikecon de DM kaj profundaj lernaj modeloj kun tradiciaj metodoj en la samaj specimenoj.
La studo uzis 2.657 ortografiajn fotojn kolektitajn de koreaj kaj japanaj plenkreskuloj en aĝo de 15 ĝis 23 jaroj. La koreaj radiografioj estis dividitaj en 900 trejnajn arojn (19,42 ± 2,65 jaroj) kaj 900 internaj testaj aroj (19,52 ± 2,59 jaroj). La trejnadaro estis kolektita ĉe unu institucio (Seulo St. Mary's Hospital), kaj la propra testo -aro estis kolektita ĉe du institucioj (Dental Hospitalo de Dental Hospitalo de Seoul Nacia Universitato kaj Universitato Yonsei). Ni ankaŭ kolektis 857 radiografiojn de aliaj loĝantaraj datumoj (Iwate Medical University, Japanio) por ekstera testado. Radiografioj de japanaj temoj (19,31 ± 2,60 jaroj) estis elektitaj kiel la ekstera testo. Datumoj estis kolektitaj retrospektive por analizi la stadiojn de denta disvolviĝo sur panoramaj radiografioj prenitaj dum denta kuracado. Ĉiuj datumoj kolektitaj estis anonimaj krom sekso, dato de naskiĝo kaj dato de radiografio. Inkluzivaj kaj ekskludaj kriterioj estis la samaj kiel antaŭe publikigitaj Studoj 4, 5. La reala aĝo de la specimeno estis kalkulita subtrahante la daton de naskiĝo de la dato kiam la radiografio estis prenita. La ekzempla grupo estis dividita en naŭ aĝajn grupojn. La aĝaj kaj seksaj distribuaĵoj estas montritaj en Tabelo 3 Ĉi tiu studo estis farita laŭ la Deklaro de Helsinko kaj aprobita de la Institucia Revizia Estraro (IRB) de Seulo St. Mary's Hospital de la Katolika Universitato de Koreio (KC22WISI0328). Pro la retrospektiva dezajno de ĉi tiu studo, informita konsento ne povus esti akirita de ĉiuj pacientoj sub radiografia ekzameno por terapiaj celoj. Seoul Korea Universitato St. Mary's Hospital (IRB) rezignis pri la postulo por informita konsento.
Disvolvaj stadioj de bimaxilaj duaj kaj triaj molaroj estis taksitaj laŭ Demircan Criteria25. Nur unu dento estis elektita se la sama tipo de dento estis trovita maldekstre kaj dekstraj flankoj de ĉiu makzelo. Se homologaj dentoj ambaŭflanke estis ĉe malsamaj disvolvaj stadioj, la dento kun la pli malalta disvolva stadio estis elektita por kalkuli necertecon en la laŭtaksa aĝo. Cent hazarde elektitaj radiografioj de la trejnada aro estis notitaj de du spertaj observantoj por testi interobserver -fidindecon post precero por determini dentan maturecan stadion. Intraobserver-fidindeco estis taksita dufoje je tri-monataj intervaloj fare de la primara observanto.
La seksa kaj disvolva stadio de la dua kaj tria molaroj de ĉiu makzelo en la trejnada aro estis taksitaj de primara observanto trejnita kun malsamaj DM -modeloj, kaj la reala aĝo estis fiksita kiel la cela valoro. SLP kaj MLP -modeloj, kiuj estas vaste uzataj en maŝina lernado, estis testitaj kontraŭ regresaj algoritmoj. La DM -modelo kombinas linearajn funkciojn uzante la disvolvajn stadiojn de la kvar dentoj kaj kombinas ĉi tiujn datumojn por taksi aĝon. SLP estas la plej simpla neŭra reto kaj ne enhavas kaŝitajn tavolojn. SLP funkcias surbaze de sojla transdono inter nodoj. La SLP -modelo en regreso estas matematike simila al multobla lineara regreso. Male al SLP -modelo, la MLP -modelo havas multoblajn kaŝitajn tavolojn kun ne -liniaj aktivigaj funkcioj. Niaj eksperimentoj uzis kaŝitan tavolon kun nur 20 kaŝitaj nodoj kun ne -liniaj aktivigaj funkcioj. Uzu gradigan devenon kiel la optimuman metodon kaj MAE kaj RMSE kiel la perdan funkcion por trejni nian maŝinan lernan modelon. La plej akirita regresiga modelo estis aplikita al la internaj kaj eksteraj testaj aroj kaj la aĝo de la dentoj estis taksita.
Klasifika algoritmo estis evoluigita, kiu uzas la maturecon de kvar dentoj sur la trejnada aro por antaŭdiri ĉu specimeno havas 18 jarojn aŭ ne. Por konstrui la modelon, ni derivis sep reprezentantajn maŝinajn lernajn algoritmojn6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST, kaj (7) MLP . LR estas unu el la plej uzataj klasifikaj algoritmoj44. Ĝi estas kontrolita lernada algoritmo, kiu uzas regreson por antaŭdiri la probablon de datumoj apartenantaj al certa kategorio de 0 ĝis 1 kaj klasifikas la datumojn kiel apartenantajn al pli probabla kategorio bazita sur ĉi tiu probablo; ĉefe uzata por binara klasifiko. KNN estas unu el la plej simplaj maŝinaj lernaj algoritmoj45. Kiam oni donas novajn enigajn datumojn, ĝi trovas K -datumojn proksime al la ekzistanta aro kaj tiam klasifikas ilin en la klason kun la plej alta ofteco. Ni starigis 3 por la nombro de najbaroj pripensitaj (k). SVM estas algoritmo kiu maksimumigas la distancon inter du klasoj per uzado de kerna funkcio por vastigi la linean spacon en ne-linian spacon nomatan Kampoj46. Por ĉi tiu modelo, ni uzas bias = 1, potencon = 1, kaj gamma = 1 kiel hiperparametrojn por la polinoma kerno. DT estis aplikita en diversaj kampoj kiel algoritmo por dividi tutan datumaron en plurajn subgrupojn per reprezentado de decidaj reguloj en arbo -strukturo47. La modelo estas agordita kun minimuma nombro da registroj per nodo de 2 kaj uzas la Gini -indekson kiel mezuron de kvalito. RF estas ensembla metodo, kiu kombinas multoblajn DT -ojn por plibonigi rendimenton per bootstrap -agregada metodo, kiu generas malfortan klasifikilon por ĉiu specimeno per hazarde desegnado de specimenoj de la sama grandeco multfoje de la originala datumaro48. Ni uzis 100 arbojn, 10 arbajn profundojn, 1 minimuman nodan grandecon, kaj Gini -kunmetaĵan indekson kiel kriteriojn de disigo de nodoj. La klasifiko de novaj datumoj estas determinita per plimulta voĉdono. XGBoost estas algoritmo, kiu kombinas akcelajn teknikojn per metodo, kiu prenas kiel trejnajn datumojn la eraron inter la realaj kaj antaŭdiritaj valoroj de la antaŭa modelo kaj pliigas la eraron per gradientoj49. Ĝi estas vaste uzata algoritmo pro sia bona agado kaj rimedo -efikeco, same kiel alta fidindeco kiel tro -taŭga korekta funkcio. La modelo estas ekipita per 400 subtenaj radoj. MLP estas neŭra reto, en kiu unu aŭ pluraj perceptronoj formas multoblajn tavolojn kun unu aŭ pluraj kaŝitaj tavoloj inter la enigaj kaj eliraj tavoloj38. Uzante ĉi tion, vi povas plenumi ne-linian klasifikon kie kiam vi aldonas enigan tavolon kaj ricevas rezultan valoron, la antaŭdirita rezulta valoro estas komparata al la efektiva rezulta valoro kaj la eraro estas disvastigita reen. Ni kreis kaŝitan tavolon kun 20 kaŝitaj neŭronoj en ĉiu tavolo. Ĉiu modelo, kiun ni disvolvis, estis aplikita al internaj kaj eksteraj aroj por testi klasifikan rendimenton kalkulante sentivecon, specifecon, PPV, NPV, kaj AUROC. Sentiveco estas difinita kiel la rilatumo de specimeno taksita 18 -jaraĝa aŭ pli aĝa al specimeno taksita 18 -jaraĝa aŭ pli aĝa. Specifeco estas la proporcio de specimenoj malpli ol 18 -jaraj kaj tiuj taksitaj malpli ol 18 -jaraj.
La dentaj stadioj taksitaj en la trejnada aro estis transformitaj al nombraj stadioj por statistika analizo. Multivariaj linearaj kaj loĝistikaj regresoj estis faritaj por disvolvi prognozajn modelojn por ĉiu sekso kaj derivi regresajn formulojn uzeblajn por taksi aĝon. Ni uzis ĉi tiujn formulojn por taksi dentan aĝon por ambaŭ internaj kaj eksteraj testaj aroj. Tabelo 4 montras la regresajn kaj klasifikajn modelojn uzitajn en ĉi tiu studo.
Intra- kaj interobserver-fidindeco estis kalkulita uzante la kappa statistikon de Cohen. Por testi la precizecon de DM kaj tradiciaj regresaj modeloj, ni kalkulis MAE kaj RMSE uzante la taksitajn kaj efektivajn aĝojn de la internaj kaj eksteraj testaj aroj. Ĉi tiuj eraroj estas ofte uzataj por taksi la precizecon de modelaj prognozoj. Ju pli malgranda estas la eraro, des pli alta estas la precizeco de la prognozo24. Komparu la MAE kaj RMSE de internaj kaj eksteraj testaj aroj kalkulitaj uzante DM kaj tradician regreson. Klasifika agado de la 18-jara tranĉo en tradiciaj statistikoj estis taksita uzante 2 × 2-kontingentan tablon. La kalkulita sentiveco, specifeco, PPV, NPV, kaj AUROC de la testo -aro estis komparataj kun la mezuritaj valoroj de la DM -klasifika modelo. Datumoj estas esprimitaj kiel meznombro ± norma devio aŭ nombro (%) depende de datumaj trajtoj. Duflankaj P-valoroj <0.05 estis konsiderataj statistike signifaj. Ĉiuj rutinaj statistikaj analizoj estis faritaj per SAS -versio 9.4 (SAS Institute, Cary, NC). La DM -regresa modelo estis efektivigita en Python uzante KERAS50 2.2.4 Backend kaj TensorFlow51 1.8.0 specife por matematikaj operacioj. La modelo DM -klasifiko estis efektivigita en la Waikato -Scia Analiza Medio kaj la Konstanz -Informo -Miner (KNIME) 4.6.152 Analiza platformo.
La aŭtoroj agnoskas, ke datumoj subtenantaj la konkludojn de la studo troveblas en la artikolo kaj suplementaj materialoj. La datumaroj generitaj kaj/aŭ analizitaj dum la studo estas haveblaj de la responda aŭtoro laŭ akceptebla peto.
Ritz-Timme, S. et al. Aĝa takso: stato de la arto por plenumi la specifajn postulojn de kuracista praktiko. internacieco. J. Jura Medicino. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., kaj Olze, A. Nuna statuso de kuracista aĝa takso de vivaj subjektoj por krimaj procesaj celoj. Kuracistoj. medikamento. Patologio. 1, 239–246 (2005).
Pan, J. et al. Modifita metodo por taksi la dentan aĝon de infanoj en aĝo de 5 ĝis 16 jaroj en orienta Ĉinio. Klinika. Parola Enketo. 25, 3463–3474 (2021).
Lee, SS ktp. Kronologio de la disvolviĝo de dua kaj tria molaroj en koreoj kaj ĝia apliko por kuracista aĝo. internacieco. J. Jura Medicino. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, Sy kaj Lee, SS-precizeco de aĝa takso kaj takso de la 18-jara sojlo surbaze de la matureco de dua kaj tria molaroj en koreoj kaj japanoj. PLOS Unu 17, E0271247 (2022).
Kim, JY, et al. Antaŭoperacia maŝina lernado-bazita datuma analizo povas antaŭdiri rezulton de dorma kirurgio en pacientoj kun OSA. la scienco. Raporto 11, 14911 (2021).
Han, M. et al. Ĝusta aĝa takso de maŝina lernado kun aŭ sen homa interveno? internacieco. J. Jura Medicino. 136, 821–831 (2022).
Khan, S. kaj Shaheen, M. De datumminado al datumminado. J.Informado. la scienco. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. kaj Shaheen, M. Wisrule: La unua kognitiva algoritmo por asocio -regulo. J.Informado. la scienco. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. kaj Abdullah U. Karm: Tradicia datumminado bazita sur kuntekstaj bazitaj asociaj reguloj. kalkulu. Matt. daŭrigu. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. kaj Habib M. Profunda lernado bazita semantika simileco -detekto uzante tekstajn datumojn. informi. Teknologioj. kontrolo. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., kaj Shahin, M. Sistemo por rekoni agadon en sportaj filmetoj. plurmedia. Iloj Aplikoj https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA -Maŝina Lernado -Defio en Pediatria Osa Aĝo. Radiologio 290, 498–503 (2019).
Li, Y. et al. Kuraca aĝa takso de pelvaj X-radioj uzante profundan lernadon. Eŭro. radiado. 29, 2322–2329 (2019).
Guo, YC, et al. Ĝusta aĝa klasifiko uzante manajn metodojn kaj profundajn konverteblajn neŭrajn retojn de ortografiaj projekciaj bildoj. internacieco. J. Jura Medicino. 135, 1589–1597 (2021).
Alabamo Dalora et al. Osa aĝa takso uzante malsamajn maŝinlernajn metodojn: sistema literatura revizio kaj metaanalizo. PLoS ONE 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., kaj Yang, J. Loĝ-specifa aĝa takso de afrik-usonanoj kaj ĉinoj surbaze de pulpaj ĉambraj volumoj de unuaj molaroj uzantaj konus-traban komputitan tomografion. internacieco. J. Jura Medicino. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK kaj OH KS determinantaj aĝajn grupojn de vivantaj homoj uzante artefaritajn inteligentajn bildojn de unuaj molaroj. la scienco. Raporto 11, 1073 (2021).
Stern, D., Paganto, C., Giuliani, N., kaj Urschler, M. Aŭtomata aĝa takso kaj plimulta aĝo -klasifiko de multivariaj MRI -datumoj. IEEE J. Biomed. Sanaj atentigoj. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. kaj Li, G. Aĝa takso bazita sur 3D pulpa ĉambra segmentado de unuaj molaroj de konusa trabo komputita tomografio per integriĝo de profunda lernado kaj nivelaj aroj. internacieco. J. Jura Medicino. 135, 365–373 (2021).
Wu, WT, et al. Datumado en klinikaj grandaj datumoj: Komunaj datumbazoj, paŝoj kaj metodoj modeloj. Mondo. medikamento. rimedo. 8, 44 (2021).
Yang, J. et al. Enkonduko al medicinaj datumbazoj kaj datumminaj teknologioj en la Big Data Era. J. Avid. Baza Medicino. 13, 57–69 (2020).
Shen, S. et al. La metodo de Camerer por taksi dentan aĝon per maŝina lernado. BMC Parola Sano 21, 641 (2021).
Galliburg A. et al. Komparo de malsamaj maŝinlernaj metodoj por antaŭdiri dentan aĝon per la demirdjian ensceniga metodo. internacieco. J. Jura Medicino. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. kaj Tanner, JM nova sistemo por taksi dentan aĝon. snort. Biologio. 45, 211–227 (1973).
Landis, Jr, kaj Koch, GG -mezuroj de observa interkonsento pri kategoriaj datumoj. Biometriko 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK kaj Choi HK. Teksta, morfologia kaj statistika analizo de du-dimensia magneta resonanca bildigo uzante artefaritajn inteligentajn teknikojn por diferencigo de primaraj cerbaj tumoroj. Saninformoj. rimedo. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Afiŝotempo: Jan-04-2024