Dankon pro vizito de 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 kongruecreĝimon en Internet Explorer).Intertempe, por certigi daŭran subtenon, ni montras la retejon sen stilo aŭ JavaScript.
Dentoj estas konsideritaj la plej preciza indikilo de la aĝo de la homa korpo kaj ofte estas uzitaj en krimmedicina aĝo-takso.Ni celis validigi datumojn-minad-bazitajn dentajn aĝajn taksojn komparante la taksan precizecon kaj klasifikan agadon de la 18-jara sojlo kun tradiciaj metodoj kaj datum-minad-bazitaj aĝaj taksoj.Entute 2657 panoramaj radiografioj estis kolektitaj de koreaj kaj japanaj civitanoj en aĝo de 15 ĝis 23 jaroj.Ili estis dividitaj en trejnaron, ĉiu enhavante 900 koreajn radiografiojn, kaj internan testaron enhavantan 857 japanajn radiografiojn.Ni komparis la klasifikan precizecon kaj efikecon de tradiciaj metodoj kun testaj aroj de datumminadaj modeloj.La precizeco de la tradicia metodo sur la interna testaro estas iomete pli alta ol tiu de la datuma minindustria modelo, kaj la diferenco estas malgranda (mezna absoluta eraro <0.21 jaroj, radika averaĝa kvadrata eraro <0.24 jaroj).La klasifika agado por la 18-jara forigo ankaŭ estas simila inter tradiciaj metodoj kaj datumminadaj modeloj.Tiel, tradiciaj metodoj povas esti anstataŭigitaj per datumminadmodeloj dum elfarado de krimmedicina aĝo-takso uzante la maturecon de duaj kaj triaj molaroj en koreaj adoleskantoj kaj junaj plenkreskuloj.
Denta aĝo takso estas vaste uzita en krimmedicino kaj pediatria dentokuracado.Precipe, pro la alta korelacio inter kronologia aĝo kaj denta evoluo, aĝo-takso per denta evolua stadio estas grava kriterio por taksi la aĝon de infanoj kaj adoleskantoj1,2,3.Tamen, por junularoj, taksi dentalan aĝon bazitan sur denta matureco havas siajn limojn ĉar denta kresko estas preskaŭ kompleta, kun la escepto de la triaj molaroj.La jura celo de determini la aĝon de junuloj kaj adoleskantoj estas provizi precizajn taksojn kaj sciencajn pruvojn pri tio, ĉu ili atingis la aĝon de plimulto.En la medicina jura praktiko de adoleskantoj kaj junaj plenkreskuloj en Koreio, aĝo estis taksita uzante la metodon de Lee, kaj laŭleĝa sojlo de 18 jaroj estis antaŭvidita 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 stiras datumprogramadon.Maŝina lernado povas malkovri utilajn kaŝitajn ŝablonojn en grandaj volumoj da datumoj6.En kontrasto, klasikaj metodoj, kiuj estas laborintensaj kaj tempopostulaj, povas havi limigojn kiam traktas grandajn volumojn da kompleksaj datumoj kiuj estas malfacile prilaboreblaj permane7.Tial, multaj studoj estis faritaj lastatempe uzante la plej novajn komputilajn teknologiojn por minimumigi homajn erarojn kaj efike prilabori plurdimensiajn datumojn8,9,10,11,12.Aparte, profunda lernado estis vaste uzita en medicina bildanalizo, kaj diversaj metodoj por aĝtakso per aŭtomate analizo de radiografioj estis raportitaj plibonigas la precizecon kaj efikecon de aĝtakso13,14,15,16,17,18,19,20. .Ekzemple, Halabi et al 13 evoluigis maŝinlernan algoritmon bazitan sur konvoluciaj neŭralaj retoj (CNN) por taksi skeletan aĝon uzante radiografiojn de la manoj de infanoj.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 Rentgenfotaj bildoj uzante profundan lernadon CNN kaj komparis ilin kun regresrezultoj uzante osifetan stadion takson.Ili trovis, ke la profunda lernado de CNN-modelo montris la saman aĝan taksadon kiel la tradicia regresa modelo.La studo de Guo et al. [15] taksis la aĝtolereman klasifikan efikecon de CNN-teknologio bazita sur dentalaj ortofotoj, kaj la rezultoj de la CNN-modelo pruvis ke homoj superis ĝian aĝklasifikefikecon.
Plej multaj studoj pri aĝtakso uzante maŝinlernadon uzas profundajn lernajn metodojn13,14,15,16,17,18,19,20.Aĝtakso bazita sur profunda lernado estas raportita esti pli preciza ol tradiciaj metodoj.Tamen, ĉi tiu aliro disponigas nur malmulte da ŝanco prezenti la sciencan bazon por aĝaj taksoj, kiel ekzemple la aĝaj indikiloj uzitaj en la taksoj.Ekzistas ankaŭ jura disputo pri kiu faras la inspektadojn.Tial, aĝtakso bazita sur profunda lernado estas malfacile akceptebla de administraj kaj juĝaj aŭtoritatoj.Datumminado (DM) estas tekniko kiu povas malkovri ne nur atendatajn sed ankaŭ neatenditajn informojn kiel metodon por malkovri utilajn korelaciojn inter grandaj kvantoj da datumoj6,21,22.Maŝina lernado ofte estas uzata en datumminado, kaj kaj datumminado kaj maŝinlernado uzas la samajn ŝlosilajn algoritmojn por malkovri ŝablonojn en datumoj.Aĝtakso uzanta dentalan evoluon estas bazita sur la taksado de la ekzamenanto de la matureco de la celdentoj, kaj tiu takso estas esprimita kiel stadio por ĉiu celdento.DM povas esti uzita por analizi la korelacion inter dentala taksadstadio kaj fakta aĝo kaj havas la potencialon anstataŭigi tradician statistikan analizon.Tial, se ni aplikas DM-teknikojn al aĝtakso, ni povas efektivigi maŝinlernadon en krimmedicina aĝtakso sen zorgi pri jura respondeco.Pluraj komparaj studoj estis publikigitaj pri eblaj alternativoj al tradiciaj manaj metodoj uzitaj en krimmedicina praktiko kaj EBM-bazitaj metodoj por determini dentalan aĝon.Shen et al23 montris, ke la DM-modelo estas pli preciza ol la tradicia Camerer-formulo.Galibourg et al24 aplikis malsamajn DM-metodojn por antaŭdiri aĝon laŭ la Demirdjian-kriterio25 kaj la rezultoj montris ke la DM-metodo superis la Demirdjian- kaj Willems-metodojn en taksado de la aĝo de la franca populacio.
Por taksi la dentalan aĝon de koreaj adoleskantoj kaj junaj plenkreskuloj, la metodo 4 de Lee estas vaste uzita en korea krimmedicina praktiko.Tiu metodo uzas tradician statistikan analizon (kiel ekzemple multobla regreso) por ekzameni la rilaton inter koreaj temoj 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 fare de Oh et al.5;tamen, la aplikebleco de aĝtakso bazita sur la DM-modelo en korea krimmedicina praktiko daŭre estas kritikinda.Nia celo estis science validigi la eblan utilecon de aĝo-takso bazita sur la DM-modelo.La celo de ĉi tiu studo estis (1) kompari la precizecon de du DM-modeloj en taksado de dentala aĝo kaj (2) kompari la klasifikan agadon de 7 DM-modeloj en la aĝo de 18 jaroj kun tiuj akiritaj per tradiciaj statistikaj metodoj Matureco de dua. kaj triaj molaroj en ambaŭ makzeloj.
Rimedoj kaj normaj devioj de kronologia aĝo laŭ stadio kaj dentospeco estas montritaj interrete en Suplementa Tabelo S1 (trejnadaro), Suplementa Tabelo S2 (interna testaro), kaj Suplementa Tabelo S3 (ekstera testaro).La kappa-valoroj por intra- kaj interobservanta fidindeco akiritaj de la trejna aro estis 0.951 kaj 0.947, respektive.P-valoroj kaj 95% konfidencaj intervaloj por kappa-valoroj estas montritaj en interreta suplementa tabelo S4.La kappa valoro estis interpretita kiel "preskaŭ perfekta", kongrua kun la kriterioj de Landis kaj Koch26.
Komparante averaĝan absolutan eraron (MAE), la tradicia metodo iomete superas la DM-modelon por ĉiuj seksoj kaj en la ekstera maskla testaro, kun la escepto de plurtavola perceptrono (MLP).La diferenco inter la tradicia modelo kaj la DM-modelo sur la interna MAE-testaro estis 0.12-0.19 jaroj por viroj kaj 0.17-0.21 jaroj por virinoj.Por la ekstera testbaterio, la diferencoj estas pli malgrandaj (0,001–0,05 jaroj por viroj kaj 0,05–0,09 jaroj por virinoj).Plie, la radika averaĝa 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 maskla interna testaro, kaj 0.03-0.07, 0.04-0.08 por ekstera testaro).).MLP montras iomete pli bonan efikecon ol Single Layer Perceptron (SLP), krom en la kazo de la ina ekstera testaro.Por MAE kaj RMSE, la ekstera testaro poentas pli altan ol la interna testaro 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 averaĝa kvadrata eraro RMSE, unutavola perceptrono SLP, plurtavola perceptrono MLP, tradicia CM-metodo.
Klasifika efikeco (kun tranĉo de 18 jaroj) de la tradiciaj kaj DM-modeloj estis pruvita laŭ sentemo, specifeco, pozitiva prognoza valoro (PPV), negativa prognoza valoro (NPV), kaj areo sub la ricevilo funkciiganta karakteriza kurbo (AUROC) 27 (Tabelo 2, Figuro 2 kaj Suplementa Figuro 1 interrete).Koncerne la sentemon de la interna testa baterio, tradiciaj metodoj rezultis plej bone inter viroj kaj pli malbone inter virinoj.Tamen, la diferenco en klasifika efikeco 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 sentemon en ambaŭ seksoj.Koncerne la specifecon de la interna testaro, oni observis, ke la kvar SD-modeloj bone agis ĉe maskloj, dum la tradicia modelo rezultis pli bone ĉe inoj.La diferencoj en klasifika efikeco por maskloj kaj inoj estas 13.3% (MLP) kaj 13.1% (MLP), respektive, indikante ke la diferenco en klasifika efikeco inter modeloj superas sentemon.Inter la DM-modeloj, la subtena vektora maŝino (SVM), decidarbo (DT), kaj hazardaj arbaraj (RF) modeloj rezultis plej bone inter maskloj, dum la LR-modelo rezultis 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) ĉe viroj), montrante bonegan klasifikan efikecon en diskriminaciado de 18-jaraĝaj specimenoj28.Por la ekstera testaro, estis malkresko en klasifika agado laŭ sentemo, specifeco kaj AUROC kompare kun la interna testaro.Plie, la diferenco en sentemo kaj specifeco inter la klasifika agado de la plej bonaj kaj plej malbonaj modeloj variis de 10% ĝis 25% kaj estis pli granda ol la diferenco en la interna testaro.
Sentemo kaj specifeco de datumminadaj klasifikmodeloj kompare kun tradiciaj metodoj kun tranĉo de 18 jaroj.KNN k plej proksima najbaro, SVM-subtena vektora maŝino, LR-loĝistika regreso, DT-decidarbo, RF hazarda arbaro, XGB XGBoost, MLP plurtavola perceptron, tradicia CM-metodo.
La unua paŝo en ĉi tiu studo estis kompari la precizecon de dentaĝaj taksoj akiritaj de sep DM-modeloj kun tiuj akiritaj per tradicia regreso.MAE kaj RMSE estis taksitaj en internaj testaroj por ambaŭ seksoj, kaj la diferenco inter la tradicia metodo kaj la DM-modelo variis 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 uzante la DM-modelo 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 aĝoklaso kiel en ĉi tiu studo.Galibourg et al24 komparis MAE kaj RMSE inter du tradiciaj metodoj (Demirjian-metodo25 kaj Willems-metodo29) kaj 10 DM-modeloj en franca loĝantaro 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 Willems kaj Demirdjian-metodoj, respektive.La diferenco inter la SD-modelo kaj tradiciaj metodoj montritaj en la Halibourg-studo enkalkulas multajn raportojn30,31,32,33 ke la Demirdjian-metodo ne precize taksas dentalan aĝon en populacioj krom la francaj kanadanoj sur kiuj la studo baziĝis.en ĉi tiu studo.Tai et al 34 uzis la MLP-algoritmon por antaŭdiri dentan aĝon de 1636 ĉinaj ortodontikaj fotoj kaj komparis ĝian precizecon kun la rezultoj de la Demirjian kaj Willems-metodo.Ili raportis ke MLP havas pli altan precizecon ol tradiciaj metodoj.La diferenco inter la Demirdjiana metodo kaj la tradicia metodo estas <0.32 jaroj, kaj la Willems-metodo estas 0.28 jaroj, kio estas simila al la rezultoj de la nuna studo.La rezultoj de ĉi tiuj antaŭaj studoj24,34 ankaŭ estas kongruaj kun la rezultoj de la nuna studo, kaj la aĝtaksa precizeco de la DM-modelo kaj la tradicia metodo estas similaj.Tamen, surbaze de la prezentitaj rezultoj, ni povas nur 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 ĉeĥaj loĝantoj aĝaj 2,7 ĝis 20,5 jaroj kaj testis la precizecon de ĉiu modelo.Ili taksis la disvolviĝon de entute 16 supraj kaj malsupraj 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 uzitaj en ĉi tiu studo.Shen et al23 uzis la Cameriere-metodon por taksi la dentalan aĝon de sep permanentaj dentoj en maldekstra mandiblo en orientaj ĉinaj loĝantoj aĝaj 5 ĝis 13 jarojn kaj komparis ĝin kun aĝoj taksitaj uzante linearan 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 povas ŝuldiĝi al la inkludo de pli junaj temoj en iliaj studaj specimenoj.Ĉar aĝtaksoj por partoprenantoj kun evoluantaj dentoj iĝas pli precizaj kiam la nombro da dentoj pliiĝas dum denta evoluo, la precizeco de la rezulta aĝtaksmetodo povas esti endanĝerigita kiam studpartoprenantoj estas pli junaj.Plie, la eraro de MLP en aĝtakso estas iomete pli malgranda ol tiu de SLP, signifante ke MLP estas pli preciza ol SLP.MLP estas konsiderita iomete pli bona por aĝtakso, eventuale pro la kaŝaj tavoloj en MLP38.Tamen, ekzistas escepto por la ekstera specimeno de virinoj (SLP 1.45, MLP 1.49).La trovo ke la MLP estas pli preciza ol la SLP en taksado de aĝo postulas kromajn retrospektivajn studojn.
La klasifika agado de la DM-modelo kaj la tradicia metodo ĉe 18-jara sojlo ankaŭ estis komparita.Ĉiuj testitaj SD-modeloj kaj tradiciaj metodoj sur la interna testaro montris praktike akcepteblajn nivelojn de diskriminacio por la 18-jaraĝa specimeno.Sentemo 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 bazita sur denta matureco.Ni povas kompari la rezultojn de ĉi tiu studo kun la klasifika agado de profundaj lernaj modeloj sur panoramaj radiografioj.Guo et al.15 kalkulis la klasifikan agadon de CNN-bazita profunda lernadmodelo kaj manlibron bazitan sur la metodo de Demirjian por certa aĝo-sojlo.La sentemo kaj specifeco de la mana metodo estis 87.7% kaj 95.5%, respektive, kaj la sentemo kaj specifeco de la CNN-modelo superis 89.2% kaj 86.6%, respektive.Ili konkludis, ke profundaj lernaj modeloj povas anstataŭigi aŭ superi manan taksadon en klasifikado de aĝaj sojloj.La rezultoj de ĉi tiu studo montris similan klasifikan agadon;Estas kredite ke klasifiko uzanta DM-modelojn povas anstataŭigi tradiciajn statistikajn metodojn por aĝtakso.Inter la modeloj, DM LR estis la plej bona modelo laŭ sentemo por la vira specimeno kaj sentemo kaj specifeco por la ina specimeno.LR estas dua en specifeco por viroj.Plie, LR estas konsiderata kiel unu el la pli afablaj DM35-modeloj kaj estas malpli kompleksa kaj malfacile prilaborebla.Surbaze de tiuj rezultoj, LR estis konsiderita la plej bona detranĉa klasifikmodelo por 18-jaruloj en la korea populacio.
Ĝenerale, la precizeco de aĝtakso aŭ klasifika agado sur la ekstera testaro estis malbona aŭ pli malalta kompare kun la rezultoj sur la interna testaro.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.Tiu plimalboniga 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 populacio-datumoj, kiel tradiciaj metodoj, devus esti preferitaj5,39,40,41,42.Ĉar estas neklare ĉu profundaj lernadmodeloj povas montri similajn tendencojn, studoj komparantaj klasifikprecizecon kaj efikecon uzante tradiciajn metodojn, DM-modeloj, kaj profunda lernadmodeloj sur la samaj provaĵoj estas necesaj por konfirmi ĉu artefarita inteligenteco povas venki tiujn rasajn malegalecojn en limigita aĝo.taksoj.
Ni pruvas, ke tradiciaj metodoj povas esti anstataŭigitaj per aĝtakso bazita sur la DM-modelo en krimmedicina aĝa taksadpraktiko en Koreio.Ni ankaŭ malkovris la eblecon efektivigi maŝinlernadon por krimmedicina aĝo-takso.Tamen, estas klaraj limigoj, kiel la nesufiĉa nombro da partoprenantoj en ĉi tiu studo por definitive determini la rezultojn, kaj la manko de antaŭaj studoj por kompari kaj konfirmi la rezultojn de ĉi tiu studo.En la estonteco, DM-studoj devus esti faritaj kun pli grandaj nombroj da specimenoj kaj pli diversaj populacioj por plibonigi ĝian praktikan aplikeblecon kompare kun tradiciaj metodoj.Por validigi la fareblecon uzi artefaritan inteligentecon por taksi aĝon en multoblaj populacioj, estontaj studoj estas necesaj por kompari la klasifikprecizecon kaj efikecon de DM kaj profundaj lernaj modeloj kun tradiciaj metodoj en la samaj provaĵoj.
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 internajn testajn arojn (19,52 ± 2,59 jaroj).La trejnaro estis kolektita en unu institucio (Seoul St. Mary's Hospital), kaj la propra testaro estis kolektita ĉe du institucioj (Seoul National University Dental Hospital kaj Yonsei University Dental Hospital).Ni ankaŭ kolektis 857 radiografiojn de alia loĝantarbazita datumoj (Iwate Medical University, Japanio) por ekstera testado.Radiografioj de japanaj temoj (19.31 ± 2.60 jaroj) estis elektitaj kiel la ekstera testaro.Datenoj estis kolektitaj retrospektive por analizi la stadiojn de denta evoluo sur panoramaj radiografioj prenitaj dum dentokuracado.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 naskiĝdaton de la dato, kiam la radiografio estis prenita.La provgrupo estis dividita en naŭ aĝgrupojn.La aĝaj kaj seksaj distribuoj estas montritaj en Tabelo 3. Ĉi tiu studo estis farita laŭ la Deklaro de Helsinko kaj aprobita de la Institucia Revizia Estraro (IRB) de Seoul 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 spertantaj radiografian ekzamenon por terapiaj celoj.Seoul Korea University St. Mary's Hospital (IRB) rezignis pri la postulo pri informita konsento.
Evoluaj stadioj de dumakselaj duaj kaj triaj molaroj estis taksitaj laŭ Demircan-kriterioj25.Nur unu dento estis elektita se la sama speco de dento estis trovita sur la maldekstraj kaj dekstraj flankoj de ĉiu makzelo.Se homologaj dentoj sur same flankoj estis en malsamaj evolufazoj, la dento kun la pli malalta evolustadio estis elektita por respondeci pri necerteco en la laŭtaksa aĝo.Cent hazarde elektitaj radiografioj el la trejna aro estis notitaj de du spertaj observantoj por testi interobservan fidindecon post antaŭkalibrado por determini dentan maturecstadion.Interobservanta fidindeco estis taksita dufoje je tri-monataj intervaloj fare de la primara observanto.
La sekso kaj evolua stadio de la dua kaj tria molaroj de ĉiu makzelo en la trejna aro estis taksitaj fare de primara observanto trejnita kun malsamaj DM-modeloj, kaj la fakta aĝo estis fiksita kiel la celvaloro.SLP kaj MLP-modeloj, kiuj estas vaste uzitaj en maŝinlernado, estis testitaj kontraŭ regresalgoritmoj.La DM-modelo kombinas liniajn funkciojn uzante la evolustadiojn de la kvar dentoj kaj kombinas tiujn datenojn por taksi aĝon.SLP estas la plej simpla neŭrala reto kaj ne enhavas kaŝitajn tavolojn.SLP funkcias surbaze de sojla dissendo inter nodoj.La SLP-modelo en regreso estas matematike simila al multobla linia regreso.Male al la SLP-modelo, la MLP-modelo havas multoblajn kaŝitajn tavolojn kun neliniaj aktivigaj funkcioj.Niaj eksperimentoj uzis kaŝitan tavolon kun nur 20 kaŝitaj nodoj kun neliniaj aktivigaj funkcioj.Uzu gradientdevenon kiel la optimumigan metodon kaj MAE kaj RMSE kiel la perdan funkcion por trejni nian maŝinlernmodelon.La plej bona akirita regresa 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 trejnadaro por antaŭdiri ĉu specimeno estas 18-jara aŭ ne.Por konstrui la modelon, ni derivis sep reprezentajn maŝinlernajn algoritmojn6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost kaj (7) MLP. .LR estas unu el la plej uzataj klasifik-algoritmoj44.Ĝi estas kontrolita lernalgoritmo kiu uzas regreson por antaŭdiri la probablecon de datumoj apartenantaj al certa kategorio de 0 ĝis 1 kaj klasifikas la datenojn kiel apartenantajn al pli verŝajna kategorio bazita sur tiu verŝajneco;ĉefe uzata por binara klasifiko.KNN estas unu el la plej simplaj maŝinlernantaj algoritmoj45.Kiam oni donas novajn enigajn datumojn, ĝi trovas k-datenojn proksime al la ekzistanta aro kaj poste klasifikas ilin en la klason kun la plej alta frekvenco.Ni starigas 3 por la nombro da najbaroj konsiderataj (k).SVM estas algoritmo kiu maksimumigas la distancon inter du klasoj uzante kernan funkcion por vastigi la linearan spacon en ne-linian spacon nomitan kampoj46.Por ĉi tiu modelo, ni uzas biason = 1, potencon = 1, kaj gama = 1 kiel hiperparametrojn por la polinoma kerno.DT estis aplikata en diversaj kampoj kiel algoritmo por dividi tutan datuman aron en plurajn subgrupojn per reprezentado de decidaj reguloj en arbstrukturo47.La modelo estas agordita kun minimuma nombro da rekordoj per nodo de 2 kaj uzas la Gini-indekson kiel mezuron de kvalito.RF estas ensemblometodo kiu kombinas multoblajn DTojn por plibonigi efikecon uzante botostrap-agregadmetodon kiu generas malfortan klasigilon por ĉiu specimeno hazarde desegnante specimenojn de la sama grandeco plurfoje el la origina datumaro48.Ni uzis 100 arbojn, 10 arbprofundojn, 1 minimuman nodan grandecon kaj Gini-aldonaĵindekson kiel nodan apartigkriteriojn.La klasifiko de novaj datumoj estas determinita per plimulta voĉdono.XGBoost estas algoritmo, kiu kombinas akceligajn teknikojn per metodo, kiu prenas kiel trejnajn datumojn la eraron inter la realaj kaj antaŭviditaj valoroj de la antaŭa modelo kaj pliigas la eraron per gradientoj49.Ĝi estas vaste uzata algoritmo pro sia bona rendimento kaj rimeda efikeco, kaj ankaŭ alta fidindeco kiel troa korekta funkcio.La modelo estas ekipita per 400 subtenaj radoj.MLP estas neŭrala reto en kiu unu aŭ pluraj perceptronoj formas multoblajn tavolojn kun unu aŭ pluraj kaŝitaj tavoloj inter la eniga kaj eligotavoloj38.Uzante ĉi tion, vi povas plenumi ne-linian klasifikon kie kiam vi aldonas enigaĵtavolon kaj ricevas rezultvaloron, la antaŭdirita rezultvaloro estas komparita kun la reala rezultvaloro kaj la eraro estas disvastigita reen.Ni kreis kaŝitan tavolon kun 20 kaŝitaj neŭronoj en ĉiu tavolo.Ĉiu modelo, kiun ni evoluigis, estis aplikita al internaj kaj eksteraj aroj por testi klasifikan rendimenton kalkulante sentemon, specifecon, PPV, NPV kaj AUROC.Sentemo estas difinita kiel la rilatumo de provaĵo taksita esti 18 jarojn aĝa aŭ pli aĝa al provaĵo taksita esti 18 jarojn aĝa aŭ pli aĝa.Specifeco estas la proporcio de specimenoj malpli ol 18 jarojn aĝaj kaj tiuj taksitaj esti malpli ol 18 jarojn aĝaj.
La dentalaj stadioj taksitaj en la trejnado estis konvertitaj en nombrajn stadiojn por statistika analizo.Plurvaria linia kaj loĝistika regreso estis farita por evoluigi prognozajn modelojn por ĉiu sekso kaj derivi regresformulojn kiuj povas esti uzitaj por taksi aĝon.Ni uzis ĉi tiujn formulojn por taksi dentan aĝon por internaj kaj eksteraj testaj aroj.Tabelo 4 montras la regresajn kaj klasifikajn modelojn uzatajn en ĉi tiu studo.
Intra- kaj interobservanta 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 realajn aĝojn de la internaj kaj eksteraj testaj aroj.Tiuj eraroj kutimas ofte taksi la precizecon de modelprognozoj.Ju pli malgranda la eraro, des pli alta la precizeco de la prognozo24.Komparu la MAE kaj RMSE de internaj kaj eksteraj testaj aroj kalkulitaj per DM kaj tradicia regreso.Klasifika agado de la 18-jara forigo en tradicia statistiko estis taksita per 2 × 2-eventuala tablo.La kalkulita sentemo, specifeco, PPV, NPV kaj AUROC de la testaro estis komparitaj kun la mezuritaj valoroj de la DM-klasifika modelo.Datenoj estas esprimitaj kiel meznombro ± norma devio aŭ nombro (%) depende de datenkarakterizaĵoj.Duflankaj P-valoroj <0.05 estis konsideritaj statistike signifaj.Ĉiuj rutinaj statistikaj analizoj estis faritaj per SAS-versio 9.4 (SAS Institute, Cary, NC).La regresa modelo de DM estis efektivigita en Python uzante Keras50 2.2.4 backend kaj Tensorflow51 1.8.0 specife por matematikaj operacioj.La DM-klasifika modelo estis efektivigita en la Waikato Knowledge Analysis Environment kaj la Konstanz Information 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.Takso de aĝo: stato de la arto por renkonti la specifajn postulojn de krimmedicina praktiko.internacieco.J. Jura medicino.113, 129-136 (2000).
Schmeling, A. , Reisinger, W. , Geserik, G., kaj Olze, A. Nuna statuso de krimmedicina aĝo-takso de vivantaj subjektoj por krimaj procesigceloj.Krimmedicino.medikamento.Patologio.1, 239-246 (2005).
Pan, J. et al.Modifita metodo por taksi la dentalan aĝon de infanoj de 5 ĝis 16 jaroj en orienta Ĉinio.klinika.Parola enketo.25, 3463–3474 (2021).
Lee, SS ktp. Kronologio de la evoluo de dua kaj tria molaroj en koreoj kaj ĝia aplikiĝo por krimmedicina aĝotaksado.internacieco.J. Jura medicino.124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY kaj Lee, SS Precizeco de aĝtakso kaj takso de la 18-jara sojlo surbaze de la matureco de duaj kaj triaj molaroj en koreoj kaj japanoj.PLoS UNU 17, e0271247 (2022).
Kim, JY, et al.Antaŭoperacia maŝinlernada analizo de datumoj povas antaŭdiri la rezulton de la kuracado de dormkirurgio en pacientoj kun OSA.la scienco.Raporto 11, 14911 (2021).
Han, M. et al.Ĝusta aĝtakso de maŝinlernado kun aŭ sen homa interveno?internacieco.J. Jura medicino.136, 821–831 (2022).
Khan, S. kaj Shaheen, M. From Data Mining to Data Mining.J.Informo.la scienco.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. kaj Shaheen, M. WisRule: La Unua Kogna Algoritmo por Association Rule Mining.J.Informo.la scienco.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. kaj Abdullah U. Karm: Tradicia datenminado bazita sur kuntekst-bazitaj asocioreguloj.kalkuli.Matt.daŭrigi.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. kaj Habib M. Profunda lernado bazigis semantikan similecdetekto uzante tekstodatenojn.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 vidbendoj.plurmedia.Iloj Aplikoj https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Maŝinlernado-Defio en Pediatria Osta Aĝo.Radiologio 290, 498-503 (2019).
Li, Y. et al.Krimmedicina aĝo-takso de pelvaj Rentgenradioj uzante profundan lernadon.EŬRO.radiado.29, 2322–2329 (2019).
Guo, YC, et al.Preciza aĝklasifiko per manaj metodoj kaj profundaj konvoluciaj neŭralaj retoj de ortografiaj projekciaj bildoj.internacieco.J. Jura medicino.135, 1589-1597 (2021).
Alabama Dalora et al.Takso de osta aĝo uzante malsamajn maŝinlernajn metodojn: sistema literaturrecenzo kaj metaanalizo.PLoS UNU 14, e0220242 (2019).
Du, H., Lio, G., Cheng, K., kaj Yang, J. Populacio-specifa aĝtakso de afrik-usonanoj kaj ĉinoj surbaze de pulpkamervolumoj de unuaj molaroj uzantaj konus-radian komputitan tomografion.internacieco.J. Jura medicino.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK kaj Oh KS Determinante aĝgrupojn de vivantaj homoj uzante bildojn bazitajn pri artefarita inteligenteco de unuaj molaroj.la scienco.Raporto 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., kaj Urschler, M. Aŭtomata aĝo-takso kaj plimulta aĝoklasifiko de multvariaj 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 kamersegmentado de unuaj molaroj de konusradio komputita tomografio per integrado de profunda lernado kaj nivelaroj.internacieco.J. Jura medicino.135, 365–373 (2021).
Wu, WT, et al.Datumminado en klinikaj grandaj datumoj: oftaj datumbazoj, ŝtupoj kaj metodomodeloj.mondo.medikamento.rimedo.8, 44 (2021).
Yang, J. et al.Enkonduko al Medicinaj Datumbazoj kaj Datumaj Minindustriaj Teknologioj en la Granda Datuma Epoko.J. Avid.Baza medicino.13, 57–69 (2020).
Shen, S. et al.La metodo de Camerer por taksi dentan aĝon uzante maŝinlernadon.BMC Buŝa Sano 21, 641 (2021).
Galliburg A. et al.Komparo de malsamaj maŝinlernadmetodoj por antaŭdiro dentaĝa aĝo uzante la Demirdjian ensceniga metodo.internacieco.J. Jura medicino.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. kaj Tanner, JM Nova sistemo por taksado de dentala aĝo.snufi.biologio.45, 211-227 (1973).
Landis, JR, kaj Koch, GG Mezuroj de observantinterkonsento pri kategoriaj datenoj.Biometriko 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK kaj Choi HK.Tekstura, morfologia kaj statistika analizo de dudimensia magneta resonanca bildigo uzanta artefaritinteligentajn teknikojn por diferencigo de primaraj cerbaj tumoroj.Saninformoj.rimedo.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Afiŝtempo: Jan-04-2024