Dankon pro via vizito al Nature.com. La versio de retumilo, kiun vi uzas, havas limigitan subtenon por CSS. Por plej bonaj rezultoj, ni rekomendas uzi pli novan version de via retumilo (aŭ malŝalti kongruecan reĝimon en Internet Explorer). Dume, por certigi daŭran subtenon, ni montras la retejon sen stiloj aŭ JavaScript.
Dentoj estas konsiderataj la plej preciza indikilo de la aĝo de la homa korpo kaj ofte estas uzataj en krimmedicina aĝtakso. Ni celis validigi datenminadajn dentalaksojn komparante la taksadan precizecon kaj klasifikan efikecon de la 18-jara sojlo kun tradiciaj metodoj kaj datenminadaj aĝtaksoj. Entute 2657 panoramaj rentgenaj fotoj estis kolektitaj de koreaj kaj japanaj civitanoj en aĝo de 15 ĝis 23 jaroj. Ili estis dividitaj en trejnan aron, ĉiu enhavanta 900 koreajn rentgenajn fotojn, kaj internan testaron enhavanta 857 japanajn rentgenajn fotojn. Ni komparis la klasifikan precizecon kaj efikecon de tradiciaj metodoj kun testaroj de datenminadaj modeloj. La precizeco de la tradicia metodo sur la interna testaro estas iomete pli alta ol tiu de la datenminada modelo, kaj la diferenco estas malgranda (meza absoluta eraro <0.21 jaroj, kvadrata radika meznombra eraro <0.24 jaroj). La klasifika efikeco por la 18-jara limo ankaŭ estas simila inter tradiciaj metodoj kaj datenminadaj modeloj. Tiel, tradiciaj metodoj povas esti anstataŭigitaj per datenminadaj modeloj dum farado de krimmedicina aĝtakso uzante la maturecon de duaj kaj triaj molaroj en koreaj adoleskantoj kaj junaj plenkreskuloj.
Takso de denta aĝo estas vaste uzata en krimmedicino kaj infana dentokuracado. Aparte, pro la alta korelacio inter kronologia aĝo kaj denta disvolviĝo, aĝtakso laŭ dentaj disvolviĝaj stadioj estas grava kriterio por taksi la aĝon de infanoj kaj adoleskantoj1,2,3. Tamen, por junuloj, taksi dentan aĝon surbaze de denta matureco havas siajn limigojn, ĉar denta kresko estas preskaŭ kompleta, escepte de la triaj molaroj. La jura celo de determinado de la aĝo de junuloj kaj adoleskantoj estas provizi precizajn taksojn kaj sciencan pruvon pri tio, ĉu ili atingis la aĝon de plenaĝeco. En la medicin-jura praktiko de adoleskantoj kaj junaj plenkreskuloj en Koreio, aĝo estis taksita uzante la metodon de Lee, kaj jura sojlo de 18 jaroj estis antaŭdirita surbaze de la datumoj raportitaj de Oh et al. 5.
Maŝinlernado estas tipo de artefarita inteligenteco (AI), kiu plurfoje lernas kaj klasifikas grandajn kvantojn da datumoj, solvas problemojn memstare, kaj instigas datumprogramadon. Maŝinlernado povas malkovri utilajn kaŝitajn ŝablonojn en grandaj volumoj da datumoj6. Kontraste, klasikaj metodoj, kiuj estas laborintensaj kaj tempopostulaj, povas havi limigojn kiam oni traktas grandajn volumojn da kompleksaj datumoj, kiujn malfacilas mane prilabori7. 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 uzata en medicina bildanalizo, kaj diversaj metodoj por aĝtakso per aŭtomata analizado de rentgenaj fotoj laŭdire plibonigas la precizecon kaj efikecon de aĝtakso13,14,15,16,17,18,19,20. Ekzemple, Halabi kaj aliaj13 evoluigis maŝinlernadan algoritmon bazitan sur konvoluciaj neŭralaj retoj (KNN) por taksi skeletan aĝon uzante rentgenajn fotojn 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 kaj aliaj14 taksis aĝon el pelvaj rentgenaj bildoj uzante profundlernan CNN-modelon kaj komparis ilin kun regresrezultoj uzante ostiĝstadian taksadon. Ili trovis, ke la profundlernada CNN-modelo montris la saman aĝtaksan rendimenton kiel la tradicia regresmodelo. La studo de Guo kaj aliaj [15] taksis la aĝtolereman klasifikan rendimenton de CNN-teknologio bazita sur dentaj ortofotoj, kaj la rezultoj de la CNN-modelo pruvis, ke homoj superis ĝian aĝklasifikan rendimenton.
Plej multaj studoj pri aĝtakso uzante maŝinlernadon uzas profundajn lernadajn metodojn13,14,15,16,17,18,19,20. Aĝtakso bazita sur profunda lernado laŭdire estas pli preciza ol tradiciaj metodoj. Tamen, ĉi tiu aliro donas malmultan ŝancon prezenti la sciencan bazon por aĝtaksoj, kiel ekzemple la aĝindikiloj uzataj en la taksoj. Ekzistas ankaŭ jura disputo pri kiu faras la inspektojn. Tial, aĝtakso bazita sur profunda lernado malfacile akcepteblas de administraj kaj juraj aŭtoritatoj. Datenminado (DM) estas tekniko, kiu povas malkovri ne nur atenditajn sed ankaŭ neatenditajn informojn kiel metodo por malkovri utilajn korelaciojn inter grandaj kvantoj da datumoj6,21,22. Maŝinlernado ofte estas uzata en datenminado, kaj kaj datenminado kaj maŝinlernado uzas la samajn ŝlosilajn algoritmojn por malkovri ŝablonojn en datumoj. Aĝtakso uzante 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 la denta taksa stadio kaj la 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 uzataj en krimmedicina praktiko kaj EBM-bazitaj metodoj por determini dentan 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 loĝantaro.
Por taksi la dentan aĝon de koreaj adoleskantoj kaj junaj plenkreskuloj, la metodo de Lee 4 estas vaste uzata en korea krimmedicina praktiko. Ĉi tiu metodo uzas tradician statistikan analizon (kiel ekzemple multoblan regreson) por ekzameni la rilaton inter koreaj subjektoj kaj kronologia aĝo. En ĉi tiu studo, aĝtaksaj 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 aĝtaksado bazita sur la DM-modelo en korea krimmedicina praktiko estas ankoraŭ pridubinda. Nia celo estis science validigi la eblan utilecon de aĝtaksado bazita sur 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 rendimenton de 7 DM-modeloj en la aĝo de 18 jaroj kun tiuj akiritaj per tradiciaj statistikaj metodoj. Matureco de dua kaj tria molaroj en ambaŭ makzeloj.
Meznvaloroj kaj normaj devioj de kronologia aĝo laŭ stadio kaj dentotipo estas montritaj rete en Aldona Tabelo S1 (trejna aro), Aldona Tabelo S2 (interna test-aro), kaj Aldona Tabelo S3 (eksterna test-aro). La kappa-valoroj por intra- kaj interobservanta fidindeco akiritaj de la trejna aro estis 0,951 kaj 0,947, respektive. P-valoroj kaj 95%-konfidencintervaloj por kappa-valoroj estas montritaj en reta aldona tabelo S4. La kappa-valoro estis interpretita kiel "preskaŭ perfekta", konforme al la kriterioj de Landis kaj Koch26.
Kiam oni komparas la mezan absolutan eraron (MAE), la tradicia metodo iomete superas la DM-modelon por ĉiuj seksoj kaj en la ekstera vira testo-aro, 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). Krome, la radika meza 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-aro, kaj 0,03–0,07, 0,04–0,08 por la ekstera testo-aro). MLP montras iomete pli bonan rendimenton ol Unutavola Perceptrono (SLP), escepte en la kazo de la ina ekstera testo-aro. Por MAE kaj RMSE, la ekstera testo-aro atingas pli altajn rezultojn 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 datenminadaj regresmodeloj. Meza absoluta eraro MAE, kvadrata meza eraro RMSE, unutavola perceptrono SLP, plurtavola perceptrono MLP, tradicia CM-metodo.
Klasifikada agado (kun limo de 18 jaroj) de la tradiciaj kaj DM-modeloj estis montrita laŭ sentemo, specifeco, pozitiva prognoza valoro (PPV), negativa prognoza valoro (NPV), kaj areo sub la ricevila funkciiga karakteriza kurbo (AUROC) 27 (Tabelo 2, Figuro 2 kaj Aldona Figuro 1 interrete). Rilate al la sentemo de la interna testbaterio, tradiciaj metodoj funkciis plej bone inter viroj kaj pli malbone inter virinoj. Tamen, la diferenco en klasifikada 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 sentemon en ambaŭ seksoj. Koncerne la specifecon de la interna testaro, oni observis, ke la kvar SD-modeloj funkciis bone ĉe viroj, dum la tradicia modelo funkciis pli bone ĉe virinoj. La diferencoj en klasifikada agado por viroj kaj virinoj estas 13.3% (MLP) kaj 13.1% (MLP), respektive, indikante ke la diferenco en klasifikada agado inter modeloj superas sentemon. Inter la DM-modeloj, la subtenvektora maŝino (SVM), decidarbo (DT), kaj hazarda arbaro (RF) modeloj funkciis plej bone inter viroj, dum la LR-modelo funkciis plej bone inter virinoj. 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-jaraj specimenoj28. Por la ekstera test-aro, estis malkresko en klasifika efikeco rilate al sentemo, specifeco kaj AUROC kompare kun la interna test-aro. Krome, la diferenco en sentemo kaj specifeco inter la klasifika efikeco de la plej bonaj kaj plej malbonaj modeloj variis de 10% ĝis 25% kaj estis pli granda ol la diferenco en la interna test-aro.
Sentemeco kaj specifeco de datenminadaj klasifikmodeloj kompare kun tradiciaj metodoj kun limo de 18 jaroj. KNN k plej proksima najbaro, SVM subtenvektora maŝino, LR loĝistika regreso, DT decidarbo, RF hazarda arbaro, XGB XGBoost, MLP plurtavola perceptrono, tradicia CM-metodo.
La unua paŝo en ĉi tiu studo estis kompari la precizecon de dentaj aĝtaksoj akiritaj el 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 dentaĝa takso uzante 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 uzantaj la saman teknikon de registrado de dentoj en la sama aĝogrupo kiel en ĉi tiu studo. Galibourg et al24 komparis MAE kaj RMSE inter du tradiciaj metodoj (Demirjian-metodo25 kaj Willems-metodo29) kaj 10 DM-modelojn en franca populacio aĝanta 2 ĝis 24 jarojn. 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 de Willems kaj Demirdjian, respektive. La diferenco inter la SD-modelo kaj tradiciaj metodoj montrita 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 dentalan aĝon el 1636 ĉinaj ortodontaj fotoj kaj komparis ĝian precizecon kun la rezultoj de la metodo de Demirdjian kaj Willems. Ili raportis, ke MLP havas pli altan precizecon ol tradiciaj metodoj. La diferenco inter la Demirdjian-metodo kaj la tradicia metodo estas <0,32 jaroj, kaj la metodo de Willems estas 0,28 jaroj, kio similas al la rezultoj de la nuna studo. La rezultoj de ĉi tiuj antaŭaj studoj24,34 ankaŭ kongruas kun la rezultoj de la nuna studo, kaj la precizeco de aĝtaksado de la DM-modelo kaj la tradicia metodo estas simila. Tamen, surbaze de la prezentitaj rezultoj, ni povas nur singarde konkludi, ke la uzo de DM-modeloj por taksi aĝon povus anstataŭigi ekzistantajn metodojn pro la manko de komparaj kaj referencaj antaŭaj studoj. Daŭrigaj studoj uzantaj pli grandajn specimenojn estas necesaj por konfirmi la rezultojn akiritajn en ĉi tiu studo.
Inter la studoj testantaj la precizecon de SD en taksado de denta aĝo, kelkaj montris pli altan precizecon ol nia studo. Stepanovsky et al35 aplikis 22 SD-modelojn al panoramaj rentgenaj fotoj de 976 ĉeĥaj loĝantoj en aĝo de 2,7 ĝis 20,5 jaroj kaj testis la precizecon de ĉiu modelo. Ili taksis la evoluon de entute 16 supraj kaj malsupraj maldekstraj permanentaj dentoj uzante la klasifikkriteriojn proponitajn de Moorrees et al36. 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 metodon de Cameriere por taksi la dentan aĝon de sep permanentaj dentoj en la maldekstra mandiblo ĉe orient-ĉinaj loĝantoj en aĝo de 5 ĝis 13 jaroj kaj komparis ĝin kun aĝoj taksitaj per lineara regreso, SVM kaj RF. Ili montris, ke ĉiuj tri DM-modeloj havas pli altan precizecon kompare kun la tradicia formulo de Cameriere. 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 aĝtaksoj por partoprenantoj kun evoluantaj dentoj fariĝas pli precizaj kiam la nombro da dentoj pliiĝas dum denta evoluo, la precizeco de la rezulta aĝtaksa metodo povas esti kompromitita kiam la studpartoprenantoj estas pli junaj. Plie, la eraro de MLP en aĝtakso estas iomete pli malgranda ol tiu de SLP, kio signifas, ke MLP estas pli preciza ol SLP. MLP estas konsiderata iomete pli bona por aĝtakso, eble pro la kaŝitaj 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 pliajn 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 testo-aro montris preskaŭ akcepteblajn nivelojn de diskriminacio por la 18-jaraĝa specimeno. La sentemeco 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 profundlernadaj modeloj sur panoramaj rentgenaj fotoj. Guo et al.15 kalkulis la klasifikan agadon de CNN-bazita profundlernada modelo kaj mana metodo bazita sur la metodo de Demirjian por certa aĝsojlo. La sentemeco kaj specifeco de la mana metodo estis 87.7% kaj 95.5% respektive, kaj la sentemeco kaj specifeco de la CNN-modelo superis 89.2% kaj 86.6% respektive. Ili konkludis, ke profundlernadaj modeloj povas anstataŭigi aŭ superi manan taksadon en klasifikado de aĝsojloj. La rezultoj de ĉi tiu studo montris similan klasifikan efikecon; oni kredas, ke klasifikado uzante DM-modelojn povas anstataŭigi tradiciajn statistikajn metodojn por aĝtakso. Inter la modeloj, DM LR estis la plej bona modelo laŭ sentemeco por la vira specimeno kaj sentemeco kaj specifeco por la ina specimeno. LR rangas dua laŭ specifeco por viroj. Krome, LR estas konsiderata unu el la pli uzanto-amikaj DM35-modeloj kaj estas malpli kompleksa kaj malfacile prilaborebla. Surbaze de ĉi tiuj rezultoj, LR estis konsiderata la plej bona klasifikmodelo por 18-jaruloj en la korea loĝantaro.
Ĝenerale, la precizeco de aĝtakso aŭ klasifika elfaro sur la ekstera test-aro estis malbona aŭ pli malalta kompare kun la rezultoj sur la interna test-aro. Kelkaj raportoj indikas, ke klasifika precizeco aŭ efikeco malpliiĝas kiam aĝtaksoj bazitaj sur la korea loĝantaro estas aplikitaj al la japana loĝantaro5,39, kaj simila ŝablono estis trovita en la nuna studo. Ĉi tiu tendenco al plimalboniĝo ankaŭ estis observita en la DM-modelo. Tial, por precize taksi aĝon, eĉ uzante DM en la analiza procezo, metodoj derivitaj de denaskaj populaciaj datumoj, kiel ekzemple tradiciaj metodoj, devus esti preferataj5,39,40,41,42. Ĉar ne estas klare ĉu profundaj lernado-modeloj povas montri similajn tendencojn, studoj komparantaj klasifikan precizecon kaj efikecon uzante tradiciajn metodojn, DM-modelojn kaj profundajn lernado-modelojn sur la samaj specimenoj estas necesaj por konfirmi ĉu artefarita inteligenteco povas superi ĉi tiujn rasajn malegalecojn en limigitaj aĝtaksadoj.
Ni montras, ke tradiciaj metodoj povas esti anstataŭigitaj per aĝtakso bazita sur la DM-modelo en la praktiko de krimmedicina aĝtaksado en Koreio. Ni ankaŭ malkovris la eblecon efektivigi maŝinlernadon por krimmedicina aĝtakso. Tamen, ekzistas 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. Estonte, DM-studoj devus esti faritaj kun pli grandaj nombroj da specimenoj kaj pli diversaj populacioj por plibonigi ilian praktikan aplikeblecon kompare kun tradiciaj metodoj. Por validigi la fareblecon de uzado de artefarita inteligenteco por taksi aĝon en pluraj populacioj, estontaj studoj estas necesaj por kompari la klasifikan precizecon kaj efikecon de DM kaj profundaj lernado-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 rentgenaj fotoj estis dividitaj en 900 trejnajn arojn (19,42 ± 2,65 jaroj) kaj 900 internajn testarojn (19,52 ± 2,59 jaroj). La trejna aro estis kolektita ĉe unu institucio (Seoul St. Mary's Hospital), kaj la propra testa aro estis kolektita ĉe du institucioj (Seoul National University Dental Hospital kaj Yonsei University Dental Hospital). Ni ankaŭ kolektis 857 rentgenajn fotojn de alia populaci-bazita datumbazo (Iwate Medical University, Japanio) por ekstera testado. Rentgenaj fotoj de japanaj subjektoj (19,31 ± 2,60 jaroj) estis elektitaj kiel la ekstera testa aro. Datumoj estis kolektitaj retrospektive por analizi la stadiojn de denta evoluo sur panoramaj rentgenaj fotoj prenitaj dum denta traktado. Ĉiuj kolektitaj datumoj estis anonimaj krom sekso, naskiĝdato kaj dato de la rentgena foto. La kriterioj por inkludo kaj ekskludo estis la samaj kiel en antaŭe publikigitaj studoj [4, 5]. La efektiva aĝo de la specimenaro estis kalkulita subtrahante la naskodaton de la dato, kiam la rentgena bildo estis prenita. La specimenara grupo estis dividita en naŭ aĝogrupojn. La aĝo- kaj sekso-distribuoj estas montritaj en Tabelo 3. Ĉi tiu studo estis farita laŭ la Deklaro de Helsinko kaj aprobita de la Institucia Revizia Komitato (IRB) de la Seula St. Mary's Hospital de la Katolika Universitato de Koreio (KC22WISI0328). Pro la retrospektiva dezajno de ĉi tiu studo, informita konsento ne povis esti akirita de ĉiuj pacientoj submetitaj al radiografia ekzameno por terapiaj celoj. La Seula Korea Universitato St. Mary's Hospital (IRB) rezignis pri la postulo pri informita konsento.
La evoluaj stadioj de bimaksilaj dua kaj tria molaroj estis taksitaj laŭ la kriterioj de Demircan25. Nur unu dento estis elektita se la sama tipo de dento troviĝis maldekstre kaj dekstre de ĉiu makzelo. Se homologaj dentoj ambaŭflanke estis en malsamaj evoluaj stadioj, la dento kun la pli malalta evolua stadio estis elektita por konsideri necertecon pri la taksita aĝo. Cent hazarde elektitaj rentgenaj fotoj el la trejna aro estis taksitaj de du spertaj observantoj por testi la interobservantan fidindecon post antaŭalĝustigo por determini la dentan maturiĝan stadion. La intraobservanta fidindeco estis taksita dufoje je tri-monataj intervaloj fare de la ĉefa observanto.
La sekso kaj evolua stadio de la dua kaj tria molaroj de ĉiu makzelo en la trejna aro estis taksitaj de primara observanto trejnita per malsamaj DM-modeloj, kaj la fakta aĝo estis difinita kiel la cela valoro. SLP- kaj MLP-modeloj, kiuj estas vaste uzataj en maŝinlernado, estis testitaj kontraŭ regresalgoritmoj. La DM-modelo kombinas linearajn funkciojn uzante la evoluajn stadiojn de la kvar dentoj kaj kombinas ĉi tiujn datumojn por taksi aĝon. SLP estas la plej simpla neŭrala 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 la SLP-modelo, la MLP-modelo havas plurajn kaŝitajn tavolojn kun nelinearaj aktivigaj funkcioj. Niaj eksperimentoj uzis kaŝitan tavolon kun nur 20 kaŝitaj nodoj kun nelinearaj aktivigaj funkcioj. Uzu gradientan devenon kiel la optimumigan metodon kaj MAE kaj RMSE kiel la perdofunkcion por trejni nian maŝinlernadan modelon. La plej bone akirita regresmodelo estis aplikita al la internaj kaj eksteraj testaroj kaj la aĝo de la dentoj estis taksita.
Klasifika algoritmo estis evoluigita, kiu uzas la maturecon de kvar dentoj sur la trejna aro por antaŭdiri ĉu specimeno estas 18-jaraĝa aŭ ne. Por konstrui la modelon, ni derivis sep reprezentajn maŝinlernadajn algoritmojn6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, kaj (7) MLP. LR estas unu el la plej vaste uzataj klasifikaj algoritmoj44. Ĝi estas kontrolita lernada algoritmo, kiu uzas regreson por antaŭdiri la probablecon de datumoj apartenantaj al certa kategorio de 0 ĝis 1 kaj klasifikas la datumojn kiel apartenantajn al pli probabla kategorio surbaze de ĉi tiu probableco; ĉefe uzata por duuma klasifiko. KNN estas unu el la plej simplaj maŝinlernadaj algoritmoj45. Kiam donitaj novaj enigaj datumoj, ĝi trovas k datumojn proksimajn al la ekzistanta aro kaj poste klasifikas ilin en la klason kun la plej alta frekvenco. Ni agordis 3 por la nombro de konsiderataj najbaroj (k). SVM estas algoritmo, kiu maksimumigas la distancon inter du klasoj uzante kerna funkcion por vastigi la linearan spacon en nelinearan spacon nomatan kampoj46. Por ĉi tiu modelo, ni uzas bias = 1, power = 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 decidreguloj en arbostrukturo47. La modelo estas konfigurigita kun minimuma nombro da registroj por nodo de 2 kaj uzas la Gini-indekson kiel mezuron de kvalito. RF estas ensembla metodo, kiu kombinas plurajn DT-ojn por plibonigi rendimenton uzante bootstrap-agregaĵan metodon, kiu generas malfortan klasifikilon por ĉiu specimeno hazarde tirante specimenojn de la sama grandeco plurfoje el la originala datumaro48. Ni uzis 100 arbojn, 10 arboprofundojn, 1 minimuman nodgrandecon, kaj Gini-miksaĵindekson kiel nodajn apartigkriteriojn. La klasifiko de novaj datumoj estas determinita per plimulta voĉdono. XGBoost estas algoritmo, kiu kombinas akcelajn teknikojn uzante metodon, kiu prenas kiel trejnajn datumojn la eraron inter la faktaj kaj antaŭdiritaj valoroj de la antaŭa modelo kaj pliigas la eraron uzante gradientojn49. Ĝi estas vaste uzata algoritmo pro sia bona funkciado kaj rimeda efikeco, same kiel alta fidindeco kiel troadapta korekta funkcio. La modelo estas ekipita per 400 subtenaj radoj. MLP estas neŭrala reto, en kiu unu aŭ pluraj perceptronoj formas plurajn tavolojn kun unu aŭ pluraj kaŝitaj tavoloj inter la enigaj kaj eligaj tavoloj38. Uzante ĉi tion, vi povas plenumi nelinearan klasifikon, kie kiam vi aldonas enigan tavolon kaj ricevas rezultan valoron, la antaŭdirita rezulta valoro estas komparita kun la fakta 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 funkciadon kalkulante sentemon, specifecon, PPV (preterpagitan variaĵon), NPV (nepre malproksimenan valoron), kaj AUROC (orzo-malaltnivelan nombron). Sentemo estas difinita kiel la rilatumo de specimeno taksita je 18 jaroj aŭ pli al specimeno taksita je 18 jaroj aŭ pli. Specifeco estas la proporcio de specimenoj sub 18 jaroj kaj tiuj taksitaj je sub 18 jaroj.
La dentaj stadioj taksitaj en la trejna aro estis konvertitaj en nombrajn stadiojn por statistika analizo. Multvariabla lineara kaj loĝistika regreso estis efektivigita por disvolvi prognozajn modelojn por ĉiu sekso kaj derivi regresajn formulojn, kiuj povas esti uzataj por taksi aĝon. Ni uzis ĉi tiujn formulojn por taksi dentan aĝon por kaj internaj kaj eksteraj testaroj. Tabelo 4 montras la regresajn kaj klasifikajn modelojn uzitajn en ĉi tiu studo.
Intra- kaj interobservanta fidindeco estis kalkulita uzante la kapaan statistikon de Cohen. Por testi la precizecon de DM kaj tradiciaj regresmodeloj, ni kalkulis MAE kaj RMSE uzante la taksitajn kaj faktajn aĝojn de la internaj kaj eksteraj testaroj. Ĉi tiuj eraroj estas ofte uzataj por 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 testaroj kalkulitaj uzante DM kaj tradician regreson. Klasifikada agado de la 18-jara limo en tradiciaj statistikoj estis taksita uzante 2 × 2 kontingenttabelon. La kalkulita sentiveco, specifeco, PPV, NPV kaj AUROC de la testaro estis komparitaj kun la mezuritaj valoroj de la DM-klasifikada modelo. Datumoj estas esprimitaj kiel meznombro ± norma devio aŭ nombro (%) depende de la datenkarakterizaĵoj. Duflankaj P-valoroj <0.05 estis konsiderataj statistike signifaj. Ĉiuj rutinaj statistikaj analizoj estis faritaj uzante SAS-version 9.4 (SAS Institute, Cary, NC). La regresmodelo por DM estis efektivigita en Python uzante la programbazon Keras50 2.2.4 kaj Tensorflow51 1.8.0 specife por matematikaj operacioj. La klasifikmodelo por DM estis efektivigita en la Waikato Knowledge Analysis Environment kaj la analiza platformo Konstanz Information Miner (KNIME) 4.6.152.
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 korespondanta aŭtoro laŭ racia peto.
Ritz-Timme, S. et al. Aĝtakso: stato de la arto por plenumi la specifajn postulojn de krimmedicina praktiko. internacieco. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., kaj Olze, A. Aktuala stato de krimmedicina aĝtakso de vivantaj subjektoj por krimprocesigaj celoj. Forensics. Medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. Modifita metodo por taksi la dentan aĝon de infanoj de 5 ĝis 16 jaroj en orienta Ĉinio. clinical. Bush survey. 25, 3463–3474 (2021).
Lee, SS ktp. Kronologio de la evoluo de dua kaj tria molaroj ĉe koreoj kaj ĝia apliko por takso de krimmedicino pri aĝo. internacieco. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY kaj Lee, SS Precizeco de aĝtakso kaj takso de la 18-jara sojlo bazita sur la matureco de dua kaj tria molaroj ĉe koreoj kaj japanoj. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Antaŭoperacia maŝinlernado-bazita datuma analizo povas antaŭdiri la rezulton de dormkirurgia traktado ĉe pacientoj kun OSA. la scienco. Raporto 11, 14911 (2021).
Han, M. et al. Preciza aĝtakso per maŝinlernado kun aŭ sen homa interveno? internacieco. J. Legal medicine. 136, 821–831 (2022).
Khan, S. kaj Shaheen, M. De Datenminado al Datenminado. J.Information. la scienco. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. kaj Shaheen, M. WisRule: La Unua Kogna Algoritmo por Minado de Asociaj Reguloj. J.Information. la scienco. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. kaj Abdullah U. Karm: Tradicia datenminado bazita sur kuntekst-bazitaj asociaĵreguloj. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. kaj Habib M. Detekto de semantika simileco bazita sur profunda lernado uzante tekstajn datumojn. Informteknologioj. Kontrolo. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., kaj Shahin, M. Sistemo por rekoni aktivecon en sportaj filmetoj. Multmedia. Iloj Aplikoj https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Maŝinlernada Defio en Pediatria Ostaĝo. Radiology 290, 498–503 (2019).
Li, Y. et al. Krimmedicina aĝtakso el pelvaj rentgenradioj uzante profundan lernadon. EURO. radiado. 29, 2322–2329 (2019).
Guo, YC, et al. Preciza aĝklasifiko uzante manajn metodojn kaj profundajn konvoluciajn neŭralajn retojn el ortografiaj projekciaj bildoj. internacieco. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Takso de ostaĝo uzante diversajn maŝinlernadajn metodojn: sistema literaturrevizio kaj metaanalizo. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., kaj Yang, J. Populaci-specifa aĝtakso de afrik-usonanoj kaj ĉinoj bazita sur pulpokameraj volumoj de unuaj molaroj uzante konus-faskan komputitan tomografion. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK kaj Oh KS Determinado de aĝogrupoj de vivantaj homoj uzante artefaritinteligentecajn bildojn de unuaj molaroj. la scienco. Raporto 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., kaj Urschler, M. Aŭtomata aĝtakso kaj plenkreskulaĝa klasifiko el multvariablaj MRI-datumoj. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. kaj Li, G. Aĝtakso bazita sur 3D pulpokamera segmentado de unuaj molaroj el konusradia komputita tomografio per integrado de profunda lernado kaj nivelaroj. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Datenminado en klinikaj grandaj datumoj: komunaj datumbazoj, paŝoj kaj metodoj. World.medicine.resource.8, 44 (2021).
Yang, J. et al. Enkonduko al Medicinaj Datumbazoj kaj Datenminadaj 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 Oral Health 21, 641 (2021).
Galliburg A. et al. Komparo de malsamaj maŝinlernadaj metodoj por antaŭdiri dentalan aĝon uzante la Demirdjian-stadiigan metodon. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. kaj Tanner, JM Nova sistemo por taksi dentalan aĝon. snort. biology. 45, 211–227 (1973).
Landis, JR, kaj Koch, GG Mezuroj de observanta konsento pri kategoriaj datumoj. Biometrics 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 uzante artefaritinteligentecajn teknikojn por diferencigo de primaraj cerbaj tumoroj. Saninformoj. rimedo. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Afiŝtempo: Jan-04-2024