Gràcies per visitar Nature.com.La versió del navegador que utilitzeu té un suport CSS limitat.Per obtenir els millors resultats, us recomanem que utilitzeu una versió més recent del vostre navegador (o desactiveu el mode de compatibilitat a Internet Explorer).Mentrestant, per garantir un suport permanent, estem mostrant el lloc sense estil ni JavaScript.
Les dents es consideren l'indicador més precís de l'edat del cos humà i sovint s'utilitzen en l'avaluació de l'edat forense.El nostre objectiu és validar les estimacions d'edat dental basades en la mineria de dades comparant la precisió de l'estimació i el rendiment de classificació del llindar de 18 anys amb els mètodes tradicionals i les estimacions d'edat basades en la mineria de dades.Es van recollir un total de 2.657 radiografies panoràmiques de ciutadans coreans i japonesos d'entre 15 i 23 anys.Es van dividir en un conjunt d'entrenament, cadascun conté 900 radiografies coreanes, i un conjunt de proves intern que conté 857 radiografies japoneses.Hem comparat la precisió i l'eficiència de la classificació dels mètodes tradicionals amb conjunts de prova de models de mineria de dades.La precisió del mètode tradicional en el conjunt de proves interns és lleugerament superior a la del model de mineria de dades, i la diferència és petita (error absolut mitjà <0,21 anys, error quadrat mitjà <0,24 anys).El rendiment de classificació per al tall de 18 anys també és similar entre els mètodes tradicionals i els models de mineria de dades.Així, els mètodes tradicionals es poden substituir per models de mineria de dades quan es realitzen una avaluació de l'edat forense utilitzant la maduresa del segon i tercer molar en adolescents i adults joves coreans.
L'estimació de l'edat dental s'utilitza àmpliament en medicina forense i odontologia pediàtrica.En particular, a causa de l'alta correlació entre l'edat cronològica i el desenvolupament dental, l'avaluació de l'edat per etapes de desenvolupament dental és un criteri important per avaluar l'edat dels nens i adolescents1,2,3.Tanmateix, per als joves, estimar l'edat dental en funció de la maduresa dental té les seves limitacions perquè el creixement dental és gairebé complet, a excepció dels tercers molars.La finalitat legal de determinar l'edat dels joves i adolescents és proporcionar estimacions precises i proves científiques de si han arribat a la majoria d'edat.En la pràctica medicolegal d'adolescents i adults joves a Corea, es va estimar l'edat mitjançant el mètode de Lee i es va predir un llindar legal de 18 anys a partir de les dades informades per Oh et al 5 .
L'aprenentatge automàtic és un tipus d'intel·ligència artificial (IA) que aprèn i classifica repetidament grans quantitats de dades, resol problemes per si sol i impulsa la programació de dades.L'aprenentatge automàtic pot descobrir patrons ocults útils en grans volums de dades6.En canvi, els mètodes clàssics, que requereixen molta mà d'obra i temps, poden tenir limitacions a l'hora de tractar grans volums de dades complexes que són difícils de processar manualment7.Per tant, recentment s'han realitzat molts estudis utilitzant les últimes tecnologies informàtiques per minimitzar els errors humans i processar eficaçment dades multidimensionals8,9,10,11,12.En particular, l'aprenentatge profund s'ha utilitzat àmpliament en l'anàlisi d'imatges mèdiques, i s'ha informat que diversos mètodes per a l'estimació de l'edat mitjançant l'anàlisi automàtica de radiografies milloren la precisió i l'eficiència de l'estimació d'edat13,14,15,16,17,18,19,20. .Per exemple, Halabi et al 13 van desenvolupar un algorisme d'aprenentatge automàtic basat en xarxes neuronals convolucionals (CNN) per estimar l'edat esquelètica mitjançant radiografies de mans dels nens.Aquest estudi proposa un model que aplica l'aprenentatge automàtic a les imatges mèdiques i demostra que aquests mètodes poden millorar la precisió del diagnòstic.Li et al14 van estimar l'edat a partir d'imatges de raigs X pèlvics mitjançant una CNN d'aprenentatge profund i les van comparar amb els resultats de regressió mitjançant l'estimació de l'etapa d'ossificació.Van trobar que el model de CNN d'aprenentatge profund mostrava el mateix rendiment d'estimació d'edat que el model de regressió tradicional.L'estudi de Guo et al. [15] va avaluar el rendiment de la classificació de la tolerància a l'edat de la tecnologia CNN basada en ortofotos dentals, i els resultats del model CNN van demostrar que els humans van superar el seu rendiment de classificació d'edat.
La majoria dels estudis sobre l'estimació d'edat mitjançant l'aprenentatge automàtic utilitzen mètodes d'aprenentatge profund13,14,15,16,17,18,19,20.S'informa que l'estimació de l'edat basada en l'aprenentatge profund és més precisa que els mètodes tradicionals.Tanmateix, aquest enfocament ofereix poca oportunitat per presentar la base científica de les estimacions d'edat, com ara els indicadors d'edat utilitzats en les estimacions.També hi ha una disputa legal sobre qui realitza les inspeccions.Per tant, l'estimació de l'edat basada en l'aprenentatge profund és difícil d'acceptar per les autoritats administratives i judicials.La mineria de dades (DM) és una tècnica que pot descobrir no només informació esperada sinó també inesperada com a mètode per descobrir correlacions útils entre grans quantitats de dades6,21,22.L'aprenentatge automàtic s'utilitza sovint a la mineria de dades, i tant la mineria de dades com l'aprenentatge automàtic utilitzen els mateixos algorismes clau per descobrir patrons a les dades.L'estimació de l'edat mitjançant el desenvolupament dental es basa en l'avaluació de l'examinador de la maduresa de les dents objectiu, i aquesta avaluació s'expressa com una etapa per a cada dent objectiu.La DM es pot utilitzar per analitzar la correlació entre l'etapa d'avaluació dental i l'edat real i té el potencial de substituir l'anàlisi estadística tradicional.Per tant, si apliquem tècniques de DM a l'estimació d'edat, podem implementar l'aprenentatge automàtic en l'estimació d'edat forense sense preocupar-nos de la responsabilitat legal.S'han publicat diversos estudis comparatius sobre possibles alternatives als mètodes manuals tradicionals utilitzats en la pràctica forense i mètodes basats en EBM per determinar l'edat dental.Shen et al23 van demostrar que el model DM és més precís que la fórmula tradicional de Camerer.Galibourg et al24 van aplicar diferents mètodes de DM per predir l'edat segons el criteri de Demirdjian25 i els resultats van mostrar que el mètode de DM va superar els mètodes de Demirdjian i Willems en l'estimació de l'edat de la població francesa.
Per estimar l'edat dental dels adolescents i adults joves coreans, el mètode 4 de Lee s'utilitza àmpliament a la pràctica forense coreana.Aquest mètode utilitza l'anàlisi estadística tradicional (com ara la regressió múltiple) per examinar la relació entre els subjectes coreans i l'edat cronològica.En aquest estudi, els mètodes d'estimació d'edat obtinguts mitjançant mètodes estadístics tradicionals es defineixen com a "mètodes tradicionals".El mètode de Lee és un mètode tradicional, i la seva precisió ha estat confirmada per Oh et al.5;tanmateix, l'aplicabilitat de l'estimació d'edat basada en el model DM a la pràctica forense coreana encara és qüestionable.El nostre objectiu era validar científicament la utilitat potencial de l'estimació de l'edat basada en el model DM.L'objectiu d'aquest estudi va ser (1) comparar la precisió de dos models de DM per estimar l'edat dental i (2) comparar el rendiment de classificació de 7 models de DM a l'edat de 18 anys amb els obtinguts mitjançant mètodes estadístics tradicionals. i tercers molars a les dues mandíbules.
Les mitjanes i les desviacions estàndard de l'edat cronològica per estadi i tipus de dent es mostren en línia a la taula suplementària S1 (conjunt d'entrenament), la taula suplementària S2 (conjunt de proves intern) i la taula suplementària S3 (conjunt de proves extern).Els valors kappa per a la fiabilitat intra i interobservador obtinguts del conjunt d'entrenament van ser de 0,951 i 0,947, respectivament.Els valors P i els intervals de confiança del 95% per als valors kappa es mostren a la taula complementària en línia S4.El valor kappa es va interpretar com "quasi perfecte", d'acord amb els criteris de Landis i Koch26.
Quan es compara l'error absolut mitjà (MAE), el mètode tradicional supera lleugerament el model DM per a tots els gèneres i en el conjunt de proves masculines externes, amb l'excepció del perceptró multicapa (MLP).La diferència entre el model tradicional i el model DM al conjunt de proves internes de MAE va ser de 0,12 a 0,19 anys per als homes i de 0,17 a 0,21 anys per a les dones.Per a la bateria de prova externa, les diferències són més petites (0,001–0,05 anys per als homes i 0,05–0,09 anys per a les dones).A més, l'error quadrat mitjà (RMSE) és lleugerament inferior al mètode tradicional, amb diferències més petites (0,17–0,24, 0,2–0,24 per al conjunt de proves internes masculí i 0,03–0,07, 0,04–0,08 per al conjunt de proves externes).).MLP mostra un rendiment lleugerament millor que el perceptró de capa única (SLP), excepte en el cas del conjunt de proves externes femenines.Per a MAE i RMSE, el conjunt de proves externes puntua més que el conjunt de proves internes per a tots els gèneres i models.Tots els MAE i RMSE es mostren a la taula 1 i la figura 1.
MAE i RMSE dels models de regressió tradicionals i de mineria de dades.Error absolut mitjà MAE, error quadrat mitjà RMSE, perceptró d'una sola capa SLP, perceptró multicapa MLP, mètode tradicional CM.
Es va demostrar el rendiment de classificació (amb un tall de 18 anys) dels models tradicionals i DM en termes de sensibilitat, especificitat, valor predictiu positiu (PPV), valor predictiu negatiu (NPV) i àrea sota la corba característica de funcionament del receptor (AUROC). 27 (Taula 2, Figura 2 i Figura 1 suplementària en línia).Pel que fa a la sensibilitat de la bateria de prova interna, els mètodes tradicionals van tenir un millor rendiment entre els homes i pitjor entre les dones.Tanmateix, la diferència de rendiment de classificació entre els mètodes tradicionals i el SD és del 9,7% per als homes (MLP) i només del 2,4% per a les dones (XGBoost).Entre els models de DM, la regressió logística (LR) va mostrar una millor sensibilitat en ambdós sexes.Pel que fa a l'especificitat del conjunt de proves internes, es va observar que els quatre models SD van tenir un bon rendiment en els homes, mentre que el model tradicional va tenir un millor rendiment en les dones.Les diferències en el rendiment de classificació per a homes i dones són del 13,3% (MLP) i del 13,1% (MLP), respectivament, el que indica que la diferència de rendiment de classificació entre models supera la sensibilitat.Entre els models DM, els models de màquina vectorial de suport (SVM), arbre de decisió (DT) i bosc aleatori (RF) van tenir un millor rendiment entre els homes, mentre que el model LR va tenir un millor rendiment entre les dones.L'AUROC del model tradicional i de tots els models SD va ser superior a 0,925 (k-nearest neighbor (KNN) en homes), demostrant un excel·lent rendiment de classificació en la discriminació de mostres de 18 anys28.Per al conjunt de proves externes, hi va haver una disminució del rendiment de classificació en termes de sensibilitat, especificitat i AUROC en comparació amb el conjunt de proves interns.A més, la diferència de sensibilitat i especificitat entre el rendiment de classificació dels millors i pitjors models oscil·lava entre el 10% i el 25% i era més gran que la diferència en el conjunt de proves internes.
Sensibilitat i especificitat dels models de classificació de mineria de dades en comparació amb els mètodes tradicionals amb un tall de 18 anys.KNN k veí més proper, màquina vectorial de suport SVM, regressió logística LR, arbre de decisió DT, bosc aleatori RF, XGB XGBoost, perceptró multicapa MLP, mètode CM tradicional.
El primer pas d'aquest estudi va ser comparar la precisió de les estimacions de l'edat dental obtingudes a partir de set models de DM amb les obtingudes mitjançant la regressió tradicional.MAE i RMSE es van avaluar en conjunts de proves internes per a ambdós sexes, i la diferència entre el mètode tradicional i el model DM va oscil·lar entre 44 i 77 dies per a MAE i de 62 a 88 dies per a RMSE.Tot i que el mètode tradicional va ser una mica més precís en aquest estudi, és difícil concloure si una diferència tan petita té una importància clínica o pràctica.Aquests resultats indiquen que la precisió de l'estimació de l'edat dental utilitzant el model DM és gairebé la mateixa que la del mètode tradicional.La comparació directa amb els resultats d'estudis anteriors és difícil perquè cap estudi ha comparat la precisió dels models de DM amb mètodes estadístics tradicionals utilitzant la mateixa tècnica d'enregistrament de dents en la mateixa franja d'edat que en aquest estudi.Galibourg et al24 van comparar MAE i RMSE entre dos mètodes tradicionals (mètode Demirjian25 i mètode Willems29) i 10 models de DM en una població francesa de 2 a 24 anys.Van informar que tots els models de DM eren més precisos que els mètodes tradicionals, amb diferències de 0,20 i 0,38 anys en MAE i 0,25 i 0,47 anys en RMSE en comparació amb els mètodes Willems i Demirdjian, respectivament.La discrepància entre el model SD i els mètodes tradicionals que es mostra a l'estudi de Halibourg té en compte nombrosos informes30,31,32,33 que el mètode Demirdjian no estima amb precisió l'edat dental en poblacions diferents dels canadencs francesos en què es va basar l'estudi.en aquest estudi.Tai et al 34 van utilitzar l'algoritme MLP per predir l'edat de les dents a partir de 1636 fotografies d'ortodòncia xineses i van comparar la seva precisió amb els resultats del mètode Demirjian i Willems.Van informar que MLP té una precisió més alta que els mètodes tradicionals.La diferència entre el mètode Demirdjian i el mètode tradicional és <0,32 anys, i el mètode Willems és de 0,28 anys, que és similar als resultats del present estudi.Els resultats d'aquests estudis anteriors24,34 també són coherents amb els resultats del present estudi, i la precisió de l'estimació d'edat del model DM i del mètode tradicional són similars.Tanmateix, a partir dels resultats presentats, només podem concloure amb cautela que l'ús de models de DM per estimar l'edat pot substituir els mètodes existents a causa de la manca d'estudis anteriors comparatius i de referència.Es necessiten estudis de seguiment amb mostres més grans per confirmar els resultats obtinguts en aquest estudi.
Entre els estudis que van provar la precisió de SD per estimar l'edat dental, alguns van mostrar una precisió més alta que el nostre estudi.Stepanovsky et al 35 van aplicar 22 models SD a radiografies panoràmiques de 976 residents txecs d'entre 2,7 i 20,5 anys i van provar la precisió de cada model.Van valorar el desenvolupament d'un total de 16 dents permanents superiors i inferiors esquerres utilitzant els criteris de classificació proposats per Moorrees et al 36 .El MAE oscil·la entre 0,64 i 0,94 anys i l'RMSE oscil·la entre 0,85 i 1,27 anys, que són més precisos que els dos models DM utilitzats en aquest estudi.Shen et al23 van utilitzar el mètode Cameriere per estimar l'edat dental de set dents permanents a la mandíbula esquerra en residents de la Xina oriental d'entre 5 i 13 anys i la van comparar amb les edats estimades mitjançant regressió lineal, SVM i RF.Van demostrar que els tres models DM tenen una precisió més alta en comparació amb la fórmula tradicional de Cameriere.El MAE i RMSE de l'estudi de Shen van ser inferiors als del model DM d'aquest estudi.L'augment de la precisió dels estudis de Stepanovsky et al.35 i Shen et al.23 pot ser degut a la inclusió de subjectes més joves a les seves mostres d'estudi.Com que les estimacions d'edat dels participants amb dents en desenvolupament es fan més precises a mesura que augmenta el nombre de dents durant el desenvolupament dental, la precisió del mètode d'estimació de l'edat resultant es pot veure compromesa quan els participants de l'estudi són més joves.A més, l'error de MLP en l'estimació d'edat és lleugerament menor que el de SLP, el que significa que MLP és més precís que SLP.La MLP es considera una mica millor per a l'estimació de l'edat, possiblement a causa de les capes ocultes a MLP38.Tanmateix, hi ha una excepció per a la mostra externa de dones (SLP 1,45, MLP 1,49).La constatació que el MLP és més precís que el SLP a l'hora d'avaluar l'edat requereix estudis retrospectius addicionals.
També es va comparar el rendiment de classificació del model DM i el mètode tradicional en un llindar de 18 anys.Tots els models SD provats i els mètodes tradicionals del conjunt de proves interns van mostrar nivells de discriminació pràcticament acceptables per a la mostra de 18 anys.La sensibilitat per a homes i dones va ser superior al 87,7% i al 94,9%, respectivament, i l'especificitat va ser superior al 89,3% i al 84,7%.L'AUROC de tots els models provats també supera els 0,925.Segons el que sabem, cap estudi ha provat el rendiment del model DM per a la classificació de 18 anys en funció de la maduresa dental.Podem comparar els resultats d'aquest estudi amb el rendiment de classificació dels models d'aprenentatge profund en radiografies panoràmiques.Guo et al.15 van calcular el rendiment de classificació d'un model d'aprenentatge profund basat en CNN i d'un mètode manual basat en el mètode de Demirjian per a un determinat llindar d'edat.La sensibilitat i l'especificitat del mètode manual van ser del 87,7% i del 95,5%, respectivament, i la sensibilitat i l'especificitat del model CNN van superar el 89,2% i el 86,6%, respectivament.Van concloure que els models d'aprenentatge profund poden substituir o superar l'avaluació manual en la classificació dels llindars d'edat.Els resultats d'aquest estudi van mostrar un rendiment de classificació similar;Es creu que la classificació mitjançant models DM pot substituir els mètodes estadístics tradicionals per a l'estimació de l'edat.Entre els models, DM LR va ser el millor model quant a sensibilitat per a la mostra masculina i sensibilitat i especificitat per a la mostra femenina.LR ocupa el segon lloc en especificitat per als homes.A més, LR es considera un dels models DM35 més fàcils d'utilitzar i és menys complex i difícil de processar.A partir d'aquests resultats, LR es va considerar el millor model de classificació de tall per a joves de 18 anys de la població coreana.
En general, la precisió de l'estimació d'edat o el rendiment de classificació en el conjunt de proves externes va ser pobre o inferior en comparació amb els resultats del conjunt de proves internes.Alguns informes indiquen que la precisió o l'eficiència de la classificació disminueix quan s'apliquen estimacions d'edat basades en la població coreana a la població japonesa5,39, i es va trobar un patró similar en el present estudi.Aquesta tendència de deteriorament també es va observar en el model DM.Per tant, per estimar amb precisió l'edat, fins i tot quan s'utilitza DM en el procés d'anàlisi, s'han de preferir mètodes derivats de dades de població nativa, com els mètodes tradicionals5,39,40,41,42.Com que no està clar si els models d'aprenentatge profund poden mostrar tendències similars, es necessiten estudis que comparen la precisió i l'eficiència de la classificació mitjançant mètodes tradicionals, models DM i models d'aprenentatge profund en les mateixes mostres per confirmar si la intel·ligència artificial pot superar aquestes disparitats racials en edat limitada.valoracions.
Demostrem que els mètodes tradicionals es poden substituir per l'estimació d'edat basada en el model DM en la pràctica d'estimació d'edat forense a Corea.També vam descobrir la possibilitat d'implementar l'aprenentatge automàtic per a l'avaluació de l'edat forense.Tanmateix, hi ha limitacions clares, com ara el nombre insuficient de participants en aquest estudi per determinar definitivament els resultats, i la manca d'estudis previs per comparar i confirmar els resultats d'aquest estudi.En el futur, els estudis de DM haurien de realitzar-se amb un nombre més gran de mostres i poblacions més diverses per millorar la seva aplicabilitat pràctica en comparació amb els mètodes tradicionals.Per validar la viabilitat d'utilitzar la intel·ligència artificial per estimar l'edat en diverses poblacions, es necessiten estudis futurs per comparar la precisió i l'eficiència de classificació dels models de DM i d'aprenentatge profund amb mètodes tradicionals en les mateixes mostres.
L'estudi va utilitzar 2.657 fotografies ortogràfiques recollides d'adults coreans i japonesos d'entre 15 i 23 anys.Les radiografies coreanes es van dividir en 900 conjunts d'entrenament (19,42 ± 2,65 anys) i 900 conjunts de proves internes (19,52 ± 2,59 anys).El conjunt d'entrenament es va recollir en una institució (Hospital St. Mary de Seül) i el conjunt de proves propi es va recollir en dues institucions (Hospital Dental de la Universitat Nacional de Seül i Hospital Dental de la Universitat de Yonsei).També vam recollir 857 radiografies d'altres dades basades en la població (Iwate Medical University, Japó) per a proves externes.Es van seleccionar radiografies de subjectes japonesos (19,31 ± 2,60 anys) com a conjunt de prova extern.Les dades es van recollir de manera retrospectiva per analitzar les etapes del desenvolupament dental en radiografies panoràmiques preses durant el tractament dental.Totes les dades recollides eren anònimes excepte el gènere, la data de naixement i la data de la radiografia.Els criteris d'inclusió i exclusió eren els mateixos que els estudis publicats anteriorment 4 , 5 .L'edat real de la mostra es va calcular restant la data de naixement de la data en què es va fer la radiografia.El grup de mostra es va dividir en nou grups d'edat.Les distribucions per edat i sexe es mostren a la Taula 3. Aquest estudi es va dur a terme d'acord amb la Declaració d'Hèlsinki i aprovat per la Junta de Revisió Institucional (IRB) de l'Hospital St. Mary de Seül de la Universitat Catòlica de Corea (KC22WISI0328).A causa del disseny retrospectiu d'aquest estudi, no es va poder obtenir el consentiment informat de tots els pacients sotmesos a un examen radiogràfic amb finalitats terapèutiques.L'Hospital St. Mary de la Universitat de Corea de Seül (IRB) va renunciar al requisit de consentiment informat.
Les etapes de desenvolupament dels segons i tercers molars bimaxil·lars es van avaluar segons els criteris de Demircan25.Només es va seleccionar una dent si es trobava el mateix tipus de dent als costats esquerre i dret de cada mandíbula.Si les dents homòlogues d'ambdós costats es trobaven en diferents estadis de desenvolupament, es va seleccionar la dent amb l'etapa de desenvolupament més baixa per tenir en compte la incertesa de l'edat estimada.Dos observadors experimentats van puntuar cent radiografies seleccionades aleatòriament del conjunt d'entrenament per provar la fiabilitat entre observadors després de la precalibració per determinar l'etapa de maduresa dental.L'observador principal va avaluar la fiabilitat intraobservador dues vegades a intervals de tres mesos.
El sexe i l'etapa de desenvolupament del segon i tercer molar de cada mandíbula del conjunt d'entrenament van ser estimats per un observador principal entrenat amb diferents models de DM, i es va establir l'edat real com a valor objectiu.Els models SLP i MLP, que s'utilitzen àmpliament en l'aprenentatge automàtic, es van provar amb algorismes de regressió.El model DM combina funcions lineals utilitzant les etapes de desenvolupament de les quatre dents i combina aquestes dades per estimar l'edat.SLP és la xarxa neuronal més senzilla i no conté capes amagades.SLP funciona en funció de la transmissió de llindar entre nodes.El model SLP en regressió és matemàticament similar a la regressió lineal múltiple.A diferència del model SLP, el model MLP té múltiples capes ocultes amb funcions d'activació no lineals.Els nostres experiments van utilitzar una capa oculta amb només 20 nodes ocults amb funcions d'activació no lineals.Utilitzeu el descens de gradient com a mètode d'optimització i MAE i RMSE com a funció de pèrdua per entrenar el nostre model d'aprenentatge automàtic.El millor model de regressió obtingut es va aplicar als conjunts de proves internes i externes i es va estimar l'edat de les dents.
Es va desenvolupar un algorisme de classificació que utilitza la maduresa de quatre dents del conjunt d'entrenament per predir si una mostra té 18 anys o no.Per construir el model, hem derivat set algorismes d'aprenentatge automàtic de representació6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost i (7) MLP. .LR és un dels algorismes de classificació més utilitzats44.És un algorisme d'aprenentatge supervisat que utilitza la regressió per predir la probabilitat que les dades pertanyin a una categoria determinada de 0 a 1 i classifica les dades com a pertanyents a una categoria més probable en funció d'aquesta probabilitat;s'utilitza principalment per a la classificació binària.KNN és un dels algorismes d'aprenentatge automàtic més senzills45.Quan es donen noves dades d'entrada, troba k dades properes al conjunt existent i després les classifica a la classe amb la freqüència més alta.Posem 3 per al nombre de veïns considerats (k).SVM és un algorisme que maximitza la distància entre dues classes utilitzant una funció del nucli per expandir l'espai lineal a un espai no lineal anomenat camps46.Per a aquest model, utilitzem biaix = 1, potència = 1 i gamma = 1 com a hiperparàmetres per al nucli polinomi.La DT s'ha aplicat en diversos camps com un algorisme per dividir un conjunt de dades sencer en diversos subgrups mitjançant la representació de regles de decisió en una estructura d'arbre47.El model es configura amb un nombre mínim de registres per node de 2 i utilitza l'índex de Gini com a mesura de qualitat.RF és un mètode de conjunt que combina diversos DT per millorar el rendiment mitjançant un mètode d'agregació d'arrencada que genera un classificador feble per a cada mostra mitjançant l'extracció aleatòria de mostres de la mateixa mida diverses vegades del conjunt de dades original48.Hem utilitzat 100 arbres, 10 profunditats d'arbre, 1 mida mínima de node i l'índex de barreja de Gini com a criteris de separació de nodes.La classificació de les noves dades es determina per majoria de vots.XGBoost és un algorisme que combina tècniques de reforç mitjançant un mètode que pren com a dades d'entrenament l'error entre els valors reals i predits del model anterior i augmenta l'error mitjançant gradients49.És un algorisme molt utilitzat pel seu bon rendiment i eficiència dels recursos, així com per la seva alta fiabilitat com a funció de correcció de sobreajust.El model està equipat amb 400 rodes de suport.MLP és una xarxa neuronal en la qual un o més perceptrons formen múltiples capes amb una o més capes ocultes entre les capes d'entrada i de sortida38.Amb això, podeu realitzar una classificació no lineal on, quan afegiu una capa d'entrada i obteniu un valor de resultat, el valor del resultat previst es compara amb el valor del resultat real i l'error es propaga de nou.Hem creat una capa oculta amb 20 neurones amagades a cada capa.Cada model que hem desenvolupat es va aplicar a conjunts interns i externs per provar el rendiment de la classificació calculant la sensibilitat, l'especificitat, el PPV, el NPV i l'AUROC.La sensibilitat es defineix com la proporció d'una mostra que s'estima que té 18 anys o més i una mostra que s'estima que té 18 anys o més.L'especificitat és la proporció de mostres menors de 18 anys i les que s'estima que tenen menys de 18 anys.
Les etapes dentals avaluades en el conjunt d'entrenament es van convertir en etapes numèriques per a l'anàlisi estadística.Es va realitzar una regressió lineal i logística multivariant per desenvolupar models predictius per a cada sexe i obtenir fórmules de regressió que es poden utilitzar per estimar l'edat.Hem utilitzat aquestes fórmules per estimar l'edat de les dents tant per a conjunts de proves interns com externs.La taula 4 mostra els models de regressió i classificació utilitzats en aquest estudi.
La fiabilitat intra i interobservador es va calcular mitjançant l'estadística kappa de Cohen.Per provar la precisió dels models de regressió DM i tradicionals, vam calcular MAE i RMSE utilitzant les edats estimades i reals dels conjunts de proves internes i externes.Aquests errors s'utilitzen habitualment per avaluar la precisió de les prediccions del model.Com més petit sigui l'error, més alta serà la precisió de la previsió24.Compareu el MAE i l'RMSE dels conjunts de proves interns i externs calculats mitjançant DM i regressió tradicional.El rendiment de la classificació del tall de 18 anys en les estadístiques tradicionals es va avaluar mitjançant una taula de contingència 2 × 2.La sensibilitat, especificitat, PPV, NPV i AUROC calculades del conjunt de proves es van comparar amb els valors mesurats del model de classificació DM.Les dades s'expressen com a mitjana ± desviació estàndard o nombre (%) en funció de les característiques de les dades.Els valors de P a dues cares <0, 05 es van considerar estadísticament significatius.Totes les anàlisis estadístiques rutinàries es van realitzar mitjançant SAS versió 9.4 (SAS Institute, Cary, NC).El model de regressió DM es va implementar a Python mitjançant Keras50 2.2.4 backend i Tensorflow51 1.8.0 específicament per a operacions matemàtiques.El model de classificació DM es va implementar al Waikato Knowledge Analysis Environment i a la plataforma d'anàlisi Konstanz Information Miner (KNIME) 4.6.152.
Els autors reconeixen que les dades que donen suport a les conclusions de l'estudi es poden trobar a l'article i materials suplementaris.Els conjunts de dades generats i/o analitzats durant l'estudi estan disponibles a l'autor corresponent a petició raonable.
Ritz-Timme, S. et al.Avaluació de l'edat: estat de la tècnica per complir els requisits específics de la pràctica forense.internacionalitat.J. Medicina jurídica.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. i Olze, A. Estat actual de l'avaluació de l'edat forense dels subjectes vius amb finalitats d'enjudiciament penal.Forense.medicament.Patologia.1, 239–246 (2005).
Pan, J. et al.Un mètode modificat per avaluar l'edat dental dels nens de 5 a 16 anys a l'est de la Xina.clínica.Enquesta oral.25, 3463–3474 (2021).
Lee, SS, etc. Cronologia del desenvolupament del segon i tercer molar en coreans i la seva aplicació per a l'avaluació de l'edat forense.internacionalitat.J. Medicina jurídica.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY i Lee, SS Precisió de l'estimació de l'edat i estimació del llindar de 18 anys en funció de la maduresa del segon i tercer molar en coreans i japonesos.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.L'anàlisi de dades preoperatòria basada en l'aprenentatge automàtic pot predir el resultat del tractament de la cirurgia del son en pacients amb SAOS.la ciència.Informe 11, 14911 (2021).
Han, M. et al.Estimació precisa de l'edat a partir de l'aprenentatge automàtic amb o sense intervenció humana?internacionalitat.J. Medicina jurídica.136, 821–831 (2022).
Khan, S. i Shaheen, M. De la mineria de dades a la mineria de dades.J.Informació.la ciència.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. WisRule: el primer algorisme cognitiu per a la mineria de regles d'associació.J.Informació.la ciència.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. i Abdullah U. Karm: Mineria de dades tradicional basada en regles d'associació basades en el context.calcular.Matt.continuar.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. i Habib M. Detecció de similitud semàntica basada en l'aprenentatge profund mitjançant dades de text.informar.tecnologies.control.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. i Shahin, M. Un sistema per reconèixer l'activitat en vídeos esportius.multimèdia.Eines Aplicacions https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.Repte d'aprenentatge automàtic de RSNA en l'edat òssia pediàtrica.Radiology 290, 498–503 (2019).
Li, Y. et al.Estimació de l'edat forense a partir de raigs X pèlvics mitjançant l'aprenentatge profund.EURO.radiació.29, 2322–2329 (2019).
Guo, YC, et al.Classificació precisa d'edat mitjançant mètodes manuals i xarxes neuronals convolucionals profundes a partir d'imatges de projecció ortogràfica.internacionalitat.J. Medicina jurídica.135, 1589–1597 (2021).
Alabama Dalora et al.Estimació de l'edat òssia mitjançant diferents mètodes d'aprenentatge automàtic: revisió sistemàtica de la literatura i metaanàlisi.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. i Yang, J. Estimació de l'edat específica de la població dels afroamericans i xinesos basada en els volums de la cambra de polpa dels primers molars mitjançant tomografia computada de feix de con.internacionalitat.J. Medicina jurídica.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK i Oh KS Determinació de grups d'edat de persones vives mitjançant imatges de primers molars basades en intel·ligència artificial.la ciència.Informe 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. i Urschler, M. Estimació automàtica d'edat i classificació de la majoria d'edat a partir de dades de ressonància magnètica multivariant.IEEE J. Biomed.Alertes de salut.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. i Li, G. Estimació de l'edat basada en la segmentació de la cambra pulpar en 3D dels primers molars a partir de la tomografia computada de feix de con mitjançant la integració d'aprenentatge profund i conjunts de nivells.internacionalitat.J. Medicina jurídica.135, 365–373 (2021).
Wu, WT, et al.Mineria de dades en big data clínica: bases de dades, passos i models de mètodes comuns.Món.medicament.recurs.8, 44 (2021).
Yang, J. et al.Introducció a les bases de dades mèdiques i les tecnologies de mineria de dades a l'era del big data.J. Avid.Medicina bàsica.13, 57–69 (2020).
Shen, S. et al.Mètode de Camerer per estimar l'edat de les dents mitjançant l'aprenentatge automàtic.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Comparació de diferents mètodes d'aprenentatge automàtic per predir l'edat dental mitjançant el mètode de posada en escena Demirdjian.internacionalitat.J. Medicina jurídica.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Un nou sistema per avaluar l'edat dental.bufar.biologia.45, 211–227 (1973).
Landis, JR, i Koch, GG Mesures de l'acord d'observadors sobre dades categòriques.Biometria 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK i Choi HK.Anàlisi textural, morfològica i estadística de la ressonància magnètica bidimensional mitjançant tècniques d'intel·ligència artificial per a la diferenciació de tumors cerebrals primaris.Informació sanitària.recurs.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Hora de publicació: 04-gen-2024