Gràcies per visitar Nature.com. La versió del navegador que esteu utilitzant té compatibilitat limitada amb CSS. Per obtenir els millors resultats, us recomanem que utilitzeu una versió més recent del vostre navegador (o que desactiveu el mode de compatibilitat a l'Internet Explorer). Mentrestant, per garantir una assistència contínua, mostrem el lloc web sense estils ni JavaScript.
Les dents es consideren l'indicador més precís de l'edat del cos humà i sovint s'utilitzen en l'avaluació forense de l'edat. El nostre objectiu era validar les estimacions de l'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 2657 radiografies panoràmiques de ciutadans coreans i japonesos d'entre 15 i 23 anys. Es van dividir en un conjunt d'entrenament, cadascun amb 900 radiografies coreanes, i un conjunt de proves internes amb 857 radiografies japoneses. Vam comparar la precisió i l'eficiència de la classificació dels mètodes tradicionals amb conjunts de proves de models de mineria de dades. La precisió del mètode tradicional en el conjunt de proves internes és lleugerament superior a la del model de mineria de dades, i la diferència és petita (error absolut mitjà <0,21 anys, error quadràtic mitjà <0,24 anys). El rendiment de classificació per al llindar de 18 anys també és similar entre els mètodes tradicionals i els models de mineria de dades. Així, els mètodes tradicionals poden ser substituïts per models de mineria de dades a l'hora de realitzar l'avaluació forense de l'edat utilitzant la maduresa dels segons i tercers molars 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, amb l'excepció dels tercers molars. L'objectiu legal de determinar l'edat dels joves i adolescents és proporcionar estimacions precises i evidència científica de si han arribat a la majoria d'edat. En la pràctica medicolegal d'adolescents i adults joves a Corea, l'edat es va estimar mitjançant el mètode de Lee, i es va predir un llindar legal de 18 anys basant-se en les dades reportades per Oh et al5.
L'aprenentatge automàtic és un tipus d'intel·ligència artificial (IA) que aprèn i classifica repetidament grans quantitats de dades, resol problemes per si mateix 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 molt de temps, poden tenir limitacions quan es tracta de grans volums de dades complexes que són difícils de processar manualment7. Per tant, recentment s'han dut a terme molts estudis utilitzant les últimes tecnologies informàtiques per minimitzar els errors humans i processar de manera eficient 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 de l'edat13,14,15,16,17,18,19,20. Per exemple, Halabi et al13 van desenvolupar un algoritme d'aprenentatge automàtic basat en xarxes neuronals convolucionals (CNN) per estimar l'edat esquelètica mitjançant radiografies de mans de nens. Aquest estudi proposa un model que aplica l'aprenentatge automàtic a imatges mèdiques i demostra que aquests mètodes poden millorar la precisió diagnòstica. Li et al14 van estimar l'edat a partir d'imatges de raigs X pèlviques mitjançant una CNN d'aprenentatge profund i les van comparar amb els resultats de regressió mitjançant l'estimació de l'estadi d'ossificació. Van descobrir que el model de CNN d'aprenentatge profund mostrava el mateix rendiment d'estimació de l'edat que el model de regressió tradicional. L'estudi de Guo et al. [15] va avaluar el rendiment de 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 per edat.
La majoria dels estudis sobre l'estimació de l'edat mitjançant l'aprenentatge automàtic utilitzen mètodes d'aprenentatge profund13,14,15,16,17,18,19,20. Es considera que l'estimació de l'edat basada en l'aprenentatge profund és més precisa que els mètodes tradicionals. Tanmateix, aquest enfocament ofereix poques oportunitats 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 part de 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 en la mineria de dades, i tant la mineria de dades com l'aprenentatge automàtic utilitzen els mateixos algoritmes clau per descobrir patrons en 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 de l'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 de l'edat, podem implementar l'aprenentatge automàtic en l'estimació forense de l'edat sense preocupar-nos per la responsabilitat legal. S'han publicat diversos estudis comparatius sobre possibles alternatives als mètodes manuals tradicionals utilitzats en la pràctica forense i als 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 DM per predir l'edat segons el criteri de Demirdjian25 i els resultats van mostrar que el mètode DM va superar els mètodes de Demirdjian i Willems en l'estimació de l'edat de la població francesa.
Per estimar l'edat dental d'adolescents i adults joves coreans, el mètode 4 de Lee s'utilitza àmpliament en 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 de l'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; no obstant això, l'aplicabilitat de l'estimació de l'edat basada en el model DM en 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 era (1) comparar la precisió de dos models DM en l'estimació de l'edat dental i (2) comparar el rendiment de classificació de 7 models DM a l'edat de 18 anys amb els obtinguts mitjançant mètodes estadístics tradicionals. Maduresa dels segons i tercers molars en ambdues 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 internes) i la Taula Suplementària S3 (conjunt de proves externes). Els valors kappa per a la fiabilitat intra i interobservador obtinguts del conjunt d'entrenament van ser 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 suplementària S4 en línia. El valor kappa es va interpretar com a "gairebé perfecte", d'acord amb els criteris de Landis i Koch26.
En comparar l'error absolut mitjà (MAE), el mètode tradicional supera lleugerament el model DM per a tots els sexes i en el conjunt de proves externes masculines, amb l'excepció del perceptró multicapa (MLP). La diferència entre el model tradicional i el model DM en el conjunt de proves MAE internes va ser de 0,12-0,19 anys per als homes i de 0,17-0,21 anys per a les dones. Per a la bateria de proves externes, 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 quadràtic mitjà (RMSE) és lleugerament inferior al del mètode tradicional, amb diferències més petites (0,17-0,24, 0,2-0,24 per al conjunt de proves internes masculines i 0,03-0,07, 0,04-0,08 per al conjunt de proves externes). El 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 obté puntuacions més altes que el conjunt de proves internes per a tots els gèneres i models. Totes les MAE i RMSE es mostren a la Taula 1 i a la Figura 1.
MAE i RMSE de models de regressió tradicionals i de mineria de dades. Error absolut mitjà MAE, arrel quadràtica mitjana de l'error RMSE, perceptró monocapa SLP, perceptró multicapa MLP, mètode CM tradicional.
El rendiment de classificació (amb un límit de 18 anys) dels models tradicional i DM es va demostrar en termes de sensibilitat, especificitat, valor predictiu positiu (VPP), valor predictiu negatiu (VPN) i àrea sota la corba característica operativa del receptor (AUROC) 27 (Taula 2, Figura 2 i Figura suplementària 1 en línia). Pel que fa a la sensibilitat de la bateria de proves interna, els mètodes tradicionals van tenir un millor rendiment entre els homes i pitjor entre les dones. Tanmateix, la diferència en el rendiment de classificació entre els mètodes tradicionals i la SD és del 9,7% per als homes (MLP) i només del 2,4% per a les dones (XGBoost). Entre els models 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 homes, mentre que el model tradicional va tenir un millor rendiment en dones. Les diferències en el rendiment de classificació per a homes i dones són del 13,3% (MLP) i del 13,1% (MLP), respectivament, cosa que indica que la diferència en el rendiment de classificació entre els models supera la sensibilitat. Entre els models DM, els models de màquina de vectors de suport (SVM), arbre de decisió (DT) i bosc aleatori (RF) van tenir el millor rendiment entre els homes, mentre que el model LR va tenir el millor rendiment entre les dones. L'AUROC del model tradicional i de tots els models SD va ser superior a 0,925 (k-veí més proper (KNN) en homes), cosa que demostra 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 en el rendiment de classificació pel que fa a sensibilitat, especificitat i AUROC en comparació amb el conjunt de proves internes. A més, la diferència en sensibilitat i especificitat entre el rendiment de classificació dels millors i pitjors models va oscil·lar entre el 10% i el 25% i va ser 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 límit de 18 anys. KNN k veí més proper, màquina de vectors de suport SVM, regressió logística LR, arbre de decisió DT, bosc aleatori RF, XGB XGBoost, perceptró multicapa MLP, mètode CM tradicional.
El primer pas en 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. L'MAE i l'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 l'MAE i entre 62 i 88 dies per a l'RMSE. Tot i que el mètode tradicional va ser lleugerament més precís en aquest estudi, és difícil concloure si una diferència tan petita té significació clínica o pràctica. Aquests resultats indiquen que la precisió de l'estimació de l'edat dental mitjançant 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 DM amb els mètodes estadístics tradicionals utilitzant la mateixa tècnica de registre de dents en el mateix rang d'edat que en aquest estudi. Galibourg et al24 van comparar l'MAE i l'RMSE entre dos mètodes tradicionals (mètode de Demirjian25 i mètode de Willems29) i 10 models DM en una població francesa d'entre 2 i 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 de Willems i Demirdjian, respectivament. La discrepància entre el model SD i els mètodes tradicionals mostrada a l'estudi de Halibourg té en compte nombrosos informes30,31,32,33 que el mètode de Demirdjian no estima amb precisió l'edat dental en poblacions diferents dels francocanadencs 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 de Demirjian i Willems. Van informar que el MLP té una precisió més alta que els mètodes tradicionals. La diferència entre el mètode de Demirdjian i el mètode tradicional és <0,32 anys, i el mètode de Willems és de 0,28 anys, cosa que és similar als resultats del present estudi. Els resultats d'aquests estudis previs24,34 també són consistents amb els resultats del present estudi, i la precisió de l'estimació de l'edat del model DM i del mètode tradicional són similars. Tanmateix, basant-nos en els resultats presentats, només podem concloure amb cautela que l'ús de models DM per estimar l'edat pot substituir els mètodes existents a causa de la manca d'estudis previs comparatius i de referència. Calen estudis de seguiment amb mostres més grans per confirmar els resultats obtinguts en aquest estudi.
Entre els estudis que van provar la precisió de la SD en l'estimació de l'edat dental, alguns van mostrar una precisió més alta que el nostre estudi. Stepanovsky et al35 van aplicar 22 models de 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 avaluar el desenvolupament d'un total de 16 dents permanents superiors i inferiors esquerres utilitzant els criteris de classificació proposats per Moorrees et al36. L'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 de DM utilitzats en aquest estudi. Shen et al23 van utilitzar el mètode de Cameriere per estimar l'edat dental de set dents permanents a la mandíbula esquerra en residents de l'est de la Xina 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 de DM tenen una precisió més alta en comparació amb la fórmula tradicional de Cameriere. El MAE i el RMSE en l'estudi de Shen van ser inferiors als del model DM en 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 per als participants amb dents en desenvolupament es tornen més precises a mesura que augmenta el nombre de dents durant el desenvolupament dental, la precisió del mètode d'estimació de l'edat resultant pot veure's compromesa quan els participants de l'estudi són més joves. A més, l'error de la MLP en l'estimació de l'edat és lleugerament menor que el de la SLP, cosa que significa que la MLP és més precisa que la SLP. La MLP es considera lleugerament millor per a l'estimació de l'edat, possiblement a causa de les capes ocultes de la MLP38. Tanmateix, hi ha una excepció per a la mostra externa de dones (SLP 1,45, MLP 1,49). La troballa que la MLP és més precisa que la 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 a un llindar de 18 anys. Tots els models SD provats i els mètodes tradicionals en el 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 el 0,925. Segons el nostre coneixement, cap estudi ha provat el rendiment del model DM per a la classificació a 18 anys basada en 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 un mètode manual basat en el mètode de Demirjian per a un cert llindar d'edat. La sensibilitat i l'especificitat del mètode manual van ser del 87,7% i el 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 pel que fa 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 a la població coreana.
En general, la precisió de l'estimació de l'edat o el rendiment de la classificació en el conjunt de proves externes va ser deficient 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 les estimacions d'edat basades en la població coreana s'apliquen 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 els mètodes derivats de dades de població nativa, com ara els mètodes tradicionals5,39,40,41,42. Com que no està clar si els models d'aprenentatge profund poden mostrar tendències similars, calen 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 avaluacions d'edat limitades.
Demostrem que els mètodes tradicionals poden ser substituïts per l'estimació de l'edat basada en el model DM en la pràctica forense de l'estimació de l'edat a Corea. També hem descobert la possibilitat d'implementar l'aprenentatge automàtic per a l'avaluació forense de l'edat. 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 s'haurien de dur a terme 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 de l'ús de la intel·ligència artificial per estimar l'edat en múltiples poblacions, calen futurs estudis per comparar la precisió i l'eficiència de la classificació dels models DM i d'aprenentatge profund amb els 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's de Seül) i el conjunt de proves pròpies es va recollir en dues institucions (Hospital Odontològic de la Universitat Nacional de Seül i Hospital Odontològic de la Universitat de Yonsei). També vam recollir 857 radiografies d'una altra base de dades poblacional (Universitat Mèdica d'Iwate, Japó) per a proves externes. Es van seleccionar radiografies de subjectes japonesos (19,31 ± 2,60 anys) com a conjunt de proves externes. Les dades es van recollir retrospectivament per analitzar les etapes del desenvolupament dental en radiografies panoràmiques preses durant el tractament dental. Totes les dades recollides van ser anònimes, excepte el sexe, la data de naixement i la data de la radiografia. Els criteris d'inclusió i exclusió van ser els mateixos que en 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 prendre la radiografia. El grup de la 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 de Hèlsinki i va ser aprovat pel Consell de Revisió Institucional (IRB) de l'Hospital St. Mary's 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's de la Universitat de Seül Corea (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 a tots dos costats es trobaven en diferents etapes de desenvolupament, es va seleccionar la dent amb l'etapa de desenvolupament inferior per tenir en compte la incertesa en l'edat estimada. Dos observadors experimentats van puntuar cent radiografies seleccionades aleatòriament del conjunt d'entrenament per provar la fiabilitat interobservador després de la precalibratge per determinar l'etapa de maduresa dental. La fiabilitat intraobservador va ser avaluada dues vegades a intervals de tres mesos per l'observador principal.
El sexe i l'etapa de desenvolupament dels segons i tercers molars de cada mandíbula del conjunt d'entrenament van ser estimats per un observador primari entrenat amb diferents models DM, i l'edat real es va establir com a valor objectiu. Els models SLP i MLP, que s'utilitzen àmpliament en l'aprenentatge automàtic, es van provar amb algoritmes 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 simple i no conté capes ocultes. SLP funciona basant-se en 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 lineal. Els nostres experiments van utilitzar una capa oculta amb només 20 nodes ocults amb funcions d'activació no lineal. Utilitzem 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 interns i externs i es va estimar l'edat de les dents.
Es va desenvolupar un algoritme de classificació que utilitza la maduresa de quatre dents al conjunt d'entrenament per predir si una mostra té 18 anys o no. Per construir el model, vam derivar set algoritmes 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 algoritmes de classificació més utilitzats44. És un algoritme d'aprenentatge supervisat que utilitza la regressió per predir la probabilitat que les dades pertanyin a una determinada categoria 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 algoritmes d'aprenentatge automàtic més senzills45. Quan se li donen noves dades d'entrada, troba k dades properes al conjunt existent i després les classifica a la classe amb la freqüència més alta. Vam establir 3 per al nombre de veïns considerats (k). SVM és un algoritme que maximitza la distància entre dues classes mitjançant 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 polinòmic. DT s'ha aplicat en diversos camps com a algoritme per dividir un conjunt de dades complet en diversos subgrups representant regles de decisió en una estructura d'arbre47. El model està configurat 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 conjunt que combina múltiples DT per millorar el rendiment mitjançant un mètode d'agregació bootstrap que genera un classificador feble per a cada mostra extraient aleatòriament mostres de la mateixa mida diverses vegades del conjunt de dades original48. Vam utilitzar 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 algoritme 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 algoritme àmpliament utilitzat pel seu bon rendiment i eficiència de recursos, així com per la seva alta fiabilitat com a funció de correcció de sobreajustament. El model està equipat amb 400 rodes de suport. L'MLP és una xarxa neuronal en què un o més perceptrons formen múltiples capes amb una o més capes ocultes entre les capes d'entrada i 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 cap enrere. Vam crear una capa oculta amb 20 neurones ocultes a cada capa. Cada model que vam desenvolupar 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 relació entre 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.
Els estadis dentals avaluats en el conjunt d'entrenament es van convertir en estadis numèrics per a l'anàlisi estadística. Es va realitzar una regressió lineal i logística multivariant per desenvolupar models predictius per a cada sexe i derivar fórmules de regressió que es puguin utilitzar per estimar l'edat. Vam utilitzar 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 el MAE i el RMSE utilitzant les edats estimades i reals dels conjunts de proves interns i externs. 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 el RMSE dels conjunts de proves interns i externs calculats mitjançant DM i la regressió tradicional. El rendiment de classificació del tall de 18 anys en estadístiques tradicionals es va avaluar mitjançant una taula de contingència de 2 × 2. La sensibilitat, l'especificitat, el PPV, el NPV i l'AUROC calculats 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 (%) segons les característiques de les dades. Els valors P bilaterals <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 en Python utilitzant el backend Keras50 2.2.4 i Tensorflow51 1.8.0 específicament per a operacions matemàtiques. El model de classificació DM es va implementar a l'entorn d'anàlisi de coneixement Waikato 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 als materials complementaris. Els conjunts de dades generats i/o analitzats durant l'estudi estan disponibles a través de l'autor corresponent si es sol·licita de manera raonable.
Ritz-Timme, S. et al. Avaluació de l'edat: estat de la tècnica per satisfer els requisits específics de la pràctica forense. Internacionalitat. J. Legal Medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., i Olze, A. Estat actual de l'avaluació forense de l'edat de subjectes vius amb finalitats de processament penal. Forensics. Medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. Un mètode modificat per avaluar l'edat dental de nens de 5 a 16 anys a l'est de la Xina. clinical. Oral survey. 25, 3463–3474 (2021).
Lee, SS etc. Cronologia del desenvolupament dels segons i tercers molars en coreans i la seva aplicació per a l'avaluació forense de l'edat. internacionalitat. J. Medicina Legal. 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 basat en la maduresa dels segons i tercers molars en coreans i japonesos. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. L'anàlisi de dades preoperatòries basades en l'aprenentatge automàtic pot predir el resultat del tractament de la cirurgia del son en pacients amb AOS. The Science. Report 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. Legal Medicine. 136, 821–831 (2022).
Khan, S. i Shaheen, M. De la mineria de dades a la mineria de dades. J.Information. la ciència. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. i Shaheen, M. WisRule: El primer algoritme cognitiu per a la mineria de regles d'associació. J.Information. 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. *calculate*. Matt. *continue*. 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. Tecnologies de la informació. 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 i aplicacions https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. El repte de l'aprenentatge automàtic de la RSNA en l'edat òssia pediàtrica. Radiology 290, 498–503 (2019).
Li, Y. et al. Estimació forense de l'edat a partir de radiografies pèlviques mitjançant aprenentatge profund. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Classificació precisa per edats mitjançant mètodes manuals i xarxes neuronals convolucionals profundes a partir d'imatges de projecció ortogràfica. Internationality. J. Legal Medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimació de l'edat òssia mitjançant diferents mètodes d'aprenentatge automàtic: una 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 d'afroamericans i xinesos basada en els volums de la cambra pulpar dels primers molars mitjançant tomografia computada de feix cònic. Internationality. J. Legal Medicine. 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 de l'edat i classificació de la majoria d'edat a partir de dades de ressonància magnètica multivariants. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. i Li, G. Estimació de l'edat basada en la segmentació 3D de la cambra pulpar dels primers molars a partir de la tomografia computada de feix cònic mitjançant la integració d'aprenentatge profund i conjunts de nivells. Internationality. J. Legal Medicine. 135, 365–373 (2021).
Wu, WT, et al. Mineria de dades en big data clínica: bases de dades, passos i mètodes comuns. World. Medicine. Resource. 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 d'estadificació de Demirdjian. Internationality. J. Legal Medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. i Tanner, JM Un nou sistema per avaluar l'edat dental. Snort. Biology. 45, 211–227 (1973).
Landis, JR, i Koch, GG Mesures de concordança d'observadors en dades categòriques. Biometrics 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. Recurs d'informació sanitària. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Data de publicació: 04-01-2024