Þakka þér fyrir að heimsækja Nature.com. Útgáfan af vafranum sem þú notar hefur takmarkaðan CSS stuðning. Til að ná sem bestum árangri mælum við með að nota nýrri útgáfu af vafranum þínum (eða slökkva á eindrægni í Internet Explorer). Í millitíðinni, til að tryggja áframhaldandi stuðning, erum við að sýna vefinn án þess að stíl eða JavaScript.
Tennur eru taldar nákvæmustu vísbendingar um aldur mannslíkamans og eru oft notaðir við réttaraldur. Við miðuðum að því að staðfesta mat á námsaldri í gagnavinnslu með því að bera saman mat á nákvæmni og afköstum 18 ára viðmiðunarmörkum við hefðbundnar aðferðir og aldursáætlun fyrir námuvinnslu. Alls var safnað 2657 panoramic röntgenmyndum frá kóreskum og japönskum ríkisborgurum á aldrinum 15 til 23 ára. Þeim var skipt í þjálfunarsett, sem hvor um sig innihélt 900 kóreskar röntgenmyndir og innra prófunarsett sem innihélt 857 japanskar röntgenmyndir. Við bárum saman flokkunarnákvæmni og skilvirkni hefðbundinna aðferða við prófunarsett af gagnavinnslulíkönum. Nákvæmni hefðbundinnar aðferðar við innra prófunarsettið er aðeins hærri en í gagnavinnslulíkaninu og munurinn er lítill (meðaltal alger villa <0,21 ár, rótarmeðaltal ferningsvilla <0,24 ár). Flokkunarárangur fyrir 18 ára niðurskurð er einnig svipaður milli hefðbundinna aðferða og gagnavinnslulíkana. Þannig er hægt að skipta um hefðbundnar aðferðir með gagnavinnslulíkönum þegar gerð er réttarmatsmat með því að nota þroska annarrar og þriðju molar hjá kóreskum unglingum og ungum fullorðnum.
Mat á aldursaldri er mikið notað í réttarlækningum og tannlækningum. Sérstaklega, vegna mikillar fylgni milli tímaröðar aldurs og tannlækninga, er aldursmat eftir þroska stigs tannlækninga mikilvæg viðmiðun til að meta aldur barna og unglinga1,2,3. Hins vegar, fyrir ungt fólk, hefur mat á tannlækningum byggð á tannþroska sínum takmarkanir vegna þess að tannvöxtur er næstum því fullur, að undanskildum þriðju mólunum. Lagalegur tilgangur að ákvarða aldur ungs fólks og unglinga er að veita nákvæmar áætlanir og vísindalegar vísbendingar um hvort þeir hafi náð meirihlutaaldri. Í læknisfræðilegri vinnubrögðum unglinga og ungra fullorðinna í Kóreu var aldur áætlaður með því að nota aðferð Lee og var spáð löglegum þröskuld 18 ára út frá þeim gögnum sem OH et al 5 greindi frá.
Vélanám er tegund gervigreind (AI) sem lærir ítrekað og flokkar mikið magn gagna, leysir vandamál á eigin spýtur og rekur forritun gagna. Vélanám getur uppgötvað gagnlegt falið mynstur í miklu magni af gögnum6. Aftur á móti geta klassískar aðferðir, sem eru vinnuaflsfrekar og tímafrekar, haft takmarkanir þegar verið er að takast á við mikið magn af flóknum gögnum sem erfitt er að vinna úr handvirkt7. Þess vegna hafa margar rannsóknir verið gerðar að undanförnu með því að nota nýjustu tölvutækni til að lágmarka mannleg mistök og vinna skilvirkt fjölvíddargögn8,9,10,11,12. Sérstaklega hefur djúpt nám verið mikið notað við greiningar á læknisfræðilegum myndum og greint hefur verið frá því að ýmsar aðferðir við aldursmat með því að greina röntgenmyndir sjálfkrafa bæti nákvæmni og skilvirkni aldursáætlunar13,14,15,16,17,18,19,20 . Sem dæmi má nefna að Halabi o.fl. 13 þróuðu reiknirit vélanáms sem byggðist á taugakerfum (CNN) til að meta beinagrind með því að nota röntgenmyndir af höndum barna. Þessi rannsókn leggur til líkan sem beitir vélanámi við læknisfræðilegar myndir og sýnir að þessar aðferðir geta bætt greiningarnákvæmni. Li o.fl.14 Áætlaður aldur frá röntgenmyndum í grindarholi með því að nota djúpt nám CNN og bera þær saman við aðhvarfsárangur með því að nota mat á beinmyndun. Þeir komust að því að djúpt nám CNN líkanið sýndi frammistöðu á sama aldri og hefðbundið aðhvarfslíkan. Rannsókn Guo o.fl. [15] lagði mat á aldursþolflokkunarárangur CNN tækni byggð á tannlækningum tannlækninga og niðurstöður CNN líkansins sannuðu að menn gengu betur en aldursflokkunarárangur þess.
Flestar rannsóknir á aldursmati með því að nota vélanám notkun djúp námsaðferðir13,14,15,16,17,18,19,20. Sagt er að aldursmat byggt á djúpu námi sé nákvæmara en hefðbundnar aðferðir. Hins vegar veitir þessi aðferð lítið tækifæri til að kynna vísindalegan grunn fyrir aldursmat, svo sem aldursvísar sem notaðir eru í áætlunum. Það er einnig lagalegur ágreiningur um hverjir stunda skoðanirnar. Þess vegna er erfitt að samþykkja aldursmat byggt á djúpu námi af stjórnsýslu- og dómstólum. Gagnavinnsla (DM) er tækni sem getur uppgötvað ekki aðeins búist við heldur einnig óvæntum upplýsingum sem aðferð til að uppgötva gagnlegar fylgni milli mikils magns af gögnum6,21,22. Vélanám er oft notað við námuvinnslu gagna og bæði gagnavinnsla og vélanám nota sömu lykil reiknirit til að uppgötva mynstur í gögnum. Aldursmat með því að nota tannþroska er byggt á mati prófdómara á þroska marktanna og þetta mat er gefið upp sem stig fyrir hverja marktönn. Hægt er að nota DM til að greina fylgni milli tannmatsstigs og raunverulegs aldurs og hefur möguleika á að skipta um hefðbundna tölfræðigreiningu. Þess vegna, ef við notum DM tækni á aldursmat, getum við innleitt vélanám í réttaraldri mat án þess að hafa áhyggjur af lagalegri ábyrgð. Nokkrar samanburðarrannsóknir hafa verið birtar á mögulegum valkostum við hefðbundnar handvirkar aðferðir sem notaðar eru við réttarvenjur og EBM-byggðar aðferðir til að ákvarða tannlækna. Shen o.fl.23 sýndi að DM líkanið er nákvæmara en hefðbundin myndavélarformúla. Galibourg o.fl.
Til að meta tannaldur kóreskra unglinga og ungra fullorðinna er aðferð Lee 4 notuð mikið í réttarvenjum kóreskra. Þessi aðferð notar hefðbundna tölfræðigreiningu (svo sem margfeldi aðhvarf) til að kanna tengsl kóreskra einstaklinga og tímaröð. Í þessari rannsókn eru aldursmatsaðferðir fengnar með hefðbundnum tölfræðilegum aðferðum skilgreindar sem „hefðbundnar aðferðir.“ Aðferð Lee er hefðbundin aðferð og nákvæmni hennar hefur verið staðfest af Oh o.fl. 5; Samt sem áður er notagildi aldursáætlunar sem byggist á DM líkaninu í réttarvenjum kóresks enn vafasöm. Markmið okkar var að staðfesta vísindalega mögulega notagildi aldursmats út frá DM líkaninu. Tilgangurinn með þessari rannsókn var (1) að bera saman nákvæmni tveggja DM líkana við mat á tannaldri og (2) til að bera saman flokkunarárangur 7 DM líkana á 18 ára aldri við þær sem fengnar voru með hefðbundnum tölfræðilegum aðferðum Þroski annarrar og þriðja molar í báðum kjálkum.
Leiðir og staðalfrávik á tímaröð eftir stigi og tanngerð eru sýnd á netinu í viðbótartöflu S1 (þjálfunarsett), viðbótartafla S2 (innra prófunarsett) og viðbótartafla S3 (ytri prófunarsett). Kappa gildi fyrir áreiðanleika innan og millibili sem fengust úr þjálfunarsettinu voru 0,951 og 0,947, í sömu röð. P gildi og 95% öryggisbil fyrir Kappa gildi eru sýnd í viðbótartöflu S4 á netinu. Kappa gildi var túlkað sem „næstum fullkomið“, í samræmi við viðmið Landis og Koch26.
Þegar borið er saman meðaltal algera villu (MAE) gengur hefðbundin aðferð aðeins betur en DM líkanið fyrir öll kyn og í ytri karlprófasettinu, að undanskildum fjöllaga perceptron (MLP). Munurinn á hefðbundnu líkaninu og DM líkaninu á innra MAE prófunarsettinu var 0,12–0,19 ár hjá körlum og 0,17–0,21 ár fyrir konur. Fyrir ytri prófunarrafhlöðu er munurinn minni (0,001–0,05 ár hjá körlum og 0,05–0,09 ár hjá konum). Að auki er meðaltal ferningsvilla rótarinnar (RMSE) aðeins lægri en hefðbundin aðferð, með minni mun (0,17–0,24, 0,2–0,24 fyrir karlkyns innra prófasettið, og 0,03–0,07, 0,04–0,08 fyrir utanaðkomandi prófunarsett). ). MLP sýnir aðeins betri afköst en Single Layer Perceptron (SLP), nema þegar um er að ræða kvenkyns ytri prófunarsett. Fyrir MAE og RMSE skorar ytri prófunarstillingin hærri en innra prófunarsettið fyrir öll kyn og gerðir. Öll MAE og RMSE eru sýnd í töflu 1 og mynd 1.
MAE og RMSE af hefðbundnum aðhvarfslíkönum. Meðal alger villa MAE, rótarmeðaltal ferningur villa RMSE, Single Layer Perceptron SLP, Mulilayer Perceptron MLP, hefðbundin CM aðferð.
Sýnt var fram á flokkunarárangur (með niðurskurði 18 ára) af hefðbundnum og DM gerðum með tilliti til næmni, sértækni, jákvætt forspárgildi (PPV), neikvætt forspárgildi (NPV) og svæði undir einkennandi ferli móttakara (Auroc) 27 (tafla 2, mynd 2 og viðbótar mynd 1 á netinu). Hvað varðar næmi innri prófunarrafhlöðunnar, voru hefðbundnar aðferðir bestar meðal karla og verra meðal kvenna. Mismunurinn á flokkunarárangri milli hefðbundinna aðferða og SD er hins vegar 9,7% hjá körlum (MLP) og aðeins 2,4% hjá konum (XGBoost). Meðal DM módela sýndi aðhvarf (LR) betri næmi hjá báðum kynjum. Varðandi sérstöðu innra prófunarsettsins kom fram að fjórar SD líkönin gengu vel hjá körlum, en hefðbundin líkan stóð sig betur hjá konum. Mismunur á flokkunarárangri fyrir karla og konur er 13,3% (MLP) og 13,1% (MLP), hver um sig, sem bendir til þess að mismunur á flokkunarárangri milli líkana sé meiri en næmi. Meðal DM módela fóru stuðningsvektorvélin (SVM), ákvörðunartré (DT) og Random Forest (RF) líkönin best meðal karla, en LR líkanið stóð sig best meðal kvenna. Auroc hinnar hefðbundnu líkans og allra SD módel var meiri en 0,925 (K-NAREST nágranni (KNN) hjá körlum), sem sýndi fram á framúrskarandi flokkunarárangur við að greina 18 ára sýni28. Fyrir ytri prófunarsettið var lækkun á frammistöðu flokkunar hvað varðar næmi, sértæki og AUROC samanborið við innra prófunarsettið. Ennfremur var mismunur á næmi og sértækni milli flokkunarárangurs bestu og verstu gerða á bilinu 10% til 25% og var meiri en munurinn á innra prófunarsettinu.
Næmi og sértæki flokkunarlíkana um námuvinnslu samanborið við hefðbundnar aðferðir með 18 ár. Knn K Næsti nágranni, SVM Support Vector Machine, LR Logistic aðhvarf, DT Decision Tree, RF Random Forest, XGB XGBoost, MLP Mulilayer Perceptron, hefðbundin CM aðferð.
Fyrsta skrefið í þessari rannsókn var að bera saman nákvæmni mats á tannaldri sem fengin voru úr sjö DM gerðum og þau sem fengust með hefðbundinni aðhvarf. MAE og RMSE voru metin í innri prófunarbúnaði fyrir bæði kynin og munurinn á hefðbundinni aðferð og DM líkaninu var á bilinu 44 til 77 daga fyrir MAE og frá 62 til 88 daga fyrir RMSE. Þrátt fyrir að hefðbundin aðferð hafi verið aðeins nákvæmari í þessari rannsókn er erfitt að álykta hvort svona lítill munur hafi klíníska eða hagnýta þýðingu. Þessar niðurstöður benda til þess að nákvæmni mats á tannaldri með því að nota DM líkanið sé næstum því sama og hefðbundin aðferð. Beinn samanburður við niðurstöður úr fyrri rannsóknum er erfiður vegna þess að engin rannsókn hefur borið saman nákvæmni DM líkana við hefðbundnar tölfræðilegar aðferðir með því að nota sömu tækni til að skrá tennur á sama aldursbil og í þessari rannsókn. Galibourg o.fl. Þeir greindu frá því að öll DM módel væru nákvæmari en hefðbundnar aðferðir, en mismunurinn var 0,20 og 0,38 ár í MAE og 0,25 og 0,47 ár í RMSE samanborið við Willems og Demirdjian aðferðir, hver um sig. Misræmið milli SD líkansins og hefðbundinna aðferða sem sýndar eru í Halibourg rannsókninni tekur mið af fjölmörgum skýrslum30,31,32,33 að Demirdjian aðferðin áætlar ekki nákvæmlega tannaldur í öðrum íbúum en frönsku Kanadamönnum sem rannsóknin byggði á. Í þessari rannsókn. Tai o.fl. 34 notuðu MLP reikniritið til að spá fyrir um tannaldur frá 1636 kínverskum tannréttingum og báru saman nákvæmni þess við niðurstöður Demirjian og Willems aðferðarinnar. Þeir greindu frá því að MLP hafi meiri nákvæmni en hefðbundnar aðferðir. Munurinn á Demirdjian aðferðinni og hefðbundinni aðferð er <0,32 ár, og Willems aðferðin er 0,28 ár, sem er svipuð niðurstöðum þessarar rannsóknar. Niðurstöður þessara fyrri rannsókna24,34 eru einnig í samræmi við niðurstöður þessarar rannsóknar og aldursmats nákvæmni DM líkansins og hefðbundin aðferð eru svipuð. Hins vegar, á grundvelli fyrirliggjandi niðurstaðna, getum við aðeins ályktað varlega að notkun DM líkana til að meta aldur geti komið í stað núverandi aðferða vegna skorts á samanburði og viðmiðun fyrri rannsókna. Eftirfylgni rannsókna sem nota stærri sýni eru nauðsynlegar til að staðfesta niðurstöðurnar sem fengust í þessari rannsókn.
Meðal rannsókna sem prófa nákvæmni SD við mat á tannaldri sýndu sumir meiri nákvæmni en rannsókn okkar. Stepanovsky o.fl. 35 beittu 22 SD gerðum á útsýni af 976 tékkneskum íbúum á aldrinum 2,7 til 20,5 ára og prófuðu nákvæmni hvers líkans. Þeir metu þróun alls 16 efri og neðri vinstri varanlegar tennur með því að nota flokkunarviðmið sem Moorrees o.fl. 36 hafa lagt til. MAE er á bilinu 0,64 til 0,94 ár og RMSE er á bilinu 0,85 til 1,27 ár, sem eru nákvæmari en tvö DM líkön sem notuð voru í þessari rannsókn. Shen o.fl. Þeir sýndu að öll þrjú DM módelin hafa meiri nákvæmni miðað við hefðbundna myndavélarformúluna. MAE og RMSE í rannsókn Shen voru lægri en í DM líkaninu í þessari rannsókn. Aukin nákvæmni rannsókna Stepanovsky o.fl. 35 og Shen o.fl. 23 getur verið vegna þess að yngri einstaklingar eru teknir inn í rannsóknarsýni þeirra. Vegna þess að aldursáætlun fyrir þátttakendur með þróun tanna verða nákvæmari eftir því sem fjöldi tanna eykst við tannþroska, getur verið í hættu á nákvæmni aldursmatsaðferðarinnar þegar þátttakendur rannsóknarinnar eru yngri. Að auki er villa MLP í aldursáætlun aðeins minni en SLP, sem þýðir að MLP er nákvæmari en SLP. MLP er talið aðeins betra fyrir aldursmat, hugsanlega vegna falinna laga í MLP38. Hins vegar er undantekning fyrir ytra úrtak kvenna (SLP 1.45, MLP 1.49). Niðurstaðan um að MLP sé nákvæmari en SLP við mat á aldri krefst frekari afturvirkra rannsókna.
Einnig var borið saman flokkunarárangur DM líkansins og hefðbundna aðferð við 18 ára þröskuld. Öll prófuð SD líkön og hefðbundnar aðferðir við innra prófunarsettið sýndu nánast ásættanlegt mismunun fyrir 18 ára úrtak. Næmi fyrir karla og konur var meira en 87,7% og 94,9%, í sömu röð, og sértækni var meiri en 89,3% og 84,7%. Auroc allra prófaðra gerða fer einnig yfir 0,925. Eftir því sem best er vitað hefur engin rannsókn prófað árangur DM líkansins fyrir 18 ára flokkun byggða á tannþroska. Við getum borið saman niðurstöður þessarar rannsóknar við flokkunarárangur djúps námslíkana á útsýni. Guo o.fl.15 reiknaði út flokkunarárangur CNN-undirstaða djúp námslíkans og handvirk aðferð byggð á aðferð Demirjian fyrir ákveðinn aldursþröskuld. Næmi og sértæki handvirkrar aðferðar voru 87,7% og 95,5%, í sömu röð, og næmi og sértæki CNN líkansins fór yfir 89,2% og 86,6%, í sömu röð. Þeir komust að þeirri niðurstöðu að djúp námslíkön geti komið í stað eða gengið fram úr handvirku mati við að flokka aldursviðmiðunarmörk. Niðurstöður þessarar rannsóknar sýndu svipaða flokkunarárangur; Talið er að flokkun með DM líkönum geti komið í stað hefðbundinna tölfræðilegra aðferða fyrir aldursmat. Meðal líkana var DM LR besta líkanið hvað varðar næmi fyrir karlkyns sýnið og næmi og sértæki fyrir kvenkyns sýnið. LR er í öðru sæti í sérstöðu fyrir karla. Ennfremur er LR talið vera ein af notendavænni DM35 gerðum og er minna flókin og erfitt að vinna úr. Byggt á þessum niðurstöðum var LR talið besta lokunarlíkanið fyrir 18 ára börn hjá Kóreumönnum.
Á heildina litið var nákvæmni aldursmats eða flokkunarárangurs á ytri prófunarsettinu léleg eða lægri miðað við niðurstöðurnar á innra prófunarsettinu. Sumar skýrslur benda til þess að flokkunarnákvæmni eða skilvirkni minnki þegar aldursáætlun byggð á Kóreumönnum er beitt á japanska íbúa 5,39 og svipað mynstur fannst í þessari rannsókn. Þessi versnandi þróun sást einnig í DM líkaninu. Þess vegna, til að meta nákvæmlega aldur, jafnvel þegar DM er notað í greiningarferlinu, ætti að vera valinn aðferðir sem fengnar eru úr innfæddum íbúagögnum, svo sem hefðbundnum aðferðum, 5,39,40,41,42. Þar sem óljóst er hvort djúp námslíkön geta sýnt svipaða þróun, er þörf á rannsóknum sem bera saman flokkunarnákvæmni og skilvirkni með hefðbundnum aðferðum, DM líkönum og djúpum námslíkönum á sömu sýnum til að staðfesta hvort gervigreind geti sigrast á þessum kynþáttamisrétti á takmörkuðum aldri. Mat.
Við sýnum fram á að hægt er að skipta um hefðbundnar aðferðir með aldursmati byggð á DM líkaninu í réttaráritun í Kóreu. Við uppgötvuðum einnig möguleikann á að innleiða vélanám til réttar aldursmats. Hins vegar eru skýrar takmarkanir, svo sem ófullnægjandi fjöldi þátttakenda í þessari rannsókn til að ákvarða endanlega niðurstöðurnar, og skortur á fyrri rannsóknum til að bera saman og staðfesta niðurstöður þessarar rannsóknar. Í framtíðinni ættu DM rannsóknir að fara fram með stærri fjölda sýna og fjölbreyttari íbúa til að bæta hagnýta notagildi þess samanborið við hefðbundnar aðferðir. Til að sannreyna hagkvæmni þess að nota gervigreind til að meta aldur í mörgum íbúum er þörf á framtíðarrannsóknum til að bera saman flokkunarnákvæmni og skilvirkni DM og djúp námslíkön við hefðbundnar aðferðir í sömu sýnum.
Rannsóknin notaði 2.657 réttindaljósmyndir sem safnað var frá kóreskum og japönskum fullorðnum á aldrinum 15 til 23 ára. Kóreskum röntgenmyndum var skipt í 900 þjálfunarsett (19,42 ± 2,65 ár) og 900 innri prófunarsett (19,52 ± 2,59 ár). Þjálfunarsettinu var safnað á einni stofnun (Seoul St. Mary's Hospital) og eigin prófunarsettinu var safnað á tveimur stofnunum (Seoul National University Dental Hospital og Yonsei University Dental Hospital). Við söfnuðum einnig 857 röntgenmyndum úr öðrum íbúum sem byggjast á íbúum (IWATE Medical University, Japan) til utanaðkomandi prófana. Röntgenmyndir af japönskum einstaklingum (19,31 ± 2,60 ár) voru valdir sem ytri prófunarsettið. Gögnum var safnað afturvirkt til að greina stig tannþróunar á útsýni sem tekin voru við tannmeðferð. Öll gögn sem safnað var voru nafnlaus nema kyn, fæðingardagur og röntgenmynd. Skilyrði fyrir þátttöku og útilokun voru þau sömu og áður birtar rannsóknir 4, 5. Raunverulegur aldur sýnisins var reiknaður með því að draga fæðingardag frá þeim degi sem röntgenmyndin var tekin. Úrtakshópnum var skipt í níu aldurshópa. Aldurs- og kyndreifingin er sýnd í töflu 3 Þessi rannsókn var gerð í samræmi við yfirlýsingu Helsinki og samþykkt af stofnananefndinni (IRB) í Seoul St. Mary's Hospital við kaþólska háskólann í Kóreu (KC22WISI0328). Vegna afturvirkrar hönnunar þessarar rannsóknar var ekki hægt að fá upplýst samþykki frá öllum sjúklingum sem fóru í röntgenmyndatöku í meðferðarskyni. Seoul Korea háskólinn St. Mary's Hospital (IRB) afsalaði kröfunni um upplýst samþykki.
Þróunarstig bimaxillary annarra og þriðja molar voru metnir samkvæmt Demircan viðmiðum25. Aðeins ein tönn var valin ef sams konar tönn fannst á vinstri og hægri hlið hvers kjálka. Ef einsleitar tennur beggja vegna voru á mismunandi þroskastigum var tönnin með lægra þroskastig valin til að gera grein fyrir óvissu á áætluðum aldri. Hundrað valin röntgenmyndir af handahófi úr æfingasettinu voru skoraðar af tveimur reyndum áheyrnarfulltrúum til að prófa áreiðanleika interobserver eftir forstillingu til að ákvarða tannþroska stigs. Áreiðanleiki í legslímu var metinn tvisvar með þriggja mánaða millibili af aðaláhorfandanum.
Kynlífs- og þroskastig annarrar og þriðja molar hverrar kjálka í þjálfunarsettinu voru metnir af aðal áheyrnarfulltrúa sem þjálfaðir voru með mismunandi DM gerðum og raunverulegur aldur var stilltur sem markgildið. SLP og MLP líkön, sem eru mikið notuð við vélanám, voru prófuð gegn aðhvarfsalgrími. DM líkanið sameinar línulegar aðgerðir með því að nota þroskastig fjögurra tanna og sameinar þessi gögn til að meta aldur. SLP er einfaldasta taugakerfið og inniheldur ekki falin lög. SLP virkar byggð á þröskuldaflutningi milli hnúta. SLP líkanið í aðhvarfi er stærðfræðilega svipað mörgum línulegri aðhvarfi. Ólíkt SLP líkaninu hefur MLP líkanið mörg falin lög með ólínulegum virkjunaraðgerðum. Tilraunir okkar notuðu falið lag með aðeins 20 falnum hnútum með ólínulegum virkjunaraðgerðum. Notaðu halla uppruna sem hagræðingaraðferð og MAE og RMSE sem tapaðgerð til að þjálfa vélinámslíkanið okkar. Besta aðhvarfslíkanið var beitt á innri og ytri prófunarsettin og aldur tanna var áætlaður.
Þróað var flokkunaralgrími sem notar þroska fjögurra tanna á þjálfuninni sem ætlað er að spá fyrir um hvort sýnishorn sé 18 ára eða ekki. Til að byggja upp líkanið fengum við sjö framsetning vélanámsalgrím6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, og (7) MLP . LR er ein mest notaða flokkunaralgrímið44. Það er eftirlits reiknirit sem notar aðhvarf til að spá fyrir um líkurnar á gögnum sem tilheyra ákveðnum flokki frá 0 til 1 og flokkar gögnin sem tilheyra líklegri flokki út frá þessum líkum; aðallega notað til tvöfaldrar flokkunar. KNN er ein einfaldasta reiknirit vélanáms45. Þegar gefin eru ný innsláttargögn finnur það K gögn nálægt núverandi setti og flokkar þau síðan í bekkinn með hæstu tíðni. Við settum 3 fyrir fjölda nágranna sem talin eru (k). SVM er reiknirit sem hámarkar fjarlægðina milli tveggja flokka með því að nota kjarnaaðgerð til að stækka línulega rýmið í ólínulegt rými sem kallast Fields46. Fyrir þetta líkan notum við hlutdrægni = 1, máttur = 1 og gamma = 1 sem hyperparameters fyrir margliða kjarna. DT hefur verið beitt á ýmsum sviðum sem reiknirit til að deila heilu gögnum í nokkra undirhópa með því að tákna ákvörðunarreglur í trjábyggingu47. Líkanið er stillt með lágmarksfjölda skrár á hvern hnút af 2 og notar Gini vísitöluna sem mælikvarða á gæði. RF er samsetningaraðferð sem sameinar marga DTS til að bæta árangur með því að nota bootstrap samsöfnun aðferð sem býr til veikan flokkara fyrir hvert sýni með því að teikna sýnishorn af af handahófi af sömu stærð margfalt frá upprunalegu gagnapakkanum. Við notuðum 100 tré, 10 trjádýpi, 1 lágmarks hnútastærð og Gini blöndu vísitölu sem aðskilnaðarviðmið hnút. Flokkun nýrra gagna ræðst af meirihluta atkvæða. XGBoost er reiknirit sem sameinar uppörvun tækni með því að nota aðferð sem tekur sem þjálfunargögn Villan milli raunverulegs og spáðra gilda fyrri líkansins og eykur villuna með því að nota Gradients49. Það er mikið notað reiknirit vegna góðs afkasta og skilvirkni auðlinda, svo og mikil áreiðanleiki sem ofgnótt leiðréttingaraðgerð. Líkanið er búið 400 stuðningshjólum. MLP er taugakerfi þar sem eitt eða fleiri perceptrons mynda mörg lög með einu eða fleiri falnum lögum milli inntaks og framleiðsla lag38. Með því að nota þetta geturðu framkvæmt ólínulega flokkun þar sem þegar þú bætir við inntakslagi og fengið árangursgildi, er spáð árangursgildi borið saman við raunverulegt árangursgildi og villan er fjölgað til baka. Við bjuggum til falið lag með 20 falnum taugafrumum í hverju lagi. Hvert líkan sem við þróuðum var beitt á innri og ytri sett til að prófa árangur flokkunar með því að reikna næmi, sértæki, PPV, NPV og Auroc. Næmi er skilgreint sem hlutfall sýnisins sem áætlað er að vera 18 ára eða eldri og úrtak sem áætlað er að vera 18 ára eða eldri. Sértækni er hlutfall sýna yngri en 18 ára og þau sem áætluð er yngri en 18 ára.
Tannstigunum sem metin voru í þjálfunarsettinu var breytt í tölulegar stig fyrir tölfræðigreiningu. Fjölbreytileg línuleg og skipulagð aðhvarf var gerð til að þróa forspárlíkön fyrir hvert kyn og öðlast aðhvarfsformúlur sem hægt er að nota til að meta aldur. Við notuðum þessar formúlur til að meta tannaldur bæði fyrir innri og ytri prófunarsett. Tafla 4 sýnir aðhvarfs- og flokkunarlíkön sem notuð eru í þessari rannsókn.
Áreiðanleiki innan og millibili var reiknaður út með því að nota Kappa tölfræði Cohen. Til að prófa nákvæmni DM og hefðbundinna aðhvarfslíkana reiknuðum við MAE og RMSE með áætluðum og raunverulegum aldri innri og ytri prófa. Þessar villur eru oft notaðar til að meta nákvæmni spár líkans. Því minni sem villan er, því hærri er nákvæmni spárinnar24. Berðu saman MAE og RMSE innri og ytri prófasettanna reiknuð með DM og hefðbundinni aðhvarf. Flokkunarárangur 18 ára niðurskurðar í hefðbundinni tölfræði var metinn með 2 × 2 viðbúnaðartöflu. Reiknuð næmi, sértækni, PPV, NPV og Auroc í prófunarsettinu voru borin saman við mæld gildi DM flokkunarlíkansins. Gögn eru gefin upp sem meðaltal ± staðalfrávik eða fjöldi (%) eftir gögnum. Tvíhliða P gildi <0,05 voru talin tölfræðilega marktæk. Allar venjubundnar tölfræðilegar greiningar voru gerðar með SAS útgáfu 9.4 (SAS Institute, Cary, NC). DM aðhvarfslíkanið var útfært í Python með því að nota Keras50 2.2.4 Backend og TensorFlow51 1.8.0 sérstaklega fyrir stærðfræðilega aðgerðir. DM flokkunarlíkanið var útfært í Waikato þekkingargreiningarumhverfi og Konstanz Information Miner (KNIME) 4.6.152 greiningarpallur.
Höfundarnir viðurkenna að gögn sem styðja ályktanir rannsóknarinnar er að finna í greininni og viðbótarefni. Gagnapakkarnir sem myndaðir voru og/eða greindir meðan á rannsókninni stóð eru fáanlegir frá samsvarandi höfundi með hæfilegri beiðni.
Ritz-Timme, S. o.fl. Aldursmat: nýjustu mála til að uppfylla sérstakar kröfur réttarvenja. Alþjóðlegt er. J. Legal Medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., og Olze, A. Núverandi staða réttarárangurs mats á lifandi einstaklingum í sakamálum. Réttar. lyf. Meinafræði. 1, 239–246 (2005).
Pan, J. o.fl. Breytt aðferð til að meta tannaldur barna á aldrinum 5 til 16 ára í austurhluta Kína. klínískt. Munnkönnun. 25, 3463–3474 (2021).
Lee, SS o.fl. tímaröð um þróun annarrar og þriðju molar í Kóreumönnum og beitingu þess um réttarmat. Alþjóðlegt er. J. Legal Medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, Sy og Lee, SS Nákvæmni aldursmats og mat á 18 ára þröskuldinum miðað við þroska annarrar og þriðju molar í Kóreumönnum og Japönum. PLOS ONE 17, E0271247 (2022).
Kim, JY, o.fl. Gagnagreining fyrir aðgerð fyrir aðgerð getur spáð fyrir um niðurstöðu svefnaðgerða hjá sjúklingum með OSA. Vísindin. Skýrsla 11, 14911 (2021).
Han, M. o.fl. Nákvæmt aldursmat frá vélanámi með eða án afskipta manna? Alþjóðlegt er. J. Legal Medicine. 136, 821–831 (2022).
Khan, S. og Shaheen, M. Frá gagnavinnslu til námuvinnslu gagna. J.Information. Vísindin. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. og Shaheen, M. Wisrule: Fyrsti vitsmunalegi reikniritið fyrir námuvinnslu samtaka. J.Information. Vísindin. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. og Abdullah U. Karm: Hefðbundin gagnavinnsla byggð á reglum sem byggjast á samhengi. Reiknið. Matt. Haltu áfram. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. og Habib M. Deep Learning byggð merkingartækni greining með textaupplýsingum. Láttu vita. tækni. stjórn. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., og Shahin, M. Kerfi til að þekkja virkni í íþróttamyndböndum. Margmiðlun. Verkfæri Forrit https://doi.org/10.1007/S11042-021-10519-6 (2021).
Halabi, SS o.fl. RSNA vélanámsáskorun á beinaldri barna. Geislalækningar 290, 498–503 (2019).
Li, Y. o.fl. Réttaraldursmat frá röntgengeislum í grindarholi með því að nota djúpt nám. Evrur. Geislun. 29, 2322–2329 (2019).
Guo, Yc, o.fl. Nákvæm aldursflokkun með handvirkum aðferðum og djúpum taugakerfum frá rétttrúnaðarmyndum. Alþjóðlegt er. J. Legal Medicine. 135, 1589–1597 (2021).
Alabama Dalora o.fl. Mat á beinaldri með því að nota mismunandi aðferðir við vélanám: Kerfisbundin bókmenntagagnrýni og meta-greining. PLOS ONE 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., og Yang, J. Mannfjöldi aldursmats á Afríkubúum og Kínverjum út frá kvoðahólfinu af fyrstu molum með því að nota keilugeislu tölvusneiðmynd. Alþjóðlegt er. J. Legal Medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK og OH KS ákvarða aldurshópa lifandi fólks með því að nota gervigreindar myndir af fyrstu molum. Vísindin. Skýrsla 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., og Urschler, M. Sjálfvirk aldursmat og aldursflokkun meirihluta úr fjölbreytilegum MRI gögnum. IEEE J. Biomed. Heilbrigðisviðvaranir. 23, 1392–1403 (2019).
Cheng, Q., GE, Z., Du, H. og Li, G. Mat á aldri byggð á 3D kvoðahólfaskipti fyrstu molar úr keilugeislanum með því að samþætta djúpt nám og stig. Alþjóðlegt er. J. Legal Medicine. 135, 365–373 (2021).
Wu, WT, o.fl. Gagnavinnsla í klínískum stórum gögnum: algengir gagnagrunnar, skref og aðferðir. Heimur. lyf. Auðlind. 8, 44 (2021).
Yang, J. o.fl. Kynning á læknisfræðilegum gagnagrunnum og gagnavinnslutækni á Big Data Era. J. Avid. Grunnlyf. 13, 57–69 (2020).
Shen, S. o.fl. Aðferð myndavélar til að meta tannöld með vélanámi. BMC munnheilsa 21, 641 (2021).
Galliburg A. o.fl. Samanburður á mismunandi vélanámsaðferðum til að spá fyrir um tannaldra með því að nota Demirdjian sviðsetningaraðferðina. Alþjóðlegt er. J. Legal Medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. og Tanner, JM Nýtt kerfi til að meta tannaldur. hrýtur. Líffræði. 45, 211–227 (1973).
Landis, Jr og Koch, GG mælingar á áheyrnarfulltrúa um flokkaleg gögn. Líffræðileg tölfræði 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK og Choi HK. Áferð, formfræðileg og tölfræðileg greining á tvívíddar segulómun með gervigreind tækni til að aðgreina aðal heilaæxli. Heilsufarsupplýsingar. Auðlind. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Post Time: Jan-04-2024