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 samhæfnistillingu í Internet Explorer).Í millitíðinni, til að tryggja áframhaldandi stuðning, sýnum við síðuna án stíls eða JavaScript.
Tennur eru taldar nákvæmasta vísbendingin um aldur mannslíkamans og eru oft notaðar við réttar aldursmat.Við stefndum að því að sannreyna aldursmat sem byggir á gagnavinnslu með því að bera saman matsnákvæmni og flokkunarframmistöðu 18 ára þröskuldsins við hefðbundnar aðferðir og aldursmat sem byggir á gagnavinnslu.Alls var safnað 2657 víðmyndum af kóreskum og japönskum ríkisborgurum á aldrinum 15 til 23 ára.Þeim var skipt í þjálfunarsett, sem hvert 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 á innra prófunarsettinu er örlítið hærri en gagnanámslíkansins og munurinn er lítill (meðaltalalvilla <0,21 ár, rótmeðaltalsskekkja <0,24 ár).Flokkunarframmistaða fyrir 18 ára frest er einnig svipuð á milli hefðbundinna aðferða og gagnavinnslulíkana.Þannig er hægt að skipta hefðbundnum aðferðum út fyrir gagnavinnslulíkön þegar réttar aldursmat er framkvæmt með því að nota þroska annars og þriðja jaxla í kóreskum unglingum og ungum fullorðnum.
Tannaldursmat er mikið notað í réttarlækningum og barnatannlækningum.Einkum vegna mikillar fylgni milli tímaröðunar og tannþroska er aldursmat eftir tannþroskastigum mikilvæg viðmiðun við mat á aldri barna og unglinga1,2,3.Hins vegar, fyrir ungt fólk, hefur mat á tannaldri út frá tannþroska sínum takmörk vegna þess að tannvöxtur er nánast lokið, að þriðju jaxlinum undanskildum.Lagalegur tilgangur aldursákvörðunar ungs fólks og unglinga er að leggja fram nákvæmar áætlanir og vísindalegar sannanir fyrir því hvort þau hafi náð fullorðinsaldri.Í læknisfræði og lögfræðistarfi ungmenna og ungra fullorðinna í Kóreu var aldur metinn með aðferð Lee og spáð var 18 ára löglegum þröskuldi á grundvelli gagna sem Oh et al 5 greindi frá.
Vélanám er tegund gervigreindar (AI) sem ítrekað lærir og flokkar mikið magn af gögnum, leysir vandamál á eigin spýtur og knýr gagnaforritun áfram.Vélnám getur uppgötvað gagnleg falin mynstur í miklu magni gagna6.Hins vegar geta klassískar aðferðir, sem eru vinnufrekar og tímafrekar, haft takmarkanir þegar fjallað er um mikið magn flókinna gagna sem erfitt er að vinna úr handvirkt7.Þess vegna hafa margar rannsóknir verið gerðar nýlega með því að nota nýjustu tölvutæknina til að lágmarka mannleg mistök og vinna úr fjölvíddargögnum á skilvirkan hátt8,9,10,11,12.Einkum hefur djúpnám verið mikið notað í læknisfræðilegri myndgreiningu og greint hefur verið frá ýmsum aðferðum við aldursmat með sjálfvirkri greiningu á röntgenmyndum til að bæta nákvæmni og skilvirkni aldursmats13,14,15,16,17,18,19,20 .Til dæmis þróuðu Halabi o.fl. 13 vélrænt reiknirit sem byggir á snúningstauganetum (CNN) til að meta aldur beinagrindarinnar með því að nota röntgenmyndir af höndum barna.Þessi rannsókn leggur til líkan sem beitir vélanámi á læknisfræðilegar myndir og sýnir að þessar aðferðir geta bætt greiningarnákvæmni.Li et al14 áætlaði aldur út frá grindarröntgenmyndum með því að nota djúpnám CNN og báru þær saman við aðhvarfsniðurstöður með því að nota beinstigsmat.Þeir komust að því að djúpnám CNN líkanið sýndi sömu aldursmatsárangur og hefðbundna aðhvarfslíkanið.Rannsókn Guo o.fl. [15] lagði mat á frammistöðu CNN-tækni við aldursþolsflokkun á grundvelli tannréttingamynda, og niðurstöður CNN líkansins sönnuðu að menn voru betri en aldursflokkunarframmistöðu þess.
Flestar rannsóknir á aldursmati með vélanámi nota djúpnámsaðferðir13,14,15,16,17,18,19,20.Talið er að aldursmat byggt á djúpu námi sé nákvæmara en hefðbundnar aðferðir.Hins vegar gefur þessi nálgun lítil tækifæri til að kynna vísindalegan grundvöll aldursmats, svo sem aldursvísa sem notaðir eru í matinu.Einnig er lagalegur ágreiningur um hver annast eftirlitið.Því er erfitt að samþykkja aldursmat sem byggist á djúpu námi af stjórnsýslu- og dómstólayfirvöldum.Gagnanám (DM) er tækni sem getur uppgötvað ekki aðeins væntar heldur einnig óvæntar upplýsingar sem aðferð til að uppgötva gagnlegar fylgni á milli mikils magns gagna6,21,22.Vélnám er oft notað í gagnavinnslu og bæði gagnanám og vélnám nota sömu lykilalgrím til að uppgötva mynstur í gögnum.Aldursmat með tannþroska byggir á mati prófdómara á þroska marktanna og er það mat gefið upp sem stig fyrir hverja marktönn.DM er hægt að nota til að greina fylgni milli tannmatsstigs og raunverulegs aldurs og getur komið í stað hefðbundinnar tölfræðilegrar greiningar.Þess vegna, ef við beitum DM tækni við aldursmat, getum við innleitt vélanám í réttarfræðilegu aldursmati án þess að hafa áhyggjur af lagalegri ábyrgð.Nokkrar samanburðarrannsóknir hafa verið birtar á mögulegum valkostum við hefðbundnar handvirkar aðferðir sem notaðar eru í réttarlækningum og EBM byggðar aðferðir til að ákvarða tannaldur.Shen et al23 sýndu að DM líkanið er nákvæmara en hefðbundin Camerer formúla.Galibourg o.fl.24 beittu mismunandi DM-aðferðum til að spá fyrir um aldur samkvæmt Demirdjian-viðmiðinu25 og niðurstöðurnar sýndu að DM-aðferðin stóð sig betur en Demirdjian og Willems-aðferðirnar við að meta aldur franska íbúa.
Til að áætla tannlæknaaldur kóreskra unglinga og ungra fullorðinna er aðferð Lee 4 mikið notuð í kóreskri réttarlækningum.Þessi aðferð notar hefðbundna tölfræðilega greiningu (eins og margfalda aðhvarf) til að skoða tengslin milli kóreskra viðfangsefna og tímaröðunar.Í þessari rannsókn eru aldursmatsaðferðir sem fengnar eru með hefðbundnum tölfræðilegum aðferðum skilgreindar sem „hefðbundnar aðferðir“.Aðferð Lee er hefðbundin aðferð og nákvæmni hennar hefur verið staðfest af Oh o.fl.5;Hins vegar er enn vafasamt hvort aldursmat byggist á DM líkaninu í kóreskri réttarlækningum.Markmið okkar var að sannreyna vísindalega hugsanlegt gagnsemi aldursmats á grundvelli DM líkansins.Tilgangur þessarar rannsóknar var (1) að bera saman nákvæmni tveggja DM líkana við mat á tannaldri og (2) að bera saman flokkunarframmistöðu 7 DM líkana við 18 ára aldur við þær sem fengust með hefðbundnum tölfræðilegum aðferðum. og þriðja jaxlinn í báðum kjálkum.
Meðaltal og staðalfrávik tímaröðunar eftir stigi og tanntegund eru sýnd á netinu í aukatöflu S1 (þjálfunarsett), viðbótartöflu S2 (innra prófunarsett) og viðbótartöflu S3 (ytra prófunarsett).Kappagildin fyrir áreiðanleika innan- og millimælenda 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.Kappagildið var túlkað sem „næstum fullkomið“, í samræmi við viðmið Landis og Koch26.
Þegar borin er saman meðaltalsvilla (MAE) er hefðbundin aðferð aðeins betri en DM líkanið fyrir öll kyn og í ytri prófunarsetti karla, að undanskildum fjöllaga perceptróni (MLP).Munurinn á hefðbundnu líkani og DM líkani á innra MAE prófunarsettinu var 0,12–0,19 ár fyrir karla og 0,17–0,21 ár fyrir konur.Fyrir ytri prófunarrafhlöðuna er munurinn minni (0,001–0,05 ár fyrir karla og 0,05–0,09 ár fyrir konur).Þar að auki er rótmeðaltalsfrávikan (RMSE) örlítið lægri en hefðbundin aðferð, með minni mun (0,17–0,24, 0,2–0,24 fyrir karlkyns innri prófunarsett og 0,03–0,07, 0,04–0,08 fyrir ytra prófunarsett).).MLP sýnir aðeins betri frammistöðu en Single Layer Perceptron (SLP), nema þegar um er að ræða ytri prófunarsett kvenna.Fyrir MAE og RMSE skorar ytri prófunarsettið hærra en innra prófasettið fyrir öll kyn og gerðir.Öll MAE og RMSE eru sýnd í töflu 1 og mynd 1.
MAE og RMSE hefðbundinna og gagnavinnslu aðhvarfslíkana.Meðalalger villa MAE, rótmeðalferningsvilla RMSE, einlags skynjari SLP, fjöllaga skynjari MLP, hefðbundin CM aðferð.
Sýnt var fram á flokkunarárangur (með 18 ára fresti) hefðbundinna og DM líkananna með tilliti til næmni, sértækni, jákvætt forspárgildi (PPV), neikvætt forspárgildi (NPV) og flatarmál undir rekstrareinkennaferil móttakara (AUROC) 27 (Tafla 2, mynd 2 og aukamynd 1 á netinu).Hvað varðar næmni innri prófunarrafhlöðunnar, reyndust hefðbundnar aðferðir best meðal karla og verr meðal kvenna.Hins vegar er munur á flokkunarframmistöðu milli hefðbundinna aðferða og SD 9,7% fyrir karla (MLP) og aðeins 2,4% fyrir konur (XGBoost).Meðal DM líkana sýndi logistic regression (LR) betra næmi hjá báðum kynjum.Varðandi sérhæfni innra prófunarsettsins kom í ljós að SD-líkönin fjögur stóðu sig vel hjá körlum en hefðbundna líkanið gekk betur hjá konum.Munurinn á flokkunarframmistöðu karla og kvenna er 13,3% (MLP) og 13,1% (MLP), í sömu röð, sem gefur til kynna að munurinn á flokkunarframmistöðu milli líkana sé meiri en næmi.Meðal DM líkananna stóðu stuðningsvektorvélin (SVM), ákvörðunartré (DT) og tilviljunarkennd skógur (RF) líkön best meðal karla, en LR líkanið stóð sig best meðal kvenna.AUROC hefðbundinna líkansins og allra SD líkananna var hærri en 0,925 (k-nearest neighbour (KNN) hjá körlum), sem sýnir framúrskarandi flokkunarframmistöðu við að greina 18 ára sýnishorn28.Fyrir ytra prófunarsettið var minnkun á flokkunarframmistöðu hvað varðar næmi, sértækni og AUROC miðað við innra prófunarsettið.Þar að auki var munurinn á næmni og sérhæfni milli flokkunarframmistöðu bestu og verstu gerðanna á bilinu 10% til 25% og var meiri en munurinn á innra prófunarsettinu.
Næmi og sérhæfni flokkunarlíkana fyrir gagnavinnslu samanborið við hefðbundnar aðferðir með 18 ára frest.KNN k næsti nágranni, SVM stuðningsvektorvél, LR logistic regression, DT ákvörðunartré, RF random skógur, XGB XGBoost, MLP fjöllaga skynjari, hefðbundin CM aðferð.
Fyrsta skrefið í þessari rannsókn var að bera saman nákvæmni aldursmats tannlækninga sem fengin voru úr sjö DM módelum við þær sem fengust með hefðbundinni aðhvarfsgerð.MAE og RMSE voru metin í innri prófunarsettum fyrir bæði kynin og munurinn á hefðbundinni aðferð og DM líkaninu var á bilinu 44 til 77 dagar fyrir MAE og frá 62 til 88 dagar fyrir RMSE.Þó hefðbundin aðferð hafi verið aðeins nákvæmari í þessari rannsókn er erfitt að álykta hvort svo lítill munur hafi klíníska eða hagnýta þýðingu.Þessar niðurstöður benda til þess að nákvæmni aldursmats tannlækna með DM líkaninu sé nánast sú sama og hefðbundinnar aðferðar.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 sömu tækni til að skrá tennur á sama aldursbili og í þessari rannsókn.Galibourg et al24 báru saman MAE og RMSE á milli tveggja hefðbundinna aðferða (Demirjian aðferð25 og Willems aðferð29) og 10 DM líkana í frönsku þýði á aldrinum 2 til 24 ára.Þeir greindu frá því að öll DM líkön væru nákvæmari en hefðbundnar aðferðir, með 0,20 og 0,38 ára mun á MAE og 0,25 og 0,47 árum í RMSE samanborið við Willems og Demirdjian aðferðirnar, í sömu röð.Misræmið milli SD líkansins og hefðbundinna aðferða sem sýndar eru í Halibourg rannsókninni tekur mið af fjölmörgum skýrslum30,31,32,33 um að Demirdjian aðferðin meti ekki nákvæmlega tannlæknaaldur hjá öðrum íbúum en frönskum Kanadamönnum sem rannsóknin var byggð á.í þessari rannsókn.Tai et al 34 notuðu MLP reikniritið til að spá fyrir um aldur tanna út frá 1636 kínverskum tannréttingamyndum 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 svipað og niðurstöður þessarar rannsóknar.Niðurstöður þessara fyrri rannsókna24,34 eru einnig í samræmi við niðurstöður þessarar rannsóknar og aldursmatsnákvæmni DM líkansins og hefðbundinnar aðferðar eru svipuð.Hins vegar, miðað við framkomnar niðurstöður, getum við aðeins ályktað varlega að notkun DM líkana til að meta aldur geti komið í stað núverandi aðferða vegna skorts á samanburðar- og viðmiðunarrannsóknum á fyrri rannsóknum.Eftirfylgnirannsóknir með stærri sýnum eru nauðsynlegar til að staðfesta niðurstöðurnar sem fengust í þessari rannsókn.
Meðal rannsókna sem prófuðu nákvæmni SD við mat á tannlæknaaldur, sýndu sumar meiri nákvæmni en rannsóknin okkar.Stepanovsky et al 35 notuðu 22 SD líkön á víðmyndatökur af 976 tékkneskum íbúum á aldrinum 2,7 til 20,5 ára og prófuðu nákvæmni hvers líkans.Þeir mátu þróun alls 16 efri og neðri vinstri varanlegra tanna með því að nota flokkunarviðmiðin sem Moorrees o.fl. lagði til 36 .MAE er á bilinu 0,64 til 0,94 ár og RMSE á bilinu 0,85 til 1,27 ár, sem eru nákvæmari en DM líkanin tvö sem notuð eru í þessari rannsókn.Shen o.fl.23 notuðu Cameriere aðferðina til að áætla tannlæknisaldur sjö varanlegra tanna í vinstri handkjálka hjá austur-Kínverjum á aldrinum 5 til 13 ára og báru hann saman við aldur sem var metinn með línulegri aðhvarf, SVM og RF.Þeir sýndu að allar þrjár DM módelin hafa meiri nákvæmni samanborið við hefðbundna Cameriere formúlu.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 úrtak þeirra.Vegna þess að aldursmat fyrir þátttakendur sem eru að þróa tennur verða nákvæmari eftir því sem tannfjöldi eykst meðan á tannþroska stendur, getur nákvæmni aldursmatsaðferðarinnar sem af því leiðir verið í hættu þegar þátttakendur rannsóknarinnar eru yngri.Að auki er villa MLP í aldursmati 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).Sú niðurstaða að MLP sé nákvæmari en SLP við mat á aldri krefst viðbótar afturskyggnra rannsókna.
Einnig var borinn saman flokkunarframmistaða DM líkansins og hefðbundinnar aðferðar við 18 ára þröskuld.Öll prófuð SD líkön og hefðbundnar aðferðir á innra prófunarsettinu sýndu nánast viðunandi stig mismununar fyrir 18 ára úrtakið.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 við best vitum hefur engin rannsókn prófað frammistöðu DM líkansins fyrir 18 ára flokkun miðað við tannþroska.Við getum borið saman niðurstöður þessarar rannsóknar við flokkunarframmistöðu djúpnámslíkana á víðmyndum.Guo o.fl.15 reiknuðu út flokkunarframmistöðu djúpnámslíkans sem byggir á CNN og handvirkri aðferð byggða á aðferð Demirjian fyrir ákveðinn aldursþröskuld.Næmi og sértækni handvirku aðferðarinnar voru 87,7% og 95,5%, í sömu röð, og næmi og sértækni CNN líkansins fór yfir 89,2% og 86,6%, í sömu röð.Þeir komust að þeirri niðurstöðu að djúpnámslíkön geti komið í stað handvirkt mats eða staðið sig betur en við flokkun aldursþröskulda.Niðurstöður þessarar rannsóknar sýndu svipaðan flokkunarframmistöðu;Talið er að flokkun með DM-líkönum geti komið í stað hefðbundinna tölfræðilegra aðferða við aldursmat.Meðal líkananna var DM LR besta líkanið hvað varðar næmi fyrir karlsýnið og næmi og sérhæfni fyrir kvensýnið.LR er í öðru sæti í sérhæfni karla.Þar að auki er LR talin vera ein af notendavænni DM35 gerðum og er minna flókið og erfitt í vinnslu.Miðað við þessar niðurstöður var LR talið besta flokkunarlíkanið fyrir 18 ára börn í kóreska þýðinu.
Á heildina litið var nákvæmni aldursmats eða flokkunarárangurs á ytra prófunarsettinu lélegt eða lægra miðað við niðurstöðurnar á innra prófunarsettinu.Sumar skýrslur benda til þess að flokkunarnákvæmni eða skilvirkni minnki þegar aldursmat byggt á kóreska íbúa er beitt á japanska íbúa5,39, og svipað mynstur fannst í þessari rannsókn.Þessi hnignunartilhneiging kom einnig fram í DM líkaninu.Þess vegna, til að meta aldur nákvæmlega, jafnvel þegar DM er notað í greiningarferlinu, ætti að velja aðferðir sem eru fengnar úr gögnum um innfædda íbúa, svo sem hefðbundnar aðferðir, 5,39,40,41,42.Þar sem óljóst er hvort djúpnámslíkön geti sýnt svipaða þróun, þarf rannsóknir sem bera saman flokkunarnákvæmni og skilvirkni með hefðbundnum aðferðum, DM líkönum og djúpnámslíkönum á sömu sýnum til að staðfesta hvort gervigreind geti sigrast á þessum kynþáttamun á takmörkuðum aldri.úttektir.
Við sýnum að hefðbundnum aðferðum er hægt að skipta út fyrir aldursmat byggt á DM líkaninu í réttarfræðilegu aldursmatsstarfi í Kóreu.Við uppgötvuðum einnig möguleikann á að innleiða vélrænt nám fyrir réttar aldursmat.Hins vegar eru skýrar takmarkanir, eins og ófullnægjandi fjöldi þátttakenda í þessari rannsókn til að ákvarða niðurstöðurnar endanlega og skortur á fyrri rannsóknum til að bera saman og staðfesta niðurstöður þessarar rannsóknar.Í framtíðinni ætti að gera DM rannsóknir með stærri fjölda sýna og fjölbreyttari þýði til að bæta hagnýtingu þess samanborið við hefðbundnar aðferðir.Til að sannreyna hagkvæmni þess að nota gervigreind til að meta aldur í mörgum þýðum, þarf framtíðarrannsóknir til að bera saman flokkunarnákvæmni og skilvirkni DM og djúpnámslíkana við hefðbundnar aðferðir í sömu sýnum.
Í rannsókninni voru notaðar 2.657 stafrænar ljósmyndir sem safnað var frá kóreskum og japönskum fullorðnum á aldrinum 15 til 23 ára.Kóresku röntgenmyndunum 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 prófunarsetti var safnað á tveimur stofnunum (Seoul National University Dental Hospital og Yonsei University Dental Hospital).Við söfnuðum einnig 857 röntgenmyndum úr öðrum þýðisgögnum (Iwate Medical University, Japan) til ytri prófunar.Röntgenmyndir af japönskum einstaklingum (19,31 ± 2,60 ár) voru valdar sem ytra prófunarsett.Gögnum var safnað afturvirkt til að greina stig tannþroska á víðmyndum sem teknar voru við tannmeðferð.Öll gögn sem safnað var voru nafnlaus nema kyn, fæðingardagur og röntgenmyndadagur.Inntöku- og útilokunarviðmið voru þau sömu og áður birtar rannsóknir 4, 5.Raunverulegur aldur sýnisins var reiknaður út með því að draga fæðingardaginn frá þeim degi sem röntgenmyndin var tekin.Úrtakshópnum var skipt í níu aldurshópa.Aldurs- og kynjadreifing er sýnd í töflu 3. Þessi rannsókn var gerð í samræmi við Helsinki-yfirlýsinguna og samþykkt af Institutional Review Board (IRB) Seoul St. Mary's Hospital kaþólska háskólans í Kóreu (KC22WISI0328).Vegna afturskyggnrar hönnunar þessarar rannsóknar var ekki hægt að fá upplýst samþykki frá öllum sjúklingum sem fóru í röntgenrannsókn í lækningaskyni.Seoul Korea University St. Mary's Hospital (IRB) féll frá kröfunni um upplýst samþykki.
Þroskastig annars og þriðja jaxla í bimaxilla var metin samkvæmt Demircan-viðmiðunum25.Aðeins ein tönn var valin ef sams konar tönn fannst á vinstri og hægri hlið hvers kjálka.Ef samhæfðar tennur á báðum hliðum voru á mismunandi þroskastigi var tönnin með neðra þroskastig valin til að gera grein fyrir óvissu í áætluðum aldri.Eitt hundrað röntgenmyndir af handahófi úr þjálfunarsettinu voru skornar af tveimur reyndum áhorfendum til að prófa áreiðanleika millimælenda eftir forkvörðun til að ákvarða þroskastig tanna.Áreiðanleiki innanáheyrnarfulltrúa var metinn tvisvar með þriggja mánaða millibili af aðalathugandanum.
Kyn og þroskastig annars og þriðja jaxla hvers kjálka í þjálfunarsettinu var metið af aðalathugunarmanni sem var þjálfaður með mismunandi DM líkönum og raunverulegur aldur var settur sem markgildi.SLP og MLP líkön, sem eru mikið notuð í vélanámi, voru prófuð gegn aðhvarfsreikniritum.DM líkanið sameinar línulegar aðgerðir með því að nota þroskastig tannanna fjögurra og sameinar þessi gögn til að meta aldur.SLP er einfaldasta tauganetið og inniheldur ekki falin lög.SLP virkar byggt á þröskuldssendingu milli hnúta.SLP líkanið í aðhvarfinu er stærðfræðilega svipað margfaldri línulegri aðhvarfningu.Ólíkt SLP líkaninu hefur MLP líkanið mörg falin lög með ólínulegum virkjunaraðgerðum.Tilraunirnar okkar notuðu falið lag með aðeins 20 földum hnútum með ólínulegum virkjunaraðgerðum.Notaðu hallafall sem hagræðingaraðferð og MAE og RMSE sem tapfall til að þjálfa vélnámslíkanið okkar.Besta aðhvarfslíkanið sem fékkst var notað á innri og ytri prófunarsett og aldur tanna metinn.
Þróað var flokkunaralgrím sem notar þroska fjögurra tanna á æfingasettinu til að spá fyrir um hvort sýni sé 18 ára eða ekki.Til að byggja líkanið leiddum við út sjö framsetningarvélanámsreiknirit6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost og (7) MLP .LR er eitt mest notaða flokkunaralgrímið44.Það er eftirlitsnámsreiknirit sem notar aðhvarf til að spá fyrir um líkur á að gögn tilheyri ákveðnum flokki frá 0 til 1 og flokkar gögnin sem tilheyra líklegri flokki út frá þessum líkum;aðallega notað til tvíundarflokkunar.KNN er ein einfaldasta reiknirit fyrir vélanám45.Þegar ný inntaksgögn eru gefin, finnur það k gögn nálægt núverandi mengi og flokkar þau síðan í flokkinn með hæstu tíðnina.Við setjum 3 fyrir fjölda nágranna sem teknir eru til greina (k).SVM er reiknirit sem hámarkar fjarlægðina milli tveggja flokka með því að nota kjarnafall til að stækka línulega rýmið í ólínulegt rými sem kallast fields46.Fyrir þetta líkan notum við hlutdrægni = 1, veldi = 1 og gamma = 1 sem yfirfæribreytur fyrir margliðukjarna.DT hefur verið beitt á ýmsum sviðum sem reiknirit til að skipta heilu gagnasetti í nokkra undirhópa með því að tákna ákvörðunarreglur í trébyggingu47.Líkanið er stillt með lágmarksfjölda skráa á hvern hnút upp á 2 og notar Gini vísitöluna sem mælikvarða á gæði.RF er ensemble aðferð sem sameinar margar DTs til að bæta árangur með því að nota bootstrap aggregation aðferð sem býr til veikan flokkara fyrir hvert sýni með því að draga sýni af sömu stærð margsinnis úr upprunalegu gagnapakkanum48.Við notuðum 100 tré, 10 trédýpt, 1 lágmarksstærð hnúta og Gini íblöndunarvísitölu sem viðmið fyrir aðskilnað hnúta.Flokkun nýrra gagna ræðst af meirihluta atkvæða.XGBoost er reiknirit sem sameinar uppörvunartækni með aðferð sem tekur sem þjálfunargögn villuna á milli raunverulegra og spáðra gilda fyrri líkans og eykur villuna með því að nota halla49.Það er mikið notað reiknirit vegna góðrar frammistöðu og auðlindanýtni, auk mikils áreiðanleika sem yfirfittrar leiðréttingaraðgerðar.Gerðin er búin 400 stuðningshjólum.MLP er tauganet þar sem ein eða fleiri skynjarar mynda mörg lög með einu eða fleiri földum lögum á milli inntaks- og úttakslaga38.Með því að nota þetta geturðu framkvæmt ólínulega flokkun þar sem þegar þú bætir við inntakslagi og færð niðurstöðugildi er spáð niðurstöðugildi borið saman við raunverulegt niðurstöðugildi og villan dreifist aftur.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 flokkunarframmistöðu með því að reikna út næmi, sértækni, PPV, NPV og AUROC.Næmi er skilgreint sem hlutfall úrtaks sem er talið vera 18 ára eða eldra og úrtaks sem talið er vera 18 ára eða eldra.Sérhæfni er hlutfall sýna undir 18 ára og þeirra sem áætlað er að séu yngri en 18 ára.
Tannstigunum sem metið var í þjálfunarsettinu var breytt í töluleg stig til tölfræðilegrar greiningar.Margbreytu línuleg og logistic regression voru framkvæmd til að þróa forspárlíkön fyrir hvert kyn og leiða út aðhvarfsformúlur sem hægt er að nota til að áætla aldur.Við notuðum þessar formúlur til að áætla tannaldur fyrir bæði innri og ytri prófunarsett.Tafla 4 sýnir aðhvarfs- og flokkunarlíkön sem notuð eru í þessari rannsókn.
Áreiðanleiki innan- og millimælenda var reiknaður út með Cohens kappa tölfræði.Til að prófa nákvæmni DM og hefðbundinna aðhvarfslíkana, reiknuðum við MAE og RMSE með því að nota áætlaðan og raunverulegan aldur innri og ytri prófunarsettanna.Þessar villur eru almennt notaðar til að meta nákvæmni líkanaspár.Því minni sem skekkjan er, því meiri er nákvæmni spárinnar24.Berðu saman MAE og RMSE innri og ytri prófunarsetta sem reiknuð eru með DM og hefðbundinni aðhvarf.Flokkunarárangur á 18 ára fresti í hefðbundinni tölfræði var metinn með því að nota 2 × 2 viðbragðstöflu.Reiknað næmi, sértækni, PPV, NPV og AUROC prófunarsettsins voru borin saman við mæld gildi DM flokkunarlíkanssins.Gögn eru gefin upp sem meðaltal ± staðalfrávik eða fjöldi (%) eftir eiginleikum gagna.Tvíhliða P gildi <0,05 voru talin tölfræðilega marktæk.Allar venjubundnar tölfræðilegar greiningar voru gerðar með því að nota SAS útgáfu 9.4 (SAS Institute, Cary, NC).DM aðhvarfslíkanið var útfært í Python með því að nota Keras50 2.2.4 bakenda og Tensorflow51 1.8.0 sérstaklega fyrir stærðfræðilegar aðgerðir.DM flokkunarlíkanið var innleitt í Waikato Knowledge Analysis Environment og Konstanz Information Miner (KNIME) 4.6.152 greiningarvettvangi.
Höfundarnir viðurkenna að gögn sem styðja niðurstöður rannsóknarinnar er að finna í greininni og viðbótarefni.Gagnasöfnin sem mynduð eru og/eða greind meðan á rannsókninni stóð eru fáanleg hjá samsvarandi höfundi ef sanngjarnt er óskað.
Ritz-Timme, S. o.fl.Aldursmat: hátækni til að uppfylla sérstakar kröfur um réttarlækningar.alþjóðavæðing.J. Lögfræðilækningar.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. og Olze, A. Núverandi staða réttarfræðilegrar aldursmats á lifandi einstaklingum í sakamálum.Réttarfræði.lyf.Meinafræði.1, 239–246 (2005).
Pan, J. o.fl.Breytt aðferð til að meta tannlæknaaldur barna á aldrinum 5 til 16 ára í austurhluta Kína.klínískt.Munnleg könnun.25, 3463–3474 (2021).
Lee, SS o.fl. Tímafræði þróun annars og þriðja jaxla í Kóreubúum og umsókn þess um réttar aldursmat.alþjóðavæðing.J. Lögfræðilækningar.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY og Lee, SS Nákvæmni aldursmats og mats á 18 ára þröskuldi byggt á þroska annars og þriðja jaxla í Kóreumönnum og japönskum.PLoS ONE 17, e0271247 (2022).
Kim, JY, o.fl.Gagnagreining sem byggir á vélanámi fyrir aðgerð getur spáð fyrir um útkomu svefnaðgerðameðferðar hjá sjúklingum með OSA.vísindin.Skýrsla 11, 14911 (2021).
Han, M. o.fl.Nákvæmt aldursmat úr vélanámi með eða án mannlegrar íhlutunar?alþjóðavæðing.J. Lögfræðilækningar.136, 821–831 (2022).
Khan, S. og Shaheen, M. Frá Data Mining til Data Mining.J.Upplýsingar.vísindin.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. og Shaheen, M. WisRule: Fyrsta vitræna reikniritið fyrir námuvinnslu á félagsreglum.J.Upplýsingar.vísindin.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. og Abdullah U. Karm: Hefðbundin gagnavinnsla byggð á samhengisbundnum reglum samtakanna.reikna.Matt.halda áfram.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. og Habib M. Djúpnám byggð merkingarfræðileg líkindi uppgötvun með því að nota textagögn.Tilkynna.tækni.stjórna.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.Geislafræði 290, 498–503 (2019).
Li, Y. o.fl.Réttar aldursmat úr grindarholsröntgenmyndum með djúpnámi.EURO.geislun.29, 2322–2329 (2019).
Guo, YC, o.fl.Nákvæm aldursflokkun með handvirkum aðferðum og djúpum snúnings tauganetum frá stafrænum vörpun myndum.alþjóðavæðing.J. Lögfræðilækningar.135, 1589–1597 (2021).
Alabama Dalora o.fl.Beinaldursmat með því að nota mismunandi vélanámsaðferðir: kerfisbundin ritrýni og meta-greining.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., og Yang, J. Mannfjöldasértækt aldursmat á Afríku-Ameríkubúa og Kínverja byggt á kvoðuhólfsrúmmáli fyrstu jaxla með því að nota tölvusneiðmyndatöku með keilugeisla.alþjóðavæðing.J. Lögfræðilækningar.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK og Oh KS Ákvarða aldurshópa lifandi fólks með því að nota gervigreindarmyndir af fyrstu jaxla.vísindin.Skýrsla 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. og Urschler, M. Sjálfvirkt aldursmat og meirihlutaaldursflokkun úr fjölþátta segulómun.IEEE J. Biomed.Heilsuviðvaranir.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. og Li, G. Aldursmat byggt á þrívíddar kvoðahólfsskiptingu á fyrstu jaxlum úr tölvusneiðmyndatöku með keilugjálfum með því að samþætta djúpt nám og stigasett.alþjóðavæðing.J. Lögfræðilækningar.135, 365–373 (2021).
Wu, WT, o.fl.Gagnanám í klínískum stórgögnum: algengar gagnagrunnar, skref og aðferðalíkön.Heimur.lyf.auðlind.8, 44 (2021).
Yang, J. o.fl.Kynning á læknisfræðilegum gagnasöfnum og gagnavinnslutækni á stóra gagnatímanum.J. Avid.Grunnlyf.13, 57–69 (2020).
Shen, S. o.fl.Aðferð Camerer til að meta aldur tanna með því að nota vélanám.BMC Oral Health 21, 641 (2021).
Galliburg A. o.fl.Samanburður á mismunandi vélanámsaðferðum til að spá fyrir um tannaldur með Demirdjian sviðsetningaraðferðinni.alþjóðavæðing.J. Lögfræðilækningar.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. og Tanner, JM Nýtt kerfi til að meta tannaldur.hrjóta.líffræði.45, 211–227 (1973).
Landis, JR, og Koch, GG. Mælikvarði um áheyrnarsamkomulag um flokkuð gögn.Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK og Choi HK.Áferðar-, formfræðileg og tölfræðileg greining á tvívíðri segulómun með gervigreindartækni til aðgreiningar á frumheilaæxlum.Heilbrigðisupplýsingar.auðlind.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Pósttími: Jan-04-2024