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 samhæfingarstillingu í Internet Explorer). Á meðan, til að tryggja áframhaldandi stuðning, sýnum við síðuna án stíl eða JavaScript.
Tennur eru taldar nákvæmasta mælikvarðinn á aldur mannslíkamans og eru oft notaðar í réttarlæknisfræðilegum aldursmatsaðferðum. Markmið okkar var að sannreyna aldursmat á tönnum byggt á gagnanámi með því að bera saman nákvæmni mats og flokkunarárangur 18 ára þröskuldsins við hefðbundnar aðferðir og aldursmat byggt á gagnanámi. Alls voru 2657 víðmyndir teknar af kóreskum og japönskum ríkisborgurum á aldrinum 15 til 23 ára. Þær voru skipt í þjálfunarsett, hvert með 900 kóreskum röntgenmyndum, og innra prófunarsett með 857 japanskri röntgenmynd. Við bárum saman nákvæmni og skilvirkni flokkunar hefðbundinna aðferða við prófunarsett gagnanámslíkana. Nákvæmni hefðbundnu aðferðarinnar á innra prófunarsettinu er örlítið hærri en í gagnanámslíkaninu og munurinn er lítill (meðaltal algildisvilla <0,21 ár, rót meðaltals kvaðratvilla <0,24 ár). Flokkunarárangur fyrir 18 ára viðmiðunarmörk er einnig svipaður milli hefðbundinna aðferða og gagnanámslíkana. Þannig er hægt að skipta út hefðbundnum aðferðum fyrir gagnanámslíkön þegar réttarlæknisfræðileg aldursmat er framkvæmt með því að nota þroska annars og þriðja jaxla hjá kóreskum unglingum og ungum fullorðnum.
Aldursmat tannlækna er mikið notað í réttarlæknisfræði og barnatannlækningum. Sérstaklega vegna mikillar fylgni milli tímaaldurs og tannþroska er aldursmat eftir tannþroskastigum mikilvægt viðmið til að meta aldur barna og unglinga1,2,3. Hins vegar hefur mat á tannalduri út frá tannþroska sínum takmarkanir fyrir ungt fólk þar sem tannvöxtur er næstum fullur, fyrir utan þriðju jaxlana. Löglegur tilgangur þess að ákvarða aldur ungmenna og unglinga er að veita nákvæmar áætlanir og vísindalegar sannanir fyrir því hvort þau hafi náð lögaldri. Í læknisfræðilegri og réttarlæknisfræðilegri starfsháttum unglinga og ungmenna í Kóreu var aldur áætlaður með aðferð Lees og löglegt þröskuldur 18 ára var spáður út frá gögnum sem Oh o.fl. greindu frá5.
Vélanám er tegund gervigreindar (AI) sem lærir og flokkar ítrekað mikið magn gagna, leysir vandamál upp á eigin spýtur og knýr gagnaforritun áfram. Vélanám getur uppgötvað gagnleg falin mynstur í miklu magni gagna6. Aftur á móti geta hefðbundnar aðferðir, sem eru vinnuaflsfrekar og tímafrekar, haft takmarkanir þegar þær fást við mikið magn flókinna gagna sem erfitt er að vinna úr handvirkt7. Þess vegna hafa margar rannsóknir verið gerðar nýlega með nýjustu tölvutækni til að lágmarka mannleg mistök og vinna úr fjölvíddargögnum á skilvirkan hátt8,9,10,11,12. Sérstaklega hefur djúpt nám verið mikið notað í læknisfræðilegri myndgreiningu og ýmsar aðferðir til aldursáætlana með sjálfvirkri greiningu röntgenmynda hafa reynst bæta nákvæmni og skilvirkni aldursmats13,14,15,16,17,18,19,20. Til dæmis þróuðu Halabi o.fl.13 vélanámsreiknirit byggt á fellingartauganetum (CNN) til að meta beinagrindaraldur með því að nota röntgenmyndir af höndum barna. Þessi rannsókn leggur til líkan sem notar vélanám á læknisfræðilegar myndir og sýnir að þessar aðferðir geta bætt greiningarnákvæmni. Li o.fl.14 mátu aldur út frá röntgenmyndum af grindarholi með því að nota djúpnáms-CNN líkan og báru þær saman við niðurstöður aðhvarfsgreiningar með því að nota mat á beinmyndunarstigi. Þeir komust að því að djúpnáms-CNN líkanið sýndi sömu aldursmatsgetu og hefðbundna aðhvarfsgreiningarlíkanið. Rannsókn Guo o.fl. [15] mat aldursþolsflokkunargetu CNN tækninnar byggða á tannréttingum og niðurstöður CNN líkansins sönnuðu að menn stóðu sig betur en aldursflokkunargeta þess.
Flestar rannsóknir á aldursmati með vélanámi nota djúpnámsaðferðir13,14,15,16,17,18,19,20. Aldursmat byggt á djúpnámi er talið vera nákvæmara en hefðbundnar aðferðir. Þessi aðferð veitir þó lítið tækifæri til að kynna vísindalegan grundvöll fyrir aldursmati, svo sem aldursvísbendingar sem notaðar eru í matinu. Einnig er lagaleg ágreiningur um hver framkvæmir skoðanirnar. Þess vegna er erfitt að samþykkja aldursmat byggt á djúpnámi af stjórnsýslu- og dómsmálayfirvöldum. Gagnanám (DM) er tækni sem getur uppgötvað ekki aðeins væntanlegar heldur einnig óvæntar upplýsingar sem aðferð til að uppgötva gagnlegar fylgni milli mikils magns gagna6,21,22. Vélanám er oft notað í gagnanámi og bæði gagnanám og vélanám nota sömu lykilreiknirit til að uppgötva mynstur í gögnum. Aldursmat með tannþroska byggist á mati skoðunarmanns á þroska marktanna og þetta mat er tjáð sem stig fyrir hverja marktönn. DM er hægt að nota til að greina fylgni milli stigs tannmats og raunverulegs aldurs og hefur möguleika á að koma í stað hefðbundinnar tölfræðilegrar greiningar. Þess vegna, ef við notum vélanámsaðferðir til að meta aldur, getum við innleitt vélanám í réttarlæknisfræðilegri aldursmat án þess að hafa áhyggjur af lagalegri ábyrgð. Nokkrar samanburðarrannsóknir hafa verið birtar um mögulega valkosti við hefðbundnar handvirkar aðferðir sem notaðar eru í réttarlæknisfræði og EBM-byggðar aðferðir til að ákvarða aldur tannlækna. Shen o.fl.23 sýndu fram á að vélanámslíkanið er nákvæmara en hefðbundna Camerer-formúlan. Galibourg o.fl.24 beittu mismunandi vélanámsaðferðum til að spá fyrir um aldur samkvæmt Demirdjian-viðmiðinu25 og niðurstöðurnar sýndu að vélanámsaðferðin skilaði betri árangri en aðferðir Demirdjian og Willems við að meta aldur franska þjóðarinnar.
Til að meta tannaldur kóreskra unglinga og ungra fullorðinna er aðferð Lees 4 mikið notuð í kóreskri réttarlæknisfræði. Þessi aðferð notar hefðbundna tölfræðilega greiningu (eins og margfeldis aðhvarfsgreiningu) til að kanna tengslin milli kóreskra þátttakenda og tímaaldurs. Í þessari rannsókn eru aldursmatsaðferðir sem fengnar eru með hefðbundnum tölfræðilegum aðferðum skilgreindar sem „hefðbundnar aðferðir“. Aðferð Lees er hefðbundin aðferð og nákvæmni hennar hefur verið staðfest af Oh o.fl. 5; þó er notagildi aldursmats byggt á DM líkaninu í kóreskri réttarlæknisfræði enn vafasamt. Markmið okkar var að staðfesta vísindalega hugsanlega notagildi aldursmats byggt á DM líkaninu. Tilgangur þessarar rannsóknar var (1) að bera saman nákvæmni tveggja DM líkana við mat á tannalduri og (2) að bera saman flokkunargetu 7 DM líkana við 18 ára aldur við þau sem fengust með hefðbundnum tölfræðilegum aðferðum. Þroski annars og þriðja jaxla í báðum kjálkum.
Meðaltöl og staðalfrávik tímaaldurs eftir stigi og tanngerð eru sýnd á netinu í viðbótartöflu S1 (þjálfunarsett), viðbótartöflu S2 (innra prófunarsett) og viðbótartöflu S3 (ytra prófunarsett). Kappa-gildi fyrir innan- og milliathugendaáreiðanleika sem fengust úr þjálfunarsettinu voru 0,951 og 0,947, talið í sömu röð. P-gildi og 95% öryggisbil fyrir kappa-gildi eru sýnd í viðbótartöflu S4 á netinu. Kappa-gildið var túlkað sem „næstum fullkomið“, í samræmi við viðmið Landis og Koch26.
Þegar meðaltal algildisvilla (MAE) er borið saman, þá skilar hefðbundna aðferðin örlítið betri árangri en DM líkanið fyrir öll kyn og í ytra karlkyns prófuninni, að undanskildum fjöllaga perceptron (MLP). Munurinn á hefðbundna líkaninu og DM líkaninu í innra MAE prófuninni var 0,12–0,19 ár fyrir karla og 0,17–0,21 ár fyrir konur. Fyrir ytra prófunarhópinn er munurinn minni (0,001–0,05 ár fyrir karla og 0,05–0,09 ár fyrir konur). Að auki er rót meðaltals ferningsvillunnar (RMSE) örlítið lægri en hefðbundna aðferðin, með minni mun (0,17–0,24, 0,2–0,24 fyrir innra karlkyns prófunina og 0,03–0,07, 0,04–0,08 fyrir ytra prófunina). MLP sýnir örlítið betri árangur en einlags Perceptron (SLP), nema í tilviki ytra kvennaprófunarinnar. Fyrir MAE og RMSE skorar ytra prófið hærra en innra prófið fyrir öll kyn og líkön. Öll MAE og RMSE eru sýnd í töflu 1 og mynd 1.
MAE og RMSE hefðbundinna aðhvarfsgreiningarlíkana og gagnanámslíkana. Meðaltalsvilla MAE, rót meðaltals ferningsvillu RMSE, einlags perceptron SLP, fjöllags perceptron MLP, hefðbundin CM aðferð.
Flokkunarárangur (með 18 ára viðmiðunarmörkum) hefðbundinna og DM líkana var sýndur fram á með tilliti til næmis, sértækni, jákvætt spágildi (PPV), neikvætt spágildi (NPV) og flatarmáls undir rekstrarferil móttakara (AUROC) 27 (Tafla 2, Mynd 2 og Viðbótarmynd 1 á netinu). Hvað varðar næmi innri prófunarraðarinnar, þá stóðu hefðbundnar aðferðir sig best hjá körlum og verr hjá konum. Hins vegar er munurinn á flokkunaráranguri milli hefðbundinna aðferða og staðalfráviks 9,7% fyrir karla (MLP) og aðeins 2,4% fyrir konur (XGBoost). Meðal DM líkana sýndi lógísk aðhvarfsgreining (LR) betri næmi hjá báðum kynjum. Varðandi sértækni innri prófunarraðarinnar, kom í ljós að fjögur staðalfrávikslíkönin stóðu sig vel hjá körlum, en hefðbundna líkanið stóð sig betur hjá konum. Munurinn á flokkunaráranguri fyrir karla og konur er 13,3% (MLP) og 13,1% (MLP), talið í sömu röð, sem bendir til þess að munurinn á flokkunaráranguri milli líkana sé meiri en næmið. Meðal DM líkananna stóðu stuðningsvektorvélin (SVM), ákvörðunartréslíkönin (DT) og handahófskennd skógarlíkönin (RF) sig best meðal karla, en LR líkanið stóð sig best meðal kvenna. AUROC hefðbundna líkansins og allra SD líkana var hærra en 0,925 (k-næsti nágranni (KNN) hjá körlum), sem sýnir framúrskarandi flokkunarárangur við að greina á milli 18 ára gömulra úrtaka28. Fyrir ytra prófunarmengið varð lækkun á flokkunaráranguri hvað varðar næmi, sértækni og AUROC samanborið við innra prófunarmengið. Ennfremur var munurinn á næmi og sértækni milli flokkunarárangurs bestu og verstu líkananna á bilinu 10% til 25% og var meiri en munurinn í innra prófunarmenginu.
Næmi og sértækni flokkunarlíkana fyrir gagnanám samanborið við hefðbundnar aðferðir með 18 ára viðmiðunarmörkum. KNN k næsti nágranni, SVM stuðningsvigurvél, LR lógistísk aðhvarfsgreining, DT ákvörðunartré, RF handahófskenndur skógur, XGB XGBoost, MLP fjöllaga skynjari, hefðbundin CM aðferð.
Fyrsta skrefið í þessari rannsókn var að bera saman nákvæmni mats á tannalduri sem fengust úr sjö DM líkönum við þau sem fengust með hefðbundinni aðhvarfsgreiningu. MAE og RMSE voru metin í innri prófunarsöfnum fyrir bæði kynin og munurinn á hefðbundnu aðferðinni og DM líkaninu var á bilinu 44 til 77 dagar fyrir MAE og frá 62 til 88 dagar fyrir RMSE. Þó að hefðbundna aðferðin hafi verið örlítið nákvæmari í þessari rannsókn er erfitt að álykta hvort svo lítill munur hafi klíníska eða hagnýta þýðingu. Þessar niðurstöður benda til þess að nákvæmni mats á tannalduri með DM líkaninu sé næstum því sú sama og í hefðbundnu aðferðinni. Bein samanburður við niðurstöður úr fyrri rannsóknum er erfiður þar sem engin rannsókn hefur borið saman nákvæmni DM líkana við hefðbundnar tölfræðilegar aðferðir sem nota sömu tækni við skráningu tanna á sama aldursbili og í þessari rannsókn. Galibourg o.fl.24 báru saman MAE og RMSE milli tveggja hefðbundinna aðferða (Demirjian aðferð25 og Willems aðferð29) og 10 DM líkana í frönskum hópi á aldrinum 2 til 24 ára. Þeir greindu frá því að allar DM líkön væru nákvæmari en hefðbundnar aðferðir, með mismun upp á 0,20 og 0,38 ár í MAE og 0,25 og 0,47 ár í RMSE samanborið við aðferðir Willems og Demirdjian, talið í sömu röð. Mismunurinn á milli SD líkansins og hefðbundinna aðferða sem sýndur er í Halibourg rannsókninni tekur mið af fjölmörgum skýrslum30,31,32,33 um að Demirdjian aðferðin metur ekki nákvæmlega aldur tannanna í öðrum hópum en frönskum Kanadabúum sem rannsóknin byggðist á. Í þessari rannsókn notuðu Tai o.fl.34 MLP reiknirit til að spá fyrir um aldur tannanna út frá 1636 kínverskum tannréttingaljósmyndum og báru nákvæmni þess saman við niðurstöður aðferðar Demirjian og Willems. Þeir greindu frá því að MLP hefði meiri nákvæmni en hefðbundnar aðferðir. Munurinn á aðferð Demirdjian og hefðbundnu aðferðinni er <0,32 ár, og aðferð Willems 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 nákvæmni aldursmats DM líkansins og hefðbundinnar aðferðar er svipuð. Hins vegar, byggt á þeim niðurstöðum sem kynntar eru, getum við aðeins með varúð ályktað að notkun DM líkana til að meta aldur gæti komið í stað núverandi aðferða vegna skorts á fyrri samanburðar- og viðmiðunarrannsóknum. Nauðsynlegt er að fylgja eftir rannsóknum með stærri úrtökum til að staðfesta niðurstöðurnar sem fengust í þessari rannsókn.
Meðal þeirra rannsókna sem prófuðu nákvæmni staðalfráviks (SD) við mat á tannaldri sýndu sumar meiri nákvæmni en okkar rannsókn. Stepanovsky o.fl. 35 beittu 22 SD líkönum á víðmyndir af 976 tékkneskum íbúum á aldrinum 2,7 til 20,5 ára og prófuðu nákvæmni hvers líkans. Þeir mátu þroska alls 16 efri og neðri vinstri varanlegu tanna með því að nota flokkunarviðmið Moorrees o.fl. 36. 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. 23 notuðu Cameriere aðferðina til að meta tannaldur sjö varanlegra tanna í vinstri neðri kjálka hjá íbúum Austur-Kínverja á aldrinum 5 til 13 ára og báru hann saman við aldur sem áætlaður var með línulegri aðhvarfsgreiningu, SVM og RF. Þeir sýndu fram á að öll þrjú DM líkönin hafa meiri nákvæmni samanborið við hefðbundna Cameriere formúluna. 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 gæti stafað af því að yngri þátttakendur voru teknir með í úrtökin. Þar sem aldursmat fyrir þátttakendur með tennur í þróun verður nákvæmara eftir því sem fjöldi tanna eykst meðan á tannþroska stendur, getur nákvæmni aldursmatsaðferðarinnar minnkað þegar þátttakendur í rannsókninni eru yngri. Að auki er skekkjan í MLP í aldursmati örlítið minni en í SLP, sem þýðir að MLP er nákvæmara en SLP. MLP er talið örlítið betra fyrir aldursmat, hugsanlega vegna falda laga í MLP38. Hins vegar er undantekning fyrir ytra úrtak kvenna (SLP 1,45, MLP 1,49). Sú niðurstaða að MLP er nákvæmara en SLP við mat á aldri krefst frekari afturskyggnra rannsókna.
Flokkunarárangur DM líkansins og hefðbundnu aðferðarinnar við 18 ára þröskuld var einnig borinn saman. Allar prófaðar staðalfrávikslíkön og hefðbundnar aðferðir á innra prófunarsettinu sýndu nánast ásættanlega greinarmun 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 líkana er einnig yfir 0,925. Að því er best er vitað hefur engin rannsókn prófað frammistöðu DM líkansins fyrir 18 ára flokkun byggða á tannþroska. Við getum borið saman niðurstöður þessarar rannsóknar við flokkunarárangur djúpnámslíkana á víðmyndum. Guo o.fl.15 reiknuðu flokkunarárangur CNN-byggðs djúpnámslíkans og handvirkrar aðferðar byggðrar á aðferð Demirjian fyrir ákveðið aldursþröskuld. Næmi og sértækni handvirku aðferðarinnar voru 87,7% og 95,5%, talið í sömu röð, og næmi og sértækni CNN líkansins fór yfir 89,2% og 86,6%, talið í sömu röð. Þeir komust að þeirri niðurstöðu að djúpnámslíkön geti komið í stað handvirkrar mats eða skilað betri árangri en handvirk mat við flokkun aldursmarka. Niðurstöður þessarar rannsóknar sýndu svipaða flokkunarárangur; Talið er að flokkun með DM líkönum geti komið í stað hefðbundinna tölfræðilegra aðferða til aldursmats. Meðal líkananna var DM LR besta líkanið hvað varðar næmi fyrir karlaúrtakið og næmi og sértækni fyrir kvenkyns úrtakið. LR er í öðru sæti hvað varðar sértækni fyrir karla. Ennfremur er LR talið eitt af notendavænni DM35 líkönunum og er minna flókið og erfiðara í vinnslu. Byggt á þessum niðurstöðum var LR talið besta flokkunarlíkanið fyrir 18 ára ungmenni í kóreska þjóðfélaginu.
Í heildina var nákvæmni aldursmats eða flokkunarframmistöðu á ytra prófunarsettinu léleg eða minni samanborið við niðurstöður á innra prófunarsettinu. Sumar skýrslur benda til þess að nákvæmni eða skilvirkni flokkunar minnki þegar aldursmat byggt á kóreska íbúum er notað á japanska íbúana5,39, og svipað mynstur fannst í þessari rannsókn. Þessi versnandi þróun sást einnig í DM líkaninu. Þess vegna, til að meta aldur nákvæmlega, jafnvel þegar DM er notað í greiningarferlinu, ætti að kjósa aðferðir sem eru fengnar úr gögnum um innfædda íbúa, svo sem hefðbundnar aðferðir5,39,40,41,42. Þar sem óljóst er hvort djúpnámslíkön geta sýnt svipaða þróun, er þörf á rannsóknum sem bera saman nákvæmni og skilvirkni flokkunar með hefðbundnum aðferðum, DM líkönum og djúpnámslíkönum á sömu úrtökum til að staðfesta hvort gervigreind geti yfirstigið þennan kynþáttamismun í takmörkuðum aldursmatsaðferðum.
Við sýnum fram á að hefðbundnar aðferðir geta komið í stað aldursmats byggða á DM líkaninu í réttarlæknisfræðilegri aldursmatsframleiðslu í Kóreu. Við uppgötvuðum einnig möguleikann á að innleiða vélanám fyrir réttarlæknisfræðilega aldursmat. Hins vegar eru skýrar takmarkanir, svo sem ófullnægjandi fjöldi þátttakenda í þessari rannsókn til að ákvarða niðurstöðurnar með endanlegum hætti og skortur á fyrri rannsóknum til að bera saman og staðfesta niðurstöður þessarar rannsóknar. Í framtíðinni ætti að framkvæma DM rannsóknir með stærri fjölda sýna og fjölbreyttari þýðum til að bæta hagnýta notagildi þeirra samanborið við hefðbundnar aðferðir. Til að staðfesta hagkvæmni þess að nota gervigreind til að meta aldur í mörgum þýðum er þörf á framtíðarrannsóknum til að bera saman flokkunarnákvæmni og skilvirkni DM og djúpnámslíkana við hefðbundnar aðferðir í sömu sýnum.
Í rannsókninni voru notaðar 2.657 réttritunarljósmyndir sem teknar voru af kóreskum og japönskum fullorðnum einstaklingum á aldrinum 15 til 23 ára. Kóresku röntgenmyndirnar voru skipt í 900 þjálfunarsett (19,42 ± 2,65 ár) og 900 innri prófunarsett (19,52 ± 2,59 ár). Þjálfunarsettið var safnað á einni stofnun (Seoul St. Mary's sjúkrahúsinu) og eigin prófunarsett var safnað á tveimur stofnunum (Seoul National University Dental Hospital og Yonsei University Dental Hospital). Við söfnuðum einnig 857 röntgenmyndum úr öðrum þýðisbundnum gögnum (Iwate Medical University, Japan) fyrir ytri prófun. Röntgenmyndir af japönskum einstaklingum (19,31 ± 2,60 ár) voru valdar sem ytri prófunarsett. Gögnum var safnað afturskyggnt til að greina þroskastig tannholds á víðmyndum sem teknar voru meðan á tannlæknameðferð stóð. Öll gögn sem söfnuð voru nafnlaus nema kyn, fæðingardagur og dagsetning röntgenmyndar. Skilyrði fyrir þátttöku og útilokun voru þau sömu og í áður birtum rannsóknum 4, 5. Raunaldur úrtaksins var reiknaður með því að draga fæðingardag frá þeim degi sem röntgenmyndin var tekin. Úrtakshópnum var skipt í níu aldurshópa. Aldurs- og kynjadreifing er sýnd í töflu 3. Þessi rannsókn var framkvæmd í samræmi við yfirlýsingu Helsinki og samþykkt af Siðanefnd (IRB) á St. Mary's-sjúkrahúsinu í Seoul við Kaþólska háskólann í Kóreu (KC22WISI0328). Vegna afturskyggnrar hönnunar þessarar rannsóknar var ekki hægt að fá upplýst samþykki frá öllum sjúklingum sem gengust undir röntgenmyndatöku í meðferðarskyni. St. Mary's-sjúkrahúsið við Háskólann í Kóreu í Seoul (IRB) veitti undanþágu frá kröfunni um upplýst samþykki.
Þroskastig tvíhliða annarrar og þriðju jaxla voru metin samkvæmt Demircan viðmiðum25. Aðeins ein tönn var valin ef sama tegund tönnar fannst vinstra og hægra megin í hvorum kjálka. Ef einsleitar tennur báðum megin voru á mismunandi þroskastigum var tönnin með lægra þroskastigið valin til að taka tillit til óvissu í áætluðum aldri. Hundrað handahófskennt valdar röntgenmyndir úr þjálfunarsettinu voru metnar af tveimur reyndum athugendum til að prófa áreiðanleika milli athugenda eftir forkvarðun til að ákvarða þroskastig tannanna. Áreiðanleiki innan athugenda var metinn tvisvar með þriggja mánaða millibili af aðalathugandanum.
Kyn og þroskastig annars og þriðja jaxla í hvorum kjálka í þjálfunarsettinu voru áætluð af aðalathugandamanni sem þjálfaður var með mismunandi DM líkönum, og raunverulegur aldur var stilltur sem markgildi. SLP og MLP líkön, sem eru mikið notuð í vélanámi, voru prófuð gegn aðhvarfsgreiningarreikniritum. DM líkanið sameinar línuleg föll með því að nota þroskastig fjögurra tanna og sameinar þessi gögn til að meta aldur. SLP er einfaldasta tauganetið og inniheldur ekki falin lög. SLP virkar út frá þröskuldsflutningi milli hnúta. SLP líkanið í aðhvarfsgreiningu er stærðfræðilega svipað margfaldri línulegri aðhvarfsgreiningu. Ólíkt SLP líkaninu hefur MLP líkanið mörg falin lög með ólínulegum virkjunarföllum. Tilraunir okkar notuðu falið lag með aðeins 20 földum hnútum með ólínulegum virkjunarföllum. Notið stigulslækkun sem bestunaraðferð og MAE og RMSE sem tapsfall til að þjálfa vélanámslíkanið okkar. Besta aðhvarfsgreiningarlíkanið sem fékkst var notað á innri og ytri prófunarsettin og aldur tannanna var áætlaður.
Þróað var flokkunarreiknirit sem notar þroska fjögurra tanna á þjálfunarsettinu til að spá fyrir um hvort úrtak sé 18 ára gamalt eða ekki. Til að smíða líkanið fengum við sjö framsetningarvélanámsreiknirit6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost og (7) MLP. LR er eitt af mest notuðu flokkunarreikniritunum44. Það er stýrt námsreiknirit sem notar aðhvarfsgreiningu til að spá fyrir um líkurnar á að gögn tilheyri ákveðnum flokki frá 0 til 1 og flokkar gögnin sem tilheyrandi líklegri flokki út frá þessum líkindum; aðallega notað fyrir tvíundaflokkun. KNN er eitt af einföldustu vélanámsreikniritunum45. Þegar ný inntaksgögn eru gefin finnur það k gögn nálægt núverandi setti og flokkar þau síðan í flokkinn með hæstu tíðnina. Við setjum 3 fyrir fjölda nágranna sem eru teknir með í reikninginn (k). SVM er reiknirit sem hámarkar fjarlægðina milli tveggja flokka með því að nota kjarnafall til að víkka línulega rýmið út í ólínulegt rými sem kallast reitir46. Fyrir þetta líkan notum við skekkju = 1, afl = 1 og gamma = 1 sem ofurbreytur fyrir kjarna margliðu. DT hefur verið notað á ýmsum sviðum sem reiknirit til að skipta heilu gagnasafni í nokkra undirhópa með því að tákna ákvörðunarreglur í trébyggingu47. Líkanið er stillt með lágmarksfjölda færslna á hvern hnút upp á 2 og notar Gini vísitöluna sem mælikvarða á gæði. RF er samsetningaraðferð sem sameinar marga DT til að bæta afköst með því að nota bootstrap aggregation aðferð sem býr til veikan flokkara fyrir hvert sýni með því að draga af handahófi sýni af sömu stærð margoft úr upprunalega gagnasafninu48. Við notuðum 100 tré, 10 trjádýpt, 1 lágmarks hnútastærð og Gini blöndunarvísitölu sem hnútaaðskilnaðarviðmið. Flokkun nýrra gagna er ákvörðuð með meirihlutaatkvæðagreiðslu. XGBoost er reiknirit sem sameinar uppörvunartækni með því að nota aðferð sem tekur sem þjálfunargögn villuna milli raunverulegra og spáðra gilda fyrri líkans og eykur villuna með því að nota halla49. Þetta er mikið notaður reiknirit vegna góðrar afkösts og auðlindanýtingar, sem og mikillar áreiðanleika sem leiðréttingarfall fyrir ofmátun. Líkanið er búið 400 stuðningshjólum. MLP er tauganet þar sem einn eða fleiri skynjarar mynda mörg lög með einu eða fleiri földum lögum á milli inntaks- og úttakslaganna38. Með þessu er hægt að framkvæma ólínulega flokkun þar sem þegar inntakslag er bætt við og niðurstöðugildi fæst, er spáð niðurstöðugildi borið saman við raunverulegt niðurstöðugildi og villan dreifist til baka. Við bjuggum til falið lag með 20 földum taugafrumum í hverju lagi. Hvert líkan sem við þróuðum var notað á innri og ytri mengi til að prófa flokkunarárangur með því að reikna út næmi, sértækni, PPV, NPV og AUROC. Næmi er skilgreint sem hlutfall úrtaks sem áætlað er að sé 18 ára eða eldra og úrtaks sem áætlað er að sé 18 ára eða eldra. Sértækni er hlutfall úrtaka undir 18 ára aldri og þeirra sem áætlað er að séu undir 18 ára aldri.
Tannþrepin sem metin voru í þjálfunarsettinu voru breytt í töluleg þrep fyrir tölfræðilega greiningu. Fjölbreytu línuleg og lógísk aðhvarfsgreining var framkvæmd til að þróa spálíkön fyrir hvort kyn og leiða út aðhvarfsformúlur sem hægt er að nota til að meta aldur. Við notuðum þessar formúlur til að meta tannaldur fyrir bæði innri og ytri prófsett. Tafla 4 sýnir aðhvarfs- og flokkunarlíkönin sem notuð voru í þessari rannsókn.
Reiknuð var áreiðanleiki innan og milli matsmanna með því að nota kappa-tölfræði Cohens. Til að prófa nákvæmni DM og hefðbundinna aðhvarfsgreiningarlíkana reiknuðum við MAE og RMSE með því að nota áætlaðan og raunverulegan aldur innri og ytri prófunarsetta. Þessi skekkjur eru almennt notaðar til að meta nákvæmni líkanspáa. Því minni sem skekkjan er, því meiri er nákvæmni spárinnar24. Berið saman MAE og RMSE innri og ytri prófunarsetta reiknuð með DM og hefðbundinni aðhvarfsgreiningu. Flokkunarárangur 18 ára viðmiðunarmarkmiðsins í hefðbundinni tölfræði var metinn með því að nota 2 × 2 viðbragðstöflu. Reiknuð næmi, sértækni, PPV, NPV og AUROC prófunarsettsins voru borin saman við mæld gildi DM flokkunarlíkansins. Gögn eru gefin upp sem meðaltal ± staðalfrávik eða tala (%) eftir eiginleikum gagnanna. Tvíhliða P-gildi <0,05 voru talin tölfræðilega marktæk. Allar hefðbundnar tölfræðigreiningar voru framkvæmdar með SAS útgáfu 9.4 (SAS Institute, Cary, NC). Aðhvarfslíkanið fyrir DM var útfært í Python með því að nota Keras50 2.2.4 bakgrunn og Tensorflow51 1.8.0 sérstaklega fyrir stærðfræðilegar aðgerðir. Flokkunarlíkanið fyrir DM var útfært í Waikato Knowledge Analysis Environment og Konstanz Information Miner (KNIME) 4.6.152 greiningarvettvanginum.
Höfundarnir viðurkenna að gögn sem styðja niðurstöður rannsóknarinnar er að finna í greininni og viðbótarefni. Gögnin sem voru búin til og/eða greind í rannsókninni eru aðgengileg frá viðkomandi höfundi ef sanngjarnt er óskað eftir því.
Ritz-Timme, S. o.fl. Aldursmat: staða tækni til að uppfylla sértækar kröfur réttarlæknisfræði. Alþjóðahyggja. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., og Olze, A. Núverandi staða réttarlæknisfræðilegrar aldursmats á lifandi einstaklingum í sakamálaskyni. Réttarlæknisfræði. 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. klínísk. Munnskoðun. 25, 3463–3474 (2021).
Lee, SS o.fl. Tímaröð þróunar annarrar og þriðju jaxla hjá Kóreubúum og notkun hennar við réttarlæknisfræðilega aldursgreiningu. alþjóðamál. J. Legal medicine. 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 hjá Kóreumönnum og Japönum. PLoS ONE 17, e0271247 (2022).
Kim, JY, o.fl. Gagnagreining fyrir aðgerð byggð á vélanámi getur spáð fyrir um niðurstöður svefnaðgerða hjá sjúklingum með kæfisvefn. vísindin. Skýrsla 11, 14911 (2021).
Han, M. o.fl. Nákvæm aldursmat með vélanámi með eða án íhlutunar manna? Alþjóðahyggja. J. Legal medicine. 136, 821–831 (2022).
Khan, S. og Shaheen, M. Frá gagnanámi til gagnanáms. J. Upplýsingar. Vísindin. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. og Shaheen, M. WisRule: Fyrsta hugræna reikniritið fyrir nám tengslareglna. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. og Abdullah U. Karm: Hefðbundin gagnanám byggð á samhengisbundnum tengslareglum. reikna. Matt. halda áfram. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. og Habib M. Djúpnám byggð á merkingarfræðilegri líkindagreiningu með því að nota textagögn. Upplýsingatækni. Stjórnun. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., og Shahin, M. Kerfi til að greina virkni í íþróttamyndböndum. margmiðlun. Verkfæri og forrit https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS o.fl. RSNA vélanámsáskorun í beinaldri barna. Röntgenlækningar 290, 498–503 (2019).
Li, Y. o.fl. Réttarmeinafræðileg aldursmat út frá röntgenmyndum af grindarholi með djúpnámi. EURO. geislun. 29, 2322–2329 (2019).
Guo, YC, o.fl. Nákvæm aldursflokkun með handvirkum aðferðum og djúpum fellingartauganetum úr réttritunarmyndum. alþjóðahyggja. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora o.fl. Áætlun beinaldurs með mismunandi vélanámsaðferðum: kerfisbundin yfirlitsgreining og safngreining. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., og Yang, J. Aldursmat á afrískum og kínverskum einstaklingum miðað við íbúafjölda byggt á rúmmáli kvoðahólfs fyrstu jaxla með því að nota keilugeislatölvusneiðmyndatöku. alþjóðafræði. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK og Oh KS. Ákvörðun aldurshópa lifandi fólks með því að nota myndir af fyrstu jaxlum byggðar á gervigreind. Vísindin. Skýrsla 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., og Urschler, M. Sjálfvirk aldursmat og flokkun meirihlutaaldurs út frá fjölbreytu segulómunargögnum. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. og Li, G. Aldursmat byggt á þrívíddargreiningu á fyrstu jaxlum úr keilugeislatölvusneiðmynd með því að samþætta djúpnám og stigsett. alþjóðahyggja. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, o.fl. Gagnanám í klínískum stórgögnum: algengir gagnagrunnar, skref og aðferðalíkön. World. medicine. resource. 8, 44 (2021).
Yang, J. o.fl. Inngangur að gagnagrunnum í læknisfræði og gagnanámstækni á tímum stórgagna. J. Avid. Grunnatriði í læknisfræði. 13, 57–69 (2020).
Shen, S. o.fl. Aðferð Camerers til að meta aldur tanna með vélanámi. BMC Oral Health 21, 641 (2021).
Galliburg A. o.fl. Samanburður á mismunandi vélanámsaðferðum til að spá fyrir um aldur tannlækna með stigunaraðferð Demirdjian. alþjóðafræði. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. og Tanner, JM Nýtt kerfi til að meta aldur tannholds. Snort. Biology. 45, 211–227 (1973).
Landis, JR, og Koch, GG Mælingar á samræmi áhorfenda á flokkunargögnum. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK og Choi HK. Áferðar-, formfræðileg og tölfræðileg greining á tvívíddar segulómun með notkun gervigreindar til aðgreiningar á frumheilaæxlum. Heilbrigðisupplýsingar. Heimild. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Birtingartími: 4. janúar 2024