Grazie per aver visitato Nature.com. La versione del browser che stai utilizzando ha un supporto CSS limitato. Per i migliori risultati, ti consigliamo di utilizzare una versione più recente del browser (o disattivare la modalità di compatibilità in Internet Explorer). Nel frattempo, per garantire un supporto continuo, stiamo mostrando il sito senza styling o JavaScript.
I denti sono considerati l'indicatore più accurato dell'età del corpo umano e sono spesso utilizzati nella valutazione dell'età forense. Abbiamo mirato a convalidare le stime dell'età dentale basate sul mining confrontando l'accuratezza della stima e le prestazioni di classificazione della soglia di 18 anni con i metodi tradizionali e le stime dell'età basate sul data mining. Un totale di 2657 radiografie panoramiche sono state raccolte da cittadini coreani e giapponesi di età compresa tra 15 e 23 anni. Erano divisi in un set di addestramento, ciascuno contenente 900 radiografie coreane e un set di test interno contenente 857 radiografie giapponesi. Abbiamo confrontato l'accuratezza della classificazione e l'efficienza dei metodi tradizionali con set di test di modelli di data mining. L'accuratezza del metodo tradizionale sul set di test interno è leggermente superiore a quella del modello di data mining e la differenza è piccola (errore assoluto medio <0,21 anni, errore medio radice <0,24 anni). Le prestazioni di classificazione per il taglio di 18 anni sono anche simili tra metodi tradizionali e modelli di data mining. Pertanto, i metodi tradizionali possono essere sostituiti da modelli di data mining quando si eseguono la valutazione dell'età forense utilizzando la maturità del secondo e terzo molare negli adolescenti coreani e nei giovani adulti.
La stima dell'età dentale è ampiamente utilizzata nella medicina forense e nell'odontoiatria pediatrica. In particolare, a causa dell'elevata correlazione tra età cronologica e sviluppo dentale, la valutazione dell'età da parte delle fasi di sviluppo dentale è un criterio importante per valutare l'età dei bambini e degli adolescenti1,2,3. Tuttavia, per i giovani, stimare l'età dentale basata sulla maturità dentale ha i suoi limiti perché la crescita dentale è quasi completa, ad eccezione dei terzi molari. Lo scopo legale di determinare l'età dei giovani e degli adolescenti è quello di fornire stime accurate e prove scientifiche se hanno raggiunto l'età della maggioranza. Nella pratica medica-legale degli adolescenti e dei giovani adulti in Corea, l'età è stata stimata usando il metodo di Lee e una soglia legale di 18 anni è stata prevista in base ai dati riportati da OH et al 5.
L'apprendimento automatico è un tipo di intelligenza artificiale (AI) che apprende ripetutamente e classifica grandi quantità di dati, risolve i problemi da sola e guida la programmazione dei dati. L'apprendimento automatico può scoprire utili modelli nascosti in grandi volumi di dati6. Al contrario, i metodi classici, che sono ad alta intensità di lavoro e che richiedono tempo, possono avere limitazioni quando si tratta di grandi volumi di dati complessi che sono difficili da elaborare manualmente7. Pertanto, molti studi sono stati condotti recentemente utilizzando le ultime tecnologie informatiche per ridurre al minimo gli errori umani ed elaborare in modo efficiente i dati multidimensionali8,9,10,11,12. In particolare, l'apprendimento profondo è stato ampiamente utilizzato nell'analisi delle immagini mediche e sono stati segnalati vari metodi per la stima dell'età analizzando automaticamente le radiografie per migliorare l'accuratezza e l'efficienza della stima dell'età13,14,15,16,17,19,20 . Ad esempio, Halabi et al 13 ha sviluppato un algoritmo di apprendimento automatico basato su reti neurali convoluzionali (CNN) per stimare l'età scheletrica usando radiografie delle mani dei bambini. Questo studio propone un modello che applica l'apprendimento automatico alle immagini mediche e mostra che questi metodi possono migliorare l'accuratezza diagnostica. Li et al14 Età stimata dalle immagini a raggi X pelvic usando una CNN di apprendimento profondo e le hanno confrontate con i risultati di regressione usando la stima dello stadio di ossificazione. Hanno scoperto che il modello CNN di Deep Learning ha mostrato la stessa prestazione di stima dell'età del tradizionale modello di regressione. Lo studio di Guo et al. [15] ha valutato le prestazioni di classificazione della tolleranza all'età della tecnologia CNN basate su ortofoti dentali e i risultati del modello CNN hanno dimostrato che gli umani hanno sovraperformato le sue prestazioni di classificazione dell'età.
La maggior parte degli studi sulla stima dell'età utilizzando l'apprendimento automatico utilizza metodi di apprendimento profondo13,14,15,16,17,18,19,20. La stima dell'età basata sull'apprendimento profondo è più accurata dei metodi tradizionali. Tuttavia, questo approccio offre poche opportunità per presentare le basi scientifiche per le stime dell'età, come gli indicatori di età utilizzati nelle stime. C'è anche una disputa legale su chi conduce le ispezioni. Pertanto, la stima dell'età basata sull'apprendimento profondo è difficile da accettare dalle autorità amministrative e giudiziarie. Il data mining (DM) è una tecnica che può scoprire non solo informazioni previste ma anche impreviste come metodo per scoprire utili correlazioni tra grandi quantità di dati6,21,22. L'apprendimento automatico viene spesso utilizzato nel data mining e sia il data mining che l'apprendimento automatico utilizzano gli stessi algoritmi chiave per scoprire i modelli nei dati. La stima dell'età mediante sviluppo dentale si basa sulla valutazione dell'esaminatore della maturità dei denti target e questa valutazione è espressa come stadio per ciascun dente bersaglio. Il DM può essere utilizzato per analizzare la correlazione tra stadio di valutazione dentale e età effettiva e ha il potenziale per sostituire l'analisi statistica tradizionale. Pertanto, se applichiamo le tecniche DM alla stima dell'età, possiamo implementare l'apprendimento automatico nella stima dell'età forense senza preoccuparci della responsabilità legale. Diversi studi comparativi sono stati pubblicati su possibili alternative ai metodi manuali tradizionali utilizzati nella pratica forense e metodi basati su EBM per determinare l'età dentale. Shen et al23 hanno mostrato che il modello DM è più accurato della tradizionale formula Camerer. Galibourg et al24 hanno applicato diversi metodi DM per prevedere l'età secondo il criterio di Demirdjian25 e i risultati hanno mostrato che il metodo DM ha sovraperformato i metodi Demirdjian e Willems nella stima dell'età della popolazione francese.
Per stimare l'era dentale degli adolescenti coreani e dei giovani adulti, il metodo 4 di Lee è ampiamente utilizzato nella pratica forense coreana. Questo metodo utilizza un'analisi statistica tradizionale (come la regressione multipla) per esaminare la relazione tra soggetti coreani e età cronologica. In questo studio, i metodi di stima dell'età ottenuti usando metodi statistici tradizionali sono definiti come "metodi tradizionali". Il metodo di Lee è un metodo tradizionale e la sua precisione è stata confermata da Oh et al. 5; Tuttavia, l'applicabilità della stima dell'età basata sul modello DM nella pratica forense coreana è ancora discutibile. Il nostro obiettivo era di convalidare scientificamente la potenziale utilità della stima dell'età in base al modello DM. Lo scopo di questo studio era (1) di confrontare l'accuratezza di due modelli DM nella stima dell'età dentale e (2) per confrontare le prestazioni di classificazione di 7 modelli DM all'età di 18 anni con quelli ottenuti utilizzando la maturità tradizionali statistici dei metodi statistici del secondo e terzi molari in entrambe le mascelle.
I mezzi e le deviazioni standard dell'età cronologica per fase e il tipo di dente sono mostrate online nella tabella supplementare S1 (set di addestramento), Tabella supplementare S2 (set di test interni) e Tabella supplementare S3 (set di test esterni). I valori di kappa per l'affidabilità intra e interosserver ottenuta dal set di addestramento erano rispettivamente 0,951 e 0,947. I valori di P e gli intervalli di confidenza al 95% per i valori di kappa sono mostrati nella tabella supplementare online S4. Il valore di Kappa è stato interpretato come "quasi perfetto", coerente con i criteri di Landis e Koch26.
Quando si confronta l'errore assoluto medio (MAE), il metodo tradizionale supera leggermente il modello DM per tutti i sessi e nel set di test maschili esterni, ad eccezione del percetron multistrato (MLP). La differenza tra il modello tradizionale e il modello DM sul set di test MAE interno era di 0,12-0,19 anni per gli uomini e 0,17-0,21 anni per le donne. Per la batteria di prova esterna, le differenze sono più piccole (0,001-0,05 anni per gli uomini e 0,05-0,09 anni per le donne). Inoltre, l'errore quadratico medio radice (RMSE) è leggermente inferiore al metodo tradizionale, con differenze minori (0,17-0,24, 0,2-0,24 per il set di test interni maschili e 0,03-0,07, 0,04-0,08 per set di test esterni). ). MLP mostra prestazioni leggermente migliori rispetto a perceptron a singolo strato (SLP), tranne nel caso del set di test esterni femminili. Per MAE e RMSE, il set di test esterni punteggia più in alto rispetto al set di test interno per tutti i sessi e i modelli. Tutti i MAE e RMSE sono mostrati nella Tabella 1 e nella Figura 1.
MAE e RMSE di modelli di regressione tradizionali e di data mining. Errore assoluto medio MAE, root Media Square Errore RMSE, Slecetron SLP a singolo livello, MLP multistrato perceptron, metodo CM tradizionale.
Le prestazioni di classificazione (con un limite di 18 anni) dei modelli tradizionali e DM sono stati dimostrati in termini di sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV) e area sotto la curva caratteristica operativa del ricevitore (AUROC) 27 (Tabella 2, Figura 2 e supplementare Figura 1 online). In termini di sensibilità della batteria del test interno, i metodi tradizionali si sono comportati meglio tra gli uomini e peggio tra le donne. Tuttavia, la differenza nelle prestazioni di classificazione tra metodi tradizionali e SD è del 9,7% per gli uomini (MLP) e solo del 2,4% per le donne (XGBoost). Tra i modelli DM, la regressione logistica (LR) ha mostrato una migliore sensibilità in entrambi i sessi. Per quanto riguarda la specificità del set di test interni, è stato osservato che i quattro modelli SD si sono comportati bene nei maschi, mentre il modello tradizionale ha funzionato meglio nelle femmine. Le differenze nelle prestazioni di classificazione per maschi e femmine sono rispettivamente del 13,3% (MLP) e del 13,1% (MLP), indicando che la differenza nelle prestazioni di classificazione tra i modelli supera la sensibilità. Tra i modelli DM, i modelli di supporto vettoriale (SVM), albero decisionale (DT) e foresta casuale (RF) si sono comportati meglio tra i maschi, mentre il modello LR ha funzionato meglio tra le femmine. L'AUROC del modello tradizionale e di tutti i modelli SD era maggiore di 0,925 (vicino K-più (KNN) negli uomini), dimostrando eccellenti prestazioni di classificazione nel discriminare campioni di 18 anni28. Per il set di test esterni, si è verificata una diminuzione delle prestazioni di classificazione in termini di sensibilità, specificità e AUROC rispetto al set di test interni. Inoltre, la differenza di sensibilità e specificità tra le prestazioni di classificazione dei modelli migliori e peggiori variava dal 10% al 25% ed era maggiore della differenza nel set di test interni.
Sensibilità e specificità dei modelli di classificazione del data mining rispetto ai metodi tradizionali con un limite di 18 anni. KNN K Vicino più vicino, macchina vettoriale di supporto SVM, regressione logistica LR, albero decisionale DT, foresta casuale RF, XGB XGBoost, percetron multistrato MLP, metodo CM tradizionale.
Il primo passo in questo studio è stato quello di confrontare l'accuratezza delle stime dell'età dentale ottenute da sette modelli DM con quelli ottenuti usando la regressione tradizionale. MAE e RMSE sono stati valutati in set di test interni per entrambi i sessi e la differenza tra il metodo tradizionale e il modello DM variava da 44 a 77 giorni per MAE e da 62 a 88 giorni per RMSE. Sebbene il metodo tradizionale fosse leggermente più accurato in questo studio, è difficile concludere se una differenza così piccola abbia un significato clinico o pratico. Questi risultati indicano che l'accuratezza della stima dell'età dentale usando il modello DM è quasi la stessa di quella del metodo tradizionale. Il confronto diretto con i risultati di studi precedenti è difficile perché nessuno studio ha confrontato l'accuratezza dei modelli DM con metodi statistici tradizionali usando la stessa tecnica di registrazione dei denti nella stessa fascia d'età di questo studio. Galibourg et al24 ha confrontato MAE e RMSE tra due metodi tradizionali (Method25 Demirjian25 e Willems Method29) e 10 modelli DM in una popolazione francese di età compresa tra 2 e 24 anni. Hanno riferito che tutti i modelli DM erano più accurati dei metodi tradizionali, con differenze di 0,20 e 0,38 anni in MAE e 0,25 e 0,47 anni in RMSE rispetto ai metodi Willems e Demirdjian, rispettivamente. La discrepanza tra il modello SD e i metodi tradizionali mostrati nello studio di Halibourg tiene conto di numerosi rapporti30,31,32,33 secondo cui il metodo Demirdjian non stima accuratamente l'età dentale in popolazioni diverse dai canadesi francesi su cui si basava lo studio. In questo studio. Tai et al 34 hanno usato l'algoritmo MLP per prevedere l'età dei denti da 1636 fotografie ortodontiche cinesi e ha confrontato la sua precisione con i risultati del metodo Demirjian e Willems. Hanno riferito che MLP ha una precisione maggiore rispetto ai metodi tradizionali. La differenza tra il metodo Demirdjian e il metodo tradizionale è <0,32 anni e il metodo Willems è di 0,28 anni, che è simile ai risultati del presente studio. I risultati di questi studi precedenti24,34 sono anche coerenti con i risultati del presente studio e l'accuratezza della stima dell'età del modello DM e il metodo tradizionale sono simili. Tuttavia, in base ai risultati presentati, possiamo solo concludere con cautela che l'uso di modelli DM per stimare l'età può sostituire i metodi esistenti a causa della mancanza di studi precedenti comparativi e di riferimento. Sono necessari studi di follow-up che utilizzano campioni più grandi per confermare i risultati ottenuti in questo studio.
Tra gli studi che hanno testato l'accuratezza della SD nella stima dell'età dentale, alcuni hanno mostrato una precisione maggiore rispetto al nostro studio. Stepanovsky et al 35 hanno applicato 22 modelli SD a radiografie panoramiche di 976 residenti cechi di età compresa tra 2,7 e 20,5 anni e hanno testato l'accuratezza di ciascun modello. Hanno valutato lo sviluppo di un totale di 16 denti permanenti di sinistra superiore e inferiore utilizzando i criteri di classificazione proposti da Moorrees et al 36. Il MAE varia da 0,64 a 0,94 anni e l'RMSE varia da 0,85 a 1,27 anni, che sono più accurati dei due modelli DM utilizzati in questo studio. Shen et al23 ha usato il metodo Cameriere per stimare l'età dentale di sette denti permanenti nella mandibola sinistra nei residenti cinesi orientali di età compresa tra 5 e 13 anni e confrontarlo con le età stimate usando regressione lineare, SVM e RF. Hanno dimostrato che tutti e tre i modelli DM hanno una precisione maggiore rispetto alla tradizionale formula Cameriere. Il MAE e l'RMSE nello studio di Shen erano inferiori a quelli del modello DM in questo studio. La maggiore precisione degli studi di Stepanovsky et al. 35 e Shen et al. 23 può essere dovuto all'inclusione di soggetti più giovani nei loro campioni di studio. Poiché le stime dell'età per i partecipanti con i denti in via di sviluppo diventano più accurati all'aumentare del numero di denti durante lo sviluppo dentale, l'accuratezza del metodo di stima dell'età risultante può essere compromessa quando i partecipanti allo studio sono più giovani. Inoltre, l'errore di MLP nella stima dell'età è leggermente più piccolo di quello di SLP, il che significa che MLP è più accurato di SLP. MLP è considerato leggermente migliore per la stima dell'età, probabilmente a causa degli strati nascosti in MLP38. Tuttavia, c'è un'eccezione per il campione esterno di donne (SLP 1.45, MLP 1.49). La constatazione che il MLP è più accurata della SLP nella valutazione dell'età richiede ulteriori studi retrospettivi.
Sono state anche confrontate le prestazioni di classificazione del modello DM e il metodo tradizionale a una soglia di 18 anni. Tutti i modelli SD testati e i metodi tradizionali sul set di test interni hanno mostrato livelli praticamente accettabili di discriminazione per il campione di 18 anni. La sensibilità per uomini e donne era maggiore dell'87,7% e del 94,9%, rispettivamente e la specificità era maggiore dell'89,3% e dell'84,7%. L'AUROC di tutti i modelli testati supera anche 0,925. Per quanto ne sappiamo, nessuno studio ha testato le prestazioni del modello DM per la classificazione di 18 anni basata sulla maturità dentale. Possiamo confrontare i risultati di questo studio con le prestazioni di classificazione dei modelli di apprendimento profondo sulle radiografie panoramiche. Guo et al.15 ha calcolato le prestazioni di classificazione di un modello di apprendimento profondo basato sulla CNN e un metodo manuale basato sul metodo di Demirjian per una certa soglia di età. La sensibilità e la specificità del metodo manuale erano rispettivamente dell'87,7% e del 95,5% e la sensibilità e la specificità del modello CNN superavano rispettivamente l'89,2% e l'86,6%. Hanno concluso che i modelli di apprendimento profondo possono sostituire o superare la valutazione manuale nella classificazione delle soglie di età. I risultati di questo studio hanno mostrato prestazioni di classificazione simili; Si ritiene che la classificazione usando i modelli DM possa sostituire i metodi statistici tradizionali per la stima dell'età. Tra i modelli, DM LR era il miglior modello in termini di sensibilità per il campione maschile e la sensibilità e la specificità per il campione femminile. LR è al secondo posto in specificità per gli uomini. Inoltre, LR è considerato uno dei modelli DM35 più intuitivi ed è meno complesso e difficile da elaborare. Sulla base di questi risultati, LR è stato considerato il miglior modello di classificazione del taglio per i diciottenni nella popolazione coreana.
Nel complesso, l'accuratezza della stima dell'età o delle prestazioni di classificazione sul set di test esterne era scarsa o inferiore rispetto ai risultati sul set di test interni. Alcuni rapporti indicano che l'accuratezza della classificazione o l'efficienza diminuiscono quando le stime dell'età basate sulla popolazione coreana vengono applicate alla popolazione giapponese 5,39 e un modello simile è stato trovato nel presente studio. Questa tendenza al deterioramento è stata osservata anche nel modello DM. Pertanto, per stimare accuratamente l'età, anche quando si utilizza DM nel processo di analisi, dovrebbero essere preferiti i metodi derivati dai dati della popolazione nativa, come i metodi tradizionali, 5,39,40,41,42. Poiché non è chiaro se i modelli di apprendimento profondo possano mostrare tendenze simili, studi che confrontano l'accuratezza e l'efficienza della classificazione utilizzando metodi tradizionali, modelli DM e modelli di apprendimento profondo sugli stessi campioni per confermare se l'intelligenza artificiale può superare queste disparità razziali in età limitata. valutazioni.
Dimostriamo che i metodi tradizionali possono essere sostituiti dalla stima dell'età in base al modello DM nella pratica della stima dell'età forense in Corea. Abbiamo anche scoperto la possibilità di implementare l'apprendimento automatico per la valutazione dell'età forense. Tuttavia, ci sono chiare limitazioni, come il numero insufficiente di partecipanti in questo studio per determinare definitivamente i risultati e la mancanza di studi precedenti per confrontare e confermare i risultati di questo studio. In futuro, gli studi DM dovrebbero essere condotti con un numero maggiore di campioni e popolazioni più diverse per migliorare la sua applicabilità pratica rispetto ai metodi tradizionali. Per convalidare la fattibilità dell'uso dell'intelligenza artificiale per stimare l'età in più popolazioni, sono necessari studi futuri per confrontare l'accuratezza della classificazione e l'efficienza del DM e dei modelli di apprendimento profondo con metodi tradizionali negli stessi campioni.
Lo studio ha utilizzato 2.657 fotografie ortografiche raccolte da adulti coreani e giapponesi dai 15 ai 23 anni. Le radiografie coreane sono state divise in 900 set di addestramento (19,42 ± 2,65 anni) e 900 set di test interni (19,52 ± 2,59 anni). Il set di formazione è stato raccolto in un istituto (Seoul St. Mary's Hospital) e il set di test è stato raccolto in due istituzioni (Seoul National University Dental Hospital e Yonsei University Dental Hospital). Abbiamo anche raccolto 857 radiografie da altri dati basati sulla popolazione (Iwate Medical University, Giappone) per test esterni. Le radiografie dei soggetti giapponesi (19,31 ± 2,60 anni) sono state selezionate come set di test esterni. I dati sono stati raccolti retrospettivamente per analizzare le fasi dello sviluppo dentale sulle radiografie panoramiche assunte durante il trattamento dentale. Tutti i dati raccolti erano anonimi ad eccezione del genere, della data di nascita e della data di radiografia. I criteri di inclusione ed esclusione erano gli stessi degli studi 4, 5 precedentemente pubblicati. L'età effettiva del campione è stata calcolata sottraendo la data di nascita dalla data in cui è stata presa la radiografia. Il gruppo di esempio è stato diviso in nove fasce di età. Le distribuzioni di età e sesso sono mostrate nella Tabella 3 Questo studio è stato condotto in conformità con la Dichiarazione di Helsinki e approvato dal Comitato di revisione istituzionale (IRB) dell'ospedale di Seoul St. Mary dell'Università cattolica di Corea (KC22WISI0328). A causa della progettazione retrospettiva di questo studio, non è stato possibile ottenere il consenso informato da tutti i pazienti sottoposti a esame radiografico per scopi terapeutici. L'Università di Seoul Korea St. Mary's Hospital (IRB) ha rinunciato al requisito per il consenso informato.
Le fasi di sviluppo del secondo e terzo molare bimaxillari sono state valutate secondo i criteri di Demircan25. È stato selezionato solo un dente se lo stesso tipo di dente è stato trovato sui lati sinistro e destro di ogni mascella. Se i denti omologhi su entrambi i lati erano in diverse fasi di sviluppo, il dente con la fase di sviluppo inferiore è stato selezionato per tenere conto dell'incertezza nell'età stimata. Cento radiografie selezionate in modo casuale dal set di addestramento sono state valutate da due osservatori esperti per testare l'affidabilità degli interosservatori dopo la precalibrazione per determinare lo stadio di maturità dentale. L'affidabilità intraobserver è stata valutata due volte a intervalli di tre mesi dall'osservatore primario.
La fase di sesso e sviluppo del secondo e terzo molare di ogni mascella nel set di allenamento è stata stimata da un osservatore primario addestrato con diversi modelli DM e l'età effettiva è stata impostata come valore target. I modelli SLP e MLP, ampiamente utilizzati nell'apprendimento automatico, sono stati testati contro gli algoritmi di regressione. Il modello DM combina funzioni lineari utilizzando le fasi di sviluppo dei quattro denti e combina questi dati per stimare l'età. SLP è la rete neurale più semplice e non contiene livelli nascosti. SLP funziona in base alla trasmissione di soglia tra i nodi. Il modello SLP nella regressione è matematicamente simile alla regressione lineare multipla. A differenza del modello SLP, il modello MLP ha più livelli nascosti con funzioni di attivazione non lineari. I nostri esperimenti hanno utilizzato uno strato nascosto con solo 20 nodi nascosti con funzioni di attivazione non lineari. Usa la discesa gradiente come metodo di ottimizzazione e MAE e RMSE come funzione di perdita per formare il nostro modello di apprendimento automatico. Il modello di regressione più ottenuto è stato applicato ai set di test interni ed esterni e è stata stimata l'età dei denti.
È stato sviluppato un algoritmo di classificazione che utilizza la maturità di quattro denti sul set di addestramento per prevedere se un campione ha 18 anni o meno. Per costruire il modello, abbiamo derivato sette algoritmi di apprendimento automatico di rappresentazione6,43: (1) LR, (2) KNN, (3) SVM, (4) dt, (5) RF, (6) XGBoost e (7) MLP . LR è uno degli algoritmi di classificazione più utilizzati44. È un algoritmo di apprendimento supervisionato che utilizza la regressione per prevedere la probabilità di dati appartenenti a una determinata categoria da 0 a 1 e classifica i dati come appartenenti a una categoria più probabile in base a questa probabilità; utilizzato principalmente per la classificazione binaria. KNN è uno degli algoritmi di apprendimento automatico più semplici45. Quando vengono dati nuovi dati di input, trova i dati K vicini al set esistente e quindi li classifica in classe con la frequenza più alta. Abbiamo fissato 3 per il numero di vicini considerati (k). SVM è un algoritmo che massimizza la distanza tra due classi utilizzando una funzione del kernel per espandere lo spazio lineare in uno spazio non lineare chiamato Fields46. Per questo modello, utilizziamo bias = 1, potenza = 1 e gamma = 1 come iperparametri per il kernel polinomiale. DT è stato applicato in vari campi come algoritmo per la divisione di un intero set di dati in diversi sottogruppi rappresentando le regole di decisione in una struttura ad albero47. Il modello è configurato con un numero minimo di record per nodo di 2 e utilizza l'indice Gini come misura di qualità. RF è un metodo di ensemble che combina più DT per migliorare le prestazioni utilizzando un metodo di aggregazione bootstrap che genera un classificatore debole per ciascun campione disegnando campioni casualmente della stessa dimensione più volte dal Dataset48 originale. Abbiamo usato 100 alberi, 10 profondità d'albero, 1 dimensione minima del nodo e indice di miscela Gini come criteri di separazione del nodo. La classificazione di nuovi dati è determinata da un voto a maggioranza. XGBoost è un algoritmo che combina tecniche di aumento utilizzando un metodo che richiede dati di addestramento all'errore tra i valori effettivi e previsti del modello precedente e aumenta l'errore usando Gradients49. È un algoritmo ampiamente utilizzato grazie alla sua buona prestazione ed efficienza delle risorse, nonché ad alta affidabilità come funzione di correzione eccessiva. Il modello è dotato di 400 ruote di supporto. MLP è una rete neurale in cui uno o più percetroni formano più livelli con uno o più livelli nascosti tra i livelli di input e output38. Usando questo, è possibile eseguire una classificazione non lineare in cui quando si aggiunge un livello di input e si ottiene un valore del risultato, il valore del risultato previsto viene confrontato con il valore del risultato effettivo e l'errore viene propagato. Abbiamo creato uno strato nascosto con 20 neuroni nascosti in ogni strato. Ogni modello che abbiamo sviluppato è stato applicato a set interni ed esterni per testare le prestazioni di classificazione calcolando la sensibilità, la specificità, il PPV, il NPV e l'AUROC. La sensibilità è definita come il rapporto tra un campione stimato in età pari o superiore a 18 anni e un campione stimato in età pari o superiore a 18 anni. La specificità è la percentuale di campioni di età inferiore ai 18 anni e quelli stimati hanno meno di 18 anni.
Le fasi dentali valutate nel set di addestramento sono state convertite in fasi numeriche per l'analisi statistica. La regressione lineare e logistica multivariata è stata eseguita per sviluppare modelli predittivi per ciascun sesso e derivare formule di regressione che possono essere utilizzate per stimare l'età. Abbiamo usato queste formule per stimare l'età dei denti per set di test sia interni che esterni. La tabella 4 mostra i modelli di regressione e classificazione utilizzati in questo studio.
L'affidabilità intra e interosserver è stata calcolata utilizzando la statistica Kappa di Cohen. Per testare l'accuratezza dei modelli di regressione DM e tradizionali, abbiamo calcolato MAE e RMSE usando le età stimate e effettive dei set di test interni ed esterni. Questi errori sono comunemente usati per valutare l'accuratezza delle previsioni del modello. Più piccolo è l'errore, maggiore è l'accuratezza della previsione24. Confronta il MAE e l'RMSE di set di test interni ed esterni calcolati usando DM e regressione tradizionale. Le prestazioni di classificazione del taglio di 18 anni nelle statistiche tradizionali sono state valutate utilizzando una tabella di emergenza 2 × 2. La sensibilità calcolata, la specificità, PPV, NPV e AUROC del set di test sono stati confrontati con i valori misurati del modello di classificazione DM. I dati sono espressi come media ± deviazione standard o numero (%) a seconda delle caratteristiche dei dati. I valori P a due lati <0,05 sono stati considerati statisticamente significativi. Tutte le analisi statistiche di routine sono state eseguite utilizzando SAS versione 9.4 (SAS Institute, Cary, NC). Il modello di regressione DM è stato implementato in Python usando Keras50 2.2.4 Backend e TensorFlow51 1.8.0 specificamente per le operazioni matematiche. Il modello di classificazione DM è stato implementato nell'ambiente di analisi della conoscenza di Waikato e nella piattaforma di analisi di Konstanz Information Miner (KNIME) 4.6.152.
Gli autori riconoscono che i dati a supporto delle conclusioni dello studio sono disponibili nell'articolo e nei materiali supplementari. I set di dati generati e/o analizzati durante lo studio sono disponibili dall'autore corrispondente su ragionevole richiesta.
Ritz-Timme, S. et al. Valutazione dell'età: stato dell'arte per soddisfare i requisiti specifici della pratica forense. Internazionalità. J. Medicine legale. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. e Olze, A. Stato attuale della valutazione dell'età forense di soggetti viventi a fini di procedimento giudiziario. Forense. medicinale. Patologia. 1, 239–246 (2005).
Pan, J. et al. Un metodo modificato per valutare l'età dentale dei bambini dai 5 ai 16 anni nella Cina orientale. clinico. Sondaggio orale. 25, 3463–3474 (2021).
Lee, SS ecc. Cronologia dello sviluppo del secondo e terzo molare in coreani e della sua applicazione per la valutazione dell'età forense. Internazionalità. J. Medicine legale. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY e Lee, accuratezza della stima dell'età e stima della soglia di 18 anni in base alla maturità del secondo e del terzo molare in coreani e giapponesi. PLoS One 17, E0271247 (2022).
Kim, Jy, et al. L'analisi dei dati basati sull'apprendimento automatico preoperatorio può prevedere il risultato del trattamento della chirurgia del sonno nei pazienti con OSA. la scienza. Rapporto 11, 14911 (2021).
Han, M. et al. Stima accurata dell'età dall'apprendimento automatico con o senza intervento umano? Internazionalità. J. Medicine legale. 136, 821–831 (2022).
Khan, S. e Shaheen, M. Dal data mining al data mining. J.Informazione. la scienza. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. e Shaheen, M. Wisrule: il primo algoritmo cognitivo per il mining delle regole dell'associazione. J.Informazione. la scienza. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. e Abdullah U. Karm: data mining tradizionale basata su regole di associazione basate sul contesto. calcolare. Opaco. continuare. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. e Habib M. Rilevamento di somiglianza semantica basata sull'apprendimento profondo utilizzando dati di testo. informare. tecnologie. controllare. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. e Shahin, M. Un sistema per riconoscere l'attività nei video sportivi. multimedia. Strumenti Applicazioni https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Machine Learning Challenge nell'era ossea pediatrica. Radiologia 290, 498–503 (2019).
Li, Y. et al. Stima dell'età forense dai raggi X pelvici che utilizzano l'apprendimento profondo. EURO. radiazione. 29, 2322–2329 (2019).
Guo, YC, et al. Classificazione dell'età accurata mediante metodi manuali e reti neurali convoluzionali profonde da immagini di proiezione ortografica. Internazionalità. J. Medicine legale. 135, 1589–1597 (2021).
Alabama Dalora et al. Stima dell'età ossea che utilizza diversi metodi di apprendimento automatico: una revisione sistematica della letteratura e una meta-analisi. PLoS One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. e Yang, J. Stima dell'età specifica della popolazione di afroamericani e cinesi basati sui volumi della camera di polpa dei primi molari usando la tomografia computerizzata a raggio di cono. Internazionalità. J. Medicine legale. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK e OH KS che determinano le fasce di età di persone viventi usando immagini basate sull'intelligenza artificiale dei primi molari. la scienza. Rapporto 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. e Urschler, M. Classificazione automatica dell'età e maggioranza dell'età da dati MRI multivariati. IEEE J. Biomed. Avvisi di salute. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. e Li, G. Stima dell'età basata sulla segmentazione della camera della polpa 3D dei primi molari dalla tomografia computerizzata a fascio di cono integrando i set di apprendimento profondo e livelli. Internazionalità. J. Medicine legale. 135, 365–373 (2021).
Wu, WT, et al. Data mining nei big clinici Big Data: modelli comuni di database, passaggi e metodi. Mondo. medicinale. risorsa. 8, 44 (2021).
Yang, J. et al. Introduzione a database medici e tecnologie di data mining nell'era dei big data. J. Avid. Medicina di base. 13, 57–69 (2020).
Shen, S. et al. Il metodo di Camerer per stimare l'età dei denti usando l'apprendimento automatico. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Confronto di diversi metodi di apprendimento automatico per prevedere l'età dentale usando il metodo di stadiazione di Demirdjian. Internazionalità. J. Medicine legale. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. e Tanner, JM Un nuovo sistema per valutare l'età dentale. sbuffo. biologia. 45, 211–227 (1973).
Landis, Jr e Koch, GG Misure di Observer Accordo sui dati categorici. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK e Choi HK. Analisi strutturale, morfologica e statistica dell'imaging di risonanza magnetica bidimensionale usando tecniche di intelligenza artificiale per la differenziazione dei tumori cerebrali primari. Informazioni sulla salute. risorsa. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Tempo post: gennaio-04-2024