Grazie per aver visitato Nature.com. La versione del browser che stai utilizzando ha un supporto CSS limitato. Per ottenere risultati ottimali, ti consigliamo di utilizzare una versione più recente del tuo browser (o di disattivare la modalità di compatibilità in Internet Explorer). Nel frattempo, per garantire il supporto continuo, il sito viene visualizzato senza stili o JavaScript.
I denti sono considerati l'indicatore più accurato dell'età di una persona e vengono spesso utilizzati nella valutazione forense dell'età. Il nostro obiettivo era quello di validare le stime dell'età basate sul data mining, confrontando l'accuratezza della stima e le prestazioni di classificazione della soglia dei 18 anni con i metodi tradizionali e le stime dell'età basate sul data mining. Sono state raccolte 2657 radiografie panoramiche di cittadini coreani e giapponesi di età compresa tra 15 e 23 anni. Queste sono state suddivise in un set di addestramento, contenente 900 radiografie coreane, e un set di test interno contenente 857 radiografie giapponesi. Abbiamo confrontato l'accuratezza e l'efficienza di classificazione dei metodi tradizionali con i set di test dei 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 minima (errore assoluto medio <0,21 anni, errore quadratico medio <0,24 anni). Anche le prestazioni di classificazione per la soglia dei 18 anni sono simili tra i metodi tradizionali e i modelli di data mining. Pertanto, i metodi tradizionali possono essere sostituiti da modelli di data mining quando si effettua una valutazione forense dell'età utilizzando la maturazione del secondo e del terzo molare negli adolescenti e nei giovani adulti coreani.
La stima dell'età dentale è ampiamente utilizzata in medicina legale e odontoiatria pediatrica. In particolare, a causa dell'elevata correlazione tra età cronologica e sviluppo dentale, la valutazione dell'età in base alle fasi di sviluppo dentale è un criterio importante per la valutazione dell'età di bambini e adolescenti1,2,3. Tuttavia, per i giovani, la stima dell'età dentale basata sulla maturità dentale presenta dei limiti poiché la crescita dentale è quasi completa, ad eccezione dei terzi molari. Lo scopo legale della determinazione dell'età di giovani e adolescenti è quello di fornire stime accurate e prove scientifiche del raggiungimento della maggiore età. Nella pratica medico-legale relativa ad adolescenti e giovani adulti in Corea, l'età è stata stimata utilizzando il metodo di Lee e una soglia legale di 18 anni è stata prevista sulla base dei dati riportati da Oh et al. 5.
L'apprendimento automatico è un tipo di intelligenza artificiale (IA) che apprende e classifica ripetutamente grandi quantità di dati, risolve i problemi in autonomia 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 richiedono molto lavoro e tempo, possono presentare limitazioni quando si tratta di grandi volumi di dati complessi difficili da elaborare manualmente7. Pertanto, molti studi sono stati condotti di recente utilizzando le più recenti tecnologie informatiche per minimizzare gli errori umani ed elaborare in modo efficiente dati multidimensionali8,9,10,11,12. In particolare, il deep learning è stato ampiamente utilizzato nell'analisi di immagini mediche e sono stati riportati vari metodi per la stima dell'età mediante l'analisi automatica di radiografie per migliorare l'accuratezza e l'efficienza della stima dell'età13,14,15,16,17,18,19,20. Ad esempio, Halabi et al. 13 hanno sviluppato un algoritmo di apprendimento automatico basato su reti neurali convoluzionali (CNN) per stimare l'età scheletrica utilizzando radiografie delle mani dei bambini. Questo studio propone un modello che applica l'apprendimento automatico alle immagini mediche e dimostra che questi metodi possono migliorare l'accuratezza diagnostica. Li et al.14 hanno stimato l'età da immagini radiografiche pelviche utilizzando una CNN di apprendimento profondo e le hanno confrontate con i risultati della regressione utilizzando la stima dello stadio di ossificazione. Hanno scoperto che il modello CNN di apprendimento profondo ha mostrato le stesse prestazioni di stima dell'età del modello di regressione tradizionale. Lo studio di Guo et al. [15] ha valutato le prestazioni di classificazione della tolleranza all'età della tecnologia CNN basata su ortofoto dentali e i risultati del modello CNN hanno dimostrato che gli esseri umani hanno superato le sue prestazioni di classificazione dell'età.
La maggior parte degli studi sulla stima dell'età tramite apprendimento automatico utilizza metodi di apprendimento profondo13,14,15,16,17,18,19,20. Si ritiene che la stima dell'età basata sull'apprendimento profondo sia più accurata rispetto ai metodi tradizionali. Tuttavia, questo approccio offre poche opportunità di presentare le basi scientifiche per le stime dell'età, come ad esempio gli indicatori di età utilizzati nelle stime stesse. Esiste inoltre una controversia legale su chi debba condurre le ispezioni. Pertanto, la stima dell'età basata sull'apprendimento profondo è difficile da accettare da parte delle autorità amministrative e giudiziarie. Il data mining (DM) è una tecnica in grado di scoprire non solo informazioni attese ma anche inattese, come metodo per individuare correlazioni utili tra grandi quantità di dati6,21,22. L'apprendimento automatico è spesso utilizzato nel data mining, ed entrambi utilizzano gli stessi algoritmi chiave per scoprire modelli nei dati. La stima dell'età basata sullo sviluppo dentale si fonda sulla valutazione da parte dell'esaminatore della maturazione dei denti bersaglio, espressa come stadio per ciascun dente bersaglio. Il DM può essere utilizzato per analizzare la correlazione tra lo stadio di valutazione dentale e l'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 forense dell'età senza preoccuparci di responsabilità legali. Sono stati pubblicati diversi studi comparativi su possibili alternative ai metodi manuali tradizionali utilizzati nella pratica forense e ai metodi basati sull'EBM per la determinazione dell'età dentale. Shen et al.23 hanno dimostrato che il modello DM è più accurato della tradizionale formula di Camerer. Galibourg et al.24 hanno applicato diversi metodi DM per prevedere l'età secondo il criterio di Demirdjian25 e i risultati hanno mostrato che il metodo DM ha superato i metodi di Demirdjian e Willems nella stima dell'età della popolazione francese.
Per stimare l'età dentale di adolescenti e giovani adulti coreani, il metodo di Lee 4 è ampiamente utilizzato nella pratica forense coreana. Questo metodo utilizza l'analisi statistica tradizionale (come la regressione multipla) per esaminare la relazione tra i soggetti coreani e l'età cronologica. In questo studio, i metodi di stima dell'età ottenuti utilizzando metodi statistici tradizionali sono definiti "metodi tradizionali". Il metodo di Lee è un metodo tradizionale e la sua accuratezza 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 quello di validare scientificamente la potenziale utilità della stima dell'età basata sul modello DM. Lo scopo di questo studio era (1) confrontare l'accuratezza di due modelli DM nella stima dell'età dentale e (2) confrontare le prestazioni di classificazione di 7 modelli DM all'età di 18 anni con quelle ottenute utilizzando metodi statistici tradizionali. Maturazione del secondo e terzo molare in entrambe le arcate.
Le medie e le deviazioni standard dell'età cronologica per stadio e tipo di dente sono riportate online nella Tabella supplementare S1 (set di addestramento), nella Tabella supplementare S2 (set di test interno) e nella Tabella supplementare S3 (set di test esterno). I valori kappa per l'affidabilità intra- e interosservatore ottenuti dal set di addestramento sono stati rispettivamente 0,951 e 0,947. I valori p e gli intervalli di confidenza al 95% per i valori kappa sono riportati nella tabella supplementare online S4. Il valore kappa è stato interpretato come "quasi perfetto", in linea con i criteri di Landis e Koch26.
Nel confronto dell'errore assoluto medio (MAE), il metodo tradizionale supera leggermente il modello DM per tutti i sessi e nel set di test esterno maschile, con l'eccezione del percettrone multistrato (MLP). La differenza tra il modello tradizionale e il modello DM sul set di test interno MAE era di 0,12-0,19 anni per gli uomini e 0,17-0,21 anni per le donne. Per la batteria di test esterna, le differenze sono minori (0,001-0,05 anni per gli uomini e 0,05-0,09 anni per le donne). Inoltre, l'errore quadratico medio (RMSE) è leggermente inferiore rispetto al metodo tradizionale, con differenze minori (0,17-0,24, 0,2-0,24 per il set di test interno maschile e 0,03-0,07, 0,04-0,08 per il set di test esterno). MLP mostra prestazioni leggermente migliori rispetto al percettrone a singolo strato (SLP), tranne nel caso del set di test esterno femminile. Per MAE e RMSE, il set di test esterno ottiene punteggi superiori rispetto al set di test interno per tutti i generi e i modelli. Tutti i valori di MAE e RMSE sono riportati nella Tabella 1 e nella Figura 1.
MAE e RMSE dei modelli di regressione tradizionali e di data mining. Errore assoluto medio MAE, errore quadratico medio RMSE, percettrone a singolo strato SLP, percettrone multistrato MLP, metodo CM tradizionale.
Le prestazioni di classificazione (con un cutoff di 18 anni) dei modelli tradizionali e DM sono state dimostrate in termini di sensibilità, specificità, valore predittivo positivo (PPV), valore predittivo negativo (NPV) e area sotto la curva ROC (AUROC) 27 (Tabella 2, Figura 2 e Figura supplementare 1 online). In termini di sensibilità della batteria di test interna, i metodi tradizionali hanno ottenuto i risultati migliori tra gli uomini e peggiori tra le donne. Tuttavia, la differenza nelle prestazioni di classificazione tra i 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 interno, è stato osservato che i quattro modelli SD hanno ottenuto buoni risultati nei maschi, mentre il modello tradizionale ha ottenuto risultati migliori 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 support vector machine (SVM), decision tree (DT) e random forest (RF) hanno ottenuto i risultati migliori tra i maschi, mentre il modello LR ha ottenuto i risultati migliori tra le femmine. L'AUROC del modello tradizionale e di tutti i modelli SD era superiore a 0,925 (k-nearest neighbor (KNN) negli uomini), dimostrando un'eccellente performance di classificazione nella discriminazione di campioni di 18 anni28. Per il set di test esterno, si è registrata una diminuzione delle prestazioni di classificazione in termini di sensibilità, specificità e AUROC rispetto al set di test interno. Inoltre, la differenza in 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 interno.
Sensibilità e specificità dei modelli di classificazione del data mining rispetto ai metodi tradizionali con un cutoff di 18 anni. KNN k nearest neighbor, SVM support vector machine, LR regressione logistica, DT decision tree, RF random forest, XGB XGBoost, MLP multilayer perceptron, metodo CM tradizionale.
Il primo passo di questo studio è stato confrontare l'accuratezza delle stime dell'età dentale ottenute da sette modelli DM con quelle ottenute utilizzando 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 sia risultato 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 utilizzando 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 i metodi statistici tradizionali utilizzando la stessa tecnica di registrazione dei denti nella stessa fascia di età di questo studio. Galibourg et al.24 hanno confrontato MAE e RMSE tra due metodi tradizionali (metodo Demirjian25 e metodo Willems29) 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 di Willems e Demirdjian, rispettivamente. La discrepanza tra il modello SD e i metodi tradizionali mostrata 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 francofoni su cui si basava lo studio. in questo studio. Tai et al 34 hanno utilizzato l'algoritmo MLP per prevedere l'età dei denti da 1636 fotografie ortodontiche cinesi e ne hanno confrontato l'accuratezza con i risultati del metodo Demirjian e Willems. Hanno riferito che MLP ha un'accuratezza 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, il che è simile ai risultati del presente studio. I risultati di questi studi precedenti24,34 sono coerenti anche con i risultati del presente studio, e l'accuratezza della stima dell'età del modello DM e del metodo tradizionale è simile. Tuttavia, sulla base dei risultati presentati, possiamo concludere con cautela che l'uso dei 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 con campioni più ampi 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 un'accuratezza superiore a quella del 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 superiori e inferiori sinistri utilizzando i criteri di classificazione proposti da Moorrees et al. 36. L'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 al.23 hanno utilizzato il metodo Cameriere per stimare l'età dentale di sette denti permanenti nella mandibola sinistra in residenti della Cina orientale di età compresa tra 5 e 13 anni e l'hanno confrontata con le età stimate utilizzando la regressione lineare, SVM e RF. Hanno dimostrato che tutti e tre i modelli DM hanno un'accuratezza superiore rispetto alla formula tradizionale di Cameriere. L'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 potrebbe essere dovuta all'inclusione di soggetti più giovani nei loro campioni di studio. Poiché le stime dell'età per i partecipanti con denti in via di sviluppo diventano più accurate con l'aumentare del numero di denti durante lo sviluppo dentale, l'accuratezza del metodo di stima dell'età risultante potrebbe essere compromessa quando i partecipanti allo studio sono più giovani. Inoltre, l'errore di MLP nella stima dell'età è leggermente inferiore a 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). Il risultato che MLP è più accurato di SLP nella valutazione dell'età richiede ulteriori studi retrospettivi.
È stata inoltre confrontata la performance di classificazione del modello DM e del metodo tradizionale a una soglia di 18 anni. Tutti i modelli SD testati e i metodi tradizionali sul set di test interno hanno mostrato livelli di discriminazione praticamente accettabili per il campione di 18 anni. La sensibilità per uomini e donne è risultata superiore rispettivamente all'87,7% e al 94,9%, e la specificità superiore all'89,3% e all'84,7%. L'AUROC di tutti i modelli testati supera anche 0,925. Per quanto a nostra conoscenza, nessuno studio ha testato la performance del modello DM per la classificazione a 18 anni basata sulla maturità dentale. Possiamo confrontare i risultati di questo studio con la performance di classificazione dei modelli di deep learning su radiografie panoramiche. Guo et al.15 hanno calcolato la performance di classificazione di un modello di deep learning basato su CNN e di un metodo manuale basato sul metodo di Demirjian per una determinata soglia di età. La sensibilità e la specificità del metodo manuale erano rispettivamente dell'87,7% e del 95,5%, mentre la sensibilità e la specificità del modello CNN superavano rispettivamente l'89,2% e l'86,6%. Hanno concluso che i modelli di deep learning 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 tramite modelli DM possa sostituire i metodi statistici tradizionali per la stima dell'età. Tra i modelli, DM LR è risultato il modello migliore in termini di sensibilità per il campione maschile e di sensibilità e specificità per il campione femminile. LR si classifica al secondo posto in specificità per gli uomini. Inoltre, LR è considerato uno dei modelli DM35 più facili da usare, meno complesso e meno difficile da elaborare. Sulla base di questi risultati, LR è stato considerato il miglior modello di classificazione del cutoff per i diciottenni nella popolazione coreana.
Nel complesso, l'accuratezza della stima dell'età o delle prestazioni di classificazione sul set di test esterno è risultata scarsa o inferiore rispetto ai risultati sul set di test interno. Alcuni studi indicano che l'accuratezza o l'efficienza della classificazione diminuisce quando le stime dell'età basate sulla popolazione coreana vengono applicate alla popolazione giapponese5,39, e un modello simile è stato riscontrato 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, si dovrebbero preferire metodi derivati da dati della popolazione nativa, come i metodi tradizionali5,39,40,41,42. Poiché non è chiaro se i modelli di deep learning possano mostrare tendenze simili, sono necessari studi che confrontino l'accuratezza e l'efficienza della classificazione utilizzando metodi tradizionali, modelli DM e modelli di deep learning sugli stessi campioni per confermare se l'intelligenza artificiale può superare queste disparità razziali nelle valutazioni limitate dell'età.
Dimostriamo che i metodi tradizionali possono essere sostituiti dalla stima dell'età basata sul modello DM nella pratica forense di stima dell'età in Corea. Abbiamo anche scoperto la possibilità di implementare l'apprendimento automatico per la valutazione forense dell'età. Tuttavia, ci sono delle chiare limitazioni, come il numero insufficiente di partecipanti in questo studio per determinare in modo definitivo i risultati e la mancanza di studi precedenti con cui confrontare e confermare i risultati di questo studio. In futuro, gli studi sul modello DM dovrebbero essere condotti con un numero maggiore di campioni e popolazioni più diversificate per migliorarne l'applicabilità pratica rispetto ai metodi tradizionali. Per convalidare la fattibilità dell'utilizzo dell'intelligenza artificiale per la stima dell'età in diverse popolazioni, sono necessari studi futuri che confrontino l'accuratezza e l'efficienza della classificazione dei modelli DM e di deep learning con i metodi tradizionali negli stessi campioni.
Lo studio ha utilizzato 2.657 fotografie ortografiche raccolte da adulti coreani e giapponesi di età compresa tra 15 e 23 anni. Le radiografie coreane sono state suddivise in 900 set di addestramento (19,42 ± 2,65 anni) e 900 set di test interni (19,52 ± 2,59 anni). Il set di addestramento è stato raccolto presso un'unica istituzione (Seoul St. Mary's Hospital), mentre il set di test interno è stato raccolto presso due istituzioni (Seoul National University Dental Hospital e Yonsei University Dental Hospital). Abbiamo inoltre raccolto 857 radiografie da un altro set di dati basato sulla popolazione (Iwate Medical University, Giappone) per il test esterno. Le radiografie di soggetti giapponesi (19,31 ± 2,60 anni) sono state selezionate come set di test esterno. I dati sono stati raccolti retrospettivamente per analizzare le fasi di sviluppo dentale su radiografie panoramiche eseguite durante il trattamento odontoiatrico. Tutti i dati raccolti erano anonimi, ad eccezione del sesso, della data di nascita e della data della radiografia. I criteri di inclusione ed esclusione erano gli stessi di studi precedentemente pubblicati 4, 5. L'età effettiva del campione è stata calcolata sottraendo la data di nascita dalla data in cui è stata eseguita la radiografia. Il gruppo campione è stato suddiviso in nove fasce d'età. Le distribuzioni per età e sesso sono riportate nella Tabella 3. Questo studio è stato condotto in conformità con la Dichiarazione di Helsinki ed è stato approvato dal Comitato Etico Istituzionale (IRB) dell'Ospedale Seoul St. Mary's dell'Università Cattolica della Corea (KC22WISI0328). A causa del disegno retrospettivo di questo studio, non è stato possibile ottenere il consenso informato da tutti i pazienti sottoposti a esame radiografico a scopo terapeutico. L'Ospedale Seoul Korea University St. Mary's (IRB) ha rinunciato al requisito del consenso informato.
Gli stadi di sviluppo dei secondi e terzi molari bimascellari sono stati valutati secondo i criteri di Demircan25. È stato selezionato un solo dente se lo stesso tipo di dente era presente sia a sinistra che a destra di ciascuna arcata. Se i denti omologhi su entrambi i lati si trovavano in stadi di sviluppo diversi, è stato selezionato il dente con lo stadio di sviluppo inferiore per tenere conto dell'incertezza nell'età stimata. Cento radiografie selezionate casualmente dal set di addestramento sono state valutate da due osservatori esperti per testare l'affidabilità interosservatore dopo la precalibrazione per determinare lo stadio di maturazione dentale. L'affidabilità intraosservatore è stata valutata due volte a intervalli di tre mesi dall'osservatore principale.
Il sesso e lo stadio di sviluppo del secondo e terzo molare di ciascuna arcata nel set di addestramento sono stati stimati 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 rispetto ad algoritmi di regressione. Il modello DM combina funzioni lineari utilizzando gli stadi di sviluppo dei quattro denti e combina questi dati per stimare l'età. SLP è la rete neurale più semplice e non contiene strati nascosti. SLP funziona sulla base della 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 strati 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. Abbiamo utilizzato la discesa del gradiente come metodo di ottimizzazione e MAE e RMSE come funzioni di perdita per addestrare il nostro modello di apprendimento automatico. Il miglior modello di regressione ottenuto è stato applicato ai set di test interni ed esterni e l'età dei denti è stata stimata.
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 ampiamente utilizzati44. È un algoritmo di apprendimento supervisionato che utilizza la regressione per prevedere la probabilità che i dati appartengano a una certa 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 forniti nuovi dati di input, trova k dati vicini al set esistente e quindi li classifica nella classe con la frequenza più alta. Abbiamo impostato 3 per il numero di vicini considerati (k). SVM è un algoritmo che massimizza la distanza tra due classi utilizzando una funzione kernel per espandere lo spazio lineare in uno spazio non lineare chiamato campi46. 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 dividere un intero set di dati in diversi sottogruppi rappresentando le regole decisionali in una struttura ad albero47. Il modello è configurato con un numero minimo di record per nodo pari a 2 e utilizza l'indice di Gini come misura di qualità. RF è un metodo ensemble che combina più DT per migliorare le prestazioni utilizzando un metodo di aggregazione bootstrap che genera un classificatore debole per ogni campione estraendo casualmente campioni della stessa dimensione più volte dal set di dati originale48. Abbiamo utilizzato 100 alberi, 10 profondità dell'albero, 1 dimensione minima del nodo e l'indice di miscelazione di Gini come criteri di separazione dei nodi. La classificazione dei nuovi dati è determinata da un voto a maggioranza. XGBoost è un algoritmo che combina tecniche di boosting utilizzando un metodo che prende come dati di addestramento l'errore tra i valori effettivi e previsti del modello precedente e aumenta l'errore utilizzando i gradienti49. È un algoritmo ampiamente utilizzato grazie alle sue buone prestazioni ed efficienza delle risorse, nonché all'elevata affidabilità come funzione di correzione dell'overfitting. Il modello è dotato di 400 ruote di supporto. MLP è una rete neurale in cui uno o più percettroni formano più strati con uno o più strati nascosti tra gli strati di input e output38. Utilizzando questo, è possibile eseguire una classificazione non lineare in cui quando si aggiunge uno strato di input e si ottiene un valore di risultato, il valore di risultato previsto viene confrontato con il valore di risultato effettivo e l'errore viene propagato all'indietro. 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 sensibilità, specificità, PPV, NPV e AUROC. La sensibilità è definita come il rapporto tra un campione stimato di età pari o superiore a 18 anni e un campione stimato di età pari o superiore a 18 anni. La specificità è la proporzione di campioni di età inferiore a 18 anni e di campioni stimati di età inferiore a 18 anni.
Gli stadi dentali valutati nel set di addestramento sono stati convertiti in stadi numerici per l'analisi statistica. Sono state eseguite regressioni lineari e logistiche multivariate per sviluppare modelli predittivi per ciascun sesso e derivare formule di regressione utilizzabili per stimare l'età. Abbiamo utilizzato queste formule per stimare l'età dei denti sia per i set di test interni che per quelli esterni. La Tabella 4 mostra i modelli di regressione e classificazione utilizzati in questo studio.
L'affidabilità intra- e interosservatore 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 utilizzando le età stimate e reali dei set di test interni ed esterni. Questi errori sono comunemente utilizzati per valutare l'accuratezza delle previsioni del modello. Minore è l'errore, maggiore è l'accuratezza della previsione24. Confrontare MAE e RMSE dei set di test interni ed esterni calcolati utilizzando DM e la regressione tradizionale. Le prestazioni di classificazione del cutoff di 18 anni nelle statistiche tradizionali sono state valutate utilizzando una tabella di contingenza 2 × 2. La sensibilità, la specificità, il PPV, l'NPV e l'AUROC calcolati 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 bilaterali <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 utilizzando il backend Keras50 2.2.4 e Tensorflow51 1.8.0 specificamente per le operazioni matematiche. Il modello di classificazione DM è stato implementato nell'ambiente di analisi Waikato Knowledge Analysis Environment e nella piattaforma di analisi Konstanz Information Miner (KNIME) 4.6.152.
Gli autori riconoscono che i dati a supporto delle conclusioni dello studio sono reperibili nell'articolo e nei materiali supplementari. I set di dati generati e/o analizzati durante lo studio sono disponibili presso l'autore corrispondente su richiesta motivata.
Ritz-Timme, S. et al. Valutazione dell'età: stato dell'arte per soddisfare i requisiti specifici della pratica forense. Internationality. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., e Olze, A. Stato attuale della valutazione forense dell'età di soggetti viventi a fini di perseguimento penale. Medicina forense. Patologia. 1, 239–246 (2005).
Pan, J. et al. Un metodo modificato per valutare l'età dentale dei bambini di età compresa tra 5 e 16 anni nella Cina orientale. Clinical. Indagine orale. 25, 3463–3474 (2021).
Lee, SS et al. Cronologia dello sviluppo dei secondi e terzi molari nei coreani e sua applicazione per la valutazione forense dell'età. Internationality. J. Legal Medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY e Lee, SS Accuratezza della stima dell'età e stima della soglia dei 18 anni basata sulla maturazione del secondo e terzo molare in coreani e giapponesi. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. L'analisi dei dati preoperatoria basata sull'apprendimento automatico può prevedere l'esito del trattamento chirurgico del sonno nei pazienti con OSA. the science. Report 11, 14911 (2021).
Han, M. et al. Stima accurata dell'età tramite apprendimento automatico con o senza intervento umano? Internationality. J. Legal medicine. 136, 821–831 (2022).
Khan, S. e Shaheen, M. Dal Data Mining al Data Mining. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. e Shaheen, M. WisRule: Il primo algoritmo cognitivo per l'estrazione di regole di associazione. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. e Abdullah U. Karm: Data mining tradizionale basato su regole di associazione contestuali. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. e Habib M. Rilevamento della similarità semantica basato sul deep learning utilizzando dati testuali. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., e Shahin, M. Un sistema per il riconoscimento dell'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 in Pediatric Bone Age. Radiology 290, 498–503 (2019).
Li, Y. et al. Stima forense dell'età da radiografie pelviche mediante apprendimento profondo. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Classificazione accurata dell'età utilizzando metodi manuali e reti neurali convoluzionali profonde da immagini di proiezione ortografica. Internationality. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Stima dell'età ossea utilizzando 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 per popolazione di afroamericani e cinesi basata sui volumi della camera pulpare dei primi molari utilizzando la tomografia computerizzata a fascio conico. Internationality. J. Legal Medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK e Oh KS Determinazione delle fasce d'età di persone viventi utilizzando immagini di primi molari basate sull'intelligenza artificiale. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., e Urschler, M. Stima automatica dell'età e classificazione dell'età maggiore da dati MRI multivariati. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. e Li, G. Stima dell'età basata sulla segmentazione 3D della camera pulpare dei primi molari da tomografia computerizzata a fascio conico mediante integrazione di apprendimento profondo e level sets. Internationality. J. Legal Medicine. 135, 365–373 (2021).
Wu, WT, et al. Data mining nei big data clinici: database comuni, fasi e modelli di metodi. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Introduzione ai database medici e alle tecnologie di data mining nell'era dei Big Data. J. Avid. Medicina di base. 13, 57–69 (2020).
Shen, S. et al. Metodo di Camerer per la stima dell'età dei denti tramite apprendimento automatico. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Confronto di diversi metodi di apprendimento automatico per la previsione dell'età dentale utilizzando il metodo di stadiazione di Demirdjian. Internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. e Tanner, JM Un nuovo sistema per valutare l'età dentale. snort. biology. 45, 211–227 (1973).
Landis, JR e Koch, GG Misure di concordanza tra osservatori su dati categoriali. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK e Choi HK. Analisi testuale, morfologica e statistica dell'imaging di risonanza magnetica bidimensionale mediante tecniche di intelligenza artificiale per la differenziazione dei tumori cerebrali primari. Risorsa di informazione sanitaria. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Data di pubblicazione: 4 gennaio 2024