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 browser (o di disattivare la modalità compatibilità in Internet Explorer).Nel frattempo, per garantire un supporto continuo, mostriamo il sito senza stili 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 data mining confrontando l'accuratezza della stima e le prestazioni di classificazione della soglia dei 18 anni con metodi tradizionali e stime dell'età basate sul data mining.Sono state raccolte un totale di 2657 radiografie panoramiche di 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 e l'efficienza della classificazione 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 quadratico medio <0,24 anni).Anche le prestazioni di classificazione per il limite di 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 esegue la valutazione dell’età forense utilizzando la maturità del secondo e terzo molare negli adolescenti e nei giovani adulti coreani.
La stima dell’età dentale è ampiamente utilizzata nella medicina legale e nell’odontoiatria pediatrica.In particolare, a causa dell’elevata correlazione tra età cronologica e sviluppo dentale, la valutazione dell’età per fasi di sviluppo dentale è un criterio importante per valutare l’età di bambini e adolescenti1,2,3.Tuttavia, per i giovani, la stima dell’età dentale in base alla 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 del fatto che abbiano raggiunto la maggiore età.Nella pratica medico-legale di adolescenti e giovani adulti in Corea, l'età è stata stimata utilizzando il metodo di Lee ed è stata prevista una soglia legale di 18 anni sulla base dei dati riportati da Oh et al 5 .
L'apprendimento automatico è un tipo di intelligenza artificiale (AI) che apprende e classifica ripetutamente grandi quantità di dati, risolve autonomamente i problemi 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 che sono difficili da elaborare manualmente7.Pertanto, recentemente sono stati condotti molti studi utilizzando le più recenti tecnologie informatiche per ridurre al minimo gli errori umani ed elaborare in modo efficiente dati multidimensionali8,9,10,11,12.In particolare, l'apprendimento profondo è stato ampiamente utilizzato nell'analisi delle immagini mediche e vari metodi per la stima dell'età analizzando automaticamente le radiografie sono stati segnalati 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 le 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 al.14 hanno stimato l'età dalle immagini radiografiche pelviche utilizzando una CNN ad 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 deep learning mostrava 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 per età della tecnologia CNN sulla base di ortofoto dentali, e i risultati del modello CNN hanno dimostrato che gli esseri umani hanno superato le prestazioni di classificazione per età.
La maggior parte degli studi sulla stima dell’età utilizzando l’apprendimento automatico utilizza metodi di deep learning13,14,15,16,17,18,19,20.Si ritiene che la stima dell’età basata sul deep learning sia più accurata rispetto ai metodi tradizionali.Tuttavia, questo approccio offre poche opportunità di presentare le basi scientifiche per le stime dell’età, come gli indicatori di età utilizzati nelle stime.C'è anche una controversia legale su chi conduce le ispezioni.Pertanto, la stima dell’età basata sul deep learning 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 inaspettate come metodo per scoprire correlazioni utili 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 modelli nei dati.La stima dell'età utilizzando lo sviluppo dentale si basa sulla valutazione da parte dell'esaminatore della maturità dei denti target e questa valutazione è espressa come uno stadio per ciascun dente target.Il DM può essere utilizzato per analizzare la correlazione tra la fase della 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 dell’età forense senza preoccuparci della responsabilità legale.Sono stati pubblicati numerosi studi comparativi sulle possibili alternative ai metodi manuali tradizionali utilizzati nella pratica forense e ai metodi basati sull’EBM per determinare l’età dentale.Shen et al23 hanno dimostrato 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 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'età dentale degli adolescenti e dei giovani adulti coreani, il metodo 4 di Lee 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 convalidare 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 quelli ottenuti utilizzando metodi statistici tradizionali. e terzi molari in entrambe le mascelle.
Le medie e le deviazioni standard dell'età cronologica per stadio e tipo di dente sono mostrate online nella Tabella Supplementare S1 (set di training), Tabella Supplementare S2 (set di test interno) e Tabella Supplementare S3 (set di test esterno).I valori kappa per l'affidabilità intra e interosservatore ottenuti dal set di addestramento erano rispettivamente 0,951 e 0,947.I valori P e gli intervalli di confidenza al 95% per i valori kappa sono mostrati nella tabella supplementare online S4.Il valore kappa è stato interpretato come “quasi perfetto”, coerente con i criteri di Landis e Koch26.
Quando si confronta l'errore medio assoluto (MAE), il metodo tradizionale supera leggermente il modello DM per tutti i sessi e nel set di test maschili esterni, ad eccezione del percettrone 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 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).).L'MLP mostra prestazioni leggermente migliori rispetto al Single Layer Perceptron (SLP), tranne nel caso del set di test esterno femminile.Per MAE e RMSE, il set di test esterno ottiene punteggi più alti rispetto al set di test interno per tutti i generi e modelli.Tutti i MAE e gli RMSE sono mostrati 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, perceptron a strato singolo SLP, perceptron multistrato MLP, metodo CM tradizionale.
Le prestazioni di classificazione (con un limite di 18 anni) dei modelli tradizionale e DM sono state dimostrate 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 Figura 1 supplementare online).In termini di sensibilità della batteria di test interna, i metodi tradizionali hanno dato risultati migliori tra gli uomini e peggiori tra le donne.Tuttavia, la differenza nella performance di classificazione tra i metodi tradizionali e la 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 hanno funzionato 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 Support Vector Machine (SVM), Decision Tree (DT) e Random Forest (RF) hanno ottenuto i migliori risultati tra i maschi, mentre il modello LR ha ottenuto i migliori risultati tra le femmine.L'AUROC del modello tradizionale e di tutti i modelli SD era maggiore di 0,925 (k-vicino più vicino (KNN) negli uomini), dimostrando eccellenti prestazioni di classificazione nel discriminare campioni di 18 anni28.Per il set di test esterno, si è verificata una diminuzione delle prestazioni di classificazione in termini di sensibilità, specificità e AUROC rispetto al set di test interno.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, percettrone 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 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 in questo studio il metodo tradizionale fosse leggermente più accurato, 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 al24 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 rispetto ai metodi tradizionali, con differenze di 0,20 e 0,38 anni in MAE e 0,25 e 0,47 anni in RMSE rispetto rispettivamente ai metodi Willems e Demirdjian.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 francesi 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 hanno confrontato la sua accuratezza con i risultati del metodo Demirjian e Willems.Hanno riferito che l’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 0,28 anni, un valore 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 sono simili.Tuttavia, sulla base dei risultati presentati, possiamo solo concludere con cautela che l’uso dei modelli DM per stimare l’età potrebbe sostituire i metodi esistenti a causa della mancanza di studi precedenti comparativi e di riferimento.Sono necessari studi di follow-up che utilizzino 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 alle 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 di sinistra 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 rispetto ai 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 nei residenti della Cina orientale di età compresa tra 5 e 13 anni e l'hanno confrontata con l'età stimata utilizzando la regressione lineare, SVM e RF.Hanno dimostrato che tutti e tre i modelli DM hanno una precisione maggiore rispetto alla tradizionale formula del 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 potrebbero essere dovuti all'inclusione di soggetti più giovani nei campioni di studio.Poiché le stime dell’età per i partecipanti con denti in via di sviluppo diventano più accurate man mano che il numero di denti aumenta 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 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.Esiste tuttavia un'eccezione per il campione esterno di donne (SLP 1,45, MLP 1,49).La scoperta che l’MLP è più accurato dell’SLP nella valutazione dell’età richiede ulteriori studi retrospettivi.
È stata inoltre confrontata la performance di classificazione del modello DM e del metodo tradizionale alla soglia dei 18 anni.Tutti i modelli SD testati e i metodi tradizionali sul set di test interni hanno mostrato livelli di discriminazione praticamente accettabili per il campione di 18 anni.La sensibilità per uomini e donne era rispettivamente maggiore dell'87,7% e del 94,9% e la specificità era maggiore dell'89,3% e dell'84,7%.Anche l'AUROC di tutti i modelli testati supera 0,925.Per quanto ne sappiamo, nessuno studio ha testato le prestazioni del modello DM per la classificazione a 18 anni basata sulla maturità dentale.Possiamo confrontare i risultati di questo studio con le prestazioni di classificazione dei modelli di deep learning sulle radiografie panoramiche.Guo et al.15 hanno calcolato le prestazioni di classificazione di un modello di deep learning basato sulla 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 mediante 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 è al secondo posto in termini di specificità per gli uomini.Inoltre, LR è considerato uno dei modelli DM35 più facili da usare ed è meno complesso e difficile da elaborare.Sulla base di questi risultati, LR è stato considerato il miglior modello di classificazione limite per i 18enni nella popolazione coreana.
Nel complesso, l’accuratezza della stima dell’età o delle prestazioni di classificazione nel set di test esterno era scarsa o inferiore rispetto ai risultati del set di test interno.Alcuni rapporti 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 peggioramento è stata osservata anche nel modello DM.Pertanto, per stimare accuratamente l’età, anche quando si utilizza il DM nel processo di analisi, dovrebbero essere preferiti i metodi derivati dai 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 in età limitata.valutazioni.
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 dell’età forense.Tuttavia, ci sono evidenti limitazioni, come il numero insufficiente di partecipanti a questo studio per determinare in modo definitivo i risultati e la mancanza di studi precedenti per confrontare e confermare i risultati di questo studio.In futuro, gli studi sul 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’uso dell’intelligenza artificiale per stimare l’età in più popolazioni, sono necessari studi futuri per confrontare l’accuratezza della classificazione e l’efficienza 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 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 presso un istituto (Seoul St. Mary's Hospital) e il set di test è stato raccolto presso due istituti (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.Come test esterno sono state selezionate le radiografie di soggetti giapponesi (19,31 ± 2,60 anni).I dati sono stati raccolti retrospettivamente per analizzare le fasi dello sviluppo dentale sulle radiografie panoramiche effettuate 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 degli 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 di età.Le distribuzioni per età e sesso sono mostrate nella Tabella 3. Questo studio è stato condotto in conformità con la Dichiarazione di Helsinki e approvato dall'Institutional Review Board (IRB) dell'Ospedale St. Mary di Seoul 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 ad esame radiografico a scopo terapeutico.Il St. Mary's Hospital (IRB) della Seoul Korea University 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 è stato trovato sui lati sinistro e destro di ciascuna mascella.Se i denti omologhi su entrambi i lati si trovavano a stadi di sviluppo diversi, veniva selezionato il dente con lo stadio di sviluppo inferiore per tenere conto dell'incertezza nell'età stimata.Un centinaio di radiografie selezionate casualmente dal set di addestramento sono state valutate da due osservatori esperti per testare l'affidabilità tra osservatori dopo la precalibrazione per determinare lo stadio di maturità dentale.L'affidabilità intraosservatore è stata valutata due volte a intervalli di tre mesi dall'osservatore primario.
Il sesso e lo stadio di sviluppo del secondo e del terzo molare di ciascuna mascella nel set di addestramento sono stati stimati da un osservatore primario addestrato con diversi modelli DM e l'età effettiva è stata fissata 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 in base alla trasmissione a soglia tra i nodi.Il modello SLP in 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.Utilizza la discesa del gradiente come metodo di ottimizzazione e MAE e RMSE come funzione di perdita per addestrare il nostro modello di machine learning.Il miglior modello di regressione ottenuto è stato applicato ai set di test interni ed esterni ed 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 machine learning 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.Si tratta di un algoritmo di apprendimento supervisionato che utilizza la regressione per prevedere la probabilità che i dati appartengano ad una determinata categoria da 0 a 1 e classifica i dati come appartenenti ad una categoria più probabile in base a questa probabilità;utilizzato principalmente per la classificazione binaria.KNN è uno degli algoritmi di machine learning più semplici45.Quando vengono forniti nuovi dati di input, trova k dati vicini all'insieme esistente e quindi li classifica nella classe con la frequenza più alta.Impostiamo 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 campi46.Per questo modello utilizziamo bias = 1, potenza = 1 e gamma = 1 come iperparametri per il kernel polinomiale.Il DT è stato applicato in vari campi come algoritmo per dividere un intero set di dati in più 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 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 ciascun campione estraendo casualmente campioni della stessa dimensione più volte dal set di dati originale48.Abbiamo utilizzato 100 alberi, 10 profondità degli alberi, 1 dimensione minima del nodo e l'indice di mescolanza di Gini come criteri di separazione dei nodi.La classificazione dei nuovi dati è determinata a maggioranza.XGBoost è un algoritmo che combina tecniche di boosting utilizzando un metodo che prende come dato di training l’errore tra i valori effettivi e quelli previsti del modello precedente e aumenta l’errore utilizzando dei gradienti49.Si tratta di un algoritmo ampiamente utilizzato grazie alle sue buone prestazioni ed efficienza delle risorse, nonché all'elevata affidabilità come funzione di correzione del sovradattamento.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 di output38.Utilizzando questo, è possibile eseguire una classificazione non lineare in cui quando si aggiunge un livello di input e si ottiene un valore di risultato, il valore del risultato previsto viene confrontato con il valore del risultato effettivo e l'errore viene propagato nuovamente.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 percentuale di campioni di età inferiore a 18 anni e di quelli stimati di età inferiore a 18 anni.
Le fasi dentali valutate nel set di formazione sono state convertite in fasi numeriche per l'analisi statistica.Sono state eseguite regressioni lineari e logistiche multivariate per sviluppare modelli predittivi per ciascun sesso e derivare formule di regressione che possono essere utilizzate 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 del DM e dei modelli di regressione tradizionali, abbiamo calcolato MAE e RMSE utilizzando l'età stimata ed effettiva dei set di test interni ed esterni.Questi errori vengono comunemente utilizzati per valutare l'accuratezza delle previsioni del modello.Minore è l'errore, maggiore è la precisione della previsione24.Confronta il MAE e l'RMSE dei set di test interni ed esterni calcolati utilizzando DM e la regressione tradizionale.La performance della classificazione del limite di 18 anni nelle statistiche tradizionali è stata valutata utilizzando una tabella di contingenza 2 × 2.La sensibilità, la specificità, il PPV, il 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 la versione SAS 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 nel 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 possono essere trovati nell'articolo e nei materiali supplementari.I set di dati generati e/o analizzati durante lo studio sono disponibili presso l'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. Medicina 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 penale.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 del terzo molare nei coreani e sua applicazione per la valutazione dell'età forense.internazionalità.J. Medicina legale.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 in base alla maturità del secondo e terzo molare nei coreani e nei giapponesi.PLoS ONE 17, e0271247 (2022).
Kim, JY et al.L’analisi preoperatoria dei dati basata sull’apprendimento automatico può prevedere l’esito del trattamento chirurgico del sonno nei pazienti con OSA.la scienza.Rapporto 11, 14911 (2021).
Han, M. et al.Stima accurata dell'età mediante l'apprendimento automatico con o senza intervento umano?internazionalità.J. Medicina legale.136, 821–831 (2022).
Khan, S. e Shaheen, M. Dal data mining al data mining.J.Informazioni.la scienza.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.Informazioni.la scienza.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. e Abdullah U. Karm: Data mining tradizionale basato su regole di associazione basate sul contesto.calcolare.Opaco.Continua.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. e Habib M. Rilevamento della somiglianza semantica basato sull'apprendimento profondo utilizzando dati di testo.far sapere.tecnologie.controllo.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'età ossea pediatrica.Radiologia 290, 498–503 (2019).
Li, Y. et al.Stima forense dell’età dalle radiografie pelviche utilizzando il deep learning.EURO.radiazione.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.internazionalità.J. Medicina legale.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 UNO 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. e Yang, J. Stima dell'età specifica della popolazione di afroamericani e cinesi basata sui volumi della camera pulpare dei primi molari utilizzando la tomografia computerizzata a fascio conico.internazionalità.J. Medicina legale.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK e Oh KS Determinazione dei gruppi di età delle persone viventi utilizzando immagini basate sull'intelligenza artificiale dei primi molari.la scienza.Rapporto 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. e Urschler, M. Stima automatica dell'età e classificazione dell'età maggioritaria dai dati MRI multivariati.IEEE J. Biomed.Avvisi sanitari.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 dalla tomografia computerizzata a fascio conico integrando apprendimento profondo e set di livelli.internazionalità.J. Medicina legale.135, 365–373 (2021).
Wu, WT et al.Data mining nei big data clinici: database comuni, passaggi e modelli di metodi.Mondo.medicinale.risorsa.8, 44 (2021).
Yang, J. et al.Introduzione ai database medici e alle tecnologie di data mining nell'era dei Big Data.J. Avvido.Medicina di base.13, 57–69 (2020).
Shen, S. et al.Metodo Camerer per stimare l'età dei denti utilizzando l'apprendimento automatico.BMC Salute orale 21, 641 (2021).
Galliburg A. et al.Confronto tra diversi metodi di apprendimento automatico per prevedere l'età dentale utilizzando il metodo di stadiazione Demirdjian.internazionalità.J. Medicina legale.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. e Tanner, JM Un nuovo sistema per valutare l'età dentale.sbuffare.biologia.45, 211–227 (1973).
Landis, JR e Koch, GG Misure di accordo degli osservatori sui dati categorici.Biometria 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK e Choi HK.Analisi strutturale, morfologica e statistica di immagini di risonanza magnetica bidimensionale utilizzando 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).
Orario di pubblicazione: 04 gennaio 2024