Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümünde sınırlı CSS desteği vardır. En iyi sonuçlar için, tarayıcınızın daha yeni bir sürümünü kullanmanızı öneririz (veya Internet Explorer'da uyumluluk modunu kapatmanızı). Bu arada, sürekli destek sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Dişler, insan vücudunun yaşının en doğru göstergesi olarak kabul edilir ve genellikle adli yaş değerlendirmesinde kullanılır. 18 yıllık eşiğin tahmin doğruluğu ve sınıflandırma performansını geleneksel yöntemler ve veri madenciliği tabanlı yaş tahminleriyle karşılaştırarak veri madenciliği tabanlı diş yaşı tahminlerini doğrulamayı amaçladık. 15 ila 23 yaş arası Koreli ve Japon vatandaşlarından toplam 2657 panoramik radyografi toplandı. Her biri 900 Kore radyografisi ve 857 Japon radyografisi içeren bir iç test seti içeren bir eğitim setine ayrıldı. Geleneksel yöntemlerin sınıflandırma doğruluğunu ve verimliliğini veri madenciliği modellerinin test setleriyle karşılaştırdık. Dahili test setindeki geleneksel yöntemin doğruluğu, veri madenciliği modelinden biraz daha yüksektir ve fark küçüktür (ortalama mutlak hata <0.21 yıl, kök ortalama kare hatası <0.24 yıl). 18 yıllık kesim için sınıflandırma performansı da geleneksel yöntemler ve veri madenciliği modelleri arasında benzerdir. Bu nedenle, Koreli ergenlerde ve genç yetişkinlerde ikinci ve üçüncü azı dişlerinin olgunluğu kullanılarak adli yaş değerlendirmesi yapılırken geleneksel yöntemler veri madenciliği modelleri ile değiştirilebilir.
Diş yaşı tahmini adli tıp ve pediatrik diş hekimliğinde yaygın olarak kullanılmaktadır. Özellikle, kronolojik yaş ve diş gelişimi arasındaki yüksek korelasyon nedeniyle, diş gelişim aşamaları ile yaş değerlendirmesi, çocukların ve ergenlerin yaşını değerlendirmek için önemli bir kriterdir1,2,3. Bununla birlikte, gençler için, diş olgunluğuna dayalı diş yaşının tahmin edilmesi sınırlamaları vardır, çünkü üçüncü azı dişleri hariç, diş büyümesi neredeyse tamamlanmıştır. Gençlerin ve ergenlerin yaşını belirlemenin yasal amacı, çoğunluk yaşına ulaşıp ulaşmadıklarına dair doğru tahminler ve bilimsel kanıtlar sağlamaktır. Kore'deki ergenlerin ve genç yetişkinlerin medio-yasal uygulamasında, yaş Lee'nin yöntemi kullanılarak tahmin edildi ve Oh ve ark. 5 tarafından bildirilen verilere göre 18 yıllık bir yasal eşik tahmin edildi.
Makine öğrenimi, büyük miktarda veriyi tekrar tekrar öğrenen ve sınıflandıran, sorunları kendi başına çözen ve veri programlamasını yönlendiren bir yapay zeka (AI) türüdür. Makine öğrenimi, büyük miktarlarda veri 6'da yararlı gizli kalıpları keşfedebilir6. Buna karşılık, emek yoğun ve zaman alıcı olan klasik yöntemler, manuel olarak işlenmesi zor olan büyük miktarlarda karmaşık veri ile uğraşırken sınırlamalara sahip olabilir7. Bu nedenle, son zamanlarda insan hatalarını en aza indirmek ve çok boyutlu verileri verimli bir şekilde işlemek için en son bilgisayar teknolojileri kullanılarak birçok çalışma yapılmıştır8,9,10,11,12. Özellikle, derin öğrenme tıbbi görüntü analizinde yaygın olarak kullanılmıştır ve radyografileri otomatik olarak analiz ederek yaş tahmini için çeşitli yöntemler, yaş tahmininin doğruluğunu ve verimliliğini artırdığı bildirilmiştir. . Örneğin, Halabi ve ark. Bu çalışma, tıbbi görüntülere makine öğrenimi uygulayan bir model önermektedir ve bu yöntemlerin tanısal doğruluğu geliştirebileceğini göstermektedir. Li ve ark14, derin bir öğrenme CNN kullanarak pelvik x-ışını görüntülerinden yaşı tahmin eder ve bunları kemikleşme aşaması tahminini kullanarak regresyon sonuçlarıyla karşılaştırmıştır. Derin öğrenme CNN modelinin geleneksel regresyon modeli ile aynı yaş tahmin performansını gösterdiğini buldular. Guo ve ark.
Makine öğrenimi kullanılarak yaş tahmini üzerine yapılan çalışmaların çoğu Derin öğrenme yöntemlerini kullanır13,14,15,16,17,18,19,20. Derin öğrenmeye dayalı yaş tahmininin geleneksel yöntemlerden daha doğru olduğu bildirilmektedir. Bununla birlikte, bu yaklaşım, tahminlerde kullanılan yaş göstergeleri gibi yaş tahminleri için bilimsel temeli sunmak için çok az fırsat sunmaktadır. Ayrıca denetimleri kimin yürüttüğü konusunda yasal bir anlaşmazlık da var. Bu nedenle, derin öğrenmeye dayanan yaş tahmininin idari ve yargı yetkilileri tarafından kabul edilmesi zordur. Veri Madenciliği (DM), büyük miktarlarda veri arasındaki yararlı korelasyonları keşfetmek için bir yöntem olarak sadece beklenen değil, beklenmedik bilgileri de keşfedebilen bir tekniktir6,21,22. Makine öğrenimi genellikle veri madenciliğinde kullanılır ve hem veri madenciliği hem de makine öğrenimi verilerdeki kalıpları keşfetmek için aynı anahtar algoritmalarını kullanır. Diş gelişimini kullanan yaş tahmini, denetçinin hedef dişlerin olgunluğu hakkındaki değerlendirmesine dayanmaktadır ve bu değerlendirme her hedef diş için bir aşama olarak ifade edilir. DM, diş değerlendirme aşaması ile gerçek yaş arasındaki korelasyonu analiz etmek için kullanılabilir ve geleneksel istatistiksel analizlerin yerini alma potansiyeline sahiptir. Bu nedenle, yaş tahminine DM tekniklerini uygularsak, yasal sorumluluk konusunda endişelenmeden adli yaş tahmininde makine öğrenimini uygulayabiliriz. Adli uygulamada kullanılan geleneksel manuel yöntemlere ve diş yaşını belirlemek için EBM tabanlı yöntemlere olası alternatifler üzerinde çeşitli karşılaştırmalı çalışmalar yayınlanmıştır. Shen ve ark23, DM modelinin geleneksel kamero formülünden daha doğru olduğunu göstermiştir. Galibourg ve ark24, Demirdjian Criterion25'e göre yaşı tahmin etmek için farklı DM yöntemleri uyguladılar25 ve sonuçlar DM yönteminin Fransız nüfusunun yaşını tahmin etmede Demirdjian ve Willems yöntemlerinden daha iyi performans gösterdiğini gösterdi.
Koreli ergenlerin ve genç yetişkinlerin diş yaşını tahmin etmek için Lee'nin Yöntemi 4, Koreli adli uygulamada yaygın olarak kullanılmaktadır. Bu yöntem, Kore denekleri ve kronolojik yaş arasındaki ilişkiyi incelemek için geleneksel istatistiksel analiz (çoklu regresyon gibi) kullanır. Bu çalışmada, geleneksel istatistiksel yöntemler kullanılarak elde edilen yaş tahmin yöntemleri “geleneksel yöntemler” olarak tanımlanmaktadır. Lee'nin yöntemi geleneksel bir yöntemdir ve doğruluğu Oh ve ark. 5; Bununla birlikte, Koreli adli uygulamada DM modeline dayalı yaş tahmininin uygulanabilirliği hala tartışmalıdır. Amacımız, DM modeline dayalı yaş tahmininin potansiyel yararlılığını bilimsel olarak doğrulamaktı. Bu çalışmanın amacı (1), iki DM modelinin diş çağını tahmin etmedeki doğruluğunu karşılaştırmak ve (2) 18 yaşında 7 DM modelinin sınıflandırma performansını, saniyelik geleneksel istatistiksel yöntemler olgunluğu kullanılarak elde edilenlerle karşılaştırmak içindir. ve her iki çenede üçüncü azı dişleri.
Kronolojik yaşın aşamaya ve diş tipine göre ortalamaları ve standart sapmaları, Ek Tablo S1 (Eğitim Seti), Ek Tablo S2 (Dahili Test Seti) ve Ek Tablo S3 (Harici Test Seti) 'de çevrimiçi olarak gösterilmiştir. Eğitim setinden elde edilen gözlemciler arası ve gözlemciler arası güvenilirlik için kappa değerleri sırasıyla 0.951 ve 0.947 idi. Kappa değerleri için P değerleri ve% 95 güven aralıkları çevrimiçi ek tablo S4'te gösterilmiştir. Kappa değeri Landis ve Koch26 kriterleriyle tutarlı olarak “neredeyse mükemmel” olarak yorumlandı.
Ortalama mutlak hatayı (MAE) karşılaştırırken, geleneksel yöntem, çok katmanlı algılayıcı (MLP) hariç, tüm cinsiyetler için ve harici erkek test setinde DM modelinden biraz daha iyi performans gösterir. Dahili MAE test setindeki geleneksel model ve DM modeli arasındaki fark, erkekler için 0.12-0.19 yıl ve kadınlar için 0.17-0.21 yıl idi. Harici test pili için farklılıklar daha küçüktür (erkekler için 0.001-0.05 yıl ve kadınlar için 0.05-0.09 yıl). Ek olarak, kök ortalama kare hatası (RMSE) geleneksel yöntemden biraz daha düşüktür, daha küçük farklılıklar (erkek iç test seti için 0.17-0.24, 0.2-0.24 ve harici test seti için 0.03-0.07, 0.04-0.08). ). MLP, dişi harici test seti olması dışında, tek katmanlı algılama (SLP) 'den biraz daha iyi performans gösterir. MAE ve RMSE için, harici test seti tüm cinsiyetler ve modeller için dahili test setinden daha yüksek puan alır. Tüm MAE ve RMSE Tablo 1 ve Şekil 1'de gösterilmiştir.
Geleneksel ve veri madenciliği regresyon modellerinin Mae ve RMSE'si. Ortalama mutlak hata mae, kök ortalama kare hata RMSE, tek katmanlı algılama SLP, çok katmanlı algılayıcı MLP, geleneksel CM yöntemi.
Geleneksel ve DM modellerinin sınıflandırma performansı (18 yıllık bir kesim ile) duyarlılık, özgüllük, pozitif prediktif değer (PPV), negatif prediktif değer (NPV) ve alıcı çalışma karakteristik eğrisi (AUROC) altındaki alan açısından gösterilmiştir. 27 (Tablo 2, Şekil 2 ve Ek Şekil 1 Çevrimiçi). Dahili test pilinin hassasiyeti açısından, geleneksel yöntemler erkekler arasında en iyi ve kadınlar arasında daha kötüsü gerçekleştirdi. Bununla birlikte, geleneksel yöntemler ve SD arasındaki sınıflandırma performansındaki fark, erkekler için% 9,7 (MLP) ve kadınlar için sadece% 2.4'tür (XGBOOST). DM modelleri arasında lojistik regresyon (LR) her iki cinsiyette daha iyi duyarlılık gösterdi. Dahili test setinin özgüllüğü ile ilgili olarak, dört SD modelinin erkeklerde iyi performans gösterdiği, geleneksel modelin kadınlarda daha iyi performans gösterdiği gözlenmiştir. Erkekler ve kadınlar için sınıflandırma performansındaki farklılıklar sırasıyla% 13.3 (MLP) ve% 13.1'dir (MLP), bu da modeller arasındaki sınıflandırma performansındaki farkın duyarlılığı aştığını gösterir. DM modelleri arasında destek vektör makinesi (SVM), karar ağacı (DT) ve rastgele orman (RF) modelleri erkekler arasında en iyi performans gösterirken, LR modeli kadınlar arasında en iyi performans gösterdi. Geleneksel modelin Auroc ve tüm SD modelleri 0.925'ten (erkeklerde en yakın komşu (KNN)) büyüktü ve 18 yaşındaki örnekleri ayırt etmede mükemmel sınıflandırma performansı gösterdi28. Harici test seti için, iç test setine kıyasla duyarlılık, özgüllük ve AUROC açısından sınıflandırma performansında bir azalma oldu. Ayrıca, en iyi ve en kötü modellerin sınıflandırma performansı arasındaki duyarlılık ve özgüllük farkı% 10 ila% 25 arasında değişmektedir ve dahili test setindeki farktan daha büyüktür.
18 yıllık bir kesme ile geleneksel yöntemlere kıyasla veri madenciliği sınıflandırma modellerinin duyarlılığı ve özgüllüğü. KNN K En yakın komşu, SVM Destek Vektör Makinesi, LR Lojistik Regresyon, DT Karar Ağacı, RF Rastgele Orman, XGB XGBOOST, MLP Çok katmanlı algılayıcı, geleneksel CM yöntemi.
Bu çalışmanın ilk adımı, yedi DM modelinden elde edilen diş yaşı tahminlerinin doğruluğunu geleneksel regresyon kullanılarak elde edilenlerle karşılaştırmaktı. MAE ve RMSE, her iki cinsiyet için dahili test setlerinde değerlendirildi ve geleneksel yöntem ile DM modeli arasındaki fark, MAE için 44 ila 77 gün ve RMSE için 62 ila 88 gün arasında değişiyordu. Geleneksel yöntem bu çalışmada biraz daha doğru olmasına rağmen, böyle küçük bir farkın klinik veya pratik öneme sahip olup olmadığı sonucuna varmak zordur. Bu sonuçlar, DM modelini kullanan diş yaşı tahmininin doğruluğunun geleneksel yöntemle neredeyse aynı olduğunu göstermektedir. Önceki çalışmalardan elde edilen sonuçlarla doğrudan karşılaştırma zordur, çünkü hiçbir çalışma DM modellerinin doğruluğunu, bu çalışmadaki ile aynı yaş aralığında aynı diş kaydetme tekniğini kullanarak geleneksel istatistiksel yöntemlerle karşılaştırmamıştır. Galibourg ve ark24, iki geleneksel yöntem (Demirjian Method25 ve Willems Method29) ve 2 ila 24 yaş arası bir Fransız nüfusunda 10 DM modelini MAE ve RMSE'yi karşılaştırmıştır. Tüm DM modellerinin geleneksel yöntemlerden daha doğru olduğunu, MAE'de 0.20 ve 0.38 yıl ve Willems ve Demirdjian yöntemlerine kıyasla RMSE'de 0.25 ve 0.47 yıl olduğunu bildirmişlerdir. SD modeli ile Halibourg çalışmasında gösterilen geleneksel yöntemler arasındaki tutarsızlık, Demirdjian yönteminin, çalışmanın dayandığı Fransız Kanadalılar dışındaki popülasyonlarda diş yaşını doğru bir şekilde tahmin etmediğini dikkate alıyor. Bu çalışmada. Tai ve ark. MLP'nin geleneksel yöntemlerden daha yüksek doğruluğa sahip olduğunu bildirdiler. Demirdjian yöntemi ile geleneksel yöntem arasındaki fark <0.32 yıldır ve Willems yöntemi 0.28 yıldır, bu da bu çalışmanın sonuçlarına benzer. Bu önceki çalışmaların sonuçları24,34 de bu çalışmanın sonuçları ile tutarlıdır ve DM modelinin ve geleneksel yöntemin yaş tahmin doğruluğu benzerdir. Bununla birlikte, sunulan sonuçlara dayanarak, sadece DM modellerinin yaşı tahmin etmek için kullanımının, karşılaştırmalı ve referans önceki çalışmaların olmaması nedeniyle mevcut yöntemlerin yerini alabileceği sonucuna varabiliriz. Bu çalışmada elde edilen sonuçları doğrulamak için daha büyük örnekler kullanan takip çalışmalarına ihtiyaç vardır.
SD'nin diş çağını tahmin etmede doğruluğunu test eden çalışmalar arasında, bazıları çalışmamızdan daha yüksek doğruluk göstermiştir. Stepanovsky ve ark. Moorrees ve ark. 36 tarafından önerilen sınıflandırma kriterlerini kullanarak toplam 16 üst ve alt sol kalıcı dişin gelişimini değerlendirdiler. MAE 0.64 ila 0.94 yıl arasında değişmektedir ve RMSE, bu çalışmada kullanılan iki DM modelinden daha doğru olan 0.85 ila 1.27 yıl arasında değişmektedir. Shen ve ark. Üç DM modelinin hepsinin geleneksel kameriye formülüne kıyasla daha yüksek doğruluğa sahip olduğunu gösterdiler. Shen'in çalışmasındaki MAE ve RMSE, bu çalışmada DM modelindekilerden daha düşüktü. Stepanovsky ve ark. 35 ve Shen ve ark. 23, genç deneklerin çalışma örneklerine dahil edilmesinden kaynaklanabilir. Diş gelişimi olan katılımcılar için yaş tahminleri diş gelişimi sırasında diş sayısı arttıkça daha doğru hale geldiğinden, sonuçta ortaya çıkan yaş tahmin yönteminin doğruluğu, çalışma katılımcıları daha genç olduğunda tehlikeye girebilir. Ek olarak, MLP'nin yaş tahminindeki hatası SLP'lerden biraz daha küçüktür, yani MLP'nin SLP'den daha doğrudur. MLP, muhtemelen MLP38'deki gizli katmanlar nedeniyle yaş tahmini için biraz daha iyi kabul edilir. Bununla birlikte, kadınların dış örneği için bir istisna vardır (SLP 1.45, MLP 1.49). MLP'nin yaşı değerlendirmede SLP'den daha doğru olduğu bulgusu ek retrospektif çalışmalar gerektirir.
DM modelinin ve geleneksel yöntemin 18 yıllık bir eşikte sınıflandırma performansı da karşılaştırıldı. Test edilen tüm SD modelleri ve dahili test setindeki geleneksel yöntemler, 18 yaşındaki örnek için pratik olarak kabul edilebilir ayrımcılık seviyeleri göstermiştir. Erkekler ve kadınlar için duyarlılık sırasıyla% 87.7 ve% 94.9'dan büyüktü ve özgüllük% 89.3 ve% 84.7'den fazla idi. Test edilen tüm modellerin auroc da 0.925'i aşar. Bildiğimiz kadarıyla, hiçbir çalışma DM modelinin performansını diş olgunluğuna dayalı 18 yıllık sınıflandırma için test etmemiştir. Bu çalışmanın sonuçlarını panoramik radyografilerdeki derin öğrenme modellerinin sınıflandırma performansı ile karşılaştırabiliriz. Guo ve ark. Manuel yöntemin duyarlılığı ve özgüllüğü sırasıyla% 87.7 ve% 95.5 idi ve CNN modelinin duyarlılığı ve özgüllüğü sırasıyla% 89.2 ve% 86.6'yı aştı. Derin öğrenme modellerinin yaş eşiklerinin sınıflandırılmasında manuel değerlendirmenin yerini veya daha iyi performans gösterebileceği sonucuna varmışlardır. Bu çalışmanın sonuçları benzer sınıflandırma performansı göstermiştir; DM modellerini kullanan sınıflandırmanın yaş tahmini için geleneksel istatistiksel yöntemlerin yerini alabileceğine inanılmaktadır. Modeller arasında DM LR, erkek örneği için duyarlılık ve kadın örneği için duyarlılık ve özgüllük açısından en iyi modeldi. LR, erkekler için özgüllükte ikinci sırada yer alıyor. Ayrıca, LR daha kullanıcı dostu DM35 modellerinden biri olarak kabul edilir ve daha az karmaşık ve işlenmesi zordur. Bu sonuçlara dayanarak, LR, Kore nüfusundaki 18 yaşındakiler için en iyi kesme sınıflandırma modeli olarak kabul edildi.
Genel olarak, dış test setindeki yaş tahmini veya sınıflandırma performansının doğruluğu, dahili test setindeki sonuçlara kıyasla zayıf veya daha düşüktü. Bazı raporlar, Kore nüfusuna dayalı yaş tahminleri Japon nüfusuna 5,39 uygulandığında sınıflandırma doğruluğu veya verimliliğinin azaldığını ve bu çalışmada benzer bir model bulunduğunu göstermektedir. DM modelinde bu bozulma eğilimi de gözlenmiştir. Bu nedenle, yaşı doğru bir şekilde tahmin etmek için, analiz sürecinde DM kullanılırken bile, geleneksel yöntemler gibi doğal nüfus verilerinden türetilen yöntemler tercih edilmelidir5,39,40,41,42. Derin öğrenme modellerinin benzer eğilimler gösterip gösteremeyeceği belirsiz olduğundan, yapay zekanın sınırlı yaşta bu ırksal eşitsizliklerin üstesinden gelip gelemeyeceğini doğrulamak için aynı örneklerdeki geleneksel yöntemler, DM modelleri ve derin öğrenme modelleri kullanarak sınıflandırma doğruluğu ve verimliliği karşılaştıran çalışmalar gereklidir. Değerlendirmeler.
Kore'deki adli yaş tahmin uygulamasındaki DM modeline dayanan geleneksel yöntemlerin yerini yaş tahmini ile değiştirilebileceğini gösteriyoruz. Ayrıca adli yaş değerlendirmesi için makine öğrenimi uygulama olasılığını da keşfettik. Bununla birlikte, sonuçları kesin olarak belirlemek için bu çalışmada yetersiz sayıda katılımcı ve bu çalışmanın sonuçlarını karşılaştırmak ve doğrulamak için önceki çalışmaların eksikliği gibi açık sınırlamalar vardır. Gelecekte, DM çalışmaları geleneksel yöntemlere kıyasla pratik uygulanabilirliğini artırmak için daha fazla sayıda örnek ve daha çeşitli popülasyonlarla yapılmalıdır. Birden fazla popülasyonda yaşı tahmin etmek için yapay zeka kullanmanın fizibilitesini doğrulamak için, DM ve derin öğrenme modellerinin sınıflandırma doğruluğunu ve verimliliğini aynı örneklerde geleneksel yöntemlerle karşılaştırmak için gelecekteki çalışmalara ihtiyaç vardır.
Çalışmada 15 ila 23 yaş arası Koreli ve Japon yetişkinlerden toplanan 2.657 ortografik fotoğraf kullanıldı. Kore radyografileri 900 eğitim setine (19.42 ± 2.65 yıl) ve 900 iç test setine (19.52 ± 2.59 yıl) ayrıldı. Eğitim seti bir kurumda (Seul St. Mary's Hastanesi) toplanmış ve kendi test seti iki kurumda (Seul Ulusal Üniversitesi Diş Hastanesi ve Yonsei Üniversitesi Diş Hastanesi) toplanmıştır. Ayrıca dış test için başka bir nüfus tabanlı verilerden (Iwate Tıp Üniversitesi, Japonya) 857 radyografi topladık. Japon deneklerinin radyografileri (19.31 ± 2.60 yıl) harici test seti olarak seçildi. Veriler, diş tedavisi sırasında alınan panoramik radyografiler üzerindeki diş gelişim aşamalarını analiz etmek için retrospektif olarak toplandı. Toplanan tüm veriler cinsiyet, doğum tarihi ve radyografinin tarihi dışında anonimdi. İçerme ve hariç tutma kriterleri daha önce yayınlanmış çalışmalar 4, 5 ile aynıydı. Örneğin gerçek yaşı, doğum tarihinin radyografinin alındığı tarihten çıkarılmasıyla hesaplanmıştır. Örnek grubu dokuz yaş grubuna ayrıldı. Yaş ve cinsiyet dağılımları Tablo 3'te gösterilmiştir Bu çalışma, Helsinki Bildirgesi uyarınca gerçekleştirilmiştir ve Kore Katolik Üniversitesi Seul St. Mary's Hastanesi (KC22WISI0328) Kurumsal İnceleme Kurulu (IRB) tarafından onaylanmıştır. Bu çalışmanın retrospektif tasarımı nedeniyle, terapötik amaçlar için radyografik muayene uygulanan tüm hastalardan bilgilendirilmiş onam alınamamıştır. Seul Kore Üniversitesi St. Mary's Hastanesi (IRB) bilgilendirilmiş onam gereksiniminden feragat etti.
Bimaksiller ikinci ve üçüncü azı dişlerinin gelişim aşamaları Demircan kriterlerine göre değerlendirildi25. Her çenenin sol ve sağ taraflarında aynı tip diş bulunursa sadece bir diş seçildi. Her iki taraftaki homolog dişler farklı gelişim aşamalarında ise, tahmini yaştaki belirsizliği hesaba katmak için daha düşük gelişim aşamasına sahip diş seçildi. Eğitim setinden rastgele seçilen yüz radyografi, diş olgunluğu aşamasını belirlemek için önyargılaşmadan sonra gözlemciler arası güvenilirliği test etmek için iki deneyimli gözlemci tarafından puanlandı. Intraobserver güvenilirliği, birincil gözlemci tarafından üç aylık aralıklarla iki kez değerlendirildi.
Eğitim setindeki her çenenin ikinci ve üçüncü azı dişlerinin cinsiyet ve gelişim aşaması, farklı DM modelleri ile eğitilmiş bir birincil gözlemci tarafından tahmin edildi ve gerçek yaş hedef değer olarak belirlendi. Makine öğreniminde yaygın olarak kullanılan SLP ve MLP modelleri, regresyon algoritmalarına karşı test edildi. DM modeli, dört dişin gelişim aşamalarını kullanarak doğrusal fonksiyonları birleştirir ve bu verileri yaşı tahmin etmek için birleştirir. SLP en basit sinir ağıdır ve gizli katmanlar içermez. SLP, düğümler arasındaki eşik iletimine dayalı çalışır. Regresyondaki SLP modeli matematiksel olarak çoklu doğrusal regresyona benzer. SLP modelinin aksine, MLP modeli doğrusal olmayan aktivasyon fonksiyonlarına sahip birden fazla gizli katmana sahiptir. Deneylerimiz, doğrusal olmayan aktivasyon fonksiyonlarına sahip sadece 20 gizli düğüme sahip gizli bir katman kullandı. Optimizasyon yöntemi olarak gradyan inişini ve makine öğrenme modelimizi eğitmek için kayıp fonksiyonu olarak MAE ve RMSE kullanın. En iyi elde edilen regresyon modeli iç ve dış test setlerine uygulandı ve dişlerin yaşı tahmin edildi.
Bir örneğin 18 yaşında olup olmadığını tahmin etmek için eğitim setinde dört dişin olgunluğunu kullanan bir sınıflandırma algoritması geliştirilmiştir. Modeli oluşturmak için, 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST ve (7) MLP. . LR, en yaygın kullanılan sınıflandırma algoritmalarından biridir44. Belirli bir kategoriye ait verilerin 0'dan 1'e ait olasılığını tahmin etmek için regresyon kullanan ve verileri bu olasılığa dayalı olarak daha olası bir kategoriye ait olarak sınıflandıran denetimli bir öğrenme algoritmasıdır; esas olarak ikili sınıflandırma için kullanılır. KNN, en basit makine öğrenimi algoritmalarından biridir45. Yeni giriş verileri verildiğinde, mevcut kümeye yakın k verilerini bulur ve daha sonra bunları en yüksek frekansla sınıfa sınıflandırır. (K) dikkate alınan komşu sayısı için 3 ayarladık. SVM, doğrusal alanı Fields46 adlı doğrusal olmayan bir alana genişletmek için bir çekirdek işlevi kullanarak iki sınıf arasındaki mesafeyi en üst düzeye çıkaran bir algoritmadır. Bu model için, polinom çekirdeği için hiperparametre olarak önyargı = 1, güç = 1 ve gamma = 1 kullanıyoruz. DT, çeşitli alanlarda bir ağaç yapısındaki karar kurallarını temsil ederek tüm veri setini çeşitli alt gruplara bölmek için bir algoritma olarak uygulanmıştır. Model, 2 düğüm başına minimum sayıda kayıt ile yapılandırılmıştır ve Gini endeksini kalite ölçüsü olarak kullanır. RF, orijinal DataSet48'den aynı boyuttaki örnekleri rastgele çizerek her numune için zayıf bir sınıflandırıcı oluşturan bir bootstrap toplama yöntemi kullanarak performansı artırmak için birden fazla DT'leri birleştiren bir topluluk yöntemidir. Düğüm ayırma kriterleri olarak 100 ağaç, 10 ağaç derinliği, 1 minimum düğüm boyutu ve Gini Ad katma indeksini kullandık. Yeni verilerin sınıflandırılması çoğunluk oyu ile belirlenir. XGBOOST, önceki modelin gerçek ve öngörülen değerleri arasındaki hatayı eğiten ve gradyanlar kullanarak hatayı artıran bir yöntem kullanarak artırma tekniklerini birleştiren bir algoritmadır49. İyi performansı ve kaynak verimliliği ve aşırı uygun bir düzeltme işlevi olarak yüksek güvenilirlik nedeniyle yaygın olarak kullanılan bir algoritmadır. Model 400 destek tekerleği ile donatılmıştır. MLP, bir veya daha fazla algılamanın giriş ve çıkış katmanları arasında bir veya daha fazla gizli katmanla birden fazla katman oluşturduğu bir sinir ağıdır38. Bunu kullanarak, bir giriş katmanı eklediğinizde ve bir sonuç değeri aldığınızda, öngörülen sonuç değeri gerçek sonuç değeri ile karşılaştırıldığında ve hatanın geri yayıldığı doğrusal olmayan sınıflandırma gerçekleştirebilirsiniz. Her katmanda 20 gizli nöron bulunan gizli bir katman oluşturduk. Geliştirdiğimiz her model, duyarlılık, özgüllük, PPV, NPV ve Auroc'u hesaplayarak sınıflandırma performansını test etmek için dahili ve dış setlere uygulandı. Duyarlılık, 18 yaşında veya daha büyük olduğu tahmin edilen bir numunenin 18 yaşında veya daha büyük olduğu tahmin edilen bir örneğe oranı olarak tanımlanır. Özgünlük, 18 yaşın altındaki örneklerin oranıdır ve 18 yaşın altında olduğu tahmin edilen örneklerdir.
Eğitim setinde değerlendirilen diş aşamaları istatistiksel analiz için sayısal aşamalara dönüştürüldü. Her cinsiyet için öngörücü modeller geliştirmek ve yaşı tahmin etmek için kullanılabilecek regresyon formülleri elde etmek için çok değişkenli doğrusal ve lojistik regresyon yapıldı. Bu formülleri hem iç hem de dış test setleri için diş yaşını tahmin etmek için kullandık. Tablo 4, bu çalışmada kullanılan regresyon ve sınıflandırma modellerini göstermektedir.
Gözlemciler arası ve gözlemciler arası güvenilirlik, Cohen'in Kappa istatistiği kullanılarak hesaplandı. DM ve geleneksel regresyon modellerinin doğruluğunu test etmek için, iç ve dış test setlerinin tahmini ve gerçek yaşlarını kullanarak MAE ve RMSE'yi hesapladık. Bu hatalar, model tahminlerinin doğruluğunu değerlendirmek için yaygın olarak kullanılır. Hata ne kadar küçük olursa, tahminin doğruluğu o kadar yüksek olur24. DM ve geleneksel regresyon kullanılarak hesaplanan iç ve dış test setlerinin MAE ve RMSE'sini karşılaştırın. Geleneksel istatistiklerde 18 yıllık kesimin sınıflandırma performansı 2 × 2 beklenmedik durum tablosu kullanılarak değerlendirildi. Test setinin hesaplanan duyarlılığı, özgüllüğü, PPV, NPV ve Auroc, DM sınıflandırma modelinin ölçülen değerleri ile karşılaştırıldı. Veriler, veri özelliklerine bağlı olarak ortalama ± standart sapma veya sayı (%) olarak ifade edilir. İki taraflı p değerleri <0.05 istatistiksel olarak anlamlı kabul edildi. Tüm rutin istatistiksel analizler SAS sürüm 9.4 (SAS Institute, Cary, NC) kullanılarak yapıldı. DM regresyon modeli, özellikle matematiksel işlemler için Keras50 2.2.4 arka uç ve Tensorflow51 1.8.0 kullanılarak Python'da uygulandı. DM sınıflandırma modeli Waikato bilgi analiz ortamında ve Konstanz Bilgi Madenci (Knime) 4.6.152 analiz platformunda uygulanmıştır.
Yazarlar, çalışmanın sonuçlarını destekleyen verilerin makalede ve ek materyallerde bulunabileceğini kabul etmektedir. Çalışma sırasında oluşturulan ve/veya analiz edilen veri kümeleri, makul istek üzerine ilgili yazardan temin edilebilir.
Ritz-Timme, S. ve ark. Yaş Değerlendirmesi: Adli uygulamanın özel gereksinimlerini karşılamak için son teknoloji. uluslararası. J. Yasal Tıp. 113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ve Olze, A. Criminal kovuşturma amacıyla canlı deneklerin adli yaş değerlendirmesinin mevcut durumu. Adli tıp. ilaç. Patoloji. 1, 239–246 (2005).
Pan, J. ve ark. Doğu Çin'de 5 ila 16 yaş arası çocukların diş yaşını değerlendirmek için değiştirilmiş bir yöntem. klinik. Sözlü anket. 25, 3463–3474 (2021).
Lee, SS vb. Korelilerde ikinci ve üçüncü azı dişlerinin gelişiminin kronolojisi ve adli yaş değerlendirmesi için başvurusu. uluslararası. J. Yasal Tıp. 124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, Sy ve Lee, SS Koreliler ve Japonlardaki ikinci ve üçüncü azı dişlerinin olgunluğuna dayalı 18 yıllık eşiğin yaş tahmini ve tahmini doğruluğu. PLOS One 17, E0271247 (2022).
Kim, JY, vd. Preoperatif makine öğrenimi tabanlı veri analizi, OSA hastalarında uyku cerrahisi tedavisi sonucunu tahmin edebilir. Bilim. Rapor 11, 14911 (2021).
Han, M. ve ark. İnsan müdahalesi ile veya insan müdahalesi olmadan makine öğreniminden doğru yaş tahmini? uluslararası. J. Yasal Tıp. 136, 821-831 (2022).
Khan, S. ve Shaheen, M. Veri madenciliğinden veri madenciliğine. J.Information. Bilim. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ve Shaheen, M. Wisrule: Dernek Kural Madenciliği için İlk Bilişsel Algoritma. J.Information. Bilim. https://doi.org/10.1177/0165551521108695 (2022).
Shaheen M. ve Abdullah U. Karm: Bağlam temelli ilişkilendirme kurallarına dayanan geleneksel veri madenciliği. hesaplamak. Mat. devam etmek. 68, 3305-3322 (2021).
Muhammed M., Rehman Z., Shaheen M., Khan M. ve Habib M. Metin verilerini kullanarak derin öğrenme tabanlı semantik benzerlik tespiti. bilgi vermek. Teknolojiler. kontrol. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ve Shahin, M. Spor videolarındaki etkinliği tanımak için bir sistem. multimedya. Araç uygulamaları https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS ve ark. Pediatrik kemik yaşında RSNA Makine Öğrenme Mücadelesi. Radyoloji 290, 498-503 (2019).
Li, Y. ve ark. Derin öğrenme kullanarak pelvik X-ışınlarından adli yaş tahmini. EURO. radyasyon. 29, 2322–2329 (2019).
Guo, YC, vd. Ortografik projeksiyon görüntülerinden manuel yöntemler ve derin evrişimsel sinir ağları kullanılarak doğru yaş sınıflandırması. uluslararası. J. Yasal Tıp. 135, 1589-1597 (2021).
Alabama Dalora ve ark. Farklı makine öğrenimi yöntemlerini kullanarak kemik yaşı tahmini: sistematik bir literatür taraması ve meta-analiz. PLOS One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. ve Yang, J. Cone-ışın bilgisayarlı tomografi kullanılarak birinci azı dişlerinin kağıt hamuru hacimlerine dayanan Afrikalı Amerikalıların ve Çinlilerin nüfusa özgü yaş tahmini. uluslararası. J. Yasal Tıp. 136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK ve OH KS Birinci azı dişlerinin yapay zeka temelli görüntülerini kullanan yaşayan insanların yaş gruplarını belirleyen. Bilim. Rapor 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ve Urschler, M. Çok değişkenli MRI verilerinden otomatik yaş tahmini ve çoğunluk yaş sınıflandırması. IEEE J. Biomed. Sağlık uyarıları. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ve Li, G. Derin öğrenme ve seviye setlerini entegre ederek koni ışını bilgisayarlı tomografiden birinci azı dişlerinin 3D hamuru odası segmentasyonuna dayanan yaş tahmini. uluslararası. J. Yasal Tıp. 135, 365-373 (2021).
Wu, WT, vd. Klinik büyük verilerde veri madenciliği: Ortak veritabanları, adımlar ve yöntem modelleri. Dünya. ilaç. kaynak. 8, 44 (2021).
Yang, J. ve ark. Büyük veri döneminde tıbbi veritabanlarına ve veri madenciliği teknolojilerine giriş. J. Avid. Temel Tıp. 13, 57-69 (2020).
Shen, S. ve ark. Kameranın makine öğrenimi kullanarak diş yaşını tahmin etme yöntemi. BMC Oral Sağlığı 21, 641 (2021).
Galliburg A. ve ark. Demirdjian evreleme yöntemini kullanarak diş çağını tahmin etmek için farklı makine öğrenimi yöntemlerinin karşılaştırılması. uluslararası. J. Yasal Tıp. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. ve Tanner, JM diş çağını değerlendirmek için yeni bir sistem. Snort. biyoloji. 45, 211-227 (1973).
Landis, Jr ve Koch, GG kategorik veriler üzerinde gözlemci anlaşmasının önlemleri. Biyometri 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ve Choi HK. Birincil beyin tümörlerinin farklılaşması için yapay zeka teknikleri kullanılarak iki boyutlu manyetik rezonans görüntülemenin dokusal, morfolojik ve istatistiksel analizi. Sağlık bilgileri. kaynak. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Gönderme Zamanı: Ocak-04-2024