Nature.com'u ziyaret ettiğiniz için teşekkür ederiz.Kullandığınız tarayıcı sürümünün CSS desteği sınırlıdır.En iyi sonuçları elde etmek için tarayıcınızın daha yeni bir sürümünü kullanmanızı (veya Internet Explorer'da uyumluluk modunu kapatmanızı) öneririz.Bu arada desteğin sürekliliğini sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Dişler, insan vücudunun yaşının en doğru göstergesi olarak kabul edilir ve sıklıkla adli yaş değerlendirmesinde kullanılır.18 yıllık eşiğin tahmin doğruluğunu ve sınıflandırma performansını geleneksel yöntemlerle ve veri madenciliğine dayalı yaş tahminleriyle karşılaştırarak veri madenciliği temelli diş yaşı tahminlerini doğrulamayı amaçladık.Yaşları 15 ile 23 arasında değişen Kore ve Japon vatandaşlarından toplam 2657 panoramik radyografi toplandı.Her biri 900 Kore radyografisi içeren bir eğitim seti ve 857 Japon radyografisi içeren bir dahili test setine bölündüler.Geleneksel yöntemlerin sınıflandırma doğruluğunu ve verimliliğini veri madenciliği modellerinin test setleriyle karşılaştırdık.Geleneksel yöntemin dahili test seti üzerindeki doğruluğu, veri madenciliği modelinden biraz daha yüksektir ve fark küçüktür (ortalama mutlak hata <0,21 yıl, ortalama karekök hata <0,24 yıl).18 yıllık kesim için sınıflandırma performansı da geleneksel yöntemler ile veri madenciliği modelleri arasında benzerdir.Böylece Koreli ergenlerde ve genç yetişkinlerde ikinci ve üçüncü azı dişlerinin olgunluğu kullanılarak adli yaş değerlendirmesi yapılırken geleneksel yöntemlerin yerini veri madenciliği modelleri alabilir.
Diş yaşı tahmini, adli tıp ve pediatrik diş hekimliğinde yaygın olarak kullanılmaktadır.Özellikle kronolojik yaş ile diş gelişimi arasındaki yüksek korelasyon nedeniyle, diş gelişim aşamalarına göre yaş değerlendirmesi çocuk ve ergenlerin yaşını değerlendirmede önemli bir kriterdir1,2,3.Bununla birlikte, gençler için diş yaşının diş olgunluğuna göre tahmin edilmesinin sınırlamaları vardır çünkü üçüncü azı dişleri haricinde diş büyümesi neredeyse tamamlanmıştır.Gençlerin ve ergenlerin yaşını belirlemenin yasal amacı, reşit olma yaşına ulaşıp ulaşmadıklarına ilişkin doğru tahminler ve bilimsel kanıtlar sağlamaktır.Kore'de ergenlerin ve genç yetişkinlerin tıbbi-hukuk uygulamalarında yaş, Lee'nin yöntemi kullanılarak tahmin ediliyordu ve Oh ve ark.5 tarafından bildirilen verilere dayanarak 18 yıllık yasal eşik tahmin ediliyordu.
Makine öğrenimi, büyük miktarda veriyi tekrar tekrar öğrenip sınıflandıran, sorunları kendi başına çözen ve veri programlamayı yönlendiren bir tür yapay zekadır (AI).Makine öğrenimi, büyük hacimli verilerdeki yararlı gizli kalıpları keşfedebilir6.Bunun aksine, emek yoğun ve zaman alıcı olan klasik yöntemler, manuel olarak işlenmesi zor olan büyük hacimli karmaşık verilerle uğraşırken sınırlamalara sahip olabilir7.Bu nedenle son dönemde insan hatalarının en aza indirilmesi ve çok boyutlu verilerin verimli bir şekilde işlenmesi için en son bilgisayar teknolojileri kullanılarak birçok çalışma yapılmaktadır8,9,10,11,12.Özellikle derin öğrenme, tıbbi görüntü analizinde yaygın olarak kullanılmaktadır ve radyografileri otomatik olarak analiz ederek yaş tahminine yönelik çeşitli yöntemlerin, yaş tahmininin doğruluğunu ve verimliliğini arttırdığı rapor edilmiştir13,14,15,16,17,18,19,20 .Örneğin Halabi ve arkadaşları13 çocukların el radyografilerini kullanarak iskelet yaşını tahmin etmek için evrişimsel sinir ağlarına (CNN) dayalı bir makine öğrenme algoritması geliştirdiler.Bu çalışma, makine öğrenimini tıbbi görüntülere uygulayan bir model önermekte ve bu yöntemlerin teşhis doğruluğunu artırabileceğini göstermektedir.Li ve arkadaşları14 derin öğrenme CNN kullanarak pelvik röntgen görüntülerinden yaş tahmininde bulundular ve bunları ossifikasyon aşaması tahminini kullanarak regresyon sonuçlarıyla karşılaştırdılar.Derin öğrenme CNN modelinin, geleneksel regresyon modeliyle aynı yaş tahmin performansını gösterdiğini buldular.Guo ve arkadaşlarının çalışması [15], diş ortofotolarına dayalı olarak CNN teknolojisinin yaş toleransı sınıflandırma performansını değerlendirdi ve CNN modelinin sonuçları, insanların yaş sınıflandırma performansından daha iyi performans gösterdiğini kanıtladı.
Makine öğrenimi kullanılarak yaş tahmini üzerine yapılan çalışmaların çoğunda derin öğrenme yöntemleri kullanılmaktadır13,14,15,16,17,18,19,20.Derin öğrenmeye dayalı yaş tahmininin geleneksel yöntemlere göre daha doğru olduğu bildirilmektedir.Ancak bu yaklaşım, tahminlerde kullanılan yaş göstergeleri gibi, yaş tahminlerine yönelik bilimsel temeli sunma konusunda çok az fırsat sağlar.Denetimlerin kimin tarafından yapılacağı konusunda da hukuki bir anlaşmazlık var.Bu nedenle derin öğrenmeye dayalı yaş tahmininin idari ve adli makamlar tarafından kabul edilmesi zordur.Veri madenciliği (DM), büyük miktarda veri6,21,22 arasındaki yararlı korelasyonları keşfetme yöntemi olarak yalnızca beklenen değil aynı zamanda beklenmeyen bilgileri de keşfedebilen bir tekniktir.Makine öğrenimi genellikle veri madenciliğinde kullanılır ve hem veri madenciliği hem de makine öğrenimi, verilerdeki kalıpları keşfetmek için aynı anahtar algoritmaları kullanır.Diş gelişimini kullanarak yaş tahmini, muayeneyi yapan kişinin hedef dişlerin olgunluğuna ilişkin değerlendirmesine dayanır ve bu değerlendirme, her hedef diş için bir aşama olarak ifade edilir.DM, dental değerlendirme aşaması ile gerçek yaş arasındaki ilişkiyi analiz etmek için kullanılabilir ve geleneksel istatistiksel analizin yerini alma potansiyeline sahiptir.Dolayısıyla yaş tahmininde DM tekniklerini uygularsak, hukuki sorumluluk endişesi duymadan, adli yaş tahmininde makine öğrenmesini uygulayabiliriz.Adli tıp uygulamalarında kullanılan geleneksel manuel yöntemlere ve diş yaşının belirlenmesinde kullanılan EBM tabanlı yöntemlere olası alternatifler üzerine çeşitli karşılaştırmalı çalışmalar yayınlanmıştır.Shen ve arkadaşları23 DM modelinin geleneksel Camerer formülünden daha doğru olduğunu gösterdi.Galibourg ve arkadaşları24 Demirdjian kriterine25 göre yaşı tahmin etmek için farklı DM yöntemleri uyguladılar 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 yöntem 4'ü Kore adli tıp uygulamalarında yaygın olarak kullanılmaktadır.Bu yöntem, Kore konuları ile kronolojik yaş arasındaki ilişkiyi incelemek için geleneksel istatistiksel analizi (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 arkadaşları tarafından doğrulanmıştır.5;ancak Kore adli tıp pratiğinde DM modeline dayalı yaş tahmininin uygulanabilirliği hala tartışmalıdır.Amacımız, DM modeline dayalı yaş tahmininin potansiyel kullanışlılığını bilimsel olarak doğrulamaktı.Bu çalışmanın amacı (1) iki DM modelinin diş yaşını tahmin etmedeki doğruluğunu karşılaştırmak ve (2) 7 DM modelinin 18 yaşındaki sınıflandırma performansını geleneksel istatistiksel yöntemler kullanılarak elde edilenlerle karşılaştırmaktı. ve her iki çenede üçüncü azı dişleri.
Aşama ve diş tipine göre kronolojik yaşın ortalamaları ve standart sapmaları, Ek Tablo S1'de (eğitim seti), Ek Tablo S2'de (dahili test seti) ve Ek Tablo S3'te (harici test seti) çevrimiçi olarak gösterilmektedir.Eğitim setinden elde edilen gözlemci içi ve gözlemciler arası güvenirlik için kappa değerleri sırasıyla 0,951 ve 0,947 idi.Kappa değerleri için P değerleri ve %95 güven aralıkları çevrimiçi ek tablo S4'te gösterilmektedir.Kappa değeri Landis ve Koch'un26 kriterleriyle tutarlı olarak “neredeyse mükemmel” olarak yorumlandı.
Ortalama mutlak hatayı (MAE) karşılaştırırken geleneksel yöntem, çok katmanlı algılayıcı (MLP) haricinde tüm cinsiyetler için ve harici erkek test setinde DM modelinden biraz daha iyi performans gösterir.Dahili MAE test setinde geleneksel model ile DM modeli arasındaki fark erkekler için 0,12-0,19 yıl ve kadınlar için 0,17-0,21 yıldı.Harici test bataryası için farklar daha küçüktür (erkekler için 0,001–0,05 yıl ve kadınlar için 0,05–0,09 yıl).Ek olarak, kök ortalama kare hatası (RMSE), daha küçük farklarla (erkek dahili test seti için 0,17–0,24, 0,2–0,24 ve harici test seti için 0,03–0,07, 0,04–0,08) geleneksel yöntemden biraz daha düşüktür.).MLP, dişi harici test seti haricinde Tek Katmanlı Perceptron'dan (SLP) biraz daha iyi performans gösterir.MAE ve RMSE için, harici test seti tüm cinsiyetler ve modeller için dahili test setinden daha yüksek puanlar almaktadır.Tüm MAE ve RMSE Tablo 1 ve Şekil 1'de gösterilmektedir.
Geleneksel ve veri madenciliği regresyon modellerinin MAE ve RMSE'si.Ortalama mutlak hata MAE, ortalama karesel hata RMSE, tek katmanlı algılayıcı SLP, çok katmanlı algılayıcı MLP, geleneksel CM yöntemi.
Geleneksel ve DM modellerinin sınıflandırma performansı (18 yıllık kesim ile) duyarlılık, özgüllük, pozitif tahmin değeri (PPV), negatif tahmin değeri (NPV) ve alıcı çalışma karakteristik eğrisinin altındaki alan (AUROC) açısından gösterilmiştir. 27 (Çevrimiçi Tablo 2, Şekil 2 ve Ek Şekil 1).Dahili test bataryasının duyarlılığı açısından, geleneksel yöntemler erkeklerde en iyi, kadınlarda ise daha kötü performans gösterdi.Ancak geleneksel yöntemlerle SD arasındaki sınıflandırma performansı farkı erkeklerde (MLP) %9,7, kadınlarda ise yalnızca %2,4 (XGBoost).DM modelleri arasında lojistik regresyon (LR) her iki cinsiyette de daha iyi duyarlılık gösterdi.Dahili test setinin özgüllüğüne ilişkin olarak, dört SD modelinin erkeklerde iyi performans gösterdiği, geleneksel modelin ise kadınlarda daha iyi performans gösterdiği gözlemlendi.Erkekler ve kadınlar için sınıflandırma performansındaki farklar sırasıyla %13,3 (MLP) ve %13,1 (MLP) olup, modeller arasındaki sınıflandırma performansı farkının duyarlılığı aştığını göstermektedir.DM modelleri arasında destek vektör makinesi (SVM), karar ağacı (DT) ve rastgele orman (RF) modelleri erkeklerde en iyi performansı gösterirken, LR modeli kadınlarda en iyi performansı gösterdi.Geleneksel modelin ve tüm SD modellerinin AUROC'si 0,925'ten (erkeklerde k-en yakın komşu (KNN)) daha büyüktü ve bu da 18 yaşındaki örneklerin ayırt edilmesinde mükemmel sınıflandırma performansı sergiledi28.Harici test seti için, dahili test seti ile karşılaştırıldığında duyarlılık, özgüllük ve AUROC açısından sınıflandırma performansında bir düşüş yaşandı.Üstelik, en iyi ve en kötü modellerin sınıflandırma performansı arasındaki duyarlılık ve özgüllük farkı %10 ile %25 arasında değişiyordu ve dahili test setindeki farktan daha büyüktü.
Veri madenciliği sınıflandırma modellerinin geleneksel yöntemlere göre hassasiyeti ve özgüllüğü 18 yıllık bir kesinti ile karşılaştırıldığında.KNN k en yakın komşu, SVM destek vektör makinesi, LR lojistik regresyonu, 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 yöntemle DM modeli arasındaki fark, MAE için 44 ila 77 gün ve RMSE için 62 ila 88 gün arasında değişiyordu.Bu çalışmada geleneksel yöntem biraz daha doğru olmasına rağmen, bu kadar küçük bir farkın klinik veya pratik önemi olup olmadığı sonucuna varmak zordur.Bu sonuçlar, DM modeli kullanılarak yapılan diş yaşı tahmininin doğruluğunun geleneksel yöntemle hemen hemen aynı olduğunu göstermektedir.Önceki çalışmalardan elde edilen sonuçlarla doğrudan karşılaştırma zordur çünkü hiçbir çalışma, DM modellerinin doğruluğunu, bu çalışmada olduğu gibi aynı yaş aralığındaki dişleri kaydetme tekniğini kullanan geleneksel istatistiksel yöntemlerle karşılaştırmamıştır.Galibourg ve arkadaşları24 MAE ve RMSE'yi iki geleneksel yöntem (Demirjian yöntemi25 ve Willems yöntemi29) ile 2 ila 24 yaşları arasındaki bir Fransız popülasyonunda 10 DM modeli arasında karşılaştırmıştır.Willems ve Demirdjian yöntemleriyle karşılaştırıldığında MAE'de sırasıyla 0,20 ve 0,38 yıllık ve RMSE'de 0,25 ve 0,47 yıllık farklarla tüm DM modellerinin geleneksel yöntemlere göre daha doğru olduğunu bildirdiler.Halibourg çalışmasında gösterilen SD modeli ile geleneksel yöntemler arasındaki tutarsızlık, Demirdjian yönteminin, çalışmanın dayandığı Fransız Kanadalılar dışındaki popülasyonlarda diş yaşını doğru bir şekilde tahmin etmediğine dair çok sayıda raporu30,31,32,33 dikkate almaktadır.Bu çalışmada.Tai ve ark.34 1636 Çin ortodontik fotoğrafından diş yaşını tahmin etmek için MLP algoritmasını kullanmış ve doğruluğunu Demirjian ve Willems yönteminin sonuçlarıyla karşılaştırmıştır.MLP'nin geleneksel yöntemlere göre daha yüksek doğruluğa sahip olduğunu bildirmişlerdir.Demirdjian yöntemi ile geleneksel yöntem arasındaki fark <0,32 yıl, Willems yöntemi ise 0,28 yıldır ve bu da mevcut çalışmanın sonuçlarına benzerdir.Daha önce yapılan bu çalışmaların sonuçları24,34 bu çalışmanın sonuçlarıyla da tutarlı olup, DM modeli ile geleneksel yöntemin yaş tahmin doğruluğu benzerdir.Bununla birlikte, sunulan sonuçlara dayanarak, karşılaştırmalı ve referanslı önceki çalışmaların eksikliği nedeniyle yaşı tahmin etmek için DM modellerinin kullanılmasının mevcut yöntemlerin yerini alabileceği sonucuna varabiliriz.Bu çalışmada elde edilen sonuçların doğrulanması için daha büyük örneklemlerin kullanıldığı takip çalışmalarına ihtiyaç vardır.
Diş yaşını tahmin etmede SD'nin doğruluğunu test eden çalışmalar arasında bazıları bizim çalışmamızdan daha yüksek doğruluk gösterdi.Stepanovsky ve arkadaşları35, yaşları 2,7 ile 20,5 arasında değişen 976 Çek vatandaşının panoramik radyografilerine 22 SD modeli uyguladılar ve her modelin doğruluğunu test ettiler.Toplam 16 üst ve alt sol kalıcı dişin gelişimini Moorrees ve ark.36 tarafından önerilen sınıflandırma kriterlerini kullanarak değerlendirdiler.MAE 0,64 ila 0,94 yıl arasında değişir ve RMSE 0,85 ila 1,27 yıl arasında değişir; bu değerler, bu çalışmada kullanılan iki DM modelinden daha doğrudur.Shen ve arkadaşları23, Doğu Çin'de yaşayan 5 ila 13 yaş arası kişilerin sol alt çenesindeki yedi kalıcı dişin diş yaşını tahmin etmek için Cameriere yöntemini kullanmış ve bunu doğrusal regresyon, SVM ve RF kullanılarak tahmin edilen yaşlarla karşılaştırmıştır.Her üç DM modelinin de geleneksel Cameriere formülüne kıyasla daha yüksek doğruluğa sahip olduğunu gösterdiler.Shen'in çalışmasındaki MAE ve RMSE, bu çalışmadaki DM modelindekilerden daha düşüktü.Stepanovsky ve ark. tarafından yapılan çalışmaların artan hassasiyeti.35 ve Shen ve ark.23, çalışma örneklerine daha genç deneklerin dahil edilmesinden kaynaklanabilir.Diş gelişimi sırasında diş sayısı arttıkça katılımcılara yönelik yaş tahminleri daha doğru hale geldiğinden, ortaya çıkan yaş tahmin yönteminin doğruluğu, çalışma katılımcıları daha genç olduğunda tehlikeye girebilir.Ek olarak, MLP'nin yaş tahminindeki hatası SLP'ye göre biraz daha küçüktür, bu da MLP'nin SLP'den daha doğru olduğu anlamına gelir.Muhtemelen MLP38'deki gizli katmanlardan dolayı MLP'nin yaş tahmini açısından biraz daha iyi olduğu düşünülmektedir.Ancak kadınların dış örnekleminde bir istisna bulunmaktadır (SLP 1.45, MLP 1.49).Yaş değerlendirmesinde MLP'nin SLP'ye göre daha doğru olduğunun bulunması, geriye dönük ek çalışmalara ihtiyaç duymaktadır.
DM modelinin ve geleneksel yöntemin 18 yıllık eşikteki sınıflandırma performansı da karşılaştırıldı.Dahili test setindeki test edilen tüm SD modelleri ve geleneksel yöntemler, 18 yaşındaki örnek için pratik olarak kabul edilebilir düzeyde ayrımcılık gösterdi.Erkekler ve kadınlar için duyarlılık sırasıyla %87,7 ve %94,9'dan, özgüllük ise %89,3 ve %84,7'den yüksekti.Test edilen tüm modellerin AUROC'u da 0,925'i aşıyor.Bildiğimiz kadarıyla hiçbir çalışma, diş olgunluğuna dayalı 18 yıllık sınıflandırma için DM modelinin performansını test etmemiştir.Bu çalışmanın sonuçlarını derin öğrenme modellerinin panoramik radyograflar üzerindeki sınıflandırma performansıyla karşılaştırabiliriz.Guo ve ark.15 CNN tabanlı bir derin öğrenme modelinin ve Demirjian'ın yöntemini temel alan manuel bir yöntemin belirli bir yaş eşiği için sınıflandırma performansını hesapladı.Manuel yöntemin duyarlılığı ve özgüllüğü sırasıyla %87,7 ve %95,5 iken, CNN modelinin duyarlılığı ve özgüllüğü sırasıyla %89,2 ve %86,6'yı aştı.Derin öğrenme modellerinin yaş eşiklerini sınıflandırmada manuel değerlendirmenin yerini alabileceği veya daha iyi performans gösterebileceği sonucuna vardılar.Bu çalışmanın sonuçları benzer sınıflandırma performansını gösterdi;DM modelleri kullanılarak yapılan sınıflandırmanın, yaş tahmini için geleneksel istatistiksel yöntemlerin yerini alabileceğine inanılmaktadır.Modeller arasında erkek örneklemi için duyarlılık, kadın örneklemi için duyarlılık ve özgüllük açısından DM LR en iyi model olmuştur.LR erkeklerde özgüllük açısından ikinci sırada yer alıyor.Üstelik LR, daha kullanıcı dostu DM35 modellerinden biri olarak kabul ediliyor ve daha az karmaşık ve işlenmesi daha zor.Bu sonuçlara dayanarak LR, Kore nüfusundaki 18 yaşındakiler için en iyi kesme sınıflandırma modeli olarak kabul edildi.
Genel olarak, harici test setindeki yaş tahmininin veya sınıflandırma performansının doğruluğu, dahili test setindeki sonuçlarla karşılaştırıldığında zayıf veya daha düşüktü.Bazı raporlar, Kore nüfusunu temel alan yaş tahminlerinin Japon nüfusuna uygulanması durumunda sınıflandırma doğruluğunun veya etkinliğinin azaldığını göstermektedir5,39 ve bu çalışmada da benzer bir model bulunmuştur.Bu bozulma eğilimi DM modelinde de gözlendi.Bu nedenle, analiz sürecinde KV kullanılırken bile yaşı doğru tahmin edebilmek için geleneksel yöntemler gibi yerli nüfus verilerinden elde edilen yöntemlerin tercih edilmesi gerekmektedir5,39,40,41,42.Derin öğrenme modellerinin benzer eğilimler gösterip gösteremeyeceği belirsiz olduğundan, yapay zekanın sınırlı yaşlarda bu ırksal eşitsizliklerin üstesinden gelip gelemeyeceğini doğrulamak için geleneksel yöntemler, DM modelleri ve derin öğrenme modellerini kullanarak aynı örnekler üzerinde sınıflandırma doğruluğunu ve verimliliğini karşılaştıran çalışmalara ihtiyaç vardır.değerlendirmeler.
Kore'de adli yaş tahmini uygulamasında geleneksel yöntemlerin yerini DM modeline dayalı yaş tahmininin alabileceğini gösterdik.Ayrıca adli yaş değerlendirmesi için makine öğreniminin uygulanma olasılığını da keşfettik.Ancak bu çalışmada katılımcı sayısının kesin olarak sonuçları belirlemek için yetersiz olması ve bu çalışmanın sonuçlarını karşılaştırıp doğrulayacak daha önce yapılmış çalışmaların bulunmaması gibi açık sınırlamalar bulunmaktadır.Gelecekte, geleneksel yöntemlere göre pratik uygulanabilirliğini artırmak için DM çalışmalarının daha fazla sayıda örnek ve daha çeşitli popülasyonlarla yapılması gerekmektedir.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 karşılaştıracak gelecekteki çalışmalara ihtiyaç vardır.
Çalışmada, 15 ila 23 yaşları arasındaki Koreli ve Japon yetişkinlerden toplanan 2.657 ortografik fotoğraf kullanıldı.Kore radyografileri 900 eğitim setine (19,42 ± 2,65 yıl) ve 900 dahili test setine (19,52 ± 2,59 yıl) bölündü.Eğitim seti bir kurumda (Seul St. Mary's Hastanesi) toplandı ve kendi test seti iki kurumda (Seul Ulusal Üniversitesi Diş Hastanesi ve Yonsei Üniversitesi Diş Hastanesi) toplandı.Ayrıca harici testler için popülasyona dayalı başka bir veriden (Iwate Tıp Üniversitesi, Japonya) 857 radyografi topladık.Japon deneklerin radyografileri (19,31 ± 2,60 yıl) harici test seti olarak seçildi.Diş tedavisi sırasında çekilen panoramik radyografiler üzerinde diş gelişiminin aşamalarını analiz etmek için veriler retrospektif olarak toplandı.Cinsiyet, doğum tarihi ve radyografi tarihi dışında toplanan tüm veriler anonimdi.Dahil etme ve hariç tutma kriterleri daha önce yayınlanmış çalışmalarla aynıydı4,5.Numunenin gerçek yaşı, radyografinin alındığı tarihten doğum tarihi çıkarılarak hesaplandı.Örneklem grubu dokuz yaş grubuna ayrıldı.Yaş ve cinsiyet dağılımları Tablo 3'te gösterilmektedir. Bu çalışma, Helsinki Bildirgesi'ne uygun olarak yürütülmüş ve Kore Katolik Üniversitesi Seul St. Mary's Hastanesi'nin Kurumsal İnceleme Kurulu (IRB) (KC22WISI0328) tarafından onaylanmıştır.Bu çalışmanın retrospektif tasarımı nedeniyle tedavi amaçlı radyografik inceleme yapılan tüm hastalardan bilgilendirilmiş onam alınamadı.Seul Kore Üniversitesi St. Mary's Hastanesi (IRB), bilgilendirilmiş onam gerekliliğinden feragat etti.
Bimaksiller ikinci ve üçüncü azı dişlerinin gelişim aşamaları Demircan kriterlerine göre değerlendirildi25.Her çenenin sol ve sağ tarafında aynı tipte diş bulunması durumunda yalnızca bir diş seçilmiştir.Her iki taraftaki homolog dişler farklı gelişim aşamalarındaysa, tahmini yaştaki belirsizliği hesaba katmak için daha düşük gelişim aşamasına sahip diş seçildi.Diş olgunluk aşamasını belirlemek için ön kalibrasyondan sonra gözlemciler arası güvenilirliği test etmek amacıyla eğitim setinden rastgele seçilen yüz radyografi iki deneyimli gözlemci tarafından puanlandı.Gözlemci içi güvenilirlik birincil gözlemci tarafından üçer aylık aralıklarla iki kez değerlendirildi.
Eğitim setindeki her çenenin ikinci ve üçüncü azı dişlerinin cinsiyeti ve gelişim evresi, farklı DM modelleri ile eğitilmiş birincil gözlemci tarafından tahmin edilmiş ve hedef değer olarak gerçek yaş belirlenmiştir.Makine öğrenmesinde 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 aktarımına dayalı olarak çalışır.Regresyondaki SLP modeli matematiksel olarak çoklu doğrusal regresyona benzer.SLP modelinden farklı olarak MLP modeli, doğrusal olmayan aktivasyon fonksiyonlarına sahip birden fazla gizli katmana sahiptir.Deneylerimizde doğrusal olmayan aktivasyon fonksiyonlarına sahip yalnızca 20 gizli düğümden oluşan bir gizli katman kullanıldı.Makine öğrenimi modelimizi eğitmek için optimizasyon yöntemi olarak degrade inişini ve kayıp işlevi olarak MAE ve RMSE'yi kullanın.Elde edilen en iyi regresyon modeli iç ve dış test setlerine uygulanarak dişlerin yaşı tahmin edildi.
Bir numunenin 18 yaşında olup olmadığını tahmin etmek için eğitim setindeki dört dişin olgunluğunu kullanan bir sınıflandırma algoritması geliştirildi.Modeli oluşturmak için yedi temsil makine öğrenimi algoritması6,43 türettik: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost ve (7) MLP .LR en yaygın kullanılan sınıflandırma algoritmalarından biridir44.Verilerin belirli bir kategoriye ait olma olasılığını 0'dan 1'e kadar tahmin etmek için regresyon kullanan ve verileri bu olasılığa göre 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 verisi verildiğinde mevcut kümeye yakın k veriyi bulur ve bunları en yüksek frekansa sahip sınıfa sınıflandırır.Dikkate alınan komşuların sayısı için 3'ü belirledik (k).DVM, doğrusal alanı alanlar46 adı verilen doğrusal olmayan bir alana genişletmek için bir çekirdek işlevi kullanarak iki sınıf arasındaki mesafeyi maksimuma çıkaran bir algoritmadır.Bu model için, polinom çekirdeğinin hiperparametreleri olarak önyargı = 1, güç = 1 ve gama = 1'i kullanıyoruz.DT, karar kurallarını bir ağaç yapısında47 temsil ederek tüm veri setini çeşitli alt gruplara bölmek için bir algoritma olarak çeşitli alanlarda uygulanmıştır.Model, düğüm başına minimum kayıt sayısı 2 olacak şekilde yapılandırılmıştır ve kalite ölçüsü olarak Gini endeksini kullanır.RF, orijinal veri kümesinden aynı boyuttaki örnekleri birden çok kez rastgele çizerek her örnek için zayıf bir sınıflandırıcı oluşturan bir önyükleme toplama yöntemini kullanarak performansı artırmak için birden fazla DT'yi birleştiren bir topluluk yöntemidir48.Düğüm ayırma kriterleri olarak 100 ağaç, 10 ağaç derinliği, 1 minimum düğüm boyutu ve Gini karışım indeksini kullandık.Yeni verilerin sınıflandırılması oy çokluğuyla belirlenir.XGBoost, önceki modelin gerçek ve tahmin edilen değerleri arasındaki hatayı eğitim verisi olarak alan ve gradyanlar49 kullanarak hatayı artıran bir yöntem kullanarak yükseltme tekniklerini birleştiren bir algoritmadır.İyi performansı ve kaynak verimliliğinin yanı sıra aşırı uyum düzeltme fonksiyonu olarak yüksek güvenilirliği nedeniyle yaygın olarak kullanılan bir algoritmadır.Model 400 adet destek tekerleği ile donatılmıştır.MLP, bir veya daha fazla algılayıcının, giriş ve çıkış katmanları38 arasında bir veya daha fazla gizli katmana sahip birden fazla katman oluşturduğu bir sinir ağıdır.Bunu kullanarak, bir giriş katmanı ekleyip bir sonuç değeri aldığınızda, tahmin edilen sonuç değerinin gerçek sonuç değeriyle karşılaştırıldığı ve hatanın geriye doğru yayıldığı doğrusal olmayan sınıflandırma gerçekleştirebilirsiniz.Her katmanda 20 gizli nöron bulunan bir gizli katman oluşturduk.Geliştirdiğimiz her model, duyarlılık, özgüllük, PPV, NPV ve AUROC hesaplanarak sınıflandırma performansını test etmek için iç ve dış setlere uygulandı.Duyarlılık, 18 yaşında veya daha büyük olduğu tahmin edilen bir numunenin, 18 yaşında veya daha büyük olduğu tahmin edilen bir numuneye oranı olarak tanımlanır.Özgüllük, 18 yaşın altındaki numunelerin ve 18 yaşın altında olduğu tahmin edilenlerin oranıdır.
Eğitim setinde değerlendirilen diş aşamaları istatistiksel analiz için sayısal aşamalara dönüştürüldü.Her cinsiyet için öngörücü modeller geliştirmek ve yaşı tahmin etmek için kullanılabilecek regresyon formüllerini türetmek amacıyla çok değişkenli doğrusal ve lojistik regresyon uygulandı.Bu formülleri hem dahili hem de harici test setleri için diş yaşını tahmin etmek amacıyla kullandık.Tablo 4'te bu çalışmada kullanılan regresyon ve sınıflandırma modelleri gösterilmektedir.
Gözlemciler içi 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 genellikle model tahminlerinin doğruluğunu değerlendirmek için kullanılır.Hata ne kadar küçük olursa tahminin doğruluğu da o kadar yüksek olur24.DM ve geleneksel regresyon kullanılarak hesaplanan iç ve dış test setlerinin MAE ve RMSE'sini karşılaştırın.Geleneksel istatistiklerde 18 yıllık kesintinin sınıflandırma performansı 2x2 beklenmedik durum tablosu kullanılarak değerlendirildi.Test setinin hesaplanan duyarlılığı, özgüllüğü, PPV, NPV ve AUROC değerleri DM sınıflandırma modelinin ölçülen değerleriyle karşılaştırıldı.Veriler, veri özelliklerine bağlı olarak ortalama ± standart sapma veya sayı (%) olarak ifade edilmiştir.İki taraflı P değerleri <0,05 istatistiksel olarak anlamlı kabul edildi.Tüm rutin istatistiksel analizler SAS versiyon 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 Ortamı ve Konstanz Information Miner (KNIME) 4.6.152 analiz platformunda uygulandı.
Yazarlar, çalışmanın sonuçlarını destekleyen verilerin makalede ve ek materyallerde bulunabileceğini kabul etmektedir.Çalışma sırasında oluşturulan ve/veya analiz edilen veri kümeleri, makul talep üzerine ilgili yazardan temin edilebilir.
Ritz-Timme, S. ve diğerleri.Yaş değerlendirmesi: Adli tıp uygulamalarının özel gereksinimlerini karşılayacak son teknoloji.uluslararasılık.J. Yasal tıp.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ve Olze, A. Cezai kovuşturma amacıyla yaşayan deneklerin adli yaş değerlendirmesinin mevcut durumu.Adli.ilaç.Patoloji.1, 239–246 (2005).
Pan, J. ve diğerleri.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 bunun adli yaş değerlendirmesine uygulanması.uluslararasılık.J. Yasal tıp.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ve Lee, SS Koreliler ve Japonlarda ikinci ve üçüncü azı dişlerinin olgunluğuna dayalı olarak yaş tahmininin doğruluğu ve 18 yıllık eşiğin tahmini.PLoS ONE 17, e0271247 (2022).
Kim, JY ve ark.Ameliyat öncesi makine öğrenimine dayalı veri analizi, OSA'lı hastalarda uyku cerrahisi tedavisinin sonucunu tahmin edebilir.Bilim.Rapor 11, 14911 (2021).
Han, M. ve ark.İnsan müdahalesi olsun veya olmasın makine öğreniminden doğru yaş tahmini?uluslararasılık.J. Yasal tıp.136, 821–831 (2022).
Khan, S. ve Shaheen, M. Veri Madenciliğinden Veri Madenciliğine.J.Bilgi.Bilim.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ve Shaheen, M. WisRule: Birliktelik Kuralı Madenciliği için İlk Bilişsel Algoritma.J.Bilgi.Bilim.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ve Abdullah U. Karm: Bağlama dayalı birliktelik kurallarına dayalı geleneksel veri madenciliği.hesaplamak.Mat.devam etmek.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ve Habib M. Metin verilerini kullanarak derin öğrenmeye dayalı 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 aktiviteyi 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 Öğrenimi Mücadelesi.Radyoloji 290, 498–503 (2019).
Li, Y. ve ark.Derin öğrenmeyi kullanarak pelvik röntgenlerden adli yaş tahmini.EURO.radyasyon.29, 2322–2329 (2019).
Guo, YC ve ark.Ortografik projeksiyon görüntülerinden manuel yöntemler ve derin evrişimli sinir ağları kullanılarak doğru yaş sınıflandırması.uluslararasılık.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. Konik ışınlı bilgisayarlı tomografi kullanılarak birinci azı dişlerinin hamur odası hacimlerine dayalı olarak Afrikalı Amerikalılar ve Çinlilerin popülasyona özgü yaş tahmini.uluslararasılık.J. Yasal tıp.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ve Oh KS Birinci azı dişlerinin yapay zeka tabanlı görüntülerini kullanarak yaşayan insanların yaş gruplarının belirlenmesi.Bilim.Rapor 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. ve Urschler, M. Çok değişkenli MRI verilerinden otomatik yaş tahmini ve çoğunluk yaşı sınıflandırması.IEEE J. Biomed.Sağlık Uyarıları.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ve Li, G. Derin öğrenme ve seviye setlerinin entegre edilmesiyle konik ışınlı bilgisayarlı tomografiden ilk azı dişlerinin 3 boyutlu hamur odası segmentasyonuna dayanan yaş tahmini.uluslararasılık.J. Yasal tıp.135, 365–373 (2021).
Wu, WT ve ark.Klinik büyük verilerde veri madenciliği: ortak veritabanları, adımlar ve yöntem modelleri.Dünya.ilaç.kaynak.8, 44 (2021).
Yang, J. ve ark.Büyük Veri Çağında Tıbbi Veritabanlarına ve Veri Madenciliği Teknolojilerine Giriş.J. Avid.Temel tıp.13, 57–69 (2020).
Shen, S. ve ark.Makine öğrenimini kullanarak diş yaşını tahmin etmeye yönelik Camerer yöntemi.BMC Ağız Sağlığı 21, 641 (2021).
Galliburg A. ve ark.Demirdjian evreleme yöntemini kullanarak diş yaşını tahmin etmek için farklı makine öğrenimi yöntemlerinin karşılaştırılması.uluslararasılık.J. Yasal tıp.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ve Tanner, JM Diş yaşını değerlendirmek için yeni bir sistem.homurdanmak.Biyoloji.45, 211–227 (1973).
Landis, JR ve Koch, GG Kategorik veriler üzerinde gözlemci anlaşmasının ölçümleri.Biyometri 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ve Choi HK.Primer beyin tümörlerinin ayırt edilmesi için yapay zeka teknikleri kullanılarak iki boyutlu manyetik rezonans görüntülemenin dokusal, morfolojik ve istatistiksel analizi.Sağlık Bilgisi.kaynak.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Gönderim zamanı: Ocak-04-2024