Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümünün CSS desteği sınırlıdır. En iyi sonuçlar için, tarayıcınızın daha yeni bir sürümünü kullanmanızı (veya Internet Explorer'da uyumluluk modunu kapatmanızı) öneririz. Bu süre zarfında, sürekli destek sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Dişler, insan vücudunun yaşının en doğru göstergesi olarak kabul edilir ve sıklıkla adli yaş değerlendirmesinde kullanılır. Bu çalışmada, 18 yaş eşiğinin tahmin doğruluğunu ve sınıflandırma performansını geleneksel yöntemler ve veri madenciliği tabanlı yaş tahminleriyle karşılaştırarak, veri madenciliği tabanlı diş yaşı tahminlerinin doğruluğunu doğrulamayı amaçladık. 15 ila 23 yaşları arasındaki Koreli ve Japon vatandaşlarından toplam 2657 panoramik röntgen görüntüsü toplandı. Bunlar, her biri 900 Kore röntgen görüntüsü içeren bir eğitim seti ve 857 Japon röntgen görüntüsü içeren bir iç test seti olmak üzere ikiye ayrıldı. Geleneksel yöntemlerin sınıflandırma doğruluğunu ve verimliliğini, veri madenciliği modellerinin test setleriyle karşılaştırdık. İç test setinde geleneksel yöntemin doğruluğu, veri madenciliği modelininkinden biraz daha yüksek olup, aradaki fark küçüktür (ortalama mutlak hata <0,21 yıl, kök ortalama kare hata <0,24 yıl). 18 yaş eşiği için sınıflandırma performansı da geleneksel yöntemler ve veri madenciliği modelleri arasında benzerdir. Bu nedenle, Koreli ergen ve genç yetişkinlerde ikinci ve üçüncü azı dişlerinin olgunluğu kullanılarak yapılan adli yaş değerlendirmesinde geleneksel yöntemler, veri madenciliği modelleriyle değiştirilebilir.
Diş yaşı tahmini, adli tıp ve çocuk 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 belirlemek için önemli bir kriterdir1,2,3. Bununla birlikte, gençlerde, üçüncü azı dişleri hariç, diş gelişimi neredeyse tamamlandığı için, diş olgunluğuna dayalı diş yaşı tahmininin sınırlamaları vardır. Gençlerin ve ergenlerin yaşını belirlemenin yasal amacı, reşit olup olmadıklarına dair doğru tahminler ve bilimsel kanıtlar sağlamaktır. Kore'de ergenlerin ve genç yetişkinlerin adli tıp uygulamasında, yaş Lee'nin yöntemi kullanılarak tahmin edilmiş ve Oh ve ark. tarafından bildirilen verilere dayanarak 18 yaş yasal bir eşik olarak öngörülmüştür5.
Makine öğrenimi, büyük miktarda veriyi tekrar tekrar öğrenen ve sınıflandıran, sorunları kendi başına çözen ve veri programlamayı yönlendiren bir yapay zeka (YZ) türüdür. Makine öğrenimi, büyük veri hacimlerinde yararlı gizli kalıpları keşfedebilir⁶. Buna karşılık, emek yoğun ve zaman alıcı olan klasik yöntemler, elle işlenmesi zor olan büyük miktarda karmaşık veriyle uğraşırken sınırlamalara sahip olabilir⁷. Bu nedenle, insan hatalarını en aza indirmek ve çok boyutlu verileri verimli bir şekilde işlemek için son zamanlarda en yeni bilgisayar teknolojileri kullanılarak birçok çalışma yapılmıştır⁸,⁹,¹⁰,¹¹,¹². Özellikle, derin öğrenme tıbbi görüntü analizinde yaygın olarak kullanılmaktadır ve radyografları otomatik olarak analiz ederek yaş tahmini için çeşitli yöntemlerin yaş tahmininin doğruluğunu ve verimliliğini artırdığı bildirilmiştir¹³,¹⁴,¹⁵,¹⁶,¹⁷,¹⁸,¹⁹,²⁰. Örneğin, Halabi ve ark.¹³ çocukların ellerinin radyograflarını kullanarak iskelet yaşını tahmin etmek için evrimsel sinir ağlarına (CNN) dayalı bir makine öğrenimi algoritması geliştirmiştir. Bu çalışma, tıbbi görüntülere makine öğrenimi uygulayan bir model önermekte ve bu yöntemlerin tanı doğruluğunu artırabileceğini göstermektedir. Li ve ark. [14], derin öğrenme CNN'si kullanarak pelvik röntgen görüntülerinden yaş tahmini yapmış ve bunları kemikleşme aşaması tahmini kullanan regresyon sonuçlarıyla karşılaştırmıştır. Derin öğrenme CNN modelinin, geleneksel regresyon modeliyle aynı yaş tahmin performansını gösterdiğini bulmuşlardır. Guo ve ark.'nın çalışması [15], diş ortofotolarına dayalı CNN teknolojisinin yaş toleransı sınıflandırma performansını değerlendirmiş ve CNN modelinin sonuçlarının, insanların yaş sınıflandırma performansından daha iyi performans gösterdiğini kanıtlamıştır.
Makine öğrenimi kullanılarak yapılan yaş tahminine ilişkin çalışmaların çoğu derin öğrenme yöntemlerini kullanmaktadır13,14,15,16,17,18,19,20. Derin öğrenmeye dayalı yaş tahmininin geleneksel yöntemlerden daha doğru olduğu bildirilmektedir. Bununla birlikte, bu yaklaşım, yaş tahminlerinde kullanılan yaş göstergeleri gibi yaş tahminlerinin bilimsel temelini sunma konusunda çok az fırsat sağlamaktadır. Ayrıca, incelemeleri kimin yapacağı konusunda yasal bir anlaşmazlık da bulunmaktadır. Bu nedenle, derin öğrenmeye dayalı yaş tahmininin idari ve adli makamlar tarafından kabul edilmesi zordur. Veri madenciliği (VM), büyük miktarda veri arasında yararlı korelasyonlar keşfetme yöntemi olarak yalnızca beklenen değil, aynı zamanda beklenmeyen 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 temel algoritmaları kullanır. Diş gelişimi kullanılarak yapılan yaş tahmini, muayene edenin hedef dişlerin olgunluğuna ilişkin değerlendirmesine dayanır 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 analizin yerini alma potansiyeline sahiptir. Bu nedenle, yaş tahminine DM tekniklerini uygularsak, yasal sorumluluktan endişe duymadan adli yaş tahmininde makine öğrenimini uygulayabiliriz. Adli uygulamada kullanılan geleneksel manuel yöntemlere ve diş yaşını belirlemek için kullanılan kanıta dayalı tıp (EBM) yöntemlerine olası alternatifler üzerine çeşitli karşılaştırmalı çalışmalar yayınlanmıştır. Shen ve ark.23, DM modelinin geleneksel Camerer formülünden daha doğru olduğunu göstermiştir. Galibourg ve ark.24, Demirdjian kriterine25 göre yaş tahmin etmek için farklı DM yöntemleri uygulamış ve sonuçlar, DM yönteminin Fransız nüfusunun yaşını tahmin etmede Demirdjian ve Willems yöntemlerinden daha iyi performans gösterdiğini ortaya koymuştur.
Koreli ergenlerin ve genç yetişkinlerin diş yaşını tahmin etmek için, Kore adli tıp uygulamalarında yaygın olarak Lee'nin yöntemi 4 kullanılmaktadır. Bu yöntem, Koreli bireyler ile 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 tanımlanmıştır. Lee'nin yöntemi geleneksel bir yöntemdir ve doğruluğu Oh vd. 5 tarafından doğrulanmıştır; ancak, DM modeline dayalı yaş tahmininin Kore adli tıp uygulamalarındaki uygulanabilirliği hala tartışmalıdır. Amacımız, DM modeline dayalı yaş tahmininin potansiyel faydasını bilimsel olarak doğrulamaktı. Bu çalışmanın amacı (1) iki DM modelinin diş yaşını tahmin etmedeki doğruluğunu karşılaştırmak ve (2) 18 yaşındaki 7 DM modelinin sınıflandırma performansını geleneksel istatistiksel yöntemler kullanılarak elde edilenlerle karşılaştırmaktı. Her iki çenedeki ikinci ve üçüncü azı dişlerinin olgunluğu.
Kronolojik yaşın evreye ve diş tipine göre 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 gösterilmiştir. Eğitim setinden elde edilen gözlemci içi ve gözlemciler arası güvenilirlik için kappa değerleri sırasıyla 0,951 ve 0,947'dir. Kappa değerleri için P değerleri ve %95 güven aralıkları çevrimiçi Ek Tablo S4'te gösterilmiştir. Kappa değeri, Landis ve Koch'un kriterlerine uygun olarak "neredeyse mükemmel" olarak yorumlanmıştır.
Ortalama mutlak hata (MAE) karşılaştırıldığında, geleneksel yöntem, çok katmanlı algılayıcı (MLP) hariç, tüm cinsiyetler ve harici erkek test setinde DM modelinden biraz daha iyi performans göstermektedir. Dahili MAE test setinde geleneksel model ile DM modeli arasındaki fark erkekler için 0,12–0,19 yıl, kadınlar için ise 0,17–0,21 yıldır. 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) geleneksel yöntemden biraz daha düşüktür ve farklar daha küçüktür (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). MLP, kadın harici test seti hariç, Tek Katmanlı Algılayıcıdan (SLP) biraz daha iyi performans göstermektedir. MAE ve RMSE değerleri için, tüm cinsiyetler ve modeller için harici test seti, dahili test setinden daha yüksek puan almıştır. Tüm MAE ve RMSE değerleri Tablo 1 ve Şekil 1'de gösterilmiştir.
Geleneksel ve veri madenciliği regresyon modellerinin MAE ve RMSE değerleri. Ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE), tek katmanlı algılayıcı (SLP), çok katmanlı algılayıcı (MLP), geleneksel CM yöntemi.
Geleneksel ve DM modellerinin sınıflandırma performansı (18 yaş sınırı ile) duyarlılık, özgüllük, pozitif tahmin değeri (PPV), negatif tahmin değeri (NPV) ve alıcı işletim karakteristik eğrisi altındaki alan (AUROC) 27 açısından gösterilmiştir (Tablo 2, Şekil 2 ve Ek Şekil 1 çevrimiçi). Dahili test bataryasının duyarlılığı açısından, geleneksel yöntemler erkeklerde en iyi, kadınlarda ise en kötü performansı göstermiştir. Bununla birlikte, geleneksel yöntemler ile SD arasındaki sınıflandırma performansı farkı erkeklerde %9,7 (MLP) ve kadınlarda sadece %2,4'tür (XGBoost). DM modelleri arasında, lojistik regresyon (LR) her iki cinsiyette de daha iyi duyarlılık göstermiştir. Dahili test setinin özgüllüğüne gelince, dört SD modelinin erkeklerde iyi performans gösterdiği, geleneksel modelin ise kadınlarda daha iyi performans gösterdiği gözlemlenmiştir. 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 göstermiştir. Geleneksel modelin ve tüm SD modellerinin AUROC değeri 0,925'ten (erkeklerde k-en yakın komşu (KNN)) daha yüksek olup, 18 yaşındaki örnekleri ayırt etmede mükemmel sınıflandırma performansı sergilemiştir.28 Dış test seti için, duyarlılık, özgüllük ve AUROC açısından sınıflandırma performansında iç test setine kıyasla bir düşüş gözlemlenmiştir. Dahası, en iyi ve en kötü modellerin sınıflandırma performansı arasındaki duyarlılık ve özgüllük farkı %10 ile %25 arasında değişmiş ve iç test setindeki farktan daha büyük olmuştur.
Veri madenciliği sınıflandırma modellerinin, 18 yaş sınırı dikkate alınarak geleneksel yöntemlerle karşılaştırıldığında duyarlılık ve özgüllük değerleri. KNN (k en yakın komşu), SVM (destek vektör makinesi), LR (lojistik regresyon), DT (karar ağacı), RF (rastgele orman), XGBoost (XGB), 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 de dahili test setlerinde değerlendirildi ve geleneksel yöntem ile DM modeli arasındaki fark, MAE için 44 ila 77 gün, RMSE için ise 62 ila 88 gün arasında değişti. Bu çalışmada geleneksel yöntem biraz daha doğru olsa da, bu kadar küçük bir farkın klinik veya pratik bir öneme sahip olup olmadığı konusunda kesin bir sonuca varmak zordur. Bu sonuçlar, DM modeli kullanılarak yapılan diş yaşı tahmininin doğruluğunun, geleneksel yöntemin doğruluğuyla neredeyse aynı olduğunu göstermektedir. Önceki çalışmaların sonuçlarıyla doğrudan karşılaştırma zordur çünkü hiçbir çalışma, bu çalışmada olduğu gibi aynı yaş aralığında dişleri kaydetme tekniğini kullanarak DM modellerinin doğruluğunu geleneksel istatistiksel yöntemlerle karşılaştırmamıştır. Galibourg ve ark.24, 2 ila 24 yaş arası Fransız popülasyonunda iki geleneksel yöntem (Demirjian yöntemi25 ve Willems yöntemi29) ve 10 DM modeli arasında MAE ve RMSE'yi karşılaştırmıştır. Bildirilenlere göre, tüm DM modelleri geleneksel yöntemlerden daha doğruydu; Willems ve Demirdjian yöntemlerine kıyasla MAE'de 0,20 ve 0,38 yıl, RMSE'de ise 0,25 ve 0,47 yıl farklar vardı. Halibourg çalışmasında gösterilen SD modeli ile geleneksel yöntemler arasındaki tutarsızlık, Demirdjian yönteminin çalışmanın dayandığı Fransız Kanadalılar dışındaki popülasyonlarda diş yaşını doğru tahmin edemediğine dair çok sayıda raporu30,31,32,33 dikkate almaktadır. Bu çalışmada, Tai ve ark.34, 1636 Çinli ortodontik fotoğraftan diş yaşını tahmin etmek için MLP algoritmasını kullandı ve doğruluğunu Demirdjian ve Willems yöntemlerinin sonuçlarıyla karşılaştırdı. MLP'nin geleneksel yöntemlerden daha yüksek doğruluğa sahip olduğunu bildirdiler. Demirdjian yöntemi ile geleneksel yöntem arasındaki fark <0,32 yıl, Willems yöntemi ile arasındaki fark ise 0,28 yıldır; bu da mevcut çalışmanın sonuçlarına benzerdir. Önceki çalışmaların sonuçları24,34 da mevcut çalışmanın sonuçlarıyla tutarlıdır ve DM modelinin ve geleneksel yöntemin yaş tahmin doğruluğu benzerdir. Bununla birlikte, sunulan sonuçlara dayanarak, karşılaştırmalı ve referans niteliğinde önceki çalışmaların eksikliği nedeniyle, DM modellerinin yaş tahmininde kullanılmasının mevcut yöntemlerin yerini alabileceği sonucuna ancak ihtiyatlı bir şekilde varabiliriz. Bu çalışmada elde edilen sonuçları doğrulamak için daha büyük örneklemler kullanan takip çalışmaları gereklidir.
SD'nin diş yaşını tahmin etmedeki doğruluğunu test eden çalışmalar arasında, bazılarının bizim çalışmamızdan daha yüksek doğruluk gösterdiği görülmüştür. Stepanovsky ve ark. 35, 2,7 ila 20,5 yaşları arasındaki 976 Çek sakininin panoramik radyografilerine 22 SD modeli uyguladı ve her modelin doğruluğunu test etti. 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 ve RMSE 0,85 ila 1,27 yıl arasında değişmektedir; bu değerler, bu çalışmada kullanılan iki DM modelinden daha doğrudur. Shen ve ark.23, 5 ila 13 yaşları arasındaki Doğu Çinli sakinlerin sol alt çenesindeki yedi kalıcı dişin diş yaşını tahmin etmek için Cameriere yöntemini kullandı ve bunu doğrusal regresyon, SVM ve RF kullanılarak tahmin edilen yaşlarla karşılaştırdı. Üç DM modelinin de geleneksel Cameriere formülüne kıyasla daha yüksek doğruluğa sahip olduğunu gösterdiler. Shen'in çalışmasındaki MAE ve RMSE değerleri, bu çalışmadaki DM modelindekilerden daha düşüktü. Stepanovsky vd. 35 ve Shen vd. 23'ün çalışmalarındaki artan hassasiyet, çalışma örneklerine daha genç deneklerin dahil edilmesinden kaynaklanıyor olabilir. Diş gelişimi sırasında diş sayısı arttıkça, gelişmekte olan dişlere sahip katılımcılar için yaş tahminleri daha doğru hale geldiğinden, çalışma katılımcıları daha genç olduğunda ortaya çıkan yaş tahmin yönteminin doğruluğu tehlikeye girebilir. Ek olarak, MLP'nin yaş tahminindeki hatası SLP'ninkinden biraz daha küçüktür, yani MLP, SLP'den daha doğrudur. MLP, yaş tahmini için biraz daha iyi kabul edilir, muhtemelen MLP'deki gizli katmanlar nedeniyle38. Bununla birlikte, kadınların dış örnekleminde bir istisna vardır (SLP 1,45, MLP 1,49). MLP'nin yaş değerlendirmesinde SLP'den daha doğru olduğu bulgusu, ek retrospektif çalışmalar gerektirmektedir.
DM modelinin ve geleneksel yöntemin 18 yaş eşiğindeki sınıflandırma performansı da karşılaştırıldı. Dahili test setinde test edilen tüm SD modelleri ve geleneksel yöntemler, 18 yaşındaki örneklem 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 daha yüksekti. Test edilen tüm modellerin AUROC değeri de 0,925'i aşmaktadır. Bildiğimiz kadarıyla, diş olgunluğuna dayalı 18 yaş sınıflandırması için DM modelinin performansını test eden hiçbir çalışma yapılmamıştır. Bu çalışmanın sonuçlarını, panoramik radyograflar üzerindeki derin öğrenme modellerinin sınıflandırma performansı ile karşılaştırabiliriz. Guo vd.15, belirli bir yaş eşiği için CNN tabanlı bir derin öğrenme modelinin ve Demirjian yöntemine dayalı manuel bir yöntemin sınıflandırma performansını hesaplamıştır. Manuel yöntemin duyarlılığı ve özgüllüğü sırasıyla %87,7 ve %95,5 iken, CNN modelinin duyarlılığı ve özgüllüğü sırasıyla %89,2 ve %86,6'yı aşmıştır. Derin öğrenme modellerinin yaş eşiklerini sınıflandırmada manuel değerlendirmenin yerini alabileceği veya ondan daha iyi performans gösterebileceği sonucuna varmışlardır. Bu çalışmanın sonuçları benzer sınıflandırma performansı göstermiştir; DM modelleri kullanılarak yapılan sınıflandırmanın, yaş tahmini için geleneksel istatistiksel yöntemlerin yerini alabileceğine inanılmaktadır. Modeller arasında, DM LR, erkek örneklem için duyarlılık ve kadın örneklem için duyarlılık ve özgüllük açısından en iyi model olmuştur. LR, erkekler için özgüllükte ikinci sırada yer almaktadır. Dahası, LR, daha kullanıcı dostu DM35 modellerinden biri olarak kabul edilir ve daha az karmaşık ve işlenmesi daha kolaydır. Bu sonuçlara dayanarak, LR, Kore popülasyonunda 18 yaşındakiler için en iyi kesme sınıflandırma modeli olarak kabul edilmiştir.
Genel olarak, dış test setindeki yaş tahmini veya sınıflandırma performansının doğruluğu, iç test setindeki sonuçlara kıyasla zayıf veya daha düşüktü. Bazı raporlar, Kore popülasyonuna dayalı yaş tahminlerinin Japon popülasyonuna uygulandığında sınıflandırma doğruluğunun veya verimliliğinin azaldığını göstermektedir5,39 ve mevcut çalışmada da benzer bir örüntü bulunmuştur. Bu bozulma eğilimi DM modelinde de gözlemlenmiştir. Bu nedenle, analiz sürecinde DM kullanılırken bile, yaşı doğru bir şekilde tahmin etmek için geleneksel yöntemler gibi yerel popülasyon verilerinden türetilen yöntemler tercih edilmelidir5,39,40,41,42. Derin öğrenme modellerinin benzer eğilimler gösterip gösteremeyeceği belirsiz olduğundan, yapay zekanın sınırlı yaş değerlendirmelerinde bu ırksal farklılıkların üstesinden gelip gelemeyeceğini doğrulamak için aynı örnekler üzerinde geleneksel yöntemler, DM modelleri ve derin öğrenme modelleri kullanılarak sınıflandırma doğruluğu ve verimliliğini karşılaştıran çalışmalara ihtiyaç vardır.
Kore'deki adli yaş tahmin uygulamalarında geleneksel yöntemlerin DM modeline dayalı yaş tahminleriyle değiştirilebileceğini gösterdik. Ayrıca, adli yaş değerlendirmesinde makine öğrenmesinin uygulanabilirliğini de keşfettik. Bununla birlikte, sonuçları kesin olarak belirlemek için bu çalışmadaki katılımcı sayısının yetersiz olması ve bu çalışmanın sonuçlarını karşılaştırmak ve doğrulamak için önceki çalışmaların bulunmaması gibi açık sınırlamalar mevcuttur. Gelecekte, DM çalışmalarının geleneksel yöntemlere kıyasla pratik uygulanabilirliğini artırmak için daha fazla örneklem ve daha çeşitli popülasyonlarla yapılması gerekmektedir. Yapay zekanın birden fazla popülasyonda yaş tahmininde kullanılabilirliğini doğrulamak için, aynı örneklemlerde DM ve derin öğrenme modellerinin sınıflandırma doğruluğunu ve verimliliğini geleneksel yöntemlerle karşılaştıran gelecekteki çalışmalara ihtiyaç duyulmaktadır.
Bu çalışmada, 15 ila 23 yaş arası Koreli ve Japon yetişkinlerden toplanan 2.657 ortografik fotoğraf kullanılmıştır. Koreli radyografiler 900 eğitim seti (19,42 ± 2,65 yıl) ve 900 dahili test seti (19,52 ± 2,59 yıl) olmak üzere ikiye ayrılmıştır. Eğitim seti tek bir kurumdan (Seul St. Mary Hastanesi), kendi test setimiz ise iki kurumdan (Seul Ulusal Üniversitesi Diş Hastanesi ve Yonsei Üniversitesi Diş Hastanesi) toplanmıştır. Ayrıca, harici test için başka bir popülasyon tabanlı veriden (Iwate Tıp Üniversitesi, Japonya) 857 radyografi topladık. Japon deneklerin radyografileri (19,31 ± 2,60 yıl) harici test seti olarak seçilmiştir. Veriler, diş tedavisi sırasında çekilen panoramik radyografilerdeki diş gelişim aşamalarını analiz etmek için retrospektif olarak toplanmıştır. Cinsiyet, doğum tarihi ve radyografi tarihi dışında toplanan tüm veriler anonimdir. Dahil etme ve hariç tutma kriterleri, daha önce yayınlanmış çalışmalarla aynıydı 4, 5. Örneklemin gerçek yaşı, radyografinin çekildiği tarihten doğum tarihinin çıkarılmasıyla hesaplandı. Örneklem grubu dokuz yaş grubuna ayrıldı. Yaş ve cinsiyet dağılımları Tablo 3'te gösterilmiştir. Bu çalışma, Helsinki Bildirgesi'ne uygun olarak yürütüldü ve Kore Katolik Üniversitesi Seul St. Mary Hastanesi Kurumsal Etik Kurulu (KC22WISI0328) tarafından onaylandı. Bu çalışmanın retrospektif tasarımı nedeniyle, tedavi amaçlı radyografik muayeneden geçen tüm hastalardan bilgilendirilmiş onam alınamadı. Seul Kore Üniversitesi St. Mary Hastanesi (KİT), bilgilendirilmiş onam gerekliliğinden muafiyet tanıdı.
Çift çeneli ikinci ve üçüncü azı dişlerinin gelişim aşamaları Demircan kriterlerine göre değerlendirildi25. Her çenenin sol ve sağ taraflarında aynı tip diş bulunması durumunda yalnızca bir diş seçildi. 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 üç aylık aralıklarla iki kez değerlendirildi.
Eğitim setindeki her çenenin ikinci ve üçüncü azı dişlerinin cinsiyeti ve gelişim evresi, farklı DM modelleriyle eğitilmiş birincil bir gözlemci tarafından tahmin edildi ve gerçek yaş hedef değer olarak belirlendi. Makine öğrenmesinde yaygın olarak kullanılan SLP ve MLP modelleri, regresyon algoritmalarına karşı test edildi. DM modeli, dört dişin gelişim evrelerini kullanarak doğrusal fonksiyonları birleştirir ve bu verileri bir araya getirerek yaşı tahmin eder. SLP en basit sinir ağıdır ve gizli katman içermez. SLP, düğümler arasında eşik iletimine dayanarak 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 düğümlü bir gizli katman kullanıldı. Makine öğrenme modelimizi eğitmek için optimizasyon yöntemi olarak gradyan inişini ve kayıp fonksiyonu olarak MAE ve RMSE'yi kullandık. Elde edilen en iyi regresyon modeli, iç ve dış test setlerine uygulandı ve dişlerin yaşı tahmin edildi.
Eğitim setindeki dört dişin olgunluğunu kullanarak bir örneğin 18 yaşında olup olmadığını tahmin eden bir sınıflandırma algoritması geliştirildi. Modeli oluşturmak için yedi temsili makine öğrenme algoritması türettik6,43: (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 veri olasılığını 0 ile 1 arasında tahmin etmek için regresyon kullanan ve bu olasılığa dayanarak veriyi daha olası bir kategoriye ait olarak sınıflandıran denetimli bir öğrenme algoritmasıdır; esas olarak ikili sınıflandırma için kullanılır. KNN, en basit makine öğrenme algoritmalarından biridir45. Yeni girdi verileri verildiğinde, mevcut kümeye yakın k veri bulur ve ardından bunları en yüksek frekansa sahip sınıfa sınıflandırır. Dikkate alınan komşu sayısı (k) için 3 değerini belirledik. SVM, doğrusal uzayı alanlar adı verilen doğrusal olmayan bir uzaya genişletmek için bir çekirdek fonksiyonu kullanarak iki sınıf arasındaki mesafeyi maksimize eden bir algoritmadır46. Bu model için, polinom çekirdeği için hiperparametreler olarak bias = 1, power = 1 ve gamma = 1 kullanıyoruz. DT, karar kurallarını bir ağaç yapısında temsil ederek tüm veri setini birkaç alt gruba bölmek için bir algoritma olarak çeşitli alanlarda uygulanmıştır47. Model, düğüm başına minimum 2 kayıt sayısı ile yapılandırılmıştır ve kalite ölçüsü olarak Gini indeksini kullanır. RF, orijinal veri setinden aynı boyuttaki örnekleri rastgele birden fazla kez çekerek her örnek için zayıf bir sınıflandırıcı üreten bir bootstrap toplama yöntemi kullanarak performansı iyileştirmek 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 indeksi kullandık. Yeni verilerin sınıflandırılması çoğunluk oylamasıyla belirlenir. XGBoost, önceki modelin gerçek ve tahmin edilen değerleri arasındaki hatayı eğitim verisi olarak alan ve hatayı gradyanlar kullanarak artıran bir yöntemle artırma tekniklerini birleştiren bir algoritmadır49. İyi performansı, kaynak verimliliği ve aşırı uyum düzeltme fonksiyonu olarak yüksek güvenilirliği nedeniyle yaygın olarak kullanılan bir algoritmadır. Model 400 destek tekerleği ile donatılmıştır. MLP, bir veya daha fazla algılayıcının, 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 elde ettiğinizde, tahmin edilen sonuç değerinin gerçek sonuç değeriyle karşılaştırıldığı ve hatanın geri 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 kümelere uygulandı. Duyarlılık, 18 yaş ve üzeri olduğu tahmin edilen örneklem sayısının, 18 yaş ve üzeri olduğu tahmin edilen örneklem sayısına oranı olarak tanımlanır. Özgüllük ise 18 yaşın altındaki örneklem sayısının, 18 yaşın altında olduğu tahmin edilen örneklem sayısına oranıdır.
Eğitim setinde değerlendirilen diş gelişim evreleri, istatistiksel analiz için sayısal evrelere dönüştürüldü. Her cinsiyet için tahmine dayalı modeller geliştirmek ve yaş tahmini için kullanılabilecek regresyon formülleri elde etmek amacıyla çok değişkenli doğrusal ve lojistik regresyon uygulandı. Bu formülleri hem iç hem de dış test setleri için diş yaşını tahmin etmek amacıyla kullandık. Tablo 4, bu çalışmada kullanılan regresyon ve sınıflandırma modellerini göstermektedir.
Gözlemci 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 hesapladık. Bu hatalar, model tahminlerinin doğruluğunu değerlendirmek için yaygın olarak kullanılır. Hata ne kadar küçükse, tahminin doğruluğu o kadar yüksektir.24 DM ve geleneksel regresyon kullanılarak hesaplanan iç ve dış test setlerinin MAE ve RMSE'sini karşılaştırın. Geleneksel istatistiklerde 18 yaş sınırının sınıflandırma performansı, 2 × 2 olasılık tablosu kullanılarak değerlendirildi. Test setinin hesaplanan duyarlılığı, özgüllüğü, PPV'si, NPV'si ve AUROC'u, 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 sürüm 9.4 (SAS Institute, Cary, NC) kullanılarak gerçekleştirildi. DM regresyon modeli, Keras50 2.2.4 arka ucu ve özellikle matematiksel işlemler için Tensorflow51 1.8.0 kullanılarak Python'da uygulandı. DM sınıflandırma modeli ise Waikato Bilgi Analizi Ortamı ve Konstanz Bilgi Madencisi (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 bir talep üzerine ilgili yazardan temin edilebilir.
Ritz-Timme, S. ve diğerleri. Yaş değerlendirmesi: Adli tıp pratiğinin özel gereksinimlerini karşılamak için en son teknoloji. Uluslararası. J. Adli Tıp. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. ve Olze, A. Ceza kovuşturması amacıyla yaşayan kişilerin adli yaş değerlendirmesinin mevcut durumu. Adli Tıp. 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. Ağız araştırması. 25, 3463–3474 (2021).
Lee, SS ve diğerleri. Korelilerde ikinci ve üçüncü azı dişlerinin gelişiminin kronolojisi ve adli yaş değerlendirmesinde uygulanması. Uluslararası. Adli Tıp Dergisi. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ve Lee, SS Koreli ve Japonlarda ikinci ve üçüncü azı dişlerinin olgunluğuna dayalı yaş tahmininin ve 18 yaş eşiğinin tahmininin doğruluğu. PLoS ONE 17, e0271247 (2022).
Kim, JY ve diğerleri. Ameliyat öncesi makine öğrenimine dayalı veri analizi, OSA'lı hastalarda uyku cerrahisi tedavi sonucunu tahmin edebilir. Bilim. Rapor 11, 14911 (2021).
Han, M. ve diğerleri. İnsan müdahalesiyle veya müdahalesi olmadan makine öğrenimiyle doğru yaş tahmini? Uluslararası. J. Adli Tıp. 136, 821–831 (2022).
Khan, S. ve Shaheen, M. Veri Madenciliğinden Veri Madenciliğine. J.Bilgi bilimi. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ve Shaheen, M. WisRule: İlişkilendirme Kuralı Madenciliği için İlk Bilişsel Algoritma. J.Information.thescience. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ve Abdullah U. Karm: Bağlam tabanlı ilişki kurallarına dayalı geleneksel veri madenciliği. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ve Habib M. Metin verilerini kullanarak derin öğrenmeye dayalı anlamsal benzerlik tespiti. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. ve Shahin, M. Spor videolarında aktiviteyi tanımaya yönelik bir sistem. Multimedya. Araçlar ve Uygulamalar https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS ve diğerleri. Çocuklarda Kemik Yaşı Hesaplamasında RSNA Makine Öğrenmesi Yarışması. Radyoloji 290, 498–503 (2019).
Li, Y. ve diğerleri. Derin öğrenme kullanarak pelvik röntgenlerden adli yaş tahmini. EURO. radyasyon. 29, 2322–2329 (2019).
Guo, YC, ve diğerleri. Ortografik projeksiyon görüntülerinden manuel yöntemler ve derin evrimsel sinir ağları kullanarak doğru yaş sınıflandırması. Uluslararası. J. Adli Tıp. 135, 1589–1597 (2021).
Alabama Dalora ve diğerleri. Farklı makine öğrenme yöntemleri kullanılarak kemik yaşı tahmini: sistematik bir literatür incelemesi 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 pulpa odası hacimlerine dayalı olarak Afrika kökenli Amerikalılar ve Çinlilerin popülasyona özgü yaş tahmini. Uluslararası. J. Adli 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 Kişilerin Yaş Gruplarını Belirleme. 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. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ve Li, G. Derin öğrenme ve seviye kümelerinin entegrasyonuyla konik ışınlı bilgisayarlı tomografiden elde edilen birinci azı dişlerinin 3 boyutlu pulpa odası segmentasyonuna dayalı yaş tahmini. Uluslararası. J. Adli Tıp. 135, 365–373 (2021).
Wu, WT, ve diğerleri. Klinik büyük verilerde veri madenciliği: ortak veritabanları, adımlar ve yöntem modelleri. Dünya. tıp. kaynak. 8, 44 (2021).
Yang, J. ve diğerleri. Büyük Veri Çağında Tıbbi Veritabanlarına ve Veri Madenciliği Teknolojilerine Giriş. J. Avid. Temel tıp. 13, 57–69 (2020).
Shen, S. ve diğerleri. Makine öğrenimi kullanarak diş yaşını tahmin etmeye yönelik Camerer yöntemi. BMC Oral Health 21, 641 (2021).
Galliburg A. ve diğerleri. Demirdjian evreleme yöntemini kullanarak diş yaşını tahmin etmek için farklı makine öğrenme yöntemlerinin karşılaştırılması. Uluslararası. Adli Tıp Dergisi. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ve Tanner, JM Diş yaşını değerlendirmek için yeni bir sistem. snort. biyoloji. 45, 211–227 (1973).
Landis, JR ve Koch, GG, Kategorik verilerde gözlemci mutabakatının ölçüleri. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ve Choi HK. Birincil beyin tümörlerinin ayırt edilmesi için yapay zeka teknikleri kullanılarak iki boyutlu manyetik rezonans görüntülemenin dokusal, morfolojik ve istatistiksel analizi. Sağlık bilgi kaynağı. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Yayın tarihi: 04 Ocak 2024