Дзякуй за наведванне сайта Nature.com. Версія браўзера, якой вы карыстаецеся, мае абмежаваную падтрымку CSS. Для дасягнення найлепшых вынікаў рэкамендуем выкарыстоўваць больш новую версію браўзера (або адключыць рэжым сумяшчальнасці ў Internet Explorer). Тым часам, каб забяспечыць пастаянную падтрымку, мы паказваем сайт без стыляў і JavaScript.
Зубы лічацца найбольш дакладным паказчыкам узросту чалавечага цела і часта выкарыстоўваюцца ў судова-медыцынскай ацэнцы ўзросту. Мы паставілі сабе за мэту праверыць ацэнкі ўзросту зубоў, заснаваныя на data mining, шляхам параўнання дакладнасці ацэнкі і эфектыўнасці класіфікацыі 18-гадовага парога з традыцыйнымі метадамі і ацэнкамі ўзросту, заснаванымі на data mining. Усяго было сабрана 2657 панарамных рэнтгенаграм грамадзян Карэі і Японіі ва ўзросце ад 15 да 23 гадоў. Яны былі падзелены на навучальны набор, кожны з якіх змяшчае 900 карэйскіх рэнтгенаграм, і ўнутраны тэставы набор, які змяшчае 857 японскіх рэнтгенаграм. Мы параўналі дакладнасць і эфектыўнасць класіфікацыі традыцыйных метадаў з тэставымі наборамі мадэляў data mining. Дакладнасць традыцыйнага метаду на ўнутраным тэставым наборы крыху вышэйшая, чым у мадэлі data mining, і розніца невялікая (сярэдняя абсалютная памылка <0,21 года, сярэднеквадратычная памылка <0,24 года). Эфектыўнасць класіфікацыі для 18-гадовага парога таксама падобная паміж традыцыйнымі метадамі і мадэлямі data mining. Такім чынам, пры правядзенні судова-медыцынскай ацэнкі ўзросту з выкарыстаннем сталасці другіх і трэціх маляраў у карэйскіх падлеткаў і маладых людзей традыцыйныя метады могуць быць заменены мадэлямі аналізу дадзеных.
Ацэнка стаматалагічнага ўзросту шырока выкарыстоўваецца ў судовай медыцыне і дзіцячай стаматалогіі. У прыватнасці, з-за высокай карэляцыі паміж храналагічным узростам і развіццём зубоў, ацэнка ўзросту па стадыях развіцця зубоў з'яўляецца важным крытэрыем для ацэнкі ўзросту дзяцей і падлеткаў1,2,3. Аднак для маладых людзей ацэнка стаматалагічнага ўзросту на аснове стаматалагічнай сталасці мае свае абмежаванні, паколькі рост зубоў амаль завершаны, за выключэннем трэціх карэнных зубоў. Юрыдычная мэта вызначэння ўзросту маладых людзей і падлеткаў заключаецца ў тым, каб даць дакладныя ацэнкі і навуковыя доказы таго, ці дасягнулі яны паўналецця. У судова-медыцынскай практыцы падлеткаў і маладых людзей у Карэі ўзрост ацэньваўся з выкарыстаннем метаду Лі, а юрыдычны парог у 18 гадоў быў прагназаваны на аснове дадзеных, прадстаўленых О і інш.5.
Машыннае навучанне — гэта тып штучнага інтэлекту (ШІ), які неаднаразова вывучае і класіфікуе вялікія аб'ёмы дадзеных, самастойна вырашае праблемы і кіруе праграмаваннем дадзеных. Машыннае навучанне можа выяўляць карысныя схаваныя заканамернасці ў вялікіх аб'ёмах дадзеных6. Наадварот, класічныя метады, якія з'яўляюцца працаёмкімі і працяглымі, могуць мець абмежаванні пры працы з вялікімі аб'ёмамі складаных дадзеных, якія цяжка апрацаваць уручную7. Таму нядаўна было праведзена шмат даследаванняў з выкарыстаннем найноўшых камп'ютэрных тэхналогій для мінімізацыі памылак чалавека і эфектыўнай апрацоўкі шматмерных дадзеных8,9,10,11,12. У прыватнасці, глыбокае навучанне шырока выкарыстоўваецца ў аналізе медыцынскіх малюнкаў, і паведамлялася, што розныя метады ацэнкі ўзросту шляхам аўтаматычнага аналізу рэнтгенаграм паляпшаюць дакладнасць і эфектыўнасць ацэнкі ўзросту13,14,15,16,17,18,19,20. Напрыклад, Халабі і інш.13 распрацавалі алгарытм машыннага навучання на аснове згорткавых нейронных сетак (ЗНС) для ацэнкі ўзросту шкілета з выкарыстаннем рэнтгенаграм дзіцячых рук. У гэтым даследаванні прапануецца мадэль, якая прымяняе машыннае навучанне да медыцынскіх малюнкаў і паказвае, што гэтыя метады могуць палепшыць дакладнасць дыягностыкі. Лі і інш.14 ацанілі ўзрост па рэнтгенаўскіх здымках таза з дапамогай глыбокага навучання CNN і параўналі іх з вынікамі рэгрэсіі з выкарыстаннем ацэнкі стадыі акасцянення. Яны выявілі, што мадэль глыбокага навучання CNN паказала такую ж эфектыўнасць ацэнкі ўзросту, як і традыцыйная рэгрэсійная мадэль. У даследаванні Го і інш. [15] ацэньвалася эфектыўнасць класіфікацыі ўзроставай талерантнасці тэхналогіі CNN на аснове стаматалагічных артафатаздымкаў, і вынікі мадэлі CNN даказалі, што людзі пераўзышлі яе эфектыўнасць класіфікацыі ўзросту.
У большасці даследаванняў па ацэнцы ўзросту з дапамогай машыннага навучання выкарыстоўваюцца метады глыбокага навучання13,14,15,16,17,18,19,20. Паведамляецца, што ацэнка ўзросту на аснове глыбокага навучання больш дакладная, чым традыцыйныя метады. Аднак такі падыход дае мала магчымасцей прадставіць навуковую аснову для ацэнак узросту, такую як паказчыкі ўзросту, якія выкарыстоўваюцца ў ацэнках. Існуе таксама юрыдычная спрэчка адносна таго, хто праводзіць праверкі. Такім чынам, ацэнка ўзросту на аснове глыбокага навучання цяжка прыняць адміністрацыйнымі і судовымі органамі. Аналіз дадзеных (DM) - гэта метад, які можа выявіць не толькі чаканую, але і нечаканую інфармацыю ў якасці метаду выяўлення карысных карэляцый паміж вялікімі аб'ёмамі дадзеных6,21,22. Машыннае навучанне часта выкарыстоўваецца ў аналізе дадзеных, і як аналіз дадзеных, так і машыннае навучанне выкарыстоўваюць адны і тыя ж ключавыя алгарытмы для выяўлення заканамернасцей у дадзеных. Ацэнка ўзросту з дапамогай развіцця зубоў заснавана на ацэнцы экспертам сталасці мэтавых зубоў, і гэтая ацэнка выражаецца ў стадыі для кожнага мэтавага зуба. DM можа быць выкарыстаны для аналізу карэляцыі паміж стадыяй ацэнкі зубоў і фактычным узростам і мае патэнцыял замяніць традыцыйны статыстычны аналіз. Такім чынам, калі мы ўжыем метады DM для ацэнкі ўзросту, мы можам рэалізаваць машыннае навучанне ў судова-медыцынскай ацэнцы ўзросту, не турбуючыся аб юрыдычнай адказнасці. Было апублікавана некалькі параўнальных даследаванняў аб магчымых альтэрнатывах традыцыйным ручным метадам, якія выкарыстоўваюцца ў судова-медыцынскай практыцы, і метадам на аснове EBM для вызначэння стаматалагічнага ўзросту. Шэн і інш.23 паказалі, што мадэль DM больш дакладная, чым традыцыйная формула Камерэра. Галібур і інш.24 ужылі розныя метады DM для прагназавання ўзросту ў адпаведнасці з крытэрыем Дэмірджыяна25, і вынікі паказалі, што метад DM пераўзышоў метады Дэмірджыяна і Вілемса ў ацэнцы ўзросту насельніцтва Францыі.
Для ацэнкі стаматалагічнага ўзросту карэйскіх падлеткаў і маладых людзей у карэйскай судова-медыцынскай практыцы шырока выкарыстоўваецца метад Лі 4. Гэты метад выкарыстоўвае традыцыйны статыстычны аналіз (напрыклад, множную рэгрэсію) для вывучэння сувязі паміж карэйскімі суб'ектамі і храналагічным узростам. У гэтым даследаванні метады ацэнкі ўзросту, атрыманыя з выкарыстаннем традыцыйных статыстычных метадаў, вызначаюцца як «традыцыйныя метады». Метад Лі з'яўляецца традыцыйным метадам, і яго дакладнасць была пацверджана О і інш. 5; аднак прыдатнасць ацэнкі ўзросту на аснове мадэлі DM у карэйскай судова-медыцынскай практыцы ўсё яшчэ сумніўная. Нашай мэтай было навукова абгрунтаваць патэнцыйную карыснасць ацэнкі ўзросту на аснове мадэлі DM. Мэтай гэтага даследавання было (1) параўнаць дакладнасць дзвюх мадэляў DM у ацэнцы стаматалагічнага ўзросту і (2) параўнаць эфектыўнасць класіфікацыі 7 мадэляў DM ва ўзросце 18 гадоў з тымі, якія атрыманы з выкарыстаннем традыцыйных статыстычных метадаў. Сталасць другіх і трэціх маляраў у абедзвюх сківіцах.
Сярэднія значэнні і стандартныя адхіленні храналагічнага ўзросту па стадыі і тыпу зуба паказаны ў Інтэрнэце ў дадатковай табліцы S1 (навучальны набор), дадатковай табліцы S2 (унутраны тэставы набор) і дадатковай табліцы S3 (знешні тэставы набор). Значэнні каппы для ўнутры- і міжназіральнай надзейнасці, атрыманыя з навучальнага набору, склалі 0,951 і 0,947 адпаведна. Значэнні P і 95% даверныя інтэрвалы для значэнняў каппы паказаны ў дадатковай онлайн-табліцы S4. Значэнне каппы было інтэрпрэтавана як «амаль ідэальнае», што адпавядае крытэрыям Лэндзіса і Коха26.
Пры параўнанні сярэдняй абсалютнай памылкі (MAE) традыцыйны метад нязначна пераўзыходзіць мадэль DM для ўсіх полаў і ў знешнім мужчынскім тэставым наборы, за выключэннем шматслаёвага персептрона (MLP). Розніца паміж традыцыйнай мадэллю і мадэллю DM на ўнутраным тэставым наборы MAE складала 0,12–0,19 года для мужчын і 0,17–0,21 года для жанчын. Для батарэі знешніх тэстаў адрозненні меншыя (0,001–0,05 года для мужчын і 0,05–0,09 года для жанчын). Акрамя таго, сярэднеквадратычная памылка (RMSE) крыху ніжэйшая, чым у традыцыйнага метаду, з меншымі адрозненнямі (0,17–0,24, 0,2–0,24 для мужчынскага ўнутранага тэставага набору і 0,03–0,07, 0,04–0,08 для знешняга тэставага набору). MLP паказвае крыху лепшыя вынікі, чым аднаслаёвы персептрон (SLP), за выключэннем выпадку з жаночым знешнім тэставым наборам. Для MAE і RMSE знешні тэставы набор мае вышэйшыя балы, чым унутраны тэставы набор для ўсіх полаў і мадэляў. Усе MAE і RMSE паказаны ў Табліцы 1 і на Малюнку 1.
Сярэдняя квадратычная памылка (MAE) і сярэднеквадратычная памылка (RMSE) традыцыйных рэгрэсійных мадэляў і мадэляў аналізу дадзеных (Data Mining). Сярэдняя абсалютная памылка (MAE), сярэднеквадратычная памылка (RMSE), аднаслаёвы персептрон SLP, шматслаёвы персептрон MLP, традыцыйны метад CM.
Эфектыўнасць класіфікацыі (з парогам у 18 гадоў) традыцыйных і DM-мадэляў была прадэманстравана з пункту гледжання адчувальнасці, спецыфічнасці, станоўчай прагнастычнай каштоўнасці (PPV), адмоўнай прагнастычнай каштоўнасці (NPV) і плошчы пад крывой рэгістрацыйных аперацыйных характарыстык прыёмніка (AUROC) 27 (табліца 2, малюнак 2 і дадатковы малюнак 1 онлайн). Што тычыцца адчувальнасці ўнутранага тэставага набору, традыцыйныя метады паказалі найлепшыя вынікі сярод мужчын і горшыя сярод жанчын. Аднак розніца ў эфектыўнасці класіфікацыі паміж традыцыйнымі метадамі і SD складае 9,7% для мужчын (MLP) і толькі 2,4% для жанчын (XGBoost). Сярод DM-мадэляў лагістычная рэгрэсія (LR) паказала лепшую адчувальнасць у абодвух полаў. Што тычыцца спецыфічнасці ўнутранага тэставага набору, было заўважана, што чатыры SD-мадэлі добра паказалі сябе ў мужчын, у той час як традыцыйная мадэль лепш паказала сябе ў жанчын. Розніца ў эфектыўнасці класіфікацыі для мужчын і жанчын складае 13,3% (MLP) і 13,1% (MLP) адпаведна, што сведчыць аб тым, што розніца ў эфектыўнасці класіфікацыі паміж мадэлямі перавышае адчувальнасць. Сярод мадэляў DM мадэлі метаду апорных вектараў (SVM), дрэва рашэнняў (DT) і выпадковага лесу (RF) паказалі найлепшыя вынікі сярод мужчын, у той час як мадэль LR паказала найлепшыя вынікі сярод жанчын. AUROC традыцыйнай мадэлі і ўсіх мадэляў SD быў большы за 0,925 (k-бліжэйшых суседзяў (KNN) у мужчын), што дэманструе выдатную прадукцыйнасць класіфікацыі пры дыскрымінацыі 18-гадовых узораў28. Для знешняга тэставага набору назіралася зніжэнне прадукцыйнасці класіфікацыі з пункту гледжання адчувальнасці, спецыфічнасці і AUROC у параўнанні з унутраным тэставым наборам. Больш за тое, розніца ў адчувальнасці і спецыфічнасці паміж прадукцыйнасцю класіфікацыі найлепшай і найгоршай мадэляў вагалася ад 10% да 25% і была большай, чым розніца ва ўнутраным тэставым наборы.
Адчувальнасць і спецыфічнасць мадэляў класіфікацыі data mining у параўнанні з традыцыйнымі метадамі з адсекам 18 гадоў. KNN k-падобны бліжэйшы сусед, SVM-метад апорных вектараў, LR-лагістычная рэгрэсія, DT-дрэва рашэнняў, RF-выпадковы лес, XGB XGBoost, MLP-мнагаслаёвы перцэптрон, традыцыйны метад CM.
Першым крокам у гэтым даследаванні было параўнанне дакладнасці ацэнак стаматалагічнага ўзросту, атрыманых з сямі мадэляў DM, з тымі, якія былі атрыманы з выкарыстаннем традыцыйнай рэгрэсіі. MAE і RMSE былі ацэнены ва ўнутраных тэставых наборах для абодвух полаў, і розніца паміж традыцыйным метадам і мадэллю DM складала ад 44 да 77 дзён для MAE і ад 62 да 88 дзён для RMSE. Нягледзячы на тое, што традыцыйны метад быў крыху больш дакладным у гэтым даследаванні, цяжка зрабіць выснову, ці мае такая невялікая розніца клінічнае або практычнае значэнне. Гэтыя вынікі паказваюць, што дакладнасць ацэнкі стаматалагічнага ўзросту з выкарыстаннем мадэлі DM амаль такая ж, як і пры выкарыстанні традыцыйнага метаду. Прамое параўнанне з вынікамі папярэдніх даследаванняў абцяжарана, паколькі ні ў адным даследаванні не параўноўвалася дакладнасць мадэляў DM з традыцыйнымі статыстычнымі метадамі з выкарыстаннем той жа тэхнікі рэгістрацыі зубоў у тым жа ўзроставым дыяпазоне, што і ў гэтым даследаванні. Галібур і інш.24 параўналі MAE і RMSE паміж двума традыцыйнымі метадамі (метадам Дэмірджана25 і метадам Вілемса29) і 10 мадэлямі DM у французскай папуляцыі ва ўзросце ад 2 да 24 гадоў. Яны паведамілі, што ўсе мадэлі DM былі больш дакладнымі, чым традыцыйныя метады, з розніцай 0,20 і 0,38 года ў MAE і 0,25 і 0,47 года ў RMSE ў параўнанні з метадамі Вілемса і Дэмірджыяна адпаведна. Разыходжанне паміж мадэллю SD і традыцыйнымі метадамі, паказанае ў даследаванні Халібурга, улічвае шматлікія паведамленні30,31,32,33 пра тое, што метад Дэмірджыяна недакладна ацэньвае ўзрост зубоў у папуляцыях, акрамя франка-канадцаў, на якіх было заснавана даследаванне. У гэтым даследаванні Тай і інш.34 выкарысталі алгарытм MLP для прагназавання ўзросту зубоў па 1636 кітайскіх артадантычных фатаграфіях і параўналі яго дакладнасць з вынікамі метаду Дэмірджыяна і Вілемса. Яны паведамілі, што MLP мае больш высокую дакладнасць, чым традыцыйныя метады. Розніца паміж метадам Дэмірджыяна і традыцыйным метадам складае <0,32 года, а метадам Вілемса - 0,28 года, што падобна на вынікі гэтага даследавання. Вынікі гэтых папярэдніх даследаванняў24,34 таксама адпавядаюць вынікам гэтага даследавання, і дакладнасць ацэнкі ўзросту мадэлі DM і традыцыйнага метаду падобная. Аднак, зыходзячы з прадстаўленых вынікаў, мы можам толькі асцярожна зрабіць выснову, што выкарыстанне мадэляў DM для ацэнкі ўзросту можа замяніць існуючыя метады з-за адсутнасці параўнальных і эталонных папярэдніх даследаванняў. Для пацверджання вынікаў, атрыманых у гэтым даследаванні, неабходныя наступныя даследаванні з выкарыстаннем большых выбарак.
Сярод даследаванняў, якія правяралі дакладнасць стандартнай дэфармацыі (SD) пры ацэнцы стаматалагічнага ўзросту, некаторыя паказалі больш высокую дакладнасць, чым наша даследаванне. Сцепаноўскі і інш.35 ужылі 22 мадэлі SD да панарамных рэнтгенаграм 976 жыхароў Чэхіі ва ўзросце ад 2,7 да 20,5 гадоў і праверылі дакладнасць кожнай мадэлі. Яны ацанілі развіццё ў агульнай складанасці 16 верхніх і ніжніх левых пастаянных зубоў, выкарыстоўваючы крытэрыі класіфікацыі, прапанаваныя Мурысам і інш.36. MAE вагаецца ад 0,64 да 0,94 года, а RMSE — ад 0,85 да 1,27 года, што больш дакладна, чым дзве мадэлі DM, якія выкарыстоўваліся ў гэтым даследаванні. Шэнь і інш.23 выкарысталі метад Камер'ера для ацэнкі стаматалагічнага ўзросту сямі пастаянных зубоў у левай ніжняй сківіцы ў жыхароў усходняга Кітая ва ўзросце ад 5 да 13 гадоў і параўналі яго з узростам, ацэненым з дапамогай лінейнай рэгрэсіі, SVM і RF. Яны паказалі, што ўсе тры мадэлі DM маюць больш высокую дакладнасць у параўнанні з традыцыйнай формулай Камер'ера. Паказчыкі MAE і RMSE ў даследаванні Шэня былі ніжэйшымі, чым у мадэлі DM у гэтым даследаванні. Павышаная дакладнасць даследаванняў Сцепаноўскага і інш.35 і Шэня і інш.23 можа быць звязана з уключэннем маладзейшых суб'ектаў у іх выбаркі даследаванняў. Паколькі ацэнкі ўзросту ўдзельнікаў з зубамі, якія развіваюцца, становяцца больш дакладнымі па меры павелічэння колькасці зубоў у працэсе развіцця зубоў, дакладнасць атрыманага метаду ацэнкі ўзросту можа быць парушана, калі ўдзельнікі даследавання маладзейшыя. Акрамя таго, памылка MLP у ацэнцы ўзросту крыху меншая, чым у SLP, што азначае, што MLP больш дакладны, чым SLP. MLP лічыцца крыху лепшым для ацэнкі ўзросту, магчыма, з-за схаваных слаёў у MLP38. Аднак ёсць выключэнне для знешняй выбаркі жанчын (SLP 1,45, MLP 1,49). Выснова аб тым, што MLP больш дакладны, чым SLP, пры ацэнцы ўзросту, патрабуе дадатковых рэтраспектыўных даследаванняў.
Таксама параўноўвалася эфектыўнасць класіфікацыі мадэлі глыбокага навучання і традыцыйнага метаду пры 18-гадовым парозе. Усе правераныя мадэлі стандартнага разрознення і традыцыйныя метады на ўнутраным тэставым наборы паказалі практычна прымальны ўзровень дыскрымінацыі для 18-гадовай выбаркі. Адчувальнасць для мужчын і жанчын была вышэйшай за 87,7% і 94,9% адпаведна, а спецыфічнасць — вышэйшай за 89,3% і 84,7%. AUROC усіх правераных мадэляў таксама перавышае 0,925. Наколькі нам вядома, ні ў адным даследаванні не правяралася эфектыўнасць мадэлі глыбокага навучання для 18-гадовай класіфікацыі на аснове стаматалагічнай сталасці. Мы можам параўнаць вынікі гэтага даследавання з эфектыўнасцю класіфікацыі мадэляў глыбокага навучання на панарамных рэнтгенаграмах. Го і інш.15 разлічылі эфектыўнасць класіфікацыі мадэлі глыбокага навучання на аснове CNN і ручнога метаду, заснаванага на метадзе Дэмірдж'яна, для пэўнага ўзроставага парога. Адчувальнасць і спецыфічнасць ручнога метаду склалі 87,7% і 95,5% адпаведна, а адчувальнасць і спецыфічнасць мадэлі CNN перавысілі 89,2% і 86,6% адпаведна. Яны прыйшлі да высновы, што мадэлі глыбокага навучання могуць замяніць або пераўзысці ручную ацэнку пры класіфікацыі ўзроставых парогаў. Вынікі гэтага даследавання паказалі падобную эфектыўнасць класіфікацыі; лічыцца, што класіфікацыя з выкарыстаннем мадэляў DM можа замяніць традыцыйныя статыстычныя метады ацэнкі ўзросту. Сярод мадэляў DM LR была найлепшай мадэллю з пункту гледжання адчувальнасці для мужчынскай выбаркі і адчувальнасці і спецыфічнасці для жаночай выбаркі. LR займае другое месца па спецыфічнасці для мужчын. Больш за тое, LR лічыцца адной з больш зручных для карыстальніка мадэляў DM35 і з'яўляецца менш складанай і цяжкай у апрацоўцы. Зыходзячы з гэтых вынікаў, LR быў прызнаны найлепшай мадэллю класіфікацыі парогавых значэнняў для 18-гадовых у карэйскай папуляцыі.
У цэлым, дакладнасць ацэнкі ўзросту або эфектыўнасці класіфікацыі на знешнім тэставым наборы была нізкай або ніжэйшай у параўнанні з вынікамі на ўнутраным тэставым наборы. У некаторых даследаваннях паказваецца, што дакладнасць або эфектыўнасць класіфікацыі зніжаецца, калі ацэнкі ўзросту, заснаваныя на карэйскім насельніцтве, ужываюцца да японскага насельніцтва5,39, і падобная заканамернасць была выяўлена ў гэтым даследаванні. Гэтая тэндэнцыя пагаршэння назіралася і ў мадэлі глыбокага навучання (DM). Такім чынам, для дакладнай ацэнкі ўзросту, нават пры выкарыстанні DM у працэсе аналізу, перавагу варта аддаваць метадам, атрыманым з дадзеных мясцовага насельніцтва, такім як традыцыйныя метады5,39,40,41,42. Паколькі незразумела, ці могуць мадэлі глыбокага навучання паказваць падобныя тэндэнцыі, неабходныя даследаванні, якія параўноўваюць дакладнасць і эфектыўнасць класіфікацыі з выкарыстаннем традыцыйных метадаў, мадэляў DM і мадэляў глыбокага навучання на тых жа выбарках, каб пацвердзіць, ці можа штучны інтэлект пераадолець гэтыя расавыя адрозненні ў абмежаваных узроставых ацэнках.
Мы паказваем, што традыцыйныя метады могуць быць заменены ацэнкай узросту на аснове мадэлі глыбокага навучання (DM) у практыцы судова-медыцынскай ацэнкі ўзросту ў Карэі. Мы таксама выявілі магчымасць ужывання машыннага навучання для судова-медыцынскай ацэнкі ўзросту. Аднак існуюць відавочныя абмежаванні, такія як недастатковая колькасць удзельнікаў гэтага даследавання для канчатковага вызначэння вынікаў, а таксама адсутнасць папярэдніх даследаванняў для параўнання і пацверджання вынікаў гэтага даследавання. У будучыні даследаванні DM павінны праводзіцца з большай колькасцю выбарак і больш разнастайнымі папуляцыямі, каб палепшыць іх практычную прыдатнасць у параўнанні з традыцыйнымі метадамі. Каб пацвердзіць магчымасць выкарыстання штучнага інтэлекту для ацэнкі ўзросту ў некалькіх папуляцыях, неабходныя будучыя даследаванні для параўнання дакладнасці і эфектыўнасці класіфікацыі мадэляў DM і глыбокага навучання з традыцыйнымі метадамі ў тых жа выбарках.
У даследаванні выкарыстоўвалася 2657 артаграфічных фатаграфій, сабраных у дарослых карэйцаў і японцаў ва ўзросце ад 15 да 23 гадоў. Карэйскія рэнтгенаграмы былі падзелены на 900 навучальных набораў (19,42 ± 2,65 года) і 900 унутраных тэставых набораў (19,52 ± 2,59 года). Навучальны набор быў сабраны ў адной установе (Сеульская бальніца Святой Марыі), а ўласны тэставы набор быў сабраны ў дзвюх установах (Сеульская стаматалагічная бальніца Нацыянальнага ўніверсітэта і Стаматалагічная бальніца Універсітэта Ёнсей). Мы таксама сабралі 857 рэнтгенаграм з іншай папуляцыйнай базы дадзеных (Медыцынскі ўніверсітэт Іватэ, Японія) для знешняга тэсціравання. У якасці знешняга тэставага набору былі выбраны рэнтгенаграмы японцаў (19,31 ± 2,60 года). Дадзеныя былі сабраны рэтраспектыўна для аналізу стадый развіцця зубоў на панарамных рэнтгенаграмах, зробленых падчас стаматалагічнага лячэння. Усе сабраныя дадзеныя былі ананімнымі, за выключэннем полу, даты нараджэння і даты рэнтгенаграмы. Крытэрыі ўключэння і выключэння былі такімі ж, як і ў раней апублікаваных даследаваннях 4, 5. Фактычны ўзрост выбаркі быў разлічаны шляхам аднімання даты нараджэння ад даты атрымання рэнтгенаграмы. Група выбаркі была падзелена на дзевяць узроставых груп. Размеркаванне па ўзросце і полу паказана ў табліцы 3. Гэта даследаванне было праведзена ў адпаведнасці з Хельсінкскай дэкларацыяй і ўхвалена Інстытуцыйным аглядавым саветам (IRB) Сеульскай бальніцы Святой Марыі Каталіцкага ўніверсітэта Карэі (KC22WISI0328). З-за рэтраспектыўнага дызайну гэтага даследавання інфармаваную згоду не ўдалося атрымаць ад усіх пацыентаў, якія праходзілі рэнтгеналагічнае абследаванне ў тэрапеўтычных мэтах. Сеульская бальніца Карэйскага ўніверсітэта Святой Марыі (IRB) адмяніла патрабаванне інфармаванай згоды.
Стадыі развіцця другіх і трэціх маляраў у двух верхавінных сківіцах ацэньваліся ў адпаведнасці з крытэрыямі Дэміркана25. Калі аднолькавы тып зуба быў знойдзены злева і справа на кожнай сківіцы, выбіраўся толькі адзін зуб. Калі гамалагічныя зубы з абодвух бакоў знаходзіліся на розных стадыях развіцця, выбіраўся зуб з ніжэйшай стадыяй развіцця, каб улічыць нявызначанасць у ацэнцы ўзросту. Сто выпадкова выбраных рэнтгенаграм з навучальнага набору былі ацэнены двума вопытнымі назіральнікамі для праверкі надзейнасці ўзаемаацэнкі пасля папярэдняй каліброўкі для вызначэння стадыі сталасці зубоў. Надзейнасць унутры назіральніка ацэньвалася двойчы з трохмесячнымі інтэрваламі асноўным назіральнікам.
Пол і стадыя развіцця другіх і трэціх маляраў кожнай сківіцы ў навучальным наборы былі ацэнены першасным назіральнікам, навучаным з выкарыстаннем розных мадэляў DM, а фактычны ўзрост быў усталяваны ў якасці мэтавага значэння. Мадэлі SLP і MLP, якія шырока выкарыстоўваюцца ў машынным навучанні, былі пратэставаны з дапамогай алгарытмаў рэгрэсіі. Мадэль DM спалучае лінейныя функцыі з выкарыстаннем стадый развіцця чатырох зубоў і аб'ядноўвае гэтыя дадзеныя для ацэнкі ўзросту. SLP - гэта найпрасцейшая нейронная сетка і не ўтрымлівае схаваных слаёў. SLP працуе на аснове парогавай перадачы паміж вузламі. Мадэль SLP у рэгрэсіі матэматычна падобная да множнай лінейнай рэгрэсіі. У адрозненне ад мадэлі SLP, мадэль MLP мае некалькі схаваных слаёў з нелінейнымі функцыямі актывацыі. У нашых эксперыментах выкарыстоўваўся схаваны пласт толькі з 20 схаванымі вузламі з нелінейнымі функцыямі актывацыі. Для навучання нашай мадэлі машыннага навучання выкарыстоўваўся градыентны спуск у якасці метаду аптымізацыі, а MAE і RMSE ў якасці функцыі страт. Найлепшая атрыманая рэгрэсійная мадэль была ўжыта да ўнутранага і знешняга тэставых набораў, і быў ацэнены ўзрост зубоў.
Быў распрацаваны алгарытм класіфікацыі, які выкарыстоўвае сталасць чатырох зубоў на навучальным наборы, каб прадказаць, ці ёсць узору 18 гадоў ці не. Для пабудовы мадэлі мы атрымалі сем алгарытмаў машыннага навучання для прадстаўлення6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost і (7) MLP. LR - адзін з найбольш шырока выкарыстоўваных алгарытмаў класіфікацыі44. Гэта алгарытм навучання з кантролем, які выкарыстоўвае рэгрэсію для прагназавання верагоднасці прыналежнасці дадзеных да пэўнай катэгорыі ад 0 да 1 і класіфікуе дадзеныя як прыналежныя да больш верагоднай катэгорыі на аснове гэтай верагоднасці; у асноўным выкарыстоўваецца для бінарнай класіфікацыі. KNN - адзін з самых простых алгарытмаў машыннага навучання45. Пры атрыманні новых уваходных дадзеных ён знаходзіць k дадзеных, блізкіх да існуючага набору, а затым класіфікуе іх у клас з найбольшай частатой. Мы ўсталёўваем 3 для колькасці разгляданых суседзяў (k). SVM - гэта алгарытм, які максімізуе адлегласць паміж двума класамі, выкарыстоўваючы функцыю ядра для пашырэння лінейнай прасторы ў нелінейную прастору, якая называецца палямі46. Для гэтай мадэлі мы выкарыстоўваем зрушэнне = 1, магутнасць = 1 і гама = 1 у якасці гіперпараметраў для ядра палінома. Тэорыя дыяпазону (DT) ужывалася ў розных галінах як алгарытм для падзелу ўсяго набору дадзеных на некалькі падгруп шляхам прадстаўлення правілаў прыняцця рашэнняў у выглядзе дрэвападобнай структуры47. Мадэль настроена з мінімальнай колькасцю запісаў на вузел, роўнай 2, і выкарыстоўвае індэкс Джыні ў якасці меры якасці. RF - гэта ансамблевы метад, які аб'ядноўвае некалькі DT для паляпшэння прадукцыйнасці з выкарыстаннем метаду агрэгацыі бутстрэпа, які генеруе слабы класіфікатар для кожнага ўзору шляхам выпадковага выцягвання ўзораў аднолькавага памеру некалькі разоў з зыходнага набору дадзеных48. Мы выкарыстоўвалі 100 дрэў, 10 глыбінь дрэва, 1 мінімальны памер вузла і індэкс дамешвання Джыні ў якасці крытэрыяў падзелу вузлоў. Класіфікацыя новых дадзеных вызначаецца большасцю галасоў. XGBoost - гэта алгарытм, які спалучае метады павышэння класіфікацыі з выкарыстаннем метаду, які прымае ў якасці навучальных дадзеных памылку паміж фактычнымі і прагназаванымі значэннямі папярэдняй мадэлі і павялічвае памылку з дапамогай градыентаў49. Гэта шырока выкарыстоўваны алгарытм дзякуючы добрай прадукцыйнасці і эфектыўнасці выкарыстання рэсурсаў, а таксама высокай надзейнасці ў якасці карэкцыйнай функцыі перападрыхтоўкі. Мадэль абсталявана 400 апорнымі коламі. MLP - гэта нейронная сетка, у якой адзін або некалькі персептронаў утвараюць некалькі слаёў з адным або некалькімі схаванымі слаямі паміж уваходным і выходным слаямі38. З дапамогай гэтага можна выконваць нелінейную класіфікацыю, дзе пры даданні уваходнага слоя і атрыманні вынікаў прагназаванага выніку параўноўваецца з фактычным вынікам, і памылка распаўсюджваецца назад. Мы стварылі схаваны слой з 20 схаванымі нейронамі ў кожным слоі. Кожная распрацаваная намі мадэль была ўжыта да ўнутраных і знешніх набораў для праверкі эфектыўнасці класіфікацыі шляхам разліку адчувальнасці, спецыфічнасці, PPV, NPV і AUROC. Адчувальнасць вызначаецца як суадносіны выбаркі, узрост якой ацэньваецца ва ўзросце 18 гадоў і старэй, да выбаркі, узрост якой ацэньваецца ва ўзросце 18 гадоў і старэй. Спецыфічнасць - гэта доля выбарак ва ўзросце да 18 гадоў і тых, узрост якіх ацэньваецца ва ўзросце да 18 гадоў.
Стаматалагічныя стадыі, ацэненыя ў навучальным наборы, былі пераўтвораны ў лікавыя стадыі для статыстычнага аналізу. Для распрацоўкі прагнастычных мадэляў для кожнага полу і атрымання рэгрэсійных формул, якія можна выкарыстоўваць для ацэнкі ўзросту, былі праведзены шматмерныя лінейныя і лагістычныя рэгрэсіі. Мы выкарысталі гэтыя формулы для ацэнкі ўзросту зубоў як для ўнутраных, так і для знешніх тэставых набораў. У табліцы 4 паказаны рэгрэсійныя і класіфікацыйныя мадэлі, якія выкарыстоўваліся ў гэтым даследаванні.
Унутры- і міжназіральная надзейнасць была разлічана з выкарыстаннем каппа-статыстыкі Коэна. Для праверкі дакладнасці мадэляў DM і традыцыйнай рэгрэсіі мы разлічылі MAE і RMSE, выкарыстоўваючы разліковы і фактычны ўзрост унутраных і знешніх тэставых набораў. Гэтыя памылкі звычайна выкарыстоўваюцца для ацэнкі дакладнасці прагнозаў мадэлі. Чым меншая памылка, тым вышэйшая дакладнасць прагнозу24. Параўнайце MAE і RMSE ўнутраных і знешніх тэставых набораў, разлічаныя з выкарыстаннем DM і традыцыйнай рэгрэсіі. Эфектыўнасць класіфікацыі 18-гадовага парога ў традыцыйнай статыстыцы ацэньвалася з выкарыстаннем табліцы саплегласці 2 × 2. Разлічаная адчувальнасць, спецыфічнасць, PPV, NPV і AUROC тэставага набору параўноўваліся з вымеранымі значэннямі мадэлі класіфікацыі DM. Дадзеныя выражаны як сярэдняе значэнне ± стандартнае адхіленне або лік (%) у залежнасці ад характарыстык дадзеных. Двухбаковыя значэнні P <0,05 лічыліся статыстычна значнымі. Усе руцінныя статыстычныя аналізы былі выкананы з выкарыстаннем SAS версіі 9.4 (SAS Institute, Cary, NC). Рэгрэсійная мадэль DM была рэалізавана на Python з выкарыстаннем бэкенда Keras50 2.2.4 і Tensorflow51 1.8.0 спецыяльна для матэматычных аперацый. Мадэль класіфікацыі DM была рэалізавана ў асяроддзі аналізу ведаў Waikato і аналітычнай платформе Konstanz Information Miner (KNIME) 4.6.152.
Аўтары пацвярджаюць, што дадзеныя, якія пацвярджаюць высновы даследавання, можна знайсці ў артыкуле і дадатковых матэрыялах. Наборы дадзеных, атрыманыя і/або прааналізаваныя падчас даследавання, даступныя ў адпаведнага аўтара па разумным запыце.
Рыц-Ціме, С. і інш. Ацэнка ўзросту: сучасны стан для задавальнення канкрэтных патрабаванняў судова-медыцынскай практыкі. міжнароднасць. J. Legal medicine. 113, 129–136 (2000).
Шмелінг, А., Райзінгер, В., Гезерык, Г. і Ольцэ, А. Сучасны стан судова-медыцынскай ацэнкі ўзросту жывых істот для мэт крымінальнага пераследу. Судовая медыцына. Паталогія. 1, 239–246 (2005).
Пан, Дж. і інш. Мадыфікаваны метад ацэнкі стаматалагічнага ўзросту дзяцей ва ўзросце ад 5 да 16 гадоў ва ўсходнім Кітаі. клінічны. Вуснае апытанне. 25, 3463–3474 (2021).
Лі, С.С. і інш. Храналогія развіцця другіх і трэціх маляраў у карэйцаў і яе прымяненне для судова-медыцынскай ацэнкі ўзросту. міжнароднасць. J. Legal medicine. 124, 659–665 (2010).
О, С., Кумагай, А., Кім, С.Ю. і Лі, С.С. Дакладнасць ацэнкі ўзросту і ацэнкі 18-гадовага парога на аснове сталасці другіх і трэціх маляраў у карэйцаў і японцаў. PLoS ONE 17, e0271247 (2022).
Кім, Дж. Ю. і інш. Перадаперацыйны аналіз дадзеных на аснове машыннага навучання можа прадказаць вынік лячэння хірургічным шляхам сну ў пацыентаў з апноэ сну. навука. Справаздача 11, 14911 (2021).
Хан, М. і інш. Дакладная ацэнка ўзросту з дапамогай машыннага навучання з умяшаннем чалавека ці без яго? Інтэрнацыянальнасць. J. Legal medicine. 136, 821–831 (2022).
Хан, С. і Шахін, М. Ад аналізу дадзеных да аналізу дадзеных. J.Information. навука. https://doi.org/10.1177/01655515211030872 (2021).
Хан, С. і Шахін, М. WisRule: першы кагнітыўны алгарытм для здабывання асацыятыўных правілаў. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Шахін М. і Абдула У. Карм: Традыцыйны аналіз дадзеных, заснаваны на правілах кантэкстнай асацыяцыі. вылічыць. Мэт. працяг. 68, 3305–3322 (2021).
Мухамад М., Рэхман З., Шахін М., Хан М. і Хабіб М. Выяўленне семантычнага падабенства на аснове глыбокага навучання з выкарыстаннем тэкставых дадзеных. Інфармацыйныя тэхналогіі. Кантроль. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табіш, М., Танолі, З. і Шахін, М. Сістэма распазнавання актыўнасці ў спартыўных відэа. мультымедыя. Інструменты Прыкладанні https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халабі, С.С. і інш. Праблема машыннага навучання RSNA ў педыятрычным касцяным узросце. Радыялогія 290, 498–503 (2019).
Лі, Ю. і інш. Судова-медыцынская ацэнка ўзросту па рэнтгенаўскіх здымках органаў малога таза з выкарыстаннем глыбокага навучання. EURO. radiation. 29, 2322–2329 (2019).
Го, Ю.К. і інш. Дакладная класіфікацыя ўзросту з выкарыстаннем ручных метадаў і глыбокіх згортачных нейронных сетак з артаграфічных праекцыйных малюнкаў. міжнароднасць. J. Legal medicine. 135, 1589–1597 (2021).
Алабама Далора і інш. Ацэнка ўзросту касцяной тканіны з выкарыстаннем розных метадаў машыннага навучання: сістэматычны агляд літаратуры і метааналіз. PLoS ONE 14, e0220242 (2019).
Ду, Х., Лі, Г., Чэн, К. і Ян, Дж. Ацэнка ўзросту афраамерыканцаў і кітайцаў у залежнасці ад папуляцыі на аснове аб'ёмаў пульпавай камеры першых маляраў з выкарыстаннем конусна-прамянёвай камп'ютэрнай тамаграфіі. міжнароднасць. J. Legal medicine. 136, 811–819 (2022).
Кім С., Лі Ю.Х., Но Ю.К., Парк Ф.К. і О К.С. Вызначэнне ўзроставых груп жывых людзей з выкарыстаннем малюнкаў першых карэнных зубоў на аснове штучнага інтэлекту. Навука. Справаздача 11, 1073 (2021).
Стэрн, Д., Пэйер, К., Джуліяні, Н. і Уршлер, М. Аўтаматычная ацэнка ўзросту і класіфікацыя ўзросту дарослага чалавека па дадзеных шматмернай МРТ. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. і Li, G. Ацэнка ўзросту на аснове 3D-сегментацыі пульпавай камеры першых маляраў з дапамогай канусна-прамянёвай камп'ютэрнай тамаграфіі шляхам інтэграцыі глыбокага навучання і набораў узроўняў. міжнароднасць. J. Legal medicine. 135, 365–373 (2021).
Ву, У. Т. і інш. Аналіз даных у клінічных вялікіх даных: агульныя базы даных, этапы і метады мадэляў. World. medicine. resource. 8, 44 (2021).
Ян, Дж. і інш. Уводзіны ў медыцынскія базы дадзеных і тэхналогіі аналізу дадзеных у эпоху вялікіх дадзеных. J. Avid. Асноўная медыцына. 13, 57–69 (2020).
Шэн, С. і інш. Метад Камерэра для ацэнкі ўзросту зуба з выкарыстаннем машыннага навучання. BMC Oral Health 21, 641 (2021).
Галібург А. і інш. Параўнанне розных метадаў машыннага навучання для прагназавання стаматалагічнага ўзросту з выкарыстаннем метаду стадый Дэмірдж'яна. міжнароднасць. J. Legal medicine. 135, 665–675 (2021).
Дэмірджыян, А., Гольдштэйн, Х. і Таннер, Дж. М. Новая сістэма ацэнкі стаматалагічнага ўзросту. snort. biology. 45, 211–227 (1973).
Лэндіс, Дж. Р. і Кох, Г. Г. Паказчыкі згоды назіральнікаў па катэгарыяльных дадзеных. Біяметрыя 33, 159–174 (1977).
Бхаттачарджы С., Пракаш Д., Кім К., Кім Х.К. і Чой Х.К. Тэкстурны, марфалагічны і статыстычны аналіз двухмернай магнітна-рэзананснай тамаграфіі з выкарыстаннем метадаў штучнага інтэлекту для дыферэнцыяцыі першасных пухлін галаўнога мозгу. Інфармацыя пра здароўе. Рэсурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Час публікацыі: 04 студзеня 2024 г.