Salamat sa pagbisita sa kinaiyahan.com. Ang bersyon sa browser nga imong gigamit adunay limitado nga suporta sa CSS. Alang sa labing maayo nga mga sangputanan, girekomenda namon ang paggamit sa usa ka mas bag-ong bersyon sa imong browser (o pag-off sa mode sa pag-compoy sa Internet Explorer). Sa kasamtangan, aron masiguro ang padayon nga suporta, gipakita namon ang site nga wala'y estilo o javascript.
Ang mga ngipon giisip nga labing tukma nga timailhan sa edad sa lawas sa tawo ug kanunay nga gigamit sa pagtimbang-timbang sa edad nga forensic. Nagtinguha kami nga ma-validate ang mga gibanabana nga data nga gibase sa dental nga edad pinaagi sa pagtandi sa katukma sa katukma ug pag-klasipikasyon sa 18-tuig nga mga pamaagi nga nakabase sa pagmina. Adunay kinatibuk-an nga 2657 nga panoramic radiograph ang nakolekta gikan sa Korean ug Japanese Citizen nga nag-edad 15 hangtod 23 ka tuig. Gibahin sila sa usa ka set sa pagbansay, ang matag usa nga adunay 900 nga mga radiograpiya sa Korea, ug usa ka sulud sa sulud nga sulud nga adunay 857 nga radiograpiya sa Hapon. Gitandi namon ang katukma sa klasipikasyon ug kaarang sa tradisyonal nga mga pamaagi nga adunay mga pagsulay sa pagsulay sa mga modelo sa pagmina sa datos. Ang katukma sa tradisyonal nga pamaagi sa internal nga set sa pagsulay gamay nga labi ka taas kaysa sa modelo sa pagmina sa datos, ug ang kalainan sa sayup <0.21 ka tuig, gamut nga sayup nga sayup <0.24 ka tuig). Ang pasundayag sa klasipikasyon alang sa 18-tuig nga cutoff parehas usab tali sa tradisyonal nga mga pamaagi ug mga modelo sa pagmina sa datos. Sa ingon, ang tradisyonal nga mga pamaagi mahimong mapulihan sa mga modelo sa pagmina sa datos kung ang pagtimbangtimbang sa edad nga forensic sa edad nga gigamit gamit ang pagkahamtong sa mga batan-on ug mga batan-on nga mga hamtong.
Ang pagbana-bana sa edad sa Dental kaylap nga gigamit sa forensic nga tambal ug pediatric dentistry. Sa partikular, tungod sa hataas nga korelasyon tali sa cronicas nga edad ug pag-uswag sa ngipon, ang pagtimbangtimbang sa edad sa mga yugto sa pag-uswag alang sa pagtimbang-timbang sa mga yugto sa pag-uswag alang sa pagtuki sa edad sa mga bata ug mga tin-edyer1,2,3. Bisan pa, alang sa mga batan-on, gibanabana nga edad sa dental nga gipasukad sa dental maturity ang adunay mga limitasyon tungod kay ang pagtubo sa ngipon hapit kompleto, gawas sa ikatulo nga molars. Ang ligal nga katuyoan sa pagtino sa edad sa mga batan-on ug mga tin-edyer mao ang paghatag sa tukma nga mga banabana ug ebidensya sa siyensya kung nakaabot sila sa kadaghanan. Sa medisina nga legal nga batasan sa mga tin-edyer ug mga batan-on sa Korea, ang edad gibanabana nga gigamit ang pamaagi ni Lee, ug gitagna ang usa ka ligal nga threshold kaniadtong 18 ka tuig base sa datos nga gitaho ni OH et al 5.
Ang pagkat-on sa makina usa ka tipo sa artipisyal nga paniktik (AI) nga balikbalik nga nakakat-on ug nagkasulbad sa daghang mga datos, nagsulbad sa mga problema sa kaugalingon, ug nagmaneho sa mga problema sa datos. Ang pagkat-on sa makina mahimo nga makit-an ang mapuslanon nga tinago nga mga sumbanan sa daghang mga volume sa datos6. Sa kasukwahi, ang mga pamaagi sa klasikal, nga nag-antus sa trabaho ug pag-usik sa oras, mahimong adunay mga limitasyon sa pag-atubang sa daghang mga komplikado nga datos nga lisud iproseso nga mano-data. Busa, daghang mga pagtuon ang gipahigayon bag-o lang gigamit ang labing bag-ong mga teknolohiya sa kompyuter aron maibanan ang mga sayup sa tawo ug hapsay nga proseso sa Multidimensional Data8,9,10,11,12. In particular, deep learning has been widely used in medical image analysis, and various methods for age estimation by automatically analyzing radiographs have been reported to improve the accuracy and efficiency of age estimation13,14,15,16,17,18,19,20 . Pananglitan, ang Halabi et al 13 nagpalambo sa usa ka makina sa pagkat-on sa makina base sa mga kombinasyon sa neural network (CNN) aron matan-aw ang edad sa mga kamot sa mga bata. Kini nga pagtuon nagsugyot og usa ka modelo nga nag-aplay sa makina sa pagkat-on sa mga medikal nga mga imahe ug gipakita nga kini nga mga pamaagi makapalambo sa katukma sa diagnostic. Gibanabana sa Li ug al14 ang edad gikan sa mga imahe sa Pelvic X-ray gamit ang usa ka lawom nga pagkat-on sa CNN ug gitandi kini sa mga sangputanan sa regression nga gigamit ang Osification Stage Eximation. Nahibal-an nila nga ang lawom nga pagkat-on sa CNN nga CNN nagpakita sa parehas nga pasundayag sa pagbana-bana sa edad ingon ang modelo nga regression regression. Ang pagtuon sa Gua et al.
Kadaghanan sa mga pagtuon sa pagbanabana sa edad gamit ang Machine Pagkat-on Paggamit sa Depene Healing Petsets Ang pagbatan-on sa edad base sa lawom nga pagkat-on gikataho nga mas tukma kaysa tradisyonal nga mga pamaagi. Bisan pa, kini nga pamaagi naghatag gamay nga oportunidad sa pagpresentar sa siyentipiko nga sukaranan alang sa mga banabana sa edad, sama sa mga indikasyon sa edad nga gigamit sa mga banabana. Adunay usab usa ka ligal nga panaglalis kung kinsa ang nagpahigayon sa mga inspeksyon. Busa, ang pagbanabana sa edad base sa lawom nga pagkat-on lisud nga dawaton sa mga awtoridad sa administratibo ug hudisyal. Ang datos sa pagmina (DM) usa ka pamaagi nga mahibal-an dili lamang gilauman apan wala damha nga kasayuran ingon usa ka pamaagi alang sa pagdiskubre sa mga mapuslanon nga mga korelasyon tali sa daghang mga datos6,21,22. Ang pagkat-on sa makina kanunay nga gigamit sa data pagmina, ug ang parehong data mining and Machine Pagkat-on sa paggamit sa parehas nga mga yawe nga algorithms aron mahibal-an ang mga sumbanan sa datos. Ang pagbatan-on sa edad gamit ang Dental Development gibase sa pagsusi sa tig-usisa sa pagkahamtong sa mga target nga ngipon, ug kini nga pagtimbangtimbang gipahayag ingon usa ka yugto alang sa matag target nga ngipon. Ang DM mahimong magamit sa pag-analisar sa correlation tali sa yugto sa pagtimbangtimbang sa ngipon ug tinuud nga edad ug adunay potensyal nga mag-ilis sa tradisyonal nga pag-analisar sa istatistika. Busa, kung kita mag-aplay sa mga pamaagi sa edad sa DM sa edad nga pag-edad, mahimo naton ipatuman ang mga nakakat-on sa makina sa pag-undang sa edad sa forensic nga wala mabalaka bahin sa ligal nga responsibilidad. Daghang mga pagtandi nga mga pagtuon ang gipatik sa posible nga mga kapuli sa tradisyonal nga mga pamaagi sa manual nga gigamit sa mga pamaagi sa forensic ug mga pamaagi nga gipasukad sa EBM alang sa pagtino sa edad sa ngipon. Gipakita ni Shen et al23 nga ang modelo sa DM mas tukma kaysa sa tradisyonal nga pormula sa camerer. Ang Galibourg et Al24 nag-aplay sa lainlaing mga pamaagi sa DM aron matago ang edad sumala sa mga pamatasan sa demiryo nga gipunting ang mga pamaagi sa DM nga gibanabana nga ang edad sa populasyon sa Pransiya.
Aron mabanabana ang edad sa dental sa mga batan-on sa Korea ug mga batan-on nga mga hamtong, ang pamaagi ni Lee 4 kaylap nga gigamit sa Koreano forensic practice. Kini nga pamaagi naggamit tradisyonal nga pag-analisar sa istatistika (sama sa daghang regression) aron susihon ang relasyon tali sa mga hilisgutan sa Korea ug kapuslan sa Korea. Sa kini nga pagtuon, ang mga pamaagi sa pagbanabana sa edad nga nakuha gamit ang tradisyonal nga mga pamaagi sa estadistika gihubit ingon nga "tradisyonal nga mga pamaagi." Ang pamaagi ni Lee usa ka tradisyonal nga pamaagi, ug ang katukma niini gipamatud-an ni Oh et al. 5; Bisan pa, ang pag-apil sa pagbanabana sa edad base sa modelo sa DM sa Koreano forensic practice pa kwestiyonable. Ang among katuyoan mao ang pag-validate sa siyensya sa potensyal nga kapuslan sa pagbanabana sa edad base sa modelo sa DM. Ang katuyoan sa kini nga pagtuon mao ang (1) aron itandi ang katukma sa duha nga mga modelo sa DM sa pagbanabana sa edad nga dental ug (2) aron itandi ang mga nakuha sa klasipikasyon sa edad nga 18 ka tuig sa mga nakuha nga mga pamaagi sa estadistika sa ikaduha ug ikatulo nga molar sa parehas nga mga apapangig.
Nagpasabut ug standard nga mga paglihis sa sunud-sunod nga panahon sa entablado ug ngipon nga gipakita sa online sa supplemental nga lamesa S2 (Sulud sa Timen Set). Ang mga kantidad sa Kappa alang sa kasaligan sa Intra- ug Interobserver nga nakuha gikan sa Set sa Pagbansay mga 0.951 ug 0.947, sa tinuud. Ang mga kantidad sa P ug 95% nga mga agwat sa pagsalig alang sa mga kantidad sa Kappa gipakita sa online nga dugang nga lamesa S4. Ang kantidad sa Kappa gihubad nga "hapit hingpit", nahiuyon sa mga pamatasan sa Landis ug Koch26.
Kung ang pagtandi nagpasabut nga hingpit nga sayup (Mae), ang tradisyonal nga pamaagi nga gamay nga nag-outs sa DM nga modelo alang sa tanan nga mga gender ug sa external nga set sa pagsulay sa lalaki, gawas sa Multilayer Perceptron (MLP). Ang kalainan tali sa tradisyonal nga modelo ug ang DM Model sa internal nga pagsulay sa pagsulay sa Mae mao ang 0.12-0.19 nga mga tuig alang sa mga lalaki ug 0.17-0.21 ka tuig alang sa mga babaye. Alang sa gawas nga baterya sa pagsulay, ang mga kalainan mas gamay (0.001-0.05 ka tuig alang sa mga lalaki ug 0,05-0.09 ka tuig alang sa mga babaye). Dugang pa, ang gamut nga gipasabut square error (RMSE) gamay nga mas ubos kaysa sa tradisyonal nga pamaagi, nga adunay gagmay nga mga kalainan (0.23-0.04, 0.04-07-0.08 alang sa external test set). ). Gipakita sa MLP ang labi ka maayo nga pasundayag kaysa sa usa ka layer nga percepron (SLP), gawas sa kaso sa babaye nga set sa pagsulay. Alang sa Mae ug RMSE, ang eksternal nga pagsulay sa mga marka nga mas taas kaysa sa internal nga pagsulay sa pagsulay alang sa tanan nga mga gender ug modelo. Ang tanan nga mae ug RMPE gipakita sa Talaan 1 ug Figure 1.
Mae ug RMSE sa tradisyonal ug datos sa mga modelo sa pagmina sa datos. Mean absolute error MAE, root mean square error RMSE, single layer perceptron SLP, multilayer perceptron MLP, traditional CM method.
Ang pasundayag sa klasipikasyon (nga adunay usa ka cutoff sa 18 ka tuig) sa mga modelo sa tradisyonal ug DM gipakita sa mga termino sa pagkasensitibo (PPV), NPV), nga PPV), negatibo nga kantidad nga nagpahinabo sa tigdawat nga kinaiya (AUROC) 27 (Talaan 2, Figure 2 ug Dugang nga Figure 1 Online). Sa mga termino sa pagkasensitibo sa internal nga baterya sa pagsulay, ang tradisyonal nga mga pamaagi nga nahimo nga labing maayo sa mga lalaki ug labi ka grabe sa mga babaye. Bisan pa, ang kalainan sa pasundayag sa klasipikasyon tali sa tradisyonal nga mga pamaagi ug SD 9.7% alang sa mga lalaki (MLP) ug 2.4% lamang alang sa mga babaye (xgboost). Lakip sa mga modelo sa DM, ang logistic regression (LR) nagpakita nga mas maayo nga pagkasensitibo sa parehas nga sekso. Mahitungod sa piho nga set sa internal nga pagsulay, naobserbahan nga ang upat nga mga modelo sa SD nga gihimo pag-ayo sa mga lalaki, samtang ang tradisyonal nga modelo nga gihimo sa mga babaye. Ang mga kalainan sa pasundayag sa klasipikasyon alang sa mga lalaki ug mga babaye mao ang 13.3% (MLP) ug 13.1% (MLP), nga nagpaila nga ang kalainan sa mga modelo molabaw sa pagkasensitibo. Lakip sa mga modelo sa DM, ang suporta sa makina sa Vector (SVM), Punoan sa Desisyon (DT), ug random nga mga modelo sa kalasangan (RF) nga labing maayo sa mga lalaki. Ang AUROC sa tradisyonal nga modelo ug ang tanan nga mga modelo sa SD labi ka dako sa 0.925 (K Kusgan) sa mga lalaki), nga nagpasundayag sa pag-diskriminar sa 18-anyos nga mga samples28. Alang sa eksternal nga set sa pagsulay, adunay pagkunhod sa pasundayag sa klasipikasyon sa mga termino sa pagkasensitibo, pagkaparehas ug auroc kumpara sa internal nga set sa pagsulay. Dugang pa, ang kalainan sa pagkasensitibo ug katulundon tali sa pasundayag sa klasipikasyon sa labing maayo ug labing daotan nga mga modelo gikan sa 10% hangtod sa 25% ug mas dako kaysa sa kalainan sa set sa pagsulay.
Sensitivity ug Piho nga Mga Modelo sa Pag-classification sa Data Classification Kumpara sa Mga Tradisyonal nga Paagi sa usa ka Cutoff sa 18 ka Tuig. Knn K labing duol nga silingan, suportahan sa Svm ang Vector Machine, LR logistic nga regression, DT nga desisyon sa desisyon, XGB nga Perceptron, Multsunity CM MEECTE.
Ang una nga lakang sa kini nga pagtuon mao ang pagtandi sa katukma sa mga banabana sa edad sa dental nga nakuha gikan sa pito nga mga modelo sa DM sa mga nakuha gamit ang tradisyonal nga regression. Ang Mae ug Rmse gisusi sa mga internal nga mga set sa pagsulay alang sa parehas nga sekso, ug ang kalainan tali sa tradisyonal nga pamaagi ug ang DM Model gikan sa 44 hangtod 77 ka adlaw alang sa Mae ug gikan sa 88 hangtod 88 adlaw alang sa RMSE. Bisan kung ang tradisyonal nga pamaagi medyo mas tukma sa kini nga pagtuon, lisud ang paghinapos kung ang usa ka gamay nga kalainan adunay klinikal o praktikal nga kahulogan. Kini nga mga sangputanan nagpakita nga ang katukma sa pagtantiya sa edad sa Dental nga gigamit ang DM Model halos parehas sa parehas nga pamaagi. Ang direkta nga pagtandi sa mga resulta gikan sa miaging mga pagtuon lisud tungod kay wala'y pagtuon ang katukma sa mga modelo sa DM nga gigamit ang parehas nga pamaagi sa pagrekord sa mga ngipon sa parehas nga edad sama sa kini nga pagtuon. Galibourg et al24 compared MAE and RMSE between two traditional methods (Demirjian method25 and Willems method29) and 10 DM models in a French population aged 2 to 24 years. Gi-report nila nga ang tanan nga mga modelo sa DM mas tukma kaysa sa tradisyonal nga mga pamaagi, nga adunay mga kalainan sa 0.20 ug 0.25 ug 0.47 ka tuig sa RMPE nga itandi sa mga willemian ug mga pamaagi sa demiryo. Ang kalainan tali sa SD Model ug tradisyonal nga mga pamaagi nga gipakita sa pagtuon sa Halibourg nga dili tukma nga gibanabana nga ang mga opisyal sa Dental sa mga populasyon nga gipasukad sa mga Pranses. sa kini nga pagtuon. Gigamit ni Tai et 34 ang MLP Algorithm aron matagna ang edad sa ngipon gikan sa 1636 nga mga litrato sa Intsik nga Orthodonticti ug gitandi ang katukma sa mga resulta sa mga resulta sa demirjian ug willelems nga pamaagi. Gi-report nila nga ang MLP adunay mas taas nga katukma kaysa sa tradisyonal nga mga pamaagi. Ang kalainan tali sa pamaagi sa demirdjian ug ang tradisyonal nga pamaagi mao ang <0.32 ka tuig, ug ang pamaagi sa Willems mao ang 0.28 ka tuig, nga susama sa mga sangputanan sa karon nga pagtuon. Ang mga sangputanan sa kini nga mga miaging pagtuon24,34 nahiuyon usab sa mga sangputanan sa karon nga pagtuon, ug ang katukma sa pagbatok sa edad sa DM Model ug ang tradisyonal nga pamaagi parehas. Bisan pa, pinasukad sa gipresentar nga mga sangputanan, mahimo ra naton nga mabinantayon nga ang paggamit sa mga modelo sa DM sa pagbanabana sa edad mahimong mopuli sa mga adunay mga pamaagi sa pagtandi. Ang mga pagtuon sa pag-follow-up gamit ang labi ka daghan nga mga sample gikinahanglan aron makumpirma ang mga resulta nga nakuha sa kini nga pagtuon.
Lakip sa mga pagtuon nga nagsulay sa katukma sa SD sa pagbanabana sa edad nga dental, ang pipila nagpakita sa mas taas nga katukma kaysa sa among pagtuon. Stepantovsky et al 35 nga gigamit 22 SD nga mga modelo sa mga residente sa panoramic nga 976 Czech residente nga nag-edad 2.7 hangtod 20.5 ka tuig ug gisulayan ang katukma sa matag modelo. Gibanabana nila ang pag-uswag sa kinatibuk-an nga 16 sa taas ug sa ubos nga wala nga permanenteng ngipon gamit ang mga pamantayan sa klasipikasyon nga gisugyot ni Moorrees et al 36. Ang Mae Ranges gikan sa 0.64 hangtod 0.94 ka tuig ug ang RMSE gikan sa 0.85 hangtod 1.27 ka tuig, nga mas tukma kaysa sa duha nga mga modelo sa DM. Si Shen et al23 gigamit ang comerriere nga pamaagi aron mabanabana ang edad sa dental nga pito ka permanenteng ngipon sa wala nga mga mando sa Sidlakang Tsino nga naggamit sa Linear Regression, SVM ug RF. Gipakita nila nga ang tanan nga tulo nga mga modelo sa DM adunay mas taas nga katukma itandi sa tradisyonal nga comerriere pormula. Ang Mae ug Rmse sa pagtuon ni Shen mas ubos kaysa sa modelo sa DM sa kini nga pagtuon. Ang dugang nga katukma sa mga pagtuon ni Stepanovsky et al. 35 ug Shen et al. 23 Mahimong tungod sa paglakip sa mga batan-on nga hilisgutan sa ilang mga sample sa pagtuon. Tungod kay ang mga gibanabana sa edad alang sa mga partisipante nga adunay pag-uswag sa mga ngipon mahimong mas tukma samtang ang gidaghanon sa mga ngipon nagdugang sa panahon sa pag-uswag sa panday, ang katukma sa mga partisipante sa edad mahimong batan-on sa mga partisipante nga mas bata. Dugang pa, ang sayup sa MLP sa panihapon sa edad gamay nga gamay sa SLP's, nga nagpasabut nga ang MLP mas tukma kaysa sa SLP. Ang MLP giisip nga gamay nga labi ka maayo alang sa pagbanabana sa edad, tingali tungod sa mga tinago nga mga sapaw sa MLP38. Bisan pa, adunay usa ka eksepsiyon alang sa gawas nga sample sa mga babaye (SLP 1.45, MLP 1.49). Ang pagpangita nga ang MLP mas tukma kaysa sa SLP sa pagtimbang-timbang sa edad nanginahanglan dugang nga pagtuon sa retrospective.
Ang pag-klasipikasyon nga pasundayag sa modelo sa DM ug ang tradisyonal nga pamaagi sa usa ka 18-tuig nga threshold gitandi usab. Ang tanan nga gisulayan nga mga modelo sa SD ug tradisyonal nga mga pamaagi sa internal nga set sa pagsulay nagpakita sa praktikal nga lebel sa diskriminasyon alang sa 18-anyos nga sample. Ang pagkasensitibo alang sa mga lalaki ug babaye labaw pa sa 87.7% ug 94.9%, matag usa, ug pamantidad labaw sa 89.3% ug 84.7%. Ang AUROC sa tanan nga gisulayan nga mga modelo milapas usab sa 0.925. Hangtud sa labing maayo sa atong kahibalo, wala'y pagtuon nga gisulayan ang pasundayag sa DM Model alang sa 18-Tuig nga Klasipikasyon nga gibase sa dental hamity. Mahimo naton itandi ang mga resulta sa kini nga pagtuon uban ang pasundayag sa klasipikasyon sa lawom nga mga modelo sa pagkat-on sa mga radiramic radiograph. Gibanabana sa Al.15 ang paghimo sa klasipikasyon sa usa ka modelo nga nakabase sa CNN nga nakabase sa CNN ug usa ka manual nga pamaagi base sa pamaagi ni Demirjian alang sa usa ka piho nga agianan sa edad. Ang pagkasensitibo ug pamangkang sa pamaagi sa manual nga 87.7% ug 95.5%, ug ang pagkasensitibo sa modelo sa CNN milabaw sa 89.2% ug 86.6%. Naghinapos sila nga ang lawom nga mga modelo sa pagkat-on mahimong mopuli o mag-out sa manual nga manual nga pagtimbang-timbang sa pag-klasipik sa mga agianan sa edad. Ang mga sangputanan sa kini nga pagtuon nagpakita sa susamang pasundayag sa klasipikasyon; Gituohan nga ang pagklasipikar gamit ang mga modelo sa DM mahimong mag-ilis sa tradisyonal nga mga pamaagi sa estadistika alang sa pagbanabana sa edad. Lakip sa mga modelo, ang DM LR mao ang labing kaayo nga modelo sa mga termino sa pagkasensitibo alang sa lalaki nga sample ug pagkasensitibo ug kahanas alang sa babaye nga sample. Ang ikaduha nga ranggo sa ikaduha sa piho nga paagi alang sa mga lalaki. Dugang pa, ang LR giisip nga usa sa labi ka mga modelo nga mahigalaon sa gumagamit sa DM35 ug dili kaayo komplikado ug lisud nga iproseso. Pinasukad sa kini nga mga sangputanan, giisip nga LR ang labing kaayo nga modelo sa paglansad sa clasffiff alang sa 18-anyos sa populasyon sa Korea.
Sa kinatibuk-an, ang katukma sa pagbanabana sa edad o pasundayag sa klasipikasyon sa eksternal nga set sa pagsulay dili maayo o mas ubos kung itandi sa mga resulta sa sulud sa pagsulay. Ang pipila nga mga taho nagpaila nga ang katukma o pagkaayo sa klasipikasyon mikunhod kung ang mga gibanabana nga edad base sa populasyon sa Korea gipadapat sa populasyon sa Japan nga nakit-an sa karon nga pagtuon. Ang kini nga uso sa pagkadaot nga naobserbahan usab sa modelo sa DM. Therefore, to accurately estimate age, even when using DM in the analysis process, methods derived from native population data, such as traditional methods, should be preferred5,39,40,41,42. Sanglit dili klaro kung ang mga modelo sa pagkat-on sa lawom mahimong magpakita sa susamang mga uso, pagtandi sa katukma sa klasipikasyon nga gigamit ang mga modelo sa pagkatawo, ug ang mga lawom nga paniktik sa mga tradisyonal nga mga pamaagi sa pag-ila sa mga tradisyonal nga mga pamaagi sa pag-ila sa mga limitasyon sa rasa. mga pagtuki.
We demonstrate that traditional methods can be replaced by age estimation based on the DM model in forensic age estimation practice in Korea. Nadiskubrehan usab namon ang posibilidad nga ipatuman ang pagkat-on sa makina alang sa pagsusi sa edad sa forensic. Bisan pa, adunay mga tin-aw nga mga limitasyon, sama sa dili igo nga gidaghanon sa mga partisipante sa kini nga pagtuon aron mahibal-an ang mga sangputanan, ug ang kakulang sa mga miaging pagtuon aron itandi ug kumpirmahi ang mga sangputanan sa kini nga pagtuon. Sa umaabot, ang mga pagtuon sa DM kinahanglan nga himuon uban ang labi ka daghan nga mga sample ug labi pa nga lainlaing mga populasyon aron mapauswag ang praktikal nga pag-aplay itandi sa tradisyonal nga mga pamaagi. Aron ma-validate ang posibilidad nga gamiton ang artipisyal nga paniktik sa pagbanabana sa edad sa daghang mga populasyon, ang mga pagtuon sa pag-klasipikasyon nga adunay tradisyonal nga mga pamaagi sa parehas nga mga sample.
Gigamit sa pagtuon ang 2,657 nga mga litrato nga orthographic nga nakolekta gikan sa Korean ug Japanese adult nga nag-edad 15 hangtod 23 ka tuig. Ang mga radiograpiya sa Korea nabahin sa 900 nga mga set sa pagbansay (19.42 ± 400 nga mga oras sa pagsulay (19.52 ± 49 nga tuig). Ang set sa pagbansay nga nakolekta sa usa ka institusyon (Seoul St. Mary's Hospital), ug ang kaugalingon nga pagsulay sa pagsulay nga nakolekta sa duha nga mga institusyon sa University Dental Hospital). Nakolekta usab namon ang 857 nga mga radiograpiya gikan sa usa pa nga datos nga nakabase sa populasyon (iwate Medical University, Japan) alang sa eksternal nga pagsulay. Mga radiograph sa mga hilisgutan sa Hapon (19.31 ± 2.60 ka tuig) ang napili ingon nga gitakda sa eksternal nga pagsulay sa pagsulay. Ang mga datos nakolekta nga pag-analisar sa pag-analisar sa mga yugto sa pag-uswag sa ngipon sa mga panicoric radiograph nga gikuha sa panahon sa pagtambal sa ngipon. Ang tanan nga mga datos nga nakolekta mga dili mailhan gawas sa gender, petsa sa pagkahimugso ug petsa sa radiograph. Ang paglakip ug pag-apil sa mga pamantayan sa pag-apil parehas sa kaniadto gipatik nga mga pagtuon 4, 5. Ang tinuud nga edad sa sampol gikalkulo pinaagi sa pag-usab sa petsa sa pagkahimugso gikan sa petsa nga nakuha ang radiograp. Ang sampol nga grupo gibahin sa siyam ka mga grupo sa edad. Ang mga pag-apod-apod sa edad ug sekso gipakita sa Talaan 3 Kini nga pagtuon gipahigayon pinauyon sa Deklarasyon sa Helsinki ug giaprubahan sa Seoul Stirt of Catholic University of Korea (KC22WISI0328). Tungod sa destropective nga laraw sa kini nga pagtuon, ang nahibal-an nga pagtugot dili makuha gikan sa tanan nga mga pasyente nga gipailalom sa pagsusi sa radiographic alang sa mga katuyoan sa terapyutik. Ang Seoul Korea University St. Mary's Hospital (IRB) ang kinahanglan nga kinahanglanon alang sa nahibal-an nga pagtugot.
Ang mga yugto sa pag-uswag sa BIMAXillary ikaduha ug ikatulo nga mga muralista gisusi sumala sa mga pamatasan sa demircan. Usa ra ang gipili kung ang parehas nga klase sa ngipon nakit-an sa wala ug tuo nga mga kilid sa matag apapangig. Kung ang mga homologous ngipon sa duha ka kilid naa sa lainlaing mga yugto sa pag-uswag, ang ngipon nga adunay ubos nga yugto sa pag-uswag nga gipili aron makuha ang kawalay kasiguruhan sa gibanabana nga edad. Ang usa ka gatos nga gipili nga radiograpiya gikan sa set sa pagbansay gi-iskor sa duha nga nakasinati nga mga tigpaniid aron masaligan ang entabliberver nga matino. Ang kasaligan sa Intraobserver gisusi kaduha sa tulo ka bulan nga agwat sa panguna nga tigpaniid.
Ang yugto sa pag-sex ug pag-uswag sa ikaduha ug ikatulo nga Molars sa matag apapangig sa set sa pagbansay gibanabana nga adunay lainlaing mga modelo sa DM, ug ang tinuud nga edad gipahimutang ingon nga kantidad sa target. Ang mga modelo sa SLP ug MLP, nga kaylap nga gigamit sa pagkat-on sa makina, gisulayan batok sa mga algorithm sa regression. Ang modelo sa DM naghiusa sa mga linya nga gimbuhaton gamit ang mga yugto sa pag-uswag sa upat nga ngipon ug gihiusa kini nga mga datos sa pagbanabana sa edad. Ang SLP mao ang yano nga network sa ney network ug wala maglangkob sa mga tinago nga mga sapaw. Ang mga Slp naglihok base sa transmission sa threshold tali sa mga node. Ang modelo sa SLP sa regression parehas sa us aka linya sa pag-ulre-og. Dili sama sa modelo sa SLP, ang modelo sa MLP adunay daghang tinago nga mga layer nga adunay mga function sa pagpa-aktibo sa nonlinear. Gigamit sa among mga eksperimento ang usa ka tinago nga layer nga adunay 20 nga tinago nga mga node nga adunay mga gimbuhaton nga nonlinear activation. Paggamit gradient nga kaliwat ingon nga pamaagi sa pag-optimize ug mae ug rmse ingon nga pagkawala sa function aron mabansay ang among modelo sa pagkat-on sa makina. Ang labing maayo nga nakuha nga modelo sa regression gipadapat sa mga sulud sa sulud ug sa gawas nga pagsulay ug ang edad sa mga ngipon gibanabana.
Ang usa ka klasipikasyon nga Algorithm naugmad nga gigamit ang pagkahamtong sa upat nga ngipon sa pagbansay nga gitakda aron matagna kung ang usa ka sample 18 anyos o dili. Aron matukod ang modelo, nakuha namon ang pito nga representasyon sa mga algorithms sa pagkat-on sa makina sa representante6,43: . Ang LR usa sa labing kaylap nga gigamit nga algorithms sa klasipikasyon44. Kini usa ka gidumala nga algorithm sa pagkat-on nga naggamit sa regression aron mahibal-an ang posibilidad sa datos nga nahisakop sa usa ka piho nga kategorya gikan sa usa ka labi ka posibilidad nga sukwahi sa kini nga posibilidad nag-una nga gigamit alang sa pagklasipikar sa binary. Ang Knn usa sa labing yano nga mga algorithms sa pagkat-on sa makina. Kung gihatagan ang bag-ong datos sa pag-input, nakit-an niini ang mga datos nga hapit sa naa na nga set ug dayon giklasipikar kini sa klase nga adunay labing kataas nga frequency. Gipahimutang namon ang 3 alang sa gidaghanon sa mga silingan nga giisip (k). Ang SVM usa ka algorithm nga nagpadako sa distansya tali sa duha nga mga klase pinaagi sa paggamit sa usa ka kernel function aron mapalapad ang wanang nga wanang nga gitawag nga field46. Alang sa kini nga modelo, gigamit namon ang bias = 1, Gahum = 1, ug Gamma = 1 ingon hyperparameter alang sa polynomial kernel. Gi-apply ang DT sa lainlaing mga natad ingon usa ka algorithm alang sa pagbahin sa usa ka tibuuk nga datos nga gitakda sa daghang mga subgroup pinaagi sa pagrepresentar sa mga lagda sa desisyon sa usa ka istruktura sa kahoy. Ang modelo gi-configure sa usa ka minimum nga gidaghanon sa mga rekord matag node sa 2 ug gigamit ang GINI Index ingon usa ka sukod sa kalidad. Ang RF usa ka pamaagi sa ensemble nga naghiusa sa daghang mga DT aron mapaayo ang pasundayag gamit ang usa ka pamaagi sa pag-agay sa bootstrap alang sa usa ka huyang nga mga sample sa parehas nga gidak-on sa daghang mga oras gikan sa orihinal nga dataset48. Gigamit namon ang 100 nga mga kahoy, 10 nga giladmon sa kahoy, 1 nga minimum nga gidak-on sa node, ug ang Ginixture Index ingon mga pamatasan sa pagbulag sa NODE. Ang klasipikasyon sa bag-ong datos gitino sa usa ka kadaghanan nga boto. Ang Xgboost usa ka algorithm nga naghiusa sa pagpataas sa mga teknik nga naggamit sa usa ka pamaagi nga gikinahanglan ang mga datos sa pagbansay tali sa aktuwal ug gitagna nga mga kantidad sa miaging modelo ug gipadako ang sayup sa paggamit sa gradients49. Kini usa ka kaylap nga gigamit nga algorithm tungod sa maayo nga kahusayan ug kahusayan sa kapanguhaan niini, ingon man usab sa taas nga kasaligan ingon usa ka overfitting function sa pagtul-id. Ang modelo nasangkapan sa 400 nga mga ligid sa pagsuporta. Ang MLP usa ka ney network kung diin ang usa o daghan pa nga mga pereptron nagporma sa daghang mga sapaw nga adunay usa o daghan nga tinago nga mga sapaw sa taliwala sa input ug output layers38. Gamit kini, mahimo nimong buhaton ang dili linya nga klasipikasyon kung diin ka magdugang usa ka input layer ug makakuha usa ka bili sa resulta, ang gitagna nga kantidad sa sangputanan gitandi sa tinuud nga kantidad sa resulta ug ang sayup nga gibalikbalik. Naghimo kami usa ka tinago nga layer nga adunay 20 nga tinago nga mga neuron sa matag layer. Ang matag modelo nga among naugmad gipadapat sa mga internal ug gawas nga mga set aron ma-driness ang pasundayag sa klasipikasyon pinaagi sa pagkalkulo sa pagkasensitibo, katulundon, PPV, NPV, ug AamboC. Ang pagkasensitibo gihubit ingon ang ratio sa usa ka sampol nga gibanabana nga 18 anyos o pataas sa usa ka sample nga gibanabana nga 18 anyos o pataas. Ang Pangatarungan mao ang katimbang sa mga sample nga wala pay 18 anyos ug kadtong gibanabana nga ubos sa 18 ka tuig ang edad.
Ang mga yugto sa dental nga gisusi sa set sa pagbansay nga nakabig sa mga numero sa numero alang sa pag-analisar sa estadistika. Ang multivariate linear ug logistic regression gihimo aron mapalambo ang mga tagtukod nga mga modelo alang sa matag sekso ug makuha ang mga pormula sa regression nga mahimong magamit sa edad. Gigamit namon kini nga mga pormula aron mabanabana ang edad sa ngipon alang sa mga sulud sa sulud sa sulud ug sa gawas. Gipakita sa lamesa 4 ang mga modelo sa pag-regression ug klasipikasyon nga gigamit sa kini nga pagtuon.
Ang pagkakasaligan sa Intra- ug interobserver nga gikalkulo gamit ang istatistika sa Kappa sa Cohen. Aron masulayan ang katukma sa DM ug tradisyonal nga mga modelo sa regression, giisip namon ang Mae ug Rmse gamit ang gibanabana ug aktwal nga mga edad sa mga set sa internal ug external test. Kini nga mga sayup sagad gigamit aron pagtimbangtimbang sa katukma sa mga panagna sa modelo. Ang gamay nga sayup, mas taas ang katukma sa forecast24. Itandi ang Mae ug RMSE sa mga sulud sa sulud sa sulud ug sa gawas nga mga set nga gikalkulo gamit ang DM ug tradisyonal nga regression. Ang pasundayag sa klasipikasyon sa 18-tuig nga cutoff sa tradisyonal nga mga istatistika gisusi gamit ang usa ka lamesa sa contingency. Ang nakalkula nga pagkasensitibo, katarungan, PPV, NPV, ug Auroc sa Set sa Pagsulay gitandi sa gisukod nga mga kantidad sa modelo sa klasipikasyon sa DM Classification. Ang datos gipahayag ingon gipasabut nga standard nga paglihis o numero (%) depende sa mga kinaiya sa datos. Duha ka bahin nga mga kantidad sa P.05 giisip nga hinungdanon nga istatistika. Ang tanan nga naandan nga mga pag-analisar sa estadistika nga gihimo gigamit gamit ang SAS Version 9.4 (Sas Institute, Cary, NC). Ang modelo sa regression sa DM gipatuman sa Python nga gigamit Keras50 2.2.4 Backend ug Tensorflow51 1.8.0 nga piho alang sa mga operasyon sa matematika. Ang modelo sa klasipikasyon sa DM gipatuman sa palibot sa kasayuran sa pag-analisar sa Waikato ug ang Konstanz nga kasayuran sa minero (Knime) 4.6.152 Analysis platform.
Giila sa mga tagsulat nga ang datos nga nagsuporta sa mga konklusyon sa pagtuon mahimong makit-an sa artikulo ug dugang nga mga materyales. Ang mga datas nga gihimo ug / o gisusi sa panahon sa pagtuon magamit gikan sa katugbang nga tagsulat sa makatarunganon nga hangyo.
Ritz-timme, S. et al. Pagtimbang-timbang sa Edad: Estado sa Art aron matubag ang piho nga mga kinahanglanon sa praktis sa forensic. KOMUNIAL. J. LEGAL MEDICINE. 113, 129-136 (2000).
Schmeling, A., Regiseer, W., Geserik, G., Olze, A. Karon nga Katungod sa Panginabuhi sa Pinakasulud sa Kriminal nga Pag-prosekusyon. Forensics. tambal. Patolohiya. 1, 239-246 (2005).
Pan, J. ATON AL. Usa ka giusab nga pamaagi alang sa pagtimbangtimbang sa edad nga dental sa mga bata nga nag-edad 5 hangtod 16 ka tuig sa Sidlakan nga China. Clinical. Oral survey. 25, 3463-34474 (2021).
Si Lee, SS ug uban pa. Ang kronolohiya sa pag-uswag sa ikaduha ug ikatulo nga mga Molars sa mga Koreano ug ang aplikasyon niini alang sa pagtimbang-timbang sa edad nga daan. KOMUNIAL. J. LEGAL MEDICINE. 124, 659-665 (2010).
Oh, S., Kumagai, A. Kim, Sy ug Lee, SS katukma sa edad nga gibanabana sa edad nga 18-tuig nga mga mure sa mga Koreano ug Hapon. PLOS Usa ka 17, E0271247 (2022).
Kim, Jy, et al. Ang preoperative nga pag-analisar sa datos nga nakabase sa Machine-based mahimong makatagna sa sangputanan sa pagtambal sa pagtambal sa mga pasyente nga adunay OSA. ang syensya. Taho 11, 14911 (2021).
Han, m. et al. Tukma nga pagbanabana sa edad gikan sa pagkat-on sa makina nga adunay o wala'y pagpangilabot sa tawo? KOMUNIAL. J. LEGAL MEDICINE. 136, 821-8-831 (2022).
Khan, S. ug Shaheen, M. Gikan sa Data Mining sa Data Mining. J.information. ang syensya. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ug Shaheen, M. WEDRULE: Ang una nga cognitive algorithm alang sa pagmina sa pag-alagad sa asosasyon. J.information. ang syensya. https://doi.org/10.1177/016555152221108695 (2022).
Shahaen M. Ug Abdullah U. Karm: Ang tradisyonal nga pagmina sa datos base sa mga lagda nga nakabase sa konteksto nga nakabase sa konteksto. kuwentaha. Mat. Padayon. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ug Habib M. Lawom nga Semantiko nga Pagkat-on sa Semantiko ipahibalo. mga teknolohiya. pagpugong. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ug Shahin, M. usa ka sistema alang sa pag-ila sa kalihokan sa mga video sa sports. multimedia. Mga Aplikasyon sa Mga Himan Https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Ang hagit sa pagkat-on sa RSNA Machine sa edad sa bukog sa bata. Radiology 290, 498-503 (2019).
Li, Y. et al. Forensic Edad Edimation gikan sa Pelvic X-Rays gamit ang lawom nga pagkat-on. Euro. radiation. 29, 2322-2329 (2019).
Guo, yc, et al. Tukma nga pag-uuri sa edad gamit ang mga pamaagi sa manual ug lawom nga mga network sa neural nga neural gikan sa orthographic projection images. KOMUNIAL. J. LEGAL MEDICINE. 135, 1589-1597 (2021).
Alabama Dalora et al. Ang pagbana-bana sa edad nga gigamit gamit ang lainlaing mga pamaagi sa pagkat-on sa makina: usa ka sistematikong pagsusi sa literatura ug pag-analisar sa Meta. PLOS Usa 14, E0220242 (2019).
Du, H., Li, G., CHNG, K., K., K., K., BANO, POLICOUD-POPIOP-PECIFICASYON SA TUIG SA AFRIC AFRICA GIHAPON SA PULP SA PULP SA PULTO SA PULP SA PULTO SA PULP SA PULP SA PULTO NGA GUSTO SA PULP CONE SA CONE-BIG GIKAN SA TOMOGROGROGROGROGROGNY. KOMUNIAL. J. LEGAL MEDICINE. 136, 811-819 (2022).
Kim S., Lee YH, NOH YK, Park FK ug OH KS SMentering Empe Groups Mga Hulagway nga Mga Hulagway nga Nabutang sa Una nga Models. ang syensya. Taho 11, 1073 (2021).
Stern, D., magbayad, C. Giuliani, N., ug Urschler, M. Awtomatikong pag-uuri sa edad ug pag-uyab sa edad nga MRI DATA. IEEE J. BIOMED. Mga alerto sa kahimsog. 23, 1392-1403 (2019).
Cheng, Q., GE, Z., DU, H. ug LI SETIMATION PINAAGI SA TINUOD NGA TOMUROMIGYON GIKAN SA TUIG NGA TOMUNY TOMUROUDYO GIKAN SA PAGTUON SA TOMUROMIGHAN SA TOMUROMOGITYON PINAAGI SA CONE PULP SULOD SA TOMUNY TOMUNY SA TOMURATO SA TOMURAND GIKAN SA TINUOD NGA TOMUROMIDYO GIKAN SA TUIG SA TOMUROMIGHTY PINAAGI SA CONE SIG SA TOMUROMA KOMUNIAL. J. LEGAL MEDICINE. 135, 365-373 (2021).
Wu, wt, et al. Data Mining sa Clinical Big Data: Kasagaran nga mga database, mga lakang, ug mga pamaagi sa pamaagi. Kalibutan. tambal. kapanguhaan. 8, 44 (2021).
Yang, J. ATH AL. Pasiuna sa mga database sa medikal ug mga teknolohiya sa pagmina sa mga teknolohiya sa pagmina sa dagkong panahon sa datos. J. Avid. Basic nga tambal. 13, 57-69 (2020).
Si Shen, S. et al. Ang pamaagi sa kamelyo alang sa pagbanabana sa edad sa ngipon nga gigamit ang pagkat-on sa makina. BMC Oral Health 21, 641 (2021).
Gallibur A. et al. Pagtandi sa lainlaing mga pamaagi sa pagkat-on sa makina alang sa pagtagna sa panahon sa dental nga gigamit ang pamaagi sa dula sa dula sa demirdjian. KOMUNIAL. J. LEGAL MEDICINE. 135, 665-675 (2021).
Si Demirdjian, A., Goldstein, H. ug Tanner, jm usa ka bag-ong sistema alang sa pagtimbang-timbang sa edad sa dental. snort. biology. 45, 211-227 (1973).
Ang Landis, Jr, ug Koch, GG mga lakang sa obserbasyon sa tig-obserbar bahin sa datos sa mga kategorya. Biometrics 33, 159-174 (1977).
BhattaCharjee s, Prakash D, Kim C, Kim Hk ug Choi Hk. Ang pag-analisar sa textural, Morphological ug estadistika sa duha-ka-dimensional nga magnetic resonans nga imaging gigamit ang mga artipisyal nga mga pamaagi sa paniktik alang sa pagkalainlain sa mga hubag sa utok sa panguna. Impormasyon sa Panglawas. kapanguhaan. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Post Oras: Jan-04-2024