Salamat sa pagbisita sa Nature.com.Ang bersyon sa browser nga imong gigamit adunay limitado nga suporta sa CSS.Alang sa labing maayo nga mga resulta, among girekomendar ang paggamit sa mas bag-ong bersyon sa imong browser (o i-off ang compatibility mode sa Internet Explorer).Sa kasamtangan, aron masiguro ang padayon nga suporta, gipakita namon ang site nga wala’y istilo o JavaScript.
Ang mga ngipon gikonsiderar nga labing tukma nga timailhan sa edad sa lawas sa tawo ug sagad gigamit sa forensic age assessment.Gitumong namo nga i-validate ang data mining-based dental age estimates pinaagi sa pagtandi sa estimation accuracy ug classification performance sa 18-year threshold uban sa tradisyonal nga mga pamaagi ug data mining-based age estimates.Kinatibuk-ang 2657 ka panoramic radiographs ang nakolekta gikan sa Korean ug Japanese citizens nga nag-edad og 15 ngadto sa 23 anyos.Gibahin sila sa usa ka set sa pagbansay, ang matag usa adunay 900 ka Korean radiographs, ug usa ka internal nga set sa pagsulay nga adunay 857 nga radiograph sa Hapon.Gikumpara namon ang katukma sa klasipikasyon ug kahusayan sa tradisyonal nga mga pamaagi sa mga set sa pagsulay sa mga modelo sa pagmina sa datos.Ang katukma sa tradisyonal nga pamaagi sa internal nga set sa pagsulay gamay nga mas taas kaysa sa modelo sa pagmina sa datos, ug ang kalainan gamay (nagpasabot nga hingpit nga sayup <0.21 ka tuig, gamut nagpasabot nga square error <0.24 ka tuig).Ang pasundayag sa klasipikasyon alang sa 18 ka tuig nga cutoff parehas usab tali sa tradisyonal nga mga pamaagi ug mga modelo sa pagmina sa datos.Sa ingon, ang mga tradisyonal nga pamaagi mahimong mapulihan sa mga modelo sa pagmina sa datos kung nagpahigayon sa forensic age assessment gamit ang pagkahamtong sa ikaduha ug ikatulo nga molar sa mga batan-on nga Koreano ug mga young adult.
Ang pagbanabana sa edad sa ngipon kaylap nga gigamit sa forensic nga tambal ug pediatric dentistry.Sa partikular, tungod sa taas nga correlation tali sa kronolohikal nga edad ug pag-uswag sa ngipon, ang pagtimbang-timbang sa edad pinaagi sa mga yugto sa pag-uswag sa ngipon usa ka importante nga sukdanan sa pagtimbang-timbang sa edad sa mga bata ug mga tin-edyer1,2,3.Bisan pa, alang sa mga batan-on, ang pagbana-bana sa edad sa ngipon base sa pagkahamtong sa ngipon adunay mga limitasyon tungod kay hapit na makompleto ang pagtubo sa ngipon, gawas sa ikatulo nga molar.Ang ligal nga katuyoan sa pagtino sa edad sa mga batan-on ug mga tin-edyer mao ang paghatag sa tukma nga pagbanabana ug ebidensya sa siyensya kung nakaabot na sila sa edad sa kadaghanan.Sa medico-legal nga praktis sa mga tin-edyer ug mga young adult sa Korea, ang edad gibanabana gamit ang pamaagi ni Lee, ug ang legal nga threshold sa 18 ka tuig gitagna base sa datos nga gitaho sa Oh et al 5.
Ang pagkat-on sa makina usa ka matang sa artificial intelligence (AI) nga balik-balik nga nakakat-on ug nagklasipikar sa daghang mga datos, nagsulbad sa mga problema sa kaugalingon, ug nagmaneho sa programming sa datos.Ang pagkat-on sa makina makadiskubre ug mapuslanong tinago nga mga pattern sa daghang gidaghanon sa datos6.Sa kasukwahi, ang klasikal nga mga pamaagi, nga kusog sa paghago ug pag-usik sa oras, mahimong adunay mga limitasyon kung mag-atubang sa daghang mga bulto sa komplikado nga datos nga lisud iproseso sa mano-mano7.Busa, daghang mga pagtuon ang gihimo bag-o lang gamit ang pinakabag-o nga mga teknolohiya sa kompyuter aron mamenosan ang mga sayop sa tawo ug epektibong maproseso ang multidimensional data8,9,10,11,12.Sa partikular, ang lawom nga pagkat-on kaylap nga gigamit sa pag-analisar sa medikal nga imahe, ug ang lainlaing mga pamaagi alang sa pagbanabana sa edad pinaagi sa awtomatik nga pag-analisar sa mga radiograph ang gitaho aron mapauswag ang katukma ug kahusayan sa pagtantiya sa edad13,14,15,16,17,18,19,20 .Pananglitan, si Halabi et al 13 nakamugna ug machine learning algorithm base sa convolutional neural networks (CNN) aron mabanabana ang edad sa kalabera gamit ang radiographs sa mga kamot sa mga bata.Gisugyot sa kini nga pagtuon ang usa ka modelo nga magamit ang pagkat-on sa makina sa mga imahe sa medikal ug gipakita nga kini nga mga pamaagi makapauswag sa katukma sa diagnostic.Gibanabana ni Li et al14 ang edad gikan sa pelvic X-ray nga mga imahe gamit ang usa ka lawom nga pagkat-on sa CNN ug gitandi kini sa mga resulta sa pagbag-o gamit ang pagbanabana sa yugto sa ossification.Ilang nakit-an nga ang lawom nga pagkat-on nga modelo sa CNN nagpakita sa parehas nga pasundayag sa pagtantiya sa edad sama sa tradisyonal nga modelo sa pagbag-o.Ang pagtuon ni Guo et al. [15] nag-evaluate sa age tolerance classification performance sa CNN nga teknolohiya base sa dental orthophotos, ug ang resulta sa CNN model nagpamatuod nga ang mga tawo milabaw sa iyang age classification performance.
Kadaghanan sa mga pagtuon sa pagbanabana sa edad gamit ang pagkat-on sa makina naggamit ug lawom nga mga pamaagi sa pagkat-on13,14,15,16,17,18,19,20.Ang pagbanabana 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 siyentipikong basehan alang sa mga banabana sa edad, sama sa mga timailhan 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 dawaton sa administratibo ug hudisyal nga mga awtoridad.Ang data mining (DM) usa ka teknik nga makadiskubre dili lamang sa gipaabot kondili sa wala damha nga impormasyon isip pamaagi sa pagdiskubre sa mapuslanong mga correlasyon tali sa daghang mga datos6,21,22.Ang pagkat-on sa makina kanunay nga gigamit sa pagmina sa datos, ug ang pagmina sa datos ug pagkat-on sa makina naggamit sa parehas nga yawe nga mga algorithm aron makit-an ang mga sumbanan sa datos.Ang pagbana-bana sa edad gamit ang pag-uswag sa ngipon gibase sa pagsusi sa tigsusi sa pagkahamtong sa target nga ngipon, ug kini nga pagtasa gipahayag isip usa ka yugto sa matag target nga ngipon.Ang DM mahimong gamiton sa pag-analisar sa correlation tali sa dental assessment stage ug sa aktuwal nga edad ug adunay potensyal nga ilisan ang tradisyonal nga statistical analysis.Busa, kung atong ipadapat ang mga teknik sa DM sa pagbanabana sa edad, mahimo natong ipatuman ang pagkat-on sa makina sa pagbanabana sa edad sa forensic nga dili mabalaka bahin sa ligal nga responsibilidad.Daghang mga pagtandi nga mga pagtuon ang gipatik sa posible nga mga alternatibo sa tradisyonal nga manwal nga mga pamaagi nga gigamit sa forensic practice ug EBM-based nga mga pamaagi alang sa pagtino sa edad sa ngipon.Gipakita ni Shen et al23 nga ang modelo sa DM mas tukma kaysa tradisyonal nga pormula sa Camerer.Gi-apply ni Galibourg et al24 ang lainlaing pamaagi sa DM aron matagna ang edad sumala sa kriterya sa Demirdjian25 ug ang mga resulta nagpakita nga ang pamaagi sa DM milabaw sa pamaagi sa Demirdjian ug Willems sa pagbanabana sa edad sa populasyon sa Pransya.
Aron mabanabana ang edad sa ngipon sa mga batan-on nga Koreano ug mga young adult, ang pamaagi ni Lee 4 kaylap nga gigamit sa praktis sa forensic sa Korea.Kini nga pamaagi naggamit sa tradisyonal nga estadistika nga pagtuki (sama sa multiple regression) aron masusi ang relasyon tali sa Korean nga mga sakop ug kronolohikal nga edad.Niini nga pagtuon, ang mga pamaagi sa pagbanabana sa edad nga nakuha gamit ang tradisyonal nga mga pamaagi sa istatistika gihubit 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 paggamit sa pagtantiya sa edad base sa modelo sa DM sa praktis sa forensic sa Korea kuwestiyonable gihapon.Ang among tumong mao ang siyentipikanhong pag-validate sa potensyal nga kapuslanan sa pagbanabana sa edad base sa modelo sa DM.Ang katuyoan sa kini nga pagtuon mao ang (1) pagtandi sa katukma sa duha nga mga modelo sa DM sa pagbanabana sa edad sa ngipon ug (2) pagtandi sa klasipikasyon nga nahimo sa 7 nga mga modelo sa DM sa edad nga 18 nga mga tuig sa nakuha gamit ang tradisyonal nga mga pamaagi sa istatistika. ug ikatulo nga molar sa duha ka apapangig.
Ang mga paagi ug standard deviations sa kronolohikal nga edad pinaagi sa yugto ug tipo sa ngipon gipakita online sa Supplementary Table S1 (training set), Supplementary Table S2 (internal test set), ug Supplementary Table S3 (external test set).Ang kappa nga mga kantidad alang sa intra- ug interobserver nga kasaligan nga nakuha gikan sa set sa pagbansay mao ang 0.951 ug 0.947, matag usa.P values ug 95% confidence intervals para sa kappa values gipakita sa online supplementary table S4.Ang kantidad sa kappa gihubad nga "halos perpekto", nahiuyon sa mga pamatasan sa Landis ug Koch26.
Kung ikumpara ang mean absolute error (MAE), ang tradisyonal nga pamaagi gamay nga labaw sa modelo sa DM alang sa tanan nga mga gender ug sa eksternal nga set sa pagsulay sa lalaki, gawas sa multilayer perceptron (MLP).Ang kalainan tali sa tradisyonal nga modelo ug sa DM nga modelo sa internal nga MAE test set mao ang 0.12-0.19 ka tuig alang sa mga lalaki ug 0.17-0.21 ka tuig alang sa mga babaye.Alang sa eksternal nga pagsulay nga baterya, 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 root mean square error (RMSE) gamay nga ubos kaysa tradisyonal nga pamaagi, nga adunay gagmay nga mga kalainan (0.17-0.24, 0.2-0.24 alang sa internal nga set sa pagsulay sa lalaki, ug 0.03-0.07, 0.04-0.08 alang sa eksternal nga set sa pagsulay).).Ang MLP nagpakita og gamay nga mas maayo nga performance kay sa Single Layer Perceptron (SLP), gawas sa kaso sa female external test set.Para sa MAE ug RMSE, ang eksternal nga test set mas taas kay sa internal nga test set para sa tanang gender ug model.Ang tanan nga MAE ug RMSE gipakita sa Table 1 ug Figure 1.
MAE ug RMSE sa tradisyonal ug data mining regression models.Mean absolute error MAE, root mean square error RMSE, single layer perceptron SLP, multilayer perceptron MLP, tradisyonal nga CM nga pamaagi.
Ang pasundayag sa klasipikasyon (nga adunay cutoff nga 18 ka tuig) sa tradisyonal ug DM nga mga modelo gipakita sa termino sa pagkasensitibo, espesipiko, positibo nga predictive value (PPV), negatibo nga predictive value (NPV), ug lugar ubos sa receiver operating characteristic curve (AUROC) 27 (Table 2, Figure 2 ug Supplementary Figure 1 online).Sa mga termino sa pagkasensitibo sa internal nga pagsulay nga baterya, ang tradisyonal nga mga pamaagi labing maayo sa mga lalaki ug mas grabe sa mga babaye.Bisan pa, ang kalainan sa pasundayag sa klasipikasyon tali sa tradisyonal nga mga pamaagi ug SD mao ang 9.7% alang sa mga lalaki (MLP) ug 2.4% lamang alang sa mga babaye (XGBoost).Taliwala sa mga modelo sa DM, ang logistic regression (LR) nagpakita nga mas maayo nga pagkasensitibo sa parehas nga mga lalaki.Mahitungod sa espesipiko sa internal nga set sa pagsulay, naobserbahan nga ang upat ka mga modelo sa SD maayo nga nahimo sa mga lalaki, samtang ang tradisyonal nga modelo mas maayo sa mga babaye.Ang mga kalainan sa performance sa klasipikasyon alang sa mga lalaki ug babaye mao ang 13.3% (MLP) ug 13.1% (MLP), matag usa, nga nagpakita nga ang kalainan sa klasipikasyon nga pasundayag tali sa mga modelo milapas sa pagkasensitibo.Lakip sa mga modelo sa DM, ang support vector machine (SVM), decision tree (DT), ug random forest (RF) nga mga modelo nga labing maayo nga nahimo sa mga lalaki, samtang ang LR nga modelo naghimo sa labing maayo sa mga babaye.Ang AUROC sa tradisyonal nga modelo ug tanan nga SD nga mga modelo mas dako pa sa 0.925 (k-pinakaduol nga silingan (KNN) sa mga lalaki), nga nagpakita sa maayo kaayo nga klasipikasyon nga performance sa pagpihig sa 18-anyos nga mga sample28.Alang sa eksternal nga set sa pagsulay, adunay pagkunhod sa pasundayag sa klasipikasyon sa mga termino sa pagkasensitibo, espesipiko ug AUROC kumpara sa internal nga set sa pagsulay.Dugang pa, ang kalainan sa sensitivity ug specificity tali sa performance sa klasipikasyon sa pinakamaayo ug pinakagrabe nga mga modelo gikan sa 10% ngadto sa 25% ug mas dako kay sa kalainan sa internal test set.
Pagkasensitibo ug espesipiko sa mga modelo sa klasipikasyon sa data mining kumpara sa tradisyonal nga mga pamaagi nga adunay cutoff nga 18 ka tuig.KNN k nga labing duol nga silingan, SVM nga suporta sa vector machine, LR logistic regression, DT decision tree, RF random forest, XGB XGBoost, MLP multilayer perceptron, tradisyonal nga pamaagi sa CM.
Ang una nga lakang sa kini nga pagtuon mao ang pagtandi sa katukma sa mga banabana sa edad sa ngipon nga nakuha gikan sa pito ka mga modelo sa DM sa mga nakuha gamit ang tradisyonal nga pagbag-o.Ang MAE ug RMSE gi-evaluate sa internal nga test sets alang sa duha ka lalaki, ug ang kalainan tali sa tradisyonal nga pamaagi ug sa DM nga modelo gikan sa 44 ngadto sa 77 ka adlaw alang sa MAE ug gikan sa 62 ngadto sa 88 ka adlaw alang sa RMSE.Bisan kung ang tradisyonal nga pamaagi labi ka tukma sa kini nga pagtuon, lisud ang paghinapos kung ang ingon nga gamay nga kalainan adunay klinikal o praktikal nga kahulogan.Kini nga mga resulta nagpakita nga ang katukma sa pagbanabana sa edad sa ngipon gamit ang DM nga modelo halos parehas sa tradisyonal nga pamaagi.Ang direktang pagtandi sa mga resulta gikan sa nangaging mga pagtuon lisud tungod kay walay pagtuon nga nagtandi sa katukma sa mga modelo sa DM nga adunay tradisyonal nga mga pamaagi sa istatistika gamit ang parehas nga teknik sa pagrekord sa mga ngipon sa parehas nga sakup sa edad sama sa kini nga pagtuon.Gikumpara ni Galibourg et al24 ang MAE ug RMSE tali sa duha ka tradisyonal nga pamaagi (Demirjian method25 ug Willems method29) ug 10 DM nga mga modelo sa populasyon sa Pransya nga nag-edad 2 ngadto sa 24 ka tuig.Gi-report nila nga ang tanan nga mga modelo sa DM mas tukma kaysa tradisyonal nga mga pamaagi, nga adunay mga kalainan sa 0.20 ug 0.38 ka tuig sa MAE ug 0.25 ug 0.47 ka tuig sa RMSE kumpara sa mga pamaagi sa Willems ug Demirdjian, matag usa.Ang kalainan tali sa SD model ug sa tradisyonal nga mga pamaagi nga gipakita sa Halibourg nga pagtuon nag-isip sa daghang mga taho30,31,32,33 nga ang Demirdjian nga pamaagi dili tukma nga nagbanabana sa edad sa ngipon sa mga populasyon gawas sa French Canadians diin gibase ang pagtuon.niini nga pagtuon.Ang Tai et al 34 migamit sa MLP algorithm sa pagtagna sa edad sa ngipon gikan sa 1636 ka Intsik nga orthodontic nga mga litrato ug itandi ang katukma niini sa mga resulta sa Demirjian ug Willems nga pamaagi.Gitaho nila nga ang MLP adunay mas taas nga katukma kaysa tradisyonal nga mga pamaagi.Ang kalainan tali sa pamaagi sa Demirdjian ug sa tradisyonal nga pamaagi mao ang <0.32 ka tuig, ug ang pamaagi sa Willems 0.28 ka tuig, nga parehas sa mga resulta sa karon nga pagtuon.Ang mga resulta niining mga nangaging mga pagtuon24,34 nahiuyon usab sa mga resulta sa kasamtangan nga pagtuon, ug ang katukma sa pagbanabana sa edad sa modelo sa DM ug ang tradisyonal nga pamaagi parehas.Bisan pa, base sa gipresentar nga mga resulta, mahimo ra naton nga mabinantayon nga makahinapos nga ang paggamit sa mga modelo sa DM aron mabanabana ang edad mahimong mopuli sa mga naa na nga pamaagi tungod sa kakulang sa pagtandi ug paghisgot sa miaging mga pagtuon.Ang mga follow-up nga pagtuon gamit ang mas dagkong mga sample gikinahanglan aron makumpirma ang mga resulta nga nakuha niini nga pagtuon.
Taliwala sa mga pagtuon nga nagsulay sa katukma sa SD sa pagbanabana sa edad sa ngipon, ang uban nagpakita nga mas taas nga katukma kaysa sa among pagtuon.Gi-apply ni Stepanovsky et al 35 ang 22 SD nga mga modelo sa panoramic radiographs sa 976 nga mga residente sa Czech nga nag-edad 2.7 hangtod 20.5 ka tuig ug gisulayan ang katukma sa matag modelo.Ilang gi-assess ang pag-uswag sa kinatibuk-an nga 16 sa ibabaw ug ubos nga wala nga permanenteng ngipon gamit ang klasipikasyon nga criteria nga gisugyot ni Moorrees et al 36.Ang MAE 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 nga gigamit sa kini nga pagtuon.Gigamit ni Shen et al23 ang pamaagi sa Cameriere aron mabanabana ang edad sa ngipon nga pito ka permanenteng ngipon sa wala nga mandible sa mga residente sa silangang Tsino nga nag-edad 5 hangtod 13 ka tuig ug gitandi kini sa mga edad nga gibanabana gamit ang linear regression, SVM ug RF.Gipakita nila nga ang tanan nga tulo nga mga modelo sa DM adunay mas taas nga katukma kung itandi sa tradisyonal nga pormula sa Cameriere.Ang MAE ug RMSE sa pagtuon ni Shen mas ubos kaysa sa modelo sa DM niini 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 mga hilisgutan sa ilang mga sample sa pagtuon.Tungod kay ang mga banabana sa edad alang sa mga partisipante nga adunay nag-uswag nga mga ngipon mahimong mas tukma samtang ang gidaghanon sa mga ngipon nagdugang sa panahon sa pagtubo sa ngipon, ang katukma sa resulta nga pamaagi sa pagbanabana sa edad mahimong makompromiso kung ang mga partisipante sa pagtuon mas bata pa.Dugang pa, ang sayup sa MLP sa pagbanabana sa edad gamay ra kaysa sa SLP, nagpasabut nga ang MLP mas tukma kaysa SLP.Ang MLP gikonsiderar nga mas maayo og gamay para sa pagbanabana sa edad, posibleng tungod sa mga tinago nga layer sa MLP38.Bisan pa, adunay 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 pagsusi sa edad nanginahanglan dugang nga retrospective nga mga pagtuon.
Ang klasipikasyon nga pasundayag sa modelo sa DM ug ang tradisyonal nga pamaagi sa 18 ka tuig nga threshold gitandi usab.Ang tanan nga nasulayan nga mga modelo sa SD ug tradisyonal nga mga pamaagi sa internal nga set sa pagsulay nagpakita sa praktikal nga madawat nga lebel sa diskriminasyon alang sa 18-anyos nga sample.Ang pagkasensitibo alang sa mga lalaki ug babaye mas dako pa sa 87.7% ug 94.9%, matag usa, ug ang espesipiko labaw pa sa 89.3% ug 84.7%.Ang AUROC sa tanang nasulayan nga mga modelo milapas usab sa 0.925.Sa labing maayo sa among kahibalo, wala’y pagtuon nga nagsulay sa nahimo sa modelo sa DM alang sa 18 ka tuig nga klasipikasyon base sa pagkahamtong sa ngipon.Mahimo natong itandi ang mga resulta niini nga pagtuon sa klasipikasyon nga performance sa lawom nga pagkat-on nga mga modelo sa panoramic radiographs.Gikalkulo ni Guo et al.15 ang klasipikasyon nga pasundayag sa usa ka modelo sa lawom nga pagkat-on nga nakabase sa CNN ug usa ka manwal nga pamaagi nga gibase sa pamaagi ni Demirjian alang sa piho nga threshold sa edad.Ang sensitivity ug specificity sa manual nga pamaagi mao ang 87.7% ug 95.5%, matag usa, ug ang sensitivity ug specificity sa CNN model milapas sa 89.2% ug 86.6%, matag usa.Naghinapos sila nga ang lawom nga mga modelo sa pagkat-on mahimong mopuli o molapas sa manual assessment sa pagklasipikar sa mga threshold sa edad.Ang mga resulta niini nga pagtuon nagpakita sa susama nga klasipikasyon performance;Gituohan nga ang klasipikasyon gamit ang mga modelo sa DM mahimong mopuli sa tradisyonal nga mga pamaagi sa istatistika alang sa pagbanabana sa edad.Taliwala sa mga modelo, ang DM LR mao ang labing kaayo nga modelo sa mga termino sa pagkasensitibo alang sa sample sa lalaki ug pagkasensitibo ug pagkapili alang sa sample sa babaye.Ang LR nag-ranggo sa ikaduha sa espesipiko alang sa mga lalaki.Dugang pa, ang LR gikonsiderar nga usa sa mas user-friendly nga DM35 nga mga modelo ug dili kaayo komplikado ug lisud iproseso.Base niini nga mga resulta, ang LR gikonsiderar nga labing maayo nga cutoff classification model alang sa 18-anyos nga mga bata sa Korean nga populasyon.
Sa kinatibuk-an, ang katukma sa pagbanabana sa edad o klasipikasyon nga nahimo sa eksternal nga set sa pagsulay dili maayo o mas ubos kung itandi sa mga resulta sa internal nga set sa pagsulay.Gipakita sa pipila nga mga taho nga ang katukma sa klasipikasyon o pagka-epektibo mokunhod kung ang mga banabana sa edad base sa populasyon sa Korea magamit sa populasyon sa Hapon5,39, ug usa ka parehas nga sumbanan ang nakit-an sa karon nga pagtuon.Kini nga pagkadaot nga uso nakita usab sa modelo sa DM.Busa, aron tukma nga mabanabana ang edad, bisan kung gigamit ang DM sa proseso sa pag-analisar, ang mga pamaagi nga nakuha gikan sa datos sa lumad nga populasyon, sama sa tradisyonal nga mga pamaagi, kinahanglan nga pilion5,39,40,41,42.Tungod kay dili klaro kung ang mga modelo sa lawom nga pagkat-on mahimo nga magpakita sa parehas nga mga uso, ang mga pagtuon nga nagtandi sa katukma ug kahusayan sa klasipikasyon gamit ang tradisyonal nga mga pamaagi, mga modelo sa DM, ug mga modelo sa lawom nga pagkat-on sa parehas nga mga sampol gikinahanglan aron makumpirma kung ang artificial intelligence ba makabuntog sa mga kalainan sa rasa sa limitado nga edad.mga pagtasa.
Gipakita namo nga ang mga tradisyonal nga pamaagi mahimong mapulihan sa pagbanabana sa edad base sa DM model sa forensic age estimation practice sa Korea.Nadiskobrehan usab namo ang posibilidad sa pagpatuman sa pagkat-on sa makina alang sa pagsusi sa edad sa forensic.Bisan pa, adunay tin-aw nga mga limitasyon, sama sa dili igo nga gidaghanon sa mga partisipante niini nga pagtuon aron matino ang mga resulta, ug ang kakulang sa mga nangaging mga pagtuon aron itandi ug makumpirma ang mga resulta niini nga pagtuon.Sa umaabot, ang mga pagtuon sa DM kinahanglan nga himuon nga adunay daghang mga sample ug labi ka lainlain nga populasyon aron mapauswag ang praktikal nga paggamit niini kung itandi sa tradisyonal nga mga pamaagi.Aron mapamatud-an ang posibilidad sa paggamit sa artipisyal nga paniktik aron mabanabana ang edad sa daghang mga populasyon, gikinahanglan ang umaabot nga mga pagtuon aron itandi ang katukma sa klasipikasyon ug kahusayan sa DM ug lawom nga mga modelo sa pagkat-on nga adunay tradisyonal nga mga pamaagi sa parehas nga mga sample.
Gigamit sa pagtuon ang 2,657 ka orthographic nga mga litrato nga nakolekta gikan sa mga hamtong nga Koreano ug Hapon nga nag-edad 15 hangtod 23 ka tuig.Ang Korean radiographs gibahin sa 900 ka set sa pagbansay (19.42 ± 2.65 ka tuig) ug 900 ka internal nga set sa pagsulay (19.52 ± 2.59 ka tuig).Ang training set gikolekta sa usa ka institusyon (Seoul St. Mary's Hospital), ug ang kaugalingong test set nakolekta sa duha ka institusyon (Seoul National University Dental Hospital ug Yonsei University Dental Hospital).Nakolekta usab namo ang 857 radiographs gikan sa laing datos nga gibase sa populasyon (Iwate Medical University, Japan) para sa external testing.Ang radiographs sa Japanese nga mga subject (19.31 ± 2.60 ka tuig) gipili isip external test set.Ang mga datos gikolekta sa retrospectively aron pag-analisa sa mga ang-ang sa dental development sa panoramic radiographs nga gikuha atol sa dental treatment.Ang tanan nga datos nga nakolekta wala mailhi gawas sa gender, petsa sa pagkatawo ug petsa sa radiograph.Ang paglakip ug pagpahigawas nga mga kriterya parehas sa naunang gipatik nga mga pagtuon 4, 5.Ang aktuwal nga edad sa sample gikalkulo pinaagi sa pagkunhod sa petsa sa pagkatawo gikan sa petsa sa radiograph gikuha.Ang sampol nga grupo gibahin sa siyam ka mga grupo sa edad.Ang mga distribusyon sa edad ug sekso gipakita sa Talaan 3 Kini nga pagtuon gihimo subay sa Deklarasyon sa Helsinki ug giaprobahan sa Institutional Review Board (IRB) sa Seoul St. Mary's Hospital sa Catholic University of Korea (KC22WISI0328).Tungod sa retrospective nga disenyo sa kini nga pagtuon, ang nahibal-an nga pagtugot dili makuha gikan sa tanan nga mga pasyente nga gipailalom sa radiographic nga pagsusi alang sa mga katuyoan sa pagtambal.Ang Seoul Korea University St. Mary's Hospital (IRB) mi-waive sa gikinahanglan alang sa informed consent.
Ang mga yugto sa pag-uswag sa bimaxillary ikaduha ug ikatulo nga molars gisusi sumala sa Demircan criteria25.Usa ra ka ngipon ang gipili kung parehas nga klase sa ngipon ang makit-an sa wala ug tuo nga kilid sa matag apapangig.Kung ang mga homologous nga ngipon sa duha ka kilid naa sa lain-laing mga yugto sa pag-uswag, ang ngipon nga adunay ubos nga yugto sa pag-uswag gipili aron matubag ang kawalay kasiguruhan sa gibanabana nga edad.Usa ka gatos nga random nga gipili nga radiographs gikan sa set sa pagbansay gi-iskor sa duha ka eksperyensiyado nga mga tigpaniid aron sulayan ang pagkakasaligan sa interobserver pagkahuman sa precalibration aron mahibal-an ang yugto sa pagkahamtong sa ngipon.Ang pagkakasaligan sa intraobserver gisusi kaduha sa tulo ka bulan nga mga agwat sa nag-unang tigpaniid.
Ang sekso ug yugto sa pag-uswag sa ikaduha ug ikatulo nga molar sa matag apapangig sa set sa pagbansay gibanabana sa usa ka nag-unang tigpaniid nga gibansay sa lainlaing mga modelo sa DM, ug ang aktwal nga edad gitakda isip target nga kantidad.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 linear function gamit ang mga yugto sa pag-uswag sa upat ka ngipon ug gihiusa kini nga mga datos aron mabanabana ang edad.Ang SLP mao ang pinakasimple nga neural network ug wala'y gitago nga mga layer.Ang SLP nagtrabaho base sa threshold transmission tali sa mga node.Ang modelo sa SLP sa regression kay mathematically susama sa multiple linear regression.Dili sama sa modelo sa SLP, ang modelo sa MLP adunay daghang mga tinago nga mga layer nga adunay mga nonlinear activation function.Gigamit sa among mga eksperimento ang tinago nga layer nga adunay 20 ra ka tinago nga mga node nga adunay mga nonlinear activation function.Gamita ang gradient descent isip pamaagi sa pag-optimize ug ang MAE ug RMSE isip loss function aron mabansay ang among machine learning model.Ang labing maayo nga nakuha nga modelo sa regression gipadapat sa internal ug eksternal nga mga set sa pagsulay ug ang edad sa mga ngipon gibanabana.
Usa ka algorithm sa klasipikasyon ang gihimo nga naggamit sa pagkahamtong sa upat ka ngipon sa set sa pagbansay aron matagna kung ang usa ka sample 18 ka tuig ang edad o dili.Aron matukod ang modelo, nakuha namo ang pito ka representasyon nga machine learning algorithms6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ug (7) MLP .Ang LR maoy usa sa labing kaylap nga gigamit nga mga algorithm sa klasipikasyon44.Kini usa ka gidumala nga algorithm sa pagkat-on nga naggamit sa regression aron matagna ang kalagmitan sa datos nga nahisakop sa usa ka piho nga kategorya gikan sa 0 hangtod 1 ug giklasipikar ang datos nga nahisakop sa usa ka lagmit nga kategorya base sa kini nga posibilidad;nag-una nga gigamit alang sa binary nga klasipikasyon.Ang KNN usa sa pinakasimple nga machine learning algorithms45.Kung gihatagan og bag-ong data sa pag-input, makit-an niini ang k data nga duol sa naglungtad nga set ug dayon giklasipikar kini sa klase nga adunay labing taas nga frequency.Nagbutang kami og 3 alang sa gidaghanon sa mga silingan nga gikonsiderar (k).Ang SVM usa ka algorithm nga nagpadako sa gilay-on tali sa duha ka klase pinaagi sa paggamit sa kernel function aron mapalapad ang linear space ngadto sa non-linear space nga gitawag og fields46.Alang sa kini nga modelo, gigamit namon ang bias = 1, gahum = 1, ug gamma = 1 ingon mga hyperparameter alang sa polynomial kernel.Ang DT kay gigamit sa lain-laing natad isip algorithm sa pagbahin sa tibuok data set ngadto sa pipila ka subgroups pinaagi sa pagrepresentar sa mga lagda sa desisyon sa usa ka tree structure47.Ang modelo gi-configure nga adunay labing gamay nga gidaghanon sa mga rekord matag node nga 2 ug gigamit ang indeks sa Gini ingon usa ka sukod sa kalidad.Ang RF usa ka ensemble nga pamaagi nga naghiusa sa daghang mga DT aron mapausbaw ang performance gamit ang bootstrap aggregation method nga makamugna og huyang nga classifier para sa matag sample pinaagi sa random nga pagdrowing og mga sample sa samang gidak-on sa makadaghang higayon gikan sa orihinal nga dataset48.Gigamit namo ang 100 ka punoan, 10 ka giladmon sa kahoy, 1 ka minimum nga gidak-on sa node, ug Gini admixture index isip kriterya sa pagbulag sa node.Ang klasipikasyon sa bag-ong datos gitino pinaagi sa kadaghanan nga boto.Ang XGBoost usa ka algorithm nga naghiusa sa mga teknik sa pagpauswag gamit ang usa ka pamaagi nga nagkuha ingon data sa pagbansay sa sayup tali sa aktuwal ug gitagna nga mga kantidad sa miaging modelo ug gidugangan ang sayup gamit ang mga gradient49.Kini usa ka kaylap nga gigamit nga algorithm tungod sa maayo nga pasundayag ug kahusayan sa kahinguhaan, ingon man taas nga kasaligan ingon usa ka overfitting nga function sa pagtul-id.Ang modelo adunay himan nga 400 nga suporta nga ligid.Ang MLP usa ka neural network diin ang usa o daghan pang perceptron nagporma og daghang mga layer nga adunay usa o daghan pa nga natago nga mga layer taliwala sa input ug output layer38.Gamit kini, mahimo nimong buhaton ang non-linear nga klasipikasyon kung diin kung magdugang ka usa ka layer sa input ug makakuha usa ka kantidad sa resulta, ang gitagna nga kantidad sa resulta gitandi sa tinuud nga kantidad sa resulta ug ang sayup gipakaylap balik.Naghimo kami usa ka tinago nga layer nga adunay 20 ka tinago nga mga neuron sa matag layer.Ang matag modelo nga among gihimo gipadapat sa internal ug external nga mga set aron sulayan ang performance sa klasipikasyon pinaagi sa pagkuwenta sa pagkasensitibo, espesipiko, PPV, NPV, ug AUROC.Ang pagkasensitibo gihubit isip ratio sa usa ka sample nga gibanabana nga 18 ka tuig ang edad o labaw pa sa usa ka sample nga gibanabana nga 18 ka tuig ang edad o labaw pa.Ang espesipiko mao ang proporsiyon sa mga sample ubos sa 18 anyos ang edad ug kadtong gibanabana nga ubos sa 18 anyos.
Ang mga yugto sa ngipon nga gi-assess sa set sa pagbansay gihimo nga mga yugto sa numero alang sa pagtuki sa istatistika.Ang multivariate linear ug logistic regression gihimo aron makahimo og predictive nga mga modelo alang sa matag sekso ug makuha ang mga pormula sa regression nga magamit sa pagbanabana sa edad.Gigamit namo kini nga mga pormula sa pagbanabana sa edad sa ngipon alang sa internal ug external nga mga set sa pagsulay.Ang talaan 4 nagpakita sa mga modelo sa regression ug klasipikasyon nga gigamit niini nga pagtuon.
Ang pagkakasaligan sa intra-ug interobserver gikalkulo gamit ang estadistika sa kappa ni Cohen.Aron masulayan ang katukma sa DM ug tradisyonal nga mga modelo sa regression, among gikalkulo ang MAE ug RMSE gamit ang gibanabana ug aktuwal nga edad sa internal ug external nga mga set sa pagsulay.Kini nga mga sayup kasagarang gigamit sa pagtimbang-timbang sa katukma sa mga panagna sa modelo.Ang gamay nga sayup, mas taas ang katukma sa forecast24.Itandi ang MAE ug RMSE sa internal ug external nga test sets nga kalkulado gamit ang DM ug tradisyonal nga regression.Ang pasundayag sa klasipikasyon sa 18 ka tuig nga cutoff sa tradisyonal nga estadistika gisusi gamit ang 2 × 2 contingency table.Ang kalkulado nga pagkasensitibo, espesipiko, PPV, NPV, ug AUROC sa set sa pagsulay gitandi sa gisukod nga mga kantidad sa modelo sa klasipikasyon sa DM.Ang datos gipahayag isip mean ± standard deviation o numero (%) depende sa mga kinaiya sa datos.Ang duha ka kilid nga mga kantidad sa P <0.05 giisip nga hinungdanon sa istatistika.Ang tanan nga naandan nga pag-analisar sa istatistika gihimo gamit ang bersyon sa SAS 9.4 (SAS Institute, Cary, NC).Ang DM regression model giimplementar sa Python gamit ang Keras50 2.2.4 backend ug Tensorflow51 1.8.0 partikular para sa mathematical operations.Ang modelo sa klasipikasyon sa DM gipatuman sa Waikato Knowledge Analysis Environment ug ang Konstanz Information Miner (KNIME) 4.6.152 nga plataporma sa pagtuki.
Giila sa mga tagsulat nga ang datos nga nagsuporta sa mga konklusyon sa pagtuon makita sa artikulo ug mga dugang nga materyales.Ang mga datos nga nahimo ug/o gi-analisa sa panahon sa pagtuon magamit gikan sa katugbang nga tagsulat sa makatarunganon nga hangyo.
Ritz-Timme, S. et al.Pagsusi sa edad: estado sa arte aron matubag ang mga piho nga kinahanglanon sa forensic practice.internasyonalidad.J. Legal nga tambal.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., ug Olze, A. Current status of forensic age assessment of living subjects for criminal prosecution purposes.Forensics.tambal.Patolohiya.1, 239–246 (2005).
Pan, J. ug uban pa.Usa ka giusab nga pamaagi alang sa pagsusi sa edad sa ngipon sa mga bata nga nag-edad 5 hangtod 16 ka tuig sa silangang China.klinikal.Oral nga survey.25, 3463–3474 (2021).
Lee, SS ug uban pa. Kronolohiya sa pag-uswag sa ikaduha ug ikatulo nga molar sa mga Koreano ug ang aplikasyon niini alang sa forensic age assessment.internasyonalidad.J. Legal nga tambal.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ug Lee, SS Ang katukma sa pagbanabana sa edad ug pagbanabana sa 18 ka tuig nga threshold base sa pagkahamtong sa ikaduha ug ikatulo nga molar sa mga Koreano ug Hapon.PLoS ONE 17, e0271247 (2022).
Kim, JY, ug uban pa.Ang pag-analisar sa datos nga nakabase sa pagkat-on sa makina sa preoperative makatagna sa resulta sa pagtambal sa operasyon sa pagkatulog sa mga pasyente nga adunay OSA.ang siyensya.Report 11, 14911 (2021).
Han, M. ug uban pa.Tukma nga pagbanabana sa edad gikan sa pagkat-on sa makina nga adunay o wala’y interbensyon sa tawo?internasyonalidad.J. Legal nga tambal.136, 821–831 (2022).
Khan, S. ug Shaheen, M. Gikan sa Data Mining ngadto sa Data Mining.J.Kahibalo.ang siyensya.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ug Shaheen, M. WisRule: Ang Unang Cognitive Algorithm alang sa Association Rule Mining.J.Kahibalo.ang siyensya.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ug Abdullah U. Karm: Tradisyonal nga pagmina sa datos base sa mga lagda sa asosasyon nga gibase sa konteksto.kuwentahon.Si Matt.magpadayon.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ug Habib M. Ang lawom nga pagkat-on base sa semantic similarity detection gamit ang text data.ipahibalo.mga teknolohiya.kontrol.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ug Shahin, M. Usa ka sistema sa pag-ila sa kalihokan sa mga sports video.multimedia.Mga Aplikasyon sa Tool https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Machine Learning Challenge sa Pediatric Bone Age.Radiology 290, 498–503 (2019).
Li, Y. ug uban pa.Forensic nga pagbanabana sa edad gikan sa pelvic X-ray gamit ang lawom nga pagkat-on.EURO.radiation.29, 2322–2329 (2019).
Guo, YC, ug uban pa.Tukma nga klasipikasyon sa edad gamit ang manwal nga mga pamaagi ug lawom nga convolutional neural network gikan sa orthographic projection nga mga imahe.internasyonalidad.J. Legal nga tambal.135, 1589–1597 (2021).
Alabama Dalora ug uban pa.Pagbanabana sa edad sa bukog gamit ang lainlaing mga pamaagi sa pagkat-on sa makina: usa ka sistematikong pagrepaso sa literatura ug meta-analysis.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., ug Yang, J. Population-specific age banabana sa African Americans ug Chinese base sa pulp chamber volumes sa unang molars gamit ang cone-beam computed tomography.internasyonalidad.J. Legal nga tambal.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ug Oh KS Pagdeterminar sa mga grupo sa edad sa buhi nga mga tawo nga naggamit sa artipisyal nga paniktik-based nga mga hulagway sa unang molars.ang siyensya.Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., ug Urschler, M. Awtomatikong pagbanabana sa edad ug kadaghanan sa klasipikasyon sa edad gikan sa multivariate MRI data.IEEE J. Biomed.Mga Alerto sa Panglawas.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ug Li, G. Pagbanabana sa edad base sa 3D pulp chamber segmentation sa unang molars gikan sa cone beam computed tomography pinaagi sa paghiusa sa lawom nga pagkat-on ug mga set sa lebel.internasyonalidad.J. Legal nga tambal.135, 365–373 (2021).
Wu, WT, ug uban pa.Pagmina sa datos sa klinikal nga dagkong datos: komon nga mga database, mga lakang, ug mga modelo sa pamaagi.kalibutan.tambal.kahinguhaan.8, 44 (2021).
Yang, J. et al.Pasiuna sa Medical Databases ug Data Mining Technologies sa Big Data Era.J. Avid.Panguna nga tambal.13, 57–69 (2020).
Shen, S. ug uban pa.Pamaagi ni Camerer sa pagbanabana sa edad sa ngipon gamit ang pagkat-on sa makina.BMC Oral Health 21, 641 (2021).
Galliburg A. ug uban pa.Pagtandi sa lainlaing mga pamaagi sa pagkat-on sa makina alang sa pagtagna sa edad sa ngipon gamit ang pamaagi sa pagpahigayon sa Demirdjian.internasyonalidad.J. Legal nga tambal.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ug Tanner, JM Usa ka bag-ong sistema sa pagsusi sa edad sa ngipon.panghupaw.biology.45, 211–227 (1973).
Landis, JR, ug Koch, GG Mga sukod sa kasabutan sa tigpaniid sa categorical data.Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ug Choi HK.Textural, morphological ug statistical analysis sa two-dimensional magnetic resonance imaging gamit ang artificial intelligence techniques alang sa paglainlain sa mga nag-unang tumor sa utok.Impormasyon sa panglawas.kahinguhaan.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Oras sa pag-post: Ene-04-2024