Salamat sa pagbisita sa Nature.com. Ang bersyon sa browser nga imong gigamit adunay limitado nga suporta sa CSS. Para sa labing maayong resulta, among girekomendar ang paggamit og mas bag-ong bersyon sa imong browser (o pag-off sa compatibility mode sa Internet Explorer). Samtang, aron masiguro ang padayon nga suporta, among gipakita ang site nga walay styling o JavaScript.
Ang mga ngipon giisip nga labing tukma nga timailhan sa edad sa lawas sa tawo ug kanunay nga gigamit sa forensic age assessment. Gitinguha namo nga balidohon ang mga banabana sa edad sa ngipon nga gibase sa data mining pinaagi sa pagtandi sa katukma sa banabana ug performance sa klasipikasyon sa 18-year threshold sa tradisyonal nga mga pamaagi ug mga banabana sa edad nga gibase sa data mining. Usa ka total nga 2657 ka panoramic radiograph ang nakolekta gikan sa mga lungsuranon sa Korea ug Hapon nga nag-edad og 15 hangtod 23 ka tuig. Gibahin kini sa usa ka training set, ang matag usa adunay 900 ka Korean radiograph, ug usa ka internal test set nga adunay 857 ka Japanese radiograph. Gitandi namo ang katukma ug kahusayan sa klasipikasyon sa tradisyonal nga mga pamaagi sa mga test set sa mga modelo sa data mining. Ang katukma sa tradisyonal nga pamaagi sa internal test set gamay nga mas taas kaysa sa modelo sa data mining, ug gamay ra ang kalainan (mean absolute error <0.21 ka tuig, root mean square error <0.24 ka tuig). Ang performance sa klasipikasyon alang sa 18-year cutoff parehas usab tali sa tradisyonal nga mga pamaagi ug mga modelo sa data mining. Busa, ang tradisyonal nga mga pamaagi mahimong pulihan sa mga modelo sa pagmina sa datos kung maghimo og forensic age assessment gamit ang pagkahamtong sa ikaduha ug ikatulo nga mga bag-ang sa mga tin-edyer ug mga batan-ong hamtong nga Koreano.
Ang pagbanabana sa edad sa ngipon kay kaylap nga gigamit sa forensic medicine ug pediatric dentistry. Ilabi na, tungod sa taas nga correlation tali sa chronological age ug dental development, ang pagtimbang-timbang sa edad pinaagi sa dental developmental stages usa ka importante nga criteria sa pagtimbang-timbang sa edad sa mga bata ug mga tin-edyer1,2,3. Bisan pa, alang sa mga batan-on, ang pagbanabana sa edad sa ngipon base sa dental maturity adunay mga limitasyon tungod kay ang pagtubo sa ngipon hapit na kompleto, gawas sa third molars. Ang legal nga katuyoan sa pagtino sa edad sa mga batan-on ug mga tin-edyer mao ang paghatag og tukma nga mga banabana ug siyentipikong ebidensya kung nakaabot na ba sila sa edad sa mayoriya. Sa medico-legal nga praktis sa mga tin-edyer ug mga batan-on sa Korea, ang edad gibanabana gamit ang pamaagi ni Lee, ug ang legal nga threshold nga 18 ka tuig gitagna base sa datos nga gitaho ni Oh et al 5.
Ang machine learning usa ka klase sa artificial intelligence (AI) nga balik-balik nga nagkat-on ug nagklasipikar sa daghang kantidad sa datos, nagsulbad sa mga problema sa kaugalingon, ug nagduso sa data programming. Ang machine learning makadiskubre sa mapuslanong tinago nga mga sumbanan sa daghang gidaghanon sa datos6. Sa kasukwahi, ang mga klasikal nga pamaagi, nga kusog sa trabaho ug makahurot sa oras, mahimong adunay mga limitasyon kung nag-atubang sa daghang gidaghanon sa komplikado nga datos nga lisud iproseso nga mano-mano7. Busa, daghang mga pagtuon ang gihimo bag-o lang gamit ang pinakabag-o nga mga teknolohiya sa kompyuter aron maminusan ang mga sayup sa tawo ug episyente nga maproseso ang multidimensional nga datos8,9,10,11,12. Sa partikular, ang deep learning kaylap nga gigamit sa pag-analisar sa medikal nga imahe, ug lainlaing mga pamaagi alang sa pagbanabana sa edad pinaagi sa awtomatikong pag-analisar sa mga radiograph ang gitaho nga nagpauswag sa katukma ug kahusayan sa pagbanabana sa edad13,14,15,16,17,18,19,20. Pananglitan, si Halabi et al 13 nagpalambo og algorithm sa machine learning base sa convolutional neural networks (CNN) aron mabanabana ang edad sa kalabera gamit ang mga radiograph sa mga kamot sa mga bata. Kini nga pagtuon nagsugyot og usa ka modelo nga naggamit sa machine learning sa mga medikal nga imahe ug nagpakita nga kini nga mga pamaagi makapauswag sa katukma sa pagdayagnos. Gibanabana ni Li et al14 ang edad gikan sa pelvic X-ray images gamit ang deep learning CNN ug gitandi kini sa mga resulta sa regression gamit ang ossification stage estimation. Ilang nakita nga ang deep learning CNN model nagpakita sa parehas nga age estimation performance sama sa tradisyonal nga regression model. Gisusi sa pagtuon ni Guo et al. [15] ang age tolerance classification performance sa teknolohiya sa CNN base sa dental orthophotos, ug ang mga resulta sa CNN model nagpamatuod nga ang mga tawo milabaw sa performance niini sa age classification performance.
Kadaghanan sa mga pagtuon sa pagbanabana sa edad gamit ang machine learning naggamit ug mga pamaagi sa deep learning13,14,15,16,17,18,19,20. Ang pagbanabana sa edad base sa deep learning gitaho nga mas tukma kay sa tradisyonal nga mga pamaagi. Bisan pa, kini nga pamaagi naghatag ug gamay nga oportunidad sa pagpresentar sa siyentipikong basehan alang sa mga pagbanabana sa edad, sama sa mga indikasyon sa edad nga gigamit sa mga pagbanabana. Adunay usab legal nga panaglalis kung kinsa ang nagpahigayon sa mga inspeksyon. Busa, ang pagbanabana sa edad base sa deep learning lisud dawaton sa mga awtoridad sa administratibo ug hudisyal. Ang data mining (DM) usa ka teknik nga makadiskubre dili lamang sa gilauman apan usab sa wala damha nga impormasyon isip usa ka pamaagi alang sa pagdiskubre sa mapuslanon nga mga korelasyon tali sa daghang kantidad sa datos6,21,22. Ang machine learning kanunay nga gigamit sa data mining, ug ang data mining ug machine learning parehong naggamit sa parehas nga hinungdanon nga mga algorithm aron madiskubre ang mga sumbanan sa datos. Ang pagbanabana sa edad gamit ang dental development gibase sa pagtimbang-timbang sa tigsusi sa pagkahamtong sa target nga ngipon, ug kini nga pagtimbang-timbang gipahayag isip usa ka yugto alang sa matag target nga ngipon. Ang DM magamit aron analisahon ang korelasyon tali sa yugto sa pagtimbang-timbang sa ngipon ug sa tinuud nga edad ug adunay potensyal nga pulihan ang tradisyonal nga statistical analysis. Busa, kon atong gamiton ang mga teknik sa DM sa pagbanabana sa edad, mahimo natong ipatuman ang machine learning sa forensic age estimation nga dili mabalaka bahin sa legal nga tulubagon. Daghang mga comparative studies ang gipatik sa posibleng mga alternatibo sa tradisyonal nga manual nga mga pamaagi nga gigamit sa forensic practice ug mga pamaagi nga gibase sa EBM alang sa pagtino sa edad sa ngipon. Gipakita ni Shen et al23 nga ang DM model mas tukma kaysa sa tradisyonal nga pormula ni Camerer. Gigamit ni Galibourg et al24 ang lainlaing mga pamaagi sa DM aron matagna ang edad sumala sa Demirdjian criterion25 ug ang mga resulta nagpakita nga ang pamaagi sa DM milabaw sa mga pamaagi ni Demirdjian ug Willems sa pagbanabana sa edad sa populasyon sa Pransya.
Aron mabanabana ang edad sa ngipon sa mga tin-edyer ug mga batan-ong hamtong nga Koreano, ang pamaagi ni Lee 4 kaylap nga gigamit sa praktis sa forensic sa Korea. Kini nga pamaagi naggamit sa tradisyonal nga pag-analisa sa estadistika (sama sa multiple regression) aron susihon ang relasyon tali sa mga Koreano ug sa kronolohikal nga edad. Niini nga pagtuon, ang mga pamaagi sa pagbanabana sa edad nga nakuha gamit ang tradisyonal nga mga pamaagi sa estadistika gihubit nga "tradisyonal nga mga pamaagi." Ang pamaagi ni Lee usa ka tradisyonal nga pamaagi, ug ang katukma niini gikumpirma ni Oh et al. 5; bisan pa, ang pagkagamit sa pagbanabana sa edad base sa modelo sa DM sa praktis sa forensic sa Korea kuwestiyonable pa. Ang among tumong mao ang pag-validate sa siyensya sa potensyal nga kapuslanan sa pagbanabana sa edad base sa modelo sa DM. Ang katuyoan niini nga pagtuon mao ang (1) pagtandi sa katukma sa duha ka modelo sa DM sa pagbanabana sa edad sa ngipon ug (2) pagtandi sa performance sa klasipikasyon sa 7 ka modelo sa DM sa edad nga 18 ka tuig sa nakuha gamit ang tradisyonal nga mga pamaagi sa estadistika Pagkahamtong sa ikaduha ug ikatulo nga mga molar sa duha ka apapangig.
Ang mga mean ug standard deviations sa chronological age pinaagi sa stage ug klase sa ngipon gipakita online sa Supplementary Table S1 (training set), Supplementary Table S2 (internal test set), ug Supplementary Table S3 (external test set). Ang mga kappa values para sa intra- ug interobserver reliability nga nakuha gikan sa training set kay 0.951 ug 0.947, matag usa. Ang mga P values ug 95% confidence intervals para sa mga kappa values gipakita sa online supplementary table S4. Ang kappa value gihubad nga "halos perpekto", nga nahiuyon sa criteria ni Landis ug Koch26.
Kon itandi ang mean absolute error (MAE), ang tradisyonal nga pamaagi gamay nga milabaw sa DM model para sa tanang gender ug sa external male test set, gawas sa multilayer perceptron (MLP). Ang kalainan tali sa tradisyonal nga modelo ug sa DM model sa internal MAE test set kay 0.12–0.19 ka tuig para sa mga lalaki ug 0.17–0.21 ka tuig para sa mga babaye. Para sa external test battery, mas gamay ang kalainan (0.001–0.05 ka tuig para sa mga lalaki ug 0.05–0.09 ka tuig para sa mga babaye). Dugang pa, ang root mean square error (RMSE) gamay nga mas ubos kay sa tradisyonal nga pamaagi, nga adunay mas gagmay nga kalainan (0.17–0.24, 0.2–0.24 para sa internal test set sa mga lalaki, ug 0.03–0.07, 0.04–0.08 para sa external test set). 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 external test set mas taas og score kay sa internal test set para sa tanang gender ug modelo. Ang tanang 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 method.
Ang performance sa klasipikasyon (nga adunay cutoff nga 18 ka tuig) sa tradisyonal ug DM nga mga modelo gipakita sa mga termino sa sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), ug area under the receiver operating characteristic curve (AUROC) 27 (Table 2, Figure 2 ug Supplementary Figure 1 online). Mahitungod sa sensitivity sa internal test battery, ang tradisyonal nga mga pamaagi labing maayo nga mi-perform sa mga lalaki ug mas grabe sa mga babaye. Bisan pa, ang kalainan sa performance sa klasipikasyon tali sa tradisyonal nga mga pamaagi ug SD kay 9.7% para sa mga lalaki (MLP) ug 2.4% lang para sa mga babaye (XGBoost). Taliwala sa mga DM nga modelo, ang logistic regression (LR) nagpakita og mas maayo nga sensitivity sa duha ka sekso. Mahitungod sa specificity sa internal test set, naobserbahan nga ang upat ka SD nga mga modelo maayo ang performance sa mga lalaki, samtang ang tradisyonal nga modelo mas maayo ang performance sa mga babaye. Ang mga kalainan sa performance sa klasipikasyon para sa mga lalaki ug babaye kay 13.3% (MLP) ug 13.1% (MLP), matag usa, nga nagpakita nga ang kalainan sa performance sa klasipikasyon tali sa mga modelo milabaw sa sensitivity. Taliwala sa mga modelo sa DM, ang support vector machine (SVM), decision tree (DT), ug random forest (RF) nga mga modelo mao ang labing maayo nga nagpakita sa mga lalaki, samtang ang LR nga modelo mao ang labing maayo nga nagpakita sa mga babaye. Ang AUROC sa tradisyonal nga modelo ug tanan nga mga modelo sa SD mas dako kaysa 0.925 (k-pinakaduol nga silingan (KNN) sa mga lalaki), nga nagpakita sa maayo kaayo nga performance sa klasipikasyon sa pag-ila sa mga sample nga 18 anyos28. Alang sa external test set, adunay pagkunhod sa performance sa klasipikasyon sa mga termino sa sensitivity, specificity ug AUROC kon itandi sa internal test set. Dugang pa, ang kalainan sa sensitivity ug specificity tali sa performance sa klasipikasyon sa labing maayo ug labing daotan nga mga modelo gikan sa 10% hangtod 25% ug mas dako kaysa sa kalainan sa internal test set.
Sensitibo ug espesipiko sa mga modelo sa klasipikasyon sa data mining kon itandi sa tradisyonal nga mga pamaagi nga adunay cutoff nga 18 ka tuig. KNN k nearest neighbor, SVM support vector machine, LR logistic regression, DT decision tree, RF random forest, XGB XGBoost, MLP multilayer perceptron, tradisyonal nga pamaagi sa CM.
Ang unang lakang niini 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 regression. Ang MAE ug RMSE gisusi sa mga internal test sets alang sa duha ka sekso, ug ang kalainan tali sa tradisyonal nga pamaagi ug sa modelo sa DM gikan sa 44 hangtod 77 ka adlaw alang sa MAE ug gikan sa 62 hangtod 88 ka adlaw alang sa RMSE. Bisan kung ang tradisyonal nga pamaagi medyo mas tukma niini nga pagtuon, lisud ang paghinapos kung ang ingon ka gamay nga kalainan adunay klinikal o praktikal nga kahulugan. Kini nga mga resulta nagpakita nga ang katukma sa pagbanabana sa edad sa ngipon gamit ang modelo sa DM halos parehas sa tradisyonal nga pamaagi. Ang direktang pagtandi sa mga resulta gikan sa nangaging mga pagtuon lisud tungod kay wala’y pagtuon nga nagtandi sa katukma sa mga modelo sa DM sa tradisyonal nga mga pamaagi sa estadistika gamit ang parehas nga teknik sa pagrekord sa mga ngipon sa parehas nga sakup sa edad sama niini nga pagtuon. Gitandi ni Galibourg et al24 ang MAE ug RMSE tali sa duha ka tradisyonal nga pamaagi (pamaagi ni Demirjian25 ug pamaagi ni Willems29) ug 10 ka mga modelo sa DM sa usa ka populasyon sa Pransya nga nag-edad og 2 hangtod 24 ka tuig. Ilang gitaho nga ang tanang modelo sa DM mas tukma kay sa tradisyonal nga mga pamaagi, nga adunay mga kalainan nga 0.20 ug 0.38 ka tuig sa MAE ug 0.25 ug 0.47 ka tuig sa RMSE kon itandi sa mga pamaagi sa Willems ug Demirdjian, matag usa. Ang kalainan tali sa modelo sa SD ug tradisyonal nga mga pamaagi nga gipakita sa pagtuon sa Halibourg nagkonsiderar sa daghang mga taho30,31,32,33 nga ang pamaagi sa Demirdjian wala magbanabana sa edad sa ngipon sa mga populasyon gawas sa mga Pranses nga Canadian diin gibase ang pagtuon. niini nga pagtuon. Gigamit ni Tai et al 34 ang algorithm sa MLP aron matagna ang edad sa ngipon gikan sa 1636 nga mga litrato sa orthodontic sa China ug gitandi ang katukma niini sa mga resulta sa pamaagi sa Demirjian ug Willems. Ilang gitaho nga ang MLP adunay mas taas nga katukma kay sa tradisyonal nga mga pamaagi. Ang kalainan tali sa pamaagi sa Demirdjian ug sa tradisyonal nga pamaagi kay <0.32 ka tuig, ug ang pamaagi sa Willems kay 0.28 ka tuig, nga susama sa mga resulta sa kasamtangang pagtuon. Ang mga resulta niining mga nangaging pagtuon24,34 nahiuyon usab sa mga resulta sa kasamtangang pagtuon, ug ang katukma sa pagbanabana sa edad sa modelo sa DM ug sa tradisyonal nga pamaagi parehas. Bisan pa, base sa gipresentar nga mga resulta, mahimo ra naton nga hunahunaon pag-ayo nga ang paggamit sa mga modelo sa DM aron mabanabana ang edad mahimong mopuli sa kasamtangan nga mga pamaagi tungod sa kakulang sa mga pagtandi ug reperensya nga nangaging mga pagtuon. Gikinahanglan ang mga follow-up nga pagtuon nga naggamit ug mas dagkong mga sample aron makumpirma ang mga resulta nga nakuha niini nga pagtuon.
Lakip sa mga pagtuon nga nagsulay sa katukma sa SD sa pagbanabana sa edad sa ngipon, ang uban nagpakita og mas taas nga katukma kay sa among pagtuon. Si Stepanovsky et al 35 migamit og 22 ka SD models sa panoramic radiographs sa 976 ka residente sa Czech nga nag-edad og 2.7 hangtod 20.5 ka tuig ug gisulayan ang katukma sa matag modelo. Gisusi nila ang pag-uswag sa kinatibuk-an nga 16 ka permanenteng ngipon sa ibabaw ug ubos nga wala gamit ang criteria sa klasipikasyon 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 kay sa duha ka DM models nga gigamit niini nga pagtuon. Gigamit ni Shen et al 23 ang pamaagi sa Cameriere aron mabanabana ang edad sa ngipon sa pito ka permanenteng ngipon sa wala nga mandible sa mga residente sa silangang China nga nag-edad og 5 hangtod 13 ka tuig ug gitandi kini sa mga edad nga gibanabana gamit ang linear regression, SVM ug RF. Gipakita nila nga ang tanang tulo ka DM models adunay mas taas nga katukma kon itandi sa tradisyonal nga pormula sa Cameriere. Ang MAE ug RMSE sa pagtuon ni Shen mas ubos kay sa naa sa DM model niini nga pagtuon. Ang dugang nga katukma sa mga pagtuon nila ni Stepanovsky et al. 35 ug Shen et al. 23 mahimong tungod sa paglakip sa mga batan-ong subject sa ilang mga sample sa pagtuon. Tungod kay ang mga banabana sa edad alang sa mga partisipante nga adunay nagtubo nga mga ngipon mahimong mas tukma samtang nagkadaghan ang gidaghanon sa mga ngipon atol sa paglambo sa ngipon, ang katukma sa resulta nga pamaagi sa pagbanabana sa edad mahimong makompromiso kung ang mga partisipante sa pagtuon mas bata. Dugang pa, ang sayop sa MLP sa pagbanabana sa edad gamay nga gamay kaysa sa SLP, nga nagpasabut nga ang MLP mas tukma kaysa SLP. Ang MLP giisip nga gamay nga mas maayo alang sa pagbanabana sa edad, posible tungod sa mga tinago nga mga lut-od sa MLP38. Bisan pa, adunay eksepsiyon alang sa gawas nga sample sa mga babaye (SLP 1.45, MLP 1.49). Ang nakaplagan nga ang MLP mas tukma kaysa sa SLP sa pagtimbang-timbang sa edad nanginahanglan dugang nga mga retrospective nga pagtuon.
Gitandi usab ang performance sa klasipikasyon sa DM model ug ang tradisyonal nga pamaagi sa 18-year threshold. Ang tanang nasulayan nga SD models ug tradisyonal nga mga pamaagi sa internal test set nagpakita og halos madawat nga lebel sa diskriminasyon para sa 18-anyos nga sample. Ang sensitivity para sa mga lalaki ug babaye mas dako kay sa 87.7% ug 94.9%, matag usa, ug ang specificity mas dako kay sa 89.3% ug 84.7%. Ang AUROC sa tanang nasulayan nga mga modelo milapas usab sa 0.925. Sa among nahibaloan, walay pagtuon nga nagsulay sa performance sa DM model para sa 18-year nga klasipikasyon base sa dental maturity. Mahimo natong itandi ang mga resulta niini nga pagtuon sa classification performance sa deep learning models sa panoramic radiographs. Gikalkulo ni Guo et al.15 ang classification performance sa usa ka CNN-based deep learning model ug usa ka manual nga pamaagi base sa pamaagi ni Demirjian para sa usa ka piho nga age threshold. Ang sensitivity ug specificity sa manual nga pamaagi kay 87.7% ug 95.5%, matag usa, ug ang sensitivity ug specificity sa CNN model milabaw sa 89.2% ug 86.6%, matag usa. Nakahinapos sila nga ang deep learning models makapuli o makalabaw sa manual assessment sa pagklasipikar sa age thresholds. Ang mga resulta niini nga pagtuon nagpakita sa parehas nga performance sa klasipikasyon; Gituohan nga ang klasipikasyon gamit ang DM models makapuli sa tradisyonal nga statistical methods para sa age estimation. Taliwala sa mga modelo, ang DM LR mao ang pinakamaayong modelo sa termino sa sensitivity para sa lalaki nga sample ug sensitivity ug specificity para sa babaye nga sample. Ang LR ikaduha sa specificity para sa mga lalaki. Dugang pa, ang LR giisip nga usa sa mas user-friendly nga DM35 models ug dili kaayo komplikado ug lisod iproseso. Base sa kini nga mga resulta, ang LR giisip nga pinakamaayong cutoff classification model para sa 18 anyos sa populasyon sa Korea.
Sa kinatibuk-an, ang katukma sa pagbanabana sa edad o performance sa klasipikasyon sa external test set dili maayo o mas ubos kon itandi sa mga resulta sa internal test set. Ang ubang mga report nagpakita nga ang katukma o efficiency sa klasipikasyon mokunhod kon ang mga banabana sa edad base sa populasyon sa Korea ipadapat sa populasyon sa Hapon5,39, ug usa ka susamang sumbanan ang nakit-an sa kasamtangang pagtuon. Kini nga trend sa pagkadaot naobserbahan usab sa DM model. Busa, aron tukma nga mabanabana ang edad, bisan kon gamiton ang DM sa proseso sa pag-analisa, ang mga pamaagi nga nakuha gikan sa lumad nga datos sa populasyon, sama sa tradisyonal nga mga pamaagi, kinahanglan nga pilion5,39,40,41,42. Tungod kay dili klaro kon ang mga deep learning model makapakita ba og parehas nga mga uso, ang mga pagtuon nga nagtandi sa katukma ug efficiency sa klasipikasyon gamit ang tradisyonal nga mga pamaagi, mga modelo sa DM, ug mga deep learning model sa parehas nga mga sample gikinahanglan aron makumpirma kon ang artificial intelligence makabuntog ba niining mga racial disparity sa limitado nga edad. mga pagtimbang-timbang.
Among gipakita nga ang tradisyonal nga mga pamaagi mahimong pulihan sa pagbanabana sa edad base sa DM model sa forensic age estimation practice sa Korea. Nadiskobrehan usab namo ang posibilidad sa pagpatuman sa machine learning para sa forensic age assessment. Bisan pa, adunay klaro nga mga limitasyon, sama sa dili igo nga gidaghanon sa mga partisipante niini nga pagtuon aron tino nga mahibal-an ang mga resulta, ug ang kakulang sa mga nangaging pagtuon aron itandi ug kumpirmahon ang mga resulta niini nga pagtuon. Sa umaabot, ang mga pagtuon sa DM kinahanglan nga ipahigayon nga adunay mas daghang gidaghanon sa mga sample ug mas lainlain nga populasyon aron mapauswag ang praktikal nga paggamit niini kon itandi sa tradisyonal nga mga pamaagi. Aron mapamatud-an ang posibilidad sa paggamit sa artificial intelligence aron mabanabana ang edad sa daghang populasyon, gikinahanglan ang umaabot nga mga pagtuon aron itandi ang katukma ug kahusayan sa klasipikasyon sa DM ug deep learning models sa tradisyonal nga mga pamaagi sa parehas nga mga sample.
Ang pagtuon migamit ug 2,657 ka orthographic nga mga litrato nga nakolekta gikan sa mga hamtong nga Koreano ug Hapon nga nag-edad ug 15 hangtod 23 ka tuig. Ang mga Korean radiograph gibahin sa 900 ka training sets (19.42 ± 2.65 ka tuig) ug 900 ka internal test sets (19.52 ± 2.59 ka tuig). Ang training set nakolekta 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 ka radiograph gikan sa laing datos nga gibase sa populasyon (Iwate Medical University, Japan) para sa eksternal nga pagsulay. Ang mga radiograph sa mga Hapon nga subject (19.31 ± 2.60 ka tuig) gipili isip eksternal nga test set. Ang datos nakolekta nga retrospectively aron analisahon ang mga yugto sa paglambo sa ngipon sa mga panoramic radiograph nga gikuha atol sa pagtambal sa ngipon. Ang tanan nga datos nga nakolekta wala mailhi gawas sa gender, petsa sa pagkatawo ug petsa sa radiograph. Ang mga criteria sa paglakip ug pag-eksklusiyon parehas sa mga naunang gipatik nga mga pagtuon 4, 5. Ang aktuwal nga edad sa sample gikalkulo pinaagi sa pag-iban sa petsa sa pagkatawo gikan sa petsa nga gikuha ang radiograph. Ang grupo sa sample gibahin sa siyam ka grupo sa edad. Ang 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 design niini nga pagtuon, ang informed consent dili makuha gikan sa tanang pasyente nga gipailalom sa radiographic examination alang sa therapeutic purposes. Ang Seoul Korea University St. Mary's Hospital (IRB) wala magkinahanglan og informed consent.
Ang mga yugto sa paglambo sa ikaduha ug ikatulo nga molar sa bimaxillary gisusi sumala sa Demircan criteria25. Usa ra ka ngipon ang gipili kung parehas nga klase sa ngipon ang nakit-an sa wala ug tuo nga kilid sa matag apapangig. Kung ang mga homologous nga ngipon sa duha ka kilid naa sa lainlaing mga yugto sa paglambo, ang ngipon nga adunay mas ubos nga yugto sa paglambo gipili aron makonsiderar ang kawalay kasiguruhan sa gibanabana nga edad. Usa ka gatos nga random nga gipili nga mga radiograph gikan sa training set ang gi-iskor sa duha ka eksperyensiyado nga mga observer aron masulayan ang kasaligan sa interobserver pagkahuman sa precalibration aron mahibal-an ang yugto sa pagkahamtong sa ngipon. Ang kasaligan sa intraobserver gisusi kaduha sa tulo ka bulan nga mga agwat sa panguna nga observer.
Ang sekso ug ang yugto sa paglambo sa ikaduha ug ikatulo nga mga molar sa matag apapangig sa training set gibanabana sa usa ka primary observer nga gibansay gamit ang lain-laing mga modelo sa DM, ug ang aktuwal nga edad ang gitakda isip target nga bili. Ang mga modelo sa SLP ug MLP, nga kaylap nga gigamit sa machine learning, gisulayan batok sa mga regression algorithm. Ang modelo sa DM naghiusa sa mga linear function gamit ang mga yugto sa paglambo sa upat ka ngipon ug naghiusa niini nga datos aron mabanabana ang edad. Ang SLP mao ang pinakasimple nga neural network ug wala’y sulod nga mga tinago nga layer. Ang SLP nagtrabaho base sa threshold transmission tali sa mga node. Ang modelo sa SLP sa regression parehas sa matematika sa multiple linear regression. Dili sama sa modelo sa SLP, ang modelo sa MLP adunay daghang tinago nga mga layer nga adunay mga nonlinear activation function. Ang among mga eksperimento migamit og tinago nga layer nga adunay 20 lang ka tinago nga mga node nga adunay mga nonlinear activation function. Gigamit ang gradient descent isip pamaagi sa pag-optimize ug ang MAE ug RMSE isip loss function aron mabansay ang among modelo sa machine learning. Ang labing maayo nga nakuha nga modelo sa regression gigamit sa internal ug external nga mga test set ug ang edad sa mga ngipon gibanabana.
Usa ka algorithm sa klasipikasyon ang naugmad nga naggamit sa pagkahamtong sa upat ka ngipon sa training set aron matagna kung ang usa ka sample 18 anyos na o dili. Aron matukod ang modelo, nakakuha kami og pito ka representasyon nga machine learning algorithm6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ug (7) MLP. Ang LR usa sa labing kaylap nga gigamit nga mga algorithm sa klasipikasyon44. Kini usa ka supervised learning algorithm nga naggamit og regression aron matagna ang posibilidad sa datos nga nahisakop sa usa ka piho nga kategorya gikan sa 0 hangtod 1 ug giklasipikar ang datos nga nahisakop sa usa ka mas lagmit nga kategorya base niini nga posibilidad; panguna nga gigamit alang sa binary nga klasipikasyon. Ang KNN usa sa pinakasimple nga mga algorithm sa machine learning45. Kung hatagan og bag-ong input data, makit-an niini ang k data nga duol sa kasamtangan nga set ug dayon giklasipikar kini sa klase nga adunay labing taas nga frequency. Nagtakda kami og 3 alang sa gidaghanon sa mga silingan nga gikonsiderar (k). Ang SVM usa ka algorithm nga nag-maximize sa distansya tali sa duha ka klase pinaagi sa paggamit sa kernel function aron mapalapdan ang linear space ngadto sa usa ka non-linear space nga gitawag og fields46. Para ani nga modelo, among gigamit ang bias = 1, power = 1, ug gamma = 1 isip hyperparameters para sa polynomial kernel. Ang DT gigamit na sa nagkalain-laing natad isip algorithm para sa pagbahin sa tibuok data set ngadto sa daghang subgroups pinaagi sa pagrepresentar sa decision rules sa usa ka tree structure47. Ang modelo gi-configure nga adunay minimum nga gidaghanon sa mga records kada node nga 2 ug gigamit ang Gini index isip sukod sa kalidad. Ang RF usa ka ensemble method nga naghiusa sa daghang DTs aron mapaayo ang performance gamit ang bootstrap aggregation method nga nagmugna og weak classifier para sa matag sample pinaagi sa random nga pagdrowing og mga sample nga parehas og gidak-on sa daghang beses gikan sa orihinal nga dataset48. Gigamit namo ang 100 ka mga kahoy, 10 ka giladmon sa kahoy, 1 ka minimum nga gidak-on sa node, ug Gini admixture index isip node separation criteria. Ang klasipikasyon sa bag-ong datos gitino pinaagi sa mayoriya nga boto. Ang XGBoost usa ka algorithm nga naghiusa sa mga boosting techniques gamit ang usa ka pamaagi nga nagkuha isip training data sa error tali sa aktuwal ug gitagna nga mga kantidad sa miaging modelo ug nagdugang sa error gamit ang gradients49. Kini usa ka kaylap nga gigamit nga algorithm tungod sa maayo nga performance ug resource efficiency, ingon man taas nga kasaligan isip overfitting correction function. Ang modelo adunay 400 ka support wheels. Ang MLP usa ka neural network diin ang usa o daghan pang perceptrons nagporma og daghang layers nga adunay usa o daghan pang tinago nga layers taliwala sa input ug output layers38. Gamit kini, mahimo nimong ipahigayon ang non-linear classification diin kung magdugang ka og input layer ug makakuha og result value, ang gitagna nga result value itandi sa tinuod nga result value ug ang error ibalik. Naghimo kami og tinago nga layer nga adunay 20 ka tinago nga neurons sa matag layer. Ang matag modelo nga among gihimo gigamit sa internal ug external sets aron masulayan ang classification performance pinaagi sa pagkalkulo sa sensitivity, specificity, PPV, NPV, ug AUROC. Ang sensitivity gihubit isip ratio sa usa ka sample nga gibanabana nga 18 anyos pataas ngadto sa usa ka sample nga gibanabana nga 18 anyos pataas. Ang specificity mao ang proporsyon sa mga sample nga ubos sa 18 anyos ug kadtong gibanabana nga ubos sa 18 anyos.
Ang mga yugto sa ngipon nga gisusi sa training set gi-convert ngadto sa numerical stages para sa statistical analysis. Gihimo ang multivariate linear ug logistic regression aron makahimo og predictive models para sa matag sekso ug makakuha og regression formulas nga magamit sa pagbanabana sa edad. Gigamit namo kini nga mga pormula aron mabanabana ang edad sa ngipon para sa internal ug external test sets. Gipakita sa Table 4 ang regression ug classification models nga gigamit niini nga pagtuon.
Ang intra- ug interobserver reliability gikalkulo gamit ang Cohen's kappa statistic. Aron masulayan ang katukma sa DM ug tradisyonal nga regression models, among gikalkulo ang MAE ug RMSE gamit ang gibanabana ug aktuwal nga edad sa internal ug external test sets. Kini nga mga sayop kasagarang gigamit aron masusi ang katukma sa mga prediksyon sa modelo. Kon mas gamay ang sayop, mas taas ang katukma sa forecast24. Itandi ang MAE ug RMSE sa internal ug external test sets nga gikalkulo gamit ang DM ug tradisyonal nga regression. Ang performance sa classification sa 18-year cutoff sa tradisyonal nga statistics gisusi gamit ang 2 × 2 contingency table. Ang gikalkulo nga sensitivity, specificity, PPV, NPV, ug AUROC sa test set gitandi sa gisukod nga mga kantidad sa DM classification model. Ang datos gipahayag isip mean ± standard deviation o numero (%) depende sa mga kinaiya sa datos. Ang two-sided P values <0.05 giisip nga statistically significant. Ang tanan nga routine statistical analyses gihimo gamit ang SAS version 9.4 (SAS Institute, Cary, NC). Ang DM regression model gipatuman sa Python gamit ang Keras50 2.2.4 backend ug Tensorflow51 1.8.0 ilabi na alang sa mga operasyon sa matematika. Ang DM classification model gipatuman sa Waikato Knowledge Analysis Environment ug sa Konstanz Information Miner (KNIME) 4.6.152 analysis platform.
Giila sa mga tagsulat nga ang datos nga nagsuporta sa mga konklusyon sa pagtuon makita sa artikulo ug mga dugang nga materyales. Ang mga dataset nga nahimo ug/o gisusi atol sa pagtuon anaa sa katugbang nga tagsulat kon adunay makatarunganong hangyo.
Ritz-Timme, S. et al. Pagtimbang-timbang sa edad: pinakabag-o nga teknolohiya aron matuman ang piho nga mga kinahanglanon sa praktis sa forensik. internasyonalidad. J. Legal nga medisina. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., ug Olze, A. Kasamtangang kahimtang sa forensic age assessment sa mga buhing tawo alang sa mga katuyoan sa kriminal nga pag-prosekusyon. Forensics. medisina. Patolohiya. 1, 239–246 (2005).
Pan, J. et al. Usa ka giusab nga pamaagi alang sa pagtimbang-timbang sa edad sa ngipon sa mga batang nag-edad og 5 hangtod 16 ka tuig sa silangang Tsina. klinikal. Oral nga surbey. 25, 3463–3474 (2021).
Lee, SS ug uban pa. Kronolohiya sa paglambo sa ikaduha ug ikatulo nga mga molar sa mga Koreano ug ang aplikasyon niini alang sa forensic age assessment. internasyonalidad. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ug Lee, SS Katukma sa pagbanabana sa edad ug pagbanabana sa 18 ka tuig nga sukdanan base sa pagkahamtong sa ikaduha ug ikatulo nga mga molar sa mga Koreano ug Hapon. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Ang preoperative machine learning-based data analysis makatagna sa resulta sa pagtambal sa sleep surgery sa mga pasyente nga adunay OSA. ang siyensya. Report 11, 14911 (2021).
Han, M. et al. Tukma nga banabana sa edad gikan sa machine learning nga adunay o walay interbensyon sa tawo? internasyonalidad. J. Legal medicine. 136, 821–831 (2022).
Khan, S. ug Shaheen, M. Gikan sa Pagmina sa Datos ngadto sa Pagmina sa Datos. J. Impormasyon. ang siyensya. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ug Shaheen, M. WisRule: Ang Unang Cognitive Algorithm para sa Association Rule Mining. J.Information. 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. kalkulado. Matt. padayon. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ug Habib M. Pag-ila sa semantic similarity base sa lawom nga pagkat-on gamit ang datos sa teksto. impormasyon. mga teknolohiya. pagkontrol. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ug Shahin, M. Usa ka sistema para sa pag-ila sa kalihokan sa mga video sa paugnat sa kusog. multimedia. Mga Gamit ug Aplikasyon https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Machine Learning Challenge in Pediatric Bone Age. Radiology 290, 498–503 (2019).
Li, Y. et al. Pagbanabana sa forensic nga edad gikan sa pelvic X-ray gamit ang deep learning. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Tukma nga klasipikasyon sa edad gamit ang manwal nga mga pamaagi ug lawom nga convolutional neural network gikan sa mga imahe sa orthographic projection. internasyonalidad. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Pagbanabana sa edad sa bukog gamit ang lain-laing mga pamaagi sa machine learning: usa ka sistematikong pagrepaso sa literatura ug meta-analysis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., ug Yang, J. Banabana sa edad sa mga Aprikano-Amerikano ug mga Intsik base sa gidaghanon sa pulp chamber sa unang mga molar gamit ang cone-beam computed tomography. internasyonalidad. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ug Oh KS Pagtino sa mga grupo sa edad sa mga buhing tawo gamit ang mga imahe sa unang mga bag-ang nga gibase sa artificial intelligence. ang siyensya. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., ug Urschler, M. Awtomatikong pagbanabana sa edad ug klasipikasyon sa edad sa mayoriya gikan sa multivariate MRI data. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ug Li, G. Pagbanabana sa edad base sa 3D pulp chamber segmentation sa unang mga molar gikan sa cone beam computed tomography pinaagi sa pag-integrate sa deep learning ug level sets. internasyonalidad. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Pagmina sa datos sa klinikal nga dagkong datos: komon nga mga database, mga lakang, ug mga modelo sa pamaagi. Kalibutan. medisina. kapanguhaan. 8, 44 (2021).
Yang, J. et al. Pasiuna sa mga Medikal nga Database ug mga Teknolohiya sa Pagmina sa Datos sa Panahon sa Dakong Datos. J. Avid. Batakang medisina. 13, 57–69 (2020).
Shen, S. et al. Pamaagi ni Camerer sa pagbanabana sa edad sa ngipon gamit ang machine learning. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Pagtandi sa lain-laing mga pamaagi sa machine learning alang sa pagtagna sa edad sa ngipon gamit ang pamaagi sa pag-stage sa Demirdjian. internasyonalidad. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ug Tanner, JM Usa ka bag-ong sistema alang sa pagtimbang-timbang sa edad sa ngipon. snort. biology. 45, 211–227 (1973).
Landis, JR, ug Koch, GG Mga sukod sa pag-uyon sa tigpaniid sa kategoryang datos. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ug Choi HK. Tekstural, morpolohikal ug estadistikal nga pag-analisa sa duha ka dimensyon nga magnetic resonance imaging gamit ang mga teknik sa artificial intelligence para sa pag-ila sa mga primary nga tumor sa utok. Impormasyon sa panglawas. kapanguhaan. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Oras sa pag-post: Enero-04-2024