Grazie per visità Nature.com.A versione di u navigatore chì aduprate hà un supportu CSS limitatu.Per i migliori risultati, ricumandemu di utilizà una versione più nova di u vostru navigatore (o di disattivà u modu di cumpatibilità in Internet Explorer).Intantu, per assicurà un supportu continuu, mostremu u situ senza stile o JavaScript.
I denti sò cunsiderati l'indicatore più precisu di l'età di u corpu umanu è sò spessu usati in a valutazione di l'età forensica.Avemu u scopu di cunvalidà l'estimazioni di l'età dentale basate in data mining paragunendu a precisione di stima è u rendiment di classificazione di u sogliu di 18 anni cù i metudi tradiziunali è l'estimazioni di età basate in data mining.Un totale di 2657 radiografie panoramiche sò state raccolte da i citadini coreani è giapponesi di età da 15 à 23 anni.Sò stati divisi in un set di furmazione, ognunu cuntene 900 radiografia coreana, è un set di teste internu chì cuntene 857 radiografia giapponese.Avemu paragunatu a precisione di classificazione è l'efficienza di i metudi tradiziunali cù teste di mudelli di data mining.A precisione di u metudu tradiziunale nantu à u set di teste internu hè pocu più altu ch'è quellu di u mudellu di data mining, è a diffarenza hè chjuca (errore assolutu mediu <0,21 anni, errore quadratu mediu radice <0,24 anni).U rendiment di classificazione per u cutoff di 18 anni hè ancu simile trà i metudi tradiziunali è i mudelli di data mining.Cusì, i metudi tradiziunali ponu esse rimpiazzati da mudelli di data mining quandu anu realizatu a valutazione di l'età forensica utilizendu a maturità di i secondi è i terzi molari in l'adulescenti coreani è i ghjovani adulti.
A stima di l'età dentale hè largamente usata in medicina forensica è odontoiatria pediatrica.In particulare, per via di l'alta correlazione trà l'età cronologica è u sviluppu dentale, a valutazione di l'età per fasi di sviluppu dentale hè un criteriu impurtante per a valutazione di l'età di i zitelli è l'adulescenti1,2,3.In ogni casu, per i ghjovani, a stima di l'età dentale basatu nantu à a maturità dentale hà e so limitazioni perchè a crescita dentale hè quasi cumpleta, cù l'eccezzioni di i terzu molari.U scopu legale di determinà l'età di i ghjovani è di l'adulescenti hè di furnisce stimi precisi è evidenza scientifica di s'ellu anu righjuntu l'età di a maiurità.In a pratica medico-legale di l'adulescenti è i ghjovani adulti in Corea, l'età hè stata stimata cù u metudu di Lee, è un limitu legale di 18 anni hè statu previstu basatu annantu à i dati riportati da Oh et al 5 .
L'apprendimentu di a macchina hè un tipu d'intelligenza artificiale (AI) chì ampara ripetutamente è classifica grandi quantità di dati, risolve i prublemi per sè stessu, è guida a prugrammazione di dati.L'apprendimentu automaticu pò scopre mudelli nascosti utili in grandi volumi di dati6.In cuntrastu, i metudi classici, chì sò intensivi di travagliu è di tempu, ponu avè limitazioni quandu si tratta di grandi volumi di dati cumplessi chì sò difficiuli di processà manualmente7.Per quessa, assai studii sò stati realizati di pocu tempu utilizendu l'ultime tecnulugia di l'informatica per minimizzà l'errori umani è processà in modu efficiente e dati multidimensionali8,9,10,11,12.In particulare, l'apprendimentu prufondu hè statu largamente utilizatu in l'analisi di l'imaghjini medichi, è diversi metudi per l'estimazione di l'età per l'analisi automatica di radiografia sò stati rappurtati per migliurà l'accuratezza è l'efficienza di l'estimazione di l'età13,14,15,16,17,18,19,20. .Per esempiu, Halabi et al 13 anu sviluppatu un algoritmu d'apprendimentu di macchina basatu nantu à e rete neurali cunvoluzionali (CNN) per stimà l'età scheletrica utilizendu radiografia di e mani di i zitelli.Stu studiu prupone un mudellu chì applica l'apprendimentu machine à l'imaghjini medichi è mostra chì questi metudi ponu migliurà a precisione di diagnostica.Li et al14 anu stimatu l'età da l'imaghjini di a radiografia pelvica utilizendu una CNN d'apprendimentu profondu è li paragunanu cù i risultati di regressione utilizendu stima di u stadiu di ossificazione.Anu trovu chì u mudellu CNN di l'apprendimentu profondu dimustrava u listessu rendimentu di stima di età cum'è u mudellu di regressione tradiziunale.U studiu di Guo et al. [15] hà valutatu u rendiment di classificazione di a toleranza di l'età di a tecnulugia CNN basatu annantu à l'ortofoto dentale, è i risultati di u mudellu CNN anu dimustratu chì l'omu anu superatu u so rendimentu di classificazione d'età.
A maiò parte di i studii nantu à a stima di l'età chì utilizanu l'apprendimentu automaticu utilizanu metudi di apprendimentu profondu13,14,15,16,17,18,19,20.L'estimazione di l'età basata nantu à l'apprendimentu prufondu hè rapportata per esse più precisa cà i metudi tradiziunali.Tuttavia, stu approcciu furnisce pocu opportunità per prisentà a basa scientifica per l'estimi di età, cum'è l'indicatori di età utilizati in l'estimi.Ci hè ancu una disputa legale nantu à quale conduce l'ispezioni.Dunque, l'estimazione di l'età basata nantu à l'apprendimentu prufondu hè difficiule d'accettà da l'autorità amministrative è ghjudiziarie.Data mining (DM) hè una tecnica chì pò scopre micca solu l'informazioni previste, ma ancu inespettate cum'è un metudu per scopre correlazioni utili trà grande quantità di dati6,21,22.L'apprendimentu automaticu hè spessu usatu in l'estrazione di dati, è sia l'estrazione di dati sia l'apprendimentu automaticu utilizanu i stessi algoritmi chjave per scopre mudelli in dati.A stima di l'età cù u sviluppu dentale hè basatu annantu à a valutazione di l'esaminatore di a maturità di i denti di destinazione, è sta valutazione hè espressa cum'è una tappa per ogni dente di destinazione.DM pò esse usatu per analizà a correlazione trà u stadiu di valutazione dentale è l'età attuale è hà u putenziale di rimpiazzà l'analisi statistiche tradiziunali.Dunque, se applichemu tecniche DM à l'estimazione di l'età, pudemu implementà l'apprendimentu di macchina in l'estimazione di l'età forensica senza preoccupassi di a responsabilità legale.Diversi studii comparativi sò stati publicati nantu à possibili alternative à i metudi manuali tradiziunali utilizati in a pratica forensica è i metudi basati in EBM per a determinazione di l'età dentale.Shen et al23 hà dimustratu chì u mudellu DM hè più precisu di a formula tradiziunale di Camerer.Galibourg et al24 appliquaient différentes méthodes de DM pour prédire l'âge selon le critère de Demirdjian25 et les résultats ont montré que le DM surpassait les méthodes Demirdjian et Willems dans l'estimation de l'âge de la population française.
Per stimà l'età dentale di l'adulescenti è i ghjovani adulti coreani, u metudu di Lee 4 hè largamente utilizatu in a pratica forensica coreana.Stu metudu usa l'analisi statistiche tradiziunale (cum'è a regressione multipla) per esaminà a relazione trà i sughjetti coreani è l'età cronologica.In questu studiu, i metudi di stima di l'età ottenuti cù i metudi statistichi tradiziunali sò definiti cum'è "metudi tradiziunali".U metudu di Lee hè un metudu tradiziunale, è a so precisione hè stata cunfirmata da Oh et al.5;in ogni modu, l'applicabilità di l'estimazione di l'età basatu annantu à u mudellu DM in a pratica forensica coreana hè sempre discutibile.U nostru scopu era di validà scientificamente l'utilità potenziale di l'estimazione di l'età basatu annantu à u mudellu DM.U scopu di stu studiu era (1) paragunà l'accuratezza di dui mudelli DM in l'estimazione di l'età dentale è (2) per paragunà a prestazione di classificazione di 7 mudelli DM à l'età di 18 anni cù quelli ottenuti cù i metudi statistici tradiziunali Maturità di seconda è terzu molari in i dui mandibuli.
I mezi è e deviazioni standard di l'età cronologica per u stadiu è u tipu di denti sò mostrati in linea in a Tabella Supplementaria S1 (set di furmazione), a Tabella Supplementaria S2 (set di test internu) è a Tabella Supplementaria S3 (set di prova esterna).I valori kappa per l'affidabilità intra- è interosservatori ottenuti da u gruppu di furmazione eranu 0.951 è 0.947, rispettivamente.I valori P è intervalli di cunfidenza di 95% per i valori kappa sò mostrati in a tabella supplementaria in linea S4.U valore kappa hè statu interpretatu cum'è "quasi perfettu", in cunfurmità cù i criteri di Landis è Koch26.
Quandu si compara l'errore assolutu mediu (MAE), u metudu tradiziunale supera ligeramente u mudellu DM per tutti i sessi è in u set di teste maschili esterni, cù l'eccezzioni di perceptron multilayer (MLP).A diffarenza trà u mudellu tradiziunale è u mudellu DM nantu à u set di teste internu MAE era 0,12-0,19 anni per l'omi è 0,17-0,21 anni per e donne.Per a bateria di prova esterna, e differenze sò più chjuche (0,001-0,05 anni per l'omi è 0,05-0,09 anni per e donne).Inoltre, l'errore quadratu mediu radicale (RMSE) hè ligeramente più bassu di u metudu tradiziunale, cù differenze più chjuche (0,17–0,24, 0,2–0,24 per u set di teste internu maschile, è 0,03–0,07, 0,04–0,08 per u set di test esternu).).MLP mostra un rendimentu ligeramente megliu cà Single Layer Perceptron (SLP), eccettu in u casu di u set di teste esterne femminili.Per MAE è RMSE, u set di teste esternu puntua più altu ch'è u set di test internu per tutti i sessi è mudelli.Tutti i MAE è RMSE sò mostrati in a Tabella 1 è a Figura 1.
MAE è RMSE di mudelli di regressione tradiziunali è data mining.Mean error assolutu MAE, root mean square error RMSE, single layer perceptron SLP, multilayer perceptron MLP, mètudu tradiziunale CM.
U rendiment di classificazione (cù un cutoff di 18 anni) di i mudelli tradiziunali è DM hè statu dimustratu in termini di sensibilità, specificità, valore predittivu pusitivu (PPV), valore predittivu negativu (NPV) è area sottu a curva caratteristica operativa di u receptore (AUROC). 27 (Table 2, Figure 2 è Supplementary Figure 1 online).In quantu à a sensibilità di a bateria di teste internu, i metudi tradiziunali anu realizatu megliu trà l'omi è peghju trà e donne.Tuttavia, a diffarenza in u rendiment di classificazione trà i metudi tradiziunali è SD hè 9.7% per l'omi (MLP) è solu 2.4% per e donne (XGBoost).Trà i mudelli DM, a regressione logistica (LR) mostrava una sensibilità megliu in i dui sessi.In quantu à a specificità di u gruppu di teste internu, hè statu osservatu chì i quattru mudelli SD anu fattu bè in i masci, mentre chì u mudellu tradiziunale hà fattu megliu in e femine.E differenze in u rendiment di classificazione per i masci è e femine sò 13.3% (MLP) è 13.1% (MLP), rispettivamente, chì indicanu chì a diffarenza in u rendiment di classificazione trà mudelli supera a sensibilità.Trà i mudelli DM, a macchina di supportu di vettore (SVM), l'arbre di decisione (DT) è i mudelli di fureste aleatorie (RF) anu realizatu megliu trà i masci, mentre chì u mudellu LR hà fattu megliu trà e femine.L'AUROC di u mudellu tradiziunale è di tutti i mudelli SD era più grande di 0.925 (k-nearest neighbor (KNN) in l'omi), dimustrendu un rendimentu di classificazione eccellente in i campioni discriminanti di 18 anni28.Per u gruppu di teste esternu, ci era una diminuzione di u rendiment di classificazione in termini di sensibilità, specificità è AUROC cumparatu cù u gruppu di teste internu.Inoltre, a diffarenza in a sensibilità è a specificità trà u rendiment di classificazione di i mudelli megliu è peghju variava da 10% à 25% è era più grande di a diferenza in u set di teste internu.
Sensibilità è specificità di i mudelli di classificazione di data mining paragunatu à i metudi tradiziunali cù un cutoff di 18 anni.KNN k vicinu vicinu, SVM support machine vector, LR regressione logistica, arbre di decisione DT, foresta casuale RF, XGB XGBoost, perceptron multilayer MLP, metudu CM tradiziunale.
U primu passu in stu studiu era di paragunà a precisione di l'estimi di l'età dentale ottenuti da sette mudelli DM cù quelli ottenuti cù a regressione tradiziunale.MAE è RMSE sò stati valutati in teste internu per i dui sessi, è a diferenza trà u metudu tradiziunale è u mudellu DM variava da 44 à 77 ghjorni per MAE è da 62 à 88 ghjorni per RMSE.Ancu s'ellu u metudu tradiziunale era un pocu più precisu in stu studiu, hè difficiule di cuncludi se una tale differenza chjuca hà significatu clinicu o praticu.Questi risultati indicanu chì l'accuratezza di l'estimazione di l'età dentale cù u mudellu DM hè quasi uguale à quella di u metudu tradiziunale.U paragunamentu direttu cù i risultati di i studii precedenti hè difficiule perchè nisun studiu hà paragunatu l'accuratezza di mudelli DM cù i metudi statistichi tradiziunali chì utilizanu a listessa tecnica di registrà i denti in a stessa fascia di età cum'è in stu studiu.Galibourg et al24 ont comparé MAE et RMSE entre deux méthodes traditionnelles (méthode Demirjian25 et méthode Willems29) et 10 modèles DM dans une population française de 2 à 24 ans.Anu infurmatu chì tutti i mudelli DM eranu più precisi di i metudi tradiziunali, cù differenzi di 0,20 è 0,38 anni in MAE è 0,25 è 0,47 anni in RMSE cumparatu cù i metudi Willems è Demirdjian, rispettivamente.A discrepanza trà u mudellu SD è i metudi tradiziunali dimustrati in u studiu Halibourg piglia in contu numerosi raporti30,31,32,33 chì u metudu Demirdjian ùn hè micca stimatu accurately età dentale in pupulazioni altru chè i Canadiani francesi nantu à quale u studiu hè basatu.in stu studiu.Tai et al 34 anu utilizatu l'algoritmu MLP per predichendu l'età di i denti da 1636 ritratti ortodontici chinesi è paragunò a so precisione cù i risultati di u metudu Demirjian è Willems.Anu infurmatu chì MLP hà una precisione più altu ch'è i metudi tradiziunali.A diferenza trà u metudu Demirdjian è u metudu tradiziunale hè <0,32 anni, è u metu Willems hè 0,28 anni, chì hè simili à i risultati di u presente studiu.I risultati di sti studii precedenti24,34 sò ancu coherenti cù i risultati di u presente studiu, è a precisione di stima di l'età di u mudellu DM è u metudu tradiziunale sò simili.In ogni casu, basatu annantu à i risultati presentati, pudemu cuncludi solu cun prudenza chì l'usu di mudelli DM per stimà l'età pò rimpiazzà i metudi esistenti per a mancanza di studii precedenti comparativi è di riferimentu.Studi di seguitu chì utilizanu campioni più grande sò necessarii per cunfirmà i risultati ottenuti in stu studiu.
Trà i studii chì testanu l'accuratezza di SD in l'estimazione di l'età dentale, alcuni anu dimustratu una precisione più altu ch'è u nostru studiu.Stepanovsky et al 35 anu applicatu 22 mudelli SD à radiografia panoramica di 976 residenti cechi di età da 2,7 à 20,5 anni è pruvatu a precisione di ogni mudellu.Hanu valutatu u sviluppu di un totale di 16 denti permanenti di u sopra è inferjuri a manca cù i criterii di classificazione pruposti da Moorrees et al 36 .U MAE varieghja da 0,64 à 0,94 anni è a RMSE varieghja da 0,85 à 1,27 anni, chì sò più precisi cà i dui mudelli DM utilizati in stu studiu.Shen et al23 anu utilizatu u metudu Cameriere per stimà l'età dentale di sette denti permanenti in a mandibula sinistra in i residenti cinesi orientali da 5 à 13 anni è l'hanu paragunatu cù l'età stimata cù a regressione lineare, SVM è RF.Anu dimustratu chì tutti i trè mudelli DM anu una precisione più altu paragunatu à a formula tradiziunale di Cameriere.U MAE è RMSE in u studiu di Shen eranu più bassi di quelli in u mudellu DM in stu studiu.A precisione aumentata di i studii da Stepanovsky et al.35 è Shen et al.23 pò esse dovutu à l'inclusione di sughjetti più ghjovani in i so campioni di studiu.Perchè l'estimi d'età per i participanti cù i denti in sviluppu diventanu più precisi cum'è u numeru di denti aumenta durante u sviluppu dentale, l'accuratezza di u metudu di stima di l'età risultatu pò esse cumprumessi quandu i participanti di studiu sò più ghjovani.Inoltre, l'errore di MLP in l'estimazione di l'età hè ligeramente più chjuca di SLP, chì significa chì MLP hè più precisu di SLP.MLP hè cunsideratu un pocu megliu per l'estimazione di l'età, possibbilmente per via di i strati nascosti in MLP38.Tuttavia, ci hè una eccezzioni per a mostra esterna di e donne (SLP 1.45, MLP 1.49).A scuperta chì u MLP hè più precisu di u SLP in a valutazione di l'età richiede studii retrospettivi supplementari.
U rendiment di classificazione di u mudellu DM è u metudu tradiziunale à un limitu di 18 anni hè statu ancu paragunatu.Tutti i mudelli SD testati è i metudi tradiziunali nantu à u set di teste internu dimustranu livelli praticamenti accettabili di discriminazione per a mostra di 18 anni.A sensibilità per l'omi è e donne era più grande di 87.7% è 94.9%, rispettivamente, è a specificità era più grande di 89.3% è 84.7%.L'AUROC di tutti i mudelli testati supera ancu 0.925.À u megliu di a nostra cunniscenza, nisun studiu hà pruvatu a prestazione di u mudellu DM per a classificazione di 18 anni basata nantu à a maturità dentale.Pudemu paragunà i risultati di stu studiu cù a prestazione di classificazione di mudelli di apprendimentu prufondu nantu à radiografia panoramica.Guo et al.15 hà calculatu a prestazione di classificazione di un mudellu d'apprendimentu prufondu basatu in CNN è un metudu manuale basatu nantu à u metudu di Demirjian per una certa soglia di età.A sensibilità è a specificità di u metudu manuali eranu 87.7% è 95.5%, rispettivamente, è a sensibilità è a specificità di u mudellu CNN superavanu 89.2% è 86.6%, rispettivamente.Anu cunclusu chì i mudelli di apprendimentu profondu ponu rimpiazzà o superà a valutazione manuale in a classificazione di i soglia di età.I risultati di stu studiu dimustranu prestazioni di classificazione simili;Hè cresce chì a classificazione cù mudelli DM pò rimpiazzà i metudi statistichi tradiziunali per l'estimazione di l'età.Trà i mudelli, DM LR era u megliu mudellu in quantu à a sensibilità per a mostra maschile è a sensibilità è a specificità per a mostra femminile.LR hè u sicondu in specificità per l'omi.Inoltre, LR hè cunsideratu cum'è unu di i mudelli DM35 più user-friendly è hè menu cumplessu è difficiule di processà.Basatu annantu à questi risultati, LR hè statu cunsideratu u megliu mudellu di classificazione cutoff per i 18 anni in a populazione coreana.
In generale, l'accuratezza di l'estimazione di l'età o u rendiment di classificazione nantu à u set di teste esternu era povera o più bassa paragunata à i risultati nantu à u set di teste internu.Certi rapporti indicanu chì l'accuratezza o l'efficienza di classificazione diminuite quandu l'estimazioni di l'età basate nantu à a pupulazione coreana sò applicate à a pupulazione giapponese5,39, è un mudellu simili hè statu trovu in u presente studiu.Questa tendenza di deteriorazione hè stata osservata ancu in u mudellu DM.Per quessa, per stimare accuratamente l'età, ancu quandu si usa DM in u prucessu di analisi, i metudi derivati da e dati di a pupulazione nativa, cum'è i metudi tradiziunali, deve esse preferitu5,39,40,41,42.Siccomu ùn hè micca chjaru se i mudelli di apprendimentu prufondu ponu mostrà tendenzi simili, studii chì comparanu l'accuratezza è l'efficienza di classificazione utilizendu metudi tradiziunali, mudelli DM è mudelli di apprendimentu profondu nantu à i stessi campioni sò necessarii per cunfirmà se l'intelligenza artificiale pò superà queste disparità razziali in età limitata.valutazioni.
Dimustramu chì i metudi tradiziunali ponu esse rimpiazzati da l'estimazione di l'età basatu annantu à u mudellu DM in a pratica di stima di età forensica in Corea.Avemu scupertu ancu a pussibilità di implementà l'apprendimentu automaticu per a valutazione di l'età forensica.Tuttavia, ci sò limitazioni chjaru, cum'è u numeru insufficiente di participanti in stu studiu per definisce definitivamente i risultati, è a mancanza di studii previ per paragunà è cunfirmà i risultati di stu studiu.In u futuru, i studii di DM anu da esse realizatu cù un numeru più grande di campioni è pupulazioni più diverse per migliurà a so applicabilità pratica cumparata cù i metudi tradiziunali.Per cunvalidà a fattibilità di l'usu di l'intelligenza artificiale per stima l'età in parechje populazioni, i studii futuri sò necessarii per paragunà a precisione di classificazione è l'efficienza di DM è mudelli di apprendimentu profondu cù metudi tradiziunali in i stessi campioni.
U studiu hà utilizatu 2.657 ritratti ortugrafichi raccolti da adulti coreani è giapponesi di 15 à 23 anni.I radiografii coreani sò stati divisi in 900 setti di furmazione (19.42 ± 2.65 anni) è 900 setti di teste internu (19.52 ± 2.59 anni).U gruppu di furmazione hè stata cullata in una istituzione (Seoul St. Mary's Hospital), è u propiu test set hè stata cullata in dui istituzioni (Seoul National University Dental Hospital è Yonsei University Dental Hospital).Avemu ancu cullucatu 857 radiografii da altre dati basati nantu à a pupulazione (Università Medica Iwate, Giappone) per teste esterne.Radiografia di i sughjetti giapponesi (19,31 ± 2,60 anni) sò stati scelti cum'è u set di teste esternu.I dati sò stati raccolti retrospettivamente per analizà e tappe di u sviluppu dentale nantu à radiografia panoramica pigliata durante u trattamentu dentale.Tutte e dati raccolti eranu anonimi eccettu u sessu, a data di nascita è a data di radiografia.I criterii di l'inclusione è l'esclusione eranu listessi di studii publicati prima 4, 5.L'età attuale di a mostra hè stata calculata sottraendu a data di nascita da a data chì a radiografia hè stata presa.U gruppu di mostra hè statu divisu in nove gruppi di età.L'età è a distribuzione di u sessu sò mostrati in a Tabella 3 Stu studiu hè statu realizatu in cunfurmità cù a Dichjarazione di Helsinki è appruvata da u Cunsigliu di Revisione Istituziunale (IRB) di l'Hospital di Seoul Santa Maria di l'Università Cattolica di Corea (KC22WISI0328).A causa di u disignu retrospettivu di stu studiu, l'accunsentu infurmatu ùn pò micca esse ottenutu da tutti i pazienti sottumessi à l'esame radiugraficu per scopi terapeutichi.Seoul Korea University St. Mary's Hospital (IRB) hà rinunciatu à u requisitu di accunsentu infurmatu.
I stadi di sviluppu di i secondi è i terzi molari bimaxillari sò stati valutati secondu i criteri Demircan25.Solu un dente hè statu sceltu se u listessu tipu di dente hè stata truvata nantu à i lati manca è drittu di ogni mascella.Sì i denti omologu in i dui lati eranu in diverse tappe di sviluppu, u dente cù u stadiu di u sviluppu più bassu hè statu sceltu per cuntà l'incertezza in l'età stimata.Centu radiografii selezziunati aleatoriamente da u gruppu di furmazione sò stati puntuati da dui osservatori sperimentati per pruvà l'affidabilità interobserver dopu a precalibrazione per determinà u stadiu di maturità dentale.A fiducia intraosservatore hè stata valutata duie volte à intervalli di trè mesi da l'osservatore primariu.
U sessu è u stadiu di u sviluppu di u sicondu è u terzu molari di ogni mandibula in u settore di furmazione sò stati stimati da un observatore primariu furmatu cù diversi mudelli DM, è l'età attuale hè stata stabilita cum'è u valore di destinazione.I mudelli SLP è MLP, chì sò largamente usati in l'apprendimentu automaticu, sò stati pruvati contru l'algoritmi di regressione.U mudellu DM combina e funzioni lineari cù e fasi di sviluppu di i quattru denti è combina sti dati per stima età.SLP hè a rete neurale più simplice è ùn cuntene strati nascosti.SLP travaglia basatu nantu à a so trasmissione trà i nodi.U mudellu SLP in regressione hè matematicamente simili à a regressione lineale multipla.A cuntrariu di u mudellu SLP, u mudellu MLP hà parechje strati nascosti cù funzioni di attivazione non lineari.I nostri esperimenti anu utilizatu una strata oculta cù solu 20 nodi nascosti cù funzioni di attivazione non lineari.Aduprà a discesa di gradiente cum'è u metudu di ottimisazione è MAE è RMSE cum'è a funzione di perdita per furmà u nostru mudellu d'apprendimentu di macchina.U mudellu di regressione megliu ottenutu hè stata appiicata à i setti di teste internu è esternu è l'età di i denti hè stata stimata.
Un algoritmu di classificazione hè statu sviluppatu chì usa a maturità di quattru denti nantu à u settore di furmazione per predichendu s'ellu una mostra hè 18 anni o micca.Per custruisce u mudellu, avemu derivatu sette algoritmi di rapprisintazioni di machine learning6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, è (7) MLP. .LR hè unu di l'algoritmi di classificazione più utilizati44.Hè un algoritmu d'apprendimentu supervisatu chì usa a regressione per predichendu a probabilità di dati chì appartenenu à una certa categuria da 0 à 1 è classifica i dati cum'è appartenenti à una categuria più prubabile basatu annantu à sta probabilità;principarmenti usatu per a classificazione binaria.KNN hè unu di l'algoritmi di apprendimentu automaticu più simplice45.Quandu hè datu novi dati di input, trova k data vicinu à u settore esistente è poi li classifica in a classa cù a più alta frequenza.Pudemu 3 per u numeru di vicini cunsiderati (k).SVM hè un algoritmu chì maximizeghja a distanza trà duie classi utilizendu una funzione di kernel per espansione u spaziu lineale in un spaziu non lineale chjamatu fields46.Per stu mudellu, usemu bias = 1, putenza = 1, è gamma = 1 cum'è iperparametri per u kernel polinomiale.DT hè stata appiicata in diversi campi cum'è un algoritmu per dividisce un inseme di dati sanu in parechji sottogruppi rapprisentanu e regule di decisione in una struttura d'arburu47.U mudellu hè cunfiguratu cù un numeru minimu di registri per node di 2 è usa l'indici Gini cum'è una misura di qualità.RF hè un metudu d'inseme chì combina parechje DT per migliurà a prestazione utilizendu un metudu di aggregazione di bootstrap chì genera un classificatore debule per ogni campione trascendu campioni aleatoriu di a stessa dimensione parechje volte da u dataset originale48.Avemu utilizatu 100 arburi, 10 prufundità di l'arburu, 1 dimensione minima di node, è l'indice di additivu Gini cum'è criteri di separazione di nodi.A classificazione di novi dati hè determinata da un votu di a majuranza.XGBoost hè un algoritmu chì combina tecniche di rinfurzà cù un metudu chì piglia cum'è dati di furmazione l'errore trà i valori attuali è previsti di u mudellu precedente è aumenta l'errore cù gradienti49.Hè un algoritmu largamente utilizatu per via di u so bonu rendimentu è di l'efficienza di e risorse, è ancu di una alta affidabilità cum'è una funzione di currezzione overfitting.U mudellu hè furnutu cù roti di supportu 400.MLP hè una rete neurale in quale unu o più perceptroni formanu più strati cù unu o più strati nascosti trà i strati di input è output38.Utilizendu questu, pudete fà una classificazione non lineale induve quandu aghjunghje una capa di input è uttene un valore di u risultatu, u valore di u risultatu previstu hè paragunatu à u valore di u risultatu attuale è l'errore hè propagatu.Avemu criatu una capa nascosta cù 20 neuroni nascosti in ogni capa.Ogni mudellu chì avemu sviluppatu hè statu appiicatu à setti interni è esterni per pruvà u rendiment di classificazione calculendu sensibilità, specificità, PPV, NPV è AUROC.A sensibilità hè definita cum'è u rapportu di una mostra stimata à esse 18 anni di età o più vechja à una mostra stimata à esse 18 anni di età o più vechja.A specificità hè a proporzione di campioni sottu à 18 anni di età è quelli stimati à esse sottu à 18 anni.
I tappe dentali valutati in u settore di furmazione sò stati cunvertiti in tappe numeriche per l'analisi statistiche.A regressione lineare è logistica multivariata hè stata realizata per sviluppà mudelli predittivi per ogni sessu è derivà formule di regressione chì ponu esse aduprate per stimà l'età.Avemu usatu sti formule per stimà l'età di i denti per i setti di teste interni è esterni.A Tabella 4 mostra i mudelli di regressione è classificazione utilizati in stu studiu.
L'affidabilità intra- è interosservatore hè stata calculata utilizendu a statistica kappa di Cohen.Per pruvà l'accuratezza di i mudelli DM è di regressione tradiziunale, avemu calculatu MAE è RMSE utilizendu l'età stimata è attuale di e teste interne è esterne.Questi errori sò comunmente usati per evaluà a precisione di e predizioni di mudelli.U più chjucu hè l'errore, u più altu hè a precisione di a previsione24.Comparare l'MAE è l'RMSE di e teste interne è esterne calculate cù DM è a regressione tradiziunale.A prestazione di classificazione di u cutoff di 18 anni in statistiche tradiziunali hè stata valutata cù una tabella di contingenza 2 × 2.A sensibilità calculata, a specificità, PPV, NPV è AUROC di u set di teste sò stati paragunati cù i valori misurati di u mudellu di classificazione DM.I dati sò espressi cum'è media ± deviazione standard o numeru (%) secondu e caratteristiche di e dati.I valori P bifacciali <0,05 sò stati cunsiderati statisticamente significativi.Tutte l'analisi statistiche di rutina sò state realizate cù a versione SAS 9.4 (SAS Institute, Cary, NC).U mudellu di regressione DM hè statu implementatu in Python cù Keras50 2.2.4 backend è Tensorflow51 1.8.0 specificamente per operazioni matematiche.U mudellu di classificazione DM hè statu implementatu in l'Ambiente d'Analisi di a Cunniscenza di Waikato è a piattaforma d'analisi Konstanz Information Miner (KNIME) 4.6.152.
L'autori ricunnosce chì e dati chì sustenenu e cunclusioni di u studiu ponu esse truvati in l'articulu è i materiali supplementari.I datasets generati è / o analizati durante u studiu sò dispunibuli da l'autore currispundenti nantu à una dumanda ragionevule.
Ritz-Timme, S. et al.Valutazione di età: u statu di l'arti per risponde à i requisiti specifichi di a pratica forensica.l'internazionalità.J. Medicina legale.113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., è Olze, A. Statu attuale di a valutazione d'età forensica di i sughjetti viventi per scopi di persecuzione criminali.Forensica.midicina.Patulugia.1, 239-246 (2005).
Pan, J. et al.Un metudu mudificatu per valutà l'età dentale di i zitelli da 5 à 16 anni in Cina orientale.clinicu.Sondage orale.25, 3463–3474 (2021).
Lee, SS, etc.. Cronologia di u sviluppu di a seconda è terza molari in Coreani è a so applicazione per a valutazione di l'età forensica.l'internazionalità.J. Medicina legale.124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY è Lee, SS Accuratezza di l'estimazione di l'età è l'estimazione di u limitu di 18 anni basatu nantu à a maturità di u sicondu è u terzu molar in coreani è giapponese.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.L'analisi di dati basata nantu à l'apprendimentu automaticu preoperativu pò predice u risultatu di u trattamentu di a chirurgia di u sonnu in i pazienti cù OSA.a scienza.Rapportu 11, 14911 (2021).
Han, M. et al.Stima di età precisa da l'apprendimentu di machine cù o senza intervenzione umana?l'internazionalità.J. Medicina legale.136, 821–831 (2022).
Khan, S. è Shaheen, M. From Data Mining à Data Mining.J.Infurmazioni.a scienza.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. è Shaheen, M. WisRule: U Primu Algoritmu Cognitivu per l'Associu Rule Mining.J.Infurmazioni.a scienza.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. è Abdullah U. Karm: Data mining tradiziunale basatu nantu à e regule di associu basatu in u cuntestu.calculate.Matt.cuntinuà.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. è Habib M. Deep learning basatu semantic similarity detecting using text data.informà.tecnulugia.cuntrollu.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., è Shahin, M. Un sistema per ricunnosce l'attività in i video sportivi.multimedia.Strumenti Applicazioni https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Machine Learning Challenge in Pediatric Bone Age.Radiologia 290, 498-503 (2019).
Li, Y. et al.Stima di l'età forensica da i raghji X pelvichi utilizendu l'apprendimentu prufondu.EURO.radiazzioni.29, 2322–2329 (2019).
Guo, YC, et al.Classificazione precisa d'età utilizendu metudi manuali è reti neurali cunvoluzionali profonde da l'imaghjini di proiezione ortografica.l'internazionalità.J. Medicina legale.135, 1589–1597 (2021).
Alabama Dalora et al.Stima di l'età di l'osse utilizendu diversi metudi di apprendimentu di macchina: una revisione sistematica di a literatura è meta-analisi.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., è Yang, J. Stima di l'età specifica di a pupulazione di l'Africani Americani è i Cinesi basatu nantu à i volumi di a camera pulp di primi molari chì utilizanu tomografia computerizzata cune-beam.l'internazionalità.J. Medicina legale.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK è Oh KS Determinazione di gruppi d'età di persone viventi cù l'imaghjini basati in intelligenza artificiale di primi molari.a scienza.Rapportu 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., è Urschler, M. Estimazione automatica di l'età è a classificazione di l'età di a maiò parte di i dati MRI multivariate.IEEE J. Biomed.Avvisi di Salute.23, 1392-1403 (2019).
Cheng, Q., Ge, Z., Du, H. è Li, G. Stima di l'età basata nantu à a segmentazione di a camera pulpa 3D di i primi molari da a tomografia computerizzata di u fasciu di cune integrendu l'apprendimentu prufondu è l'insiemi di livellu.l'internazionalità.J. Medicina legale.135, 365–373 (2021).
Wu, WT, et al.Data mining in big data clinica: basa di dati cumuni, passi, è mudelli di metudi.Munnu.midicina.risorsa.8, 44 (2021).
Yang, J. et al.Introduzione à e basa di dati medichi è tecnulugii di data mining in l'era di Big Data.J. Avid.Medicina basica.13, 57-69 (2020).
Shen, S. et al.U metudu di Camerer per a stima di l'età di i denti utilizendu l'apprendimentu machine.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Comparazione di diversi metudi d'apprendimentu di macchina per predichendu l'età dentale utilizendu u metudu di staging Demirdjian.l'internazionalità.J. Medicina legale.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. è Tanner, JM Un novu sistema per a valutazione di l'età dentale.sbuffare.biologia.45, 211-227 (1973).
Landis, JR, è Koch, GG Misure di l'accordu di l'osservatore nantu à i dati categurichi.Biometria 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK è Choi HK.Analisi strutturale, morfologica è statistica di l'imaghjini di risonanza magnetica bidimensionale utilizendu tecniche di intelligenza artificiale per a differenziazione di i tumori cerebrali primari.L'infurmazione di salute.risorsa.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Tempu di Postu: Jan-04-2024