Grazie per avè visitatu a Nature.com. A versione di u navigatore chì site aduprate hà supportu CSS Limitatu. Per i migliori risultati, ricumandemu di aduprà una versione più recente di u vostru navigatore (o disattivendu u modalità di cumpatibilità in Internet Explorer). Intantu, per assicurà un sustegnu in corso, mostremu u situ senza styling o javascript.
I denti sò cunsiderate l'indicatore più precisu di l'età di u corpu umanu è sò spessu usati in valutazione di età forensica. Avemu destinatu à cunvalidà e stimi di l'età minera basata à u minatu per a precisione di l'estimazione di l'estimazione di u limitu di u 18 anni cù i metudi tradiziunali è i dati di l'età di età. Un totale di 2657 radiografie panoramichi sò stati recullati da i citadini coreani è giapponesi età di 15 à 23 anni. Eranu divisi in un set di furmazione, ognunu chì cuntene 900 radiografii di u Coreanu, è un test internu chì cuntene 857 radiografi giapponesi. Infermemu l'accuratezza di a classificazione è l'efficienza di i metudi tradiziunali cù i set di teste di i mudelli di minera di dati. L'accuratura di u metudu tradiziunale hè ligeramente più altu di quellu di u mudellu di minariu di dati, è a differenza hè chjuca (errore assoluta <0.21 anni, root significativu quadru di quadru <0,24 anni). A cumpensazione di classificazione per u cutoff di 18 anni hè ancu solu trà i metudi tradiziunali è mudelli di minatura di i dati. Cusì, i metudi tradiziunali ponu esse rimpiazzati da i mudelli di dati di dati quandu si realizanu a valutazione di l'età forensica utilizendu a maturità di a seconda è terza molars in adulescenti coreani è ghjovani.
L'estimazione di l'età dentale hè largamente usata in a medicina forensica è di a dentista pediatrica. In particulare, per via di a correlurazione alta trà sviluppu chronologica è sviluppu, l'età di età per e stazioni di sviluppu dentali hè un criteriu di sviluppu dentale hè un criteriu di sviluppu dentale per di valutà di i zitelli è adolescenti1,2,3. Tuttavia, per i ghjovani, stimendu l'anni diminuitu in a matiranità dentale in a matiranità dentale ha e so limitazione perchè una crescita dentale hè quasi cumpletu, cù l'eccezione di i terzi Molars. U scopu ghjuridicu di determinà a età di i ghjovani e adulescenti hè di furnisce l'estimi precedenti è e evidenza scientifica di Ch'è chì anu ghjunghje à l'età di a maiurità. In a pratica medico-legale di l'adulti in Corea, l'età hè stata stimata u metudu di Lee, è un limitu di 18 anni hè statu previstu da e dati riportati da Oh è Al 5.
L'apprendimentu di a macchina hè un tipu d'intelligenza artificiale (ai ripetutamente chì l'apprezzà e grande quantità di dati di dati, risolve i prublemi, è conduce a so programazione di dati. L'apprendimentu di a macchina pò scopre i modelli ammucciati utili in grandi volumi di dati6. In cuntrastu, i metudi classici, chì sò chì sò limone-cuncessionarii, ponu avè limitazioni quandu l'offerta cù grandi volumi di dati cumplessi chì sò difficiuli di prucessà manualmente7. Dunque, tanti studi sò stati realizati recenti utilizendu l'ultime tecnulugie di l'urdinatore per minimizzà l'errore umani è u prucessu di effetti efficativamente effettie di prucessu multidimensivu In particulare, apprendimentu profundatu hè stata largamente usata in analisi medica, è diversi metudi di l'età di automobile per migliurà u radiegi di l'analisi automatica automobiletica3 . Per esempiu, halabi et il sviluppatu una macchina d'apprendimentu am deido bas basatu nantu à netsal n nical Convolulial usati à stima scogliera l'età di u bambine. Stu studiu prupone un mudellu chì applica a macchina à l'imàgine è mostra chì sti metudi ponu migliurà a precisione di diagnostica. Li et Al14 stimatu di l'imàgini X-Ray X aduprendu una profonda apprendimentu CNN è li paragunate cù i risultati di rigressioni utilizendu ossifica stima di scena. Hanu trovu chì u mudellu CNN di apprendimentu prufondu hà dimustratu a stessa stessa di stessa di stima cum'è u mudellu tradiziunale di rigressione. Guo et si Studia di l'Al. 15] Evaluatu u rendimentu di classificazione di toleru in cnn basatu nantu à asofotos di CNN Basata nantu à l'ontofotos dentali, è i risultati di u rapportu di classificazione di età.
A maiò parte di i studii di l'età chì utilizanu l'apprendimentu di a macchina aduprendu Metodi di Amparinariu Profonda13,19,1,17,17,18,19.19.18.19.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20.20. L'estimazione di l'età basata nantu à l'apprendimentu prufondu hè informatu per esse più precisu cà i metudi tradiziunali. Eppuru, questu approcciu vienta pocu oppostula di prisentà a basa scientifica per l'stimi stimi, cum'è l'indicatori in età usata in l'estate. Ci hè ancu una disputa legale per quale conduce l'inspezioni. Dunque, l'estimazione di l'età basata nantu à l'amparera prufonda hè difficiule per accettà l'autorità amministrative è ghjudiziali. Mining minatura hè una tecnica chì ponu scopre micca solu ma ancu informazioni s'avè un metudu per scopre correlazione utili trà datagliu di dati è2,22. L'apprendimentu machine hè spessu usatu in mining di dati, è tramindui di dati di dati è l'apprendre di a macchina utilizanu e stesse algoritmi chjave per scopre mudelli in dati. Stimazioni di l'età di l'usu di u sviluppu dentale in a valutazione di l'Esempiu di e mamure denti di destinazione, è questa valutazione hè spressa cum'è tappa per ogni denti di destinazione. DM pò esse usatu per analizà a correlazione trà a tappa di valutazione dentale è l'età reale è hà u putenziale per rimpiazzà l'analisi statistiche tradiziunale. Dunque, se applicemu tecniche dm per l'stima di età, pudemu implementà l'apprendimentu di a macchina in stessa di l'età forensica senza preoccupa di a responsabilità legale. Parechji studii cumparativi sò stati publicati à e pussibuli alternative à i metudi manuali tradiziunali utilizati in pratiche forensiche è metudi basati in a determinazione. Shen et Al23 hà dimustratu chì u mudellu DM hè più precisu chì a formula tradiziunale di u tradiziunale. Galibourg et Al24 applicati diversi metudi DM per predicà l'età secondu i criteri Demirdjianu25 è i risultati apparìanu chì u metudu di dimissioni è i metudi demirjiani in stima di l'anni di a pupulazione.
Per stimà l'età dentale di l'adulescenti coreani è i ghjovani adulti, u metudu di Lee 4 hè largamente usatu in a pratica forensica di u coreanu. Stu metudu usa analisi statìstica tradiziunale (cum'è parechji regressione tradiziunale) per esaminà a relazione trà s sugetti coreani è d'età cronologica. In stu studiu, i metudi di stima ottenute u metudi statistichi tradiziunali sò definiti "" Metodi tradiziunale ". U metudu di Lee hè un metudu tradiziunale, è a so precisione hè stata cunfermata da Oh et Al. 5; Tuttavia, l'applicazione di stima di l'età basata nantu à u mudellu DM in a pratica forensica Coreana hè sempre questionable. U nostru scopu era di cunvalidà scientificamente a potenziale utilità di l'estimazione di l'età basata nantu à u mudellu DM. U scopu di stu studiu hè statu (1) per paragunà l'accuratezza di i dui mudelli DM è (2) per paragunà a rendiment di u classicu di 7 anni cù i metudi statistichi tradiziunali è terza molars in i dui mandibuli.
Mezi è deviazioni standard di l'età cronologica di u tappa di a tappa è di u dente di a tavola S1 (test di furmazione), u test supplementu I valori di Kappa per l'affidabilità intra- è interbobserver ottenuta da u set di furmazione eranu 0,951 è 0,947, rispettivamente. P I valori è 95% intervalli di cunfidenza per i valori di KAPA sò mostrati in a tavola supplementaria in linea S4. U valore KAPA hè statu interpretatu cum'è "quasi perfettu", coherente cù i criteri di Landis è Koch26.
Quandu si compara l'errore assolutu significa un metudu assolutu, u metudu tradiziunale per tutti i mudelli di u " A sfarenza trà u mudellu tradiziunale è u mudellu di u dm nantu à u set di prova di u Mae Interna hè stata 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 (0.001-005 anni per l'omi è 0.05-0.09 anni per e donne). Inoltre, l'errore quadratu di a radica (RMSE) hè pocu più bassa di u metudu tradiziunale, cù differenzi tradiziunali, cù e 0,17-0.2.2 per a tolta maschile è 0.04-0.08 ). MLP mostra un rendimentu ligeramente megliu cà a capa sola (slp), eccettu in u casu di a fina peta di teste esterna. Per Mae è RMSE, u test esternu stabilitu puntua più altu ch'è u test internu per tutti i generi è i mudelli. Tuttu Mae è RMSE sò mustrati in a Tabella 1 è a Figura 1.
Mae è RMSE di i mudelli di regressioni tradiziunali è di dati. MANU MANU ASUCUITU MOUTE STITU STITU STINzza RMSE, Layer unicu Perptron Perpter PLEP, Moltuayer Perpter Mlp, u metudu tradiziunale cm.
Rendimentu di classificazione (cù un cutoff di 18 anni) di i mudelli tradiziunali è DM è DM sò stati dimustratu in quantu à u valore predictive (PPV), è zona sottu à a requistione opertoru) 27 (Tabella 2, Figura 2 è Figura Supplementaria 1 in linea). In termini di a sensibilità di a bateria interna di prova, metudi tradiziunali anu rializatu u megliu trà l'omi è à u peghju trà e donne. Eppuru, a diffarenza in u rendimentu 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, regressione logistica (LR) mostrava a sensibilità megliu in i dui sessi. In quantu à a specificità di u test internu, hè osservatu chì i quattru mudelli Sd anu rializatu bè in Meli, mentre u mudellu tradiziunale rializatu megliu in e femine. E sferenze in u rendimentu di a cumplecente per i masci è a femine (mlp) è 13,1% (POSSIBILE, indicendu chì a differenza di classificazione. Trà i mudelli DM, l'arburu di u sustegnu (SVM), l'arburu di decisione (DT), è a furesta casuale (RF) hà rializatu u megliu trà i masci trà i masci trà e femine. L'aucuzione di u mudellu tradiziunale è tutti i mudelli SD era più grande di 0,925 (vicinu K-iaresti (grann) in l'omi), dimustrendu spettaculu di classificazione eccellente in discriminà semplei di classificazione di 18-annii Per u set di prova esternu, ci era una dimordenza di u rendimentu in cumpensamentu di a sensibilità, specifica è auroc cumparita in u difettu di a test interna. Inoltre, a differenza in a sensibilità è a specificità trà u rendimentu di u classicu di i mudelli più boni è peggiati da u 10% à u 25% è era più grande di a differenza di prova interna.
Sensibilità è Specialità di i Modelli di Classificazione di Mining di dati in paragunà à i metudi tradiziunali cù un cutoff di 18 anni. KNN K Vectura più vicinu, SVM supportu vettoriatu, regressione di a decisione DT, DT DectionNU,
U primu passu in stu studiu era di paragunà l'accuratura di l'estate di età dentale hà ottenutu da sette mudelli di dm cù quelli ottenuti a regressione tradiziunale. Mae è RMSE eranu evaluati in setts interni per i sessi di i sessi, è a diferenza trà u metudu di u "mudellu varianu da 44 à 77 ghjorni per Mae è da u 88 ghjorni per RMSE. Eppuru, u metudu tradiziunale era chjaramente più precisu à stu studiu, hè difficiule per cuncludenza sia una tanta sfarenza hà stata significativa clinica o pratica. Questi risultati indinanu chì a precacy di l'stima di età dentale cun u mudellu DM hè guasi u listessu cum'è quellu di u metudu tradiziunale. Paragone direttu cù i risultati di studi precedenti hè difficiule perchè ùn hè micca paragunatu perchè ùn hè micca necessariu alcuna studiu è metudi statichi tradiziunali usendu a listessa tecnica Galibourg et Al24 Cunfraratu Mae è RMse Trà dui metudi tradiziunali (Metudi di Metudu Totale25 e demirici Mindicani 65) è 10 Modelli francesi In Una Populazione Francese à una populazione francese à volta 2 à 24 anni. Anu dichjaratu chì i mudelli DM eranu più precisi cà i metudi tradiziunali di i metudi tradiziunali, di e differenze di 0.20 è 025 anni è 0,25 è u metudi è i metudi di Webirdjiani, rispittamente i metetti di wiamsjiani, rispettamentu. A discrepanità trà u metudu Sd è i metudi tradiziunali anu attivatu numerosi raporti30,31,32.3 chì l'ughjettu desitali in e so cumpetenu u studio. in stu studiu. Tai et al 34 utilizatu l'algoritmu MLP da i denti di u 1636 ritratti ortodontici chinois è paragunate a so precisione cù i risultati di u metudu demirjian è di a vulintà. Anu dichjaratu chì MLP hà una precisione più alta cà i metudi tradiziunali. A sfarenza trà u metudu nimirjianu è u metudu tradiziunale hè <0,32 anni, è u metudu di Willed hè 0,28 anni, chì simili à i risultati di u studiu di u studiu di u presente studiu. I risultati di sti studii previi24,34 sò ancu cusistenti cù i risultati di u studiu di u presente studiu, è l'accurata di a staghjora è u metudu di u dM hè simili. Eppuru, basatu nantu à i risultati presentati, pudemu cuntà solu chì l'usu di i mudelli di DM per sustenevanu l'età di puderà dà i metudi esistenti è di riferisce studii sparte è di riferimentu. Studi di seguitu chì utilizanu i mostri più grande sò necessarii per cunfirmà i risultati ottenuti in stu studiu.
Trà i studii di prova l'accurate di Sed in l'età dentale, alcuni mostranu accurissente superiore chì u nostru studiu. Stephanovsky et al 35 applicate 22 modelli SD di radiografia panoramica di 976 Residenti ceca aged 2,7 à 20.5 anni è presa l'accurissimu di ogni mudellu. Anu valutatu u sviluppu di un totale di 16 denti permanenti permanenti è inferiori à manca cù i criteri di classificazione pruposta da Moorrees et al 36. U Mae regole da u 20064 à 0,94 anni è cinque intervole da u 0,85 à 1.27 anni, chì sò più precati più persone usati in stu studiu. Shen et Al73 hà utilizatu u metudu di u cameriera per stima l'età dentale di sette denti permanenti in a sinistra sinistra in i residenti di sinistra in età di l'età usanu Mostranu chì tutti i trè mudelli DM anu una grande precisione in paragunà cù a formula tradiziunale camerie. U Mae è RMSE in u studiu di Shen sò stati 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 i sughjetti più chjucu in i so campioni di studiu. Perchè l'estimazioni stimi per i participanti cù i denti in sviluppà i denti più precisi cum'è u numeru di denti, l'accuratura di u metudu di stimazione di u risultatu pò esse composta quandu i participanti di u studiu hè più chjucu. Inoltre, l'errore di MLP in l'estimazione di l'età hè un pocu più chjuca di u slp, significatu chì MLP hè più precisu di u slp. MLP hè cunsideratu ligeramente megliu per l'estimazione d'età, possibbilmente per via di e strati ammucciate in ML58. Tuttavia, ci hè una eccezzioni per a mostra esterna di e donne (SLP 1.45, MLP 1.49). U truvannu chì u MLP hè più precisu chì u slp in l'età di valutazione necessita studii di retrospettivi supplementari.
A riprestazione di classificazione di u mudellu DM è u metudu tradiziunale à un lume di 18 anni hè statu ancu paragunatu. Tutti i mudelli SD testati è i metudi tradiziunali nantu à u set di prova interna mostrò i livelli di discriminazione praticamente accettabili per a mostra di 18 anni. A sensibilità per l'omi è e donne era più di 87,7% è u 94,9%, rispettivamente, è a specificità era più grande di 89,3% è 84,7%. L'auroc di tutti i mudelli testati anu ancu più di 0,925. À u megliu di a nostra cunniscenza, Nisun studiu hà pruvatu u performance di u mudellu DM per l'classificazione di 18-annu secondu a maturità dentale. Pudemu paragunà i risultati di stu studiu cù u rendimentu di classificazione di mudelli di apprendimentu prufondu nantu à i radiografie panoramichi. Guar et Al.15 hà calculatu à u rendimentu di a classificazione di un metudu di apprendimentu profunatu di cnn è un metudu manuale basatu nantu à u metudu di u secondu età. A sensibilità è specificità di u metudu manuale eranu 87,7% è 95,5% è i 97,5%, u mudellu è a sensibilità è e specificità di u Modellu CNN suprava 89,2% è 86,6%. Anu cunclusu chì i mudelli di apprendimentu profundo ponu rimpiazzà o esperformulà a valutazione manuale in classificazione di l'età di età. I risultati di stu studiu mostranu u rendimentu di classificazione simili; Si crede chì a classificazione utilizendu i mudelli DM ponu rimpiazzà i metudi statistichi tradiziunali per l'estimazione di l'età. Trà i mudelli, DM LR era u megliu mudellu in termini di sensibilità per a mostra maschile è a sensibilità è a specifica per a mostra femina. LR riguardu à u sicondu in una specificità per l'omi. Inoltre, Lr hè cunsideratu unu di i mudelli di DM35 più amichevuli è sò menu cumplessi è difficiuli di processà. Basatu nantu à questi risultati, LR era cunsideratu u megliu mudellu di classificazione di u cuttulu per 18 anni in a pupulazione coreana.
In generale, l'accuratezza di a stessa di l'età o u spettaculu di classificazione in u set di prova esternu era poviru o più bassu cumparatu cù i risultati nantu à u test internu. Alcuni rapporti indicanu chì l'efficienza di classificazione diminuisce quandu l'estimazioni di l'età basata nantu à a pupulazione coreana sò appiicata à a pupulazione giapponese5.39, è un mudellu simile hè statu truvatu in u studiu simile. Questa tendenza di deteriorazione hè stata ancu osservata in u mudellu DM. Dunque, a stimina accuratamente l'età di l'eiu quandu aduprate DM in l'errore l'analisi, cum'è metudi derivanu di dati di populazione nativu, devenu esse preferite ?39.40. Dunque ùn hè chjaru si manifesti d'amparazione prufonda pò mostrazione tendenze simili, studii di classificazione in cumparsione, è aghjunghjenu assai intelligenti ponu superà queste una zona limitata. valutazioni.
Demostrate chì i metudi tradiziunali ponu esse rimpiazzati da a stima di l'età basatu nantu à u mudellu DM in a pratica di stima di l'età forensica in a Corea. Avemu scupertu ancu a pussibilità di implementazione di l'apprendimentu di macchina per a valutazione di età forensica. Tuttavia, ci sò e limitazioni chjari, cum'è u numeru sanu di i participanti in stu studiu per definitivamente definitivi i risultati è sfarcendu i risultati di stu studiu di stu studiu di stu studiu. In u futuru, studii DM anu da esse ripigliatu cun numeri più grande di mostri è populazione più diverse per migliurà a so applicabilità pratica. Per validà l'attuabilità d'utilizà l'intelligenza artificiale per stima una propriazioni, i studii futuri sò necessarii per paragunà a precisione di classificazione è efficienza di l'apprendre in i stessi mostri.
U studiu usatu 2,657 ritratti ortografiche recullati da l'adulti coreani è giapponesi età di 15 à 23 anni. I radiografi coreani sò stati divisi in 900 set di furmazione (19,42 ± 2.65 anni) è 900 set di teste interni (19,52 ± 2,59 anni). U set di furmazione hè statu realizatu in una istituzione (Seoul St. Mary's Hospital), uomo U prop propde stabilitu di test hè statu realizatu in duie istituzioni (SULPITERARI) Hospitalituatu à uituatu à l'Università Avemu cullatu ancu 857 radiografii da un altru dati basatu nantu à a populazione (università medica iwate, u Giappone) per a prova esterna. I radiografi di 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 i radiografie panoramichi pigliati durante u trattamentu dentale. Tutte e dati recullate eranu anonimi fora di u sessu, a data di a nascita è a data di radiografia. I criteri di l'inclusione è l'esclusione eranu listesse cum'è studii publicati prima 4, 5. L'età vera di a mostra hè stata calculata da a sottumissione di a data di nascita da a data chì u radiografu hè stata presa. U gruppu di mostra hè statu divisu in i novi gruppi di età. E duie distribuzioni è e distribuzioni di sessu sò dettagliati in a tavula 3 stu studiu hè statu fattu à cunfittu in l'ammoscativa è apprellò da l'Università Cattolica di u Terzu Cattolicu di Corea (KC22Wisi0328). A causa di u disignu di retispettivu di stu studiu, l'accunsentu infurmatu ùn pudia micca esse ottenutu da tutti i pazienti sottumessi à esame radiograficu per scopi di terapeutichi. Seul CAROA Uniumversity University University (IRB) Avvicinatu L'esigenza per l'accunsentimentu informatu.
E tappe di u sviluppu di a seconda è terza molars sò stati valutati secondu Criteriy222. Solu un dente hè statu sceltu se u listessu tipu di dente hè stata trovata à u latu di a manca è di u dirittu di ogni mandibula. Se i denti omogiati nantu à i dui lati eranu in diverse tappe di sviluppu, u dente cù a fase di sviluppu più bassu hè stata scelta per u cuntu per l'incertezza in l'età stima. Centu radiografie selezziunati aleatoriamente da i dui fili di furmazione anu sperimentatu l'osservatori di a prova di l'interbobserver dopu a precalabilità per determinà a tappa di a maturità dentale. L'interabilità intraobserver era valutata duie volte in intervalli di trè mesi per l'observatore primariu.
U stadiu sessu è sviluppatu di a seconda è terza molars di ogni mandieri di ogni mandibula sò stati stimati da un observatore primariu, è l'età attuale hè stata cun u valore di destinazione. Mudelli SLP è MLP, chì sò largamente usati in l'apprendimentu di màquina, sò stati prestati contr'à i algorizi di rigressioni. U Modellu DM si combina e funzioni lineari utilizendu e tappe di sviluppu di i quattru denti è combina queste dati à l'età stima. Slp hè a reta neurale più semplice è ùn cuntene micca strati ammucciati. Fabbi slp basatu nantu à a trasmissione di u limitu trà i nodi. U mudellu SLP in regressione hè matematicamente simile à a regressione lineale multiple. A cuntrariu di u mudellu SLP, u mudellu MLP hà parechje strati ammucciati cù funzioni di attivazione non lineale. I nostri esperimenti utilizonu una capa ammucciata cù solu 20 nodi ammucciati cù funzioni di attivazione non lineare. Aduprate a discendenza di gradiente cum'è u metudu di ottimisazione è Mae è a RMSE cum'è a funzione di a perdita per furmà u nostru mudellu di apprendimentu machine. U megliu uttenutu u mudellu di regressioni ottenuti hè stata appiicata à i seti di prova interna è esterna è l'età di i denti hè statu stimatu.
Un algoritmu di classificazione hè statu sviluppatu chì usa a maturità di quattru denti nantu à u furmazione di a furmazione per predichendu se un mostra hà 18 anni o micca. Di custruisce u mudellu, avemu derivatu sette rapprisentazioni macchine d'amparà algoritmie.43: (1) LR, (3) svf, (4) rf, (6) rf, (6) bDboste, è (7) XGBOOST, . LR hè unu di i più cambiamenti d'algoritms44. Hè un algoritmu d'amparà supervisitu chì utilizeghja a probabilità di e dati appartenenti à una certa categuria da 0 à 1 è classifica i dati cum'è appartenente à una sola probabilità; principarmenti usatu per classificazione binaria. U granu hè unu di i più semplici machine d'amparà l'algoritms45. Quandu hà datu novi dati d'input, trova K dati vicinu à u settore esistente è poi classifica in a classe cù a più alta frequenza. Avemu stabilitu 3 per u numeru di vicini cunsiderati (k). Svm hè un algoritmu chì maximima a distanza trà duie classi avendu usendu un funione di kernelà per esappe à u spaziu lineale chjamà Fields46. Per questu mudellu, avemu aduprà batias = 1, potenza = 1, è gamma = 1 cume iperparamelli per u kernomu di polinomial. DT hè statu applicatu in diversi campi cum'è algoritmu per dividisce una dati entera in parechji subgruppi di rapprisintà e regule di decisione in una struttura di l'arbre47. U mudellu hè cunfiguratu cù un minimu numeru di registri per node di 2 è usa l'indice GINS cum'è una misura di qualità. RF hè un metudu ensemble chì combina parechje dts per migliurà u metudu d'agregazione di Bootstrap chì genera un classicu debule per ogni mostra di a stessa dimensione parechje volte da u dataset originale4. Avemu aduprà 100 arburi, 10 prufundità di l'arbre, 1 dimensione minima di node, è di Gini Admixure Index cum'è criterii di Snoda di Node. A classificazione di i novi dati hè determinatu da un votu di a maiurità. XGBOOST hè un algoritmu chì combina l'impruzione di l'utilizazione aduprendu un metudu chì piglia dati di furmazione chì l'errore è previste l'errore usendu gradienti49. Hè un algoritmu largamente usatu per via di a so bona cumpetizione è e risorse di risorse, è ancu a alta affidabilità cum'è funzione di correzione di u correttu eccessivu. U mudellu hè dotatu di 400 roti di supportu. MLP hè una reta neurale in quale unu o più percepti formanu multiple strati cù una o più capa oculta trà l'input è di a strata38. Usà questu, pudete micca fà classificazione non lineare Induve quandu avete aghjuntu un capa di input è ottene un valore di inpupt, u valore preditu paragunatu à u valore di u risultatu chì hà cunfundatu. Avemu creatu una capa oculta cù 20 neuroni ammucciati in ogni strata. Ogni mudellu furdemuvanu à sette interni internu è esterni per test capecetted rendenzi di calculu, calzendu, a specificità, ppv, npv, NPV, NPPV, NPPV, NPPV, NPPV, NPPV, NPPV, NPPV, NPPV, A sensibilità hè definita cum'è a raporta di una mostra stimata à esse 18 anni o più di una mostra stimata à esse 18 anni o più. A specificità hè a proporzione di mostri di menu di 18 anni è quelli stimati per esse sottu 18 anni.
I tappi dentali valutati in u set di furmazione sò stati cunvertiti in tappe numeriche per l'analisi statistiche. U regressione lineale è logistica multivati è sò stati realizati per sviluppà mudelli previstivi per ogni sessu di rigressioni è derive chì ponu esse usati per stima l'età. Avemu aduprà queste formule per stimà l'età di i denti per i seti di teste internu è esternu. A Tabella 4 mostra i mudelli di regressioni è di classificazione utilizati in stu studiu.
L'affidabilità intra- è l'interbobserver hè stata calculata utilizendu Statistiche di Kappa di Cohen. Per pruvà l'accuratezza di i mudelli di regressioni di u dm è tradiziunali, avemu calculatu Mae è RMSE usendu l'età stimata è attuale di i seti di prova interna è esternu. Questi errori sò cumunimenti utilizati per valutà l'accuratezza di e previsioni di u mudellu. U più chjucu l'errore, u più altu l'accuratezza di a previsione24. Paragunate u Mae è RMSE di i set di teste interni è esterni calculati utilizendu a regressione tradiziunale è tradiziunale. U Rendimentu di a Classificazione di u Cutoff di 18 anni in statistiche tradiziunali hè stata valutata utilizendu una tavola di contingenza 2 × 2. A cumpensività calda, specificità, PPP, NPV, è aUROC di u set di prova sò stati paragunati cù i valori di classificazione di DM. I dati sò spressi cum'è media ± deviazione standard o numeru (%) sicondu e caratteristiche di dati. I valori di dui lati <0,05 sò stati cunsiderati statisticamente significativu. Egelu statìsticu di rutina sò stati fatti di utilizà SAS Versione 9,4 (SAS Istitutu, Cary, NC). U mudellu di rigressione DM hè stata implementata in Python cù Kell50 2.2.4 Backend è Tensorflow51 1 1.8.0 specificamente per l'operazioni matematiche. L'mudellu di classificazione DM hà implementatu in l'ambiente di a cunniscenza di u Waikato è i Miner di Konstanzata (knime) 4. Knime) 4.Chile il piattaforma di analisi.
L'autori ricunnosce chì e dati sustenenu l'cunclusioni di u studiu pò esse truvatu in l'articulu è i materiali supplementari. I datasets generati è / o analizati durante u studiu sò dispunibili da l'autore currispondente nantu à a dumanda raghjone.
Ritz-timme, S. et A. Valutazione di l'età: Statu di l'arti à scuntrà i requisiti specifichi di a pratica forensica. Internationalità. J. medicina legale. 113, 129-136 (2000).
Schumeling, A., Reerzer, W., GESerik, G., è à Olze, A. Statuu attuale di a valutazione di l'età forensica di sugetti di u seretà per i sugetti di u picca privatu. Forensica. midicina. Patologia. 1, 239-246 (2005).
Pan, J. et al. Un metudu mudificatu per valutà l'età dentale di i zitelli di l'età di 5 à 16 anni in a Cina orientale. clinicu. Sondaghju orale. 25, 3463-3474 (2021).
Lee, SS Etc Inclicazione di u sviluppu di u secondu è terzu Molaru in Coreani è a so applicazione per a valutazione di età forensica. Internationalità. J. medicina legale. 124, 659-665 (2010).
Oh, S., Kumagazi, A., Kim, Sy è Lee, Ss Aprucisa è Estima di u Maturità di a Seconda è u Ghjenuri. Plos One 17, E0271247 (2022).
Kim, JY, et al. L'analisi di i dati di dati preferativi basati à a macchina pò predicà u risultatu di trattamentu di u sonnu in i pazienti cù Osa. a scienza. Rappurtate 11, 14911 (2021).
Han, M. et al. L'estimazione di l'età precisa da l'apprendimentu di a macchina cù o senza intervenzione umana? Internationalità. J. medicina legale. 136, 821-831 (2022).
Khan, S. è Shaheen, M. Da i dati mining à a minera di dati. J.informazione. a scienza. https://Dodi.f/10.1177/011655515211030872 (2021).
Khan, S. è Shheen, M. Wisrule: U Primu Algoritma cognitiva per a regula di l'associazione. J.informazione. a scienza. https://Dodi.f/101177/01165551521108695 (2022).
Shaheen M. è Abdullah U. Karm: Caru di dati tradiziunali basati nantu à e regule di l'associu basatu nantu à u cuntestu. calculà. Matt. Cuntinuà. 68, 3305-3322 (2021).
Muhammad m., rehman z., shaheen m., khan m. è habib m. profonda approfuchje semantica semantica semantica semantica rilevazione di similarità usendu dati di testu. informà. tecnulugie. cuntrollu. https://Dodi.org/10,5755/j01.C.49.4.27118 (2020).
Tabish, M., Tanoli, Z., È Shahin, M. sistema per ricunnosce l'attività in i video sportivi. multimedia. Strumenti d'arnesi https://Doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, ss et al. RSNA Machine Apprente di apprendimentu in età Bone Pediatrica. Radiologia 290, 498-503 (2019).
Li, y. et al. Stima di l'età forensica da i raghji X-pelvichi utilizendu l'apprendre prufonda. Euro. radiazione. 29, 2322-2329 (2019).
Guo, yc, et al. Classificazione di l'età precisa aduprendu metudi manuale è rete neuramente convoluzione da e rete neuramente convoluzione da l'imàgine di progetti ortografiche. Internationalità. J. medicina legale. 135, 1589-1597 (2021).
Alabama Dalora et al. Stimazione d'età osse aduprendu i metudi di l'apprendimentu di a macchina: una rivisione di letteratura sistematica è meta-analisi. Plos unu 14, e0220242 (2019).
Du, H., LI, G., Cheng, K. E Yang, Purtile-SPECIALLA ZONA A AFRICA DI AFICCARI MOLLO VOLI DI CHAMBE CONTO U TOMOMAMENTO COMPLECTALE CAPA Internationalità. J. medicina legale. 136, 811-819 (2022).
Kim S., Lee Yh, Noh YK, Park FK è oh ks determinendu gruppi di età di vita chì utilizanu stampi di l'intelligente artificiale di e prime molari. a scienza. Rappurtate 11, 1073 (2021).
Pern, D., Penditore, C., Giuliani, N., Urschler, M. Stesta di età di automatica è classificazione di età di maiurità da dati di multivariate di MRI. IEEE J. biomatu. Alerts di salute. 23, 1392-1403 (2019).
Cheng, Q., ge, ge, z., du, h. è li, g. di chamera di ligame basatu nantu à a firma di a pulizza di u pulizza di u primu mischju Internationalità. J. medicina legale. 135, 365-373 (2021).
Wu, Wt, et al. Mining mining in derie cliniche stampate: basa di dati cumuni, passi, passi mudelli. Mondu. midicina. risorsa. 8, 44 (2021).
Yang, J. et al. Introduzione à e basa di dati medichi è tecnulugia di dati di dati in u grande ERA. J. Avidu. Medicina basica. 13, 57-69 (2020).
Shen, S. et al. U metudu di u trader per stimà l'età di i denti aduprendu l'apprendimentu di a macchina. BMPC Orale Salute 21, 641 (2021).
Galliburg A. et al. Paraguni di sfarenti metudi di apprendimentu di macchina per predicà l'età dentale aduprendu u metudu di stazzatura à dimirisce. Internationalità. J. medicina legale. 135, 665-675 (2021).
Demirdjianu, A., Goldstein, H. è tanner, jm un sistema novu per a valutazione di l'età dentale. snort. biologia. 45, 211-227 (1973).
Landis, Jr, è Koch, Misure GG di l'accordu d'observatore nantu à e dati categuriche. Biometria 33, 159-174 (1977).
Bhattacharjee s, prakash d, kim c, kim hk è choi hk. Analisi texturali è immobiliali è statistichi di a trasonza secca l'imaghjunazione usendu tecniche di intelligenza artificiale per differenziazione di i tumori di u cervellu primariu. Infurmazioni di Salute. risorsa. https://Dodi.org/10,1588/hir.2022.28.1.46 (2022).
Tempu post: Jan-04-2024