Grazie per avè visitatu Nature.com. A versione di u navigatore chì utilizate hà un supportu CSS limitatu. Per i migliori risultati, vi cunsigliemu di utilizà una versione più recente di u vostru navigatore (o di disattivà a modalità di cumpatibilità in Internet Explorer). Intantu, per assicurà un supportu continuu, mostremu u situ senza stile o JavaScript.
I denti sò cunsiderati l'indicatore u più precisu di l'età di u corpu umanu è sò spessu usati in a valutazione forense di l'età. Avemu vulsutu validà e stime di l'età dentale basate nantu à u data mining paragunendu a precisione di a stima è e prestazioni di classificazione di a soglia di 18 anni cù i metudi tradiziunali è e stime di l'età basate nantu à u data mining. Un totale di 2657 radiografie panoramiche sò state raccolte da citadini coreani è giapponesi di età trà 15 è 23 anni. Sò state divise in un inseme di furmazione, ognunu cuntenendu 900 radiografie coreane, è un inseme di test internu cuntenendu 857 radiografie giapponesi. Avemu paragunatu a precisione è l'efficienza di classificazione di i metudi tradiziunali cù insemi di test di mudelli di data mining. A precisione di u metudu tradiziunale nantu à l'inseme di test internu hè ligeramente più alta di quella di u mudellu di data mining, è a differenza hè chjuca (errore assolutu mediu <0,21 anni, errore quadraticu mediu <0,24 anni). A prestazione 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 si esegue una valutazione forense di l'età utilizendu a maturità di i secondi è terzi molari in l'adulescenti è i ghjovani adulti coreani.
A stima di l'età dentale hè largamente aduprata in medicina forense è in odontoiatria pediatrica. In particulare, per via di l'alta currelazione trà l'età cronologica è u sviluppu dentale, a valutazione di l'età per fasi di sviluppu dentale hè un criteriu impurtante per valutà l'età di i zitelli è di l'adulescenti1,2,3. Tuttavia, per i ghjovani, a stima di l'età dentale basata annantu à a maturità dentale hà e so limitazioni perchè a crescita dentale hè guasi cumpleta, à l'eccezzione di i terzi molari. U scopu legale di determinà l'età di i ghjovani è di l'adulescenti hè di furnisce stime precise è prove scientifiche di s'elli anu righjuntu l'età di a maiuranza. In a pratica medico-legale di l'adulescenti è di i ghjovani adulti in Corea, l'età hè stata stimata utilizendu u metudu di Lee, è una soglia legale di 18 anni hè stata prevista basata annantu à i dati riportati da Oh et al 5.
L'apprendimentu automaticu hè un tipu d'intelligenza artificiale (IA) chì ampara è classifica ripetutamente grandi quantità di dati, risolve i prublemi da per sè 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 in travagliu è richiedenu tempu, ponu avè limitazioni quandu si tratta di grandi volumi di dati cumplessi chì sò difficiuli da trattà manualmente7. Dunque, parechji studii sò stati realizati recentemente utilizendu e più recenti tecnulugie informatiche per minimizà l'errori umani è trattà in modu efficiente i dati multidimensionali8,9,10,11,12. In particulare, l'apprendimentu prufondu hè statu largamente utilizatu in l'analisi di l'imaghjini mediche, è diversi metudi per a stima di l'età analizendu automaticamente e radiografie sò stati segnalati per migliurà a precisione è l'efficienza di a stima di l'età13,14,15,16,17,18,19,20. Per esempiu, Halabi et al 13 anu sviluppatu un algoritmu di apprendimentu automaticu basatu annantu à e rete neurali cunvoluzionali (CNN) per stimà l'età scheletrica utilizendu e radiografie di e mani di i zitelli. Stu studiu propone un mudellu chì applica l'apprendimentu automaticu à l'imaghjini mediche è mostra chì questi metudi ponu migliurà a precisione diagnostica. Li et al14 anu stimatu l'età da l'imaghjini di raggi X pelvici utilizendu una CNN di apprendimentu prufondu è li anu paragunati cù i risultati di regressione utilizendu a stima di u stadiu di ossificazione. Anu trovu chì u mudellu CNN di apprendimentu prufondu hà mostratu a listessa prestazione di stima di l'età cum'è u mudellu di regressione tradiziunale. U studiu di Guo et al. [15] hà valutatu a prestazione di classificazione di a tolleranza di l'età di a tecnulugia CNN basata annantu à l'ortofoto dentali, è i risultati di u mudellu CNN anu dimustratu chì l'omu hà superatu e so prestazioni di classificazione di l'età.
A maiò parte di i studii nantu à a stima di l'età cù l'apprendimentu automaticu utilizanu metudi di apprendimentu prufondu13,14,15,16,17,18,19,20. A stima di l'età basata annantu à l'apprendimentu prufondu hè cunsiderata più precisa chè i metudi tradiziunali. Tuttavia, questu approcciu offre poche opportunità di prisentà a basa scientifica per e stime di l'età, cum'è l'indicatori di età utilizati in e stime. Ci hè ancu una disputa legale nantu à quale conduce l'ispezioni. Dunque, a stima di l'età basata annantu à l'apprendimentu prufondu hè difficiule da accettà da l'autorità amministrative è ghjudiziarie. L'estrazione di dati (DM) hè una tecnica chì pò scopre micca solu l'infurmazioni previste ma ancu inaspettate cum'è metudu per scopre correlazioni utili trà grandi quantità di dati6,21,22. L'apprendimentu automaticu hè spessu utilizatu in l'estrazione di dati, è sia l'estrazione di dati sia l'apprendimentu automaticu utilizanu i stessi algoritmi chjave per scopre mudelli in i dati. A stima di l'età cù u sviluppu dentale hè basata annantu à a valutazione di l'esaminatore di a maturità di i denti target, è sta valutazione hè espressa cum'è una tappa per ogni dente target. DM pò esse adupratu per analizà a currelazione trà a tappa di valutazione dentale è l'età reale è hà u putenziale di rimpiazzà l'analisi statistica tradiziunale. Dunque, s'è no applicemu e tecniche DM à a stima di l'età, pudemu implementà l'apprendimentu automaticu in a stima di l'età forense senza preoccupassi di a responsabilità legale. Parechji studii cumparativi sò stati publicati nantu à pussibuli alternative à i metudi manuali tradiziunali utilizati in a pratica forense è i metudi basati nantu à l'EBM per determinà l'età dentale. Shen et al23 anu dimustratu chì u mudellu DM hè più precisu chè a formula tradiziunale di Camerer. Galibourg et al24 anu applicatu diversi metudi DM per predisce l'età secondu u criteriu Demirdjian25 è i risultati anu dimustratu chì u metudu DM hà superatu i metudi Demirdjian è Willems in a stima di l'età di a pupulazione francese.
Per stimà l'età dentale di l'adulescenti è di i ghjovani adulti coreani, u metudu 4 di Lee hè largamente utilizatu in a pratica forense coreana. Stu metudu usa l'analisi statistica 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 statistici 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; tuttavia, l'applicabilità di a stima di l'età basata annantu à u mudellu DM in a pratica forense coreana hè sempre discutibile. U nostru scopu era di validà scientificamente a putenziale utilità di a stima di l'età basata annantu à u mudellu DM. U scopu di questu studiu era (1) di paragunà a precisione di dui mudelli DM in a stima di l'età dentale è (2) di paragunà e prestazioni di classificazione di 7 mudelli DM à l'età di 18 anni cù quelle ottenute cù i metudi statistici tradiziunali Maturità di i secondi è terzi molari in entrambe e mascelle.
E medie è e deviazioni standard di l'età cronologica per stadiu è tipu di dente sò mostrate in linea in a Tavula Supplementare S1 (set di furmazione), a Tavula Supplementare S2 (set di test interni) è a Tavula Supplementare S3 (set di test esterni). I valori kappa per l'affidabilità intra- è interosservatore ottenuti da u set di furmazione eranu 0,951 è 0,947, rispettivamente. I valori P è l'intervalli di cunfidenza di 95% per i valori kappa sò mostrati in a tavula supplementare S4 in linea. U valore kappa hè statu interpretatu cum'è "quasi perfettu", coerente cù i criteri di Landis è Koch26.
Quandu si paraguna l'errore mediu assolutu (MAE), u metudu tradiziunale supera ligeramente u mudellu DM per tutti i sessi è in u set di test maschile esternu, cù l'eccezzione di u perceptron multistratu (MLP). A differenza trà u mudellu tradiziunale è u mudellu DM nantu à u set di test MAE internu era 0,12-0,19 anni per l'omi è 0,17-0,21 anni per e donne. Per a batteria di test 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 quadraticu mediu (RMSE) hè ligeramente più bassu chè u metudu tradiziunale, cù differenze più chjuche (0,17-0,24, 0,2-0,24 per u set di test internu maschile, è 0,03-0,07, 0,04-0,08 per u set di test esternu). MLP mostra prestazioni ligeramente megliu cà u Perceptron à Stratu Singulu (SLP), eccettu in u casu di u set di test esternu femminile. Per MAE è RMSE, u set di test esterni hà punteggi più alti cà u set di test interni per tutti i generi è i mudelli. Tutti i MAE è RMSE sò mostrati in a Tavula 1 è in a Figura 1.
MAE è RMSE di mudelli di regressione tradiziunali è di data mining. Errore mediu assolutu MAE, errore quadraticu mediu RMSE, perceptrone à stratu unicu SLP, perceptrone multistratu MLP, metudu CM tradiziunale.
A prestazione di classificazione (cù un limite di 18 anni) di i mudelli tradiziunali è DM hè stata dimustrata in termini di sensibilità, specificità, valore predittivu pusitivu (PPV), valore predittivu negativu (NPV) è area sottu à a curva caratteristica operativa di u ricevitore (AUROC) 27 (Tabella 2, Figura 2 è Figura Supplementare 1 in linea). In termini di sensibilità di a batteria di test interna, i metudi tradiziunali anu datu i migliori risultati trà l'omi è peghju trà e donne. Tuttavia, a differenza in a prestazione di classificazione trà i metudi tradiziunali è SD hè di 9,7% per l'omi (MLP) è solu di 2,4% per e donne (XGBoost). Frà i mudelli DM, a regressione logistica (LR) hà mostratu una migliore sensibilità in i dui sessi. Riguardu à a specificità di u set di test interni, hè statu osservatu chì i quattru mudelli SD anu datu boni risultati in i masci, mentre chì u mudellu tradiziunale hà datu i migliori risultati in e femine. E differenze in a prestazione di classificazione per i masci è e femine sò rispettivamente di 13,3% (MLP) è 13,1% (MLP), ciò chì indica chì a differenza in a prestazione di classificazione trà i mudelli supera a sensibilità. Frà i mudelli DM, i mudelli di macchina à vettori di supportu (SVM), arburu di decisione (DT) è furesta aleatoria (RF) anu avutu i migliori risultati trà l'omi, mentre chì u mudellu LR hà avutu i migliori risultati trà e donne. 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 eccellenti prestazioni di classificazione in a discriminazione di campioni di 18 anni28. Per u set di test esterni, ci hè stata una diminuzione di e prestazioni di classificazione in termini di sensibilità, specificità è AUROC paragunatu à u set di test internu. Inoltre, a differenza di sensibilità è specificità trà e prestazioni di classificazione di i migliori è di i peggiori mudelli variava da 10% à 25% è era più grande di a differenza in u set di test internu.
Sensibilità è specificità di i mudelli di classificazione di data mining paragunati à i metudi tradiziunali cù un cutoff di 18 anni. KNN k vicinu più vicinu, macchina vettoriale di supportu SVM, regressione logistica LR, arburu di decisione DT, furesta aleatoria RF, XGB XGBoost, perceptrone multistratu MLP, metudu CM tradiziunale.
U primu passu in questu studiu hè statu di paragunà a precisione di e stime di l'età dentale ottenute da sette mudelli DM cù quelle ottenute cù a regressione tradiziunale. MAE è RMSE sò stati valutati in insemi di test interni per i dui sessi, è a differenza 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'è u metudu tradiziunale era ligeramente più precisu in questu studiu, hè difficiule di cunclude se una tale piccula differenza hà un significatu clinicu o praticu. Quessi risultati indicanu chì a precisione di a stima di l'età dentale utilizendu u mudellu DM hè guasi a stessa di quella di u metudu tradiziunale. U paragone direttu cù i risultati di studii precedenti hè difficiule perchè nisun studiu hà paragunatu a precisione di i mudelli DM cù i metudi statistici tradiziunali utilizendu a stessa tecnica di registrazione di i denti in a stessa fascia d'età cum'è in questu studiu. Galibourg et al24 anu paragunatu MAE è RMSE trà dui metudi tradiziunali (u metudu Demirjian25 è u metudu Willems29) è 10 mudelli DM in una pupulazione francese di età trà 2 è 24 anni. Anu signalatu chì tutti i mudelli DM eranu più precisi cà i metudi tradiziunali, cù differenze di 0,20 è 0,38 anni in MAE è 0,25 è 0,47 anni in RMSE paragunatu à i metudi Willems è Demirdjian, rispettivamente. A discrepanza trà u mudellu SD è i metudi tradiziunali mostrati in u studiu Halibourg tene contu di numerosi rapporti30,31,32,33 chì u metudu Demirdjian ùn stima micca accuratamente l'età dentale in pupulazioni diverse da i Canadesi Francesi nantu à i quali era basatu u studiu. in questu studiu. Tai et al 34 anu utilizatu l'algoritmu MLP per predichendu l'età di i denti da 1636 fotografie ortodontiche cinesi è anu paragunatu a so precisione cù i risultati di u metudu Demirjian è Willems. Anu signalatu chì MLP hà una precisione più alta cà i metudi tradiziunali. A differenza trà u metudu Demirdjian è u metudu tradiziunale hè <0,32 anni, è u metudu Willems hè 0,28 anni, chì hè simile à i risultati di u presente studiu. I risultati di sti studii precedenti24,34 sò ancu coerenti cù i risultati di u presente studiu, è a precisione di a stima di l'età di u mudellu DM è di u metudu tradiziunale sò simili. Tuttavia, basatu annantu à i risultati presentati, pudemu solu cunclude cun prudenza chì l'usu di i mudelli DM per stimà l'età pò rimpiazzà i metudi esistenti per via di a mancanza di studii precedenti comparativi è di riferimentu. Studi di seguitu chì utilizanu campioni più grandi sò necessarii per cunfirmà i risultati ottenuti in questu studiu.
Trà i studii chì testanu a precisione di a SD in a stima di l'età dentale, alcuni anu mostratu una precisione più alta chè u nostru studiu. Stepanovsky et al 35 anu applicatu 22 mudelli SD à radiografie panoramiche di 976 residenti cechi di età trà 2,7 è 20,5 anni è anu testatu a precisione di ogni mudellu. Anu valutatu u sviluppu di un totale di 16 denti permanenti superiori è inferiori à manca utilizendu i criteri di classificazione pruposti da Moorrees et al 36. U MAE varia da 0,64 à 0,94 anni è u RMSE varia da 0,85 à 1,27 anni, chì sò più precisi chè i dui mudelli DM utilizati in questu studiu. Shen et al23 anu utilizatu u metudu Cameriere per stimà l'età dentale di sette denti permanenti in a mandibula sinistra in residenti cinesi orientali di età trà 5 è 13 anni è l'anu paragunata cù l'età stimate utilizendu a regressione lineare, SVM è RF. Anu dimustratu chì tutti i trè mudelli DM anu una precisione più alta paragunata à a formula tradiziunale di Cameriere. U MAE è u RMSE in u studiu di Shen eranu più bassi di quelli in u mudellu DM in questu studiu. A precisione aumentata di i studii di Stepanovsky et al. 35 è Shen et al. 23 pò esse duvuta à l'inclusione di sughjetti più ghjovani in i so campioni di studiu. Siccome e stime di l'età per i participanti cù denti in sviluppu diventanu più precise cù l'aumentu di u numeru di denti durante u sviluppu dentale, a precisione di u metudu di stima di l'età risultante pò esse compromessa quandu i participanti à u studiu sò più ghjovani. Inoltre, l'errore di MLP in a stima di l'età hè ligeramente più chjucu di quellu di SLP, ciò chì significa chì MLP hè più precisu di SLP. MLP hè cunsideratu ligeramente megliu per a stima di l'età, forse per via di i strati nascosti in MLP38. Tuttavia, ci hè una eccezione per u campione esternu di donne (SLP 1,45, MLP 1,49). A scuperta chì l'MLP hè più precisu di l'SLP in a valutazione di l'età richiede studii retrospettivi supplementari.
A prestazione di classificazione di u mudellu DM è di u metudu tradiziunale à una soglia di 18 anni hè stata ancu paragunata. Tutti i mudelli SD testati è i metudi tradiziunali nantu à u set di test internu anu mostratu livelli di discriminazione praticamente accettabili per u campione 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 a nostra cunniscenza, nisun studiu hà testatu a prestazione di u mudellu DM per a classificazione di 18 anni basata nantu à a maturità dentale. Pudemu paragunà i risultati di questu studiu cù a prestazione di classificazione di i mudelli di apprendimentu prufondu nantu à e radiografie panoramiche. Guo et al.15 anu calculatu a prestazione di classificazione di un mudellu di apprendimentu prufondu basatu nantu à CNN è un metudu manuale basatu nantu à u metudu di Demirjian per una certa soglia d'età. A sensibilità è a specificità di u metudu manuale eranu 87,7% è 95,5%, rispettivamente, è a sensibilità è a specificità di u mudellu CNN anu superatu 89,2% è 86,6%, rispettivamente. Anu cunclusu chì i mudelli di apprendimentu prufondu ponu rimpiazzà o superà a valutazione manuale in a classificazione di e soglie d'età. I risultati di questu studiu anu mostratu prestazioni di classificazione simili; Si crede chì a classificazione cù i mudelli DM pò rimpiazzà i metudi statistici tradiziunali per a stima di l'età. Trà i mudelli, DM LR era u megliu mudellu in termini di sensibilità per u campione maschile è sensibilità è specificità per u campione femminile. LR hè u secondu in specificità per l'omi. Inoltre, LR hè cunsideratu cum'è unu di i mudelli DM35 più faciuli d'utilizà è hè menu cumplessu è difficiule da processà. Basatu annantu à questi risultati, LR hè statu cunsideratu u megliu mudellu di classificazione di cutoff per i ghjovani di 18 anni in a pupulazione coreana.
In generale, a precisione di a stima di l'età o di e prestazioni di classificazione nantu à u set di test esterni era scarsa o più bassa paragunata à i risultati nantu à u set di test internu. Certi rapporti indicanu chì a precisione o l'efficienza di a classificazione diminuisce quandu e stime di l'età basate nantu à a pupulazione coreana sò applicate à a pupulazione giapponese5,39, è un mudellu simile hè statu trovu in u presente studiu. Questa tendenza di deterioramentu hè stata osservata ancu in u mudellu DM. Dunque, per stimà accuratamente l'età, ancu quandu si usa DM in u prucessu di analisi, i metudi derivati da i dati di a pupulazione nativa, cum'è i metudi tradiziunali, devenu esse preferiti5,39,40,41,42. Siccomu ùn hè chjaru se i mudelli di apprendimentu prufondu ponu mustrà tendenze simili, sò necessarii studii chì paragunanu a precisione è l'efficienza di a classificazione utilizendu metudi tradiziunali, mudelli DM è mudelli di apprendimentu prufondu nantu à i stessi campioni per cunfirmà se l'intelligenza artificiale pò superà queste disparità razziali in valutazioni di età limitata.
Dimostremu chì i metudi tradiziunali ponu esse rimpiazzati da a stima di l'età basata annantu à u mudellu DM in a pratica di stima di l'età forense in Corea. Avemu ancu scupertu a pussibilità d'implementà l'apprendimentu automaticu per a valutazione forense di l'età. Tuttavia, ci sò limitazioni chjare, cum'è u numeru insufficiente di participanti à questu studiu per determinà definitivamente i risultati, è a mancanza di studii precedenti per paragunà è cunfirmà i risultati di questu studiu. In u futuru, i studii DM devenu esse realizati cù un numeru più grande di campioni è pupulazioni più diverse per migliurà a so applicabilità pratica paragunata à i metudi tradiziunali. Per validà a fattibilità di l'usu di l'intelligenza artificiale per stimà l'età in pupulazioni multiple, sò necessarii studii futuri per paragunà a precisione è l'efficienza di classificazione di i mudelli DM è di apprendimentu prufondu cù i metudi tradiziunali in i stessi campioni.
U studiu hà utilizatu 2.657 fotografie ortografiche raccolte da adulti coreani è giapponesi di età trà 15 è 23 anni. E radiografie coreane sò state divise in 900 insemi di furmazione (19,42 ± 2,65 anni) è 900 insemi di test interni (19,52 ± 2,59 anni). L'inseme di furmazione hè statu raccoltu in una istituzione (Seoul St. Mary's Hospital), è l'inseme di test propiu hè statu raccoltu in duie istituzioni (Seoul National University Dental Hospital è Yonsei University Dental Hospital). Avemu ancu raccoltu 857 radiografie da altri dati basati nantu à a pupulazione (Iwate Medical University, Giappone) per test esterni. E radiografie di sughjetti giapponesi (19,31 ± 2,60 anni) sò state selezziunate cum'è l'inseme di test esterni. I dati sò stati raccolti retrospettivamente per analizà e tappe di u sviluppu dentale nantu à e radiografie panoramiche scattate durante u trattamentu dentale. Tutti i dati raccolti eranu anonimi, eccettu per u sessu, a data di nascita è a data di a radiografia. I criteri d'inclusione è d'esclusione eranu i stessi cum'è i studii publicati prima 4, 5. L'età vera di u campione hè stata calculata sottraendu a data di nascita da a data in cui hè stata presa a radiografia. U gruppu di u campione hè statu divisu in nove gruppi d'età. E distribuzioni di età è di sessu sò mostrate in a Tavula 3. Stu studiu hè statu realizatu in cunfurmità cù a Dichjarazione di Helsinki è appruvatu da u Cunsigliu di Revisione Istituzionale (IRB) di l'Ospedale St. Mary's di Seoul di l'Università Cattolica di Corea (KC22WISI0328). A causa di u cuncepimentu retrospettivu di stu studiu, u cunsensu infurmatu ùn hà pussutu esse ottenutu da tutti i pazienti sottumessi à un esame radiograficu per scopi terapeutichi. L'Ospedale St. Mary's di l'Università Coreana di Seoul (IRB) hà rinunciatu à l'esigenza di cunsensu infurmatu.
I stadii di sviluppu di i secondi è terzi molari bimascellari sò stati valutati secondu i criteri di Demircan25. Solu un dente hè statu sceltu s'ellu si truvava u listessu tipu di dente à manca è à diritta di ogni mandibula. Sè i denti omologhi di i dui lati eranu in stadii di sviluppu diversi, u dente cù u stadiu di sviluppu più bassu hè statu sceltu per tene contu di l'incertezza in l'età stimata. Centu radiografie selezziunate à casu da u set di furmazione sò state valutate da dui osservatori esperti per testà l'affidabilità interosservatore dopu a precalibrazione per determinà u stadiu di maturità dentale. L'affidabilità intraosservatore hè stata valutata duie volte à intervalli di trè mesi da l'osservatore primariu.
U sessu è u stadiu di sviluppu di u secondu è di u terzu molari di ogni mandibula in u set di furmazione sò stati stimati da un osservatore primariu furmatu cù diversi mudelli DM, è l'età attuale hè stata stabilita cum'è valore target. I mudelli SLP è MLP, chì sò largamente usati in l'apprendimentu automaticu, sò stati testati contr'à algoritmi di regressione. U mudellu DM combina funzioni lineari utilizendu i stadii di sviluppu di i quattru denti è combina questi dati per stimà l'età. SLP hè a rete neurale più simplice è ùn cuntene micca strati nascosti. SLP funziona basatu annantu à a trasmissione di soglia trà i nodi. U mudellu SLP in regressione hè matematicamente simile à a regressione lineare multipla. À u cuntrariu di u mudellu SLP, u mudellu MLP hà parechji strati nascosti cù funzioni di attivazione non lineari. I nostri esperimenti anu utilizatu un stratu nascostu cù solu 20 nodi nascosti cù funzioni di attivazione non lineari. Aduprate a discesa di gradiente cum'è metudu di ottimizazione è MAE è RMSE cum'è funzione di perdita per furmà u nostru mudellu di apprendimentu automaticu. U megliu mudellu di regressione ottenutu hè statu applicatu à i set di test interni è esterni 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 set di furmazione per predichendu se un campione hà 18 anni o micca. Per custruisce u mudellu, avemu derivatu sette algoritmi di apprendimentu automaticu di rappresentazione6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, è (7) MLP. LR hè unu di l'algoritmi di classificazione più largamente utilizati44. Hè un algoritmu di apprendimentu supervisatu chì usa a regressione per predichendu a probabilità di dati appartenenti à una certa categuria da 0 à 1 è classifica i dati cum'è appartenenti à una categuria più prubabile basata annantu à sta probabilità; principalmente utilizatu per a classificazione binaria. KNN hè unu di l'algoritmi di apprendimentu automaticu più simplici45. Quandu li sò dati novi dati d'input, trova k dati vicini à u set esistente è poi li classifica in a classa cù a frequenza più alta. Avemu stabilitu 3 per u numeru di vicini cunsiderati (k). SVM hè un algoritmu chì massimizza a distanza trà duie classi utilizendu una funzione kernel per espansione u spaziu lineare in un spaziu non lineare chjamatu campi46. Per questu mudellu, usemu bias = 1, power = 1, è gamma = 1 cum'è iperparametri per u kernel polinomiale. DT hè statu applicatu in diversi campi cum'è algoritmu per dividisce un inseme di dati interu in parechji sottogruppi rapprisentendu e regule di decisione in una struttura d'arburu47. U mudellu hè cunfiguratu cù un numeru minimu di record per nodu di 2 è usa l'indice Gini cum'è misura di qualità. RF hè un metudu d'inseme chì combina parechji DT per migliurà e prestazioni aduprendu un metudu d'aggregazione bootstrap chì genera un classificatore debule per ogni campione estraendu à casu campioni di a stessa dimensione parechje volte da l'inseme di dati originale48. Avemu adupratu 100 arburi, 10 prufundità d'arburu, 1 dimensione minima di nodu, è l'indice di miscelazione Gini cum'è criteri di separazione di nodi. A classificazione di i novi dati hè determinata da un votu di maggioranza. XGBoost hè un algoritmu chì combina tecniche di boost aduprendu 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 aduprendu gradienti49. Hè un algoritmu largamente utilizatu per via di e so bone prestazioni è di l'efficienza di e risorse, è ancu di l'alta affidabilità cum'è funzione di currezzione di sovraadattamentu. U mudellu hè dotatu di 400 rote di supportu. MLP hè una rete neurale in a quale unu o più perceptroni formanu più strati cù unu o più strati nascosti trà i strati d'ingressu è di uscita38. Aduprendu questu, pudete eseguisce una classificazione non lineare induve quandu aghjunghjite un stratu d'ingressu è ottenete un valore di risultatu, u valore di u risultatu previstu hè paragunatu à u valore di u risultatu attuale è l'errore hè propagatu in daretu. Avemu creatu un stratu nascostu cù 20 neuroni nascosti in ogni stratu. Ogni mudellu chì avemu sviluppatu hè statu applicatu à insemi interni è esterni per testà e prestazioni di classificazione calculendu a sensibilità, a specificità, u PPV, u NPV è l'AUROC. A sensibilità hè definita cum'è u rapportu trà un campione stimatu di 18 anni o più è un campione stimatu di 18 anni o più. A specificità hè a proporzione di campioni di menu di 18 anni è quelli stimati di menu di 18 anni.
I stadii dentali valutati in u set di furmazione sò stati cunvertiti in stadii numerichi per l'analisi statistica. 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 adupratu ste formule per stimà l'età di i denti per i set di test interni è esterni. A Tavula 4 mostra i mudelli di regressione è di classificazione aduprati in questu studiu.
L'affidabilità intra- è interosservatore hè stata calculata utilizendu a statistica kappa di Cohen. Per pruvà a precisione di i mudelli di regressione DM è tradiziunali, avemu calculatu MAE è RMSE utilizendu l'età stimate è effettive di i gruppi di test interni è esterni. Quessi errori sò cumunamente usati per valutà a precisione di e previsioni di u mudellu. Più chjucu hè l'errore, più alta hè a precisione di a previsione24. Paragunate u MAE è RMSE di i gruppi di test interni è esterni calculati utilizendu DM è a regressione tradiziunale. A prestazione di classificazione di u cutoff di 18 anni in statistiche tradiziunali hè stata valutata utilizendu una tavula di contingenza 2 × 2. A sensibilità, a specificità, u PPV, u NPV è l'AUROC calculati di u gruppu di test 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 i dati. I valori P bilaterali <0,05 sò stati cunsiderati statisticamente significativi. Tutte l'analisi statistiche di rutina sò state realizate utilizendu SAS versione 9.4 (SAS Institute, Cary, NC). U mudellu di regressione DM hè statu implementatu in Python aduprendu u backend Keras50 2.2.4 è Tensorflow51 1.8.0 specificamente per l'operazioni matematiche. U mudellu di classificazione DM hè statu implementatu in u Waikato Knowledge Analysis Environment è in a piattaforma d'analisi Konstanz Information Miner (KNIME) 4.6.152.
L'autori ricunnoscenu chì i dati chì sustenenu e cunclusioni di u studiu si ponu truvà in l'articulu è in i materiali supplementari. I datasets generati è/o analizati durante u studiu sò dispunibili da l'autore currispundente nantu à dumanda raghjonevule.
Ritz-Timme, S. et al. Valutazione di l'età: statu di l'arte per risponde à i requisiti specifici di a pratica forense. internaziunalità. J. Medicina legale. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., è Olze, A. Statu attuale di a valutazione forense di l'età di i sughjetti viventi per scopi di persecuzione penale. Forensics. medicine. Pathology. 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 a Cina orientale. clinicu. Sondaggio orale. 25, 3463–3474 (2021).
Lee, SS ecc. Cronologia di u sviluppu di i secondi è terzi molari in i Coreani è a so applicazione per a valutazione forense di l'età. internaziunalità. J. Medicina legale. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY è Lee, SS Precisione di a stima di l'età è stima di a soglia di 18 anni basata annantu à a maturità di i secondi è terzi molari in Coreani è Giappunesi. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. L'analisi di dati basata nantu à l'apprendimentu automaticu preoperatoriu pò prevede u risultatu di u trattamentu di a chirurgia di u sonnu in i pazienti cun OSA. a scienza. Rapportu 11, 14911 (2021).
Han, M. et al. Stima precisa di l'età da l'apprendimentu automaticu cù o senza intervenzione umana? internaziunalità. J. Medicina legale. 136, 821–831 (2022).
Khan, S. è Shaheen, M. Da a Data Mining à a Data Mining. J.Information. a scienza. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. è Shaheen, M. WisRule: U Primu Algoritmu Cognitivu per a Mineria di Regule d'Associu. J.Information. a scienza. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. è Abdullah U. Karm: Data mining tradiziunale basatu annantu à e regule d'associazione basate annantu à u cuntestu. calculate. Matt. cuntinuà. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. è Habib M. Detezione di similarità semantica basata nantu à l'apprendimentu prufondu cù dati di testu. tecnulugie d'infurmazione. 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. Sfida di l'Apprendimentu Automaticu RSNA in l'Età Ossea Pediatrica. Radiology 290, 498–503 (2019).
Li, Y. et al. Stima forense di l'età da i raggi X pelvici cù l'apprendimentu prufondu. EURO. radiazioni. 29, 2322–2329 (2019).
Guo, YC, et al. Classificazione precisa di l'età cù metudi manuali è rete neurali cunvoluziunali prufonde da imagine di pruiezione ortografica. internaziunalità. J. Medicina legale. 135, 1589–1597 (2021).
Alabama Dalora et al. Stima di l'età ossea cù diversi metudi di apprendimentu automaticu: una rivista sistematica di a literatura è una 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 Afroamericani è Cinesi basata annantu à i volumi di a camera pulpare di i primi molari utilizendu a tomografia computerizzata à fasciu conicu. internaziunalità. 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 utilizendu immagini basate nantu à l'intelligenza artificiale di i primi molari. a scienza. Rapportu 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., è Urschler, M. Stima automatica di l'età è classificazione di l'età di a maiuranza da dati MRI multivariati. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. è Li, G. Stima di l'età basata annantu à a segmentazione 3D di a camera pulpare di i primi molari da a tomografia computerizzata à fasciu conicu integrandu l'apprendimentu prufondu è i gruppi di livelli. internaziunalità. J. Medicina legale. 135, 365–373 (2021).
Wu, WT, et al. Estrazione di dati in big data clinichi: basi di dati cumuni, passi è mudelli di metudi. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Introduzione à e Basi di Dati Mediche è à e Tecnulugie di Data Mining in l'Era di i Big Data. J. Avid. Medicina di basa. 13, 57–69 (2020).
Shen, S. et al. U metudu di Camerer per stimà l'età di i denti cù l'apprendimentu automaticu. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Paragone di diversi metudi di apprendimentu automaticu per predisce l'età dentale utilizendu u metudu di stadiazione Demirdjian. internaziunalità. J. Medicina legale. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. è Tanner, JM Un novu sistema per valutà l'età dentale. snort. biology. 45, 211–227 (1973).
Landis, JR, è Koch, GG Misure di l'accordu di l'osservatori nantu à i dati categurichi. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK è Choi HK. Analisi testurale, morfologica è statistica di l'imaghjini di risonanza magnetica bidimensionale cù tecniche di intelligenza artificiale per a differenziazione di tumori cerebrali primari. Informazioni sanitarie. risorsa. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Data di publicazione: 04-02-2024