Хвала вам што сте посетили Натуре.цом.Верзија претраживача коју користите има ограничену подршку за ЦСС.За најбоље резултате препоручујемо да користите новију верзију прегледача (или да искључите режим компатибилности у Интернет Екплорер-у).У међувремену, да бисмо обезбедили сталну подршку, приказујемо сајт без стила или ЈаваСцрипт-а.
Зуби се сматрају најтачнијим показатељем старости људског тела и често се користе у форензичкој процени старости.Циљ нам је био да потврдимо процене старости зуба засноване на рударењу података упоређујући тачност процене и перформансе класификације 18-годишњег прага са традиционалним методама и проценама старости заснованим на рударењу података.Укупно је прикупљено 2657 панорамских рендгенских снимака држављана Кореје и Јапана старости од 15 до 23 године.Били су подељени на сет за обуку, од којих је сваки садржао 900 корејских радиографија, и интерни тест који је садржао 857 јапанских радиографија.Упоредили смо класификациону тачност и ефикасност традиционалних метода са тест скуповима модела рударења података.Тачност традиционалне методе на интерном скупу тестова је нешто већа од оне у моделу рударења података, а разлика је мала (средња апсолутна грешка <0,21 година, средња квадратна грешка <0,24 године).Учинак класификације за 18-годишњи прекид је такође сличан између традиционалних метода и модела рударења података.Дакле, традиционалне методе могу бити замењене моделима рударења података када се врши форензичка процена старости користећи зрелост другог и трећег молара код корејских адолесцената и младих одраслих особа.
Процена старости зуба се широко користи у судској медицини и педијатријској стоматологији.Посебно, због високе корелације између хронолошке старости и развоја зуба, процена старости по фазама развоја зуба је важан критеријум за процену узраста деце и адолесцената1,2,3.Међутим, за младе људе процена старости зуба на основу зрелости зуба има своја ограничења јер је раст зуба скоро завршен, са изузетком трећих молара.Правна сврха утврђивања старости младих и адолесцената је да се дају тачне процене и научни докази о томе да ли су они постали пунолетни.У медицинско-правној пракси адолесцената и младих одраслих у Кореји, старост је процењена Лијевом методом, а законски праг од 18 година је предвиђен на основу података које су објавили Ох ет ал 5 .
Машинско учење је врста вештачке интелигенције (АИ) која стално учи и класификује велике количине података, сама решава проблеме и покреће програмирање података.Машинско учење може открити корисне скривене обрасце у великим количинама података6.Насупрот томе, класичне методе, које су радно интензивне и дуготрајне, могу имати ограничења када се баве великим количинама сложених података које је тешко обрадити ручно7.Због тога су у последње време спроведена многа истраживања коришћењем најновијих компјутерских технологија како би се минимизирале људске грешке и ефикасна обрада вишедимензионалних података8,9,10,11,12.Конкретно, дубоко учење се широко користи у анализи медицинске слике, а пријављено је да различите методе за процену старости аутоматским анализом радиографија побољшавају тачност и ефикасност процене старости13,14,15,16,17,18,19,20 .На пример, Халаби и сарадници 13 развили су алгоритам машинског учења заснован на конволуционим неуронским мрежама (ЦНН) за процену старости скелета коришћењем радиографија дечијих руку.Ова студија предлаже модел који примењује машинско учење на медицинске слике и показује да ове методе могу побољшати дијагностичку тачност.Ли и сарадници14 су проценили старост на основу рендгенских снимака карлице користећи ЦНН за дубоко учење и упоредили их са резултатима регресије користећи процену фазе окоштавања.Открили су да је ЦНН модел дубоког учења показао исте перформансе процене старости као и традиционални регресиони модел.Студија Гуоа и сарадника [15] процењивала је перформансе класификације старосне толеранције ЦНН технологије засноване на денталним ортофото фотографијама, а резултати ЦНН модела су доказали да су људи надмашили његове перформансе класификације по годинама.
Већина студија о процени старости коришћењем машинског учења користи методе дубоког учења13,14,15,16,17,18,19,20.Извештава се да је процена старости заснована на дубоком учењу тачнија од традиционалних метода.Међутим, овај приступ пружа мало могућности за представљање научне основе за процену старости, као што су индикатори старости који се користе у проценама.Постоји и правни спор око тога ко спроводи инспекције.Стога је процена старости заснована на дубоком учењу тешко прихватљива од стране управних и судских органа.Дата мининг (ДМ) је техника која може да открије не само очекиване већ и неочекиване информације као метод за откривање корисних корелација између великих количина података6,21,22.Машинско учење се често користи у рударењу података, а и рударење података и машинско учење користе исте кључне алгоритме за откривање образаца у подацима.Процена старости коришћењем стоматолошког развоја заснива се на процени зрелости циљних зуба од стране испитивача, а ова оцена се изражава као фаза за сваки циљни зуб.ДМ се може користити за анализу корелације између фазе стоматолошке процене и стварне старости и има потенцијал да замени традиционалну статистичку анализу.Стога, ако применимо ДМ технике на процену старости, можемо применити машинско учење у форензичку процену старости без бриге о правној одговорности.Објављено је неколико компаративних студија о могућим алтернативама традиционалним ручним методама које се користе у форензичкој пракси и методама заснованим на ЕБМ за одређивање старости зуба.Схен ет ал23 су показали да је ДМ модел тачнији од традиционалне Цамерер формуле.Галибур и сарадници24 применили су различите ДМ методе за предвиђање старости према Демирђијановом критеријуму25 и резултати су показали да је ДМ метода надмашила Демирђијанове и Вилемсове методе у процени старости француске популације.
За процену старости зуба корејских адолесцената и младих одраслих, Лее-ов метод 4 се широко користи у корејској форензичкој пракси.Овај метод користи традиционалну статистичку анализу (као што је вишеструка регресија) за испитивање односа између корејских субјеката и хронолошког узраста.У овој студији, методе процене старости добијене коришћењем традиционалних статистичких метода су дефинисане као „традиционалне методе“.Леејева метода је традиционална метода, а њену тачност су потврдили Ох ет ал.5;међутим, применљивост процене старости засноване на ДМ моделу у корејској форензичкој пракси је и даље упитна.Наш циљ је био да научно потврдимо потенцијалну корисност процене старости на основу ДМ модела.Сврха ове студије је била (1) да упореди тачност два модела ДМ у процени старости зуба и (2) да упореди перформансе класификације 7 модела ДМ у доби од 18 година са онима добијеним коришћењем традиционалних статистичких метода. и трећи кутњак у обе вилице.
Средње вредности и стандардне девијације хронолошке старости према стадијуму и типу зуба приказане су на мрежи у додатној табели С1 (сет за обуку), додатној табели С2 (интерни тест сет) и додатној табели С3 (екстерни тест).Капа вредности за поузданост унутар и међу посматрачем добијене из скупа за обуку биле су 0,951 и 0,947, респективно.П вредности и 95% интервали поверења за капа вредности су приказани у онлајн додатној табели С4.Капа вредност је тумачена као „скоро савршена“, у складу са критеријумима Ландиса и Коцха26.
Када се упореди средња апсолутна грешка (МАЕ), традиционална метода незнатно надмашује ДМ модел за све полове и у екстерном мушком тестном скупу, са изузетком вишеслојног перцептрона (МЛП).Разлика између традиционалног модела и ДМ модела на интерном МАЕ тест сету била је 0,12–0,19 година за мушкарце и 0,17–0,21 година за жене.За екстерну тест батерију разлике су мање (0,001–0,05 година за мушкарце и 0,05–0,09 година за жене).Поред тога, средња квадратна грешка (РМСЕ) је нешто нижа од традиционалне методе, са мањим разликама (0,17–0,24, 0,2–0,24 за мушки интерни тест сет, и 0,03–0,07, 0,04–0,08 за екстерни тест).).МЛП показује нешто боље перформансе од једнослојног перцептрона (СЛП), осим у случају женског екстерног тестног сета.За МАЕ и РМСЕ, екстерни скуп тестова има веће резултате од интерног скупа тестова за све полове и моделе.Сви МАЕ и РМСЕ су приказани у табели 1 и на слици 1.
МАЕ и РМСЕ традиционалних регресионих модела и модела рударења података.Средња апсолутна грешка МАЕ, средња квадратна грешка РМСЕ, једнослојни перцептрон СЛП, вишеслојни перцептрон МЛП, традиционална ЦМ метода.
Перформансе класификације (са прекидом од 18 година) традиционалних и ДМ модела су демонстриране у смислу осетљивости, специфичности, позитивне предиктивне вредности (ППВ), негативне предиктивне вредности (НПВ) и површине испод криве радне карактеристике пријемника (АУРОЦ) 27 (Табела 2, Слика 2 и Додатна слика 1 на мрежи).Што се тиче осетљивости унутрашње батерије за тестирање, традиционалне методе су се најбоље показале код мушкараца и лошије код жена.Међутим, разлика у перформансама класификације између традиционалних метода и СД је 9,7% за мушкарце (МЛП) и само 2,4% за жене (КСГБоост).Међу моделима ДМ, логистичка регресија (ЛР) је показала бољу осетљивост код оба пола.Што се тиче специфичности интерног тестног скупа, примећено је да су четири СД модела била добра код мушкараца, док је традиционални модел био бољи код жена.Разлике у перформансама класификације за мушкарце и жене су 13,3% (МЛП) и 13,1% (МЛП), респективно, што указује да разлика у перформансама класификације између модела премашује осетљивост.Међу моделима ДМ, модели машине за вектор подршке (СВМ), стабла одлучивања (ДТ) и случајне шуме (РФ) су се најбоље показали међу мушкарцима, док је ЛР модел био најбољи међу женама.АУРОЦ традиционалног модела и свих СД модела био је већи од 0,925 (к-најближи сусед (КНН) код мушкараца), што показује одличне перформансе класификације у дискриминацији 18-годишњих узорака28.За екстерни скуп тестова, дошло је до смањења перформанси класификације у смислу осетљивости, специфичности и АУРОЦ у поређењу са интерним скупом тестова.Штавише, разлика у осетљивости и специфичности између перформанси класификације најбољих и најгорих модела кретала се од 10% до 25% и била је већа од разлике у интерном тест сету.
Осетљивост и специфичност модела класификације рударења података у поређењу са традиционалним методама са прекидом од 18 година.КНН к најближи сусед, СВМ векторска машина за подршку, ЛР логистичка регресија, ДТ стабло одлучивања, РФ случајна шума, КСГБ КСГБоост, МЛП вишеслојни перцептрон, традиционални ЦМ метод.
Први корак у овој студији био је да се упореди тачност процена старости зуба добијених из седам ДМ модела са онима добијеним коришћењем традиционалне регресије.МАЕ и РМСЕ су процењени у интерним тест сетовима за оба пола, а разлика између традиционалне методе и ДМ модела се кретала од 44 до 77 дана за МАЕ и од 62 до 88 дана за РМСЕ.Иако је традиционална метода била нешто тачнија у овој студији, тешко је закључити да ли тако мала разлика има клинички или практични значај.Ови резултати указују да је тачност процене старости зуба коришћењем ДМ модела скоро иста као код традиционалне методе.Директно поређење са резултатима претходних студија је тешко јер ниједна студија није упоредила тачност ДМ модела са традиционалним статистичким методама користећи исту технику снимања зуба у истом старосном опсегу као у овој студији.Галибоург и сарадници24 упоређивали су МАЕ и РМСЕ између две традиционалне методе (Демирјиан метод25 и Виллемсова метода29) и 10 ДМ модела у француској популацији старости од 2 до 24 године.Они су известили да су сви ДМ модели били тачнији од традиционалних метода, са разликама од 0,20 и 0,38 година у МАЕ и 0,25 и 0,47 година у РМСЕ у поређењу са Виллемсовим и Демирдјиановим методама, респективно.Несклад између СД модела и традиционалних метода приказаних у Халибоург студији узима у обзир бројне извештаје30,31,32,33 да Демирџијанов метод не процењује тачно старост зуба у популацијама осим француско-канадских на којима је студија заснована.У овој студији.Таи и сарадници 34 су користили алгоритам МЛП да предвиде старост зуба на основу 1636 кинеских ортодонтских фотографија и упоредили су његову тачност са резултатима Демирјиан и Виллемс методе.Они су известили да МЛП има већу тачност од традиционалних метода.Разлика између Демирђијанове методе и традиционалне методе је <0,32 године, а Вилемсове методе је 0,28 година, што је слично резултатима ове студије.Резултати ових претходних студија24,34 су такође у складу са резултатима ове студије, а тачност процене старости ДМ модела и традиционалног метода је слична.Међутим, на основу приказаних резултата, можемо само опрезно закључити да коришћење ДМ модела за процену старости може заменити постојеће методе због недостатка компаративних и референтних претходних студија.Потребне су додатне студије које користе веће узорке да би се потврдили резултати добијени у овој студији.
Међу студијама које су тестирале тачност СД у процени старости зуба, неке су показале већу тачност од наше студије.Степановски и остали 35 применили су 22 СД модела на панорамске радиографије 976 чешких становника старости од 2,7 до 20,5 година и тестирали тачност сваког модела.Они су проценили развој укупно 16 горњих и доњих левих трајних зуба користећи критеријуме класификације које су предложили Моорреес ет ал 36 .МАЕ се креће од 0,64 до 0,94 године, а РМСЕ се креће од 0,85 до 1,27 година, што је тачније од два ДМ модела коришћена у овој студији.Схен и сарадници23 су користили методу Цамериере да процене старост зуба седам трајних зуба у левој мандибули код становника источне Кине старости од 5 до 13 година и упоредили су је са годинама процењеним коришћењем линеарне регресије, СВМ и РФ.Они су показали да сва три ДМ модела имају већу тачност у поређењу са традиционалном Цамериере формулом.МАЕ и РМСЕ у Схеновој студији били су нижи од оних у ДМ моделу у овој студији.Повећана прецизност студија Степановског и сар.35 и Схен ет ал.23 може бити због укључивања млађих испитаника у њихове узорке истраживања.Пошто процене старости учесника са зубима у развоју постају тачније како се број зуба повећава током развоја зуба, тачност резултујуће методе процене старости може бити угрожена када су учесници студије млађи.Поред тога, МЛП-ова грешка у процени старости је нешто мања од СЛП-ове, што значи да је МЛП тачнији од СЛП-а.МЛП се сматра мало бољим за процену старости, вероватно због скривених слојева у МЛП38.Међутим, постоји изузетак за спољашњи узорак жена (СЛП 1,45, МЛП 1,49).Налаз да је МЛП тачнији од СЛП у процени старости захтева додатне ретроспективне студије.
Упоређене су и перформансе класификације ДМ модела и традиционалне методе на прагу од 18 година.Сви тестирани СД модели и традиционалне методе на интерном тест сету показали су практично прихватљив ниво дискриминације за узорак од 18 година.Осетљивост за мушкарце и жене била је већа од 87,7% и 94,9%, респективно, а специфичност већа од 89,3% и 84,7%.АУРОЦ свих тестираних модела такође прелази 0,925.Колико нам је познато, ниједна студија није тестирала перформансе ДМ модела за 18-годишњу класификацију засновану на зрелости зуба.Можемо упоредити резултате ове студије са перформансама класификације модела дубоког учења на панорамским радиографијама.Гуо ет ал.15 израчунали су перформансе класификације ЦНН-базираног модела дубоког учења и ручног метода заснованог на Демирџијановој методи за одређени старосни праг.Осетљивост и специфичност мануелне методе износиле су 87,7% и 95,5%, респективно, а осетљивост и специфичност ЦНН модела премашиле су 89,2% и 86,6%, респективно.Закључили су да модели дубоког учења могу заменити или надмашити ручну процену у класификацији старосних прагова.Резултати ове студије показали су сличне перформансе класификације;Верује се да класификација коришћењем ДМ модела може заменити традиционалне статистичке методе за процену старости.Међу моделима, ДМ ЛР је био најбољи модел у смислу осетљивости за мушки узорак и осетљивости и специфичности за женски узорак.ЛР је на другом месту по специфичности за мушкарце.Штавише, ЛР се сматра једним од модела ДМ35 који су лакши за коришћење и мање је сложен и тежак за обраду.На основу ових резултата, ЛР се сматра најбољим моделом класификације граничних вредности за 18-годишњаке у корејској популацији.
Све у свему, тачност процене старости или перформанси класификације на екстерном тестном сету је била лоша или нижа у поређењу са резултатима на интерном тест сету.Неки извештаји указују на то да се тачност или ефикасност класификације смањује када се процене старости засноване на корејској популацији примењују на јапанску популацију5,39, а сличан образац је пронађен у овој студији.Овај тренд погоршања је такође примећен у ДМ моделу.Због тога, да би се тачно проценила старост, чак и када се користи ДМ у процесу анализе, треба дати предност методама изведеним из података домаће популације, као што су традиционалне методе5,39,40,41,42.Пошто је нејасно да ли модели дубоког учења могу показати сличне трендове, потребне су студије које упоређују тачност и ефикасност класификације користећи традиционалне методе, ДМ моделе и моделе дубоког учења на истим узорцима да би се потврдило да ли вештачка интелигенција може да превазиђе ове расне диспаритете у ограниченом узрасту.процене.
Показали смо да се традиционалне методе могу заменити проценом старости заснованом на ДМ моделу у форензичкој пракси процене старости у Кореји.Такође смо открили могућност примене машинског учења за форензичку процену старости.Међутим, постоје јасна ограничења, као што је недовољан број учесника у овој студији да би се дефинитивно утврдили резултати и недостатак претходних студија за упоређивање и потврду резултата ове студије.У будућности, студије ДМ би требало да се спроводе са већим бројем узорака и разноврснијом популацијом како би се побољшала њена практична применљивост у поређењу са традиционалним методама.Да би се потврдила изводљивост употребе вештачке интелигенције за процену старости у више популација, потребне су будуће студије за упоређивање тачности и ефикасности класификације ДМ и модела дубоког учења са традиционалним методама у истим узорцима.
Студија је користила 2.657 ортографских фотографија прикупљених од одраслих Корејаца и Јапанаца старости од 15 до 23 године.Корејски радиографи су подељени у 900 сетова за обуку (19,42 ± 2,65 година) и 900 интерних тестних сетова (19,52 ± 2,59 година).Сет за обуку је сакупљен у једној институцији (Сеул Ст. Мари'с Хоспитал), а сопствени сет за тестирање прикупљен је у две институције (Стоматолошка болница Националног универзитета у Сеулу и Стоматолошка болница Универзитета Ионсеи).Такође смо прикупили 857 радиографија из других података заснованих на популацији (Ивате Медицал Университи, Јапан) за екстерно тестирање.Радиографи јапанских субјеката (19,31 ± 2,60 година) одабрани су као екстерни тестни сет.Подаци су прикупљени ретроспективно како би се анализирале фазе развоја зуба на панорамским рендгенским снимцима направљеним током стоматолошког лечења.Сви прикупљени подаци били су анонимни осим пола, датума рођења и датума радиографије.Критеријуми за укључивање и искључење били су исти као у претходно објављеним студијама 4 , 5 .Стварна старост узорка израчуната је одузимањем датума рођења од датума снимања радиографије.Група узорка подељена је у девет старосних група.Расподела старости и пола приказана је у Табели 3. Ова студија је спроведена у складу са Хелсиншком декларацијом и одобрена од стране Институционалног одбора за ревизију (ИРБ) болнице Свете Марије у Сеулу на Католичком универзитету Кореје (КЦ22ВИСИ0328).Због ретроспективног дизајна ове студије, информисани пристанак није могао бити добијен од свих пацијената који су подвргнути радиографском прегледу у терапијске сврхе.Болница Свете Марије (ИРБ) Универзитета у Сеулу Кореје одустала је од захтева за информисаним пристанком.
Фазе развоја бимаксиларног другог и трећег молара су процењене према Демирцан критеријумима25.Одабран је само један зуб ако је исти тип зуба пронађен на левој и десној страни сваке вилице.Ако су хомологни зуби са обе стране били у различитим фазама развоја, зуб са нижим развојним стадијумом је изабран да би се урачунала несигурност у процењеној старости.Два искусна посматрача су оценила сто насумично одабраних рендгенских снимака из скупа за обуку да би се тестирала поузданост међу посматрачима након прекалибрације да би се одредила фаза зрелости зуба.Поузданост унутар посматрача је процењена два пута у интервалима од три месеца од стране примарног посматрача.
Пол и развојни стадијум другог и трећег кутњака сваке вилице у сету за обуку проценио је примарни посматрач обучен са различитим моделима ДМ, а стварна старост је постављена као циљна вредност.СЛП и МЛП модели, који се широко користе у машинском учењу, тестирани су у односу на алгоритме регресије.ДМ модел комбинује линеарне функције користећи развојне фазе четири зуба и комбинује ове податке за процену старости.СЛП је најједноставнија неуронска мрежа и не садржи скривене слојеве.СЛП функционише на основу преноса прага између чворова.СЛП модел у регресији је математички сличан вишеструкој линеарној регресији.За разлику од СЛП модела, МЛП модел има више скривених слојева са нелинеарним функцијама активације.Наши експерименти су користили скривени слој са само 20 скривених чворова са нелинеарним функцијама активације.Користите градијентни пад као метод оптимизације и МАЕ и РМСЕ као функцију губитка за обуку нашег модела машинског учења.Најбољи добијени регресијски модел примењен је на интерне и екстерне тестне сетове и процењена је старост зуба.
Развијен је класификациони алгоритам који користи зрелост четири зуба на сету за обуку да предвиди да ли је узорак стар 18 година или не.Да бисмо изградили модел, извели смо седам репрезентационих алгоритама машинског учења6,43: (1) ЛР, (2) КНН, (3) СВМ, (4) ДТ, (5) РФ, (6) КСГБоост и (7) МЛП .ЛР је један од најчешће коришћених класификационих алгоритама44.То је алгоритам за учење под надзором који користи регресију за предвиђање вероватноће да подаци припадају одређеној категорији од 0 до 1 и на основу ове вероватноће класификује податке као припадајуће вероватнијој категорији;углавном се користи за бинарну класификацију.КНН је један од најједноставнијих алгоритама за машинско учење45.Када се дају нови улазни подаци, он проналази к података близу постојећег скупа и затим их класификује у класу са највећом фреквенцијом.Поставили смо 3 за број разматраних суседа (к).СВМ је алгоритам који максимизира растојање између две класе коришћењем функције кернела да прошири линеарни простор у нелинеарни простор који се зове поља46.За овај модел користимо пристрасност = 1, моћ = 1 и гама = 1 као хиперпараметре за полиномско језгро.ДТ је примењен у различитим областима као алгоритам за поделу читавог скупа података у неколико подгрупа представљањем правила одлучивања у структури дрвета47.Модел је конфигурисан са минималним бројем записа по чвору од 2 и користи Гини индекс као меру квалитета.РФ је метода ансамбла која комбинује вишеструке ДТ да би се побољшале перформансе користећи метод агрегације за покретање који генерише слаб класификатор за сваки узорак насумично извлачећи узорке исте величине више пута из оригиналног скупа података48.Користили смо 100 стабала, 10 дубина стабала, 1 минималну величину чвора и Гини индекс примеса као критеријуме за раздвајање чворова.Класификација нових података утврђује се већином гласова.КСГБоост је алгоритам који комбинује технике појачавања користећи методу која као податке за обуку узима грешку између стварних и предвиђених вредности претходног модела и повећава грешку користећи градијенте49.То је широко коришћен алгоритам због својих добрих перформанси и ефикасности ресурса, као и високе поузданости као функције корекције прекомерног прилагођавања.Модел је опремљен са 400 потпорних точкова.МЛП је неуронска мрежа у којој један или више перцептрона формирају више слојева са једним или више скривених слојева између улазног и излазног слоја38.Користећи ово, можете извршити нелинеарну класификацију где када додате улазни слој и добијете вредност резултата, предвиђена вредност резултата се упоређује са стварном вредношћу резултата и грешка се преноси назад.Направили смо скривени слој са 20 скривених неурона у сваком слоју.Сваки модел који смо развили примењен је на интерне и екстерне скупове за тестирање перформанси класификације израчунавањем осетљивости, специфичности, ППВ, НПВ и АУРОЦ.Осетљивост се дефинише као однос узорка за који се процењује да има 18 година или више према узорку за који се процењује да има 18 година или више.Специфичност је пропорција узорака млађих од 18 година и оних за које се процењује да су млађи од 18 година.
Стоматолошке фазе процењене у сету за обуку претворене су у нумеричке фазе за статистичку анализу.Урађена је мултиваријантна линеарна и логистичка регресија да би се развили предиктивни модели за сваки пол и извеле формуле регресије које се могу користити за процену старости.Користили смо ове формуле за процену старости зуба и за интерне и за екстерне тестове.Табела 4 приказује моделе регресије и класификације који су коришћени у овој студији.
Поузданост унутар и међу посматрачима израчуната је коришћењем Цохенове капа статистике.Да бисмо тестирали тачност ДМ и традиционалних регресионих модела, израчунали смо МАЕ и РМСЕ користећи процењену и стварну старост интерних и екстерних тестних скупова.Ове грешке се обично користе за процену тачности предвиђања модела.Што је грешка мања, то је већа тачност прогнозе24.Упоредите МАЕ и РМСЕ интерних и екстерних скупова тестова израчунатих коришћењем ДМ и традиционалне регресије.Учинак класификације 18-годишњег пресека у традиционалној статистици је процењен коришћењем табеле контингентности 2 × 2.Израчуната осетљивост, специфичност, ППВ, НПВ и АУРОЦ тестног скупа упоређени су са измереним вредностима ДМ модела класификације.Подаци су изражени као средња вредност ± стандардна девијација или број (%) у зависности од карактеристика података.Двостране вредности П <0,05 сматране су статистички значајним.Све рутинске статистичке анализе су обављене коришћењем САС верзије 9.4 (САС Институте, Цари, НЦ).Модел ДМ регресије је имплементиран у Питхон-у користећи Керас50 2.2.4 бацкенд и Тенсорфлов51 1.8.0 посебно за математичке операције.Модел ДМ класификације је имплементиран у Ваикато Кновледге Аналисис Енвиронмент и Констанз Информатион Минер (КНИМЕ) 4.6.152 платформу за анализу.
Аутори признају да се подаци који подржавају закључке студије могу наћи у чланку и додатним материјалима.Скупови података генерисани и/или анализирани током студије доступни су од одговарајућег аутора на разуман захтев.
Ритз-Тимме, С. ет ал.Процена узраста: стање технике да би се испунили специфични захтеви форензичке праксе.интернационалност.Ј. Правна медицина.113, 129–136 (2000).
Сцхмелинг, А., Реисингер, В., Гесерик, Г., анд Олзе, А. Тренутни статус форензичке процене старости живих субјеката у сврху кривичног гоњења.Форензика.лек.Патологија.1, 239–246 (2005).
Пан, Ј. ет ал.Модификована метода за процену старости зуба деце узраста од 5 до 16 година у источној Кини.клинички.Усмена анкета.25, 3463–3474 (2021).
Лее, СС итд. Хронологија развоја другог и трећег кутњака код Корејаца и њена примена за форензичку процену старости.интернационалност.Ј. Правна медицина.124, 659–665 (2010).
Ох, С., Кумагаи, А., Ким, СИ и Лее, СС Тачност процене старости и процене 18-годишњег прага на основу зрелости другог и трећег молара код Корејаца и Јапанаца.ПЛоС ОНЕ 17, е0271247 (2022).
Ким, ЈИ, ет ал.Анализа података заснована на преоперативном машинском учењу може предвидети исход лечења операције спавања код пацијената са ОСА.Наука.Извештај 11, 14911 (2021).
Хан, М. ет ал.Тачна процена старости из машинског учења са или без људске интервенције?интернационалност.Ј. Правна медицина.136, 821–831 (2022).
Кхан, С. и Схахеен, М. Фром Дата Мининг то Дата Мининг.Ј.Информатион.Наука.хттпс://дои.орг/10.1177/01655515211030872 (2021).
Кхан, С. и Схахеен, М. ВисРуле: Први когнитивни алгоритам за рударење правила асоцијација.Ј.Информатион.Наука.хттпс://дои.орг/10.1177/01655515221108695 (2022).
Схахеен М. и Абдуллах У. Карм: Традиционално рударење података засновано на правилима асоцијације заснованим на контексту.израчунати.Матт.Настави.68, 3305–3322 (2021).
Мухаммад М., Рехман З., Схахеен М., Кхан М. и Хабиб М. Детекција семантичке сличности заснована на дубоком учењу коришћењем текстуалних података.информисати.технологије.контролу.хттпс://дои.орг/10.5755/ј01.итц.49.4.27118 (2020).
Табисх, М., Таноли, З. и Схахин, М. Систем за препознавање активности у спортским видео записима.мултимедија.Апликације за алатке хттпс://дои.орг/10.1007/с11042-021-10519-6 (2021).
Халаби, СС ет ал.РСНА изазов машинског учења у педијатријском коштаном добу.Радиологија 290, 498–503 (2019).
Ли, И. ет ал.Форензичка процена старости на основу рендгенских снимака карлице помоћу дубоког учења.ЕУРО.зрачења.29, 2322–2329 (2019).
Гуо, ИЦ, ет ал.Прецизна старосна класификација коришћењем ручних метода и дубоких конволуционих неуронских мрежа из ортографских пројекцијских слика.интернационалност.Ј. Правна медицина.135, 1589–1597 (2021).
Алабама Далора и др.Процена старости костију коришћењем различитих метода машинског учења: систематски преглед литературе и мета-анализа.ПЛоС ОНЕ 14, е0220242 (2019).
Ду, Х., Ли, Г., Цхенг, К., анд Ианг, Ј. Процена старости Афроамериканаца и Кинеза специфичне за популацију на основу запремине пулпне коморе првих молара коришћењем компјутеризоване томографије конусног зрака.интернационалност.Ј. Правна медицина.136, 811–819 (2022).
Ким С., Лее ИХ, Нох ИК, Парк ФК и Ох КС Одређивање старосних група живих људи помоћу слика првих кутњака заснованих на вештачкој интелигенцији.Наука.Извештај 11, 1073 (2021).
Стерн, Д., Паиер, Ц., Гиулиани, Н., и Урсцхлер, М. Аутоматска процена старости и класификација старости пунолетства из мултиваријантних МРИ података.ИЕЕЕ Ј. Биомед.Здравствена упозорења.23, 1392–1403 (2019).
Цхенг, К., Ге, З., Ду, Х. и Ли, Г. Процена старости заснована на сегментацији 3Д пулпне коморе првих молара из компјутеризоване томографије конусног зрака интеграцијом дубоког учења и скупова нивоа.интернационалност.Ј. Правна медицина.135, 365–373 (2021).
Ву, ВТ, ет ал.Дата мининг у клиничким великим подацима: уобичајене базе података, кораци и модели метода.Свет.лек.ресурс.8, 44 (2021).
Ианг, Ј. ет ал.Увод у медицинске базе података и технологије рударења података у ери великих података.Ј. Авид.Основна медицина.13, 57–69 (2020).
Схен, С. ет ал.Камереров метод за процену старости зуба коришћењем машинског учења.БМЦ Орално здравље 21, 641 (2021).
Галлибург А. ет ал.Поређење различитих метода машинског учења за предвиђање старости зуба коришћењем Демирџијанове методе инсценације.интернационалност.Ј. Правна медицина.135, 665–675 (2021).
Демирдјиан, А., Голдстеин, Х. и Таннер, ЈМ Нови систем за процену старости зуба.фркнути.биологија.45, 211–227 (1973).
Ландис, ЈР, и Коцх, ГГ Мере споразума посматрача о категоричким подацима.Биометрија 33, 159–174 (1977).
Бхаттацхарјее С, Пракасх Д, Ким Ц, Ким ХК и Цхои ХК.Текстуална, морфолошка и статистичка анализа дводимензионалне магнетне резонанце техникама вештачке интелигенције за диференцијацију примарних тумора мозга.Здравствене информације.ресурс.хттпс://дои.орг/10.4258/хир.2022.28.1.46 (2022).
Време поста: Јан-04-2024