• ми

Валидација модела рударства података против традиционалних метода процене стоматологије међу корејским адолесцентима и младим одраслим особама

Хвала вам на посети натуре.цом. Верзија претраживача користите има ограничена ЦСС подршка. За најбоље резултате, препоручујемо употребу новије верзије вашег прегледача (или искључивање режима компатибилности у Интернет Екплорер). У међувремену, како би се осигурала стална подршка, приказујемо веб локацију без стила или ЈаваСцрипт-а.
Зуби се сматрају најтачнијим показатељем старости људског тела и често се користе у форензичкој старосној процени. Циљ нам је да потврдимо процјене стоматолошке достике засноване на бази података упоређујући процену тачности и класификационе перформансе 18-годишње прагове са традиционалним методама и процјенама заснованих на подацима. Укупно 2657 панорамских радиографа прикупљено је од корејских и јапанских грађана старости од 15 до 23 године. Они су били подељени у сет за обуку, који садрже 900 корејских радиографа и интерни сет теста који садржи 857 јапанских радиографија. Упоредили смо тачност класификације и ефикасност традиционалних метода са тестним скуповима модела рударства података. Тачност традиционалне методе на унутрашњем тесту је нешто већа од модела рударског модела података, а разлика је мала (значи апсолутна грешка <0,21 године, роот средња квадратна грешка <0,24 године). Настава о класификацији за одсецање 18-годишњег одсека је такође слична између традиционалних метода и модела рудања података. Дакле, традиционалне методе могу се заменити моделима рударских података приликом извођења форензичке старосне процене користећи рочност другог и трећег кутњака у корејским адолесцентима и младим одраслим особама.
Процена стоматологије се широко користи у форензичкој медицини и педијатријској стоматологији. Конкретно, због велике корелације између хронолошког старости и зубног развоја, старосне процене стадијућих фаза за зубне развојне вредности је важан критеријум за процену старости деце и адолесцената1,2,3. Међутим, за младе, процене зубне старосне доби на бази стоматолошке зрелости има своја ограничења јер је зубни раст готово потпун, осим трећих кутњака. Правна сврха утврђивања старости младих и адолесцената је да пружи тачне процене и научне доказе о томе да ли су достигли старост већине. У медици-правној пракси адолесцената и младих одраслих у Кореји, старост је процењена коришћењем Лееове методе, а законска прага од 18 година предвиђена је на основу података о ОХ и АЛ 5.
Машинско учење је врста вештачке интелигенције (АИ) која више пута сазнаје и класификује велике количине података, решава сопствене проблеме и покреће програмирање података. Машинско учење може открити корисне скривене обрасце у великим количинама података6. Супротно томе, класичне методе, које су радне интензивне и дуготрајне, могу имати ограничења када се баве великим количинама сложених података који је тешко обрадити ручно7. Стога су многе студије проведене недавно коришћењем најновијих рачунарских технологија за минимизирање људских грешака и ефикасно процесуирање вишедимензионалних података8,9,10,11,12. Нарочито је дубоко учење широко коришћено у медицинској анализи слика и разне методе за процену старости аутоматски анализирајући радиографије побољшања тачности и ефикасности старосне процене13,14,15,16,17,18,19,20 . На пример, Халаби ет ал 13 развио је алгоритам учења машине заснован на конвенционалној неуронском мрежи (ЦНН) да би проценио скелетни старост користећи радиографије дечијих руку. Ова студија предлаже модел који примењује машинско учење медицинским сликама и показује да ове методе могу побољшати дијагностичку тачност. Лит ЕТ АЛ14 Процењена старост од карличних рендгенских слика користећи дубоко учење ЦНН и упоређивали их са регресијским резултатима користећи процену фазе постсефикације. Открили су да је модел ЦНН-а дубоког учења показао исту стварну перформансу процене као и традиционални регресијски модел. У студију ГУО и АЛ-а [15] Оцењивале су перформансе класификације толеранције на старосну доб на технологију ЦНН-а на основу стоматолошких ортофота, а резултати ЦНН модела доказали су да су људи надмашили своје перформансе своје старосне класификације.
Већина студија о старосној процени коришћењем машинског учења Користите методе дубоког учења13,14,15,16,17,18,19,20. Извештава се да је старосна процена заснована на дубоком учењу тачније од традиционалних метода. Међутим, овај приступ омогућава мало прилика да представи научна основа за процјене старости, као што су старосна показатељи који се користе у проценама. Постоји и правни спор око тога ко врши инспекције. Стога је старосна процена заснована на дубоком учењу тешко прихватити административне и правосудне власти. Рударство података (ДМ) је техника која не може да открије не само очекиване, већ и неочекиване информације као метода за откривање корисних корелација између великих количина података6,21,22. Машинско учење се често користи у рударству података, а оба рударства података и машинско учење користе исте кључне алгоритме за откривање образаца података. Добна процена коришћења зубног развоја заснива се на процени испитивача зрелости циљних зуба, а ова процена се изражава као позорница за сваки циљни зуб. ДМ се може користити за анализу корелације између фазе процјене зуба и стварног доба и има потенцијал да замени традиционалну статистичку анализу. Стога, ако применимо технике ДМ-а до старосне процене, можемо имплементирати учење машине у процену форензичког старости без бриге о правној одговорности. Омогућено је неколико компаративних студија о могућим алтернативама традиционалним приручним методама које се користе у форензичкој пракси и методама заснованим на ЕБМ-у за одређивање зубне старости. Схен ет ал23 показао је да је модел ДМ тачнији од традиционалне формуле камере. Галибоург ет ал24 примењивао је различите методе ДМ-а да предвиђају старост у складу са демирдјијским критеријумом25, а резултати су показали да је ДМ метода надмашила методе Демирдјиан и Виллемс у процени старости француског становништва.
Да би се проценила стоматолошко доба корејских адолесцената и младих одраслих, Лееов метод 4 се широко користи у корејској форензичкој пракси. Ова метода користи традиционалну статистичку анализу (као што је вишеструка регресија) како би испитала однос између корејских предмета и хронолошког доба. У овој студији, методе процене старости добијене традиционалним статистичким методама дефинисане су као "традиционалне методе". ЛЕЕ-ова метода је традиционална метода, а његова тачност је потврдила ох и др. 5; Међутим, применљивост старосне процене на основу модела ДМ-а у корејској форензичкој пракси је и даље упитна. Наш циљ је био научно потврдити потенцијалну корисност старосне процене на основу модела ДМ-а. Сврха ове студије била је (1) да упореди тачност два модела ДМ-а у процени зубне старости и (2) да упореди перформансе класификације од 7 ДМ модела у доби од 18 година са онима добијеним традиционалним статистичким методама доспећа у секунди и трећи кутњаци у обе чељусти.
Средства и стандардна одступања хронолошког доба позорском и типу зуба приказана су на мрежи у додатном столу С1 (сет тренинга), додатна табела С2 (унутрашњи тест сет) и додатна тест С3 (спољни тест С3 (спољни тест С3 (спољни тест С3 (спољни тест С3). Вриједности каппа за поузданост унутар и међуобсервере добијене од скупа обуке биле су 0,951 и 0,947, респективно. П Вредности и 95% интервали поузданости за капфа вредности приказани су у мрежи додатна табела С4. Каппа вредност протумачена је као "скоро савршена", у складу са критеријумима Ландиса и Коцх26.
Када упоређују значку апсолутну грешку (МАЕ), традиционална метода благо надмашује модел ДМ-а за све пола и у спољном мужном тесту, осим вишеслојног перцептра (МЛП). Разлика између традиционалног модела и модела ДМ-а на унутрашњем тесту МАЕ-а била је 0.12-0.19 година за мушкарце и 0.17-0.21 године за жене. За спољну тестну батерију, разлике су мање (0,001-0,05 година за мушкарце и 0,05-0,09 година за жене). Поред тога, коријенска средња квадратна грешка (РМСЕ) је нешто нижа од традиционалне методе, са мањим разликама (0.17-04, 0.2-0.24 за мушки интерни тест тест и 0,03-0,07, 0,04-0,08 за спољни тест). ). МЛП показује мало боље перформансе од једног слоја Перцептрон (СЛП), осим у случају женског сета за спољни тест. За МАЕ и РМСЕ, спољни тест сет постиже веће од интерног теста за све споре и моделе. Сви Мае и РМСЕ су приказани у Табели 1 и Слика 1.
МАЕ и РМСЕ ТРАДИЦИОНАЛНЕ И МОДЕЛЕ РЕГРЕССИЈЕ МРЖАВНИХ И ПОДАТАКА. Средња апсолутна грешка Мае, роот средња квадратна грешка РМСЕ, једнослојни слој перцептрон СЛП, вишеслојни перцептрон МЛП, традиционална цм метода.
Учинковитост класификације (са одсеком од 18 година) традиционалних и ДМ модела показала су се у погледу осетљивости, специфичности, позитивне предиктивне вредности (ППВ), негативне предиктивне вредности (НПВ) и подручја под пријемником оперативне карактеристичне кривуље (Ауроц) 27 (Табела 2, Слика 2 и додатна слика 1 на мрежи). У погледу осетљивости интерне тестне батерије, традиционалне методе су се најбоље понашале међу мушкарцима и горе међу женама. Међутим, разлика у класификацији перформанси традиционалних метода и СД-а је 9,7% за мушкарце (МЛП) и само 2,4% за жене (КСГБоост). Међу моделима ДМ-а, логистичка регресија (ЛР) показала је бољу осетљивост у оба пола. Што се тиче специфичности унутрашњег испитивања, примећено је да су четири СД модела добро извршила добро у мужјацима, док је традиционални модел боље извршио женке. Разлике у класификационим перформансама за мушкарце и жене су 13,3% (МЛП) и 13,1% (МЛП), ревидирајући да разлика у перформансама класификације између модела прелази осетљивост. Међу моделима ДМ-а, машине за подршку (СВМ), стабло одлучивања (ДТ) и насумична шума (РФ) су се најбоље понашали међу мужјацима, док је ЛР модел најбољим женама извршио најбоље код жена. Ауроц традиционалног модела и свих СД модела био је већи од 0,925 (К-најближи комшија (КНН) у мушкарцима), показујући одличне перформансе класификације у дискриминацији 18-годишњих узорака28. За спољни сет теста, дошло је до смањења перформанси класификације у погледу осетљивости, специфичности и аурока у поређењу са унутрашњим тестним сетом. Штавише, разлика у осетљивости и специфичности између класификације перформанси најбољих и најгорих модела кретала се од 10% до 25% и била је већа од разлике у унутрашњем сету за испитивање.
Осјетљивост и специфичност класификационих модела рударства података у поређењу са традиционалним методама одсеком од 18 година. КНН К Најближа комшија, СвМ подршка векторским машинама, ЛР Логистичка регресија, ДТ одлучивање, РФ Рандом Форест, КСГБ КСГБоост, МЛП МултиЛаиер Перцептрон, Традиционална ЦМ метода.
Први корак у овој студији био је поређење тачности процјене стоматолошког старости добијених од седам модела ДМ са онима добијеним коришћењем традиционалне регресије. МАЕ и РМСЕ су оцењени у унутрашњим тестовима за оба пола, а разлика између традиционалне методе и модела ДМ-а кретала се од 44 до 77 дана за МАЕ и од 62 до 88 дана за РМСЕ. Иако је традиционална метода нешто тачнија у овој студији, тешко је закључити да ли таква мала разлика има клиничка или практична значајност. Ови резултати указују на то да је тачност процене стоматолошке старости помоћу ДМ модела готово иста као и традиционална метода. Директно упоређивање са резултатима из претходних студија је тешко јер ниједна студија није упоредила тачност модела ДМ-а са традиционалним статистичким методама користећи исту технику снимања зуба у истом добном распону као у истом узрасту у истом узрасту. Галибоург ет ал24 упоредио је МАЕ и РМСЕ између две традиционалне методе (Демирјиан метода25 и Виллемс Метход29) и 10 ДМ модела у француском становништву узраста од 2 до 24 године. Извештавали су да су сви модели ДМ-а били тачнији од традиционалних метода, са разликама од 0,20 и 0,38 година у МАИ и 0,25 и 0,47 ГОДИНА РМСЕ у односу на ВилеМес и методе Демирдјиан. Одступање између СД модела и традиционалних метода приказаних у Халибоург студији узима у обзир бројне извештаје30,31,32,33 да је Демирдјиан метода не прецизно проценити зубну старост у популацији која није Француски Канађани на којима је студија била заснована. У овој студији. Таи ет ал 34 користили су МЛП алгоритам да предвиђа старост зуба од 1636 кинеских ортодонтских фотографија и упоређивао је његову тачност са резултатима Демирјиан и Виллемс методе. Извештавали су да МЛП има већу тачност него традиционалне методе. Разлика између демирдјиан методе и традиционалне методе је <0,3,3 године, а метода Виллемс је 0.28 година, што је слично резултатима ове студије. Резултати ових претходних студија24,34 су такође у складу са резултатима ове студије, а старосна процена процене модела ДМ-а и традиционалне методе су сличне. Међутим, на основу представљених резултата, можемо опрезно закључити да употреба ДМ модела за процену старости може заменити постојеће методе због недостатка компаративних и референцираних претходних студија. Потребне су пратеће студије које користе веће узорке да би се потврдили постигнути резултати у овој студији.
Међу студијама тестирање тачности СД-а у процени зубне старости, неки су показали већу тачност него нашу студију. Степановски ет ал 35 применио је 22 СД модела на панорамске радиографије од 976 чешких становника старих 2,7 до 20,5 година и тестирали су тачност сваког модела. Они су оценили развој укупно 16 горњих и доњих сталних зуба леве стране користећи критеријуме класификације који су предложили Моортреес и АЛ 36. Мае се креће од 0,64 до 0,94 године, а РМСЕ се креће од 0,85 до 1,27 године, што је тачније од два модела ДМ-а који се користе у овој студији. Схен ет ал23 користио је Цамериере методу да процени стоматолошку стару од седам трајних зуба у левој мандисти у источном кинеском становништву у доби од 5 до 13 година и упоређивао је са узрастовима процењеним коришћењем линеарне регресије, СВМ и РФ. Показали су да сва три модела ДМ имају већу тачност у поређењу са традиционалном формулом Цамериере. Мае и РМСЕ у Схеновој студији били су нижи од оних у ДМ моделу у овој студији. Повећана прецизност студија Степановског ет ал. 35 и Схен ет ал. 23 могу бити последица укључивања млађих предмета у своје узорак студија. Будући да су старосне процене за учеснике развијених зуба постају тачнији колико се повећава број зуба током стоматолошког развоја, тачност насталих метода процене старости може се угрозити када су учесници студија млађи. Поред тога, Грешка МЛП-а у старосној процени је нешто мања од СЛП-а, што значи да је МЛП тачнији од СЛП-а. МЛП се сматра благо бољим за старосну процену, вероватно због скривених слојева у МЛП38. Међутим, постоји изузетак за спољни узорак жена (СЛП 1.45, МЛП 1.49). Откривање да је МЛП тачнији од СЛП-а у процени старости захтева додатне ретроспективне студије.
Такође су упоређени на перформансе класификације модела ДМ-а и традиционалне методе на 18-годишњем прагу. Сви тестирани СД модели и традиционалне методе на унутрашњем испитном скупу показали су практично прихватљиве нивое дискриминације за 18-годишњи узорак. Осетљивост за мушкарце и жене била је већа од 87,7%, односно 94,9%, а специфичност је била већа од 89,3% и 84,7%. Ауроц свих тестираних модела такође прелази 0.925. Колико на нашем знању, ниједна студија није тестирала перформансе ДМ модела за 18-годишњу класификацију на основу стоматолошког зрелости. Резултати ове студије можемо упоредити са класификационим перформансама дубоких модела учења на панорамским радиографима. ГУО ЕТ АЛ.15 Израчунали су перформансе класификације ЦНН-а на моделу учења у учењу ЦНН-а и ручне методе засноване на Демирјиановој методи за одређени праг старости. Осјетљивост и специфичност ручне методе износила је 87,7%, односно 95,5%, а осетљивост и специфичност модела ЦНН премашила је 89,2% и 86,6%, респективно. Закључили су да модели дубоког учења могу заменити или надмашити ручну процену у класификационим праговима старости. Резултати ове студије показали су сличне перформансе класификације; Верује се да класификација коришћења ДМ модела може заменити традиционалне статистичке методе за старосну процену. Међу моделима, ДМ ЛР је био најбољи модел у погледу осетљивости за мушки узорак и осетљивост и специфичност за женски узорак. ЛР је на другом месту у специфичности за мушкарце. Штавише, ЛР се сматра једним од више корисничких модела ДМ35 модела и мање је сложен и тешко је обрађивати. На основу ових резултата, ЛР је сматран најбољим моделом класификације одсека за 18-годишњаке у корејском становништву.
Све у свему, тачност старосне процене или класификације перформанси на спољном тесту је била лоша или нижа у поређењу са резултатима на унутрашњем сету теста. Неки извештаји указују на то да се тачност класификације или ефикасности смањује када се старосне процене на основу корејског становништва налазе на јапанско становништво5.39, а сличан образац је пронађен у овој студији. Овај тренд пропадања такође је примећен у моделу ДМ-а. Стога, прецизно проценити старост, чак и када се користи ДМ у процесу анализе, методе произведене из података о ролим становништву, као што су традиционалне методе, требало би да буду префериране5,39,40,41,42. Пошто је нејасно да ли модели дубоког учења могу показати сличне трендове, студије које упоређују тачност класификације и ефикасност користећи моделе ДМ-а, и модели ДМ-а и модели дубоког учења на истим узорцима, да ли вештачка интелигенција може превазићи ове расне разлике у ограниченом добу. Процене.
Доказујемо да традиционалне методе могу се заменити по старосној процени заснованој на моделу ДМ-а у одлучној пракси форензичке старосне доби у Кореји. Такође смо открили могућност примене машинског учења за процену форензичке старосне доби. Међутим, постоје јасна ограничења, као што је недовољан број учесника ове студије да би дефинитивно утврдили резултате и недостатак претходних студија да упореде и потврде резултате ове студије. У будућности би се студије ДМ-а требале спровести са већим бројем узорака и разноликија популације за побољшање њене практичне применљивости у поређењу са традиционалним методама. Да би потврдили изводљивост коришћења вештачке интелигенције за процену старости у више популација, потребно је будуће студије да упоредите тачност класификације и ефикасности ДМ-а и модела дубоког учења са традиционалним методама у истим узорцима.
Студија је користила 2.657 ортографских фотографија прикупљених од корејских и јапанских одраслих година од 15 до 23 године. Корејски радиографи су подељени у 900 скупова обуке (19,42 ± 2,65 година) и 900 интерних тестова (19,52 ± 2,59 година). Скуп обуке је прикупљен у једној институцији (Болница Сеул Ст. Мари), а властити сет теста прикупљен је у две институције (Дентал Болтолошка болница Сеоул Национална универзитетског универзитета и ИОНЕИ на универзитетском стоматолошком болницом). Такође смо прикупили 857 радиографа из других података заснованих на популацији (ИВАТЕ Медицински универзитет, Јапан) за спољни тестирање. Радиографије јапанских предмета (19,31 ± 2,60 година) су изабрани као спољни тест сет. Подаци се прикупљају ретроспективно за анализу фаза стоматолошког развоја на панорамским радиографима узетих током зубног третмана. Сви прикупљени подаци били су анонимни, осим полаза, датум рођења и датум радиографије. Критеријуми за укључивање и искључење биле су исте као и претходно објављене студије 4, 5. Стварно доба узорка израчунато је одузимањем датума рођења од дана преузета радиографија. Узорак је подељена у девет старосних група. Расподјела старости и секса приказана су у Табели 3 Ова студија је спроведена у складу са проглашењем Хелсинкија и одобрена од стране Одбора за институционални преглед (ИРБ) Болница Католичког универзитета у Католичком универзитету у Кореји (КЦ22Виси0328). Због ретроспективног дизајна ове студије, информисани пристанак није могао да се добије од свих пацијената који су у радиографском испитивању терапијске сврхе. Универзитет Сеоул Кореја Ст. Мариска болница (ИРБ) одрекла је услов за информисани пристанак.
Развојне фазе бимаксиларног другог и трећег куца процењене су према Цритеријумима Демирцан25. Изабран је само један зуб ако је иста врста зуба пронађена на левој и десној страни сваке вилице. Ако су хомологни зуби на обе стране били на различитим развојним фазама, зуб са нижом развојном фазом је изабран за приказ неизвесности у процењеном добу. Сто насумично одабраних радиографа из скупа обуке које су два искусна посматрача постигла да тестирају поузданост међуобсервера након прециентабрације да би се утврдила стадија зрелости стоматологије. Поузданост Интраобсервера процењена је два пута у тромесечним интервалима од стране примарног посматрача.
Пол и развојна фаза другог и трећег кутњака сваке вилице у скупу обуке процењена је примарни посматрач обучен са различитим моделима ДМ-а, а стварна старост је постављена као циљна вредност. СЛП и МЛП модели, који се широко користе у машинском учењу, тестирани су против регресијских алгоритама. ДМ модел комбинује линеарне функције користећи развојне фазе четири зуба и комбинују ове податке да процене старост. СЛП је најједноставнија неуронска мрежа и не садржи скривене слојеве. СЛП ради заснован на преносу прага између чворова. СЛП модел регресије је математички сличан на вишеструким линеарним регресијом. За разлику од СЛП модела, МЛП модел има више скривених слојева са нелинеарним функцијама активирања. Наши експерименти су користили скривени слој са само 20 скривених чворова са нелинеарним функцијама активирања. Користите градијентни силазак као метод оптимизације и МАЕ и РМСЕ као функцију губитака да бисте обучили наш модел учења машина. Најбољи добијени регресијски модел примењен је на унутрашње и спољне тестне сетове и процењено је старост зуба.
Развијен је алгоритам класификације који користи рочност од четири зуба на обуку која је предвиђена да би се предвидио да ли је узорак стар 18 година или не. Да бисте изградили модел, извели смо седам репрезентација алгоритма у учењу машина6,43: (1) ЛР, (2) КНН, (3) СВМ, (4) ДТ, (5) РФ, (6) КСГБоост и (7) КСГБоост и (7) МЛП . ЛР је један од најчешће коришћених алгоритма за класификацију44. То је под надзорени алгоритам учења који користи регресију да предвиди вероватноћу података које припадају одређеној категорији од 0 до 1 и класификује податке као што је припадају вероватнијој категорији на основу ове вероватноће; углавном се користи за бинарну класификацију. КНН је један од најједноставнијих алгоритма за учење машина45. Када је дата нових улазних података, проналази К података близу постојећег скупа, а затим их класификује у класу са највећом фреквенцијом. Поставили смо 3 за број разматраних суседа (К). СВМ је алгоритам који максимизира удаљеност између две класе помоћу функције кернела да прошири линеарни простор у нелинеарни простор назван поља46. За овај модел користимо пристраност = 1, моћ = 1 и гамма = 1 као хиперпараметри за полиномски кернел. ДТ је на разним областима примењен као алгоритам за поделу целокупних података постављених у неколико подгрупа представљајући правила одлука у структури стабла47. Модел је конфигурисан са минималним бројем записа по чвору 2 и користи Гини индекс као меру квалитета. РФ је метода ансамбла који комбинује више ДТС-а за побољшање перформанси коришћењем методе агрегације боотстрап-а који генерише слаб класификатор за сваки узорак насумично цртањем узорака исте величине више пута из оригиналног датасет48. Користили смо 100 стабала, 10 дубина стабла, 1 минималне величине чвора и индекса Гини Адмигхтуре Критеријуми за одвајање чворова. Класификација нових података одређује се већином гласова. КСГБоост је алгоритам који комбинује технике појачања коришћењем методе која узима као подаци о тренингу Грешка између стварних и предвиђених вредности претходног модела и повећања грешке користећи Грестерије49. То је широко коришћени алгоритам због добре ефикасности перформанси и ресурса, као и високу поузданост као функција за корекцију оверфитирања. Модел је опремљен 400 точкова за подршку. МЛП је неуронска мрежа у којој један или више перцептрона формирају више слојева са једним или више скривених слојева између улазних и излазних слојева38. Користећи ово, можете да извршите нелинеарну класификацију у којој када додате уносног слоја и добићете вредност резултата, предвиђена вредност резултата упоређује се са стварном вриједношћу резултата и грешка се размножава назад. Складили смо скривени слој са 20 скривених неурона у сваком слоју. Сваки модел који смо развили примењени су на унутрашње и спољне скупове за испитивање класификације прочишћавањем осетљивости, специфичности, ППВ-а, НПВ и Ауроц-а. Осетљивост је дефинисана као однос узорка процењено да има 18 година или старији на узорак процијењен је да има 18 или више година. Специфичност је удео узорака млађих од 18 година и они који се процењује да су млађи од 18 година.
Стоматолошке фазе процењене у скупу обуке претворена су у нумеричке фазе за статистичку анализу. Мултиваријантна линеарна и логистичка регресија извршена је за развој предиктивних модела за сваки секс и потичу регресијске формуле које се могу користити за процену старости. Ове формуле смо користили за процену старости зуба и за унутрашње и спољне тестне сетове. Табела 4 приказује регресију и модели за класификацију који се користе у овој студији.
Поузданост унутар и међуобсервера израчуната је коришћењем Цохенове статистике Каппа. Да бисмо тестирали тачност ДМ и традиционалних регресијских модела, израчунали смо МАЕ и РМСЕ користећи процењени и стварни узрасти унутрашњих и екстерних тестних сетова. Ове грешке се обично користе за процену тачности предвиђања модела. Што је мања грешка, то је већа тачност прогнозе24. Упоредите МАЕ и РМСЕ интерне и екстерне тестиране скупове израчунате помоћу ДМ-а и традиционалне регресије. Конкурификационе перформансе 18-годишњег прекида у традиционалном статистику оцењена је помоћу табеле за непредвиђене ситуације са 2 × 2. Израчуната осетљивост, специфичност, ППВ, НПВ и Ауроц тест сета упоређена је са измереним вредностима модела класификације ДМ-а. Подаци се изражавају као средње ± стандардно одступање или број (%) у зависности од карактеристика података. Двије стране П вредности <0,05 сматране су статистички значајним. Све рутинске статистичке анализе извршене су користећи САС верзију 9.4 (САС Институт, Цари, НЦ). Модел регресије ДМ-а реализован је у Питхон-у користећи КЕРАС50 2.2.4 Бацкенд и ТенсорФлов51 1.8.0 посебно за математичке операције. Модел класификације ДМ-а реализован је у окружењу Анализа знања Ваикато и Констанз Информатион Минер (Книме) 4.6.152 Платформа за анализу.
Аутори признају да подаци који подржавају закључке студије могу се наћи у члану и допунским материјалима. Разводни скупови података и / или анализирани током студије доступни су од одговарајућег аутора о разуму.
Ритз-Тимме, С. Ет ал. АГЕ процена: стање технике у складу са специфичним захтевима форензичке праксе. Међународност. Ј. Правни лек. 113, 129-136 (2000).
Сцхмелинг, А., Реисингер, В., Гесерик, Г. и Олзе, А. Тренутни статус форензичке старосне доби процјене живих предмета за потребе кривичних тужилаштва. Форензика. лек. Патологија. 1, 239-246 (2005).
Пан, Ј. Ет ал. Модификована метода за процену стоматолошког доба деце узраста од 5 до 16 година у источној Кини. Клинички. Усмено истраживање. 25, 3463-3474 (2021).
ЛЕЕ, СС итд. Хронологија развоја другог и трећег кутњака у Корејским и њеној пријави за процену форензичке старосне доби. Међународност. Ј. Правни лек. 124, 659-665 (2010).
Ох, С., Кумагаи, А., Ким, СИ и Лее, СС Тачност старосне процене и процена 18-годишње прагове на основу рочности другог и трећег кутњака на корејским и јапанским. Пло је један 17, Е0271247 (2022).
Ким, Ји, ет ал. Преоперативна машина за учење на основу учења може предвидјети исход третмана за обућу за спавање код пацијената са ОСА-ом. наука. Извештај 11, 14911 (2021).
Хан, М. ет ал. Тачна старосна процена од машинског учења са или без људске интервенције? Међународност. Ј. Правни лек. 136, 821-831 (2022).
Кхан, С. и Схахеен, М. из минирања података до рударства података. Ј.Информатион. наука. хттпс: //дои.орг/10.1177/01655515211030872 (2021).
Кхан, С. и Схахеен, М. Висруле: Први когнитивни алгоритам за удруживање правило рударство. Ј.Информатион. наука. хттпс: //дои.орг/10.1177/01655515221108695 (2022).
Схахеен М. и Абдуллах У. Карм: Традиционални рударство података на основу правила удруживања на основу контекста. Израчунајте. Матт. Наставите. 68, 3305-3322 (2021).
Мухаммад М., Рехман З., Схахеен М., Кхан М. и Хабиб М. Детекција семантичке сличности у учењу у учењу у вези са текстуалним подацима. Информисати се. Технологије. Контрола. 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 снимцима. Мултимедија. Апликације за алате хттпс: //дои.орг/10.1007/С11042-021-10519-6 (2021).
Халаби, СС и др. РСНА Машински изазов у ​​учењу у педијатријској старости костију. Радиологија 290, 498-503 (2019).
ЛИ, И. ет ал. Процјена форензичког старости од карличних рендгенских зрака користећи дубоко учење. Еуро. зрачење. 29, 2322-2329 (2019).
ГУО, ИЦ и др. Тачна старосна група која користи ручне методе и дубоке конвенционарне неуронске мреже из ортографских пројекционих слика. Међународност. Ј. Правни лек. 135, 1589-1597 (2021).
Алабама Далора ет ал. Процена коштане старосне доби помоћу различитих метода учења машина: Систематска преиспитивање литературе и мета-анализа. Пло је један 14, Е0220242 (2019).
ДУ, Х., ЛИ, Г., Цхенг, К. и Ианг, Ј. Ј. Специфична старосна доб специфична за становништво Афрички Американци и Кинези засноване на количини коморе за пулпске коморе прве куле користећи конусну израчунату томографију конуса. Међународност. Ј. Правни лек. 136, 811-819 (2022).
Ким С., Лее Их, Нох ик, Парк ФК и ОХ КС Одређују старосне групе живих људи користећи вештачке обавештајне слике првих кутњака. наука. Извештај 11, 1073 (2021).
Стерн, Д., Паиер, Ц., Гиулиани, Н. и Урсцхлер, М. Аутоматска добнационална процена и већинска старосна класификација од мултиваријантних МРИ података. Иеее Ј. Биомед. Здравствена упозорења. 23, 1392-1403 (2019).
ЦХЕНГ ,, ГЕ, З., ДУ, Х. и ЛИ, Г. ГО АГЕ процјена заснована на 3Д сегментацији травлака у сулулу од рачунарске томографије са конусним снопом интегрисањем дубоког учења и нивоа учења. Међународност. Ј. Правни лек. 135, 365-373 (2021).
Ву, ВТ и др. Рударство података 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 рударства података у Ери Биг Дата. Ј. Авид. Основни лек. 13, 57-69 (2020).
Схен, С. ет ал. Камеровода метода за процену старости зуба користећи машинско учење. БМЦ Орално здравље 21, 641 (2021).
Галлибург А. и др. Поређење различитих метода учења машина за предвиђање стоматолошког старости користећи методу смјене демирдјиан. Међународност. Ј. Правни лек. 135, 665-675 (2021).
Демирдјиан, А., Голдстеин, Х. и Таннер, ЈМ нови систем за процену зубне старости. Снорт. Биологија. 45, 211-227 (1973).
Ландис, ЈР и Коцх, ГГ мере посматрачког споразума о категоричким подацима. Биометрија 33, 159-174 (1977).
Бхаттацхарјее С, Пракасх Д, Ким Ц, Ким ХК и Цхои ХК. Тектурална, морфолошка и статистичка анализа дводимензионалне магнетне резонанције са техникама вештачке интелигенције за диференцијацију примарних тумора мозга. Здравствене информације. Ресурс. хттпс: //дои.орг/10.4258/Хир.2022.28.1.46 (2022).


Вријеме поште: Јан-04-2024