Хвала вам што сте посетили Nature.com. Верзија прегледача коју користите има ограничену CSS подршку. За најбоље резултате, препоручујемо да користите новију верзију прегледача (или да искључите режим компатибилности у Internet Explorer-у). У међувремену, како бисмо осигурали континуирану подршку, приказујемо сајт без стилизовања или JavaScript-а.
Зуби се сматрају најтачнијим показатељем старости људског тела и често се користе у форензичкој процени старости. Циљ нам је био да валидирамо процене старости зуба засноване на рударењу података упоређујући тачност процене и учинак класификације прага од 18 година са традиционалним методама и проценама старости заснованим на рударењу података. Укупно је прикупљено 2657 панорамских рендгенских снимака од корејских и јапанских грађана старости од 15 до 23 године. Подељени су у скуп за обуку, од којих сваки садржи 900 корејских рендгенских снимака, и интерни скуп за тестирање који садржи 857 јапанских рендгенских снимака. Упоредили смо тачност класификације и ефикасност традиционалних метода са тест скуповима модела рударења података. Тачност традиционалне методе на интерном скупу за тестирање је нешто већа од тачности модела рударења података, а разлика је мала (средња апсолутна грешка <0,21 године, средња квадратна грешка <0,24 године). Учинковитост класификације за граничну вредност од 18 година је такође слична између традиционалних метода и модела рударења података. Стога, традиционалне методе могу бити замењене моделима рударења података приликом форензичке процене старости коришћењем зрелости других и трећих кутњака код корејских адолесцената и младих одраслих.
Процена зубне старости се широко користи у судској медицини и дечјој стоматологији. Посебно због високе корелације између хронолошке старости и развоја зуба, процена старости према фазама развоја зуба је важан критеријум за процену старости деце и адолесцената1,2,3. Међутим, за младе људе, процена зубне старости на основу зрелости зуба има своја ограничења јер је раст зуба скоро завршен, са изузетком трећих кутњака. Правна сврха одређивања старости младих људи и адолесцената је да се обезбеде тачне процене и научни докази о томе да ли су достигли пунолетство. У медицинско-правној пракси адолесцената и младих одраслих у Кореји, старост је процењивана помоћу Лијеве методе, а законски праг од 18 година је предвиђен на основу података које су известили Ох и др.5.
Машинско учење је врста вештачке интелигенције (ВИ) која више пута 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 раде са великим количинама сложених података које је тешко ручно обрадити7. Стога је недавно спроведено много студија користећи најновије рачунарске технологије како би се минимизирале људске грешке и ефикасно обрадили вишедимензионални подаци8,9,10,11,12. Посебно се дубоко учење широко користи у анализи медицинских слика, а објављено је да различите методе за процену старости аутоматском анализом рендгенских снимака побољшавају тачност и ефикасност процене старости13,14,15,16,17,18,19,20. На пример, Халаби и др.13 развили су алгоритам машинског учења заснован на конволуционим неуронским мрежама (КНН) за процену старости скелета коришћењем рендгенских снимака дечјих руку. Ова студија предлаже модел који примењује машинско учење на медицинске слике и показује да ове методе могу побољшати дијагностичку тачност. Ли и др.14 проценили су старост на основу рендгенских снимака карлице користећи ЦНН са дубоким учењем и упоредили их са резултатима регресије користећи процену стадијума осификације. Открили су да ЦНН модел са дубоким учењем показује исте перформансе процене старости као и традиционални регресиони модел. Студија Гуа и др. [15] проценила је перформансе класификације толеранције старости ЦНН технологије на основу стоматолошких ортофото снимака, а резултати ЦНН модела доказали су да људи надмашују њене перформансе класификације старости.
Већина студија о процени старости коришћењем машинског учења користи методе дубоког учења13,14,15,16,17,18,19,20. Процена старости заснована на дубоком учењу се наводи као тачнија од традиционалних метода. Међутим, овај приступ пружа мало могућности да се представи научна основа за процене 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 административних и судских власти. Рударење података (ДМ) је техника која може открити 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 развоја зуба заснива се на процени испитивача о зрелости циљних зуба, а ова процена се изражава као стадијум за сваки циљни зуб. ДМ се може користити за анализу корелације између стадијума процене зуба и стварне старости и има потенцијал да замени традиционалну статистичку анализу. Стога, ако применимо ДМ технике на процену старости, можемо имплементирати машинско учење у форензичкој процени старости без бриге о правној одговорности. Објављено је неколико упоредних студија о могућим алтернативама традиционалним мануелним методама које се користе у форензичкој пракси и методама заснованим на ЕБМ-у за одређивање зубне старости. Шен и др.23 показали су да је ДМ модел тачнији од традиционалне Камерерове формуле. Галибур и др.24 применили су различите ДМ методе за предвиђање старости према Демирђијановом критеријуму25 и резултати су показали да је ДМ метода надмашила Демирђијанову и Вилемсову методу у процени старости француског становништва.
За процену зубне старости корејских адолесцената и младих одраслих, Лијева метода 4 се широко користи у корејској форензичкој пракси. Ова метода користи традиционалну статистичку анализу (као што је вишеструка регресија) за испитивање односа између корејских испитаника и хронолошке старости. У овој студији, методе процене старости добијене коришћењем традиционалних статистичких метода дефинисане су као „традиционалне методе“. Лијева метода је традиционална метода, а њену тачност су потврдили Ох и др. 5; међутим, применљивост процене старости на основу ДМ модела у корејској форензичкој пракси је и даље упитна. Наш циљ је био да научно потврдимо потенцијалну корисност процене старости на основу ДМ модела. Циљ ове студије био је (1) да се упореди тачност два ДМ модела у процени зубне старости и (2) да се упореди класификациони учинак 7 ДМ модела у узрасту од 18 година са онима добијеним коришћењем традиционалних статистичких метода. Зрелост других и трећих кутњака у обе вилице.
Средње вредности и стандардне девијације хронолошке старости по стадијуму и типу зуба приказане су онлајн у Додатној табели С1 (скуп за обуку), Додатној табели С2 (интерни скуп за тестирање) и Додатној табели С3 (екстерни скуп за тестирање). Капа вредности за интра- и интеробсерверску поузданост добијене из скупа за обуку биле су 0,951 и 0,947, респективно. P вредности и 95% интервали поверења за капа вредности приказани су у онлајн додатној табели С4. Капа вредност је интерпретирана као „скоро савршена“, у складу са критеријумима Лендиса и Коха26.
Приликом упоређивања средње апсолутне грешке (MAE), традиционална метода незнатно надмашује DM модел за све полове и у екстерном мушком тестном скупу, са изузетком вишеслојног перцептрона (MLP). Разлика између традиционалног модела и DM модела на интерном MAE тестном скупу била је 0,12–0,19 година за мушкарце и 0,17–0,21 година за жене. За екстерну тестну батерију, разлике су мање (0,001–0,05 година за мушкарце и 0,05–0,09 година за жене). Поред тога, средња квадратна грешка (RMSE) је незнатно нижа него код традиционалне методе, са мањим разликама (0,17–0,24, 0,2–0,24 за мушки интерни тестни скуп и 0,03–0,07, 0,04–0,08 за екстерни тестни скуп). MLP показује незнатно боље перформансе од једнослојног перцептрона (SLP), осим у случају женског екстерног тестног скупа. За MAE и RMSE, екстерни тестови дају веће резултате од интерног тестова за све полове и моделе. Сви MAE и RMSE су приказани у Табели 1 и Слици 1.
MAE и RMSE традиционалних и регресионих модела рударења података. Средња апсолутна грешка MAE, средња квадратна грешка RMSE, једнослојни перцептрон SLP, вишеслојни перцептрон MLP, традиционална CM метода.
Класификационе перформансе (са граничном вредношћу 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 карактеристика пријемника (AUROC) 27 (Табела 2, Слика 2 и Додатна слика 1 онлајн). Што се тиче осетљивости интерне тест батерије, традиционалне методе су се најбоље показале код мушкараца, а горе код жена. Међутим, разлика у класификационим перформансама између традиционалних метода и СД је 9,7% за мушкарце (МЛП) и само 2,4% за жене (XGBoost). Међу ДМ моделима, логистичка регресија (ЛР) је показала бољу осетљивост код оба пола. Што се тиче специфичности интерног тест скупа, примећено је да су четири СД модела добро показала резултате код мушкараца, док је традиционални модел боље показао резултате код жена. Разлике у класификационим перформансама за мушкарце и жене су 13,3% (МЛП) и 13,1% (МЛП), респективно, што указује да разлика у класификационим перформансама између модела премашује осетљивост. Међу DM моделима, модели машине вектора подршке (SVM), стабла одлучивања (DT) и случајне шуме (RF) показали су најбоље резултате међу мушкарцима, док је LR модел показао најбоље резултате међу женама. AUROC традиционалног модела и свих SD модела био је већи од 0,925 (k-најближих суседа (KNN) код мушкараца), што показује одличне класификационе перформансе у разликовању узорака старих 18 година28. Код екстерног тест скупа, дошло је до смањења класификационих перформанси у смислу осетљивости, специфичности и AUROC-а у поређењу са интерним тест скупом. Штавише, разлика у осетљивости и специфичности између класификационих перформанси најбољег и најгорег модела кретала се од 10% до 25% и била је већа од разлике у интерном тест скупу.
Осетљивост и специфичност модела класификације рударења података у поређењу са традиционалним методама са граничном вредношћу од 18 година. KNN k најближи сусед, SVM машина вектора подршке, LR логистичка регресија, DT стабло одлучивања, RF случајна шума, XGB XGBoost, MLP вишеслојни перцептрон, традиционална CM метода.
Први корак у овој студији био је упоређивање тачности процена зубне старости добијених из седам ДМ модела са онима добијеним коришћењем традиционалне регресије. MAE и RMSE су процењени у интерним тест сетовима за оба пола, а разлика између традиционалне методе и ДМ модела кретала се од 44 до 77 дана за MAE и од 62 до 88 дана за RMSE. Иако је традиционална метода била нешто прецизнија у овој студији, тешко је закључити да ли тако мала разлика има клинички или практични значај. Ови резултати указују на то да је тачност процене зубне старости коришћењем ДМ модела готово иста као и код традиционалне методе. Директно поређење са резултатима из претходних студија је тешко јер ниједна студија није упоредила тачност ДМ модела са традиционалним статистичким методама користећи исту технику снимања зуба у истом старосном распону као у овој студији. Галибур и др.24 упоредили су MAE и RMSE између две традиционалне методе (Демирџијанова метода25 и Вилемсова метода29) и 10 ДМ модела у француској популацији старости од 2 до 24 године. Известили су да су сви DM модели били тачнији од традиционалних метода, са разликама од 0,20 и 0,38 година у MAE и 0,25 и 0,47 година у RMSE у поређењу са Вилемсовом и Демирђијановом методом, респективно. Разлика између SD модела и традиционалних метода приказана у Халибуршкој студији узима у обзир бројне извештаје30,31,32,33 да Демирђијанова метода не процењује прецизно старост зуба у популацијама које нису Француско-Канађани на којима је студија заснована. у овој студији. Таи и др.34 користили су MLP алгоритам за предвиђање старости зуба на основу 1636 кинеских ортодонтских фотографија и упоредили његову тачност са резултатима Демирђијанове и Вилемсове методе. Известили су да MLP има већу тачност од традиционалних метода. Разлика између Демирђијанове методе и традиционалне методе је <0,32 године, а Вилемсова метода 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 помоћу ДМ модела и традиционалне методе је слична. Међутим, на основу представљених резултата, можемо само опрезно закључити да употреба ДМ модела за процену старости може заменити постојеће методе због недостатка упоредних и референтних претходних студија. Потребне су накнадне студије које користе веће узорке како би се потврдили резултати добијени у овој студији.
Међу студијама које су тестирале тачност стандардне детерминације (SD) у процени зубне старости, неке су показале већу тачност од наше студије. Степановски и др.35 применили су 22 SD модела на панорамске рендгенске снимке 976 чешких становника старости од 2,7 до 20,5 година и тестирали тачност сваког модела. Проценили су развој укупно 16 горњих и доњих левих сталних зуба користећи критеријуме класификације које су предложили Мурис и др.36. MAE се креће од 0,64 до 0,94 године, а RMSE се креће од 0,85 до 1,27 година, што је тачније од два DM модела коришћена у овој студији. Шен и др.23 користили су Камеријерову методу за процену зубне старости седам сталних зуба у левој мандибули код становника источне Кине старости од 5 до 13 година и упоредили је са старошћу процењеном помоћу линеарне регресије, SVM и RF. Показали су да сва три DM модела имају већу тачност у поређењу са традиционалном Камеријеровом формулом. MAE и RMSE у Шеновој студији били су нижи од оних у DM моделу у овој студији. Повећана прецизност студија Степановског и др.35 и Шена и др.23 може бити последица укључивања млађих испитаника у њихове узорке студија. Пошто процене старости за учеснике 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, грешка MLP-а у процени старости је нешто мања од SLP-а, што значи да је MLP тачнији од SLP-а. MLP се сматра нешто бољим за процену старости, вероватно због скривених слојева у MLP38. Међутим, постоји изузетак за спољашњи узорак жена (SLP 1,45, MLP 1,49). Налаз да је MLP тачнији од SLP-а у процени старости захтева додатне ретроспективне студије.
Такође су упоређене 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 прихватљиве нивое дискриминације за узорак од 18 година. Осетљивост за мушкарце и жене била је већа од 87,7% и 94,9%, респективно, а специфичност је била већа од 89,3% и 84,7%. AUROC свих тестираних модела такође прелази 0,925. Колико нам је познато, ниједна студија није тестирала перформансе ДМ модела за класификацију од 18 година на основу зрелости зуба. Резултате ове студије можемо упоредити са перформансама класификације модела дубоког учења на панорамским рендгенским снимцима. Гуо и др.15 израчунали су перформансе класификације модела дубоког учења заснованог на ЦНН и мануелне методе засноване на Демирџијановој методи за одређени старосни праг. Осетљивост и специфичност ручне методе биле су 87,7% и 95,5%, респективно, а осетљивост и специфичност CNN 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 помоћу DM модела може заменити традиционалне статистичке методе за процену старости. Међу моделима, DM LR је био најбољи модел у погледу осетљивости за мушки узорак и осетљивости и специфичности за женски узорак. LR је други по специфичности за мушкарце. Штавише, LR се сматра једним од DM35 модела који су једноставнији за коришћење и мање је сложен и тежак за обраду. На основу ових резултата, LR је сматран најбољим моделом граничне класификације за осамнаестогодишњаке у корејској популацији.
Генерално, тачност процене старости или учинка класификације на екстерном тестном скупу била је лоша или нижа у поређењу са резултатима на интерном тестном скупу. Неки извештаји указују на то да се тачност или ефикасност класификације смањује када се процене старости засноване на корејској популацији примене на јапанску популацију5,39, а сличан образац је пронађен и у овој студији. Овај тренд погоршања је примећен и у DM моделу. Стога, да би се тачно проценила старост, чак и када се користи DM у процесу анализе, требало би дати предност методама изведеним из података о домаћој популацији, као што су традиционалне методе5,39,40,41,42. Пошто није јасно да ли модели дубоког учења могу показати сличне трендове, потребне су студије које упоређују тачност и ефикасност класификације коришћењем традиционалних метода, DM модела и модела дубоког учења на истим узорцима како би се потврдило да ли вештачка интелигенција може да превазиђе ове расне разлике у ограниченим проценама старости.
Показали смо да се традиционалне методе могу заменити проценом старости на основу ДМ модела у пракси форензичке 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 потврђивање резултата ове студије. У будућности, ДМ студије треба спроводити са већим бројем узорака и разноврснијим популацијама како би се побољшала њихова практична применљивост у поређењу са традиционалним методама. Да би се потврдила изводљивост коришћења вештачке интелигенције за процену старости у више популација, потребне су будуће студије како би се упоредила тачност класификације и ефикасност ДМ и модела дубоког учења са традиционалним методама у истим узорцима.
У студији је коришћено 2.657 ортографских фотографија прикупљених од корејских и јапанских одраслих особа старости од 15 до 23 године. Корејски рендгенски снимци су подељени у 900 сетова за обуку (19,42 ± 2,65 година) и 900 интерних тест сетова (19,52 ± 2,59 година). Сет за обуку је прикупљен у једној институцији (Болница Свете Марије у Сеулу), а сопствени тест сет је прикупљен у две институције (Стоматолошка болница Националног универзитета у Сеулу и Стоматолошка болница Универзитета Јонсеи). Такође смо прикупили 857 рендгенских снимака из других популационих података (Медицински универзитет Ивате, Јапан) за екстерно тестирање. Рендгенски снимци јапанских испитаника (19,31 ± 2,60 година) су одабрани као екстерни тест сет. Подаци су прикупљени ретроспективно како би се анализирале фазе развоја зуба на панорамским рендгенским снимцима снимљеним током стоматолошког третмана. Сви прикупљени подаци били су анонимни, осим пола, датума рођења и датума рендгенског снимка. Критеријуми за укључивање и искључивање били су исти као у претходно објављеним студијама 4, 5. Стварна старост узорка израчуната је одузимањем датума рођења од датума снимања рендгенског снимка. Узорак је подељен у девет старосних група. Расподела по старости и полу приказана је у Табели 3. Ова студија је спроведена у складу са Хелсиншком декларацијом и одобрена од стране Институционалног одбора за рецензију (IRB) болнице Свете Марије у Сеулу Католичког универзитета у Кореји (KC22WISI0328). Због ретроспективног дизајна ове студије, информисани пристанак није могао бити добијен од свих пацијената који су подвргнути радиографском прегледу у терапеутске сврхе. Болница Свете Марије Универзитета у Сеулу, Кореја (IRB) одустала је од захтева за информисаним пристанком.
Развојне фазе бимаксиларних других и трећих кутњака процењене су према Демиркановим критеријумима25. Само један зуб је изабран ако је иста врста зуба пронађена на левој и десној страни сваке вилице. Ако су хомологни зуби на обе стране били у различитим развојним фазама, изабран је зуб са нижом развојном фазом како би се објаснила несигурност у процењеној старости. Сто насумично одабраних рендгенских снимака из скупа за обуку оцењивала су два искусна посматрача како би се тестирала поузданост између посматрача након претходне калибрације ради одређивања фазе зрелости зуба. Поузданост унутар посматрача процењивала је два пута у интервалима од три месеца примарни посматрач.
Пол и развојни стадијум другог и трећег кутњака сваке вилице у скупу за обуку проценио је примарни посматрач обучен различитим DM моделима, а стварна старост је постављена као циљна вредност. SLP и MLP модели, који се широко користе у машинском учењу, тестирани су у односу на регресионе алгоритме. DM модел комбинује линеарне функције користећи развојне фазе четири зуба и комбинује ове податке да би проценио старост. SLP је најједноставнија неуронска мрежа и не садржи скривене слојеве. SLP ради на основу прага преноса између чворова. SLP модел у регресији је математички сличан вишеструкој линеарној регресији. За разлику од SLP модела, MLP модел има више скривених слојева са нелинеарним функцијама активације. Наши експерименти су користили скривени слој са само 20 скривених чворова са нелинеарним функцијама активације. Користили смо градијентни спуст као метод оптимизације и MAE и RMSE као функцију губитка за обуку нашег модела машинског учења. Најбоље добијени регресиони модел је примењен на интерне и екстерне тест скупове и процењена је старост зуба.
Развијен је алгоритам класификације који користи зрелост четири зуба на скупу за обуку да би предвидео да ли је узорак стар 18 година или не. Да бисмо изградили модел, извели смо седам алгоритама машинског учења репрезентације6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost и (7) MLP. LR је један од најчешће коришћених алгоритама класификације44. То је алгоритам учења са надзором који користи регресију да би предвидео вероватноћу да подаци припадају одређеној категорији од 0 до 1 и класификује податке као припаднике вероватније категорије на основу ове вероватноће; углавном се користи за бинарну класификацију. KNN је један од најједноставнијих алгоритама машинског учења45. Када се дају нови улазни подаци, проналази k података блиских постојећем скупу, а затим их класификује у класу са највећом фреквенцијом. Поставили смо 3 за број разматраних суседа (k). SVM је алгоритам који максимизира растојање између две класе коришћењем функције језгра да би проширио линеарни простор у нелинеарни простор који се назива поља46. За овај модел, користимо пристрасност = 1, снагу = 1 и гама = 1 као хиперпараметре за полиномско језгро. ДТ је примењен у различитим областима као алгоритам за поделу целог скупа података у неколико подгрупа представљањем правила одлучивања у структури стабла47. Модел је конфигурисан са минималним бројем записа по чвору од 2 и користи Џинијев индекс као меру квалитета. РФ је метода ансамбла која комбинује више ДТ-ова како би побољшала перформансе користећи методу агрегације „bootstrap“ која генерише слаб класификатор за сваки узорак насумичним извлачењем узорака исте величине више пута из оригиналног скупа података48. Користили смо 100 стабала, 10 дубина стабла, 1 минималну величину чвора и Џинијев индекс примеса као критеријуме раздвајања чворова. Класификација нових података се одређује већином гласова. XGBoost 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 коришћени алгоритам због својих добрих перформанси и ефикасности ресурса, као и високе поузданости као функције корекције прекомерног уклапања. Модел је опремљен са 400 помоћних точкова. MLP 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 враћа назад. Креирали смо скривени слој са 20 скривених неурона у сваком слоју. Сваки модел који смо развили примењен је на интерне и екстерне скупове како би се тестирале перформансе класификације израчунавањем осетљивости, специфичности, PPV, NPV и AUROC. Осетљивост је дефинисана као однос узорка за који се процењује да има 18 година или више и узорка за који се процењује да има 18 година или више. Специфичност је удео узорака млађих од 18 година и оних за које се процењује да су млађи од 18 година.
Зубне фазе процењене у скупу за обуку конвертоване су у нумеричке фазе за статистичку анализу. Извршена је мултиваријантна линеарна и логистичка регресија како би се развили предиктивни модели за сваки пол и извеле регресионе формуле које се могу користити за процену старости. Користили смо ове формуле за процену старости зуба и за интерне и за екстерне тестне скупове. Табела 4 приказује моделе регресије и класификације који су коришћени у овој студији.
Интра- и интеробсерверска поузданост је израчуната коришћењем Коенове капа статистике. Да бисмо тестирали тачност DM и традиционалних регресионих модела, израчунали смо MAE и RMSE 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 MAE и RMSE интерних и екстерних тестних скупова израчунатих коришћењем DM и традиционалне регресије. Класификационе перформансе граничне вредности од 18 година у традиционалној статистици процењене су коришћењем табеле контингентности 2 × 2. Израчуната осетљивост, специфичност, PPV, NPV и AUROC тестног скупа упоређене су са измереним вредностима DM класификационог модела. Подаци су изражени као средња вредност ± стандардна девијација или број (%) у зависности од карактеристика података. Двостране P вредности <0,05 сматране су статистички значајним. Све рутинске статистичке анализе су извршене коришћењем SAS верзије 9.4 (SAS Institute, Cary, NC). Модел регресије DM је имплементиран у Пајтону користећи Keras50 2.2.4 бекенд и Tensorflow51 1.8.0 посебно за математичке операције. Модел класификације DM је имплементиран у Waikato Knowledge Analysis Environment и Konstanz Information Miner (KNIME) 4.6.152 аналитичкој платформи.
Аутори признају да се подаци који поткрепљују 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.
Риц-Тиме, С. и др. Процена старости: најсавременија технологија за испуњавање специфичних захтева форензичке праксе. Интернационалност. J. Legal medicine. 113, 129–136 (2000).
Шмелинг, А., Рајзингер, В., Гезерик, Г. и Олце, А. Тренутни статус форензичке процене старости живих субјеката за потребе кривичног гоњења. Форензика. медицина. Патологија. 1, 239–246 (2005).
Пан, Ј. и др. Модификована метода за процену стоматолошког узраста деце узраста од 5 до 16 година у источној Кини. клинички. Усна анкета. 25, 3463–3474 (2021).
Ли, СС итд. Хронологија развоја других и трећих кутњака код Корејаца и њена примена за форензичку процену старости. интернационалност. J. Legal medicine. 124, 659–665 (2010).
Ох, С., Кумагаи, А., Ким, С.Ј. и Ли, С.С. Тачност процене старости и процена прага од 18 година на основу зрелости других и трећих кутњака код Корејаца и Јапанаца. PLoS ONE 17, e0271247 (2022).
Ким, ЈЈ и др. Преоперативна анализа података заснована на машинском учењу може предвидети исход лечења хируршким захватима спавања код пацијената са ОСА. the science. Извештај 11, 14911 (2021).
Хан, М. и др. Тачна процена старости помоћу машинског учења са или без људске интервенције? Интернационалност. J. Legal medicine. 136, 821–831 (2022).
Кан, С. и Шахин, М. Од рударења података до рударења података. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Кан, С. и Шахин, М. ВисРуле: Први когнитивни алгоритам за рударење правила асоцијације. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. и Абдулах У. Карм: Традиционално рударење података засновано на правилима асоцијације заснованим на контексту. израчунај. Мет. настави. 68, 3305–3322 (2021).
Мухамед М., Рехман З., Шахин М., Кан М. и Хабиб М. Детекција семантичке сличности заснована на дубоком учењу коришћењем текстуалних података. информ. технологије. контрола. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З. и Шахин, М. Систем за препознавање активности у спортским видео записима. мултимедија. Алати Апликације https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, СС и др. RSNA изазов машинског учења у педијатријској коштаној доби. Радиологија 290, 498–503 (2019).
Ли, Ј. и др. Форензичка процена старости на основу рендгенских снимака карлице коришћењем дубоког учења. EURO. радијација. 29, 2322–2329 (2019).
Гуо, ЈЦ и др. Прецизна класификација старости коришћењем мануелних метода и дубоких конволуционих неуронских мрежа из ортографских пројекционих слика. Интернационалност. J. Legal medicine. 135, 1589–1597 (2021).
Алабама Далора и др. Процена коштане старости коришћењем различитих метода машинског учења: систематски преглед литературе и мета-анализа. PLoS ONE 14, e0220242 (2019).
Ду, Х., Ли, Г., Ченг, К. и Јанг, Ј. Процена старости Афроамериканаца и Кинеза специфична за популацију на основу запремине пулпне коморе првих кутњака коришћењем компјутеризоване томографије са конусним снопом. интернационалност. J. Legal medicine. 136, 811–819 (2022).
Ким С., Ли ЈХ, Но ЈК, Парк ФК и Ох КС Одређивање старосних група живих људи коришћењем слика првих кутњака заснованих на вештачкој интелигенцији. Наука. Извештај 11, 1073 (2021).
Стерн, Д., Пајер, К., Ђулијани, Н. и Уршлер, М. Аутоматска процена старости и класификација већинске старости из мултиваријантних МРИ података. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Ченг, К., Ге, З., Ду, Х. и Ли, Г. Процена старости заснована на 3Д сегментацији пулпне коморе првих молара добијеној конусном снопом компјутеризоване томографије интеграцијом дубоког учења и скупова нивоа. Интернационалност. J. Legal medicine. 135, 365–373 (2021).
Ву, ВТ и др. Рударење података у клиничким великим подацима: уобичајене базе података, кораци и методи модела. World. medicine. resource. 8, 44 (2021).
Јанг, Ј. и др. Увод у медицинске базе података и технологије рударења података у ери великих података. J. Avid. Basic medicine. 13, 57–69 (2020).
Шен, С. и др. Камерерова метода за процену старости зуба коришћењем машинског учења. BMC Oral Health 21, 641 (2021).
Галибург А. и др. Поређење различитих метода машинског учења за предвиђање зубне старости коришћењем Демирџијанове методе стадијума. Интернационалност. J. Legal medicine. 135, 665–675 (2021).
Демирџијан, А., Голдштајн, Х. и Танер, ЈМ Нови систем за процену зубне старости. snort. biology. 45, 211–227 (1973).
Лендис, ЈР и Кох, ГГ Мере слагања посматрача о категоричким подацима. Биометрија 33, 159–174 (1977).
Батачарџи С, Пракаш Д, Ким Ц, Ким ХК и Чои ХК. Текстурна, морфолошка и статистичка анализа дводимензионалне магнетне резонанце коришћењем техника вештачке интелигенције за диференцијацију примарних тумора мозга. Здравствене информације. ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Време објаве: 04.01.2024.