Mèsi paske ou te vizite Nature.com. Vèsyon navigatè w ap itilize a pa sipòte CSS anpil. Pou pi bon rezilta, nou rekòmande pou w itilize yon vèsyon navigatè w ki pi resan (oswa dezaktive mòd konpatibilite nan Internet Explorer). Antretan, pou asire sipò kontinyèl, n ap montre sit la san stil oswa JavaScript.
Dan yo konsidere kòm endikatè ki pi egzak laj kò imen an epi yo souvan itilize nan evalyasyon laj forensik. Nou te vize valide estimasyon laj dantè ki baze sou min done lè nou konpare presizyon estimasyon ak pèfòmans klasifikasyon papòt 18 ane a ak metòd tradisyonèl yo ak estimasyon laj ki baze sou min done. Yo te kolekte yon total 2657 radyografi panoramik nan men sitwayen Koreyen ak Japonè ki gen laj 15 a 23 ane. Yo te divize an yon seri antrènman, chak ki gen 900 radyografi Koreyen, ak yon seri tès entèn ki gen 857 radyografi Japonè. Nou te konpare presizyon ak efikasite klasifikasyon metòd tradisyonèl yo ak seri tès modèl min done yo. Presizyon metòd tradisyonèl la sou seri tès entèn lan yon ti kras pi wo pase sa ki nan modèl min done a, epi diferans lan piti (erè absoli mwayèn <0.21 ane, erè kare mwayèn <0.24 ane). Pèfòmans klasifikasyon pou papòt 18 ane a sanble tou ant metòd tradisyonèl yo ak modèl min done yo. Kidonk, metòd tradisyonèl yo ka ranplase pa modèl eksplorasyon done lè y ap fè evalyasyon laj forensik lè l sèvi avèk matirite dezyèm ak twazyèm molè nan adolesan ak jèn adilt Koreyen yo.
Estimasyon laj dantè lajman itilize nan medsin legal ak dantis pedyatrik. An patikilye, akòz gwo korelasyon ki genyen ant laj kwonolojik ak devlopman dantè, evalyasyon laj pa etap devlopman dantè se yon kritè enpòtan pou evalye laj timoun ak adolesan1,2,3. Sepandan, pou jèn yo, estime laj dantè ki baze sou matirite dantè gen limitasyon li paske kwasans dantè a prèske konplè, eksepte twazyèm molè yo. Objektif legal pou detèmine laj jèn moun ak adolesan se bay estimasyon egzat ak prèv syantifik sou si yo rive nan laj majorite. Nan pratik mediko-legal adolesan ak jèn adilt nan Kore di, yo te estime laj la lè l sèvi avèk metòd Lee a, epi yo te predi yon papòt legal 18 an ki baze sou done Oh et al. 5 rapòte yo.
Aprantisaj otomatik se yon kalite entèlijans atifisyèl (IA) ki aprann epi klase gwo kantite done plizyè fwa, rezoud pwoblèm poukont li, epi kondwi pwogramasyon done. Aprantisaj otomatik ka dekouvri modèl kache itil nan gwo volim done6. Okontrè, metòd klasik yo, ki mande anpil travay epi ki pran anpil tan, ka gen limitasyon lè y ap fè fas ak gwo volim done konplèks ki difisil pou trete manyèlman7. Se poutèt sa, anpil etid yo te fè dènyèman lè l sèvi avèk dènye teknoloji òdinatè yo pou minimize erè imen epi trete done miltidimansyonèl avèk efikasite8,9,10,11,12. An patikilye, aprantisaj pwofon te lajman itilize nan analiz imaj medikal, epi yo rapòte divès metòd pou estimasyon laj lè yo analize radyografi otomatikman pou amelyore presizyon ak efikasite estimasyon laj13,14,15,16,17,18,19,20. Pa egzanp, Halabi et al 13 te devlope yon algorithm aprantisaj otomatik ki baze sou rezo neyron konvolisyonèl (CNN) pou estime laj skelèt lè l sèvi avèk radyografi men timoun yo. Etid sa a pwopoze yon modèl ki aplike aprantisaj otomatik nan imaj medikal epi li montre ke metòd sa yo ka amelyore presizyon dyagnostik. Li et al14 te estime laj apati imaj radyografi basen yo lè l sèvi avèk yon CNN aprantisaj pwofon epi yo te konpare yo ak rezilta regresyon yo lè l sèvi avèk estimasyon etap osifikasyon. Yo te jwenn ke modèl CNN aprantisaj pwofon an te montre menm pèfòmans estimasyon laj ak modèl regresyon tradisyonèl la. Etid Guo et al. la [15] te evalye pèfòmans klasifikasyon tolerans laj teknoloji CNN ki baze sou ortofoto dantè, epi rezilta modèl CNN nan te pwouve ke moun te depase pèfòmans klasifikasyon laj li.
Pifò etid sou estimasyon laj lè l sèvi avèk aprantisaj otomatik itilize metòd aprantisaj pwofon13,14,15,16,17,18,19,20. Yo rapòte ke estimasyon laj ki baze sou aprantisaj pwofon pi egzak pase metòd tradisyonèl yo. Sepandan, apwòch sa a bay ti opòtinite pou prezante baz syantifik pou estimasyon laj, tankou endikatè laj yo itilize nan estimasyon yo. Genyen tou yon diskisyon legal sou ki moun ki fè enspeksyon yo. Se poutèt sa, li difisil pou otorite administratif ak jidisyè yo aksepte estimasyon laj ki baze sou aprantisaj pwofon. Eksplorasyon done (DM) se yon teknik ki ka dekouvri non sèlman enfòmasyon yo te espere men tou enfòmasyon yo pa t espere kòm yon metòd pou dekouvri korelasyon itil ant gwo kantite done6,21,22. Aprantisaj otomatik souvan itilize nan eksplorasyon done, epi tou de eksplorasyon done ak aprantisaj otomatik itilize menm algoritm kle yo pou dekouvri modèl nan done yo. Estimasyon laj lè l sèvi avèk devlopman dantè baze sou evalyasyon egzaminatè a sou matirite dan sib yo, epi evalyasyon sa a eksprime kòm yon etap pou chak dan sib. DM ka itilize pou analize korelasyon ki genyen ant etap evalyasyon dantè ak laj reyèl epi li gen potansyèl pou ranplase analiz estatistik tradisyonèl la. Se poutèt sa, si nou aplike teknik DM nan estimasyon laj, nou ka aplike aprantisaj otomatik nan estimasyon laj forensik san nou pa bezwen enkyete nou pou responsablite legal. Plizyè etid konparatif yo te pibliye sou altènativ posib pou metòd manyèl tradisyonèl yo itilize nan pratik forensik ak metòd ki baze sou EBM pou detèmine laj dantè. Shen et al23 te montre ke modèl DM lan pi egzak pase fòmil Camerer tradisyonèl la. Galibourg et al24 te aplike diferan metòd DM pou predi laj dapre kritè Demirdjian25 la epi rezilta yo te montre ke metòd DM lan te depase metòd Demirdjian ak Willems yo nan estime laj popilasyon franse a.
Pou estime laj dantè adolesan ak jèn adilt Koreyen yo, metòd 4 Lee a lajman itilize nan pratik legal Koreyen an. Metòd sa a itilize analiz estatistik tradisyonèl (tankou regresyon miltip) pou egzamine relasyon ki genyen ant sijè Koreyen yo ak laj kwonolojik. Nan etid sa a, metòd estimasyon laj yo jwenn lè l sèvi avèk metòd estatistik tradisyonèl yo defini kòm "metòd tradisyonèl". Metòd Lee a se yon metòd tradisyonèl, epi presizyon li te konfime pa Oh et al. 5; sepandan, aplikabilite estimasyon laj ki baze sou modèl DM nan pratik legal Koreyen an toujou kesyonab. Objektif nou se te valide syantifikman itilite potansyèl estimasyon laj ki baze sou modèl DM nan. Objektif etid sa a se te (1) konpare presizyon de modèl DM nan estime laj dantè ak (2) konpare pèfòmans klasifikasyon 7 modèl DM nan laj 18 an ak sa yo jwenn lè l sèvi avèk metòd estatistik tradisyonèl yo Matirite dezyèm ak twazyèm molè nan tou de machwè yo.
Mwayèn ak devyasyon estanda laj kwonolojik pa etap ak kalite dan yo montre sou entènèt nan Tablo Siplemantè S1 (ansanm fòmasyon), Tablo Siplemantè S2 (ansanm tès entèn), ak Tablo Siplemantè S3 (ansanm tès ekstèn). Valè kappa yo pou fyab intra- ak interobservateur ki te jwenn nan ansanm fòmasyon an te 0.951 ak 0.947, respektivman. Valè P ak entèval konfyans 95% pou valè kappa yo montre nan tablo siplemantè S4 sou entènèt. Yo te entèprete valè kappa a kòm "prèske pafè", ki konsistan avèk kritè Landis ak Koch26 yo.
Lè nou konpare erè absoli mwayèn (MAE), metòd tradisyonèl la yon ti jan pi bon pase modèl DM a pou tout sèks yo ak nan seri tès ekstèn gason an, eksepte pèseptron miltikouch (MLP). Diferans ki genyen ant modèl tradisyonèl la ak modèl DM a sou seri tès MAE entèn lan te 0.12–0.19 ane pou gason ak 0.17–0.21 ane pou fanm yo. Pou batri tès ekstèn lan, diferans yo pi piti (0.001–0.05 ane pou gason ak 0.05–0.09 ane pou fanm yo). Anplis de sa, erè kare mwayèn rasin lan (RMSE) yon ti jan pi ba pase metòd tradisyonèl la, ak diferans ki pi piti (0.17–0.24, 0.2–0.24 pou seri tès entèn gason an, ak 0.03–0.07, 0.04–0.08 pou seri tès ekstèn lan). MLP montre yon ti jan pi bon pèfòmans pase Pèseptron Single Layer (SLP), eksepte nan ka seri tès ekstèn fi a. Pou MAE ak RMSE, seri tès ekstèn yo bay pi gwo nòt pase seri tès entèn yo pou tout sèks ak modèl yo. Tout MAE ak RMSE yo montre nan Tablo 1 ak Figi 1.
MAE ak RMSE modèl regresyon tradisyonèl ak modèl regresyon min done. Erè absoli mwayèn MAE, erè kare mwayèn rasin RMSE, pèsepsyon yon sèl kouch SLP, pèsepsyon miltikouch MLP, metòd CM tradisyonèl.
Yo demontre pèfòmans klasifikasyon (ak yon limit 18 an) modèl tradisyonèl yo ak modèl DM yo an tèm de sansiblite, espesifikite, valè prediktif pozitif (PPV), valè prediktif negatif (NPV), ak zòn anba koub karakteristik fonksyònman reseptè a (AUROC) 27 (Tablo 2, Figi 2 ak Figi Siplemantè 1 sou entènèt). An tèm de sansiblite batri tès entèn lan, metòd tradisyonèl yo te pi byen pèfòme nan mitan gason yo epi pi mal nan mitan fanm yo. Sepandan, diferans nan pèfòmans klasifikasyon ant metòd tradisyonèl yo ak SD se 9.7% pou gason (MLP) ak sèlman 2.4% pou fanm yo (XGBoost). Pami modèl DM yo, regresyon lojistik (LR) te montre pi bon sansiblite nan tou de sèks yo. Konsènan espesifikite seri tès entèn lan, yo te obsève ke kat modèl SD yo te byen pèfòme nan gason, pandan ke modèl tradisyonèl la te pi byen pèfòme nan fanm yo. Diferans nan pèfòmans klasifikasyon pou gason ak fanm yo se 13.3% (MLP) ak 13.1% (MLP), respektivman, sa ki endike ke diferans nan pèfòmans klasifikasyon ant modèl yo depase sansiblite. Pami modèl DM yo, modèl machin vektè sipò (SVM), pyebwa desizyon (DT), ak forè o aza (RF) yo te pi byen pèfòme nan mitan gason yo, alòske modèl LR a te pi byen pèfòme nan mitan fi yo. AUROC modèl tradisyonèl la ak tout modèl SD yo te pi gran pase 0.925 (k-vwazen ki pi pre (KNN) nan gason), sa ki demontre yon pèfòmans klasifikasyon ekselan nan diskriminasyon echantiyon ki gen 18 an28. Pou seri tès ekstèn lan, te gen yon diminisyon nan pèfòmans klasifikasyon an tèm de sansiblite, espesifikite ak AUROC konpare ak seri tès entèn lan. Anplis de sa, diferans nan sansiblite ak espesifikite ant pèfòmans klasifikasyon pi bon ak pi move modèl yo te varye ant 10% a 25% epi li te pi gwo pase diferans ki genyen nan seri tès entèn lan.
Sansiblite ak espesifikite modèl klasifikasyon min done konpare ak metòd tradisyonèl yo ak yon limit 18 ane. KNN k vwazen ki pi pre a, machin vektè sipò SVM, regresyon lojistik LR, pyebwa desizyon DT, forè o aza RF, XGB XGBoost, pèsepsyon miltikouch MLP, metòd CM tradisyonèl.
Premye etap nan etid sa a sete konpare presizyon estimasyon laj dantè yo jwenn nan sèt modèl DM ak sa yo jwenn lè l sèvi avèk regresyon tradisyonèl. MAE ak RMSE te evalye nan seri tès entèn pou tou de sèks yo, epi diferans ki genyen ant metòd tradisyonèl la ak modèl DM nan te varye ant 44 a 77 jou pou MAE ak ant 62 a 88 jou pou RMSE. Malgre ke metòd tradisyonèl la te yon ti kras pi egzak nan etid sa a, li difisil pou konkli si yon ti diferans konsa gen yon siyifikasyon klinik oswa pratik. Rezilta sa yo endike ke presizyon estimasyon laj dantè lè l sèvi avèk modèl DM nan prèske menm jan ak metòd tradisyonèl la. Konparezon dirèk ak rezilta etid anvan yo difisil paske pa gen okenn etid ki konpare presizyon modèl DM yo ak metòd estatistik tradisyonèl yo lè l sèvi avèk menm teknik anrejistreman dan nan menm seri laj tankou nan etid sa a. Galibourg et al24 te konpare MAE ak RMSE ant de metòd tradisyonèl (metòd Demirjian25 ak metòd Willems29) ak 10 modèl DM nan yon popilasyon franse ki gen laj ant 2 a 24 an. Yo rapòte ke tout modèl DM yo te pi egzak pase metòd tradisyonèl yo, ak diferans 0.20 ak 0.38 ane nan MAE ak 0.25 ak 0.47 ane nan RMSE konpare ak metòd Willems ak Demirdjian yo, respektivman. Diferans ki genyen ant modèl SD a ak metòd tradisyonèl yo montre nan etid Halibourg la pran an kont plizyè rapò30,31,32,33 ki di ke metòd Demirdjian an pa estime laj dantè avèk presizyon nan popilasyon lòt pase Kanadyen franse yo sou ki etid la te baze. nan etid sa a. Tai et al 34 te itilize algorithm MLP a pou predi laj dan apati 1636 foto ortodontik Chinwa epi yo te konpare presizyon li ak rezilta metòd Demirjian ak Willems la. Yo rapòte ke MLP gen pi gwo presizyon pase metòd tradisyonèl yo. Diferans ki genyen ant metòd Demirdjian an ak metòd tradisyonèl la se <0.32 ane, epi metòd Willems la se 0.28 ane, ki sanble ak rezilta etid sa a. Rezilta etid anvan sa yo24,34 yo konsistan tou ak rezilta etid sa a, epi presizyon estimasyon laj modèl DM lan ak metòd tradisyonèl la sanble. Sepandan, ki baze sou rezilta yo prezante yo, nou ka sèlman konkli avèk prekosyon ke itilizasyon modèl DM yo pou estime laj ka ranplase metòd ki deja egziste yo akòz mank etid konparatif ak referans anvan yo. Etid swivi ki itilize pi gwo echantiyon yo nesesè pou konfime rezilta yo jwenn nan etid sa a.
Pami etid ki teste presizyon SD nan estimasyon laj dantè, gen kèk ki te montre yon presizyon ki pi wo pase etid nou an. Stepanovsky et al 35 te aplike 22 modèl SD sou radyografi panoramik 976 rezidan Tchèk ki gen laj ant 2.7 ak 20.5 ane epi yo te teste presizyon chak modèl. Yo te evalye devlopman yon total 16 dan pèmanan anwo ak anba gòch lè l sèvi avèk kritè klasifikasyon Moorrees et al 36 te pwopoze yo. MAE a varye ant 0.64 ak 0.94 ane epi RMSE a varye ant 0.85 ak 1.27 ane, ki pi egzak pase de modèl DM yo te itilize nan etid sa a. Shen et al23 te itilize metòd Cameriere a pou estime laj dantè sèt dan pèmanan nan mandibul gòch la nan rezidan lès Chinwa ki gen laj ant 5 ak 13 ane epi yo te konpare l ak laj yo estime lè l sèvi avèk regresyon lineyè, SVM ak RF. Yo te montre ke tout twa modèl DM yo gen pi gwo presizyon konpare ak fòmil tradisyonèl Cameriere a. MAE ak RMSE nan etid Shen nan te pi ba pase sa yo ki nan modèl DM nan etid sa a. Ogmantasyon presizyon etid Stepanovsky et al. 35 ak Shen et al. 23 yo ka akòz enklizyon sijè ki pi jèn nan echantiyon etid yo. Paske estimasyon laj pou patisipan ki gen dan k ap devlope vin pi egzak pandan kantite dan ogmante pandan devlopman dantè, presizyon metòd estimasyon laj ki kapab rezilta a ka konpwomèt lè patisipan etid yo pi jèn. Anplis de sa, erè MLP nan estimasyon laj la yon ti kras pi piti pase SLP a, sa vle di ke MLP pi egzak pase SLP. MLP konsidere kòm yon ti kras pi bon pou estimasyon laj, petèt akòz kouch kache ki nan MLP38. Sepandan, gen yon eksepsyon pou echantiyon ekstèn fanm yo (SLP 1.45, MLP 1.49). Rezilta ke MLP a pi egzak pase SLP a nan evalyasyon laj mande plis etid retrospektiv.
Yo te konpare tou pèfòmans klasifikasyon modèl DM lan ak metòd tradisyonèl la nan yon papòt 18 an. Tout modèl SD yo ak metòd tradisyonèl yo teste sou seri tès entèn lan te montre nivo diskriminasyon pratikman akseptab pou echantiyon ki gen 18 an an. Sansiblite pou gason ak fanm te pi gran pase 87.7% ak 94.9% respektivman, epi espesifikite a te pi gran pase 89.3% ak 84.7%. AUROC tout modèl yo teste yo depase 0.925 tou. Nan sa nou konnen, pa gen okenn etid ki teste pèfòmans modèl DM lan pou klasifikasyon 18 an ki baze sou matirite dantè. Nou ka konpare rezilta etid sa a ak pèfòmans klasifikasyon modèl aprantisaj pwofon sou radyografi panoramik. Guo et al.15 te kalkile pèfòmans klasifikasyon yon modèl aprantisaj pwofon ki baze sou CNN ak yon metòd manyèl ki baze sou metòd Demirjian pou yon sèten papòt laj. Sansiblite ak espesifikite metòd manyèl la te 87.7% ak 95.5% respektivman, epi sansiblite ak espesifikite modèl CNN lan te depase 89.2% ak 86.6% respektivman. Yo te konkli ke modèl aprantisaj pwofon yo ka ranplase oswa depase evalyasyon manyèl nan klasifikasyon papòt laj. Rezilta etid sa a te montre pèfòmans klasifikasyon menm jan an; Yo kwè ke klasifikasyon lè l sèvi avèk modèl DM yo ka ranplase metòd estatistik tradisyonèl yo pou estimasyon laj. Pami modèl yo, DM LR te pi bon modèl la an tèm de sansiblite pou echantiyon gason an ak sansiblite ak espesifikite pou echantiyon fi a. LR klase dezyèm an espesifikite pou gason. Anplis, LR konsidere kòm youn nan modèl DM35 ki pi fasil pou itilize epi li mwens konplèks e difisil pou trete. Baze sou rezilta sa yo, LR te konsidere kòm pi bon modèl klasifikasyon papòt pou jèn 18 an nan popilasyon Koreyen an.
An jeneral, presizyon estimasyon laj la oswa pèfòmans klasifikasyon sou seri tès ekstèn lan te pòv oswa pi ba konpare ak rezilta yo sou seri tès entèn lan. Gen kèk rapò ki endike ke presizyon oswa efikasite klasifikasyon an diminye lè estimasyon laj ki baze sou popilasyon Koreyen an aplike nan popilasyon Japonè a5,39, epi yo te jwenn yon modèl menm jan an nan etid sa a. Yo te obsève tandans deteryorasyon sa a tou nan modèl DM lan. Se poutèt sa, pou estime laj avèk presizyon, menm lè w ap itilize DM nan pwosesis analiz la, yo ta dwe prefere metòd ki sòti nan done popilasyon natif natal la, tankou metòd tradisyonèl yo5,39,40,41,42. Piske li pa klè si modèl aprantisaj pwofon yo ka montre tandans menm jan an, yo bezwen etid ki konpare presizyon ak efikasite klasifikasyon lè l sèvi avèk metòd tradisyonèl yo, modèl DM yo, ak modèl aprantisaj pwofon sou menm echantiyon yo pou konfime si entèlijans atifisyèl ka simonte disparite rasyal sa yo nan evalyasyon laj limite.
Nou demontre ke metòd tradisyonèl yo ka ranplase pa estimasyon laj ki baze sou modèl DM nan pratik estimasyon laj forensik nan Kore di. Nou te dekouvri tou posibilite pou aplike aprantisaj otomatik pou evalyasyon laj forensik. Sepandan, gen limitasyon klè, tankou kantite patisipan ki pa sifi nan etid sa a pou detèmine rezilta yo yon fason definitif, ak mank etid anvan yo pou konpare ak konfime rezilta etid sa a. Nan lavni, etid DM yo ta dwe fèt ak yon pi gwo kantite echantiyon ak popilasyon ki pi divès pou amelyore aplikabilite pratik li konpare ak metòd tradisyonèl yo. Pou valide posibilite pou itilize entèlijans atifisyèl pou estime laj nan plizyè popilasyon, yo bezwen etid nan lavni pou konpare presizyon ak efikasite klasifikasyon modèl DM ak aprantisaj pwofon ak metòd tradisyonèl yo nan menm echantiyon yo.
Etid la te itilize 2,657 foto òtografik kolekte nan men granmoun Koreyen ak Japonè ki gen laj 15 a 23 an. Radyografi Koreyen yo te divize an 900 seri antrènman (19.42 ± 2.65 an) ak 900 seri tès entèn (19.52 ± 2.59 an). Yo te kolekte seri antrènman an nan yon enstitisyon (Lopital St. Mary Seoul), epi yo te kolekte pwòp seri tès la nan de enstitisyon (Lopital Dantè Inivèsite Nasyonal Seoul ak Lopital Dantè Inivèsite Yonsei). Nou te kolekte tou 857 radyografi nan yon lòt done ki baze sou popilasyon (Inivèsite Medikal Iwate, Japon) pou tès ekstèn. Yo te chwazi radyografi sijè Japonè (19.31 ± 2.60 an) kòm seri tès ekstèn lan. Yo te kolekte done yo retwospektivman pou analize etap devlopman dantè sou radyografi panoramik yo te pran pandan tretman dantè. Tout done yo te kolekte yo te anonim eksepte sèks, dat nesans ak dat radyografi a. Kritè enklizyon ak esklizyon yo te menm ak etid ki te pibliye deja 4, 5. Yo te kalkile laj reyèl echantiyon an lè yo te soustrè dat nesans lan nan dat yo te pran radyografi a. Yo te divize gwoup echantiyon an an nèf gwoup laj. Distribisyon laj ak sèks yo montre nan Tablo 3. Etid sa a te fèt an akò avèk Deklarasyon Helsinki a epi Komisyon Revizyon Enstitisyonèl (IRB) nan Lopital St. Mary nan Inivèsite Katolik Kore di (KC22WISI0328) te apwouve li. Akòz konsepsyon retrospektiv etid sa a, yo pa t kapab jwenn konsantman enfòme nan men tout pasyan ki t ap sibi egzamen radyografik pou rezon terapetik. Lopital St. Mary nan Inivèsite Kore di Seoul (IRB) te renonse a egzijans pou konsantman enfòme.
Yo te evalye etap devlopman dezyèm ak twazyèm molè bimaksilè yo dapre kritè Demircan25. Yo te chwazi yon sèl dan si yo te jwenn menm kalite dan an sou bò gòch ak bò dwat chak machwè. Si dan omolog sou tou de bò yo te nan diferan etap devlopman, yo te chwazi dan ki te gen etap devlopman ki pi ba a pou pran an kont ensètitid nan laj estime a. De obsèvatè ki gen eksperyans te evalye yon santèn radyografi yo te chwazi owaza nan seri fòmasyon an pou teste fyabilite entèobsèvatè a apre prekalibrasyon pou detèmine etap matirite dantè a. Obsèvatè prensipal la te evalye fyabilite intraobsèvatè a de fwa nan entèval twa mwa.
Yon obsèvatè prensipal ki te antrene avèk diferan modèl DM te estime sèks ak etap devlopman dezyèm ak twazyèm molè chak machwè nan seri antrènman an, epi laj reyèl la te fikse kòm valè sib la. Modèl SLP ak MLP yo, ki lajman itilize nan aprantisaj otomatik, te teste kont algoritm regresyon. Modèl DM lan konbine fonksyon lineyè lè l sèvi avèk etap devlopman kat dan yo epi li konbine done sa yo pou estime laj. SLP se rezo newòn ki pi senp lan epi li pa gen kouch kache. SLP fonksyone baze sou transmisyon papòt ant nœuds yo. Modèl SLP nan regresyon an matematikman sanble ak regresyon lineyè miltip. Kontrèman ak modèl SLP a, modèl MLP a gen plizyè kouch kache ak fonksyon aktivasyon non lineyè. Eksperyans nou yo te itilize yon kouch kache ak sèlman 20 nœuds kache ak fonksyon aktivasyon non lineyè. Itilize desant gradyan kòm metòd optimize a ak MAE ak RMSE kòm fonksyon pèt la pou antrene modèl aprantisaj otomatik nou an. Pi bon modèl regresyon ki te jwenn nan te aplike nan seri tès entèn ak ekstèn yo epi yo te estime laj dan yo.
Yo te devlope yon algorithm klasifikasyon ki itilize matirite kat dan sou ansanm antrènman an pou predi si yon echantiyon gen 18 an oswa non. Pou konstwi modèl la, nou te derive sèt algorithm aprantisaj machin reprezantasyon6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ak (7) MLP. LR se youn nan algorithm klasifikasyon ki pi lajman itilize44. Li se yon algorithm aprantisaj sipèvize ki itilize regresyon pou predi pwobabilite done ki fè pati yon sèten kategori soti nan 0 a 1 epi klase done yo kòm ki fè pati yon kategori ki gen plis chans baze sou pwobabilite sa a; sitou itilize pou klasifikasyon binè. KNN se youn nan algorithm aprantisaj machin ki pi senp45. Lè yo ba li nouvo done antre, li jwenn k done toupre ansanm ki deja egziste a epi answit li klase yo nan klas ki gen pi gwo frekans lan. Nou mete 3 pou kantite vwazen yo konsidere (k). SVM se yon algorithm ki maksimize distans ki genyen ant de klas lè l sèvi avèk yon fonksyon nwayo pou elaji espas lineyè a nan yon espas ki pa lineyè yo rele chan46. Pou modèl sa a, nou itilize bias = 1, power = 1, ak gamma = 1 kòm ipèparamèt pou nwayo polinòm lan. DT te aplike nan divès domèn kòm yon algorithm pou divize yon seri done antye an plizyè sougwoup lè yo reprezante règ desizyon nan yon estrikti pyebwa47. Modèl la configuré ak yon kantite minimòm anrejistreman pou chak ne ki egal a 2 epi li itilize endèks Gini kòm yon mezi kalite. RF se yon metòd ansanbl ki konbine plizyè DT pou amelyore pèfòmans lè l sèvi avèk yon metòd agregasyon bootstrap ki jenere yon klasifikatè fèb pou chak echantiyon lè yo tire echantiyon menm gwosè a owaza plizyè fwa nan seri done orijinal la48. Nou te itilize 100 pyebwa, 10 pwofondè pyebwa, 1 gwosè minimòm ne, ak endèks melanj Gini kòm kritè separasyon ne. Klasifikasyon nouvo done yo detèmine pa yon vòt majorite. XGBoost se yon algorithm ki konbine teknik ranfòsman lè l sèvi avèk yon metòd ki pran kòm done antrènman erè ki genyen ant valè reyèl ak prevwa modèl anvan an epi ki ogmante erè a lè l sèvi avèk gradyan49. Li se yon algorit ki lajman itilize akòz bon pèfòmans li ak efikasite resous li, osi byen ke gwo fyab li kòm yon fonksyon koreksyon surajisteman. Modèl la ekipe ak 400 wou sipò. MLP se yon rezo newòn kote youn oubyen plizyè pèsepsyon fòme plizyè kouch ak youn oubyen plizyè kouch kache ant kouch antre ak sòti yo38. Lè w sèvi ak sa, ou ka fè klasifikasyon non lineyè kote lè ou ajoute yon kouch antre epi ou jwenn yon valè rezilta, valè rezilta prevwa a konpare ak valè rezilta reyèl la epi erè a pwopaje tounen. Nou te kreye yon kouch kache ak 20 newòn kache nan chak kouch. Chak modèl nou te devlope te aplike nan ansanm entèn ak ekstèn pou teste pèfòmans klasifikasyon an lè nou kalkile sansiblite, espesifikite, PPV, NPV, ak AUROC. Sansiblite defini kòm rapò yon echantiyon estime ki gen 18 an oswa plis ak yon echantiyon estime ki gen 18 an oswa plis. Espesifikite se pwopòsyon echantiyon ki poko gen 18 an ak sa yo estime ki poko gen 18 an.
Yo te konvèti etap dantè yo te evalye nan seri antrènman an an etap nimerik pou analiz estatistik. Yo te fè regresyon lineyè ak lojistik miltivarye pou devlope modèl prediktif pou chak sèks epi pou derive fòmil regresyon ki ka itilize pou estime laj. Nou te itilize fòmil sa yo pou estime laj dan pou tou de seri tès entèn ak ekstèn yo. Tablo 4 montre modèl regresyon ak klasifikasyon yo te itilize nan etid sa a.
Yo te kalkile fyab intra ak entèobservatè a lè l sèvi avèk estatistik kappa Cohen an. Pou teste presizyon modèl DM ak regresyon tradisyonèl yo, nou te kalkile MAE ak RMSE lè l sèvi avèk laj estime ak reyèl seri tès entèn ak ekstèn yo. Erè sa yo souvan itilize pou evalye presizyon prediksyon modèl yo. Plis erè a piti, se plis presizyon previzyon an wo24. Konpare MAE ak RMSE seri tès entèn ak ekstèn yo ki kalkile lè l sèvi avèk DM ak regresyon tradisyonèl. Yo te evalye pèfòmans klasifikasyon papòt 18 ane a nan estatistik tradisyonèl yo lè l sèvi avèk yon tablo kontingans 2 × 2. Yo te konpare sansiblite, espesifikite, PPV, NPV, ak AUROC ki te kalkile nan seri tès la ak valè yo mezire nan modèl klasifikasyon DM lan. Done yo eksprime kòm mwayèn ± devyasyon estanda oswa nimewo (%) selon karakteristik done yo. Yo te konsidere valè P bilateral <0.05 kòm estatistikman siyifikatif. Tout analiz estatistik woutin yo te fèt lè l sèvi avèk SAS vèsyon 9.4 (SAS Institute, Cary, NC). Yo te aplike modèl regresyon DM lan nan Python avèk Keras50 2.2.4 backend ak Tensorflow51 1.8.0 espesyalman pou operasyon matematik yo. Yo te aplike modèl klasifikasyon DM lan nan Waikato Knowledge Analysis Environment ak platfòm analiz Konstanz Information Miner (KNIME) 4.6.152 la.
Otè yo rekonèt ke done ki sipòte konklizyon etid la ka jwenn nan atik la ak materyèl siplemantè yo. Ansanm done ki pwodui ak/oswa analize pandan etid la disponib nan men otè korespondan an sou yon demann rezonab.
Ritz-Timme, S. et al. Evalyasyon laj: dènye kri pou satisfè egzijans espesifik pratik legal la. entènasyonalite. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., ak Olze, A. Sitiyasyon aktyèl evalyasyon laj forensik sou sijè vivan pou rezon pouswit kriminèl. Forensics. Medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. Yon metòd modifye pou evalye laj dantè timoun ki gen ant 5 a 16 an nan lès Lachin. klinik. Sondaj oral. 25, 3463–3474 (2021).
Lee, SS elatriye. Kwonoloji devlopman dezyèm ak twazyèm molè nan Koreyen ak aplikasyon li pou evalyasyon laj forensik. entènasyonalite. J. Medsin legal. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ak Lee, SS Presizyon estimasyon laj ak estimasyon papòt 18 ane a ki baze sou matirite dezyèm ak twazyèm molè nan Koreyen ak Japonè. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Analiz done preoperatif ki baze sou aprantisaj machin ka predi rezilta tretman chiriji dòmi nan pasyan ki gen OSA. syans lan. Rapò 11, 14911 (2021).
Han, M. et al. Estimasyon laj egzat apati aprantisaj otomatik avèk oswa san entèvansyon imen? entènasyonalite. J. Legal medicine. 136, 821–831 (2022).
Khan, S. ak Shaheen, M. Soti nan Eksplorasyon Done pou rive nan Eksplorasyon Done. J.Information. syans lan. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ak Shaheen, M. WisRule: Premye Algorit Kognitif pou Eksplorasyon Règ Asosyasyon. J.Information. syans lan. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ak Abdullah U. Karm: Eksplorasyon done tradisyonèl ki baze sou règ asosyasyon ki baze sou kontèks. kalkile. Matt. kontinye. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ak Habib M. Deteksyon resanblans semantik ki baze sou aprantisaj pwofon lè l sèvi avèk done tèks. Teknoloji enfòmasyon. Kontwòl. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ak Shahin, M. Yon sistèm pou rekonèt aktivite nan videyo espòtif. miltimedya. Zouti Aplikasyon https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Defi Aprantisaj Otomatik RSNA nan Laj Zo Pedyatrik. Radyoloji 290, 498–503 (2019).
Li, Y. et al. Estimasyon laj legal apati radyografi basen lè l sèvi avèk aprantisaj pwofon. EURO. radyasyon. 29, 2322–2329 (2019).
Guo, YC, et al. Klasifikasyon laj egzak lè l sèvi avèk metòd manyèl ak rezo newòn konvolisyonèl pwofon ki soti nan imaj pwojeksyon ortografik. entènasyonalite. J. Medsin legal. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimasyon laj zo lè l sèvi avèk diferan metòd aprantisaj otomatik: yon revizyon sistematik literati ak meta-analiz. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., ak Yang, J. Estimasyon laj espesifik pou popilasyon Afriken Ameriken ak Chinwa ki baze sou volim chanm pulp premye molè yo lè l sèvi avèk tomografi konpitèrize ak gwo bout bwa konik. entènasyonalite. J. Medsin legal. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ak Oh KS Detèmine gwoup laj moun vivan yo lè l sèvi avèk imaj premye molè yo ki baze sou entèlijans atifisyèl. syans lan. Rapò 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., ak Urschler, M. Estimasyon laj otomatik ak klasifikasyon laj majorite apati done IRM miltivarye. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ak Li, G. Estimasyon laj ki baze sou segmentasyon chanm pulp 3D premye molè yo soti nan tomografi konpitèrize ak gwo bout bwa konik pa entegrasyon aprantisaj pwofon ak ansanm nivo. entènasyonalite. J. Medsin legal. 135, 365–373 (2021).
Wu, WT, et al. Eksplorasyon done nan gwo done klinik: baz done komen, etap, ak modèl metòd. Resous medikaman mondyal. 8, 44 (2021).
Yang, J. et al. Entwodiksyon nan baz done medikal ak teknoloji eksplorasyon done nan epòk Big Data a. J. Avid. Medikaman debaz. 13, 57–69 (2020).
Metòd Shen, S. et al. pou estime laj dan lè l sèvi avèk aprantisaj otomatik. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Konparezon diferan metòd aprantisaj otomatik pou predi laj dantè lè l sèvi avèk metòd etapifikasyon Demirdjian an. entènasyonalite. J. Medikaman Legal. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ak Tanner, JM Yon nouvo sistèm pou evalye laj dantè. snort. biology. 45, 211–227 (1973).
Landis, JR, ak Koch, GG Mezi akò obsèvatè sou done kategorik. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ak Choi HK. Analiz tekstural, mòfolojik ak estatistik imaj pa rezonans mayetik bidimensyonèl lè l sèvi avèk teknik entèlijans atifisyèl pou diferansyasyon timè nan sèvo prensipal yo. Resous enfòmasyon sou sante. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Dat piblikasyon: 4 janvye 2024