Merci fir besicht Nature.com.D'Versioun vum Browser Dir benotzt huet limitéiert CSS Ënnerstëtzung.Fir bescht Resultater empfeelen mir eng nei Versioun vun Ärem Browser ze benotzen (oder de Kompatibilitéitsmodus am Internet Explorer auszeschalten).An der Tëschenzäit, fir weider Ënnerstëtzung ze garantéieren, weisen mir de Site ouni Styling oder JavaScript.
Zänn ginn als déi genauste Indikator vum Alter vum mënschleche Kierper ugesinn a ginn dacks an der forensescher Altersbewäertung benotzt.Mir hu gezielt Datemining-baséiert Zänn Alter Schätzungen ze validéieren andeems d'Schätzungsgenauegkeet an d'Klassifikatiounsleeschtung vun der 18-Joer Schwell mat traditionelle Methoden an Datemining-baséiert Alter Schätzunge vergläicht.Insgesamt 2657 Panoramaröntgenfotoe goufen vu koreaneschen a japanesche Bierger vu 15 bis 23 Joer gesammelt.Si goufen an engem Trainingsset opgedeelt, jidderee mat 900 koreanesche Röntgenbilder, an en internen Testset mat 857 japanesche Röntgenbilder.Mir verglach d'Klassifikatioun Genauegkeet an Effizienz vun traditionelle Methoden mat Testsets vun Datemining Modeller.D'Genauegkeet vun der traditioneller Method am internen Testset ass liicht méi héich wéi déi vum Datemining-Modell, an den Ënnerscheed ass kleng (duerchschnëttlech absolute Feeler <0,21 Joer, root-mëttlere Quadratfehler <0,24 Joer).D'Klassifikatiounsleeschtung fir den 18-Joer Cutoff ass och ähnlech tëscht traditionelle Methoden an Datemining Modeller.Also kënnen traditionell Methoden duerch Datemining Modeller ersat ginn wann Dir forensesch Altersbewäertung ausféiert mat der Reife vun zweeten an drëtten Molaren bei koreanesche Jugendlecher a jonken Erwuessenen.
Dental Alter Schätzung gëtt wäit an der forensescher Medizin a pädiatrescher Zänndokter benotzt.Besonnesch, wéinst der héijer Korrelatioun tëscht chronologeschen Alter an Zänn Entwécklung, Alter Bewäertung vun Zänn Entwécklungsstadien ass e wichtege Critère fir d'Bewäertung vum Alter vu Kanner a Jugendlecher1,2,3.Wéi och ëmmer, fir jonk Leit huet d'Schätzung vum Zännalter op Basis vun der Zänn Reife seng Aschränkungen, well den Zännwachstum bal komplett ass, mat Ausnam vun den drëtten Molaren.De gesetzleche Zweck fir den Alter vu jonke Leit a Jugendlecher ze bestëmmen ass genee Schätzungen a wëssenschaftlech Beweiser ze ginn, ob se de Majoritéitsalter erreecht hunn.An der medezinesch-juristescher Praxis vun Jugendlecher a jonk Erwuessener an Korea, Alter war mat Lee Method geschat, an eng legal Schwelle vun 18 Joer war virausgesot baséiert op den Daten gemellt vun Oh et al 5 .
Maschinnléieren ass eng Aart vu kënschtlecher Intelligenz (AI) déi ëmmer erëm grouss Quantitéiten un Daten léiert a klasséiert, Problemer eleng léist an Datenprogramméierung féiert.Maschinnléiere kann nëtzlech verstoppte Mustere a grousse Bänn vun Daten entdecken6.Am Géigesaz, klassesch Methoden, déi Aarbechtsintensiv an Zäit-opwänneg sinn, kënnen Aschränkungen hunn wann Dir mat grousse Volumen vu komplexen Donnéeën handelt, déi schwéier manuell veraarbecht ginn7.Dofir si vill Studien viru kuerzem mat de leschten Computertechnologien duerchgefouert fir mënschlech Feeler ze minimiséieren an effizient multidimensional Daten8,9,10,11,12 ze veraarbechten.Besonnesch, déif Léieren gouf wäit an der medizinescher Bildanalyse benotzt, a verschidde Methoden fir Altersschätzung duerch automatesch Analyse vun Röntgenbilder goufen gemellt fir d'Genauegkeet an d'Effizienz vun der Altersschätzung ze verbesseren13,14,15,16,17,18,19,20 .Zum Beispill, Halabi et al 13 entwéckelt e Maschinn Léieren Algorithmus baséiert op convolutional neural Netzwierker (CNN) Skelett Alter ze schätzen benotzt Radiographie vun Kanner Hänn.Dës Etude proposéiert e Modell deen Maschinnléiere fir medizinesch Biller applizéiert a weist datt dës Methoden d'Diagnosgenauegkeet verbesseren kënnen.Li et al14 geschätzte Alter vu Becken Röntgenbilder mat engem Deep Learning CNN a verglach se mat Regressiounsresultater mat Ossifikatiounsstadium Schätzung.Si hunn erausfonnt datt den Deep Learning CNN Modell déi selwecht Alter Schätzung Leeschtung huet wéi den traditionelle Regressiounsmodell.Dem Guo et al. seng Etude [15] evaluéiert d'Alter Toleranz Klassifikatioun Leeschtung vun CNN Technologie baséiert op Zänn Orthophotos, an d'Resultater vun der CNN Modell bewisen, datt Mënschen hir Alter Klassifikatioun Leeschtung.
Déi meescht Studien iwwer Altersschätzung mat Maschinnléieren benotzen déif Léiermethoden13,14,15,16,17,18,19,20.Alter Schätzung baséiert op Deep Learning gëtt gemellt méi genau ze sinn wéi traditionell Methoden.Wéi och ëmmer, dës Approche bitt wéineg Chance fir d'wëssenschaftlech Basis fir Alter Schätzungen ze presentéieren, sou wéi d'Altersindikatoren déi an de Schätzunge benotzt ginn.Et gëtt och e juristesche Sträit iwwer wien d'Inspektiounen duerchféiert.Dofir ass d'Altersschätzung baséiert op Deep Learning schwéier vun administrativen a geriichtlechen Autoritéiten ze akzeptéieren.Data Mining (DM) ass eng Technik déi net nëmmen erwaart awer och onerwaart Informatioun entdecken kann als Method fir nëtzlech Korrelatiounen tëscht grousse Quantitéiten un Daten z'entdecken6,21,22.Maschinnléieren gëtt dacks am Datemining benotzt, a béid Datemining a Maschinnléieren benotzen déiselwecht Schlësselalgorithmen fir Musteren an Daten z'entdecken.Alter Schätzung mat Zänn Entwécklung baséiert op der Bewäertung vum Examinator vun der Reife vun den Zilzänn, an dës Bewäertung gëtt als Bühn fir all Zilzänn ausgedréckt.DM kann benotzt ginn fir d'Korrelatioun tëscht Zänn Bewäertungsstadium an aktuellen Alter ze analyséieren an huet d'Potenzial fir traditionell statistesch Analyse z'ersetzen.Dofir, wa mir DM Techniken op Alter Schätzung applizéieren, kënne mir Maschinnléieren an der forensescher Altersschätzung implementéieren ouni eis iwwer gesetzlech Haftung ze këmmeren.Verschidde komparativ Studien goufen publizéiert iwwer méiglech Alternativen zu traditionelle manuelle Methoden, déi an der forensescher Praxis benotzt ginn an EBM-baséiert Methoden fir den Zännalter ze bestëmmen.Shen et al23 hunn gewisen datt den DM Modell méi genau ass wéi déi traditionell Camerer Formel.Galibourg et al24 hunn verschidden DM Methoden applizéiert fir den Alter no dem Demirdjian Critère25 virauszesoen an d'Resultater weisen datt d'DM Method d'Demirdjian a Willems Methoden besser gemaach huet fir den Alter vun der franséischer Bevëlkerung ze schätzen.
Fir den Zännalter vu koreanesche Jugendlecher a jonken Erwuessenen ze schätzen, gëtt dem Lee seng Method 4 vill an der koreanescher forensescher Praxis benotzt.Dës Method benotzt traditionell statistesch Analyse (wéi Multiple Regressioun) fir d'Relatioun tëscht koreanesche Sujeten a chronologeschen Alter z'ënnersichen.An dëser Etude, Alter Schätzung Methoden, déi mat traditionelle statistesche Methoden kritt goufen, ginn als "traditionell Methoden" definéiert.Dem Lee seng Method ass eng traditionell Method, a seng Genauegkeet gouf vum Oh et al bestätegt.5;awer, d'Uwendbarkeet vun Alter Schätzung baséiert op der DM Modell an Koreanesch forensic Praxis ass nach a Fro.Eist Zil war d'Potential Nëtzlechkeet vun Alter Schätzung wëssenschaftlech ze validéieren baséiert op der DM Modell.Den Zweck vun dëser Etude war (1) d'Genauegkeet vun zwee DM Modeller bei der Schätzung vum Zännalter ze vergläichen an (2) d'Klassifikatiounsleeschtung vu 7 DM Modeller am Alter vun 18 Joer ze vergläichen mat deenen, déi mat traditionelle statistesche Methoden kritt goufen. an drëtt Molaren a béide Kiefer.
Mëttelen a Standardabweichunge vum chronologeschen Alter no Bühn an Zänntyp ginn online an der Supplementary Table S1 (Trainingsset), Supplementary Table S2 (intern Testset) an Supplementary Table S3 (extern Testset) gewisen.D'Kappa Wäerter fir Intra- an Interobservateur Zouverlässegkeet, déi aus dem Trainingsset kritt goufen, waren 0.951 respektiv 0.947.P Wäerter an 95% Vertrauensintervaller fir Kappa Wäerter ginn an der Online Ergänzungstabell S4 gewisen.De Kappa-Wäert gouf als "bal perfekt" interpretéiert, konsequent mat de Critèren vu Landis a Koch26.
Wann Dir mëttleren absolute Feeler (MAE) vergläicht, iwwerhëlt déi traditionell Method e bësse méi wéi den DM Modell fir all Geschlechter an am externen männlechen Testset, mat Ausnam vu Multilayer Perceptron (MLP).Den Ënnerscheed tëscht dem traditionelle Modell an dem DM Modell am internen MAE Testset war 0,12-0,19 Joer fir Männer an 0,17-0,21 Joer fir Fraen.Fir déi extern Testbatterie sinn d'Ënnerscheeder méi kleng (0,001-0,05 Joer fir Männer an 0,05-0,09 Joer fir Fraen).Zousätzlech ass de Root Moyenne Quadratfehler (RMSE) liicht manner wéi déi traditionell Method, mat méi klengen Differenzen (0.17-0.24, 0.2-0.24 fir de männlechen internen Testset, an 0.03-0.07, 0.04-0.08 fir extern Testset).).MLP weist e bësse besser Leeschtung wéi Single Layer Perceptron (SLP), ausser am Fall vun der weiblecher externen Testset.Fir MAE an RMSE ass den externen Testset méi héich wéi den internen Testset fir all Geschlechter a Modeller.All MAE an RMSE sinn an Table 1 an Figur 1 gewisen.
MAE an RMSE vun traditionellen an Datemining Regressiounsmodeller.Duerchschnëtt absolute Feeler MAE, root mëttlerer Quadratfehler RMSE, Single Layer Perceptron SLP, Multilayer Perceptron MLP, traditionell CM Method.
Klassifikatioun Leeschtung (mat engem Ofschnëtt vun 18 Joer) vun der traditionell an DM Modeller gouf am Sënn vun Sensibilitéit, Spezifizitéit, positive predictive Wäert (PPV), negativ predictive Wäert (NPV), a Beräich ënner der Receiver Operatioun Charakteristesch Curve (AUROC) bewisen. 27 (Table 2, Figur 2 an Zousaz Figur 1 online).Wat d'Sensibilitéit vun der interner Testbatterie ugeet, hunn traditionell Methoden am beschten bei Männer a méi schlëmm bei Fraen geschafft.Wéi och ëmmer, den Ënnerscheed an der Klassifikatiounsleeschtung tëscht traditionelle Methoden a SD ass 9,7% fir Männer (MLP) an nëmmen 2,4% fir Fraen (XGBoost).Ënner DM Modeller huet logistesch Regressioun (LR) besser Sensibilitéit a béid Geschlechter gewisen.Wat d'Spezifizitéit vum internen Testset ugeet, gouf beobachtet datt déi véier SD Modeller gutt bei Männercher gemaach hunn, während den traditionelle Modell besser bei Weibercher gemaach huet.D'Ënnerscheeder an der Klassifizéierungsleistung fir Männercher a Weibercher sinn 13,3% (MLP) respektiv 13,1% (MLP), wat beweist datt den Ënnerscheed an der Klassifikatiounsleeschtung tëscht Modeller d'Sensibilitéit iwwerschreift.Ënnert den DM Modeller hunn d'Ënnerstëtzungsvektormaschinn (SVM), Entscheedungsbaum (DT) an Zoufallsbësch (RF) Modeller am Beschten ënner Männercher gemaach, während de LR Modell am Beschten ënner Weibercher gemaach huet.Den AUROC vum traditionelle Modell an all SD Modeller war méi wéi 0.925 (k-nächst Noper (KNN) bei Männer), wat eng exzellent Klassifikatiounsleistung bei der Diskriminatioun vun 18 Joer alen Proben beweist28.Fir den externen Testset gouf et eng Ofsenkung vun der Klassifikatiounsleeschtung a punkto Sensibilitéit, Spezifizitéit an AUROC am Verglach zum internen Testset.Ausserdeem ass den Ënnerscheed an der Empfindlechkeet a Spezifizitéit tëscht der Klassifikatiounsleeschtung vun de beschten a schlëmmste Modeller vun 10% bis 25% rangéiert a war méi grouss wéi den Ënnerscheed am internen Testset.
Sensibilitéit a Spezifizitéit vun Datemining Klassifikatiounsmodeller am Verglach mat traditionelle Methoden mat engem Ofschnëtt vun 18 Joer.KNN k noosten Noper, SVM Ënnerstëtzung Vecteure Maschinn, LR Logistesch Réckgang, DT Decisioun Bam, RF zoufälleg Bësch, XGB XGBoost, MLP multilayer perceptron, traditionell CM Method.
Den éischte Schrëtt an dëser Etude war d'Genauegkeet vun Zänn Alter Schätzunge vun siwen DM Modeller mat deenen mat traditionell Réckgang kritt ze vergläichen.MAE an RMSE goufen an internen Testsets fir béid Geschlechter bewäert, an den Ënnerscheed tëscht der traditioneller Method an dem DM Modell gounge vu 44 bis 77 Deeg fir MAE a vun 62 bis 88 Deeg fir RMSE.Och wann déi traditionell Method an dëser Etude e bësse méi genau war, ass et schwéier ze schléissen ob sou e klengen Ënnerscheed klinesch oder praktesch Bedeitung huet.Dës Resultater weisen datt d'Genauegkeet vun der Zänn Alter Schätzung mam DM Modell bal d'selwecht ass wéi déi vun der traditioneller Method.Direkte Verglach mat Resultater aus fréiere Studien ass schwéier, well keng Studie d'Genauegkeet vun DM Modeller mat traditionelle statistesche Methoden verglach huet mat der selwechter Technik fir Zänn an der selwechter Altersberäich wéi an dëser Etude opzehuelen.Galibourg et al24 verglach MAE an RMSE tëscht zwou traditionell Methoden (Demirjian Method25 a Willems Method29) an 10 DM Modeller an enger franséischer Bevëlkerung am Alter vun 2 bis 24 Joer.Si berichten datt all DM Modeller méi genee waren wéi traditionell Methoden, mat Differenzen vun 0,20 an 0,38 Joer an MAE an 0,25 an 0,47 Joer an RMSE am Verglach mat de Willems an Demirdjian Methoden, respektiv.D'Diskrepanz tëscht dem SD Modell an traditionelle Methoden, déi an der Halibourg Studie gewisen ginn, berücksichtegt vill Berichter30,31,32,33 datt d'Demirdjian Method net den Zännalter an anere Populatiounen wéi d'franséisch Kanadier schätzt, op deenen d'Studie baséiert.an dëser Etude.Tai et al 34 hunn den MLP Algorithmus benotzt fir Zännalter aus 1636 Chinesesch orthodontesch Fotoen virauszesoen a seng Genauegkeet mat de Resultater vun der Demirjian a Willems Method ze vergläichen.Si hunn gemellt datt MLP méi héich Genauegkeet huet wéi traditionell Methoden.Den Ënnerscheed tëscht der Demirdjian Method an der traditioneller Method ass <0,32 Joer, an der Willems Method ass 0,28 Joer, wat ähnlech wéi d'Resultater vun der aktueller Studie ass.D'Resultater vun dëse fréiere Studien24,34 sinn och konsequent mat de Resultater vun der heiteger Etude, an d'Altersschätzungsgenauegkeet vum DM Modell an der traditioneller Method sinn ähnlech.Wéi och ëmmer, baséiert op de präsentéierte Resultater, kënne mir nëmme virsiichteg ofschléissen datt d'Benotzung vun DM Modeller fir Alter ze schätzen bestehend Methoden ersetzen kann wéinst dem Mangel u komparativen a referenzéierte fréiere Studien.Follow-up Studien mat gréissere Echantillon sinn néideg d'Resultater an dëser Etude kritt ze confirméieren.
Ënnert de Studien déi d'Genauegkeet vun der SD bei der Schätzung vum Zännalter testen, hunn e puer méi héich Genauegkeet gewisen wéi eis Studie.Stepanovsky et al 35 applizéiert 22 SD Modeller op Panorama Radiographie vun 976 Tschechesch Awunner am Alter vun 2,7 bis 20,5 Joer an hunn d'Genauegkeet vun all Modell getest.Si bewäerten d'Entwécklung vun insgesamt 16 iewescht an ënnescht lénks permanent Zänn mat de Klassifikatiounskriterien, déi vu Moorrees et al 36 proposéiert ginn.D'MAE rangéiert vun 0.64 bis 0.94 Joer an de RMSE rangéiert vun 0.85 bis 1.27 Joer, déi méi genee sinn wéi déi zwee DM Modeller déi an dëser Etude benotzt ginn.Shen et al23 hunn d'Cameriere Method benotzt fir den Zännalter vu siwe permanente Zänn an der lénkser Mandibel an östlechen Chinesen Awunner vu 5 bis 13 Joer ze schätzen an et mat Alter geschätzt mat linearer Regressioun, SVM a RF ze vergläichen.Si hunn gewisen datt all dräi DM Modeller méi héich Genauegkeet hunn am Verglach mat der traditioneller Cameriere Formel.D'MAE an d'RMSE an der Shen Studie waren méi niddereg wéi déi am DM Modell an dëser Etude.Déi verstäerkte Präzisioun vun de Studien vum Stepanovsky et al.35; Schen et al.23 kann wéinst der Inklusioun vu méi jonken Themen an hire Studieproben sinn.Well Alter Schätzunge fir Participanten mat Zänn z'entwéckelen méi genee ginn wéi d'Zuel vun den Zänn wärend der Zännentwécklung eropgeet, kann d'Genauegkeet vun der resultéierender Alter Schätzungsmethod kompromittéiert ginn wann d'Participanten méi jonk sinn.Zousätzlech ass de MLP Feeler an der Altersschätzung liicht méi kleng wéi d'SLP's, dat heescht datt MLP méi genau ass wéi SLP.MLP gëtt als liicht besser ugesinn fir Altersschätzung, méiglecherweis wéinst de verstoppte Schichten am MLP38.Wéi och ëmmer, et gëtt eng Ausnam fir déi baussenzeg Probe vu Fraen (SLP 1.45, MLP 1.49).D'Erkenntnis datt d'MLP méi korrekt ass wéi d'SLP bei der Bewäertung vum Alter erfuerdert zousätzlech retrospektiv Studien.
D'Klassifikatiounsleeschtung vum DM Modell an der traditioneller Method op enger 18-Joer-Schwell gouf och verglach.All getest SD Modeller an traditionell Methoden am internen Testset hunn praktesch akzeptabel Diskriminéierungsniveauen fir den 18 Joer ale Probe gewisen.Sensibilitéit fir Männer a Frae war méi grouss wéi 87,7% respektiv 94,9%, a Spezifizitéit war méi wéi 89,3% an 84,7%.Den AUROC vun all getest Modeller ass och méi wéi 0,925.Fir déi bescht vun eisem Wëssen, huet keng Studie d'Performance vum DM Modell fir 18-Joer Klassifikatioun op Basis vun Zänn Reife getest.Mir kënnen d'Resultater vun dëser Etude mat der Klassifikatioun Leeschtung vun Deep Learning Modeller op Panorama Radiographie vergläichen.Guo et al.15 berechent d'Klassifikatioun Leeschtung vun engem CNN-baséiert Deep Learning Modell an eng manuell Method baséiert op Demirjian Method fir eng gewëssen Alter Schwell.D'Sensibilitéit an d'Spezifizitéit vun der manueller Method waren 87,7% respektiv 95,5%, an d'Sensibilitéit an d'Spezifizitéit vum CNN Modell iwwerschratt 89,2% respektiv 86,6%.Si hunn ofgeschloss datt déif Léiermodeller d'manuell Bewäertung bei der Klassifikatioun vun Altersschwellen ersetzen oder iwwerpréiwen.D'Resultater vun dëser Etude weisen ähnlech Klassifikatioun Leeschtung;Et gëtt ugeholl datt d'Klassifikatioun mat DM Modeller traditionell statistesch Methode fir Altersschätzung ersetzen kann.Ënnert de Modeller, DM LR war de beschte Modell an Conditioune vun Empfindlechkeet fir d'männlech Prouf an Empfindlechkeet a Spezifizitéit fir d'weiblech Prouf.LR klasséiert zweet an Spezifizitéit fir Männer.Ausserdeem gëtt LR als ee vun de méi userfrëndleche DM35 Modeller ugesinn an ass manner komplex a schwéier ze veraarbecht.Baséierend op dës Resultater gouf LR als dee beschten Ofschnëttsklassifikatiounsmodell fir 18-Joer-ale an der koreanescher Bevëlkerung ugesinn.
Am Allgemengen, war d'Genauegkeet vun Alter Schätzung oder Klassifikatioun Leeschtung op der externen Test Formatioun schlecht oder manner am Verglach zu de Resultater op der intern Test Formatioun.E puer Berichter weisen datt d'Klassifikatiounsgenauegkeet oder d'Effizienz erofgeet wann d'Altersschätzunge baséiert op der koreanescher Bevëlkerung op d'japanesch Populatioun applizéiert ginn5,39, an en ähnlecht Muster gouf an der heiteger Etude fonnt.Dëse Verschlechterungstrend gouf och am DM Modell observéiert.Dofir, fir den Alter präzis ze schätzen, och wann Dir DM am Analyseprozess benotzt, sollten Methoden ofgeleet vu gebierteg Bevëlkerungsdaten, wéi traditionell Methoden, léiwer ginn5,39,40,41,42.Well et onkloer ass ob déif Léiermodeller ähnlech Trends kënnen weisen, Studien déi Klassifikatiounsgenauegkeet an Effizienz vergläicht mat traditionelle Methoden, DM Modeller, an Deep Learning Modeller op déiselwecht Echantillon sinn néideg fir ze bestätegen ob kënschtlech Intelligenz dës rassistesch Differenzen am limitéierten Alter iwwerwanne kann.Bewäertungen.
Mir weisen datt traditionell Methoden duerch Altersschätzung ersat kënne ginn op Basis vum DM Modell an der forensescher Altersschätzungspraxis a Korea.Mir hunn och d'Méiglechkeet entdeckt fir Maschinnléieren fir forensesch Altersbewäertung ëmzesetzen.Wéi och ëmmer, et gi kloer Aschränkungen, sou wéi d'net genuch Unzuel vun de Participanten an dëser Etude fir d'Resultater definitiv ze bestëmmen, an de Mangel u fréiere Studien fir d'Resultater vun dëser Etude ze vergläichen an ze bestätegen.An Zukunft sollen DM Studien mat méi grousser Unzuel vu Proben a méi divers Populatiounen duerchgefouert ginn fir seng praktesch Uwendung am Verglach mat traditionelle Methoden ze verbesseren.Fir d'Machbarkeet ze validéieren fir kënschtlech Intelligenz ze benotzen fir Alter a ville Populatiounen ze schätzen, sinn zukünfteg Studien gebraucht fir d'Klassifikatioun Genauegkeet an Effizienz vun DM an Deep Learning Modeller mat traditionelle Methoden an de selwechte Proben ze vergläichen.
D'Etude huet 2.657 orthographesch Fotoe benotzt, gesammelt vu koreaneschen a japanesche Erwuessener vu 15 bis 23 Joer.Déi koreanesch Röntgenbilder goufen an 900 Trainingssets (19.42 ± 2.65 Joer) an 900 intern Testsets (19.52 ± 2.59 Joer) opgedeelt.Den Trainingsset gouf an enger Institutioun (Seoul St. Mary's Hospital) gesammelt, an den eegene Testset gouf op zwou Institutiounen (Seoul National University Dental Hospital an Yonsei University Dental Hospital) gesammelt.Mir hunn och 857 Röntgenbilder vun enger anerer Bevëlkerungsbaséierter Donnéeën (Iwate Medical University, Japan) fir extern Tester gesammelt.Röntgenbilder vu japanesche Sujeten (19.31 ± 2.60 Joer) goufen als extern Testset ausgewielt.D'Date goufen retrospektiv gesammelt fir d'Etappen vun der Zännentwécklung op Panorama-Radiographien ze analyséieren, déi während der Zännbehandlung geholl goufen.All Donnéeën gesammelt goufen anonym ausser Geschlecht, Gebuertsdatum an Datum vun radiograph.Inklusioun an Exklusioun Critèren waren déi selwecht wéi virdrun publizéiert Studien 4, 5.Den aktuellen Alter vun der Probe gouf berechent andeems de Gebuertsdatum vum Datum vun der Röntgenbild subtrahéiert gouf.D'Probegrupp gouf an néng Altersgruppen opgedeelt.D'Alter a Geschlecht distributions sinn an Table 3 gewisen. Dës Etude gouf am Aklang mat der Deklaratioun vun Helsinki gehaal a vun der Institutional Review Board (IRB) vun Seoul St. Mary d'Spidol vun der kathoulescher Universitéit vu Korea (KC22WISI0328) guttgeheescht.Wéinst der Retrospektiv Design vun dëser Etude, informéiert Zoustëmmung konnt net vun all Patienten kritt radiographic Ënnersichung fir therapeutesch Zwecker amgaang.Seoul Korea University St. Mary's Hospital (IRB) huet d'Ufuerderung fir informéiert Zoustëmmung verzicht.
Entwécklungsstadien vu bimaxillären zweeten an drëtten Molaren goufen no Demircan Critèren bewäert25.Nëmmen een Zänn gouf ausgewielt wann déiselwecht Zännart op der lénker a rietser Säit vun all Kiefer fonnt gouf.Wann homolog Zänn op béide Säiten op verschiddene Entwécklungsstadien waren, gouf den Zänn mat der ënneschter Entwécklungsstadium ausgewielt fir d'Onsécherheet am geschätzte Alter ze berechnen.Honnert zoufälleg ausgewielte Röntgenbilder aus dem Trainingsset goufen vun zwee erfuerene Beobachter geschoss fir Interobservateur Zouverlässegkeet no der Prekalibratioun ze testen fir d'Zänn Reifephase ze bestëmmen.Intraobserver Zouverlässegkeet gouf zweemol an dräi Méint Intervalle vum primäre Beobachter bewäert.
D'Geschlecht an d'Entwécklungsstadium vun der zweeter an drëtter Molaren vun all Kiefer am Trainingsset goufe vun engem primäre Beobachter geschätzt, deen mat verschiddene DM Modeller trainéiert gouf, an den aktuellen Alter gouf als Zilwäert festgeluecht.SLP an MLP Modeller, déi wäit am Maschinnléieren benotzt ginn, goufen géint Regressiounsalgorithmen getest.Den DM Modell kombinéiert linear Funktiounen mat den Entwécklungsstadien vun de véier Zänn a kombinéiert dës Donnéeën fir den Alter ze schätzen.SLP ass dat einfachst neuralt Netzwierk an enthält keng verstoppte Schichten.SLP funktionnéiert baséiert op der Schwelltransmission tëscht Noden.De SLP Modell an der Regressioun ass mathematesch ähnlech wéi multiple linear Regressioun.Am Géigesaz zum SLP Modell huet de MLP Modell verschidde verstoppte Schichten mat netlinearer Aktivéierungsfunktiounen.Eis Experimenter hunn eng verstoppte Schicht benotzt mat nëmmen 20 verstoppte Wirbelen mat netlinearer Aktivéierungsfunktiounen.Benotzt Gradient Ofstamung als Optimiséierungsmethod an MAE an RMSE als Verloschtfunktioun fir eise Maschinnléiermodell ze trainéieren.Déi bescht kritt Regressioun Modell war op d'intern an extern Test baut applizéiert an den Alter vun den Zänn gouf geschat.
E Klassifizéierungsalgorithmus gouf entwéckelt deen d'Reife vu véier Zänn um Trainingsset benotzt fir virauszesoen ob eng Probe 18 Joer al ass oder net.Fir de Modell ze bauen, hu mir siwe Representatiounsmaschinn Léieren Algorithmen6,43 ofgeleet: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, an (7) MLP .LR ass ee vun de meescht benotzt Klassifikatioun Algorithmen44.Et ass e iwwerwaachte Léieralgorithmus deen d'Regressioun benotzt fir d'Wahrscheinlechkeet vun Donnéeën, déi zu enger bestëmmter Kategorie vun 0 op 1 gehéieren, virauszesoen an d'Donnéeën klasséiert als eng méi wahrscheinlech Kategorie baséiert op dëser Wahrscheinlechkeet;haaptsächlech fir binär Klassifikatioun benotzt.KNN ass ee vun den einfachsten Maschinnléieren Algorithmen45.Wann Dir nei Inputdaten kritt, fënnt et k Daten no dem existente Set a klasséiert se dann an d'Klass mat der héchster Frequenz.Mir setzen 3 fir d'Zuel vun den Noperen considéréiert (k).SVM ass en Algorithmus deen d'Distanz tëscht zwou Klassen maximéiert andeems Dir eng Kernelfunktioun benotzt fir de lineare Raum an en net-lineare Raum mam Numm fields46 auszebauen.Fir dëse Modell benotze mir Bias = 1, Power = 1, a Gamma = 1 als Hyperparameter fir de Polynomkär.DT gouf a verschiddene Felder als Algorithmus applizéiert fir e ganzen Datesaz a verschidde Ënnergruppen opzedeelen andeems Dir Entscheedungsregelen an enger Bamstruktur representéiert47.De Modell ass konfiguréiert mat enger Mindestzuel vun Opzeechnungen pro Node vun 2 a benotzt de Gini Index als Qualitéitsmoossnam.RF ass eng Ensembelmethod déi multiple DTs kombinéiert fir d'Performance ze verbesseren mat enger Bootstrap Aggregatiounsmethod déi e schwaache Klassifizéierer fir all Probe generéiert andeems se Proben vun der selwechter Gréisst e puer Mol aus der ursprénglecher Datesaz zéien48.Mir hunn 100 Beem, 10 Bam Déiften, 1 Minimum Node Gréisst, an Gini Admixture Index als Node Trennung Critèren benotzt.D'Klassifikatioun vun neien Donnéeën gëtt vun enger Majoritéitsvote bestëmmt.XGBoost ass en Algorithmus deen Boost Techniken kombinéiert mat enger Method déi als Trainingsdaten de Feeler tëscht den aktuellen a virausgesote Wäerter vum fréiere Modell hëlt an de Feeler mat Gradienten49 vergréissert.Et ass e wäit benotzten Algorithmus wéinst senger gudder Leeschtung a Ressourceeffizienz, souwéi héich Zouverlässegkeet als eng iwwerpassend Korrekturfunktioun.De Modell ass mat 400 Support Rieder equipéiert.MLP ass en neuralt Netzwierk an deem een oder méi Perceptrone verschidde Schichten bilden mat enger oder méi verstoppte Schichten tëscht den Input an Output Schichten38.Mat dësem kënnt Dir net-linear Klassifikatioun ausféieren, wou wann Dir eng Inputschicht bäidréit an e Resultatwäert kritt, de virausgesote Resultatwäert mam aktuellen Resultatwäert verglach gëtt an de Feeler gëtt zréck propagéiert.Mir hunn eng verstoppte Schicht mat 20 verstoppte Neuronen an all Schicht erstallt.All Modell, dee mir entwéckelt hunn, gouf op intern an extern Sets applizéiert fir d'Klassifikatiounsleeschtung ze testen andeems d'Sensibilitéit, Spezifizitéit, PPV, NPV an AUROC berechnen.Sensibilitéit gëtt definéiert als de Verhältnis vun enger Probe, déi op 18 Joer oder méi al geschat gëtt, zu enger Probe, déi op 18 Joer oder méi al geschat gëtt.Spezifizitéit ass den Undeel vun de Proben ënner 18 Joer an déi geschat ënner 18 Joer.
D'Zännstadien, déi am Trainingsset bewäert goufen, goufen an numeresch Etappe fir statistesch Analyse ëmgewandelt.Multivariate linear a logistesch Réckgang goufen duerchgefouert fir prévisiv Modeller fir all Geschlecht z'entwéckelen an d'Regressiounsformelen ofzeleeën, déi benotzt kënne ginn fir Alter ze schätzen.Mir hunn dës Formulen benotzt fir Zännalter fir béid intern an extern Testsets ze schätzen.Table 4 weist d'Regressioun an d'Klassifikatiounsmodeller déi an dëser Etude benotzt ginn.
Intra- an Interobservateur Zouverlässegkeet gouf mat Cohen senger Kappa Statistik berechent.Fir d'Genauegkeet vun DM an traditionelle Regressiounsmodeller ze testen, hu mir MAE an RMSE berechent mat de geschätzte an aktuellen Alter vun den internen an externen Testsets.Dës Feeler ginn allgemeng benotzt fir d'Genauegkeet vun de Modellprognosen ze evaluéieren.Wat de Feeler méi kleng ass, dest méi héich ass d'Genauegkeet vun der Prognose24.Vergläicht d'MAE an RMSE vun internen an externen Testsets berechent mat DM an traditioneller Regressioun.Klassifikatioun Leeschtung vun der 18-Joer cutoff an traditionell Statistiken war mat engem 2 × 2 Kontingent Dësch bewäert.Déi berechent Empfindlechkeet, Spezifizitéit, PPV, NPV an AUROC vum Testset goufe mat de gemoossene Wäerter vum DM Klassifikatiounsmodell verglach.D'Donnéeë ginn ausgedréckt als mëttler ± Standardabweichung oder Zuel (%) jee no Datencharakteristiken.Zweesäiteg P Wäerter <0,05 goufen statistesch bedeitend ugesinn.All Routine statistesch Analysë goufen mat SAS Versioun 9.4 (SAS Institut, Cary, NC) gemaach.Den DM Regressiounsmodell gouf am Python implementéiert mat Keras50 2.2.4 Backend an Tensorflow51 1.8.0 speziell fir mathematesch Operatiounen.Den DM Klassifikatiounsmodell gouf an der Waikato Knowledge Analysis Environment an der Konstanz Information Miner (KNIME) 4.6.152 Analyseplattform implementéiert.
D'Autoren unerkennen datt Daten, déi d'Conclusiounen vun der Etude ënnerstëtzen, am Artikel an zousätzlech Materialien fonnt ginn.D'Datesätz generéiert an / oder analyséiert während der Studie sinn vum entspriechende Auteur op raisonnabel Ufro verfügbar.
Ritz-Timme, S. et al.Alter Bewäertung: Staat vun der Konscht fir déi spezifesch Ufuerderunge vun der forensescher Praxis z'erreechen.internationalitéit.J. Juristesch Medezin.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A.Forensik.Medizin.Pathologie.1, 239–246 (2005).
Pan, J. et al.Eng modifizéiert Method fir den Zännalter vu Kanner vu 5 bis 16 Joer am Oste China ze bewäerten.klinesch.Mëndlech Ëmfro.25, 3463–3474 (2021).
Lee, SS etc.. Chronologie vun der Entwécklung vun zweeten an drëtten molars an Koreaner a seng Applikatioun fir forensic Alter Bewäertung.internationalitéit.J. Juristesch Medezin.124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY a Lee, SS Genauegkeet vun Alter Schätzung an Schätzung vun der 18-Joer Schwell baséiert op der Reife vun zweeten an drëtt molars an Koreaner a Japanesch.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Preoperative Maschinnléieren-baséiert Datenanalyse kann d'Resultat vun der Schlofchirurgie Behandlung bei Patienten mat OSA viraussoen.d'Wëssenschaft.Rapport 11, 14911 (2021).
Han, M. et al.Genau Altersschätzung vu Maschinnléieren mat oder ouni mënschlech Interventioun?internationalitéit.J. Juristesch Medezin.136, 821-831 (2022).
Khan, S. an Shaheen, M. Vun Data Mining zu Data Mining.J. Informatiounen.d'Wëssenschaft.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. an Shaheen, M. WisRule: Déi éischt kognitiv Algorithmus fir Associatioun Regel Biergbau.J. Informatiounen.d'Wëssenschaft.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. an Abdullah U. Karm: Traditionell Daten Mining baséiert op Kontext-baséiert Associatioun Regelen.ausrechnen.Matt.weider.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. an Habib M. Deep Learning baséiert semantesch Ähnlechkeet Detektioun mat Textdaten.informéieren.Technologien.kontrolléieren.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., a Shahin, M. E System fir Aktivitéit an Sportvideoen z'erkennen.multimedia.Tools Uwendungen https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Machine Learning Challenge am Pediatric Bone Age.Radiologie 290, 498-503 (2019).
Li, Y. et al.Forensesch Alter Schätzung vu Pelvic Röntgenstrahlen mat Deep Learning.EURO.Stralung.29, 2322–2329 (2019).
Guo, YC, et al.Genau Altersklassifikatioun mat manuelle Methoden an déif convolutional neural Netzwierker aus orthographesche Projektiounsbilder.internationalitéit.J. Juristesch Medezin.135, 1589-1597 (2021).
Alabama Dalora et al.Schanken Alter Schätzung mat verschiddene Maschinn Léieren Methoden: eng systematesch Literatur Iwwerpréiwung a Meta-Analyse.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., an Yang, J. Populatioun-spezifesch Alter Schätzung vun afrikanesch Amerikaner a Chinese baséiert op Pulp Chamber Bänn vun éischt molars benotzt Kegelhaut berechnen tomography.internationalitéit.J. Juristesch Medezin.136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK an Oh KS.d'Wëssenschaft.Rapport 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., an Urschler, M. Automatesch Alter Estimatioun an Majoritéit Alter Klassifikatioun vun multivariate MRI Daten.IEEE J. Biomed.Gesondheet Alarmer.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. a Li, G. Alter Schätzung baséiert op 3D Pulp Chamber Segmentatioun vun éischt molars aus Kegelstrahl Computertomographie vun Integratioun déif Léieren an Niveau Sets.internationalitéit.J. Juristesch Medezin.135, 365–373 (2021).
Wu, WT, et al.Datemining a klineschen Big Data: gemeinsam Datenbanken, Schrëtt a Methodmodeller.Welt.Medizin.Ressource.8, 44 (2021).
Yang, J. et al.Aféierung fir medizinesch Datenbanken an Data Mining Technologien an der Big Data Ära.J. Avid.Basis Medezin.13, 57–69 (2020).
Schen, S. et al.Camerer's Method fir Zännalter ze schätzen mat Maschinnléieren.BMC Oral Gesondheet 21, 641 (2021).
Galliburg A. et al.Verglach vu verschiddene Maschinnléieremethoden fir Zännalter virauszesoen mat der Demirdjian Staging Method.internationalitéit.J. Juristesch Medezin.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM.schnurren.biologie.45, 211–227 (1973).
Landis, JR, and Koch, GG.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK, Choi HK.Textural, morphologesch a statistesch Analyse vun zwee-zweedimensional magnetescher Resonanz Imaging mat kënschtlechen Intelligenz Techniken fir Differenzéierung vun primären Gehir Tumoren.Gesondheet Informatiounen.Ressource.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Post Zäit: Jan-04-2024