Matur nuwun kanggo ngunjungi Nature.com.Versi browser sing sampeyan gunakake nduweni dhukungan CSS sing winates.Kanggo asil sing paling apik, disaranake nggunakake versi browser sing luwih anyar (utawa mateni mode kompatibilitas ing Internet Explorer).Ing sawetoro wektu, kanggo njamin dhukungan sing terus-terusan, kita nuduhake situs kasebut tanpa gaya utawa JavaScript.
Untu dianggep minangka indikator paling akurat babagan umur awak manungsa lan asring digunakake ing penilaian umur forensik.Kita ngarahake validasi perkiraan umur dental basis data pertambangan kanthi mbandhingake akurasi estimasi lan kinerja klasifikasi ambang 18 taun kanthi metode tradisional lan perkiraan umur basis data pertambangan.Gunggunge 2657 radiografi panoramik diklumpukake saka warga Korea lan Jepang sing umure 15 nganti 23 taun.Dheweke dipérang dadi set latihan, saben ngemot 900 radiografi Korea, lan set tes internal sing ngemot 857 radiografi Jepang.Kita mbandhingake akurasi klasifikasi lan efisiensi metode tradisional karo set uji model data mining.Akurasi metode tradisional ing set tes internal rada luwih dhuwur tinimbang model data mining, lan bedane cilik (tegese kesalahan absolut <0,21 taun, kesalahan kuadrat rata-rata akar <0,24 taun).Kinerja klasifikasi kanggo cutoff 18 taun uga padha antarane cara tradisional lan model data mining.Mangkono, cara tradisional bisa diganti karo model data mining nalika nindakake penilaian umur forensik nggunakake kadewasan molar kapindho lan katelu ing remaja Korea lan wong diwasa enom.
Perkiraan umur dental akeh digunakake ing obat forensik lan kedokteran gigi pediatrik.Utamane, amarga korélasi dhuwur antarane umur kronologis lan perkembangan dental, penilaian umur kanthi tahap perkembangan dental minangka kriteria penting kanggo ngevaluasi umur bocah lan remaja1,2,3.Nanging, kanggo wong enom, ngira umur dental adhedhasar kadewasan dental duwe watesan amarga wutah untu meh rampung, kajaba molar katelu.Tujuan hukum kanggo nemtokake umur wong enom lan remaja yaiku kanggo menehi prakiraan sing akurat lan bukti ilmiah manawa dheweke wis tekan umur mayoritas.Ing laku medico-legal remaja lan wong diwasa enom ing Korea, umur iki kira-kira nggunakake cara Lee, lan batesan legal 18 taun iki mbadek adhedhasar data kacarita dening Oh et al 5.
Pembelajaran mesin minangka jinis intelijen buatan (AI) sing bola-bali sinau lan nggolongake data sing akeh, ngrampungake masalah dhewe, lan nyurung pemrograman data.Machine learning bisa nemokake pola didhelikake migunani ing volume gedhe saka data6.Ing kontras, cara klasik, sing mbutuhake tenaga kerja lan akeh wektu, bisa uga duwe watesan nalika nangani volume data rumit sing angel diproses kanthi manual7.Mula, akeh panaliten sing ditindakake bubar nggunakake teknologi komputer paling anyar kanggo nyuda kesalahane manungsa lan ngolah data multidimensi kanthi efisien8,9,10,11,12.Utamane, sinau jero wis akeh digunakake ing analisis gambar medis, lan macem-macem cara kanggo ngira umur kanthi otomatis nganalisa radiografi wis dilaporake kanggo nambah akurasi lan efisiensi estimasi umur13,14,15,16,17,18,19,20 .Contone, Halabi et al 13 ngembangake algoritma pembelajaran mesin adhedhasar jaringan saraf convolutional (CNN) kanggo ngira umur balung nggunakake radiografi tangan bocah-bocah.Panaliten iki ngusulake model sing ngetrapake pembelajaran mesin kanggo gambar medis lan nuduhake manawa metode kasebut bisa nambah akurasi diagnostik.Li et al14 ngira umur saka gambar sinar-X pelvis nggunakake CNN sinau jero lan mbandhingake karo asil regresi nggunakake estimasi tahap ossifikasi.Dheweke nemokake yen model CNN sinau jero nuduhake kinerja estimasi umur sing padha karo model regresi tradisional.Sinau Guo et al. [15] ngevaluasi kinerja klasifikasi toleransi umur teknologi CNN adhedhasar orthophotos dental, lan asil model CNN mbuktekake manawa manungsa ngluwihi kinerja klasifikasi umur.
Umume pasinaon babagan estimasi umur nggunakake machine learning nggunakake metode deep learning13,14,15,16,17,18,19,20.Perkiraan umur adhedhasar sinau jero dilaporake luwih akurat tinimbang metode tradisional.Nanging, pendekatan iki nyedhiyakake sethithik kesempatan kanggo nyedhiyakake basis ilmiah kanggo perkiraan umur, kayata indikator umur sing digunakake ing perkiraan.Ana uga regejegan hukum babagan sapa sing nganakake pemeriksaan.Mulane, estimasi umur adhedhasar sinau jero angel ditampa dening panguwasa administratif lan yudikatif.Data Mining (DM) minangka teknik kang bisa nemokake ora mung informasi sing dikarepake nanging uga informasi sing ora dikarepake minangka cara kanggo nemokake korelasi sing migunani antarane data sing akeh6,21,22.Machine learning asring digunakake ing data mining, lan data mining lan machine learning nggunakake algoritma kunci sing padha kanggo nemokake pola ing data.Perkiraan umur nggunakake pangembangan dental adhedhasar penilaian pemeriksa babagan kadewasan untu target, lan penilaian iki dituduhake minangka tahap kanggo saben untu target.DM bisa digunakake kanggo nganalisa korélasi antara tahap pambiji dental lan umur nyata lan duweni potensi kanggo ngganti analisis statistik tradisional.Mula, yen kita nggunakake teknik DM kanggo ngira umur, kita bisa ngetrapake machine learning ing estimasi umur forensik tanpa kuwatir babagan tanggung jawab hukum.Sawetara studi komparatif wis diterbitake babagan alternatif kanggo cara manual tradisional sing digunakake ing praktik forensik lan metode basis EBM kanggo nemtokake umur dental.Shen et al23 nuduhake yen model DM luwih akurat tinimbang rumus Camerer tradisional.Galibourg et al24 nggunakake metode DM sing beda-beda kanggo prédhiksi umur miturut kritéria Demirdjian25 lan asile nuduhake yen metode DM ngluwihi metode Demirdjian lan Willems kanggo ngira umur populasi Prancis.
Kanggo ngira umur dental remaja Korea lan wong diwasa enom, metode Lee 4 digunakake akeh ing praktik forensik Korea.Cara iki nggunakake analisis statistik tradisional (kayata regresi berganda) kanggo nliti hubungan antarane subjek Korea lan umur kronologis.Ing panliten iki, metode perkiraan umur sing dipikolehi nggunakake metode statistik tradisional ditetepake minangka "metode tradisional."Cara Lee minangka cara tradisional, lan akurasi wis dikonfirmasi dening Oh et al.5;Nanging, aplikasi estimasi umur adhedhasar model DM ing praktik forensik Korea isih diragukan.Tujuan kita yaiku kanggo validasi sacara ilmiah potensial migunani saka perkiraan umur adhedhasar model DM.Tujuwan saka panliten iki yaiku (1) kanggo mbandhingake akurasi rong model DM sajrone ngira umur dental lan (2) kanggo mbandhingake kinerja klasifikasi 7 model DM ing umur 18 taun karo sing diolehake nggunakake metode statistik tradisional Maturity of second. lan molar katelu ing rahang loro.
Tegese lan panyimpangan standar umur kronologis miturut tahapan lan jinis untu ditampilake online ing Tabel Tambahan S1 (set latihan), Tabel Tambahan S2 (set test internal), lan Tabel Tambahan S3 (set test eksternal).Nilai kappa kanggo linuwih intra lan interobserver sing dipikolehi saka set latihan yaiku 0,951 lan 0,947.Nilai P lan interval kapercayan 95% kanggo nilai kappa ditampilake ing tabel tambahan online S4.Nilai kappa diinterpretasikake minangka "meh sampurna", konsisten karo kritéria Landis lan Koch26.
Nalika mbandhingake tegese kesalahan absolut (MAE), cara tradisional rada ngluwihi model DM kanggo kabeh jender lan ing set test lanang eksternal, kajaba multilayer perceptron (MLP).Bedane model tradisional lan model DM ing set tes MAE internal yaiku 0.12-0.19 taun kanggo pria lan 0.17-0.21 taun kanggo wanita.Kanggo baterei tes eksternal, bedane luwih cilik (0.001-0.05 taun kanggo wong lanang lan 0.05-0.09 taun kanggo wanita).Kajaba iku, kesalahan ROOT tegese kuadrat (RMSE) rada luwih murah tinimbang cara tradisional, kanthi beda cilik (0.17-0.24, 0.2-0.24 kanggo set tes internal lanang, lan 0.03-0.07, 0.04-0.08 kanggo set tes eksternal).).MLP nuduhake kinerja rada luwih apik tinimbang Single Layer Perceptron (SLP), kajaba ing cilik saka set test external wadon.Kanggo MAE lan RMSE, skor set tes eksternal luwih dhuwur tinimbang set tes internal kanggo kabeh jender lan model.Kabeh MAE lan RMSE ditampilake ing Tabel 1 lan Gambar 1.
MAE lan RMSE saka model regresi tradisional lan data mining.Rata-rata kesalahan absolut MAE, root rata-rata kesalahan kuadrat RMSE, single layer perceptron SLP, multilayer perceptron MLP, metode CM tradisional.
Kinerja klasifikasi (kanthi cutoff 18 taun) saka model tradisional lan DM dituduhake ing babagan sensitivitas, spesifisitas, nilai prediktif positif (PPV), nilai prediksi negatif (NPV), lan area ing kurva karakteristik operasi panrima (AUROC). 27 (Tabel 2, Gambar 2 lan Gambar Tambahan 1 online).Ing babagan sensitivitas baterei tes internal, cara tradisional ditindakake paling apik ing antarane wong lanang lan luwih elek ing antarane wanita.Nanging, prabédan kinerja klasifikasi antarane metode tradisional lan SD yaiku 9,7% kanggo wong (MLP) lan mung 2,4% kanggo wanita (XGBoost).Antarane model DM, regresi logistik (LR) nuduhake sensitivitas sing luwih apik ing loro jinis.Babagan spesifisitas set tes internal, diamati yen papat model SD nduweni kinerja apik ing lanang, dene model tradisional luwih apik ing wanita.Bedane kinerja klasifikasi kanggo lanang lan wadon yaiku 13,3% (MLP) lan 13,1% (MLP), sing nuduhake yen prabédan kinerja klasifikasi antarane model ngluwihi sensitivitas.Ing antarane model DM, model support vector machine (SVM), decision tree (DT), lan random forest (RF) model paling apik ing antarane lanang, dene model LR paling apik ing antarane wanita.AUROC saka model tradisional lan kabeh model SD luwih gedhe tinimbang 0.925 (k-nearest neighbor (KNN) ing wong lanang), nuduhake kinerja klasifikasi sing apik banget kanggo mbedakake sampel 18 taun.Kanggo set tes eksternal, ana penurunan kinerja klasifikasi babagan sensitivitas, kekhususan lan AUROC dibandhingake karo set tes internal.Kajaba iku, bedane sensitivitas lan spesifisitas antarane kinerja klasifikasi model paling apik lan paling awon yaiku saka 10% nganti 25% lan luwih gedhe tinimbang bedane ing set tes internal.
Sensitivitas lan spesifik model klasifikasi data mining dibandhingake karo metode tradisional kanthi cutoff 18 taun.KNN k pepadhamu sing paling cedhak, mesin vektor dhukungan SVM, regresi logistik LR, wit keputusan DT, alas acak RF, XGB XGBoost, perceptron multilayer MLP, cara CM tradisional.
Langkah pisanan ing panliten iki yaiku mbandhingake akurasi perkiraan umur dental sing dipikolehi saka pitung model DM karo sing dipikolehi nggunakake regresi tradisional.MAE lan RMSE dievaluasi ing set tes internal kanggo loro jinis, lan beda antarane metode tradisional lan model DM antara 44 nganti 77 dina kanggo MAE lan saka 62 nganti 88 dina kanggo RMSE.Sanajan cara tradisional rada luwih akurat ing panliten iki, angel disimpulake manawa prabédan cilik kasebut nduweni makna klinis utawa praktis.Asil kasebut nuduhake yen akurasi estimasi umur dental nggunakake model DM meh padha karo metode tradisional.Perbandhingan langsung karo asil saka panaliten sadurunge angel amarga ora ana panaliten sing mbandhingake akurasi model DM karo metode statistik tradisional nggunakake teknik ngrekam untu ing umur sing padha karo panliten iki.Galibourg et al24 mbandhingake MAE lan RMSE antarane rong cara tradisional (metode Demirjian25 lan metode Willems29) lan model 10 DM ing populasi Prancis umur 2 nganti 24 taun.Dheweke nglaporake manawa kabeh model DM luwih akurat tinimbang metode tradisional, kanthi bedane 0,20 lan 0,38 taun ing MAE lan 0,25 lan 0,47 taun ing RMSE dibandhingake karo metode Willems lan Demirdjian.Bedane antarane model SD lan cara tradisional sing ditampilake ing studi Halibourg njupuk akeh laporan30,31,32,33 yen metode Demirdjian ora kanthi akurat ngira umur dental ing populasi liyane saka Kanada Prancis sing didhasarake panliten kasebut.ing panliten iki.Tai et al 34 nggunakake algoritma MLP kanggo prédhiksi umur waos saka 1636 foto ortodontik Cina lan mbandhingake akurasi karo asil metode Demirjian lan Willems.Dheweke nglaporake manawa MLP duwe akurasi sing luwih dhuwur tinimbang cara tradisional.Bedane metodhe Demirdjian lan metodhe tradhisional yaiku <0,32 taun, lan metodhe Willems 0,28 taun, padha karo asile panliten iki.Asil saka panliten sadurunge 24,34 uga cocog karo asil panliten iki, lan akurasi estimasi umur model DM lan metode tradisional padha.Nanging, adhedhasar asil sing ditampilake, kita mung bisa nyimpulake kanthi ati-ati yen nggunakake model DM kanggo ngira umur bisa ngganti cara sing ana amarga ora ana studi komparatif lan referensi sadurunge.Panliten tindak lanjut nggunakake conto sing luwih gedhe dibutuhake kanggo ngonfirmasi asil sing dipikolehi ing panliten iki.
Antarane pasinaon sing nguji akurasi SD kanggo ngira umur dental, sawetara nuduhake akurasi sing luwih dhuwur tinimbang sinau.Stepanovsky et al 35 Applied 22 model SD kanggo radiographs panorama 976 residents Ceko umur 2,7 kanggo 20,5 taun lan dites akurasi saben model.Dheweke ngevaluasi pangembangan total 16 untu permanen kiwa ndhuwur lan ngisor nggunakake kriteria klasifikasi sing diajokake dening Moorrees et al 36.MAE antara 0,64 nganti 0,94 taun lan RMSE antara 0,85 nganti 1,27 taun, sing luwih akurat tinimbang rong model DM sing digunakake ing panliten iki.Shen et al23 nggunakake cara Cameriere kanggo ngira umur dental pitung untu permanen ing mandible kiwa ing warga Cina wétan umur 5 kanggo 13 taun lan dibandhingake karo umur kira-kira nggunakake regresi linear, SVM lan RF.Dheweke nuduhake manawa kabeh telung model DM duwe akurasi sing luwih dhuwur dibandhingake karo rumus Cameriere tradisional.MAE lan RMSE ing panliten Shen luwih murah tinimbang ing model DM ing panliten iki.Presisi tambah saka pasinaon dening Stepanovsky et al.35 lan Shen et al.23 bisa uga amarga kalebu subyek sing luwih enom ing conto sinau.Amarga prakiraan umur kanggo peserta sing ngembangake untu dadi luwih akurat amarga jumlah untu mundhak sajrone perkembangan dental, akurasi metode perkiraan umur bisa dikompromi nalika peserta sinau luwih enom.Kajaba iku, kesalahan MLP ing estimasi umur rada cilik tinimbang SLP, tegese MLP luwih akurat tinimbang SLP.MLP dianggep rada luwih apik kanggo ngira umur, bisa uga amarga lapisan sing didhelikake ing MLP38.Nanging, ana pangecualian kanggo sampel njaba wanita (SLP 1.45, MLP 1.49).Panemuan yen MLP luwih akurat tinimbang SLP ing pambiji umur mbutuhake studi retrospektif tambahan.
Kinerja klasifikasi model DM lan metode tradisional ing ambang 18 taun uga dibandhingake.Kabeh model SD sing diuji lan cara tradisional ing set tes internal nuduhake tingkat diskriminasi sing bisa ditampa kanggo sampel 18 taun.Sensitivitas kanggo lanang lan wadon luwih saka 87,7% lan 94,9%, lan spesifik luwih saka 89,3% lan 84,7%.AUROC kabeh model sing diuji uga ngluwihi 0.925.Kanggo kawruh sing paling apik, ora ana panaliten sing nguji kinerja model DM kanggo klasifikasi 18 taun adhedhasar kadewasan dental.Kita bisa mbandhingake asil panaliten iki karo kinerja klasifikasi model deep learning ing radiographs panoramic.Guo et al.15 ngitung kinerja klasifikasi model sinau jero basis CNN lan metode manual adhedhasar metode Demirjian kanggo ambang umur tartamtu.Sensitivitas lan spesifisitas metode manual yaiku 87,7% lan 95,5%, lan sensitivitas lan spesifisitas model CNN ngluwihi 89,2% lan 86,6%.Dheweke nyimpulake yen model pembelajaran jero bisa ngganti utawa ngluwihi penilaian manual ing klasifikasi ambang umur.Asil panliten iki nuduhake kinerja klasifikasi sing padha;Dipercaya manawa klasifikasi nggunakake model DM bisa ngganti metode statistik tradisional kanggo ngira umur.Antarane model kasebut, DM LR minangka model paling apik babagan sensitivitas kanggo sampel lanang lan sensitivitas lan spesifisitas kanggo sampel wadon.LR rangking kaloro ing specificity kanggo wong.Kajaba iku, LR dianggep minangka salah sawijining model DM35 sing luwih ramah pangguna lan ora rumit lan angel diproses.Adhedhasar asil kasebut, LR dianggep minangka model klasifikasi cutoff paling apik kanggo bocah-bocah umur 18 taun ing populasi Korea.
Sakabèhé, akurasi prakiraan umur utawa kinerja klasifikasi ing set tes eksternal kurang utawa luwih murah dibandhingake karo asil ing set tes internal.Sawetara laporan nuduhake yen akurasi klasifikasi utawa efisiensi mudhun nalika prakiraan umur adhedhasar populasi Korea ditrapake kanggo populasi Jepang5,39, lan pola sing padha ditemokake ing panliten iki.Tren rusak iki uga diamati ing model DM.Mulane, kanggo ngira umur kanthi akurat, sanajan nggunakake DM ing proses analisis, metode sing ditemokake saka data populasi asli, kayata metode tradisional, kudu luwih disenengi5,39,40,41,42.Amarga ora jelas manawa model sinau jero bisa nuduhake tren sing padha, studi sing mbandhingake akurasi klasifikasi lan efisiensi nggunakake metode tradisional, model DM, lan model sinau jero ing conto sing padha dibutuhake kanggo ngonfirmasi manawa intelijen buatan bisa ngatasi kesenjangan rasial kasebut ing umur sing winates.taksiran.
Kita nduduhake manawa cara tradisional bisa diganti kanthi estimasi umur adhedhasar model DM ing praktik estimasi umur forensik ing Korea.Kita uga nemokake kemungkinan ngleksanakake pembelajaran mesin kanggo penilaian umur forensik.Nanging, ana watesan sing jelas, kayata jumlah peserta sing ora cukup ing panliten iki kanggo nemtokake asil kanthi definitif, lan ora ana studi sadurunge kanggo mbandhingake lan ngonfirmasi asil panliten iki.Ing mangsa ngarep, pasinaon DM kudu ditindakake kanthi jumlah sampel sing luwih akeh lan populasi sing luwih maneka warna kanggo nambah aplikasi praktis dibandhingake karo metode tradisional.Kanggo validasi kelayakan nggunakake intelijen buatan kanggo ngira umur ing pirang-pirang populasi, studi ing mangsa ngarep dibutuhake kanggo mbandhingake akurasi klasifikasi lan efisiensi DM lan model pembelajaran jero karo metode tradisional ing sampel sing padha.
Panliten kasebut nggunakake 2.657 foto ortografi sing diklumpukake saka wong diwasa Korea lan Jepang sing umure 15 nganti 23 taun.Radiografi Korea dipérang dadi 900 set latihan (19.42 ± 2.65 taun) lan 900 set tes internal (19.52 ± 2.59 taun).Set latihan diklumpukake ing salah sawijining institusi (Rumah Sakit Seoul St. Mary), lan set tes dhewe diklumpukake ing rong institusi (Rumah Sakit Gigi Universitas Nasional Seoul lan Rumah Sakit Gigi Universitas Yonsei).Kita uga nglumpukake radiografi 857 saka data basis populasi liyane (Iwate Medical University, Jepang) kanggo tes eksternal.Radiografi subjek Jepang (19.31 ± 2.60 taun) dipilih minangka set tes eksternal.Data diklumpukake kanthi retrospektif kanggo nganalisis tahapan pangembangan dental ing radiografi panorama sing dijupuk sajrone perawatan dental.Kabeh data sing diklumpukake anonim kajaba gender, tanggal lahir lan tanggal radiografi.Kriteria inklusi lan eksklusi padha karo studi sing diterbitake sadurunge 4, 5.Umur nyata sampel diitung kanthi nyuda tanggal lair saka tanggal radiografi dijupuk.Klompok sampel dipérang dadi sangang kelompok umur.Distribusi umur lan jinis ditampilake ing Tabel 3 Panliten iki ditindakake miturut Deklarasi Helsinki lan disetujoni dening Dewan Peninjau Institusi (IRB) Rumah Sakit St. Mary Seoul Universitas Katolik Korea (KC22WISI0328).Amarga desain retrospektif saka panliten iki, informed consent ora bisa ditampa saka kabeh pasien sing ngalami pemeriksaan radiografi kanggo tujuan terapeutik.Seoul Korea University St. Mary's Hospital (IRB) waived requirement kanggo informed idin.
Tahap pangembangan molar kapindho lan katelu bimaxillary ditaksir miturut kriteria Demircan25.Mung siji untu sing dipilih yen jinis sing padha ditemokake ing sisih kiwa lan tengen saben rahang.Yen untu homolog ing loro-lorone ana ing tahap perkembangan sing beda-beda, untu kanthi tahap perkembangan ngisor dipilih kanggo nyatakake ketidakpastian ing umur sing dikira.Satus radiografi sing dipilih kanthi acak saka set latihan dicetak dening rong pengamat sing berpengalaman kanggo nguji linuwih interobserver sawise precalibration kanggo nemtokake tahap kedewasaan dental.Reliabilitas intraobserver ditaksir kaping pindho kanthi interval telung sasi dening pengamat utama.
Tahap jinis lan perkembangan saka molar kapindho lan katelu saben rahang ing set latihan diprakirakake dening pengamat utama sing dilatih kanthi model DM sing beda-beda, lan umur nyata disetel minangka nilai target.Model SLP lan MLP, sing akeh digunakake ing machine learning, diuji marang algoritma regresi.Model DM nggabungake fungsi linear kanthi nggunakake tahap perkembangan saka papat untu lan nggabungake data kasebut kanggo ngira umur.SLP minangka jaringan saraf sing paling gampang lan ora ngemot lapisan sing didhelikake.SLP dianggo adhedhasar transmisi ambang antarane node.Model SLP ing regresi sacara matematis padha karo regresi linier berganda.Ora kaya model SLP, model MLP nduweni pirang-pirang lapisan sing didhelikake kanthi fungsi aktivasi nonlinear.Eksperimen kita nggunakake lapisan sing didhelikake kanthi mung 20 kelenjar sing didhelikake kanthi fungsi aktivasi nonlinear.Gunakake turunan gradien minangka metode optimasi lan MAE lan RMSE minangka fungsi mundhut kanggo nglatih model pembelajaran mesin kita.Model regresi sing paling apik ditrapake kanggo set tes internal lan eksternal lan umur untu dikira-kira.
Algoritma klasifikasi dikembangake sing nggunakake kedewasaan papat untu ing set latihan kanggo prédhiksi manawa sampel umur 18 taun utawa ora.Kanggo mbangun model, kita entuk pitung algoritma machine learning representasi6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, lan (7) MLP .LR minangka salah sawijining algoritma klasifikasi sing paling akeh digunakake44.Iki minangka algoritma pembelajaran sing diawasi sing nggunakake regresi kanggo prédhiksi kemungkinan data sing ana ing kategori tartamtu saka 0 nganti 1 lan nggolongake data kasebut minangka kategori sing luwih cenderung adhedhasar kemungkinan kasebut;utamané dipigunakaké kanggo klasifikasi binar.KNN minangka salah sawijining algoritma pembelajaran mesin sing paling gampang45.Nalika diwenehi data input anyar, nemokake k data sing cedhak karo set sing ana banjur diklasifikasikake menyang kelas kanthi frekuensi paling dhuwur.We nyetel 3 kanggo nomer tanggi dianggep (k).SVM minangka algoritma sing nggedhekake jarak antarane rong kelas kanthi nggunakake fungsi kernel kanggo nggedhekake spasi linear dadi spasi non-linear sing diarani fields46.Kanggo model iki, kita nggunakake bias = 1, daya = 1, lan gamma = 1 minangka hyperparameters kanggo kernel polinomial.DT wis diterapake ing macem-macem lapangan minangka algoritma kanggo mbagi kabeh data dadi sawetara subkelompok kanthi makili aturan keputusan ing struktur wit47.Model kasebut dikonfigurasi kanthi jumlah rekaman minimal saben simpul 2 lan nggunakake indeks Gini minangka ukuran kualitas.RF minangka cara gamelan sing nggabungake pirang-pirang DT kanggo nambah kinerja nggunakake metode agregasi bootstrap sing ngasilake klasifikasi lemah kanggo saben sampel kanthi acak nggambar conto ukuran sing padha kaping pirang-pirang saka dataset asli48.Kita nggunakake 100 wit, 10 ambane wit, 1 ukuran simpul minimal, lan indeks campuran Gini minangka kriteria pemisahan simpul.Klasifikasi data anyar ditemtokake dening voting mayoritas.XGBoost minangka algoritma sing nggabungake teknik ningkatake nggunakake metode sing njupuk data latihan kesalahan antarane nilai nyata lan prediksi model sadurunge lan nambah kesalahan nggunakake gradients49.Iki minangka algoritma sing akeh digunakake amarga kinerja lan efisiensi sumber daya sing apik, uga linuwih minangka fungsi koreksi overfitting.Model kasebut dilengkapi 400 roda dhukungan.MLP minangka jaringan saraf sing siji utawa luwih perceptron mbentuk pirang-pirang lapisan kanthi siji utawa luwih lapisan sing didhelikake ing antarane lapisan input lan output38.Kanthi nggunakake iki, sampeyan bisa nindakake klasifikasi non-linear nalika sampeyan nambah lapisan input lan entuk nilai asil, nilai asil sing diprediksi dibandhingake karo nilai asil nyata lan kesalahan kasebut disebarake maneh.Kita nggawe lapisan sing didhelikake kanthi 20 neuron sing didhelikake ing saben lapisan.Saben model sing dikembangake ditrapake kanggo set internal lan eksternal kanggo nguji kinerja klasifikasi kanthi ngitung sensitivitas, spesifisitas, PPV, NPV, lan AUROC.Sensitivitas ditetepake minangka rasio sampel sing kira-kira umure 18 taun utawa luwih karo sampel sing kira-kira umure 18 taun utawa luwih.Spesifisitas yaiku proporsi sampel ing sangisore 18 taun lan sing dikira umure kurang saka 18 taun.
Tahap dental sing ditaksir ing set latihan diowahi dadi tahapan numerik kanggo analisis statistik.Regresi linear lan logistik multivariate ditindakake kanggo ngembangake model prediktif kanggo saben jinis lan ngasilake rumus regresi sing bisa digunakake kanggo ngira umur.Kita nggunakake rumus iki kanggo ngira umur waos kanggo set tes internal lan eksternal.Tabel 4 nuduhake model regresi lan klasifikasi sing digunakake ing panliten iki.
Intra- lan linuwih interobserver diwilang nggunakake statistik kappa Cohen.Kanggo nguji akurasi DM lan model regresi tradisional, kita ngetung MAE lan RMSE nggunakake umur kira-kira lan nyata saka set tes internal lan eksternal.Kesalahan iki umume digunakake kanggo ngevaluasi akurasi prediksi model.Sing luwih cilik kesalahane, sing luwih dhuwur akurasi ramalan24.Mbandhingake MAE lan RMSE saka set tes internal lan eksternal sing diwilang nggunakake DM lan regresi tradisional.Kinerja klasifikasi saka cutoff 18 taun ing statistik tradisional ditaksir nggunakake tabel kontingensi 2 × 2.Sensitivitas, spesifisitas, PPV, NPV, lan AUROC sing diitung saka set tes dibandhingake karo nilai sing diukur saka model klasifikasi DM.Data dipunandharaken kanthi rata-rata ± standar deviasi utawi angka (%) gumantung karakteristik data.Nilai P rong sisi <0,05 dianggep signifikan sacara statistik.Kabeh analisis statistik rutin ditindakake nggunakake versi SAS 9.4 (SAS Institute, Cary, NC).Model regresi DM dipun ginakaken ing Python nggunakake Keras50 2.2.4 backend lan Tensorflow51 1.8.0 khusus kanggo operasi matematika.Model klasifikasi DM dipun ginakaken ing Waikato Knowledge Analysis Environment lan Konstanz Information Miner (KNIME) 4.6.152 platform analisis.
Penulis ngakoni manawa data sing ndhukung kesimpulan panliten bisa ditemokake ing artikel lan bahan tambahan.Dataset sing digawe lan/utawa dianalisis sajrone panliten kasedhiya saka penulis sing cocog kanthi panyuwunan sing cukup.
Ritz-Timme, S. et al.Assessment umur: negara seni kanggo nyukupi syarat khusus praktik forensik.internasionalitas.J. Kedokteran hukum.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., lan Olze, A. Status saiki Assessment umur forensik subyek urip kanggo tujuan pidana penuntutan.Forensik.obat.Patologi.1, 239–246 (2005).
Pan, J. et al.Cara sing diowahi kanggo netepake umur dental bocah umur 5 nganti 16 taun ing China wétan.klinis.Survei lisan.25, 3463–3474 (2021).
Lee, SS etc. Kronologi pangembangan molar kapindho lan katelu ing Korea lan aplikasi kanggo Assessment umur forensic.internasionalitas.J. Kedokteran hukum.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY lan Lee, SS Akurasi ngira umur lan ngira ambang 18 taun adhedhasar kadewasan molar kapindho lan katelu ing Korea lan Jepang.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Analisis data basis sinau mesin preoperatif bisa prédhiksi asil perawatan operasi turu ing pasien OSA.ngelmu.Laporan 11, 14911 (2021).
Han, M. et al.Estimasi umur sing akurat saka machine learning kanthi utawa tanpa campur tangan manungsa?internasionalitas.J. Kedokteran hukum.136, 821–831 (2022).
Khan, S. lan Shaheen, M. Saka Data Mining kanggo Data Mining.J. Informasi.ngelmu.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J. Informasi.ngelmu.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. lan Abdullah U. Karm: Penggalian data tradisional adhedhasar aturan asosiasi adhedhasar konteks.ngitung.Mat.terus.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. and Habib M. Deep learning based semantic similarity detection using text data.ngandhani.teknologi.kontrol.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., lan Shahin, M. Sistem kanggo ngenali aktivitas ing video olahraga.multimedia.Aplikasi Alat https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.Tantangan Pembelajaran Mesin RSNA ing Umur Tulang Pediatrik.Radiologi 290, 498–503 (2019).
Li, Y. et al.Perkiraan umur forensik saka sinar X pelvis nggunakake sinau jero.EURO.radiasi.29, 2322–2329 (2019).
Guo, YC, et al.Klasifikasi umur sing akurat nggunakake metode manual lan jaringan saraf konvolusional jero saka gambar proyeksi ortografik.internasionalitas.J. Kedokteran hukum.135, 1589–1597 (2021).
Alabama Dalora et al.Estimasi umur balung nggunakake metode pembelajaran mesin sing beda: tinjauan literatur sistematis lan meta-analisis.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., lan Yang, J. Perkiraan umur spesifik populasi Afrika Amerika lan Cina adhedhasar volume ruang pulp saka molar pisanan nggunakake tomografi komputasi cone-beam.internasionalitas.J. Kedokteran hukum.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK lan Oh KS Nemtokake kelompok umur wong urip nggunakake gambar basis intelijen buatan saka molar pisanan.ngelmu.Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., lan Urschler, M. Estimasi umur otomatis lan klasifikasi umur mayoritas saka data MRI multivariate.IEEE J. Biomed.Lansiran Kesehatan.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. lan Li, G. Estimasi umur adhedhasar segmentasi ruang pulp 3D saka molar pisanan saka tomografi komputasi balok kerucut kanthi nggabungake sinau jero lan set tingkat.internasionalitas.J. Kedokteran hukum.135, 365–373 (2021).
Wu, WT, et al.Penggalian data ing data gedhe klinis: basis data umum, langkah, lan model metode.donya.obat.sumber daya.8, 44 (2021).
Yang, J. et al.Pambuka Database Medis lan Teknologi Pertambangan Data ing Era Big Data.J. Banget.Obat dhasar.13, 57–69 (2020).
Shen, S. et al.Cara Camerer kanggo ngira umur waos nggunakake machine learning.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Perbandingan metode machine learning sing beda kanggo prédhiksi umur dental nggunakake metode pementasan Demirdjian.internasionalitas.J. Kedokteran hukum.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. lan Tanner, JM A sistem anyar kanggo netepke umur dental.ngorok.biologi.45, 211–227 (1973).
Landis, JR, lan Koch, GG Ukuran persetujuan pengamat ing data kategoris.Biometrik 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK, Choi HK.Analisis tekstur, morfologi lan statistik pencitraan resonansi magnetik rong dimensi nggunakake teknik intelijen buatan kanggo diferensiasi tumor otak primer.Informasi kesehatan.sumber daya.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Wektu kirim: Jan-04-2024