Matur nuwun kanggo Visiting Nature.com. Versi Browser sing digunakake wis diwatesi dhukungan CSS. Kanggo asil sing paling apik, disaranake nggunakake versi anyar browser (utawa mateni mode kompatibilitas ing Internet Explorer). Ing sawetoro wektu, kanggo njamin dhukungan, kita nuduhake situs tanpa gaya utawa JavaScript.
Gigi dianggep minangka indikasi sing paling akurat babagan umur awak manungsa lan asring digunakake ing evaluasi umur forensik. Kita ngarahake validasi prakiraan Umur Dental Dental Data Mining kanthi mbandhingake akurasi perkiraan lan kinerja klasifikasi saka ambang 18 taun kanthi cara tradisional lan prakiraan umur pertambangan basis. Gunggunge 2657 Radiografi Panoramik sing diklumpukake saka warga Korea lan Jepang umur 15 nganti 23 taun. Dheweke dipérang dadi persiyapan latihan, saben ngemot 900 radiografi korea, lan pesawat tes internal sing ngemot 857 radiografi Jepang. Kita mbandhingake akurasi klasifikasi lan efisiensi cara tradisional kanthi nyetel tes model model data. Ketepatan saka cara tradisional ing pesawat tes internal rada luwih dhuwur tinimbang model pertambangan data, lan bedane cilik (tegese kesalahan mutlak <0,21 taun, kesalahan alun-alun <0,24 taun). Kinerja klasifikasi kanggo potongan 18 taun uga padha karo metode tradisional lan model pertambangan data. Mangkono, cara tradisional bisa diganti karo model pertambangan data nalika nindakake evaluasi umur forensik kanthi nggunakake molar kaping pindho lan katelu ing remaja Korea lan wong diwasa.
Perkiraan Umur Dental digunakake ing obat forensik lan dokter gigi pediatrik. Khususé, amarga korélèt sing dhuwur antara umur kronologis lan pangembangan pergigian, penilaian umur dening tahap pangembangan gigi minangka kriteria sing penting kanggo netepi umur bocah lan remaja1,2,3. Nanging, kanggo wong enom, prakiraan umur gigi adhedhasar kadewasan dental duwe watesan amarga tuwuhing molar katelu. Tujuan hukum kanggo nemtokake umure wong enom lan remaja yaiku nyedhiyakake prakiraan sing tepat lan bukti-bukti ilmiah babagan apa wis entuk umur mayoritas. Ing praktik obat legal remaja lan wong diwasa ing Korea, umure kira-kira nggunakake metode Lee, lan ambang hukum 18 taun diramalake adhedhasar data sing dilaporake dening OH et al 5.
Pembelajaran Mesin minangka jinis intelijen buatan (AI) sing bola-bali sinau lan nggabungake data sing akeh, ngrampungake masalah dhewe-dhewe, lan nyopir program. Pembelajaran Mesin bisa nemokake pola sing didhelikake kanthi akeh data saka data6. Beda, metode klasik, yaiku konsumen sing tenaga kerja lan intensif, bisa uga duwe watesan nalika ngatasi volume data sing rumit sing angel diproses kanthi manawi7. Mula, akeh panaliten sing wis ditindakake kanthi nggunakake teknologi komputer paling anyar kanggo nyuda kesalahan manungsa lan efisien proses data ing8,9,10,11,11,10,10,10,10,10,10,11,12,10,10,11,10,11,11,11,11,11,11,11,11,12. In particular, deep learning has been widely used in medical image analysis, and various methods for age estimation by automatically analyzing radiographs have been reported to improve the accuracy and efficiency of age estimation13,14,15,16,17,18,19,20 Waca rangkeng-. Contone, halbi et al 13 ngembangake algoritma belajar mesin adhedhasar jaringan saraf convolutional (CNN) kanggo ngira-ngira umur tangan tangan. Panaliten iki ngusulake model sing ditrapake kanggo sinau mesin menyang gambar medis lan nuduhake manawa metode iki bisa nambah akurasi diagnosa. Li et al14 kira-kira gambar x-ray panggul nggunakake belajar cnn jero lan mbandhingake karo asil regresi nggunakake panggunaan tahap Ossionication. Dheweke nemokake manawa model CNN sing jero Model CNN nuduhake kinerja umur sing padha karo model regresi tradisional. Guo et al. Sinau [15]
Most studies on age estimation using machine learning use deep learning methods13,14,15,16,17,18,19,20. Perkiraan Umur adhedhasar sinau jero dilaporake luwih akurat tinimbang cara tradisional. Nanging, pendekatan iki nyedhiyakake kesempatan sethithik kanggo nampilake basis ilmiah kanggo prakiraan umur, kayata pratondho umur sing digunakake ing prakiraan kasebut. Ana uga pasulayan hukum sing nglakokake pemriksaan. Mula, prakiraan umur adhedhasar sinau jero angel ditampa dening panguwasa administratif lan hak ukum. Data Mining (DM) minangka teknik sing bisa nemokake ora mung bisa ditemokake nanging uga informasi sing ora dikarepke minangka cara kanggo nemokake korélasi sing migunani ing antarane data 18,21,22. Pembelajaran Mesin asring digunakake ing Data Mining, lan loro data pertambangan lan mesin sinau nggunakake algoritma utama sing padha kanggo nemokake pola ing data. Perkiraan Umur nggunakake pangembangan dental adhedhasar penilaian uji coba saka kadewasan target, lan penilaian iki ditulis minangka tahapan kanggo saben target. DM bisa digunakake kanggo nganalisa korelasi antarane tahapan penilaian dental lan umur nyata lan potensial kanggo ngganti analisis statistik tradisional. Mula, yen kita ngetrapake teknik DM kanggo perkiraan umur, kita bisa ngetrapake sinau mesin ing prakawis umur forensik tanpa kuwatir babagan tanggung jawab legal. Saperangan pasinaon komparatif wis diterbitake kanthi alternatif cara kanggo metode manual tradisional sing digunakake ing praktik forensik lan cara adhedhasar EBM kanggo nemtokake umur dental. Shen et al23 nuduhake manawa model DM luwih akurat tinimbang rumus camer tradisional. GaliBourg lan Al24 ditrapake macem-macem cara DM kanggo prédhiksi umur miturut kriteria Demirdjian sing nuduhake manawa metode DMilled kanggo ngira-ngira umur populasi Prancis.
Kanggo ngira umur dental remaja lan wong diwasa enom, Cara Lee 4 digunakake ing praktik forensik Korea. Cara iki nggunakake analisis statistik tradisional (kayata regresi pirang-pirang) kanggo mriksa hubungan antarane subjek Korea lan umur kronologis. Ing panliten, cara prakiraan umur sing dipikolehi nggunakake cara statistik tradisional ditetepake minangka "cara tradisional." Cara Lee minangka cara tradisional, lan akurasi wis dikonfirmasi dening et al. 5; Nanging, aplikasi perkiraan umur adhedhasar model DM ing praktik forensik Korea isih bisa ditakoni. Tujuane kita yaiku kanggo ilmiah sing migunani migunani kanggo pengiraan umur adhedhasar model DM. Tujuan panaliten iki yaiku (1) kanggo mbandhingake akurasi saka rong model DM ing ngira umur dental lan (2) kanggo mbandhingake kinerja klasifikasi 7 DM ing umur 18 taun karo sing dipikolehi kadasaan kaloro lan molar katelu ing loro jaws.
Tegese lan panyimpangan standar umur kronologis kanthi tahap lan jinis untu ditampilake kanthi online ing Tabel Tambahan S1 (pesawat tambahan), tabel tes internal), lan tabel tes internal). Nilai Kappa kanggo linuwih intra- lan interoberver sing dipikolehi saka pesawat pelatihan yaiku 0.951 lan 0.947, masing-masing. Nilai P lan 95% interval kapercayan kanggo nilai Kappa ditampilake ing tabel tambahan tambahan S4. Nilai Kappa diinterpretasikake minangka "meh sampurna", konsisten karo kritéria saka Landis lan Koch26.
Nalika mbandhingake ateges kesalahan mutlak (mae), cara tradisional sing rada apik kanggo model DM kanggo kabeh gender lan ing eksternal uji coba pria (kajaba mulilayer Perceptron (MLP). Bentenane antara model tradisional lan model DM ing pesawat uji coba mae internal yaiku 0.12-0.19 taun kanggo pria lan 0.17-0.21 taun. Kanggo baterei tes eksternal, bedane luwih cilik (0,001-0.05 taun kanggo pria lan 0,05-0.09 taun kanggo wanita). Kajaba iku, kesalahan alun-alun tegese (RMSE) luwih murah tinimbang metode tradisional, kanthi bedane luwih cilik (0.17-0.24, 0,03-0.24, 0,04-0.07 kanggo pesawat uji coba eksternal). ). MLP nuduhake kinerja sing luwih apik tinimbang layer layer (SLP), kajaba ing kasus tes eksternal wanita. Kanggo Mae lan RMSE, uji coba uji coba uji coba eksternal luwih dhuwur tinimbang uji coba internal kanggo kabeh gender lan model. Kabeh Mae lan RMSE ditampilake ing Tabel 1 lan Gambar 1.
Mae lan RMSE Model regresi tradisional lan data. Tegese kesalahan sing mutlak, oyod atos kothak square, single, tunggal lapisan antinger anting, Multilayer Perceptron MLP, metode cm tradisional.
Kinerja klasifikasi (kanthi potongan 18 taun) model tradisional lan DM dituduhake saka sensitivitas, spesifik, nilai prediksi positif (PPV), lan area sing ana ing ngisor iki (Auroc) 27 (Tabel 2, Gambar 2 lan Tokoh Tambahan 1 Online). Ing babagan sensitivitas baterei tes internal, cara tradisional sing paling apik ing antarane wong lanang lan luwih ala ing antarane wanita. Nanging, prabédan kinerja klasifikasi ing metode tradisional lan SD 9,7% kanggo pria (MLP) lan mung 2,4% kanggo wanita (xgboost). Antarane model DM, regresi logistik (LR) nuduhake sensitivitas sing luwih apik ing loro jinis. Babagan spesifik sing ditetepake tes internal, diamati manawa model SD Papat kanthi apik ing lanang, dene model tradisional kasebut luwih apik ing wanita. Bedane ing kinerja klasifikasi kanggo lanang lan wadon yaiku 13,3% (MLP) lan 13,1% (MLP), masing-masing, nuduhake manawa bedane kinerja klasifikasi ing antarane model ngluwihi sensitivitas. Antarane model DM, mesin vektor dhukungan (SVM), model keputusan (DT), lan model acak (RF) sing paling apik ing antarane lanang, dene model LR sing paling apik ing antarane wanita. Auroc saka model tradisional lan kabeh model SD luwih saka 0.925 (pepadhamu K-paling cedhak (KNN) ing pria), nuduhake kinerja klasifikasi sing apik kanggo diskriminasi 14 taun lawas. Kanggo tes tes eksternal, ana penurunan kinerja klasifikasi ing babagan sensitivitas, spesifikitas lan anuroc dibandhingake karo uji coba internal. Kajaba iku, prabédan sensitivitas lan khusus antarane kinerja klasifikasi model sing paling apik lan paling ala saka 10% nganti 25% lan luwih gedhe tinimbang bedane ing tes tes internal.
Sensitivitas lan spesifik model klasifikasi data dibandhingake cara tradisional kanthi potongan 18 taun. Knn k pepadhamu sing paling cedhak, mesin vektor dhukungan SVM, regresi logistik LR, wit keputusan DT, alas RF Random, XGB XGBOOTS, metode cm tradisional.
Langkah pisanan ing panliten iki yaiku mbandhingake akurasi jaman muah dental sing dijupuk saka pitung model DM kanthi sing dipikolehi kanthi nggunakake regresi tradisional. Mae lan RMSE dievaluasi ing set test internal kanggo loro jinis, lan bedane antarane metode tradisional lan model DM wiwit saka 44 nganti 77 dina kanggo Mae lan dina 62 nganti 88 dina kanggo RMSE. Sanajan metode tradisional luwih akurat ing panliten iki, angel kanggo nyimpulake manawa beda cilik kasebut duwe teges klinis utawa praktis. Asil kasebut nuduhake manawa akurasi perkiraan Umur Dental nggunakake model DM meh padha karo metode tradisional. Perbandingan langsung karo asil saka panaliten sadurunge angel amarga ora sinau wis mbandhingake akurasi model DM kanthi cara statistik tradisional kanthi nggunakake untu sing padha karo panaliten sing padha. Galiubourg etepi Mae lan RMSE ing antarane rong cara tradisional (Metode Demirjian2 lan Willems Woving29) lan 10 model DM ing umur 2 nganti 24 taun. Dheweke nglaporake manawa kabeh model DM luwih akurat tinimbang cara tradisional, kanthi bedane 0,20 lan 0.38 taun ing Mae lan 0,47 taun dibandhingake karo Willems lan Metode Demirdjian. Bener antarane model SD lan cara tradisional sing ditampilake ing studi Halibourg nganggep manawa metode Demirdjian kanthi akurat tinimbang para wong Kanada sing disinaoni. Ing panliten iki. Tai et al4 nggunakake algoritma mlp kanggo prédhiksi umur waos wiwit 1636 foto orthodontic Cina lan mbandhingake akurasi kanthi asil saka metode demirjian lan willschs. Dheweke nglaporake manawa MLP duwe akurasi sing luwih dhuwur tinimbang cara tradisional. Bentenane antara cara Demirdjian lan cara tradisional yaiku <0.32 taun, lan cara Willems yaiku 0.28 taun, sing padha karo asil saka sinau saiki. Asil saka pasinaon sadurunge iki2,34 uga konsisten karo asil saka sinau saiki, lan akurimasi umur akurimasi model DM lan cara tradisional padha. Nanging, adhedhasar asil sing ditampilake, kita mung bisa nyimpulake manawa panggunaan model DM kanggo ngira-ngira umur bisa ngganti cara sing ana amarga kurang komparatif lan referensi panaliten sadurunge. Tindakake panaliten nggunakake conto sing luwih gedhe kanggo konfirmasi asil sing dipikolehi ing panliten iki.
Antarane panaliten nguji akurasi SD nalika umur dental, sawetara nuduhake akurasi sing luwih dhuwur tinimbang sinau. Stepanovsky et al 35, aplikasi 22 model SD menyang radiografi panorama 976 pendhudhuk Ceko umur 2.7 nganti 20,5 taun lan nyoba akurasi saben model. Dheweke ngevaluasi pangembangan total 16 untu permanen sisih ndhuwur lan ngisor nggunakake kritéria klasifikasi sing diusulake dening Moorrees et al 36. Mae kisaran saka 0.64 nganti 0.94 taun lan RMSE udakara 0,85 nganti 1,27 taun, sing luwih akurat tinimbang loro model DM ing panaliten iki. Shen et al23 nggunakake metode mayoere kanggo ngira umur dental pitu untu permanen ing warga Tiongkah sing umur 5 nganti 13 taun lan mbandhingake karo regresi linear, svm lan rf. Dheweke nuduhake manawa kabeh telung model DM duwe akurasi sing luwih dhuwur dibandhingake karo formula cameraere tradisional. Mae lan RMSE ing panaliten Shen luwih murah tinimbang model DM ing panliten iki. Tingkatan tliti pasinaon dening Stepanovsky et al. 35 lan shen et al. 23 bisa uga ana ing inklusi subjek luwih enom ing conto panelitian. Amarga prakiraan Umur kanggo para peserta kanthi ngembangake untu dadi luwih akurat amarga jumlah untu mundhak sajrone pangembangan dental, akurasi cara pengiram sing diasilake bisa dikompromi nalika sinau sinau. Kajaba iku, kesalahan MLP ing perkiraan Umur rada cilik tinimbang SLP, tegese MLP luwih akurat tinimbang SLP. MLP dianggep rada luwih apik kanggo perkiraan umur, bisa amarga lapisan sing didhelikake ing MLP38. Nanging, ana pangecualian kanggo njaba wanita wanita (SLP 1.45, MLP 1.49). Nggoleki sing MLP luwih akurat tinimbang SLP ing jaman sing netepke mbutuhake panaliten retrospektif tambahan.
Kinerja klasifikasi model DM lan cara tradisional ing ambang 18 taun uga dibandhingake. Kabeh model SD lan cara tradisional ing pesawat tes internal ditampilake tingkat diskriminasi sing ditrima praktik kanggo sampel 18 taun. Sensitivitas kanggo pria lan wanita luwih saka 87.7% lan 94,9%, masing-masing, lan spesifik luwih saka 89,3% lan 84,7%. Auroc kabeh model sing diuji uga ngluwihi 0.925. Kanggo sing paling apik kanggo kawruh kita, ora ana panaliten sing wis nyoba babagan model DM kanggo klasifikasi 18 taun adhedhasar kadewasan gigi. Kita bisa mbandhingake asil panaliten iki kanthi kinerja klasifikasi model sinau jero babagan radiografi panorama. Guo et al.15 ngetung kinerja klasifikasi model belajar jero CNN lan cara manual adhedhasar metode Demirjian kanggo ambang umur tartamtu. Sensitivitas lan spesifik metode manual yaiku 87.7% lan 95.5%, lan sensitivitas model CNN ngluwihi 89,2% lan 86,6%. Dheweke nyimpulake manawa model sinau jero bisa ngganti utawa nganakake penilaian manual manual ing klasifikasi ambang umur. Asil panaliten iki nuduhake kinerja klasifikasi sing padha; Dipercaya manawa klasifikasi nggunakake model DM bisa ngganti metode statistik tradisional kanggo perkiraan umur. Antarane model, DM LR minangka model paling apik ing babagan sensitivitas kanggo conto lan sensitivitas lanang lan sensitivitas kanggo conto wanita. LR rangking kaping pindho kanggo spesifik kanggo pria. Kajaba iku, LR dianggep minangka salah sawijining model DM35 sing luwih ramah pangguna lan kurang kompleks lan angel diolah. Adhedhasar asil kasebut, LR dianggep minangka model klasifikasi sing paling apik kanggo umur 18 taun ing populasi Korea.
Sakabèhé, akurasi pengkripsi umur utawa kinerja klasifikasi ing pesawat uji coba eksternal kurang utawa luwih murah dibandhingake karo asil ing pesawat tes internal. Sawetara laporan nuduhake akurasi klasifikasi utawa efisiensi klasifikasi sing suda nalika prakiraan umur adhedhasar pedunung Korea sing ditrapake ing pedunung Jepang, lan pola sing padha ditemokake ing panaliten saiki. Tren rusak iki uga diamati ing model DM. Mula, kanthi cara sing tepat, sanajan nggunakake DM ing proses analisis, metode sing asale saka data pedunung pribumi, kayata cara tradisional, kayata cara tradisional, kudu luwih disenengi5,42. Amarga ora jelas apa model belajar jero bisa nuduhake tren sing padha, pasinaon mbandhingake akurasi klasifikasi lan efisiensi nggunakake conto buatan sing kudu ngatasi masalah buatan kasebut ing umur winates. penilaian.
Kita nduduhake manawa cara tradisional bisa diganti karo perkiraan umur adhedhasar model DM ing praktik pengkripsi forensik ing Korea. Kita uga nemokake kemungkinan ngetrapake learning mesin kanggo penilaian Umur Forensik. Nanging, ana watesan sing jelas, kayata jumlah sing ora cukup kanggo panaliten kasebut kanggo nemtokake asil, lan kurang sinau sadurunge kanggo mbandhingake lan konfirmasi asil panaliten iki. Ing ngarep, panaliten DM kudu ditindakake kanthi jumlah conto sing luwih gedhe lan macem-macem populasi kanggo nambah keahliane praktis dibandhingake karo cara tradisional. Kanggo ngonfirmasi kemungkinan nggunakake intelijen buatan kanggo ngira umur ing pirang-pirang populasi, pasinaon mbesuk dibutuhake kanggo mbandhingake akurasi klasik lan efisiensi model tradisional kanthi cara sing padha.
Panaliten kasebut digunakake 2,657 foto orthografis sing diklumpukake saka wong diwasa Korea lan Jepang umur 15 nganti 23 taun. Radiografi Korea dipérang dadi 900 set latihan (19,42 ± 2,65 taun) lan 900 set uji internal (19.52 ± 2,59 taun). Setelan pelatihan kasebut diklumpukake ing salah sawijining lembaga (rumah sakit Seoul St Mary), lan pesawat tes dhewe diklumpukake ing rong institusi (rumah sakit dental Universitas Seoul lan Rumah Sakit Dental University Seoul lan Rumah Sakit Dental Universitas Seoul. Kita uga nglumpukake 857 radiografi saka data basis populasi liyane (Universitas Medical Iwate, Jepang) kanggo tes eksternal. Radiografi subjek Jepang (19.31 ± 2.60 taun) dipilih minangka pesawat tes eksternal. Data diklumpukake kanthi retrospektif kanggo nganalisa tahapan pangembangan gigi ing radiografi panorama sing dijupuk sajrone perawatan dental. Kabeh data sing diklumpukake ora anonim kajaba jender, tanggal lair lan tanggal radiografi. KRITERIA INCLUSION lan Exclusion padha karo pasinaon sing diterbitake 4, 5. Umur conto conto sing diitung kanthi nyuda tanggal lair wiwit tanggal radiografi dijupuk. Klompok sampel kasebut dipérang dadi sangang kelompok umur. Distribusi umur lan jinis ditampilake ing Tabel 3 sinau iki ditindakake sesuai karo deklarasi Helsinki lan disetujoni ing Rumah Sakit Review Institusi (IRB) Universitas Katolik Korea (KC22WIKI0328). Amarga desain retrospektif saka panaliten iki, idin ora bisa dipikolehi saka kabeh pasien sing ngalami pemeriksaan radiografis kanggo tujuan terapi. Rumah Sakit Seoul Korea St. Mary (IRB) nolak syarat kanggo idin sing dingerteni.
Tahap pengembangan bimaxillary lan katelu molars ditaksir miturut kritéria demircan. Mung siji untu dipilih yen jinis untu sing padha ditemokake ing sisih kiwa lan tengen saben rahang. Yen untu homologis ing loro-lorone ana tahap pembangunan sing beda, untu nganggo tahap pengembangan ngisor dipilih kanggo akun sing durung mesthi. Satus radiografi sing dipilih saka pesawat pelatihan kasebut dicetak dening rong pengamat sing berpengalaman kanggo nyoba linuwih interoberver sawise precalibration kanggo nemtokake tahap kadewasan gigi. Keuntungan Intraobserver ditaksir kaping pindho ing interval telung wulan dening pengamat utama.
Tahap jinis lan pangembangan nomer loro lan katelu saka saben pelatihan sing diitung dening pengamat utama sing dilatih kanthi model DM sing beda karo model DM sing beda, lan umure nyata disetel minangka target target. Model lan MLP, sing digunakake ing belajar mesin, dites marang algoritma regresi. Model DM nggabungake fungsi linear kanthi nggunakake tahap pangembangan papat untune lan nggabungake data kasebut kanggo ngira umur. SLP minangka jaringan saraf sing paling gampang lan ora ngemot lapisan sing didhelikake. SLP makarya adhedhasar transmisi ambang antarane simpul. Model SLP ing regresi yaiku matématika padha karo macem-macem regresi linier. Ora kaya model SLP, model MLP duwe macem-macem lapisan sing didhelikake kanthi fungsi aktifitas nonlinear. Eksperimen kita nggunakake lapisan sing didhelikake mung 20 simpul sing didhelikake kanthi fungsi aktifitas nonlinear. Gunakake keturunan kecerunan minangka cara optimasi lan Mae lan RMSE minangka fungsi rugi kanggo nglatih model belajar mesin. Model regresi sing paling apik ditrapake kanggo nyetel tes internal lan eksternal lan umur untune kira-kira.
Algoritma klasifikasi dikembangake sing nggunakake kadewasan papat untu kanggo latihan sing disetel kanggo prédhiksi apa mung 12 taun utawa ora. Kanggo mbangun model, kita entuk pitung belajar mesin mesin perwakilan algorithms6,43: (1) lr, (3) svm, (4) rf, (6) xgboost, lan (7) mlp Waca rangkeng-. LR minangka salah sawijining algoritma klasifikasi sing paling akeh digunakake. Iki minangka algoritma sinau sing diawasi sing nggunakake regresi kanggo prédhiksi kemungkinan data sing kalebu kategori 0 nganti 1 lan nggabungake data kasebut minangka kategori sing luwih cenderung adhedhasar kemungkinan iki; utamane digunakake kanggo klasifikasi binar. KNN minangka salah sawijining algoritma sinau mesin sing paling gampang. Nalika diwenehi data input anyar, nemokake data sing cedhak karo pesawat sing ana banjur melu menyang kelas kanthi frekuensi paling dhuwur. We Set 3 kanggo jumlah tanggi sing dianggep (k). SVM minangka algoritma sing nggedhekake jarak antarane rong kelas kanthi nggunakake fungsi sarier kanggo nggedhekake ruang linier menyang ruang non-linear sing diarani lapangan46. Kanggo model iki, kita nggunakake Bias = 1, daya = 1, lan gamma = 1 minangka hiperparameter kanggo kernel polynomial. Dt wis ditrapake ing macem-macem lapangan minangka algoritma kanggo mbagi kabeh data ing sawetara subgroup kanthi makili keputusan ing wit struktur47. Model kasebut dikonfigurasi kanthi jumlah cathetan minimal saben 2 lan nggunakake indeks Gini minangka langkah kualitas. RF minangka cara sing bisa nggabungake pirang-pirang DTS kanggo nambah kinerja nggunakake metode agregasi bootregasi sing ngasilake klasifikasi sing ringkih kanggo nggambarake conto ukuran sing padha kaping pirang-pirang saka ukuran sing padha. Kita nggunakake 100 wit, 10 wit ambane, 1 ukuran simpul minimal, lan indeks gatel adhi minangka kritéria pemisahan simpul. Klasifikasi data anyar ditemtokake dening swara mayoritas. XGBOOTS minangka algoritma sing nggabungake teknik sing nambah nggunakake metode sing njupuk data latihan kesalahan ing antarane nilai sing nyata lan diramalake saka model sing nyata lan diprediksi saka model sadurunge lan ngramal nggunakake gradients. Iki minangka algoritma sing akeh digunakake amarga efisiensi sumber lan efisiensi sumber, uga linuwih sing dhuwur minangka fungsi koreksi sing overfitting. Model kasebut dilengkapi karo rodha dhukungan 400. MLP minangka jaringan saraf ing endi siji utawa luwih saka paningkatan macem-macem lapisan kanthi siji utawa luwih lapisan sing didhelikake ing antarane input lan lapis38 input. Nggunakake iki, sampeyan bisa nindakake klasifikasi non-linear ing ngendi yen sampeyan nambah nilai input lan entuk nilai asil, nilai asil sing dipratelakake dibandhingake karo nilai asil nyata lan kesalahan kasebut dibahas maneh. Kita nggawe lapisan sing didhelikake nganggo 20 seumir ing saben lapisan. Saben modhèl sing dikembangake ditrapake kanggo nyetel internal lan eksternal kanggo nguji kinerja klasifikasi kanthi ngitung sensitivitas, spesifik, ppv, npv, lan anuroc. Sensitivitas ditetepake minangka rasio conto conto umur 18 taun utawa luwih lawas kanggo conto sing kira-kira umur 18 taun utawa luwih lawas. Kekhususan minangka proporsi conto ing umur 18 taun lan sing kira-kira umur 18 taun.
Tahap gigi dinilai ing pesawat latihan kasebut diowahi dadi tahap angka kanggo analisis statistik. Regresi macem-macem macem-macem lan logistik ditindakake kanggo ngembangake model ramalan kanggo saben jinis seks lan entuk formula regresi sing bisa digunakake kanggo ngira umur. Kita nggunakake formula kasebut kanggo ngira umur waos kanggo set internal lan eksternal. Tabel 4 nuduhake model regresi lan klasifikasi sing digunakake ing panliten iki.
Keandalan intra- lan interoberver diitung nggunakake statistik COHEN's Kappa. Kanggo nyoba akurasi model DM lan tradisional, kita ngetung Mae lan RMSE nggunakake kira-kira setir internal lan eksternal. Kesalahan iki umume digunakake kanggo ngevaluasi akurasi ramalan model. Kesalahan sing luwih cilik, sing luwih dhuwur akurasi ramalanombana24. Mbandhingake Mae lan RMSE SET internal lan eksternal diitung nggunakake regresi DM lan tradisional. Kinerja klasifikasi saka potongan 18 taun ing statistik tradisional ditaksir nggunakake tabel kontingensi 2 × 2. Sensitivitas, spesifik, PPV, NPV, lan anokasi sing diuji dibandhingake karo nilai-nilai sing diukur model klasifikasi DM. Data ditulis minangka tegese panyimpangan standar utawa nomer (%) gumantung karo karakteristik data. Nilai P rong sisih loro <0,05 dianggep signifikan statistik. Kabeh analisa statistik rutin ditindakake kanthi nggunakake versi SAS 9.4 (Institut SAS Institut, Carary, NC). Model regresi DM ditindakake ing Python nggunakake Keras50 2.2.4 backend lan tensorflow51 1.8.0 khusus kanggo operasi matematika. Model klasifikasi DM ditindakake ing lingkungan analisis Waikato lan informasi konstanz (Knime) 4.6.152 platform analisis.
Penulis ngakoni manawa data sing ndhukung kesimpulan sinau bisa ditemokake ing artikel lan bahan tambahan. DataseS sing digawe lan / utawa dianalisa sajrone sinau kasedhiya saka penulis sing cocog karo panjaluk sing cukup.
Ritz-Timme, S. et al. Age Penilaian: negara seni kanggo nyukupi syarat-syarat khusus praktek forensik. Internasional. J. Kedokteran legal. 113, 129-136 (2000).
Schmeling, A., Reiser, W., Geserik, G., lan OLZE, A. Status Nilai-nilai Umpan Negara kanggo Tujuan Penuntut Kriminal. Forensik. obat. Patologi. 1, 239-246 (2005).
Pan, J. et al. Cara sing wis diowahi kanggo netepke umur dental bocah sing umur 5 nganti 16 taun ing China Wétan. Klinik. Surak lisan. 25, 3463-3474 (2021).
Lee, SS etc. Kromo pangembangan molar kapindho lan katelu ing Korean lan aplikasi kanggo penilaian Umur Forensik. Internasional. J. Kedokteran legal. 124, 659-665 (2010).
Oh, Kumagai, A., KIMAGA, SY lan Lee, SS akurasi ajine umur 18 taun adhedhasar molar kaping pindho ing wong Korea lan Jepang. Plos siji 17, E0271247 (2022).
Kim, JY, et al. Analisis data adhedhasar belajar belajar sing preoperatif bisa prédhiksi perawatan burgery turu ing pasien karo Osa. Ilmu. Laporan 11, 14911 (2021).
Han, M. et al. Prakiraan umur sing tepat saka sinau mesin kanthi utawa tanpa campur tangan manungsa? Internasional. J. Kedokteran legal. 136, 821-831 (2022).
Khan, S. lan Shaheen, M. saka Data Mining nganti Data Mining. J.Informasi. Ilmu. https://doi.org/10.117/0165515211030872 (2021).
Khan, S. lan Shaheen, M. Pastrule: Algoritma kognitif pertama kanggo Asosiasi Aturan Pertambangan. J.Informasi. Ilmu. https://doi.org/10.117/016555152228695 (2022).
Shaheen M. Lan Abdullah U. Karm: Data Tradisional Mining adhedhasar Rencana Konsep Konsep Konteks. ngetung. Mat. Terusake. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. Lan Habib M. Deteksi kesetaraan adhedhasar belajar adhedhasar konsisten. Informasi. Teknologi. Kontrol. https://doi.org/10.5755/J01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., lan Shahin, M. Sistem kanggo ngenali kegiatan ing video olahraga. Multimedia. Aplikasi Allexs://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Tantangan Pembelajaran Mesin Rsna ing Age Bone Pediatrik. Radiologi 290, 498-503 (2019).
Li, Y. et al. Prakiraan Umur Forensik saka sinar X-Sinon ing panggul kanthi sinau jero. Euro. radiasi. 29, 2322-2329 (2019).
Guo, yc, et al. Klasifikasi umur sing tepat nggunakake metode manual lan jaringan saraf konvolusi jero saka gambar ramalan orthografis. Internasional. J. Kedokteran legal. 135, 1589-1597 (2021).
Alabama Dalora et al. Prakiraan umur balung nggunakake cara belajar mesin sing beda: Review Sastra sistematis lan analisis meta. Plos siji 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., lan Yang, J. Penyemptahan umur populasi Amerika Utama molar kanthi nggunakake tomografi komplotan. Internasional. J. Kedokteran legal. 136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK lan Oh KS Nemtokake klompok umur wong sing nggunakake gambar utama cerdas buatan. Ilmu. Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giulii, N., lan Giuliler, M. Prakiraan Umur otomatis lan Klasifikasi Umur Mayoritas saka Data Morahitas Morah saka Multivariate MRI. Ieee J. BIMed. Tandha kesehatan. 23, 1392-1403 (2019).
Cheng, Q., GE, Z., DU, H. Lan Li, G. Perkiraan Umur Molar Pertama Molar Pertama saka Tomography lan Ningkatake tingkat. Internasional. J. Kedokteran legal. 135, 365-37 (2021).
WT, WT, et al. Pertambangan Data ing data gedhe klinis: Database umum, langkah, lan model model. Donya. obat. sumber daya. 8, 44 (2021).
Yang, J. et al. Pambuka database medis lan teknologi pertambangan data ing jaman data gedhe. J. Avid. Kedokteran dhasar. 13, 57-69 (2020).
Shen, S. et al. Cara Candhi kanggo ngira umur untu nggunakake belajar mesin. Kesehatan Lisan BMC 21, 641 (2021).
Galallijurg A. et al. Perbandingan cara belajar mesin sing beda kanggo prédhiksi umur dental nggunakake metode pementasan Demirdjian. Internasional. J. Kedokteran legal. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. lan Tanner, JM sistem anyar kanggo netepke umur dental. snort. Biologi. 45, 211-227 (1973).
Landis, JR, lan Koch, ngukur kesepakatan pengamat babagan data kategorine. Biometrik 33, 159-174 (1977).
Bhattacharjee s, Prakash D, kim c, kim hk lan choi hk. Analisis tekstur, morfologis lan statistik imagonasi magnetik imagensal kanthi nggunakake teknik intelijen buatan kanggo bedhah otak utama. Informasi kesehatan. sumber daya. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Wektu Pos: Jan-04-2024