Matur nuwun sampun 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). Kangge, kanggo njamin dhukungan sing terus-terusan, kita nampilake situs tanpa gaya utawa JavaScript.
Untu dianggep minangka indikator paling akurat babagan umur awak manungsa lan asring digunakake ing penilaian umur forensik. Kita ngarahake kanggo validasi prakiraan umur dental adhedhasar penambangan data kanthi mbandhingake akurasi prakiraan lan kinerja klasifikasi ambang 18 taun karo metode tradisional lan prakiraan umur adhedhasar penambangan data. Total 2657 radiografi panoramik dikumpulake saka warga Korea lan Jepang umur 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 tes model penambangan data. Akurasi metode tradisional ing set tes internal rada luwih dhuwur tinimbang model penambangan data, lan bedane cilik (rata-rata kesalahan absolut <0,21 taun, kesalahan akar rata-rata kuadrat <0,24 taun). Kinerja klasifikasi kanggo cutoff 18 taun uga padha antarane metode tradisional lan model penambangan data. Dadi, metode tradisional bisa diganti karo model penambangan data nalika nindakake penilaian umur forensik nggunakake kematangan molar kapindho lan katelu ing remaja lan wong diwasa enom Korea.
Perkiraan umur untu digunakake sacara wiyar ing kedokteran forensik lan kedokteran gigi pediatrik. Utamane, amarga korelasi sing dhuwur antarane umur kronologis lan perkembangan untu, penilaian umur miturut tahapan perkembangan untu minangka kriteria penting kanggo netepake umur bocah lan remaja1,2,3. Nanging, kanggo wong enom, ngira-ira umur untu adhedhasar kematangan untu nduweni watesan amarga pertumbuhan untu meh rampung, kajaba molar katelu. Tujuan hukum kanggo nemtokake umur wong enom lan remaja yaiku kanggo menehi perkiraan sing akurat lan bukti ilmiah babagan apa dheweke wis tekan umur mayoritas. Ing praktik mediko-legal remaja lan wong diwasa enom ing Korea, umur dikira-kira nggunakake metode Lee, lan ambang hukum 18 taun diprediksi adhedhasar data sing dilapurake dening Oh et al 5.
Pembelajaran mesin iku jinis kecerdasan buatan (AI) sing bola-bali sinau lan nglasifikasikake data kanthi jumlah gedhe, ngrampungake masalah dhewe, lan nggerakake pemrograman data. Pembelajaran mesin bisa nemokake pola sing didhelikake sing migunani ing volume data sing akeh6. Kosok baline, metode klasik, sing mbutuhake tenaga kerja akeh lan butuh wektu akeh, bisa uga duwe watesan nalika nangani volume data kompleks sing akeh sing angel diproses kanthi manual7. Mulane, akeh panliten sing ditindakake bubar nggunakake teknologi komputer paling anyar kanggo nyuda kesalahan manungsa lan ngolah data multidimensi kanthi efisien8,9,10,11,12. Utamane, pembelajaran jero wis digunakake sacara wiyar ing analisis gambar medis, lan macem-macem metode kanggo estimasi umur kanthi nganalisa radiografi kanthi otomatis wis dilaporake bisa 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 konvolusional (CNN) kanggo ngira-ngira umur rangka nggunakake radiografi tangan bocah. Panliten iki ngusulake model sing ngetrapake pembelajaran mesin kanggo gambar medis lan nuduhake manawa metode kasebut bisa nambah akurasi diagnostik. Li et al14 ngira-ira umur saka gambar sinar-X panggul nggunakake CNN pembelajaran jero lan mbandhingake karo asil regresi nggunakake estimasi tahap osifikasi. Dheweke nemokake manawa model CNN pembelajaran jero nuduhake kinerja estimasi umur sing padha karo model regresi tradisional. Panliten Guo et al. [15] ngevaluasi kinerja klasifikasi toleransi umur teknologi CNN adhedhasar ortofoto gigi, lan asil model CNN mbuktekake manawa manungsa ngluwihi kinerja klasifikasi umure.
Umume panliten babagan estimasi umur nggunakake pembelajaran mesin nggunakake metode pembelajaran jero13,14,15,16,17,18,19,20. Estimasi umur adhedhasar pembelajaran jero dilaporake luwih akurat tinimbang metode tradisional. Nanging, pendekatan iki menehi kesempatan sing sithik kanggo nampilake basis ilmiah kanggo estimasi umur, kayata indikator umur sing digunakake ing estimasi. Ana uga sengketa hukum babagan sapa sing nindakake inspeksi. Mulane, estimasi umur adhedhasar pembelajaran jero angel ditampa dening panguwasa administratif lan peradilan. Data mining (DM) minangka teknik sing ora mung bisa nemokake informasi sing diarepake nanging uga informasi sing ora dikarepke minangka metode kanggo nemokake korelasi sing migunani antarane jumlah data sing akeh6,21,22. Pembelajaran mesin asring digunakake ing penambangan data, lan penambangan data lan pembelajaran mesin nggunakake algoritma kunci sing padha kanggo nemokake pola ing data. Estimasi umur nggunakake pangembangan dental adhedhasar penilaian pemeriksa babagan kematangan untu target, lan penilaian iki dinyatakake minangka tahapan kanggo saben untu target. DM bisa digunakake kanggo nganalisis korelasi antarane tahapan penilaian dental lan umur nyata lan nduweni potensi kanggo ngganti analisis statistik tradisional. Mulane, yen kita ngetrapake teknik DM kanggo estimasi umur, kita bisa ngetrapake pembelajaran mesin ing estimasi umur forensik tanpa kuwatir babagan tanggung jawab hukum. Sawetara studi komparatif wis diterbitake babagan alternatif sing bisa ditindakake kanggo metode manual tradisional sing digunakake ing praktik forensik lan metode berbasis EBM kanggo nemtokake umur dental. Shen et al23 nuduhake yen model DM luwih akurat tinimbang rumus Camerer tradisional. Galibourg et al24 ngetrapake metode DM sing beda kanggo prédhiksi umur miturut kriteria Demirdjian25 lan asil nuduhake yen metode DM ngluwihi metode Demirdjian lan Willems kanggo ngira-ira umur populasi Prancis.
Kanggo ngira-ira umur untu remaja lan wong diwasa enom Korea, metode Lee 4 digunakake sacara wiyar ing praktik forensik Korea. Metode iki nggunakake analisis statistik tradisional (kayata regresi berganda) kanggo mriksa hubungan antarane subjek Korea lan umur kronologis. Ing panliten iki, metode estimasi umur sing dipikolehi nggunakake metode statistik tradisional ditegesake minangka "metode tradisional." Metode Lee minangka metode tradisional, lan akurasine wis dikonfirmasi dening Oh et al. 5; nanging, penerapan estimasi umur adhedhasar model DM ing praktik forensik Korea isih dipertanyakan. Tujuan kita yaiku kanggo validasi sacara ilmiah potensi kegunaan estimasi umur adhedhasar model DM. Tujuan saka panliten iki yaiku (1) kanggo mbandhingake akurasi rong model DM ing ngira-ira umur untu lan (2) kanggo mbandhingake kinerja klasifikasi 7 model DM ing umur 18 taun karo sing dipikolehi nggunakake metode statistik tradisional Kematangan molar kapindho lan katelu ing loro rahang.
Rata-rata lan standar deviasi umur kronologis miturut tahapan lan jinis untu dituduhake kanthi online ing Tabel Tambahan S1 (set latihan), Tabel Tambahan S2 (set tes internal), lan Tabel Tambahan S3 (set tes eksternal). Nilai kappa kanggo reliabilitas intra- lan interobserver sing dipikolehi saka set latihan yaiku 0,951 lan 0,947. Nilai P lan interval kapercayan 95% kanggo nilai kappa dituduhake ing tabel tambahan online S4. Nilai kappa diinterpretasikake minangka "meh sampurna", konsisten karo kriteria Landis lan Koch26.
Nalika mbandhingake kesalahan absolut rata-rata (MAE), metode tradisional rada ngluwihi model DM kanggo kabeh jenis kelamin lan ing set tes pria eksternal, kajaba perceptron multilayer (MLP). Bentenane antarane 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 pria lan 0,05–0,09 taun kanggo wanita). Kajaba iku, kesalahan kuadrat rata-rata akar (RMSE) rada luwih murah tinimbang metode tradisional, kanthi bedane sing luwih cilik (0,17–0,24, 0,2–0,24 kanggo set tes internal pria, lan 0,03–0,07, 0,04–0,08 kanggo set tes eksternal). ). MLP nuduhake kinerja sing rada luwih apik tinimbang Single Layer Perceptron (SLP), kajaba ing kasus set tes eksternal wanita. Kanggo MAE lan RMSE, set tes eksternal entuk skor luwih dhuwur tinimbang set tes internal kanggo kabeh jenis kelamin lan model. Kabeh MAE lan RMSE dituduhake ing Tabel 1 lan Gambar 1.
MAE lan RMSE saka model regresi tradisional lan data mining. Kasalahan absolut rata-rata MAE, kesalahan kuadrat rata-rata akar RMSE, perceptron lapisan tunggal SLP, perceptron multilayer 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 prediktif negatif (NPV), lan area ing sangisore kurva karakteristik operasi panrima (AUROC) 27 (Tabel 2, Gambar 2 lan Gambar Tambahan 1 online). Babagan sensitivitas baterei tes internal, metode tradisional paling apik ing antarane pria lan luwih elek ing antarane wanita. Nanging, bedane kinerja klasifikasi antarane metode tradisional lan SD yaiku 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 kelamin. Babagan spesifisitas set tes internal, diamati yen papat model SD tampil apik ing pria, dene model tradisional tampil luwih apik ing wanita. Bedane kinerja klasifikasi kanggo pria lan wanita yaiku 13,3% (MLP) lan 13,1% (MLP), masing-masing, nuduhake yen bedane kinerja klasifikasi antarane model ngluwihi sensitivitas. Ing antarane model DM, model mesin vektor pendukung (SVM), wit keputusan (DT), lan alas acak (RF) nduweni kinerja paling apik ing antarane lanang, dene model LR nduweni kinerja paling apik ing antarane wadon. AUROC saka model tradisional lan kabeh model SD luwih gedhe tinimbang 0,925 (k-pacar paling cedhak (KNN) ing lanang), nuduhake kinerja klasifikasi sing apik banget kanggo mbedakake sampel umur 18 taun28. Kanggo set tes eksternal, ana penurunan kinerja klasifikasi babagan sensitivitas, spesifisitas, lan AUROC dibandhingake karo set tes internal. Kajaba iku, bedane sensitivitas lan spesifisitas antarane kinerja klasifikasi model paling apik lan paling awon antara 10% nganti 25% lan luwih gedhe tinimbang bedane ing set tes internal.
Sensitivitas lan spesifisitas model klasifikasi penambangan data dibandhingake karo metode tradisional kanthi cutoff 18 taun. KNN k tetangga paling cedhak, mesin vektor dhukungan SVM, regresi logistik LR, wit keputusan DT, alas acak RF, XGB XGBoost, perceptron multilayer MLP, metode CM tradisional.
Langkah pisanan ing panliten iki yaiku mbandhingake akurasi prakiraan umur gigi sing dipikolehi saka pitung model DM karo sing dipikolehi nggunakake regresi tradisional. MAE lan RMSE dievaluasi ing set tes internal kanggo loro jinis kelamin, lan bedane antarane metode tradisional lan model DM wiwit saka 44 nganti 77 dina kanggo MAE lan saka 62 nganti 88 dina kanggo RMSE. Sanajan metode tradisional rada luwih akurat ing panliten iki, angel kanggo nyimpulake apa bedane cilik kasebut nduweni makna klinis utawa praktis. Asil kasebut nuduhake yen akurasi prakiraan umur gigi nggunakake model DM meh padha karo metode tradisional. Perbandingan langsung karo asil saka panliten sadurunge angel amarga ora ana panliten sing mbandhingake akurasi model DM karo metode statistik tradisional nggunakake teknik sing padha kanggo ngrekam untu ing rentang umur sing padha kaya ing panliten iki. Galibourg et al24 mbandhingake MAE lan RMSE antarane rong metode tradisional (metode Demirjian25 lan metode Willems29) lan 10 model DM ing populasi Prancis umur 2 nganti 24 taun. Dheweke nglaporake yen 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 metode tradisional sing dituduhake ing panliten Halibourg nganggep akeh laporan30,31,32,33 yen metode Demirdjian ora ngira-ngira umur untu kanthi akurat ing populasi liyane kajaba wong Kanada Prancis sing dadi dhasar panliten iki. ing panliten iki. Tai et al 34 nggunakake algoritma MLP kanggo prédhiksi umur untu saka 1636 foto ortodontik Cina lan mbandhingake akurasi karo asil metode Demirjian lan Willems. Dheweke nglaporake yen MLP duwe akurasi sing luwih dhuwur tinimbang metode tradisional. Bedane antarane metode Demirdjian lan metode tradisional yaiku <0,32 taun, lan metode Willems yaiku 0,28 taun, sing padha karo asil panliten saiki. Asil saka panliten sadurunge iki24,34 uga konsisten karo asil panliten saiki, lan akurasi estimasi umur model DM lan metode tradisional padha. Nanging, adhedhasar asil sing diwenehake, kita mung bisa nyimpulake kanthi ati-ati yen panggunaan model DM kanggo ngira-ngira umur bisa ngganti metode sing wis ana amarga kurang panliten komparatif lan referensi sadurunge. Panliten tindak lanjut nggunakake sampel sing luwih gedhe dibutuhake kanggo ngonfirmasi asil sing dipikolehi ing panliten iki.
Ing antarane panliten sing nguji akurasi SD kanggo ngira-ira umur untu, ana sing nuduhake akurasi sing luwih dhuwur tinimbang panliten kita. Stepanovsky et al 35 ngetrapake 22 model SD kanggo radiografi panorama saka 976 warga Ceko umur 2,7 nganti 20,5 taun lan nguji akurasi saben model. Dheweke ngevaluasi perkembangan total 16 untu permanen kiwa ndhuwur lan ngisor nggunakake kriteria klasifikasi sing diusulake dening Moorrees et al 36. MAE kisarane saka 0,64 nganti 0,94 taun lan RMSE kisarane saka 0,85 nganti 1,27 taun, sing luwih akurat tinimbang rong model DM sing digunakake ing panliten iki. Shen et al 23 nggunakake metode Cameriere kanggo ngira-ira umur untu pitung untu permanen ing rahang kiwa ing warga Tiongkok wétan umur 5 nganti 13 taun lan mbandhingake karo umur sing diestimasi nggunakake regresi linier, SVM lan RF. Dheweke nuduhake yen kabeh telung model DM duwe akurasi sing luwih dhuwur dibandhingake karo rumus Cameriere tradisional. MAE lan RMSE ing panliten Shen luwih murah tinimbang model DM ing panliten iki. Peningkatan presisi panliten dening Stepanovsky et al. 35 lan Shen et al. 23 bisa uga amarga kalebu subjek sing luwih enom ing sampel panliten. Amarga prakiraan umur kanggo peserta sing duwe untu sing lagi berkembang dadi luwih akurat nalika jumlah untu mundhak sajrone perkembangan untu, akurasi metode prakiraan umur sing diasilake bisa uga dikompromi nalika peserta panliten luwih enom. Kajaba iku, kesalahan MLP ing prakiraan umur rada luwih cilik tinimbang SLP, tegese MLP luwih akurat tinimbang SLP. MLP dianggep rada luwih apik kanggo prakiraan umur, bisa uga amarga lapisan sing didhelikake ing MLP38. Nanging, ana pangecualian kanggo sampel njaba wanita (SLP 1.45, MLP 1.49). Temuan manawa MLP luwih akurat tinimbang SLP ing neliti umur mbutuhake panliten retrospektif tambahan.
Kinerja klasifikasi model DM lan metode tradisional ing ambang 18 taun uga dibandhingake. Kabeh model SD sing diuji lan metode tradisional ing set tes internal nuduhake tingkat diskriminasi sing bisa ditampa kanthi praktis kanggo sampel umur 18 taun. Sensitivitas kanggo pria lan wanita luwih gedhe tinimbang 87,7% lan 94,9%, lan spesifisitas luwih gedhe tinimbang 89,3% lan 84,7%. AUROC saka kabeh model sing diuji uga ngluwihi 0,925. Sakwruh kawruh kita, ora ana panliten sing nguji kinerja model DM kanggo klasifikasi 18 taun adhedhasar kematangan gigi. Kita bisa mbandhingake asil panliten iki karo kinerja klasifikasi model pembelajaran jero ing radiografi panorama. Guo et al.15 ngetung kinerja klasifikasi model pembelajaran jero adhedhasar 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 manawa 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 estimasi umur. Antarane model kasebut, DM LR minangka model paling apik babagan sensitivitas kanggo sampel lanang lan sensitivitas lan spesifisitas kanggo sampel wadon. LR ana ing peringkat nomer loro babagan spesifisitas kanggo pria. Kajaba iku, LR dianggep minangka salah sawijining model DM35 sing luwih ramah pangguna lan kurang kompleks lan angel diproses. Adhedhasar asil kasebut, LR dianggep minangka model klasifikasi cutoff paling apik kanggo bocah umur 18 taun ing populasi Korea.
Sakabèhé, akurasi prakiraan umur utawa kinerja klasifikasi ing set tes eksternal kurang apik utawa luwih murah dibandhingake karo asil ing set tes internal. Sawetara laporan nuduhake manawa akurasi utawa efisiensi klasifikasi mudhun nalika prakiraan umur adhedhasar populasi Korea diterapake ing populasi Jepang5,39, lan pola sing padha ditemokake ing panliten iki. Tren penurunan iki uga diamati ing model DM. Mulane, kanggo ngira-ira umur kanthi akurat, sanajan nggunakake DM ing proses analisis, metode sing asale saka data populasi asli, kayata metode tradisional, kudune luwih disenengi5,39,40,41,42. Amarga ora jelas apa model pembelajaran jero bisa nuduhake tren sing padha, panliten sing mbandhingake akurasi lan efisiensi klasifikasi nggunakake metode tradisional, model DM, lan model pembelajaran jero ing sampel sing padha dibutuhake kanggo ngonfirmasi apa kecerdasan buatan bisa ngatasi kesenjangan ras iki ing umur winates. penilaian.
Kita nduduhake manawa metode tradisional bisa diganti karo estimasi umur adhedhasar model DM ing praktik estimasi umur forensik ing Korea. Kita uga nemokake kemungkinan kanggo ngetrapake 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 kekurangan panliten sadurunge kanggo mbandhingake lan ngonfirmasi asil panliten iki. Ing mangsa ngarep, panliten DM kudu ditindakake kanthi jumlah sampel sing luwih gedhe lan populasi sing luwih maneka warna kanggo nambah aplikasi praktis dibandhingake karo metode tradisional. Kanggo validasi kelayakan nggunakake kecerdasan buatan kanggo ngira-ngira umur ing pirang-pirang populasi, panliten ing mangsa ngarep dibutuhake kanggo mbandhingake akurasi klasifikasi lan efisiensi model DM lan pembelajaran jero karo metode tradisional ing sampel sing padha.
Panliten iki nggunakake 2.657 foto ortografik 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 tes internal (19,52 ± 2,59 taun). Set latihan diklumpukake ing siji institusi (Rumah Sakit St. Mary Seoul), lan set tes dhewe diklumpukake ing rong institusi (Rumah Sakit Gigi Universitas Nasional Seoul lan Rumah Sakit Gigi Universitas Yonsei). Kita uga nglumpukake 857 radiografi saka data adhedhasar populasi liyane (Universitas Kedokteran Iwate, Jepang) kanggo tes eksternal. Radiografi subjek Jepang (19,31 ± 2,60 taun) dipilih minangka set tes eksternal. Data diklumpukake kanthi retrospektif kanggo nganalisis tahapan perkembangan gigi ing radiografi panorama sing dijupuk sajrone perawatan gigi. Kabeh data sing diklumpukake anonim kajaba jenis kelamin, tanggal lair lan tanggal radiografi. Kriteria inklusi lan eksklusi padha karo panliten sing diterbitake sadurunge 4, 5. Umur sampel sing sejatine diitung kanthi ngurangi tanggal lair saka tanggal radiografi dijupuk. Klompok sampel dipérang dadi sangang klompok umur. Distribusi umur lan jenis kelamin dituduhake ing Tabel 3. Panliten iki ditindakake miturut Deklarasi Helsinki lan disetujoni dening Dewan Peninjau Kelembagaan (IRB) Rumah Sakit Seoul St. Mary's Universitas Katolik Korea (KC22WISI0328). Amarga desain retrospektif saka panliten iki, idin sing diwenehake ora bisa dipikolehi saka kabeh pasien sing nglakoni pemeriksaan radiografi kanggo tujuan terapeutik. Rumah Sakit St. Mary's Universitas Seoul Korea (IRB) ora mbutuhake idin sing diwenehake.
Tahap perkembangan molar kapindho lan katelu bimaxillary ditaksir miturut kriteria Demircan25. Mung siji untu sing dipilih yen jinis untu sing padha ditemokake ing sisih kiwa lan tengen saben rahang. Yen untu homolog ing loro-lorone ana ing tahap perkembangan sing beda, untu kanthi tahap perkembangan sing luwih murah dipilih kanggo ngetung ketidakpastian ing umur sing diestimasikake. Satus radiografi sing dipilih kanthi acak saka set latihan dicetak dening rong pengamat sing berpengalaman kanggo nguji reliabilitas antar pengamat sawise prakalibrasi kanggo nemtokake tahap kematangan untu. Reliabilitas intrapengamat ditaksir kaping pindho kanthi interval telung wulan dening pengamat utama.
Jenis kelamin lan tahap perkembangan molar kapindho lan katelu saka saben rahang ing set latihan diestimasikake dening pengamat utama sing dilatih nganggo model DM sing beda-beda, lan umur sing nyata disetel minangka nilai target. Model SLP lan MLP, sing akeh digunakake ing pembelajaran mesin, diuji nglawan algoritma regresi. Model DM nggabungake fungsi linier nggunakake tahap perkembangan papat untu lan nggabungake data kasebut kanggo ngira-ngira umur. SLP minangka jaringan saraf sing paling gampang lan ora ngemot lapisan sing didhelikake. SLP kerjane adhedhasar transmisi ambang antarane simpul. Model SLP ing regresi sacara matematis padha karo regresi linier berganda. Ora kaya model SLP, model MLP duwe pirang-pirang lapisan sing didhelikake kanthi fungsi aktivasi nonlinier. Eksperimen kita nggunakake lapisan sing didhelikake kanthi mung 20 simpul sing didhelikake kanthi fungsi aktivasi nonlinier. Gunakake penurunan gradien minangka metode optimasi lan MAE lan RMSE minangka fungsi kerugian kanggo nglatih model pembelajaran mesin kita. Model regresi sing paling apik dipikolehi diterapake ing set tes internal lan eksternal lan umur untu diestimasikake.
Algoritma klasifikasi dikembangake sing nggunakake kadewasan papat untu ing set latihan kanggo prédhiksi apa sampel umure 18 taun utawa ora. Kanggo mbangun model kasebut, kita ngasilake pitung algoritma pembelajaran mesin 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 probabilitas data sing kalebu kategori tartamtu saka 0 nganti 1 lan nglasifikasikake data kasebut minangka kalebu kategori sing luwih mungkin adhedhasar probabilitas iki; utamane digunakake kanggo klasifikasi biner. KNN minangka salah sawijining algoritma pembelajaran mesin sing paling gampang45. Nalika diwenehi data input anyar, data kasebut nemokake k data sing cedhak karo set sing wis ana banjur nglasifikasikake menyang kelas kanthi frekuensi paling dhuwur. Kita nyetel 3 kanggo jumlah tetangga sing dianggep (k). SVM minangka algoritma sing ngoptimalake jarak antarane rong kelas kanthi nggunakake fungsi kernel kanggo ngembangake ruang linier menyang ruang non-linier sing diarani lapangan46. Kanggo model iki, kita nggunakake bias = 1, daya = 1, lan gamma = 1 minangka hiperparameter kanggo kernel polinomial. DT wis diterapake ing macem-macem lapangan minangka algoritma kanggo mbagi kabeh set data dadi sawetara subkelompok kanthi makili aturan keputusan ing struktur wit47. Model kasebut dikonfigurasi kanthi jumlah minimal rekaman saben simpul 2 lan nggunakake indeks Gini minangka ukuran kualitas. RF minangka metode ansambel sing nggabungake pirang-pirang DT kanggo nambah kinerja nggunakake metode agregasi bootstrap sing ngasilake classifier sing ringkih kanggo saben sampel kanthi nggambar sampel kanthi ukuran sing padha kaping pirang-pirang saka dataset asli48. Kita nggunakake 100 wit, 10 ambane wit, 1 ukuran simpul minimal, lan indeks admixture Gini minangka kriteria pamisahan simpul. Klasifikasi data anyar ditemtokake dening swara mayoritas. XGBoost minangka algoritma sing nggabungake teknik boosting nggunakake metode sing njupuk minangka data latihan kesalahan antarane nilai nyata lan prediksi saka model sadurunge lan nambah kesalahan nggunakake gradien49. Iki minangka algoritma sing digunakake sacara wiyar amarga kinerja lan efisiensi sumber daya sing apik, uga linuwih sing dhuwur minangka fungsi koreksi overfitting. Model iki dilengkapi 400 roda dhukungan. MLP minangka jaringan saraf ing ngendi siji utawa luwih perceptron mbentuk pirang-pirang lapisan kanthi siji utawa luwih lapisan sing didhelikake ing antarane lapisan input lan output38. Nggunakake iki, sampeyan bisa nindakake klasifikasi non-linier ing ngendi 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 diterapake ing set internal lan eksternal kanggo nguji kinerja klasifikasi kanthi ngetung sensitivitas, spesifisitas, PPV, NPV, lan AUROC. Sensitivitas ditetepake minangka rasio sampel sing diestimasikake umur 18 taun utawa luwih karo sampel sing diestimasikake umur 18 taun utawa luwih. Spesifisitas yaiku proporsi sampel ing ngisor 18 taun lan sing diestimasikake umur ing ngisor 18 taun.
Tahapan untu sing ditaksir ing set latihan diowahi dadi tahapan numerik kanggo analisis statistik. Regresi linier lan logistik multivariat ditindakake kanggo ngembangake model prediktif kanggo saben jenis kelamin lan ngasilake rumus regresi sing bisa digunakake kanggo ngira-ira umur. Kita nggunakake rumus kasebut kanggo ngira-ira umur untu kanggo set tes internal lan eksternal. Tabel 4 nuduhake model regresi lan klasifikasi sing digunakake ing panliten iki.
Reliabilitas intra- lan interobserver diitung nggunakake statistik kappa Cohen. Kanggo nguji akurasi DM lan model regresi tradisional, kita ngetung MAE lan RMSE nggunakake umur sing diestimasikake lan nyata saka set tes internal lan eksternal. Kesalahan kasebut umum digunakake kanggo ngevaluasi akurasi prediksi model. Semakin cilik kesalahan, semakin dhuwur akurasi ramalan24. Bandhingake MAE lan RMSE saka set tes internal lan eksternal sing diitung nggunakake DM lan regresi tradisional. Kinerja klasifikasi 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 dinyatakake minangka rata-rata ± deviasi standar utawa angka (%) gumantung saka karakteristik data. Nilai P rong sisi <0,05 dianggep signifikan sacara statistik. Kabeh analisis statistik rutin ditindakake nggunakake SAS versi 9.4 (SAS Institute, Cary, NC). Model regresi DM diimplementasikake ing Python nggunakake backend Keras50 2.2.4 lan Tensorflow51 1.8.0 khusus kanggo operasi matematika. Model klasifikasi DM diimplementasikake ing Lingkungan Analisis Kawruh Waikato lan platform analisis Konstanz Information Miner (KNIME) 4.6.152.
Para panulis ngakoni manawa data sing ndhukung kesimpulan panliten iki bisa ditemokake ing artikel lan materi tambahan. Kumpulan data sing digawe lan/utawa dianalisis sajrone panliten iki kasedhiya saka panulis sing cocog miturut panyuwunan sing cukup.
Ritz-Timme, S. et al. Penilaian umur: kahanan paling anyar 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 saka penilaian umur forensik subjek sing isih urip kanggo tujuan tuntutan pidana. Forensik. kedokteran. Patologi. 1, 239–246 (2005).
Pan, J. et al. Cara sing dimodifikasi kanggo netepake umur untu bocah umur 5 nganti 16 taun ing Tiongkok wétan. klinis. Survei lisan. 25, 3463–3474 (2021).
Lee, SS, lan liya-liyane. Kronologi perkembangan molar kapindho lan katelu ing wong Korea lan aplikasine kanggo penilaian umur forensik. internasionalitas. J. Kedokteran hukum. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY lan Lee, SS Akurasi prakiraan umur lan prakiraan ambang 18 taun adhedhasar kadewasan molar kapindho lan katelu ing wong Korea lan Jepang. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Analisis data adhedhasar pembelajaran mesin praoperasi bisa ngramal asil perawatan operasi turu ing pasien OSA. ilmu pengetahuan. Laporan 11, 14911 (2021).
Han, M. et al. Estimasi umur sing akurat saka pembelajaran mesin nganggo utawa tanpa intervensi manungsa? internasionalitas. J. Kedokteran hukum. 136, 821–831 (2022).
Khan, S. lan Shaheen, M. Saka Data Mining nganti Data Mining. J.Information. ilmu pengetahuan. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. lan Shaheen, M. WisRule: Algoritma Kognitif Pertama kanggo Penambangan Aturan Asosiasi. J.Information. ilmu pengetahuan. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. lan Abdullah U. Karm: Penambangan data tradisional adhedhasar aturan asosiasi adhedhasar konteks. ngetung. Matt. terus. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. lan Habib M. Deteksi kamiripan semantik adhedhasar pembelajaran jero nggunakake data teks. informasi. 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. Piranti Aplikasi https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Tantangan Pembelajaran Mesin RSNA ing Usia Balung Pediatrik. Radiologi 290, 498–503 (2019).
Li, Y. et al. Perkiraan umur forensik saka sinar-X pelvis nggunakake pembelajaran jero. Radiasi EURO. 29, 2322–2329 (2019).
Guo, YC, dkk. Klasifikasi umur sing akurat nggunakake metode manual lan jaringan saraf konvolusional jero saka gambar proyeksi ortografi. internasionalitas. J. Kedokteran hukum. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimasi umur balung nggunakake macem-macem metode pembelajaran mesin: tinjauan literatur sistematis lan meta-analisis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., lan Yang, J. Perkiraan umur spesifik populasi wong Afrika-Amerika lan Tionghoa adhedhasar volume ruang pulpa molar pertama nggunakake tomografi komputer cone-beam. internasionalitas. J. Kedokteran hukum. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK lan Oh KS Nemtokake klompok umur wong sing isih urip nggunakake gambar molar pertama adhedhasar kecerdasan buatan. ilmu pengetahuan. Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., lan Urschler, M. Estimasi umur otomatis lan klasifikasi umur mayoritas saka data MRI multivariat. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. lan Li, G. Estimasi umur adhedhasar segmentasi ruang pulpa 3D saka molar pertama saka tomografi komputerisasi cone beam kanthi nggabungake pembelajaran jero lan set level. internasionalitas. J. Kedokteran hukum. 135, 365–373 (2021).
Wu, WT, dkk. Penambangan data ing data gedhe klinis: basis data umum, langkah-langkah, lan model metode. Donya. obat-obatan. sumber daya. 8, 44 (2021).
Yang, J. et al. Pambuka Basis Data Medis lan Teknologi Penambangan Data ing Era Big Data. J. Avid. Kedokteran dhasar. 13, 57–69 (2020).
Shen, S. et al. Metode Camerer kanggo ngira-ira umur untu nggunakake pembelajaran mesin. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Perbandingan metode pembelajaran mesin sing beda kanggo prédhiksi umur untu nggunakake metode pementasan Demirdjian. internasionalitas. J. Kedokteran hukum. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. lan Tanner, JM Sistem anyar kanggo neliti umur untu. snort. biology. 45, 211–227 (1973).
Landis, JR, lan Koch, GG Ukuran persetujuan pengamat babagan data kategoris. Biometrik 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK lan Choi HK. Analisis tekstur, morfologis, lan statistik pencitraan resonansi magnetik rong dimensi nggunakake teknik kecerdasan buatan kanggo diferensiasi tumor otak primer. Informasi kesehatan. sumber daya. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Wektu kiriman: 04 Januari 2024