Σας ευχαριστούμε που επισκεφθήκατε το Nature.com. Η έκδοση του προγράμματος περιήγησης που χρησιμοποιείτε έχει περιορισμένη υποστήριξη CSS. Για καλύτερα αποτελέσματα, συνιστούμε να χρησιμοποιήσετε μια νεότερη έκδοση του προγράμματος περιήγησής σας (ή απενεργοποιώντας τη λειτουργία συμβατότητας στο Internet Explorer). Εν τω μεταξύ, για να εξασφαλίσουμε συνεχή υποστήριξη, παρουσιάζουμε τον ιστότοπο χωρίς στυλ ή JavaScript.
Τα δόντια θεωρούνται ο πιο ακριβής δείκτης της ηλικίας του ανθρώπινου σώματος και συχνά χρησιμοποιούνται στην αξιολόγηση της εγκληματολογικής ηλικίας. Στόχος μας ήταν να επικυρώσουμε τις εκτιμήσεις οδοντικής ηλικίας με βάση την εξόρυξη δεδομένων, συγκρίνοντας την απόδοση της ακρίβειας και της ταξινόμησης του 18ετούς κατωφλίου με τις παραδοσιακές μεθόδους και τις εκτιμήσεις ηλικίας με βάση την εξόρυξη δεδομένων. Συνολικά 2657 πανοραμικές ακτινογραφίες συλλέχθηκαν από κορεάτες και ιαπωνικούς πολίτες ηλικίας 15 έως 23 ετών. Διαχωρίστηκαν σε ένα σετ κατάρτισης, το καθένα που περιείχε 900 κορεατικές ακτινογραφίες και ένα εσωτερικό σύνολο δοκιμών που περιέχει 857 ιαπωνικές ακτινογραφίες. Συγκρίναμε την ακρίβεια ταξινόμησης και την αποτελεσματικότητα των παραδοσιακών μεθόδων με σύνολα δοκιμών μοντέλων εξόρυξης δεδομένων. Η ακρίβεια της παραδοσιακής μεθόδου στο εσωτερικό σύνολο δοκιμών είναι ελαφρώς υψηλότερη από αυτή του μοντέλου εξόρυξης δεδομένων και η διαφορά είναι μικρή (μέση απόλυτη σφάλμα <0,21 ετών, μέσος τετραγωνικός σφάλμα ρίζας <0,24 έτη). Η απόδοση ταξινόμησης για την 18ετή αποκοπή είναι επίσης παρόμοια μεταξύ των παραδοσιακών μεθόδων και των μοντέλων εξόρυξης δεδομένων. Έτσι, οι παραδοσιακές μέθοδοι μπορούν να αντικατασταθούν από μοντέλα εξόρυξης δεδομένων κατά την εκτίμηση της εγκληματολογικής ηλικίας χρησιμοποιώντας την ωριμότητα των δεύτερων και τρίτων γομφίων σε κορεάτες εφήβους και νέους ενήλικες.
Η εκτίμηση της οδοντικής ηλικίας χρησιμοποιείται ευρέως στην εγκληματολογική ιατρική και την παιδιατρική οδοντιατρική. Συγκεκριμένα, λόγω της υψηλής συσχέτισης μεταξύ χρονολογικής εποχής και οδοντικής ανάπτυξης, η αξιολόγηση της ηλικίας από οδοντιατρικά αναπτυξιακά στάδια αποτελεί σημαντικό κριτήριο για την αξιολόγηση της ηλικίας των παιδιών και των εφήβων1,2,3. Ωστόσο, για τους νέους, η εκτίμηση της οδοντικής ηλικίας με βάση την οδοντιατρική ωριμότητα έχει τους περιορισμούς της, επειδή η οδοντιατρική ανάπτυξη είναι σχεδόν πλήρης, με εξαίρεση τους τρίτους γομφίους. Ο νομικός σκοπός του προσδιορισμού της ηλικίας των νέων και των εφήβων είναι να παράσχουν ακριβείς εκτιμήσεις και επιστημονικές αποδείξεις για το αν έχουν φτάσει στην ηλικία της πλειοψηφίας. Στη ιατρική πρακτική των εφήβων και των νεαρών ενηλίκων στην Κορέα, η ηλικία εκτιμήθηκε χρησιμοποιώντας τη μέθοδο του Lee και ένα νόμιμο όριο 18 ετών προβλεπόταν με βάση τα στοιχεία που αναφέρθηκαν από τους OH et al 5.
Η μηχανική μάθηση είναι ένας τύπος τεχνητής νοημοσύνης (AI) που μαθαίνει επανειλημμένα και ταξινομεί μεγάλα ποσά δεδομένων, επιλύει τα προβλήματα από μόνη της και οδηγεί τον προγραμματισμό δεδομένων. Η μηχανική μάθηση μπορεί να ανακαλύψει χρήσιμα κρυμμένα μοτίβα σε μεγάλους όγκους δεδομένων6. Αντίθετα, οι κλασσικές μέθοδοι, οι οποίες είναι έντονες και χρονοβόρες, μπορεί να έχουν περιορισμούς όταν ασχολούνται με μεγάλους όγκους σύνθετων δεδομένων που είναι δύσκολο να επεξεργαστούν με το χέρι7. Ως εκ τούτου, πολλές μελέτες έχουν διεξαχθεί πρόσφατα χρησιμοποιώντας τις τελευταίες τεχνολογίες υπολογιστών για την ελαχιστοποίηση των ανθρώπινων σφαλμάτων και την αποτελεσματική επεξεργασία πολυδιάστατων δεδομένων8,9,10,11,12. Συγκεκριμένα, η βαθιά μάθηση έχει χρησιμοποιηθεί ευρέως στην ανάλυση ιατρικής εικόνας και διάφορες μεθόδους για την εκτίμηση της ηλικίας με την αυτόματη ανάλυση ακτινογραφιών έχουν αναφερθεί ότι βελτιώνουν την ακρίβεια και την αποτελεσματικότητα της εκτίμησης ηλικίας13,14,15,16,17,18,19,20 . Για παράδειγμα, οι Halabi et al 13 ανέπτυξαν έναν αλγόριθμο μηχανικής μάθησης με βάση τα συνελικτικά νευρωνικά δίκτυα (CNN) για την εκτίμηση της σκελετικής ηλικίας χρησιμοποιώντας ακτινογραφίες των χεριών των παιδιών. Αυτή η μελέτη προτείνει ένα μοντέλο που εφαρμόζει μηχανική μάθηση σε ιατρικές εικόνες και δείχνει ότι αυτές οι μέθοδοι μπορούν να βελτιώσουν τη διαγνωστική ακρίβεια. Li et al14 Εκτιμώμενη ηλικία από εικόνες ακτίνων Χ της πυέλου χρησιμοποιώντας ένα CNN βαθιάς μάθησης και τα συγκρίνει με τα αποτελέσματα παλινδρόμησης χρησιμοποιώντας εκτίμηση του σταδίου οστεοποίησης. Διαπίστωσαν ότι το μοντέλο Deep Learning CNN έδειξε την ίδια απόδοση εκτίμησης ηλικίας με το παραδοσιακό μοντέλο παλινδρόμησης. Η μελέτη του Guo et al. [15] αξιολόγησε την απόδοση ταξινόμησης της ανοχής ηλικίας της τεχνολογίας CNN με βάση την οδοντική ορθοφώτα και τα αποτελέσματα του μοντέλου CNN απέδειξαν ότι οι άνθρωποι ξεπέρασαν την απόδοση της ταξινόμησης της ηλικίας.
Οι περισσότερες μελέτες σχετικά με την εκτίμηση της ηλικίας χρησιμοποιώντας τη μηχανική μάθηση χρησιμοποιούν μεθόδους βαθιάς μάθησης13,14,15,16,17,18,19,20. Η εκτίμηση της ηλικίας με βάση τη βαθιά μάθηση αναφέρεται ότι είναι πιο ακριβής από τις παραδοσιακές μεθόδους. Ωστόσο, αυτή η προσέγγιση παρέχει ελάχιστες ευκαιρίες για να παρουσιαστεί η επιστημονική βάση για εκτιμήσεις ηλικίας, όπως οι δείκτες ηλικίας που χρησιμοποιήθηκαν στις εκτιμήσεις. Υπάρχει επίσης μια νομική διαφωνία σχετικά με το ποιος διεξάγει τις επιθεωρήσεις. Ως εκ τούτου, η εκτίμηση της ηλικίας που βασίζεται στη βαθιά μάθηση είναι δύσκολο να αποδεχθεί από τις διοικητικές και δικαστικές αρχές. Η εξόρυξη δεδομένων (DM) είναι μια τεχνική που μπορεί να ανακαλύψει όχι μόνο αναμενόμενη αλλά και απροσδόκητες πληροφορίες ως μέθοδο για την ανακάλυψη χρήσιμων συσχετισμών μεταξύ μεγάλων ποσοτήτων δεδομένων6,21,22. Η μηχανική μάθηση χρησιμοποιείται συχνά στην εξόρυξη δεδομένων και τόσο η εξόρυξη δεδομένων όσο και η μηχανική μάθηση χρησιμοποιούν τους ίδιους αλγόριθμους κλειδιού για να ανακαλύψετε πρότυπα σε δεδομένα. Η εκτίμηση της ηλικίας με την οδοντιατρική ανάπτυξη βασίζεται στην αξιολόγηση του εξεταστή για την ωριμότητα των δοντιών στόχου και αυτή η αξιολόγηση εκφράζεται ως στάδιο για κάθε δόντι στόχου. Το DM μπορεί να χρησιμοποιηθεί για την ανάλυση της συσχέτισης μεταξύ του σταδίου οδοντικής αξιολόγησης και της πραγματικής ηλικίας και έχει τη δυνατότητα να αντικαταστήσει την παραδοσιακή στατιστική ανάλυση. Επομένως, εάν εφαρμόσουμε τεχνικές DM στην εκτίμηση της ηλικίας, μπορούμε να εφαρμόσουμε την εκμάθηση μηχανών στην εκτίμηση της εγκληματολογικής ηλικίας χωρίς να ανησυχούμε για τη νομική ευθύνη. Έχουν δημοσιευθεί αρκετές συγκριτικές μελέτες σχετικά με πιθανές εναλλακτικές λύσεις με τις παραδοσιακές χειρωνακτικές μεθόδους που χρησιμοποιούνται στην εγκληματολογική πρακτική και τις μεθόδους που βασίζονται σε EBM για τον προσδιορισμό της οδοντικής εποχής. Οι Shen et al23 έδειξαν ότι το μοντέλο DM είναι ακριβέστερο από τον παραδοσιακό τύπο κάμερας. Οι Galibourg et al24 εφάρμοσαν διαφορετικές μεθόδους DM για να προβλέψουν την ηλικία σύμφωνα με το κριτήριο Demirdjian25 και τα αποτελέσματα έδειξαν ότι η μέθοδος DM ξεπέρασε τις μεθόδους Demirdjian και Willems για την εκτίμηση της ηλικίας του γαλλικού πληθυσμού.
Για να εκτιμηθεί η οδοντιατρική εποχή των κορεατικών εφήβων και των νεαρών ενηλίκων, η μέθοδος 4 του Lee χρησιμοποιείται ευρέως στην κορεατική εγκληματολογική πρακτική. Αυτή η μέθοδος χρησιμοποιεί παραδοσιακή στατιστική ανάλυση (όπως πολλαπλή παλινδρόμηση) για να εξετάσει τη σχέση μεταξύ κορεατικών θεμάτων και χρονολογικής εποχής. Σε αυτή τη μελέτη, οι μέθοδοι εκτίμησης ηλικίας που λαμβάνονται χρησιμοποιώντας παραδοσιακές στατιστικές μέθοδοι ορίζονται ως "παραδοσιακές μεθόδους". Η μέθοδος του Lee είναι μια παραδοσιακή μέθοδος και η ακρίβειά της έχει επιβεβαιωθεί από τους OH et al. 5; Ωστόσο, η εφαρμογή της εκτίμησης ηλικίας που βασίζεται στο μοντέλο DM στην κορεατική εγκληματολογική πρακτική εξακολουθεί να είναι αμφισβητήσιμη. Στόχος μας ήταν να επικυρώσουμε επιστημονικά την πιθανή χρησιμότητα της εκτίμησης της ηλικίας με βάση το μοντέλο DM. Ο σκοπός αυτής της μελέτης ήταν (1) να συγκριθεί η ακρίβεια δύο μοντέλων DM στην εκτίμηση της οδοντικής εποχής και (2) και τρίτους γομφίους και στις δύο σιαγόνες.
Τα μέσα και οι τυπικές αποκλίσεις της χρονολογικής ηλικίας ανά στάδιο και τύπου δοντιών εμφανίζονται στο διαδίκτυο στον Συμπληρωματικό Πίνακα S1 (σετ εκπαίδευσης), Συμπληρωματικό Πίνακα S2 (εσωτερικό σύνολο δοκιμών) και Συμπληρωματικός Πίνακας S3 (σετ εξωτερικών δοκιμών). Οι τιμές Kappa για την αξιοπιστία των ενδο-και μεταξύ των παραγόντων που ελήφθησαν από το σετ εκπαίδευσης ήταν 0,951 και 0,947, αντίστοιχα. Οι τιμές P και τα διαστήματα εμπιστοσύνης 95% για τις τιμές Kappa εμφανίζονται στον ηλεκτρονικό συμπληρωματικό πίνακα S4. Η τιμή Kappa ερμηνεύτηκε ως "σχεδόν τέλεια", σύμφωνα με τα κριτήρια του Landis και του Koch26.
Κατά τη σύγκριση του μέσου απόλυτου σφάλματος (MAE), η παραδοσιακή μέθοδος ξεπερνά ελαφρώς το μοντέλο DM για όλα τα φύλα και στο εξωτερικό σύνολο ανδρών δοκιμών, με εξαίρεση την πολυστρωματική perceptron (MLP). Η διαφορά μεταξύ του παραδοσιακού μοντέλου και του μοντέλου DM στο εσωτερικό σύνολο δοκιμών MAE ήταν 0,12-0,19 έτη για τους άνδρες και 0,17-0,21 έτη για τις γυναίκες. Για την εξωτερική μπαταρία δοκιμής, οι διαφορές είναι μικρότερες (0,001-0,05 έτη για τους άνδρες και 0,05-0,09 έτη για τις γυναίκες). Επιπλέον, το μέσο τετραγωνικό σφάλμα ρίζας (RMSE) είναι ελαφρώς χαμηλότερο από την παραδοσιακή μέθοδο, με μικρότερες διαφορές (0,17-0,24, 0,2-0,24 για το αρσενικό εσωτερικό σύνολο δοκιμών και 0,03-0,07, 0,04-0,08 για εξωτερικό σύνολο δοκιμών). ). Το MLP παρουσιάζει ελαφρώς καλύτερη απόδοση από το μονό στρώμα perceptron (SLP), εκτός από την περίπτωση του γυναικείου εξωτερικού συνόλου δοκιμών. Για το MAE και το RMSE, το εξωτερικό σύνολο δοκιμών βαθμολογεί υψηλότερα από το εσωτερικό σύνολο δοκιμών για όλα τα φύλα και τα μοντέλα. Όλες οι MAE και RMSE φαίνονται στον Πίνακα 1 και στο Σχήμα 1.
MAE και RMSE παραδοσιακών μοντέλων παλινδρόμησης και εξόρυξης δεδομένων. Μέσο απόλυτο σφάλμα Mae, Μέσο τετράγωνο σφάλμα RMSE, SLP Perceptron μεμονωμένο στρώμα, Multilayer Perceptron MLP, παραδοσιακή μέθοδος CM.
Η απόδοση ταξινόμησης (με αποκοπή 18 ετών) των παραδοσιακών και DM μοντέλα αποδείχθηκε από την άποψη της ευαισθησίας, της εξειδίκευσης, της θετικής προγνωστικής αξίας (PPV), της αρνητικής προγνωστικής τιμής (NPV) και της περιοχής κάτω από την καμπύλη λειτουργίας του δέκτη (AUROC) 27 (Πίνακας 2, Εικόνα 2 και Συμπληρωματικό Σχήμα 1 Online). Από την άποψη της ευαισθησίας της εσωτερικής μπαταρίας δοκιμής, οι παραδοσιακές μέθοδοι εκτελούνται καλύτερα μεταξύ των ανδρών και χειρότερα μεταξύ των γυναικών. Ωστόσο, η διαφορά στην απόδοση ταξινόμησης μεταξύ παραδοσιακών μεθόδων και SD είναι 9,7% για τους άνδρες (MLP) και μόνο 2,4% για τις γυναίκες (XGBOOST). Μεταξύ των μοντέλων DM, η λογιστική παλινδρόμηση (LR) έδειξε καλύτερη ευαισθησία και στα δύο φύλα. Όσον αφορά την εξειδίκευση του εσωτερικού συνόλου δοκιμών, παρατηρήθηκε ότι τα τέσσερα μοντέλα SD εκτελούσαν καλά σε αρσενικά, ενώ το παραδοσιακό μοντέλο είχε καλύτερη απόδοση στις γυναίκες. Οι διαφορές στην απόδοση ταξινόμησης για τα αρσενικά και τα θηλυκά είναι 13,3% (MLP) και 13,1% (MLP), αντίστοιχα, υποδεικνύοντας ότι η διαφορά στην απόδοση ταξινόμησης μεταξύ μοντέλων υπερβαίνει την ευαισθησία. Μεταξύ των μοντέλων DM, τα μοντέλα του φορέα υποστήριξης (SVM), του δέντρου αποφάσεων (DT) και των μοντέλων τυχαίων δασών (RF) εκτελούσαν καλύτερα μεταξύ των αρσενικών, ενώ το μοντέλο LR εκτελούσε τα καλύτερα μεταξύ των θηλυκών. Το AUROC του παραδοσιακού μοντέλου και όλα τα μοντέλα SD ήταν μεγαλύτερη από 0,925 (K-Nearest Neighbor (KNN) στους άνδρες), αποδεικνύοντας εξαιρετική απόδοση ταξινόμησης σε διακρίσεις 18 ετών δείγματα28. Για το εξωτερικό σύνολο δοκιμών, παρατηρήθηκε μείωση της απόδοσης ταξινόμησης όσον αφορά την ευαισθησία, την εξειδίκευση και το AUROC σε σύγκριση με το εσωτερικό σύνολο δοκιμών. Επιπλέον, η διαφορά στην ευαισθησία και την ειδικότητα μεταξύ της απόδοσης ταξινόμησης των καλύτερων και χειρότερων μοντέλων κυμαίνονταν από 10% έως 25% και ήταν μεγαλύτερη από τη διαφορά στο εσωτερικό σύνολο δοκιμών.
Η ευαισθησία και η εξειδίκευση των μοντέλων ταξινόμησης εξόρυξης δεδομένων σε σύγκριση με τις παραδοσιακές μεθόδους με αποκοπή 18 ετών. Knn K πλησιέστερος γείτονας, μηχανή υποστήριξης SVM, LR Logistic regression, δέντρο αποφάσεων DT, RF Random Forest, XGB XGBOOST, MLP Multilayer Perceptron, παραδοσιακή μέθοδος CM.
Το πρώτο βήμα σε αυτή τη μελέτη ήταν να συγκριθεί η ακρίβεια των εκτιμήσεων της οδοντιατρικής ηλικίας που ελήφθησαν από επτά μοντέλα DM με εκείνα που ελήφθησαν χρησιμοποιώντας παραδοσιακή παλινδρόμηση. Το MAE και το RMSE αξιολογήθηκαν σε εσωτερικά σύνολα δοκιμών και για τα δύο φύλα και η διαφορά μεταξύ της παραδοσιακής μεθόδου και του μοντέλου DM κυμαινόταν από 44 έως 77 ημέρες για MAE και από 62 έως 88 ημέρες για το RMSE. Αν και η παραδοσιακή μέθοδος ήταν ελαφρώς πιο ακριβής σε αυτή τη μελέτη, είναι δύσκολο να συμπεράνουμε εάν μια τέτοια μικρή διαφορά έχει κλινική ή πρακτική σημασία. Αυτά τα αποτελέσματα υποδεικνύουν ότι η ακρίβεια της εκτίμησης της οδοντικής ηλικίας χρησιμοποιώντας το μοντέλο DM είναι σχεδόν η ίδια με αυτή της παραδοσιακής μεθόδου. Η άμεση σύγκριση με τα αποτελέσματα από προηγούμενες μελέτες είναι δύσκολη, διότι καμία μελέτη δεν έχει συγκρίνει την ακρίβεια των μοντέλων DM με παραδοσιακές στατιστικές μεθόδους χρησιμοποιώντας την ίδια τεχνική καταγραφής δοντιών στην ίδια ηλικιακή περιοχή όπως σε αυτή τη μελέτη. Οι Galibourg et al24 συνέκριναν MAE και RMSE μεταξύ δύο παραδοσιακών μεθόδων (Demirjian Method25 και Willems Method29) και 10 μοντέλων DM σε γαλλικό πληθυσμό ηλικίας 2 έως 24 ετών. Ανέφεραν ότι όλα τα μοντέλα DM ήταν πιο ακριβή από τις παραδοσιακές μεθόδους, με διαφορές 0,20 και 0,38 ετών σε MAE και 0,25 και 0,47 χρόνια σε RMSE σε σύγκριση με τις μεθόδους Willems και Demirdjian, αντίστοιχα. Η διαφορά μεταξύ του μοντέλου SD και των παραδοσιακών μεθόδων που παρουσιάζονται στη μελέτη Halibourg λαμβάνει υπόψη πολλές αναφορές 30,31,32,33 ότι η μέθοδος Demirdjian δεν εκτιμά με ακρίβεια την οδοντιατρική ηλικία σε πληθυσμούς διαφορετικούς από τους Γάλλους Καναδούς στους οποίους βασίστηκε η μελέτη. Σε αυτή τη μελέτη. Ο Tai et al 34 χρησιμοποίησε τον αλγόριθμο MLP για να προβλέψει την ηλικία των δοντιών από 1636 κινεζικές ορθοδοντικές φωτογραφίες και συνέκρινε την ακρίβειά του με τα αποτελέσματα της μεθόδου Demirjian και Willems. Ανέφεραν ότι το MLP έχει υψηλότερη ακρίβεια από τις παραδοσιακές μεθόδους. Η διαφορά μεταξύ της μεθόδου Demirdjian και της παραδοσιακής μεθόδου είναι <0,32 ετών και η μέθοδος Willems είναι 0,28 ετών, η οποία είναι παρόμοια με τα αποτελέσματα της παρούσας μελέτης. Τα αποτελέσματα αυτών των προηγούμενων μελετών24,34 είναι επίσης συνεπή με τα αποτελέσματα της παρούσας μελέτης και η ακρίβεια εκτίμησης της ηλικίας του μοντέλου DM και της παραδοσιακής μεθόδου είναι παρόμοια. Ωστόσο, βάσει των παρουσιαζόμενων αποτελεσμάτων, μπορούμε μόνο να καταλήξουμε προσεκτικά στο συμπέρασμα ότι η χρήση μοντέλων DM για την εκτίμηση της ηλικίας μπορεί να αντικαταστήσει τις υπάρχουσες μεθόδους λόγω της έλλειψης συγκριτικών και αναφοράς προηγούμενων μελετών. Απαιτούνται μελέτες παρακολούθησης που χρησιμοποιούν μεγαλύτερα δείγματα για να επιβεβαιωθούν τα αποτελέσματα που ελήφθησαν σε αυτή τη μελέτη.
Μεταξύ των μελετών που δοκιμάζουν την ακρίβεια της SD στην εκτίμηση της οδοντικής εποχής, ορισμένοι έδειξαν υψηλότερη ακρίβεια από τη μελέτη μας. Οι Stepanovsky et al 35 εφαρμόστηκαν 22 μοντέλα SD σε πανοραμικές ακτινογραφίες 976 τσεχικών κατοίκων ηλικίας 2,7 έως 20,5 ετών και εξέτασαν την ακρίβεια κάθε μοντέλου. Εκτιμούσαν την ανάπτυξη συνολικά 16 ανώτερα και κάτω αριστερά μόνιμα δόντια χρησιμοποιώντας τα κριτήρια ταξινόμησης που προτάθηκαν από τους Moorrees et al 36. Το MAE κυμαίνεται από 0,64 έως 0,94 έτη και το RMSE κυμαίνεται από 0,85 έως 1,27 έτη, τα οποία είναι πιο ακριβή από τα δύο μοντέλα DM που χρησιμοποιούνται σε αυτή τη μελέτη. Οι Shen et al23 χρησιμοποίησαν τη μέθοδο Cameriere για να εκτιμήσουν την οδοντιατρική ηλικία των επτά μόνιμων δοντιών στην αριστερή κάτω γνάθο των ανατολικών κινεζικών κατοίκων ηλικίας 5 έως 13 ετών και το συγκρίθηκαν με τις ηλικίες που εκτιμήθηκαν χρησιμοποιώντας γραμμική παλινδρόμηση, SVM και RF. Έδειξαν ότι και τα τρία μοντέλα DM έχουν υψηλότερη ακρίβεια σε σύγκριση με τον παραδοσιακό τύπο Cameriere. Το MAE και το RMSE στη μελέτη του Shen ήταν χαμηλότερα από αυτά του μοντέλου DM σε αυτή τη μελέτη. Η αυξημένη ακρίβεια των μελετών των Stepanovsky et al. 35 και Shen et αϊ. 23 μπορεί να οφείλεται στη συμπερίληψη νεότερων υποκειμένων στα δείγματα μελέτης τους. Επειδή οι εκτιμήσεις ηλικίας για τους συμμετέχοντες με την ανάπτυξη των δοντιών γίνονται ακριβέστερες καθώς ο αριθμός των δοντιών αυξάνεται κατά τη διάρκεια της οδοντικής ανάπτυξης, η ακρίβεια της μεθόδου εκτίμησης ηλικίας που προκύπτει μπορεί να διακυβευτεί όταν οι συμμετέχοντες στη μελέτη είναι νεότεροι. Επιπλέον, το σφάλμα της MLP στην εκτίμηση της ηλικίας είναι ελαφρώς μικρότερο από το SLP, που σημαίνει ότι το MLP είναι πιο ακριβές από το SLP. Το MLP θεωρείται ελαφρώς καλύτερο για την εκτίμηση της ηλικίας, πιθανώς λόγω των κρυμμένων στρωμάτων στο MLP38. Ωστόσο, υπάρχει εξαίρεση για το εξωτερικό δείγμα γυναικών (SLP 1.45, MLP 1.49). Το εύρημα ότι το MLP είναι πιο ακριβές από το SLP στην ηλικία της ηλικίας απαιτεί πρόσθετες αναδρομικές μελέτες.
Η απόδοση ταξινόμησης του μοντέλου DM και της παραδοσιακής μεθόδου σε ένα 18ετές όριο συγκρίθηκε επίσης. Όλα τα δοκιμασμένα μοντέλα SD και οι παραδοσιακές μεθόδους στο εσωτερικό σύνολο δοκιμών έδειξαν πρακτικά αποδεκτά επίπεδα διακρίσεων για το 18χρονο δείγμα. Η ευαισθησία για τους άνδρες και τις γυναίκες ήταν μεγαλύτερη από 87,7% και 94,9% αντίστοιχα και η ειδικότητα ήταν μεγαλύτερη από 89,3% και 84,7%. Το AUROC όλων των δοκιμασμένων μοντέλων υπερβαίνει επίσης το 0,925. Από όσο γνωρίζουμε, καμία μελέτη δεν έχει δοκιμάσει την απόδοση του μοντέλου DM για 18ετή ταξινόμηση με βάση την οδοντιατρική ωριμότητα. Μπορούμε να συγκρίνουμε τα αποτελέσματα αυτής της μελέτης με την απόδοση ταξινόμησης των μοντέλων βαθιάς μάθησης σε πανοραμικές ακτινογραφίες. Οι Guo et al.15 υπολόγισαν την απόδοση ταξινόμησης ενός μοντέλου βαθιάς μάθησης με βάση το CNN και μιας χειροκίνητης μεθόδου που βασίζεται στη μέθοδο του Demirjian για ένα ορισμένο όριο ηλικίας. Η ευαισθησία και η εξειδίκευση της χειροκίνητης μεθόδου ήταν 87,7% και 95,5% αντίστοιχα και η ευαισθησία και η ειδικότητα του μοντέλου CNN ξεπέρασε το 89,2% και το 86,6% αντίστοιχα. Κατέληξαν στο συμπέρασμα ότι τα μοντέλα βαθιάς μάθησης μπορούν να αντικαταστήσουν ή να ξεπεράσουν τη χειροκίνητη αξιολόγηση στην ταξινόμηση των ορίων ηλικίας. Τα αποτελέσματα αυτής της μελέτης έδειξαν παρόμοια απόδοση ταξινόμησης. Πιστεύεται ότι η ταξινόμηση χρησιμοποιώντας μοντέλα DM μπορεί να αντικαταστήσει τις παραδοσιακές στατιστικές μεθόδους για την εκτίμηση της ηλικίας. Μεταξύ των μοντέλων, το DM LR ήταν το καλύτερο μοντέλο όσον αφορά την ευαισθησία για το αρσενικό δείγμα και την ευαισθησία και την ειδικότητα για το θηλυκό δείγμα. Το LR κατατάσσεται στη δεύτερη θέση για τους άνδρες. Επιπλέον, το LR θεωρείται ένα από τα πιο φιλικά προς το χρήστη μοντέλα DM35 και είναι λιγότερο περίπλοκο και δύσκολο να επεξεργαστεί. Με βάση αυτά τα αποτελέσματα, το LR θεωρήθηκε το καλύτερο μοντέλο ταξινόμησης αποκοπής για παιδιά ηλικίας 18 ετών στον κορεατικό πληθυσμό.
Συνολικά, η ακρίβεια της εκτίμησης της ηλικίας ή της απόδοσης ταξινόμησης στο εξωτερικό σύνολο δοκιμών ήταν κακή ή χαμηλότερη σε σύγκριση με τα αποτελέσματα στο εσωτερικό σύνολο δοκιμών. Ορισμένες αναφορές υποδεικνύουν ότι η ακρίβεια ή η αποτελεσματικότητα της ταξινόμησης μειώνεται όταν οι εκτιμήσεις ηλικίας με βάση τον κορεατικό πληθυσμό εφαρμόζονται στον ιαπωνικό πληθυσμό 5,39 και ένα παρόμοιο πρότυπο βρέθηκε στην παρούσα μελέτη. Αυτή η τάση επιδείνωσης παρατηρήθηκε επίσης στο μοντέλο DM. Επομένως, για να εκτιμηθεί με ακρίβεια η ηλικία, ακόμη και όταν χρησιμοποιείται DM στη διαδικασία ανάλυσης, οι μέθοδοι που προέρχονται από δεδομένα φυσικού πληθυσμού, όπως οι παραδοσιακές μεθόδους, θα πρέπει να προτιμούν5,39,40,41,42. Δεδομένου ότι δεν είναι σαφές εάν τα μοντέλα βαθιάς μάθησης μπορούν να παρουσιάσουν παρόμοιες τάσεις, μελέτες που συγκρίνουν την ακρίβεια και την αποτελεσματικότητα ταξινόμησης χρησιμοποιώντας παραδοσιακές μεθόδους, μοντέλα DM και μοντέλα βαθιάς μάθησης στα ίδια δείγματα για να επιβεβαιωθεί εάν η τεχνητή νοημοσύνη μπορεί να ξεπεράσει αυτές τις φυλετικές ανισότητες σε περιορισμένη ηλικία. αξιολογήσεις.
Δείχνουμε ότι οι παραδοσιακές μέθοδοι μπορούν να αντικατασταθούν από την εκτίμηση της ηλικίας με βάση το μοντέλο DM στην πρακτική εκτίμησης της εγκληματολογικής ηλικίας στην Κορέα. Ανακαλύψαμε επίσης τη δυνατότητα εφαρμογής μηχανικής μάθησης για την αξιολόγηση της εγκληματολογικής ηλικίας. Ωστόσο, υπάρχουν σαφείς περιορισμοί, όπως ο ανεπαρκής αριθμός συμμετεχόντων σε αυτή τη μελέτη για τον καθορισμό των αποτελεσμάτων και την έλλειψη προηγούμενων μελετών για τη σύγκριση και την επιβεβαίωση των αποτελεσμάτων αυτής της μελέτης. Στο μέλλον, οι μελέτες DM θα πρέπει να διεξάγονται με μεγαλύτερο αριθμό δειγμάτων και πιο ποικίλους πληθυσμούς για να βελτιωθεί η πρακτική του δυνατότητα εφαρμογής σε σύγκριση με τις παραδοσιακές μεθόδους. Για να επικυρωθεί η σκοπιμότητα χρήσης της τεχνητής νοημοσύνης για την εκτίμηση της ηλικίας σε πολλαπλούς πληθυσμούς, απαιτούνται μελλοντικές μελέτες για τη σύγκριση της ακρίβειας ταξινόμησης και της αποτελεσματικότητας των μοντέλων DM και βαθιάς μάθησης με παραδοσιακές μεθόδους στα ίδια δείγματα.
Η μελέτη χρησιμοποίησε 2.657 ορθογραφικές φωτογραφίες που συλλέχθηκαν από κορεάτες και ιαπωνικούς ενήλικες ηλικίας 15 έως 23 ετών. Οι κορεατικές ακτινογραφίες χωρίστηκαν σε 900 σετ εκπαίδευσης (19,42 ± 2,65 έτη) και 900 εσωτερικά σύνολα δοκιμών (19,52 ± 2,59 έτη). Το σετ κατάρτισης συλλέχθηκε σε ένα ίδρυμα (νοσοκομείο της Σεούλ St. Mary's) και το δικό του δοκιμαστικό σετ συλλέχθηκε σε δύο ιδρύματα (Νοσοκομείο Οδοντιατρικού Πανεπιστημίου της Σεούλ και Νοσοκομείο του Πανεπιστημίου Yonsei). Συλλέξαμε επίσης 857 ακτινογραφίες από άλλα δεδομένα που βασίζονται στον πληθυσμό (IWATE Medical University, Ιαπωνία) για εξωτερικές δοκιμές. Οι ακτινογραφίες των ιαπωνικών ατόμων (19,31 ± 2,60 έτη) επιλέχθηκαν ως το εξωτερικό σύνολο δοκιμών. Τα δεδομένα συλλέχθηκαν αναδρομικά για την ανάλυση των σταδίων της οδοντικής ανάπτυξης σε πανοραμικές ακτινογραφίες που ελήφθησαν κατά τη διάρκεια της οδοντικής θεραπείας. Όλα τα δεδομένα που συλλέχθηκαν ήταν ανώνυμα εκτός από το φύλο, την ημερομηνία γέννησης και την ημερομηνία της ακτινογραφίας. Τα κριτήρια συμπερίληψης και αποκλεισμού ήταν τα ίδια όπως προηγουμένως δημοσιευμένες μελέτες 4, 5. Η πραγματική ηλικία του δείγματος υπολογίστηκε αφαιρώντας την ημερομηνία γέννησης από την ημερομηνία λήφθηκε η ακτινογραφία. Η ομάδα δείγματος χωρίστηκε σε εννέα ηλικιακές ομάδες. Οι διανομές ηλικίας και φύλου παρουσιάζονται στον Πίνακα 3 η μελέτη αυτή διεξήχθη σύμφωνα με τη Διακήρυξη του Ελσίνκι και εγκρίθηκε από το Συμβούλιο Θεσμικής Ανασκόπησης (IRB) του Νοσοκομείου της Σεούλ Μαρίας του Καθολικού Πανεπιστημίου της Κορέας (KC22WISI0328). Λόγω του αναδρομικού σχεδιασμού αυτής της μελέτης, η ενημερωμένη συγκατάθεση δεν μπορούσε να ληφθεί από όλους τους ασθενείς που υποβάλλονται σε ακτινογραφική εξέταση για θεραπευτικούς σκοπούς. Το Πανεπιστήμιο της Κορέας της Κορέας (IRB) της Σεούλ Κορέας παραιτήθηκε από την απαίτηση για ενημερωμένη συγκατάθεση.
Τα αναπτυξιακά στάδια των διμαξιακών δεύτερων και τρίτων γομφίων αξιολογήθηκαν σύμφωνα με τα κριτήρια Demircan25. Μόνο ένα δόντι επιλέχθηκε εάν ο ίδιος τύπος δοντιού βρέθηκε στις αριστερές και τις δεξίες πλευρών κάθε γνάθου. Εάν τα ομόλογα δόντια και στις δύο πλευρές βρίσκονταν σε διαφορετικά αναπτυξιακά στάδια, το δόντι με το χαμηλότερο αναπτυξιακό στάδιο επιλέχθηκε για να ληφθεί υπόψη η αβεβαιότητα στην εκτιμώμενη ηλικία. Εκατό τυχαία επιλεγμένες ακτινογραφίες από το σετ κατάρτισης βαθμολογήθηκαν από δύο έμπειρους παρατηρητές για να δοκιμαστούν η αξιοπιστία του interobserver μετά από προ -Αξιολόγηση για τον προσδιορισμό του σταδίου οδοντικής ωριμότητας. Η αξιοπιστία της ενδοεπιχειρησιακής αξιοπιστίας αξιολογήθηκε δύο φορές σε διαστήματα τριών μηνών από τον κύριο παρατηρητή.
Το φύλο και το αναπτυξιακό στάδιο του δεύτερου και του τρίτου γομφίου κάθε γνάθου στο σετ εκπαίδευσης εκτιμήθηκαν από έναν πρωταρχικό παρατηρητή που εκπαιδεύτηκε με διαφορετικά μοντέλα DM και η πραγματική ηλικία ορίστηκε ως τιμή στόχου. Τα μοντέλα SLP και MLP, τα οποία χρησιμοποιούνται ευρέως στη μηχανική μάθηση, δοκιμάστηκαν κατά των αλγορίθμων παλινδρόμησης. Το μοντέλο DM συνδυάζει γραμμικές λειτουργίες χρησιμοποιώντας τα αναπτυξιακά στάδια των τεσσάρων δοντιών και συνδυάζει αυτά τα δεδομένα για την εκτίμηση της ηλικίας. Το SLP είναι το απλούστερο νευρωνικό δίκτυο και δεν περιέχει κρυφά στρώματα. Το SLP λειτουργεί με βάση τη μετάδοση κατωφλίου μεταξύ κόμβων. Το μοντέλο SLP στην παλινδρόμηση είναι μαθηματικά παρόμοιο με την πολλαπλή γραμμική παλινδρόμηση. Σε αντίθεση με το μοντέλο SLP, το μοντέλο MLP έχει πολλαπλά κρυμμένα στρώματα με μη γραμμικές λειτουργίες ενεργοποίησης. Τα πειράματά μας χρησιμοποίησαν ένα κρυφό στρώμα με μόνο 20 κρυμμένους κόμβους με μη γραμμικές λειτουργίες ενεργοποίησης. Χρησιμοποιήστε την κάθοδο κλίσης ως τη μέθοδο βελτιστοποίησης και το MAE και το RMSE ως συνάρτηση απώλειας για να εκπαιδεύσετε το μοντέλο μηχανικής μάθησης. Το καλύτερο μοντέλο παλινδρόμησης εφαρμόστηκε στα εσωτερικά και εξωτερικά σύνολα δοκιμών και εκτιμήθηκε η ηλικία των δοντιών.
Αναπτύχθηκε ένας αλγόριθμος ταξινόμησης που χρησιμοποιεί την ωριμότητα των τεσσάρων δοντιών στην κατάρτιση για να προβλέψει εάν ένα δείγμα είναι 18 ετών ή όχι. Για να οικοδομήσουμε το μοντέλο, προέκυψαμε επτά αλγόριθμοι μηχανικής εκμάθησης εκπροσώπησης6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) Xgboost και (7) MLP . Το LR είναι ένας από τους πιο ευρέως χρησιμοποιούμενους αλγόριθμους ταξινόμησης44. Πρόκειται για έναν εποπτευόμενο αλγόριθμο μάθησης που χρησιμοποιεί παλινδρόμηση για να προβλέψει την πιθανότητα δεδομένων που ανήκουν σε μια συγκεκριμένη κατηγορία από 0 έως 1 και ταξινομεί τα δεδομένα ότι ανήκουν σε μια πιο πιθανή κατηγορία βάσει αυτής της πιθανότητας. χρησιμοποιείται κυρίως για δυαδική ταξινόμηση. Το KNN είναι ένας από τους απλούστερους αλγόριθμους μηχανικής μάθησης45. Όταν δοθούν νέα δεδομένα εισόδου, βρίσκει δεδομένα K κοντά στο υπάρχον σύνολο και στη συνέχεια τα ταξινομεί στην κλάση με την υψηλότερη συχνότητα. Ορίσαμε 3 για τον αριθμό των γειτόνων που εξετάστηκαν (k). Το SVM είναι ένας αλγόριθμος που μεγιστοποιεί την απόσταση μεταξύ δύο κατηγοριών χρησιμοποιώντας μια λειτουργία πυρήνα για να επεκτείνει τον γραμμικό χώρο σε έναν μη γραμμικό χώρο που ονομάζεται Fields46. Για αυτό το μοντέλο, χρησιμοποιούμε προκατάληψη = 1, ισχύ = 1 και γάμμα = 1 ως υπερπαραμετρικά για τον πολυώνυμο πυρήνα. Το DT έχει εφαρμοστεί σε διάφορους τομείς ως αλγόριθμος για τη διαίρεση ενός ολόκληρου συνόλου δεδομένων σε διάφορες υποομάδες, αντιπροσωπεύοντας κανόνες αποφάσεων σε δομή δέντρου47. Το μοντέλο έχει ρυθμιστεί με έναν ελάχιστο αριθμό εγγραφών ανά κόμβο 2 και χρησιμοποιεί τον δείκτη Gini ως μέτρο ποιότητας. Το RF είναι μια μέθοδος συγκροτήματος που συνδυάζει πολλαπλές DTs για να βελτιώσει την απόδοση χρησιμοποιώντας μια μέθοδο συσσωμάτωσης bootstrap που δημιουργεί έναν αδύναμο ταξινομητή για κάθε δείγμα, τραβώντας τυχαία δείγματα του ίδιου μεγέθους πολλές φορές από το αρχικό σύνολο δεδομένων48. Χρησιμοποιήσαμε 100 δέντρα, 10 βάθη δέντρων, 1 ελάχιστο μέγεθος κόμβου και δείκτη πρόσμιξης Gini ως κριτήρια διαχωρισμού κόμβων. Η ταξινόμηση νέων δεδομένων καθορίζεται με πλειοψηφία. Το XGBOOST είναι ένας αλγόριθμος που συνδυάζει τεχνικές ενίσχυσης χρησιμοποιώντας μια μέθοδο που λαμβάνει ως δεδομένα εκπαίδευσης το σφάλμα μεταξύ των πραγματικών και των προβλεπόμενων τιμών του προηγούμενου μοντέλου και αυξάνει το σφάλμα χρησιμοποιώντας κλίση49. Είναι ένας ευρέως χρησιμοποιούμενος αλγόριθμος λόγω της καλής απόδοσης και της αποδοτικότητας των πόρων του, καθώς και η υψηλή αξιοπιστία ως λειτουργία διόρθωσης υπερφόρτωσης. Το μοντέλο είναι εξοπλισμένο με 400 τροχούς υποστήριξης. Το MLP είναι ένα νευρωνικό δίκτυο στο οποίο ένα ή περισσότερα perceptrons σχηματίζουν πολλαπλά στρώματα με ένα ή περισσότερα κρυμμένα στρώματα μεταξύ των στρωμάτων εισόδου και εξόδου38. Χρησιμοποιώντας αυτό, μπορείτε να εκτελέσετε μη γραμμική ταξινόμηση όπου όταν προσθέτετε ένα στρώμα εισόδου και να πάρετε μια τιμή αποτελεσμάτων, η προβλεπόμενη τιμή αποτελεσμάτων συγκρίνεται με την πραγματική τιμή αποτελεσμάτων και το σφάλμα διαδίδεται πίσω. Δημιουργήσαμε ένα κρυφό στρώμα με 20 κρυμμένους νευρώνες σε κάθε στρώμα. Κάθε μοντέλο που αναπτύξαμε εφαρμόστηκε σε εσωτερικά και εξωτερικά σύνολα για να δοκιμάσει την απόδοση ταξινόμησης υπολογίζοντας την ευαισθησία, την εξειδίκευση, το PPV, το NPV και το AUROC. Η ευαισθησία ορίζεται ως ο λόγος ενός δείγματος που εκτιμάται ότι είναι 18 ετών και άνω σε δείγμα που εκτιμάται ότι είναι 18 ετών και άνω. Η εξειδίκευση είναι το ποσοστό των δειγμάτων κάτω των 18 ετών και εκείνα που εκτιμάται ότι είναι κάτω των 18 ετών.
Τα οδοντικά στάδια που αξιολογήθηκαν στο σετ κατάρτισης μετατράπηκαν σε αριθμητικά στάδια για στατιστική ανάλυση. Η πολυπαραγοντική γραμμική και λογιστική παλινδρόμηση πραγματοποιήθηκε για να αναπτυχθούν προγνωστικά μοντέλα για κάθε φύλο και να αντλήσουν τύποι παλινδρόμησης που μπορούν να χρησιμοποιηθούν για την εκτίμηση της ηλικίας. Χρησιμοποιήσαμε αυτούς τους τύπους για να εκτιμήσουμε την εποχή των δοντιών τόσο για εσωτερικά όσο και για εξωτερικούς συνόλους δοκιμών. Ο Πίνακας 4 δείχνει τα μοντέλα παλινδρόμησης και ταξινόμησης που χρησιμοποιούνται σε αυτή τη μελέτη.
Η αξιοπιστία των ενδο-και μεταξύ των παραβιάσεων υπολογίστηκε χρησιμοποιώντας στατιστικά στοιχεία Kappa της Cohen. Για να ελέγξουμε την ακρίβεια του DM και των παραδοσιακών μοντέλων παλινδρόμησης, υπολογίσαμε το MAE και το RMSE χρησιμοποιώντας τις εκτιμώμενες και πραγματικές ηλικίες των εσωτερικών και εξωτερικών συνόλων δοκιμών. Αυτά τα σφάλματα χρησιμοποιούνται συνήθως για την αξιολόγηση της ακρίβειας των προβλέψεων μοντέλων. Όσο μικρότερο είναι το σφάλμα, τόσο υψηλότερη είναι η ακρίβεια της πρόβλεψης24. Συγκρίνετε το MAE και το RMSE εσωτερικών και εξωτερικών συνόλων δοκιμών που υπολογίζονται χρησιμοποιώντας DM και παραδοσιακή παλινδρόμηση. Η απόδοση ταξινόμησης της 18ετούς αποκοπής στις παραδοσιακές στατιστικές αξιολογήθηκε χρησιμοποιώντας έναν πίνακα έκτακτης ανάγκης 2 × 2. Η υπολογιζόμενη ευαισθησία, η εξειδίκευση, το PPV, το NPV και το AUROC του συνόλου δοκιμών συγκρίθηκαν με τις μετρούμενες τιμές του μοντέλου ταξινόμησης DM. Τα δεδομένα εκφράζονται ως μέση ± τυπική απόκλιση ή αριθμός (%) ανάλογα με τα χαρακτηριστικά των δεδομένων. Οι τιμές P δύο όψεων <0,05 θεωρήθηκαν στατιστικά σημαντικές. Όλες οι συνήθεις στατιστικές αναλύσεις πραγματοποιήθηκαν χρησιμοποιώντας SAS έκδοση 9.4 (SAS Institute, Cary, NC). Το μοντέλο παλινδρόμησης DM εφαρμόστηκε στην Python χρησιμοποιώντας το KERAS50 2.2.4 Backend και TensorFlow51 1.8.0 ειδικά για μαθηματικές λειτουργίες. Το μοντέλο ταξινόμησης DM εφαρμόστηκε στο περιβάλλον ανάλυσης γνώσεων Waikato και στην πλατφόρμα ανάλυσης Konstanz Information Miner (KNIME) 4.6.152.
Οι συγγραφείς αναγνωρίζουν ότι τα δεδομένα που υποστηρίζουν τα συμπεράσματα της μελέτης μπορούν να βρεθούν στο άρθρο και στα συμπληρωματικά υλικά. Τα σύνολα δεδομένων που δημιουργούνται ή/και αναλύθηκαν κατά τη διάρκεια της μελέτης είναι διαθέσιμα από τον αντίστοιχο συγγραφέα κατόπιν εύλογης αίτησης.
Ritz-Timme, S. et αϊ. Αξιολόγηση ηλικίας: Η κατάσταση της τεχνολογίας για την κάλυψη των ειδικών απαιτήσεων της εγκληματολογικής πρακτικής. Διεθνής. J. Νομική Ιατρική. 113, 129-136 (2000).
Schmeling, Α., Reisinger, W., Geserik, G., and Olze, Α. Τρέχουσα κατάσταση της αξιολόγησης της εγκληματολογικής ηλικίας των ζωντανών θεμάτων για ποινικές δίωξης. Ιατροδικαστική. φάρμακο. Παθολογία. 1, 239-246 (2005).
PAN, J. et αϊ. Μια τροποποιημένη μέθοδος για την αξιολόγηση της οδοντικής εποχής των παιδιών ηλικίας 5 έως 16 ετών στην ανατολική Κίνα. κλινικός. Προφορική έρευνα. 25, 3463-3474 (2021).
Lee, SS κ.λπ. Χρονολογία της ανάπτυξης του δεύτερου και τρίτου γομφίου στους Κορεάτες και της αίτησής της για την αξιολόγηση της εγκληματολογικής ηλικίας. Διεθνής. J. Νομική Ιατρική. 124, 659-665 (2010).
OH, S., Kumagai, Α., Kim, Sy και Lee, SS ακρίβεια της εκτίμησης και εκτίμησης της ηλικίας του 18ετούς κατώτατου ορίου με βάση την ωριμότητα του δεύτερου και του τρίτου γομφίου στους Κορεάτες και τους Ιαπωνικούς. PLOS ONE 17, E0271247 (2022).
Kim, JY, et αϊ. Η προεγχειρητική ανάλυση δεδομένων που βασίζεται στη μηχανική μάθηση μπορεί να προβλέψει την έκβαση της χειρουργικής επέμβασης στον ύπνο σε ασθενείς με OSA. η επιστήμη. Έκθεση 11, 14911 (2021).
Han, Μ. Et αϊ. Ακριβής εκτίμηση ηλικίας από τη μηχανική μάθηση με ή χωρίς ανθρώπινη παρέμβαση; Διεθνής. J. Νομική Ιατρική. 136, 821-831 (2022).
Khan, S. και Shaheen, Μ. Από την εξόρυξη δεδομένων έως την εξόρυξη δεδομένων. J.Information. η επιστήμη. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. και Shaheen, Μ. Wisrule: Ο πρώτος γνωστικός αλγόριθμος για την εξόρυξη κανόνων σύνδεσης. J.Information. η επιστήμη. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. και Abdullah U. Karm: Παραδοσιακή εξόρυξη δεδομένων με βάση τους κανόνες σύνδεσης που βασίζονται σε περιβάλλον. υπολογίζω. Ματ. συνεχίζω. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen Μ., Khan Μ. Και Habib M. Ανίχνευση σημασιολογικής ομοιότητας με βάση τη βαθιά μάθηση χρησιμοποιώντας δεδομένα κειμένου. πληροφορώ. Τεχνολογίες. έλεγχος. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., και Shahin, Μ. Ένα σύστημα για την αναγνώριση της δραστηριότητας σε αθλητικά βίντεο. πολυμέσων. Εργαλεία Εφαρμογές https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et αϊ. RSNA Machine Learning Challenge στην παιδιατρική ηλικία των οστών. Ακτινολογία 290, 498-503 (2019).
Li, Υ. Et αϊ. Εκτίμηση εγκληματολογικής ηλικίας από τις ακτίνες Χ της πυέλου χρησιμοποιώντας βαθιά μάθηση. ΕΥΡΩ. ακτινοβολία. 29, 2322-2329 (2019).
Guo, YC, et αϊ. Ακριβής ταξινόμηση ηλικίας χρησιμοποιώντας χειροκίνητες μεθόδους και βαθιά συνελικτικά νευρωνικά δίκτυα από εικόνες ορθογραφικής προβολής. Διεθνής. J. Νομική Ιατρική. 135, 1589-1597 (2021).
Αλαμπάμα Dalora et αϊ. Εκτίμηση της ηλικίας των οστών Χρησιμοποιώντας διαφορετικές μεθόδους εκμάθησης μηχανών: μια συστηματική ανασκόπηση της βιβλιογραφίας και μετα-ανάλυση. PLOS ONE 14, E0220242 (2019).
Du, H., Li, G., Cheng, Κ., And Yang, J. Εκτίμηση ηλικίας ειδικών για τον πληθυσμό των Αφροαμερικανών και των Κινέζων με βάση τους όγκους του θαλάμου χαρτοπολτού των πρώτων γομφίων χρησιμοποιώντας υπολογιστική τομογραφία κώνου. Διεθνής. J. Νομική Ιατρική. 136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK και OH KS που καθορίζουν ηλικιακές ομάδες ζωντανών ανθρώπων που χρησιμοποιούν εικόνες τεχνητής νοημοσύνης πρώτων γομφίων. η επιστήμη. Έκθεση 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, Ν., Και Urschler, Μ. Εκτύπωση αυτόματης ηλικίας και κατάταξη ηλικίας από πολυπαραγοντικά δεδομένα μαγνητικής τομογραφίας. IEEE J. Biomed. Ειδοποιήσεις για την υγεία. 23, 1392-1403 (2019).
Cheng, Q., Ge, Z., Du, Η. And Li, G. Εκτίμηση ηλικίας που βασίζεται στην τμηματοποίηση του θάλαμου 3D θάλαμο των πρώτων γομφίων από την υπολογιστική τομογραφία της δέσμης κώνου ενσωματώνοντας σύνολα βαθιάς μάθησης και επιπέδων. Διεθνής. J. Νομική Ιατρική. 135, 365-373 (2021).
Wu, WT, et αϊ. Εξόρυξη δεδομένων σε κλινικά μεγάλα δεδομένα: κοινές βάσεις δεδομένων, βήματα και μοντέλα μεθόδων. Κόσμος. φάρμακο. πόρος. 8, 44 (2021).
Yang, J. et αϊ. Εισαγωγή στις ιατρικές βάσεις δεδομένων και τις τεχνολογίες εξόρυξης δεδομένων στην εποχή των μεγάλων δεδομένων. J. Avid. Βασικό φάρμακο. 13, 57-69 (2020).
Shen, S. et αϊ. Μέθοδος του κάμερα για την εκτίμηση της εποχής των δοντιών χρησιμοποιώντας μηχανική μάθηση. BMC Oral Health 21, 641 (2021).
Galliburg Α. Et αϊ. Σύγκριση διαφορετικών μεθόδων μηχανικής μάθησης για την πρόβλεψη της οδοντικής εποχής χρησιμοποιώντας τη μέθοδο Demirdjian σταδιοποίησης. Διεθνής. J. Νομική Ιατρική. 135, 665-675 (2021).
Demirdjian, Α., Goldstein, Η. Και Tanner, JM Ένα νέο σύστημα για την αξιολόγηση της οδοντικής εποχής. φύσημα. βιολογία. 45, 211-227 (1973).
Landis, JR και Koch, GG Μέτρα συμφωνίας παρατηρητών σε κατηγορηματικά δεδομένα. Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim ΗΚ και Choi HK. Υφαντική, μορφολογική και στατιστική ανάλυση της δισδιάστατης απεικόνισης μαγνητικού συντονισμού χρησιμοποιώντας τεχνικές τεχνολογικής νοημοσύνης για τη διαφοροποίηση των πρωτογενών όγκων του εγκεφάλου. Πληροφορίες για την υγεία. πόρος. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Χρόνος δημοσίευσης: Ιαν-04-2024