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 να απενεργοποιήσετε τη λειτουργία συμβατότητας στον Internet Explorer). Εν τω μεταξύ, για να διασφαλίσουμε τη συνεχή υποστήριξη, εμφανίζουμε τον ιστότοπο χωρίς στυλ ή JavaScript.
Τα δόντια θεωρούνται ο πιο ακριβής δείκτης της ηλικίας του ανθρώπινου σώματος και χρησιμοποιούνται συχνά στην εγκληματολογική αξιολόγηση της ηλικίας. Στόχος μας ήταν να επικυρώσουμε τις εκτιμήσεις της οδοντικής ηλικίας που βασίζονται στην εξόρυξη δεδομένων, συγκρίνοντας την ακρίβεια εκτίμησης και την απόδοση ταξινόμησης του ορίου των 18 ετών με τις παραδοσιακές μεθόδους και τις εκτιμήσεις ηλικίας που βασίζονται στην εξόρυξη δεδομένων. Συνολικά συλλέχθηκαν 2657 πανοραμικές ακτινογραφίες από Κορεάτες και Ιάπωνες πολίτες ηλικίας 15 έως 23 ετών. Χωρίστηκαν σε ένα σύνολο εκπαίδευσης, το καθένα από τα οποία περιείχε 900 κορεατικές ακτινογραφίες, και ένα εσωτερικό σύνολο δοκιμών που περιείχε 857 ιαπωνικές ακτινογραφίες. Συγκρίναμε την ακρίβεια και την αποτελεσματικότητα της ταξινόμησης 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 (μέσο απόλυτο σφάλμα <0,21 έτη, μέσο τετραγωνικό σφάλμα ρίζας <0,24 έτη). Η απόδοση ταξινόμησης για το όριο των 18 ετών 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 εκτέλεση εγκληματολογικής αξιολόγησης ηλικίας χρησιμοποιώντας την ωριμότητα του δεύτερου και τρίτου γομφίου σε Κορεάτες εφήβους και νεαρούς ενήλικες.
Η εκτίμηση της οδοντικής ηλικίας χρησιμοποιείται ευρέως στην ιατροδικαστική και την παιδοδοντιατρική. Συγκεκριμένα, λόγω της υψηλής συσχέτισης μεταξύ χρονολογικής ηλικίας και οδοντικής ανάπτυξης, η εκτίμηση της ηλικίας ανά στάδια οδοντικής ανάπτυξης αποτελεί σημαντικό κριτήριο για την εκτίμηση της ηλικίας των παιδιών και των εφήβων1,2,3. Ωστόσο, για τους νέους, η εκτίμηση της οδοντικής ηλικίας με βάση την οδοντική ωριμότητα έχει τους περιορισμούς της, επειδή η οδοντική ανάπτυξη είναι σχεδόν πλήρης, με εξαίρεση τους τρίτους γομφίους. Ο νομικός σκοπός του προσδιορισμού της ηλικίας των νέων και των εφήβων είναι η παροχή ακριβών εκτιμήσεων και επιστημονικών στοιχείων για το εάν έχουν ενηλικιωθεί. Στην ιατροδικαστική πρακτική των εφήβων και των νεαρών ενηλίκων στην Κορέα, η ηλικία εκτιμήθηκε χρησιμοποιώντας τη μέθοδο Lee και προβλέφθηκε ένα νόμιμο όριο 18 ετών με βάση τα δεδομένα που αναφέρθηκαν από τους Oh et al5.
Η μηχανική μάθηση είναι ένας τύπος τεχνητής νοημοσύνης (ΤΝ) που μαθαίνει και ταξινομεί επανειλημμένα μεγάλες ποσότητες δεδομένων, λύνει προβλήματα μόνη της και καθοδηγεί τον προγραμματισμό δεδομένων. Η μηχανική μάθηση μπορεί να ανακαλύψει χρήσιμα κρυμμένα μοτίβα σε μεγάλους όγκους δεδομένων6. Αντίθετα, οι κλασικές μέθοδοι, οι οποίες απαιτούν πολλή εργασία και είναι χρονοβόρες, ενδέχεται να έχουν περιορισμούς όταν ασχολούνται με μεγάλους όγκους σύνθετων δεδομένων που είναι δύσκολο να υποστούν χειροκίνητη επεξεργασία7. Επομένως, έχουν διεξαχθεί πρόσφατα πολλές μελέτες χρησιμοποιώντας τις πιο πρόσφατες 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 ιατρικών εικόνων και έχουν αναφερθεί διάφορες μέθοδοι για την εκτίμηση ηλικίας με αυτόματη ανάλυση ακτινογραφιών που βελτιώνουν την ακρίβεια και την αποτελεσματικότητα της εκτίμησης ηλικίας13,14,15,16,17,18,19,20. Για παράδειγμα, οι Halabi et al13 ανέπτυξαν έναν αλγόριθμο μηχανικής μάθησης βασισμένο σε συνελικτικά νευρωνικά δίκτυα (CNN) για την εκτίμηση της σκελετικής ηλικίας χρησιμοποιώντας ακτινογραφίες χεριών παιδιών. Αυτή η μελέτη προτείνει ένα μοντέλο που εφαρμόζει τη μηχανική μάθηση σε ιατρικές εικόνες και δείχνει ότι αυτές οι μέθοδοι μπορούν να βελτιώσουν την διαγνωστική ακρίβεια. Οι Li et al14 εκτίμησαν την ηλικία από εικόνες ακτίνων Χ πυέλου χρησιμοποιώντας ένα CNN βαθιάς μάθησης και τα συνέκριναν με αποτελέσματα παλινδρόμησης χρησιμοποιώντας εκτίμηση σταδίου οστεοποίησης. Διαπίστωσαν ότι το μοντέλο CNN βαθιάς μάθησης έδειξε την ίδια απόδοση εκτίμησης ηλικίας με το παραδοσιακό μοντέλο παλινδρόμησης. Η μελέτη των Guo et al. [15] αξιολόγησε την απόδοση ταξινόμησης ανοχής ηλικίας της τεχνολογίας CNN με βάση οδοντιατρικές ορθοφωτογραφίες και τα αποτελέσματα του μοντέλου CNN απέδειξαν ότι οι άνθρωποι ξεπέρασαν την απόδοση ταξινόμησης ηλικίας.
Οι περισσότερες μελέτες σχετικά με την εκτίμηση ηλικίας χρησιμοποιώντας μηχανική μάθηση χρησιμοποιούν μεθόδους βαθιάς μάθησης13,14,15,16,17,18,19,20. Η εκτίμηση ηλικίας που βασίζεται στη βαθιά μάθηση αναφέρεται ότι είναι ακριβέστερη από τις παραδοσιακές μεθόδους. Ωστόσο, αυτή η προσέγγιση παρέχει λίγες ευκαιρίες να παρουσιαστεί η επιστημονική βάση για τις εκτιμήσεις ηλικίας, όπως οι δείκτες ηλικίας που χρησιμοποιούνται στις εκτιμήσεις. Υπάρχει επίσης μια νομική διαμάχη σχετικά με το ποιος διεξάγει τους ελέγχους. Επομένως, η εκτίμηση ηλικίας που βασίζεται στη βαθιά μάθηση είναι δύσκολο να γίνει αποδεκτή από τις διοικητικές και δικαστικές αρχές. Η εξόρυξη δεδομένων (DM) είναι μια τεχνική που μπορεί να ανακαλύψει όχι μόνο αναμενόμενες αλλά και απροσδόκητες πληροφορίες ως μέθοδος για την ανακάλυψη χρήσιμων συσχετίσεων 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 βασικούς αλγόριθμους για να ανακαλύψουν μοτίβα στα δεδομένα. Η εκτίμηση ηλικίας χρησιμοποιώντας οδοντιατρική ανάπτυξη βασίζεται στην αξιολόγηση του εξεταστή για την ωριμότητα των δοντιών-στόχων και αυτή η αξιολόγηση εκφράζεται ως στάδιο για κάθε δόντι-στόχο. Η DM μπορεί να χρησιμοποιηθεί για την ανάλυση της συσχέτισης μεταξύ του σταδίου οδοντιατρικής αξιολόγησης και της πραγματικής ηλικίας και έχει τη δυνατότητα να αντικαταστήσει την παραδοσιακή στατιστική ανάλυση. Επομένως, αν εφαρμόσουμε τεχνικές DM στην εκτίμηση ηλικίας, μπορούμε να εφαρμόσουμε μηχανική μάθηση στην εγκληματολογική εκτίμηση ηλικίας χωρίς να ανησυχούμε για νομική ευθύνη. Έχουν δημοσιευτεί αρκετές συγκριτικές μελέτες σχετικά με πιθανές εναλλακτικές λύσεις σε σχέση με τις παραδοσιακές χειροκίνητες μεθόδους που χρησιμοποιούνται στην εγκληματολογική πρακτική και τις μεθόδους που βασίζονται στην EBM για τον προσδιορισμό της οδοντικής ηλικίας. Οι Shen et al23 έδειξαν ότι το μοντέλο DM είναι πιο ακριβές από τον παραδοσιακό τύπο Camerer. Οι Galibourg et al24 εφάρμοσαν διαφορετικές μεθόδους DM για την πρόβλεψη της ηλικίας σύμφωνα με το κριτήριο Demirdjian25 και τα αποτελέσματα έδειξαν ότι η μέθοδος DM ξεπέρασε τις μεθόδους Demirdjian και Willems στην εκτίμηση της ηλικίας του γαλλικού πληθυσμού.
Για την εκτίμηση της οδοντικής ηλικίας των Κορεατών εφήβων και νεαρών ενηλίκων, η μέθοδος 4 του Lee χρησιμοποιείται ευρέως στην κορεατική ιατροδικαστική πρακτική. Αυτή η μέθοδος χρησιμοποιεί παραδοσιακή στατιστική ανάλυση (όπως πολλαπλή παλινδρόμηση) για να εξετάσει τη σχέση μεταξύ των Κορεατών υποκειμένων και της χρονολογικής ηλικίας. Σε αυτή τη μελέτη, οι μέθοδοι εκτίμησης ηλικίας που λαμβάνονται χρησιμοποιώντας παραδοσιακές στατιστικές μεθόδους ορίζονται ως «παραδοσιακές μέθοδοι». 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 με βάση το μοντέλο DM στην κορεατική ιατροδικαστική πρακτική εξακολουθεί να είναι αμφισβητήσιμη. Στόχος μας ήταν να επικυρώσουμε επιστημονικά τη δυνητική χρησιμότητα της εκτίμησης ηλικίας με βάση το μοντέλο DM. Σκοπός της παρούσας μελέτης ήταν (1) να συγκρίνουμε την ακρίβεια δύο μοντέλων DM στην εκτίμηση της οδοντικής ηλικίας και (2) να συγκρίνουμε την απόδοση ταξινόμησης 7 μοντέλων DM στην ηλικία των 18 ετών με εκείνα που λαμβάνονται χρησιμοποιώντας παραδοσιακές στατιστικές μεθόδους. Ωριμότητα δεύτερου και τρίτου γομφίου και στις δύο γνάθους.
Οι μέσοι όροι και οι τυπικές αποκλίσεις της χρονολογικής ηλικίας ανά στάδιο και τύπο δοντιού παρουσιάζονται ηλεκτρονικά στον Συμπληρωματικό Πίνακα S1 (σύνολο εκπαίδευσης), στον Συμπληρωματικό Πίνακα S2 (σύνολο εσωτερικών δοκιμών) και στον Συμπληρωματικό Πίνακα S3 (σύνολο εξωτερικών δοκιμών). Οι τιμές κάππα για την αξιοπιστία εντός και μεταξύ παρατηρητών που ελήφθησαν από το σύνολο εκπαίδευσης ήταν 0,951 και 0,947, αντίστοιχα. Οι τιμές P και τα διαστήματα εμπιστοσύνης 95% για τις τιμές κάππα παρουσιάζονται στον ηλεκτρονικό συμπληρωματικό πίνακα S4. Η τιμή κάππα ερμηνεύτηκε ως «σχεδόν τέλεια», σύμφωνα με τα κριτήρια των Landis και Koch26.
Κατά τη σύγκριση του μέσου απόλυτου σφάλματος (MAE), η παραδοσιακή μέθοδος υπερτερεί ελαφρώς του μοντέλου DM για όλα τα φύλα και στο εξωτερικό σύνολο δοκιμών ανδρών, με εξαίρεση το πολυστρωματικό 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 συστοιχία δοκιμών, 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 εσωτερικό σύνολο δοκιμών ανδρών και 0,03–0,07, 0,04–0,08 για το εξωτερικό σύνολο δοκιμών). Το MLP δείχνει ελαφρώς καλύτερη απόδοση από το Μονοστρωματικό Perceptron (SLP), εκτός από την περίπτωση του εξωτερικού συνόλου δοκιμών γυναικών. Για τα MAE και RMSE, το σύνολο εξωτερικών δοκιμών βαθμολογείται υψηλότερα από το σύνολο εσωτερικών δοκιμών για όλα τα φύλα και τα μοντέλα. Όλα τα MAE και RMSE παρουσιάζονται στον Πίνακα 1 και στο Σχήμα 1.
MAE και RMSE παραδοσιακών μοντέλων και μοντέλων παλινδρόμησης εξόρυξης δεδομένων. Μέσο απόλυτο σφάλμα MAE, μέσο τετραγωνικό σφάλμα ρίζας RMSE, μονοστρωματικό perceptron SLP, πολυστρωματικό perceptron MLP, παραδοσιακή μέθοδος CM.
Η απόδοση ταξινόμησης (με όριο 18 ετών) των παραδοσιακών μοντέλων και των μοντέλων DM αποδείχθηκε όσον αφορά την ευαισθησία, την ειδικότητα, τη θετική προγνωστική αξία (PPV), την αρνητική προγνωστική αξία (NPV) και την περιοχή κάτω από την καμπύλη λειτουργικής χαρακτηριστικής καμπύλης του δέκτη (AUROC) 27 (Πίνακας 2, Σχήμα 2 και Συμπληρωματικό Σχήμα 1 online). Όσον αφορά την ευαισθησία της εσωτερικής συστοιχίας δοκιμών, οι παραδοσιακές μέθοδοι είχαν την καλύτερη απόδοση μεταξύ των ανδρών και τη χειρότερη μεταξύ των γυναικών. Ωστόσο, η διαφορά στην απόδοση ταξινόμησης μεταξύ των παραδοσιακών μεθόδων και της 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 ειδικότητα του εσωτερικού συνόλου δοκιμών, παρατηρήθηκε ότι τα τέσσερα μοντέλα SD είχαν καλή απόδοση στους άνδρες, ενώ το παραδοσιακό μοντέλο είχε καλύτερη απόδοση στις γυναίκες. Οι διαφορές στην απόδοση ταξινόμησης για άνδρες και γυναίκες είναι 13,3% (MLP) και 13,1% (MLP), αντίστοιχα, υποδεικνύοντας ότι η διαφορά στην απόδοση ταξινόμησης μεταξύ των μοντέλων υπερβαίνει την ευαισθησία. Μεταξύ των μοντέλων DM, τα μοντέλα μηχανής διανυσμάτων υποστήριξης (SVM), δέντρου αποφάσεων (DT) και τυχαίου δάσους (RF) είχαν την καλύτερη απόδοση μεταξύ των ανδρών, ενώ το μοντέλο LR είχε την καλύτερη απόδοση μεταξύ των γυναικών. Η AUROC του παραδοσιακού μοντέλου και όλων των μοντέλων SD ήταν μεγαλύτερη από 0,925 (k-πλησιέστερος γείτονας (KNN) σε άνδρες), επιδεικνύοντας εξαιρετική απόδοση ταξινόμησης σε δείγματα ηλικίας 18 ετών28. Για το εξωτερικό σύνολο δοκιμών, υπήρξε μείωση στην απόδοση ταξινόμησης όσον αφορά την ευαισθησία, την ειδικότητα και την AUROC σε σύγκριση με το εσωτερικό σύνολο δοκιμών. Επιπλέον, η διαφορά στην ευαισθησία και την ειδικότητα μεταξύ της απόδοσης ταξινόμησης των καλύτερων και των χειρότερων μοντέλων κυμαινόταν από 10% έως 25% και ήταν μεγαλύτερη από τη διαφορά στο εσωτερικό σύνολο δοκιμών.
Ευαισθησία και εξειδίκευση μοντέλων ταξινόμησης εξόρυξης δεδομένων σε σύγκριση με παραδοσιακές μεθόδους με αποκοπή 18 ετών. KNN k πλησιέστερος γείτονας, μηχανή διανυσματικής υποστήριξης SVM, λογιστική παλινδρόμηση LR, δέντρο αποφάσεων DT, τυχαίο δάσος RF, XGB XGBoost, πολυστρωματικό perceptron MLP, παραδοσιακή μέθοδος CM.
Το πρώτο βήμα σε αυτή τη μελέτη ήταν η σύγκριση της ακρίβειας των εκτιμήσεων της οδοντικής ηλικίας που ελήφθησαν από επτά μοντέλα ΣΔ με εκείνες που ελήφθησαν χρησιμοποιώντας την παραδοσιακή παλινδρόμηση. Οι MAE και RMSE αξιολογήθηκαν σε εσωτερικά σύνολα δοκιμών και για τα δύο φύλα, και η διαφορά μεταξύ της παραδοσιακής μεθόδου και του μοντέλου ΣΔ κυμαινόταν από 44 έως 77 ημέρες για την MAE και από 62 έως 88 ημέρες για την RMSE. Αν και η παραδοσιακή μέθοδος ήταν ελαφρώς πιο ακριβής σε αυτή τη μελέτη, είναι δύσκολο να συμπεράνουμε εάν μια τόσο μικρή διαφορά έχει κλινική ή πρακτική σημασία. Αυτά τα αποτελέσματα δείχνουν ότι η ακρίβεια της εκτίμησης της οδοντικής ηλικίας χρησιμοποιώντας το μοντέλο ΣΔ είναι σχεδόν η ίδια με αυτή της παραδοσιακής μεθόδου. Η άμεση σύγκριση με τα αποτελέσματα προηγούμενων μελετών είναι δύσκολη επειδή καμία μελέτη δεν έχει συγκρίνει την ακρίβεια των μοντέλων ΣΔ με τις παραδοσιακές στατιστικές μεθόδους που χρησιμοποιούν την ίδια τεχνική καταγραφής δοντιών στο ίδιο ηλικιακό εύρος όπως σε αυτή τη μελέτη. Οι Galibourg et al24 συνέκριναν την MAE και την RMSE μεταξύ δύο παραδοσιακών μεθόδων (μέθοδος Demirjian25 και μέθοδος Willems29) και 10 μοντέλων ΣΔ σε γαλλικό πληθυσμό ηλικίας 2 έως 24 ετών. Ανέφεραν ότι όλα τα μοντέλα DM ήταν ακριβέστερα από τις παραδοσιακές μεθόδους, με διαφορές 0,20 και 0,38 ετών στην MAE και 0,25 και 0,47 ετών στην RMSE σε σύγκριση με τις μεθόδους Willems και Demirdjian, αντίστοιχα. Η απόκλιση μεταξύ του μοντέλου SD και των παραδοσιακών μεθόδων που φαίνεται στη μελέτη Halibourg λαμβάνει υπόψη πολυάριθμες αναφορές30,31,32,33 ότι η μέθοδος Demirdjian δεν εκτιμά με ακρίβεια την οδοντική ηλικία σε πληθυσμούς εκτός από τους Γαλλοκαναδούς στους οποίους βασίστηκε η μελέτη. Σε αυτή τη μελέτη, οι Tai et al.34 χρησιμοποίησαν τον αλγόριθμο MLP για να προβλέψουν την ηλικία των δοντιών από 1636 κινεζικές ορθοδοντικές φωτογραφίες και συνέκριναν την ακρίβειά του με τα αποτελέσματα της μεθόδου Demirjian και Willems. Ανέφεραν ότι η MLP έχει υψηλότερη ακρίβεια από τις παραδοσιακές μεθόδους. Η διαφορά μεταξύ της μεθόδου Demirdjian και της παραδοσιακής μεθόδου είναι <0,32 έτη, και η μέθοδος Willems είναι 0,28 έτη, η οποία είναι παρόμοια με τα αποτελέσματα της παρούσας μελέτης. Τα αποτελέσματα αυτών των προηγούμενων μελετών24,34 συμφωνούν επίσης με τα αποτελέσματα της παρούσας μελέτης, και η ακρίβεια εκτίμησης ηλικίας του μοντέλου DM και της παραδοσιακής μεθόδου είναι παρόμοια. Ωστόσο, με βάση τα αποτελέσματα που παρουσιάστηκαν, μπορούμε μόνο με επιφύλαξη να συμπεράνουμε ότι η χρήση μοντέλων DM για την εκτίμηση της ηλικίας μπορεί να αντικαταστήσει τις υπάρχουσες μεθόδους λόγω της έλλειψης συγκριτικών και αναφορικών προηγούμενων μελετών. Απαιτούνται μελέτες παρακολούθησης που χρησιμοποιούν μεγαλύτερα δείγματα για την επιβεβαίωση των αποτελεσμάτων που ελήφθησαν σε αυτή τη μελέτη.
Μεταξύ των μελετών που εξέτασαν την ακρίβεια της SD στην εκτίμηση της οδοντικής ηλικίας, ορισμένες έδειξαν υψηλότερη ακρίβεια από τη δική μας μελέτη. Οι Stepanovsky et al 35 εφάρμοσαν 22 μοντέλα SD σε πανοραμικές ακτινογραφίες 976 Τσέχων κατοίκων ηλικίας 2,7 έως 20,5 ετών και εξέτασαν την ακρίβεια κάθε μοντέλου. Αξιολόγησαν την ανάπτυξη συνολικά 16 άνω και κάτω αριστερών μόνιμων δοντιών χρησιμοποιώντας τα κριτήρια ταξινόμησης που προτάθηκαν από τους Moorrees et al 36. Η MAE κυμαίνεται από 0,64 έως 0,94 έτη και η RMSE κυμαίνεται από 0,85 έως 1,27 έτη, τα οποία είναι ακριβέστερα από τα δύο μοντέλα DM που χρησιμοποιήθηκαν σε αυτή τη μελέτη. Οι Shen et al 23 χρησιμοποίησαν τη μέθοδο Cameriere για να εκτιμήσουν την οδοντική ηλικία επτά μόνιμων δοντιών στην αριστερή κάτω γνάθο σε κατοίκους της ανατολικής Κίνας ηλικίας 5 έως 13 ετών και τη συνέκριναν με 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. Τα MAE και RMSE στη μελέτη του Shen ήταν χαμηλότερα από αυτά στο μοντέλο DM σε αυτήν τη μελέτη. Η αυξημένη ακρίβεια των μελετών των Stepanovsky et al. 35 και Shen et al. 23 μπορεί να οφείλεται στη συμπερίληψη νεότερων ατόμων στα δείγματα της μελέτης τους. Επειδή οι εκτιμήσεις ηλικίας για τους συμμετέχοντες με αναπτυσσόμενα δόντια γίνονται πιο ακριβείς καθώς ο αριθμός των δοντιών αυξάνεται κατά την οδοντική ανάπτυξη, η ακρίβεια της προκύπτουσας μεθόδου εκτίμησης ηλικίας μπορεί να επηρεαστεί αρνητικά όταν οι συμμετέχοντες στη μελέτη είναι νεότεροι. Επιπλέον, το σφάλμα της MLP στην εκτίμηση ηλικίας είναι ελαφρώς μικρότερο από αυτό της SLP, πράγμα που σημαίνει ότι η MLP είναι ακριβέστερη από την SLP. Η MLP θεωρείται ελαφρώς καλύτερη για την εκτίμηση ηλικίας, πιθανώς λόγω των κρυφών στρωμάτων στην MLP38. Ωστόσο, υπάρχει μια εξαίρεση για το εξωτερικό δείγμα γυναικών (SLP 1,45, MLP 1,49). Το εύρημα ότι η MLP είναι ακριβέστερη από την SLP στην αξιολόγηση της ηλικίας απαιτεί πρόσθετες αναδρομικές μελέτες.
Συγκρίθηκε επίσης η απόδοση ταξινόμησης του μοντέλου DM και της παραδοσιακής μεθόδου σε ένα όριο 18 ετών. Όλα τα δοκιμασμένα μοντέλα SD και οι παραδοσιακές μέθοδοι στο εσωτερικό σύνολο δοκιμών έδειξαν πρακτικά αποδεκτά επίπεδα διάκρισης για το δείγμα 18 ετών. Η ευαισθησία για άνδρες και 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 ελέγξει την απόδοση του μοντέλου DM για 18ετή ταξινόμηση με βάση την οδοντική ωριμότητα. Μπορούμε να συγκρίνουμε τα αποτελέσματα αυτής της μελέτης με την απόδοση ταξινόμησης μοντέλων βαθιάς μάθησης σε πανοραμικές ακτινογραφίες. Οι Guo et al.15 υπολόγισαν την απόδοση ταξινόμησης ενός μοντέλου βαθιάς μάθησης που βασίζεται στο CNN και μιας χειροκίνητης μεθόδου που βασίζεται στη μέθοδο Demirjian για ένα συγκεκριμένο όριο ηλικίας. Η ευαισθησία και η ειδικότητα της χειροκίνητης μεθόδου ήταν 87,7% και 95,5% αντίστοιχα, και η ευαισθησία και η ειδικότητα του μοντέλου CNN ξεπέρασαν το 89,2% και 86,6% αντίστοιχα. Κατέληξαν στο συμπέρασμα ότι τα μοντέλα βαθιάς μάθησης μπορούν να αντικαταστήσουν ή να ξεπεράσουν την χειροκίνητη αξιολόγηση στην ταξινόμηση των ηλικιακών ορίων. Τα αποτελέσματα αυτής της μελέτης έδειξαν παρόμοια απόδοση ταξινόμησης. Πιστεύεται ότι η ταξινόμηση με χρήση μοντέλων DM μπορεί να αντικαταστήσει τις παραδοσιακές στατιστικές μεθόδους για την εκτίμηση ηλικίας. Μεταξύ των μοντέλων, το DM LR ήταν το καλύτερο μοντέλο όσον αφορά την ευαισθησία για το ανδρικό δείγμα και την ευαισθησία και την ειδικότητα για το γυναικείο δείγμα. Το LR κατατάσσεται δεύτερο σε ειδικότητα για τους άνδρες. Επιπλέον, το LR θεωρείται ένα από τα πιο φιλικά προς το χρήστη μοντέλα DM35 και είναι λιγότερο περίπλοκο και δύσκολο στην επεξεργασία. Με βάση αυτά τα αποτελέσματα, το LR θεωρήθηκε το καλύτερο μοντέλο ταξινόμησης αποκοπής για 18χρονους στον κορεατικό πληθυσμό.
Συνολικά, η ακρίβεια της εκτίμησης ηλικίας ή της απόδοσης ταξινόμησης στο εξωτερικό σύνολο δοκιμών ήταν κακή ή χαμηλότερη σε σύγκριση με τα αποτελέσματα στο εσωτερικό σύνολο δοκιμών. Ορισμένες αναφορές δείχνουν ότι η ακρίβεια ή η αποτελεσματικότητα της ταξινόμησης μειώνεται όταν οι εκτιμήσεις ηλικίας που βασίζονται στον κορεατικό πληθυσμό εφαρμόζονται στον ιαπωνικό πληθυσμό5,39, και ένα παρόμοιο μοτίβο βρέθηκε στην παρούσα μελέτη. Αυτή η τάση επιδείνωσης παρατηρήθηκε επίσης στο μοντέλο DM. Επομένως, για την ακριβή εκτίμηση της ηλικίας, ακόμη και όταν χρησιμοποιείται DM στη διαδικασία ανάλυσης, θα πρέπει να προτιμώνται μέθοδοι που προέρχονται από δεδομένα γηγενούς πληθυσμού, όπως οι παραδοσιακές μέθοδοι5,39,40,41,42. Δεδομένου ότι δεν είναι σαφές εάν τα μοντέλα βαθιάς μάθησης μπορούν να δείξουν παρόμοιες τάσεις, απαιτούνται μελέτες που συγκρίνουν την ακρίβεια και την αποτελεσματικότητα της 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 περιορισμένες αξιολογήσεις ηλικίας.
Δείχνουμε ότι οι παραδοσιακές μέθοδοι μπορούν να αντικατασταθούν από την εκτίμηση ηλικίας που βασίζεται στο μοντέλο DM στην εγκληματολογική πρακτική εκτίμησης ηλικίας στην Κορέα. Ανακαλύψαμε επίσης τη δυνατότητα εφαρμογής μηχανικής μάθησης για την εγκληματολογική εκτίμηση ηλικίας. Ωστόσο, υπάρχουν σαφείς περιορισμοί, όπως ο ανεπαρκής αριθμός συμμετεχόντων σε αυτήν τη μελέτη για τον οριστικό προσδιορισμό των αποτελεσμάτων και η 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 εφαρμογή τους σε σύγκριση με τις παραδοσιακές μεθόδους. Για να επικυρωθεί η σκοπιμότητα χρήσης τεχνητής νοημοσύνης για την εκτίμηση της ηλικίας σε πολλαπλούς πληθυσμούς, απαιτούνται μελλοντικές μελέτες για να συγκριθεί η ακρίβεια και η αποτελεσματικότητα της ταξινόμησης των μοντέλων DM και βαθιάς μάθησης με τις παραδοσιακές μεθόδους στα ίδια δείγματα.
Η μελέτη χρησιμοποίησε 2.657 ορθογραφικές φωτογραφίες που συλλέχθηκαν από Κορεάτες και Ιάπωνες ενήλικες ηλικίας 15 έως 23 ετών. Οι κορεατικές ακτινογραφίες χωρίστηκαν σε 900 σύνολα εκπαίδευσης (19,42 ± 2,65 έτη) και 900 εσωτερικά σύνολα δοκιμών (19,52 ± 2,59 έτη). Το σύνολο εκπαίδευσης συλλέχθηκε σε ένα ίδρυμα (Νοσοκομείο St. Mary's της Σεούλ) και το δικό σας σύνολο δοκιμών συλλέχθηκε σε δύο ιδρύματα (Οδοντιατρικό Νοσοκομείο του Εθνικού Πανεπιστημίου της Σεούλ και Οδοντιατρικό Νοσοκομείο του Πανεπιστημίου Yonsei). Συλλέξαμε επίσης 857 ακτινογραφίες από άλλα δεδομένα πληθυσμού (Ιατρικό Πανεπιστήμιο Iwate, Ιαπωνία) για εξωτερική δοκιμή. Ακτινογραφίες Ιαπώνων ατόμων (19,31 ± 2,60 έτη) επιλέχθηκαν ως εξωτερικό σύνολο δοκιμών. Τα δεδομένα συλλέχθηκαν αναδρομικά για να αναλυθούν τα στάδια της οδοντικής ανάπτυξης σε πανοραμικές ακτινογραφίες που ελήφθησαν κατά τη διάρκεια οδοντιατρικής θεραπείας. Όλα τα δεδομένα που συλλέχθηκαν ήταν ανώνυμα εκτός από το φύλο, την ημερομηνία γέννησης και την ημερομηνία ακτινογραφίας. Τα κριτήρια ένταξης και αποκλεισμού ήταν τα ίδια με αυτά σε προηγούμενες δημοσιευμένες μελέτες 4, 5. Η πραγματική ηλικία του δείγματος υπολογίστηκε αφαιρώντας την ημερομηνία γέννησης από την ημερομηνία λήψης της ακτινογραφίας. Η ομάδα του δείγματος χωρίστηκε σε εννέα ηλικιακές ομάδες. Οι κατανομές ηλικίας και φύλου παρουσιάζονται στον Πίνακα 3. Η παρούσα μελέτη διεξήχθη σύμφωνα με τη Διακήρυξη του Ελσίνκι και εγκρίθηκε από το Συμβούλιο Θεσμικής Αναθεώρησης (IRB) του Νοσοκομείου St. Mary's της Σεούλ του Καθολικού Πανεπιστημίου της Κορέας (KC22WISI0328). Λόγω του αναδρομικού σχεδιασμού αυτής της μελέτης, δεν ήταν δυνατή η λήψη ενημερωμένης συναίνεσης από όλους τους ασθενείς που υποβλήθηκαν σε ακτινογραφική εξέταση για θεραπευτικούς σκοπούς. Το Νοσοκομείο St. Mary's του Πανεπιστημίου της Σεούλ Κορέας (IRB) παραιτήθηκε από την απαίτηση για ενημερωμένη συναίνεση.
Τα αναπτυξιακά στάδια των δεύτερων και τρίτων γομφίων της άνω γνάθου αξιολογήθηκαν σύμφωνα με τα κριτήρια Demircan25. Επιλέχθηκε μόνο ένα δόντι εάν ο ίδιος τύπος δοντιού βρισκόταν στην αριστερή και τη δεξιά πλευρά κάθε γνάθου. Εάν ομόλογα δόντια και στις δύο πλευρές βρίσκονταν σε διαφορετικά αναπτυξιακά στάδια, επιλέχθηκε το δόντι με το χαμηλότερο αναπτυξιακό στάδιο για να ληφθεί υπόψη η αβεβαιότητα στην εκτιμώμενη ηλικία. Εκατό τυχαία επιλεγμένες ακτινογραφίες από το σύνολο εκπαίδευσης βαθμολογήθηκαν από δύο έμπειρους παρατηρητές για να ελεγχθεί η αξιοπιστία μεταξύ των παρατηρητών μετά από προβαθμονόμηση για τον προσδιορισμό του σταδίου οδοντικής ωριμότητας. Η αξιοπιστία εντός του παρατηρητή αξιολογήθηκε δύο φορές σε διαστήματα τριών μηνών από τον κύριο παρατηρητή.
Το φύλο και το στάδιο ανάπτυξης του δεύτερου και τρίτου γομφίου κάθε γνάθου στο σύνολο εκπαίδευσης εκτιμήθηκαν από έναν κύριο παρατηρητή εκπαιδευμένο με διαφορετικά μοντέλα DM και η πραγματική ηλικία ορίστηκε ως η τιμή-στόχος. Τα μοντέλα SLP και MLP, τα οποία χρησιμοποιούνται ευρέως στη μηχανική μάθηση, δοκιμάστηκαν σε σχέση με αλγόριθμους παλινδρόμησης. Το μοντέλο DM συνδυάζει γραμμικές συναρτήσεις χρησιμοποιώντας τα στάδια ανάπτυξης των τεσσάρων δοντιών και συνδυάζει αυτά τα δεδομένα για την εκτίμηση της ηλικίας. Το SLP είναι το απλούστερο νευρωνικό δίκτυο και δεν περιέχει κρυφά επίπεδα. 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 κρυφά επίπεδα με μη γραμμικές συναρτήσεις ενεργοποίησης. Τα πειράματά μας χρησιμοποίησαν ένα κρυφό επίπεδο με μόνο 20 κρυφούς κόμβους με μη γραμμικές συναρτήσεις ενεργοποίησης. Χρησιμοποιήστε την κλίση ως μέθοδο βελτιστοποίησης και MAE και RMSE ως συνάρτηση απώλειας για την εκπαίδευση του μοντέλου 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 τεσσάρων δοντιών στο σύνολο εκπαίδευσης για να προβλέψει εάν ένα δείγμα είναι 18 ετών ή όχι. Για την κατασκευή του μοντέλου, παράγουμε επτά αλγόριθμους μηχανικής μάθησης αναπαράστασης6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost και (7) MLP. Ο LR είναι ένας από τους πιο ευρέως χρησιμοποιούμενους αλγόριθμους ταξινόμησης44. Είναι ένας αλγόριθμος εποπτευόμενης μάθησης που χρησιμοποιεί παλινδρόμηση για να προβλέψει την πιθανότητα τα δεδομένα να ανήκουν σε μια συγκεκριμένη κατηγορία από 0 έως 1 και ταξινομεί τα δεδομένα ως άτομα που ανήκουν σε μια πιο πιθανή κατηγορία με βάση αυτήν την πιθανότητα. Χρησιμοποιείται κυρίως για δυαδική ταξινόμηση. Ο KNN είναι ένας από τους απλούστερους αλγόριθμους μηχανικής μάθησης45. Όταν δίνονται νέα δεδομένα εισόδου, βρίσκει k δεδομένα κοντά στο υπάρχον σύνολο και στη συνέχεια τα ταξινομεί στην κλάση με την υψηλότερη συχνότητα. Ορίσαμε 3 για τον αριθμό των γειτόνων που λαμβάνονται υπόψη (k). Ο SVM είναι ένας αλγόριθμος που μεγιστοποιεί την απόσταση μεταξύ δύο κλάσεων χρησιμοποιώντας μια συνάρτηση πυρήνα για να επεκτείνει τον γραμμικό χώρο σε έναν μη γραμμικό χώρο που ονομάζεται πεδία46. Για αυτό το μοντέλο, χρησιμοποιούμε bias = 1, power = 1 και gamma = 1 ως υπερπαραμέτρους για τον πολυωνυμικό πυρήνα. Το DT έχει εφαρμοστεί σε διάφορους τομείς ως αλγόριθμος για τη διαίρεση ενός ολόκληρου συνόλου δεδομένων σε διάφορες υποομάδες, αναπαραστώντας κανόνες απόφασης σε μια δομή δέντρου47. Το μοντέλο έχει διαμορφωθεί με ελάχιστο αριθμό εγγραφών ανά κόμβο 2 και χρησιμοποιεί τον δείκτη Gini ως μέτρο ποιότητας. Το RF είναι μια μέθοδος συνόλου που συνδυάζει πολλαπλά DT για τη βελτίωση της απόδοσης χρησιμοποιώντας μια μέθοδο συνάθροισης bootstrap που δημιουργεί έναν ασθενή 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 ανάμειξης Gini ως κριτήρια διαχωρισμού κόμβων. Η ταξινόμηση των 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 διαβαθμίσεις49. Είναι ένας ευρέως χρησιμοποιούμενος αλγόριθμος λόγω της καλής του απόδοσης και της αποδοτικότητας των πόρων, καθώς και της υψηλής αξιοπιστίας του ως συνάρτηση διόρθωσης υπερπροσαρμογής. Το μοντέλο είναι εξοπλισμένο με 400 τροχούς υποστήριξης. Το MLP είναι ένα νευρωνικό δίκτυο στο οποίο ένα ή περισσότερα perceptrons σχηματίζουν πολλαπλά επίπεδα με ένα ή περισσότερα κρυφά επίπεδα μεταξύ των επιπέδων εισόδου και εξόδου38. Χρησιμοποιώντας αυτό, μπορείτε να εκτελέσετε μη γραμμική ταξινόμηση όπου όταν προσθέτετε ένα επίπεδο εισόδου και λαμβάνετε μια τιμή αποτελέσματος, η προβλεπόμενη τιμή αποτελέσματος συγκρίνεται με την πραγματική τιμή αποτελέσματος και το σφάλμα διαδίδεται πίσω. Δημιουργήσαμε ένα κρυφό επίπεδο με 20 κρυφούς νευρώνες σε κάθε επίπεδο. Κάθε μοντέλο που αναπτύξαμε εφαρμόστηκε σε εσωτερικά και εξωτερικά σύνολα για να ελέγξουμε την απόδοση ταξινόμησης υπολογίζοντας την ευαισθησία, την εξειδίκευση, την PPV, την NPV και την AUROC. Η ευαισθησία ορίζεται ως η αναλογία ενός δείγματος που εκτιμάται ότι είναι 18 ετών ή μεγαλύτερου προς ένα δείγμα που εκτιμάται ότι είναι 18 ετών ή μεγαλύτερου. Η εξειδίκευση είναι το ποσοστό των δειγμάτων που εκτιμάται ότι είναι κάτω των 18 ετών και εκείνων που εκτιμάται ότι είναι κάτω των 18 ετών.
Τα οδοντιατρικά στάδια που αξιολογήθηκαν στο σύνολο εκπαίδευσης μετατράπηκαν σε αριθμητικά στάδια για στατιστική ανάλυση. Πραγματοποιήθηκε πολυμεταβλητή γραμμική και λογιστική παλινδρόμηση για την ανάπτυξη προγνωστικών μοντέλων για κάθε φύλο και την εξαγωγή τύπων παλινδρόμησης που μπορούν να χρησιμοποιηθούν για την εκτίμηση της ηλικίας. Χρησιμοποιήσαμε αυτούς τους τύπους για την εκτίμηση της ηλικίας των δοντιών τόσο για εσωτερικά όσο και για εξωτερικά σύνολα δοκιμών. Ο Πίνακας 4 δείχνει τα μοντέλα παλινδρόμησης και ταξινόμησης που χρησιμοποιήθηκαν σε αυτήν τη μελέτη.
Η αξιοπιστία εντός και μεταξύ παρατηρητών υπολογίστηκε χρησιμοποιώντας τη στατιστική κάππα του Cohen. Για να ελέγξουμε την ακρίβεια των μοντέλων παλινδρόμησης DM και των παραδοσιακών μοντέλων παλινδρόμησης, υπολογίσαμε την MAE και την 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 του μοντέλου. Όσο μικρότερο είναι το σφάλμα, τόσο υψηλότερη είναι η ακρίβεια της πρόβλεψης24. Συγκρίνετε την MAE και την RMSE των εσωτερικών και εξωτερικών συνόλων δοκιμών που υπολογίστηκαν χρησιμοποιώντας την DM και την παραδοσιακή παλινδρόμηση. Η απόδοση ταξινόμησης του 18ετούς ορίου στις παραδοσιακές στατιστικές αξιολογήθηκε χρησιμοποιώντας έναν πίνακα συνάφειας 2 × 2. Η υπολογισμένη ευαισθησία, η ειδικότητα, η PPV, η NPV και η AUROC του συνόλου δοκιμών συγκρίθηκαν με τις μετρούμενες τιμές του μοντέλου ταξινόμησης DM. Τα δεδομένα εκφράζονται ως μέσος όρος ± τυπική απόκλιση ή αριθμός (%) ανάλογα με τα χαρακτηριστικά των δεδομένων. Οι αμφίπλευρες τιμές P <0,05 θεωρήθηκαν στατιστικά σημαντικές. Όλες οι στατιστικές αναλύσεις ρουτίνας πραγματοποιήθηκαν χρησιμοποιώντας το SAS έκδοση 9.4 (SAS Institute, Cary, NC). Το μοντέλο παλινδρόμησης DM υλοποιήθηκε σε Python χρησιμοποιώντας το backend Keras50 2.2.4 και το Tensorflow51 1.8.0 ειδικά για μαθηματικές πράξεις. Το μοντέλο ταξινόμησης DM υλοποιήθηκε στο περιβάλλον ανάλυσης γνώσης 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 σε συμπληρωματικό υλικό. Τα σύνολα δεδομένων που δημιουργήθηκαν ή/και αναλύθηκαν κατά τη διάρκεια της μελέτης είναι διαθέσιμα από τον αντίστοιχο συγγραφέα κατόπιν εύλογου αιτήματος.
Ritz-Timme, S. et al. Εκτίμηση ηλικίας: η τρέχουσα κατάσταση για την κάλυψη των ειδικών απαιτήσεων της ιατροδικαστικής πρακτικής. Διεθνισμός. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., και Olze, A. Τρέχουσα κατάσταση της εγκληματολογικής αξιολόγησης ηλικίας ζώντων ατόμων για σκοπούς ποινικής δίωξης. Ιατροδικαστική. Ιατρική. Παθολογία. 1, 239–246 (2005).
Pan, J. et al. Μια τροποποιημένη μέθοδος για την αξιολόγηση της οδοντικής ηλικίας παιδιών ηλικίας 5 έως 16 ετών στην ανατολική Κίνα. κλινική. Προφορική έρευνα. 25, 3463–3474 (2021).
Lee, SS κ.λπ. Χρονολόγιο της ανάπτυξης του δεύτερου και τρίτου γομφίου στους Κορεάτες και η εφαρμογή της για την ιατροδικαστική αξιολόγηση της ηλικίας. Διεθνικότητα. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY και Lee, SS Ακρίβεια της εκτίμησης ηλικίας και εκτίμηση του κατωφλίου των 18 ετών με βάση την ωριμότητα του δεύτερου και τρίτου γομφίου σε Κορεάτες και Ιάπωνες. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Η προεγχειρητική ανάλυση δεδομένων που βασίζεται στη μηχανική μάθηση μπορεί να προβλέψει την έκβαση της θεραπείας χειρουργικής επέμβασης ύπνου σε ασθενείς με OSA. η επιστήμη. Έκθεση 11, 14911 (2021).
Han, M. et al. Ακριβής εκτίμηση ηλικίας από μηχανική μάθηση με ή χωρίς ανθρώπινη παρέμβαση; Διεθνικότητα. J. Legal medicine. 136, 821–831 (2022).
Khan, S. και Shaheen, M. Από την Εξόρυξη Δεδομένων στην Εξόρυξη Δεδομένων. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. και Shaheen, M. WisRule: Ο πρώτος γνωστικός αλγόριθμος για την εξόρυξη κανόνων συσχέτισης. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. και Abdullah U. Karm: Παραδοσιακή εξόρυξη δεδομένων βασισμένη σε κανόνες συσχέτισης που βασίζονται στο περιβάλλον. Υπολογισμός. Ματθ. συνέχεια. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. και Habib M. Ανίχνευση σημασιολογικής ομοιότητας βασισμένη σε βαθιά μάθηση χρησιμοποιώντας δεδομένα κειμένου. Τεχνολογίες πληροφόρησης. Έλεγχος. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., και Shahin, M. Ένα σύστημα για την αναγνώριση δραστηριότητας σε αθλητικά βίντεο. Πολυμέσα. Εφαρμογές Εργαλείων https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Η πρόκληση μηχανικής μάθησης RSNA στην παιδική ηλικία των οστών. Ακτινολογία 290, 498–503 (2019).
Li, Y. et al. Ιατροδικαστική εκτίμηση ηλικίας από ακτίνες Χ πυέλου χρησιμοποιώντας βαθιά μάθηση. EURO. ακτινοβολία. 29, 2322–2329 (2019).
Guo, YC, et al. Ακριβής ηλικιακή ταξινόμηση χρησιμοποιώντας χειροκίνητες μεθόδους και βαθιά συνελικτικά νευρωνικά δίκτυα από ορθογραφικές εικόνες προβολής. internationality. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Εκτίμηση οστικής ηλικίας χρησιμοποιώντας διαφορετικές μεθόδους μηχανικής μάθησης: συστηματική ανασκόπηση της βιβλιογραφίας και μετα-ανάλυση. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., και Yang, J. Εκτίμηση ηλικίας Αφροαμερικανών και Κινέζων ανά πληθυσμό με βάση τους όγκους του πολφικού θαλάμου των πρώτων γομφίων χρησιμοποιώντας κωνική δέσμη υπολογιστικής τομογραφίας. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK και Oh KS Προσδιορισμός ηλικιακών ομάδων ζώντων ανθρώπων χρησιμοποιώντας εικόνες πρώτων γομφίων που βασίζονται στην τεχνητή νοημοσύνη. η επιστήμη. Έκθεση 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., και Urschler, M. Αυτόματη εκτίμηση ηλικίας και ταξινόμηση ηλικίας πλειοψηφίας από πολυπαραμετρικά δεδομένα μαγνητικής τομογραφίας. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. και Li, G. Εκτίμηση ηλικίας με βάση την τρισδιάστατη τμηματοποίηση του πολφικού θαλάμου των πρώτων γομφίων από κωνική δέσμη υπολογιστικής τομογραφίας ενσωματώνοντας βαθιά μάθηση και σύνολα επιπέδων. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Εξόρυξη δεδομένων σε κλινικά μεγάλα δεδομένα: κοινές βάσεις δεδομένων, βήματα και μοντέλα μεθόδων. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Εισαγωγή στις Ιατρικές Βάσεις Δεδομένων και στις Τεχνολογίες Εξόρυξης Δεδομένων στην Εποχή των Μεγάλων Δεδομένων. J. Avid. Βασική Ιατρική. 13, 57–69 (2020).
Shen, S. et al. Μέθοδος Camerer για την εκτίμηση της ηλικίας των δοντιών χρησιμοποιώντας μηχανική μάθηση. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Σύγκριση διαφορετικών μεθόδων μηχανικής μάθησης για την πρόβλεψη της οδοντικής ηλικίας χρησιμοποιώντας τη μέθοδο σταδιοποίησης Demirdjian. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. και Tanner, JM Ένα νέο σύστημα για την αξιολόγηση της οδοντικής ηλικίας. snort. biology. 45, 211–227 (1973).
Landis, JR, και Koch, GG Μέτρα συμφωνίας παρατηρητών σε κατηγορικά δεδομένα. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK και Choi HK. Υφολογική, μορφολογική και στατιστική ανάλυση δισδιάστατης μαγνητικής τομογραφίας χρησιμοποιώντας τεχνικές τεχνητής νοημοσύνης για τη διαφοροποίηση πρωτοπαθών όγκων εγκεφάλου. Πληροφορίες για την υγεία. Πόρος. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Ώρα δημοσίευσης: 04 Ιανουαρίου 2024