Σας ευχαριστούμε που επισκεφτήκατε 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).Στο 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 ιατροδικαστική εκτίμηση ηλικίας.Στόχος μας ήταν να επικυρώσουμε εκτιμήσεις οδοντιατρικής ηλικίας βάσει της εξόρυξης δεδομένων, συγκρίνοντας την ακρίβεια εκτίμησης και την απόδοση ταξινόμησης του ορίου των 18 ετών με παραδοσιακές μεθόδους και 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 σετ εκπαίδευσης, το καθένα από τα οποία περιείχε 900 κορεατικές ακτινογραφίες, και ένα εσωτερικό σετ δοκιμών που περιείχε 857 ιαπωνικές ακτινογραφίες.Συγκρίναμε την ακρίβεια ταξινόμησης και την αποτελεσματικότητα των παραδοσιακών μεθόδων με δοκιμαστικά σύνολα 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 την αποκοπή 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 ιατροδικαστικής αξιολόγησης ηλικίας χρησιμοποιώντας την ωριμότητα δεύτερου και τρίτου γομφίου σε Κορεάτες εφήβους και νεαρούς ενήλικες.
Η εκτίμηση της οδοντιατρικής ηλικίας χρησιμοποιείται ευρέως στην ιατροδικαστική και την παιδοδοντιατρική.Ειδικότερα, λόγω της υψηλής συσχέτισης μεταξύ της χρονολογικής ηλικίας και της οδοντικής ανάπτυξης, η εκτίμηση της ηλικίας ανά οδοντικά αναπτυξιακά στάδια αποτελεί σημαντικό κριτήριο για την εκτίμηση της ηλικίας παιδιών και 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 αποδείξεων για το εάν έχουν συμπληρώσει την ηλικία της ενηλικίωσης.Στην ιατροδικαστική πρακτική των εφήβων και των νεαρών ενηλίκων στην Κορέα, η ηλικία υπολογίστηκε με τη μέθοδο του Lee και προβλέφθηκε ένα νομικό όριο 18 ετών με βάση τα δεδομένα που αναφέρθηκαν από τους Oh et al 5 .
Η μηχανική μάθηση είναι ένας τύπος τεχνητής νοημοσύνης (AI) που μαθαίνει και ταξινομεί επανειλημμένα μεγάλες ποσότητες δεδομένων, επιλύει προβλήματα από μόνη της και οδηγεί τον προγραμματισμό δεδομένων.Η μηχανική εκμάθηση μπορεί να ανακαλύψει χρήσιμα κρυφά μοτίβα σε μεγάλους όγκους δεδομένων6.Αντίθετα, οι κλασικές μέθοδοι, οι οποίες είναι εντατικές και χρονοβόρες, μπορεί να έχουν περιορισμούς όταν αντιμετωπίζουμε μεγάλους όγκους πολύπλοκων δεδομένων που είναι δύσκολο να επεξεργαστούν χειροκίνητα7.Ως εκ τούτου, πολλές μελέτες έχουν διεξαχθεί πρόσφατα χρησιμοποιώντας τις πιο πρόσφατες τεχνολογίες υπολογιστών για την ελαχιστοποίηση των ανθρώπινων λαθών και την αποτελεσματική επεξεργασία πολυδιάστατων δεδομένων8,9,10,11,12.Συγκεκριμένα, η βαθιά μάθηση έχει χρησιμοποιηθεί ευρέως στην ανάλυση ιατρικής εικόνας και έχουν αναφερθεί διάφορες μέθοδοι εκτίμησης ηλικίας με αυτόματη ανάλυση ακτινογραφιών για τη βελτίωση της ακρίβειας και της αποτελεσματικότητας της εκτίμησης ηλικίας13,14,15,16,17,18,19,20 .Για παράδειγμα, οι Halabi et al 13 ανέπτυξαν έναν αλγόριθμο μηχανικής μάθησης που βασίζεται σε συνελικτικά νευρωνικά δίκτυα (CNN) για την εκτίμηση της σκελετικής ηλικίας χρησιμοποιώντας ακτινογραφίες των χεριών των παιδιών.Αυτή η μελέτη προτείνει ένα μοντέλο που εφαρμόζει τη μηχανική μάθηση σε ιατρικές εικόνες και δείχνει ότι αυτές οι μέθοδοι μπορούν να βελτιώσουν τη διαγνωστική ακρίβεια.Οι Li et al14 υπολόγισαν την ηλικία από εικόνες ακτίνων Χ πυέλου χρησιμοποιώντας ένα CNN βαθιάς μάθησης και τις 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 οδοντικές ορθοφωτογραφίες και τα αποτελέσματα του μοντέλου CNN απέδειξαν ότι οι άνθρωποι ξεπέρασαν τις επιδόσεις κατάταξης ηλικίας.
Οι περισσότερες μελέτες για την εκτίμηση ηλικίας με χρήση μηχανικής μάθησης 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 λίγες ευκαιρίες για την παρουσίαση της επιστημονικής βάσης για εκτιμήσεις ηλικίας, όπως οι δείκτες ηλικίας που χρησιμοποιούνται στις εκτιμήσεις.Υπάρχει και δικαστική διαμάχη για το ποιος διενεργεί τους ελέγχους.Ως εκ τούτου, η εκτίμηση της ηλικίας με βάση τη 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 μη αναμενόμενες πληροφορίες ως μέθοδος για την ανακάλυψη χρήσιμων συσχετίσεων μεταξύ μεγάλων ποσοτήτων δεδομένων6,21,22.Η μηχανική εκμάθηση χρησιμοποιείται συχνά στην εξόρυξη δεδομένων και τόσο η εξόρυξη δεδομένων όσο και η μηχανική μάθηση χρησιμοποιούν τους ίδιους βασικούς αλγόριθμους για την ανακάλυψη μοτίβων στα δεδομένα.Η εκτίμηση της ηλικίας χρησιμοποιώντας την οδοντική ανάπτυξη βασίζεται στην εκτίμηση του εξεταστή για την ωριμότητα των δοντιών-στόχων και αυτή η εκτίμηση εκφράζεται ως στάδιο για κάθε δόντι-στόχο.Το 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, εάν εφαρμόσουμε τεχνικές DM στην εκτίμηση ηλικίας, μπορούμε να εφαρμόσουμε τη μηχανική μάθηση στην ιατροδικαστική εκτίμηση ηλικίας χωρίς να ανησυχούμε για νομική ευθύνη.Έχουν δημοσιευτεί αρκετές συγκριτικές μελέτες σχετικά με πιθανές εναλλακτικές λύσεις σε σχέση με τις παραδοσιακές χειρωνακτικές μεθόδους που χρησιμοποιούνται στην ιατροδικαστική πρακτική και τις μεθόδους που βασίζονται σε 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 ΣΔ για να προβλέψουν την ηλικία 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 οδοντιατρικής 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 η πολλαπλή παλινδρόμηση) για να εξετάσει τη σχέση μεταξύ των Κορεατικών θεμάτων 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 δυνατότητα εφαρμογής της εκτίμησης ηλικίας με βάση το μοντέλο DM στην κορεατική ιατροδικαστική πρακτική εξακολουθεί να είναι αμφίβολη.Στόχος μας ήταν να επικυρώσουμε επιστημονικά την πιθανή χρησιμότητα της εκτίμησης ηλικίας με βάση το μοντέλο DM.Ο σκοπός αυτής της μελέτης ήταν (1) η σύγκριση της ακρίβειας δύο μοντέλων DM στην εκτίμηση της οδοντικής ηλικίας και (2) η σύγκριση της απόδοσης ταξινόμησης 7 μοντέλων DM στην ηλικία των 18 ετών με αυτά που ελήφθησαν χρησιμοποιώντας παραδοσιακές στατιστικές μεθόδους. και τρίτους γομφίους και στις δύο γνάθους.
Οι μέσοι όροι και οι τυπικές αποκλίσεις της χρονολογικής ηλικίας ανά στάδιο και τύπο δοντιού εμφανίζονται διαδικτυακά στον Συμπληρωματικό Πίνακα S1 (σετ προπόνησης), στον Συμπληρωματικό Πίνακα S2 (σετ εσωτερικού ελέγχου) και στον Συμπληρωματικό Πίνακα S3 (σετ εξωτερικού τεστ).Οι τιμές κάπα για την αξιοπιστία εντός και μεταξύ των παρατηρητών που ελήφθησαν από το σετ εκπαίδευσης ήταν 0,951 και 0,947, αντίστοιχα.Οι τιμές P και τα διαστήματα εμπιστοσύνης 95% για τις τιμές κάπα εμφανίζονται στον διαδικτυακό συμπληρωματικό πίνακα S4.Η τιμή κάπα ερμηνεύτηκε ως «σχεδόν τέλεια», σύμφωνα με τα κριτήρια των Landis και 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 δοκιμών για άνδρες, 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 δοκιμαστική μπαταρία, οι διαφορές είναι μικρότερες (0,001–0,05 έτη για τους άνδρες και 0,05–0,09 έτη για τις γυναίκες).Επιπλέον, το ριζικό μέσο τετραγωνικό σφάλμα (RMSE) είναι ελαφρώς χαμηλότερο από την παραδοσιακή μέθοδο, με μικρότερες διαφορές (0,17–0,24, 0,2–0,24 για το σύνολο εσωτερικών δοκιμών ανδρών και 0,03–0,07, 0,04–0,08 για το σύνολο εξωτερικών δοκιμών).).Το MLP εμφανίζει ελαφρώς καλύτερη απόδοση από το Single Layer Perceptron (SLP), εκτός από την περίπτωση του γυναικείου εξωτερικού σετ δοκιμών.Για το MAE και το RMSE, το σύνολο εξωτερικών τεστ έχει υψηλότερες βαθμολογίες από το σύνολο εσωτερικών δοκιμών για όλα τα φύλα και τα μοντέλα.Όλα τα MAE και RMSE φαίνονται στον Πίνακα 1 και στο Σχήμα 1.
MAE και RMSE παραδοσιακών μοντέλων παλινδρόμησης και εξόρυξης δεδομένων.Μέσο απόλυτο σφάλμα MAE, ρίζα μέσο τετραγωνικό σφάλμα RMSE, SLP perceptron μονής στρώσης, MLP perceptron πολλαπλών στρωμάτων, παραδοσιακή μέθοδος CM.
Η απόδοση ταξινόμησης (με αποκοπή 18 ετών) των παραδοσιακών μοντέλων και μοντέλων DM αποδείχθηκε ως προς την ευαισθησία, την ειδικότητα, τη θετική προγνωστική τιμή (PPV), την αρνητική προγνωστική τιμή (NPV) και την περιοχή κάτω από τη χαρακτηριστική καμπύλη λειτουργίας δέκτη (AUROC) 27 (Πίνακας 2, Εικόνα 2 και Συμπληρωματικό Σχήμα 1 διαδικτυακά).Όσον αφορά την ευαισθησία της εσωτερικής μπαταρίας δοκιμής, οι παραδοσιακές μέθοδοι είχαν καλύτερη απόδοση μεταξύ των ανδρών και χειρότερες 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 ιδιαιτερότητα του εσωτερικού συνόλου δοκιμών, παρατηρήθηκε ότι τα τέσσερα μοντέλα SD είχαν καλή απόδοση στους άνδρες, ενώ το παραδοσιακό μοντέλο είχε καλύτερες επιδόσεις στα θηλυκά.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, η μηχανή διανύσματος υποστήριξης (SVM), το δέντρο αποφάσεων (DT) και τα μοντέλα τυχαίου δάσους (RF) είχαν καλύτερες επιδόσεις μεταξύ των ανδρών, ενώ το μοντέλο LR είχε καλύτερη απόδοση μεταξύ των γυναικών.Το AUROC του παραδοσιακού μοντέλου και όλων των μοντέλων SD ήταν μεγαλύτερο από 0,925 (k-πλησιέστερος γείτονας (KNN) στους άνδρες), επιδεικνύοντας εξαιρετική απόδοση ταξινόμησης σε διακριτικά δείγματα ηλικίας 18 ετών28.Για το σύνολο εξωτερικών δοκιμών, υπήρξε μείωση στην απόδοση ταξινόμησης όσον αφορά την ευαισθησία, την ειδικότητα 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 κυμαινόταν από 10% έως 25% και ήταν μεγαλύτερη από τη διαφορά στο εσωτερικό σύνολο δοκιμών.
Ευαισθησία και ειδικότητα μοντέλων ταξινόμησης εξόρυξης δεδομένων σε σύγκριση με παραδοσιακές μεθόδους με αποκοπή 18 ετών.KNN k πλησιέστερος γείτονας, διανυσματική μηχανή 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 οδοντιατρικής ηλικίας που ελήφθησαν από επτά μοντέλα DM με αυτά που ελήφθησαν χρησιμοποιώντας την 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 το 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 τόσο μικρή διαφορά έχει κλινική ή πρακτική σημασία.Αυτά τα αποτελέσματα δείχνουν ότι η ακρίβεια της εκτίμησης της οδοντιατρικής ηλικίας χρησιμοποιώντας το μοντέλο DM είναι σχεδόν ίδια με αυτή της παραδοσιακής μεθόδου.Η άμεση σύγκριση με αποτελέσματα προηγούμενων μελετών είναι δύσκολη επειδή καμία μελέτη δεν έχει συγκρίνει την ακρίβεια των μοντέλων ΣΔ με παραδοσιακές στατιστικές μεθόδους που χρησιμοποιούν την ίδια τεχνική καταγραφής δοντιών στο ίδιο εύρος ηλικιών όπως σε αυτήν τη μελέτη.Οι Galibourg et al24 συνέκριναν τις MAE και RMSE μεταξύ δύο παραδοσιακών μεθόδων (μέθοδος Demirjian25 και μέθοδος Willems29) και μοντέλων 10 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 στο MAE και 0,25 και 0,47 ετών στο RMSE σε σύγκριση με τις μεθόδους Willems και Demirdjian, αντίστοιχα.Η ασυμφωνία μεταξύ του μοντέλου SD και των παραδοσιακών μεθόδων που παρουσιάζονται στη μελέτη Halibourg λαμβάνει υπόψη πολυάριθμες αναφορές30,31,32,33 ότι η μέθοδος Demirdjian δεν υπολογίζει με ακρίβεια την οδοντική ηλικία σε πληθυσμούς άλλους από τους Γαλλοκαναδούς στους οποίους βασίστηκε η μελέτη.σε αυτη τη ΜΕΛΕΤΗ.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 της μεθόδου Willems είναι 0,28 έτη, 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 ηλικίας του μοντέλου DM και της παραδοσιακής μεθόδου είναι παρόμοια.Ωστόσο, με βάση τα παρουσιαζόμενα αποτελέσματα, μπορούμε μόνο προσεκτικά να συμπεράνουμε 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 με μεγαλύτερα δείγματα για να επιβεβαιωθούν τα αποτελέσματα που προέκυψαν σε αυτή τη μελέτη.
Μεταξύ των μελετών που δοκιμάζουν την ακρίβεια της ΣΔ στην εκτίμηση της οδοντικής ηλικίας, ορισμένες έδειξαν μεγαλύτερη ακρίβεια από τη μελέτη μας.Ο Stepanovsky et al 35 εφάρμοσε 22 μοντέλα SD σε πανοραμικές ακτινογραφίες 976 κατοίκων της Τσεχίας 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 πρότειναν οι 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 χρησιμοποιήθηκαν σε αυτή τη μελέτη.Οι Shen et al23 χρησιμοποίησαν τη μέθοδο Cameriere για να υπολογίσουν 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 την παραδοσιακή φόρμουλα Cameriere.Τα MAE και RMSE στη μελέτη του Shen ήταν χαμηλότερα από αυτά στο μοντέλο DM σε αυτή 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 τη διάρκεια της οδοντικής ανάπτυξης, η ακρίβεια της προκύπτουσας μεθόδου εκτίμησης ηλικίας μπορεί να τεθεί σε κίνδυνο όταν οι συμμετέχοντες στη μελέτη είναι νεότεροι.Επιπλέον, το σφάλμα του MLP στην εκτίμηση ηλικίας είναι ελαφρώς μικρότερο από του SLP, που σημαίνει ότι το MLP είναι πιο ακριβές από το SLP.Το MLP θεωρείται ελαφρώς καλύτερο για την εκτίμηση ηλικίας, πιθανώς λόγω των κρυφών επιπέδων στο MLP38.Ωστόσο, υπάρχει εξαίρεση για το εξωτερικό δείγμα των γυναικών (SLP 1,45, MLP 1,49).Το εύρημα ότι το MLP είναι πιο ακριβές από το SLP στην εκτίμηση της ηλικίας απαιτεί πρόσθετες αναδρομικές μελέτες.
Συγκρίθηκαν επίσης οι επιδόσεις ταξινόμησης του μοντέλου DM και της παραδοσιακής μεθόδου σε όριο 18 ετών.Όλα τα δοκιμασμένα μοντέλα SD και οι παραδοσιακές μέθοδοι στο εσωτερικό σετ δοκιμών έδειξαν πρακτικά αποδεκτά επίπεδα διάκρισης για το δείγμα 18 ετών.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 ελεγμένων μοντέλων υπερβαίνει επίσης το 0,925.Από όσο γνωρίζουμε, καμία μελέτη δεν έχει δοκιμάσει την απόδοση του μοντέλου DM για ταξινόμηση 18 ετών 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 μη αυτόματης μεθόδου που βασίζεται στη μέθοδο του Demirjian για ένα ορισμένο όριο ηλικίας.Η ευαισθησία και η ειδικότητα της χειροκίνητης μεθόδου ήταν 87,7% και 95,5%, αντίστοιχα, και η ευαισθησία και ειδικότητα του μοντέλου CNN ξεπέρασαν 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 με χρήση μοντέλων 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 ανδρικό δείγμα και την ευαισθησία και ειδικότητα για το γυναικείο δείγμα.Η LR κατατάσσεται δεύτερη σε ειδικότητα για τους άνδρες.Επιπλέον, το LR θεωρείται ένα από τα πιο φιλικά προς τον 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 τους 18χρονους στον κορεατικό πληθυσμό.
Συνολικά, η ακρίβεια της εκτίμησης ηλικίας ή της απόδοσης κατάταξης στο σύνολο εξωτερικών δοκιμών ήταν κακή ή χαμηλότερη σε σύγκριση με τα αποτελέσματα του εσωτερικού σετ δοκιμών.Ορισμένες αναφορές υποδεικνύουν ότι η ακρίβεια ή η αποτελεσματικότητα της ταξινόμησης μειώνεται όταν οι εκτιμήσεις ηλικίας με βάση τον πληθυσμό της Κορέας 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 ΣΔ στη διαδικασία ανάλυσης, θα πρέπει να προτιμώνται μέθοδοι που προέρχονται από δεδομένα εγγενούς πληθυσμού, όπως οι παραδοσιακές μέθοδοι5,39,40,41,42.Δεδομένου ότι δεν είναι σαφές εάν τα μοντέλα βαθιάς μάθησης μπορούν να εμφανίσουν παρόμοιες τάσεις, απαιτούνται 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.
Αποδεικνύουμε ότι οι παραδοσιακές μέθοδοι μπορούν να αντικατασταθούν από εκτίμηση ηλικίας με βάση το μοντέλο DM στην ιατροδικαστική πρακτική εκτίμησης ηλικίας στην Κορέα.Ανακαλύψαμε επίσης τη δυνατότητα εφαρμογής μηχανικής μάθησης για την ιατροδικαστική αξιολόγηση της 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 σύγκριση και επιβεβαίωση των αποτελεσμάτων αυτής της μελέτης.Στο μέλλον, οι μελέτες ΣΔ θα πρέπει να διεξάγονται με μεγαλύτερο αριθμό δειγμάτων και πιο διαφορετικούς πληθυσμούς για να βελτιωθεί η πρακτική εφαρμογή του σε σύγκριση με τις παραδοσιακές μεθόδους.Για να επικυρωθεί η σκοπιμότητα χρήσης τεχνητής νοημοσύνης για την εκτίμηση της ηλικίας σε πολλούς 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 Ιάπωνες ενήλικες ηλικίας 15 έως 23 ετών.Οι κορεατικές ακτινογραφίες χωρίστηκαν σε 900 σετ εκπαίδευσης (19,42 ± 2,65 έτη) και 900 σετ εσωτερικών δοκιμών (19,52 ± 2,59 έτη).Το σετ εκπαίδευσης συλλέχθηκε σε ένα ίδρυμα (Seoul St. Mary's Hospital) και το δικό του σετ δοκιμών συλλέχθηκε σε δύο ιδρύματα (Seoul National University Dental Hospital και Yonsei University Dental Hospital).Συλλέξαμε επίσης 857 ακτινογραφίες από άλλα δεδομένα με βάση τον πληθυσμό (Ιατρικό Πανεπιστήμιο Iwate, Ιαπωνία) για εξωτερικό έλεγχο.Ακτινογραφίες Ιαπώνων ατόμων (19,31 ± 2,60 ετών) επιλέχθηκαν ως το σετ εξωτερικού τεστ.Τα δεδομένα συλλέχθηκαν αναδρομικά για να αναλυθούν τα στάδια της οδοντικής ανάπτυξης σε πανοραμικές ακτινογραφίες που ελήφθησαν κατά τη διάρκεια της 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 τις 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 φαίνονται στον Πίνακα 3 Αυτή η μελέτη διεξήχθη σύμφωνα με τη Διακήρυξη του Ελσίνκι και εγκρίθηκε από την Επιτροπή Θεσμικής Αναθεώρησης (IRB) του Νοσοκομείου St. Mary's της Σεούλ του Καθολικού Πανεπιστημίου της Κορέας (KC22WISI0328).Λόγω του αναδρομικού σχεδιασμού αυτής της μελέτης, δεν μπόρεσε να ληφθεί ενημερωμένη συγκατάθεση από όλους τους ασθενείς που υποβλήθηκαν σε ακτινολογική εξέταση για θεραπευτικούς σκοπούς.Το Seoul Korea University St. Mary's Hospital (IRB) παραιτήθηκε από την απαίτηση για ενημερωμένη συγκατάθεση.
Τα αναπτυξιακά στάδια του δεύτερου και του τρίτου γομφίου διγνάθιου αξιολογήθηκαν σύμφωνα με τα κριτήρια Demircan25.Επιλέχθηκε μόνο ένα δόντι εάν βρέθηκε ο ίδιος τύπος δοντιού στην αριστερή και στη δεξιά πλευρά 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 εκπαίδευσης βαθμολογήθηκαν από δύο έμπειρους παρατηρητές για να ελεγχθεί η αξιοπιστία του ενδοπαρατηρητή μετά από προβαθμονόμηση για τον προσδιορισμό του σταδίου οδοντικής ωριμότητας.Η αξιοπιστία του ενδοπαρατηρητή αξιολογήθηκε δύο φορές σε μεσοδιαστήματα τριών μηνών από τον κύριο παρατηρητή.
Το φύλο και το αναπτυξιακό στάδιο του δεύτερου και του τρίτου γομφίου κάθε γνάθου στο σετ προπόνησης υπολογίστηκαν από έναν κύριο παρατηρητή που εκπαιδεύτηκε με διαφορετικά μοντέλα DM και η πραγματική ηλικία ορίστηκε ως τιμή στόχος.Τα μοντέλα SLP και MLP, τα οποία χρησιμοποιούνται ευρέως στη μηχανική μάθηση, δοκιμάστηκαν έναντι αλγορίθμων παλινδρόμησης.Το μοντέλο DM συνδυάζει γραμμικές συναρτήσεις 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 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 στρώμα με μόνο 20 κρυφούς κόμβους με μη γραμμικές συναρτήσεις ενεργοποίησης.Χρησιμοποιήστε το gradient descent ως μέθοδο βελτιστοποίησης και MAE και RMSE ως συνάρτηση απώλειας για να εκπαιδεύσετε το μοντέλο μηχανικής εκμάθησης.Το καλύτερο ληφθέν μοντέλο παλινδρόμησης εφαρμόστηκε στα εσωτερικά και εξωτερικά σετ δοκιμών και υπολογίστηκε η ηλικία των δοντιών.
Αναπτύχθηκε ένας αλγόριθμος ταξινόμησης που χρησιμοποιεί την ωριμότητα τεσσάρων δοντιών στο σετ εκπαίδευσης για να προβλέψει εάν ένα δείγμα είναι 18 ετών ή όχι.Για τη δημιουργία του μοντέλου, αντλήσαμε 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 εποπτευόμενος αλγόριθμος μάθησης που χρησιμοποιεί παλινδρόμηση για να προβλέψει την πιθανότητα δεδομένων που ανήκουν σε μια συγκεκριμένη κατηγορία από 0 έως 1 και ταξινομεί τα δεδομένα ως ανήκουν σε μια πιο πιθανή κατηγορία με βάση αυτή την πιθανότητα.χρησιμοποιείται κυρίως για δυαδική ταξινόμηση.Το 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 εξετάστηκαν (k).Ο SVM είναι ένας αλγόριθμος που μεγιστοποιεί την απόσταση μεταξύ δύο κλάσεων χρησιμοποιώντας μια συνάρτηση πυρήνα για την επέκταση του γραμμικού χώρου σε έναν μη γραμμικό χώρο που ονομάζεται πεδία46.Για αυτό το μοντέλο, χρησιμοποιούμε μεροληψία = 1, ισχύ = 1 και γάμμα = 1 ως υπερπαράμετρους για τον πολυωνυμικό πυρήνα.Το DT έχει εφαρμοστεί σε διάφορα πεδία ως αλγόριθμος για τη διαίρεση ενός ολόκληρου συνόλου δεδομένων σε πολλές υποομάδες αναπαραστώντας κανόνες απόφασης σε μια δενδρική δομή47.Το μοντέλο έχει διαμορφωθεί με ελάχιστο αριθμό εγγραφών ανά κόμβο 2 και χρησιμοποιεί τον δείκτη Gini ως μέτρο ποιότητας.Η RF είναι μια μέθοδος συνόλου που συνδυάζει πολλαπλά DT για τη βελτίωση της απόδοσης χρησιμοποιώντας μια μέθοδο συγκέντρωσης εκκίνησης που δημιουργεί έναν ασθενή ταξινομητή για κάθε δείγμα αντλώντας τυχαία δείγματα ίδιου μεγέθους πολλές φορές από το αρχικό σύνολο δεδομένων48.Χρησιμοποιήσαμε 100 δέντρα, 10 βάθη δέντρων, 1 ελάχιστο μέγεθος κόμβου και δείκτη πρόσμειξης Gini ως κριτήρια διαχωρισμού κόμβων.Η ταξινόμηση των νέων στοιχείων καθορίζεται κατά 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 ως συνάρτηση διόρθωσης υπερπροσαρμογής.Το μοντέλο είναι εξοπλισμένο με 400 τροχούς στήριξης.Το MLP είναι ένα νευρωνικό δίκτυο στο οποίο ένα ή περισσότερα perceptron σχηματίζουν πολλαπλά στρώματα με ένα ή περισσότερα κρυφά στρώματα 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 ξανά.Δημιουργήσαμε ένα κρυφό στρώμα με 20 κρυφούς νευρώνες σε κάθε στρώμα.Κάθε μοντέλο που αναπτύξαμε εφαρμόστηκε σε εσωτερικά και εξωτερικά σύνολα για να ελέγξουμε την απόδοση ταξινόμησης υπολογίζοντας την ευαισθησία, την ειδικότητα, το PPV, το NPV και το AUROC.Η ευαισθησία ορίζεται ως η αναλογία ενός δείγματος που εκτιμάται ότι είναι ηλικίας 18 ετών και άνω προς ένα δείγμα που εκτιμάται ότι είναι 18 ετών ή μεγαλύτερο.Η ιδιαιτερότητα είναι η αναλογία των δειγμάτων ηλικίας κάτω των 18 ετών και εκείνων που εκτιμάται ότι είναι κάτω των 18 ετών.
Τα οδοντιατρικά στάδια που αξιολογήθηκαν στο σετ εκπαίδευσης μετατράπηκαν σε αριθμητικά στάδια για στατιστική ανάλυση.Πραγματοποιήθηκαν 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 να υπολογίσουμε την ηλικία των δοντιών τόσο για εσωτερικά όσο και για εξωτερικά σετ δοκιμών.Ο Πίνακας 4 δείχνει τα μοντέλα παλινδρόμησης και ταξινόμησης που χρησιμοποιήθηκαν σε αυτή τη μελέτη.
Η αξιοπιστία εντός και μεταξύ των παρατηρητών υπολογίστηκε χρησιμοποιώντας τη στατιστική κάπα του 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 του μοντέλου.Όσο μικρότερο είναι το σφάλμα, τόσο μεγαλύτερη είναι η ακρίβεια της πρόβλεψης24.Συγκρίνετε το MAE και το RMSE των εσωτερικών και εξωτερικών συνόλων δοκιμών που υπολογίζονται με χρήση DM και παραδοσιακής παλινδρόμησης.Η απόδοση της ταξινόμησης της αποκοπής 18 ετών στις παραδοσιακές στατιστικές αξιολογήθηκε χρησιμοποιώντας έναν πίνακα έκτακτης ανάγκης 2 × 2.Η υπολογιζόμενη ευαισθησία, ειδικότητα, PPV, NPV και AUROC του συνόλου δοκιμής 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 στατιστικές αναλύσεις ρουτίνας πραγματοποιήθηκαν χρησιμοποιώντας SAS έκδοση 9.4 (SAS Institute, Cary, NC).Το μοντέλο παλινδρόμησης DM εφαρμόστηκε στην Python χρησιμοποιώντας Keras50 2.2.4 backend και Tensorflow51 1.8.0 ειδικά για μαθηματικές πράξεις.Το μοντέλο ταξινόμησης DM εφαρμόστηκε στο περιβάλλον ανάλυσης γνώσης Waikato και στην πλατφόρμα ανάλυσης Konstanz Information Miner (KNIME) 4.6.152.
Οι συγγραφείς αναγνωρίζουν ότι δεδομένα που υποστηρίζουν τα συμπεράσματα της μελέτης βρίσκονται στο άρθρο και σε συμπληρωματικό υλικό.Τα σύνολα δεδομένων που δημιουργούνται ή/και αναλύονται κατά τη διάρκεια της μελέτης είναι διαθέσιμα από τον αντίστοιχο συγγραφέα κατόπιν εύλογου αιτήματος.
Ritz-Timme, S. et al.Εκτίμηση ηλικίας: τελευταία λέξη της τεχνολογίας για την κάλυψη των ειδικών απαιτήσεων της εγκληματολογικής πρακτικής.διεθνής.J. Νομική ιατρική.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Τρέχουσα κατάσταση της ιατροδικαστικής αξιολόγησης ηλικίας ζωντανών υποκειμένων για σκοπούς ποινικής δίωξης.Ιατροδικαστική.φάρμακο.Παθολογία.1, 239–246 (2005).
Pan, J. et αϊ.Μια τροποποιημένη μέθοδος για την αξιολόγηση της οδοντικής ηλικίας παιδιών ηλικίας 5 έως 16 ετών στην ανατολική Κίνα.κλινικός.Προφορική έρευνα.25, 3463–3474 (2021).
Lee, SS κ.λπ. Χρονολογία ανάπτυξης δεύτερου και τρίτου γομφίου στους Κορεάτες και η εφαρμογή του για ιατροδικαστική εκτίμηση ηλικίας.διεθνής.J. Νομική ιατρική.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY and Lee, SS Ακρίβεια εκτίμησης ηλικίας και εκτίμηση του ορίου 18 ετών με βάση την ωριμότητα του δεύτερου και του τρίτου γομφίου στους Κορεάτες και τους Ιάπωνες.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Η προεγχειρητική ανάλυση δεδομένων με βάση τη μηχανική μάθηση μπορεί να προβλέψει την έκβαση της θεραπείας της χειρουργικής επέμβασης ύπνου σε ασθενείς με OSA.η επιστήμη.Έκθεση 11, 14911 (2021).
Han, Μ. et αϊ.Ακριβής εκτίμηση ηλικίας από μηχανική μάθηση με ή χωρίς ανθρώπινη παρέμβαση;διεθνής.J. Νομική ιατρική.136, 821–831 (2022).
Khan, S. and Shaheen, M. From Data Mining to Data Mining.J. Πληροφορίες.η επιστήμη.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J. Πληροφορίες.η επιστήμη.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. and Abdullah U. Karm: Παραδοσιακή εξόρυξη δεδομένων που βασίζεται σε κανόνες συσχέτισης με βάση το πλαίσιο.υπολογίζω.Matt.να συνεχίσει.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. and Habib M. Ανίχνευση σημασιολογικής ομοιότητας με βάση τη βαθιά μάθηση με χρήση δεδομένων κειμένου.πληροφορώ.τεχνολογίες.έλεγχος.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., and Shahin, M. Ένα σύστημα αναγνώρισης δραστηριότητας σε αθλητικά βίντεο.ΠΟΛΥΜΕΣΑ.Εργαλεία Εφαρμογές https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.Πρόκληση RSNA Machine Learning Challenge in Pediatric Bone Age.Radiology 290, 498–503 (2019).
Li, Υ. et αϊ.Ιατροδικαστική εκτίμηση ηλικίας από ακτινογραφίες πυέλου με χρήση βαθιάς μάθησης.ΕΥΡΩ.ακτινοβολία.29, 2322–2329 (2019).
Guo, YC, et αϊ.Ακριβής ταξινόμηση ηλικίας με χρήση μη αυτόματων μεθόδων και βαθιά συνελικτικά νευρωνικά δίκτυα από εικόνες ορθογραφικής προβολής.διεθνής.J. Νομική ιατρική.135, 1589–1597 (2021).
Alabama Dalora et al.Εκτίμηση οστικής ηλικίας χρησιμοποιώντας διαφορετικές μεθόδους μηχανικής μάθησης: συστηματική ανασκόπηση βιβλιογραφίας και μετα-ανάλυση.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. Εκτίμηση ειδικής ηλικίας πληθυσμού Αφροαμερικανών και Κινέζων με βάση τους όγκους θαλάμου πολφού των πρώτων γομφίων χρησιμοποιώντας αξονική τομογραφία κωνικής δέσμης.διεθνής.J. Νομική ιατρική.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK και Oh KS Καθορισμός ηλικιακών ομάδων ζωντανών ανθρώπων χρησιμοποιώντας εικόνες πρώτων γομφίων που βασίζονται στην τεχνητή νοημοσύνη.η επιστήμη.Έκθεση 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. Αυτόματη εκτίμηση ηλικίας και ταξινόμηση της ενηλικίωσης από πολυπαραγοντικά δεδομένα MRI.IEEE J. Biomed.Ειδοποιήσεις για την υγεία.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. Εκτίμηση ηλικίας με βάση την τμηματοποίηση του θαλάμου 3D πολφού των πρώτων γομφίων από αξονική τομογραφία κωνικής δέσμης με ενσωμάτωση σειρών 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 στις Τεχνολογίες Εξόρυξης Δεδομένων στην Εποχή των Μεγάλων Δεδομένων.J. Avid.Βασική ιατρική.13, 57–69 (2020).
Shen, S. et αϊ.Μέθοδος Camerer για την εκτίμηση της ηλικίας των δοντιών με χρήση μηχανικής μάθησης.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.διεθνότητας.J. Νομική ιατρική.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM Ένα νέο σύστημα για την αξιολόγηση της οδοντικής ηλικίας.φύσημα.βιολογία.45, 211-227 (1973).
Landis, JR, and Koch, GG Μέτρα συμφωνίας παρατηρητή για κατηγορικά δεδομένα.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK και Choi HK.Υφή, μορφολογική και στατιστική ανάλυση δισδιάστατης μαγνητικής τομογραφίας με χρήση τεχνικών τεχνητής νοημοσύνης για διαφοροποίηση πρωτοπαθών όγκων εγκεφάλου.Πληροφορίες για την υγεία.πόρος.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Ώρα δημοσίευσης: Ιαν-04-2024