Nature.com сайтына киргениңиз үчүн рахмат. Сиз колдонуп жаткан браузердин версиясында CSS колдоосу чектелүү. Эң жакшы натыйжаларга жетүү үчүн, браузериңиздин жаңы версиясын колдонууну (же Internet Explorerде шайкештик режимин өчүрүүнү) сунуштайбыз. Ошол эле учурда, үзгүлтүксүз колдоону камсыз кылуу үчүн, биз сайтты стилдештирүүсүз же JavaScriptсиз көрсөтүп жатабыз.
Тиштер адам денесинин жашын аныктоочу эң так көрсөткүч болуп эсептелет жана көбүнчө соттук-медициналык жашты баалоодо колдонулат. Биз 18 жылдык босогонун баалоо тактыгын жана классификациялоо көрсөткүчтөрүн салттуу ыкмалар жана маалыматтарды казууга негизделген жашты баалоо менен салыштыруу аркылуу маалыматтарды казууга негизделген тиштин жашын баалоону текшерүүнү максат кылдык. 15 жаштан 23 жашка чейинки кореялык жана жапон жарандарынан жалпысынан 2657 панорамалык рентгенограмма чогултулган. Алар ар биринде 900 кореялык рентгенограмма камтылган окутуу топтомуна жана 857 жапон рентгенограммасын камтыган ички тест топтомуна бөлүнгөн. Биз салттуу ыкмалардын классификациялоо тактыгын жана натыйжалуулугун маалыматтарды казуу моделдеринин тест топтомдору менен салыштырдык. Ички тест топтомундагы салттуу ыкманын тактыгы маалыматтарды казуу моделине караганда бир аз жогору жана айырмасы аз (орточо абсолюттук ката <0,21 жыл, орточо квадраттык ката <0,24 жыл). 18 жылдык чектөө үчүн классификациялоо көрсөткүчү салттуу ыкмалар менен маалыматтарды казуу моделдеринин ортосунда да окшош. Ошентип, кореялык өспүрүмдөрдө жана жаштарда экинчи жана үчүнчү азуу тиштердин жетилгендигин колдонуу менен соттук-медициналык жаш курагын баалоодо салттуу ыкмаларды маалыматтарды издөө моделдери менен алмаштырууга болот.
Стоматологиялык жашты баалоо соттук-медициналык жана педиатриялык стоматологияда кеңири колдонулат. Атап айтканда, хронологиялык жаш менен стоматологиялык өнүгүүнүн ортосундагы жогорку корреляциядан улам, стоматологиялык өнүгүү этаптары боюнча жашты баалоо балдардын жана өспүрүмдөрдүн жашын баалоодо маанилүү критерий болуп саналат1,2,3. Бирок, жаштар үчүн стоматологиялык жашты стоматологиялык жетилгендикке жараша баалоо өзүнүн чектөөлөрүнө ээ, анткени үчүнчү азуу тиштерден тышкары, стоматологиялык өсүү дээрлик толук. Жаштардын жана өспүрүмдөрдүн жашын аныктоонун юридикалык максаты - алардын бойго жеткендиги жөнүндө так баалоолорду жана илимий далилдерди берүү. Кореядагы өспүрүмдөрдүн жана жаштардын медициналык-укуктук практикасында жашы Ли ыкмасын колдонуу менен бааланган жана Ох жана башкалар тарабынан билдирилген маалыматтардын негизинде 18 жаштын юридикалык босогосу болжолдонгон5.
Машиналык окутуу – бул көп көлөмдөгү маалыматтарды кайра-кайра үйрөнүп жана классификациялаган, маселелерди өз алдынча чечкен жана маалыматтарды программалоону башкарган жасалма интеллекттин (ЖИ) бир түрү. Машиналык окутуу чоң көлөмдөгү маалыматтардагы пайдалуу жашыруун үлгүлөрдү ача алат6. Ал эми эмгекти көп талап кылган жана убакытты көп талап кылган классикалык ыкмалар кол менен иштетүү кыйын болгон чоң көлөмдөгү татаал маалыматтар менен иштөөдө чектөөлөргө ээ болушу мүмкүн7. Ошондуктан, жакында эле адамдын каталарын минималдаштыруу жана көп өлчөмдүү маалыматтарды натыйжалуу иштетүү үчүн эң акыркы компьютердик технологияларды колдонуу менен көптөгөн изилдөөлөр жүргүзүлдү8,9,10,11,12. Атап айтканда, терең окутуу медициналык сүрөттөрдү талдоодо кеңири колдонулуп келет жана рентгенограммаларды автоматтык түрдө талдоо аркылуу жашты баалоо үчүн ар кандай ыкмалар жашты баалоо тактыгын жана натыйжалуулугун жогорулатат деп кабарланган13,14,15,16,17,18,19,20. Мисалы, Халаби жана башкалар 13 балдардын колдорунун рентгенограммаларын колдонуп, скелет жашын баалоо үчүн конволюциялык нейрон тармактарына (CNN) негизделген машиналык окутуу алгоритмин иштеп чыгышкан. Бул изилдөө медициналык сүрөттөргө машиналык окутууну колдонгон моделди сунуштайт жана бул ыкмалар диагностикалык тактыкты жакшырта аларын көрсөтөт. Ли жана башкалар14 терең окутуу CNNди колдонуу менен жамбаш сөөгүнүн рентген сүрөттөрүнөн жашты баалап, аларды сөөктөнүү этабын баалоо аркылуу регрессиянын жыйынтыктары менен салыштырышкан. Алар терең окутуу CNN модели салттуу регрессиялык модель менен бирдей жашты баалоо көрсөткүчүн көрсөтөрүн аныкташкан. Гуо жана башкалар тарабынан жүргүзүлгөн изилдөө [15] стоматологиялык ортофототасмаларга негизделген CNN технологиясынын жашка чыдамдуулук классификациясынын көрсөткүчүн баалаган жана CNN моделинин жыйынтыктары адамдардын анын жашка жараша классификациялоо көрсөткүчүнөн ашып түшкөнүн далилдеген.
Машиналык окутууну колдонуу менен жашты баалоо боюнча жүргүзүлгөн изилдөөлөрдүн көпчүлүгү терең окутуу ыкмаларын колдонот13,14,15,16,17,18,19,20. Терең окутууга негизделген жашты баалоо салттуу ыкмаларга караганда такыраак деп айтылат. Бирок, бул ыкма жашты баалоо үчүн илимий негизди, мисалы, баалоодо колдонулган жаш курагы боюнча көрсөткүчтөрдү көрсөтүүгө аз мүмкүнчүлүк берет. Текшерүүлөрдү ким жүргүзөрү боюнча юридикалык талаш-тартыштар да бар. Ошондуктан, терең окутууга негизделген жашты баалоону административдик жана сот органдары кабыл алуу кыйын. Маалыматтарды казып алуу (ДМ) - бул көп көлөмдөгү маалыматтардын ортосундагы пайдалуу корреляцияларды аныктоо ыкмасы катары күтүлгөн гана эмес, күтүлбөгөн маалыматты да ача турган ыкма6,21,22. Машиналык окутуу маалыматтарды казып алууда көп колдонулат жана маалыматтарды казып алуу да, машиналык окутуу да маалыматтардагы үлгүлөрдү табуу үчүн бир эле негизги алгоритмдерди колдонушат. Тиш өнүгүшүн колдонуу менен жашты баалоо эксперттин максаттуу тиштердин жетилгендигин баалоосуна негизделген жана бул баалоо ар бир максаттуу тиш үчүн этап катары көрсөтүлөт. ДМ тиш баалоо этабы менен чыныгы жаштын ортосундагы корреляцияны талдоо үчүн колдонулушу мүмкүн жана салттуу статистикалык анализди алмаштыруу мүмкүнчүлүгүнө ээ. Ошондуктан, эгерде биз жашты баалоодо DM ыкмаларын колдонсок, анда соттук-медициналык жашты баалоодо юридикалык жоопкерчилик жөнүндө кабатыр болбостон машиналык окутууну ишке ашыра алабыз. Соттук-медициналык практикада колдонулган салттуу кол менен жасалган ыкмаларга жана тиштин жашын аныктоо үчүн EBMге негизделген ыкмаларга мүмкүн болгон альтернативалар боюнча бир нече салыштырмалуу изилдөөлөр жарыяланган. Шен жана башкалар23 DM модели салттуу Камерер формуласына караганда такыраак экенин көрсөтүштү. Галибур жана башкалар24 Демирджиан критерийине ылайык жашты алдын ала айтуу үчүн ар кандай DM ыкмаларын колдонушкан25 жана жыйынтыктар DM ыкмасы француз калкынын жашын баалоодо Демирджиан жана Виллемс ыкмаларынан ашып түшкөнүн көрсөттү.
Кореялык өспүрүмдөрдүн жана жаштардын тиш жашын баалоо үчүн Линин 4-ыкмасы Кореянын соттук-медициналык практикасында кеңири колдонулат. Бул ыкма кореялык субъекттер менен хронологиялык жаштын ортосундагы байланышты изилдөө үчүн салттуу статистикалык анализди (мисалы, көптүк регрессия) колдонот. Бул изилдөөдө салттуу статистикалык ыкмаларды колдонуу менен алынган жашты баалоо ыкмалары "салттуу ыкмалар" деп аныкталат. Линин ыкмасы салттуу ыкма болуп саналат жана анын тактыгы Ох жана башкалар тарабынан тастыкталган. 5; бирок, Кореянын соттук-медициналык практикасында DM моделине негизделген жашты баалоо колдонулушу дагы эле күмөн жаратат. Биздин максатыбыз DM моделине негизделген жашты баалоо потенциалдуу пайдалуулугун илимий жактан ырастоо болгон. Бул изилдөөнүн максаты (1) тиш жашын баалоодо эки DM моделинин тактыгын салыштыруу жана (2) 18 жашындагы 7 DM моделинин классификациялык көрсөткүчтөрүн салттуу статистикалык ыкмаларды колдонуу менен алынгандар менен салыштыруу болгон. Эки жаактагы экинчи жана үчүнчү азуу тиштердин жетилиши.
Хронологиялык жаштын стадиясы жана тиштин түрү боюнча орточо маанилери жана стандарттык четтөөлөрү S1 кошумча таблицасында (машыгуу топтому), S2 кошумча таблицасында (ички тест топтому) жана S3 кошумча таблицасында (тышкы тест топтому) онлайн көрсөтүлгөн. Окутуу топтомунан алынган байкоочулардын ичиндеги жана өз ара ишенимдүүлүк үчүн каппа маанилери тиешелүүлүгүнө жараша 0,951 жана 0,947 түзгөн. Каппа маанилери үчүн P маанилери жана 95% ишеним аралыктары S4 кошумча таблицасында онлайн көрсөтүлгөн. Каппа мааниси Landis жана Koch26 критерийлерине ылайык "дээрлик кемчиликсиз" деп чечмеленген.
Орточо абсолюттук катаны (MAE) салыштырганда, салттуу ыкма көп катмарлуу перцептрондон (MLP) тышкары, бардык жыныстар үчүн жана тышкы эркек тест топтомунда DM моделинен бир аз ашып түшөт. Ички MAE тест топтомунда салттуу модель менен DM моделинин ортосундагы айырма эркектер үчүн 0,12–0,19 жыл жана аялдар үчүн 0,17–0,21 жылды түзгөн. Тышкы тест батареясы үчүн айырмачылыктар азыраак (эркектер үчүн 0,001–0,05 жыл жана аялдар үчүн 0,05–0,09 жыл). Мындан тышкары, орточо квадраттык ката (RMSE) салттуу ыкмага караганда бир аз төмөн, айырмачылыктары кичирээк (эркектердин ички тест топтому үчүн 0,17–0,24, 0,2–0,24 жана тышкы тест топтому үчүн 0,03–0,07, 0,04–0,08). MLP, аялдардын тышкы тест топтомун кошпогондо, бир катмарлуу перцептронго (SLP) караганда бир аз жакшыраак көрсөткүчтөрдү көрсөтөт. MAE жана RMSE үчүн тышкы тест топтому бардык жыныстар жана моделдер үчүн ички тест топтомуна караганда жогору упайларды алат. Бардык MAE жана RMSE 1-таблицада жана 1-сүрөттө көрсөтүлгөн.
Салттуу жана маалыматтарды казып алуу регрессиялык моделдеринин MAE жана RMSE. Орточо абсолюттук ката MAE, орточо квадраттык ката RMSE, бир катмарлуу перцептрон SLP, көп катмарлуу перцептрон MLP, салттуу CM ыкмасы.
Салттуу жана DM моделдеринин классификациялык көрсөткүчтөрү (18 жылдык чек ара менен) сезгичтик, спецификалуулук, оң божомолдук маани (PPV), терс божомолдук маани (NPV) жана кабыл алуучу иштөө мүнөздөмөсүнүн ийри сызыгынын астындагы аянт (AUROC) 27 жагынан көрсөтүлдү (2-таблица, 2-сүрөт жана 1-кошумча сүрөт онлайн). Ички сыноо батареясынын сезгичтиги жагынан салттуу ыкмалар эркектер арасында эң жакшы, ал эми аялдар арасында начарыраак натыйжа берди. Бирок, салттуу ыкмалар менен SD ортосундагы классификациялык көрсөткүчтөрдүн айырмасы эркектер үчүн 9,7% (MLP) жана аялдар үчүн 2,4% гана (XGBoost). DM моделдеринин арасында логистикалык регрессия (LR) эки жыныста тең жакшы сезгичтикти көрсөттү. Ички тест топтомунун спецификалуулугуна келсек, төрт SD модели эркектерде жакшы натыйжа көрсөтсө, салттуу модель аялдарда жакшы натыйжа көрсөттү. Эркектер жана аялдар үчүн классификациялык көрсөткүчтөрдөгү айырмачылыктар тиешелүүлүгүнө жараша 13,3% (MLP) жана 13,1% (MLP) түзөт, бул моделдердин ортосундагы классификациялык көрсөткүчтөрдүн айырмасы сезгичтиктен ашып түшөрүн көрсөтүп турат. DM моделдеринин арасында колдоо векторунун машинасы (SVM), чечим дарагы (DT) жана кокустук токой (RF) моделдери эркектер арасында эң жакшы көрсөткүчтөргө жетишти, ал эми LR модели аялдар арасында эң жакшы көрсөткүчтөргө жетишти. Салттуу моделдин жана бардык SD моделдеринин AUROC көрсөткүчү 0,925тен жогору болгон (эркектерде k-жакын кошуна (KNN)), бул 18 жаштагы үлгүлөрдү айырмалоодо эң сонун классификациялоо көрсөткүчтөрүн көрсөттү28. Тышкы тест топтому үчүн ички тест топтомуна салыштырмалуу сезгичтик, спецификалуулук жана AUROC жагынан классификациялоо көрсөткүчтөрүнүн төмөндөшү байкалган. Андан тышкары, эң жакшы жана эң начар моделдердин классификациялоо көрсөткүчтөрүнүн ортосундагы сезгичтик менен спецификалуулуктун айырмасы 10% дан 25% га чейин болгон жана ички тест топтомундагы айырмачылыктан чоң болгон.
18 жылдык чектөө менен салттуу ыкмалар менен салыштырганда маалыматтарды казып алуунун классификациялоо моделдеринин сезгичтиги жана өзгөчөлүгү. KNN k жакынкы кошунасы, SVM колдоо вектору машинасы, LR логистикалык регрессиясы, DT чечим дарагы, RF кокустук токой, XGB XGBoost, MLP көп катмарлуу перцептрон, салттуу CM ыкмасы.
Бул изилдөөнүн биринчи кадамы жети DM моделинен алынган тиш жашын эсептөөнүн тактыгын салттуу регрессияны колдонуу менен алынган эсептөөлөр менен салыштыруу болгон. MAE жана RMSE эки жыныс үчүн тең ички тест топтомдорунда бааланган жана салттуу ыкма менен DM моделинин ортосундагы айырма MAE үчүн 44 күндөн 77 күнгө чейин жана RMSE үчүн 62 күндөн 88 күнгө чейин болгон. Бул изилдөөдө салттуу ыкма бир аз такыраак болгону менен, мындай кичинекей айырмачылыктын клиникалык же практикалык мааниси барбы деген тыянак чыгаруу кыйын. Бул жыйынтыктар DM моделин колдонуу менен тиш жашын эсептөөнүн тактыгы салттуу ыкманыкына дээрлик окшош экенин көрсөтүп турат. Мурунку изилдөөлөрдүн жыйынтыктары менен түз салыштыруу кыйын, анткени бир дагы изилдөө DM моделдеринин тактыгын ушул изилдөөдөгүдөй эле курактык диапазондогу тиштерди жаздыруунун ошол эле ыкмасын колдонгон салттуу статистикалык ыкмалар менен салыштырган эмес. Галибур жана башкалар24 2 жаштан 24 жашка чейинки француз калкында эки салттуу ыкманын (Демиржян ыкмасы25 жана Виллемс ыкмасы29) жана 10 DM моделинин ортосундагы MAE жана RMSEни салыштырышкан. Алар бардык DM моделдери салттуу ыкмаларга караганда такыраак экенин билдиришти, MAEде 0,20 жана 0,38 жыл, ал эми RMSEде 0,25 жана 0,47 жыл айырмачылыктар Виллемс жана Демирджян ыкмаларына салыштырмалуу тиешелүүлүгүнө жараша болгон. Халибург изилдөөсүндө көрсөтүлгөн SD модели менен салттуу ыкмалардын ортосундагы айырмачылык бул изилдөөдө Демирджян ыкмасы изилдөө негизделген француз канадалыктарынан башка калктарда тиштин жашын так баалабайт деген көптөгөн билдирүүлөрдү эске алат30,31,32,33. Тай жана башкалар 1636 кытай ортодонтиялык сүрөттөрүнөн тиштин жашын алдын ала айтуу үчүн MLP алгоритмин колдонушкан жана анын тактыгын Демирджян жана Виллемс ыкмасынын жыйынтыктары менен салыштырышкан. Алар MLP салттуу ыкмаларга караганда жогорку тактыкка ээ экенин билдиришкен. Демирджян ыкмасы менен салттуу ыкманын ортосундагы айырма <0,32 жыл, ал эми Виллемс ыкмасы 0,28 жыл, бул азыркы изилдөөнүн жыйынтыктарына окшош. Бул мурунку изилдөөлөрдүн жыйынтыктары24,34 да ушул изилдөөнүн жыйынтыктары менен дал келет жана DM моделинин жана салттуу ыкманын жашты баалоо тактыгы окшош. Бирок, берилген жыйынтыктарга таянып, салыштырмалуу жана шилтеме мурунку изилдөөлөрүнүн жоктугунан улам, жашты баалоо үчүн DM моделдерин колдонуу учурдагы ыкмаларды алмаштырышы мүмкүн деген этияттык менен гана тыянак чыгара алабыз. Бул изилдөөдө алынган жыйынтыктарды ырастоо үчүн чоңураак үлгүлөрдү колдонуу менен кийинки изилдөөлөр талап кылынат.
Тиш жашын баалоодо SD тактыгын текшерген изилдөөлөр арасында айрымдары биздин изилдөөгө караганда жогорку тактыкты көрсөтүштү. Степановский жана башкалар 35 2,7 жаштан 20,5 жашка чейинки 976 чех тургунунун панорамалык рентгенограммаларына 22 SD моделин колдонуп, ар бир моделдин тактыгын текшеришкен. Алар Муррис жана башкалар 36 тарабынан сунушталган классификация критерийлерин колдонуп, жалпысынан 16 жогорку жана төмөнкү сол туруктуу тиштердин өнүгүшүн баалашты. MAE 0,64 жаштан 0,94 жашка чейин, ал эми RMSE 0,85 жаштан 1,27 жашка чейин, бул изилдөөдө колдонулган эки DM моделине караганда такыраак. Шен жана башкалар 5 жаштан 13 жашка чейинки чыгыш кытай тургундарынын сол жаак жаагындагы жети туруктуу тиштин тиш жашын баалоо үчүн Камьере ыкмасын колдонушкан жана аны сызыктуу регрессия, SVM жана RF колдонуу менен бааланган жаш курак менен салыштырышкан. Алар үч DM моделинин тең салттуу Камьере формуласына салыштырмалуу жогорку тактыкка ээ экенин көрсөтүштү. Шендин изилдөөсүндөгү MAE жана RMSE бул изилдөөдөгү DM моделиндегиге караганда төмөн болгон. Степановский жана башкалар 35 жана Шен жана башкалар 23 жүргүзгөн изилдөөлөрүнүн тактыгынын жогорулашы жаш катышуучуларды изилдөө үлгүлөрүнө кошуу менен байланыштуу болушу мүмкүн. Тиштери өсүп жаткан катышуучулардын жаш курагын баалоо тиштердин өнүгүүсү учурунда тиштердин саны көбөйгөн сайын так болуп калгандыктан, изилдөө катышуучулары жаш болгондо, натыйжада жашты баалоо ыкмасынын тактыгы төмөндөшү мүмкүн. Мындан тышкары, жашты баалоодогу MLP катасы SLPге караганда бир аз азыраак, бул MLP SLPге караганда такыраак дегенди билдирет. MLP жашты баалоо үчүн бир аз жакшыраак деп эсептелет, балким, MLP38деги жашыруун катмарларга байланыштуу. Бирок, аялдардын сырткы үлгүсү үчүн өзгөчөлүк бар (SLP 1.45, MLP 1.49). Жашты баалоодо MLP SLPге караганда такыраак деген жыйынтык кошумча ретроспективдүү изилдөөлөрдү талап кылат.
DM моделинин жана салттуу ыкманын 18 жылдык босогодогу классификациялык көрсөткүчтөрү да салыштырылды. Бардык сыналган SD моделдери жана ички тест топтомундагы салттуу ыкмалар 18 жаштагы үлгү үчүн дискриминациянын иш жүзүндө кабыл алынган деңгээлдерин көрсөттү. Эркектер жана аялдар үчүн сезгичтик тиешелүүлүгүнө жараша 87,7% жана 94,9% дан жогору, ал эми спецификалуулук 89,3% жана 84,7% дан жогору болгон. Бардык сыналган моделдердин AUROC көрсөткүчү да 0,925тен ашат. Биздин билишибизче, бир дагы изилдөө тиштин жетилишине негизделген 18 жылдык классификация үчүн DM моделинин көрсөткүчтөрүн текшерген эмес. Бул изилдөөнүн жыйынтыктарын панорамалык рентгенограммалардагы терең окутуу моделдеринин классификациялык көрсөткүчтөрү менен салыштыра алабыз. Гуо жана башкалар15 белгилүү бир жаш курагы боюнча CNNге негизделген терең окутуу моделинин жана Демиржяндын ыкмасына негизделген кол менен жасалган ыкманын классификациялык көрсөткүчтөрүн эсептеп чыгышкан. Кол менен жасалган ыкманын сезгичтиги жана өзгөчөлүгү тиешелүүлүгүнө жараша 87,7% жана 95,5% түзгөн, ал эми CNN моделинин сезгичтиги жана өзгөчөлүгү тиешелүүлүгүнө жараша 89,2% жана 86,6% ашкан. Алар терең окутуу моделдери жаш курактык босоголорду классификациялоодо кол менен баалоону алмаштыра алат же андан ашып кете алат деген жыйынтыкка келишкен. Бул изилдөөнүн жыйынтыктары окшош классификациялоо көрсөткүчтөрүн көрсөттү; DM моделдерин колдонуу менен классификациялоо жаш куракты баалоо үчүн салттуу статистикалык ыкмаларды алмаштыра алат деп эсептелет. Моделдердин арасында DM LR эркек үлгү үчүн сезгичтик жана аял үлгү үчүн сезгичтик жана өзгөчөлүк жагынан эң мыкты модель болгон. LR эркектер үчүн өзгөчөлүк боюнча экинчи орунда турат. Андан тышкары, LR колдонуучуга ыңгайлуу DM35 моделдеринин бири деп эсептелет жана анча татаал эмес жана иштетүү кыйын. Бул жыйынтыктардын негизинде LR кореялык калктын арасында 18 жаштагылар үчүн эң мыкты чектик классификация модели деп эсептелген.
Жалпысынан алганда, тышкы тест топтомундагы жаш куракты баалоо же классификациялоо көрсөткүчтөрүнүн тактыгы ички тест топтомундагы жыйынтыктарга салыштырмалуу начар же төмөн болгон. Айрым отчеттордо кореялык калкка негизделген жаш курактык баалоо жапон калкына колдонулганда классификациялоо тактыгы же натыйжалуулугу төмөндөй турганы көрсөтүлгөн5,39 жана ушул изилдөөдө ушул сыяктуу үлгү табылган. Бул начарлоо тенденциясы DM моделинде да байкалган. Ошондуктан, жашты так баалоо үчүн, атүгүл DMди анализ процессинде колдонгондо да, жергиликтүү калктын маалыматтарынан алынган ыкмалар, мисалы, салттуу ыкмалар артыкчылыктуу болушу керек5,39,40,41,42. Терең окутуу моделдери окшош тенденцияларды көрсөтө алабы же жокпу белгисиз болгондуктан, жасалма интеллект бул расалык айырмачылыктарды чектелген курактагы баалоолордо жеңе алабы же жокпу, ырастоо үчүн ошол эле үлгүлөрдөгү салттуу ыкмаларды, DM моделдерин жана терең окутуу моделдерин колдонуу менен классификациялоо тактыгын жана натыйжалуулугун салыштырган изилдөөлөр керек.
Кореядагы соттук-медициналык жашты баалоо практикасында салттуу ыкмаларды DM моделине негизделген жашты баалоо менен алмаштырууга болорун көрсөтөбүз. Ошондой эле, соттук-медициналык жашты баалоо үчүн машиналык окутууну ишке ашыруу мүмкүнчүлүгүн ачтык. Бирок, жыйынтыктарды так аныктоо үчүн бул изилдөөгө катышуучулардын санынын жетишсиздиги жана бул изилдөөнүн жыйынтыктарын салыштыруу жана ырастоо үчүн мурунку изилдөөлөрдүн жоктугу сыяктуу ачык чектөөлөр бар. Келечекте, салттуу ыкмаларга салыштырмалуу практикалык колдонулушун жакшыртуу үчүн DM изилдөөлөрү көбүрөөк сандагы үлгүлөр жана ар түрдүү популяциялар менен жүргүзүлүшү керек. Бир нече популяцияларда жашты баалоо үчүн жасалма интеллектти колдонуунун мүмкүнчүлүгүн текшерүү үчүн, DM жана терең окутуу моделдеринин классификациясынын тактыгын жана натыйжалуулугун ошол эле үлгүлөрдөгү салттуу ыкмалар менен салыштыруу үчүн келечектеги изилдөөлөр талап кылынат.
Изилдөөдө 15 жаштан 23 жашка чейинки кореялык жана жапондук чоңдордон чогултулган 2657 орфографиялык сүрөт колдонулган. Кореялык рентгенограммалар 900 машыгуу топтомуна (19,42 ± 2,65 жаш) жана 900 ички тест топтомуна (19,52 ± 2,59 жаш) бөлүнгөн. Окутуу топтому бир мекемеде (Сеул Сент-Мэри ооруканасында), ал эми өзүнүн тест топтому эки мекемеде (Сеул Улуттук университетинин стоматологиялык ооруканасында жана Йонсей университетинин стоматологиялык ооруканасында) чогултулган. Ошондой эле, тышкы тестирлөө үчүн башка калкка негизделген маалыматтардан (Ивате медициналык университети, Япония) 857 рентгенограмма чогултулган. Тышкы тест топтому катары жапон субъекттеринин (19,31 ± 2,60 жаш) рентгенограммалары тандалып алынган. Тиш дарылоо учурунда тартылган панорамалык рентгенограммалардагы тиштин өнүгүү этаптарын талдоо үчүн маалыматтар ретроспективдүү түрдө чогултулган. Жынысы, туулган күнү жана рентгенограмманын күнүнөн башка чогултулган бардык маалыматтар анонимдүү болгон. Кошумча жана алып салуу критерийлери мурда жарыяланган изилдөөлөр менен бирдей болгон 4, 5. Үлгүнүн чыныгы жашы рентгенограмма тартылган күндөн туулган күнүн кемитүү менен эсептелген. Үлгү тобу тогуз жаш курагы боюнча топторго бөлүнгөн. Жаш курагы жана жынысы боюнча бөлүштүрүүлөр 3-таблицада көрсөтүлгөн. Бул изилдөө Хельсинки декларациясына ылайык жүргүзүлүп, Кореянын Католик университетинин Сеул Сент-Мэри ооруканасынын Институционалдык кароо кеңеши (IRB) тарабынан бекитилген (KC22WISI0328). Бул изилдөөнүн ретроспективдүү дизайнына байланыштуу, терапиялык максаттарда рентгенографиялык текшерүүдөн өтүп жаткан бардык бейтаптардан маалымдуу макулдук алуу мүмкүн болгон жок. Сеул Корея университетинин Сент-Мэри ооруканасы (IRB) маалымдуу макулдук талабынан баш тартты.
Эки жаак тиштеринин экинчи жана үчүнчү азуу тиштеринин өнүгүү этаптары Демиркан критерийлерине ылайык бааланган25. Эгерде ар бир жаактын сол жана оң жагында бирдей типтеги тиш табылса, бир гана тиш тандалып алынган. Эгерде эки тараптагы гомологиялык тиштер ар кандай өнүгүү этаптарында болсо, болжолдуу жаш курагындагы белгисиздикти эске алуу үчүн төмөнкү өнүгүү этабындагы тиш тандалып алынган. Тиштердин жетилүү этабын аныктоо үчүн алдын ала калибрлөөдөн кийин байкоочулардын ортосундагы ишенимдүүлүктү текшерүү үчүн эки тажрыйбалуу байкоочу тарабынан окутуу топтомунан кокустук жол менен тандалган жүз рентгенограмма алынган. Байкоочулардын ортосундагы ишенимдүүлүк негизги байкоочу тарабынан үч айлык аралыкта эки жолу бааланган.
Окутуу топтомундагы ар бир жаактын экинчи жана үчүнчү азуу тиштеринин жынысы жана өнүгүү этабы ар кандай DM моделдери менен окутулган негизги байкоочу тарабынан бааланган жана чыныгы жаш максаттуу маани катары коюлган. Машиналык окутууда кеңири колдонулган SLP жана MLP моделдери регрессиялык алгоритмдерге каршы текшерилген. DM модели төрт тиштин өнүгүү этаптарын колдонуу менен сызыктуу функцияларды айкалыштырат жана жашты баалоо үчүн бул маалыматтарды бириктирет. SLP эң жөнөкөй нейрон тармагы болуп саналат жана жашыруун катмарларды камтыбайт. SLP түйүндөрдүн ортосундагы босого өткөрүүгө негизделген. Регрессиядагы SLP модели математикалык жактан көп сызыктуу регрессияга окшош. SLP моделинен айырмаланып, MLP моделинде сызыктуу эмес активдештирүү функциялары бар бир нече жашыруун катмарлар бар. Биздин эксперименттерде сызыктуу эмес активдештирүү функциялары бар болгону 20 жашыруун түйүндөрү бар жашыруун катмар колдонулган. Оптималдаштыруу ыкмасы катары градиенттик түшүүнү жана машиналык окутуу моделибизди окутуу үчүн жоготуу функциясы катары MAE жана RMSE колдонуңуз. Эң жакшы алынган регрессиялык модель ички жана тышкы тест топтомдоруна колдонулуп, тиштердин жашы бааланган.
Окутуу топтомундагы төрт тиштин жетилгендигин колдонуп, үлгүнүн 18 жашта экенин же жокпу, алдын ала айтуу үчүн классификациялоо алгоритми иштелип чыккан. Моделди куруу үчүн биз жети көрсөтүүчү машиналык үйрөнүү алгоритмдерин чыгардык6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost жана (7) MLP. LR эң кеңири колдонулган классификациялоо алгоритмдеринин бири44. Бул белгилүү бир категорияга тиешелүү маалыматтардын ыктымалдуулугун 0дөн 1ге чейин алдын ала айтуу үчүн регрессияны колдонгон жана маалыматтарды ушул ыктымалдуулукка негизделген ыктымалдуураак категорияга таандык деп классификациялаган көзөмөлдөнгөн үйрөнүү алгоритми; негизинен экилик классификация үчүн колдонулат. KNN эң жөнөкөй машиналык үйрөнүү алгоритмдеринин бири45. Жаңы киргизүү маалыматтары берилгенде, ал бар болгон топтомго жакын k маалыматтарды табат жана андан кийин аларды эң жогорку жыштыктагы класска классификациялайт. Каралган кошуналардын саны (k) үчүн 3 коёбуз. SVM - бул сызыктуу мейкиндикти талаалар деп аталган сызыктуу эмес мейкиндикке кеңейтүү үчүн ядро функциясын колдонуу менен эки класстын ортосундагы аралыкты максималдаштыруучу алгоритм46. Бул модель үчүн биз полиномдук ядро үчүн гиперпараметрлер катары ката = 1, күч = 1 жана гамма = 1 колдонобуз. DT ар кандай тармактарда чечим кабыл алуу эрежелерин дарак түзүмүндө көрсөтүү менен бүтүндөй маалыматтар топтомун бир нече кичи топторго бөлүү алгоритми катары колдонулган47. Модель ар бир түйүн үчүн минималдуу жазуулардын саны 2 менен конфигурацияланган жана сапаттын өлчөмү катары Джини индексин колдонот. RF - бул баштапкы маалыматтар топтомунан бир нече жолу бирдей өлчөмдөгү үлгүлөрдү кокустук түрдө алуу менен ар бир үлгү үчүн алсыз классификаторду түзгөн bootstrap агрегация ыкмасын колдонуу менен иштин натыйжалуулугун жогорулатуу үчүн бир нече DTлерди бириктирген ансамблдик ыкма48. Түйүндөрдү бөлүү критерийлери катары биз 100 даракты, 10 дарактын тереңдигин, 1 минималдуу түйүн өлчөмүн жана Джини аралашма индексин колдондук. Жаңы маалыматтардын классификациясы көпчүлүк добуш менен аныкталат. XGBoost - бул окутуу маалыматтары катары мурунку моделдин чыныгы жана болжолдонгон маанилеринин ортосундагы катаны кабыл алган жана градиенттерди колдонуп катаны көбөйткөн ыкманы колдонуп күчөтүү ыкмаларын айкалыштырган алгоритм49. Бул жакшы иштеши жана ресурстардын натыйжалуулугу, ошондой эле ашыкча тууралоочу коррекция функциясы катары жогорку ишенимдүүлүгүнөн улам кеңири колдонулган алгоритм. Модель 400 колдоочу дөңгөлөктөр менен жабдылган. MLP - бул бир же бир нече перцептрондор киргизүү жана чыгаруу катмарларынын ортосунда бир же бир нече жашыруун катмарлары бар бир нече катмарларды түзгөн нейрон тармагы38. Муну колдонуп, сиз сызыктуу эмес классификацияны жүргүзө аласыз, мында сиз киргизүү катмарын кошуп, натыйжа маанисин алганда, болжолдонгон натыйжа мааниси чыныгы натыйжа мааниси менен салыштырылат жана ката кайра таралат. Биз ар бир катмарда 20 жашыруун нейрондон турган жашыруун катмар түздүк. Биз иштеп чыккан ар бир модель сезгичтикти, спецификалуулукту, PPV, NPV жана AUROC эсептөө аркылуу классификациянын иштешин текшерүү үчүн ички жана тышкы топтомдорго колдонулган. Сезгичтик 18 жашта же андан улуу деп эсептелген үлгүнүн 18 жашта же андан улуу деп эсептелген үлгүгө болгон катышы катары аныкталат. Өзгөчөлүк - бул 18 жашка чейинки жана 18 жашка чейинки деп эсептелген үлгүлөрдүн үлүшү.
Окутуу топтомунда бааланган тиш стадиялары статистикалык талдоо үчүн сандык стадияларга айландырылды. Ар бир жыныс үчүн болжолдуу моделдерди иштеп чыгуу жана жашты баалоо үчүн колдонула турган регрессиялык формулаларды алуу максатында көп өзгөрмөлүү сызыктуу жана логистикалык регрессия жүргүзүлдү. Биз бул формулаларды ички жана тышкы тест топтомдору үчүн тиштин жашын баалоо үчүн колдондук. 4-таблицада бул изилдөөдө колдонулган регрессиялык жана классификациялык моделдер көрсөтүлгөн.
Байкоочулар аралык жана байкоочулар аралык ишенимдүүлүк Коэндин каппа статистикасын колдонуу менен эсептелген. DM жана салттуу регрессиялык моделдердин тактыгын текшерүү үчүн биз ички жана тышкы тест топтомдорунун болжолдуу жана чыныгы жашын колдонуп, MAE жана RMSE эсептедик. Бул каталар көбүнчө моделдин божомолдорунун тактыгын баалоо үчүн колдонулат. Ката канчалык кичине болсо, божомолдун тактыгы ошончолук жогору болот24. DM жана салттуу регрессияны колдонуу менен эсептелген ички жана тышкы тест топтомдорунун MAE жана RMSE салыштырыңыз. Салттуу статистикадагы 18 жылдык чектөөнүн классификациялык көрсөткүчтөрү 2 × 2 шарттуу таблицаны колдонуу менен бааланган. Тест топтомунун эсептелген сезгичтиги, спецификалуулугу, PPV, NPV жана AUROC DM классификация моделинин өлчөнгөн маанилери менен салыштырылган. Маалыматтар маалыматтардын мүнөздөмөлөрүнө жараша орточо ± стандарттык четтөө же сан (%) катары көрсөтүлөт. Эки тараптуу P маанилери <0.05 статистикалык жактан маанилүү деп эсептелген. Бардык кадимки статистикалык анализдер SAS 9.4 версиясын (SAS институту, Кэри, Түндүк Каролина) колдонуу менен жүргүзүлдү. DM регрессиялык модели Python тилинде Keras50 2.2.4 сервердик версиясын жана Tensorflow51 1.8.0 программасын математикалык операциялар үчүн атайын колдонуу менен ишке ашырылган. DM классификациялоо модели Waikato билим талдоо чөйрөсүндө жана Konstanz Information Miner (KNIME) 4.6.152 талдоо платформасында ишке ашырылган.
Авторлор изилдөөнүн тыянактарын тастыктаган маалыматтарды макаладан жана кошумча материалдардан тапса болорун моюнга алышат. Изилдөө учурунда түзүлгөн жана/же талданган маалыматтар топтому тиешелүү автордон акылга сыярлык суроо-талап боюнча жеткиликтүү.
Ритц-Тимме, С. жана башкалар. Жаш курагын баалоо: соттук-медициналык практиканын белгилүү бир талаптарына жооп берүүчү заманбап абал. эл аралык. Юридикалык медицина журналы. 113, 129–136 (2000).
Шмелинг, А., Рейзингер, В., Гесерик, Г. жана Олзе, А. Кылмыш ишин козгоо максатында тирүү субъекттердин жашын соттук-медициналык баалоонун учурдагы абалы. Криминалистика. медицина. Патология. 1, 239–246 (2005).
Пан, Ж. жана башкалар. Кытайдын чыгышындагы 5 жаштан 16 жашка чейинки балдардын стоматологиялык жашын баалоо үчүн өзгөртүлгөн ыкма. клиникалык. Оозеки сурамжылоо. 25, 3463–3474 (2021).
Ли, С.С. ж.б. Кореялыктардын экинчи жана үчүнчү азуу тиштеринин өнүгүү хронологиясы жана анын соттук-медициналык жаш курагын баалоодо колдонулушу. Эл аралык. Юридикалык медицина журналы. 124, 659–665 (2010).
О, С., Кумагай, А., Ким, С.И. жана Ли, СС. Кореялыктар менен жапондордо экинчи жана үчүнчү азуу тиштердин жетилишине негизделген жаш куракты аныктоонун жана 18 жылдык босогону эсептөөнүн тактыгы. PLoS ONE 17, e0271247 (2022).
Ким, JY жана башкалар. Операцияга чейинки машиналык окутууга негизделген маалыматтарды талдоо OSA менен ооруган бейтаптарда уйку хирургиясын дарылоонун натыйжаларын алдын ала айта алат. илим. 11-отчет, 14911 (2021).
Хан, М. жана башкалар. Адамдын кийлигишүүсү мененби же жокпу, машиналык окутуудан жаш куракты так баалоо? Эл аралык. Юридикалык медицина журналы. 136, 821–831 (2022).
Хан, С. жана Шахин, М. Маалыматтарды казып алуудан маалыматтарды казып алууга чейин. J. Маалымат. илим. https://doi.org/10.1177/01655515211030872 (2021).
Хан, С. жана Шахин, М. ВисРуле: Ассоциациялык эрежелерди издөөнүн биринчи когнитивдик алгоритми. Маалымат журналы. Илим. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. жана Абдулла У. Карм: Контекстке негизделген ассоциация эрежелерине негизделген салттуу маалыматтарды казып алуу. эсептөө. Мт. уландысы. 68, 3305–3322 (2021).
Мухаммад М., Рехман З., Шахин М., Хан М. жана Хабиб М. Тексттик маалыматтарды колдонуу менен терең үйрөнүүгө негизделген семантикалык окшоштукту аныктоо. Маалымат. технологиялар. Башкаруу. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З. жана Шахин, М. Спорттук видеолордогу активдүүлүктү таануу системасы. Мультимедиа. Куралдар Колдонмолор https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, С.С. жана башкалар. Балдардын сөөк курагындагы RSNA машиналык окутуу чакырыгы. Радиология 290, 498–503 (2019).
Ли, Ю. жана башкалар. Терең окутууну колдонуу менен жамбаш сөөгүнүн рентген нурларынан соттук-медициналык жаш курагын баалоо. ЕВРО. нурлануу. 29, 2322–2329 (2019).
Гуо, Ю.К. жана башкалар. Кол менен жасалган ыкмаларды жана орфографиялык проекциялык сүрөттөрдөн алынган терең конволюциялык нейрон тармактарын колдонуу менен так жаш курактык классификациялоо. эл аралык. Юридикалык медицина журналы. 135, 1589–1597 (2021).
Алабама Далора жана башкалар. Ар кандай машиналык окутуу ыкмаларын колдонуу менен сөөк жашын баалоо: системалуу адабияттарды карап чыгуу жана мета-анализ. PLoS ONE 14, e0220242 (2019).
Ду, Х., Ли, Г., Ченг, К., жана Ян, Дж. Конус нурлуу компьютердик томографияны колдонуу менен биринчи азуу тиштеринин пульпа камерасынын көлөмүнө негизделген афроамерикалыктардын жана кытайлыктардын калктын жаш курагына жараша баалоо. эл аралык. Юридикалык медицина журналы. 136, 811–819 (2022).
Ким С., Ли Ю.Х., Но Ю.К., Парк Ф.К. жана О.К.С. Тирүү адамдардын жаш курактык топторун жасалма интеллектке негизделген биринчи азуу тиштердин сүрөттөрүн колдонуу менен аныктоо. Илим. 11-отчет, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. жана Urschler, M. Көп өзгөрмөлүү MRI маалыматтарынан жаш куракты автоматтык түрдө баалоо жана көпчүлүк курактык классификациялоо. IEEE J. Biomed. Ден соолук жөнүндө эскертүүлөр. 23, 1392–1403 (2019).
Ченг, К., Ге, З., Ду, Х. жана Ли, Г. Терең окутууну жана деңгээл топтомдорун интеграциялоо аркылуу конус нурлуу компьютердик томографиядан алынган биринчи азуу тиштердин 3D пульпа камерасын сегменттөөгө негизделген жаш курагын баалоо. Эл аралык. Юридикалык медицина журналы. 135, 365–373 (2021).
Ву, ВТ ж.б. Клиникалык чоң маалыматтарда маалыматтарды казып алуу: жалпы маалымат базалары, кадамдар жана ыкмалардын моделдери. Дүйнөлүк. медицина. булак. 8, 44 (2021).
Янг, Ж. жана башкалар. Чоң маалыматтар доорундагы медициналык маалымат базаларына жана маалыматтарды казып алуу технологияларына киришүү. Ж. Эйвид. Негизги медицина. 13, 57–69 (2020).
Шен, С. жана башкалар. Машиналык окутууну колдонуу менен тиштин жашын баалоо үчүн Камерердин ыкмасы. BMC Oral Health 21, 641 (2021).
Галлибург А. жана башкалар. Демирджяндын этаптоо ыкмасын колдонуп, тиштин жашын алдын ала айтуу үчүн ар кандай машиналык окутуу ыкмаларын салыштыруу. эл аралык. Юридикалык медицина журналы. 135, 665–675 (2021).
Демирджян, А., Голдштейн, Х. жана Таннер, ЖМ. Тиш жашын баалоо үчүн жаңы система. Снорт. биология. 45, 211–227 (1973).
Ландис, JR жана Кох, GG Категориялык маалыматтар боюнча байкоочулардын макулдашуусунун өлчөмдөрү. Biometrics 33, 159–174 (1977).
Бхаттачарджи С, Пракаш Д, Ким С, Ким ХК жана Чой ХК. Баш мээнин баштапкы шишиктерин дифференциациялоо үчүн жасалма интеллект ыкмаларын колдонуу менен эки өлчөмдүү магниттик-резонанстык томографиянын текстуралык, морфологиялык жана статистикалык анализи. Ден соолук жөнүндө маалымат. ресурс. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Жарыяланган убактысы: 2024-жылдын 4-январы