Nature.com сайтына киргениңиз үчүн рахмат.Сиз колдонуп жаткан браузердин версиясы чектелген CSS колдоосуна ээ.Мыкты натыйжалар үчүн браузериңиздин жаңыраак версиясын колдонууну сунуштайбыз (же Internet Explorerде шайкештик режимин өчүрүүнү).Ошол эле учурда, үзгүлтүксүз колдоону камсыз кылуу үчүн биз сайтты стилдөөсүз же JavaScriptсиз көрсөтүп жатабыз.
Тиш адам денесинин жаш курагынын эң так көрсөткүчү болуп эсептелет жана көбүнчө жаш курагын соттук-медициналык баалоодо колдонулат.Биз 18 жылдык босогону баалоо тактыгын жана классификациялоо көрсөткүчтөрүн салттуу ыкмалар жана маалыматтарды казуунун негизиндеги курактык эсептөөлөр менен салыштыруу аркылуу маалыматтарды казып алуунун негизинде стоматологиялык курактык эсептөөлөрдү ырастоону максат кылдык.15 жаштан 23 жашка чейинки кореялык жана жапониялык жарандардан жалпысынан 2657 панорамалык рентгенография чогултулган.Алар ар биринде 900 корей рентгенографиясы жана 857 жапон рентгенографиясы камтылган ички тесттик топтомго бөлүнгөн.Биз классификациянын тактыгын жана салттуу методдордун эффективдүүлүгүн маалыматтарды казып алуу моделдеринин тесттик комплекстери менен салыштырдык.Ички тесттик топтомдо салттуу ыкманын тактыгы маалыматтарды казып алуу моделине караганда бир аз жогору жана айырма аз (абсолюттук катаны билдирет <0,21 жыл, түпкү орточо квадраттык ката <0,24 жыл).18 жылдык кесүү үчүн классификация көрсөткүчтөрү салттуу ыкмалар менен маалыматтарды казып алуу моделдеринин ортосунда да окшош.Ошентип, салттуу ыкмалар кореялык өспүрүмдөрдүн жана жаштардын экинчи жана үчүнчү азуу тиштеринин жетилгендигин пайдалануу менен криминалистикалык жашты баалоодо маалыматтарды казып алуу моделдери менен алмаштырылышы мүмкүн.
Стоматологиялык жашты баалоо соттук медицинада жана педиатриялык стоматологияда кеңири колдонулат.Айрыкча, хронологиялык жаш менен стоматологиялык өнүгүүнүн ортосундагы жогорку корреляциядан улам тиштин өнүгүү этаптары боюнча жашты баалоо балдардын жана өспүрүмдөрдүн жашын баалоо үчүн маанилүү критерий болуп саналат1,2,3.Бирок, жаштар үчүн стоматологиялык жашты тиштин жетилгендигине жараша баалоодо чектөөлөр бар, анткени үчүнчү азуу тиштерин кошпогондо, тиштин өсүшү дээрлик аяктайт.Жаштардын жана өспүрүмдөрдүн жаш курагын аныктоонун мыйзамдык максаты – алардын бойго жеткен-жетпегендигин так эсептөөлөрдү жана илимий жактан далилдөө.Кореядагы өспүрүмдөрдүн жана жаштардын медициналык-укуктук практикасында жашы Ли методун колдонуу менен бааланган жана Oh et al 5 билдирген маалыматтардын негизинде 18 жыл мыйзам чегинде болжолдонгон.
Машина үйрөнүү – бул көп көлөмдөгү маалыматтарды кайра-кайра үйрөнүп, классификациялаган, өз алдынча маселелерди чечкен жана берилиштерди программалоону башкарган жасалма интеллекттин (AI) бир түрү.Машина үйрөнүү чоң көлөмдөгү маалыматтардын пайдалуу жашыруун үлгүлөрүн таба алат6.Ал эми, эмгекти көп талап кылган жана көп убакытты талап кылган классикалык методдор кол менен иштетүү кыйын болгон чоң көлөмдөгү татаал маалыматтар менен иштөөдө чектөөлөргө ээ болушу мүмкүн7.Ошондуктан, адам каталарын азайтуу жана көп өлчөмдүү маалыматтарды натыйжалуу иштетүү үчүн акыркы компьютердик технологияларды колдонуу менен жакында көптөгөн изилдөөлөр жүргүзүлдү8,9,10,11,12.Атап айтканда, терең үйрөнүү медициналык сүрөттөлүштү талдоодо кеңири колдонулуп, жашты аныктоонун тактыгын жана натыйжалуулугун жогорулатуу үчүн радиографияны автоматтык түрдө талдоо аркылуу жашты аныктоонун ар кандай ыкмалары билдирилген13,14,15,16,17,18,19,20 .Мисалы, Халаби жана башкалар 13 балдардын колунун рентгенографиясын колдонуу менен скелеттин жашын баалоо үчүн конволюциялык нейрон тармактарына (CNN) негизделген машинаны үйрөнүү алгоритмин иштеп чыгышкан.Бул изилдөө медициналык сүрөттөргө машиналык үйрөнүүнү колдонгон моделди сунуштайт жана бул ыкмалар диагностикалык тактыкты жакшыртаарын көрсөтөт.Li et al14 терең үйрөнүү CNN аркылуу жамбаш рентген сүрөттөрүнөн жаш курагын эсептеп, оссификация стадиясын баалоо аркылуу регрессия натыйжалары менен салыштырышкан.Алар терең үйрөнүү CNN модели салттуу регрессия модели сыяктуу эле жашты баалоо көрсөткүчтөрүн көрсөткөнүн аныкташкан.Guo et al.'s [15] изилдөөсү CNN технологиясынын курактык толеранттуулук классификациясынын стоматологиялык ортофотолордун негизинде бааланган жана CNN моделинин натыйжалары анын жаш курактык классификациясынын көрсөткүчтөрүнөн адамдар ашып кеткендигин далилдеген.
Машина үйрөнүү аркылуу жашты баалоо боюнча изилдөөлөрдүн көбү терең үйрөнүү ыкмаларын колдонушат13,14,15,16,17,18,19,20.Терең үйрөнүүгө негизделген жашты баалоо салттуу ыкмаларга караганда такыраак экени айтылат.Бирок, бул ыкма курактык эсептөөлөрдүн илимий негиздерин көрсөтүүгө аз мүмкүнчүлүк берет, мисалы, баалоодо колдонулган курактык көрсөткүчтөр.Текшерүүлөрдү ким жүргүзөт деген юридикалык талаш да бар.Ошондуктан, терең билимге негизделген жаш куракты аныктоо административдик жана сот органдары тарабынан кабыл алынышы кыйын.Маалыматтарды казып алуу (ДМ) – бул чоң көлөмдөгү маалыматтардын ортосундагы пайдалуу корреляцияларды табуу ыкмасы катары күтүлгөн гана эмес, күтүлбөгөн маалыматты да таба ала турган ыкма6,21,22.Машиналарды үйрөнүү көбүнчө маалыматтарды казып алууда колдонулат жана маалыматтарды казып алуу жана машина үйрөнүү маалыматтардагы үлгүлөрдү табуу үчүн бирдей негизги алгоритмдерди колдонушат.Стоматологиялык өнүгүүнү колдонуу менен жаш куракты аныктоо максаттуу тиштердин жетилгендигин текшерүүчү баалоого негизделет жана бул баа ар бир максаттуу тиш үчүн этап катары көрсөтүлөт.DM стоматологиялык 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, юридикалык жоопкерчилик жөнүндө ойлонбостон, соттук жашты баалоодо машиналык үйрөнүүнү ишке ашыра алабыз.Бир нече салыштырма изилдөөлөр соттук практикада колдонулган салттуу кол ыкмаларына мүмкүн болгон альтернативалар жана стоматологиялык жашты аныктоо үчүн EBM негизиндеги методдор боюнча жарыяланган.Shen et al23 DM модели салттуу Камерер формуласына караганда так экенин көрсөттү.Galibourg et al24 Demirdjian критерийи25 боюнча жашты болжолдоо үчүн ар кандай DM ыкмаларын колдонушкан жана натыйжалар DM ыкмасы француз калкынын жашын баалоодо Демирджян жана Виллемс методдорунан ашып түшкөнүн көрсөттү.
Кореялык өспүрүмдөрдүн жана жаштардын стоматологиялык жашын баалоо үчүн Кореянын соттук-медициналык практикасында Линин 4 ыкмасы кеңири колдонулат.Бул ыкма салттуу статистикалык анализди (мисалы, бир нече регрессия) корей субъекттеринин жана хронологиялык жаштын ортосундагы байланышты изилдөө үчүн колдонот.Бул изилдөөдө салттуу статистикалык ыкмаларды колдонуу менен алынган жашты баалоо ыкмалары “салттуу ыкмалар” катары аныкталат.Ли ыкмасы салттуу ыкма болуп саналат жана анын тактыгын Oh et al.5;бирок Кореянын соттук-медициналык практикасында DM моделине негизделген жашты баалоонун колдонулушу дагы эле күмөндүү.Биздин максатыбыз DM моделинин негизинде жаш курагынын потенциалдуу пайдалуулугун илимий жактан ырастоо болгон.Бул изилдөөнүн максаты (1) тиш жашын баалоодо эки DM моделинин тактыгын салыштыруу жана (2) 18 жаштагы 7 DM моделинин классификациялык көрсөткүчтөрүн салттуу статистикалык ыкмаларды колдонуу менен алынгандар менен салыштыруу. жана эки жаактын үчүнчү азуу тиштери.
Этап жана тиштин түрү боюнча хронологиялык жаштын көрсөткүчтөрү жана стандарттык четтөөлөрү онлайн режиминде кошумча таблицада S1 (окутуу топтому), кошумча таблица S2 (ички тест топтому) жана кошумча S3 таблицасында (тышкы тест топтому) көрсөтүлгөн.Тренинг топтомунан алынган ички жана байкоочулар аралык ишенимдүүлүк үчүн каппа маанилери тиешелүүлүгүнө жараша 0,951 жана 0,947 болгон.P маанилери жана каппа баалуулуктары үчүн 95% ишеним аралыгы S4 онлайн кошумча таблицада көрсөтүлгөн.Каппа мааниси Ландис жана Кох26 критерийлерине шайкеш келген "дээрлик кемчиликсиз" деп чечмеленди.
Орточо абсолюттук катаны (MAE) салыштырганда салттуу ыкма бардык гендер үчүн жана көп катмарлуу перцептронду (MLP) кошпогондо, тышкы эркек тесттер топтомунда DM моделинен бир аз ашып кетет.Салттуу модель менен DM моделинин ички MAE тест топтомундагы айырмасы эркектер үчүн 0,12–0,19 жашты, аялдар үчүн 0,17–0,21 жашты түзгөн.Тышкы сыноо батареясы үчүн айырмачылыктар азыраак (эркектер үчүн 0,001–0,05 жыл жана аялдар үчүн 0,05–0,09 жыл).Кошумчалай кетсек, орточо квадраттык ката (RMSE) салттуу ыкмадан бир аз төмөн, айырмачылыктары азыраак (эркектин ички тесттер топтому үчүн 0,17–0,24, 0,2–0,24 жана тышкы тесттер үчүн 0,03–0,07, 0,04–0,08).).MLP бир катмарлуу перцептронго (SLP) караганда бир аз жакшыраак көрсөткүчтү көрсөтөт, аял тышкы сыноо топтомун кошпогондо.MAE жана RMSE үчүн тышкы тест топтому бардык гендер жана моделдер үчүн ички тест топтомунан жогору упайларды берет.Бардык MAE жана RMSE 1-таблицада жана 1-сүрөттө көрсөтүлгөн.
Салттуу жана маалымат казып алуу регрессия моделдеринин MAE жана RMSE.Орточо абсолюттук ката MAE, орточо квадраттык ката RMSE, бир катмарлуу кабылдоочу SLP, көп катмарлуу кабылдоочу MLP, салттуу CM ыкмасы.
Салттуу жана DM моделдерин классификациялоо көрсөткүчтөрү (18 жыл кесүү менен) сезгичтик, өзгөчөлүк, оң болжолдоочу маани (PPV), терс болжолдоочу маани (NPV) жана кабыл алгычтын иштөө мүнөздүү ийри сызыгынын астындагы аянт (AUROC) жагынан көрсөтүлдү. 27 (2-таблица, 2-сүрөт жана кошумча 1-сүрөт онлайн).Ички тесттик батареянын сезгичтиги боюнча салттуу ыкмалар эркектер арасында эң жакшы, ал эми аялдарда начарраак.Бирок, салттуу ыкмалар жана SD ортосундагы классификация аткаруу айырмасы эркектер үчүн 9,7% (MLP) жана аялдар үчүн гана 2,4% (XGBoost).DM моделдеринин арасында логистикалык регрессия (LR) эки жыныста тең жакшы сезгичтикти көрсөткөн.Ички тесттик топтомдун өзгөчөлүгүнө токтолсок, төрт SD модели эркектерде жакшы, ал эми салттуу модель аялдарда жакшыраак иштегени байкалды.Эркектер жана аялдар үчүн классификация көрсөткүчтөрүндөгү айырмачылыктар тиешелүүлүгүнө жараша 13,3% (MLP) жана 13,1% (MLP) болуп саналат, бул моделдердин классификациясынын көрсөткүчтөрүндөгү айырма сезгичтиктен жогору экенин көрсөтүп турат.DM моделдеринин ичинен колдоо вектордук машинасы (SVM), чечим дарагы (DT) жана кокус токой (RF) моделдери эркектер арасында эң жакшы көрсөткүчтү көрсөтсө, LR модели аялдар арасында эң жакшы көрсөткүчтү көрсөттү.Салттуу моделдин жана бардык SD моделдердин AUROC көрсөткүчү 0,925тен (к-эң жакын кошуна (KNN) эркектерде) жогору болуп, 18 жаштагы үлгүлөрдү дискриминациялоодо классификациянын эң сонун көрсөткүчтөрүн көрсөттү28.Тышкы тесттер топтому үчүн ички тестирлөө топтомуна салыштырмалуу сезгичтик, өзгөчөлүк жана AUROC боюнча классификациялык көрсөткүчтөрдүн төмөндөшү байкалды.Мындан тышкары, эң жакшы жана эң начар моделдердин классификациялык көрсөткүчтөрүнүн ортосундагы сезгичтиктин жана өзгөчөлүктүн айырмасы 10% дан 25% га чейин өзгөрдү жана ички тесттик топтомдогу айырмадан чоңураак болду.
18 жыл кесүү менен салттуу ыкмалары менен салыштырганда маалыматтарды казып классификация моделдердин сезгичтиги жана өзгөчөлүгү.KNN к жакынкы кошуна, SVM колдоо вектордук машина, LR логистикалык регрессия, DT чечим дарагы, RF кокус токой, XGB XGBoost, MLP көп катмарлуу перцептрон, салттуу CM ыкмасы.
Бул изилдөөнүн биринчи кадамы салттуу регрессиянын жардамы менен алынган жети DM моделинен алынган стоматологиялык курактык баалардын тактыгын салыштыруу болду.MAE жана RMSE эки жыныс үчүн 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 өзгөргөн.Бул изилдөөдө салттуу ыкма бир аз так болгонуна карабастан, мындай кичинекей айырмачылыктын клиникалык же практикалык мааниси барбы деген тыянак чыгаруу кыйын.Бул жыйынтыктар DM моделин колдонуу менен стоматологиялык жашты аныктоонун тактыгы салттуу ыкма менен дээрлик бирдей экенин көрсөтүп турат.Мурунку изилдөөлөрдүн натыйжалары менен түздөн-түз салыштыруу кыйын, анткени эч кандай изилдөө DM моделдеринин тактыгын салттуу статистикалык методдор менен салыштырган эмес, анткени бул изилдөөдөгүдөй жаш диапазондо тиштерди жазуунун ошол эле ыкмасы.Galibourg et al24 2 жаштан 24 жашка чейинки француз калкынын эки салттуу методу (Demirjian method25 жана Willems method29) жана 10 DM моделинин ортосунда MAE жана RMSEди салыштырышкан.Алар бардык DM моделдери салттуу методдорго караганда так экенин билдиришти, айырмачылыктар MAEде 0,20 жана 0,38 жыл жана Виллемс жана Демирджян методдоруна салыштырмалуу RMSEде 0,25 жана 0,47 жыл.SD модели менен Галибург изилдөөсүндө көрсөтүлгөн салттуу методдордун ортосундагы дал келбөө Демирджиан методу изилдөө негизделген француз канадалыктардан башка популяцияларда стоматологиялык жашты так баалай албаган көптөгөн отчетторду эске алат30,31,32,33.бул окууда.Tai et al 34 MLP алгоритмин тиштин жашын болжолдоо үчүн 1636 кытай ортодонтиялык сүрөттөрүн колдонгон жана анын тактыгын Демиржиан жана Виллемс методунун натыйжалары менен салыштырышкан.Алар MLP салттуу ыкмаларга караганда жогорку тактыкка ээ экенин билдирди.Демирджиан методу менен салттуу методдун айырмасы <0,32 жыл, Виллемс ыкмасы 0,28 жыл, бул азыркы изилдөөнүн натыйжаларына окшош.Бул мурунку изилдөөлөрдүн натыйжалары24,34 да ушул изилдөөнүн натыйжалары менен шайкеш келет, жана DM моделинин жана салттуу ыкманын жашты баалоо тактыгы окшош.Бирок, берилген жыйынтыктарга таянып, биз бир гана этияттык менен жашты баалоо үчүн DM моделдерин колдонуу салыштырмалуу жана шилтеме мурунку изилдөөлөрдүн жоктугунан учурдагы ыкмаларын алмаштырууга мүмкүн деген тыянак чыгарууга болот.Бул изилдөөдө алынган натыйжаларды тастыктоо үчүн чоңураак үлгүлөрдү колдонуу менен кийинки изилдөөлөр керек.
Стоматологиялык жашты баалоодо SD тактыгын сынаган изилдөөлөрдүн арасында кээ бирлери биздин изилдөөгө караганда жогору тактыкты көрсөтүштү.Степановский жана башкалар 35 22 SD моделин 2,7 жаштан 20,5 жашка чейинки 976 чех тургундарынын панорамалык рентгенографиясына колдонушкан жана ар бир моделдин тактыгын сынашкан.Алар Moorrees et al 36 тарабынан сунушталган классификация критерийлерин колдонуу менен жалпы 16 жогорку жана төмөнкү сол туруктуу тиштерин өнүктүрүүгө баа берди.MAE 0,64 жылдан 0,94 жылга чейин жана RMSE 0,85 жылдан 1,27 жылга чейин өзгөрөт, бул изилдөөдө колдонулган эки DM моделине караганда так.Shen et al23 Cameriere ыкмасын колдонуп, 5 жаштан 13 жашка чейинки чыгыш кытай тургундарынын сол жаккы жети туруктуу тиштин стоматологиялык жашын баалашкан жана аны сызыктуу регрессия, SVM жана RF аркылуу эсептелген жаш курактары менен салыштырышкан.Алар бардык үч DM модели салттуу Cameriere формулага салыштырмалуу жогорку тактыкка ээ экенин көрсөттү.Шендин изилдөөсүндөгү MAE жана RMSE бул изилдөөдөгү DM моделине караганда төмөн болгон.Степановский жана башкалардын изилдөөлөрүнүн тактыгы жогорулаган.35 жана Shen et al.23, алардын изилдөө үлгүлөрүнө жаш субъекттердин киргизилгендигинен улам болушу мүмкүн.Өнүгүп келе жаткан тиштери бар катышуучулардын курактык эсептөөлөрү тиштердин саны өскөн сайын тиштердин саны көбөйгөн сайын так болуп калгандыктан, изилдөөнүн катышуучулары жаш болгондон кийин пайда болгон жашты баалоо ыкмасынын тактыгы бузулушу мүмкүн.Кошумчалай кетсек, MLPтин жашты баалоодогу катасы SLPге караганда бир аз кичине, бул MLP SLPге караганда так экенин билдирет.MLP жашты баалоо үчүн бир аз жакшыраак деп эсептелет, балким MLP38деги жашыруун катмарлардан улам.Бирок, аялдардын сырткы үлгүсү үчүн өзгөчө жагдай бар (SLP 1.45, MLP 1.49).MLP жашты баалоодо SLPге караганда так экени кошумча ретроспективдүү изилдөөлөрдү талап кылат.
DM моделинин классификациялык көрсөткүчтөрү менен 18 жылдык босогодогу салттуу ыкма да салыштырылган.Бардык текшерилген SD моделдери жана ички тесттик топтомдогу салттуу методдор 18 жаштагы үлгү үчүн дискриминациянын иш жүзүндө алгылыктуу деңгээлин көрсөттү.Эркектер менен аялдардын сезгичтиги тиешелүүлүгүнө жараша 87,7% жана 94,9%, ал эми өзгөчөлүгү 89,3% жана 84,7%дан жогору болгон.Бардык сыналган моделдердин AUROC көрсөткүчү 0,925тен ашат.Биздин билишибизче, эч кандай изилдөө тиш жетилгендикке негизделген 18 жылдык классификация үчүн DM моделинин натыйжалуулугун текшерген эмес.Бул изилдөөнүн натыйжаларын панорамалык рентгенографиялардагы терең үйрөнүү моделдерин классификациялоо көрсөткүчтөрү менен салыштырсак болот.Guo et al.15 белгилүү бир жаш босогосу үчүн Демиржиандын ыкмасына негизделген CNNге негизделген терең үйрөнүү моделинин классификациялык көрсөткүчтөрүн жана кол менен иштөө ыкмасын эсептешкен.Колдук ыкманын сезгичтиги жана өзгөчөлүгү тиешелүүлүгүнө жараша 87,7% жана 95,5% түздү, ал эми CNN моделинин сезгичтиги жана өзгөчөлүгү тиешелүүлүгүнө жараша 89,2% жана 86,6% ашты.Алар терең үйрөнүү моделдери курактык босоголорду классификациялоодо кол менен баалоону алмаштыра алат же андан ашып түшөт деген жыйынтыкка келишкен.Бул изилдөөнүн натыйжалары окшош классификация көрсөткүчтөрүн көрсөттү;DM моделдерин колдонуу менен классификация жашты баалоо үчүн салттуу статистикалык ыкмаларды алмаштыра алат деп ишенишет.Моделдердин арасында DM LR эркек үлгү үчүн сезгичтиги жана аял үлгүсү үчүн сезгичтиги жана өзгөчөлүгү боюнча эң мыкты модель болгон.LR эркектер үчүн өзгөчөлүгү боюнча экинчи орунду ээлейт.Андан тышкары, LR колдонуучуга ыңгайлуу DM35 моделдеринин бири болуп эсептелет жана анча татаал жана иштетүү кыйын.Бул жыйынтыктардын негизинде LR корей калкынын 18 жаштагы балдары үчүн эң мыкты классификация модели деп эсептелген.
Жалпысынан, тышкы тесттик топтомдо жашты баалоо же классификациялоонун тактыгы ички тесттик топтомдогу натыйжаларга салыштырмалуу начар же төмөн болгон.Кээ бир отчеттор корей калкынын жашы боюнча эсептөөлөр жапон калкына колдонулганда классификациянын тактыгы же натыйжалуулугу төмөндөй турганын көрсөтүп турат5,39 жана ушул изилдөөдө ушуга окшош көрүнүш табылган.Мындай начарлоо тенденциясы DM моделинде да байкалган.Ошондуктан, талдоо процессинде DM колдонгондо да жашты так эсептөө үчүн, салттуу ыкмалар сыяктуу жергиликтүү калктын маалыматтарынан алынган ыкмаларга артыкчылык берүү керек5,39,40,41,42.Терең үйрөнүү моделдери окшош тенденцияларды көрсөтө алабы же жокпу белгисиз болгондуктан, классификациянын тактыгын жана натыйжалуулугун салттуу методдорду, DM моделдерин жана ошол эле үлгүлөрдөгү терең үйрөнүү моделдерин салыштырган изилдөөлөр чектелген куракта бул расалык диспропорцияларды жасалма интеллект жеңе аларын ырастоо үчүн зарыл.баалоо.
Кореядагы соттук жашты баалоо практикасында DM моделинин негизинде салттуу ыкмаларды жашты баалоо менен алмаштырууга болорун көрсөтүп жатабыз.Биз ошондой эле жаш куракты соттук экспертизалоо үчүн машиналык үйрөнүүнү ишке ашыруу мүмкүнчүлүгүн таптык.Бирок, натыйжаларды так аныктоо үчүн бул изилдөөнүн катышуучуларынын жетишсиз саны жана бул изилдөөнүн натыйжаларын салыштыруу жана ырастоо үчүн мурунку изилдөөлөрдүн жоктугу сыяктуу так чектөөлөр бар.Келечекте DM изилдөөлөрү салттуу методдорго салыштырмалуу анын практикалык колдонулушун жакшыртуу үчүн үлгүлөрдүн көбүрөөк саны жана ар түрдүү популяциялар менен жүргүзүлүшү керек.Бир нече популяцияларда жашты баалоо үчүн жасалма интеллектти колдонуунун максатка ылайыктуулугун ырастоо үчүн, келечектеги изилдөөлөр DM жана терең үйрөнүү моделдеринин классификациясынын тактыгын жана натыйжалуулугун ошол эле үлгүлөрдөгү салттуу методдор менен салыштыруу керек.
Изилдөөдө 15 жаштан 23 жашка чейинки кореялык жана жапониялык чоңдордон чогултулган 2657 орфографиялык сүрөт колдонулган.Кореялык рентгенографиялар 900 окуу комплектине (19,42 ± 2,65 жыл) жана 900 ички тесттик топтомго (19,52 ± 2,59 жыл) бөлүнгөн.Тренинг топтому бир мекемеде (Сеул Сент-Мэри ооруканасы) чогултулду, ал эми өзүнүн тест топтому эки мекемеде (Сеул Улуттук университетинин стоматологиялык ооруканасы жана Йонсей университетинин стоматологиялык ооруканасы) чогултулду.Биз ошондой эле тышкы тестирлөө үчүн башка калкка негизделген маалыматтардан (Ивате медициналык университети, Япония) 857 рентгенографияны чогулттук.Жапон субъекттеринин рентгенографиялары (19.31 ± 2.60 жыл) тышкы тест топтому катары тандалып алынган.Маалыматтар тиш дарылоо учурунда алынган панорамалык рентгенограммалар боюнча стоматологиялык өнүгүү этаптарын талдоо үчүн ретроспективдүү түрдө чогултулган.Жынысы, туулган күнү жана рентгенограммадан башка бардык маалыматтар анонимдүү болгон.Киргизүү жана алып салуу критерийлери мурда жарыяланган изилдөөлөр 4, 5 эле болгон.Рентгенограмма алынган күндөн туулган күнүн алып салуу менен үлгүнүн чыныгы жашы эсептелген.Тандоо тобу тогуз курактык топко бөлүндү.Жашы жана жынысы боюнча бөлүштүрүүлөр 3-таблицада көрсөтүлгөн. Бул изилдөө Хельсинки Декларациясына ылайык жүргүзүлгөн жана Кореянын Католик университетинин Сеул Ыйык Мэри ооруканасынын Институттук кароо кеңеши (IRB) тарабынан бекитилген (KC22WISI0328).Бул изилдөөнүн ретроспективдүү дизайнына байланыштуу, терапевтикалык максатта радиографиялык текшерүүдөн өткөн бардык пациенттерден маалымдалган макулдукту алуу мүмкүн эмес.Сеул Корея университетинин Ыйык Мэри ооруканасы (IRB) маалымдалган макулдук талабынан баш тартты.
Бимаксилярдык экинчи жана үчүнчү азуу тиштердин өнүгүү этаптары Демиржан критерийлерине ылайык бааланган25.Ар бир жаактын сол жана оң тарабында бирдей типтеги тиш табылса, бир гана тиш тандалган.эки тараптын гомологдук тиштери ар кандай өнүгүү этаптарында болсо, төмөнкү өнүгүү стадиясында менен тиш болжолдуу курактагы белгисиздикти эсепке алуу үчүн тандалып алынган.Окутуучу топтомдон туш келди тандалып алынган жүз рентгенография эки тажрыйбалуу байкоочу тарабынан тиштин жетилүү стадиясын аныктоо үчүн алдын ала калибрлөөдөн кийин байкоочулар аралык ишенимдүүлүгүн текшерүү үчүн бааланган.Байкоочу ичиндеги ишенимдүүлүк негизги байкоочу тарабынан үч айлык интервал менен эки жолу бааланган.
Тренинг топтомундагы ар бир жаактын экинчи жана үчүнчү азуу тиштеринин жынысы жана өнүгүү стадиясы ар кандай DM моделдери менен машыккан баштапкы байкоочу тарабынан бааланган жана иш жүзүндөгү жашы максаттуу маани катары белгиленген.Машина үйрөнүүдө кеңири колдонулган SLP жана MLP моделдери регрессия алгоритмдерине каршы сыналган.DM модели төрт тиштин өнүгүү этаптарын колдонуу менен сызыктуу функцияларды бириктирет жана бул маалыматтарды жашты баалоо үчүн бириктирет.SLP эң жөнөкөй нейрондук тармак жана жашыруун катмарларды камтыбайт.SLP түйүндөрдүн ортосундагы босого өткөрүүнүн негизинде иштейт.Регрессиядагы SLP модели математикалык жактан көп сызыктуу регрессияга окшош.SLP моделинен айырмаланып, MLP модели сызыктуу эмес активдештирүү функциялары менен бир нече жашыруун катмарларга ээ.Биздин эксперименттер сызыктуу эмес активдештирүү функциялары менен 20 гана жашыруун түйүн менен жашыруун катмарды колдонду.Машина үйрөнүү моделибизди үйрөтүү үчүн оптималдаштыруу ыкмасы катары градиенттин түшүүсүн жана жоготуу функциясы катары MAE жана RMSE колдонуңуз.Эң жакшы алынган регрессия модели ички жана тышкы тест топтомдоруна колдонулуп, тиштердин жашы бааланган.
Классификация алгоритми иштелип чыккан, ал үлгү 18 жашта же жаш эмес экенин алдын ала айтуу үчүн окуу топтомундагы төрт тиштин жетилгендигин колдонот.Модельди түзүү үчүн биз машинаны үйрөнүү алгоритмин 6,43 алдык: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost жана (7) MLP .LR эң кеңири колдонулган классификация алгоритмдеринин бири44.Бул 0дөн 1ге чейин белгилүү бир категорияга тиешелүү болгон маалыматтардын ыктымалдыгын болжолдоо үчүн регрессияны колдонгон жана бул ыктымалдуулуктун негизинде маалыматтарды көбүрөөк ыктымал категорияга таандык катары классификациялаган көзөмөлдөгү окутуу алгоритми;негизинен бинардык классификация үчүн колдонулат.KNN эң жөнөкөй машина үйрөнүү алгоритмдеринин бири45.Жаңы киргизүү маалыматтары берилгенде, ал учурдагы топтомго жакын k маалыматтарды таап, андан кийин аларды эң жогорку жыштыктагы класска классификациялайт.Каралган кошуналардын санына 3 койдук (к).SVM – бул эки класстын ортосундагы аралыкты максималдуу кеңейтүүчү алгоритм, ал сызыктуу мейкиндикти талаалар46 деп аталган сызыктуу эмес мейкиндикке кеңейтүү үчүн ядро функциясын колдонуу менен.Бул модель үчүн биз полиномдук өзөк үчүн гиперпараметрлер катары биас = 1, күч = 1 жана гамма = 1 колдонобуз.DT дарактын структурасында чечим кабыл алуу эрежелерин көрсөтүү менен бүтүндөй маалымат топтомун бир нече подгруппага бөлүү алгоритми катары ар кандай тармактарда колдонулган47.Модель 2 түйүн үчүн минималдуу жазуулар менен конфигурацияланган жана сапаттын өлчөмү катары Джини индексин колдонот.RF – баштапкы маалымат топтомунан бир нече жолу бирдей өлчөмдөгү үлгүлөрдү туш келди чийүү аркылуу ар бир үлгү үчүн начар классификаторду түзгөн жүктөөчү топтоо ыкмасын колдонуу менен аткарууну жакшыртуу үчүн бир нече DTлерди бириктирген ансамбль ыкмасы48.Биз түйүндөрдү бөлүү критерийлери катары 100 даракты, 10 дарактын тереңдигин, 1 түйүндүн минималдуу өлчөмүн жана Джини аралашма индексин колдондук.Жаңы маалыматтарды классификациялоо көпчүлүк добуш менен аныкталат.XGBoost - бул машыгуу маалыматы катары мурунку моделдин реалдуу жана болжолдонгон маанилеринин ортосундагы катаны алган жана градиенттерди колдонуу менен катаны көбөйтүүчү ыкманы колдонуу менен жогорулатуу ыкмаларын бириктирген алгоритм.Бул анын жакшы иштеши жана ресурстун натыйжалуулугу, ошондой эле ашыкча тууралоо функциясы катары жогорку ишенимдүүлүгү менен кеңири колдонулган алгоритм.Модель 400 колдоо дөңгөлөктөрү менен жабдылган.MLP – бул бир же бир нече перцептрондор кириш жана чыгаруу катмарларынын ортосунда бир же бир нече жашыруун катмарлары бар бир нече катмарларды түзгөн нейрондук тармак38.Муну колдонуу менен сиз сызыктуу эмес классификацияны аткара аласыз, анда сиз киргизүү катмарын кошуп, натыйжанын маанисин алганыңызда, болжолдонгон натыйжа мааниси чыныгы натыйжа мааниси менен салыштырылып, ката кайра жайылат.Биз ар бир катмарда 20 жашыруун нейрондон турган жашыруун катмар түздүк.Биз иштеп чыккан ар бир модель сезимталдыкты, өзгөчөлүктү, PPV, NPV жана AUROC эсептөө аркылуу классификациянын натыйжалуулугун текшерүү үчүн ички жана тышкы топтомдорго колдонулган.Сезимталдуулук 18 жашта же андан улуу деп эсептелген үлгүнүн 18 жаштан жогорку деп эсептелген үлгүгө катышы катары аныкталат.Өзгөчөлүк – бул 18 жашка чейинки жана 18 жашка чейинки деп эсептелген үлгүлөрдүн үлүшү.
Тренинг топтомунда бааланган стоматологиялык этаптар статистикалык талдоо үчүн сандык баскычтарга айландырылган.Ар бир жыныс үчүн болжолдуу моделдерди иштеп чыгуу жана жашты баалоо үчүн колдонула турган регрессия формулаларын алуу үчүн көп өзгөрмөлүү сызыктуу жана логистикалык регрессия аткарылган.Биз бул формулаларды ички жана тышкы тесттер үчүн тиштин жашын баалоо үчүн колдондук.4-таблицада бул изилдөөдө колдонулган регрессия жана классификация моделдери көрсөтүлгөн.
Ички жана байкоочулар аралык ишенимдүүлүк Коэндин каппа статистикасын колдонуу менен эсептелген.DM жана салттуу регрессия моделдеринин тактыгын текшерүү үчүн биз ички жана тышкы тест топтомдорунун болжолдуу жана реалдуу жашын колдонуу менен MAE жана RMSE эсептеп чыктык.Бул каталар, адатта, моделдин болжолдоолордун тактыгын баалоо үчүн колдонулат.Ката канчалык аз болсо, божомолдун тактыгы ошончолук жогору болот24.DM жана салттуу регрессияны колдонуу менен эсептелген ички жана тышкы тест топтомдорунун MAE жана RMSE менен салыштырыңыз.Салттуу статистикадагы 18 жылдык үзүндүнүн классификациясынын натыйжалуулугу 2 × 2 күтүлбөгөн жагдайлар таблицасын колдонуу менен бааланган.Сыноо топтомунун эсептелген сезгичтиги, өзгөчөлүгү, PPV, NPV жана AUROC DM классификация моделинин өлчөнгөн маанилери менен салыштырылган.Берилиштер маалымат мүнөздөмөлөрүнө жараша орточо ± стандарттык четтөө же сан (%) катары көрсөтүлөт.Эки тараптуу P <0,05 маанилери статистикалык жактан маанилүү деп эсептелген.Бардык күнүмдүк статистикалык анализдер SAS 9.4 версиясын колдонуу менен аткарылган (SAS институту, Кэри, NC).DM регрессиялык модели Pythonдо Keras50 2.2.4 backend жана Tensorflow51 1.8.0 аркылуу атайын математикалык операциялар үчүн ишке ашырылган.DM классификациясынын модели Waikato Knowledge Analysis Environment жана Konstanz Information Miner (KNIME) 4.6.152 талдоо платформасында ишке ашырылган.
Авторлор изилдөөнүн корутундусун тастыктаган маалыматтарды макаладан жана кошумча материалдардан тапса болорун моюнга алышат.Изилдөөнүн жүрүшүндө түзүлгөн жана/же талданган маалымат топтомдору негиздүү өтүнүч боюнча тиешелүү автордон жеткиликтүү.
Ritz-Timme, S. жана башкалар.Жаш курагына баа берүү: соттук-медициналык практиканын спецификалык талаптарына жооп берүү үчүн техниканын абалы.интернационалдык.J. Юридикалык медицина.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. жана Olze, A. Жазык куугунтуктоо максатында тирүү субъекттердин соттук жашын баалоо учурдагы абалы.Криминалистика.дары.Патология.1, 239–246 (2005).
Пан, Ж.Кытайдын чыгышындагы 5 жаштан 16 жашка чейинки балдардын стоматологиялык жашын баалоо үчүн өзгөртүлгөн ыкма.клиникалык.Оозеки сурамжылоо.25, 3463–3474 (2021).
Ли, SS ж.б. Корейлерде экинчи жана үчүнчү молярлардын өнүгүү хронологиясы жана аны соттук жашты баалоо үчүн колдонуу.интернационалдык.J. Юридикалык медицина.124, 659–665 (2010).
О, S., Kumagai, A., Kim, SY и Lee, SS Корей жана жапон тилдеринде экинчи жана үчүнчү азуу тиштердин жетилгендигине негизделген 18 жылдык босогону жашты баалоонун тактыгы.PLoS ONE 17, e0271247 (2022).
Ким, JY, жана башкалар.Операцияга чейинки машинаны үйрөнүүгө негизделген маалыматтарды талдоо OSA менен ооруган бейтаптарда уйку хирургиясынын дарылоонун натыйжасын болжолдой алат.илим.Отчет 11, 14911 (2021).
Хан, М. жана башкалар.Адамдын кийлигишүүсү менен же болбосо, машина үйрөнүүдөн так куракты баалообу?интернационалдык.J. Юридикалык медицина.136, 821–831 (2022).
Хан, S. жана Шахин, М.J.Information.илим.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. WisRule: Ассоциация эрежеси боюнча биринчи таанып-билүү алгоритми.J.Information.илим.https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. жана Абдулла У. Карм: Контекстке негизделген ассоциация эрежелерине негизделген салттуу маалыматтарды казуу.эсептөө.Мт.улантуу.68, 3305–3322 (2021).
Мухаммад М., Рехман З., Шахин М., Хан М. жана Хабиб М. Тексттик маалыматтарды колдонуу менен семантикалык окшоштуктарды аныктоону терең үйрөнүү.кабарлоо.технологиялар.контролдоо.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 Тиркемелер https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, SS жана башкалар.Педиатрия сөөк доорунда RSNA Machine Learning Challenge.Радиология 290, 498–503 (2019).
Li, Y. жана башкалар.Терең үйрөнүүнү колдонуу менен жамбаштын рентген нурларынан соттук жашты баалоо.EURO.радиация.29, 2322–2329 (2019).
Гуо, YC жана башкалар.Орфографиялык проекциялык сүрөттөрдөн кол менен методдорду жана терең конволюциялык нейрон тармактарын колдонуу менен жаш куракты так классификациялоо.интернационалдык.J. Юридикалык медицина.135, 1589–1597 (2021).
Алабама Далора жана башкалар.Ар кандай машина үйрөнүү ыкмаларын колдонуу менен сөөк курагын баалоо: системалуу адабияттарды карап чыгуу жана мета-анализ.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. Конус нурлуу компьютердик томографияны колдонуу менен биринчи молярлардын целлюлоза камерасынын көлөмүнүн негизинде африкалык америкалыктардын жана кытайлардын калкынын жаш курагына баа берүү.интернационалдык.J. Юридикалык медицина.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK and Oh KS биринчи азуу тиштеринин жасалма интеллекттин негизиндеги сүрөттөрүн колдонуу менен тирүү адамдардын жаш топторун аныктоо.илим.Отчет 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. жана Urschler, M. Multivariate MRI маалыматтардан автоматтык жашты баалоо жана көпчүлүк курактык классификация.IEEE J. Biomed.Ден соолук эскертүүлөрү.23, 1392–1403 (2019).
Ченг, Q., Ge, Z., Du, H. жана Li, G. Терең үйрөнүү жана деңгээл топтомдорун бириктирүү аркылуу конус нурунун компьютердик томографиясынан биринчи молярлардын 3D целлюлоза камерасынын сегментациясына негизделген жашты баалоо.интернационалдык.J. Юридикалык медицина.135, 365–373 (2021).
Ву, ВТ жана башкалар.Клиникалык чоң маалыматтарда маалыматтарды казуу: жалпы маалымат базалары, кадамдар жана методдор моделдери.World.дары.ресурс.8, 44 (2021).
Янг, Дж. жана башкалар.Медициналык маалыматтар базаларына жана чоң маалыматтар доорундагы маалыматтарды казуу технологияларына киришүү.J. Avid.Негизги медицина.13, 57–69 (2020).
Шен, С жана башкалар.Машина үйрөнүүнүн жардамы менен тиштин жашын эсептөө үчүн Камерердин ыкмасы.BMC Oral Health 21, 641 (2021).
Галлибург А. жана башкалар.Demirdjian этап ыкмасын колдонуу менен стоматологиялык жашты болжолдоо үчүн ар кандай машина үйрөнүү ыкмаларын салыштыруу.интернационалдык.J. Юридикалык медицина.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. жана Tanner, JM. Стоматологиялык жашты баалоо үчүн жаңы система.коңурук.биология.45, 211–227 (1973).
Landis, JR жана Koch, GG Категориялык маалыматтар боюнча байкоочу макулдашуунун чаралары.Биометрика 33, 159–174 (1977).
Бхаттачарджи С, Пракаш Д, Ким Ч, Ким ХК жана Чой ХК.Мээнин баштапкы шишиктерин дифференциациялоо үчүн жасалма интеллекттин ыкмаларын колдонуу менен эки өлчөмдүү магниттик-резонанстык томографиянын текстуралык, морфологиялык жана статистикалык анализи.Ден соолук маалыматы.ресурс.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Билдирүү убактысы: 04-04-2024