Salamat sa pagbisita sa Nature.com. Ang bersyon ng browser na iyong ginagamit ay may limitadong suporta sa CSS. Para sa pinakamahusay na resulta, inirerekomenda namin ang paggamit ng mas bagong bersyon ng iyong browser (o pag-off ng compatibility mode sa Internet Explorer). Samantala, upang matiyak ang patuloy na suporta, ipinapakita namin ang site nang walang styling o JavaScript.
Ang mga ngipin ay itinuturing na pinakatumpak na tagapagpahiwatig ng edad ng katawan ng tao at kadalasang ginagamit sa forensic age assessment. Nilalayon naming patunayan ang mga pagtatantya ng edad ng ngipin batay sa data mining sa pamamagitan ng paghahambing ng katumpakan ng pagtatantya at pagganap ng klasipikasyon ng 18-taong threshold sa mga tradisyonal na pamamaraan at mga pagtatantya ng edad batay sa data mining. Isang kabuuang 2657 panoramic radiograph ang nakolekta mula sa mga mamamayang Koreano at Hapones na may edad 15 hanggang 23 taon. Hinati ang mga ito sa isang training set, na bawat isa ay naglalaman ng 900 Korean radiograph, at isang internal test set na naglalaman ng 857 Japanese radiograph. Inihambing namin ang katumpakan at kahusayan ng klasipikasyon ng mga tradisyonal na pamamaraan sa mga test set ng mga modelo ng data mining. Ang katumpakan ng tradisyonal na pamamaraan sa internal test set ay bahagyang mas mataas kaysa sa modelo ng data mining, at ang pagkakaiba ay maliit (mean absolute error <0.21 taon, root mean square error <0.24 taon). Ang pagganap ng klasipikasyon para sa 18-taong cutoff ay katulad din sa pagitan ng mga tradisyonal na pamamaraan at mga modelo ng data mining. Samakatuwid, ang mga tradisyunal na pamamaraan ay maaaring mapalitan ng mga modelo ng data mining kapag nagsasagawa ng forensic age assessment gamit ang maturity ng pangalawa at pangatlong molars sa mga kabataan at young adult na Koreano.
Ang pagtatantya ng edad ng ngipin ay malawakang ginagamit sa forensic medicine at pediatric dentistry. Sa partikular, dahil sa mataas na ugnayan sa pagitan ng chronological age at dental development, ang pagtatasa ng edad ayon sa mga yugto ng pag-unlad ng ngipin ay isang mahalagang pamantayan para sa pagtatasa ng edad ng mga bata at kabataan1,2,3. Gayunpaman, para sa mga kabataan, ang pagtantya sa edad ng ngipin batay sa dental maturity ay may mga limitasyon dahil halos kumpleto na ang paglaki ng ngipin, maliban sa mga third molar. Ang legal na layunin ng pagtukoy sa edad ng mga kabataan at kabataan ay upang magbigay ng mga tumpak na pagtatantya at siyentipikong ebidensya kung sila ay umabot na sa edad ng mayorya. Sa medico-legal na kasanayan ng mga kabataan at mga young adult sa Korea, ang edad ay tinantya gamit ang pamamaraan ni Lee, at ang legal na threshold na 18 taon ay hinulaan batay sa datos na iniulat nina Oh et al 5.
Ang machine learning ay isang uri ng artificial intelligence (AI) na paulit-ulit na natututo at nag-uuri ng malalaking dami ng data, lumulutas ng mga problema nang mag-isa, at nagtutulak ng data programming. Nakakatuklas ang machine learning ng mga kapaki-pakinabang na nakatagong pattern sa malalaking volume ng data6. Sa kabaligtaran, ang mga klasikal na pamamaraan, na matrabaho at matagal, ay maaaring may mga limitasyon kapag humaharap sa malalaking volume ng kumplikadong data na mahirap iproseso nang manu-mano7. Samakatuwid, maraming pag-aaral ang isinagawa kamakailan gamit ang pinakabagong teknolohiya sa computer upang mabawasan ang mga pagkakamali ng tao at mahusay na maproseso ang multidimensional na data8,9,10,11,12. Sa partikular, ang deep learning ay malawakang ginagamit sa pagsusuri ng medikal na imahe, at iba't ibang pamamaraan para sa pagtatantya ng edad sa pamamagitan ng awtomatikong pagsusuri ng mga radiograph ang naiulat na nagpapabuti sa katumpakan at kahusayan ng pagtatantya ng edad13,14,15,16,17,18,19,20. Halimbawa, si Halabi et al 13 ay bumuo ng isang machine learning algorithm batay sa convolutional neural networks (CNN) upang matantya ang edad ng kalansay gamit ang mga radiograph ng mga kamay ng mga bata. Ang pag-aaral na ito ay nagmumungkahi ng isang modelo na naglalapat ng machine learning sa mga medikal na imahe at nagpapakita na ang mga pamamaraang ito ay maaaring mapabuti ang katumpakan ng diagnostic. Tinantya nina Li et al.14 ang edad mula sa mga imahe ng pelvic X-ray gamit ang isang deep learning CNN at inihambing ang mga ito sa mga resulta ng regression gamit ang ossification stage estimation. Natuklasan nila na ang deep learning CNN model ay nagpakita ng parehong performance sa pagtatantya ng edad gaya ng tradisyonal na regression model. Sinuri ng pag-aaral nina Guo et al. [15] ang performance sa age tolerance classification ng teknolohiya ng CNN batay sa dental orthophotos, at pinatunayan ng mga resulta ng CNN model na mas mahusay ang performance ng mga tao kaysa sa performance nito sa age classification.
Karamihan sa mga pag-aaral sa pagtatantya ng edad gamit ang machine learning ay gumagamit ng mga pamamaraan ng deep learning13,14,15,16,17,18,19,20. Ang pagtatantya ng edad batay sa deep learning ay naiulat na mas tumpak kaysa sa mga tradisyonal na pamamaraan. Gayunpaman, ang pamamaraang ito ay nagbibigay ng kaunting pagkakataon upang ipakita ang siyentipikong batayan para sa mga pagtatantya ng edad, tulad ng mga tagapagpahiwatig ng edad na ginamit sa mga pagtatantya. Mayroon ding legal na hindi pagkakaunawaan kung sino ang nagsasagawa ng mga inspeksyon. Samakatuwid, ang pagtatantya ng edad batay sa deep learning ay mahirap tanggapin ng mga awtoridad na administratibo at hudisyal. Ang data mining (DM) ay isang pamamaraan na maaaring tumuklas hindi lamang ng inaasahan kundi pati na rin ng hindi inaasahang impormasyon bilang isang paraan para sa pagtuklas ng mga kapaki-pakinabang na ugnayan sa pagitan ng malalaking halaga ng data6,21,22. Ang machine learning ay kadalasang ginagamit sa data mining, at ang parehong data mining at machine learning ay gumagamit ng parehong pangunahing algorithm upang tumuklas ng mga pattern sa data. Ang pagtatantya ng edad gamit ang dental development ay batay sa pagtatasa ng tagasuri sa kapanahunan ng mga target na ngipin, at ang pagtatasa na ito ay ipinapahayag bilang isang yugto para sa bawat target na ngipin. Ang DM ay maaaring gamitin upang suriin ang ugnayan sa pagitan ng yugto ng pagtatasa ng ngipin at aktwal na edad at may potensyal na palitan ang tradisyonal na statistical analysis. Samakatuwid, kung ilalapat natin ang mga pamamaraan ng DM sa pagtatantya ng edad, maaari nating ipatupad ang machine learning sa forensic age estimation nang hindi nababahala tungkol sa legal na pananagutan. Maraming mga paghahambing na pag-aaral ang nailathala sa mga posibleng alternatibo sa tradisyonal na manu-manong pamamaraan na ginagamit sa forensic practice at mga pamamaraan na nakabatay sa EBM para sa pagtukoy ng edad ng ngipin. Ipinakita nina Shen et al23 na ang modelo ng DM ay mas tumpak kaysa sa tradisyonal na pormula ni Camerer. Naglapat sina Galibourg et al24 ng iba't ibang pamamaraan ng DM upang mahulaan ang edad ayon sa pamantayan ng Demirdjian25 at ipinakita ng mga resulta na ang pamamaraan ng DM ay mas mahusay kaysa sa mga pamamaraan nina Demirdjian at Willems sa pagtantya sa edad ng populasyon ng Pransya.
Upang matantya ang edad ng ngipin ng mga kabataan at kabataang Koreano, ang pamamaraan 4 ni Lee ay malawakang ginagamit sa pagsasagawa ng forensic sa Korea. Ang pamamaraang ito ay gumagamit ng tradisyonal na pagsusuring istatistikal (tulad ng multiple regression) upang suriin ang ugnayan sa pagitan ng mga Koreano at chronological age. Sa pag-aaral na ito, ang mga pamamaraan ng pagtatantya ng edad na nakuha gamit ang mga tradisyonal na pamamaraan ng istatistika ay binibigyang kahulugan bilang "tradisyonal na mga pamamaraan." Ang pamamaraan ni Lee ay isang tradisyonal na pamamaraan, at ang katumpakan nito ay nakumpirma nina Oh et al. 5; gayunpaman, ang kakayahang magamit ng pagtatantya ng edad batay sa modelo ng DM sa pagsasagawa ng forensic sa Korea ay kaduda-duda pa rin. Ang aming layunin ay siyentipikong patunayan ang potensyal na kapakinabangan ng pagtatantya ng edad batay sa modelo ng DM. Ang layunin ng pag-aaral na ito ay (1) upang ihambing ang katumpakan ng dalawang modelo ng DM sa pagtantya ng edad ng ngipin at (2) upang ihambing ang pagganap ng klasipikasyon ng 7 modelo ng DM sa edad na 18 taon sa mga nakuha gamit ang mga tradisyonal na pamamaraan ng istatistika. Maturity ng pangalawa at pangatlong molar sa magkabilang panga.
Ang mga mean at standard deviations ng chronological age ayon sa stage at uri ng ngipin ay ipinapakita online sa Supplementary Table S1 (training set), Supplementary Table S2 (internal test set), at Supplementary Table S3 (external test set). Ang mga kappa value para sa intra- at interobserver reliability na nakuha mula sa training set ay 0.951 at 0.947, ayon sa pagkakabanggit. Ang mga P value at 95% confidence intervals para sa mga kappa value ay ipinapakita sa online supplementary table S4. Ang kappa value ay binigyang-kahulugan bilang "halos perpekto", na naaayon sa pamantayan nina Landis at Koch26.
Kapag pinaghahambing ang mean absolute error (MAE), ang tradisyonal na pamamaraan ay bahagyang mas mahusay kaysa sa modelo ng DM para sa lahat ng kasarian at sa panlabas na set ng pagsubok para sa lalaki, maliban sa multilayer perceptron (MLP). Ang pagkakaiba sa pagitan ng tradisyonal na modelo at ng modelo ng DM sa panloob na set ng pagsubok para sa MAE ay 0.12–0.19 taon para sa mga lalaki at 0.17–0.21 taon para sa mga babae. Para sa panlabas na baterya ng pagsubok, ang mga pagkakaiba ay mas maliit (0.001–0.05 taon para sa mga lalaki at 0.05–0.09 taon para sa mga babae). Bukod pa rito, ang root mean square error (RMSE) ay bahagyang mas mababa kaysa sa tradisyonal na pamamaraan, na may mas maliliit na pagkakaiba (0.17–0.24, 0.2–0.24 para sa panloob na set ng pagsubok para sa lalaki, at 0.03–0.07, 0.04–0.08 para sa panlabas na set ng pagsubok). Ang MLP ay nagpapakita ng bahagyang mas mahusay na pagganap kaysa sa Single Layer Perceptron (SLP), maliban sa kaso ng panlabas na set ng pagsubok para sa babae. Para sa MAE at RMSE, ang external test set ay mas mataas ang iskor kaysa sa internal test set para sa lahat ng kasarian at modelo. Ang lahat ng MAE at RMSE ay ipinapakita sa Table 1 at Figure 1.
MAE at RMSE ng tradisyonal at data mining regression models. Mean absolute error MAE, root mean square error RMSE, single layer perceptron SLP, multilayer perceptron MLP, tradisyonal na CM method.
Ang pagganap ng klasipikasyon (na may cutoff na 18 taon) ng mga tradisyonal at DM na modelo ay ipinakita sa mga tuntunin ng sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), at area under the receiver operating characteristic curve (AUROC) 27 (Table 2, Figure 2 at Supplementary Figure 1 online). Kung pag-uusapan ang sensitivity ng internal test battery, ang mga tradisyonal na pamamaraan ay pinakamahusay na gumanap sa mga kalalakihan at mas mahina sa mga kababaihan. Gayunpaman, ang pagkakaiba sa pagganap ng klasipikasyon sa pagitan ng mga tradisyonal na pamamaraan at SD ay 9.7% para sa mga kalalakihan (MLP) at 2.4% lamang para sa mga kababaihan (XGBoost). Sa mga modelo ng DM, ang logistic regression (LR) ay nagpakita ng mas mahusay na sensitivity sa parehong kasarian. Tungkol sa specificity ng internal test set, naobserbahan na ang apat na modelo ng SD ay mahusay na gumanap sa mga kalalakihan, habang ang tradisyonal na modelo ay mas mahusay na gumanap sa mga kababaihan. Ang mga pagkakaiba sa pagganap ng klasipikasyon para sa mga kalalakihan at kababaihan ay 13.3% (MLP) at 13.1% (MLP), ayon sa pagkakabanggit, na nagpapahiwatig na ang pagkakaiba sa pagganap ng klasipikasyon sa pagitan ng mga modelo ay lumampas sa sensitivity. Sa mga modelong DM, ang support vector machine (SVM), decision tree (DT), at random forest (RF) na modelo ang pinakamahusay na nagpakita ng performance sa mga lalaki, habang ang LR model ang pinakamahusay na nagpakita ng performance sa mga babae. Ang AUROC ng tradisyonal na modelo at lahat ng SD model ay mas malaki sa 0.925 (k-nearest neighbor (KNN) sa mga lalaki), na nagpapakita ng mahusay na performance sa pag-uuri sa pagkilala sa mga 18-taong-gulang na sample28. Para sa external test set, nagkaroon ng pagbaba sa performance sa pag-uuri sa mga tuntunin ng sensitivity, specificity at AUROC kumpara sa internal test set. Bukod dito, ang pagkakaiba sa sensitivity at specificity sa pagitan ng performance sa pag-uuri ng pinakamahusay at pinakamasamang modelo ay mula 10% hanggang 25% at mas malaki kaysa sa pagkakaiba sa internal test set.
Sensitibidad at espesipisidad ng mga modelo ng klasipikasyon ng data mining kumpara sa mga tradisyunal na pamamaraan na may cutoff na 18 taon. KNN k nearest neighbor, SVM support vector machine, LR logistic regression, DT decision tree, RF random forest, XGB XGBoost, MLP multilayer perceptron, tradisyonal na pamamaraan ng CM.
Ang unang hakbang sa pag-aaral na ito ay ang paghahambing ng katumpakan ng mga pagtatantya sa edad ng ngipin na nakuha mula sa pitong modelo ng DM sa mga nakuha gamit ang tradisyonal na regresyon. Ang MAE at RMSE ay sinuri sa mga panloob na set ng pagsubok para sa parehong kasarian, at ang pagkakaiba sa pagitan ng tradisyonal na pamamaraan at modelo ng DM ay mula 44 hanggang 77 araw para sa MAE at mula 62 hanggang 88 araw para sa RMSE. Bagama't ang tradisyonal na pamamaraan ay bahagyang mas tumpak sa pag-aaral na ito, mahirap tapusin kung ang ganitong maliit na pagkakaiba ay may klinikal o praktikal na kahalagahan. Ang mga resultang ito ay nagpapahiwatig na ang katumpakan ng pagtatantya sa edad ng ngipin gamit ang modelo ng DM ay halos kapareho ng sa tradisyonal na pamamaraan. Mahirap ang direktang paghahambing sa mga resulta mula sa mga nakaraang pag-aaral dahil walang pag-aaral ang nagkumpara sa katumpakan ng mga modelo ng DM sa mga tradisyonal na pamamaraang pang-estadistika gamit ang parehong pamamaraan ng pagtatala ng mga ngipin sa parehong saklaw ng edad tulad ng sa pag-aaral na ito. Inihambing nina Galibourg et al24 ang MAE at RMSE sa pagitan ng dalawang tradisyonal na pamamaraan (paraan ni Demirjian25 at paraan ni Willems29) at 10 modelo ng DM sa isang populasyon ng Pransya na may edad 2 hanggang 24 taon. Iniulat nila na ang lahat ng modelo ng DM ay mas tumpak kaysa sa mga tradisyonal na pamamaraan, na may mga pagkakaiba na 0.20 at 0.38 taon sa MAE at 0.25 at 0.47 taon sa RMSE kumpara sa mga pamamaraan ng Willems at Demirdjian, ayon sa pagkakabanggit. Ang pagkakaiba sa pagitan ng modelo ng SD at mga tradisyonal na pamamaraan na ipinakita sa pag-aaral ng Halibourg ay isinasaalang-alang ang maraming ulat30,31,32,33 na ang pamamaraan ng Demirdjian ay hindi tumpak na tinatantya ang edad ng ngipin sa mga populasyon maliban sa mga French Canadian na pinagbatayan ng pag-aaral. Ginamit nina Tai et al. 34 ang algorithm ng MLP upang mahulaan ang edad ng ngipin mula sa 1636 na mga litrato ng orthodontic na Tsino at inihambing ang katumpakan nito sa mga resulta ng pamamaraan ng Demirjian at Willems. Iniulat nila na ang MLP ay may mas mataas na katumpakan kaysa sa mga tradisyonal na pamamaraan. Ang pagkakaiba sa pagitan ng pamamaraan ng Demirdjian at ng tradisyonal na pamamaraan ay <0.32 taon, at ang pamamaraan ng Willems ay 0.28 taon, na katulad ng mga resulta ng kasalukuyang pag-aaral. Ang mga resulta ng mga nakaraang pag-aaral na ito24,34 ay naaayon din sa mga resulta ng kasalukuyang pag-aaral, at ang katumpakan ng pagtatantya ng edad ng modelo ng DM at ng tradisyonal na pamamaraan ay magkatulad. Gayunpaman, batay sa mga ipinakitang resulta, maingat lamang nating mahihinuha na ang paggamit ng mga modelo ng DM upang tantyahin ang edad ay maaaring pumalit sa mga umiiral na pamamaraan dahil sa kakulangan ng mga paghahambing at sangguniang nakaraang pag-aaral. Kinakailangan ang mga follow-up na pag-aaral gamit ang mas malalaking sample upang kumpirmahin ang mga resultang nakuha sa pag-aaral na ito.
Sa mga pag-aaral na sumusubok sa katumpakan ng SD sa pagtantya sa edad ng ngipin, ang ilan ay nagpakita ng mas mataas na katumpakan kaysa sa aming pag-aaral. Inilapat nina Stepanovsky et al. 35 ang 22 modelo ng SD sa mga panoramic radiograph ng 976 na residente ng Czech na may edad 2.7 hanggang 20.5 taon at sinubukan ang katumpakan ng bawat modelo. Sinuri nila ang pag-unlad ng kabuuang 16 na permanenteng ngipin sa itaas at ibabang kaliwang bahagi gamit ang pamantayan sa klasipikasyon na iminungkahi nina Moorrees et al. 36. Ang MAE ay mula 0.64 hanggang 0.94 taon at ang RMSE ay mula 0.85 hanggang 1.27 taon, na mas tumpak kaysa sa dalawang modelo ng DM na ginamit sa pag-aaral na ito. Ginamit nina Shen et al. 23 ang pamamaraan ng Cameriere upang tantyahin ang edad ng ngipin ng pitong permanenteng ngipin sa kaliwang mandible sa mga residente ng silangang Tsina na may edad 5 hanggang 13 taon at inihambing ito sa mga edad na tinantya gamit ang linear regression, SVM at RF. Ipinakita nila na ang lahat ng tatlong modelo ng DM ay may mas mataas na katumpakan kumpara sa tradisyonal na pormula ng Cameriere. Ang MAE at RMSE sa pag-aaral ni Shen ay mas mababa kaysa sa mga nasa modelo ng DM sa pag-aaral na ito. Ang pagtaas ng katumpakan ng mga pag-aaral nina Stepanovsky et al. 35 at Shen et al. 23 ay maaaring dahil sa pagsasama ng mga mas batang kalahok sa kanilang mga sample ng pag-aaral. Dahil ang mga pagtatantya ng edad para sa mga kalahok na may mga umuusbong na ngipin ay nagiging mas tumpak habang tumataas ang bilang ng mga ngipin habang umuunlad ang ngipin, ang katumpakan ng nagresultang paraan ng pagtatantya ng edad ay maaaring makompromiso kapag ang mga kalahok sa pag-aaral ay mas bata. Bukod pa rito, ang error ng MLP sa pagtatantya ng edad ay bahagyang mas maliit kaysa sa mga SLP, ibig sabihin ay mas tumpak ang MLP kaysa sa SLP. Ang MLP ay itinuturing na bahagyang mas mahusay para sa pagtatantya ng edad, posibleng dahil sa mga nakatagong layer sa MLP38. Gayunpaman, mayroong isang eksepsiyon para sa panlabas na sample ng mga kababaihan (SLP 1.45, MLP 1.49). Ang natuklasan na ang MLP ay mas tumpak kaysa sa SLP sa pagtatasa ng edad ay nangangailangan ng karagdagang mga retrospektibong pag-aaral.
Pinagkumpara rin ang pagganap ng klasipikasyon ng modelo ng DM at ang tradisyonal na pamamaraan sa isang 18-taong threshold. Ang lahat ng nasubukang modelo ng SD at mga tradisyonal na pamamaraan sa internal test set ay nagpakita ng halos katanggap-tanggap na antas ng diskriminasyon para sa 18-taong-gulang na sample. Ang sensitivity para sa mga kalalakihan at kababaihan ay higit sa 87.7% at 94.9%, ayon sa pagkakabanggit, at ang specificity ay higit sa 89.3% at 84.7%. Ang AUROC ng lahat ng nasubukang modelo ay lumampas din sa 0.925. Sa aming kaalaman, walang pag-aaral ang sumubok sa pagganap ng modelo ng DM para sa 18-taong klasipikasyon batay sa dental maturity. Maaari naming ihambing ang mga resulta ng pag-aaral na ito sa pagganap ng klasipikasyon ng mga deep learning model sa mga panoramic radiograph. Kinalkula nina Guo et al.15 ang pagganap ng klasipikasyon ng isang deep learning model na nakabatay sa CNN at isang manual na pamamaraan batay sa pamamaraan ni Demirjian para sa isang tiyak na threshold ng edad. Ang sensitibidad at ispesipisidad ng manu-manong pamamaraan ay 87.7% at 95.5%, ayon sa pagkakabanggit, at ang sensitibidad at ispesipisidad ng modelo ng CNN ay lumampas sa 89.2% at 86.6%, ayon sa pagkakabanggit. Napagpasyahan nila na ang mga modelo ng deep learning ay maaaring pumalit o lumampas sa manu-manong pagtatasa sa pag-uuri ng mga limitasyon sa edad. Ang mga resulta ng pag-aaral na ito ay nagpakita ng magkatulad na pagganap sa pag-uuri; Pinaniniwalaan na ang pag-uuri gamit ang mga modelo ng DM ay maaaring pumalit sa mga tradisyonal na pamamaraang pang-estadistika para sa pagtatantya ng edad. Sa mga modelo, ang DM LR ang pinakamahusay na modelo sa mga tuntunin ng sensitibidad para sa sample ng lalaki at sensitibidad at ispesipisidad para sa sample ng babae. Ang LR ay pangalawa sa ispesipisidad para sa mga lalaki. Bukod dito, ang LR ay itinuturing na isa sa mga mas madaling gamiting modelo ng DM35 at hindi gaanong kumplikado at mahirap iproseso. Batay sa mga resultang ito, ang LR ay itinuturing na pinakamahusay na modelo ng cutoff classification para sa mga 18 taong gulang sa populasyon ng Korea.
Sa pangkalahatan, ang katumpakan ng pagtatantya ng edad o pagganap ng klasipikasyon sa panlabas na set ng pagsubok ay mababa o mas mababa kumpara sa mga resulta sa panloob na set ng pagsubok. Ipinapahiwatig ng ilang ulat na ang katumpakan o kahusayan ng klasipikasyon ay bumababa kapag ang mga pagtatantya ng edad batay sa populasyon ng Korea ay inilapat sa populasyon ng Hapon5,39, at isang katulad na pattern ang natagpuan sa kasalukuyang pag-aaral. Ang trend ng pagkasira na ito ay naobserbahan din sa modelo ng DM. Samakatuwid, upang tumpak na matantya ang edad, kahit na ginagamit ang DM sa proseso ng pagsusuri, ang mga pamamaraan na nagmula sa datos ng katutubong populasyon, tulad ng mga tradisyonal na pamamaraan, ay dapat na mas gusto5,39,40,41,42. Dahil hindi malinaw kung ang mga modelo ng deep learning ay maaaring magpakita ng mga katulad na trend, ang mga pag-aaral na naghahambing sa katumpakan at kahusayan ng klasipikasyon gamit ang mga tradisyonal na pamamaraan, mga modelo ng DM, at mga modelo ng deep learning sa parehong mga sample ay kinakailangan upang kumpirmahin kung ang artificial intelligence ay maaaring malampasan ang mga pagkakaiba-iba ng lahi sa mga pagtatasa na limitado ang edad.
Ipinakita namin na ang mga tradisyunal na pamamaraan ay maaaring palitan ng pagtatantya ng edad batay sa modelo ng DM sa pagsasagawa ng pagtatantya ng edad sa forensic sa Korea. Natuklasan din namin ang posibilidad ng pagpapatupad ng machine learning para sa pagtatasa ng edad sa forensic. Gayunpaman, may mga malinaw na limitasyon, tulad ng hindi sapat na bilang ng mga kalahok sa pag-aaral na ito upang tiyak na matukoy ang mga resulta, at ang kakulangan ng mga nakaraang pag-aaral upang ihambing at kumpirmahin ang mga resulta ng pag-aaral na ito. Sa hinaharap, ang mga pag-aaral ng DM ay dapat isagawa na may mas malaking bilang ng mga sample at mas magkakaibang populasyon upang mapabuti ang praktikal na paggamit nito kumpara sa mga tradisyonal na pamamaraan. Upang mapatunayan ang posibilidad ng paggamit ng artificial intelligence upang tantyahin ang edad sa maraming populasyon, kinakailangan ang mga pag-aaral sa hinaharap upang ihambing ang katumpakan at kahusayan ng pag-uuri ng mga modelo ng DM at deep learning sa mga tradisyonal na pamamaraan sa parehong mga sample.
Gumamit ang pag-aaral ng 2,657 na ortograpikong litrato na nakalap mula sa mga nasa hustong gulang na Koreano at Hapones na may edad 15 hanggang 23 taon. Ang mga Korean radiograph ay hinati sa 900 training sets (19.42 ± 2.65 taon) at 900 internal test sets (19.52 ± 2.59 taon). Ang training set ay nakolekta sa isang institusyon (Seoul St. Mary's Hospital), at ang sariling test set ay nakolekta sa dalawang institusyon (Seoul National University Dental Hospital at Yonsei University Dental Hospital). Nakakolekta rin kami ng 857 radiograph mula sa isa pang datos batay sa populasyon (Iwate Medical University, Japan) para sa panlabas na pagsusuri. Ang mga radiograph ng mga Hapones na kalahok (19.31 ± 2.60 taon) ay napili bilang panlabas na test set. Ang datos ay kinolekta nang retrospektibo upang suriin ang mga yugto ng pag-unlad ng ngipin sa mga panoramic radiograph na kinuha habang ginagamot sa ngipin. Lahat ng datos na nakolekta ay hindi nagpapakilala maliban sa kasarian, petsa ng kapanganakan at petsa ng radiograph. Ang pamantayan sa pagsasama at pagbubukod ay pareho sa mga naunang nailathalang pag-aaral 4, 5. Ang aktwal na edad ng sampol ay kinalkula sa pamamagitan ng pagbabawas ng petsa ng kapanganakan mula sa petsa ng pagkuha ng radiograph. Ang grupo ng sampol ay hinati sa siyam na pangkat ng edad. Ang distribusyon ng edad at kasarian ay ipinapakita sa Talahanayan 3. Ang pag-aaral na ito ay isinagawa alinsunod sa Deklarasyon ng Helsinki at inaprubahan ng Institutional Review Board (IRB) ng Seoul St. Mary's Hospital ng Catholic University of Korea (KC22WISI0328). Dahil sa retrospective na disenyo ng pag-aaral na ito, hindi nakuha ang informed consent mula sa lahat ng mga pasyenteng sumasailalim sa radiographic examination para sa mga therapeutic na layunin. Hindi isinama ng Seoul Korea University St. Mary's Hospital (IRB) ang kinakailangan para sa informed consent.
Ang mga yugto ng pag-unlad ng bimaxillary second at third molars ay tinasa ayon sa Demircan criteria25. Isang ngipin lamang ang napili kung ang parehong uri ng ngipin ay matatagpuan sa kaliwa at kanang bahagi ng bawat panga. Kung ang mga homologous na ngipin sa magkabilang panig ay nasa magkaibang yugto ng pag-unlad, ang ngipin na may mas mababang yugto ng pag-unlad ang pinili upang isaalang-alang ang kawalan ng katiyakan sa tinantyang edad. Isang daang random na napiling radiograph mula sa training set ang binigyan ng marka ng dalawang bihasang tagamasid upang subukan ang interobserver reliability pagkatapos ng precalibration upang matukoy ang yugto ng pagkahinog ng ngipin. Ang intraobserver reliability ay tinasa nang dalawang beses sa tatlong buwang pagitan ng pangunahing tagamasid.
Ang kasarian at yugto ng pag-unlad ng pangalawa at pangatlong bagang ng bawat panga sa training set ay tinantya ng isang pangunahing tagamasid na sinanay gamit ang iba't ibang modelo ng DM, at ang aktwal na edad ay itinakda bilang target na halaga. Ang mga modelo ng SLP at MLP, na malawakang ginagamit sa machine learning, ay sinubukan laban sa mga algorithm ng regression. Pinagsasama ng modelo ng DM ang mga linear function gamit ang mga yugto ng pag-unlad ng apat na ngipin at pinagsasama ang mga datos na ito upang tantyahin ang edad. Ang SLP ang pinakasimpleng neural network at hindi naglalaman ng mga nakatagong layer. Gumagana ang SLP batay sa threshold transmission sa pagitan ng mga node. Ang modelo ng SLP sa regression ay katulad ng matematika sa multiple linear regression. Hindi tulad ng modelo ng SLP, ang modelo ng MLP ay may maraming nakatagong layer na may mga nonlinear activation function. Gumamit ang aming mga eksperimento ng isang nakatagong layer na may 20 nakatagong node lamang na may mga nonlinear activation function. Gumamit ng gradient descent bilang paraan ng pag-optimize at MAE at RMSE bilang loss function upang sanayin ang aming modelo ng machine learning. Ang pinakamahusay na nakuha na modelo ng regression ay inilapat sa mga internal at external test set at tinantya ang edad ng mga ngipin.
Isang algorithm ng klasipikasyon ang binuo na gumagamit ng maturity ng apat na ngipin sa training set upang mahulaan kung ang isang sample ay 18 taong gulang o hindi. Upang mabuo ang modelo, kumuha kami ng pitong representasyon ng machine learning algorithm6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, at (7) MLP. Ang LR ay isa sa mga pinakamalawak na ginagamit na algorithm ng klasipikasyon44. Ito ay isang supervised learning algorithm na gumagamit ng regression upang mahulaan ang probabilidad ng data na kabilang sa isang partikular na kategorya mula 0 hanggang 1 at inuuri ang data bilang kabilang sa isang mas malamang na kategorya batay sa probabilidad na ito; pangunahing ginagamit para sa binary classification. Ang KNN ay isa sa mga pinakasimpleng algorithm ng machine learning45. Kapag binigyan ng bagong input data, hinahanap nito ang k data na malapit sa umiiral na set at pagkatapos ay inuuri ang mga ito sa klase na may pinakamataas na frequency. Nagtakda kami ng 3 para sa bilang ng mga kapitbahay na isinasaalang-alang (k). Ang SVM ay isang algorithm na nag-ma-maximize sa distansya sa pagitan ng dalawang klase sa pamamagitan ng paggamit ng kernel function upang palawakin ang linear space sa isang non-linear space na tinatawag na fields46. Para sa modelong ito, ginagamit namin ang bias = 1, power = 1, at gamma = 1 bilang mga hyperparameter para sa polynomial kernel. Ang DT ay inilapat sa iba't ibang larangan bilang isang algorithm para sa paghahati ng isang buong set ng datos sa ilang mga subgroup sa pamamagitan ng pagrepresenta ng mga decision rule sa isang tree structure47. Ang modelo ay naka-configure na may minimum na bilang ng mga record bawat node na 2 at ginagamit ang Gini index bilang sukatan ng kalidad. Ang RF ay isang ensemble method na pinagsasama ang maraming DT upang mapabuti ang performance gamit ang isang bootstrap aggregation method na bumubuo ng isang weak classifier para sa bawat sample sa pamamagitan ng random na pagguhit ng mga sample na may parehong laki nang maraming beses mula sa orihinal na dataset48. Gumamit kami ng 100 puno, 10 lalim ng puno, 1 minimum na laki ng node, at Gini admixture index bilang pamantayan sa paghihiwalay ng node. Ang pag-uuri ng bagong datos ay tinutukoy sa pamamagitan ng boto ng mayorya. Ang XGBoost ay isang algorithm na pinagsasama ang mga boosting technique gamit ang isang paraan na kumukuha bilang training data ang error sa pagitan ng aktwal at hinulaang mga halaga ng nakaraang modelo at pinapataas ang error gamit ang mga gradient49. Ito ay isang malawakang ginagamit na algorithm dahil sa mahusay nitong pagganap at kahusayan sa mapagkukunan, pati na rin ang mataas na pagiging maaasahan bilang isang overfitting correction function. Ang modelo ay nilagyan ng 400 support wheels. Ang MLP ay isang neural network kung saan ang isa o higit pang mga perceptron ay bumubuo ng maraming layer na may isa o higit pang mga nakatagong layer sa pagitan ng mga input at output layer38. Gamit ito, maaari kang magsagawa ng non-linear na klasipikasyon kung saan kapag nagdagdag ka ng isang input layer at nakakuha ng isang halaga ng resulta, ang hinulaang halaga ng resulta ay inihahambing sa aktwal na halaga ng resulta at ang error ay ibinabalik. Gumawa kami ng isang nakatagong layer na may 20 nakatagong neuron sa bawat layer. Ang bawat modelo na aming binuo ay inilapat sa mga panloob at panlabas na set upang subukan ang pagganap ng klasipikasyon sa pamamagitan ng pagkalkula ng sensitivity, specificity, PPV, NPV, at AUROC. Ang sensitivity ay tinukoy bilang ang ratio ng isang sample na tinatayang 18 taong gulang o mas matanda sa isang sample na tinatayang 18 taong gulang o mas matanda. Ang specificity ay ang proporsyon ng mga sample na wala pang 18 taong gulang at ang mga tinatayang wala pang 18 taong gulang.
Ang mga yugto ng ngipin na tinasa sa set ng pagsasanay ay ginawang mga yugto ng numero para sa pagsusuring istatistika. Isinagawa ang multivariate linear at logistic regression upang bumuo ng mga predictive model para sa bawat kasarian at kumuha ng mga formula ng regression na maaaring magamit upang tantyahin ang edad. Ginamit namin ang mga formula na ito upang tantyahin ang edad ng ngipin para sa parehong internal at external test set. Ipinapakita sa Talahanayan 4 ang mga modelo ng regression at classification na ginamit sa pag-aaral na ito.
Ang intra- at interobserver reliability ay kinalkula gamit ang Cohen's kappa statistic. Upang masubukan ang katumpakan ng DM at tradisyonal na mga modelo ng regresyon, kinalkula namin ang MAE at RMSE gamit ang tinantyang at aktwal na edad ng mga internal at external test set. Ang mga error na ito ay karaniwang ginagamit upang suriin ang katumpakan ng mga hula ng modelo. Kung mas maliit ang error, mas mataas ang katumpakan ng forecast24. Paghambingin ang MAE at RMSE ng mga internal at external test set na kinalkula gamit ang DM at tradisyonal na regresyon. Ang performance ng classification ng 18-year cutoff sa mga tradisyonal na istatistika ay tinasa gamit ang isang 2 × 2 contingency table. Ang kinalkulang sensitivity, specificity, PPV, NPV, at AUROC ng test set ay inihambing sa mga nasukat na halaga ng DM classification model. Ang datos ay ipinahayag bilang mean ± standard deviation o numero (%) depende sa mga katangian ng datos. Ang two-sided P values <0.05 ay itinuturing na statistically significant. Lahat ng routine statistical analyses ay isinagawa gamit ang SAS version 9.4 (SAS Institute, Cary, NC). Ang modelo ng DM regression ay ipinatupad sa Python gamit ang Keras50 2.2.4 backend at Tensorflow51 1.8.0 partikular para sa mga operasyong matematikal. Ang modelo ng klasipikasyon ng DM ay ipinatupad sa Waikato Knowledge Analysis Environment at sa platform ng pagsusuri ng Konstanz Information Miner (KNIME) 4.6.152.
Kinikilala ng mga may-akda na ang datos na sumusuporta sa mga konklusyon ng pag-aaral ay matatagpuan sa artikulo at mga karagdagang materyales. Ang mga dataset na nabuo at/o sinuri sa panahon ng pag-aaral ay makukuha mula sa kaukulang may-akda sa makatuwirang kahilingan.
Ritz-Timme, S. et al. Pagtatasa ng edad: makabagong kalagayan upang matugunan ang mga partikular na kinakailangan ng kasanayang forensik. internasyonalidad. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., at Olze, A. Kasalukuyang katayuan ng forensic age assessment ng mga nabubuhay na paksa para sa mga layunin ng kriminal na pag-uusig. Forensics. medisina. Patolohiya. 1, 239–246 (2005).
Pan, J. et al. Isang binagong pamamaraan para sa pagtatasa ng edad ng ngipin ng mga batang may edad 5 hanggang 16 taon sa silangang Tsina. klinikal. Oral survey. 25, 3463–3474 (2021).
Lee, SS atbp. Kronolohiya ng pag-unlad ng pangalawa at pangatlong molar sa mga Koreano at ang aplikasyon nito para sa forensic age assessment. internasyonalidad. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY at Lee, SS Katumpakan ng pagtatantya ng edad at pagtatantya ng 18-taong threshold batay sa maturity ng pangalawa at pangatlong molar sa mga Koreano at Hapon. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Ang preoperative machine learning-based data analysis ay maaaring mahulaan ang resulta ng paggamot sa sleep surgery sa mga pasyenteng may OSA. ang agham. Report 11, 14911 (2021).
Han, M. et al. Tumpak na pagtatantya ng edad mula sa machine learning na mayroon o walang interbensyon ng tao? internasyonalidad. J. Legal medicine. 136, 821–831 (2022).
Khan, S. at Shaheen, M. Mula sa Pagmimina ng Datos Tungo sa Pagmimina ng Datos. J. Impormasyon. ang agham. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. at Shaheen, M. WisRule: Ang Unang Cognitive Algorithm para sa Association Rule Mining. J.Information. ang agham. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. at Abdullah U. Karm: Tradisyonal na pagmimina ng datos batay sa mga tuntunin ng asosasyon batay sa konteksto. kalkulahin. Matt. magpatuloy. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. at Habib M. Pagtukoy ng semantikong pagkakatulad batay sa malalim na pagkatuto gamit ang datos ng teksto. impormasyon. mga teknolohiya. kontrol. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., at Shahin, M. Isang sistema para sa pagkilala ng aktibidad sa mga video ng palakasan. multimedia. Mga Kagamitan at Aplikasyon https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Hamon sa Pagkatuto ng Makina ng RSNA sa Edad ng Buto ng mga Bata. Radiology 290, 498–503 (2019).
Li, Y. et al. Pagtatantya ng forensic na edad mula sa pelvic X-ray gamit ang deep learning. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Tumpak na pag-uuri ng edad gamit ang mga manu-manong pamamaraan at malalalim na convolutional neural network mula sa mga imahe ng orthographic projection. internasyonalidad. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Pagtatantya ng edad ng buto gamit ang iba't ibang pamamaraan ng machine learning: isang sistematikong pagsusuri ng literatura at meta-analysis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., at Yang, J. Pagtatantya ng edad na partikular sa populasyon ng mga Aprikanong Amerikano at Tsino batay sa dami ng pulp chamber ng mga unang molar gamit ang cone-beam computed tomography. internasyonalidad. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK at Oh KS Pagtukoy sa mga pangkat ng edad ng mga nabubuhay na tao gamit ang mga imahe ng mga unang bagang batay sa artificial intelligence. ang agham. Ulat 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., at Urschler, M. Awtomatikong pagtatantya ng edad at pag-uuri ng edad ng mayorya mula sa multivariate MRI data. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. at Li, G. Pagtatantya ng edad batay sa 3D pulp chamber segmentation ng mga unang molar mula sa cone beam computed tomography sa pamamagitan ng pagsasama ng deep learning at level set. internasyonalidad. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Pagmimina ng datos sa klinikal na malaking datos: mga karaniwang database, hakbang, at modelo ng mga pamamaraan. Mundo. medisina. mapagkukunan. 8, 44 (2021).
Yang, J. et al. Introduksyon sa mga Medikal na Database at mga Teknolohiya sa Pagmimina ng Datos sa Panahon ng Big Data. J. Avid. Pangunahing medisina. 13, 57–69 (2020).
Shen, S. et al. Ang pamamaraan ni Camerer para sa pagtantya ng edad ng ngipin gamit ang machine learning. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Paghahambing ng iba't ibang pamamaraan ng machine learning para sa paghula ng edad ng ngipin gamit ang pamamaraan ng Demirdjian staging. internasyonalidad. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. at Tanner, JM Isang bagong sistema para sa pagtatasa ng edad ng ngipin. snort. biology. 45, 211–227 (1973).
Landis, JR, at Koch, GG Mga Sukat ng Pagsang-ayon ng Tagamasid sa Kategoryang Datos. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK at Choi HK. Tekstural, morpolohikal at istatistikal na pagsusuri ng two-dimensional magnetic resonance imaging gamit ang mga pamamaraan ng artificial intelligence para sa pagkakaiba-iba ng mga pangunahing tumor sa utak. Impormasyon sa kalusugan. mapagkukunan. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Oras ng pag-post: Enero-04-2024