Təbiət.com ziyarət etdiyiniz üçün təşəkkür edirəm. İstifadə etdiyiniz brauzerin versiyası məhdud CSS dəstəyi var. Ən yaxşı nəticələr üçün brauzerinizin daha yeni bir versiyasından (və ya Internet Explorer-də uyğunluq rejimini söndürməyə) istifadə etməyi məsləhət görürük. Bu vaxt, davam edən dəstəyi təmin etmək üçün saytı styling və ya javascript olmadan göstəririk.
Dişlər insan bədəninin yaşının ən doğru göstəricisi hesab olunur və çox vaxt məhkəmə dövrü qiymətləndirilməsində istifadə olunur. Ənənəvi metodlar və məlumatların mədəni əsaslı yaşa əsaslanan yaşlanma ilə 18 illik həddinin qiymətləndirmə dəqiqliyini və təsnifat fəaliyyətini müqayisə edərək məlumatların mədəni əsaslı diş yaşlarının qiymətləndirilməsini yönəltmişik. Cəmi 2657 panoramik radioqrafiya, Koreya və 15 ildən 23 yaşa qədər olan Yaponiya vətəndaşlarından toplanmışdır. Onlar bir təlim dəstinə, hər biri 900 Koreya rentgenoqrafiyası və 857 Yapon radioqrafiyasını ehtiva edən daxili test dəstinə bölündülər. Məlumatların test dəstləri test dəstləri ilə ənənəvi metodların təsnifatının dəqiqliyini və səmərəliliyini müqayisə etdik. Daxili test dəsti üzrə ənənəvi metodun düzgünlüyü məlumatların mədən modelindən bir qədər yüksəkdir və fərqi kiçikdir (mütləq səhv səhv <0.21 il, kök orta kvadrat xətası <0.24 il). 18 illik kəsmə üçün təsnifat performansı ənənəvi metodlar və məlumatların mədən modelləri arasında oxşardır. Beləliklə, ənənəvi üsullar, Koreya yeniyetmələrində və gənc yetkinlərdə ikinci və üçüncü molarların yetkinliyindən istifadə edərək, Ədli Yaş Qiymətləndirməsini yerinə yetirərkən, ənənəvi metodlarla əvəz edilə bilər.
Diş yaş qiymətləndirməsi Ədli Tibb və Uşaq stomatologiyasında geniş istifadə olunur. Xüsusilə, xronoloji yaş və diş inkişafı arasındakı yüksək nisbətə görə, diş inkişaf mərhələləri tərəfindən yaş qiymətləndirməsi uşaqların və yeniyetmələrin yaşını qiymətləndirmək üçün vacib bir meyardır1,2,3. Bununla birlikdə, gənclər üçün diş yetkinliyinə əsaslanan diş yaşının qiymətləndirilməsi onun məhdudiyyətləri var, çünki üçüncü molarlar istisna olmaqla, diş böyüməsi demək olar ki, tamamlandı. Gənclərin yaşını və yeniyetmələrin yaşını müəyyənləşdirmək hüquqi məqsədi, əksəriyyətin yaşına çatdıqlarına dair dəqiq qiymətləndirmələrin və elmi sübutların təmin edilməsidir. Koreyadakı yeniyetmələr və gənc yetkinlərin dərman-hüquqi təcrübəsində yaş Lee metodundan istifadə edildiyi təxmin edildi və 18 yaşdan 18 illik hüquqi həddi, OH və AL 5 tərəfindən bildirilən məlumatlar əsasında proqnozlaşdırıldı.
Maşın öyrənməsi çox sayda məlumatı dəfələrlə öyrənən və təsnif edən süni intellekt növüdür, bu problemləri öz-özünə həll edir və məlumat proqramlaşdırma edir. Maşın öyrənməsi, geniş məlumatların böyük həcmində faydalı gizli nümunələri tapa bilər. Bunun əksinə olaraq, əmək-intensiv və vaxt aparan klassik metodlar, əl ilə işləmək çətin olan böyük cildlərin böyük həcmində işlədikdə məhdudiyyətlər ola bilər. Buna görə də, bu yaxınlarda insan səhvlərini minimuma endirmək və çoxölçülü məlumatları minimuma endirmək üçün son kompüter texnologiyalarından istifadə edərək bir çox tədqiqat keçirilmişdir8,9,10,11,12. Xüsusilə, tibbi görüntü təhlilində dərin öyrənmə geniş istifadə olunur və rentgenoqrafiyanı avtomatik təhlil etməklə yaşlanaraq yaşlanma üçün müxtəlif metodlar, yaşın qiymətləndirilməsinin düzgünlüyünü və səmərəliliyinin artırılması barədə müxtəlif metodlar13,14,15,16,17,18,19,19,19 . Məsələn, Halabi et al 13, uşaqların əllərinin rentgenoqrafiyasından istifadə edərək, koncumol neyron şəbəkələrinə (CNN) əsaslı skelet yaşına əsaslanan bir maşın öyrənmə alqoritmi hazırladı. Bu araşdırma, tibbi görüntüləri öyrənməyi və bu üsulların diaqnostik dəqiqliyi yaxşılaşdıra biləcəyini göstərir. Li və AL14 Təxmini bir öyrənmə CNN-dən istifadə edərək pelvic rentgen şəkillərindən tutmuş yaşlandı və ossifikasiya mərhələsinin qiymətləndirilməsindən istifadə edərək reqressiya nəticələri ilə müqayisə edildi. Dərin öyrənmə CNN modelinin ənənəvi reqressiya modeli kimi eyni yaş qiymətləndirmə performansını göstərdiyini gördülər. Guo et al. Tədqiqatı [15] CNN texnologiyasına əsaslanan CNN texnologiyasının yaşına dözümlülük təsnifatını qiymətləndirdi və CNN modelinin nəticələri, insanların yaş təsnifat performansından üstün olduqlarını sübut etdi.
Maşın öyrənmə istifadə edərək yaş qiymətləndirməsinin əksəriyyəti dərin öyrənmə metodlarından istifadə edərək əksər işlər13,14,15,16,18,18,19,19 Dərin öyrənməyə əsaslanan yaş qiymətləndirməsi ənənəvi metodlardan daha dəqiq olduğu bildirilir. Bununla birlikdə, bu yanaşma, smensiyada istifadə olunan yaş göstəriciləri kimi elmi bazanı yaşı smensatoru üçün az fürsət təqdim edir. Yoxlamaları kimin aparan bir hüquqi mübahisəsi də var. Buna görə dərin öyrənməyə əsaslanan yaş qiymətləndirməsi inzibati və məhkəmə orqanları tərəfindən qəbul etmək çətindir. Məlumat Mining (DM), yalnız gözlənilməz, həm də gözlənilməz məlumatları, həmçinin gözlənilməz məlumatları, həmçinin çox sayda məlumatlar arasında faydalı əlaqələrin aşkarlanması üsulu olaraq da gözlənilməz məlumatlar kimidir6,21,22. Maşın öyrənməsi tez-tez məlumat mədənlərində istifadə olunur və həm məlumatların mədəni, həm də maşın öyrənmə məlumatların nümunələrini tapmaq üçün eyni açar alqoritmlərdən istifadə edir. Diş inkişafından istifadə edərək yaş qiymətləndirməsi imtahan verən şəxsin hədəf dişlərinin yetkinliyinin qiymətləndirilməsinə əsaslanır və bu qiymətləndirmə hər hədəf diş üçün bir mərhələ kimi ifadə olunur. DM, diş qiymətləndirmə mərhələsi və faktiki yaş arasındakı əlaqəni təhlil etmək üçün istifadə edilə bilər və ənənəvi statistik analizi əvəz etmək potensialına malikdir. Buna görə də, DM texnikalarını yaş qiymətləndirməsinə tətbiq etsək, hüquqi məsuliyyətdən narahat olmayaraq məhkəmə dövriyyəsində mühüm yaş qiymətləndirməsində də həyata keçirə bilərik. Ədli təcrübədə istifadə olunan ənənəvi əl metodlarına və diş yaşının müəyyənləşdirilməsi üçün EBM əsaslı metodlarına mümkün alternativlər barədə bir neçə müqayisəli tədqiqat dərc edilmişdir. Shen et al23, DM modelinin ənənəvi kamerer formulundan daha dəqiq olduğunu göstərdi. Galibourg və AL24, Demirdjian meyarlarına görə yaşını proqnozlaşdırmaq üçün fərqli DM metodlarını tətbiq etdi və nəticələr DM metodu, Fransız əhalisinin yaşını qiymətləndirmək üçün DMirdjian və Willems metodlarını üstün tutduğunu göstərdi.
Koreya yeniyetmələri və gənc yetkinlərin diş yaşını qiymətləndirmək üçün Lee'nin metodu 4 Koreyalı məhkəmə təcrübəsində geniş istifadə olunur. Bu üsul, Koreya subyektləri və xronoloji yaş arasındakı əlaqəni araşdırmaq üçün ənənəvi statistik analiz (çox reqressiya kimi) istifadə edir. Bu işdə ənənəvi statistik metodlardan istifadə edərək əldə edilən yaş qiymətləndirmə metodları "ənənəvi metodlar" olaraq təyin olunur. Lee metodu ənənəvi bir üsuldur və onun dəqiqliyi Oh et al tərəfindən təsdiqləndi. 5; Bununla birlikdə, Koreyalı məhkəmə təcrübəsində DM modelinə əsaslanan yaş qiymətləndirməsinin tətbiq olunması hələ də şübhəlidir. Məqsədimiz DM modelinə əsaslanan yaş qiymətləndirməsinin potensial faydasını elmi şəkildə təsdiqləmək idi. Bu araşdırmanın məqsədi (1), stomatoloji yaşında iki DM modelinin dəqiqliyini müqayisə etmək və (1), 18 yaşında 7 DM modelinin təsnifat performansını ikinci dərəcəli statistik metodlardan istifadə edərək əldə edilənlər ilə müqayisə etmək Həm çənədəki üçüncü molar.
Mərhələ və diş növü ilə xronoloji dövrün və standart sapmaları əlavə masa S1 (təlim dəsti), əlavə masa S2 (daxili test dəsti) və əlavə masa S3 (xarici test dəsti) onlayn olaraq göstərilmişdir. Təlim dəstindən əldə edilən interobserver etibarlılığı üçün Kappa dəyərləri müvafiq olaraq 0.951 və 0.947 idi. P dəyərləri və Kappa dəyərləri üçün 95% inamlı intervalları onlayn əlavə cədvəl S4-də göstərilmişdir. Kappa dəyəri Landis və Koch26 meyarlarına uyğun "demək olar ki, mükəmməl" kimi şərh edildi.
Orta mütləq səhv (mae) müqayisə edərkən ənənəvi üsul, bütün cinslər üçün və xarici kişi test dəstində, çoxilayer perceptron (MLP) bir qədər yüksəkdir. Daxili MAE test dəstindəki ənənəvi model və DM modeli arasındakı fərq, kişilər üçün 0,12-0.19 il və qadınlar üçün 0,17-0.21 il idi. Xarici test batareyası üçün fərqlər daha kiçikdir (kişilər üçün 0.001-0.05 il və qadınlar üçün 0.05-09 il). Bundan əlavə, kök orta kvadrat xətası (RMSE) ənənəvi üsuldan bir qədər aşağıdır, kiçik fərqlər (0,17-0.24, kişi daxili test dəsti üçün 0.2-0.24, 0.03-0.07, xarici test dəsti üçün 0.04-0.08). ). MLP, qadın xarici test dəsti halından başqa bir təbəqə perceptron (SLP) daha yaxşı bir performans göstərir. Mae və RMSE üçün, xarici test dəsti bütün cinslər və modellər üçün daxili testdən daha yüksək bal toplayır. Bütün Mae və RMSE Cədvəl 1 və Şəkil 1-də göstərilir.
MAE və RMSE ənənəvi və məlumatların dağ-mədən reqressiya modelləri. Mütləq səhv səhvi, kök orta kvadrat səhvi rmse, tək təbəqə perceptron slp, çoxilayer perceptron MLP, ənənəvi sm metodu.
Təsnifat performansı (18 yaşındakı 18 ildir) ənənəvi və DM modelləri həssaslıq, spesifiklik, müsbət proqnozlaşdırma dəyəri (PPV), mənfi proqnozlaşdırma dəyəri (NPV) və qəbuledici əməliyyat xarakteristik əyri əyri (auroC) baxımından (AuroC) 27 (Cədvəl 2, Şəkil 2 və Əlavə Şəkil 1 online). Daxili test batareyasının həssaslığı baxımından, qadınlar arasında və daha pis olanlar arasında ən yaxşı şəkildə çıxış etdi. Ancaq ənənəvi metodlar və SD arasında təsnifat performansındakı fərqlər kişilər üçün 9,7% (MLP) və qadınlar üçün cəmi 2.4% (XGBOost). DM modelləri arasında, logistik reqressiya (LR) hər iki cinsdə daha yaxşı həssaslıq göstərdi. Daxili test dəstinin spesifikliyinə gəlincə, dörd SD modelin kişilərdə yaxşı çıxış etdiyi, ənənəvi model qadınlarda daha yaxşı çıxış etməsi müşahidə edildi. Kişilər və qadınlar üçün təsnifat performansındakı fərqlər 13,3% (MLP) və 13,1% (MLP), modellər arasındakı təsnifat performansının fərqinin həssaslığı aşdığını göstərir. DM modelləri arasında, dəstək vektoru (SVM), qərar ağacı (DT) və təsadüfi meşə (RF) modelləri kişilər arasında ən yaxşı çıxış etdi, LR modeli qadınlar arasında ən yaxşı çıxış etdi. Ənənəvi model və bütün SD modellərinin Auroku, kişilərdə 0.925 (KNN-in ən yaxın qonşu (KNN) -dən çox idi), 18 yaşlı nümunələri ayrı-seçkilik etməkdə əla təsnifat performansını nümayiş etdirir28. Xarici test dəsti üçün daxili test dəsti ilə müqayisədə həssaslıq, spesifiklik və aurok baxımından təsnifat performansının azalması oldu. Üstəlik, ən yaxşı və ən pis modellərin təsnifatı ilə həssaslıq və spesifikliyin fərqi 10% -dən 25% -ə qədər dəyişdi və daxili test dəstindəki fərqdən daha böyük idi.
18 illik bir kəsmə ilə ənənəvi metodlarla müqayisədə məlumatların mədən təsnifatı modellərinin həssaslığı və spesifikliyi. Knn K ən yaxın qonşusu, SVM dəstək vektoru, LR logistik reqressiyası, DT qərarlı ağac, RF təsadüfi meşə, XGB XGBOost, MLP Multilayer Perceptron, ənənəvi CM metodu.
Bu araşdırmada ilk addım, yeddi DM modelindən alınan ənənəvi reqressiyadan istifadə edərək əldə edilən diş yaşlarının qiymətləndirilməsinin düzgünlüyünü müqayisə etmək idi. Mae və RMSE hər iki cins üçün daxili test dəstlərində qiymətləndirildi və ənənəvi metod arasındakı fərqi və DM modeli Mae üçün 44 ilə 77 gün arasında və RMSE üçün 62-dən 88 gün arasında dəyişdi. Ənənəvi metod bu işdə biraz daha dəqiq olsa da, bu qədər kiçik bir fərqin klinik və ya praktik əhəmiyyətinin olub olmadığını bağlamaq çətindir. Bu nəticələr DM modelindən istifadə edən diş yaşının qiymətləndirilməsinin düzgünlüyünün ənənəvi üsulla eyni olduğunu göstərir. Əvvəlki araşdırmaların nəticələri ilə birbaşa müqayisə çətindir, çünki heç bir araşdırma DM modellərinin bu araşdırmada olduğu kimi eyni yaşdakı dişlərin eyni texnikasından istifadə edərək ənənəvi statistik metodlarla müqayisə etmədiyi üçün. Galibourg et al24 Mae və RMSE ilə müqayisədə iki ənənəvi metod (Demirjian metodu25 və Willems metodu29) və 2 ilə 24 yaş arası bir fransız əhalisində 10 dm model arasındadır. Bildirdilər ki, bütün DM modelləri ənənəvi metodlardan daha dəqiq, 0,20 və 0,38 il fərqi ilə və 0,25 il və 0,25 il və RMSE-də RMSE-də RMSE ilə müqayisədə, müvafiq olaraq Halibourg araşdırmasında göstərilən SD modeli və ənənəvi üsullar arasındakı uyğunsuzluq, Demirdjian metodu, işin əsərləri olan fransız kanadalılardan başqa populyasiyalardakı populyasiyalarda diş yaşını dəqiq qiymətləndirmədiyi üçün çoxsaylı hesabatları nəzərə alır. bu işdə. Tai Et Al 34, 1636 Çin ortodontik fotoşəkilindən diş yaşını proqnozlaşdırmaq üçün MLP alqoritmindən istifadə etdi və Demirjian və Willems metodunun nəticələri ilə dəqiqliyini müqayisə etdi. MLP-nin ənənəvi metodlardan daha yüksək dəqiqliyi olduğunu bildirdilər. Demirdjian metodu ilə ənənəvi üsul arasındakı fərq <0.32 ildir və Wilems metodu 0,28 ildir, bu da indiki tədqiqatın nəticələrinə bənzəyir. Bu əvvəlki işlərin nəticələri 24,34-cü illər də bu tədqiqatın nəticələrinə uyğundur və DM modelinin yaş qiymətləndirmə dəqiqliyi və ənənəvi metod oxşardır. Bununla birlikdə, təqdim olunan nəticələrə əsasən, yalnız DM modellərinin dövrü qiymətləndirmək üçün istifadəsinin müqayisəli və istinadının olmaması səbəbindən mövcud metodları əvəz edə biləcəyini düşünə bilərik. Bu işdə əldə olunan nəticələrin təsdiqlənməsi üçün daha böyük nümunələrdən istifadə edərək təqib olunan tədqiqatlar lazımdır.
Tədqiqatlar arasında Diş dövrünün qiymətləndirilməsində SD-nin düzgünlüyünü sınananlar, bəziləri təhsilimizdən daha yüksək dəqiqlik göstərdilər. Stepanovsky et al 35, 2,7 ilə 20,5.5 il ərzində 976 çex sakininin panoramik rentgenoqrafiyasına 22 SD model tətbiq etdi və hər bir modelin dəqiqliyini sınadı. Moorrees et al 36 tərəfindən təklif olunan təsnifat meyarlarından istifadə edərək cəmi 16 yuxarı və aşağı sol daimi dişlərin inkişafını qiymətləndirdilər. Mae 0.64-dən 0.94 yaşa qədər dəyişir və RMSE bu işdə istifadə olunan iki DM modelindən daha dəqiq olan 0.85 ilə 1.27 ilə qədər dəyişir. Shen et Al23, 5-13 yaş arası Şərq Çin sakinləri, SVM və RF istifadə edərək, şərq çin sakinləri ilə müqayisədə qalan yeddi daimi dişin diş yaşını, sülh yaşında olan iki daimi dişin sülh yaşını qiymətləndirmək üçün kameraere metodundan istifadə etdi. Onlar göstərdilər ki, hər üç DM modelinin ənənəvi kamerier formulu ilə müqayisədə daha yüksək dəqiqliyi var. SHEN-nin araşdırmasında MAE və RMSE bu işdə DM modelində olanlardan daha aşağı idi. Stepanovsky et al tərəfindən edilən işlərin artan dəqiqliyi. 35 və shen et al. 23 yaşlı subyektlərin təhsil nümunələrində daxil olması ilə əlaqədar ola bilər. Dişlərin inkişafı zamanı dişlərin inkişafı olan dişlərin artması ilə əlaqədar yaşların qiymətləndirilməsi, dişlərin inkişafı zamanı dişlərin sayı artdıqca, yaranan yaş qiymətləndirmə metodunun düzgünlüyü, işçi iştirakçıları cavan olduqda güzəştə gedə bilər. Bundan əlavə, MLP-nin yaş qiymətləndirməsi SLP-dən bir qədər kiçikdir, yəni MLP-nin SLP-dən daha dəqiqdir. MLP38-də gizli təbəqələr səbəbindən MLP yaş qiymətləndirməsi üçün bir qədər daha yaxşı hesab olunur. Bununla birlikdə, qadınların xarici nümunəsi üçün bir istisna var (SLP 1.45, MLP 1.49). MLP-nin qiymətləndirilməsində SLP-dən daha dəqiq olduğunu tapmaq, əlavə retrospektiv tədqiqatlar tələb edir.
DM modelinin təsnifatı və 18 illik bir ərəfədə ənənəvi metodun təsnifatı da müqayisə edildi. Daxili test dəsti üzrə bütün sınaqdan keçirilmiş SD modelləri və ənənəvi metodlar 18 yaşlı nümunə üçün praktiki olaraq ayrıseçkilik səviyyələrini göstərdi. Kişilər və qadınlar üçün həssaslıq 87,7% -dən çox idi və 94,9%, müvafiq olaraq və spesifikliyi 89,3% və 84,7% -dən çox idi. Bütün sınaqdan keçirilmiş modellərin Auroku da 0.925-dən çoxdur. Ən yaxşı biliklərimizə, heç bir araşdırma, diş yetkinliyi əsasında 18 illik təsnifat üçün DM modelinin performansını sınamadı. Bu araşdırmanın nəticələrini panoramik rentgenoqrafiyalarda dərin öyrənmə modellərinin təsnifatı ilə müqayisə edə bilərik. Guo et al.15, CNN əsaslı dərin öyrənmə modelinin təsnifat performansını və müəyyən yaş həddi üçün Demirjianın metoduna əsaslanan əl metodu hesabladı. Əl metodunun həssaslığı və spesifikliyi 87,7%, 95,5%, müvafiq olaraq CNN modelinin həssaslığı və həssaslığı və spesifikliyi müvafiq olaraq 89,2% və 86,6% -dən çox olmuşdur. Dərin öyrənmə modellərinin yaş həddini təsnif etməkdə əl ilə qiymətləndirməni əvəz edə biləcəyi və ya overform-un məlumatı göstərə biləcəyini bağladılar. Bu işin nəticələri oxşar təsnifat performansını göstərdi; DM modellərindən istifadə təsnifatının yaş qiymətləndirməsi üçün ənənəvi statistik metodları əvəz edə biləcəyinə inanılır. Modellər arasında, DM LR kişi nümunəsi və həssaslıq və qadın nümunəsi üçün həssaslıq və spesifikliyə həssaslıq baxımından ən yaxşı model idi. LR kişilər üçün spesifikliyində ikinci yerdədir. Üstəlik, LR daha çox istifadəçi dostu DM35 modellərindən biri hesab olunur və daha az mürəkkəb və işləmə çətindir. Bu nəticələrə əsaslanaraq, LR, Koreya əhalisindəki 18 yaşlı uşaqlar üçün ən yaxşı kəsmə təsnifatı modeli hesab edildi.
Ümumiyyətlə, xarici test dəstindəki yaş qiymətləndirmə və ya təsnifat performansının dəqiqliyi, daxili test dəstindəki nəticələrə görə yoxsul və ya aşağı idi. Bəzi hesabatlar, Koreyalı əhaliyə əsaslanan yaşlanma populyasiyasına əsaslanan yaş qiymətləndirmələrinin 4,39-a tətbiq olunduğu zaman təsnifat dəqiqliyi və ya səmərəliliyi azaldığını göstərir və bu işdə oxşar bir nümunə tapıldı və oxşar bir nümunə tapıldı. Bu pis tendensiya DM modelində də müşahidə edildi. Buna görə də, analiz prosesində DM-dən istifadə edərkən, hətta DM-dən istifadə edərkən, ənənəvi metodlar kimi doğma əhali məlumatlarından əldə edilən metodlara üstünlük verilməlidir5,39,40,41,42 üstünlük verilməlidir. Dərin öyrənmə modellərinin oxşar tendensiyaları göstərə biləcəyi üçün oxşar tendensiyalar, tədqiqatların dəqiqliyini və səmərəliliyini müqayisə edərək ənənəvi metodlar, DM modelləri və dərin öyrənmə modelləri, süni intellektin məhdud yaşdakı bu irqi fərqliliyi dəf edə biləcəyini təsdiqləmək üçün tələb olunur. Qiymətləndirmələr.
Ənənəvi üsulların Koreyada Ədliyyə Yaş Qiymətləndirmə Təcrübəsində DM modelinə əsaslanan yaşlanma ilə əvəz oluna biləcəyini nümayiş etdiririk. Ədli Yaş Qiymətləndirilməsi üçün maşın öyrənməsinin həyata keçirilməsinin mümkünlüyünü də kəşf etdik. Bununla birlikdə, bu araşdırmanın nəticələrini qəti şəkildə müəyyənləşdirmək və bu işin nəticələrini müqayisə etmək və təsdiqləmək üçün əvvəlki işlərin olmaması üçün bu işin qeyri-kafi iştirakçılarının sayı və əvvəlki işlərin olmaması kimi aydın məhdudiyyətlər var. Gələcəkdə DM tədqiqatları ənənəvi üsullarla müqayisədə praktik tətbiqini yaxşılaşdırmaq üçün daha çox sayda nümunə və daha müxtəlif populyasiyalarla aparılmalıdır. Süni intellektdən çox əhalidə qiymətləndirmək üçün süni intellektdən istifadə məqsədəuyğunluğu təsdiqləmək üçün, eyni nümunələrdə ənənəvi metodlarla DM və dərin öyrənmə modellərinin təsnifat dəqiqliyini və səmərəliliyini müqayisə etmək üçün gələcək tədqiqatlar tələb olunur.
Tədqiqat, 15-23 yaşa qədər olan Koreyadan və Yapon yetkinlərindən toplanan 2,657 orfoqrafik fotoşəkildən istifadə etdi. Koreya rentgenoqrafiyaları 900 təlim dəstinə (19.42 × 2.65 il) və 900 daxili test dəstinə bölündü (19.52 × 2.59 il). Təlim dəsti bir qurumda (Seul Müqəddəs Məryəm xəstəxanası) toplanmışdır və öz test dəsti iki qurumda (Seul Milli Universiteti Diş Xəstəxanası və Yonsei Universiteti Diş Xəstəxanasında) toplanmışdır. Xarici test üçün başqa bir əhaliyə əsaslanan məlumatlardan (İWate Tibb Universiteti, Yaponiya) 857 rentgenoqrafiyasından 857 rentgenoqrafiyanı topladıq. Yapon subyektlərinin rentgenoqrafiyası (19.31 × 2,60 il) xarici test dəsti seçildi. Diş müalicəsi zamanı götürülmüş panoramik rentgenoqrafiyalarda diş inkişafının mərhələlərini təhlil etmək üçün məlumatlar toplanmışdır. Toplanmış bütün məlumatlar cinsə, doğum tarixi və radioqrafiyasının tarixi istisna olmaqla, anonim idi. İnklüziya və istisna meyarları əvvəllər nəşr olunan tədqiqatlar 4, 5 ilə eyni idi. Nümunənin əsl yaşı doğum tarixini radioqrafın alındığı gündən çıxarmaqla hesablanmışdır. Nümunə qrupu doqquz yaş qrupuna bölündü. Yaş və cinsi paylamaları Cədvəl 3-də göstərilmişdir Bu iş Helsinki elanına uyğun aparılır və Seul Müqəddəs Məryəm xəstəxanasının Catolik Universitetinin (KC22WISI0328) institusional baxış lövhəsi (IRB) tərəfindən təsdiq edilmişdir. Bu işin retrospektiv dizaynı səbəbindən məlumatlı razılıq, terapevtik məqsədlər üçün radioqrafik müayinədən keçirilən bütün xəstələrdən razılıq əldə edilə bilməz. Seul Koreya Universiteti Müqəddəs Məryəm Xəstəxanası (IRB) məlumatlı razılıq tələbi üçün tələbatdan imtina etdi.
Bimaxillary ikinci və üçüncü molarların inkişaf mərhələləri Demircan meyarlarına görə qiymətləndirildi25. Hər çənənin sol və sağ tərəflərində eyni tipli diş aşkar edilərsə yalnız bir diş seçildi. Hər iki tərəfdəki homoloji dişlər fərqli inkişaf mərhələlərində olsaydı, aşağı inkişaf mərhələsi olan diş, təxmin edilən yaşda qeyri-müəyyənliyin hesablanması üçün seçildi. Təlim dəstindən yüz təsadüfi seçilmiş rentgenoqrafiya iki təcrübəli müşahidəçi tərəfindən dişlərin yetkinlik mərhələsini müəyyənləşdirmək üçün praktikasiyadan sonra interobserver etibarlılığını sınamaq üçün iki təcrübəli müşahidəçi tərəfindən vuruldu. Intraobserver etibarlılığı, ilkin müşahidəçi tərəfindən üç aylıq fasilələrlə iki dəfə qiymətləndirildi.
Təlim dəstindəki hər çənənin ikinci və üçüncü molarının cinsi və inkişaf mərhələsi, fərqli DM modelləri ilə hazırlanmış bir ibtidai müşahidəçi tərəfindən qiymətləndirildi və həqiqi yaş hədəf dəyəri kimi quruldu. Maşın öyrənməsində geniş istifadə olunan SLP və MLP modelləri reqressiya alqoritmlərinə qarşı sınaqdan keçirilmişdir. DM modeli dörd dişin inkişaf mərhələlərindən istifadə edərək xətti funksiyaları birləşdirir və bu məlumatları qiymətləndirmək üçün birləşdirir. SLP ən sadə sinir şəbəkəsidir və gizli təbəqələr yoxdur. SLP, qovşaqlar arasında eşik ötürülməsinə əsaslanaraq işləyir. Reqressiyada SLP modeli çoxsaylı xətti reqressiyaya riyazi olaraq oxşardır. SLP modelindən fərqli olaraq, MLP modelində qeyri-xətti aktivləşdirmə funksiyaları olan çoxlu gizli təbəqələrə malikdir. Təcrübələrimiz qeyri-xətti aktivləşdirmə funksiyaları olan yalnız 20 gizli qovşaq olan gizli bir təbəqədən istifadə etdi. Maşın öyrənmə modelimizi yetişdirmək üçün itki funksiyası olaraq optimallaşdırma metodu və MAE və RMSe kimi gradient enişindən istifadə edin. Ən yaxşı əldə edilən reqressiya modeli daxili və xarici test dəstlərinə tətbiq edildi və dişlərin yaşı qiymətləndirildi.
Bir nümunənin 18 yaşında olub olmadığını proqnozlaşdırmaq üçün təlimdə dörd dişin yetkinliyini istifadə edən bir təsnifat alqoritmi hazırlanmışdır. Model qurmaq üçün yeddi nümayəndəliyi öyrənmək üçün alqoritmlər6,43: (1) lr, (2) knn, (4) svm, (5) rf, (6) rf, (6) XGBOost və (7) mlp . LR ən çox istifadə olunan təsnifat alqoritmlərindən biridir .44. 0-dan 1-ə qədər müəyyən bir kateqoriyaya aid məlumatların müəyyən bir kateqoriyaya aid olma ehtimalını proqnozlaşdırmaq üçün reqressiya istifadə edən bir öyrənmə alqoritmidir və bu ehtimala əsaslanan daha çox kateqoriyaya aid olan məlumatları müəyyənləşdirmək üçün istifadə edir; əsasən ikili təsnifat üçün istifadə olunur. Knn ən sadə maşın öyrənmə alqoritmləri45. Yeni giriş məlumatları verildikdə, mövcud dəstə yaxın olan K məlumatlarını tapır və sonra ən yüksək tezlikli sinifdə təsnif edir. (K) hesab olunan qonşuların sayı üçün 3-ü təyin etdik. SVM, xətti boşluğu sahələri46 adlı xətti olmayan bir boşluğa qədər genişləndirmək üçün bir ləpənin funksiyasından istifadə edərək iki sinif arasındakı məsafəni artıran bir alqoritmdir. Bu model üçün bizi = 1, güc = 1 və qamma = 1, Polinomial ləpəyə görə hiperparameter kimi istifadə edirik. DT, bir ağac quruluşunda qərar qaydalarını təmsil etməklə bir neçə alt qrupa bölünməsi üçün bir alqoritm kimi müxtəlif sahələrdə tətbiq edilmişdir47. Model, 2-in bir node başına minimum sayda qeyd ilə konfiqurasiya edilmişdir və Gini indeksini keyfiyyət ölçüsü kimi istifadə edir. RF, orijinal məlumat bazasından eyni ölçülü bir neçə dəfə təsadüfi rəsm nümunələri ilə təsadüfi rəsm nümunələri ilə hər bir nümunə üçün zəif bir təsnifat yaradaraq performansını inkişaf etdirmək üçün bir çox DTS-i birləşdirən bir ansamblı metodudur. 100 ağac, 10 ağac dərinliyi, 1 minimum node ölçüsü və node qarışıq meyarları kimi Gini qarışıq indeksi istifadə etdik. Yeni məlumatların təsnifatı əksəriyyət səsverməsi ilə müəyyən edilir. XGBoost, əvvəlki modelin həqiqi və proqnozlaşdırılan dəyərləri arasındakı səhv və proqnozlaşdırılan bir metoddan istifadə edərək, yükləmə texnikasını istifadə edərək artıran bir bir alqoritmdir və GradientS49 istifadə edərək səhvləri artırır. Yaxşı performansı və resurs səmərəliliyi, habelə həddindən artıq etibarlılığa görə yüksək etibarlılıq və yüksək etibarlılıq səbəbindən geniş istifadə olunan bir alqoritmdir. Model 400 dəstək təkəri ilə təchiz edilmişdir. MLP, bir və ya daha çox perceptrons, giriş və çıxış layı arasında bir və ya daha çox gizli təbəqə ilə bir və ya daha çox gizli təbəqə ilə bir çox təbəqə meydana gətirdiyi bir neyron şəbəkəsidir. Bundan istifadə edərək, bir giriş qatı əlavə etdikdə və nəticə dəyəri əldə etdikdə, proqnozlaşdırılan nəticə dəyəri faktiki nəticə dəyəri ilə müqayisə edildikdə və xətanın geri çəkildiyi yerdədir. Hər təbəqədə 20 gizli neyron olan gizli bir təbəqə yaratdıq. İnkişaf etdirdiyimiz hər bir model, həssaslığı, spesifikliyini, PPV, NPV və Aurok-ı hesablamaqla təsnifat performansını sınamaq üçün daxili və xarici dəstlərə tətbiq edilmişdir. Həssaslıq, 18 yaş və ya daha yuxarı olduğu təxmin edilən bir nümunənin 18 yaşı və ya daha böyük olduğu təxmin edilən bir nümunənin nisbəti olaraq təyin olunur. Xüsusiyyət 18 yaşdan kiçik nümunələrin və 18 yaşdan kiçiklərin yaşına çatmamış nümunələrin nisbətidir.
Təlim dəstində qiymətləndirilən diş mərhələləri statistik analiz üçün ədədi mərhələlərə çevrildi. Hər cins üçün proqnozlaşdırıcı modelləri inkişaf etdirmək və yaş qiymətləndirmək üçün istifadə edilə bilən reqressiya düsturları üçün proqnozlaşdırıcı modelləri inkişaf etdirmək üçün multivariate xətti və logistik reqressiya edildi. Bu düsturlardan həm daxili, həm də xarici test dəstləri üçün diş yaşını qiymətləndirmək üçün istifadə etdik. Cədvəl 4 bu işdə istifadə olunan reqressiya və təsnifat modellərini göstərir.
İnterobserver etibarlılığı Cohen'in Kappa Statistikasından istifadə edərək hesablandı. DM və ənənəvi reqressiya modellərinin düzgünlüyünü sınamaq üçün daxili və xarici test dəstlərinin təxmini və faktiki yaşlarından istifadə edərək Mae və RMSE hesabladıq. Bu səhvlər, model proqnozlarının düzgünlüyünü qiymətləndirmək üçün ümumiyyətlə istifadə olunur. Səhv nə qədər kiçik olsa, proqnozun dəqiqliyi24. DM və ənənəvi reqressiyadan istifadə edərək hesablanan daxili və xarici test dəstlərinin Mae və RMSE ilə müqayisə edin. Ənənəvi statistikada 18 illik kəsilmənin təsnifatı performansı 2 × 2 fövqəladə süfrədən istifadə edərək qiymətləndirildi. Hesablanmış həssaslıq, spesifiklik, PPV, NPV və test dəstinin auroku DM təsnifat modelinin ölçülmüş dəyərləri ilə müqayisə edildi. Məlumatlar məlumat xüsusiyyətlərindən asılı olaraq standart sapma və ya nömrə (%) kimi ifadə olunur. İki tərəfli p dəyərləri <0.05 statistik cəhətdən əhəmiyyətli hesab olunurdu. Bütün müntəzəm statistik analizlər SAS versiyası 9.4 (SAS institutu, CARY, NC) istifadə edərək həyata keçirilmişdir. DM reqressiya modeli, pitonda Keras50 2.2.4 Geri və Tensorflow51 1.8.0 riyazi əməliyyatlar üçün istifadə edərək Pythonda həyata keçirilmişdir. DM təsnifatı modeli Waikato bilik təhlili mühitində və Konstanz informasiya mədənçisi (KNIME) 4.6.152 analiz platformasında həyata keçirilmişdir.
Müəlliflər tədqiqatın nəticələrini dəstəkləyən məlumatların məqalədə və əlavə materiallarda tapıla biləcəyini etiraf edirlər. Tədqiqat zamanı yaranan və / və ya təhlil edilmiş məlumat bazaları müvafiq müəllifin məqbul tələbi ilə mümkündür.
Ritz-Timme, S. et al. Yaş qiymətləndirməsi: Ədli təcrübənin konkret tələblərinə cavab vermək üçün sənət vəziyyəti. Internationallıq. J. Qanuni dərman. 113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. və Olze, A. Cinayət təqibi üçün yaşayış fənlərinin hazırlanması üçün hazırkı statusu. Məhkəmə ekspertizası. dərman. Patoloji. 1, 239-246 (2005).
Pan, J. et al. Şərqi Çində 5-16 yaş arası uşaqların diş yaşının qiymətləndirilməsi üçün dəyişdirilmiş metod. Klinik. Ağızdan sorğu. 25, 3463-3474 (2021).
Lee, SS və s. Koreyalılarda ikinci və üçüncü molarların inkişafının xronologiyası və Ədli Yaş Qiymətləndirməsi üçün müraciət. Internationallıq. J. Qanuni dərman. 124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY və LEE, SS Yaş qiymətləndirməsinin dəqiqliyi və Koreyalılar və Yapon dillərində ikinci və üçüncü molarların yetkinliyi əsasında 18 illik həddinin qiymətləndirilməsi. PLOS Bir 17, E0271247 (2022).
Kim, Jy, et al. Əməliyyatdan əvvəl maşın öyrənmə əsaslı məlumatların təhlili OSA olan xəstələrdə yuxu əməliyyatının müalicəsinin nəticəsini proqnozlaşdıra bilər. elm. Hesabat 11, 14911 (2021).
Han, M. et al. İnsan müdaxiləsi ilə və ya olmadan dəzgahdan dəqiq yaş qiymətləndirməsi? Internationallıq. J. Qanuni dərman. 136, 821-831 (2022).
Xan, S. və Şaheen, M. məlumatların hasilatından məlumatların hasilatına qədər. J.İnformasiya. elm. https://doi.org/10.1177/016555515211030872 (2021).
Xan, S. və Şaheen, M. Wisrule: Assosiasiya Qayda Mədəniyyəti üçün ilk bilişsel alqoritmi. J.İnformasiya. elm. https://doi.org/10.1177/01655551521108695 (2022).
Şaheen M. və Abdullah U. Kararm: Kontekstə əsaslanan assosiasiya qaydalarına əsaslanan ənənəvi məlumat mədəni. hesablamaq. Mat. davam edin. 68, 3305-3322 (2021).
Məhəmməd M., Rehman Z., Şahdən M., Xan M. və Habib M. Dərin öyrənmə əsaslı semantik oxşarlıqların mətn məlumatlarından istifadə edərək izah edilməsi. məlumat verin. Texnologiyalar. nəzarət. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. və Şahin, M. İdman videolarında fəaliyyətini tanımaq üçün bir sistem. multimedia. Alətlər Proqramları https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, ss et al. Pediatrik sümük yaşında RSNA maşın öyrənmə problemi. Radiologiya 290, 498-503 (2019).
Li, y. et al. Dərin öyrənmədən istifadə edərək pelvic rentgen şüalarından məhkəmə dövrü qiymətləndirməsi. Avro. radiasiya. 29, 2322-2329 (2019).
Guo, yc, et al. Əl ilə metodlar və ortoqrafik proyeksiya görüntülərindən dərs metodları və dərin bir kassal neyron şəbəkələrindən istifadə. Internationallıq. J. Qanuni dərman. 135, 1589-1597 (2021).
Alabama Dalora et al. Fərqli maşın öyrənmə metodlarından istifadə edərək sümük yaşının qiymətləndirilməsi: sistematik ədəbiyyat rəy və meta analizi. Plos One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. və Yang, J., J., J., J., J. Afrikalı amerikalıların və Çinli pampa kameralarının cəmiyyətə əsaslanan tomoqrafiyadan istifadə edərək. Internationallıq. J. Qanuni dərman. 136, 811-819 (2022).
Kim S., Lee Yh, Noh YK, Park FK və Oh KS, ilk moların süni intellekt əsaslı görünüşlərindən istifadə edərək yaşayan insanların yaş qruplarını təyin etdi. elm. Hesabat 11, 1073 (2021).
Stern, D., Ödəyici, C., Giuliani, N. və Urschler, M. Avtomatik Yaşlanma Qiymətləndirilməsi və Multifariate MHİ-dən çoxluq yaşı təsnifatı. IEEE J. BIOMED. Sağlamlıq xəbərdarlıqları. 23, 1392-1403 (2019).
Cheng, S., GE, Z., S., H. və Li, G. Yaşlanma, G. Yaşlanma Qiymətləndirmə Dərin öyrənmə və səviyyə dəstləri ilə Konus şüası ilk molarsonun 3D pulpon seqmentləşdirilməsi. Internationallıq. J. Qanuni dərman. 135, 365-373 (2021).
Wu, wt, et al. Klinik böyük məlumatlardakı məlumatların mədəni: Ümumi verilənlər bazası, addımlar və metod modelləri. Dünya. dərman. Resurs. 8, 44 (2021).
Yang, J. et al. Böyük məlumatlar dövründə tibbi məlumat bazaları və məlumatların mədən texnologiyalarına giriş. J. Avid. Əsas dərman. 13, 57-69 (2020).
Shen, S. et al. Maşın öyrənmə istifadə edərək diş yaşını qiymətləndirmə üsulu. BMC Ağız Sağlamlığı 21, 641 (2021).
Galliburg A. et al. Demirdjian quruluş metodundan istifadə edərək diş yaşının proqnozlaşdırılması üçün müxtəlif maşın öyrənmə metodlarının müqayisəsi. Internationallıq. J. Qanuni dərman. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. və Tanner, JM diş yaşının qiymətləndirilməsi üçün yeni bir sistemdir. Snort. Biologiya. 45, 211-227 (1973).
Landis, JR və Koch, GG, kateqoriyalı məlumatlar haqqında müşahidəçi müqaviləsi tədbirləri. Biometrika 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim Hk və Choi HK. İbtidai beyin şişlərinin fərqləndirilməsi üçün süni intellekt texnikalarından istifadə edərək iki ölçülü maqnetik rezonanslı görüntülərin mətn, morfoloji və statistik təhlili. Sağlamlıq haqqında məlumat. Resurs. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Time: Jan-04-2024