Nature.com saytına daxil olduğunuz üçün təşəkkür edirik.İstifadə etdiyiniz brauzer versiyasında məhdud CSS dəstəyi var.Ən yaxşı nəticələr üçün brauzerinizin daha yeni versiyasından istifadə etməyi (və ya Internet Explorer-də uyğunluq rejimini söndürməyi) tövsiyə edirik.Bu arada, davamlı dəstəyi təmin etmək üçün saytı üslub və ya JavaScript olmadan göstəririk.
Dişlər insan orqanizminin yaşının ən dəqiq göstəricisi hesab olunur və tez-tez məhkəmə-tibbi yaş qiymətləndirməsində istifadə olunur.Biz 18 illik həddi qiymətləndirmənin düzgünlüyünü və təsnifat performansını ənənəvi metodlar və məlumatların öyrənilməsinə əsaslanan yaş təxminləri ilə müqayisə edərək data mining əsaslı diş yaşı təxminlərini təsdiq etməyi hədəflədik.15-23 yaş arası Koreya və Yaponiya vətəndaşlarından ümumilikdə 2657 panoramik rentgenoqrafiya toplanıb.Onlar hər birində 900 Koreya rentgenoqrafiyası və 857 Yapon rentgenoqrafiyası olan daxili sınaq dəstinə bölündü.Biz ənənəvi metodların təsnifat dəqiqliyini və səmərəliliyini verilənlərin öyrənilməsi modellərinin test dəstləri ilə müqayisə etdik.Daxili test toplusunda ənənəvi metodun dəqiqliyi data mining modelindən bir qədər yüksəkdir və fərq kiçikdir (orta mütləq səhv <0,21 il, kök orta kvadrat xətası <0,24 il).18 illik kəsmə üçün təsnifat performansı da ənənəvi metodlar və məlumatların öyrənilməsi modelləri arasında oxşardır.Beləliklə, Koreyalı yeniyetmələrdə və gənc yetkinlərdə ikinci və üçüncü azı dişlərinin yetkinliyindən istifadə edərək məhkəmə-tibbi yaş qiymətləndirməsini həyata keçirərkən ənənəvi metodlar data mining modelləri ilə əvəz edilə bilər.
Diş yaşının hesablanması məhkəmə tibbində və uşaq stomatologiyasında geniş istifadə olunur.Xüsusilə, xronoloji yaş və diş inkişafı arasında yüksək korrelyasiya olduğundan, dişlərin inkişaf mərhələləri üzrə yaşın qiymətləndirilməsi uşaq və yeniyetmələrin yaşını qiymətləndirmək üçün mühüm meyardır1,2,3.Bununla belə, gənclər üçün dişlərin yetkinliyinə görə diş yaşının hesablanmasının öz məhdudiyyətləri var, çünki üçüncü azı dişləri istisna olmaqla, dişlərin böyüməsi demək olar ki, tamamlanır.Gənclərin və yeniyetmələrin yaş həddinin müəyyən edilməsinin hüquqi məqsədi onların yetkinlik yaşına çatıb-çatmadığına dair dəqiq hesablamalar və elmi sübutlar təqdim etməkdir.Koreyada yeniyetmələrin və gənc yetkinlərin tibbi-hüquqi təcrübəsində yaş Li metodu ilə hesablanmış və Oh et al 5 tərəfindən bildirilmiş məlumatlara əsasən 18 yaş qanuni həddi proqnozlaşdırılmışdır.
Maşın öyrənməsi böyük həcmdə məlumatları dəfələrlə öyrənən və təsnif edən, problemləri təkbaşına həll edən və verilənlərin proqramlaşdırılmasını idarə edən süni intellektin (AI) bir növüdür.Maşın öyrənməsi böyük həcmli məlumatlarda faydalı gizli nümunələri aşkar edə bilər6.Bunun əksinə olaraq, əmək tutumlu və vaxt aparan klassik metodlar əl ilə emal edilməsi çətin olan böyük həcmli mürəkkəb verilənlərlə işləyərkən məhdudiyyətlərə malik ola bilər7.Buna görə də, insan səhvlərini minimuma endirmək və çoxölçülü məlumatları səmərəli şəkildə emal etmək üçün ən son kompüter texnologiyalarından istifadə etməklə bir çox tədqiqatlar aparılmışdır8,9,10,11,12.Xüsusilə, tibbi təsvirin təhlilində dərin öyrənmə geniş şəkildə istifadə edilmişdir və yaşın qiymətləndirilməsinin dəqiqliyini və səmərəliliyini artırmaq üçün radioqrafiyaları avtomatik təhlil etməklə yaşın müəyyən edilməsi üçün müxtəlif üsullar bildirilmişdir13,14,15,16,17,18,19,20 .Məsələn, Halabi və başqaları 13 uşaqların əllərinin rentgenoqrafiyasından istifadə edərək skelet yaşını təxmin etmək üçün konvolyusiya neyron şəbəkələrinə (CNN) əsaslanan maşın öyrənmə alqoritmi hazırladılar.Bu araşdırma maşın öyrənməsini tibbi şəkillərə tətbiq edən bir model təklif edir və bu üsulların diaqnostik dəqiqliyi artıra biləcəyini göstərir.Li və digərləri14 dərin öyrənmə CNN istifadə edərək pelvik rentgen görüntülərindən yaşı təxmin etdilər və ossifikasiya mərhələsinin qiymətləndirilməsindən istifadə edərək onları reqressiya nəticələri ilə müqayisə etdilər.Onlar dərin öyrənmə CNN modelinin ənənəvi reqressiya modeli ilə eyni yaş qiymətləndirmə performansını göstərdiyini aşkar etdilər.Guo və digərlərinin tədqiqatı [15] diş ortofotosuna əsaslanaraq CNN texnologiyasının yaşa dözümlülük təsnifatı performansını qiymətləndirdi və CNN modelinin nəticələri sübut etdi ki, insanlar onun yaş təsnifatı performansından üstündür.
Maşın öyrənməsindən istifadə edərək yaşın qiymətləndirilməsinə dair tədqiqatların əksəriyyəti dərin öyrənmə metodlarından istifadə edir13,14,15,16,17,18,19,20.Dərin öyrənməyə əsaslanan yaş təxmininin ənənəvi metodlardan daha dəqiq olduğu bildirilir.Bununla belə, bu yanaşma təxminlərdə istifadə edilən yaş göstəriciləri kimi yaş təxminlərinin elmi əsaslarını təqdim etmək üçün az imkan verir.Yoxlamaları kimin aparması ilə bağlı hüquqi mübahisə də var.Buna görə də, dərin öyrənməyə əsaslanan yaşın hesablanması inzibati və məhkəmə orqanları tərəfindən çətin qəbul edilir.Data mining (DM) böyük həcmli verilənlər arasında faydalı korrelyasiyaları aşkar etmək üçün bir üsul olaraq nəinki gözlənilən, həm də gözlənilməz məlumatları kəşf edə bilən bir texnikadır6,21,22.Maşın öyrənməsi tez-tez məlumatların əldə edilməsində istifadə olunur və həm məlumatların öyrənilməsi, həm də maşın öyrənməsi verilənlərdəki nümunələri tapmaq üçün eyni əsas alqoritmlərdən istifadə edir.Diş inkişafından istifadə edərək yaşın təxmin edilməsi imtahan verənin hədəf dişlərin yetkinlik dərəcəsini qiymətləndirməsinə əsaslanır və bu qiymətləndirmə hər bir hədəf diş üçün mərhələ kimi ifadə edilir.DM stomatoloji qiymətləndirmə mərhələsi ilə faktiki yaş arasındakı əlaqəni təhlil etmək üçün istifadə edilə bilər və ənənəvi statistik təhlili əvəz etmək potensialına malikdir.Buna görə də, yaşın hesablanmasında DM üsullarını tətbiq etsək, hüquqi məsuliyyətdən narahat olmadan məhkəmə yaşının hesablanmasında maşın öyrənməsini həyata keçirə bilərik.Məhkəmə praktikasında istifadə edilən ənənəvi əl üsullarına və diş yaşını təyin etmək üçün EBM əsaslı metodlara mümkün alternativlər haqqında bir sıra müqayisəli tədqiqatlar dərc edilmişdir.Shen et al23 göstərdi ki, DM modeli ənənəvi Camerer düsturundan daha dəqiqdir.Qalibourg və digərləri24 Dəmircian meyarına görə yaşı proqnozlaşdırmaq üçün müxtəlif DM üsullarını tətbiq etdilər25 və nəticələr göstərdi ki, Fransa əhalisinin yaşını qiymətləndirməkdə DM metodu Demircian və Willems metodlarından üstündür.
Koreyalı yeniyetmələrin və gənc yetkinlərin diş yaşını qiymətləndirmək üçün Li metodu 4 Koreya məhkəmə-tibb təcrübəsində geniş istifadə olunur.Bu üsul Koreya subyektləri və xronoloji yaş arasındakı əlaqəni araşdırmaq üçün ənənəvi statistik təhlildən (məsələn, çoxlu reqressiya) istifadə edir.Bu araşdırmada ənənəvi statistik metodlardan istifadə etməklə əldə edilən yaş qiymətləndirmə üsulları “ənənəvi üsullar” kimi müəyyən edilmişdir.Li metodu ənənəvi üsuldur və onun dəqiqliyi Oh et al tərəfindən təsdiq edilmişdir.5;Bununla belə, Koreya məhkəmə-tibb təcrübəsində DM modelinə əsaslanan yaş hesablamasının tətbiqi hələ də sual altındadır.Məqsədimiz DM modelinə əsaslanan yaşın qiymətləndirilməsinin potensial faydalılığını elmi cəhətdən təsdiqləmək idi.Bu tədqiqatın məqsədi (1) diş yaşının təxminində iki DM modelinin düzgünlüyünü müqayisə etmək və (2) 18 yaşında 7 DM modelinin təsnifat performansını ənənəvi statistik üsullardan istifadə etməklə əldə edilənlərlə müqayisə etmək idi. və hər iki çənədə üçüncü azı dişləri.
Mərhələ və diş növünə görə xronoloji yaşın ortalamaları və standart sapmaları Əlavə Cədvəl S1 (təlim dəsti), Əlavə Cədvəl S2 (daxili test dəsti) və Əlavə Cədvəl S3 (xarici test dəsti) şəklində onlayn olaraq göstərilmişdir.Təlim dəstindən əldə edilmiş daxili və müşahidəçilərarası etibarlılıq üçün kappa dəyərləri müvafiq olaraq 0,951 və 0,947 olmuşdur.P dəyərləri və kappa dəyərləri üçün 95% etibarlılıq intervalları onlayn əlavə S4 cədvəlində göstərilmişdir.Kappa dəyəri Landis və Koch26 meyarlarına uyğun olaraq “demək olar ki, mükəmməl” kimi şərh edilmişdir.
Orta mütləq səhvi (MAE) müqayisə edərkən, ənənəvi metod, çox qatlı perseptron (MLP) istisna olmaqla, bütün cinslər və xarici kişi test dəstləri üçün DM modelini bir qədər üstələyir.Daxili MAE test dəstində ənənəvi model ilə DM modeli arasındakı fərq kişilər üçün 0,12-0,19 il, qadınlar üçün isə 0,17-0,21 il olmuşdur.Xarici sınaq batareyası üçün fərqlər daha kiçikdir (kişilər üçün 0,001-0,05 il və qadınlar üçün 0,05-0,09 il).Bundan əlavə, kök orta kvadrat xətası (RMSE) ənənəvi metoddan bir qədər aşağıdır, daha kiçik fərqlərlə (kişi daxili test dəsti üçün 0,17-0,24, 0,2-0,24 və xarici test dəsti üçün 0,03-0,07, 0,04-0,08).).Qadın xarici test dəsti istisna olmaqla, MLP Tək Layer Perseptrondan (SLP) bir qədər daha yaxşı performans göstərir.MAE və RMSE üçün xarici test dəsti bütün cinslər və modellər üçün daxili test dəstindən yüksək bal alır.Bütün MAE və RMSE Cədvəl 1 və Şəkil 1-də göstərilmişdir.
Ənənəvi və data mining reqressiya modellərinin MAE və RMSE.Orta mütləq xəta MAE, kök orta kvadrat xətası RMSE, tək qat perseptron SLP, çoxlaylı perseptron MLP, ənənəvi CM üsulu.
Ənənəvi və DM modellərinin təsnifat performansı (18 il kəsimlə) həssaslıq, spesifiklik, müsbət proqnozlaşdırıcı dəyər (PPV), mənfi proqnozlaşdırıcı dəyər (NPV) və qəbuledicinin işləmə xarakteristika əyrisi altındakı sahə (AUROC) baxımından nümayiş etdirildi. 27 (Cədvəl 2, Şəkil 2 və Əlavə Şəkil 1 onlayn).Daxili sınaq batareyasının həssaslığı baxımından ənənəvi üsullar kişilər arasında ən yaxşı, qadınlar arasında isə daha pis nəticə göstərmişdir.Bununla belə, ənənəvi üsullarla SD arasında təsnifat performansındakı fərq kişilər üçün 9,7% (MLP) və qadınlar üçün yalnız 2,4% (XGBoost) təşkil edir.DM modelləri arasında logistik reqressiya (LR) hər iki cinsdə daha yaxşı həssaslıq göstərmişdir.Daxili test dəstinin spesifikliyinə gəldikdə, dörd SD modelinin kişilərdə, ənənəvi modelin isə qadınlarda daha yaxşı performans göstərdiyi müşahidə edilmişdir.Kişilər və qadınlar üçün təsnifat performansındakı fərqlər müvafiq olaraq 13,3% (MLP) və 13,1% (MLP) təşkil edir ki, bu da modellər arasında təsnifat performansındakı fərqin həssaslığı üstələdiyini göstərir.DM modelləri arasında dəstək vektor maşını (SVM), qərar ağacı (DT) və təsadüfi meşə (RF) modelləri kişilər arasında, LR modeli isə qadınlar arasında ən yaxşı performans göstərmişdir.Ənənəvi modelin və bütün SD modellərinin AUROC göstəricisi 0,925-dən (kişilərdə k-ən yaxın qonşu (KNN)) böyük idi və bu, 18 yaşlı nümunələri ayırd etməkdə əla təsnifat performansını nümayiş etdirdi28.Xarici test dəsti üçün daxili test dəsti ilə müqayisədə həssaslıq, spesifiklik və AUROC baxımından təsnifat performansında azalma olmuşdur.Üstəlik, ən yaxşı və ən pis modellərin təsnifat göstəriciləri arasında həssaslıq və spesifiklik fərqi 10%-dən 25%-ə qədər idi və daxili test dəstindəki fərqdən daha böyük idi.
Data mining təsnifat modellərinin həssaslığı və spesifikliyi 18 illik kəsmə ilə ənənəvi metodlarla müqayisədə.KNN k ən yaxın qonşu, SVM dəstək vektor maşını, LR logistik reqressiyası, DT qərar ağacı, RF təsadüfi meşə, XGB XGBoost, MLP çoxqatlı qavrayış, ənənəvi CM metodu.
Bu işdə ilk addım yeddi DM modelindən əldə edilən diş yaşı təxminlərinin düzgünlüyünü ənənəvi reqressiyadan istifadə etməklə əldə edilənlərlə müqayisə etmək idi.MAE və RMSE hər iki cins üçün daxili test dəstlərində qiymətləndirilmişdir və ənənəvi üsul ilə DM modeli arasındakı fərq MAE üçün 44 ilə 77 gün arasında, RMSE üçün isə 62 ilə 88 gün arasında dəyişmişdir.Bu araşdırmada ənənəvi metod bir qədər dəqiq olsa da, belə kiçik fərqin klinik və ya praktik əhəmiyyəti olub-olmaması barədə nəticə çıxarmaq çətindir.Bu nəticələr göstərir ki, DM modelindən istifadə edərək diş yaşının hesablanmasının dəqiqliyi ənənəvi üsulla demək olar ki, eynidir.Əvvəlki tədqiqatların nəticələri ilə birbaşa müqayisə etmək çətindir, çünki heç bir tədqiqat bu işdə olduğu kimi eyni yaş diapazonunda dişlərin qeydə alınması üçün eyni texnikadan istifadə edərək ənənəvi statistik metodlarla DM modellərinin dəqiqliyini müqayisə etməmişdir.Galibourg et al24 MAE və RMSE-ni iki ənənəvi üsul (Demirjian metodu25 və Willems metodu29) və 2 yaşdan 24 yaşa qədər olan fransız populyasiyasında 10 DM modeli arasında müqayisə etdi.Onlar bildirdilər ki, bütün DM modelləri ənənəvi metodlardan daha dəqiq olub, Villems və Demircian metodları ilə müqayisədə MAE-də 0,20 və 0,38 il, RMSE-də isə 0,25 və 0,47 il fərqlər var.SD modeli ilə Halibourg tədqiqatında göstərilən ənənəvi metodlar arasındakı uyğunsuzluq çoxsaylı hesabatları nəzərə alır30,31,32,33 Dəmircian metodu tədqiqatın əsaslandığı fransız kanadalılardan başqa populyasiyalarda diş yaşını dəqiq hesab etmir.bu işdə.Tai və digərləri 34 1636 Çin ortodontik fotoşəkilindən diş yaşını proqnozlaşdırmaq üçün MLP alqoritmindən istifadə etdilər və onun dəqiqliyini Demirjian və Willems metodunun nəticələri ilə müqayisə etdilər.Onlar MLP-nin ənənəvi metodlardan daha yüksək dəqiqliyə malik olduğunu bildirdilər.Demirdjian metodu ilə ənənəvi metod arasındakı fərq <0,32 il, Willems metodu isə 0,28 ildir ki, bu da hazırkı tədqiqatın nəticələrinə bənzəyir.Bu əvvəlki tədqiqatların nəticələri24,34 də hazırkı tədqiqatın nəticələri ilə uyğundur və DM modelinin və ənənəvi metodun yaş qiymətləndirmə dəqiqliyi oxşardır.Bununla belə, təqdim olunan nəticələrə əsasən, biz yalnız ehtiyatla nəticəyə gələ bilərik ki, yaşı qiymətləndirmək üçün DM modellərinin istifadəsi müqayisəli və istinad əvvəlki tədqiqatların olmaması səbəbindən mövcud metodları əvəz edə bilər.Bu işdə əldə edilən nəticələri təsdiqləmək üçün daha böyük nümunələrdən istifadə edərək təqib tədqiqatlarına ehtiyac var.
Diş yaşının təxminində SD-nin düzgünlüyünü sınayan tədqiqatlar arasında bəziləri bizim tədqiqatımızdan daha yüksək dəqiqlik göstərdi.Stepanovsky və digərləri 35 2,7 yaşdan 20,5 yaşa qədər olan 976 Çex sakininin panoramik rentgenoqrafiyasına 22 SD model tətbiq etmiş və hər bir modelin düzgünlüyünü sınaqdan keçirmişlər.Moorrees et al 36 tərəfindən təklif olunan təsnifat meyarlarından istifadə edərək, cəmi 16 yuxarı və aşağı sol daimi dişin inkişafını qiymətləndirdilər.MAE 0,64 ilə 0,94 il arasında dəyişir və RMSE 0,85 ilə 1,27 il arasında dəyişir, bu tədqiqatda istifadə edilən iki DM modelindən daha dəqiqdir.Shen və digərləri23 5-13 yaş arası şərq Çin sakinlərinin sol çənə sümüyündə yeddi daimi dişin diş yaşını təxmin etmək üçün Cameriere metodundan istifadə etdilər və onu xətti reqressiya, SVM və RF istifadə edərək təxmin edilən yaşlarla müqayisə etdilər.Onlar göstərdilər ki, hər üç DM modeli ənənəvi Cameriere düsturu ilə müqayisədə daha yüksək dəqiqliyə malikdir.Shen tədqiqatında MAE və RMSE bu işdə DM modelindəkilərdən daha aşağı idi.Stepanovski və başqalarının tədqiqatlarının artan dəqiqliyi.35 və Shen et al.23, onların tədqiqat nümunələrinə daha gənc subyektlərin daxil edilməsi ilə əlaqədar ola bilər.Dişlərin inkişafı zamanı dişlərin sayı artdıqca inkişaf edən dişləri olan iştirakçılar üçün yaş təxminləri daha dəqiqləşdiyindən, tədqiqat iştirakçıları daha gənc olduqda ortaya çıxan yaş qiymətləndirmə metodunun dəqiqliyi pozula bilər.Bundan əlavə, MLP-nin yaş qiymətləndirməsində səhvi SLP-dən bir qədər kiçikdir, yəni MLP SLP-dən daha dəqiqdir.MLP, ehtimal ki, MLP38-də gizli təbəqələrə görə, yaşın qiymətləndirilməsi üçün bir qədər daha yaxşı hesab olunur.Bununla belə, qadınların xarici nümunəsi üçün bir istisna var (SLP 1.45, MLP 1.49).Yaşın qiymətləndirilməsində MLP-nin SLP-dən daha dəqiq olmasının tapılması əlavə retrospektiv tədqiqatlar tələb edir.
DM modelinin və ənənəvi metodun 18 illik həddə təsnifat göstəriciləri də müqayisə edilmişdir.Bütün sınaqdan keçirilmiş SD modelləri və daxili test dəstindəki ənənəvi üsullar 18 yaşlı nümunə üçün praktiki olaraq məqbul ayrı-seçkilik səviyyələrini göstərdi.Kişilər və qadınlar üçün həssaslıq müvafiq olaraq 87,7% və 94,9%, spesifiklik isə 89,3% və 84,7% -dən çox idi.Bütün sınaqdan keçirilmiş modellərin AUROC göstəricisi də 0,925-i keçir.Bildiyimiz qədər, heç bir tədqiqat diş yetkinliyinə əsaslanan 18 illik təsnifat üçün DM modelinin performansını sınaqdan keçirməmişdir.Bu tədqiqatın nəticələrini panoramik radioqrafiyalarda dərin öyrənmə modellərinin təsnifat performansı ilə müqayisə edə bilərik.Guo et al.15 müəyyən yaş həddi üçün CNN əsaslı dərin öyrənmə modelinin və Demirjian metoduna əsaslanan əl metodunun təsnifat performansını hesablamışdır.Əl metodunun həssaslığı və spesifikliyi müvafiq olaraq 87,7% və 95,5%, CNN modelinin həssaslığı və spesifikliyi isə müvafiq olaraq 89,2% və 86,6% -i keçib.Onlar belə nəticəyə gəliblər ki, dərin öyrənmə modelləri yaş hədlərinin təsnifatında manuel qiymətləndirməni əvəz edə və ya ondan üstün ola bilər.Bu tədqiqatın nəticələri oxşar təsnifat performansını göstərdi;Hesab olunur ki, DM modellərindən istifadə etməklə təsnifat yaşın müəyyənləşdirilməsi üçün ənənəvi statistik metodları əvəz edə bilər.Modellər arasında DM LR kişi nümunəsi üçün həssaslıq və qadın nümunəsi üçün həssaslıq və spesifiklik baxımından ən yaxşı model olmuşdur.LR kişilər üçün spesifikliyə görə ikinci yeri tutur.Üstəlik, LR daha çox istifadəçi dostu DM35 modellərindən biri hesab olunur və daha az mürəkkəb və emal etmək çətindir.Bu nəticələrə əsasən, LR Koreya əhalisinin 18 yaşlı gəncləri üçün ən yaxşı kəsmə təsnifatı modeli hesab edilmişdir.
Ümumiyyətlə, xarici test dəstində yaşın hesablanması və ya təsnifat göstəricilərinin dəqiqliyi daxili test dəstindəki nəticələrlə müqayisədə zəif və ya aşağı idi.Bəzi hesabatlar göstərir ki, Koreya əhalisinə əsaslanan yaş təxminləri Yaponiya əhalisinə tətbiq edildikdə təsnifat dəqiqliyi və ya səmərəliliyi azalır5,39 və bu tədqiqatda oxşar nümunə aşkar edilmişdir.Bu pisləşmə tendensiyası DM modelində də müşahidə edilmişdir.Buna görə də, yaşı dəqiq qiymətləndirmək üçün hətta analiz prosesində DM-dən istifadə edərkən belə, ənənəvi metodlar kimi yerli əhali məlumatlarından alınan metodlara üstünlük verilməlidir5,39,40,41,42.Dərin öyrənmə modellərinin oxşar tendensiyaları göstərib göstərə bilməyəcəyi bəlli olmadığı üçün, süni intellektin məhdud yaşda bu irqi bərabərsizlikləri aradan qaldıra biləcəyini təsdiqləmək üçün ənənəvi metodlardan, DM modellərindən və eyni nümunələrdə dərin öyrənmə modellərindən istifadə etməklə təsnifat dəqiqliyi və səmərəliliyini müqayisə edən tədqiqatlara ehtiyac var.qiymətləndirmələr.
Koreyada məhkəmə-tibbi yaşın qiymətləndirilməsi praktikasında DM modelinə əsaslanan ənənəvi metodların yaş qiymətləndirməsi ilə əvəz oluna biləcəyini nümayiş etdiririk.Məhkəmə yaşının qiymətləndirilməsi üçün maşın öyrənməsinin tətbiqi imkanını da kəşf etdik.Bununla belə, nəticələri qəti şəkildə müəyyən etmək üçün bu tədqiqatda iştirak edənlərin qeyri-kafi sayı və bu tədqiqatın nəticələrini müqayisə etmək və təsdiqləmək üçün əvvəlki tədqiqatların olmaması kimi aydın məhdudiyyətlər var.Gələcəkdə DM tədqiqatları ənənəvi üsullarla müqayisədə praktik tətbiqini yaxşılaşdırmaq üçün daha çox sayda nümunə və daha müxtəlif populyasiyalarla aparılmalıdır.Çoxsaylı populyasiyalarda yaşı qiymətləndirmək üçün süni intellektdən istifadənin məqsədəuyğunluğunu təsdiqləmək üçün DM və dərin öyrənmə modellərinin təsnifat dəqiqliyini və səmərəliliyini eyni nümunələrdə ənənəvi metodlarla müqayisə etmək üçün gələcək tədqiqatlara ehtiyac var.
Tədqiqatda 15-23 yaş arası koreyalı və yaponiyalı böyüklərdən toplanmış 2657 orfoqrafik fotoşəkildən istifadə edilib.Koreya rentgenoqrafiyaları 900 təlim dəstinə (19,42 ± 2,65 il) və 900 daxili test dəstinə (19,52 ± 2,59 il) bölündü.Təlim dəsti bir müəssisədə (Seul Müqəddəs Məryəm Xəstəxanası), öz test dəsti isə iki müəssisədə (Seul Milli Universiteti Diş Xəstəxanası və Yonsey Universiteti Diş Xəstəxanası) toplanıb.Biz həmçinin xarici test üçün başqa bir əhaliyə əsaslanan məlumatdan (İvate Tibb Universiteti, Yaponiya) 857 rentgenoqrafiya topladıq.Yapon subyektlərinin rentgenoqrafiyası (19.31 ± 2.60 il) xarici test dəsti kimi seçilmişdir.Diş müalicəsi zamanı çəkilmiş panoramik rentgenoqrafiyalarda dişlərin inkişaf mərhələlərini təhlil etmək üçün məlumatlar retrospektiv şəkildə toplanmışdır.Cins, doğum tarixi və rentgenoqrafiya tarixi istisna olmaqla, toplanmış bütün məlumatlar anonim idi.Daxil etmə və xaric etmə meyarları əvvəllər dərc edilmiş tədqiqatlarla eyni idi 4, 5.Nümunənin faktiki yaşı rentgenoqrafiyanın çəkildiyi tarixdən doğum tarixini çıxarmaqla hesablanmışdır.Nümunə qrupu doqquz yaş qrupuna bölündü.Yaş və cins bölgüsü Cədvəl 3-də göstərilmişdir. Bu tədqiqat Helsinki Bəyannaməsinə uyğun olaraq həyata keçirilmiş və Koreya Katolik Universitetinin Seul Müqəddəs Məryəm Xəstəxanasının İnstitusional Nəzarət Şurası (IRB) tərəfindən təsdiq edilmişdir (KC22WISI0328).Bu tədqiqatın retrospektiv dizaynı ilə əlaqədar olaraq, terapevtik məqsədlər üçün radioqrafiya müayinəsindən keçən bütün xəstələrdən məlumatlı razılıq alına bilmədi.Seul Koreya Universiteti Müqəddəs Məryəm Xəstəxanası (IRB) məlumatlı razılıq tələbindən imtina etdi.
Bimaksiller ikinci və üçüncü azı dişlərinin inkişaf mərhələləri Demircan meyarlarına görə qiymətləndirilmişdir25.Hər çənənin sol və sağ tərəfində eyni tip diş aşkar edilərsə, yalnız bir diş seçilib.Əgər hər iki tərəfdəki homoloji dişlər müxtəlif inkişaf mərhələlərində idisə, təxmin edilən yaşda qeyri-müəyyənliyi nəzərə almaq üçün aşağı inkişaf mərhələsinə malik diş seçildi.Təlim dəstindən təsadüfi seçilmiş yüz rentgenoqrafiya iki təcrübəli müşahidəçi tərəfindən dişlərin yetkinlik mərhələsini müəyyən etmək üçün qabaqcadan kalibrləmədən sonra müşahidəçilər arası etibarlılığı yoxlamaq üçün qiymətləndirilmişdir.Müşahidəçidaxili etibarlılıq ilkin müşahidəçi tərəfindən üç aylıq fasilələrlə iki dəfə qiymətləndirilmişdir.
Təlim dəstindəki hər bir çənənin ikinci və üçüncü azı dişlərinin cinsi və inkişaf mərhələsi müxtəlif DM modelləri ilə təlim keçmiş ilkin müşahidəçi tərəfindən təxmin edilmiş və hədəf dəyər olaraq faktiki yaş müəyyən edilmişdir.Maşın öyrənməsində geniş istifadə olunan SLP və MLP modelləri reqressiya alqoritmlərinə qarşı sınaqdan keçirilib.DM modeli dörd dişin inkişaf mərhələlərindən istifadə edərək xətti funksiyaları birləşdirir və yaşı qiymətləndirmək üçün bu məlumatları birləşdirir.SLP ən sadə neyron şəbəkəsidir və gizli təbəqələri ehtiva etmir.SLP qovşaqlar arasında eşik ötürülməsi əsasında işləyir.Reqressiyada SLP modeli riyazi olaraq çoxxətti reqressiyaya bənzəyir.SLP modelindən fərqli olaraq, MLP modelində qeyri-xətti aktivləşdirmə funksiyaları olan çoxlu gizli təbəqələr var.Təcrübələrimiz qeyri-xətti aktivləşdirmə funksiyaları olan yalnız 20 gizli qovşaqdan ibarət gizli təbəqədən istifadə etdi.Maşın öyrənmə modelimizi öyrətmək üçün optimallaşdırma metodu kimi gradient enişindən, itki funksiyası kimi MAE və RMSE-dən istifadə edin.Ən yaxşı əldə edilmiş reqressiya modeli daxili və xarici test dəstlərinə tətbiq edilmiş və dişlərin yaşı təxmin edilmişdir.
Nümunənin 18 yaşında olub-olmadığını proqnozlaşdırmaq üçün təlim dəstindəki dörd dişin yetkinliyindən istifadə edən təsnifat alqoritmi hazırlanmışdır.Modeli qurmaq üçün yeddi təmsil maşın öyrənmə alqoritmi əldə etdik6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost və (7) MLP .LR ən çox istifadə olunan təsnifat alqoritmlərindən biridir44.Bu, 0-dan 1-ə qədər müəyyən bir kateqoriyaya aid olma ehtimalını proqnozlaşdırmaq üçün reqressiyadan istifadə edən və verilənləri bu ehtimal əsasında daha çox ehtimal olunan kateqoriyaya aid olan kimi təsnif edən nəzarət edilən öyrənmə alqoritmidir;əsasən binar təsnifat üçün istifadə olunur.KNN ən sadə maşın öyrənmə alqoritmlərindən biridir45.Yeni giriş məlumatları verildikdə, o, mövcud çoxluğa yaxın k məlumat tapır və sonra onları ən yüksək tezlikli sinifə təsnif edir.Nəzərə alınan qonşuların sayı üçün (k) 3 təyin etdik.SVM xətti məkanı sahələr46 adlı qeyri-xətti fəzaya genişləndirmək üçün nüvə funksiyasından istifadə etməklə iki sinif arasındakı məsafəni maksimuma çatdıran bir alqoritmdir.Bu model üçün polinom nüvəsi üçün hiperparametrlər kimi bias = 1, güc = 1 və qamma = 1 istifadə edirik.DT ağac strukturunda qərar vermə qaydalarını təmsil etməklə bütöv məlumat dəstini bir neçə alt qrupa bölmək üçün alqoritm kimi müxtəlif sahələrdə tətbiq edilmişdir47.Model 2 node üçün minimum qeyd sayı ilə konfiqurasiya edilib və keyfiyyət ölçüsü kimi Gini indeksindən istifadə edir.RF, orijinal verilənlər toplusundan bir neçə dəfə təsadüfi olaraq eyni ölçülü nümunələri çəkməklə hər bir nümunə üçün zəif təsnifat yaradan, yükləmə aqreqasiyası metodundan istifadə edərək performansı yaxşılaşdırmaq üçün çoxsaylı DT-ləri birləşdirən ansambl üsuludur48.Düyün ayırma meyarı kimi 100 ağac, 10 ağac dərinliyi, 1 minimum node ölçüsü və Gini qatqı indeksindən istifadə etdik.Yeni məlumatların təsnifatı səs çoxluğu ilə müəyyən edilir.XGBoost, təlim məlumatları kimi əvvəlki modelin faktiki və proqnozlaşdırılan dəyərləri arasındakı xətanı götürən və gradientlərdən istifadə edərək xətanı artıran metoddan istifadə edərək gücləndirmə üsullarını birləşdirən bir alqoritmdir49.Bu, yaxşı performansı və resurs səmərəliliyi, həmçinin həddindən artıq uyğunlaşma funksiyası kimi yüksək etibarlılığı səbəbindən geniş istifadə olunan bir alqoritmdir.Model 400 dayaq təkəri ilə təchiz olunub.MLP, bir və ya bir neçə perseptronun giriş və çıxış təbəqələri arasında bir və ya bir neçə gizli təbəqə ilə çoxlu təbəqə əmələ gətirdiyi neyron şəbəkəsidir38.Bundan istifadə edərək, siz qeyri-xətti təsnifatı həyata keçirə bilərsiniz, burada giriş qatını əlavə edib nəticə dəyəri əldə etdikdə, proqnozlaşdırılan nəticə dəyəri faktiki nəticə dəyəri ilə müqayisə edilir və xəta yenidən yayılır.Hər qatda 20 gizli neyron olan gizli təbəqə yaratdıq.Hazırladığımız hər bir model həssaslıq, spesifiklik, PPV, NPV və AUROC hesablanaraq təsnifat performansını yoxlamaq üçün daxili və xarici dəstlərə tətbiq edilmişdir.Həssaslıq yaşı 18 və ya daha yuxarı olduğu təxmin edilən nümunənin 18 yaş və ya daha böyük olduğu təxmin edilən nümunəyə nisbəti kimi müəyyən edilir.Spesifiklik 18 yaşdan kiçik nümunələrin və 18 yaşdan kiçik olduğu təxmin edilən nümunələrin nisbətidir.
Təlim dəstində qiymətləndirilən diş mərhələləri statistik təhlil üçün ədədi mərhələlərə çevrildi.Hər bir cins üçün proqnozlaşdırıcı modellər hazırlamaq və yaşı qiymətləndirmək üçün istifadə edilə bilən reqressiya düsturlarını əldə etmək üçün çoxdəyişənli xətti və logistik reqressiya aparılmışdır.Həm daxili, həm də xarici test dəstləri üçün diş yaşını qiymətləndirmək üçün bu düsturlardan istifadə etdik.Cədvəl 4 bu işdə istifadə olunan reqressiya və təsnifat modellərini göstərir.
Müşahidəçidaxili və müşahidəçilərarası etibarlılıq Cohenin kappa statistikasından istifadə etməklə hesablanmışdır.DM və ənənəvi reqressiya modellərinin düzgünlüyünü yoxlamaq üçün daxili və xarici test dəstlərinin təxmini və faktiki yaşlarından istifadə edərək MAE və RMSE-ni hesabladıq.Bu səhvlər adətən model proqnozlarının düzgünlüyünü qiymətləndirmək üçün istifadə olunur.Səhv nə qədər kiçik olarsa, proqnozun dəqiqliyi bir o qədər yüksək olar24.DM və ənənəvi reqressiyadan istifadə edərək hesablanmış daxili və xarici test dəstlərinin MAE və RMSE-ni müqayisə edin.Ənənəvi statistikada 18 illik fasilənin təsnifat performansı 2 × 2 ehtiyat cədvəlindən istifadə etməklə qiymətləndirilmişdir.Test dəstinin hesablanmış həssaslığı, spesifikliyi, PPV, NPV və AUROC göstəriciləri DM təsnifat modelinin ölçülmüş dəyərləri ilə müqayisə edilmişdir.Məlumatlar verilənlərin xüsusiyyətlərindən asılı olaraq orta ± standart sapma və ya ədəd (%) kimi ifadə edilir.İkitərəfli P <0.05 dəyərləri statistik cəhətdən əhəmiyyətli hesab edilmişdir.Bütün müntəzəm statistik təhlillər SAS 9.4 versiyasından (SAS İnstitutu, Cary, NC) istifadə edilərək aparılmışdır.DM reqressiya modeli Python-da Keras50 2.2.4 backend və Tensorflow51 1.8.0 istifadə edərək xüsusi olaraq riyazi əməliyyatlar üçün tətbiq edilmişdir.DM təsnifat modeli Waikato Knowledge Analysis Environment və Konstanz Information Miner (KNIME) 4.6.152 analiz platformasında tətbiq edilmişdir.
Müəlliflər etiraf edirlər ki, tədqiqatın nəticələrini dəstəkləyən məlumatlar məqalədə və əlavə materiallarda tapıla bilər.Tədqiqat zamanı yaradılan və/və ya təhlil edilən məlumat dəstləri əsaslı sorğu əsasında müvafiq müəllifdən əldə edilə bilər.
Ritz-Timme, S. et al.Yaşın qiymətləndirilməsi: məhkəmə ekspertizasının xüsusi tələblərinə cavab vermək üçün ən müasir vəziyyət.beynəlmiləllik.J. Hüquq təbabəti.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Cinayət təqibi məqsədləri üçün canlı subyektlərin məhkəmə yaşının qiymətləndirilməsinin mövcud vəziyyəti.Məhkəmə ekspertizası.dərman.Patologiya.1, 239–246 (2005).
Pan, J. et al.Şərqi Çində 5-16 yaş arası uşaqların diş yaşını qiymətləndirmək üçün dəyişdirilmiş metod.kliniki.Şifahi sorğu.25, 3463–3474 (2021).
Lee, SS və s. Koreyalılarda ikinci və üçüncü azı dişlərinin inkişafının xronologiyası və onun məhkəmə-tibbi yaş qiymətləndirməsi üçün tətbiqi.beynəlmiləllik.J. Hüquq təbabəti.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY və Lee, SS Koreyalılar və Yapon dillərində ikinci və üçüncü azı dişlərinin yetkinliyinə əsaslanan 18 illik həddi və yaş həddinin qiymətləndirilməsinin dəqiqliyi.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Əməliyyatdan əvvəl maşın öyrənməsinə əsaslanan məlumatların təhlili OSA olan xəstələrdə yuxu əməliyyatı müalicəsinin nəticəsini proqnozlaşdıra bilər.elm.Hesabat 11, 14911 (2021).
Han, M. et al.İnsan müdaxiləsi ilə və ya olmadan maşın öyrənməsindən dəqiq yaş təxmini?beynəlmiləllik.J. Hüquq təbabəti.136, 821–831 (2022).
Khan, S. və Shaheen, M. Data Mining-dən Data Mining-ə.J. Məlumat.elm.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. və Shaheen, M. WisRule: Assosiasiya Qaydalarının Miningi üçün İlk Koqnitiv Alqoritm.J. Məlumat.elm.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. və Abdullah U. Karm: Kontekst-əsaslı assosiasiya qaydalarına əsaslanan ənənəvi data mining.hesablamaq.Matt.davam et.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. və Habib M. Mətn məlumatlarından istifadə edərək dərin öyrənmə əsaslı semantik oxşarlığın aşkarlanması.məlumat vermək.texnologiyalar.nəzarət.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabiş, M., Tanoli, Z. və Şahin, M. İdman videolarında fəaliyyətin tanınması üçün sistem.multimedia.Alətlər Tətbiqləri https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.Uşaq Sümük Yaşında RSNA Machine Learning Challenge.Radiologiya 290, 498–503 (2019).
Li, Y. və başqaları.Dərin öyrənmə metodundan istifadə edərək çanaq rentgen şüalarından məhkəmə yaşının təxmin edilməsi.AVRO.radiasiya.29, 2322–2329 (2019).
Guo, YC, et al.Orfoqrafik proyeksiya şəkillərindən əl üsulları və dərin konvolyusiya neyron şəbəkələrindən istifadə edərək dəqiq yaş təsnifatı.beynəlmiləllik.J. Hüquq təbabəti.135, 1589–1597 (2021).
Alabama Dalora və başqaları.Müxtəlif maşın öyrənmə üsullarından istifadə edərək sümük yaşının qiymətləndirilməsi: sistematik ədəbiyyat icmalı və meta-analiz.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. və Yang, J. Konus-şüa kompüter tomoqrafiyasından istifadə edərək birinci azı dişlərinin pulpa kamerası həcmlərinə əsaslanan Afrikalı Amerikalıların və Çinlilərin əhalinin xüsusi yaşının qiymətləndirilməsi.beynəlmiləllik.J. Hüquq təbabəti.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK və Oh KS Birinci azı dişlərinin süni intellektə əsaslanan görüntülərindən istifadə edərək canlı insanların yaş qruplarının müəyyən edilməsi.elm.Hesabat 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. və Urschler, M. Çoxvariantlı MRT məlumatlarından avtomatik yaş təxmini və əksəriyyət yaş təsnifatı.IEEE J. Biomed.Sağlamlıq Xəbərdarlığı.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. Dərin öyrənmə və səviyyə dəstlərini birləşdirərək konus şüa kompüter tomoqrafiyasından birinci azı dişlərinin 3D pulpa kamerasının seqmentasiyasına əsaslanan yaşın qiymətləndirilməsi.beynəlmiləllik.J. Hüquq təbabəti.135, 365–373 (2021).
Wu, WT və başqaları.Klinik böyük verilənlərdə məlumatların çıxarılması: ümumi verilənlər bazaları, addımlar və metod modelləri.Dünya.dərman.resurs.8, 44 (2021).
Yang, J. et al.Böyük Məlumat Dövründə Tibbi Məlumat Bazalarına və Məlumat Mədən Texnologiyalarına Giriş.J. Avid.Əsas tibb.13, 57–69 (2020).
Shen, S. et al.Maşın öyrənməsindən istifadə edərək diş yaşını qiymətləndirmək üçün Camerer üsulu.BMC Ağız Sağlamlığı 21, 641 (2021).
Galliburg A. et al.Demirdjian staging metodundan istifadə edərək diş yaşını proqnozlaşdırmaq üçün müxtəlif maşın öyrənmə üsullarının müqayisəsi.beynəlmiləllik.J. Hüquq təbabəti.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM. Diş yaşını qiymətləndirmək üçün yeni sistem.xoruldamaq.biologiya.45, 211–227 (1973).
Landis, JR və Koch, GG. Kateqorik məlumatlar üzrə müşahidəçi razılaşmasının ölçüləri.Biometrika 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK və Choi HK.İlkin beyin şişlərinin diferensiallaşdırılması üçün süni intellekt üsullarından istifadə edərək iki ölçülü maqnit rezonans görüntüləməsinin tekstura, morfoloji və statistik təhlili.Sağlamlıq məlumatları.resurs.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Göndərmə vaxtı: 04 yanvar 2024-cü il