Nature.com saytına daxil olduğunuz üçün təşəkkür edirik. İstifadə etdiyiniz brauzerin versiyasında CSS dəstəyi məhduddur. Ən yaxşı nəticələr üçün brauzerinizin daha yeni versiyasından istifadə etməyi (və ya Internet Explorer-də uyğunluq rejimini söndürməyi) tövsiyə edirik. Bu vaxt ərzində davamlı dəstəyi təmin etmək üçün saytı stil və ya JavaScript olmadan göstəririk.
Dişlər insan bədəninin yaşının ən dəqiq göstəricisi hesab olunur və tez-tez məhkəmə yaş qiymətləndirməsində istifadə olunur. Biz məlumatların hasilatı əsaslı diş yaşı təxminlərini 18 illik həddin qiymətləndirmə dəqiqliyini və təsnifat göstəricilərini ənənəvi metodlar və məlumatların hasilatı əsaslı yaş təxminləri ilə müqayisə etməklə təsdiqləməyi hədəflədik. 15-23 yaş arası Koreya və Yaponiya vətəndaşlarından cəmi 2657 panoramik rentgenoqrafiya toplanmışdır. Onlar hər birində 900 Koreya rentgenoqrafiyası olan təlim dəstinə və 857 Yapon rentgenoqrafiyası olan daxili test dəstinə bölünmüşdür. Ənənəvi metodların təsnifat dəqiqliyini və səmərəliliyini məlumatların hasilatı modellərinin test dəstləri ilə müqayisə etdik. Daxili test dəstindəki ənənəvi metodun dəqiqliyi məlumatların hasilatı modelindən bir qədər yüksəkdir və fərq azdır (orta mütləq xəta <0,21 il, orta kvadrat xəta <0,24 il). 18 illik kəsişmə üçün təsnifat göstəriciləri də ənənəvi metodlar və məlumatların hasilatı modelləri arasında oxşardır. Beləliklə, Koreyalı yeniyetmələrdə və gənclərdə ikinci və üçüncü azı dişlərinin yetkinliyindən istifadə edərək məhkəmə yaş qiymətləndirməsi apararkən ənənəvi metodlar məlumatların çıxarılması modelləri ilə əvəz edilə bilər.
Diş yaşının qiymətləndirilməsi məhkəmə tibbində və uşaq stomatologiyasında geniş istifadə olunur. Xüsusilə, xronoloji yaş və diş inkişafı arasında yüksək korrelyasiya olduğuna görə, diş inkişaf mərhələlərinə görə yaş qiymətləndirilməsi uşaqların və yeniyetmələrin yaşının qiymətləndirilməsi üçün vacib meyardır1,2,3. Lakin gənclər üçün diş yetkinliyinə əsasən diş yaşının qiymətləndirilməsinin öz məhdudiyyətləri var, çünki üçüncü azı dişləri istisna olmaqla, diş böyüməsi demək olar ki, tamdır. Gənclərin və yeniyetmələrin yaşının müəyyən edilməsinin hüquqi məqsədi onların yetkinlik yaşına çatıb-çatmadıqlarına dair dəqiq qiymətləndirmələr və elmi sübutlar təqdim etməkdir. Koreyada yeniyetmələrin və gənclərin tibbi-hüquqi təcrübəsində yaş Li metodu ilə qiymətləndirilmiş və Oh və digərləri tərəfindən bildirilən məlumatlara əsasən 18 yaş hüquqi həddi proqnozlaşdırılmışdır5.
Maşın öyrənməsi, çoxlu miqdarda məlumatları dəfələrlə öyrənən və təsnif edən, problemləri öz-özünə həll edən və məlumatların proqramlaşdırılmasını idarə edən süni intellekt (Sİ) növüdür. Maşın öyrənməsi böyük həcmli məlumatlarda faydalı gizli nümunələri aşkar edə bilər6. Bunun əksinə olaraq, əmək tələb edən və vaxt aparan klassik metodlar, əl ilə emal edilməsi çətin olan böyük həcmli mürəkkəb məlumatlarla işləyərkən məhdudiyyətlərə malik ola bilər7. Buna görə də, son zamanlar 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, dərin öyrənmə tibbi görüntü analizində geniş istifadə olunur və rentgenoqrafiyaları avtomatik təhlil etməklə yaşın qiymətləndirilməsi üçün müxtəlif metodların yaş qiymətləndirməsinin dəqiqliyini və səmərəliliyini artırdığı bildirilir13,14,15,16,17,18,19,20. Məsələn, Halabi və digərləri 13 uşaqların əllərinin rentgenoqrafiyalarından istifadə edərək skelet yaşını qiymətləndirmək üçün konvolyusional neyron şəbəkələrinə (CNN) əsaslanan maşın öyrənmə alqoritmi hazırlamışlar. Bu tədqiqat, maşın öyrənməsini tibbi görüntülərə tətbiq edən bir model təklif edir və bu metodların diaqnostik dəqiqliyi artıra biləcəyini göstərir. Li və digərləri14 dərin öyrənmə CNN-i istifadə edərək çanaq rentgen görüntülərindən yaşı təxmin etdilər və sümükləşmə mərhələsi qiymətləndirməsindən 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 ortofotoşəkillərinə əsaslanan CNN texnologiyasının yaş tolerantlığı təsnifat performansını qiymətləndirdi və CNN modelinin nəticələri insanların onun yaş təsnifatı performansından daha yaxşı nəticə göstərdiyini sübut etdi.
Maşın öyrənməsindən istifadə edərək yaş qiymətləndirməsi ilə bağlı əksər tədqiqatlar dərin öyrənmə metodlarından istifadə edir13,14,15,16,17,18,19,20. Dərin öyrənməyə əsaslanan yaş qiymətləndirməsinin ənənəvi metodlardan daha dəqiq olduğu bildirilir. Lakin bu yanaşma, qiymətləndirmələrdə istifadə olunan yaş göstəriciləri kimi yaş qiymətləndirmələrinin elmi əsasını təqdim etmək üçün az imkan yaradır. Yoxlamaların kimin apardığı ilə bağlı hüquqi mübahisə də mövcuddur. Buna görə də, dərin öyrənməyə əsaslanan yaş qiymətləndirməsini inzibati və məhkəmə orqanları tərəfindən qəbul etmək çətindir. Məlumatların çıxarılması (DM), böyük miqdarda məlumat arasında faydalı korrelyasiyaları aşkar etmək üçün bir metod olaraq yalnız gözlənilən deyil, həm də gözlənilməz məlumatları aşkar edə bilən bir texnikadır6,21,22. Maşın öyrənməsi tez-tez məlumatların çıxarılmasında istifadə olunur və həm məlumat çıxarılması, həm də maşın öyrənməsi məlumatlardakı nümunələri aşkar etmək üçün eyni əsas alqoritmlərdən istifadə edir. Diş inkişafından istifadə edərək yaş qiymətləndirməsi müayinəçinin hədəf dişlərin yetkinliyinin qiymətləndirilməsinə əsaslanır və bu qiymətləndirmə hər bir hədəf diş üçün bir mərhələ kimi ifadə olunur. DM, diş qiymətləndirmə mərhələsi ilə faktiki yaş arasındakı korrelyasiyanı təhlil etmək üçün istifadə edilə bilər və ənənəvi statistik təhlili əvəz etmək potensialına malikdir. Buna görə də, DM üsullarını yaş qiymətləndirməsinə tətbiq etsək, hüquqi məsuliyyət barədə narahat olmadan məhkəmə yaş qiymətləndirməsində maşın öyrənməsini tətbiq edə bilərik. Kriminalistika praktikasında istifadə olunan ənənəvi əl üsullarına və diş yaşının təyin edilməsi üçün EBM əsaslı metodlara mümkün alternativlər üzrə bir neçə müqayisəli tədqiqat dərc edilmişdir. Şen və digərləri DM modelinin ənənəvi Camerer düsturundan daha dəqiq olduğunu göstərdilər. Qalibourg və digərləri 24 Demirdjian meyarına25 uyğun olaraq yaşı proqnozlaşdırmaq üçün fərqli DM metodlarını tətbiq etdilər və nəticələr göstərdi ki, DM metodu Fransa əhalisinin yaşını qiymətləndirməkdə Demirdjian və Villems metodlarından daha yaxşı nəticə göstərdi.
Koreyalı yeniyetmələrin və gənclərin diş yaşını qiymətləndirmək üçün Li metodu 4 Koreya məhkəmə praktikasında geniş istifadə olunur. Bu metod Koreyalı subyektlərlə xronoloji yaş arasındakı əlaqəni araşdırmaq üçün ənənəvi statistik təhlildən (məsələn, çoxlu reqressiya) istifadə edir. Bu tədqiqatda ənənəvi statistik metodlardan istifadə edərək əldə edilən yaş qiymətləndirmə metodları "ənənəvi metodlar" kimi müəyyən edilir. Li metodu ənənəvi metoddur və onun dəqiqliyi Oh və digərləri tərəfindən təsdiqlənib. 5; lakin, Koreya məhkəmə praktikasında DM modelinə əsaslanan yaş qiymətləndirməsinin tətbiqi hələ də şübhə altındadır. Məqsədimiz DM modelinə əsaslanan yaş qiymətləndirməsinin potensial faydalılığını elmi cəhətdən təsdiqləmək idi. Bu tədqiqatın məqsədi (1) diş yaşını qiymətləndirməkdə iki DM modelinin dəqiqliyini müqayisə etmək və (2) 18 yaşında 7 DM modelinin təsnifat performansını ənənəvi statistik metodlardan istifadə etməklə əldə edilənlərlə müqayisə etmək idi. Hər iki çənədə ikinci və üçüncü molarların yetkinliyi.
Mərhələ və diş növünə görə xronoloji yaşın orta və standart sapmaları Əlavə Cədvəl S1 (təlim dəsti), Əlavə Cədvəl S2 (daxili test dəsti) və Əlavə Cədvəl S3 (xarici test dəsti) bölmələrində onlayn şəkildə göstərilmişdir. Təlim dəstindən əldə edilən müşahidəçidaxili və müşahidəçilərarası etibarlılıq üçün kappa dəyərləri müvafiq olaraq 0,951 və 0,947 olmuşdur. Kappa dəyərləri üçün P dəyərləri və 95% etibarlılıq intervalları onlayn əlavə cədvəl S4-də göstərilmişdir. Kappa dəyəri Landis və Koch26 meyarlarına uyğun olaraq "demək olar ki, mükəmməl" kimi şərh edilmişdir.
Orta mütləq xətanı (MAE) müqayisə edərkən, ənənəvi metod, çoxqatlı perseptron (MLP) istisna olmaqla, bütün cinslər üçün və xarici kişi test dəstində DM modelindən bir qədər üstündür. 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 idi. Xarici test batareyası üçün fərqlər daha kiçikdir (kişilər üçün 0,001-0,05 il və qadınlar üçün 0,05-0,09 il). Bundan əlavə, orta kvadrat xəta (RMSE) ənənəvi metoddan bir qədər aşağıdır və daha kiçik fərqlər var (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). MLP, qadın xarici test dəsti istisna olmaqla, Tək Layer Perseptronundan (SLP) bir qədər daha yaxşı performans göstərir. MAE və RMSE üçün xarici test dəsti bütün cinslər və modellər üçün daxili test dəstindən daha yüksək bal toplayır. Bütün MAE və RMSE Cədvəl 1 və Şəkil 1-də göstərilib.
Ənənəvi və verilənlərin çıxarılması reqressiya modellərinin MAE və RMSE-si. Orta mütləq xəta MAE, orta kvadrat xəta RMSE, tək qatlı perseptron SLP, çox qatlı perseptron MLP, ənənəvi CM metodu.
Ənənəvi və DM modellərinin təsnifat performansı (18 illik limiti ilə) həssaslıq, spesifiklik, müsbət proqnozlaşdırıcı dəyər (PPV), mənfi proqnozlaşdırıcı dəyər (NPV) və qəbuledicinin işləmə xarakteristikası əyrisi altındakı sahə (AUROC) 27 baxımından nümayiş etdirilmişdir (Cədvəl 2, Şəkil 2 və Əlavə Şəkil 1 onlayn). Daxili test batareyasının həssaslığı baxımından ənənəvi metodlar kişilər arasında ən yaxşı, qadınlar arasında isə daha pis nəticə göstərmişdir. Bununla belə, ənənəvi metodlar və 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 yaxşı, ənənəvi modelin isə qadınlarda daha yaxşı nəticə 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 ən yaxşı nəticəni göstərdi, LR modeli isə qadınlar arasında ən yaxşı nəticəni göstərdi. Ənənəvi modelin və bütün SD modellərinin AUROC-u 0,925-dən (k-ən yaxın qonşu (KNN) kişilərdə) yüksək idi və 18 yaşlı nümunələri ayırd etməkdə əla təsnifat performansı nümayiş etdirdi28. Xarici test dəsti üçün daxili test dəsti ilə müqayisədə həssaslıq, spesifiklik və AUROC baxımından təsnifat performansında azalma müşahidə edildi. Bundan əlavə, ən yaxşı və ən pis modellərin təsnifat performansı arasındakı həssaslıq və spesifiklik fərqi 10%-dən 25%-ə qədər dəyişdi və daxili test dəstindəki fərqdən daha böyük idi.
18 illik məhdudiyyət müddəti ilə ənənəvi metodlarla müqayisədə məlumatların çıxarılması təsnifat modellərinin həssaslığı və spesifikliyi. KNN k ən yaxın qonşu, SVM dəstək vektor maşını, LR logistik reqressiyası, DT qərar ağacı, RF təsadüfi meşə, XGB XGBoost, MLP çoxqatlı perseptron, ənənəvi CM metodu.
Bu tədqiqatın ilk addımı yeddi DM modelindən əldə edilən diş yaşının təxminlərinin dəqiqliyini ənənəvi reqressiya istifadə edilərək əldə edilənlərlə müqayisə etmək idi. MAE və RMSE hər iki cins üçün daxili test dəstlərində qiymətləndirilmiş və ənənəvi metodla DM modeli arasındakı fərq MAE üçün 44 ilə 77 gün, RMSE üçün isə 62 ilə 88 gün arasında dəyişmişdir. Bu tədqiqatda ənənəvi metod bir qədər daha dəqiq olsa da, belə kiçik bir fərqin klinik və ya praktik əhəmiyyətə malik olub-olmadığı barədə nəticə çıxarmaq çətindir. Bu nəticələr göstərir ki, DM modelindən istifadə edərək diş yaşının qiymətləndirilməsinin dəqiqliyi demək olar ki, ənənəvi metodla eynidir. Əvvəlki tədqiqatların nəticələri ilə birbaşa müqayisə aparmaq çətindir, çünki heç bir tədqiqat bu tədqiqatda olduğu kimi eyni yaş aralığında dişlərin qeyd edilməsi texnikasından istifadə edərək DM modellərinin dəqiqliyini ənənəvi statistik metodlarla müqayisə etməyib. Galibourg və digərləri24 2 yaşdan 24 yaşa qədər olan Fransa əhalisində iki ənənəvi metod (Demirjian metodu25 və Willems metodu29) və 10 DM modeli arasında MAE və RMSE-ni müqayisə etmişdir. Onlar bütün DM modellərinin ənənəvi metodlardan daha dəqiq olduğunu, Willems və Demirdjian metodları ilə müqayisədə MAE-də müvafiq olaraq 0,20 və 0,38 il, RMSE-də isə 0,25 və 0,47 il fərqlər olduğunu bildirdilər. Haliburg tədqiqatında göstərilən SD modeli ilə ənənəvi metodlar arasındakı uyğunsuzluq, Demirdjian metodunun tədqiqatın əsaslandığı Fransız Kanadalılarından başqa populyasiyalarda diş yaşını dəqiq qiymətləndirmədiyinə dair çoxsaylı hesabatları30,31,32,33 nəzərə alır. Tai və digərləri 1636 Çin ortodontik fotoşəkilindən diş yaşını proqnozlaşdırmaq üçün MLP alqoritmindən istifadə etdilər və onun dəqiqliyini Demirdjian 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 uyğun gəlir və DM modelinin və ənənəvi metodun yaş qiymətləndirmə dəqiqliyi oxşardır. Lakin, təqdim olunan nəticələrə əsasən, yalnız ehtiyatla belə bir nəticəyə gələ bilərik ki, müqayisəli və istinad əvvəlki tədqiqatların olmaması səbəbindən yaşı qiymətləndirmək üçün DM modellərindən istifadə mövcud metodları əvəz edə bilər. Bu tədqiqatda əldə edilən nəticələri təsdiqləmək üçün daha böyük nümunələrdən istifadə edən sonrakı tədqiqatlar tələb olunur.
Diş yaşının qiymətləndirilməsində SD-nin dəqiqliyini sınaqdan keçirən tədqiqatlar arasında bəziləri bizim tədqiqatımızdan daha yüksək dəqiqlik göstərdi. Stepanovski və digərləri 2,7-20,5 yaş arası 976 Çexiya sakininin panoramik rentgenoqrafiyasına 22 SD modeli tətbiq etdilər və hər bir modelin dəqiqliyini sınaqdan keçirdilər. Onlar Moorrees və digərləri 36 tərəfindən təklif olunan təsnifat meyarlarından istifadə edərək cəmi 16 yuxarı və aşağı sol daimi dişin inkişafını qiymətləndirdilər. MAE 0,64-0,94 il, RMSE isə 0,85-1,27 il arasında dəyişir ki, bu da bu tədqiqatda istifadə edilən iki DM modelindən daha dəqiqdir. Shen və digərləri 5-13 yaş arası şərqi Çin sakinlərində sol çənədəki yeddi daimi dişin diş yaşını qiymətləndirmək üçün Cameriere metodundan istifadə etdilər və onu xətti reqressiya, SVM və RF istifadə edərək qiymətləndirilən yaşlarla müqayisə etdilər. Onlar göstərdilər ki, hər üç DM modelinin ənənəvi Cameriere düsturu ilə müqayisədə daha yüksək dəqiqliyi var. Şenin tədqiqatındakı MAE və RMSE bu tədqiqatdakı DM modelindəkilərdən daha aşağı idi. Stepanovski və digərləri 35 və Şen və digərləri 23 tərəfindən aparılan tədqiqatların dəqiqliyinin artması, daha gənc subyektlərin tədqiqat nümunələrinə daxil edilməsi ilə bağlı ola bilər. Diş inkişafı zamanı dişlərin sayı artdıqca inkişaf edən iştirakçılar üçün yaş qiymətləndirmələri daha dəqiq olduğundan, tədqiqat iştirakçıları daha gənc olduqda yaranan yaş qiymətləndirmə metodunun dəqiqliyi pozula bilər. Bundan əlavə, MLP-nin yaş qiymətləndirməsindəki xətası SLP-dən bir qədər azdır, bu da MLP-nin SLP-dən daha dəqiq olduğunu göstərir. MLP, ehtimal ki, MLP38-dəki gizli təbəqələrə görə yaş qiymətləndirməsi üçün bir qədər daha yaxşı hesab olunur. Lakin, qadınların xarici nümunəsi üçün bir istisna var (SLP 1.45, MLP 1.49). MLP-nin yaşın qiymətləndirilməsində SLP-dən daha dəqiq olduğu aşkarlanması əlavə retrospektiv tədqiqatlar tələb edir.
DM modelinin və ənənəvi metodun 18 illik həddə təsnifat performansı da müqayisə edildi. Bütün sınaqdan keçirilmiş SD modelləri və daxili test dəstindəki ənənəvi metodlar 18 yaşlı nümunə üçün praktik olaraq məqbul səviyyədə ayrı-seçkilik göstərdi. Kişilər və qadınlar üçün həssaslıq müvafiq olaraq 87,7% və 94,9%-dən, spesifiklik isə 89,3% və 84,7%-dən çox idi. Bütün sınaqdan keçirilmiş modellərin AUROC-u da 0,925-i keçib. Bildiyimiz qədəri ilə, heç bir tədqiqat DM modelinin diş yetkinliyinə əsaslanan 18 illik təsnifat üçün performansını sınaqdan keçirməyib. Bu tədqiqatın nəticələrini panoramik rentgenoqrafiyalarda dərin öyrənmə modellərinin təsnifat performansı ilə müqayisə edə bilərik. Guo və digərləri15 müəyyən bir yaş həddi üçün CNN əsaslı dərin öyrənmə modelinin və Demirjianın metoduna əsaslanan əl metodunun təsnifat performansını hesabladılar. Əl ilə aparılan metodun həssaslığı və spesifikliyi müvafiq olaraq 87,7% və 95,5% təşkil edib, CNN modelinin həssaslığı və spesifikliyi isə müvafiq olaraq 89,2% və 86,6%-i keçib. Onlar dərin öyrənmə modellərinin yaş hədlərini təsnif etməkdə əl ilə aparılan qiymətləndirməni əvəz edə və ya daha yaxşı nəticə göstərə biləcəyi qənaətinə gəliblər. Bu tədqiqatın nəticələri oxşar təsnifat göstəricilərini göstərib; DM modellərindən istifadə edərək təsnifatın yaş qiymətləndirməsi üçün ənənəvi statistik metodları əvəz edə biləcəyinə inanılır. Modellər arasında DM LR kişi nümunəsi üçün həssaslıq, qadın nümunəsi üçün isə həssaslıq və spesifiklik baxımından ən yaxşı model olub. LR kişilər üçün spesifikliyə görə ikinci yerdədir. Bundan əlavə, LR daha istifadəçi dostu DM35 modellərindən biri hesab olunur və daha az mürəkkəb və emal etmək çətindir. Bu nəticələrə əsasən, LR Koreya əhalisində 18 yaşlılar üçün ən yaxşı kəsmə təsnifat modeli hesab edilib.
Ümumilikdə, xarici test dəstində yaş qiymətləndirməsinin və ya təsnifat göstəricilərinin dəqiqliyi daxili test dəstindəki nəticələrlə müqayisədə zəif və ya daha aşağı idi. Bəzi hesabatlar göstərir ki, Koreya əhalisinə əsaslanan yaş qiymətləndirmələri Yaponiya əhalisinə tətbiq edildikdə təsnifat dəqiqliyi və ya səmərəliliyi azalır5,39 və oxşar bir nümunə bu tədqiqatda da aşkar edilmişdir. Bu pisləşmə tendensiyası DM modelində də müşahidə edilmişdir. Buna görə də, yaşı dəqiq qiymətləndirmək üçün, hətta DM-dən təhlil prosesində istifadə edildikdə belə, ənənəvi metodlar kimi yerli əhali məlumatlarından əldə edilən metodlara üstünlük verilməlidir5,39,40,41,42. Dərin öyrənmə modellərinin oxşar tendensiyalar göstərə biləcəyi aydın olmadığı üçün, süni intellektin məhdud yaş qiymətləndirmələrində bu irqi fərqləri aradan qaldıra biləcəyini təsdiqləmək üçün eyni nümunələrdə ənənəvi metodlar, DM modelləri və dərin öyrənmə modellərindən istifadə edərək təsnifat dəqiqliyini və səmərəliliyini müqayisə edən tədqiqatlar lazımdır.
Koreyada məhkəmə yaş qiymətləndirmə təcrübəsində ənənəvi metodların DM modelinə əsaslanan yaş qiymətləndirməsi ilə əvəz edilə biləcəyini nümayiş etdiririk. Həmçinin məhkəmə yaş qiymətləndirməsi üçün maşın öyrənməsinin tətbiqi imkanını da aşkar etdik. Bununla belə, nəticələri qəti şəkildə müəyyən etmək üçün bu tədqiqatda iştirakçıların sayının az olması və bu tədqiqatın nəticələrini müqayisə etmək və təsdiqləmək üçün əvvəlki tədqiqatların olmaması kimi açıq məhdudiyyətlər mövcuddur. Gələcəkdə DM tədqiqatları ənənəvi metodlarla müqayisədə praktik tətbiqini yaxşılaşdırmaq üçün daha çox sayda nümunə və daha müxtəlif populyasiyalarla aparılmalıdır. Birdən çox populyasiyada yaşı qiymətləndirmək üçün süni intellektdən istifadənin mümkünlüyünü 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 Koreya və Yapon yetkinlərindən toplanan 2657 orfoqrafiya fotoşəkili istifadə edilmişdir. Koreya rentgenoqrafiyaları 900 təlim dəstinə (19.42 ± 2.65 yaş) və 900 daxili test dəstinə (19.52 ± 2.59 yaş) bölünmüşdür. Təlim dəsti bir müəssisədə (Seul Müqəddəs Məryəm Xəstəxanası), öz test dəsti isə iki müəssisədə (Seul Milli Universiteti Stomatologiya Xəstəxanası və Yonsei Universiteti Stomatologiya Xəstəxanası) toplanmışdır. Xarici test üçün başqa bir əhaliyə əsaslanan məlumatlardan (İvate Tibb Universiteti, Yaponiya) 857 rentgenoqrafiya da topladıq. Xarici test dəsti kimi yapon subyektlərinin (19.31 ± 2.60 yaş) rentgenoqrafiyaları seçilmişdir. Diş müalicəsi zamanı çəkilmiş panoramik rentgenoqrafiyalarda diş inkişaf mərhələlərini təhlil etmək üçün məlumatlar retrospektiv şəkildə toplanmışdır. Toplanan bütün məlumatlar cins, doğum tarixi və rentgenoqrafiya tarixi istisna olmaqla anonim idi. Daxil etmə və xaric etmə meyarları əvvəllər dərc edilmiş tədqiqatlarla eyni idi 4, 5. Nümunənin faktiki yaşı, doğum tarixini rentgenoqrafiyanın çəkildiyi tarixdən çıxmaqla hesablanmışdır. Nümunə qrupu doqquz yaş qrupuna bölünmüşdür. Yaş və cins bölgüsü Cədvəl 3-də göstərilmişdir. Bu tədqiqat Helsinki Bəyannaməsinə uyğun olaraq aparılmış və Koreya Katolik Universitetinin Seul Müqəddəs Məryəm Xəstəxanasının İnstitusional İcmal Şurası (IRB) (KC22WISI0328) tərəfindən təsdiq edilmişdir. Bu tədqiqatın retrospektiv dizaynına görə, terapevtik məqsədlər üçün rentgen müayinəsindən keçən bütün xəstələrdən məlumatlı razılıq əldə etmək mümkün olmamışdır. Seul Koreya Universitetinin Müqəddəs Məryəm Xəstəxanası (IRB) məlumatlı razılıq tələbindən imtina etmişdir.
İki çənəli ikinci və üçüncü azı dişlərinin inkişaf mərhələləri Demircan meyarlarına uyğun olaraq qiymətləndirilmişdir25. Hər çənənin sol və sağ tərəflərində eyni tip diş tapılarsa, yalnız bir diş seçilmişdir. Hər iki tərəfdəki homoloji dişlər fərqli inkişaf mərhələlərində olarsa, təxmin edilən yaşdakı qeyri-müəyyənliyi nəzərə almaq üçün daha aşağı inkişaf mərhələsinə malik diş seçilmişdir. Təlim dəstindən təsadüfi olaraq seçilmiş yüz rentgenoqrafiya, diş yetkinlik mərhələsini təyin etmək üçün əvvəlcədən kalibrləmədən sonra müşahidəçilərarası etibarlılığı yoxlamaq üçün iki təcrübəli müşahidəçi tərəfindən qeyd edilmişdir. Müşahidəçidaxili etibarlılıq əsas müşahidəçi tərəfindən üç aylıq fasilələrlə iki dəfə qiymətləndirilmişdir.
Təlim dəstindəki hər çənənin ikinci və üçüncü azı dişlərinin cinsi və inkişaf mərhələsi müxtəlif DM modelləri ilə təlim keçmiş əsas müşahidəçi tərəfindən qiymətləndirilmiş və həqiqi yaş hədəf dəyəri kimi müəyyən edilmişdir. 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 yaşı qiymətləndirmək üçün bu məlumatları birləşdirir. SLP ən sadə neyron şəbəkəsidir və gizli təbəqələri ehtiva etmir. SLP düyünlər arasında eşik ötürülməsinə əsaslanır. Reqressiyadakı SLP modeli riyazi olaraq çoxlu xətti reqressiyaya bənzəyir. SLP modelindən fərqli olaraq, MLP modelində qeyri-xətti aktivləşdirmə funksiyaları olan çoxlu gizli təbəqə var. Təcrübələrimizdə qeyri-xətti aktivləşdirmə funksiyaları olan yalnız 20 gizli düyün olan gizli təbəqə istifadə edilmişdir. Maşın öyrənmə modelimizi öyrətmək üçün optimallaşdırma metodu kimi qradiyent enişindən və itki funksiyası kimi MAE və RMSE-dən istifadə edin. Ən yaxşı əldə edilən reqressiya modeli daxili və xarici test dəstlərinə tətbiq edilmiş və dişlərin yaşı qiymətləndirilmişdir.
Nümunənin 18 yaşında olub-olmadığını proqnozlaşdırmaq üçün təlim dəstindəki dörd dişin yetkinliyindən istifadə edən bir 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 edilən təsnifat alqoritmlərindən biridir44. Bu, müəyyən bir kateqoriyaya aid məlumatların ehtimalını 0-dan 1-ə qədər proqnozlaşdırmaq üçün reqressiyadan istifadə edən və məlumatları bu ehtimala əsasən daha çox ehtimal olunan kateqoriyaya aid kimi təsnif edən nəzarətli öyrənmə alqoritmidir; əsasən ikili təsnifat üçün istifadə olunur. KNN ən sadə maşın öyrənmə alqoritmlərindən biridir45. Yeni giriş məlumatları verildikdə, mövcud dəstə yaxın k məlumat tapır və sonra onları ən yüksək tezlikli sinfə təsnif edir. Nəzərdən keçirilən qonşuların sayı (k) üçün 3 təyin edirik. SVM, xətti fəzanı sahələr adlanan qeyri-xətti fəzaya genişləndirmək üçün nüvə funksiyasından istifadə edərək iki sinif arasındakı məsafəni maksimum dərəcədə artıran bir alqoritmdir46. Bu model üçün polinom nüvəsi üçün hiperparametrlər kimi qərəz = 1, güc = 1 və qamma = 1 istifadə edirik. DT, ağac strukturunda qərar qaydalarını təmsil etməklə bütün məlumat dəstini bir neçə alt qrupa bölmək üçün müxtəlif sahələrdə tətbiq edilmişdir47. Model, hər qovşaq üçün minimum 2 qeyd sayı ilə konfiqurasiya edilmişdir və keyfiyyət ölçüsü kimi Gini indeksindən istifadə edir. RF, orijinal məlumat dəstindən təsadüfi olaraq dəfələrlə eyni ölçülü nümunələr çəkərək hər nümunə üçün zəif təsnifatçı yaradan bootstrap aqreqasiya metodundan istifadə edərək performansı artırmaq üçün birdən çox DT-ni birləşdirən ansambl metodudur48. Düyün ayrılması meyarları olaraq 100 ağac, 10 ağac dərinliyi, 1 minimum qovşaq ölçüsü və Gini qarışıq indeksindən istifadə etdik. Yeni məlumatların təsnifatı səs çoxluğu ilə müəyyən edilir. XGBoost, əvvəlki modelin faktiki və proqnozlaşdırılan dəyərləri arasındakı xətanı təlim məlumatları kimi qəbul edən və qradiyentlərdən istifadə edərək xətanı artıran bir metoddan istifadə edərək gücləndirmə texnikalarını birləşdirən bir alqoritmdir49. Yaxşı performansı və resurs səmərəliliyi, eləcə də həddindən artıq uyğunlaşdırma korreksiya funksiyası kimi yüksək etibarlılığı səbəbindən geniş istifadə olunan bir alqoritmdir. Model 400 dəstək təkəri ilə təchiz olunub. MLP, bir və ya daha çox perseptronun giriş və çıxış təbəqələri arasında bir və ya daha çox gizli təbəqə ilə birdən çox təbəqə əmələ gətirdiyi neyron şəbəkəsidir38. Bundan istifadə edərək, giriş təbəqəsi əlavə edib nəticə dəyəri əldə etdikdə proqnozlaşdırılan nəticə dəyəri faktiki nəticə dəyəri ilə müqayisə edilir və səhv geri yayılır. Hər təbəqədə 20 gizli neyron olan gizli bir təbəqə yaratdıq. Hazırladığımız hər bir model həssaslıq, spesifiklik, PPV, NPV və AUROC hesablamaqla təsnifat performansını sınamaq üçün daxili və xarici dəstlərə tətbiq edildi. Həssaslıq, 18 yaş və ya daha böyük olduğu təxmin edilən nümunənin 18 yaş və ya daha böyük olduğu təxmin edilən nümunəyə nisbəti kimi müəyyən edilir. Spesifiklik, 18 yaşdan kiçik və 18 yaşdan kiçik olduğu təxmin edilən nümunələrin nisbətidir.
Təlim dəstində qiymətləndirilən diş mərhələləri statistik təhlil üçün ədədi mərhələlərə çevrildi. Hər cins üçün proqnozlaşdırıcı modellər hazırlamaq və yaşı qiymətləndirmək üçün istifadə edilə bilən reqressiya düsturlarını əldə etmək məqsədilə çoxdəyişkənli xətti və logistik reqressiya aparıldı. Həm daxili, həm də xarici test dəstləri üçün diş yaşını qiymətləndirmək üçün bu düsturlardan istifadə etdik. Cədvəl 4-də bu tədqiqatda istifadə edilən reqressiya və təsnifat modelləri göstərilir.
Müşahidədaxili və müşahidəçilərarası etibarlılıq Koenin kappa statistikasından istifadə edilərək hesablanmışdır. DM və ənənəvi reqressiya modellərinin dəqiqliyini yoxlamaq üçün daxili və xarici test dəstlərinin təxmini və faktiki yaşlarından istifadə edərək MAE və RMSE hesabladıq. Bu səhvlər ümumiyyətlə model proqnozlarının dəqiqliyini qiymətləndirmək üçün istifadə olunur. Xəta nə qədər kiçikdirsə, proqnozun dəqiqliyi də bir o qədər yüksəkdir24. DM və ənənəvi reqressiyadan istifadə edilərək hesablanmış daxili və xarici test dəstlərinin MAE və RMSE-ni müqayisə edin. Ənənəvi statistikada 18 illik kəsimin təsnifat performansı 2 × 2 şərti cədvəldən istifadə edilərək qiymətləndirilmişdir. Test dəstinin hesablanmış həssaslığı, spesifikliyi, PPV, NPV və AUROC DM təsnifat modelinin ölçülmüş dəyərləri ilə müqayisə edilmişdir. Məlumatlar məlumat xüsusiyyətlərindən asılı olaraq orta ± standart sapma və ya ədəd (%) kimi ifadə edilir. İki tərəfli P dəyərləri <0.05 statistik cəhətdən əhəmiyyətli hesab edilmişdir. Bütün rutin statistik təhlillər SAS versiyası 9.4 (SAS İnstitutu, Cary, NC) istifadə edilərək aparılmışdır. DM reqressiya modeli, xüsusilə riyazi əməliyyatlar üçün Keras50 2.2.4 backend və Tensorflow51 1.8.0 istifadə edərək Python dilində tətbiq edilmişdir. DM təsnifat modeli Waikato Bilik Təhlili Mühitində və Konstanz Information Miner (KNIME) 4.6.152 analiz platformasında tətbiq edilmişdir.
Müəlliflər tədqiqatın nəticələrini dəstəkləyən məlumatların məqalədə və əlavə materiallarda tapıla biləcəyini qəbul edirlər. Tədqiqat zamanı yaradılan və/və ya təhlil edilən məlumat dəstləri müvafiq müəllifdən ağlabatan tələb əsasında əldə edilə bilər.
Ritz-Timme, S. və b. Yaş qiymətləndirməsi: məhkəmə praktikasının spesifik tələblərinə cavab vermək üçün müasir vəziyyət. beynəlxalqlik. J. Legal Medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. və Olze, A. Cinayət təqibi məqsədləri üçün yaşayan subyektlərin məhkəmə yaşının qiymətləndirilməsinin mövcud vəziyyəti. Kriminalistika. tibb. Patologiya. 1, 239–246 (2005).
Pan, J. və b. Şərqi Çində 5-16 yaş arası uşaqların diş yaşının qiymətləndirilməsi üçün modifikasiya olunmuş metod. klinik. Ağızdan müayinə. 25, 3463–3474 (2021).
Li, SS və s. Koreyalılarda ikinci və üçüncü azı dişlərinin inkişafının xronologiyası və onun məhkəmə yaşının qiymətləndirilməsində tətbiqi. Beynəlxalqlıq. J. Hüquqi tibb. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY və Lee, SS Koreyalılar və Yaponlarda ikinci və üçüncü azı dişlərinin yetkinliyinə əsaslanaraq yaş qiymətləndirməsinin dəqiqliyi və 18 illik həddin qiymətləndirilməsi. PLoS ONE 17, e0271247 (2022).
Kim, JY və b. Əməliyyatdan əvvəlki maşın öyrənməsinə əsaslanan məlumatların təhlili OSA xəstələrində yuxu əməliyyatı müalicəsinin nəticəsini proqnozlaşdıra bilər. elm. Hesabat 11, 14911 (2021).
Han, M. və b. İnsan müdaxiləsi ilə və ya olmadan maşın öyrənməsindən dəqiq yaş qiymətləndirməsi? Beynəlxalqlıq. J. Legal Medicine. 136, 821–831 (2022).
Xan, S. və Şahin, M. Məlumatların Hasilatından Məlumatların Hasilatına. J.İnformasiya. Elm. https://doi.org/10.1177/01655515211030872 (2021).
Xan, S. və Şahin, M. VisRule: Assosiativ Qaydaların Araşdırılması üçün İlk Koqnitiv Alqoritm. J.İnformasiya. Elm. https://doi.org/10.1177/01655515221108695 (2022).
Şahin M. və Abdullah U. Karm: Kontekstə əsaslanan assosiasiya qaydalarına əsaslanan ənənəvi məlumatların çıxarılması. hesablayın. Matta. davamı. 68, 3305–3322 (2021).
Məhəmməd M., Rehman Z., Şahin M., Xan M. və Həbib M. Mətn məlumatlarından istifadə edərək dərin öyrənməyə əsaslanan semantik oxşarlıq aşkarlanması. Məlumat. Texnologiyalar. Nəzarət. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., və Shahin, M. İdman videolarında aktivliyi tanımaq üçün bir sistem. multimedia. Alətlər Tətbiqləri https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS və digərləri. Uşaq Sümük Çağında RSNA Maşın Öyrənmə Çətinliyi. Radiologiya 290, 498–503 (2019).
Li, Y. və b. Dərin öyrənmədən istifadə edərək çanaq rentgen şüalarından məhkəmə-tibbi yaş qiymətləndirməsi. EURO. şüalanma. 29, 2322–2329 (2019).
Guo, YC və b. Ortoqrafik proyeksiya şəkillərindən əl ilə əldə edilən metodlar və dərin konvolyusion neyron şəbəkələri istifadə edərək dəqiq yaş təsnifatı. beynəlxalqlik. J. Legal Medicine. 135, 1589–1597 (2021).
Alabama Dalora və başqaları. Müxtəlif maşın öyrənmə metodlarından 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 şüalı kompüter tomoqrafiyasından istifadə edərək ilk azı dişlərinin pulpa kamerasının həcmlərinə əsaslanan afroamerikalıların və çinlilərin populyasiyaya xas yaş qiymətləndirməsi. beynəlxalqlik. J. Legal Medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK və Oh KS Süni intellekt əsaslı ilk azı dişlərinin şəkillərindən istifadə edərək yaşayan insanların yaş qruplarının müəyyən edilməsi. Elm. Hesabat 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. və Urschler, M. Çoxdəyişkənli MRT məlumatlarından avtomatik yaş qiymətləndirməsi və əksəriyyət yaş təsnifatı. IEEE J. Biomed. Sağlamlıq Xəbərdarlıqları. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. və Li, G. Dərin öyrənmə və səviyyə dəstlərini birləşdirərək konus şüası kompüter tomoqrafiyasından ilk azı dişlərinin 3D pulpa kamerası seqmentasiyasına əsaslanan yaş qiymətləndirməsi. Beynəlxalqlıq. J. Legal Medicine. 135, 365–373 (2021).
Wu, WT və b. Klinik böyük verilənlərdə məlumatların çıxarılması: ümumi verilənlər bazaları, addımlar və metod modelləri. Dünya. tibb. resurs. 8, 44 (2021).
Yang, J. və b. Böyük Verilənlər Dövründə Tibbi Verilənlər Bazalarına və Məlumatların Çıxarılması Texnologiyalarına Giriş. J. Avid. Əsas Tibb. 13, 57–69 (2020).
Şen, S. və b. Maşın öyrənməsindən istifadə edərək diş yaşını qiymətləndirmək üçün Camerer metodu. BMC Oral Health 21, 641 (2021).
Galliburg A. və b. Demirdjian mərhələləşdirmə metodundan istifadə edərək diş yaşını proqnozlaşdırmaq üçün müxtəlif maşın öyrənmə metodlarının müqayisəsi. beynəlxalqlik. J. Legal Medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. və Tanner, JM Diş yaşının qiymətləndirilməsi üçün yeni bir sistem. xorultu. biologiya. 45, 211–227 (1973).
Landis, JR və Koch, GG Kateqoriyalı məlumatlar üzrə müşahidəçi razılaşmasının ölçüləri. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK və Choi HK. İlkin beyin şişlərinin differensiasiyası üçün süni intellekt üsullarından istifadə edərək ikiölçülü maqnit rezonans görüntüləməsinin tekstural, morfoloji və statistik təhlili. Sağlamlıq məlumatları. resurs. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Yazı vaxtı: 04 Yanvar 2024