Nature.com saytiga tashrif buyurganingiz uchun tashakkur.Siz foydalanayotgan brauzer versiyasi cheklangan CSS-ni qo'llab-quvvatlaydi.Eng yaxshi natijalarga erishish uchun brauzeringizning yangiroq versiyasidan foydalanishni tavsiya qilamiz (yoki Internet Explorer-da moslik rejimini o'chirib qo'ying).Ayni paytda, doimiy qo'llab-quvvatlashni ta'minlash uchun biz saytni uslubsiz yoki JavaScriptsiz ko'rsatmoqdamiz.
Tishlar inson tanasi yoshining eng aniq ko'rsatkichi hisoblanadi va ko'pincha sud-tibbiyotda yoshni baholashda qo'llaniladi.Biz 18 yillik chegarani baholashning aniqligi va tasniflash ko'rsatkichlarini an'anaviy usullar va ma'lumotlar qazib olishga asoslangan yosh hisob-kitoblari bilan taqqoslash orqali ma'lumotlar konchiligiga asoslangan stomatologik yosh taxminlarini tasdiqlashni maqsad qildik.15 yoshdan 23 yoshgacha bo‘lgan Koreya va Yaponiya fuqarolaridan jami 2657 ta panoramali rentgenogramma to‘plangan.Ular har birida 900 ta Koreya rentgenogrammasi va 857 ta yapon rentgenogrammasini o'z ichiga olgan ichki test to'plamiga bo'lingan.Biz an'anaviy usullarni tasniflashning aniqligi va samaradorligini ma'lumotlarni qazib olish modellarining test to'plamlari bilan taqqosladik.Ichki test to'plamidagi an'anaviy usulning aniqligi ma'lumotlarni yig'ish modelidan biroz yuqoriroq va farq kichik (o'rtacha mutlaq xato <0,21 yil, ildiz o'rtacha kvadrat xatosi <0,24 yil).18 yillik uzilish uchun tasniflash ko'rsatkichlari an'anaviy usullar va ma'lumotlarni qidirish modellari o'rtasida ham o'xshashdir.Shunday qilib, Koreyalik o'smirlar va yosh kattalardagi ikkinchi va uchinchi molarlarning etukligidan foydalangan holda sud-tibbiy yoshni baholashni amalga oshirishda an'anaviy usullarni ma'lumotlar qazib olish modellari bilan almashtirish mumkin.
Tish yoshini baholash sud tibbiyoti va bolalar stomatologiyasida keng qo'llaniladi.Xususan, xronologik yosh va tish rivojlanishi o'rtasidagi yuqori bog'liqlik tufayli tish rivojlanish bosqichlari bo'yicha yoshni baholash bolalar va o'smirlarning yoshini baholashning muhim mezonidir1,2,3.Biroq, yoshlar uchun tish yoshini tishlarning etukligiga qarab hisoblash o'z cheklovlariga ega, chunki uchinchi molarlar bundan mustasno, tishlarning o'sishi deyarli tugaydi.Yoshlar va o‘smirlarning yoshini aniqlashning huquqiy maqsadi ularning voyaga yetganligi to‘g‘risida aniq hisob-kitoblar va ilmiy dalillar keltirishdir.Koreyadagi o'smirlar va yoshlarning tibbiy-huquqiy amaliyotida yosh Li usuli yordamida hisoblangan va Oh va boshqalar 5 tomonidan xabar qilingan ma'lumotlarga asoslanib, 18 yil qonuniy chegarasi bashorat qilingan.
Mashinani o'rganish - bu katta hajmdagi ma'lumotlarni qayta-qayta o'rganadigan va tasniflaydigan, muammolarni mustaqil ravishda hal qiladigan va ma'lumotlarni dasturlashni boshqaradigan sun'iy intellektning (AI) bir turi.Mashinani o'rganish katta hajmdagi ma'lumotlarda foydali yashirin naqshlarni topishi mumkin6.Aksincha, ko'p mehnat talab qiladigan va ko'p vaqt talab qiladigan klassik usullar qo'lda ishlov berish qiyin bo'lgan katta hajmdagi murakkab ma'lumotlar bilan ishlashda cheklovlarga ega bo'lishi mumkin7.Shu sababli, inson xatolarini minimallashtirish va ko'p o'lchovli ma'lumotlarni samarali qayta ishlash uchun eng yangi kompyuter texnologiyalaridan foydalangan holda ko'plab tadqiqotlar olib borildi8,9,10,11,12.Xususan, tibbiy tasvirni tahlil qilishda chuqur o'rganish keng qo'llanilgan va yoshni baholashning aniqligi va samaradorligini oshirish uchun rentgenografiyani avtomatik tahlil qilish orqali yoshni aniqlashning turli usullari xabar qilingan13,14,15,16,17,18,19,20 .Masalan, Halabi va boshqalar 13 bolalar qo'llarining rentgenogrammasi yordamida skelet yoshini baholash uchun konvolyutsion neyron tarmoqlari (CNN) asosida mashinani o'rganish algoritmini ishlab chiqdilar.Ushbu tadqiqot tibbiy tasvirlarga mashinani o'rganishni qo'llaydigan modelni taklif qiladi va bu usullar diagnostika aniqligini oshirishi mumkinligini ko'rsatadi.Li va boshqalar 14 chuqur o'rganish CNN yordamida tos a'zolarining rentgenogrammalaridan yoshni taxmin qilishdi va ularni ossifikatsiya bosqichini baholashdan foydalangan holda regressiya natijalari bilan solishtirishdi.Ular chuqur o'rganish CNN modeli an'anaviy regressiya modeli bilan bir xil yoshni baholash ko'rsatkichlarini ko'rsatishini aniqladilar.Guo va boshq.ning [15] tadqiqoti dental ortofotoga asoslangan CNN texnologiyasining yoshga tolerantlik tasnifi samaradorligini baholadi va CNN modelining natijalari odamlarning yosh tasnifi ko'rsatkichlaridan yuqori ekanligini isbotladi.
Mashina o'rganish yordamida yoshni baholash bo'yicha ko'pgina tadqiqotlar chuqur o'rganish usullaridan foydalanadi13,14,15,16,17,18,19,20.Chuqur o'rganishga asoslangan yoshni baholash an'anaviy usullarga qaraganda aniqroq ekanligi xabar qilinadi.Biroq, bu yondashuv yoshni baholashning ilmiy asoslarini, masalan, hisob-kitoblarda qo'llaniladigan yosh ko'rsatkichlarini taqdim etish uchun kam imkoniyat beradi.Tekshiruvlarni kim olib borishi borasida ham huquqiy nizo bor.Shu sababli, chuqur o'rganishga asoslangan yoshni baholash ma'muriy va sud organlari tomonidan qabul qilinishi qiyin.Ma'lumotni qazib olish (DM) - bu katta hajmdagi ma'lumotlar o'rtasidagi foydali korrelyatsiyalarni aniqlash usuli sifatida nafaqat kutilgan, balki kutilmagan ma'lumotlarni ham topishi mumkin bo'lgan texnikadir6,21,22.Mashinani o'rganish ko'pincha ma'lumotlarni qazib olishda qo'llaniladi va ma'lumotlarni ishlab chiqarish ham, mashinani o'rganish ham ma'lumotlardagi naqshlarni aniqlash uchun bir xil kalit algoritmlardan foydalanadi.Tish rivojlanishi yordamida yoshni baholash imtihonchining maqsadli tishlarning etukligini baholashiga asoslanadi va bu baholash har bir maqsadli tish uchun bosqich sifatida ifodalanadi.DM stomatologik baholash bosqichi va haqiqiy yosh o'rtasidagi bog'liqlikni tahlil qilish uchun ishlatilishi mumkin va an'anaviy statistik tahlilni almashtirish potentsialiga ega.Shuning uchun, agar biz yoshni baholashda DM usullarini qo'llasak, biz yuridik javobgarlik haqida qayg'urmasdan, sud-tibbiy yoshni baholashda mashinani o'rganishni amalga oshirishimiz mumkin.Sud-tibbiyot amaliyotida qo'llaniladigan an'anaviy qo'lda ishlatiladigan usullarga va tish yoshini aniqlash uchun EBMga asoslangan usullarga mumkin bo'lgan muqobillar bo'yicha bir nechta qiyosiy tadqiqotlar nashr etilgan.Shen va boshqalar 23 DM modeli an'anaviy Camerer formulasidan ko'ra aniqroq ekanligini ko'rsatdi.Galibourg va boshqalar24 Demirdjian mezoniga ko'ra yoshni bashorat qilish uchun turli DM usullarini qo'lladilar25 va natijalar DM usuli Frantsiya aholisining yoshini baholashda Demirdjian va Willems usullaridan ustun ekanligini ko'rsatdi.
Koreyalik o'smirlar va yoshlarning stomatologik yoshini baholash uchun Lining 4-usuli Koreya sud-tibbiyot amaliyotida keng qo'llaniladi.Ushbu usul an'anaviy statistik tahlildan (masalan, ko'p regressiya) koreys sub'ektlari va xronologik yosh o'rtasidagi munosabatni o'rganish uchun foydalanadi.Ushbu tadqiqotda an'anaviy statistik usullardan foydalangan holda olingan yoshni baholash usullari "an'anaviy usullar" deb ta'riflanadi.Li usuli an'anaviy usul bo'lib, uning aniqligi Oh va boshqalar tomonidan tasdiqlangan.5;ammo Koreya sud-tibbiyot amaliyotida DM modeliga asoslangan yoshni baholashning qo'llanilishi hali ham shubhali.Bizning maqsadimiz DM modeliga asoslangan yoshni baholashning potentsial foydaliligini ilmiy jihatdan tasdiqlash edi.Ushbu tadqiqotning maqsadi (1) tish yoshini baholashda ikkita DM modelining to'g'riligini solishtirish va (2) 18 yoshli 7 DM modelini tasniflash samaradorligini an'anaviy statistik usullar yordamida olinganlar bilan solishtirish edi. va ikkala jag'ning uchinchi molarlari.
Bosqich va tish turi bo'yicha xronologik yoshning o'rtacha va standart og'ishlari onlayn qo'shimcha jadval S1 (o'quv to'plami), qo'shimcha jadval S2 (ichki test to'plami) va qo'shimcha jadval S3 (tashqi test to'plami) da ko'rsatilgan.O'quv to'plamidan olingan ichki va kuzatuvchilararo ishonchlilik uchun kappa qiymatlari mos ravishda 0,951 va 0,947 ni tashkil etdi.P qiymatlari va kappa qiymatlari uchun 95% ishonch oralig'i onlayn qo'shimcha S4 jadvalida ko'rsatilgan.Kappa qiymati Landis va Koch26 mezonlariga mos keladigan "deyarli mukammal" deb talqin qilindi.
O'rtacha mutlaq xatoni (MAE) solishtirganda, an'anaviy usul barcha jinslar va tashqi erkak testlar to'plamida ko'p qatlamli perseptron (MLP) bundan mustasno, DM modelidan biroz ustundir.Ichki MAE test to'plamidagi an'anaviy model va DM modeli o'rtasidagi farq erkaklar uchun 0,12-0,19 yil va ayollar uchun 0,17-0,21 yilni tashkil etdi.Tashqi sinov batareyasi uchun farqlar kichikroq (erkaklar uchun 0,001-0,05 yil va ayollar uchun 0,05-0,09 yil).Bundan tashqari, ildiz o'rtacha kvadrat xatosi (RMSE) an'anaviy usuldan biroz pastroq bo'lib, kichikroq farqlarga ega (erkak ichki test to'plami uchun 0,17-0,24, 0,2-0,24 va tashqi test to'plami uchun 0,03-0,07, 0,04-0,08).).MLP bir qatlamli perseptronga (SLP) qaraganda biroz yaxshiroq ishlashni ko'rsatadi, ayol tashqi test to'plami bundan mustasno.MAE va RMSE uchun tashqi testlar to'plami barcha jinslar va modellar uchun ichki test to'plamidan yuqori ball oladi.Barcha MAE va RMSE 1-jadval va 1-rasmda keltirilgan.
An'anaviy va ma'lumotlar qazib olish regressiya modellarining MAE va RMSE.O'rtacha mutlaq xato MAE, ildiz o'rtacha kvadrat xatosi RMSE, bir qatlamli perseptron SLP, ko'p qatlamli perseptron MLP, an'anaviy CM usuli.
An'anaviy va DM modellarining tasniflash ko'rsatkichlari (kesish muddati 18 yil) sezgirlik, o'ziga xoslik, ijobiy bashoratli qiymat (PPV), salbiy bashorat qilish qiymati (NPV) va qabul qiluvchining ishlash xarakteristikasi egri chizig'i ostidagi maydon (AUROC) bo'yicha ko'rsatildi. 27 (2-jadval, 2-rasm va qo'shimcha 1-rasm onlayn).Ichki sinov batareyasining sezgirligi nuqtai nazaridan an'anaviy usullar erkaklar orasida eng yaxshi va ayollar orasida yomonroq bo'ldi.Biroq, an'anaviy usullar va SD o'rtasidagi tasniflash ko'rsatkichlarining farqi erkaklar uchun 9,7% (MLP) va ayollar uchun atigi 2,4% (XGBoost).DM modellari orasida logistik regressiya (LR) ikkala jinsda ham yaxshi sezuvchanlikni ko'rsatdi.Ichki testlar to'plamining o'ziga xosligiga kelsak, to'rtta SD modeli erkaklarda, an'anaviy model esa ayollarda yaxshi natijalarga erishganligi kuzatildi.Erkaklar va ayollar uchun tasniflash ko'rsatkichlaridagi farqlar mos ravishda 13,3% (MLP) va 13,1% (MLP) ni tashkil qiladi, bu modellar orasidagi tasniflash ko'rsatkichlaridagi farq sezgirlikdan oshib ketishini ko'rsatadi.DM modellari orasida qo'llab-quvvatlovchi vektor mashinasi (SVM), qaror daraxti (DT) va tasodifiy o'rmon (RF) modellari erkaklar o'rtasida, LR modeli esa ayollar orasida eng yaxshi natija ko'rsatdi.An'anaviy model va barcha SD modellarining AUROC ko'rsatkichi 0,925 dan (erkaklar uchun k-eng yaqin qo'shni (KNN)) dan katta bo'lib, 18 yoshli namunalarni kamsitishda mukammal tasniflash ko'rsatkichlarini namoyish etdi28.Tashqi test to'plami uchun ichki test to'plamiga nisbatan sezuvchanlik, o'ziga xoslik va AUROC bo'yicha tasniflash ko'rsatkichlarida pasayish kuzatildi.Bundan tashqari, eng yaxshi va eng yomon modellarning tasniflash ko'rsatkichlari o'rtasidagi sezgirlik va o'ziga xoslikdagi farq 10% dan 25% gacha bo'lgan va ichki test to'plamidagi farqdan kattaroq edi.
18 yillik uzilish bilan an'anaviy usullar bilan solishtirganda ma'lumotlar konlarini tasniflash modellarining sezgirligi va o'ziga xosligi.KNN k eng yaqin qo'shni, SVM qo'llab-quvvatlash vektor mashinasi, LR logistik regressiya, DT qaror daraxti, RF tasodifiy o'rmon, XGB XGBoost, MLP ko'p qatlamli perceptron, an'anaviy CM usuli.
Ushbu tadqiqotning birinchi bosqichi ettita DM modelidan olingan stomatologik yoshni aniqlashning aniqligini an'anaviy regressiya yordamida olinganlar bilan solishtirish edi.MAE va RMSE ikkala jins uchun ichki test majmualarida baholandi va an'anaviy usul va DM modeli o'rtasidagi farq MAE uchun 44 dan 77 kungacha va RMSE uchun 62 dan 88 kungacha bo'lgan.Ushbu tadqiqotda an'anaviy usul biroz aniqroq bo'lsa-da, bunday kichik farq klinik yoki amaliy ahamiyatga egami degan xulosaga kelish qiyin.Ushbu natijalar shuni ko'rsatadiki, DM modelidan foydalangan holda stomatologik yoshni aniqlashning aniqligi an'anaviy usul bilan deyarli bir xil.Oldingi tadqiqotlar natijalari bilan to'g'ridan-to'g'ri taqqoslash qiyin, chunki hech qanday tadqiqot ushbu tadqiqotda bo'lgani kabi bir xil yosh oralig'ida tishlarni qayd etishning bir xil texnikasidan foydalangan holda an'anaviy statistik usullar bilan DM modellarining aniqligini taqqoslamagan.Galibourg va boshqalar 24 2 yoshdan 24 yoshgacha bo'lgan frantsuz populyatsiyasida MAE va RMSE ni ikkita an'anaviy usul (Demirjian usuli25 va Villems usuli29) va 10 DM modeli o'rtasida solishtirdilar.Ularning xabar berishicha, barcha DM modellari an'anaviy usullardan ko'ra aniqroq bo'lib, Villems va Demirdjian usullariga nisbatan MAEda 0,20 va 0,38 yil va RMSEda 0,25 va 0,47 yil farqlari bor.SD modeli va Halibourg tadqiqotida ko'rsatilgan an'anaviy usullar o'rtasidagi nomuvofiqlik ko'plab hisobotlarni hisobga oladi30,31,32,33 Demirdjian usuli tadqiqotga asoslangan frantsuz kanadaliklaridan boshqa populyatsiyalarda tish yoshini to'g'ri baholamaydi.ushbu tadqiqotda.Tai va boshqalar 34 MLP algoritmidan 1636 yilgi Xitoy ortodontik fotosuratlaridan tish yoshini bashorat qilish uchun foydalandilar va uning aniqligini Demirjian va Willems usuli natijalari bilan taqqosladilar.Ular MLP an'anaviy usullarga qaraganda yuqori aniqlikka ega ekanligini xabar qilishdi.Demirdjian usuli va an'anaviy usul o'rtasidagi farq <0,32 yil, Villems usuli esa 0,28 yil, bu hozirgi tadqiqot natijalariga o'xshash.Ushbu oldingi tadqiqotlarning natijalari24,34 ham ushbu tadqiqot natijalariga mos keladi va DM modeli va an'anaviy usulning yoshni aniqlash aniqligi o'xshashdir.Biroq, taqdim etilgan natijalarga asoslanib, biz faqat ehtiyotkorlik bilan xulosa qilishimiz mumkinki, yoshni baholash uchun DM modellaridan foydalanish oldingi qiyosiy va ma'lumotnoma tadqiqotlari yo'qligi sababli mavjud usullarni almashtirishi mumkin.Ushbu tadqiqotda olingan natijalarni tasdiqlash uchun kattaroq namunalar yordamida keyingi tadqiqotlar talab qilinadi.
Tish yoshini baholashda SD ning aniqligini sinovdan o'tkazgan tadqiqotlar orasida ba'zilari bizning tadqiqotimizga qaraganda yuqori aniqlikni ko'rsatdi.Stepanovskiy va boshqalar 35 2,7 yoshdan 20,5 yoshgacha bo'lgan 976 nafar Chexiya aholisining panoramali rentgenogrammalariga 22 SD modelini qo'llashdi va har bir modelning aniqligini sinab ko'rishdi.Ular Moorrees va boshqalar 36 tomonidan taklif qilingan tasniflash mezonlari yordamida jami 16 ta yuqori va pastki chap doimiy tishlarning rivojlanishini baholadilar.MAE 0,64 dan 0,94 yilgacha va RMSE 0,85 dan 1,27 yilgacha o'zgarib turadi, bu tadqiqotda ishlatiladigan ikkita DM modelidan ko'ra aniqroqdir.Shen va boshqalar 23 5 yoshdan 13 yoshgacha bo'lgan sharqiy Xitoy aholisida chap pastki jag'dagi etti doimiy tishning tish yoshini aniqlash uchun Cameriere usulidan foydalanganlar va uni chiziqli regressiya, SVM va RF yordamida hisoblangan yosh bilan solishtirganlar.Ular uchta DM modelining an'anaviy Cameriere formulasiga nisbatan yuqori aniqlikka ega ekanligini ko'rsatdi.Shen tadqiqotida MAE va RMSE ushbu tadqiqotda DM modelidagidan pastroq edi.Stepanovskiy va boshqalar tomonidan olib borilgan tadqiqotlarning aniqligi ortdi.35 va Shen va boshqalar.23 yoshroq sub'ektlarning o'rganish namunalariga kiritilganligi bilan bog'liq bo'lishi mumkin.Rivojlanayotgan tishlari bo'lgan ishtirokchilar uchun yosh hisob-kitoblari stomatologik rivojlanish jarayonida tishlar soni ortib borishi bilan aniqroq bo'lganligi sababli, tadqiqot ishtirokchilari yoshroq bo'lsa, natijada yoshni baholash usulining aniqligi buzilgan bo'lishi mumkin.Bundan tashqari, MLP ning yoshni baholashdagi xatosi SLP ga qaraganda bir oz kichikroq, ya'ni MLP SLP ga qaraganda aniqroqdir.MLP yoshni baholash uchun biroz yaxshiroq deb hisoblanadi, ehtimol MLP38dagi yashirin qatlamlar tufayli.Biroq, ayollarning tashqi namunasi uchun istisno mavjud (SLP 1.45, MLP 1.49).Yoshni baholashda MLP ning SLP ga qaraganda aniqroq ekanligini aniqlash qo'shimcha retrospektiv tadqiqotlarni talab qiladi.
DM modeli va an'anaviy usulning 18 yillik chegaradagi tasniflash ko'rsatkichlari ham solishtirildi.Barcha sinovdan o'tgan SD modellari va ichki test to'plamidagi an'anaviy usullar 18 yoshli namuna uchun kamsitishning amalda maqbul darajasini ko'rsatdi.Erkaklar va ayollar uchun sezuvchanlik mos ravishda 87,7% va 94,9% dan, o'ziga xoslik esa 89,3% va 84,7% dan yuqori edi.Barcha sinovdan o'tgan modellarning AUROC ko'rsatkichi ham 0,925 dan oshadi.Bizning ma'lumotlarimizga ko'ra, hech qanday tadqiqot DM modelining tish etukligiga asoslangan 18 yillik tasnifi uchun ishlashini sinovdan o'tkazmagan.Ushbu tadqiqot natijalarini panoramali rentgenogrammalarda chuqur o'rganish modellarining tasniflash ko'rsatkichlari bilan solishtirishimiz mumkin.Guo va boshq.15 ma'lum bir yosh chegarasi uchun Demirjian usuliga asoslangan CNN-ga asoslangan chuqur o'rganish modeli va qo'lda ishlatiladigan usulning tasniflash samaradorligini hisoblab chiqdi.Manuel usulning sezgirligi va o'ziga xosligi mos ravishda 87,7% va 95,5% ni tashkil etdi va CNN modelining sezgirligi va o'ziga xosligi mos ravishda 89,2% va 86,6% dan oshdi.Ular chuqur o'rganish modellari yosh chegaralarini tasniflashda qo'lda baholashning o'rnini bosishi yoki undan yuqori ishlashi mumkin degan xulosaga kelishdi.Ushbu tadqiqot natijalari shunga o'xshash tasniflash ko'rsatkichlarini ko'rsatdi;DM modellari yordamida tasniflash yoshni baholashning an'anaviy statistik usullarini almashtirishi mumkin, deb ishoniladi.Modellar orasida DM LR erkak namunasi uchun sezgirlik va ayol namunasi uchun sezgirlik va o'ziga xoslik bo'yicha eng yaxshi model edi.LR erkaklar uchun o'ziga xoslik bo'yicha ikkinchi o'rinda turadi.Bundan tashqari, LR foydalanuvchi uchun qulayroq DM35 modellaridan biri hisoblanadi va unchalik murakkab va ishlov berish qiyin.Ushbu natijalarga ko'ra, LR Koreya aholisining 18 yoshli o'smirlari uchun eng yaxshi kesilgan tasniflash modeli deb topildi.
Umuman olganda, tashqi test to'plamidagi yoshni baholash yoki tasniflashning aniqligi ichki test to'plamidagi natijalarga nisbatan past yoki pastroq edi.Ba'zi hisobotlar shuni ko'rsatadiki, Koreya aholisiga asoslangan yosh hisob-kitoblari Yaponiya aholisiga qo'llanilganda tasniflash aniqligi yoki samaradorligi pasayadi5,39 va ushbu tadqiqotda shunga o'xshash naqsh topilgan.Ushbu yomonlashuv tendentsiyasi DM modelida ham kuzatildi.Shuning uchun, tahlil jarayonida DM dan foydalanganda ham yoshni to'g'ri baholash uchun an'anaviy usullar kabi mahalliy aholi ma'lumotlaridan olingan usullarga ustunlik berish kerak5,39,40,41,42.Chuqur o'rganish modellari shunga o'xshash tendentsiyalarni ko'rsatishi mumkinmi yoki yo'qmi noaniq bo'lgani uchun, sun'iy intellekt cheklangan yoshdagi ushbu irqiy nomutanosibliklarni engib o'tishini tasdiqlash uchun an'anaviy usullar, DM modellari va bir xil namunalar bo'yicha chuqur o'rganish modellari yordamida tasniflash aniqligi va samaradorligini taqqoslash bo'yicha tadqiqotlar zarur.baholashlar.
Koreyadagi sud-tibbiy yoshni baholash amaliyotida an'anaviy usullarni DM modeliga asoslangan yoshni baholash bilan almashtirish mumkinligini ko'rsatamiz.Shuningdek, biz sud-tibbiy yoshni baholash uchun mashinani o'rganishni amalga oshirish imkoniyatini aniqladik.Shu bilan birga, aniq cheklovlar mavjud, masalan, natijalarni aniq aniqlash uchun ushbu tadqiqotda ishtirokchilar sonining etarli emasligi va ushbu tadqiqot natijalarini solishtirish va tasdiqlash uchun oldingi tadqiqotlarning yo'qligi.Kelajakda an'anaviy usullar bilan solishtirganda uning amaliy qo'llanilishini yaxshilash uchun DM tadqiqotlari ko'proq namunalar va turli xil populyatsiyalar bilan o'tkazilishi kerak.Bir nechta populyatsiyalarda yoshni baholash uchun sun'iy intellektdan foydalanishning maqsadga muvofiqligini tasdiqlash uchun DM va chuqur o'rganish modellarining tasnifi aniqligi va samaradorligini bir xil namunalardagi an'anaviy usullar bilan solishtirish bo'yicha kelajakdagi tadqiqotlar zarur.
Tadqiqotda 15 yoshdan 23 yoshgacha bo‘lgan koreys va yaponiyalik kattalardan to‘plangan 2657 ta orfografik fotosuratdan foydalanilgan.Koreya rentgenogrammasi 900 ta o'quv to'plamiga (19,42 ± 2,65 yil) va 900 ta ichki test to'plamiga (19,52 ± 2,59 yil) bo'lingan.O'quv to'plami bitta muassasada (Seul Sent-Meri kasalxonasi) to'plangan va shaxsiy testlar to'plami ikkita muassasada (Seul Milliy Universiteti stomatologiya kasalxonasi va Yonsey universiteti stomatologiya kasalxonasi) to'plangan.Shuningdek, biz tashqi test uchun boshqa aholiga asoslangan ma'lumotlardan (Ivate tibbiyot universiteti, Yaponiya) 857 rentgenogramma to'pladik.Yapon sub'ektlarining rentgenogrammasi (19,31 ± 2,60 yil) tashqi test to'plami sifatida tanlangan.Tishlarni davolash paytida olingan panoramali rentgenogrammalarda tish rivojlanish bosqichlarini tahlil qilish uchun ma'lumotlar retrospektiv tarzda to'plangan.To'plangan barcha ma'lumotlar jinsi, tug'ilgan sanasi va rentgenogramma sanasidan tashqari anonim edi.Qo'shish va istisno qilish mezonlari ilgari nashr etilgan tadqiqotlar bilan bir xil edi 4, 5.Namunaning haqiqiy yoshi rentgenogramma olingan kundan boshlab tug'ilgan sanani ayirish yo'li bilan hisoblanadi.Namuna guruhi to'qqiz yosh guruhiga bo'lingan.Yosh va jins taqsimoti 3-jadvalda ko'rsatilgan. Ushbu tadqiqot Xelsinki deklaratsiyasiga muvofiq o'tkazildi va Koreya Katolik Universitetining Seul Muqaddas Meri kasalxonasi (KC22WISI0328) institutsional ko'rib chiqish kengashi (IRB) tomonidan tasdiqlangan.Ushbu tadqiqotning retrospektiv dizayni tufayli terapevtik maqsadlarda rentgenologik tekshiruvdan o'tadigan barcha bemorlardan xabardor qilingan rozilik olish mumkin emas edi.Seul Koreya universiteti Avliyo Meri kasalxonasi (IRB) xabardor qilingan rozilik talabidan voz kechdi.
Bimaksiller ikkinchi va uchinchi molarlarning rivojlanish bosqichlari Demircan mezonlari bo'yicha baholandi25.Har bir jag'ning chap va o'ng tomonida bir xil turdagi tish topilsa, faqat bitta tish tanlangan.Agar ikkala tomonning gomologik tishlari turli xil rivojlanish bosqichlarida bo'lsa, taxminiy yoshda noaniqlikni hisobga olish uchun pastki rivojlanish bosqichiga ega tish tanlangan.O'quv majmuasidan tasodifiy tanlangan yuzta rentgenogramma ikki tajribali kuzatuvchi tomonidan tishlarning etuklik bosqichini aniqlash uchun oldindan kalibrlashdan so'ng kuzatuvchilararo ishonchliligini tekshirish uchun ball oldi.Kuzatuvchi ichidagi ishonchliligi birlamchi kuzatuvchi tomonidan uch oylik interval bilan ikki marta baholandi.
O'quv majmuasidagi har bir jag'ning ikkinchi va uchinchi molarlarining jinsi va rivojlanish bosqichi turli DM modellari bilan o'qitilgan birlamchi kuzatuvchi tomonidan baholandi va maqsadli qiymat sifatida haqiqiy yosh belgilandi.Mashinani o'rganishda keng qo'llaniladigan SLP va MLP modellari regressiya algoritmlariga qarshi sinovdan o'tkazildi.DM modeli to'rtta tishning rivojlanish bosqichlaridan foydalangan holda chiziqli funktsiyalarni birlashtiradi va bu ma'lumotlarni yoshni taxmin qilish uchun birlashtiradi.SLP eng oddiy neyron tarmoq bo'lib, yashirin qatlamlarni o'z ichiga olmaydi.SLP tugunlar orasidagi chegara uzatishga asoslangan holda ishlaydi.Regressiyadagi SLP modeli matematik jihatdan ko'p chiziqli regressiyaga o'xshaydi.SLP modelidan farqli o'laroq, MLP modeli chiziqli bo'lmagan faollashtirish funktsiyalariga ega bo'lgan bir nechta yashirin qatlamlarga ega.Bizning tajribalarimiz chiziqli bo'lmagan faollashtirish funktsiyalariga ega bo'lgan atigi 20 ta yashirin tugunli yashirin qatlamdan foydalangan.Mashinani o'rganish modelimizni o'rgatish uchun optimallashtirish usuli sifatida gradient tushishidan, yo'qotish funksiyasi sifatida MAE va RMSE dan foydalaning.Eng yaxshi olingan regressiya modeli ichki va tashqi test to'plamlariga qo'llanildi va tishlarning yoshi taxmin qilindi.
Namuna 18 yoshda yoki yo'qligini taxmin qilish uchun o'quv majmuasida to'rtta tishning etukligidan foydalanadigan tasniflash algoritmi ishlab chiqildi.Modelni yaratish uchun biz yettita vakillik mashinasini o'rganish algoritmlarini 6,43 oldik: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost va (7) MLP .LR eng keng tarqalgan tasniflash algoritmlaridan biridir44.Bu nazorat ostidagi oʻrganish algoritmi boʻlib, regressiya yordamida maʼlum toifaga mansub maʼlumotlarning 0 dan 1 gacha boʻlgan ehtimolini bashorat qiladi va maʼlumotlarni shu ehtimoldan kelib chiqib, ehtimoliyroq toifaga tegishli deb tasniflaydi;asosan ikkilik tasniflash uchun ishlatiladi.KNN eng oddiy mashina o'rganish algoritmlaridan biridir45.Yangi kirish ma'lumotlari berilganda, u mavjud to'plamga yaqin k ma'lumotni topadi va keyin ularni eng yuqori chastotali sinfga tasniflaydi.Biz hisobga olingan qo'shnilar soni uchun 3 ni o'rnatdik (k).SVM - bu ikki sinf orasidagi masofani maksimal darajaga ko'taradigan algoritm bo'lib, yadro funktsiyasidan foydalanib, chiziqli bo'shliqni maydonlar46 deb nomlangan chiziqli bo'lmagan bo'shliqqa kengaytiradi.Ushbu model uchun polinom yadrosi uchun giperparametrlar sifatida biz bias = 1, quvvat = 1 va gamma = 1 dan foydalanamiz.DT daraxt tuzilmasida qaror qabul qilish qoidalarini ifodalash orqali butun ma'lumotlar to'plamini bir nechta kichik guruhlarga bo'lish algoritmi sifatida turli sohalarda qo'llanilgan47.Model 2 ta tugun uchun minimal yozuvlar soni bilan tuzilgan va sifat o'lchovi sifatida Gini indeksidan foydalanadi.RF - bu dastlabki ma'lumotlar to'plamidan bir xil o'lchamdagi namunalarni tasodifiy ravishda bir necha marta chizish orqali har bir namuna uchun zaif klassifikatorni yaratadigan bootstrap agregatsiya usuli yordamida ishlashni yaxshilash uchun bir nechta DTlarni birlashtirgan ansambl usuli48.Tugunni ajratish mezonlari sifatida biz 100 daraxt, 10 daraxt chuqurligi, 1 minimal tugun o'lchami va Gini qo'shimcha indeksidan foydalandik.Yangi ma'lumotlarning tasnifi ko'pchilik ovoz bilan belgilanadi.XGBoost - bu o'quv ma'lumotlari sifatida oldingi modelning haqiqiy va bashorat qilingan qiymatlari o'rtasidagi xatoni oladigan va gradientlar yordamida xatoni oshiradigan usul yordamida kuchaytirish usullarini birlashtirgan algoritm.Bu yaxshi ishlashi va resurs samaradorligi, shuningdek, ortiqcha to'g'rilash funktsiyasi sifatida yuqori ishonchliligi tufayli keng qo'llaniladigan algoritmdir.Model 400 ta qo'llab-quvvatlovchi g'ildirak bilan jihozlangan.MLP - neyron tarmoq bo'lib, unda bir yoki bir nechta perseptronlar kirish va chiqish qatlamlari o'rtasida bir yoki bir nechta yashirin qatlamlar bilan bir nechta qatlamlarni tashkil qiladi38.Bundan foydalanib, siz chiziqli bo'lmagan tasnifni amalga oshirishingiz mumkin, bu erda siz kirish qatlamini qo'shsangiz va natija qiymatini olganingizda, bashorat qilingan natija qiymati haqiqiy natija qiymati bilan taqqoslanadi va xato qayta tarqaladi.Biz har bir qatlamda 20 ta yashirin neyronli yashirin qatlam yaratdik.Biz ishlab chiqqan har bir model sezgirlik, o'ziga xoslik, PPV, NPV va AUROCni hisoblash orqali tasniflash samaradorligini sinash uchun ichki va tashqi to'plamlarga qo'llanildi.Sezuvchanlik 18 yosh va undan katta deb hisoblangan namunaning 18 yosh va undan katta bo‘lgan namunaga nisbati sifatida aniqlanadi.O'ziga xoslik - 18 yoshgacha bo'lgan va 18 yoshgacha bo'lgan namunalar nisbati.
O'quv majmuasida baholangan stomatologik bosqichlar statistik tahlil uchun raqamli bosqichlarga aylantirildi.Har bir jins uchun bashoratli modellarni ishlab chiqish va yoshni baholash uchun ishlatilishi mumkin bo'lgan regressiya formulalarini olish uchun ko'p o'zgaruvchan chiziqli va logistik regressiya amalga oshirildi.Biz ushbu formulalardan ichki va tashqi testlar uchun tish yoshini baholash uchun foydalandik.4-jadvalda ushbu tadqiqotda foydalanilgan regressiya va tasniflash modellari keltirilgan.
Kuzatuvchilar ichidagi va kuzatuvchilararo ishonchliligi Koenning kappa statistikasi yordamida hisoblab chiqilgan.DM va an'anaviy regressiya modellarining to'g'riligini tekshirish uchun biz ichki va tashqi test to'plamlarining taxminiy va haqiqiy yoshlaridan foydalangan holda MAE va RMSE ni hisoblab chiqdik.Ushbu xatolar odatda model bashoratlarining to'g'riligini baholash uchun ishlatiladi.Xato qanchalik kichik bo'lsa, prognozning aniqligi shunchalik yuqori bo'ladi24.DM va an'anaviy regressiya yordamida hisoblangan ichki va tashqi test to'plamlarining MAE va RMSE ni solishtiring.An'anaviy statistikada 18 yillik kesishning tasniflash ko'rsatkichlari 2 × 2 tasodifiy jadval yordamida baholandi.Sinov to'plamining hisoblangan sezuvchanligi, o'ziga xosligi, PPV, NPV va AUROC DM tasnifi modelining o'lchangan qiymatlari bilan taqqoslandi.Ma'lumotlar ma'lumotlar xususiyatlariga qarab o'rtacha ± standart og'ish yoki raqam (%) sifatida ifodalanadi.Ikki tomonlama P qiymatlari <0,05 statistik ahamiyatga ega deb hisoblanadi.Barcha muntazam statistik tahlillar SAS 9.4 versiyasi (SAS Institute, Cary, NC) yordamida amalga oshirildi.DM regressiya modeli Python-da Keras50 2.2.4 backend va Tensorflow51 1.8.0 yordamida maxsus matematik operatsiyalar uchun amalga oshirildi.DM tasniflash modeli Waikato Knowledge Analysis Environment va Konstanz Information Miner (KNIME) 4.6.152 tahlil platformasida amalga oshirildi.
Mualliflar tadqiqot xulosalarini tasdiqlovchi ma'lumotlarni maqolada va qo'shimcha materiallarda topish mumkinligini tan oladilar.Tadqiqot davomida yaratilgan va/yoki tahlil qilingan maʼlumotlar toʻplami tegishli muallifdan asosli soʻrov boʻyicha mavjud.
Ritz-Timme, S. va boshqalar.Yoshni baholash: sud-tibbiyot amaliyotining o'ziga xos talablariga javob beradigan eng yuqori darajadagi.baynalmilallik.J. Yuridik tibbiyot.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. va Olze, A. Jinoiy ta'qib qilish maqsadida tirik sub'ektlarning sud-tibbiy yoshini baholashning hozirgi holati.Sud tibbiyoti.dori.Patologiya.1, 239–246 (2005).
Pan, J. va boshqalar.Sharqiy Xitoyda 5 yoshdan 16 yoshgacha bo'lgan bolalarning tish yoshini baholashning o'zgartirilgan usuli.klinik.Og'zaki so'rov.25, 3463–3474 (2021).
Li, SS va boshqalar. Koreyslarda ikkinchi va uchinchi molarlarning rivojlanish xronologiyasi va uni sud-tibbiy yoshni baholash uchun qo'llash.baynalmilallik.J. Yuridik tibbiyot.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY va Li, SS Koreys va yapon tillarida ikkinchi va uchinchi molarlarning etukligiga asoslangan yoshni aniqlash va 18 yillik chegarani baholashning aniqligi.PLoS ONE 17, e0271247 (2022).
Kim, JY va boshqalar.Operatsiyadan oldingi mashinani o'rganishga asoslangan ma'lumotlarni tahlil qilish OSA bilan og'rigan bemorlarda uyqu jarrohligini davolash natijalarini bashorat qilishi mumkin.fan.Hisobot 11, 14911 (2021).
Han, M. va boshqalar.Inson aralashuvisiz yoki aralashuvisiz mashinani o'rganishda yoshni aniq baholash mumkinmi?baynalmilallik.J. Yuridik tibbiyot.136, 821–831 (2022).
Khan, S. va Shaheen, M. Data Mining-dan Data Mininggacha.J.Axborot.fan.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. va Shaheen, M. WisRule: Assotsiatsiya qoidalarini qazib olish uchun birinchi kognitiv algoritm.J.Axborot.fan.https://doi.org/10.1177/01655515221108695 (2022).
Shahin M. va Abdulla U. Karm: Kontekstga asoslangan assotsiatsiya qoidalariga asoslangan an'anaviy ma'lumotlarni qazib olish.hisoblash.Matt.davom eting.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. va Habib M. Matn ma'lumotlaridan foydalangan holda chuqur o'rganishga asoslangan semantik o'xshashlikni aniqlash.xabar bering.texnologiyalar.boshqaruv.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. va Shahin, M. Sport videolaridagi faoliyatni aniqlash tizimi.multimedia.Asboblar ilovalari https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS va boshqalar.Bolalar suyak yoshida RSNA mashinasini o'rganish muammosi.Radiologiya 290, 498–503 (2019).
Li, Y. va boshqalar.Chuqur o'rganish yordamida tos a'zolarining rentgenogrammasidan sud-tibbiy yoshni baholash.EVRO.radiatsiya.29, 2322–2329 (2019).
Guo, YC va boshqalar.Orfografik proyeksiya tasvirlaridan qo'lda usullar va chuqur konvolyutsion neyron tarmoqlari yordamida aniq yosh tasnifi.baynalmilallik.J. Yuridik tibbiyot.135, 1589–1597 (2021).
Alabama Dalora va boshqalar.Mashinani o'rganishning turli usullaridan foydalangan holda suyak yoshini baholash: tizimli adabiyotlarni ko'rib chiqish va meta-tahlil.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. va Yang, J. konus-nurli kompyuter tomografiyasi yordamida birinchi molarlarning pulpa kamerasi hajmiga asoslangan afro-amerikaliklar va xitoylarning populyatsiyaga xos yoshini baholash.baynalmilallik.J. Yuridik tibbiyot.136, 811–819 (2022).
Kim S., Li YH, Noh YK, Park FK va Oh KS Birinchi molarlarning sun'iy intellektga asoslangan tasvirlari yordamida tirik odamlarning yosh guruhlarini aniqlash.fan.Hisobot 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. va Urschler, M. Ko'p o'zgaruvchan MRI ma'lumotlaridan avtomatik yoshni baholash va ko'pchilik yosh tasnifi.IEEE J. Biomed.Salomatlik haqida ogohlantirishlar.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. va Li, G. Chuqur o'rganish va darajadagi to'plamlarni birlashtirish orqali konus nurli kompyuter tomografiyasidan birinchi molarlarning 3D pulpa kamerasi segmentatsiyasiga asoslangan yoshni baholash.baynalmilallik.J. Yuridik tibbiyot.135, 365–373 (2021).
Wu, WT va boshqalar.Klinik katta ma'lumotlarda ma'lumotlarni qazib olish: umumiy ma'lumotlar bazalari, qadamlar va usullar modellari.Dunyo.dori.manba.8, 44 (2021).
Yang, J. va boshqalar.Katta ma'lumotlar davrida tibbiy ma'lumotlar bazalari va ma'lumotlarni qazib olish texnologiyalariga kirish.J. Avid.Asosiy tibbiyot.13, 57–69 (2020).
Shen, S. va boshqalar.Mashinani o'rganish yordamida tish yoshini baholash uchun Camerer usuli.BMC Oral Health 21, 641 (2021).
Galliburg A. va boshqalar.Demirdjian staging usuli yordamida stomatologik yoshni bashorat qilish uchun turli xil mashinani o'rganish usullarini taqqoslash.baynalmilallik.J. Yuridik tibbiyot.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. va Tanner, JM. Tish yoshini baholashning yangi tizimi.xirillash.biologiya.45, 211–227 (1973).
Landis, JR va Koch, GG. Kategorik ma'lumotlar bo'yicha kuzatuvchi kelishuvining chora-tadbirlari.Biometrik 33, 159–174 (1977).
Bhattacharji S, Prakash D, Kim C, Kim XK va Choy XK.Birlamchi miya o'smalarini farqlash uchun sun'iy intellekt usullaridan foydalangan holda ikki o'lchovli magnit-rezonans tomografiyaning teksturali, morfologik va statistik tahlili.Sog'liqni saqlash ma'lumotlari.manba.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Xabar vaqti: 2024 yil 04-yanvar