Nature.com saytiga tashrif buyurganingiz uchun tashakkur. Siz foydalanayotgan brauzer versiyasida CSS qo'llab-quvvatlashi cheklangan. Eng yaxshi natijalarga erishish uchun brauzeringizning yangi versiyasidan foydalanishni tavsiya qilamiz (yoki Internet Explorer-da moslik rejimini o'chirib qo'ying). Shu bilan birga, doimiy qo'llab-quvvatlashni ta'minlash uchun biz saytni uslublarsiz yoki JavaScriptsiz ko'rsatmoqdamiz.
Tishlar inson tanasi yoshining eng aniq ko'rsatkichi hisoblanadi va ko'pincha sud-tibbiy yoshni baholashda qo'llaniladi. Biz 18 yosh chegarasining taxminiy aniqligi va tasniflash ko'rsatkichlarini an'anaviy usullar va ma'lumotlar qazib olishga asoslangan yosh taxminlari bilan taqqoslash orqali ma'lumotlarni qazib olishga asoslangan tish yoshi taxminlarini tasdiqlashni maqsad qilgan edik. 15 yoshdan 23 yoshgacha bo'lgan koreys va yapon fuqarolaridan jami 2657 ta panoramik rentgenografiya to'plandi. Ular har biri 900 ta koreys rentgenografiyasini o'z ichiga olgan o'quv to'plamiga va 857 ta yapon rentgenografiyasini o'z ichiga olgan ichki sinov to'plamiga bo'lingan. Biz an'anaviy usullarning tasniflash aniqligi va samaradorligini ma'lumotlarni qazib olish modellarining sinov to'plamlari bilan taqqosladik. Ichki sinov to'plamidagi an'anaviy usulning aniqligi ma'lumotlarni qazib olish modeliga qaraganda biroz yuqoriroq va farq kichik (o'rtacha mutlaq xato <0,21 yil, o'rtacha kvadrat xato <0,24 yil). 18 yillik chegara uchun tasniflash ko'rsatkichlari an'anaviy usullar va ma'lumotlarni qazib olish modellari o'rtasida ham o'xshash. Shunday qilib, koreys o'smirlari va yosh kattalarida ikkinchi va uchinchi molarlarning yetukligidan foydalangan holda sud-tibbiy yoshni baholashda an'anaviy usullarni ma'lumotlarni 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 korrelyatsiya tufayli, tish rivojlanish bosqichlari bo'yicha yoshni baholash bolalar va o'smirlarning yoshini baholash uchun muhim mezon hisoblanadi1,2,3. Biroq, yoshlar uchun tish yoshini tish yetukligiga qarab baholashning cheklovlari bor, chunki uchinchi molarlar bundan mustasno, tish o'sishi deyarli to'liq. Yoshlar va o'smirlarning yoshini aniqlashning huquqiy maqsadi ularning voyaga yetganligi haqida aniq taxminlar va ilmiy dalillarni taqdim etishdir. Koreyadagi o'smirlar va yosh kattalarning tibbiy-huquqiy amaliyotida yosh Li usuli yordamida baholandi va Oh va boshqalar tomonidan xabar qilingan ma'lumotlar asosida 18 yoshlik huquqiy chegara bashorat qilindi5.
Mashinada o'qitish - bu katta hajmdagi ma'lumotlarni qayta-qayta o'rganadigan va tasniflaydigan, muammolarni mustaqil ravishda hal qiladigan va ma'lumotlarni dasturlashni boshqaradigan sun'iy intellekt (AI) turi. Mashinada o'qitish katta hajmdagi ma'lumotlarda foydali yashirin naqshlarni kashf etishi mumkin6. Aksincha, mehnat talab qiladigan va vaqt talab qiladigan klassik usullar qo'lda qayta ishlash qiyin bo'lgan katta hajmdagi murakkab ma'lumotlar bilan ishlashda cheklovlarga ega bo'lishi mumkin7. Shuning uchun yaqinda inson xatolarini minimallashtirish va ko'p o'lchovli ma'lumotlarni samarali qayta ishlash uchun eng so'nggi kompyuter texnologiyalaridan foydalangan holda ko'plab tadqiqotlar o'tkazildi8,9,10,11,12. Xususan, chuqur o'rganish tibbiy tasvirlarni tahlil qilishda keng qo'llanilgan va rentgenografiyalarni avtomatik tahlil qilish orqali yoshni baholashning turli usullari yoshni baholashning aniqligi va samaradorligini oshirishi haqida xabar berilgan13,14,15,16,17,18,19,20. Masalan, Halabi va boshqalar 13 bolalar qo'llarining rentgenografiyalari yordamida skelet yoshini baholash uchun konvolyutsion neyron tarmoqlariga (CNN) asoslangan mashinada o'rganish algoritmini ishlab chiqdilar. Ushbu tadqiqot mashinaviy o'rganishni tibbiy tasvirlarga qo'llaydigan modelni taklif qiladi va bu usullar diagnostika aniqligini oshirishi mumkinligini ko'rsatadi. Li va boshqalar14 chuqur o'rganish CNN yordamida tos suyagi rentgen tasvirlaridan yoshni baholadilar va ularni suyaklanish bosqichini baholash yordamida regressiya natijalari bilan taqqosladilar. Ular chuqur o'rganish CNN modeli an'anaviy regressiya modeli bilan bir xil yoshni baholash ko'rsatkichini ko'rsatganligini aniqladilar. Guo va boshqalarning tadqiqoti [15] stomatologik ortofotosuratlarga asoslangan CNN texnologiyasining yoshga bardoshlik tasnifi ko'rsatkichini baholadi va CNN modeli natijalari odamlar uning yoshga oid tasniflash ko'rsatkichlaridan ustun ekanligini isbotladi.
Mashinada 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 haqida xabar berilgan. Biroq, bu yondashuv yoshni baholash uchun ilmiy asoslarni, masalan, baholashda ishlatiladigan yosh ko'rsatkichlarini taqdim etish uchun kam imkoniyat yaratadi. Tekshiruvlarni kim o'tkazishi borasida ham huquqiy nizo mavjud. Shuning uchun, chuqur o'rganishga asoslangan yoshni baholashni ma'muriy va sud organlari tomonidan qabul qilish qiyin. Ma'lumotlarni qazib olish (DM) - bu nafaqat kutilgan, balki kutilmagan ma'lumotlarni ham katta hajmdagi ma'lumotlar o'rtasidagi foydali korrelyatsiyalarni aniqlash usuli sifatida aniqlash mumkin bo'lgan usul6,21,22. Mashinada o'rganish ko'pincha ma'lumotlarni qazib olishda qo'llaniladi va ma'lumotlarni qazib olish ham, mashinada o'rganish ham ma'lumotlardagi naqshlarni aniqlash uchun bir xil asosiy algoritmlardan foydalanadi. Tish rivojlanishi yordamida yoshni baholash tekshiruvchining maqsadli tishlarning yetukligini baholashiga asoslanadi va bu baholash har bir maqsadli tish uchun bosqich sifatida ifodalanadi. DM tishni baholash bosqichi va haqiqiy yosh o'rtasidagi korrelyatsiyani tahlil qilish uchun ishlatilishi mumkin va an'anaviy statistik tahlilni almashtirish imkoniyatiga ega. Shuning uchun, agar biz yoshni baholashda DM texnikasini qo'llasak, sud-tibbiy yoshni baholashda mashinaviy o'rganishni yuridik javobgarlik haqida qayg'urmasdan amalga oshirishimiz mumkin. Sud-tibbiy amaliyotida qo'llaniladigan an'anaviy qo'lda qo'llaniladigan usullarga va tish yoshini aniqlash uchun EBMga asoslangan usullarga mumkin bo'lgan alternativalar bo'yicha bir nechta qiyosiy tadqiqotlar nashr etilgan. Shen va boshqalar23 DM modeli an'anaviy Camerer formulasiga qaraganda aniqroq ekanligini ko'rsatdilar. Galibourg va boshqalar24 Demirdjian mezoniga muvofiq yoshni bashorat qilish uchun turli xil DM usullarini qo'lladilar25 va natijalar shuni ko'rsatdiki, DM usuli Fransiya aholisining yoshini baholashda Demirdjian va Villems usullaridan ustun turadi.
Koreyalik o'smirlar va yosh kattalarning tish yoshini baholash uchun Li usuli 4 Koreya sud-tibbiy amaliyotida keng qo'llaniladi. Ushbu usul koreys subyektlari va xronologik yosh o'rtasidagi bog'liqlikni o'rganish uchun an'anaviy statistik tahlildan (masalan, ko'p regressiya) foydalanadi. Ushbu tadqiqotda an'anaviy statistik usullar yordamida 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-tibbiy 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 aniqligini taqqoslash va (2) 18 yoshdagi 7 ta DM modelining tasniflash ko'rsatkichlarini an'anaviy statistik usullar yordamida olinganlar bilan taqqoslash edi. Ikkala jag'dagi ikkinchi va uchinchi molarlarning etukligi.
Bosqich va tish turi bo'yicha xronologik yoshning o'rtacha qiymatlari va standart og'ishlari S1 qo'shimcha jadvalida (mashqlar to'plami), S2 qo'shimcha jadvalida (ichki testlar to'plami) va S3 qo'shimcha jadvalida (tashqi testlar to'plami) onlayn ko'rsatilgan. Mashqlar to'plamidan olingan kuzatuvchi ichidagi va kuzatuvchilararo ishonchlilik uchun kappa qiymatlari mos ravishda 0,951 va 0,947 ni tashkil etdi. Kappa qiymatlari uchun P qiymatlari va 95% ishonch oraliqlari onlayn qo'shimcha S4 jadvalida ko'rsatilgan. Kappa qiymati Landis va Koch26 mezonlariga muvofiq "deyarli mukammal" deb talqin qilindi.
O'rtacha absolyut xatoni (MAE) taqqoslashda, an'anaviy usul barcha jinslar uchun va tashqi erkak test to'plamida DM modelidan biroz ustun turadi, ko'p qatlamli perseptron (MLP) bundan mustasno. Ichki MAE test to'plamida 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 test batareyasi uchun farqlar kichikroq (erkaklar uchun 0,001–0,05 yil va ayollar uchun 0,05–0,09 yil). Bundan tashqari, o'rtacha kvadrat xato (RMSE) an'anaviy usulga qaraganda biroz pastroq, kichikroq farqlar bilan (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, ayol tashqi test to'plamidan tashqari, bitta qatlamli perseptronga (SLP) qaraganda biroz yaxshiroq ishlashni ko'rsatadi. MAE va RMSE uchun tashqi test to'plami barcha jinslar va modellar uchun ichki test to'plamidan yuqori ball oladi. Barcha MAE va RMSE 1-jadval va 1-rasmda ko'rsatilgan.
An'anaviy va ma'lumotlarni qidirish regressiya modellarining MAE va RMSE. O'rtacha absolyut xato MAE, o'rtacha kvadrat xato RMSE, bir qatlamli perseptron SLP, ko'p qatlamli perseptron MLP, an'anaviy CM usuli.
An'anaviy va DM modellarining tasniflash samaradorligi (18 yillik chegara bilan) sezgirlik, o'ziga xoslik, ijobiy bashorat qiymati (PPV), salbiy bashorat qiymati (NPV) va qabul qiluvchining operatsion xarakteristikasi egri chizig'i ostidagi maydon (AUROC) 27 (2-jadval, 2-rasm va 1-qo'shimcha rasm onlayn) nuqtai nazaridan namoyish etildi. Ichki sinov batareyasining sezgirligi nuqtai nazaridan an'anaviy usullar erkaklar orasida eng yaxshi, ayollar orasida esa yomonroq natija ko'rsatdi. Biroq, an'anaviy usullar va SD o'rtasidagi tasniflash samaradorligidagi farq erkaklar uchun 9,7% (MLP) va ayollar uchun atigi 2,4% (XGBoost) ni tashkil qiladi. DM modellari orasida logistik regressiya (LR) ikkala jinsda ham yaxshiroq sezgirlikni ko'rsatdi. Ichki sinov to'plamining o'ziga xosligiga kelsak, to'rtta SD modeli erkaklarda yaxshi, an'anaviy model esa ayollarda yaxshiroq natija ko'rsatgani kuzatildi. Erkaklar va ayollar uchun tasniflash samaradorligidagi farqlar mos ravishda 13,3% (MLP) va 13,1% (MLP) ni tashkil etadi, bu modellar orasidagi tasniflash samaradorligidagi farq sezgirlikdan oshib ketishini ko'rsatadi. DM modellari orasida qo'llab-quvvatlash vektor mashinasi (SVM), qaror daraxti (DT) va tasodifiy o'rmon (RF) modellari erkaklar orasida eng yaxshi natijalarni ko'rsatdi, LR modeli esa ayollar orasida eng yaxshi natijalarni ko'rsatdi. An'anaviy model va barcha SD modellarining AUROC ko'rsatkichi 0,925 dan yuqori edi (erkaklarda k-eng yaqin qo'shni (KNN)), bu 18 yoshli namunalarni ajratishda ajoyib tasniflash ko'rsatkichini namoyish etdi28. Tashqi sinov to'plami uchun ichki sinov to'plamiga nisbatan sezgirlik, o'ziga xoslik va AUROC jihatidan 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 sinov to'plamidagi farqdan kattaroq edi.
18 yillik chegara bilan an'anaviy usullar bilan taqqoslaganda ma'lumotlarni qazib olish tasniflash modellarining sezgirligi va o'ziga xosligi. KNN k eng yaqin qo'shnisi, SVM qo'llab-quvvatlash vektor mashinasi, LR logistik regressiyasi, DT qaror daraxti, RF tasodifiy o'rmon, XGB XGBoost, MLP ko'p qatlamli perseptron, an'anaviy CM usuli.
Ushbu tadqiqotning birinchi bosqichi yettita DM modelidan olingan tish yoshi taxminlarining aniqligini an'anaviy regressiya yordamida olingan taxminlar bilan taqqoslash edi. MAE va RMSE ikkala jins uchun ham ichki test to'plamlarida baholandi va an'anaviy usul bilan DM modeli o'rtasidagi farq MAE uchun 44 kundan 77 kungacha va RMSE uchun 62 kundan 88 kungacha bo'lgan. Ushbu tadqiqotda an'anaviy usul biroz aniqroq bo'lsa-da, bunday kichik farqning klinik yoki amaliy ahamiyati bor-yo'qligini xulosa qilish qiyin. Bu natijalar DM modelidan foydalangan holda tish yoshini baholashning aniqligi an'anaviy usul bilan deyarli bir xil ekanligini ko'rsatadi. Avvalgi tadqiqotlar natijalari bilan to'g'ridan-to'g'ri taqqoslash qiyin, chunki hech bir tadqiqot DM modellarining aniqligini ushbu tadqiqotdagi kabi bir xil yosh oralig'ida tishlarni qayd etish texnikasidan foydalangan holda an'anaviy statistik usullar bilan taqqoslamagan. Galibourg va boshqalar24 2 yoshdan 24 yoshgacha bo'lgan fransuz aholisida ikkita an'anaviy usul (Demirjian usuli25 va Willems usuli29) va 10 ta DM modeli o'rtasida MAE va RMSE ni taqqosladilar. Ular barcha DM modellari an'anaviy usullarga qaraganda aniqroq ekanligini, Willems va Demirdjian usullariga nisbatan MAE da mos ravishda 0,20 va 0,38 yil, RMSE da esa 0,25 va 0,47 yil farqlar bilan aniqroq ekanligini xabar qilishdi. Haliburg tadqiqotida ko'rsatilgan SD modeli va an'anaviy usullar o'rtasidagi tafovut, ushbu tadqiqotda Demirdjian usuli tadqiqot asoslangan fransuz kanadaliklaridan tashqari boshqa populyatsiyalarda tish yoshini aniq baholamasligi haqidagi ko'plab xabarlarni hisobga oladi. Tai va boshqalar 34 1636 ta xitoy ortodontik fotosuratlaridan tish yoshini bashorat qilish uchun MLP algoritmidan foydalangan va uning aniqligini Demirdjian va Willems usuli natijalari bilan taqqoslagan. Ular MLP an'anaviy usullarga qaraganda yuqori aniqlikka ega ekanligini xabar qilishdi. Demirdjian usuli va an'anaviy usul o'rtasidagi farq <0,32 yil, Willems usuli esa 0,28 yil, bu esa ushbu tadqiqot natijalariga o'xshash. Ushbu avvalgi tadqiqotlar natijalari24,34 ham ushbu tadqiqot natijalariga mos keladi va DM modeli va an'anaviy usulning yoshni baholash aniqligi o'xshash. Biroq, taqdim etilgan natijalarga asoslanib, biz faqat ehtiyotkorlik bilan xulosa qilishimiz mumkinki, yoshni baholash uchun DM modellaridan foydalanish oldingi qiyosiy va ma'lumotnoma tadqiqotlarining yo'qligi sababli mavjud usullarni almashtirishi mumkin. Ushbu tadqiqotda olingan natijalarni tasdiqlash uchun kattaroq namunalardan foydalangan holda keyingi tadqiqotlar zarur.
Tish yoshini baholashda SD aniqligini sinab ko'rgan tadqiqotlar orasida ba'zilari bizning tadqiqotimizga qaraganda yuqori aniqlikni ko'rsatdi. Stepanovskiy va boshqalar 35 2,7 yoshdan 20,5 yoshgacha bo'lgan 976 Chexiya aholisining panoramik rentgenografiyalariga 22 ta SD modelini qo'lladilar va har bir modelning aniqligini sinab ko'rdilar. Ular Moorrees va boshqalar 36 tomonidan taklif qilingan tasniflash mezonlaridan foydalanib, jami 16 ta yuqori va pastki chap doimiy tishlarning rivojlanishini baholadilar. MAE 0,64 dan 0,94 yoshgacha va RMSE 0,85 dan 1,27 yoshgacha bo'lgan, bu ushbu tadqiqotda ishlatilgan ikkita DM modeliga qaraganda aniqroq. Shen va boshqalar 23 Sharqiy Xitoy aholisining 5 yoshdan 13 yoshgacha bo'lgan chap jag'dagi yettita doimiy tishning tish yoshini baholash uchun Cameriere usulidan foydalangan va uni chiziqli regressiya, SVM va RF yordamida hisoblangan yosh bilan taqqoslagan. Ular uchta DM modelining barchasi an'anaviy Cameriere formulasiga nisbatan yuqori aniqlikka ega ekanligini ko'rsatdilar. Shen tadqiqotidagi MAE va RMSE ushbu tadqiqotdagi DM modelidagilarga qaraganda pastroq edi. Stepanovskiy va boshqalar 35 va Shen va boshqalar 23 tomonidan o'tkazilgan tadqiqotlarning aniqligining oshishi yoshroq sub'ektlarni tadqiqot namunalariga kiritish bilan bog'liq bo'lishi mumkin. Tish rivojlanishi davrida tishlar soni ortishi bilan tishlari rivojlanayotgan ishtirokchilar uchun yosh taxminlari aniqroq bo'lgani uchun, tadqiqot ishtirokchilari yoshroq bo'lganda natijada yoshni baholash usulining aniqligi pasayishi mumkin. Bundan tashqari, MLP ning yoshni baholashdagi xatosi SLP ga qaraganda biroz kichikroq, ya'ni MLP SLP ga qaraganda aniqroq. MLP yoshni baholash uchun biroz yaxshiroq deb hisoblanadi, ehtimol MLP38 dagi yashirin qatlamlar tufayli. Biroq, ayollarning tashqi namunasi uchun istisno mavjud (SLP 1.45, MLP 1.49). MLP ning yoshni baholashda SLP ga qaraganda aniqroq ekanligi qo'shimcha retrospektiv tadqiqotlarni talab qiladi.
DM modeli va an'anaviy usulning 18 yillik chegaradagi tasniflash ko'rsatkichlari ham taqqoslandi. Barcha sinovdan o'tgan SD modellari va ichki test to'plamidagi an'anaviy usullar 18 yoshli namunalar uchun deyarli maqbul darajadagi farqlashni ko'rsatdi. Erkaklar va ayollar uchun sezgirlik mos ravishda 87,7% va 94,9% dan yuqori, 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'lumotimizga ko'ra, hech bir tadqiqot DM modelining tish yetukligiga asoslangan 18 yillik tasniflash uchun ishlashini sinovdan o'tkazmagan. Biz ushbu tadqiqot natijalarini panoramali rentgenografiyalarda chuqur o'rganish modellarining tasniflash ko'rsatkichlari bilan taqqoslashimiz mumkin. Guo va boshqalar15 CNN asosidagi chuqur o'rganish modelining tasniflash ko'rsatkichlarini va Demirjian usuliga asoslangan qo'lda qo'llaniladigan usulni ma'lum bir yosh chegarasi uchun hisoblab chiqdilar. Qo'lda qo'llaniladigan usulning sezgirligi va o'ziga xosligi mos ravishda 87,7% va 95,5% ni tashkil etdi, CNN modelining sezgirligi va o'ziga xosligi esa mos ravishda 89,2% va 86,6% dan oshdi. Ular chuqur o'rganish modellari yosh chegaralarini tasniflashda qo'lda baholashni o'rnini bosishi yoki undan ustun turishi mumkin degan xulosaga kelishdi. Ushbu tadqiqot natijalari shunga o'xshash tasniflash samaradorligini ko'rsatdi; DM modellaridan foydalangan holda tasniflash yoshni baholash uchun an'anaviy statistik usullarni almashtirishi mumkin deb ishoniladi. Modellar orasida DM LR erkak namunasi uchun sezgirlik va ayol namunasi uchun sezgirlik va o'ziga xoslik jihatidan eng yaxshi model bo'ldi. LR erkaklar uchun o'ziga xoslik bo'yicha ikkinchi o'rinda turadi. Bundan tashqari, LR foydalanuvchilar uchun qulayroq DM35 modellaridan biri hisoblanadi va unchalik murakkab emas va qayta ishlash qiyin. Ushbu natijalarga asoslanib, LR Koreya aholisi orasida 18 yoshlilar uchun eng yaxshi chegaraviy tasniflash modeli deb hisoblandi.
Umuman olganda, tashqi test to'plamidagi yoshni baholash yoki tasniflash ko'rsatkichlarining aniqligi ichki test to'plamidagi natijalarga nisbatan past yoki pastroq edi. Ba'zi hisobotlarda Koreya aholisiga asoslangan yoshni baholash Yaponiya aholisiga qo'llanilganda tasniflash aniqligi yoki samaradorligi pasayishi ko'rsatilgan5,39 va ushbu tadqiqotda shunga o'xshash naqsh topilgan. Ushbu yomonlashuv tendentsiyasi DM modelida ham kuzatilgan. Shuning uchun, tahlil jarayonida DM dan foydalanganda ham yoshni aniq baholash uchun mahalliy aholi ma'lumotlaridan olingan usullar, masalan, an'anaviy usullar afzalroq bo'lishi kerak5,39,40,41,42. Chuqur o'rganish modellari shunga o'xshash tendentsiyalarni ko'rsata oladimi yoki yo'qmi noma'lum bo'lgani uchun, sun'iy intellekt cheklangan yoshdagi baholashlarda bu irqiy tafovutlarni yengib o'ta oladimi yoki yo'qligini tasdiqlash uchun bir xil namunalardagi an'anaviy usullar, DM modellari va chuqur o'rganish modellari yordamida tasniflash aniqligi va samaradorligini taqqoslaydigan tadqiqotlar zarur.
Biz 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 mashinaviy o'qitishni qo'llash imkoniyatini aniqladik. Biroq, natijalarni aniq aniqlash uchun ushbu tadqiqotda ishtirokchilar sonining yetarli emasligi va ushbu tadqiqot natijalarini taqqoslash va tasdiqlash uchun avvalgi tadqiqotlarning yo'qligi kabi aniq cheklovlar mavjud. Kelajakda DM tadqiqotlari an'anaviy usullarga nisbatan amaliy qo'llanilishini yaxshilash uchun 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 tasniflash aniqligi va samaradorligini bir xil namunalardagi an'anaviy usullar bilan taqqoslash bo'yicha kelajakdagi tadqiqotlar zarur.
Tadqiqotda 15 yoshdan 23 yoshgacha bo'lgan koreys va yapon kattalaridan to'plangan 2657 ta orfografik fotosurat ishlatilgan. Koreys rentgenografiyalari 900 ta o'quv to'plamiga (19,42 ± 2,65 yosh) va 900 ta ichki test to'plamiga (19,52 ± 2,59 yosh) bo'lingan. O'quv to'plami bitta muassasada (Seul Avliyo Meri kasalxonasi) va o'z test to'plami ikkita muassasada (Seul milliy universiteti stomatologiya kasalxonasi va Yonsei universiteti stomatologiya kasalxonasi) to'plangan. Shuningdek, biz tashqi sinov uchun boshqa populyatsiyaga asoslangan ma'lumotlardan (Iwate tibbiyot universiteti, Yaponiya) 857 ta rentgenografiyani to'pladik. Tashqi test to'plami sifatida yapon sub'ektlarining (19,31 ± 2,60 yosh) rentgenografiyalari tanlangan. Tish davolash paytida olingan panoramali rentgenografiyalarda stomatologik rivojlanish bosqichlarini tahlil qilish uchun ma'lumotlar retrospektiv ravishda to'plangan. To'plangan barcha ma'lumotlar jinsi, tug'ilgan sanasi va rentgenografiya sanasidan tashqari anonim bo'lgan. Qo'shish va chiqarib tashlash mezonlari ilgari nashr etilgan tadqiqotlar 4, 5 bilan bir xil edi. Namunaning haqiqiy yoshi rentgenografiya olingan sanadan tug'ilgan sanani ayirish yo'li bilan hisoblab chiqildi. Namuna guruhi to'qqiz yosh guruhiga bo'lingan. Yosh va jins bo'yicha taqsimot 3-jadvalda ko'rsatilgan. Ushbu tadqiqot Xelsinki deklaratsiyasiga muvofiq o'tkazildi va Koreya Katolik Universitetining Seul Avliyo Meri kasalxonasining Institutsional ko'rib chiqish kengashi (IRB) tomonidan tasdiqlandi (KC22WISI0328). Ushbu tadqiqotning retrospektiv dizayni tufayli terapevtik maqsadlar uchun rentgenologik tekshiruvdan o'tayotgan barcha bemorlardan xabardor rozilik olinmadi. Seul Koreya Universitetining Avliyo Meri kasalxonasi (IRB) xabardor rozilik talabidan voz kechdi.
Ikki jag'ning ikkinchi va uchinchi molarlarining rivojlanish bosqichlari Demircan mezonlariga muvofiq baholandi25. Agar har bir jag'ning chap va o'ng tomonlarida bir xil turdagi tish topilsa, faqat bitta tish tanlandi. Agar ikkala tomondagi gomologik tishlar turli rivojlanish bosqichlarida bo'lsa, taxminiy yoshdagi noaniqlikni hisobga olish uchun rivojlanishning pastki bosqichiga ega tish tanlandi. Tishlarning yetuklik bosqichini aniqlash uchun oldindan kalibrlashdan so'ng kuzatuvchilararo ishonchlilikni sinash uchun ikkita tajribali kuzatuvchi tomonidan o'quv to'plamidan tasodifiy tanlangan yuzta rentgenografiya baholandi. Kuzatuvchi ichidagi ishonchlilik asosiy kuzatuvchi tomonidan uch oylik interval bilan ikki marta baholandi.
Trening to'plamidagi har bir jag'ning ikkinchi va uchinchi molarlarining jinsi va rivojlanish bosqichi turli DM modellari bilan o'qitilgan asosiy kuzatuvchi tomonidan baholandi va haqiqiy yosh maqsadli qiymat sifatida belgilandi. Mashinada o'rganishda keng qo'llaniladigan SLP va MLP modellari regressiya algoritmlariga nisbatan sinovdan o'tkazildi. DM modeli to'rtta tishning rivojlanish bosqichlaridan foydalangan holda chiziqli funktsiyalarni birlashtiradi va yoshni taxmin qilish uchun bu ma'lumotlarni birlashtiradi. SLP eng oddiy neyron tarmog'i bo'lib, yashirin qatlamlarni o'z ichiga olmaydi. SLP tugunlar orasidagi chegara uzatish asosida 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 tajribalarimizda chiziqli bo'lmagan faollashtirish funktsiyalariga ega atigi 20 ta yashirin tugunli yashirin qatlam ishlatilgan. Mashinada o'rganish modelimizni o'qitish uchun gradient tushishini optimallashtirish usuli sifatida va yo'qotish funktsiyasi sifatida MAE va RMSE dan foydalaning. Eng yaxshi olingan regressiya modeli ichki va tashqi sinov to'plamlariga qo'llanildi va tishlarning yoshi taxmin qilindi.
Namuna 18 yoshda yoki yo'qligini taxmin qilish uchun o'quv to'plamidagi to'rtta tishning yetukligidan foydalanadigan tasniflash algoritmi ishlab chiqildi. Modelni yaratish uchun biz yettita vakillik mashina o'rganish algoritmlarini oldik6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost va (7) MLP. LR eng keng qo'llaniladigan tasniflash algoritmlaridan biridir44. Bu ma'lum bir toifaga tegishli ma'lumotlarning 0 dan 1 gacha bo'lgan ehtimolini bashorat qilish uchun regressiyadan foydalanadigan va ma'lumotlarni ushbu ehtimollikka asoslanib ko'proq ehtimollik toifasiga tegishli deb tasniflaydigan nazorat ostidagi o'rganish algoritmidir; asosan ikkilik tasniflash uchun ishlatiladi. KNN eng oddiy mashina o'rganish algoritmlaridan biridir45. Yangi kirish ma'lumotlari berilganda, u mavjud to'plamga yaqin k ta ma'lumotni topadi va keyin ularni eng yuqori chastotali sinfga tasniflaydi. Biz ko'rib chiqilgan qo'shnilar soni (k) uchun 3 ni o'rnatdik. SVM - bu chiziqli fazoni maydonlar deb ataladigan chiziqli bo'lmagan fazoga kengaytirish uchun yadro funktsiyasidan foydalanib, ikki sinf orasidagi masofani maksimal darajada oshiradigan algoritm46. Ushbu model uchun biz polinom yadrosi uchun giperparametrlar sifatida tarafkashlik = 1, quvvat = 1 va gamma = 1 dan foydalanamiz. DT turli sohalarda daraxt tuzilishida qaror qoidalarini ifodalash orqali butun ma'lumotlar to'plamini bir nechta kichik guruhlarga bo'lish algoritmi sifatida qo'llanilgan47. Model har bir tugun uchun minimal yozuvlar soni 2 bilan konfiguratsiya qilingan va sifat o'lchovi sifatida Gini indeksidan foydalanadi. RF - bu asl ma'lumotlar to'plamidan bir xil o'lchamdagi namunalarni bir necha marta tasodifiy ravishda tortib olish orqali har bir namuna uchun zaif klassifikatorni yaratadigan bootstrap agregatsiyasi usuli yordamida ishlashni yaxshilash uchun bir nechta DTlarni birlashtirgan ansambl usuli48. Biz tugunlarni ajratish mezonlari sifatida 100 ta daraxt, 10 ta daraxt chuqurligi, 1 ta minimal tugun hajmi va Gini aralashtirish indeksidan foydalandik. Yangi ma'lumotlarning tasnifi ko'pchilik ovoz bilan aniqlanadi. XGBoost - bu oldingi modelning haqiqiy va bashorat qilingan qiymatlari orasidagi xatoni o'qitish ma'lumotlari sifatida qabul qiladigan va gradientlar yordamida xatoni oshiradigan usul yordamida kuchaytirish texnikasini birlashtirgan algoritm49. Bu yaxshi ishlashi va resurslardan samarali foydalanishi, shuningdek, ortiqcha moslashtirish funktsiyasi sifatida yuqori ishonchliligi tufayli keng qo'llaniladigan algoritmdir. Model 400 ta qo'llab-quvvatlash g'ildiraklari bilan jihozlangan. MLP - bu bir yoki bir nechta pertseptronlar kirish va chiqish qatlamlari orasida bir yoki bir nechta yashirin qatlamlar bilan bir nechta qatlamlarni hosil qiladigan neyron tarmog'i38. Bundan foydalanib, siz chiziqli bo'lmagan tasniflashni amalga oshirishingiz mumkin, bunda kirish qatlamini qo'shganingizda va natija qiymatini olganingizda, bashorat qilingan natija qiymati haqiqiy natija qiymati bilan taqqoslanadi va xato orqaga tarqaladi. Biz har bir qatlamda 20 ta yashirin neyron bilan yashirin qatlam yaratdik. Biz ishlab chiqqan har bir model sezgirlik, o'ziga xoslik, PPV, NPV va AUROC ni hisoblash orqali tasniflash samaradorligini sinash uchun ichki va tashqi to'plamlarga qo'llanildi. Sezgirlik 18 yosh va undan katta deb taxmin qilingan namunaning 18 yosh va undan katta deb taxmin qilingan namunaga nisbati sifatida belgilanadi. O'ziga xoslik - bu 18 yoshgacha bo'lgan va 18 yoshgacha deb taxmin qilingan namunalarning nisbati.
O'quv to'plamida 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 maqsadida ko'p o'zgaruvchan chiziqli va logistik regressiya amalga oshirildi. Biz ushbu formulalardan ichki va tashqi test to'plamlari uchun tish yoshini baholash uchun foydalandik. 4-jadvalda ushbu tadqiqotda qo'llanilgan regressiya va tasniflash modellari ko'rsatilgan.
Kuzatuvchilar ichidagi va kuzatuvchilararo ishonchlilik Koenning kappa statistikasi yordamida hisoblab chiqildi. DM va an'anaviy regressiya modellarining aniqligini tekshirish uchun biz ichki va tashqi test to'plamlarining taxminiy va haqiqiy yoshidan foydalanib MAE va RMSE ni hisobladik. Bu xatolar odatda model bashoratlarining aniqligini baholash uchun ishlatiladi. Xato qanchalik kichik bo'lsa, prognozning aniqligi shuncha yuqori bo'ladi24. DM va an'anaviy regressiya yordamida hisoblangan ichki va tashqi test to'plamlarining MAE va RMSE ni taqqoslang. An'anaviy statistikada 18 yillik chegaraning tasniflash samaradorligi 2 × 2 shartli jadval yordamida baholandi. Sinov to'plamining hisoblangan sezgirligi, o'ziga xosligi, PPV, NPV va AUROC DM tasniflash modelining o'lchangan qiymatlari bilan taqqoslandi. Ma'lumotlar ma'lumotlar xususiyatlariga qarab o'rtacha ± standart og'ish yoki son (%) sifatida ifodalanadi. Ikki tomonlama P qiymatlari <0.05 statistik jihatdan ahamiyatli deb hisoblandi. Barcha muntazam statistik tahlillar SAS 9.4 versiyasi (SAS instituti, Cary, NC) yordamida amalga oshirildi. DM regressiya modeli Pythonda Keras50 2.2.4 backend va Tensorflow51 1.8.0 yordamida, xususan, 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 qo'llab-quvvatlovchi ma'lumotlarni maqolada va qo'shimcha materiallarda topish mumkinligini tan olishadi. Tadqiqot davomida yaratilgan va/yoki tahlil qilingan ma'lumotlar to'plamlari tegishli muallifdan oqilona so'rov bo'yicha olinishi mumkin.
Ritz-Timme, S. va boshqalar. Yoshni baholash: sud-tibbiyot amaliyotining aniq talablariga javob beradigan zamonaviylik. xalqarolik. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. va Olze, A. Jinoiy javobgarlikka tortish maqsadlarida tirik sub'ektlarning sud-tibbiy yoshini baholashning hozirgi holati. Sud tibbiyoti. 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'rovnoma. 25, 3463–3474 (2021).
Li, SS va boshqalar. Koreyslarda ikkinchi va uchinchi molarlarning rivojlanish xronologiyasi va uning sud-tibbiy yoshni baholashda qo'llanilishi. Xalqarolik. J. Huquqiy tibbiyot. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY va Lee, SS Koreyslar va yaponlarda ikkinchi va uchinchi molarlarning yetukligiga asoslangan yoshni aniqlash va 18 yosh chegarasini 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 jarrohligi bilan davolash natijalarini bashorat qilishi mumkin. fan. Hisobot 11, 14911 (2021).
Han, M. va boshqalar. Inson aralashuvi bilan yoki aralashuvisiz mashina o'rganishdan yoshni aniq baholash? xalqarolik. J. Legal medicine. 136, 821–831 (2022).
Xon, S. va Shaxin, M. Ma'lumotlarni qazib olishdan ma'lumotlarni qazib olishga. J. Axborot. fan. https://doi.org/10.1177/01655515211030872 (2021).
Xon, S. va Shaxin, M. WisRule: Assotsiatsiya qoidalarini qazib olish uchun birinchi kognitiv algoritm. J. Information. fan. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. va Abdulloh U. Karm: Kontekstga asoslangan assotsiatsiya qoidalariga asoslangan an'anaviy ma'lumotlarni qazib olish. hisoblash. Matto. davomi. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. va Habib M. Matn ma'lumotlari yordamida chuqur o'rganishga asoslangan semantik o'xshashlikni aniqlash. axborot texnologiyalari. boshqarish. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. va Shahin, M. Sport videolarida faollikni aniqlash tizimi. multimedia. Asboblar Ilovalar https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS va boshqalar. Bolalar suyak davrida RSNA mashina o'rganish muammosi. Radiologiya 290, 498–503 (2019).
Li, Y. va boshqalar. Chuqur o'rganish yordamida tos suyagi rentgenografiyasidan sud-tibbiy yoshni baholash. EURO. nurlanish. 29, 2322–2329 (2019).
Guo, YC va boshqalar. Ortografik proyeksiya tasvirlaridan qo'lda usullar va chuqur konvolyutsion neyron tarmoqlari yordamida aniq yosh tasnifi. xalqarolik. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora va boshqalar. Turli xil mashina o'rganish usullari yordamida suyak yoshini baholash: tizimli adabiyotlar sharhi 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 xitoyliklarning populyatsiyaga xos yoshini baholash. xalqarolik. J. Huquqiy 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. Science. Hisobot 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. va Urschler, M. Ko'p o'zgaruvchan MRT ma'lumotlaridan avtomatik yoshni baholash va ko'pchilik yoshini tasniflash. IEEE J. Biomed. Sog'liqni saqlash haqida ogohlantirishlar. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. va Li, G. Chuqur o'rganish va darajalar to'plamlarini birlashtirish orqali konus nurli kompyuter tomografiyasidan birinchi molarlarning 3D pulpa kamerasi segmentatsiyasiga asoslangan yoshni baholash. Xalqarolik. J. Huquqiy tibbiyot. 135, 365–373 (2021).
Wu, WT va boshqalar. Klinik katta ma'lumotlarda ma'lumotlarni qazib olish: umumiy ma'lumotlar bazalari, bosqichlar va usullar modellari. Jahon. tibbiyot. resurs. 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. Mashinada o'rganish yordamida tish yoshini baholash uchun Camerer usuli. BMC Oral Health 21, 641 (2021).
Galliburg A. va boshqalar. Demirdjian bosqichma-bosqich usuli yordamida tish yoshini bashorat qilish uchun turli xil mashina o'rganish usullarini taqqoslash. xalqarolik. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. va Tanner, JM Tish yoshini baholashning yangi tizimi. Snort. Biologiya. 45, 211–227 (1973).
Landis, JR va Koch, GG Kategorik ma'lumotlar bo'yicha kuzatuvchilar kelishuvining o'lchovlari. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK va Choi HK. Birlamchi miya o'smalarini differentsiatsiyalash uchun sun'iy intellekt texnikasidan foydalangan holda ikki o'lchovli magnit-rezonans tomografiyaning teksturali, morfologik va statistik tahlili. Sog'liqni saqlash haqida ma'lumot. resurs. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Joylashtirilgan vaqt: 2024-yil 4-yanvar