Grazas por visitar Nature.com.A versión do navegador que estás a usar ten soporte CSS limitado.Para obter os mellores resultados, recomendamos utilizar unha versión máis recente do seu navegador (ou desactivar o modo de compatibilidade en Internet Explorer).Mentres tanto, para garantir a asistencia continua, mostramos o sitio sen estilo nin JavaScript.
Os dentes considéranse o indicador máis preciso da idade do corpo humano e úsanse a miúdo na avaliación da idade forense.Pretendemos validar as estimacións de idade dental baseadas na minería de datos comparando a precisión da estimación e o rendemento da clasificación do limiar de 18 anos cos métodos tradicionais e as estimacións de idade baseadas na minería de datos.Recolléronse un total de 2657 radiografías panorámicas de cidadáns coreanos e xaponeses de 15 a 23 anos.Dividironse nun conxunto de adestramento, cada un contén 900 radiografías coreanas, e un conxunto de probas internos que contén 857 radiografías xaponesas.Comparamos a precisión e a eficiencia da clasificación dos métodos tradicionais con conxuntos de proba de modelos de minería de datos.A precisión do método tradicional no conxunto de probas internas é lixeiramente superior á do modelo de minería de datos e a diferenza é pequena (erro absoluto medio <0,21 anos, erro cadrado medio <0,24 anos).O rendemento da clasificación para o corte de 18 anos tamén é similar entre os métodos tradicionais e os modelos de minería de datos.Así, os métodos tradicionais poden substituírse por modelos de minería de datos cando se realiza a avaliación da idade forense utilizando a madurez dos segundos e terceiros molares en adolescentes e adultos novos coreanos.
A estimación da idade dental é amplamente utilizada en medicina forense e odontoloxía pediátrica.En particular, debido á alta correlación entre a idade cronolóxica e o desenvolvemento dental, a avaliación da idade por etapas de desenvolvemento dental é un criterio importante para avaliar a idade dos nenos e adolescentes1,2,3.Non obstante, para os mozos, estimar a idade dental en función da madurez dental ten as súas limitacións porque o crecemento dental é case completo, con excepción dos terceiros molares.A finalidade legal da determinación da idade dos mozos e dos adolescentes é proporcionar estimacións precisas e evidencia científica de se alcanzaron a maioría de idade.Na práctica médico-legal de adolescentes e adultos novos en Corea, a idade foi estimada mediante o método de Lee e un limiar legal de 18 anos foi previsto en base aos datos informados por Oh et al 5 .
A aprendizaxe automática é un tipo de intelixencia artificial (IA) que aprende e clasifica repetidamente grandes cantidades de datos, resolve problemas por si só e impulsa a programación de datos.A aprendizaxe automática pode descubrir patróns ocultos útiles en grandes volumes de datos6.Pola contra, os métodos clásicos, que requiren moito traballo e tempo, poden ter limitacións ao tratar con grandes volumes de datos complexos que son difíciles de procesar manualmente7.Polo tanto, moitos estudos realizáronse recentemente utilizando as tecnoloxías informáticas máis recentes para minimizar os erros humanos e procesar de forma eficiente datos multidimensionais8,9,10,11,12.En particular, a aprendizaxe profunda utilizouse amplamente na análise de imaxes médicas e informouse de varios métodos para a estimación da idade mediante a análise automática de radiografías para mellorar a precisión e a eficiencia da estimación da idade13,14,15,16,17,18,19,20. .Por exemplo, Halabi et al 13 desenvolveron un algoritmo de aprendizaxe automática baseado en redes neuronais convolucionais (CNN) para estimar a idade esquelética mediante radiografías das mans dos nenos.Este estudo propón un modelo que aplica a aprendizaxe automática ás imaxes médicas e demostra que estes métodos poden mellorar a precisión do diagnóstico.Li et al14 estimaron a idade a partir de imaxes de raios X pélvicos mediante unha CNN de aprendizaxe profunda e comparáronos cos resultados da regresión mediante a estimación da fase de osificación.Descubriron que o modelo CNN de aprendizaxe profunda mostrou o mesmo rendemento de estimación de idade que o modelo de regresión tradicional.O estudo de Guo et al. [15] avaliou o rendemento da clasificación da tolerancia á idade da tecnoloxía CNN baseada en ortofotos dentais, e os resultados do modelo CNN demostraron que os humanos superaron o seu rendemento na clasificación de idade.
A maioría dos estudos sobre a estimación da idade mediante a aprendizaxe automática empregan métodos de aprendizaxe profunda13,14,15,16,17,18,19,20.A estimación da idade baseada na aprendizaxe profunda é máis precisa que os métodos tradicionais.Non obstante, este enfoque ofrece poucas oportunidades para presentar a base científica das estimacións de idade, como os indicadores de idade utilizados nas estimacións.Tamén hai unha disputa legal sobre quen realiza as inspeccións.Polo tanto, a estimación da idade baseada na aprendizaxe profunda é difícil de aceptar polas autoridades administrativas e xudiciais.A minería de datos (DM) é unha técnica que pode descubrir non só información esperada senón tamén inesperada como método para descubrir correlacións útiles entre grandes cantidades de datos6,21,22.A aprendizaxe automática úsase a miúdo na minería de datos, e tanto a minería de datos como a aprendizaxe automática usan os mesmos algoritmos clave para descubrir patróns nos datos.A estimación da idade mediante o desenvolvemento dental baséase na avaliación do examinador da madurez dos dentes obxectivo, e esta avaliación exprésase como unha etapa para cada dente obxectivo.A DM pódese usar para analizar a correlación entre a fase de avaliación dental e a idade real e ten o potencial de substituír a análise estatística tradicional.Polo tanto, se aplicamos técnicas de DM á estimación da idade, podemos implementar a aprendizaxe automática na estimación da idade forense sen preocuparnos pola responsabilidade legal.Publicáronse varios estudos comparativos sobre posibles alternativas aos métodos manuais tradicionais utilizados na práctica forense e métodos baseados en EBM para determinar a idade dental.Shen et al23 demostraron que o modelo DM é máis preciso que a fórmula tradicional de Camerer.Galibourg et al24 aplicaron diferentes métodos de DM para predicir a idade segundo o criterio de Demirdjian25 e os resultados mostraron que o método de DM superou aos métodos de Demirdjian e Willems na estimación da idade da poboación francesa.
Para estimar a idade dental dos adolescentes e adultos novos coreanos, o método 4 de Lee úsase amplamente na práctica forense coreana.Este método utiliza a análise estatística tradicional (como a regresión múltiple) para examinar a relación entre os suxeitos coreanos e a idade cronolóxica.Neste estudo, os métodos de estimación da idade obtidos mediante métodos estatísticos tradicionais defínense como "métodos tradicionais".O método de Lee é un método tradicional, e a súa precisión foi confirmada por Oh et al.5;con todo, a aplicabilidade da estimación da idade baseada no modelo DM na práctica forense coreana aínda é cuestionable.O noso obxectivo era validar cientificamente a utilidade potencial da estimación da idade baseada no modelo DM.O propósito deste estudo foi (1) comparar a precisión de dous modelos de DM na estimación da idade dental e (2) comparar o rendemento de clasificación de 7 modelos de DM á idade de 18 anos cos obtidos mediante métodos estatísticos tradicionais. e terceiros molares en ambas mandíbulas.
As medias e as desviacións estándar da idade cronolóxica por estadio e tipo de dente móstranse en liña na táboa complementaria S1 (conxunto de adestramento), na táboa complementaria S2 (conxunto de probas internos) e na táboa complementaria S3 (conxunto de probas externos).Os valores kappa para a fiabilidade intra e interobservador obtidos do conxunto de adestramento foron 0,951 e 0,947, respectivamente.Os valores P e os intervalos de confianza do 95% para os valores kappa móstranse na táboa complementaria en liña S4.O valor kappa interpretouse como "case perfecto", coherente cos criterios de Landis e Koch26.
Ao comparar o erro absoluto medio (MAE), o método tradicional supera lixeiramente ao modelo DM para todos os xéneros e no conxunto de probas masculinas externas, con excepción do perceptrón multicapa (MLP).A diferenza entre o modelo tradicional e o modelo DM no conxunto de probas MAE interna foi de 0,12-0,19 anos para os homes e de 0,17-0,21 anos para as mulleres.Para a batería de proba externa, as diferenzas son menores (0,001–0,05 anos para os homes e 0,05–0,09 anos para as mulleres).Ademais, o erro cadrado medio (RMSE) é lixeiramente inferior ao método tradicional, con diferenzas menores (0,17–0,24, 0,2–0,24 para o conxunto de probas internas masculinas e 0,03–0,07, 0,04–0,08 para o conxunto de probas externos).).MLP mostra un rendemento lixeiramente mellor que Single Layer Perceptron (SLP), excepto no caso do conxunto de probas externas femininas.Para MAE e RMSE, o conxunto de probas externas obtén unha puntuación superior ao conxunto de probas internas para todos os xéneros e modelos.Todos os MAE e RMSE móstranse na táboa 1 e na figura 1.
MAE e RMSE dos modelos de regresión tradicionais e de minería de datos.Erro absoluto medio MAE, erro cadrado medio RMSE, perceptrón de capa única SLP, perceptrón multicapa MLP, método tradicional CM.
Demostrouse o rendemento da clasificación (cun límite de 18 anos) dos modelos tradicionais e DM en termos de sensibilidade, especificidade, valor preditivo positivo (PPV), valor predictivo negativo (NPV) e área baixo a curva característica de operación do receptor (AUROC). 27 (Táboa 2, Figura 2 e Figura 1 complementaria en liña).En canto á sensibilidade da batería de proba interna, os métodos tradicionais tiveron un mellor rendemento entre os homes e peor entre as mulleres.Non obstante, a diferenza no rendemento de clasificación entre os métodos tradicionais e SD é do 9,7% para os homes (MLP) e só do 2,4% para as mulleres (XGBoost).Entre os modelos de DM, a regresión loxística (LR) mostrou unha mellor sensibilidade en ambos os sexos.En canto á especificidade do conxunto de probas internas, observouse que os catro modelos SD tiveron un bo rendemento nos machos, mentres que o modelo tradicional obtivo un mellor rendemento nas femias.As diferenzas no rendemento de clasificación para homes e mulleres son do 13,3% (MLP) e do 13,1% (MLP), respectivamente, o que indica que a diferenza no rendemento da clasificación entre modelos supera a sensibilidade.Entre os modelos DM, os modelos de máquina vector de apoio (SVM), árbore de decisión (DT) e bosque aleatorio (RF) tiveron un mellor rendemento entre os machos, mentres que o modelo LR obtivo o mellor rendemento entre as femias.O AUROC do modelo tradicional e de todos os modelos SD foi superior a 0,925 (k-veciño máis próximo (KNN) en homes), demostrando un excelente rendemento de clasificación nas mostras discriminantes de 18 anos28.Para o conxunto de probas externas, houbo unha diminución no rendemento da clasificación en termos de sensibilidade, especificidade e AUROC en comparación co conxunto de probas internas.Ademais, a diferenza de sensibilidade e especificidade entre o rendemento da clasificación dos mellores e dos peores modelos variou do 10% ao 25% e foi maior que a diferenza no conxunto de probas internas.
Sensibilidade e especificidade dos modelos de clasificación de minería de datos en comparación cos métodos tradicionais cun límite de 18 anos.KNN k veciño máis próximo, máquina vectorial de soporte SVM, regresión loxística LR, árbore de decisión DT, bosque aleatorio RF, XGB XGBoost, perceptron multicapa MLP, método CM tradicional.
O primeiro paso deste estudo foi comparar a precisión das estimacións da idade dental obtidas a partir de sete modelos de DM coas obtidas mediante a regresión tradicional.MAE e RMSE avaliáronse en conxuntos de probas internas para ambos sexos, e a diferenza entre o método tradicional e o modelo DM variou de 44 a 77 días para MAE e de 62 a 88 días para RMSE.Aínda que o método tradicional foi un pouco máis preciso neste estudo, é difícil concluír se unha diferenza tan pequena ten significado clínico ou práctico.Estes resultados indican que a precisión da estimación da idade dental usando o modelo DM é case a mesma que a do método tradicional.A comparación directa cos resultados de estudos anteriores é difícil porque ningún estudo comparou a precisión dos modelos de DM cos métodos estatísticos tradicionais utilizando a mesma técnica de rexistro de dentes no mesmo rango de idade que neste estudo.Galibourg et al24 compararon MAE e RMSE entre dous métodos tradicionais (método Demirjian25 e método Willems29) e 10 modelos de DM nunha poboación francesa de 2 a 24 anos.Informaron de que todos os modelos DM eran máis precisos que os métodos tradicionais, con diferenzas de 0,20 e 0,38 anos en MAE e de 0,25 e 0,47 anos en RMSE en comparación cos métodos de Willems e Demirdjian, respectivamente.A discrepancia entre o modelo SD e os métodos tradicionais mostrada no estudo de Halibourg ten en conta numerosos informes30,31,32,33 de que o método Demirdjian non estima con precisión a idade dental en poboacións distintas dos franceses canadenses nos que se baseou o estudo.neste estudo.Tai et al 34 utilizaron o algoritmo MLP para predicir a idade dos dentes a partir de 1636 fotografías de ortodoncia chinesas e compararon a súa precisión cos resultados do método Demirjian e Willems.Informaron de que o MLP ten maior precisión que os métodos tradicionais.A diferenza entre o método Demirdjian e o método tradicional é <0,32 anos, e o método Willems é de 0,28 anos, o que é semellante aos resultados do presente estudo.Os resultados destes estudos anteriores24,34 tamén son consistentes cos resultados do presente estudo, e a precisión da estimación da idade do modelo DM e do método tradicional son similares.Non obstante, en base aos resultados presentados, só podemos concluír con cautela que o uso de modelos de DM para estimar a idade pode substituír os métodos existentes debido á falta de estudos anteriores comparativos e de referencia.Son necesarios estudos de seguimento que utilicen mostras máis grandes para confirmar os resultados obtidos neste estudo.
Entre os estudos que probaron a precisión da SD na estimación da idade dental, algúns mostraron unha maior precisión que o noso estudo.Stepanovsky et al 35 aplicaron 22 modelos SD a radiografías panorámicas de 976 residentes checos con idades comprendidas entre 2,7 e 20,5 anos e probaron a precisión de cada modelo.Avaliaron o desenvolvemento dun total de 16 dentes permanentes superiores e inferiores esquerdos utilizando os criterios de clasificación propostos por Moorrees et al 36 .O MAE varía de 0,64 a 0,94 anos e o RMSE varía de 0,85 a 1,27 anos, que son máis precisos que os dous modelos DM utilizados neste estudo.Shen et al23 utilizaron o método Cameriere para estimar a idade dental de sete dentes permanentes na mandíbula esquerda en residentes de China oriental de 5 a 13 anos e comparárono coas idades estimadas mediante regresión lineal, SVM e RF.Demostraron que os tres modelos DM teñen unha maior precisión en comparación coa fórmula tradicional de Cameriere.O MAE e o RMSE no estudo de Shen foron inferiores aos do modelo DM neste estudo.O aumento da precisión dos estudos de Stepanovsky et al.35 e Shen et al.23 pode deberse á inclusión de suxeitos máis novos nas súas mostras de estudo.Dado que as estimacións de idade dos participantes con dentes en desenvolvemento fanse máis precisas a medida que o número de dentes aumenta durante o desenvolvemento dental, a precisión do método de estimación da idade resultante pode verse comprometida cando os participantes do estudo son máis novos.Ademais, o erro de MLP na estimación da idade é lixeiramente menor que o de SLP, o que significa que o MLP é máis preciso que o SLP.O MLP considérase un pouco mellor para a estimación da idade, posiblemente debido ás capas ocultas do MLP38.Non obstante, hai unha excepción para a mostra externa de mulleres (SLP 1,45, MLP 1,49).O descubrimento de que o MLP é máis preciso que o SLP para avaliar a idade require estudos retrospectivos adicionais.
Tamén se comparou o rendemento de clasificación do modelo DM e do método tradicional nun limiar de 18 anos.Todos os modelos SD probados e os métodos tradicionais no conxunto de probas internos mostraron niveis de discriminación practicamente aceptables para a mostra de 18 anos.A sensibilidade en homes e mulleres foi superior ao 87,7% e ao 94,9%, respectivamente, e a especificidade foi superior ao 89,3% e ao 84,7%.O AUROC de todos os modelos probados tamén supera 0,925.Segundo o noso coñecemento, ningún estudo probou o rendemento do modelo DM para a clasificación de 18 anos baseada na madurez dental.Podemos comparar os resultados deste estudo co rendemento de clasificación dos modelos de aprendizaxe profunda en radiografías panorámicas.Guo et al.15 calcularon o rendemento de clasificación dun modelo de aprendizaxe profunda baseado na CNN e dun método manual baseado no método de Demirjian para un determinado limiar de idade.A sensibilidade e especificidade do método manual foron do 87,7% e do 95,5%, respectivamente, e a sensibilidade e especificidade do modelo CNN superou o 89,2% e o 86,6%, respectivamente.Concluíron que os modelos de aprendizaxe profunda poden substituír ou superar a avaliación manual na clasificación dos limiares de idade.Os resultados deste estudo mostraron un rendemento de clasificación similar;Crese que a clasificación mediante modelos DM pode substituír os métodos estatísticos tradicionais para a estimación da idade.Entre os modelos, DM LR foi o mellor modelo en termos de sensibilidade para a mostra masculina e sensibilidade e especificidade para a mostra feminina.LR ocupa o segundo lugar en especificidade para homes.Ademais, LR considérase un dos modelos DM35 máis fáciles de usar e é menos complexo e difícil de procesar.En base a estes resultados, LR considerouse o mellor modelo de clasificación de corte para mozos de 18 anos da poboación coreana.
En xeral, a precisión da estimación da idade ou o rendemento da clasificación no conxunto de probas externas foi pobre ou inferior en comparación cos resultados do conxunto de probas internas.Algúns informes indican que a precisión ou a eficiencia da clasificación diminúe cando se aplican as estimacións de idade baseadas na poboación coreana á poboación xaponesa5,39, e no presente estudo atopouse un patrón similar.Esta tendencia de deterioro tamén se observou no modelo DM.Polo tanto, para estimar con precisión a idade, mesmo cando se utiliza DM no proceso de análise, deberían preferirse métodos derivados de datos de poboación nativa, como os métodos tradicionais5,39,40,41,42.Dado que non está claro se os modelos de aprendizaxe profunda poden mostrar tendencias similares, son necesarios estudos que comparen a precisión e a eficiencia da clasificación utilizando métodos tradicionais, modelos DM e modelos de aprendizaxe profunda nas mesmas mostras para confirmar se a intelixencia artificial pode superar estas disparidades raciais en idades limitadas.avaliacións.
Demostramos que os métodos tradicionais poden substituírse pola estimación da idade baseada no modelo DM na práctica de estimación da idade forense en Corea.Tamén descubrimos a posibilidade de implementar a aprendizaxe automática para a avaliación da idade forense.Non obstante, existen claras limitacións, como o número insuficiente de participantes neste estudo para determinar definitivamente os resultados, e a falta de estudos previos para comparar e confirmar os resultados deste estudo.No futuro, os estudos de DM deberían realizarse con maior número de mostras e poboacións máis diversas para mellorar a súa aplicabilidade práctica en comparación cos métodos tradicionais.Para validar a viabilidade do uso da intelixencia artificial para estimar a idade en múltiples poboacións, son necesarios estudos futuros para comparar a precisión e eficiencia da clasificación dos modelos de DM e aprendizaxe profunda cos métodos tradicionais nas mesmas mostras.
O estudo utilizou 2.657 fotografías ortográficas recollidas de adultos coreanos e xaponeses de 15 a 23 anos.As radiografías coreanas dividíronse en 900 conxuntos de adestramento (19,42 ± 2,65 anos) e 900 conxuntos de probas internas (19,52 ± 2,59 anos).O conxunto de adestramento foi recollido nunha institución (Seoul St. Mary's Hospital) e o propio conxunto de probas foi recollido en dúas institucións (Seoul National University Dental Hospital e Yonsei University Dental Hospital).Tamén recollemos 857 radiografías doutros datos baseados na poboación (Universidade Médica de Iwate, Xapón) para probas externas.Seleccionáronse radiografías de suxeitos xaponeses (19,31 ± 2,60 anos) como conxunto de probas externas.Os datos recolléronse retrospectivamente para analizar as fases do desenvolvemento dental nas radiografías panorámicas tomadas durante o tratamento dental.Todos os datos recollidos foron anónimos agás o sexo, a data de nacemento e a data da radiografía.Os criterios de inclusión e exclusión foron os mesmos que os estudos publicados anteriormente 4 , 5 .A idade real da mostra calculouse restando a data de nacemento da data na que se tomou a radiografía.O grupo mostra dividiuse en nove grupos de idade.As distribucións por idade e sexo móstranse na Táboa 3. Este estudo realizouse de acordo coa Declaración de Helsinki e foi aprobado pola Xunta de Revisión Institucional (IRB) do Hospital St. Mary de Seúl da Universidade Católica de Corea (KC22WISI0328).Debido ao deseño retrospectivo deste estudo, non se puido obter o consentimento informado de todos os pacientes sometidos a un exame radiográfico con fins terapéuticos.O Hospital St. Mary da Universidade de Seúl Corea (IRB) renunciou ao requisito de consentimento informado.
Avaliáronse as fases de desenvolvemento dos segundos e terceiros molares bimaxilares segundo os criterios de Demircan25.Só se seleccionou un dente se se atopaba o mesmo tipo de dente nos lados esquerdo e dereito de cada mandíbula.Se os dentes homólogos de ambos os dous lados estaban en diferentes etapas de desenvolvemento, seleccionouse o dente coa etapa de desenvolvemento máis baixa para ter en conta a incerteza na idade estimada.Dous observadores experimentados puntuaron cen radiografías seleccionadas aleatoriamente do conxunto de adestramento para probar a fiabilidade entre observadores despois da precalibración para determinar o estadio de madurez dental.A fiabilidade intraobservador foi avaliada dúas veces a intervalos de tres meses polo observador principal.
O sexo e o estadio de desenvolvemento dos segundos e terceiros molares de cada mandíbula do conxunto de adestramento foron estimados por un observador primario adestrado con diferentes modelos de DM, e estableceuse a idade real como valor obxectivo.Probáronse os modelos SLP e MLP, que son amplamente utilizados na aprendizaxe automática, contra algoritmos de regresión.O modelo DM combina funcións lineais utilizando as etapas de desenvolvemento dos catro dentes e combina estes datos para estimar a idade.SLP é a rede neuronal máis sinxela e non contén capas ocultas.SLP funciona baseándose na transmisión de limiar entre nodos.O modelo SLP na regresión é matematicamente similar á regresión lineal múltiple.A diferenza do modelo SLP, o modelo MLP ten varias capas ocultas con funcións de activación non lineais.Os nosos experimentos utilizaron unha capa oculta con só 20 nós ocultos con funcións de activación non lineais.Use o descenso de gradientes como método de optimización e MAE e RMSE como función de perda para adestrar o noso modelo de aprendizaxe automática.Aplicouse o modelo de regresión mellor obtido aos conxuntos de probas internas e externas e estimouse a idade dos dentes.
Desenvolveuse un algoritmo de clasificación que utiliza a madurez de catro dentes no conxunto de adestramento para predicir se unha mostra ten 18 anos ou non.Para construír o modelo, derivamos sete algoritmos de aprendizaxe automática de representación6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost e (7) MLP. .LR é un dos algoritmos de clasificación máis utilizados44.É un algoritmo de aprendizaxe supervisada que utiliza a regresión para predicir a probabilidade de que os datos pertenzan a unha determinada categoría de 0 a 1 e clasifica os datos como pertencentes a unha categoría máis probable en función desta probabilidade;usado principalmente para a clasificación binaria.KNN é un dos algoritmos de aprendizaxe automática máis sinxelos45.Cando se lle proporcionan novos datos de entrada, atopa k datos próximos ao conxunto existente e despois clasifícaos na clase coa frecuencia máis alta.Establecemos 3 para o número de veciños considerados (k).SVM é un algoritmo que maximiza a distancia entre dúas clases utilizando unha función do núcleo para expandir o espazo lineal nun espazo non lineal chamado campos46.Para este modelo, usamos polarización = 1, potencia = 1 e gamma = 1 como hiperparámetros para o núcleo polinómico.A DT aplicouse en varios campos como un algoritmo para dividir un conxunto de datos completo en varios subgrupos representando regras de decisión nunha estrutura en árbore47.O modelo está configurado cun número mínimo de rexistros por nodo de 2 e utiliza o índice de Gini como medida de calidade.RF é un método de conxunto que combina varios DT para mellorar o rendemento mediante un método de agregación bootstrap que xera un clasificador débil para cada mostra extraendo aleatoriamente mostras do mesmo tamaño varias veces do conxunto de datos orixinal48.Usamos 100 árbores, 10 profundidades de árbores, 1 tamaño de nodo mínimo e o índice de mestura de Gini como criterios de separación de nodos.A clasificación dos novos datos determínase por maioría de votos.XGBoost é un algoritmo que combina técnicas de impulso mediante un método que toma como datos de adestramento o erro entre os valores reais e previstos do modelo anterior e aumenta o erro mediante gradientes49.É un algoritmo moi utilizado debido ao seu bo rendemento e á eficiencia dos recursos, así como á alta fiabilidade como función de corrección de sobreajuste.O modelo está equipado con 400 rodas de apoio.MLP é unha rede neuronal na que un ou máis perceptrons forman varias capas cunha ou máis capas ocultas entre as capas de entrada e saída38.Usando isto, pode realizar unha clasificación non lineal onde, cando engade unha capa de entrada e obtén un valor de resultado, o valor do resultado previsto se compara co valor do resultado real e o erro se propaga de volta.Creamos unha capa oculta con 20 neuronas ocultas en cada capa.Cada modelo que desenvolvemos aplicouse a conxuntos internos e externos para probar o rendemento da clasificación calculando a sensibilidade, especificidade, PPV, VPN e AUROC.A sensibilidade defínese como a relación entre unha mostra estimada en 18 anos ou máis e unha mostra estimada en 18 anos ou máis.A especificidade é a proporción de mostras menores de 18 anos e as que se estima que son menores de 18 anos.
As etapas dentais avaliadas no conxunto de formación convertéronse en etapas numéricas para a análise estatística.Realizáronse regresión lineal e loxística multivariada para desenvolver modelos preditivos para cada sexo e derivar fórmulas de regresión que se poidan utilizar para estimar a idade.Usamos estas fórmulas para estimar a idade dos dentes para os conxuntos de probas internas e externas.A táboa 4 mostra os modelos de regresión e clasificación utilizados neste estudo.
A fiabilidade intra e interobservador calculouse mediante a estatística kappa de Cohen.Para probar a precisión dos modelos de regresión DM e tradicionais, calculamos MAE e RMSE utilizando as idades estimadas e reais dos conxuntos de probas internas e externas.Estes erros úsanse habitualmente para avaliar a precisión das predicións do modelo.Canto menor sexa o erro, maior será a precisión da previsión24.Compare o MAE e o RMSE dos conxuntos de probas internos e externos calculados mediante DM e regresión tradicional.O desempeño da clasificación do corte de 18 anos nas estatísticas tradicionais avaliouse mediante unha táboa de continxencia 2 × 2.Comparáronse a sensibilidade, especificidade, PPV, NPV e AUROC calculadas do conxunto de probas cos valores medidos do modelo de clasificación DM.Os datos exprésanse como media ± desviación estándar ou número (%) dependendo das características dos datos.Os valores de P a dúas caras <0,05 consideráronse estatisticamente significativos.Todas as análises estatísticas de rutina realizáronse utilizando SAS versión 9.4 (SAS Institute, Cary, NC).O modelo de regresión DM implementouse en Python usando Keras50 2.2.4 backend e Tensorflow51 1.8.0 especificamente para operacións matemáticas.O modelo de clasificación DM implementouse no entorno de análise de coñecemento de Waikato e na plataforma de análise Konstanz Information Miner (KNIME) 4.6.152.
Os autores recoñecen que os datos que apoian as conclusións do estudo pódense atopar no artigo e nos materiais complementarios.Os conxuntos de datos xerados e/ou analizados durante o estudo están dispoñibles do autor correspondente previa solicitude razoable.
Ritz-Timme, S. et al.Avaliación da idade: estado da técnica para cumprir os requisitos específicos da práctica forense.internacionalidade.J. Medicina legal.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. e Olze, A. Estado actual da avaliación da idade forense dos suxeitos vivos para fins de persecución penal.Forense.medicina.Patoloxía.1, 239–246 (2005).
Pan, J. et al.Un método modificado para avaliar a idade dental dos nenos de 5 a 16 anos no leste de China.clínica.Enquisa oral.25, 3463–3474 (2021).
Lee, SS, etc. Cronoloxía do desenvolvemento dos segundos e terceiros molares en coreanos e a súa aplicación para a avaliación da idade forense.internacionalidade.J. Medicina legal.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY e Lee, SS Precisión da estimación da idade e estimación do limiar de 18 anos baseada na madurez dos segundos e terceiros molares en coreanos e xaponeses.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.A análise de datos baseada na aprendizaxe automática preoperatoria pode predecir o resultado do tratamento da cirurxía do sono en pacientes con SAOS.a ciencia.Informe 11, 14911 (2021).
Han, M. et al.Estimación precisa da idade a partir da aprendizaxe automática con ou sen intervención humana?internacionalidade.J. Medicina legal.136, 821–831 (2022).
Khan, S. e Shaheen, M. From Data Mining to Data Mining.J.Información.a ciencia.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. e Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J.Información.a ciencia.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. e Abdullah U. Karm: minería de datos tradicional baseada en regras de asociación baseadas no contexto.calcular.Matt.continuar.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. e Habib M. Detección de semellanza semántica baseada na aprendizaxe profunda mediante datos de texto.informar.tecnoloxías.control.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. e Shahin, M. Un sistema para recoñecer a actividade en vídeos deportivos.multimedia.Aplicacións de ferramentas https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Machine Learning Challenge na Idade Ósea Pediátrica.Radioloxía 290, 498–503 (2019).
Li, Y. et al.Estimación da idade forense a partir de raios X pélvicos mediante a aprendizaxe profunda.EURO.radiación.29, 2322–2329 (2019).
Guo, YC, et al.Clasificación de idade precisa mediante métodos manuais e redes neuronais convolucionais profundas a partir de imaxes de proxección ortográfica.internacionalidade.J. Medicina legal.135, 1589–1597 (2021).
Alabama Dalora et al.Estimación da idade ósea mediante diferentes métodos de aprendizaxe automática: unha revisión sistemática da literatura e unha metaanálise.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. e Yang, J. Estimación da idade específica da poboación de afroamericanos e chineses baseada nos volumes da cámara pulpar dos primeiros molares mediante tomografía computarizada de feixe cónico.internacionalidade.J. Medicina legal.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK e Oh KS Determinación de grupos de idade de persoas vivas mediante imaxes baseadas en intelixencia artificial dos primeiros molares.a ciencia.Informe 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. e Urschler, M. Estimación automática da idade e clasificación da maioría de idade a partir de datos de resonancia magnética multivariada.IEEE J. Biomed.Alertas sanitarias.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. e Li, G. Estimación da idade baseada na segmentación 3D da cámara pulpar dos primeiros molares a partir da tomografía computarizada de feixe cónico integrando a aprendizaxe profunda e conxuntos de niveis.internacionalidade.J. Medicina legal.135, 365–373 (2021).
Wu, WT, et al.Minería de datos en big data clínica: bases de datos comúns, pasos e modelos de métodos.mundo.medicina.recurso.8, 44 (2021).
Yang, J. et al.Introdución ás bases de datos médicas e ás tecnoloxías de minería de datos na era do Big Data.J. Avid.Medicina básica.13, 57–69 (2020).
Shen, S. et al.Método de Camerer para estimar a idade dos dentes mediante a aprendizaxe automática.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Comparación de diferentes métodos de aprendizaxe automática para predecir a idade dental mediante o método de estadificación Demirdjian.internacionalidade.J. Medicina legal.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. e Tanner, JM Un novo sistema para avaliar a idade dental.bufar.bioloxía.45, 211–227 (1973).
Landis, JR, e Koch, GG Medidas de acordo de observadores sobre datos categóricos.Biometría 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK e Choi HK.Análise textural, morfolóxica e estatística de imaxes de resonancia magnética bidimensional mediante técnicas de intelixencia artificial para a diferenciación de tumores cerebrais primarios.Información sanitaria.recurso.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Hora de publicación: Xaneiro-04-2024