Grazas por visitar Nature.com. A versión do navegador que estás a usar ten compatibilidade limitada con CSS. Para obter mellores resultados, recomendámosche que uses unha versión máis recente do teu navegador (ou que desactives o modo de compatibilidade en Internet Explorer). Mentres tanto, para garantir a compatibilidade continua, mostramos o sitio sen estilos nin JavaScript.
Os dentes considéranse o indicador máis preciso da idade do corpo humano e úsanse a miúdo na avaliación forense da idade. O noso obxectivo foi validar as estimacións da idade dental baseadas na minería de datos comparando a precisión da estimación e o rendemento da clasificación do límite 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. Dividíronse nun conxunto de adestramento, cada un con 900 radiografías coreanas, e un conxunto de probas internas que contiña 857 radiografías xaponesas. Comparamos a precisión e a eficiencia da clasificación dos métodos tradicionais cos conxuntos de probas dos 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 cuadrático medio <0,24 anos). O rendemento da clasificación para o límite de 18 anos tamén é similar entre os métodos tradicionais e os modelos de minería de datos. Así, os métodos tradicionais poden ser substituídos por modelos de minería de datos ao realizar a avaliación forense da idade utilizando a madurez dos segundos e terceiros molares en adolescentes e adultos novos coreanos.
A estimación da idade dental úsase amplamente na medicina forense e na 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 de nenos e adolescentes1,2,3. Non obstante, para os mozos, a estimación da idade dental en función da madurez dental ten as súas limitacións porque o crecemento dental está case completo, coa excepción dos terceiros molares. O propósito legal de determinar a idade dos mozos e 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 estimouse mediante o método de Lee e predixose un limiar legal de 18 anos en función dos datos reportados 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 mesma 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, recentemente realizáronse moitos estudos utilizando as últimas tecnoloxías informáticas para minimizar os erros humanos e procesar eficientemente 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 al13 desenvolveron un algoritmo de aprendizaxe automática baseado en redes neuronais convolucionais (CNN) para estimar a idade esquelética utilizando radiografías de mans de nenos. Este estudo propón un modelo que aplica a aprendizaxe automática a imaxes médicas e demostra que estes métodos poden mellorar a precisión do diagnóstico. Li et al.14 estimaron a idade a partir de imaxes de raios X pélvicos empregando unha CNN de aprendizaxe profunda e comparáronas cos resultados da regresión mediante a estimación do estadio de osificación. Descubriron que o modelo de CNN de aprendizaxe profunda mostraba o mesmo rendemento de estimación da idade que o modelo de regresión tradicional. O estudo de Guo et al. [15] avaliou o rendemento de clasificación da tolerancia á idade da tecnoloxía CNN baseándose en ortofotos dentais, e os resultados do modelo CNN demostraron que os humanos superaron o seu rendemento de clasificación por idade.
A maioría dos estudos sobre a estimación da idade mediante aprendizaxe automática empregan métodos de aprendizaxe profunda13,14,15,16,17,18,19,20. Dise que a estimación da idade baseada na aprendizaxe profunda é máis precisa que os métodos tradicionais. Non obstante, esta abordaxe ofrece poucas oportunidades para presentar a base científica das estimacións de idade, como os indicadores de idade empregados nas estimacións. Tamén existe 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 empregan 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 etapa da 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 forense da idade sen preocuparnos pola responsabilidade legal. Publicáronse varios estudos comparativos sobre posibles alternativas aos métodos manuais tradicionais empregados na práctica forense e aos 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 DM para predicir a idade segundo o criterio de Demirdjian25 e os resultados mostraron que o método DM superou os métodos de Demirdjian e Willems á hora de estimar a idade da poboación francesa.
Para estimar a idade dental de adolescentes e adultos novos coreanos, o método 4 de Lee úsase amplamente na práctica forense coreana. Este método emprega 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; non obstante, a aplicabilidade da estimación da idade baseada no modelo DM na práctica forense coreana aínda é cuestionable. O noso obxectivo foi validar cientificamente a posible utilidade da estimación da idade baseada no modelo DM. O propósito deste estudo foi (1) comparar a precisión de dous modelos DM na estimación da idade dental e (2) comparar o rendemento da clasificación de 7 modelos DM á idade de 18 anos cos obtidos mediante métodos estatísticos tradicionais. Madurez dos segundos e terceiros molares en ambas as mandíbulas.
As medias e as desviacións estándar da idade cronolóxica por estadio e tipo de dente móstranse en liña na Táboa suplementaria S1 (conxunto de adestramento), na Táboa suplementaria S2 (conxunto de probas internas) e na Táboa suplementaria S3 (conxunto de probas externas). 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 suplementaria S4 en liña. O valor kappa interpretouse como "case perfecto", de acordo cos criterios de Landis e Koch26.
Ao comparar o erro absoluto medio (MAE), o método tradicional supera lixeiramente o modelo DM para todos os xéneros e no conxunto de probas masculinas externas, coa excepción do perceptrón multicapa (MLP). A diferenza entre o modelo tradicional e o modelo DM no conxunto de probas MAE internas foi de 0,12–0,19 anos para os homes e de 0,17–0,21 anos para as mulleres. Para a batería de probas externas, as diferenzas son menores (0,001–0,05 anos para os homes e 0,05–0,09 anos para as mulleres). Ademais, o erro cuadrático medio (RMSE) é lixeiramente inferior ao do 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 externas). O MLP mostra un rendemento lixeiramente mellor que o perceptrón de capa única (SLP), agás no caso do conxunto de probas externas femininas. Para MAE e RMSE, o conxunto de probas externas obtén puntuacións máis altas que o conxunto de probas internas para todos os xéneros e modelos. Todas as MAE e RMSE móstranse na Táboa 1 e na Figura 1.
MAE e RMSE de modelos de regresión tradicionais e de minería de datos. Erro absoluto medio MAE, erro cuadrático medio RMSE, perceptrón dunha soa capa SLP, perceptrón multicapa MLP, método CM tradicional.
O rendemento da clasificación (cun límite de 18 anos) dos modelos tradicionais e DM demostrouse en termos de sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN) e área baixo a curva característica operativa do receptor (AUROC) 27 (Táboa 2, Figura 2 e Figura suplementaria 1 en liña). En termos da sensibilidade da batería de probas internas, os métodos tradicionais tiveron un mellor rendemento entre os homes e un peor entre as mulleres. Non obstante, a diferenza no rendemento da clasificación entre os métodos tradicionais e a SD é do 9,7 % para os homes (MLP) e só do 2,4 % para as mulleres (XGBoost). Entre os modelos 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 en homes, mentres que o modelo tradicional tivo un mellor rendemento en mulleres. As diferenzas no rendemento da 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 os modelos supera a sensibilidade. Entre os modelos DM, os modelos de máquina de vectores de soporte (SVM), árbore de decisión (DT) e bosque aleatorio (RF) tiveron mellores resultados entre os homes, mentres que o modelo LR tivo mellores resultados entre as mulleres. O AUROC do modelo tradicional e de todos os modelos SD foi superior a 0,925 (k-vecino máis próximo [KNN] en homes), o que demostra un excelente rendemento de clasificación á hora de discriminar mostras de 18 anos28. Para o conxunto de probas externo, houbo unha diminución no rendemento da clasificación en termos de sensibilidade, especificidade e AUROC en comparación co conxunto de probas interno. Ademais, a diferenza de sensibilidade e especificidade entre o rendemento da clasificación dos mellores e peores modelos oscilou entre o 10 % e o 25 % e foi maior que a diferenza no conxunto de probas interno.
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 de vectores de soporte SVM, regresión loxística LR, árbore de decisión DT, bosque aleatorio RF, XGB XGBoost, perceptrón multicapa MLP, método CM tradicional.
O primeiro paso neste estudo foi comparar a precisión das estimacións da idade dental obtidas a partir de sete modelos de DM coas obtidas mediante a regresión tradicional. A MAE e a RMSE avaliáronse en conxuntos de probas internas para ambos os sexos, e a diferenza entre o método tradicional e o modelo DM oscilou entre 44 e 77 días para a MAE e entre 62 e 88 días para a RMSE. Aínda que o método tradicional foi lixeiramente 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 mediante o modelo DM é case a mesma que a do método tradicional. A comparación directa cos resultados de estudos previos é difícil porque ningún estudo comparou a precisión dos modelos 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 a MAE e a RMSE entre dous métodos tradicionais (método de Demirjian25 e método de Willems29) e 10 modelos DM nunha poboación francesa de 2 a 24 anos. Informaron de que todos os modelos de 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 de Demirdjian non estima con precisión a idade dental en poboacións distintas dos francocanadenses nos que se baseou o estudo. Neste estudo. Tai et al34 utilizaron o algoritmo MLP para predicir a idade dos dentes a partir de 1636 fotografías de ortodoncia chinesa e compararon a súa precisión cos resultados do método de Demirjian e Willems. Informaron de que o MLP ten unha maior precisión que os métodos tradicionais. A diferenza entre o método de Demirdjian e o método tradicional é de <0,32 anos, e o método de Willems é de 0,28 anos, o que é similar aos resultados do presente estudo. Os resultados destes estudos previos24,34 tamén son consistentes cos resultados do presente estudo, e a precisión da estimación da idade do modelo DM e o método tradicional son similares. Non obstante, baseándonos nos resultados presentados, só podemos concluír con cautela que o uso de modelos DM para estimar a idade pode substituír os métodos existentes debido á falta de estudos previos comparativos e de referencia. Son necesarios estudos de seguimento con 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 al35 aplicaron 22 modelos de SD a radiografías panorámicas de 976 residentes checos con idades comprendidas entre os 2,7 e os 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 al36. O MAE oscila entre 0,64 e 0,94 anos e o RMSE oscila entre 0,85 e 1,27 anos, que son máis precisos que os dous modelos de DM utilizados neste estudo. Shen et al23 utilizaron o método de Cameriere para estimar a idade dental de sete dentes permanentes na mandíbula esquerda en residentes do leste da China de idades comprendidas entre os 5 e os 13 anos e comparárona coas idades estimadas mediante regresión lineal, SVM e RF. Demostraron que os tres modelos de DM teñen unha maior precisión en comparación coa fórmula tradicional de Cameriere. A MAE e a RMSE no estudo de Shen foron inferiores ás 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 para os participantes con dentes en desenvolvemento se volven 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 da MLP na estimación da idade é lixeiramente menor que o da SLP, o que significa que a MLP é máis precisa que a SLP. A MLP considérase lixeiramente mellor para a estimación da idade, posiblemente debido ás capas ocultas na MLP 38. Non obstante, hai unha excepción para a mostra externa de mulleres (SLP 1,45, MLP 1,49). O achado de que a MLP é máis precisa que a SLP para avaliar a idade require estudos retrospectivos adicionais.
Tamén se comparou o rendemento da clasificación do modelo DM e o método tradicional nun limiar de 18 anos. Todos os modelos SD e métodos tradicionais probados no conxunto de probas interno mostraron niveis de discriminación practicamente aceptables para a mostra de 18 anos. A sensibilidade para 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. Ata onde sabemos, ningún estudo probou o rendemento do modelo DM para a clasificación a 18 anos baseada na madurez dental. Podemos comparar os resultados deste estudo co rendemento da clasificación dos modelos de aprendizaxe profunda en radiografías panorámicas. Guo et al.15 calcularon o rendemento da clasificación dun modelo de aprendizaxe profunda baseado en CNN e un método manual baseado no método de Demirjian para un determinado limiar de idade. A sensibilidade e a especificidade do método manual foron do 87,7 % e do 95,5 %, respectivamente, e a sensibilidade e a especificidade do modelo CNN superaron 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, o DM LR foi o mellor modelo en termos de sensibilidade para a mostra masculina e de sensibilidade e especificidade para a mostra feminina. O LR ocupa o segundo lugar en especificidade para os homes. Ademais, o LR considérase un dos modelos DM35 máis fáciles de usar e é menos complexo e difícil de procesar. Con base nestes resultados, o LR considerouse o mellor modelo de clasificación de corte para mozos de 18 anos na poboación coreana.
En xeral, a precisión da estimación da idade ou o rendemento da clasificación no conxunto de probas externas foi deficiente ou menor en comparación cos resultados no conxunto de probas internas. Algúns informes indican que a precisión ou eficiencia da clasificación diminúe cando as estimacións de idade baseadas na poboación coreana se aplican á poboación xaponesa5,39, e atopouse un patrón similar no presente estudo. Esta tendencia a o deterioro tamén se observou no modelo DM. Polo tanto, para estimar con precisión a idade, mesmo cando se usa DM no proceso de análise, deberían preferirse os métodos derivados dos datos da 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, necesítanse 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 avaliacións de idade limitadas.
Demostramos que os métodos tradicionais poden ser substituídos pola estimación da idade baseada no modelo DM na práctica forense da estimación da idade en Corea. Tamén descubrimos a posibilidade de implementar a aprendizaxe automática para a avaliación forense da idade. Non obstante, existen limitacións claras, 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 un 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, necesítanse estudos futuros para comparar a precisión e a eficiencia da clasificación dos modelos DM e de aprendizaxe profunda cos métodos tradicionais nas mesmas mostras.
O estudo empregou 2.657 fotografías ortográficas recollidas de adultos coreanos e xaponeses de entre 15 e 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 recolleuse nunha institución (o Hospital St. Mary's de Seúl) e o conxunto de probas propias recolleuse en dúas institucións (o Hospital Odontológico da Universidade Nacional de Seúl e o Hospital Odontológico da Universidade de Yonsei). 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 etapas do desenvolvemento dental nas radiografías panorámicas tomadas durante o tratamento dental. Todos os datos recollidos foron anónimos, agás o xénero, a data de nacemento e a data da radiografía. Os criterios de inclusión e exclusión foron os mesmos que nos estudos publicados anteriormente [4, 5]. A idade real da mostra calculouse restando a data de nacemento á data en que se tomou a radiografía. O grupo da 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 Helsinqui e foi aprobado polo Consello de Revisión Institucional (IRB) do Hospital St. Mary's 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's da Universidade de Seúl con fins terapéuticos (IRB) renunciou ao requisito de consentimento informado.
As etapas de desenvolvemento dos segundos e terceiros molares bimaxilares avaliáronse 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 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 ao chou do conxunto de adestramento para probar a fiabilidade interobservador despois da precalibración para determinar a etapa de madurez dental. A fiabilidade intraobservador avaliouse dúas veces a intervalos de tres meses polo observador principal.
O sexo e a etapa de desenvolvemento dos segundos e terceiros molares de cada mandíbula no conxunto de adestramento foron estimados por un observador primario adestrado con diferentes modelos DM, e a idade real estableceuse como valor obxectivo. Os modelos SLP e MLP, que se usan amplamente na aprendizaxe automática, probáronse con algoritmos de regresión. O modelo DM combina funcións lineais usando as etapas de desenvolvemento dos catro dentes e combina estes datos para estimar a idade. SLP é a rede neuronal máis simple 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 lineal. Os nosos experimentos usaron unha capa oculta con só 20 nodos ocultos con funcións de activación non lineal. Usamos o descenso de gradiente como método de optimización e MAE e RMSE como función de perda para adestrar o noso modelo de aprendizaxe automática. O mellor modelo de regresión obtido aplicouse aos conxuntos de probas internos e externos e estimouse a idade dos dentes.
Desenvolveuse un algoritmo de clasificación que emprega 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 emprega 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; úsase principalmente para a clasificación binaria. KNN é un dos algoritmos de aprendizaxe automática máis sinxelos45. Cando se lle dan novos datos de entrada, atopa k datos próximos ao conxunto existente e logo clasifícaos na clase coa maior frecuencia. Establecemos 3 para o número de veciños considerados (k). SVM é un algoritmo que maximiza a distancia entre dúas clases mediante o uso dunha función do núcleo para expandir o espazo lineal a un espazo non lineal chamado campos46. Para este modelo, empregamos bias = 1, power = 1 e gamma = 1 como hiperparámetros para o núcleo polinomial. A DT aplicouse en varios campos como algoritmo para dividir un conxunto de datos completo en varios subgrupos representando regras de decisión nunha estrutura de árbore47. O modelo está configurado cun número mínimo de rexistros por nodo de 2 e emprega o índice de Gini como medida de calidade. A RF é un método de conxunto que combina varias DT para mellorar o rendemento empregando 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. Empregamos 100 árbores, 10 profundidades de árbore, 1 tamaño mínimo de nodo 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 empregando un método que toma como datos de adestramento o erro entre os valores reais e os previstos do modelo anterior e aumenta o erro empregando gradientes49. É un algoritmo amplamente utilizado debido ao seu bo rendemento e eficiencia de recursos, así como á súa alta fiabilidade como función de corrección de sobreaxuste. O modelo está equipado con 400 rodas de soporte. O MLP é unha rede neuronal na que un ou máis perceptróns forman varias capas cunha ou máis capas ocultas entre as capas de entrada e saída38. Con isto, pódese realizar unha clasificación non lineal na que, ao engadir unha capa de entrada e obter un valor de resultado, o valor do resultado previsto compárase co valor do resultado real e o erro propágase 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, a especificidade, o PPV, o NPV e o AUROC. A sensibilidade defínese como a proporción entre unha mostra que se estima que ten 18 anos ou máis e unha mostra que se estima que ten 18 anos ou máis. A especificidade é a proporción de mostras menores de 18 anos e as que se estima que teñen menos de 18 anos.
As etapas dentais avaliadas no conxunto de adestramento convertéronse en etapas numéricas para a súa análise estatística. Realizouse unha regresión lineal e loxística multivariante para desenvolver modelos preditivos para cada sexo e derivar fórmulas de regresión que se poidan empregar para estimar a idade. Empregamos estas fórmulas para estimar a idade dos dentes tanto para conxuntos de probas internos como externos. A táboa 4 mostra os modelos de regresión e clasificación empregados 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 a MAE e a RMSE utilizando as idades estimadas e reais dos conxuntos de probas internos e externos. Estes erros úsanse habitualmente para avaliar a precisión das predicións do modelo. Canto menor sexa o erro, maior será a precisión da previsión24. Compare a MAE e a RMSE dos conxuntos de probas internos e externos calculados mediante DM e a regresión tradicional. O rendemento da clasificación do límite de 18 anos nas estatísticas tradicionais avaliouse utilizando unha táboa de continxencia de 2 × 2. A sensibilidade, especificidade, VPP, VAN e AUROC calculados do conxunto de probas comparáronse cos valores medidos do modelo de clasificación DM. Os datos exprésanse como media ± desviación estándar ou número (%) dependendo das características dos datos. Os valores P bilaterais <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 o backend Keras50 2.2.4 e Tensorflow51 1.8.0 especificamente para operacións matemáticas. O modelo de clasificación DM implementouse no entorno de análise de coñecementos 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 a través do autor correspondente se se solicita con razoable solicitude.
Ritz-Timme, S. et al. Avaliación da idade: estado da arte para cumprir os requisitos específicos da práctica forense. Internacionalidade. J. Legal Medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. e Olze, A. Estado actual da avaliación forense da idade de suxeitos vivos con fins de procesamento penal. Forensics. Medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. Un método modificado para avaliar a idade dental en nenos de 5 a 16 anos no leste da China. clinical. Oral survey. 25, 3463–3474 (2021).
Lee, SS etc. Cronoloxía do desenvolvemento dos segundos e terceiros molares en coreanos e a súa aplicación para a avaliación forense da idade. 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 e outros. A análise de datos preoperatoria baseada na aprendizaxe automática pode predicir o resultado do tratamento da cirurxía do sono en pacientes con AOS. The Science. Report 11, 14911 (2021).
Han, M. et al. Estimación precisa da idade a partir da aprendizaxe automática con ou sen intervención humana? internacionalidade. J. Legal Medicine. 136, 821–831 (2022).
Khan, S. e Shaheen, M. Da minería de datos á minería de datos. J.Information. a ciencia. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. e Shaheen, M. WisRule: O primeiro algoritmo cognitivo para a minería de regras de asociación. J.Information. 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. calculate. Matt. continue. 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. Tecnoloxías da información. 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. Ferramentas e aplicacións https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. O desafío da aprendizaxe automática da RSNA na idade ósea pediátrica. Radiology 290, 498–503 (2019).
Li, Y. et al. Estimación forense da idade a partir de radiografías pélvicas mediante aprendizaxe profunda. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Clasificación precisa da idade mediante métodos manuais e redes neuronais convolucionais profundas a partir de imaxes de proxección ortográfica. Internationality. J. Legal Medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimación da idade ósea mediante diferentes métodos de aprendizaxe automática: unha revisión sistemática da literatura e 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. internationality. J. Legal medicine. 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 de primeiros molares baseadas en intelixencia artificial. The Science. Report 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 multivariantes. IEEE J. Biomed. Health Alerts. 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 de tomografía computarizada de feixe cónico mediante a integración de aprendizaxe profunda e conxuntos de niveis. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT e outros. Minería de datos en macrodatos clínicos: bases de datos, pasos e modelos de métodos comúns. World. Medicine. Resource. 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 aprendizaxe automática. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Comparación de diferentes métodos de aprendizaxe automática para predicir a idade dental usando o método de estadificación de Demirdjian. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. e Tanner, JM Un novo sistema para avaliar a idade dental. snort. biology. 45, 211–227 (1973).
Landis, JR e Koch, GG Medidas de concordancia entre observadores en datos categóricos. Biometrics 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. Recurso de información sanitaria. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Data de publicación: 04-01-2024