Asante kwa kutembelea Nature.com.Toleo la kivinjari unachotumia lina uwezo mdogo wa kutumia CSS.Kwa matokeo bora zaidi, tunapendekeza utumie toleo jipya zaidi la kivinjari chako (au kuzima hali ya uoanifu katika Internet Explorer).Wakati huo huo, ili kuhakikisha usaidizi unaoendelea, tunaonyesha tovuti bila mtindo au JavaScript.
Meno huchukuliwa kuwa kiashiria sahihi zaidi cha umri wa mwili wa binadamu na mara nyingi hutumiwa katika tathmini ya umri wa mahakama.Tulilenga kuthibitisha data ya makadirio ya umri wa meno kwa kulinganisha usahihi wa makadirio na utendaji wa uainishaji wa kiwango cha juu cha miaka 18 na mbinu za kitamaduni na makadirio ya umri kulingana na uchimbaji wa data.Jumla ya radiographs 2657 za panoramic zilikusanywa kutoka kwa raia wa Korea na Japan wenye umri wa miaka 15 hadi 23.Ziligawanywa katika seti ya mafunzo, kila moja ikiwa na radiografu 900 za Kikorea, na seti ya majaribio ya ndani yenye radiografu 857 za Kijapani.Tulilinganisha usahihi wa uainishaji na ufanisi wa mbinu za kitamaduni na seti za majaribio za miundo ya uchimbaji data.Usahihi wa mbinu ya kitamaduni kwenye seti ya majaribio ya ndani ni ya juu kidogo kuliko ile ya muundo wa uchimbaji data, na tofauti ni ndogo (maana ya hitilafu kamili
Kujifunza kwa mashine ni aina ya akili bandia (AI) ambayo hujifunza mara kwa mara na kuainisha kiasi kikubwa cha data, kutatua matatizo peke yake, na kuendesha programu za data.Kujifunza kwa mashine kunaweza kugundua mifumo iliyofichwa muhimu katika idadi kubwa ya data6.Kinyume chake, mbinu za kitamaduni, ambazo ni za nguvu kazi nyingi na zinazotumia wakati, zinaweza kuwa na mapungufu wakati wa kushughulika na idadi kubwa ya data changamano ambayo ni ngumu kuchakata kwa mikono7.Kwa hivyo, tafiti nyingi zimefanywa hivi majuzi kwa kutumia teknolojia za kisasa zaidi za kompyuta ili kupunguza makosa ya kibinadamu na kuchakata kwa ufanisi data nyingi8,9,10,11,12.Hasa, ujifunzaji wa kina umetumika sana katika uchanganuzi wa picha za kimatibabu, na mbinu mbalimbali za kukadiria umri kwa kuchambua kiotomatiki radiografu zimeripotiwa kuboresha usahihi na ufanisi wa makadirio ya umri13,14,15,16,17,18,19,20. .Kwa mfano, Halabi et al 13 walitengeneza algoriti ya kujifunza kwa mashine kulingana na mitandao ya neva (CNN) ili kukadiria umri wa mifupa kwa kutumia radiografu za mikono ya watoto.Utafiti huu unapendekeza muundo unaotumia ujifunzaji wa mashine kwa picha za matibabu na unaonyesha kuwa mbinu hizi zinaweza kuboresha usahihi wa uchunguzi.Li et al14 anakadiria umri kutoka kwa picha za X-ray ya pelvic kwa kutumia CNN ya kujifunza kwa kina na kuzilinganisha na matokeo ya rejista kwa kutumia ukadiriaji wa hatua ya ossification.Waligundua kuwa mtindo wa kujifunza kwa kina wa CNN ulionyesha utendaji sawa wa makadirio ya umri kama mtindo wa jadi wa rejista.Utafiti wa Guo et al. [15] ulitathmini utendaji wa uainishaji wa kustahimili umri wa teknolojia ya CNN kulingana na picha za meno, na matokeo ya modeli ya CNN yalithibitisha kuwa wanadamu walifanya vyema zaidi utendaji wake wa uainishaji wa umri.
Masomo mengi kuhusu ukadiriaji wa umri kwa kutumia kujifunza kwa mashine hutumia mbinu za kujifunza kwa kina13,14,15,16,17,18,19,20.Ukadiriaji wa umri kulingana na ujifunzaji wa kina unaripotiwa kuwa sahihi zaidi kuliko mbinu za jadi.Hata hivyo, mbinu hii inatoa fursa ndogo ya kuwasilisha msingi wa kisayansi wa makadirio ya umri, kama vile viashirio vya umri vinavyotumika katika makadirio.Pia kuna mzozo wa kisheria juu ya nani anayefanya ukaguzi.Kwa hiyo, makadirio ya umri kulingana na kujifunza kwa kina ni vigumu kukubalika na mamlaka ya utawala na mahakama.Uchimbaji data (DM) ni mbinu inayoweza kugundua si tu taarifa inayotarajiwa bali pia taarifa zisizotarajiwa kama njia ya kugundua uwiano muhimu kati ya kiasi kikubwa cha data6,21,22.Kujifunza kwa mashine mara nyingi hutumiwa katika uchimbaji wa data, na uchimbaji wa data na ujifunzaji wa mashine hutumia kanuni sawa za msingi kugundua ruwaza katika data.Ukadiriaji wa umri kwa kutumia ukuzaji wa meno unatokana na tathmini ya mkaguzi ya ukomavu wa meno lengwa, na tathmini hii inaonyeshwa kama hatua kwa kila jino linalolengwa.DM inaweza kutumika kuchanganua uwiano kati ya hatua ya tathmini ya meno na umri halisi na ina uwezo wa kuchukua nafasi ya uchanganuzi wa kitamaduni wa takwimu.Kwa hivyo, tukitumia mbinu za DM kwenye ukadiriaji wa umri, tunaweza kutekeleza mafunzo ya mashine katika ukadiriaji wa umri wa kitaalamu bila kuwa na wasiwasi kuhusu dhima ya kisheria.Tafiti nyingi linganishi zimechapishwa kuhusu njia mbadala zinazowezekana za mbinu za kitamaduni za mwongozo zinazotumiwa katika mazoezi ya mahakama na mbinu za msingi za EBM za kuamua umri wa meno.Shen et al23 walionyesha kuwa muundo wa DM ni sahihi zaidi kuliko fomula ya jadi ya Camerer.Galibourg et al24 walitumia mbinu tofauti za DM kutabiri umri kulingana na kigezo cha Demirdjian25 na matokeo yalionyesha kuwa mbinu ya DM ilishinda mbinu za Demirdjian na Willems katika kukadiria umri wa idadi ya Wafaransa.
Ili kukadiria umri wa meno wa vijana wa Kikorea na watu wazima, njia ya 4 ya Lee hutumiwa sana katika mazoezi ya uchunguzi wa Kikorea.Mbinu hii hutumia uchanganuzi wa kitamaduni wa takwimu (kama vile kurudi nyuma mara nyingi) ili kuchunguza uhusiano kati ya mada za Kikorea na umri wa mpangilio.Katika utafiti huu, mbinu za kukadiria umri zilizopatikana kwa kutumia mbinu za kitamaduni za takwimu zinafafanuliwa kama "mbinu za kimapokeo."Njia ya Lee ni njia ya jadi, na usahihi wake umethibitishwa na Oh et al.5;hata hivyo, utumikaji wa ukadiriaji wa umri kulingana na muundo wa DM katika mazoezi ya uchunguzi wa Kikorea bado unatia shaka.Lengo letu lilikuwa ni kuthibitisha kisayansi manufaa yanayoweza kutokea ya ukadiriaji wa umri kulingana na muundo wa DM.Madhumuni ya utafiti huu yalikuwa (1) kulinganisha usahihi wa miundo miwili ya DM katika kukadiria umri wa meno na (2) kulinganisha utendaji wa uainishaji wa miundo 7 ya DM katika umri wa miaka 18 na ile iliyopatikana kwa kutumia mbinu za kitamaduni za takwimu. na molars ya tatu katika taya zote mbili.
Njia na mikengeuko ya kawaida ya umri kwa hatua na aina ya jino huonyeshwa mtandaoni katika Jedwali la Ziada S1 (seti ya mafunzo), Jedwali la Ziada S2 (seti ya majaribio ya ndani), na Jedwali la Ziada S3 (seti ya majaribio ya nje).Thamani za kappa za kuegemea kwa intra- na interobserver zilizopatikana kutoka kwa seti ya mafunzo zilikuwa 0.951 na 0.947, mtawaliwa.Thamani za P na vipindi vya uaminifu vya 95% vya thamani za kappa vinaonyeshwa kwenye jedwali la ziada la mtandaoni S4.Thamani ya kappa ilitafsiriwa kama "karibu kamili", kulingana na vigezo vya Landis na Koch26.
Wakati wa kulinganisha maana ya makosa kabisa (MAE), mbinu ya kitamaduni hupita kidogo muundo wa DM kwa jinsia zote na katika seti ya majaribio ya nje ya wanaume, isipokuwa perceptron ya safu nyingi (MLP).Tofauti kati ya muundo wa kitamaduni na muundo wa DM kwenye seti ya majaribio ya ndani ya MAE ilikuwa miaka 0.12–0.19 kwa wanaume na miaka 0.17–0.21 kwa wanawake.Kwa betri ya majaribio ya nje, tofauti ni ndogo (miaka 0.001-0.05 kwa wanaume na miaka 0.05-0.09 kwa wanawake).Zaidi ya hayo, hitilafu ya mzizi wa maana ya mraba (RMSE) iko chini kidogo kuliko mbinu ya jadi, na tofauti ndogo (0.17–0.24, 0.2–0.24 kwa seti ya jaribio la ndani la wanaume, na 0.03–0.07, 0.04–0.08 kwa seti ya majaribio ya nje).)MLP inaonyesha utendaji bora zaidi kuliko Single Layer Perceptron (SLP), isipokuwa katika kesi ya seti ya majaribio ya nje ya wanawake.Kwa MAE na RMSE, jaribio la nje limewekwa alama za juu kuliko jaribio la ndani lililowekwa kwa jinsia na miundo yote.MAE na RMSE zote zimeonyeshwa kwenye Jedwali 1 na Kielelezo 1.
MAE na RMSE ya miundo ya urejeleaji wa madini ya jadi na data.Inamaanisha kosa kabisa MAE, mzizi maana ya kosa mraba RMSE, perceptron safu moja SLP, multilayer perceptron MLP, jadi CM mbinu.
Utendaji wa uainishaji (na kukatwa kwa miaka 18) wa miundo ya kitamaduni na DM ilionyeshwa kulingana na unyeti, umaalumu, thamani chanya ya ubashiri (PPV), thamani hasi ya ubashiri (NPV), na eneo chini ya mkondo wa tabia ya kipokezi (AUROC) 27 (Jedwali 2, Kielelezo 2 na Kielelezo cha Nyongeza 1 mtandaoni).Kwa upande wa unyeti wa betri ya majaribio ya ndani, mbinu za kitamaduni zilifanya kazi vizuri zaidi kati ya wanaume na mbaya zaidi kati ya wanawake.Hata hivyo, tofauti katika utendaji wa uainishaji kati ya mbinu za kitamaduni na SD ni 9.7% kwa wanaume (MLP) na 2.4% pekee kwa wanawake (XGBoost).Miongoni mwa mifano ya DM, urekebishaji wa vifaa (LR) ulionyesha usikivu bora katika jinsia zote mbili.Kuhusu umahususi wa seti ya majaribio ya ndani, ilibainika kuwa miundo minne ya SD ilifanya kazi vyema kwa wanaume, huku muundo wa jadi ulifanya vyema zaidi kwa wanawake.Tofauti za utendaji wa uainishaji kwa wanaume na wanawake ni 13.3% (MLP) na 13.1% (MLP), mtawalia, ikionyesha kuwa tofauti katika utendaji wa uainishaji kati ya miundo inazidi usikivu.Miongoni mwa miundo ya DM, mashine ya kusaidia vekta (SVM), mti wa maamuzi (DT), na miundo ya msitu nasibu (RF) ilifanya vyema zaidi miongoni mwa wanaume, huku muundo wa LR ukifanya vyema zaidi miongoni mwa wanawake.AUROC ya muundo wa kitamaduni na miundo yote ya SD ilikuwa kubwa kuliko 0.925 (jirani ya karibu zaidi ya k (KNN) kwa wanaume), ikionyesha utendaji bora wa uainishaji katika kubagua sampuli za umri wa miaka 1828.Kwa seti ya majaribio ya nje, utendaji wa uainishaji ulipungua kulingana na unyeti, umaalumu na AUROC ikilinganishwa na seti ya majaribio ya ndani.Zaidi ya hayo, tofauti ya unyeti na umaalum kati ya utendaji wa uainishaji wa miundo bora na mbaya zaidi ilikuwa kati ya 10% hadi 25% na ilikuwa kubwa kuliko tofauti katika seti ya majaribio ya ndani.
Unyeti na umaalumu wa miundo ya uainishaji wa uchimbaji data ikilinganishwa na mbinu za kitamaduni zilizo na kikomo cha miaka 18.KNN k jirani iliyo karibu zaidi, mashine ya vekta ya usaidizi ya SVM, urejeshaji wa vifaa vya LR, mti wa uamuzi wa DT, msitu wa nasibu wa RF, XGB XGBoost, perceptron ya safu nyingi za MLP, mbinu ya jadi ya CM.
Hatua ya kwanza katika utafiti huu ilikuwa kulinganisha usahihi wa makadirio ya umri wa meno yaliyopatikana kutoka kwa miundo saba ya DM na ile iliyopatikana kwa kutumia urejeshaji wa jadi.MAE na RMSE zilitathminiwa katika seti za majaribio ya ndani kwa jinsia zote mbili, na tofauti kati ya mbinu ya kitamaduni na muundo wa DM ilikuwa kati ya siku 44 hadi 77 kwa MAE na kutoka siku 62 hadi 88 kwa RMSE.Ingawa mbinu ya kimapokeo ilikuwa sahihi zaidi katika utafiti huu, ni vigumu kuhitimisha ikiwa tofauti hiyo ndogo ina umuhimu wa kimatibabu au wa kimatendo.Matokeo haya yanaonyesha kuwa usahihi wa ukadiriaji wa umri wa meno kwa kutumia muundo wa DM ni karibu sawa na ule wa mbinu ya kitamaduni.Kulinganisha moja kwa moja na matokeo ya tafiti za awali ni vigumu kwa sababu hakuna utafiti ambao umelinganisha usahihi wa miundo ya DM na mbinu za kitamaduni za takwimu kwa kutumia mbinu sawa ya kurekodi meno katika umri sawa na katika utafiti huu.Galibourg et al24 alilinganisha MAE na RMSE kati ya mbinu mbili za kitamaduni (mbinu ya Demirjian25 na Willems method29) na miundo 10 ya DM katika idadi ya Wafaransa walio na umri wa miaka 2 hadi 24.Waliripoti kuwa miundo yote ya DM ilikuwa sahihi zaidi kuliko mbinu za jadi, na tofauti za miaka 0.20 na 0.38 katika MAE na miaka 0.25 na 0.47 katika RMSE ikilinganishwa na mbinu za Willems na Demirdjian, mtawalia.Tofauti kati ya muundo wa SD na mbinu za kitamaduni zilizoonyeshwa katika utafiti wa Halibourg huzingatia ripoti nyingi30,31,32,33 kwamba mbinu ya Demirdjian haikadirii kwa usahihi umri wa meno katika idadi ya watu isipokuwa Wakanada wa Ufaransa ambao utafiti ulitegemea.katika utafiti huu.Tai et al 34 walitumia algoriti ya MLP kutabiri umri wa meno kutoka kwa picha 1636 za Kichina za orthodontic na kulinganisha usahihi wake na matokeo ya mbinu ya Demirjian na Willems.Waliripoti kuwa MLP ina usahihi wa juu kuliko njia za jadi.Tofauti kati ya mbinu ya Demirdjian na mbinu ya jadi ni
Utendaji wa uainishaji wa muundo wa DM na mbinu ya jadi katika kiwango cha miaka 18 pia ililinganishwa.Miundo yote ya SD iliyojaribiwa na mbinu za kitamaduni kwenye seti ya majaribio ya ndani zilionyesha viwango vinavyokubalika vya ubaguzi kwa sampuli ya umri wa miaka 18.Unyeti kwa wanaume na wanawake ulikuwa mkubwa kuliko 87.7% na 94.9%, mtawaliwa, na umaalum ulikuwa mkubwa kuliko 89.3% na 84.7%.AUROC ya mifano yote iliyojaribiwa pia inazidi 0.925.Kwa kadri tunavyojua, hakuna utafiti ambao umejaribu utendakazi wa muundo wa DM kwa uainishaji wa miaka 18 kulingana na ukomavu wa meno.Tunaweza kulinganisha matokeo ya utafiti huu na utendaji wa uainishaji wa miundo ya kina ya kujifunza kwenye radiografu za panoramiki.Guo et al.15 walikokotoa utendakazi wa uainishaji wa modeli ya kujifunza kwa kina kulingana na CNN na mbinu ya mwongozo kulingana na mbinu ya Demirjian kwa kiwango fulani cha umri.Usikivu na maalum ya njia ya mwongozo walikuwa 87.7% na 95.5%, kwa mtiririko huo, na unyeti na maalum ya mfano wa CNN ulizidi 89.2% na 86.6%, kwa mtiririko huo.Walihitimisha kuwa miundo ya kujifunza kwa kina inaweza kuchukua nafasi au kufanya tathmini ya mwongozo katika kuainisha vizingiti vya umri.Matokeo ya utafiti huu yalionyesha utendaji sawa wa uainishaji;Inaaminika kuwa uainishaji kwa kutumia modeli za DM unaweza kuchukua nafasi ya mbinu za kitakwimu za ukadiriaji wa umri.Miongoni mwa mifano, DM LR ilikuwa mfano bora zaidi katika suala la unyeti kwa sampuli ya kiume na unyeti na maalum kwa sampuli ya kike.LR inashika nafasi ya pili kwa umaalum kwa wanaume.Zaidi ya hayo, LR inachukuliwa kuwa mojawapo ya modeli za DM35 zinazofaa zaidi mtumiaji na si changamano na ni vigumu kuchakata.Kulingana na matokeo haya, LR ilizingatiwa kuwa kielelezo bora cha uainishaji wa kupunguzwa kwa watoto wa miaka 18 katika idadi ya watu wa Korea.
Kwa ujumla, usahihi wa ukadiriaji wa umri au utendaji wa uainishaji kwenye seti ya majaribio ya nje ulikuwa duni au chini ikilinganishwa na matokeo kwenye seti ya jaribio la ndani.Baadhi ya ripoti zinaonyesha kuwa usahihi wa uainishaji au ufanisi hupungua wakati makadirio ya umri kulingana na idadi ya Wakorea yanatumika kwa idadi ya Wajapani5,39, na muundo sawa ulipatikana katika utafiti huu.Hali hii ya kuzorota pia ilizingatiwa katika modeli ya DM.Kwa hivyo, ili kukadiria umri kwa usahihi, hata wakati wa kutumia DM katika mchakato wa uchanganuzi, mbinu zinazotokana na data ya watu asilia, kama vile mbinu za kitamaduni, zinapaswa kupendelewa5,39,40,41,42.Kwa kuwa haijulikani ikiwa miundo ya kujifunza kwa kina inaweza kuonyesha mwelekeo unaofanana, tafiti zinazolinganisha usahihi wa uainishaji na ufanisi kwa kutumia mbinu za kitamaduni, miundo ya DM, na miundo ya kina ya kujifunza kwenye sampuli sawa zinahitajika ili kuthibitisha kama akili ya bandia inaweza kushinda tofauti hizi za rangi katika umri mdogo.tathmini.
Tunaonyesha kuwa mbinu za kitamaduni zinaweza kubadilishwa na kukadiria umri kulingana na muundo wa DM katika mazoezi ya kukadiria umri wa kitaalamu nchini Korea.Pia tuligundua uwezekano wa kutekeleza ujifunzaji wa mashine kwa tathmini ya umri wa kitaalamu.Hata hivyo, kuna vikwazo vya wazi, kama vile idadi isiyotosha ya washiriki katika utafiti huu ili kubainisha matokeo kwa uhakika, na ukosefu wa tafiti za awali za kulinganisha na kuthibitisha matokeo ya utafiti huu.Katika siku zijazo, tafiti za DM zinapaswa kufanywa kwa idadi kubwa ya sampuli na idadi tofauti zaidi ya watu ili kuboresha utumiaji wake wa vitendo ikilinganishwa na mbinu za jadi.Ili kuthibitisha uwezekano wa kutumia akili ya bandia kukadiria umri katika makundi mengi, tafiti za siku zijazo zinahitajika ili kulinganisha usahihi wa uainishaji na ufanisi wa DM na miundo ya kujifunza kwa kina na mbinu za jadi katika sampuli sawa.
Utafiti huo ulitumia picha 2,657 za orthografia zilizokusanywa kutoka kwa watu wazima wa Kikorea na Kijapani wenye umri wa miaka 15 hadi 23.Radiografu za Kikorea ziligawanywa katika seti 900 za mafunzo (miaka 19.42 ± 2.65) na seti 900 za majaribio ya ndani (miaka 19.52 ± 2.59).Seti ya mafunzo ilikusanywa katika taasisi moja (Hospitali ya Seoul St. Mary's), na seti ya majaribio yenyewe ilikusanywa katika taasisi mbili (Hospitali ya meno ya Chuo Kikuu cha Seoul na Hospitali ya meno ya Chuo Kikuu cha Yonsei).Pia tulikusanya radiografu 857 kutoka kwa data nyingine ya idadi ya watu (Chuo Kikuu cha Matibabu cha Iwate, Japani) kwa ajili ya majaribio ya nje.Redio za masomo ya Kijapani (miaka 19.31 ± 2.60) zilichaguliwa kama seti ya majaribio ya nje.Data ilikusanywa kwa kuangalia nyuma ili kuchanganua hatua za ukuaji wa meno kwenye radiographs za panoramic zilizochukuliwa wakati wa matibabu ya meno.Data zote zilizokusanywa hazikujulikana isipokuwa jinsia, tarehe ya kuzaliwa na tarehe ya radiograph.Vigezo vya kujumuisha na kutengwa vilikuwa sawa na tafiti zilizochapishwa hapo awali 4 , 5 .Umri halisi wa sampuli ulihesabiwa kwa kuondoa tarehe ya kuzaliwa kutoka tarehe ambayo radiograph ilichukuliwa.Kikundi cha sampuli kiligawanywa katika vikundi vya umri tisa.Mgawanyo wa umri na jinsia umeonyeshwa katika Jedwali la 3 Utafiti huu ulifanywa kwa mujibu wa Azimio la Helsinki na kuidhinishwa na Bodi ya Ukaguzi ya Kitaasisi (IRB) ya Hospitali ya Seoul St. Mary's ya Chuo Kikuu cha Kikatoliki cha Korea (KC22WISI0328).Kwa sababu ya muundo wa nyuma wa utafiti huu, idhini ya habari haikuweza kupatikana kutoka kwa wagonjwa wote wanaofanyiwa uchunguzi wa radiografia kwa madhumuni ya matibabu.Hospitali ya St. Mary's ya Chuo Kikuu cha Seoul Korea (IRB) iliondoa hitaji la kupata kibali cha habari.
Hatua za maendeleo za molari ya pili na ya tatu ya bimaxilla zilitathminiwa kulingana na vigezo vya Demircan25.Jino moja tu lilichaguliwa ikiwa aina moja ya jino ilipatikana kwenye pande za kushoto na za kulia za kila taya.Ikiwa meno ya homologous pande zote mbili yalikuwa katika hatua tofauti za ukuaji, jino lililo na hatua ya chini ya ukuaji lilichaguliwa kuhesabu kutokuwa na uhakika katika umri uliokadiriwa.Radiografu mia moja zilizochaguliwa kwa nasibu kutoka kwa seti ya mafunzo zilifungwa na waangalizi wawili wenye uzoefu ili kupima uaminifu wa interobserver baada ya urekebishaji ili kubaini hatua ya ukomavu wa meno.Kuegemea kwa intraobserver kulitathminiwa mara mbili kwa vipindi vya miezi mitatu na mwangalizi mkuu.
Hatua ya jinsia na ukuaji wa molari ya pili na ya tatu ya kila taya katika seti ya mafunzo ilikadiriwa na mwangalizi wa msingi aliyefunzwa na miundo tofauti ya DM, na umri halisi uliwekwa kama thamani inayolengwa.Miundo ya SLP na MLP, ambayo hutumiwa sana katika kujifunza kwa mashine, ilijaribiwa dhidi ya kanuni za urejeshi.Muundo wa DM unachanganya utendaji wa mstari kwa kutumia hatua za ukuaji wa meno manne na kuchanganya data hizi ili kukadiria umri.SLP ndio mtandao rahisi zaidi wa neva na hauna tabaka zilizofichwa.SLP hufanya kazi kulingana na upitishaji wa kizingiti kati ya nodi.Mfano wa SLP katika urejeshaji unafanana kihisabati na urejeshaji wa mstari mwingi.Tofauti na mfano wa SLP, muundo wa MLP una safu nyingi zilizofichwa na vitendaji vya kuwezesha visivyo vya mstari.Majaribio yetu yalitumia safu iliyofichwa yenye nodi 20 tu zilizofichwa zilizo na vitendaji vya kuwezesha visivyo na mstari.Tumia mteremko wa kushuka kama njia ya uboreshaji na MAE na RMSE kama kipengele cha kupoteza ili kutoa mafunzo kwa muundo wetu wa kujifunza mashine.Mtindo bora zaidi wa urejeshaji uliopatikana ulitumika kwa seti za majaribio ya ndani na nje na umri wa meno ulikadiriwa.
Kanuni ya uainishaji iliundwa ambayo hutumia ukomavu wa meno manne kwenye seti ya mafunzo ili kutabiri ikiwa sampuli ina umri wa miaka 18 au la.Ili kuunda kielelezo, tulipata algoriti saba za uwakilishi za mashine6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, na (7) MLP. .LR ni mojawapo ya kanuni za uainishaji zinazotumika sana44.Ni kanuni ya ujifunzaji inayosimamiwa ambayo hutumia urejeshi kutabiri uwezekano wa data inayomilikiwa na aina fulani kutoka 0 hadi 1 na kuainisha data kuwa ya aina inayowezekana zaidi kulingana na uwezekano huu;hutumika hasa kwa uainishaji wa binary.KNN ni mojawapo ya kanuni rahisi za kujifunza kwa mashine45.Inapopewa data mpya ya ingizo, hupata data ya k karibu na seti iliyopo na kisha kuziainisha katika darasa kwa masafa ya juu zaidi.Tunaweka 3 kwa idadi ya majirani inayozingatiwa (k).SVM ni algorithm ambayo huongeza umbali kati ya madarasa mawili kwa kutumia kazi ya kernel kupanua nafasi ya mstari hadi nafasi isiyo ya mstari inayoitwa fields46.Kwa modeli hii, tunatumia upendeleo = 1, nguvu = 1, na gamma = 1 kama vigezo vya kerneli ya polynomial.DT imetumika katika nyanja mbalimbali kama kanuni ya kugawanya data nzima iliyowekwa katika vikundi vidogo kadhaa kwa kuwakilisha sheria za uamuzi katika muundo wa mti47.Muundo huo umesanidiwa kwa idadi ya chini kabisa ya rekodi kwa kila nodi ya 2 na hutumia faharasa ya Gini kama kipimo cha ubora.RF ni mbinu ya kuunganisha ambayo inachanganya DT nyingi ili kuboresha utendakazi kwa kutumia mbinu ya ujumlishaji wa bootstrap ambayo huzalisha kiainishaji dhaifu kwa kila sampuli kwa kuchora nasibu sampuli za ukubwa sawa mara nyingi kutoka mkusanyiko wa data asili48.Tulitumia miti 100, kina cha miti 10, ukubwa wa nodi 1, na faharasa ya mchanganyiko wa Gini kama vigezo vya kutenganisha nodi.Uainishaji wa data mpya huamuliwa na kura nyingi.XGBoost ni algoriti inayochanganya mbinu za kukuza kwa kutumia mbinu ambayo inachukua kama data ya mafunzo kosa kati ya maadili halisi na yaliyotabiriwa ya modeli ya awali na kuongeza hitilafu kwa kutumia gradients49.Ni algoriti inayotumika sana kwa sababu ya utendakazi wake mzuri na ufanisi wa rasilimali, na vile vile kuegemea juu kama kazi ya kusahihisha kupita kiasi.Mfano huo una vifaa vya magurudumu 400 ya msaada.MLP ni mtandao wa neva ambamo kijitibu kimoja au zaidi huunda tabaka nyingi na safu moja au zaidi zilizofichwa kati ya tabaka za ingizo na pato38.Kwa kutumia hii, unaweza kufanya uainishaji usio wa mstari ambapo unapoongeza safu ya uingizaji na kupata thamani ya matokeo, thamani ya matokeo iliyotabiriwa inalinganishwa na thamani halisi ya matokeo na kosa huenezwa nyuma.Tumeunda safu iliyofichwa na nyuroni 20 zilizofichwa katika kila safu.Kila muundo tuliounda ulitumiwa kwa seti za ndani na nje ili kujaribu utendakazi wa uainishaji kwa kukokotoa unyeti, umaalumu, PPV, NPV na AUROC.Unyeti hufafanuliwa kuwa uwiano wa sampuli inayokadiriwa kuwa na umri wa miaka 18 au zaidi kwa sampuli inayokadiriwa kuwa na umri wa miaka 18 au zaidi.Umaalumu ni uwiano wa sampuli zilizo chini ya umri wa miaka 18 na zile zinazokadiriwa kuwa chini ya miaka 18.
Hatua za meno zilizotathminiwa katika seti ya mafunzo zilibadilishwa kuwa hatua za nambari kwa uchambuzi wa takwimu.Urejeshaji wa urejeshaji wa laini na wa kimantiki ulifanywa ili kuunda miundo ya ubashiri kwa kila jinsia na kupata kanuni za urejeshi ambazo zinaweza kutumika kukadiria umri.Tulitumia fomula hizi kukadiria umri wa meno kwa seti za majaribio ya ndani na nje.Jedwali la 4 linaonyesha miundo ya urejeshi na uainishaji iliyotumika katika utafiti huu.
Kuegemea kwa intra- na interobserver kulikokotolewa kwa kutumia takwimu za Cohen za kappa.Ili kupima usahihi wa DM na miundo ya jadi ya urejeshaji, tulikokotoa MAE na RMSE kwa kutumia makadirio na umri halisi wa seti za majaribio ya ndani na nje.Makosa haya hutumiwa kwa kawaida kutathmini usahihi wa utabiri wa mfano.Kadiri makosa yalivyo madogo ndivyo usahihi wa utabiri unavyoongezeka24.Linganisha MAE na RMSE ya seti za majaribio ya ndani na nje yanayokokotolewa kwa kutumia DM na urejeshaji wa kawaida.Utendaji wa uainishaji wa kipindi cha miaka 18 katika takwimu za jadi ulitathminiwa kwa kutumia jedwali la 2 × 2 la dharura.Unyeti uliokokotolewa, umaalumu, PPV, NPV na AUROC za seti ya majaribio zililinganishwa na thamani zilizopimwa za muundo wa uainishaji wa DM.Data huonyeshwa kama wastani ± mkengeuko wa kawaida au nambari (%) kulingana na sifa za data.Thamani za P za pande mbili <0.05 zilizingatiwa kuwa muhimu kitakwimu.Uchambuzi wote wa takwimu wa kawaida ulifanyika kwa kutumia toleo la SAS 9.4 (Taasisi ya SAS, Cary, NC).Mtindo wa urekebishaji wa DM ulitekelezwa katika Python kwa kutumia Keras50 2.2.4 backend na Tensorflow51 1.8.0 mahususi kwa shughuli za hisabati.Muundo wa uainishaji wa DM ulitekelezwa katika Mazingira ya Uchanganuzi wa Maarifa ya Waikato na Mchimbaji wa Taarifa wa Konstanz (KNIME) 4.6.152 jukwaa la uchanganuzi.
Waandishi wanakubali kwamba data inayounga mkono hitimisho la utafiti inaweza kupatikana katika makala na nyenzo za ziada.Seti za data zilizotolewa na/au kuchambuliwa wakati wa utafiti zinapatikana kutoka kwa mwandishi husika kwa ombi linalofaa.
Ritz-Timme, S. et al.Tathmini ya umri: hali ya sanaa ili kukidhi mahitaji maalum ya mazoezi ya mahakama.kimataifa.J. Dawa ya kisheria.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., na Olze, A. Hali ya sasa ya tathmini ya umri wa kitaalamu ya watu wanaoishi kwa madhumuni ya mashtaka ya jinai.Uchunguzi wa uchunguzi.dawa.Patholojia.1, 239–246 (2005).
Pan, J. na wengine.Mbinu iliyorekebishwa ya kutathmini umri wa meno ya watoto wenye umri wa miaka 5 hadi 16 mashariki mwa China.kiafya.Uchunguzi wa mdomo.25, 3463–3474 (2021).
Lee, SS n.k. Utaratibu wa ukuzaji wa molari ya pili na ya tatu katika Wakorea na matumizi yake kwa tathmini ya umri wa mahakama.kimataifa.J. Dawa ya kisheria.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY na Lee, SS Usahihi wa makadirio ya umri na makadirio ya kiwango cha miaka 18 kulingana na ukomavu wa molari ya pili na ya tatu katika Wakorea na Kijapani.PLoS ONE 17, e0271247 (2022).
Kim, JY, na al.Uchanganuzi wa data unaotegemea mashine kabla ya upasuaji unaweza kutabiri matokeo ya matibabu ya upasuaji wa wakati wa kulala kwa wagonjwa walio na OSA.sayansi.Ripoti 11, 14911 (2021).
Han, M. et al.Je! Ukadiriaji sahihi wa umri kutoka kwa ujifunzaji wa mashine na au bila kuingilia kati kwa mwanadamu?kimataifa.J. Dawa ya kisheria.136, 821–831 (2022).
Khan, S. na Shaheen, M. Kutoka Uchimbaji Data hadi Uchimbaji Data.J.Habari.sayansi.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. na Shaheen, M. WisRule: Kanuni ya Kwanza ya Utambuzi kwa Uchimbaji wa Utawala wa Chama.J.Habari.sayansi.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. na Abdullah U. Karm: Uchimbaji wa data wa kitamaduni kwa kuzingatia sheria za muungano zinazozingatia muktadha.hesabu.Mt.endelea.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. na Habib M. Utambuzi wa mfanano wa kisemantiki wa kujifunza kwa kina kwa kutumia data ya maandishi.taarifa.teknolojia.kudhibiti.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., na Shahin, M. A mfumo wa kutambua shughuli katika video za michezo.multimedia.Programu za Zana https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS na wengine.Changamoto ya Kujifunza ya Mashine ya RSNA katika Umri wa Mifupa ya Watoto.Radiolojia 290, 498–503 (2019).
Li, Y. na wengine.Ukadiriaji wa umri wa kitaalamu kutoka kwa X-ray ya pelvic kwa kutumia mafunzo ya kina.EURO.mionzi.29, 2322–2329 (2019).
Guo, YC, na wengine.Uainishaji sahihi wa umri kwa kutumia mbinu za mwongozo na mitandao ya kina ya mabadiliko ya neva kutoka kwa picha za makadirio ya orthografia.kimataifa.J. Dawa ya kisheria.135, 1589–1597 (2021).
Alabama Dalora et al.Ukadiriaji wa umri wa mfupa kwa kutumia mbinu tofauti za kujifunza kwa mashine: mapitio ya fasihi ya utaratibu na uchanganuzi wa meta.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., na Yang, J. Makadirio ya umri mahususi ya Idadi ya watu wa Waamerika na Wachina kulingana na ujazo wa chemba za molari ya kwanza kwa kutumia tomografia iliyokokotwa ya boriti ya koni.kimataifa.J. Dawa ya kisheria.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK na Oh KS Kuamua makundi ya umri wa watu wanaoishi kwa kutumia picha za akili za bandia za molari ya kwanza.sayansi.Ripoti 11, 1073 (2021).
Stern, D., Mlipaji, C., Giuliani, N., na Urschler, M. Makadirio ya umri kiotomatiki na uainishaji wa wengi wa umri kutoka kwa data ya MRI ya aina nyingi.IEEE J. Biomed.Tahadhari za Afya.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. na Li, G. Kadirio la umri kulingana na sehemu ya chemba ya 3D ya molari ya kwanza kutoka kwa tomografia iliyokokotwa ya boriti ya koni kwa kuunganisha mafunzo ya kina na seti za viwango.kimataifa.J. Dawa ya kisheria.135, 365–373 (2021).
Wu, WT, na al.Uchimbaji wa data katika data kubwa ya kliniki: hifadhidata za kawaida, hatua, na miundo ya mbinu.Ulimwengu.dawa.rasilimali.8, 44 (2021).
Yang, J. na wengine.Utangulizi wa Hifadhidata za Matibabu na Teknolojia ya Uchimbaji Data katika Enzi Kubwa ya Data.J. Avid.Dawa ya msingi.13, 57–69 (2020).
Shen, S. et al.Mbinu ya Camerer ya kukadiria umri wa meno kwa kutumia mashine ya kujifunza.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Ulinganisho wa mbinu tofauti za kujifunza kwa mashine za kutabiri umri wa meno kwa kutumia mbinu ya kuweka Demirdjian.kimataifa.J. Dawa ya kisheria.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. na Tanner, JM Mfumo mpya wa kutathmini umri wa meno.koroma.biolojia.45, 211–227 (1973).
Landis, JR, na Koch, GG Hatua za makubaliano ya waangalizi kuhusu data ya kategoria.Biometriska 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK na Choi HK.Uchanganuzi wa kimaandishi, kimofolojia na wa takwimu wa upigaji picha wa mwangwi wa sumaku wenye mwelekeo-mbili kwa kutumia mbinu za akili bandia kwa ajili ya kutofautisha uvimbe wa msingi wa ubongo.Taarifa za afya.rasilimali.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Muda wa kutuma: Jan-04-2024