Asante kwa kutembelea Nature.com. Toleo la kivinjari unachotumia lina msaada mdogo wa CSS. Kwa matokeo bora, tunapendekeza kutumia toleo jipya la kivinjari chako (au kuzima hali ya utangamano katika Internet Explorer). Kwa sasa, ili kuhakikisha msaada unaoendelea, tunaonyesha tovuti bila kupiga maridadi au JavaScript.
Meno huzingatiwa kiashiria sahihi zaidi cha umri wa mwili wa mwanadamu na mara nyingi hutumiwa katika tathmini ya umri wa ujasusi. Tulilenga kudhibitisha makadirio ya umri wa meno ya msingi wa madini kwa kulinganisha usahihi wa makadirio na utendaji wa uainishaji wa kizingiti cha miaka 18 na njia za jadi na makadirio ya umri wa madini. Jumla ya radiografia 2657 za paneli zilikusanywa kutoka kwa raia wa Kikorea na Japan wenye umri wa miaka 15 hadi 23. Waligawanywa katika seti ya mafunzo, kila iliyo na radiografia 900 za Kikorea, na seti ya mtihani wa ndani iliyo na radiografia 857 za Kijapani. Tulilinganisha usahihi wa uainishaji na ufanisi wa njia za jadi na seti za mtihani wa mifano ya madini ya data. Usahihi wa njia ya jadi kwenye seti ya mtihani wa ndani ni kubwa zaidi kuliko ile ya mfano wa kuchimba data, na tofauti ni ndogo (inamaanisha kosa kamili <miaka 0.21, kosa la mraba la mraba <miaka 0.24). Utendaji wa uainishaji kwa cutoff ya miaka 18 pia ni sawa kati ya njia za jadi na mifano ya madini ya data. Kwa hivyo, njia za jadi zinaweza kubadilishwa na mifano ya madini ya data wakati wa kufanya tathmini ya umri wa ujasusi kwa kutumia ukomavu wa molars ya pili na ya tatu kwa vijana wa Kikorea na vijana wazima.
Ukadiriaji wa umri wa meno hutumiwa sana katika dawa ya ujasusi na meno ya watoto. Hasa, kwa sababu ya uhusiano mkubwa kati ya umri wa mpangilio na maendeleo ya meno, tathmini ya umri na hatua za maendeleo ya meno ni kigezo muhimu cha kutathmini umri wa watoto na vijana1,2,3. Walakini, kwa vijana, kukadiria umri wa meno kulingana na ukomavu wa meno ina mapungufu yake kwa sababu ukuaji wa meno ni karibu kamili, isipokuwa molars ya tatu. Kusudi la kisheria la kuamua umri wa vijana na vijana ni kutoa makadirio sahihi na ushahidi wa kisayansi wa ikiwa wamefikia umri wa wengi. Katika mazoezi ya kisheria ya vijana na vijana wazima huko Korea, umri ulikadiriwa kutumia njia ya Lee, na kizingiti halali cha miaka 18 kilitabiriwa kwa kuzingatia data iliyoripotiwa na OH et al 5.
Kujifunza kwa mashine ni aina ya akili ya bandia (AI) ambayo hujifunza mara kwa mara na kuainisha idadi kubwa ya data, hutatua shida peke yake, na huendesha programu ya data. Kujifunza kwa mashine kunaweza kugundua mifumo muhimu iliyofichwa katika idadi kubwa ya data6. Kwa kulinganisha, njia za classical, ambazo ni za kazi kubwa na zinazotumia wakati, zinaweza kuwa na mapungufu wakati wa kushughulika na idadi kubwa ya data ngumu ambayo ni ngumu kusindika kwa mikono7. Kwa hivyo, tafiti nyingi zimefanywa hivi karibuni kwa kutumia teknolojia za hivi karibuni za kompyuta ili kupunguza makosa ya wanadamu na kusindika kwa ufanisi data za multidimensional8,9,10,11,12. Hasa, ujifunzaji wa kina umetumika sana katika uchambuzi wa picha za matibabu, na njia mbali mbali za makadirio ya umri kwa kuchambua moja kwa moja radiografia zimeripotiwa kuboresha usahihi na ufanisi wa makadirio ya umri13,14,15,16,17,18,20,20 . Kwa mfano, Halabi et al 13 ilitengeneza algorithm ya kujifunza mashine kulingana na mitandao ya neural ya convolutional (CNN) kukadiria umri wa mifupa kwa kutumia radiografia ya mikono ya watoto. Utafiti huu unapendekeza mfano ambao unatumika kujifunza kwa mashine kwa picha za matibabu na inaonyesha kuwa njia hizi zinaweza kuboresha usahihi wa utambuzi. Li et al14 Umri uliokadiriwa kutoka kwa picha za X-ray kwa kutumia CNN ya kujifunza kwa kina na kulinganisha na matokeo ya regression kwa kutumia makadirio ya hatua ya ossization. Waligundua kuwa mfano wa kujifunza kwa kina wa CNN ulionyesha utendaji wa makadirio ya umri sawa na mfano wa jadi wa kumbukumbu. Utafiti wa Guo et al. [15] ulitathmini utendaji wa uvumilivu wa umri wa teknolojia ya CNN kulingana na orthophotos ya meno, na matokeo ya mfano wa CNN yalithibitisha kuwa wanadamu waliboresha utendaji wa uainishaji wa umri wake.
Masomo mengi juu ya makadirio ya umri kwa kutumia kujifunza kwa mashine hutumia njia za kujifunza za kina13,14,15,16,17,18,19,20. Makadirio ya umri kulingana na ujifunzaji wa kina inaripotiwa kuwa sahihi zaidi kuliko njia za jadi. Walakini, njia hii inatoa fursa kidogo ya kuwasilisha msingi wa kisayansi kwa makadirio ya umri, kama vile viashiria vya umri vinavyotumika katika makadirio. Kuna pia mzozo wa kisheria juu ya nani anayefanya ukaguzi. Kwa hivyo, makadirio ya umri kulingana na ujifunzaji wa kina ni ngumu kukubali na mamlaka za kiutawala na za mahakama. Madini ya data (DM) ni mbinu ambayo inaweza kugundua sio tu inayotarajiwa lakini pia habari isiyotarajiwa kama njia ya kugundua maelewano muhimu kati ya idadi kubwa ya data6,21,22. Kujifunza kwa mashine mara nyingi hutumiwa katika madini ya data, na madini yote mawili ya madini na kujifunza kwa mashine hutumia algorithms muhimu kama hiyo kugundua mifumo katika data. Makadirio ya umri kwa kutumia maendeleo ya meno ni msingi wa tathmini ya mchunguzi wa ukomavu wa meno inayolenga, na tathmini hii inaonyeshwa kama hatua kwa kila jino linalolenga. DM inaweza kutumika kuchambua uhusiano kati ya hatua ya tathmini ya meno na umri halisi na ina uwezo wa kuchukua nafasi ya uchambuzi wa kitamaduni. Kwa hivyo, ikiwa tutatumia mbinu za DM kwa makadirio ya umri, tunaweza kutekeleza ujifunzaji wa mashine katika makadirio ya umri wa ujasusi bila kuwa na wasiwasi juu ya dhima ya kisheria. Tafiti kadhaa za kulinganisha zimechapishwa juu ya njia mbadala zinazowezekana kwa njia za jadi za mwongozo zinazotumika katika mazoezi ya ujasusi na njia za msingi wa EBM za kuamua umri wa meno. Shen et al23 alionyesha kuwa mfano wa DM ni sahihi zaidi kuliko formula ya jadi ya Camerer. Galibourg et al24 alitumia njia tofauti za DM kutabiri umri kulingana na kigezo cha Demirdjian25 na matokeo yalionyesha kuwa njia ya DM ilizidisha njia za Demirdjian na Willems katika kukadiria umri wa idadi ya watu wa Ufaransa.
Ili kukadiria umri wa meno ya vijana wa Kikorea na vijana wazima, Njia ya Lee 4 inatumika sana katika mazoezi ya uchunguzi wa Kikorea. Njia hii hutumia uchambuzi wa kitamaduni wa kitamaduni (kama vile rejareja nyingi) kuchunguza uhusiano kati ya masomo ya Kikorea na umri wa mpangilio. Katika utafiti huu, njia za makadirio ya umri uliopatikana kwa kutumia njia za kitamaduni za kitamaduni hufafanuliwa kama "njia za jadi." Njia ya Lee ni njia ya jadi, na usahihi wake umethibitishwa na Oh et al. 5; Walakini, utumiaji wa makadirio ya umri kulingana na mfano wa DM katika mazoezi ya ujasusi ya Kikorea bado ni ya kuhojiwa. Kusudi letu lilikuwa kuhalalisha kisayansi umuhimu wa makadirio ya umri kulingana na mfano wa DM. Kusudi la utafiti huu lilikuwa (1) kulinganisha usahihi wa mifano mbili za DM katika kukadiria umri wa meno na (2) kulinganisha utendaji wa uainishaji wa mifano 7 ya DM katika umri wa miaka 18 na zile zilizopatikana kwa kutumia njia za jadi za takwimu ukomavu wa pili na molars ya tatu katika taya zote mbili.
Njia na kupotoka kwa kiwango cha umri wa mpangilio kwa hatua na aina ya jino huonyeshwa mkondoni kwenye Jedwali la Kuongeza S1 (seti ya mafunzo), Jedwali la Kuongeza S2 (seti ya mtihani wa ndani), na Jedwali la Kuongeza S3 (seti ya mtihani wa nje). Thamani za kappa za kuegemea kwa ndani na interobserver zilizopatikana kutoka kwa mafunzo zilizowekwa zilikuwa 0.951 na 0.947, mtawaliwa. Thamani za p na vipindi vya kujiamini 95% kwa maadili ya kappa vinaonyeshwa kwenye jedwali la nyongeza la mkondoni S4. Thamani ya Kappa ilitafsiriwa kama "karibu kamili", sanjari na vigezo vya Landis na Koch26.
Wakati wa kulinganisha makosa ya maana kabisa (MAE), njia ya jadi inazidisha mfano wa DM kwa jinsia zote na katika seti ya mtihani wa kiume wa nje, isipokuwa multilayer perceptron (MLP). Tofauti kati ya mfano wa jadi na mfano wa DM kwenye seti ya mtihani wa ndani wa MAE ilikuwa miaka 0.12-0.19 kwa wanaume na miaka 0.17-0.21 kwa wanawake. Kwa betri ya mtihani wa nje, tofauti ni ndogo (miaka 0.001-0.05 kwa wanaume na miaka 0.05-0.09 kwa wanawake). Kwa kuongeza, kosa la mraba la maana (RMSE) ni chini kidogo kuliko njia ya jadi, na tofauti ndogo (0.17-0.24, 0.2-0.24 kwa seti ya mtihani wa ndani wa kiume, na 0.03-0.07, 0.04-0.08 kwa seti ya mtihani wa nje). ). MLP inaonyesha utendaji bora zaidi kuliko safu moja ya Perceptron (SLP), isipokuwa katika kesi ya seti ya mtihani wa nje wa kike. Kwa MAE na RMSE, alama za nje za mtihani wa nje zina kiwango cha juu kuliko seti ya mtihani wa ndani kwa jinsia zote na mifano. Mae na RMSE zote zinaonyeshwa kwenye Jedwali 1 na Kielelezo 1.
Mae na RMSE ya mifano ya jadi na ya data ya madini. Maana ya makosa kabisa, mizizi inamaanisha makosa ya mraba rmse, safu moja perceptron SLP, multilayer perceptron MLP, njia ya jadi ya CM.
Utendaji wa uainishaji (na cutoff ya miaka 18) ya mifano ya jadi na DM ilionyeshwa kwa hali ya usikivu, maalum, thamani nzuri ya utabiri (PPV), thamani hasi ya utabiri (NPV), na eneo chini ya mpokeaji wa tabia ya mpokeaji (AUROC) 27 (Jedwali 2, Kielelezo 2 na Kielelezo cha 1 cha Online). Kwa upande wa unyeti wa betri ya mtihani wa ndani, njia za jadi zilifanya vizuri zaidi kati ya wanaume na mbaya zaidi kati ya wanawake. Walakini, tofauti katika utendaji wa uainishaji kati ya njia za jadi na SD ni 9.7% kwa wanaume (MLP) na ni 2.4% tu kwa wanawake (XGBoost). Kati ya mifano ya DM, kumbukumbu ya vifaa (LR) ilionyesha unyeti bora katika jinsia zote mbili. Kuhusu maalum ya seti ya mtihani wa ndani, ilizingatiwa kuwa mifano nne za SD zilifanya vizuri kwa wanaume, wakati mfano wa jadi ulifanya vizuri zaidi kwa wanawake. Tofauti za utendaji wa uainishaji kwa wanaume na wanawake ni 13.3% (MLP) na 13.1% (MLP), mtawaliwa, ikionyesha kuwa tofauti ya utendaji wa uainishaji kati ya mifano inazidi usikivu. Kati ya mifano ya DM, Mashine ya Vector ya Msaada (SVM), Mti wa Uamuzi (DT), na mifano ya Msitu wa Random (RF) ilifanya vizuri zaidi kati ya wanaume, wakati mfano wa LR ulifanya vizuri zaidi kati ya wanawake. Auroc ya mfano wa jadi na mifano yote ya SD ilikuwa kubwa kuliko 0.925 (jirani wa K-karibu (KNN) kwa wanaume), kuonyesha utendaji bora wa uainishaji katika kubagua sampuli za miaka 1828. Kwa seti ya mtihani wa nje, kulikuwa na kupungua kwa utendaji wa uainishaji kwa hali ya unyeti, maalum na auroc ikilinganishwa na seti ya mtihani wa ndani. Kwa kuongezea, tofauti katika unyeti na maalum kati ya utendaji wa uainishaji wa mifano bora na mbaya zaidi iliyoanzia 10% hadi 25% na ilikuwa kubwa kuliko tofauti ya seti ya mtihani wa ndani.
Usikivu na maalum ya mifano ya uainishaji wa madini ya data ikilinganishwa na njia za jadi zilizo na miaka 18. KNN K karibu jirani, SVM Mashine ya Vector ya Msaada, kumbukumbu ya vifaa vya LR, mti wa uamuzi wa DT, msitu wa RF, XGB XGBoost, MLP multilayer perceptron, njia ya jadi ya CM.
Hatua ya kwanza katika utafiti huu ilikuwa kulinganisha usahihi wa makadirio ya umri wa meno yaliyopatikana kutoka kwa mifano saba ya DM na yale yaliyopatikana kwa kutumia hali ya jadi. MAE na RMSE zilitathminiwa katika seti za mtihani wa ndani kwa jinsia zote mbili, na tofauti kati ya njia ya jadi na mfano wa DM ulianzia siku 44 hadi 77 kwa MAE na kutoka siku 62 hadi 88 kwa RMSE. Ingawa njia ya jadi ilikuwa sahihi zaidi katika utafiti huu, ni ngumu kuhitimisha ikiwa tofauti ndogo kama hiyo ina umuhimu wa kliniki au wa vitendo. Matokeo haya yanaonyesha kuwa usahihi wa makadirio ya umri wa meno kwa kutumia mfano wa DM ni sawa na ile ya njia ya jadi. Ulinganisho wa moja kwa moja na matokeo kutoka kwa masomo ya zamani ni ngumu kwa sababu hakuna utafiti ambao umelinganisha usahihi wa mifano ya DM na njia za kitamaduni za kutumia mbinu ile ile ya kurekodi meno katika kiwango sawa cha umri kama ilivyo kwenye utafiti huu. Galibourg et al24 alilinganisha MAE na RMSE kati ya njia mbili za jadi (Demirjian Method25 na Willems Method29) na mifano 10 ya DM katika idadi ya watu wa Ufaransa wenye umri wa miaka 2 hadi 24. Waliripoti kuwa mifano yote ya DM ilikuwa sahihi zaidi kuliko njia za jadi, na tofauti za miaka 0.20 na 0.38 katika MAE na miaka 0.25 na 0.47 katika RMSE ikilinganishwa na njia za Willems na Demirdjian, mtawaliwa. Utofauti kati ya mfano wa SD na njia za jadi zilizoonyeshwa katika utafiti wa halibourg inazingatia ripoti nyingi30,31,32,33 kwamba njia ya Demirdjian haikadiria kwa usahihi umri wa meno katika idadi ya watu isipokuwa Wakanada wa Ufaransa ambao utafiti huo ulikuwa msingi. Katika utafiti huu. Tai et al 34 alitumia algorithm ya MLP kutabiri umri wa jino kutoka picha 1636 za Kichina na kulinganisha usahihi wake na matokeo ya njia ya Demirjian na Willems. Waliripoti kuwa MLP ina usahihi wa hali ya juu kuliko njia za jadi. Tofauti kati ya njia ya Demirdjian na njia ya jadi ni miaka 0.32, na njia ya Willems ni miaka 0.28, ambayo ni sawa na matokeo ya utafiti uliopo. Matokeo ya masomo haya ya zamani24,34 pia yanaambatana na matokeo ya utafiti uliopo, na usahihi wa makadirio ya umri wa mfano wa DM na njia ya jadi ni sawa. Walakini, kwa kuzingatia matokeo yaliyowasilishwa, tunaweza tu kuhitimisha kwa uangalifu kwamba utumiaji wa mifano ya DM kukadiria umri unaweza kuchukua nafasi ya njia zilizopo kwa sababu ya ukosefu wa masomo ya kulinganisha na kumbukumbu ya zamani. Uchunguzi wa ufuatiliaji kwa kutumia sampuli kubwa unahitajika ili kudhibitisha matokeo yaliyopatikana katika utafiti huu.
Kati ya masomo yaliyopima usahihi wa SD katika kukadiria umri wa meno, wengine walionyesha usahihi wa hali ya juu kuliko masomo yetu. Stepanovsky et al 35 alitumia mifano 22 ya SD kwa radiografia ya paneli ya wakaazi wa 976 wa Czech wenye umri wa miaka 2.7 hadi 20.5 na walijaribu usahihi wa kila mfano. Walipima maendeleo ya jumla ya meno 16 ya juu na ya chini ya kushoto kwa kutumia vigezo vya uainishaji vilivyopendekezwa na Moorrees et al 36. MAE huanzia miaka 0.64 hadi 0.94 na RMSE huanzia miaka 0.85 hadi 1.27, ambayo ni sahihi zaidi kuliko mifano miwili ya DM inayotumiwa katika utafiti huu. Shen et al23 alitumia njia ya camiere kukadiria umri wa meno ya meno saba ya kudumu katika kushoto kwa wakazi wa China wa Mashariki wenye umri wa miaka 5 hadi 13 na kulinganisha na miaka inayokadiriwa kutumia regression ya mstari, SVM na RF. Walionyesha kuwa mifano yote mitatu ya DM ina usahihi wa hali ya juu ukilinganisha na formula ya jadi ya cameriere. MAE na RMSE katika utafiti wa Shen walikuwa chini kuliko ile iliyo kwenye mfano wa DM katika utafiti huu. Usahihi ulioongezeka wa masomo na Stepanovsky et al. 35 na Shen et al. 23 inaweza kuwa ni kwa sababu ya kuingizwa kwa masomo ya vijana katika sampuli zao za masomo. Kwa sababu makadirio ya umri kwa washiriki walio na meno yanayokua yanakuwa sahihi zaidi kadiri idadi ya meno inavyoongezeka wakati wa maendeleo ya meno, usahihi wa njia ya makadirio ya umri inaweza kuathirika wakati washiriki wa masomo ni mchanga. Kwa kuongeza, kosa la MLP katika makadirio ya umri ni kidogo kidogo kuliko SLP, ikimaanisha kuwa MLP ni sahihi zaidi kuliko SLP. MLP inachukuliwa kuwa bora zaidi kwa makadirio ya umri, labda kwa sababu ya tabaka zilizofichwa katika MLP38. Walakini, kuna ubaguzi kwa sampuli ya nje ya wanawake (SLP 1.45, MLP 1.49). Ugunduzi kuwa MLP ni sahihi zaidi kuliko SLP katika kutathmini umri inahitaji masomo ya ziada ya kupatikana.
Utendaji wa uainishaji wa mfano wa DM na njia ya jadi katika kizingiti cha miaka 18 pia ililinganishwa. Aina zote zilizopimwa za SD na njia za jadi kwenye seti ya mtihani wa ndani zilionyesha viwango vinavyokubalika vya ubaguzi kwa mfano wa miaka 18. Usikivu kwa wanaume na wanawake ulikuwa mkubwa kuliko 87.7% na 94.9%, mtawaliwa, na maalum ilikuwa kubwa kuliko 89.3% na 84.7%. Auroc ya mifano yote iliyojaribiwa pia inazidi 0.925. Kwa ufahamu wetu bora, hakuna utafiti ambao umejaribu utendaji wa mfano wa DM kwa uainishaji wa miaka 18 kulingana na ukomavu wa meno. Tunaweza kulinganisha matokeo ya utafiti huu na utendaji wa uainishaji wa mifano ya kujifunza kwa kina kwenye radiografia ya paneli. Guo et al.15 alihesabu utendaji wa uainishaji wa mfano wa kujifunza kwa kina wa CNN na njia ya mwongozo kulingana na njia ya Demirjian kwa kizingiti fulani cha umri. Usikivu na maalum ya njia ya mwongozo ilikuwa 87.7% na 95.5%, mtawaliwa, na usikivu na maalum ya mfano wa CNN ilizidi 89.2% na 86.6%, mtawaliwa. Walihitimisha kuwa mifano ya kina ya kujifunza inaweza kuchukua nafasi au tathmini ya mwongozo wa kuainisha vizingiti vya umri. Matokeo ya utafiti huu yalionyesha utendaji sawa wa uainishaji; Inaaminika kuwa uainishaji kutumia mifano ya DM unaweza kuchukua nafasi ya njia za kitamaduni za takwimu kwa makadirio ya umri. Kati ya mifano, DM LR ilikuwa mfano bora katika suala la usikivu kwa sampuli ya kiume na unyeti na maalum kwa mfano wa kike. LR safu ya pili katika hali maalum kwa wanaume. Kwa kuongezea, LR inachukuliwa kuwa moja ya mifano ya watumiaji zaidi ya DM35 na sio ngumu na ngumu kusindika. Kulingana na matokeo haya, LR ilizingatiwa mfano bora wa uainishaji kwa watoto wa miaka 18 katika idadi ya watu wa Kikorea.
Kwa jumla, usahihi wa makadirio ya umri au utendaji wa uainishaji kwenye seti ya mtihani wa nje ilikuwa duni au ya chini ikilinganishwa na matokeo kwenye seti ya mtihani wa ndani. Ripoti zingine zinaonyesha kuwa usahihi wa uainishaji au ufanisi hupungua wakati makadirio ya umri kulingana na idadi ya watu wa Kikorea yanatumika kwa idadi ya watu wa Japan5,39, na muundo kama huo ulipatikana katika utafiti wa sasa. Hali hii ya kuzorota pia ilizingatiwa katika mfano wa DM. Kwa hivyo, kukadiria kwa usahihi umri, hata wakati wa kutumia DM katika mchakato wa uchambuzi, njia zinazotokana na data ya idadi ya watu, kama njia za jadi, zinapaswa kupendelea5,39,40,41,42. Kwa kuwa haijulikani ikiwa mifano ya kujifunza kwa kina inaweza kuonyesha mwenendo kama huo, tafiti kulinganisha usahihi wa uainishaji na ufanisi kwa kutumia njia za jadi, mifano ya DM, na mifano ya kujifunza kwa kina kwenye sampuli sawa inahitajika ili kudhibitisha ikiwa akili ya bandia inaweza kuondokana na utofauti huu wa rangi katika umri mdogo. tathmini.
Tunaonyesha kuwa njia za jadi zinaweza kubadilishwa na makadirio ya umri kulingana na mfano wa DM katika mazoezi ya makadirio ya umri wa ujasusi huko Korea. Tuligundua pia uwezekano wa kutekeleza ujifunzaji wa mashine kwa tathmini ya umri wa ujasusi. Walakini, kuna mapungufu wazi, kama vile idadi ya washiriki haitoshi katika utafiti huu kuamua kabisa matokeo, na ukosefu wa masomo ya zamani kulinganisha na kuthibitisha matokeo ya utafiti huu. Katika siku zijazo, masomo ya DM yanapaswa kufanywa na idadi kubwa ya sampuli na idadi tofauti zaidi ili kuboresha utumiaji wake wa vitendo ukilinganisha na njia za jadi. Ili kudhibitisha uwezekano wa kutumia akili ya bandia kukadiria umri katika idadi ya watu, masomo ya siku zijazo yanahitajika kulinganisha usahihi wa uainishaji na ufanisi wa DM na mifano ya kujifunza kwa kina na njia za jadi katika sampuli zile zile.
Utafiti huo ulitumia picha 2,657 za orthographic zilizokusanywa kutoka kwa watu wazima wa Kikorea na Japan wenye umri wa miaka 15 hadi 23. Radiografia ya Kikorea iligawanywa katika seti 900 za mafunzo (miaka 19.42 ± miaka 2.65) na seti 900 za mtihani wa ndani (miaka 19.52 ± 2.59). Seti ya mafunzo ilikusanywa katika taasisi moja (Hospitali ya Seoul St. Mary's), na seti ya mtihani mwenyewe ilikusanywa katika taasisi mbili (Hospitali ya meno ya Chuo Kikuu cha Seoul na Hospitali ya meno ya Chuo Kikuu cha Yonsei). Tulikusanya pia radiografia 857 kutoka kwa data nyingine ya msingi wa idadi ya watu (Chuo Kikuu cha Matibabu cha Iwate, Japan) kwa upimaji wa nje. Radiografia ya masomo ya Kijapani (miaka 19.31 ± miaka 2.60) ilichaguliwa kama seti ya mtihani wa nje. Takwimu zilikusanywa mara kwa mara kuchambua hatua za maendeleo ya meno kwenye radiografia za paneli zilizochukuliwa wakati wa matibabu ya meno. Takwimu zote zilizokusanywa hazikujulikana isipokuwa kwa jinsia, tarehe ya kuzaliwa na tarehe ya radiograph. Vigezo vya kujumuisha na kutengwa vilikuwa sawa na masomo yaliyochapishwa hapo awali 4, 5. Umri halisi wa sampuli ulihesabiwa kwa kuondoa tarehe ya kuzaliwa kutoka tarehe ambayo radiograph ilichukuliwa. Kikundi cha mfano kiligawanywa katika vikundi vya umri wa miaka tisa. Ugawanyaji wa umri na ngono unaonyeshwa kwenye Jedwali 3 Utafiti huu ulifanywa kwa mujibu wa Azimio la Helsinki na kupitishwa na Bodi ya Tathmini ya Taasisi (IRB) ya Hospitali ya Seoul St. Mary's Chuo Kikuu cha Katoliki cha Korea (KC22WISi0328). Kwa sababu ya muundo wa utafiti huu, idhini iliyo na habari haikuweza kupatikana kutoka kwa wagonjwa wote wanaofanya uchunguzi wa radiographic kwa madhumuni ya matibabu. Hospitali ya Chuo Kikuu cha Seoul Korea cha St Mary's (IRB) iliachana na hitaji la idhini iliyo na habari.
Hatua za maendeleo za molars za pili na tatu zilitathminiwa kulingana na vigezo vya Demircan25. Jino moja tu lilichaguliwa ikiwa aina moja ya jino ilipatikana upande wa kushoto na kulia wa kila taya. Ikiwa meno ya nyumbani kwa pande zote yalikuwa katika hatua tofauti za maendeleo, jino na hatua ya chini ya maendeleo ilichaguliwa ili akaunti ya kutokuwa na uhakika katika umri uliokadiriwa. Radiografia mia moja iliyochaguliwa kutoka kwa seti ya mafunzo ilifungwa na waangalizi wawili wenye uzoefu ili kujaribu kuegemea kwa interobserver baada ya usahihi wa kuamua hatua ya ukomavu wa meno. Kuegemea kwa intraobserver kulitathminiwa mara mbili kwa vipindi vya miezi mitatu na mtazamaji wa msingi.
Hatua ya ngono na maendeleo ya molars ya pili na ya tatu ya kila taya katika seti ya mafunzo ilikadiriwa na mtazamaji wa msingi aliyefundishwa na mifano tofauti ya DM, na umri halisi uliwekwa kama thamani ya lengo. Aina za SLP na MLP, ambazo hutumiwa sana katika kujifunza mashine, zilijaribiwa dhidi ya algorithms ya regression. Mfano wa DM unachanganya kazi za mstari kwa kutumia hatua za maendeleo za meno manne na inachanganya data hizi kukadiria umri. SLP ni mtandao rahisi wa neural na hauna tabaka zilizofichwa. SLP inafanya kazi kulingana na maambukizi ya kizingiti kati ya nodi. Mfano wa SLP katika regression ni sawa na regression nyingi za mstari. Tofauti na mfano wa SLP, mfano wa MLP una tabaka nyingi zilizofichwa na kazi za uanzishaji zisizo za mstari. Majaribio yetu yalitumia safu iliyofichwa na node 20 tu zilizofichwa na kazi za uanzishaji zisizo za mstari. Tumia asili ya gradient kama njia ya optimization na MAE na RMSE kama kazi ya upotezaji kufundisha mfano wetu wa kujifunza mashine. Mfano bora wa rejareja uliopatikana ulitumika kwa seti za mtihani wa ndani na nje na umri wa meno ulikadiriwa.
Algorithm ya uainishaji ilitengenezwa ambayo hutumia ukomavu wa meno manne kwenye mafunzo yaliyowekwa kutabiri ikiwa sampuli ina umri wa miaka 18 au la. Ili kujenga mfano, tulipata mashine saba za uwakilishi za kujifunza algorithms6,43: (1) lr, (2) knn, (3) svm, (4) dt, (5) rf, (6) xgboost, na (7) MLP . LR ni moja wapo ya uainishaji wa algorithms44. Ni algorithm inayosimamiwa ya kujifunza ambayo hutumia regression kutabiri uwezekano wa data ya aina fulani kutoka 0 hadi 1 na huainisha data kama ya jamii inayowezekana zaidi kulingana na uwezekano huu; Inatumika hasa kwa uainishaji wa binary. KNN ni moja ya mashine rahisi ya kujifunza algorithms45. Inapopewa data mpya ya pembejeo, hupata data ya K karibu na seti iliyopo na kisha kuziweka darasani na masafa ya juu zaidi. Tunaweka 3 kwa idadi ya majirani kuzingatiwa (k). SVM ni algorithm ambayo inakuza umbali kati ya madarasa mawili kwa kutumia kazi ya kernel kupanua nafasi ya mstari kuwa nafasi isiyo ya mstari inayoitwa Fields46. Kwa mfano huu, tunatumia upendeleo = 1, nguvu = 1, na gamma = 1 kama hyperparameter kwa kernel ya polynomial. DT imetumika katika nyanja mbali mbali kama algorithm ya kugawanya data nzima iliyowekwa katika vikundi kadhaa kwa kuwakilisha sheria za uamuzi katika muundo wa mti47. Mfano huo umeundwa na idadi ya chini ya rekodi kwa kila nodi ya 2 na hutumia faharisi ya Gini kama kipimo cha ubora. RF ni njia ya kukusanyika ambayo inachanganya DTs nyingi ili kuboresha utendaji kwa kutumia njia ya mkusanyiko wa bootstrap ambayo hutoa darasa dhaifu kwa kila sampuli na sampuli za kuchora kwa nasibu mara kadhaa kutoka kwa data ya asili48. Tulitumia miti 100, kina cha mti 10, ukubwa wa kiwango cha chini cha nodi, na faharisi ya mchanganyiko wa Gini kama vigezo vya kutenganisha node. Uainishaji wa data mpya imedhamiriwa na kura nyingi. XGBoost ni algorithm ambayo inachanganya mbinu za kuongeza kutumia njia ambayo inachukua kama data ya mafunzo kosa kati ya maadili halisi na yaliyotabiriwa ya mfano uliopita na kuongeza kosa kwa kutumia gradients49. Ni algorithm inayotumika sana kwa sababu ya utendaji mzuri na ufanisi wa rasilimali, na pia kuegemea juu kama kazi ya marekebisho ya kupita kiasi. Mfano huo umewekwa na magurudumu 400 ya msaada. MLP ni mtandao wa neural ambao perceptrons moja au zaidi huunda tabaka nyingi na tabaka moja au zaidi zilizofichwa kati ya tabaka za pembejeo na pato38. Kutumia hii, unaweza kufanya uainishaji usio na mstari ambapo unapoongeza safu ya pembejeo na kupata thamani ya matokeo, thamani ya matokeo iliyotabiriwa inalinganishwa na thamani halisi ya matokeo na kosa limepanuliwa nyuma. Tuliunda safu iliyofichwa na neuroni 20 zilizofichwa katika kila safu. Kila mfano ambao tulitengeneza ulitumika kwa seti za ndani na nje ili kujaribu utendaji wa uainishaji kwa kuhesabu usikivu, maalum, PPV, NPV, na AUROC. Usikivu hufafanuliwa kama uwiano wa sampuli inayokadiriwa kuwa na umri wa miaka 18 au zaidi kwa sampuli inayokadiriwa kuwa na umri wa miaka 18 au zaidi. Ukweli ni sehemu ya sampuli chini ya umri wa miaka 18 na zile zinazokadiriwa kuwa chini ya miaka 18.
Hatua za meno zilizopimwa katika seti ya mafunzo zilibadilishwa kuwa hatua za hesabu kwa uchambuzi wa takwimu. Marekebisho ya laini na vifaa vya maandishi vilifanywa ili kukuza mifano ya utabiri kwa kila jinsia na kupata njia za kumbukumbu ambazo zinaweza kutumika kukadiria umri. Tulitumia njia hizi kukadiria umri wa jino kwa seti za mtihani wa ndani na nje. Jedwali 4 linaonyesha mifano ya kumbukumbu na uainishaji inayotumika katika utafiti huu.
Kuegemea kwa ndani na interobserver kulihesabiwa kwa kutumia takwimu za Kappa za Cohen. Ili kujaribu usahihi wa mifano ya kumbukumbu ya DM na jadi, tulihesabu MAE na RMSE kwa kutumia umri uliokadiriwa na halisi wa seti za mtihani wa ndani na nje. Makosa haya hutumiwa kawaida kutathmini usahihi wa utabiri wa mfano. Kosa ndogo, juu ya usahihi wa utabiri24. Linganisha MAE na RMSE ya seti za mtihani wa ndani na nje zilizohesabiwa kwa kutumia DM na hali ya jadi. Utendaji wa uainishaji wa cutoff ya miaka 18 katika takwimu za jadi ilipimwa kwa kutumia meza ya dharura ya 2 × 2. Usikivu uliohesabiwa, maalum, PPV, NPV, na AUROC ya seti ya jaribio ililinganishwa na maadili yaliyopimwa ya mfano wa uainishaji wa DM. Takwimu zinaonyeshwa kama maana ± kupotoka kawaida au nambari (%) kulingana na sifa za data. Thamani mbili za upande wa P <0.05 zilizingatiwa kuwa muhimu kwa takwimu. Uchambuzi wote wa takwimu za kawaida ulifanywa kwa kutumia toleo la SAS 9.4 (Taasisi ya SAS, Cary, NC). Mfano wa kumbukumbu ya DM ulitekelezwa katika Python kwa kutumia Keras50 2.2.4 Backend na TensorFlow51 1.8.0 haswa kwa shughuli za hesabu. Mfano wa uainishaji wa DM ulitekelezwa katika mazingira ya uchambuzi wa maarifa ya Waikato na Mchimbaji wa Habari wa Konstanz (KNIME) 4.6.152 Jukwaa la Uchambuzi.
Waandishi wanakubali kwamba data inayounga mkono hitimisho la utafiti inaweza kupatikana katika makala na vifaa vya ziada. Hifadhidata zinazozalishwa na/au kuchambuliwa wakati wa utafiti zinapatikana kutoka kwa mwandishi anayeandamana juu ya ombi linalofaa.
Ritz-Timme, S. et al. Tathmini ya Umri: Hali ya sanaa kukidhi mahitaji maalum ya mazoezi ya ujasusi. 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 uchunguzi wa masomo ya kuishi kwa madhumuni ya mashtaka ya jinai. Utabiri. dawa. Ugonjwa. 1, 239–246 (2005).
Pan, J. et al. Njia iliyobadilishwa ya kukagua umri wa meno ya watoto wenye umri wa miaka 5 hadi 16 mashariki mwa Uchina. kliniki. Utafiti wa mdomo. 25, 3463–3474 (2021).
Lee, SS nk chronology ya maendeleo ya molars ya pili na ya tatu kwa Wakorea na matumizi yake ya tathmini ya umri wa ujasusi. kimataifa. J. Dawa ya kisheria. 124, 659-665 (2010).
Ah, S., Kumagai, A., Kim, Sy na Lee, usahihi wa makadirio ya umri na makadirio ya kizingiti cha miaka 18 kulingana na ukomavu wa molars wa pili na wa tatu kwa Wakorea na Kijapani. PLOS One 17, E0271247 (2022).
Kim, JY, et al. Mchanganuo wa data ya msingi wa kujifunza ya msingi inaweza kutabiri matokeo ya matibabu ya upasuaji kwa wagonjwa walio na OSA. Sayansi. Ripoti 11, 14911 (2021).
Han, M. et al. Ukadiriaji sahihi wa umri kutoka kwa kujifunza mashine na au bila kuingilia kati kwa mwanadamu? kimataifa. J. Dawa ya kisheria. 136, 821-831 (2022).
Khan, S. na Shaheen, M. Kutoka kwa madini ya data hadi madini ya data. J.Information. Sayansi. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. na Shaheen, M. Wisrule: algorithm ya kwanza ya utambuzi ya madini ya ushirika. J.Information. Sayansi. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. na Abdullah U. Karm: Madini ya jadi ya madini kulingana na sheria za msingi wa muktadha. mahesabu. Math. endelea. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. na Habib M. Kujifunza kwa kina kugundua kufanana kwa semantic kwa kutumia data ya maandishi. kuarifu. Teknolojia. Udhibiti. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., na Shahin, M. Mfumo wa kutambua shughuli katika video za michezo. Multimedia. Maombi ya zana https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Changamoto ya kujifunza mashine ya RSNA katika umri wa mfupa wa watoto. Radiology 290, 498-503 (2019).
Li, Y. et al. Makadirio ya umri wa ujasusi kutoka kwa mionzi ya pelvic kwa kutumia kujifunza kwa kina. Euro. mionzi. 29, 2322–2329 (2019).
Guo, YC, et al. Uainishaji sahihi wa umri kwa kutumia njia za mwongozo na mitandao ya neural ya kina kutoka kwa picha za makadirio ya orthographic. kimataifa. J. Dawa ya kisheria. 135, 1589-1597 (2021).
Alabama Dalora et al. Makadirio ya umri wa mfupa kwa kutumia njia tofauti za kujifunza mashine: Mapitio ya fasihi ya kimfumo na uchambuzi wa meta. PLOS One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., na Yang, J. Makadirio ya umri wa idadi ya watu wa Wamarekani wa Kiafrika na Wachina kulingana na idadi ya chumba cha kwanza cha molars kwa kutumia tomografia iliyokadiriwa. kimataifa. J. Dawa ya kisheria. 136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK na OH KS kuamua vikundi vya watu wanaoishi kwa kutumia picha za msingi za akili za molars za kwanza. Sayansi. Ripoti 11, 1073 (2021).
Stern, D., Mlipaji, C., Giuliani, N., na Urschler, makadirio ya umri wa moja kwa moja na uainishaji wa umri mwingi kutoka kwa data ya MRI ya multivariate. IEEE J. Biomed. Arifa za afya. 23, 1392-1403 (2019).
Cheng, Q., GE, Z., Du, H. na Li, makadirio ya umri wa miaka kulingana na sehemu ya chumba cha mimbari ya 3D ya molars ya kwanza kutoka kwa boriti ya boriti iliyokadiriwa kwa kuunganisha ujifunzaji wa kina na seti za kiwango. kimataifa. J. Dawa ya kisheria. 135, 365-373 (2021).
Wu, WT, et al. Uchimbaji wa data katika data kubwa ya kliniki: hifadhidata za kawaida, hatua, na mifano ya njia. Ulimwengu. dawa. rasilimali. 8, 44 (2021).
Yang, J. et al. Utangulizi wa hifadhidata za matibabu na teknolojia za madini ya data katika enzi kubwa ya data. J. Avid. Dawa ya msingi. 13, 57-69 (2020).
Shen, S. et al. Njia ya Camerer ya kukadiria umri wa jino kwa kutumia kujifunza kwa mashine. Afya ya Oral ya BMC 21, 641 (2021).
Galliburg A. et al. Ulinganisho wa njia tofauti za kujifunza mashine kwa kutabiri umri wa meno kwa kutumia njia ya starehe ya Demirdjian. kimataifa. J. Dawa ya kisheria. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. na Tanner, JM mfumo mpya wa kutathmini umri wa meno. Snort. Baiolojia. 45, 211–227 (1973).
Landis, Jr, na Koch, hatua za GG za makubaliano ya mwangalizi juu ya data ya kitengo. Biometri 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK na Choi HK. Uchambuzi wa maandishi, morphological na takwimu ya mawazo ya pande mbili ya nguvu ya kutumia mbinu za akili za bandia kwa utofautishaji wa tumors za msingi za ubongo. Habari ya Afya. rasilimali. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Wakati wa chapisho: Jan-04-2024