Asante kwa kutembelea Nature.com. Toleo la kivinjari unachotumia lina usaidizi mdogo wa CSS. Kwa matokeo bora, tunapendekeza kutumia toleo jipya la kivinjari chako (au kuzima hali ya utangamano 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 hutumika katika tathmini ya umri wa uchunguzi wa kimatibabu. Tulilenga kuthibitisha makadirio ya umri wa meno yanayotokana na uchimbaji data kwa kulinganisha usahihi wa makadirio na utendaji wa uainishaji wa kizingiti cha miaka 18 na mbinu za kitamaduni na makadirio ya umri yanayotokana na uchimbaji data. Jumla ya radiografia 2657 za panoramic zilikusanywa kutoka kwa raia wa Korea na Japani wenye umri wa miaka 15 hadi 23. Ziligawanywa katika seti ya mafunzo, kila moja ikiwa na radiografia 900 za Kikorea, na seti ya majaribio ya ndani ikiwa na radiografia 857 za Kijapani. Tulilinganisha usahihi wa uainishaji na ufanisi wa mbinu za kitamaduni na seti za majaribio ya mifumo ya uchimbaji data. Usahihi wa mbinu ya kitamaduni kwenye seti ya majaribio ya ndani ni juu kidogo kuliko ile ya modeli ya uchimbaji data, na tofauti ni ndogo (wastani wa kosa kamili
Kujifunza kwa mashine ni aina ya akili bandia (AI) ambayo hujifunza na kuainisha idadi kubwa ya data mara kwa mara, hutatua matatizo yenyewe, na kuendesha programu ya data. Kujifunza kwa mashine kunaweza kugundua mifumo muhimu iliyofichwa katika idadi kubwa ya data6. Kwa upande mwingine, mbinu za kitamaduni, ambazo zinahitaji kazi nyingi na hutumia muda mwingi, zinaweza kuwa na mapungufu wakati wa kushughulika na idadi kubwa ya data ngumu ambayo ni vigumu kusindika kwa mikono7. Kwa hivyo, tafiti nyingi zimefanywa hivi karibuni kwa kutumia teknolojia za kisasa za kompyuta ili kupunguza makosa ya binadamu na kusindika data ya pande nyingi kwa ufanisi8,9,10,11,12. Hasa, kujifunza kwa kina kumetumika sana katika uchanganuzi wa picha za kimatibabu, na njia mbalimbali za kukadiria umri kwa kuchanganua kiotomatiki radiografia 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 ya convolutional (CNN) ili kukadiria umri wa mifupa kwa kutumia radiografia za mikono ya watoto. Utafiti huu unapendekeza mfumo unaotumia ujifunzaji wa mashine kwenye picha za kimatibabu na unaonyesha kwamba njia hizi zinaweza kuboresha usahihi wa uchunguzi. Li et al14 walikadiria umri kutoka kwa picha za X-ray za fupanyonga kwa kutumia CNN ya kujifunza kwa undani na kuzilinganisha na matokeo ya urejeshaji kwa kutumia makadirio ya hatua ya ossification. Waligundua kuwa mfumo wa CNN wa kujifunza kwa undani ulionyesha utendaji sawa wa makadirio ya umri kama mfumo wa jadi wa urejeshaji. Utafiti wa Guo et al. [15] ulitathmini utendaji wa uainishaji wa uvumilivu wa umri wa teknolojia ya CNN kulingana na orthophotos za meno, na matokeo ya mfumo wa CNN yalithibitisha kwamba wanadamu walifanya vyema zaidi kuliko utendaji wake wa uainishaji wa umri.
Tafiti nyingi kuhusu ukadiriaji wa umri kwa kutumia ujifunzaji wa mashine hutumia mbinu za ujifunzaji wa kina13,14,15,16,17,18,19,20. Ukadiriaji wa umri kulingana na ujifunzaji wa kina unaripotiwa kuwa sahihi zaidi kuliko mbinu za kitamaduni. Hata hivyo, mbinu hii haitoi fursa nyingi za kuwasilisha msingi wa kisayansi wa makadirio ya umri, kama vile viashiria vya umri vinavyotumika katika makadirio. Pia kuna mzozo wa kisheria kuhusu ni nani anayefanya ukaguzi. Kwa hivyo, ukadiriaji wa umri kulingana na ujifunzaji wa kina ni vigumu kukubali na mamlaka za utawala na mahakama. Uchimbaji data (DM) ni mbinu ambayo inaweza kugundua sio tu taarifa zinazotarajiwa lakini pia zisizotarajiwa kama njia ya kugundua uhusiano muhimu kati ya kiasi kikubwa cha data6,21,22. Ujifunzaji wa mashine mara nyingi hutumika katika uchimbaji data, na uchimbaji data na ujifunzaji wa mashine hutumia algoriti muhimu sawa kugundua mifumo katika data. Ukadiriaji wa umri kwa kutumia ukuzaji wa meno unategemea tathmini ya mchunguzi ya ukomavu wa meno lengwa, na tathmini hii inaonyeshwa kama hatua ya kila jino lengwa. DM inaweza kutumika kuchambua uhusiano kati ya hatua ya tathmini ya meno na umri halisi na ina uwezo wa kuchukua nafasi ya uchambuzi wa takwimu wa kitamaduni. Kwa hivyo, tukitumia mbinu za DM katika ukadiriaji wa umri, tunaweza kutekeleza ujifunzaji wa mashine katika ukadiriaji wa umri wa kiuchunguzi bila kuwa na wasiwasi kuhusu dhima ya kisheria. Tafiti kadhaa za kulinganisha zimechapishwa kuhusu njia mbadala zinazowezekana za mbinu za jadi za mwongozo zinazotumika katika mazoezi ya kiuchunguzi na mbinu zinazotegemea EBM za kubaini umri wa meno. Shen et al23 walionyesha kuwa mfumo 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 ilizidi mbinu za Demirdjian na Willems katika kukadiria umri wa idadi ya watu wa Ufaransa.
Ili kukadiria umri wa meno wa vijana wa Korea na vijana, mbinu ya Lee namba 4 inatumika sana katika mazoezi ya uchunguzi wa kimatibabu ya Kikorea. Njia hii hutumia uchanganuzi wa kitakwimu wa kitamaduni (kama vile urejelezaji mwingi) kuchunguza uhusiano kati ya watu wa Korea na umri wa mpangilio. Katika utafiti huu, mbinu za makadirio ya umri zinazopatikana kwa kutumia mbinu za kitakwimu za kitamaduni zinafafanuliwa kama "mbinu za kitamaduni." Mbinu ya Lee ni njia ya kitamaduni, na usahihi wake umethibitishwa na Oh et al. 5; hata hivyo, utumiaji wa makadirio ya umri kulingana na modeli ya DM katika mazoezi ya uchunguzi wa kimatibabu ya Kikorea bado unatia shaka. Lengo letu lilikuwa kuthibitisha kisayansi manufaa yanayowezekana ya makadirio ya umri kulingana na modeli ya DM. Madhumuni ya utafiti huu yalikuwa (1) kulinganisha usahihi wa mifano miwili ya DM katika kukadiria umri wa meno na (2) kulinganisha utendaji wa uainishaji wa mifano 7 ya DM katika umri wa miaka 18 na ile iliyopatikana kwa kutumia mbinu za kitakwimu za kitamaduni. Ukomavu wa molars ya pili na ya tatu katika taya zote mbili.
Njia na migeuko ya kawaida ya umri wa mpangilio kwa hatua na aina ya jino inaonyeshwa 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 kwa uaminifu wa ndani na wa mwangalizi zilizopatikana kutoka kwa seti ya mafunzo zilikuwa 0.951 na 0.947, mtawalia. Thamani za P na vipindi vya kujiamini vya 95% kwa thamani za kappa vinaonyeshwa kwenye jedwali la ziada la mtandaoni S4. Thamani ya kappa ilitafsiriwa kama "karibu kamili", sambamba na vigezo vya Landis na Koch26.
Wakati wa kulinganisha hitilafu ya wastani kabisa (MAE), mbinu ya jadi inazidi kidogo modeli ya DM kwa jinsia zote na katika seti ya majaribio ya nje ya kiume, isipokuwa perceptron ya tabaka nyingi (MLP). Tofauti kati ya modeli ya jadi na modeli ya 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 mraba ya wastani wa mizizi (RMSE) ni ndogo kidogo kuliko njia ya jadi, ikiwa na tofauti ndogo (0.17–0.24, 0.2–0.24 kwa seti ya majaribio ya ndani ya kiume, na 0.03–0.07, 0.04–0.08 kwa seti ya majaribio ya nje). ). MLP inaonyesha utendaji bora kidogo kuliko Perceptron ya Tabaka Moja (SLP), isipokuwa katika kesi ya seti ya majaribio ya nje ya kike. Kwa MAE na RMSE, seti ya majaribio ya nje hupata alama za juu zaidi kuliko seti ya majaribio ya ndani kwa jinsia na modeli zote. MAE na RMSE zote zinaonyeshwa katika Jedwali la 1 na Mchoro 1.
MAE na RMSE ya mifumo ya jadi na ya urejelezaji wa uchimbaji data. Makosa kamili ya wastani MAE, kosa la mraba la wastani wa mizizi RMSE, perceptron ya safu moja SLP, perceptron ya safu nyingi MLP, mbinu ya jadi ya CM.
Utendaji wa uainishaji (wenye kikomo cha miaka 18) wa modeli za kitamaduni na DM ulionyeshwa katika suala la unyeti, umahususi, thamani chanya ya utabiri (PPV), thamani hasi ya utabiri (NPV), na eneo chini ya mkunjo wa sifa ya uendeshaji wa kipokezi (AUROC) 27 (Jedwali 2, Mchoro 2 na Mchoro wa Nyongeza 1 mtandaoni). Kwa upande wa unyeti wa betri ya jaribio la ndani, mbinu za kitamaduni zilifanya vyema zaidi miongoni mwa wanaume na mbaya zaidi miongoni mwa 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 modeli za DM, urejeshaji wa vifaa (LR) ulionyesha unyeti bora zaidi katika jinsia zote mbili. Kuhusu umahususi wa seti ya majaribio ya ndani, ilibainika kuwa modeli nne za SD zilifanya vizuri kwa wanaume, huku modeli ya kitamaduni ikifanya vizuri zaidi kwa wanawake. Tofauti katika 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 modeli inazidi unyeti. Miongoni mwa mifumo ya DM, mashine ya vekta ya usaidizi (SVM), mti wa uamuzi (DT), na mifumo ya msitu nasibu (RF) ilifanya vyema zaidi miongoni mwa wanaume, huku mfumo wa LR ukifanya vyema zaidi miongoni mwa wanawake. AUROC ya mfumo wa jadi na mifumo yote ya SD ilikuwa kubwa kuliko 0.925 (k-jirani aliye karibu zaidi (KNN) kwa wanaume), ikionyesha utendaji bora wa uainishaji katika kubagua sampuli za umri wa miaka 1828. Kwa seti ya majaribio ya nje, kulikuwa na kupungua kwa utendaji wa uainishaji katika suala la unyeti, umahususi na AUROC ikilinganishwa na seti ya majaribio ya ndani. Zaidi ya hayo, tofauti katika unyeti na umahususi kati ya utendaji wa uainishaji wa mifumo bora na mibaya zaidi ilianzia 10% hadi 25% na ilikuwa kubwa kuliko tofauti katika seti ya majaribio ya ndani.
Usikivu na umaalum wa mifumo ya uainishaji wa uchimbaji data ikilinganishwa na mbinu za kitamaduni zenye kikomo cha miaka 18. KNN k jirani wa karibu, mashine ya vekta ya usaidizi ya SVM, urejeshaji wa vifaa vya LR, mti wa uamuzi wa DT, msitu nasibu wa RF, XGB XGBoost, perceptron ya tabaka nyingi ya MLP, mbinu ya kitamaduni 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 urejeshaji wa kitamaduni. MAE na RMSE zilitathminiwa katika seti za majaribio ya ndani kwa jinsia zote mbili, na tofauti kati ya njia ya kitamaduni na modeli ya DM ilianzia siku 44 hadi 77 kwa MAE na kutoka siku 62 hadi 88 kwa RMSE. Ingawa njia ya kitamaduni ilikuwa sahihi zaidi kidogo katika utafiti huu, ni vigumu kuhitimisha kama tofauti ndogo kama hiyo ina umuhimu wa kimatibabu au wa vitendo. Matokeo haya yanaonyesha kwamba usahihi wa makadirio ya umri wa meno kwa kutumia modeli ya DM ni karibu sawa na ule wa njia ya kitamaduni. Ulinganisho wa moja kwa moja na matokeo kutoka kwa tafiti za awali ni vigumu kwa sababu hakuna utafiti uliolinganisha usahihi wa mifano ya DM na mbinu za kitamaduni za takwimu kwa kutumia mbinu ile ile ya kurekodi meno katika kiwango sawa cha umri kama ilivyo katika utafiti huu. Galibourg et al24 walilinganisha MAE na RMSE kati ya njia mbili za kitamaduni (njia ya Demirjian25 na njia ya Willems29) na mifano 10 ya DM katika idadi ya watu wa Ufaransa wenye umri wa miaka 2 hadi 24. Waliripoti kwamba mifumo yote ya DM ilikuwa sahihi zaidi kuliko mbinu za kitamaduni, huku 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 mfumo wa SD na mbinu za kitamaduni zilizoonyeshwa katika utafiti wa Halibourg inazingatia ripoti nyingi30,31,32,33 kwamba mbinu ya Demirdjian haikadirii kwa usahihi umri wa meno katika idadi ya watu wengine isipokuwa Wakanada wa Ufaransa ambao utafiti huo ulitegemea. katika utafiti huu. Tai na wenzake 34 walitumia algoriti ya MLP kutabiri umri wa meno kutoka picha za Kichina za 1636 na kulinganisha usahihi wake na matokeo ya mbinu ya Demirjian na Willems. Waliripoti kwamba MLP ina usahihi wa juu kuliko mbinu za kitamaduni. Tofauti kati ya mbinu ya Demirdjian na njia ya kitamaduni ni
Utendaji wa uainishaji wa modeli ya DM na mbinu ya jadi katika kizingiti cha miaka 18 pia ulilinganishwa. Mifano yote ya SD iliyojaribiwa na mbinu za jadi kwenye seti ya majaribio ya ndani ilionyesha viwango vinavyokubalika vya ubaguzi kwa sampuli ya umri wa miaka 18. Unyeti kwa wanaume na wanawake ulikuwa mkubwa kuliko 87.7% na 94.9%, mtawalia, na umaalum ulikuwa mkubwa kuliko 89.3% na 84.7%. AUROC ya mifano yote iliyojaribiwa pia inazidi 0.925. Kwa ufahamu wetu bora, hakuna utafiti uliojaribu utendaji wa modeli ya 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 za panoramiki. Guo na wenzake 15 walihesabu utendaji wa uainishaji wa modeli ya kujifunza kwa kina inayotegemea CNN na mbinu ya mwongozo kulingana na mbinu ya Demirjian kwa kizingiti fulani cha umri. Usikivu na umahususi wa mbinu ya mwongozo ulikuwa 87.7% na 95.5%, mtawalia, na usikivu na umahususi wa modeli ya CNN ulizidi 89.2% na 86.6%, mtawalia. Walihitimisha kuwa modeli za kujifunza kwa kina zinaweza kuchukua nafasi au kufanya vizuri zaidi kuliko 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 kitamaduni kwa ajili ya makadirio ya umri. Miongoni mwa modeli, DM LR ilikuwa modeli bora zaidi katika suala la usikivu kwa sampuli ya kiume na usikivu na umahususi kwa sampuli ya kike. LR inashika nafasi ya pili katika umahususi kwa wanaume. Zaidi ya hayo, LR inachukuliwa kuwa mojawapo ya modeli za DM35 zinazofaa zaidi kwa mtumiaji na si ngumu sana na ni ngumu kusindika. Kulingana na matokeo haya, LR ilizingatiwa kuwa modeli bora zaidi ya uainishaji kwa watoto wa miaka 18 katika idadi ya watu wa Korea.
Kwa ujumla, usahihi wa makadirio ya umri au utendaji wa uainishaji kwenye seti ya majaribio ya nje ulikuwa duni au chini ikilinganishwa na matokeo kwenye seti ya majaribio ya ndani. Baadhi ya ripoti zinaonyesha kuwa usahihi au ufanisi wa uainishaji hupungua wakati makadirio ya umri kulingana na idadi ya watu wa Korea yanatumika kwa idadi ya watu wa Japani5,39, na muundo kama huo ulipatikana katika utafiti huu. Mwelekeo huu wa kuzorota pia ulizingatiwa katika modeli ya DM. Kwa hivyo, ili kukadiria kwa usahihi umri, hata wakati wa kutumia DM katika mchakato wa uchambuzi, mbinu zinazotokana na data ya idadi ya watu asilia, kama vile mbinu za kitamaduni, zinapaswa kupendelewa5,39,40,41,42. Kwa kuwa haijulikani wazi ikiwa modeli za kujifunza kwa kina zinaweza kuonyesha mitindo sawa, tafiti zinazolinganisha usahihi na ufanisi wa uainishaji kwa kutumia mbinu za kitamaduni, modeli za DM, na modeli za kujifunza kwa kina kwenye sampuli zile zile zinahitajika ili kuthibitisha kama akili bandia inaweza kushinda tofauti hizi za rangi katika tathmini za umri mdogo.
Tunaonyesha kwamba mbinu za kitamaduni zinaweza kubadilishwa na makadirio ya umri kulingana na mfumo wa DM katika mazoezi ya makadirio ya umri wa kiuchunguzi nchini Korea. Pia tuligundua uwezekano wa kutekeleza ujifunzaji wa mashine kwa ajili ya tathmini ya umri wa kiuchunguzi. Hata hivyo, kuna mapungufu yaliyo wazi, kama vile idadi isiyotosha ya washiriki katika utafiti huu ili kubaini 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 matumizi yake ya vitendo ikilinganishwa na mbinu za kitamaduni. Ili kuthibitisha uwezekano wa kutumia akili bandia kukadiria umri katika idadi nyingi ya watu, tafiti za baadaye zinahitajika ili kulinganisha usahihi na ufanisi wa uainishaji wa DM na mifumo ya kujifunza kwa kina na mbinu za kitamaduni katika sampuli zile zile.
Utafiti huo ulitumia picha 2,657 za orthografia zilizokusanywa kutoka kwa watu wazima wa Korea na Japani wenye umri wa miaka 15 hadi 23. Radiografia 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 Kitaifa cha Seoul na Hospitali ya Meno ya Chuo Kikuu cha Yonsei). Pia tulikusanya radiografia 857 kutoka kwa data nyingine inayotegemea idadi ya watu (Chuo Kikuu cha Matibabu cha Iwate, Japani) kwa ajili ya majaribio ya nje. Radiografia za masomo ya Kijapani (miaka 19.31 ± 2.60) zilichaguliwa kama seti ya majaribio ya nje. Data zilikusanywa kwa kurudi nyuma ili kuchambua hatua za ukuaji wa meno kwenye radiografia za panoramic zilizochukuliwa wakati wa matibabu ya meno. Data zote zilizokusanywa hazikujulikana isipokuwa jinsia, tarehe ya kuzaliwa na tarehe ya radiografia. Vigezo vya kuingizwa na kutengwa vilikuwa sawa na tafiti zilizochapishwa hapo awali 4, 5. Umri halisi wa sampuli ulihesabiwa kwa kutoa tarehe ya kuzaliwa kutoka tarehe ambayo radiografia ilichukuliwa. Kundi la sampuli liligawanywa katika vikundi tisa vya umri. Mgawanyo wa umri na jinsia umeonyeshwa katika Jedwali la 3. Utafiti huu ulifanywa kwa mujibu wa Azimio la Helsinki na kuidhinishwa na Bodi ya Mapitio ya Taasisi (IRB) ya Hospitali ya Seoul St. Mary's ya Chuo Kikuu cha Katoliki cha Korea (KC22WISI0328). Kutokana na muundo wa utafiti huu wa nyuma, ridhaa ya taarifa 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 sharti la ridhaa ya taarifa.
Hatua za ukuaji wa molars mbili na tatu za maxillary zilipimwa kulingana na vigezo vya Demircan25. Jino moja tu lilichaguliwa ikiwa aina moja ya jino ilipatikana pande za kushoto na kulia za kila taya. Ikiwa meno ya homologous pande zote mbili yalikuwa katika hatua tofauti za ukuaji, jino lenye hatua ya chini ya ukuaji lilichaguliwa ili kuhesabu kutokuwa na uhakika katika umri uliokadiriwa. X-ray mia moja zilizochaguliwa bila mpangilio kutoka kwa seti ya mafunzo zilipimwa na waangalizi wawili wenye uzoefu ili kupima uaminifu wa waangalizi baada ya urekebishaji wa awali ili kubaini hatua ya ukomavu wa meno. Uaminifu wa waangalizi wa ndani ulipimwa mara mbili kwa vipindi vya miezi mitatu na mtazamaji mkuu.
Hatua ya jinsia na ukuaji wa molars ya pili na ya tatu ya kila taya katika seti ya mafunzo ilikadiriwa na mwangalizi mkuu aliyefunzwa na modeli tofauti za DM, na umri halisi uliwekwa kama thamani inayolengwa. Mifumo ya SLP na MLP, ambayo hutumika sana katika kujifunza kwa mashine, ilijaribiwa dhidi ya algoriti za urejeshaji. Mfano wa DM unachanganya kazi za mstari kwa kutumia hatua za ukuaji wa meno manne na unachanganya data hizi ili kukadiria umri. SLP ni 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 mwingi wa mstari. Tofauti na modeli ya SLP, modeli ya MLP ina tabaka nyingi zilizofichwa zenye kazi za uanzishaji zisizo za mstari. Majaribio yetu yalitumia safu iliyofichwa yenye nodi 20 pekee zilizofichwa zenye kazi za uanzishaji zisizo za mstari. Tumia kushuka kwa gradient kama njia ya uboreshaji na MAE na RMSE kama kazi ya upotevu ili kufunza modeli yetu ya kujifunza kwa mashine. Mfano bora zaidi wa urejeshaji uliopatikana ulitumika kwa seti za majaribio za ndani na nje na umri wa meno ulikadiriwa.
Algoritimu ya uainishaji ilitengenezwa ambayo hutumia ukomavu wa meno manne kwenye seti ya mafunzo ili kutabiri kama sampuli ina umri wa miaka 18 au la. Ili kujenga modeli, tulipata algoriti saba za uwakilishi za kujifunza kwa mashine6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, na (7) MLP. LR ni mojawapo ya algoriti za uainishaji zinazotumika sana44. Ni algoriti ya kujifunza inayosimamiwa ambayo hutumia urejeshaji kutabiri uwezekano wa data kuwa ya kategoria fulani kutoka 0 hadi 1 na kuainisha data kama ya kategoria inayowezekana zaidi kulingana na uwezekano huu; hasa hutumika kwa uainishaji wa binary. KNN ni mojawapo ya algoriti rahisi zaidi za kujifunza kwa mashine45. Inapopewa data mpya ya ingizo, hupata data ya k karibu na seti iliyopo na kisha kuiainisha katika darasa lenye masafa ya juu zaidi. Tunaweka 3 kwa idadi ya majirani wanaozingatiwa (k). SVM ni algoriti inayoongeza umbali kati ya madarasa mawili kwa kutumia kitendakazi cha kernel kupanua nafasi ya mstari hadi nafasi isiyo ya mstari inayoitwa fields46. Kwa mfumo huu, tunatumia upendeleo = 1, nguvu = 1, na gamma = 1 kama vigezo vya hyperparameter kwa kiini cha polinomia. DT imetumika katika nyanja mbalimbali kama algoriti ya kugawanya seti nzima ya data katika vikundi vidogo kadhaa kwa kuwakilisha sheria za uamuzi katika muundo wa mti47. Mfumo huu umeundwa kwa idadi ya chini ya rekodi kwa kila nodi ya 2 na hutumia faharasa ya Gini kama kipimo cha ubora. RF ni mbinu ya mkusanyiko inayochanganya DT nyingi ili kuboresha utendaji kwa kutumia mbinu ya mkusanyiko wa bootstrap ambayo hutoa uainishaji dhaifu kwa kila sampuli kwa kuchora sampuli za ukubwa sawa mara nyingi kutoka kwa seti ya data asili48. Tulitumia miti 100, kina cha miti 10, ukubwa wa chini wa nodi 1, na faharasa ya mchanganyiko wa Gini kama vigezo vya utenganishaji wa nodi. Uainishaji wa data mpya huamuliwa kwa kura nyingi. XGBoost ni algoriti inayochanganya mbinu za kuongeza nguvu kwa kutumia njia ambayo huchukua kama data ya mafunzo kosa kati ya thamani halisi na zilizotabiriwa za mfumo uliopita na kuongeza kosa kwa kutumia gradients49. Ni algoriti inayotumika sana kutokana na utendaji wake mzuri na ufanisi wa rasilimali, pamoja na uaminifu wa hali ya juu kama kitendakazi cha kurekebisha kupita kiasi. Mfano huu una magurudumu 400 ya usaidizi. MLP ni mtandao wa neva ambapo perceptroni moja au zaidi huunda tabaka nyingi zenye tabaka moja au zaidi zilizofichwa kati ya tabaka za ingizo na matokeo38. Kwa kutumia hii, unaweza kufanya uainishaji usio wa mstari ambapo unapoongeza safu ya ingizo na kupata thamani ya matokeo, thamani ya matokeo iliyotabiriwa inalinganishwa na thamani halisi ya matokeo na kosa huenezwa nyuma. Tuliunda safu iliyofichwa yenye niuroni 20 zilizofichwa katika kila safu. Kila modeli tuliyotengeneza ilitumika kwa seti za ndani na nje ili kujaribu utendaji wa uainishaji kwa kuhesabu unyeti, umahususi, PPV, NPV, na AUROC. Unyeti 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. Umahususi ni uwiano wa sampuli zilizo chini ya umri wa miaka 18 na zile zinazokadiriwa kuwa chini ya umri wa miaka 18.
Hatua za meno zilizopimwa katika seti ya mafunzo zilibadilishwa kuwa hatua za nambari kwa ajili ya uchambuzi wa takwimu. Urejeshaji wa mstari na wa vifaa vingi ulifanywa ili kutengeneza mifumo ya utabiri kwa kila jinsia na kupata fomula za urejeshaji ambazo zinaweza kutumika kukadiria umri. Tulitumia fomula hizi kukadiria umri wa jino kwa seti za majaribio za ndani na nje. Jedwali la 4 linaonyesha mifumo ya urejeshaji na uainishaji iliyotumika katika utafiti huu.
Utegemezi wa ndani na nje ya mwangalizi ulihesabiwa kwa kutumia takwimu za Cohen za kappa. Ili kujaribu usahihi wa DM na mifumo ya urejeshaji wa jadi, tulihesabu MAE na RMSE kwa kutumia umri uliokadiriwa na halisi wa seti za majaribio za ndani na nje. Makosa haya hutumiwa kwa kawaida kutathmini usahihi wa utabiri wa modeli. Kadiri kosa linavyokuwa dogo, ndivyo usahihi wa utabiri unavyoongezeka. 24. Linganisha MAE na RMSE ya seti za majaribio za ndani na nje zilizohesabiwa kwa kutumia DM na urejeshaji wa jadi. Utendaji wa uainishaji wa mkataa wa miaka 18 katika takwimu za jadi ulipimwa kwa kutumia jedwali la dharura la 2 × 2. Unyeti uliohesabiwa, umaalum, PPV, NPV, na AUROC ya seti ya majaribio ulilinganishwa na thamani zilizopimwa za modeli ya uainishaji wa DM. Data huonyeshwa kama wastani ± kupotoka kwa kawaida au nambari (%) kulingana na sifa za data. Thamani za P zenye pande mbili <0.05 zilizingatiwa kuwa muhimu kitakwimu. Uchambuzi wote wa kawaida wa takwimu ulifanywa kwa kutumia toleo la SAS 9.4 (Taasisi ya SAS, Cary, NC). Mfano wa urejeshaji wa DM ulitekelezwa katika Python kwa kutumia sehemu ya nyuma ya Keras50 2.2.4 na Tensorflow51 1.8.0 mahsusi kwa shughuli za hisabati. Mfano wa uainishaji wa DM ulitekelezwa katika Mazingira ya Uchambuzi wa Maarifa ya Waikato na jukwaa la uchambuzi la Konstanz Information Miner (KNIME) 4.6.152.
Waandishi wanakubali kwamba data inayounga mkono hitimisho la utafiti inaweza kupatikana katika makala na nyenzo za ziada. Seti za data zilizozalishwa na/au kuchanganuliwa wakati wa utafiti zinapatikana kutoka kwa mwandishi husika kwa ombi linalofaa.
Ritz-Timme, S. et al. Tathmini ya umri: hali ya juu ili kukidhi mahitaji maalum ya utendaji wa uchunguzi wa kisayansi. 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 kimatibabu wa watu wanaoishi kwa madhumuni ya mashtaka ya jinai. Uchunguzi wa kimatibabu. dawa. Patholojia. 1, 239–246 (2005).
Pan, J. et al. Njia iliyorekebishwa ya kutathmini umri wa meno wa watoto wenye umri wa miaka 5 hadi 16 mashariki mwa China. kliniki. Utafiti wa mdomo. 25, 3463–3474 (2021).
Lee, SS n.k. Mfuatano wa maendeleo ya molars ya pili na ya tatu kwa Wakorea na matumizi yake kwa tathmini ya umri wa uchunguzi wa kisayansi. 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 kizingiti cha miaka 18 kulingana na ukomavu wa molars ya pili na ya tatu kwa Wakorea na Wajapani. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Uchambuzi wa data unaotegemea kujifunza kwa mashine kabla ya upasuaji unaweza kutabiri matokeo ya matibabu ya upasuaji wa usingizi kwa wagonjwa walio na OSA. sayansi. Ripoti 11, 14911 (2021).
Han, M. et al. Makadirio sahihi ya umri kutoka kwa ujifunzaji wa mashine kwa kuingilia kati kwa binadamu au bila? kimataifa. J. Dawa ya kisheria. 136, 821–831 (2022).
Khan, S. na Shaheen, M. Kuanzia Uchimbaji wa Data hadi Uchimbaji wa Data. J. Taarifa. sayansi. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. na Shaheen, M. WisRule: Algorithm ya Kwanza ya Utambuzi kwa Uchimbaji wa Kanuni za Uhusiano. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. na Abdullah U. Karm: Uchimbaji data wa kitamaduni kulingana na sheria za uunganisho zinazotegemea muktadha. hesabu. Matt. endelea. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. na Habib M. Ugunduzi wa kufanana kwa kisemantiki kulingana na ujifunzaji wa kina kwa kutumia data ya maandishi. taarifa. 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. Zana Programu https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Changamoto ya Kujifunza kwa Mashine ya RSNA katika Umri wa Mifupa kwa Watoto. Radiolojia 290, 498–503 (2019).
Li, Y. et al. Makadirio ya umri wa kiuchunguzi kutoka kwa miale ya fupanyonga kwa kutumia ujifunzaji wa kina. Mionzi ya EURO. 29, 2322–2329 (2019).
Guo, YC, et al. Uainishaji sahihi wa umri kwa kutumia mbinu za mwongozo na mitandao ya kina ya neva ya convolutional kutoka kwa picha za makadirio ya orthografia. kimataifa. J. Dawa ya kisheria. 135, 1589–1597 (2021).
Alabama Dalora na wenzake. Ukadiriaji wa umri wa mifupa kwa kutumia mbinu tofauti za kujifunza kwa mashine: mapitio ya kimfumo ya fasihi na uchambuzi wa meta. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., na Yang, J. Makadirio ya umri mahususi ya idadi ya Wamarekani Waafrika na Wachina kulingana na ujazo wa chemba ya massa ya molars ya kwanza kwa kutumia tomografia iliyokadiriwa ya miale ya koni. kimataifa. J. Dawa ya kisheria. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK na Oh KS Kubaini makundi ya umri wa watu walio hai kwa kutumia picha za akili bandia za molars za kwanza. sayansi. Ripoti 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., na Urschler, M. Makadirio ya umri kiotomatiki na uainishaji wa umri wa wengi kutoka kwa data ya MRI ya aina nyingi. IEEE J. Biomed. Arifa za Afya. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. na Li, G. Makadirio ya umri kulingana na mgawanyiko wa vyumba vya massa vya 3D vya molars za kwanza kutoka kwa tomografia iliyokadiriwa ya boriti ya koni kwa kuunganisha ujifunzaji wa kina na seti za viwango. kimataifa. J. Dawa ya kisheria. 135, 365–373 (2021).
Wu, WT, et al. Uchimbaji data katika data kubwa ya kliniki: hifadhidata za kawaida, hatua, na mifumo ya mbinu. Dunia. dawa. rasilimali. 8, 44 (2021).
Yang, J. et al. Utangulizi wa Hifadhidata za Kimatibabu na Teknolojia za Uchimbaji Data katika Enzi ya Data Kubwa. 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 kwa ajili ya kutabiri umri wa meno kwa kutumia mbinu ya Demirdjian staging. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. na Tanner, JM Mfumo mpya wa kutathmini umri wa meno. biolojia ya kukoroma. 45, 211–227 (1973).
Landis, JR, na Koch, GG Vipimo vya makubaliano ya waangalizi kuhusu data ya kategoria. Biometriki 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK na Choi HK. Uchambuzi wa maandishi, kimofolojia na takwimu za upigaji picha wa mwangwi wa sumaku wenye pande mbili kwa kutumia mbinu za akili bandia kwa ajili ya kutofautisha uvimbe wa ubongo wa msingi. Taarifa za afya. rasilimali. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Muda wa chapisho: Januari-04-2024