Eskerrik asko natura bisitatzeagatik. Erabiltzen ari zaren arakatzailearen bertsioak CSS laguntza mugatua du. Emaitza onenak lortzeko, zure arakatzailearen bertsio berriagoa erabiltzea gomendatzen dugu (edo Internet Explorer-en bateragarritasun modua desaktibatzea). Bitartean, etengabeko laguntza ziurtatzeko, gunea estiloa edo javascript gabe erakusten ari gara.
Hortzak giza gorputzaren adinaren adierazle zehatzena da eta askotan adinaren ebaluazioan erabiltzen dira. Datuen meatzaritzan oinarritutako hortzetako kalkuluak balioztatzea dugu helburu, 18 urteko atalasearen estimazio zehaztasuna eta sailkapenaren errendimendua metodo tradizionalekin eta datuen meatzaritzako estimazioekin konparatuz. Guztira 2657 erradiografia panoramiko bildu ziren 15 eta 23 urte bitarteko herritar korearrak eta japoniarrak. Prestakuntza multzo batean banatu ziren, bakoitzak 900 erradiografia korear dituena eta 857 erradiografia japoniarrekin duen barne-multzoa. Metodo tradizionalen sailkapenaren zehaztasuna eta eraginkortasuna konparatzen genituen datuen meatzaritzako modeloen proba multzoekin. Barne-proba multzoan metodo tradizionalaren zehaztasuna datu meatzaritzako eredua baino zertxobait handiagoa da, eta aldea txikia da (batez besteko errore absolutua <0,21 urte, root errore karratua <0,24 urte). 18 urteko ebakiduraren sailkapenaren errendimendua ere antzekoa da metodo tradizionalen eta datuen meatzaritzaren ereduen artean. Horrela, metodo tradizionalak datu meatzaritzako modeloek ordezkatu ahal izango dituzte adostasun adostasunaren ebaluazioa burutzen dutenean, bigarren eta hirugarren molaren heldutasuna Koreako nerabeen eta gazte helduen heldutasuna erabiliz.
Hortzetako adinaren estimazioa oso erabilia da forentsen medikuntzan eta pediatriako odontologian. Zehazki, adin kronologikoaren eta hortzetako garapenaren arteko korrelazio handia delako, hortzetako garapenaren adinaren ebaluazioa irizpide garrantzitsua da haurren eta nerabeen adina ebaluatzeko1,2,3. Hala ere, gazteentzat, hortz-heldutasunean oinarritutako hortzetako adina kalkulatzeak bere mugak ditu hortzetako hazkundea ia osatua delako, hirugarren molarrak izan ezik. Gazte eta nerabeen adina zehazteko helburu juridikoa da, gehiengoaren adina lortu duten ala ez. Koreako nerabeen eta gazteen praktika medico-juridikoan, adina Leeren metodoa erabiliz kalkulatu zen, eta 18 urteko legezko atalasea aurreikusi zen Oh et al 5-ek jakinarazi duen datuetan oinarrituta.
Makinen ikaskuntza adimen artifizial mota bat (AI) da, behin eta berriz datu kopuru handiak ikasten eta sailkatzen dituena, arazoak konpontzen ditu bere kabuz eta datuak programatzea bultzatzen du. Makinen ikaskuntzak ezkutuko eredu erabilgarriak ezagutu ditzake datu-bolumen handietan6. Kontraste, metodo klasikoak, lan-intentsiboak eta denbora askok, mugak izan ditzakete eskuz prozesatzeko zailak diren datu konplexuen bolumen handiak jorratzerakoan. Hori dela eta, ikerketa ugari egin dira duela gutxi ordenagailuko teknologiak erabili eta Data Multidimentsionaltasun handiko dimentsionalak 8,9,10.1112. In particular, deep learning has been widely used in medical image analysis, and various methods for age estimation by automatically analyzing radiographs have been reported to improve the accuracy and efficiency of age estimation13,14,15,16,17,18,19,20 . Adibidez, Halabi et al 13-k makina ikasteko algoritmoa garatu zuen sare neuronalen (CNN) oinarritutako eskeletal adina haurren eskuen erradiografiak erabiliz. Ikerketa honek media ikasten duen eredu bat proposatzen du medikuntza irudietan ikasten eta metodo horiek zehaztasun diagnostikoa hobetu dezakeela erakusten du. Li et al14-k Pelvic X izpien irudien araberakoa zen, ikasteko sakon bat erabiliz eta erregresioaren emaitzekin alderatzen zituen Ossification etapa estimazioa erabiliz. Ikasketa sakonak CNN ereduak erregresio eredu tradizionalaren adin estimazioaren errendimendu bera erakutsi zuela aurkitu zuten. Guo et al. Azterketa [15] Hortz Ortofotoetan oinarritutako CNN teknologiaren adin-tolerantzia sailkatzeko errendimendua ebaluatu zuen eta CNN ereduaren emaitzek frogatu zuten gizakiek adinaren sailkapenaren errendimendua gainditzen zutela.
Makinen ikaskuntzaren inguruko ikasketa gehienetan ikaskuntza sakona erabiltzea metodo sakonak13,14,15,16,17,18,19,20. Ikasteko sakonetan oinarritutako adin estimazioa metodo tradizionalak baino zehatzagoak direla jakinarazi da. Hala ere, ikuspegi honek aukera gutxi eskaintzen du adinaren kalkuluen oinarri zientifikoa aurkezteko, esaterako, estimazioetan erabilitako adinaren adierazleak. Ikuskapenak egiten dituen legezko gatazka ere badago. Hori dela eta, ikaskuntza sakonean oinarritutako adin estimazioa administrazio eta judizialen bidez onartzen da. Datuen meatzaritza (DM) espero ez ezik, espero ez ezik, datuen kopuru handien arteko erlazio erabilgarriak ezagutzeko metodo gisa deskubritu dezakeen teknika da. Makinen ikaskuntza datuen meatzaritzan erabiltzen da maiz, eta bai datuen meatzaritza bai makinaren ikaskuntzak gako algoritmo berdinak erabiltzen dituzte datuetan ereduak ezagutzeko. Dentalen garapena erabiltzea adinaren estimazioa azterketariaren xede hortzen heldutasunaren ebaluazioan oinarritzen da eta ebaluazio hau xede hortzetarako etapa gisa adierazten da. DM erabil daiteke hortzetako ebaluazioaren etapa eta benetako adinaren arteko korrelazioa aztertzeko eta azterketa estatistiko tradizionala ordezkatzeko potentziala du. Hori dela eta, DM teknikak adin estimazioan aplikatzen baditugu, Aroko Aroko Estimazioan Makina Ikasten dugu, erantzukizun juridikoaz kezkatu gabe. Hainbat azterketa konparatibo argitaratu dira auzitegiko praktiketan eta EBM-n oinarritutako metodoak hortzetako adina zehazteko. Shen et Al23-k erakutsi zuen DM eredua kamerari formula tradizionala baino zehatzagoa dela. Galibourg eta AL24-k DM metodo desberdinak aplikatu zituen ADINA aurreikusteko demanda irizpidearen arabera. Emaitzak DM metodoak erakutsi du DM metodoak Demirdjian eta Willems metodoak gainditzen zituela Frantziako biztanleriaren adina kalkulatzeko.
Koreako nerabeen eta helduentzako hortz-adina estimatzeko, Lee-ren 4. metodoa oso erabilia da Koreako auzitegiko praktiketan. Metodo honek estatistika analisi tradizionalak (esaterako, erregresio anizkoitza) erabiltzen du Koreako gaien eta adin kronologikoaren arteko harremana aztertzeko. Azterketa honetan, estatistika metodo tradizionalak erabiliz lortutako adin estimazio metodoak "metodo tradizionalak" direla definitzen dira. Lee-ren metodoa metodo tradizionala da, eta bere zehaztasuna oh et al-ek baieztatu du. 5; Hala ere, DM ereduan oinarritutako adin estimazioaren aplikazioa oraindik eztabaidagarria da. Gure helburua DM ereduan oinarritutako adinaren estimazioaren erabilgarritasun potentziala baliozkotzea izan zen. Azterketa honen helburua (1) izan da DMko bi modeloen zehaztasuna konparatzea hortzetako adina eta (2) 18 urte bitarteko 7 DM ereduaren sailkapen-errendimendua alderatzeko 18 urte bitartekoak dira bigarren mailako estatistika metodo tradizionalen heldutasuna erabiliz eta hirugarren molarrak bi masailezurretan.
Adin kronologikoaren desbideratze estandarrak eta hortza motaren arabera desbideratze estandarrak linean agertzen dira S1 taula osagarrian (Prestakuntza-multzoa), Mahai osagarria (Barne Test Set) eta S3 taula osagarria (kanpoko proba). Prestakuntza-multzoan lortutako fidagarritasunerako Kappa balioak 0,951 eta 0,947 izan ziren, hurrenez hurren. P balioak eta Kappa balioen% 95eko konfiantza tarteak S4 taula osagarrian agertzen dira. Kappa balioa "ia perfektua" izan zen, Landis eta Koch26 irizpideekin bat datorrena.
Batez besteko errore absolutua (Mae) alderatzean, metodo tradizionalak DM eredua gainditzen du Genders guztientzat eta kanpoko gizonezkoen multzoan, Perceptron MultiLayer (MLP) izan ezik. Eredu tradizionalaren eta DM MAEren barne-ereduaren arteko aldea 0,12-0,19 urte izan dira gizonezkoentzat eta 0,17-0,21 urte emakumeentzat. Kanpoko probarako bateriarentzat, desberdintasunak txikiagoak dira (0,001-0,05 urte gizonezkoentzat eta 0,05-0,09 urte emakumeentzako). Additionally, the root mean square error (RMSE) is slightly lower than the traditional method, with smaller differences (0.17–0.24, 0.2–0.24 for the male internal test set, and 0.03–0.07, 0.04–0.08 for external test set). ). MLPk geruza bakarreko Perceptron (SLP) baino errendimendu apur bat hobea erakusten du, emakumezkoen kanpoko proba multzoaren kasuan izan ezik. Mae eta RMSErako, kanpoko probak ezarritako puntuazioak ezarritako barne-multzoa baino handiagoa da. Mae eta RMSE guztiak 1. taulan eta 1. irudian agertzen dira.
MAE eta datuen erregresio eredu tradizionalen eta rmse. Errore absolutuaren errorea da, erro errore karratua errore karratua, geruza bakarreko perceptron slp, perceptron mlp mlight MLP, CM metodo tradizionala.
Sailkapenaren errendimendua (18 urte bitartekoak) modelo tradizionalen eta DM modeloen arabera frogatu zen sentsibilitateari, berezitasunaz, iragarpen-balio positiboan (PPV), iragarpen balio negatiboa (NPV) eta hartzailearen ezaugarriaren kurba (auroko) 27 (2. taula, 2. irudia eta 1. irudiko osagarria linean). Barne probaren bateriaren sentsibilitateari dagokionez, metodo tradizionalek gizonen artean onena egiten zuten eta okerrago emakumezkoen artean. Hala ere, metodo tradizionalen eta SDren arteko sailkapenaren errendimenduaren aldea% 9,7 da gizonezkoentzat (MLP) eta% 2,4 soilik emakumeentzat (XGboost). DM ereduen artean, erregresio logistikoak (LR) sentsibilitate hobea erakutsi zuen bi sexuetan. Barneko proba multzoaren berezitasunari dagokionez, lau SD modeloek gizonezkoetan ondo egin zutela ikusi zen, eta eredu tradizionala emakumezkoetan hobeto antzeman zen bitartean. Gizonezkoen eta emakumezkoen sailkapenen errendimenduaren desberdintasunak% 13,3 (MLP) dira (MLP), hurrenez hurren, hurrenez hurren, ereduak sailkapenaren errendimenduaren desberdintasunak sentsibilitatea gainditzen duela adierazten du. DM ereduen artean, laguntza bektorearen makinen artean (SVM), Erabakiak Zuhaitza (DT) eta Ausazko Basoak (RF) modeloak izan dira onena gizonezkoen artean, eta LR ereduak emakumezkoen artean onena egiten zuen bitartean. Eredu tradizionalaren eta SD eredu guztiak 0,925 (K-gertuko bizilaguna (k -n) baino handiagoa izan zen gizonezkoetan), 18 urteko laginak diskriminazioan sailkapen errendimendu bikaina erakusten du28. Kanpoko proba ezarrita, sailkapenaren errendimendua gutxitu egin da sentsibilitateari, berezitasunari eta aurok, barneko proba multzoarekin alderatuta. Gainera, eredu onenen eta txarrena sailkapenaren arteko sentsibilitatearen eta berezitasunaren arteko desberdintasunak% 10etik% 25era bitartekoa izan zen eta barneko proba-multzoaren aldea baino handiagoa zen.
Datuen meatzaritzako sailkapen ereduen sentsibilitatea eta berezitasuna 18 urtetik aurrera motetetarako metodo tradizionalekin alderatuta. Knn K Hurbileko bizilaguna, SVM laguntza Makina bektoriala, LR Erregresio Logistikoa, DT Erabakia Zuhaitza, RF Ausazko Basoa, XGB XGboost, MLP Multilayer Perceptron, CM metodo tradizionala.
Azterketa honen lehen urratsa da DMMeko zazpi DM-ko modeloetatik lortutako hortzetako zehaztasunaren zehaztasuna erregresio tradizionala erabiliz lortutakoekin. Mae eta RMSE-k barneko probetan ebaluatu ziren bi sexuetarako, eta metodo tradizionalaren eta DM ereduaren arteko aldea 44 eta 77 egun bitartekoa izan zen Mae-rentzat eta 62 eta 88 egunetan RMSErako. Nahiz eta metodo tradizionala zehatzagoa izan azterketa honetan, zaila da ondoriozko garrantzia klinikoa edo praktikoa duen ala ez. Emaitza horiek DM eredua erabiliz hortzetako adinaren kalkuluen zehaztasunak metodo tradizionalaren ia berdina da. Aurreko ikerketen emaitzen berri zuzentzea zaila da, ez baitago ikerketa-metodo tradizionalekin DM ereduen zehaztasunak alderatzea azterketa honetan adin-tarte berean grabatzeko teknika bera erabiliz. Galibourg eta AL24 konparatu Mae eta RMSE bi metodo tradizionalen artean (Demirjian Metod25 eta Willems metodoa eta 10 dm-ko ereduak 2 eta 24 urte bitarteko frantziar biztanleen artean. DM eredu guztiak metodo tradizionalak baino zehatzagoak zirela salatu zuten, 0,20 eta 0,38 urte arteko desberdintasunak Mae-n eta 0,25 eta 0,47 urtean, Willems eta Demirdjian metodoekin alderatuta, hurrenez hurren. Halibourg azterketan ikusitako SD ereduaren eta metodo tradizionalen arteko desadostasunak 30.31,32,33 kontuan hartu behar ditu Demirdjian metodoak ez duela hortzetako adina zehaztasunez kalkulatzen azterketa oinarritzat hartutako frantziar kanadarrek ez ezik. Azterketa honetan. Tai et al 34-k MLP algoritmoa erabili zuen hortzetako adina 1636 Txinako argazki ortodontikoetatik iragartzeko eta bere zehaztasuna alderatu du Demirjian eta Willems metodoaren emaitzekin. Jakinarazi dute MLP metodo tradizionalak baino zehaztasun handiagoa duela. Demirdjian metodoaren eta metodo tradizionalaren arteko aldea <0,32 urtekoa da, eta Willems metodoa 0,28 urtekoa da, eta hau da, azterketa honen emaitzen antzekoa da. Aurreko ikasketa hauen emaitzak24,34 ere koherenteak dira gaur egungo ikerketaren emaitzekin, eta DM ereduaren eta metodo tradizionalaren adin estimazioaren zehaztasunarekin eta antzekoak dira. Hala ere, aurkeztutako emaitzetan oinarrituta, kontu handiz ondorioztatu dezakegu Aroa estimatzeko DM ereduen erabilerak lehendik dauden metodoak ordezkatu ditzakeela aurreko ikasketen konparatibo eta erreferentziarik ez izateagatik. Lagin handiagoak erabiliz jarraipen azterketak egin behar dira azterketa honetan lortutako emaitzak berresteko.
Dentalaren estimazioan SD zehaztasuna probatzen duten ikerketen artean, batzuek gure ikasketak baino zehaztasun handiagoa erakutsi zuten. Stepanovsky et Al 35-ek 22 SD ereduak aplikatu zituen 976ko 976 biztanleen erradiografia panoramikoei 2,7 eta 20,5 urte bitartekoak eta eredu bakoitzaren zehaztasuna probatu zuten. Moorrees et al 36-k proposatutako sailkapen irizpideak erabiliz, 16 goiko eta beheko ezkerreko hortz iraunkorren garapena ebaluatu zuten. Mae 0,64 eta 0,94 urte bitartekoak dira eta RMSEk 0,85 eta 1,27 urte bitartekoak dira, azterketa honetan erabilitako bi DM ereduak baino zehatzagoak direnak. Shen et Al23-k Cameriere metodoa erabili zuen zazpi hortz iraunkorreko hortzetako zazpi hortz iraunkorreko zazpi hortzetan. Hiru DM eredu guztiek zehaztasun handiagoa dutela erakutsi zuten kamerien formula tradizionalarekin alderatuta. Shenen azterketan Mae eta RMSE azterketa honetan DM ereduan baino baxuagoak ziren. Stepanovsky et al-ek egindako ikerketen zehaztasun handiagoa. 35 eta Shen et al. 23 ikasketa laginetan gai gazteagoak sartzeagatik izan daiteke. Hortzak garatzen dituzten parte-hartzaileek adinaren kalkuluak zehatzagoak direlako hortz garapenean hortz kopurua handitzen doan heinean, ondorioz, adinaren estimazio metodoaren zehaztasuna arriskuan egon daiteke azterketa parte-hartzaileak gazteagoak direnean. Gainera, MLPren errorea adinaren estimazioan SLP baino txikiagoa da, hau da, MLP SLP baino zehatzagoa da. MLP zertxobait hobea da adinaren estimaziorako, seguru asko MLP38-n ezkutuko geruzei esker. Hala ere, salbuespen bat dago emakumezkoen kanpoko laginarentzat (SLP 1.45, MLP 1.49). MLPak adina ebaluatzeko SLP baino zehatzagoa dela aurkitzea atzera begirako azterketak behar ditu.
DM ereduaren sailkapenaren errendimendua eta 18 urteko atalaseko metodo tradizionala ere alderatu zen. SD modelo guztiek eta metodo tradizionalek barne-proba multzoari buruzko metodo tradizionalek 18 urteko laginaren diskriminazio maila onargarriak izan dira. Gizonen eta emakumezkoen sentsibilitatea% 87,7 eta% 94,9 baino handiagoa izan zen, hurrenez hurren, hurrenez hurren, eta berezitasuna% 89,3 eta% 84,7 baino handiagoa izan da. Proba-eredu guztien aurok 0,925 baino handiagoa da. Ezagutzarik onenean, ez du azterketarik probatu DM ereduaren errendimendua 18 urteko sailkapenaren errendimendua hortz-heldutasunean oinarrituta. Azterketa honen emaitzak erradiografia panoramikoetan ikasteko eredu sakonen sailkapenarekin konparatu ditzakegu. Guo et al.15 CNN oinarritutako ikaskuntza sakoneko eredu baten sailkapenaren errendimendua kalkulatu zen eta Demirjianen metodoaren arabera, adinaren atalasea lortzeko. Eskuzko metodoaren sentsibilitatea eta berezitasuna% 87,7 eta% 95,5 izan dira, hurrenez hurren, eta CNN ereduaren sentsibilitateak eta berezitasunak% 89,2 eta% 86,6 gainditu dituzte, hurrenez hurren. Ondorioztatu zuten ikasteko ereduek adinaren atalaseak sailkatzeko eskuzko ebaluazioa ordezkatu edo gainditu dezaketela. Azterketa honen emaitzek antzeko sailkapenaren errendimendua erakutsi zuten; DM ereduak erabiliz sailkapenak adin estimaziorako metodo estatistiko tradizionalak ordezkatu ditzakeela uste da. Ereduen artean, DM LR eredu onena izan zen gizonezko laginaren eta sentikortasunari eta emakumezkoen laginarentzako sentikortasunari dagokionez. LR segundokoa da gizonezkoen berezitasunean. Gainera, LR erabiltzaile erabilerrazagoa da DM35 ereduentzat eta prozesatzeko zailagoa eta prozesatzeko zailagoa da. Emaitza hauetan oinarrituta, LR-k 18 urteko biztanleen ebaketa-sailkapenik onena izan zen.
Orokorrean, kanpoko proben multzoan adinaren kalkuluen edo sailkapenaren errendimenduaren zehaztasuna pobrea edo txikiagoa izan da Barne Test-multzoko emaitzarekin alderatuta. Zenbait txostenek adierazten dute sailkapen zehaztasuna edo eraginkortasuna jaitsi egiten dela Koreako biztanleriaren arabera, Japoniako biztanleriaren arabera aplikatzen direnean, eta antzeko eredua aurkitu da gaur egungo ikerketan. Garapen-joera hau DM ereduan ere ikusi zen. Hori dela eta, adina zehaztasunez kalkulatzeko, baita DMa azterketa prozesuan erabiltzen denean ere, bertako biztanleriaren datuetatik eratorritako metodoak, hala nola metodo tradizionalak, nahiago izan behar dira5,39,40,41,41,42. Ikasketa sakonen ereduek antzeko joerak erakutsi ditzaketenez, sailkapenaren zehaztasuna eta eraginkortasuna metodo tradizionalak, DM ereduak eta lagin bereko ikasteko eredu sakonak egin behar dira, adimen artifizialak adin mugatuan desberdintasun arraza horiek gainditu ditzakeen ala ez baieztatzeko. Ebaluazioak.
Frogatzen dugu metodo tradizionalak ADINAren estimazioaren arabera, Korean Auzitegiatan Adinaren estimazio praktiketan oinarritutako adin estimazioaren arabera. Adineko adinaren ebaluaziorako makina ikasteko aukera ere deskubritu genuen. Hala ere, muga argiak daude, esaterako, azterketa honetako parte-hartzaile kopuru nahikoa, hala nola, emaitzak behin betiko zehazteko eta aurreko ikasketen gabezia azterketa honen emaitzak alderatzeko eta berresteko. Etorkizunean, DM ikasketak lagin kopuru handiagoekin egin beharko lirateke eta populazio askotarikoagoak egin behar dira, ohiko metodoekin alderatuta, bere aplikagarritasun praktikoa hobetzeko. Adimen artifiziala erabiltzeko bideragarritasuna biztanleria anitzetan adina estimatzeko bideragarritasuna balioztatzeko, etorkizuneko azterketak DM eta ikaskuntza sakonen ereduak eta lagin bereko metodo tradizionalekin metodo tradizionalekin konparatzeko behar dira.
Ikerketak 15 eta 23 urte bitarteko helduen korearrak eta japoniarrek bildutako 2.657 argazki ortografiko erabili zituzten. Koreako erradiografiak 900 prestakuntza multzotan banatu ziren (19,42 ± 2,65 urte) eta 900 barne-proba multzo (19,52 ± 2,59 urte). Prestakuntza multzoa erakunde batean bildu zen (Seul St. Mary's Hospital), eta proba-multzoa bi erakundeetan bildu zen (Seul Unibertsitateko Hortz Ospitale Nazionala eta Yonsei Unibertsitateko Hortz Ospitalea). Beste biztanleria oinarritutako beste datu batzuetako 857 erradiografia ere bildu genituen (Iwate Medical University, Japonia) kanpoko probetarako. Japoniako gaien erradiografiak (19,31 ± 2,60 urte) hautatu zituzten kanpoko proba multzo gisa. Datuak atzera begirako bildu ziren hortz-tratamenduan hartutako erradiografia panoramikoetan hortzetako garapenaren faseak aztertzeko. Bildutako datu guztiak anonimoak izan ziren generoa, jaiotze data eta erradiografia data izan ezik. Inklusioa eta baztertze irizpideak aurretik argitaratutako 4. ikasketak berdinak izan ziren. Laginaren benetako adina erradiografia hartu zenetik jaiotze data kenduz kalkulatu zen. Lagin taldea bederatzi adin-taldeetan banatu zen. Adinaren eta sexuaren banaketak 3. taulan erakusten dira. Azterketa hau Helsinkiko deklarazioaren arabera egin zen eta Seul St. Mary-ko Seoul St. Maryko Ospitaleak (KC22WISI0328). Azterketa honen atzera begirako diseinua dela eta, baimenik gabeko azterketa erradiografikoa egiten ari diren paziente guztietatik ezin da baimendu jakinarazpena. Seul Koreako Unibertsitateko San Mariaren ospitaleak (IRB) uko egin zion baimen informatuaren eskakizuna.
Bimxillary bigarren eta hirugarren molaren garapenerako faseak Demircan irizpideen arabera ebaluatu ziren25. Hortz bakarra aukeratu zen hortz mota bera ezker eta eskuineko aldeetan aurkitu bazen. Bi aldeetako hortz homologoak garapen-fase desberdinetan egon baziren, garapen txikiagoko etapa duen hortza hautatu zen estimatutako adinean ziurgabetasuna kontatzeko. Ehun ausaz hautatutako erradiografia batek bi behatzaile eskarmentu egin ditu eskarmentu handiko bi behatzaileek, betekizunen fidagarritasuna probatzeko, hortzetako heldutasun etapa zehazteko. Intraobserver fidagarritasuna bi aldiz ebaluatu zen lehen aldiz behatzailearen arabera.
Prestakuntza multzoko bigarren eta hirugarren molarraren sexuaren eta hirugarren molarraren garapenaren fasea DM eredu ezberdinekin prestatutako behatzaile nagusiak kalkulatu ziren eta benetako adina xede balio gisa ezarri zen. Makinen ikaskuntzan oso erabiliak diren SLP eta MLP ereduak, erregresio algoritmoen aurka probatu ziren. DM ereduak funtzio linealak konbinatzen ditu lau hortzen garapen faseak erabiliz eta datu horiek adina kalkulatzeko konbinatzen ditu. SLP sare neuronal sinpleena da eta ez du ezkutuko geruzetan. SLP nodoen arteko atalasearen transmisioan oinarritzen da. Erregresioko SLP eredua matematikoki antzeko erregresio linealaren antzekoa da. SLP eredua ez bezala, MLP ereduak ezkutuko geruza ugari ditu aktibazio ez diren funtzioekin. Gure esperimentuek ezkutuko geruza erabili zuten ezkutuko 20 nodo baino ez dituztenak aktibazio ez diren funtzioekin. Erabili beherakada gradientearen optimizazio metodoa eta Mae eta RMSE galera funtzio gisa gure makina ikasteko eredua trebatzeko. Lortutako erregresio eredu onena barne eta kanpoko proba multzoetan eta hortzen adina kalkulatu zen.
Sailkapen algoritmoa garatu zen, laginak 18 urte dituen ala ez aurreikusteko prestakuntza-multzoko epemuga erabiltzen duena. Eredua eraikitzeko, zazpi ordezkaritza makina ikasteko algoritmoak6,43: (1) Lr, (2) kn, (3) SVM, (4) DT, (5) RF, (6) XGboost, eta (7) MLP . Lr gehien erabiltzen den sailkapen algoritmoen bat da44. Ikasketa algoritmo bat da, 0 eta 1 kategoria jakin bateko datuen probabilitatea aurreikusteko eta probabilitate horretan oinarritutako kategoria litekeena den bezalako datuak sailkatzeko; batez ere sailkapen bitarretarako erabiltzen da. Knn makina ikasteko algoritmo sinpleenetako bat da45. Sarrera datu berriak ematerakoan, k datuak aurkitzen ditu lehendik dagoen multzotik gertu eta gero klasean sailkatzen ditu maiztasunik altuena. 3 ezarri genituen (K) auzokideen kopuruagatik. SVM algoritmoa da, bi klaseen arteko distantzia maximizatzen duena, nukleoaren funtzioa erabiliz, espazioa lineala eremu lineal ez lineala zabaltzeko. Eredu horretarako, bias = 1, potentzia = 1 eta gamma = 1 erabiltzen ditugu nukleo polinomiorako hiperparametro gisa. DT hainbat eremutan aplikatu da algoritmo gisa, datu osoak hainbat azpiataletan banatzeko, zuhaitz egitura batean erabakien arauak ordezkatuz47. Eredua 2 nodo bakoitzeko gutxieneko erregistro kopuruarekin konfiguratuta dago eta Gini Indizea kalitate neurri gisa erabiltzen du. RF metodoa da, dts hainbat ekintza hobetzeko, errendimendua hobetzeko, bootstrap agregazio metodoa erabiliz, lagin bakoitzerako sailkapen ahula sortzen duen sailkapen ahula sortzen duena. 100 zuhaitz, 10 zuhaitz sakon, 1 nodo tamaina 1 eta gini nahasketa indexatu genituen nodoen bereizketa irizpide gisa. Datu berrien sailkapena gehiengo boto batek zehazten du. Xgboost algoritmoa da, sustapen-datuak erabiliz, aurreko ereduaren benetako eta aurreikusitako balioen arteko errorea hartzen duen metodoa erabiliz, eta errorea areagotzen du gradiente49 erabiltzean. Oso erabilitako algoritmoa da errendimendu eta baliabide eraginkortasun ona dela eta, baita gehiegizko zuzenketa funtzio gisa fidagarritasun handia ere. Eredua 400 laguntzako gurpilekin hornituta dago. MLP sare neuronal bat da, horretan, pertzepzio bat edo gehiagok geruza bat edo gehiago osatzen dituzten geruza bat edo gehiago osatzen duten geruza bat edo gehiago osatzen dute38. Hau erabiliz, sailkapen ez-lineala egin dezakezu, non sarrerako geruza gehitzen duzunean eta emaitza-balioa eskuratzen duzunean, aurreikusitako emaitza-balioa benetako emaitza balioarekin alderatzen da eta akatsa berriro hedatzen da. Ezkutuko geruza sortu genuen geruza bakoitzean ezkutuko 20 neuronekin. Garatu genuen eredu bakoitza barneko eta kanpoko multzoetan aplikatu zen sailkapenaren errendimendua probatzeko, sentsibilitatea, berezitasuna, PPV, NPV eta auroc kalkulatuz. Sentsibilitatea 18 urte edo gehiagokoa izan dadin 18 urte edo gehiago izan behar duen lagin baten ration gisa definitzen da. Berezia da 18 urtetik beherako laginen proportzioa eta 18 urte baino gutxiago dituzten kalkulatutakoak.
Prestakuntza multzoan ebaluatutako hortzetako faseak azterketa estatistikoetarako zenbakizko fase bihurtu ziren. Erregresio lineal eta logistiko anitzekoak egin ziren adina estimatzeko erabil daitezkeen sexu eta eratorritako erregresio formulen eredu iragarleak garatzeko. Formula hauek erabili genituen hortz-adina estimatzeko barneko eta kanpoko probetarako. 4. taulan azterketa honetan erabilitako erregresio eta sailkapen ereduak erakusten dira.
Intra- eta interunderver fidagarritasuna Cohen-en Kappa estatistika erabiliz kalkulatu zen. DM eta erregresio tradizionalen ereduen zehaztasuna probatzeko, MAE eta RMSE kalkulatu genituen barne eta kanpoko proba multzoen estimazio eta benetako adinak erabiliz. Akats horiek normalean ereduaren iragarpenen zehaztasuna ebaluatzeko erabiltzen dira. Zenbat eta txikiagoa izan, orduan eta handiagoa da aurreikuspenaren zehaztasuna24. Konparatu DM eta erregresio tradizionala erabiliz kalkulatutako barneko eta kanpoko proba multzoen Mae eta RMSE. Estatistika tradizionaletan 18 urteko ebakiduraren sailkapenaren errendimendua 2 × 2 kontingentzia taula erabiliz ebaluatu zen. Kalkulatutako sentikortasuna, berezitasuna, PPV, NPV eta AUROC DM sailkapen ereduaren balio neurtutako balioekin alderatuta. Datuak ± desbideratze edo zenbaki estandar gisa adierazten dira (%) datuen ezaugarrien arabera. Bi aldeetako P balio <0,05 estatistikoki esanguratsuak izan ziren. Errutina-analisi estatistiko guztiak SAS 9.4 bertsioa erabiliz egin ziren (SAS Institute, Cary, NC). DM erregresio eredua Python-en ezarri zen Keras50 2.2.4 backend eta Tensorflow51 1.8.0 erabiliz, zehazki, eragiketa matematikoetarako. DM sailkapen eredua Waikato Ezagutzaren Analisiaren Ingurumenean eta Konstanz Informazio Mineran (Knime) 4.6.152 Analisi Plataforman ezarri zen.
Egileek aitortzen dute azterketaren ondorioak onartzen dituzten datuak artikuluan eta material osagarrietan aurki daitezkeela. Azterketan zehar sortutako eta / edo aztertutako datu multzoak dagozkien egilearen eskura daitezke.
Ritz-Timme, S. et al. Adinaren ebaluazioa: Artearen egoera auzitegiko praktiken berariazko eskakizunak betetzeko. Nazioartak. J. Medikuntza juridikoa. 113, 129-136 (2000).
Schmeling, A., Reisinger, W., Gekerik, G. eta OLZE, A. ADIERAZPEN ADINAREN EBALUAZIOAREN EBALUAZIOAREN ARABERA ZENBORATU KRIMINALAK. Auzitegiak. medikuntza. Patologia. 1, 239-246 (2005).
Pan, J. et al. Txina ekialdean 5-16 urte bitarteko haurren hortzetako adina ebaluatzeko metodo aldatua. Klinikoa. Ahozko inkesta. 25, 3463-3474 (2021).
Lee, SS eta abar Koreako bigarren eta hirugarren molarrak garatzeko kronologia Korearretan eta Adin Aditzaldeko Ebaluaziorako aplikazioa. Nazioartak. J. Medikuntza juridikoa. 124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, Sy eta Lee, SS Zehaztasunaren zehaztasuna eta 18 urteko atalasearen estimazioaren arabera, Koreako eta Japoniako bigarren eta hirugarren molaren heldutasunean oinarritutako 18 urteko atalasearen zehaztasuna. Plos One 17, E0271247 (2022).
Kim, JY, et al. Makina preoperatorioan ikasteko oinarritutako datuen analisiak Lo egiteko kirurgia tratamendua aurreikusi dezake OSA duten gaixoetan. zientzia. 11, 14911 (2021) txostena.
Han, M. et al. Adinaren estimazio zehatza makinaren ikaskuntzatik edo gizakiaren esku-hartzearekin edo gabe? Nazioartak. J. Medikuntza juridikoa. 136, 821-831 (2022).
Khan, S. eta Shaheen, M. Datuen meatzaritzara datuen meatzaritzara. J .informazioa. zientzia. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. eta Shaheen, M. Wisrule: Elkartearen arau-meatzaritzarako lehen algoritmo kognitiboa. J .informazioa. zientzia. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. eta Abdullah U. Karm: Testuinguruan oinarritutako elkarteen arauetan oinarritutako datu meatzaritza tradizionala. kalkulatu. Matt. Jarraitu. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. eta Habib M. Ikasteko sakonetan oinarritutako antzekotasun semantikoa hautematen du testu datuak erabiliz. jakinarazi Teknologiak. Kontrola. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. eta Shahin, M. Kirol bideoetan jarduera aitortzeko sistema. Multimedia. Tresnak aplikazioak https://doi.org/10.1007/1042-021-10519-6 (2021).
Halabi, SS et al. RSNA Makina ikasteko erronka pediatriako hezur garaian. Erradiologia 290, 498-503 (2019).
Li, Y. et al. Aroko adinaren estimazioa Pelbiseko X izpien estimazioa ikaskuntza sakona erabiliz. Euro. erradiazioa. 29, 2322-2329 (2019).
Guo, yc, eta al. Adinaren sailkapen zehatza eskuzko metodoak eta sare neuronal sakonak erabiliz proiekzio ortografikoko irudien bidez. Nazioartak. J. Medikuntza juridikoa. 135, 1589-1597 (2021).
Alabama Dalora et al. Hezur-adinaren estimazioa Makina ikasteko metodo desberdinak erabiliz: literatura sistematikoen berrikuspena eta meta-analisia. Plos One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. eta Yang, J. J. Biztanleriaren berariazko adina Afrikar amerikarren eta txinatarren estimazioa, lehen molar lehen molar-en oinarritutako kukur-habe konputatutako tomografia erabiliz. Nazioartak. J. Medikuntza juridikoa. 136, 811-819 (2022).
Kim S., Lee Yh, Noh Yk, Park FK eta Oh Ks Zedea adin-taldeen adin-taldeak adimen artifizialean oinarritutako lehen moluen irudiak erabiliz. zientzia. 11, 1073 (2021) txostena.
Stern, D., Payer, C., Giuliani, N. eta Urschler, M. Adinaren estimazio automatikoa eta gehiengoa adinaren sailkapena MRI mivariate multivariateen sailkapena. Ieee J. Biomed. Osasun Alertak. 23, 1392-1403 (2019).
Cheng, Q, GE, Z., du, H. eta Li, G. Adinaren estimazioa Kono-habe konputatutako lehen molar lehen molar-en segmentazioaren arabera. Nazioartak. J. Medikuntza juridikoa. 135, 365-373 (2021).
Wu, wt, et al. Datuen meatzaritza datu klinikoetan: datu base arruntak, urratsak eta metodoak ereduak. Mundua. medikuntza. Baliabidea. 8, 44 (2021).
Yang, J. et al. Datu Big Data Meatze Teknologien Sarrera Datu Big Data Garaian. J. Avid. Oinarrizko medikuntza. 13, 57-69 (2020).
Shen, S. et al. Makina ikastea erabiltzen duten hortz-adina kalkulatzeko metodoa. BMC Ahozko Osasuna 21, 641 (2021).
Galliburg A. et al. Dental adina aurreikusteko makina ikasteko metodo desberdinen konparazioa Demirdjian eszenaratze metodoa erabiliz. Nazioartak. J. Medikuntza juridikoa. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. eta Tanner, Dentalaren adina ebaluatzeko sistema berria. snort. Biologia. 45, 211-227 (1973).
Landis, Jr eta Koch, GG behatzaileen hitzarmena datu kategorikoei buruz. Biometrikoak 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK eta Choi HK. Bi dimentsiotako erresonantzia magnetikoaren irudiak testu-analisi magnetikoa, morfologikoa eta estatistikoa, burmuineko ohiko tumoreak bereizteko adimen artifizialeko teknikak erabiliz. Osasun informazioa. Baliabidea. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Post ordua: 2012ko urtarrilak 04