Eskerrik asko Nature.com 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 bermatzeko, gunea estilorik edo JavaScript gabe erakusten ari gara.
Hortzak giza gorputzaren adinaren adierazle zehatzentzat hartzen dira eta auzitegiko adinaren ebaluazioan askotan erabiltzen dira.Datu-meatzaritzan oinarritutako hortz-adinaren estimazioak baliozkotzea izan dugu helburu, 18 urteko atalasearen estimazio-zehaztasuna eta sailkapen-errendimendua metodo tradizionalekin eta datu-meatzaritzan oinarritutako adinaren estimazioekin alderatuz.Guztira 2657 erradiografia panoramiko bildu ziren 15 eta 23 urte bitarteko Koreako eta Japoniako herritarrengandik.Entrenamendu-multzo batean banatu ziren, bakoitzak 900 korear erradiografia zituen, eta barne proba-multzo batean 857 japoniar erradiografiarekin.Metodo tradizionalen sailkapenaren zehaztasuna eta eraginkortasuna datu-meatzaritzako ereduen proba-multzekin alderatu dugu.Barneko proba multzoan metodo tradizionalaren zehaztasuna datu-meatzaritza ereduarena baino apur bat handiagoa da, eta aldea txikia da (batez besteko errore absolutua <0,21 urte, erroko batez besteko errore karratua <0,24 urte).18 urteko ebakiduraren sailkapenaren errendimendua antzekoa da metodo tradizionalen eta datu-meatzaritza ereduen artean.Horrela, metodo tradizionalak datu meatzaritza ereduekin ordezkatu daitezke adin forentsearen ebaluazioa egiterakoan Koreako nerabeen eta heldu gazteen bigarren eta hirugarren molarren heldutasuna erabiliz.
Hortz adinaren estimazioa oso erabilia da auzitegiko medikuntzan eta pediatriako odontologian.Bereziki, adin kronologikoaren eta hortz-garapenaren arteko korrelazio handia dela eta, hortz-garapen-etapeen araberako adinaren ebaluazioa irizpide garrantzitsua da haurren eta nerabeen adina ebaluatzeko1,2,3.Hala ere, gazteen kasuan, hortz-adina hortz-heldutasunaren arabera kalkulatzeak bere mugak ditu, hortz-hazkundea ia osoa baita, hirugarren molarrak izan ezik.Gazteen eta nerabeen adina zehaztearen helburu juridikoa adin nagusitasuna bete duten ala ez kalkulu zehatzak eta froga zientifikoak ematea da.Koreako nerabe eta gazteen praktika mediko-legalean, adina Lee-ren metodoa erabiliz kalkulatu zen, eta 18 urteko legezko atalasea aurreikusi zen Oh et al 5-ek jakinarazitako datuetan oinarrituta.
Machine learning adimen artifizialaren (AI) mota bat da, behin eta berriz datu kopuru handiak ikasten eta sailkatzen dituena, arazoak bere kabuz konpontzen dituena eta datuen programazioa gidatzen duena.Makina-ikaskuntzak ezkutuko eredu erabilgarriak aurki ditzake datu-bolumen handietan6.Aitzitik, metodo klasikoek, lan intentsiboa eta denbora asko eskatzen dutenek, mugak izan ditzakete eskuz prozesatzeko zailak diren datu konplexuen bolumen handiak tratatzerakoan7.Hori dela eta, ikerketa asko egin dira azkenaldian teknologia informatikoak erabiliz giza akatsak minimizatzeko eta dimentsio anitzeko datuak eraginkortasunez prozesatzeko8,9,10,11,12.Bereziki, ikaskuntza sakona oso erabilia izan da irudi medikoen analisian, eta erradiografiak automatikoki aztertuz adina kalkulatzeko hainbat metodok adinaren estimazioaren zehaztasuna eta eraginkortasuna hobetzen dituztela jakinarazi dute13,14,15,16,17,18,19,20. .Esaterako, Halabi et al 13-ek sare neuronal konboluzionaletan (CNN) oinarritutako ikaskuntza automatikoko algoritmo bat garatu zuten, haurren eskuen erradiografiak erabiliz hezur-adina kalkulatzeko.Ikerketa honek irudi medikoei ikaskuntza automatikoa aplikatzen dien eredu bat proposatzen du eta metodo hauek diagnostikoen zehaztasuna hobe dezaketela erakusten du.Li et al14-ek X izpien pelbiseko irudietatik adina kalkulatu zuten ikaskuntza sakoneko CNN bat erabiliz eta erregresio emaitzekin alderatu zituzten osifikazio-fasearen estimazioa erabiliz.Ikaskuntza sakoneko CNN ereduak erregresio eredu tradizionalaren adinaren estimazio-errendimendu bera erakusten zuela ikusi zuten.Guo et al.-en [15] ikerketak CNN teknologiak hortz-ortoargazkietan oinarritutako adin-tolerantzia sailkatzeko errendimendua ebaluatu zuen, eta CNN ereduaren emaitzek frogatu zuten gizakiek adinaren sailkapenaren errendimendua gainditu zutela.
Ikaskuntza automatikoa erabiliz adinaren estimazioari buruzko ikerketa gehienek ikaskuntza sakoneko metodoak erabiltzen dituzte13,14,15,16,17,18,19,20.Ikaskuntza sakonean oinarritutako adinaren estimazioa metodo tradizionalek baino zehatzagoa dela jakinarazi dute.Hala ere, ikuspegi honek aukera gutxi ematen du adinaren kalkuluen oinarri zientifikoa aurkezteko, estimazioetan erabiltzen diren adin-adierazleak adibidez.Eztabaida legala ere badago ikuskapenak nork egiten dituen.Beraz, ikaskuntza sakonean oinarritutako adinaren estimazioa zaila da administrazio eta judizio agintariek onartzen.Datu-meatzaritza (DM) espero den informazioa ez ezik, ustekabekoa ere aurki dezakeen teknika bat da, datu kopuru handien arteko korrelazio erabilgarriak aurkitzeko metodo gisa6,21,22.Datu-meatzaritzan sarritan erabiltzen da ikaskuntza automatikoa, eta bai datu-meatzaritzak bai ikaskuntza automatikoak gako-algoritmo berdinak erabiltzen dituzte datuetan ereduak aurkitzeko.Hortz garapena erabiliz adinaren estimazioa aztertzaileak xede-hortzen heldutasunari buruz egiten duen balorazioan oinarritzen da, eta ebaluazio hori xede-hortz bakoitzaren etapa gisa adierazten da.DM hortz-ebaluazioaren fasearen eta benetako adinaren arteko korrelazioa aztertzeko erabil daiteke eta analisi estatistiko tradizionala ordezkatzeko ahalmena du.Hori dela eta, adinaren estimazioari DM teknikak aplikatzen baditugu, ikasketa automatikoa ezarri ahal izango dugu auzitegiko adinaren estimazioan, erantzukizun juridikoaz kezkatu gabe.Hainbat ikerketa konparatibo argitaratu dira auzitegi-praktikan erabiltzen diren eskuzko metodo tradizionalen alternatiba posibleei eta hortz-adina zehazteko EBMn oinarritutako metodoei buruz.Shen et al23-ek erakutsi zuten DM eredua Camerer formula tradizionala baino zehatzagoa dela.Galibourg et al24 DM metodo desberdinak aplikatu zituzten Demirdjian irizpidearen arabera adina iragartzeko25 eta emaitzek erakutsi zuten DM metodoak Demirdjian eta Willems metodoak gainditu zituela Frantziako biztanleriaren adina kalkulatzeko.
Koreako nerabeen eta heldu gazteen hortz-adina kalkulatzeko, Lee-ren 4. metodoa oso erabilia da Koreako auzitegi-praktikan.Metodo honek analisi estatistiko tradizionala erabiltzen du (adibidez, erregresio anizkoitza) Koreako subjektuen eta adin kronologikoaren arteko erlazioa aztertzeko.Ikerketa honetan, estatistika-metodo tradizionalak erabiliz lortutako adina kalkulatzeko metodoak "metodo tradizionalak" gisa definitzen dira.Lee-ren metodoa metodo tradizionala da, eta bere zehaztasuna Oh et al-ek baieztatu dute.5;hala ere, Koreako auzitegi-praktikan DM ereduan oinarritutako adinaren estimazioaren aplikagarritasuna zalantzan dago oraindik.Gure helburua DM ereduan oinarritutako adinaren estimazioaren baliagarritasuna zientifikoki balioztatzea zen.Ikerketa honen helburua izan zen (1) bi DM ereduen zehaztasuna alderatzea hortz-adina kalkulatzeko eta (2) 7 DM ereduen sailkapen-errendimendua 18 urterekin alderatzea metodo estatistiko tradizionalen bidez lortutakoekin. Bigarren heldutasuna. eta hirugarren molarrak bi barailetan.
Adin kronologikoaren batez besteko eta desbideratze estandarrak etapa eta hortz motaren arabera sarean agertzen dira S1 taula osagarrian (entrenamendu multzoa), S2 taula osagarrian (barneko proba multzoa) eta S3 taula osagarrian (kanpoko proba multzoa).Entrenamendu multzotik lortutako behatzaileen arteko fidagarritasunerako kappa balioak 0,951 eta 0,947 izan dira, hurrenez hurren.Kappa balioetarako P balioak eta% 95eko konfiantza-tarteak S4 lineako taula osagarrian agertzen dira.Kappa balioa "ia perfektua" bezala interpretatu zen, Landis eta Koch-en irizpideekin bat etorrita26.
Batez besteko errore absolutua (MAE) alderatzean, metodo tradizionalak DM eredua apur bat gainditzen du genero guztientzat eta kanpoko gizonezkoen proba multzoan, geruza anitzeko pertzeptrona (MLP) izan ezik.MAE barneko proba multzoko eredu tradizionalaren eta DM ereduaren arteko aldea 0,12-0,19 urtekoa izan zen gizonezkoentzat eta 0,17-0,21 urtekoa emakumezkoentzat.Kanpoko probako bateriari dagokionez, aldeak txikiagoak dira (0,001-0,05 urte gizonezkoentzat eta 0,05-0,09 urte emakumezkoentzat).Gainera, erroko batez besteko errore karratua (RMSE) metodo tradizionala baino zertxobait txikiagoa da, alde txikiagoekin (0,17-0,24, 0,2-0,24 gizonezkoen barneko proba multzorako eta 0,03-0,07, 0,04-0,08 kanpoko proba-multzorako).).MLP-k geruza bakarreko pertzeptrona (SLP) baino errendimendu apur bat hobea erakusten du, emakumezko kanpoko proba-multzoaren kasuan izan ezik.MAE eta RMSErentzat, kanpoko proba multzoak genero eta eredu guztien barneko probak baino puntuazio altuagoak lortzen ditu.MAE eta RMSE guztiak 1. taulan eta 1. irudian agertzen dira.
Ohiko eta data meatzaritzako erregresio ereduen MAE eta RMSE.Batez besteko errore absolutua MAE, erroko batez besteko errore karratua RMSE, geruza bakarreko perceptron SLP, geruza anitzeko perceptron MLP, CM metodo tradizionala.
Tradizionalaren eta DM ereduen sailkapen-errendimendua (18 urteko ebakidurarekin) sentikortasuna, espezifikotasuna, balio iragarpen positiboa (PPV), balio iragarpen negatiboa (NPV) eta hartzailearen funtzionamenduaren ezaugarri kurbaren azpian (AUROC) eremuan frogatu zen. 27 (2. taula, 2. irudia eta 1. irudi osagarria sarean).Barne probako bateriaren sentsibilitateari dagokionez, metodo tradizionalak gizonen artean onena izan zuten eta emakumezkoen artean okerragoa.Hala ere, metodo tradizionalen eta SDren arteko sailkapen-errendimenduaren aldea %9,7koa da gizonezkoentzat (MLP) eta %2.4koa soilik emakumezkoentzat (XGBoost).DM ereduen artean, erregresio logistikoak (LR) sentikortasun hobea erakutsi zuen bi sexuetan.Barne-proba-multzoaren espezifikotasunari dagokionez, ikusi da lau SD ereduek ondo funtzionatzen zutela gizonezkoetan, eta eredu tradizionalak, berriz, emeetan.Gizonen eta emakumezkoen sailkapen-errendimenduaren aldeak %13,3 (MLP) eta %13,1 (MLP) dira, hurrenez hurren, eta ereduen arteko sailkapen-errendimenduaren aldeak sentikortasuna gainditzen duela adierazten du.DM ereduen artean, euskarri-bektore-makina (SVM), erabaki-zuhaitza (DT) eta ausazko basoa (RF) ereduak gizonezkoen artean aritu ziren hoberen, eta LR ereduak emeen artean.Eredu tradizionalaren eta SD eredu guztien AUROC 0,925 baino handiagoa izan zen (k-hurbilen bizilaguna (KNN) gizonezkoetan), sailkapeneko errendimendu bikaina erakutsiz 18 urteko lagin bereizgarrietan28.Kanpoko proba-multzoari dagokionez, sailkapen-errendimendua gutxitu egin zen sentikortasunari, espezifikotasunari eta AUROC-ari dagokionez, barneko proba-multzoarekin alderatuta.Gainera, eredu onenen eta txarrenen sailkapen-errendimenduaren arteko sentsibilitate- eta espezifikotasun-aldea %10etik %25era bitartekoa zen eta barne-test multzoko aldea baino handiagoa zen.
Datu-meatzaritzaren sailkapen-ereduen sentsibilitatea eta espezifikotasuna metodo tradizionalekin alderatuta, 18 urteko ebakidurarekin.KNN k gertuen dagoen bizilaguna, SVM euskarria bektore-makina, LR erregresio logistikoa, DT erabaki-zuhaitza, RF ausazko basoa, XGB XGBoost, MLP geruza anitzeko perceptron, CM metodo tradizionala.
Ikerketa honen lehen urratsa zazpi DM ereduetatik lortutako hortz-adinaren estimazioen zehaztasuna erregresio tradizionala erabiliz lortutakoekin alderatzea izan zen.MAE eta RMSE barne-test multzoetan ebaluatu ziren bi sexuentzat, eta metodo tradizionalaren eta DM ereduaren arteko aldea 44 eta 77 egunekoa izan zen MAErentzat eta 62 eta 88 egun artekoa RMSErentzat.Metodo tradizionala ikerketa honetan apur bat zehatzagoa izan bazen ere, zaila da ondorioztatzea hain diferentzia txiki batek garrantzi klinikoa edo praktikoa duen.Emaitza hauek adierazten dute hortz-adinaren estimazioaren zehaztasuna DM eredua erabiliz metodo tradizionalaren ia berdina dela.Zaila da aurreko ikerketetako emaitzekin zuzeneko konparaketa, ikerketak ez baitu DM ereduen zehaztasuna metodo estatistiko tradizionalekin alderatu, hortzak adin-tarte berdinean erregistratzeko teknika bera erabiliz.Galibourg et al24k MAE eta RMSE bi metodo tradizionalen (Demirjian metodoa25 eta Willems metodoa29) eta 10 DM ereduen artean alderatu zituzten 2 eta 24 urte bitarteko frantziar populazio batean.DM eredu guztiak metodo tradizionalak baino zehatzagoak zirela jakinarazi zuten, 0,20 eta 0,38 urteko aldeak MAEn eta 0,25 eta 0,47 urteko RMSEn Willems eta Demirdjian metodoekin alderatuta, hurrenez hurren.SD ereduaren eta Halibourg-eko ikerketan erakutsitako metodo tradizionalen arteko desadostasunak txosten ugari hartzen ditu kontuan30,31,32,33, Demirdjian metodoak ez duela zehatz-mehatz kalkulatzen hortz-adina ikerketaren oinarrian dauden Kanadako frantsesez beste populazioetan.azterketa honetan.Tai et al-ek 34-ek MLP algoritmoa erabili zuten 1636 txinatar ortodontzia argazkietatik hortzen adina aurreikusteko eta haren zehaztasuna Demirjian eta Willems metodoaren emaitzekin alderatu zuten.MLP metodo tradizionalek baino zehaztasun handiagoa duela jakinarazi dute.Demirdjian metodoaren eta metodo tradizionalaren arteko aldea <0,32 urtekoa da, eta Willems metodoa 0,28 urtekoa, hau da, ikerketa honetako emaitzen antzekoa.Aurreko ikerketa horien emaitzak24,34 ere bat datoz oraingo ikerketaren emaitzekin, eta DM ereduaren eta metodo tradizionalaren adinaren estimazioaren zehaztasuna antzekoak dira.Dena den, aurkeztutako emaitzetan oinarrituta, kontu handiz ondoriozta dezakegu adina kalkulatzeko DM ereduak erabiltzeak lehendik dauden metodoak ordezkatu ditzakeela, aurreko ikerketa konparatibo eta erreferentziazkoen faltagatik.Lagin handiagoak erabiliz jarraipen-azterketak behar dira ikerketa honetan lortutako emaitzak baieztatzeko.
SD-ren zehaztasuna hortz-adina kalkulatzeko azterketen artean, batzuek gure ikerketak baino zehaztasun handiagoa erakutsi zuten.Stepanovsky et al 35-ek 2,7 eta 20,5 urte bitarteko 976 biztanle txekiarren erradiografia panoramikoetan 22 SD eredu aplikatu zituzten eta modelo bakoitzaren zehaztasuna probatu zuten.Guztira, goiko eta beheko ezkerreko 16 hortz iraunkorren garapena baloratu dute Moorrees et al 36-ek proposatutako sailkapen-irizpideak erabiliz.MAE 0,64 eta 0,94 urte bitartekoa da eta RMSE 0,85 eta 1,27 urte bitartekoa, ikerketa honetan erabilitako bi DM ereduak baino zehatzagoak direnak.Shen et al23-ek Cameriere metodoa erabili zuten ezkerreko mandibulako zazpi hortz iraunkorren hortz adina kalkulatzeko 5 eta 13 urte bitarteko Txinako ekialdeko egoiliarrengan eta erregresio lineala, SVM eta RF erabiliz kalkulatutako adinekin alderatu zuten.Hiru DM modeloek Cameriere formula tradizionalarekin alderatuta zehaztasun handiagoa dutela erakutsi zuten.Shenen azterketako MAE eta RMSE azterketa honetan DM ereduan daudenak baino baxuagoak izan ziren.Stepanovsky et al-en ikerketen zehaztasun handiagoak.35 eta Shen et al.23 ikasketa-laginetan subjektu gazteenak sartzeagatik izan daiteke.Garatzen ari diren hortzak garatzen dituzten parte-hartzaileen adinaren kalkuluak zehatzagoak direnez hortz-garapenean hortz-kopurua handitzen den heinean, ondoriozko adina kalkulatzeko metodoaren zehaztasuna arriskuan egon daiteke azterketako parte-hartzaileak gazteagoak direnean.Gainera, MLPren errorea adinaren estimazioan SLP baino apur bat txikiagoa da, hau da, MLP SLP baino zehatzagoa da.Adinaren estimaziorako MLP apur bat hobea da, ziurrenik MLP38-n ezkutuko geruzak direla eta.Hala ere, salbuespen bat dago emakumeen kanpoko laginarentzat (SLP 1,45, MLP 1,49).Adinaren ebaluazioan MLP SLP baino zehatzagoa dela aurkitzeak atzera begirako azterketa osagarriak behar ditu.
DM ereduaren sailkapen-errendimendua eta metodo tradizionala 18 urteko atalase batean ere alderatu dira.Probatutako SD eredu guztiek eta barneko proba multzoko metodo tradizionalek diskriminazio maila ia onargarriak izan zituzten 18 urteko laginarentzat.Gizonen eta emakumeen sentsibilitatea % 87,7 eta % 94,9 baino handiagoa izan zen, hurrenez hurren, eta espezifikotasuna % 89,3 eta % 84,7 baino handiagoa.Probatutako modelo guztien AUROC ere 0,925 gainditzen du.Dakigunez, inongo ikerketak ez du probatu hortz-heldutasunaren arabera 18 urteko sailkapenerako DM ereduaren errendimendua.Ikerketa honen emaitzak erradiografia panoramikoetan deep learning ereduen sailkapen-errendimenduarekin aldera ditzakegu.Guo et al.15ek CNNn oinarritutako ikaskuntza sakoneko eredu baten eta Demirjian-en metodoan oinarritutako eskuzko metodo baten sailkapen-errendimendua kalkulatu zuten adin-atalase jakin baterako.Eskuzko metodoaren sentikortasuna eta espezifikotasuna % 87,7 eta % 95,5 izan ziren, hurrenez hurren, eta CNN ereduaren sentikortasuna eta espezifikotasuna % 89,2 eta % 86,6 gainditu ziren, hurrenez hurren.Ikaskuntza sakoneko ereduek eskuzko ebaluazioa ordezkatu edo gainditu dezaketela ondorioztatu dute adin-atalaseak sailkatzean.Ikerketa honen emaitzek antzeko sailkapenaren errendimendua erakutsi zuten;Uste da DM ereduak erabiliz sailkapenak adinaren estimaziorako metodo estatistiko tradizionalak ordezkatu ditzakeela.Ereduen artean, DM LR eredu onena izan zen gizonezkoen laginaren sentikortasunari eta emakumezkoen laginaren sentsibilitateari eta espezifikotasunari dagokionez.LR gizonezkoen espezifikotasunean bigarren postuan dago.Gainera, LR erabilerrazagoa den DM35 modeloetako bat da eta ez da hain konplexua eta prozesatzeko zaila.Emaitza horietatik abiatuta, LR Koreako populazioko 18 urteko gazteentzako ebaki-sailkapen-eredurik onenatzat hartu zen.
Orokorrean, kanpoko proba multzoan adinaren estimazioaren edo sailkapenaren errendimenduaren zehaztasuna eskasa edo txikiagoa izan zen barneko proba multzoko emaitzekin alderatuta.Txosten batzuek adierazten dute sailkapenaren zehaztasuna edo eraginkortasuna gutxitzen dela Koreako populazioan oinarritutako adinaren estimazioak Japoniako biztanleriari aplikatzen zaizkionean5,39, eta antzeko eredua aurkitu da ikerketa honetan.Okerrera-joera hori DM ereduan ere ikusi zen.Horregatik, adina zehaztasunez kalkulatzeko, analisi-prozesuan DM erabilita ere, bertako biztanleriaren datuetatik eratorritako metodoak hobetsi behar dira, metodo tradizionalak adibidez5,39,40,41,42.Ikaskuntza sakoneko ereduek antzeko joerak erakutsi ditzaketen ala ez argi dagoenez, metodo tradizionalak, DM ereduak eta ikaskuntza sakoneko ereduak lagin berdinetan erabiliz sailkapenaren zehaztasuna eta eraginkortasuna alderatzen dituzten ikerketak behar dira adimen artifizialak adin mugatuan arraza-desberdintasun horiek gaindi ditzakeen ala ez baieztatzeko.balorazioak.
Metodo tradizionalak adinaren estimazioarekin ordezkatu daitezkeela frogatzen dugu DM ereduan oinarritutako Koreako adinaren estimazio forentsearen praktikan.Gainera, auzitegiko adinaren ebaluaziorako ikaskuntza automatikoa ezartzeko aukera ere aurkitu genuen.Hala ere, muga argiak daude, hala nola, ikerketa honetan parte-hartzaile kopuru nahikoa ez dela emaitzak behin betiko zehazteko, eta ikerketa honen emaitzak konparatzeko eta berresteko aurretiko ikerketen falta.Etorkizunean, DM azterketak lagin-kopuru handiagoarekin eta populazio anitzekin egin beharko lirateke metodo tradizionalekin alderatuta bere erabilgarritasun praktikoa hobetzeko.Populazio anitzetan adina kalkulatzeko adimen artifiziala erabiltzearen bideragarritasuna balioztatzeko, etorkizuneko azterketak behar dira DMren eta ikasketa sakoneko ereduen sailkapenaren zehaztasuna eta eraginkortasuna metodo tradizionalekin lagin berdinetan alderatzeko.
Azterketak 15 eta 23 urte bitarteko Koreako eta Japoniako helduengandik bildutako 2.657 argazki ortografiko erabili ditu.Koreako erradiografiak 900 entrenamendu-multzo (19,42 ± 2,65 urte) eta 900 barne-proba multzotan (19,52 ± 2,59 urte) banatu ziren.Prestakuntza-multzoa erakunde batean bildu zen (Seulgo Santa Maria Ospitalea), eta proba-multzoa bi erakundetan (Seulgo Unibertsitate Nazionaleko Hortz Ospitalea eta Yonsei Unibertsitateko Hortz Ospitalea).Gainera, 857 erradiografia bildu ditugu biztanleriaren beste datu batetik (Iwate Medical University, Japonia) kanpoko probak egiteko.Japoniako subjektuen erradiografiak (19,31 ± 2,60 urte) hautatu ziren kanpoko proba multzo gisa.Datuak atzera begira bildu dira hortz-garapenaren faseak aztertzeko hortz-tratamenduetan egindako erradiografia panoramikoetan.Bildutako datu guztiak anonimoak izan ziren, sexua, jaioteguna eta erradiografia-data izan ezik.Inklusio- eta baztertze-irizpideak aurretik argitaratutako ikerketen berdinak ziren 4, 5.Laginaren benetako adina erradiografia egin zenetik jaiotze-data kenduz kalkulatu zen.Lagin-taldea bederatzi adin-taldetan banatu zen.Adinaren eta sexuaren banaketak 3. taulan ageri dira Azterketa hau Helsinkiko Adierazpenaren arabera egin zen eta Koreako Unibertsitate Katolikoko Seul St. Mary's Ospitaleko Institutional Review Board (IRB) onartu zuen (KC22WISI0328).Ikerketa honen atzera begirako diseinua dela eta, ezin izan da baimen informatua lortu helburu terapeutikoekin azterketa erradiografikoa egiten ari diren paziente guztien artean.Seulgo Korea Unibertsitateko St. Mary's Ospitaleak (IRB) baimen informatuaren eskakizunari uko egin zion.
Bigarren eta hirugarren molar bimaxilarren garapen-etapak Demircan-en irizpideen arabera ebaluatu ziren25.Hortz bakarra hautatu zen masailezur bakoitzaren ezkerreko eta eskuineko aldeetan hortz mota bera aurkitzen bazen.Bi aldeetako hortz homologoak garapen-fase desberdinetan bazeuden, garapen-fase baxuagoa zuen hortza hautatu zen, estimatutako adinaren ziurgabetasuna kontuan hartzeko.Prestakuntza-multzotik ausaz aukeratutako ehun erradiografia puntuatu zituzten bi behatzailek esperientziadun behatzaileen arteko fidagarritasuna probatzeko, aurrekalibratu ondoren, hortz heldutasun-etapa zehazteko.Behatzaileen barneko fidagarritasuna hiru hilabeteko tarteetan bi aldiz ebaluatu zuen behatzaile nagusiak.
Entrenamendu-multzoko masailezur bakoitzaren bigarren eta hirugarren molarren sexua eta garapen-etapa DM eredu desberdinekin trebatutako lehen behatzaile batek kalkulatu zituen, eta benetako adina ezarri zen helburu-balio gisa.Ikaskuntza automatikoan asko erabiltzen diren SLP eta MLP ereduak erregresio algoritmoen aurka probatu ziren.DM ereduak funtzio linealak konbinatzen ditu lau hortzen garapen-faseak erabiliz eta datu horiek konbinatzen ditu adina kalkulatzeko.SLP sare neuronal sinpleena da eta ez du ezkutuko geruzarik.SLP nodoen arteko atalase transmisioan oinarritzen da.Erregresioan SLP eredua matematikoki erregresio lineal anizkoitzaren antzekoa da.SLP ereduak ez bezala, MLP ereduak ezkutuko geruza anitz ditu aktibazio-funtzio ez-linealekin.Gure esperimentuek ezkutuko geruza bat erabili zuten aktibazio-funtzio ez-linealak dituzten 20 nodo ezkutuko soilik.Erabili gradienteen jaitsiera optimizazio metodo gisa eta MAE eta RMSE galera-funtzio gisa gure ikaskuntza automatikoaren eredua trebatzeko.Lortutako erregresio-eredurik onena barneko eta kanpoko proba-multzoei aplikatu zitzaien eta hortzen adina kalkulatu zen.
Entrenamendu-multzoan lau hortzen heldutasuna erabiltzen duen sailkapen-algoritmo bat garatu zen, lagin batek 18 urte dituen ala ez aurreikusteko.Eredua eraikitzeko, zazpi irudikapen-makinen ikaskuntza algoritmo deribatu ditugu6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost eta (7) MLP. .LR sailkapen-algoritmorik erabilienetako bat da44.Gainbegiraturiko ikaskuntza-algoritmo bat da, erregresioa erabiltzen duena 0tik 1era kategoria jakin bateko datuen probabilitatea aurreikusteko eta probabilitate horren arabera probabilitatearen arabera sailkatzen ditu datuak;batez ere sailkapen bitar egiteko erabiltzen da.KNN ikaskuntza automatikoko algoritmo errazenetako bat da45.Sarrerako datu berriak ematen direnean, lehendik dagoen multzotik hurbil dauden k datuak aurkitzen ditu eta gero maiztasun handieneko klasean sailkatzen ditu.Kontuan hartutako (k) bizilagunen 3 ezarri dugu.SVM bi klaseen arteko distantzia maximizatzen duen algoritmo bat da, nukleoaren funtzio bat erabiliz espazio lineala eremu ez-lineal batean zabaltzeko eremuak46 izenekoa.Eredu honetarako, bias = 1, potentzia = 1 eta gamma = 1 erabiltzen ditugu nukleo polinomialaren hiperparametro gisa.DT hainbat esparrutan aplikatu da datu multzo osoa hainbat azpitaldetan banatzeko algoritmo gisa, erabaki-arauak zuhaitz-egitura batean irudikatuz47.Eredua 2 nodo bakoitzeko gutxieneko erregistro-kopuru batekin konfiguratuta dago eta Gini indizea erabiltzen du kalitate-neurri gisa.RF multzo-metodo bat da, DT anitz konbinatzen dituena, errendimendua hobetzeko bootstrap agregazio-metodo bat erabiliz, lagin bakoitzarentzat sailkatzaile ahul bat sortzen duena, jatorrizko datu-multzotik hainbat aldiz tamaina bereko laginak ausaz ateraz48.100 zuhaitz, 10 zuhaitz-sakonera, 1 nodo gutxieneko tamaina eta Gini nahasketa-indizea erabili ditugu nodoen bereizketa irizpide gisa.Datu berrien sailkapena gehiengoaren botoarekin zehazten da.XGBoost indartzeko teknikak konbinatzen dituen algoritmo bat da, entrenamendu-datu gisa aurreko ereduaren benetako eta aurreikusitako balioen arteko errorea hartzen duen metodo bat erabiliz eta gradienteak erabiliz errorea areagotzen duena49.Oso erabilia den algoritmoa da, bere errendimendu onagatik eta baliabideen eraginkortasunagatik, baita fidagarritasun handiagatik ere gehiegi egokitzeko zuzenketa funtzio gisa.Eredua 400 euskarri gurpilekin hornituta dago.MLP sare neuronal bat da, non pertzeptro batek edo gehiagok geruza anitz osatzen dituzte sarrerako eta irteerako geruzen artean ezkutuko geruza bat edo gehiagorekin38.Hau erabiliz, sailkapen ez-lineala egin dezakezu, non sarrerako geruza bat gehitzen duzunean eta emaitza-balioa lortzen duzunean, aurreikusitako emaitza-balioa benetako emaitza-balioarekin alderatzen den eta errorea atzera hedatzen den.Ezkutuko geruza bat sortu dugu geruza bakoitzean ezkutuko 20 neurona dituena.Garatu genuen eredu bakoitza barneko eta kanpoko multzoei aplikatu zitzaien sailkapenaren errendimendua probatzeko sentikortasuna, espezifikotasuna, PPV, NPV eta AUROC kalkulatuz.Sentikortasuna 18 urte edo gehiago dituen laginaren eta 18 urte edo gehiago dituen laginaren arteko erlazioa bezala definitzen da.Espezifikotasuna 18 urtetik beherako laginen eta 18 urtetik beherakoak direla estimatzen direnen proportzioa da.
Prestakuntza-multzoan ebaluatutako hortz-etapak zenbakizko etapa bihurtu ziren estatistika-analisirako.Aldagai anitzeko erregresio lineala eta logistikoa egin zen, sexu bakoitzerako eredu iragarleak garatzeko eta adina kalkulatzeko erabil daitezkeen erregresio formulak ateratzeko.Formula hauek erabili ditugu hortzen adina kalkulatzeko barneko zein kanpoko proba multzoetarako.4. taulak ikerketa honetan erabilitako erregresio eta sailkapen ereduak erakusten ditu.
Behatzaileen arteko eta behatzaileen arteko fidagarritasuna Cohen-en kappa estatistikaren bidez kalkulatu da.DM eta erregresio eredu tradizionalen zehaztasuna probatzeko, MAE eta RMSE kalkulatu ditugu barneko eta kanpoko proba multzoen adin estimatuak eta errealak erabiliz.Errore hauek ereduen iragarpenen zehaztasuna ebaluatzeko erabili ohi dira.Errorea zenbat eta txikiagoa izan, orduan eta iragarpenaren zehaztasun handiagoa24.Konparatu DM eta erregresio tradizionala erabiliz kalkulatutako barneko eta kanpoko proba multzoen MAE eta RMSE.Estatistika tradizionaletan 18 urteko ebakiaren sailkapenaren errendimendua 2 × 2 kontingentzia-taula erabiliz ebaluatu zen.Saiakuntza-multzoaren kalkulatutako sentsibilitatea, espezifikotasuna, PPV, NPV eta AUROC DM sailkapen-ereduaren neurtutako balioekin alderatu dira.Datuak batez besteko ± desbideratze estandarra edo kopurua (%) gisa adierazten dira datuen ezaugarrien arabera.Bi aldeetako P balioak <0,05 estatistikoki esanguratsutzat jo ziren.Ohiko analisi estatistiko guztiak SAS 9.4 bertsioa erabiliz egin ziren (SAS Institute, Cary, NC).DM erregresio eredua Python-en inplementatu zen Keras50 2.2.4 backend eta Tensorflow51 1.8.0 erabiliz bereziki eragiketa matematikoetarako.DM sailkapen-eredua Waikato Knowledge Analysis Environment eta Konstanz Information Miner (KNIME) 4.6.152 analisi plataforman ezarri zen.
Egileek aitortzen dute ikerketaren ondorioak onartzen dituzten datuak artikuluan eta material osagarrietan aurki daitezkeela.Ikerketan zehar sortutako eta/edo aztertutako datu-multzoak dagokion egilearen eskura daude arrazoizko eskaerarekin.
Ritz-Timme, S. et al.Adinaren ebaluazioa: auzitegi-praktikaren baldintza espezifikoak betetzeko artearen egoera.nazioartekotasuna.J. Medikuntza juridikoa.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. eta Olze, A. Subjektu bizidunen auzitegi-adinaren ebaluazioaren egungo egoera akusazio penaletarako.Foruzaingoak.medikuntza.Patologia.1, 239–246 (2005).
Pan, J. et al.Txinako ekialdeko 5 eta 16 urte bitarteko haurren hortz-adina ebaluatzeko metodo aldatua.klinikoa.Ahozko inkesta.25, 3463–3474 (2021).
Lee, SS eta abar. Bigarren eta hirugarren molarren garapenaren kronologia korearren eta auzitegiko adinaren ebaluaziorako aplikazioa.nazioartekotasuna.J. Medikuntza juridikoa.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY eta Lee, SS Adinaren estimazioaren zehaztasuna eta 18 urteko atalasearen estimazioa bigarren eta hirugarren molarren heldutasunean oinarritutako korear eta japonieraz.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Ebakuntza aurreko makina-ikaskuntzan oinarritutako datuen analisiak loaren kirurgiaren tratamenduaren emaitza aurreikus dezake OSA duten pazienteetan.zientzia.11. txostena, 14911 (2021).
Han, M. et al.Adinaren estimazio zehatza ikaskuntza automatikoaren bidez gizakiaren esku-hartzearekin edo gabe?nazioartekotasuna.J. Medikuntza juridikoa.136, 821–831 (2022).
Khan, S. eta Shaheen, M. Datu-meatzaritzatik datu-meatzaritzara.J.Informazioa.zientzia.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. eta Shaheen, M. WisRule: Elkarteko Arauen Meatzaritzako Lehen Algoritmo Kognitiboa.J.Informazioa.zientzia.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. eta Abdullah U. Karm: Datu-meatzaritza tradizionala testuinguruan oinarritutako elkarte-arauetan oinarrituta.kalkulatu.Matt.jarraitu.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. eta Habib M. Deep learning oinarritutako antzekotasun semantikoa detektatzeko testu datuak erabiliz.informatu.teknologiak.kontrola.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. eta Shahin, M. Kirol-bideoetako jarduerak ezagutzeko sistema.multimedia.Tresnak Aplikazioak https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.RSNA Machine Learning Challenge Pediatric Bone Age-n.Erradiologia 290, 498–503 (2019).
Li, Y. et al.Adin forentsearen estimazioa pelbiseko X izpietatik ikaskuntza sakona erabiliz.EUROA.erradiazioa.29, 2322–2329 (2019).
Guo, YC, et al.Adin-sailkapen zehatza eskuzko metodoak eta proiekzio ortografikoko irudien neurona-sare konbolutibo sakonak erabiliz.nazioartekotasuna.J. Medikuntza juridikoa.135, 1589–1597 (2021).
Alabama Dalora et al.Hezurren adinaren estimazioa makina ikasteko metodo desberdinak erabiliz: literaturaren berrikuspen sistematikoa eta meta-analisia.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. eta Yang, J. Afroamerikar eta txinatar afroamerikarren eta txinatarren adin espezifikoaren estimazioa, lehen molarren mami-ganberako bolumenetan oinarrituta, kono-habe konputazioko tomografia erabiliz.nazioartekotasuna.J. Medikuntza juridikoa.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK eta Oh KS Bizidunen adin-taldeak zehaztea, lehen molarren adimen artifizialean oinarritutako irudiak erabiliz.zientzia.11. txostena, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. eta Urschler, M. Adinaren estimazio automatikoa eta adin nagusien sailkapena aldagai anitzeko MRI datuetatik abiatuta.IEEE J. Biomed.Osasun Alertak.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. eta Li, G. Adinaren estimazioa kono habeko konputaziozko tomografiako lehen molarren segmentazioan oinarritutako 3D pulpa-ganberako ikaskuntza sakona eta maila multzoak integratuz.nazioartekotasuna.J. Medikuntza juridikoa.135, 365–373 (2021).
Wu, WT, et al.Datu-meatzaritza big data klinikoetan: datu-base komunak, urratsak eta metodo ereduak.Mundua.medikuntza.baliabidea.8, 44 (2021).
Yang, J. et al.Datu-base medikoen eta Data Mining teknologien sarrera Big Data garaian.J. Avid.Oinarrizko medikuntza.13, 57–69 (2020).
Shen, S. et al.Camerer-en metodoa hortzen adina kalkulatzeko ikasketa automatikoa erabiliz.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.Demirdjian eszenatze metodoa erabiliz hortz-adina iragartzeko makina ikasteko metodo ezberdinen konparaketa.nazioartekotasuna.J. Medikuntza juridikoa.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. eta Tanner, JM Hortz adina ebaluatzeko sistema berria.zurrupa egin.biologia.45, 211–227 (1973).
Landis, JR, eta Koch, GG Datu kategorikoei buruzko behatzaileen akordioaren neurriak.Biometria 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK eta Choi HK.Bi dimentsioko erresonantzia magnetikoaren irudiaren testura, morfologia eta analisi estatistikoa, garuneko tumore primarioak bereizteko adimen artifizialaren teknikak erabiliz.Osasunari buruzko informazioa.baliabidea.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Argitalpenaren ordua: 2024-04-04