Eskerrik asko Nature.com bisitatzeagatik. Erabiltzen ari zaren arakatzailearen bertsioak CSS euskarri mugatua du. Emaitza onenak lortzeko, zure arakatzailearen bertsio berriago bat erabiltzea gomendatzen dizugu (edo Internet Explorer-en bateragarritasun modua desaktibatzea). Bitartean, etengabeko laguntza bermatzeko, gunea estilo edo JavaScript gabe erakusten ari gara.
Hortzak giza gorputzaren adinaren adierazlerik zehatzena direla uste da eta askotan adinaren ebaluazio forentsean erabiltzen dira. Datu-meatzaritzan oinarritutako hortz-adinaren estimazioak baliozkotzea izan zen gure helburua, 18 urteko atalasearen estimazio-zehaztasuna eta sailkapen-errendimendua metodo tradizionalekin eta datu-meatzaritzan oinarritutako adin-estimazioekin alderatuz. Guztira 2657 erradiografia panoramiko bildu ziren 15 eta 23 urte bitarteko Koreako eta Japoniako herritarrengandik. Prestakuntza-multzo batean banatu ziren, bakoitzak 900 erradiografia korear zituena, eta 857 erradiografia japoniar zituen barne-proba multzo batean. Metodo tradizionalen sailkapen-zehaztasuna eta -eraginkortasuna datu-meatzaritzako ereduen proba-multzoekin alderatu genituen. Metodo tradizionalaren zehaztasuna barne-proba multzoan datu-meatzaritzako ereduarena baino zertxobait handiagoa da, eta aldea txikia da (batez besteko errore absolutua <0,21 urte, erro karratu ertainaren errorea <0,24 urte). 18 urteko mugarako sailkapen-errendimendua ere antzekoa da metodo tradizionalen eta datu-meatzaritzako ereduen artean. Horrela, metodo tradizionalak datu-meatzaritzako ereduekin ordezkatu daitezke Koreako nerabe eta heldu gazteen bigarren eta hirugarren molarren heldutasuna erabiliz adinaren ebaluazio forentsea egiterakoan.
Hortzen adina kalkulatzea oso erabilia da medikuntza forentsean eta odontologia pediatrikoan. Bereziki, adin kronologikoaren eta hortzen garapenaren arteko korrelazio handia dela eta, hortzen garapen-etapen araberako adina ebaluatzea irizpide garrantzitsua da haurren eta nerabeen adina ebaluatzeko1,2,3. Hala ere, gazteentzat, hortzen heldutasunean oinarritutako hortzen adina kalkulatzeak mugak ditu, hortzen hazkundea ia osoa baitago, hirugarren molarrak izan ezik. Gazteen eta nerabeen adina zehaztearen helburu legala adin nagusitasunera iritsi diren ala ez zehazteko estimazio zehatzak eta ebidentzia zientifikoak ematea da. Koreako nerabeen eta heldu gazteen praktika mediko-legalean, adina Leeren metodoa erabiliz kalkulatu zen, eta 18 urteko atalase legal bat aurreikusi zen Oh et al.-ek jakinarazitako datuetan oinarrituta5.
Ikaskuntza automatikoa adimen artifizial (AA) mota bat da, datu kopuru handiak behin eta berriz ikasten eta sailkatzen dituena, arazoak bere kabuz konpontzen dituena eta datuen programazioa bultzatzen duena. Ikaskuntza automatikoak datu bolumen handietan ezkutuko eredu erabilgarriak aurki ditzake6. Aitzitik, metodo klasikoek, lan intentsiboa eta denbora asko eskatzen dutenek, mugak izan ditzakete eskuz prozesatzeko zailak diren datu konplexu bolumen handiak maneiatzen dituztenean7. Hori dela eta, azkenaldian ikerketa asko egin dira azken ordenagailu teknologiak erabiliz, giza akatsak minimizatzeko eta datu multidimentsionalak eraginkortasunez prozesatzeko8,9,10,11,12. Bereziki, ikaskuntza sakona asko erabili da irudi medikoen analisian, eta erradiografiak automatikoki aztertuz adina kalkulatzeko hainbat metodok adinaren estimazioaren zehaztasuna eta eraginkortasuna hobetzen dutela jakinarazi da13,14,15,16,17,18,19,20. Adibidez, Halabi et al. 13 sare neuronal konboluzionaletan (CNN) oinarritutako ikaskuntza automatikoko algoritmo bat garatu zuten, haurren eskuen erradiografiak erabiliz hezur-adina kalkulatzeko. Ikerketa honek ikaskuntza automatikoa irudi medikoetan aplikatzen duen eredu bat proposatzen du eta metodo horiek diagnostikoaren zehaztasuna hobetu dezaketela erakusten du. Li et al.14-k adina kalkulatu zuten pelbiseko X izpien irudietatik CNN ikaskuntza sakona erabiliz, eta erregresio-emaitzekin alderatu zituzten osifikazio-fasearen estimazioa erabiliz. Ikusi zuten ikaskuntza sakoneko CNN ereduak erregresio-eredu tradizionalak bezalako adina estimatzeko errendimendua erakusten zuela. Guo et al.-en ikerketak [15] CNN teknologiaren adin-tolerantziaren sailkapen-errendimendua ebaluatu zuen hortz-ortoargazkietan oinarrituta, eta CNN ereduaren emaitzek frogatu zuten gizakiek bere adin-sailkapen-errendimendua gainditu zutela.
Makina-ikaskuntza erabiliz adinaren estimazioari buruzko ikerketa gehienek ikaskuntza sakoneko metodoak erabiltzen dituzte13,14,15,16,17,18,19,20. Ikaskuntza sakonean oinarritutako adinaren estimazioa metodo tradizionalak baino zehatzagoa dela jakinarazi da. Hala ere, ikuspegi honek aukera gutxi ematen ditu adinaren estimazioen oinarri zientifikoa aurkezteko, hala nola estimazioetan erabilitako adin-adierazleak. Gainera, eztabaida juridikoa dago ikuskapenak nork egiten dituenari buruz. Beraz, ikaskuntza sakonean oinarritutako adinaren estimazioa zaila da administrazio- eta epaile-agintariek onartzea. Datu-meatzaritza (DM) informazio esperogarria ez ezik, ustekabekoa ere aurki dezakeen teknika bat da, datu kopuru handien arteko korrelazio erabilgarriak aurkitzeko metodo gisa6,21,22. Makina-ikaskuntza askotan erabiltzen da datu-meatzaritzan, eta bai datu-meatzaritzak bai makina-ikaskuntzak algoritmo gako berdinak erabiltzen dituzte datuetan ereduak aurkitzeko. Hortz-garapena erabiliz adinaren estimazioa aztertzaileak helburuko hortzen heldutasunaren ebaluazioan oinarritzen da, eta ebaluazio hori helburuko hortz bakoitzerako etapa gisa adierazten da. DM erabil daiteke hortz-ebaluazio-etapen eta benetako adinaren arteko korrelazioa aztertzeko eta analisi estatistiko tradizionala ordezkatzeko ahalmena du. Beraz, DM teknikak adinaren estimazioan aplikatzen baditugu, ikaskuntza automatikoa ezar dezakegu adinaren estimazio forentsean, erantzukizun legalaz kezkatu gabe. Hainbat ikerketa konparatibo argitaratu dira praktika forentsean erabiltzen diren eskuzko metodo tradizionalen eta hortz-adina zehazteko EBM-n oinarritutako metodoen alternatiba posibleei buruz. Shen et al23-k erakutsi zuten DM eredua Camerer formula tradizionala baino zehatzagoa dela. Galibourg et al24-k DM metodo desberdinak aplikatu zituzten Demirdjian irizpidearen arabera adina aurreikusteko25 eta emaitzek erakutsi zuten DM metodoak Demirdjian eta Willems metodoak gainditu zituela Frantziako biztanleriaren adina kalkulatzerakoan.
Koreako nerabe eta heldu gazteen hortz-adina kalkulatzeko, Leeren 4. metodoa oso erabilia da Koreako auzitegi-praktikan. Metodo honek analisi estatistiko tradizionala (erregresio anizkoitza adibidez) erabiltzen du Koreako subjektuen eta adin kronologikoaren arteko erlazioa aztertzeko. Ikerketa honetan, metodo estatistiko tradizionalak erabiliz lortutako adina kalkulatzeko metodoak "metodo tradizional" gisa definitzen dira. Leeren metodoa metodo tradizionala da, eta bere zehaztasuna Oh et al. 5-ek berretsi dute; hala ere, DM ereduan oinarritutako adin-kalkulazioaren aplikagarritasuna Koreako auzitegi-praktikan oraindik zalantzazkoa da. Gure helburua DM ereduan oinarritutako adin-kalkulazioaren erabilgarritasun potentziala zientifikoki balioztatzea izan zen. Ikerketa honen helburua (1) bi DM ereduen zehaztasuna alderatzea hortz-adina kalkulatzeko eta (2) 7 DM ereduen sailkapen-errendimendua 18 urterekin metodo estatistiko tradizionalak erabiliz lortutakoekin alderatzea. Bi masailezurretako bigarren eta hirugarren molarren heldutasuna.
Adin kronologikoaren batez bestekoak eta desbideratze estandarrak etapa eta hortz motaren arabera S1 taula osagarrian (entrenamendu multzoa), S2 taula osagarrian (barne proba multzoa) eta S3 taula osagarrian (kanpo proba multzoa) ageri dira online. Entrenamendu multzotik lortutako behatzaile barruko eta behatzaile arteko fidagarritasunerako kappa balioak 0,951 eta 0,947 izan ziren, hurrenez hurren. Kappa balioen P balioak eta % 95eko konfiantza tarteak S4 taula osagarrian ageri dira online. Kappa balioa "ia perfektua" bezala interpretatu zen, Landis eta Koch26-ren irizpideekin bat etorriz.
Batez besteko errore absolutua (MAE) alderatzean, metodo tradizionalak DM eredua baino errendimendu apur bat hobea du genero guztientzat eta gizonezkoen kanpoko proba multzoan, geruza anitzeko pertzeptronaren (MLP) izan ezik. Eredu tradizionalaren eta DM ereduaren arteko aldea barneko MAE proba multzoan 0,12–0,19 urte izan zen gizonentzat eta 0,17–0,21 urte emakumeentzat. Kanpoko proba bateriari dagokionez, aldeak txikiagoak dira (0,001–0,05 urte gizonentzat eta 0,05–0,09 urte emakumeentzat). Gainera, erro karratu ertainaren errorea (RMSE) metodo tradizionala baino apur bat txikiagoa da, alde txikiagoekin (0,17–0,24, 0,2–0,24 gizonezkoen barneko proba multzoarentzat, eta 0,03–0,07, 0,04–0,08 kanpoko proba multzoarentzat). MLP-k errendimendu apur bat hobea erakusten du Geruza Bakarreko Pertzeptronaren (SLP) baino, emakumezkoen kanpoko proba multzoaren kasuan izan ezik. MAE eta RMSE-rentzat, kanpoko proba multzoak puntuazio altuagoa lortzen du barneko proba multzoak baino genero eta eredu guztientzat. MAE eta RMSE guztiak 1. taulan eta 1. irudian ageri dira.
MAE eta RMSE erregresio-eredu tradizionalen eta datu-meatzaritzako ereduen. Batez besteko errore absolutua MAE, erro karratu ertaineko errorea RMSE, geruza bakarreko pertzeptron SLP, geruza anitzeko pertzeptron MLP, CM metodo tradizionala.
Eredu tradizionalen eta DM ereduen sailkapen-errendimendua (18 urteko mugarekin) sentikortasunaren, espezifikotasunaren, balio prediktibo positiboaren (PPV), balio prediktibo negatiboaren (NPV) eta hartzailearen funtzionamendu-kurba karakteristikoaren azpiko azaleraren (AUROC) 27 arabera frogatu zen (2. taula, 2. irudia eta 1. irudi osagarria online). Barne-proba-bateriaren sentikortasunari dagokionez, metodo tradizionalek emaitza onenak lortu zituzten gizonen artean eta okerragoak emakumeen artean. Hala ere, metodo tradizionalen eta SDren arteko sailkapen-errendimenduaren aldea % 9,7koa da gizonentzat (MLP) eta % 2,4koa bakarrik emakumeentzat (XGBoost). DM ereduen artean, erregresio logistikoak (LR) sentikortasun hobea erakutsi zuen bi sexuetan. Barne-proba-multzoaren espezifikotasunari dagokionez, ikusi zen lau SD ereduek emaitza onak lortu zituztela gizonezkoetan, eta eredu tradizionalak, berriz, emakumezkoetan. Gizonezkoen eta emakumezkoen sailkapen-errendimenduaren aldeak % 13,3koak (MLP) eta % 13,1ekoak (MLP) dira, hurrenez hurren, eta horrek adierazten du ereduen arteko sailkapen-errendimenduaren aldeak sentikortasuna gainditzen duela. DM ereduen artean, laguntza bektore makina (SVM), erabaki zuhaitza (DT) eta ausazko basoa (RF) ereduak izan zuten emaitzarik onenak gizonezkoen artean, eta LR ereduak, berriz, emakumezkoen artean. Eredu tradizionalaren eta SD eredu guztien AUROC 0,925 baino handiagoa izan zen (k-nearest nearest nearest bizilaguna (KNN) gizonezkoetan), eta horrek sailkapen-errendimendu bikaina erakutsi zuen 18 urteko laginak bereiztean28. Kanpoko proba multzoarentzat, sailkapen-errendimendua jaitsi egin zen sentikortasunari, espezifikotasunari eta AUROCari dagokionez, barneko proba multzoarekin alderatuta. Gainera, eredu onenaren eta txarrenaren sailkapen-errendimenduaren arteko sentikortasun eta espezifikotasun aldea % 10etik % 25era bitartekoa izan zen, eta barneko proba multzoan zegoen aldea baino handiagoa izan zen.
Datu-meatzaritzako sailkapen-ereduen sentikortasuna eta zehaztasuna, 18 urteko muga duten metodo tradizionalen aldean. KNN k bizilagun hurbilena, SVM laguntza bektore makina, LR erregresio logistikoa, DT erabaki-zuhaitza, RF ausazko basoa, XGB XGBoost, MLP geruza anitzeko pertzepzioa, 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-proba multzoetan ebaluatu ziren bi sexuetarako, eta metodo tradizionalaren eta DM ereduaren arteko aldea 44 eta 77 egun artekoa izan zen MAErentzat eta 62 eta 88 egun artekoa RMSErentzat. Metodo tradizionala apur bat zehatzagoa izan zen arren ikerketa honetan, zaila da ondorioztatzea hain alde txiki batek esanahi klinikoa edo praktikoa duen. Emaitza hauek adierazten dute DM eredua erabiliz hortz-adinaren estimazioaren zehaztasuna ia metodo tradizionalaren berdina dela. Aurreko ikerketen emaitzekin zuzeneko konparaketa zaila da, inongo ikerketak ez baitu DM ereduen zehaztasuna metodo estatistiko tradizionalekin alderatu, ikerketa honetan bezalako adin-tarte berean hortzak erregistratzeko teknika bera erabiliz. Galibourg et al24-k MAE eta RMSE alderatu zituzten bi metodo tradizionalen artean (Demirjian metodoa25 eta Willems metodoa29) eta 10 DM ereduren artean, 2 eta 24 urte bitarteko frantziar populazio batean. Jakinarazi zuten DM eredu guztiak metodo tradizionalak baino zehatzagoak zirela, 0,20 eta 0,38 urteko aldeekin MAE-n eta 0,25 eta 0,47 urteko RMSE-n Willems eta Demirdjian metodoekin alderatuta, hurrenez hurren. Halibourg ikerketan erakutsitako SD ereduaren eta metodo tradizionalen arteko desadostasunak kontuan hartzen ditu txosten ugari30,31,32,33, Demirdjian metodoak ez duela zehatz-mehatz kalkulatzen hortz-adina ikerketa oinarritu zen frantziar-kanadarrez gain beste populazioetan. ikerketa honetan. Tai et al. 34 MLP algoritmoa erabili zuten hortz-adina aurreikusteko 1636 txinatar ortodontzia-argazkietatik abiatuta, eta haren zehaztasuna alderatu zuten Demirjian eta Willems metodoaren emaitzekin. Jakinarazi zuten MLP-k zehaztasun handiagoa duela metodo tradizionalak baino. Demirdjian metodoaren eta metodo tradizionalaren arteko aldea <0,32 urte da, eta Willems metodoarena 0,28 urtekoa, eta hori antzekoa da egungo ikerketaren emaitzen arabera. Aurreko ikerketa hauen emaitzak24,34 ere bat datoz egungo ikerketaren emaitzekin, eta DM ereduaren eta metodo tradizionalaren adinaren estimazioaren zehaztasuna antzekoa da. Hala ere, aurkeztutako emaitzetan oinarrituta, kontu handiz ondoriozta dezakegu DM ereduen erabilerak adina kalkulatzeko dauden metodoak ordezkatu ditzakeela, aurreko ikerketa konparatibo eta erreferentziazkoen faltagatik. Lagin handiagoak erabiliz jarraipen-azterlanak behar dira ikerketa honetan lortutako emaitzak berresteko.
Hortz-adina kalkulatzeko SD-ren zehaztasuna probatzen duten ikerketen artean, batzuek gure ikerketak baino zehaztasun handiagoa erakutsi zuten. Stepanovsky et al. 35-ek 22 SD eredu aplikatu zizkieten 2,7 eta 20,5 urte bitarteko 976 txekiar bizilagunen erradiografia panoramikoei eta eredu bakoitzaren zehaztasuna probatu zuten. Guztira 16 goiko eta beheko ezkerreko hortz iraunkorren garapena ebaluatu zuten 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 al. 23-ek Cameriere metodoa erabili zuten 5 eta 13 urte bitarteko ekialdeko Txinako bizilagunen ezkerreko masailezurreko zazpi hortz iraunkorren hortz-adina kalkulatzeko eta erregresio lineala, SVM eta RF erabiliz kalkulatutako adinarekin alderatu zuten. Erakutsi zuten hiru DM ereduek zehaztasun handiagoa dutela Cameriere formula tradizionalarekin alderatuta. Shen-en ikerketako MAE eta RMSE ikerketa honetako DM eredukoak baino txikiagoak izan ziren. Stepanovsky et al. 35 eta Shen et al. 23-ren ikerketen zehaztasun handiagoa ikerketa-laginetan subjektu gazteagoak sartzeagatik izan daiteke. Hortzak garatzen ari diren parte-hartzaileen adin-estimazioak zehatzagoak direnez hortz kopurua hortzen garapenean handitzen den heinean, ondoriozko adina kalkulatzeko metodoaren zehaztasuna arriskuan jar daiteke ikerketako parte-hartzaileak gazteagoak direnean. Gainera, MLP-ren errorea adin-estimazioan SLP-rena baino apur bat txikiagoa da, eta horrek esan nahi du MLP SLP baino zehatzagoa dela. MLP apur bat hobea dela uste da adina kalkulatzeko, agian MLP38-n dauden geruza ezkutuengatik. Hala ere, emakumeen kanpoko laginarentzat salbuespen bat dago (SLP 1.45, MLP 1.49). MLP adina ebaluatzeko SLP baino zehatzagoa dela aurkitzeak atzera begirako ikerketa gehigarriak eskatzen ditu.
DM ereduaren eta metodo tradizionalaren sailkapen-errendimendua 18 urteko atalase batean ere alderatu zen. Barne-proba multzoan probatu ziren SD eredu eta metodo tradizional guztiek diskriminazio-maila onargarriak erakutsi zituzten 18 urteko laginarentzat. Gizonezkoen eta emakumezkoen sentikortasuna % 87,7 eta % 94,9 baino handiagoa izan zen, hurrenez hurren, eta espezifikotasuna % 89,3 eta % 84,7 baino handiagoa izan zen. Probatu ziren eredu guztien AUROC-ak ere 0,925 gainditzen du. Dakigunez, inongo ikerketak ez du DM ereduaren errendimendua probatu hortz-heldutasunean oinarritutako 18 urteko sailkapenerako. Ikerketa honen emaitzak erradiografia panoramikoetan ikaskuntza sakoneko ereduen sailkapen-errendimenduarekin alderatu ditzakegu. Guo et al.15-ek CNN 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 zituzten, hurrenez hurren. Ondorioztatu zuten ikaskuntza sakoneko ereduek eskuzko ebaluazioa ordezkatu edo gainditu dezaketela adin-atalaseak sailkatzeko orduan. Ikerketa honen emaitzek sailkapen-errendimendu antzekoa erakutsi zuten; uste da DM ereduak erabiltzen dituen sailkapenak adina kalkulatzeko metodo estatistiko tradizionalak ordezkatu ditzakeela. Ereduen artean, DM LR izan zen eredu onena gizonezkoen laginaren sentikortasunari eta emakumezkoen laginaren sentikortasunari eta espezifikotasunari dagokionez. LR bigarren postuan dago gizonezkoen espezifikotasunari dagokionez. Gainera, LR DM35 eredu erabilerrazenetako bat dela uste da eta prozesatzeko konplexuagoa eta zailagoa da. Emaitza hauetan oinarrituta, LR Koreako populazioan 18 urtekoentzako sailkapen-eredu onena dela uste da.
Oro har, 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 populazioari aplikatzen zaizkionean5,39, eta antzeko eredua aurkitu da egungo ikerketan. Okertze joera hau DM ereduan ere ikusi zen. Beraz, adina zehaztasunez kalkulatzeko, analisi prozesuan DM erabiliz gero ere, bertako populazioaren datuetatik eratorritako metodoak lehenetsi behar dira, hala nola metodo tradizionalak5,39,40,41,42. Ikaskuntza sakoneko ereduek joera antzekoak erakuts ditzaketen argi ez dagoenez, sailkapenaren zehaztasuna eta eraginkortasuna alderatzen dituzten ikerketak behar dira metodo tradizionalak, DM ereduak eta ikaskuntza sakoneko ereduak lagin berdinetan erabiliz.
Erakusten dugu Koreako adinaren estimazio forentsearen praktikan, metodo tradizionalak DM ereduan oinarritutako adinaren estimazioarekin ordezkatu daitezkeela. Era berean, aurkitu dugu ikaskuntza automatikoa adinaren ebaluazio forentserako ezartzeko aukera. Hala ere, muga argiak daude, hala nola, ikerketa honetan parte-hartzaile kopuru nahikorik ez egotea emaitzak behin betiko zehazteko, eta ikerketa honen emaitzak alderatu eta berresteko aurreko ikerketen falta. Etorkizunean, DM ikerketak lagin kopuru handiagoekin eta populazio anitzagoekin egin beharko lirateke, metodo tradizionalekin alderatuta haien aplikagarritasun praktikoa hobetzeko. Populazio anitzetan adina kalkulatzeko adimen artifiziala erabiltzearen bideragarritasuna balioztatzeko, etorkizuneko ikerketak behar dira DM eta ikaskuntza sakoneko ereduen sailkapen zehaztasuna eta eraginkortasuna lagin berdinetan metodo tradizionalekin alderatzeko.
Ikerketak 15 eta 23 urte bitarteko heldu korear eta japoniarrengandik bildutako 2.657 argazki ortografiko erabili zituen. Korear erradiografiak 900 entrenamendu multzotan (19,42 ± 2,65 urte) eta 900 barne proba multzotan (19,52 ± 2,59 urte) banatu ziren. Entrenamendu multzoa erakunde batean bildu zen (Seulgo St. Mary's Ospitalea), eta berezko proba multzoa bi erakundetan (Seulgo Unibertsitate Nazionaleko Hortz Ospitalea eta Yonsei Unibertsitateko Hortz Ospitalea). Beste populazio-datu batzuetatik (Iwate Medikuntza Unibertsitatea, Japonia) 857 erradiografia ere bildu genituen kanpoko probak egiteko. Japoniar subjektuen erradiografiak (19,31 ± 2,60 urte) hautatu ziren kanpoko proba multzo gisa. Datuak atzera begira bildu ziren hortz-tratamenduan zehar ateratako erradiografia panoramikoetan hortz-garapenaren etapak aztertzeko. Bildutako datu guztiak anonimoak izan ziren, generoa, jaiotze data eta erradiografiaren data izan ezik. Inklusio eta bazterketa irizpideak aurretik argitaratutako ikerketetako berdinak izan ziren 4 , 5 . Laginaren benetako adina kalkulatzeko, jaiotze data erradiografia hartu zen datatik kendu zen. Lagin taldea bederatzi adin-taldetan banatu zen. Adin eta sexu banaketak 3. taulan ageri dira. Ikerketa hau Helsinkiko Adierazpenaren arabera egin zen eta Koreako Unibertsitate Katolikoko Seulgo St. Mary's Ospitaleko (KC22WISI0328) Berrikuspen Batzorde Instituzionalak (IRB) onartu zuen. Ikerketa honen atzera begirako diseinua dela eta, ezin izan zen baimen informatua lortu helburu terapeutikoekin erradiografia azterketa egin zitzaien paziente guztientzat. Seulgo Korea Unibertsitateko St. Mary's Ospitaleak (IRB) baimen informatuaren eskakizuna kendu zuen.
Bigarren eta hirugarren molar bimaxilarretako garapen-etapa Demircan irizpideen arabera ebaluatu ziren25. Hortz bakarra hautatu zen masailezur bakoitzaren ezkerreko eta eskuineko aldeetan hortz mota bera aurkitzen bazen. Bi aldeetako hortz homologoak garapen-etapa desberdinetan bazeuden, garapen-etapa baxuena zuen hortza hautatu zen, adin estimatuaren ziurgabetasuna kontuan hartzeko. Entrenamendu-multzotik ausaz hautatutako ehun erradiografia bi behatzaile esperientziadunek puntuatu zituzten behatzaile arteko fidagarritasuna probatzeko, hortz-heldutasun-etapa zehazteko aurrekalibrazioaren ondoren. Behatzaile barruko fidagarritasuna bi aldiz ebaluatu zuen behatzaile nagusiak, hiru hilabeteko tarteetan.
Entrenamendu multzoko masailezur bakoitzaren bigarren eta hirugarren molarren sexua eta garapen-etapa DM eredu ezberdinekin entrenatutako behatzaile nagusi batek kalkulatu zituen, eta benetako adina ezarri zen helburu-balio gisa. SLP eta MLP ereduak, ikaskuntza automatikoan oso erabiliak direnak, erregresio-algoritmoen aurka probatu ziren. DM ereduak funtzio linealak konbinatzen ditu lau hortzen garapen-etapa erabiliz eta datu horiek konbinatzen ditu adina kalkulatzeko. SLP sare neuronal sinpleena da eta ez du geruza ezkuturik. SLP nodoen arteko atalase-transmisioan oinarritzen da. Erregresioko SLP eredua matematikoki antzekoa da erregresio lineal anizkoitzaren kasuan. SLP ereduaren aldean, MLP ereduak aktibazio-funtzio ez-linealak dituzten geruza ezkutu ugari ditu. Gure esperimentuek 20 nodo ezkutuko geruza ezkutu bat erabili zuten aktibazio-funtzio ez-linealekin. Gradiente-jaitsiera erabili optimizazio-metodo gisa eta MAE eta RMSE galera-funtzio gisa gure ikaskuntza automatikoaren eredua entrenatzeko. Lortutako erregresio-eredu onena barneko eta kanpoko proba-multzoetan aplikatu zen eta hortzen adina kalkulatu zen.
Sailkapen algoritmo bat garatu zen, entrenamendu multzoko lau hortzen heldutasuna erabiltzen duena lagin batek 18 urte dituen ala ez aurreikusteko. Eredua eraikitzeko, zazpi irudikapen makina ikaskuntzako algoritmo eratorriak ditugu6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost eta (7) MLP. LR sailkapen algoritmo erabilienetako bat da44. Gainbegiratutako ikaskuntza algoritmo bat da, erregresioa erabiltzen duena kategoria jakin bateko datuak 0tik 1era egotearen probabilitatea aurreikusteko eta datuak kategoria probableago batekotzat sailkatzeko probabilitate horren arabera; batez ere sailkapen bitarrean erabiltzen da. KNN makina ikaskuntzako algoritmo sinpleenetako bat da45. Sarrera datu berriak ematen zaizkionean, dauden multzotik gertu dauden k datu aurkitzen ditu eta gero maiztasun handiena duen klasean sailkatzen ditu. 3 ezarri dugu kontuan hartutako bizilagunen kopuruarentzat (k). SVM bi klaseen arteko distantzia maximizatzen duen algoritmo bat da, kernel funtzio bat erabiliz espazio lineala eremu izeneko espazio ez-lineal batera zabaltzeko46. Modelo honetarako, bias = 1, power = 1 eta gamma = 1 erabiltzen ditugu polinomio-kernelaren hiperparametro gisa. DT hainbat arlotan aplikatu da datu-multzo oso bat hainbat azpitaldetan banatzeko algoritmo gisa, erabaki-arauak zuhaitz-egitura batean irudikatuz47. Modeloa nodo bakoitzeko 2 erregistro kopuru minimoarekin konfiguratuta dago eta Gini indizea erabiltzen du kalitatearen neurri gisa. RF multzo-metodo bat da, hainbat DT konbinatzen dituena errendimendua hobetzeko bootstrap agregazio-metodo bat erabiliz, lagin bakoitzerako sailkatzaile ahul bat sortzen duena, jatorrizko datu-multzotik hainbat aldiz ausaz tamaina bereko laginak ateraz48. 100 zuhaitz, 10 zuhaitz-sakonera, nodo-tamaina minimo bat eta Gini nahasketa-indizea erabili ditugu nodoen bereizketa-irizpide gisa. Datu berrien sailkapena gehiengoaren botoen bidez zehazten da. XGBoost boosting teknikak konbinatzen dituen algoritmo bat da, aurreko modeloaren benetako eta aurreikusitako balioen arteko errorea entrenamendu-datu gisa hartzen duen eta errorea gradienteak erabiliz handitzen duena49. Oso erabilia den algoritmoa da, bere errendimendu ona eta baliabideen eraginkortasunagatik, baita gehiegizko doikuntza zuzentzeko funtzio gisa fidagarritasun handiagatik ere. Modeloak 400 euskarri gurpil ditu. MLP sare neuronal bat da, non pertzeptron bat edo gehiagok hainbat geruza osatzen dituzten, sarrera eta irteera geruzen artean geruza ezkutu bat edo gehiagorekin38. Honekin, sailkapen ez-lineala egin dezakezu, non sarrera geruza bat gehitzen duzunean eta emaitza balio bat lortzen duzunean, aurreikusitako emaitza balioa benetako emaitza balioarekin alderatzen den eta errorea atzera hedatzen den. Geruza ezkutu bat sortu genuen geruza bakoitzean 20 neurona ezkuturekin. Garatu dugun modelo bakoitza barne eta kanpoko multzoetan aplikatu zen sailkapenaren errendimendua probatzeko, sentikortasuna, espezifikotasuna, PPV, NPV eta AUROC kalkulatuz. Sentikortasuna 18 urte edo gehiago dituela kalkulatzen den lagin baten eta 18 urte edo gehiago dituela kalkulatzen den lagin baten arteko erlazio gisa definitzen da. Espezifikotasuna 18 urtetik beherako laginen eta 18 urtetik beherako laginen proportzioa da.
Entrenamendu-multzoan ebaluatutako hortz-estadioak etapa numeriko bihurtu ziren analisi estatistikorako. Erregresio lineal eta logistikoa egin ziren sexu bakoitzerako eredu prediktiboak garatzeko eta adina kalkulatzeko erabil daitezkeen erregresio-formulak lortzeko. Formula hauek erabili genituen hortzen adina kalkulatzeko, bai barneko bai kanpoko proba-multzoetarako. 4. taulan ikerketa honetan erabilitako erregresio- eta sailkapen-ereduak ageri dira.
Behatzaile barruko eta arteko fidagarritasuna Cohen-en kappa estatistikaren bidez kalkulatu zen. DM eta erregresio-eredu tradizionalen zehaztasuna probatzeko, MAE eta RMSE kalkulatu genituen barneko eta kanpoko proba-multzoen adin estimatuak eta errealak erabiliz. Errore hauek erabili ohi dira ereduaren iragarpenen zehaztasuna ebaluatzeko. Zenbat eta txikiagoa izan errorea, orduan eta handiagoa izango zen iragarpenaren zehaztasuna24. Konparatu DM eta erregresio tradizionala erabiliz kalkulatutako barneko eta kanpoko proba-multzoen MAE eta RMSE. Estatistika tradizionaletan 18 urteko ebakiduraren sailkapen-errendimendua 2 × 2 kontingentzia-taula bat erabiliz ebaluatu zen. Proba-multzoaren kalkulatutako sentikortasuna, espezifikotasuna, PPV, NPV eta AUROC DM sailkapen-ereduaren neurtutako balioekin alderatu ziren. Datuak batez besteko ± desbideratze estandar edo zenbaki (%) gisa adierazten dira, datuen ezaugarrien arabera. 0,05 baino txikiagoak diren bi aldeetako P balioak estatistikoki esanguratsutzat jo ziren. Ohiko analisi estatistiko guztiak SAS 9.4 bertsioa (SAS Institute, Cary, NC) erabiliz egin ziren. DM erregresio eredua Pythonen 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 inplementatu zen.
Egileek onartzen dute ikerketaren ondorioak babesten dituzten datuak artikuluan eta material osagarrietan aurki daitezkeela. Ikerketan zehar sortutako eta/edo aztertutako datu-multzoak egilearengandik eskuragarri daude arrazoizko eskaera eginez gero.
Ritz-Timme, S. et al. Adinaren ebaluazioa: auzitegi-praktikaren eskakizun espezifikoak betetzeko teknologiaren egoera. Nazioartekotasuna. J. Legal Medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., eta Olze, A. Subjektu bizidunen adinaren ebaluazio forentsearen egungo egoera zigor-auzipidetze helburuetarako. Forensics. Medicine. Pathology. 1, 239–246 (2005).
Pan, J. et al. Txinako ekialdean 5 eta 16 urte bitarteko haurren hortz-adina ebaluatzeko metodo aldatua. klinikoa. Ahozko inkesta. 25, 3463–3474 (2021).
Lee, SS etab. Bigarren eta hirugarren molarren garapenaren kronologia Korearretan eta adinaren ebaluazio forentsean duen aplikazioa. nazioartekotasuna. J. Medikuntza Legala. 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 oinarrituta, korear eta japoniarrengan. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Ikaskuntza automatikoan oinarritutako datuen analisi preoperatiboak loaren kirurgiaren tratamenduaren emaitza aurreikus dezake OSA duten pazienteetan. zientzia. 11. txostena, 14911 (2021).
Han, M. et al. Adinaren estimazio zehatza makina-ikaskuntzatik, gizakiaren esku-hartzearekin edo gabe? nazioartekotasuna. J. Legal medicine. 136, 821–831 (2022).
Khan, S. eta Shaheen, M. Datu-meatzaritzatik datu-meatzaritzara. J.Information. zientzia. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. eta Shaheen, M. WisRule: Elkarte-arauak meatzaritzarako lehen algoritmo kognitiboa. J.Information. zientzia. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. eta Abdullah U. Karm: Testuinguruan oinarritutako asoziazio-arauetan oinarritutako datu-meatzaritza tradizionala. kalkulatu. Matt. jarraitu. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. eta Habib M. Ikaskuntza sakonean oinarritutako antzekotasun semantikoaren detekzioa testu-datuak erabiliz. Inform. Technologies. Control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., eta Shahin, M. Kirol bideoetan jarduera ezagutzeko sistema bat. multimedia. Tresnak Aplikazioak https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNAren Makina Ikaskuntzaren Erronka Hezur Adin Pediatrikoan. Radiology 290, 498–503 (2019).
Li, Y. et al. Adinaren kalkulu forentsea pelbiseko erradiografiatik abiatuta ikaskuntza sakona erabiliz. EURO. erradiazioa. 29, 2322–2329 (2019).
Guo, YC, et al. Adinaren sailkapen zehatza eskuzko metodoak eta sare neuronal konboluzional sakonak erabiliz proiekzio ortografikoko irudietatik abiatuta. nazioartekotasuna. J. Medikuntza Legala. 135, 1589–1597 (2021).
Alabama Dalora et al. Hezur-adina kalkulatzea makina-ikaskuntzako metodo desberdinak erabiliz: literaturaren berrikuspen sistematikoa eta meta-analisia. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., eta Yang, J. Afroamerikarren eta txinatarren populazio espezifikoko adinaren estimazioa, lehen molarren pulpa-ganberaren bolumenetan oinarrituta, kono-sorta konputaziozko tomografia erabiliz. nazioartekotasuna. J. Medikuntza Legala. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK eta Oh KS Bizirik dauden pertsonen adin-taldeak zehaztea lehenengo 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 nagusikoaren sailkapena MRI datu multibariableetatik. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. eta Li, G. Adinaren estimazioa lehen molarren 3D pulpa-ganberaren segmentazioan oinarrituta, kono-sorta bidezko tomografia konputatu bidez, ikaskuntza sakona eta maila-multzoak integratuz. nazioartekotasuna. J. Medikuntza Legala. 135, 365–373 (2021).
Wu, WT, et al. Datu-meatzaritza datu kliniko handietan: datu-base arruntak, urratsak eta metodo-ereduak. World. Medicine. Resource. 8, 44 (2021).
Yang, J. et al. Datu-base medikoetara eta datu-meatzaritza teknologietara sarrera datu handien aroan. J. Avid. Oinarrizko medikuntza. 13, 57–69 (2020).
Shen, S. et al. Camerer-en metodoa hortzen adina kalkulatzeko makina-ikaskuntza erabiliz. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Demirdjian estadifikazio metodoa erabiliz hortz-adina aurreikusteko makina-ikaskuntzako metodo desberdinen konparaketa. nazioartekotasuna. J. Medikuntza Legala. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. eta Tanner, JM Hortz-adina ebaluatzeko sistema berria. snort. biology. 45, 211–227 (1973).
Landis, JR, eta Koch, GG Behatzaileen adostasunaren neurriak datu kategorikoetan. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK eta Choi HK. Bi dimentsioko erresonantzia magnetiko bidezko irudien ehundura-, morfologia- eta analisi estatistikoa, garuneko tumore primarioen bereizketarako adimen artifizialeko teknikak erabiliz. Osasun-informazioa. baliabidea. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Argitaratze data: 2024ko urtarrilaren 4a