אימות מודל כריית נתונים מול שיטות מסורתיות להערכת גיל שיניים בקרב מתבגרים ומבוגרים צעירים קוריאנים

תודה שביקרתם באתר Nature.com. גרסת הדפדפן בה אתם משתמשים תמכה ב-CSS באופן מוגבל. לקבלת התוצאות הטובות ביותר, אנו ממליצים להשתמש בגרסה חדשה יותר של הדפדפן שלכם (או לכבות את מצב התאימות ב-Internet Explorer). בינתיים, כדי להבטיח תמיכה מתמשכת, אנו מציגים את האתר ללא עיצוב או JavaScript.
שיניים נחשבות למדדים המדויקים ביותר לגיל גוף האדם, ומשמשות לעתים קרובות בהערכת גיל משפטית. מטרתנו הייתה לאמת אומדני גיל שיניים המבוססים על כריית נתונים על ידי השוואת דיוק האומדן וביצועי הסיווג של סף ה-18 שנים עם שיטות מסורתיות והערכות גיל המבוססות על כריית נתונים. סך של 2657 צילומי רנטגן פנורמיים נאספו מאזרחים קוריאנים ויפנים בגילאי 15 עד 23 שנים. הם חולקו לקבוצת אימון, שכל אחת הכילה 900 צילומי רנטגן קוריאניים, ולקבוצת בדיקה פנימית המכילה 857 צילומי רנטגן יפניים. השווינו את דיוק ויעילות הסיווג של שיטות מסורתיות עם קבוצות בדיקה של מודלי כריית נתונים. דיוק השיטה המסורתית במערך הבדיקה הפנימי גבוה במקצת מזה של מודל כריית הנתונים, וההבדל קטן (שגיאה מוחלטת ממוצעת <0.21 שנים, טעות שורש ממוצע הריבועים <0.24 שנים). ביצועי הסיווג עבור סף ה-18 שנים דומים גם בין שיטות מסורתיות למודלים של כריית נתונים. לפיכך, ניתן להחליף שיטות מסורתיות במודלים של כריית נתונים בעת ביצוע הערכת גיל משפטית באמצעות בגרות השיניים הטוחנות השנייה והשלישית אצל מתבגרים ומבוגרים צעירים קוריאנים.
הערכת גיל השיניים נמצאת בשימוש נרחב ברפואה משפטית וברפואת שיניים לילדים. בפרט, בשל המתאם הגבוה בין גיל כרונולוגי להתפתחות השיניים, הערכת גיל לפי שלבי התפתחות השיניים היא קריטריון חשוב להערכת גילם של ילדים ומתבגרים1,2,3. עם זאת, עבור צעירים, להערכת גיל השיניים על סמך בגרות השיניים יש מגבלות מכיוון שצמיחת השיניים כמעט הושלמה, למעט השיניים הטוחנות השלישיות. המטרה המשפטית של קביעת גילם של צעירים ומתבגרים היא לספק הערכות מדויקות וראיות מדעיות האם הם הגיעו לגיל הבגרות. בפרקטיקה הרפואית-משפטית של מתבגרים ומבוגרים צעירים בקוריאה, הגיל הוערך בשיטת לי, וסף חוקי של 18 שנים נחזה על סמך הנתונים שדווחו על ידי או ואחרים5.
למידת מכונה היא סוג של בינה מלאכותית (AI) שלומדת ומסווגת שוב ושוב כמויות גדולות של נתונים, פותרת בעיות בעצמה ומניעה תכנות נתונים. למידת מכונה יכולה לגלות דפוסים נסתרים שימושיים בכמויות גדולות של נתונים6. לעומת זאת, שיטות קלאסיות, שהן עתירות עבודה וגוזלות זמן, עשויות להיות בעלות מגבלות בטיפול בכמויות גדולות של נתונים מורכבים שקשה לעבד ידנית7. לכן, נערכו לאחרונה מחקרים רבים המשתמשים בטכנולוגיות המחשב העדכניות ביותר כדי למזער טעויות אנוש ולעבד ביעילות נתונים רב-ממדיים8,9,10,11,12. בפרט, למידה עמוקה נמצאת בשימוש נרחב בניתוח תמונות רפואיות, ושיטות שונות להערכת גיל על ידי ניתוח אוטומטי של צילומי רנטגן דווחו כמשפרות את הדיוק והיעילות של הערכת גיל13,14,15,16,17,18,19,20. לדוגמה, חלבי ועמיתיו13 פיתחו אלגוריתם למידת מכונה המבוסס על רשתות עצביות קונבולוציוניות (CNN) כדי להעריך את גיל השלד באמצעות צילומי רנטגן של ידיים של ילדים. מחקר זה מציע מודל המיישם למידת מכונה על תמונות רפואיות ומראה ששיטות אלו יכולות לשפר את דיוק האבחון. לי ועמיתיו [14] העריכו את הגיל מתמונות רנטגן של האגן באמצעות מודל CNN עם למידה עמוקה והשוו אותן לתוצאות רגרסיה באמצעות הערכת שלב האוסיפיקציה. הם מצאו שמודל ה-CNN עם למידה עמוקה הראה את אותם ביצועי הערכת גיל כמו מודל הרגרסיה המסורתי. מחקרם של גואו ועמיתיו [15] העריכו את ביצועי סיווג הסבילות לגיל של טכנולוגיית CNN על סמך אורתופוטו דנטליים, ותוצאות מודל ה-CNN הוכיחו שבני אדם הצליחו טוב יותר מביצועי סיווג הגיל שלו.
רוב המחקרים על הערכת גיל באמצעות למידת מכונה משתמשים בשיטות למידה עמוקה13,14,15,16,17,18,19,20. הערכת גיל המבוססת על למידה עמוקה מדווחת כמדויקת יותר משיטות מסורתיות. עם זאת, גישה זו מספקת מעט הזדמנות להציג את הבסיס המדעי להערכות גיל, כגון מדדי הגיל המשמשים בהערכות. קיימת גם מחלוקת משפטית לגבי מי מבצע את הבדיקות. לכן, הערכת גיל המבוססת על למידה עמוקה קשה לקבלה על ידי רשויות מנהליות ומשפטיות. כריית נתונים (DM) היא טכניקה שיכולה לגלות לא רק מידע צפוי אלא גם מידע בלתי צפוי כשיטה לגילוי מתאמים שימושיים בין כמויות גדולות של נתונים6,21,22. למידת מכונה משמשת לעתים קרובות בכריית נתונים, וכריית נתונים וגם למידת מכונה משתמשות באותם אלגוריתמים מרכזיים כדי לגלות דפוסים בנתונים. הערכת גיל באמצעות התפתחות שיניים מבוססת על הערכת הבוחן את בגרות שיני היעד, והערכה זו מתבטאת כשלב עבור כל שן יעד. ניתן להשתמש ב-DM כדי לנתח את המתאם בין שלב הערכת השיניים לגיל בפועל ויש לה פוטנציאל להחליף ניתוח סטטיסטי מסורתי. לכן, אם ניישם טכניקות של DM להערכת גיל, נוכל ליישם למידת מכונה בהערכת גיל פורנזית מבלי לדאוג מאחריות משפטית. מספר מחקרים השוואתיים פורסמו על חלופות אפשריות לשיטות ידניות מסורתיות המשמשות בפרקטיקה פורנזית ולשיטות מבוססות EBM לקביעת גיל שיניים. שן ועמיתיו הראו שמודל ה-DM מדויק יותר מנוסחת קמרר המסורתית. גליבורג ועמיתיו יישמו שיטות DM שונות כדי לחזות גיל לפי קריטריון דמירדג'יאן והתוצאות הראו ששיטת ה-DM עלתה על שיטות דמירדג'יאן ווילמס בהערכת גיל האוכלוסייה הצרפתית.
כדי להעריך את גיל השיניים של מתבגרים ומבוגרים צעירים קוריאנים, שיטת לי 4 נמצאת בשימוש נרחב בפרקטיקה הפורנזית הקוריאנית. שיטה זו משתמשת בניתוח סטטיסטי מסורתי (כגון רגרסיה מרובה) כדי לבחון את הקשר בין נבדקים קוריאנים לגיל כרונולוגי. במחקר זה, שיטות הערכת גיל שהתקבלו באמצעות שיטות סטטיסטיות מסורתיות מוגדרות כ"שיטות מסורתיות". שיטת לי היא שיטה מסורתית, ודיוקה אושר על ידי Oh et al. 5; עם זאת, תחולת הערכת הגיל המבוססת על מודל DM בפרקטיקה הפורנזית הקוריאנית עדיין מוטלת בספק. מטרתנו הייתה לאמת מדעית את התועלת הפוטנציאלית של הערכת גיל המבוססת על מודל DM. מטרת מחקר זה הייתה (1) להשוות את הדיוק של שני מודלים של DM בהערכת גיל השיניים ו-(2) להשוות את ביצועי הסיווג של 7 מודלים של DM בגיל 18 שנים עם אלו שהתקבלו באמצעות שיטות סטטיסטיות מסורתיות. בגרות של שיניים טוחנות שניות ושלישיות בשתי הלסתות.
ממוצעים וסטיית תקן של גיל כרונולוגי לפי שלב וסוג שן מוצגים באופן מקוון בטבלה המשלימה S1 (קבוצת אימון), טבלה משלימה S2 (קבוצת בדיקות פנימית) וטבלה משלימה S3 (קבוצת בדיקות חיצונית). ערכי הקאפה לאמינות תוך- ובין-צופה שהתקבלו מקבוצת האימון היו 0.951 ו-0.947, בהתאמה. ערכי P ורווחי סמך של 95% עבור ערכי קאפה מוצגים בטבלה המשלימה המקוונת S4. ערך הקאפה פורש כ"כמעט מושלם", בהתאם לקריטריונים של לנדיס וקוך26.
כאשר משווים את השגיאה המוחלטת הממוצעת (MAE), השיטה המסורתית עולה במעט על מודל ה-DM עבור כל המגדרים ובקבוצת הבדיקה הגברית החיצונית, למעט הפרספטרון הרב-שכבתי (MLP). ההבדל בין המודל המסורתי למודל ה-DM בקבוצת הבדיקה MAE הפנימית היה 0.12–0.19 שנים לגברים ו-0.17–0.21 שנים לנשים. עבור קבוצת הבדיקה החיצונית, ההבדלים קטנים יותר (0.001–0.05 שנים לגברים ו-0.05–0.09 שנים לנשים). בנוסף, שגיאת השורש הריבועית הממוצעת (RMSE) נמוכה במקצת מהשיטה המסורתית, עם הבדלים קטנים יותר (0.17–0.24, 0.2–0.24 עבור קבוצת הבדיקה הגברית הפנימית, ו-0.03–0.07, 0.04–0.08 עבור קבוצת הבדיקה החיצונית). MLP מציג ביצועים טובים במקצת מפרספטרון שכבה אחת (SLP), למעט במקרה של קבוצת הבדיקה החיצונית הנשית. עבור MAE ו-RMSE, קבוצת הבדיקה החיצונית השיגה ציון גבוה יותר מקבוצת הבדיקה הפנימית עבור כל המגדרים והמודלים. כל ה-MAE וה-RMSE מוצגים בטבלה 1 ובאיור 1.
MAE ו-RMSE של מודלים מסורתיים וכריית נתונים. שגיאת ממוצעת מוחלטת MAE, שגיאת שורש ממוצע ריבועית RMSE, שיטת רגרסיה מוחלטת של פרספטרון בשכבה אחת, שיטת MLP של פרספטרון רב-שכבתי, שיטת CM מסורתית.
ביצועי הסיווג (עם גבול סף של 18 שנים) של המודלים המסורתיים ושל המודל המייחד (DM) הודגמו מבחינת רגישות, ספציפיות, ערך ניבוי חיובי (PPV), ערך ניבוי שלילי (NPV) ושטח מתחת לעקומת המאפיין הפועל של המקלט (AUROC) 27 (טבלה 2, איור 2 ואיור משלים 1 באינטרנט). מבחינת רגישות קבוצת הבדיקות הפנימית, השיטות המסורתיות הציגו ביצועים טובים ביותר בקרב גברים וגרועים יותר בקרב נשים. עם זאת, ההבדל בביצועי הסיווג בין השיטות המסורתיות ל-SD הוא 9.7% עבור גברים (MLP) ורק 2.4% עבור נשים (XGBoost). מבין מודלי DM, רגרסיה לוגיסטית (LR) הראתה רגישות טובה יותר בשני המינים. בנוגע לספציפיות של מערך הבדיקות הפנימי, נצפה כי ארבעת מודלי SD הציגו ביצועים טובים אצל גברים, בעוד שהמודל המסורתי הציגו ביצועים טובים יותר אצל נשים. ההבדלים בביצועי הסיווג עבור גברים ונשים הם 13.3% (MLP) ו-13.1% (MLP), בהתאמה, דבר המצביע על כך שההבדל בביצועי הסיווג בין המודלים עולה על הרגישות. מבין מודלי ה-DM, מודלי מכונת הווקטורים התומכים (SVM), עץ ההחלטה (DT) ויער האקראי (RF) הציגו את הביצועים הטובים ביותר בקרב גברים, בעוד שמודל ה-LR הציגו את הביצועים הטובים ביותר בקרב נשים. מדד ה-AUROC של המודל המסורתי וכל מודלי ה-SD היה גדול מ-0.925 (k-nearest neighbor (KNN) בגברים), דבר המדגים ביצועי סיווג מצוינים בהבחנה בין דגימות בנות 1828. עבור קבוצת הבדיקה החיצונית, חלה ירידה בביצועי הסיווג מבחינת רגישות, ספציפיות ו-AUROC בהשוואה לקבוצת הבדיקה הפנימית. יתר על כן, ההבדל ברגישות ובספציפיות בין ביצועי הסיווג של המודלים הטובים והגרועים ביותר נע בין 10% ל-25% והיה גדול יותר מההבדל בקבוצת הבדיקה הפנימית.
רגישות וספציפיות של מודלים של סיווג כריית נתונים בהשוואה לשיטות מסורתיות עם תקופת סף של 18 שנים. KNN k nearest neighbor, מכונת וקטור תמיכה של SVM, רגרסיה לוגיסטית LR, עץ החלטות DT, יער אקראי RF, XGB XGBoost, פרספטרון רב שכבתי MLP, שיטת CM מסורתית.
הצעד הראשון במחקר זה היה להשוות את הדיוק של אומדני גיל השיניים שהתקבלו משבעה מודלים של DM עם אלו שהתקבלו באמצעות רגרסיה מסורתית. MAE ו-RMSE הוערכו בקבוצות בדיקה פנימיות עבור שני המינים, וההבדל בין השיטה המסורתית למודל DM נע בין 44 ל-77 ימים עבור MAE ובין 62 ל-88 ימים עבור RMSE. למרות שהשיטה המסורתית הייתה מדויקת מעט יותר במחקר זה, קשה להסיק האם להבדל קטן שכזה יש משמעות קלינית או מעשית. תוצאות אלו מצביעות על כך שדיוק הערכת גיל השיניים באמצעות מודל DM כמעט זהה לזה של השיטה המסורתית. השוואה ישירה עם תוצאות ממחקרים קודמים קשה מכיוון שאף מחקר לא השווה את דיוק מודלי DM עם שיטות סטטיסטיות מסורתיות המשתמשות באותה טכניקה של רישום שיניים באותו טווח גילאים כמו במחקר זה. גליבורג ועמיתיו השוו MAE ו-RMSE בין שתי שיטות מסורתיות (שיטת דמירג'יאן ושיטת וילמס) לבין 10 מודלים של DM באוכלוסייה צרפתית בגילאי 2 עד 24 שנים. הם דיווחו שכל מודלי ה-DM היו מדויקים יותר מהשיטות המסורתיות, עם הבדלים של 0.20 ו-0.38 שנים ב-MAE ו-0.25 ו-0.47 שנים ב-RMSE בהשוואה לשיטות וילמס ודמירדג'יאן, בהתאמה. הפער בין מודל ה-SD לשיטות המסורתיות שהוצג במחקר הליבורג לוקח בחשבון דיווחים רבים30,31,32,33 לפיהם שיטת דמירדג'יאן אינה מעריכה במדויק את גיל השיניים באוכלוסיות שאינן הצרפתים-קנדים עליהם התבסס המחקר. במחקר זה. טאי ועמיתיו34 השתמשו באלגוריתם MLP כדי לחזות את גיל השיניים מ-1636 תצלומים אורתודנטיים סיניים והשוו את דיוקו לתוצאות שיטת דמירדג'יאן ווילמס. הם דיווחו כי ל-MLP דיוק גבוה יותר מאשר לשיטות המסורתיות. ההבדל בין שיטת דמירדג'יאן לשיטה המסורתית הוא <0.32 שנים, ושיטת וילמס היא 0.28 שנים, בדומה לתוצאות המחקר הנוכחי. תוצאות המחקרים הקודמים הללו24,34 עולות בקנה אחד עם תוצאות המחקר הנוכחי, ודיוק הערכת הגיל של מודל DM והשיטה המסורתית דומה. עם זאת, בהתבסס על התוצאות המוצגות, אנו יכולים להסיק רק בזהירות כי השימוש במודלים של DM להערכת גיל עשוי להחליף את השיטות הקיימות עקב היעדר מחקרים השוואתיים ומחקרי ייחוס קודמים. יש צורך במחקרי מעקב המשתמשים במדגמים גדולים יותר כדי לאשר את התוצאות שהתקבלו במחקר זה.
מבין המחקרים שבדקו את דיוק סטיית התקן (SD) בהערכת גיל השיניים, חלקם הראו דיוק גבוה יותר מהמחקר שלנו. סטפנובסקי ועמיתיו 35 יישמו 22 מודלים של SD על צילומי רנטגן פנורמיים של 976 תושבים צ'כים בגילאי 2.7 עד 20.5 שנים ובדקו את הדיוק של כל מודל. הם העריכו את התפתחותן של סך של 16 שיניים קבועות שמאליות עליונות ותחתונות באמצעות קריטריוני הסיווג שהוצעו על ידי מורריס ועמיתיו 36. ה-MAE נע בין 0.64 ל-0.94 שנים ו-RMSE נע בין 0.85 ל-1.27 שנים, שהם מדויקים יותר משני מודלי DM ששימשו במחקר זה. שן ועמיתיו 23 השתמשו בשיטת קמרייר כדי להעריך את גיל השיניים של שבע שיניים קבועות בלסת התחתונה השמאלית בתושבים סינים מזרחיים בגילאי 5 עד 13 שנים והשוו אותו לגילאים שהוערכו באמצעות רגרסיה לינארית, SVM ו-RF. הם הראו שלכל שלושת מודלי ה-DM יש דיוק גבוה יותר בהשוואה לנוסחת קמרייר המסורתית. שיעורי ה-MAE וה-RMSE במחקר של שן היו נמוכים יותר מאלה שבמודל ה-DM במחקר זה. ייתכן שהדיוק המוגבר של המחקרים של סטפנובסקי ואחרים 35 ושן ואחרים 23 נובע מהכללת נבדקים צעירים יותר במדגמי המחקר שלהם. מכיוון שהערכות הגיל עבור משתתפים עם שיניים מתפתחות הופכות מדויקות יותר ככל שמספר השיניים עולה במהלך התפתחות השיניים, הדיוק של שיטת הערכת הגיל המתקבלת עלול להיפגע כאשר משתתפי המחקר צעירים יותר. בנוסף, שגיאת ה-MLP בהערכת הגיל קטנה במקצת מזו של SLP, כלומר ש-MLP מדויק יותר מ-SLP. MLP נחשב לטוב במקצת להערכת גיל, אולי בשל השכבות הנסתרות ב-MLP38. עם זאת, קיים יוצא מן הכלל עבור המדגם החיצוני של נשים (SLP 1.45, MLP 1.49). הממצא ש-MLP מדויק יותר מ-SLP בהערכת גיל דורש מחקרים רטרוספקטיביים נוספים.
כמו כן, הושוו ביצועי הסיווג של מודל ה-DM והשיטה המסורתית בסף של 18 שנים. כל המודלים של SD שנבדקו והשיטות המסורתיות במערך הבדיקה הפנימי הראו רמות הבחנה מקובלות באופן מעשי עבור המדגם בן ה-18. הרגישות עבור גברים ונשים הייתה גדולה מ-87.7% ו-94.9%, בהתאמה, והספציפיות הייתה גדולה מ-89.3% ו-84.7%. ערך ה-AUROC של כל המודלים שנבדקו גם הוא עולה על 0.925. למיטב ידיעתנו, אף מחקר לא בדק את ביצועי מודל ה-DM לסיווג בן 18 על סמך בגרות דנטלית. ניתן להשוות את תוצאות מחקר זה לביצועי הסיווג של מודלי למידה עמוקה בצילומי רנטגן פנורמיים. גואו ועמיתיו15 חישבו את ביצועי הסיווג של מודל למידה עמוקה מבוסס CNN ושיטה ידנית המבוססת על שיטת דמירג'יאן עבור סף גיל מסוים. הרגישות והספציפיות של השיטה הידנית היו 87.7% ו-95.5%, בהתאמה, והרגישות והספציפיות של מודל CNN עלו על 89.2% ו-86.6%, בהתאמה. הם הסיקו שמודלים של למידה עמוקה יכולים להחליף או להתעלות על הערכה ידנית בסיווג ספי גיל. תוצאות מחקר זה הראו ביצועי סיווג דומים; ההערכה היא שסיווג באמצעות מודלים של למידה עמוקה יכול להחליף שיטות סטטיסטיות מסורתיות להערכת גיל. מבין המודלים, LR של DM היה המודל הטוב ביותר מבחינת רגישות עבור המדגם הגברי ורגישות וספציפיות עבור המדגם הנשי. LR מדורג במקום השני מבחינת ספציפיות עבור גברים. יתר על כן, LR נחשב לאחד ממודלי DM35 הידידותיים יותר למשתמש והוא פחות מורכב וקשה לעיבוד. בהתבסס על תוצאות אלו, LR נחשב למודל הסיווג הטוב ביותר עבור בני 18 באוכלוסייה הקוריאנית.
בסך הכל, דיוק אומדן הגיל או ביצועי הסיווג במערך הבדיקה החיצוני היה גרוע או נמוך יותר בהשוואה לתוצאות במערך הבדיקה הפנימי. דיווחים מסוימים מצביעים על כך שדיוק או יעילות הסיווג יורדים כאשר אומדני גיל המבוססים על האוכלוסייה הקוריאנית מוחלים על האוכלוסייה היפנית5,39, ודפוס דומה נמצא במחקר הנוכחי. מגמת הידרדרות זו נצפתה גם במודל למידה עמוקה. לכן, כדי לאמוד במדויק את הגיל, גם כאשר משתמשים במודל למידה עמוקה בתהליך הניתוח, יש להעדיף שיטות הנגזרות מנתוני אוכלוסייה מקומית, כגון שיטות מסורתיות5,39,40,41,42. מכיוון שלא ברור האם מודלים של למידה עמוקה יכולים להראות מגמות דומות, יש צורך במחקרים המשווים דיוק ויעילות סיווג באמצעות שיטות מסורתיות, מודלים של למידה עמוקה ומודלים של למידה עמוקה על אותן דגימות כדי לאשר האם בינה מלאכותית יכולה להתגבר על פערים גזעיים אלה בהערכות גיל מוגבלות.
אנו מדגימים כי ניתן להחליף שיטות מסורתיות על ידי הערכת גיל המבוססת על מודל למידה עמוקה (DM) בפרקטיקה משפטית של הערכת גיל בקוריאה. גילינו גם את האפשרות ליישם למידת מכונה להערכת גיל משפטית. עם זאת, ישנן מגבלות ברורות, כגון מספר לא מספיק של משתתפים במחקר זה כדי לקבוע באופן סופי את התוצאות, והיעדר מחקרים קודמים כדי להשוות ולאשר את תוצאות המחקר. בעתיד, יש לערוך מחקרי למידה עמוקה עם מספר גדול יותר של דגימות ואוכלוסיות מגוונות יותר כדי לשפר את תחולתם המעשית בהשוואה לשיטות מסורתיות. כדי לאמת את היתכנות השימוש בבינה מלאכותית להערכת גיל באוכלוסיות מרובות, יש צורך במחקרים עתידיים כדי להשוות את דיוק הסיווג והיעילות של מודלים של למידה עמוקה ולמידה עמוקה עם שיטות מסורתיות באותן דגימות.
המחקר השתמש ב-2,657 תצלומים אורתוגרפיים שנאספו ממבוגרים קוריאנים ויפנים בגילאי 15 עד 23 שנים. צילומי הרנטגן הקוריאניים חולקו ל-900 מערכי אימון (19.42 ± 2.65 שנים) ו-900 מערכי בדיקה פנימיים (19.52 ± 2.59 שנים). מערך האימון נאסף במוסד אחד (בית החולים סנט מרי בסיאול), ומערך הבדיקה האישי נאסף בשני מוסדות (בית החולים לרפואת שיניים של האוניברסיטה הלאומית בסיאול ובית החולים לרפואת שיניים של האוניברסיטה יונסיי). אספנו גם 857 צילומי רנטגן מנתונים מבוססי אוכלוסייה נוספים (אוניברסיטת איווטה לרפואה, יפן) לצורך בדיקה חיצונית. צילומי רנטגן של נבדקים יפנים (19.31 ± 2.60 שנים) נבחרו כמערך הבדיקה החיצוני. הנתונים נאספו רטרוספקטיבית כדי לנתח את שלבי התפתחות השיניים בצילומי רנטגן פנורמיים שצולמו במהלך טיפול שיניים. כל הנתונים שנאספו היו אנונימיים למעט מין, תאריך לידה ותאריך צילום הרנטגן. קריטריוני ההכללה וההדרה היו זהים למחקרים שפורסמו בעבר 4, 5. הגיל האמיתי של המדגם חושב על ידי הפחתת תאריך הלידה מתאריך צילום הרנטגן. קבוצת המדגם חולקה לתשע קבוצות גיל. התפלגות הגילאים והמינים מוצגת בטבלה 3. מחקר זה נערך בהתאם להצהרת הלסינקי ואושר על ידי ועדת הביקורת המוסדית (IRB) של בית החולים סנט מרי בסיאול של האוניברסיטה הקתולית של קוריאה (KC22WISI0328). עקב התכנון הרטרוספקטיבי של מחקר זה, לא ניתן היה לקבל הסכמה מדעת מכל החולים שעברו בדיקה רדיולוגית למטרות טיפוליות. בית החולים סנט מרי של אוניברסיטת קוריאה בסיאול ויתר על הדרישה להסכמה מדעת.
שלבי ההתפתחות של שיניים טוחנות שניות ושלישיות דו-לסתיות הוערכו לפי קריטריוני דמירקן25. נבחרה שן אחת בלבד אם נמצא אותו סוג שן בצד שמאל וימין של כל לסת. אם שיניים הומולוגיות משני הצדדים היו בשלבי התפתחות שונים, נבחרה השן עם שלב ההתפתחות הנמוך יותר כדי להתחשב באי-ודאות בגיל המשוער. מאה צילומי רנטגן שנבחרו באופן אקראי מקבוצת האימונים דורגו על ידי שני משקיפים מנוסים כדי לבחון את מהימנות הצופים האחרים לאחר כיול מקדים לקביעת שלב הבשלות השיניים. מהימנות הצופה האחראי הוערכה פעמיים במרווחים של שלושה חודשים על ידי הצופה הראשי.
המין ושלב ההתפתחות של השיניים הטוחנות השנייה והשלישית של כל לסת בקבוצת האימון הוערכו על ידי צופה ראשוני שאומן עם מודלים שונים של למידת מכונה, והגיל בפועל נקבע כערך היעד. מודלים של SLP ו-MLP, הנמצאים בשימוש נרחב בלמידת מכונה, נבדקו מול אלגוריתמי רגרסיה. מודל ה-DM משלב פונקציות ליניאריות באמצעות שלבי ההתפתחות של ארבע השיניים ומשלב נתונים אלה כדי להעריך את הגיל. SLP היא רשת העצבים הפשוטה ביותר ואינה מכילה שכבות נסתרות. SLP פועל על סמך העברת סף בין צמתים. מודל ה-SLP ברגרסיה דומה מבחינה מתמטית לרגרסיה לינארית מרובה. שלא כמו מודל SLP, למודל ה-MLP יש שכבות נסתרות מרובות עם פונקציות הפעלה לא לינאריות. הניסויים שלנו השתמשו בשכבה נסתרת עם רק 20 צמתים נסתרים עם פונקציות הפעלה לא לינאריות. השתמשנו בירידה גרדיאנטית כשיטת האופטימיזציה וב-MAE ו-RMSE כפונקציית ההפסד כדי לאמן את מודל למידת המכונה שלנו. מודל הרגרסיה הטוב ביותר שהתקבל יושם על קבוצות הבדיקה הפנימיות והחיצוניות וגיל השיניים הוערך.
פותח אלגוריתם סיווג המשתמש בבגרות של ארבע שיניים במערך האימון כדי לחזות האם דגימה בת 18 שנים או לא. כדי לבנות את המודל, גזרנו שבעה אלגוריתמי למידת מכונה ייצוגיים6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ו-(7) MLP. LR הוא אחד מאלגוריתמי הסיווג הנפוצים ביותר44. זהו אלגוריתם למידה מפוקח המשתמש ברגרסיה כדי לחזות את ההסתברות של נתונים השייכים לקטגוריה מסוימת מ-0 עד 1 ומסווג את הנתונים כשייכים לקטגוריה סבירה יותר על סמך הסתברות זו; משמש בעיקר לסיווג בינארי. KNN הוא אחד מאלגוריתמי למידת מכונה הפשוטים ביותר45. כאשר ניתנים לו נתוני קלט חדשים, הוא מוצא k נתונים הקרובים למערך הקיים ולאחר מכן מסווג אותם למחלקה עם התדירות הגבוהה ביותר. אנו קובעים 3 למספר השכנים הנחשבים (k). SVM הוא אלגוריתם שממקסם את המרחק בין שתי מחלקות באמצעות פונקציית ליבה כדי להרחיב את המרחב הליניארי למרחב לא ליניארי הנקרא שדות46. עבור מודל זה, אנו משתמשים ב-hiap = 1, power = 1, ו-gamma = 1 כהיפר-פרמטרים עבור ליבת הפולינום. DT יושם בתחומים שונים כאלגוריתם לחלוקת מערך נתונים שלם למספר תת-קבוצות על ידי ייצוג כללי החלטה במבנה עץ47. המודל מוגדר עם מספר מינימלי של רשומות לכל צומת של 2 ומשתמש במדד ג'יני כמדד לאיכות. RF היא שיטת אנסמבל המשלבת DTs מרובים כדי לשפר את הביצועים באמצעות שיטת צבירה של bootstrap היוצרת מסווג חלש עבור כל דגימה על ידי שליפה אקראית של דגימות באותו גודל מספר פעמים ממערך הנתונים המקורי48. השתמשנו ב-100 עצים, 10 עומקי עצים, גודל צומת מינימלי אחד ומדד תערובת ג'יני כקריטריונים להפרדת צמתים. סיווג הנתונים החדשים נקבע על ידי רוב קולות. XGBoost הוא אלגוריתם המשלב טכניקות boosting באמצעות שיטה שלוקחת כנתוני אימון את השגיאה בין הערכים בפועל והערכים החזויים של המודל הקודם ומגדילה את השגיאה באמצעות גרדיאנטים49. זהו אלגוריתם בשימוש נרחב בשל ביצועיו הטובים ויעילות המשאבים שלו, כמו גם אמינותו הגבוהה כפונקציית תיקון התאמת יתר. המודל מצויד ב-400 גלגלי תמיכה. MLP היא רשת נוירונים שבה פרספטרון אחד או יותר יוצרים שכבות מרובות עם שכבה נסתרת אחת או יותר בין שכבות הקלט והפלט38. באמצעות זה, ניתן לבצע סיווג לא ליניארי שבו כאשר מוסיפים שכבת קלט ומקבלים ערך תוצאה, ערך התוצאה החזוי מושווה לערך התוצאה בפועל והשגיאה מתפשטת חזרה. יצרנו שכבה נסתרת עם 20 נוירונים נסתרים בכל שכבה. כל מודל שפיתחנו יושם על קבוצות פנימיות וחיצוניות כדי לבחון את ביצועי הסיווג על ידי חישוב רגישות, ספציפיות, PPV, NPV ו-AUROC. רגישות מוגדרת כיחס בין מדגם המוערך כבן 18 ומעלה לבין מדגם המוערך כבן 18 ומעלה. ספציפיות היא שיעור הדגימות מתחת לגיל 18 ואלו המוערכות כבנות מתחת לגיל 18.
שלבי השיניים שנבדקו במערך האימונים הומרו לשלבים מספריים לצורך ניתוח סטטיסטי. בוצעו רגרסיה לינארית ולוגיסטית רב-משתנית כדי לפתח מודלים ניבוייים עבור כל מין ולגזור נוסחאות רגרסיה בהן ניתן להשתמש כדי להעריך גיל. השתמשנו בנוסחאות אלו כדי להעריך את גיל השיניים עבור מערכי בדיקה פנימיים וחיצוניים כאחד. טבלה 4 מציגה את מודלי הרגרסיה והסיווג ששימשו במחקר זה.
מהימנות תוך-צופה ובין-צופים חושבה באמצעות סטטיסטיקת קאפה של כהן. כדי לבחון את דיוק מודלי DM ומודלי רגרסיה מסורתיים, חישבנו את ה-MAE וה-RMSE באמצעות הגילאים המשוערים והממשיים של מערכי הבדיקה הפנימיים והחיצוניים. שגיאות אלו משמשות בדרך כלל להערכת דיוק תחזיות המודל. ככל שהשגיאה קטנה יותר, כך דיוק התחזית גבוה יותר. השוו את ה-MAE וה-RMSE של מערכי בדיקה פנימיים וחיצוניים שחושבו באמצעות DM ורגרסיה מסורתית. ביצועי הסיווג של סף ה-18 שנים בסטטיסטיקה מסורתית הוערכו באמצעות טבלת מקריות 2 × 2. הרגישות, הספציפיות, ה-PPV, ה-NPV וה-AUROC המחושבים של מערך הבדיקה הושוו לערכים הנמדדים של מודל סיווג DM. הנתונים מבוטאים כממוצע ± סטיית תקן או מספר (%) בהתאם למאפייני הנתונים. ערכי P דו-צדדיים <0.05 נחשבו למשמעותיים סטטיסטית. כל הניתוחים הסטטיסטיים השגרתיים בוצעו באמצעות SAS גרסה 9.4 (מכון SAS, קארי, צפון קרוליינה). מודל הרגרסיה של DM יושם בפייתון באמצעות Keras50 2.2.4 backend ו-Tensorflow51 1.8.0 במיוחד עבור פעולות מתמטיות. מודל הסיווג של DM יושם בסביבת ניתוח הידע של Waikato ובפלטפורמת הניתוח Konstanz Information Miner (KNIME) 4.6.152.
המחברים מאשרים כי ניתן למצוא נתונים התומכים במסקנות המחקר במאמר ובחומרים משלימים. מערכי הנתונים שנוצרו ו/או נותחו במהלך המחקר זמינים מהמחבר המתאים על פי בקשה סבירה.
ריץ-טים, ש. ואחרים. הערכת גיל: עדכונים טכניים לעמוד בדרישות הספציפיות של הפרקטיקה הפורנזית. בינלאומיות. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. הסטטוס הנוכחי של הערכת גיל משפטית של נבדקים חיים למטרות העמדה לדין פלילי. Forensics. medicine. Pathology. 1, 239–246 (2005).
פאן, ג'. ואחרים. שיטה שונה להערכת גיל השיניים של ילדים בגילאי 5 עד 16 שנים במזרח סין. קליני. סקר אוראלי. 25, 3463–3474 (2021).
לי, ס.ס. וכו'. כרונולוגיה של התפתחות שיניים טוחנות שניות ושלישיות בקוריאנים ויישומה להערכת גיל משפטית. בינלאומיות. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY and Lee, SS דיוק הערכת הגיל והערכת סף ה-18 שנים בהתבסס על בגרות השיניים הטוחנות השנייה והשלישית אצל קוריאנים ויפנים. PLoS ONE 17, e0271247 (2022).
קים, ג'יי.יי. ואחרים. ניתוח נתונים מבוסס למידת מכונה לפני ניתוח יכול לחזות את תוצאות טיפול ניתוח שינה בחולים עם OSA. המדע. דו"ח 11, 14911 (2021).
האן, מ. ואחרים. הערכת גיל מדויקת מלמידת מכונה עם או בלי התערבות אנושית? בינלאומיות. J. Legal medicine. 136, 821–831 (2022).
חאן, ס. ושאהין, מ. מכריית נתונים לכריית נתונים. ג'. מידע. המדע. https://doi.org/10.1177/01655515211030872 (2021).
חאן, ס. ושאהין, מ. WisRule: האלגוריתם הקוגניטיבי הראשון לכריית כללי אסוציאציה. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
שאהין מ. ועבדאללה ע. כרם: כריית נתונים מסורתית המבוססת על כללי אסוציאציה מבוססי הקשר. חשב. מאט. המשך. 68, 3305–3322 (2021).
מוחמד מ., רחמן ז., שאהין מ., חאן מ. וחביב מ. זיהוי דמיון סמנטי מבוסס למידה עמוקה באמצעות נתוני טקסט. טכנולוגיות מידע. בקרה. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
טאביש, מ., טנולי, ז., ושאהין, מ. מערכת לזיהוי פעילות בסרטוני ספורט. מולטימדיה. כלים ויישומים https://doi.org/10.1007/s11042-021-10519-6 (2021).
חלבי, ס.ס. ואחרים. אתגר למידת מכונה של RSNA בגיל העצם בילדים. רדיולוגיה 290, 498–503 (2019).
לי, י. ואחרים. הערכת גיל משפטית מצילומי רנטגן של האגן באמצעות למידה עמוקה. EURO. קרינה. 29, 2322–2329 (2019).
גואו, י.ק., ואחרים. סיווג גיל מדויק באמצעות שיטות ידניות ורשתות עצביות קונבולוציוניות עמוקות מתמונות הקרנה אורתוגרפיות. בינלאומיות. J. Legal medicine. 135, 1589–1597 (2021).
אלבמה דלורה ואחרים. הערכת גיל העצם באמצעות שיטות שונות של למידת מכונה: סקירת ספרות שיטתית ומטה-אנליזה. PLoS ONE 14, e0220242 (2019).
דו, ה., לי, ג., צ'נג, ק., ויאנג, ג'. הערכת גיל ספציפית לאוכלוסייה של אפרו-אמריקאים וסינים על סמך נפחי תא המוך של השיניים הטוחנות הראשונות באמצעות טומוגרפיה ממוחשבת של קרן חרוט. בינלאומיות. ג'. רפואה משפטית. 136, 811–819 (2022).
קים ס., לי י.ה., נו י.ק., פארק פ.ק. ואו ק.ס. קביעת קבוצות גיל של אנשים חיים באמצעות תמונות מבוססות בינה מלאכותית של שיניים טוחנות ראשונות. המדע. דו"ח 11, 1073 (2021).
שטרן, ד., פיייר, ק., ג'וליאני, נ., ואורשלר, מ. הערכת גיל אוטומטית וסיווג גיל רוב מנתוני MRI רב-משתנים. IEEE J. Biomed. התראות בריאות. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. הערכת גיל המבוססת על פילוח תלת-ממדי של תא המוך של הטוחנות הראשונות מטומוגרפיה ממוחשבת של קרן חרוטית על ידי שילוב למידה עמוקה ומערכות רמות. בינלאומיות. J. Legal medicine. 135, 365–373 (2021).
וו, וו.ט. ואחרים. כריית נתונים בביג דאטה קליני: מאגרי מידע נפוצים, שלבים ומודלים של שיטות. רפואה עולמית. משאב. 8, 44 (2021).
יאנג, ג'. ואחרים. מבוא למאגרי מידע רפואיים וטכנולוגיות כריית נתונים בעידן הביג דאטה. ג'. אבייד. רפואה בסיסית. 13, 57–69 (2020).
שן, ס. ואחרים. שיטת קמארר להערכת גיל השיניים באמצעות למידת מכונה. BMC Oral Health 21, 641 (2021).
גליבורג א. ואחרים. השוואה בין שיטות שונות של למידת מכונה לחיזוי גיל שיניים באמצעות שיטת השלבים של דמירדג'יאן. בינלאומיות. J. Legal medicine. 135, 665–675 (2021).
דמירג'יאן, א., גולדשטיין, ה. וטנר, ג'.מ. מערכת חדשה להערכת גיל השיניים. snort. biology. 45, 211–227 (1973).
לנדיס, ג'.ר., וקוך, ג'.ג'. מדדי הסכמה בין צופים על נתונים קטגוריים. ביומטריקה 33, 159–174 (1977).
בהאטצ'רג'י ס', פראקש ד', קים סי', קים ה.ק. וצ'וי ה.ק. ניתוח טקסטואלי, מורפולוגי וסטטיסטי של דימות תהודה מגנטית דו-ממדי באמצעות טכניקות בינה מלאכותית לצורך בידול גידולי מוח ראשוניים. מידע בריאותי. משאב. https://doi.org/10.4258/hir.2022.28.1.46 (2022).