Terima kasih telah mengunjungi Nature.com.Versi browser yang Anda gunakan memiliki dukungan CSS yang terbatas.Untuk hasil terbaik, sebaiknya gunakan versi browser Anda yang lebih baru (atau nonaktifkan mode kompatibilitas di Internet Explorer).Sementara itu, untuk memastikan dukungan berkelanjutan, kami menampilkan situs tanpa gaya atau JavaScript.
Gigi dianggap sebagai indikator usia tubuh manusia yang paling akurat dan sering digunakan dalam penilaian usia forensik.Kami bertujuan untuk memvalidasi estimasi usia gigi berbasis data mining dengan membandingkan akurasi estimasi dan kinerja klasifikasi ambang batas 18 tahun dengan metode tradisional dan estimasi usia berbasis data mining.Sebanyak 2657 radiografi panoramik dikumpulkan dari warga Korea dan Jepang berusia 15 hingga 23 tahun.Mereka dibagi menjadi satu set pelatihan, masing-masing berisi 900 radiografi Korea, dan satu set tes internal berisi 857 radiografi Jepang.Kami membandingkan akurasi klasifikasi dan efisiensi metode tradisional dengan set pengujian model data mining.Akurasi metode tradisional pada set pengujian internal sedikit lebih tinggi dibandingkan model penambangan data, dan perbedaannya kecil (rata-rata kesalahan absolut <0,21 tahun, akar rata-rata kesalahan kuadrat <0,24 tahun).Performa klasifikasi untuk batas waktu 18 tahun juga serupa antara metode tradisional dan model penambangan data.Dengan demikian, metode tradisional dapat digantikan dengan model data mining ketika melakukan penilaian usia forensik menggunakan kematangan gigi molar kedua dan ketiga pada remaja dan dewasa muda Korea.
Estimasi usia gigi banyak digunakan dalam kedokteran forensik dan kedokteran gigi anak.Secara khusus, karena tingginya korelasi antara usia kronologis dan perkembangan gigi, penilaian usia berdasarkan tahapan perkembangan gigi merupakan kriteria penting untuk menilai usia anak-anak dan remaja1,2,3.Namun bagi kaum muda, memperkirakan usia gigi berdasarkan kematangan gigi memiliki keterbatasan karena pertumbuhan gigi sudah hampir sempurna, kecuali gigi geraham ketiga.Tujuan hukum penentuan usia remaja dan remaja adalah untuk memberikan perkiraan yang akurat dan bukti ilmiah apakah mereka telah mencapai usia dewasa.Dalam praktik mediko-legal remaja dan dewasa muda di Korea, usia diperkirakan menggunakan metode Lee, dan ambang batas hukum sebesar 18 tahun diprediksi berdasarkan data yang dilaporkan oleh Oh et al 5 .
Pembelajaran mesin adalah jenis kecerdasan buatan (AI) yang berulang kali mempelajari dan mengklasifikasikan data dalam jumlah besar, memecahkan masalah sendiri, dan mendorong pemrograman data.Pembelajaran mesin dapat menemukan pola tersembunyi yang berguna dalam data dalam jumlah besar6.Sebaliknya, metode klasik, yang memakan banyak tenaga dan waktu, mungkin memiliki keterbatasan ketika menangani data kompleks dalam jumlah besar yang sulit diproses secara manual7.Oleh karena itu, banyak penelitian telah dilakukan baru-baru ini dengan menggunakan teknologi komputer terkini untuk meminimalkan kesalahan manusia dan memproses data multidimensi secara efisien8,9,10,11,12.Secara khusus, pembelajaran mendalam telah banyak digunakan dalam analisis citra medis, dan berbagai metode estimasi usia dengan menganalisis radiografi secara otomatis telah dilaporkan meningkatkan akurasi dan efisiensi estimasi usia13,14,15,16,17,18,19,20 .Misalnya, Halabi et al 13 mengembangkan algoritma pembelajaran mesin berdasarkan jaringan saraf konvolusional (CNN) untuk memperkirakan usia kerangka menggunakan radiografi tangan anak-anak.Studi ini mengusulkan model yang menerapkan pembelajaran mesin pada gambar medis dan menunjukkan bahwa metode ini dapat meningkatkan akurasi diagnostik.Li et al14 memperkirakan usia dari gambar rontgen panggul menggunakan CNN pembelajaran mendalam dan membandingkannya dengan hasil regresi menggunakan estimasi tahap osifikasi.Mereka menemukan bahwa model pembelajaran mendalam CNN menunjukkan kinerja estimasi usia yang sama dengan model regresi tradisional.Penelitian Guo et al. [15] mengevaluasi kinerja klasifikasi toleransi usia teknologi CNN berdasarkan ortofoto gigi, dan hasil model CNN membuktikan bahwa manusia mengungguli kinerja klasifikasi usianya.
Sebagian besar studi tentang estimasi usia menggunakan pembelajaran mesin menggunakan metode pembelajaran mendalam13,14,15,16,17,18,19,20.Estimasi usia berdasarkan pembelajaran mendalam dilaporkan lebih akurat dibandingkan metode tradisional.Namun, pendekatan ini memberikan sedikit kesempatan untuk menyajikan dasar ilmiah untuk perkiraan usia, seperti indikator usia yang digunakan dalam perkiraan tersebut.Ada juga perselisihan hukum mengenai siapa yang melakukan inspeksi.Oleh karena itu, perkiraan usia berdasarkan pembelajaran mendalam sulit diterima oleh otoritas administratif dan yudikatif.Data mining (DM) adalah teknik yang tidak hanya dapat menemukan informasi yang diharapkan tetapi juga tidak terduga sebagai metode untuk menemukan korelasi yang berguna antara sejumlah besar data6,21,22.Pembelajaran mesin sering kali digunakan dalam penambangan data, dan penambangan data serta pembelajaran mesin menggunakan algoritme kunci yang sama untuk menemukan pola dalam data.Estimasi usia dengan menggunakan perkembangan gigi didasarkan pada penilaian pemeriksa terhadap kematangan gigi target, dan penilaian ini dinyatakan dalam tahapan untuk setiap gigi target.DM dapat digunakan untuk menganalisis korelasi antara tahap penilaian gigi dan usia sebenarnya dan berpotensi menggantikan analisis statistik tradisional.Oleh karena itu, jika kita menerapkan teknik DM pada estimasi usia, kita dapat menerapkan pembelajaran mesin dalam estimasi usia forensik tanpa mengkhawatirkan tanggung jawab hukum.Beberapa studi perbandingan telah dipublikasikan mengenai kemungkinan alternatif metode manual tradisional yang digunakan dalam praktik forensik dan metode berbasis EBM untuk menentukan usia gigi.Shen dkk23 menunjukkan bahwa model DM lebih akurat dibandingkan rumus Camerer tradisional.Galibourg dkk24 menerapkan metode DM yang berbeda untuk memprediksi usia menurut kriteria Demirdjian25 dan hasilnya menunjukkan bahwa metode DM mengungguli metode Demirdjian dan Willems dalam memperkirakan usia penduduk Prancis.
Untuk memperkirakan usia gigi remaja dan dewasa muda Korea, Metode Lee 4 banyak digunakan dalam praktik forensik Korea.Metode ini menggunakan analisis statistik tradisional (seperti regresi berganda) untuk menguji hubungan antara subjek Korea dan usia kronologis.Dalam penelitian ini, metode estimasi usia yang diperoleh dengan menggunakan metode statistik tradisional didefinisikan sebagai “metode tradisional”.Metode Lee adalah metode tradisional, dan keakuratannya telah dikonfirmasi oleh Oh dkk.5;Namun, penerapan estimasi usia berdasarkan model DM dalam praktik forensik Korea masih dipertanyakan.Tujuan kami adalah memvalidasi secara ilmiah potensi kegunaan estimasi usia berdasarkan model DM.Tujuan dari penelitian ini adalah (1) untuk membandingkan keakuratan dua model DM dalam memperkirakan usia gigi dan (2) membandingkan kinerja klasifikasi 7 model DM pada usia 18 tahun dengan yang diperoleh menggunakan metode statistik tradisional. dan geraham ketiga di kedua rahang.
Rata-rata dan deviasi standar usia kronologis berdasarkan tahap dan jenis gigi ditampilkan secara online di Tabel Tambahan S1 (set pelatihan), Tabel Tambahan S2 (set tes internal), dan Tabel Tambahan S3 (set tes eksternal).Nilai kappa untuk reliabilitas intra dan interobserver yang diperoleh dari set pelatihan masing-masing sebesar 0,951 dan 0,947.Nilai P dan interval kepercayaan 95% untuk nilai kappa ditunjukkan pada tabel tambahan online S4.Nilai kappa diartikan “hampir sempurna”, sesuai dengan kriteria Landis dan Koch26.
Saat membandingkan mean absolute error (MAE), metode tradisional sedikit mengungguli model DM untuk semua jenis kelamin dan pada set pengujian eksternal pria, dengan pengecualian multilayer perceptron (MLP).Perbedaan antara model tradisional dan model DM pada set tes MAE internal adalah 0,12–0,19 tahun untuk pria dan 0,17–0,21 tahun untuk wanita.Untuk tes baterai eksternal, perbedaannya lebih kecil (0,001–0,05 tahun untuk pria dan 0,05–0,09 tahun untuk wanita).Selain itu, root mean square error (RMSE) sedikit lebih rendah dibandingkan metode tradisional, dengan perbedaan yang lebih kecil (0,17–0,24, 0,2–0,24 untuk set pengujian internal pria, dan 0,03–0,07, 0,04–0,08 untuk set pengujian eksternal).).MLP menunjukkan kinerja yang sedikit lebih baik dibandingkan Single Layer Perceptron (SLP), kecuali dalam kasus set pengujian eksternal perempuan.Untuk MAE dan RMSE, set tes eksternal mendapat skor lebih tinggi daripada set tes internal untuk semua gender dan model.Semua MAE dan RMSE ditunjukkan pada Tabel 1 dan Gambar 1.
MAE dan RMSE model regresi tradisional dan data mining.Rata-rata kesalahan absolut MAE, akar rata-rata kesalahan kuadrat RMSE, perceptron SLP lapisan tunggal, MLP perceptron multilayer, metode CM tradisional.
Kinerja klasifikasi (dengan batas waktu 18 tahun) model tradisional dan DM ditunjukkan dalam hal sensitivitas, spesifisitas, nilai prediksi positif (PPV), nilai prediksi negatif (NPV), dan area di bawah kurva karakteristik operasi penerima (AUROC) 27 (Tabel 2, Gambar 2 dan Gambar Tambahan 1 online).Dalam hal sensitivitas tes internal, metode tradisional memiliki kinerja terbaik pada pria dan lebih buruk pada wanita.Namun, perbedaan kinerja klasifikasi antara metode tradisional dan SD adalah 9,7% untuk pria (MLP) dan hanya 2,4% untuk wanita (XGBoost).Di antara model DM, regresi logistik (LR) menunjukkan sensitivitas yang lebih baik pada kedua jenis kelamin.Mengenai kekhususan set tes internal, diamati bahwa keempat model SD memiliki kinerja yang baik pada laki-laki, sedangkan model tradisional memiliki kinerja lebih baik pada perempuan.Perbedaan performa klasifikasi pria dan wanita masing-masing sebesar 13,3% (MLP) dan 13,1% (MLP), yang menunjukkan bahwa perbedaan performa klasifikasi antar model melebihi sensitivitas.Di antara model DM, model support vector machine (SVM), pohon keputusan (DT), dan random forest (RF) memiliki kinerja terbaik pada laki-laki, sedangkan model LR memiliki kinerja terbaik pada perempuan.AUROC model tradisional dan semua model SD lebih besar dari 0,925 (k-nearest neighbour (KNN) pada pria), yang menunjukkan kinerja klasifikasi yang sangat baik dalam membedakan sampel berusia 18 tahun28.Untuk set pengujian eksternal, terjadi penurunan kinerja klasifikasi dalam hal sensitivitas, spesifisitas, dan AUROC dibandingkan dengan set pengujian internal.Selain itu, perbedaan sensitivitas dan spesifisitas antara kinerja klasifikasi model terbaik dan terburuk berkisar antara 10% hingga 25% dan lebih besar daripada perbedaan set pengujian internal.
Sensitivitas dan spesifisitas model klasifikasi data mining dibandingkan metode tradisional dengan batas waktu 18 tahun.KNN k tetangga terdekat, mesin vektor dukungan SVM, regresi logistik LR, pohon keputusan DT, hutan acak RF, XGB XGBoost, perceptron multilayer MLP, metode CM tradisional.
Langkah pertama dalam penelitian ini adalah membandingkan keakuratan estimasi usia gigi yang diperoleh dari tujuh model DM dengan yang diperoleh menggunakan regresi tradisional.MAE dan RMSE dievaluasi dalam set pengujian internal untuk kedua jenis kelamin, dan perbedaan antara metode tradisional dan model DM berkisar antara 44 hingga 77 hari untuk MAE dan 62 hingga 88 hari untuk RMSE.Meskipun metode tradisional sedikit lebih akurat dalam penelitian ini, sulit untuk menyimpulkan apakah perbedaan kecil tersebut mempunyai signifikansi klinis atau praktis.Hasil tersebut menunjukkan bahwa keakuratan estimasi usia gigi menggunakan model DM hampir sama dengan metode tradisional.Perbandingan langsung dengan hasil penelitian sebelumnya sulit dilakukan karena belum ada penelitian yang membandingkan keakuratan model DM dengan metode statistik tradisional yang menggunakan teknik pencatatan gigi yang sama pada rentang usia yang sama seperti pada penelitian ini.Galibourg et al24 membandingkan MAE dan RMSE antara dua metode tradisional (metode Demirjian25 dan metode Willems29) dan 10 model DM pada populasi Perancis berusia 2 hingga 24 tahun.Mereka melaporkan bahwa semua model DM lebih akurat dibandingkan metode tradisional, dengan perbedaan masing-masing 0,20 dan 0,38 tahun pada MAE dan 0,25 dan 0,47 tahun pada RMSE dibandingkan dengan metode Willems dan Demirdjian.Perbedaan antara model SD dan metode tradisional yang ditunjukkan dalam penelitian Halibourg memperhitungkan banyak laporan30,31,32,33 bahwa metode Demirdjian tidak secara akurat memperkirakan usia gigi pada populasi selain warga Perancis-Kanada yang menjadi dasar penelitian ini.dalam penelitian ini.Tai et al 34 menggunakan algoritma MLP untuk memprediksi usia gigi dari 1636 foto ortodontik Tiongkok dan membandingkan keakuratannya dengan hasil metode Demirjian dan Willems.Mereka melaporkan bahwa MLP memiliki akurasi yang lebih tinggi dibandingkan metode tradisional.Perbedaan antara metode Demirdjian dan metode tradisional adalah <0,32 tahun, dan metode Willems adalah 0,28 tahun, serupa dengan hasil penelitian ini.Hasil penelitian sebelumnya24,34 juga konsisten dengan hasil penelitian ini, dan akurasi estimasi usia model DM dan metode tradisional serupa.Namun, berdasarkan hasil yang disajikan, kami hanya dapat menyimpulkan dengan hati-hati bahwa penggunaan model DM untuk memperkirakan usia dapat menggantikan metode yang ada karena kurangnya penelitian komparatif dan referensi sebelumnya.Diperlukan penelitian lanjutan dengan menggunakan sampel yang lebih besar untuk mengkonfirmasi hasil yang diperoleh dalam penelitian ini.
Di antara penelitian yang menguji keakuratan SD dalam memperkirakan usia gigi, beberapa menunjukkan akurasi yang lebih tinggi dibandingkan penelitian kami.Stepanovsky dkk 35 menerapkan 22 model SD pada radiografi panoramik dari 976 penduduk Ceko berusia 2,7 hingga 20,5 tahun dan menguji keakuratan setiap model.Mereka menilai perkembangan total 16 gigi permanen kiri atas dan bawah menggunakan kriteria klasifikasi yang diusulkan oleh Moorrees dkk 36 .MAE berkisar antara 0,64 hingga 0,94 tahun dan RMSE berkisar antara 0,85 hingga 1,27 tahun, yang lebih akurat dibandingkan dua model DM yang digunakan dalam penelitian ini.Shen et al23 menggunakan metode Cameriere untuk memperkirakan usia gigi dari tujuh gigi permanen di mandibula kiri pada penduduk Tiongkok bagian timur yang berusia 5 hingga 13 tahun dan membandingkannya dengan usia yang diperkirakan menggunakan regresi linier, SVM dan RF.Mereka menunjukkan bahwa ketiga model DM memiliki akurasi yang lebih tinggi dibandingkan dengan rumus Cameriere tradisional.MAE dan RMSE pada penelitian Shen lebih rendah dibandingkan model DM pada penelitian ini.Peningkatan presisi studi oleh Stepanovsky et al.35 dan Shen dkk.23 mungkin disebabkan oleh dimasukkannya subjek yang lebih muda dalam sampel penelitian mereka.Karena perkiraan usia peserta dengan gigi yang sedang tumbuh menjadi lebih akurat seiring bertambahnya jumlah gigi selama perkembangan gigi, keakuratan metode estimasi usia yang dihasilkan mungkin berkurang ketika peserta penelitian lebih muda.Selain itu, kesalahan MLP dalam estimasi usia sedikit lebih kecil dibandingkan SLP, artinya MLP lebih akurat dibandingkan SLP.MLP dianggap sedikit lebih baik untuk estimasi usia, mungkin karena adanya lapisan tersembunyi di MLP38.Namun, ada pengecualian untuk sampel luar perempuan (SLP 1.45, MLP 1.49).Temuan bahwa MLP lebih akurat dibandingkan SLP dalam menilai usia memerlukan studi retrospektif tambahan.
Kinerja klasifikasi model DM dan metode tradisional pada ambang batas 18 tahun juga dibandingkan.Semua model SD yang diuji dan metode tradisional pada set pengujian internal menunjukkan tingkat diskriminasi yang dapat diterima secara praktis untuk sampel berusia 18 tahun.Sensitivitas untuk pria dan wanita masing-masing lebih besar dari 87,7% dan 94,9%, dan spesifisitas lebih besar dari 89,3% dan 84,7%.AUROC dari semua model yang diuji juga melebihi 0,925.Sejauh pengetahuan kami, belum ada penelitian yang menguji kinerja model DM untuk klasifikasi 18 tahun berdasarkan maturitas gigi.Hasil penelitian ini dapat kita bandingkan dengan kinerja klasifikasi model deep learning pada radiografi panoramik.Guo et al.15 menghitung kinerja klasifikasi model pembelajaran mendalam berbasis CNN dan metode manual berdasarkan metode Demirjian untuk ambang batas usia tertentu.Sensitivitas dan spesifisitas metode manual masing-masing adalah 87,7% dan 95,5%, dan sensitivitas dan spesifisitas model CNN masing-masing melebihi 89,2% dan 86,6%.Mereka menyimpulkan bahwa model pembelajaran mendalam dapat menggantikan atau mengungguli penilaian manual dalam mengklasifikasikan ambang batas usia.Hasil penelitian ini menunjukkan kinerja klasifikasi yang serupa;Klasifikasi menggunakan model DM diyakini dapat menggantikan metode statistik tradisional untuk memperkirakan usia.Di antara model-model tersebut, DM LR merupakan model terbaik dalam hal sensitivitas untuk sampel laki-laki dan sensitivitas serta spesifisitas untuk sampel perempuan.LR menempati urutan kedua dalam spesifisitas untuk pria.Selain itu, LR dianggap sebagai salah satu model DM35 yang lebih mudah digunakan dan tidak terlalu rumit serta sulit untuk diproses.Berdasarkan hasil ini, LR dianggap sebagai model klasifikasi cutoff terbaik untuk anak usia 18 tahun pada populasi Korea.
Secara keseluruhan, keakuratan estimasi usia atau kinerja klasifikasi pada set pengujian eksternal buruk atau lebih rendah dibandingkan dengan hasil pada set pengujian internal.Beberapa laporan menunjukkan bahwa keakuratan atau efisiensi klasifikasi menurun ketika perkiraan usia berdasarkan populasi Korea diterapkan pada populasi Jepang5,39, dan pola serupa ditemukan dalam penelitian ini.Tren penurunan ini juga terlihat pada model DM.Oleh karena itu, untuk memperkirakan usia secara akurat, bahkan ketika menggunakan DM dalam proses analisis, metode yang berasal dari data populasi asli, seperti metode tradisional, sebaiknya diutamakan5,39,40,41,42.Karena tidak jelas apakah model pembelajaran mendalam dapat menunjukkan tren serupa, penelitian yang membandingkan akurasi dan efisiensi klasifikasi menggunakan metode tradisional, model DM, dan model pembelajaran mendalam pada sampel yang sama diperlukan untuk memastikan apakah kecerdasan buatan dapat mengatasi kesenjangan rasial ini dalam usia yang terbatas.penilaian.
Kami menunjukkan bahwa metode tradisional dapat digantikan dengan estimasi usia berdasarkan model DM dalam praktik estimasi usia forensik di Korea.Kami juga menemukan kemungkinan penerapan pembelajaran mesin untuk penilaian usia forensik.Namun, terdapat keterbatasan yang jelas, seperti kurangnya jumlah partisipan dalam penelitian ini untuk menentukan hasil secara pasti, dan kurangnya penelitian sebelumnya untuk membandingkan dan mengkonfirmasi hasil penelitian ini.Di masa depan, studi DM harus dilakukan dengan jumlah sampel yang lebih besar dan populasi yang lebih beragam untuk meningkatkan penerapan praktisnya dibandingkan dengan metode tradisional.Untuk memvalidasi kelayakan penggunaan kecerdasan buatan untuk memperkirakan usia di berbagai populasi, penelitian di masa depan diperlukan untuk membandingkan akurasi klasifikasi dan efisiensi model DM dan pembelajaran mendalam dengan metode tradisional dalam sampel yang sama.
Penelitian ini menggunakan 2.657 foto ortografik yang dikumpulkan dari orang dewasa Korea dan Jepang berusia 15 hingga 23 tahun.Radiografi Korea dibagi menjadi 900 set pelatihan (19,42 ± 2,65 tahun) dan 900 set tes internal (19,52 ± 2,59 tahun).Perangkat pelatihan dikumpulkan di satu institusi (Rumah Sakit St. Mary Seoul), dan perangkat tes dikumpulkan di dua institusi (Rumah Sakit Gigi Universitas Nasional Seoul dan Rumah Sakit Gigi Universitas Yonsei).Kami juga mengumpulkan 857 radiografi dari data berbasis populasi lainnya (Iwate Medical University, Jepang) untuk pengujian eksternal.Radiografi subjek Jepang (19,31 ± 2,60 tahun) dipilih sebagai set tes eksternal.Data dikumpulkan secara retrospektif untuk menganalisis tahapan perkembangan gigi pada radiografi panoramik yang diambil selama perawatan gigi.Semua data yang dikumpulkan bersifat anonim kecuali jenis kelamin, tanggal lahir dan tanggal radiografi.Kriteria inklusi dan eksklusi sama dengan penelitian yang dipublikasikan sebelumnya 4, 5.Usia sampel sebenarnya dihitung dengan mengurangkan tanggal lahir dari tanggal pengambilan radiograf.Kelompok sampel dibagi menjadi sembilan kelompok umur.Distribusi usia dan jenis kelamin ditunjukkan pada Tabel 3 Penelitian ini dilakukan sesuai dengan Deklarasi Helsinki dan disetujui oleh Institutional Review Board (IRB) Rumah Sakit St. Mary Seoul dari Universitas Katolik Korea (KC22WISI0328).Karena desain penelitian ini retrospektif, informed consent tidak dapat diperoleh dari semua pasien yang menjalani pemeriksaan radiografi untuk tujuan terapeutik.Rumah Sakit St. Mary Universitas Seoul Korea (IRB) mengesampingkan persyaratan informed consent.
Tahapan perkembangan gigi molar kedua dan ketiga bimaxillary dinilai berdasarkan kriteria Demircan25.Hanya satu gigi yang dipilih jika jenis gigi yang sama ditemukan pada sisi kiri dan kanan masing-masing rahang.Jika gigi homolog pada kedua sisi berada pada tahap perkembangan yang berbeda, gigi dengan tahap perkembangan lebih rendah dipilih untuk mempertimbangkan ketidakpastian perkiraan usia.Seratus radiografi yang dipilih secara acak dari set pelatihan dinilai oleh dua pengamat berpengalaman untuk menguji keandalan antarpengamat setelah prakalibrasi untuk menentukan tahap kematangan gigi.Keandalan intraobserver dinilai dua kali dalam interval tiga bulan oleh pengamat utama.
Jenis kelamin dan tahap perkembangan gigi geraham kedua dan ketiga dari setiap rahang dalam set pelatihan diperkirakan oleh pengamat utama yang dilatih dengan model DM yang berbeda, dan usia sebenarnya ditetapkan sebagai nilai target.Model SLP dan MLP, yang banyak digunakan dalam pembelajaran mesin, diuji terhadap algoritma regresi.Model DM menggabungkan fungsi linier menggunakan tahapan perkembangan keempat gigi dan menggabungkan data tersebut untuk memperkirakan usia.SLP merupakan jaringan saraf paling sederhana dan tidak mengandung lapisan tersembunyi.SLP bekerja berdasarkan transmisi ambang batas antar node.Model SLP dalam regresi secara matematis mirip dengan regresi linier berganda.Berbeda dengan model SLP, model MLP memiliki beberapa lapisan tersembunyi dengan fungsi aktivasi nonlinier.Eksperimen kami menggunakan lapisan tersembunyi dengan hanya 20 node tersembunyi dengan fungsi aktivasi nonlinier.Gunakan penurunan gradien sebagai metode pengoptimalan dan MAE dan RMSE sebagai fungsi kerugian untuk melatih model pembelajaran mesin kami.Model regresi terbaik yang diperoleh diterapkan pada set pengujian internal dan eksternal dan usia gigi diperkirakan.
Algoritme klasifikasi dikembangkan yang menggunakan kematangan empat gigi pada set pelatihan untuk memprediksi apakah suatu sampel berusia 18 tahun atau tidak.Untuk membangun model, kami memperoleh tujuh algoritma pembelajaran mesin representasi6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, dan (7) MLP .LR adalah salah satu algoritma klasifikasi yang paling banyak digunakan44.Ini adalah algoritma pembelajaran terawasi yang menggunakan regresi untuk memprediksi probabilitas data yang termasuk dalam kategori tertentu dari 0 hingga 1 dan mengklasifikasikan data sebagai milik kategori yang lebih mungkin berdasarkan probabilitas ini;terutama digunakan untuk klasifikasi biner.KNN adalah salah satu algoritma pembelajaran mesin yang paling sederhana45.Ketika diberikan data masukan baru, ia menemukan k data yang mendekati kumpulan yang ada dan kemudian mengklasifikasikannya ke dalam kelas dengan frekuensi tertinggi.Kami menetapkan 3 untuk jumlah tetangga yang dipertimbangkan (k).SVM merupakan algoritma yang memaksimalkan jarak antara dua kelas dengan menggunakan fungsi kernel untuk memperluas ruang linier menjadi ruang non-linier yang disebut field46.Untuk model ini, kami menggunakan bias = 1, power = 1, dan gamma = 1 sebagai hyperparameter untuk kernel polinomial.DT telah diterapkan di berbagai bidang sebagai algoritma untuk membagi seluruh kumpulan data menjadi beberapa subkelompok dengan merepresentasikan aturan keputusan dalam struktur pohon47.Model dikonfigurasi dengan jumlah minimum catatan per node sebanyak 2 dan menggunakan indeks Gini sebagai ukuran kualitas.RF adalah metode ansambel yang menggabungkan beberapa DT untuk meningkatkan kinerja menggunakan metode agregasi bootstrap yang menghasilkan pengklasifikasi lemah untuk setiap sampel dengan mengambil sampel secara acak dengan ukuran yang sama beberapa kali dari kumpulan data asli48.Kami menggunakan 100 pohon, 10 kedalaman pohon, 1 ukuran node minimum, dan indeks pencampuran Gini sebagai kriteria pemisahan node.Klasifikasi data baru ditentukan berdasarkan suara terbanyak.XGBoost adalah algoritma yang menggabungkan teknik boosting menggunakan metode yang mengambil data pelatihan kesalahan antara nilai aktual dan prediksi model sebelumnya dan menambah kesalahan menggunakan gradien49.Ini adalah algoritma yang banyak digunakan karena kinerjanya yang baik dan efisiensi sumber daya, serta keandalan yang tinggi sebagai fungsi koreksi overfitting.Model ini dilengkapi dengan 400 roda pendukung.MLP adalah jaringan saraf di mana satu atau lebih perceptron membentuk banyak lapisan dengan satu atau lebih lapisan tersembunyi antara lapisan masukan dan keluaran38.Dengan menggunakan ini, Anda dapat melakukan klasifikasi non-linier di mana ketika Anda menambahkan lapisan masukan dan mendapatkan nilai hasil, nilai hasil prediksi dibandingkan dengan nilai hasil sebenarnya dan kesalahan disebarkan kembali.Kami membuat lapisan tersembunyi dengan 20 neuron tersembunyi di setiap lapisan.Setiap model yang kami kembangkan diterapkan pada set internal dan eksternal untuk menguji kinerja klasifikasi dengan menghitung sensitivitas, spesifisitas, PPV, NPV, dan AUROC.Sensitivitas didefinisikan sebagai rasio sampel yang diperkirakan berusia 18 tahun atau lebih dengan sampel yang diperkirakan berusia 18 tahun atau lebih.Spesifisitasnya adalah proporsi sampel yang berusia di bawah 18 tahun dan yang diperkirakan berusia di bawah 18 tahun.
Tahapan gigi yang dinilai dalam set pelatihan diubah menjadi tahap numerik untuk analisis statistik.Regresi linier multivariat dan logistik dilakukan untuk mengembangkan model prediktif untuk setiap jenis kelamin dan mendapatkan rumus regresi yang dapat digunakan untuk memperkirakan usia.Kami menggunakan rumus ini untuk memperkirakan usia gigi untuk rangkaian pengujian internal dan eksternal.Tabel 4 menunjukkan model regresi dan klasifikasi yang digunakan dalam penelitian ini.
Keandalan intra dan interobserver dihitung menggunakan statistik kappa Cohen.Untuk menguji keakuratan DM dan model regresi tradisional, kami menghitung MAE dan RMSE menggunakan perkiraan dan usia aktual dari set pengujian internal dan eksternal.Kesalahan ini biasanya digunakan untuk mengevaluasi keakuratan prediksi model.Semakin kecil kesalahannya, semakin tinggi keakuratan perkiraannya24.Bandingkan MAE dan RMSE set pengujian internal dan eksternal yang dihitung menggunakan DM dan regresi tradisional.Kinerja klasifikasi batas 18 tahun dalam statistik tradisional dinilai menggunakan tabel kontingensi 2x2.Sensitivitas, spesifisitas, PPV, NPV, dan AUROC yang dihitung dari set pengujian dibandingkan dengan nilai terukur dari model klasifikasi DM.Data dinyatakan sebagai mean ± standar deviasi atau angka (%) bergantung pada karakteristik data.Nilai P dua sisi <0,05 dianggap signifikan secara statistik.Semua analisis statistik rutin dilakukan dengan menggunakan SAS versi 9.4 (SAS Institute, Cary, NC).Model regresi DM diimplementasikan dengan Python menggunakan backend Keras50 2.2.4 dan Tensorflow51 1.8.0 khusus untuk operasi matematika.Model klasifikasi DM diimplementasikan di Waikato Knowledge Analysis Environment dan platform analisis Konstanz Information Miner (KNIME) 4.6.152.
Para penulis mengakui bahwa data yang mendukung kesimpulan penelitian dapat ditemukan dalam artikel dan materi tambahan.Kumpulan data yang dihasilkan dan/atau dianalisis selama penelitian tersedia dari penulis terkait berdasarkan permintaan yang masuk akal.
Ritz-Timme, S. dkk.Penilaian usia: canggih untuk memenuhi persyaratan khusus praktik forensik.internasionalitas.J.Kedokteran hukum.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., dan Olze, A. Status terkini penilaian usia forensik subjek hidup untuk tujuan penuntutan pidana.Forensik.obat-obatan.Patologi.1, 239–246 (2005).
Pan, J. dkk.Sebuah metode yang dimodifikasi untuk menilai usia gigi anak-anak berusia 5 hingga 16 tahun di Tiongkok bagian timur.klinis.Survei lisan.25, 3463–3474 (2021).
Lee, SS dll. Kronologi perkembangan gigi geraham kedua dan ketiga di Korea dan penerapannya untuk penilaian usia forensik.internasionalitas.J.Kedokteran hukum.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY dan Lee, SS Keakuratan estimasi usia dan estimasi ambang batas 18 tahun berdasarkan kematangan gigi geraham kedua dan ketiga pada orang Korea dan Jepang.PLoS SATU 17, e0271247 (2022).
Kim, JY, dkk.Analisis data berbasis pembelajaran mesin pra operasi dapat memprediksi hasil pengobatan operasi tidur pada pasien OSA.ilmu.Laporan 11, 14911 (2021).
Han, M. dkk.Estimasi usia yang akurat dari pembelajaran mesin dengan atau tanpa campur tangan manusia?internasionalitas.J.Kedokteran hukum.136, 821–831 (2022).
Khan, S. dan Shaheen, M. Dari Data Mining ke Data Mining.J.Informasi.ilmu.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. dan Shaheen, M. WisRule: Algoritma Kognitif Pertama untuk Association Rule Mining.J.Informasi.ilmu.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. dan Abdullah U. Karm: Penambangan data tradisional berdasarkan aturan asosiasi berbasis konteks.menghitung.Mat.melanjutkan.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. dan Habib M. Deteksi kesamaan semantik berbasis pembelajaran mendalam menggunakan data teks.memberitahukan.teknologi.kontrol.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., dan Shahin, M. Sebuah sistem untuk mengenali aktivitas dalam video olahraga.multimedia.Aplikasi Alat https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS dkk.Tantangan Pembelajaran Mesin RSNA di Usia Tulang Anak.Radiologi 290, 498–503 (2019).
Li, Y. dkk.Estimasi usia forensik dari rontgen panggul menggunakan pembelajaran mendalam.EURO.radiasi.29, 2322–2329 (2019).
Guo, YC, dkk.Klasifikasi usia yang akurat menggunakan metode manual dan jaringan saraf konvolusional mendalam dari gambar proyeksi ortografik.internasionalitas.J.Kedokteran hukum.135, 1589–1597 (2021).
Alabama Dalora dkk.Estimasi usia tulang menggunakan metode pembelajaran mesin yang berbeda: tinjauan literatur sistematis dan meta-analisis.PLoS SATU 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., dan Yang, J. Estimasi usia spesifik populasi orang Afrika-Amerika dan Cina berdasarkan volume kamar pulpa gigi geraham pertama menggunakan cone-beam computerized tomography.internasionalitas.J.Kedokteran hukum.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK dan Oh KS Menentukan kelompok usia orang yang hidup menggunakan gambar gigi geraham pertama berbasis kecerdasan buatan.ilmu.Laporan 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., dan Urschler, M. Estimasi usia otomatis dan klasifikasi usia mayoritas dari data MRI multivariat.IEEE J. Biomed.Peringatan Kesehatan.23 Agustus 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. dan Li, G. Estimasi usia berdasarkan segmentasi ruang pulpa 3D gigi geraham pertama dari cone beam computer tomography dengan mengintegrasikan pembelajaran mendalam dan set level.internasionalitas.J.Kedokteran hukum.135, 365–373 (2021).
Wu, WT, dkk.Penambangan data dalam data besar klinis: database umum, langkah-langkah, dan model metode.Dunia.obat-obatan.sumber.8, 44 (2021).
Yang, J. dkk.Pengantar Database Medis dan Teknologi Data Mining di Era Big Data.J.Keranjingan.Pengobatan dasar.13, 57–69 (2020).
Shen, S.dkk.Metode Camerer untuk memperkirakan usia gigi menggunakan pembelajaran mesin.Kesehatan Mulut BMC 21, 641 (2021).
Galliburg A. dkk.Perbandingan berbagai metode pembelajaran mesin untuk memprediksi usia gigi menggunakan metode pementasan Demirdjian.internasionalitas.J.Kedokteran hukum.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. dan Tanner, JM Sebuah sistem baru untuk menilai usia gigi.mendengus.biologi.45, 211–227 (1973).
Landis, JR, dan Koch, GG Ukuran kesepakatan pengamat terhadap data kategorikal.Biometrik 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK dan Choi HK.Analisis tekstur, morfologi dan statistik pencitraan resonansi magnetik dua dimensi menggunakan teknik kecerdasan buatan untuk diferensiasi tumor otak primer.Informasi kesehatan.sumber.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Waktu posting: 04 Januari 2024