Terima kasih telah mengunjungi Nature.com. Versi peramban yang Anda gunakan memiliki dukungan CSS yang terbatas. Untuk hasil terbaik, kami sarankan menggunakan versi peramban yang lebih baru (atau menonaktifkan 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 penambangan data dengan membandingkan akurasi estimasi dan kinerja klasifikasi ambang batas 18 tahun dengan metode tradisional dan estimasi usia berbasis penambangan data. Sebanyak 2657 radiografi panoramik dikumpulkan dari warga Korea dan Jepang berusia 15 hingga 23 tahun. Data tersebut dibagi menjadi set pelatihan, masing-masing berisi 900 radiografi Korea, dan set uji internal yang berisi 857 radiografi Jepang. Kami membandingkan akurasi dan efisiensi klasifikasi metode tradisional dengan set uji model penambangan data. Akurasi metode tradisional pada set uji internal sedikit lebih tinggi daripada model penambangan data, dan perbedaannya kecil (kesalahan absolut rata-rata <0,21 tahun, kesalahan kuadrat rata-rata <0,24 tahun). Kinerja klasifikasi untuk batas 18 tahun juga serupa antara metode tradisional dan model penambangan data. Dengan demikian, metode tradisional dapat digantikan oleh model penambangan data ketika melakukan penilaian usia forensik menggunakan kematangan gigi geraham kedua dan ketiga pada remaja dan dewasa muda Korea.
Estimasi usia gigi banyak digunakan dalam kedokteran forensik dan kedokteran gigi anak. Secara khusus, karena korelasi yang tinggi 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, untuk anak muda, estimasi usia gigi berdasarkan kematangan gigi memiliki keterbatasan karena pertumbuhan gigi hampir selesai, kecuali gigi geraham ketiga. Tujuan hukum dari penentuan usia anak muda dan remaja adalah untuk memberikan estimasi yang akurat dan bukti ilmiah apakah mereka telah mencapai usia dewasa. Dalam praktik forensik medis remaja dan dewasa muda di Korea, usia diestimasi menggunakan metode Lee, dan ambang batas hukum 18 tahun diprediksi berdasarkan data yang dilaporkan oleh Oh dkk. 5.
Pembelajaran mesin adalah jenis kecerdasan buatan (AI) yang berulang kali belajar dan mengklasifikasikan sejumlah besar data, memecahkan masalah sendiri, dan mendorong pemrograman data. Pembelajaran mesin dapat menemukan pola tersembunyi yang berguna dalam volume data yang besar6. Sebaliknya, metode klasik, yang membutuhkan banyak tenaga dan waktu, mungkin memiliki keterbatasan ketika berurusan dengan volume data kompleks yang besar dan sulit diproses secara manual7. Oleh karena itu, banyak penelitian telah dilakukan baru-baru ini menggunakan teknologi komputer terbaru 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 untuk estimasi usia dengan menganalisis radiografi secara otomatis telah dilaporkan untuk meningkatkan akurasi dan efisiensi estimasi usia13,14,15,16,17,18,19,20. Misalnya, Halabi dkk. 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 citra medis dan menunjukkan bahwa metode ini dapat meningkatkan akurasi diagnostik. Li et al.14 memperkirakan usia dari citra sinar-X panggul menggunakan CNN pembelajaran mendalam dan membandingkannya dengan hasil regresi menggunakan estimasi tahap osifikasi. Mereka menemukan bahwa model CNN pembelajaran mendalam menunjukkan kinerja estimasi usia yang sama dengan model regresi tradisional. Studi 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 daripada metode tradisional. Namun, pendekatan ini memberikan sedikit kesempatan untuk menyajikan dasar ilmiah untuk estimasi usia, seperti indikator usia yang digunakan dalam estimasi tersebut. Terdapat juga sengketa hukum mengenai siapa yang melakukan inspeksi. Oleh karena itu, estimasi usia berdasarkan pembelajaran mendalam sulit diterima oleh otoritas administratif dan yudisial. Penambangan data (Data Mining/DM) adalah teknik yang dapat menemukan tidak hanya informasi yang diharapkan tetapi juga informasi yang tidak diharapkan sebagai metode untuk menemukan korelasi yang berguna antara sejumlah besar data6,21,22. Pembelajaran mesin sering digunakan dalam penambangan data, dan baik penambangan data maupun pembelajaran mesin menggunakan algoritma kunci yang sama untuk menemukan pola dalam data. Estimasi usia menggunakan perkembangan gigi didasarkan pada penilaian pemeriksa terhadap kematangan gigi target, dan penilaian ini dinyatakan sebagai tahap 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 untuk estimasi usia, kita dapat menerapkan pembelajaran mesin dalam estimasi usia forensik tanpa perlu khawatir tentang tanggung jawab hukum. Beberapa studi perbandingan telah dipublikasikan tentang kemungkinan alternatif untuk metode manual tradisional yang digunakan dalam praktik forensik dan metode berbasis EBM untuk menentukan usia gigi. Shen et al23 menunjukkan bahwa model DM lebih akurat daripada rumus Camerer tradisional. Galibourg et al24 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 populasi 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 memeriksa hubungan antara subjek Korea dan usia kronologis. Dalam penelitian ini, metode estimasi usia yang diperoleh menggunakan metode statistik tradisional didefinisikan sebagai "metode tradisional." Metode Lee adalah metode tradisional, dan akurasinya telah dikonfirmasi oleh Oh dkk. 5; namun, penerapan estimasi usia berdasarkan model DM dalam praktik forensik Korea masih dipertanyakan. Tujuan kami adalah untuk memvalidasi secara ilmiah potensi kegunaan estimasi usia berdasarkan model DM. Tujuan penelitian ini adalah (1) untuk membandingkan akurasi dua model DM dalam memperkirakan usia gigi dan (2) untuk membandingkan kinerja klasifikasi 7 model DM pada usia 18 tahun dengan yang diperoleh menggunakan metode statistik tradisional. Kematangan molar kedua dan ketiga di kedua rahang.
Rata-rata dan deviasi standar usia kronologis menurut tahap dan jenis gigi ditunjukkan secara daring pada Tabel Tambahan S1 (set pelatihan), Tabel Tambahan S2 (set uji internal), dan Tabel Tambahan S3 (set uji eksternal). Nilai kappa untuk reliabilitas intra- dan interobserver yang diperoleh dari set pelatihan masing-masing adalah 0,951 dan 0,947. Nilai P dan interval kepercayaan 95% untuk nilai kappa ditunjukkan pada tabel tambahan daring S4. Nilai kappa diinterpretasikan sebagai "hampir sempurna", konsisten dengan kriteria Landis dan Koch26.
Saat membandingkan mean absolute error (MAE), metode tradisional sedikit lebih unggul daripada model DM untuk semua jenis kelamin dan pada set uji eksternal pria, kecuali untuk multilayer perceptron (MLP). Perbedaan antara model tradisional dan model DM pada set uji MAE internal adalah 0,12–0,19 tahun untuk pria dan 0,17–0,21 tahun untuk wanita. Untuk rangkaian uji 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 daripada metode tradisional, dengan perbedaan yang lebih kecil (0,17–0,24, 0,2–0,24 untuk set uji internal pria, dan 0,03–0,07, 0,04–0,08 untuk set uji eksternal). MLP menunjukkan kinerja yang sedikit lebih baik daripada Single Layer Perceptron (SLP), kecuali pada kasus set uji eksternal wanita. Untuk MAE dan RMSE, set pengujian eksternal memperoleh skor lebih tinggi daripada set pengujian internal untuk semua jenis kelamin dan model. Semua nilai MAE dan RMSE ditunjukkan pada Tabel 1 dan Gambar 1.
MAE dan RMSE dari model regresi tradisional dan penambangan data. Kesalahan absolut rata-rata (MAE), kesalahan kuadrat rata-rata (RMSE), perceptron lapisan tunggal (SLP), perceptron multi-lapisan (MLP), metode CM tradisional.
Kinerja klasifikasi (dengan batas usia 18 tahun) dari 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 baterai uji internal, metode tradisional berkinerja terbaik di antara pria dan terburuk di antara 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 spesifisitas set uji internal, diamati bahwa keempat model SD berkinerja baik pada pria, sedangkan model tradisional berkinerja lebih baik pada wanita. Perbedaan kinerja klasifikasi untuk pria dan wanita masing-masing adalah 13,3% (MLP) dan 13,1% (MLP), menunjukkan bahwa perbedaan kinerja klasifikasi antar model melebihi sensitivitas. Di antara model DM, model support vector machine (SVM), decision tree (DT), dan random forest (RF) berkinerja terbaik di antara laki-laki, sedangkan model LR berkinerja terbaik di antara perempuan. AUROC dari model tradisional dan semua model SD lebih besar dari 0,925 (k-nearest neighbor (KNN) pada laki-laki), menunjukkan kinerja klasifikasi yang sangat baik dalam membedakan sampel berusia 18 tahun28. Untuk set uji eksternal, terdapat penurunan kinerja klasifikasi dalam hal sensitivitas, spesifisitas, dan AUROC dibandingkan dengan set uji internal. Selain itu, perbedaan sensitivitas dan spesifisitas antara kinerja klasifikasi model terbaik dan terburuk berkisar antara 10% hingga 25% dan lebih besar daripada perbedaan pada set uji internal.
Sensitivitas dan spesifisitas model klasifikasi penambangan data dibandingkan dengan metode tradisional dengan batas usia 18 tahun. KNN (k nearest neighbor), SVM (support vector machine), LR (logistic regression), DT (decision tree), RF (random forest), XGB (XGBoost), MLP (multilayer perceptron), metode CM tradisional.
Langkah pertama dalam penelitian ini adalah membandingkan akurasi estimasi usia gigi yang diperoleh dari tujuh model DM dengan yang diperoleh menggunakan regresi tradisional. MAE dan RMSE dievaluasi dalam set uji internal untuk kedua jenis kelamin, dan perbedaan antara metode tradisional dan model DM berkisar antara 44 hingga 77 hari untuk MAE dan antara 62 hingga 88 hari untuk RMSE. Meskipun metode tradisional sedikit lebih akurat dalam penelitian ini, sulit untuk menyimpulkan apakah perbedaan sekecil itu memiliki signifikansi klinis atau praktis. Hasil ini menunjukkan bahwa akurasi estimasi usia gigi menggunakan model DM hampir sama dengan metode tradisional. Perbandingan langsung dengan hasil dari penelitian sebelumnya sulit dilakukan karena belum ada penelitian yang membandingkan akurasi model DM dengan metode statistik tradisional menggunakan teknik pencatatan gigi yang sama pada rentang usia yang sama seperti dalam penelitian ini. Galibourg et al24 membandingkan MAE dan RMSE antara dua metode tradisional (metode Demirjian25 dan metode Willems29) dan 10 model DM pada populasi Prancis berusia 2 hingga 24 tahun. Mereka melaporkan bahwa semua model DM lebih akurat daripada metode tradisional, dengan perbedaan 0,20 dan 0,38 tahun pada MAE dan 0,25 dan 0,47 tahun pada RMSE dibandingkan dengan metode Willems dan Demirdjian, masing-masing. Perbedaan antara model SD dan metode tradisional yang ditunjukkan dalam studi Halibourg mempertimbangkan banyak laporan30,31,32,33 bahwa metode Demirdjian tidak secara akurat memperkirakan usia gigi pada populasi selain orang Kanada Prancis yang menjadi dasar penelitian tersebut. Dalam penelitian ini, Tai dkk. 34 menggunakan algoritma MLP untuk memprediksi usia gigi dari 1636 foto ortodonti Tiongkok dan membandingkan akurasinya dengan hasil metode Demirdjian dan Willems. Mereka melaporkan bahwa MLP memiliki akurasi yang lebih tinggi daripada metode tradisional. Perbedaan antara metode Demirdjian dan metode tradisional adalah <0,32 tahun, dan metode Willems adalah 0,28 tahun, yang mirip 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, kita hanya dapat menyimpulkan dengan hati-hati bahwa penggunaan model DM untuk memperkirakan usia dapat menggantikan metode yang ada karena kurangnya penelitian perbandingan dan referensi sebelumnya. Studi lanjutan dengan sampel yang lebih besar diperlukan untuk mengkonfirmasi hasil yang diperoleh dalam penelitian ini.
Di antara studi yang menguji akurasi SD dalam memperkirakan usia gigi, beberapa menunjukkan akurasi yang lebih tinggi daripada studi kami. Stepanovsky dkk. 35 menerapkan 22 model SD pada radiografi panoramik 976 penduduk Ceko berusia 2,7 hingga 20,5 tahun dan menguji akurasi setiap model. Mereka menilai perkembangan total 16 gigi permanen kiri atas dan bawah menggunakan kriteria klasifikasi yang diusulkan oleh Moorrees dkk. 36. MAE berkisar dari 0,64 hingga 0,94 tahun dan RMSE berkisar dari 0,85 hingga 1,27 tahun, yang lebih akurat daripada dua model DM yang digunakan dalam penelitian ini. Shen dkk.23 menggunakan metode Cameriere untuk memperkirakan usia gigi dari tujuh gigi permanen di mandibula kiri pada penduduk Tiongkok timur 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 dalam penelitian Shen lebih rendah daripada model DM dalam penelitian ini. Peningkatan presisi penelitian oleh Stepanovsky dkk. 35 dan Shen dkk. 23 mungkin disebabkan oleh dimasukkannya subjek yang lebih muda dalam sampel penelitian mereka. Karena estimasi usia untuk peserta dengan gigi yang sedang berkembang menjadi lebih akurat seiring bertambahnya jumlah gigi selama perkembangan gigi, akurasi metode estimasi usia yang dihasilkan mungkin terganggu ketika peserta penelitian lebih muda. Selain itu, kesalahan MLP dalam estimasi usia sedikit lebih kecil daripada SLP, yang berarti MLP lebih akurat daripada SLP. MLP dianggap sedikit lebih baik untuk estimasi usia, mungkin karena lapisan tersembunyi di MLP38. Namun, ada pengecualian untuk sampel luar wanita (SLP 1,45, MLP 1,49). Temuan bahwa MLP lebih akurat daripada SLP dalam menilai usia memerlukan studi retrospektif tambahan.
Kinerja klasifikasi model DM dan metode tradisional pada ambang batas usia 18 tahun juga dibandingkan. Semua model SD yang diuji dan metode tradisional pada set uji internal menunjukkan tingkat diskriminasi yang praktis dapat diterima untuk sampel usia 18 tahun. Sensitivitas untuk pria dan wanita lebih besar dari 87,7% dan 94,9%, masing-masing, 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 usia 18 tahun berdasarkan kematangan gigi. Kita dapat membandingkan hasil penelitian ini dengan kinerja klasifikasi model pembelajaran mendalam pada radiografi panoramik. Guo dkk.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%, sedangkan 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; diyakini bahwa klasifikasi menggunakan model DM dapat menggantikan metode statistik tradisional untuk estimasi usia. Di antara model-model tersebut, DM LR adalah model terbaik dalam hal sensitivitas untuk sampel laki-laki dan sensitivitas serta spesifisitas untuk sampel perempuan. LR menempati peringkat kedua dalam spesifisitas untuk laki-laki. Selain itu, LR dianggap sebagai salah satu model DM35 yang lebih ramah pengguna dan kurang kompleks serta sulit diproses. Berdasarkan hasil ini, LR dianggap sebagai model klasifikasi ambang batas terbaik untuk usia 18 tahun di populasi Korea.
Secara keseluruhan, akurasi estimasi usia atau kinerja klasifikasi pada set uji eksternal buruk atau lebih rendah dibandingkan dengan hasil pada set uji internal. Beberapa laporan menunjukkan bahwa akurasi atau efisiensi klasifikasi menurun ketika estimasi usia berdasarkan populasi Korea diterapkan pada populasi Jepang5,39, dan pola serupa ditemukan dalam penelitian ini. Tren penurunan ini juga diamati 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, harus lebih diutamakan5,39,40,41,42. Karena belum jelas apakah model pembelajaran mendalam dapat menunjukkan tren serupa, studi 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 penilaian usia yang terbatas.
Kami menunjukkan bahwa metode tradisional dapat digantikan oleh 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 jumlah partisipan yang tidak mencukupi dalam penelitian ini untuk menentukan hasil secara pasti, dan kurangnya penelitian sebelumnya untuk membandingkan dan mengkonfirmasi hasil penelitian ini. Di masa mendatang, penelitian 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 pada berbagai populasi, penelitian selanjutnya diperlukan untuk membandingkan akurasi klasifikasi dan efisiensi model DM dan pembelajaran mendalam dengan metode tradisional pada sampel yang sama.
Penelitian ini menggunakan 2.657 foto ortografi 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 uji internal (19,52 ± 2,59 tahun). Set pelatihan dikumpulkan di satu institusi (Rumah Sakit Seoul St. Mary), dan set uji internal 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 lain (Universitas Kedokteran Iwate, Jepang) untuk pengujian eksternal. Radiografi subjek Jepang (19,31 ± 2,60 tahun) dipilih sebagai set uji 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 pengambilan radiografi. Kriteria inklusi dan eksklusi sama dengan studi yang telah dipublikasikan sebelumnya 4, 5. Usia sebenarnya dari sampel dihitung dengan mengurangi tanggal lahir dari tanggal pengambilan radiografi. Kelompok sampel dibagi menjadi sembilan kelompok usia. Distribusi usia dan jenis kelamin ditunjukkan pada Tabel 3. Studi ini dilakukan sesuai dengan Deklarasi Helsinki dan disetujui oleh Komite Peninjauan Etika (IRB) Rumah Sakit Seoul St. Mary Universitas Katolik Korea (KC22WISI0328). Karena desain retrospektif studi ini, persetujuan informed consent tidak dapat diperoleh dari semua pasien yang menjalani pemeriksaan radiografi untuk tujuan terapeutik. Komite Peninjauan Etika (IRB) Rumah Sakit Seoul Universitas St. Mary Korea membebaskan persyaratan untuk persetujuan informed consent.
Tahap perkembangan molar kedua dan ketiga bimaksila dinilai menurut kriteria Demircan25. Hanya satu gigi yang dipilih jika jenis gigi yang sama ditemukan di sisi kiri dan kanan setiap rahang. Jika gigi homolog di kedua sisi berada pada tahap perkembangan yang berbeda, gigi dengan tahap perkembangan yang lebih rendah dipilih untuk memperhitungkan ketidakpastian dalam perkiraan usia. Seratus radiografi yang dipilih secara acak dari set pelatihan dinilai oleh dua pengamat berpengalaman untuk menguji reliabilitas antar pengamat setelah prakalibrasi untuk menentukan tahap kematangan gigi. Reliabilitas intra pengamat dinilai dua kali dengan interval tiga bulan oleh pengamat utama.
Jenis kelamin dan tahap perkembangan gigi geraham kedua dan ketiga pada 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 tahap perkembangan keempat gigi dan menggabungkan data ini untuk memperkirakan usia. SLP adalah 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. Tidak seperti 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 optimasi dan MAE serta RMSE sebagai fungsi kerugian untuk melatih model pembelajaran mesin kami. Model regresi terbaik yang diperoleh diterapkan pada set uji internal dan eksternal dan usia gigi diperkirakan.
Algoritma klasifikasi dikembangkan yang menggunakan kematangan empat gigi pada set pelatihan untuk memprediksi apakah suatu sampel berusia 18 tahun atau tidak. Untuk membangun model, kami menurunkan 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 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 input baru, ia menemukan k data yang dekat dengan set yang ada dan kemudian mengklasifikasikannya ke dalam kelas dengan frekuensi tertinggi. Kami menetapkan 3 untuk jumlah tetangga yang dipertimbangkan (k). SVM adalah algoritma yang memaksimalkan jarak antara dua kelas dengan menggunakan fungsi kernel untuk memperluas ruang linier ke ruang non-linier yang disebut bidang46. 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 dataset menjadi beberapa subkelompok dengan merepresentasikan aturan keputusan dalam struktur pohon47. Model ini dikonfigurasi dengan jumlah minimum record per node sebanyak 2 dan menggunakan indeks Gini sebagai ukuran kualitas. RF adalah metode ensemble 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 dataset asli48. Kami menggunakan 100 pohon, 10 kedalaman pohon, 1 ukuran node minimum, dan indeks admixture Gini sebagai kriteria pemisahan node. Klasifikasi data baru ditentukan oleh suara mayoritas. XGBoost adalah algoritma yang menggabungkan teknik boosting menggunakan metode yang mengambil data pelatihan berupa kesalahan antara nilai aktual dan nilai prediksi dari model sebelumnya dan meningkatkan 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 perseptron membentuk beberapa lapisan dengan satu atau lebih lapisan tersembunyi di antara lapisan input dan output38. Dengan menggunakan ini, Anda dapat melakukan klasifikasi non-linear di mana ketika Anda menambahkan lapisan input dan mendapatkan nilai hasil, nilai hasil prediksi dibandingkan dengan nilai hasil aktual 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 antara sampel yang diperkirakan berusia 18 tahun atau lebih dengan sampel yang diperkirakan berusia 18 tahun atau lebih. Spesifisitas adalah proporsi sampel di bawah usia 18 tahun dan sampel yang diperkirakan berusia di bawah 18 tahun.
Tahapan perkembangan gigi yang dinilai dalam set pelatihan diubah menjadi tahapan numerik untuk analisis statistik. Regresi linier dan logistik multivariat dilakukan untuk mengembangkan model prediktif untuk setiap jenis kelamin dan menurunkan rumus regresi yang dapat digunakan untuk memperkirakan usia. Kami menggunakan rumus-rumus ini untuk memperkirakan usia gigi untuk set uji internal dan eksternal. Tabel 4 menunjukkan model regresi dan klasifikasi yang digunakan dalam penelitian ini.
Reliabilitas intra- dan interobserver dihitung menggunakan statistik kappa Cohen. Untuk menguji akurasi model regresi DM dan tradisional, kami menghitung MAE dan RMSE menggunakan usia estimasi dan aktual dari set uji internal dan eksternal. Kesalahan ini umumnya digunakan untuk mengevaluasi akurasi prediksi model. Semakin kecil kesalahannya, semakin tinggi akurasi perkiraannya24. Bandingkan MAE dan RMSE dari set uji internal dan eksternal yang dihitung menggunakan DM dan regresi tradisional. Kinerja klasifikasi batas usia 18 tahun dalam statistik tradisional dinilai menggunakan tabel kontingensi 2 × 2. Sensitivitas, spesifisitas, PPV, NPV, dan AUROC yang dihitung dari set uji dibandingkan dengan nilai terukur dari model klasifikasi DM. Data dinyatakan sebagai mean ± standar deviasi atau angka (%) tergantung pada karakteristik data. Nilai P dua sisi <0,05 dianggap signifikan secara statistik. Semua analisis statistik rutin dilakukan menggunakan SAS versi 9.4 (SAS Institute, Cary, NC). Model regresi DM diimplementasikan dalam Python menggunakan backend Keras50 2.2.4 dan Tensorflow51 1.8.0 khusus untuk operasi matematika. Model klasifikasi DM diimplementasikan dalam 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 atas permintaan yang wajar.
Ritz-Timme, S. dkk. Penilaian usia: kondisi terkini untuk memenuhi persyaratan khusus praktik forensik internasional. 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. kedokteran. Patologi. 1, 239–246 (2005).
Pan, J. dkk. Metode modifikasi untuk menilai usia gigi anak-anak usia 5 hingga 16 tahun di Tiongkok bagian timur. Klinis. Survei Oral. 25, 3463–3474 (2021).
Lee, SS dkk. Kronologi perkembangan gigi geraham kedua dan ketiga pada orang Korea dan penerapannya untuk penilaian usia forensik. Jurnal Kedokteran Forensik. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY dan Lee, SS Akurasi estimasi usia dan estimasi ambang batas 18 tahun berdasarkan kematangan gigi geraham kedua dan ketiga pada orang Korea dan Jepang. PLoS ONE 17, e0271247 (2022).
Kim, JY, dkk. Analisis data berbasis pembelajaran mesin praoperatif dapat memprediksi hasil pengobatan operasi tidur pada pasien dengan OSA. Ilmu pengetahuan. Laporan 11, 14911 (2021).
Han, M. dkk. Estimasi usia akurat dari pembelajaran mesin dengan atau tanpa intervensi manusia? internasionalitas. J. Kedokteran Forensik. 136, 821–831 (2022).
Khan, S. dan Shaheen, M. Dari Penambangan Data ke Penambangan Data. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. dan Shaheen, M. WisRule: Algoritma Kognitif Pertama untuk Penambangan Aturan Asosiasi. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. dan Abdullah U. Karm: Penambangan data tradisional berdasarkan aturan asosiasi berbasis konteks. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. dan Habib M. Deteksi kesamaan semantik berbasis pembelajaran mendalam menggunakan data teks. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., dan Shahin, M. Sistem untuk mengenali aktivitas dalam video olahraga. multimedia. Alat Aplikasi https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS dkk. Tantangan Pembelajaran Mesin RSNA dalam Penentuan 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 akurat menggunakan metode manual dan jaringan saraf konvolusional dalam dari citra proyeksi ortografis. Internasionalitas. J. Kedokteran Forensik. 135, 1589–1597 (2021).
Alabama Dalora dkk. Estimasi usia tulang menggunakan berbagai metode pembelajaran mesin: tinjauan literatur sistematis dan meta-analisis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., dan Yang, J. Estimasi usia spesifik populasi orang Afrika-Amerika dan Tionghoa berdasarkan volume ruang pulpa gigi molar pertama menggunakan tomografi computed cone-beam. Internasionalitas. J. Kedokteran Hukum. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK dan Oh KS Menentukan kelompok umur orang hidup menggunakan citra gigi geraham pertama berbasis kecerdasan buatan. Ilmu pengetahuan. 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. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. dan Li, G. Estimasi usia berdasarkan segmentasi 3D ruang pulpa gigi molar pertama dari computed tomography cone beam dengan mengintegrasikan deep learning dan level set. Jurnal Kedokteran Forensik. 135, 365–373 (2021).
Wu, WT, dkk. Penambangan data dalam big data klinis: basis data umum, langkah-langkah, dan model metode. Sumber daya kedokteran dunia. 8, 44 (2021).
Yang, J. dkk. Pengantar Basis Data Medis dan Teknologi Penambangan Data di Era Big Data. J. Avid. Kedokteran Dasar. 13, 57–69 (2020).
Shen, S. dkk. Metode Camerer untuk memperkirakan usia gigi menggunakan pembelajaran mesin. BMC Oral Health 21, 641 (2021).
Galliburg A. dkk. Perbandingan berbagai metode pembelajaran mesin untuk memprediksi usia gigi menggunakan metode penentuan stadium Demirdjian. Internasionalitas. J. Kedokteran Forensik. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. dan Tanner, JM. Sistem baru untuk menilai usia gigi. snort. biology. 45, 211–227 (1973).
Landis, JR, dan Koch, GG. Pengukuran kesepakatan pengamat pada data kategorikal. Biometrics 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. Sumber informasi kesehatan. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Waktu posting: 04-Jan-2024