Obrigado por visitar Nature.com. A versão do navegador que você está usando possui suporte limitado de CSS. Para obter melhores resultados, recomendamos o uso de uma versão mais recente do seu navegador (ou desativando o modo de compatibilidade no Internet Explorer). Enquanto isso, para garantir o suporte contínuo, estamos mostrando o site sem estilo ou JavaScript.
Os dentes são considerados o indicador mais preciso da idade do corpo humano e são frequentemente usados na avaliação da idade forense. Nosso objetivo foi validar estimativas de idade odontológica baseada em mineração de dados, comparando a precisão da estimativa e o desempenho da classificação do limite de 18 anos com métodos tradicionais e estimativas de idade baseadas em mineração de dados. Um total de 2657 radiografias panorâmicas foram coletadas de cidadãos coreanos e japoneses de 15 a 23 anos. Eles foram divididos em um conjunto de treinamento, cada um contendo 900 radiografias coreanas e um conjunto de testes interno contendo 857 radiografias japonesas. Comparamos a precisão da classificação e a eficiência dos métodos tradicionais com conjuntos de testes de modelos de mineração de dados. A precisão do método tradicional no conjunto de testes internos é ligeiramente maior que o do modelo de mineração de dados, e a diferença é pequena (erro médio absoluto <0,21 anos, erro quadrado médio da raiz <0,24 anos). O desempenho da classificação para o corte de 18 anos também é semelhante entre os métodos tradicionais e os modelos de mineração de dados. Assim, os métodos tradicionais podem ser substituídos por modelos de mineração de dados ao realizar avaliação da idade forense usando a maturidade de segundo e terceiro molares em adolescentes coreanos e adultos jovens.
A estimativa da idade odontológica é amplamente utilizada em medicina forense e odontologia pediátrica. Em particular, devido à alta correlação entre idade cronológica e desenvolvimento dental, a avaliação de idade por estágios de desenvolvimento dental é um critério importante para avaliar a idade de crianças e adolescentes1,2,3. No entanto, para os jovens, estimar a idade odontológica com base na maturidade dentária tem suas limitações porque o crescimento dentário está quase completo, com exceção dos terceiros molares. O objetivo legal de determinar a idade dos jovens e adolescentes é fornecer estimativas precisas e evidências científicas sobre se atingiram a idade da maioria. Na prática médica-legal de adolescentes e adultos jovens na Coréia, a idade foi estimada usando o método de Lee e um limiar legal de 18 anos foi previsto com base nos dados relatados por OH et al 5.
O aprendizado de máquina é um tipo de inteligência artificial (AI) que aprende e classifica repetidamente grandes quantidades de dados, resolve problemas por conta própria e impulsiona a programação de dados. O aprendizado de máquina pode descobrir padrões ocultos úteis em grandes volumes de dados6. Por outro lado, os métodos clássicos, que são trabalhosos e demorados, podem ter limitações ao lidar com grandes volumes de dados complexos difíceis de processar manualmente 7. Portanto, muitos estudos foram realizados recentemente usando as mais recentes tecnologias de computador para minimizar os erros humanos e processar dados multidimensionais com eficiência8,9,10,11,12. Em particular, o aprendizado profundo tem sido amplamente utilizado na análise de imagens médicas e vários métodos para estimativa de idade, analisando automaticamente radiografias, foram relatados para melhorar a precisão e a eficiência da estimativa de idade13,14,15,16,17,18,19,20 . Por exemplo, Halabi et al 13 desenvolveram um algoritmo de aprendizado de máquina baseado em redes neurais convolucionais (CNN) para estimar a idade esquelética usando radiografias das mãos das crianças. Este estudo propõe um modelo que aplica aprendizado de máquina a imagens médicas e mostra que esses métodos podem melhorar a precisão do diagnóstico. Li et al14 estimaram a idade das imagens de raios X pélvicos usando uma CNN de aprendizado profundo e as compararam com os resultados da regressão usando a estimativa do estágio de ossificação. Eles descobriram que o modelo CNN de aprendizado profundo mostrou o mesmo desempenho de estimativa de idade que o modelo de regressão tradicional. O estudo de Guo et al. [15] avaliou o desempenho da classificação de tolerância à idade da tecnologia da CNN com base em ortofotos dentários, e os resultados do modelo da CNN provaram que os humanos superaram seu desempenho de classificação etária.
A maioria dos estudos sobre estimativa de idade usando aprendizado de máquina usa métodos de aprendizado profundo13,14,15,16,17,18,19,20. A estimativa de idade baseada no aprendizado profundo é relatada como mais precisa do que os métodos tradicionais. No entanto, essa abordagem oferece pouca oportunidade de apresentar a base científica para estimativas de idade, como os indicadores de idade usados nas estimativas. Há também uma disputa legal sobre quem conduz as inspeções. Portanto, é difícil aceitar a estimativa de idade com base no aprendizado profundo pelas autoridades administrativas e judiciais. A mineração de dados (DM) é uma técnica que pode descobrir não apenas o esperado, mas também informações inesperadas como um método para descobrir correlações úteis entre grandes quantidades de dados6,21,22. O aprendizado de máquina é frequentemente usado na mineração de dados, e a mineração de dados e o aprendizado de máquina usam os mesmos algoritmos de chave para descobrir padrões nos dados. A estimativa de idade usando desenvolvimento dental é baseada na avaliação do examinador sobre a maturidade dos dentes alvo, e essa avaliação é expressa como um estágio para cada dente alvo. O DM pode ser usado para analisar a correlação entre o estágio de avaliação odontológica e a idade real e tem o potencial de substituir a análise estatística tradicional. Portanto, se aplicarmos técnicas de DM à estimativa de idade, podemos implementar o aprendizado de máquina em estimativa forense de idade sem se preocupar com a responsabilidade legal. Vários estudos comparativos foram publicados sobre possíveis alternativas aos métodos manuais tradicionais usados na prática forense e nos métodos baseados em EBM para determinar a idade odontológica. Shen et al23 mostraram que o modelo DM é mais preciso que a fórmula tradicional de câmeras. Galibourg et al24 aplicaram diferentes métodos de DM para prever a idade de acordo com o critério de Demirdjian25 e os resultados mostraram que o método DM superou os métodos de Demirdjian e Willems na estimativa da idade da população francesa.
Para estimar a era odontológica dos adolescentes coreanos e adultos jovens, o método 4 de Lee é amplamente utilizado na prática forense coreana. Este método usa análise estatística tradicional (como regressão múltipla) para examinar a relação entre indivíduos coreanos e idade cronológica. Neste estudo, os métodos de estimativa de idade obtidos usando métodos estatísticos tradicionais são definidos como "métodos tradicionais". O método de Lee é um método tradicional, e sua precisão foi confirmada por Oh et al. 5; No entanto, a aplicabilidade da estimativa da idade com base no modelo de DM na prática forense coreana ainda é questionável. Nosso objetivo era validar cientificamente a utilidade potencial da estimativa de idade com base no modelo DM. O objetivo deste estudo foi (1) comparar a precisão de dois modelos de DM na estimativa da idade odontológica e (2) para comparar o desempenho da classificação de 7 modelos de DM aos 18 anos com os obtidos usando métodos estatísticos tradicionais maturidade do segundo e terceiros molares nas duas mandíbulas.
As médias e os desvios padrão da idade cronológica por estágio e tipo de dente são mostrados on -line na Tabela Suplementar S1 (conjunto de treinamento), Tabela Suplementar S2 (conjunto de testes internos) e Tabela Suplementar S3 (conjunto de testes externos). Os valores de Kappa para a confiabilidade intra e interobservador obtidos no conjunto de treinamento foram de 0,951 e 0,947, respectivamente. Os valores de p e os intervalos de confiança de 95% para os valores de Kappa são mostrados na Tabela Suplementar Online S4. O valor de Kappa foi interpretado como "quase perfeito", consistente com os critérios de Landis e Koch26.
Ao comparar o erro absoluto médio (MAE), o método tradicional supera ligeiramente o modelo DM para todos os sexos e no conjunto de testes masculinos externos, com exceção do perceptron multicamada (MLP). A diferença entre o modelo tradicional e o modelo DM no conjunto de testes MAE interno foi de 0,12 a 0,19 anos para homens e 0,17-0,21 anos para mulheres. Para a bateria de teste externo, as diferenças são menores (0,001-0,05 anos para homens e 0,05-0,09 anos para mulheres). Além disso, o erro quadrado médio da raiz (RMSE) é ligeiramente menor que o método tradicional, com diferenças menores (0,17-0,24, 0,2-0,24 para o conjunto de testes internos masculinos e 0,03-0,07, 0,04-0,08 para conjunto de testes externos). ). O MLP mostra um desempenho um pouco melhor do que o perceptron de camada única (SLP), exceto no caso do conjunto de testes externos femininos. Para MAE e RMSE, o conjunto de testes externo é maior que o conjunto de testes internos para todos os sexos e modelos. Todos os MAE e RMSE são mostrados na Tabela 1 e na Figura 1.
MAE e RMSE de modelos de regressão de mineração tradicional e de dados. Erro absoluto médio MAE, Erro quadrado médio da raiz RMSE, Perceptron SLP de camada única, MLP de multicamadas perceptron, método tradicional de CM.
O desempenho da classificação (com um corte de 18 anos) dos modelos tradicionais e de DM foi demonstrado em termos de sensibilidade, especificidade, valor preditivo positivo (PPV), valor preditivo negativo (VPL) e área sob a curva característica operacional do receptor (AUROC) 27 (Tabela 2, Figura 2 e Figura Suplementar 1 online). Em termos de sensibilidade da bateria de teste interno, os métodos tradicionais tiveram melhor desempenho entre homens e pior entre as mulheres. No entanto, a diferença no desempenho da classificação entre os métodos tradicionais e a DP é de 9,7% para homens (MLP) e apenas 2,4% para mulheres (XGBoost). Entre os modelos DM, a regressão logística (LR) mostrou melhor sensibilidade em ambos os sexos. Em relação à especificidade do conjunto de testes internos, observou -se que os quatro modelos SD tiveram um bom desempenho nos homens, enquanto o modelo tradicional teve um desempenho melhor nas mulheres. As diferenças no desempenho da classificação para homens e mulheres são 13,3% (MLP) e 13,1% (MLP), respectivamente, indicando que a diferença no desempenho da classificação entre os modelos excede a sensibilidade. Entre os modelos DM, os modelos de vetor de suporte (SVM), árvore de decisão (DT) e florestas aleatórias (RF) tiveram um desempenho melhor entre os homens, enquanto o modelo LR teve um desempenho melhor entre as mulheres. O AUROC do modelo tradicional e todos os modelos SD foi superior a 0,925 (vizinho mais parecido com K (KNN) em homens), demonstrando excelente desempenho de classificação na discriminação de amostras de 18 anos28. Para o conjunto de testes externos, houve uma diminuição no desempenho da classificação em termos de sensibilidade, especificidade e AUROC em comparação com o conjunto de testes internos. Além disso, a diferença de sensibilidade e especificidade entre o desempenho da classificação dos melhores e piores modelos variou de 10% a 25% e foi maior que a diferença no conjunto de testes internos.
Sensibilidade e especificidade dos modelos de classificação de mineração de dados em comparação aos métodos tradicionais com um corte de 18 anos. KNN K Vizinho mais próximo, Máquina vetorial de suporte SVM, regressão logística de LR, árvore de decisão DT, floresta aleatória de RF, XGB XGBOOST, MLP Multilayer Perceptron, método tradicional de CM.
O primeiro passo neste estudo foi comparar a precisão das estimativas da idade odontológica obtidas de sete modelos de DM com os obtidos usando regressão tradicional. MAE e RMSE foram avaliados em conjuntos de testes internos para ambos os sexos, e a diferença entre o método tradicional e o modelo DM variou de 44 a 77 dias para MAE e de 62 a 88 dias para RMSE. Embora o método tradicional tenha sido um pouco mais preciso neste estudo, é difícil concluir se uma diferença tão pequena tem significado clínico ou prático. Esses resultados indicam que a precisão da estimativa da idade odontológica usando o modelo DM é quase a mesma do método tradicional. A comparação direta com os resultados de estudos anteriores é difícil porque nenhum estudo comparou a precisão dos modelos de DM com métodos estatísticos tradicionais usando a mesma técnica de registrar dentes na mesma faixa etária que neste estudo. Galibourg et al24 compararam MAE e RMSE entre dois métodos tradicionais (Método Demirjian25 e Willems Method29) e 10 modelos de DM em uma população francesa de 2 a 24 anos. Eles relataram que todos os modelos de DM eram mais precisos que os métodos tradicionais, com diferenças de 0,20 e 0,38 anos em MAE e 0,25 e 0,47 anos em RMSE em comparação com os métodos Willems e Demirdjian, respectivamente. A discrepância entre o modelo SD e os métodos tradicionais mostrados no estudo de Halibourg leva em consideração numerosos relatórios 30,31,32,33 de que o método de Demirdjian não estima com precisão a idade odontológica em outras populações além dos canadenses franceses nos quais o estudo se baseava. neste estudo. Tai et al 34 usaram o algoritmo MLP para prever a idade dentária de 1636 fotografias ortodônticas chinesas e compararam sua precisão com os resultados do método Demirjian e Willems. Eles relataram que o MLP tem maior precisão do que os métodos tradicionais. A diferença entre o método de Demirdjian e o método tradicional é <0,32 anos, e o método Willems é de 0,28 anos, o que é semelhante aos resultados do presente estudo. Os resultados desses estudos anteriores24,34 também são consistentes com os resultados do presente estudo, e a precisão da estimativa de idade do modelo DM e do método tradicional são semelhantes. No entanto, com base nos resultados apresentados, podemos concluir cautelosamente que o uso de modelos de DM para estimar a idade pode substituir os métodos existentes devido à falta de estudos anteriores comparativos e de referência. Estudos de acompanhamento usando amostras maiores são necessárias para confirmar os resultados obtidos neste estudo.
Entre os estudos que testam a precisão da DP na estimativa da idade odontológica, alguns apresentaram maior precisão do que nosso estudo. Stepanovsky et al 35 aplicaram 22 modelos SD a radiografias panorâmicas de 976 residentes tcheco com idades entre 2,7 e 20,5 anos e testaram a precisão de cada modelo. Eles avaliaram o desenvolvimento de um total de 16 dentes permanentes superiores e inferiores esquerdo usando os critérios de classificação propostos por Moorrees et al 36. O MAE varia de 0,64 a 0,94 anos e o RMSE varia de 0,85 a 1,27 anos, que são mais precisos do que os dois modelos de DM usados neste estudo. Shen et al23 usaram o método Cameriere para estimar a idade odontológica de sete dentes permanentes na mandíbula esquerda no leste dos residentes chineses de 5 a 13 anos e o compararam com as idades estimadas usando regressão linear, SVM e RF. Eles mostraram que todos os três modelos de DM têm maior precisão em comparação com a fórmula tradicional de cameriere. O MAE e o RMSE no estudo de Shen foram inferiores aos do modelo DM neste estudo. O aumento da precisão dos estudos de Stepanovsky et al. 35 e Shen et al. 23 pode ser devido à inclusão de indivíduos mais jovens em suas amostras de estudo. Como as estimativas de idade para os participantes com dentes em desenvolvimento se tornam mais precisos à medida que o número de dentes aumenta durante o desenvolvimento dentário, a precisão do método de estimativa de idade resultante pode ser comprometida quando os participantes do estudo são mais jovens. Além disso, o erro do MLP na estimativa de idade é um pouco menor que o SLP, o que significa que o MLP é mais preciso que o SLP. O MLP é considerado um pouco melhor para a estimativa de idade, possivelmente devido às camadas ocultas no MLP38. No entanto, há uma exceção para a amostra externa de mulheres (SLP 1.45, MLP 1.49). A descoberta de que o MLP é mais precisa que o SLP na avaliação da idade requer estudos retrospectivos adicionais.
O desempenho da classificação do modelo DM e o método tradicional em um limite de 18 anos também foram comparados. Todos os modelos SD testados e métodos tradicionais no conjunto de testes internos mostraram níveis praticamente aceitáveis de discriminação para a amostra de 18 anos. A sensibilidade para homens e mulheres foi superior a 87,7% e 94,9%, respectivamente, e a especificidade foi superior a 89,3% e 84,7%. O AUROC de todos os modelos testados também excede 0,925. Até onde sabemos, nenhum estudo testou o desempenho do modelo DM para classificação de 18 anos com base na maturidade dentária. Podemos comparar os resultados deste estudo com o desempenho de classificação de modelos de aprendizado profundo em radiografias panorâmicas. Guo et al.15 calculou o desempenho de classificação de um modelo de aprendizado profundo baseado na CNN e um método manual baseado no método de Demirjian para um certo limiar de idade. A sensibilidade e especificidade do método manual foram de 87,7% e 95,5%, respectivamente, e a sensibilidade e especificidade do modelo CNN excederam 89,2% e 86,6%, respectivamente. Eles concluíram que os modelos de aprendizado profundo podem substituir ou superar a avaliação manual na classificação dos limiares de idade. Os resultados deste estudo mostraram desempenho de classificação semelhante; Acredita -se que a classificação usando modelos DM pode substituir os métodos estatísticos tradicionais pela estimativa de idade. Entre os modelos, o DM LR foi o melhor modelo em termos de sensibilidade para a amostra masculina e sensibilidade e especificidade para a amostra feminina. LR ocupa o segundo lugar em especificidade para os homens. Além disso, o LR é considerado um dos modelos DM35 mais fácil de usar e é menos complexo e difícil de processar. Com base nesses resultados, a LR foi considerada o melhor modelo de classificação de corte para crianças de 18 anos na população coreana.
No geral, a precisão da estimativa da idade ou desempenho de classificação no conjunto de testes externos foi ruim ou menor em comparação com os resultados no conjunto de testes internos. Alguns relatórios indicam que a precisão ou eficiência da classificação diminui quando as estimativas de idade baseadas na população coreana são aplicadas à população japonesa 5,39, e um padrão semelhante foi encontrado no presente estudo. Essa tendência de deterioração também foi observada no modelo DM. Portanto, para estimar com precisão a idade, mesmo ao usar DM no processo de análise, os métodos derivados dos dados da população nativa, como métodos tradicionais, devem ser preferidos 5,39,40,41,42. Como não está claro se os modelos de aprendizado profundo podem mostrar tendências semelhantes, estudos comparando a precisão e a eficiência da classificação usando métodos tradicionais, modelos de DM e modelos de aprendizado profundo nas mesmas amostras são necessárias para confirmar se a inteligência artificial pode superar essas disparidades raciais em idade limitada. avaliações.
Demonstramos que os métodos tradicionais podem ser substituídos pela estimativa de idade com base no modelo de DM na prática de estimativa forense de idade na Coréia. Também descobrimos a possibilidade de implementar o aprendizado de máquina para avaliação da idade forense. No entanto, existem limitações claras, como o número insuficiente de participantes deste estudo para determinar definitivamente os resultados e a falta de estudos anteriores para comparar e confirmar os resultados deste estudo. No futuro, os estudos de DM devem ser realizados com um número maior de amostras e populações mais diversas para melhorar sua aplicabilidade prática em comparação com os métodos tradicionais. Para validar a viabilidade do uso da inteligência artificial para estimar a idade em múltiplas populações, são necessários estudos futuros para comparar a precisão e a eficiência da classificação do DM e modelos de aprendizado profundo com métodos tradicionais nas mesmas amostras.
O estudo utilizou 2.657 fotografias ortográficas coletadas de adultos coreanos e japoneses de 15 a 23 anos. As radiografias coreanas foram divididas em 900 conjuntos de treinamento (19,42 ± 2,65 anos) e 900 conjuntos de testes internos (19,52 ± 2,59 anos). O conjunto de treinamento foi coletado em uma instituição (Hospital Seul St. Mary's) e o próprio conjunto de testes foi coletado em duas instituições (Hospital Dental da Universidade Nacional de Seul e Hospital Dentário da Universidade Yonsei). Também coletamos 857 radiografias de outros dados de base populacional (Iwate Medical University, Japão) para testes externos. Radiografias de sujeitos japoneses (19,31 ± 2,60 anos) foram selecionados como o conjunto de testes externos. Os dados foram coletados retrospectivamente para analisar os estágios do desenvolvimento odontológico em radiografias panorâmicas realizadas durante o tratamento odontológico. Todos os dados coletados foram anônimos, exceto gênero, data de nascimento e data da radiografia. Os critérios de inclusão e exclusão foram os mesmos dos estudos publicados anteriormente 4, 5. A idade real da amostra foi calculada subtraindo a data de nascimento a partir da data em que a radiografia foi tomada. O grupo de amostra foi dividido em nove faixas etárias. As distribuições de idade e sexo são mostradas na Tabela 3 Este estudo foi realizado de acordo com a declaração de Helsinque e aprovado pelo Conselho de Revisão Institucional (IRB) do Hospital de Seul St. Mary da Universidade Católica da Coréia (KC22WISI0328). Devido ao desenho retrospectivo deste estudo, o consentimento informado não pôde ser obtido de todos os pacientes submetidos ao exame radiográfico para fins terapêuticos. O Hospital de St. Mary da Universidade de Seul Korea (IRB) renunciou ao requisito de consentimento informado.
Os estágios de desenvolvimento do segundo e terceiro molares bimaxilares foram avaliados de acordo com os critérios de Demircan25. Apenas um dente foi selecionado se o mesmo tipo de dente fosse encontrado nos lados esquerdo e direito de cada mandíbula. Se dentes homólogos de ambos os lados estivessem em diferentes estágios de desenvolvimento, o dente com o estágio de desenvolvimento mais baixo foi selecionado para explicar a incerteza na idade estimada. Cem radiografias selecionadas aleatoriamente do conjunto de treinamento foram pontuadas por dois observadores experientes para testar a confiabilidade do interobservador após a pré -calibração para determinar o estágio de maturidade dental. A confiabilidade intraobservador foi avaliada duas vezes em intervalos de três meses pelo observador primário.
O estágio de sexo e desenvolvimento do segundo e terceiro molares de cada mandíbula no conjunto de treinamento foram estimados por um observador primário treinado com diferentes modelos de DM, e a idade real foi definida como o valor alvo. Os modelos SLP e MLP, amplamente utilizados no aprendizado de máquina, foram testados contra algoritmos de regressão. O modelo DM combina funções lineares usando os estágios de desenvolvimento dos quatro dentes e combina esses dados para estimar a idade. O SLP é a rede neural mais simples e não contém camadas ocultas. O SLP funciona com base na transmissão de limiar entre nós. O modelo SLP em regressão é matematicamente semelhante à regressão linear múltipla. Ao contrário do modelo SLP, o modelo MLP possui várias camadas ocultas com funções de ativação não linear. Nossos experimentos usaram uma camada oculta com apenas 20 nós ocultos com funções de ativação não linear. Use a descida do gradiente como método de otimização e MAE e RMSE como função de perda para treinar nosso modelo de aprendizado de máquina. O melhor modelo de regressão obtido foi aplicado aos conjuntos de testes internos e externos e a idade dos dentes foi estimada.
Foi desenvolvido um algoritmo de classificação que usa a maturidade de quatro dentes no conjunto de treinamento para prever se uma amostra tem 18 anos ou não. Para construir o modelo, derivamos sete algoritmos de aprendizado de máquina de representação6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST e (7) MLP . LR é um dos algoritmos de classificação mais amplamente utilizados. É um algoritmo de aprendizado supervisionado que usa a regressão para prever a probabilidade de dados pertencentes a uma determinada categoria de 0 a 1 e classifica os dados como pertencentes a uma categoria mais provável com base nessa probabilidade; usado principalmente para classificação binária. O KNN é um dos algoritmos mais simples de aprendizado de máquina45. Quando receber novos dados de entrada, ele encontra os dados K próximos ao conjunto existente e os classifica na classe com a maior frequência. Definimos 3 para o número de vizinhos considerados (k). O SVM é um algoritmo que maximiza a distância entre duas classes usando uma função do kernel para expandir o espaço linear em um espaço não linear chamado Fields46. Para este modelo, usamos viés = 1, potência = 1 e gama = 1 como hiperparâmetros para o kernel polinomial. A DT foi aplicada em vários campos como um algoritmo para dividir um conjunto de dados inteiro em vários subgrupos, representando as regras de decisão em uma estrutura de árvore47. O modelo está configurado com um número mínimo de registros por nó 2 e usa o índice Gini como uma medida de qualidade. A RF é um método de conjunto que combina vários DTs para melhorar o desempenho usando um método de agregação de bootstrap que gera um classificador fraco para cada amostra, desenhando amostras aleatoriamente do mesmo tamanho várias vezes a partir do conjunto de dados original48. Utilizamos 100 árvores, 10 profundidades de árvores, 1 tamanho mínimo do nó e índice de mistura de Gini como critérios de separação de nós. A classificação de novos dados é determinada por um voto majoritário. O XGBoost é um algoritmo que combina técnicas de reforço usando um método que leva como dados de treinamento o erro entre os valores reais e previstos do modelo anterior e aumenta o erro usando o gradiente49. É um algoritmo amplamente utilizado devido ao seu bom desempenho e eficiência de recursos, bem como alta confiabilidade como uma função de correção de excesso de ajuste. O modelo está equipado com 400 rodas de suporte. O MLP é uma rede neural na qual uma ou mais perceptrons formam várias camadas com uma ou mais camadas ocultas entre as camadas de entrada e saída38. Usando isso, você pode executar a classificação não linear, onde quando adicionar uma camada de entrada e obter um valor de resultado, o valor previsto do resultado é comparado ao valor real do resultado e o erro é propagado de volta. Criamos uma camada oculta com 20 neurônios ocultos em cada camada. Cada modelo que desenvolveu foi aplicado a conjuntos internos e externos para testar o desempenho da classificação, calculando a sensibilidade, especificidade, PPV, NPV e AUROC. A sensibilidade é definida como a razão de uma amostra estimada em 18 anos ou mais de uma amostra estimada em 18 anos de idade ou mais. A especificidade é a proporção de amostras com menos de 18 anos de idade e aqueles estimados em menos de 18 anos de idade.
Os estágios odontológicos avaliados no conjunto de treinamento foram convertidos em estágios numéricos para análise estatística. A regressão linear e logística multivariada foi realizada para desenvolver modelos preditivos para cada sexo e derivar fórmulas de regressão que podem ser usadas para estimar a idade. Utilizamos essas fórmulas para estimar a idade do dente para conjuntos de testes internos e externos. A Tabela 4 mostra os modelos de regressão e classificação usados neste estudo.
A confiabilidade intra e interobservador foi calculada usando a estatística Kappa de Cohen. Para testar a precisão dos modelos de regressão DM e de regressão tradicional, calculamos o MAE e o RMSE usando as idades estimadas e reais dos conjuntos de testes internos e externos. Esses erros são comumente usados para avaliar a precisão das previsões do modelo. Quanto menor o erro, maior a precisão da previsão24. Compare o MAE e o RMSE dos conjuntos de testes internos e externos calculados usando DM e regressão tradicional. O desempenho da classificação do corte de 18 anos nas estatísticas tradicionais foi avaliado usando uma tabela de contingência 2 × 2. A sensibilidade calculada, a especificidade, o PPV, o NPV e o AUROC do conjunto de testes foram comparados com os valores medidos do modelo de classificação DM. Os dados são expressos como média ± desvio padrão ou número (%), dependendo das características dos dados. Os valores de P bilaterais <0,05 foram considerados estatisticamente significativos. Todas as análises estatísticas de rotina foram realizadas usando o SAS versão 9.4 (SAS Institute, Cary, NC). O modelo de regressão DM foi implementado no Python usando o KERAS50 2.2.4 Backend e Tensorflow51 1.8.0 especificamente para operações matemáticas. O modelo de classificação DM foi implementado no ambiente de análise de conhecimento de Waikato e na plataforma de análise Konstanz Information Miner (KNIME) 4.6.152.
Os autores reconhecem que os dados que apóiam as conclusões do estudo podem ser encontrados no artigo e nos materiais suplementares. Os conjuntos de dados gerados e/ou analisados durante o estudo estão disponíveis no autor correspondente mediante solicitação razoável.
Ritz-Timme, S. et al. Avaliação de idade: estado da arte para atender aos requisitos específicos da prática forense. Internacionalidade. J. Medicina Jurídica. 113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. e Olze, A. Status atual da avaliação da idade forense de indivíduos vivos para fins de acusação criminal. Forense. medicamento. Patologia. 1, 239-246 (2005).
Pan, J. et al. Um método modificado para avaliar a idade odontológica de crianças de 5 a 16 anos no leste da China. clínico. Pesquisa Oral. 25, 3463-3474 (2021).
Lee, SS etc. cronologia do desenvolvimento de segundo e terceiro molares em coreanos e sua aplicação para avaliação da idade forense. Internacionalidade. J. Medicina Jurídica. 124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, Sy e Lee, SS Precisão da estimativa e estimativa da idade do limiar de 18 anos com base na maturidade do segundo e terceiro molares em coreanos e japoneses. PLOS ONE 17, E0271247 (2022).
Kim, JY, et al. A análise de dados baseada no aprendizado de máquina no pré-operatório pode prever o resultado do tratamento da cirurgia do sono em pacientes com AOS. a ciência. Relatório 11, 14911 (2021).
Han, M. et al. Estimativa de idade precisa do aprendizado de máquina com ou sem intervenção humana? Internacionalidade. J. Medicina Jurídica. 136, 821-831 (2022).
Khan, S. e Shaheen, M. Da mineração de dados à mineração de dados. J. Informação. a ciência. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. e Shaheen, M. Wisrule: o primeiro algoritmo cognitivo para mineração de regras de associação. J. Informação. a ciência. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. e Abdullah U. Karm: mineração de dados tradicional com base em regras de associação baseadas em contexto. calcular. Matt. continuar. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. e Habib M. Detecção de similaridade semântica baseada em aprendizado profundo usando dados de texto. informar. tecnologias. controlar. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. e Shahin, M. Um sistema para reconhecer atividades em vídeos esportivos. multimídia. Aplicativos de ferramentas https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Desafio de aprendizado de máquina RSNA na idade óssea pediátrica. Radiology 290, 498–503 (2019).
Li, Y. et al. Estimativa de idade forense de raios X pélvicos usando aprendizado profundo. EURO. radiação. 29, 2322-2329 (2019).
Guo, YC, et al. Classificação da idade precisa usando métodos manuais e redes neurais convolucionais profundas a partir de imagens de projeção ortográfica. Internacionalidade. J. Medicina Jurídica. 135, 1589-1597 (2021).
Alabama Dalora et al. Estimativa da idade óssea usando diferentes métodos de aprendizado de máquina: uma revisão sistemática da literatura e metanálise. PLOS One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K. e Yang, J. Estimativa etária específica da população de afro-americanos e chineses com base em volumes da câmara de celulose de primeiros molares usando tomografia computadorizada de feixe de cone. Internacionalidade. J. Medicina Jurídica. 136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK e OH KS, determinando as faixas etárias de pessoas vivas usando imagens baseadas em inteligência artificial de primeiros molares. a ciência. Relatório 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. e Urschler, M. Estimativa de idade automática e classificação de idade majoritária a partir de dados multivariados de ressonância magnética. IEEE J. Biomed. Alertas de saúde. 23, 1392-1403 (2019).
Cheng, Q., GE, Z., Du, H. e Li, G. Estimativa de idade com base na segmentação da câmara de celulose 3D de primeiros molares da tomografia computadorizada de feixe de cone integrando aprendizado profundo e conjuntos de níveis. Internacionalidade. J. Medicina Jurídica. 135, 365-373 (2021).
Wu, WT, et al. Mineração de dados em big data clínico: bancos de dados, etapas e métodos comuns. Mundo. medicamento. recurso. 8, 44 (2021).
Yang, J. et al. Introdução a bancos de dados médicos e tecnologias de mineração de dados na era do Big Data. J. Avid. Medicina básica. 13, 57-69 (2020).
Shen, S. et al. Método do câmerador para estimar a idade dentária usando o aprendizado de máquina. BMC Health 21, 641 (2021).
Galliburg A. et al. Comparação de diferentes métodos de aprendizado de máquina para prever a idade odontológica usando o método de estadiamento de Demirdjian. Internacionalidade. J. Medicina Jurídica. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. e Tanner, JM um novo sistema para avaliar a idade odontológica. bufo. biologia. 45, 211-227 (1973).
Landis, Jr e Koch, GG medidas do acordo de observador sobre dados categóricos. Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK e Choi HK. Análise textural, morfológica e estatística da ressonância magnética bidimensional usando técnicas de inteligência artificial para diferenciação de tumores cerebrais primários. Informações sobre saúde. recurso. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Hora de postagem: Jan-04-2024