Obrigado por visitar o Nature.com. A versão do navegador que você está usando tem suporte limitado a CSS. Para obter melhores resultados, recomendamos usar uma versão mais recente do seu navegador (ou desativar o modo de compatibilidade no Internet Explorer). Enquanto isso, para garantir o suporte contínuo, estamos exibindo o site sem estilos ou JavaScript.
Os dentes são considerados o indicador mais preciso da idade do corpo humano e são frequentemente usados na avaliação forense da idade. Nosso objetivo foi validar estimativas de idade baseadas em mineração de dados, comparando a precisão da estimativa e o desempenho da classificação do limiar de 18 anos com métodos tradicionais e estimativas de idade baseadas em mineração de dados. Um total de 2.657 radiografias panorâmicas foram coletadas de cidadãos coreanos e japoneses com idades entre 15 e 23 anos. Elas foram divididas em um conjunto de treinamento, contendo 900 radiografias de coreanos, e um conjunto de teste interno contendo 857 radiografias de japoneses. Comparamos a precisão e a eficiência da classificação dos métodos tradicionais com os conjuntos de teste dos modelos de mineração de dados. A precisão do método tradicional no conjunto de teste interno foi ligeiramente superior à do modelo de mineração de dados, e a diferença foi pequena (erro absoluto médio <0,21 anos, erro quadrático médio <0,24 anos). O desempenho da classificação para o limite de 18 anos também foi 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 na avaliação forense da idade, utilizando a maturidade do segundo e terceiro molares em adolescentes e jovens adultos coreanos.
A estimativa da idade dentária é amplamente utilizada em medicina legal e odontopediatria. Em particular, devido à alta correlação entre a idade cronológica e o desenvolvimento dentário, a avaliação da idade por estágios de desenvolvimento dentário é um critério importante para determinar a idade de crianças e adolescentes1,2,3. No entanto, para jovens, a estimativa da idade dentária com base na maturidade dentária apresenta limitações, pois o crescimento dentário está quase completo, com exceção dos terceiros molares. O objetivo legal da determinação da idade de jovens e adolescentes é fornecer estimativas precisas e evidências científicas sobre se eles atingiram a maioridade. Na prática médico-legal de adolescentes e jovens adultos na Coreia, a idade foi estimada utilizando o método de Lee, e um limite legal de 18 anos foi estabelecido com base nos dados relatados por Oh et al.5
A aprendizagem de máquina é um tipo de inteligência artificial (IA) que aprende e classifica repetidamente grandes quantidades de dados, resolve problemas por conta própria e orienta a programação de dados. A aprendizagem de máquina pode descobrir padrões ocultos úteis em grandes volumes de dados⁶. Em contraste, os métodos clássicos, que são trabalhosos e demorados, podem apresentar limitações ao lidar com grandes volumes de dados complexos e difíceis de processar manualmente⁷. Portanto, muitos estudos têm sido conduzidos recentemente utilizando as mais recentes tecnologias computacionais para minimizar erros humanos e processar dados multidimensionais de forma eficiente⁸,⁹,¹⁰,¹¹,¹². Em particular, a aprendizagem profunda tem sido amplamente utilizada na análise de imagens médicas, e vários métodos para estimativa de idade por meio da análise automática de radiografias têm demonstrado 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 aprendizagem de máquina baseado em redes neurais convolucionais (CNN) para estimar a idade óssea utilizando radiografias das mãos de crianças. Este estudo propõe um modelo que aplica aprendizado de máquina a imagens médicas e demonstra que esses métodos podem melhorar a precisão diagnóstica. Li et al. [14] estimaram a idade a partir de imagens de raios-X da pelve usando uma CNN de aprendizado profundo e compararam os resultados com os de regressão utilizando a estimativa do estágio de ossificação. Eles descobriram que o modelo de CNN de aprendizado profundo apresentou 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 CNN com base em ortofotos dentárias, e os resultados do modelo de CNN comprovaram que os humanos superaram seu desempenho na classificação de idade.
A maioria dos estudos sobre estimativa de idade usando aprendizado de máquina emprega métodos de aprendizado profundo13,14,15,16,17,18,19,20. A estimativa de idade baseada em aprendizado profundo é considerada mais precisa do que os métodos tradicionais. No entanto, essa abordagem oferece poucas oportunidades para apresentar a base científica das estimativas de idade, como os indicadores de idade utilizados. Há também uma disputa legal sobre quem realiza as inspeções. Portanto, a estimativa de idade baseada em aprendizado profundo é difícil de ser aceita por autoridades administrativas e judiciais. A mineração de dados (MD) é uma técnica que pode descobrir não apenas informações esperadas, mas também 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 ambos utilizam os mesmos algoritmos-chave para descobrir padrões nos dados. A estimativa de idade usando o desenvolvimento dentário baseia-se na avaliação do examinador sobre a maturidade dos dentes em questão, e essa avaliação é expressa como um estágio para cada dente. A MD pode ser usada para analisar a correlação entre o estágio de avaliação dentária e a idade real, tendo o potencial de substituir a análise estatística tradicional. Portanto, se aplicarmos técnicas de mineração de dados (MD) à estimativa de idade, podemos implementar aprendizado de máquina na estimativa forense de idade sem nos preocuparmos com responsabilidade legal. Diversos estudos comparativos foram publicados sobre possíveis alternativas aos métodos manuais tradicionais usados na prática forense e aos métodos baseados em medicina baseada em evidências (MBE) para determinar a idade dentária. Shen et al.²³ demonstraram que o modelo de MD é mais preciso do que a fórmula tradicional de Camerer. Galibourg et al.²⁴ aplicaram diferentes métodos de MD para predizer a idade de acordo com o critério de Demirdjian²⁵ e os resultados mostraram que o método de MD superou os métodos de Demirdjian e Willems na estimativa da idade da população francesa.
Para estimar a idade dentária de adolescentes e jovens adultos coreanos, o método de Lee⁴ é amplamente utilizado na prática forense coreana. Este método utiliza análises estatísticas tradicionais (como regressão múltipla) para examinar a relação entre os indivíduos coreanos e a idade cronológica. Neste estudo, os métodos de estimativa de idade obtidos por meio de 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 de idade baseada no modelo DM na prática forense coreana ainda é questionável. Nosso objetivo foi validar cientificamente a utilidade potencial da estimativa de idade baseada no modelo DM. O propósito deste estudo foi (1) comparar a precisão de dois modelos DM na estimativa da idade dentária e (2) comparar o desempenho de classificação de 7 modelos DM aos 18 anos de idade com aqueles obtidos por meio de métodos estatísticos tradicionais. Maturidade dos segundos e terceiros molares em ambas as arcadas dentárias.
As médias e os desvios padrão da idade cronológica por estágio e tipo de dente são apresentados online na Tabela Suplementar S1 (conjunto de treinamento), na Tabela Suplementar S2 (conjunto de teste interno) e na Tabela Suplementar S3 (conjunto de teste externo). Os valores de kappa para confiabilidade intra e interobservador obtidos a partir do conjunto de treinamento foram 0,951 e 0,947, respectivamente. Os valores de p e os intervalos de confiança de 95% para os valores de kappa são apresentados na tabela suplementar online S4. O valor de kappa foi interpretado como “quase perfeito”, de acordo com os critérios de Landis e Koch26.
Ao comparar o erro médio absoluto (MAE), o método tradicional supera ligeiramente o modelo DM para todos os gêneros e no conjunto de teste externo masculino, com exceção do perceptron multicamadas (MLP). A diferença entre o modelo tradicional e o modelo DM no conjunto de teste MAE interno foi de 0,12 a 0,19 anos para homens e de 0,17 a 0,21 anos para mulheres. Para a bateria de teste externa, as diferenças são menores (0,001 a 0,05 anos para homens e de 0,05 a 0,09 anos para mulheres). Além disso, o erro quadrático médio (RMSE) é ligeiramente menor do que o do método tradicional, com diferenças menores (0,17 a 0,24 e 0,2 a 0,24 para o conjunto de teste interno masculino e 0,03 a 0,07 e 0,04 a 0,08 para o conjunto de teste externo). O MLP apresenta desempenho ligeiramente melhor do que o perceptron de camada única (SLP), exceto no caso do conjunto de teste externo feminino. Para MAE e RMSE, o conjunto de testes externo apresentou pontuações mais altas do que o conjunto de testes interno para todos os gêneros e modelos. Todos os valores de MAE e RMSE são apresentados na Tabela 1 e na Figura 1.
Erro absoluto médio (MAE) e erro quadrático médio (RMSE) de modelos de regressão tradicionais e de mineração de dados. MAE (erro absoluto médio), RMSE (raiz do erro quadrático médio), SLP (perceptron de camada única), MLP (perceptron multicamadas), método CM tradicional.
O desempenho de classificação (com um ponto de corte de 18 anos) dos modelos tradicionais e de diferenciação molecular (DM) foi demonstrado em termos de sensibilidade, especificidade, valor preditivo positivo (VPP), valor preditivo negativo (VPN) e área sob a curva ROC (AUROC) 27 (Tabela 2, Figura 2 e Figura Suplementar 1 online). Em termos de sensibilidade da bateria de testes interna, os métodos tradicionais apresentaram melhor desempenho entre os homens e pior entre as mulheres. No entanto, a diferença no desempenho de classificação entre os métodos tradicionais e a diferenciação molecular (DM) é de 9,7% para homens (MLP) e apenas 2,4% para mulheres (XGBoost). Entre os modelos de DM, a regressão logística (RL) apresentou melhor sensibilidade em ambos os sexos. Em relação à especificidade do conjunto de testes interno, observou-se que os quatro modelos de DM apresentaram bom desempenho em homens, enquanto o modelo tradicional apresentou melhor desempenho em mulheres. As diferenças no desempenho de classificação para homens e mulheres são de 13,3% (MLP) e 13,1% (MLP), respectivamente, indicando que a diferença no desempenho de classificação entre os modelos excede a sensibilidade. Entre os modelos de mineração de dados (MD), os modelos de máquina de vetores de suporte (SVM), árvore de decisão (AD) e floresta aleatória (FA) apresentaram o melhor desempenho entre os homens, enquanto o modelo de regressão logística (RL) apresentou o melhor desempenho entre as mulheres. A área sob a curva ROC (AUROC) do modelo tradicional e de todos os modelos de MD foi superior a 0,925 (k-vizinhos mais próximos (KNN) em homens), demonstrando excelente desempenho de classificação na discriminação de amostras de 18 anos.28 Para o conjunto de teste externo, houve uma diminuição no desempenho de classificação em termos de sensibilidade, especificidade e AUROC em comparação com o conjunto de teste interno. Além disso, a diferença na sensibilidade e especificidade entre o desempenho de classificação dos melhores e piores modelos variou de 10% a 25% e foi maior do que a diferença no conjunto de teste interno.
Sensibilidade e especificidade de modelos de classificação de mineração de dados comparados a métodos tradicionais com um limite de 18 anos. KNN (k-vizinhos mais próximos), SVM (máquina de vetores de suporte), LR (regressão logística), DT (árvore de decisão), RF (floresta aleatória), XGBoost (XGBoost), MLP (perceptron multicamadas), método CM tradicional.
O primeiro passo deste estudo foi comparar a precisão das estimativas de idade dentária obtidas a partir de sete modelos de regressão logística com aquelas obtidas por meio de regressão tradicional. O erro absoluto médio (MAE) e o erro quadrático médio (RMSE) foram avaliados em conjuntos de teste internos para ambos os sexos, e a diferença entre o método tradicional e o modelo de regressão logística variou de 44 a 77 dias para o MAE e de 62 a 88 dias para o RMSE. Embora o método tradicional tenha se mostrado ligeiramente mais preciso neste estudo, é difícil concluir se uma diferença tão pequena possui relevância clínica ou prática. Esses resultados indicam que a precisão da estimativa de idade dentária utilizando o modelo de regressão logística é quase a mesma que a do método tradicional. A comparação direta com resultados de estudos anteriores é difícil, pois nenhum estudo comparou a precisão de modelos de regressão logística com métodos estatísticos tradicionais utilizando a mesma técnica de registro dentário na mesma faixa etária deste estudo. Galibourg et al.²⁴ compararam o MAE e o RMSE entre dois métodos tradicionais (método de Demirjian²⁵ e método de Willems²⁹) e 10 modelos de regressão logística em uma população francesa com idades entre 2 e 24 anos. Eles relataram que todos os modelos DM foram mais precisos do que os métodos tradicionais, com diferenças de 0,20 e 0,38 anos no MAE e de 0,25 e 0,47 anos no RMSE em comparação com os métodos de Willems e Demirdjian, respectivamente. A discrepância entre o modelo SD e os métodos tradicionais mostrada no estudo de Halibourg leva em consideração inúmeros relatos30,31,32,33 de que o método de Demirdjian não estima com precisão a idade dentária em populações diferentes dos franco-canadenses nos quais o estudo foi baseado. Neste estudo, Tai et al.34 usaram o algoritmo MLP para prever a idade dentária a partir de 1636 fotografias ortodônticas chinesas e compararam sua precisão com os resultados dos métodos de Demirdjian 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 de 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 com cautela que o uso de modelos DM para estimar a idade pode substituir os métodos existentes devido à falta de estudos comparativos e de referência anteriores. Estudos de acompanhamento com amostras maiores são necessários para confirmar os resultados obtidos neste estudo.
Entre os estudos que testaram a precisão do desvio padrão (DP) na estimativa da idade dentária, alguns mostraram maior precisão do que o nosso estudo. Stepanovsky et al.35 aplicaram 22 modelos de DP a radiografias panorâmicas de 976 residentes checos 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 esquerdos usando os critérios de classificação propostos por Moorrees et al.36. O erro absoluto médio (EAM) variou de 0,64 a 0,94 anos e o erro quadrático médio (EQM) variou de 0,85 a 1,27 anos, valores mais precisos do que os dois modelos de diferença média (DM) usados neste estudo. Shen et al.23 usaram o método de Cameriere para estimar a idade dentária de sete dentes permanentes na mandíbula esquerda de residentes do leste da China com idades entre 5 e 13 anos e compararam os resultados com as idades estimadas usando regressão linear, máquinas de vetores de suporte (SVM) e florestas aleatórias (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 menores do que os do modelo DM neste estudo. O aumento da precisão nos estudos de Stepanovsky et al. 35 e Shen et al. 23 pode ser devido à inclusão de indivíduos mais jovens em suas amostras. Como as estimativas de idade para participantes com dentes em desenvolvimento tornam-se mais precisas 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 ligeiramente menor do que o do SLP, o que significa que o MLP é mais preciso do que o SLP. O MLP é considerado ligeiramente melhor para 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 constatação de que o MLP é mais preciso do que o SLP na avaliação da idade requer estudos retrospectivos adicionais.
O desempenho de classificação do modelo DM e do método tradicional com um limiar de 18 anos também foi comparado. Todos os modelos SD e métodos tradicionais testados no conjunto de teste interno apresentaram níveis de discriminação praticamente aceitáveis 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%. A AUROC de todos os modelos testados também ultrapassou 0,925. Até onde sabemos, nenhum estudo testou o desempenho do modelo DM para classificação de indivíduos 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 calcularam o desempenho de classificação de um modelo de aprendizado profundo baseado em CNN e um método manual baseado no método de Demirjian para um determinado limiar de idade. A sensibilidade e a especificidade do método manual foram de 87,7% e 95,5%, respectivamente, enquanto a sensibilidade e a especificidade do modelo CNN ultrapassaram 89,2% e 86,6%, respectivamente. Os autores concluíram que os modelos de aprendizado profundo podem substituir ou superar a avaliação manual na classificação de limiares de idade. Os resultados deste estudo mostraram desempenho de classificação semelhante; acredita-se que a classificação usando modelos de aprendizado profundo pode substituir os métodos estatísticos tradicionais para estimativa de idade. Dentre os modelos, o modelo de aprendizado profundo com regressão logística (LR) apresentou o melhor desempenho em termos de sensibilidade para a amostra masculina e sensibilidade e especificidade para a amostra feminina. O LR ficou em segundo lugar em especificidade para homens. Além disso, o LR é considerado um dos modelos de aprendizado profundo mais fáceis de usar, sendo menos complexo e de menor dificuldade de processamento. Com base nesses resultados, o LR foi considerado o melhor modelo de classificação de limiar para jovens de 18 anos na população coreana.
De modo geral, a precisão da estimativa de idade ou o desempenho da classificação no conjunto de testes externo foi baixo ou inferior em comparação com os resultados no conjunto de testes interno. Alguns estudos indicam que a precisão ou a eficiência da classificação diminui quando estimativas de idade baseadas na população coreana são aplicadas à população japonesa5,39, e um padrão semelhante foi encontrado neste estudo. Essa tendência de deterioração também foi observada no modelo de mineração de dados (DM). Portanto, para estimar a idade com precisão, mesmo ao usar o DM no processo de análise, métodos derivados de dados da população nativa, como os métodos tradicionais, devem ser preferidos5,39,40,41,42. Como não está claro se os modelos de aprendizado profundo podem apresentar tendências semelhantes, são necessários estudos que comparem a precisão e a eficiência da classificação usando métodos tradicionais, modelos de DM e modelos de aprendizado profundo nas mesmas amostras para confirmar se a inteligência artificial pode superar essas disparidades raciais em avaliações de idade limitadas.
Demonstramos que os métodos tradicionais podem ser substituídos pela estimativa de idade baseada no modelo de Mineração de Dados (DM) na prática forense de estimativa de idade na Coreia. Também descobrimos a possibilidade de implementar aprendizado de máquina para avaliação forense de idade. No entanto, existem limitações claras, como o número insuficiente de participantes neste estudo para determinar os resultados de forma definitiva e a falta de estudos anteriores para comparar e confirmar os resultados deste estudo. No futuro, estudos de DM devem ser conduzidos com amostras maiores e populações mais diversas para melhorar sua aplicabilidade prática em comparação com os métodos tradicionais. Para validar a viabilidade do uso de inteligência artificial para estimar a idade em múltiplas populações, estudos futuros são necessários para comparar a precisão e a eficiência da classificação de modelos de DM e de aprendizado profundo com métodos tradicionais nas mesmas amostras.
O estudo utilizou 2.657 radiografias ortográficas coletadas de adultos coreanos e japoneses com idades entre 15 e 23 anos. As radiografias coreanas foram divididas em 900 conjuntos de treinamento (19,42 ± 2,65 anos) e 900 conjuntos de teste internos (19,52 ± 2,59 anos). O conjunto de treinamento foi coletado em uma instituição (Hospital St. Mary's de Seul) e o conjunto de teste interno foi coletado em duas instituições (Hospital Odontológico da Universidade Nacional de Seul e Hospital Odontológico da Universidade Yonsei). Também coletamos 857 radiografias de outro banco de dados populacional (Universidade Médica de Iwate, Japão) para teste externo. Radiografias de indivíduos japoneses (19,31 ± 2,60 anos) foram selecionadas como conjunto de teste externo. Os dados foram coletados retrospectivamente para analisar os estágios de desenvolvimento dentário em radiografias panorâmicas obtidas durante o tratamento odontológico. Todos os dados coletados foram anonimizados, exceto sexo, data de nascimento e data da radiografia. Os critérios de inclusão e exclusão foram os mesmos de estudos publicados anteriormente 4, 5. A idade real da amostra foi calculada subtraindo-se a data de nascimento da data em que a radiografia foi realizada. O grupo amostral foi dividido em nove faixas etárias. A distribuição por idade e sexo é apresentada na Tabela 3. Este estudo foi conduzido de acordo com a Declaração de Helsinque e aprovado pelo Comitê de Ética em Pesquisa (CEP) do Hospital Seoul St. Mary's da Universidade Católica da Coreia (KC22WISI0328). Devido ao desenho retrospectivo deste estudo, não foi possível obter o consentimento livre e esclarecido de todos os pacientes submetidos a exame radiográfico para fins terapêuticos. O CEP do Hospital Seoul Korea University St. Mary's dispensou a exigência de consentimento livre e esclarecido.
Os estágios de desenvolvimento dos segundos e terceiros 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 maxilar. Se dentes homólogos em ambos os lados estivessem em estágios de desenvolvimento diferentes, o dente com o estágio de desenvolvimento mais baixo foi selecionado para compensar a incerteza na estimativa da idade. Cem radiografias selecionadas aleatoriamente do conjunto de treinamento foram avaliadas por dois observadores experientes para testar a confiabilidade interobservador após pré-calibração para determinar o estágio de maturação dentária. A confiabilidade intraobservador foi avaliada duas vezes, com intervalos de três meses, pelo observador principal.
O sexo e o estágio de desenvolvimento do segundo e terceiro molares de cada arcada dentária no conjunto de treinamento foram estimados por um observador primário treinado com diferentes modelos de regressão demográfica (DM), e a idade real foi definida como o valor alvo. Os modelos SLP e MLP, amplamente utilizados em aprendizado de máquina, foram testados em comparação com algoritmos de regressão. O modelo DM combina funções lineares utilizando 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 possui camadas ocultas. O SLP funciona com base na transmissão de limiares entre os nós. O modelo SLP em regressão é matematicamente semelhante à regressão linear múltipla. Diferentemente do modelo SLP, o modelo MLP possui múltiplas camadas ocultas com funções de ativação não lineares. Nossos experimentos utilizaram uma camada oculta com apenas 20 nós ocultos com funções de ativação não lineares. Utilizamos o método de descida de gradiente como método de otimização e MAE e RMSE como funções de perda para treinar nosso modelo de aprendizado de máquina. O melhor modelo de regressão obtido foi aplicado aos conjuntos de teste interno e externo, e a idade dos dentes foi estimada.
Foi desenvolvido um algoritmo de classificação que utiliza 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. O LR é um dos algoritmos de classificação mais utilizados44. Trata-se de um algoritmo de aprendizado supervisionado que utiliza regressão para prever a probabilidade de um dado pertencer a uma determinada categoria, variando de 0 a 1, e classifica o dado como pertencente a uma categoria mais provável com base nessa probabilidade; é utilizado principalmente para classificação binária. O KNN é um dos algoritmos de aprendizado de máquina mais simples45. Ao receber novos dados de entrada, ele encontra k dados próximos ao conjunto existente e os classifica na classe com maior frequência. Definimos 3 para o número de vizinhos considerados (k). A SVM é um algoritmo que maximiza a distância entre duas classes usando uma função kernel para expandir o espaço linear em um espaço não linear chamado campos46. Para este modelo, usamos bias = 1, power = 1 e gamma = 1 como hiperparâmetros para o kernel polinomial. A Árvore de Decisão (DT) tem sido aplicada em diversas áreas como um algoritmo para dividir um conjunto de dados inteiro em vários subgrupos, representando regras de decisão em uma estrutura de árvore47. O modelo é configurado com um número mínimo de registros por nó igual a 2 e usa o índice de Gini como medida de qualidade. A Floresta Aleatória (RF) é um método de ensemble que combina múltiplas DTs para melhorar o desempenho, usando um método de agregação bootstrap que gera um classificador fraco para cada amostra, extraindo aleatoriamente amostras do mesmo tamanho várias vezes do conjunto de dados original48. Usamos 100 árvores, 10 profundidades de árvore, tamanho mínimo de nó igual a 1 e índice de mistura de Gini como critérios de separação de nós. A classificação de novos dados é determinada por votação majoritária. O XGBoost é um algoritmo que combina técnicas de boosting usando um método que utiliza como dados de treinamento o erro entre os valores reais e previstos do modelo anterior e aumenta o erro usando gradientes49. É um algoritmo amplamente utilizado devido ao seu bom desempenho e eficiência de recursos, bem como alta confiabilidade como função de correção de sobreajuste. O modelo é equipado com 400 neurônios de suporte. A MLP (Perceptron Multicamadas) é uma rede neural na qual um ou mais perceptrons formam múltiplas camadas com uma ou mais camadas ocultas entre as camadas de entrada e saída38. Usando isso, é possível realizar classificação não linear, onde, ao adicionar uma camada de entrada e obter um valor de resultado, o valor de resultado previsto é comparado ao valor de resultado real e o erro é propagado de volta. Criamos uma camada oculta com 20 neurônios em cada camada. Cada modelo que desenvolvemos foi aplicado a conjuntos de dados internos e externos para testar o desempenho da classificação, calculando sensibilidade, especificidade, PPV (Valor Preditivo Positivo), NPV (Valor Preditivo Negativo) e AUROC (Área Sob a Curva ROC). A sensibilidade é definida como a razão entre uma amostra estimada como tendo 18 anos de idade ou mais e uma amostra estimada como tendo 18 anos de idade ou mais. A especificidade é a proporção de amostras com menos de 18 anos de idade em relação àquelas estimadas como tendo menos de 18 anos de idade.
Os estágios dentários avaliados no conjunto de treinamento foram convertidos em estágios numéricos para análise estatística. Regressões lineares e logísticas multivariadas foram realizadas para desenvolver modelos preditivos para cada sexo e derivar fórmulas de regressão que podem ser usadas para estimar a idade. Usamos essas fórmulas para estimar a idade dentária tanto para os conjuntos de teste internos quanto externos. A Tabela 4 mostra os modelos de regressão e classificação utilizados neste estudo.
A confiabilidade intra e interobservador foi calculada usando a estatística kappa de Cohen. Para testar a acurácia dos modelos de regressão DM e tradicional, calculamos o MAE e o RMSE usando as idades estimadas e reais dos conjuntos de teste interno e externo. Esses erros são comumente usados para avaliar a acurácia das previsões do modelo. Quanto menor o erro, maior a acurácia da previsão. Comparamos o MAE e o RMSE dos conjuntos de teste interno e externo calculados usando DM e regressão tradicional. O desempenho da classificação com o ponto de corte de 18 anos na estatística tradicional foi avaliado usando uma tabela de contingência 2 × 2. A sensibilidade, especificidade, VPP, VPN e AUROC calculados para o conjunto de teste 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. Valores de p bicaudais <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 em Python usando o backend Keras50 2.2.4 e o Tensorflow51 1.8.0 especificamente para operações matemáticas. O modelo de classificação DM foi implementado no ambiente de análise de conhecimento Waikato Knowledge Analysis Environment e na plataforma de análise Konstanz Information Miner (KNIME) 4.6.152.
Os autores reconhecem que os dados que sustentam 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 mediante solicitação razoável ao autor correspondente.
Ritz-Timme, S. et al. Avaliação da idade: estado da arte para atender aos requisitos específicos da prática forense. Internacionalidade. J. Medicina Legal. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., e Olze, A. Situação atual da avaliação forense da idade de indivíduos vivos para fins de processo penal. Medicina Forense. Patologia. 1, 239–246 (2005).
Pan, J. et al. Um método modificado para avaliar a idade dentária de crianças de 5 a 16 anos no leste da China. Pesquisa clínica oral. 25, 3463–3474 (2021).
Lee, SS etc. Cronologia do desenvolvimento do segundo e terceiro molares em coreanos e sua aplicação na avaliação forense da idade. Internationalidade. J. Medicina Legal. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY e Lee, SS. Precisão da estimativa de idade e estimativa 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 pré-operatórios baseada em aprendizado de máquina pode prever o resultado do tratamento cirúrgico do sono em pacientes com AOS. The Science. Report 11, 14911 (2021).
Han, M. et al. Estimativa precisa da idade por meio de aprendizado de máquina com ou sem intervenção humana? Internationalidade. J. Medicina Legal. 136, 821–831 (2022).
Khan, S. e Shaheen, M. Da Mineração de Dados à Mineração de Dados. J.Information. 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.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. e Abdullah U. Karm: Mineração de dados tradicional baseada em regras de associação baseadas em contexto. calcular. Mat. 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. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., e Shahin, M. Um sistema para reconhecimento de atividade em vídeos esportivos. Multimedia. Tools Applications 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 forense de idade a partir de radiografias pélvicas usando aprendizado profundo. EURO. radiação. 29, 2322–2329 (2019).
Guo, YC, et al. Classificação precisa de idade usando métodos manuais e redes neurais convolucionais profundas a partir de imagens de projeção ortográfica. Internationality. J. Legal medicine. 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 meta-análise. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., e Yang, J. Estimativa de idade específica da população de afro-americanos e chineses com base nos volumes da câmara pulpar dos primeiros molares usando tomografia computadorizada de feixe cônico. Internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK e Oh KS. Determinação de faixas etárias de pessoas vivas usando imagens de primeiros molares baseadas em inteligência artificial. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., e Urschler, M. Estimativa automática de idade e classificação da idade da maioria a partir de dados de ressonância magnética multivariados. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. e Li, G. Estimativa de idade baseada na segmentação 3D da câmara pulpar de primeiros molares a partir de tomografia computadorizada de feixe cônico pela integração de aprendizado profundo e conjuntos de nível. Internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Mineração de dados em big data clínico: bancos de dados comuns, etapas e modelos de métodos. World. medicine. resource. 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 de Camerer para estimar a idade do dente usando aprendizado de máquina. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Comparação de diferentes métodos de aprendizado de máquina para prever a idade dentária usando o método de estadiamento de Demirdjian. Internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. e Tanner, JM Um novo sistema para avaliação da idade dentária. snort. biologia. 45, 211–227 (1973).
Landis, JR, e Koch, GG Medidas de concordância entre observadores em dados categóricos. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK e Choi HK. Análise textural, morfológica e estatística de imagens de ressonância magnética bidimensional usando técnicas de inteligência artificial para diferenciação de tumores cerebrais primários. Health information. resource. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Data da publicação: 04/01/2024