Валидация моделей интеллектуального анализа данных путем сравнения с традиционными методами оценки возраста зубов у корейских подростков и молодых людей.

Научные отчеты, том 13, Номер статьи: 726 (2023) Цитировать эту статью

1018 доступов

3 Альтметрика

Подробности о метриках

Зубы, как известно, являются наиболее точными индикаторами возраста человеческого тела и часто используются при судебно-медицинской оценке возраста. Мы стремились проверить оценку стоматологического возраста на основе интеллектуального анализа данных путем сравнения точности оценки и эффективности классификации 18-летних порогов с традиционными методами и с оценкой возраста на основе интеллектуального анализа данных. Всего было собрано 2657 панорамных рентгенограмм у корейцев и японцев в возрасте от 15 до 23 лет. Они были разделены на набор для обучения и внутреннего тестирования по 900 рентгенограмм от корейцев каждый и набор для внешнего тестирования из 857 рентгенограмм от японцев. Мы сравнили точность и эффективность классификации наборов тестов традиционных методов с моделями интеллектуального анализа данных. Точность традиционного метода с внутренним набором тестов была немного выше, чем у моделей интеллектуального анализа данных, с небольшой разницей (средняя абсолютная ошибка <0,21 года, среднеквадратическая ошибка <0,24 года). Эффективность классификации 18-летнего порога также была одинаковой для обычного метода и моделей интеллектуального анализа данных. Таким образом, традиционные методы могут быть заменены моделями интеллектуального анализа данных при судебно-медицинской оценке возраста с использованием второго и третьего молярного возраста корейских подростков и молодых людей.

Оценка стоматологического возраста широко используется в судебной медицине и детской стоматологии. В частности, оценка возраста по стадиям развития зубов является важным критерием оценки возраста детей и подростков из-за высокой корреляции между хронологическим возрастом и развитием зубов1,2,3. Однако в случае молодых людей оценка зубного возраста по зрелости зубов имеет ограничения, поскольку рост зубов в основном завершен, за исключением третьих моляров. Юридическая цель определения возраста молодых людей и подростков состоит в том, чтобы предоставить точную оценку и научные доказательства того, достигли ли они совершеннолетия. В корейской судебно-медицинской практике несовершеннолетних и молодых людей возраст оценивался по методу Ли4, а юридический порог в 18 лет прогнозировался на основе данных, предложенных Oh et al.5.

Машинное обучение, разновидность искусственного интеллекта (ИИ), многократно изучает и классифицирует большие объемы данных, самостоятельно решает проблемы и стимулирует программирование данных. Машинное обучение может обнаружить полезные скрытые закономерности в большом объеме данных6. Напротив, трудоемкие и трудоемкие классические методы могут иметь ограничения при работе с большими объемами сложных данных, которые трудно обрабатывать вручную7. Таким образом, в последнее время было проведено множество исследований с использованием новейших компьютерных технологий для минимизации человеческих ошибок и эффективной обработки многомерных данных8,9,10,11,12. В частности, глубокое обучение широко используется для анализа медицинских изображений, и сообщалось о различных методах оценки возраста путем автоматического анализа рентгенограмм для повышения точности и эффективности оценки возраста13,14,15,16,17,18,19,20. Например, Халаби и др.13 разработали алгоритмы машинного обучения на основе сверточных нейронных сетей (CNN), используя педиатрические рентгенограммы рук для оценки возраста костей. В этом исследовании была представлена ​​модель, в которой машинное обучение применяется к медицинским изображениям, и показано, что эти методы могут повысить точность диагностики. Ли и др.14 оценили возраст по рентгеновским изображениям костей таза с помощью глубокого обучения CNN и сравнили с результатами регрессионного анализа с использованием оценки стадий окостенения. Они обнаружили, что модель CNN глубокого обучения показала ту же эффективность оценки возраста, что и традиционная регрессионная модель. В исследовании Гуо и соавторов15 оценивалась эффективность классификации допустимых возрастных порогов с помощью технологии CNN, основанной на стоматологических ортопантомограммах, и результат модели CNN доказал, что люди превзошли ее эффективность классификации по возрасту.