การตรวจสอบความถูกต้องของรูปแบบการขุดข้อมูลกับวิธีการประมาณอายุทันตกรรมแบบดั้งเดิมในวัยรุ่นเกาหลีและผู้ใหญ่

ขอบคุณสำหรับการเยี่ยมชม Nature.com รุ่นของเบราว์เซอร์ที่คุณใช้มีการสนับสนุน CSS จำกัด เพื่อผลลัพธ์ที่ดีที่สุดเราขอแนะนำให้ใช้เบราว์เซอร์รุ่นใหม่กว่า (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer) ในระหว่างนี้เพื่อให้แน่ใจว่าการสนับสนุนอย่างต่อเนื่องเรากำลังแสดงเว็บไซต์โดยไม่ต้องจัดแต่งทรงผมหรือจาวาสคริปต์
ฟันถือเป็นตัวบ่งชี้ที่แม่นยำที่สุดของอายุของร่างกายมนุษย์และมักจะใช้ในการประเมินอายุนิติวิทยาศาสตร์ เรามีวัตถุประสงค์เพื่อตรวจสอบความถูกต้องของการประมาณอายุทางทันตกรรมการขุดข้อมูลโดยการเปรียบเทียบความแม่นยำในการประมาณค่าและประสิทธิภาพการจำแนกประเภทของเกณฑ์ 18 ปีกับวิธีการดั้งเดิมและการประมาณอายุการขุดข้อมูล มีการถ่ายภาพรังสีแบบพาโนรามาทั้งหมด 2657 รายการจากชาวเกาหลีและชาวญี่ปุ่นอายุ 15 ถึง 23 ปี พวกเขาถูกแบ่งออกเป็นชุดฝึกซ้อมแต่ละชุดมีการถ่ายภาพรังสีเกาหลี 900 รายการและชุดทดสอบภายในที่มีการถ่ายภาพรังสีญี่ปุ่น 857 รายการ เราเปรียบเทียบความแม่นยำในการจำแนกประเภทและประสิทธิภาพของวิธีการแบบดั้งเดิมกับชุดทดสอบของแบบจำลองการขุดข้อมูล ความแม่นยำของวิธีการแบบดั้งเดิมในชุดทดสอบภายในนั้นสูงกว่าแบบจำลองการขุดข้อมูลเล็กน้อยและความแตกต่างมีขนาดเล็ก (ค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์ <0.21 ปี, ข้อผิดพลาดค่าเฉลี่ยของรูทค่าเฉลี่ย <0.24 ปี) ประสิทธิภาพการจำแนกประเภทสำหรับการตัดระยะเวลา 18 ปีก็คล้ายกันระหว่างวิธีการดั้งเดิมและแบบจำลองการขุดข้อมูล ดังนั้นวิธีการแบบดั้งเดิมสามารถถูกแทนที่ด้วยแบบจำลองการขุดข้อมูลเมื่อทำการประเมินอายุนิติวิทยาศาสตร์โดยใช้วุฒิภาวะของฟันกรามที่สองและสามในวัยรุ่นเกาหลีและผู้ใหญ่วัยหนุ่มสาว
การประมาณอายุทางทันตกรรมถูกนำมาใช้กันอย่างแพร่หลายในการแพทย์ทางนิติเวชและทันตกรรมสำหรับเด็ก โดยเฉพาะอย่างยิ่งเนื่องจากความสัมพันธ์สูงระหว่างอายุตามลำดับเวลาและการพัฒนาทางทันตกรรมการประเมินอายุโดยขั้นตอนการพัฒนาทางทันตกรรมเป็นเกณฑ์ที่สำคัญสำหรับการประเมินอายุของเด็กและวัยรุ่น 1,2,3 อย่างไรก็ตามสำหรับคนหนุ่มสาวการประเมินอายุทางทันตกรรมตามวุฒิภาวะทางทันตกรรมมีข้อ จำกัด เนื่องจากการเติบโตทางทันตกรรมเกือบจะเสร็จสมบูรณ์ยกเว้นฟันกรามที่สาม วัตถุประสงค์ทางกฎหมายในการกำหนดอายุของคนหนุ่มสาวและวัยรุ่นคือการให้การประเมินที่ถูกต้องและหลักฐานทางวิทยาศาสตร์ว่าพวกเขามีอายุมากขึ้นหรือไม่ ในการปฏิบัติทางการแพทย์ของวัยรุ่นและผู้ใหญ่วัยหนุ่มสาวในเกาหลีอายุถูกประเมินโดยใช้วิธีการของลีและเกณฑ์ทางกฎหมายของ 18 ปีถูกคาดการณ์ตามข้อมูลที่รายงานโดย Oh et al 5
การเรียนรู้ของเครื่องเป็นประเภทของปัญญาประดิษฐ์ (AI) ที่เรียนรู้ซ้ำ ๆ และจำแนกข้อมูลจำนวนมากแก้ปัญหาด้วยตัวเองและขับเคลื่อนการเขียนโปรแกรมข้อมูล การเรียนรู้ของเครื่องสามารถค้นพบรูปแบบที่ซ่อนอยู่ที่มีประโยชน์ในปริมาณมากของข้อมูล 6 ในทางตรงกันข้ามวิธีการแบบคลาสสิกซึ่งใช้แรงงานมากและใช้เวลานานอาจมีข้อ จำกัด เมื่อต้องรับมือกับข้อมูลที่ซับซ้อนจำนวนมากซึ่งยากต่อการประมวลผลด้วยตนเอง 7 ดังนั้นการศึกษาจำนวนมากได้ดำเนินการเมื่อเร็ว ๆ นี้โดยใช้เทคโนโลยีคอมพิวเตอร์ล่าสุดเพื่อลดข้อผิดพลาดของมนุษย์และประมวลผลข้อมูลหลายมิติ 8,9,10,11,12 โดยเฉพาะอย่างยิ่งการเรียนรู้อย่างลึกซึ้งมีการใช้กันอย่างแพร่หลายในการวิเคราะห์ภาพทางการแพทย์และวิธีการต่าง ๆ สำหรับการประมาณอายุโดยการวิเคราะห์ภาพรังสีโดยอัตโนมัติได้รับการรายงานเพื่อปรับปรุงความแม่นยำและประสิทธิภาพของการประมาณอายุ 13,14,15,16,17,18,18,20,20 . ตัวอย่างเช่น Halabi et al 13 พัฒนาอัลกอริทึมการเรียนรู้ของเครื่องโดยใช้เครือข่ายประสาท (CNN) เพื่อประเมินอายุโครงกระดูกโดยใช้การถ่ายภาพรังสีมือของเด็ก การศึกษาครั้งนี้เสนอรูปแบบที่ใช้การเรียนรู้ของเครื่องกับภาพทางการแพทย์และแสดงให้เห็นว่าวิธีการเหล่านี้สามารถปรับปรุงความแม่นยำในการวินิจฉัย Li et al14 อายุโดยประมาณจากภาพ X-ray เชิงกรานโดยใช้ CNN การเรียนรู้อย่างลึกซึ้งและเปรียบเทียบกับผลการถดถอยโดยใช้การประมาณขั้นตอนการสร้างกระดูก พวกเขาพบว่าแบบจำลองการเรียนรู้อย่างลึกซึ้งของ CNN แสดงประสิทธิภาพการประมาณอายุเท่ากันกับแบบจำลองการถดถอยแบบดั้งเดิม การศึกษาของ Guo et al. [15] ประเมินประสิทธิภาพการจำแนกประเภทความทนทานต่ออายุของเทคโนโลยี CNN บนพื้นฐานของทันตกรรมออร์โธโฟโตและผลลัพธ์ของแบบจำลอง CNN พิสูจน์ให้เห็นว่ามนุษย์มีประสิทธิภาพสูงกว่าประสิทธิภาพการจำแนกอายุ
การศึกษาส่วนใหญ่เกี่ยวกับการประมาณอายุโดยใช้การเรียนรู้ของเครื่องใช้วิธีการเรียนรู้อย่างลึกซึ้ง 13,14,15,16,17,18,19,20 การประมาณอายุที่อยู่บนพื้นฐานของการเรียนรู้อย่างลึกซึ้งนั้นมีความแม่นยำมากกว่าวิธีการดั้งเดิม อย่างไรก็ตามวิธีการนี้ให้โอกาสเพียงเล็กน้อยในการนำเสนอพื้นฐานทางวิทยาศาสตร์สำหรับการประมาณอายุเช่นตัวชี้วัดอายุที่ใช้ในการประมาณการ นอกจากนี้ยังมีข้อพิพาททางกฎหมายเกี่ยวกับผู้ที่ดำเนินการตรวจสอบ ดังนั้นการประมาณอายุที่อยู่บนพื้นฐานของการเรียนรู้อย่างลึกซึ้งจึงเป็นเรื่องยากที่จะยอมรับโดยหน่วยงานด้านการบริหารและศาลยุติธรรม Data Mining (DM) เป็นเทคนิคที่สามารถค้นพบไม่เพียง แต่คาดหวัง แต่ยังรวมถึงข้อมูลที่ไม่คาดคิดเป็นวิธีการค้นหาความสัมพันธ์ที่เป็นประโยชน์ระหว่างข้อมูลจำนวนมาก 6,21,22 การเรียนรู้ของเครื่องมักจะใช้ในการขุดข้อมูลและทั้งการขุดข้อมูลและการเรียนรู้ของเครื่องใช้อัลกอริทึมคีย์เดียวกันเพื่อค้นหารูปแบบในข้อมูล การประมาณอายุโดยใช้การพัฒนาทางทันตกรรมขึ้นอยู่กับการประเมินของผู้ตรวจสอบเกี่ยวกับวุฒิภาวะของฟันเป้าหมายและการประเมินนี้แสดงเป็นขั้นตอนสำหรับฟันเป้าหมายแต่ละซี่ DM สามารถใช้ในการวิเคราะห์ความสัมพันธ์ระหว่างขั้นตอนการประเมินทางทันตกรรมและอายุจริงและมีศักยภาพในการแทนที่การวิเคราะห์ทางสถิติแบบดั้งเดิม ดังนั้นหากเราใช้เทคนิค DM กับการประมาณอายุเราสามารถใช้การเรียนรู้ของเครื่องในการประมาณอายุทางนิติวิทยาศาสตร์โดยไม่ต้องกังวลเกี่ยวกับความรับผิดทางกฎหมาย การศึกษาเปรียบเทียบหลายครั้งได้รับการตีพิมพ์ในทางเลือกที่เป็นไปได้สำหรับวิธีการแบบแมนนวลแบบดั้งเดิมที่ใช้ในการปฏิบัติทางนิติวิทยาศาสตร์และวิธีการที่ใช้ EBM สำหรับการกำหนดอายุทันตกรรม Shen et al23 แสดงให้เห็นว่าแบบจำลอง DM นั้นแม่นยำกว่าสูตรกล้องแบบดั้งเดิม Galibourg et al24 ใช้วิธี DM ที่แตกต่างกันในการทำนายอายุตามเกณฑ์ Demirdjian 25 และผลการวิจัยพบว่าวิธี DM มีประสิทธิภาพสูงกว่าวิธี Demirdjian และ Willems ในการประเมินอายุของประชากรฝรั่งเศส
ในการประเมินอายุทันตกรรมของวัยรุ่นเกาหลีและผู้ใหญ่วัยหนุ่มสาววิธีการของลี 4 ใช้กันอย่างแพร่หลายในการปฏิบัติทางนิติวิทยาศาสตร์ของเกาหลี วิธีนี้ใช้การวิเคราะห์ทางสถิติแบบดั้งเดิม (เช่นการถดถอยหลายครั้ง) เพื่อตรวจสอบความสัมพันธ์ระหว่างวิชาเกาหลีและอายุตามลำดับเวลา ในการศึกษานี้วิธีการประมาณอายุที่ได้รับโดยใช้วิธีการทางสถิติแบบดั้งเดิมหมายถึง "วิธีการดั้งเดิม" วิธีการของลีเป็นวิธีการดั้งเดิมและความแม่นยำของมันได้รับการยืนยันโดย Oh et al 5; อย่างไรก็ตามการบังคับใช้การประมาณอายุตามโมเดล DM ในการปฏิบัติทางนิติวิทยาศาสตร์ของเกาหลียังคงเป็นที่น่าสงสัย เป้าหมายของเราคือการตรวจสอบความสามารถในการประเมินอายุตามแบบจำลองทางวิทยาศาสตร์ตามแบบจำลอง DM วัตถุประสงค์ของการศึกษานี้คือ (1) เพื่อเปรียบเทียบความแม่นยำของแบบจำลอง DM สองแบบในการประมาณอายุทันตกรรมและ (2) เพื่อเปรียบเทียบประสิทธิภาพการจำแนกประเภทของรุ่น DM 7 รุ่นเมื่ออายุ 18 ปีกับผู้ที่ได้รับการใช้วิธีการทางสถิติแบบดั้งเดิม และฟันกรามที่สามในกรามทั้งสอง
หมายถึงและค่าเบี่ยงเบนมาตรฐานของอายุตามลำดับเวลาตามระยะและประเภทฟันจะแสดงออนไลน์ในตารางเสริม S1 (ชุดฝึกอบรม) ตารางเสริม S2 (ชุดทดสอบภายใน) และตารางเสริม S3 (ชุดทดสอบภายนอก) ค่า Kappa สำหรับความน่าเชื่อถือภายในและ interobserver ที่ได้รับจากชุดการฝึกอบรมคือ 0.951 และ 0.947 ตามลำดับ ค่า P และช่วงความเชื่อมั่น 95% สำหรับค่าคัปปาแสดงในตารางเสริมออนไลน์ S4 ค่าคัปปาถูกตีความว่า“ เกือบสมบูรณ์แบบ” สอดคล้องกับเกณฑ์ของ Landis และ Koch26
เมื่อเปรียบเทียบค่าเฉลี่ยของข้อผิดพลาดสัมบูรณ์ (MAE) วิธีดั้งเดิมจะมีประสิทธิภาพสูงกว่าโมเดล DM เล็กน้อยสำหรับเพศทั้งหมดและในชุดทดสอบชายภายนอกยกเว้น Multilayer Perceptron (MLP) ความแตกต่างระหว่างแบบจำลองดั้งเดิมและแบบจำลอง DM ในชุดทดสอบแม่ภายในคือ 0.12–0.19 ปีสำหรับผู้ชายและ 0.17–0.21 ปีสำหรับผู้หญิง สำหรับแบตเตอรี่ทดสอบภายนอกความแตกต่างมีขนาดเล็กลง (0.001–0.05 ปีสำหรับผู้ชายและ 0.05–0.09 ปีสำหรับผู้หญิง) นอกจากนี้ข้อผิดพลาดของรูทค่าเฉลี่ยสแควร์ (RMSE) ต่ำกว่าวิธีดั้งเดิมเล็กน้อยโดยมีความแตกต่างน้อยกว่า (0.17–0.24, 0.2–0.24 สำหรับชุดทดสอบภายในตัวผู้และ 0.03–0.07, 0.04–0.08 สำหรับชุดทดสอบภายนอก) - MLP แสดงประสิทธิภาพที่ดีกว่าเลเยอร์ Perceptron (SLP) เพียงเล็กน้อยยกเว้นในกรณีของชุดทดสอบภายนอกหญิง สำหรับ MAE และ RMSE ชุดการทดสอบภายนอกให้คะแนนสูงกว่าชุดทดสอบภายในสำหรับเพศและรุ่นทั้งหมด MAE และ RMSE ทั้งหมดจะแสดงในตารางที่ 1 และรูปที่ 1
แม่และ RMSE ของแบบจำลองการถดถอยแบบดั้งเดิมและข้อมูลการขุด ค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์แม่, รูทหมายถึงความผิดพลาดของสแควร์ rmse, เลเยอร์เดี่ยว Perceptron SLP, Multilayer Perceptron MLP, วิธี CM แบบดั้งเดิม
ประสิทธิภาพการจำแนกประเภท (ด้วยการตัดระยะเวลา 18 ปี) ของแบบจำลองดั้งเดิมและแบบจำลอง DM ได้แสดงให้เห็นในแง่ของความไวความจำเพาะค่าการทำนายเชิงบวก (PPV) ค่าการทำนายเชิงลบ (NPV) และพื้นที่ภายใต้เส้นโค้งลักษณะการทำงานของตัวรับสัญญาณ (AUROC) 27 (ตารางที่ 2, รูปที่ 2 และรูปที่ 1 เพิ่มเติมออนไลน์) ในแง่ของความไวของแบตเตอรี่ทดสอบภายในวิธีการแบบดั้งเดิมทำงานได้ดีที่สุดในหมู่ผู้ชายและแย่ลงในหมู่ผู้หญิง อย่างไรก็ตามความแตกต่างของประสิทธิภาพการจำแนกประเภทระหว่างวิธีการดั้งเดิมและ SD คือ 9.7% สำหรับผู้ชาย (MLP) และเพียง 2.4% สำหรับผู้หญิง (XGBOOST) ในบรรดาโมเดล DM การถดถอยโลจิสติก (LR) แสดงความไวที่ดีขึ้นในทั้งสองเพศ เกี่ยวกับความจำเพาะของชุดทดสอบภายในพบว่ารุ่น SD ทั้งสี่ทำงานได้ดีในเพศชายในขณะที่แบบจำลองดั้งเดิมทำงานได้ดีขึ้นในผู้หญิง ความแตกต่างของประสิทธิภาพการจำแนกประเภทสำหรับเพศชายและเพศหญิงคือ 13.3% (MLP) และ 13.1% (MLP) ตามลำดับแสดงให้เห็นว่าความแตกต่างในประสิทธิภาพการจำแนกประเภทระหว่างโมเดลสูงกว่าความไว ในบรรดาโมเดล DM, Support Vector Machine (SVM), Tree -Tree (DT) และแบบสุ่ม Forest (RF) ทำงานได้ดีที่สุดในหมู่ผู้ชายในขณะที่รุ่น LR ทำงานได้ดีที่สุดในหมู่ผู้หญิง Auroc ของแบบจำลองดั้งเดิมและแบบจำลอง SD ทั้งหมดมากกว่า 0.925 (เพื่อนบ้าน K-Nearest (KNN) ในผู้ชาย) แสดงให้เห็นถึงประสิทธิภาพการจำแนกที่ยอดเยี่ยมในการแยกแยะตัวอย่างอายุ 18 ปี 28 สำหรับชุดทดสอบภายนอกมีการลดลงของประสิทธิภาพการจำแนกประเภทในแง่ของความไวความจำเพาะและ AUROC เมื่อเทียบกับชุดทดสอบภายใน ยิ่งไปกว่านั้นความแตกต่างของความไวและความจำเพาะระหว่างประสิทธิภาพการจำแนกประเภทของรุ่นที่ดีที่สุดและแย่ที่สุดอยู่ระหว่าง 10% ถึง 25% และมีขนาดใหญ่กว่าความแตกต่างในชุดทดสอบภายใน
ความไวและความจำเพาะของแบบจำลองการจำแนกการขุดข้อมูลเมื่อเทียบกับวิธีการดั้งเดิมที่มีการตัดระยะเวลา 18 ปี KNN K เพื่อนบ้านที่ใกล้ที่สุด, เครื่องเวกเตอร์รองรับ SVM, การถดถอยโลจิสติก LR, แผนผังการตัดสินใจ DT, ป่าสุ่ม RF, XGB XGBOOST, MLP Multilayer Perceptron, วิธี CM แบบดั้งเดิม
ขั้นตอนแรกในการศึกษานี้คือการเปรียบเทียบความแม่นยำของการประมาณอายุทันตกรรมที่ได้รับจากรุ่น DM เจ็ดแบบกับรุ่นที่ได้รับจากการถดถอยแบบดั้งเดิม Mae และ RMSE ได้รับการประเมินในชุดทดสอบภายในสำหรับทั้งสองเพศและความแตกต่างระหว่างวิธีการดั้งเดิมและโมเดล DM อยู่ระหว่าง 44 ถึง 77 วันสำหรับแม่และจาก 62 ถึง 88 วันสำหรับ RMSE แม้ว่าวิธีการดั้งเดิมนั้นมีความแม่นยำมากกว่าเล็กน้อยในการศึกษานี้ แต่ก็ยากที่จะสรุปว่าความแตกต่างเล็กน้อยนั้นมีความสำคัญทางคลินิกหรือการปฏิบัติ ผลลัพธ์เหล่านี้บ่งชี้ว่าความแม่นยำของการประมาณอายุทันตกรรมโดยใช้แบบจำลอง DM นั้นเกือบจะเหมือนกับวิธีการดั้งเดิม การเปรียบเทียบโดยตรงกับผลลัพธ์จากการศึกษาก่อนหน้านี้เป็นเรื่องยากเพราะไม่มีการศึกษาใด ๆ เปรียบเทียบความแม่นยำของแบบจำลอง DM กับวิธีการทางสถิติแบบดั้งเดิมโดยใช้เทคนิคเดียวกันของการบันทึกฟันในช่วงอายุเดียวกันกับในการศึกษานี้ Galibourg et al24 เปรียบเทียบ MAE และ RMSE ระหว่างสองวิธีดั้งเดิม (Demirjian Method25 และ Willems Method29) และรุ่น DM 10 รุ่นในประชากรฝรั่งเศสอายุ 2 ถึง 24 ปี พวกเขารายงานว่าแบบจำลอง DM ทั้งหมดมีความแม่นยำมากกว่าวิธีการดั้งเดิมโดยมีความแตกต่าง 0.20 และ 0.38 ปีใน MAE และ 0.25 และ 0.47 ปีใน RMSE เมื่อเทียบกับวิธี Willems และ Demirdjian ตามลำดับ ความแตกต่างระหว่างแบบจำลอง SD และวิธีการดั้งเดิมที่แสดงในการศึกษา Halibourg คำนึงถึงรายงานจำนวนมาก 30,31,32,33 ว่าวิธี Demirdjian ไม่ได้ประเมินอายุทันตกรรมในประชากรอื่นนอกเหนือจากแคนาดาฝรั่งเศส ในการศึกษานี้ Tai et al 34 ใช้อัลกอริทึม MLP เพื่อทำนายอายุฟันจากภาพถ่ายทันตกรรมจัดฟันของจีน 1636 และเปรียบเทียบความแม่นยำกับผลของวิธี Demirjian และ Willems พวกเขารายงานว่า MLP มีความแม่นยำสูงกว่าวิธีการดั้งเดิม ความแตกต่างระหว่างวิธี Demirdjian และวิธีการดั้งเดิมคือ <0.32 ปีและวิธี Willems คือ 0.28 ปีซึ่งคล้ายกับผลลัพธ์ของการศึกษาปัจจุบัน ผลการศึกษาก่อนหน้านี้ 23,34 นั้นสอดคล้องกับผลการศึกษาครั้งนี้และความแม่นยำในการประมาณอายุของแบบจำลอง DM และวิธีการดั้งเดิมนั้นคล้ายคลึงกัน อย่างไรก็ตามจากผลลัพธ์ที่นำเสนอเราสามารถสรุปได้อย่างระมัดระวังว่าการใช้แบบจำลอง DM เพื่อประเมินอายุอาจแทนที่วิธีการที่มีอยู่เนื่องจากขาดการเปรียบเทียบและอ้างอิงการศึกษาก่อนหน้านี้ การศึกษาติดตามผลโดยใช้ตัวอย่างขนาดใหญ่เป็นสิ่งจำเป็นเพื่อยืนยันผลลัพธ์ที่ได้ในการศึกษานี้
ในการศึกษาการทดสอบความถูกต้องของ SD ในการประมาณอายุทางทันตกรรมบางคนมีความแม่นยำสูงกว่าการศึกษาของเรา Stepanovsky et al 35 ใช้รุ่น SD 22 รุ่นกับการถ่ายภาพรังสีแบบพาโนรามาของชาวเช็ก 976 คนอายุ 2.7 ถึง 20.5 ปีและทดสอบความแม่นยำของแต่ละรุ่น พวกเขาประเมินการพัฒนาของฟันถาวรบนและด้านซ้ายทั้งหมด 16 ฟันโดยใช้เกณฑ์การจำแนกประเภทที่เสนอโดย Moorrees และคณะ 36 แม่มีตั้งแต่ 0.64 ถึง 0.94 ปีและ RMSE อยู่ในช่วง 0.85 ถึง 1.27 ปีซึ่งแม่นยำกว่าแบบจำลอง DM สองแบบที่ใช้ในการศึกษานี้ Shen et al23 ใช้วิธี Cameriere ในการประเมินอายุทันตกรรมของฟันถาวรเจ็ดฟันในขากรรไกรล่างด้านซ้ายในชาวจีนตะวันออกอายุ 5 ถึง 13 ปีและเปรียบเทียบกับอายุที่ประเมินโดยใช้การถดถอยเชิงเส้น SVM และ RF พวกเขาแสดงให้เห็นว่าทั้งสามรุ่น DM มีความแม่นยำสูงกว่าเมื่อเทียบกับสูตร cameriere แบบดั้งเดิม แม่และ RMSE ในการศึกษาของ Shen ต่ำกว่าในแบบจำลอง DM ในการศึกษานี้ ความแม่นยำที่เพิ่มขึ้นของการศึกษาโดย Stepanovsky และคณะ 35 และ Shen et al. 23 อาจเกิดจากการรวมวิชาที่อายุน้อยกว่าในตัวอย่างการศึกษาของพวกเขา เนื่องจากการประมาณอายุสำหรับผู้เข้าร่วมที่มีการพัฒนาฟันมีความแม่นยำมากขึ้นเมื่อจำนวนฟันเพิ่มขึ้นในระหว่างการพัฒนาทางทันตกรรมความแม่นยำของวิธีการประมาณอายุที่เกิดขึ้นอาจลดลงเมื่อผู้เข้าร่วมการศึกษาอายุน้อยกว่า นอกจากนี้ข้อผิดพลาดของ MLP ในการประมาณอายุนั้นเล็กกว่าของ SLP เล็กน้อยซึ่งหมายความว่า MLP มีความแม่นยำมากกว่า SLP MLP ถือว่าดีขึ้นเล็กน้อยสำหรับการประมาณอายุอาจเป็นเพราะชั้นที่ซ่อนอยู่ใน MLP38 อย่างไรก็ตามมีข้อยกเว้นสำหรับตัวอย่างด้านนอกของผู้หญิง (SLP 1.45, MLP 1.49) การค้นพบว่า MLP มีความแม่นยำมากกว่า SLP ในการประเมินอายุต้องการการศึกษาย้อนหลังเพิ่มเติม
ประสิทธิภาพการจำแนกประเภทของโมเดล DM และวิธีการดั้งเดิมที่เกณฑ์ 18 ปีก็ถูกเปรียบเทียบเช่นกัน แบบจำลอง SD ที่ผ่านการทดสอบทั้งหมดและวิธีการดั้งเดิมในชุดทดสอบภายในแสดงให้เห็นถึงระดับการเลือกปฏิบัติที่ยอมรับได้จริงสำหรับตัวอย่างอายุ 18 ปี ความไวสำหรับผู้ชายและผู้หญิงมากกว่า 87.7% และ 94.9% ตามลำดับและความจำเพาะมากกว่า 89.3% และ 84.7% AUROC ของทุกรุ่นที่ผ่านการทดสอบยังเกิน 0.925 เพื่อความรู้ที่ดีที่สุดของเราไม่มีการศึกษาใดที่ได้ทดสอบประสิทธิภาพของแบบจำลอง DM สำหรับการจำแนก 18 ปีตามวุฒิภาวะทางทันตกรรม เราสามารถเปรียบเทียบผลลัพธ์ของการศึกษานี้กับประสิทธิภาพการจำแนกประเภทของแบบจำลองการเรียนรู้ลึกในการถ่ายภาพรังสีแบบพาโนรามา Guo et al.15 คำนวณประสิทธิภาพการจำแนกประเภทของรูปแบบการเรียนรู้ลึกที่ใช้ CNN และวิธีการด้วยตนเองตามวิธีการของ Demirjian สำหรับเกณฑ์อายุที่กำหนด ความไวและความจำเพาะของวิธีการด้วยตนเองคือ 87.7% และ 95.5% ตามลำดับและความไวและความจำเพาะของโมเดล CNN เกิน 89.2% และ 86.6% ตามลำดับ พวกเขาสรุปว่าแบบจำลองการเรียนรู้อย่างลึกซึ้งสามารถแทนที่หรือประเมินผลการประเมินด้วยตนเองได้ดีกว่าในการจำแนกเกณฑ์อายุ ผลการศึกษาครั้งนี้แสดงให้เห็นถึงประสิทธิภาพการจำแนกที่คล้ายกัน เป็นที่เชื่อกันว่าการจำแนกประเภทโดยใช้แบบจำลอง DM สามารถแทนที่วิธีการทางสถิติแบบดั้งเดิมสำหรับการประมาณอายุ ในบรรดาแบบจำลอง DM LR เป็นแบบจำลองที่ดีที่สุดในแง่ของความไวสำหรับตัวอย่างชายและความไวและความจำเพาะสำหรับตัวอย่างหญิง LR อยู่ในอันดับที่สองสำหรับผู้ชาย ยิ่งไปกว่านั้น LR ยังได้รับการพิจารณาว่าเป็นหนึ่งในรุ่น DM35 ที่ใช้งานง่ายกว่าและมีความซับซ้อนน้อยกว่าและยากต่อการประมวลผล จากผลลัพธ์เหล่านี้ LR ได้รับการพิจารณาว่าเป็นรูปแบบการจำแนกประเภทที่ดีที่สุดสำหรับเด็กอายุ 18 ปีในประชากรเกาหลี
โดยรวมแล้วความแม่นยำของการประมาณอายุหรือประสิทธิภาพการจำแนกประเภทในชุดทดสอบภายนอกนั้นไม่ดีหรือต่ำกว่าเมื่อเทียบกับผลลัพธ์ในชุดทดสอบภายใน รายงานบางฉบับระบุว่าความแม่นยำในการจำแนกประเภทหรือประสิทธิภาพลดลงเมื่อการประมาณอายุตามประชากรเกาหลีถูกนำไปใช้กับประชากรญี่ปุ่น 5,39 และพบรูปแบบที่คล้ายกันในการศึกษาปัจจุบัน แนวโน้มการเสื่อมสภาพนี้ยังสังเกตได้ในแบบจำลอง DM ดังนั้นเพื่อประเมินอายุที่ถูกต้องแม้เมื่อใช้ DM ในกระบวนการวิเคราะห์วิธีการที่ได้จากข้อมูลประชากรพื้นเมืองเช่นวิธีการดั้งเดิมควรเป็นที่ต้องการ 5,39,40,41,42 เนื่องจากไม่มีความชัดเจนว่าแบบจำลองการเรียนรู้อย่างลึกซึ้งสามารถแสดงแนวโน้มที่คล้ายกันได้หรือไม่การศึกษาเปรียบเทียบความแม่นยำในการจำแนกประเภทและประสิทธิภาพโดยใช้วิธีการแบบดั้งเดิมแบบจำลอง DM และแบบจำลองการเรียนรู้ลึกในตัวอย่างเดียวกันนั้นจำเป็นต้องยืนยันว่าปัญญาประดิษฐ์สามารถเอาชนะความไม่เท่าเทียมทางเชื้อชาติเหล่านี้ในอายุที่ จำกัด ได้หรือไม่ การประเมิน
เราแสดงให้เห็นว่าวิธีการแบบดั้งเดิมสามารถถูกแทนที่ด้วยการประมาณอายุตามแบบจำลอง DM ในการประเมินอายุนิติวิทยาศาสตร์ในเกาหลี นอกจากนี้เรายังค้นพบความเป็นไปได้ของการใช้การเรียนรู้ของเครื่องสำหรับการประเมินอายุทางนิติวิทยาศาสตร์ อย่างไรก็ตามมีข้อ จำกัด ที่ชัดเจนเช่นจำนวนผู้เข้าร่วมไม่เพียงพอในการศึกษานี้เพื่อกำหนดผลลัพธ์อย่างแน่นอนและการขาดการศึกษาก่อนหน้านี้เพื่อเปรียบเทียบและยืนยันผลการศึกษานี้ ในอนาคตการศึกษา DM ควรดำเนินการกับตัวอย่างจำนวนมากขึ้นและประชากรที่หลากหลายมากขึ้นเพื่อปรับปรุงการใช้งานจริงเมื่อเทียบกับวิธีการดั้งเดิม เพื่อตรวจสอบความเป็นไปได้ของการใช้ปัญญาประดิษฐ์เพื่อประเมินอายุในหลายประชากรจำเป็นต้องมีการศึกษาในอนาคตเพื่อเปรียบเทียบความแม่นยำในการจำแนกประเภทและประสิทธิภาพของ DM และแบบจำลองการเรียนรู้ลึกด้วยวิธีการดั้งเดิมในตัวอย่างเดียวกัน
การศึกษาใช้ภาพถ่าย orthographic 2,657 ภาพที่รวบรวมจากผู้ใหญ่เกาหลีและญี่ปุ่นอายุ 15 ถึง 23 ปี ภาพรังสีเกาหลีถูกแบ่งออกเป็น 900 ชุดการฝึกอบรม (19.42 ± 2.65 ปี) และ 900 ชุดทดสอบภายใน (19.52 ± 2.59 ปี) ชุดการฝึกอบรมถูกรวบรวมที่สถาบันหนึ่ง (โรงพยาบาลของโซลเซนต์แมรี) และชุดทดสอบของตัวเองได้รับการรวบรวมที่สองสถาบัน (โรงพยาบาลทันตกรรมมหาวิทยาลัยแห่งชาติโซลและโรงพยาบาลทันตกรรมมหาวิทยาลัย Yonsei) นอกจากนี้เรายังรวบรวมภาพรังสี 857 จากข้อมูลประชากรอื่น (Iwate Medical University, Japan) สำหรับการทดสอบภายนอก การถ่ายภาพรังสีของอาสาสมัครญี่ปุ่น (19.31 ± 2.60 ปี) ถูกเลือกเป็นชุดทดสอบภายนอก ข้อมูลถูกรวบรวมย้อนหลังเพื่อวิเคราะห์ขั้นตอนของการพัฒนาทางทันตกรรมในการถ่ายภาพรังสีแบบพาโนรามาในระหว่างการรักษาทางทันตกรรม ข้อมูลทั้งหมดที่เก็บรวบรวมนั้นไม่ระบุชื่อยกเว้นเพศวันเดือนปีเกิดและวันที่ถ่ายภาพรังสี เกณฑ์การรวมและการยกเว้นนั้นเหมือนกับการศึกษาที่ตีพิมพ์ก่อนหน้านี้ 4, 5 อายุที่แท้จริงของตัวอย่างถูกคำนวณโดยการลบวันเดือนปีเกิดนับจากวันที่ถ่ายภาพรังสี กลุ่มตัวอย่างแบ่งออกเป็นเก้ากลุ่มอายุ การแจกแจงอายุและเพศแสดงในตารางที่ 3 การศึกษานี้ดำเนินการตามประกาศของเฮลซิงกิและได้รับการอนุมัติจากคณะกรรมการตรวจสอบสถาบัน (IRB) ของโรงพยาบาลกรุงโซลเซนต์แมรีแห่งมหาวิทยาลัยคาทอลิกเกาหลี (KC22WISI0328) เนื่องจากการออกแบบย้อนหลังของการศึกษาครั้งนี้ไม่สามารถขอความยินยอมจากผู้ป่วยทุกรายที่ได้รับการตรวจด้วยรังสีเพื่อการรักษา โรงพยาบาลมหาวิทยาลัยเซนต์แมรีแห่งมหาวิทยาลัยเซนต์ (IRB) ได้ยกเลิกข้อกำหนดสำหรับความยินยอมที่ได้รับการบอกกล่าว
ขั้นตอนการพัฒนาของฟันกรามที่สองและสาม bimaxillary ได้รับการประเมินตามเกณฑ์ Demircan25 มีการเลือกฟันเพียงเส้นเดียวหากพบฟันชนิดเดียวกันที่ด้านซ้ายและด้านขวาของกรามแต่ละข้าง หากฟันที่คล้ายคลึงกันทั้งสองด้านอยู่ในขั้นตอนการพัฒนาที่แตกต่างกันฟันที่มีขั้นตอนการพัฒนาที่ต่ำกว่าจะถูกเลือกให้คำนึงถึงความไม่แน่นอนในอายุโดยประมาณ การถ่ายภาพรังสีที่เลือกแบบสุ่มหนึ่งร้อยรายการจากชุดฝึกอบรมได้รับคะแนนจากผู้สังเกตการณ์ที่มีประสบการณ์สองคนเพื่อทดสอบความน่าเชื่อถือของ Interobserver หลังจาก precalibration เพื่อกำหนดขั้นตอนการครบกำหนดทางทันตกรรม ความน่าเชื่อถือของ Intraobserver ได้รับการประเมินสองครั้งในช่วงเวลาสามเดือนโดยผู้สังเกตการณ์หลัก
ขั้นตอนเพศและการพัฒนาของฟันกรามที่สองและสามของแต่ละกรามในชุดการฝึกอบรมถูกประเมินโดยผู้สังเกตการณ์หลักที่ผ่านการฝึกอบรมด้วยแบบจำลอง DM ที่แตกต่างกันและอายุจริงถูกกำหนดเป็นค่าเป้าหมาย โมเดล SLP และ MLP ซึ่งใช้กันอย่างแพร่หลายในการเรียนรู้ของเครื่องได้ถูกทดสอบกับอัลกอริทึมการถดถอย โมเดล DM รวมฟังก์ชั่นเชิงเส้นโดยใช้ขั้นตอนการพัฒนาของฟันทั้งสี่และรวมข้อมูลเหล่านี้เข้ากับอายุ SLP เป็นเครือข่ายประสาทที่ง่ายที่สุดและไม่มีเลเยอร์ที่ซ่อนอยู่ SLP ทำงานตามเกียร์เกณฑ์ระหว่างโหนด โมเดล SLP ในการถดถอยมีความคล้ายคลึงกับการถดถอยเชิงเส้นหลายครั้ง ซึ่งแตกต่างจากรุ่น SLP รุ่น MLP มีเลเยอร์ที่ซ่อนอยู่หลายชั้นพร้อมฟังก์ชั่นการเปิดใช้งานแบบไม่เชิงเส้น การทดลองของเราใช้เลเยอร์ที่ซ่อนอยู่กับโหนดที่ซ่อนอยู่เพียง 20 โหนดที่มีฟังก์ชั่นการเปิดใช้งานแบบไม่เชิงเส้น ใช้การไล่ระดับสีเป็นวิธีการเพิ่มประสิทธิภาพและแม่และ RMSE เป็นฟังก์ชั่นการสูญเสียเพื่อฝึกอบรมรูปแบบการเรียนรู้ของเครื่องของเรา แบบจำลองการถดถอยที่ได้รับดีที่สุดถูกนำไปใช้กับชุดทดสอบภายในและภายนอกและอายุของฟันถูกประเมิน
อัลกอริทึมการจำแนกประเภทได้รับการพัฒนาซึ่งใช้วุฒิภาวะของฟันสี่ซี่ในชุดการฝึกอบรมเพื่อทำนายว่าตัวอย่างมีอายุ 18 ปีหรือไม่ ในการสร้างแบบจำลองเราได้รับอัลกอริทึมการเรียนรู้ของเครื่องจักรที่เป็นตัวแทนเจ็ดครั้ง 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBOOST และ (7) MLP . LR เป็นหนึ่งในอัลกอริทึมการจำแนกประเภทที่ใช้กันอย่างแพร่หลายมากที่สุด 44 มันเป็นอัลกอริทึมการเรียนรู้ที่มีการดูแลที่ใช้การถดถอยเพื่อทำนายความน่าจะเป็นของข้อมูลที่เป็นของหมวดหมู่ที่แน่นอนตั้งแต่ 0 ถึง 1 และจำแนกข้อมูลเป็นของหมวดหมู่ที่มีแนวโน้มมากขึ้นตามความน่าจะเป็นนี้ ส่วนใหญ่ใช้สำหรับการจำแนกประเภทไบนารี KNN เป็นหนึ่งในอัลกอริทึมการเรียนรู้ของเครื่องที่ง่ายที่สุด 45 เมื่อได้รับข้อมูลอินพุตใหม่จะพบข้อมูล K ใกล้กับชุดที่มีอยู่แล้วจัดประเภทลงในคลาสด้วยความถี่สูงสุด เราตั้งค่า 3 สำหรับจำนวนเพื่อนบ้านที่พิจารณา (k) SVM เป็นอัลกอริทึมที่เพิ่มระยะห่างระหว่างสองคลาสโดยใช้ฟังก์ชันเคอร์เนลเพื่อขยายพื้นที่เชิงเส้นไปยังพื้นที่ที่ไม่ใช่เชิงเส้นที่เรียกว่า Fields46 สำหรับรุ่นนี้เราใช้อคติ = 1, power = 1 และ gamma = 1 เป็น hyperparameters สำหรับเคอร์เนลพหุนาม DT ถูกนำไปใช้ในสาขาต่าง ๆ เป็นอัลกอริทึมสำหรับการหารข้อมูลทั้งหมดที่ตั้งไว้เป็นกลุ่มย่อยหลายกลุ่มโดยแสดงกฎการตัดสินใจในโครงสร้างต้นไม้ 47 โมเดลได้รับการกำหนดค่าด้วยจำนวนระเบียนขั้นต่ำต่อโหนด 2 และใช้ดัชนี GINI เป็นการวัดคุณภาพ RF เป็นวิธีการทั้งหมดที่รวม DT หลายตัวเพื่อปรับปรุงประสิทธิภาพโดยใช้วิธีการรวม bootstrap ที่สร้างตัวจําแนกที่อ่อนแอสำหรับแต่ละตัวอย่างโดยการสุ่มตัวอย่างขนาดเดียวกันหลายครั้งจากชุดข้อมูลดั้งเดิม 48 เราใช้ต้นไม้ 100 ต้น, ความลึกของต้นไม้ 10, 1 ขนาดโหนดขั้นต่ำและดัชนีการผสม gini เป็นเกณฑ์การแยกโหนด การจำแนกข้อมูลใหม่จะถูกกำหนดโดยการลงคะแนนเสียงข้างมาก XGBOOST เป็นอัลกอริทึมที่รวมเทคนิคการเพิ่มโดยใช้วิธีการที่ใช้เป็นข้อมูลการฝึกอบรมข้อผิดพลาดระหว่างค่าจริงและค่าที่คาดการณ์ไว้ของรุ่นก่อนหน้าและเพิ่มข้อผิดพลาดโดยใช้การไล่ระดับสี 49 มันเป็นอัลกอริทึมที่ใช้กันอย่างแพร่หลายเนื่องจากประสิทธิภาพและประสิทธิภาพของทรัพยากรที่ดีรวมถึงความน่าเชื่อถือสูงเป็นฟังก์ชั่นการแก้ไขที่มากเกินไป รุ่นนี้มีล้อรองรับ 400 ล้อ MLP เป็นเครือข่ายประสาทที่หนึ่งหรือมากกว่า perceptrons สร้างหลายเลเยอร์ที่มีเลเยอร์ที่ซ่อนอยู่อย่างน้อยหนึ่งเลเยอร์ระหว่างอินพุตและเลเยอร์เอาต์พุต 38 การใช้สิ่งนี้คุณสามารถทำการจำแนกประเภทที่ไม่ใช่เชิงเส้นซึ่งเมื่อคุณเพิ่มเลเยอร์อินพุตและรับค่าผลลัพธ์ค่าผลลัพธ์ที่คาดการณ์จะถูกนำไปเปรียบเทียบกับค่าผลลัพธ์จริงและข้อผิดพลาดจะถูกเผยแพร่กลับ เราสร้างเลเยอร์ที่ซ่อนอยู่ด้วยเซลล์ประสาทที่ซ่อนอยู่ 20 เซลล์ในแต่ละชั้น แต่ละรุ่นที่เราพัฒนาขึ้นถูกนำไปใช้กับชุดภายในและภายนอกเพื่อทดสอบประสิทธิภาพการจำแนกประเภทโดยการคำนวณความไวความจำเพาะ PPV, NPV และ AUROC ความไวถูกกำหนดให้เป็นอัตราส่วนของตัวอย่างที่ประเมินว่าอายุ 18 ปีขึ้นไปต่อตัวอย่างที่คาดว่าจะมีอายุ 18 ปีขึ้นไป ความจำเพาะคือสัดส่วนของตัวอย่างที่มีอายุต่ำกว่า 18 ปีและคาดว่าจะมีอายุต่ำกว่า 18 ปี
ขั้นตอนทางทันตกรรมที่ประเมินในชุดการฝึกอบรมถูกแปลงเป็นขั้นตอนเชิงตัวเลขสำหรับการวิเคราะห์ทางสถิติ การถดถอยเชิงเส้นและโลจิสติกหลายตัวแปรได้ดำเนินการเพื่อพัฒนาแบบจำลองการทำนายสำหรับแต่ละเพศและสูตรการถดถอยที่ได้รับซึ่งสามารถใช้ในการประเมินอายุ เราใช้สูตรเหล่านี้เพื่อประเมินอายุฟันสำหรับชุดทดสอบทั้งภายในและภายนอก ตารางที่ 4 แสดงรูปแบบการถดถอยและการจำแนกประเภทที่ใช้ในการศึกษานี้
ความน่าเชื่อถือภายในและ interobserver คำนวณโดยใช้สถิติคัปปาของโคเฮน เพื่อทดสอบความถูกต้องของ DM และแบบจำลองการถดถอยแบบดั้งเดิมเราคำนวณ MAE และ RMSE โดยใช้อายุการทดสอบโดยประมาณและจริงของชุดทดสอบภายในและภายนอก ข้อผิดพลาดเหล่านี้มักใช้เพื่อประเมินความถูกต้องของการทำนายแบบจำลอง ยิ่งข้อผิดพลาดเล็กลงเท่าใดความแม่นยำของการคาดการณ์ก็จะยิ่งสูงขึ้นเท่านั้น เปรียบเทียบ MAE และ RMSE ของชุดทดสอบภายในและภายนอกที่คำนวณโดยใช้ DM และการถดถอยแบบดั้งเดิม ประสิทธิภาพการจำแนกประเภทของการตัด 18 ปีในสถิติดั้งเดิมได้รับการประเมินโดยใช้ตารางฉุกเฉิน 2 × 2 ความไวที่คำนวณได้ความจำเพาะ PPV, NPV และ AUROC ของชุดทดสอบถูกนำมาเปรียบเทียบกับค่าที่วัดได้ของแบบจำลองการจำแนก DM ข้อมูลจะแสดงเป็นค่าเฉลี่ย±ส่วนเบี่ยงเบนมาตรฐานหรือจำนวน (%) ขึ้นอยู่กับลักษณะของข้อมูล ค่า P สองด้าน <0.05 ได้รับการพิจารณาอย่างมีนัยสำคัญทางสถิติ การวิเคราะห์ทางสถิติประจำทั้งหมดดำเนินการโดยใช้ SAS เวอร์ชัน 9.4 (SAS Institute, Cary, NC) แบบจำลองการถดถอย DM ถูกนำไปใช้ใน Python โดยใช้ Keras50 2.2.4 แบ็กเอนด์และ TensorFlow51 1.8.0 โดยเฉพาะสำหรับการดำเนินการทางคณิตศาสตร์ รูปแบบการจำแนกประเภท DM ถูกนำไปใช้ในสภาพแวดล้อมการวิเคราะห์ความรู้ Waikato และ Konstanz Information Miner (Knime) 4.6.152 แพลตฟอร์มการวิเคราะห์
ผู้เขียนรับทราบว่าข้อมูลที่สนับสนุนข้อสรุปของการศึกษาสามารถพบได้ในบทความและวัสดุเสริม ชุดข้อมูลที่สร้างและ/หรือวิเคราะห์ในระหว่างการศึกษามีให้บริการจากผู้เขียนที่เกี่ยวข้องตามคำขอที่สมเหตุสมผล
Ritz-Timme, S. et al. การประเมินอายุ: สถานะของศิลปะเพื่อตอบสนองความต้องการเฉพาะของการปฏิบัติทางนิติวิทยาศาสตร์ สากล J. ยากฎหมาย 113, 129–136 (2000)
Schmeling, A. , Reisinger, W. , Geserik, G. , และ Olze, A. สถานะปัจจุบันของการประเมินอายุทางนิติวิทยาศาสตร์ของวิชาที่มีชีวิตเพื่อวัตถุประสงค์ในการดำเนินคดีทางอาญา นิติวิทยาศาสตร์ ยา. พยาธิวิทยา 1, 239–246 (2005)
Pan, J. et al. วิธีการแก้ไขสำหรับการประเมินอายุทันตกรรมของเด็กอายุ 5 ถึง 16 ปีในภาคตะวันออกของจีน คลินิก การสำรวจปากเปล่า 25, 3463–3474 (2021)
Lee, SS ฯลฯ ลำดับเหตุการณ์ของการพัฒนาฟันกรามที่สองและสามในเกาหลีและการประยุกต์ใช้สำหรับการประเมินอายุทางนิติวิทยาศาสตร์ สากล J. ยากฎหมาย 124, 659–665 (2010)
Oh, S. , Kumagai, A. , Kim, Sy และ Lee, SS ความแม่นยำของการประมาณอายุและการประเมินเกณฑ์ 18 ปีตามวุฒิภาวะของฟันกรามที่สองและสามในเกาหลีและญี่ปุ่น PLOS ONE 17, E0271247 (2022)
Kim, JY, et al. การวิเคราะห์ข้อมูลที่ใช้การเรียนรู้ด้วยเครื่องจักรก่อนการผ่าตัดสามารถทำนายผลการรักษาด้วยการผ่าตัดในผู้ป่วยที่มี OSA วิทยาศาสตร์. รายงาน 11, 14911 (2021)
Han, M. et al. การประมาณอายุที่แม่นยำจากการเรียนรู้ของเครื่องจักรที่มีหรือไม่มีการแทรกแซงของมนุษย์? สากล J. ยากฎหมาย 136, 821–831 (2022)
Khan, S. และ Shaheen, M. จากการขุดข้อมูลไปจนถึงการขุดข้อมูล J.Information วิทยาศาสตร์. https://doi.org/10.1177/01655515211030872 (2021)
Khan, S. และ Shaheen, M. Wisrule: อัลกอริทึมการรับรู้ครั้งแรกสำหรับการขุดกฎการเชื่อมโยง J.Information วิทยาศาสตร์. https://doi.org/10.1177/01655515221108695 (2022)
Shaheen M. และ Abdullah U. Karm: การขุดข้อมูลแบบดั้งเดิมตามกฎการเชื่อมโยงตามบริบท คำนวณ. แมตต์ ดำเนินการต่อ. 68, 3305–3322 (2021)
Muhammad M. , Rehman Z. , Shaheen M. , Khan M. และ Habib M. การตรวจจับความคล้ายคลึงกันตามความหมายของการเรียนรู้อย่างลึกซึ้งโดยใช้ข้อมูลข้อความ แจ้ง. เทคโนโลยี ควบคุม. https://doi.org/10.5755/j01.itc.49.4.27118 (2020)
Tabish, M. , Tanoli, Z. และ Shahin, M. A ระบบสำหรับการจดจำกิจกรรมในวิดีโอกีฬา มัลติมีเดีย เครื่องมือแอปพลิเคชัน https://doi.org/10.1007/S11042-021-10519-6 (2021)
Halabi, SS และคณะ ความท้าทายการเรียนรู้ของเครื่อง RSNA ในยุคกระดูกเด็ก รังสีวิทยา 290, 498–503 (2019)
Li, Y. et al. การประมาณอายุทางนิติวิทยาศาสตร์จากการเรียนรู้จากอุ้งเชิงกรานโดยใช้การเรียนรู้อย่างลึกซึ้ง ยูโร. รังสี 29, 2322–2329 (2019)
Guo, YC, et al. การจำแนกอายุที่แม่นยำโดยใช้วิธีการแบบแมนนวลและเครือข่ายประสาทเชิงลึกจากภาพการฉายภาพ orthographic สากล J. ยากฎหมาย 135, 1589–1597 (2021)
Alabama Dalora และคณะ การประมาณอายุกระดูกโดยใช้วิธีการเรียนรู้ของเครื่องที่แตกต่างกัน: การทบทวนวรรณกรรมอย่างเป็นระบบและการวิเคราะห์อภิมาน PLOS ONE 14, E0220242 (2019)
Du, H. , Li, G. , Cheng, K. , และ Yang, J. การประมาณอายุเฉพาะประชากรของชาวแอฟริกันอเมริกันและจีนตามปริมาตรของเยื่อกระดาษของฟันกรามแรกโดยใช้เอกซ์เรย์คอมพิวเตอร์คานคาน สากล J. ยากฎหมาย 136, 811–819 (2022)
Kim S. , Lee YH, Noh YK, Park FK และ OH KS กำหนดกลุ่มอายุของคนที่มีชีวิตโดยใช้ภาพที่ใช้ปัญญาประดิษฐ์ของฟันกรามแรก วิทยาศาสตร์. รายงาน 11, 1073 (2021)
Stern, D. , Payer, C. , Giuliani, N. และ Urschler, M. การประมาณอายุอัตโนมัติและการจำแนกอายุส่วนใหญ่จากข้อมูล MRI หลายตัวแปร IEEE J. Biomed การแจ้งเตือนสุขภาพ 23, 1392–1403 (2019)
Cheng, Q. , Ge, Z. , Du, H. และ Li, G. การประมาณอายุตามการแบ่งส่วนห้องเยื่อกระดาษ 3 มิติของฟันกรามแรกจากการตรวจเอกซเรย์ลำแสงกรวยโดยการผสมผสานการเรียนรู้และระดับการเรียนรู้อย่างลึกซึ้ง สากล J. ยากฎหมาย 135, 365–373 (2021)
WU, WT, และคณะ การขุดข้อมูลในข้อมูลทางคลินิกขนาดใหญ่: ฐานข้อมูลทั่วไปขั้นตอนและแบบจำลองวิธีการ โลก. ยา. ทรัพยากร. 8, 44 (2021)
Yang, J. et al. รู้เบื้องต้นเกี่ยวกับฐานข้อมูลทางการแพทย์และเทคโนโลยีการขุดข้อมูลในยุคข้อมูลขนาดใหญ่ J. Avid ยาขั้นพื้นฐาน 13, 57–69 (2020)
Shen, S. et al. วิธีการของ Camerer สำหรับการประเมินอายุฟันโดยใช้การเรียนรู้ของเครื่อง BMC Oral Health 21, 641 (2021)
Galliburg A. et al. การเปรียบเทียบวิธีการเรียนรู้ของเครื่องจักรที่แตกต่างกันสำหรับการทำนายอายุทันตกรรมโดยใช้วิธีการจัดเตรียม Demirdjian สากล J. ยากฎหมาย 135, 665–675 (2021)
Demirdjian, A. , Goldstein, H. และ Tanner, JM ระบบใหม่สำหรับการประเมินอายุทันตกรรม Snort. ชีววิทยา. 45, 211–227 (1973)
Landis, Jr และ Koch, GG มาตรการของข้อตกลงผู้สังเกตการณ์เกี่ยวกับข้อมูลหมวดหมู่ Biometrics 33, 159–174 (1977)
Bhattacharjee S, Prakash D, Kim C, Kim HK และ Choi HK การวิเคราะห์เนื้อสัมผัสทางสัณฐานวิทยาและสถิติของการถ่ายภาพด้วยคลื่นสนามแม่เหล็กสองมิติโดยใช้เทคนิคปัญญาประดิษฐ์สำหรับความแตกต่างของเนื้องอกในสมองหลัก ข้อมูลสุขภาพ ทรัพยากร. https://doi.org/10.4258/hir.2022.28.1.46 (2022)