การตรวจสอบความถูกต้องของแบบจำลองการทำเหมืองข้อมูลเทียบกับวิธีการประมาณอายุฟันแบบดั้งเดิมในกลุ่มวัยรุ่นและคนหนุ่มสาวชาวเกาหลี

ขอบคุณที่เข้าชม Nature.com เบราว์เซอร์ที่คุณใช้อยู่มีการรองรับ CSS ที่จำกัด เพื่อผลลัพธ์ที่ดีที่สุด เราขอแนะนำให้ใช้เบราว์เซอร์เวอร์ชันใหม่กว่า (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer) ในระหว่างนี้ เพื่อให้มั่นใจว่าเว็บไซต์จะได้รับการสนับสนุนอย่างต่อเนื่อง เราจึงแสดงเว็บไซต์โดยไม่มีการจัดรูปแบบหรือ JavaScript
ฟันถือเป็นตัวบ่งชี้อายุของร่างกายมนุษย์ที่แม่นยำที่สุด และมักใช้ในการประเมินอายุทางนิติวิทยาศาสตร์ งานวิจัยนี้มีจุดมุ่งหมายเพื่อตรวจสอบความถูกต้องของการประมาณอายุจากฟันโดยใช้การทำเหมืองข้อมูล โดยเปรียบเทียบความแม่นยำในการประมาณและการจำแนกประเภทของเกณฑ์อายุ 18 ปี กับวิธีการแบบดั้งเดิมและการประมาณอายุโดยใช้การทำเหมืองข้อมูล เราได้รวบรวมภาพถ่ายรังสีพาโนรามาจำนวน 2657 ภาพ จากพลเมืองชาวเกาหลีและญี่ปุ่นที่มีอายุระหว่าง 15 ถึง 23 ปี โดยแบ่งออกเป็นชุดฝึกอบรม ชุดละ 900 ภาพจากชาวเกาหลี และชุดทดสอบภายในจำนวน 857 ภาพจากชาวญี่ปุ่น เราเปรียบเทียบความแม่นยำและประสิทธิภาพในการจำแนกประเภทของวิธีการแบบดั้งเดิมกับชุดทดสอบของแบบจำลองการทำเหมืองข้อมูล ความแม่นยำของวิธีการแบบดั้งเดิมในชุดทดสอบภายในสูงกว่าแบบจำลองการทำเหมืองข้อมูลเล็กน้อย และความแตกต่างมีน้อย (ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย <0.21 ปี ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย <0.24 ปี) ประสิทธิภาพในการจำแนกประเภทสำหรับเกณฑ์อายุ 18 ปี ก็มีความคล้ายคลึงกันระหว่างวิธีการแบบดั้งเดิมและแบบจำลองการทำเหมืองข้อมูล ดังนั้น วิธีการแบบดั้งเดิมจึงสามารถถูกแทนที่ด้วยแบบจำลองการขุดข้อมูลเมื่อทำการประเมินอายุทางนิติวิทยาศาสตร์โดยใช้ความสมบูรณ์ของฟันกรามซี่ที่สองและสามในวัยรุ่นและผู้ใหญ่ตอนต้นชาวเกาหลี
การประมาณอายุจากฟันเป็นวิธีการที่ใช้กันอย่างแพร่หลายในนิติเวชศาสตร์และทันตกรรมเด็ก โดยเฉพาะอย่างยิ่ง เนื่องจากมีความสัมพันธ์สูงระหว่างอายุตามปฏิทินและการพัฒนาของฟัน การประเมินอายุตามระยะการพัฒนาของฟันจึงเป็นเกณฑ์สำคัญในการประเมินอายุของเด็กและวัยรุ่น^1,2,3 อย่างไรก็ตาม สำหรับเยาวชน การประมาณอายุจากฟันโดยพิจารณาจากความสมบูรณ์ของฟันมีข้อจำกัด เนื่องจากฟันเจริญเติบโตเกือบสมบูรณ์แล้ว ยกเว้นฟันกรามซี่ที่สาม วัตถุประสงค์ทางกฎหมายของการกำหนดอายุของเยาวชนและวัยรุ่นคือการให้การประมาณที่แม่นยำและหลักฐานทางวิทยาศาสตร์ว่าพวกเขาบรรลุนิติภาวะแล้วหรือไม่ ในการปฏิบัติทางนิติเวชของวัยรุ่นและเยาวชนในเกาหลี อายุจะถูกประมาณโดยใช้วิธีของ Lee และมีการคาดการณ์เกณฑ์ทางกฎหมายที่ 18 ปีโดยอิงจากข้อมูลที่รายงานโดย Oh et al⁵
การเรียนรู้ของเครื่อง (Machine learning) เป็นปัญญาประดิษฐ์ (AI) ประเภทหนึ่งที่เรียนรู้และจำแนกข้อมูลจำนวนมากซ้ำๆ แก้ปัญหาด้วยตนเอง และขับเคลื่อนการเขียนโปรแกรมข้อมูล การเรียนรู้ของเครื่องสามารถค้นพบรูปแบบที่ซ่อนอยู่ที่มีประโยชน์ในข้อมูลปริมาณมากได้6 ในทางตรงกันข้าม วิธีการแบบดั้งเดิมซึ่งต้องใช้แรงงานและเวลามาก อาจมีข้อจำกัดเมื่อต้องจัดการกับข้อมูลที่ซับซ้อนปริมาณมากซึ่งยากต่อการประมวลผลด้วยตนเอง7 ดังนั้น ในช่วงไม่นานมานี้จึงมีการศึกษามากมายที่ใช้เทคโนโลยีคอมพิวเตอร์ล่าสุดเพื่อลดข้อผิดพลาดของมนุษย์และประมวลผลข้อมูลหลายมิติได้อย่างมีประสิทธิภาพ8,9,10,11,12 โดยเฉพาะอย่างยิ่ง การเรียนรู้เชิงลึก (Deep learning) ได้ถูกนำมาใช้กันอย่างแพร่หลายในการวิเคราะห์ภาพทางการแพทย์ และมีการรายงานวิธีการต่างๆ สำหรับการประมาณอายุโดยการวิเคราะห์ภาพรังสีเอกซ์โดยอัตโนมัติเพื่อปรับปรุงความแม่นยำและประสิทธิภาพของการประมาณอายุ13,14,15,16,17,18,19,20 ตัวอย่างเช่น Halabi และคณะ13 ได้พัฒนาอัลกอริทึมการเรียนรู้ของเครื่องโดยใช้โครงข่ายประสาทเทียมแบบ Convolutional Neural Networks (CNN) เพื่อประมาณอายุโครงกระดูกโดยใช้ภาพรังสีเอกซ์ของมือเด็ก การศึกษานี้เสนอแบบจำลองที่ใช้การเรียนรู้ของเครื่องกับภาพทางการแพทย์และแสดงให้เห็นว่าวิธีการเหล่านี้สามารถปรับปรุงความแม่นยำในการวินิจฉัยได้ Li et al14 ประมาณอายุจากภาพเอกซเรย์เชิงกรานโดยใช้ CNN การเรียนรู้เชิงลึกและเปรียบเทียบกับผลลัพธ์การถดถอยโดยใช้การประมาณระยะการสร้างกระดูก พวกเขาพบว่าแบบจำลอง CNN การเรียนรู้เชิงลึกแสดงประสิทธิภาพการประมาณอายุที่เหมือนกับแบบจำลองการถดถอยแบบดั้งเดิม การศึกษาของ Guo et al. [15] ประเมินประสิทธิภาพการจำแนกความคลาดเคลื่อนของอายุของเทคโนโลยี CNN โดยอิงจากภาพถ่ายจัดฟัน และผลลัพธ์ของแบบจำลอง CNN พิสูจน์ว่ามนุษย์มีประสิทธิภาพการจำแนกอายุที่ดีกว่า
งานวิจัยส่วนใหญ่เกี่ยวกับการประมาณอายุโดยใช้การเรียนรู้ของเครื่องมักใช้ระเบียบวิธีเรียนรู้เชิงลึก13,14,15,16,17,18,19,20 มีการรายงานว่าการประมาณอายุโดยใช้การเรียนรู้เชิงลึกมีความแม่นยำกว่าวิธีการแบบดั้งเดิม อย่างไรก็ตาม วิธีการนี้ให้โอกาสน้อยในการนำเสนอพื้นฐานทางวิทยาศาสตร์สำหรับการประมาณอายุ เช่น ตัวชี้วัดอายุที่ใช้ในการประมาณ นอกจากนี้ยังมีข้อพิพาททางกฎหมายเกี่ยวกับผู้ที่ทำการตรวจสอบ ดังนั้น การประมาณอายุโดยใช้การเรียนรู้เชิงลึกจึงยากที่จะได้รับการยอมรับจากหน่วยงานบริหารและตุลาการ การขุดข้อมูล (Data mining: DM) เป็นเทคนิคที่สามารถค้นพบข้อมูลไม่เพียงแต่ที่คาดหวังเท่านั้น แต่ยังรวมถึงข้อมูลที่ไม่คาดคิดด้วย โดยเป็นวิธีการค้นหาความสัมพันธ์ที่เป็นประโยชน์ระหว่างข้อมูลจำนวนมาก6,21,22 การเรียนรู้ของเครื่องมักถูกใช้ในการขุดข้อมูล และทั้งการขุดข้อมูลและการเรียนรู้ของเครื่องใช้ขั้นตอนวิธีหลักเดียวกันในการค้นหารูปแบบในข้อมูล การประมาณอายุโดยใช้พัฒนาการของฟันนั้นขึ้นอยู่กับการประเมินความสมบูรณ์ของฟันเป้าหมายโดยผู้ตรวจ และการประเมินนี้จะแสดงออกมาเป็นระยะสำหรับฟันเป้าหมายแต่ละซี่ DM สามารถนำมาใช้ในการวิเคราะห์ความสัมพันธ์ระหว่างระยะการประเมินทางทันตกรรมและอายุจริง และมีศักยภาพที่จะเข้ามาแทนที่การวิเคราะห์ทางสถิติแบบดั้งเดิม ดังนั้น หากเรานำเทคนิค DM มาใช้ในการประมาณอายุ เราสามารถนำการเรียนรู้ของเครื่องมาใช้ในการประมาณอายุทางนิติวิทยาศาสตร์ได้โดยไม่ต้องกังวลเกี่ยวกับความรับผิดทางกฎหมาย มีการศึกษาเปรียบเทียบหลายชิ้นที่ตีพิมพ์เกี่ยวกับทางเลือกที่เป็นไปได้สำหรับวิธีการแบบดั้งเดิมที่ใช้ในทางนิติวิทยาศาสตร์และวิธีการที่อิงตาม EBM สำหรับการกำหนดอายุทางทันตกรรม Shen et al23 แสดงให้เห็นว่าแบบจำลอง DM มีความแม่นยำมากกว่าสูตร Camerer แบบดั้งเดิม Galibourg et al24 ได้ประยุกต์ใช้วิธี DM ที่แตกต่างกันในการทำนายอายุตามเกณฑ์ Demirdjian25 และผลลัพธ์แสดงให้เห็นว่าวิธีการ DM มีประสิทธิภาพเหนือกว่าวิธีการ Demirdjian และ Willems ในการประมาณอายุของประชากรฝรั่งเศส
ในการประมาณอายุทางทันตกรรมของวัยรุ่นและผู้ใหญ่ตอนต้นชาวเกาหลี วิธีของ Lee 4 ถูกนำมาใช้กันอย่างแพร่หลายในนิติเวชศาสตร์ของเกาหลี วิธีนี้ใช้การวิเคราะห์ทางสถิติแบบดั้งเดิม (เช่น การถดถอยพหุ) เพื่อตรวจสอบความสัมพันธ์ระหว่างบุคคลชาวเกาหลีกับอายุตามลำดับเวลา ในการศึกษานี้ วิธีการประมาณอายุที่ได้จากการใช้วิธีทางสถิติแบบดั้งเดิมจะถูกกำหนดให้เป็น “วิธีแบบดั้งเดิม” วิธีของ Lee เป็นวิธีแบบดั้งเดิม และความถูกต้องได้รับการยืนยันโดย Oh et al. 5 อย่างไรก็ตาม ความสามารถในการใช้งานของการประมาณอายุโดยใช้แบบจำลอง DM ในนิติเวชศาสตร์ของเกาหลียังคงเป็นที่น่าสงสัย เป้าหมายของเราคือการตรวจสอบความถูกต้องทางวิทยาศาสตร์ของประโยชน์ที่เป็นไปได้ของการประมาณอายุโดยใช้แบบจำลอง DM วัตถุประสงค์ของการศึกษานี้คือ (1) เพื่อเปรียบเทียบความถูกต้องของแบบจำลอง DM สองแบบในการประมาณอายุทางทันตกรรม และ (2) เพื่อเปรียบเทียบประสิทธิภาพการจำแนกประเภทของแบบจำลอง DM 7 แบบที่อายุ 18 ปี กับที่ได้จากการใช้วิธีทางสถิติแบบดั้งเดิม ความสมบูรณ์ของฟันกรามซี่ที่สองและสามในขากรรไกรทั้งสองข้าง
ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานของอายุตามลำดับเวลาตามระยะและประเภทของฟันแสดงอยู่ในตารางเสริม S1 (ชุดฝึกอบรม), ตารางเสริม S2 (ชุดทดสอบภายใน) และตารางเสริม S3 (ชุดทดสอบภายนอก) ทางออนไลน์ ค่า Kappa สำหรับความน่าเชื่อถือภายในและระหว่างผู้สังเกตการณ์ที่ได้จากชุดฝึกอบรมคือ 0.951 และ 0.947 ตามลำดับ ค่า P และช่วงความเชื่อมั่น 95% สำหรับค่า Kappa แสดงอยู่ในตารางเสริม S4 ทางออนไลน์ ค่า Kappa ถูกตีความว่า "เกือบสมบูรณ์แบบ" ซึ่งสอดคล้องกับเกณฑ์ของ Landis และ Koch26
เมื่อเปรียบเทียบค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) วิธีการแบบดั้งเดิมมีประสิทธิภาพดีกว่าแบบจำลอง DM เล็กน้อยสำหรับทุกเพศและในชุดทดสอบภายนอกที่เป็นเพศชาย ยกเว้นในกรณีของโครงข่ายประสาทเทียมแบบหลายชั้น (MLP) ความแตกต่างระหว่างแบบจำลองแบบดั้งเดิมและแบบจำลอง DM ในชุดทดสอบ MAE ภายในอยู่ที่ 0.12–0.19 ปีสำหรับผู้ชายและ 0.17–0.21 ปีสำหรับผู้หญิง สำหรับชุดทดสอบภายนอก ความแตกต่างจะน้อยลง (0.001–0.05 ปีสำหรับผู้ชายและ 0.05–0.09 ปีสำหรับผู้หญิง) นอกจากนี้ ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยราก (RMSE) ยังต่ำกว่าวิธีการแบบดั้งเดิมเล็กน้อย โดยมีความแตกต่างน้อยลง (0.17–0.24, 0.2–0.24 สำหรับชุดทดสอบภายในเพศชาย และ 0.03–0.07, 0.04–0.08 สำหรับชุดทดสอบภายนอก) MLP แสดงประสิทธิภาพที่ดีกว่าโครงข่ายประสาทเทียมแบบชั้นเดียว (SLP) เล็กน้อย ยกเว้นในกรณีของชุดทดสอบภายนอกเพศหญิง สำหรับค่า MAE และ RMSE ชุดข้อมูลทดสอบภายนอกมีคะแนนสูงกว่าชุดข้อมูลทดสอบภายในสำหรับทุกเพศและทุกแบบจำลอง ค่า MAE และ RMSE ทั้งหมดแสดงอยู่ในตารางที่ 1 และรูปที่ 1
MAE และ RMSE ของแบบจำลองการถดถอยแบบดั้งเดิมและแบบการทำเหมืองข้อมูล ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE), ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE), โครงข่ายประสาทเทียมชั้นเดียว (SLP), โครงข่ายประสาทเทียมหลายชั้น (MLP), วิธี CM แบบดั้งเดิม
ประสิทธิภาพการจำแนกประเภท (โดยกำหนดอายุขั้นต่ำที่ 18 ปี) ของแบบจำลองแบบดั้งเดิมและแบบจำลอง DM ได้รับการสาธิตในแง่ของความไว ความจำเพาะ ค่าทำนายเชิงบวก (PPV) ค่าทำนายเชิงลบ (NPV) และพื้นที่ใต้เส้นโค้งลักษณะการทำงานของผู้รับ (AUROC) 27 (ตารางที่ 2 รูปที่ 2 และรูปประกอบเพิ่มเติมที่ 1 ออนไลน์) ในแง่ของความไวของชุดทดสอบภายใน วิธีการแบบดั้งเดิมมีประสิทธิภาพดีที่สุดในผู้ชายและแย่ที่สุดในผู้หญิง อย่างไรก็ตาม ความแตกต่างในประสิทธิภาพการจำแนกประเภทระหว่างวิธีการแบบดั้งเดิมและ SD คือ 9.7% สำหรับผู้ชาย (MLP) และเพียง 2.4% สำหรับผู้หญิง (XGBoost) ในบรรดาแบบจำลอง DM การถดถอยโลจิสติก (LR) แสดงความไวที่ดีกว่าในทั้งสองเพศ เกี่ยวกับความจำเพาะของชุดทดสอบภายใน พบว่าแบบจำลอง SD ทั้งสี่แบบมีประสิทธิภาพดีในผู้ชาย ในขณะที่แบบจำลองแบบดั้งเดิมมีประสิทธิภาพดีกว่าในผู้หญิง ความแตกต่างในประสิทธิภาพการจำแนกประเภทสำหรับผู้ชายและผู้หญิงคือ 13.3% (MLP) และ 13.1% (MLP) ตามลำดับ ซึ่งบ่งชี้ว่าความแตกต่างในประสิทธิภาพการจำแนกประเภทระหว่างแบบจำลองนั้นเกินกว่าความไว ในบรรดาโมเดล DM โมเดล Support Vector Machine (SVM), Decision Tree (DT) และ Random Forest (RF) มีประสิทธิภาพดีที่สุดในกลุ่มผู้ชาย ในขณะที่โมเดล LR มีประสิทธิภาพดีที่สุดในกลุ่มผู้หญิง ค่า AUROC ของโมเดลแบบดั้งเดิมและโมเดล SD ทั้งหมดมีค่ามากกว่า 0.925 (k-nearest neighbor (KNN) ในผู้ชาย) ซึ่งแสดงให้เห็นถึงประสิทธิภาพการจำแนกประเภทที่ยอดเยี่ยมในการแยกแยะตัวอย่างอายุ 18 ปี28 สำหรับชุดทดสอบภายนอก ประสิทธิภาพการจำแนกประเภทลดลงในแง่ของความไว ความจำเพาะ และ AUROC เมื่อเทียบกับชุดทดสอบภายใน ยิ่งไปกว่านั้น ความแตกต่างในความไวและความจำเพาะระหว่างประสิทธิภาพการจำแนกประเภทของโมเดลที่ดีที่สุดและแย่ที่สุดมีตั้งแต่ 10% ถึง 25% และมากกว่าความแตกต่างในชุดทดสอบภายใน
ความไวและความจำเพาะของแบบจำลองการจำแนกประเภทข้อมูลแบบการทำเหมืองข้อมูล เมื่อเปรียบเทียบกับวิธีการแบบดั้งเดิม โดยกำหนดเกณฑ์อายุที่ 18 ปี KNN (เพื่อนบ้านที่ใกล้ที่สุด), SVM (เครื่องสนับสนุนเวกเตอร์), LR (การถดถอยโลจิสติก), DT (ต้นไม้ตัดสินใจ), RF (ป่าสุ่ม), XGB (XGBoost), MLP (โครงข่ายประสาทหลายชั้น), วิธีการ CM แบบดั้งเดิม
ขั้นตอนแรกในการศึกษาครั้งนี้คือการเปรียบเทียบความแม่นยำของการประมาณอายุทางทันตกรรมที่ได้จากแบบจำลอง DM ทั้งเจ็ดแบบ กับที่ได้จากการใช้การถดถอยแบบดั้งเดิม ค่า MAE และ RMSE ถูกประเมินในชุดทดสอบภายในสำหรับทั้งสองเพศ และความแตกต่างระหว่างวิธีการแบบดั้งเดิมกับแบบจำลอง DM อยู่ในช่วง 44 ถึง 77 วันสำหรับ MAE และ 62 ถึง 88 วันสำหรับ RMSE แม้ว่าวิธีการแบบดั้งเดิมจะมีความแม่นยำมากกว่าเล็กน้อยในการศึกษาครั้งนี้ แต่ก็ยากที่จะสรุปได้ว่าความแตกต่างเล็กน้อยเช่นนี้มีความสำคัญทางคลินิกหรือในทางปฏิบัติหรือไม่ ผลลัพธ์เหล่านี้บ่งชี้ว่าความแม่นยำของการประมาณอายุทางทันตกรรมโดยใช้แบบจำลอง DM นั้นเกือบจะเท่ากับวิธีการแบบดั้งเดิม การเปรียบเทียบโดยตรงกับผลลัพธ์จากการศึกษาครั้งก่อนๆ นั้นทำได้ยาก เนื่องจากไม่มีการศึกษาใดที่เปรียบเทียบความแม่นยำของแบบจำลอง DM กับวิธีการทางสถิติแบบดั้งเดิมโดยใช้เทคนิคการบันทึกฟันในช่วงอายุเดียวกันกับการศึกษาครั้งนี้ Galibourg et al24 เปรียบเทียบ MAE และ RMSE ระหว่างสองวิธีการแบบดั้งเดิม (วิธีการของ Demirjian25 และวิธีการของ Willems29) และแบบจำลอง DM 10 แบบในประชากรชาวฝรั่งเศสที่มีอายุ 2 ถึง 24 ปี พวกเขารายงานว่าแบบจำลอง DM ทั้งหมดมีความแม่นยำกว่าวิธีการแบบดั้งเดิม โดยมีความแตกต่าง 0.20 และ 0.38 ปีใน MAE และ 0.25 และ 0.47 ปีใน RMSE เมื่อเทียบกับวิธีการของ Willems และ Demirdjian ตามลำดับ ความคลาดเคลื่อนระหว่างแบบจำลอง SD และวิธีการแบบดั้งเดิมที่แสดงในงานวิจัยของ Halibourg คำนึงถึงรายงานจำนวนมาก30,31,32,33 ที่ระบุว่าวิธีการของ Demirdjian ไม่สามารถประมาณอายุฟันได้อย่างแม่นยำในประชากรกลุ่มอื่นนอกเหนือจากชาวฝรั่งเศสแคนาดาซึ่งเป็นกลุ่มที่ใช้ในการศึกษาครั้งนี้ Tai et al 34 ใช้ขั้นตอนวิธี MLP เพื่อทำนายอายุฟันจากภาพถ่ายจัดฟันของชาวจีน 1636 ภาพ และเปรียบเทียบความแม่นยำกับผลลัพธ์ของวิธีการ Demirdjian และ Willems พวกเขารายงานว่า MLP มีความแม่นยำสูงกว่าวิธีการแบบดั้งเดิม ความแตกต่างระหว่างวิธีการ Demirdjian และวิธีการแบบดั้งเดิมคือ <0.32 ปี และวิธีการของ Willems คือ 0.28 ปี ซึ่งคล้ายกับผลลัพธ์ของการศึกษาในปัจจุบัน ผลการศึกษาครั้งก่อนๆ เหล่านี้24,34 สอดคล้องกับผลการศึกษาในปัจจุบัน และความแม่นยำในการประมาณอายุของแบบจำลอง DM และวิธีการแบบดั้งเดิมก็คล้ายคลึงกัน อย่างไรก็ตาม จากผลลัพธ์ที่นำเสนอ เราสามารถสรุปได้อย่างระมัดระวังว่าการใช้แบบจำลอง DM ในการประมาณอายุอาจแทนที่วิธีการที่มีอยู่เดิมได้ เนื่องจากขาดการศึกษาเปรียบเทียบและอ้างอิงก่อนหน้านี้ จำเป็นต้องมีการศึกษาติดตามผลโดยใช้กลุ่มตัวอย่างขนาดใหญ่ขึ้นเพื่อยืนยันผลลัพธ์ที่ได้รับในการศึกษาครั้งนี้
ในบรรดาการศึกษาที่ทดสอบความแม่นยำของ SD ในการประมาณอายุทางทันตกรรม บางการศึกษาแสดงให้เห็นความแม่นยำสูงกว่าการศึกษาของเรา Stepanovsky et al. 35 ได้ใช้แบบจำลอง SD จำนวน 22 แบบกับภาพรังสีพาโนรามาของผู้อยู่อาศัยชาวเช็ก 976 คน อายุ 2.7 ถึง 20.5 ปี และทดสอบความแม่นยำของแต่ละแบบจำลอง พวกเขาประเมินการพัฒนาของฟันแท้บนและล่างซ้ายรวม 16 ซี่ โดยใช้เกณฑ์การจำแนกประเภทที่เสนอโดย Moorrees et al. 36 ค่า MAE อยู่ในช่วง 0.64 ถึง 0.94 ปี และค่า RMSE อยู่ในช่วง 0.85 ถึง 1.27 ปี ซึ่งมีความแม่นยำมากกว่าแบบจำลอง DM สองแบบที่ใช้ในการศึกษานี้ Shen et al. 23 ใช้ระเบียบวิธี Cameriere เพื่อประมาณอายุทางทันตกรรมของฟันแท้เจ็ดซี่ในขากรรไกรล่างซ้ายของผู้อยู่อาศัยชาวจีนตะวันออก อายุ 5 ถึง 13 ปี และเปรียบเทียบกับอายุที่ประมาณโดยใช้การถดถอยเชิงเส้น SVM และ RF พวกเขาแสดงให้เห็นว่าแบบจำลอง DM ทั้งสามแบบมีความแม่นยำสูงกว่าสูตร Cameriere แบบดั้งเดิม ค่า MAE และ RMSE ในการศึกษาของ Shen ต่ำกว่าค่าในแบบจำลอง DM ในการศึกษานี้ ความแม่นยำที่เพิ่มขึ้นของการศึกษาโดย Stepanovsky et al. 35 และ Shen et al. 23 อาจเกิดจากการรวมกลุ่มตัวอย่างที่อายุน้อยกว่าไว้ในการศึกษา เนื่องจากประมาณการอายุสำหรับผู้เข้าร่วมที่มีฟันกำลังพัฒนาจะมีความแม่นยำมากขึ้นเมื่อจำนวนฟันเพิ่มขึ้นในระหว่างการพัฒนาของฟัน ความแม่นยำของวิธีการประมาณอายุที่ได้อาจลดลงเมื่อผู้เข้าร่วมการศึกษาอายุน้อยลง นอกจากนี้ ข้อผิดพลาดในการประมาณอายุของ MLP น้อยกว่าของ SLP เล็กน้อย ซึ่งหมายความว่า MLP มีความแม่นยำมากกว่า SLP MLP ถือว่าดีกว่าเล็กน้อยสำหรับการประมาณอายุ อาจเนื่องมาจากเลเยอร์ที่ซ่อนอยู่ใน MLP38 อย่างไรก็ตาม มีข้อยกเว้นสำหรับกลุ่มตัวอย่างภายนอกของผู้หญิง (SLP 1.45, MLP 1.49) การค้นพบว่า MLP มีความแม่นยำมากกว่า SLP ในการประเมินอายุจำเป็นต้องมีการศึกษาแบบย้อนหลังเพิ่มเติม
ประสิทธิภาพการจำแนกประเภทของแบบจำลอง DM และวิธีการแบบดั้งเดิมที่เกณฑ์อายุ 18 ปีได้รับการเปรียบเทียบเช่นกัน แบบจำลอง SD และวิธีการแบบดั้งเดิมทั้งหมดที่ทดสอบในชุดทดสอบภายในแสดงให้เห็นถึงระดับการจำแนกที่ยอมรับได้ในทางปฏิบัติสำหรับกลุ่มตัวอย่างอายุ 18 ปี ความไวสำหรับผู้ชายและผู้หญิงมากกว่า 87.7% และ 94.9% ตามลำดับ และความจำเพาะมากกว่า 89.3% และ 84.7% ค่า AUROC ของแบบจำลองที่ทดสอบทั้งหมดก็เกิน 0.925 เช่นกัน เท่าที่เรารู้ ไม่มีงานวิจัยใดที่ทดสอบประสิทธิภาพของแบบจำลอง DM สำหรับการจำแนกประเภทอายุ 18 ปีโดยอิงจากวุฒิภาวะทางทันตกรรม เราสามารถเปรียบเทียบผลลัพธ์ของการศึกษานี้กับประสิทธิภาพการจำแนกประเภทของแบบจำลองการเรียนรู้เชิงลึกบนภาพรังสีพาโนรามา Guo et al.15 คำนวณประสิทธิภาพการจำแนกประเภทของแบบจำลองการเรียนรู้เชิงลึกแบบ CNN และวิธีการแบบแมนนวลโดยอิงจากวิธีการของ Demirjian สำหรับเกณฑ์อายุที่กำหนด ความไวและความจำเพาะของวิธีการประเมินด้วยมืออยู่ที่ 87.7% และ 95.5% ตามลำดับ ในขณะที่ความไวและความจำเพาะของแบบจำลอง CNN สูงกว่า 89.2% และ 86.6% ตามลำดับ จึงสรุปได้ว่าแบบจำลองการเรียนรู้เชิงลึกสามารถทดแทนหรือมีประสิทธิภาพเหนือกว่าการประเมินด้วยมือในการจำแนกเกณฑ์อายุ ผลการศึกษาแสดงให้เห็นถึงประสิทธิภาพการจำแนกที่คล้ายคลึงกัน เชื่อว่าการจำแนกโดยใช้แบบจำลอง DM สามารถทดแทนวิธีการทางสถิติแบบดั้งเดิมสำหรับการประมาณอายุได้ ในบรรดาแบบจำลองต่างๆ แบบจำลอง DM LR เป็นแบบจำลองที่ดีที่สุดในแง่ของความไวสำหรับกลุ่มตัวอย่างเพศชาย และความไวและความจำเพาะสำหรับกลุ่มตัวอย่างเพศหญิง LR อยู่ในอันดับที่สองในด้านความจำเพาะสำหรับผู้ชาย นอกจากนี้ LR ยังถือเป็นหนึ่งในแบบจำลอง DM35 ที่ใช้งานง่ายกว่า และมีความซับซ้อนน้อยกว่าและประมวลผลได้ยากน้อยกว่า จากผลลัพธ์เหล่านี้ LR จึงถือเป็นแบบจำลองการจำแนกเกณฑ์อายุที่ดีที่สุดสำหรับผู้ที่มีอายุ 18 ปีในประชากรเกาหลี
โดยรวมแล้ว ความแม่นยำของการประมาณอายุหรือประสิทธิภาพการจำแนกประเภทบนชุดทดสอบภายนอกนั้นแย่หรือต่ำกว่าเมื่อเทียบกับผลลัพธ์บนชุดทดสอบภายใน รายงานบางฉบับระบุว่าความแม่นยำหรือประสิทธิภาพในการจำแนกประเภทลดลงเมื่อนำการประมาณอายุจากประชากรเกาหลีไปใช้กับประชากรญี่ปุ่น5,39 และพบรูปแบบที่คล้ายกันในงานวิจัยนี้ แนวโน้มการเสื่อมถอยนี้ยังพบในแบบจำลอง DM ด้วย ดังนั้น เพื่อให้สามารถประมาณอายุได้อย่างแม่นยำ แม้จะใช้ DM ในกระบวนการวิเคราะห์ ควรเลือกใช้วิธีการที่ได้มาจากข้อมูลประชากรดั้งเดิม เช่น วิธีการแบบดั้งเดิม5,39,40,41,42 เนื่องจากยังไม่ชัดเจนว่าแบบจำลองการเรียนรู้เชิงลึกจะแสดงแนวโน้มที่คล้ายกันหรือไม่ จึงจำเป็นต้องมีการศึกษาเปรียบเทียบความแม่นยำและประสิทธิภาพในการจำแนกประเภทโดยใช้วิธีการแบบดั้งเดิม แบบจำลอง DM และแบบจำลองการเรียนรู้เชิงลึกกับตัวอย่างเดียวกัน เพื่อยืนยันว่าปัญญาประดิษฐ์สามารถเอาชนะความเหลื่อมล้ำทางเชื้อชาติเหล่านี้ในการประเมินอายุที่จำกัดได้หรือไม่
เราได้แสดงให้เห็นว่าวิธีการแบบดั้งเดิมสามารถถูกแทนที่ด้วยการประมาณอายุโดยใช้แบบจำลอง DM ในการประมาณอายุทางนิติวิทยาศาสตร์ในเกาหลี นอกจากนี้ เรายังค้นพบความเป็นไปได้ในการนำการเรียนรู้ของเครื่องมาใช้ในการประเมินอายุทางนิติวิทยาศาสตร์ อย่างไรก็ตาม มีข้อจำกัดที่ชัดเจน เช่น จำนวนผู้เข้าร่วมในการศึกษาครั้งนี้ไม่เพียงพอที่จะสรุปผลได้อย่างแน่ชัด และขาดการศึกษาในอดีตเพื่อเปรียบเทียบและยืนยันผลการศึกษาครั้งนี้ ในอนาคต ควรมีการศึกษาแบบจำลอง DM โดยใช้กลุ่มตัวอย่างจำนวนมากขึ้นและประชากรที่หลากหลายมากขึ้น เพื่อปรับปรุงการใช้งานจริงเมื่อเทียบกับวิธีการแบบดั้งเดิม เพื่อตรวจสอบความเป็นไปได้ของการใช้ปัญญาประดิษฐ์ในการประมาณอายุในประชากรหลายกลุ่ม จำเป็นต้องมีการศึกษาเพิ่มเติมเพื่อเปรียบเทียบความแม่นยำและประสิทธิภาพของการจำแนกประเภทของแบบจำลอง DM และการเรียนรู้เชิงลึกกับวิธีการแบบดั้งเดิมในกลุ่มตัวอย่างเดียวกัน
การศึกษานี้ใช้ภาพถ่ายรังสีแบบออร์โธกราฟิกจำนวน 2,657 ภาพที่รวบรวมจากผู้ใหญ่ชาวเกาหลีและญี่ปุ่นอายุ 15 ถึง 23 ปี ภาพถ่ายรังสีของชาวเกาหลีถูกแบ่งออกเป็นชุดฝึกอบรม 900 ชุด (อายุเฉลี่ย 19.42 ± 2.65 ปี) และชุดทดสอบภายใน 900 ชุด (อายุเฉลี่ย 19.52 ± 2.59 ปี) ชุดฝึกอบรมถูกรวบรวมจากสถาบันเดียว (โรงพยาบาลโซลเซนต์แมรี) และชุดทดสอบของเราเองถูกรวบรวมจากสองสถาบัน (โรงพยาบาลทันตกรรมมหาวิทยาลัยแห่งชาติโซลและโรงพยาบาลทันตกรรมมหาวิทยาลัยยอนเซ) นอกจากนี้ เรายังรวบรวมภาพถ่ายรังสีจำนวน 857 ภาพจากข้อมูลประชากรอื่น (มหาวิทยาลัยการแพทย์อิวาเตะ ประเทศญี่ปุ่น) สำหรับการทดสอบภายนอก ภาพถ่ายรังสีของชาวญี่ปุ่น (อายุเฉลี่ย 19.31 ± 2.60 ปี) ถูกเลือกเป็นชุดทดสอบภายนอก ข้อมูลถูกรวบรวมแบบย้อนหลังเพื่อวิเคราะห์ขั้นตอนการพัฒนาของฟันจากภาพถ่ายรังสีพาโนรามาที่ถ่ายระหว่างการรักษาทางทันตกรรม ข้อมูลทั้งหมดที่รวบรวมเป็นข้อมูลนิรนาม ยกเว้นเพศ วันเกิด และวันที่ถ่ายภาพรังสี เกณฑ์การรวมและการยกเว้นเหมือนกับการศึกษาที่ตีพิมพ์ก่อนหน้านี้ 4, 5 อายุที่แท้จริงของกลุ่มตัวอย่างคำนวณโดยการลบวันเกิดออกจากวันที่ถ่ายภาพรังสี กลุ่มตัวอย่างถูกแบ่งออกเป็นเก้ากลุ่มอายุ การกระจายอายุและเพศแสดงในตารางที่ 3 การศึกษานี้ดำเนินการตามปฏิญญาเฮลซิงกิและได้รับการอนุมัติจากคณะกรรมการจริยธรรมการวิจัย (IRB) ของโรงพยาบาลโซลเซนต์แมรี มหาวิทยาลัยคาทอลิกแห่งเกาหลี (KC22WISI0328) เนื่องจากเป็นการศึกษาแบบย้อนหลัง จึงไม่สามารถขอความยินยอมจากผู้ป่วยทุกคนที่เข้ารับการตรวจทางรังสีวิทยาเพื่อวัตถุประสงค์ในการรักษาได้ คณะกรรมการจริยธรรมการวิจัยของโรงพยาบาลโซลเซนต์แมรี มหาวิทยาลัยคาทอลิกแห่งเกาหลี (IRB) จึงยกเว้นข้อกำหนดเรื่องความยินยอมจากผู้ป่วย
ขั้นตอนการพัฒนาของฟันกรามซี่ที่สองและสามของขากรรไกรทั้งสองข้างได้รับการประเมินตามเกณฑ์ของ Demircan25 หากพบฟันชนิดเดียวกันทั้งด้านซ้ายและด้านขวาของขากรรไกรแต่ละข้าง จะเลือกฟันเพียงซี่เดียว หากฟันที่เหมือนกันทั้งสองข้างอยู่ในขั้นตอนการพัฒนาที่แตกต่างกัน จะเลือกฟันที่มีขั้นตอนการพัฒนาต่ำกว่าเพื่อชดเชยความไม่แน่นอนในการประมาณอายุ ภาพรังสี 100 ภาพที่สุ่มเลือกจากชุดฝึกอบรมได้รับการประเมินโดยผู้สังเกตการณ์ที่มีประสบการณ์สองคนเพื่อทดสอบความน่าเชื่อถือระหว่างผู้สังเกตการณ์หลังจากการสอบเทียบเบื้องต้นเพื่อกำหนดขั้นตอนการเจริญเติบโตของฟัน ความน่าเชื่อถือภายในผู้สังเกตการณ์ได้รับการประเมินสองครั้งในช่วงเวลาสามเดือนโดยผู้สังเกตการณ์หลัก
เพศและระยะการพัฒนาของฟันกรามซี่ที่สองและสามของขากรรไกรแต่ละข้างในชุดข้อมูลฝึกฝนถูกประเมินโดยผู้สังเกตการณ์หลักที่ได้รับการฝึกฝนด้วยแบบจำลอง DM ที่แตกต่างกัน และกำหนดอายุจริงเป็นค่าเป้าหมาย แบบจำลอง SLP และ MLP ซึ่งใช้กันอย่างแพร่หลายในด้านการเรียนรู้ของเครื่อง ถูกทดสอบกับอัลกอริธึมการถดถอย แบบจำลอง DM รวมฟังก์ชันเชิงเส้นโดยใช้ระยะการพัฒนาของฟันทั้งสี่ซี่และรวมข้อมูลเหล่านี้เพื่อประเมินอายุ SLP เป็นโครงข่ายประสาทเทียมที่ง่ายที่สุดและไม่มีชั้นซ่อน SLP ทำงานโดยอาศัยการส่งผ่านค่าเกณฑ์ระหว่างโหนด แบบจำลอง SLP ในการถดถอยมีความคล้ายคลึงทางคณิตศาสตร์กับการถดถอยเชิงเส้นหลายตัวแปร แตกต่างจากแบบจำลอง SLP แบบจำลอง MLP มีชั้นซ่อนหลายชั้นพร้อมฟังก์ชันการกระตุ้นแบบไม่เชิงเส้น การทดลองของเราใช้ชั้นซ่อนที่มีโหนดซ่อนเพียง 20 โหนดพร้อมฟังก์ชันการกระตุ้นแบบไม่เชิงเส้น ใช้การไล่ระดับความชันเป็นวิธีการเพิ่มประสิทธิภาพและ MAE และ RMSE เป็นฟังก์ชันการสูญเสียเพื่อฝึกฝนแบบจำลองการเรียนรู้ของเครื่องของเรา แบบจำลองการถดถอยที่ดีที่สุดที่ได้ถูกนำไปใช้กับชุดทดสอบภายในและภายนอก และประเมินอายุของฟัน
ได้มีการพัฒนาอัลกอริทึมการจำแนกประเภทที่ใช้ความสมบูรณ์ของฟันสี่ซี่ในชุดข้อมูลฝึกฝนเพื่อทำนายว่าตัวอย่างมีอายุ 18 ปีหรือไม่ เพื่อสร้างแบบจำลอง เราได้ดึงอัลกอริทึมการเรียนรู้ของเครื่องเจ็ดตัวแทน6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost และ (7) MLP LR เป็นหนึ่งในอัลกอริทึมการจำแนกประเภทที่ใช้กันอย่างแพร่หลายที่สุด44 เป็นอัลกอริทึมการเรียนรู้แบบมีผู้กำกับดูแลที่ใช้การถดถอยเพื่อทำนายความน่าจะเป็นของข้อมูลที่อยู่ในหมวดหมู่ใดหมวดหมู่หนึ่งจาก 0 ถึง 1 และจำแนกข้อมูลว่าเป็นของหมวดหมู่ที่มีแนวโน้มมากกว่าโดยพิจารณาจากความน่าจะเป็นนี้ ส่วนใหญ่ใช้สำหรับการจำแนกแบบไบนารี KNN เป็นหนึ่งในอัลกอริทึมการเรียนรู้ของเครื่องที่ง่ายที่สุด45 เมื่อได้รับข้อมูลอินพุตใหม่ มันจะค้นหาข้อมูล k รายการที่ใกล้เคียงกับชุดข้อมูลที่มีอยู่ จากนั้นจำแนกข้อมูลเหล่านั้นลงในคลาสที่มีความถี่สูงสุด เราตั้งค่า 3 สำหรับจำนวนเพื่อนบ้านที่พิจารณา (k) SVM เป็นอัลกอริธึมที่เพิ่มระยะห่างระหว่างสองคลาสให้สูงสุดโดยใช้ฟังก์ชันเคอร์เนลเพื่อขยายพื้นที่เชิงเส้นเป็นพื้นที่ที่ไม่เป็นเชิงเส้นที่เรียกว่าฟิลด์46 สำหรับโมเดลนี้ เราใช้ bias = 1, power = 1 และ gamma = 1 เป็นไฮเปอร์พารามิเตอร์สำหรับเคอร์เนลพหุนาม DT ถูกนำไปใช้ในสาขาต่างๆ ในฐานะอัลกอริธึมสำหรับการแบ่งชุดข้อมูลทั้งหมดออกเป็นหลายกลุ่มย่อยโดยการแสดงกฎการตัดสินใจในโครงสร้างต้นไม้47 โมเดลนี้ถูกกำหนดค่าด้วยจำนวนระเบียนขั้นต่ำต่อโหนด 2 และใช้ดัชนี Gini เป็นตัววัดคุณภาพ RF เป็นวิธีการแบบกลุ่มที่รวม DT หลายตัวเข้าด้วยกันเพื่อปรับปรุงประสิทธิภาพโดยใช้วิธีการรวมแบบบูตสแตรปที่สร้างตัวจำแนกแบบอ่อนสำหรับแต่ละตัวอย่างโดยการสุ่มเลือกตัวอย่างที่มีขนาดเท่ากันหลายครั้งจากชุดข้อมูลดั้งเดิม48 เราใช้ต้นไม้ 100 ต้น ความลึกของต้นไม้ 10 ระดับ ขนาดโหนดขั้นต่ำ 1 และดัชนีการผสม Gini เป็นเกณฑ์การแยกโหนด การจำแนกข้อมูลใหม่จะถูกกำหนดโดยการลงคะแนนเสียงส่วนใหญ่ XGBoost เป็นอัลกอริทึมที่ผสมผสานเทคนิคการบูสติ้งโดยใช้วิธีการที่ใช้ข้อผิดพลาดระหว่างค่าจริงและค่าที่ทำนายได้ของโมเดลก่อนหน้าเป็นข้อมูลฝึกฝน และเพิ่มข้อผิดพลาดโดยใช้เกรเดียนต์49 เป็นอัลกอริทึมที่ใช้กันอย่างแพร่หลายเนื่องจากประสิทธิภาพที่ดี ประสิทธิภาพการใช้ทรัพยากร และความน่าเชื่อถือสูงในฐานะฟังก์ชันแก้ไขการโอเวอร์ฟิตติ้ง โมเดลนี้มีล้อสนับสนุน 400 ล้อ MLP เป็นโครงข่ายประสาทเทียมที่เพอร์เซปตรอนหนึ่งตัวหรือมากกว่านั้นสร้างเลเยอร์หลายชั้นโดยมีเลเยอร์ซ่อนหนึ่งตัวหรือมากกว่านั้นอยู่ระหว่างเลเยอร์อินพุตและเอาต์พุต38 การใช้สิ่งนี้ คุณสามารถทำการจำแนกประเภทแบบไม่เชิงเส้นได้ โดยเมื่อคุณเพิ่มเลเยอร์อินพุตและได้รับค่าผลลัพธ์ ค่าผลลัพธ์ที่ทำนายได้จะถูกเปรียบเทียบกับค่าผลลัพธ์จริงและข้อผิดพลาดจะถูกส่งกลับ เราสร้างเลเยอร์ซ่อนที่มีเซลล์ประสาทซ่อน 20 ตัวในแต่ละเลเยอร์ แต่ละโมเดลที่เราพัฒนาขึ้นนั้นถูกนำไปใช้กับชุดข้อมูลภายในและภายนอกเพื่อทดสอบประสิทธิภาพการจำแนกประเภทโดยการคำนวณความไว ความจำเพาะ PPV NPV และ AUROC ความไว (Sensitivity) หมายถึง อัตราส่วนของกลุ่มตัวอย่างที่คาดว่ามีอายุ 18 ปีขึ้นไป ต่อกลุ่มตัวอย่างที่คาดว่ามีอายุ 18 ปีขึ้นไป ส่วนความจำเพาะ (Specificity) คือ สัดส่วนของกลุ่มตัวอย่างที่มีอายุต่ำกว่า 18 ปี ต่อกลุ่มตัวอย่างที่คาดว่ามีอายุต่ำกว่า 18 ปี
ขั้นตอนการพัฒนาฟันที่ประเมินในชุดข้อมูลฝึกฝนถูกแปลงเป็นขั้นตอนเชิงตัวเลขสำหรับการวิเคราะห์ทางสถิติ มีการใช้การถดถอยเชิงเส้นและโลจิสติกแบบหลายตัวแปรเพื่อพัฒนาแบบจำลองการทำนายสำหรับแต่ละเพศ และหาอนุพันธ์ของสูตรการถดถอยที่สามารถใช้ในการประมาณอายุ เราใช้สูตรเหล่านี้ในการประมาณอายุของฟันสำหรับชุดข้อมูลทดสอบทั้งภายในและภายนอก ตารางที่ 4 แสดงแบบจำลองการถดถอยและการจำแนกประเภทที่ใช้ในการศึกษาครั้งนี้
ความน่าเชื่อถือภายในและระหว่างผู้สังเกตการณ์คำนวณโดยใช้สถิติแคปปาของโคเฮน เพื่อทดสอบความแม่นยำของแบบจำลอง DM และแบบจำลองการถดถอยแบบดั้งเดิม เราคำนวณ MAE และ RMSE โดยใช้ค่าประมาณและอายุจริงของชุดทดสอบภายในและภายนอก ข้อผิดพลาดเหล่านี้มักใช้ในการประเมินความแม่นยำของการทำนายแบบจำลอง ยิ่งข้อผิดพลาดน้อย ความแม่นยำของการพยากรณ์ก็จะยิ่งสูงขึ้น24 เปรียบเทียบ MAE และ RMSE ของชุดทดสอบภายในและภายนอกที่คำนวณโดยใช้ DM และการถดถอยแบบดั้งเดิม ประสิทธิภาพการจำแนกประเภทของจุดตัดอายุ 18 ปีในสถิติแบบดั้งเดิมได้รับการประเมินโดยใช้ตารางความสัมพันธ์ 2 × 2 ความไว ความจำเพาะ PPV NPV และ AUROC ที่คำนวณได้ของชุดทดสอบถูกนำมาเปรียบเทียบกับค่าที่วัดได้ของแบบจำลองการจำแนกประเภท DM ข้อมูลแสดงเป็นค่าเฉลี่ย ± ส่วนเบี่ยงเบนมาตรฐาน หรือจำนวน (%) ขึ้นอยู่กับลักษณะของข้อมูล ค่า P สองด้าน <0.05 ถือว่ามีนัยสำคัญทางสถิติ การวิเคราะห์ทางสถิติตามปกติทั้งหมดดำเนินการโดยใช้ SAS เวอร์ชัน 9.4 (SAS Institute, Cary, NC) แบบจำลองการถดถอย DM ถูกนำไปใช้ในภาษา Python โดยใช้แบ็กเอนด์ Keras50 2.2.4 และ Tensorflow51 1.8.0 โดยเฉพาะสำหรับการดำเนินการทางคณิตศาสตร์ ส่วนแบบจำลองการจำแนกประเภท DM ถูกนำไปใช้ในสภาพแวดล้อมการวิเคราะห์ความรู้ Waikato และแพลตฟอร์มการวิเคราะห์ Konstanz Information Miner (KNIME) 4.6.152
ผู้เขียนรับทราบว่าข้อมูลที่สนับสนุนข้อสรุปของการศึกษาสามารถพบได้ในบทความและเอกสารประกอบเพิ่มเติม ชุดข้อมูลที่สร้างขึ้นและ/หรือวิเคราะห์ระหว่างการศึกษา สามารถขอรับได้จากผู้เขียนที่รับผิดชอบบทความนี้เมื่อมีการร้องขออย่างสมเหตุสมผล
Ritz-Timme, S. และคณะ การประเมินอายุ: สถานะปัจจุบันเพื่อตอบสนองความต้องการเฉพาะของการปฏิบัติทางนิติเวช วารสารนิติเวชศาสตร์ระหว่างประเทศ 113, 129–136 (2000)
Schmeling, A., Reisinger, W., Geserik, G. และ Olze, A. สถานะปัจจุบันของการประเมินอายุทางนิติเวชของบุคคลที่มีชีวิตเพื่อวัตถุประสงค์ในการดำเนินคดีอาญา นิติเวชศาสตร์ พยาธิวิทยา 1, 239–246 (2005)
Pan, J. และคณะ วิธีการปรับปรุงสำหรับการประเมินอายุทางทันตกรรมของเด็กอายุ 5 ถึง 16 ปีในภาคตะวันออกของจีน การสำรวจทางคลินิกและช่องปาก 25, 3463–3474 (2021)
ลี, เอส.เอส. และคณะ ลำดับเวลาของการพัฒนาฟันกรามซี่ที่สองและสามในชาวเกาหลีและการประยุกต์ใช้ในการประเมินอายุทางนิติเวช วารสารนิติเวชศาสตร์ระหว่างประเทศ 124, 659–665 (2010)
Oh, S., Kumagai, A., Kim, SY และ Lee, SS ความแม่นยำของการประมาณอายุและการประมาณเกณฑ์อายุ 18 ปีโดยพิจารณาจากความสมบูรณ์ของฟันกรามซี่ที่สองและสามในชาวเกาหลีและชาวญี่ปุ่น PLoS ONE 17, e0271247 (2022)
Kim, JY และคณะ การวิเคราะห์ข้อมูลก่อนการผ่าตัดโดยใช้การเรียนรู้ของเครื่องสามารถทำนายผลลัพธ์ของการรักษาด้วยการผ่าตัดขณะหลับในผู้ป่วยที่มีภาวะหยุดหายใจขณะหลับได้ วารสารวิทยาศาสตร์ ฉบับที่ 11, 14911 (2021)
Han, M. และคณะ การประมาณอายุที่แม่นยำจากการเรียนรู้ของเครื่องจักรโดยมีหรือไม่มีการแทรกแซงจากมนุษย์? วารสารนิติเวชศาสตร์ระหว่างประเทศ 136, 821–831 (2022)
Khan, S. และ Shaheen, M. จากการทำเหมืองข้อมูลสู่การทำเหมืองข้อมูล วารสารสารสนเทศศาสตร์ https://doi.org/10.1177/01655515211030872 (2021)
Khan, S. และ Shaheen, M. WisRule: อัลกอริทึมเชิงปัญญาตัวแรกสำหรับการขุดกฎความสัมพันธ์ วารสารสารสนเทศศาสตร์ https://doi.org/10.1177/01655515221108695 (2022)
Shaheen M. และ Abdullah U. Karm: การขุดข้อมูลแบบดั้งเดิมโดยอาศัยกฎความสัมพันธ์ตามบริบท คำนวณ Matt. continue. 68, 3305–3322 (2021)
Muhammad M., Rehman Z., Shaheen M., Khan M. และ Habib M. การตรวจจับความคล้ายคลึงทางความหมายโดยใช้ข้อมูลข้อความโดยใช้การเรียนรู้เชิงลึก เทคโนโลยีสารสนเทศและการควบคุม https://doi.org/10.5755/j01.itc.49.4.27118 (2020)
Tabish, M., Tanoli, Z. และ Shahin, M. ระบบสำหรับการตรวจจับกิจกรรมในวิดีโอกีฬา Multimedia Tools Applications https://doi.org/10.1007/s11042-021-10519-6 (2021)
Halabi, SS และคณะ ความท้าทายการเรียนรู้ของเครื่องจักร RSNA ในการประเมินอายุของกระดูกในเด็ก Radiology 290, 498–503 (2019)
Li, Y. และคณะ การประมาณอายุทางนิติวิทยาศาสตร์จากภาพเอกซเรย์กระดูกเชิงกรานโดยใช้การเรียนรู้เชิงลึก EURO. radiation. 29, 2322–2329 (2019)
Guo, YC และคณะ การจำแนกอายุที่แม่นยำโดยใช้วิธีการแบบแมนนวลและโครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึกจากภาพฉายแบบออร์โธกราฟิก วารสารนิติเวชศาสตร์ระหว่างประเทศ 135, 1589–1597 (2021)
Alabama Dalora และคณะ การประมาณอายุของกระดูกโดยใช้วิธีการเรียนรู้ของเครื่องจักรที่แตกต่างกัน: การทบทวนวรรณกรรมอย่างเป็นระบบและการวิเคราะห์เชิงเมตา PLoS ONE 14, e0220242 (2019)
Du, H., Li, G., Cheng, K. และ Yang, J. การประมาณอายุเฉพาะกลุ่มประชากรของชาวแอฟริกันอเมริกันและชาวจีนโดยอาศัยปริมาตรโพรงฟันของฟันกรามซี่แรกโดยใช้การถ่ายภาพรังสีคอมพิวเตอร์แบบลำแสงกรวย วารสารนิติเวชศาสตร์ระหว่างประเทศ 136, 811–819 (2022)
Kim S., Lee YH, Noh YK, Park FK และ Oh KS การกำหนดกลุ่มอายุของบุคคลที่มีชีวิตอยู่โดยใช้ภาพฟันกรามซี่แรกที่สร้างขึ้นจากปัญญาประดิษฐ์ วารสารวิทยาศาสตร์ รายงาน 11, 1073 (2021)
Stern, D., Payer, C., Giuliani, N. และ Urschler, M. การประมาณอายุอัตโนมัติและการจำแนกกลุ่มอายุส่วนใหญ่จากข้อมูล MRI หลายตัวแปร IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019)
Cheng, Q., Ge, Z., Du, H. และ Li, G. การประมาณอายุโดยใช้การแบ่งส่วนโพรงเนื้อฟันแบบ 3 มิติของฟันกรามซี่แรกจากภาพตัดขวางด้วยรังสีเอกซ์คอมพิวเตอร์แบบลำแสงกรวยโดยการบูรณาการการเรียนรู้เชิงลึกและเซตระดับ วารสารนิติเวชศาสตร์ระหว่างประเทศ 135, 365–373 (2021)
Wu, WT และคณะ การขุดค้นข้อมูลในข้อมูลขนาดใหญ่ทางคลินิก: ฐานข้อมูลทั่วไป ขั้นตอน และแบบจำลองวิธีการ ทรัพยากรการแพทย์โลก 8, 44 (2021)
Yang, J. และคณะ บทนำเกี่ยวกับฐานข้อมูลทางการแพทย์และเทคโนโลยีการขุดข้อมูลในยุคบิ๊กดาต้า วารสารการแพทย์พื้นฐาน 13, 57–69 (2020)
Shen, S. และคณะ วิธีของ Camerer ในการประมาณอายุฟันโดยใช้การเรียนรู้ของเครื่อง BMC Oral Health 21, 641 (2021)
Galliburg A. และคณะ การเปรียบเทียบวิธีการเรียนรู้ของเครื่องจักรที่แตกต่างกันสำหรับการทำนายอายุทางทันตกรรมโดยใช้วิธีการจัดระยะของ Demirdjian วารสารนิติเวชศาสตร์ระหว่างประเทศ 135, 665–675 (2021)
Demirdjian, A., Goldstein, H. และ Tanner, JM ระบบใหม่สำหรับการประเมินอายุฟัน snort. biology. 45, 211–227 (1973)
Landis, JR และ Koch, GG การวัดความสอดคล้องของผู้สังเกตการณ์ในข้อมูลเชิงหมวดหมู่ Biometrics 33, 159–174 (1977)
Bhattacharjee S, Prakash D, Kim C, Kim HK และ Choi HK การวิเคราะห์พื้นผิว รูปร่าง และสถิติของภาพถ่ายเรโซแนนซ์แม่เหล็กสองมิติโดยใช้เทคนิคปัญญาประดิษฐ์เพื่อจำแนกเนื้องอกในสมองชนิดปฐมภูมิ แหล่งข้อมูลด้านสุขภาพ https://doi.org/10.4258/hir.2022.28.1.46 (2022)