การตรวจสอบความถูกต้องของแบบจำลองการทำเหมืองข้อมูลเทียบกับวิธีการประมาณอายุทางทันตกรรมแบบดั้งเดิมในวัยรุ่นและผู้ใหญ่วัยหนุ่มสาวชาวเกาหลี

ขอขอบคุณที่เยี่ยมชม Nature.comเวอร์ชันของเบราว์เซอร์ที่คุณใช้มีการรองรับ CSS อย่างจำกัดเพื่อผลลัพธ์ที่ดีที่สุด เราขอแนะนำให้ใช้เบราว์เซอร์เวอร์ชันใหม่กว่า (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer)ในระหว่างนี้ เพื่อให้มั่นใจว่าได้รับการสนับสนุนอย่างต่อเนื่อง เรากำลังแสดงเว็บไซต์ที่ไม่มีรูปแบบหรือ JavaScript
ฟันถือเป็นตัวบ่งชี้อายุของร่างกายมนุษย์ที่แม่นยำที่สุด และมักใช้ในการประเมินอายุทางนิติวิทยาศาสตร์เรามุ่งเป้าที่จะตรวจสอบการประมาณการอายุทางทันตกรรมโดยการขุดข้อมูล โดยการเปรียบเทียบความแม่นยำในการประมาณค่าและประสิทธิภาพการจำแนกประเภทของเกณฑ์ 18 ปีกับวิธีการแบบดั้งเดิมและการประมาณอายุตามการขุดข้อมูลภาพเอ็กซ์เรย์พาโนรามาทั้งหมด 2,657 ภาพถูกรวบรวมจากพลเมืองเกาหลีและญี่ปุ่นที่มีอายุระหว่าง 15 ถึง 23 ปีพวกเขาถูกแบ่งออกเป็นชุดฝึกอบรม แต่ละชุดประกอบด้วยภาพเอ็กซ์เรย์ภาษาเกาหลี 900 ภาพ และชุดทดสอบภายในประกอบด้วยภาพเอ็กซ์เรย์ภาษาญี่ปุ่น 857 ภาพเราเปรียบเทียบความแม่นยำในการจำแนกประเภทและประสิทธิภาพของวิธีการดั้งเดิมกับชุดทดสอบของแบบจำลองการขุดข้อมูลความแม่นยำของวิธีดั้งเดิมกับชุดการทดสอบภายในนั้นสูงกว่าโมเดลการขุดข้อมูลเล็กน้อย และความแตกต่างมีน้อย (ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ <0.21 ปี ความคลาดเคลื่อนรูทเฉลี่ยกำลังสอง <0.24 ปี)ประสิทธิภาพการจำแนกประเภทสำหรับจุดตัดเวลา 18 ปีก็คล้ายคลึงกันระหว่างวิธีการแบบเดิมและแบบจำลองการทำเหมืองข้อมูลดังนั้นวิธีการแบบเดิมสามารถถูกแทนที่ด้วยแบบจำลองการขุดข้อมูลเมื่อทำการประเมินอายุทางนิติวิทยาศาสตร์โดยใช้วุฒิภาวะของฟันกรามซี่ที่สองและสามในวัยรุ่นและผู้ใหญ่วัยหนุ่มสาวของเกาหลี
การประมาณอายุทันตกรรมมีการใช้กันอย่างแพร่หลายในเวชศาสตร์นิติเวชและทันตกรรมสำหรับเด็กโดยเฉพาะอย่างยิ่ง เนื่องจากมีความสัมพันธ์สูงระหว่างอายุตามลำดับเวลาและพัฒนาการทางทันตกรรม การประเมินอายุตามระยะพัฒนาการทางทันตกรรมจึงเป็นเกณฑ์สำคัญในการประเมินอายุของเด็กและวัยรุ่น1,2,3อย่างไรก็ตาม สำหรับคนหนุ่มสาว การประมาณอายุฟันโดยพิจารณาจากวุฒิภาวะของฟันนั้นมีข้อจำกัด เนื่องจากการเจริญเติบโตของฟันใกล้จะสมบูรณ์แล้ว ยกเว้นฟันกรามซี่ที่ 3วัตถุประสงค์ทางกฎหมายในการกำหนดอายุของคนหนุ่มสาวและวัยรุ่นคือเพื่อให้การประมาณการที่แม่นยำและหลักฐานทางวิทยาศาสตร์ว่าพวกเขาได้บรรลุนิติภาวะหรือไม่ในการปฏิบัติงานด้านกฎหมายทางการแพทย์สำหรับวัยรุ่นและผู้ใหญ่วัยหนุ่มสาวในเกาหลี อายุจะถูกประเมินโดยใช้วิธีของ Lee และคาดการณ์เกณฑ์ทางกฎหมายที่ 18 ปีตามข้อมูลที่รายงานโดย Oh et al 5
การเรียนรู้ของเครื่องเป็นปัญญาประดิษฐ์ (AI) ประเภทหนึ่งที่เรียนรู้ซ้ำๆ และจัดประเภทข้อมูลจำนวนมาก แก้ปัญหาได้ด้วยตัวเอง และขับเคลื่อนการเขียนโปรแกรมข้อมูลการเรียนรู้ของเครื่องสามารถค้นพบรูปแบบที่ซ่อนอยู่ที่เป็นประโยชน์ในข้อมูลปริมาณมาก6ในทางตรงกันข้าม วิธีการแบบดั้งเดิมซึ่งต้องใช้แรงงานมากและใช้เวลานาน อาจมีข้อจำกัดเมื่อต้องจัดการกับข้อมูลที่ซับซ้อนจำนวนมากซึ่งยากต่อการประมวลผลด้วยตนเอง7ดังนั้นจึงมีการศึกษาจำนวนมากเมื่อเร็วๆ นี้โดยใช้เทคโนโลยีคอมพิวเตอร์ล่าสุดเพื่อลดข้อผิดพลาดของมนุษย์และประมวลผลข้อมูลหลายมิติอย่างมีประสิทธิภาพ8,9,10,11,12โดยเฉพาะอย่างยิ่งการเรียนรู้เชิงลึกถูกนำมาใช้กันอย่างแพร่หลายในการวิเคราะห์ภาพทางการแพทย์ และมีการรายงานวิธีการต่างๆ ในการประมาณอายุโดยการวิเคราะห์ภาพรังสีโดยอัตโนมัติ เพื่อปรับปรุงความแม่นยำและประสิทธิภาพของการประมาณอายุ13,14,15,16,17,18,19,20 .ตัวอย่างเช่น Halabi และคณะได้พัฒนาอัลกอริธึมการเรียนรู้ของเครื่องโดยอิงจากโครงข่ายประสาทเทียมแบบหมุนวน (CNN) เพื่อประเมินอายุโครงกระดูกโดยใช้ภาพเอ็กซ์เรย์ของมือเด็กการศึกษานี้เสนอแบบจำลองที่ใช้การเรียนรู้ของเครื่องกับภาพทางการแพทย์ และแสดงให้เห็นว่าวิธีการเหล่านี้สามารถปรับปรุงความแม่นยำในการวินิจฉัยได้Li และคณะ อายุโดยประมาณจากภาพเอ็กซ์เรย์กระดูกเชิงกรานโดยใช้ CNN การเรียนรู้เชิงลึก และเปรียบเทียบกับผลลัพธ์การถดถอยโดยใช้การประมาณระยะขบวนการสร้างกระดูกพวกเขาพบว่าแบบจำลอง CNN การเรียนรู้เชิงลึกมีประสิทธิภาพการประมาณอายุเดียวกันกับแบบจำลองการถดถอยแบบดั้งเดิมการศึกษาของ Guo และคณะ [15] ประเมินประสิทธิภาพการจำแนกประเภทความทนทานต่ออายุของเทคโนโลยี CNN โดยอิงจากออร์โธโฟโต้ทางทันตกรรม และผลลัพธ์ของแบบจำลอง CNN พิสูจน์ให้เห็นว่ามนุษย์มีประสิทธิภาพเหนือกว่าประสิทธิภาพการจำแนกอายุ
การศึกษาส่วนใหญ่เกี่ยวกับการประมาณอายุโดยใช้การเรียนรู้ของเครื่องใช้วิธีการเรียนรู้เชิงลึก13,14,15,16,17,18,19,20การประมาณอายุโดยใช้การเรียนรู้เชิงลึกมีรายงานว่ามีความแม่นยำมากกว่าวิธีการแบบเดิมอย่างไรก็ตาม วิธีการนี้ให้โอกาสเพียงเล็กน้อยในการนำเสนอพื้นฐานทางวิทยาศาสตร์สำหรับการประมาณอายุ เช่น ตัวบ่งชี้อายุที่ใช้ในการประมาณการนอกจากนี้ยังมีข้อพิพาททางกฎหมายว่าใครเป็นผู้ดำเนินการตรวจสอบดังนั้น การประมาณอายุโดยใช้การเรียนรู้เชิงลึกจึงเป็นเรื่องยากที่จะยอมรับโดยหน่วยงานฝ่ายบริหารและฝ่ายตุลาการการทำเหมืองข้อมูล (DM) เป็นเทคนิคที่สามารถค้นพบไม่เพียงแต่ข้อมูลที่คาดหวัง แต่ยังรวมถึงข้อมูลที่ไม่คาดคิด ซึ่งเป็นวิธีการในการค้นหาความสัมพันธ์ที่เป็นประโยชน์ระหว่างข้อมูลจำนวนมาก6,21,22การเรียนรู้ของเครื่องมักใช้ในการทำเหมืองข้อมูล และทั้งการขุดข้อมูลและการเรียนรู้ของเครื่องใช้อัลกอริธึมหลักเดียวกันในการค้นหารูปแบบในข้อมูลการประมาณอายุโดยใช้การพัฒนาทางทันตกรรมจะขึ้นอยู่กับการประเมินความสมบูรณ์ของฟันเป้าหมายของผู้ตรวจสอบ และการประเมินนี้จะแสดงเป็นระยะสำหรับฟันเป้าหมายแต่ละซี่DM สามารถใช้วิเคราะห์ความสัมพันธ์ระหว่างขั้นตอนการประเมินทางทันตกรรมกับอายุจริง และมีศักยภาพที่จะแทนที่การวิเคราะห์ทางสถิติแบบเดิมๆดังนั้น หากเราใช้เทคนิค DM ในการประมาณอายุ เราก็สามารถใช้การเรียนรู้ของเครื่องในการประมาณอายุทางนิติวิทยาศาสตร์ได้โดยไม่ต้องกังวลกับความรับผิดทางกฎหมายมีการเผยแพร่การศึกษาเปรียบเทียบหลายฉบับเกี่ยวกับทางเลือกอื่นที่เป็นไปได้นอกเหนือจากวิธีการด้วยตนเองแบบดั้งเดิมที่ใช้ในการปฏิบัติทางนิติวิทยาศาสตร์ และวิธีการที่ใช้ EBM ในการกำหนดอายุฟันShen และคณะแสดงให้เห็นว่าแบบจำลอง DM มีความแม่นยำมากกว่าสูตร Camerer แบบเดิมGalibourg และคณะใช้วิธีการ DM ที่แตกต่างกันในการทำนายอายุตามเกณฑ์ Demirdjian และผลลัพธ์แสดงให้เห็นว่าวิธี DM มีประสิทธิภาพเหนือกว่าวิธี Demirdjian และ Willems ในการประมาณอายุของประชากรฝรั่งเศส
เพื่อประเมินอายุทันตกรรมของวัยรุ่นและผู้ใหญ่ชาวเกาหลี วิธีที่ 4 ของลีถูกนำมาใช้กันอย่างแพร่หลายในการปฏิบัติงานด้านนิติเวชของเกาหลีวิธีการนี้ใช้การวิเคราะห์ทางสถิติแบบดั้งเดิม (เช่น การถดถอยพหุคูณ) เพื่อตรวจสอบความสัมพันธ์ระหว่างวิชาภาษาเกาหลีกับอายุตามลำดับเวลาในการศึกษานี้ วิธีการประมาณอายุที่ได้รับโดยใช้วิธีการทางสถิติแบบดั้งเดิมถูกกำหนดให้เป็น "วิธีการแบบดั้งเดิม"วิธีการของลีเป็นวิธีการดั้งเดิม และความแม่นยำได้รับการยืนยันโดย Oh et al5;อย่างไรก็ตาม การบังคับใช้ของการประมาณอายุตามแบบจำลอง DM ในการปฏิบัติงานด้านนิติเวชของเกาหลียังคงเป็นที่น่าสงสัยเป้าหมายของเราคือการตรวจสอบทางวิทยาศาสตร์ถึงประโยชน์ที่เป็นไปได้ของการประมาณอายุตามแบบจำลอง DMการศึกษาครั้งนี้มีวัตถุประสงค์ (1) เพื่อเปรียบเทียบความแม่นยำของแบบจำลอง DM สองแบบในการประมาณอายุทันตกรรม และ (2) เพื่อเปรียบเทียบประสิทธิภาพการจำแนกประเภทของแบบจำลอง DM 7 รายการเมื่ออายุ 18 ปี กับแบบจำลองที่ได้รับโดยใช้วิธีทางสถิติแบบดั้งเดิม Maturity of Second และฟันกรามที่สามในขากรรไกรทั้งสองข้าง
ค่าเฉลี่ยและความเบี่ยงเบนมาตรฐานของอายุตามลำดับตามระยะและประเภทของฟันจะแสดงออนไลน์ในตารางเสริม S1 (ชุดฝึก) ตารางเสริม S2 (ชุดทดสอบภายใน) และตารางเสริม S3 (ชุดทดสอบภายนอก)ค่าคัปปาสำหรับความน่าเชื่อถือภายในเซิร์ฟเวอร์และระหว่างผู้สังเกตการณ์ที่ได้รับจากชุดการฝึกอบรมคือ 0.951 และ 0.947 ตามลำดับค่า P และช่วงความมั่นใจ 95% สำหรับค่าคัปปาจะแสดงในตารางเสริมออนไลน์ S4ค่าคัปปาถูกตีความว่า "เกือบจะสมบูรณ์แบบ" ซึ่งสอดคล้องกับเกณฑ์ของ Landis และ Koch26
เมื่อเปรียบเทียบค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) วิธีการแบบดั้งเดิมมีประสิทธิภาพดีกว่าแบบจำลอง DM สำหรับทุกเพศและในชุดทดสอบภายนอกของเพศชายเล็กน้อย ยกเว้น Multilayer Perceptron (MLP)ความแตกต่างระหว่างแบบจำลองแบบดั้งเดิมและแบบจำลอง DM ในชุดทดสอบ MAE ภายในคือ 0.12–0.19 ปีสำหรับผู้ชาย และ 0.17–0.21 ปีสำหรับผู้หญิงสำหรับแบตเตอรี่ทดสอบภายนอก ความแตกต่างจะมีน้อยกว่า (0.001–0.05 ปีสำหรับผู้ชาย และ 0.05–0.09 ปีสำหรับผู้หญิง)นอกจากนี้ ค่าความผิดพลาดรากเฉลี่ยกำลังสอง (RMSE) ยังต่ำกว่าวิธีดั้งเดิมเล็กน้อย โดยมีความแตกต่างเล็กน้อย (0.17–0.24, 0.2–0.24 สำหรับชุดการทดสอบภายในของผู้ชาย และ 0.03–0.07, 0.04–0.08 สำหรับชุดการทดสอบภายนอก)-MLP แสดงประสิทธิภาพที่ดีกว่า Single Layer Perceptron (SLP) เล็กน้อย ยกเว้นในกรณีของชุดทดสอบภายนอกที่เป็นผู้หญิงสำหรับ MAE และ RMSE ชุดการทดสอบภายนอกมีคะแนนสูงกว่าชุดการทดสอบภายในสำหรับทุกเพศและรุ่นMAE และ RMSE ทั้งหมดแสดงในตารางที่ 1 และรูปที่ 1
MAE และ RMSE ของแบบจำลองการถดถอยแบบดั้งเดิมและการขุดข้อมูลค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ MAE, ข้อผิดพลาดรากกำลังสองเฉลี่ย RMSE, เพอร์เซพตรอนชั้นเดียว SLP, เพอร์เซพตรอนหลายชั้น, วิธี CM แบบดั้งเดิม
ประสิทธิภาพการจำแนกประเภท (ด้วยจุดตัดที่ 18 ปี) ของรุ่นดั้งเดิมและรุ่น DM ได้รับการแสดงให้เห็นในแง่ของความไว ความจำเพาะ ค่าทำนายเชิงบวก (PPV) ค่าทำนายเชิงลบ (NPV) และพื้นที่ใต้เส้นโค้งลักษณะการทำงานของตัวรับ (AUROC) 27 (ตารางที่ 2 รูปที่ 2 และรูปที่ 1 เพิ่มเติมออนไลน์)ในแง่ของความไวของแบตเตอรี่ทดสอบภายใน วิธีการแบบเดิมทำได้ดีที่สุดกับผู้ชายและแย่กว่าในผู้หญิงอย่างไรก็ตาม ความแตกต่างในประสิทธิภาพการจำแนกประเภทระหว่างวิธีการแบบดั้งเดิมและ SD คือ 9.7% สำหรับผู้ชาย (MLP) และเพียง 2.4% สำหรับผู้หญิง (XGBoost)ในบรรดาแบบจำลอง DM การถดถอยโลจิสติก (LR) แสดงความไวที่ดีกว่าในทั้งสองเพศในด้านความจำเพาะของชุดทดสอบภายใน พบว่ารุ่น SD สี่รุ่นทำงานได้ดีในเพศชาย ในขณะที่รุ่นดั้งเดิมทำงานได้ดีกว่าในเพศหญิงความแตกต่างในประสิทธิภาพการจำแนกประเภทสำหรับชายและหญิงคือ 13.3% (MLP) และ 13.1% (MLP) ตามลำดับ ซึ่งบ่งชี้ว่าความแตกต่างในประสิทธิภาพการจำแนกประเภทระหว่างรุ่นมีมากกว่าความไวในบรรดาโมเดล DM โมเดล Support Vector Machine (SVM) แผนผังการตัดสินใจ (DT) และโมเดล Random Forest (RF) ทำงานได้ดีที่สุดในหมู่ผู้ชาย ในขณะที่โมเดล LR ทำงานได้ดีที่สุดในหมู่ผู้หญิงAUROC ของโมเดลแบบดั้งเดิมและโมเดล SD ทั้งหมดมีค่ามากกว่า 0.925 (k-เพื่อนบ้านที่ใกล้ที่สุด (KNN) ในผู้ชาย) ซึ่งแสดงให้เห็นถึงประสิทธิภาพการจำแนกประเภทที่ยอดเยี่ยมในการเลือกปฏิบัติตัวอย่างอายุ 18 ปี28สำหรับชุดการทดสอบภายนอก ประสิทธิภาพการจำแนกประเภทลดลงในแง่ของความไว ความจำเพาะ และ AUROC เมื่อเทียบกับชุดการทดสอบภายในนอกจากนี้ ความแตกต่างในด้านความไวและความจำเพาะระหว่างประสิทธิภาพการจำแนกประเภทของรุ่นที่ดีที่สุดและแย่ที่สุดอยู่ระหว่าง 10% ถึง 25% และมากกว่าความแตกต่างในชุดการทดสอบภายใน
ความไวและความจำเพาะของแบบจำลองการจำแนกประเภทการทำเหมืองข้อมูลเมื่อเปรียบเทียบกับวิธีการดั้งเดิมที่มีจุดตัดที่ 18 ปีKNN k เพื่อนบ้านที่ใกล้ที่สุด, เครื่องเวกเตอร์ที่รองรับ SVM, การถดถอยโลจิสติก LR, แผนผังการตัดสินใจ DT, ฟอเรสต์สุ่ม RF, XGB XGBoost, เพอร์เซปตรอนหลายชั้น MLP, วิธี CM แบบดั้งเดิม
ขั้นตอนแรกในการศึกษานี้คือการเปรียบเทียบความแม่นยำของการประมาณอายุทางทันตกรรมที่ได้รับจากแบบจำลอง DM เจ็ดแบบกับแบบจำลองที่ได้รับโดยใช้การถดถอยแบบดั้งเดิมMAE และ RMSE ได้รับการประเมินในชุดการทดสอบภายในสำหรับทั้งสองเพศ และความแตกต่างระหว่างวิธีการแบบดั้งเดิมและแบบจำลอง DM อยู่ระหว่าง 44 ถึง 77 วันสำหรับ MAE และ 62 ถึง 88 วันสำหรับ RMSEแม้ว่าวิธีการแบบดั้งเดิมจะมีความแม่นยำมากกว่าเล็กน้อยในการศึกษานี้ แต่ก็ยากที่จะสรุปว่าความแตกต่างเล็กน้อยดังกล่าวมีความสำคัญทางคลินิกหรือในทางปฏิบัติหรือไม่ผลลัพธ์เหล่านี้บ่งชี้ว่าความแม่นยำของการประมาณอายุทันตกรรมโดยใช้แบบจำลอง DM นั้นเกือบจะเหมือนกับวิธีการแบบเดิมการเปรียบเทียบโดยตรงกับผลลัพธ์จากการศึกษาก่อนหน้านี้เป็นเรื่องยาก เนื่องจากไม่มีการศึกษาใดเปรียบเทียบความแม่นยำของแบบจำลอง DM กับวิธีการทางสถิติแบบเดิมๆ โดยใช้เทคนิคการบันทึกฟันแบบเดียวกันในช่วงอายุเดียวกันกับการศึกษาครั้งนี้Galibourg และคณะ เปรียบเทียบ MAE และ RMSE ระหว่างสองวิธีดั้งเดิม (วิธี Demirjian 25 และวิธี Willems 29) และแบบจำลอง DM 10 แบบในประชากรฝรั่งเศสอายุ 2 ถึง 24 ปีพวกเขารายงานว่าแบบจำลอง DM ทั้งหมดมีความแม่นยำมากกว่าวิธีการแบบเดิม โดยมีความแตกต่าง 0.20 และ 0.38 ปีใน MAE และ 0.25 และ 0.47 ปีใน RMSE เมื่อเทียบกับวิธี Willems และ Demirdjian ตามลำดับความแตกต่างระหว่างแบบจำลอง SD และวิธีการดั้งเดิมที่แสดงในการศึกษาของ Halibourg คำนึงถึงรายงานจำนวนมาก ที่วิธี Demirdjian ไม่สามารถประมาณอายุทันตกรรมได้อย่างแม่นยำในประชากรอื่น ๆ นอกเหนือจากชาวแคนาดาฝรั่งเศสซึ่งเป็นผู้ทำการศึกษาในการศึกษาครั้งนี้Tai และคณะใช้อัลกอริทึม MLP เพื่อทำนายอายุฟันจากภาพถ่ายทันตกรรมจัดฟันของจีนจำนวน 1,636 ภาพ และเปรียบเทียบความแม่นยำกับผลลัพธ์ของวิธี Demirjian และ Willemsพวกเขารายงานว่า MLP มีความแม่นยำสูงกว่าวิธีการแบบเดิมความแตกต่างระหว่างวิธีเดเมียร์ดเจียนกับวิธีดั้งเดิมคือ <0.32 ปี และวิธีการวิลเลมส์คือ 0.28 ปี ซึ่งใกล้เคียงกับผลลัพธ์ของการศึกษาในปัจจุบันผลการศึกษาก่อนหน้านี้24,34 ยังสอดคล้องกับผลการศึกษาปัจจุบัน และความแม่นยำในการประมาณอายุของแบบจำลอง DM และวิธีการแบบดั้งเดิมก็คล้ายคลึงกันอย่างไรก็ตาม จากผลลัพธ์ที่นำเสนอ เราสามารถสรุปได้อย่างระมัดระวังว่าการใช้แบบจำลอง DM เพื่อประมาณอายุอาจแทนที่วิธีการที่มีอยู่ เนื่องจากขาดการศึกษาเปรียบเทียบและอ้างอิงก่อนหน้านี้จำเป็นต้องมีการศึกษาติดตามผลโดยใช้กลุ่มตัวอย่างขนาดใหญ่เพื่อยืนยันผลลัพธ์ที่ได้รับในการศึกษานี้
ในการศึกษาที่ทดสอบความแม่นยำของ SD ในการประมาณอายุฟัน มีบางการศึกษาที่มีความแม่นยำสูงกว่าการศึกษาของเราStepanovsky และคณะ ใช้โมเดล SD 22 โมเดลกับภาพเอ็กซ์เรย์แบบพาโนรามาของชาวเช็ก 976 คนที่มีอายุระหว่าง 2.7 ถึง 20.5 ปี และทดสอบความแม่นยำของแต่ละโมเดลพวกเขาประเมินพัฒนาการของฟันแท้ด้านซ้ายบนและล่างจำนวน 16 ซี่ โดยใช้เกณฑ์การจำแนกประเภทที่เสนอโดย Moorrees และคณะ 36MAE อยู่ในช่วง 0.64 ถึง 0.94 ปี และ RMSE อยู่ในช่วง 0.85 ถึง 1.27 ปี ซึ่งมีความแม่นยำมากกว่าแบบจำลอง DM ทั้งสองแบบที่ใช้ในการศึกษานี้Shen และคณะ ใช้วิธี Cameriere เพื่อประมาณอายุฟันของฟันแท้ 7 ซี่ในขากรรไกรล่างซ้ายในชาวจีนตะวันออกที่มีอายุระหว่าง 5 ถึง 13 ปี และเปรียบเทียบกับอายุที่ประมาณไว้โดยใช้การถดถอยเชิงเส้น, SVM และ RFพวกเขาแสดงให้เห็นว่าโมเดล DM ทั้งสามรุ่นมีความแม่นยำสูงกว่าเมื่อเทียบกับสูตร Cameriere แบบดั้งเดิมMAE และ RMSE ในการศึกษาของ Shen ต่ำกว่าแบบจำลอง DM ในการศึกษานี้ความแม่นยำที่เพิ่มขึ้นของการศึกษาโดย Stepanovsky และคณะ35 และ Shen และคณะ23 อาจเกิดจากการรวมวิชาที่อายุน้อยกว่าไว้ในตัวอย่างการศึกษาของพวกเขาเนื่องจากการประมาณอายุของผู้เข้าร่วมที่มีฟันที่กำลังพัฒนาจะมีความแม่นยำมากขึ้นเมื่อจำนวนฟันเพิ่มขึ้นในระหว่างการพัฒนาทางทันตกรรม ความแม่นยำของวิธีการประมาณอายุที่ได้อาจลดลงเมื่อผู้เข้าร่วมการศึกษาอายุน้อยกว่านอกจากนี้ ข้อผิดพลาดของ MLP ในการประมาณอายุยังน้อยกว่า SLP เล็กน้อย ซึ่งหมายความว่า MLP มีความแม่นยำมากกว่า SLPMLP ถือว่าดีกว่าเล็กน้อยสำหรับการประมาณอายุ อาจเนื่องมาจากเลเยอร์ที่ซ่อนอยู่ใน MLP38อย่างไรก็ตาม มีข้อยกเว้นสำหรับกลุ่มตัวอย่างภายนอกของผู้หญิง (SLP 1.45, MLP 1.49)การพบว่า MLP มีความแม่นยำมากกว่า SLP ในการประเมินอายุ จำเป็นต้องมีการศึกษาย้อนหลังเพิ่มเติม
นอกจากนี้ ยังมีการเปรียบเทียบประสิทธิภาพการจำแนกประเภทของแบบจำลอง DM และวิธีการดั้งเดิมที่เกณฑ์อายุ 18 ปีโมเดล SD ที่ทดสอบทั้งหมดและวิธีการดั้งเดิมในชุดการทดสอบภายในแสดงให้เห็นระดับการเลือกปฏิบัติที่ยอมรับได้จริงสำหรับตัวอย่างอายุ 18 ปีความไวของผู้ชายและผู้หญิงมากกว่า 87.7% และ 94.9% ตามลำดับ และความจำเพาะมากกว่า 89.3% และ 84.7%AUROC ของรุ่นที่ทดสอบทั้งหมดเกิน 0.925 ด้วยเท่าที่เราทราบ ไม่มีการศึกษาใดทดสอบประสิทธิภาพของแบบจำลอง DM สำหรับการจำแนกประเภท 18 ปี โดยพิจารณาจากวุฒิภาวะของฟันเราสามารถเปรียบเทียบผลลัพธ์ของการศึกษานี้กับประสิทธิภาพการจำแนกประเภทของแบบจำลองการเรียนรู้เชิงลึกบนภาพเอ็กซ์เรย์พาโนรามาGuo และคณะ คำนวณประสิทธิภาพการจำแนกประเภทของโมเดลการเรียนรู้เชิงลึกที่ใช้ CNN และวิธีการแบบแมนนวลตามวิธีของ Demirjian สำหรับเกณฑ์อายุที่กำหนดความไวและความจำเพาะของวิธีการแบบแมนนวลอยู่ที่ 87.7% และ 95.5% ตามลำดับ และความไวและความจำเพาะของแบบจำลอง CNN เกิน 89.2% และ 86.6% ตามลำดับพวกเขาสรุปว่าโมเดลการเรียนรู้เชิงลึกสามารถแทนที่หรือมีประสิทธิภาพเหนือกว่าการประเมินด้วยตนเองในการจำแนกเกณฑ์อายุผลการศึกษาครั้งนี้แสดงให้เห็นประสิทธิภาพการจำแนกประเภทที่คล้ายคลึงกันเชื่อกันว่าการจำแนกประเภทโดยใช้แบบจำลอง DM สามารถแทนที่วิธีการทางสถิติแบบดั้งเดิมในการประมาณอายุได้ในบรรดาโมเดลต่างๆ DM LR เป็นโมเดลที่ดีที่สุดในแง่ของความไวสำหรับตัวอย่างชาย และความไวและความจำเพาะสำหรับตัวอย่างเพศหญิงLR อยู่ในอันดับที่สองในด้านความจำเพาะสำหรับผู้ชายยิ่งไปกว่านั้น LR ยังถือเป็นรุ่น DM35 ที่ใช้งานง่ายกว่ารุ่นหนึ่ง และมีความซับซ้อนน้อยกว่าและประมวลผลได้ยากจากผลลัพธ์เหล่านี้ LR ถือเป็นแบบจำลองการจำแนกประเภทแบบตัดยอดที่ดีที่สุดสำหรับประชากรอายุ 18 ปีในเกาหลี
โดยรวมแล้ว ความแม่นยำของการประมาณอายุหรือประสิทธิภาพการจำแนกประเภทของชุดการทดสอบภายนอกนั้นต่ำหรือต่ำกว่าเมื่อเปรียบเทียบกับผลลัพธ์ของชุดการทดสอบภายในรายงานบางฉบับระบุว่าความแม่นยำหรือประสิทธิภาพในการจำแนกประเภทลดลงเมื่อใช้การประมาณอายุตามประชากรเกาหลีกับประชากรญี่ปุ่น5,39 และพบรูปแบบที่คล้ายกันในการศึกษาปัจจุบันแนวโน้มการเสื่อมสภาพนี้พบได้ในแบบจำลอง DM เช่นกันดังนั้น ในการประมาณอายุอย่างแม่นยำ แม้ว่าจะใช้ DM ในกระบวนการวิเคราะห์ก็ตาม ควรเลือกใช้วิธีที่ได้มาจากข้อมูลประชากรพื้นเมือง เช่น วิธีดั้งเดิม5,39,40,41,42เนื่องจากยังไม่ชัดเจนว่าโมเดลการเรียนรู้เชิงลึกสามารถแสดงแนวโน้มที่คล้ายกันหรือไม่ การศึกษาเปรียบเทียบความแม่นยำและประสิทธิภาพในการจำแนกประเภทโดยใช้วิธีการแบบดั้งเดิม แบบจำลอง DM และแบบจำลองการเรียนรู้เชิงลึกในกลุ่มตัวอย่างเดียวกัน จึงจำเป็นเพื่อยืนยันว่าปัญญาประดิษฐ์สามารถเอาชนะความแตกต่างทางเชื้อชาติเหล่านี้ในช่วงอายุที่จำกัดได้หรือไม่การประเมิน
เราแสดงให้เห็นว่าวิธีการดั้งเดิมสามารถแทนที่ได้ด้วยการประมาณอายุโดยใช้แบบจำลอง DM ในการฝึกประมาณอายุทางนิติวิทยาศาสตร์ในเกาหลีนอกจากนี้เรายังค้นพบความเป็นไปได้ในการใช้การเรียนรู้ของเครื่องเพื่อการประเมินอายุทางนิติวิทยาศาสตร์อย่างไรก็ตาม มีข้อจำกัดที่ชัดเจน เช่น จำนวนผู้เข้าร่วมในการศึกษานี้ไม่เพียงพอที่จะระบุผลลัพธ์ได้อย่างชัดเจน และการไม่มีการศึกษาก่อนหน้านี้เพื่อเปรียบเทียบและยืนยันผลการศึกษานี้ในอนาคต การศึกษา DM ควรดำเนินการกับตัวอย่างจำนวนมากขึ้นและประชากรที่หลากหลายมากขึ้น เพื่อปรับปรุงการนำไปประยุกต์ใช้ในทางปฏิบัติเมื่อเทียบกับวิธีการแบบดั้งเดิมเพื่อตรวจสอบความเป็นไปได้ของการใช้ปัญญาประดิษฐ์ในการประมาณอายุในกลุ่มประชากรหลายกลุ่ม จำเป็นต้องมีการศึกษาในอนาคตเพื่อเปรียบเทียบความแม่นยำในการจำแนกประเภทและประสิทธิภาพของ DM และแบบจำลองการเรียนรู้เชิงลึกกับวิธีการดั้งเดิมในกลุ่มตัวอย่างเดียวกัน
การศึกษานี้ใช้ภาพถ่ายออร์โธกราฟิก 2,657 ภาพ ซึ่งรวบรวมจากผู้ใหญ่ชาวเกาหลีและญี่ปุ่นที่มีอายุระหว่าง 15 ถึง 23 ปีภาพเอ็กซ์เรย์ของเกาหลีแบ่งออกเป็นชุดฝึก 900 ชุด (19.42 ± 2.65 ปี) และชุดทดสอบภายใน 900 ชุด (19.52 ± 2.59 ปี)ชุดการฝึกอบรมถูกรวบรวมที่สถาบันแห่งหนึ่ง (โรงพยาบาลเซนต์แมรีโซล) และชุดทดสอบของตัวเองถูกรวบรวมที่สถาบันสองแห่ง (โรงพยาบาลทันตกรรมมหาวิทยาลัยแห่งชาติโซล และโรงพยาบาลทันตกรรมมหาวิทยาลัยยอนเซ)นอกจากนี้เรายังรวบรวมภาพเอ็กซ์เรย์ 857 ภาพจากข้อมูลประชากรอื่น (Iwate Medical University ประเทศญี่ปุ่น) สำหรับการทดสอบภายนอกเลือกภาพเอ็กซ์เรย์ของอาสาสมัครชาวญี่ปุ่น (19.31 ± 2.60 ปี) เป็นชุดทดสอบภายนอกข้อมูลถูกเก็บรวบรวมย้อนหลังเพื่อวิเคราะห์ระยะการพัฒนาของทันตกรรมด้วยภาพเอ็กซ์เรย์พาโนรามาที่ถ่ายระหว่างการรักษาทางทันตกรรมข้อมูลทั้งหมดที่เก็บรวบรวมจะไม่เปิดเผยตัวตน ยกเว้นเพศ วันเกิด และวันที่ถ่ายภาพรังสีเกณฑ์การคัดเข้าและการคัดออกเหมือนกับการศึกษาที่เผยแพร่ก่อนหน้านี้ 4, 5อายุที่แท้จริงของกลุ่มตัวอย่างคำนวณโดยการลบวันเกิดออกจากวันที่ถ่ายภาพรังสีกลุ่มตัวอย่างแบ่งออกเป็นเก้ากลุ่มอายุการกระจายอายุและเพศแสดงไว้ในตารางที่ 3 การศึกษานี้ดำเนินการตามปฏิญญาเฮลซิงกิและได้รับอนุมัติจาก Institutional Review Board (IRB) ของโรงพยาบาลเซนต์แมรีโซลแห่งมหาวิทยาลัยคาทอลิกแห่งเกาหลี (KC22WISI0328)เนื่องจากการออกแบบการศึกษาย้อนหลัง จึงไม่สามารถขอความยินยอมจากผู้ป่วยทุกรายที่ได้รับการตรวจด้วยภาพรังสีเพื่อวัตถุประสงค์ในการรักษาได้โรงพยาบาลเซนต์แมรีแห่งมหาวิทยาลัยโซลเกาหลี (IRB) ยกเว้นข้อกำหนดสำหรับการรับทราบและยินยอม
ระยะการพัฒนาของฟันกรามซี่ที่ 2 และ 3 แบบสองซี่ได้รับการประเมินตามเกณฑ์ Demircanเลือกฟันเพียงซี่เดียวหากพบฟันชนิดเดียวกันที่ด้านซ้ายและด้านขวาของขากรรไกรแต่ละข้างหากฟันที่เหมือนกันทั้งสองข้างอยู่ในระยะพัฒนาการที่แตกต่างกัน ฟันที่มีระยะพัฒนาการต่ำกว่าจะถูกเลือกเพื่อพิจารณาความไม่แน่นอนของอายุโดยประมาณภาพรังสีที่เลือกแบบสุ่มจำนวนหนึ่งร้อยภาพจากชุดการฝึกอบรมได้รับคะแนนโดยผู้สังเกตการณ์ที่มีประสบการณ์สองคน เพื่อทดสอบความน่าเชื่อถือของผู้สังเกตการณ์ระหว่างกันหลังจากการสอบเทียบล่วงหน้าเพื่อกำหนดระยะการเจริญเติบโตของฟันความน่าเชื่อถือของผู้สังเกตการณ์ภายในได้รับการประเมินสองครั้งในช่วงเวลาสามเดือนโดยผู้สังเกตการณ์หลัก
เพศและระยะพัฒนาการของฟันกรามที่สองและสามของขากรรไกรแต่ละข้างในชุดการฝึกได้รับการประเมินโดยผู้สังเกตการณ์หลักที่ได้รับการฝึกด้วยแบบจำลอง DM ที่แตกต่างกัน และอายุจริงถูกกำหนดเป็นค่าเป้าหมายโมเดล SLP และ MLP ซึ่งใช้กันอย่างแพร่หลายในแมชชีนเลิร์นนิง ได้รับการทดสอบกับอัลกอริธึมการถดถอยโมเดล DM รวมฟังก์ชันเชิงเส้นโดยใช้ระยะพัฒนาการของฟันทั้งสี่ซี่ และรวมข้อมูลเหล่านี้เพื่อประมาณอายุSLP เป็นโครงข่ายประสาทเทียมที่ง่ายที่สุดและไม่มีเลเยอร์ที่ซ่อนอยู่SLP ทำงานตามเกณฑ์การส่งผ่านระหว่างโหนดโมเดล SLP ในการถดถอยมีความคล้ายคลึงทางคณิตศาสตร์กับการถดถอยเชิงเส้นพหุคูณต่างจากรุ่น SLP โมเดล MLP มีหลายเลเยอร์ที่ซ่อนอยู่พร้อมฟังก์ชันการเปิดใช้งานแบบไม่เชิงเส้นการทดลองของเราใช้เลเยอร์ที่ซ่อนอยู่โดยมีโหนดที่ซ่อนอยู่เพียง 20 โหนดพร้อมฟังก์ชันการเปิดใช้งานแบบไม่เชิงเส้นใช้การไล่ระดับสีเป็นวิธีการปรับให้เหมาะสม และใช้ MAE และ RMSE เป็นฟังก์ชันการสูญเสียเพื่อฝึกฝนโมเดลการเรียนรู้ของเครื่องของเราแบบจำลองการถดถอยที่ดีที่สุดที่ได้รับถูกนำไปใช้กับชุดทดสอบภายในและภายนอก และประเมินอายุของฟัน
อัลกอริธึมการจำแนกประเภทได้รับการพัฒนาโดยใช้ความสมบูรณ์ของฟันทั้งสี่ซี่ในชุดการฝึกเพื่อคาดการณ์ว่ากลุ่มตัวอย่างมีอายุ 18 ปีหรือไม่ในการสร้างแบบจำลอง เราได้รับอัลกอริธึมการเรียนรู้ของเครื่องเป็นตัวแทนเจ็ดแบบ 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost และ (7) MLP .LR เป็นหนึ่งในอัลกอริธึมการจำแนกประเภทที่ใช้กันอย่างแพร่หลายที่สุดเป็นอัลกอริธึมการเรียนรู้แบบมีผู้สอนที่ใช้การถดถอยเพื่อทำนายความน่าจะเป็นของข้อมูลที่อยู่ในหมวดหมู่ใดหมวดหมู่หนึ่งตั้งแต่ 0 ถึง 1 และจัดประเภทข้อมูลให้อยู่ในหมวดหมู่ที่มีแนวโน้มมากขึ้นโดยพิจารณาจากความน่าจะเป็นนี้ส่วนใหญ่ใช้สำหรับการจำแนกไบนารีKNN เป็นหนึ่งในอัลกอริธึมการเรียนรู้ของเครื่องที่ง่ายที่สุดเมื่อได้รับข้อมูลอินพุตใหม่ มันจะค้นหาข้อมูล k ใกล้กับชุดที่มีอยู่แล้วจัดประเภทเป็นคลาสที่มีความถี่สูงสุดเราตั้งค่าไว้ 3 สำหรับจำนวนเพื่อนบ้านที่พิจารณา (k)SVM เป็นอัลกอริทึมที่เพิ่มระยะห่างระหว่างสองคลาสให้สูงสุดโดยใช้ฟังก์ชันเคอร์เนลเพื่อขยายพื้นที่เชิงเส้นให้เป็นพื้นที่ที่ไม่ใช่เชิงเส้นที่เรียกว่าฟิลด์สำหรับโมเดลนี้ เราใช้อคติ = 1, กำลัง = 1 และแกมมา = 1 เป็นไฮเปอร์พารามิเตอร์สำหรับเคอร์เนลพหุนามDT ถูกนำไปใช้ในด้านต่างๆ ในฐานะอัลกอริธึมสำหรับการแบ่งชุดข้อมูลทั้งหมดออกเป็นกลุ่มย่อยหลายๆ กลุ่มโดยการนำเสนอกฎการตัดสินใจในโครงสร้างแบบต้นไม้47โมเดลได้รับการกำหนดค่าด้วยจำนวนบันทึกขั้นต่ำต่อโหนดที่ 2 และใช้ดัชนี Gini เป็นตัววัดคุณภาพRF เป็นวิธีการรวมกลุ่มที่รวม DT หลายรายการเพื่อปรับปรุงประสิทธิภาพโดยใช้วิธีการรวมบูตสแตรปที่สร้างตัวแยกประเภทที่อ่อนแอสำหรับแต่ละตัวอย่างโดยการสุ่มตัวอย่างที่มีขนาดเท่ากันหลายครั้งจากชุดข้อมูลดั้งเดิมเราใช้ต้นไม้ 100 ต้น ความลึกของต้นไม้ 10 ต้น ขนาดโหนดขั้นต่ำ 1 ขนาด และดัชนีส่วนผสมของ Gini เป็นเกณฑ์การแยกโหนดการจำแนกประเภทของข้อมูลใหม่จะถูกกำหนดโดยเสียงข้างมากXGBoost เป็นอัลกอริธึมที่รวมเทคนิคการเร่งความเร็วโดยใช้วิธีที่รับข้อมูลการฝึกอบรมข้อผิดพลาดระหว่างค่าจริงและค่าที่คาดการณ์ของรุ่นก่อนหน้า และเพิ่มข้อผิดพลาดโดยใช้การไล่ระดับสี49เป็นอัลกอริธึมที่ใช้กันอย่างแพร่หลายเนื่องจากประสิทธิภาพที่ดีและประสิทธิภาพของทรัพยากร ตลอดจนความน่าเชื่อถือสูงในฐานะฟังก์ชันการแก้ไขที่มากเกินไปรุ่นนี้มีล้อรองรับ 400 ล้อMLP เป็นโครงข่ายประสาทเทียมที่เพอร์เซปตรอนตั้งแต่หนึ่งตัวขึ้นไปสร้างหลายเลเยอร์โดยมีเลเยอร์ที่ซ่อนอยู่หนึ่งเลเยอร์ขึ้นไประหว่างเลเยอร์อินพุตและเอาท์พุต38เมื่อใช้สิ่งนี้ คุณสามารถดำเนินการจำแนกแบบไม่เชิงเส้นได้ โดยที่เมื่อคุณเพิ่มเลเยอร์อินพุตและรับค่าผลลัพธ์ ค่าผลลัพธ์ที่คาดการณ์ไว้จะถูกเปรียบเทียบกับค่าผลลัพธ์จริง และข้อผิดพลาดจะถูกเผยแพร่กลับไปเราสร้างเลเยอร์ที่ซ่อนอยู่โดยมีเซลล์ประสาทที่ซ่อนอยู่ 20 เซลล์ในแต่ละชั้นแต่ละรุ่นที่เราพัฒนาถูกนำไปใช้กับชุดภายในและภายนอกเพื่อทดสอบประสิทธิภาพการจำแนกประเภทโดยการคำนวณความไว ความจำเพาะ PPV NPV และ AUROCความไวหมายถึงอัตราส่วนของกลุ่มตัวอย่างที่ประมาณอายุ 18 ปีขึ้นไปต่อกลุ่มตัวอย่างที่ประมาณอายุ 18 ปีขึ้นไปความจำเพาะคือสัดส่วนของกลุ่มตัวอย่างที่มีอายุต่ำกว่า 18 ปี และกลุ่มตัวอย่างที่คาดว่าจะมีอายุต่ำกว่า 18 ปี
ระยะทันตกรรมที่ประเมินในชุดการฝึกจะถูกแปลงเป็นระยะตัวเลขสำหรับการวิเคราะห์ทางสถิติการถดถอยเชิงเส้นและโลจิสติกหลายตัวแปรได้ดำเนินการเพื่อพัฒนาแบบจำลองการทำนายสำหรับแต่ละเพศ และรับสูตรการถดถอยที่สามารถนำมาใช้ในการประมาณอายุได้เราใช้สูตรเหล่านี้เพื่อประมาณอายุฟันของชุดทดสอบทั้งภายในและภายนอกตารางที่ 4 แสดงแบบจำลองการถดถอยและการจำแนกประเภทที่ใช้ในการศึกษานี้
ความน่าเชื่อถือภายในและเซิร์ฟเวอร์ระหว่างผู้สังเกตการณ์คำนวณโดยใช้สถิติคัปปาของโคเฮนเพื่อทดสอบความแม่นยำของ DM และแบบจำลองการถดถอยแบบดั้งเดิม เราได้คำนวณ MAE และ RMSE โดยใช้อายุโดยประมาณและอายุจริงของชุดการทดสอบภายในและภายนอกข้อผิดพลาดเหล่านี้มักใช้เพื่อประเมินความแม่นยำของการทำนายแบบจำลองยิ่งข้อผิดพลาดน้อยลง ความแม่นยำของการคาดการณ์ก็จะยิ่งสูงขึ้น24เปรียบเทียบ MAE และ RMSE ของชุดการทดสอบภายในและภายนอกที่คำนวณโดยใช้ DM และการถดถอยแบบดั้งเดิมประสิทธิภาพการจำแนกประเภทของจุดตัด 18 ปีในสถิติแบบดั้งเดิมได้รับการประเมินโดยใช้ตารางฉุกเฉิน 2 × 2เปรียบเทียบความไว, ความจำเพาะ, PPV, NPV และ AUROC ที่คำนวณได้กับค่าที่วัดได้ของแบบจำลองการจำแนกประเภท DMข้อมูลจะแสดงเป็นค่าเฉลี่ย ± ส่วนเบี่ยงเบนมาตรฐานหรือตัวเลข (%) ขึ้นอยู่กับลักษณะของข้อมูลค่า P สองด้าน <0.05 ถือว่ามีนัยสำคัญทางสถิติการวิเคราะห์ทางสถิติตามปกติทั้งหมดดำเนินการโดยใช้ SAS เวอร์ชัน 9.4 (SAS Institute, Cary, NC)โมเดลการถดถอย DM ถูกนำมาใช้ใน Python โดยใช้แบ็กเอนด์ Keras50 2.2.4 และ Tensorflow51 1.8.0 สำหรับการดำเนินการทางคณิตศาสตร์โดยเฉพาะแบบจำลองการจำแนกประเภท DM ถูกนำมาใช้ในสภาพแวดล้อมการวิเคราะห์ความรู้ Waikato และแพลตฟอร์มการวิเคราะห์ Konstanz Information Miner (KNIME) 4.6.152
ผู้เขียนรับทราบว่าข้อมูลที่สนับสนุนข้อสรุปของการศึกษาสามารถพบได้ในบทความและเอกสารเสริมชุดข้อมูลที่สร้างขึ้นและ/หรือวิเคราะห์ในระหว่างการศึกษาสามารถหาได้จากผู้เขียนที่เกี่ยวข้องตามคำขอที่สมเหตุสมผล
Ritz-Timme, S. และคณะการประเมินอายุ: ทันสมัยเพื่อตอบสนองความต้องการเฉพาะของการปฏิบัติงานด้านนิติเวชความเป็นสากลเจ. นิติศาสตร์.113, 129–136 (2000)
Schmeling, A. , Reisinger, W. , Geserik, G. และ Olze, A. สถานะปัจจุบันของการประเมินอายุทางนิติวิทยาศาสตร์ของอาสาสมัครที่ยังมีชีวิตอยู่เพื่อวัตถุประสงค์ในการดำเนินคดีอาญานิติเวชยา.พยาธิวิทยา1, 239–246 (2548)
แพน เจ และคณะวิธีการประเมินอายุทันตกรรมของเด็กอายุ 5 ถึง 16 ปีที่ได้รับการปรับปรุงในภาคตะวันออกของจีนทางคลินิกการสำรวจช่องปาก25, 3463–3474 (2021)
Lee, SS ฯลฯ ลำดับเหตุการณ์ของการพัฒนาฟันกรามที่สองและสามในภาษาเกาหลีและการประยุกต์สำหรับการประเมินอายุทางนิติเวชความเป็นสากลเจ. นิติศาสตร์.124, 659–665 (2010)
Oh, S. , Kumagai, A. , Kim, SY และ Lee, SS ความแม่นยำของการประมาณอายุและการประมาณค่าเกณฑ์ 18 ปีโดยพิจารณาจากวุฒิภาวะของฟันกรามที่สองและสามในภาษาเกาหลีและญี่ปุ่นโปรดหนึ่ง 17, e0271247 (2022)
คิม เจวาย และคณะการวิเคราะห์ข้อมูลโดยอาศัยการเรียนรู้ของเครื่องก่อนการผ่าตัดสามารถทำนายผลการรักษาการผ่าตัดนอนหลับในผู้ป่วย OSA ได้วิทยาศาสตร์.รายงาน 11, 14911 (2021)
ฮัน เอ็ม และคณะการประมาณอายุที่แม่นยำจากแมชชีนเลิร์นนิงโดยมีหรือไม่มีการแทรกแซงของมนุษย์?ความเป็นสากลเจ. นิติศาสตร์.136, 821–831 (2022)
Khan, S. และ Shaheen, M. จากการขุดข้อมูลไปจนถึงการขุดข้อมูลเจ.ข้อมูล.วิทยาศาสตร์.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. และ Shaheen, M. WisRule: อัลกอริธึมการรับรู้ครั้งแรกสำหรับการขุดกฎสมาคมเจ.ข้อมูล.วิทยาศาสตร์.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. และ Abdullah U. Karm: การทำเหมืองข้อมูลแบบดั้งเดิมตามกฎการเชื่อมโยงตามบริบทคำนวณ.แมตต์ดำเนินการต่อ.68, 3305–3322 (2021)
Muhammad M., Rehman Z., Shaheen M., Khan M. และ Habib M. การตรวจจับความคล้ายคลึงทางความหมายตามการเรียนรู้เชิงลึกโดยใช้ข้อมูลข้อความแจ้ง.เทคโนโลยีควบคุม.https://doi.org/10.5755/j01.itc.49.4.27118 (2020)
Tabish, M., Tanoli, Z. และ Shahin, M. ระบบการรับรู้กิจกรรมในวิดีโอกีฬามัลติมีเดียเครื่องมือ การใช้งาน https://doi.org/10.1007/s11042-021-10519-6 (2021)
ฮาลาบี, SS และคณะความท้าทายด้านการเรียนรู้ของเครื่อง RSNA ในยุคกระดูกในเด็กรังสีวิทยา 290, 498–503 (2019)
หลี่ วาย และคณะการประมาณอายุทางนิติวิทยาศาสตร์จากการเอกซเรย์กระดูกเชิงกรานโดยใช้การเรียนรู้เชิงลึกยูโร.รังสี29, 2322–2329 (2019)
Guo, YC และคณะการจำแนกอายุที่แม่นยำโดยใช้วิธีการแบบแมนนวลและโครงข่ายประสาทเทียมเชิงลึกจากภาพฉายภาพออร์โธกราฟิกความเป็นสากลเจ. นิติศาสตร์.135, 1589–1597 (2021)
แอละแบมา Dalora และคณะการประมาณอายุกระดูกโดยใช้วิธีการเรียนรู้ด้วยเครื่องจักรแบบต่างๆ การทบทวนวรรณกรรมอย่างเป็นระบบและการวิเคราะห์เมตาดาต้าโปรดหนึ่ง 14, e0220242 (2019)
Du, H. , Li, G. , Cheng, K. , และ Yang, J. การประมาณอายุเฉพาะประชากรของชาวแอฟริกันอเมริกันและชาวจีนโดยพิจารณาจากปริมาตรห้องเยื่อของฟันกรามซี่แรกโดยใช้เครื่องเอกซเรย์คอมพิวเตอร์แบบกรวยความเป็นสากลเจ. นิติศาสตร์.136, 811–819 (2022)
Kim S., Lee YH, Noh YK, Park FK และ Oh KS การกำหนดกลุ่มอายุของผู้มีชีวิตโดยใช้รูปภาพฟันกรามซี่แรกที่ใช้ปัญญาประดิษฐ์วิทยาศาสตร์.รายงาน 11, 1073 (2021)
Stern, D. , Payer, C. , Giuliani, N. และ Urschler, M. การประมาณอายุอัตโนมัติและการจำแนกอายุส่วนใหญ่จากข้อมูล MRI หลายตัวแปรIEEE J. ชีวการแพทย์การแจ้งเตือนด้านสุขภาพ23, 1392–1403 (2019)
Cheng, Q. , Ge, Z. , Du, H. และ Li, G. การประมาณอายุโดยอิงจากการแบ่งส่วนห้องเยื่อกระดาษ 3 มิติของฟันกรามซี่แรกจากการตรวจเอกซเรย์คอมพิวเตอร์ด้วยลำแสงกรวยโดยการบูรณาการการเรียนรู้เชิงลึกและชุดระดับความเป็นสากลเจ. นิติศาสตร์.135, 365–373 (2021)
วู WT และคณะการทำเหมืองข้อมูลในข้อมูลขนาดใหญ่ทางคลินิก: แบบจำลองฐานข้อมูล ขั้นตอน และวิธีการทั่วไปโลก.ยา.ทรัพยากร.8, 44 (2021)
หยางเจและคณะข้อมูลเบื้องต้นเกี่ยวกับฐานข้อมูลทางการแพทย์และเทคโนโลยีการทำเหมืองข้อมูลในยุคข้อมูลขนาดใหญ่เจ. เอวิด.ยาพื้นฐาน.13, 57–69 (2020)
Shen, S. และคณะวิธีการของ Camerer ในการประมาณอายุฟันโดยใช้การเรียนรู้ของเครื่องBMC สุขภาพช่องปาก 21, 641 (2021)
กัลลิเบิร์ก เอ. และคณะการเปรียบเทียบวิธีการเรียนรู้ของเครื่องแบบต่างๆ สำหรับการทำนายอายุทันตกรรมโดยใช้วิธีการกำหนดระยะ Demirdjianความเป็นสากลเจ. นิติศาสตร์.135, 665–675 (2021)
Demirdjian, A. , Goldstein, H. และ Tanner, JM ระบบใหม่สำหรับการประเมินอายุทันตกรรมสูดจมูกชีววิทยา.45, 211–227 (1973)
Landis, JR และ Koch, GG มาตรการข้อตกลงผู้สังเกตการณ์เกี่ยวกับข้อมูลเชิงหมวดหมู่ไบโอเมตริกซ์ 33, 159–174 (1977)
ภัตตะชาจี เอส, ปรากาช ดี, คิม ซี, คิม ฮ่องกง และ ชอย ฮ่องกงการวิเคราะห์พื้นผิว สัณฐานวิทยา และสถิติของการถ่ายภาพด้วยคลื่นสนามแม่เหล็กสองมิติโดยใช้เทคนิคปัญญาประดิษฐ์เพื่อแยกแยะเนื้องอกในสมองขั้นปฐมภูมิข้อมูลสุขภาพ.ทรัพยากร.https://doi.org/10.4258/hir.2022.28.1.46 (2022)