Nature.comにアクセスしていただきありがとうございます。使用しているブラウザのバージョンには、CSSサポートが限られています。最良の結果を得るには、新しいバージョンのブラウザを使用することをお勧めします（または、インターネットエクスプローラーの互換性モードをオフにします）。それまでの間、継続的なサポートを確保するために、スタイリングやJavaScriptなしでサイトを表示しています。
歯は、人体の年齢の最も正確な指標と考えられており、法医学年齢評価でよく使用されます。 18年のしきい値の推定精度と分類パフォーマンスを従来の方法とデータマイニングベースの年齢推定値と比較することにより、データマイニングベースの歯科年齢推定値を検証することを目指しました。 15歳から23歳の韓国人および日本人から合計2657のパノラマX線写真が収集されました。それらは、それぞれが900の韓国語X線写真を含むトレーニングセットと、857の日本のX線写真を含む内部テストセットに分けられました。従来の方法の分類精度と効率を、データマイニングモデルのテストセットと比較しました。内部テストセットの従来の方法の精度は、データマイニングモデルの精度よりもわずかに高く、その差は小さい（平均絶対誤差<0.21年、根平均平方根誤差<0.24年）。 18年間のカットオフの分類パフォーマンスは、従来の方法とデータマイニングモデルの間でも類似しています。したがって、韓国の青年および若年成人の第2臼歯と第3臼歯の成熟度を使用して、法医学年齢評価を実行する際に、従来の方法はデータマイニングモデルに置き換えることができます。
歯科年齢の推定は、法医学および小児歯科で広く使用されています。特に、年齢と歯の発達の間の相関が高いため、歯の発達段階による年齢評価は、子供と青年の年齢を評価するための重要な基準です1,2,3。ただし、若者の場合、歯の成熟度に基づいて歯科年齢を推定するには、歯の成長がほぼ完了しているため、3番目の臼歯を除き、限界があります。若者と青少年の年齢を決定する法的目的は、彼らが過半数の年齢に達したかどうかの正確な推定と科学的証拠を提供することです。韓国の青少年と若年成人の医学的法的実践では、Leeの方法を使用して年齢を推定し、Oh et al 5によって報告されたデータに基づいて18歳の法的閾値が予測されました。
機械学習は、大量のデータを繰り返し学習および分類し、問題を解決し、データプログラミングを促進する人工知能（AI）の一種です。機械学習は、大量のデータで有用な隠されたパターンを発見できます6。対照的に、労働集約的で時間がかかる古典的な方法は、手動で処理するのが難しい大量の複雑なデータを扱う場合、制限がある場合があります7。したがって、最近多くの研究が最近行われ、最新のコンピューターテクノロジーを使用して、人的エラーを最小限に抑え、多次元データ8,9,10,11,12を効率的に処理しました。特に、深い学習は医療画像分析で広く使用されており、年齢推定の精度と効率を改善するために、レントゲン写真を自動的に分析することにより、年齢推定のさまざまな方法が報告されています13,14,15,16,17,18,19,20 。たとえば、Halabi et al 13は、子供の手のX線写真を使用して骨格年齢を推定するために、畳み込みニューラルネットワーク（CNN）に基づく機械学習アルゴリズムを開発しました。この研究では、機械学習を医療画像に適用し、これらの方法が診断の精度を向上させることができることを示しています。 Li et al14は、深い学習CNNを使用した骨盤X線画像からの年齢を推定し、それらを骨化段階の推定を使用して回帰結果と比較しました。彼らは、深い学習CNNモデルが従来の回帰モデルと同じ年齢推定パフォーマンスを示していることを発見しました。 Guo et al。の研究[15]は、歯科オルソフォトスに基づいたCNNテクノロジーの年齢耐性分類パフォーマンスを評価し、CNNモデルの結果は、人間がその年齢分類パフォーマンスよりも優れていることを証明しました。
機械学習を使用した年齢推定に関するほとんどの研究は、深い学習方法を使用しています13,14,15,16,17,18,19,20。深い学習に基づく年齢推定は、従来の方法よりも正確であると報告されています。ただし、このアプローチは、推定で使用されている年齢指標など、年齢の推定値の科学的根拠を提示する機会をほとんど提供しません。また、誰が検査を実施するかについての法的紛争もあります。したがって、深い学習に基づく年齢の推定は、行政当局および司法当局に受け入れることが困難です。データマイニング（DM）は、予想されるだけでなく、予期しない情報も発見できる手法であり、大量のデータ間の有用な相関関係を発見する方法としてもあります。機械学習はデータマイニングでよく使用され、データマイニングと機械学習の両方が同じ重要なアルゴリズムを使用して、データのパターンを発見します。歯科開発を使用した年齢推定は、標的歯の成熟度に関する審査官の評価に基づいており、この評価は各標的歯の段階として表されます。 DMを使用して、歯の評価段階と実際の年齢との相関関係を分析でき、従来の統計分析に取って代わる可能性があります。したがって、年齢の推定にDM技術を適用すると、法的責任について心配することなく、法医学年齢の推定で機械学習を実装できます。法医学的実践で使用されている従来の手動方法および歯科年齢を決定するためのEBMベースの方法に代わる可能性のある代替案に関するいくつかの比較研究が公開されています。 Shen et al23は、DMモデルが従来のカメラーフォーミュラよりも正確であることを示しました。 Galibourg et al24は、Demirdjian Criterion25に従って年齢を予測するために異なるDM方法を適用し、その結果は、DMメソッドがフランスの人口の年齢を推定する際にDemirdjianおよびWillemsの方法よりも優れていることを示しました。
韓国の青少年と若年成人の歯科年齢を推定するために、リーの方法4は韓国の法医学的実践で広く使用されています。この方法では、従来の統計分析（重回帰など）を使用して、韓国人の被験者と年齢の関係を調べます。この研究では、従来の統計的方法を使用して得られた年齢推定方法は「従来の方法」として定義されています。リーの方法は従来の方法であり、その精度はOh et alによって確認されています。 5;ただし、韓国の法医学的実践におけるDMモデルに基づく年齢推定の適用性は依然として疑わしい。私たちの目標は、DMモデルに基づいた年齢推定の潜在的な有用性を科学的に検証することでした。この研究の目的は、（1）歯科年齢の推定における2つのDMモデルの精度を比較することと、（2）18歳の7 dMモデルの分類パフォーマンスを比較することと、18歳の7 dmモデルの分類を比較することと、2番目の2番目の統計的方法の成熟度を使用して得られたものと比較することでした。両方の顎の3番目の臼歯。
段階と歯の種類による年齢の平均と標準偏差は、補足表S1（トレーニングセット）、補足表S2（内部テストセット）、および補足表S3（外部テストセット）にオンラインで示されています。トレーニングセットから得られた観察者間および観察者間信頼性のカッパ値は、それぞれ0.951と0.947でした。カッパ値のp値と95％の信頼区間は、オンライン補足表S4に示されています。カッパ値は、ランディスとkoCh26の基準と一致して、「ほぼ完璧」と解釈されました。
平均絶対誤差（MAE）を比較すると、従来の方法は、多層ペルセプトロン（MLP）を除き、すべての性別および外部男性テストセットのDMモデルをわずかに上回ります。内部MAEテストセットの従来のモデルとDMモデルの違いは、男性では0.12〜0。19年、女性では0.17〜0。21年でした。外部テストバッテリーの場合、違いは小さくなります（男性では0.001〜0.05年、女性では0.05〜0.09年）。さらに、ルート平均平方根誤差（RMSE）は従来の方法よりもわずかに低く、違いが小さく（男性内部テストセットでは0.17〜0.24、0.2–0.24、外部テストセットでは0.03〜0.07、0.04–0.08）。 ）。 MLPは、女性の外部テストセットの場合を除き、単一層のパーセプトロン（SLP）よりもわずかに優れたパフォーマンスを示しています。 MAEとRMSEの場合、外部テストセットは、すべての性別とモデルの内部テストセットよりも高いスコアを付けます。すべてのMAEとRMSEを表1と図1に示します。
従来およびデータマイニングの回帰モデルのMAEとRMSE。平均絶対誤差MAE、ルート平均平方根誤差rmse、単層パーセプトロンSLP、多層パーセプトロンMLP、従来のCMメソッド。
従来のDMモデルとDMモデルの分類パフォーマンス（18年のカットオフ）は、感度、特異性、正の予測値（PPV）、負の予測値（NPV）、およびレシーバー動作特性曲線（AUROC）の下の面積の観点から実証されました。 27（表2、図2および補足図1オンライン）。内部テストバッテリーの感度の観点から、従来の方法は男性の間で最も効果的であり、女性の間ではさらに悪化しました。ただし、従来の方法とSDの分類パフォーマンスの違いは、男性（MLP）で9.7％、女性（xgboost）で2.4％のみです。 DMモデルの中で、ロジスティック回帰（LR）は、両性の感度が向上しました。内部テストセットの特異性に関して、4つのSDモデルは男性でうまく機能し、従来のモデルは女性でより良いパフォーマンスを発揮することが観察されました。男性と女性の分類性能の違いは、それぞれ13.3％（MLP）と13.1％（MLP）であり、モデル間の分類パフォーマンスの違いが感度を超えることを示しています。 DMモデルの中で、サポートベクターマシン（SVM）、意思決定ツリー（DT）、およびランダムフォレスト（RF）モデルが男性の間で最適に機能しましたが、LRモデルは女性の間で最適でした。従来のモデルとすべてのSDモデルのAurocは0.925（男性のK-nearest Neighbor（KNN））を超えており、18歳のサンプルを識別する上で優れた分類パフォーマンスを示しています28。外部テストセットでは、内部テストセットと比較して、感度、特異性、AUROCの観点から分類性能が低下しました。さらに、最良のモデルと最悪のモデルの分類パフォーマンス間の感度と特異性の違いは、10％から25％の範囲であり、内部テストセットの違いよりも大きかった。
18年のカットオフを持つ従来の方法と比較したデータマイニング分類モデルの感度と特異性。 KNN K最も近隣、SVMサポートベクターマシン、LRロジスティック回帰、DT決定ツリー、RFランダムフォレスト、XGB XGBoost、MLP多層PERCEPTRON、従来のCMメソッド。
この研究の最初のステップは、7つのDMモデルから得られた歯の年齢推定値の精度と、従来の回帰を使用して得られたものと比較することでした。 MAEとRMSEは両性の内部テストセットで評価され、従来の方法とDMモデルの違いは、MAEで44〜77日、RMSEで62〜88日間の範囲でした。この研究では、従来の方法はわずかに正確でしたが、このような小さな違いが臨床的に重要であるか実際の重要性があるかどうかを結論付けることは困難です。これらの結果は、DMモデルを使用した歯科年齢推定の精度が従来の方法の精度とほぼ同じであることを示しています。この研究と同じ年齢範囲で歯を記録する同じ手法を使用して、DMモデルの精度と従来の統計的方法を比較した研究はないため、以前の研究の結果との直接的な比較は困難です。 Galibourg et al24は、2〜24歳のフランス人集団の2つの従来の方法（Demirjian Method25およびWillems Method29）と10 DMモデルの間でMAEとRMSEを比較しました。彼らは、すべてのDMモデルは従来の方法よりも正確であり、MAEで0.20および0。38年、WILLEMSとDemirdjian法と比較してそれぞれ0。25年および0.47年のRMSEの差があると報告しました。 Halibourg研究で示されているSDモデルと従来の方法との矛盾は、多くの報告を考慮しています30,31,32,33は、Demirdjian法が研究に基づいているフランスのカナダ人以外の集団の歯科年齢を正確に推定していないということです。この研究では。 Tai et al 34は、MLPアルゴリズムを使用して、1636年の中国の矯正写真から歯の年齢を予測し、その精度をDemirjianおよびWillems法の結果と比較しました。彼らは、MLPは従来の方法よりも高い精度を持っていると報告しました。 Demirdjianメソッドと従来の方法の違いは0。32年未満であり、Willemsメソッドは0.28年であり、これは本研究の結果に似ています。これらの以前の研究の結果24,34は、本研究の結果とも一致しており、DMモデルと従来の方法の年齢推定精度は類似しています。ただし、提示された結果に基づいて、年齢を推定するためのDMモデルの使用は、比較以前の研究がないため、既存の方法を置き換える可能性があると慎重に結論付けることができます。この研究で得られた結果を確認するには、より大きなサンプルを使用したフォローアップ研究が必要です。
歯科年齢の推定におけるSDの精度をテストした研究の中で、一部の研究では、私たちの研究よりも高い精度を示しました。 Stepanovsky et al 35は、2.7〜20.5歳の976人のチェコ人住民のパノラマX線写真に22のSDモデルを適用し、各モデルの精度をテストしました。彼らは、Moorrees et al 36によって提案された分類基準を使用して、合計16の上部および左下の永久歯の開発を評価しました。 MAEは0.64から0.94年の範囲で、RMSEは0.85から1.27年の範囲であり、この研究で使用されている2つのDMモデルよりも正確です。 Shen et al23は、5〜13歳の東部居住者の左下顎の7つの永久歯の歯科年齢を推定するためにカメリア法を使用し、線形回帰、SVM、RFを使用して推定された年齢と比較しました。彼らは、3つのDMモデルすべてが、従来のカメリ式と比較して精度が高いことを示しました。 Shenの研究におけるMAEとRMSEは、この研究のDMモデルのMAEよりも低かった。 Stepanovskyらによる研究の精度の増加。 35およびShen et al。 23は、研究サンプルに若い被験者が含まれているためかもしれません。歯を発達させる参加者の年齢推定は、歯の発達中に歯の数が増加するにつれてより正確になるため、研究参加者が若い場合、結果として得られる年齢推定方法の精度が損なわれる可能性があります。さらに、年齢の推定におけるMLPのエラーはSLPよりもわずかに小さく、MLPはSLPよりも正確であることを意味します。 MLPは、おそらくMLP38の隠れ層により、年齢の推定に対してわずかに優れていると考えられています。ただし、女性の外側サンプルには例外があります（SLP 1.45、MLP 1.49）。 MLPが年齢を評価する際にSLPよりも正確であるという発見には、追加の遡及的研究が必要です。
18年のしきい値でのDMモデルと従来の方法の分類パフォーマンスも比較されました。内部テストセットでテストされたすべてのSDモデルと従来の方法は、18歳のサンプルに対して実質的に許容可能なレベルの差別を示しました。男性と女性の感度はそれぞれ87.7％と94.9％を超えており、特異性は89.3％と84.7％を超えていました。すべてのテストされたモデルのAUROCも0.925を超えています。私たちの知る限り、歯の成熟に基づいた18年間の分類のDMモデルのパフォーマンスをテストした研究はありません。この研究の結果を、パノラマX線写真でのディープラーニングモデルの分類パフォーマンスと比較できます。 Guo et al.15は、CNNベースのディープラーニングモデルの分類パフォーマンスと、特定の年齢のしきい値に対するDemirjianの方法に基づく手動方法を計算しました。手動法の感度と特異性はそれぞれ87.7％と95.5％であり、CNNモデルの感度と特異性はそれぞれ89.2％と86.6％を超えました。彼らは、深い学習モデルが年齢のしきい値を分類する際に手動評価に取って代わるか、アウトパフォームすることができると結論付けました。この研究の結果は、同様の分類パフォーマンスを示しました。 DMモデルを使用した分類は、年齢推定のために従来の統計的方法を置き換えることができると考えられています。モデルの中で、DM LRは、男性のサンプルの感度と女性サンプルの感度と特異性の観点から最高のモデルでした。 LRは、男性の特異性が2番目にランクされています。さらに、LRはよりユーザーフレンドリーなDM35モデルの1つであると考えられており、複雑ではなく処理が困難です。これらの結果に基づいて、LRは韓国人口の18歳の最良のカットオフ分類モデルと考えられていました。
全体として、外部テストセットの年齢推定または分類パフォーマンスの精度は、内部テストセットの結果と比較して不十分または低かった。いくつかの報告によると、韓国の人口に基づいた年齢推定が日本の人口に適用されると分類精度または効率が低下し、本研究で同様のパターンが見つかったことが示されています。この劣化傾向は、DMモデルでも観察されました。したがって、年齢を正確に推定するには、分析プロセスでDMを使用しても、従来の方法などのネイティブ集団データから派生した方法を推奨する必要があります5,39,40,41,42。ディープラーニングモデルが同様の傾向を示すことができるかどうかは不明であるため、従来の方法、DMモデル、および同じサンプル上のディープラーニングモデルを使用した分類の精度と効率を比較する研究は、人工知能が限られた年齢のこれらの人種格差を克服できるかどうかを確認するために必要です。評価。
韓国の法医学年齢推定慣行におけるDMモデルに基づいて、従来の方法は年齢推定に置き換えることができることを実証します。また、法医学年齢評価のために機械学習を実装する可能性を発見しました。ただし、この研究の参加者の数が不十分な場合、結果を明確に決定するなど、明確な制限があり、この研究の結果を比較および確認するための以前の研究の欠如などがあります。将来的には、従来の方法と比較して実用的な適用性を改善するために、より多くのサンプルとより多様な集団でDM研究を実施する必要があります。人工知能を使用して複数の集団の年齢を推定することの実現可能性を検証するには、DMおよびディープラーニングモデルの分類精度と効率を同じサンプルの従来の方法と比較するために将来の研究が必要です。
この研究では、15歳から23歳の韓国人および日本人の成人から収集された2,657個の正書法の写真を使用しました。韓国のレントゲン写真は、900のトレーニングセット（19.42±2.65年）および900の内部テストセット（19.52±2。59年）に分割されました。トレーニングセットは1つの施設（ソウルセントメアリー病院）で収集され、独自のテストセットは2つの機関（ソウル国立大学歯科病院とヨンセイ大学歯科病院）で収集されました。また、外部テストのために別の人口ベースのデータ（IWATE医科大学、日本）から857のレントゲン写真を収集しました。日本人被験者のX線写真（19.31±2.60歳）が外部テストセットとして選択されました。データを遡及的に収集して、歯科治療中に採取したパノラマX線写真の歯科開発段階を分析しました。収集されたすべてのデータは、性別、生年月日、X線写真の日付を除き匿名でした。包含および除外基準は、以前に公開された研究4、5と同じでした。サンプルの実際の年齢は、X線写真が取られた日付から生年月日を減算することによって計算されました。サンプルグループは9つの年齢層に分けられました。年齢と性的分布を表3に示します。この研究は、ヘルシンキ宣言に従って実施され、韓国カトリック大学ソウルセントメアリー病院の施設内審査委員会（IRB）によって承認されました（KC22wisi0328）。この研究の遡及的設計により、治療目的でX線検査を受けているすべての患者からインフォームドコンセントを得ることができませんでした。ソウル韓国大学セントメアリー病院（IRB）は、インフォームドコンセントの要件を放棄しました。
Demircan Streteria25に従って、二軸2番および3番目の臼歯の発達段階が評価されました25。同じタイプの歯が各顎の左側と右側に見つかった場合、1つの歯のみが選択されました。両側の相同歯が異なる発達段階にある場合、推定年齢の不確実性を説明するために、発達段階の低い歯が選択されました。トレーニングセットからランダムに選択されたランダムに選択されたX線写真は、2人の経験豊富なオブザーバーによって採点され、前屈折後に観察者間信頼性をテストして、歯の成熟段階を決定しました。観察者内の信頼性は、主要な観察者によって3か月間隔で2回評価されました。
トレーニングセットの各顎の2番目と3番目の臼歯の性と発達段階は、異なるDMモデルで訓練された主要なオブザーバーによって推定され、実際の年齢は目標値として設定されました。機械学習で広く使用されているSLPおよびMLPモデルは、回帰アルゴリズムに対してテストされました。 DMモデルは、4つの歯の発達段階を使用して線形関数を組み合わせ、これらのデータを組み合わせて年齢を推定します。 SLPは最も単純なニューラルネットワークであり、隠されたレイヤーは含まれていません。 SLPは、ノード間のしきい値伝送に基づいて機能します。回帰中のSLPモデルは、複数の線形回帰と数学的に類似しています。 SLPモデルとは異なり、MLPモデルには、非線形活性化関数を備えた複数の非表示層があります。私たちの実験では、非線形活性化関数を備えた20の隠されたノードのみを備えた隠された層を使用しました。勾配降下を最適化方法として使用し、MAEとRMSEを損失関数として使用して、機械学習モデルを訓練します。最良の得られた回帰モデルは、内部および外部のテストセットに適用され、歯の年齢が推定されました。
サンプルが18歳かどうかを予測するために、トレーニングセットの4つの歯の成熟度を使用する分類アルゴリズムが開発されました。モデルを構築するために、7つの表現機械学習アルゴリズム6,43を導き出しました。 。 LRは、最も広く使用されている分類アルゴリズム44の1つです。これは、回帰を使用して特定のカテゴリに属するデータの確率を0から1に予測し、この確率に基づいてより可能性の高いカテゴリに属するデータを分類する監視された学習アルゴリズムです。主にバイナリ分類に使用されます。 KNNは、最も単純な機械学習アルゴリズムの1つです45。新しい入力データが与えられた場合、既存のセットの近くにKデータが見つかり、その後、最高の周波数でそれらをクラスに分類します。考慮される隣人の数（k）に3を設定します。 SVMは、カーネル関数を使用して線形空間をFields46と呼ばれる非線形空間に拡張することにより、2つのクラス間の距離を最大化するアルゴリズムです。このモデルでは、多項式カーネルのハイパーパラメーターとしてバイアス= 1、電源= 1、ガンマ= 1を使用します。 DTは、ツリー構造の決定ルールを表すことにより、データセット全体をいくつかのサブグループに分割するためのアルゴリズムとして、さまざまなフィールドに適用されています47。このモデルは、2のノードごとに最小レコード数で構成されており、Giniインデックスを品質の尺度として使用します。 RFは、複数のDTSを組み合わせて、元のDataSet48から同じサイズのサンプルを複数回ランダムに描画することにより、各サンプルの弱い分類器を生成するブートストラップ集約法を使用してパフォーマンスを改善するアンサンブルメソッドです。ノード分離基準として、100本のツリー、10本の深さ、1つの最小ノードサイズ、およびGini Ammixtureインデックスを使用しました。新しいデータの分類は、多数決によって決定されます。 XGBoostは、以前のモデルの実際の値と予測値の間のエラーをトレーニングデータとして取得し、Gradients49を使用してエラーを補強するメソッドを使用してブースト技術を組み合わせたアルゴリズムです。それは、その良好なパフォーマンスとリソースの効率、および過剰適合補正機能としての高い信頼性のために、広く使用されているアルゴリズムです。このモデルには、400のサポートホイールが装備されています。 MLPは、入力層と出力層の間に1つ以上の隠れ層を持つ複数の層を形成する1つ以上のパーセプトロンを形成するニューラルネットワーク38です。これを使用すると、入力レイヤーを追加して結果値を取得すると、予測される結果値が実際の結果値と比較され、エラーが伝播されると非線形分類を実行できます。各層に20個の隠されたニューロンを備えた隠れ層を作成しました。私たちが開発した各モデルは、感度、特異性、PPV、NPV、およびAUROCを計算することにより、分類パフォーマンスをテストするために内部および外部セットに適用されました。感度は、18歳以上と推定されるサンプルと推定されるサンプルと推定されるサンプルの比として定義されます。特異性は、18歳未満のサンプルの割合であり、18歳未満と推定されているサンプルです。
トレーニングセットで評価された歯科段階は、統計分析のために数値段階に変換されました。多変量線形およびロジスティック回帰を実行して、各性の予測モデルを開発し、年齢を推定するために使用できる回帰式を導き出しました。これらの式を使用して、内部および外部テストセットの両方について歯の年齢を推定しました。表4は、この研究で使用されている回帰モデルと分類モデルを示しています。
CohenのKappa統計を使用して、観察者間の信頼性を計算しました。 DMおよび従来の回帰モデルの精度をテストするために、内部および外部テストセットの推定および実際の年齢を使用してMAEとRMSEを計算しました。これらのエラーは、モデル予測の精度を評価するために一般的に使用されます。エラーが小さいほど、ForeCast24の精度が高くなります。 DMと従来の回帰を使用して計算された内部および外部テストセットのMAEとRMSEを比較します。従来の統計における18年間のカットオフの分類パフォーマンスは、2×2の緊急性テーブルを使用して評価されました。テストセットの計算された感度、特異性、PPV、NPV、およびAUROCをDM分類モデルの測定値と比較しました。データは、データ特性に応じて平均±標準偏差または数（％）として表されます。双方向P値<0.05は統計的に有意と見なされました。すべてのルーチン統計分析は、SASバージョン9.4（SAS Institute、Cary、NC）を使用して実行されました。 DM回帰モデルは、KERAS50 2.2.4バックエンドとTensorflow51 1.8.0を使用して、特に数学操作専用にPythonで実装されました。 DM分類モデルは、ワイカトナレッジ分析環境とKonstanz Information Miner（KNIME）4.6.152分析プラットフォームに実装されました。
著者は、研究の結論をサポートするデータは、記事と補足資料に記載されていることを認めています。調査中に生成および/または分析されたデータセットは、合理的な要求に応じて対応する著者から入手できます。
Ritz-Timme、S。etal。年齢評価：法医学的実践の特定の要件を満たすための最先端。国際性。 J.法律医療。 113、129–136（2000）。
Schmeling、A.、Reisinger、W.、Geserik、G。、およびOlze、A。フォレンジック。薬。病理学。 1、239–246（2005）。
パン、J。他中国東部で5〜16歳の子供の歯科年齢を評価するための修正方法。臨床。口頭調査。 25、3463–3474（2021）。
リー、SSなど。韓国人における第2臼歯と第3臼歯の発達の年表と法医学年齢評価のための適用。国際性。 J.法律医療。 124、659–665（2010）。
Oh、S.、Kumagai、A.、Kim、Sy、Lee、SS年齢推定の精度と韓国人と日本人の2番目と3番目の臼歯の成熟度に基づく18年のしきい値の推定。 PLOS ONE 17、E0271247（2022）。
キム、JY、他術前機械学習ベースのデータ分析は、OSA患者の睡眠手術の治療結果を予測できます。科学。レポート11、14911（2021）。
ハン、M。etal。人間の介入の有無にかかわらず、機械学習からの正確な年齢推定？国際性。 J.法律医療。 136、821–831（2022）。
Khan、S。およびShaheen、M。データマイニングからデータマイニングまで。 J.情報。科学。 https://doi.org/10.1177/01655515211030872（2021）。
Khan、S。and Shaheen、M。Wisrule：Association Rule Miningの最初の認知アルゴリズム。 J.情報。科学。 https://doi.org/10.1177/0165551521108695（2022）。
Shaheen M.およびAbdullah U. Karm：コンテキストベースの関連付けルールに基づく従来のデータマイニング。計算します。マット。続く。 68、3305–3322（2021）。
Muhammad M.、Rehman Z.、Shaheen M.、Khan M.、Habib M.テキストデータを使用した深い学習ベースのセマンティック類似性検出。知らせる。テクノロジー。コントロール。 https://doi.org/10.5755/j01.itc.49.4.27118（2020）。
Tabish、M.、Tanoli、Z。、およびShahin、M。スポーツビデオでのアクティビティを認識するシステム。マルチメディア。ツールアプリケーションhttps://doi.org/10.1007/S11042-021-10519-6（2021）。
Halabi、SS et al。小児骨年齢におけるRSNA機械学習チャレンジ。 Radiology 290、498–503（2019）。
Li、Y。etal。深い学習を使用した骨盤X線からの法医学年齢推定。ユーロ。放射線。 29、2322–2329（2019）。
Guo、YC、他正書法投影画像からの手動方法と深い畳み込みニューラルネットワークを使用した正確な年齢分類。国際性。 J.法律医療。 135、1589–1597（2021）。
アラバマ・ダロラ等。さまざまな機械学習方法を使用した骨年齢推定：系統的な文献レビューとメタ分析。 PLOS ONE 14、E0220242（2019）。
Du、H.、Li、G.、Cheng、K。、およびYang、J。コーンビームコンピューター断層撮影を使用した最初の臼歯の歯髄室容積に基づいたアフリカ系アメリカ人と中国人の人口固有の年齢推定。国際性。 J.法律医療。 136、811–819（2022）。
Kim S.、Lee YH、Noh YK、Park FK、OH KS最初の臼歯の人工知能ベースの画像を使用して、生きている人々の年齢層を決定します。科学。レポート11、1073（2021）。
Stern、D.、支払者、C。、ジュリアーニ、N。、およびUrschler、M。多変量MRIデータからの自動年齢推定と多数年齢分類。 IEEE J. Biomed。ヘルスアラート。 23、1392–1403（2019）。
Cheng、Q.、Ge、Z.、Du、H。、およびLi、G。深い学習とレベルセットを統合することにより、コーンビームコンピューター断層撮影からの最初の臼歯の3Dパルプチャンバーセグメンテーションに基づく年齢推定。国際性。 J.法律医療。 135、365–373（2021）。
Wu、WT、et al。臨床ビッグデータにおけるデータマイニング：一般的なデータベース、ステップ、および方法モデル。世界。薬。リソース。 8、44（2021）。
ヤン、J。etal。ビッグデータ時代の医療データベースとデータマイニングテクノロジーの紹介。 J. Avid。基本的な薬。 13、57–69（2020）。
シェン、S。etal。機械学習を使用して歯の年齢を推定するカメラーの方法。 BMC Oral Health 21、641（2021）。
Galliburg A. et al。 Demirdjianステージング法を使用して歯科年齢を予測するためのさまざまな機械学習方法の比較。国際性。 J.法律医療。 135、665–675（2021）。
Demirdjian、A.、Goldstein、H。およびTanner、JM歯科年齢を評価するための新しいシステム。鼻を鳴らします。生物学。 45、211–227（1973）。
Landis、Jr、およびKoch、GGカテゴリデータに関するオブザーバー合意の測定。 Biometrics 33、159–174（1977）。
Bhattacharjee S、Prakash D、Kim C、Kim HK、Choi HK。原発性脳腫瘍の分化のための人工知能技術を使用した2次元磁気共鳴画像法のテクスチャー、形態学的および統計分析。健康情報。リソース。 https://doi.org/10.4258/hir.2022.28.1.46（2022）。
投稿時間：1月-04-2024