Nature.com をご覧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では、CSS サポートが制限されています。最良の結果を得るには、ブラウザの新しいバージョンを使用する (または Internet Explorer の互換モードをオフにする) ことをお勧めします。それまでの間、継続的なサポートを確保するために、スタイルや JavaScript を使用せずにサイトを表示しています。
歯は人体の年齢を最も正確に示す指標であると考えられており、法医学的な年齢評価によく使用されます。私たちは、18 歳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およびデータ 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 ベースの歯年齢推定値を検証することを目的としました。15歳から23歳までの韓国人と日本の国民から合計2657枚のパノラマX線写真が収集された。それらは、それぞれ韓国の X 線写真 900 枚を含むトレーニング セットと、日本の X 線写真 857 枚を含む内部テスト セットに分けられました。従来の手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 セットでの従来の方法の精度は、データ マイニング モデルの精度よりわずかに高く、その差はわずかです (平均絶対誤差 <0.21 年、二乗平均平方根誤差 <0.24 年)。18 年カットオフの分類パフォーマンスも、従来の手法とデータ マイニング モデルの間で同様です。したがって、韓国の青年および若年成人の第2および第3大臼歯の成熟度を使用して法医学的年齢評価を行う場合、従来の方法をデータマイニングモデルに置き換えることができます。
歯の年齢推定は、法医学や小児歯科で広く使用されています。特に、実年齢と歯の発達の間には高い相関関係があるため、歯の発達段階による年齢評価は、小児および青少年の年齢を評価するための重要な基準です1、2、3。しかし、若者の場合、歯の成長は第三大臼歯を除いてほぼ完了しているため、歯の成熟度に基づいて歯の年齢を推定することには限界があります。若者と青少年の年齢を決定する法的目的は、彼らが成年年齢に達しているかどうかの正確な推定値と科学的証拠を提供することです。韓国の青少年および若年成人の医学法務では、Lee の方法を使用して年齢が推定され、Oh らによって報告されたデータに基づいて法的閾値 18 歳が予測されました 5 。
機械学習は、大量のデータの学習と分類を繰り返し、自ら問題を解決し、データ プログラミングを推進する人工知能 (AI) の一種です。機械学習は、大量のデータから有用な隠れたパターンを発見できます6。対照的に、従来の方法は労力と時間がかかり、手動で処理することが困難な大量の複雑なデータを扱う場合には制限がある可能性があります7。したがって、人的エラーを最小限に抑え、多次元データを効率的に処理するために、最新のコンピュータ技術を使用して多くの研究が最近行われています8、9、10、11、12。特に医療画像解析ではディープラーニングが広く利用されており、放射線画像を自動解析することにより年齢推定の精度と効率を向上させるさまざまな手法が報告されている13,14,15,16,17,18,19,20。 。たとえば、Halabi et al 13 は、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、子供の手の X 線写真を使用して骨格年齢を推定しました。この研究では、医療画像に機械学習を適用するモデルを提案し、これらの方法が診断精度を向上できることを示しています。Li ら 14 は、深層学習 CNN を使用して骨盤 X 線画像から年齢を推定し、骨化段階推定を使用した回帰結果と比較しました。彼らは、深層学習 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すことを発見しました。Guo らの研究 [15] では、歯科オルソ写真に基づいて 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 モデルの結果により、人間が年齢分類パフォーマンスを上回っていることが証明されました。
機械学習を使用した年齢推定に関する研究のほとんどは、深層学習手法を使用しています13、14、15、16、17、18、19、20。深層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。しかし、このアプローチでは、推定に使用される年齢指標など、年齢推定の科学的根拠を提示する機会がほとんどありません。誰が検査を行うかについても法的な争いがある。したがって、深層学習に基づく年齢推定は行政や司法当局に受け入れられにくい。データマイニング（DM）は、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、予想される情報だけでなく予想外の情報も発見できる技術です6,21,22。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はどちらも同じ主要なアルゴリズムを使用してデータ内のパターンを発見します。歯の発達を用いた年齢推定は、検査者による対象歯の成熟度の評価に基づいており、この評価は対象歯ごとの段階として表現されます。DM は歯科評価段階と実際の年齢との相関関係を分析するために使用でき、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、DM 技術を年齢推定に適用すると、法的責任を心配することなく法医学的年齢推定に機械学習を実装できます。歯の年齢を決定するための法医学実践で使用される従来の手作業による方法と EBM ベースの方法に代わる可能性のある比較研究がいくつか発表されています。Shen ら 23 は、DM モデルが従来の Camerer 式よりも正確であることを示しました。Galibourg ら 24 は、Demirdjian 基準 25 に従って年齢を予測するためにさまざまな DM 法を適用し、その結果、フランス人口の年齢推定において DM 法が Demirdjian 法および Willems 法よりも優れていることが示されました。
韓国の青少年と若年成人の歯の年齢を推定するために、Lee の方法 4 が韓国の法医学現場で広く使用されています。この方法では、伝統的な統計分析 (重回帰など) を使用して、韓国人の被験者と実年齢との関係を調べます。本研究では、伝統的な統計手法を用いた年齢推定手法を「伝統的手法」と定義する。Lee の方法は伝統的な方法であり、その精度は Oh らによって確認されています。5;しかし、韓国の法医学実践におけるDMモデルに基づく年齢推定の適用可能性には依然として疑問がある。私たちの目標は、DM モデルに基づく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) 歯の年齢を推定する際の 2 つの DM モデルの精度を比較すること、(2) 18 歳時の 7 つの DM モデルの分類性能を従来の統計手法を使用して得られたものと比較することでした。そして両顎の第三大臼歯。
ステージおよび歯の種類別の実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) にオンラインで表示されます。トレーニングセットから得られた観察者内および観察者間の信頼性のカッパ値は、それぞれ0.951および0.947でした。カッパ値の P 値と 95% 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、Landis と Koch26 の基準と一致して、「ほぼ完璧」であると解釈されました。
平均絶対誤差 (MAE) を比較すると、多層パーセプトロン (MLP) を除き、すべての性別および外部の男性テスト セットにおいて、従来の方法の方が DM モデルよりわずかに優れています。内部 MAE テストセットにおける従来のモデルと DM モデルの差は、男性で 0.12 ～ 0.19 年、女性で 0.17 ～ 0.21 年でした。外部テストバッテリーの場合、その差は小さくなります（男性では 0.001 ～ 0.05 年、女性では 0.05 ～ 0.09 年）。さらに、二乗平均平方根誤差 (RMSE) は従来の方法よりわずかに低く、差は小さくなっています (男性の内部テスト 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、単層パーセプトロン (SLP) よりもわずかに優れたパフォーマンスを示します。MAE と RMSE では、すべての性別とモデルにおいて、外部テスト セットのスコアが内部テスト セットよりも高くなっています。すべての MAE と RMSE を表 1 と図 1 に示します。
従来のデータマイニング回帰モデルの MAE と RMSE。平均絶対誤差 MAE、二乗平均平方根誤差 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 法。
従来モデルと DM モデルの分類性能 (カットオフ 18 年) は、感度、特異度、陽性的中率 (PPV)、陰性的中率 (NPV)、および受信者動作特性曲線下面積 (AUROC) の観点から実証されました。 27 (オンラインの表 2、図 2、および補足図 1)。内部テストバッテリーの感度に関しては、従来の方法は男性で最も優れた結果を示し、女性ではより悪かった。ただし、従来の方法と SD 間の分類パフォーマンスの差は、男性 (MLP) では 9.7%、女性 (XGBoost) ではわずか 2.4% です。DM モデルの中で、ロジスティック回帰 (LR) は男女ともにより高い感度を示しました。内部テストセットの特異性に関しては、4 つの SD モデルが男性で良好なパフォーマンスを示したのに対し、従来のモデルは女性でより良好なパフォーマンスを示したことが観察されました。男性と女性の分類性能の差はそれぞれ 13.3% (MLP) と 13.1% (MLP) であり、モデル間の分類性能の差が感度を超えてい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)、デシジョン ツリー (DT)、およびランダム フォレスト (RF) モデルは男性で最も優れたパフォーマンスを示し、LR モデルは女性で最も優れたパフォーマンスを示しました。従来のモデルとすべての SD モデルの AUROC は 0.925 (男性の k 最近傍 (KNN)) より大きく、18 歳のサンプルの識別において優れた分類性能を示しました 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、特異度、および AUROC の点で分類パフォーマンスが低下しました。さらに、最良のモデルと最悪のモデルの分類性能の間の感度と特異度の差は 10% ～ 25% の範囲であり、内部テストセットの差よりも大きかった。
18 年をカットオフとする従来の手法と比較した、データ マイニング分類モデルの感度と特異度。KNN k 最近傍法、SVM サポート ベクター マシン、LR ロジスティック回帰、DT デシジョン ツリー、RF ランダム フォレスト、XGB XGBoost、MLP 多層パーセプトロン、従来の CM 法。
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年齢推定値の精度と、従来の回帰を使用して得られた歯年齢推定値の精度を比較することでした。MAE と RMSE は男女ともに内部検査セットで評価され、従来の方法と DM モデルの差は MAE については 44 ～ 77 日、RMSE については 62 ～ 88 日の範囲でした。この研究では従来の方法の方がわずかに正確でしたが、このような小さな違いが臨床的または実用的な意味を持つかどうかを結論付けるのは困難です。これらの結果は、DM モデルを用いた歯年齢推定の精度が従来の手法とほぼ同等であることを示しています。この研究と同じ年齢範囲の歯を記録する同じ技術を使用して、DM モデルの精度を従来の統計的手法と比較した研究は存在しないため、以前の研究の結果と直接比較することは困難です。Galibourg ら 24 は、2 歳から 24 歳のフランス人集団を対象に、2 つの伝統的な方法 (Demirjian 法 25 および Willems 法 29) と 10 の 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 モデルが従来の方法よりも正確であり、Willems 法と Demirdjian 法と比較して、MAE で 0.20 年と 0.38 年、RMSE で 0.25 年と 0.47 年の差があると報告しました。ハリブール研究で示された SD モデルと従来の手法との間の不一致は、デミルジャン法が研究の基礎となったフランス系カナダ人以外の集団の歯の年齢を正確に推定していないという多数の報告 30,31,32,33 を考慮に入れています。この研究では。Tai ら 34 は、MLP アルゴリズムを使用して 1636 枚の中国の歯科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 が従来の方法よりも精度が高いと報告しました。Demirdjian 法と従来法との差は 0.32 年未満で、Willems 法は 0.28 年であり、本研究の結果と同様です。これらの以前の研究の結果 24,34 も本研究の結果と一致しており、DM モデルと従来の方法の年齢推定精度は同様です。しかし、提示された結果に基づいて、比較および参照する先行研究が不足しているため、年齢を推定するための DM モデルの使用が既存の方法に取って代わる可能性があると慎重に結論付けることしかできません。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追跡研究が必要です。
歯の年齢を推定する際の SD の精度をテストした研究の中には、我々の研究よりも高い精度を示した研究もありました。Stepanovsky et al 35 は、2.7 歳から 20.5 歳までのチェコ在住者 976 人のパノラマ 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 が提案した分類基準を使用して、左上下合計 16 本の永久歯の発育を評価しました。MAE の範囲は 0.64 ～ 0.94 年、RMSE の範囲は 0.85 ～ 1.27 年であり、この研究で使用された 2 つの DM モデルよりも正確です。Shen ら 23 は、Cameriere 法を使用して、5 歳から 13 歳の中国東部居住者の左下顎の 7 本の永久歯の歯年齢を推定し、それを線形回帰、SVM、および 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 Cameriere 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 モデルよりも低かった。Stepanovsky らによる研究の精度が向上しました。35およびShenら。23 は、研究サンプルに若い被験者が含まれているためである可能性があります。歯が発育中の参加者の年齢推定は、歯の発育中に歯の数が増加するにつれてより正確になるため、研究参加者が若ければ、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、年齢推定における MLP の誤差は SLP よりわずかに小さく、MLP が SLP よりも正確であることを意味します。おそらく MLP38 の隠れ層のおかげで、MLP は年齢推定にわずかに優れていると考えられています。ただし、外側の女性サンプルには例外があります (SLP 1.45、MLP 1.49)。年齢の評価において MLP が SLP よりも正確であるという発見には、追加の遡及研究が必要です。
DM モデルと 18 年のしきい値における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際に許容可能なレベルの識別を示しました。男性と女性の感度はそれぞれ 87.7% と 94.9% を超え、特異度は 89.3% と 84.7% を超えました。テストしたすべてのモデルの AUROC も 0.925 を超えています。私たちの知る限り、歯の成熟度に基づいた 18 年分類の 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 線写真での深層学習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 ベースの深層学習モデルと、特定の年齢のしきい値に対する Demirjian の方法に基づく手動手法の分類パフォーマンスを計算しました。手動手法の感度と特異度はそれぞれ 87.7% と 95.5% で、CNN モデルの感度と特異度はそれぞれ 89.2% と 86.6% を超えました。彼らは、深層学習モデルは年齢閾値の分類において手動評価に代わるか、それを上回る可能性があ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、年齢推定のための従来の統計的手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、男性サンプルの感度、女性サンプルの感度と特異度の点で最高のモデルでした。LR は男性の特異性で 2 番目にランクされます。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、複雑さが少なく、処理も難しくありません。これらの結果に基づいて、LR は韓国人口の 18 歳にとって最良のカットオフ分類モデルであると考えられました。
全体として、外部テスト セットで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 セットでの結果と比較して悪いか低かったです。一部の報告では、韓国人人口に基づく年齢推定値を日本人人口に適用すると、分類の精度または効率が低下することが示されており 5,39 、本研究でも同様のパターンが見つかりました。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、分析プロセスで DM を使用する場合でも、年齢を正確に推定するには、従来の方法など、ネイティブ集団データに由来する方法を優先する必要があります 5,39,40,41,42。深層学習モデルが同様の傾向を示すかどうかは不明であるため、人工知能が限られた年齢でこれらの人種格差を克服できるかどうかを確認するには、同じサンプルに対して従来の方法、DM モデル、および深層学習モデルを使用して分類の精度と効率を比較する研究が必要です。評価。
我々は、韓国における法医学年齢推定実務において、従来の方法をDMモデルに基づく年齢推定に置き換えることができることを実証する。また、法医学的年齢評価に機械学習を実装できる可能性も発見しました。ただし、結果を最終的に決定するにはこの研究の参加者数が不十分であること、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が存在しないことなど、明らかな制限があります。将来的には、DM研究は従来の方法と比較して実際の適用性を向上させるために、より多くのサンプルとより多様な集団を使用して実施される必要があります。人工知能を使用して複数の集団の年齢を推定する実現可能性を検証するには、同じサンプルで DM および深層学習モデルの分類精度と効率を従来の方法と比較する将来の研究が必要です。
この研究では、15歳から23歳までの韓国人と日本人の成人から収集した2,657枚の正投影写真が使用された。韓国の X 線写真は、900 のトレーニング セット (19.42 ± 2.65 年) と 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 (ソウル聖母病院) で収集され、独自のテスト セットは 2 つの施設 (ソウル国立大学歯学部病院と延世大学歯学部病院) で収集されました。また、外部検査のために別の人口ベースのデータ (日本の岩手医科大学) から 857 枚の X 線写真も収集しました。日本人被験者（19.31 ± 2.60 歳）の X 線写真が外部テストセットとして選択されました。歯科治療中に撮影されたパノラマ X 線写真から歯の発達段階を分析するために、遡及的にデータが収集されました。収集されたすべてのデータは、性別、生年月日、X線写真の日付を除いて匿名でした。包含基準と除外基準は、以前に発表された研究と同じでした 4、5 。サンプルの実際の年齢は、X 線写真を撮った日から生年月日を引くことによって計算されました。サンプルグループは9つの年齢グループに分けられました。年齢と性別の分布を表 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聖母病院 (KC22WISI0328) の治験審査委員会 (IRB) によって承認されました。この研究は遡及的デザインであるため、治療目的で放射線検査を受け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。ソウル高麗大学聖母病院（IRB）はインフォームド・コンセントの要件を放棄した。
両上顎の第 2 および第 3 大臼歯の発達段階は、Demircan 基準に従って評価されました 25。各顎の左側と右側に同じタイプの歯が見つかった場合、歯は 1 つだけ選択されます。両側の相同な歯が異なる発育段階にある場合、推定年齢の不確実性を考慮して、より低い発育段階の歯が選択されました。訓練セットからランダムに選択された 100 枚の X 線写真は、歯の成熟段階を決定するための事前校正後に 2 人の経験豊富な観察者によって採点され、観察者間の信頼性をテストしました。観察者内の信頼性は、主観察者によって 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第 2 および第 3 大臼歯の性別と発達段階は、さまざまな DM モデルでトレーニングされた主観察者によって推定され、実際の年齢が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 モデルと 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 本の歯の発育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、隠れ層は含まれません。SLP は、ノード間の送信しきい値に基づいて機能します。回帰における SLP モデルは、数学的には重線形回帰に似ています。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隠れ層があります。私たちの実験では、非線形活性化関数を持つ 20 個の隠れノードのみを持つ隠れ層を使用しました。最適化手法として勾配降下法を使用し、損失関数として MAE と RMSE を使用して、機械学習モデルをトレーニングします。得られた最良の回帰モデルを内部および外部のテストセットに適用し、歯の年齢を推定しました。
トレーニング セット上の 4 つの歯の成熟度を使用して、サンプルが 18 歳かどうかを予測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、(1) LR、(2) KNN、(3) SVM、(4) DT、(5) RF、(6) XGBoost、および (7) MLP の 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の 1 つです44。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 まで予測し、この確率に基づいて、より可能性の高いカテゴリにデータを分類する教師あり学習アルゴリズムです。主に二項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ると、既存のセットに近い k データを見つけて、それらを最も高い頻度のクラスに分類します。考慮される近傍の数 (k) として 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フィールド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46。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、パワー = 1、ガンマ = 1 を使用します。DT は、決定ルールを木構造で表現することにより、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アルゴリズムとしてさまざまな分野で適用されています47。このモデルは、ノードあたりの最小レコード数 2 で構成され、品質の尺度としてジニ インデックスを使用します。RF は、元のデータセットから同じサイズのサンプルを複数回ランダムに抽出することでサンプルごとに弱分類器を生成するブートストラップ集計手法を使用して、複数の DT を組み合わせてパフォーマンスを向上させるアンサンブル手法です48。ノード分離基準として、100 個のツリー、10 個のツリーの深さ、1 つの最小ノード サイズ、およびジニ混合指数を使用しました。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誤差を学習データとして取り、勾配を使用して誤差を増大させる方法を使用したブースティング手法を組み合わせたアルゴリズムです49。性能やリソース効率が良く、過学習補正機能としての信頼性も高いため、広く使われているアルゴリズムです。このモデルには 400 個のサポートホイールが装備されています。MLP は、1 つまたは複数のパーセプトロンが入力層と出力層の間に 1 つまたは複数の隠れ層を持つ複数の層を形成するニューラル ネットワークです38。これを使用すると、入力層を追加して結果値を取得するときに、予測された結果値が実際の結果値と比較され、誤差が伝播される非線形分類を実行できます。各層に 20 個の隠れニューロンを含む隠れ層を作成しました。私たちが開発した各モデルは内部セットと外部セットに適用され、感度、特異度、PPV、NPV、AUROC を計算することで分類パフォーマンスをテストしました。感度は、18 歳以上と推定されるサンプルに対する 18 歳以上と推定されるサンプルの比率として定義されます。特異度は、18 歳未満のサンプルと 18 歳未満と推定されるサンプルの割合です。
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。多変量線形回帰およびロジスティック回帰を実行して、性別ごとの予測モデルを開発し、年齢の推定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、内部および外部の両方のテスト セットの歯の年齢を推定しました。表 4 は、この研究で使用された回帰モデルと分類モデルを示しています。
観察者内および観察者間の信頼性は、コーエンのカッパ統計を使用して計算されました。DM および従来の回帰モデルの精度をテストするために、内部および外部のテスト セットの推定年齢と実際の年齢を使用して MAE と RMSE を計算しました。これらの誤差は、モデルの予測の精度を評価するためによく使用されます。誤差が小さいほど、予測の精度は高くなります24。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 年カットオフの分類パフォーマンスは、2 × 2 分割表を使用して評価されました。計算されたテストセットの感度、特異度、PPV、NPV、AUROC を DM 分類モデルの測定値と比較しました。データは、データの特性に応じて、平均±標準偏差または数値 (%) で表されます。両側 P 値 <0.05 は統計的に有意であるとみなされます。すべての日常的な統計分析は、SAS バージョン 9.4 (SAS Institute、ノースカロライナ州ケアリー) を使用して実行されました。DM 回帰モデルは、特に数学演算のために Keras50 2.2.4 バックエンドと Tensorflow51 1.8.0 を使用して Python で実装されました。DM 分類モデルは、Waikato Knowledge Analysis Environment および 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。
著者らは、研究の結論を裏付けるデータが論文と補足資料に記載されていることを認めています。研究中に生成および/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責任著者から入手できます。
Ritz-Timme, S. et al.年齢評価: 法医学実践の特定の要件を満たす最先端の技術。国際性。J. 法医学。113、129–136 (2000)。
Schmeling, A.、Reisinger, W.、Geserik, G.、および Olze, A. 刑事訴追を目的とした生体の法医学的年齢評価の現状。法医学。薬。病理学。1、239–246 (2005)。
Pan, J. et al.中国東部における 5 歳から 16 歳の子供の歯の年齢を評価するための改良された方法。臨床的な。口頭調査。25、3463–3474 (2021)。
Lee、SS など 韓国人の第 2 および第 3 大臼歯の発達の年表と法医学的年齢評価への応用。国際性。J. 法医学。124、659–665 (2010)。
Oh, S.、熊谷 A.、Kim, SY および Lee, SS 韓国人と日本人の第 2 および第 3 大臼歯の成熟度に基づく年齢推定の精度と 18 歳の閾値の推定。PLoS ONE 17、e0271247 (2022)。
キム、JY 他術前の機械学習ベースのデータ分析により、OSA 患者における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.ら。人間の介入の有無にかかわらず、機械学習による正確な年齢推定は?国際性。J. 法医学。136、821–831 (2022)。
Khan, S. と Shaheen, M. データ マイニングからデータ マイニングへ。J.情報。科学。https://doi.org/10.1177/01655515211030872 (2021)。
Khan, S. および Shaheen, M. WisRule: アソシエーション ルール マイニングのための最初の認知アルゴリズム。J.情報。科学。https://doi.org/10.1177/01655515221108695 (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 データを使用したディープ ラーニング ベースの意味的類似性検出。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 ビデオ内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)。
ハラビ、SS et al.小児骨年齢における RSNA 機械学習チャレンジ。放射線学 290、498–503 (2019)。
リー、Ｙら。深層学習を使用した骨盤 X 線写真からの法医学的年齢推定。ユーロ。放射線。29、2322–2329 (2019)。
Guo、YC、他。手動手法と正投影画像からのディープ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. 法医学。135、1589–1597 (2021)。
アラバマ・ダロラら。さまざまな機械学習手法を使用した骨年齢推定: 体系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法を使用した、第一大臼歯の歯髄腔容積に基づくアフリカ系アメリカ人および中国人の集団固有の年齢推定。国際性。J. 法医学。136、811–819 (2022)。
Kim S.、Lee YH、Noh YK、Park FK、Oh KS 人工知能に基づいた第一大臼歯の画像を使用して、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.、Payer, C.、Giuliani, N.、および Urschler, M. 多変量 MRI データからの自動年齢推定と過半数年齢分類。IEEE J. Biomed.健康に関する警告。23、1392–1403 (2019)。
Cheng, Q.、Ge, Z.、Du, H.、および Li, G. 深層学習とレベルセットを統合することによる、コーンビームコンピューター断層撮影法からの第一大臼歯の 3D 歯髄室セグメンテーションに基づく年齢推定。国際性。J. 法医学。135、365–373 (2021)。
ウー、WT、他。臨床ビッグデータのデータマイニング: 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.ら。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技術の紹介。J.アビッド。基礎医学。13、57–69 (2020)。
シェン、S.ら。機械学習を使用して歯の年齢を推定する Camerer の方法。BMC オーラルヘルス 21、641 (2021)。
Galliburg A. et al.Demirdjian 病期分類法を使用して歯の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. 法医学。135、665–675 (2021)。
Demirdjian, A.、Goldstein, H.、Tanner, JM 歯の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 カテゴリカル データに関するオブザーバーの合意の尺度。バイオメトリクス 33、159–174 (1977)。
バタチャジー S、プラカシュ D、キム C、キム HK、チョイ HK。原発性脳腫瘍の鑑別のための人工知能技術を使用した二次元磁気共鳴イメージングの組織的、形態学的および統計的分析。健康情報。リソース。https://doi.org/10.4258/hir.2022.28.1.46 (2022)。
投稿時刻: 2024 年 1 月 4 日