Nature.comにご訪問いただきありがとうございます。お使いのブラウザのバージョンはCSSのサポートが制限されています。最適な表示のためには、より新しいバージョンのブラウザをご利用いただくか、Internet Explorerの互換表示モードをオフにすることをお勧めします。当面の間、継続的なサポートを確保するため、スタイルシートやJavaScriptを適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と考えられており、法医学的な年齢鑑定によく用いられます。本研究では、18歳を閾値とした場合の推定精度と分類性能を従来の方法およびデータマイニングに基づく年齢推定と比較することで、データマイニングに基づく歯齢推定の妥当性を検証することを目的としました。15歳から23歳までの韓国人および日本人から合計2657枚のパノラマレントゲン写真を収集しました。これらの写真は、それぞれ900枚の韓国人レントゲン写真を含むトレーニングセットと、857枚の日本人レントゲン写真を含む内部テストセットに分割されました。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。内部テストセットにおける従来の方法の精度は、データマイニングモデルよりもわずかに高く、その差は小さいものでした（平均絶対誤差<0.21年、二乗平均平方根誤差<0.24年）。18歳を閾値とした場合の分類性能も、従来の方法とデータマイニングモデルで同様でした。したがって、韓国の青少年および若年成人における第二大臼歯と第三大臼歯の成熟度を用いた法医学的年齢推定を行う際には、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る。
歯齢推定は、法医学や小児歯科で広く用いられている。特に、暦年齢と歯の発育には高い相関関係があるため、歯の発育段階による年齢評価は、子供や青少年の年齢を評価する上で重要な基準となっている1,2,3。しかし、若年者の場合、第三大臼歯を除いて歯の成長がほぼ完了しているため、歯の成熟度に基づく歯齢推定には限界がある。若年者や青少年の年齢を決定する法的目的は、彼らが成人年齢に達したかどうかについて正確な推定と科学的証拠を提供することである。韓国の青少年や若年成人の法医学的実践では、年齢はLeeの方法を用いて推定され、Ohら5が報告したデータに基づいて18歳という法的閾値が予測された。
機械学習は、大量のデータを繰り返し学習して分類し、問題を自律的に解決し、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することができます6。一方、従来の方法は、労力と時間がかかり、手動で処理するのが難しい大量の複雑なデータを扱う際には限界がある場合があります7。そのため、近年、最新のコンピュータ技術を使用して人的ミスを最小限に抑え、多次元データを効率的に処理する研究が数多く行われています8,9,10,11,12。特に、ディープラーニングは医用画像解析で広く使用されており、レントゲン写真を自動的に解析して年齢を推定するさまざまな方法が報告され、年齢推定の精度と効率が向上しています13,14,15,16,17,18,19,20。たとえば、Halabiら13は、子供の手のレントゲン写真を使用して骨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、機械学習を医用画像に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させることが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性能を示したことを発見しました。 Guo らの研究 [15] は、歯科矯正写真に基づく CNN 技術の年齢許容分類性能を評価し、CNN モデルの結果は、人間の年齢分類性能を上回ることを証明しました。
機械学習を用いた年齢推定に関する研究のほとんどは、深層学習法を用いている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る。しかし、このアプローチでは、推定に用いられる年齢指標など、年齢推定の科学的根拠を示す機会がほとんどない。また、検査を誰が行うかについても法的紛争がある。そのため、深層学習に基づく年齢推定は、行政当局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、期待される情報だけでなく、予期しない情報も発見できる技術である6,21,22。機械学習はデータマイニングでよく用いられ、データマイニングと機械学習はどちらも、データ内のパターンを発見するために同じ主要アルゴリズムを使用している。歯の発育を用いた年齢推定は、対象歯の成熟度に対する検査者の評価に基づいており、この評価は対象歯ごとに段階として表現される。 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を秘めています。したがって、年齢推定に DM 技術を適用すれば、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導入できます。法医学実務で使用される従来の手動方法と、歯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 方法を適用し、その結果、フランス人の年齢推定において DM 方法が Demirdjian および Willems 方法よりも優れていることが示されました。
韓国の青少年および若年成人の歯齢を推定するために、韓国の法医学実務では Lee の方法 4 が広く使用されています。この方法は、韓国の被験者と暦年齢の関係を調べるために、従来の統計分析 (多重回帰など) を使用します。この研究では、従来の統計的手法を使用して得られた年齢推定方法を「従来の方法」と定義します。 Lee の方法は従来の方法であり、その精度は Oh ら 5 によって確認されていますが、韓国の法医学実務における DM モデルに基づく年齢推定の適用性は依然として疑問視されています。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、および (2) 18 歳での 7 つの DM モデルの分類性能を従来の統計的手法を使用して得られたものと比較することでした。両顎の第二大臼歯と第三大臼歯の成熟。
段階別および歯の種類別の暦年齢の平均値と標準偏差は、オンライン補足表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内および観察者間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Kochの基準26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、多層パーセプトロン (MLP) を除き、すべての性別と外部男性テスト セットで従来の方法が DM モデルをわずかに上回ります。内部 MAE テスト セットでの従来のモデルと 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 バッテリーでは、差は小さくなります (男性で 0.001 ～ 0.05 年、女性で 0.05 ～ 0.09 年)。さらに、二乗平均平方根誤差 (RMSE) は従来の方法よりもわずかに低く、差は小さくなります (男性内部テスト セットで 0.17 ～ 0.24、0.2 ～ 0.24、外部テスト セットで 0.03 ～ 0.07、0.04 ～ 0.08)。MLP は、女性の外部テスト セットの場合を除いて、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については、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は、表1と図1に示されています。
従来型回帰モデルと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、従来型CM法。
従来のモデルと DM モデルの分類性能 (カットオフを 18 歳とした場合) は、感度、特異度、陽性予測値 (PPV)、陰性予測値 (NPV)、受信者操作特性曲線下面積 (AUROC) 27 の観点から実証されました (表 2、図 2、オンライン補足図 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パフォーマンスを示し、女性では最も劣っていました。しかし、従来の方法と SD の分類性能の差は、男性 (MLP) で 9.7%、女性 (XGBoost) でわずか 2.4% でした。DM モデルの中では、ロジスティック回帰 (LR) が男女ともに優れた感度を示しました。内部テスト セットの特異度に関しては、4 つの SD モデルは男性で優れたパフォーマンスを示し、従来のモデルは女性でより優れた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 モデルの中では、サポート ベクター マシン (SVM)、決定木 (DT)、ランダム フォレスト (RF) モデルが男性で最も優れたパフォーマンスを示し、LR モデルが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 より大きく (男性では k 近傍法 (KNN))、18 歳サンプルの識別において優れた分類パフォーマンスを示しました 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、AUROC の観点から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パフォーマンス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くなりました。
データマイニング分類モデルの感度と特異度を、18歳をカットオフとした従来の方法と比較した。KNN：k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：決定木、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齢推定値の精度を、従来の回帰を使用して得られた推定値と比較することであった。MAE と RMSE は、男女両方の内部テスト セットで評価され、従来の方法と DM モデルとの差は、MAE で 44 ～ 77 日、RMSE で 62 ～ 88 日であった。この研究では従来の方法の方がわずかに正確であったが、このような小さな差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ことは難しい。これらの結果は、DM モデルを使用した歯齢推定の精度が従来の方法とほぼ同じであることを示している。この研究と同じ年齢範囲で同じ技術を使用して DM モデルの精度を従来の統計的方法と比較した研究がないため、以前の研究の結果と直接比較することは難しい。Galibourg ら 24 は、2 ～ 24 歳までのフランス人集団で、2 つの従来の方法 (Demirjian 法 25 と Willems 法 29) と 10 の DM モデル間の MAE と RMSE を比較した。彼らは、DM モデルはすべて従来の方法よりも正確であり、MAE では Willems 法と Demirdjian 法と比較してそれぞれ 0.20 年と 0.38 年、RMSE ではそれぞれ 0.25 年と 0.47 年であったと報告した。Halibourg 研究で示された SD モデルと従来の方法との間の不一致は、Demirdjian 法が、この研究の基となったフランス系カナダ人以外の集団では歯齢を正確に推定しないという多数の報告 30,31,32,33 を考慮に入れている。この研究では、Tai ら 34 は、1636 枚の中国人矯正写真から歯齢を予測するために MLP アルゴリズムを使用し、その精度を Demirjian 法と Willems 法の結果と比較した。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た。Demirdjian 法と従来の方法の差は <0.32 年であり、Willems 法は 0.28 年であり、これは本研究の結果と同様である。これらの先行研究24,34の結果も本研究の結果と一致しており、DMモデルと従来の方法による年齢推定精度は同程度である。しかし、比較対象となる先行研究が不足しているため、提示された結果に基づくと、DMモデルを用いた年齢推定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づけるしかない。本研究で得られた結果を検証するためには、より大規模なサンプルを用いた追跡調査が必要である。
歯齢推定における SD の精度を検証した研究の中には、本研究よりも高い精度を示したものもある。 Stepanovsky ら 35 は、2.7 歳から 20.5 歳までのチェコ人 976 名のパノラマ X 線写真に 22 の SD モデルを適用し、各モデルの精度を検証した。 Moorrees ら 36 が提案した分類基準を用いて、合計 16 本の左上顎および左下顎の永久歯の発育を評価した。 MAE は 0.64 歳から 0.94 歳、RMSE は 0.85 歳から 1.27 歳で、本研究で使用した 2 つの DM モデルよりも精度が高い。 Shen ら 23 は、5 歳から 13 歳までの中国東部住民の左下顎の 7 本の永久歯の歯齢を推定するために Cameriere 法を使用し、線形回帰、SVM、RF を用いて推定した年齢と比較した。 3 つの DM モデルはすべて、従来の Cameriere 式よりも精度が高いことを示した。 Shen の研究における MAE と RMSE は、本研究の DM モデルにおけるものよりも低かった。Stepanovsky ら 35 および Shen ら 23 の研究の精度の向上は、研究サンプルに若い被験者を含めたことによる可能性がある。歯の発達中の歯の数が増えるにつれて、発達中の歯を持つ参加者の年齢推定の精度が高くなるため、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る。さらに、年齢推定における MLP の誤差は SLP の誤差よりもわずかに小さいため、MLP は SLP よりも正確である。MLP は、MLP の隠れ層 38 により、年齢推定においてわずかに優れていると考えられる。ただし、女性の外側のサンプルには例外がある (SLP 1.45、MLP 1.49)。MLP が SLP よりも年齢評価において正確であるという発見には、追加の遡及的研究が必要である。
DM モデルと従来の方法の 18 歳閾値での分類性能も比較した。内部テスト セットでテストしたすべての SD モデルと従来の方法は、18 歳サンプルに対して実質的に許容できるレベルの識別を示した。男性と女性の感度はそれぞれ 87.7% と 94.9% を超え、特異度はそれぞれ 89.3% と 84.7% を超えた。テストしたすべてのモデルの AUROC も 0.925 を超えている。我々の知る限り、歯の成熟度に基づく 18 歳分類に対する DM モデルの性能をテストした研究はない。この研究の結果をパノラマ X 線写真に対する深層学習モデルの分類性能と比較することができる。Guo ら 15 は、特定の年齢閾値に対する CNN ベースの深層学習モデルと Demirjian の方法に基づく手動方法の分類性能を計算した。手動法の感度と特異度はそれぞれ 87.7% と 95.5% であり、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、深層学習モデルが年齢閾値の分類において手動評価に取って代わるか、それを上回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性能を示しました。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に取って代わ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と女性サンプルの感度と特異度の観点から最良のモデルでした。LR は男性の特異度で 2 位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 つであり、複雑さが少なく、処理が困難ではないと考えられています。これらの結果に基づいて、LR は韓国人集団の 18 歳に対する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精度または分類性能は、内部テストセットでの結果と比較して劣っていたか、低かった。韓国人集団に基づく年齢推定を日本人集団に適用すると分類精度または効率が低下するという報告もある5,39、本研究でも同様の傾向が見られた。この劣化傾向はDMモデルでも観察された。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、ネイティブの人口データから派生した方法が好ましい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評価におけるこれらの人種的差異を克服できるかどうかを確認するには、同じサンプルで従来の方法、DMモデル、および深層学習モデルを使用した分類精度と効率を比較する研究が必要である。
本研究では、韓国における法医学的年齢推定の実践において、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しました。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。しかしながら、結果を確定的に判断するには参加者数が不十分であること、および本研究の結果と比較・検証するための先行研究が不足していることなど、明確な限界があります。今後は、従来の方法と比較してDMの実用性を向上させるため、より多くのサンプルと多様な集団を対象としたDM研究を実施する必要があります。複数の集団における年齢推定に人工知能を用いることの実現可能性を検証するためには、同じサンプルにおいて、DMモデルと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今後の研究が必要です。
この研究では、15歳から23歳の韓国人および日本人成人から収集した2,657枚の正投影写真を使用しました。韓国人のレントゲン写真は、900セットのトレーニングセット（19.42 ± 2.65歳）と900セットの内部テストセット（19.52 ± 2.59歳）に分けられました。トレーニングセットは1つの施設（ソウル聖マリア病院）で収集され、独自のテストセットは2つの施設（ソウル国立大学歯科病院と延世大学歯科病院）で収集されました。外部テスト用に、別の集団ベースのデータ（岩手医科大学、日本）から857枚のレントゲン写真も収集しました。外部テストセットとして、日本人被験者（19.31 ± 2.60歳）のレントゲン写真を選択しました。歯科治療中に撮影されたパノラマレントゲン写真で歯の発育段階を分析するために、データは遡及的に収集されました。収集されたすべてのデータは、性別、生年月日、レントゲン撮影日を除いて匿名化されています。包含基準と除外基準は、以前に発表された研究4、5と同じです。サンプルの実際の年齢は、レントゲン撮影日から生年月日を差し引いて算出しました。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。年齢と性別の分布は表3に示されています。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マリア病院の倫理審査委員会（IRB）（KC22WISI0328）の承認を得ました。この研究は遡及的なデザインであるため、治療目的でレントゲン検査を受けた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はできませんでした。ソウル高麗大学聖マリア病院（IRB）はインフォームドコンセントの要件を免除しました。
両顎の第二大臼歯と第三大臼歯の発育段階は、Demircanの基準25に従って評価した。左右の顎に同じ種類の歯が見つかった場合は、1本の歯のみを選択した。両側の相同歯の発育段階が異なる場合は、推定年齢の不確実性を考慮して、発育段階が低い方の歯を選択した。トレーニングセットからランダムに選択した100枚のレントゲン写真を、歯の成熟段階を決定するための事前較正後、2人の経験豊富な観察者がスコアリングし、観察者間信頼性をテストした。観察者内信頼性は、主たる観察者によって3か月間隔で2回評価した。
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、異なる 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 モデルを回帰アルゴリズムと比較しました。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、隠れ層を含みません。SLP は、ノード間の閾値伝達に基づいて動作します。回帰における SLP モデルは、数学的には多重線形回帰に似ています。SLP モデルとは異なり、MLP モデルは非線形活性化関数を持つ複数の隠れ層を持っています。私たちの実験では、非線形活性化関数を持つ隠れノードが 20 個だけの隠れ層を使用しました。最適化方法として勾配降下法を、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した。得られた最良の回帰モデルを内部テスト セットと外部テスト 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、7 つの表現機械学習アルゴリズム 6,43 を導出しました: (1) LR、(2) KNN、(3) SVM、(4) DT、(5) RF、(6) XGBoost、および (7) MLP。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、回帰を使用してデータが特定のカテゴリに属する確率を 0 から 1 まで予測し、この確率に基づいてデータをより可能性の高いカテゴリに分類する教師あり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ると、既存のセットに近い k 個のデータを見つけ、それらを最も頻度の高いクラスに分類します。考慮される近傍の数 (k) を 3 に設定しました。 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、決定ルールをツリー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、ノードあたりのレコードの最小数が2に設定されており、品質の尺度としてジニ係数を使用します。RFは、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あり、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により、各サンプルに対して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ます48。ノード分離基準として、100本の木、10の木の深さ、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、前のモデルの実際の値と予測値の間の誤差をトレーニングデータとして受け取り、勾配を使用して誤差を増大させる方法を使用してブースティング技術を組み合わせたアルゴリズムです49。優れたパフォーマンスとリソース効率、および過学習補正関数としての高い信頼性のため、広く使用されているアルゴリズムです。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つ以上のパーセプトロンが複数の層を形成し、入力層と出力層の間に1つ以上の隠れ層を持つ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、予測結果値が実際の結果値と比較され、誤差が逆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持つ隠れ層を作成しました。開発した各モデルは、感度、特異度、PPV、NPV、およびAUROCを計算することによって分類パフォーマンスをテストするために、内部セットと外部セットに適用されました。感度とは、18歳以上と推定されるサンプル数と、18歳以上と推定されるサンプル数の比率として定義されます。特異度とは、18歳未満のサンプル数と、18歳未満と推定されるサンプル数の割合です。
トレーニングセットで評価された歯の発育段階は、統計分析のために数値段階に変換されました。多変量線形回帰とロジスティック回帰を実行して、性別ごとに予測モデルを作成し、年齢推定に使用できる回帰式を導出しました。これらの式を使用して、内部テストセットと外部テストセットの両方で歯の年齢を推定しました。表4に、本研究で使用した回帰モデルと分類モデルを示します。
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量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、内部および外部テストセットの推定年齢と実際の年齢を使用して MAE および 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よく使用されます。エラーが小さいほど、予測の精度が高くなります 24。DM および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 および RMSE を比較します。従来の統計における 18 歳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。テストセットの計算された感度、特異度、PPV、NPV、および AUROC は、DM 分類モデルの測定値と比較されました。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。両側 P 値 <0.05 は統計的に有意とみなされました。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、特に数学演算のために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とKonstanz Information Miner (KNIME) 4.6.152分析プラットフォームで実装されました。
著者らは、本研究の結論を裏付けるデータは論文本文および補足資料に記載されていることを明記する。研究中に生成および／または分析されたデータセットは、合理的な要請があれば責任著者から入手可能である。
Ritz-Timme, S. et al. 年齢査定：法医学の実践における特定の要件を満たすための最先端技術。国際性。J. Legal medicine. 113, 129–136 (2000).
Schmeling, A.、Reisinger, W.、Geserik, G.、およびOlze, A. 刑事訴追目的における生存者の法医学的年齢評価の現状。法医学・病理学。1、239–246 (2005)。
Pan, J. et al. 中国東部の5歳から16歳までの子供の歯齢を評価するための改良法。臨床口腔調査。25、3463–3474 (2021)。
Lee, SS 他「韓国人における第二大臼歯および第三大臼歯の発達の年代と法医学的年齢評価への応用」国際性。法医学ジャーナル 124、659–665 (2010)。
Oh, S., Kumagai, A., Kim, SY and Lee, SS 韓国人と日本人における第二大臼歯と第三大臼歯の成熟度に基づく年齢推定と18歳閾値の推定の精度。PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. 術前機械学習に基づくデータ分析により、OSA患者の睡眠手術治療結果を予測できる。科学レポート11、14911 (2021)。
Han, M. et al. 機械学習による正確な年齢推定は、人間の介入の有無にかかわらず可能か？国際性。法医学ジャーナル。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へ。J.Information. the science. 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.Information. the science. 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型データマイニング。calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M.、Rehman Z.、Shaheen M.、Khan M.、Habib M.「テキストデータを用いた深層学習に基づく意味的類似性検出」。inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020)。
Tabish, M.、Tanoli, Z.、および Shahin, M. スポーツビデオにおける活動認識システム。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 他「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. et al. 深層学習を用いた骨盤X線写真からの法医学的年齢推定. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. 正射投影画像からの手動法と深層畳み込みニューラルネットワークを用いた正確な年齢分類。国際性。法医学ジャーナル。135、1589–1597 (2021)。
Alabama Dalora et al. 異なる機械学習手法を用いた骨年齢推定：系統的文献レビューとメタ分析。PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. 円錐ビームCTを用い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と中国人の人口別年齢推定。国際性。法医学ジャーナル。136、811–819 (2022)。
Kim S.、Lee YH、Noh YK、Park FK、Oh KS「第一大臼歯の人工知能ベースの画像を用いた生存者の年齢層の判定」科学レポート11、1073（2021）。
Stern, D.、Payer, C.、Giuliani, N.、Urschler, M.「多変量MRIデータからの自動年齢推定と多数派年齢分類」IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. 深層学習とレベルセットを統合した円錐ビームCTによる第一大臼歯の3D歯髄腔セグメンテーションに基づく年齢推定。国際性。法医学ジャーナル。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、手順、および方法モデル。World. medicine. resource. 8, 44 (2021).
Yang, J. et al. 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. Avid. 基礎医学。13、57–69 (2020)。
Shen, S. et al. 機械学習を用いた歯齢推定のためのカメラー法。BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Demirdjianステージング法を用いた歯齢予測のための様々な機械学習手法の比較。国際性。法医学ジャーナル。135、665–675（2021）。
Demirdjian, A.、Goldstein, H.、Tanner, JM「歯齢を評価するための新しいシステム」。snort. biology. 45, 211–227 (1973).
Landis, JR、および Koch, GG「カテゴリカルデータにおける観察者間の一致度の測定」Biometrics 33、159–174 (1977)。
Bhattacharjee S、Prakash D、Kim C、Kim HK、Choi HK。人工知能技術を用いた2次元磁気共鳴画像のテクスチャ、形態、統計分析による原発性脳腫瘍の鑑別。健康情報リソース。https://doi.org/10.4258/hir.2022.28.1.46 (2022)。
投稿日時：2024年1月4日