Nature.com сайтад зочилсонд баярлалаа. Таны ашиглаж буй хөтчийн хувилбар нь CSS дэмжлэг хязгаарлагдмал байна. Хамгийн сайн үр дүнд хүрэхийн тулд бид хөтчийнхөө шинэ хувилбарыг ашиглахыг (эсвэл Internet Explorer дээр нийцтэй байдлын горимыг унтраах) зөвлөж байна. Энэ хооронд тасралтгүй дэмжлэг үзүүлэхийн тулд бид сайтыг хэв маяг эсвэл JavaScriptгүйгээр харуулж байна.
Шүд нь хүний биеийн насыг хамгийн зөв тодорхойлох үзүүлэлт гэж тооцогддог бөгөөд шүүх эмнэлгийн насны үнэлгээнд ихэвчлэн ашиглагддаг. Бид 18 жилийн босгын тооцооллын нарийвчлал болон ангиллын гүйцэтгэлийг уламжлалт аргууд болон өгөгдөл олборлолтод суурилсан насны тооцоололтой харьцуулж, өгөгдөл олборлолтод суурилсан шүдний насны тооцооллыг баталгаажуулахыг зорьсон. 15-23 насны Солонгос, Японы иргэдээс нийт 2657 панорамик рентген зураг цуглуулсан. Тэдгээрийг тус бүр нь 900 Солонгосын рентген зураг агуулсан сургалтын багц болон 857 Японы рентген зураг агуулсан дотоод туршилтын багц болгон хуваасан. Бид уламжлалт аргуудын ангиллын нарийвчлал болон үр ашгийг өгөгдөл олборлолтын загваруудын туршилтын багцтай харьцуулсан. Дотоод туршилтын багц дээрх уламжлалт аргын нарийвчлал нь өгөгдөл олборлолтын загвараас арай өндөр бөгөөд ялгаа нь бага байна (дундаж үнэмлэхүй алдаа <0.21 жил, дундаж квадрат алдаа <0.24 жил). 18 жилийн хязгаарын ангиллын гүйцэтгэл нь уламжлалт аргууд болон өгөгдөл олборлолтын загваруудын хооронд мөн ижил төстэй байна. Тиймээс Солонгосын өсвөр насныхан болон залуу насанд хүрэгчдийн хоёр ба гурав дахь араа шүдний төлөвшлийг ашиглан шүүх эмнэлгийн насны үнэлгээ хийхдээ уламжлалт аргуудыг өгөгдөл олборлох загвараар сольж болно.
Шүдний насыг тооцоолох аргыг шүүх эмнэлгийн болон хүүхдийн шүдний эмчилгээнд өргөн ашигладаг. Ялангуяа он цагийн дараалал болон шүдний хөгжлийн хооронд өндөр хамаарал байдаг тул шүдний хөгжлийн үе шатаар насыг үнэлэх нь хүүхэд, өсвөр насныхны насыг үнэлэх чухал шалгуур болдог1,2,3. Гэсэн хэдий ч залуу хүмүүсийн хувьд шүдний насыг шүдний боловсорч гүйцсэн байдлаар тооцоолох нь хязгаарлалттай байдаг, учир нь гурав дахь араа шүднээс бусад тохиолдолд шүдний өсөлт бараг бүрэн дууссан байдаг. Залуу хүмүүс болон өсвөр насныхны насыг тодорхойлох хууль эрх зүйн зорилго нь тэд насанд хүрсэн эсэхийг үнэн зөв тооцоолол, шинжлэх ухааны нотолгоогоор хангах явдал юм. Солонгост өсвөр насныхан болон залуу насанд хүрэгчдийн эмнэлгийн болон хууль эрх зүйн практикт насыг Лигийн аргаар тооцоолсон бөгөөд Ох болон бусад 5-ын мэдээлсэн өгөгдөлд үндэслэн 18 насны хууль ёсны босгыг урьдчилан таамагласан.
Машин сургалт нь их хэмжээний өгөгдлийг давтан суралцаж, ангилж, асуудлыг өөрөө шийдэж, өгөгдлийн програмчлалыг хөтөлдөг хиймэл оюун ухаан (AI)-ийн нэг төрөл юм. Машин сургалт нь их хэмжээний өгөгдөлд хэрэгтэй далд хэв маягийг илрүүлж чаддаг6. Үүний эсрэгээр, хөдөлмөр их шаарддаг, цаг хугацаа их шаарддаг сонгодог аргууд нь гараар боловсруулахад хэцүү их хэмжээний нарийн төвөгтэй өгөгдөлтэй ажиллахад хязгаарлалттай байж болно7. Тиймээс хүний алдааг багасгах, олон хэмжээст өгөгдлийг үр дүнтэй боловсруулахын тулд сүүлийн үеийн компьютерийн технологийг ашиглан олон судалгаа хийгдсэн8,9,10,11,12. Ялангуяа гүнзгий сургалтыг анагаах ухааны дүрсний шинжилгээнд өргөн ашиглаж ирсэн бөгөөд рентген зургийг автоматаар шинжлэх замаар насыг тооцоолох янз бүрийн аргууд нь насны тооцооллын нарийвчлал, үр ашгийг сайжруулдаг болохыг мэдээлсэн13,14,15,16,17,18,19,20. Жишээлбэл, Халаби нар 13 нь хүүхдийн гарын рентген зургийг ашиглан араг ясны насыг тооцоолохын тулд мушгирсан мэдрэлийн сүлжээ (CNN) дээр суурилсан машин сургалтын алгоритм боловсруулсан. Энэхүү судалгаагаар машин сургалтыг эмнэлгийн дүрслэлд хэрэгжүүлдэг загварыг санал болгож байгаа бөгөөд эдгээр аргууд нь оношлогооны нарийвчлалыг сайжруулж болохыг харуулж байна. Ли нар14 нь гүнзгий сургалтын CNN ашиглан аарцагны рентген зургаас насыг тооцоолж, ясжилтын үе шатны тооцооллыг ашиглан регрессийн үр дүнтэй харьцуулсан. Тэд гүнзгий сургалтын CNN загвар нь уламжлалт регрессийн загвартай ижил насны тооцооллын гүйцэтгэлийг харуулсан болохыг тогтоожээ. Гуо нар [15]-ын судалгаагаар шүдний ортофото дээр суурилсан CNN технологийн насны хүлцлийн ангиллын гүйцэтгэлийг үнэлсэн бөгөөд CNN загварын үр дүнгээс харахад хүмүүс түүний насны ангиллын гүйцэтгэлээс илүү сайн байсан нь батлагдсан.
Машин сургалтыг ашиглан насыг тооцоолох судалгааны ихэнх судалгаанд гүнзгий сургалтын аргуудыг ашигладаг13,14,15,16,17,18,19,20. Гүнзгий сургалтад суурилсан насыг тооцоолох нь уламжлалт аргуудаас илүү нарийвчлалтай гэж мэдээлэгдсэн. Гэсэн хэдий ч энэ арга нь тооцоонд ашигласан насны үзүүлэлтүүд гэх мэт насны тооцооллын шинжлэх ухааны үндэслэлийг танилцуулах боломж багатай байдаг. Мөн шалгалтыг хэн явуулж байгаа талаар хууль эрх зүйн маргаан байдаг. Тиймээс гүнзгий сургалтад суурилсан насыг тооцоолохыг захиргааны болон шүүхийн байгууллагууд хүлээн зөвшөөрөхөд хэцүү байдаг. Өгөгдөл олборлолт (ӨО) нь их хэмжээний өгөгдлийн хоорондох ашигтай хамаарлыг илрүүлэх арга болгон хүлээгдэж буй төдийгүй гэнэтийн мэдээллийг илрүүлэх арга юм6,21,22. Машин сургалтыг өгөгдөл олборлолтод ихэвчлэн ашигладаг бөгөөд өгөгдөл олборлолт болон машин сургалт хоёулаа өгөгдлийн хэв маягийг илрүүлэхийн тулд ижил гол алгоритмуудыг ашигладаг. Шүдний хөгжлийг ашиглан насыг тооцоолох нь шалгагчийн зорилтот шүдний төлөвшлийн үнэлгээнд үндэслэсэн бөгөөд энэхүү үнэлгээг зорилтот шүд бүрийн үе шат болгон илэрхийлдэг. ӨО-г шүдний үнэлгээний үе шат болон бодит нас хоорондын хамаарлыг шинжлэхэд ашиглаж болох бөгөөд уламжлалт статистик шинжилгээг орлох боломжтой. Тиймээс, хэрэв бид насыг тооцоолоход DM техникийг хэрэглэвэл шүүх эмнэлгийн насыг тооцоолоход хуулийн хариуцлагаас санаа зоволгүйгээр машин сургалтыг хэрэгжүүлж чадна. Шүүхийн практикт ашигладаг уламжлалт гарын авлагын аргууд болон шүдний насыг тодорхойлох EBM дээр суурилсан аргуудын боломжит хувилбаруудын талаар хэд хэдэн харьцуулсан судалгаа нийтлэгдсэн. Шен нар23 DM загвар нь уламжлалт Камерерийн томъёоноос илүү нарийвчлалтай болохыг харуулсан. Галибур нар24 Демирджианы шалгуурын дагуу насыг урьдчилан таамаглахын тулд өөр өөр DM аргуудыг хэрэглэсэн25 бөгөөд үр дүнгээс харахад DM арга нь Францын хүн амын насыг тооцоолоход Демирджиан болон Виллемсийн аргуудаас илүү үр дүнтэй байсан.
Солонгосын өсвөр насныхан болон залуу хүмүүсийн шүдний насыг тооцоолохын тулд Лигийн 4-р аргыг Солонгосын шүүх эмнэлгийн практикт өргөн ашигладаг. Энэ аргыг Солонгосын субьектууд болон он цагийн нас хоорондын хамаарлыг судлахын тулд уламжлалт статистикийн шинжилгээ (жишээлбэл, олон регресс) ашигладаг. Энэхүү судалгаанд уламжлалт статистикийн аргыг ашиглан олж авсан насыг тооцоолох аргуудыг "уламжлалт аргууд" гэж тодорхойлсон. Лигийн арга нь уламжлалт арга бөгөөд түүний нарийвчлалыг Ох нар 5 баталсан; Гэсэн хэдий ч Солонгосын шүүх эмнэлгийн практикт DM загварт суурилсан насыг тооцоолох хэрэглээ нь эргэлзээтэй хэвээр байна. Бидний зорилго бол DM загварт суурилсан насыг тооцоолох боломжит ашиг тусыг шинжлэх ухааны үндэслэлтэй баталгаажуулах явдал байв. Энэхүү судалгааны зорилго нь (1) шүдний насыг тооцоолоход хоёр DM загварын нарийвчлалыг харьцуулах, (2) 18 настай 7 DM загварын ангиллын гүйцэтгэлийг уламжлалт статистикийн аргаар олж авсантай харьцуулах явдал байв. Хоёр эрүүний хоёр ба гурав дахь араа шүдний боловсорч гүйцэх байдал.
Үе шат болон шүдний төрлөөр он цагийн насны дундаж болон стандарт хазайлтыг Нэмэлт Хүснэгт S1 (сургалтын багц), Нэмэлт Хүснэгт S2 (дотоод туршилтын багц) болон Нэмэлт Хүснэгт S3 (гадаад туршилтын багц)-д онлайнаар харуулав. Сургалтын багцаас олж авсан ажиглагчийн доторх болон ажиглагч хоорондын найдвартай байдлын каппа утгууд нь тус тус 0.951 ба 0.947 байв. Каппа утгуудын P утга болон 95% итгэх интервалыг онлайн нэмэлт хүснэгт S4-д харуулав. Каппа утгыг Ландис болон Кох26-ийн шалгууртай нийцүүлэн "бараг төгс" гэж тайлбарласан.
Дундаж абсолют алдааг (MAE) харьцуулахдаа уламжлалт арга нь олон давхаргат перцептрон (MLP)-ээс бусад бүх хүйсийн болон гадаад эрэгтэй туршилтын багцад DM загвараас арай илүү үр дүнтэй байдаг. Дотоод MAE туршилтын багц дээрх уламжлалт загвар болон DM загварын хоорондох ялгаа нь эрэгтэйчүүдэд 0.12–0.19 жил, эмэгтэйчүүдэд 0.17–0.21 жил байв. Гадаад туршилтын батерейны хувьд ялгаа нь бага байна (эрэгтэйчүүдэд 0.001–0.05 жил, эмэгтэйчүүдэд 0.05–0.09 жил). Нэмж дурдахад, дундаж квадрат алдаа (RMSE) нь уламжлалт аргаас арай бага бөгөөд ялгаа нь бага байна (эрэгтэйчүүдийн дотоод туршилтын багцад 0.17–0.24, 0.2–0.24, гадаад туршилтын багцад 0.03–0.07, 0.04–0.08). MLP нь эмэгтэй хүний гадаад туршилтын багцаас бусад тохиолдолд Single Layer Perceptron (SLP)-ээс арай илүү гүйцэтгэл үзүүлдэг. MAE болон RMSE-ийн хувьд гадаад тестийн багц нь бүх хүйс болон загварын дотоод тестийн багцаас өндөр оноо авсан. Бүх MAE болон RMSE-г Хүснэгт 1 болон Зураг 1-д үзүүлэв.
Уламжлалт болон өгөгдөл олборлолтын регрессийн загваруудын MAE болон RMSE. Дундаж үнэмлэхүй алдаа MAE, дундаж квадрат алдаа RMSE, нэг давхаргат перцептрон SLP, олон давхаргат перцептрон MLP, уламжлалт CM арга.
Уламжлалт болон DM загваруудын ангиллын гүйцэтгэлийг (18 жилийн хязгаартай) мэдрэмж, өвөрмөц чанар, эерэг урьдчилан таамаглах утга (PPV), сөрөг урьдчилан таамаглах утга (NPV), хүлээн авагчийн үйл ажиллагааны шинж чанарын муруйн доорх талбай (AUROC) 27 (Хүснэгт 2, Зураг 2 болон Нэмэлт Зураг 1-ийг онлайнаар үзүүлэв. Дотоод туршилтын батерейны мэдрэмжийн хувьд уламжлалт аргууд эрэгтэйчүүдэд хамгийн сайн, эмэгтэйчүүдэд муу үр дүнтэй байв. Гэсэн хэдий ч уламжлалт аргууд болон SD-ийн хоорондох ангиллын гүйцэтгэлийн зөрүү нь эрэгтэйчүүдэд 9.7% (MLP), эмэгтэйчүүдэд ердөө 2.4% (XGBoost) байна. DM загваруудын дунд логистик регресс (LR) нь хоёр хүйсийн аль алинд нь илүү сайн мэдрэмж төрүүлэв. Дотоод туршилтын багцын өвөрмөц байдлын хувьд дөрвөн SD загвар нь эрэгтэйчүүдэд сайн, харин уламжлалт загвар нь эмэгтэйчүүдэд илүү сайн үр дүнтэй байгааг ажигласан. Эрэгтэй, эмэгтэй хүмүүсийн ангиллын гүйцэтгэлийн зөрүү тус тус 13.3% (MLP) ба 13.1% (MLP) байгаа нь загваруудын хоорондох ангиллын гүйцэтгэлийн зөрүү нь мэдрэмжээс давж байгааг харуулж байна. DM загваруудын дунд тулгуур векторын машин (SVM), шийдвэрийн мод (DT), санамсаргүй ойн (RF) загварууд эрэгтэйчүүдийн дунд хамгийн сайн үзүүлэлттэй байсан бол LR загвар нь эмэгтэйчүүдийн дунд хамгийн сайн үзүүлэлттэй байв. Уламжлалт загвар болон бүх SD загваруудын AUROC нь 0.925-аас их байсан (эрэгтэйчүүдэд k-хамгийн ойрын хөрш (KNN)) нь 18 настай дээжийг ялгахад маш сайн ангиллын гүйцэтгэлийг харуулсан28. Гадаад туршилтын багцын хувьд дотоод туршилтын багцтай харьцуулахад мэдрэг чанар, өвөрмөц чанар болон AUROC-ийн хувьд ангиллын гүйцэтгэл буурсан байна. Түүнчлэн, хамгийн сайн ба хамгийн муу загваруудын ангиллын гүйцэтгэлийн хоорондох мэдрэг чанар ба өвөрмөц чанарын зөрүү 10% -иас 25% хооронд хэлбэлзэж, дотоод туршилтын багцын зөрүүнээс их байв.
18 жилийн хязгаартай уламжлалт аргуудтай харьцуулахад өгөгдөл олборлолтын ангиллын загваруудын мэдрэг чанар ба өвөрмөц байдал. KNN k хамгийн ойрын хөрш, SVM дэмжлэг вектор машин, LR логистик регресс, DT шийдвэрийн мод, RF санамсаргүй ой, XGB XGBoost, MLP олон давхаргат перцептрон, уламжлалт CM арга.
Энэхүү судалгааны эхний алхам нь долоон DM загвараас авсан шүдний насны тооцооллын нарийвчлалыг уламжлалт регресс ашиглан авсан тооцоололтой харьцуулах явдал байв. MAE болон RMSE-г хүйсийн аль алиных нь дотоод туршилтын багцад үнэлсэн бөгөөд уламжлалт арга болон DM загварын хоорондох ялгаа нь MAE-ийн хувьд 44-77 хоног, RMSE-ийн хувьд 62-88 хоног байв. Энэхүү судалгаанд уламжлалт арга нь арай илүү нарийвчлалтай байсан ч ийм жижиг ялгаа нь эмнэлзүйн болон практик ач холбогдолтой эсэхийг дүгнэхэд хэцүү байна. Эдгээр үр дүнгүүд нь DM загварыг ашиглан шүдний насны тооцооллын нарийвчлал нь уламжлалт аргынхтай бараг ижил байгааг харуулж байна. Өмнөх судалгааны үр дүнтэй шууд харьцуулах нь хэцүү байдаг, учир нь DM загваруудын нарийвчлалыг энэхүү судалгаатай ижил насны хүрээнд шүдийг бүртгэх ижил аргыг ашиглан уламжлалт статистикийн аргуудтай харьцуулсан судалгаа байхгүй байна. Галибург нар24 нь 2-24 насны Францын хүн амын дунд хоёр уламжлалт арга (Демиржианы арга25 ба Виллемсийн арга29) болон 10 DM загварын хооронд MAE болон RMSE-г харьцуулсан. Тэд бүх DM загварууд нь уламжлалт аргуудаас илүү нарийвчлалтай бөгөөд Виллемс болон Демирджианы аргуудтай харьцуулахад MAE-д 0.20 ба 0.38 жилийн, RMSE-д 0.25 ба 0.47 жилийн зөрүүтэй байгааг мэдээлсэн. Халибургийн судалгаанд үзүүлсэн SD загвар болон уламжлалт аргуудын хоорондох зөрүү нь Демирджианы арга нь судалгаанд үндэслэсэн Франц Канадын иргэдээс бусад хүн амын шүдний насыг үнэн зөв тооцоолдоггүй гэсэн олон тооны тайланг харгалзан үзсэн30,31,32,33. Тай нар 34 нь MLP алгоритмыг ашиглан 1636 Хятадын гажиг заслын гэрэл зургаас шүдний насыг урьдчилан таамаглаж, түүний нарийвчлалыг Демирджиан болон Виллемсийн аргын үр дүнтэй харьцуулсан. Тэд MLP нь уламжлалт аргуудаас илүү нарийвчлалтай гэж мэдээлсэн. Демирджианы арга болон уламжлалт аргын ялгаа <0.32 жил, Виллемсийн арга нь 0.28 жил бөгөөд энэ нь одоогийн судалгааны үр дүнтэй төстэй юм. Өмнөх судалгаануудын үр дүн24,34 нь одоогийн судалгааны үр дүнтэй нийцэж байгаа бөгөөд DM загвар болон уламжлалт аргын насыг тооцоолох нарийвчлал ижил төстэй байна. Гэсэн хэдий ч танилцуулсан үр дүнд үндэслэн өмнөх харьцуулсан болон лавлагаа судалгаанууд дутмаг байгаагаас насыг тооцоолоход DM загварыг ашиглах нь одоо байгаа аргуудыг орлож магадгүй гэж бид болгоомжтой дүгнэж болно. Энэхүү судалгаанд олж авсан үр дүнг баталгаажуулахын тулд илүү том дээж ашиглан дараагийн судалгаа хийх шаардлагатай байна.
Шүдний насыг тооцоолоход SD-ийн нарийвчлалыг шалгасан судалгаануудын зарим нь бидний судалгаанаас өндөр нарийвчлалтай байсан. Степановский нар 35 нь 2.7-20.5 насны Чехийн 976 оршин суугчийн панорамик рентген зурагт 22 SD загварыг хэрэглэж, загвар бүрийн нарийвчлалыг шалгасан. Тэд Moorrees болон бусад 36-ийн санал болгосон ангиллын шалгуурыг ашиглан нийт 16 зүүн дээд ба доод байнгын шүдний хөгжлийг үнэлсэн. MAE нь 0.64-0.94 жил, RMSE нь 0.85-1.27 жил хооронд хэлбэлздэг бөгөөд энэ нь энэхүү судалгаанд ашигласан хоёр DM загвараас илүү нарийвчлалтай юм. Шен нар 23 нь 5-13 насны зүүн Хятадын оршин суугчдын зүүн эрүүний долоон байнгын шүдний шүдний насыг тооцоолоход Камериерийн аргыг ашигласан бөгөөд үүнийг шугаман регресс, SVM болон RF ашиглан тооцоолсон настай харьцуулсан. Тэд гурван DM загвар нь уламжлалт Камериерийн томъёотой харьцуулахад илүү өндөр нарийвчлалтай болохыг харуулсан. Шений судалгаанд гарсан MAE болон RMSE нь энэхүү судалгааны DM загварт байсантай харьцуулахад бага байсан. Степановский болон бусад 35, Шен болон бусад 23-ын судалгааны нарийвчлал нэмэгдсэн нь залуу хүмүүсийг судалгааны дээжинд оруулсантай холбоотой байж болох юм. Шүдний хөгжлийн явцад шүдний тоо нэмэгдэхийн хэрээр хөгжиж буй шүдтэй оролцогчдын насны тооцоолол илүү нарийвчлалтай болдог тул судалгаанд оролцогчид залуу байх үед үүссэн насны тооцооллын аргын нарийвчлал буурч болзошгүй юм. Нэмж дурдахад, MLP-ийн насны тооцооллын алдаа нь SLP-ээс арай бага байгаа нь MLP нь SLP-ээс илүү нарийвчлалтай гэсэн үг юм. MLP нь насны тооцоололд арай илүү сайн гэж тооцогддог бөгөөд энэ нь MLP38 дахь далд давхаргуудаас шалтгаалж магадгүй юм. Гэсэн хэдий ч эмэгтэйчүүдийн гаднах түүвэрт үл хамаарах зүйл байдаг (SLP 1.45, MLP 1.49). Насыг үнэлэхдээ MLP нь SLP-ээс илүү нарийвчлалтай гэсэн дүгнэлт нь нэмэлт ретроспектив судалгаа шаарддаг.
DM загвар болон уламжлалт аргын 18 жилийн босго дахь ангиллын гүйцэтгэлийг мөн харьцуулсан. Туршиж үзсэн бүх SD загварууд болон дотоод туршилтын багц дээрх уламжлалт аргууд нь 18 настай түүвэрт ялгаварлан гадуурхах бараг хүлээн зөвшөөрөгдөх түвшинг харуулсан. Эрэгтэй, эмэгтэй хүмүүсийн мэдрэг чанар тус тус 87.7% ба 94.9%-иас их, өвөрмөц чанар нь 89.3% ба 84.7%-иас их байсан. Туршиж үзсэн бүх загваруудын AUROC нь мөн 0.925-аас давсан байна. Бидний мэдэхийн хэрээр шүдний төлөвшилд суурилсан 18 жилийн ангиллын DM загварын гүйцэтгэлийг ямар ч судалгаа туршиж үзээгүй байна. Бид энэхүү судалгааны үр дүнг панорамик рентген зураг дээрх гүнзгий сургалтын загваруудын ангиллын гүйцэтгэлтэй харьцуулж болно. Гуо нар15 нь CNN дээр суурилсан гүнзгий сургалтын загвар болон Демиржианы аргад суурилсан гарын авлагын аргын ангиллын гүйцэтгэлийг тодорхой насны босгод тооцоолсон. Гар аргаар хийсэн аргын мэдрэг чанар болон өвөрмөц чанар нь тус тус 87.7% ба 95.5% байсан бөгөөд CNN загварын мэдрэг чанар болон өвөрмөц чанар нь тус тус 89.2% ба 86.6%-иас давсан байна. Тэд гүнзгий сургалтын загварууд нь насны босгыг ангилахдаа гарын авлагын үнэлгээг орлож эсвэл илүү сайн гүйцэтгэл үзүүлж чадна гэж дүгнэсэн. Энэхүү судалгааны үр дүн нь ижил төстэй ангиллын гүйцэтгэлийг харуулсан; DM загварыг ашиглан ангилах нь насны тооцооллын уламжлалт статистикийн аргуудыг орлож чадна гэж үздэг. Загваруудын дунд DM LR нь эрэгтэй түүврийн мэдрэг чанар, эмэгтэй түүврийн мэдрэг чанар болон өвөрмөц чанараараа хамгийн сайн загвар байсан. LR нь эрэгтэйчүүдийн хувьд өвөрмөц чанараараа хоёрдугаарт ордог. Түүнчлэн, LR нь хэрэглэгчдэд ээлтэй DM35 загваруудын нэг гэж тооцогддог бөгөөд боловсруулахад бага төвөгтэй, хэцүү байдаг. Эдгээр үр дүнд үндэслэн LR нь Солонгосын хүн амын дунд 18 настай хүмүүсийн хувьд хамгийн сайн таслах ангиллын загвар гэж тооцогддог.
Ерөнхийдөө гадаад туршилтын багц дээрх насны тооцоолол эсвэл ангиллын гүйцэтгэлийн нарийвчлал нь дотоод туршилтын багц дээрх үр дүнтэй харьцуулахад муу эсвэл бага байсан. Зарим тайланд Солонгосын хүн амд суурилсан насны тооцооллыг Японы хүн амд хэрэглэхэд ангиллын нарийвчлал эсвэл үр ашиг буурдаг болохыг харуулж байна5,39 бөгөөд одоогийн судалгаанд үүнтэй төстэй хэв маягийг олж тогтоосон. Энэхүү муудах хандлага нь DM загварт мөн ажиглагдсан. Тиймээс, шинжилгээний процесст DM-ийг ашиглаж байсан ч насыг зөв тооцоолохын тулд уугуул хүн амын өгөгдлөөс гаргаж авсан аргууд, тухайлбал уламжлалт аргуудыг илүүд үзэх хэрэгтэй5,39,40,41,42. Гүнзгий сургалтын загварууд ижил төстэй чиг хандлагыг харуулж чадах эсэх нь тодорхойгүй тул хиймэл оюун ухаан хязгаарлагдмал насны үнэлгээнд эдгээр арьс өнгөний ялгааг даван туулж чадах эсэхийг баталгаажуулахын тулд ижил дээжинд уламжлалт аргууд, DM загварууд болон гүнзгий сургалтын загваруудыг ашиглан ангиллын нарийвчлал, үр ашгийг харьцуулсан судалгаа хийх шаардлагатай байна.
Солонгосын шүүх эмнэлгийн насыг тооцоолох практикт уламжлалт аргуудыг DM загварт суурилсан насыг тооцоолох аргаар орлуулж болохыг бид харуулж байна. Мөн бид шүүх эмнэлгийн насыг үнэлэхэд машин сургалтыг хэрэгжүүлэх боломжийг нээсэн. Гэсэн хэдий ч үр дүнг эцсийн байдлаар тодорхойлоход энэхүү судалгаанд оролцогчдын тоо хангалтгүй, мөн энэхүү судалгааны үр дүнг харьцуулж, баталгаажуулах өмнөх судалгаанууд дутмаг зэрэг тодорхой хязгаарлалтууд бий. Ирээдүйд уламжлалт аргуудтай харьцуулахад практик хэрэглээг сайжруулахын тулд DM судалгааг илүү олон тооны түүвэр, илүү олон янзын популяцитай хийх хэрэгтэй. Олон популяцийн насыг тооцоолоход хиймэл оюун ухааныг ашиглах боломжийг баталгаажуулахын тулд DM болон гүнзгий сургалтын загваруудын ангиллын нарийвчлал, үр ашгийг ижил түүвэр дэх уламжлалт аргуудтай харьцуулах ирээдүйн судалгаа шаардлагатай байна.
Судалгаанд 15-23 насны Солонгос болон Японы насанд хүрэгчдээс цуглуулсан 2657 зөв бичих зургийг ашигласан. Солонгосын рентген зургийг 900 сургалтын багц (19.42 ± 2.65 нас) болон 900 дотоод туршилтын багц (19.52 ± 2.59 нас) болгон хуваасан. Сургалтын багцыг нэг байгууллагад (Сөүлийн Гэгээн Мэригийн эмнэлэг) цуглуулсан бөгөөд өөрийн туршилтын багцыг хоёр байгууллагад (Сөүлийн Үндэсний Их Сургуулийн Шүдний Эмнэлэг болон Ёнсей Их Сургуулийн Шүдний Эмнэлэг) цуглуулсан. Мөн бид гадны шинжилгээнд зориулж өөр хүн амд суурилсан өгөгдлөөс (Ивате Анагаахын Их Сургууль, Япон) 857 рентген зургийг цуглуулсан. Японы өвчтөнүүдийн (19.31 ± 2.60 нас) рентген зургийг гадны туршилтын багц болгон сонгосон. Шүдний эмчилгээний үеэр авсан панорамик рентген зураг дээрх шүдний хөгжлийн үе шатыг шинжлэхийн тулд өгөгдлийг ретроспектив байдлаар цуглуулсан. Цуглуулсан бүх өгөгдөл нь хүйс, төрсөн он сар өдөр, рентген зураг авсан огнооноос бусад тохиолдолд нэргүй байсан. Оруулах болон хасах шалгуур нь өмнө нь нийтлэгдсэн судалгаануудтай ижил байсан 4, 5. Дээжийн бодит насыг рентген зураг авсан өдрөөс төрсөн он сар өдрийг хасаж тооцоолсон. Түүврийн бүлгийг есөн насны бүлэгт хуваасан. Нас, хүйсийн тархалтыг Хүснэгт 3-т үзүүлэв. Энэхүү судалгааг Хельсинкийн тунхаглалын дагуу явуулж, Солонгосын Католик Их Сургуулийн Сөүлийн Гэгээн Мэригийн эмнэлгийн Байгууллагын хяналтын зөвлөл (IRB)-ээр батлагдсан (KC22WISI0328). Энэхүү судалгааны ретроспектив дизайны улмаас эмчилгээний зорилгоор рентген шинжилгээнд хамрагдаж буй бүх өвчтөнөөс мэдээлэлтэй зөвшөөрөл авах боломжгүй байсан. Сөүлийн Солонгосын Их Сургуулийн Гэгээн Мэригийн эмнэлэг (IRB) мэдээлэлтэй зөвшөөрөл авах шаардлагыг хүчингүй болгосон.
Хоёр эрүүний хоёр ба гурав дахь араа шүдний хөгжлийн үе шатыг Демирканы шалгуурын дагуу үнэлсэн25. Хэрэв эрүүний зүүн ба баруун талд ижил төрлийн шүд олдвол зөвхөн нэг шүдийг сонгосон. Хэрэв хоёр талын гомолог шүд нь хөгжлийн өөр өөр үе шатанд байсан бол тооцоолсон насны тодорхойгүй байдлыг харгалзан хөгжлийн доод үе шаттай шүдийг сонгосон. Шүдний боловсорлын үе шатыг тодорхойлохын тулд урьдчилан тохируулсны дараа ажиглагч хоорондын найдвартай байдлыг шалгахын тулд сургалтын багцаас санамсаргүй байдлаар сонгосон зуун рентген зургийг хоёр туршлагатай ажиглагч оноо авсан. Ажиглагч доторх найдвартай байдлыг анхдагч ажиглагч гурван сарын зайтай хоёр удаа үнэлсэн.
Сургалтын багц дахь эрүү бүрийн хоёр ба гурав дахь араа шүдний хүйс, хөгжлийн үе шатыг өөр өөр DM загвараар сургагдсан анхан шатны ажиглагч тооцоолж, бодит насыг зорилтот утга болгон тогтоосон. Машин сургалтад өргөн хэрэглэгддэг SLP болон MLP загваруудыг регрессийн алгоритмуудтай харьцуулан туршсан. DM загвар нь дөрвөн шүдний хөгжлийн үе шатыг ашиглан шугаман функцуудыг нэгтгэж, эдгээр өгөгдлийг нэгтгэн насыг тооцоолсон. SLP бол хамгийн энгийн мэдрэлийн сүлжээ бөгөөд далд давхарга агуулдаггүй. SLP нь зангилааны хоорондох босго дамжуулалт дээр суурилдаг. Регрессийн SLP загвар нь олон шугаман регресстэй математикийн хувьд төстэй юм. SLP загвараас ялгаатай нь MLP загвар нь шугаман бус идэвхжүүлэлтийн функцтэй олон далд давхаргатай байдаг. Бидний туршилтууд нь шугаман бус идэвхжүүлэлтийн функцтэй ердөө 20 далд зангилаатай далд давхаргыг ашигласан. Машин сургалтын загвараа сургахын тулд градиент бууралтыг оновчлолын арга болгон, MAE болон RMSE-г алдагдлын функц болгон ашигласан. Хамгийн сайн олж авсан регрессийн загварыг дотоод болон гадаад туршилтын багцуудад хэрэглэж, шүдний насыг тооцоолсон.
Сургалтын багц дээрх дөрвөн шүдний төлөвшлийг ашиглан түүвэр 18 настай эсэхийг урьдчилан таамаглах ангиллын алгоритм боловсруулсан. Загварыг бүтээхийн тулд бид машин сургалтын долоон алгоритмыг гаргаж авсан6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, болон (7) MLP. LR нь хамгийн өргөн хэрэглэгддэг ангиллын алгоритмуудын нэг юм44. Энэ нь 0-ээс 1 хүртэлх тодорхой ангилалд хамаарах өгөгдлийн магадлалыг урьдчилан таамаглахын тулд регрессийг ашигладаг бөгөөд энэ магадлал дээр үндэслэн өгөгдлийг илүү магадлалтай ангилалд хамаарах гэж ангилдаг хяналттай сургалтын алгоритм юм; голчлон хоёртын ангилалд ашиглагддаг. KNN бол хамгийн энгийн машин сургалтын алгоритмуудын нэг юм45. Шинэ оролтын өгөгдөл өгөхөд энэ нь одоо байгаа багцад ойрхон k өгөгдлийг олж, дараа нь хамгийн өндөр давтамжтай ангилалд ангилдаг. Бид авч үзсэн хөршүүдийн тоонд (k) 3-ыг тохируулсан. SVM нь шугаман орон зайг fields46 гэж нэрлэгддэг шугаман бус орон зай болгон өргөжүүлэхийн тулд цөмийн функцийг ашиглан хоёр ангиллын хоорондох зайг хамгийн их байлгах алгоритм юм. Энэ загварт бид олон гишүүнт цөмийн гиперпараметр болгон хазайлт = 1, чадал = 1, гамма = 1-ийг ашигладаг. DT-г модны бүтцэд шийдвэрийн дүрмийг төлөөлөх замаар бүхэл бүтэн өгөгдлийн багцыг хэд хэдэн дэд бүлэгт хуваах алгоритм болгон янз бүрийн салбарт хэрэглэж ирсэн47. Загвар нь зангилаа бүрт хамгийн багадаа 2 бичлэг байхаар тохируулагдсан бөгөөд чанарын хэмжүүр болгон Gini индексийг ашигладаг. RF нь анхны өгөгдлийн багцаас48 ижил хэмжээтэй дээжийг санамсаргүй байдлаар олон удаа зурж дээж бүрт сул ангилагч үүсгэдэг bootstrap агрегацийн аргыг ашиглан гүйцэтгэлийг сайжруулахын тулд олон DT-г нэгтгэдэг чуулга арга юм. Бид зангилааны тусгаарлах шалгуур болгон 100 мод, 10 модны гүн, 1 зангилааны хамгийн бага хэмжээ, Gini хольцын индексийг ашигласан. Шинэ өгөгдлийн ангиллыг олонхийн саналаар тодорхойлдог. XGBoost нь өмнөх загварын бодит болон урьдчилан таамагласан утгуудын хоорондох алдааг сургалтын өгөгдөл болгон авч, градиент49 ашиглан алдааг нэмэгдүүлдэг аргыг ашиглан нэмэгдүүлэх техникийг хослуулсан алгоритм юм. Энэ нь сайн гүйцэтгэл, нөөцийн үр ашиг, мөн хэт тохируулгын залруулгын функц болох өндөр найдвартай байдлаас шалтгаалан өргөн хэрэглэгддэг алгоритм юм. Загвар нь 400 тулгуур дугуйтай. MLP нь нэг буюу хэд хэдэн ойлголт нь оролт болон гаралтын давхаргуудын хооронд нэг буюу хэд хэдэн далд давхаргатай олон давхарга үүсгэдэг мэдрэлийн сүлжээ юм38. Үүнийг ашиглан та оролтын давхарга нэмж, үр дүнгийн утгыг авахад урьдчилан таамагласан үр дүнгийн утгыг бодит үр дүнгийн утгатай харьцуулж, алдааг буцааж тараах шугаман бус ангиллыг хийж болно. Бид давхарга бүрт 20 далд мэдрэлийн эс бүхий далд давхарга үүсгэсэн. Бидний боловсруулсан загвар бүрийг мэдрэг чанар, өвөрмөц чанар, PPV, NPV, AUROC-г тооцоолж ангиллын гүйцэтгэлийг шалгахын тулд дотоод болон гадаад багцуудад хэрэглэсэн. Мэдрэг чанарыг 18 ба түүнээс дээш настай гэж тооцоолсон түүврийн 18 ба түүнээс дээш настай гэж тооцоолсон түүвэртэй харьцуулсан харьцаагаар тодорхойлдог. Өвөрмөц чанар гэдэг нь 18-аас доош насны болон 18-аас доош настай гэж тооцоолсон түүврийн эзлэх хувь юм.
Сургалтын багцад үнэлэгдсэн шүдний үе шатуудыг статистикийн шинжилгээнд зориулж тоон үе шат болгон хөрвүүлсэн. Хүйс тус бүрийн урьдчилан таамаглах загварыг боловсруулж, насыг тооцоолоход ашиглаж болох регрессийн томъёог гаргахын тулд олон хувьсагчтай шугаман болон логистик регрессийг гүйцэтгэсэн. Бид эдгээр томъёог ашиглан дотоод болон гадаад туршилтын багцуудын шүдний насыг тооцоолсон. Хүснэгт 4-т энэхүү судалгаанд ашигласан регресс ба ангиллын загваруудыг харуулав.
Ажиглагч доторх болон ажиглагч хоорондын найдвартай байдлыг Коэнийн каппа статистикийг ашиглан тооцоолсон. DM болон уламжлалт регрессийн загваруудын нарийвчлалыг шалгахын тулд бид дотоод болон гадаад туршилтын багцуудын тооцоолсон болон бодит насыг ашиглан MAE болон RMSE-г тооцоолсон. Эдгээр алдааг загварын таамаглалын нарийвчлалыг үнэлэхэд түгээмэл ашигладаг. Алдаа бага байх тусам урьдчилсан мэдээний нарийвчлал өндөр байдаг. DM болон уламжлалт регрессийг ашиглан тооцоолсон дотоод болон гадаад туршилтын багцуудын MAE болон RMSE-г харьцуул. Уламжлалт статистикийн 18 жилийн зааглалын ангиллын гүйцэтгэлийг 2 × 2 нөхцөлт хүснэгт ашиглан үнэлсэн. Тестийн багцын тооцоолсон мэдрэмж, өвөрмөц чанар, PPV, NPV, AUROC-г DM ангиллын загварын хэмжсэн утгатай харьцуулсан. Өгөгдлийг өгөгдлийн шинж чанараас хамааран дундаж ± стандарт хазайлт эсвэл тоо (%) гэж илэрхийлнэ. Хоёр талт P утгыг <0.05 статистикийн хувьд ач холбогдолтой гэж үзсэн. Бүх ердийн статистикийн шинжилгээг SAS хувилбар 9.4 (SAS Institute, Cary, NC) ашиглан хийсэн. DM регрессийн загварыг Python хэл дээр Keras50 2.2.4 backend болон Tensorflow51 1.8.0 ашиглан математикийн үйлдлүүдэд зориулж хэрэгжүүлсэн. DM ангиллын загварыг Waikato Knowledge Analysis Environment болон Konstanz Information Miner (KNIME) 4.6.152 шинжилгээний платформ дээр хэрэгжүүлсэн.
Зохиогчид судалгааны дүгнэлтийг дэмжих өгөгдлийг өгүүлэл болон нэмэлт материалаас олж болохыг хүлээн зөвшөөрч байна. Судалгааны явцад бий болгосон болон/эсвэл шинжилсэн өгөгдлийн багцыг холбогдох зохиогчоос боломжийн хүсэлтээр авах боломжтой.
Ритц-Тимме, С. нар. Насны үнэлгээ: шүүх эмнэлгийн практикийн тодорхой шаардлагыг хангах технологийн түвшин. Олон улсын байдал. Хууль зүйн анагаах ухааны сэтгүүл. 113, 129–136 (2000).
Шмелинг, А., Рейзингер, В., Гесерик, Г., болон Олзе, А. Эрүүгийн хэрэг үүсгэх зорилгоор амьд хүмүүсийн насыг шүүх эмнэлгийн үнэлгээний өнөөгийн байдал. Шүүхийн анагаах ухаан. Эмгэг судлал. 1, 239–246 (2005).
Пан, Ж. нар. Хятадын зүүн хэсэгт 5-16 насны хүүхдүүдийн шүдний насыг үнэлэх өөрчлөгдсөн арга. клиник. Амны хөндийн судалгаа. 25, 3463–3474 (2021).
Ли, С.С. гэх мэт. Солонгосчуудын хоёр ба гурав дахь араа шүдний хөгжлийн он дараалал ба түүнийг шүүх эмнэлгийн насны үнэлгээнд хэрэглэх нь. Олон улсын байдал. Хууль зүйн анагаах ухааны сэтгүүл. 124, 659–665 (2010).
Өө, С., Кумагай, А., Ким, С.И. болон Ли, СС Солонгос болон Японы хоёр ба гурав дахь араа шүдний боловсорч гүйцсэн байдалд үндэслэн насны тооцооллын нарийвчлал болон 18 жилийн босгыг тооцоолох нь. PLoS ONE 17, e0271247 (2022).
Ким, Ж.Й. нар. Мэс заслын өмнөх машин сургалтад суурилсан өгөгдлийн шинжилгээ нь OSA өвчтэй хүмүүст нойрны мэс заслын эмчилгээний үр дүнг урьдчилан таамаглаж чадна. шинжлэх ухаан. Тайлан 11, 14911 (2021).
Хан, М. нар. Хүний оролцоотой эсвэл оролцоогүй машин сургалтаас насыг зөв тооцоолох нь? Олон улсын шинж чанар. Хууль зүйн анагаах ухааны сэтгүүл. 136, 821–831 (2022).
Хан, С. болон Шахин, М. Өгөгдөл олборлолтоос өгөгдөл олборлолт хүртэл. Мэдээллийн сэтгүүл. Шинжлэх ухаан. https://doi.org/10.1177/01655515211030872 (2021).
Хан, С. болон Шахин, М. ВисРуле: Холбооны дүрмийг тодорхойлох анхны танин мэдэхүйн алгоритм. Мэдээллийн сэтгүүл. Шинжлэх ухаан. https://doi.org/10.1177/01655515221108695 (2022).
Шахин М. болон Абдулла У. Карм: Контекст суурилсан холбооны дүрмүүд дээр суурилсан уламжлалт өгөгдөл олборлолт. тооцоолох. Мат. үргэлжлэл. 68, 3305–3322 (2021).
Мухаммед М., Рехман З., Шахин М., Хан М. болон Хабиб М. Текст өгөгдөл ашиглан гүнзгий суралцахад суурилсан семантик ижил төстэй байдлыг илрүүлэх. Мэдээлэл. технологи. Хяналт. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З., болон Шахин, М. Спортын видео бичлэгүүд дэх үйл ажиллагааг таних систем. мультимедиа. Хэрэгслүүд Хэрэглээ https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, С.С. нар. Хүүхдийн ясны үеийн RSNA машин сургалтын сорилт. Радиологи 290, 498–503 (2019).
Ли, Ю. нар. Гүнзгий судалгааг ашиглан аарцагны рентген зураг ашиглан насыг шүүх эмнэлгийн аргаар тооцоолох. ЕВРО. цацраг. 29, 2322–2329 (2019).
Гуо, YC, нар. Гар аргаар хийсэн аргууд болон орфографик проекцийн зургуудаас авсан гүн мушгирсан мэдрэлийн сүлжээг ашиглан насны нарийвчлалтай ангилах. Олон улсын байдал. Хууль зүйн анагаах ухааны сэтгүүл. 135, 1589–1597 (2021).
Алабама Далора нар. Машин сургалтын янз бүрийн аргуудыг ашиглан ясны насыг тооцоолох нь: системчилсэн уран зохиолын тойм ба мета-анализ. PLoS ONE 14, e0220242 (2019).
Ду, Х., Ли, Г., Ченг, К., болон Ян, Ж. Конус туяаны компьютер томографи ашиглан анхны араа шүдний целлюлозын камерын эзэлхүүн дээр үндэслэсэн Африк гаралтай Америкчууд болон Хятадуудын хүн амын насны онцлогийг тооцоолох нь. Олон улсын байдал. Хууль зүйн анагаах ухааны сэтгүүл. 136, 811–819 (2022).
Ким С., Ли Ю.Х., Но Ю.К., Парк Ф.К., О.К.С. Хиймэл оюун ухаанд суурилсан анхны араа шүдний зургийг ашиглан амьд хүмүүсийн насны бүлгийг тодорхойлох нь. Шинжлэх ухаан. Тайлан 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., болон Urschler, M. Олон хувьсагчтай MRI өгөгдлөөс насыг автоматаар тооцоолох болон олонхийн насны ангилал. IEEE J. Biomed. Эрүүл мэндийн сэрэмжлүүлэг. 23, 1392–1403 (2019).
Ченг, К., Ге, З., Ду, Х. болон Ли, Г. Гүнзгий сургалт болон түвшний багцуудыг нэгтгэн конус цацрагийн компьютер томографийн аргаар анхны араа шүдний 3 хэмжээст целлюлозын камерын сегментчилэлд үндэслэсэн насны тооцоолол. Олон улсын байдал. Хууль зүйн анагаах ухааны сэтгүүл. 135, 365–373 (2021).
Ву, ВТ, нар. Клиникийн том өгөгдөлд өгөгдөл олборлох нь: нийтлэг мэдээллийн сан, алхамууд болон аргын загварууд. Дэлхийн. анагаах ухаан. нөөц. 8, 44 (2021).
Ян, Ж. нар. Их өгөгдлийн эрин үед анагаах ухааны мэдээллийн сан болон өгөгдөл олборлох технологийн танилцуулга. Ж. Эйвид. Үндсэн анагаах ухаан. 13, 57–69 (2020).
Шен, С. нар. Машин сургалтыг ашиглан шүдний насыг тооцоолох Камерерийн арга. BMC Oral Health 21, 641 (2021).
Галлибург А. нар. Демирджианы үе шатны аргыг ашиглан шүдний насыг урьдчилан таамаглах машин сургалтын янз бүрийн аргуудын харьцуулалт. олон улсын байдал. Хууль зүйн анагаах ухааны сэтгүүл. 135, 665–675 (2021).
Демирджиан, А., Голдштейн, Х. болон Таннер, ЖМ Шүдний насыг үнэлэх шинэ систем. хурхиралт. биологи. 45, 211–227 (1973).
Ландис, ЖР, Кох, ГГ Ангилалын өгөгдлийн талаарх ажиглагчдын тохиролцооны хэмжүүрүүд. Биометрик 33, 159–174 (1977).
Бхаттачаржи С, Пракаш Д, Ким С, Ким ХК болон Чой ХК. Тархины анхдагч хавдрыг ялгахад хиймэл оюун ухааны техник ашиглан хоёр хэмжээст соронзон резонансын дүрслэлийн бүтэц, морфологи, статистикийн шинжилгээ. Эрүүл мэндийн мэдээлэл. нөөц. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Нийтэлсэн цаг: 2024 оны 1-р сарын 4