Nature.com сайтаар зочилсонд баярлалаа.Таны ашиглаж буй хөтчийн хувилбар нь CSS-ийн дэмжлэгтэй байна.Хамгийн сайн үр дүнд хүрэхийн тулд хөтчийнхөө шинэ хувилбарыг ашиглахыг зөвлөж байна (эсвэл Internet Explorer дээр нийцтэй байдлын горимыг унтраах).Энэ хооронд байнгын дэмжлэг үзүүлэхийн тулд бид сайтыг загварчлал эсвэл JavaScriptгүйгээр харуулж байна.
Шүд нь хүний биеийн насны хамгийн зөв үзүүлэлт гэж тооцогддог бөгөөд ихэвчлэн шүүх эмнэлгийн насны үнэлгээнд ашиглагддаг.Бид 18 жилийн босго онооны үнэлгээний нарийвчлал, ангиллын гүйцэтгэлийг уламжлалт аргууд болон өгөгдөл олборлолтод суурилсан насны тооцоололтой харьцуулах замаар өгөгдөл олборлолтод суурилсан шүдний насны тооцоог баталгаажуулахыг зорьсон.Солонгос, Япон улсын 15-23 насны иргэдээс нийт 2657 панорам рентген зураг цуглуулсан байна.Тэдгээрийг сургалтын багцад хуваасан бөгөөд тус бүр нь 900 солонгос, 857 япон рентген зураг агуулсан дотоод шинжилгээний багц юм.Бид уламжлалт аргуудын ангиллын нарийвчлал, үр ашгийг өгөгдөл олборлох загваруудын туршилтын багцтай харьцуулсан.Дотоод туршилтын багц дээрх уламжлалт аргын нарийвчлал нь өгөгдөл олборлох загвараас арай өндөр бөгөөд ялгаа нь бага (үнэмлэхүйн дундаж алдаа <0.21 жил, үндсэн квадрат алдаа <0.24 жил).18 жилийн хязгаарын ангилалын гүйцэтгэл нь уламжлалт аргууд болон өгөгдөл олборлох загваруудын хооронд мөн адил байна.Тиймээс Солонгосын өсвөр насныхан болон залуу насанд хүрэгчдийн хоёр, гуравдугаар араа шүдний насжилтыг ашиглан шүүх эмнэлгийн насны үнэлгээ хийхдээ уламжлалт аргуудыг өгөгдөл олборлох загвараар сольж болно.
Шүдний насны тооцоог шүүх эмнэлгийн болон хүүхдийн шүдний эмчилгээнд өргөнөөр ашигладаг.Ялангуяа он тооллын нас, шүдний хөгжлийн хоорондын хамаарал өндөр байдаг тул шүдний хөгжлийн үе шатаар насны үнэлгээ хийх нь хүүхэд, өсвөр үеийнхний насыг үнэлэх чухал шалгуур болдог1,2,3.Гэсэн хэдий ч залуучуудын хувьд шүдний насыг шүдний төлөвшилд үндэслэн тооцох нь хязгаарлагдмал байдаг, учир нь 3-р араа шүдийг эс тооцвол шүдний өсөлт бараг дууссан байдаг.Залуучууд, өсвөр үеийнхний насыг тогтоох хуулийн зорилго нь насанд хүрсэн эсэхийг үнэн зөв тооцоолж, шинжлэх ухааны үндэслэлтэй нотлоход оршино.Солонгос дахь өсвөр насныхан болон залуу насанд хүрэгчдийн эмнэлгийн хууль эрх зүйн практикт насыг Лигийн аргаар тооцож, Oh et al 5-ын мэдээлсэн мэдээлэлд үндэслэн хуулийн босго 18 насыг урьдчилан таамагласан.
Машины сургалт нь их хэмжээний өгөгдлийг дахин дахин сурч, ангилж, асуудлыг бие даан шийдэж, өгөгдлийн програмчлалыг удирддаг хиймэл оюун ухааны (AI) нэг төрөл юм.Машины сургалт нь их хэмжээний өгөгдлөөс ашигтай далд хэв маягийг илрүүлж чадна6.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 сүүлийн үед хүний алдааг багасгах, олон хэмжээст өгөгдлийг үр ашигтай боловсруулах зорилгоор сүүлийн үеийн компьютерийн технологийг ашиглан олон судалгаа хийж байна8,9,10,11,12.Ялангуяа гүн гүнзгий суралцах аргыг эмнэлгийн зургийн шинжилгээнд өргөнөөр ашиглаж байгаа бөгөөд рентген зурагт автоматаар дүн шинжилгээ хийх замаар насыг тодорхойлох янз бүрийн аргууд нь насыг тодорхойлох нарийвчлал, үр ашгийг дээшлүүлдэг13,14,15,16,17,18,19,20 .Жишээ нь, Халаби нар 13 хүүхдийн гарны рентген зураг ашиглан араг ясны насыг тооцоолохын тулд конволюцийн мэдрэлийн сүлжээ (CNN) дээр суурилсан машин сургалтын алгоритмыг боловсруулсан.Энэхүү судалгаа нь эмнэлгийн зураг дээр машин сургалтыг ашиглах загварыг санал болгож, эдгээр аргууд нь оношлогооны нарийвчлалыг сайжруулж болохыг харуулж байна.Ли нар 14 гүн гүнзгий суралцах CNN ашиглан аарцагны рентген зурагнаас насыг тооцоолж, ясжилтын үе шатыг ашиглан регрессийн үр дүнтэй харьцуулсан.Тэд гүнзгий суралцах CNN загвар нь уламжлалт регрессийн загвартай ижил насны үнэлгээний гүйцэтгэлийг харуулсан болохыг олж мэдэв.Гуо нар [15] хийсэн судалгаагаар шүдний ортофото зураг дээр үндэслэн CNN технологийн насны хүлцлийн ангиллын гүйцэтгэлийг үнэлж, CNN загварын үр дүн нь хүн төрөлхтөн насны ангиллын гүйцэтгэлээс илүү гарсан болохыг баталсан.
Машины сургалтыг ашиглан насыг тооцоолох ихэнх судалгаанууд гүнзгий сургалтын аргуудыг ашигладаг13,14,15,16,17,18,19,20.Гүнзгий суралцахад үндэслэсэн насны тооцоолол нь уламжлалт аргуудаас илүү нарийвчлалтай байдаг.Гэсэн хэдий ч энэ арга нь тооцоололд ашигласан насны үзүүлэлт гэх мэт насны тооцооллын шинжлэх ухааны үндэслэлийг гаргах боломж багатай юм.Мөн хяналт шалгалтыг хэн хийх вэ гэдэг хуулийн маргаантай байдаг.Тиймээс гүн гүнзгий суралцахад үндэслэсэн насны тооцоог захиргааны болон шүүхийн байгууллагууд хүлээн зөвшөөрөхөд хэцүү байдаг.Өгөгдлийн олборлолт (DM) нь зөвхөн хүлээгдэж буй төдийгүй гэнэтийн мэдээллийг олж илрүүлэх арга бөгөөд их хэмжээний өгөгдлийн хоорондын ашигтай хамаарлыг илрүүлэх арга юм6,21,22.Машины сургалтыг ихэвчлэн өгөгдөл олборлоход ашигладаг бөгөөд өгөгдөл олборлолт болон машин сургалт хоёулаа өгөгдөл дэх хэв маягийг илрүүлэхийн тулд ижил түлхүүр алгоритмуудыг ашигладаг.Шүдний хөгжлийг ашиглан насыг тооцоолохдоо зорилтот шүдний төлөвшлийн талаар шалгагчаас өгсөн үнэлгээнд үндэслэн энэ үнэлгээг зорилтот шүд бүрийн үе шат болгон илэрхийлдэг.ШМ-ийг шүдний үнэлгээний үе шат болон бодит нас хоорондын хамаарлыг шинжлэхэд ашиглаж болох ба уламжлалт статистик шинжилгээг орлох боломжтой.Тиймээс, хэрэв бид насны тооцоололд DM техникийг ашиглавал хуулийн хариуцлагаас санаа зовохгүйгээр шүүх эмнэлгийн насны тооцоололд машин сургалтыг хэрэгжүүлэх боломжтой.Шүүх эмнэлгийн практикт ашигладаг уламжлалт гарын авлагын аргууд болон шүдний насыг тодорхойлох EBM-д суурилсан аргуудаас өөр хувилбаруудын талаар хэд хэдэн харьцуулсан судалгаа нийтлэгдсэн.Shen et al23 DM загвар нь уламжлалт Камерерын томъёоноос илүү нарийвчлалтай болохыг харуулсан.Галибург нар24 Демирджианы шалгуурын дагуу насыг таамаглахын тулд DM-ийн янз бүрийн аргуудыг хэрэглэсэн бөгөөд үр дүн нь Францын хүн амын насыг тооцоолохдоо ДМ арга нь Демиржиан, Виллемсийн аргуудаас илүү сайн болохыг харуулсан.
Солонгосын өсвөр насныхан болон залуучуудын шүдний насыг тооцоолоход Лигийн 4-р аргыг Солонгосын шүүх эмнэлгийн практикт өргөн ашигладаг.Энэ арга нь уламжлалт статистикийн шинжилгээг (олон регресс гэх мэт) ашигладаг бөгөөд солонгос хэлний хичээлүүд болон он цагийн насны хоорондын хамаарлыг судалдаг.Энэхүү судалгаанд статистикийн уламжлалт аргуудыг ашиглан олж авсан насыг тодорхойлох аргуудыг "уламжлалт арга" гэж тодорхойлсон.Лигийн арга нь уламжлалт арга бөгөөд түүний нарийвчлалыг Oh et al.5;Гэсэн хэдий ч Солонгосын шүүх эмнэлгийн практикт DM загварт суурилсан насны тооцоог хэрэглэх эсэх нь эргэлзээтэй хэвээр байна.Бидний зорилго бол DM загварт үндэслэн насыг тооцоолох боломжит ашиг тусыг шинжлэх ухааны үүднээс батлах явдал байв.Энэхүү судалгааны зорилго нь (1) шүдний насыг тооцоолоход ШМ-ийн хоёр загварын нарийвчлалыг харьцуулах, (2) 18 настай 7 DM загварын ангиллын гүйцэтгэлийг уламжлалт статистикийн аргаар олж авсан үзүүлэлттэй харьцуулах явдал юм. хоёр эрүүний гурав дахь араа шүд.
Үе шат, шүдний төрлөөр он цагийн насны дундаж болон стандарт хазайлтыг нэмэлт хүснэгт S1 (сургалтын багц), нэмэлт хүснэгт S2 (дотоод туршилтын багц), нэмэлт хүснэгт S3 (гадаад туршилтын багц) -д үзүүлэв.Сургалтын багцаас олж авсан дотоод болон ажиглагч хоорондын найдвартай байдлын каппа утга нь тус тус 0.951 ба 0.947 байв.P утгууд ба каппа утгын 95% итгэх интервалыг онлайн нэмэлт хүснэгт S4-д үзүүлэв.Каппа утгыг Ландис, Кох26-ын шалгуурт нийцүүлэн "бараг төгс" гэж тайлбарласан.
Үнэмлэхүй дундаж алдааг (MAE) харьцуулахдаа уламжлалт арга нь олон давхаргат перцептрон (MLP) -ийг эс тооцвол бүх хүйсийн болон гадаад эрэгтэй тестийн DM загвараас бага зэрэг давж гардаг.Дотоод MAE тестийн багц дээрх уламжлалт загвар ба DM загварын хоорондох ялгаа нь эрэгтэйчүүдэд 0.12-0.19 жил, эмэгтэйчүүдэд 0.17-0.21 жил байв.Гадны туршилтын батерейны хувьд ялгаа нь бага (эрэгтэйчүүдийн хувьд 0.001-0.05 жил, эмэгтэйчүүдийн хувьд 0.05-0.09 жил).Нэмж дурдахад язгуур квадрат алдаа (RMSE) нь уламжлалт аргаас арай бага, бага зөрүүтэй (эрэгтэй дотоод тестийн багцад 0.17-0.24, 0.2-0.24, гадаад тестийн багцад 0.03-0.07, 0.04-0.08).).MLP нь эмэгтэй гадаад туршилтын багцаас бусад тохиолдолд Single Layer Perceptron (SLP) -ээс арай илүү гүйцэтгэлийг харуулдаг.MAE болон RMSE-ийн хувьд гадаад тестийн багц нь бүх хүйс, загвар өмсөгчдийн дотоод тестийн багцаас өндөр оноо авдаг.Бүх MAE болон RMSE-ийг Хүснэгт 1 ба Зураг 1-д үзүүлэв.
Уламжлалт болон дата олборлолтын регрессийн загваруудын MAE болон RMSE.Үнэмлэхүй дундаж алдаа MAE, язгуур квадрат алдаа RMSE, нэг давхаргат перцептрон SLP, олон давхаргат перцептрон MLP, уламжлалт CM арга.
Уламжлалт болон DM загваруудын ангилалын гүйцэтгэлийг (18 жилийн хугацаатай) мэдрэмж, өвөрмөц байдал, эерэг таамаглах утга (PPV), сөрөг таамаглах утга (NPV), хүлээн авагчийн үйл ажиллагааны шинж чанарын муруй доорх талбай (AUROC) зэргээр харуулсан. 27 (Хүснэгт 2, Зураг 2, Нэмэлт зураг 1 онлайн).Дотор туршилтын батерейны мэдрэмжийн хувьд уламжлалт аргууд нь эрэгтэйчүүдийн дунд хамгийн сайн, эмэгтэйчүүдийн дунд муу үзүүлэлттэй байдаг.Гэсэн хэдий ч уламжлалт аргууд ба SD-ийн ангиллын гүйцэтгэлийн ялгаа нь эрэгтэйчүүдэд 9.7% (MLP), эмэгтэйчүүдийн хувьд ердөө 2.4% (XGBoost) байна.DM загваруудын дунд логистик регресс (LR) нь хүйсийн аль алинд нь илүү мэдрэмжтэй байгааг харуулсан.Дотоод тестийн багцын өвөрмөц байдлын тухайд дөрвөн SD загвар эрэгтэйд сайн, харин уламжлалт загвар нь эмэгтэйчүүдэд илүү сайн ажилласан нь ажиглагдсан.Эрэгтэй, эмэгтэй хүмүүсийн ангиллын гүйцэтгэлийн ялгаа нь 13.3% (MLP) ба 13.1% (MLP) байгаа нь загвар хоорондын ангиллын гүйцэтгэлийн ялгаа нь мэдрэмжээс давж байгааг харуулж байна.DM загваруудаас эрэгтэйчүүдийн дунд дэмжлэгийн вектор машин (SVM), шийдвэрийн мод (DT), санамсаргүй ой (RF) загварууд хамгийн сайн гүйцэтгэлтэй байсан бол LR загвар нь эмэгтэйчүүдэд хамгийн сайн ажилласан.Уламжлалт загвар болон бүх SD загваруудын AUROC нь 0.925 (эрэгтэйчүүдийн хувьд k-хамгийн ойрын хөрш (KNN)) -ээс их байсан нь 18 настай дээжийг ялгах маш сайн ангиллын гүйцэтгэлийг харуулсан28.Гадны тестийн багцын хувьд мэдрэмж, өвөрмөц байдал, AUROC зэрэг үзүүлэлтээр ангиллын гүйцэтгэл дотоод тестийн багцтай харьцуулахад буурсан байна.Түүнчлэн, хамгийн сайн ба хамгийн муу загваруудын ангилалын гүйцэтгэлийн мэдрэмж, өвөрмөц байдлын ялгаа нь 10% -аас 25% хооронд хэлбэлзэж, дотоод туршилтын багцын зөрүүгээс их байв.
18 жилийн хугацаатай уламжлалт аргуудтай харьцуулахад өгөгдөл олборлох ангиллын загваруудын мэдрэмж, өвөрмөц байдал.KNN k хамгийн ойрын хөрш, SVM дэмжих 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 DM-ийн долоон загвараас авсан шүдний насны тооцоог уламжлалт регрессийн аргаар олж авсан үнэн зөвийг харьцуулах явдал байв.MAE болон RMSE-ийг аль аль хүйсийн хувьд дотоод тестийн багцад үнэлсэн бөгөөд уламжлалт арга ба DM загварын хоорондох ялгаа нь MAE-ийн хувьд 44-77 хоног, RMSE-ийн хувьд 62-88 хоног байна.Хэдийгээр уламжлалт арга нь энэ судалгаанд арай илүү нарийвчлалтай байсан ч ийм жижиг ялгаа нь эмнэлзүйн эсвэл практик ач холбогдолтой эсэхийг дүгнэхэд хэцүү байдаг.Эдгээр үр дүн нь DM загварыг ашиглан шүдний насыг тооцоолох нарийвчлал нь уламжлалт аргынхтай бараг ижил байгааг харуулж байна.Өмнөх судалгааны үр дүнтэй шууд харьцуулах нь хэцүү байдаг, учир нь ямар ч судалгаа энэ судалгаатай ижил насны шүдийг бүртгэх ижил аргыг ашиглан уламжлалт статистикийн аргуудтай DM загваруудын нарийвчлалыг харьцуулж үзээгүй байна.Галибур нар24 2-оос 24 насны Францын хүн амын дунд уламжлалт хоёр арга (Демиржийн арга25 ба Виллемсийн арга29) болон 10 DM загварын хооронд MAE болон RMSE-ийг харьцуулсан.Тэд DM-ийн бүх загварууд уламжлалт аргуудаас илүү нарийвчлалтай байсан бөгөөд Виллемс ба Демирджиан аргуудтай харьцуулахад MAE-д 0.20 ба 0.38 жил, RMSE-д 0.25 ба 0.47 жилийн зөрүүтэй байна.SD загвар болон Халибургийн судалгаанд үзүүлсэн уламжлалт аргуудын хоорондын зөрүү нь Демирджианы арга нь судалгаанд үндэслэсэн Франц канадчуудаас бусад популяцийн шүдний насыг үнэн зөв тооцоолоогүй гэсэн олон тооны тайлангуудыг харгалзан үзсэн болно30,31,32,33.энэ судалгаанд.Tai et al 34 MLP алгоритмыг ашиглан Хятадын 1636 гажиг заслын гэрэл зургийн шүдний насыг таамаглаж, түүний нарийвчлалыг Демиржиан, Виллемсийн аргын үр дүнтэй харьцуулсан.Тэд MLP нь уламжлалт аргуудаас өндөр нарийвчлалтай гэж мэдээлсэн.Демирджианы аргын уламжлалт аргын ялгаа <0.32 жил, Виллемсийн арга 0.28 жил байгаа нь одоогийн судалгааны үр дүнтэй ойролцоо байна.Эдгээр өмнөх судалгааны үр дүн24,34 нь мөн энэ судалгааны үр дүнтэй нийцэж байгаа бөгөөд DM загвар болон уламжлалт аргын насны үнэлгээний нарийвчлал нь ойролцоо байна.Гэсэн хэдий ч, танилцуулсан үр дүнд үндэслэн бид харьцуулсан болон лавлагааны өмнөх судалгаа байхгүйн улмаас насыг тооцоолох DM загварыг ашиглах нь одоо байгаа аргуудыг орлож магадгүй гэж бид болгоомжтой дүгнэж болно.Энэхүү судалгаагаар олж авсан үр дүнг баталгаажуулахын тулд илүү том дээж ашиглан дараагийн судалгаа хийх шаардлагатай.
Шүдний насыг тооцоолоход SD-ийн нарийвчлалыг шалгасан судалгаануудын дунд зарим нь бидний судалгаанаас өндөр нарийвчлалыг харуулсан.Степановский нар 22 SD загварыг 2.7-20.5 насны Чехийн 976 оршин суугчийн панорамик рентген зурагт хэрэглэж, загвар бүрийн нарийвчлалыг туршиж үзсэн.Тэд Moorrees et al 36-ийн санал болгосон ангиллын шалгуурыг ашиглан зүүн дээд ба доод нийт 16 байнгын шүдний хөгжлийг үнэлэв.MAE нь 0.64-0.94 жил, RMSE нь 0.85-1.27 жилийн хооронд хэлбэлзэж байгаа нь энэхүү судалгаанд ашигласан хоёр DM загвараас илүү нарийвчлалтай юм.Шен нар 23 5-13 насны зүүн Хятадын оршин суугчдын зүүн доод эрүүний долоон байнгын шүдний шүдний насыг Cameriere аргыг ашиглан тооцоолж, шугаман регресс, SVM болон RF ашиглан тооцоолсон настай харьцуулсан.Тэд DM-ийн гурван загвар бүгд уламжлалт Cameriere томъёотой харьцуулахад өндөр нарийвчлалтай болохыг харуулсан.Shen-ийн судалгаагаар MAE болон RMSE нь энэ судалгаанд DM загвараас доогуур байсан.Степановский нар хийсэн судалгааны нарийвчлал нэмэгдсэн.35 болон Shen et al.23 нь тэдний судалгааны түүвэрт залуу субъектуудыг оруулсантай холбоотой байж болох юм.Шүд хөгжиж буй оролцогчдын насны тооцоо нь шүдний хөгжлийн явцад шүдний тоо нэмэгдэх тусам илүү нарийвчлалтай болдог тул судалгаанд оролцогчид залуу байх үед насыг тодорхойлох аргын үнэн зөв байдал алдагдаж болзошгүй юм.Нэмж дурдахад, MLP-ийн насны үнэлгээний алдаа нь SLP-ээс арай бага байгаа нь MLP нь SLP-ээс илүү нарийвчлалтай гэсэн үг юм.MLP нь насыг тооцоолоход арай дээр гэж үздэг бөгөөд энэ нь магадгүй MLP38 дахь далд давхаргуудаас шалтгаална.Гэсэн хэдий ч эмэгтэйчүүдийн гаднах түүврийн хувьд үл хамаарах зүйл байдаг (SLP 1.45, MLP 1.49).Насыг үнэлэхэд MLP нь SLP-ээс илүү үнэн зөв болохыг олж тогтоох нь нэмэлт ретроспектив судалгаа шаарддаг.
DM загвар ба уламжлалт аргын 18 жилийн босгон дахь ангиллын гүйцэтгэлийг мөн харьцуулсан.Туршилтад хамрагдсан бүх SD загварууд болон дотоод туршилтын багц дээрх уламжлалт аргууд нь 18 настай түүврийн хувьд ялгаварлан гадуурхалтын бараг зөвшөөрөгдөх түвшинг харуулсан.Эрэгтэй, эмэгтэй хүмүүсийн мэдрэмж 87.7% ба 94.9%, өвөрмөц байдал 89.3% ба 84.7% -иас их байна.Туршилтанд хамрагдсан бүх загваруудын AUROC нь 0.925-аас давсан байна.Бидний мэдэж байгаагаар DM загварын гүйцэтгэлийг шүдний төлөвшилд үндэслэн 18 жилийн ангилалд туршиж үзсэн судалгаа байхгүй.Бид энэхүү судалгааны үр дүнг панорамик рентген зураг дээрх гүнзгий суралцах загваруудын ангиллын гүйцэтгэлтэй харьцуулж болно.Гуо нар.15 нь CNN-д суурилсан гүнзгий сургалтын загвар болон Демиржяны аргад тулгуурласан гарын авлагын аргын ангиллын гүйцэтгэлийг тодорхой насны босго оноогоор тооцоолсон.Гарын авлагын аргын мэдрэмж, өвөрмөц байдал 87.7% ба 95.5%, CNN загварын мэдрэмж, өвөрмөц байдал 89.2% ба 86.6% тус тус давсан байна.Гүнзгий сургалтын загварууд нь насны босго оноог ангилахдаа гарын авлагын үнэлгээг орлож эсвэл илүү сайн гүйцэтгэнэ гэж тэд дүгнэжээ.Энэхүү судалгааны үр дүн нь ижил төстэй ангиллын гүйцэтгэлийг харуулсан;DM загварыг ашиглан ангилах нь насыг тооцоолох уламжлалт статистик аргуудыг орлох боломжтой гэж үздэг.Загваруудын дотроос DM LR нь эрэгтэй дээжийн мэдрэмжийн хувьд, эмэгтэй дээжийн хувьд мэдрэмж, өвөрмөц байдлын хувьд хамгийн сайн загвар байсан.LR нь эрэгтэй хүний онцлог шинж чанараараа хоёрдугаарт ордог.Түүнээс гадна LR нь хэрэглэгчдэд ээлтэй DM35 загваруудын нэг гэж тооцогддог бөгөөд нарийн төвөгтэй, боловсруулахад хэцүү байдаг.Эдгээр үр дүнд үндэслэн LR нь Солонгосын хүн амын дунд 18 настнуудад зориулсан хамгийн сайн захын ангиллын загвар гэж тооцогддог.
Ерөнхийдөө гадаад тестийн багц дээрх насны үнэлгээ эсвэл ангиллын гүйцэтгэлийн нарийвчлал нь дотоод тестийн үр дүнтэй харьцуулахад муу эсвэл доогуур байсан.Зарим тайланд Солонгосын хүн амд үндэслэсэн насны тооцоог Японы хүн амд хэрэглэх үед ангиллын нарийвчлал эсвэл үр ашиг буурч байгааг харуулж байна5,39 ба энэ судалгаанаас үүнтэй төстэй хэв маяг илэрсэн байна.Энэхүү муудах хандлага нь DM загварт ч ажиглагдсан.Тиймээс насыг үнэн зөв тооцоолохын тулд DM-ийг шинжилгээний явцад ашиглаж байсан ч уламжлалт аргууд гэх мэт уугуул популяцийн мэдээллээс авсан аргуудыг илүүд үзэх хэрэгтэй5,39,40,41,42.Гүнзгий суралцах загварууд ижил төстэй чиг хандлагыг харуулж чадах эсэх нь тодорхойгүй байгаа тул уламжлалт арга, DM загвар, ижил дээж дээр гүнзгий суралцах загваруудыг ашиглан ангиллын нарийвчлал, үр ашгийг харьцуулах судалгааг хиймэл оюун ухаан нь хязгаарлагдмал насны эдгээр арьсны ялгааг даван туулж чадах эсэхийг баталгаажуулах шаардлагатай байна.үнэлгээ.
Солонгосын шүүх эмнэлгийн нас тооцооны практикт DM загварт суурилсан уламжлалт аргуудыг насны тооцоогоор сольж болохыг бид харуулж байна.Мөн бид шүүх эмнэлгийн насны үнэлгээний машин сургалтыг хэрэгжүүлэх боломжийг олж мэдсэн.Гэсэн хэдий ч үр дүнг эцэслэн тогтооход оролцогчдын тоо хангалтгүй, энэ судалгааны үр дүнг харьцуулах, баталгаажуулах өмнөх судалгаа байхгүй зэрэг тодорхой хязгаарлалтууд байдаг.Ирээдүйд DM-ийн судалгааг уламжлалт аргуудтай харьцуулахад практикт ашиглах чадварыг сайжруулахын тулд илүү олон тооны дээж, илүү олон янзын популяциар хийх ёстой.Олон популяцид насыг тооцоолоход хиймэл оюун ухааныг ашиглах боломжийг баталгаажуулахын тулд DM болон гүнзгий суралцах загваруудын ангиллын нарийвчлал, үр ашгийг ижил дээж дэх уламжлалт аргуудтай харьцуулах ирээдүйн судалгаа хийх шаардлагатай байна.
Судалгаанд 15-23 насны Солонгос, Японы насанд хүрэгчдээс цуглуулсан 2657 зөв бичгийн зургийг ашигласан байна.Солонгосын рентген зургийг 900 сургалтын багц (19.42 ± 2.65 жил) болон 900 дотоод тестийн багц (19.52 ± 2.59 жил) гэж хуваасан.Сургалтын багцыг нэг байгууллагад (Сөүлийн Гэгээн Мэри эмнэлэг), өөрийн тестийг хоёр байгууллагад (Сөүлийн үндэсний их сургуулийн шүдний эмнэлэг, Йонсей их сургуулийн шүдний эмнэлэг) цуглуулсан.Мөн бид гадны шинжилгээнд зориулж хүн амд суурилсан өөр мэдээллээс (Японы Иватэгийн Анагаах Ухааны Их Сургууль) 857 рентген зураг цуглуулсан.Япон хүмүүсийн рентген зураг (19.31 ± 2.60 жил) нь гадны туршилтын багцаар сонгогдсон.Шүдний эмчилгээний явцад авсан панорамик рентген зураг дээр шүдний хөгжлийн үе шатуудад дүн шинжилгээ хийх зорилгоор мэдээлэл цуглуулсан.Хүйс, төрсөн он сар өдөр, рентген зураг авсан өдрөөс бусад цуглуулсан бүх мэдээлэл нь нэргүй байв.Оруулсан болон хасах шалгуур нь өмнө нь хэвлэгдсэн судалгаа 4, 5-тай ижил байсан.Рентген зураг авсан өдрөөс төрсөн огноог хасч дээжийн бодит насыг тооцоолсон.Түүврийн бүлгийг есөн насны бүлэгт хуваасан.Нас, хүйсийн хуваарилалтыг Хүснэгт 3-т үзүүлэв. Энэхүү судалгаа нь Хельсинкийн тунхаглалын дагуу хийгдсэн бөгөөд Солонгосын Католик Их Сургуулийн Сөүлийн Гэгээн Мэри эмнэлгийн Байгууллагын хяналтын зөвлөл (IRB) (KC22WISI0328)-аар батлагдсан.Энэхүү судалгааг ретроспектив байдлаар хийсэн тул эмчилгээний зорилгоор рентген шинжилгээнд хамрагдсан бүх өвчтөнөөс мэдээлэлтэй зөвшөөрөл авах боломжгүй байв.Сөүл Солонгосын Их Сургуулийн Гэгээн Мэригийн эмнэлэг (IRB) мэдээлэлтэй зөвшөөрөл авах шаардлагаас татгалзсан байна.
Хоёр, гуравдугаар араа шүдний хөгжлийн үе шатыг Демирканы шалгуурын дагуу үнэлэв25.Эрүү тус бүрийн зүүн, баруун талд ижил төрлийн шүд олдвол зөвхөн нэг шүдийг сонгосон.Хэрэв хоёр талын ижил төстэй шүд нь хөгжлийн өөр үе шатанд байсан бол тооцоолсон насны тодорхой бус байдлыг харгалзан хөгжлийн доод үе шаттай шүдийг сонгосон.Сургалтын багцаас санамсаргүй түүврийн аргаар сонгосон 100 рентген зургийг туршлагатай хоёр ажиглагч шүдний төлөвшлийн үе шатыг тодорхойлохын тулд урьдчилсан шалгалт тохируулсны дараа ажиглагч хоорондын найдвартай байдлыг шалгах зорилгоор оноо авсан.Ажиглагчийн найдвартай байдлыг үндсэн ажиглагч гурван сарын зайтай хоёр удаа үнэлэв.
Сургалтын багц дахь эрүү бүрийн 2, 3-р араа шүднүүдийн хүйс, хөгжлийн үе шатыг DM-ийн янз бүрийн загвараар бэлтгэгдсэн анхан шатны ажиглагчаар тооцоолж, бодит насыг зорилтот утга болгон тогтоосон.Машины сургалтанд өргөн хэрэглэгддэг SLP болон MLP загваруудыг регрессийн алгоритмын эсрэг туршиж үзсэн.DM загвар нь дөрвөн шүдний хөгжлийн үе шатыг ашиглан шугаман функцуудыг нэгтгэж, насыг тооцоолохын тулд эдгээр өгөгдлийг нэгтгэдэг.SLP нь хамгийн энгийн мэдрэлийн сүлжээ бөгөөд далд давхарга агуулаагүй.SLP нь зангилааны хоорондох босго дамжуулалт дээр суурилдаг.Регрессийн SLP загвар нь математикийн хувьд олон шугаман регресстэй төстэй.SLP загвараас ялгаатай нь MLP загвар нь шугаман бус идэвхжүүлэх функц бүхий олон далд давхаргатай.Бидний туршилтууд шугаман бус идэвхжүүлэх функц бүхий зөвхөн 20 далд зангилаа бүхий далд давхаргыг ашигласан.Манай машин сургалтын загварыг сургахын тулд градиент уналтыг оновчлолын арга болгон, MAE болон RMSE-г алдагдлын функц болгон ашигла.Хамгийн сайн олж авсан регрессийн загварыг дотоод болон гадаад тестийн багцад хэрэглэж, шүдний насыг тооцоолсон.
Сургалтын багц дээрх дөрвөн шүдний боловсорч гүйцсэн түүврийг 18 настай эсэхийг таамаглах ангиллын алгоритмыг боловсруулсан.Загвар бүтээхийн тулд бид долоон дүрслэлийн машин сургалтын алгоритмыг гаргаж авсан6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, (7) MLP .LR бол хамгийн өргөн хэрэглэгддэг ангиллын алгоритмуудын нэг юм44.Энэ нь 0-ээс 1 хүртэлх тодорхой ангилалд хамаарах өгөгдлийн магадлалыг регрессийн аргаар урьдчилан таамаглах, энэ магадлалд тулгуурлан өгөгдлийг илүү магадлалтай ангилалд хамаарах гэж ангилах хяналттай сургалтын алгоритм юм;голчлон хоёртын ангилалд ашигладаг.KNN бол машин сургалтын хамгийн энгийн алгоритмуудын нэг юм45.Шинэ оролтын өгөгдөл өгөх үед энэ нь одоо байгаа олонлогтой ойролцоо k өгөгдлийг олж дараа нь хамгийн өндөр давтамжтай ангилалд ангилдаг.Бид харгалзан үзсэн хөршүүдийн тоогоор 3-ыг тавьсан (k).SVM нь цөмийн функцийг ашиглан шугаман орон зайг талбар гэж нэрлэгддэг шугаман бус орон зай болгон өргөтгөх замаар хоёр ангийн хоорондох зайг хамгийн их байлгах алгоритм юм46.Энэ загварын хувьд бид хэвийсэн утга = 1, хүч = 1, гамма = 1-ийг олон гишүүнт цөмийн гиперпараметр болгон ашигладаг.DT нь модны бүтцэд шийдвэр гаргах дүрмийг төлөөлөх замаар бүхэл өгөгдлийн багцыг хэд хэдэн дэд бүлэгт хуваах алгоритм болгон янз бүрийн салбарт хэрэглэгдэж ирсэн47.Загвар нь нэг зангилаа 2 бичлэгийн хамгийн бага тоогоор тохируулагдсан бөгөөд чанарын хэмжүүр болгон Жини индексийг ашигладаг.RF нь анхны өгөгдлийн багцаас ижил хэмжээтэй дээжийг санамсаргүй байдлаар хэд хэдэн удаа зурах замаар түүвэр тус бүрт сул ангилагч үүсгэдэг ачаалах гинжийг нэгтгэх аргыг ашиглан гүйцэтгэлийг сайжруулахын тулд олон DT-г хослуулсан чуулгын арга юм48.Бид зангилааг тусгаарлах шалгуур болгон 100 мод, 10 модны гүн, 1 хамгийн бага зангилааны хэмжээ, Жини хольцын индексийг ашигласан.Шинэ мэдээллийн ангиллыг олонхийн саналаар тогтооно.XGBoost нь өмнөх загварын бодит болон таамагласан утгуудын хоорондох алдааг сургалтын өгөгдөл болгон авч, градиент49 ашиглан алдааг нэмэгдүүлэх аргыг ашиглан өсгөх техникийг хослуулсан алгоритм юм.Энэ нь сайн гүйцэтгэл, нөөцийн үр ашиг, түүнчлэн хэт тохируулсан залруулгын функц болох өндөр найдвартай байдлын улмаас өргөн хэрэглэгддэг алгоритм юм.Энэхүү загвар нь 400 тулгуур дугуйгаар тоноглогдсон.MLP нь нэг буюу хэд хэдэн перцептрон нь оролт, гаралтын давхаргын хооронд нэг буюу хэд хэдэн далд давхарга бүхий олон давхарга үүсгэдэг мэдрэлийн сүлжээ юм38.Үүнийг ашигласнаар та шугаман бус ангиллыг хийж, оролтын давхарга нэмж, үр дүнгийн утгыг авах үед таамагласан үр дүнгийн утгыг бодит үр дүнгийн утгатай харьцуулж, алдааг буцааж тарааж болно.Бид давхарга бүрт 20 далд нейрон бүхий далд давхарга үүсгэсэн.Бидний боловсруулсан загвар бүрийг мэдрэмж, өвөрмөц байдал, PPV, NPV, AUROC-ийг тооцоолох замаар ангиллын гүйцэтгэлийг туршихын тулд дотоод болон гадаад багцад ашигласан.Мэдрэмжийг 18 ба түүнээс дээш настай гэж тооцсон түүвэр болон 18 ба түүнээс дээш настай гэж тооцсон түүврийн харьцаагаар тодорхойлно.Онцлог гэдэг нь 18-аас доош насны болон 18-аас доош насны сорьцын эзлэх хувь юм.
Сургалтын багцад үнэлэгдсэн шүдний үе шатуудыг статистик шинжилгээнд зориулж тоон үе шат болгон хувиргасан.Хүйс бүрийг урьдчилан таамаглах загваруудыг боловсруулах, насыг тооцоолоход ашиглаж болох регрессийн томъёог гаргахын тулд олон хувьсах шугаман болон логистик регрессийг хийсэн.Бид эдгээр томъёог ашиглан дотоод болон гадаад тестийн шүдний насыг тооцоолсон.Энэхүү судалгаанд ашигласан регрессийн болон ангиллын загваруудыг Хүснэгт 4-т үзүүлэв.
Ажиглагчдын дотоод болон хоорондын найдвартай байдлыг Коэний каппа статистик ашиглан тооцоолсон.DM болон уламжлалт регрессийн загваруудын үнэн зөвийг шалгахын тулд бид дотоод болон гадаад тестийн багцуудын тооцоолсон болон бодит насыг ашиглан MAE болон RMSE-ийг тооцоолсон.Загварын таамаглалын үнэн зөвийг үнэлэхэд эдгээр алдааг ихэвчлэн ашигладаг.Алдаа бага байх тусам урьдчилсан мэдээний нарийвчлал өндөр болно24.DM болон уламжлалт регресс ашиглан тооцоолсон дотоод болон гадаад тестийн багцуудын MAE болон RMSE-ийг харьцуул.Уламжлалт статистикийн 18 жилийн хязгаарын ангиллын гүйцэтгэлийг 2 × 2 болзошгүй нөхцөл байдлын хүснэгтийг ашиглан үнэлэв.Туршилтын багцын тооцоолсон мэдрэмж, өвөрмөц байдал, PPV, NPV, AUROC-ийг DM ангиллын загварын хэмжсэн утгатай харьцуулсан.Өгөгдлийг өгөгдлийн шинж чанараас хамааран дундаж ± стандарт хазайлт эсвэл тоо (%) хэлбэрээр илэрхийлнэ.Хоёр талын P утгыг <0.05 статистик ач холбогдолтой гэж үзсэн.Бүх ердийн статистик шинжилгээг SAS хувилбар 9.4 (SAS Institute, Cary, NC) ашиглан хийсэн.DM регрессийн загварыг Python дээр Keras50 2.2.4 backend болон Tensorflow51 1.8.0 ашиглан математикийн үйлдлүүдэд тусгайлан ашигласан.DM ангиллын загварыг Waikato Knowledge Analysis Environment болон Konstanz Information Miner (KNIME) 4.6.152 шинжилгээний платформд хэрэгжүүлсэн.
Судалгааны дүгнэлтийг батлах өгөгдлийг нийтлэл болон нэмэлт материалаас олж болно гэдгийг зохиогчид хүлээн зөвшөөрч байна.Судалгааны явцад үүсгэсэн болон/эсвэл дүн шинжилгээ хийсэн мэдээллийн багцыг зохих хүсэлтийн дагуу холбогдох зохиогчоос авах боломжтой.
Ritz-Timme, S. et al.Насны үнэлгээ: Шүүх эмнэлгийн практикт тавигдах тусгай шаардлагад нийцсэн орчин үеийн байдал.олон улсын байдал.J. Хууль зүйн анагаах ухаан.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Эрүүгийн байцаан шийтгэх зорилгоор амьд субъектуудын шүүх эмнэлгийн насны үнэлгээний өнөөгийн байдал.Шүүх эмнэлэг.эм.Эмгэг судлал.1, 239–246 (2005).
Пан, J. et al.Хятадын зүүн хэсэгт 5-16 насны хүүхдүүдийн шүдний насыг үнэлэх өөрчилсөн арга.клиник.Аман санал асуулга.25, 3463–3474 (2021).
Lee, SS гэх мэт Солонгосчуудын хоёр, гуравдугаар араа шүдийг хөгжүүлэх он дараалал, шүүх эмнэлгийн насны үнэлгээний хэрэглээ.олон улсын байдал.J. Хууль зүйн анагаах ухаан.124, 659–665 (2010).
Өө, С., Кумагай, А., Ким, SY, Ли, SS Солонгос, Япон хэл дээрх хоёр, гуравдугаар араа шүднүүдийн боловсорч гүйцсэн байдал дээр үндэслэн 18 насны босго оноог тогтоох насны үнэн зөв байдал.PLoS ONE 17, e0271247 (2022).
Ким, JY, нар.Мэс заслын өмнөх машин сургалтанд суурилсан өгөгдлийн шинжилгээ нь OSA-тай өвчтөнд нойрны мэс заслын эмчилгээний үр дүнг урьдчилан таамаглах боломжтой.шинжлэх ухаан.Тайлан 11, 14911 (2021).
Han, M. et al.Хүний оролцоотой эсвэл оролцоогүй машин сургалтын насны үнэн зөв тооцоолол уу?олон улсын байдал.J. Хууль зүйн анагаах ухаан.136, 821–831 (2022).
Хан, С., Шахин, М. Дата олборлолтоос дата олборлолт хүртэл.Ж.Мэдээлэл.шинжлэх ухаан.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.Ж.Мэдээлэл.шинжлэх ухаан.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. and Abdullah U. Karm: Контекст суурилсан холбооны дүрэмд суурилсан уламжлалт өгөгдөл олборлолт.тооцоолох.Мэтт.үргэлжлүүлэх.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. and Habib M. Текст өгөгдлийг ашиглан гүн гүнзгий суралцахад суурилсан семантик ижил төстэй байдлыг илрүүлэх.мэдээлэх.технологи.хяналт.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З., Шахин, М. Спортын видеон дээрх үйл ажиллагааг таних систем.мультимедиа.Хэрэгслийн хэрэглүүр https://doi.org/10.1007/s11042-021-10519-6 (2021).
Халаби, SS нар.Хүүхдийн ясны насны RSNA машин сурах сорилт.Радиологи 290, 498–503 (2019).
Ли, Y. нар.Гүнзгий суралцах аргыг ашиглан аарцагны эрхтнүүдийн рентген шинжилгээнээс шүүх эмнэлгийн насны тооцоолол.ЕВРО.цацраг.29, 2322–2329 (2019).
Guo, YC, et al.Орфографийн проекцын зургуудаас гар аргаар болон гүнзгий эргэлтийн мэдрэлийн сүлжээг ашиглан насны үнэн зөв ангилал.олон улсын байдал.J. Хууль зүйн анагаах ухаан.135, 1589–1597 (2021).
Алабама Далора нар.Машины сургалтын янз бүрийн аргуудыг ашиглан ясны насыг тооцоолох: системчилсэн уран зохиолын тойм, мета-анализ.PLoS ONE 14, e0220242 (2019).
Ду, H., Li, G., Cheng, K., and Yang, J. Конус хэлбэрийн тооцоолсон томографи ашиглан эхний араа шүднүүдийн целлюлозын камерын эзэлхүүн дээр үндэслэсэн африк америкчууд болон хятадуудын популяцийн тодорхой насны тооцоо.олон улсын байдал.J. Хууль зүйн анагаах ухаан.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK and Oh KS. Эхний араа шүдийг хиймэл оюун ухаанд суурилсан зургийг ашиглан амьд хүмүүсийн насны бүлгийг тодорхойлох.шинжлэх ухаан.Тайлан 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. Олон талт MRI өгөгдлөөс насыг автоматаар тооцоолох, олонхийн насны ангилал.IEEE J. Biomed.Эрүүл мэндийн сэрэмжлүүлэг.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. Гүнзгий суралцах болон түвшний багцуудыг нэгтгэх замаар конусан туяаны компьютер томографийн эхний араа шүдийг 3D целлюлозын тасалгааны сегментчлэлд үндэслэсэн насны тооцоолол.олон улсын байдал.J. Хууль зүйн анагаах ухаан.135, 365–373 (2021).
Ву, ВТ, нар.Эмнэлзүйн том өгөгдөл дэх өгөгдөл олборлолт: нийтлэг мэдээллийн сан, үе шат, аргын загварууд.Дэлхий.эм.нөөц.8, 44 (2021).
Yang, J. et al.Том өгөгдлийн эрин үеийн эмнэлгийн мэдээллийн сан ба өгөгдөл олборлох технологийн танилцуулга.Ж.Авид.Үндсэн эм.13, 57–69 (2020).
Shen, S. et al.Машины сургалтыг ашиглан шүдний насыг тооцоолох камерерын арга.BMC Амны хөндийн эрүүл мэнд 21, 641 (2021).
Galliburg A. et al.Демиржианы үе шатлалын аргыг ашиглан шүдний насыг таамаглах янз бүрийн машин сургалтын аргуудын харьцуулалт.олон улсын байдал.J. Хууль зүйн анагаах ухаан.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM. Шүдний насыг үнэлэх шинэ систем.хурхирах.биологи.45, 211–227 (1973).
Ландис, Ж.Р., Кох, Г.Г. Ангилал өгөгдлийн ажиглагчийн тохиролцооны арга хэмжээ.Биометр 33, 159–174 (1977).
Бхаттачаржи С, Пракаш Д, Ким С, Ким ХК, Чой ХК.Тархины анхдагч хавдрыг ялгах хиймэл оюун ухааны аргуудыг ашиглан хоёр хэмжээст соронзон резонансын дүрслэлийн бүтэц, морфологи, статистик шинжилгээ.Эрүүл мэндийн мэдээлэл.нөөц.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Шуудангийн цаг: 2024-01-04