Cảm ơn bạn đã ghé thăm Nature.com. Phiên bản trình duyệt bạn đang sử dụng có hỗ trợ CSS hạn chế. Để có kết quả tốt nhất, chúng tôi khuyên bạn nên sử dụng phiên bản trình duyệt mới hơn (hoặc tắt chế độ tương thích trong Internet Explorer). Trong thời gian chờ đợi, để đảm bảo hỗ trợ liên tục, chúng tôi đang hiển thị trang web mà không có kiểu dáng hoặc JavaScript.
Răng được coi là chỉ số chính xác nhất về tuổi của cơ thể người và thường được sử dụng trong việc đánh giá tuổi pháp y. Mục tiêu của nghiên cứu này là xác thực các ước tính tuổi răng dựa trên khai thác dữ liệu bằng cách so sánh độ chính xác ước tính và hiệu suất phân loại ở ngưỡng 18 tuổi với các phương pháp truyền thống và các ước tính tuổi dựa trên khai thác dữ liệu. Tổng cộng 2657 phim chụp X-quang toàn cảnh được thu thập từ công dân Hàn Quốc và Nhật Bản trong độ tuổi từ 15 đến 23. Chúng được chia thành một tập huấn luyện, mỗi tập chứa 900 phim chụp X-quang của Hàn Quốc, và một tập kiểm tra nội bộ chứa 857 phim chụp X-quang của Nhật Bản. Chúng tôi đã so sánh độ chính xác và hiệu quả phân loại của các phương pháp truyền thống với các tập kiểm tra của các mô hình khai thác dữ liệu. Độ chính xác của phương pháp truyền thống trên tập kiểm tra nội bộ cao hơn một chút so với mô hình khai thác dữ liệu, và sự khác biệt là nhỏ (sai số tuyệt đối trung bình <0,21 năm, sai số bình phương trung bình gốc <0,24 năm). Hiệu suất phân loại ở ngưỡng 18 tuổi cũng tương tự nhau giữa các phương pháp truyền thống và các mô hình khai thác dữ liệu. Do đó, các phương pháp truyền thống có thể được thay thế bằng các mô hình khai thác dữ liệu khi thực hiện đánh giá tuổi pháp y dựa trên sự trưởng thành của răng hàm thứ hai và thứ ba ở thanh thiếu niên và người trẻ tuổi Hàn Quốc.
Ước tính tuổi răng được sử dụng rộng rãi trong y học pháp y và nha khoa nhi. Đặc biệt, do mối tương quan cao giữa tuổi theo thời gian và sự phát triển răng, việc đánh giá tuổi theo các giai đoạn phát triển răng là một tiêu chí quan trọng để xác định tuổi của trẻ em và thanh thiếu niên1,2,3. Tuy nhiên, đối với người trẻ tuổi, việc ước tính tuổi răng dựa trên sự trưởng thành của răng có những hạn chế vì sự phát triển của răng gần như đã hoàn tất, ngoại trừ răng khôn. Mục đích pháp lý của việc xác định tuổi của người trẻ tuổi và thanh thiếu niên là để cung cấp các ước tính chính xác và bằng chứng khoa học về việc họ đã đủ tuổi thành niên hay chưa. Trong thực tiễn pháp y đối với thanh thiếu niên và người trẻ tuổi ở Hàn Quốc, tuổi được ước tính bằng phương pháp của Lee, và ngưỡng pháp lý là 18 tuổi được dự đoán dựa trên dữ liệu do Oh và cộng sự báo cáo5.
Máy học là một loại trí tuệ nhân tạo (AI) học hỏi và phân loại lượng lớn dữ liệu một cách lặp đi lặp lại, tự giải quyết vấn đề và thúc đẩy lập trình dữ liệu. Máy học có thể phát hiện ra các mẫu ẩn hữu ích trong khối lượng dữ liệu lớn6. Ngược lại, các phương pháp cổ điển, vốn tốn nhiều công sức và thời gian, có thể bị hạn chế khi xử lý khối lượng lớn dữ liệu phức tạp, khó xử lý thủ công7. Do đó, nhiều nghiên cứu đã được thực hiện gần đây bằng cách sử dụng các công nghệ máy tính mới nhất để giảm thiểu lỗi của con người và xử lý dữ liệu đa chiều một cách hiệu quả8,9,10,11,12. Đặc biệt, học sâu đã được sử dụng rộng rãi trong phân tích hình ảnh y tế, và nhiều phương pháp ước tính tuổi bằng cách tự động phân tích ảnh chụp X-quang đã được báo cáo là cải thiện độ chính xác và hiệu quả của việc ước tính tuổi13,14,15,16,17,18,19,20. Ví dụ, Halabi et al 13 đã phát triển một thuật toán máy học dựa trên mạng nơ-ron tích chập (CNN) để ước tính tuổi xương bằng cách sử dụng ảnh chụp X-quang bàn tay của trẻ em. Nghiên cứu này đề xuất một mô hình áp dụng máy học vào hình ảnh y tế và cho thấy rằng các phương pháp này có thể cải thiện độ chính xác chẩn đoán. Li et al14 đã ước tính tuổi từ hình ảnh X-quang vùng chậu bằng cách sử dụng mạng nơ-ron tích chập học sâu và so sánh chúng với kết quả hồi quy sử dụng ước tính giai đoạn cốt hóa. Họ nhận thấy rằng mô hình mạng nơ-ron tích chập học sâu cho thấy hiệu suất ước tính tuổi tương tự như mô hình hồi quy truyền thống. Nghiên cứu của Guo et al. [15] đã đánh giá hiệu suất phân loại dung sai tuổi của công nghệ mạng nơ-ron tích chập dựa trên ảnh chụp chỉnh nha, và kết quả của mô hình mạng nơ-ron tích chập đã chứng minh rằng con người có hiệu suất phân loại tuổi tốt hơn.
Hầu hết các nghiên cứu về ước tính tuổi bằng máy học đều sử dụng các phương pháp học sâu13,14,15,16,17,18,19,20. Ước tính tuổi dựa trên học sâu được báo cáo là chính xác hơn các phương pháp truyền thống. Tuy nhiên, cách tiếp cận này ít có cơ hội trình bày cơ sở khoa học cho các ước tính tuổi, chẳng hạn như các chỉ số tuổi được sử dụng trong các ước tính. Ngoài ra còn có tranh chấp pháp lý về việc ai tiến hành kiểm tra. Do đó, ước tính tuổi dựa trên học sâu khó được các cơ quan hành chính và tư pháp chấp nhận. Khai thác dữ liệu (DM) là một kỹ thuật có thể phát hiện không chỉ thông tin dự kiến mà còn cả thông tin không dự kiến như một phương pháp để phát hiện các mối tương quan hữu ích giữa một lượng lớn dữ liệu6,21,22. Máy học thường được sử dụng trong khai thác dữ liệu, và cả khai thác dữ liệu và máy học đều sử dụng các thuật toán chính giống nhau để phát hiện các mẫu trong dữ liệu. Ước tính tuổi bằng cách sử dụng sự phát triển răng dựa trên đánh giá của người kiểm tra về độ trưởng thành của răng mục tiêu, và đánh giá này được thể hiện dưới dạng một giai đoạn cho mỗi răng mục tiêu. DM có thể được sử dụng để phân tích mối tương quan giữa giai đoạn đánh giá răng và tuổi thực tế và có tiềm năng thay thế phân tích thống kê truyền thống. Do đó, nếu chúng ta áp dụng các kỹ thuật DM vào ước tính tuổi, chúng ta có thể triển khai học máy trong ước tính tuổi pháp y mà không cần lo lắng về trách nhiệm pháp lý. Một số nghiên cứu so sánh đã được công bố về các phương pháp thay thế khả thi cho các phương pháp thủ công truyền thống được sử dụng trong thực tiễn pháp y và các phương pháp dựa trên EBM để xác định tuổi răng. Shen et al23 đã chỉ ra rằng mô hình DM chính xác hơn công thức Camerer truyền thống. Galibourg et al24 đã áp dụng các phương pháp DM khác nhau để dự đoán tuổi theo tiêu chí Demirdjian25 và kết quả cho thấy phương pháp DM vượt trội hơn các phương pháp Demirdjian và Willems trong việc ước tính tuổi của dân số Pháp.
Để ước tính tuổi răng của thanh thiếu niên và người trẻ tuổi Hàn Quốc, phương pháp của Lee 4 được sử dụng rộng rãi trong thực tiễn pháp y Hàn Quốc. Phương pháp này sử dụng phân tích thống kê truyền thống (chẳng hạn như hồi quy đa biến) để kiểm tra mối quan hệ giữa đối tượng người Hàn Quốc và tuổi theo thời gian. Trong nghiên cứu này, các phương pháp ước tính tuổi thu được bằng cách sử dụng các phương pháp thống kê truyền thống được định nghĩa là “phương pháp truyền thống”. Phương pháp của Lee là một phương pháp truyền thống, và độ chính xác của nó đã được Oh et al. 5 xác nhận; tuy nhiên, tính khả thi của việc ước tính tuổi dựa trên mô hình DM trong thực tiễn pháp y Hàn Quốc vẫn còn gây tranh cãi. Mục tiêu của chúng tôi là xác thực một cách khoa học tiềm năng hữu ích của việc ước tính tuổi dựa trên mô hình DM. Mục đích của nghiên cứu này là (1) so sánh độ chính xác của hai mô hình DM trong việc ước tính tuổi răng và (2) so sánh hiệu suất phân loại của 7 mô hình DM ở độ tuổi 18 với những kết quả thu được bằng cách sử dụng các phương pháp thống kê truyền thống về sự trưởng thành của răng hàm thứ hai và thứ ba ở cả hai hàm.
Giá trị trung bình và độ lệch chuẩn của tuổi theo từng giai đoạn và loại răng được hiển thị trực tuyến trong Bảng bổ sung S1 (tập huấn luyện), Bảng bổ sung S2 (tập kiểm tra nội bộ) và Bảng bổ sung S3 (tập kiểm tra bên ngoài). Giá trị kappa về độ tin cậy giữa người quan sát trong cùng một nhóm và giữa các nhóm người quan sát khác nhau thu được từ tập huấn luyện lần lượt là 0,951 và 0,947. Giá trị P và khoảng tin cậy 95% cho giá trị kappa được hiển thị trong bảng bổ sung trực tuyến S4. Giá trị kappa được hiểu là “gần như hoàn hảo”, phù hợp với tiêu chí của Landis và Koch26.
Khi so sánh sai số tuyệt đối trung bình (MAE), phương pháp truyền thống cho kết quả tốt hơn một chút so với mô hình DM đối với tất cả các giới tính và trên tập dữ liệu kiểm tra bên ngoài dành cho nam giới, ngoại trừ mạng perceptron đa lớp (MLP). Sự khác biệt giữa mô hình truyền thống và mô hình DM trên tập dữ liệu kiểm tra MAE nội bộ là 0,12–0,19 năm đối với nam giới và 0,17–0,21 năm đối với nữ giới. Đối với bộ dữ liệu kiểm tra bên ngoài, sự khác biệt nhỏ hơn (0,001–0,05 năm đối với nam giới và 0,05–0,09 năm đối với nữ giới). Ngoài ra, sai số bình phương trung bình gốc (RMSE) thấp hơn một chút so với phương pháp truyền thống, với sự khác biệt nhỏ hơn (0,17–0,24, 0,2–0,24 đối với tập dữ liệu kiểm tra nội bộ dành cho nam giới, và 0,03–0,07, 0,04–0,08 đối với tập dữ liệu kiểm tra bên ngoài). MLP cho thấy hiệu suất tốt hơn một chút so với mạng perceptron đơn lớp (SLP), ngoại trừ trường hợp tập dữ liệu kiểm tra bên ngoài dành cho nữ giới. Đối với MAE và RMSE, tập dữ liệu kiểm thử bên ngoài cho kết quả cao hơn tập dữ liệu kiểm thử nội bộ đối với tất cả các giới tính và mô hình. Tất cả các giá trị MAE và RMSE được thể hiện trong Bảng 1 và Hình 1.
MAE và RMSE của các mô hình hồi quy truyền thống và khai thác dữ liệu. Sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình gốc (RMSE), mạng perceptron đơn lớp (SLP), mạng perceptron đa lớp (MLP), phương pháp CM truyền thống.
Hiệu suất phân loại (với ngưỡng cắt là 18 tuổi) của các mô hình truyền thống và DM đã được chứng minh về độ nhạy, độ đặc hiệu, giá trị dự đoán dương (PPV), giá trị dự đoán âm (NPV) và diện tích dưới đường cong đặc tính hoạt động của bộ thu (AUROC) 27 (Bảng 2, Hình 2 và Hình bổ sung 1 trực tuyến). Về độ nhạy của bộ kiểm tra nội bộ, các phương pháp truyền thống hoạt động tốt nhất ở nam giới và kém hơn ở nữ giới. Tuy nhiên, sự khác biệt về hiệu suất phân loại giữa các phương pháp truyền thống và SD là 9,7% đối với nam giới (MLP) và chỉ 2,4% đối với nữ giới (XGBoost). Trong số các mô hình DM, hồi quy logistic (LR) cho thấy độ nhạy tốt hơn ở cả hai giới. Về độ đặc hiệu của bộ kiểm tra nội bộ, người ta nhận thấy rằng bốn mô hình SD hoạt động tốt ở nam giới, trong khi mô hình truyền thống hoạt động tốt hơn ở nữ giới. Sự khác biệt về hiệu suất phân loại đối với nam và nữ lần lượt là 13,3% (MLP) và 13,1% (MLP), cho thấy sự khác biệt về hiệu suất phân loại giữa các mô hình vượt quá độ nhạy. Trong số các mô hình DM, mô hình máy vectơ hỗ trợ (SVM), cây quyết định (DT) và rừng ngẫu nhiên (RF) hoạt động tốt nhất ở nam giới, trong khi mô hình LR hoạt động tốt nhất ở nữ giới. AUROC của mô hình truyền thống và tất cả các mô hình SD đều lớn hơn 0,925 (k-nearest neighbor (KNN) ở nam giới), cho thấy hiệu suất phân loại xuất sắc trong việc phân biệt các mẫu 18 tuổi28. Đối với tập dữ liệu kiểm tra bên ngoài, hiệu suất phân loại giảm về độ nhạy, độ đặc hiệu và AUROC so với tập dữ liệu kiểm tra nội bộ. Hơn nữa, sự khác biệt về độ nhạy và độ đặc hiệu giữa hiệu suất phân loại của mô hình tốt nhất và tệ nhất dao động từ 10% đến 25% và lớn hơn sự khác biệt trong tập dữ liệu kiểm tra nội bộ.
Độ nhạy và độ đặc hiệu của các mô hình phân loại khai thác dữ liệu so với các phương pháp truyền thống với ngưỡng cắt là 18 tuổi. KNN (k-nearest neighbor), SVM (support vector machine), LR (logistic regression), DT (decision tree), RF (random forest), XGB (XGBoost), MLP (multilayer perceptron), phương pháp CM truyền thống.
Bước đầu tiên trong nghiên cứu này là so sánh độ chính xác của ước tính tuổi răng thu được từ bảy mô hình DM với độ chính xác thu được bằng phương pháp hồi quy truyền thống. MAE và RMSE được đánh giá trong các bộ dữ liệu thử nghiệm nội bộ cho cả hai giới, và sự khác biệt giữa phương pháp truyền thống và mô hình DM dao động từ 44 đến 77 ngày đối với MAE và từ 62 đến 88 ngày đối với RMSE. Mặc dù phương pháp truyền thống chính xác hơn một chút trong nghiên cứu này, nhưng khó có thể kết luận liệu sự khác biệt nhỏ như vậy có ý nghĩa lâm sàng hoặc thực tiễn hay không. Những kết quả này cho thấy độ chính xác của ước tính tuổi răng bằng mô hình DM gần như tương đương với phương pháp truyền thống. Việc so sánh trực tiếp với kết quả từ các nghiên cứu trước đây rất khó khăn vì chưa có nghiên cứu nào so sánh độ chính xác của mô hình DM với các phương pháp thống kê truyền thống bằng cách sử dụng cùng kỹ thuật ghi nhận răng trong cùng phạm vi tuổi như trong nghiên cứu này. Galibourg et al24 đã so sánh MAE và RMSE giữa hai phương pháp truyền thống (phương pháp Demirjian25 và phương pháp Willems29) và 10 mô hình DM trong một quần thể người Pháp từ 2 đến 24 tuổi. Họ báo cáo rằng tất cả các mô hình DM đều chính xác hơn các phương pháp truyền thống, với sự khác biệt lần lượt là 0,20 và 0,38 năm về MAE và 0,25 và 0,47 năm về RMSE so với phương pháp Willems và Demirdjian. Sự khác biệt giữa mô hình SD và các phương pháp truyền thống được thể hiện trong nghiên cứu của Halibourg có tính đến nhiều báo cáo30,31,32,33 cho thấy phương pháp Demirdjian không ước tính chính xác tuổi răng ở các quần thể khác ngoài người Canada gốc Pháp mà nghiên cứu dựa trên đó. Trong nghiên cứu này, Tai et al 34 đã sử dụng thuật toán MLP để dự đoán tuổi răng từ 1636 bức ảnh chỉnh nha của người Trung Quốc và so sánh độ chính xác của nó với kết quả của phương pháp Demirdjian và Willems. Họ báo cáo rằng MLP có độ chính xác cao hơn các phương pháp truyền thống. Sự khác biệt giữa phương pháp Demirdjian và phương pháp truyền thống là <0,32 năm, và phương pháp Willems là 0,28 năm, tương tự như kết quả của nghiên cứu hiện tại. Kết quả của các nghiên cứu trước đây24,34 cũng phù hợp với kết quả của nghiên cứu hiện tại, và độ chính xác ước tính tuổi của mô hình DM và phương pháp truyền thống là tương tự nhau. Tuy nhiên, dựa trên các kết quả được trình bày, chúng ta chỉ có thể thận trọng kết luận rằng việc sử dụng mô hình DM để ước tính tuổi có thể thay thế các phương pháp hiện có do thiếu các nghiên cứu so sánh và tham khảo trước đây. Cần có các nghiên cứu tiếp theo sử dụng mẫu lớn hơn để xác nhận các kết quả thu được trong nghiên cứu này.
Trong số các nghiên cứu kiểm tra độ chính xác của SD trong việc ước tính tuổi răng, một số nghiên cứu cho thấy độ chính xác cao hơn nghiên cứu của chúng tôi. Stepanovsky et al 35 đã áp dụng 22 mô hình SD cho phim chụp X-quang toàn cảnh của 976 cư dân Séc từ 2,7 đến 20,5 tuổi và kiểm tra độ chính xác của từng mô hình. Họ đã đánh giá sự phát triển của tổng cộng 16 răng vĩnh viễn hàm trên và hàm dưới bên trái bằng cách sử dụng các tiêu chí phân loại do Moorrees et al 36 đề xuất. MAE dao động từ 0,64 đến 0,94 năm và RMSE dao động từ 0,85 đến 1,27 năm, chính xác hơn hai mô hình DM được sử dụng trong nghiên cứu này. Shen et al23 đã sử dụng phương pháp Cameriere để ước tính tuổi răng của bảy răng vĩnh viễn ở hàm dưới bên trái của cư dân miền đông Trung Quốc từ 5 đến 13 tuổi và so sánh nó với tuổi được ước tính bằng hồi quy tuyến tính, SVM và RF. Họ cho thấy rằng cả ba mô hình DM đều có độ chính xác cao hơn so với công thức Cameriere truyền thống. MAE và RMSE trong nghiên cứu của Shen thấp hơn so với mô hình DM trong nghiên cứu này. Độ chính xác tăng lên trong các nghiên cứu của Stepanovsky et al. 35 và Shen et al. 23 có thể là do việc đưa các đối tượng trẻ hơn vào mẫu nghiên cứu của họ. Vì ước tính tuổi cho những người tham gia có răng đang phát triển trở nên chính xác hơn khi số lượng răng tăng lên trong quá trình phát triển răng miệng, nên độ chính xác của phương pháp ước tính tuổi có thể bị ảnh hưởng khi người tham gia nghiên cứu còn trẻ. Ngoài ra, sai số của MLP trong ước tính tuổi nhỏ hơn một chút so với SLP, có nghĩa là MLP chính xác hơn SLP. MLP được coi là tốt hơn một chút trong ước tính tuổi, có thể là do các lớp ẩn trong MLP38. Tuy nhiên, có một ngoại lệ đối với mẫu ngoài của phụ nữ (SLP 1,45, MLP 1,49). Phát hiện rằng MLP chính xác hơn SLP trong việc đánh giá tuổi cần thêm các nghiên cứu hồi cứu.
Hiệu suất phân loại của mô hình DM và phương pháp truyền thống ở ngưỡng 18 tuổi cũng được so sánh. Tất cả các mô hình SD và phương pháp truyền thống được thử nghiệm trên tập dữ liệu thử nghiệm nội bộ đều cho thấy mức độ phân biệt thực tế chấp nhận được đối với mẫu 18 tuổi. Độ nhạy đối với nam và nữ lần lượt lớn hơn 87,7% và 94,9%, và độ đặc hiệu lớn hơn 89,3% và 84,7%. AUROC của tất cả các mô hình được thử nghiệm cũng vượt quá 0,925. Theo hiểu biết của chúng tôi, chưa có nghiên cứu nào kiểm tra hiệu suất của mô hình DM để phân loại 18 tuổi dựa trên sự trưởng thành răng miệng. Chúng ta có thể so sánh kết quả của nghiên cứu này với hiệu suất phân loại của các mô hình học sâu trên phim chụp X-quang toàn cảnh. Guo et al.15 đã tính toán hiệu suất phân loại của mô hình học sâu dựa trên CNN và phương pháp thủ công dựa trên phương pháp của Demirjian cho một ngưỡng tuổi nhất định. Độ nhạy và độ đặc hiệu của phương pháp thủ công lần lượt là 87,7% và 95,5%, trong khi độ nhạy và độ đặc hiệu của mô hình CNN vượt quá 89,2% và 86,6%. Họ kết luận rằng các mô hình học sâu có thể thay thế hoặc vượt trội hơn so với đánh giá thủ công trong việc phân loại ngưỡng tuổi. Kết quả nghiên cứu này cho thấy hiệu suất phân loại tương tự; người ta tin rằng việc phân loại bằng các mô hình DM có thể thay thế các phương pháp thống kê truyền thống để ước tính tuổi. Trong số các mô hình, DM LR là mô hình tốt nhất về độ nhạy đối với mẫu nam và độ nhạy và độ đặc hiệu đối với mẫu nữ. LR xếp thứ hai về độ đặc hiệu đối với nam giới. Hơn nữa, LR được coi là một trong những mô hình DM35 thân thiện với người dùng hơn và ít phức tạp, khó xử lý hơn. Dựa trên những kết quả này, LR được coi là mô hình phân loại ngưỡng tốt nhất cho người 18 tuổi trong dân số Hàn Quốc.
Nhìn chung, độ chính xác của việc ước tính tuổi hoặc hiệu suất phân loại trên tập dữ liệu thử nghiệm bên ngoài kém hơn hoặc thấp hơn so với kết quả trên tập dữ liệu thử nghiệm nội bộ. Một số báo cáo chỉ ra rằng độ chính xác hoặc hiệu quả phân loại giảm khi áp dụng ước tính tuổi dựa trên dân số Hàn Quốc cho dân số Nhật Bản5,39, và một mô hình tương tự đã được tìm thấy trong nghiên cứu hiện tại. Xu hướng suy giảm này cũng được quan sát thấy trong mô hình DM. Do đó, để ước tính tuổi chính xác, ngay cả khi sử dụng DM trong quá trình phân tích, các phương pháp bắt nguồn từ dữ liệu dân số bản địa, chẳng hạn như các phương pháp truyền thống, nên được ưu tiên5,39,40,41,42. Vì chưa rõ liệu các mô hình học sâu có thể thể hiện các xu hướng tương tự hay không, cần có các nghiên cứu so sánh độ chính xác và hiệu quả phân loại bằng cách sử dụng các phương pháp truyền thống, mô hình DM và mô hình học sâu trên cùng một mẫu để xác nhận liệu trí tuệ nhân tạo có thể khắc phục được sự chênh lệch chủng tộc này trong các đánh giá tuổi hạn chế hay không.
Chúng tôi chứng minh rằng các phương pháp truyền thống có thể được thay thế bằng phương pháp ước tính tuổi dựa trên mô hình DM trong thực tiễn ước tính tuổi pháp y ở Hàn Quốc. Chúng tôi cũng phát hiện ra khả năng ứng dụng học máy vào việc đánh giá tuổi pháp y. Tuy nhiên, vẫn còn những hạn chế rõ ràng, chẳng hạn như số lượng người tham gia nghiên cứu chưa đủ để xác định chắc chắn kết quả, và thiếu các nghiên cứu trước đây để so sánh và xác nhận kết quả của nghiên cứu này. Trong tương lai, các nghiên cứu về DM cần được thực hiện với số lượng mẫu lớn hơn và dân số đa dạng hơn để nâng cao tính ứng dụng thực tiễn so với các phương pháp truyền thống. Để xác thực tính khả thi của việc sử dụng trí tuệ nhân tạo để ước tính tuổi trong nhiều quần thể, cần có các nghiên cứu trong tương lai để so sánh độ chính xác và hiệu quả phân loại của mô hình DM và học sâu với các phương pháp truyền thống trên cùng một mẫu.
Nghiên cứu này sử dụng 2.657 ảnh chụp X-quang toàn cảnh được thu thập từ người lớn Hàn Quốc và Nhật Bản trong độ tuổi từ 15 đến 23. Ảnh chụp X-quang của người Hàn Quốc được chia thành 900 bộ dữ liệu huấn luyện (19,42 ± 2,65 tuổi) và 900 bộ dữ liệu kiểm tra nội bộ (19,52 ± 2,59 tuổi). Bộ dữ liệu huấn luyện được thu thập tại một cơ sở (Bệnh viện St. Mary, Seoul), và bộ dữ liệu kiểm tra nội bộ được thu thập tại hai cơ sở (Bệnh viện Nha khoa Đại học Quốc gia Seoul và Bệnh viện Nha khoa Đại học Yonsei). Chúng tôi cũng thu thập 857 ảnh chụp X-quang từ một nguồn dữ liệu dựa trên dân số khác (Đại học Y khoa Iwate, Nhật Bản) để kiểm tra bên ngoài. Ảnh chụp X-quang của người Nhật Bản (19,31 ± 2,60 tuổi) được chọn làm bộ dữ liệu kiểm tra bên ngoài. Dữ liệu được thu thập hồi cứu để phân tích các giai đoạn phát triển răng trên ảnh chụp X-quang toàn cảnh được chụp trong quá trình điều trị nha khoa. Tất cả dữ liệu thu thập đều được ẩn danh ngoại trừ giới tính, ngày sinh và ngày chụp X-quang. Tiêu chí lựa chọn và loại trừ tương tự như các nghiên cứu đã được công bố trước đây 4, 5. Tuổi thực tế của mẫu được tính bằng cách trừ ngày sinh khỏi ngày chụp X-quang. Nhóm mẫu được chia thành chín nhóm tuổi. Phân bố tuổi và giới tính được thể hiện trong Bảng 3. Nghiên cứu này được tiến hành phù hợp với Tuyên bố Helsinki và được Hội đồng Đánh giá Đạo đức (IRB) của Bệnh viện Seoul St. Mary thuộc Đại học Công giáo Hàn Quốc phê duyệt (KC22WISI0328). Do thiết kế hồi cứu của nghiên cứu này, không thể thu được sự đồng ý có thông tin từ tất cả bệnh nhân trải qua khám X-quang vì mục đích điều trị. Hội đồng Đánh giá Đạo đức (IRB) của Bệnh viện Seoul St. Mary thuộc Đại học Công giáo Hàn Quốc đã miễn trừ yêu cầu về sự đồng ý có thông tin.
Các giai đoạn phát triển của răng hàm thứ hai và thứ ba ở cả hai hàm được đánh giá theo tiêu chí Demircan25. Chỉ một răng được chọn nếu cùng loại răng được tìm thấy ở cả hai bên hàm. Nếu các răng tương đồng ở cả hai bên ở các giai đoạn phát triển khác nhau, răng có giai đoạn phát triển thấp hơn sẽ được chọn để tính đến sự không chắc chắn trong ước tính tuổi. Một trăm phim chụp X-quang được chọn ngẫu nhiên từ bộ dữ liệu huấn luyện đã được hai người quan sát có kinh nghiệm chấm điểm để kiểm tra độ tin cậy giữa những người quan sát sau khi hiệu chuẩn trước để xác định giai đoạn trưởng thành của răng. Độ tin cậy nội bộ của người quan sát được đánh giá hai lần cách nhau ba tháng bởi người quan sát chính.
Giới tính và giai đoạn phát triển của răng hàm thứ hai và thứ ba ở mỗi hàm trong tập dữ liệu huấn luyện được ước tính bởi một người quan sát chính được đào tạo với các mô hình DM khác nhau, và tuổi thực tế được đặt làm giá trị mục tiêu. Các mô hình SLP và MLP, được sử dụng rộng rãi trong học máy, đã được kiểm tra so với các thuật toán hồi quy. Mô hình DM kết hợp các hàm tuyến tính sử dụng các giai đoạn phát triển của bốn răng và kết hợp các dữ liệu này để ước tính tuổi. SLP là mạng nơ-ron đơn giản nhất và không chứa các lớp ẩn. SLP hoạt động dựa trên sự truyền ngưỡng giữa các nút. Mô hình SLP trong hồi quy về mặt toán học tương tự như hồi quy tuyến tính đa biến. Không giống như mô hình SLP, mô hình MLP có nhiều lớp ẩn với các hàm kích hoạt phi tuyến tính. Thí nghiệm của chúng tôi đã sử dụng một lớp ẩn chỉ với 20 nút ẩn với các hàm kích hoạt phi tuyến tính. Sử dụng phương pháp giảm độ dốc làm phương pháp tối ưu hóa và MAE và RMSE làm hàm mất mát để huấn luyện mô hình học máy của chúng tôi. Mô hình hồi quy tốt nhất thu được đã được áp dụng cho các tập dữ liệu kiểm tra nội bộ và bên ngoài và tuổi của răng đã được ước tính.
Một thuật toán phân loại đã được phát triển sử dụng độ trưởng thành của bốn răng trên tập huấn luyện để dự đoán xem một mẫu có đủ 18 tuổi hay không. Để xây dựng mô hình, chúng tôi đã sử dụng bảy thuật toán học máy biểu diễn6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost và (7) MLP. LR là một trong những thuật toán phân loại được sử dụng rộng rãi nhất44. Đây là một thuật toán học có giám sát sử dụng hồi quy để dự đoán xác suất dữ liệu thuộc về một danh mục nhất định từ 0 đến 1 và phân loại dữ liệu thuộc về danh mục có khả năng xảy ra cao hơn dựa trên xác suất này; chủ yếu được sử dụng cho phân loại nhị phân. KNN là một trong những thuật toán học máy đơn giản nhất45. Khi được cung cấp dữ liệu đầu vào mới, nó tìm thấy k dữ liệu gần với tập hợp hiện có và sau đó phân loại chúng vào lớp có tần suất cao nhất. Chúng tôi đặt 3 cho số lượng láng giềng được xem xét (k). SVM là một thuật toán tối đa hóa khoảng cách giữa hai lớp bằng cách sử dụng hàm nhân để mở rộng không gian tuyến tính thành không gian phi tuyến tính được gọi là trường46. Đối với mô hình này, chúng tôi sử dụng bias = 1, power = 1 và gamma = 1 làm siêu tham số cho nhân đa thức. DT đã được áp dụng trong nhiều lĩnh vực như một thuật toán để chia toàn bộ tập dữ liệu thành nhiều nhóm con bằng cách biểu diễn các quy tắc quyết định trong cấu trúc cây47. Mô hình được cấu hình với số lượng bản ghi tối thiểu trên mỗi nút là 2 và sử dụng chỉ số Gini làm thước đo chất lượng. RF là một phương pháp tập hợp kết hợp nhiều DT để cải thiện hiệu suất bằng cách sử dụng phương pháp tổng hợp bootstrap tạo ra một bộ phân loại yếu cho mỗi mẫu bằng cách lấy ngẫu nhiên các mẫu có cùng kích thước nhiều lần từ tập dữ liệu gốc48. Chúng tôi đã sử dụng 100 cây, 10 độ sâu cây, 1 kích thước nút tối thiểu và chỉ số hỗn hợp Gini làm tiêu chí phân tách nút. Việc phân loại dữ liệu mới được xác định bằng bỏ phiếu đa số. XGBoost là một thuật toán kết hợp các kỹ thuật tăng cường bằng cách sử dụng một phương pháp lấy lỗi giữa các giá trị thực tế và dự đoán của mô hình trước đó làm dữ liệu huấn luyện và tăng cường lỗi bằng cách sử dụng gradient49. Đây là một thuật toán được sử dụng rộng rãi nhờ hiệu suất tốt, tiết kiệm tài nguyên cũng như độ tin cậy cao như một chức năng hiệu chỉnh quá khớp. Mô hình được trang bị 400 bánh xe hỗ trợ. MLP là một mạng nơ-ron trong đó một hoặc nhiều perceptron tạo thành nhiều lớp với một hoặc nhiều lớp ẩn giữa lớp đầu vào và lớp đầu ra38. Sử dụng điều này, bạn có thể thực hiện phân loại phi tuyến tính, trong đó khi bạn thêm một lớp đầu vào và nhận được một giá trị kết quả, giá trị kết quả dự đoán được so sánh với giá trị kết quả thực tế và lỗi được lan truyền ngược trở lại. Chúng tôi đã tạo một lớp ẩn với 20 nơ-ron ẩn trong mỗi lớp. Mỗi mô hình chúng tôi phát triển đã được áp dụng cho các tập dữ liệu nội bộ và bên ngoài để kiểm tra hiệu suất phân loại bằng cách tính toán độ nhạy, độ đặc hiệu, PPV, NPV và AUROC. Độ nhạy được định nghĩa là tỷ lệ giữa mẫu được ước tính là từ 18 tuổi trở lên và mẫu được ước tính là từ 18 tuổi trở lên. Độ đặc hiệu là tỷ lệ giữa các mẫu dưới 18 tuổi và những mẫu được ước tính là dưới 18 tuổi.
Các giai đoạn phát triển răng được đánh giá trong tập dữ liệu huấn luyện đã được chuyển đổi thành các giai đoạn số để phân tích thống kê. Hồi quy tuyến tính đa biến và hồi quy logistic đã được thực hiện để phát triển các mô hình dự đoán cho từng giới tính và suy ra các công thức hồi quy có thể được sử dụng để ước tính tuổi. Chúng tôi đã sử dụng các công thức này để ước tính tuổi răng cho cả tập dữ liệu kiểm tra nội bộ và bên ngoài. Bảng 4 trình bày các mô hình hồi quy và phân loại được sử dụng trong nghiên cứu này.
Độ tin cậy nội bộ và giữa các người quan sát được tính toán bằng cách sử dụng thống kê kappa của Cohen. Để kiểm tra độ chính xác của DM và các mô hình hồi quy truyền thống, chúng tôi đã tính toán MAE và RMSE bằng cách sử dụng tuổi ước tính và tuổi thực tế của các tập dữ liệu kiểm tra nội bộ và bên ngoài. Những lỗi này thường được sử dụng để đánh giá độ chính xác của các dự đoán mô hình. Lỗi càng nhỏ thì độ chính xác của dự báo càng cao24. So sánh MAE và RMSE của các tập dữ liệu kiểm tra nội bộ và bên ngoài được tính toán bằng cách sử dụng DM và hồi quy truyền thống. Hiệu suất phân loại của ngưỡng 18 tuổi trong thống kê truyền thống được đánh giá bằng cách sử dụng bảng phân tích 2 × 2. Độ nhạy, độ đặc hiệu, PPV, NPV và AUROC được tính toán của tập dữ liệu kiểm tra được so sánh với các giá trị đo được của mô hình phân loại DM. Dữ liệu được biểu thị dưới dạng giá trị trung bình ± độ lệch chuẩn hoặc số lượng (%) tùy thuộc vào đặc điểm của dữ liệu. Giá trị P hai phía <0,05 được coi là có ý nghĩa thống kê. Tất cả các phân tích thống kê thường quy được thực hiện bằng SAS phiên bản 9.4 (SAS Institute, Cary, NC). Mô hình hồi quy DM được triển khai bằng Python sử dụng backend Keras50 2.2.4 và Tensorflow51 1.8.0, đặc biệt dành cho các phép toán. Mô hình phân loại DM được triển khai trong Môi trường Phân tích Tri thức Waikato và nền tảng phân tích Konstanz Information Miner (KNIME) 4.6.152.
Các tác giả xác nhận rằng dữ liệu hỗ trợ cho các kết luận của nghiên cứu có thể được tìm thấy trong bài báo và tài liệu bổ sung. Bộ dữ liệu được tạo ra và/hoặc phân tích trong quá trình nghiên cứu có sẵn từ tác giả liên hệ khi có yêu cầu hợp lý.
Ritz-Timme, S. và cộng sự. Đánh giá tuổi: hiện trạng đáp ứng các yêu cầu cụ thể của thực tiễn pháp y. Tính quốc tế. Tạp chí Y học pháp lý. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., và Olze, A. Tình trạng hiện tại của việc đánh giá tuổi pháp y đối với các đối tượng còn sống phục vụ mục đích truy tố hình sự. Pháp y. Y học. Bệnh lý học. 1, 239–246 (2005).
Pan, J. và cộng sự. Phương pháp sửa đổi để đánh giá tuổi răng của trẻ em từ 5 đến 16 tuổi ở miền đông Trung Quốc. Khảo sát lâm sàng răng miệng. 25, 3463–3474 (2021).
Lee, SS et al. Trình tự phát triển của răng hàm thứ hai và thứ ba ở người Hàn Quốc và ứng dụng của nó trong việc xác định tuổi pháp y. Tạp chí pháp y quốc tế. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY và Lee, SS Độ chính xác của ước tính tuổi và ước tính ngưỡng 18 tuổi dựa trên sự trưởng thành của răng hàm thứ hai và thứ ba ở người Hàn Quốc và Nhật Bản. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Phân tích dữ liệu dựa trên máy học trước phẫu thuật có thể dự đoán kết quả điều trị phẫu thuật giấc ngủ ở bệnh nhân mắc hội chứng ngưng thở khi ngủ. Khoa học. Báo cáo 11, 14911 (2021).
Han, M. và cộng sự. Ước tính tuổi chính xác từ máy học có hoặc không có sự can thiệp của con người? Tạp chí pháp y quốc tế. 136, 821–831 (2022).
Khan, S. và Shaheen, M. Từ Khai thác dữ liệu đến Khai thác dữ liệu. Tạp chí Khoa học Thông tin. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. và Shaheen, M. WisRule: Thuật toán nhận thức đầu tiên cho việc khai thác luật liên kết. Tạp chí Khoa học Thông tin. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. và Abdullah U. Karm: Khai thác dữ liệu truyền thống dựa trên các quy tắc liên kết dựa trên ngữ cảnh. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. và Habib M. Phát hiện sự tương đồng ngữ nghĩa dựa trên học sâu sử dụng dữ liệu văn bản. Công nghệ thông tin và kiểm soát. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., và Shahin, M. Một hệ thống nhận dạng hoạt động trong video thể thao. Đa phương tiện. Công cụ Ứng dụng https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS và cộng sự. Thử thách học máy RSNA trong xác định tuổi xương ở trẻ em. Radiology 290, 498–503 (2019).
Li, Y. và cộng sự. Ước tính tuổi pháp y từ phim X-quang vùng chậu bằng cách sử dụng học sâu. EURO. bức xạ. 29, 2322–2329 (2019).
Guo, YC, et al. Phân loại tuổi chính xác bằng phương pháp thủ công và mạng nơ-ron tích chập sâu từ ảnh chiếu trực giao. Tạp chí pháp y quốc tế. 135, 1589–1597 (2021).
Alabama Dalora và cộng sự. Ước tính tuổi xương bằng các phương pháp học máy khác nhau: đánh giá tổng quan tài liệu và phân tích tổng hợp. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., và Yang, J. Ước tính tuổi theo nhóm dân số cụ thể của người Mỹ gốc Phi và người Trung Quốc dựa trên thể tích buồng tủy của răng hàm thứ nhất bằng cách sử dụng chụp cắt lớp vi tính chùm tia hình nón. Tạp chí Y học pháp lý quốc tế. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK và Oh KS Xác định nhóm tuổi của người sống bằng cách sử dụng hình ảnh răng hàm đầu tiên dựa trên trí tuệ nhân tạo. Khoa học. Báo cáo 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., và Urschler, M. Ước tính tuổi tự động và phân loại tuổi đa số từ dữ liệu MRI đa biến. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. và Li, G. Ước tính tuổi dựa trên phân đoạn buồng tủy 3D của răng hàm đầu tiên từ chụp cắt lớp vi tính chùm tia hình nón bằng cách tích hợp học sâu và tập mức. Tạp chí pháp y quốc tế. 135, 365–373 (2021).
Wu, WT, et al. Khai thác dữ liệu trong dữ liệu lớn lâm sàng: cơ sở dữ liệu, các bước và mô hình phương pháp phổ biến. Tài nguyên y học thế giới. 8, 44 (2021).
Yang, J. và cộng sự. Giới thiệu về cơ sở dữ liệu y tế và công nghệ khai thác dữ liệu trong kỷ nguyên dữ liệu lớn. Tạp chí Y học cơ bản. 13, 57–69 (2020).
Shen, S. và cộng sự. Phương pháp của Camerer để ước tính tuổi răng bằng máy học. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. So sánh các phương pháp học máy khác nhau để dự đoán tuổi răng bằng phương pháp phân giai đoạn Demirdjian. Tạp chí quốc tế về y học pháp lý. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. và Tanner, JM. Một hệ thống mới để đánh giá tuổi răng. snort. biology. 45, 211–227 (1973).
Landis, JR, và Koch, GG Các biện pháp đo lường sự đồng thuận của người quan sát về dữ liệu phân loại. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK và Choi HK. Phân tích kết cấu, hình thái và thống kê hình ảnh cộng hưởng từ hai chiều bằng kỹ thuật trí tuệ nhân tạo để phân biệt các khối u não nguyên phát. Nguồn thông tin sức khỏe. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Thời gian đăng bài: 04/01/2024