Validierung von Data-Mining-Modellen durch Vergleich mit herkömmlichen Methoden zur Schätzung des Zahnalters bei koreanischen Jugendlichen und jungen Erwachsenen

Scientific Reports Band 13, Artikelnummer: 726 (2023) Diesen Artikel zitieren

1018 Zugriffe

3 Altmetrisch

Details zu den Metriken

Zähne gelten als die genauesten Altersindikatoren des menschlichen Körpers und werden häufig zur forensischen Altersschätzung herangezogen. Unser Ziel war es, die auf Data Mining basierende zahnärztliche Altersschätzung zu validieren, indem wir die Genauigkeit der Schätzung und Klassifizierungsleistung der 18-Jahres-Schwellenwerte mit herkömmlichen Methoden und mit der auf Data Mining basierenden Altersschätzung verglichen. Insgesamt wurden 2657 Panorama-Röntgenaufnahmen von Koreanern und Japanern im Alter von 15 bis 23 Jahren gemacht. Sie wurden in einen Trainings- und internen Testsatz mit jeweils 900 Röntgenbildern von Koreanern und einen externen Testsatz mit 857 Röntgenbildern von Japanern unterteilt. Wir haben die Genauigkeit und Klassifizierungsleistung der Testsätze herkömmlicher Methoden mit denen der Data-Mining-Modelle verglichen. Die Genauigkeit der herkömmlichen Methode mit dem internen Testsatz war etwas höher als die der Data-Mining-Modelle, mit einem leichten Unterschied (mittlerer absoluter Fehler < 0,21 Jahre, quadratischer Mittelfehler < 0,24 Jahre). Auch die Klassifizierungsleistung der 18-Jahres-Schwelle war zwischen der konventionellen Methode und den Data-Mining-Modellen ähnlich. Daher können herkömmliche Methoden durch Data-Mining-Modelle bei der forensischen Altersschätzung unter Verwendung der zweiten und dritten Molarenreife koreanischer Jugendlicher und junger Erwachsener ersetzt werden.

Die Schätzung des Zahnalters wird häufig in der Forensik und Kinderzahnheilkunde eingesetzt. Insbesondere die Altersschätzung anhand der Entwicklungsstadien der Zähne ist aufgrund der hohen Korrelation zwischen chronologischem Alter und Zahnentwicklung ein wichtiges Kriterium für die Altersschätzung von Kindern und Jugendlichen1,2,3. Bei jungen Erwachsenen weist die Schätzung des Zahnalters anhand der Zahnreife jedoch Einschränkungen auf, da das Zahnwachstum mit Ausnahme der dritten Molaren weitgehend abgeschlossen ist. Der rechtliche Zweck der Altersschätzung für junge Erwachsene und Heranwachsende besteht darin, eine genaue Einschätzung und einen wissenschaftlichen Nachweis darüber zu liefern, ob sie die Volljährigkeit erreicht haben. In der koreanischen forensischen Praxis für Jugendliche und junge Erwachsene wurde das Alter mit der Lee-Methode4 geschätzt und die gesetzliche 18-Jahres-Grenze mit den von Oh et al.5 vorgeschlagenen Daten vorhergesagt.

Maschinelles Lernen, eine Art künstliche Intelligenz (KI), lernt und kategorisiert immer wieder große Datenmengen, löst Probleme selbstständig und veranlasst die Datenprogrammierung. Maschinelles Lernen kann nützliche versteckte Muster in einer großen Datenmenge entdecken6. Im Gegensatz dazu haben arbeitsintensive und zeitaufwändige klassische Methoden möglicherweise Einschränkungen beim Umgang mit großen Mengen komplexer Daten, die manuell nur schwer zu verarbeiten sind7. Daher wurden in jüngster Zeit viele Studien mit der neuesten Computertechnologie durchgeführt, um menschliches Versagen zu minimieren und mehrdimensionale Daten effizient zu verarbeiten8,9,10,11,12. Insbesondere wird Deep Learning häufig für die medizinische Bildanalyse eingesetzt, und es wurden verschiedene Methoden zur Altersschätzung durch automatische Analyse von Röntgenbildern beschrieben, um die Genauigkeit und Effizienz der Altersschätzung zu verbessern13,14,15,16,17,18,19,20. Beispielsweise haben Halabi et al.13 Algorithmen für maschinelles Lernen entwickelt, die auf Convolutional Neural Networks (CNN) basieren und anhand von Handröntgenaufnahmen von Kindern das Alter von Knochen abschätzen. In dieser Studie wurde ein Modell vorgestellt, das maschinelles Lernen auf medizinische Bilder anwendet und zeigt, dass diese Techniken die diagnostische Genauigkeit verbessern können. Li et al.14 schätzten das Alter anhand von Röntgenbildern von Beckenknochen mithilfe von Deep-Learning-CNN und verglichen es mit den Ergebnissen einer Regressionsanalyse unter Verwendung der Bewertung der Ossifikationsstadien. Sie fanden heraus, dass das Deep-Learning-CNN-Modell die gleiche Altersschätzungsleistung zeigte wie das herkömmliche Regressionsmodell. In einer Studie von Guo et al.15 wurde die Klassifizierungsleistung gesetzlicher Altersgrenzen mithilfe der CNN-Technologie auf der Grundlage zahnmedizinischer Orthopantomogramme bewertet. Das Ergebnis des CNN-Modells bewies, dass Menschen seine Altersklassifizierungsleistung übertrafen.

Die meisten Studien zur Altersschätzung, die mit maschinellem Lernen durchgeführt werden, verwenden Deep-Learning-Methoden13,14,15,16,17,18,19,20. Es wurde berichtet, dass die auf Deep Learning basierende Altersschätzung genauer ist als herkömmliche Methoden. Diese Methode macht es jedoch nahezu unmöglich, die wissenschaftlichen Grundlagen der Altersschätzung darzustellen, beispielsweise die bei der Schätzung verwendeten Altersindikatoren. Darüber hinaus gab es eine rechtliche Kontroverse darüber, wer die Untersuchung durchführte. Daher ist es für Verwaltungs- und Justizbehörden schwierig, eine auf Deep Learning basierende Altersschätzung zu akzeptieren. Data Mining (DM) ist eine Technik, die nicht nur erwartete, sondern auch unerwartete Informationen finden kann, um nützliche Korrelationen zwischen einer großen Datenmenge zu entdecken6,21,22. Bei der Durchführung von DM wird in der Regel maschinelles Lernen eingesetzt, und sowohl DM als auch maschinelles Lernen verwenden dieselben kritischen Algorithmen, um Datenmuster zu entdecken. Die Altersschätzung anhand der Zahnentwicklung basiert auf der Reifebewertung der Zielzähne durch den Untersucher. Diese Bewertung wird als Stadium jedes Zielzahns ausgedrückt. DM kann zur Analyse der Korrelation zwischen den bewerteten Stadien der Zähne und ihrem chronologischen Alter verwendet werden und hat das Potenzial, herkömmliche statistische Analysen zu ersetzen. Wenn wir daher DM-Ansätze zur Altersschätzung anwenden, können wir maschinelles Lernen in die forensische Altersschätzung einführen, ohne Bedenken hinsichtlich der rechtlichen Verantwortung. Es wurden einige vergleichende Studien zur möglichen Substitution herkömmlicher manueller Methoden in der forensischen Praxis durch DM-basierte Methoden zur zahnmedizinischen Altersschätzung veröffentlicht. Shen et al.23 zeigten, dass die DM-Modelle genauer waren als die traditionelle Cameriere-Formel. Galibourg et al.24, die das Alter vorhersagten, indem sie verschiedene DM-Methoden auf der Grundlage der Demirjian-Kriterien anwendeten25, zeigten, dass die DM-Methoden den Demirjian- und Willems-Methoden bei der Altersschätzung für die französische Bevölkerung überlegen waren.

Zur Schätzung des Zahnalters koreanischer Jugendlicher und junger Erwachsener wird Lees Methode4 in der koreanischen forensischen Praxis häufig eingesetzt. Diese Methode verwendet herkömmliche statistische Analysen, wie z. B. multiple Regression, um die Beziehung zwischen koreanischen Probanden und dem chronologischen Alter zu untersuchen. In dieser Studie wurde die durch herkömmliche statistische Techniken abgeleitete Altersschätzungsmethode als „konventionelle Methode“ definiert. Die Genauigkeit von Lees Methode, bei der es sich um eine konventionelle Methode handelt, wurde bereits von Oh et al.5 validiert; Allerdings bleibt die Anwendbarkeit der auf DM-Modellen basierenden Altersschätzung in der koreanischen forensischen Praxis fraglich. Unser Ziel war es, den potenziellen Nutzen der Altersschätzung auf der Grundlage von DM-Modellen wissenschaftlich zu validieren. Die Ziele dieser Studie bestanden darin, (1) die Genauigkeit zweier DM-Modelle bei der Schätzung des Zahnalters zu vergleichen und (2) die Klassifizierungsleistung der 18-Jahres-Schwelle von sieben DM-Modellen und die aus herkömmlichen statistischen Ansätzen unter Verwendung der Reife abgeleiteten Methoden zu vergleichen der zweiten und dritten Molaren in beiden Kiefern.

Die Mittelwerte und Standardabweichungen des chronologischen Alters nach Stadien und Zahntypen werden in der Ergänzungstabelle S1 (Trainingssatz), der Ergänzungstabelle S2 (Interner Testsatz) und der Ergänzungstabelle S3 (Externer Testsatz) online dargestellt. Die im Trainingssatz erhaltenen Kappa-Werte der Intra- und Inter-Beobachter-Reliabilität betrugen 0,951 bzw. 0,947. Die p-Werte und 95 %-Konfidenzintervalle der Kappa-Werte sind in der Ergänzungstabelle S4 online dargestellt. Die Kappa-Werte wurden als „nahezu perfekt“ ausgelegt und entsprachen den Standards von Landis und Koch26.

Beim Vergleich des mittleren absoluten Fehlers (MAE) waren die herkömmlichen Methoden bei allen Geschlechtern und Testsätzen geringfügig besser als die DM-Modelle, mit Ausnahme des mehrschichtigen Perzeptrons (MLP) im männlichen externen Testsatz. Die Unterschiede zwischen dem konventionellen und dem DM-Modell für die internen Testsätze bei MAE betrugen 0,12–0,19 Jahre bei Männern und 0,17–0,21 Jahre bei Frauen. Bei den externen Testsätzen waren die Unterschiede geringer (0,001 – 0,05 Jahre bei Männern, 0,05 – 0,09 Jahre bei Frauen). Darüber hinaus hatte der mittlere quadratische Fehler (RMSE) bei der herkömmlichen Methode etwas niedrigere Werte mit kleinen Unterschieden (0,17–0,24, 0,2–0,24 für die internen Testsätze, 0,03–0,07, 0,04–0,08 für die externen Testsätze bei Männern). bzw. Frauen). Anders als beim weiblichen externen Testset zeigte das MLP eine etwas bessere Leistung als das Single Layer Perceptron (SLP). Sowohl bei MAE als auch bei RMSE waren die Ergebnisse des externen Testsatzes bei allen Geschlechtern und Modellen höher als die der internen Testsätze. Alle MAE und RMSE sind in Tabelle 1 und Abb. 1 aufgeführt.

MAE und RMSE konventioneller Regressions- und Data-Mining-Regressionsmodelle. MAE mittlerer absoluter Fehler, RMSE quadratischer Mittelfehler, SLP-Einzelschicht-Perzeptron, MLP-Mehrschicht-Perzeptron, konventionelle CM-Methode.

Die Klassifizierungsleistung sowohl des konventionellen als auch des DM-Modells mit der 18-Jahres-Schwelle wurde anhand von Sensitivität, Spezifität, positivem Vorhersagewert (PPV), negativem Vorhersagewert (NPV) und Fläche unter der Receiver Operating Characteristic Curve (AUROC) nachgewiesen. 27 (Tabelle 2, Abb. 2 und ergänzende Abb. 1 online). Für die Empfindlichkeit des internen Testsatzes zeigte die konventionelle Methode die beste Leistung bei Männern und die schlechteste Leistung bei Frauen. Allerdings betrug der Unterschied in der Klassifizierungsleistung zwischen der herkömmlichen Methode und DM bei Männern 9,7 % (MLP), während er bei Frauen nur 2,4 % betrug (XGBoost). Unter den DM-Modellen zeigte die logistische Regression (LR) bei beiden Geschlechtern die beste Sensitivitätsleistung. Bezüglich der Spezifität des internen Testsatzes wurde beobachtet, dass vier DM-Modelle bei Männern überlegen waren, während die konventionellen Modelle bei Frauen die beste Leistung zeigten. Die Unterschiede in der Klassifizierungsleistung betrugen 13,3 % (MLP) bzw. 13,1 % (MLP) bei Männern und Frauen, was darauf hindeutet, dass der Unterschied in der Klassifizierungsleistung zwischen den Modellen größer war als die Sensitivität. Unter den DM-Modellen waren die Modelle Support Vector Machine (SVM), Entscheidungsbaum (DT) und Random Forest (RF) bei Männern am besten und LR bei Frauen am besten. Der AUROC des konventionellen und aller DM-Modelle war größer als 0,925 (k-nächster Nachbar (KNN) bei Männern), was eine hervorragende Klassifizierungsleistung bei der Unterscheidung von 18-Jahres-Stichproben zeigt28. Im Falle des externen Testsatzes wurde ein Rückgang der Klassifizierungsleistung hinsichtlich Sensitivität, Spezifität und AUROC im Vergleich zu denen des internen Testsatzes beobachtet. Darüber hinaus betrug der Unterschied zwischen der Klassifizierungsleistung des besten und des schlechtesten Modells sowohl hinsichtlich der Sensitivität als auch der Spezifität 10 bis 25 % und war damit größer als im internen Testsatz.

Sensitivität und Spezifität der Data-Mining-Klassifizierungsmodelle und der konventionellen Methode mit 18-Jahres-Schwellenwert. KNN k-Nearest Neighbor, SVM Support Vector Machine, LR Logistic Regression, DT Decision Tree, RF Random Forest, XGB XGBoost, MLP Multilayer Perceptron, CM konventionelle Methode.

Der erste Schritt dieser Studie bestand darin, die Genauigkeit der Schätzung des Zahnalters durch sieben DM-Modelle mit der Genauigkeit der konventionellen Regression zu vergleichen. Sowohl MAE als auch RMSE wurden in den internen Testsätzen für beide Geschlechter bewertet, und die Unterschiede zwischen den herkömmlichen Methoden und DM-Modellen betrugen 44–77 Tage bei MAE und 62–88 Tage bei RMSE. Obwohl die herkömmlichen Methoden in dieser Studie etwas genauer waren, lässt sich nur schwer schlussfolgern, ob ein so kleiner Unterschied klinisch oder praktisch bedeutsam ist. Diese Ergebnisse deuten darauf hin, dass die Schätzung des Zahnalters mithilfe von DM-Modellen mit nahezu der gleichen Genauigkeit wie mit der herkömmlichen Methode durchgeführt werden kann. Ein direkter Vergleich mit den Ergebnissen früherer Studien ist schwierig, da es keine Studien gibt, die die Genauigkeit von DM-Modellen mit herkömmlichen statistischen Ansätzen vergleichen, die dieselbe Zahnregistrierungstechnik für dieselbe Altersspanne verwenden, wie dies in dieser Studie durchgeführt wurde. Galibourg et al.24 verglichen MAE und RMSE zwischen zwei konventionellen Methoden (Demirjian-Methode25 und Willems-Methode29) und zehn DM-Modellen in einer französischen Bevölkerung im Alter von 2 bis 24 Jahren. Sie berichteten, dass sich alle DM-Modelle als genauer erwiesen als herkömmliche Methoden, mit Unterschieden von 0,20 und 0,38 Jahren bei MAE und 0,25 und 0,47 Jahren bei RMSE, jeweils mit den Methoden von Willems und Demirjian. In Anbetracht der vielen Berichte30,31,32,33, dass Demirjians Methode das Zahnalter in anderen Populationen als Französisch-Kanadier, auf denen die Studie basierte, ungenau schätzt, ist der Unterschied zwischen den DM-Modellen und herkömmlichen Methoden, der in Galibourgs Studie gezeigt wurde, dem beobachteten ziemlich ähnlich in dieser Studie. Tao et al.34 verwendeten den MLP-Algorithmus, um das Zahnalter von 1636 chinesischen Orthopantomogrammen vorherzusagen, und verglichen die Genauigkeit auch mit den Ergebnissen der Demirjian- und Willems-Methoden. Sie berichteten von einer höheren Genauigkeit mit MLP als mit herkömmlichen Methoden. Die Unterschiede zwischen DM und herkömmlichen Methoden betrugen < 0,32 Jahre für die Methode von Demirjian und 0,28 Jahre für die Methode von Willems, mit ähnlichen Ergebnissen wie in dieser Studie. Die Ergebnisse dieser früheren Studien24,34 stimmen auch insofern mit den Ergebnissen dieser Studie überein, als die Genauigkeit der Altersschätzung mit DM-Modellen und herkömmlichen Methoden ähnlich ist. Aufgrund der vorliegenden Ergebnisse können wir jedoch nur mit Vorsicht schlussfolgern, dass die Altersschätzung mithilfe des DM-Modells die bestehende Methode ersetzen kann, da es derzeit an vergleichenden und referenzierbaren früheren Studien mangelt. Nachfolgende Studien mit mehr Proben sind erforderlich, um die in dieser Studie beobachteten Ergebnisse zu bestätigen.

Unter den Studien, die die Genauigkeit der Zahnalterschätzung mit DM testeten, zeigten einige Studien eine höhere Genauigkeit als unsere Studie. Štepanovský et al.35 wandten 22 DM-Modelle auf Panorama-Röntgenaufnahmen von 976 Mitgliedern einer tschechischen Bevölkerung im Alter von 2,7 bis 20,5 Jahren an und überprüften die Genauigkeit zwischen den einzelnen Modellen. Sie bewerteten die Entwicklung von insgesamt 16 oberen und unteren linken bleibenden Zähnen anhand der von Moorrees et al.36 vorgeschlagenen Klassifizierungskriterien. Der MAE betrug 0,64 bis 0,94 Jahre und der RMSE 0,85 bis 1,27 Jahre, was genauer ist als die beiden in dieser Studie verwendeten DM-Modelle. Shen et al.23 schätzten das Zahnalter von sieben bleibenden Zähnen im linken Unterkiefer für Ostchinesen im Alter von 5 bis 13 Jahren mithilfe der Camerière-Methode, die mit dem durch lineare Regression, SVM und RF geschätzten Alter verglichen wurde. Sie zeigten, dass alle drei DM-Modelle im Vergleich zur traditionellen Cameriere-Formel eine höhere Genauigkeit aufwiesen. MAE und RMSE waren in Shens Studie niedriger als die der DM-Modelle in dieser Studie. Der Grund für diese erhöhte Genauigkeit in den Studien von Štepanovský et al.35 und Shen et al.23 könnte die Einbeziehung jüngerer Probanden in ihre Studienstichproben sein. Da die Altersschätzung eines Teilnehmers mit sich entwickelnden Zähnen umso genauer wird, je mehr Zähne während der Entwicklung vorhanden sind, könnte die Genauigkeit der daraus abgeleiteten Altersschätzungsmethode höher sein, wenn die Studienteilnehmer jünger sind37. Darüber hinaus war der Fehler beim geschätzten Alter bei MLP etwas kleiner als bei SLP, was eine höhere Genauigkeit bei MLP als bei SLP bedeutet. MLP galt als etwas geeigneter für die Altersschätzung, was möglicherweise auf die verborgene Schicht in MLP38 zurückzuführen ist. Eine Ausnahme gibt es jedoch beim weiblichen externen Testset (1,45 für SLP, 1,49 für MLP). Um zu dem Schluss zu kommen, dass MLP bei der Altersschätzung genauer ist als SLP, sind weitere retrospektive Studien erforderlich.

Die Klassifizierungsleistung der 18-Jahres-Schwelle wurde auch zwischen den DM-Modellen und herkömmlichen Methoden verglichen. Alle getesteten DM-Modelle und konventionellen Methoden für die internen Testsätze zeigten ein praktisch akzeptables Diskriminierungsniveau für die 18-Jahres-Stichproben. Die Sensitivität betrug mehr als 87,7 % bzw. 94,9 % und die Spezifität mehr als 89,3 % bzw. 84,7 % bei Männern und Frauen. Auch der AUROC lag bei allen getesteten Modellen über 0,925. Nach unserem besten Wissen gibt es keine Studie, die die Leistung eines DM-Modells für die 18-Jahres-Klassifizierung nach Zahnreife getestet hat. Wir können die Ergebnisse dieser Studie mit der Klassifizierungsleistung von Deep-Learning-Modellen mit Panorama-Röntgenaufnahmen vergleichen. Guo et al.15 berechneten die Klassifizierungsleistung für ein bestimmtes Schwellenalter eines CNN-basierten Deep-Learning-Modells im Vergleich zu einer manuellen Methode, die auf der Demirjian-Methode basiert. Die Sensitivität und Spezifität der manuellen Methode betrugen 87,7 % bzw. 95,5 %, die des CNN-Modells lagen bei über 89,2 % bzw. 86,6 %. Sie kamen zu dem Schluss, dass ein Deep-Learning-Modell die manuelle Schätzung bei der Klassifizierung der gesetzlichen Altersgrenze ersetzen oder ihr überlegen sein könnte. Die Ergebnisse dieser Studie zeigen eine ähnliche Klassifizierungsleistung; Es wird angenommen, dass die Klassifizierung mithilfe der DM-Modelle die Altersschätzung mit herkömmlichen statistischen Ansätzen ersetzen kann. Unter den DM-Modellen war LR das beste Modell hinsichtlich der Sensitivität für den männlichen internen Testsatz und hinsichtlich Sensitivität und Spezifität für den weiblichen Satz. LR war hinsichtlich der Spezifität für Männer am zweitgenauesten. Darüber hinaus galt LR als eines der benutzerfreundlicheren DM-Modelle35 und war in der Datenverarbeitung weniger komplex und anspruchsvoll. Basierend auf diesen Ergebnissen gilt LR als optimales Modell für die Klassifizierungsleistung mit der 18-Jahres-Schwelle in der koreanischen Bevölkerung.

Insgesamt war die Genauigkeit der Altersschätzung oder Klassifizierungsleistung des externen Testsatzes im Vergleich zu den Ergebnissen des internen Testsatzes weniger genau oder niedriger. Mehrere Berichte weisen darauf hin, dass sich die Genauigkeit oder Klassifizierungsleistung verschlechtert, wenn die auf koreanischen Bevölkerungsdaten basierende Altersschätzung auf die japanische Bevölkerung angewendet wird5,39, und ein ähnliches Muster wurde in dieser Studie gefunden. Diese Verschlechterungstendenz wurde auch bei DM-Modellen beobachtet. Daher sollte für eine genaue Altersschätzung, selbst wenn DM im Analyseprozess angewendet wird, die aus eigenen Bevölkerungsdaten abgeleitete Methode wie die herkömmlichen Ansätze als erste Wahl verwendet werden5,39,40,41,42. Da immer noch nicht klar ist, ob bei Deep-Learning-Modellen ähnliche Tendenzen gezeigt werden können, ist eine Studie zum Vergleich von Genauigkeit und Klassifizierungsleistung durch Anwendung herkömmlicher Methoden, DM-Modelle und Deep-Learning-Modelle auf dieselben Stichproben erforderlich, um zu bestätigen, ob KI die Grenzen überwinden kann ethnischer Unterschiede bei der Altersschätzung.

Wir haben bestätigt, dass die herkömmliche Methode in der forensischen Praxis zur Altersschätzung von Koreanern durch eine auf einem DM-Modell basierende Altersschätzung ersetzt werden kann. Wir haben auch die Möglichkeit gefunden, ML für die forensische Altersschätzung einzuführen. Allerdings gab es auch deutliche Einschränkungen, wie z. B. eine unzureichende Anzahl von Teilnehmern an dieser Studie, um die Ergebnisse abzuschließen, und ein Mangel an früheren Studien, um die Ergebnisse dieser Studie zu vergleichen und zu überprüfen. In Zukunft wird es notwendig sein, DM-Studien mit mehr Proben und in vielfältigeren Populationen durchzuführen, um die praktische Anwendbarkeit im Vergleich zu herkömmlichen Methoden zu verbessern. Um die Möglichkeit eines bevölkerungsübergreifenden Einsatzes von KI bei der Altersschätzung zu bestätigen, sind auch zukünftige Studien erforderlich, die die Genauigkeit und Klassifizierungsleistung von DM- und Deep-Learning-Modellen mit herkömmlichen Methoden mit derselben Stichprobe vergleichen.

Diese Studie wurde mit 2657 Orthopantomogrammen durchgeführt, die von koreanischen und japanischen Bevölkerungsgruppen im Alter von 15 bis 23 Jahren gesammelt wurden. Die Röntgenaufnahmen der Koreaner wurden in einen Trainingssatz von 900 (19,42 ± 2,65 Jahre) und einen internen Testsatz von 900 (19,52 ± 2,59 Jahre) unterteilt. Der Trainingssatz wurde von einer einzelnen Einrichtung (Seoul St. Mary's Hospital) gesammelt, und der interne Testsatz wurde von zwei Institutionen (Seoul National University Dental Hospital und Yonsei University Dental Hospital) gesammelt. Wir haben außerdem 857 Röntgenaufnahmen aus anderen Bevölkerungsdaten (Iwate Medical University, Japan) für externe Tests gesammelt. Die Röntgenbilder der Japaner wurden als externer Testsatz eingestellt (19,31 ± 2,60 Jahre). Die Daten wurden retrospektiv gesammelt, um die Entwicklungsstadien der Zähne anhand von Panorama-Röntgenaufnahmen zu analysieren, die während der Zahnbehandlung aufgenommen wurden. Alle gesammelten Daten wurden anonymisiert, mit Ausnahme von Geschlecht, Geburtsdatum und dem Datum, an dem die Röntgenaufnahmen gemacht wurden. Die Einschluss- und Ausschlusskriterien waren dieselben wie in zuvor veröffentlichten Studien4,5. Das chronologische Alter der Proben wurde berechnet, indem das Geburtsdatum vom Datum der Röntgenaufnahme abgezogen wurde. Die Stichprobengruppe wurde in neun Altersgruppen eingeteilt. Die Alters- und Geschlechtsverteilung ist in Tabelle 3 dargestellt. Diese Studie wurde in Übereinstimmung mit der Deklaration von Helsinki durchgeführt und vom Institutional Review Board (IRB) des Seoul St. Mary's Hospital der Katholischen Universität Korea (KC22WISI0328) genehmigt. Da es sich bei dieser Studie um ein retrospektives Design handelt, ist es unmöglich, von allen Patienten, die zu Behandlungszwecken Röntgenaufnahmen gemacht haben, eine Einverständniserklärung einzuholen. Das IRB des Seoul St. Mary's Hospital der Katholischen Universität Korea verzichtete auf das Erfordernis einer Einwilligung nach Aufklärung.

Die Entwicklungsstadien der zweiten und dritten Molaren beider Kiefer wurden nach Demirjians Kriterien25 bewertet. Wenn auf der rechten und linken Seite jedes Kiefers der gleiche Zahntyp gefunden wurde, wurde nur ein Zahn ausgewählt. Wenn sich die homologen Zähne auf jeder Seite in unterschiedlichen Entwicklungsstadien befanden, wurde der Zahn mit dem niedrigeren Entwicklungsstadium ausgewählt, um die Unsicherheit des geschätzten Alters zu berücksichtigen4. Einhundert zufällig ausgewählte Röntgenbilder aus dem Trainingsdatensatz wurden von zwei erfahrenen Beobachtern ausgewertet, um die Zuverlässigkeit zwischen Beobachtern nach einer Vorkalibrierung für das Stadium der Zahnreife zu testen. Die Intra-Beobachter-Reliabilität wurde durch zweimalige Auswertung durch den Hauptbeobachter im Abstand von drei Monaten getestet.

Das Geschlecht und die Entwicklungsstadien der zweiten und dritten Molaren jedes Kiefers des Trainingssatzes, die von den Hauptbeobachtern bewertet wurden, wurden durch verschiedene DM-Modelle trainiert und das chronologische Alter als Zielwerte festgelegt. Die für das maschinelle Lernen weit verbreiteten SLP- und MLP-Modelle wurden für die Regressionsalgorithmen getestet. Die DM-Modelle verwendeten die Entwicklungsstadien von vier Zähnen für die Kombination linearer Funktionen und konvergierten diese Daten, um das Alter abzuschätzen. Ein SLP ist das einfachste neuronale Netzwerk und enthält keine versteckte Schicht. Der funktionierende SLP basiert auf der Schwellenwertübertragung zwischen den Knoten. Das SLP-Modell in der Regression ist mathematisch dasselbe wie die multivariable lineare Regression. Im Gegensatz zum SLP-Modell verfügt das MLP-Modell über mehr als eine verborgene Schicht mit nichtlinearen Aktivierungsfunktionen. Wir haben für unser Experiment eine verborgene Ebene verwendet, die nur 20 versteckte Knoten mit nichtlinearen Aktivierungsfunktionen hatte. Als Optimierungsmethode wurde der Gradientenabstieg verwendet, und MAE und RMSE wurden als Verlustfunktionen zum Trainieren unserer Modelle für maschinelles Lernen verwendet. Das erhaltene beste Regressionsmodell wurde auf die internen und externen Testsätze angewendet und das Zahnalter geschätzt.

Es wurden Klassifizierungsalgorithmen entwickelt, um anhand der Reife von vier Zähnen im Trainingssatz vorherzusagen, ob das Alter der Stichprobe das Alter von 18 Jahren erreicht hat. Um die Modelle zu erstellen, haben wir sieben Darstellungsalgorithmen für maschinelles Lernen abgeleitet6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost und (7) MLP . LR ist einer der am weitesten verbreiteten Klassifizierungsalgorithmen44. Es handelt sich um einen überwachten Lernalgorithmus, der mithilfe von Regression die Wahrscheinlichkeit vorhersagt, dass Daten in eine Kategorie von 0 bis 1 fallen, und die Daten entsprechend dieser Wahrscheinlichkeit als zu einer wahrscheinlicheren Kategorie gehörend klassifiziert. Es wird hauptsächlich zur binären Klassifizierung verwendet. KNN ist einer der einfachsten Algorithmen für maschinelles Lernen45, der bei neuen Eingabedaten k Daten in der Nähe des vorhandenen Satzes findet und diese dann als die Klasse mit der höchsten Häufigkeit des Auftretens klassifiziert. Wir setzen drei als Anzahl der zu berücksichtigenden Nachbarn (k). SVM ist ein Algorithmus, der den Abstand zwischen zwei Klassen maximiert, indem er mithilfe einer Kernelfunktion einen linearen Raum in einen nichtlinearen Raum erweitert. Der Abstand wird als Marge46 bezeichnet. Für dieses Modell haben wir Bias = 1, Potenz = 1 und Gamma = 1 als Hyperparameter von Polynomkernen verwendet. Der DT wird in verschiedenen Bereichen als Algorithmus verwendet, der den gesamten Datensatz in mehrere Untergruppen klassifiziert, indem er Entscheidungsregeln in einer Baumstruktur darstellt47. Das Modell wurde auf zwei als Mindestanzahl an Datensätzen pro Knoten festgelegt und der Gini-Index wurde als Qualitätsmaß verwendet. RF ist eine Ensemble-Technik, die mehrere DTs kombiniert, um die Leistung mithilfe einer Bootstrap-Aggregationstechnik zu verbessern, die einen schwachen Klassifikator für jede Stichprobe generiert, indem sie mehrere Male zufällig Stichproben derselben Größe aus dem Originaldatensatz extrahiert48. Wir verwendeten 100 Bäume, 10 Baumtiefen, 1 minimale Knotengröße und den Gini-Verunreinigungsindex als Kriterium für die Knotenaufteilung. Die Klassifizierung neuer Daten wurde durch Mehrheitsbeschluss festgelegt. XGBoost ist ein Algorithmus der Boosting-Technik des Ensembles und verwendet eine Methode zur Eingabe von Fehlern zwischen tatsächlichen und vorhergesagten Werten aus früheren Modellen als Trainingsdaten und zur Ergänzung von Fehlern mithilfe von Gradienten49. Aufgrund seiner guten Leistung und Ressourceneffizienz ist es ein weit verbreiteter Algorithmus und zeichnet sich durch seine hohe Haltbarkeit als überpassende Regulierungsfunktion aus. Das Modell war auf 400 Boosting-Runden eingestellt. MLP ist ein neuronales Netzwerk, in dem ein oder mehrere Perzeptrone mehrere Schichten bilden, mit einer oder mehreren verborgenen Schichten zwischen den Eingabe- und Ausgabeschichten38. Dadurch ist eine nichtlineare Klassifizierung möglich. Wenn eine Eingabeschicht eingefügt wird und ein Ergebniswert ausgegeben wird, werden der Ergebniswert der Vorhersage und der tatsächliche Ergebniswert verglichen und der Fehler wird rückwärts propagiert. Wir legen eine verborgene Schicht und 20 verborgene Neuronen pro Schicht fest. Jedes von uns entwickelte Modell wurde auf die internen und externen Sätze angewendet, um die Klassifizierungsleistung durch Berechnung von Sensitivität, Spezifität, PPV, NPV und AUROC zu testen. Die Sensitivität wurde als Verhältnis der Proben definiert, die das Alter von 18 Jahren erreichten und als gleich oder älter als 18 Jahre eingeschätzt wurden. Die Spezifität war das Verhältnis von Proben, die jünger als 18 Jahre waren und schätzungsweise jünger als 18 Jahre waren.

Die bewerteten Zahnstufen im Trainingssatz wurden zur statistischen Analyse in numerische Stufen umgewandelt. Zur Entwicklung eines vorhersagbaren Modells für jedes Geschlecht wurden multivariable lineare und logistische Regressionen durchgeführt und die Regressionsformeln abgeleitet, die bei der Altersschätzung verwendet werden können. Mit diesen Formeln haben wir das Zahnalter der internen und externen Testsätze geschätzt. Tabelle 4 zeigt die in dieser Studie verwendeten Regressions- und Klassifizierungsmodelle.

Die Intra- und Inter-Beobachter-Reliabilitäten wurden mithilfe der Kappa-Statistik von Cohen berechnet. Um die Genauigkeit des DM und der herkömmlichen Regressionsmodelle zu testen, haben wir MAE und RMSE mit dem geschätzten und chronologischen Alter der internen und externen Testsätze berechnet. Diese Fehler werden häufig zur Bewertung der Genauigkeit von Modellvorhersagen verwendet. Je kleiner der Fehler, desto höher die Genauigkeit der Vorhersage24. Die MAE und RMSE der internen und externen Testsätze, berechnet sowohl mit DM als auch mit konventioneller Regression, wurden verglichen. Die Klassifizierungsleistung der 18-Jahres-Schwelle in der konventionellen Statistik wurde mit einer Zwei-mal-Zwei-Kontingenztabelle bewertet. Die berechnete Sensitivität, Spezifität, PPV, NPV und AUROC für die Testsätze wurden mit den Messwerten für die DM-Klassifizierungsmodelle verglichen. Die Daten werden als Mittelwert ± Standardabweichung oder Zahl (%) basierend auf den Eigenschaften der Daten ausgedrückt. Ein zweiseitiger P-Wert < 0,05 wurde als statistisch signifikant angesehen. Alle herkömmlichen statistischen Analysen wurden mit SAS Version 9.4 (SAS Institute, Cary, NC) durchgeführt. Die DM-Regressionsmodelle wurden in einem Python mit Keras50 2.2.4 mit Tensorflow51 1.8.0-Backend implementiert, das der mathematischen Operation gewidmet ist. DM-Klassifizierungsmodelle wurden in der Waikato-Umgebung zur Wissensanalyse und der Analyseplattform Konstanz Information Miner (KNIME) 4.6.152 implementiert.

Die Autoren bestätigen, dass die Daten, die die Ergebnisse dieser Studie stützen, im Artikel und seinem Zusatzmaterial verfügbar sind. Die während der Studie generierten und/oder analysierten Datensätze können auf begründete Anfrage beim entsprechenden Autor erhältlich sein.

Ritz-Timme, S. et al. Altersschätzung: Der Stand der Technik in Bezug auf die spezifischen Anforderungen der forensischen Praxis. Int. J. Legal Med. 113, 129–136 (2000).

Artikel CAS Google Scholar

Schmeling, A., Reisinger, W., Geserick, G. & Olze, A. Der aktuelle Stand der forensischen Altersschätzung lebender Personen zum Zwecke der Strafverfolgung. Forensische Wissenschaft. Med. Pathol. 1, 239–246 (2005).

Artikel Google Scholar

Pan, J. et al. Eine modifizierte Methode zur zahnärztlichen Altersbestimmung für 5- bis 16-jährige ostchinesische Kinder. Klin. Mündliche Untersuchung. 25, 3463–3474 (2021).

Artikel Google Scholar

Lee, SS et al. Die Chronologie der zweiten und dritten Molarenentwicklung bei Koreanern und ihre Anwendung zur forensischen Altersschätzung. Int. J. Legal Med. 124, 659–665 (2010).

Artikel Google Scholar

Oh, S., Kumagai, A., Kim, SY & Lee, SS Genauigkeit der Altersschätzung und Beurteilung der 18-Jahres-Grenze basierend auf der Reife des zweiten und dritten Molaren bei Koreanern und Japanern. PLoS ONE 17, e0271247 (2022).

Artikel CAS Google Scholar

Kim, JY et al. Auf maschinellem Lernen basierende präoperative Datenerfassung kann das therapeutische Ergebnis einer Schlafoperation bei OSA-Patienten vorhersagen. Wissenschaft. Rep. 11, 14911 (2021).

Artikel ADS CAS Google Scholar

Han, M. et al. Mit oder ohne menschliches Eingreifen zur präzisen Altersschätzung auf Basis maschinellen Lernens? Int. J. Legal Med. 136, 821–831 (2022).

Artikel Google Scholar

Khan, S. & Shaheen, M. Vom Data Mining zum Weisheits-Mining. J. Inf. Wissenschaft. https://doi.org/10.1177/01655515211030872 (2021).

Artikel Google Scholar

Khan, S. & Shaheen, M. WisRule: Erster kognitiver Algorithmus für das Mining von Wise Association Rules. J. Inf. Wissenschaft. https://doi.org/10.1177/01655515221108695 (2022).

Artikel Google Scholar

Shaheen, M. & Abdullah, U. Carm: Kontextbasiertes Assoziationsregel-Mining für konventionelle Daten. Berechnen. Mater. Fortsetzung. 68, 3305–3322 (2021).

Google Scholar

Muhammad, M., Rehman, Z., Shaheen, M., Khan, M. & Habib, M. Deep-Learning-basierte semantische Ähnlichkeitserkennung unter Verwendung von Textdaten. Informieren. Technol. Kontrolle. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).

Artikel Google Scholar

Tabish, M., Tanooli, Z. & Shaheen, M. Aktivitätserkennungsrahmen in Sportvideos. Multimed. Werkzeuge Appl. https://doi.org/10.1007/s11042-021-10519-6 (2021).

Artikel Google Scholar

Halabi, SS et al. Die RSNA-Herausforderung für maschinelles Lernen im pädiatrischen Knochenalter. Radiologie 290, 498–503 (2019).

Artikel Google Scholar

Li, Y. et al. Forensische Altersschätzung für Beckenröntgenbilder mittels Deep Learning. EUR. Radiol. 29, 2322–2329 (2019).

Artikel Google Scholar

Guo, YC et al. Genaue Altersklassifizierung mithilfe der manuellen Methode und eines tiefen Faltungs-Neuronalen Netzwerks basierend auf Orthopantomogramm-Bildern. Int. J. Legal Med. 135, 1589–1597 (2021).

Artikel Google Scholar

Dallora, AL et al. Bestimmung des Knochenalters mit verschiedenen Techniken des maschinellen Lernens: Eine systematische Literaturrecherche und Metaanalyse. PLoS ONE 14, e0220242 (2019).

Artikel CAS Google Scholar

Du, H., Li, G., Zheng, Q. & Yang, J. Bevölkerungsspezifische Altersschätzung bei schwarzen Amerikanern und Chinesen basierend auf dem Pulpakammervolumen der ersten Molaren anhand der Kegelstrahl-Computertomographie. Int. J. Legal Med. 136, 811–819 (2022).

Artikel Google Scholar

Kim, S., Lee, YH, Noh, YK, Park, FC & Auh, QS Altersgruppenbestimmung lebender Individuen anhand von Bildern des ersten Molaren auf Basis künstlicher Intelligenz. Wissenschaft. Rep. 11, 1073 (2021).

Artikel ADS CAS Google Scholar

Stern, D., Payer, C., Giuliani, N. & Urschler, M. Automatische Altersschätzung und Mehrheitsaltersklassifizierung anhand multifaktorieller MRT-Daten. IEEE J. Biomed. Gesundheitsinformationen. 23, 1392–1403 (2019).

Artikel Google Scholar

Zheng, Q., Ge, Z., Du, H. & Li, G. Altersschätzung basierend auf der 3D-Pulpekammersegmentierung der ersten Molaren aus der Kegelstrahl-Computertomographie durch integriertes Deep Learning und Level-Set. Int. J. Legal Med. 135, 365–373 (2021).

Artikel Google Scholar

Wu, WT et al. Data Mining in klinischen Big Data: die häufig verwendeten Datenbanken, Schritte und methodischen Modelle. Mil. Med. Res. 8, 44 (2021).

Google Scholar

Yang, J. et al. Kurze Einführung in die medizinische Datenbank- und Data-Mining-Technologie im Big-Data-Zeitalter. J. Evid. Basierend auf Med. 13, 57–69 (2020).

Artikel Google Scholar

Shen, S. et al. Maschinelles Lernen unterstützte Cameriere-Methode zur Schätzung des Zahnalters. BMC Oral Health 21, 641 (2021).

Artikel Google Scholar

Galibourg, A. et al. Vergleich verschiedener maschineller Lernansätze zur Vorhersage des Zahnalters mithilfe des Staging-Ansatzes von Demirjian. Int. J. Legal Med. 135, 665–675 (2021).

Artikel Google Scholar

Demirjian, A., Goldstein, H. & Tanner, JM Ein neues System zur zahnmedizinischen Altersbestimmung. Summen. Biol. 45, 211–227 (1973).

CAS Google Scholar

Landis, JR & Koch, GG Die Messung der Beobachterübereinstimmung für kategoriale Daten. Biometrie 33, 159–174 (1977).

Artikel CAS MATH Google Scholar

Bhattacharjee, S., Prakash, D., Kim, CH, Kim, HC & Choi, HK Textur, Morphologie und statistische Analyse zur Unterscheidung primärer Hirntumoren auf zweidimensionalen Magnetresonanztomographie-Scans unter Verwendung von Techniken der künstlichen Intelligenz. Gesundheitsinformation. Res. https://doi.org/10.4258/hir.2022.28.1.46 (2022).

Artikel Google Scholar

Šimundić, AM Maße der diagnostischen Genauigkeit: Grundlegende Definitionen. EJIFCC 19, 203–211 (2009).

Google Scholar

Willems, G., Van Olmen, A., Spiessens, B. & Carels, C. Zahnärztliche Altersschätzung bei belgischen Kindern: Demirjians Technik überarbeitet. J. Forensische Wissenschaft. 46, 893–895 (2001).

Artikel CAS Google Scholar

Ambarkova, V., Galić, I., Vodanović, M., Biočina-Lukenda, D. & Brkić, H. Zahnärztliche Altersschätzung mit Demirjian- und Willems-Methoden: Querschnittsstudie an Kindern aus der ehemaligen jugoslawischen Republik Mazedonien. Forensische Wissenschaft. Int. 234(187), e1-187.e7 (2014).

Google Scholar

Tunc, ES & Koyuturk, AE Zahnärztliche Altersbestimmung mit der Demirjian-Methode bei nordtürkischen Kindern. Forensische Wissenschaft. Int. 175, 23–26 (2008).

Artikel Google Scholar

Moze, K. & Roberts, G. Dental Age Assessment (DAA) von afro-trinidadischen Kindern und Jugendlichen. Entwicklung eines Referenzdatensatzes (RDS) und Vergleich mit Kaukasiern mit Wohnsitz in London, Großbritannien. J. Forensisches Bein. Med. 19, 272–279 (2012).

Artikel Google Scholar

Jayaraman, J., Roberts, GJ, Wong, HM & King, NM Zahnärztliche Altersschätzung in der südchinesischen Bevölkerung anhand von Panorama-Röntgenaufnahmen: Validierung von drei bevölkerungsspezifischen Referenzdatensätzen. BMC Med. Bildgebung 18, 5 (2018).

Artikel Google Scholar

Tao, J. et al. Zahnärztliche Altersschätzung: eine Perspektive des maschinellen Lernens. In Advances in Intelligent Systems and Computing (Hrsg. Hassanien, AE, Azar, AT, Gaber, T., Bhatnagar, R. & Tolba, F.), Herausgeber, 722–733 (2020).

Štepanovský, M., Ibrová, A., Buk, Z. & Velemínská, J. Neuartiges Altersschätzungsmodell basierend auf der Entwicklung bleibender Zähne im Vergleich zum klassischen Ansatz und anderen modernen Data-Mining-Methoden. Forensische Wissenschaft. Int. 279, 72–82 (2017).

Artikel Google Scholar

Moorrees, CF, Fanning, EA & Hunt, EE Jr. Altersvariation der Bildungsstadien für zehn bleibende Zähne. J. Dent. Res. 42, 1490–1502 (1963).

Artikel CAS Google Scholar

Lee, SS et al. Gültigkeit von Demirjians und modifizierten Demirjians Methoden bei der Altersschätzung für koreanische Jugendliche und Heranwachsende. Forensische Wissenschaft. Int. 211, 41–46 (2011).

Artikel Google Scholar

Montaño Moreno, JJM, Palmer Pol, A. & Muñoz Gracia, P. Künstliche neuronale Netze zur Vorhersage von Zeitreihen. Psicothema 23, 322–329 (2011).

Google Scholar

Lee, SS & Kumagai, A. Die Anwendbarkeit der Methoden zur Schätzung des Zahnalters von Willems und Lee für japanische Kinder und der Vergleich mit der koreanischen Bevölkerung. Bein. Med. Tokio 58, 102094 (2022).

Artikel Google Scholar

Chaillet, N., Nyström, M. & Demirjian, A. Vergleich der Zahnreife bei Kindern unterschiedlicher ethnischer Herkunft: Internationale Reifekurven für Zahnärzte. J. Forensische Wissenschaft. 50, 1164–1174 (2005).

Artikel Google Scholar

Olze, A. et al. Studien zur Chronologie der dritten molaren Mineralisierung in einer japanischen Bevölkerung. Bein. Med. (Tokio) 6, 73–79 (2004).

Artikel Google Scholar

Olze, A. et al. Forensische Altersschätzung bei lebenden Probanden: der ethnische Faktor bei der Weisheitszahnmineralisierung. Int. J. Legal Med. 118, 170–173 (2004).

Artikel Google Scholar

Jiang, F. et al. Künstliche Intelligenz im Gesundheitswesen: Vergangenheit, Gegenwart und Zukunft. Schlaganfall Vasc. Neurol. 2, 230–243 (2017).

Artikel Google Scholar

Hosmer, DW Jr., Lemeshow, S. & Sturdivant, RX Applied Logistic Regression 3. Aufl. (Wiley, 2013).

Buchen Sie MATH Google Scholar

Zhang, Z. Einführung in maschinelles Lernen: k-nächste Nachbarn. Ann. Übers. Med. 4, 218 (2016).

Artikel Google Scholar

Sweilam, NH, Tharwat, AA & AbdelMoniem, NK Unterstützungsvektormaschine für die Diagnose von Krebserkrankungen: Eine vergleichende Studie. Ägypten. Informieren. J. 11, 81–92 (2010).

Artikel Google Scholar

Gavankar, SS & Sawarkar, SD Eager-Entscheidungsbaum. Auf der 2. Internationalen Konferenz für Konvergenz in der Technologie (I2CT). 837–840 (2017).

Breiman, L. Zufällige Wälder. Mach. Lernen. 45, 5–32 (2001).

Artikel MATH Google Scholar

Tianqi, C. & Guestrin, C. XGBoost: Ein skalierbares Baum-Boosting-System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (Hrsg. Krishnapuram, B.) 785–794 (Assoc. for Computing Machinery, 2016).

Chollet, F. et al. Keras. https://github.com/fchollet/keras (2015).

Abadi, M. et al. Tensorflow: Maschinelles Lernen im großen Maßstab auf heterogenen verteilten Systemen. arXiv:1603.04467 (2016).

KNIME-Analyseplattform [Internet]. Zürich, Schweiz: KNIME AG; c2020. https://www.knime.com/knime-analyticsplatform.

Referenzen herunterladen

Diese Arbeit wurde durch den vom Ministerium für Wissenschaft und IKT (MSIT) finanzierten Zuschuss der National Research Foundation of Korea (NRF) (Nr. 2022R1F1A1063719) unterstützt.

Abteilung für forensische Odontologie und orale Notfallmedizin, Abteilung für Forensische Wissenschaft, Iwate Medical University, Iwate, 028-3694, Japan

Akiko Kumagai

Interdisziplinäres Programm für Bioingenieurwesen, Graduiertenschule, Seoul National University, Seoul, 03080, Republik Korea

Seoi Jeong

Kakao Corp., Jeju, 63309, Republik Korea

Daeyoun Kim

Transdisziplinäre Abteilung für Medizin und Spitzentechnologie, Seoul National University Hospital, Seoul, 03080, Republik Korea

Hyoun-Joong Kong

Medical Big Data Research Center, Seoul National University College of Medicine, Seoul, 03080, Republik Korea

Hyoun-Joong Kong

Abteilung für Biomedizintechnik, Seoul National University College of Medicine, Seoul, 03080, Republik Korea

Hyoun-Joong Kong

Abteilung für Anatomie, Katholisches Institut für Angewandte Anatomie, Medizinische Fakultät, Katholische Universität Korea, Seoul, 06591, Republik Korea

Sehyun Oh & Sang-Seob Lee

Sie können diesen Autor auch in PubMed Google Scholar suchen

AK: Datenerfassung und -analyse (zweiter Beobachter bei der Auswertung von Röntgenaufnahmen), Verfassen des Manuskripts. SJ: Datenanalyse (Data Mining; Klassifizierung, Regression-Multilayer-Perzeptron). DK: Datenanalyse (Data Mining; Regression-Single-Layer-Perceptron). HJK: Studiendesign, Studienbetreuung. SO: Datenerfassung und Kuratierung. SSL: Studienkonzept und -design, Datenanalyse (Hauptbeobachter bei der Auswertung von Röntgenaufnahmen), Studienbetreuung, Manuskripterstellung und Finanzierungseinwerbung.

Korrespondenz mit Sang-Seob Lee.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kumagai, A., Jeong, S., Kim, D. et al. Validierung von Data-Mining-Modellen durch Vergleich mit herkömmlichen Methoden zur Schätzung des Zahnalters bei koreanischen Jugendlichen und jungen Erwachsenen. Sci Rep 13, 726 (2023). https://doi.org/10.1038/s41598-023-28086-1

Zitat herunterladen

Eingegangen: 10. Oktober 2022

Angenommen: 12. Januar 2023

Veröffentlicht: 13. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-28086-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.