Spas ji bo serdana Nature.com.Guhertoya geroka ku hûn bikar tînin piştgirîya CSS-ê sînordar e.Ji bo encamên çêtirîn, em pêşniyar dikin ku guhertoyek nû ya geroka xwe bikar bînin (an jî moda lihevhatinê ya di Internet Explorer-ê de qut bikin).Di vê navberê de, ji bo misogerkirina piştgirîya domdar, em malperê bêyî şêwaz an JavaScript nîşan didin.
Diran nîşaneya herî rast a temenê laşê mirovan têne hesibandin û bi gelemperî di nirxandina temenê dadrêsî de têne bikar anîn.Me armanc kir ku bi berhevkirina rastbûna texmîn û performansa dabeşkirina sînorê 18-salî re bi rêbazên kevneşopî û texmînên temen-bingeha danûstendina daneyê re texmînên temenê diranan-bingeha danegeriyê rast bikin.Ji welatiyên Koreyî û Japonî yên 15 heta 23 salî bi tevahî 2657 radyografên panoramîk hatin berhevkirin.Ew di nav komek perwerdehiyê de hatin dabeş kirin, ku her yek tê de 900 radyografên Koreyî, û komek ceribandinek hundurîn ku 857 radyografên Japonî tê de hene.Me rastbûna dabeşkirinê û karbidestiya rêbazên kevneşopî bi komên ceribandinê yên modelên hilberandina daneyê re berhev kir.Rastiya rêbaza kevneşopî ya li ser koma ceribandina hundurîn hinekî ji ya modela danûstendina daneyê zêdetir e, û cûdahî piçûk e (navgîniya xeletiya bêkêmasî <0,21 sal, xeletiya navîn a çargoşe <0,24 sal).Performansa dabeşkirinê ya ji bo qutkirina 18-salî jî di navbera rêbazên kevneşopî û modelên derxistina daneyê de wekhev e.Ji ber vê yekê, rêbazên kevneşopî dema ku nirxandina temenê dadrêsî bi karanîna mezinbûna molarên duyemîn û sêyem di ciwan û mezinên Koreyî de têne kirin, dikarin bi modelên hilberandina daneyê werin guheztin.
Texmîna temenê diranan bi berfirehî di bijîşkiya dadwerî û dirananiya zarokan de tê bikar anîn.Bi taybetî, ji ber pêwendiya bilind a di navbera temenê kronolojîk û pêşkeftina diranan de, nirxandina temen li gorî qonaxên pêşkeftina diranan pîvanek girîng e ji bo nirxandina temenê zarok û ciwanan1,2,3.Lêbelê, ji bo ciwanan, texmînkirina temenê diranan li ser bingeha gihîştina diranan sînorên wê hene ji ber ku mezinbûna diranan hema hema temam e, ji bilî molarên sêyemîn.Armanca qanûnî ji diyarkirina temenê ciwan û xortan ew e ku texmînên rast û delîlên zanistî bidin ka gelo ew gihîştine temenê mezin.Di pratîka bijîjkî-qanûnî ya ciwan û mezinên ciwan ên li Koreyê de, temen bi karanîna rêbaza Lee hate texmîn kirin, û li gorî daneyên ku ji hêla Oh et al 5 ve hatine ragihandin bendek qanûnî ya 18 salan hate pêşbînîkirin.
Fêrbûna makîneyê celebek îstîxbarata sûnî (AI) ye ku çend caran gelek daneyan fêr dibe û dabeş dike, bi serê xwe pirsgirêkan çareser dike û bernamekirina daneyan dimeşîne.Fêrbûna makîneyê dikare di cildên mezin ên daneyê de qalibên veşartî yên kêrhatî kifş bike6.Berevajî vê, rêbazên klasîk, yên ku ked-dijwar in û wext dixwe, dibe ku dema ku bi cildên mezin ên daneyên tevlihev re mijûl dibin ku bi destan têne hilberandin dijwar e.Ji ber vê yekê, gelek lêkolîn di van demên dawî de bi karanîna teknolojiyên herî dawîn ên komputerê hatine kirin da ku xeletiyên mirovî kêm bikin û daneyên piralî bi bandor hilînin8,9,10,11,12.Bi taybetî, fêrbûna kûr bi berfirehî di analîza wêneya bijîjkî de hatî bikar anîn, û rêbazên cûrbecûr ji bo texmînkirina temen bi analîzkirina otomatîkî ya radyografî hatine ragihandin ku rastbûn û karbidestiya texmîna temen çêtir dike13,14,15,16,17,18,19,20. .Mînakî, Halabi et al 13 algorîtmayek fêrbûna makîneyê li ser bingeha torên neuralî yên konvolutional (CNN) pêşve xistin da ku temenê skelet bi karanîna radyografên destên zarokan texmîn bike.Ev lêkolîn modelek pêşniyar dike ku fêrbûna makîneyê li wêneyên bijîjkî bicîh tîne û destnîşan dike ku ev rêbaz dikarin rastbûna tespîtê baştir bikin.Li et al14 temenê ji wêneyên tîrêjê yên pelvîk bi karanîna fêrbûna kûr a CNN-ê texmîn kirin û wan bi encamên paşveçûnê re bi karanîna texmîna qonaxa ossification berhev kirin.Wan dît ku modela fêrbûna kûr a CNN-ê heman performansa texmînkirina temenê wekî modela paşverû ya kevneşopî nîşan dide.Lêkolîna Guo et al. [15] performansa dabeşkirina tolerasyona temenî ya teknolojiya CNN-ê ya li ser bingeha ortophotoyên diranan nirxand, û encamên modela CNN îspat kir ku mirov ji performansa dabeşkirina temenî ya xwe mezintir e.
Piraniya lêkolînên li ser texmîna temenê bi karanîna fêrbûna makîneyê rêbazên fêrbûna kûr bikar tînin13,14,15,16,17,18,19,20.Texmîna temen li ser bingeha fêrbûna kûr tê ragihandin ku ji rêbazên kevneşopî rasttir e.Lêbelê, ev nêzîkatî fersendek hindik peyda dike ku bingeha zanistî ji bo texmînên temenî pêşkêşî bike, wek mînak nîşaneyên temenê ku di texmînan de têne bikar anîn.Di heman demê de nakokiya hiqûqî jî heye ku kî kontrolê dike.Ji ber vê yekê, texmînkirina temenê li ser bingeha fêrbûna kûr ji hêla rayedarên îdarî û dadwerî ve dijwar e.Kevirkirina daneyê (DM) teknîkek e ku dikare ne tenê agahdariya bendewarî lê di heman demê de agahdariya nediyar jî kifş bike wekî rêbazek ji bo vedîtina têkiliyên kêrhatî di navbera mîqdarên mezin ên daneyê de6,21,22.Fêrbûna makîneyê bi gelemperî di hilberandina daneyê de tê bikar anîn, û hem derxistina daneyê û hem jî fêrbûna makîneyê heman algorîtmayên sereke bikar tînin da ku nimûneyên daneyan kifş bikin.Texmîna temen bi karanîna pêşkeftina diranan li ser bingeha nirxandina lêkolîner a li ser gihîştina diranên armancê ye, û ev nirxandin ji bo her diranek armanc wekî qonaxek tête diyar kirin.DM dikare ji bo analîzkirina pêwendiya di navbera qonaxa nirxandina diranan û temenê rastîn de were bikar anîn û xwedan potansiyel e ku li şûna analîzên statîstîkî yên kevneşopî bigire.Ji ber vê yekê, ger em teknolojiyên DM-ê ji bo texmînkirina temen bicîh bînin, em dikarin fêrbûna makîneyê di texmîna temenê dadrêsî de bicîh bikin bêyî ku em ji berpirsiyariya qanûnî xeman bibin.Gelek lêkolînên berawirdî li ser alternatîfên muhtemel ên ji bo rêbazên destan ên kevneşopî yên ku di pratîka dadrêsî de têne bikar anîn û rêbazên EBM-based ji bo destnîşankirina temenê diranan hatine weşandin.Shen et al23 destnîşan kir ku modela DM ji formula kevneşopî ya Camerer rasttir e.Galibourg et al24 ji bo pêşbînîkirina temen li gorî pîvana Demirdjian25 rêbazên DM-yê yên cihê bikar anîn û encaman nîşan da ku di texmînkirina temenê nifûsa Fransî de rêbaza DM ji rêbazên Demirdjian û Willems zêdetir derketiye.
Ji bo texmînkirina temenê diranan ên ciwan û mezinên Koreyî, rêbaza Lee 4 bi berfirehî di pratîka dadrêsî ya Koreyî de tê bikar anîn.Ev rêbaz analîzên statîstîkî yên kevneşopî bikar tîne (wek paşveçûnek pirjimar) da ku têkiliya di navbera mijarên Koreyî û temenê kronolojîk de lêkolîn bike.Di vê lêkolînê de, rêbazên texmînkirina temenê ku bi karanîna rêbazên statîstîkî yên kevneşopî têne wergirtin wekî "rêbazên kevneşopî" têne pênase kirin.Rêbaza Lee rêbazek kevneşopî ye, û rastbûna wê ji hêla Oh et al ve hatî pejirandin.5;lêbelê, sepandina texmîna temen li ser bingeha modela DM di pratîka dadrêsî ya Koreyî de hîn jî gumanbar e.Armanca me ew bû ku bi zanistî bikêrhatina potansiyela texmîna temen li ser bingeha modela DM-ê rast bikin.Armanca vê lêkolînê (1) berawirdkirina rastbûna du modelên DM-ê di texmînkirina temenê diranan de û (2) berhevkirina performansa dabeşkirina 7 modelên DM di temenê 18 saliyê de digel yên ku bi karanîna rêbazên statîstîkî yên kevneşopî hatine wergirtin. û molarên sêyem di her du çene de.
Navgîn û veguheztinên standard ên temenê kronolojîk ji hêla qonax û celebê diranan ve li serhêl di Tabloya Pêvek S1 (koma perwerdehiyê), Tabloya Pêvek S2 (koma ceribandina hundurîn), û Tabloya Pêvek S3 (koma testa derve) de têne destnîşan kirin.Nirxên kappa yên ji bo pêbaweriya hundurîn û navçavdêran ku ji koma perwerdehiyê hatine wergirtin, bi rêzê ve 0,951 û 0,947 bûn.Nirxên P û 95% navberên pêbaweriyê yên ji bo nirxên kappa di tabloya serhêl S4 de têne destnîşan kirin.Nirxa kappa wekî "hema bêkêmasî" hate şîrove kirin, li gorî pîvanên Landis û Koch26.
Dema ku meriv xeletiya mutleq (MAE) dide ber hev, rêbaza kevneşopî ji modela DM-ê ji bo hemî zayendan û di koma testa mêran a derveyî de, ji bilî perceptrona pirreng (MLP) hinekî ji modela DM-yê derdixe.Cûdahiya di navbera modela kevneşopî û modela DM de li ser set testa MAE ya navxweyî 0.12-0.19 sal ji bo mêran û 0.17-0.21 sal ji bo jinan bû.Ji bo pîlê testa derveyî, cûdahî piçûktir in (0,001-0,05 sal ji bo mêran û 0,05-0,09 sal ji bo jinan).Wekî din, xeletiya navînî ya çargoşe (RMSE) ji rêbaza kevneşopî hinekî kêmtir e, bi cûdahiyên piçûktir (0.17-0.24, 0.2-0.24 ji bo koma testa navxweyî ya mêr, û 0.03-0.07, 0.04-0.08 ji bo ceribandina testa derveyî).).MLP ji Perceptrona Yek Layer (SLP) hinekî çêtir performansa xwe nîşan dide, ji xeynî rewşa koma testa derveyî ya jinê.Ji bo MAE û RMSE, testa testa derveyî ji bo hemî zayend û modelan ji testa navxweyî bilindtir e.Hemî MAE û RMSE di Tablo 1 û Figure 1 de têne xuyang kirin.
MAE û RMSE modelên regresyonê yên kevneşopî û daneyê.Navgîniya xeletiya bêkêmasî MAE, xeletiya navînî ya çargoşe RMSE, perceptron SLP ya yek qat, MLP perceptron a pirreng, rêbaza CM ya kevneşopî.
Performansa dabeşkirinê (bi qutkirina 18 salan) ya modelên kevneşopî û DM di warê hesas, taybetmendî, nirxa pêşbîniya erênî (PPV), nirxa pêşbîniya neyînî (NPV), û qada di binê kêşeya taybetmendiya xebatê ya wergirê (AUROC) de hate destnîşan kirin. 27 (Table 2, Figure 2 and Supplementary Figure 1 online).Di warê hesasiyeta pîlê testa navxweyî de, rêbazên kevneşopî di nav mêran de çêtirîn û di nav jinan de xirabtir pêk anîn.Lêbelê, cûdahiya performansa dabeşkirinê di navbera rêbazên kevneşopî û SD de ji bo mêran (MLP)% 9.7 û ji bo jinan (XGBoost) tenê 2.4% e.Di nav modelên DM de, regresyona lojîstîkî (LR) di her du zayendan de hestiyariyek çêtir nîşan da.Di derbarê taybetmendiya koma testa navxweyî de, hate dîtin ku çar modelên SD di mêran de baş derketine, dema ku modela kevneşopî di jinan de çêtir performans dike.Cûdahiyên di performansa dabeşkirinê de ji bo mêr û jinan bi rêzê 13.3% (MLP) û 13.1% (MLP) ne, ku destnîşan dike ku cûdahiya performansa dabeşkirinê di navbera modelan de ji hestiyariyê derbas dibe.Di nav modelên DM de, modela makîneya vektora piştgirî (SVM), dara biryarê (DT), û daristana rasthatî (RF) di nav mêran de çêtirîn pêk anîn, dema ku modela LR di nav jinan de çêtirîn pêk anî.AUROC ya modela kevneşopî û hemî modelên SD ji 0,925 (k-cîranê herî nêzîk (KNN) di mêran de) mezintir bû, di cûdakirina nimûneyên 18-salî de performansa dabeşkirinê ya hêja nîşan dide28.Ji bo koma testa derveyî, li gorî berhevoka ceribandina hundurîn di performansa dabeşkirinê de di warê hesas, taybetmendî û AUROC de kêmbûnek hebû.Digel vê yekê, cûdahiya di hesasiyet û taybetmendiyê de di navbera performansa dabeşkirina modelên çêtirîn û herî xirab de ji% 10 heya 25% bû û ji cûdahiya koma ceribandina navxweyî mezintir bû.
Hestiyarî û taybetmendiya modelên dabeşkirina danûstendinê li gorî rêbazên kevneşopî yên bi qutkirina 18 salan.KNN k cîranê herî nêzîk, makîneya vektorê ya piştgirîya SVM, paşveçûna lojîstîkî ya LR, dara biryarê ya DT, daristana rasthatî ya RF, XGB XGBoost, perceptrona pirzimanî MLP, rêbaza CM ya kevneşopî.
Di vê lêkolînê de gava yekem ev bû ku rastbûna texmînên temenê diranan ên ku ji heft modelên DM-ê hatine wergirtin bi yên ku bi karanîna regresyona kevneşopî hatine wergirtin re berawird bikin.MAE û RMSE ji bo her du zayendan di ceribandinên hundurîn de hatin nirxandin, û cûdahiya di navbera rêbaza kevneşopî û modela DM de ji 44 heta 77 rojan ji bo MAE û ji 62 heta 88 rojan ji bo RMSE-yê ye.Her çend rêbaza kevneşopî di vê lêkolînê de hinekî rasttir bû, lê dijwar e ku meriv encam bike ka cûdahiyek wusa piçûk girîngiyek klînîkî an pratîkî heye.Van encaman destnîşan dikin ku rastbûna texmîna temenê diranan bi karanîna modela DM hema hema wekî ya rêbaza kevneşopî ye.Danasîna rasterast bi encamên lêkolînên berê re dijwar e ji ber ku tu lêkolînek rastbûna modelên DM-ê bi rêbazên statîstîkî yên kevneşopî re bi karanîna heman teknîka tomarkirina diranan di heman temenî de wekî vê lêkolînê berhev nekiriye.Galibourg et al24 MAE û RMSE di navbera du rêbazên kevneşopî de (rêbaza Demirjian25 û rêbaza Willems29) û 10 modelên DM di nav nifûsa Fransî ya 2 û 24 salî de dan ber hev.Wan ragihand ku hemî modelên DM ji rêbazên kevneşopî rasttir bûn, bi cûdahiyên 0.20 û 0.38 sal di MAE û 0.25 û 0.47 sal di RMSE de li gorî rêbazên Willems û Demirdjian, bi rêzê.Nakokiya di navbera modela SD û rêbazên kevneşopî yên ku di lêkolîna Halibourg de têne xuyang kirin, gelek raporên30,31,32,33 li ber çavan digire ku rêbaza Demirdjian di nifûsên din de ji bilî Kanadayên Frensî yên ku lêkolîn li ser bingeha wan hatiye çêkirin, temenê diranan rast texmîn nake.di vê lêkolînê de.Tai et al 34 algorîtma MLP bikar anîn da ku temenê diranan ji 1636 wêneyên ortodontîk ên çînî pêşbînî bike û rastbûna wê bi encamên rêbaza Demirjian û Willems re dan ber hev.Wan ragihand ku MLP ji rêbazên kevneşopî xwedan rastbûna bilindtir e.Ferqa di navbera rêbaza Demirdjian û rêbaza kevneşopî de <0,32 sal e û rêbaza Willems 0,28 sal e, ku dişibihe encamên lêkolînê.Encamên van lêkolînên berê24,34 jî bi encamên lêkolîna heyî re hevaheng in, û rastbûna texmîna temen a modela DM û rêbaza kevneşopî dişibin hev.Lêbelê, li ser bingeha encamên pêşkêşkirî, em tenê dikarin bi hişyarî encam bidin ku karanîna modelên DM ji bo texmînkirina temen dikare li şûna rêbazên heyî ji ber nebûna lêkolînên berê yên berawirdî û referansê bigire.Lêkolînên şopandinê bi karanîna nimûneyên mezintir hewce ne ku encamên ku di vê lêkolînê de hatine bidestxistin piştrast bikin.
Di nav lêkolînên ku rastbûna SD-ê di texmînkirina temenê diranan de ceribandin, hinan ji lêkolîna me rastbûnek bilindtir nîşan dan.Stepanovsky et al 35 22 modelên SD li radyografên panoramîk ên 976 niştecîhên Çek yên ji 2,7 heta 20,5 salî sepandin û rastbûna her modelê ceribandin.Wan bi karanîna pîvanên dabeşkirinê yên ku ji hêla Moorrees et al 36 ve hatî pêşniyar kirin pêşveçûna bi tevahî 16 diranên çepê yên jorîn û jêrîn nirxand.MAE ji 0.64 heta 0.94 sal û RMSE ji 0.85 heta 1.27 sal diguhere, ku ji du modelên DM-ê yên ku di vê lêkolînê de têne bikar anîn rasttir in.Shen et al23 rêbaza Cameriere bikar anîn da ku temenê diranan yên heft diranên daîmî yên di mandîbula çepê de li niştecîhên rojhilatê Chinaînê yên 5 û 13 salî binirxîne û wê bi temenên ku bi karanîna regresyona xêz, SVM û RF ve hatî texmîn kirin berhev kirin.Wan destnîşan kir ku her sê modelên DM li gorî formula kevneşopî ya Cameriere xwedan rastbûna bilindtir in.MAE û RMSE di lêkolîna Shen de ji yên di modela DM de di vê lêkolînê de kêmtir bûn.Zêdebûna rastbûna lêkolînên Stepanovsky et al.35 û Shen et al.23 dibe ku ji ber tevlêbûna mijarên ciwan di nimûneyên lêkolîna wan de be.Ji ber ku texmînên temen ji bo beşdarên bi diranên pêşkeftî re rasttir dibin her ku di dema pêşkeftina diranan de hejmara diranan zêde dibe, dema ku beşdarên lêkolînê ciwantir in, rastbûna rêbaza texmîna temenî ya encam dibe ku xeternak bibe.Wekî din, xeletiya MLP di texmîna temen de ji SLP-ê piçûktir e, tê vê wateyê ku MLP ji SLP-ê rasttir e.MLP ji bo texmîna temen hinekî çêtir tête hesibandin, dibe ku ji ber qatên veşartî yên di MLP38 de.Lêbelê, ji bo nimûneya derveyî ya jinan îstîsnayek heye (SLP 1.45, MLP 1.49).Vedîtina ku MLP di nirxandina temen de ji SLP-ê rasttir e, lêkolînên paşverû yên din hewce dike.
Performansa dabeşkirina modela DM û rêbaza kevneşopî ya di bendek 18-salî de jî hate berhev kirin.Hemî modelên SD-ya ceribandin û rêbazên kevneşopî yên li ser ceribandina hundurîn astên cihêkariyê yên bi pratîkî yên pejirandî ji bo nimûneya 18-salî nîşan dan.Hesasiyeta mêr û jinan bi rêzê ji %87.7 û %94.9 mezintir bû, û taybetmendî ji %89.3 û %84.7 mezintir bû.AUROC ya hemî modelên ceribandin jî ji 0.925-ê derbas dibe.Li gorî zanîna me, ti lêkolînek performansa modela DM-ê ji bo dabeşkirina 18-salî li ser bingeha mezinbûna diranan ceriband.Em dikarin encamên vê lêkolînê bi performansa dabeşkirina modelên fêrbûna kûr ên li ser radyografên panoramîk re bidin ber hev.Guo et.Hesasiyet û taybetmendiya rêbaza destan bi rêzê %87,7 û %95,5 bû û hesasiyet û taybetmendiya modela CNN ji %89,2 û %86,6 derbas bû.Wan encam da ku modelên fêrbûna kûr dikarin di dabeşkirina bendên temenî de li şûna nirxandina destan bikin an ji wan derbikevin.Encamên vê lêkolînê performansa dabeşkirina wekhev nîşan dan;Tê bawer kirin ku dabeşkirina bi karanîna modelên DM-ê dikare li şûna rêbazên statîstîkî yên kevneşopî ji bo texmînkirina temen bigire.Di nav modelan de, DM LR di warê hestiyariyê de ji bo nimûneya mêr û hestiyar û taybetmendiya nimûneya jinê modela çêtirîn bû.LR di taybetmendiya mêran de di rêza duyemîn de ye.Wekî din, LR wekî yek ji modelên DM35-a bikarhêner-dostane tête hesibandin û pêvajoyek kêmtir tevlihev û dijwar e.Li ser bingeha van encaman, LR ji bo 18-salî di nifûsa Koreyî de modela dabeşkirina qutkirina çêtirîn hate hesibandin.
Bi tevayî, rastbûna texmîna temen an performansa dabeşkirinê ya li ser koma testa derveyî li gorî encamên li ser koma testa hundurîn qels an kêmtir bû.Hin rapor destnîşan dikin ku dema ku texmînên temenî yên li ser nifûsa Koreyî li ser nifûsa Japonî 5,39 têne sepandin, rastbûn an karbidestiya dabeşkirinê kêm dibe, û di lêkolîna heyî de şêwazek wekhev hate dîtin.Ev meyla xirabûnê di modela DM de jî hate dîtin.Ji ber vê yekê, ji bo texmînkirina rast a temen, tewra dema ku DM-ê di pêvajoya analîzê de bikar bînin, divê rêbazên ku ji daneyên nifûsa xwemalî têne wergirtin, wekî rêbazên kevneşopî, bêne tercîh kirin5,39,40,41,42.Ji ber ku ne diyar e ka modelên fêrbûna kûr dikarin meylên wekhev nîşan bidin, lêkolînên ku rastbûna dabeşkirinê û karbidestiyê bi karanîna rêbazên kevneşopî, modelên DM, û modelên fêrbûna kûr li ser heman nimûneyan berhev dikin, hewce ne ku piştrast bikin ka gelo îstîxbarata çêkirî dikare van cudahiyên nijadî di temenê sînorkirî de derbas bike.nirxandinên.
Em destnîşan dikin ku rêbazên kevneşopî dikarin bi texmîna temen ve li ser bingeha modela DM-ê di pratîka texmînkirina temenê dadwerî ya li Koreyê de werin guheztin.Me her weha îmkana pêkanîna fêrbûna makîneyê ji bo nirxandina temenê dadrêsî kifş kir.Lêbelê, tixûbên zelal hene, wek nebûna hejmara beşdaran di vê lêkolînê de ji bo destnîşankirina encamên teqez, û nebûna lêkolînên berê ji bo berhevkirin û piştrastkirina encamên vê lêkolînê.Di pêşerojê de, divê lêkolînên DM bi hejmareke mezin a nimûneyan û nifûsa cihêrengtir bêne kirin da ku sepandina wê ya pratîkî li gorî rêbazên kevneşopî baştir bikin.Ji bo pejirandina îmkana karanîna îstîxbarata sûnî ji bo texmînkirina temen di gelek nifûsan de, lêkolînên pêşerojê hewce ne ku rastbûna dabeşkirinê û karbidestiya modelên fêrbûna DM û kûr bi rêbazên kevneşopî yên di heman nimûneyan de bidin ber hev.
Di lêkolînê de 2,657 wêneyên ortografîk ên ji mezinên Koreyî û Japonî yên 15 heta 23 salî hatine berhevkirin, hatin bikaranîn.Radyografiyên Koreyî li 900 komên perwerdehiyê (19,42 ± 2,65 sal) û 900 komên ceribandina navxweyî (19,52 ± 2,59 sal) hatin dabeş kirin.Komxebata perwerdehiyê li saziyek (Nexweşxaneya Seoul St. Mary's) hate berhev kirin, û seta testa xwe li du saziyan hate berhev kirin (Nexweşxaneya diranan a Zanîngeha Neteweyî ya Seoul û Nexweşxaneya Diranan a Zanîngeha Yonsei).Me her weha 857 radyografî ji daneyên din ên nifûsê (Zanîngeha Bijîjkî ya Iwate, Japonya) ji bo ceribandina derveyî berhev kir.Radyografiyên mijarên Japonî (19,31 ± 2,60 sal) wekî komek testa derveyî hatin hilbijartin.Daneyên paşverû hatin berhev kirin da ku qonaxên pêşkeftina diranan li ser radyografên panoramîkî yên ku di dema dermankirina diranan de hatine kişandin analîz bikin.Hemî daneyên hatine berhev kirin nenas bûn ji bilî zayend, dîroka jidayikbûnê û dîroka radyografê.Pîvanên tevlêbûn û derxistinê wekî lêkolînên berê hatine weşandin 4, 5 bûn.Temenê rastîn ê nimûneyê bi kêmkirina dîroka jidayikbûnê ji roja ku radyografê hatî kişandin hate hesibandin.Koma nimûne di neh komên temen de hate dabeş kirin.Dabeşkirina temen û zayendê di Tabloya 3-ê de têne xuyang kirin Ev lêkolîn li gorî Danezana Helsînkî hate kirin û ji hêla Desteya Vekolînê ya Saziyê (IRB) ya Nexweşxaneya Seoul St.Ji ber sêwirana paşverû ya vê lêkolînê, razîbûna agahdar ji hemî nexweşên ku ji bo mebestên dermankirinê dikevin îmtîhana radyografî nayê wergirtin.Nexweşxaneya Seoul Koreya St.
Qonaxên pêşveçûna molarên duyemîn û sêyemîn ên bimaxillary li gorî pîvanên Demircan25 hatin nirxandin.Heger li milê çep û rastê yê her çenekê heman cure diran hat dîtin, tenê diranek hate hilbijartin.Ger diranên homolog ên her du aliyan di qonaxên pêşkeftinê yên cûda de bûn, diranê bi qonaxa pêşkeftinê ya jêrîn hate hilbijartin da ku di temenê texmînkirî de nezelaliyê hesab bike.Sed radyografên bi rasthatinî yên hilbijartî ji koma perwerdehiyê ji hêla du çavdêrên bi ezmûn ve hatine tomar kirin da ku pêbaweriya navçavdêran piştî pêşkalîbrasyonê were ceribandin da ku qonaxa gihîştina diranan diyar bike.Pêbaweriya Intraobserver du caran di navberên sê mehan de ji hêla çavdêrê bingehîn ve hate nirxandin.
Cinsîyet û qonaxa pêşveçûnê ya molarên duyemîn û sêyem ên her çeneyê di koma perwerdehiyê de ji hêla çavdêrek seretayî ve ku bi modelên DM-ê yên cihêreng hatî perwerde kirin ve hate texmîn kirin, û temenê rastîn wekî nirxa armanc hate destnîşan kirin.Modelên SLP û MLP, ku bi berfirehî di fêrbûna makîneyê de têne bikar anîn, li dijî algorîtmayên regresyonê hatin ceribandin.Modela DM bi karanîna qonaxên pêşkeftina çar diranan fonksiyonên xêz dike û van daneyan berhev dike da ku temenê texmîn bike.SLP tora neuralî ya herî hêsan e û qatên veşartî nahewîne.SLP li ser bingeha veguheztina sînorê di navbera girêkan de dixebite.Modela SLP-ê di regresyonê de ji hêla matematîkî ve dişibihe regresyona piralî ya xêzikî.Berevajî modela SLP, modela MLP xwedan çend qatên veşartî yên bi fonksiyonên çalakkirina nehêl e.Ceribandinên me qatek veşartî bi tenê 20 girêkên veşartî yên bi fonksiyonên aktîvkirina nehêlî bikar anîn.Ji bo perwerdekirina modela fêrbûna makîneya me, daketina gradient wekî rêbaza xweşbîniyê û MAE û RMSE wekî fonksiyona windakirinê bikar bînin.Modela regresyonê ya herî baş a hatî bidestxistin li ser ceribandinên hundurîn û derveyî hate sepandin û temenê diranan hate texmîn kirin.
Algorîtmayek dabeşkirinê hate pêşve xistin ku gihîştina çar diranan li ser koma perwerdehiyê bikar tîne da ku pêşbîn bike ka nimûneyek 18 salî ye an na.Ji bo avakirina modelê, me heft algorîtmayên fêrbûna makîneyê yên temsîlî derxistin 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, û (7) MLP .LR yek ji algorîtmayên dabeşkirinê yên ku herî zêde tê bikar anîn44 e.Ew algorîtmayek fêrbûnê ya çavdêrîkirî ye ku regresyonê bikar tîne da ku îhtîmala daneyên ku ji kategoriyek diyarkirî ji 0 heya 1-ê pêşbînî bike û li gorî vê îhtimalê daneyan wekî aîdê kategoriyek îhtîmalek zêdetir dabeş dike;bi piranî ji bo dabeşkirina binary tê bikaranîn.KNN yek ji hêsantirîn algorîtmayên fêrbûna makîneyê ye45.Dema ku daneya têketina nû tê dayîn, ew k daneyan nêzî koma heyî dibîne û dûv re wan di pola bi frekansa herî bilind de dabeş dike.Me ji bo hejmara cîranên ku têne hesibandin (k) 3 danîn.SVM algorîtmayek e ku dûrahiya di navbera du çînan de bi karanîna fonksiyonek kernelê zêde dike da ku cîhê xêzkirî berbi cîhek ne-xêzkirî ya bi navê zeviyan46 vebike.Ji bo vê modelê, em bias = 1, hêz = 1, û gamma = 1 wekî hîperparametreyên ji bo kernelê pirnomîal bikar tînin.DT di warên cihêreng de wekî algorîtmayek ji bo dabeşkirina tevaya daneyê li çend binkrûban bi temsîlkirina qaîdeyên biryarê di avahiyek darê de hatî sepandin47.Model bi hejmareke hindiktirîn tomar ji her girêk 2-ê ve hatî mîheng kirin û pêveka Gini wekî pîvanek kalîteyê bikar tîne.RF rêbazek ensembleyê ye ku gelek DT-yan berhev dike da ku performansê baştir bike bi karanîna rêbazek berhevkirina bootstrap-ê ku ji bo her nimûneyê dabeşkerek qels çêdike bi rêgezek nimûneyên heman mezinahiyê gelek caran ji databasa orîjînal xêz dike48.Me 100 dar, 10 kûrahiya daran, 1 pîvana herî kêm girêk, û pêveka pêvekêşana Gini wekî pîvanên veqetandina girêk bikar anîn.Tesnîfkirina daneyên nû bi piraniya dengan tê destnîşankirin.XGBoost algorîtmayek e ku teknîkên bihêzkirinê bi karanîna rêbazek ku wekî daneya perwerdehiyê xeletiya di navbera nirxên rastîn û pêşbînîkirî yên modela berê de digire û bi karanîna gradients49 xeletiyê zêde dike hev dike.Ew ji ber performansa xwe ya baş û karbidestiya çavkaniyê, û her weha pêbaweriya bilind wekî fonksiyonek serrastkirinê ya zêde algorîtmayek pir tê bikar anîn.Model bi 400 çerxên piştevaniyê ve tê stendine.MLP torgilokek neuralî ye ku tê de yek an çend perceptron bi yek an jî çend qatên veşartî di navbera qatên ketin û derketinê de gelek qatan pêk tînin38.Bi karanîna vê yekê, hûn dikarin dabeşkirina ne-xêzikî pêk bînin ku dema ku hûn qatek têketinê lê zêde bikin û nirxek encamek bistînin, nirxa encamê ya pêşbînîkirî bi nirxa encama rastîn re tê berhev kirin û xeletî paşde tê belav kirin.Me di her qatê de qatek veşartî bi 20 noyronên veşartî çêkir.Her modela ku me pêş xist li ser komên hundurîn û derveyî hate sepandin da ku performansa dabeşkirinê bi hesabkirina hesas, taybetmendî, PPV, NPV, û AUROC ceribandin.Hesasiyet wekî rêjeya nimûneyeke ku temenê wê 18 salî an mezintir tê texmînkirin ji nimûneyeke ku temenê wê 18 salî an mezintir tê texmîn kirin tê pênase kirin.Taybetî rêjeya nimûneyên di bin 18 salî de ye û yên ku tê texmîn kirin di bin 18 salî de ne.
Qonaxên diranan ên di koma perwerdehiyê de hatin nirxandin ji bo analîza îstatîstîkî veguherî qonaxên hejmarî.Regresyona xêzikî û lojîstîkî ya pirguhar hate kirin da ku ji bo her zayendî modelên pêşdîtinê pêşve bibin û formûlên regresyonê yên ku dikarin ji bo texmînkirina temen werin bikar anîn derxînin.Me van formulan bikar anîn da ku temenê diranan hem ji bo ceribandinên hundurîn û hem jî yên derveyî texmîn bikin.Tablo 4 modelên regresyonê û dabeşkirinê yên ku di vê lêkolînê de hatine bikar anîn nîşan dide.
Pêbaweriya hundur û navçavdêran bi karanîna statîstika kappa ya Cohen hate hesibandin.Ji bo ceribandina rastbûna DM û modelên regresyonê yên kevneşopî, me MAE û RMSE bi karanîna temenên texmînkirî û rastîn ên komên ceribandina navxweyî û derveyî hesab kirin.Ev xeletî bi gelemperî têne bikar anîn ku rastbûna pêşbîniyên modelê binirxînin.Çewtî çiqas piçûktir be, rastbûna pêşbîniyê ew qas bilindtir dibe24.MAE û RMSE-ya ceribandinên hundurîn û derveyî yên ku bi karanîna DM û regresyona kevneşopî têne hesibandin berhev bikin.Performansa dabeşkirinê ya qutkirina 18-salî di statîstîkên kevneşopî de bi karanîna tabloyek 2 × 2 ve hatî nirxandin.Hesasiya hesabkirî, taybetmendî, PPV, NPV, û AUROC ya testa testê bi nirxên pîvandî yên modela dabeşkirina DM re hate berhev kirin.Daneyên li gorî taybetmendiyên daneyê wekî navînî ± veguheztina standard an hejmar (%) têne diyar kirin.Nirxên P du alî <0,05 ji hêla statîstîkî ve girîng têne hesibandin.Hemî analîzên îstatîstîkî yên rûtîn bi guhertoya SAS 9.4 (Enstîtuya SAS, Cary, NC) hatin kirin.Modela paşvekêşana DM-ê li Python-ê bi karanîna Keras50 2.2.4 paşperdeya û Tensorflow51 1.8.0 bi taybetî ji bo operasyonên matematîkî hate bicîh kirin.Modela dabeşkirina DM di Hawirdora Analîza Zanînê ya Waikato û platforma analîzê ya Konstanz Information Miner (KNIME) 4.6.152 de hate bicîh kirin.
Nivîskar qebûl dikin ku daneyên ku encamên lêkolînê piştgirî dikin dikarin di gotar û materyalên pêvek de werin dîtin.Daneyên ku di dema lêkolînê de hatine çêkirin û/an analîz kirin li ser daxwazek maqûl ji nivîskarê têkildar peyda dibin.
Ritz-Timme, S. et al.Nirxandina temen: rewşa hunerê ku hewcedariyên taybetî yên pratîka dadrêsî bicîh bîne.navneteweyîbûnê.J. Dermanê qanûnî.113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Rewşa heyî ya nirxandina temenê edlî ya mijarên zindî yên ji bo mebestên dozkirina sûc.Edlî.derman.Pathology.1, 239-246 (2005).
Pan, J. et al.Rêbazek guhertî ji bo nirxandina temenê diranan ên zarokên 5 heta 16 salî li rojhilatê Chinaînê.nexweşxaneyî.Anketa devkî.25, 3463–3474 (2021).
Lee, SS hwd. Kronolojiya pêşkeftina molarên duyemîn û sêyemîn di Koreyan de û serîlêdana wê ya ji bo nirxandina temenê edlî.navneteweyîbûnê.J. Dermanê qanûnî.124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY û Lee, SS Rastbûna texmîna temen û texmîna sînorê 18-salî li ser bingeha mezinbûna molarên duyemîn û sêyemîn di Koreyî û Japonî de.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.Analîzkirina daneya-based fêrbûna makîneya pêş-operasyonê dikare di nexweşên bi OSA de encama dermankirina emeliyata xewê pêşbîn bike.zanist.Rapor 11, 14911 (2021).
Han, M. et al.Texmîna temenê rast ji fêrbûna makîneyê bi destwerdana mirovî an bêyî?navneteweyîbûnê.J. Dermanê qanûnî.136, 821–831 (2022).
Khan, S. and Shaheen, M. Ji Daneyên Berbi Daneyên Danûstandinê.J.Agahî.zanist.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. WisRule: Yekem Algorîtmaya Ragihandinê ya Ji bo Rêvebiriya Komelê.J.Agahî.zanist.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. û Abdullah U. Karm: Daneyên kevneşopî yên kevneşopî yên ku li ser bingeha rêgezên komeleyê-bingeha bingehîn e.hesabkirin.Matt.berdewamkirin.68, 3305–3322 (2021).
Mihemed M., Rehman Z., Shaheen M., Khan M. û Habib M. Bi karanîna daneyên nivîsê vedîtina wekheviya semantîkî ya bingehîn a fêrbûna kûr.agahdayin.teknolojiyên.kontrol.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., and Shahin, M. Pergalek ji bo naskirina çalakiya di vîdyoyên werzîşê de.multimedia.Serlêdanên Amûran https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.Zehmetiya Fêrbûna Makîneya RSNA di Temenê Hestiya Zarokan de.Radyolojî 290, 498-503 (2019).
Li, Y. et al.Texmîna temenê dadrêsî ji tîrêjên X-ya pelvîk bi karanîna fêrbûna kûr.EURO.xûyankirinî.29, 2322–2329 (2019).
Guo, YC, et al.Tesnîfkirina temenî ya rast bi karanîna rêbazên destan û torên neuralî yên kûr ên ji wêneyên projekirina ortografîk bikar tîne.navneteweyîbûnê.J. Dermanê qanûnî.135, 1589–1597 (2021).
Alabama Dalora et al.Texmîna temenê hestî bi karanîna awayên fêrbûna makîneya cihêreng: vekolînek wêjeya sîstematîk û meta-analîz.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. Texmîna temenî ya nifûsê ya Afrîkî-Amerîkî û Chineseînî li ser bingeha cildên jûreya pulpê ya molarên yekem bi karanîna tomografya kompîturê ya tîrêjê ye.navneteweyîbûnê.J. Dermanê qanûnî.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK û Oh KS Tesbîtkirina komên temenî yên mirovên zindî bi karanîna wêneyên bingehîn ên îstîxbarata çêkirî yên molarên yekem.zanist.Rapora 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. Texmîna temenê otomatîk û dabeşkirina temenê pirraniyê ji daneyên MRI-ya pirreng.IEEE J. Biomed.Alerts Health.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. û Li, G. Texmîna temen li ser bingeha dabeşkirina jûreya paşîn a 3D ya molarên yekem ji tomografya kompîturî ya tîrêjê bi yekkirina fêrbûna kûr û komên astê.navneteweyîbûnê.J. Dermanê qanûnî.135, 365–373 (2021).
Wu, WT, et al.Daneyên daneyê di daneyên mezin ên klînîkî de: databasên hevpar, gav, û modelên rêbazan.Dinya.derman.kanî.8, 44 (2021).
Yang, J. et al.Di Serdema Daneyên Mezin de Destpêka Daneyên Bijîjkî û Teknolojiyên Kêmkirina Daneyê.J. Avid.Dermanê bingehîn.13, 57–69 (2020).
Shen, S. et al.Rêbaza Camerer ji bo texmînkirina temenê diranan bi karanîna fêrbûna makîneyê.BMC Tenduristiya Dev 21, 641 (2021).
Galliburg A. et al.Berawirdkirina awayên cihêreng ên fêrbûna makîneyê ji bo pêşbînkirina temenê diranan bi karanîna rêbaza qonaxa Demirdjian.navneteweyîbûnê.J. Dermanê qanûnî.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM Pergalek nû ya ji bo nirxandina temenê diranan.snort.jîyanzanî.45, 211-227 (1973).
Landis, JR, and Koch, GG Pîvanên peymana çavdêran li ser daneyên kategorîk.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK û Choi HK.Analîza tekstal, morfolojîk û statîstîkî ya wênesaziya rezonansê ya magnetîkî ya du-alî ku bi karanîna teknîkên îstîxbarata sûnî ji bo cûdakirina tîmorên mêjî yên seretayî bikar tîne.Agahiya tenduristiyê.kanî.https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Dema şandinê: Jan-04-2024