Spas ji bo serdana Nature.com. Guhertoya geroka ku hûn bikar tînin piştgiriya CSS-ê bi sînor e. Ji bo encamên çêtirîn, em pêşniyar dikin ku guhertoyek nûtir a geroka xwe bikar bînin (an jî moda lihevhatinê di Internet Explorer-ê de vemirînin). Di vê navberê de, ji bo misogerkirina piştgiriya domdar, em malperê bêyî şêwazkirin an JavaScript nîşan didin.
Diran wekî nîşana herî rast a temenê laşê mirov têne hesibandin û pir caran di nirxandina temenê dadwerî de têne bikar anîn. Me armanc kir ku texmînên temenê diranan ên li ser bingeha kolandina daneyan bi berhevkirina rastbûna texmînkirinê û performansa dabeşkirinê ya sînorê 18-salî bi rêbazên kevneşopî û texmînên temenê yên li ser bingeha kolandina daneyan piştrast bikin. Bi tevahî 2657 radyografiyên panoramîk ji welatiyên Koreyî û Japonî yên 15 heta 23 salî hatin berhev kirin. Ew li komek perwerdehiyê hatin dabeş kirin, her yek ji wan 900 radyografiyên Koreyî dihewîne, û komek testa navxweyî ku 857 radyografiyên Japonî dihewîne. Me rastbûna dabeşkirinê û karîgeriya rêbazên kevneşopî bi komên testê yên modelên kolandina daneyan re berhev kir. Rastbûna rêbaza kevneşopî li ser koma testa navxweyî hinekî ji ya modela kolandina daneyan bilindtir e, û cûdahî piçûk e (xeletiya mutleq a navînî <0.21 sal, xeletiya navînî ya çargoşeyî ya kokê <0.24 sal). Performansa dabeşkirinê ji bo sînorê 18-salî di navbera rêbazên kevneşopî û modelên kolandina daneyan de jî dişibihe hev. Bi vî rengî, rêbazên kevneşopî dikarin bi modelên kolandina daneyan werin guheztin dema ku nirxandina temenê dadwerî bi karanîna gihîştina molarên duyemîn û sêyemîn di ciwan û mezinên ciwan ên Koreyî de pêk tînin.
Texmîna temenê diranan di bijîşkiya dadwerî û dirannasiya zarokan de bi berfirehî tê bikar anîn. Bi taybetî, ji ber têkiliya bilind a di navbera temenê kronolojîk û pêşkeftina diranan de, nirxandina temenê 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 gorî gihîştina diranan xwedî sînorkirinên xwe ye ji ber ku mezinbûna diranan hema hema temam bûye, ji bilî molarên sêyemîn. Armanca qanûnî ya destnîşankirina temenê ciwan û ciwanan ew e ku texmînên rast û delîlên zanistî yên ka ew gihîştine temenê mezinbûnê an na peyda bike. Di pratîka bijîşkî-qanûnî ya ciwanan û mezinên ciwan de li Koreyê, temen bi karanîna rêbaza Lee hate texmîn kirin, û li gorî daneyên ku ji hêla Oh et al. ve hatine ragihandin, sînorê qanûnî yê 18 salan hate pêşbînî kirin 5.
Fêrbûna makîneyê cureyek ji zekaya sûnî (AI) ye ku bi dubarekirinî gelek daneyan fêr dibe û dabeş dike, pirsgirêkan bi serê xwe çareser dike, û bernamekirina daneyan dimeşîne. Fêrbûna makîneyê dikare di gelek daneyan de qalibên veşartî yên kêrhatî kifş bike6. Berevajî vê, rêbazên klasîk, ku ked-dirêj in û demdirêj in, dibe ku dema ku bi gelek daneyên tevlihev re mijûl dibin ku bi destan zehmet têne pêvajokirin7, sînorkirinên wan hebin. Ji ber vê yekê, di van demên dawî de gelek lêkolîn bi karanîna teknolojiyên komputerê yên herî dawî hatine kirin da ku xeletiyên mirovan kêm bikin û daneyên piralî bi bandor pêvajo bikin8,9,10,11,12. Bi taybetî, fêrbûna kûr di analîza wêneyên bijîşkî de bi berfirehî hatiye bikar anîn, û rêbazên cûrbecûr ji bo texmînkirina temenê bi analîzkirina otomatîkî ya radyografiyan hatine ragihandin ku rastbûn û karîgeriya texmîna temenê baştir dikin13,14,15,16,17,18,19,20. Mînakî, Halabi û hevkarên wî13 algorîtmayek fêrbûna makîneyê li ser bingeha torên neural ên konvolasyonî (CNN) pêş xistin da ku temenê îskeletê bi karanîna radyografiyên destên zarokan texmîn bikin. Ev lêkolîn modelek pêşniyar dike ku fêrbûna makîneyê li ser wêneyên bijîşkî bicîh tîne û nîşan dide ku ev rêbaz dikarin rastbûna teşhîsê baştir bikin. Li û hevkarên wî14 temen ji wêneyên tîrêjên X yên pelvisê bi karanîna CNN-ya fêrbûna kûr texmîn kirin û wan bi encamên regresyonê bi karanîna texmîna qonaxa osîfîkasyonê re berhev kirin. Wan dît ku modela CNN-ya fêrbûna kûr heman performansa texmîna temenî wekî modela regresyona kevneşopî nîşan da. Lêkolîna Guo û hevkarên wî [15] performansa dabeşkirina toleransa temenî ya teknolojiya CNN-ê li ser bingeha ortofotoyên diranan nirxand, û encamên modela CNN-ê îspat kirin ku mirov ji performansa dabeşkirina temenî ya wê çêtir performans nîşan didin.
Piraniya lêkolînên li ser texmîna temenê bi karanîna fêrbûna makîneyê rêbazên fêrbûna kûr bikar tînin13,14,15,16,17,18,19,20. Tê ragihandin ku texmîna temenê li ser bingeha fêrbûna kûr ji rêbazên kevneşopî rasttir e. Lêbelê, ev nêzîkatî derfetek hindik peyda dike ku bingeha zanistî ji bo texmînên temenê, wekî nîşaneyên temenê ku di texmînan de têne bikar anîn, pêşkêş bike. Her weha nakokîyek qanûnî li ser kesê ku vekolînan dike heye. Ji ber vê yekê, pejirandina texmîna temenê li ser bingeha fêrbûna kûr ji hêla rayedarên îdarî û dadwerî ve dijwar e. Kolandina daneyan (DM) teknîkek e ku dikare ne tenê agahdariya hêvîkirî lê di heman demê de agahdariya neçaverêkirî jî wekî rêbazek ji bo kifşkirina têkiliyên kêrhatî di navbera mîqdarên mezin ên daneyan de kifş bike6,21,22. Fêrbûna makîneyê pir caran di kolandina daneyan de tê bikar anîn, û hem kolandina daneyan û hem jî fêrbûna makîneyê heman algorîtmayên sereke bikar tînin da ku qalibên di daneyan de kifş bikin. Texmîna temenê bi karanîna pêşkeftina diranan li ser nirxandina mufetîş a gihîştina diranên hedef e, û ev nirxandin wekî qonaxek ji bo her diranek hedef tê îfade kirin. DM dikare were bikar anîn da ku têkiliya di navbera qonaxa nirxandina diranan û temenê rastîn de analîz bike û xwedî potansiyel e ku şûna analîza îstatîstîkî ya kevneşopî bigire. Ji ber vê yekê, heke em teknîkên DM li ser texmîna temenê bicîh bînin, em dikarin fêrbûna makîneyê di texmîna temenê dadwerî de bicîh bînin bêyî ku em li ser berpirsiyariya qanûnî fikar bikin. Çend lêkolînên berawirdî li ser alternatîfên gengaz ên rêbazên destan ên kevneşopî yên ku di pratîka dadwerî de têne bikar anîn û rêbazên li ser bingeha EBM-ê ji bo destnîşankirina temenê diranan hatine weşandin. Shen et al23 nîşan da ku modela DM ji formula kevneşopî ya Camerer rasttir e. Galibourg et al24 rêbazên cûda yên DM bikar anîn da ku temenê li gorî pîvana Demirdjian pêşbînî bikin25 û encam nîşan dan ku rêbaza DM di texmîna temenê nifûsa Fransayê de ji rêbazên Demirdjian û Willems çêtir performans nîşan da.
Ji bo texmînkirina temenê diranan ê ciwan û mezinên Koreyî, rêbaza Lee 4 di pratîka dadwerî ya Koreyî de bi berfirehî tê bikar anîn. Ev rêbaz analîza îstatîstîkî ya kevneşopî (wek regresyona pirjimar) bikar tîne da ku têkiliya di navbera mijarên Koreyî û temenê kronolojîk de lêkolîn bike. Di vê lêkolînê de, rêbazên texmînkirina temenê ku bi karanîna rêbazên îstatîstîkî yên kevneşopî hatine bidestxistin wekî "rêbazên kevneşopî" têne pênase kirin. Rêbaza Lee rêbazek kevneşopî ye, û rastbûna wê ji hêla Oh et al. 5 ve hatiye piştrast kirin; lêbelê, sepandina texmîna temenê li ser bingeha modela DM di pratîka dadwerî ya Koreyî de hîn jî gumanbar e. Armanca me ew bû ku em bi zanistî kêrhatîbûna potansiyel a texmîna temenê li ser bingeha modela DM piştrast bikin. Armanca vê lêkolînê (1) berhevdana rastbûna du modelên DM di texmînkirina temenê diranan de û (2) berhevdana performansa dabeşkirinê ya 7 modelên DM di temenê 18 salî de bi yên ku bi karanîna rêbazên îstatîstîkî yên kevneşopî hatine bidestxistin. Gihiştina molarên duyemîn û sêyemîn di her du çeneyan de.
Navînî û devîasyonên standard ên temenê kronolojîk li gorî qonax û celebê diranan di Tabloya Pêvek S1 (koma perwerdehiyê), Tabloya Pêvek S2 (koma testa navxweyî), û Tabloya Pêvek S3 (koma testa derveyî) de li ser înternetê têne nîşandan. Nirxên kappa ji bo pêbaweriya nav- û navbera çavdêran ên ji koma perwerdehiyê hatine bidestxistin, bi rêzê ve 0.951 û 0.947 bûn. Nirxên P û navberên baweriyê yên 95% ji bo nirxên kappa di tabloya pêvek S4 ya serhêl de têne nîşandan. Nirxa kappa wekî "hema bêje bêkêmasî" hate şîrove kirin, li gorî pîvanên Landis û Koch26.
Dema ku xeletiya navînî ya mutleq (MAE) tê berawirdkirin, rêbaza kevneşopî ji bo hemî zayendan û di koma testa mêr a derveyî de hinekî ji modela DM çêtir e, ji bilî perceptrona pirqatî (MLP). Cûdahiya di navbera modela kevneşopî û modela DM de li ser koma testa MAE ya navxweyî ji bo mêran 0.12–0.19 sal û ji bo jinan 0.17–0.21 sal bû. Ji bo bataryaya 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 kokê (RMSE) ji rêbaza kevneşopî hinekî kêmtir e, bi cûdahiyên piçûktir (0.17–0.24, 0.2–0.24 ji bo koma testa navxweyî ya mêran, û 0.03–0.07, 0.04–0.08 ji bo koma testa derveyî). MLP performansek hinekî çêtir ji Perceptrona Qata Yekane (SLP) nîşan dide, ji bilî rewşa koma testa derveyî ya jinê. Ji bo MAE û RMSE, koma testa derveyî ji bo hemî zayend û modelan ji koma testa navxweyî puanên bilindtir digire. Hemî MAE û RMSE di Tabloya 1 û Wêne 1 de têne nîşandan.
MAE û RMSE yên modelên regresyonê yên kevneşopî û yên kolandina daneyan. Çewtiya navînî ya mutleq MAE, çewtiya koka navînî ya çargoşe RMSE, perceptrona yekqatî SLP, perceptrona pirqatî MLP, rêbaza CM ya kevneşopî.
Performansa dabeşkirinê (bi sînorkirina 18 salan) ya modelên kevneşopî û DM ji hêla hesasiyet, taybetmendî, nirxa pêşbînî ya erênî (PPV), nirxa pêşbînî ya neyînî (NPV), û qada di bin xêza taybetmendiya xebitandinê ya wergir de (AUROC) 27 hate nîşandan (Tabloya 2, Wêne 2 û Wêneya Pêvek 1 serhêl). Di warê hesasiyeta bateriya testa navxweyî de, rêbazên kevneşopî di nav mêran de çêtirîn û di nav jinan de xirabtir performans nîşan dan. Lêbelê, cûdahiya di performansa dabeşkirinê de di navbera rêbazên kevneşopî û SD de ji bo mêran %9,7 û ji bo jinan tenê %2,4 e (XGBoost). Di nav modelên DM de, regresyona lojîstîk (LR) di her du zayendan de hesasiyeteke çêtir nîşan da. Di derbarê taybetmendiya koma testa navxweyî de, hate dîtin ku çar modelên SD di mêran de baş performans nîşan dan, lê modela kevneşopî di jinan de çêtir performans nîşan da. Cûdahiyên di performansa dabeşkirinê de ji bo mêr û jinan bi rêzê %13,3 (MLP) û %13,1 (MLP) ne, ku nîşan dide ku cûdahiya di performansa dabeşkirinê de di navbera modelan de ji hesasiyetê derbas dibe. Di nav modelên DM de, modelên makîneya vektora piştgirîyê (SVM), dara biryarê (DT), û daristana rasthatî (RF) di nav mêran de çêtirîn performans nîşan dan, di heman demê de modela LR di nav jinan de çêtirîn performans nîşan da. AUROC ya modela kevneşopî û hemî modelên SD ji 0.925 (k-cîranê herî nêzîk (KNN) di mêran de) mezintir bû, ku performansa dabeşkirinê ya hêja di cudakirina nimûneyên 18-salî de nîşan da28. Ji bo koma testa derveyî, di warê hesasiyet, taybetmendî û AUROC de li gorî koma testa navxweyî kêmbûnek di performansa dabeşkirinê de hebû. Wekî din, cûdahiya di hesasiyet û taybetmendîyê de di navbera performansa dabeşkirinê ya modelên çêtirîn û herî xirab de ji% 10 heta% 25 diguhere û ji cûdahiya di koma testa navxweyî de mezintir bû.
Hesasiyet û taybetmendiya modelên dabeşkirina kolandina daneyan li gorî rêbazên kevneşopî bi sînorek 18 salan. KNN k cîranê herî nêzîk, makîneya vektoriya piştgiriyê ya SVM, regresyona lojîstîkî ya LR, dara biryarê ya DT, daristana rasthatî ya RF, XGB XGBoost, perceptrona pirqatî ya MLP, rêbaza CM ya kevneşopî.
Pêngava yekem di vê lêkolînê de ew bû ku rastbûna texmînên temenê diranan ên ji heft modelên DM hatine bidestxistin bi yên ku bi karanîna regresyona kevneşopî hatine bidestxistin re were berawirdkirin. MAE û RMSE di setên ceribandina navxweyî de ji bo her du zayendan hatin nirxandin, û cûdahiya di navbera rêbaza kevneşopî û modela DM de ji bo MAE ji 44 heta 77 rojan û ji bo RMSE ji 62 heta 88 rojan diguhere. Her çend rêbaza kevneşopî di vê lêkolînê de hinekî rasttir bû jî, dijwar e ku meriv encam bide ka cûdahiyek wusa piçûk xwedî girîngiya klînîkî an pratîkî ye. Ev encam nîşan didin ku rastbûna texmîna temenê diranan bi karanîna modela DM hema hema wekî ya rêbaza kevneşopî ye. Berawirdkirina rasterast bi encamên ji lêkolînên berê re dijwar e ji ber ku tu lêkolînê rastbûna modelên DM bi rêbazên îstatîstîkî yên kevneşopî yên ku heman teknîka tomarkirina diranan di heman rêza temenî de wekî di vê lêkolînê de bikar tînin, berawird nekiriye. Galibourg û hevkarên wî24 MAE û RMSE di navbera du rêbazên kevneşopî (rêbaza Demirjian25 û rêbaza Willems29) û 10 modelên DM de di nifûsa Fransî ya 2 heta 24 salî de berawird kirin. Wan ragihand ku hemû modelên DM ji rêbazên kevneşopî rasttir bûn, bi cudahîyên 0.20 û 0.38 salan di MAE û 0.25 û 0.47 salan di RMSE de li gorî rêbazên Willems û Demirdjian, bi rêzê ve. Cûdahiya di navbera modela SD û rêbazên kevneşopî yên ku di lêkolîna Halibourg de têne nîşandan, gelek rapor li ber çavan digire30,31,32,33 ku rêbaza Demirdjian temenê diranan di nifûsên ji bilî Kanadayiyên Fransî yên ku lêkolîn li ser wan hatiye avakirin de bi rastî texmîn nake. Tai û hevkarên wî 34 algorîtmaya MLP bikar anîn da ku temenê diranan ji 1636 wêneyên ortodontîk ên Çînî pêşbînî bikin û rastbûna wê bi encamên rêbaza Demirjian û Willems re berhev kirin. Wan ragihand ku MLP xwedî rastbûnek bilindtir ji rêbazên kevneşopî ye. Cûdahiya di navbera rêbaza Demirdjian û rêbaza kevneşopî de <0.32 sal e, û rêbaza Willems 0.28 sal e, ku dişibihe encamên lêkolîna heyî. Encamên van lêkolînên berê24,34 jî bi encamên lêkolîna niha re li hev tên, û rastbûna texmîna temenê modela DM û rêbaza kevneşopî dişibin hev. Lêbelê, li gorî encamên pêşkêşkirî, em tenê dikarin bi hişyarî bigihîjin wê encamê ku karanîna modelên DM ji bo texmîna temenê dikare şûna rêbazên heyî bigire ji ber nebûna lêkolînên berê yên berawirdî û referansê. Ji bo piştrastkirina encamên ku di vê lêkolînê de hatine bidestxistin, lêkolînên şopandinê yên ku nimûneyên mezintir bikar tînin hewce ne.
Di nav lêkolînên ku rastbûna SD di texmînkirina temenê diranan de diceribînin de, hin ji wan rastbûnek ji lêkolîna me bilindtir nîşan dan. Stepanovsky û hevkarên wî 35 22 modelên SD li ser radyografiyên panoramîk ên 976 niştecîhên Çek ên di navbera 2.7 û 20.5 salî de sepandin û rastbûna her modelek ceribandin. Wan pêşveçûna bi tevahî 16 diranên mayînde yên çepê yên jorîn û jêrîn bi karanîna pîvanên dabeşkirinê yên ku ji hêla Moorrees û hevkarên wî ve hatine pêşniyar kirin nirxandin 36. MAE ji 0.64 heta 0.94 salî û RMSE ji 0.85 heta 1.27 salî diguhere, ku ji du modelên DM yên ku di vê lêkolînê de hatine bikar anîn rasttir in. Shen û hevkarên wî 23 rêbaza Cameriere bikar anîn da ku temenê diranên heft diranên mayînde yên di çengê çepê de li niştecîhên rojhilatê Çînê yên di navbera 5 û 13 salî de texmîn bikin û wê bi temenên ku bi karanîna regresyona xêzik, SVM û RF hatine texmîn kirin re berhev kirin. Wan nîşan da ku her sê modelên DM li gorî formula Cameriere ya kevneşopî rastbûnek bilindtir hene. MAE û RMSE di lêkolîna Shen de ji yên di modela DM ya vê lêkolînê de kêmtir bûn. Rastbûna zêde ya lêkolînên Stepanovsky et al. 35 û Shen et al. 23 dibe ku ji ber tevlêbûna mijarên ciwantir di nimûneyên lêkolîna wan de be. Ji ber ku texmînên temenê ji bo beşdarên bi diranên pêşkeftî rasttir dibin dema ku hejmara diranan di dema pêşkeftina diranan de zêde dibe, rastbûna rêbaza texmîna temenê ya encam dibe ku dema beşdarên lêkolînê ciwantir bin têk biçe. Wekî din, xeletiya MLP di texmîna temenê de ji ya SLP hinekî piçûktir e, ev tê vê wateyê ku MLP ji SLP rasttir e. MLP ji bo texmîna temenê hinekî çêtir tê hesibandin, dibe ku ji ber tebeqeyên veşartî yên di MLP38 de. Lêbelê, ji bo nimûneya derveyî ya jinan îstîsnayek heye (SLP 1.45, MLP 1.49). Dîtina ku MLP di nirxandina temenê de ji SLP rasttir e, lêkolînên paşverû yên din hewce dike.
Performansa dabeşkirinê ya modela DM û rêbaza kevneşopî di asta 18 salî de jî hate berhevdan. Hemî modelên SD yên ceribandî û rêbazên kevneşopî li ser koma testa navxweyî astên cudakariyê yên pratîkî yên qebûlkirî ji bo nimûneya 18 salî nîşan dan. Hesasiyet ji bo 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 ceribandî jî ji 0.925 derbas dibe. Bi qasî ku em dizanin, ti lêkolînek performansa modela DM ji bo dabeşkirina 18 salî li ser bingeha gihîştina diranan ceribandiye. Em dikarin encamên vê lêkolînê bi performansa dabeşkirinê ya modelên fêrbûna kûr li ser radyografiyên panoramîk bidin ber hev. Guo et al.15 performansa dabeşkirinê ya modelek fêrbûna kûr a li ser bingeha CNN û rêbazek destanî li ser bingeha rêbaza Demirjian ji bo asta temenek diyarkirî hesab kirin. Hesasiyet û taybetmendiya rêbaza destî bi rêzê ve %87.7 û %95.5 bûn, û hesasiyet û taybetmendiya modela CNN bi rêzê ve ji %89.2 û %86.6 derbas bû. Wan encam da ku modelên fêrbûna kûr dikarin di dabeşkirina sînorên temenî de nirxandina destî biguherînin an jî ji wan çêtir bikin. Encamên vê lêkolînê performansa dabeşkirinê ya wekhev nîşan dan; Tê bawerkirin ku dabeşkirin bi karanîna modelên DM dikare rêbazên îstatîstîkî yên kevneşopî ji bo texmîna temenî biguhezîne. Di nav modelan de, DM LR di warê hesasiyetê de ji bo nimûneya mêran û hesasiyet û taybetmendiyê de ji bo nimûneya jinan modela çêtirîn bû. LR di warê taybetmendiyê de ji bo mêran di rêza duyemîn de ye. Wekî din, LR wekî yek ji modelên DM35-ê yên bikarhêner-dostanetir tê hesibandin û kêmtir tevlihev û dijwar e ku were pêvajo kirin. Li ser bingeha van encaman, LR wekî modela dabeşkirina qutkirinê ya çêtirîn ji bo 18-salî di nifûsa Koreyî de hate hesibandin.
Bi tevayî, rastbûna texmîna temen an performansa dabeşkirinê li ser koma testa derveyî nebaş an jî kêmtir bû li gorî encamên li ser koma testa navxweyî. Hin rapor destnîşan dikin ku rastbûna dabeşkirinê an jî karîgeriya wê kêm dibe dema ku texmînên temen ên li ser bingeha nifûsa Koreyî li ser nifûsa Japonî têne sepandin5,39, û di vê lêkolînê de şêwazek wekhev hat dîtin. Ev meyla xirabûnê di modela DM de jî hat dîtin. Ji ber vê yekê, ji bo texmînkirina rast a temen, tewra dema ku DM di pêvajoya analîzê de tê bikar anîn jî, divê rêbazên ku ji daneyên nifûsa xwecihî, wekî rêbazên kevneşopî, hatine wergirtin, werin 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 karîgeriyê bi karanîna rêbazên kevneşopî, modelên DM, û modelên fêrbûna kûr li ser heman nimûneyan didin ber hev, hewce ne ku piştrast bikin ka zekaya sûnî dikare van newekheviyên nijadî di nirxandinên temenê sînorkirî de derbas bike.
Em nîşan didin ku rêbazên kevneşopî dikarin li gorî modela DM di pratîka texmîna temenê dadwerî de li Koreyê bi texmîna temenê werin guhertin. Me her wiha îhtîmala pêkanîna fêrbûna makîneyê ji bo nirxandina temenê dadwerî kifş kir. Lêbelê, sînorkirinên zelal hene, wekî hejmara têr a beşdaran di vê lêkolînê de ji bo destnîşankirina encamên bi awayekî teqez, û nebûna lêkolînên berê ji bo berawirdkirin û piştrastkirina encamên vê lêkolînê. Di pêşerojê de, lêkolînên DM divê bi hejmareke mezintir a nimûneyan û nifûsên cihêrengtir werin kirin da ku sepandina wê ya pratîkî li gorî rêbazên kevneşopî baştir bibe. Ji bo piştrastkirina gengaziya karanîna zekaya sûnî ji bo texmînkirina temenê di gelek nifûsan de, lêkolînên pêşerojê hewce ne ku rastbûna dabeşkirinê û karîgeriya modelên DM û fêrbûna kûr bi rêbazên kevneşopî di heman nimûneyan de bidin ber hev.
Di lêkolînê de 2,657 wêneyên ortografîk ên ji mezinên Koreyî û Japonî yên di navbera 15 û 23 salî de hatine berhevkirin, hatine bikaranîn. Radyografên Koreyî li 900 setên perwerdehiyê (19.42 ± 2.65 sal) û 900 setên testa navxweyî (19.52 ± 2.59 sal) hatine dabeşkirin. Seta perwerdehiyê li saziyekê (Nexweşxaneya St. Mary's a Seoul) hatiye berhevkirin, û seta testa xwe li du saziyan (Nexweşxaneya Diranan a Zanîngeha Neteweyî ya Seoul û Nexweşxaneya Diranan a Zanîngeha Yonsei) hatiye berhevkirin. Me her wiha 857 radyografi ji daneyên din ên li ser bingeha nifûsê (Zanîngeha Bijîşkî ya Iwate, Japonya) ji bo ceribandina derveyî berhev kirin. Radyografên mijarên Japonî (19.31 ± 2.60 sal) wekî seta testa derveyî hatine hilbijartin. Daneyên bi paşverû hatine berhevkirin da ku qonaxên pêşkeftina diranan li ser radyografiyên panoramîk ên ku di dema dermankirina diranan de hatine kişandin werin analîzkirin. Hemû daneyên berhevkirî ji bilî zayend, roja jidayikbûnê û roja radyografiyê anonîm bûn. Pîvanên tevlêbûn û derxistinê wekî lêkolînên berê yên hatine weşandin 4, 5 bûn. Temenê rastîn ê nimûneyê bi derxistina roja jidayikbûnê ji roja ku radyografi hatiye kişandin hate hesabkirin. Koma nimûneyê li neh komên temenî hate dabeş kirin. Belavbûnên temen û zayendê di Tabloya 3-an de têne nîşandan. Ev lêkolîn li gorî Danezana Helsînkî hate kirin û ji hêla Lijneya Nirxandina Sazûmanî (IRB) ya Nexweşxaneya St. Mary ya Seoulê ya Zanîngeha Katolîk a Koreyê (KC22WISI0328) ve hate pejirandin. Ji ber sêwirana paşverû ya vê lêkolînê, razîbûna agahdar ji hemî nexweşên ku ji bo armancên dermankirinê muayeneya radyografiyê derbas dikin nekarî were wergirtin. Nexweşxaneya St. Mary ya Zanîngeha Seoulê ya Koreyê (IRB) şertê razîbûna agahdar betal kir.
Qonaxên pêşketinê yên molarên duyemîn û sêyemîn ên bimaksîlar li gorî pîvanên Demircan25 hatin nirxandin. Ger heman celeb diran li aliyên çep û rastê yên her çeneyê hatiba dîtin, tenê yek diran hat hilbijartin. Ger diranên homolog ên li her du aliyan di qonaxên pêşketinê yên cuda de bûn, dirana bi qonaxa pêşketinê ya jêrîn hat hilbijartin da ku nezelaliya temenê texmînkirî were hesibandin. Sed radyografiyên bi awayekî rasthatî ji koma perwerdehiyê ji hêla du çavdêrên xwedî ezmûn ve hatin nirxandin da ku pêbaweriya navbera çavdêran piştî pêş-kalîbrasyonê ji bo destnîşankirina qonaxa gihîştina diranan were ceribandin. Pêbaweriya nav-çavdêran du caran di navberên sê mehan de ji hêla çavdêrê sereke ve hat nirxandin.
Cinsiyet û qonaxa pêşketinê ya molarên duyem û sêyem ên her çeneyê di koma perwerdeyê de ji hêla çavdêrekî sereke ve ku bi modelên DM yên cuda ve hatiye perwerdekirin, hat texmînkirin, û temenê rastîn wekî nirxa hedef hat destnîşankirin. Modelên SLP û MLP, ku bi berfirehî di fêrbûna makîneyê de têne bikar anîn, li hember algorîtmayên regresyonê hatin ceribandin. Modela DM fonksiyonên xêzikî bi karanîna qonaxên pêşketinê yên çar diranan dike yek û van daneyan ji bo texmînkirina temenî dike yek. SLP tora neuralî ya herî hêsan e û tebeqeyên veşartî nagire nav xwe. SLP li ser bingeha veguhestina eşikê di navbera girêkan de dixebite. Modela SLP di regresyonê de ji hêla matematîkî ve dişibihe regresyona xêzikî ya pirjimar. Berevajî modela SLP, modela MLP xwedî tebeqeyên veşartî yên pirjimar bi fonksiyonên çalakkirina nexêzikî ye. Ceribandinên me tebeqeyek veşartî bi tenê 20 girêkên veşartî bi fonksiyonên çalakkirina nexêzikî bikar anîn. Daketina gradient wekî rêbaza çêtirkirinê û MAE û RMSE wekî fonksiyona windabûnê bikar bînin da ku modela me ya fêrbûna makîneyê perwerde bikin. Modela regresyonê ya çêtirîn hatî bidestxistin li ser setên ceribandinê yên navxweyî û derveyî hat sepandin û temenê diranan hat texmînkirin.
Algorîtmayek dabeşkirinê hate pêşxistin ku gihîştina çar diranan li ser koma perwerdehiyê bikar tîne da ku pêşbînî bike ka nimûneyek 18 salî ye an na. Ji bo avakirina modelê, me heft algorîtmayên fêrbûna makîneyê yên temsîlkirinê derxistin6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, û (7) MLP. LR yek ji algorîtmayên dabeşkirinê yên herî berbelav e44. Ew algorîtmayek fêrbûna çavdêrîkirî ye ku regresyonê bikar tîne da ku îhtîmala daneyên ku aîdî kategoriyek diyarkirî ne ji 0 heta 1 pêşbînî bike û daneyan wekî aîdî kategoriyek muhtemeltir li gorî vê îhtîmalê dabeş dike; bi giranî ji bo dabeşkirina dualî tê bikar anîn. KNN yek ji algorîtmayên fêrbûna makîneyê yên herî hêsan e45. Dema ku daneyên têketinê yên nû têne dayîn, ew k daneyan nêzîkî koma heyî dibîne û dûv re wan di nav çîna bi frekansa herî bilind de dabeş dike. Me 3 ji bo hejmara cîranên ku têne hesibandin (k) danî. SVM algorîtmayek e ku dûrahiya di navbera du çînan de bi karanîna fonksiyonek kernel zêde dike da ku cîhê xêzikî berfireh bike nav cîhek ne-xêzikî ya bi navê zeviyan46. Ji bo vê modelê, em bias = 1, power = 1, û gamma = 1 wekî hîperparametreyên ji bo kernela polînomîal bikar tînin. DT di warên cûrbecûr de wekî algorîtmayek ji bo dabeşkirina tevahiya komek daneyan di çend binkoman de bi temsîlkirina qaîdeyên biryardanê di avahiyek darê de hatiye sepandin47. Model bi hejmareke herî kêm a tomarên li ser her girêkek 2 ve hatî mîheng kirin û endeksa Gini wekî pîvanek kalîteyê bikar tîne. RF rêbazek ensemble ye ku gelek DT-yan bi hev re dike yek da ku performansê bi karanîna rêbazek berhevkirina bootstrap-ê ku ji bo her nimûneyek dabeşkerek qels çêdike bi kişandina nimûneyên bi heman mezinahî gelek caran ji daneya orîjînal48. Me 100 dar, 10 kûrahiyên daran, 1 mezinahiya girêkek herî kêm, û endeksa tevliheviya Gini wekî pîvanên veqetandina girêkan bikar anîn. Dabeşkirina daneyên nû bi piraniya dengan tê destnîşankirin. XGBoost algorîtmayek e ku teknîkên zêdekirinê bi karanîna rêbazek ku xeletiya di navbera nirxên rastîn û pêşbînîkirî yên modela berê de wekî daneyên perwerdehiyê digire û xeletiyê bi karanîna gradientan zêde dike49, bi hev re dike. Ew algorîtmayek pir tê bikaranîn e ji ber performansa wê ya baş û karîgeriya çavkaniyan, û her weha pêbaweriya bilind wekî fonksiyonek rastkirina zêde-lihevkirinê. Model bi 400 çerxên piştgiriyê ve hatî çêkirin. MLP toreke neuralî ye ku tê de yek an çend perceptron gelek tebeqeyan bi yek an çend tebeqeyên veşartî di navbera tebeqeyên têketin û derketinê de çêdikin38. Bi karanîna vê yekê, hûn dikarin dabeşkirina ne-xêzik pêk bînin ku dema ku hûn tebeqeyek têketinê lê zêde dikin û nirxek encamek digirin, nirxa encama pêşbînîkirî bi nirxa encama rastîn re tê berhev kirin û xeletî paşve tê belavkirin. Me tebeqeyek veşartî bi 20 neuronên veşartî di her tebeqeyê de çêkir. Her modelek ku me pêşxist li ser setên navxweyî û derveyî hate sepandin da ku performansa dabeşkirinê bi hesabkirina hesasiyet, taybetmendî, PPV, NPV, û AUROC were ceribandin. Hesasiyet wekî rêjeya nimûneyek ku tê texmîn kirin ku 18 salî an mezintir e bi nimûneyek ku tê texmîn kirin ku 18 salî an mezintir e tê pênase kirin. Taybetmendî rêjeya nimûneyên ku temenê wan di bin 18 salî de ye û yên ku tê texmîn kirin ku temenê wan di bin 18 salî de ye.
Qonaxên diranan ên ku di koma perwerdehiyê de hatine nirxandin ji bo analîza îstatîstîkî veguherî qonaxên hejmarî. Regresyona xêzikî ya pirguherbar û lojîstîkî ji bo pêşxistina modelên pêşbînîkirinê ji bo her zayendê û derxistina formulên regresyonê yên ku dikarin ji bo texmînkirina temen werin bikar anîn hatin kirin. Me van formulan ji bo texmînkirina temenê diranan ji bo setên testê yên navxweyî û derveyî bikar anîn. Tabloya 4 modelên regresyon û dabeşkirinê yên ku di vê lêkolînê de hatine bikar anîn nîşan dide.
Pêbaweriya di nav- û navbera çavdêran de bi karanîna statîstîka kappa ya Cohen hate hesabkirin. Ji bo ceribandina rastbûna modelên regresyonê yên DM û kevneşopî, me MAE û RMSE bi karanîna temenên texmînkirî û rastîn ên setên testê yên navxweyî û derveyî hesab kirin. Ev xeletî bi gelemperî ji bo nirxandina rastbûna pêşbîniyên modelê têne bikar anîn. Çewtî çiqas piçûktir be, rastbûna pêşbîniyê jî ewqas bilindtir dibe24. MAE û RMSE yên setên testê yên navxweyî û derveyî yên ku bi karanîna DM û regresyona kevneşopî hatine hesabkirin bidin ber hev. Performansa dabeşkirinê ya qutbûna 18-salî di statîstîkên kevneşopî de bi karanîna tabloyek şertî ya 2 × 2 hate nirxandin. Hestiyarî, taybetmendî, PPV, NPV, û AUROC-ya hesabkirî ya seta testê bi nirxên pîvandî yên modela dabeşkirina DM re hatin berhev kirin. Daneyên wekî navînî ± devîasyona standard an hejmar (%) li gorî taybetmendiyên daneyan têne îfade kirin. Nirxên P-ya du-alî <0.05 wekî girîng ên statîstîkî hatin hesibandin. Hemî analîzên statîstîkî yên rûtîn bi karanîna guhertoya SAS 9.4 (SAS Institute, Cary, NC) hatin kirin. Modela regresyonê ya DM di Pythonê de bi karanîna Keras50 2.2.4 backend û Tensorflow51 1.8.0 bi taybetî ji bo operasyonên matematîkî hate bicîhanîn. Modela dabeşkirina DM di Jîngeha Analîza Zanînê ya Waikato û platforma analîzê ya Konstanz Information Miner (KNIME) 4.6.152 de hate bicîhanîn.
Nivîskar qebûl dikin ku daneyên ku piştgiriyê didin encamên lêkolînê dikarin di gotarê û materyalên pêvek de werin dîtin. Setên daneyê yên ku di dema lêkolînê de hatine çêkirin û/an analîzkirin, li ser daxwazek maqûl ji nivîskarê têkildar peyda dibin.
Ritz-Timme, S. û yên din. Nirxandina temen: rewşa heyî ji bo bicihanîna pêdiviyên taybetî yên pratîka dadwerî. navneteweyîbûn. J. Legal medicine. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., û Olze, A. Rewşa niha ya nirxandina temenê dadwerî ya mijarên zindî ji bo armancên darizandina cezayî. Forensics. medicine. Pathology. 1, 239–246 (2005).
Pan, J. û yên din. Rêbazek guhertî ji bo nirxandina temenê diranan a zarokên 5 heta 16 salî li rojhilatê Çînê. klînîkî. Lêkolîna devkî. 25, 3463–3474 (2021).
Lee, SS û hwd. Kronolojiya pêşveçûna molarên duyemîn û sêyemîn li Koreyî û sepandina wê ji bo nirxandina temenê dadwerî. navneteweyîbûn. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY û Lee, SS Rastbûna texmîna temen û texmîna sînorê 18-salî li gorî gihîştina molarên duyemîn û sêyemîn li Koreyî û Japonî. PLoS ONE 17, e0271247 (2022).
Kim, JY, û yên din. Analîza daneyên li ser bingeha fêrbûna makîneyê ya berî emeliyatê dikare encama dermankirina emeliyata xewê li nexweşên bi OSA pêşbînî bike. zanist. Rapor 11, 14911 (2021).
Han, M. û yên din. Texmîna temenê rast ji fêrbûna makîneyê bi destwerdana mirovan an bêyî wê? navneteweyîbûn. J. Legal medicine. 136, 821–831 (2022).
Khan, S. û Shaheen, M. Ji Kolandina Daneyan bo Kolandina Daneyan. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. û Shaheen, M. WisRule: Algorîtmaya Zanînî ya Yekem ji bo Kolandina Qaîdeya Hevgirtinê. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. û Abdullah U. Karm: Kolandina daneyên kevneşopî li ser bingeha qaîdeyên girêdanê yên li ser çarçoveyê. hesab bike. Matt. berdewam bike. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. û Habib M. Tesbîtkirina wekheviya semantîk a li ser bingeha fêrbûna kûr bi karanîna daneyên nivîsê. agahdarî. teknolojiyên. kontrol. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., û Shahin, M. Sîstemek ji bo naskirina çalakiyê di vîdyoyên werzîşê de. multimedia. Amûrên Serlêdanê https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS û yên din. Pirsgirêka Fêrbûna Makîneyê ya RSNA di Temenê Hestiyê Zarokan de. Radyolojî 290, 498–503 (2019).
Li, Y. û yên din. Texmîna temenê dadwerî ji tîrêjên X yên pelvîk bi karanîna fêrbûna kûr. EURO. radyasyon. 29, 2322–2329 (2019).
Guo, YC, û yên din. Dabeşkirina temenê rast bi karanîna rêbazên destan û torên neural ên konvolusyonî yên kûr ji wêneyên projeksiyona ortografîk. navneteweyî. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora û yên din. Texmîna temenê hestî bi karanîna rêbazên cûda yên fêrbûna makîneyê: nirxandinek sîstematîk a wêjeyê û meta-analîz. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., û Yang, J. Texmîna temenê taybetî ya nifûsê ya Afrîkî-Amerîkî û Çînîyan li gorî qebareyên odeya pulpê ya molarên yekem bi karanîna tomografiya kompûterî ya tîrêj-konîk. navneteweyî. J. dermanê qanûnî. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK û Oh KS Diyar kirina komên temenî yên mirovên zindî bi karanîna wêneyên molarên yekem ên li ser bingeha aqilê sûnî. zanist. Rapor 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., û Urschler, M. Texmîna temenê otomatîk û dabeşkirina temenê piraniya mirovan ji daneyên MRI yên pirguherbar. IEEE J. Biomed. Hişyariyên Tenduristiyê. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. û Li, G. Texmîna temenê li ser bingeha dabeşkirina odeya pulpê ya 3D ya molarên yekem ji tomografiya hesabkirî ya tîrêjê konî bi yekkirina fêrbûna kûr û setên astê. navneteweyî. J. Tibbê Yasayî. 135, 365–373 (2021).
Wu, WT, û yên din. Kolandina daneyan di daneyên mezin ên klînîkî de: modelên databasan, gav û rêbazan ên hevpar. World. medicine. resource. 8, 44 (2021).
Yang, J. û yên din. Danasîna Databasên Bijîşkî û Teknolojiyên Madenkirina Daneyan di Serdema Daneyên Mezin de. J. Avid. Dermanê bingehîn. 13, 57–69 (2020).
Shen, S. û yên din. Rêbaza Camerer ji bo texmînkirina temenê diranan bi karanîna fêrbûna makîneyê. BMC Oral Health 21, 641 (2021).
Galliburg A. û yên din. Berawirdkirina rêbazên cûda yên fêrbûna makîneyê ji bo pêşbînîkirina temenê diranan bi karanîna rêbaza qonaxa Demirdjian. navneteweyî. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. û Tanner, JM Sîstemeke nû ji bo nirxandina temenê diranan. snort. biology. 45, 211–227 (1973).
Landis, JR, û Koch, GG Pîvanên lihevkirina çavdêran li ser daneyên kategorîk. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK û Choi HK. Analîza tekstural, morfolojîk û îstatîstîkî ya wênekirina rezonansa manyetîk a du-alî bi karanîna teknîkên zekaya sûnî ji bo cûdakirina tumorên seretayî yên mêjî. Agahiyên tenduristiyê. çavkanî. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Dema Postê: 04-01-2024