Gracias por visitar Nature.com. La versión de su navegador tiene compatibilidad limitada con CSS. Para obtener mejores resultados, le recomendamos usar una versión más reciente de su navegador (o desactivar el modo de compatibilidad en Internet Explorer). Mientras tanto, para garantizar la compatibilidad continua, mostramos el sitio sin estilos ni JavaScript.
Los dientes se consideran el indicador más preciso de la edad del cuerpo humano y se utilizan frecuentemente en la evaluación forense de la edad. Nuestro objetivo fue validar las estimaciones de edad dental basadas en minería de datos comparando la precisión de la estimación y el rendimiento de clasificación del umbral de 18 años con los métodos tradicionales y las estimaciones de edad basadas en minería de datos. Se recopilaron un total de 2657 radiografías panorámicas de ciudadanos coreanos y japoneses de entre 15 y 23 años. Estas se dividieron en un conjunto de entrenamiento, cada uno con 900 radiografías coreanas, y un conjunto de prueba interno con 857 radiografías japonesas. Comparamos la precisión de clasificación y la eficiencia de los métodos tradicionales con los conjuntos de prueba de los modelos de minería de datos. La precisión del método tradicional en el conjunto de prueba interno es ligeramente superior a la del modelo de minería de datos, y la diferencia es pequeña (error absoluto medio <0,21 años, error cuadrático medio <0,24 años). El rendimiento de clasificación para el umbral de 18 años también es similar entre los métodos tradicionales y los modelos de minería de datos. Por lo tanto, los métodos tradicionales pueden ser reemplazados por modelos de minería de datos al realizar la evaluación forense de la edad utilizando la madurez de los segundos y terceros molares en adolescentes y adultos jóvenes coreanos.
La estimación de la edad dental se utiliza ampliamente en medicina forense y odontología pediátrica. En particular, debido a la alta correlación entre la edad cronológica y el desarrollo dental, la evaluación de la edad por etapas de desarrollo dental es un criterio importante para evaluar la edad de niños y adolescentes1,2,3. Sin embargo, para los jóvenes, estimar la edad dental basándose en la madurez dental tiene sus limitaciones porque el crecimiento dental está casi completo, con la excepción de los terceros molares. El propósito legal de determinar la edad de los jóvenes y adolescentes es proporcionar estimaciones precisas y evidencia científica de si han alcanzado la mayoría de edad. En la práctica médico-legal de adolescentes y adultos jóvenes en Corea, la edad se estimó utilizando el método de Lee, y se predijo un umbral legal de 18 años basado en los datos reportados por Oh et al 5 .
El aprendizaje automático es un tipo de inteligencia artificial (IA) que aprende y clasifica repetidamente grandes cantidades de datos, resuelve problemas por sí mismo e impulsa la programación de datos. El aprendizaje automático puede descubrir patrones ocultos útiles en grandes volúmenes de datos6. En contraste, los métodos clásicos, que son laboriosos y consumen mucho tiempo, pueden tener limitaciones al tratar con grandes volúmenes de datos complejos que son difíciles de procesar manualmente7. Por lo tanto, se han realizado muchos estudios recientemente utilizando las últimas tecnologías informáticas para minimizar los errores humanos y procesar eficientemente datos multidimensionales8,9,10,11,12. En particular, el aprendizaje profundo se ha utilizado ampliamente en el análisis de imágenes médicas, y se han informado varios métodos para la estimación de la edad mediante el análisis automático de radiografías para mejorar la precisión y eficiencia de la estimación de la edad13,14,15,16,17,18,19,20. Por ejemplo, Halabi et al 13 desarrollaron un algoritmo de aprendizaje automático basado en redes neuronales convolucionales (CNN) para estimar la edad esquelética utilizando radiografías de manos de niños. Este estudio propone un modelo que aplica el aprendizaje automático a imágenes médicas y muestra que estos métodos pueden mejorar la precisión diagnóstica. Li et al.14 estimaron la edad a partir de imágenes de rayos X pélvicos utilizando una CNN de aprendizaje profundo y la compararon con los resultados de regresión utilizando la estimación de la etapa de osificación. Encontraron que el modelo CNN de aprendizaje profundo mostró el mismo rendimiento de estimación de edad que el modelo de regresión tradicional. El estudio de Guo et al.15 evaluó el rendimiento de clasificación de tolerancia de edad de la tecnología CNN basada en ortofotos dentales, y los resultados del modelo CNN demostraron que los humanos superaron su rendimiento de clasificación de edad.
La mayoría de los estudios sobre estimación de edad mediante aprendizaje automático utilizan métodos de aprendizaje profundo13,14,15,16,17,18,19,20. Se informa que la estimación de edad basada en aprendizaje profundo es más precisa que los métodos tradicionales. Sin embargo, este enfoque ofrece pocas oportunidades para presentar la base científica de las estimaciones de edad, como los indicadores de edad utilizados en las estimaciones. También existe una disputa legal sobre quién realiza las inspecciones. Por lo tanto, la estimación de edad basada en aprendizaje profundo es difícil de aceptar por las autoridades administrativas y judiciales. La minería de datos (DM) es una técnica que puede descubrir no solo información esperada sino también inesperada como método para descubrir correlaciones útiles entre grandes cantidades de datos6,21,22. El aprendizaje automático se utiliza a menudo en la minería de datos, y tanto la minería de datos como el aprendizaje automático utilizan los mismos algoritmos clave para descubrir patrones en los datos. La estimación de edad utilizando el desarrollo dental se basa en la evaluación del examinador sobre la madurez de los dientes objetivo, y esta evaluación se expresa como una etapa para cada diente objetivo. La DM se puede utilizar para analizar la correlación entre la etapa de evaluación dental y la edad real y tiene el potencial de reemplazar el análisis estadístico tradicional. Por lo tanto, si aplicamos técnicas DM a la estimación de la edad, podemos implementar el aprendizaje automático en la estimación forense de la edad sin preocuparnos por la responsabilidad legal. Se han publicado varios estudios comparativos sobre posibles alternativas a los métodos manuales tradicionales utilizados en la práctica forense y métodos basados en EBM para determinar la edad dental. Shen et al.23 demostraron que el modelo DM es más preciso que la fórmula tradicional de Camerer. Galibourg et al.24 aplicaron diferentes métodos DM para predecir la edad según el criterio de Demirdjian25 y los resultados mostraron que el método DM superó a los métodos de Demirdjian y Willems en la estimación de la edad de la población francesa.
Para estimar la edad dental de adolescentes y adultos jóvenes coreanos, el método de Lee 4 se utiliza ampliamente en la práctica forense coreana. Este método utiliza análisis estadístico tradicional (como regresión múltiple) para examinar la relación entre sujetos coreanos y edad cronológica. En este estudio, los métodos de estimación de edad obtenidos utilizando métodos estadísticos tradicionales se definen como “métodos tradicionales”. El método de Lee es un método tradicional, y su precisión ha sido confirmada por Oh et al. 5; sin embargo, la aplicabilidad de la estimación de edad basada en el modelo DM en la práctica forense coreana aún es cuestionable. Nuestro objetivo fue validar científicamente la utilidad potencial de la estimación de edad basada en el modelo DM. El propósito de este estudio fue (1) comparar la precisión de dos modelos DM en la estimación de la edad dental y (2) comparar el rendimiento de clasificación de 7 modelos DM a la edad de 18 años con los obtenidos utilizando métodos estadísticos tradicionales Madurez de los segundos y terceros molares en ambas mandíbulas.
Las medias y las desviaciones estándar de la edad cronológica por estadio y tipo de diente se muestran en línea en la Tabla Suplementaria S1 (conjunto de entrenamiento), la Tabla Suplementaria S2 (conjunto de prueba interno) y la Tabla Suplementaria S3 (conjunto de prueba externo). Los valores kappa para la fiabilidad intra e interobservador obtenidos del conjunto de entrenamiento fueron 0,951 y 0,947, respectivamente. Los valores p y los intervalos de confianza del 95 % para los valores kappa se muestran en la tabla suplementaria S4 en línea. El valor kappa se interpretó como «casi perfecto», de acuerdo con los criterios de Landis y Koch26.
Al comparar el error absoluto medio (MAE), el método tradicional supera ligeramente al modelo DM para todos los géneros y en el conjunto de prueba externo masculino, con la excepción del perceptrón multicapa (MLP). La diferencia entre el modelo tradicional y el modelo DM en el conjunto de prueba interno MAE fue de 0,12–0,19 años para hombres y 0,17–0,21 años para mujeres. Para la batería de prueba externa, las diferencias son menores (0,001–0,05 años para hombres y 0,05–0,09 años para mujeres). Además, el error cuadrático medio (RMSE) es ligeramente menor que el método tradicional, con diferencias menores (0,17–0,24, 0,2–0,24 para el conjunto de prueba interno masculino, y 0,03–0,07, 0,04–0,08 para el conjunto de prueba externo). ). MLP muestra un rendimiento ligeramente mejor que el perceptrón de capa única (SLP), excepto en el caso del conjunto de prueba externo femenino. En cuanto a MAE y RMSE, el conjunto de prueba externo obtiene puntuaciones más altas que el conjunto de prueba interno para todos los géneros y modelos. Todos los valores de MAE y RMSE se muestran en la Tabla 1 y la Figura 1.
MAE y RMSE de modelos de regresión tradicionales y de minería de datos. Error absoluto medio (MAE), error cuadrático medio (RMSE), perceptrón de una capa (SLP), perceptrón multicapa (MLP), método CM tradicional.
El rendimiento de clasificación (con un punto de corte de 18 años) de los modelos tradicionales y DM se demostró en términos de sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN) y área bajo la curva ROC (AUROC) 27 (Tabla 2, Figura 2 y Figura suplementaria 1 en línea). En términos de sensibilidad de la batería de pruebas internas, los métodos tradicionales tuvieron el mejor desempeño entre los hombres y el peor entre las mujeres. Sin embargo, la diferencia en el rendimiento de clasificación entre los métodos tradicionales y SD es del 9,7% para los hombres (MLP) y solo del 2,4% para las mujeres (XGBoost). Entre los modelos DM, la regresión logística (LR) mostró mejor sensibilidad en ambos sexos. Con respecto a la especificidad del conjunto de pruebas internas, se observó que los cuatro modelos SD tuvieron un buen desempeño en los hombres, mientras que el modelo tradicional tuvo un mejor desempeño en las mujeres. Las diferencias en el rendimiento de clasificación para hombres y mujeres son del 13,3% (MLP) y del 13,1% (MLP), respectivamente, lo que indica que la diferencia en el rendimiento de clasificación entre los modelos supera la sensibilidad. Entre los modelos DM, la máquina de vectores de soporte (SVM), el árbol de decisión (DT) y el bosque aleatorio (RF) obtuvieron los mejores resultados en hombres, mientras que el modelo LR obtuvo los mejores resultados en mujeres. El AUROC del modelo tradicional y de todos los modelos SD fue superior a 0,925 (k-vecinos más cercanos (KNN) en hombres), lo que demuestra un excelente rendimiento de clasificación en la discriminación de muestras de 18 años28. En el conjunto de prueba externo, se observó una disminución en el rendimiento de clasificación en términos de sensibilidad, especificidad y AUROC en comparación con el conjunto de prueba interno. Además, la diferencia en sensibilidad y especificidad entre el rendimiento de clasificación de los mejores y peores modelos osciló entre el 10 % y el 25 %, y fue mayor que la diferencia en el conjunto de prueba interno.
Sensibilidad y especificidad de los modelos de clasificación de minería de datos en comparación con los métodos tradicionales con un punto de corte de 18 años. KNN (vecino más cercano), SVM (máquina de vectores de soporte), LR (regresión logística), DT (árbol de decisión), RF (bosque aleatorio), XGBoost (XGBoost), MLP (perceptrón multicapa), método CM tradicional.
El primer paso de este estudio fue comparar la precisión de las estimaciones de edad dental obtenidas a partir de siete modelos DM con las obtenidas mediante regresión tradicional. Se evaluaron MAE y RMSE en conjuntos de prueba internos para ambos sexos, y la diferencia entre el método tradicional y el modelo DM osciló entre 44 y 77 días para MAE y entre 62 y 88 días para RMSE. Aunque el método tradicional fue ligeramente más preciso en este estudio, es difícil concluir si una diferencia tan pequeña tiene relevancia clínica o práctica. Estos resultados indican que la precisión de la estimación de la edad dental utilizando el modelo DM es casi la misma que la del método tradicional. La comparación directa con los resultados de estudios previos es difícil porque ningún estudio ha comparado la precisión de los modelos DM con métodos estadísticos tradicionales utilizando la misma técnica de registro de dientes en el mismo rango de edad que en este estudio. Galibourg et al24 compararon MAE y RMSE entre dos métodos tradicionales (método Demirjian25 y método Willems29) y 10 modelos DM en una población francesa de 2 a 24 años. Informaron que todos los modelos DM fueron más precisos que los métodos tradicionales, con diferencias de 0,20 y 0,38 años en MAE y 0,25 y 0,47 años en RMSE en comparación con los métodos de Willems y Demirdjian, respectivamente. La discrepancia entre el modelo SD y los métodos tradicionales mostrados en el estudio de Halibourg tiene en cuenta numerosos informes30,31,32,33 que el método de Demirdjian no estima con precisión la edad dental en poblaciones distintas a los francocanadienses en los que se basó el estudio. en este estudio. Tai et al 34 utilizaron el algoritmo MLP para predecir la edad dental a partir de 1636 fotografías ortodóncicas chinas y compararon su precisión con los resultados del método de Demirdjian y Willems. Informaron que MLP tiene mayor precisión que los métodos tradicionales. La diferencia entre el método de Demirdjian y el método tradicional es <0,32 años, y el método de Willems es 0,28 años, lo que es similar a los resultados del presente estudio. Los resultados de estudios previos24,34 también concuerdan con los del presente estudio, y la precisión en la estimación de la edad del modelo DM y del método tradicional es similar. Sin embargo, basándonos en los resultados presentados, solo podemos concluir con cautela que el uso de modelos DM para estimar la edad podría reemplazar los métodos existentes debido a la falta de estudios previos comparativos y de referencia. Se necesitan estudios de seguimiento con muestras más grandes para confirmar los resultados obtenidos en este estudio.
Entre los estudios que probaron la precisión de SD en la estimación de la edad dental, algunos mostraron una precisión mayor que nuestro estudio. Stepanovsky et al. 35 aplicaron 22 modelos SD a radiografías panorámicas de 976 residentes checos de 2,7 a 20,5 años y probaron la precisión de cada modelo. Evaluaron el desarrollo de un total de 16 dientes permanentes superiores e inferiores izquierdos utilizando los criterios de clasificación propuestos por Moorrees et al. 36. El MAE varía de 0,64 a 0,94 años y el RMSE varía de 0,85 a 1,27 años, que son más precisos que los dos modelos DM utilizados en este estudio. Shen et al.23 utilizaron el método Cameriere para estimar la edad dental de siete dientes permanentes en la mandíbula izquierda en residentes del este de China de 5 a 13 años y lo compararon con las edades estimadas utilizando regresión lineal, SVM y RF. Mostraron que los tres modelos DM tienen una precisión mayor en comparación con la fórmula tradicional de Cameriere. El MAE y el RMSE en el estudio de Shen fueron menores que los del modelo DM en este estudio. La mayor precisión de los estudios de Stepanovsky et al. 35 y Shen et al. 23 puede deberse a la inclusión de sujetos más jóvenes en sus muestras de estudio. Dado que las estimaciones de edad para participantes con dientes en desarrollo se vuelven más precisas a medida que aumenta el número de dientes durante el desarrollo dental, la precisión del método de estimación de edad resultante puede verse comprometida cuando los participantes del estudio son más jóvenes. Además, el error de MLP en la estimación de edad es ligeramente menor que el de SLP, lo que significa que MLP es más preciso que SLP. MLP se considera ligeramente mejor para la estimación de edad, posiblemente debido a las capas ocultas en MLP38. Sin embargo, hay una excepción para la muestra externa de mujeres (SLP 1.45, MLP 1.49). El hallazgo de que MLP es más preciso que SLP en la evaluación de la edad requiere estudios retrospectivos adicionales.
También se comparó el rendimiento de clasificación del modelo DM y el método tradicional en un umbral de 18 años. Todos los modelos SD probados y los métodos tradicionales en el conjunto de prueba interno mostraron niveles de discriminación prácticamente aceptables para la muestra de 18 años. La sensibilidad para hombres y mujeres fue mayor que 87,7 % y 94,9 %, respectivamente, y la especificidad fue mayor que 89,3 % y 84,7 %. El AUROC de todos los modelos probados también supera 0,925. Hasta donde sabemos, ningún estudio ha probado el rendimiento del modelo DM para la clasificación de 18 años basada en la madurez dental. Podemos comparar los resultados de este estudio con el rendimiento de clasificación de modelos de aprendizaje profundo en radiografías panorámicas. Guo et al.15 calcularon el rendimiento de clasificación de un modelo de aprendizaje profundo basado en CNN y un método manual basado en el método de Demirjian para un cierto umbral de edad. La sensibilidad y especificidad del método manual fueron del 87,7 % y del 95,5 %, respectivamente, y la sensibilidad y especificidad del modelo CNN superaron el 89,2 % y el 86,6 %, respectivamente. Concluyeron que los modelos de aprendizaje profundo pueden reemplazar o superar la evaluación manual en la clasificación de umbrales de edad. Los resultados de este estudio mostraron un rendimiento de clasificación similar; se cree que la clasificación mediante modelos DM puede reemplazar los métodos estadísticos tradicionales para la estimación de la edad. Entre los modelos, DM LR fue el mejor modelo en términos de sensibilidad para la muestra masculina y sensibilidad y especificidad para la muestra femenina. LR ocupa el segundo lugar en especificidad para hombres. Además, LR se considera uno de los modelos DM35 más fáciles de usar y es menos complejo y difícil de procesar. Con base en estos resultados, LR se consideró el mejor modelo de clasificación de corte para jóvenes de 18 años en la población coreana.
En general, la precisión de la estimación de edad o el rendimiento de clasificación en el conjunto de prueba externo fue deficiente o inferior en comparación con los resultados en el conjunto de prueba interno. Algunos informes indican que la precisión o eficiencia de la clasificación disminuye cuando las estimaciones de edad basadas en la población coreana se aplican a la población japonesa5,39, y se encontró un patrón similar en el presente estudio. Esta tendencia de deterioro también se observó en el modelo DM. Por lo tanto, para estimar la edad con precisión, incluso cuando se utiliza DM en el proceso de análisis, se deben preferir los métodos derivados de datos de la población nativa, como los métodos tradicionales5,39,40,41,42. Dado que no está claro si los modelos de aprendizaje profundo pueden mostrar tendencias similares, se necesitan estudios que comparen la precisión y eficiencia de la clasificación utilizando métodos tradicionales, modelos DM y modelos de aprendizaje profundo en las mismas muestras para confirmar si la inteligencia artificial puede superar estas disparidades raciales en evaluaciones de edad limitadas.
Demostramos que los métodos tradicionales pueden reemplazarse por la estimación de edad basada en el modelo DM en la práctica forense de estimación de edad en Corea. También descubrimos la posibilidad de implementar el aprendizaje automático para la evaluación forense de la edad. Sin embargo, existen limitaciones claras, como el número insuficiente de participantes en este estudio para determinar los resultados de manera definitiva y la falta de estudios previos para comparar y confirmar los resultados de este estudio. En el futuro, los estudios DM deberían realizarse con un mayor número de muestras y poblaciones más diversas para mejorar su aplicabilidad práctica en comparación con los métodos tradicionales. Para validar la viabilidad del uso de inteligencia artificial para estimar la edad en múltiples poblaciones, se necesitan estudios futuros que comparen la precisión y eficiencia de la clasificación de los modelos DM y de aprendizaje profundo con los métodos tradicionales en las mismas muestras.
El estudio utilizó 2657 fotografías ortográficas recopiladas de adultos coreanos y japoneses de entre 15 y 23 años. Las radiografías coreanas se dividieron en 900 conjuntos de entrenamiento (19,42 ± 2,65 años) y 900 conjuntos de prueba internos (19,52 ± 2,59 años). El conjunto de entrenamiento se recolectó en una institución (Hospital Seoul St. Mary's), y el conjunto de prueba propio se recolectó en dos instituciones (Hospital Dental de la Universidad Nacional de Seúl y Hospital Dental de la Universidad de Yonsei). También recopilamos 857 radiografías de otra base de datos poblacional (Universidad Médica de Iwate, Japón) para pruebas externas. Las radiografías de sujetos japoneses (19,31 ± 2,60 años) se seleccionaron como el conjunto de prueba externo. Los datos se recopilaron retrospectivamente para analizar las etapas del desarrollo dental en radiografías panorámicas tomadas durante el tratamiento dental. Todos los datos recopilados fueron anónimos, excepto el sexo, la fecha de nacimiento y la fecha de la radiografía. Los criterios de inclusión y exclusión fueron los mismos que en estudios publicados previamente 4, 5. La edad real de la muestra se calculó restando la fecha de nacimiento a la fecha en que se tomó la radiografía. El grupo de muestra se dividió en nueve grupos de edad. Las distribuciones de edad y sexo se muestran en la Tabla 3. Este estudio se realizó de acuerdo con la Declaración de Helsinki y fue aprobado por el Comité de Ética de la Investigación (CEI) del Hospital St. Mary's de Seúl de la Universidad Católica de Corea (KC22WISI0328). Debido al diseño retrospectivo de este estudio, no se pudo obtener el consentimiento informado de todos los pacientes que se sometieron a un examen radiográfico con fines terapéuticos. El Hospital St. Mary's de la Universidad Católica de Corea de Seúl (CEI) eximió del requisito de consentimiento informado.
Las etapas de desarrollo de los segundos y terceros molares bimaxilares se evaluaron según los criterios de Demircan25. Solo se seleccionó un diente si se encontró el mismo tipo de diente en los lados izquierdo y derecho de cada mandíbula. Si los dientes homólogos en ambos lados estaban en diferentes etapas de desarrollo, se seleccionó el diente con la etapa de desarrollo más baja para tener en cuenta la incertidumbre en la edad estimada. Cien radiografías seleccionadas aleatoriamente del conjunto de entrenamiento fueron calificadas por dos observadores experimentados para probar la confiabilidad interobservador después de la precalibración para determinar la etapa de madurez dental. La confiabilidad intraobservador fue evaluada dos veces con intervalos de tres meses por el observador principal.
El sexo y la etapa de desarrollo de los segundos y terceros molares de cada mandíbula en el conjunto de entrenamiento fueron estimados por un observador primario entrenado con diferentes modelos DM, y la edad real se estableció como valor objetivo. Los modelos SLP y MLP, ampliamente utilizados en aprendizaje automático, se probaron contra algoritmos de regresión. El modelo DM combina funciones lineales utilizando las etapas de desarrollo de los cuatro dientes y combina estos datos para estimar la edad. SLP es la red neuronal más simple y no contiene capas ocultas. SLP funciona basándose en la transmisión de umbral entre nodos. El modelo SLP en regresión es matemáticamente similar a la regresión lineal múltiple. A diferencia del modelo SLP, el modelo MLP tiene múltiples capas ocultas con funciones de activación no lineales. Nuestros experimentos utilizaron una capa oculta con solo 20 nodos ocultos con funciones de activación no lineales. Utilizamos el descenso de gradiente como método de optimización y MAE y RMSE como función de pérdida para entrenar nuestro modelo de aprendizaje automático. El mejor modelo de regresión obtenido se aplicó a los conjuntos de prueba internos y externos y se estimó la edad de los dientes.
Se desarrolló un algoritmo de clasificación que utiliza la madurez de cuatro dientes en el conjunto de entrenamiento para predecir si una muestra tiene 18 años o no. Para construir el modelo, derivamos siete algoritmos de aprendizaje automático de representación6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost y (7) MLP. LR es uno de los algoritmos de clasificación más ampliamente utilizados44. Es un algoritmo de aprendizaje supervisado que utiliza regresión para predecir la probabilidad de que los datos pertenezcan a una determinada categoría de 0 a 1 y clasifica los datos como pertenecientes a una categoría más probable en función de esta probabilidad; se utiliza principalmente para la clasificación binaria. KNN es uno de los algoritmos de aprendizaje automático más simples45. Cuando se le proporcionan nuevos datos de entrada, encuentra k datos cercanos al conjunto existente y luego los clasifica en la clase con la frecuencia más alta. Establecimos 3 para el número de vecinos considerados (k). SVM es un algoritmo que maximiza la distancia entre dos clases usando una función kernel para expandir el espacio lineal en un espacio no lineal llamado campos46. Para este modelo, usamos bias = 1, power = 1 y gamma = 1 como hiperparámetros para el kernel polinomial. DT se ha aplicado en varios campos como un algoritmo para dividir un conjunto de datos completo en varios subgrupos al representar reglas de decisión en una estructura de árbol47. El modelo está configurado con un número mínimo de registros por nodo de 2 y usa el índice de Gini como medida de calidad. RF es un método de conjunto que combina múltiples DT para mejorar el rendimiento usando un método de agregación bootstrap que genera un clasificador débil para cada muestra al extraer aleatoriamente muestras del mismo tamaño varias veces del conjunto de datos original48. Usamos 100 árboles, 10 profundidades de árbol, 1 tamaño mínimo de nodo y el índice de mezcla de Gini como criterios de separación de nodos. La clasificación de nuevos datos se determina por votación mayoritaria. XGBoost es un algoritmo que combina técnicas de boosting utilizando un método que toma como datos de entrenamiento el error entre los valores reales y predichos del modelo anterior y aumenta el error usando gradientes49. Es un algoritmo ampliamente utilizado debido a su buen rendimiento y eficiencia de recursos, así como alta confiabilidad como función de corrección de sobreajuste. El modelo está equipado con 400 ruedas de soporte. MLP es una red neuronal en la que uno o más perceptrones forman múltiples capas con una o más capas ocultas entre las capas de entrada y salida38. Usando esto, puede realizar clasificación no lineal donde cuando se agrega una capa de entrada y se obtiene un valor de resultado, el valor de resultado predicho se compara con el valor de resultado real y el error se propaga hacia atrás. Creamos una capa oculta con 20 neuronas ocultas en cada capa. Cada modelo que desarrollamos fue aplicado a conjuntos internos y externos para probar el rendimiento de clasificación calculando sensibilidad, especificidad, PPV, NPV y AUROC. La sensibilidad se define como la proporción de muestras con una edad estimada de 18 años o más, y la proporción de muestras con una edad estimada de 18 años o más. La especificidad es la proporción de muestras menores de 18 años y aquellas con una edad estimada menor de 18 años.
Las etapas dentales evaluadas en el conjunto de entrenamiento se convirtieron en etapas numéricas para el análisis estadístico. Se realizaron regresiones lineales y logísticas multivariantes para desarrollar modelos predictivos para cada sexo y obtener fórmulas de regresión que permitieran estimar la edad. Estas fórmulas se utilizaron para estimar la edad dental tanto en los conjuntos de prueba internos como externos. La Tabla 4 muestra los modelos de regresión y clasificación empleados en este estudio.
La fiabilidad intra e interobservador se calculó utilizando el coeficiente kappa de Cohen. Para evaluar la precisión de los modelos de regresión DM y tradicionales, calculamos el MAE y el RMSE utilizando las edades estimadas y reales de los conjuntos de prueba internos y externos. Estos errores se utilizan comúnmente para evaluar la precisión de las predicciones del modelo. Cuanto menor sea el error, mayor será la precisión del pronóstico24. Compare el MAE y el RMSE de los conjuntos de prueba internos y externos calculados utilizando DM y regresión tradicional. El rendimiento de clasificación del punto de corte de 18 años en la estadística tradicional se evaluó utilizando una tabla de contingencia de 2 × 2. La sensibilidad, especificidad, VPP, VPN y AUROC calculados del conjunto de prueba se compararon con los valores medidos del modelo de clasificación DM. Los datos se expresan como media ± desviación estándar o número (%) según las características de los datos. Se consideraron estadísticamente significativos los valores de P bilaterales <0,05. Todos los análisis estadísticos de rutina se realizaron utilizando SAS versión 9.4 (SAS Institute, Cary, NC). El modelo de regresión DM se implementó en Python utilizando el backend Keras50 2.2.4 y Tensorflow51 1.8.0 específicamente para operaciones matemáticas. El modelo de clasificación DM se implementó en el entorno de análisis de conocimiento Waikato y la plataforma de análisis Konstanz Information Miner (KNIME) 4.6.152.
Los autores reconocen que los datos que respaldan las conclusiones del estudio se encuentran en el artículo y en los materiales complementarios. Los conjuntos de datos generados y/o analizados durante el estudio están disponibles a solicitud razonable del autor correspondiente.
Ritz-Timme, S. et al. Evaluación de la edad: estado del arte para satisfacer los requisitos específicos de la práctica forense. Internacionalidad. J. Medicina Legal. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. y Olze, A. Estado actual de la determinación forense de la edad de personas vivas para fines de enjuiciamiento penal. Medicina forense. Patología. 1, 239–246 (2005).
Pan, J. et al. Un método modificado para evaluar la edad dental de niños de 5 a 16 años en el este de China. Encuesta clínica oral. 25, 3463–3474 (2021).
Lee, SS et al. Cronología del desarrollo de los segundos y terceros molares en coreanos y su aplicación para la evaluación forense de la edad. Internationality. J. Legal Medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY y Lee, SS. Precisión de la estimación de la edad y estimación del umbral de 18 años basada en la madurez de los segundos y terceros molares en coreanos y japoneses. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. El análisis de datos basado en aprendizaje automático preoperatorio puede predecir el resultado del tratamiento de cirugía del sueño en pacientes con apnea obstructiva del sueño. The Science. Report 11, 14911 (2021).
Han, M. et al. ¿Estimación precisa de la edad mediante aprendizaje automático con o sin intervención humana? Internacionalidad. J. Medicina Legal. 136, 821–831 (2022).
Khan, S. y Shaheen, M. De la minería de datos a la minería de datos. J. Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. y Shaheen, M. WisRule: El primer algoritmo cognitivo para la minería de reglas de asociación. J. Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. y Abdullah U. Karm: Minería de datos tradicional basada en reglas de asociación basadas en el contexto. calculate. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. y Habib M. Detección de similitud semántica basada en aprendizaje profundo utilizando datos de texto. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. y Shahin, M. Un sistema para reconocer la actividad en vídeos deportivos. Multimedia. Herramientas y aplicaciones https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Desafío de aprendizaje automático de la RSNA en la edad ósea pediátrica. Radiology 290, 498–503 (2019).
Li, Y. et al. Estimación forense de la edad a partir de radiografías pélvicas mediante aprendizaje profundo. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Clasificación precisa de la edad mediante métodos manuales y redes neuronales convolucionales profundas a partir de imágenes de proyección ortográfica. Internationality. J. Legal Medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimación de la edad ósea mediante diferentes métodos de aprendizaje automático: una revisión sistemática de la literatura y un metaanálisis. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., y Yang, J. Estimación de la edad específica de la población de afroamericanos y chinos basada en los volúmenes de la cámara pulpar de los primeros molares mediante tomografía computarizada de haz cónico. Internationality. J. Legal Medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK y Oh KS Determinación de grupos de edad de personas vivas utilizando imágenes de primeros molares basadas en inteligencia artificial. The Science. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. y Urschler, M. Estimación automática de la edad y clasificación de la edad mayoritaria a partir de datos multivariados de resonancia magnética. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. y Li, G. Estimación de la edad basada en la segmentación de la cámara pulpar 3D de los primeros molares a partir de tomografía computarizada de haz cónico mediante la integración de aprendizaje profundo y conjuntos de nivel. Internationality. J. Legal Medicine. 135, 365–373 (2021).
Wu, WT, et al. Minería de datos en macrodatos clínicos: bases de datos comunes, pasos y modelos de métodos. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Introducción a las bases de datos médicas y las tecnologías de minería de datos en la era del Big Data. J. Avid. Medicina básica. 13, 57–69 (2020).
Shen, S. et al. Método de Camerer para estimar la edad dental mediante aprendizaje automático. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Comparación de diferentes métodos de aprendizaje automático para predecir la edad dental utilizando el método de estadificación de Demirdjian. Internationality. J. Legal Medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. y Tanner, JM. Un nuevo sistema para evaluar la edad dental. snort. biology. 45, 211–227 (1973).
Landis, JR y Koch, GG Medidas de acuerdo entre observadores en datos categóricos. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK y Choi HK. Análisis textural, morfológico y estadístico de imágenes de resonancia magnética bidimensionales mediante técnicas de inteligencia artificial para la diferenciación de tumores cerebrales primarios. Información sanitaria. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Fecha de publicación: 4 de enero de 2024