Misaotra anao nitsidika ny Nature.com. Voafetra ny fanohanan'ny CSS amin'ny dikan-tranonkala ampiasainao. Ho an'ny vokatra tsara indrindra, manoro hevitra anao izahay hampiasa dikan-tranonkala vaovao kokoa (na hamono ny fomba mifanaraka amin'ny Internet Explorer). Mandritra izany fotoana izany, mba hahazoana antoka fa mitohy ny fanohanana, dia asehonay ny tranonkala tsy misy endrika na JavaScript.
Ny nify no heverina ho famantarana marina indrindra ny taonan'ny vatan'olombelona ary matetika ampiasaina amin'ny fanombanana ny taona ara-pitsarana. Mikendry ny hanamarina ny tombana momba ny taonan'ny nify mifototra amin'ny fitrandrahana angon-drakitra izahay amin'ny alàlan'ny fampitahana ny fahamarinan'ny tombana sy ny fahombiazan'ny fanasokajiana ny tokonam-baravaran'ny 18 taona amin'ny fomba nentim-paharazana sy ny tombana momba ny taona mifototra amin'ny fitrandrahana angon-drakitra. Radiografia panoramika miisa 2657 no nangonina avy amin'ny olom-pirenena Koreana sy Japoney 15 ka hatramin'ny 23 taona. Nozaraina ho andiana fiofanana izy ireo, izay samy misy radiografia Koreana 900 avy, ary andiana fitsapana anatiny misy radiografia Japoney 857. Nampitahainay tamin'ny andiana fitsapana modely fitrandrahana angon-drakitra ny fahamarinan'ny fanasokajiana sy ny fahombiazan'ny fomba nentim-paharazana. Somary ambony kokoa noho ny an'ny modely fitrandrahana angon-drakitra ny fahamarinan'ny fomba nentim-paharazana amin'ny andiana fitsapana anatiny, ary kely ny fahasamihafana (salan'isa hadisoana tanteraka <0.21 taona, hadisoana fototra salan'isa <0.24 taona). Mitovy ihany koa ny fahombiazan'ny fanasokajiana ho an'ny fe-potoana 18 taona eo amin'ny fomba nentim-paharazana sy ny modely fitrandrahana angon-drakitra. Noho izany, azo soloina amin'ny modely fitrandrahana angon-drakitra ireo fomba nentim-paharazana rehefa manao fanombanana ny taonan'ny fitsarana amin'ny fampiasana ny fahamatoran'ny nifin-kazo faharoa sy fahatelo amin'ny zatovo sy tanora Koreana.
Ampiasaina betsaka amin'ny fitsaboana forensika sy ny fitsaboana nify ho an'ny ankizy ny fanombanana ny taonan'ny nify. Indrindra indrindra, noho ny fifandraisana avo lenta eo amin'ny taona ara-potoana sy ny fivoaran'ny nify, ny fanombanana ny taona amin'ny alàlan'ny dingana fivoaran'ny nify dia fepetra manan-danja amin'ny fanombanana ny taonan'ny ankizy sy ny zatovo1,2,3. Na izany aza, ho an'ny tanora, ny fanombanana ny taonan'ny nify mifototra amin'ny fahamatoran'ny nify dia manana fetrany satria efa ho vita ny fitomboan'ny nify, afa-tsy ny molar fahatelo. Ny tanjona ara-dalàna amin'ny famaritana ny taonan'ny tanora sy ny zatovo dia ny hanome tombana marina sy porofo ara-tsiansa raha efa nahatratra ny taona maha-lehibe izy ireo. Ao amin'ny fampiharana ara-pitsaboana sy ara-dalàna ny zatovo sy ny tanora any Korea, ny taona dia notombanana tamin'ny alàlan'ny fomba fiasan'i Lee, ary ny tokonam-baravaran'ny lalàna 18 taona dia vinavinaina mifototra amin'ny angon-drakitra notaterin'i Oh et al 5.
Ny fianarana milina dia karazana faharanitan-tsaina artifisialy (AI) izay mianatra sy manasokajy imbetsaka ny angon-drakitra be dia be, mamaha olana irery, ary mitarika fandaharana angon-drakitra. Ny fianarana milina dia afaka mahita lamina miafina mahasoa amin'ny angon-drakitra be dia be6. Mifanohitra amin'izany kosa, ny fomba mahazatra, izay mitaky asa be sy mandany fotoana, dia mety manana fetrany rehefa miatrika angon-drakitra sarotra be dia be izay sarotra karakaraina amin'ny tanana7. Noho izany, fanadihadiana maro no natao vao haingana izay nampiasa ny teknolojia informatika farany indrindra mba hampihenana ny fahadisoan'olombelona sy hikirakirana angon-drakitra marolafy amin'ny fomba mahomby8,9,10,11,12. Indrindra indrindra, ny fianarana lalina dia nampiasaina betsaka tamin'ny famakafakana sary ara-pitsaboana, ary fomba isan-karazany ho an'ny fanombanana ny taona amin'ny alàlan'ny famakafakana ho azy ny radiografia dia voalaza fa manatsara ny fahamarinan'ny fanombanana ny taona13,14,15,16,17,18,19,20. Ohatra, Halabi et al 13 dia namorona algorithm fianarana milina mifototra amin'ny tambajotra neural convolutional (CNN) mba hanombanana ny taonan'ny taolana amin'ny alàlan'ny radiografia amin'ny tanan'ny ankizy. Ity fanadihadiana ity dia manolotra modely izay mampihatra ny fianarana milina amin'ny sary ara-pitsaboana ary mampiseho fa ireo fomba ireo dia afaka manatsara ny fahamarinan'ny diagnostika. Nanombana ny taona avy amin'ny sary X-ray amin'ny valahana i Li et al14 tamin'ny fampiasana ny CNN fianarana lalina ary nampitaha izany tamin'ny valin'ny regression tamin'ny fampiasana ny fanombanana ny dingana ossification. Hitan'izy ireo fa ny modely CNN fianarana lalina dia naneho fahombiazana mitovy amin'ny fanombanana ny taona amin'ny modely regression nentim-paharazana. Ny fianaran'i Guo et al. [15] dia nanombana ny fahombiazan'ny fanasokajiana ny fandeferana ny taona amin'ny teknolojia CNN mifototra amin'ny orthophotos nify, ary ny vokatry ny modely CNN dia nanaporofo fa ny olombelona dia mihoatra noho ny fahombiazany amin'ny fanasokajiana ny taona.
Ny ankamaroan'ny fanadihadiana momba ny fanombanana ny taona amin'ny fampiasana ny fianarana milina dia mampiasa fomba fianarana lalina13,14,15,16,17,18,19,20. Voalaza fa marina kokoa noho ny fomba nentim-paharazana ny fanombanana ny taona mifototra amin'ny fianarana lalina. Na izany aza, ity fomba fiasa ity dia tsy manome fahafahana firy hanehoana ny fototra ara-tsiansa ho an'ny fanombanana ny taona, toy ny tondro taona ampiasaina amin'ny tombana. Misy ihany koa ny fifandirana ara-dalàna momba ny hoe iza no manao ny fizahana. Noho izany, sarotra ny manaiky ny fanombanana ny taona mifototra amin'ny fianarana lalina ataon'ny manampahefana ara-panjakana sy ara-pitsarana. Ny fitrandrahana angon-drakitra (DM) dia teknika iray izay afaka mahita tsy ny fampahalalana andrasana fa koa ny fampahalalana tsy ampoizina ho fomba iray hahitana fifandraisana mahasoa eo amin'ny angon-drakitra be dia be6,21,22. Matetika ampiasaina amin'ny fitrandrahana angon-drakitra ny fianarana milina, ary samy mampiasa algorithm fototra mitovy ny fitrandrahana angon-drakitra sy ny fianarana milina mba hahitana lamina ao amin'ny angon-drakitra. Ny fanombanana ny taona mampiasa ny fivoaran'ny nify dia mifototra amin'ny fanombanana ny fahamatoran'ny nify kendrena, ary io fanombanana io dia aseho ho dingana ho an'ny nify kendrena tsirairay. Azo ampiasaina handinihana ny fifandraisana misy eo amin'ny dingana fanombanana ny nify sy ny taona tena izy ny DM ary manana ny fahafahana hanolo ny fanadihadiana statistika nentim-paharazana. Noho izany, raha mampihatra ny teknika DM amin'ny fanombanana ny taona isika, dia afaka mampihatra ny fianarana milina amin'ny fanombanana ny taona forensika tsy misy ahiahy momba ny andraikitra ara-dalàna. Maro ireo fanadihadiana mampitaha no navoaka momba ny safidy hafa azo atao amin'ny fomba nentim-paharazana ampiasaina amin'ny fampiharana forensika sy ny fomba mifototra amin'ny EBM amin'ny famaritana ny taonan'ny nify. Shen et al23 dia naneho fa ny modely DM dia marina kokoa noho ny raikipohy Camerer nentim-paharazana. Galibourg et al24 dia nampiasa fomba DM samihafa mba haminavina ny taona araka ny fepetra Demirdjian25 ary ny valiny dia naneho fa ny fomba DM dia nandresy ny fomba Demirdjian sy Willems tamin'ny fanombanana ny taonan'ny mponina frantsay.
Mba hanombanana ny taonan'ny nifin'ny zatovo sy tanora Koreana, ny fomba faha-4 an'i Lee dia ampiasaina betsaka amin'ny fampiharana forensika Koreana. Ity fomba ity dia mampiasa fanadihadiana statistika nentim-paharazana (toy ny regression multiple) mba handinihana ny fifandraisana misy eo amin'ny olona Koreana sy ny taona ara-potoana. Ato amin'ity fandalinana ity, ny fomba fanombanana ny taona azo avy amin'ny fomba statistika nentim-paharazana dia faritana ho "fomba nentim-paharazana." Ny fomba an'i Lee dia fomba nentim-paharazana, ary ny fahamarinany dia nohamafisin'i Oh et al. 5; na izany aza, mbola mampisalasala ny fampiharana ny fanombanana ny taona mifototra amin'ny modely DM amin'ny fampiharana forensika Koreana. Ny tanjonay dia ny hanamarina ara-tsiansa ny mety ho ilàna ny fanombanana ny taona mifototra amin'ny modely DM. Ny tanjon'ity fandalinana ity dia (1) hampitaha ny fahamarinan'ny modely DM roa amin'ny fanombanana ny taonan'ny nify ary (2) hampitaha ny fahombiazan'ny fanasokajiana ny modely DM 7 amin'ny faha-18 taonany amin'ireo azo avy amin'ny fomba statistika nentim-paharazana Fahamatoran'ny molars faharoa sy fahatelo amin'ny valanorano roa.
Aseho an-tserasera ao amin'ny Tabilao Fanampiny S1 (fitaovana fiofanana), Tabilao Fanampiny S2 (fitaovana fitsapana anatiny), ary Tabilao Fanampiny S3 (fitaovana fitsapana ivelany) ny salan'isa sy ny fivilian-dàlana mahazatra amin'ny taona ara-potoana araka ny dingana sy ny karazana nify. Ny sandan'ny kappa ho an'ny fahatokisana anatiny sy ivelany azo avy amin'ny fitarafana dia 0.951 sy 0.947. Ny sandan'ny P sy ny elanelam-pitokisana 95% ho an'ny sandan'ny kappa dia aseho ao amin'ny Tabilao Fanampiny S4 an-tserasera. Ny sandan'ny kappa dia noheverina ho "saika tonga lafatra", mifanaraka amin'ny fepetran'i Landis sy Koch26.
Rehefa ampitahaina ny salan'isa hadisoana tanteraka (MAE), dia somary mihoatra kely ny modely DM ho an'ny lahy sy ny vavy rehetra ary ao amin'ny fitsapana ivelany ho an'ny lehilahy, afa-tsy ny perceptron misy sosona maro (MLP). Ny fahasamihafana misy eo amin'ny modely nentim-paharazana sy ny modely DM amin'ny fitsapana anatiny MAE dia 0.12–0.19 taona ho an'ny lehilahy ary 0.17–0.21 taona ho an'ny vehivavy. Ho an'ny bateria fitsapana ivelany, dia kely kokoa ny fahasamihafana (0.001–0.05 taona ho an'ny lehilahy ary 0.05–0.09 taona ho an'ny vehivavy). Fanampin'izany, ny root mean square error (RMSE) dia ambany kely kokoa noho ny fomba nentim-paharazana, miaraka amin'ny fahasamihafana kely kokoa (0.17–0.24, 0.2–0.24 ho an'ny fitsapana anatiny ho an'ny lehilahy, ary 0.03–0.07, 0.04–0.08 ho an'ny fitsapana ivelany). ). Ny MLP dia mampiseho fahombiazana tsara kokoa noho ny Single Layer Perceptron (SLP), afa-tsy amin'ny trangan'ny fitsapana ivelany ho an'ny vehivavy. Ho an'ny MAE sy RMSE, ny isa azo tamin'ny fitsapana ivelany dia ambony noho ny isa azo tamin'ny fitsapana anatiny ho an'ny lahy sy ny vavy ary ny modely rehetra. Aseho ao amin'ny Tabilao 1 sy ny Sary 1 ny MAE sy RMSE rehetra.
MAE sy RMSE amin'ny modely regression nentim-paharazana sy ny fitrandrahana angon-drakitra. Salan'isa hadisoana tanteraka MAE, faka salan'isa efamira hadisoana RMSE, perceptron sosona tokana SLP, perceptron sosona maro MLP, fomba CM nentim-paharazana.
Ny fahombiazan'ny fanasokajiana (miaraka amin'ny fetra 18 taona) amin'ny modely nentim-paharazana sy DM dia naseho tamin'ny lafiny fahatsapana, ny fahaiza-manokana, ny sandan'ny faminaniana tsara (PPV), ny sandan'ny faminaniana ratsy (NPV), ary ny velaran-tany eo ambanin'ny fiolahana toetran'ny mpandray (AUROC) 27 (Tabilao 2, Sary 2 ary Sary Fanampiny 1 an-tserasera). Raha ny momba ny fahatsapana ny bateria fitsapana anatiny, ny fomba nentim-paharazana no nahomby indrindra teo amin'ny lehilahy ary ny ratsy kokoa teo amin'ny vehivavy. Na izany aza, ny fahasamihafan'ny fahombiazan'ny fanasokajiana eo amin'ny fomba nentim-paharazana sy ny SD dia 9.7% ho an'ny lehilahy (MLP) ary 2.4% fotsiny ho an'ny vehivavy (XGBoost). Teo amin'ireo modely DM, ny regression logistic (LR) dia naneho fahatsapana tsara kokoa teo amin'ny lahy sy ny vavy. Raha ny momba ny fahaiza-manokana ny andiana fitsapana anatiny, dia hita fa ireo modely SD efatra dia nahomby tsara tamin'ny lehilahy, raha toa kosa ny modely nentim-paharazana dia nahomby kokoa tamin'ny vehivavy. Ny fahasamihafan'ny fahombiazan'ny fanasokajiana ho an'ny lehilahy sy ny vehivavy dia 13.3% (MLP) sy 13.1% (MLP), tsirairay avy, izay manondro fa ny fahasamihafan'ny fahombiazan'ny fanasokajiana eo amin'ny modely dia mihoatra ny fahatsapana. Anisan'ireo modely DM, ny modely support vector machine (SVM), decision tree (DT), ary random forest (RF) no tsara indrindra tamin'ny lehilahy, raha ny modely LR kosa no tsara indrindra tamin'ny vehivavy. Ny AUROC an'ny modely nentim-paharazana sy ny modely SD rehetra dia mihoatra ny 0.925 (k-nearest neighbor (KNN) amin'ny lehilahy), izay mampiseho fahombiazana tsara amin'ny fanasokajiana santionany 18 taona28. Ho an'ny fitsapana ivelany, dia nisy fihenan'ny fahombiazana amin'ny fanasokajiana raha ny amin'ny fahatsapana, ny specificity ary ny AUROC raha oharina amin'ny fitsapana anatiny. Ankoatra izany, ny fahasamihafan'ny fahatsapana sy ny specificity eo amin'ny fahombiazan'ny fanasokajiana ny modely tsara indrindra sy ratsy indrindra dia eo anelanelan'ny 10% ka hatramin'ny 25% ary lehibe kokoa noho ny fahasamihafan'ny fitsapana anatiny.
Fahatsapana sy fahasamihafan'ny modely fanasokajiana fitrandrahana angona raha ampitahaina amin'ny fomba nentim-paharazana miaraka amin'ny fe-potoana 18 taona. KNN k akaiky indrindra mpiara-monina, milina vector fanohanana SVM, regression logistic LR, hazo fanapahan-kevitra DT, ala kisendrasendra RF, XGB XGBoost, perceptron sosona maro MLP, fomba CM nentim-paharazana.
Ny dingana voalohany amin'ity fandalinana ity dia ny fampitahana ny fahamarinan'ny tombana momba ny taonan'ny nify azo avy amin'ny modely DM fito amin'ireo azo avy amin'ny fampiasana regression nentim-paharazana. Nodinihina tamin'ny alalan'ny fitsapana anatiny ho an'ny lahy sy ny vavy ny MAE sy RMSE, ary ny fahasamihafana misy eo amin'ny fomba nentim-paharazana sy ny modely DM dia teo anelanelan'ny 44 ka hatramin'ny 77 andro ho an'ny MAE ary teo anelanelan'ny 62 ka hatramin'ny 88 andro ho an'ny RMSE. Na dia somary marina kokoa aza ny fomba nentim-paharazana tamin'ity fandalinana ity, dia sarotra ny manatsoaka hevitra raha misy dikany ara-pitsaboana na azo ampiharina izany fahasamihafana kely izany. Ireo valiny ireo dia manondro fa ny fahamarinan'ny tombana momba ny taonan'ny nify mampiasa ny modely DM dia saika mitovy amin'ny an'ny fomba nentim-paharazana. Sarotra ny fampitahana mivantana amin'ny valin'ny fandalinana teo aloha satria tsy misy fandalinana nampitaha ny fahamarinan'ny modely DM amin'ny fomba statistika nentim-paharazana mampiasa teknika mitovy amin'ny fandraketana nify amin'ny sokajin-taona mitovy amin'ity fandalinana ity. Galibourg et al24 dia nampitaha ny MAE sy RMSE teo amin'ny fomba nentim-paharazana roa (fomba Demirjian25 sy fomba Willems29) sy modely DM 10 tamin'ny mponina frantsay 2 ka hatramin'ny 24 taona. Nitatitra izy ireo fa marina kokoa noho ny fomba nentim-paharazana ny modely DM rehetra, miaraka amin'ny fahasamihafana 0.20 sy 0.38 taona amin'ny MAE ary 0.25 sy 0.47 taona amin'ny RMSE raha oharina amin'ny fomba Willems sy Demirdjian. Ny tsy fitoviana eo amin'ny modely SD sy ny fomba nentim-paharazana aseho amin'ny fanadihadiana Halibourg dia mandinika tatitra maro30,31,32,33 fa ny fomba Demirdjian dia tsy manombana marina ny taonan'ny nify amin'ny mponina ankoatra ny Kanadiana Frantsay izay niorenan'ny fanadihadiana. amin'ity fanadihadiana ity. Tai et al 34 dia nampiasa ny algorithm MLP mba haminavina ny taonan'ny nify avy amin'ny sary orthodontika sinoa 1636 ary nampitaha ny fahamarinany tamin'ny vokatry ny fomba Demirjian sy Willems. Nitatitra izy ireo fa ny MLP dia manana fahamarinan-toerana ambony kokoa noho ny fomba nentim-paharazana. Ny fahasamihafana eo amin'ny fomba Demirdjian sy ny fomba nentim-paharazana dia <0.32 taona, ary ny fomba Willems dia 0.28 taona, izay mitovy amin'ny vokatry ny fanadihadiana ankehitriny. Mifanaraka amin'ny vokatry ny fanadihadiana ankehitriny ihany koa ny vokatry ny fanadihadiana teo aloha24,34, ary mitovy ny fahamarinan'ny fanombanana ny taona amin'ny modely DM sy ny fomba nentim-paharazana. Na izany aza, mifototra amin'ny valiny natolotra, dia afaka manatsoaka hevitra amim-pitandremana isika fa ny fampiasana modely DM hanombanana ny taona dia mety hanolo ny fomba efa misy noho ny tsy fahampian'ny fanadihadiana teo aloha mampitaha sy manonona. Ilaina ny fanadihadiana manaraka mampiasa santionany lehibe kokoa mba hanamafisana ny valiny azo tamin'ity fanadihadiana ity.
Anisan'ireo fanadihadiana nitsapa ny fahamarinan'ny SD amin'ny fanombanana ny taonan'ny nify, ny sasany dia naneho fahamarinan'ny sary noho ny fanadihadiana nataonay. Stepanovsky et al 35 dia nampiasa modely SD 22 tamin'ny radiografia panoramika tamin'ny mponina Tseky 976 izay 2.7 ka hatramin'ny 20.5 taona ary nizaha ny fahamarinan'ny modely tsirairay. Nanombana ny fivoaran'ny nify maharitra havia ambony sy ambany miisa 16 izy ireo tamin'ny fampiasana ny fepetra fanasokajiana naroson'i Moorrees et al 36. Ny MAE dia eo anelanelan'ny 0.64 ka hatramin'ny 0.94 taona ary ny RMSE dia eo anelanelan'ny 0.85 ka hatramin'ny 1.27 taona, izay marina kokoa noho ireo modely DM roa nampiasaina tamin'ity fanadihadiana ity. Shen et al 23 dia nampiasa ny fomba Cameriere mba hanombanana ny taonan'ny nifin'ny nify maharitra fito ao amin'ny mandibula havia amin'ny mponina sinoa atsinanana 5 ka hatramin'ny 13 taona ary nampitaha izany tamin'ny taona tombanana tamin'ny fampiasana regression linear, SVM ary RF. Nasehon'izy ireo fa ireo modely DM telo ireo dia manana fahamarinan'ny sary raha oharina amin'ny raikipohy Cameriere nentim-paharazana. Ambany noho ny an'ny modely DM amin'ity fandalinana ity ny MAE sy RMSE tao amin'ny fandalinan'i Shen. Ny fitomboan'ny fahamarinan'ny fandalinana nataon'i Stepanovsky et al. 35 sy Shen et al. 23 dia mety ho vokatry ny fampidirana ireo olona tanora kokoa tao amin'ny santionany fandalinana. Satria miha-marina kokoa ny tombana momba ny taonan'ireo mpandray anjara manana nify mivelatra rehefa mitombo ny isan'ny nify mandritra ny fivoaran'ny nify, dia mety ho simba ny fahamarinan'ny fomba fanombanana ny taona vokarina rehefa tanora kokoa ireo mpandray anjara amin'ny fandalinana. Fanampin'izany, kely kokoa noho ny an'ny SLP ny fahadisoan'ny MLP amin'ny fanombanana ny taona, midika izany fa marina kokoa noho ny SLP ny MLP. Heverina ho tsara kokoa kely ny MLP amin'ny fanombanana ny taona, angamba noho ireo sosona miafina ao amin'ny MLP38. Na izany aza, misy ny maningana ho an'ny santionany ivelany amin'ny vehivavy (SLP 1.45, MLP 1.49). Ny fahitana fa marina kokoa noho ny SLP ny MLP amin'ny fanombanana ny taona dia mitaky fandalinana fanampiny.
Nampitahaina ihany koa ny fahombiazan'ny fanasokajiana ny modely DM sy ny fomba nentim-paharazana amin'ny tokonam-baravarana 18 taona. Ny modely SD rehetra nosedraina sy ny fomba nentim-paharazana tamin'ny andiana fitsapana anatiny dia naneho ambaratonga azo ekena amin'ny fanavakavahana ho an'ny santionany 18 taona. Ny fahatsapana ho an'ny lehilahy sy ny vehivavy dia mihoatra ny 87.7% sy 94.9%, tsirairay avy, ary ny specificity dia mihoatra ny 89.3% sy 84.7%. Ny AUROC amin'ny modely rehetra nosedraina dia mihoatra ny 0.925 ihany koa. Araka ny fahalalanay tsara indrindra, tsy misy fanadihadiana nanandrana ny fahombiazan'ny modely DM ho an'ny fanasokajiana 18 taona mifototra amin'ny fahamatorana nify. Azontsika ampitahaina ny vokatry ny fanadihadiana amin'ny fahombiazan'ny fanasokajiana ny modely fianarana lalina amin'ny radiographie panoramic. Guo et al.15 dia nanao kajy ny fahombiazan'ny fanasokajiana ny modely fianarana lalina mifototra amin'ny CNN sy ny fomba tanana mifototra amin'ny fomba Demirjian ho an'ny tokonam-baravarana taona iray. Ny fahatsapana sy ny fahaiza-manavaka amin'ny fomba tànana dia 87.7% sy 95.5% tsirairay avy, ary ny fahatsapana sy ny fahaiza-manavaka amin'ny modely CNN dia nihoatra ny 89.2% sy 86.6% tsirairay avy. Nanatsoaka hevitra izy ireo fa ny modely fianarana lalina dia afaka manolo na mihoatra ny fanombanana tànana amin'ny fanasokajiana ny fetran'ny taona. Ny valin'ity fanadihadiana ity dia naneho fahombiazana mitovy amin'ny fanasokajiana; Inoana fa ny fanasokajiana mampiasa modely DM dia afaka manolo ny fomba statistika nentim-paharazana amin'ny fanombanana ny taona. Amin'ireo modely ireo, ny DM LR no modely tsara indrindra raha ny momba ny fahatsapana ho an'ny santionany lahy sy ny fahatsapana sy ny fahaiza-manavaka ho an'ny santionany vavy. Ny LR dia laharana faharoa amin'ny fahaiza-manavaka ho an'ny lehilahy. Ankoatra izany, ny LR dia heverina ho iray amin'ireo modely DM35 mora ampiasaina kokoa ary tsy dia sarotra sy sarotra karakaraina. Mifototra amin'ireo valiny ireo, ny LR no heverina ho modely fanasokajiana tsara indrindra ho an'ny tanora 18 taona ao amin'ny mponina Koreana.
Amin'ny ankapobeny, ny fahamarinan'ny fanombanana ny taona na ny fahombiazan'ny fanasokajiana tamin'ny fitsapana ivelany dia ambany na ambany kokoa raha oharina amin'ny vokatra tamin'ny fitsapana anatiny. Misy tatitra milaza fa mihena ny fahamarinan'ny fanasokajiana na ny fahombiazany rehefa ampiharina amin'ny mponina Japoney ny tombana ny taona mifototra amin'ny mponina Koreana5,39, ary hita tamin'ity fanadihadiana ity ny lamina mitovy amin'izany. Hita ihany koa ity fironana miharatsy ity tao amin'ny modely DM. Noho izany, mba hanombanana marina ny taona, na dia mampiasa DM amin'ny dingana fanadihadiana aza, dia tokony aleo kokoa ny fomba avy amin'ny angon-drakitra momba ny mponina teratany, toy ny fomba nentim-paharazana5,39,40,41,42. Satria tsy mazava raha afaka mampiseho fironana mitovy ny modely fianarana lalina, dia ilaina ny fanadihadiana mampitaha ny fahamarinan'ny fanasokajiana sy ny fahombiazany amin'ny fampiasana fomba nentim-paharazana, modely DM, ary modely fianarana lalina amin'ny santionany mitovy mba hanamafisana raha afaka mandresy ireo tsy fitoviana ara-pirazanana ireo amin'ny fanombanana voafetra ny faharanitan-tsaina artifisialy.
Asehonay fa azo soloina amin'ny fanombanana ny taona mifototra amin'ny modely DM amin'ny fampiharana fanombanana ny taona forensika any Korea ny fomba nentim-paharazana. Nahita ny mety hisian'ny fampiharana ny fianarana milina ho an'ny fanombanana ny taona forensika ihany koa izahay. Na izany aza, misy fetrany mazava, toy ny tsy fahampian'ny isan'ny mpandray anjara amin'ity fandalinana ity mba hamaritana mazava tsara ny valiny, ary ny tsy fahampian'ny fandalinana teo aloha mba hampitahana sy hanamafisana ny valin'ity fandalinana ity. Amin'ny ho avy, ny fandalinana DM dia tokony hatao amin'ny santionany maro kokoa sy mponina isan-karazany kokoa mba hanatsarana ny fampiharana azy raha oharina amin'ny fomba nentim-paharazana. Mba hanamarinana ny fahafahan'ny fampiasana faharanitan-tsaina artifisialy hanombanana ny taona amin'ny mponina maro, dia ilaina ny fandalinana amin'ny ho avy mba hampitahana ny fahamarinan'ny fanasokajiana sy ny fahombiazan'ny modely DM sy ny fianarana lalina amin'ny fomba nentim-paharazana amin'ny santionany mitovy.
Nampiasa sary ortografika miisa 2 657 nangonina avy amin'ny olon-dehibe Koreana sy Japoney 15 ka hatramin'ny 23 taona ny fanadihadiana. Nozaraina ho andiana fiofanana 900 (19.42 ± 2.65 taona) sy andiana fitsapana anatiny 900 (19.52 ± 2.59 taona) ny radiografia Koreana. Nangonina tao amin'ny andrim-panjakana iray (Hopitaly Seoul St. Mary's) ny andiana fiofanana, ary nangonina tao amin'ny andrim-panjakana roa (Hopitaly Nify Oniversite Nasionaly Seoul sy Hopitaly Nify Oniversite Yonsei) ny andiana fitsapana manokana. Nanangona radiografia 857 avy amin'ny angon-drakitra mifototra amin'ny mponina hafa (Iwate Medical University, Japon) ihany koa izahay ho an'ny fitiliana ivelany. Nofantenana ho andiana fitsapana ivelany ny radiografia an'ny olona Japoney (19.31 ± 2.60 taona). Nangonina tamin'ny fomba fijery miverina ny angon-drakitra mba handinihana ny dingana fivoaran'ny nify amin'ny radiografia panoramika nalaina nandritra ny fitsaboana nify. Tsy fantatra anarana ny angon-drakitra rehetra nangonina afa-tsy ny lahy sy ny vavy, ny daty nahaterahana ary ny datin'ny radiografia. Mitovy amin'ny fanadihadiana navoaka teo aloha ny fepetra fampidirana sy fanilihana 4, 5. Ny tena taonan'ny santionany dia nokajiana tamin'ny fanesorana ny daty nahaterahana tamin'ny daty nalaina ny radiografia. Nozaraina ho vondrona taona sivy ny vondrona santionany. Aseho ao amin'ny Tabilao 3 ny fizarana taona sy ny lahy sy ny vavy. Natao mifanaraka amin'ny Fanambarana avy any Helsinki ity fandalinana ity ary neken'ny Birao Mpandinika ny Andrim-panjakana (IRB) ao amin'ny Hopitaly St. Mary any Seoul ao amin'ny Oniversite Katolika any Korea (KC22WISI0328). Noho ny endrika niverenan'ity fandalinana ity, dia tsy azo nahazoana fanekena an-tsoratra avy amin'ny marary rehetra nandalo fizahana radiografia ho an'ny tanjona fitsaboana. Ny Hopitaly St. Mary any amin'ny Oniversiten'i Seoul Korea (IRB) dia nanafoana ny fepetra takiana amin'ny fanekena an-tsoratra.
Nodinihina araka ny fepetra Demircan ny dingana fivoaran'ny nify roa sosona faharoa sy fahatelo. Nify iray ihany no nofidiana raha toa ka mitovy karazana nify ny hita eo amin'ny ilany havia sy havanana amin'ny valanorano tsirairay. Raha toa ka samy hafa ny dingana fivoaran'ny nify mitovy amin'ny andaniny roa, dia nofidiana ny nify manana dingana fivoarana ambany mba handraisana an-tsaina ny tsy fahazoana antoka amin'ny taona tombanana. Radiografia zato nofantenana kisendrasendra avy amin'ny andiana fiofanana no nojeren'ny mpandinika za-draharaha roa mba hitsapana ny fahatokisan'ny mpandinika aorian'ny fanamarinana mialoha mba hamaritana ny dingana fahamatoran'ny nify. Nodinihina indroa isaky ny telo volana ny fahatokisan'ny mpandinika voalohany.
Ny maha-lahy na maha-vavy sy ny dingana fivoaran'ny nify faharoa sy fahatelo amin'ny valanorano tsirairay ao amin'ny andiana fiofanana dia notombanan'ny mpandinika voalohany izay nampiofanina tamin'ny modely DM samihafa, ary ny taona tena izy no napetraka ho sanda kendrena. Ny modely SLP sy MLP, izay ampiasaina betsaka amin'ny fianarana milina, dia nosedraina tamin'ny algorithm regression. Ny modely DM dia mampifangaro ny fiasa linear amin'ny fampiasana ny dingana fivoaran'ny nify efatra ary mampifangaro ireo angon-drakitra ireo mba hanombanana ny taona. Ny SLP no tambajotra neural tsotra indrindra ary tsy misy sosona miafina. Miasa mifototra amin'ny fifindran'ny ambangovangony eo amin'ny nodes ny SLP. Ny modely SLP amin'ny regression dia mitovy amin'ny regression linear marobe. Tsy toy ny modely SLP, ny modely MLP dia manana sosona miafina maromaro miaraka amin'ny fiasa fampahavitrihana tsy linear. Ny fanandramanay dia nampiasa sosona miafina miaraka amin'ny nodes miafina 20 ihany miaraka amin'ny fiasa fampahavitrihana tsy linear. Ampiasao ny gradient descent ho fomba fanatsarana ary MAE sy RMSE ho fiasa fatiantoka mba hampiofanana ny modely fianarana milina. Ny modely regression tsara indrindra azo dia nampiharina tamin'ny andiana fitsapana anatiny sy ivelany ary notombanana ny taonan'ny nify.
Nisy algorithm fanasokajiana novolavolaina izay mampiasa ny fahamatoran'ny nify efatra amin'ny andiana fiofanana mba haminavina raha 18 taona ny santionany iray na tsia. Mba hanamboarana ny modely, dia naka algorithm fito momba ny fianarana milina fanehoana izahay6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ary (7) MLP. Ny LR dia iray amin'ireo algorithm fanasokajiana be mpampiasa indrindra44. Algorithm fianarana voaara-maso izay mampiasa regression mba haminavina ny mety ho fisian'ny angona an'ny sokajy iray manomboka amin'ny 0 ka hatramin'ny 1 ary manasokajy ny angona ho an'ny sokajy azo inoana kokoa mifototra amin'io mety ho fisiana io; ampiasaina indrindra amin'ny fanasokajiana binary. Ny KNN dia iray amin'ireo algorithm fianarana milina tsotra indrindra45. Rehefa omena angona fampidirana vaovao, dia mahita angona k akaikin'ny andiana efa misy izy ary avy eo dia manasokajy azy ireo ao amin'ny kilasy misy ny matetika avo indrindra. Mametraka 3 ho an'ny isan'ny mpiara-monina heverina (k) izahay. Ny SVM dia algorithm izay mampitombo ny elanelana misy eo amin'ny kilasy roa amin'ny alàlan'ny fampiasana function kernel mba hanitarana ny habaka linear ho toerana tsy linear antsoina hoe saha46. Ho an'ity modely ity, mampiasa bias = 1, power = 1, ary gamma = 1 ho toy ny hyperparameters ho an'ny kernel polynomial izahay. Ny DT dia nampiharina tamin'ny sehatra isan-karazany ho toy ny algorithm ho an'ny fizarana angon-drakitra manontolo ho vondrona maromaro amin'ny alàlan'ny fanehoana ny fitsipiky ny fanapahan-kevitra ao anaty rafitra hazo47. Ny modely dia voalamina miaraka amin'ny isa farafahakeliny amin'ny firaketana isaky ny node 2 ary mampiasa ny index Gini ho toy ny fandrefesana ny kalitao. Ny RF dia fomba ensemble izay mampifangaro DT maromaro mba hanatsarana ny fampisehoana amin'ny alàlan'ny fomba fanangonana bootstrap izay mamorona classifier malemy ho an'ny santionany tsirairay amin'ny alàlan'ny fakana santionany mitovy habe imbetsaka avy amin'ny angon-drakitra tany am-boalohany48. Nampiasa hazo 100, halaliny hazo 10, haben'ny node farafahakeliny 1, ary index admixture Gini ho toy ny fepetra fisarahana node izahay. Ny fanasokajiana ny angon-drakitra vaovao dia faritana amin'ny alàlan'ny vato maro an'isa. Ny XGBoost dia algorithm izay mampifangaro teknika boosting amin'ny alàlan'ny fomba iray izay maka ho toy ny angon-drakitra fiofanana ny lesoka eo amin'ny sanda tena izy sy ny vinavinaina amin'ny modely teo aloha ary mampitombo ny lesoka amin'ny alàlan'ny gradients49. Algôritma ampiasaina betsaka izy io noho ny fahombiazany tsara sy ny fahombiazan'ny loharanon-karena, ary koa ny fahatokisana avo lenta ho toy ny fiasa fanitsiana overfitting. Ny modely dia misy kodiarana fanohanana 400. Ny MLP dia tambajotra neural izay ahitana perceptron iray na maromaro mamorona sosona maromaro misy sosona miafina iray na maromaro eo anelanelan'ny sosona fidirana sy fivoahana38. Amin'ny fampiasana izany, azonao atao ny manao fanasokajiana tsy lineary izay rehefa manampy sosona fidirana ianao ary mahazo sandan'ny valiny, dia ampitahaina amin'ny sandan'ny valiny tena izy ny sandan'ny valiny vinavinaina ary averina averina ny lesoka. Namorona sosona miafina misy neurons miafina 20 ao amin'ny sosona tsirairay izahay. Ny modely tsirairay novolavolainay dia nampiharina tamin'ny seta anatiny sy ivelany mba hitsapana ny fahombiazan'ny fanasokajiana amin'ny alàlan'ny fikajiana ny fahatsapana, ny specificity, PPV, NPV, ary AUROC. Ny fahatsapana dia faritana ho ny tahan'ny santionany tombanana ho 18 taona na mihoatra amin'ny santionany tombanana ho 18 taona na mihoatra. Ny specificity dia ny isan-jaton'ny santionany latsaky ny 18 taona sy ireo tombanana ho latsaky ny 18 taona.
Novaina ho dingana nomerika ho an'ny fanadihadiana statistika ireo dingana ara-nify nodinihina tao amin'ny andiana fiofanana. Natao ny regression linear sy logistic multivariate mba hamolavola modely faminaniana ho an'ny lahy sy ny vavy tsirairay ary hahazoana raikipohy regression izay azo ampiasaina hanombanana ny taona. Nampiasa ireo raikipohy ireo izahay mba hanombanana ny taonan'ny nify ho an'ny andiana fitsapana anatiny sy ivelany. Ny Tabilao 4 dia mampiseho ny modely regression sy fanasokajiana ampiasaina amin'ity fandalinana ity.
Nokajiana tamin'ny alalan'ny statistika kappa an'i Cohen ny fahatokisana anatiny sy ivelany. Mba hitsapana ny fahamarinan'ny modely DM sy ny regression nentim-paharazana, dia nokajianay ny MAE sy RMSE tamin'ny alalan'ny tombana sy ny tena taona amin'ny andiana fitsapana anatiny sy ivelany. Ireo lesoka ireo dia matetika ampiasaina hanombanana ny fahamarinan'ny vinavinan'ny modely. Arakaraka ny maha kely ny lesoka no maha avo ny fahamarinan'ny vinavina24. Ampitahao ny MAE sy RMSE amin'ny andiana fitsapana anatiny sy ivelany izay kajy amin'ny alalan'ny DM sy ny regression nentim-paharazana. Ny fahombiazan'ny fanasokajiana ny fe-potoana 18 taona amin'ny statistika nentim-paharazana dia notombanana tamin'ny alalan'ny tabilao contingency 2 × 2. Ny fahatsapana, ny specificity, ny PPV, ny NPV, ary ny AUROC an'ny andiana fitsapana dia nampitahaina tamin'ny soatoavina voarefy amin'ny modely fanasokajiana DM. Ny angon-drakitra dia aseho amin'ny salan'isa ± standard deviation na isa (%) arakaraka ny toetran'ny angon-drakitra. Ny soatoavina P roa lafy <0.05 dia noheverina ho manan-danja ara-statistika. Ny fanadihadiana statistika mahazatra rehetra dia natao tamin'ny alalan'ny SAS version 9.4 (SAS Institute, Cary, NC). Nampiharina tao amin'ny Python ny modely DM regression tamin'ny fampiasana Keras50 2.2.4 backend sy Tensorflow51 1.8.0 manokana ho an'ny asa matematika. Nampiharina tao amin'ny Waikato Knowledge Analysis Environment sy ny sehatra fanadihadiana Konstanz Information Miner (KNIME) 4.6.152 ny modely fanasokajiana DM.
Miaiky ireo mpanoratra fa hita ao amin'ny lahatsoratra sy ireo fitaovana fanampiny ny angon-drakitra manohana ny fehin-kevitry ny fanadihadiana. Azo alaina avy amin'ny mpanoratra mifandraika amin'izany ny angon-drakitra novokarina sy/na nohadihadiana nandritra ny fanadihadiana raha misy fangatahana ara-drariny.
Ritz-Timme, S. et al. Fanombanana ny taona: ny teknolojia farany indrindra mba hamenoana ny fepetra takiana manokana amin'ny fampiharana ny forensika. iraisam-pirenena. J. Fitsaboana ara-dalàna. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., ary Olze, A. Toe-javatra ankehitriny momba ny fanombanana ny taonan'ny olona velona ho an'ny fanenjehana heloka bevava. Forensika. fitsaboana. Pathology. 1, 239–246 (2005).
Pan, J. et al. Fomba novaina ho an'ny fanombanana ny taonan'ny nifin'ny ankizy 5 ka hatramin'ny 16 taona any atsinanan'i Shina. klinika. Fanadihadiana am-bava. 25, 3463–3474 (2021).
Lee, SS sns. Fandaharam-potoanan'ny fivoaran'ny nify faharoa sy fahatelo amin'ny Koreana sy ny fampiharana azy amin'ny fanombanana ny taona ara-pitsarana. iraisam-pirenena. J. Fitsaboana ara-dalàna. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY sy Lee, SS Fahamarinan'ny tombana momba ny taona sy ny tombana ny tokonam-baravaran'ny 18 taona mifototra amin'ny fahamatoran'ny molar faharoa sy fahatelo amin'ny Koreana sy Japoney. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. Ny famakafakana angon-drakitra mifototra amin'ny fianarana milina mialoha ny fandidiana dia afaka maminavina ny vokatra azo avy amin'ny fitsaboana fandidiana amin'ny torimaso amin'ny marary voan'ny OSA. ny siansa. Tatitra 11, 14911 (2021).
Han, M. et al. Tombantombana marina momba ny taona avy amin'ny fianarana milina misy na tsy misy fidiran'ny olombelona? iraisam-pirenena. J. Fitsaboana ara-dalàna. 136, 821–831 (2022).
Khan, S. sy Shaheen, M. Avy amin'ny Fitrandrahana Angon-drakitra mankany amin'ny Fitrandrahana Angon-drakitra. J. Fampahalalana. ny siansa. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. sy Shaheen, M. WisRule: Ny Algorithma Kognitika Voalohany ho an'ny Fitrandrahana Fitsipika Fifandraisana. J.Information. ny siansa. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. sy Abdullah U. Karm: Fitrandrahana angon-drakitra nentim-paharazana mifototra amin'ny fitsipika momba ny fifandraisana mifototra amin'ny teny manodidina. kajy. Matt. tohizo. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ary Habib M. Fitihana fitoviana semantika mifototra amin'ny fianarana lalina mampiasa angon-drakitra an-tsoratra. inform. teknôlôjia. fanaraha-maso. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ary Shahin, M. Rafitra iray hamantarana ny hetsika amin'ny lahatsary fanatanjahan-tena. multimedia. Fitaovana Fampiharana https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA Fanamby amin'ny Fianarana Milina amin'ny Taolana ho an'ny Ankizy. Radiolojia 290, 498–503 (2019).
Li, Y. et al. Tombantomban'ny taonan'ny vatana ara-pitsarana avy amin'ny taratra X eo amin'ny valahana mampiasa fianarana lalina. EURO. taratra. 29, 2322–2329 (2019).
Guo, YC, et al. Fanasokajiana taona marina amin'ny fampiasana fomba tanana sy tambajotra neural convolutional lalina avy amin'ny sary projection orthographic. internationality. J. Legal medicine. 135, 1589–1597 (2021).
Alabama Dalora et al. Tombantombanana ny taonan'ny taolana amin'ny alalan'ny fomba fianarana milina samihafa: famerenana rafitra literatiora sy meta-fanadihadiana. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., ary Yang, J. Tombantomban'ny taonan'ny mponina Afrikana-Amerikana sy Sinoa mifototra amin'ny haben'ny efitrano pulp amin'ny molars voalohany amin'ny alàlan'ny fampiasana tomography computed cone-beam. internationality. J. Legal medicine. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ary Oh KS Mamantatra ny sokajin-taonan'ny olona velona amin'ny fampiasana sary avy amin'ny molars voalohany mifototra amin'ny faharanitan-tsaina artifisialy. ny siansa. Tatitra 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., ary Urschler, M. Tombantombana mandeha ho azy momba ny taona sy ny fanasokajiana ny taonan'ny ankamaroan'ny olona avy amin'ny angon-drakitra MRI multivariate. IEEE J. Biomed. Fanairana ara-pahasalamana. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ary Li, G. Tombantomban'ny taona mifototra amin'ny fizarazarana ny efitrano pulp 3D amin'ny molars voalohany avy amin'ny tomography computed cone beam amin'ny alàlan'ny fampidirana ny fianarana lalina sy ny seta ambaratonga. internationality. J. Legal medicine. 135, 365–373 (2021).
Wu, WT, et al. Fitrandrahana angon-drakitra amin'ny angon-drakitra lehibe ara-pitsaboana: angon-drakitra iraisana, dingana ary modely fomba. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Fampidirana amin'ny Tahiry Ara-pitsaboana sy ny Teknolojian'ny Fitrandrahana Tahiry ao amin'ny Vanim-potoanan'ny Big Data. J. Avid. Fitsaboana fototra. 13, 57–69 (2020).
Shen, S. et al. Ny fomba fanombantombanana ny taonan'ny nify nataon'i Camerer amin'ny fampiasana ny fianarana milina. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Fampitahana fomba fianarana milina samihafa amin'ny faminaniana ny taonan'ny nify amin'ny fampiasana ny fomba Demirdjian staging. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. sy Tanner, JM Rafitra vaovao ho an'ny fanombanana ny taonan'ny nify. snort. biolojia. 45, 211–227 (1973).
Landis, JR, sy Koch, GG Fandrefesana ny fifanarahana eo amin'ny mpandinika sy ny mpikaroka momba ny angon-drakitra sokajy. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ary Choi HK. Famakafakana ara-drafitra, ara-morfolojika ary ara-statistika ny sary magnetika roa refy mampiasa teknika faharanitan-tsaina artifisialy ho an'ny fanavahana ny fivontosan'ny atidoha voalohany. Fampahalalana momba ny fahasalamana. loharano. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Fotoana fandefasana: 04 Janoary 2024