نشكركم على زيارة موقع Nature.com. يُعاني متصفحكم من محدودية دعم CSS. للحصول على أفضل النتائج، نوصي باستخدام إصدار أحدث من متصفحكم (أو تعطيل وضع التوافق في Internet Explorer). في هذه الأثناء، ولضمان استمرار الدعم، نعرض الموقع بدون تنسيق أو جافا سكريبت.
تُعتبر الأسنان المؤشر الأكثر دقة لعمر جسم الإنسان، وكثيراً ما تُستخدم في تقييم العمر في الطب الشرعي. هدفت هذه الدراسة إلى التحقق من صحة تقديرات العمر السنية المستندة إلى استخراج البيانات، وذلك بمقارنة دقة التقدير وأداء التصنيف عند عتبة 18 عاماً مع الطرق التقليدية وتقديرات العمر المستندة إلى استخراج البيانات. جُمع ما مجموعه 2657 صورة شعاعية بانورامية من مواطنين كوريين ويابانيين تتراوح أعمارهم بين 15 و23 عاماً. قُسّمت هذه الصور إلى مجموعتين: مجموعة تدريبية، تحتوي كل منها على 900 صورة شعاعية كورية، ومجموعة اختبار داخلية تحتوي على 857 صورة شعاعية يابانية. قارنّا دقة وكفاءة التصنيف للطرق التقليدية مع مجموعات اختبار نماذج استخراج البيانات. كانت دقة الطريقة التقليدية على مجموعة الاختبار الداخلية أعلى قليلاً من دقة نموذج استخراج البيانات، وكان الفرق ضئيلاً (متوسط الخطأ المطلق <0.21 سنة، جذر متوسط مربع الخطأ <0.24 سنة). كما كان أداء التصنيف عند عتبة 18 عاماً متقارباً بين الطرق التقليدية ونماذج استخراج البيانات. وبالتالي، يمكن استبدال الأساليب التقليدية بنماذج استخراج البيانات عند إجراء تقييم العمر الجنائي باستخدام نضج الأضراس الثانية والثالثة لدى المراهقين والشباب الكوريين.
يُستخدم تقدير العمر السني على نطاق واسع في الطب الشرعي وطب أسنان الأطفال. ونظرًا للارتباط الوثيق بين العمر الزمني ونمو الأسنان، يُعدّ تقييم العمر بناءً على مراحل نمو الأسنان معيارًا هامًا لتقدير عمر الأطفال والمراهقين1،2،3. مع ذلك، بالنسبة للشباب، فإن تقدير العمر السني بناءً على نضج الأسنان له حدوده، إذ يكون نمو الأسنان شبه مكتمل، باستثناء الأضراس الثالثة. يهدف تحديد عمر الشباب والمراهقين قانونيًا إلى توفير تقديرات دقيقة وأدلة علمية تُثبت بلوغهم سن الرشد. في الممارسة الطبية القانونية للمراهقين والشباب في كوريا، تم تقدير العمر باستخدام طريقة لي، وتم تحديد عتبة قانونية عند 18 عامًا استنادًا إلى البيانات التي أوردها أوه وآخرون5.
يُعدّ التعلّم الآلي نوعًا من الذكاء الاصطناعي الذي يتعلّم ويصنّف كميات هائلة من البيانات بشكل متكرر، ويحلّ المشكلات تلقائيًا، ويُشغّل برمجة البيانات. يستطيع التعلّم الآلي اكتشاف أنماط خفية مفيدة في كميات كبيرة من البيانات.6 في المقابل، قد تواجه الطرق التقليدية، التي تتطلب جهدًا كبيرًا ووقتًا طويلًا، قيودًا عند التعامل مع كميات كبيرة من البيانات المعقدة التي يصعب معالجتها يدويًا.7 لذلك، أُجريت العديد من الدراسات مؤخرًا باستخدام أحدث تقنيات الحاسوب لتقليل الأخطاء البشرية ومعالجة البيانات متعددة الأبعاد بكفاءة.8،9،10،11،12 على وجه الخصوص، استُخدم التعلّم العميق على نطاق واسع في تحليل الصور الطبية، ووُصفت طرق مختلفة لتقدير العمر من خلال التحليل التلقائي للأشعة السينية لتحسين دقة وكفاءة تقدير العمر.13،14،15،16،17،18،19،20 على سبيل المثال، طوّر حلبي وآخرون13 خوارزمية تعلّم آلي تعتمد على الشبكات العصبية الالتفافية لتقدير العمر الهيكلي باستخدام صور الأشعة السينية لأيدي الأطفال. تقترح هذه الدراسة نموذجًا يُطبّق التعلّم الآلي على الصور الطبية، وتُبيّن أن هذه الأساليب تُحسّن دقة التشخيص. قام لي وآخرون [14] بتقدير العمر من صور الأشعة السينية للحوض باستخدام شبكة عصبية تلافيفية للتعلّم العميق، وقارنوا النتائج بنتائج الانحدار باستخدام تقدير مرحلة التعظم. ووجدوا أن نموذج الشبكة العصبية التلافيفية للتعلّم العميق أظهر نفس أداء نموذج الانحدار التقليدي في تقدير العمر. قيّمت دراسة غو وآخرون [15] أداء تصنيف التسامح العمري لتقنية الشبكة العصبية التلافيفية بناءً على صور تقويم الأسنان، وأثبتت نتائج نموذج الشبكة العصبية التلافيفية تفوق أداء البشر في تصنيف العمر.
تستخدم معظم الدراسات المتعلقة بتقدير العمر باستخدام التعلم الآلي أساليب التعلم العميق13،14،15،16،17،18،19،20. وقد أشارت التقارير إلى أن تقدير العمر القائم على التعلم العميق أكثر دقة من الطرق التقليدية. مع ذلك، لا يتيح هذا النهج فرصة كافية لعرض الأساس العلمي لتقديرات العمر، مثل مؤشرات العمر المستخدمة فيها. كما يوجد نزاع قانوني حول الجهة المسؤولة عن إجراء الفحوصات. لذا، يصعب على السلطات الإدارية والقضائية قبول تقدير العمر القائم على التعلم العميق. يُعدّ استخراج البيانات تقنية قادرة على اكتشاف المعلومات المتوقعة وغير المتوقعة على حد سواء، وذلك كطريقة لاكتشاف العلاقات المفيدة بين كميات كبيرة من البيانات6،21،22. غالبًا ما يُستخدم التعلم الآلي في استخراج البيانات، ويستخدم كل من استخراج البيانات والتعلم الآلي نفس الخوارزميات الرئيسية لاكتشاف الأنماط في البيانات. يعتمد تقدير العمر باستخدام نمو الأسنان على تقييم الفاحص لنضج الأسنان المستهدفة، ويُعبّر عن هذا التقييم بمرحلة لكل سن مستهدف. يمكن استخدام تحليل البيانات (DM) لتحليل العلاقة بين مرحلة تقييم الأسنان والعمر الفعلي، ويتمتع بإمكانية استبدال التحليل الإحصائي التقليدي. لذا، بتطبيق تقنيات تحليل البيانات على تقدير العمر، يمكننا توظيف التعلم الآلي في تقدير العمر في الطب الشرعي دون القلق بشأن المسؤولية القانونية. وقد نُشرت العديد من الدراسات المقارنة حول البدائل الممكنة للطرق اليدوية التقليدية المستخدمة في الطب الشرعي، والطرق القائمة على الأدلة الطبية (EBM) لتحديد العمر السني. أظهرت دراسة شين وآخرون (23) أن نموذج تحليل البيانات أكثر دقة من صيغة كاميرر التقليدية. كما طبق غاليبورغ وآخرون (24) طرقًا مختلفة لتحليل البيانات للتنبؤ بالعمر وفقًا لمعيار ديميردجيان (25)، وأظهرت النتائج تفوق طريقة تحليل البيانات على طريقتي ديميردجيان وويليمز في تقدير عمر السكان الفرنسيين.
لتقدير العمر السني للمراهقين والشباب الكوريين، تُستخدم طريقة لي (Lee's method 4) على نطاق واسع في الطب الشرعي الكوري. تعتمد هذه الطريقة على التحليل الإحصائي التقليدي (مثل الانحدار المتعدد) لدراسة العلاقة بين العمر الزمني والعمر الزمني للأفراد الكوريين. في هذه الدراسة، تُعرَّف طرق تقدير العمر التي تُجرى باستخدام الأساليب الإحصائية التقليدية بأنها "طرق تقليدية". تُعد طريقة لي طريقة تقليدية، وقد أكد أوه وآخرون (Oh et al. 5) دقتها؛ ومع ذلك، لا تزال إمكانية تطبيق تقدير العمر بناءً على نموذج DM في الطب الشرعي الكوري موضع تساؤل. كان هدفنا هو التحقق علميًا من الفائدة المحتملة لتقدير العمر بناءً على نموذج DM. تهدف هذه الدراسة إلى: (1) مقارنة دقة نموذجين من نماذج DM في تقدير العمر السني، و(2) مقارنة أداء التصنيف لسبعة نماذج DM عند عمر 18 عامًا مع تلك التي تم الحصول عليها باستخدام الأساليب الإحصائية التقليدية لنضج الضرسين الثاني والثالث في كلا الفكين.
تُعرض المتوسطات والانحرافات المعيارية للعمر الزمني حسب المرحلة ونوع السن في الجداول التكميلية S1 (مجموعة التدريب)، وS2 (مجموعة الاختبار الداخلي)، وS3 (مجموعة الاختبار الخارجي) المتاحة عبر الإنترنت. بلغت قيم معامل كابا لموثوقية القياس داخل المُلاحِظ الواحد وبين المُلاحِظين، والمُستخرجة من مجموعة التدريب، 0.951 و0.947 على التوالي. تُعرض قيم P وفترات الثقة 95% لقيم معامل كابا في الجدول التكميلي S4 المتاح عبر الإنترنت. وقد فُسِّرت قيمة معامل كابا بأنها "ممتازة تقريبًا"، بما يتوافق مع معايير لانديس وكوخ.
عند مقارنة متوسط الخطأ المطلق (MAE)، يتفوق الأسلوب التقليدي بشكل طفيف على نموذج DM لجميع الأجناس وفي مجموعة اختبار الذكور الخارجية، باستثناء نموذج الشبكة العصبية متعددة الطبقات (MLP). بلغ الفرق بين النموذج التقليدي ونموذج DM في مجموعة اختبار MAE الداخلية 0.12-0.19 سنة للرجال و0.17-0.21 سنة للنساء. أما في مجموعة الاختبار الخارجية، فكانت الفروق أصغر (0.001-0.05 سنة للرجال و0.05-0.09 سنة للنساء). بالإضافة إلى ذلك، كان جذر متوسط مربع الخطأ (RMSE) أقل قليلاً من الأسلوب التقليدي، مع فروق أصغر (0.17-0.24، 0.2-0.24 لمجموعة اختبار الذكور الداخلية، و0.03-0.07، 0.04-0.08 لمجموعة الاختبار الخارجية). أظهر نموذج MLP أداءً أفضل قليلاً من نموذج الشبكة العصبية أحادية الطبقة (SLP)، باستثناء حالة مجموعة اختبار الإناث الخارجية. بالنسبة لمتوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE)، سجلت مجموعة الاختبار الخارجية درجات أعلى من مجموعة الاختبار الداخلية لجميع الأجناس والنماذج. جميع قيم MAE وRMSE موضحة في الجدول 1 والشكل 1.
متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE) لنماذج الانحدار التقليدية ونماذج استخراج البيانات. متوسط الخطأ المطلق (MAE)، جذر متوسط مربع الخطأ (RMSE)، الشبكة العصبية أحادية الطبقة (SLP)، الشبكة العصبية متعددة الطبقات (MLP)، طريقة CM التقليدية.
تم توضيح أداء التصنيف (بحد أقصى 18 عامًا) للنماذج التقليدية ونماذج DM من حيث الحساسية والنوعية والقيمة التنبؤية الإيجابية (PPV) والقيمة التنبؤية السلبية (NPV) ومساحة المنطقة تحت منحنى خصائص تشغيل المستقبل (AUROC) 27 (الجدول 2، الشكل 2، والشكل التكميلي 1 على الإنترنت). فيما يتعلق بحساسية مجموعة الاختبارات الداخلية، كان أداء الطرق التقليدية هو الأفضل لدى الرجال والأسوأ لدى النساء. ومع ذلك، فإن الفرق في أداء التصنيف بين الطرق التقليدية وSD هو 9.7% للرجال (MLP) و2.4% فقط للنساء (XGBoost). من بين نماذج DM، أظهر الانحدار اللوجستي (LR) حساسية أفضل لدى كلا الجنسين. فيما يتعلق بنوعية مجموعة الاختبارات الداخلية، لوحظ أن نماذج SD الأربعة كان أداؤها جيدًا لدى الذكور، بينما كان أداء النموذج التقليدي أفضل لدى الإناث. بلغت الفروق في أداء التصنيف للذكور والإناث 13.3% (MLP) و13.1% (MLP) على التوالي، مما يشير إلى أن الفرق في أداء التصنيف بين النماذج يتجاوز الحساسية. من بين نماذج DM، حققت نماذج آلة المتجهات الداعمة (SVM) وشجرة القرار (DT) والغابة العشوائية (RF) أفضل أداء بين الذكور، بينما حقق نموذج الانحدار اللوجستي (LR) أفضل أداء بين الإناث. تجاوزت مساحة المنطقة تحت منحنى ROC (AUROC) للنموذج التقليدي وجميع نماذج SD 0.925 (باستخدام خوارزمية أقرب جار k (KNN) للرجال)، مما يدل على أداء تصنيفي ممتاز في تمييز عينات عمر 18 عامًا. بالنسبة لمجموعة الاختبار الخارجية، لوحظ انخفاض في أداء التصنيف من حيث الحساسية والنوعية وAUROC مقارنةً بمجموعة الاختبار الداخلية. علاوة على ذلك، تراوح الفرق في الحساسية والنوعية بين أداء التصنيف لأفضل وأسوأ النماذج من 10% إلى 25%، وكان أكبر من الفرق في مجموعة الاختبار الداخلية.
حساسية ونوعية نماذج تصنيف استخراج البيانات مقارنةً بالطرق التقليدية عند عتبة عمر 18 عامًا. تشمل هذه النماذج: أقرب جار (KNN)، آلة المتجهات الداعمة (SVM)، الانحدار اللوجستي (LR)، شجرة القرار (DT)، الغابة العشوائية (RF)، XGBoost، الشبكة العصبية متعددة الطبقات (MLP)، وطريقة CM التقليدية.
تمثلت الخطوة الأولى في هذه الدراسة في مقارنة دقة تقديرات العمر السني المُستمدة من سبعة نماذج لتقدير العمر السني مع تلك المُستمدة باستخدام الانحدار التقليدي. تم تقييم متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE) في مجموعات اختبار داخلية لكلا الجنسين، وتراوح الفرق بين الطريقة التقليدية ونموذج تقدير العمر السني من 44 إلى 77 يومًا لمتوسط الخطأ المطلق، ومن 62 إلى 88 يومًا لجذر متوسط مربع الخطأ. على الرغم من أن الطريقة التقليدية كانت أكثر دقة بشكل طفيف في هذه الدراسة، إلا أنه من الصعب الجزم ما إذا كان لهذا الفرق الطفيف دلالة سريرية أو عملية. تشير هذه النتائج إلى أن دقة تقدير العمر السني باستخدام نموذج تقدير العمر السني تكاد تكون مماثلة لدقة الطريقة التقليدية. يصعب إجراء مقارنة مباشرة مع نتائج الدراسات السابقة لعدم وجود دراسة قارنت دقة نماذج تقدير العمر السني بالطرق الإحصائية التقليدية باستخدام نفس تقنية تسجيل الأسنان في نفس النطاق العمري كما في هذه الدراسة. قارن غاليبورغ وآخرون (24) متوسط الخطأ المطلق وجذر متوسط مربع الخطأ بين طريقتين تقليديتين (طريقة ديميرجيان (25) وطريقة ويليمز (29)) وعشرة نماذج لتقدير العمر السني في عينة من السكان الفرنسيين الذين تتراوح أعمارهم بين سنتين و24 سنة. أفاد الباحثون بأن جميع نماذج DM كانت أكثر دقة من الطرق التقليدية، حيث بلغت الفروقات 0.20 و0.38 سنة في متوسط الخطأ المطلق (MAE)، و0.25 و0.47 سنة في جذر متوسط مربع الخطأ (RMSE) مقارنةً بطريقتي ويليمز وديميردجيان على التوالي. ويُعزى التباين بين نموذج SD والطرق التقليدية، كما هو موضح في دراسة هاليبورغ، إلى العديد من التقارير30،31،32،33 التي تُشير إلى أن طريقة ديميردجيان لا تُقدّر العمر السني بدقة في مجموعات سكانية أخرى غير الكنديين الفرنسيين الذين استندت إليهم الدراسة. وفي هذه الدراسة، استخدم تاي وآخرون34 خوارزمية MLP للتنبؤ بالعمر السني من 1636 صورة تقويم أسنان صينية، وقارنوا دقتها بنتائج طريقتي ديميردجيان وويليمز. وأفادوا بأن MLP تتمتع بدقة أعلى من الطرق التقليدية. ويبلغ الفرق بين طريقة ديميردجيان والطريقة التقليدية أقل من 0.32 سنة، بينما يبلغ الفرق في طريقة ويليمز 0.28 سنة، وهو ما يُشابه نتائج هذه الدراسة. تتفق نتائج الدراسات السابقة (24، 34) مع نتائج هذه الدراسة، وتتشابه دقة تقدير العمر باستخدام نموذج DM والطريقة التقليدية. مع ذلك، وبناءً على النتائج المعروضة، لا يمكننا إلا أن نستنتج بحذر أن استخدام نماذج DM لتقدير العمر قد يحل محل الطرق الحالية، وذلك لعدم وجود دراسات سابقة مقارنة أو مرجعية. لذا، يلزم إجراء دراسات لاحقة باستخدام عينات أكبر لتأكيد النتائج التي تم التوصل إليها في هذه الدراسة.
من بين الدراسات التي اختبرت دقة الانحراف المعياري في تقدير العمر السني، أظهرت بعضها دقة أعلى من دراستنا. طبق ستيبانوفسكي وآخرون (35) 22 نموذجًا للانحراف المعياري على صور بانورامية لـ 976 من سكان جمهورية التشيك تتراوح أعمارهم بين 2.7 و20.5 سنة، واختبروا دقة كل نموذج. قيّموا نمو 16 سنًا دائمًا في الفك العلوي والسفلي الأيسر باستخدام معايير التصنيف التي اقترحها موريس وآخرون (36). تراوح متوسط الخطأ المطلق (MAE) بين 0.64 و0.94 سنة، وتراوح جذر متوسط مربع الخطأ (RMSE) بين 0.85 و1.27 سنة، وهي قيم أكثر دقة من نموذجي DM المستخدمين في هذه الدراسة. استخدم شين وآخرون (23) طريقة كاميري لتقدير العمر السني لسبعة أسنان دائمة في الفك السفلي الأيسر لدى سكان شرق الصين الذين تتراوح أعمارهم بين 5 و13 سنة، وقارنوا النتائج بالأعمار المقدرة باستخدام الانحدار الخطي، وآلة المتجهات الداعمة (SVM)، والغابات العشوائية (RF). أظهروا أن جميع نماذج DM الثلاثة تتمتع بدقة أعلى مقارنةً بصيغة كاميري التقليدية. كان متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE) في دراسة شين أقل من مثيليهما في نموذج DM في هذه الدراسة. قد يُعزى تحسن دقة دراسات ستيبانوفسكي وآخرون (35) وشين وآخرون (23) إلى إدراج مشاركين أصغر سنًا في عينات دراستهم. ولأن تقديرات العمر للمشاركين ذوي الأسنان النامية تصبح أكثر دقة مع ازدياد عدد الأسنان خلال نمو الأسنان، فقد تتأثر دقة طريقة تقدير العمر الناتجة سلبًا عندما يكون المشاركون في الدراسة أصغر سنًا. بالإضافة إلى ذلك، فإن خطأ الشبكة العصبية متعددة الطبقات (MLP) في تقدير العمر أقل قليلًا من خطأ الشبكة العصبية أحادية الطبقة (SLP)، مما يعني أن MLP أكثر دقة من SLP. تُعتبر MLP أفضل قليلًا في تقدير العمر، ربما بسبب الطبقات المخفية في MLP38. مع ذلك، هناك استثناء في العينة الخارجية من النساء (SLP 1.45، MLP 1.49). يتطلب استنتاج أن MLP أكثر دقة من SLP في تقييم العمر إجراء دراسات استرجاعية إضافية.
تمت مقارنة أداء تصنيف نموذج DM والطريقة التقليدية عند عتبة عمرية تبلغ 18 عامًا. أظهرت جميع نماذج SD المختبرة والطرق التقليدية على مجموعة الاختبار الداخلية مستويات تمييز مقبولة عمليًا لعينة عمر 18 عامًا. بلغت حساسية النموذج للرجال والنساء أكثر من 87.7% و94.9% على التوالي، بينما بلغت خصوصيته أكثر من 89.3% و84.7%. كما تجاوزت مساحة المنطقة تحت منحنى ROC (AUROC) لجميع النماذج المختبرة 0.925. على حد علمنا، لم تختبر أي دراسة أداء نموذج DM لتصنيف عمر 18 عامًا بناءً على نضج الأسنان. يمكننا مقارنة نتائج هذه الدراسة بأداء تصنيف نماذج التعلم العميق على صور الأشعة البانورامية. قام غو وآخرون (15) بحساب أداء تصنيف نموذج التعلم العميق القائم على الشبكة العصبية التلافيفية (CNN) وطريقة يدوية تعتمد على طريقة ديميرجيان عند عتبة عمرية محددة. بلغت حساسية وخصوصية الطريقة اليدوية 87.7% و95.5% على التوالي، بينما تجاوزت حساسية وخصوصية نموذج الشبكة العصبية التلافيفية 89.2% و86.6% على التوالي. وخلص الباحثون إلى أن نماذج التعلم العميق قادرة على استبدال التقييم اليدوي أو التفوق عليه في تصنيف عتبات العمر. أظهرت نتائج هذه الدراسة أداءً تصنيفيًا مماثلاً؛ ويُعتقد أن التصنيف باستخدام نماذج DM يمكن أن يحل محل الطرق الإحصائية التقليدية لتقدير العمر. من بين النماذج، كان نموذج DM LR هو الأفضل من حيث الحساسية لعينة الذكور، ومن حيث الحساسية والخصوصية لعينة الإناث. ويحتل نموذج LR المرتبة الثانية من حيث الخصوصية للرجال. علاوة على ذلك، يُعتبر نموذج LR من أكثر نماذج DM35 سهولة في الاستخدام، وهو أقل تعقيدًا وأسهل في المعالجة. بناءً على هذه النتائج، اعتُبر نموذج LR أفضل نموذج لتصنيف العتبات العمرية لمن يبلغون 18 عامًا في المجتمع الكوري.
بشكل عام، كانت دقة تقدير العمر أو أداء التصنيف على مجموعة الاختبار الخارجية ضعيفة أو أقل مقارنةً بالنتائج على مجموعة الاختبار الداخلية. تشير بعض التقارير إلى انخفاض دقة التصنيف أو كفاءته عند تطبيق تقديرات العمر المستندة إلى بيانات السكان الكوريين على السكان اليابانيين5,39، وقد لوحظ نمط مماثل في هذه الدراسة. كما لوحظ هذا التدهور في نموذج DM. لذلك، ولتقدير العمر بدقة، حتى عند استخدام DM في عملية التحليل، يُفضل استخدام الطرق المستمدة من بيانات السكان الأصليين، مثل الطرق التقليدية5,39,40,41,42. ونظرًا لعدم وضوح ما إذا كانت نماذج التعلم العميق تُظهر اتجاهات مماثلة، فإن هناك حاجة إلى دراسات تقارن دقة التصنيف وكفاءته باستخدام الطرق التقليدية ونماذج DM ونماذج التعلم العميق على نفس العينات، وذلك لتأكيد قدرة الذكاء الاصطناعي على التغلب على هذه الفوارق العرقية في تقديرات العمر المحدودة.
نُبين في هذه الدراسة إمكانية استبدال الطرق التقليدية بتقدير العمر باستخدام نموذج DM في مجال الطب الشرعي في كوريا. كما اكتشفنا إمكانية تطبيق التعلم الآلي في هذا المجال. مع ذلك، توجد بعض القيود الواضحة، كعدم كفاية عدد المشاركين في هذه الدراسة لتحديد النتائج بشكل قاطع، وقلة الدراسات السابقة للمقارنة والتأكيد. لذا، يُوصى بإجراء دراسات DM مستقبلاً على عينات أكبر وأكثر تنوعاً لتحسين قابليتها للتطبيق العملي مقارنةً بالطرق التقليدية. وللتحقق من جدوى استخدام الذكاء الاصطناعي لتقدير العمر في فئات سكانية متعددة، يلزم إجراء دراسات مستقبلية لمقارنة دقة وكفاءة تصنيف نماذج DM والتعلم العميق مع الطرق التقليدية على نفس العينات.
استخدمت الدراسة 2657 صورة شعاعية متعامدة جُمعت من بالغين كوريين ويابانيين تتراوح أعمارهم بين 15 و23 عامًا. قُسّمت الصور الشعاعية الكورية إلى 900 مجموعة تدريبية (بمتوسط عمر 19.42 ± 2.65 عامًا) و900 مجموعة اختبار داخلية (بمتوسط عمر 19.52 ± 2.59 عامًا). جُمعت المجموعة التدريبية في مؤسسة واحدة (مستشفى سيول سانت ماري)، بينما جُمعت مجموعة الاختبار الداخلية في مؤسستين (مستشفى طب الأسنان بجامعة سيول الوطنية ومستشفى طب الأسنان بجامعة يونسي). كما جُمعت 857 صورة شعاعية من بيانات سكانية أخرى (جامعة إيوات الطبية، اليابان) لإجراء اختبار خارجي. اختيرت صور شعاعية لأفراد يابانيين (بمتوسط عمر 19.31 ± 2.60 عامًا) كمجموعة اختبار خارجية. جُمعت البيانات بأثر رجعي لتحليل مراحل نمو الأسنان في الصور الشعاعية البانورامية التي أُخذت أثناء علاج الأسنان. جميع البيانات التي جُمعت كانت مجهولة المصدر باستثناء الجنس وتاريخ الميلاد وتاريخ التقاط الصورة الشعاعية. كانت معايير الإدراج والاستبعاد مماثلة للدراسات المنشورة سابقًا (4، 5). حُسب العمر الفعلي للعينة بطرح تاريخ الميلاد من تاريخ التقاط الصورة الشعاعية. قُسّمت مجموعة العينة إلى تسع فئات عمرية. يوضح الجدول 3 توزيع العمر والجنس. أُجريت هذه الدراسة وفقًا لإعلان هلسنكي، وحصلت على موافقة لجنة المراجعة المؤسسية (IRB) في مستشفى سيول سانت ماري التابع للجامعة الكاثوليكية في كوريا (KC22WISI0328). نظرًا للتصميم الاسترجاعي لهذه الدراسة، لم يكن من الممكن الحصول على موافقة مستنيرة من جميع المرضى الذين خضعوا لفحص شعاعي لأغراض علاجية. وقد أعفت لجنة المراجعة المؤسسية (IRB) في مستشفى سيول سانت ماري التابع للجامعة الكاثوليكية في كوريا من شرط الحصول على الموافقة المستنيرة.
تم تقييم مراحل نمو الضرسين الثاني والثالث في الفكين وفقًا لمعايير ديميركان25. تم اختيار سن واحد فقط في حال وجود نفس النوع من الأسنان على جانبي كل فك. أما إذا كانت الأسنان المتناظرة على كلا الجانبين في مراحل نمو مختلفة، فقد تم اختيار السن ذي المرحلة الأقل نموًا لمراعاة عدم اليقين في تقدير العمر. قام اثنان من المراقبين ذوي الخبرة بتقييم مئة صورة شعاعية مختارة عشوائيًا من مجموعة التدريب لاختبار موثوقية التقييم بين المراقبين بعد معايرة مسبقة لتحديد مرحلة نضج الأسنان. تم تقييم موثوقية التقييم داخل المراقب الواحد مرتين بفاصل زمني قدره ثلاثة أشهر من قبل المراقب الأساسي.
تم تقدير جنس ومرحلة نمو الضرسين الثاني والثالث في كل فك من الفكين في مجموعة التدريب بواسطة مراقب أساسي مُدرَّب باستخدام نماذج DM مختلفة، وتم تحديد العمر الفعلي كقيمة مستهدفة. تم اختبار نموذجي SLP وMLP، وهما من النماذج الشائعة الاستخدام في التعلم الآلي، مقابل خوارزميات الانحدار. يجمع نموذج DM الدوال الخطية باستخدام مراحل نمو الأسنان الأربعة، ويجمع هذه البيانات لتقدير العمر. يُعد نموذج SLP أبسط شبكة عصبية، ولا يحتوي على طبقات مخفية. يعمل نموذج SLP بناءً على انتقال العتبة بين العقد. يُشابه نموذج SLP في الانحدار رياضيًا الانحدار الخطي المتعدد. على عكس نموذج SLP، يحتوي نموذج MLP على طبقات مخفية متعددة ذات دوال تنشيط غير خطية. استخدمت تجاربنا طبقة مخفية تحتوي على 20 عقدة مخفية فقط ذات دوال تنشيط غير خطية. استخدمنا خوارزمية التدرج الهبوطي كطريقة للتحسين، وMAE وRMSE كدوال خسارة لتدريب نموذج التعلم الآلي الخاص بنا. تم تطبيق أفضل نموذج انحدار تم الحصول عليه على مجموعتي الاختبار الداخلية والخارجية، وتم تقدير عمر الأسنان.
تم تطوير خوارزمية تصنيف تستخدم نضج أربعة أسنان في مجموعة التدريب للتنبؤ بما إذا كانت العينة تبلغ من العمر 18 عامًا أم لا. لبناء النموذج، استخلصنا سبع خوارزميات تعلم آلي تمثيلية6,43: (1) الانحدار اللوجستي (LR)، (2) أقرب جار (KNN)، (3) آلة المتجهات الداعمة (SVM)، (4) شجرة القرار (DT)، (5) الغابات العشوائية (RF)، (6) XGBoost، و(7) الشبكة العصبية متعددة الطبقات (MLP). يُعد الانحدار اللوجستي (LR) من أكثر خوارزميات التصنيف استخدامًا44. وهي خوارزمية تعلم مُشرف تستخدم الانحدار للتنبؤ باحتمالية انتماء البيانات إلى فئة معينة من 0 إلى 1، وتصنف البيانات على أنها تنتمي إلى الفئة الأكثر احتمالًا بناءً على هذه الاحتمالية؛ وتُستخدم بشكل أساسي للتصنيف الثنائي. أما أقرب جار (KNN) فهو من أبسط خوارزميات التعلم الآلي45. عند إدخال بيانات جديدة، يجد k من البيانات القريبة من المجموعة الموجودة، ثم يصنفها في الفئة ذات التردد الأعلى. وقد حددنا 3 لعدد الجيران الذين تم اعتبارهم (k). خوارزمية SVM هي خوارزمية تُعظّم المسافة بين فئتين باستخدام دالة نواة لتوسيع الفضاء الخطي إلى فضاء غير خطي يُسمى الحقول⁴⁶. في هذا النموذج، نستخدم التحيز = 1، والقوة = 1، وجاما = 1 كمعاملات فائقة لنواة متعددة الحدود. طُبقت شجرة القرار (DT) في مجالات متنوعة كخوارزمية لتقسيم مجموعة بيانات كاملة إلى عدة مجموعات فرعية من خلال تمثيل قواعد القرار في بنية شجرية⁴⁷. تم تكوين النموذج بحد أدنى لعدد السجلات لكل عقدة وهو 2، ويستخدم مؤشر جيني كمقياس للجودة. أما خوارزمية الغابات العشوائية (RF) فهي طريقة تجميع تجمع بين عدة أشجار قرار لتحسين الأداء باستخدام طريقة تجميع بوتستراب تُنشئ مُصنفًا ضعيفًا لكل عينة عن طريق سحب عينات عشوائية من نفس الحجم عدة مرات من مجموعة البيانات الأصلية⁴⁸. استخدمنا 100 شجرة، و10 أعماق للشجرة، وحدًا أدنى لحجم العقدة، ومؤشر جيني للاختلاط كمعايير لفصل العقد. يتم تحديد تصنيف البيانات الجديدة عن طريق التصويت بالأغلبية. خوارزمية XGBoost هي خوارزمية تجمع بين تقنيات التعزيز باستخدام طريقة تعتمد على الخطأ بين القيم الفعلية والمتوقعة للنموذج السابق كبيانات تدريب، ثم تُعزز هذا الخطأ باستخدام التدرجات49. تُعد هذه الخوارزمية شائعة الاستخدام نظرًا لأدائها الجيد وكفاءتها في استخدام الموارد، فضلًا عن موثوقيتها العالية كدالة لتصحيح التجاوز. يحتوي النموذج على 400 عجلة دعم. أما الشبكة العصبية متعددة الطبقات (MLP) فهي شبكة عصبية تتكون من مُدرك واحد أو أكثر يُشكل طبقات متعددة مع طبقة مخفية واحدة أو أكثر بين طبقتي الإدخال والإخراج38. باستخدام هذه الشبكة، يُمكن إجراء تصنيف غير خطي، حيث عند إضافة طبقة إدخال والحصول على قيمة نتيجة، تتم مقارنة قيمة النتيجة المتوقعة بقيمة النتيجة الفعلية، ثم يُعاد نشر الخطأ. أنشأنا طبقة مخفية تحتوي على 20 عصبونًا مخفيًا في كل طبقة. طُبق كل نموذج قمنا بتطويره على مجموعات بيانات داخلية وخارجية لاختبار أداء التصنيف من خلال حساب الحساسية والنوعية والقيمة التنبؤية الإيجابية والقيمة التنبؤية السلبية ومساحة المنطقة تحت منحنى ROC. تُعرَّف الحساسية بأنها نسبة العينة التي يُقدَّر عمر أفرادها بـ 18 عامًا أو أكثر إلى عينة أخرى يُقدَّر عمر أفرادها بـ 18 عامًا أو أكثر. أما النوعية فهي نسبة العينات التي يقل عمر أفرادها عن 18 عامًا إلى العينات التي يُقدَّر عمر أفرادها بـ 18 عامًا.
تم تحويل مراحل الأسنان التي تم تقييمها في مجموعة التدريب إلى مراحل رقمية لإجراء التحليل الإحصائي. وأُجري تحليل الانحدار الخطي واللوجستي متعدد المتغيرات لتطوير نماذج تنبؤية لكل جنس، واستخلاص معادلات انحدار يمكن استخدامها لتقدير العمر. استخدمنا هذه المعادلات لتقدير عمر الأسنان لكلتا مجموعتي الاختبار الداخلية والخارجية. يوضح الجدول 4 نماذج الانحدار والتصنيف المستخدمة في هذه الدراسة.
تم حساب موثوقية الملاحظة داخل وبين المراقبين باستخدام إحصائية كابا لكوهين. ولاختبار دقة نماذج الانحدار التقليدية ونماذج DM، تم حساب متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE) باستخدام الأعمار المقدرة والفعلية لمجموعات الاختبار الداخلية والخارجية. تُستخدم هذه الأخطاء عادةً لتقييم دقة تنبؤات النموذج. كلما قل الخطأ، زادت دقة التنبؤ.24 تمت مقارنة قيم MAE وRMSE لمجموعات الاختبار الداخلية والخارجية المحسوبة باستخدام نماذج DM والانحدار التقليدي. تم تقييم أداء التصنيف لعتبة 18 عامًا في الإحصاءات التقليدية باستخدام جدول توافق 2 × 2. تمت مقارنة الحساسية والنوعية والقيمة التنبؤية الإيجابية (PPV) والقيمة التنبؤية السلبية (NPV) ومساحة المنطقة تحت منحنى ROC (AUROC) لمجموعة الاختبار مع القيم المقاسة لنموذج تصنيف DM. تُعرض البيانات كمتوسط ± انحراف معياري أو عدد (%) حسب خصائص البيانات. تُعتبر قيم P ذات الطرفين <0.05 ذات دلالة إحصائية. تم إجراء جميع التحليلات الإحصائية الروتينية باستخدام برنامج SAS الإصدار 9.4 (معهد SAS، كاري، كارولاينا الشمالية). تم تطبيق نموذج الانحدار DM باستخدام لغة بايثون مع Keras50 2.2.4 كخلفية وTensorflow51 1.8.0 خصيصًا للعمليات الحسابية. أما نموذج التصنيف DM فقد تم تطبيقه في بيئة تحليل المعرفة Waikato ومنصة تحليل Konstanz Information Miner (KNIME) 4.6.152.
يُقرّ المؤلفون بإمكانية العثور على البيانات التي تدعم استنتاجات الدراسة في المقالة والمواد التكميلية. ويمكن الحصول على مجموعات البيانات التي تم إنشاؤها و/أو تحليلها خلال الدراسة من المؤلف المسؤول عند الطلب.
ريتز-تيم، إس. وآخرون. تقييم العمر: أحدث التقنيات لتلبية المتطلبات المحددة للممارسة الجنائية. الدولية. مجلة الطب الشرعي. 113، 129-136 (2000).
شميلينغ، أ.، ريزينغر، و.، جيسيريك، ج.، وأولزه، أ. الوضع الحالي لتقييم العمر الجنائي للأشخاص الأحياء لأغراض الملاحقة الجنائية. الطب الشرعي. الطب. علم الأمراض. 1، 239-246 (2005).
بان، ج. وآخرون. طريقة معدلة لتقييم العمر السني للأطفال الذين تتراوح أعمارهم بين 5 و16 عامًا في شرق الصين. المسح السريري للفم. 25، 3463-3474 (2021).
لي، إس إس وآخرون. التسلسل الزمني لتطور الأضراس الثانية والثالثة لدى الكوريين وتطبيقه في تقييم العمر في الطب الشرعي. مجلة الطب الشرعي الدولية. 124، 659-665 (2010).
أوه، إس.، كوماجاي، أ.، كيم، إس واي ولي، إس إس. دقة تقدير العمر وتقدير عتبة 18 عامًا بناءً على نضج الأضراس الثانية والثالثة لدى الكوريين واليابانيين. PLoS ONE 17، e0271247 (2022).
كيم، جي واي، وآخرون. تحليل البيانات القائم على التعلم الآلي قبل الجراحة يمكن أن يتنبأ بنتيجة علاج جراحة النوم لدى مرضى انقطاع النفس الانسدادي النومي. مجلة ساينس. ريبورت 11، 14911 (2021).
هان، م. وآخرون. تقدير دقيق للعمر من خلال التعلم الآلي مع أو بدون تدخل بشري؟ العالمية. مجلة الطب الشرعي. 136، 821-831 (2022).
خان، س. وشاهين، م. من التنقيب عن البيانات إلى التنقيب عن البيانات. مجلة المعلومات. العلم. https://doi.org/10.1177/01655515211030872 (2021).
خان، س. وشاهين، م. WisRule: أول خوارزمية معرفية لاستخراج قواعد الارتباط. مجلة علوم المعلومات. https://doi.org/10.1177/01655515221108695 (2022).
شاهين م. وعبد الله يو. كارم: التنقيب التقليدي عن البيانات بناءً على قواعد الارتباط القائمة على السياق. حساب. مات. استمرار. 68، 3305-3322 (2021).
محمد م.، رحمن ز.، شاهين م.، خان م.، وحبيب م. الكشف عن التشابه الدلالي باستخدام بيانات نصية بالاعتماد على التعلم العميق. تكنولوجيا المعلومات والتحكم. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
تابيش، م.، تانولي، ز.، وشاهين، م. نظام للتعرف على النشاط في مقاطع الفيديو الرياضية. الوسائط المتعددة. أدوات وتطبيقات https://doi.org/10.1007/s11042-021-10519-6 (2021).
حلبي، إس إس وآخرون. تحدي التعلم الآلي لجمعية أمريكا الشمالية للأشعة في تحديد عمر العظام لدى الأطفال. علم الأشعة 290، 498-503 (2019).
لي، واي. وآخرون. تقدير العمر الشرعي من صور الأشعة السينية للحوض باستخدام التعلم العميق. الإشعاع الأوروبي. 29، 2322-2329 (2019).
Guo, YC, et al. تصنيف دقيق للأعمار باستخدام الطرق اليدوية والشبكات العصبية التلافيفية العميقة من صور الإسقاط المتعامد. مجلة الطب الشرعي الدولية. 135، 1589-1597 (2021).
ألاباما دالورا وآخرون. تقدير عمر العظام باستخدام طرق مختلفة للتعلم الآلي: مراجعة منهجية للأدبيات وتحليل تلوي. PLoS ONE 14، e0220242 (2019).
دو، هـ.، لي، ج.، تشنغ، ك.، ويانغ، ج. تقدير العمر الخاص بالسكان للأمريكيين من أصل أفريقي والصينيين بناءً على أحجام حجرة اللب للأضراس الأولى باستخدام التصوير المقطعي المحوسب ذي الحزمة المخروطية. مجلة الطب الشرعي الدولية. 136، 811-819 (2022).
كيم إس، لي واي إتش، نوه واي كيه، بارك إف كيه، وأوه كيه إس. تحديد الفئات العمرية للأشخاص الأحياء باستخدام صور الأضراس الأولى القائمة على الذكاء الاصطناعي. مجلة العلوم. التقرير 11، 1073 (2021).
ستيرن، د.، باير، س.، جولياني، ن.، وأورشلر، م. التقدير التلقائي للعمر وتصنيف عمر الأغلبية من بيانات التصوير بالرنين المغناطيسي متعددة المتغيرات. مجلة IEEE للتنبيهات الصحية الطبية الحيوية. 23، 1392-1403 (2019).
تشنغ، كيو، جي، زد، دو، إتش، ولي، جي. تقدير العمر بناءً على تجزئة حجرة اللب ثلاثية الأبعاد للأضراس الأولى من التصوير المقطعي المحوسب ذي الحزمة المخروطية عن طريق دمج التعلم العميق ومجموعات المستوى. المجلة الدولية للطب الشرعي. 135، 365-373 (2021).
وو، دبليو تي، وآخرون. التنقيب عن البيانات في البيانات الضخمة السريرية: قواعد البيانات الشائعة، والخطوات، ونماذج الأساليب. الموارد الطبية العالمية. 8، 44 (2021).
يانغ، ج. وآخرون. مقدمة في قواعد البيانات الطبية وتقنيات استخراج البيانات في عصر البيانات الضخمة. مجلة الطب الأساسي. 13، 57-69 (2020).
شين، إس. وآخرون. طريقة كاميرر لتقدير عمر الأسنان باستخدام التعلم الآلي. بي إم سي صحة الفم 21، 641 (2021).
غاليبورغ أ. وآخرون. مقارنة بين طرق التعلم الآلي المختلفة للتنبؤ بالعمر السني باستخدام طريقة ديميردجيان للتصنيف. المجلة الدولية للطب الشرعي. 135، 665-675 (2021).
ديميردجيان، أ.، غولدشتاين، هـ. وتانر، ج.م. نظام جديد لتقييم العمر السني. علم الأحياء الشخيري. 45، 211-227 (1973).
لانديس، جيه آر، وكوخ، جي جي. مقاييس اتفاق المراقبين على البيانات الفئوية. القياسات الحيوية 33، 159-174 (1977).
بهاتاشارجي إس، براكاش دي، كيم سي، كيم إتش كيه، وتشوي إتش كيه. التحليل النسيجي والمورفولوجي والإحصائي للتصوير بالرنين المغناطيسي ثنائي الأبعاد باستخدام تقنيات الذكاء الاصطناعي للتمييز بين أورام الدماغ الأولية. معلومات صحية. مورد. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
تاريخ النشر: 4 يناير 2024