Convalida di modelli di data mining confrontandoli con metodi convenzionali per la stima dell'età dentale nei giovani e nei giovani adulti coreani

Rapporti scientifici volume 13, numero articolo: 726 (2023) Citare questo articolo

1018 accessi

3 Altmetrico

Dettagli sulle metriche

I denti sono noti per essere gli indicatori di età più accurati del corpo umano e vengono spesso applicati nella stima dell'età forense. Abbiamo mirato a convalidare la stima dell’età dentale basata sul data mining, confrontando l’accuratezza della stima e delle prestazioni di classificazione delle soglie di 18 anni con metodi convenzionali e con la stima dell’età basata sul data mining. Sono state raccolte un totale di 2657 radiografie panoramiche di popolazioni coreane e giapponesi di età compresa tra 15 e 23 anni. Sono stati suddivisi in una serie di test interni e di formazione di 900 radiografie ciascuna di coreani e una serie di test esterni di 857 radiografie di giapponesi. Abbiamo confrontato l'accuratezza e le prestazioni di classificazione dei set di test dei metodi convenzionali con quelli dei modelli di data mining. L'accuratezza del metodo convenzionale con il set di test interno era leggermente superiore a quella dei modelli di data mining, con una leggera differenza (errore assoluto medio < 0,21 anni, errore quadratico medio < 0,24 anni). Anche la prestazione di classificazione della soglia di 18 anni è stata simile tra il metodo convenzionale e i modelli di data mining. Pertanto, i metodi convenzionali possono essere sostituiti da modelli di data mining nella stima dell'età forense utilizzando la maturità del secondo e terzo molare di giovani e giovani adulti coreani.

La stima dell’età dentale è ampiamente utilizzata nelle scienze forensi e nell’odontoiatria pediatrica. In particolare, la stima dell’età utilizzando gli stadi di sviluppo dei denti è un criterio importante per stimare l’età di bambini e adolescenti, a causa dell’elevata correlazione tra età cronologica e sviluppo dei denti1,2,3. Tuttavia, nel caso dei giovani adulti, la stima dell’età dentale con la maturità dei denti presenta dei limiti perché la crescita dei denti è in gran parte completa, ad eccezione dei terzi molari. Lo scopo legale della stima dell’età per i giovani adulti e gli adolescenti è fornire una stima accurata e prove scientifiche sul fatto che abbiano raggiunto la maggiore età. Nella pratica forense coreana per minorenni e giovani adulti, l'età è stata stimata con il metodo di Lee4 e la soglia legale di 18 anni è stata prevista con i dati suggeriti da Oh et al.5.

L’apprendimento automatico, un tipo di intelligenza artificiale (AI), apprende e classifica ripetutamente grandi quantità di dati, risolve i problemi da solo e induce la programmazione dei dati. L’apprendimento automatico può scoprire utili modelli nascosti all’interno di una grande quantità di dati6. Al contrario, i metodi classici, ad alta intensità di manodopera e di tempo, possono avere limitazioni nel gestire grandi quantità di dati complessi che sono difficili da elaborare manualmente7. Pertanto, recentemente sono stati condotti molti studi utilizzando la più recente tecnologia informatica per ridurre al minimo l'errore umano ed elaborare in modo efficiente dati multidimensionali8,9,10,11,12. In particolare, l'apprendimento profondo è ampiamente utilizzato per l'analisi delle immagini mediche e sono stati segnalati vari metodi per stimare l'età analizzando automaticamente le radiografie per migliorare l'accuratezza e l'efficienza della stima dell'età13,14,15,16,17,18,19,20. Ad esempio, Halabi et al.13 hanno sviluppato algoritmi di apprendimento automatico basati su reti neurali convoluzionali (CNN) utilizzando radiografie della mano pediatrica per stimare l’età delle ossa. Questo studio ha presentato un modello che applica l’apprendimento automatico alle immagini mediche e ha dimostrato che queste tecniche possono favorire l’accuratezza diagnostica. Li et al.14 hanno stimato l'età dalle immagini a raggi X delle ossa pelviche applicando il deep learning CNN e confrontandole con i risultati dell'analisi di regressione utilizzando la valutazione degli stadi di ossificazione. Hanno scoperto che il modello CNN di deep learning mostrava le stesse prestazioni di stima dell’età del modello di regressione convenzionale. Uno studio di Guo et al.15 ha valutato le prestazioni di classificazione delle soglie di età legali applicando la tecnologia CNN basata su ortopantomogrammi dentali e il risultato del modello CNN ha dimostrato che gli esseri umani hanno superato le prestazioni di classificazione per età.