Merci de votre visite sur Nature.com. La version de votre navigateur ne prend pas en charge les styles CSS. Pour un affichage optimal, nous vous recommandons d'utiliser une version plus récente de votre navigateur (ou de désactiver le mode de compatibilité dans Internet Explorer). En attendant, afin de garantir la continuité du service, le site est affiché sans style ni JavaScript.
Les dents sont considérées comme l'indicateur le plus précis de l'âge humain et sont fréquemment utilisées en médecine légale. Notre objectif était de valider les estimations d'âge dentaire basées sur l'exploration de données en comparant la précision d'estimation et la performance de classification du seuil de 18 ans avec les méthodes traditionnelles et les estimations d'âge issues de l'exploration de données. Au total, 2 657 radiographies panoramiques ont été collectées auprès de citoyens coréens et japonais âgés de 15 à 23 ans. Elles ont été divisées en un ensemble d'entraînement, comprenant chacun 900 radiographies coréennes, et un ensemble de test interne contenant 857 radiographies japonaises. Nous avons comparé la précision et l'efficacité de classification des méthodes traditionnelles avec celles des ensembles de test des modèles d'exploration de données. La précision de la méthode traditionnelle sur l'ensemble de test interne est légèrement supérieure à celle du modèle d'exploration de données, et la différence est faible (erreur absolue moyenne < 0,21 an, erreur quadratique moyenne < 0,24 an). La performance de classification pour le seuil de 18 ans est également similaire entre les méthodes traditionnelles et les modèles d'exploration de données. Ainsi, les méthodes traditionnelles peuvent être remplacées par des modèles d'exploration de données lors de l'évaluation médico-légale de l'âge à partir de la maturité des deuxièmes et troisièmes molaires chez les adolescents et les jeunes adultes coréens.
L'estimation de l'âge dentaire est largement utilisée en médecine légale et en odontologie pédiatrique. En particulier, en raison de la forte corrélation entre l'âge chronologique et le développement dentaire, l'évaluation de l'âge par les stades de développement dentaire constitue un critère important pour déterminer l'âge des enfants et des adolescents1,2,3. Cependant, chez les jeunes, l'estimation de l'âge dentaire basée sur la maturité dentaire présente des limites, car la croissance dentaire est presque achevée, à l'exception des troisièmes molaires. L'objectif légal de la détermination de l'âge des jeunes et des adolescents est de fournir des estimations précises et des preuves scientifiques permettant de déterminer s'ils ont atteint la majorité. En Corée, dans la pratique médico-légale concernant les adolescents et les jeunes adultes, l'âge a été estimé selon la méthode de Lee, et un seuil légal de 18 ans a été établi d'après les données publiées par Oh et al.5.
L'apprentissage automatique est une forme d'intelligence artificielle (IA) qui apprend et classe de manière répétée de grandes quantités de données, résout des problèmes de façon autonome et pilote la programmation des données. L'apprentissage automatique peut découvrir des modèles cachés utiles dans de grands volumes de données⁶. À l'inverse, les méthodes classiques, laborieuses et chronophages, peuvent présenter des limites face à de grands volumes de données complexes difficiles à traiter manuellement⁷. C'est pourquoi de nombreuses études ont été menées récemment, utilisant les technologies informatiques les plus récentes pour minimiser les erreurs humaines et traiter efficacement les données multidimensionnelles⁸,⁹,¹⁰,¹¹,¹². En particulier, l'apprentissage profond a été largement utilisé en analyse d'images médicales, et diverses méthodes d'estimation de l'âge par analyse automatique de radiographies ont été décrites, améliorant la précision et l'efficacité de cette estimation¹³,¹⁴,¹⁵,¹⁶,¹⁷,¹⁸,¹⁹,²⁰. Par exemple, Halabi et al.¹³ ont développé un algorithme d'apprentissage automatique basé sur des réseaux de neurones convolutifs (CNN) pour estimer l'âge osseux à partir de radiographies des mains d'enfants. Cette étude propose un modèle appliquant l'apprentissage automatique aux images médicales et démontre que ces méthodes peuvent améliorer la précision du diagnostic. Li et al.14 ont estimé l'âge à partir de radiographies du bassin à l'aide d'un réseau de neurones convolutif (CNN) à apprentissage profond et ont comparé leurs résultats à ceux d'une régression utilisant l'estimation du stade d'ossification. Ils ont constaté que le modèle CNN à apprentissage profond présentait des performances d'estimation de l'âge équivalentes à celles du modèle de régression traditionnel. L'étude de Guo et al.15 a évalué la tolérance aux variations d'âge de la technologie CNN à partir d'orthophotos dentaires, et les résultats du modèle CNN ont démontré que les humains obtenaient de meilleurs résultats en matière de classification de l'âge.
La plupart des études sur l'estimation de l'âge par apprentissage automatique utilisent des méthodes d'apprentissage profond13,14,15,16,17,18,19,20. L'estimation de l'âge basée sur l'apprentissage profond est réputée plus précise que les méthodes traditionnelles. Cependant, cette approche offre peu de possibilités de présenter le fondement scientifique des estimations, notamment les indicateurs d'âge utilisés. De plus, la question de l'entité chargée des examens soulève des litiges juridiques. Par conséquent, l'estimation de l'âge basée sur l'apprentissage profond est difficilement acceptée par les autorités administratives et judiciaires. L'exploration de données (ED) est une technique permettant de découvrir des informations attendues et inattendues, et notamment des corrélations utiles entre de grands volumes de données6,21,22. L'apprentissage automatique est fréquemment utilisé en exploration de données, et ces deux techniques utilisent les mêmes algorithmes clés pour identifier des tendances. L'estimation de l'âge par le développement dentaire repose sur l'évaluation, par l'examinateur, de la maturité des dents cibles, chaque dent étant associée à un stade. L'ED permet d'analyser la corrélation entre le stade d'évaluation dentaire et l'âge réel, et pourrait potentiellement remplacer les analyses statistiques traditionnelles. Par conséquent, l'application des techniques de modélisation de l'âge permet d'intégrer l'apprentissage automatique à l'estimation de l'âge en médecine légale sans risque de poursuites judiciaires. Plusieurs études comparatives ont été publiées sur les alternatives possibles aux méthodes manuelles traditionnelles utilisées en médecine légale et aux méthodes fondées sur les preuves pour la détermination de l'âge dentaire. Shen et al.23 ont démontré que le modèle de modélisation de l'âge est plus précis que la formule de Camerer. Galibourg et al.24 ont appliqué différentes méthodes de modélisation de l'âge pour prédire l'âge selon le critère de Demirdjian25 et leurs résultats ont montré que la méthode de modélisation de l'âge surpasse les méthodes de Demirdjian et de Willems pour l'estimation de l'âge de la population française.
Pour estimer l'âge dentaire des adolescents et jeunes adultes coréens, la méthode de Lee est largement utilisée en médecine légale en Corée. Cette méthode repose sur des analyses statistiques classiques (telles que la régression multiple) pour examiner la relation entre les sujets coréens et leur âge chronologique. Dans cette étude, les méthodes d'estimation de l'âge obtenues par des méthodes statistiques classiques sont qualifiées de « méthodes classiques ». La méthode de Lee est une méthode classique, et sa précision a été confirmée par Oh et al. ; cependant, l'applicabilité de l'estimation de l'âge basée sur le modèle DM en médecine légale coréenne reste discutable. Notre objectif était de valider scientifiquement l'utilité potentielle de l'estimation de l'âge basée sur le modèle DM. Cette étude visait à : (1) comparer la précision de deux modèles DM pour l'estimation de l'âge dentaire ; et (2) comparer les performances de classification de sept modèles DM à l'âge de 18 ans avec celles obtenues par des méthodes statistiques classiques. Maturité des deuxièmes et troisièmes molaires des deux mâchoires.
Les moyennes et les écarts-types de l'âge chronologique par stade et type de dent sont présentés en ligne dans les tableaux supplémentaires S1 (ensemble d'entraînement), S2 (ensemble de test interne) et S3 (ensemble de test externe). Les valeurs kappa de fiabilité intra- et inter-observateur obtenues à partir de l'ensemble d'entraînement étaient respectivement de 0,951 et 0,947. Les valeurs p et les intervalles de confiance à 95 % des valeurs kappa sont présentés dans le tableau supplémentaire S4 en ligne. La valeur kappa a été interprétée comme « quasi parfaite », conformément aux critères de Landis et Koch26.
En comparant l'erreur absolue moyenne (MAE), la méthode traditionnelle surpasse légèrement le modèle DM pour tous les sexes et sur l'ensemble de test externe masculin, à l'exception du perceptron multicouche (MLP). L'écart entre le modèle traditionnel et le modèle DM sur l'ensemble de test interne MAE était de 0,12 à 0,19 an pour les hommes et de 0,17 à 0,21 an pour les femmes. Pour la batterie de tests externe, les écarts sont plus faibles (0,001 à 0,05 an pour les hommes et 0,05 à 0,09 an pour les femmes). De plus, l'erreur quadratique moyenne (RMSE) est légèrement inférieure à celle de la méthode traditionnelle, avec des écarts plus faibles (0,17 à 0,24 et 0,2 à 0,24 pour l'ensemble de test interne masculin, et 0,03 à 0,07 et 0,04 à 0,08 pour l'ensemble de test externe). Le MLP présente des performances légèrement supérieures au perceptron monocouche (SLP), sauf pour l'ensemble de test externe féminin. Pour l'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (RMSE), les résultats obtenus sur l'ensemble de test externe sont supérieurs à ceux obtenus sur l'ensemble de test interne, et ce pour tous les genres et tous les modèles. Les valeurs de MAE et de RMSE sont présentées dans le tableau 1 et la figure 1.
L'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (RMSE) des modèles de régression traditionnels et d'exploration de données. MAE, RMSE, perceptron monocouche (SLP), perceptron multicouche (MLP), méthode CM traditionnelle.
Les performances de classification (avec un seuil de 18 ans) des modèles traditionnels et DM ont été démontrées en termes de sensibilité, spécificité, valeur prédictive positive (VPP), valeur prédictive négative (VPN) et aire sous la courbe ROC (AUROC)27 (Tableau 2, Figure 2 et Figure supplémentaire 1 en ligne). Concernant la sensibilité de la batterie de tests interne, les méthodes traditionnelles ont obtenu les meilleurs résultats chez les hommes et les moins bons chez les femmes. Cependant, la différence de performances de classification entre les méthodes traditionnelles et le modèle SD est de 9,7 % chez les hommes (MLP) et de seulement 2,4 % chez les femmes (XGBoost). Parmi les modèles DM, la régression logistique (LR) a montré une meilleure sensibilité pour les deux sexes. Concernant la spécificité de l'ensemble de tests interne, il a été observé que les quatre modèles SD étaient performants chez les hommes, tandis que le modèle traditionnel était plus performant chez les femmes. Les différences de performances de classification entre les hommes et les femmes sont respectivement de 13,3 % (MLP) et 13,1 % (MLP), ce qui indique que la différence de performances de classification entre les modèles dépasse la différence de sensibilité. Parmi les modèles d'apprentissage profond, les modèles à vecteurs de support (SVM), à arbres de décision (DT) et à forêts aléatoires (RF) ont obtenu les meilleurs résultats chez les hommes, tandis que le modèle de régression logistique (LR) a été le plus performant chez les femmes. L'aire sous la courbe ROC (AUROC) du modèle traditionnel et de tous les modèles SD était supérieure à 0,925 (k plus proches voisins (KNN) chez les hommes), démontrant ainsi d'excellentes performances de classification pour la discrimination d'échantillons de jeunes de 18 ans28. Sur l'ensemble de test externe, on a observé une diminution des performances de classification en termes de sensibilité, de spécificité et d'AUROC par rapport à l'ensemble de test interne. De plus, l'écart de sensibilité et de spécificité entre les performances de classification des meilleurs et des moins bons modèles variait de 10 % à 25 %, et était supérieur à celui observé sur l'ensemble de test interne.
Sensibilité et spécificité des modèles de classification d'exploration de données comparées aux méthodes traditionnelles avec un seuil de 18 ans. KNN : k plus proches voisins, SVM : machine à vecteurs de support, LR : régression logistique, DT : arbre de décision, RF : forêt aléatoire, XGB : XGBoost, MLP : perceptron multicouche, méthode CM traditionnelle.
La première étape de cette étude a consisté à comparer la précision des estimations de l'âge dentaire obtenues à partir de sept modèles de données de Demirjian (DM) avec celles obtenues par régression traditionnelle. L'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (RMSE) ont été évaluées sur des ensembles de test internes pour les deux sexes. L'écart entre la méthode traditionnelle et le modèle DM variait de 44 à 77 jours pour la MAE et de 62 à 88 jours pour la RMSE. Bien que la méthode traditionnelle se soit avérée légèrement plus précise dans cette étude, il est difficile de conclure à la pertinence clinique ou pratique d'une si faible différence. Ces résultats indiquent que la précision de l'estimation de l'âge dentaire à l'aide du modèle DM est quasiment identique à celle de la méthode traditionnelle. La comparaison directe avec les résultats d'études antérieures est complexe, car aucune étude n'a comparé la précision des modèles DM aux méthodes statistiques traditionnelles en utilisant la même technique d'enregistrement des dents dans la même tranche d'âge que dans cette étude. Galibourg et al.24 ont comparé la MAE et la RMSE entre deux méthodes traditionnelles (méthode de Demirjian25 et méthode de Willems29) et dix modèles DM au sein d'une population française âgée de 2 à 24 ans. Ils ont rapporté que tous les modèles DM étaient plus précis que les méthodes traditionnelles, avec des différences de 0,20 et 0,38 an pour l'erreur absolue moyenne (MAE) et de 0,25 et 0,47 an pour l'erreur quadratique moyenne (RMSE), comparativement aux méthodes de Willems et de Demirdjian, respectivement. L'écart entre le modèle SD et les méthodes traditionnelles, mis en évidence dans l'étude d'Halibourg, tient compte de nombreux rapports30,31,32,33 indiquant que la méthode de Demirdjian n'estime pas avec précision l'âge dentaire dans les populations autres que les Canadiens français sur lesquels l'étude était basée. Dans cette étude, Tai et al.34 ont utilisé l'algorithme MLP pour prédire l'âge dentaire à partir de 1 636 photographies orthodontiques chinoises et ont comparé sa précision avec les résultats des méthodes de Demirdjian et de Willems. Ils ont rapporté que le MLP était plus précis que les méthodes traditionnelles. La différence entre la méthode de Demirdjian et la méthode traditionnelle est inférieure à 0,32 an, et celle avec la méthode de Willems est de 0,28 an, ce qui est similaire aux résultats de la présente étude. Les résultats de ces études antérieures24,34 concordent avec ceux de la présente étude, et la précision de l'estimation de l'âge par le modèle DM et la méthode traditionnelle est similaire. Toutefois, compte tenu des résultats présentés, nous ne pouvons conclure qu'avec prudence quant à l'utilisation des modèles DM pour estimer l'âge, en raison du manque d'études comparatives et de référence antérieures. Des études complémentaires portant sur des échantillons plus importants sont nécessaires pour confirmer les résultats obtenus dans cette étude.
Parmi les études évaluant la précision de l'écart-type (ET) pour estimer l'âge dentaire, certaines ont montré une précision supérieure à celle de notre étude. Stepanovsky et al.35 ont appliqué 22 modèles d'ET à des radiographies panoramiques de 976 résidents tchèques âgés de 2,7 à 20,5 ans et ont testé la précision de chaque modèle. Ils ont évalué le développement de 16 dents permanentes supérieures et inférieures gauches selon les critères de classification proposés par Moorrees et al.36. L'erreur absolue moyenne (MAE) varie de 0,64 à 0,94 an et l'erreur quadratique moyenne (RMSE) de 0,85 à 1,27 an, ce qui est plus précis que les deux modèles de développement morphologique (DM) utilisés dans cette étude. Shen et al.23 ont utilisé la méthode de Cameriere pour estimer l'âge dentaire de sept dents permanentes de la mandibule gauche chez des résidents de l'est de la Chine âgés de 5 à 13 ans et l'ont comparé aux âges estimés par régression linéaire, SVM et RF. Ils ont montré que les trois modèles DM étaient plus précis que la formule traditionnelle de Cameriere. L'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (RMSE) de l'étude de Shen étaient inférieures à celles du modèle DM de la présente étude. La précision accrue des études de Stepanovsky et al.35 et de Shen et al.23 pourrait être due à l'inclusion de sujets plus jeunes dans leurs échantillons. Étant donné que les estimations d'âge des participants dont les dents sont en développement deviennent plus précises à mesure que le nombre de dents augmente au cours de la dentition, la précision de la méthode d'estimation d'âge résultante peut être compromise lorsque les participants sont plus jeunes. De plus, l'erreur d'estimation d'âge du MLP est légèrement inférieure à celle du SLP, ce qui signifie que le MLP est plus précis que le SLP. Le MLP est considéré comme légèrement meilleur pour l'estimation d'âge, probablement en raison des couches cachées du MLP38. Cependant, il existe une exception pour l'échantillon externe de femmes (SLP : 1,45 ; MLP : 1,49). Le fait que le MLP soit plus précis que le SLP pour évaluer l'âge nécessite des études rétrospectives supplémentaires.
Les performances de classification du modèle DM et de la méthode traditionnelle ont également été comparées à un seuil de 18 ans. Tous les modèles SD et les méthodes traditionnelles testés sur l'ensemble de test interne ont montré des niveaux de discrimination acceptables pour l'échantillon des 18 ans. La sensibilité était supérieure à 87,7 % pour les hommes et à 94,9 % pour les femmes, et la spécificité supérieure à 89,3 % et 84,7 %. L'aire sous la courbe ROC (AUROC) de tous les modèles testés dépasse également 0,925. À notre connaissance, aucune étude n'a évalué les performances du modèle DM pour la classification à 18 ans en fonction de la maturité dentaire. Nous pouvons comparer les résultats de cette étude avec les performances de classification des modèles d'apprentissage profond sur des radiographies panoramiques. Guo et al.15 ont calculé les performances de classification d'un modèle d'apprentissage profond basé sur un réseau de neurones convolutif (CNN) et d'une méthode manuelle inspirée de la méthode de Demirjian pour un certain seuil d'âge. La sensibilité et la spécificité de la méthode manuelle étaient respectivement de 87,7 % et 95,5 %, tandis que celles du modèle CNN dépassaient respectivement 89,2 % et 86,6 %. Les auteurs ont conclu que les modèles d'apprentissage profond peuvent remplacer, voire surpasser, l'évaluation manuelle pour la classification des seuils d'âge. Les résultats de cette étude ont montré des performances de classification similaires ; il est donc probable que la classification à l'aide de modèles d'apprentissage profond puisse remplacer les méthodes statistiques traditionnelles d'estimation de l'âge. Parmi les modèles, le modèle DM LR s'est avéré le plus performant en termes de sensibilité pour l'échantillon masculin et de sensibilité et spécificité pour l'échantillon féminin. Le modèle LR se classe deuxième en termes de spécificité pour les hommes. De plus, il est considéré comme l'un des modèles DM35 les plus conviviaux, moins complexe et plus facile à mettre en œuvre. Sur la base de ces résultats, le modèle LR a été retenu comme le meilleur modèle de classification pour les seuils d'âge des jeunes de 18 ans dans la population coréenne.
Globalement, la précision de l'estimation de l'âge ou la performance de classification sur l'ensemble de test externe était faible, voire inférieure, aux résultats obtenus sur l'ensemble de test interne. Certaines études indiquent que la précision ou l'efficacité de la classification diminue lorsque des estimations d'âge basées sur la population coréenne sont appliquées à la population japonaise5,39, et une tendance similaire a été observée dans la présente étude. Cette dégradation a également été constatée dans le modèle DM. Par conséquent, pour estimer l'âge avec précision, même en utilisant DM dans l'analyse, il est préférable d'utiliser des méthodes issues de données de la population locale, telles que les méthodes traditionnelles5,39,40,41,42. Comme il n'est pas certain que les modèles d'apprentissage profond présentent des tendances similaires, des études comparant la précision et l'efficacité de la classification à l'aide de méthodes traditionnelles, de modèles DM et de modèles d'apprentissage profond sur les mêmes échantillons sont nécessaires pour confirmer si l'intelligence artificielle peut surmonter ces disparités raciales dans le cadre d'évaluations d'âge limitées.
Nous démontrons que les méthodes traditionnelles peuvent être remplacées par une estimation de l'âge basée sur le modèle DM dans le cadre de l'estimation médico-légale en Corée. Nous avons également mis en évidence la possibilité d'appliquer l'apprentissage automatique à l'évaluation de l'âge en contexte médico-légal. Toutefois, cette étude présente des limites évidentes, notamment un nombre insuffisant de participants pour en déterminer les résultats de manière définitive, et l'absence d'études antérieures permettant de comparer et de confirmer ces résultats. À l'avenir, des études DM devraient être menées sur des échantillons plus importants et des populations plus diversifiées afin d'améliorer son applicabilité pratique par rapport aux méthodes traditionnelles. Pour valider la faisabilité de l'utilisation de l'intelligence artificielle pour estimer l'âge dans différentes populations, des études futures sont nécessaires afin de comparer la précision et l'efficacité de la classification des modèles DM et d'apprentissage profond avec les méthodes traditionnelles sur les mêmes échantillons.
L'étude a utilisé 2 657 radiographies orthographiques recueillies auprès d'adultes coréens et japonais âgés de 15 à 23 ans. Les radiographies coréennes ont été divisées en 900 séries d'entraînement (19,42 ± 2,65 ans) et 900 séries de test internes (19,52 ± 2,59 ans). La série d'entraînement a été recueillie dans un seul établissement (Hôpital Saint-Mary de Séoul), et la série de test interne dans deux établissements (Hôpital dentaire de l'Université nationale de Séoul et Hôpital dentaire de l'Université Yonsei). Nous avons également recueilli 857 radiographies issues d'une autre base de données populationnelle (Université de médecine d'Iwate, Japon) pour des tests externes. Les radiographies de sujets japonais (19,31 ± 2,60 ans) ont été sélectionnées comme série de test externe. Les données ont été recueillies rétrospectivement afin d'analyser les stades de développement dentaire sur les radiographies panoramiques réalisées lors des traitements dentaires. Toutes les données recueillies étaient anonymisées, à l'exception du sexe, de la date de naissance et de la date de la radiographie. Les critères d'inclusion et d'exclusion étaient identiques à ceux des études précédemment publiées4,5. L'âge réel des participants a été calculé en soustrayant la date de naissance de la date de la radiographie. L'échantillon a été divisé en neuf groupes d'âge. La répartition par âge et par sexe est présentée dans le tableau 3. Cette étude a été menée conformément à la Déclaration d'Helsinki et approuvée par le Comité d'éthique de la recherche (CER) de l'hôpital universitaire Saint-Mary de Séoul (KC22WISI0328). Du fait de la nature rétrospective de cette étude, le consentement éclairé n'a pas pu être obtenu auprès de tous les patients ayant subi un examen radiographique à visée thérapeutique. Le CER de l'hôpital universitaire Saint-Mary de Séoul a dispensé les participants de l'obligation d'obtenir ce consentement.
Les stades de développement des deuxièmes et troisièmes molaires bimaxillaires ont été évalués selon les critères de Demircan25. Une seule dent a été sélectionnée si le même type de dent était présent des deux côtés de chaque mâchoire. Si les dents homologues des deux côtés présentaient des stades de développement différents, la dent au stade le plus précoce a été retenue afin de tenir compte de l'incertitude liée à l'âge estimé. Cent radiographies sélectionnées aléatoirement dans l'ensemble d'entraînement ont été analysées par deux observateurs expérimentés afin de tester la fiabilité inter-observateurs après un pré-étalonnage visant à déterminer le stade de maturité dentaire. La fiabilité intra-observateur a été évaluée à deux reprises, à trois mois d'intervalle, par l'observateur principal.
Le sexe et le stade de développement des deuxièmes et troisièmes molaires de chaque mâchoire de l'ensemble d'entraînement ont été estimés par un observateur principal formé à l'aide de différents modèles DM. L'âge réel a été défini comme valeur cible. Les modèles SLP et MLP, largement utilisés en apprentissage automatique, ont été comparés à des algorithmes de régression. Le modèle DM combine des fonctions linéaires à partir des stades de développement des quatre dents et utilise ces données pour estimer l'âge. Le SLP est le réseau de neurones le plus simple et ne comporte pas de couches cachées. Son fonctionnement repose sur la transmission par seuil entre les nœuds. Le modèle SLP en régression est mathématiquement similaire à la régression linéaire multiple. Contrairement au modèle SLP, le modèle MLP possède plusieurs couches cachées avec des fonctions d'activation non linéaires. Nos expériences ont utilisé une couche cachée de seulement 20 nœuds avec des fonctions d'activation non linéaires. La descente de gradient a été utilisée comme méthode d'optimisation, et l'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (RMSE) comme fonctions de perte pour entraîner notre modèle d'apprentissage automatique. Le meilleur modèle de régression obtenu a été appliqué aux ensembles de test internes et externes, et l'âge des dents a été estimé.
Un algorithme de classification a été développé, utilisant la maturité de quatre dents de l'ensemble d'entraînement pour prédire si un échantillon a 18 ans ou non. Pour construire le modèle, nous avons utilisé sept algorithmes d'apprentissage automatique de représentation6,43 : (1) régression logistique (LR), (2) k plus proches voisins (KNN), (3) machine à vecteurs de support (SVM), (4) arbre de décision (DT), (5) forêt aléatoire (RF), (6) XGBoost et (7) perceptron multicouche (MLP). La régression logistique est l'un des algorithmes de classification les plus utilisés44. C'est un algorithme d'apprentissage supervisé qui utilise la régression pour prédire la probabilité d'appartenance des données à une catégorie donnée (de 0 à 1) et les classer dans la catégorie la plus probable en fonction de cette probabilité ; il est principalement utilisé pour la classification binaire. L'algorithme KNN est l'un des plus simples45. À partir de nouvelles données d'entrée, il trouve k données proches de l'ensemble existant et les classe dans la classe la plus fréquente. Nous avons fixé k à 3 pour le nombre de voisins considérés. L'algorithme SVM maximise la distance entre deux classes en utilisant une fonction noyau pour transformer l'espace linéaire en un espace non linéaire appelé champs46. Pour ce modèle, nous utilisons les hyperparamètres suivants pour le noyau polynomial : biais = 1, puissance = 1 et gamma = 1. L'arbre de décision (DT) a été appliqué dans divers domaines comme algorithme de segmentation d'un ensemble de données en plusieurs sous-groupes, en représentant les règles de décision sous forme d'arbre47. Le modèle est configuré avec un nombre minimal d'enregistrements par nœud de 2 et utilise l'indice de Gini comme mesure de qualité. La forêt aléatoire (RF) est une méthode d'ensemble qui combine plusieurs arbres de décision pour améliorer les performances grâce à une méthode d'agrégation par bootstrap. Cette méthode génère un classificateur faible pour chaque échantillon en tirant aléatoirement plusieurs fois des échantillons de même taille à partir de l'ensemble de données original48. Nous avons utilisé 100 arbres, 10 profondeurs d'arbre, une taille minimale de nœud de 1 et l'indice d'admixture de Gini comme critère de séparation des nœuds. La classification des nouvelles données est déterminée par un vote majoritaire. XGBoost est un algorithme qui combine différentes techniques de boosting. Il utilise comme données d'entraînement l'erreur entre les valeurs réelles et prédites par le modèle précédent et amplifie cette erreur à l'aide des gradients49. Cet algorithme est largement utilisé pour ses bonnes performances, son efficacité en termes de ressources et sa grande fiabilité en tant que fonction de correction du surapprentissage. Le modèle est doté de 400 neurones de support. Un MLP (Multi-Layer Perceptron) est un réseau de neurones composé d'un ou plusieurs perceptrons formant plusieurs couches, avec une ou plusieurs couches cachées entre les couches d'entrée et de sortie38. Grâce à lui, il est possible d'effectuer une classification non linéaire : lorsqu'une couche d'entrée produit une valeur, la valeur prédite est comparée à la valeur réelle et l'erreur est rétropropagée. Nous avons créé une couche cachée comportant 20 neurones. Chaque modèle développé a été appliqué à des ensembles de données internes et externes afin d'évaluer ses performances de classification par le calcul de la sensibilité, de la spécificité, de la VPP (Valeur Prédictive Positive), de la VPN (Valeur Prédictive Négative) et de l'AUROC (Aire sous la courbe ROC). La sensibilité est définie comme le rapport entre la proportion d'échantillons estimés comme ayant 18 ans ou plus et la proportion d'échantillons estimés comme ayant 18 ans ou plus. La spécificité est la proportion d'échantillons de moins de 18 ans parmi ceux estimés comme ayant moins de 18 ans.
Les stades dentaires évalués dans l'ensemble d'entraînement ont été convertis en stades numériques pour l'analyse statistique. Des régressions linéaires et logistiques multivariées ont été réalisées afin d'élaborer des modèles prédictifs pour chaque sexe et d'établir des formules de régression permettant d'estimer l'âge. Ces formules ont été utilisées pour estimer l'âge dentaire des échantillons internes et externes. Le tableau 4 présente les modèles de régression et de classification utilisés dans cette étude.
La fiabilité intra- et inter-observateur a été calculée à l'aide du coefficient kappa de Cohen. Afin d'évaluer la précision des modèles de régression DM et traditionnels, nous avons calculé l'erreur absolue moyenne (MAE) et l'erreur quadratique moyenne (RMSE) à partir des âges estimés et réels des ensembles de test internes et externes. Ces erreurs sont couramment utilisées pour évaluer la précision des prédictions du modèle. Plus l'erreur est faible, plus la prédiction est précise24. Nous avons comparé la MAE et la RMSE des ensembles de test internes et externes, calculées à l'aide des modèles DM et de la régression traditionnelle. La performance de classification du seuil de 18 ans dans les statistiques traditionnelles a été évaluée à l'aide d'un tableau de contingence 2 × 2. La sensibilité, la spécificité, la valeur prédictive positive (VPP), la valeur prédictive négative (VPN) et l'aire sous la courbe ROC (AUROC) calculées pour l'ensemble de test ont été comparées aux valeurs mesurées du modèle de classification DM. Les données sont exprimées sous forme de moyenne ± écart-type ou de nombre (%) selon leurs caractéristiques. Les valeurs de p bilatérales < 0,05 ont été considérées comme statistiquement significatives. Toutes les analyses statistiques de routine ont été réalisées à l'aide du logiciel SAS version 9.4 (SAS Institute, Cary, NC). Le modèle de régression DM a été implémenté en Python avec Keras50 2.2.4 comme moteur et Tensorflow51 1.8.0 pour les opérations mathématiques. Le modèle de classification DM a été implémenté dans l'environnement d'analyse des connaissances de Waikato (WAKEA) et la plateforme d'analyse KNIME 4.6.152.
Les auteurs reconnaissent que les données étayant les conclusions de l'étude figurent dans l'article et les documents complémentaires. Les jeux de données générés et/ou analysés au cours de l'étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable.
Ritz-Timme, S. et al. Évaluation de l'âge : état de l'art pour répondre aux exigences spécifiques de la pratique médico-légale. internationalité. J. Médecine légale. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., et Olze, A. État actuel de l'évaluation médico-légale de l'âge des sujets vivants à des fins de poursuites pénales. Médecine médico-légale. Pathologie. 1, 239–246 (2005).
Pan, J. et al. Une méthode modifiée pour évaluer l'âge dentaire des enfants âgés de 5 à 16 ans dans l'est de la Chine. Enquête clinique et orale. 25, 3463–3474 (2021).
Lee, SS et al. Chronologie du développement des deuxième et troisième molaires chez les Coréens et son application à l'évaluation médico-légale de l'âge. J. Legal medicine. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY et Lee, SS Précision de l'estimation de l'âge et de l'estimation du seuil de 18 ans basée sur la maturité des deuxième et troisième molaires chez les Coréens et les Japonais. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. L'analyse préopératoire des données basée sur l'apprentissage automatique peut prédire le résultat du traitement chirurgical du sommeil chez les patients atteints d'apnée obstructive du sommeil. the science. Rapport 11, 14911 (2021).
Han, M. et al. Estimation précise de l'âge à partir de l'apprentissage automatique avec ou sans intervention humaine ? internationalité. J. Médecine légale. 136, 821–831 (2022).
Khan, S. et Shaheen, M. De l'exploration de données à l'exploration de données. J.Information. la science. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. et Shaheen, M. WisRule : le premier algorithme cognitif pour l’extraction de règles d’association. J. Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. et Abdullah U. Karm : Exploration de données traditionnelle basée sur des règles d'association contextuelles. calculer. Matt. continue. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. et Habib M. Détection de similarité sémantique basée sur l'apprentissage profond à l'aide de données textuelles. inform. technologies. control. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z. et Shahin, M. Un système de reconnaissance d'activité dans les vidéos sportives. Multimedia Tools Applications https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. Défi d'apprentissage automatique RSNA dans l'âge osseux pédiatrique. Radiology 290, 498–503 (2019).
Li, Y. et al. Estimation médico-légale de l'âge à partir de radiographies pelviennes à l'aide de l'apprentissage profond. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. Classification précise de l'âge à l'aide de méthodes manuelles et de réseaux neuronaux convolutifs profonds à partir d'images de projection orthographique. internationalité. J. Médecine légale. 135, 1589–1597 (2021).
Alabama Dalora et al. Estimation de l'âge osseux à l'aide de différentes méthodes d'apprentissage automatique : une revue systématique de la littérature et une méta-analyse. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K. et Yang, J. Estimation de l'âge spécifique à la population des Afro-Américains et des Chinois basée sur les volumes de la chambre pulpaire des premières molaires à l'aide de la tomographie volumique à faisceau conique. internationalité. J. Médecine légale. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK et Oh KS Détermination des groupes d'âge des personnes vivantes à l'aide d'images de premières molaires basées sur l'intelligence artificielle. la science. Rapport 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N. et Urschler, M. Estimation automatique de l'âge et classification de l'âge majoritaire à partir de données IRM multivariées. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. et Li, G. Estimation de l'âge basée sur la segmentation 3D de la chambre pulpaire des premières molaires à partir de la tomographie volumique à faisceau conique en intégrant l'apprentissage profond et les ensembles de niveaux. internationalité. J. Médecine légale. 135, 365–373 (2021).
Wu, WT, et al. Exploration de données dans les mégadonnées cliniques : bases de données communes, étapes et modèles de méthodes. World. medicine. resource. 8, 44 (2021).
Yang, J. et al. Introduction aux bases de données médicales et aux technologies d'exploration de données à l'ère du Big Data. J. Avid. Médecine de base. 13, 57–69 (2020).
Shen, S. et al. Méthode de Camerer pour l'estimation de l'âge des dents à l'aide de l'apprentissage automatique. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Comparaison de différentes méthodes d'apprentissage automatique pour la prédiction de l'âge dentaire à l'aide de la méthode de classification de Demirdjian. internationality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. et Tanner, JM Un nouveau système d'évaluation de l'âge dentaire. snort. biology. 45, 211–227 (1973).
Landis, JR et Koch, GG Mesures de l'accord des observateurs sur des données catégorielles. Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK et Choi HK. Analyse texturale, morphologique et statistique de l'imagerie par résonance magnétique bidimensionnelle utilisant des techniques d'intelligence artificielle pour la différenciation des tumeurs cérébrales primaires. Health information. resource. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Date de publication : 4 janvier 2024