Nature.com을 방문해 주셔서 감사합니다. 사용하시는 브라우저 버전은 CSS 지원이 제한적입니다. 최상의 결과를 위해 최신 버전의 브라우저를 사용하시거나 (Internet Explorer의 호환성 모드를 해제하세요). 지속적인 지원을 위해 현재는 스타일과 JavaScript를 적용하지 않고 사이트를 표시하고 있습니다.
치아는 인체의 나이를 가장 정확하게 나타내는 지표로 여겨지며, 법의학적 연령 평가에 자주 사용됩니다. 본 연구에서는 데이터 마이닝 기반 치아 연령 추정의 타당성을 검증하기 위해, 18세라는 기준점을 설정하여 기존 방법 및 데이터 마이닝 기반 연령 추정 모델과 비교 분석했습니다. 15세에서 23세 사이의 한국 및 일본 시민의 파노라마 방사선 사진 총 2657장을 수집하여, 한국인 방사선 사진 900장으로 구성된 훈련 세트와 일본인 방사선 사진 857장으로 구성된 내부 테스트 세트로 나누었습니다. 기존 방법과 데이터 마이닝 모델의 테스트 세트에서 분류 정확도 및 효율성을 비교했습니다. 내부 테스트 세트에서 기존 방법의 정확도가 데이터 마이닝 모델보다 약간 높았지만, 그 차이는 미미했습니다(평균 절대 오차 <0.21년, 제곱근 평균 제곱 오차 <0.24년). 18세를 기준으로 한 분류 성능 또한 기존 방법과 데이터 마이닝 모델 간에 유사한 결과를 보였습니다. 따라서 한국 청소년 및 젊은 성인의 두 번째 및 세 번째 어금니 성숙도를 이용한 법의학적 연령 평가 시 전통적인 방법을 데이터 마이닝 모델로 대체할 수 있다.
치아 연령 추정은 법의학 및 소아치과학에서 널리 사용됩니다. 특히, 역연령과 치아 발달 간의 높은 상관관계로 인해 치아 발달 단계를 이용한 연령 평가는 아동 및 청소년의 연령을 평가하는 중요한 기준입니다.1,2,3 그러나 청소년의 경우 사랑니를 제외한 치아 성장이 거의 완료되었기 때문에 치아 성숙도를 기준으로 치아 연령을 추정하는 데에는 한계가 있습니다. 청소년의 연령을 판단하는 법적 목적은 성년 여부에 대한 정확한 추정치와 과학적 증거를 제공하는 것입니다. 한국의 청소년 및 젊은 성인 법의학 실무에서는 Lee의 방법을 사용하여 연령을 추정하고, Oh 등5이 보고한 자료를 바탕으로 법적 성년 기준인 18세를 예측해 왔습니다.
머신러닝은 대량의 데이터를 반복적으로 학습하고 분류하며, 스스로 문제를 해결하고 데이터 프로그래밍을 수행하는 인공지능(AI)의 한 유형입니다. 머신러닝은 방대한 데이터 속에서 유용한 숨겨진 패턴을 발견할 수 있습니다.6 반면, 노동 집약적이고 시간이 많이 소요되는 기존 방법은 수동으로 처리하기 어려운 대량의 복잡한 데이터를 다룰 때 한계가 있을 수 있습니다.7 따라서 최근에는 최신 컴퓨터 기술을 활용하여 인적 오류를 최소화하고 다차원 데이터를 효율적으로 처리하는 연구가 활발히 진행되고 있습니다.8,9,10,11,12 특히 딥러닝은 의료 영상 분석에 널리 활용되고 있으며, 방사선 사진을 자동 분석하여 연령을 추정하는 다양한 방법들이 보고되어 연령 추정의 정확도와 효율성을 향상시키고 있습니다.13,14,15,16,17,18,19,20 예를 들어, Halabi 등13은 합성곱 신경망(CNN) 기반의 머신러닝 알고리즘을 개발하여 어린이 손의 방사선 사진을 이용해 골격 연령을 추정했습니다. 본 연구에서는 의료 영상에 머신러닝을 적용하는 모델을 제안하고, 이러한 방법이 진단 정확도를 향상시킬 수 있음을 보여줍니다. Li et al.14는 딥러닝 CNN을 사용하여 골반 X선 영상에서 연령을 추정하고 골화 단계 추정을 이용한 회귀 분석 결과와 비교했습니다. 그들은 딥러닝 CNN 모델이 기존 회귀 모델과 동일한 연령 추정 성능을 보인다는 것을 발견했습니다. Guo et al.의 연구[15]에서는 치과 정형 사진을 기반으로 CNN 기술의 연령 허용 오차 분류 성능을 평가했으며, CNN 모델의 결과는 인간의 연령 분류 성능보다 우수함을 입증했습니다.
머신러닝을 이용한 연령 추정 연구 대부분은 딥러닝 기법을 사용합니다.13,14,15,16,17,18,19,20 딥러닝 기반 연령 추정은 기존 방법보다 정확도가 높은 것으로 알려져 있습니다. 그러나 이 접근 방식은 추정에 사용된 연령 지표와 같은 과학적 근거를 제시할 기회가 부족합니다. 또한 검사 주체에 대한 법적 분쟁도 존재합니다. 따라서 딥러닝 기반 연령 추정은 행정 및 사법 당국의 수용에 어려움을 겪고 있습니다. 데이터 마이닝(DM)은 방대한 데이터 간의 유용한 상관관계를 발견하는 방법으로, 예상되는 정보뿐만 아니라 예상치 못한 정보까지 발견할 수 있는 기술입니다.6,21,22 머신러닝은 데이터 마이닝에 자주 사용되며, 데이터 마이닝과 머신러닝 모두 데이터에서 패턴을 발견하기 위해 동일한 핵심 알고리즘을 사용합니다. 치아 발달을 이용한 연령 추정은 검사자가 대상 치아의 성숙도를 평가하는 것에 기반하며, 이 평가는 각 대상 치아에 대해 단계로 표현됩니다. DM(치과 데이터)은 치과 평가 단계와 실제 연령 간의 상관관계를 분석하는 데 사용될 수 있으며, 전통적인 통계 분석을 대체할 잠재력을 가지고 있습니다. 따라서 DM 기법을 연령 추정에 적용한다면 법적 책임에 대한 걱정 없이 법의학적 연령 추정에 머신러닝을 구현할 수 있습니다. 법의학 실무에서 사용되는 전통적인 수동 방법과 EBM(근거 기반 의학) 기반 방법을 대체할 수 있는 치과 연령 결정 방법에 대한 비교 연구가 여러 건 발표되었습니다. Shen 등23은 DM 모델이 전통적인 Camerer 공식보다 더 정확하다는 것을 보여주었습니다. Galibourg 등24은 Demirdjian 기준25에 따라 연령을 예측하기 위해 다양한 DM 방법을 적용했으며, 그 결과 DM 방법이 프랑스 인구의 연령 추정에서 Demirdjian 및 Willems 방법보다 우수한 성능을 보였습니다.
한국 청소년 및 젊은 성인의 치아 연령을 추정하기 위해 Lee의 방법⁴이 한국 법의학에서 널리 사용되고 있습니다. 이 방법은 한국인 대상과 연령 간의 관계를 조사하기 위해 다중 회귀 분석과 같은 전통적인 통계 분석을 사용합니다. 본 연구에서는 전통적인 통계 방법을 사용하여 얻은 연령 추정 방법을 "전통적인 방법"으로 정의합니다. Lee의 방법은 전통적인 방법이며, Oh 등⁵에 의해 정확도가 확인되었습니다. 그러나 DM 모델에 기반한 연령 추정의 한국 법의학 적용 가능성은 여전히 의문시되고 있습니다. 본 연구의 목표는 DM 모델에 기반한 연령 추정의 잠재적 유용성을 과학적으로 검증하는 것이었습니다. 본 연구의 목적은 (1) 두 가지 DM 모델의 치아 연령 추정 정확도를 비교하고 (2) 18세에서 7가지 DM 모델의 분류 성능을 전통적인 통계 방법을 사용하여 얻은 결과와 비교하는 것이었습니다. 양악 제2, 제3 어금니의 성숙도를 기준으로 연령을 추정했습니다.
단계별 및 치아 유형별 연령의 평균과 표준편차는 온라인 부록 표 S1(훈련 세트), 부록 표 S2(내부 테스트 세트) 및 부록 표 S3(외부 테스트 세트)에 제시되어 있습니다. 훈련 세트에서 얻은 관찰자 내 및 관찰자 간 신뢰도에 대한 카파 값은 각각 0.951과 0.947이었습니다. 카파 값에 대한 p값과 95% 신뢰구간은 온라인 부록 표 S4에 제시되어 있습니다. 카파 값은 Landis와 Koch의 기준26에 따라 "거의 완벽함"으로 해석되었습니다.
평균 절대 오차(MAE)를 비교했을 때, 다층 퍼셉트론(MLP)을 제외하고 모든 성별과 남성 외부 테스트 세트에서 기존 방법이 DM 모델보다 약간 우수한 성능을 보였습니다. 내부 MAE 테스트 세트에서 기존 모델과 DM 모델 간의 차이는 남성의 경우 0.12~0.19년, 여성의 경우 0.17~0.21년이었습니다. 외부 테스트 세트에서는 차이가 더 작았습니다(남성 0.001~0.05년, 여성 0.05~0.09년). 또한, 제곱근 평균 제곱 오차(RMSE)는 기존 방법보다 약간 낮았으며, 차이도 더 작았습니다(남성 내부 테스트 세트: 0.17~0.24, 0.2~0.24, 외부 테스트 세트: 0.03~0.07, 0.04~0.08). MLP는 여성 외부 테스트 세트를 제외하고 단층 퍼셉트론(SLP)보다 약간 더 나은 성능을 보였습니다. MAE와 RMSE의 경우, 모든 성별과 모델에서 외부 테스트 세트의 점수가 내부 테스트 세트보다 높게 나타났습니다. 모든 MAE와 RMSE 값은 표 1과 그림 1에 제시되어 있습니다.
기존 회귀 모델과 데이터 마이닝 회귀 모델의 MAE 및 RMSE. 평균 절대 오차(MAE), 제곱근 평균 제곱 오차(RMSE), 단층 퍼셉트론(SLP), 다층 퍼셉트론(MLP), 기존 CM 방법.
기존 모델과 DM 모델의 분류 성능(18세 기준)은 민감도, 특이도, 양성 예측값(PPV), 음성 예측값(NPV), 수신자 작동 특성 곡선(AUROC) 아래 면적을 통해 평가되었습니다(표 2, 그림 2 및 온라인 부록 그림 1 참조). 내부 테스트 세트의 민감도 측면에서, 기존 방법은 남성에서 가장 우수한 성능을 보였고 여성에서는 가장 낮은 성능을 보였습니다. 그러나 기존 방법과 SD 모델 간의 분류 성능 차이는 남성의 경우 9.7%(MLP), 여성의 경우 2.4%(XGBoost)에 불과했습니다. DM 모델 중에서는 로지스틱 회귀(LR) 모델이 남녀 모두에서 가장 높은 민감도를 나타냈습니다. 내부 테스트 세트의 특이도 측면에서는, 네 가지 SD 모델 모두 남성에서 우수한 성능을 보였고, 기존 모델은 여성에서 더 나은 성능을 보였습니다. 남성과 여성의 분류 성능 차이는 각각 13.3%(MLP)와 13.1%(MLP)로, 모델 간 분류 성능 차이가 민감도 차이보다 큰 것으로 나타났습니다. DM 모델 중에서는 서포트 벡터 머신(SVM), 의사결정 트리(DT), 랜덤 포레스트(RF) 모델이 남성에서 가장 우수한 성능을 보였고, 로지스틱 회귀(LR) 모델은 여성에서 가장 우수한 성능을 보였습니다. 전통적인 모델과 모든 SD 모델의 AUROC는 0.925(남성의 경우 k-최근접 이웃(KNN)) 이상으로, 18세 표본을 구분하는 데 있어 탁월한 분류 성능을 보여주었습니다.28 외부 테스트 세트에서는 내부 테스트 세트에 비해 민감도, 특이도, AUROC 측면에서 분류 성능이 저하되었습니다. 또한, 최고 모델과 최저 모델의 분류 성능 간의 민감도 및 특이도 차이는 10%에서 25%에 이르렀으며, 이는 내부 테스트 세트에서의 차이보다 컸습니다.
데이터 마이닝 분류 모델의 민감도와 특이도를 18세 연령을 기준으로 기존 방법과 비교 분석했습니다. 사용된 모델은 KNN(k-최근접 이웃), SVM(서포트 벡터 머신), LR(로지스틱 회귀), DT(결정 트리), RF(랜덤 포레스트), XGBoost(XGBoost), MLP(다층 퍼셉트론), 기존 CM(구성 추정) 방법입니다.
본 연구의 첫 번째 단계는 7가지 DM 모델을 사용하여 얻은 치아 연령 추정치의 정확도를 기존 회귀 분석 방법을 사용하여 얻은 정확도와 비교하는 것이었습니다. MAE와 RMSE는 남녀 모두를 대상으로 내부 테스트 세트에서 평가되었으며, 기존 방법과 DM 모델 간의 차이는 MAE의 경우 44~77일, RMSE의 경우 62~88일 범위였습니다. 본 연구에서는 기존 방법이 약간 더 정확했지만, 이러한 작은 차이가 임상적 또는 실제적인 의미를 갖는지 여부를 결론짓기는 어렵습니다. 이러한 결과는 DM 모델을 사용한 치아 연령 추정의 정확도가 기존 방법과 거의 동일함을 시사합니다. 동일한 연령대의 치아 기록 기법을 사용하여 DM 모델과 기존 통계 방법의 정확도를 비교한 연구가 없기 때문에 이전 연구 결과와의 직접적인 비교는 어렵습니다. Galibourg 등24은 2~24세 프랑스 인구를 대상으로 두 가지 기존 방법(Demirjian 방법25 및 Willems 방법29)과 10가지 DM 모델 간의 MAE와 RMSE를 비교했습니다. 할리부르그 연구에서는 모든 DM 모델이 기존 방법보다 정확도가 높았으며, Willems 및 Demirdjian 방법과 비교했을 때 MAE는 각각 0.20년과 0.38년, RMSE는 각각 0.25년과 0.47년의 차이를 보였다고 보고했습니다. 할리부르그 연구에서 나타난 SD 모델과 기존 방법 간의 차이는 Demirdjian 방법이 해당 연구의 기반이 된 프랑스계 캐나다인 이외의 인구 집단에서는 치아 연령을 정확하게 추정하지 못한다는 여러 보고30,31,32,33를 고려한 것입니다. Tai 등34은 1636개의 중국인 교정 사진에서 치아 연령을 예측하기 위해 MLP 알고리즘을 사용하고 Demirjian 및 Willems 방법의 결과와 정확도를 비교했습니다. 그들은 MLP가 기존 방법보다 정확도가 높다고 보고했습니다. Demirdjian 방법과 기존 방법의 차이는 0.32년 미만이고, Willems 방법과의 차이는 0.28년으로, 본 연구 결과와 유사합니다. 이전 연구들24,34의 결과 또한 본 연구 결과와 일치하며, DM 모델과 기존 방법의 연령 추정 정확도가 유사함을 보여줍니다. 그러나 비교 및 참고 연구가 부족하기 때문에, 제시된 결과를 바탕으로 DM 모델을 이용한 연령 추정이 기존 방법을 대체할 수 있다고 단정짓기는 어렵습니다. 본 연구 결과를 확인하기 위해서는 더 많은 표본을 사용한 후속 연구가 필요합니다.
치아 연령 추정에서 SD의 정확도를 검증한 연구들 중 일부는 본 연구보다 더 높은 정확도를 보였습니다. Stepanovsky 등35은 2.7세에서 20.5세 사이의 체코 거주자 976명의 파노라마 방사선 사진에 22개의 SD 모델을 적용하여 각 모델의 정확도를 검증했습니다. 그들은 Moorrees 등36이 제안한 분류 기준을 사용하여 좌측 상하악 영구치 총 16개의 발달을 평가했습니다. 평균 절대 오차(MAE)는 0.64년에서 0.94년 사이, 제곱근 평균 제곱 오차(RMSE)는 0.85년에서 1.27년 사이로, 본 연구에서 사용한 두 가지 DM 모델보다 더 정확했습니다. Shen 등23은 5세에서 13세 사이의 중국 동부 거주자의 좌측 하악 영구치 7개의 치아 연령을 Cameriere 방법을 사용하여 추정하고 선형 회귀, SVM 및 RF를 사용하여 추정한 연령과 비교했습니다. 그들은 세 가지 DM 모델 모두 전통적인 Cameriere 공식보다 더 높은 정확도를 보였다고 보고했습니다. Shen의 연구에서 MAE와 RMSE는 본 연구의 DM 모델보다 낮았습니다. Stepanovsky 등35과 Shen 등23의 연구에서 정확도가 향상된 것은 연구 대상에 더 어린 피험자가 포함되었기 때문일 수 있습니다. 치아 발달 과정에서 치아 개수가 증가함에 따라 발육 중인 참가자의 연령 추정 정확도가 높아지기 때문에, 연구 참가자가 어릴수록 연령 추정 방법의 정확도가 떨어질 수 있습니다. 또한, MLP의 연령 추정 오차는 SLP보다 약간 작으므로 MLP가 SLP보다 더 정확하다고 볼 수 있습니다. MLP는 은닉층 때문에 연령 추정에 있어 약간 더 우수한 것으로 여겨집니다38. 그러나 여성 참가자의 경우 외부 표본에서 예외적인 결과가 나타났습니다(SLP 1.45, MLP 1.49). MLP가 SLP보다 연령 평가 정확도가 더 높다는 결과는 추가적인 후향적 연구를 통해 검증되어야 합니다.
18세라는 연령 임계값을 기준으로 DM 모델과 기존 방법의 분류 성능을 비교했습니다. 내부 테스트 세트에서 테스트한 모든 SD 모델과 기존 방법은 18세 표본에 대해 실질적으로 허용 가능한 수준의 판별력을 보였습니다. 남성과 여성의 민감도는 각각 87.7%와 94.9% 이상이었고, 특이도는 각각 89.3%와 84.7% 이상이었습니다. 테스트한 모든 모델의 AUROC 또한 0.925를 초과했습니다. 저희가 아는 한, 치아 성숙도를 기반으로 18세 분류에 대한 DM 모델의 성능을 테스트한 연구는 없습니다. 본 연구 결과를 파노라마 방사선 사진에 대한 딥러닝 모델의 분류 성능과 비교할 수 있습니다. Guo 등15은 특정 연령 임계값에 대해 CNN 기반 딥러닝 모델과 Demirjian 방법을 기반으로 한 수동 방법의 분류 성능을 계산했습니다. 수동 방식의 민감도와 특이도는 각각 87.7%와 95.5%였으며, CNN 모델의 민감도와 특이도는 각각 89.2%와 86.6%를 초과했습니다. 연구진은 딥러닝 모델이 연령 임계값 분류에서 수동 평가를 대체하거나 능가할 수 있다고 결론지었습니다. 본 연구 결과도 유사한 분류 성능을 보여주었으며, DM 모델을 이용한 분류가 기존의 통계적 연령 추정 방법을 대체할 수 있을 것으로 판단됩니다. 여러 모델 중 DM LR은 남성 표본에서 민감도 측면에서, 여성 표본에서는 민감도와 특이도 측면에서 가장 우수한 모델이었습니다. 남성의 경우 특이도 측면에서는 LR이 두 번째로 높았습니다. 또한, LR은 DM35 모델 중에서도 사용하기 쉽고 처리 과정이 비교적 간단하다는 장점이 있습니다. 이러한 결과를 바탕으로 LR은 한국인 18세 인구의 연령을 분류하는 데 가장 적합한 모델로 선정되었습니다.
전반적으로 외부 테스트 세트에서의 연령 추정 또는 분류 성능은 내부 테스트 세트 결과에 비해 저조하거나 낮았습니다. 일부 보고에 따르면 한국 인구를 기반으로 한 연령 추정치를 일본 인구에 적용할 경우 분류 정확도 또는 효율성이 감소하는 것으로 나타났으며5,39, 본 연구에서도 유사한 양상이 관찰되었습니다. 이러한 저하 경향은 DM 모델에서도 나타났습니다. 따라서 분석 과정에서 DM을 사용하더라도 정확한 연령 추정을 위해서는 전통적인 방법과 같이 해당 인구 집단의 데이터를 기반으로 한 방법이 선호되어야 합니다5,39,40,41,42. 딥러닝 모델에서도 유사한 경향이 나타나는지는 불분명하므로, 동일한 샘플을 대상으로 전통적인 방법, DM 모델, 딥러닝 모델의 분류 정확도와 효율성을 비교하는 연구를 통해 인공지능이 제한된 연령 평가에서 이러한 인종적 불균형을 극복할 수 있는지 여부를 확인할 필요가 있습니다.
본 연구에서는 한국의 법의학적 연령 추정 실무에서 DM 모델 기반 연령 추정법이 기존 방법을 대체할 수 있음을 입증했습니다. 또한, 법의학적 연령 평가에 머신러닝을 적용할 가능성을 발견했습니다. 그러나, 결과를 확정적으로 도출하기에는 참여자 수가 부족하고, 본 연구 결과를 비교 및 검증할 선행 연구가 부족하다는 등의 명확한 한계점이 존재합니다. 향후 DM 모델의 실용성을 향상시키기 위해서는 더 많은 표본과 다양한 인구 집단을 대상으로 한 연구가 필요합니다. 다양한 인구 집단에서 인공지능을 활용한 연령 추정의 타당성을 검증하기 위해서는, 동일한 표본에서 DM 모델과 딥러닝 모델을 기존 방법과 비교하여 분류 정확도 및 효율성을 평가하는 추가 연구가 요구됩니다.
본 연구에서는 15세에서 23세 사이의 한국 및 일본 성인으로부터 수집한 2,657장의 파노라마 방사선 사진을 사용했습니다. 한국 방사선 사진은 900개의 훈련 세트(평균 연령 19.42 ± 2.65세)와 900개의 내부 테스트 세트(평균 연령 19.52 ± 2.59세)로 나누었습니다. 훈련 세트는 한 기관(서울 성모병원)에서 수집했고, 자체 테스트 세트는 두 기관(서울대학교 치과병원 및 연세대학교 치과병원)에서 수집했습니다. 또한 외부 테스트를 위해 다른 인구 기반 데이터(일본 이와테 의과대학)에서 857장의 방사선 사진을 수집했습니다. 외부 테스트 세트로는 일본인 대상자의 방사선 사진(평균 연령 19.31 ± 2.60세)을 선택했습니다. 치과 치료 중 촬영한 파노라마 방사선 사진을 통해 치아 발달 단계를 분석하기 위해 후향적으로 데이터를 수집했습니다. 성별, 생년월일, 방사선 사진 촬영일을 제외한 모든 데이터는 익명 처리했습니다. 포함 및 제외 기준은 기존 연구 4, 5와 동일했습니다. 표본의 실제 연령은 방사선 촬영일에서 생년월일을 빼서 계산했습니다. 표본군은 9개의 연령 그룹으로 나누었습니다. 연령 및 성별 분포는 표 3에 제시되어 있습니다. 본 연구는 헬싱키 선언에 따라 수행되었으며, 가톨릭대학교 서울성모병원 기관윤리위원회(IRB)의 승인(KC22WISI0328)을 받았습니다. 본 연구는 후향적 연구 설계로 인해 치료 목적으로 방사선 검사를 받은 모든 환자로부터 사전 동의를 얻을 수 없었습니다. 이에 가톨릭대학교 서울성모병원 IRB는 사전 동의 요건을 면제했습니다.
양악 제2 및 제3 어금니의 발달 단계는 Demircan 기준25에 따라 평가되었습니다. 각 턱의 좌우측에 동일한 유형의 치아가 있는 경우 한쪽 치아만 선택했습니다. 양측의 상동 치아가 서로 다른 발달 단계에 있는 경우, 추정 연령의 불확실성을 고려하여 발달 단계가 더 낮은 치아를 선택했습니다. 치아 성숙 단계를 결정하기 위해 사전 보정을 거친 후, 훈련 세트에서 무작위로 선택된 100개의 방사선 사진을 두 명의 숙련된 관찰자가 판독하여 관찰자 간 신뢰도를 검증했습니다. 관찰자 내 신뢰도는 주 관찰자가 3개월 간격으로 두 번 평가했습니다.
훈련 데이터 세트에서 각 턱의 두 번째 및 세 번째 어금니의 성별과 발달 단계는 다양한 DM 모델로 훈련된 1차 관찰자를 통해 추정되었으며, 실제 나이를 목표값으로 설정했습니다. 머신러닝에서 널리 사용되는 SLP 및 MLP 모델을 회귀 알고리즘과 비교하여 성능을 검증했습니다. DM 모델은 네 개 치아의 발달 단계를 이용하여 선형 함수를 결합하고, 이러한 데이터를 종합하여 나이를 추정합니다. SLP는 가장 단순한 신경망으로 은닉층이 없습니다. SLP는 노드 간 임계값 전달을 기반으로 작동합니다. 회귀 분석에서 SLP 모델은 수학적으로 다중 선형 회귀와 유사합니다. SLP 모델과 달리 MLP 모델은 비선형 활성화 함수를 가진 여러 개의 은닉층을 가지고 있습니다. 본 실험에서는 비선형 활성화 함수를 사용하는 20개의 은닉 노드로 구성된 단일 은닉층을 사용했습니다. 최적화 방법으로는 경사 하강법을, 손실 함수로는 MAE와 RMSE를 사용하여 머신러닝 모델을 훈련했습니다. 가장 우수한 성능을 보인 회귀 모델을 내부 및 외부 테스트 데이터 세트에 적용하여 치아의 나이를 추정했습니다.
훈련 세트의 네 개 치아의 성숙도를 이용하여 샘플이 18세인지 여부를 예측하는 분류 알고리즘을 개발했습니다. 모델 구축을 위해 7가지 대표적인 머신러닝 알고리즘을 도출했습니다.6,43 (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, (7) MLP. LR은 가장 널리 사용되는 분류 알고리즘 중 하나입니다.44 이는 회귀를 사용하여 데이터가 특정 범주에 속할 확률을 0에서 1 사이로 예측하고 이 확률을 기반으로 데이터를 더 가능성이 높은 범주로 분류하는 지도 학습 알고리즘입니다. 주로 이진 분류에 사용됩니다. KNN은 가장 간단한 머신러닝 알고리즘 중 하나입니다.45 새로운 입력 데이터가 주어지면 기존 집합에 가까운 k개의 데이터를 찾아 가장 빈도가 높은 클래스로 분류합니다. 여기서 고려되는 이웃의 수(k)는 3으로 설정했습니다. SVM은 커널 함수를 사용하여 선형 공간을 필드(fields)라고 하는 비선형 공간으로 확장함으로써 두 클래스 간의 거리를 최대화하는 알고리즘입니다.46 이 모델에서는 다항식 커널의 하이퍼파라미터로 bias = 1, power = 1, gamma = 1을 사용했습니다. DT(결정 트리)는 전체 데이터 세트를 여러 하위 그룹으로 나누는 알고리즘으로, 결정 규칙을 트리 구조로 표현하여 다양한 분야에 적용되어 왔습니다.47 이 모델은 노드당 최소 레코드 수를 2개로 설정하고, 지니 계수를 품질 측정 기준으로 사용했습니다. RF(랜덤 포레스트)는 부트스트랩 집계 방법을 사용하여 성능을 향상시키기 위해 여러 DT를 결합하는 앙상블 방법입니다. 이 방법은 원본 데이터 세트에서 동일한 크기의 샘플을 여러 번 무작위로 추출하여 각 샘플에 대한 약한 분류기를 생성합니다.48 본 연구에서는 100개의 트리, 10개의 트리 깊이, 1개의 최소 노드 크기, 그리고 지니 혼합 지수를 노드 분리 기준으로 사용했습니다. 새로운 데이터의 분류는 다수결 투표로 결정됩니다. XGBoost는 이전 모델의 실제 값과 예측 값 사이의 오차를 훈련 데이터로 사용하고, 기울기를 이용하여 오차를 증폭하는 부스팅 기법을 결합한 알고리즘입니다.49 우수한 성능과 자원 효율성, 그리고 과적합 보정 기능으로 높은 신뢰성을 제공하기 때문에 널리 사용되는 알고리즘입니다. 본 모델에는 400개의 지원 뉴런이 탑재되어 있습니다. MLP는 하나 이상의 퍼셉트론으로 구성된 다중 레이어 신경망으로, 입력 레이어와 출력 레이어 사이에 하나 이상의 은닉 레이어가 있습니다.38 이를 통해 비선형 분류를 수행할 수 있으며, 입력 레이어를 추가하고 결과 값을 얻으면 예측 결과 값을 실제 결과 값과 비교하고 오차를 역전파합니다. 각 레이어에는 20개의 은닉 뉴런을 가진 은닉 레이어를 생성했습니다. 개발된 각 모델은 내부 및 외부 데이터 세트에 적용하여 민감도, 특이도, 양성예측값(PPV), 음성예측값(NPV), 그리고 AUROC를 계산하여 분류 성능을 평가했습니다. 민감도는 18세 이상으로 추정되는 표본의 비율로, 18세 이상으로 추정되는 표본의 비율로 정의됩니다. 특이도는 18세 미만 표본의 비율과 18세 미만으로 추정되는 표본의 비율입니다.
훈련 데이터 세트에서 평가된 치아 발달 단계는 통계 분석을 위해 수치 단계로 변환되었습니다. 다변량 선형 회귀 및 로지스틱 회귀 분석을 수행하여 각 성별에 대한 예측 모델을 개발하고 연령을 추정하는 데 사용할 수 있는 회귀 공식을 도출했습니다. 이러한 공식을 사용하여 내부 및 외부 테스트 세트 모두에서 치아 연령을 추정했습니다. 표 4는 본 연구에서 사용된 회귀 및 분류 모델을 보여줍니다.
관찰자 내 및 관찰자 간 신뢰도는 코헨의 카파 통계량을 사용하여 계산했습니다. DM 모델과 기존 회귀 모델의 정확도를 검증하기 위해 내부 및 외부 테스트 세트의 추정 연령과 실제 연령을 사용하여 MAE와 RMSE를 계산했습니다. 이러한 오차는 모델 예측의 정확도를 평가하는 데 일반적으로 사용됩니다. 오차가 작을수록 예측 정확도가 높습니다.24 DM 모델과 기존 회귀 모델을 사용하여 계산한 내부 및 외부 테스트 세트의 MAE와 RMSE를 비교했습니다. 기존 통계에서 18세 기준점의 분류 성능은 2×2 분할표를 사용하여 평가했습니다. 테스트 세트의 계산된 민감도, 특이도, 양성예측값(PPV), 음성예측값(NPV) 및 AUROC를 DM 분류 모델의 측정값과 비교했습니다. 데이터는 데이터 특성에 따라 평균 ± 표준편차 또는 개수(%)로 표시했습니다. 양측 P값 <0.05를 통계적으로 유의미한 것으로 간주했습니다. 모든 통계 분석은 SAS 버전 9.4(SAS Institute, Cary, NC)를 사용하여 수행했습니다. DM 회귀 모델은 Python으로 구현되었으며, 특히 수학 연산에는 Keras50 2.2.4 백엔드와 TensorFlow51 1.8.0이 사용되었습니다. DM 분류 모델은 Waikato Knowledge Analysis Environment와 Konstanz Information Miner(KNIME) 4.6.152 분석 플랫폼에서 구현되었습니다.
저자들은 연구 결론을 뒷받침하는 데이터가 본 논문 및 부록에 포함되어 있음을 밝힙니다. 연구 과정에서 생성 및/또는 분석된 데이터 세트는 합리적인 요청이 있을 경우 해당 저자에게서 제공받을 수 있습니다.
Ritz-Timme, S. 외. 연령 평가: 법의학 실무의 특정 요구 사항을 충족하기 위한 최첨단 기술. 국제성. 법의학 저널. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., 및 Olze, A. 형사 기소 목적을 위한 살아있는 대상의 법의학적 연령 평가의 현재 상태. 법의학. 의학. 병리학. 1, 239–246 (2005).
Pan, J. et al. 중국 동부 지역 5~16세 아동의 치아 연령을 평가하기 위한 수정된 방법. 임상. 구강 조사. 25, 3463–3474 (2021).
Lee, SS 등. 한국인의 두 번째 및 세 번째 어금니 발달의 연대기 및 법의학적 연령 평가에 대한 응용. 국제성. 법의학 저널. 124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY 및 Lee, SS 한국인과 일본인의 두 번째 및 세 번째 어금니 성숙도를 기반으로 한 연령 추정의 정확도 및 18세 임계값 추정. PLoS ONE 17, e0271247 (2022).
Kim, JY, et al. 수술 전 기계 학습 기반 데이터 분석은 OSA 환자의 수면 수술 치료 결과를 예측할 수 있습니다. 과학 보고서 11, 14911(2021).
Han, M. et al. 인간의 개입 여부에 관계없이 기계 학습을 통한 정확한 연령 추정? 국제성. 법의학 저널. 136, 821–831 (2022).
Khan, S. 및 Shaheen, M. 데이터 마이닝에서 데이터 마이닝으로. J.Information. 과학. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. 및 Shaheen, M. WisRule: 연관 규칙 마이닝을 위한 최초의 인지 알고리즘. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. 및 Abdullah U. Karm: 컨텍스트 기반 연관 규칙에 기반한 전통적인 데이터 마이닝. 계산. Matt. 계속. 68, 3305–3322(2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. 및 Habib M. 텍스트 데이터를 사용한 딥러닝 기반 의미 유사성 감지. 정보 기술 제어. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., 및 Shahin, M. 스포츠 비디오에서 활동을 인식하는 시스템. 멀티미디어. 도구 응용 프로그램 https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS 외. 소아 골연령에 대한 RSNA 기계 학습 챌린지. 방사선학 290, 498–503 (2019).
Li, Y. et al. 딥러닝을 이용한 골반 X선 사진으로부터 법의학적 연령 추정. EURO. radiation. 29, 2322–2329 (2019).
Guo, YC, et al. 직교 투영 이미지에서 수동 방법과 심층 합성 신경망을 사용한 정확한 연령 분류. 국제성. 법의학 저널. 135, 1589–1597 (2021).
Alabama Dalora 외. 다양한 기계 학습 방법을 사용한 골연령 추정: 체계적인 문헌 검토 및 메타 분석. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., 및 Yang, J. 원추형 빔 컴퓨터 단층 촬영을 이용한 제1대구치의 치수강 부피를 기반으로 한 아프리카계 미국인과 중국인의 인구별 연령 추정. 국제성. 법의학 저널. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK 및 Oh KS, 인공지능 기반 첫 번째 어금니 이미지를 사용하여 생존자의 연령 그룹 판별. 과학 보고서 11, 1073(2021).
Stern, D., Payer, C., Giuliani, N., 및 Urschler, M. 다변량 MRI 데이터를 이용한 자동 연령 추정 및 성인 연령 분류. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. 및 Li, G. 딥러닝과 레벨셋을 통합한 콘빔 컴퓨터 단층촬영을 이용한 제1대구치의 3D 치수강 분할 기반 연령 추정. 국제성. 법의학 저널. 135, 365–373 (2021).
Wu, WT, et al. 임상 빅데이터에서의 데이터 마이닝: 일반적인 데이터베이스, 단계 및 방법 모델. 세계 의학 자원. 8, 44 (2021).
Yang, J. 외. 빅데이터 시대의 의료 데이터베이스 및 데이터 마이닝 기술 소개. J. Avid. 기초 의학. 13, 57–69 (2020).
Shen, S. et al. 기계 학습을 이용한 치아 연령 추정을 위한 Camerer 방법. BMC Oral Health 21, 641 (2021).
Galliburg A. et al. Demirdjian 단계 분류법을 사용하여 치아 연령을 예측하기 위한 다양한 기계 학습 방법의 비교. 국제성. 법의학 저널. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. 및 Tanner, JM 치아 연령 평가를 위한 새로운 시스템. snort. biology. 45, 211–227 (1973).
Landis, JR 및 Koch, GG 범주형 데이터에 대한 관찰자 일치도 측정. Biometrics 33, 159–174(1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK 및 Choi HK. 인공지능 기술을 이용한 원발성 뇌종양 감별을 위한 2차원 자기공명영상의 질감, 형태학적 및 통계적 분석. 건강정보자원. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
게시 시간: 2024년 1월 4일