DOI: https://doi.org/10.1038/s41598-024-55497-5
PMID: https://pubmed.ncbi.nlm.nih.gov/38409354
تاريخ النشر: 2024-02-26
المؤلف: Ademir Franco وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تدرس الدراسة فعالية الذكاء الاصطناعي (AI) في تصنيف الأفراد بناءً على تطور الضرس الثالث لتقدير العمر السني، وخاصةً بالنسبة للقاصرين غير المصحوبين وغير الموثقين. باستخدام مجموعة بيانات تتكون من 11,640 صورة شعاعية بانورامية، استخدمت البحث DenseNet121، وهو شبكة عصبية تلافيفية (CNN)، مع التعلم الانتقالي لتحليل الضرس الثالث السفلي الأيسر (T38). أظهر الذكاء الاصطناعي أداءً قويًا، حيث حقق قيم منطقة تحت المنحنى (AUC) تبلغ 0.87 و0.86 لتصنيف الأفراد دون سن 14 وفوقها، على التوالي، وأعلى AUC تبلغ 0.94 للذكور عند عتبة 18 عامًا.
تشير النتائج إلى أن نظام الذكاء الاصطناعي يتفوق على الطرق التقليدية المعتمدة على المشغل في تقدير العمر السني، وخاصةً بالنسبة للذكور، الذين يتم تقييمهم بشكل متكرر في الممارسة العملية. تشير الدقة المثلى التي لوحظت عند سن 18 إلى أن هذا النهج القائم على الذكاء الاصطناعي يمكن أن يعزز بشكل كبير موثوقية تقديرات العمر السني في السياقات القانونية، مثل طلبات اللجوء وقضايا المسؤولية المدنية. بشكل عام، تسلط الدراسة الضوء على إمكانيات الذكاء الاصطناعي لتحسين دقة وكفاءة ممارسات تقدير العمر السني.
طرق البحث
استخدمت الدراسة تصميمًا ملاحظًا وعرضيًا، مع الاستفادة من عينة استعادية من قاعدة بيانات الصور الموجودة في وسط غرب البرازيل، مع الحصول على موافقة أخلاقية من لجنة الأخلاقيات في البحث البشري. تألفت العينة من 11,640 صورة شعاعية بانورامية لأفراد برازيليين تتراوح أعمارهم بين 6 إلى 22.9 عامًا، مع تطبيق معايير إدراج واستبعاد محددة لضمان جودة البيانات. تم إجراء تحليل الصور باستخدام برنامج Darwin V7، حيث قام أطباء الأسنان الشرعيون المدربون بتعليق منطقة الضرس الثالث السفلي الأيسر. كانت الدراسة تهدف إلى تصنيف الأفراد بناءً على عتبات عمرية تبلغ 14 و16 و18 عامًا، مع تحليلات منفصلة للذكور والإناث.
للمهمة التصنيفية، تم استخدام شبكة DenseNet121 العصبية التلافيفية (CNN)، مع الاستفادة من التعلم الانتقالي لتكييف نموذج مدرب مسبقًا لتقدير العمر من الصور الشعاعية. شمل تدريب النموذج زيادة البيانات لمنع الإفراط في التكيف، وتم تطبيق خوارزمية تحسين الانحدار العشوائي (SGD). تم تقييم أداء الشبكة العصبية باستخدام التحقق المتقاطع k-fold، مع حساب مقاييس مثل الدقة، والدقة، والاسترجاع، والخصوصية، ومنطقة تحت منحنى ROC (AUC) لتقييم فعالية النموذج في تصنيف الأفراد بالنسبة للعتبات العمرية المحددة. شمل الإطار الحسابي المستخدم TensorFlow وKeras، وتمت المعالجة على جهاز لينكس عالي الأداء.
النتائج
تشير نتائج الدراسة إلى أن معدلات دقة التصنيف للإناث والذكور دون سن 14 عامًا وفوقها كانت 0.863 و0.872، على التوالي. كانت معدلات الدقة مرتفعة بشكل ملحوظ، حيث بلغت 0.943 للإناث و0.900 للذكور، بينما كانت معدلات الاسترجاع 0.780 و0.849، ومعدلات الخصوصية كانت 0.929 و0.842، على التوالي. بالنسبة للأفراد الذين تتراوح أعمارهم حول 16 عامًا، كانت معدلات الدقة 0.828 للإناث و0.883 للذكور، مع معدلات دقة تبلغ 0.850 و0.917، واسترجاع ثابت قدره 0.831 لكلا الجنسين. كانت معدلات الخصوصية لهذه الفئة العمرية 0.802 للإناث و0.896 للذكور. عند سن 18 عامًا، كانت معدلات الدقة 0.829 للإناث و0.939 للذكور، مع معدلات دقة تبلغ 0.836 و0.962، ومعدلات استرجاع تبلغ 0.860 و0.901، ومعدلات خصوصية تبلغ 0.768 و0.927، على التوالي.
كشفت منطقة تحت المنحنى (AUC) لأداء التصنيف عن AUC تبلغ 0.86 للإناث و0.87 للذكور دون سن 14 عامًا وفوقها. بالنسبة لعتبة العمر 16 عامًا، كانت AUCs 0.83 للإناث و0.88 للذكور، بينما بالنسبة لأولئك المصنفين حول سن 18 عامًا، كانت AUC 0.83 للإناث و0.94 للذكور. أظهرت نتائج مصفوفة الالتباس معدلات تصنيف صحيحة تبلغ 0.78 و0.94 للإناث دون سن 14 عامًا وفوقها، و0.83 و0.91 للذكور، على التوالي. بالنسبة لسن 16 عامًا، كانت معدلات التصنيف الصحيحة 0.82 للإناث و0.85 للذكور دون 16 عامًا، و0.83 و0.91 لأولئك فوق 16 عامًا. أخيرًا، بالنسبة للأفراد دون سن 18 عامًا وفوقها، حققت الإناث معدلات تصنيف صحيحة تبلغ 0.84 و0.82، بينما حقق الذكور 0.93 و0.95، على التوالي.
المناقشة
تسلط المناقشة الضوء على الذاتية الكامنة في الإجراءات المعتمدة على المشغل ضمن طب الأسنان الشرعي، وخاصةً في تقدير العمر السني، حيث يمكن أن تؤدي التفسيرات الخبيرة للبيانات الشعاعية إلى نتائج متغيرة. تؤكد الدراسة على الانتقال من الخبرة البشرية إلى الذكاء الاصطناعي (AI) في تقدير العمر، بهدف تقليل الأخطاء المرتبطة باتخاذ القرارات الذاتية. ترسم الدراسة أوجه التشابه مع أمراض القلب، حيث تؤثر خبرة المشغل بشكل كبير على النتائج السريرية، داعيةً إلى تعزيز التدريب وضمان الجودة في الممارسات الشرعية.
تكشف النتائج أن الذكاء الاصطناعي يظهر دقة متفوقة في تصنيف الأفراد بناءً على عتبات عمرية ذات اهتمام قانوني (14 و16 و18 عامًا)، متفوقًا على الطرق اليدوية التقليدية، التي غالبًا ما تؤدي إلى تقديرات زائدة أو ناقصة. على وجه التحديد، حقق الذكاء الاصطناعي معدلات دقة تبلغ 82% للإناث و93% للذكور، مما يشير إلى إمكانيته في تبسيط المهام الشرعية مع الحفاظ على موثوقية عالية. تناقش الدراسة أيضًا التحديات المرتبطة باستخدام الأضراس الثالثة لتقدير العمر بسبب تنوعها المورفولوجي والتعقيدات المرتبطة بتعليق الصور. يتم تشجيع الأبحاث المستقبلية لاستكشاف مجموعات بيانات أكبر وأكثر توازنًا ولتنقيح منهجيات الذكاء الاصطناعي لتقدير العمر المستمر، مما يعزز قابليتها للتطبيق في السياقات الشرعية.
DOI: https://doi.org/10.1038/s41598-024-55497-5
PMID: https://pubmed.ncbi.nlm.nih.gov/38409354
Publication Date: 2024-02-26
Author(s): Ademir Franco et al.
Primary Topic: Dental Radiography and Imaging
Overview
The study investigates the efficacy of artificial intelligence (AI) in classifying individuals based on third molar development to estimate dental age, particularly for unaccompanied and undocumented minors. Utilizing a dataset of 11,640 panoramic radiographs, the research employed DenseNet121, a Convolutional Neural Network (CNN), with Transfer Learning to analyze the mandibular left third molar (T38). The AI demonstrated strong performance, achieving area under the curve (AUC) values of 0.87 and 0.86 for classifying individuals below and above the age of 14, respectively, and even higher AUCs of 0.94 for males at the 18-year threshold.
The findings indicate that the AI system outperforms traditional operator-dependent methods in dental age estimation, particularly for males, who are more frequently assessed in practice. The optimal accuracy observed at the age of 18 suggests that this AI-based approach could significantly enhance the reliability of dental age assessments in legal contexts, such as asylum applications and civil liability cases. Overall, the study highlights the potential of AI to improve the accuracy and efficiency of dental age estimation practices.
Methods
The study employed an observational and cross-sectional design, utilizing a retrospective sample from an existing image database in Central-Western Brazil, with ethical approval obtained from the Committee of Ethics in Human Research. The sample comprised 11,640 panoramic radiographs of Brazilian individuals aged 6 to 22.9 years, with specific inclusion and exclusion criteria applied to ensure data quality. Image analysis was conducted using the Darwin V7 software, where trained forensic odontologists annotated the mandibular left third molar region. The study aimed to classify individuals based on age thresholds of 14, 16, and 18 years, with separate analyses for males and females.
For the classification task, the DenseNet121 convolutional neural network (CNN) was employed, utilizing transfer learning to adapt a pre-trained model for age estimation from radiographic images. The model’s training involved data augmentation to prevent overfitting, and a stochastic gradient descent (SGD) optimization algorithm was applied. The performance of the CNN was evaluated using k-fold cross-validation, with metrics such as accuracy, precision, recall, specificity, and the area under the ROC curve (AUC) calculated to assess the model’s effectiveness in classifying individuals relative to the specified age thresholds. The computational framework utilized included TensorFlow and Keras, with processing conducted on a high-performance Linux machine.
Results
The results of the study indicate that the classification accuracy rates for females and males below and above the age of 14 years were 0.863 and 0.872, respectively. Precision rates were notably high, with values of 0.943 for females and 0.900 for males, while recall rates were 0.780 and 0.849, and specificity rates were 0.929 and 0.842, respectively. For individuals around the age of 16 years, accuracy rates were 0.828 for females and 0.883 for males, with precision rates of 0.850 and 0.917, and a consistent recall of 0.831 for both genders. Specificity rates for this age group were 0.802 for females and 0.896 for males. At the age of 18 years, accuracy rates were 0.829 for females and 0.939 for males, with precision rates of 0.836 and 0.962, recall rates of 0.860 and 0.901, and specificity rates of 0.768 and 0.927, respectively.
The area under the curve (AUC) for classification performance revealed an AUC of 0.86 for females and 0.87 for males below and above the age of 14 years. For the age threshold of 16 years, the AUCs were 0.83 for females and 0.88 for males, while for those classified around the age of 18 years, the AUC was 0.83 for females and 0.94 for males. The confusion matrix results demonstrated correct classification rates of 0.78 and 0.94 for females below and above 14 years, and 0.83 and 0.91 for males, respectively. For the age of 16 years, correct classification rates were 0.82 for females and 0.85 for males below 16 years, and 0.83 and 0.91 for those above 16 years. Lastly, for individuals below and above 18 years, females achieved correct classification rates of 0.84 and 0.82, while males reached 0.93 and 0.95, respectively.
Discussion
The discussion highlights the inherent subjectivity in operator-dependent procedures within forensic odontology, particularly in dental age estimation, where expert interpretation of radiographic data can lead to variable outcomes. The study emphasizes the transition from human expertise to artificial intelligence (AI) in age estimation, aiming to minimize errors associated with subjective decision-making. It draws parallels with cardiology, where operator experience significantly influences clinical outcomes, advocating for enhanced training and quality assurance in forensic practices.
The findings reveal that AI demonstrates superior accuracy in classifying individuals based on age thresholds of legal interest (14, 16, and 18 years), outperforming traditional manual methods, which often lead to overestimations or underestimations. Specifically, the AI achieved accuracy rates of 82% for females and 93% for males, indicating its potential to streamline forensic tasks while maintaining high reliability. The study also discusses the challenges of using third molars for age estimation due to their morphological variability and the complexities involved in image annotation. Future research is encouraged to explore larger, more balanced datasets and to refine AI methodologies for continuous age estimation, thereby enhancing its applicability in forensic contexts.