DOI: https://doi.org/10.1007/s00414-025-03452-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39969569
تاريخ النشر: 2025-02-19
المؤلف: Betül Şen Yavuz وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تقييمت هذه الدراسة فعالية أربع طرق لتقدير العمر السني—ويليمز، كاميرير-أوروبا، أطلس لندن، وتقنيات التعلم العميق—باستخدام الأشعة السينية البانورامية لـ 1,169 طفل تركي (613 فتاة و556 فتى). استخدم الباحثون نماذج الشبكات العصبية التلافيفية المنفذة في مكتبة TensorFlow لتحليل البيانات. قاموا بحساب الارتباطات البسيطة والارتباطات داخل الفئة بين الأعمار الزمنية والأعمار السنية، إلى جانب معايير جودة الملاءمة مثل معيار معلومات أكايكي، معيار بايزيان-شفارتز، جذر متوسط مربع الخطأ، ومعامل التحديد.
أشارت النتائج إلى وجود ارتباطات كبيرة بين تقديرات العمر السني والأعمار الزمنية عبر جميع الطرق (p < 0.001). ومن الجدير بالذكر أنه لم يكن هناك فرق ذو دلالة إحصائية في متوسط تقديرات العمر السني للفتيان بين الطرق (p = 0.179)، بينما لوحظت اختلافات كبيرة للفتيات (p < 0.001). أظهرت معاملات الارتباط داخل الفئة توافقًا شبه مثالي بين الطرق (ICC W = 0.92، ICC CE = 0.94، ICC LA = 0.95، ICC DL = 0.89). تشير النتائج إلى أن أطلس لندن مناسب فقط لتقدير العمر السني للفتيان، بينما تتطلب صيغ ويليمز، كاميرير-أوروبا، وطرق التعلم العميق مزيدًا من التحسين للتطبيق الدقيق على الأطفال الأتراك.
مقدمة
تسلط مقدمة ورقة البحث الضوء على أهمية تحديد العمر السني في طب الأسنان الشرعي والعيادات، خاصة في طب الأسنان للأطفال وتقويم الأسنان. يعتبر تقدير العمر السني بدقة أمرًا ضروريًا للعلاج في الوقت المناسب، مع وجود طرق متنوعة مستخدمة حاليًا، بما في ذلك تحليل تكلس الأسنان ومستويات بزوغها من خلال الأشعة السينية السنية. ومن الجدير بالذكر أن المنهجيات الحالية، مثل صيغة ويليمز، الطريقة كاميرير-الأوروبية، وأطلس لندن، تم تصميمها لتناسب مجموعات سكانية معينة، ومع ذلك لم يتم التحقق من صحتها للأطفال الأتراك.
تشدد الورقة على أنه بينما تعتبر بعض طرق تقدير العمر السني متفوقة، هناك نقص في التقنيات الفعالة للسكان الأتراك. علاوة على ذلك، تناقش المقدمة الدور الناشئ للتعلم العميق في تقدير العمر السني، والذي أظهر أداءً أفضل من الطرق التقليدية للأشعة السينية من حيث الدقة والكفاءة. تهدف الدراسة إلى تقييم فعالية ثلاث طرق تقليدية جنبًا إلى جنب مع نهج التعلم العميق في توقع العمر السني للسكان الأتراك، مع فرضية العدم التي تفترض أن جميع الطرق ستعطي نتائج مشابهة.
طرق
في هذه الدراسة، سيتم إجراء تقدير العمر السني باستخدام ثلاث طرق شعاعية معروفة: طريقة ويليمز، الطريقة كاميرير-الأوروبية، وطريقة أطلس لندن. تستفيد هذه التقنيات من مراحل نمو الأسنان لتقييم العمر الزمني، مما يوفر نهجًا موثوقًا لتحديد العمر في سياقات متنوعة، مثل العلوم الجنائية وطب الأسنان للأطفال. تستخدم كل طريقة معايير محددة تتعلق بتطور الأسنان وأنماط البزوغ، مما يضمن تحليلًا شاملاً لنضج الأسنان.
نتائج
حللت الدراسة عينة من 1,169 طفلًا تتراوح أعمارهم بين 5 إلى 16 عامًا، تضم 613 فتاة و556 فتى، مع توزيع متوازن عبر الفئات العمرية (27 إلى 73 فردًا لكل عمر). أظهرت التحليلات الإحصائية عدم وجود اختلافات ذات دلالة إحصائية في توزيع العمر حسب الجنس (χ²=16.575، p=0.121). تم تقييم موثوقية طرق تقدير العمر باستخدام معاملات الارتباط داخل الفئة (ICC)، والتي أظهرت اتساقًا ممتازًا: أظهرت طريقة ويليمز موثوقية داخل الفاحص تبلغ 0.98 و0.95، وموثوقية بين الفاحصين تبلغ 0.85؛ كانت موثوقية الطريقة كاميرير-الأوروبية داخل الفاحص 0.95 و0.94، وموثوقية بين الفاحصين 0.87؛ وأبلغت طريقة أطلس لندن عن موثوقية داخل الفاحص تبلغ 0.89 و0.90، مع موثوقية بين الفاحصين عند 0.84. تراوحت جميع قيم ICC من 0.81 إلى 0.99، مما يعكس موثوقية شبه مثالية.
استخدم النموذج التنبؤي للعمر الزمني بنية شبكة عصبية تلافيفية، والتي تضمنت 32 فلترًا في الطبقات التلافيفية تليها عشرة كتل ResNet. تم تسطيح المخرجات من هذه الكتل ومعالجتها من خلال خمس طبقات تغذية للأمام لتوليد توقعات العمر. تم تنفيذ جميع النماذج باستخدام مكتبة TensorFlow.
مناقشة
هدفت الدراسة، التي وافق عليها لجنة الأخلاقيات السريرية بجامعة مرمرة، إلى تقييم فعالية ثلاث طرق يدوية لتقدير العمر السني (ويليمز، كاميرير-الأوروبية، وأطلس لندن) جنبًا إلى جنب مع خوارزمية التعلم العميق باستخدام الأشعة السينية الرقمية البانورامية للأطفال الذين تتراوح أعمارهم بين 5 إلى 16 عامًا. تم تضمين 930 موضوعًا، تم اختيارهم بناءً على معايير صارمة لضمان جودة الأشعة السينية العالية وغياب الأمراض النظامية أو الشذوذات السنية. استخدمت الدراسة جهاز موريطا للحصول على الأشعة السينية والتزمت بمعايير جودة التشخيص المعتمدة، حيث تم تحليل الأشعة السينية من الدرجة الأولى فقط.
أشارت النتائج إلى أنه بينما أظهرت جميع الطرق ارتباطًا قويًا بالعمر الزمني، كان أداء خوارزمية التعلم العميق أقل قليلاً مقارنة بالطرق اليدوية. على وجه التحديد، قدمت طريقة أطلس لندن أكثر التوقعات دقة للفتيان، بينما أظهرت الطرق الأخرى اختلافات كبيرة لكلا الجنسين. سلطت الدراسة الضوء على إمكانيات التعلم العميق في تقدير العمر السني لكنها أشارت إلى أن فعاليتها يمكن تحسينها مع مجموعات بيانات أكبر وخوارزميات محسنة. بشكل عام، تؤكد الأبحاث على الحاجة إلى مزيد من الدراسات لتعزيز دقة توقعات العمر السني في السكان الأتراك، حيث لم تظهر أي طريقة واحدة كملائمة عالميًا.
DOI: https://doi.org/10.1007/s00414-025-03452-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39969569
Publication Date: 2025-02-19
Author(s): Betül Şen Yavuz et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
This study evaluated the effectiveness of four dental age estimation methods—Willems, Cameriere-Europe, London Atlas, and deep learning techniques—using panoramic radiographs of 1,169 Turkish children (613 girls and 556 boys). The researchers employed Convolutional Neural Network models implemented in the TensorFlow library to analyze the data. They calculated simple correlations and intraclass correlations between chronological and dental ages, alongside goodness-of-fit criteria such as the Akaike Information Criterion, Bayesian-Schwarz Criterion, Root Mean Squared Error, and coefficient of determination.
Results indicated significant correlations between dental age estimates and chronological ages across all methods (p < 0.001). Notably, while there was no statistically significant difference in average dental age estimates for boys between methods (p = 0.179), significant differences were observed for girls (p < 0.001). The intraclass correlation coefficients demonstrated almost perfect agreement among the methods (ICC W = 0.92, ICC CE = 0.94, ICC LA = 0.95, ICC DL = 0.89). The findings suggest that the London Atlas is only suitable for estimating dental age in boys, while the Willems, Cameriere-Europe formulas, and deep learning methods require further refinement for accurate application in Turkish children.
Introduction
The introduction of the research paper highlights the importance of dental age determination in forensic and clinical dentistry, particularly for pediatric dentistry and orthodontics. Accurate dental age estimation is essential for timely treatment, with various methods currently employed, including the analysis of tooth calcification and eruption levels through dental radiographs. Notably, existing methodologies, such as the Willems formula, the Cameriere-European method, and the London Atlas, have been tailored to specific populations, yet none have been validated for Turkish children.
The paper emphasizes that while some dental age estimation methods are deemed superior, there is a lack of effective techniques for the Turkish demographic. Furthermore, the introduction discusses the emerging role of deep learning in estimating dental age, which has shown to outperform traditional radiographic methods in terms of accuracy and efficiency. The study aims to assess the effectiveness of three conventional methods alongside a deep learning approach in predicting the dental age of the Turkish population, with the null hypothesis positing that all methods would yield similar results.
Methods
In this study, dental age estimation will be conducted using three established radiographic methods: the Willems method, the Cameriere-European method, and the London Atlas method. These techniques leverage the developmental stages of teeth to assess chronological age, providing a reliable approach for age determination in various contexts, such as forensic science and pediatric dentistry. Each method utilizes specific criteria related to tooth development and eruption patterns, ensuring a comprehensive analysis of dental maturity.
Results
The study analyzed a sample of 1,169 children aged 5 to 16 years, comprising 613 girls and 556 boys, with a balanced distribution across age groups (27 to 73 individuals per age). Statistical analysis revealed no significant gender differences in age distribution (χ²=16.575, p=0.121). The reliability of age estimation methods was assessed using Intraclass Correlation Coefficients (ICC), which indicated excellent consistency: the Willems method showed intra-examiner reliability of 0.98 and 0.95, inter-examiner reliability of 0.85; the Cameriere-European method had intra-examiner reliability of 0.95 and 0.94, inter-examiner reliability of 0.87; and the London Atlas method reported intra-examiner reliability of 0.89 and 0.90, with inter-examiner reliability at 0.84. All ICC values ranged from 0.81 to 0.99, reflecting almost perfect reliability.
The predictive model for chronological age utilized a convolutional neural network architecture, which included 32 filters in the convolutional layers followed by ten ResNet blocks. The output from these blocks was flattened and processed through five feedforward layers to generate age predictions. The implementation of all models was conducted using the TensorFlow library.
Discussion
The study, approved by the Clinical Ethics Committee of Marmara University, aimed to evaluate the effectiveness of three manual dental age estimation methods (Willems, Cameriere-European, and London Atlas) alongside a deep learning algorithm using digital panoramic radiographs of children aged 5 to 16 years. A total of 930 subjects were included, selected based on stringent criteria to ensure high-quality radiographs and the absence of systemic diseases or dental anomalies. The study utilized a Morita device for radiograph acquisition and adhered to established diagnostic quality standards, with only Grade 1 radiographs being analyzed.
The findings indicated that while all methods demonstrated a strong correlation with chronological age, the deep learning algorithm’s performance was slightly inferior compared to the manual methods. Specifically, the London Atlas method provided the most accurate predictions for boys, while the other methods showed significant discrepancies for both genders. The study highlighted the potential of deep learning in dental age estimation but noted that its effectiveness could be improved with larger datasets and refined algorithms. Overall, the research underscores the need for further studies to enhance the accuracy of dental age predictions in the Turkish population, as no single method emerged as universally suitable.