Validação de modelos de mineração de dados comparando com métodos convencionais para estimativa da idade dentária em juvenis e adultos jovens coreanos

Scientific Reports volume 13, Artigo número: 726 (2023) Citar este artigo

942 acessos

3 Altmétrico

Detalhes das métricas

Os dentes são conhecidos por serem os indicadores de idade mais precisos do corpo humano e são frequentemente aplicados na estimativa de idade forense. Nosso objetivo foi validar a estimativa da idade dentária baseada na mineração de dados, comparando a precisão do desempenho da estimativa e classificação dos limites de 18 anos com métodos convencionais e com a estimativa da idade baseada na mineração de dados. Um total de 2.657 radiografias panorâmicas foram coletadas de populações coreanas e japonesas com idades entre 15 e 23 anos. Eles foram subdivididos em um conjunto de treinamento e teste interno de 900 radiografias cada, de coreanos, e um conjunto de teste externo de 857 radiografias de japoneses. Comparamos a precisão e o desempenho de classificação dos conjuntos de testes dos métodos convencionais com os dos modelos de mineração de dados. A precisão do método convencional com o conjunto de teste interno foi ligeiramente superior à dos modelos de mineração de dados, com uma pequena diferença (erro médio absoluto <0,21 anos, raiz do erro quadrático médio <0,24 anos). O desempenho da classificação do limite de 18 anos também foi semelhante entre o método convencional e os modelos de mineração de dados. Assim, os métodos convencionais podem ser substituídos por modelos de mineração de dados na estimativa de idade forense utilizando a maturidade do segundo e terceiro molar de juvenis e adultos jovens coreanos.

A estimativa da idade dentária é amplamente utilizada na ciência forense e na odontopediatria. Em particular, a estimativa da idade utilizando os estágios de desenvolvimento dos dentes é um critério importante para estimar a idade de crianças e adolescentes, devido à alta correlação entre a idade cronológica e o desenvolvimento dos dentes1,2,3. Porém, no caso de adultos jovens, a estimativa da idade dentária com a maturidade dos dentes tem limitações porque o crescimento dos dentes é praticamente completo, exceto os terceiros molares. O objetivo legal da estimativa de idade para jovens adultos e adolescentes é fornecer uma estimativa precisa e evidências científicas sobre se eles atingiram a maioridade. Na prática forense coreana para jovens e adultos jovens, a idade foi estimada com o método de Lee4, e o limite legal de 18 anos foi previsto com os dados sugeridos por Oh et al.5.

O aprendizado de máquina, um tipo de inteligência artificial (IA), aprende e categoriza repetidamente grandes quantidades de dados, resolve problemas por conta própria e induz a programação de dados. O aprendizado de máquina pode descobrir padrões ocultos úteis em uma grande quantidade de dados6. Em contraste, os métodos clássicos trabalhosos e demorados podem ter limitações ao lidar com grandes quantidades de dados complexos que são difíceis de processar manualmente7. Assim, muitos estudos foram realizados recentemente utilizando a mais recente tecnologia computacional para minimizar o erro humano e processar dados multidimensionais de forma eficiente8,9,10,11,12. Em particular, a aprendizagem profunda é amplamente utilizada para análise de imagens médicas, e vários métodos têm sido relatados para estimar a idade através da análise automática de radiografias para melhorar a precisão e a eficiência da estimativa da idade13,14,15,16,17,18,19,20. Por exemplo, Halabi et al.13 desenvolveram algoritmos de aprendizado de máquina baseados em redes neurais convolucionais (CNN) usando radiografias pediátricas da mão para estimar a idade dos ossos. Este estudo apresentou um modelo que aplicou aprendizado de máquina a imagens médicas e mostrou que essas técnicas podem auxiliar na precisão do diagnóstico. Li et al.14 estimaram a idade a partir de imagens radiográficas dos ossos pélvicos aplicando aprendizagem profunda CNN e compararam com os resultados da análise de regressão utilizando a avaliação dos estágios de ossificação. Eles descobriram que o modelo CNN de aprendizagem profunda mostrou o mesmo desempenho de estimativa de idade que o modelo de regressão convencional. Um estudo de Guo et al.15 avaliou o desempenho da classificação dos limites de idade legal aplicando a tecnologia CNN baseada em ortopantomogramas dentários, e o resultado do modelo CNN comprovou que os humanos superaram o desempenho da classificação etária.