Validation des modèles d'exploration de données par comparaison avec les méthodes conventionnelles d'estimation de l'âge dentaire chez les mineurs et les jeunes adultes coréens

Rapports scientifiques volume 13, Numéro d'article : 726 (2023) Citer cet article

1018 Accès

3 Altmétrique

Détails des métriques

Les dents sont connues pour être les indicateurs d’âge les plus précis du corps humain et sont fréquemment utilisées dans l’estimation médico-légale de l’âge. Notre objectif était de valider l'estimation de l'âge dentaire basée sur l'exploration de données, en comparant la précision de l'estimation et les performances de classification des seuils de 18 ans avec les méthodes conventionnelles et avec l'estimation de l'âge basée sur l'exploration de données. Au total, 2 657 radiographies panoramiques ont été recueillies auprès de populations coréennes et japonaises âgées de 15 à 23 ans. Ils ont été subdivisés en un ensemble de formation et de tests internes de 900 radiographies chacun provenant de Coréens, et un ensemble de tests externes de 857 radiographies provenant de Japonais. Nous avons comparé la précision et les performances de classification des ensembles de tests des méthodes conventionnelles avec celles des modèles d'exploration de données. La précision de la méthode conventionnelle avec l’ensemble de tests internes était légèrement supérieure à celle des modèles d’exploration de données, avec une légère différence (erreur absolue moyenne < 0,21 ans, erreur quadratique moyenne < 0,24 ans). Les performances de classification du seuil de 18 ans étaient également similaires entre la méthode conventionnelle et les modèles d'exploration de données. Ainsi, les méthodes conventionnelles peuvent être remplacées par des modèles d'exploration de données dans l'estimation médico-légale de l'âge en utilisant la deuxième et la troisième maturité molaire des mineurs et des jeunes adultes coréens.

L’estimation de l’âge dentaire est largement utilisée en médecine légale et en dentisterie pédiatrique. En particulier, l’estimation de l’âge à l’aide des stades de développement des dents est un critère important pour estimer l’âge des enfants et des adolescents, en raison de la forte corrélation entre l’âge chronologique et le développement des dents1,2,3. Cependant, dans le cas des jeunes adultes, l’estimation de l’âge dentaire avec la maturité des dents présente des limites car la croissance des dents est en grande partie terminée, à l’exception des troisièmes molaires. L’objectif juridique de l’estimation de l’âge des jeunes adultes et des adolescents est de fournir une estimation précise et des preuves scientifiques indiquant s’ils ont atteint l’âge de la majorité. Dans la pratique médico-légale coréenne des mineurs et des jeunes adultes, l'âge a été estimé à l'aide de la méthode de Lee4, et le seuil légal de 18 ans a été prédit à l'aide des données suggérées par Oh et al.5.

L'apprentissage automatique, un type d'intelligence artificielle (IA), apprend et catégorise à plusieurs reprises de grandes quantités de données, résout les problèmes par lui-même et induit la programmation des données. L’apprentissage automatique peut découvrir des modèles cachés utiles dans une grande quantité de données6. En revanche, les méthodes classiques, laborieuses et chronophages, peuvent avoir des limites lorsqu'il s'agit de traiter de grandes quantités de données complexes et difficiles à traiter manuellement7. Ainsi, de nombreuses études ont été menées récemment en utilisant les dernières technologies informatiques pour minimiser les erreurs humaines et traiter efficacement les données multidimensionnelles8,9,10,11,12. En particulier, l’apprentissage profond est largement utilisé pour l’analyse d’images médicales, et diverses méthodes ont été signalées pour estimer l’âge en analysant automatiquement les radiographies afin d’améliorer la précision et l’efficacité de l’estimation de l’âge13,14,15,16,17,18,19,20. Par exemple, Halabi et al.13 ont développé des algorithmes d’apprentissage automatique basés sur des réseaux neuronaux convolutifs (CNN) utilisant des radiographies des mains pédiatriques pour estimer l’âge des os. Cette étude a présenté un modèle appliquant l’apprentissage automatique aux images médicales et a montré que ces techniques peuvent contribuer à la précision du diagnostic. Li et al.14 ont estimé l'âge à partir d'images radiographiques des os pelviens en appliquant le CNN d'apprentissage profond et l'ont comparé aux résultats de l'analyse de régression utilisant l'évaluation des étapes d'ossification. Ils ont constaté que le modèle d’apprentissage profond CNN présentait les mêmes performances d’estimation de l’âge que le modèle de régression conventionnel. Une étude de Guo et al.15 a évalué les performances de classification des seuils d'âge légaux en appliquant la technologie CNN basée sur des orthopantomogrammes dentaires, et le résultat du modèle CNN a prouvé que les humains surpassaient ses performances de classification par âge.