机器学习辅助的5部分牙细分方法用于基于CBCT的成年人牙年龄估计
R Merdietio Boedi1, S Shepherd2, F Oscandar3
1Department of Dentistry, Faculty of Medicine, Universitas Diponegoro, Semarang, Indonesia.
The Journal of forensic odonto-stomatology
|May 14, 2024
概括
这项研究使用圆束计算机断层扫描 (CBCT) 和机器学习来估计成人牙科年龄. 最好的模型使用了大侧切口,达到4.86年的平均误差.
科学领域:
- 法医牙科 法医牙科
- 放射学 放射学是一门学科.
- 生物识别信息 生物识别信息
背景情况:
- 在成年人中使用形光束计算机断层扫描 (CBCT) 的体积数据进行牙科年龄估计 (DAE) 是一个不断发展的领域.
- 五部分牙分割 (SG) 方法提高了DAE的准确性.
- 对于DAE,研究了监督机器学习模型.
研究的目的:
- 用CBCT数据评估成人DAE监督机器学习模型的有效性.
- 将支持向量回归 (SVR) 和回归树模型与多重线性回归进行比较.
- 评估体积牙测量和性别作为时间年龄预测指标的有用性.
主要方法:
- 分析了99名患者 (20-59.99岁) 的CBCT扫描.
- 八十颗牙 (大,侧切口,中央切口) 被细分.
- 乳-牙体积比率,肉-牙体积比率,牙体积比率和性别被用作独立变量.
主要成果:
- 在预测变量中没有检测到多线性.
- 使用大侧切口的多项式内核的支向量回归 (SVR) 产生了最佳性能 (R2 = 0.73).
- 最佳模型的平均平均误差为4.86年,根平均平方误差为6.05年,尽管细分复杂且耗时.
结论:
- 机器学习,特别是具有多项式内核的SVR,对使用CBCT体积数据的成人DAE显示出希望.
- 大侧切口器是这个人群中时间年龄的有效预测器.
- 需要进一步改进,以优化细分技术并减少临床应用的劳动时间.
