通过机器学习进行性预测,利用下肌,冠状体过程和西格莫体的特征
Isabela Bittencourt Basso1, Pedro Felipe de Jesus Freitas2, Aline Xavier Ferraz3,4
1Postgraduate Program in Dentistry, Pontifícia Universidade Católica do Paraná, Curitiba, Brazil.
PloS one
|November 15, 2024
概括
骨形态,包括冠状体过程,状体和西格状体,可以使用机器学习来预测性别. 在这项研究中,体和gnathion (Co-Gn) 之间的距离是关键预测因素.
科学领域:
- 法医人类学 法医人类学
- 生物识别信息 生物识别信息
- 医学成像分析 医学成像分析
背景情况:
- 在人类学和法医学上,下形态对于性别确定至关重要.
- 以前的研究已经探索了各种骨标记来预测性别,但先进的计算方法提供了新的可能性.
研究的目的:
- 通过使用监督机器学习算法,评估冠状体过程,状体和西格状体口形态在性别预测中的有效性.
- 从头脑测量放射图中确定性别确定最重要的形态变量.
主要方法:
- 分析了来自410个牙科记录的头脑测量放射图,重点关注冠状体过程,冠状体,西格,西格和Co-Gn距离.
- 应用七个机器学习算法:决策树,梯度提升分类器,K-最近邻居 (KNN),物流回归,多层感知子分类器,随机森林分类器和支持矢量机器 (SVM).
- 使用5倍交叉验证进行验证,使用包括AUC,准确性,回忆,精度和F1分数在内的性能指标.
主要成果:
- Co-Gn距离成为跨多个算法对性别预测最有影响力的变量.
- 在交叉验证和测试中,支持矢量机 (SVM),K-近邻 (KNN) 和梯度提升分类器表现出最高的性能 (AUC和精度).
- 模型性能不同,AUC在测试数据上从0.66到0.82不等,精度从0.68到0.83.
结论:
- 下的形态特征,特别是 Co-Gn 距离,结合机器学习,显示性预测的希望.
- 该研究强调了SVM,KNN和梯度增强分类器在此应用中的潜力.
- 由于研究的局限性,研究结果应谨慎解释,强调需要进一步研究.
