端到端与人为定义的特征提取:比较深度学习方法使用下第三的年龄分类

科学领域:

• 法医牙科 法医牙科
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 准确的年龄分类对于法律和法医目的至关重要.
• 第3是年龄估计的关键指标,特别是在18岁以下或18岁以上的个体.
• 评估不同的年龄分类方法对于改善法医科学至关重要.

研究的目的:

• 为了比较传统基于人体的方法,端到端的深度学习和人类定义的特征提取的疗效,使用泰国下第三的放射图来进行年龄分类.
• 确定在法医背景下对年龄估计的最佳方法.

主要方法:

• 分析了来自14-23岁的个体的3,407张下第三杆放射图的数据集.
• 对比了三种方法:修改的德米尔吉安分类,端到端卷积神经网络 (CNN) 年龄预测,以及基于CNN的牙发育阶段估计年龄分类.
• 性能指标包括灵敏度,特异性和贝叶斯测试后概率.

主要成果:

• 传统方法具有高特异性 (0.99),但敏感性低 (0.45).
• 端到端的深度学习模型显示了提高的灵敏度 (0.65-0.74),具有良好的特异性 (0.91-0.95).
• 人类定义的特征提取方法实现了高特异性 (0.95-0.97) 和可解释性,灵敏度在0.51-0.56.

结论:

• 虽然传统的方法提供了高的特异性,但他们缺乏对年龄分类的敏感性.
• 深度学习方法,特别是人类定义的特征提取,为法医年龄估计提供了一个平衡和可解释的解决方案.
• 人类定义的特征提取方法显示了临床应用在年龄确定中的重大潜力.