Farklı Diş Yaşı Tahmin Yöntemlerinin Derin Öğrenme ile Karşılaştırılması: Willems, Cameriere-Avrupa, London Atlas

Abstract

Diş yaşı tahmini adli ve klinik diş hekimliği için önemli bir rol oynar. Bu çalışmada 5-16 yaş arasındaki Türk çocuklarının diş yaşının dört farklı yöntem ile tahminin değerlendirilmesi amaçlandı. Marmara Üniversitesi Diş Hekimliği Fakültesi Kliniklerine rutin diş muayenesi için başvuran 5-16 yaş arasında, tanısal olarak mükemmel kategoride panoramik radyografisi olan, sistemik hastalığı veya sendromu olmayan ve çalışmaya katılmayı kendisi ve ebeveyni kabul eden 1169 çocuk çalışmaya dahil edildi. Çocukların kronolojik yaşları hesaplandı, yaşları ve cinsiyet bilgileri kaydedildi. Çocukların diş yaşı Willems, Cameriere-Avrupa, London Atlas ve derin öğrenme yöntemleri ile belirlendi. İncelenen Evrişimli Sinir Ağı modelleri TensorFlow kütüphanesinde uygulandı. Çocukların kronolojik yaşları ile diş yaşı tahminleri arasında basit korelasyonlar ve sınıf içi korelasyonlar hesaplandı. Diş yaşı tahminlerindeki hatalara dayalı olarak Akaike Bilgi Ölçütü, Bayesian-Schwarz Kriteri, Kök Ortalama Kare Hatası ve determinasyon katsayısı değerleri üzerinden uygunluk kriterleri hesaplandı. Verilerin analizi SPSS Ver. 26.0 ve R 4.2.2. yazılımları ile istatistiksel anlamlılık düzeyi 0.05 kabul edilerek yapıldı. Dört yöntemin belirlediği diş yaşları ile kronolojik yaşlar arasında korelasyon gözlendi (p<0.001). Ancak, erkeklerde London Atlası (p=0.179) dışındaki yöntemlerle ve kızlarda (p<0.001) dört yöntemle ortalama diş yaş tahminleri arasında istatistiksel olarak anlamlı fark bulunmaktaydı. Kronolojik yaş ve yöntemler arasındaki sınıf içi korelasyon incelendiğinde, tüm yöntemlerde neredeyse mükemmel bir uyum gözlemlendi. Sonuç olarak London Atlası, yalnızca Türk erkek çocukların yaşını tahmin etmek için uygundur; fakat diğer yöntemler revize edilmelidir.

The estimation of dental age plays a crucial role in forensic and clinical dentistry. This study aimed to assess the prediction of dental age in Turkish children aged 5-16 years using four different methods. A total of 1169 children aged 5-16 years, who applied for routine dental examinations at the Marmara University Faculty of Dentistry Clinics, with panoramic radiographs categorized as diagnostically excellent, without systemic diseases or syndromes, and who voluntarily agreed to participate with their parents, were included in the study. The chronological ages of the children were calculated, and their ages and sex information were recorded. The dental age of the children was determined using the Willems, Cameriere-European, London Atlas, and deep learning methods. The Convolutional Neural Network models examined were implemented in the TensorFlow library. Simple correlations and intraclass correlations between children's chronological ages and dental age estimates were calculated. Goodness-of-fit criteria were calculated based on the errors in dental age estimates and the smallest possible values for the Akaike Information Criterion, the Bayesian-Schwarz Criterion, the Root Mean Squared Error, and the coefficient of determination value. The data analysis was conducted using SPSS Ver. 26.0 and R Version 4.2.2 software, with a statistical significance level accepted as 0.05. Simple correlations were observed between dental and chronological ages in all four methods (p<0.001). However, there was a statistically significant difference between the average dental age estimates of methods other than the London Atlas for boys (p=0.179) and the four methods for girls (p<0.001). When the intra-class correlation between chronological age and methods was examined, almost perfect agreement was observed in all methods. In conclusion, the London Atlas is only suitable for boys in predicting the age of Turkish children, and other methods need revision.