Потенциал метода синтетической передискретизации меньшинства для повышения точности определения пола: исследование искусственных нейронных сетей с помощью цефалометрии

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. При создании моделей, использующих искусственные нейронные сети, необходимо учитывать количество обучающих данных и их распределение, в частности, при прогнозировании пола.

Цель исследования ― определить потенциальную эффективность метода синтетической передискретизации меньшинства (synthetic minority oversampling technique, SMOTE) при определении пола умерших с помощью искусственной нейронной сети.

Материалы и методы. В данном исследовании использовали набор данных, состоящий из 297 цефалометрических измерений индонезийских пациентов (229 женщин и 68 мужчин). Для измерения определённых параметров, таких как угол SNA (Sella-Nation-Point A), длина нижней челюсти, угол нижней челюсти, угол SGA (Sella-Glabella-Point A), и диагностики использовали программу WebCeph. Обработку данных и создание искусственной нейронной сети выполняли на языке программирования Python.

Результаты. Точность определения пола с помощью искусственной нейронной сети составляет 87% для женщин и 0% для мужчин (в среднем 78%). При использовании SMOTE-алгоритма точность определения пола составляет 22% (0% для женщин, 37% для мужчин). Однако при использовании SMOTE-алгоритма в сочетании с нормализацией данных точность возрастает до 71% (82% для женщин, 30% для мужчин). Точность модели при нормализации данных без применения SMOTE составляет 76% (86% для женщин, 14% для мужчин).

Заключение. Данное исследование доказало эффективность SMOTE в улучшении классификации мужских матриц. Тем не менее результаты общей точности недостаточно оптимальны по сравнению с результатами, полученными без применения метода SMOTE и нормализации данных. Для достижения оптимальной точности в определении пола при использовании искусственных нейронных сетей и других параметров необходимо применение стратегий балансировки данных.

Об авторах

Vitria Wuri Handayani

Universitas Airlangga; Pontianak Polytechnic Health Ministry

Email: vitriawuri@gmail.com
ORCID iD: 0000-0002-5076-0118

MD, Medical Faculty; Nursing Department

Индонезия, Surabaya; Pontianak

Ahmad Yudianto

Universitas Airlangga

Автор, ответственный за переписку.
Email: ahmad-yudianto@fk.unair.ac.id
ORCID iD: 0000-0003-4754-768X

MD, PhD, Professor, Department of Forensics and Medicolegal, Faculty of Medicine; Magister of Forensic Sciences, Postgraduate School

Индонезия, Surabaya

MAR Mieke Sylvia

Univesitas Airlangga

Email: mieke-s-m-a-r@fkg.unair.ac.id
ORCID iD: 0000-0001-8821-0157

MD, PhD, Professor, Forensic Odontology Department, Dental Medical Faculty

Индонезия, Surabaya

Rulaningtyas Riries

Universitas Airlangga

Email: riries-r@fst.unair.ac.id
ORCID iD: 0000-0001-7058-1566

MD, Physics Department, Sains and Technology Faculty; Biomedical Department, Sains and Technology Faculty

Индонезия, Surabaya

Muhammad Rasyad Caesarardhi

Institut Teknologi Sepuluh Nopember

Email: mrasyadc@gmail.com
ORCID iD: 0000-0002-6986-0346

MD, Department of Information Systems

Индонезия, Surabaya

Ramadhan Putra

Universitas Airlangga

Email: ramadhan.hardani@fkg.unair.ac.id
ORCID iD: 0000-0002-0622-3892

MD, Department of Dentomaxillofacial Radiology, Faculty of Dental Medicine

Индонезия, Surabaya

Список литературы

  1. Tahir H. Book of abstracts: The 4th Indonesia International Symposium of Forensic Odontology "Incorporating recent advances and new technologies for delivering good evidence in forensic odontology". Amerta Media, 2023. P. 45.
  2. Subramanian A.K., Chen Y., Almalki A., et al. Cephalometric analysis in orthodontics using artificial intelligence: A comprehensive review // Biomed Res Int. 2022. Vol. 2022. P. 1880113. EDN: VCAUJB doi: 10.1155/2022/1880113
  3. Ruth M.S. Sefalometri radiografi dasar. Surabaya: Sagung Seto, 2013.
  4. Indra Sukmana B, Rijaldi F. Buku ajar kedokteran gigi forensik [Internet]. 2022. Vol. VI. P. 1–79. Available from: https://idndentist.com/article/93
  5. Taner L., Gursoy G., Uzuner F. Does gender have an effect on craniofacial measurements? // Turkish J Orthod. 2019. Vol. 32, N 2. P. 59–64. doi: 10.5152/TurkJOrthod.2019.18031
  6. Patil V., Vineetha R., Vatsa S., et al. Artificial neural network for gender determination using mandibular morphometric parameters: A comparative retrospective study // Cogent Eng. 2020. Vol. 7, N 1. P. 1–12. doi: 10.1080/23311916.2020.1723783
  7. Chen M., Chalita U., Saad W., et al. Artificial neural networks-based machine learning for wireless networks: A tutorial. // IEEE Commun Surv Tutorials. 2019. Vol. 21, N 4. P. 3039–3071. doi: 10.1109/COMST.2019.2926625
  8. Dastres R., Soori M. Artificial neural network systems // Int J Imaging Robot. 2021. Vol. 21, N 2. P. 13–25.
  9. Da Silva I.N., Hernane S.D., Andrade F.R., et al. Artificial neural networks: A practical course. Springer Nature: Switzerland, 2017. 252 р.
  10. Wu Y., Feng J. Development and application of artificial neural network // Wirel Pers Commun. 2018. Vol. 102, N 5. P. 1645–1656. doi: 10.1007/s11277-017-5224-x
  11. Elreedy D., Atiya A.F., Kamalov F. A theoretical distribution analysis of synthetic minority oversampling technique (SMOTE) for imbalanced learning // Mach Learn. 2023. Vol. 113, N 7. P. 4903–4923. EDN: KFIOLR doi: 10.1007/s10994-022-06296-4
  12. Handayani W.V., Yudianto A., Mieke Sylvia MAR., Rulaningtyas R. Classification of Indonesian adult forensic gender using cephalometric radiography with VGG16 and VGG19: A preliminary research // Acta Odontol Scand. 2024. N 83. P. 308–316. doi: 10.2340/aos.v83.40476
  13. Handayani V.W. Cephalometry radiology based on rrtificial intelligence model for predict gender determination in unidentified cranium. Universitas Airlangga, 2024.
  14. Hapsari R.K., Miswanto M., Rulaningtyas R., et al. Modified gray-level haralick texture features for early detection of diabetes mellitus and high cholesterol with iris image // Int J Biomed Imaging. 2022. Vol. 2022. P. 5336373. EDN: BVEODY doi: 10.1155/2022/5336373
  15. Satish B.N., Moolrajani C., Basnaker M., Kumar P. Dental sex dimorphism: Using odontometrics and digital jaw radiography // J Forensic Dent Sci. 2017. Vol. 9, N 1. P. 43. doi: 10.4103/jfo.jfds_78_15
  16. Arab M.A., Khankeh H.R., Mosadeghrad A.M., Farrokhi M. Developing a hospital disaster risk management evaluation model // Risk Manag Healthc Policy. 2019. N 12. P. 287–296. doi: 10.2147/RMHP.S215444
  17. Vahanwala S. Assessment of the effect of dimensions of the mandibular ramus and mental foramen on age and gender using digital panoramic radiographs: A retrospective study // Contemp Clin Dent. 2019. Vol. 9, N 3. P. 343–348. doi: 10.4103/ccd.ccd_26_18
  18. Tahir H. Book of abstracts: The 4th Indonesia International Symposium of Forensic Odontology "Incorporating recent advances and new technologies for delivering good evidence in forensic odontology". Amerta Media, 2023. P. 36–37.
  19. Bao H., Zhang K., Yu C., et al. Evaluating the accuracy of automated cephalometric analysis based on artificial intelligence // BMC Oral Health. 2023. Vol. 23, N 1. P. 191. doi: 10.1186/s12903-023-02881-8
  20. Ramezanzade S., Laurentiu T., Bakhshandah A., et al. The efficiency of artificial intelligence methods for finding radiographic features in different endodontic treatments: A systematic review // Acta Odontol Scand. 2022. Vol. 81, N 6. P. 422–435. doi: 10.1080/00016357.2022.2158929
  21. Shung K.P. Accuracy, precision, recall or F1? [Internet]. Towards Data Science. 2018 [2023 Sep 2]. Режим доступа: https://towardsdatascience.com/accuracy-precision-recall-or-f1-331fb37c5cb9. Дата обращения: 15.04.2024.
  22. Jeong S.H., Yun J.P., Yeom H.G., et al. Deep learning based discrimination of soft tissue profiles requiring orthognathic surgery by facial photographs // Sci Rep. 2020. Vol. 10, N 1. P. 16235. doi: 10.1038/s41598-020-73287-7
  23. Elreedy D., Atiya A.F. A comprehensive analysis of Synthetic Minority Oversampling Technique (SMOTE) for handling class imbalance // Inf Sci (Ny). 2019. N 505. P. 32–64. doi: 10.1016/j.ins.2019.07.070
  24. Duan F., Zhang S., Yan Y., Cai Z. An oversampling method of unbalanced data for mechanical fault diagnosis based on meanradius-SMOTE // Sensors. 2022. Vol. 22, N 14. P. 5166. EDN: PURYZO doi: 10.3390/s22145166
  25. Zhang K., Zhang Y., Wang M. A unified approach to interpreting model predictions scott // Nips. 2012. Vol. 16, N 3. P. 426–430. doi: 10.48550/arXiv.1705.07874
  26. Sikka A., Jain A. Sex determination of mandible: A morphological and morphometric analysis // Int J Contemp Med Res. 2016. Vol. 3, N 7. P. 1869–1872.
  27. Smart Energy and Electric Power Systems [Internet]. Pavithra V., Jayalakshmi V. Smart energy and electric power system: Current trends and new intelligent perspectives and introduction to ai and power system. Elsevier, 2023. P. 19–36. doi: 10.1016/B978-0-323-91664-6.00001-2
  28. Fan D.P., Zhang J., Xu G., et al. Salient objects in clutter // IEEE trans pattern anal mach intell. 2023. Vol. 45, N 2. P. 2344–2366. doi: 10.1109/TPAMI.2022.3166451

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Анализ цефалометрических параметров с помощью интерфейсного веб-приложения [13].

Скачать (192KB)
Метаданные
3. Рис. 2. График успешности обучения и проверки искусственной нейронной сети: a ― точность обучения и проверки без применения SMOTE и нормализации данных; b ― точность обучения и проверки с применением SMOTE, но без нормализации данных; c ― точность обучения и проверки с применением SMOTE и нормализацией данных; d ― точность обучения и проверки с нормализацией данных, но без применения SMOTE.

Скачать (244KB)
Метаданные
4. Рис. 3. График неудач при обучении и проверке искусственной нейронной сети: a ― потери при обучении и проверке без применения SMOTE и нормализации данных; b ― потери при обучении и проверке с применением SMOTE, но без нормализации данных; c ― потери при обучении и проверке с применением SMOTE и нормализацией данных; d ― потери при обучении и проверке с нормализацией данных, но без применения SMOTE.

Скачать (170KB)
Метаданные
5. Рис. 4. Модель SHapley Additive exPlanation: SHAP присваивает каждому признаку то или иное изменение в ожидаемом прогнозе при обработке этого признака.

Скачать (104KB)
Метаданные

© Эко-Вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».