കൊറിയൻ കൗമാരക്കാർക്കും യുവാക്കൾക്കും ഇടയിലുള്ള പരമ്പരാഗത ദന്ത പ്രായം കണക്കാക്കൽ രീതികൾക്കെതിരായ ഡാറ്റാ മൈനിംഗ് മോഡലിൻ്റെ മൂല്യനിർണ്ണയം

Nature.com സന്ദർശിച്ചതിന് നന്ദി.നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്രൗസറിൻ്റെ പതിപ്പിന് പരിമിതമായ CSS പിന്തുണയുണ്ട്.മികച്ച ഫലങ്ങൾക്കായി, നിങ്ങളുടെ ബ്രൗസറിൻ്റെ പുതിയ പതിപ്പ് ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ Internet Explorer-ൽ അനുയോജ്യത മോഡ് ഓഫാക്കുക).അതിനിടയിൽ, നിലവിലുള്ള പിന്തുണ ഉറപ്പാക്കാൻ, ഞങ്ങൾ സ്റ്റൈലിംഗോ JavaScript ഇല്ലാതെ സൈറ്റ് കാണിക്കുന്നു.
മനുഷ്യ ശരീരത്തിൻ്റെ പ്രായത്തിൻ്റെ ഏറ്റവും കൃത്യമായ സൂചകമായി പല്ലുകൾ കണക്കാക്കപ്പെടുന്നു, ഫോറൻസിക് പ്രായം വിലയിരുത്തുന്നതിൽ പലപ്പോഴും ഉപയോഗിക്കുന്നു.18 വർഷത്തെ ത്രെഷോൾഡിൻ്റെ ഏകദേശ കൃത്യതയും വർഗ്ഗീകരണ പ്രകടനവും പരമ്പരാഗത രീതികളും ഡാറ്റാ മൈനിംഗ് അടിസ്ഥാനമാക്കിയുള്ള പ്രായ കണക്കുകളും താരതമ്യം ചെയ്തുകൊണ്ട് ഡാറ്റാ മൈനിംഗ് അടിസ്ഥാനമാക്കിയുള്ള ഡെൻ്റൽ ഏജ് എസ്റ്റിമേറ്റുകൾ സാധൂകരിക്കാൻ ഞങ്ങൾ ലക്ഷ്യമിടുന്നു.15-നും 23-നും ഇടയിൽ പ്രായമുള്ള കൊറിയൻ, ജാപ്പനീസ് പൗരന്മാരിൽ നിന്ന് 2657 പനോരമിക് റേഡിയോഗ്രാഫുകൾ ശേഖരിച്ചു.അവ ഓരോന്നിലും 900 കൊറിയൻ റേഡിയോഗ്രാഫുകളും 857 ജാപ്പനീസ് റേഡിയോഗ്രാഫുകൾ അടങ്ങുന്ന ഒരു ഇൻ്റേണൽ ടെസ്റ്റ് സെറ്റും ഉൾപ്പെടുന്ന ഒരു പരിശീലന സെറ്റായി തിരിച്ചിരിക്കുന്നു.പരമ്പരാഗത രീതികളുടെ വർഗ്ഗീകരണ കൃത്യതയും കാര്യക്ഷമതയും ഞങ്ങൾ ഡാറ്റ മൈനിംഗ് മോഡലുകളുടെ ടെസ്റ്റ് സെറ്റുകളുമായി താരതമ്യം ചെയ്തു.ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ പരമ്പരാഗത രീതിയുടെ കൃത്യത ഡാറ്റാ മൈനിംഗ് മോഡലിനേക്കാൾ അൽപ്പം കൂടുതലാണ്, വ്യത്യാസം ചെറുതാണ് (അർത്ഥം സമ്പൂർണ്ണ പിശക് <0.21 വർഷം, റൂട്ട് ശരാശരി സ്ക്വയർ പിശക് <0.24 വർഷം).18 വർഷത്തെ കട്ട്ഓഫിൻ്റെ വർഗ്ഗീകരണ പ്രകടനവും പരമ്പരാഗത രീതികളും ഡാറ്റാ മൈനിംഗ് മോഡലുകളും തമ്മിൽ സമാനമാണ്.അതിനാൽ, കൊറിയൻ കൗമാരക്കാരിലും യുവാക്കളിലും രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ പക്വത ഉപയോഗിച്ച് ഫോറൻസിക് പ്രായം വിലയിരുത്തൽ നടത്തുമ്പോൾ പരമ്പരാഗത രീതികൾ ഡാറ്റ മൈനിംഗ് മോഡലുകൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കാം.
ഫോറൻസിക് മെഡിസിൻ, പീഡിയാട്രിക് ദന്തചികിത്സ എന്നിവയിൽ ഡെൻ്റൽ പ്രായം കണക്കാക്കൽ വ്യാപകമായി ഉപയോഗിക്കുന്നു.പ്രത്യേകിച്ചും, കാലാനുസൃതമായ പ്രായവും ദന്ത വികസനവും തമ്മിലുള്ള ഉയർന്ന പരസ്പരബന്ധം കാരണം, കുട്ടികളുടെയും കൗമാരക്കാരുടെയും പ്രായം വിലയിരുത്തുന്നതിനുള്ള ഒരു പ്രധാന മാനദണ്ഡമാണ് ദന്ത വികസന ഘട്ടങ്ങളിലൂടെയുള്ള പ്രായം വിലയിരുത്തൽ 1,2,3.എന്നിരുന്നാലും, യുവാക്കൾക്ക്, പല്ലിൻ്റെ പക്വതയെ അടിസ്ഥാനമാക്കി ദന്തപ്രായം കണക്കാക്കുന്നതിന് അതിൻ്റെ പരിമിതികളുണ്ട്, കാരണം ദന്ത വളർച്ച ഏതാണ്ട് പൂർത്തിയായി, മൂന്നാമത്തെ മോളാറുകൾ ഒഴികെ.യുവാക്കളുടെയും കൗമാരക്കാരുടെയും പ്രായം നിർണ്ണയിക്കുന്നതിൻ്റെ നിയമപരമായ ലക്ഷ്യം അവർ പ്രായപൂർത്തിയായിട്ടുണ്ടോ എന്നതിൻ്റെ കൃത്യമായ കണക്കുകളും ശാസ്ത്രീയ തെളിവുകളും നൽകുക എന്നതാണ്.കൊറിയയിലെ കൗമാരക്കാരുടെയും കൗമാരക്കാരുടെയും മെഡിക്കോ-ലീഗൽ പ്രാക്ടീസിൽ, ലീയുടെ രീതി ഉപയോഗിച്ച് പ്രായം കണക്കാക്കി, കൂടാതെ Oh et al 5 റിപ്പോർട്ട് ചെയ്ത ഡാറ്റയെ അടിസ്ഥാനമാക്കി 18 വർഷത്തെ നിയമപരമായ പരിധി പ്രവചിച്ചു.
മെഷീൻ ലേണിംഗ് എന്നത് ഒരു തരം ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) ആണ്, അത് വലിയ അളവിലുള്ള ഡാറ്റ ആവർത്തിച്ച് പഠിക്കുകയും തരംതിരിക്കുകയും ചെയ്യുന്നു, പ്രശ്‌നങ്ങൾ സ്വന്തമായി പരിഹരിക്കുന്നു, കൂടാതെ ഡാറ്റ പ്രോഗ്രാമിംഗിനെ നയിക്കുന്നു.മെഷീൻ ലേണിംഗിന് വലിയ അളവിലുള്ള ഡാറ്റയിൽ ഉപയോഗപ്രദമായ മറഞ്ഞിരിക്കുന്ന പാറ്റേണുകൾ കണ്ടെത്താനാകും6.നേരെമറിച്ച്, സ്വമേധയാ പ്രോസസ്സ് ചെയ്യാൻ പ്രയാസമുള്ള സങ്കീർണ്ണമായ ഡാറ്റയുടെ വലിയ അളവുകൾ കൈകാര്യം ചെയ്യുമ്പോൾ, അധ്വാനവും സമയമെടുക്കുന്നതുമായ ക്ലാസിക്കൽ രീതികൾക്ക് പരിമിതികളുണ്ടായേക്കാം7.അതിനാൽ, മനുഷ്യ പിശകുകൾ കുറയ്ക്കുന്നതിനും മൾട്ടി-ഡൈമൻഷണൽ ഡാറ്റ കാര്യക്ഷമമായി പ്രോസസ്സ് ചെയ്യുന്നതിനുമായി ഏറ്റവും പുതിയ കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് നിരവധി പഠനങ്ങൾ അടുത്തിടെ നടത്തിയിട്ടുണ്ട്.പ്രത്യേകിച്ചും, മെഡിക്കൽ ഇമേജ് വിശകലനത്തിൽ ആഴത്തിലുള്ള പഠനം വ്യാപകമായി ഉപയോഗിച്ചുവരുന്നു, കൂടാതെ റേഡിയോഗ്രാഫുകൾ സ്വയമേവ വിശകലനം ചെയ്തുകൊണ്ട് പ്രായം കണക്കാക്കുന്നതിനുള്ള വിവിധ രീതികൾ പ്രായം കണക്കാക്കലിൻ്റെ കൃത്യതയും കാര്യക്ഷമതയും മെച്ചപ്പെടുത്തുന്നതിന് റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുണ്ട്. .ഉദാഹരണത്തിന്, കുട്ടികളുടെ കൈകളുടെ റേഡിയോഗ്രാഫുകൾ ഉപയോഗിച്ച് എല്ലിൻറെ പ്രായം കണക്കാക്കാൻ ഹലാബി മറ്റുള്ളവരും 13 കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ (CNN) അടിസ്ഥാനമാക്കി ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം വികസിപ്പിച്ചെടുത്തു.ഈ പഠനം മെഡിക്കൽ ഇമേജുകളിൽ മെഷീൻ ലേണിംഗ് പ്രയോഗിക്കുന്ന ഒരു മാതൃക നിർദ്ദേശിക്കുകയും ഈ രീതികൾക്ക് ഡയഗ്നോസ്റ്റിക് കൃത്യത മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് കാണിക്കുകയും ചെയ്യുന്നു.ലി എറ്റ് 14 ആഴത്തിലുള്ള പഠന സിഎൻഎൻ ഉപയോഗിച്ച് പെൽവിക് എക്സ്-റേ ഇമേജുകളിൽ നിന്ന് പ്രായം കണക്കാക്കുകയും ഓസിഫിക്കേഷൻ സ്റ്റേജ് എസ്റ്റിമേഷൻ ഉപയോഗിച്ച് റിഗ്രഷൻ ഫലങ്ങളുമായി താരതമ്യം ചെയ്യുകയും ചെയ്തു.ഡീപ് ലേണിംഗ് സിഎൻഎൻ മോഡൽ പരമ്പരാഗത റിഗ്രഷൻ മോഡലിൻ്റെ അതേ പ്രായ വിലയിരുത്തൽ പ്രകടനമാണ് കാണിക്കുന്നതെന്ന് അവർ കണ്ടെത്തി.Guo et al. ൻ്റെ പഠനം [15] ഡെൻ്റൽ ഓർത്തോഫോട്ടോകളെ അടിസ്ഥാനമാക്കിയുള്ള CNN സാങ്കേതികവിദ്യയുടെ പ്രായ സഹിഷ്ണുത വർഗ്ഗീകരണ പ്രകടനം വിലയിരുത്തി, CNN മോഡലിൻ്റെ ഫലങ്ങൾ മനുഷ്യർ അതിൻ്റെ പ്രായ വർഗ്ഗീകരണ പ്രകടനത്തെ മറികടക്കുന്നുവെന്ന് തെളിയിച്ചു.
മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് പ്രായം കണക്കാക്കുന്നതിനെക്കുറിച്ചുള്ള മിക്ക പഠനങ്ങളും ആഴത്തിലുള്ള പഠന രീതികൾ ഉപയോഗിക്കുന്നു13,14,15,16,17,18,19,20.ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായം കണക്കാക്കുന്നത് പരമ്പരാഗത രീതികളേക്കാൾ കൂടുതൽ കൃത്യമാണെന്ന് റിപ്പോർട്ട് ചെയ്യപ്പെടുന്നു.എന്നിരുന്നാലും, ഈ സമീപനം, എസ്റ്റിമേറ്റുകളിൽ ഉപയോഗിച്ചിരിക്കുന്ന പ്രായ സൂചകങ്ങൾ പോലെയുള്ള പ്രായം കണക്കാക്കുന്നതിനുള്ള ശാസ്ത്രീയ അടിസ്ഥാനം അവതരിപ്പിക്കാൻ ചെറിയ അവസരം നൽകുന്നു.ആരാണ് പരിശോധന നടത്തുന്നത് എന്ന കാര്യത്തിലും നിയമ തർക്കമുണ്ട്.അതിനാൽ, ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായം കണക്കാക്കുന്നത് അഡ്മിനിസ്ട്രേറ്റീവ്, ജുഡീഷ്യൽ അധികാരികൾക്ക് അംഗീകരിക്കാൻ പ്രയാസമാണ്.6,21,22 വലിയ അളവിലുള്ള ഡാറ്റകൾ തമ്മിലുള്ള ഉപയോഗപ്രദമായ പരസ്പര ബന്ധങ്ങൾ കണ്ടെത്തുന്നതിനുള്ള ഒരു മാർഗ്ഗമെന്ന നിലയിൽ പ്രതീക്ഷിക്കുന്ന മാത്രമല്ല, അപ്രതീക്ഷിതമായ വിവരങ്ങളും കണ്ടെത്താൻ കഴിയുന്ന ഒരു സാങ്കേതികതയാണ് ഡാറ്റാ മൈനിംഗ് (DM).ഡാറ്റാ മൈനിംഗിൽ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കാറുണ്ട്, ഡാറ്റാ മൈനിംഗും മെഷീൻ ലേണിംഗും ഡാറ്റയിലെ പാറ്റേണുകൾ കണ്ടെത്തുന്നതിന് ഒരേ കീ അൽഗോരിതം ഉപയോഗിക്കുന്നു.ഡെൻ്റൽ ഡെവലപ്‌മെൻ്റ് ഉപയോഗിച്ചുള്ള പ്രായം കണക്കാക്കുന്നത് ടാർഗെറ്റ് പല്ലുകളുടെ പക്വതയെക്കുറിച്ചുള്ള പരിശോധകൻ്റെ വിലയിരുത്തലിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, കൂടാതെ ഈ വിലയിരുത്തൽ ഓരോ ടാർഗെറ്റ് പല്ലിൻ്റെയും ഒരു ഘട്ടമായി പ്രകടിപ്പിക്കുന്നു.ഡെൻ്റൽ അസസ്‌മെൻ്റ് ഘട്ടവും യഥാർത്ഥ പ്രായവും തമ്മിലുള്ള പരസ്പരബന്ധം വിശകലനം ചെയ്യാൻ DM ഉപയോഗിക്കാം, കൂടാതെ പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം മാറ്റിസ്ഥാപിക്കാനുള്ള കഴിവുമുണ്ട്.അതിനാൽ, പ്രായപരിധി കണക്കാക്കുന്നതിന് ഞങ്ങൾ DM ടെക്നിക്കുകൾ പ്രയോഗിക്കുകയാണെങ്കിൽ, നിയമപരമായ ബാധ്യതയെക്കുറിച്ച് ആകുലപ്പെടാതെ, ഫോറൻസിക് പ്രായം കണക്കാക്കലിൽ മെഷീൻ ലേണിംഗ് നടപ്പിലാക്കാൻ കഴിയും.ഫോറൻസിക് പ്രാക്ടീസിൽ ഉപയോഗിക്കുന്ന പരമ്പരാഗത മാനുവൽ രീതികൾക്കും ഡെൻ്റൽ പ്രായം നിർണ്ണയിക്കുന്നതിനുള്ള EBM അധിഷ്ഠിത രീതികൾക്കും സാധ്യമായ ബദലുകളെ കുറിച്ച് നിരവധി താരതമ്യ പഠനങ്ങൾ പ്രസിദ്ധീകരിച്ചിട്ടുണ്ട്.പരമ്പരാഗത കാമറർ ഫോർമുലയേക്കാൾ ഡിഎം മോഡൽ കൂടുതൽ കൃത്യതയുള്ളതാണെന്ന് ഷെൻ et al23 കാണിച്ചു.Demirdjian criterion25 അനുസരിച്ച് പ്രായം പ്രവചിക്കാൻ Galibourg et al24 വ്യത്യസ്‌ത DM രീതികൾ പ്രയോഗിച്ചു, ഫ്രഞ്ച് ജനസംഖ്യയുടെ പ്രായം കണക്കാക്കുന്നതിൽ DM രീതി ഡെമിർഡ്‌ജിയൻ, വില്ലെംസ് രീതികളെ മറികടക്കുന്നതായി ഫലങ്ങൾ കാണിക്കുന്നു.
കൊറിയൻ കൗമാരക്കാരുടെയും യുവാക്കളുടെയും ദന്തപ്രായം കണക്കാക്കാൻ, കൊറിയൻ ഫോറൻസിക് പ്രാക്ടീസിൽ ലീയുടെ രീതി 4 വ്യാപകമായി ഉപയോഗിക്കുന്നു.കൊറിയൻ വിഷയങ്ങളും കാലക്രമത്തിലുള്ള പ്രായവും തമ്മിലുള്ള ബന്ധം പരിശോധിക്കുന്നതിന് ഈ രീതി പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം (മൾപ്പിൾ റിഗ്രഷൻ പോലുള്ളവ) ഉപയോഗിക്കുന്നു.ഈ പഠനത്തിൽ, പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ ഉപയോഗിച്ച് ലഭിച്ച പ്രായം കണക്കാക്കൽ രീതികൾ "പരമ്പരാഗത രീതികൾ" എന്ന് നിർവചിച്ചിരിക്കുന്നു.ലീയുടെ രീതി ഒരു പരമ്പരാഗത രീതിയാണ്, അതിൻ്റെ കൃത്യത Oh et al സ്ഥിരീകരിച്ചു.5;എന്നിരുന്നാലും, കൊറിയൻ ഫോറൻസിക് പ്രാക്ടീസിലെ DM മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായം കണക്കാക്കുന്നതിൻ്റെ പ്രയോഗക്ഷമത ഇപ്പോഴും സംശയാസ്പദമാണ്.DM മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായപരിധി കണക്കാക്കുന്നതിനുള്ള സാധ്യതയെ ശാസ്ത്രീയമായി സാധൂകരിക്കുക എന്നതായിരുന്നു ഞങ്ങളുടെ ലക്ഷ്യം.ഈ പഠനത്തിൻ്റെ ഉദ്ദേശ്യം (1) ഡെൻ്റൽ പ്രായം കണക്കാക്കുന്നതിൽ രണ്ട് ഡിഎം മോഡലുകളുടെ കൃത്യത താരതമ്യം ചെയ്യുക, (2) 18 വയസ്സുള്ളപ്പോൾ 7 ഡിഎം മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ ഉപയോഗിച്ച് നേടിയവയുമായി താരതമ്യം ചെയ്യുക എന്നതായിരുന്നു രണ്ടാമത്തെ മെച്യൂരിറ്റി രണ്ട് താടിയെല്ലുകളിലും മൂന്നാമത്തെ മോളറുകളും.
ഘട്ടവും പല്ലിൻ്റെ തരവും അനുസരിച്ച് കാലക്രമത്തിലുള്ള പ്രായത്തിൻ്റെ മാർഗങ്ങളും സ്റ്റാൻഡേർഡ് വ്യതിയാനങ്ങളും സപ്ലിമെൻ്ററി ടേബിൾ എസ് 1 (പരിശീലന സെറ്റ്), സപ്ലിമെൻ്ററി ടേബിൾ എസ് 2 (ആന്തരിക ടെസ്റ്റ് സെറ്റ്), സപ്ലിമെൻ്ററി ടേബിൾ എസ് 3 (ബാഹ്യ ടെസ്റ്റ് സെറ്റ്) എന്നിവയിൽ ഓൺലൈനിൽ കാണിച്ചിരിക്കുന്നു.പരിശീലന സെറ്റിൽ നിന്ന് ലഭിച്ച ഇൻട്രാ, ഇൻ്റർഒബ്സർവർ വിശ്വാസ്യതയ്ക്കുള്ള കപ്പ മൂല്യങ്ങൾ യഥാക്രമം 0.951 ഉം 0.947 ഉം ആയിരുന്നു.P മൂല്യങ്ങളും കപ്പ മൂല്യങ്ങൾക്കായുള്ള 95% ആത്മവിശ്വാസ ഇടവേളകളും ഓൺലൈൻ സപ്ലിമെൻ്ററി പട്ടിക S4-ൽ കാണിച്ചിരിക്കുന്നു.കപ്പ മൂല്യം "ഏതാണ്ട് തികഞ്ഞത്" എന്ന് വ്യാഖ്യാനിക്കപ്പെട്ടു, ഇത് ലാൻഡിസിൻ്റെയും കൊച്ച് 26 ൻ്റെയും മാനദണ്ഡങ്ങളുമായി പൊരുത്തപ്പെടുന്നു.
ശരാശരി സമ്പൂർണ്ണ പിശക് (MAE) താരതമ്യം ചെയ്യുമ്പോൾ, മൾട്ടി ലെയർ പെർസെപ്‌ട്രോൺ (MLP) ഒഴികെ, എല്ലാ ലിംഗങ്ങൾക്കും ബാഹ്യ പുരുഷ ടെസ്റ്റ് സെറ്റിലും പരമ്പരാഗത രീതി DM മോഡലിനെ ചെറുതായി മറികടക്കുന്നു.ആന്തരിക MAE ടെസ്റ്റ് സെറ്റിലെ പരമ്പരാഗത മോഡലും DM മോഡലും തമ്മിലുള്ള വ്യത്യാസം പുരുഷന്മാർക്ക് 0.12-0.19 വർഷവും സ്ത്രീകൾക്ക് 0.17-0.21 വർഷവുമാണ്.ബാഹ്യ ടെസ്റ്റ് ബാറ്ററിക്ക്, വ്യത്യാസങ്ങൾ ചെറുതാണ് (പുരുഷന്മാർക്ക് 0.001-0.05 വർഷവും സ്ത്രീകൾക്ക് 0.05-0.09 വർഷവും).കൂടാതെ, റൂട്ട് ശരാശരി സ്ക്വയർ പിശക് (RMSE) പരമ്പരാഗത രീതിയേക്കാൾ അല്പം കുറവാണ്, ചെറിയ വ്യത്യാസങ്ങൾ (പുരുഷ ആന്തരിക ടെസ്റ്റ് സെറ്റിന് 0.17-0.24, 0.2-0.24, കൂടാതെ ബാഹ്യ ടെസ്റ്റ് സെറ്റിന് 0.03-0.07, 0.04-0.08).).സ്ത്രീ ബാഹ്യ ടെസ്റ്റ് സെറ്റിൻ്റെ കാര്യത്തിൽ ഒഴികെ, സിംഗിൾ ലെയർ പെർസെപ്‌ട്രോണിനേക്കാൾ (SLP) അൽപ്പം മെച്ചപ്പെട്ട പ്രകടനം MLP കാണിക്കുന്നു.MAE, RMSE എന്നിവയ്‌ക്ക്, എല്ലാ ലിംഗക്കാർക്കും മോഡലുകൾക്കുമുള്ള ആന്തരിക ടെസ്റ്റ് സെറ്റിനേക്കാൾ ബാഹ്യ ടെസ്റ്റ് സെറ്റ് സ്കോറുകൾ കൂടുതലാണ്.എല്ലാ MAE, RMSE എന്നിവയും പട്ടിക 1-ലും ചിത്രം 1-ലും കാണിച്ചിരിക്കുന്നു.
പരമ്പരാഗത, ഡാറ്റാ മൈനിംഗ് റിഗ്രഷൻ മോഡലുകളുടെ MAE, RMSE.ശരാശരി സമ്പൂർണ്ണ പിശക് MAE, റൂട്ട് ശരാശരി ചതുര പിശക് RMSE, സിംഗിൾ ലെയർ പെർസെപ്‌ട്രോൺ SLP, മൾട്ടി ലെയർ പെർസെപ്‌ട്രോൺ MLP, പരമ്പരാഗത CM രീതി.
സംവേദനക്ഷമത, പ്രത്യേകത, പോസിറ്റീവ് പ്രവചന മൂല്യം (PPV), നെഗറ്റീവ് പ്രവചന മൂല്യം (NPV), റിസീവർ ഓപ്പറേറ്റിംഗ് സ്വഭാവ കർവ് (AUROC) കീഴിലുള്ള ഏരിയ എന്നിവയുടെ അടിസ്ഥാനത്തിൽ പരമ്പരാഗത, DM മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം (18 വർഷത്തെ കട്ട്ഓഫ് ഉള്ളത്) പ്രകടമാക്കി. 27 (പട്ടിക 2, ചിത്രം 2, സപ്ലിമെൻ്ററി ചിത്രം 1 ഓൺലൈനിൽ).ആന്തരിക ടെസ്റ്റ് ബാറ്ററിയുടെ സംവേദനക്ഷമതയുടെ കാര്യത്തിൽ, പരമ്പരാഗത രീതികൾ പുരുഷന്മാരിൽ മികച്ചതും സ്ത്രീകളിൽ മോശവുമാണ്.എന്നിരുന്നാലും, പരമ്പരാഗത രീതികളും എസ്ഡിയും തമ്മിലുള്ള വർഗ്ഗീകരണ പ്രകടനത്തിലെ വ്യത്യാസം പുരുഷന്മാർക്ക് (MLP) 9.7% ആണ്, സ്ത്രീകൾക്ക് 2.4% മാത്രമാണ് (XGBoost).ഡിഎം മോഡലുകളിൽ, ലോജിസ്റ്റിക് റിഗ്രഷൻ (എൽആർ) രണ്ട് ലിംഗങ്ങളിലും മികച്ച സംവേദനക്ഷമത കാണിച്ചു.ഇൻ്റേണൽ ടെസ്റ്റ് സെറ്റിൻ്റെ പ്രത്യേകതയെ സംബന്ധിച്ച്, നാല് SD മോഡലുകൾ പുരുഷന്മാരിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു, അതേസമയം പരമ്പരാഗത മോഡൽ സ്ത്രീകളിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു.പുരുഷന്മാരുടെയും സ്ത്രീകളുടെയും വർഗ്ഗീകരണ പ്രകടനത്തിലെ വ്യത്യാസങ്ങൾ യഥാക്രമം 13.3% (MLP) ഉം 13.1% (MLP) ഉം ആണ്, മോഡലുകൾ തമ്മിലുള്ള വർഗ്ഗീകരണ പ്രകടനത്തിലെ വ്യത്യാസം സംവേദനക്ഷമതയെ കവിയുന്നുവെന്ന് സൂചിപ്പിക്കുന്നു.DM മോഡലുകളിൽ, സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (SVM), ഡിസിഷൻ ട്രീ (DT), റാൻഡം ഫോറസ്റ്റ് (RF) മോഡലുകൾ പുരുഷന്മാരിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു, അതേസമയം LR മോഡൽ സ്ത്രീകൾക്കിടയിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു.പരമ്പരാഗത മോഡലിൻ്റെയും എല്ലാ SD മോഡലുകളുടെയും AUROC പുരുഷന്മാരിൽ 0.925 (കെ-അടുത്ത അയൽക്കാരൻ (KNN)) യിൽ കൂടുതലായിരുന്നു, 18 വർഷം പഴക്കമുള്ള സാമ്പിളുകളെ വിവേചനം കാണിക്കുന്നതിൽ മികച്ച വർഗ്ഗീകരണ പ്രകടനം പ്രകടമാക്കുന്നു.ബാഹ്യ ടെസ്റ്റ് സെറ്റിന്, ആന്തരിക ടെസ്റ്റ് സെറ്റുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ സെൻസിറ്റിവിറ്റി, പ്രത്യേകത, AUROC എന്നിവയുടെ അടിസ്ഥാനത്തിൽ വർഗ്ഗീകരണ പ്രകടനത്തിൽ കുറവുണ്ടായി.മാത്രമല്ല, മികച്ചതും മോശവുമായ മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം തമ്മിലുള്ള സെൻസിറ്റിവിറ്റിയിലും പ്രത്യേകതയിലും ഉള്ള വ്യത്യാസം 10% മുതൽ 25% വരെയാണ്, കൂടാതെ ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ വ്യത്യാസത്തേക്കാൾ വലുതായിരുന്നു.
18 വർഷത്തെ കട്ട്ഓഫ് ഉള്ള പരമ്പരാഗത രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഡാറ്റ മൈനിംഗ് ക്ലാസിഫിക്കേഷൻ മോഡലുകളുടെ സെൻസിറ്റിവിറ്റിയും പ്രത്യേകതയും.KNN k അടുത്തുള്ള അയൽക്കാരൻ, SVM സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ, LR ലോജിസ്റ്റിക് റിഗ്രഷൻ, DT ഡിസിഷൻ ട്രീ, RF റാൻഡം ഫോറസ്റ്റ്, XGB XGBoost, MLP മൾട്ടി ലെയർ പെർസെപ്‌ട്രോൺ, പരമ്പരാഗത CM രീതി.
ഈ പഠനത്തിൻ്റെ ആദ്യ പടി, ഏഴ് ഡിഎം മോഡലുകളിൽ നിന്ന് ലഭിച്ച ഡെൻ്റൽ പ്രായം കണക്കാക്കുന്നതിൻ്റെ കൃത്യത പരമ്പരാഗത റിഗ്രഷൻ ഉപയോഗിച്ച് ലഭിച്ചവയുമായി താരതമ്യം ചെയ്യുക എന്നതാണ്.MAE, RMSE എന്നിവ രണ്ട് ലിംഗക്കാർക്കുമുള്ള ആന്തരിക ടെസ്റ്റ് സെറ്റുകളിൽ വിലയിരുത്തി, പരമ്പരാഗത രീതിയും DM മോഡലും തമ്മിലുള്ള വ്യത്യാസം MAE-യ്ക്ക് 44 മുതൽ 77 ദിവസം വരെയും RMSE-യ്ക്ക് 62 മുതൽ 88 ദിവസം വരെയുമാണ്.ഈ പഠനത്തിൽ പരമ്പരാഗത രീതി കുറച്ചുകൂടി കൃത്യതയുള്ളതാണെങ്കിലും, അത്തരം ചെറിയ വ്യത്യാസത്തിന് ക്ലിനിക്കൽ അല്ലെങ്കിൽ പ്രായോഗിക പ്രാധാന്യം ഉണ്ടോ എന്ന് നിഗമനം ചെയ്യാൻ പ്രയാസമാണ്.DM മോഡൽ ഉപയോഗിച്ചുള്ള ദന്ത പ്രായം കണക്കാക്കുന്നതിൻ്റെ കൃത്യത പരമ്പരാഗത രീതിയുടെ ഏതാണ്ട് തുല്യമാണെന്ന് ഈ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു.മുമ്പത്തെ പഠനങ്ങളിൽ നിന്നുള്ള ഫലങ്ങളുമായി നേരിട്ട് താരതമ്യം ചെയ്യുന്നത് ബുദ്ധിമുട്ടാണ്, കാരണം ഈ പഠനത്തിലെ അതേ പ്രായപരിധിയിൽ പല്ലുകൾ രേഖപ്പെടുത്തുന്നതിനുള്ള അതേ സാങ്കേതികത ഉപയോഗിച്ച് ഒരു പഠനവും പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികളുമായി DM മോഡലുകളുടെ കൃത്യത താരതമ്യം ചെയ്തിട്ടില്ല.ഗാലിബർഗ് et al24, MAE, RMSE എന്നിവയെ രണ്ട് പരമ്പരാഗത രീതികളും (ഡെമിർജിയൻ രീതി25, വില്ലെംസ് രീതി29) 2 മുതൽ 24 വയസ്സുവരെയുള്ള ഫ്രഞ്ച് ജനസംഖ്യയിൽ 10 DM മോഡലുകളും തമ്മിൽ താരതമ്യം ചെയ്തു.എല്ലാ ഡിഎം മോഡലുകളും പരമ്പരാഗത രീതികളേക്കാൾ കൃത്യതയുള്ളതാണെന്ന് അവർ റിപ്പോർട്ട് ചെയ്തു, വില്ലെംസ്, ഡെമിർഡ്ജിയൻ രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ യഥാക്രമം MAE-യിൽ 0.20, 0.38 വർഷവും RMSE-യിൽ 0.25, 0.47 വർഷവും വ്യത്യാസമുണ്ട്.ഹാലിബർഗ് പഠനത്തിൽ കാണിച്ചിരിക്കുന്ന SD മോഡലും പരമ്പരാഗത രീതികളും തമ്മിലുള്ള പൊരുത്തക്കേട് 30,31,32,33 റിപ്പോർട്ടുകൾ കണക്കിലെടുക്കുന്നു, പഠനം അടിസ്ഥാനമാക്കിയുള്ള ഫ്രഞ്ച് കനേഡിയൻ ഒഴികെയുള്ള ജനസംഖ്യയിൽ ഡെമിർജിയൻ രീതി ദന്തപ്രായം കൃത്യമായി കണക്കാക്കുന്നില്ല.ഈ പഠനത്തിൽ.1636 ചൈനീസ് ഓർത്തോഡോണ്ടിക് ഫോട്ടോഗ്രാഫുകളിൽ നിന്ന് പല്ലിൻ്റെ പ്രായം പ്രവചിക്കാൻ Tai et al 34 MLP അൽഗോരിതം ഉപയോഗിക്കുകയും അതിൻ്റെ കൃത്യത ഡെമിർജിയൻ, വില്ലെംസ് രീതിയുടെ ഫലങ്ങളുമായി താരതമ്യം ചെയ്യുകയും ചെയ്തു.പരമ്പരാഗത രീതികളേക്കാൾ എംഎൽപിക്ക് ഉയർന്ന കൃത്യതയുണ്ടെന്ന് അവർ റിപ്പോർട്ട് ചെയ്തു.ഡെമിർഡ്ജിയൻ രീതിയും പരമ്പരാഗത രീതിയും തമ്മിലുള്ള വ്യത്യാസം <0.32 വർഷമാണ്, വില്ലെംസ് രീതി 0.28 വർഷമാണ്, ഇത് നിലവിലെ പഠനത്തിൻ്റെ ഫലത്തിന് സമാനമാണ്.ഈ മുൻ പഠനങ്ങളുടെ ഫലങ്ങളും 24,34 നിലവിലെ പഠനത്തിൻ്റെ ഫലങ്ങളുമായി പൊരുത്തപ്പെടുന്നു, കൂടാതെ DM മോഡലിൻ്റെയും പരമ്പരാഗത രീതിയുടെയും പ്രായം കണക്കാക്കൽ കൃത്യതയും സമാനമാണ്.എന്നിരുന്നാലും, അവതരിപ്പിച്ച ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, മുൻകാല പഠനങ്ങളുടെ താരതമ്യവും റഫറൻസും ഇല്ലാത്തതിനാൽ, പ്രായം കണക്കാക്കാൻ ഡിഎം മോഡലുകളുടെ ഉപയോഗം നിലവിലുള്ള രീതികളെ മാറ്റിസ്ഥാപിക്കാമെന്ന് ജാഗ്രതയോടെ മാത്രമേ ഞങ്ങൾക്ക് നിഗമനം ചെയ്യാൻ കഴിയൂ.ഈ പഠനത്തിൽ ലഭിച്ച ഫലങ്ങൾ സ്ഥിരീകരിക്കുന്നതിന് വലിയ സാമ്പിളുകൾ ഉപയോഗിച്ചുള്ള തുടർ പഠനങ്ങൾ ആവശ്യമാണ്.
ഡെൻ്റൽ പ്രായം കണക്കാക്കുന്നതിൽ SD യുടെ കൃത്യത പരിശോധിക്കുന്ന പഠനങ്ങളിൽ ചിലത് ഞങ്ങളുടെ പഠനത്തേക്കാൾ ഉയർന്ന കൃത്യത കാണിച്ചു.2.7 മുതൽ 20.5 വയസ്സ് വരെ പ്രായമുള്ള 976 ചെക്ക് നിവാസികളുടെ പനോരമിക് റേഡിയോഗ്രാഫുകളിൽ സ്റ്റെപനോവ്സ്കി et al 35 22 SD മോഡലുകൾ പ്രയോഗിക്കുകയും ഓരോ മോഡലിൻ്റെയും കൃത്യത പരിശോധിക്കുകയും ചെയ്തു.Moorrees et al 36 നിർദ്ദേശിച്ച വർഗ്ഗീകരണ മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് അവർ ആകെ 16 മുകളിലും താഴെയുമുള്ള ഇടത് സ്ഥിരമായ പല്ലുകളുടെ വികസനം വിലയിരുത്തി.MAE 0.64 മുതൽ 0.94 വർഷം വരെയും RMSE 0.85 മുതൽ 1.27 വർഷം വരെയും ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന രണ്ട് DM മോഡലുകളേക്കാൾ കൃത്യതയുള്ളതാണ്.5 മുതൽ 13 വയസ്സുവരെയുള്ള കിഴക്കൻ ചൈനീസ് നിവാസികളിൽ ഇടത് മാൻഡിബിളിലെ ഏഴ് സ്ഥിരമായ പല്ലുകളുടെ ദന്ത പ്രായം കണക്കാക്കാൻ ഷെൻ et al23 Cameriere രീതി ഉപയോഗിച്ചു, ലീനിയർ റിഗ്രഷൻ, SVM, RF എന്നിവ ഉപയോഗിച്ച് കണക്കാക്കിയ പ്രായവുമായി താരതമ്യം ചെയ്തു.പരമ്പരാഗത Cameriere ഫോർമുലയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മൂന്ന് DM മോഡലുകൾക്കും ഉയർന്ന കൃത്യതയുണ്ടെന്ന് അവർ കാണിച്ചു.ഷെൻ്റെ പഠനത്തിലെ MAE, RMSE എന്നിവ ഈ പഠനത്തിലെ ഡിഎം മോഡലിനെ അപേക്ഷിച്ച് കുറവാണ്.സ്റ്റെപനോവ്സ്കി മറ്റുള്ളവരുടെ പഠനങ്ങളുടെ വർദ്ധിച്ച കൃത്യത.35, ഷെൻ തുടങ്ങിയവർ.23 വയസ്സ് പ്രായമുള്ളവരെ അവരുടെ പഠന സാമ്പിളുകളിൽ ഉൾപ്പെടുത്തിയതുകൊണ്ടാകാം.ഡെൻ്റൽ ഡെവലപ്‌മെൻ്റ് സമയത്ത് പല്ലുകളുടെ എണ്ണം വർദ്ധിക്കുന്നതിനനുസരിച്ച് പല്ലുകൾ വികസിക്കുന്ന പങ്കാളികളുടെ പ്രായം കണക്കാക്കുന്നത് കൂടുതൽ കൃത്യമാകുന്നതിനാൽ, പഠനത്തിൽ പങ്കെടുക്കുന്നവർ ചെറുപ്പമായിരിക്കുമ്പോൾ തത്ഫലമായുണ്ടാകുന്ന പ്രായം കണക്കാക്കൽ രീതിയുടെ കൃത്യത വിട്ടുവീഴ്ച ചെയ്യപ്പെടാം.കൂടാതെ, എംഎൽപിയുടെ പ്രായം കണക്കാക്കുന്നതിലെ പിശക് എസ്എൽപിയേക്കാൾ ചെറുതാണ്, അതായത് എംഎൽപി എസ്എൽപിയേക്കാൾ കൃത്യമാണ്.MLP38 ലെ മറഞ്ഞിരിക്കുന്ന പാളികൾ കാരണം, പ്രായം കണക്കാക്കുന്നതിന് MLP അൽപ്പം മികച്ചതായി കണക്കാക്കപ്പെടുന്നു.എന്നിരുന്നാലും, സ്ത്രീകളുടെ പുറം സാമ്പിളിന് ഒരു അപവാദമുണ്ട് (SLP 1.45, MLP 1.49).പ്രായം വിലയിരുത്തുന്നതിൽ എംഎൽപി എസ്എൽപിയേക്കാൾ കൃത്യമാണെന്ന കണ്ടെത്തലിന് കൂടുതൽ മുൻകാല പഠനങ്ങൾ ആവശ്യമാണ്.
DM മോഡലിൻ്റെ വർഗ്ഗീകരണ പ്രകടനവും 18 വർഷത്തെ പരിധിയിലുള്ള പരമ്പരാഗത രീതിയും താരതമ്യം ചെയ്തു.ഇൻ്റേണൽ ടെസ്റ്റ് സെറ്റിലെ എല്ലാ പരീക്ഷിച്ച SD മോഡലുകളും പരമ്പരാഗത രീതികളും 18 വർഷം പഴക്കമുള്ള സാമ്പിളിന് പ്രായോഗികമായി സ്വീകാര്യമായ വിവേചനം കാണിച്ചു.പുരുഷന്മാരുടെയും സ്ത്രീകളുടെയും സംവേദനക്ഷമത യഥാക്രമം 87.7%, 94.9% എന്നിവയിൽ കൂടുതലാണ്, കൂടാതെ പ്രത്യേകത 89.3%, 84.7% എന്നിവയിൽ കൂടുതലാണ്.പരീക്ഷിച്ച എല്ലാ മോഡലുകളുടെയും AUROC 0.925 കവിയുന്നു.ഞങ്ങളുടെ അറിവിൽ, ഡെൻ്റൽ മെച്യൂരിറ്റി അടിസ്ഥാനമാക്കിയുള്ള 18 വർഷത്തെ വർഗ്ഗീകരണത്തിനായി ഒരു പഠനവും DM മോഡലിൻ്റെ പ്രകടനം പരീക്ഷിച്ചിട്ടില്ല.പനോരമിക് റേഡിയോഗ്രാഫുകളിലെ ആഴത്തിലുള്ള പഠന മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനവുമായി ഈ പഠനത്തിൻ്റെ ഫലങ്ങൾ നമുക്ക് താരതമ്യം ചെയ്യാം.Guo et al.15 ഒരു CNN-അധിഷ്ഠിത ആഴത്തിലുള്ള പഠന മാതൃകയുടെ വർഗ്ഗീകരണ പ്രകടനവും ഒരു നിശ്ചിത പ്രായപരിധിയിലുള്ള ഡെമിർജിയൻ്റെ രീതിയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മാനുവൽ രീതിയും കണക്കാക്കി.മാനുവൽ രീതിയുടെ സെൻസിറ്റിവിറ്റിയും പ്രത്യേകതയും യഥാക്രമം 87.7% ഉം 95.5% ഉം ആയിരുന്നു, കൂടാതെ CNN മോഡലിൻ്റെ സെൻസിറ്റിവിറ്റിയും പ്രത്യേകതയും യഥാക്രമം 89.2%, 86.6% കവിഞ്ഞു.ആഴത്തിലുള്ള പഠന മാതൃകകൾക്ക് പ്രായപരിധികളെ വർഗ്ഗീകരിക്കുന്നതിൽ മാനുവൽ മൂല്യനിർണ്ണയത്തെ മാറ്റിസ്ഥാപിക്കാനോ മറികടക്കാനോ കഴിയുമെന്ന് അവർ നിഗമനം ചെയ്തു.ഈ പഠനത്തിൻ്റെ ഫലങ്ങൾ സമാനമായ വർഗ്ഗീകരണ പ്രകടനം കാണിച്ചു;DM മോഡലുകൾ ഉപയോഗിച്ചുള്ള വർഗ്ഗീകരണത്തിന് പ്രായം കണക്കാക്കുന്നതിനുള്ള പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾക്ക് പകരം വയ്ക്കാൻ കഴിയുമെന്ന് വിശ്വസിക്കപ്പെടുന്നു.മോഡലുകളിൽ, പുരുഷ സാമ്പിളിനുള്ള സെൻസിറ്റിവിറ്റിയുടെയും സ്ത്രീ സാമ്പിളിൻ്റെ സെൻസിറ്റിവിറ്റിയുടെയും പ്രത്യേകതയുടെയും കാര്യത്തിൽ ഡിഎം എൽആർ മികച്ച മോഡലായിരുന്നു.പുരുഷന്മാരുടെ പ്രത്യേകതയിൽ LR രണ്ടാം സ്ഥാനത്താണ്.മാത്രമല്ല, LR കൂടുതൽ ഉപയോക്തൃ-സൗഹൃദ DM35 മോഡലുകളിലൊന്നായി കണക്കാക്കപ്പെടുന്നു, ഇത് സങ്കീർണ്ണവും പ്രോസസ്സ് ചെയ്യാൻ പ്രയാസവുമാണ്.ഈ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, കൊറിയൻ ജനസംഖ്യയിൽ 18 വയസ്സുള്ളവർക്കുള്ള ഏറ്റവും മികച്ച കട്ട്ഓഫ് ക്ലാസിഫിക്കേഷൻ മോഡലായി LR കണക്കാക്കപ്പെട്ടു.
മൊത്തത്തിൽ, ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ ഫലങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ബാഹ്യ ടെസ്റ്റ് സെറ്റിലെ പ്രായം കണക്കാക്കലിൻ്റെയോ വർഗ്ഗീകരണ പ്രകടനത്തിൻ്റെയോ കൃത്യത മോശമോ കുറവോ ആയിരുന്നു.കൊറിയൻ ജനസംഖ്യയെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായം കണക്കാക്കുന്നത് ജാപ്പനീസ് ജനസംഖ്യയിൽ 5,39 പ്രയോഗിക്കുമ്പോൾ വർഗ്ഗീകരണ കൃത്യതയോ കാര്യക്ഷമതയോ കുറയുന്നതായി ചില റിപ്പോർട്ടുകൾ സൂചിപ്പിക്കുന്നു, സമാനമായ പാറ്റേൺ നിലവിലെ പഠനത്തിലും കണ്ടെത്തി.ഡിഎം മോഡലിലും ഈ അപചയ പ്രവണത കണ്ടു.അതിനാൽ, വിശകലന പ്രക്രിയയിൽ DM ഉപയോഗിക്കുമ്പോൾ പോലും, പ്രായം കൃത്യമായി കണക്കാക്കാൻ, പരമ്പരാഗത രീതികൾ പോലെയുള്ള പ്രാദേശിക ജനസംഖ്യാ ഡാറ്റയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ രീതികൾ 5,39,40,41,42 തിരഞ്ഞെടുക്കണം.ആഴത്തിലുള്ള പഠന മാതൃകകൾക്ക് സമാന പ്രവണതകൾ കാണിക്കാനാകുമോ എന്ന് വ്യക്തമല്ലാത്തതിനാൽ, പരിമിതമായ പ്രായത്തിൽ ഈ വംശീയ അസമത്വങ്ങളെ മറികടക്കാൻ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് കഴിയുമോ എന്ന് സ്ഥിരീകരിക്കാൻ, പരമ്പരാഗത രീതികൾ, DM മോഡലുകൾ, അതേ സാമ്പിളുകളിലെ ആഴത്തിലുള്ള പഠന മാതൃകകൾ എന്നിവ ഉപയോഗിച്ച് ക്ലാസിഫിക്കേഷൻ കൃത്യതയും കാര്യക്ഷമതയും താരതമ്യം ചെയ്യുന്ന പഠനങ്ങൾ ആവശ്യമാണ്.വിലയിരുത്തലുകൾ.
കൊറിയയിലെ ഫോറൻസിക് പ്രായം കണക്കാക്കൽ പ്രാക്ടീസിലെ DM മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായം കണക്കാക്കി പരമ്പരാഗത രീതികൾ മാറ്റിസ്ഥാപിക്കാമെന്ന് ഞങ്ങൾ തെളിയിക്കുന്നു.ഫോറൻസിക് പ്രായം വിലയിരുത്തുന്നതിനായി മെഷീൻ ലേണിംഗ് നടപ്പിലാക്കുന്നതിനുള്ള സാധ്യതയും ഞങ്ങൾ കണ്ടെത്തി.എന്നിരുന്നാലും, വ്യക്തമായ പരിമിതികളുണ്ട്, ഈ പഠനത്തിൽ പങ്കെടുത്തവരുടെ എണ്ണം കൃത്യമായി നിർണ്ണയിക്കാൻ, ഈ പഠനത്തിൻ്റെ ഫലങ്ങൾ താരതമ്യം ചെയ്യുന്നതിനും സ്ഥിരീകരിക്കുന്നതിനുമുള്ള മുൻ പഠനങ്ങളുടെ അഭാവം.ഭാവിയിൽ, പരമ്പരാഗത രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അതിൻ്റെ പ്രായോഗിക പ്രയോഗക്ഷമത മെച്ചപ്പെടുത്തുന്നതിന് കൂടുതൽ സാമ്പിളുകളും കൂടുതൽ വൈവിധ്യമാർന്ന ജനസംഖ്യയും ഉപയോഗിച്ച് DM പഠനങ്ങൾ നടത്തണം.ഒന്നിലധികം പോപ്പുലേഷനുകളിൽ പ്രായം കണക്കാക്കാൻ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിക്കുന്നതിനുള്ള സാധ്യത സാധൂകരിക്കുന്നതിന്, അതേ സാമ്പിളുകളിലെ പരമ്പരാഗത രീതികളുമായി ഡിഎം, ഡീപ് ലേണിംഗ് മോഡലുകളുടെ വർഗ്ഗീകരണ കൃത്യതയും കാര്യക്ഷമതയും താരതമ്യം ചെയ്യാൻ ഭാവി പഠനങ്ങൾ ആവശ്യമാണ്.
15 നും 23 നും ഇടയിൽ പ്രായമുള്ള കൊറിയൻ, ജാപ്പനീസ് മുതിർന്നവരിൽ നിന്ന് ശേഖരിച്ച 2,657 ഓർത്തോഗ്രാഫിക് ഫോട്ടോഗ്രാഫുകൾ പഠനത്തിന് ഉപയോഗിച്ചു.കൊറിയൻ റേഡിയോഗ്രാഫുകളെ 900 പരിശീലന സെറ്റുകളായും (19.42 ± 2.65 വർഷം) 900 ആന്തരിക ടെസ്റ്റ് സെറ്റുകളായും (19.52 ± 2.59 വർഷം) തിരിച്ചിരിക്കുന്നു.പരിശീലന സെറ്റ് ഒരു സ്ഥാപനത്തിൽ (സിയോൾ സെൻ്റ് മേരീസ് ഹോസ്പിറ്റൽ) ശേഖരിച്ചു, കൂടാതെ സ്വന്തം ടെസ്റ്റ് സെറ്റ് രണ്ട് സ്ഥാപനങ്ങളിൽ (സിയോൾ നാഷണൽ യൂണിവേഴ്സിറ്റി ഡെൻ്റൽ ഹോസ്പിറ്റൽ, യോൻസെയ് യൂണിവേഴ്സിറ്റി ഡെൻ്റൽ ഹോസ്പിറ്റൽ) ശേഖരിച്ചു.ബാഹ്യ പരിശോധനയ്ക്കായി മറ്റൊരു ജനസംഖ്യാ അടിസ്ഥാനത്തിലുള്ള ഡാറ്റയിൽ നിന്ന് (ഐവാട്ട് മെഡിക്കൽ യൂണിവേഴ്സിറ്റി, ജപ്പാൻ) 857 റേഡിയോഗ്രാഫുകളും ഞങ്ങൾ ശേഖരിച്ചു.ജാപ്പനീസ് വിഷയങ്ങളുടെ (19.31 ± 2.60 വർഷം) റേഡിയോഗ്രാഫുകൾ ബാഹ്യ ടെസ്റ്റ് സെറ്റായി തിരഞ്ഞെടുത്തു.ദന്തചികിത്സയ്ക്കിടെ എടുത്ത പനോരമിക് റേഡിയോഗ്രാഫുകളിൽ ദന്ത വികസനത്തിൻ്റെ ഘട്ടങ്ങൾ വിശകലനം ചെയ്യുന്നതിനായി ഡാറ്റ മുൻകാലങ്ങളിൽ ശേഖരിച്ചു.ലിംഗഭേദം, ജനനത്തീയതി, റേഡിയോഗ്രാഫ് തീയതി എന്നിവ ഒഴികെ ശേഖരിച്ച എല്ലാ വിവരങ്ങളും അജ്ഞാതമായിരുന്നു.ഉൾപ്പെടുത്തൽ, ഒഴിവാക്കൽ മാനദണ്ഡങ്ങൾ മുമ്പ് പ്രസിദ്ധീകരിച്ച പഠനങ്ങൾ 4, 5 എന്നിവയ്ക്ക് സമാനമാണ്.റേഡിയോഗ്രാഫ് എടുത്ത തീയതിയിൽ നിന്ന് ജനനത്തീയതി കുറച്ചാണ് സാമ്പിളിൻ്റെ യഥാർത്ഥ പ്രായം കണക്കാക്കുന്നത്.സാമ്പിൾ ഗ്രൂപ്പിനെ ഒമ്പത് പ്രായ വിഭാഗങ്ങളായി തിരിച്ചിട്ടുണ്ട്.പ്രായവും ലിംഗ വിതരണവും പട്ടിക 3-ൽ കാണിച്ചിരിക്കുന്നു ഈ പഠനം ഹെൽസിങ്കിയുടെ പ്രഖ്യാപനത്തിന് അനുസൃതമായി നടത്തുകയും കൊറിയയിലെ കാത്തലിക് യൂണിവേഴ്‌സിറ്റിയിലെ (KC22WISI0328) സിയോൾ സെൻ്റ് മേരീസ് ഹോസ്പിറ്റലിലെ ഇൻസ്റ്റിറ്റ്യൂഷണൽ റിവ്യൂ ബോർഡ് (IRB) അംഗീകരിച്ചതുമാണ്.ഈ പഠനത്തിൻ്റെ മുൻകാല രൂപകൽപ്പന കാരണം, ചികിത്സാ ആവശ്യങ്ങൾക്കായി റേഡിയോഗ്രാഫിക് പരിശോധനയ്ക്ക് വിധേയരായ എല്ലാ രോഗികളിൽ നിന്നും വിവരമുള്ള സമ്മതം നേടാനായില്ല.സിയോൾ കൊറിയ യൂണിവേഴ്സിറ്റി സെൻ്റ് മേരീസ് ഹോസ്പിറ്റൽ (IRB) വിവരമുള്ള സമ്മതത്തിനുള്ള ആവശ്യകത ഒഴിവാക്കി.
ബൈമാക്സില്ലറി രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ വികസന ഘട്ടങ്ങൾ ഡെമിർക്കൻ മാനദണ്ഡങ്ങൾക്കനുസൃതമായി വിലയിരുത്തി.ഓരോ താടിയെല്ലിൻ്റെയും ഇടതുവശത്തും വലതുവശത്തും ഒരേ തരത്തിലുള്ള പല്ലുകൾ കണ്ടെത്തിയാൽ ഒരു പല്ല് മാത്രമേ തിരഞ്ഞെടുത്തിട്ടുള്ളൂ.ഇരുവശത്തുമുള്ള ഒരേപോലെയുള്ള പല്ലുകൾ വ്യത്യസ്ത വളർച്ചാ ഘട്ടങ്ങളിലാണെങ്കിൽ, കണക്കാക്കിയ പ്രായത്തിലെ അനിശ്ചിതത്വം കണക്കിലെടുത്ത് താഴ്ന്ന വളർച്ചാ ഘട്ടമുള്ള പല്ല് തിരഞ്ഞെടുത്തു.പരിശീലന സെറ്റിൽ നിന്ന് ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത നൂറ് റേഡിയോഗ്രാഫുകൾ രണ്ട് പരിചയസമ്പന്നരായ നിരീക്ഷകർ സ്കോർ ചെയ്തു.പ്രാഥമിക നിരീക്ഷകൻ മൂന്ന് മാസത്തെ ഇടവേളകളിൽ ഇൻട്രാ ഒബ്സർവർ വിശ്വാസ്യത രണ്ടുതവണ വിലയിരുത്തി.
പരിശീലന സെറ്റിലെ ഓരോ താടിയെല്ലിൻ്റെയും രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ ലിംഗവും വികാസവും വ്യത്യസ്ത ഡിഎം മോഡലുകൾ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ഒരു പ്രാഥമിക നിരീക്ഷകൻ കണക്കാക്കി, യഥാർത്ഥ പ്രായം ലക്ഷ്യ മൂല്യമായി സജ്ജീകരിച്ചു.മെഷീൻ ലേണിംഗിൽ വ്യാപകമായി ഉപയോഗിക്കുന്ന SLP, MLP മോഡലുകൾ റിഗ്രഷൻ അൽഗോരിതങ്ങൾക്കെതിരെ പരീക്ഷിച്ചു.DM മോഡൽ നാല് പല്ലുകളുടെ വികാസ ഘട്ടങ്ങൾ ഉപയോഗിച്ച് ലീനിയർ ഫംഗ്ഷനുകൾ സംയോജിപ്പിക്കുകയും പ്രായം കണക്കാക്കാൻ ഈ ഡാറ്റ സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു.SLP ഏറ്റവും ലളിതമായ ന്യൂറൽ നെറ്റ്‌വർക്കാണ്, അതിൽ മറഞ്ഞിരിക്കുന്ന പാളികൾ അടങ്ങിയിട്ടില്ല.നോഡുകൾക്കിടയിലുള്ള ത്രെഷോൾഡ് ട്രാൻസ്മിഷനെ അടിസ്ഥാനമാക്കിയാണ് SLP പ്രവർത്തിക്കുന്നത്.റിഗ്രഷനിലെ SLP മോഡൽ മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷനുമായി ഗണിതപരമായി സമാനമാണ്.SLP മോഡലിൽ നിന്ന് വ്യത്യസ്തമായി, MLP മോഡലിന് ലീനിയർ ആക്ടിവേഷൻ ഫംഗ്ഷനുകളുള്ള ഒന്നിലധികം മറഞ്ഞിരിക്കുന്ന പാളികളുണ്ട്.ലീനിയർ ആക്ടിവേഷൻ ഫംഗ്‌ഷനുകളുള്ള 20 മറഞ്ഞിരിക്കുന്ന നോഡുകൾ മാത്രമുള്ള ഒരു മറഞ്ഞിരിക്കുന്ന പാളിയാണ് ഞങ്ങളുടെ പരീക്ഷണങ്ങൾ ഉപയോഗിച്ചത്.ഞങ്ങളുടെ മെഷീൻ ലേണിംഗ് മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിന് ഗ്രേഡിയൻ്റ് ഡിസെൻ്റ് ഒപ്റ്റിമൈസേഷൻ രീതിയും MAE, RMSE എന്നിവ ലോസ് ഫംഗ്‌ഷനായി ഉപയോഗിക്കുക.ഏറ്റവും മികച്ച റിഗ്രഷൻ മോഡൽ ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളിൽ പ്രയോഗിക്കുകയും പല്ലുകളുടെ പ്രായം കണക്കാക്കുകയും ചെയ്തു.
ഒരു സാമ്പിൾ 18 വയസ്സ് പ്രായമാണോ അല്ലയോ എന്ന് പ്രവചിക്കാൻ പരിശീലന സെറ്റിലെ നാല് പല്ലുകളുടെ പക്വത ഉപയോഗിക്കുന്ന ഒരു വർഗ്ഗീകരണ അൽഗോരിതം വികസിപ്പിച്ചെടുത്തു.മോഡൽ നിർമ്മിക്കുന്നതിന്, ഞങ്ങൾ ഏഴ് പ്രാതിനിധ്യ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ 6,43 ഉരുത്തിരിഞ്ഞു: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, (7) MLP .ഏറ്റവും വ്യാപകമായി ഉപയോഗിക്കുന്ന വർഗ്ഗീകരണ അൽഗോരിതങ്ങളിൽ ഒന്നാണ് എൽആർ.0 മുതൽ 1 വരെയുള്ള ഒരു പ്രത്യേക വിഭാഗത്തിൽപ്പെട്ട ഡാറ്റയുടെ പ്രോബബിലിറ്റി പ്രവചിക്കാൻ റിഗ്രഷൻ ഉപയോഗിക്കുന്ന ഒരു സൂപ്പർവൈസ്ഡ് ലേണിംഗ് അൽഗോരിതം ആണ് ഇത്, ഈ പ്രോബബിലിറ്റിയെ അടിസ്ഥാനമാക്കി കൂടുതൽ സാധ്യതയുള്ള വിഭാഗത്തിൽ പെട്ടതായി ഡാറ്റയെ തരംതിരിക്കുന്നു;പ്രധാനമായും ബൈനറി വർഗ്ഗീകരണത്തിന് ഉപയോഗിക്കുന്നു.കെഎൻഎൻ ഏറ്റവും ലളിതമായ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളിൽ ഒന്നാണ്.പുതിയ ഇൻപുട്ട് ഡാറ്റ നൽകുമ്പോൾ, നിലവിലുള്ള സെറ്റിന് അടുത്തുള്ള k ഡാറ്റ കണ്ടെത്തുകയും തുടർന്ന് അവയെ ഏറ്റവും ഉയർന്ന ആവൃത്തിയുള്ള ക്ലാസിലേക്ക് തരംതിരിക്കുകയും ചെയ്യുന്നു.പരിഗണിക്കപ്പെടുന്ന അയൽക്കാരുടെ എണ്ണത്തിന് ഞങ്ങൾ 3 സജ്ജമാക്കി (k).ഒരു കേർണൽ ഫംഗ്‌ഷൻ ഉപയോഗിച്ച് ലീനിയർ സ്‌പെയ്‌സ് ഫീൽഡുകൾ 46 എന്ന നോൺ-ലീനിയർ സ്‌പെയ്‌സിലേക്ക് വികസിപ്പിക്കുന്നതിന് രണ്ട് ക്ലാസുകൾക്കിടയിലുള്ള ദൂരം പരമാവധി വർദ്ധിപ്പിക്കുന്ന ഒരു അൽഗോരിതം ആണ് SVM.ഈ മോഡലിന്, പോളിനോമിയൽ കേർണലിനായി ഞങ്ങൾ ബയസ് = 1, പവർ = 1, ഗാമ = 1 എന്നിവ ഹൈപ്പർപാരാമീറ്ററുകളായി ഉപയോഗിക്കുന്നു.ഒരു ട്രീ ഘടനയിലെ തീരുമാന നിയമങ്ങളെ പ്രതിനിധീകരിച്ച് ഒരു മുഴുവൻ ഡാറ്റയും നിരവധി ഉപഗ്രൂപ്പുകളായി വിഭജിക്കാനുള്ള ഒരു അൽഗോരിതം എന്ന നിലയിൽ വിവിധ മേഖലകളിൽ DT പ്രയോഗിച്ചു.മോഡൽ 2 ഒരു നോഡിന് ഏറ്റവും കുറഞ്ഞ റെക്കോർഡുകൾ ഉപയോഗിച്ച് കോൺഫിഗർ ചെയ്‌തിരിക്കുന്നു കൂടാതെ ഗുണനിലവാരത്തിൻ്റെ അളവുകോലായി Gini സൂചിക ഉപയോഗിക്കുന്നു.ബൂട്ട്‌സ്‌ട്രാപ്പ് അഗ്രഗേഷൻ രീതി ഉപയോഗിച്ച് പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനായി ഒന്നിലധികം ഡിടികൾ സംയോജിപ്പിക്കുന്ന ഒരു സമന്വയ രീതിയാണ് RF, അത് യഥാർത്ഥ ഡാറ്റാസെറ്റിൽ നിന്ന് ഒരേ വലുപ്പത്തിലുള്ള സാമ്പിളുകൾ ഒന്നിലധികം തവണ വരച്ച് ഓരോ സാമ്പിളിനും ഒരു ദുർബലമായ ക്ലാസിഫയർ സൃഷ്ടിക്കുന്നു.നോഡ് വേർതിരിക്കൽ മാനദണ്ഡമായി ഞങ്ങൾ 100 മരങ്ങൾ, 10 മരങ്ങളുടെ ആഴം, 1 മിനിമം നോഡ് വലുപ്പം, ജിനി അഡ്‌മിക്‌ചർ സൂചിക എന്നിവ ഉപയോഗിച്ചു.പുതിയ ഡാറ്റയുടെ വർഗ്ഗീകരണം ഭൂരിപക്ഷ വോട്ടിനാൽ നിർണ്ണയിക്കപ്പെടുന്നു.XGBoost എന്നത് ഒരു രീതി ഉപയോഗിച്ച് ബൂസ്റ്റിംഗ് ടെക്നിക്കുകൾ സംയോജിപ്പിക്കുന്ന ഒരു അൽഗോരിതം ആണ്, അത് മുൻ മോഡലിൻ്റെ യഥാർത്ഥവും പ്രവചിച്ചതുമായ മൂല്യങ്ങൾ തമ്മിലുള്ള പിശക് പരിശീലന ഡാറ്റയായി എടുക്കുകയും ഗ്രേഡിയൻ്റ്സ്49 ഉപയോഗിച്ച് പിശക് വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.മികച്ച പ്രകടനവും റിസോഴ്സ് കാര്യക്ഷമതയും, അതുപോലെ തന്നെ ഓവർഫിറ്റിംഗ് കറക്ഷൻ ഫംഗ്ഷൻ എന്ന നിലയിൽ ഉയർന്ന വിശ്വാസ്യതയും കാരണം ഇത് വ്യാപകമായി ഉപയോഗിക്കുന്ന അൽഗോരിതം ആണ്.400 സപ്പോർട്ട് വീലുകളാണ് മോഡലിൽ സജ്ജീകരിച്ചിരിക്കുന്നത്.MLP എന്നത് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കാണ്, അതിൽ ഒന്നോ അതിലധികമോ പെർസെപ്‌ട്രോണുകൾ ഇൻപുട്ടിനും ഔട്ട്‌പുട്ട് ലെയറിനുമിടയിൽ ഒന്നോ അതിലധികമോ മറഞ്ഞിരിക്കുന്ന പാളികളുള്ള ഒന്നിലധികം പാളികൾ ഉണ്ടാക്കുന്നു38.ഇത് ഉപയോഗിച്ച്, നിങ്ങൾക്ക് നോൺ-ലീനിയർ വർഗ്ഗീകരണം നടത്താം, അവിടെ നിങ്ങൾ ഒരു ഇൻപുട്ട് ലെയർ ചേർക്കുകയും ഒരു ഫലമൂല്യം നേടുകയും ചെയ്യുമ്പോൾ, പ്രവചിച്ച ഫല മൂല്യത്തെ യഥാർത്ഥ ഫല മൂല്യവുമായി താരതമ്യം ചെയ്യുകയും പിശക് വീണ്ടും പ്രചരിപ്പിക്കുകയും ചെയ്യുന്നു.ഓരോ ലെയറിലും 20 മറഞ്ഞിരിക്കുന്ന ന്യൂറോണുകളുള്ള ഒരു മറഞ്ഞിരിക്കുന്ന പാളി ഞങ്ങൾ സൃഷ്ടിച്ചു.സംവേദനക്ഷമത, പ്രത്യേകത, PPV, NPV, AUROC എന്നിവ കണക്കാക്കി ക്ലാസിഫിക്കേഷൻ പ്രകടനം പരിശോധിക്കുന്നതിനായി ഞങ്ങൾ വികസിപ്പിച്ച ഓരോ മോഡലും ആന്തരികവും ബാഹ്യവുമായ സെറ്റുകളിലേക്ക് പ്രയോഗിച്ചു.18 വയസോ അതിൽ കൂടുതലോ പ്രായമുള്ളതായി കണക്കാക്കുന്ന ഒരു സാമ്പിളിൻ്റെയും 18 വയസ്സോ അതിൽ കൂടുതലോ പ്രായമുള്ളതായി കണക്കാക്കുന്ന സാമ്പിളിൻ്റെയും അനുപാതമാണ് സെൻസിറ്റിവിറ്റി എന്ന് നിർവചിച്ചിരിക്കുന്നത്.18 വയസ്സിന് താഴെയുള്ള സാമ്പിളുകളുടെ അനുപാതവും 18 വയസ്സിന് താഴെയുള്ളവയെന്ന് കണക്കാക്കപ്പെടുന്നവയുമാണ് പ്രത്യേകത.
പരിശീലന സെറ്റിൽ വിലയിരുത്തിയ ഡെൻ്റൽ ഘട്ടങ്ങൾ സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനത്തിനായി സംഖ്യാ ഘട്ടങ്ങളാക്കി മാറ്റി.ഓരോ ലിംഗത്തിനും പ്രവചന മാതൃകകൾ വികസിപ്പിക്കുന്നതിനും പ്രായം കണക്കാക്കാൻ ഉപയോഗിക്കാവുന്ന റിഗ്രഷൻ ഫോർമുലകൾ നേടുന്നതിനുമായി മൾട്ടിവാരിയേറ്റ് ലീനിയർ, ലോജിസ്റ്റിക് റിഗ്രഷൻ നടത്തി.ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകൾക്ക് പല്ലിൻ്റെ പ്രായം കണക്കാക്കാൻ ഞങ്ങൾ ഈ ഫോർമുലകൾ ഉപയോഗിച്ചു.ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന റിഗ്രഷൻ, വർഗ്ഗീകരണ മാതൃകകൾ പട്ടിക 4 കാണിക്കുന്നു.
കോഹൻ്റെ കപ്പ സ്ഥിതിവിവരക്കണക്ക് ഉപയോഗിച്ചാണ് ഇൻട്രാ-ഇൻ്റർഒബ്സർവർ വിശ്വാസ്യത കണക്കാക്കിയത്.DM-ൻ്റെയും പരമ്പരാഗത റിഗ്രഷൻ മോഡലുകളുടെയും കൃത്യത പരിശോധിക്കുന്നതിന്, ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളുടെ കണക്കാക്കിയതും യഥാർത്ഥവുമായ പ്രായം ഉപയോഗിച്ച് ഞങ്ങൾ MAE, RMSE എന്നിവ കണക്കാക്കി.മോഡൽ പ്രവചനങ്ങളുടെ കൃത്യത വിലയിരുത്താൻ ഈ പിശകുകൾ സാധാരണയായി ഉപയോഗിക്കുന്നു.പിശക് ചെറുതാകുമ്പോൾ, പ്രവചനത്തിൻ്റെ കൃത്യത വർദ്ധിക്കും24.ഡിഎമ്മും പരമ്പരാഗത റിഗ്രഷനും ഉപയോഗിച്ച് കണക്കാക്കിയ ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളുടെ MAE, RMSE എന്നിവ താരതമ്യം ചെയ്യുക.പരമ്പരാഗത സ്ഥിതിവിവരക്കണക്കുകളിലെ 18 വർഷത്തെ കട്ട്ഓഫിൻ്റെ വർഗ്ഗീകരണ പ്രകടനം 2 × 2 ആകസ്മിക പട്ടിക ഉപയോഗിച്ച് വിലയിരുത്തി.ടെസ്റ്റ് സെറ്റിൻ്റെ കണക്കാക്കിയ സംവേദനക്ഷമത, പ്രത്യേകത, PPV, NPV, AUROC എന്നിവ ഡിഎം ക്ലാസിഫിക്കേഷൻ മോഡലിൻ്റെ അളന്ന മൂല്യങ്ങളുമായി താരതമ്യം ചെയ്തു.ഡാറ്റ സ്വഭാവസവിശേഷതകളെ ആശ്രയിച്ച് ശരാശരി ± സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ അല്ലെങ്കിൽ നമ്പർ (%) ആയി ഡാറ്റ പ്രകടിപ്പിക്കുന്നു.രണ്ട്-വശങ്ങളുള്ള പി മൂല്യങ്ങൾ <0.05 സ്ഥിതിവിവരക്കണക്ക് പ്രാധാന്യമുള്ളതായി കണക്കാക്കുന്നു.എല്ലാ സാധാരണ സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനങ്ങളും SAS പതിപ്പ് 9.4 (SAS ഇൻസ്റ്റിറ്റ്യൂട്ട്, കാരി, NC) ഉപയോഗിച്ചാണ് നടത്തിയത്.ഗണിത പ്രവർത്തനങ്ങൾക്കായി പ്രത്യേകമായി Keras50 2.2.4 ബാക്കെൻഡും Tensorflow51 1.8.0 ഉം ഉപയോഗിച്ചാണ് DM റിഗ്രഷൻ മോഡൽ പൈത്തണിൽ നടപ്പിലാക്കിയത്.വൈക്കാറ്റോ നോളജ് അനാലിസിസ് എൻവയോൺമെൻ്റിലും കോൺസ്റ്റൻസ് ഇൻഫർമേഷൻ മൈനർ (KNIME) 4.6.152 വിശകലന പ്ലാറ്റ്‌ഫോമിലും DM ക്ലാസിഫിക്കേഷൻ മോഡൽ നടപ്പിലാക്കി.
പഠനത്തിൻ്റെ നിഗമനങ്ങളെ പിന്തുണയ്ക്കുന്ന ഡാറ്റ ലേഖനത്തിലും അനുബന്ധ സാമഗ്രികളിലും കണ്ടെത്താനാകുമെന്ന് രചയിതാക്കൾ സമ്മതിക്കുന്നു.പഠനസമയത്ത് സൃഷ്‌ടിച്ച കൂടാതെ/അല്ലെങ്കിൽ വിശകലനം ചെയ്‌ത ഡാറ്റാസെറ്റുകൾ ന്യായമായ അഭ്യർത്ഥന പ്രകാരം ബന്ധപ്പെട്ട രചയിതാവിൽ നിന്ന് ലഭ്യമാണ്.
Ritz-Timme, S. et al.പ്രായം വിലയിരുത്തൽ: ഫോറൻസിക് പരിശീലനത്തിൻ്റെ പ്രത്യേക ആവശ്യകതകൾ നിറവേറ്റുന്നതിനുള്ള അത്യാധുനിക.അന്തർദേശീയത.ജെ. നിയമ മരുന്ന്.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., Olze, A. ക്രിമിനൽ പ്രോസിക്യൂഷൻ ആവശ്യങ്ങൾക്കായി ജീവിക്കുന്ന വിഷയങ്ങളുടെ ഫോറൻസിക് വയസ്സ് വിലയിരുത്തലിൻ്റെ നിലവിലെ അവസ്ഥ.ഫോറൻസിക്സ്.മരുന്ന്.പതോളജി.1, 239–246 (2005).
പാൻ, ജെ. തുടങ്ങിയവർ.കിഴക്കൻ ചൈനയിലെ 5 മുതൽ 16 വയസ്സുവരെയുള്ള കുട്ടികളുടെ ദന്തപ്രായം വിലയിരുത്തുന്നതിനുള്ള പരിഷ്കരിച്ച രീതി.ക്ലിനിക്കൽ.വാക്കാലുള്ള സർവേ.25, 3463–3474 (2021).
ലീ, എസ്എസ് തുടങ്ങിയവ. കൊറിയക്കാരിൽ രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ വികസനത്തിൻ്റെ കാലഗണനയും ഫോറൻസിക് പ്രായം വിലയിരുത്തുന്നതിനുള്ള അതിൻ്റെ പ്രയോഗവും.അന്തർദേശീയത.ജെ. നിയമ മരുന്ന്.124, 659-665 (2010).
O, S., Kumagai, A., Kim, SY and Lee, SS കൊറിയൻ, ജാപ്പനീസ് ഭാഷകളിലെ രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ പക്വതയെ അടിസ്ഥാനമാക്കിയുള്ള 18 വർഷത്തെ പരിധിയുടെ പ്രായം കണക്കാക്കലിൻ്റെയും എസ്റ്റിമേഷൻ്റെയും കൃത്യത.PLoS ONE 17, e0271247 (2022).
കിം, JY, et al.ശസ്ത്രക്രിയയ്ക്ക് മുമ്പുള്ള മെഷീൻ ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റ വിശകലനം OSA ഉള്ള രോഗികളിൽ ഉറക്ക ശസ്ത്രക്രിയ ചികിത്സയുടെ ഫലം പ്രവചിക്കാൻ കഴിയും.ശാസ്ത്രം.റിപ്പോർട്ട് 11, 14911 (2021).
ഹാൻ, എം. തുടങ്ങിയവർ.മനുഷ്യൻ്റെ ഇടപെടലോടെയോ അല്ലാതെയോ മെഷീൻ ലേണിംഗിൽ നിന്നുള്ള കൃത്യമായ പ്രായം കണക്കാക്കണോ?അന്തർദേശീയത.ജെ. നിയമ മരുന്ന്.136, 821–831 (2022).
ഖാൻ, എസ്., ഷഹീൻ, എം. ഡാറ്റ മൈനിംഗ് മുതൽ ഡാറ്റാ മൈനിംഗ് വരെ.ജെ.വിവരങ്ങൾ.ശാസ്ത്രം.https://doi.org/10.1177/01655515211030872 (2021).
ഖാൻ, എസ്., ഷഹീൻ, എം. വിസ്റൂൾ: അസോസിയേഷൻ റൂൾ മൈനിംഗിനായുള്ള ആദ്യ കോഗ്നിറ്റീവ് അൽഗോരിതം.ജെ.വിവരങ്ങൾ.ശാസ്ത്രം.https://doi.org/10.1177/01655515221108695 (2022).
ഷഹീൻ എം., അബ്ദുല്ല യു. കാർം: സന്ദർഭാധിഷ്ഠിത അസോസിയേഷൻ നിയമങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള പരമ്പരാഗത ഡാറ്റ മൈനിംഗ്.കണക്കാക്കുക.മാറ്റ്.തുടരുക.68, 3305–3322 (2021).
മുഹമ്മദ് എം., റഹ്മാൻ ഇസഡ്., ഷഹീൻ എം., ഖാൻ എം., ഹബീബ് എം. ടെക്സ്റ്റ് ഡാറ്റ ഉപയോഗിച്ച് ഡീപ് ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള സെമാൻ്റിക് സമാനത കണ്ടെത്തൽ.അറിയിക്കുക.സാങ്കേതികവിദ്യകൾ.നിയന്ത്രണം.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
തബിഷ്, എം., തനോലി, ഇസഡ്., ഷാഹിൻ, എം. സ്പോർട്സ് വീഡിയോകളിലെ പ്രവർത്തനം തിരിച്ചറിയുന്നതിനുള്ള സംവിധാനം.മൾട്ടിമീഡിയ.ടൂൾസ് ആപ്ലിക്കേഷനുകൾ https://doi.org/10.1007/s11042-021-10519-6 (2021).
ഹലാബി, എസ്എസ് തുടങ്ങിയവർ.പീഡിയാട്രിക് അസ്ഥിയുഗത്തിൽ ആർഎസ്എൻഎ മെഷീൻ ലേണിംഗ് ചലഞ്ച്.റേഡിയോളജി 290, 498–503 (2019).
ലി, Y. et al.ആഴത്തിലുള്ള പഠനം ഉപയോഗിച്ച് പെൽവിക് എക്സ്-റേയിൽ നിന്നുള്ള ഫോറൻസിക് പ്രായം കണക്കാക്കൽ.യൂറോ.വികിരണം.29, 2322–2329 (2019).
ഗുവോ, YC, et al.ഓർത്തോഗ്രാഫിക് പ്രൊജക്ഷൻ ഇമേജുകളിൽ നിന്നുള്ള മാനുവൽ രീതികളും ആഴത്തിലുള്ള കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഉപയോഗിച്ച് കൃത്യമായ പ്രായ വർഗ്ഗീകരണം.അന്തർദേശീയത.ജെ. നിയമ മരുന്ന്.135, 1589–1597 (2021).
അലബാമ ദലോറ et al.വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിച്ച് അസ്ഥികളുടെ പ്രായം കണക്കാക്കൽ: ഒരു ചിട്ടയായ സാഹിത്യ അവലോകനവും മെറ്റാ അനാലിസിസും.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., Yang, J. കോൺ-ബീം കമ്പ്യൂട്ട്ഡ് ടോമോഗ്രാഫി ഉപയോഗിച്ച് ആദ്യത്തെ മോളറുകളുടെ പൾപ്പ് ചേമ്പർ വോള്യങ്ങളെ അടിസ്ഥാനമാക്കി ആഫ്രിക്കൻ അമേരിക്കക്കാരുടെയും ചൈനക്കാരുടെയും ജനസംഖ്യ-നിർദ്ദിഷ്‌ട പ്രായം കണക്കാക്കൽ.അന്തർദേശീയത.ജെ. നിയമ മരുന്ന്.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK, Oh KS ആദ്യ മോളറുകളുടെ കൃത്രിമബുദ്ധി അടിസ്ഥാനമാക്കിയുള്ള ചിത്രങ്ങൾ ഉപയോഗിച്ച് ജീവിച്ചിരിക്കുന്ന ആളുകളുടെ പ്രായ ഗ്രൂപ്പുകൾ നിർണ്ണയിക്കുന്നു.ശാസ്ത്രം.റിപ്പോർട്ട് 11, 1073 (2021).
സ്റ്റെർൻ, ഡി., പേയർ, സി., ജിയുലിയാനി, എൻ., ഉർഷ്‌ലർ, എം. ഓട്ടോമാറ്റിക് പ്രായം കണക്കാക്കലും മൾട്ടിവാരിയേറ്റ് എംആർഐ ഡാറ്റയിൽ നിന്നുള്ള ഭൂരിപക്ഷ പ്രായ വർഗ്ഗീകരണവും.ഐഇഇഇ ജെ. ബയോമെഡ്.ആരോഗ്യ മുന്നറിയിപ്പുകൾ.23, 1392–1403 (2019).
ചെങ്, ക്യു., ജി, ഇസഡ്., ഡു, എച്ച്., ലി, ജി. ആഴത്തിലുള്ള പഠനവും ലെവൽ സെറ്റുകളും സമന്വയിപ്പിച്ച് കോൺ ബീം കമ്പ്യൂട്ട് ചെയ്ത ടോമോഗ്രാഫിയിൽ നിന്നുള്ള ആദ്യത്തെ മോളാറുകളുടെ 3D പൾപ്പ് ചേമ്പർ സെഗ്മെൻ്റേഷൻ അടിസ്ഥാനമാക്കിയുള്ള പ്രായം കണക്കാക്കൽ.അന്തർദേശീയത.ജെ. നിയമ മരുന്ന്.135, 365–373 (2021).
വു, ഡബ്ല്യുടി, തുടങ്ങിയവർ.ക്ലിനിക്കൽ ബിഗ് ഡാറ്റയിലെ ഡാറ്റ മൈനിംഗ്: പൊതുവായ ഡാറ്റാബേസുകൾ, ഘട്ടങ്ങൾ, രീതികളുടെ മോഡലുകൾ.ലോകം.മരുന്ന്.വിഭവം.8, 44 (2021).
യാങ്, ജെ. തുടങ്ങിയവർ.ബിഗ് ഡാറ്റ എറയിലെ മെഡിക്കൽ ഡാറ്റാബേസുകളിലേക്കും ഡാറ്റ മൈനിംഗ് സാങ്കേതികവിദ്യകളിലേക്കും ആമുഖം.ജെ എവിഡ്.അടിസ്ഥാന മരുന്ന്.13, 57–69 (2020).
ഷെൻ, എസ്. തുടങ്ങിയവർ.മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് പല്ലിൻ്റെ പ്രായം കണക്കാക്കുന്നതിനുള്ള കാമററുടെ രീതി.BMC ഓറൽ ഹെൽത്ത് 21, 641 (2021).
ഗാലിബർഗ് എ. തുടങ്ങിയവർ.ഡെമിർജിയൻ സ്റ്റേജിംഗ് രീതി ഉപയോഗിച്ച് ഡെൻ്റൽ പ്രായം പ്രവചിക്കുന്നതിനുള്ള വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് രീതികളുടെ താരതമ്യം.അന്തർദേശീയത.ജെ. നിയമ മരുന്ന്.135, 665-675 (2021).
ഡെമിർഡ്ജിയാൻ, എ., ഗോൾഡ്‌സ്റ്റൈൻ, എച്ച്. ആൻഡ് ടാനർ, ജെഎം ദന്ത പ്രായം വിലയിരുത്തുന്നതിനുള്ള ഒരു പുതിയ സംവിധാനം.കൂർക്കംവലി.ജീവശാസ്ത്രം.45, 211–227 (1973).
Landis, JR, Koch, GG മെഷേഴ്സ് ഓഫ് ഒബ്സർവർ എഗ്രിമെൻ്റ് ഓഫ് കാറ്റഗറിക്കൽ ഡാറ്റ.ബയോമെട്രിക്സ് 33, 159-174 (1977).
ഭട്ടാചാരി എസ്, പ്രകാശ് ഡി, കിം സി, കിം എച്ച്കെ, ചോയ് എച്ച്കെ.പ്രൈമറി ബ്രെയിൻ ട്യൂമറുകളെ വേർതിരിക്കുന്നതിന് കൃത്രിമബുദ്ധി സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് ദ്വിമാന മാഗ്നറ്റിക് റെസൊണൻസ് ഇമേജിംഗിൻ്റെ ടെക്സ്ചറൽ, മോർഫോളജിക്കൽ, സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം.ആരോഗ്യ വിവരങ്ങൾ.വിഭവം.https://doi.org/10.4258/hir.2022.28.1.46 (2022).