നേച്ചർ.കോം സന്ദർശിച്ചതിന് നന്ദി. നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്ര browser സറിന്റെ പതിപ്പ് പരിമിത സിഎസ്എസ് പിന്തുണയുണ്ട്. മികച്ച ഫലങ്ങൾക്കായി, നിങ്ങളുടെ ബ്ര browser സറിന്റെ ഒരു പുതിയ പതിപ്പ് ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ ഇന്റർനെറ്റ് എക്സ്പ്ലോററിലെ അനുയോജ്യത മോഡ് ഓഫുചെയ്യുന്നു). അതിനിടയിൽ, നിലവിലുള്ള പിന്തുണ ഉറപ്പാക്കുന്നതിന്, സ്റ്റൈലിംഗ് അല്ലെങ്കിൽ ജാവാസ്ക്രിപ്റ്റ് ഇല്ലാതെ ഞങ്ങൾ സൈറ്റ് കാണിക്കുന്നു.
പല്ലുകൾ മനുഷ്യശരീരത്തിന്റെ പ്രായത്തിന്റെ ഏറ്റവും കൃത്യമായ സൂചകമായി കണക്കാക്കപ്പെടുന്നു, മാത്രമല്ല പലപ്പോഴും ഫോറൻസിക് പ്രായശ്ചിത്തത്തിൽ ഉപയോഗിക്കാറുണ്ട്. പരമ്പരാഗത രീതികളും ഡാറ്റയുടെ അടിസ്ഥാന സമയവും ഉപയോഗിച്ച് 18 വർഷത്തെ പരിധിവരെ കണക്കാക്കിയ എസ്റ്റിമേഷണൽ രീതികളും വർഗ്ഗീകരണ പ്രകടനവും താരതമ്യം ചെയ്ത് ഡാറ്റ മൈനിംഗ്-അധിഷ്ഠിത ഡെന്റൽ പ്രായം എസ്റ്റിമേറ്റ് സാധൂകരിക്കുകയാണ് ഞങ്ങൾ ലക്ഷ്യമിട്ടത്. 15 മുതൽ 23 വർഷം വരെ പ്രായമുള്ള കൊറിയൻ, ജാപ്പനീസ് പൗരന്മാർ എന്നിവിടങ്ങളിൽ നിന്നും 2657 പനോരമിക് റേഡിയോഗ്രാഫ് ശേഖരിച്ചു. 900 കൊറിയൻ റേഡിയോഗ്രാഫുകൾ അടങ്ങിയ ഒരു പരിശീലന സെറ്റാക്കിയായി അവരെ കെട്ടിച്ചമച്ചതായും 857 ജാപ്പനീസ് റേഡിയോഗ്രാഫുകൾ അടങ്ങിയ ആന്തരിക പരിശോധന സെറ്റാക്കി. ടെസ്റ്റ് സെറ്റ് ഡാറ്റ ഖനന മോഡലുകളുടെ ടെസ്റ്റ് സെറ്റുകൾ ഉപയോഗിച്ച് ഞങ്ങൾ പരമ്പരാഗത രീതികളുടെ വർഗ്ഗീകരണ കൃത്യതയും കാര്യക്ഷമതയും താരതമ്യം ചെയ്തു. ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ പരമ്പരാഗത രീതിയുടെ കൃത്യത വളരെ കൂടുതലാണ്, ഡാറ്റ ഖനന മോഡലിനേക്കാൾ അല്പം കൂടുതലാണ്, വ്യത്യാസം ചെറുതാണ് (ശരാശരി കേവല പിശക് <0.21 വർഷം, റൂട്ട് ശരാശരി സ്ക്വയർ പിശക് <0.24 വർഷം). പരമ്പരാഗത രീതികളും ഡാറ്റാ ഖനന മോഡലുകൾക്കും ഇടയിൽ 18 വർഷത്തെ കട്ട്ഓഫിനുള്ള വർഗ്ഗീകരണ പ്രകടനം സമാനമാണ്. അങ്ങനെ, കൊറിയൻ ക o മാരക്കാരായ ചെറുപ്പക്കാരായ മുതിർന്നവരോടും ആവശ്യമുള്ള രണ്ടാമത്തെയും മോളറുകളുടെയും കാലാവധി പൂർത്തിയാകുമ്പോൾ ഫോറൻസിക് പ്രായ വിലയിരുത്തൽ നടത്താൻ പരമ്പരാഗത രീതികൾ ഡാറ്റ ഖനന മോഡലുകൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കാം.
ഫോറൻസിക് മെഡിസിൻ, പീഡിയാട്രിക് ഡെന്റിസ്ട്രി എന്നിവയിൽ ദന്തത്തായ പ്രായ കണക്കുടി വ്യാപകമായി ഉപയോഗിക്കുന്നു. പ്രത്യേകിച്ചും, കാലക്രമവസനം, ദന്ത സംഭവം എന്നിവയ്ക്കുള്ള ഉയർന്ന ബന്ധം കാരണം, ദന്തക്ഷകാരോഗ്യ സംഘടനയുടെ പ്രായ വിലയിരുത്തൽ കുട്ടികളുടെയും കൗമാരക്കാരുടെയും പ്രായം വിലയിരുത്തുന്നതിനുള്ള ഒരു പ്രധാന മാനദണ്ഡമാണ്. എന്നിരുന്നാലും, ചെറുപ്പക്കാർക്കായി, ഡെന്റൽ പക്വതയെ അടിസ്ഥാനമാക്കിയുള്ള ഡെന്റൽ യുഗം അതിന്റെ പരിമിതികളുണ്ട്, കാരണം ഡെന്റൽ വളർച്ച ഏതാണ്ട് പൂർത്തിയായി, മൂന്നാമത്തെ മോളറുകൾ ഒഴികെ. ചെറുപ്പക്കാരുടെയും കൗമാരക്കാരുടെയും പ്രായം നിർണ്ണയിക്കുന്നതിന്റെ നിയമപരമായ ഉദ്ദേശ്യം, അവർ ഭൂരിപക്ഷ കാലഘട്ടത്തിൽ എത്തിയിട്ടുണ്ടോ എന്നതിന്റെ കൃത്യമായ എലിമേറ്റുകളും ശാസ്ത്രീയ തെളിവുകളും നൽകുക എന്നതാണ്. കൊറിയയിലെ കൗമാരക്കാരുടെയും ചെറുപ്പക്കാരുടെയും മെഡിറ്റോ-നിയമപരമായ സമ്പ്രദായത്തിൽ, ലീയുടെ രീതി ഉപയോഗിച്ചാണ് പ്രായം കണക്കാക്കിയത്, ഓ മറ്റുള്ളവർ റിപ്പോർട്ടുചെയ്ത ഡാറ്റയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു നിയമപരമായ പരിധി പ്രവചിച്ചു.
വലിയ അളവിലുള്ള ഡാറ്റ ആവർത്തിച്ച് പഠിക്കുകയും തരംതിരിക്കുകയും ചെയ്യുന്ന ഒരു തരം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ) ആണ് മെഷീൻ ലേണിംഗ്, സ്വന്തമായി പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നു, കൂടാതെ ഡാറ്റ പ്രോഗ്രാമിംഗ് നയിക്കുന്നു. ഡാറ്റാ 6 ഡാറ്റയുടെ വലിയ അളവിൽ ഉപയോഗപ്രദമായ മറഞ്ഞിരിക്കുന്ന രീതികൾ മെഷീൻ പഠനത്തിന് കണ്ടെത്താൻ കഴിയും. ഇതിനു വിപരീതമായി, തൊഴിൽ-തീവ്രമായ, സമയം കഴിക്കുന്ന ശാസ്ത്രീയ രീതികൾ, സ്വമേധയാ പ്രോസസ്സ് ചെയ്യാൻ ബുദ്ധിമുട്ടുള്ള സങ്കീർണ്ണമായ ഡാറ്റയുടെ വലിയ അളവുകളുമായി ഇടപെടുമ്പോൾ പരിമിതികൾ ഉണ്ടായിരിക്കാം. അതിനാൽ, മനുഷ്യ പിശകുകളും കാര്യക്ഷമമായി പ്രോസസ്സ് ചെയ്യുന്നതും ബഹുമാനപൂർവ്വം പ്രോസസ്സ് ചെയ്യുന്നതുമായ ബഹുമാനപ്പെട്ട പ്രോസസ്സ് ചെയ്യുന്നതിന് ഏറ്റവും പുതിയ കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് നിരവധി പഠനങ്ങൾ നടത്തിയിട്ടുണ്ട്. പ്രത്യേകിച്ചും, ആഴത്തിലുള്ള പഠനത്തിൽ മെഡിക്കൽ ഇമേജ് വിശകലനത്തിൽ വ്യാപകമായി ഉപയോഗിക്കുന്നു, ഒപ്പം യാന്ത്രികമായി വിശകലനം ചെയ്ത് പ്രായം കണക്കാക്കാനുള്ള വിവിധ രീതികൾ പ്രായം 31,14,15,15,15,15,18,18,18,18,18,18,18,18,18,18,19,20 . ഉദാഹരണത്തിന്, കുട്ടികളുടെ കൈകളുടെ റേഡിയോഗ്രാഫ് ഉപയോഗിക്കുന്ന അസ്ഥികൂടെ പ്രായം കണക്കാക്കുന്നതിനായി ഹലാബി ഇറ്റ് അൽ 13 വികസിപ്പിച്ചെടുത്തു. മെഡിക്കൽ ഇമേജുകൾ പ്രയോഗിക്കുന്ന ഒരു മാതൃക ഈ പഠനം നിർദ്ദേശിക്കുകയും ഈ രീതികൾക്ക് ഡയഗ്നോസ്റ്റിക് കൃത്യത മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് കാണിക്കുകയും ചെയ്യുന്നു. ആഴത്തിലുള്ള പഠന സിഎൻഎൻ ഉപയോഗിച്ച് പെൽവിക് എക്സ്-റേ ഇമേജുകളിൽ നിന്നുള്ള പ്രായം ആഴത്തിലുള്ള പഠന സിഎൻഎൻ മോഡൽ പരമ്പരാഗത റിഗ്രഷൻ മോഡലായി ഒരേ പ്രായ കണക്കേഷൻ പ്രകടനമാണെന്ന് അവർ കണ്ടെത്തി. ഗ്വാവോ മറ്റുള്ളവ.
മെഷീൻ ലേണിംഗ് ഉപയോഗം ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് രീതി ഉപയോഗിച്ച് പ്രായപരിധിയിലെ മിക്ക പഠനങ്ങളും 614,15,15,16,16,18,18,19,20. ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായ കണക്ക് പരമ്പരാഗത രീതികളേക്കാൾ കൃത്യമാണെന്ന് റിപ്പോർട്ടുണ്ട്. എന്നിരുന്നാലും, ഈ സമീപനം പ്രായസന്നമാക്കുന്നതിനായി ശാസ്ത്രീയ അടിത്തറപ്പ് അവതരിപ്പിക്കാൻ വലിയ അവസരം നൽകുന്നു, എസ്റ്റിമേറ്റിൽ ഉപയോഗിച്ച പ്രായ സൂചകങ്ങൾ പോലുള്ളവ. ആരാണ് പരിശോധന നടത്തുന്നത്. അതിനാൽ, ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായ കണക്ക് അഡ്മിനിസ്ട്രേറ്റീവ്, ജുഡീഷ്യൽ അധികൃതർ അംഗീകരിക്കാൻ പ്രയാസമാണ്. ഡാറ്റ മാത്രമല്ല, വലിയ അളവിൽ ഡാറ്റ 6,21,22 എന്നതു തമ്മിലുള്ള ഉപയോഗപ്രദമായ പരസ്പര ബന്ധങ്ങൾ കണ്ടെത്തുന്നതിനുള്ള ഒരു രീതിയായി ഡാറ്റ ഖനനം (ഡിഎം) ഒരു സാങ്കേതികതയാണ്, മാത്രമല്ല അപ്രതീക്ഷിത വിവരങ്ങളും. ഡാറ്റാ ഖനനത്തിൽ മെഷീൻ പഠനം പലപ്പോഴും ഉപയോഗിക്കുന്നു, കൂടാതെ ഡാറ്റ ഖനനവും യന്ത്ര പഠനവും ഡാറ്റയിൽ പാറ്റേണുകൾ കണ്ടെത്തുന്നതിന് സമാനമായ അൽഗോരിതം ഉപയോഗിക്കുന്നു. ടാർഗെറ്റ് പല്ലിന്റെ കാലാവധിയുടെ കാലാവധിയുടെ വിലയിരുത്തലിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഡെന്റൽ വികസനം ഉപയോഗിക്കുന്നത്, ഈ വിലയിരുത്തൽ ഓരോ ടാർഗെറ്റ് പല്ലിനും ഒരു വേദിയായി പ്രകടിപ്പിക്കുന്നു. ദന്ത വിലയിരുത്തൽ ഘട്ടവും യഥാർത്ഥ പ്രായവും തമ്മിലുള്ള പരസ്പരബന്ധം വിശകലനം ചെയ്യുന്നതിനും പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം മാറ്റിസ്ഥാപിക്കാൻ കഴിവുറ്റാൻ ഡിഎം ഉപയോഗിക്കാം. അതിനാൽ, നാം പ്രായപരിധിയിലേക്ക് ഡിഎം ടെക്നിക്കുകൾ പ്രയോഗിച്ചാൽ, നിയമപരമായ ബാധ്യതയെക്കുറിച്ച് ആശങ്കപ്പെടാതെ ഫോറൻസിക് പ്രായ കണക്കിൽ മെഷീൻ പഠനം നടപ്പിലാക്കാൻ നമുക്ക് കഴിയും. ഫോറൻസിക് പ്രാക്ടീസലും ഇബിഎം അടിസ്ഥാനമാക്കിയുള്ള രീതികളിലും ഉപയോഗിക്കുന്ന പരമ്പരാഗത മാനുവൽ രീതികളിലേക്ക് നിരവധി താരതമ്യ പഠനങ്ങൾ പ്രസിദ്ധീകരിച്ചു. പരമ്പരാഗത ക്യാമറസർ ഫോർമുലയേക്കാൾ ഡിഎം മോഡൽ കൂടുതൽ കൃത്യമാണെന്ന് ഷെൻ എടി അൽ 23 കാണിച്ചു. ഗലീബോർഗ് മറ്റുള്ളവരും പ്രവചിക്കാൻ വ്യത്യസ്ത ഡിഎം മാർഗ്ഗങ്ങൾ പ്രവചിക്കാൻ പ്രാപ്തമാക്കി, പ്രവചിച്ച ഫലങ്ങൾ വ്യക്തമാക്കുന്നു.
കൊറിയൻ ക o മാരക്കാരുടെയും ചെറുപ്പക്കാരുടെയും ഡെന്റൽ പ്രായം കണക്കാക്കാൻ, കൊറിയൻ ഫോറൻസിക് പരിശീലനത്തിൽ ലീയുടെ രീതി 4 വ്യാപകമായി ഉപയോഗിക്കുന്നു. കൊറിയൻ വിഷയങ്ങളും കാലക്രമവും തമ്മിലുള്ള ബന്ധം പരിശോധിക്കുന്നതിന് ഈ രീതി പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം ഉപയോഗിക്കുന്നു (ഒന്നിലധികം റിഗ്രഷൻ പോലുള്ളവ) ഉപയോഗിക്കുന്നു. ഈ പഠനത്തിൽ, പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ ഉപയോഗിച്ച് ലഭിച്ച പ്രായ കണക്കഴിവുകൾ "പരമ്പരാഗത രീതികൾ" എന്ന് നിർവചിക്കപ്പെടുന്നു. ലീയുടെ രീതി ഒരു പരമ്പരാഗത രീതിയാണ്, അതിന്റെ കൃത്യത ഓ മറ്റുള്ളവരും സ്ഥിരീകരിച്ചു. 5; 5; എന്നിരുന്നാലും, കൊറിയൻ ഫോറൻസിക് പരിശീലനത്തിലെ ഡിഎം മോഡലിനെ അടിസ്ഥാനമാക്കി പ്രായപരിധിയുടെ പ്രയോഗക്ഷമത ഇപ്പോഴും സംശയാസ്പദമാണ്. പ്രായപരിധിയുടെ ഉപയോഗത്തെ ഡിഎം മോഡലിനെ അടിസ്ഥാനമാക്കി ശാസ്ത്രപരമായി സാധൂകരിക്കുക എന്നതായിരുന്നു ഞങ്ങളുടെ ലക്ഷ്യം. ഈ പഠനത്തിന്റെ ഉദ്ദേശ്യം (1) ഡെന്റൽ പ്രായം കണക്കാക്കുന്നത് ദന്തത്തായ പ്രായം കണക്കാക്കുന്നതിനും (2) വ്യാപാരപരമായ സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ പക്വത ഉപയോഗിച്ച് ലഭിച്ചവരുമായി താരതമ്യം ചെയ്യാൻ രണ്ട് താടിയെയും മൂന്നാം മോളറുകളും.
സ്റ്റേജും ടൂത്ത് തരത്തിലുള്ള കാലക്രമവയസംഗലയുക്തമായതും സപ്ലിയർ ടേബിൾ എസ് 1 (പരിശീലകൻ ടേബിൾ എസ് 2 (ഇന്റേണൽ ടെസ്റ്റ് എസ് 2 (ഇന്റേണൽ ടെസ്റ്റ് എസ് 2), അനുബന്ധ പട്ടിക s3 (ബാഹ്യ ടെസ്റ്റ് സെറ്റ്) എന്നിവയിൽ ഓൺലൈനിൽ സ്ഥിരമായി കാണിക്കുന്നു. പരിശീലന സെറ്റിൽ ലഭിച്ച ഇൻട്രാ-, ഇന്റർബോഴ്സ് റിവാർഡ് റിലീസിനുള്ള കപ്പ മൂല്യങ്ങൾ യഥാക്രമം 0.951, 0.947 എന്നിവയായിരുന്നു. പി മൂല്യങ്ങളും 95% പേരുകൾ KAPA മൂല്യങ്ങൾക്കുള്ള 95% ആത്മവിശ്വാസ ഇടവേളകൾ ഓൺലൈൻ അനുബന്ധ പട്ടിക S4 ൽ കാണിച്ചിരിക്കുന്നു. ലാൻഡിസിന്റെയും കോച്ച് 26 ന്റെയും മാനദണ്ഡവുമായി പൊരുത്തപ്പെടുന്ന "മിക്കവാറും തികഞ്ഞത്" എന്ന നിലയിൽ കാപ്പ മൂല്യം വ്യാഖ്യാനിച്ചു.
അർത്ഥമാക്കുമ്പോൾ, സമർത്ഥമായ പിശക് (മേ) താരതമ്യപ്പെടുത്തുമ്പോൾ, പരമ്പരാഗത രീതി എല്ലാ ലിംഗഭേദത്തിനും, ബാഹ്യ പുരുഷ പരിശോധന സെറ്റിൽ, മൾട്ടിലൈയർ ഡെബ്ട്രോൺ (എംഎൽപി) ഒഴികെ. പരമ്പരാഗത മോഡലും ആന്തരിക മൈ ടെസ്റ്റ് സെറ്റിലെ പരമ്പരാഗത മോഡലും ഡിഎം മോഡലും തമ്മിലുള്ള വ്യത്യാസം പുരുഷന്മാർക്ക് 0.17-0.19 വർഷമായിരുന്നു. ബാഹ്യ ടെസ്റ്റ് ബാറ്ററിയ്ക്കായി, വ്യത്യാസങ്ങൾ ചെറുതാണ് (പുരുഷന്മാർക്ക് 0.001-0.05 വയസ്സ്, സ്ത്രീകൾക്ക് 0.05-0.09 വർഷം). കൂടാതെ, റൂട്ട് ശരാശരി സ്ക്വയർ പിശക് (ആർഎംഎസ്ഇ) പരമ്പരാഗത രീതിയേക്കാൾ അല്പം കുറവാണ്, കൂടാതെ ബാഹ്യ പരിശോധനയ്ക്ക് 0.03-0.24, 0.04-0.08, 0.034-0.08, 0.04-0.08 ). സ്ത്രീ ബാഹ്യ ടെസ്റ്റ് സെറ്റിന്റെ കാര്യത്തിൽ ഒഴികെ സിംഗിൾ ലെയർ ഗ്രേജ്ട്രോണിനേക്കാൾ അല്പം മികച്ച പ്രകടനം എംഎൽപി കാണിക്കുന്നു. എല്ലാ ലിംഗങ്ങൾക്കും മോഡലുകൾക്കും ഉള്ള ആന്തരിക പരിശോധനയേക്കാൾ ഉയർന്ന ടെസ്റ്റ് സെറ്റ് സ്കോറുകൾക്കായി, ഉയർന്ന ടെസ്റ്റ് സെറ്റ് സ്കോറുകൾക്കായി. എല്ലാ മേയും ആർഎംഇയും പട്ടിക 1 ൽ കാണിച്ചിരിക്കുന്നു, ചിത്രം 1.
പരമ്പരാഗത, ഡാറ്റാ ഖനന റിഗ്രഷൻ മോഡലുകളുടെ മങ്ങളെയും ആർഎംസിയും. അർത്ഥമാക്കുക
പരമ്പരാഗത, ഡിഎം മോഡലുകളിൽ (18 വയസ്സ് ഉപയോഗിച്ച്) വ്യാപാരപരവും ഡിഎം മോഡലുകളുടെയും (എൻപിവി), അബോയിമെന്റ് സ്വീകാര്യ സ്വഭാവ വിർവ് (ഓറോക്ക്) പ്രകാരം (ഓറോക്ക്) പ്രകാരം വ്യാപാരം, പ്രത്യേകത പ്രവചനാതീതമായ (പിപിവി), വിസ്തീർണ്ണം 27 (പട്ടിക 2, ചിത്രം 2, അനുബന്ധ ചിത്രം 1 ഓൺലൈൻ). ആന്തരിക ടെസ്റ്റ് ബാറ്ററിയുടെ സംവേദനക്ഷമത, പരമ്പരാഗത രീതികൾ പുരുഷന്മാരിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു. എന്നിരുന്നാലും, പരമ്പരാഗത രീതികളും എസ്ഡിയും തമ്മിലുള്ള വർഗ്ഗീകരണ പ്രകടനത്തിലെ വ്യത്യാസം പുരുഷന്മാർക്ക് (എംഎൽപി) 9.7 ശതമാനമാണ്, കൂടാതെ സ്ത്രീകൾക്ക് 2.4% മാത്രം (xgbost). ഡിഎം മോഡലുകൾക്കിടയിൽ, ലോജിസ്റ്റിക് റിഗ്രഷൻ (എൽആർ) രണ്ട് ലിംഗങ്ങളിലും മികച്ച സംവേദനക്ഷമത കാണിച്ചു. ആന്തരിക ടെസ്റ്റ് സെറ്റിന്റെ പ്രത്യേകതയെക്കുറിച്ച്, പുരുഷന്മാരിൽ നാല് എസ്ഡി മോഡലുകൾ പുരുഷന്മാരിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു, അതേസമയം പരമ്പരാഗത മോഡൽ സ്ത്രീകളിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. മോഡലുകൾ തമ്മിലുള്ള വർഗ്ഗീകരണ പ്രകടനത്തെ മറികടക്കുന്ന വ്യത്യാസം സംവേദനക്ഷമതയെക്കാൾ 13.3% (എംഎൽപി), 13.3% (എംഎൽപി), 13.1% (എംഎൽപി) എന്നിവയാണ് വ്യത്യാസങ്ങൾ. ഡിഎം മോഡലുകൾ, സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (എസ്വിഎം), തീരുമാന വനം (ഡിടി), റാൻഡം വനം (ആർഎഫ്) മോഡലുകൾ പുരുഷന്മാർക്കിടയിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്നു, അതേസമയം സ്ത്രീകൾ സ്ത്രീകൾക്കിടയിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. 18 കാരനായ സാമ്പിൾസ് 28 ൽ മികച്ച വർഗ്ഗീകരണ പ്രകടനം പ്രകടിപ്പിക്കുന്നതിലൂടെ പരമ്പരാഗത മോഡലിന്റെയും എല്ലാ എസ്ഡി മോഡലുകളുടെയും ഓറോക്ക് പുരുഷന്മാരിൽ 0.925 (കെ-അടുത്തുള്ള അയൽക്കാരൻ). ബാഹ്യ പരീക്ഷണ സെറ്റിനായി, ഇന്റേണൽ ടെസ്റ്റ് സെറ്റിനെ അപേക്ഷിച്ച് സംവേദനക്ഷമത, പ്രത്യേകത, ഓറോക്ക് എന്നിവയുടെ അടിസ്ഥാനത്തിൽ വർഗ്ഗീകരണ പ്രകടനത്തിൽ കുറവുണ്ടായി. മാത്രമല്ല, ഏറ്റവും മികച്ചതും മോശമായതുമായ പ്രകടനത്തിന്റെ വർഗ്ഗീകരണ പ്രകടനത്തെക്കുറിച്ചുള്ള വർഗ്ഗീകരണ പ്രകടനം തമ്മിലുള്ള വ്യത്യാസം 10 ശതമാനത്തിൽ നിന്ന് 25 ശതമാനമായി കുറഞ്ഞു, ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ വ്യത്യാസത്തേക്കാൾ വലുതാണ്.
18 വർഷത്തെ പാരമ്പര്യമുള്ള രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഡാറ്റ ഖനന വർഗ്ഗീകരണ മോഡലുകളുടെ സംവേദനക്ഷമതയും പ്രത്യേകതയും. കെ കെ എം സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ, എൽ ആർ ലോജിസ്റ്റിക് റിഗ്രഷൻ, ഡിടി തീരുമാനമരം, ആർഎഫ് റാൻഡം വനം, XGB XGBOOST, MLP മൾട്ടിലീമർ പെനിമാർ, പരമ്പരാഗത മുഖ്യ രീതി.
ഈ പഠനത്തിലെ ആദ്യപടി പരമ്പരാഗത റിഗ്രഷൻ ഉപയോഗിച്ച് ലഭിച്ച ഏഴ് ഡിഎം മോഡലുകളിൽ നിന്ന് ലഭിച്ച ദന്തേജ് എസ്റ്റിമേറ്റുകളുടെ കൃത്യത താരതമ്യം ചെയ്യുകയായിരുന്നു. രണ്ട് ലിംഗങ്ങൾക്കായുള്ള ആന്തരിക ടെസ്റ്റ് സെറ്റുകളിലും പചലാഗത രീതിയും ഡിഎം മോഡലും തമ്മിലുള്ള വ്യത്യാസവും 44 മുതൽ 77 ദിവസം വരെയും 62 മുതൽ 88 ദിവസം വരെ. പരമ്പരാഗത രീതി ഈ പഠനത്തിൽ അല്പം കൂടുതൽ കൃത്യമായിരുന്നുവെങ്കിലും, അത്തരമൊരു ചെറിയ വ്യത്യാസമുണ്ടോ എന്ന് നിഗമനം ചെയ്യുന്നത് ബുദ്ധിമുട്ടാണ്. ഡിഎം മോഡൽ ഉപയോഗിച്ച് ദന്ത പ്രായ കണക്കനുസരിച്ച് കൃത്യത പരമ്പരാഗത രീതിക്ക് തുല്യമാണെന്ന് ഈ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു. മുമ്പത്തെ പഠനങ്ങളിൽ നിന്നുള്ള ഫലങ്ങളുമായുള്ള നേരിട്ടുള്ള താരതമ്യം ഈ പഠനത്തിലെ അതേ വാർദ്ധവൽക്കരിച്ച അതേ സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് ഡിഎം മോഡലുകളുടെ കൃത്യതയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഗാലിബോർഗ് മറ്റുള്ളവരും മങ്ങളെയും ആർഎംസിയും രണ്ട് പരമ്പരാഗത രീതികൾ (ഡെമിർജിയൻ രീതി 25, വില്ലെംസ് മെഡിസ്റ്റ് 29), 2 മുതൽ 24 വയസ്സ് വരെ പ്രായമുള്ള ഒരു ഫ്രഞ്ച് ജനസംഖ്യയിൽ 10 ഡിഎം മോഡലുകൾ. എല്ലാ ഡിഎം മോഡലുകളും പരമ്പരാഗത രീതികളേക്കാൾ കൃത്യസമയത്തും 0.20, 0.38 വർഷം, മയെ യഥാക്രമം 0.20, 0.47 വർഷം എന്നിങ്ങനെയുള്ള വ്യത്യാസങ്ങളും യഥാക്രമം 0.20, 0.47 വർഷം. ഹാലിബെർഗ് പഠനത്തിൽ കാണിച്ചിരിക്കുന്ന എസ്ഡി മോഡലും പരമ്പരാഗത രീതികളും തമ്മിലുള്ള പൊരുത്തക്കേട് നിരവധി റിപ്പോർട്ടുകൾ 30,31,32,33 ആണ്. ഈ പഠനത്തിൽ. 1636 ചൈനീസ് ഓർത്തോഡോൺസി ഫോട്ടോഗ്രാഫുകളിൽ നിന്ന് ടൂത്ത് പ്രായം പ്രവചിക്കാനും അതിന്റെ കൃത്യതയെ ഡെമിർജിയൻ, വില്ല് വരുന്ന ഫലങ്ങൾ എന്നിവയുടെ ഫലങ്ങളുമായി താരതമ്യപ്പെടുത്തുന്നതിന് ടിഎപി ആൽഗോരിതം ഉപയോഗിച്ചു. പരമ്പരാഗത രീതികളേക്കാൾ എംഎൽപിക്ക് ഉയർന്ന കൃത്യതയുണ്ടെന്ന് അവർ റിപ്പോർട്ട് ചെയ്തു. ഡേംജിയൻ രീതിയും പരമ്പരാഗത രീതിയും തമ്മിലുള്ള വ്യത്യാസം <0.32 വർഷമാണ്, ഇത് ഇപ്പോഴത്തെ പഠനത്തിന്റെ ഫലങ്ങൾക്ക് സമാനമായ 0.28 വർഷമാണ് വില്ലെംസ് രീതി. ഈ മുമ്പത്തെ സ്റ്റഡീസിന്റെ ഫലങ്ങൾ ഇപ്പോഴത്തെ പഠന ഫലങ്ങളുമായി പൊരുത്തപ്പെടുന്നു, കൂടാതെ ഡിഎം മോഡലിന്റെ പ്രായ കണക്ക് കൃത്യതയും പരമ്പരാഗത രീതിയും സമാനമാണ്. എന്നിരുന്നാലും, അവതരിപ്പിച്ച ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, പ്രായപരിധി അവസാനിപ്പിക്കുന്നതിന് ഡിഎം മോഡലുകളുടെ ഉപയോഗം, താരതമ്യ, റഫറൻസ് മുമ്പത്തെ പഠനങ്ങളുടെ അഭാവം കാരണം നിലവിലുള്ള രീതികളെ മാറ്റിസ്ഥാപിക്കാം. ഈ പഠനത്തിൽ ലഭിച്ച ഫലങ്ങൾ സ്ഥിരീകരിക്കുന്നതിന് ഫോളോ-അപ്പ് പഠനങ്ങൾ ആവശ്യമാണ്.
ദന്തയുഗത്ത് കണക്കാക്കുമ്പോൾ എസ്ഡിയുടെ കൃത്യത പരിശോധിച്ച പഠനങ്ങളിൽ ചിലർ ഞങ്ങളുടെ പഠനത്തേക്കാൾ ഉയർന്ന കൃത്യത കാണിച്ചു. 2.7 മുതൽ 20.5 വയസ്സ് വരെയുള്ള 976 ചെക്ക് നിവാസികളുടെ പനോരമിക് റേഡിയോഗ്രാഫിലേക്ക് സ്റ്റെപനോവ്സ്കി ഇൽ 35 22 എസ്ഡി മോഡലുകൾ പ്രയോഗിക്കുകയും ഓരോ മോഡലിന്റെയും കൃത്യത പരീക്ഷിക്കുകയും ചെയ്തു. മൂർരെസ് ഇറ്റ് 36 നിർദ്ദേശിച്ച വർഗ്ഗീകരണ മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് ആകെ 16 മുകളിലെതും താഴ്ന്ന ഇടത് സ്ഥിരമായ പല്ലുകളുടെയും വികസനത്തെ അവർ വിലയിരുത്തി. മൈയ്ക്ക് 0.64 മുതൽ 0.94 വരെയും 0.85 മുതൽ 1.27 വരെ, ഈ പഠനത്തിൽ ഉപയോഗിക്കുന്ന രണ്ട് ഡിഎം മോഡലുകളേക്കാൾ കൃത്യമാണ്. 5 മുതൽ 13 വർഷം വരെ പ്രായമുള്ള കിഴക്കൻ ചൈനീസ് നിവാസികളിൽ ഇടത് സ്ഥിരമായ പല്ലുകളുടെ ഡെന്റൽ പ്രായം കണക്കാക്കുന്നതിനും ലീനിയർ റിഗ്രഷൻ, എസ്വിഎം, ആർഎഫ് എന്നിവ ഉപയോഗിച്ച് കണക്കാക്കിയ യുഗങ്ങളെ താരതമ്യം ചെയ്യുമെന്ന ക്യാമററെ മാർഗ്ഗത്തിന് ഷെൻ ഇ.എൽ 23 ക്യാമററെ രീതി ഉപയോഗിച്ചു. പരമ്പരാഗത ക്യാമററിയർ ഫോർമുലയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മൂന്ന് ഡിഎം മോഡലുകളിലും ഉയർന്ന കൃത്യതയുണ്ടെന്ന് അവർ വ്യക്തമാക്കുന്നു. ഈ പഠനത്തിലെ ഡിഎം മോഡലിനേക്കാൾ കുറവുള്ള മേയും ആർഎംഎസ്ഇയും ഷെന്റെ പഠനത്തിൽ കുറവാണ്. സ്റ്റെപാനോവ്സ്കി മറ്റുള്ളവരും പഠനത്തിന്റെ വർദ്ധിച്ച കൃത്യത. 35 ഉം ഷെൻ ചെയ്യുക. 23 അവരുടെ പഠന സാമ്പിളുകളിൽ ഇളയ വിഷയങ്ങൾ ഉൾപ്പെടുത്താം. പല്ലുകൾ വികസിച്ചുകൊണ്ട് പല്ലുകൾക്കിടയിൽ പങ്കെടുക്കുന്നവർക്ക് പ്രായം കൂടുതൽ കൃത്യമായിത്തീരുന്നു, കാരണം പല്ലുകളുടെ എണ്ണം ഡെന്റൽ വികസന സമയത്ത് വർദ്ധിക്കുന്നതോടെ, പങ്കെടുക്കുന്ന പങ്കാളികൾ ചെറുപ്പമായിരിക്കുമ്പോൾ കൃത്യതയുടെ കൃത്യത അപഹരിക്കപ്പെട്ടേക്കാം. കൂടാതെ, എംഎൽപിയുടെ പിശക് പ്രായമായ കണക്കനുസരിച്ച് SLP- നെക്കാൾ ചെറുതാണ്, കാരണം എംഎൽപി എസ്എൽപിയേക്കാൾ കൃത്യമാണ്. എംഎൽപി പ്രായ കണക്കിന് മികച്ചതായി കണക്കാക്കപ്പെടുന്നു, ഒരുപക്ഷേ Mlp38 ലെ മറഞ്ഞിരിക്കുന്ന പാളികൾ കാരണം. എന്നിരുന്നാലും, സ്ത്രീകളുടെ പുറം സാമ്പിളിൽ ഒരു അപവാദമുണ്ട് (SLP 1.45, MLP 1.49). എംഎൽപി എസ്എൽപിയേക്കാൾ കൃത്യമാണ്.
ഡിഎം മോഡലിന്റെ വർഗ്ഗീകരണ പ്രകടനവും 18 വർഷത്തെ പരിധിയിലെ പരമ്പരാഗത രീതിയും താരതമ്യം ചെയ്തു. പരീക്ഷിച്ച എസ്ഡി മോഡലുകളും ആന്തരിക ടെസ്റ്റ് സെറ്റിൽ, ആന്തരിക ടെസ്റ്റ് സെറ്റിൽ പരമ്പരാഗത രീതികളും 18 വയസുള്ള സാമ്പിളിനെ പ്രായോഗികമായി സ്വീകാര്യമായ വിവേചനപരമായ വിവേചനം കാണിക്കുന്നു. പുരുഷന്മാർക്കും സ്ത്രീകൾക്കും സംവേദനക്ഷമത യഥാക്രമം 87.7 ശതമാനവും 94.9 ശതമാനവും കൂടുതലായിരുന്നു, പ്രത്യേകത 89.3 ശതമാനവും 84.7 ശതമാനവും കൂടുതലായിരുന്നു. പരീക്ഷിച്ച എല്ലാ മോഡലുകളുടെയും ഓറോക്ക് 0.925 കവിയുന്നു. ഞങ്ങളുടെ അറിവിന്റെ പരമാവധി, ഡെന്റൽ പക്വതയെ അടിസ്ഥാനമാക്കി 18 വർഷത്തെ വർഗ്ഗീകരണത്തിനായി ഡിഎം മോഡലിന്റെ പ്രകടനം ഒരു പഠനവും പരീക്ഷിച്ചിട്ടില്ല. പനോരമിക് റേഡിയോഗ്രാഫുകളിൽ ആഴത്തിലുള്ള പഠന മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനവുമായി ഈ പഠനത്തിന്റെ ഫലങ്ങൾ താരതമ്യം ചെയ്യാം. ഗുവോ മറ്റുള്ളവ അൽ -5 ഒരു സിഎൻഎൻ അടിസ്ഥാനമാക്കിയുള്ള ആഴത്തിലുള്ള ഒരു മോഡലിന്റെ വർഗ്ഗീകരണ പ്രകടനം കണക്കാക്കി, ഒരു നിശ്ചിത പ്രായപരിധിക്കുള്ള ഡെമിർജിയന്റെ രീതിയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മാനുവൽ രീതി കണക്കാക്കി. മാനുവൽ രീതിയുടെ സംവേദനക്ഷമതയും പ്രത്യേകതയും യഥാക്രമം 87.7%, 95.5 ശതമാനം, സിഎൻഎൻ മോഡലിന്റെ സംവേദനക്ഷമതയും പ്രത്യേകതയും യഥാക്രമം 89.2 ശതമാനവും 86.6 ശതമാനവും കവിഞ്ഞു. വർഗ്ഗീകരിച്ച പ്രായപരിധിയിലുള്ള മാനുവൽ വിലയിരുത്തലിനെ ആഴത്തിലുള്ള പഠന മോഡലുകൾക്ക് മാറ്റിസ്ഥാപിക്കുകയോ മറികടക്കുകയോ ചെയ്യാമെന്ന് അവർ നിഗമനം ചെയ്തു. ഈ പഠനത്തിന്റെ ഫലങ്ങൾ സമാന വർഗ്ഗീകരണ പ്രകടനം കാണിച്ചു; ഡിഎം മോഡലുകൾ ഉപയോഗിച്ചുള്ള വർഗ്ഗീകരണം പരമ്പരാഗത സ്ഥിതിവിവരക്കണക്ക് രീതികളെ മാറ്റിസ്ഥാപിക്കാൻ കഴിയുമെന്ന് വിശ്വസിക്കപ്പെടുന്നു. മോഡലുകളിൽ ഡിഎം എൽആർ മികച്ച മോഡലായിരുന്നു, സ്ത്രീ സാമ്പിളിന്റെ സംവേദനക്ഷമതയ്ക്കും പെൺ സാമ്പിളിന്റെ പ്രത്യേകതയ്ക്കും പ്രത്യേകതയ്ക്കും മികച്ച മോഡലായിരുന്നു. പുരുഷന്മാർക്ക് പ്രത്യേകാവകാശത്തിൽ രണ്ടാമതായി. മാത്രമല്ല, എൽആർ കൂടുതൽ ഉപയോക്തൃ-സ friendly ഹൃദ ഡിഎം 35 മോഡലുകളിലൊന്നായി കണക്കാക്കപ്പെടുന്നു, മാത്രമല്ല ഇത് സങ്കീർണ്ണവും പ്രോസസ്സ് ചെയ്യാൻ ബുദ്ധിമുട്ടുള്ളതുമാണ്. ഈ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, കൊറിയൻ ജനസംഖ്യയിൽ 18 വയസുള്ള ഏറ്റവും മികച്ച കട്ട്ഓഫ് വർഗ്ഗീകരണ മാതൃകയായി എൽആർ ആയി കണക്കാക്കപ്പെട്ടു.
മൊത്തത്തിൽ, ബാഹ്യ ടെസ്റ്റ് സെറ്റിലെ പ്രായ കണക്കനുസരിച്ച് പ്രായമായ കണക്കനുസരിച്ച് അല്ലെങ്കിൽ വർഗ്ഗീകരണ പ്രകടനം അല്ലെങ്കിൽ ആന്തരിക ടെസ്റ്റ് സെറ്റിൽ താരതമ്യം ചെയ്യുമ്പോൾ മോശം അല്ലെങ്കിൽ കുറവാണ്. കൊറിയൻ ജനസംഖ്യയെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായപരിധി ഏറ്റെടുക്കൽ ജാപ്പനീസ് ജനസംഖ്യയിൽ കാലാവധി പൂർത്തിയാകുമ്പോൾ വർഗ്ഗീകരണ കൃത്യത അല്ലെങ്കിൽ കാര്യക്ഷമത കുറയുന്നുവെന്ന് ചില റിപ്പോർട്ടുകൾ സൂചിപ്പിക്കുന്നു, ഇത് ഇപ്പോഴത്തെ പഠനത്തിൽ സമാനമായ ഒരു മാതൃക കണ്ടെത്തി. ഈ അപചയ പ്രവണതയും ഡിഎം മോഡലിൽ നിരീക്ഷിക്കപ്പെട്ടു. അതിനാൽ, വിശകലന പ്രക്രിയയിൽ ഡിഎം ഉപയോഗിക്കുമ്പോഴും, വിശകലനങ്ങളുടെ പ്രക്രിയയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ രീതികൾ പരമ്പരാഗത രീതികൾ പോലുള്ള നേറ്റീവ് പോപ്പുലേഷൻ ഡാറ്റയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ രീതികൾ കണക്കാക്കപ്പെടുന്നു, 35,39,40,41,42 ആയിരിക്കണം. ആഴത്തിലുള്ള പഠന മോഡലുകൾക്ക് സമാനമായ രീതികൾ, ക്ലാസ്സിഫിക്കേഷൻ കൃത്യതയോടുള്ള കാര്യക്ഷമതയോടും, അതേ സാമ്പിൾ, അതേ സാമ്പിൾസ്, അതേ സാമ്പിളിലെ കാര്യക്ഷമത എന്നിവ താരതമ്യപ്പെടുത്താൻ സഹായിക്കേണ്ടതുണ്ട്. വിലയിരുത്തലുകൾ.
കൊറിയയിലെ ഫോറൻസിക് പ്രായ കണക്ക് പ്രാക്ടീസിലെ ഡിഎം മോഡലിനെ അടിസ്ഥാനമാക്കി പരമ്പരാഗത രീതികൾ പ്രായപരിധി മാറ്റിസ്ഥാപിക്കാൻ കഴിയുമെന്ന് ഞങ്ങൾ തെളിയിക്കാൻ കഴിയും. ഫോറൻസിക് പ്രായ വിലയിരുത്തലിനായി മെഷീൻ പഠനം നടപ്പിലാക്കാനുള്ള സാധ്യതയും ഞങ്ങൾ കണ്ടെത്തി. എന്നിരുന്നാലും, ഫലങ്ങൾ നിർണ്ണയിക്കുന്നതിനായി ഈ പഠനത്തിൽ നിർണ്ണയിക്കുന്ന പങ്കാളികളുടെ എണ്ണം, ഈ പഠനത്തിന്റെ ഫലങ്ങൾ താരതമ്യം ചെയ്യാനുള്ള മുൻ പഠനങ്ങളുടെ അഭാവം, കൂടാതെ മുമ്പത്തെ പഠനങ്ങളുടെ അഭാവം എന്നിവ പോലുള്ള വ്യക്തമായ പരിമിതികളുണ്ട്. ഭാവിയിൽ, പരമ്പരാഗത രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ പ്രായോഗിക പ്രയോഗക്ഷമത മെച്ചപ്പെടുത്തുന്നതിന് വലിയ എണ്ണം സാമ്പിളുകളും കൂടുതൽ വൈവിധ്യമാർന്ന ജനസംഖ്യയും നടത്തണം. ഒന്നിലധികം ജനസംഖ്യയിൽ കണക്കാക്കുന്നതിന്റെ പ്രായം ഒന്നിലധികം ജനസംഖ്യയിൽ കണക്കാക്കാനുള്ള സാധ്യത സാധൂകരിക്കുന്നതിന്, വർഗ്ഗീകരണ കൃത്യതയും കാര്യക്ഷമതയും ഒരേ സാമ്പിളുകളിൽ പരമ്പരാഗത രീതികളുമായി താരതമ്യം ചെയ്യാൻ ഭാവി പഠനങ്ങൾ ആവശ്യമാണ്.
15 മുതൽ 23 വർഷം വരെ പ്രായമുള്ള കൊറിയൻ, ജാപ്പനീസ് മുതിർന്നവരിൽ നിന്ന് ശേഖരിച്ച 2,657 ഓർത്തോഗ്രാഫിക് ഫോട്ടോഗ്രാഫുകൾ പഠനം ഉപയോഗിച്ചു. കൊറിയൻ റേഡിയോഗ്രാഫുകൾ 900 പരിശീലന സെറ്റുകളായി (19.42 ± 2.65 വർഷം), 900 ആന്തരിക ടെസ്റ്റ് സെറ്റുകൾ (19.52 ± 2.59 വർഷം) തിരിച്ചെത്തി. ഒരു സ്ഥാപനത്തിൽ (സിയോൾ സെന്റ് മേരീസ് ഹോസ്പിറ്റലിലാണ്) പരിശീലന സെറ്റ് ശേഖരിച്ചത്, രണ്ട് സ്ഥാപനങ്ങളിലും (സിയോൾ നാഷണൽ യൂണിവേഴ്സിറ്റി ഡെന്റൽ ഹോസ്പിറ്റൽ, യുസോനി യൂണിവേഴ്സിറ്റി ഡെന്റൽ ഹോസ്പിറ്റലിൽ) ശേഖരിച്ചു. ബാഹ്യ പരിശോധനയ്ക്കായി മറ്റൊരു പോപ്പുലേഷൻ അധിഷ്ഠിത ഡാറ്റ (ഇവേറ്റ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റി) 857 റേഡിയോഗ്രാഫുകൾ ഞങ്ങൾ ശേഖരിച്ചു. ജാപ്പനീസ് വിഷയങ്ങളുടെ റേഡിയോഗ്രാഫുകൾ (19.31 ± 2.60 വർഷം) ബാഹ്യ ടെസ്റ്റ് സെറ്റായി തിരഞ്ഞെടുക്കപ്പെട്ടു. ദന്ത ചികിത്സയ്ക്കിടെ എടുത്ത പനോരമിക് റേഡിയോഗ്രാഫുകളുടെ ഘട്ടത്തെ വിശകലനം ചെയ്യാൻ ഡാറ്റ മുൻകാലഘട്ടത്തിൽ ശേഖരിച്ചു. ശേഖരിച്ച എല്ലാ ഡാറ്റയും റേഡിയോഗ്രാഫിന്റെ ജനനത്തീയതിയും തീയതിയും ഒഴികെ അജ്ഞാതമായിരുന്നു. ഉൾപ്പെടുത്തൽ, ഒഴിവാക്കൽ മാനദണ്ഡങ്ങൾ മുമ്പ് പ്രസിദ്ധീകരിച്ച പഠനങ്ങൾക്ക് തുല്യമായിരുന്നു. റേഡിയോഗ്രാഫ് എടുത്ത തീയതി മുതൽ ജനനത്തീയതി കുറയ്ക്കുന്നതിലൂടെ സാമ്പിന്റെ യഥാർത്ഥ പ്രായം കണക്കാക്കി. സാമ്പിൾ ഗ്രൂപ്പിനെ ഒൻപത് പ്രായത്തിലുള്ള ഗ്രൂപ്പുകളായി തിരിച്ചിരിക്കുന്നു. ഈ പഠനം പട്ടിക 3 ൽ കാണിക്കുന്നു പട്ടിക 3 ൽ ഈ പഠനം നടത്തിയ ഈ പഠനം കത്തോലിക്കാ യൂണിവേഴ്സിറ്റിയിലെ സിയോൾ സെന്റ് മേരീസ് ഹോസ്പിറ്റൽ (KC22WISI 0328) അംഗീകാരം നൽകി. ഈ പഠനത്തിന്റെ മുൻകാല രൂപകൽപ്പന കാരണം, ചികിത്സാ ആവശ്യങ്ങൾക്കായി റേഡിയോഗ്രാഫിക് പരീക്ഷയ്ക്ക് വിധേയരായ എല്ലാ രോഗികളിൽ നിന്നും അറിയിക്കാൻ കഴിയില്ല. സിയോൾ കൊറിയ യൂണിവേഴ്സിറ്റി സെന്റ് മേരീസ് ഹോസ്പിറ്റൽ (ഐആർബി) അറിയിച്ച സമ്മതത്തിനുള്ള ആവശ്യകത ഒഴിവാക്കുന്നു.
ബിമാക്സില്ലറി രണ്ടാമത്തേതും മൂന്നാമത്തെ മോളറുകളുടെ വികസന ഘട്ടങ്ങളും ഡെമിൻകാൻ മാനദണ്ഡങ്ങൾ അനുസരിച്ച് വിലയിരുത്തി. ഓരോ താടിയെല്ലിന്റെയും ഇടത്, വലത് വശങ്ങളിൽ ഒരേ തരത്തിലുള്ള പല്ല് കണ്ടെത്തിയാൽ ഒരു പല്ല് മാത്രമേ തിരഞ്ഞെടുക്കപ്പെട്ടിട്ടുള്ളൂ. ഇരുവശത്തും ഹോമോലോസസ് പല്ലുകൾ വ്യത്യസ്ത വികസന ഘട്ടങ്ങളിലാണെങ്കിൽ, താഴ്ന്ന വികസന ഘട്ടമുള്ള പല്ല് കണക്കാക്കിയ യുഗത്തിൽ അനിശ്ചിതത്വത്തിനായി തിരഞ്ഞെടുത്തു. പരിശീലന സെറ്റിൽ നിന്ന് ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത നൂറ് റേഡിയോഗ്രാഫുകൾ ഡെന്റൽ മെച്യൂരിറ്റി ഘട്ടം നിർണ്ണയിക്കാൻ ഇന്റർബോറർ വിശ്വാസ്യതയെ പരീക്ഷിക്കാൻ രണ്ട് പരിചയസമ്പന്നരായ നിരീക്ഷകരാണ്. പ്രാഥമിക നിരീക്ഷകന്റെ മൂന്ന് മാസ ഇടവേളകളിൽ രണ്ടുതവണ ഇൻട്രായൽസർവർ വിശ്വാസ്യത വിലയിരുത്തി.
പരിശീലന സെറ്റിലെ ഓരോ താടിയെല്ലിന്റെയും രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളറുകളുടെ ലിംഗഭേദവും വികസന ഘട്ടവും വ്യത്യസ്ത ഡിഎം മോഡലുകൾ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ഒരു പ്രൈമറി നിരീക്ഷകനാണ്, യഥാർത്ഥ പ്രായം ടാർഗെറ്റ് മൂല്യമായി സജ്ജമാക്കി. മെഷീൻ പഠനത്തിൽ വ്യാപകമായി ഉപയോഗിക്കുന്ന എസ്എൽപി, എംഎൽപി മോഡലുകൾ റിഗ്രഷൻ അൽഗോരിതംസിനെതിരെ പരീക്ഷിച്ചു. നാലു പല്ലുകളുടെ വികസന ഘട്ടങ്ങൾ ഉപയോഗിച്ച് ഡിഎം മോഡൽ രേഖീയ പ്രവർത്തനങ്ങൾ സംയോജിപ്പിച്ച് ഈ ഡാറ്റയെ കണക്കാക്കുന്നു. STP ലളിതമായ ന്യൂറൽ നെറ്റ്വർക്കാണ്, മറഞ്ഞിരിക്കുന്ന പാളികൾ അടങ്ങിയിട്ടില്ല. നോഡുകൾക്കിടയിൽ ത്രെഷോൾഡ് ട്രാൻസ്മിഷനെ അടിസ്ഥാനമാക്കിയുള്ള SLP പ്രവർത്തിക്കുന്നു. റിഗ്രഷനിലെ എസ്എൽപി മോഡൽ ഒന്നിലധികം ലീനിയർ റിഗ്രഷന് സമാനമാണ്. എസ്എൽപി മോഡലിൽ നിന്ന് വ്യത്യസ്തമായി, എംഎൽപി മോഡലിന് ഒന്നിലധികം മറഞ്ഞിരിക്കുന്ന പാളികളുണ്ട്. നോൺലൈയർ സജീവമാക്കൽ പ്രവർത്തനങ്ങളുള്ള 20 മറഞ്ഞിരിക്കുന്ന നോഡുകൾ മാത്രം ഉപയോഗിച്ച് ഞങ്ങളുടെ പരീക്ഷണങ്ങൾ മറഞ്ഞിരിക്കുന്ന പാളി ഉപയോഗിച്ചു. ഒപ്റ്റിമൈസലൈസേഷൻ രീതിയും മക്സും മറ്റയും ഞങ്ങളുടെ മെഷീൻ ലേണിംഗ് മോഡലിനെ പരിശീലിപ്പിക്കുന്ന നഷ്ടം. ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകൾക്ക് ഏറ്റവും മികച്ച റിഗ്രഷൻ മോഡൽ പ്രയോഗിക്കുകയും പല്ലുകളുടെ പ്രായം കണക്കാക്കുകയും ചെയ്തു.
ഒരു സംക്ഷിപ്തമായി നാല് പല്ലുകളുടെ പക്വത ഉപയോഗിച്ചു, ഒരു സാമ്പിൾ 18 വയസ്സ് പ്രായമുണ്ടോ ഇല്ലയോ എന്ന് പ്രവചിക്കാൻ സജ്ജമാക്കിയിരിക്കുന്ന ഒരു ക്ലാസിഫിക്കേഷൻ അൽഗോരിതം വികസിപ്പിച്ചെടുത്തു. മോഡൽ നിർമ്മിക്കുന്നതിന്, അൽഗോരിതംസ് 6,43: (1) കെ.എം.എം, (5) ഡിടി, (5) ഡിടി,) (1) എസ്വിഎം, (5) ഡിടി, (5) ആർഎഫ്, (7) എംഎൽപി, (7) എംഎൽപി . ഏറ്റവും വ്യാപകമായി ഉപയോഗിക്കുന്ന വർഗ്ഗീകരണ അൽഗോരിതംസ് 44 ആണ് എൽആർ. 0 മുതൽ 1 വരെയുള്ള ഡാറ്റയുടെ സാധ്യത പ്രവചിക്കാൻ റിഗ്രഷൻ ഉപയോഗിക്കുന്ന ഒരു സൂപ്പർവേഷ്യൽ അൽഗോരിതം ആണ് ഈ സാധ്യതയെ അടിസ്ഥാനമാക്കി കൂടുതൽ സാധ്യതയുള്ള ഒരു വിഭാഗത്തിൽ പെടുമ ചെയ്യുന്നത്. പ്രധാനമായും ബൈനറി വർഗ്ഗീകരണത്തിനായി ഉപയോഗിക്കുന്നു. അൽഗോരിതംസ് 45 ലളിതമായ മെഷീൻ ഭാഷയിൽ ഒന്നാണ് കെഎൻഎൻ. പുതിയ ഇൻപുട്ട് ഡാറ്റ നൽകുമ്പോൾ, ഇത് നിലവിലുള്ള സെറ്റിനോട് ചേർന്ന് കെ ഡാറ്റ കണ്ടെത്തുന്നു, തുടർന്ന് അത് ഏറ്റവും ഉയർന്ന ആവൃത്തിയുമായി ക്ലാസിലേക്ക് തരംതിരിക്കുന്നു. അയൽക്കാരുടെ എണ്ണം (കെ) പരിഗണിക്കണമെന്ന് ഞങ്ങൾ 3 സജ്ജമാക്കി. ലീനിയർ ഇടം ഫീൽഡ്സ് 46 എന്നറിയപ്പെടുന്ന ഒരു ലീനിയർ സ്പേസിലേക്ക് വ്യാപിപ്പിക്കുന്നതിലൂടെ രണ്ട് ക്ലാസുകൾക്കിടയിൽ ദൂരം വർദ്ധിപ്പിക്കുന്ന ഒരു അൽഗോരിത്താണ് എസ്വിഎം. ഈ മോഡലിനായി, ഞങ്ങൾ ബയൻസ് = 1, പവർ = 1, ഗാമ്മ = 1 എന്നിവ പോളിനോമിയൽ കേർണലിനായി ഹൈപ്പർതമതക്കാരായി ഉപയോഗിക്കുന്നു. ഒരു വൃക്ഷ ഘടനയിൽ തീരുമാനപ്രദേശത്തെ പ്രതിനിധീകരിച്ച് ഒരു മുഴുവൻ ഡാറ്റയും നിരവധി ഉപഗ്രൂപ്പുകളായി വിഭജിക്കുന്നതിനായി വിവിധ മേഖലകളിൽ വിവിധ മേഖലകളിൽ ഡിടി പ്രയോഗിച്ചു. മോഡൽ 2 ന് ഒരു നോഡിന് കുറഞ്ഞത് റെക്കോർഡുകൾ ഉപയോഗിച്ച് ക്രമീകരിച്ചിരിക്കുന്നു, കൂടാതെ ജിനി സൂചിക നിലവാരത്തിന്റെ അളവുകോലായി ഉപയോഗിക്കുന്നു. ഒറിജിനൽ ഡാറ്റാസെറ്റ് 48 ൽ നിന്ന് ഒരേ വലുപ്പത്തിലുള്ള സാമ്പിളുകൾ സൃഷ്ടിക്കുന്ന ഒരു ബൂട്ട്സ്ട്രാപ്പ് അവലിബേഷൻ രീതി ഉപയോഗിച്ച് പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിനായി ഒന്നിലധികം DTS സമന്വയിപ്പിക്കുന്ന ഒരു ensemble രീതിയാണ് Rf. ഞങ്ങൾ 100 മരങ്ങൾ, 10 മരത്തിന്റെ ആഴങ്ങൾ, 1 മിനിമം നോഡ് വലുപ്പം, ജിനി ഇൻഡിക്ചർ സൂചിക എന്നിവ നോഡ് വേർതിരിക്കൽ മാനദണ്ഡമായി ഉപയോഗിച്ചു. പുതിയ ഡാറ്റയുടെ വർഗ്ഗീകരണം നിർണ്ണയിക്കുന്നത് ഒരു ഭൂരിപക്ഷ വോട്ടും ആണ്. മുമ്പത്തെ മോഡലിന്റെ യഥാർത്ഥതും പ്രവചിച്ചതുമായ മൂല്യങ്ങൾ തമ്മിലുള്ള പിശക് ഉപയോഗിച്ച് ക്ലോസ് ഡാറ്റ ഉപയോഗിച്ച് ക്ലോസിംഗ് ടെക്നിക്കുകൾ ഉപയോഗിക്കുന്ന ഒരു അൽഗോരിതം സംയോജിപ്പിക്കുന്ന ഒരു അൽഗോരിത്താണ് xgbost. നല്ല പ്രകടനവും വിഭവ കാര്യക്ഷമതയും കാരണം വ്യാപകമായി ഉപയോഗിച്ച അൽഗോരിതം, അതുപോലെ തന്നെ അമിതമായി തിരുത്തൽ പ്രവർത്തനമായി ഉയർന്ന വിശ്വാസ്യതയാണിത്. മോഡലിന് 400 സപ്പോർട്ട് ചക്രങ്ങളുണ്ട്. ഇൻപുട്ട്, output ട്ട്പുട്ട് ലെയർമാർക്കിടയിൽ ഒന്നോ അതിലധികമോ മറഞ്ഞിരിക്കുന്ന പാളികളുള്ള ഒന്നിലധികം പാളികളുള്ള ഒന്നിലധികം പാളികൾ സൃഷ്ടിക്കുന്ന ഒരു ന്യൂറൽ നെറ്റ്വർക്കിലാണ് എംഎൽപി. ഇത് ഉപയോഗിക്കുന്നത്, നിങ്ങൾ ഒരു ഇൻപുട്ട് ലെയർ ചേർത്ത് ഒരു ഇൻപുട്ട് ലെയർ ചേർത്ത് ഫലമൂട്ടം നേടുമ്പോൾ, പ്രവചിച്ച ഫല മൂല്യം യഥാർത്ഥ ഫല മൂല്യവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, പിശക് വീണ്ടും പ്രചരിപ്പിക്കും. ഓരോ പാളിയിലും മറഞ്ഞിരിക്കുന്ന 20 ന്യൂറോണുകളുള്ള ഒരു മറഞ്ഞിരിക്കുന്ന പാളി ഞങ്ങൾ സൃഷ്ടിച്ചു. ഞങ്ങൾ വികസിപ്പിച്ച ഓരോ മോഡലും ആന്തരികവും ബാഹ്യവുമായ സെറ്റുകൾക്ക് പ്രയോഗിച്ചുവെന്ന് വർഗ്ഗീകരണ പ്രകടനം കണക്കാക്കുന്നത് കണക്കാക്കുന്നു, പ്രത്യേകത, പിപിവി, എൻപിവി, ഓറോക്ക് എന്നിവ കണക്കാക്കി. 18 വയസോ അതിൽ കൂടുതലോ പ്രായമുള്ള ഒരു സാമ്പിളിന് 18 വയസോ അതിൽ കൂടുതലോ പ്രായമുള്ള ഒരു സാമ്പിളിന്റെ അനുപാതം ഒരു സാമ്പിളിന്റെ അനുപാതമായി നിർവചിക്കപ്പെടുന്നു. 18 വയസ്സിന് താഴെയുള്ള സാമ്പിളുകളുടെ അനുപാതമാണ് ഐഡിസി, 18 വയസ്സിന് താഴെയുള്ളവർ.
പരിശീലന കേന്ദ്രത്തിൽ വിലയിരുത്തുന്ന ഡെന്റൽ ഘട്ടത്തിൽ സ്ഥിതിവിവരക്കണക്കിന് സംഖ്യാ ഘട്ടമായി പരിവർത്തനം ചെയ്തു. പ്രായപൂർത്തിയാകാത്ത ഓരോ ലിംഗത്തിലും ഡെറിവേർ റിഗ്രഷനുകളിലേക്കും പ്രവചനാതീത മോഡലുകൾ വികസിപ്പിക്കുന്നതിനായി മൾട്ടിവർറിവറ്റ് ലീനിയർ, ലോജിസ്റ്റിക് റിഗ്രഷൻ എന്നിവരാണ്. ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകൾക്ക് പല്ല് പ്രായം കണക്കാക്കാൻ ഞങ്ങൾ ഈ സൂത്രവാക്യങ്ങൾ ഉപയോഗിച്ചു. ഈ പഠനത്തിൽ ഉപയോഗിക്കുന്ന റിഗ്രഷൻ, വർഗ്ഗീകരണ മോഡലുകൾ പട്ടിക 4 കാണിക്കുന്നു.
കോഹന്റെ കാപ്പ സ്ഥിതിവിവരക്കണക്ക് ഉപയോഗിച്ചാണ് ഇൻട്രാ-, ഇന്റർബോറർവർ വിശ്വാസ്യത കണക്കാക്കിയത്. ഡിഎമ്മിന്റെയും പരമ്പരാഗത റിഗ്രഷൻ മോഡലുകളുടെയും കൃത്യത പരിശോധിക്കാൻ, ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളുടെ കണക്കാക്കിയതും യഥാർത്ഥവുമായ (യഥാർത്ഥ പ്രായം ഉപയോഗിച്ച് ഞങ്ങൾ മൈലും ആർഎംസിയും കണക്കാക്കുന്നു. മോഡൽ പ്രവചനങ്ങളുടെ കൃത്യത വിലയിരുത്താൻ ഈ പിശകുകൾ സാധാരണയായി ഉപയോഗിക്കുന്നു. ചെറിയ പിശക്, പ്രവചനത്തിൽ 24 ന്റെ കൃത്യത. ആന്തരിക, ബാഹ്യമായ പരിശോധന സെറ്റുകൾക്ക്, ഡിഎം, പരമ്പരാഗത റിഗ്രഷൻ എന്നിവ ഉപയോഗിച്ച് കണക്കാക്കിയ ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകൾ താരതമ്യം ചെയ്യുക. പരമ്പരാഗത സ്ഥിതിവിവരക്കണക്കുകളിൽ 18 വർഷത്തെ കട്ട്ഓഫിന്റെ വർഗ്ഗീകരണ പ്രകടനം 2 × 2 ആകസ്മിക പട്ടിക ഉപയോഗിച്ച് വിലയിരുത്തി. കണക്കാക്കിയ സംവേദനക്ഷമത, പ്രത്യേകത, പിപിവി, എൻപിവി, ടെസ്റ്റ് സെറ്റിന്റെ പ്രവർത്തനങ്ങൾ ഡിഎം വർഗ്ഗീകരണ മോഡലിന്റെ അളന്ന മൂല്യങ്ങളുമായി താരതമ്യപ്പെടുത്തി. ഡാറ്റ സവിശേഷതകളെ ആശ്രയിച്ച് സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ അല്ലെങ്കിൽ നമ്പർ (%) എന്ന നിലയിൽ ഡാറ്റ പ്രകടിപ്പിക്കുന്നു. രണ്ട് വശങ്ങളുള്ള പി മൂല്യങ്ങൾ <0.05 എന്നത് സ്ഥിതിവിവരക്കണക്ക് പ്രാധാന്യമർഹിക്കുന്നു. എസ്എഎസ് പതിപ്പ് 9.4 (എസ്എഎസ് ഇൻസ്റ്റിറ്റ്യൂട്ട്, എൻസി) ഉപയോഗിച്ചാണ് എല്ലാ പതിവ് സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലുകളും ചെയ്തത്. കെരാസ് 50 2.2.4 ബാക്കെൻഡ്, ടെൻസോർഫ്ലോം, ടെൻസോർഫ്ലോൺ 51 1.8.0 എന്നിവ ഉപയോഗിച്ച് ഡിഎം റിഗ്രഷൻ മോഡൽ നടപ്പിലാക്കി. വൈകാറ്റോ അറിവ് പരിസ്ഥിതിയിലും കോൺസ്റ്റാൻസ് ഇൻഫർമേഷൻ മൈനർ (നോം) 4.6.152 വിശകലന പ്ലാറ്റ്ഫോമിലും ഡിഎം വർഗ്ഗീകരണ മോഡൽ നടപ്പാക്കി.
പഠനത്തിന്റെ നിഗമനങ്ങളെ പിന്തുണയ്ക്കുന്ന ഡാറ്റ ലേഖനത്തിലും അനുബന്ധ വസ്തുക്കളിലും കാണാനാകുമെന്ന് രചയിതാക്കൾ സമ്മതിക്കുന്നു. പഠന വേളയിൽ സൃഷ്ടിച്ചതും കൂടാതെ / അല്ലെങ്കിൽ വിശകലനം ചെയ്യുന്നതുമായ ഡാറ്റാസറ്റുകൾ ന്യായമായ അഭ്യർത്ഥനയിൽ അനുബന്ധ രചയിതാവിന് ലഭ്യമാണ്.
റിറ്റ്സ്-ടിംമെ, എസ്. മറ്റുള്ളവ. പ്രായ വിലയിരുത്തൽ: ഫോറൻസിക് പരിശീലനത്തിന്റെ നിർദ്ദിഷ്ട ആവശ്യകതകൾ നിറവേറ്റുന്നതിനുള്ള കലയുടെ അവസ്ഥ. അന്താരാഷ്ട്ര. ജെ. നിയമ മരുന്ന്. 113, 129-136 (2000).
ഷ്മെലിംഗ്, എ., റീസിസിംഗ്, ഡബ്ല്യു., ജെസെറിക്, ജി. ഫോറൻസിക്സ്. മരുന്ന്. പാത്തോളജി. 1, 239-246 (2005).
പാൻ, ജെ. മറ്റുള്ളവ. കിഴക്കൻ ചൈനയിൽ 5 മുതൽ 16 വർഷം പ്രായമുള്ള കുട്ടികളുടെ ഡെന്റൽ പ്രായം വിലയിരുത്തുന്നതിനുള്ള പരിഷ്കരിച്ച രീതി. ക്ലിനിക്കൽ. ഓറൽ സർവേ. 25, 3463-3474 (2021).
കൊറിയക്കാരിൽ രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളറുകളുടെ കാലഘട്ടത്തിലെ ലീ, എസ്.എസ് തുടങ്ങിയവയും ഫോറൻസിക് പ്രായശ്ചിത്തത്തിനുള്ള അപേക്ഷയും. അന്താരാഷ്ട്ര. ജെ. നിയമ മരുന്ന്. 124, 659-665 (2010).
ഓ, കുമാഗൈ, എ., കിം, സി പ്ലോസ് വൺ 17, e0271247 (2022).
കിം, ജെ, മറ്റുള്ളവർ. പ്രീഓപ്പറേറ്റീവ് മെഷീൻ പഠന അധിഷ്ഠിത ഡാറ്റാ വിശകലനത്തിന് ഒഎസ്എ ഉള്ള രോഗികളിൽ ഉറക്ക ശസ്ത്രക്രിയ ചികിത്സയുടെ ഫലം പ്രവചിക്കാൻ കഴിയും. ശാസ്ത്രം. റിപ്പോർട്ട് 11, 14911 (2021).
ഹാൻ, എം. മറ്റുള്ളവ. മനുഷ്യ ഇടപെടലിനൊപ്പം മെഷീൻ പഠനത്തിൽ നിന്നോ ഉള്ള കൃത്യമായ പ്രായ കണക്ക്? അന്താരാഷ്ട്ര. ജെ. നിയമ മരുന്ന്. 136, 821-831 (2022).
ഡാറ്റാ ഖനനത്തിൽ നിന്ന് ഡാറ്റാ ഖനനത്തിൽ നിന്ന് ഖാൻ, എസ്. ജെ. ഓർമേഷൻ. ശാസ്ത്രം. https://doi.org/10.1177/01655515211030872 (2021).
ഖാൻ, എസ്., ഷഹീൻ, എം. ജെ. ഓർമേഷൻ. ശാസ്ത്രം. https://doi.org/10.1177/01655515221108695 (2022).
ഷഹീൻ എം, അബ്ദുല്ല യു. കർം: സന്ദർഭ ആസ്ഥാനമായുള്ള അസോസിയേഷൻ നിയമങ്ങളെ അടിസ്ഥാനമാക്കി പരമ്പരാഗത ഡാറ്റ ഖനനം. കണക്കാക്കുക. മാറ്റ്. തുടരുക. 68, 3305-3322 (2021).
മുഹമ്മദ് എം., റഹ്മാൻ ഇഞ്ച്., ഷഹീൻ എം., ഖാൻ എം., ഹബീബ് എം. അറിയിക്കുക. സാങ്കേതികവിദ്യകൾ. നിയന്ത്രണം. https://doi.org/10.5755/J01.itc.49.4.27118 (2020).
ടാബിഷ്, എം., ടാനോലി, ഇസഡ്. മൾട്ടിമീഡിയ. ഉപകരണങ്ങൾ https://doi.org/10.1007/S11042-021-10519-6 (2021).
ഹലബി, എസ്എസ് മറ്റുള്ളവ. പീഡിയാട്രിക് അസ്ഥി പ്രായത്തിൽ ആർഎസ്എൻഎ മെഷീൻ ലേണിംഗ് വെല്ലുവിളി. റേഡിയോളജി 290, 498-503 (2019).
Li, y. Et al. ഡീപ് ലേണിംഗ് ഉപയോഗിച്ച് പെൽവിക് എക്സ്-കിരണങ്ങളിൽ നിന്നുള്ള ഫോറൻസിക് പ്രായ കണക്കാള. യൂറോ. വികിരണം. 29, 2322-2329 (2019).
ഗ്വാവോ, YC, മറ്റുള്ളവർ. ഓർത്തോഗ്രാഫിക് പ്രൊജക്ഷൻ ഇമേജുകളിൽ നിന്നുള്ള സ്വമേധയാലുള്ള രീതികളും ആഴത്തിലുള്ള പരിണാഗത നെറ്റ്വർക്കുകളും ഉപയോഗിച്ച് കൃത്യമായ പ്രായപരിധി. അന്താരാഷ്ട്ര. ജെ. നിയമ മരുന്ന്. 135, 1589-1597 (2021).
അലബാമ ദലോറ മറ്റുള്ളവരും. വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിക്കുന്ന അസ്ഥി പ്രായമായ കണക്കുകൾ: ഒരു ചിട്ടയായ സാഹിത്യ അവലോകനവും മെറ്റാ-അനാലിസിസും. പ്ലോസ് ഒന്ന് 14, e0220242 (2019).
ഡു, എച്ച്., ജി., ചെംഗ്, കെ., യാങ്, ജെ. അന്താരാഷ്ട്ര. ജെ. നിയമ മരുന്ന്. 136, 811-819 (2022).
കിം എസ്. ശാസ്ത്രം. റിപ്പോർട്ട് 11, 1073 (2021).
സ്റ്റെർൺ, ഡി., പണമടയ്ക്കുന്ന, സി., ജിയുലിയാനി, എൻ. Ieee j. ബയോമെഡ്. ആരോഗ്യ അലേർട്ടുകൾ. 23, 1392-1403 (2019).
ചെംഗ്, ചോദ്യം, ജി, ഇസഡ്., ഡു, എച്ച്. അന്താരാഷ്ട്ര. ജെ. നിയമ മരുന്ന്. 135, 365-373 (2021).
വു, ഡബ്ല്യുടി, മറ്റുള്ളവർ. ക്ലിനിക്കൽ വലിയ ഡാറ്റയിൽ ഡാറ്റ ഖനനം: സാധാരണ ഡാറ്റാബേസുകൾ, ഘട്ടങ്ങൾ, രീതി മോഡലുകൾ. ലോകം. മരുന്ന്. ഉറവിടം. 8, 44 (2021).
യാങ്, ജെ. മറ്റുള്ളവ. വലിയ ഡാറ്റ കാലഘട്ടത്തിലെ മെഡിക്കൽ ഡാറ്റാബേസുകളും ഡാറ്റ ഖനന സാങ്കേതികവിദ്യകളുടെയും ആമുഖം. ജെ. AVID. അടിസ്ഥാന വൈദ്യശാസ്ത്രം. 13, 57-69 (2020).
ഷെൻ, എസ്. മറ്റുള്ളവ. മെഷീൻ പഠനം ഉപയോഗിച്ച് ടൂത്ത് പ്രായം കണക്കാക്കാനുള്ള ക്യാമററിന്റെ രീതി. ബിഎംസി ഓറൽ ഹെൽത്ത് 21, 641 (2021).
ഗാലിബർഗ് എ. മറ്റുള്ളവർ. ഡെന്റൽ പ്രായം പ്രവചിക്കുന്നതിനുള്ള വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് രീതികളുടെ താരതമ്യം അന്താരാഷ്ട്ര. ജെ. നിയമ മരുന്ന്. 135, 665-675 (2021).
ഡെംദ്ജിയൻ, എ., ഗോൾഡ്സ്റ്റൈൻ, എച്ച്. താന്നർ, ഡെന്റൽ പ്രായം വിലയിരുത്തുന്നതിനുള്ള ഒരു പുതിയ സംവിധാനം. സ്നോർട്ട്. ജീവശാസ്ത്രം. 45, 211-227 (1973).
ലളിതകം, ജൂനിയർ, കൊച്ച്, പ്രിസ്ട്രർവർ കരാറിലെ ജിജി നടപടികൾ. ബയോമെട്രിക്സ് 33, 159-174 (1977).
ഭട്ടാചാർജി എസ്, പ്രകാശ് ഡി, കിം സി, കിം എച്ച്കെ, ചോയി എച്ച്കെ. പ്രാഥമിക മസ്തിഷ്ക മുഴകൾക്കായി കൃത്രിമ രഹസ്യാന്വേഷണ വിചിത്രങ്ങൾ ഉപയോഗിച്ച് ടു-ഡൈമൻസൽ കാന്തിക അനുരണനത്തിന്റെ ഭാവശ്ചിത്തം. ആരോഗ്യ വിവരങ്ങൾ. ഉറവിടം. https://doi.org/10.4258/HIR.202228.1.46 (2022).
പോസ്റ്റ് സമയം: ജനുവരി -04-2024