കൊറിയൻ കൗമാരക്കാർക്കും യുവാക്കൾക്കും ഇടയിൽ പരമ്പരാഗത ദന്ത പ്രായം കണക്കാക്കൽ രീതികൾക്കെതിരായ ഒരു ഡാറ്റ മൈനിംഗ് മോഡലിന്റെ സാധൂകരണം.

Nature.com സന്ദർശിച്ചതിന് നന്ദി. നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്രൗസറിന്റെ പതിപ്പിന് പരിമിതമായ CSS പിന്തുണ മാത്രമേ ഉള്ളൂ. മികച്ച ഫലങ്ങൾക്കായി, നിങ്ങളുടെ ബ്രൗസറിന്റെ പുതിയ പതിപ്പ് ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ ഇന്റർനെറ്റ് എക്സ്പ്ലോററിൽ അനുയോജ്യതാ മോഡ് ഓഫാക്കുക). അതേസമയം, തുടർച്ചയായ പിന്തുണ ഉറപ്പാക്കാൻ, സ്റ്റൈലിംഗോ ജാവാസ്ക്രിപ്റ്റോ ഇല്ലാതെ ഞങ്ങൾ സൈറ്റ് കാണിക്കുന്നു.
മനുഷ്യശരീരത്തിന്റെ പ്രായത്തിന്റെ ഏറ്റവും കൃത്യമായ സൂചകമായി പല്ലുകളെ കണക്കാക്കുന്നു, അവ പലപ്പോഴും ഫോറൻസിക് പ്രായ വിലയിരുത്തലിൽ ഉപയോഗിക്കുന്നു. 18 വർഷത്തെ പരിധിയുടെ എസ്റ്റിമേഷൻ കൃത്യതയും വർഗ്ഗീകരണ പ്രകടനവും പരമ്പരാഗത രീതികളുമായും ഡാറ്റ മൈനിംഗ് അടിസ്ഥാനമാക്കിയുള്ള പ്രായ എസ്റ്റിമേറ്റുകളുമായും താരതമ്യം ചെയ്തുകൊണ്ട് ഡാറ്റ മൈനിംഗ് അടിസ്ഥാനമാക്കിയുള്ള ദന്ത പ്രായ എസ്റ്റിമേറ്റുകളെ സാധൂകരിക്കാൻ ഞങ്ങൾ ലക്ഷ്യമിട്ടു. 15 മുതൽ 23 വയസ്സ് വരെ പ്രായമുള്ള കൊറിയൻ, ജാപ്പനീസ് പൗരന്മാരിൽ നിന്ന് ആകെ 2657 പനോരമിക് റേഡിയോഗ്രാഫുകൾ ശേഖരിച്ചു. അവ ഓരോന്നിലും 900 കൊറിയൻ റേഡിയോഗ്രാഫുകൾ അടങ്ങിയ ഒരു പരിശീലന സെറ്റായും 857 ജാപ്പനീസ് റേഡിയോഗ്രാഫുകൾ അടങ്ങിയ ഒരു ആന്തരിക ടെസ്റ്റ് സെറ്റായും തിരിച്ചിരിക്കുന്നു. പരമ്പരാഗത രീതികളുടെ വർഗ്ഗീകരണ കൃത്യതയും കാര്യക്ഷമതയും ഡാറ്റ മൈനിംഗ് മോഡലുകളുടെ ടെസ്റ്റ് സെറ്റുകളുമായി ഞങ്ങൾ താരതമ്യം ചെയ്തു. ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ പരമ്പരാഗത രീതിയുടെ കൃത്യത ഡാറ്റ മൈനിംഗ് മോഡലിനേക്കാൾ അല്പം കൂടുതലാണ്, വ്യത്യാസം ചെറുതാണ് (ശരാശരി കേവല പിശക് <0.21 വർഷം, റൂട്ട് ശരാശരി വർഗ്ഗ പിശക് <0.24 വർഷം). പരമ്പരാഗത രീതികൾക്കും ഡാറ്റ മൈനിംഗ് മോഡലുകൾക്കും ഇടയിൽ 18 വർഷത്തെ കട്ട്ഓഫിനുള്ള വർഗ്ഗീകരണ പ്രകടനവും സമാനമാണ്. അങ്ങനെ, കൊറിയൻ കൗമാരക്കാരിലും യുവാക്കളിലും രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ പക്വത ഉപയോഗിച്ച് ഫോറൻസിക് പ്രായ വിലയിരുത്തൽ നടത്തുമ്പോൾ പരമ്പരാഗത രീതികൾ ഡാറ്റ മൈനിംഗ് മോഡലുകൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കാൻ കഴിയും.
ഫോറൻസിക് മെഡിസിനിലും പീഡിയാട്രിക് ഡെന്റിസ്ട്രിയിലും ദന്ത പ്രായം കണക്കാക്കൽ വ്യാപകമായി ഉപയോഗിക്കുന്നു. പ്രത്യേകിച്ചും, കാലക്രമത്തിലുള്ള പ്രായവും ദന്ത വികാസവും തമ്മിലുള്ള ഉയർന്ന ബന്ധം കാരണം, കുട്ടികളുടെയും കൗമാരക്കാരുടെയും പ്രായം വിലയിരുത്തുന്നതിനുള്ള ഒരു പ്രധാന മാനദണ്ഡമാണ് ദന്ത വികസന ഘട്ടങ്ങൾ അടിസ്ഥാനമാക്കിയുള്ള പ്രായ വിലയിരുത്തൽ1,2,3. എന്നിരുന്നാലും, യുവാക്കളെ സംബന്ധിച്ചിടത്തോളം, ദന്ത വളർച്ച ഏതാണ്ട് പൂർത്തിയായതിനാൽ, മൂന്നാമത്തെ മോളറുകൾ ഒഴികെ, ദന്ത വളർച്ച ഏതാണ്ട് പൂർത്തിയായി. യുവാക്കളുടെയും കൗമാരക്കാരുടെയും പ്രായം നിർണ്ണയിക്കുന്നതിന്റെ നിയമപരമായ ലക്ഷ്യം, അവർ പ്രായപൂർത്തിയായിട്ടുണ്ടോ എന്നതിന്റെ കൃത്യമായ കണക്കുകളും ശാസ്ത്രീയ തെളിവുകളും നൽകുക എന്നതാണ്. കൊറിയയിലെ കൗമാരക്കാരുടെയും യുവാക്കളുടെയും മെഡിക്കൽ-ലീഗൽ പ്രാക്ടീസിൽ, ലീയുടെ രീതി ഉപയോഗിച്ച് പ്രായം കണക്കാക്കിയിരുന്നു, കൂടാതെ ഓഹ് തുടങ്ങിയവർ റിപ്പോർട്ട് ചെയ്ത ഡാറ്റയെ അടിസ്ഥാനമാക്കി 18 വയസ്സ് എന്ന നിയമപരമായ പരിധി പ്രവചിക്കപ്പെട്ടു.
മെഷീൻ ലേണിംഗ് എന്നത് ഒരു തരം ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) ആണ്, അത് വലിയ അളവിലുള്ള ഡാറ്റ ആവർത്തിച്ച് പഠിക്കുകയും തരംതിരിക്കുകയും, സ്വന്തമായി പ്രശ്നങ്ങൾ പരിഹരിക്കുകയും, ഡാറ്റ പ്രോഗ്രാമിംഗ് നയിക്കുകയും ചെയ്യുന്നു. വലിയ അളവിലുള്ള ഡാറ്റയിൽ ഉപയോഗപ്രദമായ മറഞ്ഞിരിക്കുന്ന പാറ്റേണുകൾ മെഷീൻ ലേണിംഗിന് കണ്ടെത്താൻ കഴിയും6. ഇതിനു വിപരീതമായി, അധ്വാനം ആവശ്യമുള്ളതും സമയമെടുക്കുന്നതുമായ ക്ലാസിക്കൽ രീതികൾക്ക്, സ്വമേധയാ പ്രോസസ്സ് ചെയ്യാൻ ബുദ്ധിമുട്ടുള്ള സങ്കീർണ്ണമായ ഡാറ്റയുടെ വലിയ അളവുകൾ കൈകാര്യം ചെയ്യുമ്പോൾ പരിമിതികൾ ഉണ്ടായേക്കാം7. അതിനാൽ, മനുഷ്യ പിശകുകൾ കുറയ്ക്കുന്നതിനും മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ കാര്യക്ഷമമായി പ്രോസസ്സ് ചെയ്യുന്നതിനും ഏറ്റവും പുതിയ കമ്പ്യൂട്ടർ സാങ്കേതികവിദ്യകൾ ഉപയോഗിച്ച് അടുത്തിടെ നിരവധി പഠനങ്ങൾ നടത്തിയിട്ടുണ്ട്8,9,10,11,12. പ്രത്യേകിച്ചും, മെഡിക്കൽ ഇമേജ് വിശകലനത്തിൽ ആഴത്തിലുള്ള പഠനം വ്യാപകമായി ഉപയോഗിച്ചിട്ടുണ്ട്, കൂടാതെ റേഡിയോഗ്രാഫുകൾ സ്വയമേവ വിശകലനം ചെയ്തുകൊണ്ട് പ്രായം കണക്കാക്കുന്നതിനുള്ള വിവിധ രീതികൾ പ്രായപരിധിയുടെ കൃത്യതയും കാര്യക്ഷമതയും മെച്ചപ്പെടുത്തുന്നതായി റിപ്പോർട്ട് ചെയ്യപ്പെട്ടിട്ടുണ്ട്13,14,15,16,17,18,19,20. ഉദാഹരണത്തിന്, ഹലാബി തുടങ്ങിയവർ 13 കുട്ടികളുടെ കൈകളുടെ റേഡിയോഗ്രാഫുകൾ ഉപയോഗിച്ച് അസ്ഥികൂടത്തിന്റെ പ്രായം കണക്കാക്കുന്നതിന് കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ (CNN) അടിസ്ഥാനമാക്കി ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം വികസിപ്പിച്ചെടുത്തു. മെഡിക്കൽ ഇമേജുകളിൽ മെഷീൻ ലേണിംഗ് പ്രയോഗിക്കുന്ന ഒരു മാതൃകയാണ് ഈ പഠനം നിർദ്ദേശിക്കുന്നത്, കൂടാതെ ഈ രീതികൾക്ക് രോഗനിർണയ കൃത്യത മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് കാണിക്കുന്നു. ലി തുടങ്ങിയവർ14 ഡീപ് ലേണിംഗ് സിഎൻഎൻ ഉപയോഗിച്ച് പെൽവിക് എക്സ്-റേ ഇമേജുകളിൽ നിന്ന് പ്രായം കണക്കാക്കുകയും ഓസിഫിക്കേഷൻ സ്റ്റേജ് എസ്റ്റിമേഷൻ ഉപയോഗിച്ച് റിഗ്രഷൻ ഫലങ്ങളുമായി താരതമ്യം ചെയ്യുകയും ചെയ്തു. ഡീപ് ലേണിംഗ് സിഎൻഎൻ മോഡൽ പരമ്പരാഗത റിഗ്രഷൻ മോഡലിന്റെ അതേ പ്രായ കണക്കാക്കൽ പ്രകടനം കാണിക്കുന്നുവെന്ന് അവർ കണ്ടെത്തി. ഡെന്റൽ ഓർത്തോഫോട്ടോകളെ അടിസ്ഥാനമാക്കിയുള്ള സിഎൻഎൻ സാങ്കേതികവിദ്യയുടെ പ്രായ ടോളറൻസ് വർഗ്ഗീകരണ പ്രകടനം ഗുവോ തുടങ്ങിയവരുടെ പഠനം [15] വിലയിരുത്തി, സിഎൻഎൻ മോഡലിന്റെ ഫലങ്ങൾ മനുഷ്യർ അതിന്റെ പ്രായ വർഗ്ഗീകരണ പ്രകടനത്തെ മറികടക്കുന്നുവെന്ന് തെളിയിച്ചു.
മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ചുള്ള പ്രായനിർണ്ണയത്തെക്കുറിച്ചുള്ള മിക്ക പഠനങ്ങളും ആഴത്തിലുള്ള പഠന രീതികൾ ഉപയോഗിക്കുന്നു13,14,15,16,17,18,19,20. ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായനിർണ്ണയം പരമ്പരാഗത രീതികളേക്കാൾ കൃത്യമാണെന്ന് റിപ്പോർട്ട് ചെയ്യപ്പെടുന്നു. എന്നിരുന്നാലും, എസ്റ്റിമേറ്റുകളിൽ ഉപയോഗിക്കുന്ന പ്രായ സൂചകങ്ങൾ പോലുള്ള പ്രായനിർണ്ണയങ്ങളുടെ ശാസ്ത്രീയ അടിസ്ഥാനം അവതരിപ്പിക്കാൻ ഈ സമീപനം വളരെ കുറച്ച് അവസരങ്ങൾ മാത്രമേ നൽകുന്നുള്ളൂ. പരിശോധനകൾ ആരാണ് നടത്തുന്നത് എന്നതിനെച്ചൊല്ലി നിയമപരമായ തർക്കവുമുണ്ട്. അതിനാൽ, ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായനിർണ്ണയം അഡ്മിനിസ്ട്രേറ്റീവ്, ജുഡീഷ്യൽ അധികാരികൾക്ക് അംഗീകരിക്കാൻ പ്രയാസമാണ്. വലിയ അളവിലുള്ള ഡാറ്റ തമ്മിലുള്ള ഉപയോഗപ്രദമായ പരസ്പരബന്ധങ്ങൾ കണ്ടെത്തുന്നതിനുള്ള ഒരു രീതിയായി പ്രതീക്ഷിക്കുന്നത് മാത്രമല്ല, അപ്രതീക്ഷിത വിവരങ്ങളും കണ്ടെത്താൻ കഴിയുന്ന ഒരു സാങ്കേതികതയാണ് ഡാറ്റ മൈനിംഗ് (DM). ഡാറ്റ മൈനിംഗിൽ മെഷീൻ ലേണിംഗ് പലപ്പോഴും ഉപയോഗിക്കുന്നു, കൂടാതെ ഡാറ്റയിലെ പാറ്റേണുകൾ കണ്ടെത്തുന്നതിന് ഡാറ്റ മൈനിംഗും മെഷീൻ ലേണിംഗും ഒരേ കീ അൽഗോരിതങ്ങൾ ഉപയോഗിക്കുന്നു. ദന്ത വികസനം ഉപയോഗിച്ചുള്ള പ്രായനിർണ്ണയം, ലക്ഷ്യ പല്ലുകളുടെ പക്വതയെക്കുറിച്ചുള്ള പരീക്ഷകന്റെ വിലയിരുത്തലിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, കൂടാതെ ഈ വിലയിരുത്തൽ ഓരോ ലക്ഷ്യ പല്ലിനും ഒരു ഘട്ടമായി പ്രകടിപ്പിക്കുന്നു. ദന്ത വിലയിരുത്തൽ ഘട്ടവും യഥാർത്ഥ പ്രായവും തമ്മിലുള്ള പരസ്പരബന്ധം വിശകലനം ചെയ്യാൻ DM ഉപയോഗിക്കാം, കൂടാതെ പരമ്പരാഗത സ്ഥിതിവിവരക്കണക്ക് വിശകലനത്തിന് പകരമാകാനുള്ള കഴിവുമുണ്ട്. അതിനാൽ, പ്രായപരിധി നിർണ്ണയിക്കുന്നതിൽ ഡിഎം ടെക്നിക്കുകൾ പ്രയോഗിച്ചാൽ, നിയമപരമായ ബാധ്യതയെക്കുറിച്ച് ആകുലപ്പെടാതെ ഫോറൻസിക് പ്രായപരിധി നിർണ്ണയിക്കലിൽ മെഷീൻ ലേണിംഗ് നടപ്പിലാക്കാൻ കഴിയും. ഫോറൻസിക് പ്രാക്ടീസിൽ ഉപയോഗിക്കുന്ന പരമ്പരാഗത മാനുവൽ രീതികൾക്കും ദന്ത പ്രായം നിർണ്ണയിക്കുന്നതിനുള്ള ഇബിഎം അടിസ്ഥാനമാക്കിയുള്ള രീതികൾക്കും സാധ്യമായ ബദലുകളെക്കുറിച്ച് നിരവധി താരതമ്യ പഠനങ്ങൾ പ്രസിദ്ധീകരിച്ചിട്ടുണ്ട്. പരമ്പരാഗത കാമറർ ഫോർമുലയേക്കാൾ ഡിഎം മോഡൽ കൂടുതൽ കൃത്യമാണെന്ന് ഷെൻ തുടങ്ങിയവർ കാണിച്ചു. ഡെമിർഡ്ജിയൻ മാനദണ്ഡം അനുസരിച്ച് പ്രായം പ്രവചിക്കാൻ ഗാലിബോർഗ് തുടങ്ങിയവർ വ്യത്യസ്ത ഡിഎം രീതികൾ പ്രയോഗിച്ചു25, ഫ്രഞ്ച് ജനസംഖ്യയുടെ പ്രായം കണക്കാക്കുന്നതിൽ ഡിഎം രീതി ഡെമിർഡ്ജിയൻ, വില്ലെംസ് രീതികളെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവച്ചതായി ഫലങ്ങൾ കാണിച്ചു.
കൊറിയൻ കൗമാരക്കാരുടെയും യുവാക്കളുടെയും ദന്ത പ്രായം കണക്കാക്കാൻ, കൊറിയൻ ഫോറൻസിക് പ്രാക്ടീസിൽ ലീയുടെ രീതി 4 വ്യാപകമായി ഉപയോഗിക്കുന്നു. കൊറിയൻ വിഷയങ്ങളും കാലക്രമ പ്രായവും തമ്മിലുള്ള ബന്ധം പരിശോധിക്കാൻ ഈ രീതി പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനം (മൾട്ടിപ്പിൾ റിഗ്രഷൻ പോലുള്ളവ) ഉപയോഗിക്കുന്നു. ഈ പഠനത്തിൽ, പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ ഉപയോഗിച്ച് ലഭിച്ച പ്രായ കണക്കാക്കൽ രീതികളെ "പരമ്പരാഗത രീതികൾ" എന്ന് നിർവചിച്ചിരിക്കുന്നു. ലീയുടെ രീതി ഒരു പരമ്പരാഗത രീതിയാണ്, അതിന്റെ കൃത്യത ഓഹ് തുടങ്ങിയവർ സ്ഥിരീകരിച്ചിട്ടുണ്ട്. 5; എന്നിരുന്നാലും, കൊറിയൻ ഫോറൻസിക് പ്രാക്ടീസിൽ ഡിഎം മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായ കണക്കാക്കലിന്റെ പ്രയോഗക്ഷമത ഇപ്പോഴും സംശയാസ്പദമാണ്. ഡിഎം മോഡലിനെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായ കണക്കാക്കലിന്റെ സാധ്യതയുള്ള ഉപയോഗക്ഷമത ശാസ്ത്രീയമായി സാധൂകരിക്കുക എന്നതായിരുന്നു ഞങ്ങളുടെ ലക്ഷ്യം. ഈ പഠനത്തിന്റെ ഉദ്ദേശ്യം (1) ദന്ത പ്രായം കണക്കാക്കുന്നതിൽ രണ്ട് ഡിഎം മോഡലുകളുടെ കൃത്യത താരതമ്യം ചെയ്യുക, (2) 18 വയസ്സുള്ളപ്പോൾ 7 ഡിഎം മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികൾ ഉപയോഗിച്ച് ലഭിച്ചവയുമായി താരതമ്യം ചെയ്യുക എന്നിവയായിരുന്നു. രണ്ട് താടിയെല്ലുകളിലെയും രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളറുകളുടെ പക്വത.
ഘട്ടം, പല്ലിന്റെ തരം എന്നിവ അനുസരിച്ച് കാലക്രമ പ്രായത്തിന്റെ ശരാശരികളും സ്റ്റാൻഡേർഡ് വ്യതിയാനങ്ങളും സപ്ലിമെന്ററി പട്ടിക S1 (പരിശീലന സെറ്റ്), സപ്ലിമെന്ററി പട്ടിക S2 (ആന്തരിക പരിശോധന സെറ്റ്), സപ്ലിമെന്ററി പട്ടിക S3 (ബാഹ്യ പരിശോധന സെറ്റ്) എന്നിവയിൽ ഓൺലൈനായി കാണിച്ചിരിക്കുന്നു. പരിശീലന സെറ്റിൽ നിന്ന് ലഭിച്ച ഇൻട്രാ-, ഇന്റർഒബ്സർവർ വിശ്വാസ്യതയ്ക്കുള്ള കപ്പ മൂല്യങ്ങൾ യഥാക്രമം 0.951 ഉം 0.947 ഉം ആയിരുന്നു. കപ്പ മൂല്യങ്ങൾക്കായുള്ള പി മൂല്യങ്ങളും 95% കോൺഫിഡൻസ് ഇടവേളകളും ഓൺലൈൻ സപ്ലിമെന്ററി പട്ടിക S4 ൽ കാണിച്ചിരിക്കുന്നു. ലാൻഡിസിന്റെയും കോച്ചിന്റെയും മാനദണ്ഡങ്ങളുമായി പൊരുത്തപ്പെടുന്ന കപ്പ മൂല്യം "ഏതാണ്ട് തികഞ്ഞത്" എന്ന് വ്യാഖ്യാനിക്കപ്പെട്ടു.
ശരാശരി സമ്പൂർണ്ണ പിശക് (MAE) താരതമ്യം ചെയ്യുമ്പോൾ, മൾട്ടിലെയർ പെർസെപ്ട്രോൺ (MLP) ഒഴികെ, എല്ലാ ലിംഗക്കാർക്കും ബാഹ്യ പുരുഷ ടെസ്റ്റ് സെറ്റിലും പരമ്പരാഗത രീതി DM മോഡലിനെ അല്പം മറികടക്കുന്നു. ആന്തരിക MAE ടെസ്റ്റ് സെറ്റിൽ പരമ്പരാഗത മോഡലും DM മോഡലും തമ്മിലുള്ള വ്യത്യാസം പുരുഷന്മാർക്ക് 0.12–0.19 വർഷവും സ്ത്രീകൾക്ക് 0.17–0.21 വർഷവുമായിരുന്നു. ബാഹ്യ ടെസ്റ്റ് ബാറ്ററിക്ക്, വ്യത്യാസങ്ങൾ ചെറുതാണ് (പുരുഷന്മാർക്ക് 0.001–0.05 വർഷവും സ്ത്രീകൾക്ക് 0.05–0.09 വർഷവും). കൂടാതെ, റൂട്ട് ശരാശരി ചതുര പിശക് (RMSE) പരമ്പരാഗത രീതിയേക്കാൾ അല്പം കുറവാണ്, ചെറിയ വ്യത്യാസങ്ങളോടെ (പുരുഷ ആന്തരിക ടെസ്റ്റ് സെറ്റിന് 0.17–0.24, 0.2–0.24, ബാഹ്യ ടെസ്റ്റ് സെറ്റിന് 0.03–0.07, 0.04–0.08). ). സ്ത്രീ ബാഹ്യ ടെസ്റ്റ് സെറ്റിന്റെ കാര്യത്തിൽ ഒഴികെ, സിംഗിൾ ലെയർ പെർസെപ്ട്രോണിനെ (SLP) അപേക്ഷിച്ച് MLP അല്പം മികച്ച പ്രകടനം കാണിക്കുന്നു. MAE, RMSE എന്നിവയ്ക്ക്, എല്ലാ ലിംഗക്കാർക്കും മോഡലുകൾക്കുമുള്ള ആന്തരിക ടെസ്റ്റ് സെറ്റിനേക്കാൾ ബാഹ്യ ടെസ്റ്റ് സെറ്റ് ഉയർന്ന സ്കോർ നേടുന്നു. എല്ലാ MAE, RMSE എന്നിവയും പട്ടിക 1 ലും ചിത്രം 1 ലും കാണിച്ചിരിക്കുന്നു.
പരമ്പരാഗത, ഡാറ്റ മൈനിംഗ് റിഗ്രഷൻ മോഡലുകളുടെ MAE, RMSE. ശരാശരി കേവല പിശക് MAE, റൂട്ട് ശരാശരി ചതുര പിശക് RMSE, സിംഗിൾ ലെയർ പെർസെപ്ട്രോൺ SLP, മൾട്ടിലെയർ പെർസെപ്ട്രോൺ MLP, പരമ്പരാഗത CM രീതി.
പരമ്പരാഗത, ഡിഎം മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനം (18 വർഷത്തെ കട്ട്ഓഫ് ഉള്ളത്) സെൻസിറ്റിവിറ്റി, സ്പെസിഫിസിറ്റി, പോസിറ്റീവ് പ്രവചന മൂല്യം (പിപിവി), നെഗറ്റീവ് പ്രവചന മൂല്യം (എൻപിവി), റിസീവർ ഓപ്പറേറ്റിംഗ് സ്വഭാവ വക്രത്തിന് കീഴിലുള്ള വിസ്തീർണ്ണം (എയുആർഒസി) 27 (പട്ടിക 2, ചിത്രം 2, അനുബന്ധ ചിത്രം 1 ഓൺലൈൻ) എന്നിവയിൽ പ്രകടമാക്കി. ആന്തരിക ടെസ്റ്റ് ബാറ്ററിയുടെ സംവേദനക്ഷമതയുടെ കാര്യത്തിൽ, പരമ്പരാഗത രീതികൾ പുരുഷന്മാർക്കിടയിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു, സ്ത്രീകൾക്കിടയിൽ മോശം പ്രകടനം കാഴ്ചവച്ചു. എന്നിരുന്നാലും, പരമ്പരാഗത രീതികളും എസ്ഡിയും തമ്മിലുള്ള വർഗ്ഗീകരണ പ്രകടനത്തിലെ വ്യത്യാസം പുരുഷന്മാർക്ക് 9.7% ഉം സ്ത്രീകൾക്ക് 2.4% ഉം മാത്രമാണ് (എക്സ്ജിബൂസ്റ്റ്). ഡിഎം മോഡലുകളിൽ, ലോജിസ്റ്റിക് റിഗ്രഷൻ (എൽആർ) രണ്ട് ലിംഗങ്ങളിലും മികച്ച സംവേദനക്ഷമത കാണിച്ചു. ആന്തരിക ടെസ്റ്റ് സെറ്റിന്റെ പ്രത്യേകതയെക്കുറിച്ച്, നാല് എസ്ഡി മോഡലുകൾ പുരുഷന്മാരിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചപ്പോൾ, പരമ്പരാഗത മോഡൽ സ്ത്രീകളിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. പുരുഷന്മാർക്കും സ്ത്രീകൾക്കും വേണ്ടിയുള്ള വർഗ്ഗീകരണ പ്രകടനത്തിലെ വ്യത്യാസങ്ങൾ യഥാക്രമം 13.3% (എംഎൽപി) ഉം 13.1% (എംഎൽപി) ഉം ആണ്, ഇത് മോഡലുകൾ തമ്മിലുള്ള വർഗ്ഗീകരണ പ്രകടനത്തിലെ വ്യത്യാസം സെൻസിറ്റിവിറ്റിയെ കവിയുന്നുവെന്ന് സൂചിപ്പിക്കുന്നു. ഡിഎം മോഡലുകളിൽ, സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (SVM), ഡിസിഷൻ ട്രീ (DT), റാൻഡം ഫോറസ്റ്റ് (RF) മോഡലുകൾ പുരുഷന്മാരിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു, അതേസമയം LR മോഡൽ സ്ത്രീകളിൽ മികച്ച പ്രകടനം കാഴ്ചവച്ചു. പരമ്പരാഗത മോഡലിന്റെയും എല്ലാ SD മോഡലുകളുടെയും AUROC 0.925 (പുരുഷന്മാരിൽ k-അടുത്ത അയൽക്കാരൻ (KNN)) നേക്കാൾ കൂടുതലായിരുന്നു, 18 വയസ്സുള്ള സാമ്പിളുകൾ വിവേചനം കാണിക്കുന്നതിൽ മികച്ച വർഗ്ഗീകരണ പ്രകടനം പ്രകടമാക്കി. ബാഹ്യ ടെസ്റ്റ് സെറ്റിന്, ആന്തരിക ടെസ്റ്റ് സെറ്റിനെ അപേക്ഷിച്ച് സംവേദനക്ഷമത, സവിശേഷത, AUROC എന്നിവയുടെ അടിസ്ഥാനത്തിൽ വർഗ്ഗീകരണ പ്രകടനത്തിൽ കുറവുണ്ടായി. മാത്രമല്ല, മികച്ചതും മോശവുമായ മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനത്തിനിടയിലുള്ള സംവേദനക്ഷമതയിലും സവിശേഷതയിലുമുള്ള വ്യത്യാസം 10% മുതൽ 25% വരെയാണ്, കൂടാതെ ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ വ്യത്യാസത്തേക്കാൾ വലുതുമായിരുന്നു.
18 വർഷത്തെ കട്ട്ഓഫ് ഉള്ള പരമ്പരാഗത രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ ഡാറ്റാ മൈനിംഗ് വർഗ്ഗീകരണ മോഡലുകളുടെ സംവേദനക്ഷമതയും പ്രത്യേകതയും. ഏറ്റവും അടുത്തുള്ള KNN k, SVM സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ, LR ലോജിസ്റ്റിക് റിഗ്രഷൻ, DT ഡിസിഷൻ ട്രീ, RF റാൻഡം ഫോറസ്റ്റ്, XGB XGBoost, MLP മൾട്ടിലെയർ പെർസെപ്ട്രോൺ, പരമ്പരാഗത CM രീതി.
ഈ പഠനത്തിലെ ആദ്യപടി, ഏഴ് ഡിഎം മോഡലുകളിൽ നിന്ന് ലഭിച്ച ദന്ത പ്രായ എസ്റ്റിമേറ്റുകളുടെ കൃത്യതയെ പരമ്പരാഗത റിഗ്രഷൻ ഉപയോഗിച്ച് ലഭിച്ചവയുമായി താരതമ്യം ചെയ്യുക എന്നതായിരുന്നു. MAE, RMSE എന്നിവ രണ്ട് ലിംഗക്കാർക്കും വേണ്ടിയുള്ള ആന്തരിക പരിശോധനാ സെറ്റുകളിൽ വിലയിരുത്തി, പരമ്പരാഗത രീതിയും DM മോഡലും തമ്മിലുള്ള വ്യത്യാസം MAE-ക്ക് 44 മുതൽ 77 ദിവസം വരെയും RMSE-ക്ക് 62 മുതൽ 88 ദിവസം വരെയും ആയിരുന്നു. ഈ പഠനത്തിൽ പരമ്പരാഗത രീതി അൽപ്പം കൂടുതൽ കൃത്യമായിരുന്നുവെങ്കിലും, ഇത്രയും ചെറിയ വ്യത്യാസത്തിന് ക്ലിനിക്കൽ അല്ലെങ്കിൽ പ്രായോഗിക പ്രാധാന്യമുണ്ടോ എന്ന് നിഗമനം ചെയ്യാൻ പ്രയാസമാണ്. DM മോഡൽ ഉപയോഗിച്ചുള്ള ദന്ത പ്രായ എസ്റ്റിമേഷന്റെ കൃത്യത പരമ്പരാഗത രീതിയുടേതിന് ഏതാണ്ട് തുല്യമാണെന്ന് ഈ ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു. മുൻ പഠനങ്ങളിൽ നിന്നുള്ള ഫലങ്ങളുമായി നേരിട്ട് താരതമ്യം ചെയ്യുന്നത് ബുദ്ധിമുട്ടാണ്, കാരണം ഈ പഠനത്തിലെ അതേ പ്രായപരിധിയിൽ പല്ലുകൾ രേഖപ്പെടുത്തുന്നതിനുള്ള അതേ സാങ്കേതികത ഉപയോഗിച്ച് പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികളുമായി ഒരു പഠനവും DM മോഡലുകളുടെ കൃത്യതയെ താരതമ്യം ചെയ്തിട്ടില്ല. ഗാലിബർഗ് തുടങ്ങിയവർ MAE, RMSE എന്നിവയെ രണ്ട് പരമ്പരാഗത രീതികൾക്കും (ഡെമിർജിയൻ രീതി25, വില്ലെംസ് രീതി29) 2 മുതൽ 24 വയസ്സ് വരെ പ്രായമുള്ള ഒരു ഫ്രഞ്ച് ജനസംഖ്യയിൽ 10 DM മോഡലുകൾക്കും ഇടയിൽ താരതമ്യം ചെയ്തു. പരമ്പരാഗത രീതികളേക്കാൾ എല്ലാ ഡിഎം മോഡലുകളും കൂടുതൽ കൃത്യമാണെന്ന് അവർ റിപ്പോർട്ട് ചെയ്തു, വില്ലെംസ്, ഡെമിർഡ്ജിയൻ രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ MAE-യിൽ യഥാക്രമം 0.20 ഉം 0.38 ഉം RMSE-യിൽ 0.25 ഉം 0.47 ഉം വർഷത്തെ വ്യത്യാസങ്ങൾ ഉണ്ടായിരുന്നു. ഹാലിബർഗ് പഠനത്തിൽ കാണിച്ചിരിക്കുന്ന SD മോഡലും പരമ്പരാഗത രീതികളും തമ്മിലുള്ള വ്യത്യാസം, പഠനം അടിസ്ഥാനമാക്കിയുള്ള ഫ്രഞ്ച് കനേഡിയൻമാരല്ലാത്ത ജനസംഖ്യയിലെ ഡെമിർഡ്ജിയൻ രീതി കൃത്യമായി ദന്ത പ്രായം കണക്കാക്കുന്നില്ലെന്ന് നിരവധി റിപ്പോർട്ടുകൾ കണക്കിലെടുക്കുന്നു. ഈ പഠനത്തിൽ. 1636-ലെ ചൈനീസ് ഓർത്തോഡോണ്ടിക് ഫോട്ടോഗ്രാഫുകളിൽ നിന്നുള്ള പല്ലിന്റെ പ്രായം പ്രവചിക്കാൻ തായ് തുടങ്ങിയവർ MLP അൽഗോരിതം ഉപയോഗിച്ചു, അതിന്റെ കൃത്യത ഡെമിർജിയൻ, വില്ലെംസ് രീതിയുടെ ഫലങ്ങളുമായി താരതമ്യം ചെയ്തു. പരമ്പരാഗത രീതികളേക്കാൾ ഉയർന്ന കൃത്യത MLP-യ്ക്കുണ്ടെന്ന് അവർ റിപ്പോർട്ട് ചെയ്തു. ഡെമിർഡ്ജിയൻ രീതിയും പരമ്പരാഗത രീതിയും തമ്മിലുള്ള വ്യത്യാസം <0.32 വർഷമാണ്, വില്ലെംസ് രീതി 0.28 വർഷമാണ്, ഇത് ഇപ്പോഴത്തെ പഠനത്തിന്റെ ഫലങ്ങൾക്ക് സമാനമാണ്. ഈ മുൻ പഠനങ്ങളുടെ ഫലങ്ങൾ24,34 ഈ പഠനത്തിന്റെ ഫലങ്ങളുമായി പൊരുത്തപ്പെടുന്നു, കൂടാതെ DM മോഡലിന്റെയും പരമ്പരാഗത രീതിയുടെയും പ്രായ കണക്കാക്കൽ കൃത്യതയും സമാനമാണ്. എന്നിരുന്നാലും, അവതരിപ്പിച്ച ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, താരതമ്യ, റഫറൻസ് മുൻ പഠനങ്ങളുടെ അഭാവം കാരണം പ്രായം കണക്കാക്കാൻ DM മോഡലുകൾ ഉപയോഗിക്കുന്നത് നിലവിലുള്ള രീതികളെ മാറ്റിസ്ഥാപിക്കുമെന്ന് നമുക്ക് ജാഗ്രതയോടെ മാത്രമേ നിഗമനം ചെയ്യാൻ കഴിയൂ. ഈ പഠനത്തിൽ ലഭിച്ച ഫലങ്ങൾ സ്ഥിരീകരിക്കുന്നതിന് വലിയ സാമ്പിളുകൾ ഉപയോഗിച്ചുള്ള തുടർ പഠനങ്ങൾ ആവശ്യമാണ്.
ദന്ത 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 തുടങ്ങിയവർ 22 SD മോഡലുകൾ പ്രയോഗിക്കുകയും ഓരോ മോഡലിന്റെയും കൃത്യത പരിശോധിക്കുകയും ചെയ്തു. മൂറീസ് തുടങ്ങിയവർ 36 നിർദ്ദേശിച്ച വർഗ്ഗീകരണ മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് അവർ ആകെ 16 മുകളിലും താഴെയുമുള്ള ഇടത് സ്ഥിര പല്ലുകളുടെ വികസനം വിലയിരുത്തി. MAE 0.64 മുതൽ 0.94 വർഷം വരെയും RMSE 0.85 മുതൽ 1.27 വർഷം വരെയും ആണ്, ഇത് ഈ പഠനത്തിൽ ഉപയോഗിച്ച രണ്ട് DM മോഡലുകളേക്കാൾ കൃത്യമാണ്. 5 മുതൽ 13 വയസ്സ് വരെ പ്രായമുള്ള കിഴക്കൻ ചൈനീസ് നിവാസികളിൽ ഇടത് താടിയെല്ലിലെ ഏഴ് സ്ഥിര പല്ലുകളുടെ ദന്ത പ്രായം കണക്കാക്കാൻ ഷെൻ തുടങ്ങിയവർ 23 കാമിയയർ രീതി ഉപയോഗിച്ചു, ലീനിയർ റിഗ്രഷൻ, SVM, RF എന്നിവ ഉപയോഗിച്ച് കണക്കാക്കിയ പ്രായവുമായി ഇത് താരതമ്യം ചെയ്തു. പരമ്പരാഗത കാമിയയർ ഫോർമുലയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മൂന്ന് DM മോഡലുകൾക്കും ഉയർന്ന കൃത്യതയുണ്ടെന്ന് അവർ കാണിച്ചു. ഈ പഠനത്തിലെ ഡിഎം മോഡലിലുള്ളതിനേക്കാൾ ഷെന്റെ പഠനത്തിലെ MAE, RMSE എന്നിവ കുറവായിരുന്നു. സ്റ്റെപനോവ്സ്കി തുടങ്ങിയവർ 35 ഉം ഷെൻ തുടങ്ങിയവർ 23 ഉം നടത്തിയ പഠനങ്ങളുടെ കൃത്യത വർദ്ധിക്കാൻ കാരണം അവരുടെ പഠന സാമ്പിളുകളിൽ പ്രായം കുറഞ്ഞ വിഷയങ്ങളെ ഉൾപ്പെടുത്തിയതുകൊണ്ടാകാം. പല്ലുകൾ വികസിക്കുന്ന പങ്കാളികളുടെ പ്രായ കണക്കുകൾ ദന്ത വികസന സമയത്ത് പല്ലുകളുടെ എണ്ണം വർദ്ധിക്കുന്നതിനനുസരിച്ച് കൂടുതൽ കൃത്യത കൈവരിക്കുന്നതിനാൽ, പഠനത്തിൽ പങ്കെടുക്കുന്നവർ പ്രായം കുറഞ്ഞവരാണെങ്കിൽ ഫലമായുണ്ടാകുന്ന പ്രായ കണക്കാക്കൽ രീതിയുടെ കൃത്യതയിൽ വിട്ടുവീഴ്ച സംഭവിച്ചേക്കാം. കൂടാതെ, പ്രായം കണക്കാക്കുന്നതിൽ MLP യുടെ പിശക് SLP യേക്കാൾ അല്പം ചെറുതാണ്, അതായത് SLP യേക്കാൾ MLP കൂടുതൽ കൃത്യമാണ്. MLP 38 ലെ മറഞ്ഞിരിക്കുന്ന പാളികൾ കാരണം, പ്രായം കണക്കാക്കുന്നതിന് MLP അൽപ്പം മികച്ചതായി കണക്കാക്കപ്പെടുന്നു. എന്നിരുന്നാലും, സ്ത്രീകളുടെ ബാഹ്യ സാമ്പിളിന് ഒരു അപവാദമുണ്ട് (SLP 1.45, MLP 1.49). പ്രായം വിലയിരുത്തുന്നതിൽ SLP യെക്കാൾ MLP കൂടുതൽ കൃത്യമാണെന്ന് കണ്ടെത്തുന്നതിന് കൂടുതൽ മുൻകാല പഠനങ്ങൾ ആവശ്യമാണ്.
18 വർഷത്തെ പരിധിയിൽ ഡിഎം മോഡലിന്റെയും പരമ്പരാഗത രീതിയുടെയും വർഗ്ഗീകരണ പ്രകടനവും താരതമ്യം ചെയ്തു. 18 വയസ്സുള്ള സാമ്പിളിൽ പരീക്ഷിച്ച എല്ലാ എസ്ഡി മോഡലുകളും ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ പരമ്പരാഗത രീതികളും പ്രായോഗികമായി സ്വീകാര്യമായ വിവേചന നിലവാരം കാണിച്ചു. പുരുഷന്മാർക്കും സ്ത്രീകൾക്കും സംവേദനക്ഷമത യഥാക്രമം 87.7%, 94.9% എന്നിവയേക്കാൾ കൂടുതലായിരുന്നു, കൂടാതെ സവിശേഷത 89.3%, 84.7% എന്നിവയേക്കാൾ കൂടുതലായിരുന്നു. പരീക്ഷിച്ച എല്ലാ മോഡലുകളുടെയും AUROC 0.925 കവിഞ്ഞു. ഞങ്ങളുടെ അറിവിൽ, ദന്ത പക്വതയെ അടിസ്ഥാനമാക്കിയുള്ള 18 വർഷത്തെ വർഗ്ഗീകരണത്തിനായുള്ള ഡിഎം മോഡലിന്റെ പ്രകടനം ഒരു പഠനവും പരീക്ഷിച്ചിട്ടില്ല. പനോരമിക് റേഡിയോഗ്രാഫുകളിലെ ആഴത്തിലുള്ള പഠന മോഡലുകളുടെ വർഗ്ഗീകരണ പ്രകടനവുമായി ഈ പഠനത്തിന്റെ ഫലങ്ങൾ നമുക്ക് താരതമ്യം ചെയ്യാം. ഗുവോ തുടങ്ങിയവർ 15 ഒരു നിശ്ചിത പ്രായ പരിധിക്കുള്ള സിഎൻഎൻ അടിസ്ഥാനമാക്കിയുള്ള ആഴത്തിലുള്ള പഠന മോഡലിന്റെയും ഡെമിർജിയാന്റെ രീതിയെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു മാനുവൽ രീതിയുടെയും വർഗ്ഗീകരണ പ്രകടനം കണക്കാക്കി. മാനുവൽ രീതിയുടെ സംവേദനക്ഷമതയും സവിശേഷതയും യഥാക്രമം 87.7% ഉം 95.5% ഉം ആയിരുന്നു, കൂടാതെ CNN മോഡലിന്റെ സംവേദനക്ഷമതയും സവിശേഷതയും യഥാക്രമം 89.2% ഉം 86.6% ഉം കവിഞ്ഞു. പ്രായപരിധി വർഗ്ഗീകരിക്കുന്നതിൽ ആഴത്തിലുള്ള പഠന മോഡലുകൾക്ക് മാനുവൽ വിലയിരുത്തലിനെ മാറ്റിസ്ഥാപിക്കാനോ മറികടക്കാനോ കഴിയുമെന്ന് അവർ നിഗമനം ചെയ്തു. ഈ പഠനത്തിന്റെ ഫലങ്ങൾ സമാനമായ വർഗ്ഗീകരണ പ്രകടനം കാണിച്ചു; DM മോഡലുകൾ ഉപയോഗിച്ചുള്ള വർഗ്ഗീകരണം പ്രായ കണക്കാക്കലിനുള്ള പരമ്പരാഗത സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികളെ മാറ്റിസ്ഥാപിക്കുമെന്ന് വിശ്വസിക്കപ്പെടുന്നു. മോഡലുകളിൽ, പുരുഷ സാമ്പിളിനുള്ള സംവേദനക്ഷമതയുടെയും സ്ത്രീ സാമ്പിളിനുള്ള സംവേദനക്ഷമതയുടെയും സവിശേഷതയുടെയും കാര്യത്തിൽ DM LR മികച്ച മാതൃകയായിരുന്നു. പുരുഷന്മാർക്കുള്ള പ്രത്യേകതയിൽ LR രണ്ടാം സ്ഥാനത്താണ്. മാത്രമല്ല, LR കൂടുതൽ ഉപയോക്തൃ-സൗഹൃദ DM35 മോഡലുകളിൽ ഒന്നായി കണക്കാക്കപ്പെടുന്നു, കൂടാതെ സങ്കീർണ്ണത കുറഞ്ഞതും പ്രോസസ്സ് ചെയ്യാൻ പ്രയാസകരവുമാണ്. ഈ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി, കൊറിയൻ ജനസംഖ്യയിലെ 18 വയസ്സുള്ളവർക്ക് ഏറ്റവും മികച്ച കട്ട്ഓഫ് വർഗ്ഗീകരണ മോഡലായി LR കണക്കാക്കപ്പെട്ടു.
മൊത്തത്തിൽ, ബാഹ്യ ടെസ്റ്റ് സെറ്റിലെ പ്രായനിർണ്ണയത്തിന്റെയോ വർഗ്ഗീകരണ പ്രകടനത്തിന്റെയോ കൃത്യത, ആന്തരിക ടെസ്റ്റ് സെറ്റിലെ ഫലങ്ങളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മോശമോ കുറവോ ആയിരുന്നു. കൊറിയൻ ജനസംഖ്യയെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായനിർണ്ണയം ജാപ്പനീസ് ജനസംഖ്യയിൽ പ്രയോഗിക്കുമ്പോൾ വർഗ്ഗീകരണ കൃത്യതയോ കാര്യക്ഷമതയോ കുറയുന്നുവെന്ന് ചില റിപ്പോർട്ടുകൾ സൂചിപ്പിക്കുന്നു5,39, കൂടാതെ സമാനമായ ഒരു പാറ്റേൺ ഈ പഠനത്തിലും കണ്ടെത്തി. DM മോഡലിലും ഈ അപചയ പ്രവണത നിരീക്ഷിക്കപ്പെട്ടു. അതിനാൽ, വിശകലന പ്രക്രിയയിൽ DM ഉപയോഗിക്കുമ്പോൾ പോലും, പരമ്പരാഗത രീതികൾ പോലുള്ള തദ്ദേശീയ ജനസംഖ്യാ ഡാറ്റയിൽ നിന്ന് ഉരുത്തിരിഞ്ഞ രീതികൾക്ക് മുൻഗണന നൽകണം5,39,40,41,42. ആഴത്തിലുള്ള പഠന മോഡലുകൾക്ക് സമാനമായ പ്രവണതകൾ കാണിക്കാൻ കഴിയുമോ എന്ന് വ്യക്തമല്ലാത്തതിനാൽ, പരമ്പരാഗത രീതികൾ, DM മോഡലുകൾ, ആഴത്തിലുള്ള പഠന മോഡലുകൾ എന്നിവ ഉപയോഗിച്ച് വർഗ്ഗീകരണ കൃത്യതയും കാര്യക്ഷമതയും താരതമ്യം ചെയ്യുന്ന പഠനങ്ങൾ ഒരേ സാമ്പിളുകളിൽ കൃത്രിമബുദ്ധി പരിമിതമായ പ്രായത്തിൽ ഈ വംശീയ അസമത്വങ്ങളെ മറികടക്കാൻ കഴിയുമോ എന്ന് സ്ഥിരീകരിക്കേണ്ടതുണ്ട്. വിലയിരുത്തലുകൾ.
കൊറിയയിലെ ഫോറൻസിക് പ്രായ നിർണ്ണയ രീതികളിൽ പരമ്പരാഗത രീതികൾക്ക് പകരം DM മാതൃകയെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായ നിർണ്ണയം നടത്താമെന്ന് ഞങ്ങൾ തെളിയിക്കുന്നു. ഫോറൻസിക് പ്രായ നിർണ്ണയത്തിനായി മെഷീൻ ലേണിംഗ് നടപ്പിലാക്കുന്നതിനുള്ള സാധ്യതയും ഞങ്ങൾ കണ്ടെത്തി. എന്നിരുന്നാലും, ഫലങ്ങൾ കൃത്യമായി നിർണ്ണയിക്കാൻ ഈ പഠനത്തിൽ പങ്കെടുക്കുന്നവരുടെ എണ്ണത്തിന്റെ അപര്യാപ്തത, ഈ പഠനത്തിന്റെ ഫലങ്ങൾ താരതമ്യം ചെയ്ത് സ്ഥിരീകരിക്കുന്നതിന് മുൻ പഠനങ്ങളുടെ അഭാവം തുടങ്ങിയ വ്യക്തമായ പരിമിതികളുണ്ട്. ഭാവിയിൽ, പരമ്പരാഗത രീതികളുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അതിന്റെ പ്രായോഗിക പ്രയോഗക്ഷമത മെച്ചപ്പെടുത്തുന്നതിന് കൂടുതൽ സാമ്പിളുകളും കൂടുതൽ വൈവിധ്യമാർന്ന ജനസംഖ്യയും ഉപയോഗിച്ച് DM പഠനങ്ങൾ നടത്തണം. ഒന്നിലധികം ജനസംഖ്യയിൽ പ്രായം കണക്കാക്കാൻ കൃത്രിമബുദ്ധി ഉപയോഗിക്കുന്നതിന്റെ സാധ്യത സാധൂകരിക്കുന്നതിന്, DM, ആഴത്തിലുള്ള പഠന മോഡലുകളുടെ വർഗ്ഗീകരണ കൃത്യതയും കാര്യക്ഷമതയും ഒരേ സാമ്പിളുകളിലെ പരമ്പരാഗത രീതികളുമായി താരതമ്യം ചെയ്യുന്നതിന് ഭാവിയിലെ പഠനങ്ങൾ ആവശ്യമാണ്.
15 മുതൽ 23 വയസ്സ് വരെ പ്രായമുള്ള കൊറിയൻ, ജാപ്പനീസ് മുതിർന്നവരിൽ നിന്ന് ശേഖരിച്ച 2,657 ഓർത്തോഗ്രാഫിക് ഫോട്ടോഗ്രാഫുകളാണ് പഠനത്തിൽ ഉപയോഗിച്ചത്. കൊറിയൻ റേഡിയോഗ്രാഫുകളെ 900 പരിശീലന സെറ്റുകളായി (19.42 ± 2.65 വയസ്സ്) 900 ഇന്റേണൽ ടെസ്റ്റ് സെറ്റുകളായി (19.52 ± 2.59 വയസ്സ്) തിരിച്ചിരിക്കുന്നു. പരിശീലന സെറ്റ് ഒരു സ്ഥാപനത്തിൽ (സിയോൾ സെന്റ് മേരീസ് ഹോസ്പിറ്റൽ) ശേഖരിച്ചു, സ്വന്തം ടെസ്റ്റ് സെറ്റ് രണ്ട് സ്ഥാപനങ്ങളിൽ (സിയോൾ നാഷണൽ യൂണിവേഴ്സിറ്റി ഡെന്റൽ ഹോസ്പിറ്റൽ, യോൻസെ യൂണിവേഴ്സിറ്റി ഡെന്റൽ ഹോസ്പിറ്റൽ) ശേഖരിച്ചു. ബാഹ്യ പരിശോധനയ്ക്കായി മറ്റൊരു ജനസംഖ്യാടിസ്ഥാനത്തിലുള്ള ഡാറ്റയിൽ നിന്ന് (ഇവാറ്റ് മെഡിക്കൽ യൂണിവേഴ്സിറ്റി, ജപ്പാൻ) 857 റേഡിയോഗ്രാഫുകളും ഞങ്ങൾ ശേഖരിച്ചു. ജാപ്പനീസ് വിഷയങ്ങളുടെ റേഡിയോഗ്രാഫുകൾ (19.31 ± 2.60 വയസ്സ്) ബാഹ്യ പരിശോധനാ സെറ്റായി തിരഞ്ഞെടുത്തു. ദന്ത ചികിത്സയ്ക്കിടെ എടുത്ത പനോരമിക് റേഡിയോഗ്രാഫുകളിൽ ദന്ത വികസനത്തിന്റെ ഘട്ടങ്ങൾ വിശകലനം ചെയ്യുന്നതിനായി ഡാറ്റ മുൻകാലങ്ങളിൽ ശേഖരിച്ചു. ലിംഗഭേദം, ജനനത്തീയതി, റേഡിയോഗ്രാഫിന്റെ തീയതി എന്നിവ ഒഴികെ ശേഖരിച്ച എല്ലാ ഡാറ്റയും അജ്ഞാതമായിരുന്നു. ഉൾപ്പെടുത്തൽ, ഒഴിവാക്കൽ മാനദണ്ഡങ്ങൾ മുമ്പ് പ്രസിദ്ധീകരിച്ച പഠനങ്ങൾ 4, 5 എന്നിവയ്ക്ക് സമാനമായിരുന്നു. റേഡിയോഗ്രാഫ് എടുത്ത തീയതിയിൽ നിന്ന് ജനനത്തീയതി കുറച്ചാണ് സാമ്പിളിന്റെ യഥാർത്ഥ പ്രായം കണക്കാക്കിയത്. സാമ്പിൾ ഗ്രൂപ്പിനെ ഒമ്പത് പ്രായ ഗ്രൂപ്പുകളായി തിരിച്ചിരിക്കുന്നു. പ്രായവും ലിംഗഭേദവും പട്ടിക 3 ൽ കാണിച്ചിരിക്കുന്നു. ഹെൽസിങ്കിയുടെ പ്രഖ്യാപനത്തിന് അനുസൃതമായാണ് ഈ പഠനം നടത്തിയത്, കൂടാതെ കൊറിയയിലെ കാത്തലിക് യൂണിവേഴ്സിറ്റിയിലെ സിയോൾ സെന്റ് മേരീസ് ഹോസ്പിറ്റലിന്റെ (KC22WISI0328) ഇൻസ്റ്റിറ്റ്യൂഷണൽ റിവ്യൂ ബോർഡ് (IRB) അംഗീകരിച്ചു. ഈ പഠനത്തിന്റെ മുൻകാല രൂപകൽപ്പന കാരണം, ചികിത്സാ ആവശ്യങ്ങൾക്കായി റേഡിയോഗ്രാഫിക് പരിശോധനയ്ക്ക് വിധേയമാകുന്ന എല്ലാ രോഗികളിൽ നിന്നും വിവരമുള്ള സമ്മതം നേടാൻ കഴിഞ്ഞില്ല. സിയോൾ കൊറിയ യൂണിവേഴ്സിറ്റി സെന്റ് മേരീസ് ഹോസ്പിറ്റൽ (IRB) വിവരമുള്ള സമ്മതത്തിന്റെ ആവശ്യകത ഒഴിവാക്കി.
ഡെമിർക്കൻ മാനദണ്ഡങ്ങൾക്കനുസൃതമായാണ് ബൈമാക്സില്ലറി രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളറുകളുടെ വികസന ഘട്ടങ്ങൾ വിലയിരുത്തിയത്25. ഓരോ താടിയെല്ലിന്റെയും ഇടതും വലതും വശങ്ങളിൽ ഒരേ തരത്തിലുള്ള പല്ല് കണ്ടെത്തിയാൽ ഒരു പല്ല് മാത്രമേ തിരഞ്ഞെടുത്തിട്ടുള്ളൂ. ഇരുവശത്തുമുള്ള ഹോമോലോജസ് പല്ലുകൾ വ്യത്യസ്ത വികസന ഘട്ടങ്ങളിലാണെങ്കിൽ, കുറഞ്ഞ വികസന ഘട്ടമുള്ള പല്ല് കണക്കാക്കി തിരഞ്ഞെടുത്തു. പ്രീകാലിബ്രേഷനുശേഷം ഇന്റർഓബ്സർവർ വിശ്വാസ്യത പരിശോധിക്കുന്നതിനായി പരിശീലന സെറ്റിൽ നിന്ന് ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത നൂറ് റേഡിയോഗ്രാഫുകൾ രണ്ട് പരിചയസമ്പന്നരായ നിരീക്ഷകർ സ്കോർ ചെയ്തു. പ്രാഥമിക നിരീക്ഷകൻ മൂന്ന് മാസ ഇടവേളകളിൽ ഇൻട്രാഓബ്സർവർ വിശ്വാസ്യത രണ്ടുതവണ വിലയിരുത്തി.
പരിശീലന സെറ്റിലെ ഓരോ താടിയെല്ലിന്റെയും രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളറുകളുടെ ലിംഗഭേദവും വികാസ ഘട്ടവും വ്യത്യസ്ത ഡിഎം മോഡലുകൾ ഉപയോഗിച്ച് പരിശീലനം നേടിയ ഒരു പ്രാഥമിക നിരീക്ഷകൻ കണക്കാക്കി, യഥാർത്ഥ പ്രായം ലക്ഷ്യ മൂല്യമായി നിശ്ചയിച്ചു. മെഷീൻ ലേണിംഗിൽ വ്യാപകമായി ഉപയോഗിക്കുന്ന SLP, MLP മോഡലുകൾ റിഗ്രഷൻ അൽഗോരിതങ്ങൾക്കെതിരെ പരീക്ഷിച്ചു. നാല് പല്ലുകളുടെ വികസന ഘട്ടങ്ങൾ ഉപയോഗിച്ച് DM മോഡൽ ലീനിയർ ഫംഗ്ഷനുകൾ സംയോജിപ്പിക്കുകയും ഈ ഡാറ്റ സംയോജിപ്പിച്ച് പ്രായം കണക്കാക്കുകയും ചെയ്യുന്നു. SLP ഏറ്റവും ലളിതമായ ന്യൂറൽ നെറ്റ്‌വർക്കാണ്, കൂടാതെ മറഞ്ഞിരിക്കുന്ന പാളികൾ അടങ്ങിയിട്ടില്ല. നോഡുകൾക്കിടയിലുള്ള ത്രെഷോൾഡ് ട്രാൻസ്മിഷനെ അടിസ്ഥാനമാക്കിയാണ് SLP പ്രവർത്തിക്കുന്നത്. റിഗ്രഷനിലെ SLP മോഡൽ ഗണിതശാസ്ത്രപരമായി ഒന്നിലധികം ലീനിയർ റിഗ്രഷനുമായി സമാനമാണ്. SLP മോഡലിൽ നിന്ന് വ്യത്യസ്തമായി, MLP മോഡലിന് നോൺലീനിയർ ആക്ടിവേഷൻ ഫംഗ്ഷനുകളുള്ള ഒന്നിലധികം മറഞ്ഞിരിക്കുന്ന പാളികളുണ്ട്. നോൺലീനിയർ ആക്ടിവേഷൻ ഫംഗ്ഷനുകളുള്ള 20 മറഞ്ഞിരിക്കുന്ന നോഡുകൾ മാത്രമുള്ള ഒരു മറഞ്ഞിരിക്കുന്ന പാളിയാണ് ഞങ്ങളുടെ പരീക്ഷണങ്ങൾ ഉപയോഗിച്ചത്. ഒപ്റ്റിമൈസേഷൻ രീതിയായി ഗ്രേഡിയന്റ് ഡിസെന്റും ലോസ് ഫംഗ്ഷനായി MAE, RMSE എന്നിവ ഞങ്ങളുടെ മെഷീൻ ലേണിംഗ് മോഡലിനെ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുക. ലഭിച്ച ഏറ്റവും മികച്ച റിഗ്രഷൻ മോഡൽ ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളിൽ പ്രയോഗിക്കുകയും പല്ലുകളുടെ പ്രായം കണക്കാക്കുകയും ചെയ്തു.
ഒരു സാമ്പിളിന് 18 വയസ്സ് പ്രായമുണ്ടോ ഇല്ലയോ എന്ന് പ്രവചിക്കാൻ പരിശീലന സെറ്റിലെ നാല് പല്ലുകളുടെ പക്വത ഉപയോഗിക്കുന്ന ഒരു വർഗ്ഗീകരണ അൽഗോരിതം വികസിപ്പിച്ചെടുത്തു. മോഡൽ നിർമ്മിക്കുന്നതിന്, ഞങ്ങൾ ഏഴ് പ്രാതിനിധ്യ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ ഉരുത്തിരിഞ്ഞു6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, (7) MLP. ഏറ്റവും വ്യാപകമായി ഉപയോഗിക്കുന്ന വർഗ്ഗീകരണ അൽഗോരിതങ്ങളിൽ ഒന്നാണ് LR44. 0 മുതൽ 1 വരെയുള്ള ഒരു പ്രത്യേക വിഭാഗത്തിൽ പെടുന്ന ഡാറ്റയുടെ സാധ്യത പ്രവചിക്കാൻ റിഗ്രഷൻ ഉപയോഗിക്കുന്ന ഒരു സൂപ്പർവൈസുചെയ്‌ത പഠന അൽഗോരിതമാണിത്, കൂടാതെ ഈ സാധ്യതയെ അടിസ്ഥാനമാക്കി ഡാറ്റയെ കൂടുതൽ സാധ്യതയുള്ള വിഭാഗത്തിൽ പെടുന്നതായി തരംതിരിക്കുന്നു; പ്രധാനമായും ബൈനറി വർഗ്ഗീകരണത്തിനായി ഉപയോഗിക്കുന്നു. KNN ഏറ്റവും ലളിതമായ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളിൽ ഒന്നാണ്45. പുതിയ ഇൻപുട്ട് ഡാറ്റ നൽകുമ്പോൾ, നിലവിലുള്ള സെറ്റിന് സമീപമുള്ള k ഡാറ്റ അത് കണ്ടെത്തുകയും തുടർന്ന് ഉയർന്ന ആവൃത്തിയുള്ള ക്ലാസിലേക്ക് അവയെ തരംതിരിക്കുകയും ചെയ്യുന്നു. പരിഗണിക്കപ്പെടുന്ന അയൽക്കാരുടെ എണ്ണത്തിന് (k) ഞങ്ങൾ 3 സജ്ജമാക്കി. ലീനിയർ സ്പേസിനെ ഫീൽഡുകൾ എന്ന് വിളിക്കുന്ന ഒരു നോൺ-ലീനിയർ സ്പേസിലേക്ക് വികസിപ്പിക്കുന്നതിന് കേർണൽ ഫംഗ്ഷൻ ഉപയോഗിച്ച് രണ്ട് ക്ലാസുകൾക്കിടയിലുള്ള ദൂരം പരമാവധിയാക്കുന്ന ഒരു അൽഗോരിതമാണ് SVM46. ഈ മോഡലിന്, പോളിനോമിയൽ കേർണലിനുള്ള ഹൈപ്പർപാരാമീറ്ററുകളായി ഞങ്ങൾ ബയസ് = 1, പവർ = 1, ഗാമ = 1 എന്നിവ ഉപയോഗിക്കുന്നു. ഒരു ട്രീ ഘടനയിൽ തീരുമാന നിയമങ്ങൾ പ്രതിനിധീകരിക്കുന്നതിലൂടെ, ഒരു മുഴുവൻ ഡാറ്റാ സെറ്റിനെയും നിരവധി ഉപഗ്രൂപ്പുകളായി വിഭജിക്കുന്നതിനുള്ള ഒരു അൽഗോരിതം എന്ന നിലയിൽ വിവിധ ഫീൽഡുകളിൽ DT പ്രയോഗിച്ചിട്ടുണ്ട്47. ഓരോ നോഡിനും 2 എന്ന ഏറ്റവും കുറഞ്ഞ എണ്ണം റെക്കോർഡുകൾ ഉപയോഗിച്ച് മോഡൽ കോൺഫിഗർ ചെയ്‌തിരിക്കുന്നു, കൂടാതെ ഗുണനിലവാരത്തിന്റെ അളവുകോലായി ഗിനി സൂചിക ഉപയോഗിക്കുന്നു. ഒറിജിനൽ ഡാറ്റാസെറ്റിൽ നിന്ന് ഒന്നിലധികം തവണ ഒരേ വലുപ്പത്തിലുള്ള സാമ്പിളുകൾ ക്രമരഹിതമായി വരച്ചുകൊണ്ട് ഓരോ സാമ്പിളിനും ഒരു ദുർബലമായ ക്ലാസിഫയർ സൃഷ്ടിക്കുന്ന ഒരു ബൂട്ട്‌സ്‌ട്രാപ്പ് അഗ്രഗേഷൻ രീതി ഉപയോഗിച്ച് പ്രകടനം മെച്ചപ്പെടുത്തുന്നതിന് ഒന്നിലധികം DT-കളെ സംയോജിപ്പിക്കുന്ന ഒരു സമന്വയ രീതിയാണ് RF48. നോഡ് വേർതിരിക്കൽ മാനദണ്ഡമായി ഞങ്ങൾ 100 മരങ്ങൾ, 10 മരങ്ങളുടെ ആഴം, 1 കുറഞ്ഞ നോഡ് വലുപ്പം, ഗിനി അഡ്മിക്‌സ്ചർ സൂചിക എന്നിവ ഉപയോഗിച്ചു. പുതിയ ഡാറ്റയുടെ വർഗ്ഗീകരണം ഭൂരിപക്ഷ വോട്ടിലൂടെ നിർണ്ണയിക്കപ്പെടുന്നു. XGBoost എന്നത് ഒരു അൽഗോരിതം ആണ്, ഇത് മുൻ മോഡലിന്റെ യഥാർത്ഥവും പ്രവചിക്കപ്പെട്ടതുമായ മൂല്യങ്ങൾക്കിടയിലുള്ള പിശക് പരിശീലന ഡാറ്റയായി എടുക്കുകയും ഗ്രേഡിയന്റുകൾ ഉപയോഗിച്ച് പിശക് വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. മികച്ച പ്രകടനവും റിസോഴ്‌സ് കാര്യക്ഷമതയും, ഓവർഫിറ്റിംഗ് കറക്ഷൻ ഫംഗ്‌ഷൻ എന്ന നിലയിൽ ഉയർന്ന വിശ്വാസ്യതയും കാരണം ഇത് വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന ഒരു അൽഗോരിതമാണ്. മോഡലിൽ 400 സപ്പോർട്ട് വീലുകൾ സജ്ജീകരിച്ചിരിക്കുന്നു. MLP എന്നത് ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കാണ്, അതിൽ ഒന്നോ അതിലധികമോ പെർസെപ്ട്രോണുകൾ ഇൻപുട്ടിനും ഔട്ട്‌പുട്ട് ലെയറുകൾക്കും ഇടയിൽ ഒന്നോ അതിലധികമോ മറഞ്ഞിരിക്കുന്ന പാളികളുള്ള ഒന്നിലധികം പാളികൾ രൂപപ്പെടുത്തുന്നു38. ഇത് ഉപയോഗിച്ച്, നിങ്ങൾക്ക് നോൺ-ലീനിയർ വർഗ്ഗീകരണം നടത്താൻ കഴിയും, അവിടെ നിങ്ങൾ ഒരു ഇൻപുട്ട് ലെയർ ചേർത്ത് ഒരു ഫല മൂല്യം ലഭിക്കുമ്പോൾ, പ്രവചിക്കപ്പെട്ട ഫല മൂല്യം യഥാർത്ഥ ഫല മൂല്യവുമായി താരതമ്യം ചെയ്യുകയും പിശക് തിരികെ പ്രചരിപ്പിക്കുകയും ചെയ്യുന്നു. ഓരോ ലെയറിലും 20 മറഞ്ഞിരിക്കുന്ന ന്യൂറോണുകളുള്ള ഒരു മറഞ്ഞിരിക്കുന്ന പാളി ഞങ്ങൾ സൃഷ്ടിച്ചു. ഞങ്ങൾ വികസിപ്പിച്ച ഓരോ മോഡലും സെൻസിറ്റിവിറ്റി, സ്പെസിഫിസിറ്റി, PPV, NPV, AUROC എന്നിവ കണക്കാക്കി വർഗ്ഗീകരണ പ്രകടനം പരിശോധിക്കുന്നതിന് ആന്തരികവും ബാഹ്യവുമായ സെറ്റുകളിൽ പ്രയോഗിച്ചു. 18 വയസ്സോ അതിൽ കൂടുതലോ പ്രായമുള്ളതായി കണക്കാക്കിയ ഒരു സാമ്പിളിന്റെയും 18 വയസ്സോ അതിൽ കൂടുതലോ പ്രായമുള്ളതായി കണക്കാക്കിയ ഒരു സാമ്പിളിന്റെയും അനുപാതമാണ് സംവേദനക്ഷമത എന്ന് നിർവചിച്ചിരിക്കുന്നത്. 18 വയസ്സിന് താഴെയുള്ളവരുടെയും 18 വയസ്സിന് താഴെയുള്ളവരുടെയും സാമ്പിളുകളുടെ അനുപാതമാണ് സവിശേഷത.
പരിശീലന സെറ്റിൽ വിലയിരുത്തിയ ദന്ത ഘട്ടങ്ങളെ സ്റ്റാറ്റിസ്റ്റിക്കൽ വിശകലനത്തിനായി സംഖ്യാ ഘട്ടങ്ങളാക്കി മാറ്റി. ഓരോ ലിംഗത്തിനും പ്രവചന മാതൃകകൾ വികസിപ്പിക്കുന്നതിനും പ്രായം കണക്കാക്കാൻ ഉപയോഗിക്കാവുന്ന റിഗ്രഷൻ ഫോർമുലകൾ നേടുന്നതിനും മൾട്ടിവേരിയേറ്റ് ലീനിയർ, ലോജിസ്റ്റിക് റിഗ്രഷൻ നടത്തി. ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളുടെ പല്ലിന്റെ പ്രായം കണക്കാക്കാൻ ഞങ്ങൾ ഈ ഫോർമുലകൾ ഉപയോഗിച്ചു. ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന റിഗ്രഷൻ, വർഗ്ഗീകരണ മോഡലുകൾ പട്ടിക 4 കാണിക്കുന്നു.
കോഹന്റെ കപ്പ സ്റ്റാറ്റിസ്റ്റിക്സ് ഉപയോഗിച്ചാണ് ഇൻട്രാ-, ഇന്റർ-ഒബ്സർവർ വിശ്വാസ്യത കണക്കാക്കിയത്. ഡിഎമ്മിന്റെയും പരമ്പരാഗത റിഗ്രഷൻ മോഡലുകളുടെയും കൃത്യത പരിശോധിക്കുന്നതിന്, ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളുടെ കണക്കാക്കിയതും യഥാർത്ഥവുമായ പ്രായങ്ങൾ ഉപയോഗിച്ച് ഞങ്ങൾ MAE, RMSE എന്നിവ കണക്കാക്കി. മോഡൽ പ്രവചനങ്ങളുടെ കൃത്യത വിലയിരുത്താൻ ഈ പിശകുകൾ സാധാരണയായി ഉപയോഗിക്കുന്നു. പിശക് ചെറുതാകുമ്പോൾ, പ്രവചനത്തിന്റെ കൃത്യത വർദ്ധിക്കും24. DM, പരമ്പരാഗത റിഗ്രഷൻ എന്നിവ ഉപയോഗിച്ച് കണക്കാക്കിയ ആന്തരികവും ബാഹ്യവുമായ ടെസ്റ്റ് സെറ്റുകളുടെ MAE, RMSE എന്നിവ താരതമ്യം ചെയ്യുക. പരമ്പരാഗത സ്ഥിതിവിവരക്കണക്കുകളിലെ 18 വർഷത്തെ കട്ട്ഓഫിന്റെ വർഗ്ഗീകരണ പ്രകടനം 2 × 2 ആകസ്മിക പട്ടിക ഉപയോഗിച്ച് വിലയിരുത്തി. ടെസ്റ്റ് സെറ്റിന്റെ കണക്കാക്കിയ സംവേദനക്ഷമത, പ്രത്യേകത, PPV, NPV, AUROC എന്നിവ DM വർഗ്ഗീകരണ മോഡലിന്റെ അളന്ന മൂല്യങ്ങളുമായി താരതമ്യം ചെയ്തു. ഡാറ്റ സവിശേഷതകളെ ആശ്രയിച്ച് ശരാശരി ± സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ അല്ലെങ്കിൽ സംഖ്യ (%) ആയി ഡാറ്റ പ്രകടിപ്പിക്കുന്നു. രണ്ട് വശങ്ങളുള്ള പി മൂല്യങ്ങൾ <0.05 സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് പ്രാധാന്യമുള്ളതായി കണക്കാക്കി. എല്ലാ പതിവ് 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 ഉപയോഗിച്ച് പൈത്തണിൽ DM റിഗ്രഷൻ മോഡൽ നടപ്പിലാക്കി. വൈകാറ്റോ നോളജ് അനാലിസിസ് എൻവയോൺമെന്റിലും കോൺസ്റ്റൻസ് ഇൻഫർമേഷൻ മൈനർ (KNIME) 4.6.152 വിശകലന പ്ലാറ്റ്‌ഫോമിലും DM വർഗ്ഗീകരണ മോഡൽ നടപ്പിലാക്കി.
പഠനത്തിന്റെ നിഗമനങ്ങളെ പിന്തുണയ്ക്കുന്ന ഡാറ്റ ലേഖനത്തിലും അനുബന്ധ മെറ്റീരിയലുകളിലും കാണാമെന്ന് രചയിതാക്കൾ സമ്മതിക്കുന്നു. പഠനത്തിനിടെ സൃഷ്ടിച്ചതും/അല്ലെങ്കിൽ വിശകലനം ചെയ്തതുമായ ഡാറ്റാസെറ്റുകൾ ന്യായമായ അഭ്യർത്ഥന പ്രകാരം ബന്ധപ്പെട്ട രചയിതാവിൽ നിന്ന് ലഭ്യമാണ്.
റിറ്റ്സ്-ടിമ്മെ, എസ്. തുടങ്ങിയവർ. പ്രായനിർണ്ണയം: ഫോറൻസിക് പ്രാക്ടീസിന്റെ പ്രത്യേക ആവശ്യകതകൾ നിറവേറ്റുന്നതിനുള്ള അത്യാധുനിക നിലവാരം. അന്താരാഷ്ട്രീയത. ജെ. ലീഗൽ മെഡിസിൻ. 113, 129–136 (2000).
ഷ്മെലിംഗ്, എ., റെയ്‌സിംഗർ, ഡബ്ല്യു., ഗെസെറിക്, ജി., ഓൾസെ, എ. ക്രിമിനൽ പ്രോസിക്യൂഷൻ ആവശ്യങ്ങൾക്കായി ജീവിച്ചിരിക്കുന്ന വിഷയങ്ങളുടെ ഫോറൻസിക് പ്രായ വിലയിരുത്തലിന്റെ നിലവിലെ സ്ഥിതി. ഫോറൻസിക്സ്. വൈദ്യശാസ്ത്രം. പാത്തോളജി. 1, 239–246 (2005).
പാൻ, ജെ. തുടങ്ങിയവർ. കിഴക്കൻ ചൈനയിലെ 5 മുതൽ 16 വയസ്സ് വരെ പ്രായമുള്ള കുട്ടികളുടെ ദന്ത പ്രായം വിലയിരുത്തുന്നതിനുള്ള പരിഷ്കരിച്ച രീതി. ക്ലിനിക്കൽ. ഓറൽ സർവേ. 25, 3463–3474 (2021).
ലീ, എസ്.എസ്. തുടങ്ങിയവർ. കൊറിയക്കാരിൽ രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ വികാസത്തിന്റെ കാലഗണനയും ഫോറൻസിക് പ്രായ വിലയിരുത്തലിനുള്ള അതിന്റെ പ്രയോഗവും. അന്താരാഷ്ട്രത. ജെ. ലീഗൽ മെഡിസിൻ. 124, 659–665 (2010).
ഓ, എസ്., കുമാഗൈ, എ., കിം, എസ്‌വൈ, ലീ, എസ്‌എസ്. കൊറിയൻ, ജാപ്പനീസ് ഭാഷകളിൽ രണ്ടാമത്തെയും മൂന്നാമത്തെയും മോളാറുകളുടെ പക്വതയെ അടിസ്ഥാനമാക്കിയുള്ള 18 വർഷത്തെ പ്രായപരിധി കണക്കാക്കലിന്റെയും കണക്കാക്കലിന്റെയും കൃത്യത. PLoS ONE 17, e0271247 (2022).
കിം, ജെ.വൈ, തുടങ്ങിയവർ. ശസ്ത്രക്രിയയ്ക്ക് മുമ്പുള്ള മെഷീൻ ലേണിംഗ് അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റ വിശകലനം OSA ഉള്ള രോഗികളിൽ ഉറക്ക ശസ്ത്രക്രിയാ ചികിത്സയുടെ ഫലം പ്രവചിക്കാൻ കഴിയും. ശാസ്ത്രം. റിപ്പോർട്ട് 11, 14911 (2021).
ഹാൻ, എം. തുടങ്ങിയവർ. മനുഷ്യ ഇടപെടലോടുകൂടിയോ അല്ലാതെയോ മെഷീൻ ലേണിംഗിൽ നിന്നുള്ള കൃത്യമായ പ്രായ കണക്ക്? അന്താരാഷ്ട്രത. ജെ. ലീഗൽ മെഡിസിൻ. 136, 821–831 (2022).
ഖാൻ, എസ്., ഷഹീൻ, എം. ഡാറ്റാ മൈനിംഗിൽ നിന്ന് ഡാറ്റാ മൈനിംഗിലേക്ക്. ജെ. ഇൻഫർമേഷൻ. ശാസ്ത്രം. https://doi.org/10.1177/01655515211030872 (2021).
ഖാൻ, എസ്., ഷഹീൻ, എം. വിസ്റൂൾ: അസോസിയേഷൻ റൂൾ മൈനിംഗിനുള്ള ആദ്യത്തെ കോഗ്നിറ്റീവ് അൽഗോരിതം. ജെ. ഇൻഫർമേഷൻ. ശാസ്ത്രം. https://doi.org/10.1177/01655515221108695 (2022).
ഷഹീൻ എം., അബ്ദുള്ള യു. കർം: 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 ഉപയോഗിച്ചുള്ള ആഴത്തിലുള്ള പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള സെമാന്റിക് സമാനത കണ്ടെത്തൽ. അറിയിക്കുക. സാങ്കേതികവിദ്യകൾ. നിയന്ത്രണം. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
തബീഷ്, എം., തനോലി, ഇസഡ്., ഷാഹിൻ, എം. സ്പോർട്സ് വീഡിയോകളിലെ പ്രവർത്തനം തിരിച്ചറിയുന്നതിനുള്ള ഒരു സിസ്റ്റം. മൾട്ടിമീഡിയ. ടൂൾസ് ആപ്ലിക്കേഷനുകൾ https://doi.org/10.1007/s11042-021-10519-6 (2021).
ഹലാബി, എസ്.എസ്. തുടങ്ങിയവർ. പീഡിയാട്രിക് ബോൺ ഏജിലെ ആർ.എസ്.എൻ.എ മെഷീൻ ലേണിംഗ് ചലഞ്ച്. റേഡിയോളജി 290, 498–503 (2019).
ലി, വൈ. തുടങ്ങിയവർ. ആഴത്തിലുള്ള പഠനം ഉപയോഗിച്ച് പെൽവിക് എക്സ്-റേകളിൽ നിന്നുള്ള ഫോറൻസിക് പ്രായം കണക്കാക്കൽ. യൂറോ. വികിരണം. 29, 2322–2329 (2019).
ഗുവോ, വൈ.സി. തുടങ്ങിയവർ. ഓർത്തോഗ്രാഫിക് പ്രൊജക്ഷൻ ഇമേജുകളിൽ നിന്നുള്ള മാനുവൽ രീതികളും ആഴത്തിലുള്ള കൺവല്യൂഷണൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഉപയോഗിച്ച് കൃത്യമായ പ്രായ വർഗ്ഗീകരണം. ഇന്റർനാഷണാലിറ്റി. ജെ. ലീഗൽ മെഡിസിൻ. 135, 1589–1597 (2021).
അലബാമ ഡലോറ തുടങ്ങിയവർ. വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് രീതികൾ ഉപയോഗിച്ചുള്ള അസ്ഥികളുടെ പ്രായം കണക്കാക്കൽ: ഒരു വ്യവസ്ഥാപിത സാഹിത്യ അവലോകനവും മെറ്റാ വിശകലനവും. PLoS ONE 14, e0220242 (2019).
കോൺ-ബീം കമ്പ്യൂട്ട് ചെയ്ത ടോമോഗ്രഫി ഉപയോഗിച്ച് ആദ്യത്തെ മോളാറുകളുടെ പൾപ്പ് ചേമ്പർ വോള്യങ്ങളെ അടിസ്ഥാനമാക്കി ആഫ്രിക്കൻ അമേരിക്കക്കാരുടെയും ചൈനക്കാരുടെയും ജനസംഖ്യാ-നിർദ്ദിഷ്ട പ്രായ കണക്കാക്കൽ. ഇന്റർനാഷണാലിറ്റി. ജെ. ലീഗൽ മെഡിസിൻ. 136, 811–819 (2022).
കിം എസ്., ലീ വൈ.എച്ച്, നോ വൈ.കെ, പാർക്ക് എഫ്.കെ, ഓ കെ.എസ് എന്നിവർ ആദ്യത്തെ മോളറുകളുടെ കൃത്രിമബുദ്ധി അടിസ്ഥാനമാക്കിയുള്ള ചിത്രങ്ങൾ ഉപയോഗിച്ച് ജീവിച്ചിരിക്കുന്ന ആളുകളുടെ പ്രായപരിധി നിർണ്ണയിക്കുന്നു. ശാസ്ത്രം. റിപ്പോർട്ട് 11, 1073 (2021).
സ്റ്റേൺ, ഡി., പേയർ, സി., ഗിയുലിയാനി, എൻ., ഉർഷ്ലർ, എം. മൾട്ടിവേരിയേറ്റ് എംആർഐ ഡാറ്റയിൽ നിന്നുള്ള ഓട്ടോമാറ്റിക് ഏജ് എസ്റ്റിമേഷനും ഭൂരിപക്ഷ ഏജ് ക്ലാസിഫിക്കേഷനും. ഐഇഇഇ ജെ. ബയോമെഡ്. ഹെൽത്ത് അലേർട്ടുകൾ. 23, 1392–1403 (2019).
ചെങ്, ക്യു., ജി., ഇസഡ്., ഡു, എച്ച്., ലി. ജി. കോൺ ബീം കമ്പ്യൂട്ട് ചെയ്ത ടോമോഗ്രാഫിയിൽ നിന്നുള്ള ആദ്യ മോളറുകളുടെ 3D പൾപ്പ് ചേമ്പർ സെഗ്മെന്റേഷനെ അടിസ്ഥാനമാക്കിയുള്ള പ്രായ നിർണ്ണയം, ആഴത്തിലുള്ള പഠനവും ലെവൽ സെറ്റുകളും സംയോജിപ്പിച്ച്. അന്താരാഷ്ട്രത. ജെ. ലീഗൽ മെഡിസിൻ. 135, 365–373 (2021).
വു, ഡബ്ല്യു.ടി. തുടങ്ങിയവർ. ക്ലിനിക്കൽ ബിഗ് ഡാറ്റയിലെ ഡാറ്റ മൈനിംഗ്: പൊതുവായ ഡാറ്റാബേസുകൾ, ഘട്ടങ്ങൾ, രീതി മോഡലുകൾ. ലോകം. വൈദ്യശാസ്ത്രം. ഉറവിടം. 8, 44 (2021).
യാങ്, ജെ. തുടങ്ങിയവർ. ബിഗ് ഡാറ്റാ കാലഘട്ടത്തിലെ മെഡിക്കൽ ഡാറ്റാബേസുകളുടെയും ഡാറ്റാ മൈനിംഗ് സാങ്കേതികവിദ്യകളുടെയും ആമുഖം. ജെ. അവിഡ്. അടിസ്ഥാന വൈദ്യശാസ്ത്രം. 13, 57–69 (2020).
ഷെൻ, എസ്. തുടങ്ങിയവർ. മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് പല്ലിന്റെ പ്രായം കണക്കാക്കുന്നതിനുള്ള കാമററുടെ രീതി. ബിഎംസി ഓറൽ ഹെൽത്ത് 21, 641 (2021).
ഗാലിബർഗ് എ. തുടങ്ങിയവർ. ഡെമിർഡ്ജിയൻ സ്റ്റേജിംഗ് രീതി ഉപയോഗിച്ച് പല്ലിന്റെ പ്രായം പ്രവചിക്കുന്നതിനുള്ള വ്യത്യസ്ത മെഷീൻ ലേണിംഗ് രീതികളുടെ താരതമ്യം. ഇന്റർനാഷണാലിറ്റി. ജെ. ലീഗൽ മെഡിസിൻ. 135, 665–675 (2021).
ഡെമിർഡ്ജിയാൻ, എ., ഗോൾഡ്‌സ്റ്റൈൻ, എച്ച്., ടാനർ, ജെ.എം. ദന്ത പ്രായം വിലയിരുത്തുന്നതിനുള്ള ഒരു പുതിയ സംവിധാനം. സ്നോട്ട്. ബയോളജി. 45, 211–227 (1973).
ലാൻഡിസ്, ജെ.ആർ., കോച്ച്, ജി.ജി. വർഗ്ഗീകൃത ഡാറ്റയെക്കുറിച്ചുള്ള നിരീക്ഷക കരാറിന്റെ അളവുകൾ. ബയോമെട്രിക്സ് 33, 159–174 (1977).
ഭട്ടാചാര്യ എസ്, പ്രകാശ് ഡി, കിം സി, കിം എച്ച്‌കെ, ചോയി എച്ച്‌കെ. പ്രാഥമിക മസ്തിഷ്ക മുഴകളെ വേർതിരിക്കുന്നതിനുള്ള കൃത്രിമബുദ്ധി സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച് ദ്വിമാന മാഗ്നറ്റിക് റെസൊണൻസ് ഇമേജിംഗിന്റെ ഘടനാപരവും രൂപപരവും സ്ഥിതിവിവരക്കണക്കുമായി വിശകലനം. ആരോഗ്യ വിവരങ്ങൾ. ഉറവിടം. https://doi.org/10.4258/hir.2022.28.1.46 (2022).