සාම්ප්රදායික දන්ත වයස් තක්සේරුකරණ ක්රමවලට එරෙහිව දත්ත කැණීමේ ආකෘතියක් වලංගු කිරීම කොරියානු නව යොවුන් දරුවන් සහ තරුණ වැඩිහිටියන් අතර

Nubile.com වෙබ් අඩවියට පිවිසීමට ස්තූතියි. ඔබ භාවිතා කරන බ්රව්සරයේ අනුවාදය සීමිත CSS සහාය ඇත. හොඳම ප්රති results ල සඳහා, ඔබගේ බ්රව්සරයේ නව අනුවාදයක් (හෝ ඉන්ටර්නෙට් එක්ස්ප්ලෝරර් හි අනුකූලතා මාදිලිය අක්රිය කිරීම) භාවිතා කරමු. මේ අතර, අඛණ්ඩ සහයෝගය සහතික කිරීම සඳහා, අපි වෙබ් අඩවිය මෝස්තරයක් හෝ ජාවාස්ක්රිප්ට් නොමැතිව පෙන්වයි.
දත් මිනිස් සිරුරේ යුගයේ වඩාත්ම නිවැරදි දර්ශක ලෙස සැලකෙන අතර බොහෝ විට අධිකරණ වෛද්ය වයස් තක්සේරු කිරීමේදී භාවිතා වේ. සාම්ප්රදායික ක්රම හා දත්ත පතල් මත පදනම් වූ යුගල ඇස්තමේන්තු සහිතව වසර 18 ක සීමාවේ වර්ගීකරණයේ ක්රියාකාරිත්වය සංසන්දනය කිරීම හා වර්ගීකරණ ක්රියාකාරිත්වය සංසන්දනය කිරීම මගින් දත්ත කැණීම් පදනම් කරගත් දන්ත වයස් ඇස්තමේන්තු වලංගු කිරීම අප අරමුණු කර ගත්තෙමු. කොරියානු හා ජපාන පුරවැසියන්ගෙන් වයස අවුරුදු 15 ත් 23 ත් අතර. ඒවා පුහුණු කට්ටලයකට බෙදා ඇති අතර, එක් එක් කොරියානු විකිරණශාවන් 900 ක් සහ ජපන් විකිරණශිලි 857 ක් අඩංගු අභ්යන්තර පරීක්ෂණ කට්ටලයක්. සාම්ප්රදායික ක්රමවල වර්ගීකරණය හා කාර්යක්ෂමතාව පිළිබඳ කාර්යක්ෂමතාව දත්ත පතල් ආකර්ශනීය ආකෘති සමඟ අපි සංසන්දනය කරමු. අභ්යන්තර පරීක්ෂණ කට්ටලය පිළිබඳ සාම්ප්රදායික ක්රමයේ නිරවද්යතාවය දත්ත කැණීමේ ආකෘතියට වඩා තරමක් වැඩි වන අතර වෙනස කුඩා වේ (මධ්යන්ය නිරපේක්ෂ දෝෂය <අවුරුදු 0.21, මූල මධ්යන්ය වර්ග දෝෂය <0.24). සාම්ප්රදායික ක්රම සහ දත්ත පතල් මාදිලි අතර වසර 18 ක කප්පාදුව සඳහා වර්ගීකරණ කාර්යසාධනය ද සමාන වේ. මේ අනුව, කොරියානු නව යොවුන් වියේ දෙවන හා තරුණ වැඩිහිටියන්ගේ දෙවන හා තෙවන මෝලර්වල පරිණතභාවය භාවිතා කරමින් අධිකරණ වෛද්ය වයස් තක්සේරු කිරීම සිදුකරන විට සාම්ප්රදායික ක්රම දත්ත පතල් මාදිලි මගින් ප්රතිස්ථාපනය කළ හැකිය.
දන්ත වයස් තක්සේරුව අධිකරණ වෛද්ය විද්යාවේ හා ළමා දන්ත වෛද්ය විද්යාවේ බහුලව භාවිතා වේ. විශේෂයෙන්, කාලානුක්රමය වයස සහ දන්ත සංවර්ධනය අතර ඇති ඉහළ සහසම්බන්ධය නිසා දන්ත සංවර්ධන අදියර මගින් වයස් තක්සේරු කිරීම සහ නව යොවුන් වියේ පසුවන වයස තක්සේරු කිරීම සඳහා වූ වැදගත් නිර්ණායකයකි. කෙසේ වෙතත්, යෞවනයන් සඳහා, දන්ත පරිණතභාවය මත පදනම් වූ දන්ත වයල්ල තක්සේරු කිරීම එහි සීමාවන් ඇති බැවින් තෙවැනි මෝලර් වල ව්යතිරේකය දන්ත වර්ධනය පාහේ අවසන් වී ඇති බැවිනි. යෞවනයන් හා නව යොවුන් දරුවන්ගේ වයස තීරණය කිරීමේ නීතිමය අරමුණ වන්නේ ඔවුන් බහුතරයකගේ වයස ළඟා වී ඇත්ද යන්න පිළිබඳ නිවැරදි ඇස්තමේන්තු හා විද්යාත්මක සාක්ෂි සැපයීමයි. කොරියාවේ නව යොවුන් වියේ / තරුණ වැඩිහිටියන්ගේ වෛද්ය-නීති භාවිතයේ, වයස ලීගේ ක්රමය භාවිතා කරමින් ඇස්තමේන්තු කර ඇති අතර, ඔහ් සහ වෙනත් අය විසින් වාර්තා කරන ලද දත්ත මත පදනම්ව වසර 18 ක නෛතික සීමාවක් පුරෝකථනය කරන ලදී.
යන්ත්ර ඉගෙනීම යනු නැවත නැවතත් දත්ත විශාල ප්රමාණයක් නැවත නැවතත් ඉගෙන ගෙන ඒවාට තමන්ගේම දෑ මත පදනම්ව නැවත නැවතත් ඉගෙන ගෙන ඒවා වර්ගීකරණය කරන අතර දත්ත ක්රමලේඛනය වෙනස් කරන කෘතිම බුද්ධි වර්ගයකි. මැෂින් ඉගෙනීම මඟින් දත්ත 6 හි විශාල සැඟවුණු රටා සොයා ගත හැකිය. ඊට වෙනස්ව, ශ්රමය හා දැඩි හා කාලය ගතවන සම්භාව්ය ක්රම අතින් 7 සැකසීමට අපහසු සංකීර්ණ දත්තවල විශාල පරිමාවක් සමඟ කටයුතු කිරීමේදී සීමාවන් තිබිය හැකිය. එබැවින් මානව දෝෂ අවම කිරීම හා කාර්යක්ෂමව ක්රියාවලිය අවම කිරීම සඳහා නවතම පරිගණක තාක්ෂණයන් භාවිතා කරමින් බොහෝ අධ්යයනයන් මෑතකදී පවත්වා ඇත. විශේෂයෙන්, ගැඹුරු ඉගෙනීම වෛද්ය රූප විශ්ලේෂණයේ දී පුළුල් ලෙස භාවිතා කර ඇති අතර, වයස් තක්සේරුව ස්වයංක්රීයව විශ්ලේෂණය කිරීමෙන් විවිධ ක්රම මගින් විකිරණශිලි විශ්ලේෂණය කිරීම 13,14,14,15,16,19,20 . නිදසුනක් ලෙස, හලාබි සහ 13 දරුවන්ගේ අතේ ඇති විකිරණශීලී වයස්වල විකිරණ යුගය තක්සේරු කිරීම සඳහා හලබි සහ 13 වන යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමයක් සකස් කළේය. මෙම අධ්යයනයෙන් යෝජනා කරන්නේ ආකෘතියක් වෛද්ය පින්තූර වෛද්ය පින්තූර සඳහා යන්ත්ර ඉගෙනීමට අදාළ වන ආදර්ශයක් වන අතර මෙම ක්රම මගින් රෝග විනිශ්චය නිරවද්යතාවය වැඩි දියුණු කළ හැකි බව පෙන්නුම් කරයි. ගැඹුරු ඉගෙනුම් සීඑන්එන් භාවිතා කරමින් ශ්රෝණි එක්ස් කිරණ රූපවල සිට ඇස්තමේන්තුගත යුගය LEVIC X-රේ රූපවල සිට ඔස්ටර්ජාස් අදියර තක්සේරුව භාවිතා කරමින් ප්රතිගාමී ප්රති results ල සමඟ සංසන්දනය කරන්න. ගැඹුරු ඉගෙනුම් විශ්වීය ආකෘතිය සාම්ප්රදායික ප්රතිගාමී ආකෘතිය ලෙස එකම වයස් තක්සේරුකරණ කාර්ය සාධනය පෙන්නුම් කළ බව ඔවුහු සොයා ගත්හ. ගුඕ ඊ.ක්.ඒ. හි අධ්යයනය [15] දන්ත විකලාංග මත පදනම් වූ සීඑන්එන් තාක්ෂණයේ වයස්වල ඉවසීමේ වර්ගීකරණයන් ඇගයීමට ලක් කළ අතර මිනිසුන් සිය වයස් වර්ගීකරණ කාර්ය සාධනය අභිබවා ගිය බව සීඑන්එන් ආකෘතියේ ප්රති results ලවලින් ඔප්පු විය.
යන්ත්ර ඉගෙනීම භාවිතා කරමින් වයස් හැන්දක් පිළිබඳ බොහෝ අධ්යයනයන් ගැඹුරු ඉගෙනුම් ක්රම 13,14,14,15,16,19,20. ගැඹුරු ඉගෙනීම මත පදනම් වූ වයස් තක්සේරුව සාම්ප්රදායික ක්රමවලට වඩා නිවැරදි යැයි වාර්තා වේ. කෙසේ වෙතත්, මෙම ප්රවේශය ඇස්තමේන්තුවල භාවිතා වන වයස් දර්ශක වැනි වයස් ඇස්තමේන්තු සඳහා විද්යාත්මක පදනම ඉදිරිපත් කිරීමට වැඩි අවස්ථාවක් ලබා දේ. පරීක්ෂණ පවත්වන්නේ කවුරුන්ද යන්න පිළිබඳ නීතිමය ආරවුලක් ද තිබේ. එබැවින් ගැඹුරු ඉගෙනීම මත පදනම් වූ වයස් තක්සේරුව පරිපාලන හා අධිකරණ බලධාරීන් විසින් පිළිගැනීම දුෂ්කර ය. දත්ත කැණීම් (ඩීඑම්) යනු අපේක්ෂිත පමණක් නොව, දත්ත 621,22 අතර ප්රයෝජනවත් සහසම්බන්ධතා සොයා ගැනීමේ ක්රමවේදයක් ලෙස සොයාගත හැකි පමණක් නොව, අනපේක්ෂිත තොරතුරු ද සොයා ගත හැකි ක්රමවේදයකි. යන්ත්ර ඉගෙනීම බොහෝ විට දත්ත කැණීම සඳහා භාවිතා කරන අතර දත්ත කැණීම් හා යන්ත්ර ඉගෙනීම යන දෙකම දත්තවල රටා සොයා ගැනීමට එකම යතුරු ඇල්ගොරිතම භාවිතා කරයි. දන්ත සංවර්ධනය භාවිතා කරමින් වයස් තක්සේරුව පදනම් වී ඇත්තේ ඉලක්කගත දත් වල පරිණතභාවය පිළිබඳ විභාගකරුගේ තක්සේරුව මත ය. මෙම තක්සේරුව එක් එක් ඉලක්ක දත සඳහා වේදිකාවක් ලෙස ප්රකාශ වේ. දන්ත තක්සේරු කිරීමේ අදියර සහ සැබෑ වයස සහ සාම්ප්රදායික සංඛ්යාලේඛන විශ්ලේෂණය වෙනුවට ආදේශ කිරීමේ හැකියාවන් ඇති අතර සාම්ප්රදායික සංඛ්යාන විශ්ලේෂණය ප්රතිස්ථාපනය කිරීමේ හැකියාව අතර දන්ත තක්සේරු කිරීම විශ්ලේෂණය කිරීම සඳහා ඩී.එම්. එබැවින්, අපි වයස් ඇස්තමේන්තුකරණය සඳහා DM ක්රමවේදයන් යොදන්නේ නම්, නීතිමය වගකීම් ගැන කරදර නොවී අපට අධිකරණ වෛද්ය යුගයේ තක්සේරුව අනුව යන්ත්ර ඉගෙනීමේ මැෂින් ඉගෙනුම් ලෙස ක්රියාත්මක කළ හැකිය. දන්ත වයස තීරණය කිරීම සඳහා අධිකරණ වෛද්ය භාවිතයේ සහ EBM මත පදනම් වූ ක්රම සඳහා භාවිතා කරන සාම්ප්රදායික අතින් පදනම් කරගත් ක්රම සඳහා විකල්ප පිළිබඳ හැකි විකල්ප මත සංසන්දනාත්මක අධ්යයන කිහිපයක් ප්රකාශයට පත් කර ඇත. ෂෙන් සහ අල් 27 පෙන්වූයේ සාම්ප්රදායික පැමිණීමේ සූත්රයට වඩා ඩී.එම්. ආකෘතිය වඩාත් නිවැරදි බවයි. ගයිබර්ග් සහ අල් 24 ව්යවහාරිකය ඩෙම් හෝජි නිර්ණායක 255 වන අතර ප්රති results ල ප්රංශ ජනගහනයේ යුගය තක්සේරු කිරීමේදී ඩෙම්බර් ජියන්ට සහ විලේම්ස් සහ විලේම්ස් සහ විලේම්ස් සහ විලම්ස්ගේ ක්රමවේදයන් අභිබවා යන බව පෙන්නුම් කරයි.
කොරියානු නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන්ගේ දන්ත වයස හා තරුණ වැඩිහිටියන් වන ලීගේ ක්රමය 4 කොරියානු අධිකරණ වෛද්ය භාවිතයේදී බහුලව භාවිතා වේ. කොරියානු විෂයයන් සහ කාලානුක්රමික වයස පිළිබඳ සම්බන්ධතාවය පරීක්ෂා කිරීම සඳහා මෙම ක්රමය සාම්ප්රදායික සංඛ්යාන විශ්ලේෂණය (බහු ප්රතිගාමී වැනි) භාවිතා කරයි. මෙම අධ්යයනයේ දී සාම්ප්රදායික සංඛ්යානමය ක්රම භාවිතා කරන වයස් තක්සේරු කිරීමේ ක්රමවල අර්ථය "සාම්ප්රදායික ක්රම" ලෙස අර්ථ දැක්වේ. ලීගේ ක්රමය සාම්ප්රදායික ක්රමවේදය වන අතර එහි නිරවද්යතාවය ඔහ් සහ වෙනත් අය විසින් සනාථ කර ඇත. 5; කෙසේ වෙතත්, කොරියානු අධිකරණ වෛද්ය භාවිතයේ ඩීඑම් ආකෘතිය පදනම් කරගත් වයස් තක්සේරු කිරීම තවමත් සැක සහිත ය. අපගේ ඉලක්කය වූයේ ඩී.එම්. මෙම අධ්යයනයේ අරමුණ (1) දන්ත වයස සහ (2) දන්ත වයස සහ (2) යන අංශකතාවේ වර්ගීකරණ කාර්ය සාධනය සසඳා බැලීම සඳහා වයස අවුරුදු 18 දී ඩීඑම් මාදිලි 7 ක සාම්ප්රදායික සංඛ්යානමය ක්රම පරිණතභාවයෙන් ලබාගත් ඒවා සමඟ සංසන්දනය කිරීම සහ හකු යන දෙඅංශයේම තෙවන මෝලර්.
තේමාව අනුව, පරිපූරක වගු), අතිරේක වගුව S2 (අභ්යන්තර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 (බාහිර පරීක්ෂණ S3 හි පුහුණු කට්ටලයෙන් ලබාගත් අභ්යන්තර හා ඉන්ටර්බර්ගර්වර්වර්ගේ විශ්වසනීයත්වය සඳහා කප්පා අගයන් පිළිවෙලින් 0.951 සහ 0.947 විය. P අගයන් සහ කප්පාපී අගයන් සඳහා 95% ක විශ්වාස පරතරයන් මාර්ගගත අතිරේක වගුව S4 හි දක්වා ඇත. කප්පා අගය ලෑන්ඩිස් සහ කොච් 236 හි නිර්ණායකයන්ගේ නිර්ණායකයන්ට අනුකූලව "බොහෝ දුරට පරිපූර්ණ" ලෙස අර්ථ දැක්වීය.
මධ්යන්ය නිරපේක්ෂ දෝෂ (MAE) සසඳන විට, සාම්ප්රදායික ක්රමය සියලුම ස්ත්රී පුරුෂ භාවය සහ බාහිර පිරිමි ටෙස්ට් කට්ටලය සඳහා ඩීඑම් ආකෘතිය තරමක් අභිබවා යයි. සාම්ප්රදායික ආකෘතිය සහ අභ්යන්තර මා පරීක්ෂණ කට්ටලයේ ඩීඑම් ආකෘතිය අතර වෙනස පිරිමින් සඳහා අවුරුදු 0.12-019 ක් සහ කාන්තාවන් සඳහා අවුරුදු 0.17-0.121 කි. බාහිර පරීක්ෂණ බැටරිය සඳහා, වෙනස්කම් කුඩා (පිරිමින් සඳහා අවුරුදු 0.001-05 ක් සහ කාන්තාවන් සඳහා අවුරුදු 0.05-09). මීට අමතරව, මූලයේ මධ්ය වර්ගයේ දෝෂය (RMSE) සාම්ප්රදායික ක්රමයට වඩා තරමක් අඩු වන අතර, කුඩා වෙනස්කම් (0.17-0.24, 0.2-0.24, බාහිර පරීක්ෂණ කට්ටලය සඳහා පිරිමි අභ්යන්තර පරීක්ෂණ කට්ටලය, 0.03-0.24, 0.03-0.24, 0.03-0.24, 0.03-0.24, 0.03-0.24) බාහිර පරීක්ෂණ කට්ටලය සඳහා 0.03-0.24, 0.03-0.24). ). ගැහැණු බාහිර පරීක්ෂණ කට්ටලයේ නම් මින් යුත් තනි ස්ථර ප්රෙස්ඩස්ට්රොන් (එස්එල්පී) ට වඩා මැක්කන් තරමක් වඩා හොඳ කාර්ය සාධනයක් පෙන්නුම් කරයි. MAE සහ RMSE සඳහා, බාහිර පරීක්ෂණ කට්ටලය සියලුම ස්ත්රී පුරුෂ හා ආකෘති සඳහා අභ්යන්තර පරීක්ෂණ කට්ටලයට වඩා වැඩි ලකුණු ප්රමාණයක් වැඩිය. සියලුම MAE සහ RMSE වගුව 1 සහ රූපය 1 හි දක්වා ඇත.
සාම්ප්රදායික හා දත්ත කැණීම් ප්රතිගාමී ආකෘති වල මා සහ ආර්එම්එස්. මධ්යන්ය නිරපේක්ෂ දෝෂය Mae, rooth මධ්යන්ය දෝෂය RMSE, තනි ස්ථර ප්රෙස්ට් ෂෙප්, මල්ටිලීයර් පර්ෆ්, සාම්ප්රදායික සෙ.මී.
සාම්ප්රදායික හා ඩීඑම් ආකෘතිවල වර්ගීකරණ කාර්යසාධනය, සංවේදීතාව, නිශ්චිතතාව, ධනාත්මක පුරෝකථනය කිරීමේ අගය (PPV), negative ණාත්මක පුරෝකථන අගය (NPV) සහ ග්රාහක මෙහෙයුම් ලක්ෂණය යටතේ ඇති ප්රදේශය සහ ප්රදේශය (AUROC) යටතේ ඇති ප්රදේශය 27 (වගුව 2, රූපය 2 සහ අතිරේක රූපය 1 මාර්ගගත). අභ්යන්තර පරීක්ෂණ බැටරියෙහි සංවේදීතාව අනුව, ස්මිහල් අතර සාම්ප්රදායික ක්රම පිරිමින් අතර හොඳම දේ හා වඩාත් නරක අතට හැරේ. කෙසේ වෙතත්, සාම්ප්රදායික ක්රම සහ එස්ඩී අතර වර්ගීකරණ කාර්යසාධනය පිරිමින් සඳහා (MLP) 9.7% ක් වන අතර කාන්තාවන් සඳහා (xgboost) 2.4% ක් පමණි. ඩී.එම්. මාදිලි අතර, ලොජිස්ටික් රෙග්රිෂ්රේෂන් (එල්ආර්) ස්ත්රී පුරුෂ දෙපක්ෂ් දෙකෙන්ම වඩා හොඳ සංවේදීතාවයක් පෙන්නුම් කළේය. අභ්යන්තර පරීක්ෂණ කට්ටලයේ නිශ්චිතතාව සම්බන්ධයෙන්, SD මාදිලි සිව්දෙනා පිරිමින්ගේ ලකුණු ලබා ගත් අතර සාම්ප්රදායික ආකෘතිය කාන්තාවන් වඩා හොඳින් ක්රියාත්මක වූ බව නිරීක්ෂණය විය. මෝල්ස් සහ ගැහැණු සඳහා වර්ගීකරණ කාර්ය සාධනයේ වෙනස්කම් පිළිවෙලින් 13.3% (MLP) සහ 13.1% (MLP), පෙන්නුම් කරන්නේ ආකෘති අතර වර්ගීකරණ කාර්යසාධනයෙහි වෙනස සංවේදීතාව ඉක්මවා යන බවයි. ඩී.එම්. මාදිලි අතර, ආධාරක දෛශික යන්ත්රය (SVM), තීරණ ගස (ඩීටී), අහඹු වනාන්තර (RF) ආකෘති පිරිමි අතර වඩාත් හොඳින් ඉටු කර ඇති අතර එල්ආර් ආකෘතිය කාන්තාවන් අතර වඩාත් හොඳින් ඉටු විය. සාම්ප්රදායික ආකෘතියේ සහ සියලුම SD මාදිලි වල AUROC (K-NANES අසල්වැසියා (kn) ට වඩා වැඩි ය), 18 හැවිරිදි සාම්පල බෙදාහදා ගැනීමේදී විශිෂ්ට වර්ගීකරණ කාර්ය සාධනයක් පෙන්නුම් කරයි). බාහිර පරීක්ෂණ කට්ටලය සඳහා, අභ්යන්තර පරීක්ෂණ කට්ටලයට සාපේක්ෂව සංවේදීතාව, විශේෂිතත්වය සහ AUROC අනුව වර්ගීකරණ කාර්ය සාධනය අඩුවීමක් දක්නට ලැබුණි. එපමණක් නොව, හොඳම හා දරුණුතම ආකෘතිවල සංවේදීතාවයේ සංවේදීතාව සහ නිශ්චිතතාවයේ වෙනස 10% සිට 25% දක්වා වූ අතර අභ්යන්තර පරීක්ෂණ කට්ටලයේ වෙනසට වඩා විශාල විය.
සාම්ප්රදායික ක්රම හා සසඳන විට වසර 18 ක උපත් කප්පාදුවක් සමඟ සසඳන විට දත්ත කැණීමේ වර්ගීකරණ ආකෘතිවල සංවේදීතාව සහ නිශ්චිතතාව. Kn K NASART අසල්වැසියා, එස්.වී.එම්.
මෙම අධ්යයනයේ පළමු පියවර වූයේ සාම්ප්රදායික ප්රතිගාමීව ලබාගත් ඒවා සමඟ ඩීඑම් ආකෘති හතරකින් ලබාගත් දන්ත වයස්වල ඇස්තමේන්තුවල නිරවද්යතාවය සංසන්දනය කිරීමයි. මේ හා ආර්එම්එස් විසින් ස්ත්රී පුරුෂ දෙපාර්ශ්වයම අභ්යන්තර පරීක්ෂණ කට්ටලවල තක්සේරු කරන ලද අතර සාම්ප්රදායික ක්රමය සහ ඩීඑම් ආකෘතිය අතර වෙනස මේ සඳහා දින 44 සිට 77 දක්වා සහ ආර්එම්එස්ඊ සඳහා දින 62 සිට 77 දක්වා විය. මෙම අධ්යයනයේ සාම්ප්රදායික ක්රමය තරමක් නිවැරදි වුවද, එවැනි කුඩා වෙනසක් සායනික හෝ ප්රායෝගික වැදගත්කමක් තිබේද යන්න නිගමනය කිරීම දුෂ්කර ය. මෙම ප්රති results ලවලින් පෙනී යන්නේ සාම්ප්රදායික ක්රමවේදයට වඩා දන්ත වයස් තක්සේරු කිරීමේ නිරවද්යතාවය පාහේ ය. මෙම අධ්යයනයේ දී මෙන් එකම වයස් පරාසයක ඇති දත් පටිගත කිරීමේ සාම්ප්රදායික සංඛ්යානමය ක්රම සමඟ කිසිදු අධ්යයනයක් පෙර අධ්යයනයන්හි ප්රති results ල සමඟ direct ජු සංසන්දනය කිරීම දුෂ්කර ය. ගයිබර්ග් සහල් 24 4 වයස අවුරුදු 2 සිට 24 දක්වා වූ ප්රංශ ජනගහනයක සාම්ප්රදායික ක්රම දෙකක් (ඩිමිරියන්ස් ෆෝම් 25 සහ විලේම්ස් මොඩල් 28) සහ 10 ඩීඑම් මාදිලි අතර. සාම්ප්රදායික ක්රමවලට වඩා සියලුම ඩීඑම් ආකෘති සාම්ප්රදායික ක්රමවලට වඩා නිවැරදි වූ අතර, එම්.එම්.ඒ. අධ්යයනය පදනම් කරගත් ප්රංශ කැනේඩියානුවන් හැර අනෙකුත් ජනගහනයේ ජනගහනය සඳහා එස්ඩී ආකෘතිය සහ සාම්ප්රදායික ක්රමවේදයන් අතර ඇති විෂමතාවය ඩෙමා එඩ්ජිජි ක්රමය මගින් දන්ත වයස පිළිබඳව දන්ත වයස පිළිබඳව සැලකිල්ලට ගනී. මෙම අධ්යයනයේ දී. තායි ඊ.එල්.අයි අල් 34 චීන විකලාංග ඡායාරූප 1636 කින් සහ ඔවුන්ගේ නිරවද්යතාවය මායිරුජියානු සහ විලේම් ක්රමයේ ප්රති results ල සමඟ සංසන්දනය කිරීම සඳහා එම්එල්පී ඇල්ගොරිතම භාවිතා කළේය. සාම්ප්රදායික ක්රමවලට වඩා MLP හි ඉහළ නිරවද්යතාවයක් ඇති බව ඔවුහු වාර්තා කළහ. ඩෙම්බියේ ජියියානු ක්රමය සහ සාම්ප්රදායික ක්රමය අතර වෙනස <0.32 වන අතර විලේම් ක්රමය අවුරුදු 0.28 කි. එය වර්තමාන අධ්යයනයේ ප්රති results ලවලට සමාන වේ. මෙම පෙර අධ්යයන 11,34 හි ප්රති results ල වර්තමාන අධ්යයනයේ ප්රති results ලයට අනුකූල වන අතර, ඩීඑම් ආකෘතියේ වයස් තක්සේරුකරණ සහ සාම්ප්රදායික ක්රමවේදය සමාන වේ. කෙසේ වෙතත්, ඉදිරිපත් කරන ලද ප්රති results ල මත පදනම්ව, අපට ප්රවේශමෙන් නිගමනය කළ හැක්කේ වයස තක්සේරු කිරීම සඳහා ඩී.එම්. මෙම අධ්යයනයේ දී ලබාගත් ප්රති results ල තහවුරු කිරීම සඳහා විශාල සාම්පල භාවිතා කරමින් පසු විපරම් අධ්යයනයන් අවශ්ය වේ.
දන්ත වයස තක්සේරු කිරීමේදී SD හි නිරවද්යතාව පරීක්ෂා කිරීම පරීක්ෂා කරන අධ්යයන අතර, සමහරු අපගේ අධ්යයනයට වඩා ඉහළ නිරවද්යතාවක් පෙන්නුම් කළහ. ස්ටෙටනොව්ස්කි සහ 35 එස්ඩී මාදිලි ක්රි.ව. මවුරියර්ස් ඊ.එල් අල් 36 විසින් යෝජනා කරන ලද වර්ගීකරණ නිර්ණායක භාවිතා කරමින් ඉහළ සහ පහළ වම් ස්ථර දත් 16 ක සංවර්ධනය ඔවුන් තක්සේරු කළේය. මේ වසර 0.64 සිට 0.64 දක්වා සහ ආර්එම්එස් වසර 0.85 සිට 1.27 දක්වා පරාසයන් වන අතර ඒවා මෙම අධ්යයනයේ දී භාවිතා කරන ඩීඑම් මාදිලි දෙකට වඩා නිවැරදි ය. ෂෙන් සහ අල් 233 නැගෙනහිර චීන වැසියන්ගේ වයස අවුරුදු 5 සිට 13 දක්වා වූ නැගෙනහිර චීන වැසියන් වන ඊස්ටර්න් චීන වැසියන් වන වීතාන්ත දත් හත් දෙනෙකුගේ දන්ත වයස අවුරුදු 5 සිට 13 දක්වා වූ අතර එය වයස්ගත ප්රතිජීවනයක්, SVM සහ RF භාවිතා කරමින් ඇස්තමේන්තු කර ඇති ආකාරයටම සාම්ප්රදායික කැමරියේ සූත්රය හා සසඳන විට ඩීඑම් ආකෘතිවලට වැඩි නිරවද්යතාවයක් ඇති බව ඔවුහු පෙන්වා දුන්හ. මෙම අධ්යයනයේ දී කිකිළියේ අධ්යයනයේ දී මේ සහ ආර්එම්එස්ඒ සහ ආර්එම්එස්ඒ ඩීඑම් ආකෘතියේ සිටින අයට වඩා අඩු විය. ස්ටෙපෙනොව්ස්කි සහ වෙනත් දේවල නිරවද්යතාවය වැඩි කිරීම. 35 සහ ෂෙන් සහ වෙනත්. 23 තරුණ විෂයයන් ඔවුන්ගේ අධ්යයන සාම්පලවල ඇතුළත් කිරීම නිසා විය හැකිය. දත් සංවර්ධනය තුළ දත් වැඩිවන දත් ​​සංඛ්යාව වැඩි වන විට, දත් වැඩිවන දත් ​​වැඩිවන පරිදි, දත් සංඛ්යාව වැඩි වන විට එහි වයස්වල ඇස්තමේන්තු වඩාත් නිවැරදි වන නිසා, එහි ප්රති ing ලයක් ලෙස ලැබෙන වයස් තක්සේරු කිරීමේ ක්රමය තරුණ වේ. මීට අමතරව, වයස් තක්සේරුකරණයේ MLP හි දෝෂය ශ්රී ලංකා ටෙලිකොම් වලට වඩා තරමක් කුඩා වන අතර එයින් අදහස් වන්නේ එම්එල්පී එස්එල්පීට වඩා මැක්ප් වඩාත් නිවැරදි බවයි. MLP වයස් තක්සේරුව සඳහා තරමක් හොඳ යැයි සැලකේ, සමහර විට MLP38 හි සැඟවුණු ස්ථර නිසා විය හැකිය. කෙසේ වෙතත්, කාන්තාවන්ගේ බාහිර නියැදිය (SLP 1.45, MLP 1.49) සඳහා ව්යතිරේකයක් තිබේ. වයස තක්සේරු කිරීමේ දී ශ්රී.පී.පී.
ඩීඑම් ආකෘතියේ වර්ගීකරණ කාර්යසාධනය සහ වසර 18 ක සීමාවක දී සාපේක්ෂව සාපේක්ෂව සාපේක්ෂව සාපේක්ෂව. අභ්යන්තර පරීක්ෂණ කට්ටලයේ සියලුම පරීක්ෂා කරන ලද SD මාදිලි සහ සාම්ප්රදායික ක්රම 18 හැවිරිදි නියැදිකය සඳහා ප්රායෝගිකව පිළිගත හැකි වෙනස්කම් මට්ටම්වල දැක්වේ. පුරුෂයින් හා කාන්තාවන් සඳහා සංවේදීතාව පිළිවෙලින් 87.7% සහ 94.9% ට වඩා වැඩි වූ අතර නිශ්චිතතාව 89.3% ට වඩා වැඩි වූ අතර 89.3% ට වඩා වැඩි වූ අතර 89.3% ට වඩා වැඩි විය. සියලුම පරීක්ෂා කළ මාදිලිවල AUROC ද 0.925 ඉක්මවයි. අපගේ දැනුමට අනුව, කිසිදු අධ්යයනයක් දන්ත පරිණතභාවය මත පදනම්ව වසර 18 ක ව්යාප්තිය සඳහා ඩී.එම්.එම් ආකෘතියේ ක්රියාකාරිත්වය පරීක්ෂා කර නොමැත. පරිදර්ශන විකිරණශිලි පිළිබඳ ගැඹුරු ඉගෙනුම් ආකෘතිවල වර්ගීකරණයන් අප විසින් මෙම අධ්යයනයේ ප්රති results ල සංසන්දනය කළ හැකිය. ගුඕ ඊ.එල්.අ.එල්.පී. අත්පොත ක්රමයේ සංවේදීතාව සහ නිශ්චිතභාවය පිළිවෙලින් 87.7% සහ 95.5% ක් වන අතර, සීඑන්එන් ආකෘතියේ පිළිවෙලින් 89.2% සහ 86.6% ඉක්මවා ඇත. ගැඹුරු ඉගෙනුම් ආකෘති වයස් සීමාවන් වර්ගීකරණය කිරීමේදී ගැඹුරු ඉගෙනුම් ආකෘතිවලට අතින් තක්සේරුව ප්රතිස්ථාපනය කිරීමට හෝ අභිබවා යා හැකි බව ඔවුහු නිගමනය කළහ. මෙම අධ්යයනයේ ප්රති results ල සමාන වර්ගීකරණ කාර්ය සාධනයක් පෙන්නුම් කළේය; ඩීඑම් ආකෘතිවල වර්ගීකරණයෙන් පෙළීම වයස් තක්සේරුව සඳහා සාම්ප්රදායික සංඛ්යාන ක්රම ප්රතිස්ථාපනය කළ හැකි බව විශ්වාස කෙරේ. ආකෘති අතර, පිරිමි නියැදිය සහ කාන්තා නියැදිය සඳහා නිශ්චිතභාවය සහ විශේෂිතත්වය සඳහා සංවේදීතාව සහ විශේෂිතත්වය පිළිබඳ සංවේදීතාව අනුව ඩීඑම් එල්ආර් හොඳම ආදර්ශය විය. පිරිමින් සඳහා නිශ්චිතව දැක්වූ LR දෙවන ස්ථානයේ සිටී. එපමණක් නොව, එල්ආර් වඩාත් පරිශීලක හිතකාමී DM35 ආකෘති වලින් එකක් ලෙස සැලකෙන අතර එය සංකීර්ණ හා සැකසීමට අපහසුය. මෙම ප්රති results ල මත පදනම්ව, කොරියානු ජනගහනයෙන් 18 හැවිරිදි ළමුන් සඳහා හොඳම කප්පාදු වර්ගීකරණ ආකෘතිය LR ලෙස සැලකේ.
සමස්තයක් ලෙස ගත් කල, අභ්යන්තර පරීක්ෂණ කට්ටලයේ ප්රති results ල හා සසඳන විට බාහිර පරීක්ෂණ කට්ටලයේ වයස් තක්සේරු කිරීමේ හෝ වර්ගීකරණ කාර්ය සාධනය දුර්වල හෝ අඩු විය. කොරියානු ජනගහනය මත පදනම් වූ වයස්කරණ අංශය ජපාන ජනගහනය 5,39 සඳහා යොදන විට වර්ගීකරණයේ නිරවද්යතාවය හෝ කාර්යක්ෂමතාව අඩුවෙන අතර වර්තමාන අධ්යයනයේ දී සමාන රටාවක් සොයා ගන්නා ලදී. මෙම පිරිහීමේ ප්රවණතාවය ද ඩීඑම් ආකෘතියේ නිරීක්ෂණය විය. එමනිසා, විශ්ලේෂණ ක්රියාවලියේදී ඩී.එම්. ගැඹුරු ඉගෙනුම් ආකෘතිවල සමාන ප්රවණතා පෙන්විය හැකිද යන්න පැහැදිලි නැත, සාම්ප්රදායික ක්රම, ඩීඑම් ආකෘති, ඩී.එම්. තක්සේරු කිරීම්.
සාම්ප්රදායික ක්රම කොරියාවේ අධිකරණි යුගයේ ඇස්තමේන්තු කර ඇති DM ආකෘතිය පදනම් කරගත් වයස් තක්සේරුව අනුව ආදේශ කළ හැකි බව අපි පෙන්නුම් කරමු. අධිකරණ වෛද්ය වයස් තක්සේරු කිරීම සඳහා යන්ත්ර ඉගෙනීමේ හැකියාව ක්රියාත්මක කිරීමේ හැකියාව ද අපි සොයා ගතිමු. කෙසේ වෙතත්, මෙම අධ්යයනයට නිශ්චිතවම තීරණය කිරීම සඳහා ප්රමාණවත් නොවන සීමාවන්, සහ මෙම අධ්යයනයේ ප්රති results ල සංසන්දනය කිරීම හා සංසන්දනය කිරීමට හා තහවුරු කිරීමට පෙර අධ්යයනවල නොමැති වීම වැනි පැහැදිලි සීමාවන් තිබේ. අනාගතයේ දී, සාම්ප්රදායික ක්රම හා සසඳන විට ප්රායෝගික අදාළත්වය වැඩි දියුණු කිරීම සඳහා ද විශාල සාම්පල විශාල සංඛ්යාවක් සහ විවිධාකාර ජනගහනයක් සමඟ ඩී.එම්. බහුවිධ ජනගහනයේ වයස තක්සේරු කිරීම සඳහා කෘතිම බුද්ධිය භාවිතා කිරීමේ ශක්යතාව වලංගු කිරීම සඳහා, අනාගත අධ්යයනයන් සහ ඩීඑම් සහ ගැඹුරු ඉගෙනුම් ආකෘති සාම්ප්රදායික ක්රමවේදයන් සමඟ සාම්ප්රදායික ක්රම සමඟ සංසන්දනය කිරීම සඳහා අනාගත අධ්යයනයන් අවශ්ය වේ.
වයස අවුරුදු 15 සිට 23 දක්වා වයස අවුරුදු 15 සිට 23 දක්වා කොරියානු සහ ජපාන වැඩිහිටියන්ගෙන් එකතු කරන ලද විකලාංග ඡායාරූප 2,657 ක් අධ්යයනය කළේය. කොරියානු විකිරණශිලි පුහුණු කට්ටල 900 කට (අවුරුදු 19.42 ± 2.65) සහ අභ්යන්තර පරීක්ෂණ කට්ටල 900 කට බෙදා ඇති අතර (19.52 ± 2.59). පුහුණු කට්ටලය එක් ආයතනයක (සෝල් ශාන්ත මරියා රෝහල (සයූල් ශාන්ත මරියා රෝහල (සෝල් ශාන්ත විශ්ව විද්යාල දන්ත රෝහල සහ යොන්සි විශ්ව විද්යාල දන්ත රෝහල) එක්රැස් කිරීම සිදු කරන ලදී. බාහිර පරීක්ෂණ සඳහා අපි විකිරණශෝල 857 ක් එකතු කර ඇත. ජපන් විෂයයන්හි විකිරණශිලි (අවුරුදු 19.31 ± අවුරුදු 2.60) බාහිර පරීක්ෂණ කට්ටලය ලෙස තෝරා ගන්නා ලදී. දන්ත වෛද්ය ප්රතිකාර කිරීමේදී දුරලම විකිරණශිලි පිළිබඳ දන්ත සංවර්ධනයේ අවධීන් විශ්ලේෂණය කිරීම සඳහා දත්ත රැස්කර ගන්නා ලදී. එකතු කරන ලද සියලුම දත්ත ස්ත්රී පුරුෂ භාවය හැර, උපන් දිනය සහ විකිරණශෝලයේ දිනය හැර නිර්නාමික විය. 2, 5 හි කලින් ප්රකාශයට පත් කරන ලද අධ්යයන හා සමානව බැහැර කිරීම සහ බැහැර කිරීමේ නිර්ණායක සමාන විය. නියැදියේ සැබෑ වයස ගණනය කරනු ලැබුවේ විකිරණ ප්රදානය දිනයේ සිට උපන්දිනය අඩු කිරීමෙන් උපතේදී උපුටා දැක්වීමෙනි. නියැදි කණ්ඩායම වයස් කාණ්ඩ නවයකට බෙදා ඇත. කොරියාවේ කතෝලික විශ්ව විද්යාලයේ සෝල් ශාන්ත මරියා රෝහලේ ආයතනික සමාලෝචන මණ්ඩලයේ (KC222WISI0328) හි ආයතනික සමාලෝචන මණ්ඩලය විසින් මෙම අධ්යයනය සහ ලිංගික බෙදාහැරීම්වල දැක්වෙන වයස සහ ලිංගික බෙදාහැරීම් දක්නට ලැබේ. මෙම අධ්යයනයේ නැවත සලකා බැලීමේ සැලසුම හේතුවෙන් චිකිත්සක අරමුණු සඳහා විකිරණශීලී අරමුණු සඳහා වන සියලුම රෝගීන්ගෙන් දැනුම් දුන් කැමැත්ත ලබා ගත නොහැකි විය. සෝල් කොරියාවේ විශ්ව විද්යාලය ශාන්ත මරියා රෝහල (IRB) දැනුවත් කැමැත්ත සඳහා අවශ්යතාවය අත්හැරියේය.
ඩෙමිරිර්කන් නිර්ණායක 225 අනුව බීමැක්සිලේරි දෙවන හා තෙවන මෝලර්වල සංවර්ධන අවධීන් තක්සේරු කරන ලදී. එක් එක් හකු වල වම් සහ දකුණු දෙපස එකම වර්ගයේ දතක් සොයාගත්තේ නම් තෝරා ගන්නා ලදී. දෙපස සමජාතීය දත් විවිධ සංවර්ධන අදියරේදී නම්, ඇස්තමේන්තුගත යුගයේ අවිනිශ්චිතතාවයන් සඳහා අඩු සංවර්ධන අවධිය සහිත දත තෝරා ගන්නා ලදී. දන්ත කම්පන අවධිය තීරණය කිරීම සඳහා පූර්වගාමීන්ගෙන් පසුව ඉසව් කළ ගුවන් යානා වලින් අහඹු ලෙස තෝරාගත් විකිරණශිලි සියයක් විසින් ලකුණු ලබා දී ඇත. ප්රාථමික නිරීක්ෂකයා විසින් මාස තුනක කාල පරාසයන් තුළ අභ්යන්තර විශ්වසනීයත්වය මසකට දෙවරක් තක්සේරු කරන ලදී.
පුහුණු කට්ටලයේ එක් එක් හකු වල ලිංගික හා සංවර්ධන හා සංවර්ධන අවධිය විවිධ ඩීඑම් ආකෘති සමඟ පුහුණු කරන ලද ප්රාථමික නිරීක්ෂකයෙකු විසින් ඇස්තමේන්තු කර ඇති අතර, සැබෑ වයස ඉලක්කගත අගය ලෙස සකසා ඇත. යන්ත්ර ඉගෙනීමේදී බහුලව භාවිතා වන SLP සහ MLP ආකෘති ප්රතිගාමී ඇල්ගොරිතමයන්ට එරෙහිව පරීක්ෂා කරන ලදී. ඩී.එම්. එස්එල්පී යනු සරලම ස්නායුක ජාලය වන අතර සැඟවුණු ස්ථර අඩංගු නොවේ. නෝඩ් අතර එළිපත්ත සම්ප්රේෂණය මත පදනම්ව ශ්රී ලංකා වරාය කටයුතු. ප්රතිගාමී වීමේ ශ්රී ලංකා ආරංචි මාර්ගය විවිධ රේඛීය ප්රතිගාමීතාවයට සමාන වේ. SLP ආකෘතිය මෙන් නොව, එම්එල්පී ආකෘතියට රේඛීය සක්රීය කිරීමේ කාර්යයන් සහිත සැඟවුණු ස්ථර කිහිපයක් ඇත. අපගේ අත්හදා බැලීම් සැඟවුණු තට්ටුවක් භාවිතා කළ අතර රේඛීය නොවන සක්රීය කිරීමේ කාර්යයන් සහිත සැඟවුණු නෝඩ් 20 ක් පමණි. අපගේ යන්ත්ර ඉගෙනීමේ ආකෘතිය පුහුණු කිරීම සඳහා අලාභ කාර්යය ලෙස ප්රශස්තිකරණ ක්රමය සහ මාම් සහ ආර්එම්එස් ලෙස ප්රමිතීන් සම්භවයක් ඇති කරන්න. හොඳම ලබාගත් ප්රතිගාමී ආදර්ශය අභ්යන්තර හා බාහිර පරීක්ෂණ කට්ටල සඳහා යොදන ලද අතර දත් යුගයට ඇස්තමේන්තු විය.
අවුරුදු 18 ක් වයසැති හෝ නැතැයි පුරෝකථනය කිරීමට ඇති පුහුණුව මත දත් හතරක පරිණතභාවය භාවිතා කරන වර්ගීකරණ ඇල්ගොරිතම සංවර්ධනය කරන ලදී. ආකෘතිය ගොඩනඟා ගැනීම සඳහා, අපි නිරූපණ යන්ත්ර හතක් ඉගෙනීමට algororithms 3,43: (1) LR, (2) KF, (5) SVM, (6) RF, (6) RF, සහ (7) MLP . LR යනු වඩාත්ම බහුලව භාවිතා වන වර්ගීකරණයක් වන ඇල්ගොරිතම් 44 වේ. එය එක්තරා කාණ්ඩයකට අයත් දත්ත 0 සිට 1 දක්වා අයත් දත්තවල සම්භාවිතාව පුරෝකථනය කිරීමට ප්රතිගාමී ඉගෙනුම් ඇල්ගොරිතමයක් වන අතර මෙම සම්භාවිතාව මත පදනම්ව දත්ත වලට අයත් දත්ත වර්ගීකරණය කරයි; ප්රධාන වශයෙන් ද්විමය වර්ගීකරණය සඳහා භාවිතා කරයි. Knn යනු ඇල්ගොරිතම් 45 සරලම මැෂින් ඉගෙනුමෙන් එකකි. නව ආදාන දත්ත ලබා දෙන විට, එය දැනට පවතින කට්ටලයට ආසන්නව ඇති අතර පසුව ඒවා ඉහළම සංඛ්යාත සමඟ පන්තියට වර්ගීකරණය කරයි. (K) සලකා බැලූ අසල්වැසියන්ගේ සංඛ්යාව සඳහා අපි 3 ක් තැබුවෙමු. SVM යනු රේඛීය අවකාශය වන ස්ට්රේට් ශ්රිතයක් භාවිතා කරමින් පන්ති 46 නම් රේඛීය නොවන ඉඩක් බවට පත් කිරීම සඳහා පන්ති දෙකක් අතර ඇති දුර ඉහළ නැංවිය හැකි ඇල්ගොරිතමයකි. මෙම ආකෘතිය සඳහා, අපි බහුපද කර්නලය සඳහා හයිපර්මෙටෙමෙමෙමෙටරල් ලෙස බ්රොස් = 1, බලය = 1, ගැමා = 1 භාවිතා කරමු. ගස් ව්යුහය 47 හි තීරණාත්මක නීති නිරූපණය කිරීමෙන් සමස්ත දත්ත උප කුංකාරිත්වයන් කිහිපයකට බෙදීමේ ඇල්ගොරිතමයක් ලෙස ඩීටී විවිධ ක්ෂේත්රවල යෙදී ඇත. ආකෘතිය 2 හි අවම වාර්තා ගණනකින් වින්යාස කර ඇති අතර ගුටි දර්ශකය ගුණාත්මකභාවය පිළිබඳ මිනුමක් ලෙස භාවිතා කරයි. RF යනු එක් එක් නියැදියක් සඳහා වන එක් එක් නියැදියක් සඳහා දුර්වල වර්ගීකරණයක් උපුටා දක්වන ලද කොන්ටොස්ට්රැප් එක්රැස් කිරීමේ ක්රමවේදයක් භාවිතා කරන එන්.එෆ්. අපි ගස් 100 ක්, ගස් ගැඹුරක්, අවම නෝඩ් ප්රමාණය 1 ක් සහ ගිනි වෙන්වීමේ නිර්ණායක ලෙස ජින් ඇස්ත්රේෂන් දර්ශකය භාවිතා කළෙමු. නව දත්ත වර්ගීකරණය තීරණය වන්නේ බහුතර ඡන්දයකින් ය. එක්ස්ග්බාවොස්ට් යනු ඇල්ගොරිතමයක් වන අතර එය පුහුණු දත්ත පුහුණු දත්ත ලෙස භාවිතා කරන ක්රමවේදයන්, පෙර ආකෘතියේ සත්ය සහ පුරෝකථනය කරන ලද අගයන් අතර දෝෂය සහ ප්රමිතියෙන් 49 භාවිතා කිරීමේ දෝෂය වැඩි කරයි. එය එහි හොඳ කාර්ය සාධනය සහ සම්පත් කාර්යක්ෂමතාව මෙන්ම ඉහළ විශ්වසනීයත්වයක් මෙන්ම අධික ලෙස නිවැරදි කිරීමේ කාර්යයක් ලෙස ඉහළ විශ්වසනීයත්වයක් නිසා බහුලව භාවිතා වන ඇල්ගොරිතමයකි. ආකෘතිය ආධාරක රෝද 400 කින් සමන්විත වේ. MLP යනු ස්නායුක හා ඊට වැඩි ස්ථර එකක් හෝ වැඩි ගණනක් ආදාන සහ ප්රතිදානය වන ස්ථර 38 අතර සැඟවුණු ස්ථර සමඟ විවිධ ස්ථර වර්ගයක් සාදයි. මෙය භාවිතා කිරීමෙන් ඔබට රේඛීය නොවන වර්ගීකරණයක් කළ හැකිය, එහිදී ඔබ ආදාන ස්ථරයක් එකතු කර ප්රති result ල වටිනාකමක් ලබා ගන්නා විට, පුරෝකථනය කරන ලද ප්රති result ල වටිනාකම සත්ය ප්රති result ල අගය හා දෝෂය නැවත ව්යාප්ත වේ. සෑම ස්ථරයකම සැඟවුණු නියුරෝන 20 ක් සහිත සැඟවුණු ස්ථරයක් අපි නිර්මාණය කළෙමු. අප විසින් දියුණු කරන ලද සෑම ආකෘතියක්ම සංවේදීතාව, විශේෂිතත්වය, පීපීවී, එන්පීවී සහ අරෝක් ගණනය කිරීමෙන් වර්ගීකරණ කාර්ය සාධනය පරීක්ෂා කිරීම සඳහා අභ්යන්තර හා බාහිර කට්ටල සඳහා යොදන ලදි. සංවේදීතාව අර්ථ දැක්වෙන්නේ වයස අවුරුදු 18 හෝ ඊට වැඩි නියැදියක් සඳහා ඇස්තමේන්තුගත නියැදියකට හෝ ඊට වැඩි නියැදියක් වන සාම්පල අනුපාතය ලෙස ඇස්තමේන්තු කර ඇති බැවිනි. නිශ්චිතතාව යනු වයස අවුරුදු 18 ට අඩු සාම්පලවල අනුපාතය සහ වයස අවුරුදු 18 ට අඩු අයගේ ප්රමාණයයි.
පුහුණු කට්ටලයේ තක්සේරු කරන ලද දන්ත අවධීන් සංඛ්යාන විශ්ලේෂණය සඳහා සංඛ්යාත්මක අවස්ථා බවට පරිවර්තනය කරන ලදී. එක් එක් ලිංගිකත්වය සඳහා පුරෝකථන ආකෘති සංවර්ධනය කිරීම සඳහා බහු-විරෝධතා රේඛා සහ සැපයුම් ප්රතිගාමීතාවය සිදු කරන ලද අතර වයස ඇස්තමේන්තු කිරීම සඳහා භාවිතා කළ හැකි ප්රතිගාමී සූත්ර ව්යුත්පන්න වේ. අභ්යන්තර හා බාහිර පරීක්ෂණ කට්ටල සඳහා දත් යුගය තක්සේරු කිරීම සඳහා අපි මෙම සූත්ර භාවිතා කළෙමු. මෙම අධ්යයනයේ දී භාවිතා කරන ප්රතිගාමී සහ වර්ගීකරණ ආකෘති 4 වගුවේ දැක්වේ.
කෝහන්ගේ කප්පා සංඛ්යාලේඛන භාවිතයෙන් අන්තර් හා අන්තර් ඇරෝසර්වර්ගේ විශ්වසනීයත්වය ගණනය කරන ලදී. ඩීඑම් සහ සාම්ප්රදායික ප්රතිගාමී ආකෘතිවල නිරවද්යතාවය පරීක්ෂා කිරීම සඳහා, අභ්යන්තර හා බාහිර පරීක්ෂණ කට්ටලවල ඇස්තමේන්තුගත හා යථාර්ථවාදී යුගය භාවිතා කරමින් අපි මේ සහ RMSE ගණනය කළෙමු. ආදර්ශ අනාවැකි වල නිරවද්යතාවය ඇගයීමට මෙම දෝෂ බහුලව භාවිතා වේ. දෝෂය කුඩා වන අතර, පුරෝකථනය කිරීමේ 224 හි නිරවද්යතාවය වැඩි වේ. ඩීඑම් සහ සාම්ප්රදායික ප්රතිගාමීත්වය භාවිතා කරමින් අභ්යන්තර හා බාහිර පරීක්ෂණ කට්ටල ගණනය කර ඇති අභ්යන්තර හා බාහිර පරීක්ෂණ කට්ටල සංසන්දනය කරන්න. සාම්ප්රදායික සංඛ්යාලේඛනවල අවුරුදු 18 ක කප්පාදුවේ අවුරුදු 18 ක කප්පාදුවේ වර්ගීකරණය තක්සේරු කරන ලදි 2 × 2 අවිනිශ්චිත වගුවක් භාවිතා කිරීම. ටෙස්ට් කට්ටලයේ ගණනය කළ සංවේදීතාව, නිශ්චිතතාව, පීපීවී, එන්පීවී සහ පරීක්ෂණ කට්ටලයේ සහ ඕරෝක් සහ ඩීඑම් වර්ගීකරණ ආකෘතියේ මනින ලද අගයන් සමඟ සැසඳීය. දත්ත මහිමාන්විතව දත්ත ලක්ෂණ අනුව සංදර්ශන අපගමනය හෝ අංකය (%) ලෙස ප්රකාශ වේ. ද්වි-ඒක පාර්ශවීය P අගයන් <0.05 සංඛ්යාත්මකව වැදගත් යැයි සැලකේ. SAS අනුවාදය 9.4 (SAS ආයතනය, කැරි, එන්.සී.) භාවිතා කරමින් සියලුම සාමාන්ය සංඛ්යානමය විශ්ලේෂණ විශ්ලේෂණයන් සිදු කරන ලදී. ගණිතමය මෙහෙයුම් සඳහා කෙරස් 50 2.2.4 Backeend සහ Thensorflow51 1.8.0 භාවිතා කරමින් PYTHON හි ඩී.එම්. WAKATATATAR දැනුම විශ්ලේෂණ පරිසරය තුළ ඩීඑම් වර්ගීකරණ ආකෘතිය සහ කොන්ස්තාන්ස් තොරතුරු පතල් කම්කරු (පිම්) 4.6.152 විශ්ලේෂණ වේදිකාව.
අධ්යයනයේ නිගමනවලට සහාය දක්වන දත්ත ලිපියෙන් සහ අතිරේක ද්රව්යවල සොයාගත හැකි බව කතුවරුන් පිළිගනී. අධ්යයනය අතරතුරදී ජනනය වන සහ / හෝ විශ්ලේෂණය කරන ලද දත්ත කට්ටල සාධාරණ ඉල්ලීම පරිදි අනුරූපී කතුවරයාගෙන් ලබා ගත හැකිය.
රිට්ස්-ටිම්මේ, එස්. සහ වෙනත්. වයස් තක්සේරු කිරීම: අධිකරණ වෛද්ය භාවිතයේ නිශ්චිත අවශ්යතා සපුරාලීම සඳහා කලාව පිළිබඳ තත්වය. ජාත්යන්තරත්වය. ජේ. නීති medicine ෂධ. 113, 129-136 (2000).
සර්පියානු නඩු පැවරීමේ අරමුණු සඳහා ජීවන විෂයයන් තක්සේරු කිරීමේ ෂ්සෙන්ටර්, ඩබ්ලිව්. අධිකරණ වෛද්ය විද්යාව. ඖෂධය. ව්යාධි විද්යාව. 1, 239-246 (2005).
පෑන්, ජේ. වෙනත් අල්. වයස අවුරුදු 5 සිට 16 දක්වා නැගෙනහිර චීනයේ වයස අවුරුදු 5 සිට 16 දක්වා ළමුන්ගේ දන්ත වයස තක්සේරු කිරීම සඳහා නවීකරණය කරන ලද ක්රමයක්. සායනික. වාචික සමීක්ෂණය. 25, 3463-3474 (2021).
ලී, එස්.එස්. ජාත්යන්තරත්වය. ජේ. නීති medicine ෂධ. 124, 659-665 (2010).
ඔහ්, එස්., කුමාගි, ඒ., කිම්, ඒ. ප්ලෝස් එක 17, e0271247 (2022).
කිම්, ජේ, සහ වෙනත් අල්. සුරැකුම් යන්ත්ර ඉගෙනුම් පදනම් කරගත් දත්ත විශ්ලේෂණය මඟින් ඕඑස්ඒ සමඟ රෝගීන් තුළ නින්ද සැත්කම් ප්රතිකාර ප්රති creame ල පුරෝකථනය කළ හැකිය. විද්යාව. වාර්තාව 11, 14911 (2021).
හැන්, එම්. වෙනත් අය. මානව මැදිහත්වීම සමඟ හෝ නැතිව යන්ත්ර ඉගෙනීමේ යන්ත්රයෙන් නිවැරදි වයස් තක්සේරුව? ජාත්යන්තරත්වය. ජේ. නීති medicine ෂධ. 136, 821-831 (2022).
ඛාන්, එස්. සහ ෂහීන්, එම්. දත්ත කැණීම සිට දත්ත කැණීම දක්වා. J.information. විද්යාව. https://doi.org/1011777/016555515211030872 (2021).
ඛාන්, එස්. සහ ෂහීන්, එම්. පැන්නා: සංගමයේ රීති කැණීම් සඳහා පළමු සංජානන ඇල්ගොරිතම. J.information. විද්යාව. https://doi.org/1011777/016555151521108695 (2022).
ෂහීන් එම්. සහ අබ්දුල්ලා යූ. කර්ම්: සාම්ප්රදායික දත්ත කැණීම සන්දර්භය පදනම් කරගත් සංගම් පදනම් කර ගැනීම මත පදනම්ව. ගණනය කරන්න. මතෙ. දිගටම කරගෙන යන්න. 68, 3305-3322 (2021).
මුහම්මද් එම්, රහ්මාන් ඉසෙඩ්, ෂහීන් එම්, ෂහීන් එම්, ඛාන් එම්. දැනුම් දෙන්න. තාක්ෂණයන්. පාලනය. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ටැබීෂ්, එම්, ටැනෝලි, ඉසෙප, සහ ෂාහින්, එම්. ක්රීඩා වීඩියෝවල ක්රියාකාරකම් හඳුනා ගැනීමේ පද්ධතියක්. බහුමාධ්ය. මෙවලම් Inttps ets https://doi.org/101007/s11042-021-10519-6 (2021).
හලාබි, එස්එස් සහ වෙනත් අය. ළමා අස්ථි යුගයේ ආර්එස්එන්ඒ මැෂින් ඉගෙනුම් අභියෝගය. විකිරණවේදය 290, 498-503 (2019).
Li, y. et අල්. ගැඹුරු ඉගෙනුම් භාවිතා කරමින් ශ්රෝණි එක්ස් කිරණ වලින් අධිකරණ වෛද්ය යුනය ඇස්තමේන්තු කිරීම. යුරෝ. විකිරණ. 29, 2322-2329 (2019).
ගුඕ, YC, සහ වෙනත් අල්. නිම්තන ක්රමවේදයන් සහ විකලාංග ප්රක්ෂේපණ රූප වලින් අතින් ක්රමවේදයන් සහ ගැඹුරු ස්නායුක ජාල භාවිතා කරමින් නිවැරදි වයස් වර්ගීකරණය. ජාත්යන්තරත්වය. ජේ. නීති medicine ෂධ. 135, 1589-15997 (2021).
ඇලබාමා දහ්රා සහ වෙනත් අය. විවිධ යන්ත්ර ඉගෙනීමේ ක්රම භාවිතා කරමින් අස්ථි වයස් තක්සේරුව: ක්රමානුකූල සාහිත්ය සමාලෝචනයක් සහ මෙටා විශ්ලේෂණය. ප්ලෝස් එක 14, e0220242 (2019).
ඩු, එච්., ලී, ජී, ග්රොන්ග්, ජී, කේ, කේ, කේ, කේ, කේ. කේ. ජාත්යන්තරත්වය. ජේ. නීති medicine ෂධ. 136, 811-819 (2022).
කිම් එස්, ලී වයි, නෙහ් YK, උද්යානය, පාර්ක් එෆ්කේ සහ ඕ අප් කේ. විද්යාව. 11, 1073 (2021) වාර්තාව.
ස්ටර්න්, ඩී., ඩී., සී, සී, ජියුලියි, එන්. එන්. සහ උර්සර්ලර්, එම්. IEEEE J. ජෛව. සෞඛ්ය ඇඟවීම්. 23, 1392-1403 (2019).
චෙං, ප්රශ්නය - GE, Z., Z., ඩු, එච්. සහ ලී, ජී. වයස්, ජී. වයස්, ජී. ජාත්යන්තරත්වය. ජේ. නීති medicine ෂධ. 135, 365-373 (2021).
වු, ඩබ්ලිව්ටී, සහ වෙනත්. සායනික විශාල දත්තවල දත්ත කැණීම: පොදු දත්ත සමුදායන්, පියවර සහ ක්රම ආකෘති. ලෝකය. ඖෂධය. සම්පත. 8, 44 (2021).
යැං, ජේ. සහ වෙනත් අල්. විශාල දත්ත යුගයේ වෛද්ය දත්ත සමුදායන් සහ දත්ත කැණීම් තාක්ෂණයන් පිළිබඳ හැඳින්වීම. ජේ. අවි. මූලික .ෂධ. 13, 57-69 (2020).
ෂෙන්, එස්. සහ වෙනත් අය. යන්ත්ර ඉගෙනීම භාවිතා කරමින් දත් යුගය තක්සේරු කිරීම සඳහා වූ නිර්මාණකරුගේ ක්රමය. BMC මුඛ සෞඛ්ය 21, 641 (2021).
Galalyburg ඒ. ඊ.එල්. ඩෙම්බර් ජියන් වේදිකාගත කිරීමේ ක්රමය භාවිතා කරමින් දන්ත වෛද්යය පුරෝකථනය කිරීම සඳහා විවිධ යන්ත්ර ඉගෙනීමේ ක්රම සංසන්දනය කිරීම. ජාත්යන්තරත්වය. ජේ. නීති medicine ෂධ. 135, 665-675 (2021).
ඩෙම්බර්ජි, ඒ., ගෝල්ඩ්ස්ටයින්, එච්. සහ ටැනර්, ජේ. එම්, ජේ. ස්නර්ට්. ජීව විද්යාව. 45, 211-227 (1973).
වර්ගීකරණ දත්ත පිළිබඳ නිරීක්ෂක ගිවිසුමේ GG මිනුම් ලෑන්ඩිස්, ජේආර් සහ කොච්. ජෛවමිතික 33, 159-174 (1977).
භට්ටාචාර්ජි එස්, ප්රකාශ් ඩී, කිම් සී, කිම් එච්කේ සහ චොයි එච්.කේ. ප්රාථමික මොළයේ පිළිකා වෙනස් කිරීම සඳහා කෘතිම බුද්ධි ක්රමවේදයන් භාවිතා කරමින් ද්විමාන චුම්බක අනුනාද රූපකරණය පිළිබඳ හොඳම, රූප විද්යාත්මක හා සංඛ්යානමය විශ්ලේෂණය. සෞඛ්ය තොරතුරු. සම්පත. https://doi.org/10.4258/hir.2022.28.1.46 (2022).