කොරියානු නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන් අතර සාම්ප්‍රදායික දන්ත වෛද්‍ය වයස් ඇස්තමේන්තු ක්‍රමවලට එරෙහිව දත්ත කැණීම් ආකෘතියක් වලංගු කිරීම

Nature.com වෙත පිවිසීම ගැන ඔබට ස්තුතියි.ඔබ භාවිතා කරන බ්‍රවුසරයේ අනුවාදයට සීමිත CSS සහය ඇත.හොඳම ප්‍රතිඵල සඳහා, අපි ඔබගේ බ්‍රවුසරයේ නව අනුවාදයක් භාවිතා කිරීම නිර්දේශ කරමු (හෝ Internet Explorer හි ගැළපුම් ප්‍රකාරය අක්‍රිය කරන්න).මේ අතරතුර, අඛණ්ඩ සහාය සහතික කිරීම සඳහා, අපි මෝස්තරය හෝ JavaScript නොමැතිව වෙබ් අඩවිය පෙන්වමු.
දත් මිනිස් සිරුරේ වයස පිළිබඳ වඩාත් නිවැරදි දර්ශකය ලෙස සලකනු ලබන අතර බොහෝ විට අධිකරණ වෛද්ය වයස තක්සේරු කිරීමේදී භාවිතා වේ.සාම්ප්‍රදායික ක්‍රම සහ දත්ත කැණීම් මත පදනම් වූ වයස් ඇස්තමේන්තු සමඟ 18-වසර සීමාවේ ඇස්තමේන්තු නිරවද්‍යතාවය සහ වර්ගීකරණ කාර්ය සාධනය සංසන්දනය කිරීමෙන් දත්ත කැණීම පදනම් කරගත් දන්ත වයස් ඇස්තමේන්තු වලංගු කිරීම අපි ඉලක්ක කළෙමු.වයස අවුරුදු 15 සිට 23 දක්වා කොරියානු සහ ජපන් පුරවැසියන්ගෙන් පරිදර්ශක විකිරණ 2657 ක් එකතු කරන ලදී.ඒවා පුහුණු කට්ටලයකට බෙදා ඇති අතර, ඒ සෑම එකක්ම කොරියානු රේඩියෝ ග්‍රැෆි 900 ක් සහ ජපන් විකිරණ 857 ක් අඩංගු අභ්‍යන්තර පරීක්ෂණ කට්ටලයක් ලෙස බෙදා ඇත.දත්ත කැණීම් ආකෘතිවල පරීක්ෂණ කට්ටල සමඟ සාම්ප්‍රදායික ක්‍රමවල වර්ගීකරණ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාව අපි සංසන්දනය කළෙමු.අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ සාම්ප්‍රදායික ක්‍රමයේ නිරවද්‍යතාවය දත්ත කැණීම් ආකෘතියට වඩා තරමක් වැඩි වන අතර වෙනස කුඩා වේ (මධ්‍යන්‍ය නිරපේක්ෂ දෝෂය <0.21 වසර, මූල මධ්‍යන්‍ය වර්ග දෝෂය <0.24 වසර).වසර 18 ක කඩඉම සඳහා වර්ගීකරණ කාර්ය සාධනය ද සම්ප්‍රදායික ක්‍රම සහ දත්ත කැණීම් ආකෘති අතර සමාන වේ.මේ අනුව, කොරියානු නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන්ගේ දෙවන හා තෙවන මවුලවල පරිණතභාවය භාවිතා කරමින් අධිකරණ වෛද්‍ය වයස් තක්සේරුව සිදු කිරීමේදී සාම්ප්‍රදායික ක්‍රම දත්ත කැණීම් ආකෘති මගින් ප්‍රතිස්ථාපනය කළ හැකිය.
අධිකරණ වෛද්‍ය විද්‍යාවේ සහ ළමා දන්ත වෛද්‍ය විද්‍යාවේ දන්ත වයස් තක්සේරුව බහුලව භාවිතා වේ.විශේෂයෙන්, කාලානුක්‍රමික වයස සහ දන්ත සංවර්ධනය අතර ඉහළ සහසම්බන්ධය නිසා, දන්ත සංවර්ධන අවධීන් මගින් වයස තක්සේරු කිරීම දරුවන්ගේ සහ නව යොවුන් වියේ වයස තක්සේරු කිරීම සඳහා වැදගත් නිර්ණායකයකි 1,2,3.කෙසේ වෙතත්, යෞවනයන් සඳහා, දන්ත පරිණතභාවය මත පදනම්ව දන්ත වයස ඇස්තමේන්තු කිරීම එහි සීමාවන් ඇත, මන්ද තුන්වන මවුල හැර දන්ත වර්ධනය බොහෝ දුරට සම්පූර්ණ වී ඇත.යෞවනයන්ගේ සහ නව යොවුන් වියේ වයස තීරණය කිරීමේ නීත්‍යානුකූල අරමුණ වන්නේ ඔවුන් වැඩිවියට පැමිණ ඇත්ද යන්න පිළිබඳ නිවැරදි ඇස්තමේන්තු සහ විද්‍යාත්මක සාක්ෂි සැපයීමයි.කොරියාවේ නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන්ගේ වෛද්‍ය-නීත්‍යානුකූල භාවිතයේදී, ලීගේ ක්‍රමය භාවිතා කරමින් වයස තක්සේරු කරන ලද අතර, Oh et al 5 විසින් වාර්තා කරන ලද දත්ත මත පදනම්ව වසර 18ක නීතිමය සීමාවක් පුරෝකථනය කරන ලදී.
යන්ත්‍ර ඉගෙනීම යනු කෘත්‍රිම බුද්ධි (AI) වර්ගයක් වන අතර එය නැවත නැවත ඉගෙන ගෙන විශාල දත්ත ප්‍රමාණයක් වර්ගීකරණය කරයි, ගැටළු තනිවම විසඳයි, සහ දත්ත ක්‍රමලේඛනය මෙහෙයවයි.යන්ත්‍ර ඉගෙනීම මඟින් විශාල දත්ත ප්‍රමාණයක ප්‍රයෝජනවත් සැඟවුණු රටා සොයා ගත හැක6.ඊට වෙනස්ව, ශ්‍රම-දැඩි සහ කාලය ගතවන සම්භාව්‍ය ක්‍රම, අතින් සැකසීමට අපහසු සංකීර්ණ දත්ත විශාල ප්‍රමාණයක් සමඟ කටයුතු කිරීමේදී සීමාවන් තිබිය හැක7.එබැවින්, මානව දෝෂ අවම කිරීම සහ බහුමාන දත්ත8,9,10,11,12 කාර්යක්ෂමව සැකසීම සඳහා නවතම පරිගණක තාක්ෂණයන් භාවිතා කරමින් බොහෝ අධ්‍යයනයන් මෑතකදී සිදු කර ඇත.විශේෂයෙන්ම, ගැඹුරු ඉගෙනීම වෛද්‍ය ප්‍රතිබිම්බ විශ්ලේෂණයේදී බහුලව භාවිතා වී ඇති අතර, වයස් තක්සේරුවේ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාවය වැඩි දියුණු කිරීම සඳහා රේඩියෝ ග්‍රැෆි ස්වයංක්‍රීයව විශ්ලේෂණය කිරීමෙන් වයස් තක්සේරු කිරීම සඳහා විවිධ ක්‍රම වාර්තා කර ඇත13,14,15,16,17,18,19,20 .නිදසුනක් ලෙස, Halabi et al 13 දරුවන්ගේ අත්වල රේඩියෝ ග්‍රන්ථ භාවිතයෙන් අස්ථි වයස තක්සේරු කිරීම සඳහා convolutional neural networks (CNN) මත පදනම් වූ යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතමයක් සංවර්ධනය කරන ලදී.මෙම අධ්‍යයනය මගින් වෛද්‍ය රූප සඳහා යන්ත්‍ර ඉගෙනීම යොදන ආකෘතියක් යෝජනා කරන අතර මෙම ක්‍රම මගින් රෝග විනිශ්චය නිරවද්‍යතාව වැඩිදියුණු කළ හැකි බව පෙන්වයි.Li et al14 ගැඹුරු ඉගෙනුම් CNN භාවිතා කරමින් ශ්‍රෝණි X-කිරණ රූප වලින් වයස ඇස්තමේන්තු කළ අතර අස්ථිකරණ අදියර ඇස්තමේන්තුව භාවිතයෙන් ප්‍රතිගාමී ප්‍රතිඵල සමඟ සංසන්දනය කළේය.ගැඹුරු ඉගෙනුම් CNN ආකෘතිය සාම්ප්‍රදායික ප්‍රතිගාමී ආකෘතියට සමාන වයස් ඇස්තමේන්තු කාර්ය සාධනයක් පෙන්නුම් කරන බව ඔවුන් සොයා ගත්හ.Guo et al.'s අධ්‍යයනයෙන් [15] CNN තාක්‍ෂණයේ වයස් ඉවසීමේ ක්‍රියාකාරීත්වය දන්ත orthophotos මත පදනම්ව ඇගයීමට ලක් කරන ලද අතර CNN ආකෘතියේ ප්‍රතිඵලවලින් ඔප්පු වූයේ මිනිසුන් එහි වයස් වර්ගීකරණ කාර්ය සාධනය අභිබවා යන බවයි.
යන්ත්‍ර ඉගෙනීම භාවිතයෙන් වයස් තක්සේරුව පිළිබඳ බොහෝ අධ්‍යයනයන් ගැඹුරු ඉගෙනුම් ක්‍රම 13,14,15,16,17,18,19,20 භාවිතා කරයි.ගැඹුරු ඉගෙනීම මත පදනම් වූ වයස් තක්සේරුව සාම්ප්‍රදායික ක්‍රමවලට වඩා නිවැරදි බව වාර්තා වේ.කෙසේ වෙතත්, මෙම ප්‍රවේශය ඇස්තමේන්තු වල භාවිතා වන වයස් දර්ශක වැනි වයස් ඇස්තමේන්තු සඳහා විද්‍යාත්මක පදනම ඉදිරිපත් කිරීමට සුළු අවස්ථාවක් සපයයි.පරීක්ෂා කරන්නේ කවුරුන්ද යන්න සම්බන්ධයෙන් නීතිමය ආරවුලක් ද පවතී.එබැවින්, ගැඹුරු ඉගෙනීම මත පදනම් වූ වයස් තක්සේරුව පරිපාලන සහ අධිකරණ බලධාරීන් විසින් පිළිගැනීමට අපහසුය.දත්ත කැණීම (DM) යනු විශාල දත්ත6,21,22 අතර ප්‍රයෝජනවත් සහසම්බන්ධතා සොයා ගැනීමේ ක්‍රමයක් ලෙස අපේක්ෂිත පමණක් නොව අනපේක්ෂිත තොරතුරු ද සොයා ගත හැකි තාක්‍ෂණයකි.දත්ත කැණීමේදී යන්ත්‍ර ඉගෙනීම බොහෝ විට භාවිතා වන අතර දත්ත කැණීම සහ යන්ත්‍ර ඉගෙනීම යන දෙකම දත්තවල රටා සොයා ගැනීමට එකම ප්‍රධාන ඇල්ගොරිතම භාවිතා කරයි.දන්ත සංවර්ධනය භාවිතයෙන් වයස් තක්සේරුව ඉලක්ක දත්වල පරිණතභාවය පිළිබඳ පරීක්ෂකගේ තක්සේරුව මත පදනම් වන අතර, මෙම තක්සේරුව එක් එක් ඉලක්ක දත් සඳහා අදියරක් ලෙස ප්‍රකාශ කෙරේ.දන්ත තක්සේරු කිරීමේ අදියර සහ සැබෑ වයස අතර සහසම්බන්ධය විශ්ලේෂණය කිරීමට DM භාවිතා කළ හැකි අතර සාම්ප්‍රදායික සංඛ්‍යාන විශ්ලේෂණය ප්‍රතිස්ථාපනය කිරීමේ හැකියාව ඇත.එබැවින්, අපි වයස් ඇස්තමේන්තු සඳහා DM ශිල්පීය ක්‍රම යෙදුවහොත්, නීතිමය වගකීම් ගැන කරදර නොවී අධිකරණ වෛද්‍ය වයස් තක්සේරුවේදී යන්ත්‍ර ඉගෙනීම ක්‍රියාත්මක කළ හැකිය.අධිකරණ වෛද්‍ය විද්‍යාවේ භාවිතා කරන සාම්ප්‍රදායික අත්පොත ක්‍රම සහ දන්ත වයස තීරණය කිරීම සඳහා EBM මත පදනම් වූ ක්‍රම සඳහා හැකි විකල්ප පිළිබඳව සංසන්දනාත්මක අධ්‍යයන කිහිපයක් ප්‍රකාශයට පත් කර ඇත.Shen et al23 විසින් DM ආකෘතිය සාම්ප්‍රදායික Camerer සූත්‍රයට වඩා නිවැරදි බව පෙන්නුම් කළේය.Galibourg et al24 Demirdjian නිර්ණායකයට අනුව වයස පුරෝකථනය කිරීමට විවිධ DM ක්‍රම යෙදූ අතර ප්‍රතිඵල පෙන්නුම් කළේ DM ක්‍රමය ප්‍රංශ ජනගහනයේ වයස තක්සේරු කිරීමේදී Demirdjian සහ Willems ක්‍රම අභිබවා ගිය බවයි.
කොරියානු නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන්ගේ දන්ත වයස තක්සේරු කිරීම සඳහා, ලීගේ ක්‍රමය 4 කොරියානු අධිකරණ වෛද්‍ය විද්‍යාවේ බහුලව භාවිතා වේ.මෙම ක්‍රමය කොරියානු විෂයයන් සහ කාලානුක්‍රමික වයස අතර සම්බන්ධය පරීක්ෂා කිරීම සඳහා සම්ප්‍රදායික සංඛ්‍යාන විශ්ලේෂණය (බහු ප්‍රතිගාමී වීම වැනි) භාවිතා කරයි.මෙම අධ්‍යයනයේ දී සාම්ප්‍රදායික සංඛ්‍යාන ක්‍රම භාවිතයෙන් ලබාගත් වයස් තක්සේරු ක්‍රම “සාම්ප්‍රදායික ක්‍රම” ලෙස අර්ථ දක්වා ඇත.ලීගේ ක්‍රමය සාම්ප්‍රදායික ක්‍රමයක් වන අතර එහි නිරවද්‍යතාවය Oh et al විසින් තහවුරු කර ඇත.5;කෙසේ වෙතත්, කොරියානු අධිකරණ වෛද්‍ය විද්‍යාවේදී DM ආකෘතිය මත පදනම් වූ වයස් තක්සේරුවේ අදාළත්වය තවමත් ප්‍රශ්නකාරී ය.අපගේ ඉලක්කය වූයේ DM ආකෘතිය මත පදනම්ව වයස් ඇස්තමේන්තුවේ විභව ප්‍රයෝජනය විද්‍යාත්මකව තහවුරු කිරීමයි.මෙම අධ්‍යයනයේ අරමුණ වූයේ (1) දන්ත වෛද්‍ය වයස ඇස්තමේන්තු කිරීමේදී ඩීඑම් මාදිලි දෙකක නිරවද්‍යතාවය සංසන්දනය කිරීම සහ (2) වයස අවුරුදු 18 දී ඩීඑම් මාදිලි 7 ක වර්ගීකරණ කාර්ය සාධනය සාම්ප්‍රදායික සංඛ්‍යාන ක්‍රම භාවිතයෙන් ලබාගත් ඒවා සමඟ සංසන්දනය කිරීම දෙවන පරිණතභාවයයි. සහ හකු දෙකෙහිම තුන්වන මවුල.
අදියර සහ දත් වර්ගය අනුව කාලානුක්‍රමික වයසේ මාධ්‍යයන් සහ සම්මත අපගමනයන් පරිපූරක වගුව S1 (පුහුණු කට්ටලය), පරිපූරක වගුව S2 (අභ්‍යන්තර පරීක්ෂණ කට්ටලය) සහ පරිපූරක වගුව S3 (බාහිර පරීක්ෂණ කට්ටලය) හි මාර්ගගතව පෙන්වා ඇත.පුහුණු කට්ටලයෙන් ලබාගත් අභ්‍යන්තර සහ අන්තර් නිරීක්ෂක විශ්වසනීයත්වය සඳහා වූ කප්පා අගයන් පිළිවෙලින් 0.951 සහ 0.947 විය.P අගයන් සහ කප්පා අගයන් සඳහා 95% විශ්වාසනීය කාල පරතරයන් මාර්ගගත පරිපූරක වගුව S4 හි දක්වා ඇත.Landis සහ Koch26 හි නිර්ණායකයන්ට අනුකූලව කැපා අගය "පාහේ පරිපූර්ණ" ලෙස අර්ථ දැක්වීය.
මධ්‍යන්‍ය නිරපේක්ෂ දෝෂය (MAE) සංසන්දනය කිරීමේදී සම්ප්‍රදායික ක්‍රමය, බහු ස්ථර පර්සෙප්ට්‍රෝන් (MLP) හැර, සියලුම ස්ත්‍රී පුරුෂ භාවය සඳහා සහ බාහිර පිරිමි පරීක්ෂණ කට්ටලය සඳහා DM ආකෘතිය තරමක් අභිබවා යයි.අභ්යන්තර MAE පරීක්ෂණ කට්ටලයේ සාම්ප්රදායික ආකෘතිය සහ DM ආකෘතිය අතර වෙනස පිරිමින් සඳහා අවුරුදු 0.12-0.19 සහ කාන්තාවන් සඳහා අවුරුදු 0.17-0.21 විය.බාහිර පරීක්ෂණ බැටරි සඳහා, වෙනස්කම් කුඩා වේ (පිරිමි සඳහා අවුරුදු 0.001-0.05 සහ කාන්තාවන් සඳහා අවුරුදු 0.05-0.09).අතිරේක වශයෙන්, මූල මධ්‍යන්‍ය වර්ග දෝෂය (RMSE) සාම්ප්‍රදායික ක්‍රමයට වඩා මඳක් අඩු වන අතර කුඩා වෙනස්කම් ඇත (පිරිමි අභ්‍යන්තර පරීක්ෂණ කට්ටලය සඳහා 0.17-0.24, 0.2-0.24 සහ බාහිර පරීක්ෂණ කට්ටලය සඳහා 0.03-0.07, 0.04-0.08).)කාන්තා බාහිර පරීක්ෂණ කට්ටලය හැර MLP, Single Layer Perceptron (SLP) ට වඩා තරමක් හොඳ කාර්ය සාධනයක් පෙන්නුම් කරයි.MAE සහ RMSE සඳහා, බාහිර පරීක්ෂණ කට්ටලය සියලුම ස්ත්‍රී පුරුෂ භාවය සහ ආකෘති සඳහා අභ්‍යන්තර පරීක්ෂණ කට්ටලයට වඩා ඉහළ අගයක් ගනී.සියලුම MAE සහ RMSE වගුව 1 සහ රූප සටහන 1 හි දක්වා ඇත.
සාම්ප්‍රදායික සහ දත්ත කැණීම් ප්‍රතිගාමී මාදිලිවල MAE සහ RMSE.මධ්යන්ය නිරපේක්ෂ දෝෂය MAE, මූල මධ්යන්ය වර්ග දෝෂය RMSE, තනි ස්ථර perceptron SLP, බහු ස්ථර perceptron MLP, සාම්ප්රදායික CM ක්රමය.
සාම්ප්‍රදායික සහ DM මාදිලිවල වර්ගීකරණ කාර්ය සාධනය (අවුරුදු 18 ක කඩඉමක් සහිත) සංවේදීතාව, නිශ්චිතභාවය, ධනාත්මක අනාවැකි අගය (PPV), සෘණ අනාවැකි අගය (NPV) සහ ග්‍රාහක ක්‍රියාකාරී ලාක්ෂණික වක්‍රය (AUROC) යටතේ ඇති ප්‍රදේශය අනුව නිරූපණය කරන ලදී. 27 (වගුව 2, රූපය 2 සහ අතිරේක රූප සටහන 1 මාර්ගගතව).අභ්‍යන්තර පරීක්ෂණ බැටරියේ සංවේදිතාව අනුව, සාම්ප්‍රදායික ක්‍රම පිරිමින් අතර වඩාත් හොඳින් ක්‍රියාත්මක වන අතර කාන්තාවන් අතර වඩාත් නරක ය.කෙසේ වෙතත්, සාම්ප්‍රදායික ක්‍රම සහ SD අතර වර්ගීකරණ කාර්ය සාධනයේ වෙනස පිරිමින් සඳහා 9.7% (MLP) වන අතර කාන්තාවන් සඳහා 2.4% ක් පමණි (XGBoost).DM මාදිලි අතර, logistic regression (LR) ස්ත්‍රී පුරුෂ දෙපාර්ශවයේම වඩා හොඳ සංවේදීතාවයක් පෙන්නුම් කරයි.අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ විශේෂත්වය සම්බන්ධයෙන්, SD මාදිලි හතර පිරිමින් තුළ හොඳින් ක්‍රියා කරන අතර සාම්ප්‍රදායික ආකෘතිය කාන්තාවන් තුළ වඩා හොඳින් ක්‍රියා කරන බව නිරීක්ෂණය විය.පිරිමි සහ ගැහැණු සඳහා වර්ගීකරණ කාර්ය සාධනයේ වෙනස්කම් පිළිවෙලින් 13.3% (MLP) සහ 13.1% (MLP) වේ, ආකෘති අතර වර්ගීකරණ කාර්ය සාධනයේ වෙනස සංවේදීතාව ඉක්මවන බව පෙන්නුම් කරයි.DM මාදිලි අතර, ආධාරක දෛශික යන්ත්‍රය (SVM), තීරණ ගස (DT) සහ සසම්භාවී වනාන්තර (RF) ආකෘති පිරිමින් අතර හොඳම කාර්ය සාධනය පෙන්නුම් කළ අතර LR ආකෘතිය කාන්තාවන් අතර හොඳම ක්‍රියාකලාපය පෙන්නුම් කරයි.සාම්ප්‍රදායික මාදිලියේ සහ සියලුම SD මාදිලිවල AUROC 0.925 (k-ළඟම අසල්වැසියා (KNN) පිරිමින්) ට වඩා වැඩි විය, අවුරුදු 18ක් පැරණි සාම්පල වෙනස් කොට සැලකීමේදී විශිෂ්ට වර්ගීකරණ කාර්ය සාධනයක් පෙන්නුම් කරයි28.බාහිර පරීක්ෂණ කට්ටලය සඳහා, අභ්‍යන්තර පරීක්ෂණ කට්ටලයට සාපේක්ෂව සංවේදීතාව, නිශ්චිතභාවය සහ AUROC අනුව වර්ගීකරණ කාර්ය සාධනයේ අඩුවීමක් දක්නට ලැබේ.එපමනක් නොව, හොඳම සහ නරකම මාදිලිවල වර්ගීකරණ කාර්ය සාධනය අතර සංවේදීතාව සහ නිශ්චිතතාවයේ වෙනස 10% සිට 25% දක්වා වූ අතර අභ්යන්තර පරීක්ෂණ කට්ටලයේ වෙනසට වඩා විශාල විය.
වසර 18 ක කඩඉමක් සහිත සාම්ප්‍රදායික ක්‍රමවලට සාපේක්ෂව දත්ත කැණීම් වර්ගීකරණ ආකෘතිවල සංවේදීතාව සහ විශේෂත්වය.KNN k ආසන්නතම අසල්වැසියා, SVM ආධාරක දෛශික යන්ත්‍රය, LR ලොජිස්ටික් ප්‍රතිග්‍රහනය, DT තීරණ ගස, RF සසම්භාවී වනාන්තර, XGB XGBoost, MLP බහු ස්ථර ප්‍රත්‍යක්ෂකය, සම්ප්‍රදායික CM ක්‍රමය.
මෙම අධ්‍යයනයේ පළමු පියවර වූයේ DM ආකෘති හතකින් ලබාගත් දන්ත වයස් ඇස්තමේන්තු වල නිරවද්‍යතාවය සාම්ප්‍රදායික ප්‍රතිගාමීත්වය භාවිතයෙන් ලබාගත් ඒවා සමඟ සංසන්දනය කිරීමයි.MAE සහ RMSE ස්ත්‍රී පුරුෂ දෙපාර්ශවය සඳහාම අභ්‍යන්තර පරීක්ෂණ කට්ටලවල ඇගයීමට ලක් කරන ලද අතර, සම්ප්‍රදායික ක්‍රමය සහ DM ආකෘතිය අතර වෙනස MAE සඳහා දින 44 සිට 77 දක්වා සහ RMSE සඳහා දින 62 සිට 88 දක්වා පරාසයක පවතී.මෙම අධ්‍යයනයේදී සාම්ප්‍රදායික ක්‍රමය තරමක් නිවැරදි වුවද, එවැනි කුඩා වෙනසක් සායනික හෝ ප්‍රායෝගික වැදගත්කමක් තිබේද යන්න නිගමනය කිරීම අපහසුය.මෙම ප්‍රතිඵලවලින් පෙන්නුම් කරන්නේ DM ආකෘතිය භාවිතයෙන් දන්ත වයස තක්සේරු කිරීමේ නිරවද්‍යතාවය සාම්ප්‍රදායික ක්‍රමයට බොහෝ දුරට සමාන බවයි.මෙම අධ්‍යයනයේ දී මෙන් එකම වයස් පරාසයක දත් පටිගත කිරීමේ තාක්ෂණයම භාවිතා කරමින් සාම්ප්‍රදායික සංඛ්‍යාන ක්‍රම සමඟ කිසිදු අධ්‍යයනයක් DM මාදිලිවල නිරවද්‍යතාවය සංසන්දනය කර නොමැති නිසා පෙර අධ්‍යයනයන්හි ප්‍රතිඵල සමඟ සෘජු සංසන්දනය දුෂ්කර ය.Galibourg et al24 විසින් MAE සහ RMSE සාම්ප්‍රදායික ක්‍රම දෙකක් (Demirjian method25 සහ Willems method29) සහ වයස අවුරුදු 2 සිට 24 දක්වා වූ ප්‍රංශ ජනගහනයක DM මාදිලි 10ක් අතර සංසන්දනය කළේය.MAE හි වසර 0.20 සහ 0.38 සහ RMSE හි 0.25 සහ 0.47 පිළිවෙළින් Willems සහ Demirdjian ක්‍රමවලට සාපේක්ෂව, සම්ප්‍රදායික ක්‍රමවලට වඩා සියලුම DM මාදිලි වඩාත් නිවැරදි බව ඔවුහු වාර්තා කළහ.හැලිබර්ග් අධ්‍යයනයේ පෙන්වා ඇති SD ආකෘතිය සහ සාම්ප්‍රදායික ක්‍රම අතර ඇති විෂමතාවය, අධ්‍යයනයට පදනම් වූ ප්‍රංශ කැනේඩියානුවන් හැර අනෙකුත් ජනගහනයේ Demirdjian ක්‍රමය මගින් දන්ත වයස නිවැරදිව තක්සේරු නොකරන බවට වාර්තා30,31,32,33 ගණනාවක් සැලකිල්ලට ගනී.මෙම අධ්යයනය තුළ.Tai et al 34 විසින් 1636 චීන විකලාංග ඡායාරූප වලින් දත් වයස අනාවැකි කිරීමට MLP ඇල්ගොරිතම භාවිතා කළ අතර එහි නිරවද්‍යතාවය Demirjian සහ Willems ක්‍රමයේ ප්‍රතිඵල සමඟ සංසන්දනය කළේය.MLP සාම්ප්‍රදායික ක්‍රමවලට වඩා ඉහළ නිරවද්‍යතාවයක් ඇති බව ඔවුහු වාර්තා කළහ.Demirdjian ක්‍රමය සහ සම්ප්‍රදායික ක්‍රමය අතර වෙනස <0.32 වසර වන අතර Willems ක්‍රමය වසර 0.28ක් වන අතර එය වර්තමාන අධ්‍යයනයේ ප්‍රතිඵල වලට සමාන වේ.මෙම පෙර අධ්‍යයනයන්හි ප්‍රතිඵල24,34 ද වර්තමාන අධ්‍යයනයේ ප්‍රතිඵලවලට අනුකූල වන අතර DM ආකෘතියේ සහ සම්ප්‍රදායික ක්‍රමයේ වයස් තක්සේරු නිරවද්‍යතාව සමාන වේ.කෙසේ වෙතත්, ඉදිරිපත් කරන ලද ප්‍රතිඵල මත පදනම්ව, අපට ප්‍රවේශමෙන් නිගමනය කළ හැක්කේ වයස තක්සේරු කිරීම සඳහා DM ආකෘති භාවිතා කිරීම සංසන්දනාත්මක සහ පෙර අධ්‍යයනවල හිඟකම හේතුවෙන් පවතින ක්‍රම ප්‍රතිස්ථාපනය කළ හැකි බවයි.මෙම අධ්‍යයනයෙන් ලබාගත් ප්‍රතිඵල තහවුරු කිරීම සඳහා විශාල සාම්පල භාවිතයෙන් පසු විපරම් අධ්‍යයනයන් අවශ්‍ය වේ.
දන්ත වයස තක්සේරු කිරීමේදී SD හි නිරවද්‍යතාවය පරීක්ෂා කරන අධ්‍යයනයන් අතර, සමහරක් අපගේ අධ්‍යයනයට වඩා ඉහළ නිරවද්‍යතාවයක් පෙන්නුම් කළහ.Stepanovsky et al 35 වසර 2.7 සිට 20.5 දක්වා වූ චෙක් වැසියන් 976 දෙනෙකුගේ පරිදර්ශක රේඩියෝ ග්‍රැෆි සඳහා SD මාදිලි 22ක් යොදවා එක් එක් මාදිලියේ නිරවද්‍යතාවය පරීක්ෂා කළේය.ඔවුන් Moorrees et al 36 විසින් යෝජනා කරන ලද වර්ගීකරණ නිර්ණායක භාවිතා කරමින් ඉහළ සහ පහළ වම් ස්ථීර දත් 16 ක් වර්ධනය කිරීම තක්සේරු කළහ.MAE වසර 0.64 සිට 0.94 දක්වා පරාසයක පවතින අතර RMSE වසර 0.85 සිට 1.27 දක්වා පරාසයක පවතී, මෙම අධ්‍යයනයේ දී භාවිතා කරන ලද DM මාදිලි දෙකට වඩා නිවැරදි ඒවා වේ.Shen et al23 විසින් Cameriere ක්‍රමය භාවිතා කර වයස අවුරුදු 5 සිට 13 දක්වා වූ නැඟෙනහිර චීන වැසියන්ගේ වම් mandible හි ස්ථිර දත් හතක දන්ත වයස ඇස්තමේන්තු කිරීමට සහ රේඛීය ප්‍රතිගාමීත්වය, SVM සහ RF භාවිතයෙන් ඇස්තමේන්තු කළ වයස් සමඟ සංසන්දනය කළේය.සාම්ප්‍රදායික Cameriere සූත්‍රය හා සසඳන විට DM මාදිලි තුනම ඉහළ නිරවද්‍යතාවයක් ඇති බව ඔවුහු පෙන්වා දුන්හ.Shen ගේ අධ්‍යයනයේ MAE සහ RMSE මෙම අධ්‍යයනයේ DM ආකෘතියට වඩා අඩු විය.ස්ටෙපනොව්ස්කි සහ වෙනත් අයගේ අධ්‍යයනයන්හි වැඩි නිරවද්‍යතාවය.35 සහ Shen et al.23 ඔවුන්ගේ අධ්‍යයන සාම්පලවලට තරුණ විෂයයන් ඇතුළත් කිරීම නිසා විය හැක.වර්ධනය වන දත් ​​ඇති සහභාගිවන්නන්ගේ වයස් ඇස්තමේන්තු දන්ත සංවර්ධනයේදී දත් ගණන වැඩි වන විට වඩාත් නිවැරදි වන බැවින්, අධ්‍යයනයට සහභාගිවන්නන් තරුණ වන විට ලැබෙන වයස් තක්සේරු ක්‍රමයේ නිරවද්‍යතාවය අවදානමට ලක් විය හැකිය.මීට අමතරව, MLP හි වයස් තක්සේරුවෙහි දෝෂය SLP ට වඩා තරමක් කුඩා වේ, එනම් MLP SLP වලට වඩා නිවැරදි බවයි.MLP වයස තක්සේරුව සඳහා තරමක් හොඳ යැයි සැලකේ, MLP38 හි සැඟවුණු ස්ථර නිසා විය හැක.කෙසේ වෙතත්, කාන්තාවන්ගේ බාහිර නියැදිය සඳහා ව්යතිරේකයක් ඇත (SLP 1.45, MLP 1.49).වයස තක්සේරු කිරීමේදී MLP SLP ට වඩා නිවැරදි බව සොයා ගැනීම සඳහා අමතර ප්‍රතිගාමී අධ්‍යයනයන් අවශ්‍ය වේ.
ඩීඑම් ආකෘතියේ වර්ගීකරණ කාර්ය සාධනය සහ වසර 18 ක සීමාවකදී සාම්ප්රදායික ක්රමය ද සංසන්දනය කරන ලදී.සියලුම පරීක්ෂා කරන ලද SD මාදිලි සහ අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ සාම්ප්‍රදායික ක්‍රම 18-හැවිරිදි නියැදිය සඳහා ප්‍රායෝගිකව පිළිගත හැකි වෙනස්කම් මට්ටම් පෙන්නුම් කරයි.පිරිමින් සහ කාන්තාවන් සඳහා සංවේදීතාව පිළිවෙලින් 87.7% සහ 94.9% ට වඩා වැඩි වූ අතර නිශ්චිතභාවය 89.3% සහ 84.7% ට වඩා වැඩි විය.පරීක්ෂා කරන ලද සියලුම මාදිලිවල AUROC ද 0.925 ඉක්මවයි.අපගේ දැනුම අනුව, දන්ත පරිණතභාවය මත පදනම්ව වසර 18ක වර්ගීකරණය සඳහා DM ආකෘතියේ ක්‍රියාකාරීත්වය කිසිදු අධ්‍යයනයකින් පරීක්‍ෂා කර නොමැත.මෙම අධ්‍යයනයේ ප්‍රතිඵල අපට පරිදර්ශක රේඩියෝ ග්‍රැෆිවල ගැඹුරු ඉගෙනුම් ආකෘතිවල වර්ගීකරණ කාර්ය සාධනය සමඟ සැසඳිය හැක.Guo et al.15 විසින් CNN-පාදක ගැඹුරු ඉගෙනුම් ආකෘතියක වර්ගීකරණ කාර්ය සාධනය සහ නිශ්චිත වයස් සීමාවක් සඳහා Demirjian ගේ ක්‍රමය මත පදනම් වූ අතින් ක්‍රමයක් ගණනය කරන ලදී.අතින් ක්‍රමයේ සංවේදීතාව සහ විශේෂත්වය පිළිවෙලින් 87.7% සහ 95.5% වන අතර CNN ආකෘතියේ සංවේදීතාව සහ විශේෂත්වය පිළිවෙලින් 89.2% සහ 86.6% ඉක්මවා ඇත.වයස් සීමාවන් වර්ගීකරණය කිරීමේදී ගැඹුරු ඉගෙනුම් ආකෘතීන්ට අතින් ඇගයීම ප්‍රතිස්ථාපනය කිරීමට හෝ අභිබවා යාමට හැකි බව ඔවුන් නිගමනය කළේය.මෙම අධ්යයනයේ ප්රතිඵල සමාන වර්ගීකරණ කාර්ය සාධනය පෙන්නුම් කරයි;DM ආකෘති භාවිතයෙන් වර්ගීකරණය වයස් තක්සේරු කිරීම සඳහා සාම්ප්රදායික සංඛ්යාන ක්රම ප්රතිස්ථාපනය කළ හැකි බව විශ්වාස කෙරේ.මාදිලි අතර, පිරිමි නියැදිය සඳහා සංවේදීතාව සහ කාන්තා නියැදිය සඳහා සංවේදීතාව සහ නිශ්චිතභාවය අනුව DM LR හොඳම ආකෘතිය විය.LR පිරිමින් සඳහා විශේෂත්වය අනුව දෙවන ස්ථානයට පත්වේ.එපමණක් නොව, LR වඩාත් පරිශීලක-හිතකාමී DM35 මාදිලි වලින් එකක් ලෙස සලකනු ලබන අතර එය අඩු සංකීර්ණ සහ සැකසීමට අපහසු වේ.මෙම ප්‍රතිඵල මත පදනම්ව, කොරියානු ජනගහනයේ 18-හැවිරිදි ළමුන් සඳහා LR හොඳම කඩඉම් වර්ගීකරණ ආකෘතිය ලෙස සැලකේ.
සමස්තයක් වශයෙන්, අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ ප්‍රතිඵලවලට සාපේක්ෂව බාහිර පරීක්ෂණ කට්ටලයේ වයස් තක්සේරුවේ හෝ වර්ගීකරණ කාර්ය සාධනයේ නිරවද්‍යතාව දුර්වල හෝ අඩු විය.සමහර වාර්තා පෙන්නුම් කරන්නේ කොරියානු ජනගහනය මත පදනම් වූ වයස් ඇස්තමේන්තු ජපන් ජනගහනයට 5,39 යෙදූ විට වර්ගීකරණ නිරවද්‍යතාවය හෝ කාර්යක්ෂමතාව අඩු වන අතර වර්තමාන අධ්‍යයනයේ දී සමාන රටාවක් සොයා ගන්නා ලදී.මෙම පිරිහීමේ ප්‍රවණතාවය DM ආකෘතියේ ද නිරීක්ෂණය විය.එබැවින්, වයස නිවැරදිව තක්සේරු කිරීම සඳහා, විශ්ලේෂණ ක්‍රියාවලියේදී DM භාවිතා කරන විට පවා, සම්ප්‍රදායික ක්‍රම වැනි දේශීය ජනගහන දත්ත වලින් ලබාගත් ක්‍රම 5,39,40,41,42 වඩාත් කැමති විය යුතුය.ගැඹුරු ඉගෙනුම් ආකෘතීන්ට සමාන ප්‍රවණතා පෙන්විය හැකිද යන්න අපැහැදිලි බැවින්, සාම්ප්‍රදායික ක්‍රම භාවිතා කරමින් වර්ගීකරණ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාව සංසන්දනය කරන අධ්‍යයනයන්, DM ආකෘති සහ එකම සාම්පලවල ගැඹුරු ඉගෙනුම් ආකෘති, කෘත්‍රිම බුද්ධියට සීමිත වයසකදී මෙම වාර්ගික විෂමතා ජය ගත හැකිද යන්න තහවුරු කිරීම සඳහා අවශ්‍ය වේ.තක්සේරු කිරීම්.
කොරියාවේ අධිකරණ වෛද්‍ය වයස් ඇස්තමේන්තු පරිචයේ දී DM ආකෘතිය මත පදනම්ව සාම්ප්‍රදායික ක්‍රම වයස් තක්සේරුව මගින් ප්‍රතිස්ථාපනය කළ හැකි බව අපි පෙන්නුම් කරමු.අධිකරණ වෛද්‍ය වයස් තක්සේරුව සඳහා යන්ත්‍ර ඉගෙනීම ක්‍රියාත්මක කිරීමේ හැකියාව ද අපි සොයා ගත්තෙමු.කෙසේ වෙතත්, මෙම අධ්‍යයනයේ ප්‍රතිඵල නිශ්චිතව නිශ්චය කිරීමට ප්‍රමාණවත් සහභාගිවන්නන් ප්‍රමාණවත් නොවීම සහ මෙම අධ්‍යයනයේ ප්‍රතිඵල සංසන්දනය කර තහවුරු කිරීමට පෙර අධ්‍යයනයන්හි අඩුව වැනි පැහැදිලි සීමාවන් තිබේ.අනාගතයේදී, සාම්ප්‍රදායික ක්‍රම හා සසඳන විට එහි ප්‍රායෝගික අදාළත්වය වැඩි දියුණු කිරීම සඳහා ඩීඑම් අධ්‍යයනයන් විශාල සාම්පල සංඛ්‍යාවක් සහ වඩා විවිධ ජනගහනයක් සමඟ පැවැත්විය යුතුය.බහු ජනගහණයේ වයස තක්සේරු කිරීමට කෘතිම බුද්ධිය භාවිතා කිරීමේ ශක්‍යතාව තහවුරු කිරීම සඳහා, DM සහ ගැඹුරු ඉගෙනුම් ආකෘතිවල වර්ගීකරණ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාව එකම සාම්පලවල සාම්ප්‍රදායික ක්‍රම සමඟ සංසන්දනය කිරීමට අනාගත අධ්‍යයනයන් අවශ්‍ය වේ.
මෙම අධ්‍යයනය සඳහා වයස අවුරුදු 15 සිට 23 දක්වා කොරියානු සහ ජපන් වැඩිහිටියන්ගෙන් එකතු කරන ලද අක්ෂර වින්‍යාස ඡායාරූප 2,657ක් භාවිතා කර ඇත.කොරියානු ගුවන්විදුලි යන්ත්‍ර පුහුණු කට්ටල 900කට (අවුරුදු 19.42 ± 2.65) සහ අභ්‍යන්තර පරීක්ෂණ කට්ටල 900කට (අවුරුදු 19.52 ± 2.59) බෙදා ඇත.පුහුණු කට්ටලය එක් ආයතනයක (සෝල් ශාන්ත මරියා රෝහල) එකතු කරන ලද අතර, තමන්ගේම පරීක්ෂණ කට්ටලය ආයතන දෙකක (සෝල් ජාතික විශ්වවිද්‍යාල දන්ත රෝහල සහ යොන්සෙයි විශ්වවිද්‍යාලයේ දන්ත රෝහල) එකතු කරන ලදී.අපි බාහිර පරීක්ෂණ සඳහා වෙනත් ජනගහන පාදක දත්ත (Iwate Medical University, Japan) වෙතින් රේඩියෝ ග්‍රැෆි 857ක් එකතු කළෙමු.බාහිර පරීක්ෂණ කට්ටලය ලෙස ජපන් විෂයයන් (අවුරුදු 19.31 ± 2.60) රේඩියෝග්‍රැෆි තෝරා ගන්නා ලදී.දන්ත ප්‍රතිකාරයේදී ගන්නා ලද පරිදර්ශක රේඩියෝ ග්‍රැෆි මත දන්ත සංවර්ධනයේ අවධීන් විශ්ලේෂණය කිරීම සඳහා දත්ත නැවත සලකා බලන ලදී.ස්ත්‍රී පුරුෂ භාවය, උපන් දිනය සහ රේඩියෝ ග්‍රන්ථයේ දිනය හැර එකතු කරන ලද සියලුම දත්ත නිර්නාමික විය.ඇතුළත් කිරීම සහ බැහැර කිරීමේ නිර්ණායක කලින් ප්‍රකාශයට පත් කරන ලද අධ්‍යයන 4, 5 ට සමාන විය.නියැදියේ සත්‍ය වයස ගණනය කරනු ලැබුවේ රේඩියෝ ග්‍රන්ථය ගත් දින සිට උපන් දිනය අඩු කිරීමෙනි.නියැදි කණ්ඩායම වයස් කාණ්ඩ නවයකට බෙදා ඇත.වයස සහ ස්ත්‍රී පුරුෂ භාවය බෙදාහැරීම් 3 වගුවේ දක්වා ඇත මෙම අධ්‍යයනය හෙල්සින්කි ප්‍රකාශනයට අනුකූලව සිදු කරන ලද අතර කොරියාවේ කතෝලික විශ්ව විද්‍යාලයේ (KC22WISI0328) සෝල් ශාන්ත මරියා රෝහලේ ආයතනික සමාලෝචන මණ්ඩලය (IRB) විසින් අනුමත කරන ලදී.මෙම අධ්‍යයනයේ ප්‍රතිගාමී සැලසුම හේතුවෙන්, චිකිත්සක අරමුණු සඳහා විකිරණශීලී පරීක්ෂණයට භාජනය වන සියලුම රෝගීන්ගෙන් දැනුවත් කැමැත්ත ලබා ගත නොහැකි විය.Seoul Korea University St. Mary's Hospital (IRB) දැනුවත් කැමැත්ත සඳහා අවශ්‍යතාවය ඉවත් කරන ලදී.
Bimaxillary දෙවන සහ තෙවන මවුලවල සංවර්ධන අවධීන් Demircan නිර්ණායක 25 අනුව තක්සේරු කරන ලදී.එක් එක් හකු වල වම් සහ දකුණු පැතිවල එකම වර්ගයේ දතක් හමු වුවහොත් තෝරාගනු ලැබුවේ එක් දතක් පමණි.දෙපස සමජාතීය දත් විවිධ වර්ධන අවධීන් වල තිබුනේ නම්, ඇස්තමේන්තුගත වයසේ අවිනිශ්චිතතාවය සැලකිල්ලට ගැනීම සඳහා අඩු සංවර්ධන අවධියක් සහිත දත් තෝරා ගන්නා ලදී.දන්ත පරිණත අවධිය තීරණය කිරීම සඳහා පූර්ව ක්‍රමාංකනය කිරීමෙන් පසු අන්තර් නිරීක්ෂක විශ්වසනීයත්වය පරීක්ෂා කිරීම සඳහා පළපුරුදු නිරීක්ෂකයින් දෙදෙනෙකු විසින් පුහුණු කට්ටලයෙන් අහඹු ලෙස තෝරාගත් විකිරණ වාර්තා සියයක් ලකුණු කරන ලදී.ප්‍රාථමික නිරීක්ෂකයා විසින් අභ්‍යන්තර නිරීක්ෂක විශ්වසනීයත්වය මාස තුනක කාල පරතරයකින් දෙවරක් තක්සේරු කරන ලදී.
පුහුණු කට්ටලයේ එක් එක් හකු වල දෙවන සහ තුන්වන මවුලවල ලිංගික සහ සංවර්ධන අවධිය විවිධ DM මාදිලි සමඟ පුහුණු කරන ලද ප්‍රාථමික නිරීක්ෂකයෙකු විසින් ඇස්තමේන්තු කර ඇති අතර සැබෑ වයස ඉලක්ක අගය ලෙස සකසා ඇත.යන්ත්‍ර ඉගෙනීමේදී බහුලව භාවිතා වන SLP සහ MLP ආකෘති, ප්‍රතිගාමී ඇල්ගොරිතම වලට එරෙහිව පරීක්‍ෂා කරන ලදී.DM ආකෘතිය දත් හතරේ සංවර්ධන අවධීන් භාවිතා කරමින් රේඛීය ශ්‍රිතයන් ඒකාබද්ධ කරන අතර වයස තක්සේරු කිරීමට මෙම දත්ත ඒකාබද්ධ කරයි.SLP යනු සරලම ස්නායුක ජාලය වන අතර සැඟවුනු ස්ථර අඩංගු නොවේ.SLP නෝඩ් අතර එළිපත්ත සම්ප්‍රේෂණය මත පදනම්ව ක්‍රියා කරයි.ප්‍රතිගාමීත්වයේ SLP ආකෘතිය බහු රේඛීය ප්‍රතිගාමීත්වයට ගණිතමය වශයෙන් සමාන වේ.SLP ආකෘතිය මෙන් නොව, MLP ආකෘතියට රේඛීය නොවන සක්‍රීය කිරීමේ කාර්යයන් සහිත බහු සැඟවුණු ස්ථර ඇත.අපගේ අත්හදා බැලීම් සඳහා රේඛීය නොවන සක්‍රීය කිරීමේ කාර්යයන් සහිත සැඟවුණු නෝඩ් 20ක් පමණක් සහිත සැඟවුණු ස්ථරයක් භාවිතා කරන ලදී.අපගේ යන්ත්‍ර ඉගෙනුම් ආකෘතිය පුහුණු කිරීම සඳහා ප්‍රශස්තිකරණ ක්‍රමය ලෙස ශ්‍රේණිගත සම්භවය සහ පාඩු ශ්‍රිතය ලෙස MAE සහ RMSE භාවිතා කරන්න.හොඳම ලබා ගත් ප්‍රතිගාමී ආකෘතිය අභ්‍යන්තර හා බාහිර පරීක්ෂණ කට්ටල සඳහා යොදන ලද අතර දත්වල වයස තක්සේරු කරන ලදී.
නියැදියක් අවුරුදු 18ක් පැරණිද නැද්ද යන්න පුරෝකථනය කිරීම සඳහා පුහුණු කට්ටලයේ දත් හතරක පරිණතභාවය භාවිතා කරන වර්ගීකරණ ඇල්ගොරිතමයක් සකස් කරන ලදී.ආකෘතිය ගොඩනැගීම සඳහා, අපි නිරූපණ යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම හතක් ව්‍යුත්පන්න කළෙමු: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, සහ (7) MLP .LR යනු බහුලව භාවිතා වන වර්ගීකරණ ඇල්ගොරිතම වලින් එකකි44.එය 0 සිට 1 දක්වා යම් කාණ්ඩයකට අයත් දත්තවල සම්භාවිතාව පුරෝකථනය කිරීමට ප්‍රතිගාමීත්වය භාවිතා කරන අධීක්ෂණය කරන ලද ඉගෙනුම් ඇල්ගොරිතමයක් වන අතර මෙම සම්භාවිතාව මත පදනම්ව දත්ත වඩාත් ඉඩ ඇති ප්‍රවර්ගයකට අයත් වන ලෙස වර්ග කරයි;ද්විමය වර්ගීකරණය සඳහා ප්රධාන වශයෙන් භාවිතා වේ.KNN යනු සරලම යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම වලින් එකකි.නව ආදාන දත්ත ලබා දුන් විට, එය පවතින කට්ටලයට ආසන්නව k දත්ත සොයා ගන්නා අතර පසුව ඒවා ඉහළම සංඛ්‍යාතය සහිත පන්තියට වර්ග කරයි.සලකා බලන ලද (k) අසල්වැසි සංඛ්යාව සඳහා අපි 3 ක් සකස් කරමු.SVM යනු රේඛීය අවකාශය ක්ෂේත්‍ර 46 ලෙස හැඳින්වෙන රේඛීය නොවන අවකාශයක් දක්වා පුළුල් කිරීමට කර්නල් ශ්‍රිතයක් භාවිතා කිරීමෙන් පන්ති දෙකක් අතර දුර උපරිම කරන ඇල්ගොරිතමයකි.මෙම ආකෘතිය සඳහා, අපි බහුපද කර්නලය සඳහා අධි පරාමිති ලෙස bias = 1, බලය = 1, සහ gamma = 1 භාවිතා කරමු.ගස් ව්‍යුහයක තීරණ රීති නියෝජනය කරමින් සම්පූර්ණ දත්ත කට්ටලයක් උප කණ්ඩායම් කිහිපයකට බෙදීම සඳහා ඇල්ගොරිතමයක් ලෙස DT විවිධ ක්ෂේත්‍රවල යෙදී ඇත.මෙම ආකෘතිය නෝඩය 2ක අවම වාර්තා සංඛ්‍යාවක් සමඟ වින්‍යාස කර ඇති අතර ගුණාත්මක මිනුමක් ලෙස ගිණි දර්ශකය භාවිතා කරයි.RF යනු බූට්ස්ට්‍රැප් එකතු කිරීමේ ක්‍රමයක් භාවිතයෙන් කාර්ය සාධනය වැඩි දියුණු කිරීම සඳහා බහු DTs ඒකාබද්ධ කරන සමූහ ක්‍රමයකි, එය මුල් දත්ත කට්ටලයෙන් එකම ප්‍රමාණයේ සාම්පල කිහිප වතාවක් අහඹු ලෙස ඇඳීමෙන් දුර්වල වර්ගීකරණයක් ජනනය කරයි.අපි නෝඩ් වෙන් කිරීමේ නිර්ණායක ලෙස ගස් 100 ක්, ගස් ගැඹුර 10 ක්, අවම නෝඩ් ප්‍රමාණය 1 ක් සහ ගිනි මිශ්‍රණ දර්ශකය භාවිතා කළෙමු.නව දත්ත වර්ගීකරණය බහුතර ඡන්දයෙන් තීරණය වේ.XGBoost යනු පෙර මාදිලියේ සත්‍ය සහ පුරෝකථනය කළ අගයන් අතර ඇති දෝෂය පුහුණු දත්ත ලෙස ගෙන gradients49 භාවිතයෙන් දෝෂය වැඩි කරන ක්‍රමයක් භාවිතා කරමින් boosting ශිල්පීය ක්‍රම ඒකාබද්ධ කරන ඇල්ගොරිතමයකි.එහි හොඳ කාර්ය සාධනය සහ සම්පත් කාර්යක්ෂමතාව මෙන්ම අධි සවි කිරීම් නිවැරදි කිරීමේ කාර්යයක් ලෙස ඉහළ විශ්වසනීයත්වය හේතුවෙන් එය බහුලව භාවිතා වන ඇල්ගොරිතමයකි.මෙම ආකෘතිය ආධාරක රෝද 400 කින් සමන්විත වේ.MLP යනු ආදාන සහ ප්‍රතිදාන ස්ථර අතර සැඟවුණු ස්ථර එකක් හෝ කිහිපයක් සහිත perceptron එකක් හෝ කිහිපයක් බහු ස්ථර සාදන ස්නායුක ජාලයකි.මෙය භාවිතා කරමින්, ඔබට රේඛීය නොවන වර්ගීකරණයක් සිදු කළ හැක, එහිදී ඔබ ආදාන ස්ථරයක් එකතු කර ප්‍රතිඵල අගයක් ලබා ගන්නා විට, අනාවැකි ප්‍රතිඵල අගය සත්‍ය ප්‍රතිඵල අගයට සංසන්දනය කර දෝෂය නැවත ප්‍රචාරණය වේ.අපි සෑම ස්ථරයකම සැඟවුණු නියුරෝන 20 ක් සහිත සැඟවුණු ස්ථරයක් නිර්මාණය කළෙමු.සංවේදිතාව, නිශ්චිතභාවය, PPV, NPV, සහ AUROC ගණනය කිරීම මගින් වර්ගීකරණ කාර්ය සාධනය පරීක්ෂා කිරීම සඳහා අප විසින් සංවර්ධනය කරන ලද සෑම ආකෘතියක්ම අභ්‍යන්තර සහ බාහිර කට්ටල සඳහා යොදන ලදී.සංවේදීතාව යනු වයස අවුරුදු 18 හෝ ඊට වැඩි යැයි ඇස්තමේන්තු කර ඇති නියැදියක සහ වයස අවුරුදු 18 හෝ ඊට වැඩි යැයි ගණන් බලා ඇති නියැදියක අනුපාතය ලෙස අර්ථ දැක්වේ.විශේෂත්වය යනු වයස අවුරුදු 18 ට අඩු සහ වයස අවුරුදු 18 ට අඩු යැයි ඇස්තමේන්තු කර ඇති සාම්පලවල අනුපාතයයි.
පුහුණු කට්ටලයේ තක්සේරු කරන ලද දන්ත අවධීන් සංඛ්‍යානමය විශ්ලේෂණය සඳහා සංඛ්‍යාත්මක අවධීන් බවට පරිවර්තනය කරන ලදී.එක් එක් ලිංගිකත්වය සඳහා පුරෝකථන ආකෘති සංවර්ධනය කිරීම සහ වයස තක්සේරු කිරීමට භාවිතා කළ හැකි ප්‍රතිගාමී සූත්‍ර ව්‍යුත්පන්න කිරීම සඳහා බහුවිධ රේඛීය සහ ලොජිස්ටික් ප්‍රතිගාමීත්වය සිදු කරන ලදී.අභ්‍යන්තර සහ බාහිර පරීක්ෂණ කට්ටල සඳහා දත් වයස තක්සේරු කිරීමට අපි මෙම සූත්‍ර භාවිතා කළෙමු.මෙම අධ්‍යයනයේ භාවිතා වන ප්‍රතිගාමී සහ වර්ගීකරණ ආකෘති වගුව 4 පෙන්වයි.
අභ්‍යන්තර සහ අන්තර් නිරීක්ෂක විශ්වසනීයත්වය කොහෙන්ගේ කප්පා සංඛ්‍යාලේඛන භාවිතයෙන් ගණනය කරන ලදී.DM සහ සම්ප්‍රදායික ප්‍රතිගාමී මාදිලිවල නිරවද්‍යතාවය පරීක්ෂා කිරීම සඳහා, අපි අභ්‍යන්තර සහ බාහිර පරීක්ෂණ කට්ටලවල ඇස්තමේන්තුගත සහ සත්‍ය වයස් භාවිතා කරමින් MAE සහ RMSE ගණනය කළෙමු.ආකෘති අනාවැකි වල නිරවද්‍යතාවය තක්සේරු කිරීමට මෙම දෝෂ බහුලව භාවිතා වේ.දෝෂය කුඩා වන තරමට පුරෝකථනයේ නිරවද්‍යතාවය ඉහළ යයි24.DM සහ සාම්ප්‍රදායික ප්‍රතිගාමීත්වය භාවිතයෙන් ගණනය කරන ලද අභ්‍යන්තර සහ බාහිර පරීක්ෂණ කට්ටලවල MAE සහ RMSE සසඳන්න.සාම්ප්‍රදායික සංඛ්‍යාලේඛනවල වසර 18 ක කඩඉමෙහි වර්ගීකරණ කාර්ය සාධනය 2 × 2 හදිසි වගුවක් භාවිතයෙන් තක්සේරු කරන ලදී.පරීක්ෂණ කට්ටලයේ ගණනය කළ සංවේදීතාව, නිශ්චිතභාවය, PPV, NPV සහ AUROC DM වර්ගීකරණ ආකෘතියේ මනින ලද අගයන් සමඟ සංසන්දනය කරන ලදී.දත්ත සාමාන්‍ය ± සම්මත අපගමනය හෝ සංඛ්‍යාව (%) ලෙස දත්ත ලක්‍ෂණ අනුව ප්‍රකාශ කෙරේ.ද්වි-පාර්ශ්වික P අගයන් <0.05 සංඛ්‍යානමය වශයෙන් වැදගත් ලෙස සැලකේ.සියලුම සාමාන්‍ය සංඛ්‍යාන විශ්ලේෂණ SAS අනුවාදය 9.4 (SAS Institute, Cary, NC) භාවිතයෙන් සිදු කරන ලදී.විශේෂයෙන් ගණිතමය මෙහෙයුම් සඳහා Keras50 2.2.4 පසුබිම සහ Tensorflow51 1.8.0 භාවිතා කරමින් DM ප්‍රතිගාමී ආකෘතිය Python හි ක්‍රියාත්මක කරන ලදී.DM වර්ගීකරණ ආකෘතිය Waikato දැනුම විශ්ලේෂණ පරිසරය සහ Konstanz Information Miner (KNIME) 4.6.152 විශ්ලේෂණ වේදිකාවේ ක්‍රියාත්මක කරන ලදී.
අධ්‍යයනයේ නිගමනවලට අනුබල දෙන දත්ත ලිපියේ සහ අතිරේක ද්‍රව්‍යවල සොයාගත හැකි බව කතුවරුන් පිළිගනිති.අධ්‍යයනය අතරතුර ජනනය කරන ලද සහ/හෝ විශ්ලේෂණය කරන ලද දත්ත කට්ටල සාධාරණ ඉල්ලීමක් මත අදාළ කතුවරයාගෙන් ලබා ගත හැකිය.
Ritz-Timme, S. et al.වයස් තක්සේරුව: අධිකරණ වෛද්‍ය පුහුණුවේ නිශ්චිත අවශ්‍යතා සපුරාලීම සඳහා නවීනතම තත්වය.ජාත්යන්තරත්වය.J. නීති වෛද්ය විද්යාව.113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., සහ Olze, A. අපරාධ නඩු පැවරීමේ අරමුණු සඳහා ජීවත්වන විෂයයන් පිළිබඳ අධිකරණ වෛද්ය වයස තක්සේරු කිරීමේ වත්මන් තත්ත්වය.අධිකරණ වෛද්ය විද්යාව.ඖෂධය.ව්යාධිවේදය.1, 239-246 (2005).
Pan, J. et al.නැගෙනහිර චීනයේ වයස අවුරුදු 5 සිට 16 දක්වා ළමුන්ගේ දන්ත වයස තක්සේරු කිරීම සඳහා නවීකරණය කරන ලද ක්රමයකි.සායනික.වාචික සමීක්ෂණය.25, 3463-3474 (2021).
ලී, එස්එස් යනාදී කොරියානුවන් තුළ දෙවන සහ තුන්වන මවුලවල වර්ධනයේ කාලානුක්‍රමය සහ අධිකරණ වෛද්‍ය වයස් තක්සේරුව සඳහා එහි යෙදීම.ජාත්යන්තරත්වය.J. නීති වෛද්ය විද්යාව.124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY සහ Lee, SS කොරියානුවන් සහ ජපන් භාෂාවෙන් දෙවන සහ තුන්වන දත්වල පරිණතභාවය මත පදනම්ව අවුරුදු 18 ක සීමාවේ වයස් තක්සේරුව සහ ඇස්තමේන්තු වල නිරවද්‍යතාවය.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.ශල්‍යකර්මයට පෙර යන්ත්‍ර ඉගෙනීම මත පදනම් වූ දත්ත විශ්ලේෂණය මඟින් OSA රෝගීන්ගේ නින්දේ සැත්කම් ප්‍රතිකාර ප්‍රතිඵල පුරෝකථනය කළ හැක.විද්යාව.වාර්තාව 11, 14911 (2021).
හැන්, එම්. සහ අල්.මිනිසාගේ මැදිහත්වීමෙන් හෝ නැතිව යන්ත්‍ර ඉගෙනීමෙන් නිවැරදි වයස් තක්සේරුවක්?ජාත්යන්තරත්වය.J. නීති වෛද්ය විද්යාව.136, 821-831 (2022).
ඛාන්, එස්. සහ ෂහීන්, එම්. දත්ත කැණීමේ සිට දත්ත කැණීම දක්වා.J. තොරතුරු.විද්යාව.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. සහ Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J. තොරතුරු.විද්යාව.https://doi.org/10.1177/01655515221108695 (2022).
ෂහීන් එම්. සහ අබ්දුල්ලා යූ. කර්ම: සන්දර්භය පදනම් වූ සංගම් රීති මත පදනම් වූ සම්ප්‍රදායික දත්ත කැණීම.ගණනය කරන්න.මැට්.දිගටම.68, 3305–3322 (2021).
මුහම්මද් එම්., රෙහ්මාන් ඉසෙඩ්., ෂහීන් එම්., ඛාන් එම්. සහ හබීබ් එම්. පෙළ දත්ත භාවිතයෙන් ගැඹුරු ඉගෙනීම පදනම් කරගත් අර්ථකථන සමානතා හඳුනාගැනීම.දැනුම් දෙන්න.තාක්ෂණයන්.පාලනය.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., සහ Shahin, M. ක්‍රීඩා වීඩියෝවල ක්‍රියාකාරකම් හඳුනාගැනීමේ පද්ධතියකි.බහුමාධ්ය.මෙවලම් යෙදුම් https://doi.org/10.1007/s11042-021-10519-6 (2021).
හලාබි, එස්එස් සහ අල්.ළමා අස්ථි යුගයේ RSNA යන්ත්‍ර ඉගෙනීමේ අභියෝගය.විකිරණවේදය 290, 498-503 (2019).
Li, Y. et al.ගැඹුරු ඉගෙනීම භාවිතා කරමින් ශ්‍රෝණි X-කිරණ වලින් අධිකරණ වෛද්‍ය වයස තක්සේරු කිරීම.යුරෝ.විකිරණ.29, 2322–2329 (2019).
Guo, YC, et al.අක්ෂර වින්‍යාස ප්‍රක්ෂේපණ රූප වලින් අතින් ක්‍රම සහ ගැඹුරු සංචලන ස්නායු ජාල භාවිතා කරමින් නිවැරදි වයස් වර්ගීකරණය.ජාත්යන්තරත්වය.J. නීති වෛද්ය විද්යාව.135, 1589-1597 (2021).
ඇලබාමා දලෝරා සහ අල්.විවිධ යන්ත්‍ර ඉගෙනීමේ ක්‍රම භාවිතයෙන් අස්ථි වයස තක්සේරු කිරීම: ක්‍රමානුකූල සාහිත්‍ය සමාලෝචනයක් සහ මෙටා විශ්ලේෂණයක්.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. කේතු-කදම්භ පරිගණක ටොමොග්‍රැෆි භාවිතයෙන් පළමු දත්වල පල්ප් කුටීර පරිමාවන් මත පදනම්ව අප්‍රිකානු ඇමරිකානුවන් සහ චීන ජාතිකයින්ගේ ජනගහනය-විශේෂිත වයස් තක්සේරුව.ජාත්යන්තරත්වය.J. නීති වෛද්ය විද්යාව.136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK සහ Oh KS පළමු දත්වල කෘතිම බුද්ධිය මත පදනම් වූ රූප භාවිතා කරමින් ජීවත්වන පුද්ගලයින්ගේ වයස් කාණ්ඩ නිර්ණය කිරීම.විද්යාව.වාර්තාව 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. බහුවිචල්‍ය MRI දත්ත වලින් ස්වයංක්‍රීය වයස් තක්සේරුව සහ බහුතර වයස් වර්ගීකරණය.IEEE J. Biomed.සෞඛ්ය ඇඟවීම්.23, 1392-1403 (2019).
Cheng, Q., Ge, Z., Du, H. සහ Li, G. ගැඹුරු ඉගෙනුම් සහ මට්ටම් කට්ටල අනුකලනය කිරීම මගින් කේතු කදම්භ පරිඝනක ටොමොග්‍රැෆි වලින් පළමු දත්වල ත්‍රිමාණ පල්ප් කුටීර ඛණ්ඩනය මත පදනම් වූ වයස් තක්සේරුව.ජාත්යන්තරත්වය.J. නීති වෛද්ය විද්යාව.135, 365-373 (2021).
Wu, WT, et al.සායනික විශාල දත්තවල දත්ත කැණීම: පොදු දත්ත සමුදායන්, පියවර සහ ක්‍රම ආකෘති.ලෝක.ඖෂධය.සම්පත.8, 44 (2021).
යැං, ජේ. සහ අල්.විශාල දත්ත යුගයේ වෛද්‍ය දත්ත සමුදායන් සහ දත්ත කැණීම් තාක්ෂණයන් පිළිබඳ හැඳින්වීම.J. Avid.මූලික ඖෂධ.13, 57–69 (2020).
Shen, S. et al.යන්ත්‍ර ඉගෙනීම භාවිතයෙන් දත් වයස තක්සේරු කිරීම සඳහා කැමරාකරුගේ ක්‍රමය.BMC මුඛ සෞඛ්‍යය 21, 641 (2021).
Galliburg A. et al.Demirdjian වේදිකා ක්‍රමය භාවිතයෙන් දන්ත වයස පුරෝකථනය කිරීම සඳහා විවිධ යන්ත්‍ර ඉගෙනීමේ ක්‍රම සංසන්දනය කිරීම.ජාත්යන්තරත්වය.J. නීති වෛද්ය විද්යාව.135, 665-675 (2021).
Demirdjian, A., Goldstein, H. සහ Tanner, JM දන්ත වයස තක්සේරු කිරීම සඳහා නව පද්ධතියකි.ගොරවනවා.ජීව විද්යාව.45, 211-227 (1973).
Landis, JR, සහ Koch, GG වර්ගීකරණ දත්ත පිළිබඳ නිරීක්ෂක ගිවිසුමේ පියවර.ජෛවමිතික 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK සහ Choi HK.ප්‍රාථමික මොළයේ පිළිකාවන් වෙනස් කිරීම සඳහා කෘතිම බුද්ධි ශිල්පීය ක්‍රම භාවිතා කරමින් ද්විමාන චුම්භක අනුනාද රූපවල පාඨමය, රූප විද්‍යාත්මක සහ සංඛ්‍යානමය විශ්ලේෂණය.සෞඛ්ය තොරතුරු.සම්පත.https://doi.org/10.4258/hir.2022.28.1.46 (2022).