කොරියානු නව යොවුන් වියේ පසුවන්නන් සහ තරුණ වැඩිහිටියන් අතර සාම්ප්‍රදායික දන්ත වයස් ඇස්තමේන්තු ක්‍රමවලට එරෙහිව දත්ත කැණීමේ ආකෘතියක් වලංගු කිරීම.

Nature.com වෙත පිවිසීම ගැන ඔබට ස්තූතියි. ඔබ භාවිතා කරන බ්‍රව්සර් අනුවාදයේ සීමිත CSS සහාය ඇත. හොඳම ප්‍රතිඵල සඳහා, ඔබගේ බ්‍රව්සරයේ නවතම අනුවාදයක් භාවිතා කිරීම (හෝ Internet Explorer හි අනුකූලතා මාදිලිය අක්‍රිය කිරීම) අපි නිර්දේශ කරමු. මේ අතරතුර, අඛණ්ඩ සහාය සහතික කිරීම සඳහා, අපි මෝස්තරයක් හෝ JavaScript නොමැතිව අඩවිය පෙන්වමු.
දත් මිනිස් සිරුරේ වයස පිළිබඳ වඩාත් නිවැරදි දර්ශකය ලෙස සලකනු ලබන අතර බොහෝ විට අධිකරණ වෛද්‍ය වයස් තක්සේරුවේදී භාවිතා වේ. සාම්ප්‍රදායික ක්‍රම සහ දත්ත කැණීම් පදනම් කරගත් වයස් ඇස්තමේන්තු සමඟ අවුරුදු 18 සීමාවේ ඇස්තමේන්තු නිරවද්‍යතාවය සහ වර්ගීකරණ කාර්ය සාධනය සංසන්දනය කිරීමෙන් දත්ත කැණීම් මත පදනම් වූ දන්ත වයස් ඇස්තමේන්තු වලංගු කිරීම අපගේ අරමුණ විය. වයස අවුරුදු 15 සිට 23 දක්වා කොරියානු සහ ජපන් පුරවැසියන්ගෙන් මුළු පරිදර්ශක රේඩියෝ ග්‍රැෆි 2657 ක් එකතු කරන ලදී. ඒවා කොරියානු රේඩියෝ ග්‍රැෆි 900 ක් අඩංගු පුහුණු කට්ටලයකට සහ ජපන් රේඩියෝ ග්‍රැෆි 857 ක් අඩංගු අභ්‍යන්තර පරීක්ෂණ කට්ටලයකට බෙදා ඇත. අපි සාම්ප්‍රදායික ක්‍රමවල වර්ගීකරණ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාව දත්ත කැණීම් ආකෘතිවල පරීක්ෂණ කට්ටල සමඟ සංසන්දනය කළෙමු. අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ සාම්ප්‍රදායික ක්‍රමයේ නිරවද්‍යතාවය දත්ත කැණීම් ආකෘතියට වඩා තරමක් වැඩි වන අතර වෙනස කුඩා වේ (සාමාන්‍ය නිරපේක්ෂ දෝෂය <0.21 වසර, මූල මධ්‍යන්‍ය වර්ග දෝෂය <0.24 වසර). සාම්ප්‍රදායික ක්‍රම සහ දත්ත කැණීම් ආකෘති අතර අවුරුදු 18 ක කඩඉම සඳහා වර්ගීකරණ කාර්ය සාධනය ද සමාන වේ. මේ අනුව, කොරියානු නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන්ගේ දෙවන සහ තුන්වන චාර්වක දත්වල පරිණතභාවය භාවිතා කරමින් අධිකරණ වෛද්‍ය වයස් තක්සේරුවක් සිදු කිරීමේදී සාම්ප්‍රදායික ක්‍රම දත්ත කැණීම් ආකෘති මගින් ප්‍රතිස්ථාපනය කළ හැකිය.
දන්ත වයස ඇස්තමේන්තු කිරීම අධිකරණ වෛද්‍ය විද්‍යාවේ සහ ළමා දන්ත වෛද්‍ය විද්‍යාවේ බහුලව භාවිතා වේ. විශේෂයෙන්, කාලානුක්‍රමික වයස සහ දන්ත සංවර්ධනය අතර ඉහළ සහසම්බන්ධය නිසා, දන්ත සංවර්ධන අවධීන් අනුව වයස් තක්සේරුව ළමුන්ගේ සහ නව යොවුන් වියේ දරුවන්ගේ වයස තක්සේරු කිරීම සඳහා වැදගත් නිර්ණායකයකි1,2,3. කෙසේ වෙතත්, තරුණයින් සඳහා, තුන්වන මවුල දත් හැර, දන්ත වර්ධනය පාහේ සම්පූර්ණ වී ඇති බැවින්, දන්ත පරිණතභාවය මත පදනම්ව දන්ත වයස ඇස්තමේන්තු කිරීම එහි සීමාවන් ඇත. තරුණයින්ගේ සහ නව යොවුන් වියේ දරුවන්ගේ වයස තීරණය කිරීමේ නීතිමය අරමුණ වන්නේ ඔවුන් වැඩිවියට පැමිණ තිබේද යන්න පිළිබඳ නිවැරදි ඇස්තමේන්තු සහ විද්‍යාත්මක සාක්ෂි සැපයීමයි. කොරියාවේ නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන්ගේ වෛද්‍ය-නීතිමය භාවිතයේදී, ලීගේ ක්‍රමය භාවිතයෙන් වයස ඇස්තමේන්තු කරන ලද අතර, ඕ සහ තවත් අය 5 විසින් වාර්තා කරන ලද දත්ත මත පදනම්ව අවුරුදු 18 ක නීතිමය සීමාවක් පුරෝකථනය කරන ලදී.
යන්ත්‍ර ඉගෙනීම යනු විශාල දත්ත ප්‍රමාණයක් නැවත නැවත ඉගෙන ගෙන වර්ගීකරණය කරන, තනිවම ගැටළු විසඳන සහ දත්ත ක්‍රමලේඛනය මෙහෙයවන කෘතිම බුද්ධි (AI) වර්ගයකි. යන්ත්‍ර ඉගෙනීමට විශාල දත්ත පරිමාවකින් ප්‍රයෝජනවත් සැඟවුණු රටා සොයා ගත හැකිය6. ඊට වෙනස්ව, ශ්‍රමය-දැඩි සහ කාලය ගතවන සම්භාව්‍ය ක්‍රම, අතින් සැකසීමට අපහසු සංකීර්ණ දත්ත විශාල ප්‍රමාණයක් සමඟ කටයුතු කිරීමේදී සීමාවන් තිබිය හැකිය7. එබැවින්, මානව දෝෂ අවම කිරීම සහ බහුමාන දත්ත කාර්යක්ෂමව සැකසීම සඳහා නවතම පරිගණක තාක්ෂණයන් භාවිතා කරමින් මෑතකදී බොහෝ අධ්‍යයනයන් සිදු කර ඇත8,9,10,11,12. විශේෂයෙන්, වෛද්‍ය රූප විශ්ලේෂණයේදී ගැඹුරු ඉගෙනීම බහුලව භාවිතා කර ඇති අතර, ස්වයංක්‍රීයව විකිරණශිලි විශ්ලේෂණය කිරීමෙන් වයස් ඇස්තමේන්තු කිරීම සඳහා විවිධ ක්‍රම වයස් ඇස්තමේන්තුවේ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාව වැඩි දියුණු කිරීම සඳහා වාර්තා කර ඇත13,14,15,16,17,18,19,20. නිදසුනක් වශයෙන්, හලාබි සහ තවත් අය 13 දරුවන්ගේ අත්වල විකිරණශිලි භාවිතයෙන් අස්ථි වයස ඇස්තමේන්තු කිරීම සඳහා සංවෘත ස්නායු ජාල (CNN) මත පදනම් වූ යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතමයක් සංවර්ධනය කළහ. මෙම අධ්‍යයනය වෛද්‍ය රූප සඳහා යන්ත්‍ර ඉගෙනීම යෙදෙන ආකෘතියක් යෝජනා කරන අතර මෙම ක්‍රම මගින් රෝග විනිශ්චය නිරවද්‍යතාවය වැඩි දියුණු කළ හැකි බව පෙන්නුම් කරයි. Li et al14 ගැඹුරු ඉගෙනුම් CNN භාවිතයෙන් ශ්‍රෝණි එක්ස් කිරණ රූපවලින් වයස ඇස්තමේන්තු කර අස්ථිගත කිරීමේ අදියර ඇස්තමේන්තුව භාවිතයෙන් ප්‍රතිගාමී ප්‍රතිඵල සමඟ සංසන්දනය කළේය. ගැඹුරු ඉගෙනුම් CNN ආකෘතිය සාම්ප්‍රදායික ප්‍රතිගාමී ආකෘතියට සමාන වයස් ඇස්තමේන්තු කාර්ය සාධනයක් පෙන්නුම් කළ බව ඔවුන් සොයා ගත්හ. ගුඕ සහ වෙනත් අයගේ අධ්‍යයනය [15] දන්ත ඕතොෆොටෝ මත පදනම් වූ CNN තාක්ෂණයේ වයස් ඉවසීමේ වර්ගීකරණ කාර්ය සාධනය ඇගයීමට ලක් කළ අතර CNN ආකෘතියේ ප්‍රතිඵලවලින් ඔප්පු වූයේ මිනිසුන් එහි වයස් වර්ගීකරණ කාර්ය සාධනය අභිබවා ගිය බවයි.
යන්ත්‍ර ඉගෙනීම භාවිතයෙන් වයස් ඇස්තමේන්තු කිරීම පිළිබඳ බොහෝ අධ්‍යයනයන් ගැඹුරු ඉගෙනුම් ක්‍රම භාවිතා කරයි13,14,15,16,17,18,19,20. ගැඹුරු ඉගෙනීම මත පදනම් වූ වයස් ඇස්තමේන්තුව සාම්ප්‍රදායික ක්‍රමවලට වඩා නිවැරදි බව වාර්තා වේ. කෙසේ වෙතත්, ඇස්තමේන්තු වල භාවිතා කරන වයස් දර්ශක වැනි වයස් ඇස්තමේන්තු සඳහා විද්‍යාත්මක පදනම ඉදිරිපත් කිරීමට මෙම ප්‍රවේශය ඉතා සුළු අවස්ථාවක් සපයයි. පරීක්ෂණ පවත්වන්නේ කවුරුන්ද යන්න පිළිබඳව නීතිමය ආරවුලක් ද පවතී. එබැවින්, ගැඹුරු ඉගෙනීම මත පදනම් වූ වයස් ඇස්තමේන්තුව පරිපාලන හා අධිකරණ බලධාරීන් විසින් පිළිගැනීම දුෂ්කර ය. දත්ත කැණීම (DM) යනු විශාල දත්ත ප්‍රමාණයක් අතර ප්‍රයෝජනවත් සහසම්බන්ධතා සොයා ගැනීමේ ක්‍රමයක් ලෙස අපේක්ෂිත පමණක් නොව අනපේක්ෂිත තොරතුරු ද සොයා ගත හැකි තාක්‍ෂණයකි6,21,22. යන්ත්‍ර ඉගෙනීම බොහෝ විට දත්ත කැණීමේදී භාවිතා වන අතර, දත්ත කැණීම සහ යන්ත්‍ර ඉගෙනීම යන දෙකම දත්තවල රටා සොයා ගැනීමට එකම යතුරු ඇල්ගොරිතම භාවිතා කරයි. දන්ත සංවර්ධනය භාවිතයෙන් වයස් ඇස්තමේන්තුව ඉලක්කගත දත්වල පරිණතභාවය පිළිබඳ පරීක්ෂකගේ තක්සේරුව මත පදනම් වන අතර, මෙම තක්සේරුව එක් එක් ඉලක්ක දත සඳහා අදියරක් ලෙස ප්‍රකාශ වේ. දන්ත තක්සේරු අවධිය සහ සැබෑ වයස අතර සහසම්බන්ධය විශ්ලේෂණය කිරීමට DM භාවිතා කළ හැකි අතර සාම්ප්‍රදායික සංඛ්‍යානමය විශ්ලේෂණය ප්‍රතිස්ථාපනය කිරීමේ හැකියාව ඇත. එබැවින්, අපි වයස් ඇස්තමේන්තුවට DM ශිල්පීය ක්‍රම යොදා ගන්නේ නම්, නීතිමය වගකීම් ගැන කරදර නොවී අධිකරණ වෛද්‍ය වයස් ඇස්තමේන්තුවේදී යන්ත්‍ර ඉගෙනීම ක්‍රියාත්මක කළ හැකිය. අධිකරණ වෛද්‍ය භාවිතයේදී භාවිතා කරන සාම්ප්‍රදායික අතින් කරන ලද ක්‍රම සහ දන්ත වයස තීරණය කිරීම සඳහා EBM මත පදනම් වූ ක්‍රම සඳහා විය හැකි විකල්ප පිළිබඳව සංසන්දනාත්මක අධ්‍යයන කිහිපයක් ප්‍රකාශයට පත් කර ඇත. සාම්ප්‍රදායික කැමරර් සූත්‍රයට වඩා DM ආකෘතිය වඩාත් නිවැරදි බව Shen et al23 පෙන්වා දුන්නේය. Galibourg et al24 Demirdjian නිර්ණායකයට අනුව වයස පුරෝකථනය කිරීමට විවිධ DM ක්‍රම යෙදූ අතර ප්‍රතිඵලවලින් පෙනී ගියේ DM ක්‍රමය ප්‍රංශ ජනගහනයේ වයස ඇස්තමේන්තු කිරීමේදී Demirdjian සහ Willems ක්‍රම අභිබවා ගිය බවයි.
කොරියානු නව යොවුන් වියේ සහ තරුණ වැඩිහිටියන්ගේ දන්ත වයස ඇස්තමේන්තු කිරීම සඳහා, ලීගේ ක්‍රමය 4 කොරියානු අධිකරණ වෛද්‍ය විද්‍යාවේ බහුලව භාවිතා වේ. මෙම ක්‍රමය කොරියානු විෂයයන් සහ කාලානුක්‍රමික වයස අතර සම්බන්ධතාවය පරීක්ෂා කිරීම සඳහා සාම්ප්‍රදායික සංඛ්‍යානමය විශ්ලේෂණය (බහු ප්‍රතිගාමීත්වය වැනි) භාවිතා කරයි. මෙම අධ්‍යයනයේ දී, සාම්ප්‍රදායික සංඛ්‍යානමය ක්‍රම භාවිතයෙන් ලබාගත් වයස් ඇස්තමේන්තු ක්‍රම "සාම්ප්‍රදායික ක්‍රම" ලෙස අර්ථ දක්වා ඇත. ලීගේ ක්‍රමය සාම්ප්‍රදායික ක්‍රමයක් වන අතර එහි නිරවද්‍යතාවය ඕ සහ වෙනත් අය විසින් තහවුරු කර ඇත. 5; කෙසේ වෙතත්, කොරියානු අධිකරණ වෛද්‍ය විද්‍යාවේ DM ආකෘතිය මත පදනම් වූ වයස් ඇස්තමේන්තුවේ අදාළත්වය තවමත් සැක සහිත ය. DM ආකෘතිය මත පදනම් වූ වයස් ඇස්තමේන්තුවේ විභව ප්‍රයෝජනය විද්‍යාත්මකව තහවුරු කිරීම අපගේ ඉලක්කය විය. මෙම අධ්‍යයනයේ අරමුණ වූයේ (1) දන්ත වයස ඇස්තමේන්තු කිරීමේදී DM ආකෘති දෙකක නිරවද්‍යතාවය සංසන්දනය කිරීම සහ (2) වයස අවුරුදු 18 දී DM ආකෘති 7 ක වර්ගීකරණ කාර්ය සාධනය සාම්ප්‍රදායික සංඛ්‍යානමය ක්‍රම භාවිතයෙන් ලබාගත් ඒවා සමඟ සංසන්දනය කිරීමයි. හකු දෙකෙහිම දෙවන සහ තුන්වන මවුලවල පරිණතභාවය.
අදියර සහ දත් වර්ගය අනුව කාලානුක්‍රමික වයසේ මධ්‍යන්‍යයන් සහ සම්මත අපගමනයන් අතිරේක වගුව S1 (පුහුණු කට්ටලය), අතිරේක වගුව S2 (අභ්‍යන්තර පරීක්ෂණ කට්ටලය) සහ අතිරේක වගුව S3 (බාහිර පරීක්ෂණ කට්ටලය) හි මාර්ගගතව දක්වා ඇත. පුහුණු කට්ටලයෙන් ලබාගත් අභ්‍යන්තර සහ අන්තර් නිරීක්ෂක විශ්වසනීයත්වය සඳහා කැපා අගයන් පිළිවෙලින් 0.951 සහ 0.947 විය. කැපා අගයන් සඳහා P අගයන් සහ 95% විශ්වාසනීය අන්තරයන් මාර්ගගත අතිරේක වගුව S4 හි දක්වා ඇත. කැපා අගය "පාහේ පරිපූර්ණ" ලෙස අර්ථකථනය කරන ලද අතර එය ලැන්ඩිස් සහ කොච්26 හි නිර්ණායකයන්ට අනුකූල වේ.
මධ්‍යන්‍ය නිරපේක්ෂ දෝෂය (MAE) සංසන්දනය කිරීමේදී, සාම්ප්‍රදායික ක්‍රමය සියලුම ස්ත්‍රී පුරුෂ භාවයන් සඳහා සහ බාහිර පිරිමි පරීක්ෂණ කට්ටලය තුළ DM ආකෘතිය තරමක් අභිබවා යයි, බහු ස්ථර පර්සෙප්ට්‍රෝන (MLP) හැර. අභ්‍යන්තර MAE පරීක්ෂණ කට්ටලයේ සාම්ප්‍රදායික ආකෘතිය සහ DM ආකෘතිය අතර වෙනස පිරිමින් සඳහා අවුරුදු 0.12–0.19 ක් සහ කාන්තාවන් සඳහා අවුරුදු 0.17–0.21 ක් විය. බාහිර පරීක්ෂණ බැටරිය සඳහා, වෙනස්කම් කුඩා වේ (පිරිමින් සඳහා අවුරුදු 0.001–0.05 සහ කාන්තාවන් සඳහා අවුරුදු 0.05–0.09). ඊට අමතරව, මූල මධ්‍යන්‍ය වර්ග දෝෂය (RMSE) සාම්ප්‍රදායික ක්‍රමයට වඩා තරමක් අඩු වන අතර කුඩා වෙනස්කම් සහිතව (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 තනි ස්ථර පර්සෙප්ට්‍රෝන (SLP) ට වඩා තරමක් හොඳ කාර්ය සාධනයක් පෙන්වයි. MAE සහ RMSE සඳහා, බාහිර පරීක්ෂණ කට්ටලය සියලුම ස්ත්‍රී පුරුෂ භාවය සහ ආකෘති සඳහා අභ්‍යන්තර පරීක්ෂණ කට්ටලයට වඩා ඉහළ ලකුණු ලබා ගනී. සියලුම MAE සහ RMSE වගුව 1 සහ රූපය 1 හි දක්වා ඇත.
සාම්ප්‍රදායික සහ දත්ත කැණීම් ප්‍රතිගාමී ආකෘතිවල MAE සහ RMSE. මධ්‍යන්‍ය නිරපේක්ෂ දෝෂය MAE, මූල මධ්‍යන්‍ය වර්ග දෝෂය RMSE, තනි ස්ථර පර්සෙප්ට්‍රෝන SLP, බහු ස්ථර පර්සෙප්ට්‍රෝන MLP, සාම්ප්‍රදායික CM ක්‍රමය.
සාම්ප්‍රදායික සහ DM ආකෘතිවල වර්ගීකරණ කාර්ය සාධනය (අවුරුදු 18 ක කඩඉමක් සහිතව) සංවේදීතාව, නිශ්චිතභාවය, ධනාත්මක පුරෝකථන අගය (PPV), සෘණ පුරෝකථන අගය (NPV) සහ ග්‍රාහක මෙහෙයුම් ලක්ෂණ වක්‍රය (AUROC) 27 යටතේ ප්‍රදේශය (වගුව 2, රූපය 2 සහ අතිරේක රූපය 1 මාර්ගගතව) අනුව පෙන්නුම් කරන ලදී. අභ්‍යන්තර පරීක්ෂණ බැටරියේ සංවේදීතාව අනුව, සාම්ප්‍රදායික ක්‍රම පිරිමින් අතර හොඳම ලෙස ක්‍රියා කළ අතර කාන්තාවන් අතර නරක ලෙස ක්‍රියා කළේය. කෙසේ වෙතත්, සාම්ප්‍රදායික ක්‍රම සහ SD අතර වර්ගීකරණ කාර්ය සාධනයේ වෙනස පිරිමින් සඳහා 9.7% (MLP) සහ කාන්තාවන් සඳහා 2.4% ක් පමණි (XGBoost). DM ආකෘති අතර, ලොජිස්ටික් ප්‍රතිගාමීත්වය (LR) ස්ත්‍රී පුරුෂ දෙපාර්ශවයේම වඩා හොඳ සංවේදීතාවයක් පෙන්නුම් කළේය. අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ නිශ්චිතභාවය සම්බන්ධයෙන්, SD ආකෘති හතර පිරිමින් තුළ හොඳින් ක්‍රියා කළ බව නිරීක්ෂණය වූ අතර සාම්ප්‍රදායික ආකෘතිය කාන්තාවන් තුළ වඩා හොඳින් ක්‍රියා කළේය. පිරිමි සහ ගැහැණු සඳහා වර්ගීකරණ කාර්ය සාධනයේ වෙනස්කම් පිළිවෙලින් 13.3% (MLP) සහ 13.1% (MLP) වන අතර, එයින් පෙන්නුම් කරන්නේ ආකෘති අතර වර්ගීකරණ කාර්ය සාධනයේ වෙනස සංවේදීතාව ඉක්මවා යන බවයි. DM ආකෘති අතරින්, ආධාරක දෛශික යන්ත්‍රය (SVM), තීරණ ගස (DT) සහ අහඹු වනාන්තර (RF) ආකෘති පිරිමින් අතර හොඳම ලෙස ක්‍රියා කළ අතර LR ආකෘතිය කාන්තාවන් අතර හොඳම ලෙස ක්‍රියා කළේය. සාම්ප්‍රදායික ආකෘතියේ සහ සියලුම SD මාදිලිවල AUROC අගය 0.925 (පිරිමින් තුළ k-ළඟම අසල්වැසියා (KNN)) ට වඩා වැඩි වූ අතර, අවුරුදු 18 ක් වයසැති සාම්පල වෙනස් කොට සැලකීමේදී විශිෂ්ට වර්ගීකරණ කාර්ය සාධනයක් පෙන්නුම් කළේය28. බාහිර පරීක්ෂණ කට්ටලය සඳහා, අභ්‍යන්තර පරීක්ෂණ කට්ටලයට සාපේක්ෂව සංවේදීතාව, නිශ්චිතභාවය සහ AUROC අනුව වර්ගීකරණ කාර්ය සාධනයේ අඩුවීමක් දක්නට ලැබුණි. එපමණක් නොව, හොඳම සහ නරකම මාදිලිවල වර්ගීකරණ කාර්ය සාධනය අතර සංවේදීතාවයේ සහ නිශ්චිතතාවයේ වෙනස 10% සිට 25% දක්වා වූ අතර අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ වෙනසට වඩා විශාල විය.
සාම්ප්‍රදායික ක්‍රම හා සසඳන විට දත්ත කැණීම් වර්ගීකරණ ආකෘතිවල සංවේදීතාව සහ නිශ්චිතභාවය අවුරුදු 18 ක කඩඉමක් සහිතව. KNN k ළඟම අසල්වැසියා, SVM සහාය දෛශික යන්ත්‍රය, LR ලොජිස්ටික් ප්‍රතිගමනය, DT තීරණ ගස, RF අහඹු වනාන්තරය, XGB XGBoost, MLP බහු ස්ථර පර්සෙප්ට්‍රෝන්, සාම්ප්‍රදායික 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 දෙපාර්ශවයටම අභ්‍යන්තර පරීක්ෂණ කට්ටලවල ඇගයීමට ලක් කරන ලද අතර, සාම්ප්‍රදායික ක්‍රමය සහ DM ආකෘතිය අතර වෙනස MAE සඳහා දින 44 සිට 77 දක්වා සහ RMSE සඳහා දින 62 සිට 88 දක්වා පරාසයක පැවතුනි. මෙම අධ්‍යයනයේ දී සාම්ප්‍රදායික ක්‍රමය තරමක් නිවැරදි වුවද, එවැනි කුඩා වෙනසක් සායනික හෝ ප්‍රායෝගික වැදගත්කමක් තිබේද යන්න නිගමනය කිරීම දුෂ්කර ය. මෙම ප්‍රතිඵලවලින් පෙනී යන්නේ DM ආකෘතිය භාවිතා කරමින් දන්ත වයස් ඇස්තමේන්තු කිරීමේ නිරවද්‍යතාවය සාම්ප්‍රදායික ක්‍රමයට සමාන බවයි. පෙර අධ්‍යයනයන්හි ප්‍රතිඵල සමඟ සෘජු සංසන්දනය දුෂ්කර වන්නේ මෙම අධ්‍යයනයේ දී මෙන් එකම වයස් පරාසයක දත් පටිගත කිරීමේ එකම තාක්ෂණය භාවිතා කරමින් සාම්ප්‍රදායික සංඛ්‍යානමය ක්‍රම සමඟ DM ආකෘතිවල නිරවද්‍යතාවය කිසිදු අධ්‍යයනයක් සංසන්දනය කර නොමැති බැවිනි. Galibourg et al24 සාම්ප්‍රදායික ක්‍රම දෙකක් (Demirjian ක්‍රමය25 සහ Willems ක්‍රමය29) සහ අවුරුදු 2 සිට 24 දක්වා ප්‍රංශ ජනගහනයක DM ආකෘති 10 ක් අතර MAE සහ RMSE සංසන්දනය කළේය. සියලුම DM ආකෘති සාම්ප්‍රදායික ක්‍රමවලට වඩා නිවැරදි බව ඔවුන් වාර්තා කළ අතර, Willems සහ Demirdjian ක්‍රමවලට සාපේක්ෂව පිළිවෙලින් MAE හි අවුරුදු 0.20 සහ 0.38 සහ RMSE හි අවුරුදු 0.25 සහ 0.47 ක වෙනස්කම් සහිතව. Halibourg අධ්‍යයනයේ පෙන්වා ඇති SD ආකෘතිය සහ සාම්ප්‍රදායික ක්‍රම අතර විෂමතාවය, අධ්‍යයනය පදනම් වූ ප්‍රංශ කැනේඩියානුවන් හැර අනෙකුත් ජනගහනයන්හි දන්ත වයස නිවැරදිව තක්සේරු නොකරන බවට බොහෝ වාර්තා 30,31,32,33 සැලකිල්ලට ගනී. මෙම අධ්‍යයනයේදී. 1636 චීන විකලාංග ඡායාරූප වලින් දත් වයස පුරෝකථනය කිරීමට Tai et al 34 MLP ඇල්ගොරිතම භාවිතා කළ අතර එහි නිරවද්‍යතාවය Demirdjian සහ Willems ක්‍රමයේ ප්‍රතිඵල සමඟ සංසන්දනය කළේය. සාම්ප්‍රදායික ක්‍රමවලට වඩා MLP ඉහළ නිරවද්‍යතාවයක් ඇති බව ඔවුන් වාර්තා කළහ. Demirdjian ක්‍රමය සහ සාම්ප්‍රදායික ක්‍රමය අතර වෙනස අවුරුදු <0.32 ක් වන අතර Willems ක්‍රමය අවුරුදු 0.28 ක් වන අතර එය වර්තමාන අධ්‍යයනයේ ප්‍රතිඵලවලට සමාන වේ. මෙම පෙර අධ්‍යයනයන්හි ප්‍රතිඵල24,34 ද වර්තමාන අධ්‍යයනයේ ප්‍රතිඵල සමඟ අනුකූල වන අතර, DM ආකෘතියේ සහ සාම්ප්‍රදායික ක්‍රමයේ වයස් ඇස්තමේන්තු නිරවද්‍යතාවය සමාන වේ. කෙසේ වෙතත්, ඉදිරිපත් කරන ලද ප්‍රතිඵල මත පදනම්ව, සංසන්දනාත්මක සහ යොමු පෙර අධ්‍යයනයන් නොමැතිකම හේතුවෙන් වයස ඇස්තමේන්තු කිරීම සඳහා DM ආකෘති භාවිතා කිරීම පවතින ක්‍රම ප්‍රතිස්ථාපනය කළ හැකි බව අපට ප්‍රවේශමෙන් නිගමනය කළ හැකිය. මෙම අධ්‍යයනයෙන් ලබාගත් ප්‍රතිඵල තහවුරු කිරීම සඳහා විශාල සාම්පල භාවිතා කරමින් පසු විපරම් අධ්‍යයනයන් අවශ්‍ය වේ.
දන්ත වයස තක්සේරු කිරීමේදී SD හි නිරවද්‍යතාවය පරීක්ෂා කරන ලද අධ්‍යයනයන් අතර, සමහරක් අපගේ අධ්‍යයනයට වඩා ඉහළ නිරවද්‍යතාවයක් පෙන්නුම් කළහ. ස්ටෙපනොව්ස්කි සහ තවත් අය 35 විසින් අවුරුදු 2.7 සිට 20.5 දක්වා චෙක් පදිංචිකරුවන් 976 දෙනෙකුගේ පරිදර්ශක විකිරණශිලි සඳහා SD ආකෘති 22 ක් යොදන ලද අතර එක් එක් ආකෘතියේ නිරවද්‍යතාවය පරීක්ෂා කරන ලදී. මුවර්ස් සහ තවත් අය 36 විසින් යෝජනා කරන ලද වර්ගීකරණ නිර්ණායක භාවිතා කරමින් ඉහළ සහ පහළ වම් ස්ථිර දත් 16 ක වර්ධනය ඔවුන් තක්සේරු කළහ. MAE අවුරුදු 0.64 සිට 0.94 දක්වා පරාසයක පවතින අතර RMSE අවුරුදු 0.85 සිට 1.27 දක්වා පරාසයක පවතින අතර එය මෙම අධ්‍යයනයේ භාවිතා කරන ලද DM ආකෘති දෙකට වඩා නිවැරදි වේ. ෂෙන් සහ තවත් අය 23 විසින් නැගෙනහිර චීන පදිංචිකරුවන් අවුරුදු 5 සිට 13 දක්වා වම් යටි හනුවේ ස්ථිර දත් හතක දන්ත වයස ඇස්තමේන්තු කිරීම සඳහා කැමරියර් ක්‍රමය භාවිතා කළ අතර එය රේඛීය ප්‍රතිගාමීත්වය, SVM සහ RF භාවිතයෙන් ඇස්තමේන්තු කරන ලද වයස් සමඟ සංසන්දනය කරන ලදී. සාම්ප්‍රදායික කැමරියර් සූත්‍රයට සාපේක්ෂව DM ආකෘති තුනටම ඉහළ නිරවද්‍යතාවයක් ඇති බව ඔවුන් පෙන්වා දුන්හ. මෙම අධ්‍යයනයේ දී ෂෙන්ගේ අධ්‍යයනයේ MAE සහ RMSE DM ආකෘතියට වඩා අඩු විය. ස්ටෙපනොව්ස්කි සහ වෙනත් අය 35 සහ ෂෙන් සහ වෙනත් අය 23 විසින් කරන ලද අධ්‍යයනයන්හි වැඩි වූ නිරවද්‍යතාවයට හේතුව ඔවුන්ගේ අධ්‍යයන සාම්පලවල තරුණ විෂයයන් ඇතුළත් කිරීම විය හැකිය. දත් වර්ධනය වන අතරතුර දත් ගණන වැඩි වන විට දත් වර්ධනය වන සහභාගිවන්නන්ගේ වයස් ඇස්තමේන්තු වඩාත් නිවැරදි වන බැවින්, අධ්‍යයන සහභාගිවන්නන් තරුණ වියේදී ප්‍රතිඵලයක් ලෙස වයස් ඇස්තමේන්තු ක්‍රමයේ නිරවද්‍යතාවය අවදානමට ලක් විය හැකිය. මීට අමතරව, වයස් ඇස්තමේන්තුවේ MLP හි දෝෂය SLP වලට වඩා තරමක් කුඩා වන අතර, එයින් අදහස් වන්නේ MLP SLP ට වඩා නිවැරදි බවයි. වයස් ඇස්තමේන්තුව සඳහා MLP තරමක් හොඳ යැයි සැලකේ, සමහර විට MLP38 හි සැඟවුණු ස්ථර නිසා විය හැකිය. කෙසේ වෙතත්, කාන්තාවන්ගේ බාහිර සාම්පලය සඳහා ව්‍යතිරේකයක් ඇත (SLP 1.45, MLP 1.49). වයස තක්සේරු කිරීමේදී SLP ට වඩා MLP වඩාත් නිවැරදි බව සොයා ගැනීම සඳහා අතිරේක පසුගාමී අධ්‍යයනයන් අවශ්‍ය වේ.
DM ආකෘතියේ වර්ගීකරණ කාර්ය සාධනය සහ අවුරුදු 18ක සීමාවකදී සාම්ප්‍රදායික ක්‍රමය ද සංසන්දනය කරන ලදී. අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ සියලුම පරීක්ෂා කරන ලද SD ආකෘති සහ සාම්ප්‍රදායික ක්‍රම 18 හැවිරිදි නියැදිය සඳහා ප්‍රායෝගිකව පිළිගත හැකි වෙනස්කම් කිරීමේ මට්ටම් පෙන්නුම් කළේය. පිරිමින් සහ කාන්තාවන් සඳහා සංවේදීතාව පිළිවෙලින් 87.7% සහ 94.9% ට වඩා වැඩි වූ අතර නිශ්චිතතාව 89.3% සහ 84.7% ට වඩා වැඩි විය. සියලුම පරීක්ෂා කරන ලද ආකෘතිවල AUROC ද 0.925 ඉක්මවයි. අපගේ දැනුමේ උපරිමයට අනුව, දන්ත පරිණතභාවය මත පදනම්ව අවුරුදු 18ක වර්ගීකරණය සඳහා DM ආකෘතියේ කාර්ය සාධනය කිසිදු අධ්‍යයනයකින් පරීක්ෂා කර නොමැත. මෙම අධ්‍යයනයේ ප්‍රතිඵල අපට පරිදර්ශක රේඩියෝ ග්‍රැෆි මත ගැඹුරු ඉගෙනුම් ආකෘතිවල වර්ගීකරණ කාර්ය සාධනය සමඟ සංසන්දනය කළ හැකිය. Guo et al.15 විසින් CNN මත පදනම් වූ ගැඹුරු ඉගෙනුම් ආකෘතියක සහ ඩෙමීර්ජියන්ගේ ක්‍රමය මත පදනම් වූ අතින් ක්‍රමයක වර්ගීකරණ කාර්ය සාධනය නිශ්චිත වයස් සීමාවක් සඳහා ගණනය කරන ලදී. අතින් ක්‍රමයේ සංවේදීතාව සහ නිශ්චිතතාව පිළිවෙලින් 87.7% සහ 95.5% ක් වූ අතර, CNN ආකෘතියේ සංවේදීතාව සහ නිශ්චිතතාව පිළිවෙලින් 89.2% සහ 86.6% ඉක්මවා ගියේය. වයස් සීමාවන් වර්ගීකරණය කිරීමේදී ගැඹුරු ඉගෙනුම් ආකෘතිවලට අතින් තක්සේරුව ප්‍රතිස්ථාපනය කිරීමට හෝ අභිබවා යාමට හැකි බව ඔවුන් නිගමනය කළහ. මෙම අධ්‍යයනයේ ප්‍රතිඵල සමාන වර්ගීකරණ කාර්ය සාධනයක් පෙන්නුම් කළේය; DM ආකෘති භාවිතා කරන වර්ගීකරණය වයස් ඇස්තමේන්තු සඳහා සාම්ප්‍රදායික සංඛ්‍යානමය ක්‍රම ප්‍රතිස්ථාපනය කළ හැකි බව විශ්වාස කෙරේ. ආකෘති අතර, DM LR පිරිමි සාම්පල සඳහා සංවේදීතාව සහ කාන්තා සාම්පල සඳහා සංවේදීතාව සහ නිශ්චිතතාව අනුව හොඳම ආකෘතිය විය. පිරිමින් සඳහා නිශ්චිතතාව අනුව LR දෙවන ස්ථානයේ සිටී. එපමණක් නොව, LR වඩාත් පරිශීලක-හිතකාමී DM35 ආකෘතිවලින් එකක් ලෙස සලකනු ලබන අතර එය අඩු සංකීර්ණ සහ සැකසීමට අපහසු වේ. මෙම ප්‍රතිඵල මත පදනම්ව, කොරියානු ජනගහනයේ අවුරුදු 18 ක් වයසැති අය සඳහා හොඳම කඩඉම් වර්ගීකරණ ආකෘතිය ලෙස LR සැලකේ.
සමස්තයක් වශයෙන්, බාහිර පරීක්ෂණ කට්ටලයේ වයස් ඇස්තමේන්තුවේ හෝ වර්ගීකරණ කාර්ය සාධනයේ නිරවද්‍යතාවය අභ්‍යන්තර පරීක්ෂණ කට්ටලයේ ප්‍රතිඵල හා සසඳන විට දුර්වල හෝ අඩු විය. සමහර වාර්තා පෙන්වා දෙන්නේ කොරියානු ජනගහනය මත පදනම් වූ වයස් ඇස්තමේන්තු ජපන් ජනගහනයට යොදන විට වර්ගීකරණ නිරවද්‍යතාවය හෝ කාර්යක්ෂමතාව අඩු වන බවයි5,39, සහ වර්තමාන අධ්‍යයනයේදී සමාන රටාවක් සොයා ගන්නා ලදී. මෙම පිරිහීමේ ප්‍රවණතාවය DM ආකෘතියේ ද නිරීක්ෂණය විය. එබැවින්, විශ්ලේෂණ ක්‍රියාවලියේදී DM භාවිතා කරන විට පවා, සාම්ප්‍රදායික ක්‍රම වැනි ස්වදේශීය ජනගහන දත්ත වලින් ලබාගත් ක්‍රම වඩාත් කැමති විය යුතුය5,39,40,41,42. ගැඹුරු ඉගෙනුම් ආකෘතිවලට සමාන ප්‍රවණතා පෙන්විය හැකිද යන්න පැහැදිලි නැති බැවින්, සීමිත වයස් තක්සේරු කිරීම් වලදී මෙම වාර්ගික විෂමතා ජය ගැනීමට කෘතිම බුද්ධියට හැකිද යන්න තහවුරු කිරීම සඳහා සාම්ප්‍රදායික ක්‍රම, DM ආකෘති සහ ගැඹුරු ඉගෙනුම් ආකෘති භාවිතා කරමින් වර්ගීකරණ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාව සංසන්දනය කරන අධ්‍යයනයන් අවශ්‍ය වේ.
කොරියාවේ අධිකරණ වෛද්‍ය වයස් ඇස්තමේන්තු කිරීමේ භාවිතයේදී DM ආකෘතිය මත පදනම් වූ වයස් ඇස්තමේන්තු මගින් සාම්ප්‍රදායික ක්‍රම 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 තීරණය කිරීමට ප්‍රමාණවත් සහභාගිවන්නන් සංඛ්‍යාවක් නොමැති වීම සහ මෙම අධ්‍යයනයේ ප්‍රතිඵල සංසන්දනය කර තහවුරු කිරීමට පෙර අධ්‍යයනයන් නොමැතිකම වැනි පැහැදිලි සීමාවන් තිබේ. අනාගතයේදී, සාම්ප්‍රදායික ක්‍රම සමඟ සසඳන විට එහි ප්‍රායෝගික අදාළත්වය වැඩි දියුණු කිරීම සඳහා විශාල සාම්පල සංඛ්‍යාවක් සහ වඩාත් විවිධාකාර ජනගහනයක් සමඟ DM අධ්‍යයනයන් පැවැත්විය යුතුය. බහු ජනගහනයක වයස ඇස්තමේන්තු කිරීම සඳහා කෘතිම බුද්ධිය භාවිතා කිරීමේ ශක්‍යතාව තහවුරු කිරීම සඳහා, අනාගත අධ්‍යයනයන් DM සහ ගැඹුරු ඉගෙනුම් ආකෘතිවල වර්ගීකරණ නිරවද්‍යතාවය සහ කාර්යක්ෂමතාව එකම සාම්පලවල සාම්ප්‍රදායික ක්‍රම සමඟ සංසන්දනය කිරීම අවශ්‍ය වේ.
මෙම අධ්‍යයනය සඳහා වයස අවුරුදු 15 සිට 23 දක්වා කොරියානු සහ ජපන් වැඩිහිටියන්ගෙන් එකතු කරන ලද අක්ෂර වින්‍යාස ඡායාරූප 2,657ක් භාවිතා කරන ලදී. කොරියානු විකිරණශිලි පුහුණු කට්ටල 900ක් (අවුරුදු 19.42 ± 2.65) සහ අභ්‍යන්තර පරීක්ෂණ කට්ටල 900ක් (අවුරුදු 19.52 ± 2.59) ලෙස බෙදා ඇත. පුහුණු කට්ටලය එක් ආයතනයක (සෝල් ශාන්ත මේරි රෝහල) එකතු කරන ලද අතර, තමන්ගේම පරීක්ෂණ කට්ටලය ආයතන දෙකක (සෝල් ජාතික විශ්ව විද්‍යාල දන්ත රෝහල සහ යොන්සෙයි විශ්ව විද්‍යාල දන්ත රෝහල) එකතු කරන ලදී. බාහිර පරීක්ෂණ සඳහා අපි තවත් ජනගහන පාදක දත්ත (ජපානයේ ඉවාට් වෛද්‍ය විශ්ව විද්‍යාලය) වෙතින් විකිරණශිලි 857ක් ද එකතු කළෙමු. ජපන් විෂයයන්හි විකිරණශිලි (අවුරුදු 19.31 ± 2.60) බාහිර පරීක්ෂණ කට්ටලය ලෙස තෝරා ගන්නා ලදී. දන්ත ප්‍රතිකාර අතරතුර ගන්නා ලද පරිදර්ශක විකිරණශිලි මත දන්ත සංවර්ධනයේ අවධීන් විශ්ලේෂණය කිරීම සඳහා දත්ත නැවත සලකා බලන ලදී. ස්ත්‍රී පුරුෂ භාවය, උපන් දිනය සහ විකිරණශිලි දිනය හැර අනෙකුත් සියලුම දත්ත නිර්නාමික විය. ඇතුළත් කිරීමේ සහ බැහැර කිරීමේ නිර්ණායක කලින් ප්‍රකාශයට පත් කරන ලද අධ්‍යයන 4, 5 ට සමාන විය. නියැදියේ සැබෑ වයස ගණනය කරන ලද්දේ විකිරණවේදය ලබාගත් දින සිට උපන් දිනය අඩු කිරීමෙනි. නියැදි කණ්ඩායම වයස් කාණ්ඩ නවයකට බෙදා ඇත. වයස සහ ලිංගික ව්‍යාප්තිය වගුව 3 හි දක්වා ඇත. මෙම අධ්‍යයනය හෙල්සින්කි ප්‍රකාශනයට අනුකූලව සිදු කරන ලද අතර කොරියාවේ කතෝලික විශ්ව විද්‍යාලයේ සෝල් ශාන්ත මේරි රෝහලේ (KC22WISI0328) ආයතනික සමාලෝචන මණ්ඩලය (IRB) විසින් අනුමත කරන ලදී. මෙම අධ්‍යයනයේ අතීත සැලසුම හේතුවෙන්, චිකිත්සක අරමුණු සඳහා විකිරණවේදය පරීක්ෂාවට ලක්වන සියලුම රෝගීන්ගෙන් දැනුවත් කැමැත්ත ලබා ගත නොහැකි විය. සෝල් කොරියානු විශ්ව විද්‍යාලයේ ශාන්ත මේරි රෝහල (IRB) දැනුවත් කැමැත්ත සඳහා අවශ්‍යතාවය අත්හැරියේය.
ඩිමිර්කන් නිර්ණායකයන්ට අනුව ද්විමාන දෙවන සහ තුන්වන මවුල දත් වල සංවර්ධන අවධීන් තක්සේරු කරන ලදී25. එක් එක් හකු වල වම් සහ දකුණු පැතිවල එකම වර්ගයේ දතක් හමු වුවහොත් එක් දතක් පමණක් තෝරා ගන්නා ලදී. දෙපස සමජාතීය දත් විවිධ සංවර්ධන අවධීන්හි තිබේ නම්, ඇස්තමේන්තුගත වයසේ අවිනිශ්චිතතාවය සඳහා අඩු සංවර්ධන අවධියක් සහිත දත තෝරා ගන්නා ලදී. දන්ත පරිණත අවධිය තීරණය කිරීම සඳහා පූර්ව ක්‍රමාංකනය කිරීමෙන් පසු අන්තර් නිරීක්ෂක විශ්වසනීයත්වය පරීක්ෂා කිරීම සඳහා පුහුණු කට්ටලයෙන් අහඹු ලෙස තෝරාගත් විකිරණශිලි සියයක් පළපුරුදු නිරීක්ෂකයින් දෙදෙනෙකු විසින් ලකුණු කරන ලදී. ප්‍රාථමික නිරීක්ෂකයා විසින් මාස තුනක කාල පරතරයකින් අභ්‍යන්තර නිරීක්ෂක විශ්වසනීයත්වය දෙවරක් තක්සේරු කරන ලදී.
පුහුණු කට්ටලයේ එක් එක් හකු වල දෙවන සහ තුන්වන මවුලවල ලිංගිකත්වය සහ සංවර්ධන අවධිය විවිධ DM ආකෘති සමඟ පුහුණු කරන ලද ප්‍රාථමික නිරීක්ෂකයෙකු විසින් ඇස්තමේන්තු කරන ලද අතර, සැබෑ වයස ඉලක්ක අගය ලෙස සකසා ඇත. යන්ත්‍ර ඉගෙනීමේදී බහුලව භාවිතා වන SLP සහ MLP ආකෘති, ප්‍රතිගාමී ඇල්ගොරිතමවලට එරෙහිව පරීක්ෂා කරන ලදී. DM ආකෘතිය දත් හතරේ සංවර්ධන අවධීන් භාවිතා කරමින් රේඛීය ශ්‍රිත ඒකාබද්ධ කරන අතර වයස ඇස්තමේන්තු කිරීම සඳහා මෙම දත්ත ඒකාබද්ධ කරයි. SLP යනු සරලම ස්නායු ජාලය වන අතර සැඟවුණු ස්ථර අඩංගු නොවේ. SLP නෝඩ් අතර එළිපත්ත සම්ප්‍රේෂණය මත පදනම්ව ක්‍රියා කරයි. ප්‍රතිගාමීත්වයේ SLP ආකෘතිය ගණිතමය වශයෙන් බහු රේඛීය ප්‍රතිගමනයට සමාන වේ. SLP ආකෘතිය මෙන් නොව, MLP ආකෘතියට රේඛීය නොවන සක්‍රියකරණ ශ්‍රිත සහිත බහු සැඟවුණු ස්ථර ඇත. අපගේ අත්හදා බැලීම් මගින් රේඛීය නොවන සක්‍රියකරණ ශ්‍රිත සහිත සැඟවුණු නෝඩ් 20 ක් පමණක් සහිත සැඟවුණු ස්ථරයක් භාවිතා කරන ලදී. අපගේ යන්ත්‍ර ඉගෙනුම් ආකෘතිය පුහුණු කිරීම සඳහා අනුක්‍රමික අවරෝහණ ක්‍රමය ලෙස සහ අලාභ ශ්‍රිතය ලෙස MAE සහ RMSE භාවිතා කරන්න. ලබා ගත් හොඳම ප්‍රතිගාමී ආකෘතිය අභ්‍යන්තර සහ බාහිර පරීක්ෂණ කට්ටල සඳහා යොදන ලද අතර දත්වල වයස ඇස්තමේන්තු කරන ලදී.
පුහුණු කට්ටලයේ දත් හතරක පරිණතභාවය භාවිතා කරමින් සාම්පලයක් අවුරුදු 18ක් පැරණිද නැද්ද යන්න පුරෝකථනය කිරීමට වර්ගීකරණ ඇල්ගොරිතමයක් සංවර්ධනය කරන ලදී. ආකෘතිය ගොඩනැගීම සඳහා, අපි නිරූපණ යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම හතක් ලබා ගත්තෙමු6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, සහ (7) MLP. LR යනු වඩාත් බහුලව භාවිතා වන වර්ගීකරණ ඇල්ගොරිතම වලින් එකකි44. එය 0 සිට 1 දක්වා යම් කාණ්ඩයකට අයත් දත්තවල සම්භාවිතාව පුරෝකථනය කිරීමට ප්‍රතිගාමීත්වය භාවිතා කරන සහ මෙම සම්භාවිතාව මත පදනම්ව වඩාත් ඉඩ ඇති කාණ්ඩයකට අයත් ලෙස දත්ත වර්ගීකරණය කරන අධීක්ෂණය කරන ලද ඉගෙනුම් ඇල්ගොරිතමයකි; ප්‍රධාන වශයෙන් ද්විමය වර්ගීකරණය සඳහා භාවිතා වේ. KNN යනු සරලම යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම වලින් එකකි45. නව ආදාන දත්ත ලබා දුන් විට, එය පවතින කට්ටලයට ආසන්නව k දත්ත සොයාගෙන ඉහළම සංඛ්‍යාතය සහිත පන්තියට ඒවා වර්ගීකරණය කරයි. සලකා බලන අසල්වැසියන් ගණන සඳහා අපි 3 සකසමු (k). SVM යනු රේඛීය අවකාශය රේඛීය නොවන අවකාශයකට පුළුල් කිරීම සඳහා කර්නල් ශ්‍රිතයක් භාවිතා කිරීමෙන් පන්ති දෙකක් අතර දුර උපරිම කරන ඇල්ගොරිතමයකි46. මෙම ආකෘතිය සඳහා, අපි බහුපද කර්නලය සඳහා අධි පරාමිතීන් ලෙස bias = 1, power = 1, සහ gamma = 1 භාවිතා කරමු. ගස් ව්‍යුහයක තීරණ නීති නිරූපණය කිරීමෙන් සම්පූර්ණ දත්ත කට්ටලයක් උප කාණ්ඩ කිහිපයකට බෙදීම සඳහා ඇල්ගොරිතමයක් ලෙස DT විවිධ ක්ෂේත්‍රවල යොදවා ඇත47. ආකෘතිය 2 නෝඩයකට අවම වාර්තා ගණනකින් වින්‍යාස කර ඇති අතර ගුණාත්මකභාවය පිළිබඳ මිනුමක් ලෙස Gini දර්ශකය භාවිතා කරයි. RF යනු මුල් දත්ත කට්ටලයෙන් අහඹු ලෙස එකම ප්‍රමාණයේ සාම්පල කිහිප වතාවක් ඇඳීමෙන් එක් එක් සාම්පලය සඳහා දුර්වල වර්ගීකරණයක් ජනනය කරන bootstrap එකතු කිරීමේ ක්‍රමයක් භාවිතයෙන් කාර්ය සාධනය වැඩි දියුණු කිරීම සඳහා බහු DT ඒකාබද්ධ කරන සමූහ ක්‍රමයකි48. අපි ගස් 100ක්, ගස් ගැඹුර 10ක්, අවම නෝඩ් ප්‍රමාණය 1ක් සහ Gini මිශ්‍රණ දර්ශකය නෝඩ් වෙන් කිරීමේ නිර්ණායක ලෙස භාවිතා කළෙමු. නව දත්ත වර්ගීකරණය බහුතර ඡන්දයකින් තීරණය වේ. XGBoost යනු පෙර ආකෘතියේ සත්‍ය සහ පුරෝකථනය කරන ලද අගයන් අතර දෝෂය පුහුණු දත්ත ලෙස ගන්නා සහ අනුක්‍රමණ භාවිතයෙන් දෝෂය වැඩි කරන ක්‍රමයක් භාවිතා කරමින් බූස්ටින් ශිල්පීය ක්‍රම ඒකාබද්ධ කරන ඇල්ගොරිතමයකි. එහි හොඳ ක්‍රියාකාරිත්වය සහ සම්පත් කාර්යක්ෂමතාව මෙන්ම අධික ලෙස සවි කරන නිවැරදි කිරීමේ කාර්යයක් ලෙස ඉහළ විශ්වසනීයත්වයක් හේතුවෙන් එය බහුලව භාවිතා වන ඇල්ගොරිතමයකි. ආකෘතිය ආධාරක රෝද 400 කින් සමන්විත වේ. MLP යනු ස්නායුක ජාලයක් වන අතර එහිදී පර්සෙප්ට්‍රෝන එකක් හෝ කිහිපයක් ආදාන සහ ප්‍රතිදාන ස්ථර අතර සැඟවුණු ස්ථර එකක් හෝ කිහිපයක් සමඟ බහු ස්ථර සාදයි38. මෙය භාවිතා කරමින්, ඔබට රේඛීය නොවන වර්ගීකරණයක් සිදු කළ හැකිය, එහිදී ඔබ ආදාන ස්ථරයක් එකතු කර ප්‍රතිඵල අගයක් ලබා ගන්නා විට, පුරෝකථනය කරන ලද ප්‍රතිඵල අගය සත්‍ය ප්‍රතිඵල අගයට සංසන්දනය කර දෝෂය නැවත ප්‍රචාරණය වේ. අපි එක් එක් ස්ථරයේ සැඟවුණු නියුරෝන 20 ක් සහිත සැඟවුණු ස්ථරයක් නිර්මාණය කළෙමු. අප විසින් වර්ධනය කරන ලද සෑම ආකෘතියක්ම සංවේදීතාව, නිශ්චිතභාවය, PPV, NPV සහ AUROC ගණනය කිරීමෙන් වර්ගීකරණ කාර්ය සාධනය පරීක්ෂා කිරීම සඳහා අභ්‍යන්තර සහ බාහිර කට්ටලවලට යොදන ලදී. සංවේදීතාව යනු වයස අවුරුදු 18 හෝ ඊට වැඩි යැයි ඇස්තමේන්තු කර ඇති සාම්පලයක අනුපාතය ලෙස අර්ථ දැක්වේ. නිශ්චිතතාව 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 ලිංගය සඳහා පුරෝකථන ආකෘති සංවර්ධනය කිරීමට සහ වයස ඇස්තමේන්තු කිරීමට භාවිතා කළ හැකි ප්‍රතිගාමී සූත්‍ර ව්‍යුත්පන්න කිරීමට බහුවිචල්‍ය රේඛීය සහ සැපයුම් ප්‍රතිගාමී ප්‍රතිගාමීත්වය සිදු කරන ලදී. අභ්‍යන්තර සහ බාහිර පරීක්ෂණ කට්ටල දෙකටම දත් වයස ඇස්තමේන්තු කිරීමට අපි මෙම සූත්‍ර භාවිතා කළෙමු. මෙම අධ්‍යයනයේ භාවිතා කරන ලද ප්‍රතිගාමී සහ වර්ගීකරණ ආකෘති 4 වගුවේ දැක්වේ.
කොහෙන්ගේ කැපා සංඛ්‍යාලේඛනය භාවිතයෙන් අභ්‍යන්තර සහ අන්තර් නිරීක්ෂක විශ්වසනීයත්වය ගණනය කරන ලදී. DM සහ සාම්ප්‍රදායික ප්‍රතිගාමී ආකෘතිවල නිරවද්‍යතාවය පරීක්ෂා කිරීම සඳහා, අපි අභ්‍යන්තර සහ බාහිර පරීක්ෂණ කට්ටලවල ඇස්තමේන්තුගත සහ සත්‍ය වයස් භාවිතා කරමින් MAE සහ RMSE ගණනය කළෙමු. ආකෘති අනාවැකිවල නිරවද්‍යතාවය ඇගයීමට මෙම දෝෂ බහුලව භාවිතා වේ. දෝෂය කුඩා වන තරමට, පුරෝකථනයේ නිරවද්‍යතාවය වැඩි වේ24. DM සහ සාම්ප්‍රදායික ප්‍රතිගාමීත්වය භාවිතයෙන් ගණනය කරන ලද අභ්‍යන්තර සහ බාහිර පරීක්ෂණ කට්ටලවල MAE සහ RMSE සසඳන්න. සාම්ප්‍රදායික සංඛ්‍යාලේඛනවල වසර 18 ක කඩඉමේ වර්ගීකරණ කාර්ය සාධනය 2 × 2 හදිසි වගුවක් භාවිතයෙන් තක්සේරු කරන ලදී. පරීක්ෂණ කට්ටලයේ ගණනය කරන ලද සංවේදීතාව, නිශ්චිතභාවය, PPV, NPV සහ AUROC DM වර්ගීකරණ ආකෘතියේ මනින ලද අගයන් සමඟ සංසන්දනය කරන ලදී. දත්ත ලක්ෂණ අනුව දත්ත මධ්‍යන්‍ය ± සම්මත අපගමනය හෝ අංකය (%) ලෙස ප්‍රකාශ වේ. ද්විපාර්ශ්වික P අගයන් <0.05 සංඛ්‍යානමය වශයෙන් වැදගත් ලෙස සැලකේ. සියලුම සාමාන්‍ය සංඛ්‍යානමය විශ්ලේෂණ SAS අනුවාදය 9.4 (SAS ආයතනය, කැරි, NC) භාවිතයෙන් සිදු කරන ලදී. ගණිතමය මෙහෙයුම් සඳහා විශේෂයෙන් Keras50 2.2.4 පසුබිම සහ Tensorflow51 1.8.0 භාවිතා කරමින් Python හි DM ප්‍රතිගාමී ආකෘතිය ක්‍රියාත්මක කරන ලදී. DM වර්ගීකරණ ආකෘතිය Waikato දැනුම විශ්ලේෂණ පරිසරය සහ Konstanz තොරතුරු මයිනර් (KNIME) 4.6.152 විශ්ලේෂණ වේදිකාව තුළ ක්‍රියාත්මක කරන ලදී.
අධ්‍යයනයේ නිගමනවලට සහාය වන දත්ත ලිපියෙන් සහ අතිරේක ද්‍රව්‍යවලින් සොයාගත හැකි බව කතුවරුන් පිළිගනී. අධ්‍යයනය අතරතුර ජනනය කරන ලද සහ/හෝ විශ්ලේෂණය කරන ලද දත්ත කට්ටල සාධාරණ ඉල්ලීමක් මත අදාළ කතුවරයාගෙන් ලබා ගත හැකිය.
රිට්ස්-ටිම්, එස්. සහ තවත් අය. වයස් තක්සේරුව: අධිකරණ වෛද්‍ය විද්‍යාවේ නිශ්චිත අවශ්‍යතා සපුරාලීම සඳහා නවීනතම තත්ත්වය. ජාත්‍යන්තරත්වය. ජේ. නීති වෛද්‍ය විද්‍යාව. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., සහ Olze, A. අපරාධ නඩු පැවරීමේ අරමුණු සඳහා ජීවමාන විෂයයන් පිළිබඳ අධිකරණ වෛද්‍ය වයස් තක්සේරුවේ වත්මන් තත්ත්වය. අධිකරණ වෛද්‍ය විද්‍යාව. වෛද්‍ය විද්‍යාව. ව්‍යාධි විද්‍යාව. 1, 239–246 (2005).
පෑන්, ජේ. සහ තවත් අය. නැගෙනහිර චීනයේ අවුරුදු 5 සිට 16 දක්වා දරුවන්ගේ දන්ත වයස තක්සේරු කිරීම සඳහා නවීකරණය කරන ලද ක්‍රමයක්. සායනික. මුඛ සමීක්ෂණය. 25, 3463–3474 (2021).
ලී, එස්එස් ආදීන්. කොරියානුවන් තුළ දෙවන සහ තුන්වන මවුල දත් වර්ධනය පිළිබඳ කාලානුක්‍රමය සහ අධිකරණ වෛද්‍ය වයස් තක්සේරුව සඳහා එහි යෙදුම. ජාත්‍යන්තරත්වය. ජේ. නීති වෛද්‍ය විද්‍යාව. 124, 659–665 (2010).
ඕ, එස්., කුමගයි, ඒ., කිම්, එස්වයි සහ ලී, එස්එස් කොරියානු සහ ජපන් ජාතිකයින්ගේ දෙවන සහ තුන්වන මවුල දත්වල පරිණතභාවය මත පදනම්ව වයස ඇස්තමේන්තු කිරීමේ නිරවද්‍යතාවය සහ අවුරුදු 18 සීමාවේ ඇස්තමේන්තුව. PLoS ONE 17, e0271247 (2022).
කිම්, ජේවයි, සහ තවත් අය. පූර්ව ශල්‍යකර්ම යන්ත්‍ර ඉගෙනීම මත පදනම් වූ දත්ත විශ්ලේෂණය මඟින් OSA රෝගීන් තුළ නින්දේ සැත්කම් ප්‍රතිකාර ප්‍රතිඵල පුරෝකථනය කළ හැකිය. විද්‍යාව. වාර්තාව 11, 14911 (2021).
හැන්, එම්. සහ තවත් අය. මිනිස් මැදිහත්වීමක් ඇතිව හෝ නැතිව යන්ත්‍ර ඉගෙනීමෙන් නිවැරදි වයස් ඇස්තමේන්තුව? ජාත්‍යන්තරත්වය. ජේ. නීති වෛද්‍ය විද්‍යාව. 136, 821–831 (2022).
ඛාන්, එස්. සහ ෂහීන්, එම්. දත්ත කැණීමේ සිට දත්ත කැණීම දක්වා. ජේ. තොරතුරු. විද්‍යාව. https://doi.org/10.1177/01655515211030872 (2021).
ඛාන්, එස්. සහ ෂහීන්, එම්. විස්රූල්: සංගම් රීති කැණීම සඳහා පළමු සංජානන ඇල්ගොරිතමය. ජේ. තොරතුරු. විද්‍යාව. https://doi.org/10.1177/01655515221108695 (2022).
ෂහීන් එම්. සහ අබ්දුල්ලා යූ. කර්ම්: සන්දර්භය මත පදනම් වූ සංගම් නීති මත පදනම් වූ සාම්ප්‍රදායික 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 සමානකම් හඳුනාගැනීම. දැනුම් දෙන්න. තාක්ෂණයන්. පාලනය. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ටබීෂ්, එම්., ටනෝලි, ඉසෙඩ්., සහ ෂාහින්, එම්. ක්‍රීඩා වීඩියෝවල ක්‍රියාකාරකම් හඳුනා ගැනීමේ පද්ධතියක්. බහුමාධ්‍ය. මෙවලම් යෙදුම් https://doi.org/10.1007/s11042-021-10519-6 (2021).
හලාබි, එස්එස් සහ තවත් අය. ළමා අස්ථි යුගයේ RSNA යන්ත්‍ර ඉගෙනීමේ අභියෝගය. විකිරණවේදය 290, 498–503 (2019).
ලී, වයි. සහ තවත් අය. ගැඹුරු ඉගෙනීම භාවිතා කරමින් ශ්‍රෝණි එක්ස් කිරණ වලින් අධිකරණ වෛද්‍ය වයස් ඇස්තමේන්තුව. යුරෝ. විකිරණ. 29, 2322–2329 (2019).
ගුඕ, වයි.සී. සහ තවත් අය. අක්ෂර වින්‍යාස ප්‍රක්ෂේපණ රූප වලින් අතින් ක්‍රම සහ ගැඹුරු සංකෝචන ස්නායු ජාල භාවිතා කරමින් නිවැරදි වයස් වර්ගීකරණය. ජාත්‍යන්තරත්වය. ජේ. නීති වෛද්‍ය විද්‍යාව. 135, 1589–1597 (2021).
ඇලබාමා ඩලෝරා සහ තවත් අය. විවිධ යන්ත්‍ර ඉගෙනුම් ක්‍රම භාවිතා කරමින් අස්ථි වයස් ඇස්තමේන්තුව: ක්‍රමානුකූල සාහිත්‍ය සමාලෝචනයක් සහ මෙටා විශ්ලේෂණයක්. PLoS ONE 14, e0220242 (2019).
කේතු-කදම්භ පරිගණක ටොමොග්‍රැෆි භාවිතයෙන් පළමු මවුල දත්වල පල්ප් කුටීර පරිමාවන් මත පදනම්ව අප්‍රිකානු ඇමරිකානුවන් සහ චීන ජාතිකයින්ගේ ජනගහනයට විශේෂිත වයස් ඇස්තමේන්තුව. ජාත්‍යන්තරත්වය. ජේ. නීති වෛද්‍ය විද්‍යාව. 136, 811–819 (2022).
කිම් එස්., ලී වයිඑච්, නෝ වයිකේ, පාර්ක් එෆ්කේ සහ ඕ කේඑස් පළමු දත් දත්වල කෘතිම බුද්ධිය මත පදනම් වූ රූප භාවිතා කරමින් ජීවත්වන ජනතාවගේ වයස් කාණ්ඩ තීරණය කිරීම. විද්‍යාව. වාර්තාව 11, 1073 (2021).
ස්ටර්න්, ඩී., පේයර්, සී., ජියුලියානි, එන්., සහ උර්ෂ්ලර්, එම්. බහුවිධ MRI දත්ත වලින් ස්වයංක්‍රීය වයස් ඇස්තමේන්තුව සහ බහුතර වයස් වර්ගීකරණය. IEEE J. Biomed. සෞඛ්‍ය ඇඟවීම්. 23, 1392–1403 (2019).
චෙන්ග්, කිව්., ගේ, ඉසෙඩ්., ඩු, එච්. සහ ලී, ජී. ගැඹුරු ඉගෙනුම් සහ මට්ටම් කට්ටල ඒකාබද්ධ කිරීමෙන් කේතු කදම්භ පරිගණක ටොමොග්‍රැෆි වලින් පළමු මවුල දත්වල ත්‍රිමාණ පල්ප් කුටීර ඛණ්ඩනය මත පදනම් වූ වයස් ඇස්තමේන්තුව. ජාත්‍යන්තරත්වය. ජේ. නීති වෛද්‍ය විද්‍යාව. 135, 365–373 (2021).
Wu, WT, et al. සායනික විශාල දත්තවල දත්ත කැණීම: පොදු දත්ත සමුදායන්, පියවර සහ ක්‍රම ආකෘති. ලෝකය. වෛද්‍ය විද්‍යාව. සම්පත. 8, 44 (2021).
යැං, ජේ. සහ තවත් අය. මහා දත්ත යුගයේ වෛද්‍ය දත්ත සමුදායන් සහ දත්ත කැණීම් තාක්ෂණයන් හැඳින්වීම. ජේ. අවිඩ්. මූලික වෛද්‍ය විද්‍යාව. 13, 57–69 (2020).
ෂෙන්, එස්. සහ තවත් අය. යන්ත්‍ර ඉගෙනීම භාවිතයෙන් දත් වයස ඇස්තමේන්තු කිරීම සඳහා කැමරර්ගේ ක්‍රමය. BMC මුඛ සෞඛ්‍යය 21, 641 (2021).
ගැලිබර්ග් ඒ. සහ තවත් අය. ඩෙමිර්ඩ්ජියන් වේදිකා ක්‍රමය භාවිතා කරමින් දන්ත වයස පුරෝකථනය කිරීම සඳහා විවිධ යන්ත්‍ර ඉගෙනුම් ක්‍රම සංසන්දනය කිරීම. ජාත්‍යන්තරත්වය. ජේ. නීති වෛද්‍ය විද්‍යාව. 135, 665–675 (2021).
ඩෙමිර්ඩ්ජියන්, ඒ., ගෝල්ඩ්ස්ටයින්, එච්. සහ ටැනර්, ජේ.එම්. දන්ත වයස තක්සේරු කිරීම සඳහා නව පද්ධතියක්. ගොරවන. ජීව විද්‍යාව. 45, 211–227 (1973).
ලැන්ඩිස්, ජේ.ආර්. සහ කොච්, ජී.ජී. වර්ගීකරණ දත්ත පිළිබඳ නිරීක්ෂක ගිවිසුමේ මිනුම්. ජෛවමිතික 33, 159–174 (1977).
භට්ටාචාර්ජි එස්, ප්‍රකාශ් ඩී, කිම් සී, කිම් එච්කේ සහ චෝයි එච්කේ. ප්‍රාථමික මොළයේ පිළිකා වෙන්කර හඳුනා ගැනීම සඳහා කෘතිම බුද්ධි ශිල්පීය ක්‍රම භාවිතා කරමින් ද්විමාන චුම්භක අනුනාද රූපකරණයේ වයනය, රූප විද්‍යාත්මක සහ සංඛ්‍යානමය විශ්ලේෂණය. සෞඛ්‍ය තොරතුරු. සම්පත. https://doi.org/10.4258/hir.2022.28.1.46 (2022).