कोरियन पौगंडावस्थेतील आणि तरुण प्रौढांमधील पारंपारिक दंत वय अंदाजे पद्धती विरूद्ध डेटा खाण मॉडेलचे प्रमाणीकरण

निसर्ग.कॉमला भेट दिल्याबद्दल धन्यवाद. आपण वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये मर्यादित सीएसएस समर्थन आहे. सर्वोत्कृष्ट निकालांसाठी, आम्ही आपल्या ब्राउझरची नवीन आवृत्ती वापरण्याची शिफारस करतो (किंवा इंटरनेट एक्सप्लोररमध्ये सुसंगतता मोड बंद करणे). दरम्यान, चालू समर्थन सुनिश्चित करण्यासाठी आम्ही स्टाईल किंवा जावास्क्रिप्टशिवाय साइट दर्शवित आहोत.
दात मानवी शरीराच्या वयाचे सर्वात अचूक सूचक मानले जातात आणि बहुतेकदा फॉरेन्सिक वयाच्या मूल्यांकनात वापरले जातात. पारंपारिक पद्धती आणि डेटा खाण-आधारित वयाच्या अंदाजानुसार 18-वर्षाच्या उंबरठाच्या अंदाज अचूकतेची आणि वर्गीकरण कामगिरीची तुलना करून आम्ही डेटा खाण-आधारित दंत वय अंदाजाचे प्रमाणीकरण करण्याचे लक्ष्य ठेवले आहे. 15 ते 23 वर्षे वयोगटातील कोरियन आणि जपानी नागरिकांकडून एकूण 2657 पॅनोरामिक रेडियोग्राफ्स गोळा केले गेले. ते एका प्रशिक्षण संचामध्ये विभागले गेले, प्रत्येकाला 900 कोरियन रेडियोग्राफ्स आणि 857 जपानी रेडियोग्राफ्स असलेले अंतर्गत चाचणी सेट. आम्ही पारंपारिक पद्धतींच्या वर्गीकरण अचूकता आणि कार्यक्षमतेची डेटा खनन मॉडेलच्या चाचणी संचासह तुलना केली. अंतर्गत चाचणी सेटवरील पारंपारिक पद्धतीची अचूकता डेटा खाण मॉडेलच्या तुलनेत किंचित जास्त आहे आणि फरक कमी आहे (म्हणजे परिपूर्ण त्रुटी <0.21 वर्षे, मूळ म्हणजे स्क्वेअर एरर <0.24 वर्षे). पारंपारिक पद्धती आणि डेटा खाण मॉडेल्समध्ये 18-वर्षांच्या कटऑफसाठी वर्गीकरण कामगिरी देखील समान आहे. अशाप्रकारे, कोरियन पौगंडावस्थेतील आणि तरुण प्रौढांमधील द्वितीय आणि तृतीय मोलर्सची परिपक्वता वापरुन फॉरेन्सिक वय मूल्यांकन करताना डेटा खाण मॉडेलद्वारे पारंपारिक पद्धती बदलल्या जाऊ शकतात.
दंत वयाचा अंदाज फॉरेन्सिक औषध आणि बालरोग दंतचिकित्सामध्ये मोठ्या प्रमाणात वापरला जातो. विशेषतः, कालक्रमानुसार वय आणि दंत विकास यांच्यातील उच्च परस्परसंबंधामुळे, दंत विकासाच्या टप्प्यांद्वारे वयाचे मूल्यांकन मुलांचे वय आणि पौगंडावस्थेतील वयाचे मूल्यांकन करण्यासाठी एक महत्त्वपूर्ण निकष आहे. तथापि, तरुणांसाठी, दंत परिपक्वतावर आधारित दंत वयाचा अंदाज लावण्यामुळे त्याची मर्यादा आहे कारण दंत वाढ जवळजवळ पूर्ण झाली आहे, तिसर्‍या मोलर्सचा अपवाद वगळता. तरुण लोक आणि किशोरवयीन मुलांचे वय निश्चित करण्याचा कायदेशीर हेतू आहे की ते बहुमताच्या युगात पोहोचले आहेत की नाही याचा अचूक अंदाज आणि वैज्ञानिक पुरावा प्रदान करणे. कोरियामधील पौगंडावस्थेतील आणि तरुण प्रौढांच्या मेडिको-कायदेशीर प्रॅक्टिसमध्ये, लीच्या पद्धतीचा वापर करून वयाचा अंदाज लावला गेला आणि ओएच एट अल 5 द्वारे नोंदविलेल्या डेटाच्या आधारे 18 वर्षांचा कायदेशीर उंबरठा अंदाज लावला गेला.
मशीन लर्निंग हा एक प्रकारचा कृत्रिम बुद्धिमत्ता (एआय) आहे जो वारंवार मोठ्या प्रमाणात डेटा शिकतो आणि वर्गीकरण करतो, स्वतःच समस्या सोडवितो आणि डेटा प्रोग्रामिंग चालवितो. मशीन लर्निंग डेटा 6 च्या मोठ्या खंडांमध्ये उपयुक्त लपविलेले नमुने शोधू शकते. याउलट, श्रम-केंद्रित आणि वेळ घेणारी शास्त्रीय पद्धती, व्यक्तिचलितपणे प्रक्रिया करणे कठीण असलेल्या जटिल डेटाच्या मोठ्या प्रमाणात व्यवहार करताना मर्यादा असू शकतात. म्हणूनच, मानवी चुका कमी करण्यासाठी आणि कार्यक्षमतेने बहुआयामी डेटा 8,9,10,11,12 वर कार्यक्षमतेने प्रक्रिया करण्यासाठी नवीनतम संगणक तंत्रज्ञानाचा वापर करून अलीकडे बरेच अभ्यास केले गेले आहेत. विशेषतः, वैद्यकीय प्रतिमेच्या विश्लेषणामध्ये खोल शिक्षणाचा मोठ्या प्रमाणात वापर केला गेला आहे आणि रेडियोग्राफ्सचे स्वयंचलितपणे विश्लेषण करून वयाच्या अंदाजासाठी विविध पद्धती वयाच्या अंदाजाची अचूकता आणि कार्यक्षमता सुधारण्यासाठी नोंदविली गेली आहे. ? उदाहरणार्थ, हलाबी एट अल 13 ने मुलांच्या हातांच्या रेडिओग्राफचा वापर करून स्केलेटल वयाचा अंदाज लावण्यासाठी कॉन्व्होल्यूशनल न्यूरल नेटवर्क (सीएनएन) वर आधारित मशीन लर्निंग अल्गोरिदम विकसित केले. या अभ्यासानुसार वैद्यकीय प्रतिमांवर मशीन शिक्षण लागू करणारे मॉडेल प्रस्तावित करते आणि हे दर्शविते की या पद्धती निदान अचूकता सुधारू शकतात. ली एट अल 14 सखोल शिक्षण सीएनएन वापरुन पेल्विक एक्स-रे प्रतिमांचे अंदाजित वय आणि त्यांची तुलना ओसीफिकेशन स्टेज अंदाजाचा वापर करून रीग्रेशन परिणामांशी केली. त्यांना आढळले की डीप लर्निंग सीएनएन मॉडेलने पारंपारिक रीग्रेशन मॉडेल प्रमाणेच वयाच्या अंदाजाची कार्यक्षमता दर्शविली. गुओ एट अलच्या अभ्यासानुसार [१ 15] दंत ऑर्थोफोटोसवर आधारित सीएनएन तंत्रज्ञानाच्या वय सहिष्णुता वर्गीकरण कामगिरीचे मूल्यांकन केले आणि सीएनएन मॉडेलच्या निकालांनी हे सिद्ध केले की मानवांनी त्याच्या वयाच्या वर्गीकरणाच्या कामगिरीला मागे टाकले.
मशीन लर्निंगचा वापर करून वयाच्या अंदाजावरील बहुतेक अभ्यास सखोल शिक्षण पद्धती 13,14,15,16,17,18,19,20. सखोल शिक्षणावर आधारित वय अंदाज पारंपारिक पद्धतींपेक्षा अधिक अचूक असल्याचे नोंदवले गेले आहे. तथापि, हा दृष्टिकोन वयाच्या अंदाजासाठी वैज्ञानिक आधार सादर करण्याची फारच कमी संधी प्रदान करते, जसे की अंदाजात वापरलेले वय निर्देशक. कोण तपासणी करतो यावर कायदेशीर वाद देखील आहे. म्हणूनच, सखोल शिक्षणावर आधारित वयाचा अंदाज प्रशासकीय आणि न्यायालयीन अधिका by ्यांद्वारे स्वीकारणे कठीण आहे. डेटा मायनिंग (डीएम) हे एक तंत्र आहे जे केवळ अपेक्षितच नाही तर मोठ्या प्रमाणात डेटा 6,21,22 दरम्यान उपयुक्त परस्परसंबंध शोधण्याची एक पद्धत म्हणून अनपेक्षित माहिती देखील शोधू शकते. मशीन लर्निंगचा वापर बर्‍याचदा डेटा खननात केला जातो आणि डेटा खाण आणि मशीन शिक्षण दोन्ही डेटामधील नमुने शोधण्यासाठी समान की अल्गोरिदम वापरतात. दंत विकासाचा वापर करून वयाचा अंदाज परीक्षकाच्या लक्ष्य दातांच्या परिपक्वताच्या मूल्यांकनावर आधारित आहे आणि हे मूल्यांकन प्रत्येक लक्ष्य दात म्हणून एक टप्पा म्हणून व्यक्त केले जाते. दंत मूल्यांकन स्टेज आणि वास्तविक वय यांच्यातील परस्परसंबंधाचे विश्लेषण करण्यासाठी डीएमचा वापर केला जाऊ शकतो आणि पारंपारिक सांख्यिकीय विश्लेषण पुनर्स्थित करण्याची क्षमता आहे. म्हणूनच, जर आम्ही वयाच्या अंदाजानुसार डीएम तंत्र लागू केले तर आम्ही कायदेशीर उत्तरदायित्वाची चिंता न करता फॉरेन्सिक वयाच्या अंदाजात मशीन लर्निंगची अंमलबजावणी करू शकतो. दंत वय निश्चित करण्यासाठी फॉरेन्सिक सराव आणि ईबीएम-आधारित पद्धतींमध्ये वापरल्या जाणार्‍या पारंपारिक मॅन्युअल पद्धतींच्या संभाव्य पर्यायांवर अनेक तुलनात्मक अभ्यास प्रकाशित केले गेले आहेत. शेन एट अल 23 ने दर्शविले की डीएम मॉडेल पारंपारिक कॅमेराच्या सूत्रापेक्षा अधिक अचूक आहे. गॅलीबॉर्ग एट अल 24 ने डेमर्डजियन निकष 25 नुसार वयाचा अंदाज लावण्यासाठी वेगवेगळ्या डीएम पद्धती लागू केल्या आणि परिणामांनी हे सिद्ध केले की डीएम पद्धतीने फ्रेंच लोकसंख्येच्या वयाचा अंदाज लावण्यासाठी डेमर्डजियन आणि विलेम्सच्या पद्धतींचा सामना केला.
कोरियन पौगंडावस्थेतील आणि तरुण प्रौढांच्या दंत युगाचा अंदाज लावण्यासाठी, लीची पद्धत 4 कोरियन फॉरेन्सिक प्रॅक्टिसमध्ये मोठ्या प्रमाणात वापरली जाते. कोरियन विषय आणि कालक्रमानुसार वय यांच्यातील संबंधांची तपासणी करण्यासाठी ही पद्धत पारंपारिक सांख्यिकीय विश्लेषण (जसे की एकाधिक रीग्रेशन) वापरते. या अभ्यासामध्ये, पारंपारिक सांख्यिकीय पद्धतींचा वापर करून प्राप्त केलेल्या वयाच्या अंदाज पद्धती "पारंपारिक पद्धती" म्हणून परिभाषित केल्या आहेत. लीची पद्धत ही एक पारंपारिक पद्धत आहे आणि ओह एट अल द्वारे त्याच्या अचूकतेची पुष्टी केली गेली आहे. 5; तथापि, कोरियन फॉरेन्सिक प्रॅक्टिसमधील डीएम मॉडेलवर आधारित वयाच्या अंदाजाची लागूता अद्याप शंकास्पद आहे. आमचे ध्येय डीएम मॉडेलच्या आधारे वयाच्या अंदाजाची संभाव्य उपयुक्तता वैज्ञानिकदृष्ट्या सत्यापित करणे हे होते. या अभ्यासाचा हेतू (१) दंत वयाच्या अंदाजानुसार दोन डीएम मॉडेल्सच्या अचूकतेची तुलना करणे आणि (२) वयाच्या १ dem वर्षांच्या वयाच्या d डीएम मॉडेल्सच्या वर्गीकरण कामगिरीची तुलना पारंपारिक सांख्यिकीय पद्धतींचा वापर करून दुसर्‍या क्रमांकाच्या पारंपारिक सांख्यिकीय पद्धतींचा वापर करुन दुसर्‍या क्रमांकाच्या पारंपारिक सांख्यिकीय पद्धतींचा वापर करून मिळाला. आणि दोन्ही जबड्यांमध्ये तिसरा मोलर.
स्टेज आणि दात प्रकारानुसार कालक्रमानुसार वयाचे प्रमाण आणि मानक विचलन पूरक सारणी एस 1 (प्रशिक्षण संच), पूरक सारणी एस 2 (अंतर्गत चाचणी सेट) आणि पूरक सारणी एस 3 (बाह्य चाचणी सेट) मध्ये ऑनलाइन दर्शविले आहेत. प्रशिक्षण संचातून प्राप्त झालेल्या इंट्रा- आणि इंटरबॉर्व्हर विश्वसनीयतेसाठी कप्पा मूल्ये अनुक्रमे 0.951 आणि 0.947 होती. पी मूल्ये आणि कप्पा मूल्यांसाठी 95% आत्मविश्वास मध्यांतर ऑनलाइन पूरक सारणी एस 4 मध्ये दर्शविले आहेत. लँडिस आणि कोच 26 च्या निकषांशी सुसंगत, कप्पा मूल्य "जवळजवळ परिपूर्ण" म्हणून वर्णन केले गेले.
मीन परिपूर्ण त्रुटी (एमएई) ची तुलना करताना, पारंपारिक पद्धत सर्व लिंग आणि बाह्य पुरुष चाचणी सेटमध्ये डीएम मॉडेलला किंचित मागे टाकते, मल्टीलेयर पर्सेप्ट्रॉन (एमएलपी) वगळता. अंतर्गत एमएई चाचणी सेटवरील पारंपारिक मॉडेल आणि डीएम मॉडेलमधील फरक पुरुषांसाठी 0.12-0.19 वर्षे आणि महिलांसाठी 0.17-0.21 वर्षे होता. बाह्य चाचणी बॅटरीसाठी, फरक लहान आहेत (पुरुषांसाठी 0.001-0.05 वर्षे आणि महिलांसाठी 0.05-0.09 वर्षे). याव्यतिरिक्त, रूट मीन स्क्वेअर एरर (आरएमएसई) पारंपारिक पद्धतीपेक्षा किंचित कमी आहे, ज्यात पुरुष अंतर्गत चाचणी संचासाठी 0.17–0.24, 0.2-0.24 आणि बाह्य चाचणी संचासाठी 0.03–0.07, 0.04–0.08). ). महिला बाह्य चाचणी सेटच्या बाबतीत वगळता एमएलपी सिंगल लेयर पर्सेप्ट्रॉन (एसएलपी) पेक्षा किंचित चांगली कामगिरी दर्शविते. एमएई आणि आरएमएसईसाठी, बाह्य चाचणी सेट सर्व लिंग आणि मॉडेल्ससाठी अंतर्गत चाचणी सेटपेक्षा जास्त स्कोअर करते. सर्व एमएई आणि आरएमएसई तक्ता 1 आणि आकृती 1 मध्ये दर्शविले आहेत.
पारंपारिक आणि डेटा मायनिंग रीग्रेशन मॉडेलचे एमएई आणि आरएमएसई. म्हणजे परिपूर्ण त्रुटी एमएई, रूट मीन स्क्वेअर एरर आरएमएसई, सिंगल लेयर पर्सेप्ट्रॉन एसएलपी, मल्टीलेयर पर्सेप्ट्रॉन एमएलपी, पारंपारिक सीएम पद्धत.
पारंपारिक आणि डीएम मॉडेलच्या वर्गीकरण कामगिरी (18 वर्षांच्या कटऑफसह) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यवाणी मूल्य (पीपीव्ही), नकारात्मक भविष्यवाणी मूल्य (एनपीव्ही) आणि रिसीव्हर ऑपरेटिंग वैशिष्ट्यीकृत वक्र (एयूआरओसी) अंतर्गत क्षेत्र दर्शविले गेले. 27 (सारणी 2, आकृती 2 आणि पूरक आकृती 1 ऑनलाइन). अंतर्गत चाचणी बॅटरीच्या संवेदनशीलतेच्या बाबतीत, पारंपारिक पद्धती पुरुषांमध्ये उत्कृष्ट कामगिरी करतात आणि स्त्रियांमध्ये वाईट. तथापि, पारंपारिक पद्धती आणि एसडी दरम्यान वर्गीकरण कामगिरीमधील फरक पुरुषांसाठी (एमएलपी) 9.7% आणि महिलांसाठी (एक्सजीबोस्ट) केवळ 2.4% आहे. डीएम मॉडेल्समध्ये, लॉजिस्टिक रीग्रेशन (एलआर) ने दोन्ही लिंगांमध्ये चांगली संवेदनशीलता दर्शविली. अंतर्गत चाचणी संचाच्या विशिष्टतेबद्दल, असे दिसून आले की चार एसडी मॉडेल्सने पुरुषांमध्ये चांगली कामगिरी केली, तर पारंपारिक मॉडेलने महिलांमध्ये चांगले प्रदर्शन केले. पुरुष आणि स्त्रियांसाठी वर्गीकरण कामगिरीमधील फरक अनुक्रमे 13.3% (एमएलपी) आणि 13.1% (एमएलपी) आहेत, हे दर्शविते की मॉडेल्समधील वर्गीकरण कामगिरीमधील फरक संवेदनशीलता ओलांडतो. डीएम मॉडेल्सपैकी, सपोर्ट वेक्टर मशीन (एसव्हीएम), निर्णय वृक्ष (डीटी) आणि रँडम फॉरेस्ट (आरएफ) मॉडेल्सने पुरुषांमध्ये उत्कृष्ट कामगिरी केली, तर एलआर मॉडेलने महिलांमध्ये उत्कृष्ट कामगिरी केली. पारंपारिक मॉडेल आणि सर्व एसडी मॉडेल्सचे एयूआरओसी 0.925 (पुरुषांमधील के-नायरस्ट शेजारी (केएनएन)) पेक्षा जास्त होते, जे 18 वर्षांच्या जुन्या नमुन्यांमधील भेदभावात उत्कृष्ट वर्गीकरण कामगिरी दर्शविते. बाह्य चाचणी संचासाठी, अंतर्गत चाचणी संचाच्या तुलनेत संवेदनशीलता, विशिष्टता आणि ऑरोकच्या बाबतीत वर्गीकरण कामगिरीमध्ये घट झाली. शिवाय, सर्वोत्कृष्ट आणि सर्वात वाईट मॉडेल्सच्या वर्गीकरण कामगिरीमधील संवेदनशीलता आणि विशिष्टतेमधील फरक 10% ते 25% पर्यंत आहे आणि अंतर्गत चाचणी सेटमधील फरकापेक्षा मोठा होता.
18 वर्षांच्या कटऑफसह पारंपारिक पद्धतींच्या तुलनेत डेटा मायनिंग वर्गीकरण मॉडेलची संवेदनशीलता आणि विशिष्टता. केएनएन के जवळचे शेजारी, एसव्हीएम सपोर्ट वेक्टर मशीन, एलआर लॉजिस्टिक रीग्रेशन, डीटी निर्णय वृक्ष, आरएफ रँडम फॉरेस्ट, एक्सजीबी एक्सजीबोस्ट, एमएलपी मल्टीलेयर पर्सेप्ट्रॉन, पारंपारिक सीएम पद्धत.
या अभ्यासाची पहिली पायरी म्हणजे सात डीएम मॉडेल्सकडून प्राप्त झालेल्या दंत वयाच्या अंदाजाच्या अचूकतेची तुलना पारंपारिक रीग्रेशन वापरुन प्राप्त झालेल्या. दोन्ही लिंगांसाठी अंतर्गत चाचणी सेटमध्ये एमएई आणि आरएमएसईचे मूल्यांकन केले गेले आणि पारंपारिक पद्धत आणि डीएम मॉडेलमधील फरक एमएईसाठी 44 ते 77 दिवस आणि आरएमएसईसाठी 62 ते 88 दिवसांपर्यंत आहे. या अभ्यासामध्ये पारंपारिक पद्धत थोडी अधिक अचूक असली तरी, अशा छोट्या फरकामध्ये क्लिनिकल किंवा व्यावहारिक महत्त्व आहे की नाही याचा निष्कर्ष काढणे कठीण आहे. हे परिणाम सूचित करतात की डीएम मॉडेलचा वापर करून दंत वयाच्या अंदाजाची अचूकता पारंपारिक पद्धतीप्रमाणेच आहे. मागील अभ्यासाच्या निकालांशी थेट तुलना करणे अवघड आहे कारण कोणत्याही अभ्यासानुसार डीएम मॉडेल्सच्या अचूकतेची तुलना या अभ्यासानुसार समान वयोगटातील दात रेकॉर्ड करण्याच्या समान तंत्राचा वापर करून पारंपारिक सांख्यिकीय पद्धतींशी तुलना केली नाही. गॅलिबॉर्ग एट अल 24 ने दोन पारंपारिक पद्धती (डेमर्जियन मेथड 25 आणि विलेम्स मेथड 29) आणि 2 ते 24 वर्षे वयोगटातील फ्रेंच लोकसंख्येमधील 10 डीएम मॉडेल दरम्यान एमएई आणि आरएमएसईची तुलना केली. त्यांनी नोंदवले की सर्व डीएम मॉडेल्स पारंपारिक पद्धतींपेक्षा अधिक अचूक होते, अनुक्रमे विलेम्स आणि डेमर्डजियन पद्धतींच्या तुलनेत अनुक्रमे एमएईमध्ये 0.20 आणि 0.38 वर्षे आणि 0.25 आणि आरएमएसईमध्ये 0.47 वर्षे. हॅलीबॉर्ग अभ्यासामध्ये दर्शविलेल्या एसडी मॉडेल आणि पारंपारिक पद्धतींमधील विसंगती, 30,31,32,33 असे अनेक अहवाल विचारात घेतात की डेमर्डजियन पद्धतीने फ्रेंच कॅनेडियन व्यतिरिक्त इतर लोकांमध्ये दंत वयाचा अचूक अंदाज लावला नाही ज्यावर अभ्यास आधारित होता. या अभ्यासामध्ये. ताई एट अल 34 ने 1636 चिनी ऑर्थोडोन्टिक छायाचित्रांमधून दात वयाचा अंदाज लावण्यासाठी एमएलपी अल्गोरिदमचा वापर केला आणि त्याची अचूकता डेमिरजियन आणि विलेम्स पद्धतीच्या परिणामाशी तुलना केली. त्यांनी नोंदवले की एमएलपीकडे पारंपारिक पद्धतींपेक्षा जास्त अचूकता आहे. डेमर्डजियन पद्धती आणि पारंपारिक पद्धतीमधील फरक <0.32 वर्षे आहे आणि विलेम्स पद्धत 0.28 वर्षे आहे, जी सध्याच्या अभ्यासाच्या निकालांप्रमाणेच आहे. या मागील अभ्यासाचे निकाल 24,34 देखील सध्याच्या अभ्यासाच्या निकालांशी सुसंगत आहेत आणि डीएम मॉडेलची वय अंदाज अचूकता आणि पारंपारिक पद्धत समान आहे. तथापि, सादर केलेल्या निकालांच्या आधारे, आम्ही केवळ सावधगिरीने निष्कर्ष काढू शकतो की वय अंदाजे डीएम मॉडेलचा वापर तुलनात्मक आणि संदर्भ मागील अभ्यासाच्या अभावामुळे विद्यमान पद्धती पुनर्स्थित करू शकतो. या अभ्यासामध्ये प्राप्त झालेल्या निकालांची पुष्टी करण्यासाठी मोठ्या नमुन्यांचा वापर करून पाठपुरावा अभ्यास करणे आवश्यक आहे.
दंत वयाच्या अंदाजानुसार एसडीच्या अचूकतेची चाचणी घेणार्‍या अभ्यासांपैकी काहींनी आमच्या अभ्यासापेक्षा जास्त अचूकता दर्शविली. स्टेपानोव्स्की एट अल 35 ने 2.7 ते 20.5 वर्षे वयोगटातील 976 झेक रहिवाशांच्या पॅनोरामिक रेडियोग्राफ्सवर 22 एसडी मॉडेल लागू केले आणि प्रत्येक मॉडेलच्या अचूकतेची चाचणी केली. त्यांनी मूररीज एट अल 36 ने प्रस्तावित केलेल्या वर्गीकरण निकषांचा वापर करून एकूण 16 वरच्या आणि खालच्या डाव्या कायम दातांच्या विकासाचे मूल्यांकन केले. एमएई 0.64 ते 0.94 वर्षे आहे आणि आरएमएसई 0.85 ते 1.27 वर्षे आहे, जे या अभ्यासामध्ये वापरल्या जाणार्‍या दोन डीएम मॉडेलपेक्षा अधिक अचूक आहेत. शेन एट अल 23 ने 5 ते 13 वर्षे वयोगटातील पूर्व चिनी रहिवाशांमध्ये डाव्या अनिवार्यतेमध्ये सात कायम दातांच्या दंत वयाचा अंदाज लावण्यासाठी कॅमेरियर पद्धतीचा वापर केला आणि रेखीय रीग्रेशन, एसव्हीएम आणि आरएफचा वापर करून वयोगटातील तुलनेत त्याची तुलना केली. पारंपारिक कॅमेरियर फॉर्म्युलाच्या तुलनेत सर्व तीन डीएम मॉडेल्समध्ये जास्त अचूकता असल्याचे त्यांनी दर्शविले. शेनच्या अभ्यासामधील एमएई आणि आरएमएसई या अभ्यासाच्या डीएम मॉडेलपेक्षा कमी होते. स्टेपानोव्स्की एट अल द्वारे अभ्यासाची वाढलेली सुस्पष्टता. 35 आणि शेन एट अल. 23 त्यांच्या अभ्यासाच्या नमुन्यांमध्ये तरुण विषयांच्या समावेशामुळे असू शकते. दंत विकासादरम्यान दातांची संख्या वाढल्यामुळे दात असलेल्या सहभागींसाठी वयाचा अंदाज अधिक अचूक होतो, कारण अभ्यासाचे सहभागी तरुण असताना परिणामी वयाच्या अंदाजाच्या पद्धतीची अचूकता तडजोड केली जाऊ शकते. याव्यतिरिक्त, वयाच्या अंदाजातील एमएलपीची त्रुटी एसएलपीच्या तुलनेत किंचित लहान आहे, म्हणजे एमएलपी एसएलपीपेक्षा अधिक अचूक आहे. एमएलपी 38 मधील लपलेल्या थरांमुळे वयाच्या अंदाजासाठी एमएलपी किंचित चांगले मानले जाते. तथापि, महिलांच्या बाह्य नमुन्यास अपवाद आहे (एसएलपी 1.45, एमएलपी 1.49). वयाचे मूल्यांकन करण्यासाठी एसएलपीपेक्षा एमएलपी अधिक अचूक आहे हे शोधण्यासाठी अतिरिक्त पूर्वगामी अभ्यास आवश्यक आहे.
डीएम मॉडेलची वर्गीकरण कामगिरी आणि 18-वर्षाच्या उंबरठ्यावर पारंपारिक पद्धतीची देखील तुलना केली गेली. अंतर्गत चाचणी सेटवरील सर्व चाचणी केलेल्या एसडी मॉडेल्स आणि पारंपारिक पद्धतींनी 18-वर्ष जुन्या नमुन्यासाठी व्यावहारिकदृष्ट्या स्वीकार्य पातळी दर्शविली. पुरुष आणि स्त्रियांसाठी संवेदनशीलता अनुक्रमे 87.7% आणि 94.9% पेक्षा जास्त होती आणि विशिष्टता 89.3% आणि 84.7% पेक्षा जास्त होती. सर्व चाचणी केलेल्या मॉडेल्सचे एरोक देखील 0.925 पेक्षा जास्त आहे. आमच्या सर्वोत्तम माहितीनुसार, कोणत्याही अभ्यासानुसार दंत परिपक्वतावर आधारित 18-वर्षांच्या वर्गीकरणासाठी डीएम मॉडेलच्या कामगिरीची चाचणी घेतली गेली नाही. आम्ही या अभ्यासाच्या निकालांची तुलना पॅनोरामिक रेडियोग्राफवरील सखोल शिक्षण मॉडेलच्या वर्गीकरण कामगिरीशी करू शकतो. गुओ एट अल .१5 ने सीएनएन-आधारित डीप लर्निंग मॉडेलची वर्गीकरण कामगिरी आणि विशिष्ट वयाच्या उंबरठ्यासाठी डेमिरजियनच्या पद्धतीवर आधारित मॅन्युअल पद्धत मोजली. मॅन्युअल पद्धतीची संवेदनशीलता आणि विशिष्टता अनुक्रमे 87.7% आणि 95.5% होती आणि सीएनएन मॉडेलची संवेदनशीलता आणि विशिष्टता अनुक्रमे 89.2% आणि 86.6% पेक्षा जास्त होती. त्यांनी असा निष्कर्ष काढला की सखोल शिक्षण मॉडेल वयाच्या उंबरठ्यामध्ये वर्गीकरण करण्याच्या मॅन्युअल मूल्यांकन पुनर्स्थित करू शकतात किंवा त्यास मागे टाकू शकतात. या अभ्यासाच्या निकालांनी समान वर्गीकरण कामगिरी दर्शविली; असे मानले जाते की डीएम मॉडेल वापरुन वर्गीकरण वयाच्या अंदाजासाठी पारंपारिक सांख्यिकीय पद्धती पुनर्स्थित करू शकते. मॉडेल्सपैकी, डीएम एलआर हे पुरुष नमुना आणि संवेदनशीलता आणि महिला नमुन्यासाठी विशिष्टतेसाठी संवेदनशीलतेच्या दृष्टीने सर्वोत्कृष्ट मॉडेल होते. एलआर पुरुषांच्या विशिष्टतेमध्ये दुसर्‍या क्रमांकावर आहे. शिवाय, एलआर हे अधिक वापरकर्ता-अनुकूल डीएम 35 मॉडेल मानले जाते आणि कमी जटिल आणि प्रक्रिया करणे कठीण आहे. या निकालांच्या आधारे, कोरियन लोकसंख्येतील 18 वर्षांच्या मुलांसाठी एलआर हे सर्वोत्कृष्ट कटऑफ वर्गीकरण मॉडेल मानले गेले.
एकंदरीत, बाह्य चाचणी सेटवरील वय अंदाज किंवा वर्गीकरण कामगिरीची अचूकता अंतर्गत चाचणी संचाच्या निकालांच्या तुलनेत कमी किंवा कमी होती. काही अहवाल असे दर्शवितो की कोरियन लोकसंख्येवर आधारित वय अंदाज जपानी लोकसंख्येवर लागू केले जाते तेव्हा वर्गीकरण अचूकता किंवा कार्यक्षमता कमी होते आणि सध्याच्या अभ्यासामध्ये समान नमुना आढळला. डीएम मॉडेलमध्येही हा बिघाडाचा कल दिसून आला. म्हणूनच, वयाचा अचूक अंदाज लावण्यासाठी, विश्लेषण प्रक्रियेमध्ये डीएम वापरतानाही, पारंपारिक पद्धतींसारख्या मूळ लोकसंख्येच्या डेटामधून काढलेल्या पद्धती, 5,39,40,41,42 प्राधान्य दिले पाहिजेत. सखोल शिक्षण मॉडेल समान ट्रेंड दर्शवू शकतात की नाही हे अस्पष्ट असल्याने, कृत्रिम बुद्धिमत्ता मर्यादित युगात या वांशिक असमानतेवर मात करू शकते की नाही याची पुष्टी करण्यासाठी पारंपारिक पद्धती, डीएम मॉडेल्स आणि समान नमुन्यांवरील खोल शिक्षण मॉडेल्सचा वापर करून वर्गीकरण अचूकता आणि कार्यक्षमतेची तुलना करण्याचा अभ्यास आवश्यक आहे. मूल्यांकन.
आम्ही हे दर्शवितो की कोरियामधील फॉरेन्सिक एज अंदाजाच्या अभ्यासाच्या डीएम मॉडेलच्या आधारे पारंपारिक पद्धती वयाच्या अंदाजानुसार बदलल्या जाऊ शकतात. आम्हाला फॉरेन्सिक वयाच्या मूल्यांकनासाठी मशीन लर्निंगची अंमलबजावणी करण्याची शक्यता देखील सापडली. तथापि, स्पष्ट मर्यादा आहेत, जसे की या अभ्यासामध्ये सहभागींची अपुरी संख्या निश्चितपणे निश्चितपणे निश्चित करण्यासाठी आणि या अभ्यासाच्या निकालांची तुलना आणि पुष्टी करण्यासाठी मागील अभ्यासाची कमतरता. भविष्यात, डीएम अभ्यास पारंपारिक पद्धतींच्या तुलनेत त्याच्या व्यावहारिक उपयोगिता सुधारण्यासाठी मोठ्या संख्येने नमुने आणि अधिक वैविध्यपूर्ण लोकसंख्येसह आयोजित केले जावे. एकाधिक लोकसंख्येच्या वयाचा अंदाज लावण्यासाठी कृत्रिम बुद्धिमत्तेचा वापर करण्याच्या व्यवहार्यतेचे प्रमाणीकरण करण्यासाठी, समान नमुन्यांमधील पारंपारिक पद्धतींसह डीएमची वर्गीकरण अचूकता आणि कार्यक्षमता आणि डीप लर्निंग मॉडेल्सची तुलना करण्यासाठी भविष्यातील अभ्यासाची आवश्यकता आहे.
या अभ्यासामध्ये 15 ते 23 वर्षे वयोगटातील कोरियन आणि जपानी प्रौढांकडून गोळा केलेली 2,657 ऑर्थोग्राफिक छायाचित्रे वापरली गेली. कोरियन रेडियोग्राफ्स 900 प्रशिक्षण संच (19.42 ± 2.65 वर्षे) आणि 900 अंतर्गत चाचणी संच (19.52 ± 2.59 वर्षे) मध्ये विभागले गेले. प्रशिक्षण संच एका संस्थेत (सोल सेंट मेरी हॉस्पिटल) मध्ये गोळा केले गेले आणि स्वत: चा चाचणी सेट दोन संस्थांमध्ये (सोल नॅशनल युनिव्हर्सिटी डेंटल हॉस्पिटल आणि योन्सी युनिव्हर्सिटी डेंटल हॉस्पिटल) गोळा केला गेला. आम्ही बाह्य चाचणीसाठी दुसर्‍या लोकसंख्या-आधारित डेटामधून (आयडब्ल्यूएटी मेडिकल युनिव्हर्सिटी, जपान) 857 रेडियोग्राफ्स देखील गोळा केले. बाह्य चाचणी संच म्हणून जपानी विषयांचे रेडियोग्राफ (19.31 ± 2.60 वर्षे) निवडले गेले. दंत उपचारादरम्यान घेतलेल्या पॅनोरामिक रेडियोग्राफ्सवरील दंत विकासाच्या टप्प्यांचे विश्लेषण करण्यासाठी डेटा पूर्वसूचकपणे गोळा केला गेला. गोळा केलेला सर्व डेटा लिंग, जन्मतारीख आणि रेडियोग्राफची तारीख वगळता अज्ञात होता. समावेश आणि वगळण्याचे निकष पूर्वी प्रकाशित केलेल्या अभ्यास 4, 5 प्रमाणेच होते. रेडिओग्राफच्या तारखेपासून जन्माची तारीख वजा करून नमुन्याचे वास्तविक वय मोजले गेले. नमुना गट नऊ वयोगटात विभागला गेला. वय आणि लिंग वितरण तक्ता 3 मध्ये दर्शविले गेले आहे. हा अभ्यास हेलसिंकीच्या घोषणेनुसार आयोजित केला गेला आणि कॅथोलिक युनिव्हर्सिटी ऑफ कोरियाच्या (केसी 22 डब्ल्यूआयएसआय 0328) च्या सोल सेंट मेरी हॉस्पिटलच्या संस्थात्मक पुनरावलोकन मंडळाने (आयआरबी) मंजूर केला. या अभ्यासाच्या पूर्वगामी डिझाइनमुळे, उपचारात्मक उद्देशाने रेडियोग्राफिक परीक्षा घेत असलेल्या सर्व रूग्णांकडून माहितीची संमती मिळू शकली नाही. सोल कोरिया युनिव्हर्सिटी सेंट मेरी हॉस्पिटलने (आयआरबी) माहितीच्या संमतीची आवश्यकता माफ केली.
डेमिरकॅन निकष 25 नुसार बायमॅक्सिलरी दुसर्‍या आणि तिसर्‍या मोलाच्या विकासाच्या टप्प्यांचे मूल्यांकन केले गेले. प्रत्येक जबड्याच्या डाव्या आणि उजव्या बाजूंनी समान प्रकारचे दात सापडल्यास फक्त एक दात निवडला गेला. जर दोन्ही बाजूंनी होमोलोगस दात वेगवेगळ्या विकासाच्या टप्प्यावर असतील तर अंदाजे युगातील अनिश्चिततेसाठी कमी विकासाच्या अवस्थेसह दात निवडले गेले. प्रशिक्षण संचातून यादृच्छिकपणे निवडलेल्या रेडिओग्राफ्स दोन अनुभवी निरीक्षकांनी दंत परिपक्वता टप्पा निश्चित करण्यासाठी प्रीकॅलिब्रेशननंतर इंटरबॉर्व्हर विश्वसनीयतेची चाचणी घेण्यासाठी स्कोअर केले. इंट्राओब्सर्व्हर विश्वसनीयतेचे प्राथमिक निरीक्षकाने तीन महिन्यांच्या अंतराने दोनदा मूल्यांकन केले.
प्रशिक्षण सेटमधील प्रत्येक जबड्याच्या दुसर्‍या आणि तिसर्‍या मोलाच्या लिंग आणि विकासात्मक अवस्थेचा अंदाज वेगवेगळ्या डीएम मॉडेल्ससह प्रशिक्षित प्राथमिक निरीक्षकांनी केला आणि वास्तविक वय लक्ष्य मूल्य म्हणून सेट केले गेले. एसएलपी आणि एमएलपी मॉडेल्स, जे मशीन लर्निंगमध्ये मोठ्या प्रमाणात वापरले जातात, रिग्रेशन अल्गोरिदमच्या विरूद्ध चाचणी केली गेली. डीएम मॉडेल चार दातांच्या विकासात्मक टप्प्यांचा वापर करून रेषीय कार्ये एकत्र करते आणि वयाचा अंदाज लावण्यासाठी या डेटाची जोड देते. एसएलपी हे सर्वात सोपा तंत्रिका नेटवर्क आहे आणि त्यात लपलेले थर नाहीत. एसएलपी नोड्स दरम्यान थ्रेशोल्ड ट्रान्समिशनवर आधारित कार्य करते. रीग्रेशन मधील एसएलपी मॉडेल गणिताच्या एकाधिक रेषीय प्रतिरोधकासारखे आहे. एसएलपी मॉडेलच्या विपरीत, एमएलपी मॉडेलमध्ये नॉनलाइनर एक्टिवेशन फंक्शन्ससह एकाधिक लपविलेले स्तर आहेत. आमच्या प्रयोगांमध्ये नॉनलाइनर ation क्टिवेशन फंक्शन्ससह केवळ 20 लपविलेल्या नोड्ससह लपविलेले थर वापरले. आमच्या मशीन लर्निंग मॉडेलला प्रशिक्षण देण्यासाठी ऑप्टिमायझेशन पद्धत म्हणून ऑप्टिमायझेशन पद्धत आणि एमएई आणि आरएमएसई तोटा फंक्शन म्हणून वापरा. अंतर्गत आणि बाह्य चाचणी सेटवर सर्वोत्कृष्ट प्राप्त केलेले रीग्रेशन मॉडेल लागू केले गेले आणि दातांचे वय अंदाजे होते.
एक वर्गीकरण अल्गोरिदम विकसित केले गेले आहे जे एक नमुना 18 वर्ष जुने आहे की नाही हे सांगण्यासाठी प्रशिक्षण सेटवर चार दातांच्या परिपक्वताचा वापर करते. मॉडेल तयार करण्यासाठी, आम्ही सात प्रतिनिधित्व मशीन लर्निंग अल्गोरिदम 6,43: (1) एलआर, (2) केएनएन, (3) एसव्हीएम, (4) डीटी, (5) आरएफ, (6) एक्सजीबोस्ट, आणि (7) एमएलपी ? एलआर हा सर्वाधिक प्रमाणात वापरल्या जाणार्‍या वर्गीकरण अल्गोरिदम 44 पैकी एक आहे. हे एक पर्यवेक्षी शिक्षण अल्गोरिदम आहे जे 0 ते 1 पर्यंतच्या विशिष्ट श्रेणीतील डेटाच्या संभाव्यतेचा अंदाज लावण्यासाठी रीग्रेशनचा वापर करते आणि या संभाव्यतेच्या आधारे अधिक संभाव्य श्रेणीतील डेटाचे वर्गीकरण करते; मुख्यतः बायनरी वर्गीकरणासाठी वापरले जाते. केएनएन हे सर्वात सोपा मशीन लर्निंग अल्गोरिदम 45 आहे. जेव्हा नवीन इनपुट डेटा दिला जातो, तेव्हा तो विद्यमान सेटच्या जवळ के डेटा शोधतो आणि नंतर त्यास उच्च वारंवारतेसह वर्गात वर्गीकृत करतो. (के) मानल्या जाणार्‍या शेजार्‍यांच्या संख्येसाठी आम्ही 3 सेट करतो. एसव्हीएम एक अल्गोरिदम आहे जो फील्ड 46 नावाच्या रेषीय जागेचा विस्तार करण्यासाठी कर्नल फंक्शनचा वापर करून दोन वर्गांमधील अंतर जास्तीत जास्त करतो. या मॉडेलसाठी, आम्ही बहुपदीय कर्नलसाठी हायपरपॅरामीटर्स म्हणून बायस = 1, पॉवर = 1 आणि गामा = 1 वापरतो. वृक्षांच्या संरचनेमध्ये निर्णय नियमांचे प्रतिनिधित्व करून अनेक उपसमूहांमध्ये सेट केलेले संपूर्ण डेटा विभाजित करण्यासाठी अल्गोरिदम म्हणून विविध क्षेत्रात डीटी लागू केले गेले आहे. मॉडेल 2 च्या नोडच्या किमान रेकॉर्डसह कॉन्फिगर केले आहे आणि गुणवत्तेच्या मोजमाप म्हणून जीआयएनआय निर्देशांक वापरते. आरएफ ही एक एकत्रित पद्धत आहे जी बूटस्ट्रॅप एकत्रीकरण पद्धतीचा वापर करून कार्यप्रदर्शन सुधारण्यासाठी एकाधिक डीटीची जोड देते जी मूळ डेटासेट 48 पासून समान आकाराचे समान आकाराचे नमुने यादृच्छिकपणे रेखाटून प्रत्येक नमुन्यासाठी कमकुवत वर्गीकरण तयार करते. आम्ही नोड पृथक्करण निकष म्हणून 100 झाडे, 10 झाडाची खोली, 1 किमान नोड आकार आणि गिनी अ‍ॅडमिक्सचर इंडेक्स वापरली. नवीन डेटाचे वर्गीकरण बहुसंख्य मतांद्वारे निश्चित केले जाते. एक्सजीबोस्ट हा एक अल्गोरिदम आहे जो मागील मॉडेलच्या वास्तविक आणि अंदाजित मूल्यांमधील त्रुटी प्रशिक्षण डेटा म्हणून घेणारी एक पद्धत वापरुन बूस्टिंग तंत्राची जोड देते आणि ग्रेडियंट 49 वापरुन त्रुटी वाढवते. हे त्याच्या चांगल्या कार्यक्षमतेमुळे आणि संसाधन कार्यक्षमतेमुळे तसेच ओव्हरफिटिंग करेक्शन फंक्शन म्हणून उच्च विश्वसनीयतेमुळे मोठ्या प्रमाणात वापरले जाणारे अल्गोरिदम आहे. मॉडेल 400 सपोर्ट व्हील्ससह सुसज्ज आहे. एमएलपी हे एक न्यूरल नेटवर्क आहे ज्यामध्ये एक किंवा अधिक पर्सेप्ट्रॉन इनपुट आणि आउटपुट लेयर्स 38 दरम्यान एक किंवा अधिक लपविलेल्या थरांसह एकाधिक स्तर तयार करतात. याचा वापर करून, आपण नॉन-रेखीय वर्गीकरण करू शकता जेथे आपण इनपुट लेयर जोडता आणि परिणाम मूल्य मिळविता तेव्हा अंदाजित परिणाम मूल्य वास्तविक परिणाम मूल्याशी तुलना केली जाते आणि त्रुटी परत प्रसारित केली जाते. आम्ही प्रत्येक थरात 20 लपलेल्या न्यूरॉन्ससह एक लपलेला थर तयार केला. आम्ही विकसित केलेले प्रत्येक मॉडेल संवेदनशीलता, विशिष्टता, पीपीव्ही, एनपीव्ही आणि एयूआरओसीची गणना करून वर्गीकरण कार्यक्षमतेची चाचणी घेण्यासाठी अंतर्गत आणि बाह्य संचावर लागू केले गेले. संवेदनशीलता 18 वर्ष किंवा त्याहून अधिक वयाच्या नमुन्याशी वयाच्या 18 वर्षांच्या किंवा त्याहून अधिक वयाच्या नमुन्याचे प्रमाण म्हणून परिभाषित केली जाते. विशिष्टता हे 18 वर्षांपेक्षा कमी वयाच्या नमुन्यांचे प्रमाण आणि 18 वर्षांपेक्षा कमी वयाचे अंदाज आहे.
प्रशिक्षण संचामध्ये मूल्यांकन केलेल्या दंत टप्प्यांचे सांख्यिकीय विश्लेषणासाठी संख्यात्मक टप्प्यात रूपांतरित केले गेले. प्रत्येक लिंगासाठी भविष्यवाणी करणारे मॉडेल विकसित करण्यासाठी आणि वयाचा अंदाज लावण्यासाठी वापरल्या जाणार्‍या रीग्रेशन फॉर्म्युल्स मिळविण्यासाठी मल्टीव्हिएट रेखीय आणि लॉजिस्टिक रीग्रेशन केले गेले. आम्ही या सूत्रांचा वापर अंतर्गत आणि बाह्य चाचणी दोन्ही सेटसाठी दात वयाचा अंदाज लावण्यासाठी केला. सारणी 4 या अभ्यासामध्ये वापरल्या जाणार्‍या रीग्रेशन आणि वर्गीकरण मॉडेल दर्शविते.
कोहेनच्या कप्पा सांख्यिकी वापरून इंट्रा- आणि इंटरबॉझर विश्वसनीयता मोजली गेली. डीएम आणि पारंपारिक रीग्रेशन मॉडेल्सच्या अचूकतेची चाचणी घेण्यासाठी, आम्ही अंतर्गत आणि बाह्य चाचणी संचाच्या अंदाजित आणि वास्तविक वयोगटाचा वापर करून एमएई आणि आरएमएसईची गणना केली. या त्रुटी सामान्यत: मॉडेलच्या अंदाजांच्या अचूकतेचे मूल्यांकन करण्यासाठी वापरल्या जातात. त्रुटी जितकी लहान असेल तितकी अंदाज 24 ची अचूकता. डीएम आणि पारंपारिक रीग्रेशनचा वापर करून गणना केलेल्या अंतर्गत आणि बाह्य चाचणी सेटच्या एमएई आणि आरएमएसईची तुलना करा. पारंपारिक आकडेवारीतील 18-वर्षाच्या कटऑफच्या वर्गीकरण कामगिरीचे मूल्यांकन 2 × 2 आकस्मिक सारणीचा वापर करून केले गेले. चाचणी सेटची गणना केलेली संवेदनशीलता, विशिष्टता, पीपीव्ही, एनपीव्ही आणि एयूआरओसीची तुलना डीएम वर्गीकरण मॉडेलच्या मोजलेल्या मूल्यांशी केली गेली. डेटा वैशिष्ट्यांनुसार डेटा ± मानक विचलन किंवा संख्या (%) म्हणून व्यक्त केला जातो. दोन बाजूंनी पी मूल्ये <0.05 सांख्यिकीय दृष्टीने महत्त्वपूर्ण मानली गेली. सर्व नियमित सांख्यिकीय विश्लेषण एसएएस आवृत्ती 9.4 (एसएएस इन्स्टिट्यूट, कॅरी, एनसी) वापरून केले गेले. डीएम रीग्रेशन मॉडेल पायथनमध्ये केरास 50 2.2.4 बॅकएंड आणि टेन्सरफ्लो 51 1.8.0 विशेषतः गणिताच्या ऑपरेशन्ससाठी लागू केले गेले. डीएम वर्गीकरण मॉडेल वाईकाटो नॉलेज अ‍ॅनालिसिस एन्व्हायर्नमेंट आणि कोन्स्टान्झ इन्फॉर्मेशन मायनर (एनआयएमई) 6.6.१5२ विश्लेषण प्लॅटफॉर्ममध्ये लागू केले गेले.
लेखक कबूल करतात की अभ्यासाच्या निष्कर्षांना आधार देणारा डेटा लेख आणि पूरक सामग्रीमध्ये आढळू शकतो. अभ्यासादरम्यान व्युत्पन्न केलेले आणि/किंवा विश्लेषण केलेले डेटासेट वाजवी विनंतीवर संबंधित लेखकाकडून उपलब्ध आहेत.
रिट्ज-टिम्मे, एस. इत्यादी. वय मूल्यांकन: फॉरेन्सिक प्रॅक्टिसच्या विशिष्ट आवश्यकता पूर्ण करण्यासाठी कलेची स्थिती. आंतरराष्ट्रीयता. जे. कायदेशीर औषध. 113, 129–136 (2000).
शमेलिंग, ए., रीझिंगर, डब्ल्यू., गेसेरिक, जी. फॉरेन्सिक्स. औषध. पॅथॉलॉजी. 1, 239–246 (2005).
पॅन, जे. एट अल. पूर्व चीनमध्ये 5 ते 16 वर्षे वयोगटातील मुलांच्या दंत वयाचे मूल्यांकन करण्यासाठी एक सुधारित पद्धत. क्लिनिकल. तोंडी सर्वेक्षण. 25, 3463–3474 (2021).
ली, एसएस इ. कोरीयन भाषेतील द्वितीय आणि तृतीय मोलर्सच्या विकासाचे कालक्रम आणि फॉरेन्सिक वय मूल्यांकनसाठी त्याचा अर्ज. आंतरराष्ट्रीयता. जे. कायदेशीर औषध. 124, 659–665 (2010).
अरे, एस. पीएलओएस एक 17, E0271247 (2022).
किम, जेवाय, इत्यादी. प्रीऑपरेटिव्ह मशीन लर्निंग-आधारित डेटा विश्लेषण ओएसएच्या रूग्णांमध्ये झोपेच्या शस्त्रक्रिया उपचारांच्या परिणामाचा अंदाज लावू शकते. विज्ञान. अहवाल 11, 14911 (2021).
हान, एम. एट अल. मानवी हस्तक्षेपासह किंवा त्याशिवाय मशीन लर्निंगचे अचूक वय अंदाज? आंतरराष्ट्रीयता. जे. कायदेशीर औषध. 136, 821–831 (2022).
खान, एस. आणि शाहीन, एम. डेटा खाण ते डेटा खाण पर्यंत. J.information. विज्ञान. https://doi.org/10.1177/01655515211030872 (2021).
खान, एस. आणि शाहीन, एम. विस्रूल: असोसिएशन नियम खाणकामासाठी प्रथम संज्ञानात्मक अल्गोरिदम. J.information. विज्ञान. https://doi.org/10.1177/01655515221108695 (2022).
शाहीन एम. आणि अब्दुल्ला यू. कर्म: संदर्भ-आधारित असोसिएशनच्या नियमांवर आधारित पारंपारिक डेटा खाण. गणना करा. मॅट. सुरू ठेवा. 68, 3305–3322 (2021).
मुहम्मद एम., रेहमान झेड., शाहीन एम., खान एम. आणि हबीब एम. मजकूर डेटा वापरुन डीप लर्निंग आधारित अर्थपूर्ण समानता शोध. माहिती. तंत्रज्ञान. नियंत्रण. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
टॅबिश, एम., तनोली, झेड. आणि शाहिन, एम. स्पोर्ट्स व्हिडिओंमध्ये क्रियाकलाप ओळखण्याची एक प्रणाली. मल्टीमीडिया. साधने अनुप्रयोग https://doi.org/10.1007/S11042-021-10519-6 (2021).
हलाबी, एसएस इट अल. बालरोगविषयक हाडांच्या वयात आरएसएनए मशीन लर्निंग चॅलेंज. रेडिओलॉजी 290, 498–503 (2019).
ली, वाय. एट अल. सखोल शिक्षणाचा वापर करून पेल्विक एक्स-रे कडून फॉरेन्सिक वय अंदाज. युरो. रेडिएशन. 29, 2322–2329 (2019).
गुओ, वायसी, इत्यादी. ऑर्थोग्राफिक प्रोजेक्शन प्रतिमांमधून मॅन्युअल पद्धती आणि खोल कॉन्व्होल्यूशनल न्यूरल नेटवर्क वापरुन अचूक वय वर्गीकरण. आंतरराष्ट्रीयता. जे. कायदेशीर औषध. 135, 1589–1597 (2021).
अलाबामा डालोरा एट अल. वेगवेगळ्या मशीन शिक्षण पद्धतींचा वापर करून हाडांच्या वयाचा अंदाजः एक पद्धतशीर साहित्य पुनरावलोकन आणि मेटा-विश्लेषण. पीएलओएस एक 14, E0220242 (2019).
डू, एच., ली, जी., चेंग, के., आणि यांग, जे. लोकसंख्या-विशिष्ट वय अंदाजे आफ्रिकन अमेरिकन आणि चिनी लोकांचे शंकू-बीम संगणकीय टोमोग्राफी वापरुन पहिल्या मोलर्सच्या पल्प चेंबरच्या खंडांवर आधारित. आंतरराष्ट्रीयता. जे. कायदेशीर औषध. 136, 811-819 (2022).
किम एस., ली वाईएच, नोह वायके, पार्क एफके आणि ओएच केएस फर्स्ट मोलर्सच्या कृत्रिम बुद्धिमत्ता-आधारित प्रतिमांचा वापर करून जिवंत लोकांचे वय गट निर्धारित करतात. विज्ञान. अहवाल 11, 1073 (2021).
स्टर्न, डी., पेअर, सी., जिउलियानी, एन. आयईईई जे. बायोमेड. आरोग्य सतर्कता. 23, 1392–1403 (2019).
चेंग, क्यू., जीई, झेड., डू, एच. आंतरराष्ट्रीयता. जे. कायदेशीर औषध. 135, 365–373 (2021).
वू, डब्ल्यूटी, इत्यादी. क्लिनिकल बिग डेटामधील डेटा खाण: सामान्य डेटाबेस, चरण आणि पद्धती मॉडेल. जग. औषध. संसाधन. 8, 44 (2021).
यांग, जे. इत्यादी. मोठ्या डेटा युगातील वैद्यकीय डेटाबेस आणि डेटा खाण तंत्रज्ञानाचा परिचय. जे. एव्हिड. मूलभूत औषध. 13, 57-69 (2020).
शेन, एस. इत्यादी. मशीन लर्निंगचा वापर करून दात वयाचा अंदाज लावण्यासाठी कॅमेराची पद्धत. बीएमसी तोंडी आरोग्य 21, 641 (2021).
गॅलिबर्ग ए. एट अल. डेमर्डजियन स्टेजिंग पद्धतीचा वापर करून दंत वयाचा अंदाज लावण्यासाठी वेगवेगळ्या मशीन शिक्षण पद्धतींची तुलना. आंतरराष्ट्रीयता. जे. कायदेशीर औषध. 135, 665–675 (2021).
डेमर्डजियान, ए., गोल्डस्टीन, एच. आणि टॅनर, जेएम दंत वयाचे मूल्यांकन करण्यासाठी एक नवीन प्रणाली. स्नॉर्ट. जीवशास्त्र. 45, 211-2227 (1973).
लँडिस, जूनियर आणि कोच, जीजी उपायांवरील निरीक्षक कराराचे उपाय. बायोमेट्रिक्स 33, 159–174 (1977).
भट्टाचारजी एस, प्रकाश डी, किम सी, किम एचके आणि चोई एचके. प्राथमिक मेंदूच्या ट्यूमरच्या भिन्नतेसाठी कृत्रिम बुद्धिमत्ता तंत्राचा वापर करून द्विमितीय चुंबकीय अनुनाद इमेजिंगचे टेक्स्टोरल, मॉर्फोलॉजिकल आणि सांख्यिकीय विश्लेषण. आरोग्य माहिती. संसाधन. https://doi.org/10.4258/hir.2022.28.1.46 (2022).