कोरियन किशोरवयीन आणि तरुण प्रौढांमध्ये पारंपरिक दंत वय अंदाज पद्धतींच्या तुलनेत डेटा मायनिंग मॉडेलची पडताळणी

Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये CSS साठी मर्यादित समर्थन आहे. सर्वोत्तम परिणामांसाठी, आम्ही तुमच्या ब्राउझरची नवीन आवृत्ती वापरण्याची (किंवा इंटरनेट एक्सप्लोररमधील कंपॅटिबिलिटी मोड बंद करण्याची) शिफारस करतो. दरम्यान, सतत समर्थन सुनिश्चित करण्यासाठी, आम्ही ही साइट स्टायलिंग किंवा जावास्क्रिप्टशिवाय दाखवत आहोत.
दात हे मानवी शरीराच्या वयाचे सर्वात अचूक सूचक मानले जातात आणि न्यायवैद्यक वय-निर्धारणामध्ये त्यांचा अनेकदा वापर केला जातो. पारंपरिक पद्धती आणि डेटा मायनिंग-आधारित वय-निर्धारण यांच्याशी १८ वर्षांच्या मर्यादेच्या अंदाजाची अचूकता आणि वर्गीकरण कामगिरीची तुलना करून, डेटा मायनिंग-आधारित दंत वय-अंदाजांची वैधता तपासणे हे आमचे उद्दिष्ट होते. १५ ते २३ वर्षे वयोगटातील कोरियन आणि जपानी नागरिकांकडून एकूण २६५७ पॅनोरामिक रेडिओग्राफ गोळा करण्यात आले. त्यांची विभागणी दोन संचांमध्ये करण्यात आली: एक प्रशिक्षण संच, ज्यात प्रत्येकी ९०० कोरियन रेडिओग्राफ होते, आणि एक अंतर्गत चाचणी संच, ज्यात ८५७ जपानी रेडिओग्राफ होते. आम्ही पारंपरिक पद्धतींच्या वर्गीकरण अचूकतेची आणि कार्यक्षमतेची तुलना डेटा मायनिंग मॉडेल्सच्या चाचणी संचांशी केली. अंतर्गत चाचणी संचावरील पारंपरिक पद्धतीची अचूकता डेटा मायनिंग मॉडेलपेक्षा किंचित जास्त आहे आणि हा फरक कमी आहे (सरासरी निरपेक्ष त्रुटी <०.२१ वर्षे, मूळ सरासरी वर्ग त्रुटी <०.२४ वर्षे). १८ वर्षांच्या मर्यादेसाठीची वर्गीकरण कामगिरी देखील पारंपरिक पद्धती आणि डेटा मायनिंग मॉडेल्समध्ये सारखीच आहे. अशा प्रकारे, कोरियन किशोरवयीन आणि तरुण प्रौढांमध्ये दुसऱ्या आणि तिसऱ्या दाढांच्या परिपक्वतेचा वापर करून न्यायवैद्यकीय वय निश्चिती करताना पारंपरिक पद्धतींऐवजी डेटा मायनिंग मॉडेल्सचा वापर केला जाऊ शकतो.
दंत वयाचा अंदाज न्यायवैद्यकशास्त्र आणि बालदंतचिकित्सेमध्ये मोठ्या प्रमाणावर वापरला जातो. विशेषतः, कालानुक्रमे वय आणि दातांचा विकास यांच्यातील उच्च सहसंबंधामुळे, दंत विकासाच्या टप्प्यांनुसार वय निश्चित करणे हे लहान मुले आणि किशोरवयीन मुलांचे वय ठरवण्यासाठी एक महत्त्वाचा निकष आहे¹,²,³. तथापि, तरुण लोकांसाठी, दातांच्या परिपक्वतेच्या आधारावर दंत वयाचा अंदाज लावण्यास मर्यादा आहेत, कारण तिसऱ्या दाढा वगळता दातांची वाढ जवळजवळ पूर्ण झालेली असते. तरुण आणि किशोरवयीन मुलांचे वय निश्चित करण्याचा कायदेशीर उद्देश म्हणजे ते सज्ञान झाले आहेत की नाही याचा अचूक अंदाज आणि वैज्ञानिक पुरावा प्रदान करणे हा आहे. कोरियामध्ये किशोरवयीन आणि तरुण प्रौढांच्या वैद्यकीय-कायदेशीर प्रथेमध्ये, ली यांच्या पद्धतीचा वापर करून वयाचा अंदाज लावला गेला आणि ओह इत्यादींनी दिलेल्या माहितीच्या आधारे १८ वर्षांची कायदेशीर मर्यादा निश्चित करण्यात आली⁵.
मशीन लर्निंग हा कृत्रिम बुद्धिमत्तेचा (AI) एक प्रकार आहे, जो मोठ्या प्रमाणात डेटा वारंवार शिकतो आणि त्याचे वर्गीकरण करतो, स्वतःहून समस्या सोडवतो आणि डेटा प्रोग्रामिंग चालवतो. मशीन लर्निंग मोठ्या प्रमाणातील डेटामध्ये उपयुक्त छुपे नमुने शोधू शकते⁶. याउलट, पारंपरिक पद्धती, ज्या श्रम-केंद्रित आणि वेळखाऊ आहेत, त्यांना मोठ्या प्रमाणातील जटिल डेटा हाताळताना मर्यादा येऊ शकतात, ज्यावर हाताने प्रक्रिया करणे कठीण असते⁷. त्यामुळे, मानवी चुका कमी करण्यासाठी आणि बहुआयामी डेटावर कार्यक्षमतेने प्रक्रिया करण्यासाठी नवीनतम संगणक तंत्रज्ञानाचा वापर करून अलीकडे अनेक अभ्यास केले गेले आहेत⁸,⁹,¹⁰,¹¹,¹². विशेषतः, डीप लर्निंगचा वैद्यकीय प्रतिमा विश्लेषणात मोठ्या प्रमाणावर वापर केला गेला आहे, आणि वयाचा अंदाज लावण्याची अचूकता आणि कार्यक्षमता सुधारण्यासाठी रेडिओग्राफचे स्वयंचलितपणे विश्लेषण करून वयाचा अंदाज लावण्याच्या विविध पद्धतींची नोंद केली गेली आहे¹³,¹⁴,¹⁵,¹⁶,¹⁷,¹⁸,¹⁹,²⁰. उदाहरणार्थ, हलाबी आणि त्यांच्या सहकाऱ्यांनी¹³ मुलांच्या हातांच्या रेडिओग्राफचा वापर करून सांगाड्याच्या वयाचा अंदाज लावण्यासाठी कन्व्होल्यूशनल न्यूरल नेटवर्क्स (CNN) वर आधारित एक मशीन लर्निंग अल्गोरिदम विकसित केला. या अभ्यासात वैद्यकीय प्रतिमांवर मशीन लर्निंग लागू करणारे एक मॉडेल प्रस्तावित केले आहे आणि दाखवले आहे की या पद्धती निदानात्मक अचूकता सुधारू शकतात. ली आणि त्यांच्या सहकाऱ्यांनी [14] डीप लर्निंग सीएनएन वापरून श्रोणीच्या एक्स-रे प्रतिमांमधून वयाचा अंदाज लावला आणि अस्थीभवन अवस्थेच्या अंदाजाचा वापर करून मिळालेल्या रिग्रेशन परिणामांशी त्यांची तुलना केली. त्यांना असे आढळले की डीप लर्निंग सीएनएन मॉडेलने पारंपरिक रिग्रेशन मॉडेलप्रमाणेच वयाचा अंदाज लावण्याची कामगिरी दर्शविली. गुओ आणि त्यांच्या सहकाऱ्यांच्या अभ्यासात [15] दंत ऑर्थोफोटोंवर आधारित सीएनएन तंत्रज्ञानाच्या वय सहिष्णुता वर्गीकरण कामगिरीचे मूल्यांकन केले गेले आणि सीएनएन मॉडेलच्या परिणामांनी हे सिद्ध केले की मानवांनी त्याच्या वय वर्गीकरण कामगिरीला मागे टाकले.
मशीन लर्निंग वापरून वयाचा अंदाज लावण्यावरील बहुतेक अभ्यासांमध्ये डीप लर्निंग पद्धतींचा वापर केला जातो¹³,¹⁴,¹⁵,¹⁶,¹⁷,¹⁸,¹⁹,²⁰. डीप लर्निंगवर आधारित वयाचा अंदाज पारंपरिक पद्धतींपेक्षा अधिक अचूक असल्याचे नोंदवले गेले आहे. तथापि, या दृष्टिकोनामुळे वयाच्या अंदाजासाठी वैज्ञानिक आधार सादर करण्याची संधी कमी मिळते, जसे की अंदाजामध्ये वापरलेले वयाचे निर्देशक. तपासणी कोण करते यावर कायदेशीर वाद देखील आहे. त्यामुळे, डीप लर्निंगवर आधारित वयाचा अंदाज प्रशासकीय आणि न्यायालयीन अधिकाऱ्यांकडून स्वीकारला जाणे कठीण आहे. डेटा मायनिंग (DM) हे एक तंत्र आहे जे मोठ्या प्रमाणात डेटामधील उपयुक्त सहसंबंध शोधण्याची एक पद्धत म्हणून केवळ अपेक्षितच नव्हे तर अनपेक्षित माहिती देखील शोधू शकते⁶,²¹,²². डेटा मायनिंगमध्ये अनेकदा मशीन लर्निंगचा वापर केला जातो आणि डेटा मायनिंग व मशीन लर्निंग दोन्ही डेटामधील नमुने शोधण्यासाठी समान मुख्य अल्गोरिदम वापरतात. दातांच्या विकासाचा वापर करून वयाचा अंदाज हा तपासनीसाने लक्ष्य दातांच्या परिपक्वतेचे केलेल्या मूल्यांकनावर आधारित असतो आणि हे मूल्यांकन प्रत्येक लक्ष्य दातासाठी एका टप्प्याच्या स्वरूपात व्यक्त केले जाते. दातांच्या मूल्यांकनाचा टप्पा आणि वास्तविक वय यांच्यातील सहसंबंधाचे विश्लेषण करण्यासाठी DM चा वापर केला जाऊ शकतो आणि त्यात पारंपरिक सांख्यिकीय विश्लेषणाची जागा घेण्याची क्षमता आहे. म्हणून, जर आपण वय-अंदाजासाठी डीएम तंत्रांचा वापर केला, तर आपण कायदेशीर जबाबदारीची चिंता न करता न्यायवैद्यक वय-अंदाजामध्ये मशीन लर्निंग लागू करू शकतो. न्यायवैद्यक पद्धतीमध्ये वापरल्या जाणाऱ्या पारंपरिक मॅन्युअल पद्धती आणि दंत वय निश्चित करण्याच्या EBM-आधारित पद्धतींना संभाव्य पर्यायांवर अनेक तुलनात्मक अभ्यास प्रकाशित झाले आहेत. शेन आणि सहकाऱ्यांनी²³ दाखवून दिले की डीएम मॉडेल पारंपरिक कॅमेरर सूत्रापेक्षा अधिक अचूक आहे. गॅलिबर्ग आणि सहकाऱ्यांनी²⁴ डेमिर्डजियन निकष²⁵ नुसार वयाचा अंदाज लावण्यासाठी वेगवेगळ्या डीएम पद्धती लागू केल्या आणि निकालांवरून असे दिसून आले की फ्रेंच लोकसंख्येचे वय अंदाजित करण्यात डीएम पद्धत डेमिर्डजियन आणि विलेम्स पद्धतींपेक्षा सरस ठरली.
कोरियन किशोरवयीन आणि तरुण प्रौढांच्या दातांचे वय अंदाजे ठरवण्यासाठी, कोरियन न्यायवैद्यक पद्धतीत ली यांची पद्धत ४ मोठ्या प्रमाणावर वापरली जाते. ही पद्धत कोरियन व्यक्ती आणि त्यांचे कालानुक्रमे वय यांच्यातील संबंध तपासण्यासाठी पारंपरिक सांख्यिकीय विश्लेषण (जसे की मल्टिपल रिग्रेशन) वापरते. या अभ्यासात, पारंपरिक सांख्यिकीय पद्धती वापरून मिळवलेल्या वय अंदाज पद्धतींना “पारंपरिक पद्धती” असे परिभाषित केले आहे. ली यांची पद्धत ही एक पारंपरिक पद्धत आहे, आणि तिची अचूकता ओह आणि इतरांनी ५ यांनी प्रमाणित केली आहे; तथापि, कोरियन न्यायवैद्यक पद्धतीत डीएम मॉडेलवर आधारित वय अंदाजाची उपयोज्यता अजूनही प्रश्नचिन्हात आहे. डीएम मॉडेलवर आधारित वय अंदाजाच्या संभाव्य उपयुक्ततेची वैज्ञानिकदृष्ट्या पडताळणी करणे हे आमचे ध्येय होते. या अभ्यासाचा उद्देश (१) दातांचे वय अंदाजे ठरवण्यासाठी दोन डीएम मॉडेल्सच्या अचूकतेची तुलना करणे आणि (२) दोन्ही जबड्यांमधील दुसऱ्या आणि तिसऱ्या दाढांच्या परिपक्वतेनुसार, १८ वर्षांच्या वयातील ७ डीएम मॉडेल्सच्या वर्गीकरण कामगिरीची पारंपरिक सांख्यिकीय पद्धती वापरून मिळवलेल्या कामगिरीशी तुलना करणे हा होता.
टप्प्यानुसार आणि दातांच्या प्रकारानुसार कालानुक्रमे वयाची माध्यके आणि प्रमाण विचलने ऑनलाइन पूरक सारणी S1 (प्रशिक्षण संच), पूरक सारणी S2 (अंतर्गत चाचणी संच), आणि पूरक सारणी S3 (बाह्य चाचणी संच) मध्ये दर्शविली आहेत. प्रशिक्षण संचातून मिळालेली आंतर-निरीक्षक आणि आंतर-निरीक्षक विश्वसनीयतेची कप्पा मूल्ये अनुक्रमे 0.951 आणि 0.947 होती. कप्पा मूल्यांसाठी P मूल्ये आणि 95% विश्वासार्हता अंतराल ऑनलाइन पूरक सारणी S4 मध्ये दर्शविले आहेत. कप्पा मूल्याचा अर्थ "जवळजवळ परिपूर्ण" असा लावण्यात आला, जो लँडिस आणि कोच26 यांच्या निकषांशी सुसंगत आहे.
मीन ॲब्सोल्यूट एरर (MAE) ची तुलना करताना, मल्टीलेअर परसेप्ट्रॉन (MLP) चा अपवाद वगळता, पारंपरिक पद्धत सर्व लिंगांसाठी आणि बाह्य पुरुष चाचणी संचामध्ये DM मॉडेलपेक्षा किंचित सरस ठरते. अंतर्गत MAE चाचणी संचावर पारंपरिक मॉडेल आणि DM मॉडेलमधील फरक पुरुषांसाठी ०.१२–०.१९ वर्षे आणि महिलांसाठी ०.१७–०.२१ वर्षे होता. बाह्य चाचणी संचासाठी, हे फरक कमी आहेत (पुरुषांसाठी ०.००१–०.०५ वर्षे आणि महिलांसाठी ०.०५–०.०९ वर्षे). याव्यतिरिक्त, रूट मीन स्क्वेअर एरर (RMSE) पारंपरिक पद्धतीपेक्षा किंचित कमी आहे, आणि फरकही कमी आहेत (पुरुषांच्या अंतर्गत चाचणी संचासाठी ०.१७–०.२४, ०.२–०.२४ आणि बाह्य चाचणी संचासाठी ०.०३–०.०७, ०.०४–०.०८). महिलांच्या बाह्य चाचणी संचाचा अपवाद वगळता, MLP सिंगल लेअर परसेप्ट्रॉन (SLP) पेक्षा किंचित चांगली कामगिरी दाखवते. सर्व लिंग आणि मॉडेल्ससाठी, MAE आणि RMSE च्या बाबतीत बाह्य चाचणी संचाचे गुण अंतर्गत चाचणी संचापेक्षा जास्त आहेत. सर्व MAE आणि RMSE तक्ता १ आणि आकृती १ मध्ये दर्शविले आहेत.
पारंपरिक आणि डेटा मायनिंग रिग्रेशन मॉडेल्सचे एमएई आणि आरएमएसई. मीन ॲब्सोल्यूट एरर (MAE), रूट मीन स्क्वेअर एरर (RMSE), सिंगल लेयर परसेप्ट्रॉन (SLP), मल्टीलेयर परसेप्ट्रॉन (MLP), पारंपरिक सीएम पद्धत.
पारंपरिक आणि डीएम मॉडेल्सची वर्गीकरण कामगिरी (१८ वर्षांच्या कटऑफसह) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यसूचक मूल्य (PPV), नकारात्मक भविष्यसूचक मूल्य (NPV) आणि रिसीव्हर ऑपरेटिंग कॅरॅक्टरिस्टिक वक्राखालील क्षेत्र (AUROC) २७ (तक्ता २, आकृती २ आणि ऑनलाइन पूरक आकृती १) च्या संदर्भात दर्शविली गेली. अंतर्गत चाचणी संचाच्या संवेदनशीलतेच्या बाबतीत, पारंपरिक पद्धतींनी पुरुषांमध्ये सर्वोत्तम आणि महिलांमध्ये वाईट कामगिरी केली. तथापि, पारंपरिक पद्धती आणि एसडी यांच्यातील वर्गीकरण कामगिरीतील फरक पुरुषांसाठी ९.७% (एमएलपी) आणि महिलांसाठी केवळ २.४% (एक्सजीबूस्ट) आहे. डीएम मॉडेल्समध्ये, लॉजिस्टिक रिग्रेशन (एलआर) ने दोन्ही लिंगांमध्ये चांगली संवेदनशीलता दर्शविली. अंतर्गत चाचणी संचाच्या विशिष्टतेच्या बाबतीत, असे दिसून आले की चार एसडी मॉडेल्सनी पुरुषांमध्ये चांगली कामगिरी केली, तर पारंपरिक मॉडेलने महिलांमध्ये चांगली कामगिरी केली. पुरुष आणि महिलांसाठी वर्गीकरण कामगिरीतील फरक अनुक्रमे १३.३% (एमएलपी) आणि १३.१% (एमएलपी) आहे, जे दर्शवते की मॉडेल्समधील वर्गीकरण कामगिरीतील फरक संवेदनशीलतेपेक्षा जास्त आहे. DM मॉडेल्सपैकी, सपोर्ट व्हेक्टर मशीन (SVM), डिसिजन ट्री (DT), आणि रँडम फॉरेस्ट (RF) मॉडेल्सनी पुरुषांमध्ये सर्वोत्तम कामगिरी केली, तर LR मॉडेलने महिलांमध्ये सर्वोत्तम कामगिरी केली. पारंपरिक मॉडेल आणि सर्व SD मॉडेल्सचा AUROC 0.925 पेक्षा जास्त होता (पुरुषांमध्ये के-निअरेस्ट नेबर (KNN)), ज्यामुळे 18-वर्षीय नमुन्यांमध्ये फरक ओळखण्यात उत्कृष्ट वर्गीकरण कामगिरी दिसून येते²⁸. बाह्य चाचणी संचासाठी, अंतर्गत चाचणी संचाच्या तुलनेत संवेदनशीलता, विशिष्टता आणि AUROC च्या बाबतीत वर्गीकरण कामगिरीत घट दिसून आली. शिवाय, सर्वोत्तम आणि सर्वात वाईट मॉडेल्सच्या वर्गीकरण कामगिरीमधील संवेदनशीलता आणि विशिष्टतेमधील फरक 10% ते 25% पर्यंत होता आणि तो अंतर्गत चाचणी संचातील फरकापेक्षा जास्त होता.
१८ वर्षांच्या कटऑफसह पारंपरिक पद्धतींच्या तुलनेत डेटा मायनिंग वर्गीकरण मॉडेल्सची संवेदनशीलता आणि विशिष्टता. KNN के नियरेस्ट नेबर, SVM सपोर्ट व्हेक्टर मशीन, LR लॉजिस्टिक रिग्रेशन, DT डिसिजन ट्री, RF रँडम फॉरेस्ट, XGB एक्सजीबूस्ट, MLP मल्टीलेअर परसेप्ट्रॉन, पारंपरिक CM पद्धत.
या अभ्यासातील पहिली पायरी म्हणजे सात डीएम मॉडेल्समधून मिळालेल्या दंत वयाच्या अंदाजांच्या अचूकतेची तुलना पारंपरिक रिग्रेशन वापरून मिळालेल्या अंदाजांशी करणे. दोन्ही लिंगांसाठी अंतर्गत चाचणी संचांमध्ये एमएई (MAE) आणि आरएमएसई (RMSE) चे मूल्यांकन करण्यात आले, आणि पारंपरिक पद्धत व डीएम मॉडेलमधील फरक एमएईसाठी ४४ ते ७७ दिवसांपर्यंत आणि आरएमएसईसाठी ६२ ते ८८ दिवसांपर्यंत होता. या अभ्यासात पारंपरिक पद्धत किंचित अधिक अचूक असली तरी, अशा लहान फरकाला नैदानिक ​​किंवा व्यावहारिक महत्त्व आहे की नाही, याचा निष्कर्ष काढणे कठीण आहे. हे परिणाम सूचित करतात की डीएम मॉडेल वापरून दंत वयाचा अंदाज लावण्याची अचूकता पारंपरिक पद्धतीच्या अचूकतेइतकीच आहे. मागील अभ्यासांच्या निकालांशी थेट तुलना करणे कठीण आहे कारण या अभ्यासाप्रमाणेच त्याच वयोगटात दात नोंदवण्याचे समान तंत्र वापरून कोणत्याही अभ्यासाने डीएम मॉडेल्सच्या अचूकतेची तुलना पारंपरिक सांख्यिकीय पद्धतींशी केलेली नाही. गॅलिबर्ग आणि सहकाऱ्यांनी²⁴ २ ते २४ वर्षे वयोगटातील फ्रेंच लोकसंख्येमध्ये दोन पारंपरिक पद्धती (डेमिर्जियन पद्धत²⁵ आणि विलेम्स पद्धत²⁹) आणि १० डीएम मॉडेल्समधील एमएई आणि आरएमएसईची तुलना केली. त्यांनी अहवाल दिला की सर्व डीएम मॉडेल्स पारंपरिक पद्धतींपेक्षा अधिक अचूक होते, विलेम्स आणि डेमिर्डजियन पद्धतींच्या तुलनेत अनुक्रमे एमएईमध्ये ०.२० आणि ०.३८ वर्षे आणि आरएमएसईमध्ये ०.२५ आणि ०.४७ वर्षांचा फरक होता. हॅलिबर्ग अभ्यासात दर्शविलेली एसडी मॉडेल आणि पारंपरिक पद्धतींमधील तफावत, अनेक अहवाल ३०,३१,३२,३३ विचारात घेते, ज्यात असे म्हटले आहे की डेमिर्डजियन पद्धत, ज्या फ्रेंच कॅनेडियन लोकसंख्येवर तो अभ्यास आधारित होता, त्याव्यतिरिक्त इतर लोकसंख्येमध्ये दातांचे वय अचूकपणे मोजत नाही. या अभ्यासात, ताई आणि इतरांनी ३४ १६३६ चिनी ऑर्थोडॉन्टिक छायाचित्रांवरून दातांचे वय वर्तवण्यासाठी एमएलपी अल्गोरिदम वापरला आणि त्याच्या अचूकतेची तुलना डेमिर्डजियन आणि विलेम्स पद्धतीच्या निकालांशी केली. त्यांनी अहवाल दिला की एमएलपीची अचूकता पारंपरिक पद्धतींपेक्षा जास्त आहे. डेमिर्डजियन पद्धत आणि पारंपरिक पद्धत यांच्यातील फरक <०.३२ वर्षे आहे, आणि विलेम्स पद्धतीमध्ये ०.२८ वर्षे आहे, जे सध्याच्या अभ्यासाच्या निकालांसारखेच आहे. या पूर्वीच्या अभ्यासांचे निष्कर्ष24,34 हे प्रस्तुत अभ्यासाच्या निष्कर्षांशी सुसंगत आहेत आणि डीएम मॉडेल व पारंपरिक पद्धतीच्या वय-अंदाजाची अचूकता समान आहे. तथापि, सादर केलेल्या निष्कर्षांच्या आधारे, तुलनात्मक आणि संदर्भात्मक पूर्वीच्या अभ्यासांच्या अभावामुळे, वय-अंदाजासाठी डीएम मॉडेल्सचा वापर विद्यमान पद्धतींची जागा घेऊ शकतो, असा सावध निष्कर्ष आपण काढू शकतो. या अभ्यासात मिळालेल्या निष्कर्षांची पुष्टी करण्यासाठी मोठ्या नमुन्यांचा वापर करून पुढील अभ्यासांची आवश्यकता आहे.
दंत वयाचा अंदाज घेण्यासाठी एसडीच्या अचूकतेची चाचणी करणाऱ्या अभ्यासांपैकी, काहींनी आमच्या अभ्यासापेक्षा जास्त अचूकता दर्शविली. स्टेपनोव्स्की आणि सहकाऱ्यांनी ३५, २.७ ते २०.५ वर्षे वयोगटातील ९७६ चेक रहिवाशांच्या पॅनोरामिक रेडियोग्राफवर २२ एसडी मॉडेल्स लागू केले आणि प्रत्येक मॉडेलच्या अचूकतेची चाचणी केली. त्यांनी मूर्रीस आणि सहकाऱ्यांनी ३६ प्रस्तावित केलेल्या वर्गीकरण निकषांचा वापर करून डाव्या बाजूच्या वरच्या आणि खालच्या एकूण १६ कायमस्वरूपी दातांच्या विकासाचे मूल्यांकन केले. एमएई ०.६४ ते ०.९४ वर्षांपर्यंत आणि आरएमएसई ०.८५ ते १.२७ वर्षांपर्यंत आहे, जे या अभ्यासात वापरलेल्या दोन डीएम मॉडेल्सपेक्षा अधिक अचूक आहेत. शेन आणि सहकाऱ्यांनी २३, ५ ते १३ वर्षे वयोगटातील पूर्व चीनी रहिवाशांच्या डाव्या जबड्यातील सात कायमस्वरूपी दातांचे दंत वय अंदाजित करण्यासाठी कॅमेरियर पद्धतीचा वापर केला आणि त्याची तुलना लिनियर रिग्रेशन, एसव्हीएम आणि आरएफ वापरून अंदाजित केलेल्या वयांशी केली. त्यांनी दाखवले की पारंपारिक कॅमेरियर सूत्राच्या तुलनेत तिन्ही डीएम मॉडेल्समध्ये जास्त अचूकता आहे. शेन यांच्या अभ्यासातील एमएई (MAE) आणि आरएमएसई (RMSE) हे या अभ्यासातील डीएम (DM) मॉडेलमधील मूल्यांपेक्षा कमी होते. स्टेपनोव्स्की आणि सहकाऱ्यांच्या ३५ आणि शेन आणि सहकाऱ्यांच्या २३ अभ्यासांमधील वाढलेली अचूकता ही त्यांच्या अभ्यास नमुन्यांमध्ये तरुण व्यक्तींचा समावेश असल्यामुळे असू शकते. दातांच्या विकासादरम्यान दातांची संख्या वाढत असताना, दात विकसित होत असलेल्या सहभागींसाठी वयाचा अंदाज अधिक अचूक होत असल्यामुळे, जेव्हा अभ्यासातील सहभागी तरुण असतात, तेव्हा परिणामी वय-अंदाज पद्धतीच्या अचूकतेवर परिणाम होऊ शकतो. याव्यतिरिक्त, वय-अंदाजामधील एमएलपीची (MLP) त्रुटी एसएलपीच्या (SLP) त्रुटीपेक्षा किंचित कमी आहे, याचा अर्थ एमएलपी हे एसएलपीपेक्षा अधिक अचूक आहे. एमएलपी३८ मधील हिडन लेयर्समुळे, वय-अंदाजासाठी एमएलपीला किंचित चांगले मानले जाते. तथापि, महिलांच्या बाहेरील नमुन्यासाठी एक अपवाद आहे (एसएलपी १.४५, एमएलपी १.४९). वय-अंदाजामध्ये एमएलपी हे एसएलपीपेक्षा अधिक अचूक आहे या निष्कर्षासाठी अतिरिक्त पूर्वलक्षी अभ्यासांची आवश्यकता आहे.
१८ वर्षांच्या थ्रेशोल्डवर डीएम मॉडेल आणि पारंपरिक पद्धतीच्या वर्गीकरण कामगिरीची तुलना देखील करण्यात आली. अंतर्गत टेस्ट सेटवरील सर्व तपासलेल्या एसडी मॉडेल्स आणि पारंपरिक पद्धतींनी १८ वर्षांच्या नमुन्यासाठी व्यावहारिकदृष्ट्या स्वीकारार्ह स्तरांचे भेद दर्शवले. पुरुष आणि महिलांसाठी संवेदनशीलता अनुक्रमे ८७.७% आणि ९४.९% पेक्षा जास्त होती, आणि विशिष्टता ८९.३% आणि ८४.७% पेक्षा जास्त होती. सर्व तपासलेल्या मॉडेल्सचा AUROC देखील ०.९२५ पेक्षा जास्त आहे. आमच्या माहितीनुसार, दंत परिपक्वतेवर आधारित १८ वर्षांच्या वर्गीकरणासाठी डीएम मॉडेलच्या कामगिरीची चाचणी कोणत्याही अभ्यासात केलेली नाही. आपण या अभ्यासाच्या निकालांची तुलना पॅनोरामिक रेडियोग्राफवरील डीप लर्निंग मॉडेल्सच्या वर्गीकरण कामगिरीशी करू शकतो. गुओ आणि इतरांनी¹⁵ एका विशिष्ट वयाच्या थ्रेशोल्डसाठी सीएनएन-आधारित डीप लर्निंग मॉडेल आणि डेमिर्जियनच्या पद्धतीवर आधारित मॅन्युअल पद्धतीच्या वर्गीकरण कामगिरीची गणना केली. मॅन्युअल पद्धतीची संवेदनशीलता आणि विशिष्टता अनुक्रमे ८७.७% आणि ९५.५% होती, तर सीएनएन मॉडेलची संवेदनशीलता आणि विशिष्टता अनुक्रमे ८९.२% आणि ८६.६% पेक्षा जास्त होती. त्यांनी असा निष्कर्ष काढला की, वयाच्या मर्यादांचे वर्गीकरण करण्यासाठी डीप लर्निंग मॉडेल्स मॅन्युअल मूल्यांकनाची जागा घेऊ शकतात किंवा त्यापेक्षा सरस ठरू शकतात. या अभ्यासाच्या निकालांनी समान वर्गीकरण कामगिरी दर्शविली; असा विश्वास आहे की डीएम मॉडेल्स वापरून केलेले वर्गीकरण वय-अंदाजासाठीच्या पारंपरिक सांख्यिकीय पद्धतींची जागा घेऊ शकते. मॉडेल्सपैकी, पुरुष नमुन्यासाठी संवेदनशीलतेच्या बाबतीत आणि महिला नमुन्यासाठी संवेदनशीलता व विशिष्टतेच्या बाबतीत डीएम एलआर हे सर्वोत्तम मॉडेल होते. पुरुषांसाठीच्या विशिष्टतेमध्ये एलआर दुसऱ्या क्रमांकावर आहे. शिवाय, एलआर हे अधिक वापरकर्ता-अनुकूल डीएम३५ मॉडेल्सपैकी एक मानले जाते आणि ते कमी गुंतागुंतीचे व प्रक्रिया करण्यास कठीण आहे. या निकालांच्या आधारावर, कोरियन लोकसंख्येतील १८-वर्षीय व्यक्तींसाठी एलआर हे सर्वोत्तम कटऑफ वर्गीकरण मॉडेल मानले गेले.
एकंदरीत, अंतर्गत चाचणी संचावरील निकालांच्या तुलनेत बाह्य चाचणी संचावरील वय-अंदाजाची अचूकता किंवा वर्गीकरण कामगिरी खराब किंवा कमी होती. काही अहवाल सूचित करतात की जेव्हा कोरियन लोकसंख्येवर आधारित वय-अंदाज जपानी लोकसंख्येवर लागू केले जातात तेव्हा वर्गीकरण अचूकता किंवा कार्यक्षमता कमी होते5,39, आणि असाच एक नमुना प्रस्तुत अभ्यासात आढळला. हा घसरणीचा कल डीएम मॉडेलमध्ये देखील दिसून आला. म्हणून, वयाचा अचूक अंदाज घेण्यासाठी, विश्लेषण प्रक्रियेत डीएम वापरताना देखील, पारंपरिक पद्धतींसारख्या स्थानिक लोकसंख्येच्या डेटावरून घेतलेल्या पद्धतींना प्राधान्य दिले पाहिजे5,39,40,41,42. डीप लर्निंग मॉडेल्समध्ये असेच कल दिसू शकतात की नाही हे अस्पष्ट असल्याने, मर्यादित वय-मूल्यांकनातील या वांशिक विषमतेवर कृत्रिम बुद्धिमत्ता मात करू शकते की नाही हे निश्चित करण्यासाठी, पारंपरिक पद्धती, डीएम मॉडेल्स आणि डीप लर्निंग मॉडेल्स वापरून त्याच नमुन्यांवर वर्गीकरण अचूकता आणि कार्यक्षमतेची तुलना करणाऱ्या अभ्यासांची आवश्यकता आहे.
आम्ही हे दाखवून देतो की कोरियामधील न्यायवैद्यक वय-अंदाजाच्या पद्धतीत, पारंपरिक पद्धतींऐवजी डीएम मॉडेलवर आधारित वय-अंदाजाचा वापर केला जाऊ शकतो. आम्ही न्यायवैद्यक वय-अंदाजासाठी मशीन लर्निंग लागू करण्याची शक्यताही शोधून काढली. तथापि, यात काही स्पष्ट मर्यादा आहेत, जसे की निष्कर्ष निश्चितपणे ठरवण्यासाठी या अभ्यासातील सहभागींची संख्या अपुरी असणे, आणि या अभ्यासाच्या निष्कर्षांची तुलना व पुष्टी करण्यासाठी पूर्वीच्या अभ्यासांचा अभाव असणे. भविष्यात, पारंपरिक पद्धतींच्या तुलनेत डीएमची व्यावहारिक उपयोज्यता सुधारण्यासाठी, अधिक नमुन्यांसह आणि अधिक वैविध्यपूर्ण लोकसंख्येसह डीएम अभ्यास आयोजित केले पाहिजेत. विविध लोकसंख्येमध्ये वयाचा अंदाज लावण्यासाठी कृत्रिम बुद्धिमत्तेचा वापर करण्याच्या व्यवहार्यतेची पडताळणी करण्यासाठी, भविष्यात त्याच नमुन्यांमध्ये डीएम आणि डीप लर्निंग मॉडेल्सच्या वर्गीकरण अचूकतेची आणि कार्यक्षमतेची पारंपरिक पद्धतींशी तुलना करणारे अभ्यास आवश्यक आहेत.
या अभ्यासात १५ ते २३ वर्षे वयोगटातील कोरियन आणि जपानी प्रौढांकडून गोळा केलेल्या २,६५७ ऑर्थोग्राफिक छायाचित्रांचा वापर करण्यात आला. कोरियन रेडिओग्राफ्सची विभागणी ९०० प्रशिक्षण संच (१९.४२ ± २.६५ वर्षे) आणि ९०० अंतर्गत चाचणी संच (१९.५२ ± २.५९ वर्षे) मध्ये करण्यात आली. प्रशिक्षण संच एका संस्थेतून (सोल सेंट मेरी हॉस्पिटल) आणि अंतर्गत चाचणी संच दोन संस्थांमधून (सोल नॅशनल युनिव्हर्सिटी डेंटल हॉस्पिटल आणि योनसेई युनिव्हर्सिटी डेंटल हॉस्पिटल) गोळा करण्यात आला. आम्ही बाह्य चाचणीसाठी दुसऱ्या लोकसंख्या-आधारित डेटामधून (इवाते मेडिकल युनिव्हर्सिटी, जपान) ८५७ रेडिओग्राफ्स देखील गोळा केले. जपानी व्यक्तींचे रेडिओग्राफ्स (१९.३१ ± २.६० वर्षे) बाह्य चाचणी संच म्हणून निवडण्यात आले. दंत उपचारादरम्यान घेतलेल्या पॅनोरॅमिक रेडिओग्राफ्सवरील दातांच्या विकासाच्या टप्प्यांचे विश्लेषण करण्यासाठी डेटा पूर्वलक्षी पद्धतीने गोळा करण्यात आला. लिंग, जन्मतारीख आणि रेडिओग्राफची तारीख वगळता गोळा केलेला सर्व डेटा अनामिक होता. समावेश आणि वगळण्याचे निकष पूर्वी प्रकाशित झालेल्या अभ्यास ४, ५ प्रमाणेच होते. रेडिओग्राफ काढल्याच्या तारखेमधून जन्मतारीख वजा करून नमुन्याचे वास्तविक वय मोजण्यात आले. नमुना गटाला नऊ वयोगटांमध्ये विभागण्यात आले. वय आणि लिंगानुसार वितरण तक्ता ३ मध्ये दर्शविले आहे. हा अभ्यास हेलसिंकी घोषणेनुसार आयोजित करण्यात आला होता आणि त्याला कोरियाच्या कॅथोलिक विद्यापीठाच्या सोल सेंट मेरी हॉस्पिटलच्या संस्थात्मक पुनरावलोकन मंडळाने (IRB) (KC22WISI0328) मान्यता दिली होती. या अभ्यासाच्या पूर्वलक्षी स्वरूपामुळे, उपचारात्मक हेतूंसाठी रेडिओग्राफिक तपासणी करणाऱ्या सर्व रुग्णांकडून माहितीपूर्ण संमती मिळवता आली नाही. सोल कोरिया युनिव्हर्सिटी सेंट मेरी हॉस्पिटलने (IRB) माहितीपूर्ण संमतीची आवश्यकता वगळली.
डेमिरकॅन निकषांनुसार २५, दोन्ही जबड्यांतील दुसऱ्या आणि तिसऱ्या दाढांच्या विकासाच्या अवस्थांचे मूल्यांकन करण्यात आले. प्रत्येक जबड्याच्या डाव्या आणि उजव्या बाजूंना एकाच प्रकारचा दात आढळल्यास, फक्त एकाच दाताची निवड करण्यात आली. जर दोन्ही बाजूंचे समजात दात विकासाच्या वेगवेगळ्या टप्प्यांवर असतील, तर अंदाजित वयातील अनिश्चितता विचारात घेण्यासाठी कमी विकासात्मक टप्पा असलेला दात निवडण्यात आला. दातांच्या परिपक्वतेचा टप्पा निश्चित करण्यासाठी पूर्व-मापन केल्यानंतर, आंतर-निरीक्षक विश्वसनीयता तपासण्याकरिता प्रशिक्षण संचातून यादृच्छिकपणे निवडलेल्या शंभर क्ष-किरण प्रतिमांना दोन अनुभवी निरीक्षकांनी गुण दिले. प्राथमिक निरीक्षकाद्वारे तीन महिन्यांच्या अंतराने दोनदा आंतर-निरीक्षक विश्वसनीयतेचे मूल्यांकन करण्यात आले.
प्रशिक्षण संचातील प्रत्येक जबड्याच्या दुसऱ्या आणि तिसऱ्या दाढांचे लिंग आणि विकासाचा टप्पा, वेगवेगळ्या डीएम मॉडेल्ससह प्रशिक्षित केलेल्या एका प्राथमिक निरीक्षकाद्वारे अंदाजित करण्यात आला आणि वास्तविक वय लक्ष्य मूल्य म्हणून निश्चित करण्यात आले. मशीन लर्निंगमध्ये मोठ्या प्रमाणावर वापरल्या जाणाऱ्या एसएलपी (SLP) आणि एमएलपी (MLP) मॉडेल्सची रिग्रेशन अल्गोरिदमच्या विरुद्ध चाचणी घेण्यात आली. डीएम मॉडेल चार दातांच्या विकासाच्या टप्प्यांचा वापर करून रेषीय फंक्शन्स एकत्र करते आणि वय अंदाजित करण्यासाठी या डेटाला एकत्रित करते. एसएलपी हे सर्वात सोपे न्यूरल नेटवर्क आहे आणि त्यात हिडन लेयर्स नसतात. एसएलपी नोड्समधील थ्रेशोल्ड ट्रान्समिशनच्या आधारावर कार्य करते. रिग्रेशनमधील एसएलपी मॉडेल गणितानुसार मल्टिपल लिनियर रिग्रेशनसारखेच आहे. एसएलपी मॉडेलच्या विपरीत, एमएलपी मॉडेलमध्ये नॉन-लिनियर ॲक्टिव्हेशन फंक्शन्स असलेले अनेक हिडन लेयर्स असतात. आमच्या प्रयोगांमध्ये नॉन-लिनियर ॲक्टिव्हेशन फंक्शन्ससह केवळ २० हिडन नोड्स असलेला एक हिडन लेयर वापरण्यात आला. आमच्या मशीन लर्निंग मॉडेलला प्रशिक्षित करण्यासाठी ऑप्टिमायझेशन पद्धत म्हणून ग्रेडियंट डिसेंट आणि लॉस फंक्शन म्हणून एमएई (MAE) व आरएमएसई (RMSE) वापरा. ​​सर्वोत्तम प्राप्त रिग्रेशन मॉडेल अंतर्गत आणि बाह्य चाचणी संचांवर लागू केले गेले आणि दातांचे वय अंदाजित केले गेले.
एक वर्गीकरण अल्गोरिदम विकसित करण्यात आला आहे जो प्रशिक्षण संचावरील चार दातांच्या परिपक्वतेचा वापर करून नमुना १८ वर्षांचा आहे की नाही याचा अंदाज लावतो. मॉडेल तयार करण्यासाठी, आम्ही सात प्रतिनिधित्व मशीन लर्निंग अल्गोरिदम्स6,43 मिळवले: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, आणि (7) MLP. LR हा सर्वात जास्त वापरल्या जाणाऱ्या वर्गीकरण अल्गोरिदम्सपैकी एक आहे44. हा एक पर्यवेक्षित शिक्षण अल्गोरिदम आहे जो रिग्रेशनचा वापर करून डेटा एका विशिष्ट श्रेणीशी संबंधित असण्याची संभाव्यता 0 ते 1 पर्यंत वर्तवतो आणि या संभाव्यतेच्या आधारावर डेटाचे अधिक संभाव्य श्रेणीमध्ये वर्गीकरण करतो; मुख्यत्वे द्विपदी वर्गीकरणासाठी वापरला जातो. KNN हा सर्वात सोप्या मशीन लर्निंग अल्गोरिदम्सपैकी एक आहे45. जेव्हा नवीन इनपुट डेटा दिला जातो, तेव्हा तो विद्यमान संचाच्या जवळचा k डेटा शोधतो आणि नंतर त्यांना सर्वाधिक वारंवारता असलेल्या वर्गात वर्गीकृत करतो. आम्ही विचारात घेतलेल्या शेजाऱ्यांची संख्या (k) 3 निश्चित केली आहे. SVM हा एक अल्गोरिदम आहे जो कर्नल फंक्शन वापरून लिनियर स्पेसला फील्ड्स नावाच्या नॉन-लिनियर स्पेसमध्ये विस्तारित करून दोन क्लासेसमधील अंतर वाढवतो46. या मॉडेलसाठी, आम्ही पॉलीनोमिअल कर्नलसाठी हायपरपॅरामीटर्स म्हणून बायस = 1, पॉवर = 1, आणि गॅमा = 1 वापरतो. DT चा वापर विविध क्षेत्रांमध्ये संपूर्ण डेटा सेटला ट्री स्ट्रक्चरमध्ये निर्णय नियम दर्शवून अनेक उपसमूहांमध्ये विभागण्यासाठी एक अल्गोरिदम म्हणून केला गेला आहे47. हे मॉडेल प्रति नोड किमान 2 रेकॉर्ड्ससह कॉन्फिगर केलेले आहे आणि गुणवत्तेचे माप म्हणून गिनी इंडेक्स वापरते. RF ही एक एन्सेम्बल पद्धत आहे जी बूटस्ट्रॅप एग्रीगेशन पद्धतीचा वापर करून कार्यक्षमता सुधारण्यासाठी अनेक DTs एकत्र करते, जी मूळ डेटासेटमधून अनेक वेळा समान आकाराचे नमुने यादृच्छिकपणे काढून प्रत्येक नमुन्यासाठी एक कमकुवत क्लासिफायर तयार करते48. आम्ही नोड विभक्त करण्याचे निकष म्हणून 100 ट्री, 10 ट्री डेप्थ, 1 किमान नोड आकार आणि गिनी ॲडमिक्सचर इंडेक्स वापरले. नवीन डेटाचे वर्गीकरण बहुमताच्या मताने ठरवले जाते. XGBoost हा एक अल्गोरिदम आहे जो बूस्टिंग तंत्रांना अशा पद्धतीने एकत्र करतो, ज्यात मागील मॉडेलच्या वास्तविक आणि अंदाजित मूल्यांमधील त्रुटीला प्रशिक्षण डेटा म्हणून घेतले जाते आणि ग्रेडियंट्स वापरून त्रुटी वाढवली जाते. हा अल्गोरिदम त्याच्या चांगल्या कामगिरीमुळे आणि संसाधनांच्या कार्यक्षमतेमुळे, तसेच ओव्हरफिटिंग सुधारणा कार्य म्हणून उच्च विश्वासार्हतेमुळे मोठ्या प्रमाणावर वापरला जातो. हे मॉडेल ४०० सपोर्ट व्हील्सने सुसज्ज आहे. MLP हे एक न्यूरल नेटवर्क आहे ज्यात एक किंवा अधिक परसेप्ट्रॉन्स इनपुट आणि आउटपुट लेयर्सच्या दरम्यान एक किंवा अधिक हिडन लेयर्ससह अनेक लेयर्स तयार करतात. याचा वापर करून, तुम्ही नॉन-लिनियर वर्गीकरण करू शकता, जिथे जेव्हा तुम्ही एक इनपुट लेयर जोडता आणि एक परिणाम मूल्य मिळवता, तेव्हा अंदाजित परिणाम मूल्याची तुलना वास्तविक परिणाम मूल्याशी केली जाते आणि त्रुटी मागे प्रसारित केली जाते. आम्ही प्रत्येक लेयरमध्ये २० हिडन न्यूरॉन्स असलेला एक हिडन लेयर तयार केला. आम्ही विकसित केलेले प्रत्येक मॉडेल अंतर्गत आणि बाह्य सेट्सवर लागू केले गेले, जेणेकरून सेन्सिटिव्हिटी, स्पेसिफिसिटी, PPV, NPV आणि AUROC ची गणना करून वर्गीकरण कामगिरी तपासता येईल. संवेदनशीलता म्हणजे १८ वर्षे किंवा त्याहून अधिक वयाचे असल्याचा अंदाज असलेल्या नमुन्याचे, १८ वर्षे किंवा त्याहून अधिक वयाचे असल्याचा अंदाज असलेल्या नमुन्याशी असलेले गुणोत्तर. विशिष्टता म्हणजे १८ वर्षांखालील नमुने आणि १८ वर्षांखालील असल्याचा अंदाज असलेले नमुने यांचे प्रमाण.
प्रशिक्षण संचामध्ये मूल्यांकन केलेल्या दंत अवस्थांना सांख्यिकीय विश्लेषणासाठी संख्यात्मक अवस्थांमध्ये रूपांतरित करण्यात आले. प्रत्येक लिंगासाठी भविष्यसूचक मॉडेल विकसित करण्यासाठी आणि वयाचा अंदाज लावण्यासाठी वापरता येतील अशी रिग्रेशन सूत्रे मिळवण्यासाठी बहुचलीय रेषीय आणि लॉजिस्टिक रिग्रेशन करण्यात आले. आम्ही अंतर्गत आणि बाह्य दोन्ही चाचणी संचांसाठी दातांच्या वयाचा अंदाज लावण्यासाठी या सूत्रांचा वापर केला. तक्ता ४ मध्ये या अभ्यासात वापरलेली रिग्रेशन आणि वर्गीकरण मॉडेल दर्शविली आहेत.
कोहेनच्या कप्पा सांख्यिकीचा वापर करून आंतर- आणि आंतर-निरीक्षक विश्वसनीयता मोजण्यात आली. DM आणि पारंपरिक रिग्रेशन मॉडेल्सची अचूकता तपासण्यासाठी, आम्ही अंतर्गत आणि बाह्य चाचणी संचांच्या अंदाजित आणि वास्तविक वयांचा वापर करून MAE आणि RMSE मोजले. या त्रुटी सामान्यतः मॉडेलच्या अंदाजांची अचूकता तपासण्यासाठी वापरल्या जातात. त्रुटी जितकी लहान, तितकी अंदाजाची अचूकता जास्त²⁴. DM आणि पारंपरिक रिग्रेशन वापरून मोजलेल्या अंतर्गत आणि बाह्य चाचणी संचांच्या MAE आणि RMSE ची तुलना करा. पारंपरिक सांख्यिकीमधील १८-वर्षांच्या कटऑफच्या वर्गीकरण कामगिरीचे मूल्यांकन २ × २ आकस्मिकता सारणीचा वापर करून करण्यात आले. चाचणी संचाची मोजलेली संवेदनशीलता, विशिष्टता, PPV, NPV आणि AUROC यांची DM वर्गीकरण मॉडेलच्या मोजलेल्या मूल्यांशी तुलना करण्यात आली. डेटाच्या वैशिष्ट्यांनुसार, डेटा सरासरी ± मानक विचलन किंवा संख्या (%) म्हणून व्यक्त केला आहे. दोन्ही बाजूंचे P मूल्य <०.०५ सांख्यिकीयदृष्ट्या महत्त्वपूर्ण मानले गेले. सर्व नियमित सांख्यिकीय विश्लेषणे SAS आवृत्ती ९.४ (SAS इन्स्टिट्यूट, कॅरी, NC) वापरून केली गेली. DM रिग्रेशन मॉडेल पायथॉनमध्ये केरास ५० २.२.४ बॅकएंड आणि विशेषतः गणितीय कार्यांसाठी टेन्सरफ्लो ५१ १.८.० वापरून कार्यान्वित करण्यात आले. DM क्लासिफिकेशन मॉडेल वायकाटो नॉलेज ॲनालिसिस एन्व्हायर्नमेंट आणि कॉन्स्टान्झ इन्फॉर्मेशन मायनर (KNIME) ४.६.१५२ ॲनालिसिस प्लॅटफॉर्ममध्ये कार्यान्वित करण्यात आले.
लेखक हे मान्य करतात की, अभ्यासाच्या निष्कर्षांना आधार देणारी माहिती लेखात आणि पूरक साहित्यात आढळेल. अभ्यासादरम्यान तयार केलेला आणि/किंवा विश्लेषण केलेला डेटासेट, योग्य विनंती केल्यावर संबंधित लेखकाकडून उपलब्ध होईल.
रिट्झ-टिम्मे, एस. व इतर. वय मूल्यांकन: न्यायवैद्यक सरावाच्या विशिष्ट आवश्यकता पूर्ण करण्यासाठी अत्याधुनिक तंत्रज्ञान. आंतरराष्ट्रीयता. जे. लीगल मेडिसिन. 113, 129–136 (2000).
श्मेलिंग, ए., रायसिंगर, डब्ल्यू., गेसेरिक, जी., आणि ओल्झे, ए. फौजदारी खटल्याच्या उद्देशाने जिवंत व्यक्तींच्या न्यायवैद्यक वय मूल्यांकनाची सद्यस्थिती. न्यायवैद्यक. औषध. विकृतिविज्ञान. 1, 239–246 (2005).
पॅन, जे. व इतर. पूर्व चीनमधील 5 ते 16 वर्षे वयोगटातील मुलांचे दंत वय मूल्यांकन करण्यासाठी एक सुधारित पद्धत. क्लिनिकल. ओरल सर्व्हे. 25, 3463–3474 (2021).
ली, एस.एस. इत्यादी. कोरियन लोकांमध्ये दुसऱ्या आणि तिसऱ्या दाढांच्या विकासाचा कालानुक्रम आणि न्यायवैद्यक वय निर्धारणासाठी त्याचा उपयोग. आंतरराष्ट्रीयता. जे. लीगल मेडिसिन. 124, 659–665 (2010).
ओह, एस., कुमागाई, ए., किम, एसवाय आणि ली, एसएस कोरियन आणि जपानी लोकांमध्ये दुसऱ्या आणि तिसऱ्या दाढांच्या परिपक्वतेवर आधारित वय अंदाजाची अचूकता आणि 18 वर्षांच्या उंबरठ्याचा अंदाज. PLoS ONE 17, e0271247 (2022).
किम, जेवाय, आणि इतर. शस्त्रक्रियेपूर्वीचे मशीन लर्निंग-आधारित डेटा विश्लेषण OSA असलेल्या रुग्णांमध्ये झोपेच्या शस्त्रक्रियेच्या उपचाराचा परिणाम वर्तवू शकते. द सायन्स. रिपोर्ट 11, 14911 (2021).
हान, एम. व इतर. मानवी हस्तक्षेपासह किंवा त्याशिवाय मशीन लर्निंगमधून अचूक वय अंदाज? आंतरराष्ट्रीयता. जे. लीगल मेडिसिन. 136, 821–831 (2022).
खान, एस. आणि शाहीन, एम. डेटा मायनिंग पासून डेटा मायनिंग पर्यंत. जे. इन्फॉर्मेशन सायन्स. https://doi.org/10.1177/01655515211030872 (2021).
खान, एस. आणि शाहीन, एम. विसरूल: असोसिएशन रूल मायनिंगसाठी पहिला कॉग्निटिव्ह अल्गोरिथम. जे. इन्फॉर्मेशन सायन्स. https://doi.org/10.1177/01655515221108695 (2022).
शाहीन एम. आणि अब्दुल्ला यू. कर्म: संदर्भ-आधारित साहचर्य नियमांवर आधारित पारंपारिक डेटा मायनिंग. कॅल्क्युलेट. मॅट. कंटिन्यू. 68, 3305–3322 (2021).
मुहम्मद एम., रहमान झेड., शाहीन एम., खान एम. आणि हबीब एम. मजकूर डेटा वापरून डीप लर्निंग आधारित सिमेंटिक समानता ओळख. इन्फॉर्म. टेक्नॉलॉजीज. कंट्रोल. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
तबिश, एम., तनोली, झेड., आणि शाहिन, एम. क्रीडा व्हिडिओंमधील क्रियाकलाप ओळखण्यासाठी एक प्रणाली. मल्टीमीडिया. टूल्स ॲप्लिकेशन्स https://doi.org/10.1007/s11042-021-10519-6 (2021).
हलाबी, एस.एस. आणि इतर. बालकांच्या अस्थी वयातील आरएसएनए मशीन लर्निंग आव्हान. रेडिओलॉजी 290, 498–503 (2019).
ली, वाय. व इतर. डीप लर्निंग वापरून श्रोणीच्या एक्स-रे वरून न्यायवैद्यक वय अंदाज. युरो. रेडिएशन. 29, 2322–2329 (2019).
गुओ, वायसी, व इतर. ऑर्थोग्राफिक प्रोजेक्शन प्रतिमांमधून मॅन्युअल पद्धती आणि डीप कन्व्होल्यूशनल न्यूरल नेटवर्क्स वापरून अचूक वय वर्गीकरण. आंतरराष्ट्रीयता. जे. लीगल मेडिसिन. 135, 1589–1597 (2021).
अलाबामा डलोरा आणि इतर. वेगवेगळ्या मशीन लर्निंग पद्धती वापरून अस्थी वयाचा अंदाज: एक पद्धतशीर साहित्य पुनरावलोकन आणि मेटा-विश्लेषण. PLoS ONE 14, e0220242 (2019).
डू, एच., ली, जी., चेंग, के., आणि यांग, जे. कोन-बीम कंप्यूटेड टोमोग्राफी वापरून पहिल्या दाढांच्या पल्प चेंबर व्हॉल्यूमच्या आधारावर आफ्रिकन अमेरिकन आणि चिनी लोकांचे लोकसंख्या-विशिष्ट वय अंदाज. आंतरराष्ट्रीयता. जे. लीगल मेडिसिन. 136, 811–819 (2022).
किम एस., ली वायएच, नोह वायके, पार्क एफके आणि ओह केएस पहिल्या दाढांच्या कृत्रिम बुद्धिमत्तेवर आधारित प्रतिमा वापरून जिवंत लोकांचे वयोगट निश्चित करणे. द सायन्स. रिपोर्ट 11, 1073 (2021).
स्टर्न, डी., पेअर, सी., ज्युलियानी, एन., आणि उर्शलर, एम. बहुचर एमआरआय डेटामधून स्वयंचलित वय अंदाज आणि प्रौढ वयाचे वर्गीकरण. आयईईई जे. बायोमेड. हेल्थ अलर्ट्स. 23, 1392–1403 (2019).
चेंग, क्यू., गे, झेड., डू, एच. आणि ली, जी. डीप लर्निंग आणि लेव्हल सेट्सचे एकत्रीकरण करून कोन बीम कम्प्युटेड टोमोग्राफीमधून पहिल्या दाढांच्या 3D पल्प चेंबर सेगमेंटेशनवर आधारित वय अंदाज. आंतरराष्ट्रीयता. जे. लीगल मेडिसिन. 135, 365–373 (2021).
वू, डब्ल्यूटी, इत्यादी. क्लिनिकल बिग डेटामधील डेटा मायनिंग: सामान्य डेटाबेस, टप्पे आणि पद्धती मॉडेल्स. वर्ल्ड. मेडिसिन. रिसोर्स. 8, 44 (2021).
यांग, जे. व इतर. बिग डेटा युगातील वैद्यकीय डेटाबेस आणि डेटा मायनिंग तंत्रज्ञानाचा परिचय. जे. एव्हिड. बेसिक मेडिसिन. 13, 57–69 (2020).
शेन, एस. व इतर. मशीन लर्निंग वापरून दातांचे वय अंदाजे काढण्यासाठी कॅमेररची पद्धत. बीएमसी ओरल हेल्थ 21, 641 (2021).
गॅलिबर्ग ए. आणि इतर. डेमिर्डजियन स्टेजिंग पद्धतीचा वापर करून दंत वयाचा अंदाज लावण्यासाठी वेगवेगळ्या मशीन लर्निंग पद्धतींची तुलना. आंतरराष्ट्रीयता. जे. लीगल मेडिसिन. 135, 665–675 (2021).
डेमिर्डजियन, ए., गोल्डस्टीन, एच. आणि टॅनर, जेएम दातांचे वय ठरवण्यासाठी एक नवीन प्रणाली. स्नॉर्ट. बायोलॉजी. 45, 211–227 (1973).
लँडिस, जेआर, आणि कोच, जीजी श्रेणीबद्ध डेटावरील निरीक्षक कराराचे मापन. बायोमेट्रिक्स 33, 159–174 (1977).
भट्टाचार्जी एस, प्रकाश डी, किम सी, किम एचके आणि चोई एचके. प्राथमिक मेंदूच्या ट्यूमरच्या भेदभावासाठी कृत्रिम बुद्धिमत्ता तंत्रांचा वापर करून द्विमितीय चुंबकीय अनुनाद इमेजिंगचे पोत, आकारशास्त्रीय आणि सांख्यिकीय विश्लेषण. आरोग्य माहिती संसाधन. https://doi.org/10.4258/hir.2022.28.1.46 (2022).