कोरियन पौगंडावस्थेतील आणि तरुण प्रौढांमधील पारंपारिक दंत वय अंदाज पद्धतींविरूद्ध डेटा मायनिंग मॉडेलचे प्रमाणीकरण

Nature.com ला भेट दिल्याबद्दल धन्यवाद.तुम्ही वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये मर्यादित CSS सपोर्ट आहे.सर्वोत्तम परिणामांसाठी, आम्ही तुमच्या ब्राउझरची नवीन आवृत्ती वापरण्याची शिफारस करतो (किंवा Internet Explorer मधील सुसंगतता मोड बंद करा).दरम्यान, चालू असलेल्या समर्थनाची खात्री करण्यासाठी, आम्ही स्टाईल किंवा JavaScript शिवाय साइट दाखवत आहोत.
दात मानवी शरीराच्या वयाचे सर्वात अचूक सूचक मानले जातात आणि बहुतेकदा फॉरेन्सिक वयाच्या मूल्यांकनात वापरले जातात.पारंपारिक पद्धती आणि डेटा मायनिंग-आधारित वय अंदाजांसह 18-वर्षांच्या थ्रेशोल्डच्या अंदाज अचूकता आणि वर्गीकरण कामगिरीची तुलना करून डेटा मायनिंग-आधारित दंत वय अंदाज प्रमाणित करण्याचे आमचे लक्ष्य आहे.15 ते 23 वर्षे वयोगटातील कोरियन आणि जपानी नागरिकांकडून एकूण 2657 पॅनोरॅमिक रेडिओग्राफ गोळा करण्यात आले.ते प्रशिक्षण संचामध्ये विभागले गेले होते, प्रत्येकामध्ये 900 कोरियन रेडिओग्राफ आणि 857 जपानी रेडियोग्राफ असलेले अंतर्गत चाचणी संच होते.आम्ही डेटा मायनिंग मॉडेल्सच्या चाचणी सेटसह पारंपारिक पद्धतींच्या वर्गीकरणाची अचूकता आणि कार्यक्षमतेची तुलना केली.अंतर्गत चाचणी संचावरील पारंपारिक पद्धतीची अचूकता डेटा मायनिंग मॉडेलच्या तुलनेत थोडी जास्त आहे आणि फरक लहान आहे (म्हणजे परिपूर्ण त्रुटी <0.21 वर्षे, मूळ म्हणजे चौरस त्रुटी <0.24 वर्षे).18-वर्षांच्या कटऑफसाठी वर्गीकरण कामगिरी पारंपारिक पद्धती आणि डेटा मायनिंग मॉडेल्समध्ये समान आहे.अशा प्रकारे, कोरियन पौगंडावस्थेतील आणि तरुण प्रौढांमधील द्वितीय आणि तृतीय दाढीची परिपक्वता वापरून फॉरेन्सिक वय मूल्यांकन करताना डेटा मायनिंग मॉडेल्सद्वारे पारंपारिक पद्धती बदलल्या जाऊ शकतात.
फॉरेन्सिक औषध आणि बालरोग दंतचिकित्सा मध्ये दंत वयाचा अंदाज मोठ्या प्रमाणावर वापरला जातो.विशेषतः, कालक्रमानुसार वय आणि दंत विकास यांच्यातील उच्च सहसंबंधामुळे, दंत विकासाच्या टप्प्यांद्वारे वयाचे मूल्यांकन हा मुलांचे आणि किशोरवयीन मुलांचे वय 1,2,3 चे मूल्यांकन करण्यासाठी एक महत्त्वाचा निकष आहे.तथापि, तरुण लोकांसाठी, दातांच्या परिपक्वतेवर आधारित दातांच्या वयाचा अंदाज लावण्यास मर्यादा आहेत कारण तिसऱ्या मोलर्सचा अपवाद वगळता दातांची वाढ जवळजवळ पूर्ण झाली आहे.तरुण आणि पौगंडावस्थेतील वय निर्धारित करण्याचा कायदेशीर उद्देश म्हणजे ते बहुसंख्य वयापर्यंत पोहोचले आहेत की नाही याचे अचूक अंदाज आणि वैज्ञानिक पुरावे प्रदान करणे.कोरियातील पौगंडावस्थेतील आणि तरुण प्रौढांच्या वैद्यकीय-कायदेशीर प्रॅक्टिसमध्ये, लीच्या पद्धतीचा वापर करून वयाचा अंदाज लावला गेला आणि Oh et al 5 द्वारे नोंदवलेल्या डेटाच्या आधारे 18 वर्षांच्या कायदेशीर उंबरठ्याचा अंदाज लावला गेला.
मशीन लर्निंग हा कृत्रिम बुद्धिमत्ता (AI) चा एक प्रकार आहे जो मोठ्या प्रमाणात डेटा वारंवार शिकतो आणि त्याचे वर्गीकरण करतो, समस्या स्वतःच सोडवतो आणि डेटा प्रोग्रामिंग चालवतो.मशीन लर्निंग मोठ्या प्रमाणात डेटा6 मध्ये उपयुक्त लपलेले नमुने शोधू शकते.याउलट, शास्त्रीय पद्धती, ज्या श्रम-केंद्रित आणि वेळ घेणाऱ्या आहेत, त्यांना मोठ्या प्रमाणात जटिल डेटा हाताळताना मर्यादा असू शकतात ज्यावर मॅन्युअली प्रक्रिया करणे कठीण आहे7.म्हणूनच, मानवी चुका कमी करण्यासाठी आणि बहुआयामी डेटा8,9,10,11,12 वर कार्यक्षमतेने प्रक्रिया करण्यासाठी नवीनतम संगणक तंत्रज्ञानाचा वापर करून अलीकडेच अनेक अभ्यास केले गेले आहेत.विशेषतः, वैद्यकीय प्रतिमा विश्लेषणामध्ये सखोल शिक्षणाचा मोठ्या प्रमाणावर वापर केला गेला आहे, आणि वयाच्या अंदाजाची अचूकता आणि कार्यक्षमता सुधारण्यासाठी रेडियोग्राफचे आपोआप विश्लेषण करून वय अंदाज करण्याच्या विविध पद्धतींचा अहवाल देण्यात आला आहे13,14,15,16,17,18,19,20 .उदाहरणार्थ, हलाबी एट अल 13 ने मुलांच्या हातांचे रेडिओग्राफ वापरून कंकाल वयाचा अंदाज लावण्यासाठी कन्व्होल्युशनल न्यूरल नेटवर्क्स (CNN) वर आधारित मशीन लर्निंग अल्गोरिदम विकसित केले.हा अभ्यास एक मॉडेल प्रस्तावित करतो जे वैद्यकीय प्रतिमांवर मशीन शिक्षण लागू करते आणि दर्शवते की या पद्धती निदान अचूकता सुधारू शकतात.Li et al14 ने डीप लर्निंग CNN वापरून पेल्विक एक्स-रे प्रतिमांवरून अंदाजे वय काढले आणि ओसीफिकेशन स्टेज अंदाज वापरून प्रतिगमन परिणामांशी त्यांची तुलना केली.त्यांना आढळले की डीप लर्निंग सीएनएन मॉडेलने पारंपारिक प्रतिगमन मॉडेल प्रमाणेच वय अंदाज कार्यप्रदर्शन दर्शवले.गुओ एट अल.च्या अभ्यासाने [१५] दंत ऑर्थोफोटोसवर आधारित CNN तंत्रज्ञानाच्या वय सहिष्णुता वर्गीकरण कार्यप्रदर्शनाचे मूल्यांकन केले आणि CNN मॉडेलच्या परिणामांनी हे सिद्ध केले की मानवाने त्याच्या वय वर्गीकरण कार्यक्षमतेला मागे टाकले आहे.
मशीन लर्निंगचा वापर करून वयाच्या अंदाजावरील बहुतेक अभ्यासांमध्ये 13,14,15,16,17,18,19,20 सखोल शिक्षण पद्धती वापरल्या जातात.सखोल शिक्षणावर आधारित वयाचा अंदाज पारंपारिक पद्धतींपेक्षा अधिक अचूक असल्याचे नोंदवले जाते.तथापि, हा दृष्टिकोन वयाच्या अंदाजांसाठी वैज्ञानिक आधार सादर करण्यासाठी कमी संधी प्रदान करतो, जसे की अंदाजांमध्ये वापरलेले वय निर्देशक.तपासणी कोण करते यावरूनही कायदेशीर वाद आहे.त्यामुळे, सखोल शिक्षणावर आधारित वयाचा अंदाज प्रशासकीय आणि न्यायिक अधिकाऱ्यांना स्वीकारणे कठीण आहे.डेटा मायनिंग (डीएम) हे एक तंत्र आहे जे केवळ अपेक्षितच नाही तर अनपेक्षित माहिती देखील शोधू शकते जे मोठ्या प्रमाणात डेटा 6,21,22 दरम्यान उपयुक्त सहसंबंध शोधण्यासाठी एक पद्धत आहे.डेटा मायनिंगमध्ये मशीन लर्निंगचा वापर केला जातो आणि डेटा मायनिंग आणि मशीन लर्निंग दोन्ही डेटामधील पॅटर्न शोधण्यासाठी समान की अल्गोरिदम वापरतात.दंत विकास वापरून वयाचा अंदाज परीक्षकाच्या लक्ष्य दातांच्या परिपक्वतेच्या मूल्यांकनावर आधारित आहे आणि हे मूल्यांकन प्रत्येक लक्ष्य दातासाठी एक टप्पा म्हणून व्यक्त केले जाते.DM चा वापर दंत मूल्यांकन स्टेज आणि वास्तविक वय यांच्यातील परस्परसंबंधाचे विश्लेषण करण्यासाठी केला जाऊ शकतो आणि पारंपारिक सांख्यिकीय विश्लेषणाची जागा घेण्याची क्षमता आहे.म्हणून, आम्ही वयाच्या अंदाजासाठी DM तंत्र लागू केल्यास, आम्ही कायदेशीर दायित्वाची चिंता न करता न्यायवैद्यकीय वय अंदाजामध्ये मशीन लर्निंग लागू करू शकतो.फॉरेन्सिक प्रॅक्टिसमध्ये वापरल्या जाणाऱ्या पारंपारिक मॅन्युअल पद्धती आणि दंत वय निर्धारित करण्यासाठी EBM-आधारित पद्धतींच्या संभाव्य पर्यायांवर अनेक तुलनात्मक अभ्यास प्रकाशित केले गेले आहेत.शेन एट अल 23 ने दाखवले की डीएम मॉडेल पारंपारिक कॅमेरर सूत्रापेक्षा अधिक अचूक आहे.Galibourg et al24 ने Demirdjian निकष 25 नुसार वयाचा अंदाज लावण्यासाठी वेगवेगळ्या DM पद्धती लागू केल्या आणि परिणामांवरून असे दिसून आले की DM पद्धतीने फ्रेंच लोकसंख्येच्या वयाचा अंदाज लावण्यासाठी Demirdjian आणि Willems पद्धतींना मागे टाकले.
कोरियन पौगंडावस्थेतील आणि तरुण प्रौढांच्या दंत वयाचा अंदाज लावण्यासाठी, लीची पद्धत 4 कोरियन फॉरेन्सिक प्रॅक्टिसमध्ये मोठ्या प्रमाणावर वापरली जाते.ही पद्धत कोरियन विषय आणि कालक्रमानुसार वय यांच्यातील संबंध तपासण्यासाठी पारंपारिक सांख्यिकीय विश्लेषण (जसे की एकाधिक प्रतिगमन) वापरते.या अभ्यासात, पारंपारिक सांख्यिकीय पद्धती वापरून मिळवलेल्या वयाच्या अंदाज पद्धतींना "पारंपारिक पद्धती" म्हणून परिभाषित केले आहे.लीची पद्धत ही एक पारंपारिक पद्धत आहे आणि तिची अचूकता ओह एट अल यांनी पुष्टी केली आहे.5;तथापि, कोरियन फॉरेन्सिक प्रॅक्टिसमध्ये डीएम मॉडेलवर आधारित वयाच्या अंदाजाची लागूता अद्याप संशयास्पद आहे.DM मॉडेलवर आधारित वयाच्या अंदाजाची संभाव्य उपयुक्तता वैज्ञानिकदृष्ट्या प्रमाणित करणे हे आमचे ध्येय होते.या अभ्यासाचा उद्देश (1) दंत वयाचा अंदाज लावण्यासाठी दोन DM मॉडेल्सच्या अचूकतेची तुलना करणे आणि (2) 18 वर्षांच्या वयाच्या 7 DM मॉडेल्सच्या वर्गीकरण कामगिरीची पारंपारिक सांख्यिकीय पद्धती वापरून मिळवलेल्या लोकांशी तुलना करणे. आणि दोन्ही जबड्यांमध्ये तिसरे दाढ.
स्टेज आणि दात प्रकारानुसार कालक्रमानुसार वयाचे साधने आणि मानक विचलन पुरवणी तक्ता S1 (प्रशिक्षण संच), पूरक सारणी S2 (अंतर्गत चाचणी संच) आणि पूरक सारणी S3 (बाह्य चाचणी संच) मध्ये ऑनलाइन दर्शविले आहेत.प्रशिक्षण संचातून मिळालेल्या इंट्रा- आणि इंटरऑब्झर्व्हर विश्वासार्हतेसाठी कप्पा मूल्ये अनुक्रमे 0.951 आणि 0.947 होती.कप्पा मूल्यांसाठी P मूल्ये आणि 95% आत्मविश्वास अंतराल ऑनलाइन पूरक सारणी S4 मध्ये दर्शविल्या आहेत.लँडिस आणि कोच26 च्या निकषांशी सुसंगत, कप्पा मूल्याचा अर्थ "जवळजवळ परिपूर्ण" म्हणून केला गेला.
मीन ॲब्सोल्युट एरर (MAE) ची तुलना करताना, पारंपारिक पद्धत सर्व लिंगांसाठी आणि बाह्य पुरुष चाचणी संचामध्ये, मल्टीलेयर परसेप्ट्रॉन (MLP) अपवाद वगळता DM मॉडेलपेक्षा किंचित जास्त कामगिरी करते.अंतर्गत MAE चाचणी सेटवरील पारंपारिक मॉडेल आणि DM मॉडेलमधील फरक पुरुषांसाठी 0.12-0.19 वर्षे आणि महिलांसाठी 0.17-0.21 वर्षे होता.बाह्य चाचणी बॅटरीसाठी, फरक लहान आहेत (पुरुषांसाठी ०.००१–०.०५ वर्षे आणि महिलांसाठी ०.०५–०.०९ वर्षे).याव्यतिरिक्त, रूट मीन स्क्वेअर एरर (RMSE) पारंपारिक पद्धतीपेक्षा किंचित कमी आहे, लहान फरकांसह (0.17–0.24, 0.2–0.24 पुरुष अंतर्गत चाचणी सेटसाठी, आणि 0.03–0.07, 0.04–0.08 बाह्य चाचणी सेटसाठी).).MLP सिंगल लेयर पर्सेप्ट्रॉन (SLP) पेक्षा किंचित चांगली कामगिरी दाखवते, महिला बाह्य चाचणी संचाच्या बाबतीत वगळता.MAE आणि RMSE साठी, बाह्य चाचणी संच सर्व लिंग आणि मॉडेलसाठी अंतर्गत चाचणी सेटपेक्षा जास्त गुण मिळवतात.सर्व MAE आणि RMSE टेबल 1 आणि आकृती 1 मध्ये दर्शविले आहेत.
पारंपारिक आणि डेटा मायनिंग रीग्रेशन मॉडेलचे MAE आणि RMSE.मीन ॲब्सोल्युट एरर MAE, रूट मीन स्क्वेअर एरर RMSE, सिंगल लेयर पर्सेप्ट्रॉन SLP, मल्टीलेयर पर्सेप्ट्रॉन MLP, पारंपारिक CM पद्धत.
पारंपारिक आणि DM मॉडेल्सचे वर्गीकरण कार्यप्रदर्शन (18 वर्षांच्या कटऑफसह) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यसूचक मूल्य (PPV), नकारात्मक भविष्यसूचक मूल्य (NPV), आणि रिसीव्हर ऑपरेटिंग वैशिष्ट्यपूर्ण वक्र (AUROC) अंतर्गत क्षेत्राच्या दृष्टीने प्रदर्शित केले गेले. 27 (सारणी 2, आकृती 2 आणि पूरक आकृती 1 ऑनलाइन).अंतर्गत चाचणी बॅटरीच्या संवेदनशीलतेच्या बाबतीत, पारंपारिक पद्धती पुरुषांमध्ये सर्वोत्तम आणि स्त्रियांमध्ये वाईट आहेत.तथापि, पारंपारिक पद्धती आणि SD मधील वर्गीकरण कामगिरीमधील फरक पुरुषांसाठी (MLP) 9.7% आणि महिलांसाठी (XGBoost) फक्त 2.4% आहे.डीएम मॉडेल्समध्ये, लॉजिस्टिक रीग्रेशन (एलआर) ने दोन्ही लिंगांमध्ये चांगली संवेदनशीलता दर्शविली.अंतर्गत चाचणी संचाच्या विशिष्टतेबद्दल, असे आढळून आले की चार एसडी मॉडेल्सने पुरुषांमध्ये चांगली कामगिरी केली, तर पारंपारिक मॉडेलने महिलांमध्ये चांगली कामगिरी केली.पुरुष आणि महिलांसाठी वर्गीकरण कार्यप्रदर्शनातील फरक अनुक्रमे 13.3% (MLP) आणि 13.1% (MLP) आहेत, हे दर्शविते की मॉडेलमधील वर्गीकरण कार्यक्षमतेतील फरक संवेदनशीलतेपेक्षा जास्त आहे.DM मॉडेल्समध्ये, सपोर्ट वेक्टर मशीन (SVM), निर्णय वृक्ष (DT), आणि यादृच्छिक वन (RF) मॉडेल्सने पुरुषांमध्ये सर्वोत्तम कामगिरी केली, तर LR मॉडेलने महिलांमध्ये सर्वोत्तम कामगिरी केली.पारंपारिक मॉडेल आणि सर्व SD मॉडेल्सचे AUROC पुरुषांमध्ये 0.925 (k-जवळचे शेजारी (KNN) पेक्षा जास्त होते, 18-वर्षीय नमुन्यांमध्ये भेदभाव करण्यात उत्कृष्ट वर्गीकरण कार्यप्रदर्शन प्रदर्शित करते28.बाह्य चाचणी संचासाठी, अंतर्गत चाचणी संचाच्या तुलनेत संवेदनशीलता, विशिष्टता आणि AUROC च्या दृष्टीने वर्गीकरण कार्यक्षमतेत घट झाली आहे.शिवाय, सर्वोत्कृष्ट आणि सर्वात वाईट मॉडेल्सच्या वर्गीकरण कार्यक्षमतेमधील 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.KNN k जवळचा शेजारी, SVM सपोर्ट वेक्टर मशीन, LR लॉजिस्टिक रीग्रेशन, DT निर्णय वृक्ष, RF रँडम फॉरेस्ट, XGB XGBoost, MLP मल्टीलेयर परसेप्ट्रॉन, पारंपारिक CM पद्धत.
या अभ्यासातील पहिली पायरी म्हणजे सात डीएम मॉडेल्समधून मिळवलेल्या दंत वयाच्या अंदाजांच्या अचूकतेची पारंपारिक प्रतिगमन वापरून मिळवलेल्यांशी तुलना करणे.MAE आणि RMSE चे दोन्ही लिंगांसाठी अंतर्गत चाचणी सेटमध्ये मूल्यमापन केले गेले आणि पारंपारिक पद्धत आणि DM मॉडेलमधील फरक MAE साठी 44 ते 77 दिवस आणि RMSE साठी 62 ते 88 दिवसांपर्यंत होता.जरी या अभ्यासात पारंपारिक पद्धत थोडी अधिक अचूक होती, परंतु अशा लहान फरकाचे नैदानिक ​​किंवा व्यावहारिक महत्त्व आहे की नाही हे निष्कर्ष काढणे कठीण आहे.हे परिणाम सूचित करतात की DM मॉडेलचा वापर करून दंत वयाच्या अंदाजाची अचूकता पारंपारिक पद्धतीप्रमाणेच आहे.मागील अभ्यासाच्या परिणामांशी थेट तुलना करणे कठीण आहे कारण कोणत्याही अभ्यासाने DM मॉडेल्सच्या अचूकतेची तुलना पारंपारिक सांख्यिकीय पद्धतींशी केलेली नाही ज्यात या अभ्यासाप्रमाणेच वयोमर्यादेत दात रेकॉर्ड करण्याच्या समान तंत्राचा वापर केला आहे.Galibourg et al24 ने MAE आणि RMSE ची 2 ते 24 वर्षे वयोगटातील फ्रेंच लोकसंख्येतील दोन पारंपारिक पद्धती (Demirjian method25 आणि Willems method29) आणि 10 DM मॉडेल्समध्ये तुलना केली.त्यांनी नोंदवले की सर्व DM मॉडेल पारंपारिक पद्धतींपेक्षा अधिक अचूक आहेत, MAE मध्ये 0.20 आणि 0.38 वर्षे आणि RMSE मध्ये विलेम्स आणि डेमर्डजियन पद्धतींच्या तुलनेत 0.25 आणि 0.47 वर्षांच्या फरकांसह.हॅलिबर्ग अभ्यासामध्ये दर्शविलेल्या SD मॉडेल आणि पारंपारिक पद्धतींमधील विसंगती 30,31,32,33 असे असंख्य अहवाल विचारात घेते की डेमर्डजियन पद्धत फ्रेंच कॅनेडियन लोकांव्यतिरिक्त इतर लोकसंख्येमध्ये दंत वयाचा अचूक अंदाज लावत नाही ज्यावर हा अभ्यास आधारित होता.या अभ्यासात.ताई एट अल 34 ने 1636 चीनी ऑर्थोडोंटिक छायाचित्रांवरून दात वयाचा अंदाज लावण्यासाठी एमएलपी अल्गोरिदमचा वापर केला आणि डेमर्जियन आणि विलेम्स पद्धतीच्या परिणामांशी त्याच्या अचूकतेची तुलना केली.त्यांनी नोंदवले की MLP मध्ये पारंपारिक पद्धतींपेक्षा जास्त अचूकता आहे.डेमर्डजियन पद्धत आणि पारंपारिक पद्धतीमधील फरक <0.32 वर्षे आहे आणि विलेम्स पद्धत 0.28 वर्षे आहे, जी सध्याच्या अभ्यासाच्या परिणामांसारखीच आहे.या मागील अभ्यासाचे परिणाम 24,34 देखील सध्याच्या अभ्यासाच्या परिणामांशी सुसंगत आहेत आणि DM मॉडेल आणि पारंपारिक पद्धतीची वय अंदाज अचूकता समान आहेत.तथापि, सादर केलेल्या परिणामांवर आधारित, आम्ही केवळ सावधपणे असा निष्कर्ष काढू शकतो की वयाचा अंदाज लावण्यासाठी DM मॉडेल्सचा वापर तुलनात्मक आणि संदर्भ मागील अभ्यासाच्या अभावामुळे विद्यमान पद्धती बदलू शकतो.या अभ्यासात मिळालेल्या परिणामांची पुष्टी करण्यासाठी मोठे नमुने वापरून पाठपुरावा अभ्यास आवश्यक आहेत.
दंत वयाचा अंदाज लावण्यासाठी SD च्या अचूकतेची चाचणी करणाऱ्या अभ्यासांपैकी काहींनी आमच्या अभ्यासापेक्षा जास्त अचूकता दर्शविली.Stepanovsky et al 35 ने 22 SD मॉडेल 2.7 ते 20.5 वर्षे वयोगटातील 976 चेक रहिवाशांच्या पॅनोरामिक रेडिओग्राफवर लागू केले आणि प्रत्येक मॉडेलची अचूकता तपासली.त्यांनी Moorrees et al 36 द्वारे प्रस्तावित वर्गीकरण निकष वापरून एकूण 16 वरच्या आणि खालच्या डाव्या स्थायी दातांच्या विकासाचे मूल्यांकन केले.MAE 0.64 ते 0.94 वर्षे आणि RMSE श्रेणी 0.85 ते 1.27 वर्षे आहे, जे या अभ्यासात वापरलेल्या दोन DM मॉडेलपेक्षा अधिक अचूक आहेत.शेन एट अल 23 ने 5 ते 13 वर्षे वयोगटातील पूर्व चिनी रहिवाशांच्या डाव्या मॅन्डिबलमधील सात कायम दातांच्या दातांच्या वयाचा अंदाज लावण्यासाठी Cameriere पद्धतीचा वापर केला आणि रेखीय प्रतिगमन, SVM आणि RF वापरून अंदाजित वयोगटांशी तुलना केली.त्यांनी दाखवले की पारंपारिक Cameriere सूत्राच्या तुलनेत तिन्ही DM मॉडेल्समध्ये उच्च अचूकता आहे.शेनच्या अभ्यासातील MAE आणि RMSE या अभ्यासातील DM मॉडेलच्या तुलनेत कमी होते.Stepanovsky et al द्वारे अभ्यासांची वाढलेली अचूकता.35 आणि शेन एट अल.23 त्यांच्या अभ्यासाच्या नमुन्यांमध्ये तरुण विषयांच्या समावेशामुळे असू शकतात.कारण दातांच्या विकासादरम्यान दातांच्या संख्येत वाढ झाल्यामुळे विकसनशील दात असलेल्या सहभागींच्या वयाचा अंदाज अधिक अचूक बनतो, अभ्यासातील सहभागी लहान असताना परिणामी वयाच्या अंदाज पद्धतीची अचूकता धोक्यात येऊ शकते.याव्यतिरिक्त, वयाच्या अंदाजामध्ये MLP ची त्रुटी SLP पेक्षा किंचित लहान आहे, याचा अर्थ MLP SLP पेक्षा अधिक अचूक आहे.MLP हे वयाच्या अंदाजासाठी किंचित चांगले मानले जाते, शक्यतो MLP38 मधील लपलेल्या स्तरांमुळे.तथापि, स्त्रियांच्या बाह्य नमुन्यासाठी अपवाद आहे (SLP 1.45, MLP 1.49).वयाचे मूल्यांकन करताना MLP हे SLP पेक्षा अधिक अचूक असल्याचे शोधण्यासाठी अतिरिक्त पूर्वलक्षी अभ्यासाची आवश्यकता आहे.
डीएम मॉडेलचे वर्गीकरण कार्यप्रदर्शन आणि 18 वर्षांच्या उंबरठ्यावरील पारंपारिक पद्धतीची देखील तुलना केली गेली.अंतर्गत चाचणी सेटवरील सर्व चाचणी केलेले SD मॉडेल आणि पारंपारिक पद्धतींनी 18 वर्षांच्या नमुन्यासाठी व्यावहारिकदृष्ट्या स्वीकार्य भेदभाव दर्शविला.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 AUROC देखील 0.925 पेक्षा जास्त आहे.आमच्या माहितीनुसार, कोणत्याही अभ्यासाने दंत परिपक्वतेवर आधारित 18-वर्षांच्या वर्गीकरणासाठी DM मॉडेलच्या कामगिरीची चाचणी केलेली नाही.आम्ही या अभ्यासाच्या परिणामांची तुलना पॅनोरामिक रेडिओग्राफवरील डीप लर्निंग मॉडेल्सच्या वर्गीकरण कामगिरीशी करू शकतो.Guo et al.15 ने CNN-आधारित डीप लर्निंग मॉडेलचे वर्गीकरण कार्यप्रदर्शन आणि विशिष्ट वयाच्या उंबरठ्यासाठी डेमिर्जियनच्या पद्धतीवर आधारित मॅन्युअल पद्धतीची गणना केली.मॅन्युअल पद्धतीची संवेदनशीलता आणि विशिष्टता अनुक्रमे 87.7% आणि 95.5% होती, आणि CNN मॉडेलची संवेदनशीलता आणि विशिष्टता अनुक्रमे 89.2% आणि 86.6% पेक्षा जास्त होती.त्यांनी असा निष्कर्ष काढला की डीप लर्निंग मॉडेल्स वयाच्या उंबरठ्याचे वर्गीकरण करताना मॅन्युअल मूल्यांकनाची जागा घेऊ शकतात किंवा त्यापेक्षा जास्त कामगिरी करू शकतात.या अभ्यासाच्या परिणामांनी समान वर्गीकरण कामगिरी दर्शविली;असे मानले जाते की डीएम मॉडेल्सचा वापर करून वर्गीकरण वयाच्या अंदाजासाठी पारंपारिक सांख्यिकीय पद्धती बदलू शकते.मॉडेल्समध्ये, DM LR हे पुरुष नमुन्यासाठी संवेदनशीलता आणि महिला नमुन्यासाठी संवेदनशीलता आणि विशिष्टतेच्या दृष्टीने सर्वोत्तम मॉडेल होते.पुरुषांसाठी विशिष्टतेमध्ये एलआर दुसऱ्या क्रमांकावर आहे.शिवाय, LR हे अधिक वापरकर्ता-अनुकूल DM35 मॉडेलपैकी एक मानले जाते आणि ते कमी जटिल आणि प्रक्रिया करणे कठीण आहे.या परिणामांवर आधारित, कोरियन लोकसंख्येतील 18 वर्षांच्या मुलांसाठी एलआर हे सर्वोत्तम कटऑफ वर्गीकरण मॉडेल मानले गेले.
एकंदरीत, बाह्य चाचणी संचावरील वयाच्या अंदाजाची किंवा वर्गीकरण कामगिरीची अचूकता अंतर्गत चाचणी संचावरील निकालांच्या तुलनेत खराब किंवा कमी होती.काही अहवाल असे सूचित करतात की जेव्हा कोरियन लोकसंख्येवर आधारित वयाचा अंदाज जपानी लोकसंख्येवर लागू केला जातो तेव्हा वर्गीकरण अचूकता किंवा कार्यक्षमता कमी होते 5,39, आणि सध्याच्या अभ्यासात समान नमुना आढळून आला.डीएम मॉडेलमध्येही ही बिघडण्याची प्रवृत्ती दिसून आली.म्हणून, वयाचा अचूक अंदाज लावण्यासाठी, विश्लेषण प्रक्रियेत DM वापरत असतानाही, स्थानिक लोकसंख्येच्या डेटामधून मिळवलेल्या पद्धती, जसे की पारंपारिक पद्धतींना प्राधान्य दिले पाहिजे. 5,39,40,41,42.सखोल शिक्षण मॉडेल समान ट्रेंड दर्शवू शकतात की नाही हे अस्पष्ट असल्याने, कृत्रिम बुद्धिमत्ता मर्यादित वयात या वांशिक विषमतेवर मात करू शकते की नाही याची पुष्टी करण्यासाठी पारंपारिक पद्धती, DM मॉडेल आणि त्याच नमुन्यांचा वापर करून वर्गीकरण अचूकता आणि कार्यक्षमतेची तुलना करणारे अभ्यास आवश्यक आहेत.मूल्यांकन
कोरियामधील फॉरेन्सिक वय अंदाज प्रॅक्टिसमध्ये डीएम मॉडेलवर आधारित वयाच्या अंदाजानुसार पारंपारिक पद्धती बदलल्या जाऊ शकतात हे आम्ही दाखवून देतो.न्यायवैद्यकीय वय मूल्यांकनासाठी मशीन लर्निंग लागू करण्याची शक्यता देखील आम्ही शोधली.तथापि, स्पष्ट मर्यादा आहेत, जसे की परिणाम निश्चितपणे निर्धारित करण्यासाठी या अभ्यासातील सहभागींची अपुरी संख्या आणि या अभ्यासाच्या परिणामांची तुलना आणि पुष्टी करण्यासाठी मागील अभ्यासाचा अभाव.भविष्यात, पारंपारिक पद्धतींच्या तुलनेत त्याची व्यावहारिक लागूता सुधारण्यासाठी मोठ्या संख्येने नमुने आणि अधिक वैविध्यपूर्ण लोकसंख्येसह DM अभ्यास आयोजित केला जावा.अनेक लोकसंख्येमध्ये वयाचा अंदाज लावण्यासाठी कृत्रिम बुद्धिमत्ता वापरण्याची व्यवहार्यता सत्यापित करण्यासाठी, समान नमुन्यांमधील पारंपारिक पद्धतींसह DM आणि सखोल शिक्षण मॉडेल्सच्या वर्गीकरणाची अचूकता आणि कार्यक्षमतेची तुलना करण्यासाठी भविष्यातील अभ्यास आवश्यक आहेत.
अभ्यासामध्ये 15 ते 23 वर्षे वयोगटातील कोरियन आणि जपानी प्रौढांकडून गोळा केलेली 2,657 ऑर्थोग्राफिक छायाचित्रे वापरली गेली.कोरियन रेडियोग्राफ 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) गोळा करण्यात आला आणि दोन संस्थांमध्ये (सेऊल नॅशनल युनिव्हर्सिटी डेंटल हॉस्पिटल आणि योनसेई युनिव्हर्सिटी डेंटल हॉस्पिटल) स्वतःचा टेस्ट सेट गोळा करण्यात आला.आम्ही बाह्य चाचणीसाठी इतर लोकसंख्या-आधारित डेटा (इवाटे मेडिकल युनिव्हर्सिटी, जपान) कडून 857 रेडिओग्राफ देखील गोळा केले.जपानी विषयांचे रेडियोग्राफ (19.31 ± 2.60 वर्षे) बाह्य चाचणी संच म्हणून निवडले गेले.दंत उपचारादरम्यान घेतलेल्या पॅनोरामिक रेडिओग्राफवर दंत विकासाच्या टप्प्यांचे विश्लेषण करण्यासाठी डेटा पूर्वलक्षीपणे गोळा केला गेला.लिंग, जन्मतारीख आणि रेडिओग्राफची तारीख वगळता गोळा केलेला सर्व डेटा निनावी होता.समावेश आणि अपवर्जन निकष पूर्वी प्रकाशित केलेल्या अभ्यासाप्रमाणेच होते 4 , 5 .रेडिओग्राफ घेतलेल्या तारखेपासून जन्मतारीख वजा करून नमुन्याचे वास्तविक वय मोजले गेले.नमुना गट नऊ वयोगटांमध्ये विभागला गेला.वय आणि लिंग वितरण तक्ता 3 मध्ये दर्शविले आहे हा अभ्यास हेलसिंकीच्या घोषणेनुसार आयोजित केला गेला आणि कोरियाच्या कॅथोलिक विद्यापीठाच्या सोल सेंट मेरी हॉस्पिटलच्या संस्थात्मक पुनरावलोकन मंडळाने (IRB) मंजूर केला (KC22WISI0328).या अभ्यासाच्या पूर्वलक्ष्यी रचनेमुळे, उपचारात्मक हेतूंसाठी रेडियोग्राफिक तपासणी करणाऱ्या सर्व रुग्णांकडून सूचित संमती मिळू शकली नाही.सोल कोरिया युनिव्हर्सिटी सेंट मेरी हॉस्पिटल (IRB) ने सूचित संमतीची आवश्यकता माफ केली.
द्विमॅक्सिलरी द्वितीय आणि तृतीय मोलर्सच्या विकासाच्या टप्प्यांचे डेमिरकन निकषांनुसार मूल्यांकन केले गेले 25.प्रत्येक जबड्याच्या डाव्या आणि उजव्या बाजूला समान प्रकारचे दात आढळल्यास फक्त एक दात निवडला जातो.जर दोन्ही बाजूंचे समरूप दात वेगवेगळ्या विकासाच्या टप्प्यावर असतील तर, कमी विकासाच्या टप्प्यासह दात अंदाजे वयातील अनिश्चिततेसाठी निवडले गेले.प्रशिक्षण संचामधून यादृच्छिकपणे निवडलेले शंभर रेडियोग्राफ दोन अनुभवी निरीक्षकांद्वारे दंत परिपक्वता टप्पा निश्चित करण्यासाठी प्रीकॅलिब्रेशन नंतर इंटरऑब्झर्व्हर विश्वासार्हतेची चाचणी घेण्यासाठी स्कोर केले गेले.इंट्राऑब्झर्व्हर विश्वासार्हतेचे प्राथमिक निरीक्षकाद्वारे तीन महिन्यांच्या अंतराने दोनदा मूल्यांकन केले गेले.
प्रशिक्षण संचातील प्रत्येक जबड्याच्या दुसऱ्या आणि तिसऱ्या दाढीच्या लिंग आणि विकासाच्या टप्प्याचा अंदाज वेगवेगळ्या DM मॉडेल्ससह प्रशिक्षित प्राथमिक निरीक्षकाद्वारे केला गेला आणि वास्तविक वय लक्ष्य मूल्य म्हणून सेट केले गेले.एसएलपी आणि एमएलपी मॉडेल, जे मशीन लर्निंगमध्ये मोठ्या प्रमाणावर वापरले जातात, रीग्रेशन अल्गोरिदमच्या विरूद्ध चाचणी केली गेली.डीएम मॉडेल चार दातांच्या विकासाच्या टप्प्यांचा वापर करून रेखीय कार्ये एकत्र करते आणि वयाचा अंदाज घेण्यासाठी या डेटाला एकत्र करते.SLP हे सर्वात सोपे न्यूरल नेटवर्क आहे आणि त्यात लपलेले स्तर नाहीत.SLP नोड्स दरम्यान थ्रेशोल्ड ट्रांसमिशनवर आधारित कार्य करते.रिग्रेशनमधील एसएलपी मॉडेल गणितीयदृष्ट्या एकाधिक रेखीय प्रतिगमन सारखे आहे.SLP मॉडेलच्या विपरीत, MLP मॉडेलमध्ये नॉनलाइनर ऍक्टिव्हेशन फंक्शन्ससह अनेक लपलेले स्तर आहेत.आमच्या प्रयोगांनी नॉनलाइनर ऍक्टिव्हेशन फंक्शन्ससह फक्त 20 लपलेल्या नोड्ससह एक लपलेला स्तर वापरला.आमच्या मशीन लर्निंग मॉडेलला प्रशिक्षित करण्यासाठी ऑप्टिमायझेशन पद्धत म्हणून ग्रेडियंट डिसेंट आणि लॉस फंक्शन म्हणून MAE आणि RMSE वापरा.सर्वोत्तम प्राप्त केलेले प्रतिगमन मॉडेल अंतर्गत आणि बाह्य चाचणी सेटवर लागू केले गेले आणि दातांच्या वयाचा अंदाज लावला गेला.
एक वर्गीकरण अल्गोरिदम विकसित केला गेला आहे जो प्रशिक्षण सेटवर चार दातांच्या परिपक्वताचा वापर करून नमुना 18 वर्षांचा आहे की नाही याचा अंदाज लावतो.मॉडेल तयार करण्यासाठी, आम्ही सात प्रतिनिधित्व मशीन लर्निंग अल्गोरिदम मिळवले 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost आणि (7) MLP .LR सर्वात मोठ्या प्रमाणावर वापरले जाणारे वर्गीकरण अल्गोरिदम 44 पैकी एक आहे.हे एक पर्यवेक्षित शिक्षण अल्गोरिदम आहे जे 0 ते 1 पर्यंतच्या विशिष्ट श्रेणीतील डेटाच्या संभाव्यतेचा अंदाज लावण्यासाठी प्रतिगमन वापरते आणि या संभाव्यतेच्या आधारावर डेटाचे अधिक संभाव्य श्रेणीशी संबंधित म्हणून वर्गीकरण करते;प्रामुख्याने बायनरी वर्गीकरणासाठी वापरले जाते.KNN हा सर्वात सोपा मशीन लर्निंग अल्गोरिदम 45 आहे.नवीन इनपुट डेटा दिल्यावर, तो विद्यमान सेटच्या जवळ k डेटा शोधतो आणि नंतर उच्च वारंवारता असलेल्या वर्गात वर्गीकृत करतो.आम्ही शेजाऱ्यांच्या संख्येसाठी 3 सेट करतो (के).SVM हे एक अल्गोरिदम आहे जे फील्ड 46 नावाच्या रेखीय जागेचा विस्तार करण्यासाठी कर्नल फंक्शन वापरून दोन वर्गांमधील अंतर वाढवते.या मॉडेलसाठी, बहुपदी कर्नलसाठी आम्ही बायस = 1, पॉवर = 1 आणि गॅमा = 1 हायपरपॅरामीटर म्हणून वापरतो.वृक्ष संरचनेत निर्णय नियमांचे प्रतिनिधित्व करून संपूर्ण डेटा सेटला अनेक उपसमूहांमध्ये विभाजित करण्यासाठी अल्गोरिदम म्हणून DT विविध क्षेत्रात लागू केले गेले आहे.मॉडेल प्रति नोड 2 च्या किमान रेकॉर्डसह कॉन्फिगर केले आहे आणि गुणवत्तेचे मोजमाप म्हणून Gini इंडेक्स वापरते.RF ही एक एकत्रित पद्धत आहे जी बूटस्ट्रॅप एकत्रीकरण पद्धत वापरून कार्यप्रदर्शन सुधारण्यासाठी एकाधिक DTs एकत्र करते जी मूळ डेटासेट 48 मधून एकाच आकाराचे नमुने अनेक वेळा यादृच्छिकपणे रेखाटून प्रत्येक नमुन्यासाठी कमकुवत वर्गीकरण तयार करते.आम्ही 100 झाडे, 10 झाडांची खोली, 1 किमान नोड आकार, आणि Gini मिश्रण निर्देशांक नोड वेगळे करण्याचे निकष म्हणून वापरले.नवीन डेटाचे वर्गीकरण बहुमताच्या मताने निश्चित केले जाते.XGBoost एक अल्गोरिदम आहे जो मागील मॉडेलच्या वास्तविक आणि अंदाजित मूल्यांमधील त्रुटी प्रशिक्षण डेटा म्हणून घेते आणि ग्रेडियंट 49 वापरून त्रुटी वाढवणारी पद्धत वापरून बूस्टिंग तंत्रे एकत्र करते.हे त्याचे चांगले कार्यप्रदर्शन आणि संसाधन कार्यक्षमतेमुळे तसेच ओव्हरफिटिंग सुधारणा कार्य म्हणून उच्च विश्वासार्हतेमुळे मोठ्या प्रमाणावर वापरले जाणारे अल्गोरिदम आहे.मॉडेल 400 सपोर्ट व्हीलसह सुसज्ज आहे.MLP हे एक न्यूरल नेटवर्क आहे ज्यामध्ये इनपुट आणि आउटपुट स्तरांमध्ये एक किंवा अधिक परसेप्ट्रॉन एक किंवा अधिक लपलेले लेयर्स बनवतात.याचा वापर करून, तुम्ही नॉन-लिनियर क्लासिफिकेशन करू शकता जेथे तुम्ही इनपुट लेयर जोडता आणि परिणाम मूल्य प्राप्त करता तेव्हा, अंदाजित परिणाम मूल्याची वास्तविक परिणाम मूल्याशी तुलना केली जाते आणि त्रुटी परत प्रसारित केली जाते.आम्ही प्रत्येक लेयरमध्ये 20 लपलेल्या न्यूरॉन्ससह एक लपलेला स्तर तयार केला.संवेदनशीलता, विशिष्टता, PPV, NPV, आणि AUROC ची गणना करून वर्गीकरण कार्यप्रदर्शन तपासण्यासाठी आम्ही विकसित केलेले प्रत्येक मॉडेल अंतर्गत आणि बाह्य सेटवर लागू केले गेले.18 वर्षे किंवा त्याहून अधिक वयाच्या अंदाजे नमुन्याचे 18 वर्षे किंवा त्याहून अधिक वयाच्या अंदाजे नमुन्याचे गुणोत्तर म्हणून संवेदनशीलता परिभाषित केली जाते.विशिष्टता म्हणजे 18 वर्षांखालील नमुन्यांचे प्रमाण आणि अंदाजे 18 वर्षांपेक्षा कमी वयाच्या नमुन्यांचे प्रमाण.
प्रशिक्षण संचामध्ये मूल्यांकन केलेल्या दंत अवस्थांचे सांख्यिकीय विश्लेषणासाठी संख्यात्मक टप्प्यात रूपांतर करण्यात आले.प्रत्येक लिंगासाठी भविष्यसूचक मॉडेल विकसित करण्यासाठी आणि वयाचा अंदाज लावण्यासाठी वापरल्या जाणाऱ्या रीग्रेशन फॉर्म्युला तयार करण्यासाठी मल्टीव्हेरिएट रेखीय आणि लॉजिस्टिक रीग्रेशन केले गेले.आम्ही या सूत्रांचा वापर अंतर्गत आणि बाह्य चाचणी संचांसाठी दात वयाचा अंदाज लावण्यासाठी केला.तक्ता 4 या अभ्यासात वापरलेले प्रतिगमन आणि वर्गीकरण मॉडेल दाखवते.
कोहेनच्या कप्पा आकडेवारीचा वापर करून इंट्रा- आणि इंटरऑब्झर्व्हर विश्वसनीयता मोजली गेली.DM आणि पारंपारिक रीग्रेशन मॉडेल्सची अचूकता तपासण्यासाठी, आम्ही अंतर्गत आणि बाह्य चाचणी संचांचे अंदाजे आणि वास्तविक वय वापरून MAE आणि RMSE ची गणना केली.या त्रुटी सामान्यतः मॉडेल अंदाजांच्या अचूकतेचे मूल्यांकन करण्यासाठी वापरल्या जातात.त्रुटी जितकी लहान असेल तितकी अंदाजाची अचूकता जास्त.DM आणि पारंपारिक प्रतिगमन वापरून गणना केलेल्या अंतर्गत आणि बाह्य चाचणी संचांच्या MAE आणि RMSE ची तुलना करा.पारंपारिक आकडेवारीमध्ये 18 वर्षांच्या कटऑफच्या वर्गीकरण कामगिरीचे मूल्यांकन 2 × 2 आकस्मिक टेबल वापरून केले गेले.चाचणी संचाची गणना केलेली संवेदनशीलता, विशिष्टता, PPV, NPV आणि AUROC यांची तुलना DM वर्गीकरण मॉडेलच्या मोजलेल्या मूल्यांशी केली गेली.डेटा वैशिष्ट्यांवर अवलंबून सरासरी ± मानक विचलन किंवा संख्या (%) म्हणून व्यक्त केला जातो.द्वि-पक्षीय P मूल्ये <0.05 सांख्यिकीयदृष्ट्या महत्त्वपूर्ण मानली गेली.सर्व नियमित सांख्यिकीय विश्लेषणे SAS आवृत्ती 9.4 (SAS Institute, Cary, NC) वापरून केली गेली.DM रीग्रेशन मॉडेल Python मध्ये Keras50 2.2.4 backend आणि Tensorflow51 1.8.0 वापरून विशेषतः गणितीय ऑपरेशन्ससाठी लागू केले गेले.DM वर्गीकरण मॉडेल वायकाटो नॉलेज ॲनालिसिस एन्व्हायर्नमेंट आणि कॉन्स्टँझ इन्फॉर्मेशन मायनर (KNIME) 4.6.152 विश्लेषण प्लॅटफॉर्ममध्ये लागू केले गेले.
लेखक कबूल करतात की अभ्यासाच्या निष्कर्षांना समर्थन देणारा डेटा लेख आणि पूरक सामग्रीमध्ये आढळू शकतो.अभ्यासादरम्यान व्युत्पन्न केलेले आणि/किंवा विश्लेषण केलेले डेटासेट संबंधित लेखकाकडून वाजवी विनंतीवर उपलब्ध आहेत.
Ritz-Timme, S. et al.वय मूल्यांकन: फॉरेन्सिक सरावाच्या विशिष्ट आवश्यकता पूर्ण करण्यासाठी अत्याधुनिक स्थिती.आंतरराष्ट्रीयत्वJ. कायदेशीर औषध.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., आणि Olze, A. फौजदारी खटल्याच्या उद्देशाने जिवंत विषयांच्या फॉरेन्सिक वय मूल्यांकनाची सद्यस्थिती.फॉरेन्सिक.औषध.पॅथॉलॉजी.१, २३९–२४६ (२००५).
पॅन, जे. आणि इतर.पूर्व चीनमधील 5 ते 16 वर्षे वयोगटातील मुलांच्या दंत वयाचे मूल्यांकन करण्यासाठी एक सुधारित पद्धत.क्लिनिकलतोंडी सर्वेक्षण.२५, ३४६३–३४७४ (२०२१).
ली, एसएस इ. कोरियनमधील दुसऱ्या आणि तिसऱ्या दाढीच्या विकासाची कालक्रमानुसार आणि फॉरेन्सिक वय मूल्यांकनासाठी त्याचा अर्ज.आंतरराष्ट्रीयत्वJ. कायदेशीर औषध.१२४, ६५९–६६५ (२०१०).
Oh, S., Kumagai, A., Kim, SY आणि Lee, SS वयाच्या अंदाजाची अचूकता आणि कोरियन आणि जपानी भाषेतील दुसऱ्या आणि तिसऱ्या दाढीच्या परिपक्वतेवर आधारित 18-वर्षांच्या उंबरठ्याचा अंदाज.PLOS ONE 17, e0271247 (2022).
किम, जेवाय आणि इतर.प्रीऑपरेटिव्ह मशीन लर्निंग-आधारित डेटा विश्लेषण ओएसए असलेल्या रूग्णांमध्ये झोपेच्या शस्त्रक्रियेच्या उपचारांच्या परिणामाचा अंदाज लावू शकतो.विज्ञानअहवाल 11, 14911 (2021).
हान, एम. वगैरे.मानवी हस्तक्षेपासह किंवा त्याशिवाय मशीन लर्निंगमधून अचूक वयाचा अंदाज?आंतरराष्ट्रीयत्वJ. कायदेशीर औषध.१३६, ८२१–८३१ (२०२२).
खान, एस. आणि शाहीन, एम. डेटा मायनिंगपासून डेटा मायनिंगपर्यंत.J. माहिती.विज्ञानhttps://doi.org/10.1177/01655515211030872 (2021).
खान, एस. आणि शाहीन, एम. विस्रूल: द फर्स्ट कॉग्निटिव्ह अल्गोरिदम फॉर असोसिएशन रूल मायनिंग.J. माहिती.विज्ञानhttps://doi.org/10.1177/01655515221108695 (2022).
शाहीन एम. आणि अब्दुल्ला यू. कर्म: संदर्भ-आधारित असोसिएशन नियमांवर आधारित पारंपारिक डेटा मायनिंग.गणना करा.मॅटसुरू.६८, ३३०५–३३२२ (२०२१).
मुहम्मद एम., रहमान झेड., शाहीन एम., खान एम. आणि हबीब एम. मजकूर डेटा वापरून डीप लर्निंग आधारित सिमेंटिक समानता शोध.माहिती द्यातंत्रज्ञाननियंत्रण.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ताबीश, एम., तनोली, झेड. आणि शाहीन, एम. क्रीडा व्हिडिओंमधील क्रियाकलाप ओळखण्यासाठी एक प्रणाली.मल्टीमीडियाटूल्स ऍप्लिकेशन्स https://doi.org/10.1007/s11042-021-10519-6 (2021).
हलाबी, एसएस वगैरे.RSNA मशीन लर्निंग चॅलेंज इन पेडियाट्रिक बोन एज.रेडिओलॉजी 290, 498–503 (2019).
ली, वाय. इत्यादी.सखोल शिक्षण वापरून पेल्विक एक्स-रे वरून फॉरेन्सिक वय अंदाज.युरो.रेडिएशन२९, २३२२–२३२९ (२०१९).
गुओ, वायसी, इत्यादी.ऑर्थोग्राफिक प्रोजेक्शन प्रतिमांमधून मॅन्युअल पद्धती आणि खोल कॉन्व्होल्युशनल न्यूरल नेटवर्क वापरून अचूक वय वर्गीकरण.आंतरराष्ट्रीयत्वJ. कायदेशीर औषध.135, 1589-1597 (2021).
अलाबामा Dalora et al.वेगवेगळ्या मशीन लर्निंग पद्धतींचा वापर करून हाडांच्या वयाचा अंदाज: एक पद्धतशीर साहित्य पुनरावलोकन आणि मेटा-विश्लेषण.PLOS ONE 14, e0220242 (2019).
डु, एच., ली, जी., चेंग, के., आणि यांग, जे. आफ्रिकन अमेरिकन आणि चायनीज लोकसंख्या-विशिष्ट वयाचा अंदाज शंकू-बीम संगणित टोमोग्राफी वापरून फर्स्ट मोलरच्या पल्प चेंबर व्हॉल्यूमवर आधारित आहे.आंतरराष्ट्रीयत्वJ. कायदेशीर औषध.१३६, ८११–८१९ (२०२२).
Kim S., Lee YH, Noh YK, Park FK आणि Oh KS प्रथम मोलर्सच्या कृत्रिम बुद्धिमत्तेवर आधारित प्रतिमा वापरून जिवंत लोकांचे वयोगट ठरवणे.विज्ञानअहवाल 11, 1073 (2021).
स्टर्न, डी., पेअर, सी., जिउलियानी, एन., आणि अर्शलर, एम. मल्टीव्हेरिएट एमआरआय डेटावरून स्वयंचलित वय अंदाज आणि बहुसंख्य वय वर्गीकरण.IEEE J. बायोमेड.आरोग्य सूचना.23, 1392–1403 (2019).
चेंग, क्यू., जीई, झेड., डु, एच. आणि ली, जी. डीप लर्निंग आणि लेव्हल सेट एकत्रित करून शंकूच्या बीम कॉम्प्युटेड टोमोग्राफीच्या 3D पल्प चेंबर सेगमेंटेशनवर आधारित वयाचा अंदाज.आंतरराष्ट्रीयत्वJ. कायदेशीर औषध.१३५, ३६५–३७३ (२०२१).
Wu, WT, et al.क्लिनिकल बिग डेटामध्ये डेटा मायनिंग: सामान्य डेटाबेस, चरण आणि पद्धती मॉडेल.जग.औषध.संसाधन८, ४४ (२०२१).
यांग, जे. आणि इतर.बिग डेटा युगातील वैद्यकीय डेटाबेस आणि डेटा मायनिंग तंत्रज्ञानाचा परिचय.जे. अविद.मूलभूत औषध.१३, ५७–६९ (२०२०).
शेन, एस. वगैरे.मशीन लर्निंग वापरून दात वयाचा अंदाज लावण्यासाठी कॅमेरारची पद्धत.BMC ओरल हेल्थ 21, 641 (2021).
Galliburg A. et al.डेमर्डजियन स्टेजिंग पद्धत वापरून दंत वयाचा अंदाज लावण्यासाठी वेगवेगळ्या मशीन शिक्षण पद्धतींची तुलना.आंतरराष्ट्रीयत्वJ. कायदेशीर औषध.१३५, ६६५–६७५ (२०२१).
डेमर्डजियन, ए., गोल्डस्टीन, एच. आणि टॅनर, जेएम दंत वयाचे मूल्यांकन करण्यासाठी एक नवीन प्रणाली.घोरणेजीवशास्त्र४५, २११–२२७ (१९७३).
लँडिस, जेआर, आणि कोच, स्पष्ट डेटावर निरीक्षक कराराचे GG उपाय.बायोमेट्रिक्स 33, 159–174 (1977).
भट्टाचार्जी एस, प्रकाश डी, किम सी, किम एचके आणि चोई एचके.प्राथमिक मेंदूच्या ट्यूमरच्या भेदासाठी कृत्रिम बुद्धिमत्ता तंत्राचा वापर करून द्विमितीय चुंबकीय अनुनाद इमेजिंगचे मजकूर, आकृतिशास्त्र आणि सांख्यिकीय विश्लेषण.आरोग्य माहिती.संसाधनhttps://doi.org/10.4258/hir.2022.28.1.46 (2022).