कोरियाली किशोर किशोरीहरू र युवा वयस्कहरू बीच परम्परागत दन्त उमेर अनुमानका लागि एक डाटा खनऔंको लागि एक डाटा खानी मोडेलको प्रमाण

प्रकृति comploce.com भ्रमणको लागि धन्यवाद। ब्राउजर को संस्करण तपाईं प्रयोग गर्दै हुनुहुन्छ सीमित CSS समर्थन छ। उत्तम नतिजाको लागि, हामी तपाईंको ब्राउजरको नयाँ संस्करणको प्रयोग गर्न सिफारिस गर्दछौं (वा इन्टर्नेट एक्सप्लोरमा अनुकूलता मोड बन्द गर्दै)। यस बीचमा, निरन्तर समर्थन सुनिश्चित गर्न हामी स्टाइलिंग वा जाभास्क्रिप्ट बिना साइट देखाउँदैछौं।
दाँत मानव शरीरको उमेरको सब भन्दा सही सूचक मानिन्छ र प्राय: फोरन्सेनिक उमेर मूल्यांकनमा प्रयोग गरिन्छ। हामीले डाटा खनिंग-आधारित दन्त उमेर अनुमान र ग्राहण-आधारित उमेर अनुमानहरूको साथ 1 18-वर्षीय दन्त उमेर अनुमान र वर्गीकरण अनुमान र वर्गीकरण अनुमान र वर्गीकरण अनुमान र वर्गीकरण अनुमान कुल 2 2657 को परिमाणका रेडियोग्राफहरू कोरियाली र जापानी नागरिकहरूदेखि 1 15 देखि 2 23 वर्ष उमेरका स collected ्कलन गरियो। तिनीहरू प्रत्येक प्रशिक्षण सेटमा विभाजन गरिएको थियो, प्रत्येकमा 90000 कोरियाली रेडियोग्राफहरू, र 857 जापानी रेडिग्राफहरू समावेश गर्दै एक आन्तरिक परीक्षण सेट। हामीले वर्गीकरण सटीकता र डाटा खनऔंको परीक्षण सेटहरूको परीक्षण गरिएका मोडेलहरूको साथ परम्परागत विधिहरूको दक्षता समावेश गर्यौं। आन्तरिक टेस्ट सेटमा परम्परागत विधिको शुद्धता डाटा खानी मोडेलको भन्दा थोरै छ, र भिन्नता सानो छ (0.21 बर्ष <0.24 वर्ष)। 1 18-वर्ष कटऑफको लागि वर्गीकरण प्रदर्शन परम्परागत विधिहरू र डाटा खानी मोडेलहरूबीच पनि समान छ। यसप्रकार, परम्परागत विधिहरू डाटा खानी मोडेलहरू द्वारा बदल्न सकिन्छ जब कोरियाली किशोर किशोरीहरूको तेस्रो र युवा वयस्कहरूको परिपक्वता प्रयोग गर्दै आएका फल्याकनी आएका आलोचनाहरू।
दन्त उमेर अनुमान फोरन्सेन्सिक औषधि र बाल चिकित्सा दन्तचिकित्सामा व्यापक रूपमा प्रयोग गरीन्छ। विशेष गरी, कालक्रमीय उमेर र दन्त विकासका बीच उच्च सम्बन्धको कारण दन्त विकासशील चरणहरूले दन्त विकास चरणहरू द्वारा बच्चा र किशोर-किशोरीहरूको युगको आकलन गर्नको लागि महत्वपूर्ण मापदण्ड हो। यद्यपि बितेल आक्रामकतामा आधारित दन्त उमेरमा दन्त उमेरका लागि दन्त उमेर अनुमानित छ किनकि तेस्रो बन्दरगाहको कारण दन्त वृद्धि लगभग पूर्ण छ। युवा व्यक्ति र किशोर-किशोरीहरूको उमेर निर्धारणको कानुनी उद्देश्यको सही अनुमान र वैज्ञानिक प्रमाणहरू प्रदान गर्नु हो कि तिनीहरू बहुमतको युगमा पुगेका छन्। कोरियाका किशोर-किशोरीहरूको मेडिको कानुनी अभ्यासमा, उमेरले लीको विधि प्रयोग गरेर अनुमान गरिएको थियो, र 1 18 बर्षको एक कानुनी थ्रेसोल्ड ओएल एट अल। द्वारा रिपोर्ट गरिएको छ।
मेसिन सिकाई कृत्रिम बुद्धिमत्ता (ऐ) को एक प्रकार हो र ठूलो मात्रामा डाटामा वर्गीकृत गर्दछ र यसको समस्या समाधान गर्दछ, र ड्राइभ प्रोग्रामिंग ड्राइभ प्रोग्रारीहरू। मेसिन शिक्षणले डेटा बलको ठूला मात्रामा उपयोगी लुकेका ढाँचा पत्ता लगाउन सक्छ। यसको विपरीत, शास्त्रीय विधिहरू, जुन श्रम-गहन मात्रामा छन् र समय-अवधिमा, जटिल डाटाका ठूला भोल्युमहरू सामना गर्दा सीमितताहरू जुन म्यानुअल तुलनामा प्रक्रिया गर्न गाह्रो हुन्छ। यसैले मानव त्रुटिहरू कम गर्न भर्खरको कम्प्युटर टेक्नोलोजीहरू प्रयोग गरेर धेरै अध्ययनहरू गरिन्छ जुन मानव त्रुटिहरू र कुशलतासाथ बहुमूल्यटा डाटा,,, 10,11,12 प्रशोधन गर्न सकिन्छ। विशेष रूपमा, मेडिकल छवि विश्लेषणमा गहिरो शिक्षा व्यापक शिविरमा प्रयोग गरिएको छ, र उमेर अनुमानित र रेडियोग्राफले स्वचालित रूपमा रेडियोग्राफहरूको यथार्थता र क्षमताको शुद्धता र क्षमताको सुधार र क्षमताको शुद्धता र दक्षता सुधार गर्न पाएका छन्। । उदाहरण को लागी, हलाइडी एट 1 ely ले बच्चाको हातको रेख्राग्राफको प्रयोग गरेर कंकाल उमेरको प्रयोगको लागि कंकाल युगको आधारमा एल्गोरिथ्म विकसित गर्यो। यस अध्ययनले एक मोडेलको प्रस्ताव गर्दछ जुन मेडिकल छविहरूमा मेसिन सिकाइन्छ र देखाउँदछ कि यी विधिहरूले डायनास्टिक सटीकता सुधार गर्न सक्दछ। LI A A AL14 अनुमानित युगबाट एक गहिरो शिक्षण Cann को उपयोग गरीएको उमेरबाट र ओसिफेशन चरण अनुमान प्रयोग गरी रिग्रेप्रेस परिणामहरूको साथ उनीहरूलाई तुलना गर्नुहोस्। उनीहरूले फेला पारे कि गहिरो शिक्षण Cnn मोडेलले समान उमेर अनुमान प्रदर्शन परम्परागत प्रतिगामी मोडेलको रूपमा देखायो। गुपो एट अल। अध्ययन [1]] दन्त arthophhootos मा आधारित cnn टेक्नोलोजी वर्गीकरण प्रदर्शन, र cnn मोडेल को नतीजा को उपयोग गरीएको छ कि मानिसहरुले आफ्नो उमेर वर्गीकरण प्रदर्शन को उपयोग गरे।
12,114,1,,, 1,1,, 11,1,,, 1,1,,, 1,1,,, 1,1,,, 1,1,,, 1,1,,, 1,1,,, 1,1,, 1,1,,, 1,1,, 1,1,,,, 1,1,,, 1,1,,, 1,1,,, 1,1,, 1,1,,, 1,1,,, 1,1,,, 1,1,, 1,1,,, 1,1,, 1,1,,, 1,1,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,,, 1,, 1,,, 1,, 1,, 1,, 1,, 1,1, उमेर गहिरो शिक्षाको आधारमा उमेर अनुमानित परम्परागत विधिहरू भन्दा बढी सटीक हुन रिपोर्ट गरिएको छ। यद्यपि यस दृष्टिकोणले युगको अनुमान पुर्याउने वैज्ञानिक आधारलाई प्रस्तुत गर्ने कम अवसर प्रदान गर्दछ, जस्तै उमेरका सूचकहरू अनुमानमा प्रयोग गरिन्छ। त्यहाँ कानूनी विवाद पनि छ जसले निरीक्षणलाई सञ्चाल गर्दछ। तसर्थ, गहिरा शिक्षामा आधारित उमेर अनुमानित प्रशासनिक र न्यायिक अधिकारीहरू स्वीकार्न गाह्रो छ। डाटा खानी (डीएम) एक प्रविधि हो जुन केवल अपेक्षित मात्र नभई अप्रत्याशित जानकारी ठूलो मात्रामा डाटा,, 2,22 को बीचमा उपयोगी सहकारीहरू पत्ता लगाउन विधिको रूपमा पनि अपेक्षित छ। मेसिन शिक्षा प्राय: डाटा खानीमा प्रयोग गरिन्छ, र दुबै डाटा खानी र मेशिन सिकाई डाटामा ढाँचा पत्ता लगाउन समान कुञ्जी एल्गोरिदमहरू प्रयोग गर्दछ। दन्तणको विकास प्रयोग गरेर उमेर अनुमान लक्ष्य दाँतको परिपक्वता को परिपक्वता को रूप मा आधारित छ, र यो मूल्यांकन प्रत्येक लक्षित दाँत को लागी एक चरण को रूप मा व्यक्त गरिएको छ। डीएम डेन्टल निर्धारण चरण र वास्तविक उमेर बीचको सम्बन्धको विश्लेषण गर्न प्रयोग गर्न सकिन्छ र परम्परागत सांख्यिकीय विश्लेषणलाई बदल्न सक्ने क्षमता छ। तसर्थ, यदि हामी डीएम अनुमानको लागि डीएम अनुक्रमणिकाहरू लागू गर्दछौं भने हामी पूर्वानुमाननीय युग अनुमानमा रहेको मेसिन शिक्षालाई कार्यान्वयन गर्न सक्दछौं। धेरै तुलनात्मक अध्ययनहरू पूर्वानुमानत्मक अभ्यास र दन्त उमेर निर्धारणका लागि फोरन्सिक अभ्यास र EBM-आधारित विधिहरूमा प्रकाशित विकल्पहरूमा प्रकाशित गरिएको छ। SHEN ET A AL23 देखाए कि डीएम मोडेल परम्परागत नाविक सूत्र भन्दा बढी सही छ। गिरोलबग्ग एट Al24 विभिन्न डीएम विधिहरू डेमोडिज द्वन्द्व 253 र परिणामले फ्रान्सेली जनसंख्याको उमेर अनुमानमा डेमोजज र विल्लेस विधिहरू प्रयोग गर्यो।
कोरियाली किशोर किशोरीहरूको दन्त उमेर र जवान वयस्कहरू, लीको विधि 4 कोरियाली फोरन्सिक अभ्यासमा लीको विधि 4 को अनुमान गर्न। यस विधिले परम्परागत सांख्यिकीय विश्लेषण प्रयोग गर्दछ (बहु रिबक्शन) कोरियाली विषयहरू र कालक्रमको बीचको सम्बन्ध जाँच्न। यस अध्ययनमा, उमेर अनुमानित विधिहरू परम्परागत सांख्यिकीय विधिहरू प्रयोग गरेर प्राप्त गरिएको अनुमान विधिहरू "परम्परागत विधिहरू" को रूपमा परिभाषित छन्। लीको विधि एक परम्परागत विधि हो, र यसको शुद्धता ओह एट अल द्वारा पुष्टि गरिएको छ। ; यद्यपि कोरियाली फोरमिक अभ्यासमा डीएम मोडेलमा आधारित उमेर अनुमानको निरन्तरता अझै शंकास्पद छ। हाम्रो लक्ष्य भनेको DM मोडेलमा आधारित उमेर अनुमानको सम्भावित उपयोगितालाई मान्यता दियो। यस अध्ययनको उद्देश्य दन्तौली एज र (2) को अनुमानित दुई डीएम मोडेलहरूको शुद्धता र (2) को गतिशीलताका साथ प्राप्त गर्न 1 18 डीएम मोडेलको वर्गीकरण प्रदर्शन दोस्रोको साथ प्राप्त गर्नेहरूसँग। र दुवै बन्धन मा तेस्रो दुल।
यसको अर्थ र स्टेज प्रकार र दाँत प्रकारको कालक्रम र दाँत प्रकारलाई पूरक तालिका s1 (प्रशिक्षण सेट), पूरक तालिका S2 (आन्तरिक परीक्षण सेट), र पूरक तालिका S3 (बाह्य परीक्षण सेट)। तालिम सेटमा इन्ट्रा र इन्टोबोसर विश्वसनीयता विश्लेषण गरिएको छ। P मानहरू र %%% विश्वास keppha को लागी kappa मानहरूको लागि अनलाइन पूरक तालिका S4 मा देखाइएको छ। Kappa मानलाई "लगभग उत्तम" को रूपमा व्याख्या गरिएको थियो, जमिन र कोच 2 of को मापदण्डको साथ।
जब यसको मतलब निरपेक्ष त्रुटि (माए), परम्परागत विधिले सबै जीवाणुको लागि डीएम मोडेललाई पूर्ण रूपमा प्रतिस्पर्धा गर्दछ र बहुविष्पयर PESPEROR (MLP) को अपवाद बाहेक। परम्परागत मोडेल बीचको भिन्नता र आन्तरिक माई परीक्षणको डिस्डेलले महिलालाई र 0.19.12.21 वर्ष थियो महिलाका लागि। बाह्य परीक्षण ब्याट्रीका लागि, महिलाहरूका लागि मतभेदहरू र 0.05-0.09 वर्षका लागि भिन्नताहरू छन्)। थप रूपमा, जराको अर्थ वर्ग त्रुटि (RMS) परम्परागत विधि भन्दा थोरै कम छ, सानो मतभेद (0.0.0.24 बाह्य परीक्षण सेटको लागि 0.0.24)। ) MLP ले महिला बाह्य परीक्षण सेटको मामला बाहेक थोरै राम्रो प्रदर्शन देखाउँदछ। माई र आरएमएसएस को लागी, बाह्य परीक्षण सबै लिंगर र मोडेल को लागी आन्तरिक परीक्षण भन्दा अधिक स्कोरहरू। सबै मा र rmse तालिका 1 र चित्र 1 मा देखाइन्छ।
IEE र परम्परागत र डेटा खानी रिग्रेसन मोडेलहरूको RMSE। यसको मतलब निरपेक्ष त्रुटि माए, मूल कोष वर्ग त्रुटि RMS RMSE, एकल तह प्रिन्टनन स्लप, बहुभाइर Plivertron MLP, परम्परागत सेमी सीएमपी।
वर्गीकरण प्रदर्शन (1 years बर्षको कटऑफको साथ) संवेदनशीलता, विशिष्टता, सकारात्मक पूर्वानुमान मान (एनपीभी), र रिसीभर अपरेटिंग चरित्र वक्र (AROOCE) अन्तर्गत क्षेत्र 2 ((तालिका 2, चित्र 2 र पूरक आंकडा 1 अनलाइन)। आन्तरिक परीक्षण ब्याट्रीको संवेदनशीलता को मामला मा, परम्परागत विधिहरू पुरुषहरु बीच र महिलाहरु बीच सबै भन्दा राम्रो प्रदर्शन। यद्यपि, परम्परागत विधिहरू र एसडीबीच वर्गीकरण प्रदर्शनमा भिन्नता (MLP) (MLP) को लागि .7..7% मात्र 24% मात्र (Xgboost)। डीएम मोडेलहरू मध्ये, लगस्टेट रिग्रेसन (LR) दुबै सेक्समा राम्रो संवेदनशीलता देखायो। आन्तरिक परीक्षण सेटको विशिष्टता सम्बन्धी, यो अवलोकन गरिएको थियो कि चार एसडी मोडेलहरूले पुरुषहरूमा राम्रोसँग प्रदर्शन गरे, जबकि परम्परागत मोडेलले महिलाहरूमा राम्रो प्रदर्शन गर्यो। पुरुष र महिलाहरूको लागि वर्गीकरण प्रदर्शनमा भिन्नताहरू क्रमशः 1 13..3% (MLP) र 1 MLP (MLP) र 1.1.1% (MLP) छन् कि मोडेलहरू बीचको संवेदनशीलता भन्दा बढी भिन्नता छ। डीएम मोडेलहरू मध्ये, समर्थन भेक्टर मेशिन (SVM), निर्णय रूख (DT), र अनियमित वन मोडेलहरू पुरुषहरू बीच प्रदर्शन गर्दछ, जबकि lr मोडल महिलाहरु बीच राम्रो प्रदर्शन। परम्परागत मोडेलको आगलागी र सबै SD मोडेलहरू 0.9 2525 भन्दा बढी थियो (K - नजिकै) पुरुषहरूमा), 1 18-वर्षीया नमूना 2 pitiveing ​​मा भेदभावको उत्कृष्ट वर्गीकरण प्रदर्शन प्रदर्शन गर्दै। बाह्य परीक्षण सेटका लागि, संवेदनशीलता सेटको तुलनामा विशिष्टता र आन्तरिक परीक्षण सेटको तुलनामा वर्गीकरण प्रदर्शनमा कतै बढेको थियो। यसबाहेक, 10% देखि 2 25% देखि 2 25% सम्मका संवेदनशीलता बीचको भिन्नता र आन्तरिक परीक्षण सेटमा फरक भन्दा ठूलो थियो।
1 years बर्षको कटऑफको साथ परम्परागत विधिहरूको तुलनामा संवेदनशीलता र डेटा खानिएको वर्गीकरण मोडेलहरूको संवेदनशीलता। निनको नजिकको छिमेकी, एसभीएम समर्थन भेक्टर मेसिन, LR ले XT निर्णय लिंग रूख, XB XGBOOLSSESTORSS PLSPLALESERSTORSSESTORORORS।
यस अध्ययनको पहिलो कदम दन्त उमेर अनुमानसँग तुलना गर्नु पर्ने थियो परम्परागत प्रतिगमन प्रयोग गरेर प्राप्त भएकाहरूले प्राप्त गरेको सात डीएम मोडेलहरू। माई र आरएमएस आन्तरिक परीक्षणको लागि आन्तरिक परीक्षणमा मूल्या ated ्कन गरिएको थियो, र परम्परागत विधि बीचको भिन्नता र डीएम मोडेल MMSE को लागि mm 44 देखि 88 days दिनसम्मको छ। यद्यपि परम्परागत विधि यस अध्ययनमा थोरै सही थियो, यस्तो निष्कर्षमा पुग्न गाह्रो छ कि त्यस्तो सानो फरक छ कि छैन। यी परिणामहरूले संकेत गर्दछ कि DM मोडेल प्रयोग गरेर दन्त उमेर अनुमानको शुद्धता परम्परागत विधिको जस्तो छ। अघिल्लो अध्ययनहरूको नतीजाको साथ प्रत्यक्ष तुलना गाह्रो छ किनकि कुनै पनि अध्ययनले डीएम मोडेलको शुद्धता र यस अध्ययनमा दाँतहरू सहितको समान प्रविधिको रूपमा अनुकरण नगरेको छ। ग्यालबगर et Al24 तुलना गरीएको छ र दुई परम्परागत विधिहरू बीचको (डेभियन विधि 225) र 2 24 बर्षमा फ्रान्सेली जनसंख्यामा 10 डीएम मोडेलहरू। उनीहरूले रिपोर्ट गरे कि सबै डीएम मोडेलहरू परम्परागत विधिहरू भन्दा बढी सटीक थिए, क्रमशः विल्लेस र डेलेसियन विधिका तुलनामा। हलीबर्ग अध्ययनमा देखाइएको परम्परागत विधिहरू बीचको भिन्नताहरूले असंख्य रिपोर्ट 500,32,32,32 .33 ले फ्रान्सेली क्यानाडालीहरू भन्दा फरक छ जुन अध्ययन आधारित थियो। यस अध्ययनमा। Tai Al 34 36 चिनियाँ orthodontic फोटोग्राफहरु को दाँत उमेर को पूर्वानुमान गर्न र डेमिजियन र willlems विधि को नतीजाहरु संग mlp एल्गोरिथ्म प्रयोग गरीएको छ र यसको शुद्धता को नतीजाहरु को लागी डेरिजियन र विल्लेस विधि को परिणाम संग। उनीहरूले रिपोर्ट गरे कि एमएएपीपी परम्परागत विधिहरू भन्दा उच्च शुद्धता छ। डेफर्डिक विधि र परम्परागत विधि बीचको भिन्नता <0..32 वर्ष हो, र विल्लीममको विधि 0.28 वर्ष हो, जुन वर्तमान अध्ययनको नतीजाको समान छ। यी अघिल्लो अध्ययनको परिणामहरू पनि वर्तमान अध्ययनको नतीजाहरूसँग पनि अनुरूप छन्, र डीएम मोडेलको उमेर अनुमान यथार्थता र परम्परागत विधि समान छन्। यद्यपि, प्रस्तुत परिणामहरूमा आधारित हामी सतर्कताका साथ निष्कर्षमा पुग्न सक्छौं कि दयनीय उमेरका डीएम मोडेलहरूको प्रयोगले तुलनात्मक र सन्दर्भमा अघिल्लो अध्ययनको अभावका कारण अवस्थित विधिहरू प्रतिस्थापन गर्न सक्छ। ठूला नमूनाहरू प्रयोग गरेर अनुगमन अध्ययनहरूले यस अध्ययनमा पाइने परिणामहरू पुष्टि गर्न आवश्यक छ।
दन्त उमेरको दन्त उमेर अनुमानमा केहीले एसडीको शुद्धता परीक्षण गर्दै, हाम्रो अध्ययन भन्दा उच्च शुद्धता देखाए। स्टेफनोभाभिकी एट 35 35 को pdis 676 चेकको pizerabile रेडियोग्राफ 2.7 देखि 20..5 बर्षको आकामनी रेडियोग्राफहरू 2. र प्रत्येक मोडेलको शुद्धता परीक्षण गरियो। तिनीहरूले morerees Z Al 36 द्वारा प्रस्तावित वर्गीकरण मापदण्डको प्रयोग गरी करिब 1 16 माथिल्लो दाँतको विकास मूल्यांकन गरे। माईले 0..6444 देखि 0.94 बर्षदेखि 0.94 बर्षदेखि 0. years4 बर्षसम्म 0.8575 देखि 1.27 बर्षसम्म, जुन यस अध्ययनमा प्रयोग गरिएको दुई डीएम मोडेल भन्दा बढी सही छन्। शेन एट Al23 ले पूर्वी चिनियाँ चिनियाँ बासिन्दामा 1 years बर्षमा बाँकी सात स्थायी दाँतको दन्त विधिलाई अनुमान लगाएर एसएमएचसीको साथ अनुमानित र revence ्गको साथ अनुमानितको साथ तुलना गरे। उनीहरूले देखाए कि परम्परागत शर्मको तुलनामा सबै तीन डीएम मोडेलहरू उच्च शुद्धता छ शेनको अध्ययनमा माहुरी र आरएमएससे यस अध्ययनमा DM मोडेलमा भन्दा कम थिए। स्टीफोस्की एट अल द्वारा अध्ययनको प्रत्याक्षण And 35 र शान एट अल। 2 he उनीहरूको अध्ययन नमूनाहरूमा कान्छी विषयहरूको समावेशको कारणले हुन सक्छ। किनभने दन्तताको विकासका साथ दाँतहरूको लागि उमेरका सहभागीहरूको अनुमान छ किनकि दाँतहरूको विकासको संख्या बढ्ने क्रममा, नतिजा प्राप्त उमेरको सत्यताका सटीकता सम्झौताकर्ताहरू कान्छामा छन्। थप रूपमा, उमेर अनुमानमा MLP को त्रुटि SLP को भन्दा थोरै सानो छ, यसको अर्थ एमएलपी भन्दा बढी सटीक छ। MLP AMPS अनुमानको लागि थोरै राम्रो मानिन्छ, सम्भवतः MLP38 मा लुकेका तहहरूको कारणले। यद्यपि, महिलाको बाहिरी नमूना (SLP 1.4545, MLP 1.4545, MLP 1.4545)। एएसपीएसमा एमएपीपी एसएलपी भन्दा बढी सटीक छ भनेर पत्ता लगाउँदा थप पूर्ववक्ताको अध्ययन आवश्यक पर्दछ।
डीएम मोडेलको वर्गीकरण प्रदर्शन र 1 18 बर्षे थ्रेसोल्डमा परम्परागत विधि पनि तुलना गरिएको थियो। आन्तरिक टेस्टमा सबैले SD मोडेलहरू र परम्परागत विधिहरू 1 18 वर्षीया नमूनाका लागि भेदभावको व्यावहारिक स्वीकार्य स्तर देखायो। पुरुष र महिलाका लागि संवेदनशीलता क्रमशः 87 87.7..7 %% र .9..9% भन्दा बढी थियो, र 89 .3% भन्दा बढी र .7 84..7% भन्दा बढी विशिष्टता हो। सबै परीक्षण गरिएका मोडेलको आरोपमा 0.9 25 भन्दा बढी बढी हुन्छ। हाम्रो ज्ञानको सर्वश्रेष्ठलाई, कुनै अध्ययनले दन्त परिपक्वतामा आधारित 1 18 बर्षको वर्गीकरणको प्रदर्शनको परीक्षण गरेको छैन। यस अध्ययनको तुलनामा पानाराइमिक रेडिग्राफहरूमा गहिरा शिक्षा मोडेलहरूको वर्गीकरणको साथ तुलना गर्न सक्दछौं। गुओ एट अल 1.15 एक CNN-आधारित गहिरो शिक्षा मोडेल र एक निश्चित उमेर थ्रेसोल्डको लागि डेरियजियन विधिको आधारमा म्यानुअल विधि गणना गरियो। संवेदनशीलता र म्यानुअल विधिको विशिष्टता 87 87..7% र .5 95..5%, र सिनिन मोडेलको संवेदनशीलता र संवेदनशीलता क्रमशः .99.2..6% र .6 86..6% बढी छ। उनीहरूले निष्कर्ष निकाले कि गहिरो शिक्षण मोडेलहरूले वर्गीकरण उमेर थ्रेसोल्डहरूमा बदला लिने वा आउटपरर्मेक्टर कन्टेक्टमेन्टले अप्टेनरलाई प्रतिस्थापन वा आउटपरफार्म गर्न सक्छन्। यस अध्ययनको नतीजाले पनि त्यस्तै वर्गीकरण प्रदर्शन देखायो; यो विश्वास छ कि डीएम मोडेलहरू प्रयोग गरेर वर्गीकरण उमेर अनुमानको लागि परम्परागत सांख्यिकीय विधिहरू प्रतिस्थापन गर्न सक्दछ। मोडेलहरू मध्ये, डीएम lr भनेको नर नमूना र संवेदनशीलता र महिला नमूनाको लागि विशिष्टताको लागि संवेदनशीलताका सर्तमा उत्तम मोडेल थियो। Lralls पुरुषहरूको लागि विशेषतामा mr मा। यसबाहेक, LR अधिक प्रयोगकर्ता-अनुकूल DM35 मोडेलहरू मध्ये एक मानिन्छ र कम जटिल र प्रक्रिया गर्न गाह्रो हुन्छ। यी नतीजाहरूको आधारमा, LR कोरियाई जनसंख्यामा 1 18 बर्षे उमेरका लागि उत्तम कटऑफ वर्गीकरण मोडेल मानिन्थ्यो।
समग्रमा, बाह्य अनुमान वा वर्गीकरण सेटको सटीकताको शुद्धता आन्तरिक परीक्षण सेटमा नतीजाहरूको तुलनामा कमजोर वा कम थियो। केही रिपोर्टहरूले यो वर्गीकरण सटीकता वा दक्षता कम गर्दछ जब कोरियाली जनसंख्या जापानी जनसंख्या,,,, वर्तमान अध्ययनमा उमेरका अनुमानहरू लागू हुन्छ तब समान रिपोर्टहरू कम हुन्छ। यो गिरावट प्रवृत्ति डीएम मोडेलमा पनि अवलोकन गरियो। तसर्थ, एबीएम अनुमान गर्न, विश्लेषण प्रक्रियामा डीएम प्रयोग गर्दा पनि परम्परागत विधिहरूबाट व्यजित विधिहरू प्रदान गरिएको विधिहरू, प्रतिष्ठित योग्यता,,,, 400, 4,42 हुनुपर्दछ। यो अस्पष्ट छ कि गहिरो शिक्षा मोडेलहरूले समान प्रवृत्ति देखाउन सक्छन् कि समान नमूनाहरू प्रयोग गरेर परम्परागत बुद्धिले यी जातीय बुद्धिमत्ताहरूलाई पार गर्न सक्दछ कि हुँदैनन्। मूल्यांकन।
हामी देखाउँदछौं कि परम्परागत विधिहरू उमेरको फर्मन्सिक युगको अनुमान अभ्यासमा डीएम एलएम मोडेलमा आधारित छ। हामीले फोरन्टिक उमेर मूल्या assessment ्कनको लागि मेशीन सिक्ने सम्भावना पनि पत्ता लगायौं। यद्यपि त्यहाँ स्पष्ट सीमाहरू छन्, जस्तै यस अध्ययनमा अपर्याप्त संख्या निश्चित रूपमा परिणामहरू निर्धारण गर्न र अघिल्लो अध्ययनको अभाव तुलना गर्ने र यस अध्ययनको नतीजाहरूको पुष्टि गर्दछ। भविष्यमा डीएम डीएम अध्ययनहरू परम्परागत विधिहरूको तुलनामा यसको व्यावहारिक योग्यता सुधार गर्नका लागि ठूला संख्याको नमूनाहरू र अधिक विविध जनसंख्याको साथ सञ्चालन गर्नुपर्दछ। धेरै मतभेदहरूमा अनुमान गर्न अत्याचार बुद्धिलाई प्रयोग गर्ने सम्भाव्यतालाई मान्यता दिईएको सम्भाव्यतालाई समान नमूनाहरूको वर्गीकरण सटीकता र दक्षताहरू समान नमूनाहरू र।
अध्ययनले 2,65757 ओर्थोर्ग्राफिक फोटोहरू कोरियाली र जापानी वयस्कहरूको 1 15 देखि 2 years बर्षसम्म संकलन गर्यो। कोरियाली रेडियोग्राफहरू 90000 प्रशिक्षण सेटमा विभाजित गरिएको थियो (1 ..42.42 ± 2 2.6565 वर्ष) र 900.5..5222 2 ± 2 .5 .5 .5 .5 .5 .5 .5 .5 .5। प्रशिक्षण सेट एक संस्थामा स collected ्कलन गरिएको थियो (सियोल सेन्ट सेन्ट मरियमको अस्पताल) र आफ्नै परीक्षण सेट दुई संस्थामा स collected ्कलन गरिएको थियो (सियोल राष्ट्रिय विश्वविद्यालय दन्त अस्पताल)। हामीले अर्को जनसंख्या स्थित डाटा (आईवाटी मेडिकल विश्वविद्यालय, जापान) लाई बाह्य परीक्षणको लागि। जापानी विषयहरूको रेडियोग्राफहरू (1 19..31 ± 2.600 बर्ष) बाह्य परीक्षण सेटको रूपमा चयन गरिएको थियो। दन्त चिकित्सा रेडियोग्राफहरूको दन्त चिकित्सकहरूको दन्त प्रतिष्ठानको चरणलाई विश्लेषण गर्न पूर्वनिर्धारित गरिएको थियो। सबै डाटाहरू लिंगको लागि बेनामी बाहेक, जन्म र रेडियोग्राफको मिति बाहेक अवस्थित थिए। समावेशीकरण र बहिष्कार मापदण्ड पहिले प्रकाशित अध्ययनहरू जस्तै थिए। नमूनाको वास्तविक उमेरको मितिबाट जन्म मिति घटाएर गणना गरिएको थियो। नमूना समूह नौ उमेर समूहमा विभाजित गरिएको थियो। उमेर र सेक्स वितरण तालिकामा देखाइन्छ 3 कोरियाको क्याथोलिक विश्वविद्यालयको क्याथोलिक समीक्षा बोर्ड (IB) को संस्थागत समीक्षा बोर्डको अस्पताल (IB) को संस्थागत समीक्षा बोर्डको भ्रमणका साथ यो अध्ययन। यस अध्ययनको अव्यवस्थित डिजाइनका कारण, सूचित सहमति चिकित्सा उद्देश्यहरूको लागि रेडियोग्राफिक परीक्षाको लागि सबै बिरामीहरूबाट प्राप्त गर्न सकिएन। सियोल कोरिया विश्वविद्यालय सेन्ट मरियमको अस्पताल (IRB) सूचित सहमतिका लागि आवश्यकता माफ गरिएको छ।
बिमिक्सरीरी दोस्रो र तेस्रो दु: खीहरूको विकास चरणहरू र डेमार्गन मापदण्ड अनुसार मूल्या ated ्कन गरिएको थियो। केवल एक दाँत चयनित थियो यदि प्रत्येक प्रकारको दाँतलाई बाँया र दायाँ बायाँ र दायाँ छेउमा फेला परेको थियो। यदि दुबै पक्षमा दुबै पक्षहरू विभिन्न विकास चरणहरूमा थिए भने, तल्लो विकासशील चरणको साथ दाँत अनुमानित युगमा अनिश्चितताको लागि खाता गर्न चयन गरिएको थियो। दन्त परिपक्वता चरण निर्धारण गर्न दुई अनुभवी पर्यवेक्षकहरूले हस्तक्षेपप्रदारको परीक्षण गर्न दुई अनुभवी पर्यवेक्षकहरूलाई आर्घोरिभर परीक्षण गर्न दुई अनुभवी पर्यवेक्षणहरू विनिमयकारी पर्यवेक्षणमा परिणत गरेका थिए। इंट्राओक्रोसेभर विश्वसनीयता प्राथमिक पर्यवेक्षकले तीन पटकको अन्तरालमा दुई पटक मूल्यांकन गरिएको थियो।
प्रशिक्षण सेटमा प्रत्येक र तेस्रो दुर्व्यवहारको सेक्स र तेस्रो र तेस्रो रूणात्मक चरण एक प्राथमिक पर्यवेक्षकले अनुमानित बिभिन्न डीएम मोडेलहरूको साथ प्रशिक्षित गरिएको थियो, र वास्तविक युग लक्षित मानको रूपमा सेट गरिएको थियो। स्लप र MLP MODDLES, जुन मेशिनको शिक्षामा व्यापक रूपमा प्रयोग गरिन्छ, रिग्रेड एफिगोरिथ्महरूको बिरूद्ध परीक्षण गरिएको थियो। डीएम मोडेलले चार दाँतहरूको विकास चरणहरू प्रयोग गरेर रैखिक कार्यहरू नक्कल गर्दछ र यी डाटा अनुमान गर्न यी डाटा संयोजन गर्दछ। Slp सरल न्यूजल नेटवर्क हो र लुकेका तहहरू समावेश गर्दैन। नोडहरू बीच थ्रेसोल्ड प्रसारणमा आधारित slp कार्यहरू। REPP मोडेल विनिमयमा गणितीय रूपमा बहु रनयर प्रतिगमन को समान छ। SLP मोडेल विपरीत विपरीत MLP मोडेलले nonllinear सक्रियता कार्यहरू सम्बन्धित धेरै लुकेका तहहरू छन्। हाम्रो प्रयोगहरू एक लुकाइएको लेयर प्रयोग गरिएको छ जुन केवल 20 लुकाइएको नोडहरू सहितको गैरकांत्री सक्रियता कार्यहरू सहित। अप्टिमाइजेसन विधि र माई र RMSE को रूपमा अप्टिमाइजेट विधि र MMSE को रूपमा हाम्रो मेसिन शिक्षा मोडेललाई प्रशिक्षण दिन घाटा कार्यको रूपमा। सबै भन्दा राम्रो प्राप्त गरिएको प्रतिबद्धता मोडेल आन्तरिक र बाह्य परीक्षण सेटमा लागू गरियो र दाँतको उमेर अनुमान गरिएको थियो।
वर्गीकरण एल्गोरियन विकसित भयो जुन तालिम 1 18 बर्षको छ कि छैन भनेर अनुमान लगाउनको लागि चार दाँत को परिपक्वता को विकास भयो कि छैन। मोडेल निर्माण गर्न, हामी सात प्रतिनिधित्व मेसिन शिविर एल्गोर्शि elsp3,43: (1) ननलाई, ()) rf, ()) Xgbosh, र ()) XGBOST । Lr सबैभन्दा व्यापक रूपमा प्रयोग गरिएको वर्गीकरण एल्गोर्शिप स्क्वाइम्स .44 हो। यो एक पर्यवेक्षित शिक्षण एल्गोरिथ्म हो जसले रेजिष्टेसन 0 देखि 1 देखि एक निश्चित वर्गको डाटाको सम्भावनाको पूर्वानुमान गर्न प्रयोग गर्दछ र डाटाको सम्भावनालाई वर्गीकरण गर्दछ जुन यस संभावनामा आधारित छ; मुख्यतया बाइनरी वर्गीकरणको लागि प्रयोग गरिएको। नुनले एक साधारण मेसिन सिक्ने एक साधारण मेसिन सिकि seply45 हो। जब नयाँ इनपुट डाटा दिइन्छ, यसले अवस्थित सेटको नजिक k डाटा फेला पार्दछ र त्यसपछि तिनीहरूलाई उच्च आवृत्तिको साथ कक्षामा वर्गीकृत गर्दछ। हामीले सेट गर्दछौं जसले hoursives को लागी छिमेकीहरूको संख्या मानिन्छ (k)। SVM एक एल्गोरिथ्म हो जुन रन वर्ग बीचको दूरीमा दुई वर्गको बीचको दूरीमा एक गैर-लाइनर अन्तरिक्षमा विस्तार गर्न को लागी एक गैर-लाइनर अन्तरिक्षमा विस्तार गर्दछ। यस मोडेलको लागि, हामी पूर्वाग्रहहरू = 1, बिजुलीको प्रयोग गर्दछौं। एक रूख संरचना 377 मा निर्णय नियमहरू प्रतिनिधित्व गरेर विभिन्न चरणहरूमा सेट गर्न विभिन्न चरणहरूमा DT विभिन्न चरणहरूमा लागू गरिएको छ। मोडेल 2 को प्रति नोटिसहरूको न्यूनतम संख्याको रेकर्डको साथ कन्फिगर गरिएको छ र gini अनुक्रमणिकालाई गुणस्तरको रूपमा प्रयोग गर्दछ। आरएफ एक असेंब्दी विधि हो जुन बुटस्ट्र्यापर विधिलाई सम्मानित गर्नुहोस् जुन एक बुटस्ट्र्यापल विधिलाई सुधार गर्दछ जुन मूल रूपमा प्रत्येक नमूनाको लागि एक कमजोर वर्गीकरणको नमूना निकाल्दछ। हामीले 100 रूखहरू, 10 रूख गहिराइहरू, 1 न्यूनतम नोड आकार, र गिनी एन्डिमेन मापदण्डको रूपमा नोड ट्राभल मापदण्डको रूपमा। नयाँ डाटाको वर्गीकरण बहुमतले विवचन द्वारा निर्धारित गरिन्छ। Xgboosh एक एल्गोरिथ्म हो कि सार्वजनिक मोडेलको वास्तविक र पूर्वाधार 49 प्रयोग गरेर त्रुटि डाटाको रूपमा एक विधि प्रयोग गरेर यसको राम्रो प्रदर्शन र स्रोत दक्षताका कारण यो व्यापक रूपमा प्रयोग गरिएको एल्गोरिथ्म हो, साथै उच्च विश्वसनीयता एक overfiving कार्यको रूपमा। मोडेल 400 समर्थन पा whe ्ग्राहरूको साथ सुसज्जित छ। MLP एक औसत नेटवर्क हो जसमा एक वा बढी perevartrons एक वा अधिक लुकाइएको तहहरूको साथ एक वा आउटपुट तहहरूको बीच धेरै तहहरू छन्। यो प्रयोग गरेर, तपाईं गैर-रैखिक वर्गीकरण प्रदर्शन गर्न सक्नुहुनेछ जहाँ जब तपाईं एक इनपुट तह थप्न सक्नुहुन्छ र परिणाम मानहरू, पूर्वानुमान मानलाई वास्तविक परिणाम मानसँग तुलना गरिन्छ र त्रुटि फिर्ताको लागि प्रतिरोध गरिन्छ। हामीले प्रत्येक तहमा 20 लुकेका न्यूरोनको साथ लुकेका लेयर बनायौं। हामीले विकास गरेको प्रत्येक मोडेल आन्तरिक र बाह्य सेटहरूमा डाटाको हिसाबले लागू गरिएको थियो। संवेदनशीलता एक नमूनाको अनुपात को रूप मा परिभाषित गरिएको छ वा 1 18 बर्ष भन्दा माथि उमेर को लागी 1 years बर्ष वा माथि उमेर को लागी अनुमानित वा उमेर को लागी। विशेषता 1 18 बर्ष भन्दा कम उमेरका नमूनाहरूको अनुपात हो र 1 18 बर्ष भन्दा कम उमेरको हुन अनुमानित।
तालिम सेटमा दन्त प्रतिबन्धित दन्त प्रतिबन्धित सांख्यिकीय विश्लेषणको लागि संख्यात्मक चरणमा रूपान्तरण गरियो। उमेर अनुमान गर्न सकिने प्रत्येक यौन र व्युत्पन्न रिप्रेसेशन परिदृश्यहरूको लागि प्रयोग गर्न सकिने विक्रेता र निकासी मोडेलहरूको पूर्वानुमान मोडेलहरू विकास गर्न म बहुविरोधी रेखर र लोभेद रिग्रेसन प्रदर्शन गरियो। हामीले यी सूत्रहरू दुबै आन्तरिक र बाह्य परीक्षण सेटहरूको लागि अनुमान गर्न प्रयोग गर्यौं। तालिका 4 ले यस अध्ययनमा प्रयोग गरिएको रिग्रेड र वर्गीकरण मोडेलहरू देखाउँदछ।
इंट्रा र इन्टोबोसर विश्वसनीयता कोहेनको कप्पा तथ्या .्क प्रयोग गरेर गणना गरिएको थियो। डीएम र परम्परागत रिग्रेड मोडेलको शुद्धता परीक्षण गर्न, हामी आन्तरिक र बाह्य परीक्षण सेटहरूको अनुमानित र RMSE गणना गर्दछौं। यी त्रुटिहरू सामान्यतया मोडेल भविष्यवाणीहरूको शुद्धताको मूल्यांकन गर्न प्रयोग गरिन्छ। सानो त्रुटि, पूर्वानुमान 24 को उच्च भाग। डीएम र परम्परागत प्रतिगमन प्रयोग गरेर आन्तरिक र बाह्य टेस्ट सेटहरूको RME र बाह्य परीक्षण सेटसँग तुलना गर्नुहोस्। परम्परागत तथ्या .्कमा 1 18-वर्ष कटऑफको वर्गीकरण प्रदर्शन 2 × 2 कन्निटी टेबल टेबल प्रयोग गरी गठन गरिएको थियो। गणना गरिएको संवेदनशीलता, विशिष्टता, पीपीभी, एनपीभी, र परीक्षण सेटको आरोपमा डीएम वर्गीकरण मोडेलको मापन मानहरूको तुलनामा तुलना गरिएको थियो। डाटाको रूपमा वर्णन गरिएको छ ± मानक विचलन वा नम्बर (%) डाटा सुविधाहरूमा निर्भर गर्दछ। दुई -तक्षीय पी मानहरू <0.05 सांख्यिकीय मानिन्थ्यो। सबै नियमित सांख्यिकीय विश्लेषणहरू STA संस्करण 9 ..4 (SAS संस्थान, क्यारी, का C ्ग्रेस) प्रयोग गरेर प्रदर्शन गरिएको थियो। डीएम रिग्रेसन मोडेलले किरास dirs50.4 bacike र senorfloglowll51 1.81 1.8.0 विशेष रूपमा गणितीय अपरेशनको लागि विशेष गरी Bacemplogly51 1.8.0 प्रयोग गरी कार्यान्वयन गरियो। डीएम वर्गीकरण मोडेल वानोस्टानज स्टिसिस वातावरण र Konstanz जानकारी माइनर (नजी) माइनर (नमिका) 3.6.152 विश्लेषण प्लेटफर्ममा लागू गरियो।
लेखकहरूले स्वीकार गर्छन् कि अध्ययनको निष्कर्षलाई समर्थन गर्ने तथ्यांक लेख र पूरक सामग्रीहरूमा फेला पार्न सकिन्छ। डाटासेटहरू उत्पन्न गरियो र / वा अध्ययनको समयमा विश्लेषण उचित अनुरोधमा सम्बन्धित लेखकबाट उपलब्ध छन्।
Ritz-टाइम, एस अल। उमेर मूल्यांकन: फोरन्सेन्सिक अभ्यासको विशिष्ट आवश्यकताहरू पूरा गर्न कलाको अवस्था। अन्तर्राष्ट्रियता। J. कानूनी औषधि। 113, 12 -1 -1 -13666 (2000)
Scambling, A., लिजन, w., ge., gl., र जल्ज, आपराधिक अभियोजन उद्देश्यहरु को लागी जीवित postuction को हालको स्थिति। फोरन्सेक्निक्स। औषधी। Patiocula। 1, 2 -2 -2-24666666 (200))।
पान, जे। एट अल। पूर्वी चीनमा to देखि 1 16 वर्ष उमेरको दन्त उमेरको दन्त उमेरलाई आकलन गर्न परिमार्जित विधि। क्लिनिकल। मौखिक सर्वेक्षण। 2 25 ,. 3463-33-3474 (2021)।
कोरियालीहरूमा दोस्रो र तेस्रो दुलगाको विकासको कालक्रम र फोरन्सिक एजले मूल्या assessass ्कनको लागि यसको अनुप्रयोगको विकासको अवधि र यसको आवेदन को विकास को कालंथन र यसको आवेदन। अन्तर्राष्ट्रियता। J. कानूनी औषधि। 124, 65 65-6--665 (2010)।
ओह, एस, कुमार, ए, कृन्तीय र तेस्रो दुवैको संपक्वता र 1 18 वर्षीय थ्रेसोल्डको अनुमाना र कोरियाली र जापानीको संपक्ष्टिको अनुग्रह। Plos एक 17, e0271247 (2022)।
किम, जी, एट अल। अभिव्यक्ति मेशिन सिकेका-आधारित डाटा विश्लेषणले निद्रा उपचारको भविष्यवाणी ओएसएएसँग बिरामीहरूमा गहन शल्य चिकित्सा उपचारको भविष्यवाणी गर्न सक्दछ। विज्ञान रिपोर्ट 11, 1 14 11 11 (2021)।
हान, M. एट अल। मानव हस्तक्षेपबाट वा बिना वा बिना मेसिन शिक्षाबाट सही उमेर अनुमान? अन्तर्राष्ट्रियता। J. कानूनी औषधि। 166, 8221-8331 (2022)।
खान, एस र शेलन, मि। डाटा खानीमा मनको लागि मिनेटबाट। J.inormation। विज्ञान HTTPS://DI.org / 10771.1175555555555555555555555555555555210822 (2021)।
खान, s s। ​​र शेलन, एम. भर्फुल: संघ शासनका लागि पहिलो संज्ञानात्मक एल्गोरिथ्म। J.inormation। विज्ञान HTTPS://DI.org / 101.11778555555555555555555555555555555555555555555455 (202)।
शूनेना एम गणना। शव्याप। जारी राख्नुहोस् ,, 308, 303005--2222 (2022)।
मुहम्मद एम सूचित गर्नुहोस्। प्रविधिहरू। नियन्त्रण https:5//di.org1.457555555555555555555 / Jep0.4.7118 (2021)।
तान, एम।, SONOLOI, Z, Z। र शाहिन, खेल भिडियोहरूमा गतिविधि पहिचान गर्नका लागि प्रणाली। मल्टिमेडिया। उपकरण अनुप्रयोगहरू HTTPS://DI.org / 107/072-01042-01-105-600-61-61-61 -601071 -010721071-601071-10721-1042-601।
हलाब, एसएस एट अल। पैदल यात्रीमा हड्डी मेसिन सिकाई चुनौती चुनौती। रेडियोलोजी 2 90 0, 4 8--5-5003 (201))।
LI, y Z Al। Planceic Ersy xympe बाट मल्भेक एक्स-रे गहिरो शिक्षा प्रयोग गरेर। यूरो विकिरण। 2 ,, 22222-232292 (201))।
गुओ, yc, एट अल। अर्थवाग्राफिक प्रक्षेपण छविहरूबाट म्यानुअल विधिहरू र गहिराइहीन न्युरोसाल न्यूरोवर्कहरू प्रयोग गरेर सही उमेर वर्गीकरण। अन्तर्राष्ट्रियता। J. कानूनी औषधि। 135, 1 15899 -19-1-159 77 (2021)।
अलाबामा डाल्रारा एट अल। बिभिन्न मेशिन सिक्ने विधिहरू प्रयोग गरेर हड्डी युग अनुमान: व्यवस्थित साहित्य समीक्षा र मेटा-विश्लेषण। Plos एक 1 14, e02222422 (201))।
डी, एच।, एल, जी, g, gng, के।, र यांगेन - जनसंख्याको अनुमानले पहिलो दाँतको निशान टोकग्राफी प्रयोग गरी चिनियाँको आधारमा चिनियाँ जनसंख्या कम्पनीको निहित टर्मिटल हो। अन्तर्राष्ट्रियता। J. कानूनी औषधि। 166, 1111-819 (2022)।
किम एस, ली, नूह yk, पार्क fk र ओह केसहरू पहिलो दागका कृत्रिम बुद्धिमत्तामा जीवित व्यक्तिहरूको उमेर समूह निर्धारण गर्दछ। विज्ञान रिपोर्ट 11, 107333 (2021)।
स्टर्नल, D. भुक्तानीकर्ता, सी सी।, Gialiiani, N., र Uerchler, M. स्वचालित उमेर अनुमान र मल्टिभरिट एमआईए डाटाबाट बहुमत वर्गीकरण। Ihaee जे। बाईमेड। स्वास्थ्य चेतावनी। 2 23, 1 29 -1 -103003 (201))।
चेंग, Q., GE, Z., Z DU, H. र LI, G. र li, gd grap अनुमान गरिएको गहिरो शल्यक्रियाको अवधिको आधारमा। अन्तर्राष्ट्रियता। J. कानूनी औषधि। 135, 35 365--373 (2021)।
Wu, wt, एट अल। क्लिनिकल ठुलो डाटामा डाटा खानी: सामान्य डाटाबेस, कदमहरू, र विधि मोडेलहरू। संसार। औषधी। संसाधन। ,,, 44 (202)।
या ang, जे। एट अल। मेडिकल डाटाबेस र डाटा खनऔंने टेक्नोलोजीहरू ठूलो डाटा युगमा। जे। उत्सुक। आधारभूत औषधी। 1 ,, 57 57--69 (2020)।
शेन, S. एट अल। मेसिन उमेरको प्रयोग गरेर दाँत एजेन्टको विधि। BMC मौखिक स्वास्थ्य 21, 641 (2021)।
Galliburg A. एट अल। दन्तर्डविसियन स्टेडियन स्टेंगर स्टेंगर प्रयोग गरेर दन्तक उमेरको पूर्वानुमानका लागि विभिन्न मेसिन शिक्षण विधिहरूको तुलना। अन्तर्राष्ट्रियता। J. कानूनी औषधि। 135, 665--6755 (2021)।
डिफर्डजियन, ए।, गोल्डेस्टिन, एच। र ट्यानर, जीएम डेन्टल उमेर मूल्या assess ्कन गर्न नयाँ प्रणाली। stord। जीवविज्ञान। 45, 2111-2277 (1 197 33)।
जमिन, jr, र कोच, एओच, स्पोर्टर्जिकल डाटामा अवलोकनकर्ता। बायोमेट्रिकस 33 33, 1- -1-7-7-174 (1 197 77)।
भुटमेर्जी एस, प्रकाश d, किम सी, किम HK र Chi HK। टेक्नोल, मोफिकलॉजिकल र सांख्यिकीय विश्लेषक को सांख्यिकीय विश्लेषक कन्टेन्डिस इस्त्री प्रयोग गरिएको प्राथमिक मस्तिष्क ट्यूमरको भिन्नताका लागि। स्वास्थ्य जानकारी। संसाधन। https:5//di.org1.42585 / / Jir.222.282.286.46.46 (202)।