कोरियाली किशोरकिशोरी र युवा वयस्कहरूमाझ परम्परागत दन्त उमेर अनुमान विधिहरू विरुद्ध डेटा माइनिङ मोडेलको प्रमाणीकरण

Nature.com भ्रमण गर्नुभएकोमा धन्यवाद। तपाईंले प्रयोग गरिरहनुभएको ब्राउजरको संस्करणमा सीमित CSS समर्थन छ। उत्कृष्ट परिणामहरूको लागि, हामी तपाईंको ब्राउजरको नयाँ संस्करण प्रयोग गर्न सिफारिस गर्छौं (वा इन्टरनेट एक्सप्लोररमा अनुकूलता मोड बन्द गर्नुहोस्)। यसैबीच, निरन्तर समर्थन सुनिश्चित गर्न, हामी स्टाइलिङ वा जाभास्क्रिप्ट बिना साइट देखाउँदैछौं।
दाँतलाई मानव शरीरको उमेरको सबैभन्दा सटीक सूचक मानिन्छ र प्रायः फोरेन्सिक उमेर मूल्याङ्कनमा प्रयोग गरिन्छ। हामीले १८ वर्षको थ्रेसहोल्डको अनुमान शुद्धता र वर्गीकरण कार्यसम्पादनलाई परम्परागत विधिहरू र डेटा माइनिङ-आधारित उमेर अनुमानहरूसँग तुलना गरेर डेटा माइनिङ-आधारित दन्त उमेर अनुमानहरूलाई प्रमाणित गर्ने लक्ष्य राखेका थियौं। १५ देखि २३ वर्ष उमेरका कोरियाली र जापानी नागरिकहरूबाट कुल २६५७ पानोरामिक रेडियोग्राफहरू सङ्कलन गरिएको थियो। तिनीहरूलाई तालिम सेटमा विभाजन गरिएको थियो, प्रत्येकमा ९०० कोरियाली रेडियोग्राफहरू थिए, र ८५७ जापानी रेडियोग्राफहरू भएको आन्तरिक परीक्षण सेट थियो। हामीले डेटा माइनिङ मोडेलहरूको परीक्षण सेटहरूसँग परम्परागत विधिहरूको वर्गीकरण शुद्धता र दक्षताको तुलना गर्यौं। आन्तरिक परीक्षण सेटमा परम्परागत विधिको शुद्धता डेटा माइनिङ मोडेलको भन्दा अलि बढी छ, र भिन्नता सानो छ (औसत निरपेक्ष त्रुटि <०.२१ वर्ष, मूल औसत वर्ग त्रुटि <०.२४ वर्ष)। १८ वर्षको कटअफको लागि वर्गीकरण कार्यसम्पादन पनि परम्परागत विधिहरू र डेटा माइनिङ मोडेलहरू बीच समान छ। यसरी, कोरियाली किशोरकिशोरी र युवा वयस्कहरूमा दोस्रो र तेस्रो दाढ़ीको परिपक्वता प्रयोग गरेर फोरेन्सिक उमेर मूल्याङ्कन गर्दा परम्परागत विधिहरूलाई डेटा माइनिङ मोडेलहरूद्वारा प्रतिस्थापन गर्न सकिन्छ।
फोरेन्सिक मेडिसिन र बाल चिकित्सा दन्तचिकित्सामा दाँतको उमेर अनुमान व्यापक रूपमा प्रयोग गरिन्छ। विशेष गरी, कालक्रमिक उमेर र दाँतको विकास बीचको उच्च सम्बन्धको कारण, दन्त विकास चरणहरू द्वारा उमेर मूल्याङ्कन बालबालिका र किशोरकिशोरीहरूको उमेर मूल्याङ्कन गर्नको लागि एक महत्त्वपूर्ण मापदण्ड हो। यद्यपि, युवाहरूका लागि, दाँतको परिपक्वताको आधारमा दाँतको उमेर अनुमान गर्ने आफ्नै सीमितताहरू छन् किनभने दाँतको वृद्धि लगभग पूरा भइसकेको छ, तेस्रो दाँतको अपवाद बाहेक। युवा र किशोरकिशोरीहरूको उमेर निर्धारण गर्ने कानुनी उद्देश्य भनेको तिनीहरू बहुमतको उमेरमा पुगेका छन् कि छैनन् भन्ने सही अनुमान र वैज्ञानिक प्रमाण प्रदान गर्नु हो। कोरियामा किशोरकिशोरी र युवा वयस्कहरूको मेडिकल-कानूनी अभ्यासमा, लीको विधि प्रयोग गरेर उमेर अनुमान गरिएको थियो, र ओह एट अल 5 द्वारा रिपोर्ट गरिएको डेटाको आधारमा 18 वर्षको कानुनी सीमा भविष्यवाणी गरिएको थियो।
मेसिन लर्निङ एक प्रकारको आर्टिफिसियल इन्टेलिजेन्स (एआई) हो जसले बारम्बार ठूलो मात्रामा डेटा सिक्छ र वर्गीकृत गर्छ, आफैंमा समस्याहरू समाधान गर्छ, र डेटा प्रोग्रामिङ चलाउँछ। मेसिन लर्निङले ठूलो मात्रामा डेटामा उपयोगी लुकेका ढाँचाहरू पत्ता लगाउन सक्छ। यसको विपरित, श्रम-गहन र समय-खपत गर्ने शास्त्रीय विधिहरूमा म्यानुअल रूपमा प्रशोधन गर्न गाह्रो हुने जटिल डेटाको ठूलो मात्रासँग व्यवहार गर्दा सीमितताहरू हुन सक्छन्। त्यसकारण, मानव त्रुटिहरूलाई कम गर्न र बहुआयामिक डेटालाई कुशलतापूर्वक प्रशोधन गर्न नवीनतम कम्प्युटर प्रविधिहरू प्रयोग गरेर हालै धेरै अध्ययनहरू सञ्चालन गरिएका छन्। 8,9,10,11,12। विशेष गरी, चिकित्सा छवि विश्लेषणमा गहिरो सिकाइ व्यापक रूपमा प्रयोग गरिएको छ, र स्वचालित रूपमा रेडियोग्राफहरूको विश्लेषण गरेर उमेर अनुमानका लागि विभिन्न विधिहरू रिपोर्ट गरिएको छ जसले उमेर अनुमानको शुद्धता र दक्षता सुधार गर्दछ 13,14,15,16,17,18,19,20। उदाहरणका लागि, हलाबी एट अल 13 ले बच्चाहरूको हातको रेडियोग्राफ प्रयोग गरेर कंकालको उमेर अनुमान गर्न कन्भोलुसनल न्यूरल नेटवर्क (CNN) मा आधारित मेसिन लर्निङ एल्गोरिथ्म विकास गरे। यस अध्ययनले मेडिकल छविहरूमा मेसिन लर्निङ लागू गर्ने मोडेल प्रस्ताव गर्दछ र यी विधिहरूले निदान शुद्धता सुधार गर्न सक्छन् भनेर देखाउँछ। Li et al14 ले गहिरो सिकाइ CNN प्रयोग गरेर पेल्भिक एक्स-रे छविहरूबाट उमेर अनुमान गरे र ओसिफिकेशन चरण अनुमान प्रयोग गरेर रिग्रेसन परिणामहरूसँग तुलना गरे। तिनीहरूले पत्ता लगाए कि गहिरो सिकाइ CNN मोडेलले परम्परागत रिग्रेसन मोडेल जस्तै उमेर अनुमान प्रदर्शन देखाएको छ। गुओ एट अलको अध्ययन [15] ले दन्त अर्थोफोटोमा आधारित CNN प्रविधिको उमेर सहिष्णुता वर्गीकरण प्रदर्शनको मूल्याङ्कन गर्‍यो, र CNN मोडेलको नतिजाले प्रमाणित गर्‍यो कि मानिसहरूले यसको उमेर वर्गीकरण प्रदर्शनलाई राम्रो प्रदर्शन गरे।
मेसिन लर्निङ प्रयोग गरेर उमेर अनुमान गर्ने धेरैजसो अध्ययनहरूले गहिरो सिकाइ विधिहरू प्रयोग गर्छन्13,14,15,16,17,18,19,20। गहिरो सिकाइमा आधारित उमेर अनुमान परम्परागत विधिहरू भन्दा बढी सटीक भएको रिपोर्ट गरिएको छ। यद्यपि, यो दृष्टिकोणले अनुमानमा प्रयोग गरिएका उमेर सूचकहरू जस्ता उमेर अनुमानहरूको लागि वैज्ञानिक आधार प्रस्तुत गर्ने थोरै अवसर प्रदान गर्दछ। निरीक्षणहरू कसले गर्छ भन्ने बारे पनि कानुनी विवाद छ। त्यसैले, गहिरो सिकाइमा आधारित उमेर अनुमान प्रशासनिक र न्यायिक अधिकारीहरू द्वारा स्वीकार गर्न गाह्रो छ। डाटा माइनिङ (DM) एउटा प्रविधि हो जसले ठूलो मात्रामा डाटा बीच उपयोगी सहसम्बन्धहरू पत्ता लगाउने विधिको रूपमा अपेक्षित मात्र होइन तर अप्रत्याशित जानकारी पनि पत्ता लगाउन सक्छ6,21,22। मेसिन लर्निङ प्रायः डाटा माइनिङमा प्रयोग गरिन्छ, र डाटा माइनिङ र मेसिन लर्निङ दुवैले डाटामा ढाँचाहरू पत्ता लगाउन एउटै प्रमुख एल्गोरिदमहरू प्रयोग गर्छन्। दन्त विकास प्रयोग गरेर उमेर अनुमान लक्षित दाँतको परिपक्वताको परीक्षकको मूल्याङ्कनमा आधारित हुन्छ, र यो मूल्याङ्कन प्रत्येक लक्षित दाँतको लागि चरणको रूपमा व्यक्त गरिन्छ। DM लाई दन्त मूल्याङ्कन चरण र वास्तविक उमेर बीचको सम्बन्धको विश्लेषण गर्न प्रयोग गर्न सकिन्छ र परम्परागत सांख्यिकीय विश्लेषणलाई प्रतिस्थापन गर्ने क्षमता छ। त्यसकारण, यदि हामीले उमेर अनुमानमा DM प्रविधिहरू लागू गर्यौं भने, हामी कानुनी दायित्वको बारेमा चिन्ता नगरी फोरेन्सिक उमेर अनुमानमा मेसिन लर्निङ लागू गर्न सक्छौं। फोरेन्सिक अभ्यासमा प्रयोग हुने परम्परागत म्यानुअल विधिहरू र दन्त उमेर निर्धारण गर्न EBM-आधारित विधिहरूको सम्भावित विकल्पहरूमा धेरै तुलनात्मक अध्ययनहरू प्रकाशित भएका छन्। शेन एट अल23 ले देखाए कि DM मोडेल परम्परागत क्यामरर सूत्र भन्दा बढी सटीक छ। ग्यालिबर्ग एट अल24 ले डेमिर्डजियन मापदण्ड25 अनुसार उमेरको भविष्यवाणी गर्न विभिन्न DM विधिहरू लागू गरे र परिणामहरूले देखाए कि DM विधिले फ्रान्सेली जनसंख्याको उमेर अनुमान गर्न डेमिर्डजियन र विलेम्स विधिहरूलाई पछाडि पार्यो।
कोरियाली किशोरकिशोरी र युवा वयस्कहरूको दन्त उमेर अनुमान गर्न, लीको विधि ४ कोरियाली फोरेन्सिक अभ्यासमा व्यापक रूपमा प्रयोग गरिन्छ। यो विधिले कोरियाली विषयहरू र कालक्रमिक उमेर बीचको सम्बन्ध जाँच गर्न परम्परागत सांख्यिकीय विश्लेषण (जस्तै बहु प्रतिगमन) प्रयोग गर्दछ। यस अध्ययनमा, परम्परागत सांख्यिकीय विधिहरू प्रयोग गरेर प्राप्त उमेर अनुमान विधिहरूलाई "परम्परागत विधिहरू" को रूपमा परिभाषित गरिएको छ। लीको विधि एक परम्परागत विधि हो, र यसको शुद्धता ओह एट अल द्वारा पुष्टि गरिएको छ। 5; यद्यपि, कोरियाली फोरेन्सिक अभ्यासमा DM मोडेलमा आधारित उमेर अनुमानको प्रयोज्यता अझै पनि शंकास्पद छ। हाम्रो लक्ष्य DM मोडेलमा आधारित उमेर अनुमानको सम्भावित उपयोगितालाई वैज्ञानिक रूपमा प्रमाणित गर्नु थियो। यस अध्ययनको उद्देश्य (१) दन्त उमेर अनुमान गर्न दुई DM मोडेलहरूको शुद्धताको तुलना गर्नु र (२) १८ वर्षको उमेरमा ७ DM मोडेलहरूको वर्गीकरण प्रदर्शनलाई परम्परागत सांख्यिकीय विधिहरू प्रयोग गरेर प्राप्त गरिएकाहरूसँग तुलना गर्नु थियो। दुवै बङ्गारामा दोस्रो र तेस्रो दाढ़को परिपक्वता।
चरण र दाँतको प्रकार अनुसार कालक्रमिक उमेरको माध्य र मानक विचलनहरू पूरक तालिका S1 (प्रशिक्षण सेट), पूरक तालिका S2 (आन्तरिक परीक्षण सेट), र पूरक तालिका S3 (बाह्य परीक्षण सेट) मा अनलाइन देखाइएका छन्। प्रशिक्षण सेटबाट प्राप्त गरिएको अन्तर- र अन्तर-पर्यवेक्षक विश्वसनीयताको लागि कप्पा मानहरू क्रमशः ०.९५१ र ०.९४७ थिए। कप्पा मानहरूको लागि P मानहरू र ९५% विश्वास अन्तरालहरू अनलाइन पूरक तालिका S4 मा देखाइएका छन्। कप्पा मानलाई "लगभग उत्तम" को रूपमा व्याख्या गरिएको थियो, ल्यान्डिस र कोच२६ को मापदण्डसँग मेल खान्छ।
औसत निरपेक्ष त्रुटि (MAE) तुलना गर्दा, बहुस्तरीय पर्सेप्ट्रोन (MLP) को अपवाद बाहेक, सबै लिङ्ग र बाह्य पुरुष परीक्षण सेटमा परम्परागत विधिले DM मोडेललाई थोरै राम्रो प्रदर्शन गर्छ। आन्तरिक MAE परीक्षण सेटमा परम्परागत मोडेल र DM मोडेल बीचको भिन्नता पुरुषहरूको लागि ०.१२–०.१९ वर्ष र महिलाहरूको लागि ०.१७–०.२१ वर्ष थियो। बाह्य परीक्षण ब्याट्रीको लागि, भिन्नताहरू कम छन् (पुरुषहरूको लागि ०.००१–०.०५ वर्ष र महिलाहरूको लागि ०.०५–०.०९ वर्ष)। थप रूपमा, मूल औसत वर्ग त्रुटि (RMSE) परम्परागत विधि भन्दा थोरै कम छ, सानो भिन्नताहरू सहित (पुरुष आन्तरिक परीक्षण सेटको लागि ०.१७–०.२४, ०.२–०.२४, र बाह्य परीक्षण सेटको लागि ०.०३–०.०७, ०.०४–०.०८)। महिला बाह्य परीक्षण सेटको मामला बाहेक, MLP ले एकल तह पर्सेप्ट्रोन (SLP) भन्दा थोरै राम्रो प्रदर्शन देखाउँछ। MAE र RMSE को लागि, बाह्य परीक्षण सेटले सबै लिङ्ग र मोडेलहरूको लागि आन्तरिक परीक्षण सेट भन्दा उच्च स्कोर गर्छ। सबै MAE र RMSE तालिका १ र चित्र १ मा देखाइएको छ।
परम्परागत र डेटा माइनिङ रिग्रेसन मोडेलहरूको MAE र RMSE। मीन एब्सोल्युट एरर MAE, रूट मीन स्क्वायर एरर RMSE, सिंगल लेयर पर्सेप्ट्रोन SLP, मल्टिलेयर पर्सेप्ट्रोन MLP, परम्परागत CM विधि।
परम्परागत र DM मोडेलहरूको वर्गीकरण प्रदर्शन (१८ वर्षको कटअफको साथ) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यवाणी मान (PPV), नकारात्मक भविष्यवाणी मान (NPV), र रिसीभर अपरेटिङ विशेषता वक्र (AUROC) अन्तर्गत क्षेत्रफल (AUROC) २७ (तालिका २, चित्र २ र पूरक चित्र १ अनलाइन) को सन्दर्भमा प्रदर्शन गरिएको थियो। आन्तरिक परीक्षण ब्याट्रीको संवेदनशीलताको सन्दर्भमा, परम्परागत विधिहरूले पुरुषहरूमाझ राम्रो प्रदर्शन गरे र महिलाहरूमाझ खराब प्रदर्शन गरे। यद्यपि, परम्परागत विधिहरू र SD बीचको वर्गीकरण प्रदर्शनमा भिन्नता पुरुषहरूको लागि ९.७% (MLP) र महिलाहरूको लागि केवल २.४% (XGBoost) छ। DM मोडेलहरू मध्ये, लजिस्टिक रिग्रेसन (LR) ले दुवै लिङ्गहरूमा राम्रो संवेदनशीलता देखायो। आन्तरिक परीक्षण सेटको विशिष्टताको सन्दर्भमा, यो अवलोकन गरियो कि चार SD मोडेलहरूले पुरुषहरूमा राम्रो प्रदर्शन गरे, जबकि परम्परागत मोडेलले महिलाहरूमा राम्रो प्रदर्शन गरे। पुरुष र महिलाहरूको लागि वर्गीकरण प्रदर्शनमा भिन्नता क्रमशः १३.३% (MLP) र १३.१% (MLP) छन्, जसले मोडेलहरू बीचको वर्गीकरण प्रदर्शनमा भिन्नता संवेदनशीलताभन्दा बढी छ भन्ने संकेत गर्दछ। DM मोडेलहरू मध्ये, समर्थन भेक्टर मेसिन (SVM), निर्णय रूख (DT), र अनियमित वन (RF) मोडेलहरूले पुरुषहरूमा उत्कृष्ट प्रदर्शन गरे, जबकि LR मोडेलले महिलाहरूमा उत्कृष्ट प्रदर्शन गरे। परम्परागत मोडेल र सबै SD मोडेलहरूको AUROC ०.९२५ (पुरुषहरूमा k-नजिकको छिमेकी (KNN)) भन्दा बढी थियो, जसले १८ वर्ष पुरानो नमूनाहरू भेदभाव गर्दा उत्कृष्ट वर्गीकरण प्रदर्शन प्रदर्शन गर्‍यो। २८। बाह्य परीक्षण सेटको लागि, आन्तरिक परीक्षण सेटको तुलनामा संवेदनशीलता, विशिष्टता र AUROC को सन्दर्भमा वर्गीकरण प्रदर्शनमा कमी आएको थियो। यसबाहेक, सबैभन्दा राम्रो र सबैभन्दा खराब मोडेलहरूको वर्गीकरण प्रदर्शन बीचको संवेदनशीलता र विशिष्टतामा भिन्नता १०% देखि २५% सम्म थियो र आन्तरिक परीक्षण सेटमा भिन्नता भन्दा ठूलो थियो।
१८ वर्षको कटअफको साथ परम्परागत विधिहरूको तुलनामा डेटा माइनिङ वर्गीकरण मोडेलहरूको संवेदनशीलता र विशिष्टता। KNN k निकटतम छिमेकी, SVM समर्थन भेक्टर मेसिन, LR लजिस्टिक रिग्रेसन, DT निर्णय रूख, RF अनियमित वन, XGB XGBoost, MLP बहु-तह पर्सेप्ट्रोन, परम्परागत CM विधि।
यस अध्ययनको पहिलो चरण सात DM मोडेलहरूबाट प्राप्त दन्त उमेर अनुमानहरूको शुद्धतालाई परम्परागत प्रतिगमन प्रयोग गरेर प्राप्त गरिएकाहरूसँग तुलना गर्नु थियो। MAE र RMSE दुवै लिङ्गहरूको लागि आन्तरिक परीक्षण सेटहरूमा मूल्याङ्कन गरिएको थियो, र परम्परागत विधि र DM मोडेल बीचको भिन्नता MAE को लागि ४४ देखि ७७ दिन र RMSE को लागि ६२ देखि ८८ दिनसम्म थियो। यद्यपि यस अध्ययनमा परम्परागत विधि अलि बढी सटीक थियो, तर यति सानो भिन्नताको क्लिनिकल वा व्यावहारिक महत्त्व छ कि छैन भन्ने निष्कर्ष निकाल्न गाह्रो छ। यी नतिजाहरूले DM मोडेल प्रयोग गरेर दन्त उमेर अनुमानको शुद्धता लगभग परम्परागत विधिको जस्तै छ भनेर संकेत गर्दछ। अघिल्ला अध्ययनहरूको नतिजाहरूसँग प्रत्यक्ष तुलना गर्न गाह्रो छ किनभने कुनै पनि अध्ययनले यस अध्ययनमा जस्तै उमेर दायरामा दाँत रेकर्ड गर्ने एउटै प्रविधि प्रयोग गरेर परम्परागत सांख्यिकीय विधिहरूसँग DM मोडेलहरूको शुद्धताको तुलना गरेको छैन। ग्यालिबर्ग एट अल२४ ले २ देखि २४ वर्ष उमेरका फ्रान्सेली जनसंख्यामा दुई परम्परागत विधिहरू (डेमिरजियन विधि२५ र विलेम्स विधि२९) र १० DM मोडेलहरू बीच MAE र RMSE को तुलना गरे। उनीहरूले रिपोर्ट गरे कि सबै DM मोडेलहरू परम्परागत विधिहरू भन्दा बढी सटीक थिए, विलेम्स र डेमिर्डजियन विधिहरूको तुलनामा क्रमशः MAE मा ०.२० र ०.३८ वर्ष र RMSE मा ०.२५ र ०.४७ वर्षको भिन्नता थियो। हलिबर्ग अध्ययनमा देखाइएको SD मोडेल र परम्परागत विधिहरू बीचको भिन्नताले धेरै रिपोर्टहरूलाई ध्यानमा राख्छ 30,31,32,33 कि डेमिर्डजियन विधिले फ्रान्सेली क्यानेडियनहरू बाहेक अन्य जनसंख्यामा दाँतको उमेरको सही अनुमान गर्दैन जसमा अध्ययन आधारित थियो। यस अध्ययनमा। ताई एट अल 34 ले 1636 चिनियाँ अर्थोडोन्टिक तस्बिरहरूबाट दाँतको उमेरको भविष्यवाणी गर्न MLP एल्गोरिथ्म प्रयोग गरे र यसको शुद्धतालाई डेमिर्जियन र विलेम्स विधिको नतिजासँग तुलना गरे। उनीहरूले रिपोर्ट गरे कि MLP मा परम्परागत विधिहरू भन्दा उच्च शुद्धता छ। डेमिर्डजियन विधि र परम्परागत विधि बीचको भिन्नता <0.32 वर्ष छ, र विलेम्स विधि 0.28 वर्ष छ, जुन हालको अध्ययनको नतिजा जस्तै छ। यी अघिल्ला अध्ययनहरूका नतिजाहरू२४,३४ पनि वर्तमान अध्ययनका नतिजाहरूसँग मिल्दोजुल्दो छन्, र DM मोडेलको उमेर अनुमान शुद्धता र परम्परागत विधि समान छन्। यद्यपि, प्रस्तुत नतिजाहरूको आधारमा, हामी केवल सावधानीपूर्वक निष्कर्ष निकाल्न सक्छौं कि तुलनात्मक र सन्दर्भ अघिल्ला अध्ययनहरूको अभावका कारण उमेर अनुमान गर्न DM मोडेलहरूको प्रयोगले अवस्थित विधिहरूलाई प्रतिस्थापन गर्न सक्छ। यस अध्ययनमा प्राप्त नतिजाहरू पुष्टि गर्न ठूला नमूनाहरू प्रयोग गरेर अनुवर्ती अध्ययनहरू आवश्यक पर्दछ।
दाँतको उमेर अनुमान गर्दा SD को शुद्धता परीक्षण गर्ने अध्ययनहरू मध्ये, केहीले हाम्रो अध्ययन भन्दा उच्च शुद्धता देखाए। स्टेपानोव्स्की एट अल ३५ ले २.७ देखि २०.५ वर्ष उमेरका ९७६ चेक बासिन्दाहरूको प्यानोरामिक रेडियोग्राफमा २२ SD मोडेलहरू लागू गरे र प्रत्येक मोडेलको शुद्धता परीक्षण गरे। तिनीहरूले मूरीस एट अल ३६ द्वारा प्रस्तावित वर्गीकरण मापदण्ड प्रयोग गरेर कुल १६ माथिल्लो र तल्लो बायाँ स्थायी दाँतको विकासको मूल्याङ्कन गरे। MAE ०.६४ देखि ०.९४ वर्षसम्म र RMSE ०.८५ देखि १.२७ वर्षसम्मको थियो, जुन यस अध्ययनमा प्रयोग गरिएका दुई DM मोडेलहरू भन्दा बढी सटीक छन्। शेन एट अल २३ ले ५ देखि १३ वर्ष उमेरका पूर्वी चिनियाँ बासिन्दाहरूमा बायाँ जबडामा सात स्थायी दाँतको दन्त उमेर अनुमान गर्न क्यामेरियर विधि प्रयोग गरे र यसलाई रेखीय प्रतिगमन, SVM र RF प्रयोग गरेर अनुमानित उमेरहरूसँग तुलना गरे। तिनीहरूले देखाए कि तीनै DM मोडेलहरूमा परम्परागत क्यामेरियर सूत्रको तुलनामा उच्च शुद्धता छ। यस अध्ययनमा शेनको अध्ययनमा MAE र RMSE DM मोडेलमा भन्दा कम थिए। Stepanovsky et al. 35 र Shen et al. 23 द्वारा गरिएको अध्ययनको बढ्दो शुद्धता उनीहरूको अध्ययन नमूनाहरूमा युवा विषयहरूको समावेशको कारण हुन सक्छ। किनभने विकासशील दाँत भएका सहभागीहरूको लागि उमेर अनुमान दाँतको विकासको क्रममा दाँतको संख्या बढ्दै जाँदा बढी सटीक हुन्छ, अध्ययन सहभागीहरू कम उमेरको हुँदा परिणामस्वरूप उमेर अनुमान विधिको शुद्धतामा सम्झौता हुन सक्छ। थप रूपमा, उमेर अनुमानमा MLP को त्रुटि SLP को भन्दा थोरै सानो छ, जसको अर्थ MLP SLP भन्दा बढी सटीक छ। MLP लाई उमेर अनुमानको लागि थोरै राम्रो मानिन्छ, सम्भवतः MLP38 मा लुकेका तहहरूको कारणले। यद्यपि, महिलाहरूको बाहिरी नमूनाको लागि अपवाद छ (SLP 1.45, MLP 1.49)। उमेर मूल्याङ्कनमा MLP SLP भन्दा बढी सटीक छ भन्ने पत्ता लगाउन थप पूर्वव्यापी अध्ययनहरू आवश्यक पर्दछ।
१८ वर्षको थ्रेसहोल्डमा DM मोडेल र परम्परागत विधिको वर्गीकरण प्रदर्शनको पनि तुलना गरिएको थियो। आन्तरिक परीक्षण सेटमा सबै परीक्षण गरिएका SD मोडेलहरू र परम्परागत विधिहरूले १८ वर्षको उमेरको नमूनाको लागि व्यावहारिक रूपमा स्वीकार्य स्तरको भेदभाव देखाए। पुरुष र महिलाहरूको लागि संवेदनशीलता क्रमशः ८७.७% र ९४.९% भन्दा बढी थियो, र विशिष्टता ८९.३% र ८४.७% भन्दा बढी थियो। सबै परीक्षण गरिएका मोडेलहरूको AUROC पनि ०.९२५ भन्दा बढी थियो। हाम्रो ज्ञानको उत्तममा, कुनै पनि अध्ययनले दन्त परिपक्वताको आधारमा १८ वर्षको वर्गीकरणको लागि DM मोडेलको प्रदर्शन परीक्षण गरेको छैन। हामी यस अध्ययनको नतिजालाई पानोरामिक रेडियोग्राफहरूमा गहिरो सिकाइ मोडेलहरूको वर्गीकरण प्रदर्शनसँग तुलना गर्न सक्छौं। Guo et al.15 ले CNN-आधारित गहिरो सिकाइ मोडेलको वर्गीकरण प्रदर्शन र निश्चित उमेर थ्रेसहोल्डको लागि डेमिरजियनको विधिमा आधारित म्यानुअल विधिको गणना गरे। म्यानुअल विधिको संवेदनशीलता र विशिष्टता क्रमशः ८७.७% र ९५.५% थियो, र CNN मोडेलको संवेदनशीलता र विशिष्टता क्रमशः ८९.२% र ८६.६% भन्दा बढी थियो। उनीहरूले निष्कर्ष निकाले कि गहिरो सिकाइ मोडेलहरूले उमेर थ्रेसहोल्ड वर्गीकरणमा म्यानुअल मूल्याङ्कनलाई प्रतिस्थापन गर्न वा उत्कृष्ट प्रदर्शन गर्न सक्छन्। यस अध्ययनको नतिजाले समान वर्गीकरण प्रदर्शन देखाएको छ; यो विश्वास गरिन्छ कि DM मोडेलहरू प्रयोग गरेर वर्गीकरणले उमेर अनुमानको लागि परम्परागत सांख्यिकीय विधिहरूलाई प्रतिस्थापन गर्न सक्छ। मोडेलहरू मध्ये, DM LR पुरुष नमूनाको लागि संवेदनशीलता र महिला नमूनाको लागि संवेदनशीलता र विशिष्टताको सन्दर्भमा उत्तम मोडेल थियो। पुरुषहरूको लागि विशिष्टतामा LR दोस्रो स्थानमा छ। यसबाहेक, LR लाई प्रयोगकर्ता-अनुकूल DM35 मोडेलहरू मध्ये एक मानिन्छ र कम जटिल र प्रशोधन गर्न गाह्रो छ। यी परिणामहरूको आधारमा, LR लाई कोरियाली जनसंख्यामा १८ वर्षका बालबालिकाहरूको लागि उत्तम कटअफ वर्गीकरण मोडेल मानिएको थियो।
समग्रमा, बाह्य परीक्षण सेटमा उमेर अनुमान वा वर्गीकरण कार्यसम्पादनको शुद्धता आन्तरिक परीक्षण सेटको नतिजाको तुलनामा कमजोर वा कम थियो। केही रिपोर्टहरूले संकेत गर्छन् कि कोरियाली जनसंख्यामा आधारित उमेर अनुमानहरू जापानी जनसंख्यामा लागू गर्दा वर्गीकरण शुद्धता वा दक्षता घट्छ5,39, र हालको अध्ययनमा यस्तै ढाँचा फेला परेको थियो। यो गिरावट प्रवृत्ति DM मोडेलमा पनि अवलोकन गरिएको थियो। त्यसकारण, विश्लेषण प्रक्रियामा DM प्रयोग गर्दा पनि उमेरको सही अनुमान गर्न, परम्परागत विधिहरू जस्ता मूल जनसंख्या डेटाबाट प्राप्त विधिहरूलाई प्राथमिकता दिनुपर्छ5,39,40,41,42। गहिरो सिकाइ मोडेलहरूले समान प्रवृत्तिहरू देखाउन सक्छन् कि सक्दैनन् भन्ने कुरा स्पष्ट नभएकोले, परम्परागत विधिहरू, DM मोडेलहरू, र गहिरो सिकाइ मोडेलहरू प्रयोग गरेर वर्गीकरण शुद्धता र दक्षताको तुलना गर्ने अध्ययनहरू सीमित उमेरमा यी जातीय असमानताहरूलाई पार गर्न सक्छन् कि सक्दैनन् भनेर पुष्टि गर्न आवश्यक छ। मूल्याङ्कनहरू।
कोरियामा फोरेन्सिक उमेर अनुमान अभ्यासमा DM मोडेलको आधारमा परम्परागत विधिहरूलाई उमेर अनुमानद्वारा प्रतिस्थापन गर्न सकिन्छ भनेर हामीले प्रदर्शन गर्छौं। हामीले फोरेन्सिक उमेर मूल्याङ्कनको लागि मेसिन लर्निङ लागू गर्ने सम्भावना पनि पत्ता लगायौं। यद्यपि, स्पष्ट सीमितताहरू छन्, जस्तै परिणामहरू निश्चित रूपमा निर्धारण गर्न यस अध्ययनमा सहभागीहरूको अपर्याप्त संख्या, र यस अध्ययनको नतिजाहरूको तुलना र पुष्टि गर्न अघिल्ला अध्ययनहरूको अभाव। भविष्यमा, परम्परागत विधिहरूको तुलनामा यसको व्यावहारिक प्रयोज्यता सुधार गर्न DM अध्ययनहरू ठूलो संख्यामा नमूनाहरू र थप विविध जनसंख्याहरूसँग सञ्चालन गरिनुपर्छ। धेरै जनसंख्यामा उमेर अनुमान गर्न कृत्रिम बुद्धिमत्ता प्रयोग गर्ने सम्भाव्यता प्रमाणित गर्न, समान नमूनाहरूमा परम्परागत विधिहरूसँग DM र गहिरो सिकाइ मोडेलहरूको वर्गीकरण शुद्धता र दक्षता तुलना गर्न भविष्यका अध्ययनहरू आवश्यक छन्।
अध्ययनमा १५ देखि २३ वर्ष उमेरका कोरियाली र जापानी वयस्कहरूबाट सङ्कलन गरिएका २,६५७ अर्थोग्राफिक तस्बिरहरू प्रयोग गरिएको थियो। कोरियाली रेडियोग्राफहरूलाई ९०० तालिम सेटहरू (१९.४२ ± २.६५ वर्ष) र ९०० आन्तरिक परीक्षण सेटहरू (१९.५२ ± २.५९ वर्ष) मा विभाजन गरिएको थियो। तालिम सेट एउटा संस्था (सियोल सेन्ट मेरी अस्पताल) मा सङ्कलन गरिएको थियो, र आफ्नै परीक्षण सेट दुई संस्थाहरू (सियोल राष्ट्रिय विश्वविद्यालय दन्त अस्पताल र योन्सेई विश्वविद्यालय दन्त अस्पताल) मा सङ्कलन गरिएको थियो। हामीले बाह्य परीक्षणको लागि अर्को जनसंख्या-आधारित डेटा (इवाटे मेडिकल विश्वविद्यालय, जापान) बाट ८५७ रेडियोग्राफहरू पनि सङ्कलन गर्यौं। जापानी विषयहरूको रेडियोग्राफहरू (१९.३१ ± २.६० वर्ष) बाह्य परीक्षण सेटको रूपमा चयन गरिएको थियो। दन्त उपचारको क्रममा लिइएका पानोरामिक रेडियोग्राफहरूमा दन्त विकासका चरणहरूको विश्लेषण गर्न पूर्वव्यापी रूपमा डेटा सङ्कलन गरिएको थियो। लिङ्ग, जन्म मिति र रेडियोग्राफको मिति बाहेक सङ्कलन गरिएका सबै डेटा गुमनाम थिए। समावेश र बहिष्कार मापदण्ड पहिले प्रकाशित अध्ययनहरू 4, 5 जस्तै थिए। रेडियोग्राफ लिइएको मितिबाट जन्म मिति घटाएर नमूनाको वास्तविक उमेर गणना गरिएको थियो। नमूना समूहलाई नौ उमेर समूहमा विभाजन गरिएको थियो। उमेर र लिङ्ग वितरण तालिका 3 मा देखाइएको छ। यो अध्ययन हेलसिंकीको घोषणापत्र अनुसार सञ्चालन गरिएको थियो र कोरियाको क्याथोलिक विश्वविद्यालयको सियोल सेन्ट मेरी अस्पताल (KC22WISI0328) को संस्थागत समीक्षा बोर्ड (IRB) द्वारा अनुमोदित थियो। यस अध्ययनको पूर्वव्यापी डिजाइनका कारण, उपचारात्मक उद्देश्यका लागि रेडियोग्राफिक परीक्षण गराइरहेका सबै बिरामीहरूबाट सूचित सहमति प्राप्त गर्न सकिएन। सियोल कोरिया विश्वविद्यालय सेन्ट मेरी अस्पताल (IRB) ले सूचित सहमतिको आवश्यकतालाई माफ गर्यो।
डेमिरकन मापदण्ड अनुसार द्विमेक्सिलरी दोस्रो र तेस्रो मोलरको विकास चरणहरू मूल्याङ्कन गरिएको थियो। प्रत्येक बङ्गाराको बायाँ र दायाँ छेउमा एउटै प्रकारको दाँत फेला परेमा एउटा मात्र दाँत चयन गरिएको थियो। यदि दुवै छेउका समरूप दाँतहरू फरक विकास चरणहरूमा थिए भने, अनुमानित उमेरमा अनिश्चितताको लागि तल्लो विकास चरण भएको दाँत चयन गरिएको थियो। दन्त परिपक्वता चरण निर्धारण गर्न प्रिक्यालिब्रेसन पछि इन्टरअवलोकनकर्ता विश्वसनीयता परीक्षण गर्न प्रशिक्षण सेटबाट एक सय अनियमित रूपमा चयन गरिएका रेडियोग्राफहरू दुई अनुभवी पर्यवेक्षकहरूद्वारा स्कोर गरिएको थियो। प्राथमिक पर्यवेक्षकद्वारा तीन-महिनाको अन्तरालमा दुई पटक इन्टरअवलोकनकर्ता विश्वसनीयता मूल्याङ्कन गरिएको थियो।
प्रशिक्षण सेटमा प्रत्येक बङ्गाराको दोस्रो र तेस्रो दाँतको लिंग र विकास चरण फरक-फरक DM मोडेलहरूसँग प्रशिक्षित प्राथमिक पर्यवेक्षकद्वारा अनुमान गरिएको थियो, र वास्तविक उमेर लक्ष्य मानको रूपमा सेट गरिएको थियो। मेसिन लर्निङमा व्यापक रूपमा प्रयोग हुने SLP र MLP मोडेलहरू, रिग्रेसन एल्गोरिदमहरू विरुद्ध परीक्षण गरिएको थियो। DM मोडेलले चार दाँतको विकास चरणहरू प्रयोग गरेर रेखीय प्रकार्यहरू संयोजन गर्दछ र उमेर अनुमान गर्न यी डेटा संयोजन गर्दछ। SLP सबैभन्दा सरल तंत्रिका नेटवर्क हो र यसमा लुकेका तहहरू हुँदैनन्। SLP नोडहरू बीचको थ्रेसहोल्ड ट्रान्समिशनमा आधारित काम गर्दछ। रिग्रेसनमा SLP मोडेल गणितीय रूपमा बहु रेखीय प्रतिगमनसँग मिल्दोजुल्दो छ। SLP मोडेलको विपरीत, MLP मोडेलमा गैर-रेखीय सक्रियता प्रकार्यहरू भएका धेरै लुकेका तहहरू छन्। हाम्रा प्रयोगहरूले गैर-रेखीय सक्रियता प्रकार्यहरू भएका केवल २० लुकेका नोडहरू भएको लुकेको तह प्रयोग गरे। हाम्रो मेसिन लर्निङ मोडेललाई तालिम दिन ग्रेडियन्ट डिसेन्टलाई अप्टिमाइजेसन विधिको रूपमा र MAE र RMSE लाई हानि प्रकार्यको रूपमा प्रयोग गर्नुहोस्। उत्तम प्राप्त रिग्रेसन मोडेल आन्तरिक र बाह्य परीक्षण सेटहरूमा लागू गरिएको थियो र दाँतको उमेर अनुमान गरिएको थियो।
एउटा वर्गीकरण एल्गोरिथ्म विकास गरिएको थियो जसले नमूना १८ वर्ष पुरानो हो वा होइन भनेर भविष्यवाणी गर्न प्रशिक्षण सेटमा चार दाँतको परिपक्वता प्रयोग गर्दछ। मोडेल निर्माण गर्न, हामीले सात प्रतिनिधित्व मेसिन लर्निङ एल्गोरिथ्महरू निकाल्यौं6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, र (7) MLP। LR सबैभन्दा व्यापक रूपमा प्रयोग हुने वर्गीकरण एल्गोरिथ्महरू मध्ये एक हो44। यो एक पर्यवेक्षित सिकाइ एल्गोरिथ्म हो जसले 0 देखि 1 सम्मको निश्चित श्रेणीमा रहेको डेटाको सम्भाव्यताको भविष्यवाणी गर्न प्रतिगमन प्रयोग गर्दछ र यस सम्भाव्यताको आधारमा डेटालाई बढी सम्भावित श्रेणीमा रहेको रूपमा वर्गीकृत गर्दछ; मुख्यतया बाइनरी वर्गीकरणको लागि प्रयोग गरिन्छ। KNN सबैभन्दा सरल मेसिन लर्निङ एल्गोरिथ्महरू मध्ये एक हो45। नयाँ इनपुट डेटा दिँदा, यसले अवस्थित सेटको नजिक k डेटा फेला पार्छ र त्यसपछि तिनीहरूलाई उच्चतम आवृत्ति भएको वर्गमा वर्गीकृत गर्दछ। हामीले विचार गरिएका छिमेकीहरूको संख्याको लागि 3 सेट गर्छौं (k)। SVM एउटा एल्गोरिथ्म हो जसले कर्नेल प्रकार्य प्रयोग गरेर रेखीय ठाउँलाई fields46 भनिने गैर-रेखीय ठाउँमा विस्तार गरेर दुई वर्गहरू बीचको दूरीलाई अधिकतम बनाउँछ। यस मोडेलको लागि, हामी बहुपद कर्नेलको लागि हाइपरप्यारामिटरको रूपमा बायस = 1, पावर = 1, र गामा = 1 प्रयोग गर्छौं। रूख संरचनामा निर्णय नियमहरू प्रतिनिधित्व गरेर सम्पूर्ण डेटा सेटलाई धेरै उपसमूहहरूमा विभाजन गर्न एल्गोरिथ्मको रूपमा DT विभिन्न क्षेत्रहरूमा लागू गरिएको छ। मोडेल प्रति नोड 2 को न्यूनतम संख्याको रेकर्डहरूसँग कन्फिगर गरिएको छ र गुणस्तरको मापनको रूपमा Gini सूचकांक प्रयोग गर्दछ। RF एउटा एन्सेम्बल विधि हो जसले बुटस्ट्र्याप एकत्रीकरण विधि प्रयोग गरेर कार्यसम्पादन सुधार गर्न धेरै DT हरूलाई संयोजन गर्दछ जसले मूल डेटासेटबाट धेरै पटक समान आकारका नमूनाहरू अनियमित रूपमा कोरेर प्रत्येक नमूनाको लागि कमजोर वर्गीकरणकर्ता उत्पन्न गर्दछ। हामीले नोड विभाजन मापदण्डको रूपमा 100 रूखहरू, 10 रूख गहिराइहरू, 1 न्यूनतम नोड आकार, र Gini मिश्रण सूचकांक प्रयोग गर्यौं। नयाँ डेटाको वर्गीकरण बहुमत मतद्वारा निर्धारण गरिन्छ। XGBoost एउटा एल्गोरिथ्म हो जसले अघिल्लो मोडेलको वास्तविक र अनुमानित मानहरू बीचको त्रुटिलाई प्रशिक्षण डेटाको रूपमा लिने र ग्रेडियन्टहरू प्रयोग गरेर त्रुटिलाई बढाउने विधि प्रयोग गरेर बूस्टिङ प्रविधिहरूलाई संयोजन गर्दछ। यो यसको राम्रो प्रदर्शन र स्रोत दक्षता, साथै ओभरफिटिंग सुधार प्रकार्यको रूपमा उच्च विश्वसनीयताको कारणले व्यापक रूपमा प्रयोग हुने एल्गोरिथ्म हो। मोडेल ४०० समर्थन पाङ्ग्राहरूले सुसज्जित छ। MLP एक तंत्रिका नेटवर्क हो जसमा एक वा बढी पर्सेप्ट्रोनहरूले इनपुट र आउटपुट तहहरू बीच एक वा बढी लुकेका तहहरू सहित धेरै तहहरू बनाउँछन्38। यो प्रयोग गरेर, तपाईं गैर-रैखिक वर्गीकरण गर्न सक्नुहुन्छ जहाँ जब तपाईं इनपुट तह थप्नुहुन्छ र परिणाम मान प्राप्त गर्नुहुन्छ, भविष्यवाणी गरिएको परिणाम मान वास्तविक परिणाम मानसँग तुलना गरिन्छ र त्रुटि फिर्ता प्रचार गरिन्छ। हामीले प्रत्येक तहमा २० लुकेका न्यूरोनहरू भएको लुकेको तह सिर्जना गर्यौं। हामीले विकास गरेको प्रत्येक मोडेल संवेदनशीलता, विशिष्टता, PPV, NPV, र AUROC गणना गरेर वर्गीकरण प्रदर्शन परीक्षण गर्न आन्तरिक र बाह्य सेटहरूमा लागू गरिएको थियो। संवेदनशीलता भन्नाले १८ वर्ष वा सोभन्दा माथिको अनुमान गरिएको नमूना र १८ वर्ष वा सोभन्दा माथिको अनुमान गरिएको नमूनाको अनुपातलाई बुझिन्छ। विशिष्टता भनेको १८ वर्ष मुनिका र १८ वर्ष मुनिका अनुमान गरिएका नमूनाहरूको अनुपात हो।
तालिम सेटमा मूल्याङ्कन गरिएका दन्त चरणहरूलाई तथ्याङ्कीय विश्लेषणको लागि संख्यात्मक चरणहरूमा रूपान्तरण गरिएको थियो। प्रत्येक लिङ्गको लागि भविष्यवाणी गर्ने मोडेलहरू विकास गर्न र उमेर अनुमान गर्न प्रयोग गर्न सकिने प्रतिगमन सूत्रहरू प्राप्त गर्न बहुभिन्न रेखीय र रसद प्रतिगमन प्रदर्शन गरिएको थियो। हामीले आन्तरिक र बाह्य परीक्षण सेटहरू दुवैको लागि दाँतको उमेर अनुमान गर्न यी सूत्रहरू प्रयोग गर्यौं। तालिका ४ ले यस अध्ययनमा प्रयोग गरिएका प्रतिगमन र वर्गीकरण मोडेलहरू देखाउँछ।
कोहेनको कप्पा तथ्याङ्क प्रयोग गरेर इन्ट्रा- र इन्टरअब्जर्भर विश्वसनीयता गणना गरिएको थियो। DM र परम्परागत रिग्रेसन मोडेलहरूको शुद्धता परीक्षण गर्न, हामीले आन्तरिक र बाह्य परीक्षण सेटहरूको अनुमानित र वास्तविक उमेर प्रयोग गरेर MAE र RMSE गणना गर्यौं। यी त्रुटिहरू सामान्यतया मोडेल भविष्यवाणीहरूको शुद्धता मूल्याङ्कन गर्न प्रयोग गरिन्छ। त्रुटि जति सानो हुन्छ, पूर्वानुमानको शुद्धता त्यति नै उच्च हुन्छ24। DM र परम्परागत रिग्रेसन प्रयोग गरेर गणना गरिएको आन्तरिक र बाह्य परीक्षण सेटहरूको MAE र RMSE तुलना गर्नुहोस्। परम्परागत तथ्याङ्कमा १८-वर्षको कटअफको वर्गीकरण प्रदर्शन २ × २ आकस्मिक तालिका प्रयोग गरेर मूल्याङ्कन गरिएको थियो। परीक्षण सेटको गणना गरिएको संवेदनशीलता, विशिष्टता, PPV, NPV, र AUROC लाई DM वर्गीकरण मोडेलको मापन गरिएको मानहरूसँग तुलना गरिएको थियो। डेटा विशेषताहरूमा निर्भर गर्दै डेटालाई औसत ± मानक विचलन वा संख्या (%) को रूपमा व्यक्त गरिन्छ। दुई-पक्षीय P मानहरू <0.05 लाई सांख्यिकीय रूपमा महत्त्वपूर्ण मानिएको थियो। सबै नियमित सांख्यिकीय विश्लेषणहरू SAS संस्करण 9.4 (SAS संस्थान, क्यारी, NC) प्रयोग गरेर गरिएको थियो। DM रिग्रेसन मोडेल पाइथनमा Keras50 2.2.4 ब्याकएन्ड र Tensorflow51 1.8.0 प्रयोग गरेर विशेष गरी गणितीय सञ्चालनका लागि लागू गरिएको थियो। DM वर्गीकरण मोडेल Waikato Knowledge Analysis Environment र Konstanz Information Miner (KNIME) 4.6.152 विश्लेषण प्लेटफर्ममा लागू गरिएको थियो।
लेखकहरूले स्वीकार गर्छन् कि अध्ययनको निष्कर्षलाई समर्थन गर्ने डेटा लेख र पूरक सामग्रीहरूमा फेला पार्न सकिन्छ। अध्ययनको क्रममा उत्पन्न र/वा विश्लेषण गरिएका डेटासेटहरू सम्बन्धित लेखकबाट उचित अनुरोधमा उपलब्ध छन्।
रिट्ज-टिम्मे, एस. एट अल। उमेर मूल्याङ्कन: फोरेन्सिक अभ्यासको विशिष्ट आवश्यकताहरू पूरा गर्न अत्याधुनिक अवस्था। अन्तर्राष्ट्रियता। जे. कानूनी चिकित्सा। ११३, १२९–१३६ (२०००)।
स्मेलिङ, ए., रिसिङ्गर, डब्ल्यू., गेसेरिक, जी., र ओल्जे, ए. फौजदारी अभियोजन उद्देश्यका लागि जीवित विषयहरूको फोरेन्सिक उमेर मूल्याङ्कनको वर्तमान स्थिति। फोरेन्सिक्स। औषधि। प्याथोलोजी। १, २३९–२४६ (२००५)।
पान, जे. एट अल। पूर्वी चीनमा ५ देखि १६ वर्ष उमेरका बालबालिकाको दन्त उमेर मूल्याङ्कन गर्ने परिमार्जित विधि। क्लिनिकल। मौखिक सर्वेक्षण। २५, ३४६३–३४७४ (२०२१)।
ली, एसएस आदि। कोरियालीहरूमा दोस्रो र तेस्रो दाढ़को विकासको कालक्रम र फोरेन्सिक उमेर मूल्याङ्कनको लागि यसको प्रयोग। अन्तर्राष्ट्रियता। जे. कानूनी चिकित्सा। १२४, ६५९–६६५ (२०१०)।
ओह, एस., कुमागाई, ए., किम, एसवाई र ली, एसएस कोरियाली र जापानीहरूमा दोस्रो र तेस्रो दाढ़ीको परिपक्वताको आधारमा उमेर अनुमान र १८ वर्षको थ्रेसहोल्डको अनुमानको शुद्धता। PLoS ONE १७, e0271247 (२०२२)।
किम, जेवाई, एट अल। प्री-अपरेटिभ मेसिन लर्निङ-आधारित डेटा विश्लेषणले ओएसए भएका बिरामीहरूमा निद्रा शल्यक्रिया उपचारको नतिजाको भविष्यवाणी गर्न सक्छ। विज्ञान। रिपोर्ट ११, १४९११ (२०२१)।
हान, एम. एट अल। मानव हस्तक्षेप सहित वा बिना मेसिन लर्निङबाट सही उमेर अनुमान? अन्तर्राष्ट्रियता। जे. कानूनी चिकित्सा। १३६, ८२१–८३१ (२०२२)।
खान, एस. र शाहीन, एम. डाटा माइनिङबाट डाटा माइनिङसम्म। जे. सूचना। विज्ञान। https://doi.org/10.1177/01655515211030872 (२०२१)।
खान, एस. र शाहीन, एम. विसरुल: एसोसिएशन नियम खननको लागि पहिलो संज्ञानात्मक एल्गोरिथ्म। जे. सूचना। विज्ञान। https://doi.org/10.1177/01655515221108695 (२०२२)।
शाहीन एम. र अब्दुल्लाह यू. कर्म: सन्दर्भ-आधारित संघ नियमहरूमा आधारित परम्परागत डेटा माइनिङ। गणना गर्नुहोस्। म्याट। जारी राख्नुहोस्। ६८, ३३०५–३३२२ (२०२१)।
मुहम्मद एम., रहमान जेड., शाहीन एम., खान एम. र हबीब एम. पाठ डेटा प्रयोग गरेर गहन सिकाइमा आधारित अर्थपूर्ण समानता पत्ता लगाउने। जानकारी। प्रविधिहरू। नियन्त्रण। https://doi.org/10.5755/j01.itc.49.4.27118 (२०२०)।
ताबिश, एम., तनोली, जेड., र शाहिन, एम. खेलकुद भिडियोहरूमा गतिविधि पहिचान गर्ने प्रणाली। मल्टिमिडिया। उपकरण अनुप्रयोगहरू https://doi.org/10.1007/s11042-021-10519-6 (२०२१)।
हलाबी, एसएस एट अल। बाल चिकित्सा हड्डी युगमा आरएसएनए मेसिन लर्निङ चुनौती। रेडियोलोजी २९०, ४९८–५०३ (२०१९)।
ली, वाई. एट अल. गहिरो सिकाइ प्रयोग गरेर पेल्भिक एक्स-रेबाट फोरेन्सिक उमेर अनुमान। यूरो. विकिरण। २९, २३२२–२३२९ (२०१९)।
गुओ, वाईसी, एट अल। अर्थोग्राफिक प्रक्षेपण छविहरूबाट म्यानुअल विधिहरू र गहिरो कन्भोलुसनल न्यूरल नेटवर्कहरू प्रयोग गरेर सही उमेर वर्गीकरण। अन्तर्राष्ट्रियता। जे. कानूनी चिकित्सा। १३५, १५८९–१५९७ (२०२१)।
अलाबामा डालोरा एट अल। विभिन्न मेसिन लर्निङ विधिहरू प्रयोग गरेर हड्डीको उमेर अनुमान: एक व्यवस्थित साहित्य समीक्षा र मेटा-विश्लेषण। PLoS ONE १४, e०२२०२४२ (२०१९)।
डु, एच., ली, जी., चेङ, के., र याङ, जे. कोन-बीम कम्प्युटेड टोमोग्राफी प्रयोग गरेर पहिलो मोलरको पल्प चेम्बर भोल्युममा आधारित अफ्रिकी अमेरिकी र चिनियाँहरूको जनसंख्या-विशिष्ट उमेर अनुमान। अन्तर्राष्ट्रियता। जे. कानूनी चिकित्सा। १३६, ८११–८१९ (२०२२)।
किम एस., ली वाईएच, नोह वाईके, पार्क एफके र ओह केएस पहिलो दाढ़ीको कृत्रिम बुद्धिमत्तामा आधारित छविहरू प्रयोग गरेर जीवित मानिसहरूको उमेर समूह निर्धारण गर्दै। विज्ञान। रिपोर्ट ११, १०७३ (२०२१)।
स्टर्न, डी., पेयर, सी., गिउलियानी, एन., र उर्सलर, एम. बहुभिन्न एमआरआई डेटाबाट स्वचालित उमेर अनुमान र बहुमत उमेर वर्गीकरण। आईईईई जे. बायोमेड। स्वास्थ्य सतर्कताहरू। २३, १३९२–१४०३ (२०१९)।
चेङ, क्यू., जी., जे., डु, एच. र ली, जी. गहिरो सिकाइ र स्तर सेटहरू एकीकृत गरेर कोन बीम कम्प्युटेड टोमोग्राफीबाट पहिलो मोलरहरूको 3D पल्प चेम्बर विभाजनमा आधारित उमेर अनुमान। अन्तर्राष्ट्रियता। जे. कानूनी चिकित्सा। 135, 365–373 (2021)।
वू, डब्ल्यूटी, एट अल। क्लिनिकल ठूलो डेटामा डेटा माइनिङ: सामान्य डेटाबेस, चरणहरू, र विधि मोडेलहरू। विश्व। औषधि। स्रोत। ८, ४४ (२०२१)।
याङ, जे. एट अल. ठूलो डेटा युगमा मेडिकल डाटाबेस र डेटा माइनिङ टेक्नोलोजीहरूको परिचय। जे. एभिड। आधारभूत औषधि। १३, ५७–६९ (२०२०)।
शेन, एस. एट अल। मेसिन लर्निङ प्रयोग गरेर दाँतको उमेर अनुमान गर्ने क्यामररको विधि। BMC ओरल हेल्थ २१, ६४१ (२०२१)।
ग्यालिबर्ग ए. एट अल। डेमिर्डजियन स्टेजिङ विधि प्रयोग गरेर दन्त उमेरको भविष्यवाणी गर्न विभिन्न मेसिन लर्निङ विधिहरूको तुलना। अन्तर्राष्ट्रियता। जे. कानूनी चिकित्सा। १३५, ६६५–६७५ (२०२१)।
डेमिर्डजियन, ए., गोल्डस्टाइन, एच. र ट्यानर, जेएम दन्त उमेरको मूल्याङ्कन गर्ने नयाँ प्रणाली। स्नर्ट। जीवविज्ञान। ४५, २११–२२७ (१९७३)।
ल्यान्डिस, जेआर, र कोच, जीजी वर्गीकृत डेटामा पर्यवेक्षक सम्झौताको मापन। बायोमेट्रिक्स ३३, १५९–१७४ (१९७७)।
भट्टाचार्य एस, प्रकाश डी, किम सी, किम एचके र चोई एचके। प्राथमिक मस्तिष्क ट्यूमरको भिन्नताको लागि कृत्रिम बुद्धिमत्ता प्रविधिहरू प्रयोग गरेर दुई-आयामी चुम्बकीय अनुनाद इमेजिङको बनावट, रूपात्मक र सांख्यिकीय विश्लेषण। स्वास्थ्य जानकारी। स्रोत। https://doi.org/10.4258/hir.2022.28.1.46 (२०२२)।