कोरियाली किशोर र युवा वयस्कहरू बीच परम्परागत दन्त आयु अनुमान विधिहरू विरुद्ध डाटा खनन मोडेलको प्रमाणीकरण

Nature.com भ्रमण गर्नुभएकोमा धन्यवाद।तपाईंले प्रयोग गरिरहनुभएको ब्राउजरको संस्करणमा सीमित CSS समर्थन छ।उत्कृष्ट परिणामहरूको लागि, हामी तपाइँको ब्राउजरको नयाँ संस्करण प्रयोग गर्न सिफारिस गर्दछौं (वा इन्टरनेट एक्सप्लोररमा अनुकूलता मोड बन्द गर्नुहोस्)।यस बीचमा, निरन्तर समर्थन सुनिश्चित गर्न, हामी स्टाइल वा JavaScript बिना साइट देखाउँदै छौं।
दाँतलाई मानव शरीरको उमेरको सबैभन्दा सही सूचक मानिन्छ र प्रायः फोरेंसिक उमेर मूल्याङ्कनमा प्रयोग गरिन्छ।हामीले 18-वर्षको थ्रेसहोल्डको अनुमान शुद्धता र वर्गीकरण कार्यसम्पादनलाई परम्परागत विधिहरू र डाटा माइनिङ-आधारित उमेर अनुमानहरूसँग तुलना गरेर डाटा माइनिङ-आधारित दन्त आयु अनुमानहरू प्रमाणित गर्ने लक्ष्य राखेका छौं।१५ देखि २३ वर्ष उमेर समूहका कोरियाली र जापानी नागरिकहरूबाट जम्मा २६५७ पानोरामिक रेडियोग्राफ सङ्कलन गरिएको थियो ।उनीहरूलाई प्रशिक्षण सेटमा विभाजन गरिएको थियो, प्रत्येकलाई 900 कोरियाली रेडियोग्राफहरू समावेश गरिएको थियो, र 857 जापानी रेडियोग्राफहरू समावेश गरिएको आन्तरिक परीक्षण सेट।हामीले डेटा खनन मोडेलहरूको परीक्षण सेटहरूसँग परम्परागत विधिहरूको वर्गीकरण शुद्धता र दक्षताको तुलना गर्यौं।आन्तरिक परीक्षण सेटमा परम्परागत विधिको शुद्धता डाटा माइनिङ मोडेलको तुलनामा अलि बढी छ, र भिन्नता सानो छ (मतलब निरपेक्ष त्रुटि <०.२१ वर्ष, मूल अर्थ वर्ग त्रुटि <०.२४ वर्ष)।18-वर्ष कटअफको लागि वर्गीकरण प्रदर्शन पनि परम्परागत विधिहरू र डाटा माइनिङ मोडेलहरू बीच समान छ।तसर्थ, कोरियाली किशोरकिशोरी र युवा वयस्कहरूमा दोस्रो र तेस्रो मोलरको परिपक्वता प्रयोग गरेर फोरेन्सिक उमेर मूल्याङ्कन गर्दा डेटा माइनिङ मोडेलहरूद्वारा परम्परागत विधिहरू प्रतिस्थापन गर्न सकिन्छ।
दन्त आयु अनुमान व्यापक रूपमा फोरेंसिक चिकित्सा र बाल चिकित्सा दन्त चिकित्सा मा प्रयोग गरिन्छ।विशेष गरी, कालक्रमिक उमेर र दन्त विकास बीचको उच्च सम्बन्धको कारण, दन्त विकास चरणहरू द्वारा उमेर मूल्याङ्कन बालबालिका र किशोरहरूको उमेर मूल्याङ्कन गर्नको लागि महत्त्वपूर्ण मापदण्ड हो 1,2,3।यद्यपि, युवाहरूका लागि, दाँतको परिपक्वतामा आधारित दन्त उमेरको अनुमान गर्दा यसको सीमितताहरू छन् किनभने तेस्रो दाँतको अपवाद बाहेक, दाँतको वृद्धि लगभग पूरा भएको छ।युवा र किशोरकिशोरीहरूको उमेर निर्धारण गर्ने कानुनी उद्देश्य भनेको उनीहरू वयस्क उमेरमा पुगेका छन् कि छैनन् भन्ने सही अनुमान र वैज्ञानिक प्रमाणहरू उपलब्ध गराउनु हो।कोरियामा किशोर र युवा वयस्कहरूको चिकित्सा-कानूनी अभ्यासमा, लीको विधि प्रयोग गरेर उमेर अनुमान गरिएको थियो, र Oh et al 5 द्वारा रिपोर्ट गरिएको डेटाको आधारमा 18 वर्षको कानुनी थ्रेसहोल्ड भविष्यवाणी गरिएको थियो।
मेसिन लर्निङ एक प्रकारको आर्टिफिसियल इन्टेलिजेन्स (एआई) हो जसले बारम्बार ठूलो मात्रामा डाटा सिक्ने र वर्गीकरण गर्छ, समस्या आफैं समाधान गर्छ र डाटा प्रोग्रामिङलाई ड्राइभ गर्छ।मेसिन लर्निङले डेटा6 को ठूलो मात्रामा उपयोगी लुकेका ढाँचाहरू पत्ता लगाउन सक्छ।यसको विपरित, शास्त्रीय विधिहरू, जुन श्रम-गहन र समय-उपभोग गर्ने हो, म्यानुअल रूपमा प्रशोधन गर्न गाह्रो हुने जटिल डेटाको ठूलो मात्रासँग व्यवहार गर्दा सीमितताहरू हुन सक्छन्।तसर्थ, मानव त्रुटिहरू न्यूनीकरण गर्न र बहुआयामिक डाटा8,9,10,11,12 लाई कुशलतापूर्वक प्रशोधन गर्न नवीनतम कम्प्युटर प्रविधिहरू प्रयोग गरेर हालै धेरै अध्ययनहरू सञ्चालन गरिएका छन्।विशेष गरी, मेडिकल छवि विश्लेषणमा गहिरो शिक्षा व्यापक रूपमा प्रयोग गरिएको छ, र उमेर अनुमानको शुद्धता र दक्षता सुधार गर्न रेडियोग्राफहरू स्वचालित रूपमा विश्लेषण गरेर उमेर अनुमानका लागि विभिन्न विधिहरू रिपोर्ट गरिएको छ 13,14,15,16,17,18,19,20। ।उदाहरणका लागि, Halabi et al 13 ले बच्चाहरूको हातको रेडियोग्राफ प्रयोग गरेर कंकालको उमेर अनुमान गर्न कन्भोलुसनल न्यूरल नेटवर्क (CNN) मा आधारित मेसिन लर्निङ एल्गोरिथ्म विकास गर्यो।यस अध्ययनले मेडिकल तस्बिरहरूमा मेसिन लर्निङ लागू गर्ने मोडेल प्रस्ताव गर्दछ र यी विधिहरूले निदान शुद्धता सुधार गर्न सक्छ भनेर देखाउँछ।Li et al14 ले गहिरो सिकाइ CNN प्रयोग गरेर श्रोणि एक्स-रे छविहरूबाट अनुमानित उमेर र ओसिसिफिकेशन स्टेज अनुमान प्रयोग गरेर रिग्रेसन परिणामहरूसँग तुलना गर्नुभयो।उनीहरूले फेला पारे कि डीप लर्निंग CNN मोडेलले परम्परागत रिग्रेसन मोडेलको रूपमा उही उमेर अनुमान प्रदर्शन देखाएको छ।गुओ एट अलको अध्ययन [१५] ले दन्त अर्थोफोटोमा आधारित CNN प्रविधिको उमेर सहिष्णुता वर्गीकरण कार्यसम्पादनको मूल्याङ्कन गर्‍यो, र CNN मोडेलको नतिजाले प्रमाणित गर्‍यो कि मानिसले आफ्नो उमेर वर्गीकरण कार्यसम्पादनलाई उछिनेको छ।
मेसिन लर्निङ प्रयोग गरेर उमेर अनुमान गर्ने धेरैजसो अध्ययनहरूले 13,14,15,16,17,18,19,20 गहिरो सिकाइ विधिहरू प्रयोग गर्छन्।गहिरो सिकाइमा आधारित उमेर अनुमान परम्परागत विधिहरू भन्दा बढी सटीक भएको रिपोर्ट गरिएको छ।यद्यपि, यो दृष्टिकोणले उमेर अनुमानका लागि वैज्ञानिक आधार प्रस्तुत गर्ने थोरै अवसर प्रदान गर्दछ, जस्तै अनुमानमा प्रयोग गरिएका उमेर सूचकहरू।निरीक्षण कसले गर्ने भन्नेमा पनि कानुनी विवाद छ ।तसर्थ, गहिरो शिक्षामा आधारित उमेर अनुमानलाई प्रशासनिक र न्यायिक अधिकारीहरूले स्वीकार गर्न गाह्रो छ।डाटा माइनिङ (DM) एउटा यस्तो प्रविधि हो जसले अपेक्षित मात्र नभएर अप्रत्याशित जानकारीलाई पनि ठूलो मात्रामा डाटा ६,२१,२२ बीचको उपयोगी सहसंबंध पत्ता लगाउने विधिको रूपमा पत्ता लगाउन सक्छ।मेसिन लर्निङ प्रायः डाटा माइनिङमा प्रयोग गरिन्छ, र डाटा माइनिङ र मेसिन लर्निङ दुवैले डाटामा ढाँचाहरू पत्ता लगाउन एउटै कुञ्जी एल्गोरिदमहरू प्रयोग गर्छन्।दन्त विकास प्रयोग गरेर उमेर अनुमान लक्षित दाँतको परिपक्वताको परीक्षकको मूल्याङ्कनमा आधारित छ, र यो मूल्याङ्कन प्रत्येक लक्षित दाँतको लागि एक 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।त्यसैले, यदि हामीले उमेर अनुमानमा DM प्रविधिहरू लागू गर्छौं भने, हामी कानूनी दायित्वको चिन्ता नगरी फोरेन्सिक उमेर अनुमानमा मेसिन लर्निङ लागू गर्न सक्छौं।धेरै तुलनात्मक अध्ययनहरू फोरेन्सिक अभ्यासमा प्रयोग हुने परम्परागत म्यानुअल विधिहरू र दाँतको उमेर निर्धारण गर्न EBM-आधारित विधिहरूको सम्भावित विकल्पहरूमा प्रकाशित गरिएको छ।Shen et al23 ले देखायो कि DM मोडेल परम्परागत क्यामेरा सूत्र भन्दा बढी सही छ।Galibourg et al24 ले Demirdjian मापदण्ड 25 अनुसार उमेर भविष्यवाणी गर्न विभिन्न DM विधिहरू लागू गर्‍यो र परिणामहरूले देखाए कि DM विधिले फ्रान्सेली जनसंख्याको उमेर अनुमान गर्न Demirdjian र Willems विधिहरूलाई पछाडि पारेको छ।
कोरियाली किशोर र युवा वयस्कहरूको दाँतको उमेर अनुमान गर्न, लीको विधि 4 कोरियन फोरेन्सिक अभ्यासमा व्यापक रूपमा प्रयोग गरिन्छ।यस विधिले कोरियाली विषयहरू र कालानुक्रमिक 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 Oh et al द्वारा पुष्टि गरिएको छ।५;यद्यपि, कोरियाली फोरेन्सिक अभ्यासमा DM मोडेलमा आधारित उमेर अनुमानको लागूता अझै पनि शंकास्पद छ।हाम्रो लक्ष्य DM मोडेलमा आधारित उमेर अनुमानको सम्भावित उपयोगितालाई वैज्ञानिक रूपमा प्रमाणित गर्नु थियो।यस अध्ययनको उद्देश्य थियो (१) दन्त उमेरको अनुमानमा दुई DM मोडेलहरूको शुद्धता तुलना गर्न र (२) 18 वर्षको उमेरमा 7 DM मोडेलहरूको वर्गीकरण कार्यसम्पादनलाई परम्परागत सांख्यिकीय विधिहरू प्रयोग गरेर प्राप्त भएकाहरूसँग तुलना गर्न। र दुबै बङ्गारामा तेस्रो दाढ़।
चरण र दाँत प्रकार द्वारा कालक्रमिक उमेर को माध्यम र मानक विचलन पूरक तालिका S1 (प्रशिक्षण सेट), पूरक तालिका S2 (आन्तरिक परीक्षण सेट), र पूरक तालिका S3 (बाह्य परीक्षण सेट) मा अनलाइन देखाइएको छ।प्रशिक्षण सेट बाट प्राप्त intra- र interobserver विश्वसनीयता को लागि kappa मानहरू क्रमशः 0.951 र 0.947 थिए।P मानहरू र काप्पा मानहरूको लागि 95% आत्मविश्वास अन्तरालहरू अनलाइन पूरक तालिका S4 मा देखाइएको छ।कापा मानलाई "लगभग पूर्ण" को रूपमा व्याख्या गरिएको थियो, ल्यान्डिस र कोच26 को मापदण्ड अनुरूप।
औसत निरपेक्ष त्रुटि (MAE) को तुलना गर्दा, परम्परागत विधिले सबै लिंगहरूको लागि DM मोडेल र बाह्य पुरुष परीक्षण सेटमा, मल्टिलेयर पर्सेप्ट्रोन (MLP) को अपवादको साथ थोरै प्रदर्शन गर्छ।आन्तरिक MAE परीक्षण सेटमा परम्परागत मोडेल र DM मोडेल बीचको भिन्नता पुरुषका लागि ०.१२–०.१९ वर्ष र महिलाका लागि ०.१७–०.२१ वर्ष थियो।बाह्य परीक्षण ब्याट्रीको लागि, भिन्नताहरू साना छन् (पुरुषका लागि ०.००१–०.०५ वर्ष र महिलाका लागि ०.०५–०.०९ वर्ष)।थप रूपमा, मूल अर्थ वर्ग त्रुटि (RMSE) परम्परागत विधि भन्दा थोरै कम छ, साना भिन्नताहरू (0.17–0.24, 0.2–0.24 पुरुष आन्तरिक परीक्षण सेटको लागि, र 0.03–0.07, 0.04–0.08 बाह्य परीक्षण सेटको लागि)।)।MLP ले एकल लेयर पर्सेप्ट्रोन (SLP) भन्दा थोरै राम्रो प्रदर्शन देखाउँछ, महिला बाह्य परीक्षण सेट को मामला मा बाहेक।MAE र RMSE को लागि, बाह्य परीक्षण सेटले सबै लिङ्ग र मोडेलहरूको लागि आन्तरिक परीक्षण सेट भन्दा उच्च स्कोर गर्दछ।सबै MAE र RMSE तालिका 1 र चित्र 1 मा देखाइएको छ।
MAE र RMSE परम्परागत र डाटा माइनिङ रिग्रेसन मोडेलहरू।मीन निरपेक्ष त्रुटि MAE, मूल मतलब वर्ग त्रुटि RMSE, एकल तह पर्सेप्ट्रोन SLP, बहु-तह पर्सेप्ट्रोन MLP, परम्परागत CM विधि।
पारम्परिक र DM मोडेलहरूको वर्गीकरण प्रदर्शन (18 वर्षको कटअफको साथ) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्यवाणी मान (PPV), नकारात्मक भविष्यवाणी मान (NPV), र रिसीभर अपरेटिङ विशेषता वक्र (AUROC) अन्तर्गत क्षेत्रको सन्दर्भमा प्रदर्शन गरिएको थियो। २७ (तालिका २, चित्र २ र पूरक चित्र १ अनलाइन)।आन्तरिक परीक्षण ब्याट्रीको संवेदनशीलताको सन्दर्भमा, परम्परागत विधिहरूले पुरुषहरू बीच उत्कृष्ट र महिलाहरूमा खराब प्रदर्शन गरे।यद्यपि, परम्परागत विधिहरू र SD बीचको वर्गीकरण कार्यसम्पादनमा भिन्नता पुरुषहरू (MLP) को लागि 9.7% र महिलाहरू (XGBoost) को लागि मात्र 2.4% छ।DM मोडेलहरू मध्ये, लजिस्टिक रिग्रेसन (LR) ले दुबै लिंगहरूमा राम्रो संवेदनशीलता देखाएको छ।आन्तरिक परीक्षण सेटको विशिष्टताको सन्दर्भमा, यो देखियो कि चार एसडी मोडेलले पुरुषहरूमा राम्रो प्रदर्शन गरेको छ, जबकि परम्परागत मोडेलले महिलाहरूमा राम्रो प्रदर्शन गरेको छ।पुरुष र महिलाहरूको लागि वर्गीकरण कार्यसम्पादनमा भिन्नताहरू क्रमशः १३.३% (MLP) र १३.१% (MLP) छन्, जसले मोडेलहरू बीचको वर्गीकरण कार्यसम्पादनमा भिन्नता संवेदनशीलताभन्दा बढी रहेको जनाउँछ।DM मोडेलहरू मध्ये, समर्थन भेक्टर मेसिन (SVM), निर्णय ट्री (DT), र यादृच्छिक वन (RF) मोडेलहरूले पुरुषहरू बीच उत्कृष्ट प्रदर्शन गरे, जबकि LR मोडेलले महिलाहरू बीच उत्कृष्ट प्रदर्शन गरे।परम्परागत मोडेल र सबै SD मोडेलहरूको AUROC पुरुषहरूमा ०.९२५ (के-नजीकको छिमेकी (KNN) भन्दा ठूलो थियो, 18-वर्ष पुरानो नमूनाहरू 28 लाई भेदभाव गर्न उत्कृष्ट वर्गीकरण प्रदर्शन प्रदर्शन गर्दै।बाह्य परीक्षण सेटको लागि, आन्तरिक परीक्षण सेटको तुलनामा संवेदनशीलता, विशिष्टता र AUROC को सन्दर्भमा वर्गीकरण कार्यसम्पादनमा कमी थियो।यसबाहेक, सबै भन्दा राम्रो र सबैभन्दा खराब मोडेलहरूको वर्गीकरण कार्यसम्पादन बीचको संवेदनशीलता र विशिष्टतामा भिन्नता 10% देखि 25% सम्म थियो र आन्तरिक परीक्षण सेटको भिन्नता भन्दा ठूलो थियो।
डेटा खनन वर्गीकरण मोडेलहरूको संवेदनशीलता र विशिष्टता 18 वर्षको कटअफको साथ परम्परागत विधिहरूको तुलनामा।KNN k निकटतम छिमेकी, SVM समर्थन भेक्टर मेसिन, LR लजिस्टिक रिग्रेसन, DT निर्णय रूख, RF अनियमित वन, XGB XGBoost, MLP मल्टिलेयर पर्सेप्ट्रोन, परम्परागत CM विधि।
यस अध्ययनको पहिलो चरण पारंपरिक प्रतिगमन प्रयोग गरेर प्राप्त भएका सात DM मोडेलहरूबाट प्राप्त दन्त आयु अनुमानहरूको शुद्धता तुलना गर्नु थियो।MAE र RMSE लाई दुबै लिङ्गका लागि आन्तरिक परीक्षण सेटहरूमा मूल्याङ्कन गरिएको थियो, र परम्परागत विधि र DM मोडेल बीचको भिन्नता MAE को लागि 44 देखि 77 दिन र RMSE को लागि 62 देखि 88 दिन सम्म थियो।यद्यपि यस अध्ययनमा परम्परागत विधि अलि बढी सटीक थियो, तर यस्तो सानो भिन्नताको क्लिनिकल वा व्यावहारिक महत्त्व छ कि छैन भन्ने निष्कर्षमा पुग्न गाह्रो छ।यी परिणामहरूले संकेत गर्दछ कि DM मोडेल प्रयोग गरेर दन्त उमेर अनुमानको शुद्धता लगभग परम्परागत विधिको जस्तै छ।अघिल्लो अध्ययनका नतिजाहरूसँग प्रत्यक्ष तुलना गर्न गाह्रो छ किनभने कुनै पनि अध्ययनले यस अध्ययनमा जस्तै उमेर दायरामा दाँत रेकर्ड गर्ने उही प्रविधि प्रयोग गरेर परम्परागत सांख्यिकीय विधिहरूसँग DM मोडेलहरूको शुद्धता तुलना गरेको छैन।Galibourg et al24 ले MAE र RMSE लाई दुई परम्परागत विधिहरू (Demirjian method25 र Willems method29) र 10 DM मोडेलहरू 2 देखि 24 वर्ष उमेरका फ्रान्सेली जनसंख्यामा तुलना गरे।तिनीहरूले रिपोर्ट गरे कि सबै DM मोडेलहरू परम्परागत विधिहरू भन्दा बढी सटीक थिए, MAE मा 0.20 र 0.38 वर्ष र RMSE मा 0.25 र 0.47 वर्षको भिन्नताहरू सहित, Willems र Demirdjian विधिहरूको तुलनामा।Halibourg अध्ययनमा देखाइएको SD मोडेल र परम्परागत विधिहरू बीचको भिन्नताले धेरै रिपोर्टहरू 30,31,32,33 लाई ध्यानमा राख्छ कि Demirdjian विधिले फ्रान्सेली क्यानाडालीहरू बाहेक अन्य जनसंख्यामा दन्त उमेरको सही अनुमान गर्दैन जसमा अध्ययन आधारित थियो।यस अध्ययनमा।Tai et al 34 ले 1636 चिनियाँ अर्थोडन्टिक फोटोहरूबाट दाँतको उमेर भविष्यवाणी गर्न MLP एल्गोरिथ्म प्रयोग गर्‍यो र यसको शुद्धतालाई डेमिर्जियन र विलेम्स विधिको नतिजासँग तुलना गर्‍यो।तिनीहरूले रिपोर्ट गरे कि MLP परम्परागत विधिहरू भन्दा उच्च शुद्धता छ।Demirdjian विधि र परम्परागत विधि बीचको भिन्नता <0.32 वर्ष हो, र Willems विधि 0.28 वर्ष हो, जुन वर्तमान अध्ययनको नतिजा जस्तै हो।यी अघिल्लो अध्ययनहरू 24,34 को नतिजाहरू पनि वर्तमान अध्ययनको नतिजाहरूसँग मिल्दोजुल्दो छन्, र DM मोडेलको उमेर अनुमान सटीकता र परम्परागत विधि समान छन्।यद्यपि, प्रस्तुत नतिजाहरूको आधारमा, हामी केवल सावधानीपूर्वक निष्कर्षमा पुग्न सक्छौं कि उमेर अनुमान गर्न DM मोडेलहरूको प्रयोगले तुलनात्मक र सन्दर्भ अघिल्लो अध्ययनहरूको कमीको कारण अवस्थित विधिहरू प्रतिस्थापन गर्न सक्छ।यस अध्ययनमा प्राप्त नतिजाहरू पुष्टि गर्न ठूला नमूनाहरू प्रयोग गरेर फलो-अप अध्ययनहरू आवश्यक छन्।
दाँतको उमेर अनुमान गर्न SD को शुद्धता परीक्षण गर्ने अध्ययनहरू मध्ये, केहीले हाम्रो अध्ययन भन्दा उच्च सटीकता देखाए।Stepanovsky et al 35 ले 22 SD मोडेलहरू 2.7 देखि 20.5 वर्ष उमेरका 976 चेक निवासीहरूको पानोरामिक रेडियोग्राफहरूमा लागू गरे र प्रत्येक मोडेलको शुद्धता परीक्षण गरे।तिनीहरूले Moorrees et al 36 द्वारा प्रस्तावित वर्गीकरण मापदण्ड प्रयोग गरेर कुल 16 माथिल्लो र तल्लो बायाँ स्थायी दाँतको विकासको मूल्याङ्कन गरे।MAE को दायरा 0.64 देखि 0.94 वर्ष सम्म र RMSE को दायरा 0.85 देखि 1.27 वर्ष सम्मको हुन्छ, जुन यस अध्ययनमा प्रयोग गरिएका दुई DM मोडलहरू भन्दा बढी सटीक छन्।Shen et al23 ले 5 देखि 13 वर्षका पूर्वी चिनियाँ बासिन्दाहरूको बायाँ म्यानडिबलमा सात स्थायी दाँतहरूको दाँतको उमेर अनुमान गर्न क्यामेरारी विधि प्रयोग गर्‍यो र यसलाई रैखिक प्रतिगमन, SVM र RF प्रयोग गरी अनुमान गरिएको उमेरसँग तुलना गरे।तिनीहरूले देखाए कि सबै तीन DM मोडेलहरूमा परम्परागत क्यामेरारी सूत्रको तुलनामा उच्च शुद्धता छ।शेनको अध्ययनमा MAE र RMSE यस अध्ययनमा DM मोडेलको तुलनामा कम थिए।Stepanovsky et al द्वारा अध्ययन को बढि परिशुद्धता।35 र शेन एट अल।23 तिनीहरूको अध्ययन नमूनाहरूमा साना विषयहरूको समावेशको कारण हुन सक्छ।किनकी विकासशील दाँत भएका सहभागीहरूका लागि उमेर अनुमानहरू दाँतको विकासको क्रममा दाँतको संख्या बढ्दै जाँदा अधिक सटीक हुन्छ, अध्ययन सहभागीहरू सानै हुँदा परिणामस्वरूप उमेर अनुमान विधिको शुद्धतामा सम्झौता हुन सक्छ।थप रूपमा, उमेर अनुमानमा MLP को त्रुटि SLP को भन्दा थोरै सानो छ, यसको मतलब MLP SLP भन्दा बढी सटीक छ।MLP लाई उमेर अनुमानका लागि थोरै राम्रो मानिन्छ, सम्भवतः MLP38 मा लुकेका तहहरूको कारणले।यद्यपि, त्यहाँ महिलाहरूको बाहिरी नमूनाको लागि अपवाद छ (SLP 1.45, MLP 1.49)।उमेर मूल्याङ्कनमा SLP भन्दा MLP बढी सटीक छ भन्ने पत्ता लगाउन थप पूर्वव्यापी अध्ययनहरू आवश्यक पर्दछ।
DM मोडेलको वर्गीकरण प्रदर्शन र 18-वर्षको थ्रेसहोल्डमा परम्परागत विधि पनि तुलना गरिएको थियो।सबै परीक्षण गरिएका SD मोडेलहरू र आन्तरिक परीक्षण सेटमा परम्परागत विधिहरूले 18-वर्ष पुरानो नमूनाको लागि व्यावहारिक रूपमा स्वीकार्य भेदभावको स्तर देखाए।पुरुष र महिलाहरूको लागि संवेदनशीलता क्रमशः 87.7% र 94.9% भन्दा बढी थियो, र विशिष्टता 89.3% र 84.7% भन्दा बढी थियो।सबै परीक्षण गरिएका मोडेलहरूको AUROC पनि ०.९२५ नाघेको छ।हाम्रो ज्ञानको सबैभन्दा राम्रो, कुनै पनि अध्ययनले दन्त परिपक्वतामा आधारित 18-वर्ष वर्गीकरणको लागि DM मोडेलको प्रदर्शन परीक्षण गरेको छैन।हामी यस अध्ययनको नतिजालाई पानोरामिक रेडियोग्राफहरूमा गहिरो शिक्षा मोडेलहरूको वर्गीकरण प्रदर्शनसँग तुलना गर्न सक्छौं।Guo et al.15 ले CNN-आधारित गहिरो सिकाइ मोडेलको वर्गीकरण कार्यसम्पादन र एक निश्चित उमेर सीमाको लागि Demirjian को विधिमा आधारित म्यानुअल विधिको गणना गर्नुभयो।म्यानुअल विधिको संवेदनशीलता र विशिष्टता क्रमशः ८७.७% र ९५.५% थियो, र CNN मोडेलको संवेदनशीलता र विशिष्टता क्रमशः ८९.२% र ८६.६% नाघेको थियो।तिनीहरूले निष्कर्ष निकाले कि गहिरो सिकाइ मोडेलहरूले उमेरको थ्रेसहोल्ड वर्गीकरणमा म्यानुअल मूल्याङ्कनलाई प्रतिस्थापन गर्न वा उत्कृष्ट प्रदर्शन गर्न सक्छ।यस अध्ययनको नतिजाले समान वर्गीकरण प्रदर्शन देखायो;यो मानिन्छ कि DM मोडेलहरू प्रयोग गरी वर्गीकरणले उमेर अनुमानका लागि परम्परागत सांख्यिकीय विधिहरू प्रतिस्थापन गर्न सक्छ।मोडेलहरू मध्ये, DM LR पुरुष नमूनाको लागि संवेदनशीलता र महिला नमूनाको लागि संवेदनशीलता र विशिष्टताको सन्दर्भमा उत्कृष्ट मोडेल थियो।LR पुरुषहरूको लागि विशिष्टतामा दोस्रो स्थानमा छ।यसबाहेक, LR धेरै प्रयोगकर्ता-अनुकूल DM35 मोडेलहरू मध्ये एक मानिन्छ र कम जटिल र प्रक्रिया गर्न गाह्रो छ।यी नतिजाहरूको आधारमा, LR लाई कोरियाली जनसंख्यामा 18 वर्षको उमेरका लागि उत्कृष्ट कटअफ वर्गीकरण मोडेल मानिएको थियो।
समग्रमा, बाह्य परीक्षण सेटमा उमेर अनुमान वा वर्गीकरण कार्यसम्पादनको शुद्धता आन्तरिक परीक्षण सेटको नतिजाको तुलनामा कमजोर वा कम थियो।कोरियाली जनसंख्यामा आधारित उमेर अनुमानहरू जापानी जनसंख्या ५,३९ मा लागू गर्दा वर्गीकरण शुद्धता वा दक्षता घट्छ भनी केही रिपोर्टहरूले संकेत गर्दछ, र हालको अध्ययनमा यस्तै ढाँचा फेला परेको थियो।यो बिग्रने प्रवृत्ति DM मोडेलमा पनि देखियो।तसर्थ, उमेरको सही अनुमान गर्न, विश्लेषण प्रक्रियामा DM प्रयोग गर्दा पनि, स्थानीय जनसंख्या डेटाबाट व्युत्पन्न विधिहरू, जस्तै परम्परागत विधिहरू, 5,39,40,41,42 लाई प्राथमिकता दिनुपर्छ।गहिरो सिकाइ मोडेलहरूले समान प्रवृतिहरू देखाउन सक्छन् वा छैनन् भन्ने स्पष्ट नभएकोले, कृत्रिम बुद्धिमत्ताले सीमित उमेरमा यी जातीय असमानताहरू हटाउन सक्छ कि सक्दैन भनेर पुष्टि गर्न परम्परागत विधिहरू, DM मोडेलहरू, र एउटै नमूनाहरूमा गहिरो सिकाइ मोडेलहरू प्रयोग गरी वर्गीकरण शुद्धता र दक्षताको तुलना गर्ने अध्ययनहरू आवश्यक छ।मूल्याङ्कनहरू।
कोरियामा फोरेन्सिक उमेर अनुमान अभ्यासमा DM मोडेलमा आधारित उमेर अनुमानद्वारा परम्परागत विधिहरू प्रतिस्थापन गर्न सकिन्छ भनेर हामी देखाउँछौं।हामीले फोरेन्सिक उमेर मूल्याङ्कनका लागि मेसिन लर्निङ लागू गर्ने सम्भावना पनि पत्ता लगायौं।यद्यपि, त्यहाँ स्पष्ट सीमितताहरू छन्, जस्तै परिणामहरू निश्चित रूपमा निर्धारण गर्न यस अध्ययनमा सहभागीहरूको अपर्याप्त संख्या, र यस अध्ययनको नतिजाहरू तुलना गर्न र पुष्टि गर्न अघिल्लो अध्ययनहरूको अभाव।भविष्यमा, परम्परागत विधिहरूको तुलनामा यसको व्यावहारिक उपयोगिता सुधार गर्न DM अध्ययनहरू ठूलो संख्यामा नमूनाहरू र थप विविध जनसंख्याको साथ सञ्चालन गरिनुपर्छ।धेरै जनसंख्यामा उमेर अनुमान गर्न कृत्रिम बुद्धिमत्ता प्रयोग गर्ने सम्भाव्यता प्रमाणित गर्न, भविष्यका अध्ययनहरू समान नमूनाहरूमा परम्परागत विधिहरूसँग DM र गहिरो शिक्षा मोडेलहरूको वर्गीकरण शुद्धता र दक्षता तुलना गर्न आवश्यक छ।
अध्ययनमा १५ देखि २३ वर्ष उमेरका कोरियाली र जापानी वयस्कहरूबाट सङ्कलन गरिएका २,६५७ ओर्थोग्राफिक फोटोहरू प्रयोग गरिएको थियो।कोरियाली रेडियोग्राफहरूलाई 900 प्रशिक्षण सेटहरू (19.42 ± 2.65 वर्ष) र 900 आन्तरिक परीक्षण सेटहरू (19.52 ± 2.59 वर्ष) मा विभाजित गरिएको थियो।प्रशिक्षण सेट एउटा संस्था (सियोल सेन्ट मेरी अस्पताल) मा संकलन गरिएको थियो, र आफ्नै परीक्षण सेट दुई संस्था (सियोल नेशनल युनिभर्सिटी डेन्टल अस्पताल र योन्सेई विश्वविद्यालय दन्त अस्पताल) मा संकलन गरिएको थियो।हामीले बाह्य परीक्षणको लागि अर्को जनसंख्या-आधारित डेटा (इवाट मेडिकल युनिभर्सिटी, जापान) बाट 857 रेडियोग्राफहरू पनि सङ्कलन गर्यौं।जापानी विषयहरू (19.31 ± 2.60 वर्ष) को रेडियोग्राफहरू बाह्य परीक्षण सेटको रूपमा चयन गरियो।दन्त उपचारको क्रममा लिइएका पानोरामिक रेडियोग्राफहरूमा दन्त विकासका चरणहरू विश्लेषण गर्न डेटा पूर्वव्यापी रूपमा सङ्कलन गरिएको थियो।लिङ्ग, जन्म मिति र रेडियोग्राफ मिति बाहेक संकलन गरिएका सबै डाटा गुमनाम थिए।समावेश र बहिष्कार मापदण्ड पहिले प्रकाशित अध्ययन 4, 5 जस्तै थियो।रेडियोग्राफ लिइएको मितिबाट जन्म मिति घटाएर नमूनाको वास्तविक उमेर गणना गरिएको थियो।नमूना समूहलाई नौ उमेर समूहमा विभाजन गरिएको थियो।उमेर र लिंग वितरण तालिका 3 मा देखाइएको छ यो अध्ययन हेलसिङ्कीको घोषणा अनुसार गरिएको थियो र कोरियाको क्याथोलिक विश्वविद्यालय (KC22WISI0328) को सियोल सेन्ट मेरी अस्पतालको संस्थागत समीक्षा बोर्ड (IRB) द्वारा स्वीकृत गरिएको थियो।यस अध्ययनको पूर्वव्यापी डिजाइनको कारणले, चिकित्सीय उद्देश्यका लागि रेडियोग्राफिक परीक्षा लिइरहेका सबै बिरामीहरूबाट सूचित सहमति प्राप्त गर्न सकिँदैन।सियोल कोरिया विश्वविद्यालय सेन्ट मेरी अस्पताल (IRB) ले सूचित सहमतिको लागि आवश्यकता माफ गर्यो।
बिमेक्सिलरी दोस्रो र तेस्रो मोलरको विकास चरणहरू डेमिर्कन मापदण्ड 25 अनुसार मूल्याङ्कन गरिएको थियो।प्रत्येक बङ्गाराको बायाँ र दायाँ छेउमा एउटै प्रकारको दाँत भेटिएमा एउटा मात्र दाँत चयन गरिएको थियो।यदि दुबै छेउमा समरूपी दाँतहरू विभिन्न विकास चरणहरूमा थिए भने, अनुमानित उमेरमा अनिश्चितताको लागि खातामा तल्लो विकास चरणको साथ दाँत चयन गरिएको थियो।प्रशिक्षण सेटबाट एक सय अनियमित रूपमा चयन गरिएका रेडियोग्राफहरू दुई अनुभवी पर्यवेक्षकहरूले दन्त परिपक्वता चरण निर्धारण गर्न पूर्व-क्यालिब्रेसन पछि इन्टरबजरभरको विश्वसनीयता परीक्षण गर्न स्कोर गरेका थिए।Intraobserver विश्वसनीयता प्राथमिक पर्यवेक्षक द्वारा तीन-महिना अन्तरालहरूमा दुई पटक मूल्याङ्कन गरिएको थियो।
प्रशिक्षण सेटमा प्रत्येक बङ्गाराको दोस्रो र तेस्रो दाढ़को लिंग र विकास चरण विभिन्न DM मोडेलहरूसँग प्रशिक्षित प्राथमिक पर्यवेक्षकद्वारा अनुमान गरिएको थियो, र वास्तविक उमेरलाई लक्ष्य मानको रूपमा सेट गरिएको थियो।SLP र MLP मोडेलहरू, जुन मेसिन लर्निङमा व्यापक रूपमा प्रयोग गरिन्छ, रिग्रेसन एल्गोरिदमहरू विरुद्ध परीक्षण गरिएको थियो।DM मोडेलले चार दाँतको विकास चरणहरू प्रयोग गरेर रैखिक कार्यहरू संयोजन गर्दछ र यी डेटालाई उमेर अनुमान गर्न संयोजन गर्दछ।SLP सबैभन्दा सरल न्यूरल नेटवर्क हो र यसमा लुकेका तहहरू छैनन्।SLP नोडहरू बीच थ्रेसहोल्ड प्रसारणमा आधारित काम गर्दछ।रिग्रेसनमा SLP मोडेल गणितीय रूपमा बहु रैखिक प्रतिगमनसँग मिल्दोजुल्दो छ।SLP मोडेलको विपरीत, MLP मोडेलमा ननलाइनर सक्रियता प्रकार्यहरूसँग धेरै लुकेका तहहरू छन्।हाम्रा प्रयोगहरूले ननलाइनर एक्टिभेसन प्रकार्यहरूसँग मात्र 20 लुकेका नोडहरूसँग लुकेको तह प्रयोग गरे।हाम्रो मेसिन लर्निङ मोडेललाई तालिम दिनको लागि अप्टिमाइजेसन विधि र MAE र RMSE लाई हानि प्रकार्यको रूपमा ग्रेडियन्ट डिसेन्ट प्रयोग गर्नुहोस्।उत्तम प्राप्त रिग्रेसन मोडेल आन्तरिक र बाह्य परीक्षण सेटहरूमा लागू गरिएको थियो र दाँतको उमेर अनुमान गरिएको थियो।
एक वर्गीकरण एल्गोरिदम विकसित गरिएको थियो जसले प्रशिक्षण सेटमा चार दाँतको परिपक्वता प्रयोग गर्दछ कि नमूना 18 वर्ष पुरानो हो वा होइन भनेर भविष्यवाणी गर्न।मोडेल निर्माण गर्न, हामीले सात प्रतिनिधित्व मेसिन लर्निङ एल्गोरिदमहरू 6,43 निकाल्यौं: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, र (7) MLP। ।LR सबैभन्दा व्यापक रूपमा प्रयोग हुने वर्गीकरण एल्गोरिदम मध्ये एक हो।यो एक पर्यवेक्षित सिकाइ एल्गोरिदम हो जसले ० देखि १ सम्मको निश्चित वर्गसँग सम्बन्धित डाटाको सम्भाव्यता भविष्यवाणी गर्न रिग्रेसन प्रयोग गर्दछ र यस सम्भावनाको आधारमा डाटालाई बढी सम्भावित वर्गसँग सम्बन्धित भनी वर्गीकरण गर्दछ।मुख्यतया बाइनरी वर्गीकरणको लागि प्रयोग गरिन्छ।KNN सबैभन्दा सरल मेसिन लर्निङ एल्गोरिदम मध्ये एक हो।जब नयाँ इनपुट डाटा दिइन्छ, यसले अवस्थित सेटको नजिक k डाटा फेला पार्छ र त्यसपछि उच्च फ्रिक्वेन्सीको साथ वर्गमा वर्गीकृत गर्दछ।हामीले मानिने छिमेकीहरूको संख्याको लागि 3 सेट गर्यौं (k)।SVM एउटा एल्गोरिथ्म हो जसले कर्नेल प्रकार्य प्रयोग गरेर रैखिक स्पेसलाई फिल्ड्स46 भनिने गैर-रैखिक स्पेसमा विस्तार गर्न दुई वर्गहरू बीचको दूरी अधिकतम गर्दछ।यस मोडेलको लागि, हामी बहुपद कर्नेलको लागि हाइपरपेरामिटरको रूपमा बायस = 1, पावर = 1, र गामा = 1 प्रयोग गर्छौं।DT लाई विभिन्न क्षेत्रहरूमा एल्गोरिदमको रूपमा लागू गरिएको छ एउटा सम्पूर्ण डेटा सेटलाई धेरै उपसमूहहरूमा विभाजन गरी रूख संरचनामा निर्णय नियमहरू प्रतिनिधित्व गरेर।मोडेल प्रति नोड 2 को रेकर्ड को न्यूनतम संख्या संग कन्फिगर गरिएको छ र गुणस्तर मापन को रूप मा Gini सूचकांक को उपयोग गर्दछ।RF एउटा ensemble विधि हो जसले बुटस्ट्र्याप एग्रीगेसन विधि प्रयोग गरी कार्यसम्पादन सुधार गर्न धेरै DTs लाई संयोजन गर्दछ जसले प्रत्येक नमूनाको लागि एकै आकारको नमूनाहरू अनियमित रूपमा मूल डेटासेट48 बाट धेरै पटक कोरेर कमजोर वर्गीकरण उत्पन्न गर्दछ।हामीले 100 रूखहरू, 10 रूखको गहिराइ, 1 न्यूनतम नोड आकार, र Gini मिश्रण अनुक्रमणिका नोड विभाजन मापदण्डको रूपमा प्रयोग गर्यौं।नयाँ डाटाको वर्गीकरण बहुमतको मतले निर्धारण गरिन्छ।XGBoost एउटा एल्गोरिथ्म हो जसले अघिल्लो मोडेलको वास्तविक र अनुमानित मानहरू बीचको त्रुटिलाई प्रशिक्षण डेटाको रूपमा लिने र ग्रेडियन्ट 49 प्रयोग गरेर त्रुटिलाई बढावा दिने विधि प्रयोग गरेर बूस्टिङ प्रविधिहरू संयोजन गर्दछ।यो यसको राम्रो प्रदर्शन र संसाधन दक्षता, साथै एक overfitting सुधार प्रकार्य रूपमा उच्च विश्वसनीयताको कारण एक व्यापक रूपमा प्रयोग गरिएको एल्गोरिथ्म हो।मोडेल 400 समर्थन पाङ्ग्रा संग सुसज्जित छ।MLP एक न्यूरल नेटवर्क हो जसमा इनपुट र आउटपुट तहहरू बीच एक वा बढी लुकेका तहहरू सहित एक वा बढी परसेप्ट्रनहरूले बहु तहहरू बनाउँछन्।यो प्रयोग गरेर, तपाईं गैर-रैखिक वर्गीकरण गर्न सक्नुहुन्छ जहाँ तपाईंले 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 20 लुकेका न्यूरोन्सहरू सहित लुकेको तह सिर्जना गर्यौं।हामीले विकास गरेका प्रत्येक मोडेललाई संवेदनशीलता, विशिष्टता, PPV, NPV, र AUROC गणना गरेर वर्गीकरण कार्यसम्पादन परीक्षण गर्न आन्तरिक र बाह्य सेटहरूमा लागू गरिएको थियो।संवेदनशीलतालाई 18 वर्ष वा सोभन्दा बढी उमेरको अनुमान गरिएको नमूना र 18 वर्ष वा सोभन्दा माथिको अनुमानित नमूनाको अनुपातको रूपमा परिभाषित गरिन्छ।विशिष्टता 18 वर्ष मुनिका नमूनाहरूको अनुपात हो र ती 18 वर्ष मुनिका हुन अनुमान गरिएको छ।
प्रशिक्षण सेटमा मूल्याङ्कन गरिएका दन्त चरणहरूलाई सांख्यिकीय विश्लेषणको लागि संख्यात्मक चरणहरूमा रूपान्तरण गरिएको थियो।बहुभिन्न रैखिक र लजिस्टिक प्रतिगमन प्रत्येक लिंगको लागि भविष्यवाणी मोडेलहरू विकास गर्न र उमेर अनुमान गर्न प्रयोग गर्न सकिने रिग्रेसन सूत्रहरू प्राप्त गर्न प्रदर्शन गरिएको थियो।हामीले यी सूत्रहरू दुवै आन्तरिक र बाह्य परीक्षण सेटहरूको लागि दाँतको उमेर अनुमान गर्न प्रयोग गर्यौं।तालिका 4 यस अध्ययनमा प्रयोग गरिएको प्रतिगमन र वर्गीकरण मोडेलहरू देखाउँछ।
Intra- र interobserver विश्वसनीयता कोहेनको kappa तथ्याङ्क प्रयोग गरेर गणना गरिएको थियो।DM र परम्परागत रिग्रेसन मोडेलहरूको शुद्धता परीक्षण गर्न, हामीले आन्तरिक र बाह्य परीक्षण सेटहरूको अनुमानित र वास्तविक उमेरहरू 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 हुन्छ।DM र परम्परागत प्रतिगमन प्रयोग गरी गणना गरिएको आन्तरिक र बाह्य परीक्षण सेटहरूको MAE र RMSE तुलना गर्नुहोस्।परम्परागत तथ्याङ्कहरूमा 18-वर्ष कटअफको वर्गीकरण कार्यसम्पादन 2 × 2 आकस्मिक तालिका प्रयोग गरी मूल्याङ्कन गरिएको थियो।परीक्षण सेटको गणना गरिएको संवेदनशीलता, विशिष्टता, PPV, NPV, र AUROC लाई DM वर्गीकरण मोडेलको मापन मानहरूसँग तुलना गरिएको थियो।डाटा माध्य ± मानक विचलन वा संख्या (%) को रूपमा डेटा विशेषताहरूमा निर्भर गर्दछ।दुई-पक्षीय P मानहरू <0.05 सांख्यिकीय रूपमा महत्त्वपूर्ण मानिन्छ।सबै नियमित सांख्यिकीय विश्लेषणहरू SAS संस्करण 9.4 (SAS Institute, Cary, NC) को प्रयोग गरेर प्रदर्शन गरिएको थियो।DM regression मोडेल पाइथनमा Keras50 2.2.4 ब्याकइन्ड र Tensorflow51 1.8.0 प्रयोग गरेर विशेष रूपमा गणितीय कार्यहरूका लागि लागू गरिएको थियो।DM वर्गीकरण मोडेल Waikato ज्ञान विश्लेषण वातावरण 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 डाटासेटहरू उचित अनुरोधमा सम्बन्धित लेखकबाट उपलब्ध छन्।
Ritz-Timme, S. et al।उमेर मूल्याङ्कन: फोरेन्सिक अभ्यासको विशिष्ट आवश्यकताहरू पूरा गर्न कलाको अवस्था।अन्तर्राष्ट्रियता।J. कानूनी चिकित्सा।113, 129-136 (2000)।
Schmeling, A., Reisinger, W., Geserik, G., र Olze, A. फौजदारी अभियोजन उद्देश्यका लागि जीवित विषयहरूको फोरेन्सिक उमेर मूल्याङ्कनको वर्तमान स्थिति।फोरेन्सिक।औषधी।रोगविज्ञान।१, २३९–२४६ (२००५)।
प्यान, जे एट अल।पूर्वी चीनमा 5 देखि 16 वर्ष उमेरका बालबालिकाको दाँतको उमेर मूल्याङ्कन गर्ने परिमार्जित विधि।क्लिनिकल।मौखिक सर्वेक्षण।२५, ३४६३–३४७४ (२०२१)।
Lee, SS आदि। कोरियालीहरूमा दोस्रो र तेस्रो दाढ़को विकासको कालक्रम र फोरेन्सिक उमेर मूल्याङ्कनको लागि यसको आवेदन।अन्तर्राष्ट्रियता।J. कानूनी चिकित्सा।१२४, ६५९–६६५ (२०१०)।
Oh, S., Kumagai, A., Kim, SY र Lee, SS कोरियन र जापानी भाषामा दोस्रो र तेस्रो दाढ़को परिपक्वतामा आधारित उमेरको अनुमान र 18-वर्षको थ्रेसहोल्डको सटीकता।PLOS ONE 17, e0271247 (2022)।
Kim, JY, et al।प्रीअपरेटिभ मेसिन लर्निङमा आधारित डाटा विश्लेषणले ओएसए भएका बिरामीहरूमा निद्राको शल्यक्रिया उपचारको नतिजाको भविष्यवाणी गर्न सक्छ।विज्ञान।रिपोर्ट 11, 14911 (2021)।
हान, एम एट अल।मानव हस्तक्षेपको साथ वा बिना मेसिन लर्निङबाट सही उमेर अनुमान?अन्तर्राष्ट्रियता।J. कानूनी चिकित्सा।१३६, ८२१–८३१ (२०२२)।
खान, एस र शाहीन, एम। डाटा माइनिङबाट डाटा माइनिङसम्म।जे जानकारी।विज्ञान।https://doi.org/10.1177/01655515211030872 (2021)।
खान, एस र शाहीन, एम. WisRule: संघ नियम खनन को लागि पहिलो संज्ञानात्मक एल्गोरिथ्म।जे जानकारी।विज्ञान।https://doi.org/10.1177/01655515221108695 (2022)।
शाहीन एम र अब्दुल्लाह यू. कर्म: सन्दर्भ-आधारित संघ नियमहरूमा आधारित परम्परागत डेटा खनन।गणना गर्नुहोस्।म्याटजारी राख्नुहोस्।६८, ३३०५–३३२२ (२०२१)।
मुहम्मद एम।, रहमान जेड।, शाहीन एम।, खान एम। र हबीब एम। पाठ डाटा प्रयोग गरेर डीप लर्निङमा आधारित सिमेन्टिक समानता पत्ता लगाउने।जानकारी दिनुहोस्।प्रविधिहरू।नियन्त्रण।https://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
Tabish, M., Tanoli, Z., र Shahin, M. खेलकुद भिडियोहरूमा गतिविधि पहिचान गर्ने प्रणाली।मल्टिमिडिया।उपकरण अनुप्रयोगहरू https://doi.org/10.1007/s11042-021-10519-6 (2021)।
Halabi, SS et al।पेडियाट्रिक बोन एजमा RSNA मेसिन लर्निङ चुनौती।रेडियोलोजी 290, 498–503 (2019)।
ली, वाई आदि।गहिरो शिक्षा प्रयोग गरेर पेल्विक एक्स-रेबाट फोरेंसिक उमेर अनुमान।यूरो।विकिरण।२९, २३२२–२३२९ (२०१९)।
Guo, YC, et al।म्यानुअल विधिहरू र अर्थोग्राफिक प्रक्षेपण छविहरूबाट गहिरो कन्भोलुसनल न्यूरल नेटवर्कहरू प्रयोग गरेर सही उमेर वर्गीकरण।अन्तर्राष्ट्रियता।J. कानूनी चिकित्सा।१३५, १५८९–१५९७ (२०२१)।
अलाबामा Dalora et al।विभिन्न मेसिन लर्निङ विधिहरू प्रयोग गरेर हड्डी उमेर अनुमान: एक व्यवस्थित साहित्य समीक्षा र मेटा-विश्लेषण।PLOS ONE 14, e0220242 (2019)।
Du, H., Li, G., Cheng, K., र Yang, J. कोन-बीम कम्प्युटेड टोमोग्राफी प्रयोग गरेर पहिलो मोलरको पल्प च्याम्बर भोल्युममा आधारित अफ्रिकी अमेरिकी र चिनियाँहरूको जनसंख्या-विशिष्ट उमेर अनुमान।अन्तर्राष्ट्रियता।J. कानूनी चिकित्सा।१३६, ८११–८१९ (२०२२)।
Kim S., Lee YH, Noh YK, Park FK र Oh KS पहिलो मोलरको कृत्रिम बुद्धिमा आधारित छविहरू प्रयोग गरेर जीवित व्यक्तिहरूको उमेर समूह निर्धारण गर्दै।विज्ञान।रिपोर्ट 11, 1073 (2021)।
Stern, D., Payer, C., Giuliani, N., र Urschler, M. स्वचालित उमेर अनुमान र बहुविध MRI डेटाबाट बहुमत उमेर वर्गीकरण।आईईईई जे बायोमेड।स्वास्थ्य सतर्कताहरू।२३, १३९२–१४०३ (२०१९)।
Cheng, Q., Ge, Z., Du, H. र Li, G. गहिरो सिकाइ र स्तर सेटहरू एकीकृत गरेर कोन बीम कम्प्युटेड टोमोग्राफीबाट पहिलो मोलरहरूको 3D पल्प च्याम्बर विभाजनमा आधारित उमेर अनुमान।अन्तर्राष्ट्रियता।J. कानूनी चिकित्सा।१३५, ३६५–३७३ (२०२१)।
Wu, WT, et al।क्लिनिकल ठूला डाटामा डाटा खनन: सामान्य डाटाबेसहरू, चरणहरू, र विधिहरू मोडेलहरू।संसार।औषधी।स्रोत।८, ४४ (२०२१)।
याङ, जे एट अल।बिग डाटा युगमा मेडिकल डाटाबेस र डाटा माइनिङ टेक्नोलोजीहरूको परिचय।जे एभिड।आधारभूत औषधि।१३, ५७–६९ (२०२०)।
शेन, एस एट अल।मेसिन लर्निङ प्रयोग गरेर दाँतको उमेर अनुमान गर्न क्यामेराको विधि।BMC मौखिक स्वास्थ्य 21, 641 (2021)।
Galliburg A. et al।Demirdjian स्टेजिङ विधि प्रयोग गरेर दन्त उमेर भविष्यवाणी गर्न विभिन्न मेसिन लर्निङ विधिहरूको तुलना।अन्तर्राष्ट्रियता।J. कानूनी चिकित्सा।१३५, ६६५–६७५ (२०२१)।
Demirdjian, A., Goldstein, H. र Tanner, JM दन्त उमेरको आकलनको लागि नयाँ प्रणाली।घुर्नु।जीवविज्ञान।४५, २११–२२७ (१९७३)।
Landis, JR, र Koch, GG वर्गीकृत डाटा मा पर्यवेक्षक सम्झौता को उपाय।बायोमेट्रिक्स ३३, १५९–१७४ (१९७७)।
भट्टाचार्य एस, प्रकाश डी, किम सी, किम एचके र चोई एचके।प्राइमरी ब्रेन ट्यूमरहरूको भिन्नताका 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 (2022)।