कोरियाई किशोरों और युवा वयस्कों के बीच पारंपरिक दंत युग के अनुमान के खिलाफ एक डेटा खनन मॉडल का सत्यापन

Nature.com पर जाने के लिए धन्यवाद। आपके द्वारा उपयोग किए जा रहे ब्राउज़र का संस्करण सीमित सीएसएस समर्थन है। सर्वोत्तम परिणामों के लिए, हम आपके ब्राउज़र के एक नए संस्करण का उपयोग करने की सलाह देते हैं (या इंटरनेट एक्सप्लोरर में संगतता मोड को बंद करना)। इस बीच, चल रहे समर्थन को सुनिश्चित करने के लिए, हम स्टाइल या जावास्क्रिप्ट के बिना साइट दिखा रहे हैं।
दांतों को मानव शरीर की उम्र का सबसे सटीक संकेतक माना जाता है और अक्सर फोरेंसिक आयु मूल्यांकन में उपयोग किया जाता है। हमने पारंपरिक तरीकों और डेटा खनन-आधारित आयु अनुमानों के साथ 18-वर्ष की सीमा के अनुमान सटीकता और वर्गीकरण प्रदर्शन की तुलना करके डेटा खनन-आधारित दंत युग के अनुमानों को मान्य करने का लक्ष्य रखा है। 15 से 23 वर्ष की आयु के कोरियाई और जापानी नागरिकों से कुल 2657 पैनोरमिक रेडियोग्राफ़ एकत्र किए गए थे। उन्हें एक प्रशिक्षण सेट में विभाजित किया गया था, जिनमें से प्रत्येक में 900 कोरियाई रेडियोग्राफ़ थे, और एक आंतरिक परीक्षण सेट जिसमें 857 जापानी रेडियोग्राफ़ थे। हमने डेटा खनन मॉडल के परीक्षण सेट के साथ पारंपरिक तरीकों की वर्गीकरण सटीकता और दक्षता की तुलना की। आंतरिक परीक्षण सेट पर पारंपरिक विधि की सटीकता डेटा खनन मॉडल की तुलना में थोड़ी अधिक है, और अंतर छोटा है (मतलब पूर्ण त्रुटि <0.21 वर्ष, रूट माध्य वर्ग त्रुटि <0.24 वर्ष)। 18-वर्षीय कटऑफ के लिए वर्गीकरण प्रदर्शन पारंपरिक तरीकों और डेटा खनन मॉडल के बीच भी समान है। इस प्रकार, कोरियाई किशोरों और युवा वयस्कों में दूसरे और तीसरे दाढ़ों की परिपक्वता का उपयोग करके फोरेंसिक आयु मूल्यांकन करते समय पारंपरिक तरीकों को डेटा खनन मॉडल द्वारा प्रतिस्थापित किया जा सकता है।
डेंटल एज अनुमान व्यापक रूप से फोरेंसिक मेडिसिन और बाल चिकित्सा दंत चिकित्सा में उपयोग किया जाता है। विशेष रूप से, कालानुक्रमिक आयु और दंत विकास के बीच उच्च सहसंबंध के कारण, दंत विकासात्मक चरणों द्वारा आयु मूल्यांकन बच्चों और किशोरों की उम्र का आकलन करने के लिए एक महत्वपूर्ण मानदंड है। हालांकि, युवा लोगों के लिए, दंत परिपक्वता के आधार पर दंत युग का अनुमान लगाना इसकी सीमाएं हैं क्योंकि तीसरे दाढ़ों के अपवाद के साथ दंत विकास लगभग पूरा हो गया है। युवा लोगों और किशोरों की उम्र का निर्धारण करने का कानूनी उद्देश्य सटीक अनुमान और वैज्ञानिक प्रमाण प्रदान करना है कि क्या वे बहुमत की उम्र तक पहुंच गए हैं। कोरिया में किशोरों और युवा वयस्कों के मेडिको-कानूनी अभ्यास में, ली की विधि का उपयोग करके उम्र का अनुमान लगाया गया था, और ओह एट अल 5 द्वारा रिपोर्ट किए गए आंकड़ों के आधार पर 18 साल की एक कानूनी सीमा की भविष्यवाणी की गई थी।
मशीन लर्निंग एक प्रकार की आर्टिफिशियल इंटेलिजेंस (एआई) है जो बार -बार सीखती है और बड़ी मात्रा में डेटा को वर्गीकृत करती है, समस्याओं को अपने दम पर हल करती है, और डेटा प्रोग्रामिंग को ड्राइव करती है। मशीन लर्निंग डेटा 6 के बड़े संस्करणों में उपयोगी छिपे हुए पैटर्न की खोज कर सकती है। इसके विपरीत, शास्त्रीय तरीके, जो श्रम-गहन और समय लेने वाली हैं, उनमें जटिल डेटा के बड़े संस्करणों से निपटने के दौरान सीमाएं हो सकती हैं, जिन्हें मैन्युअल रूप से प्रक्रिया करना मुश्किल है। इसलिए, मानव त्रुटियों को कम करने और कुशलतापूर्वक बहुआयामी डेटा 8,9,10,11,12 को कुशलता से संसाधित करने के लिए नवीनतम कंप्यूटर प्रौद्योगिकियों का उपयोग करके कई अध्ययन किए गए हैं। विशेष रूप से, चिकित्सा छवि विश्लेषण में गहन शिक्षा का व्यापक रूप से उपयोग किया गया है, और स्वचालित रूप से रेडियोग्राफ़ का विश्लेषण करके उम्र के अनुमान के लिए विभिन्न तरीकों को आयु अनुमान की सटीकता और दक्षता में सुधार करने के लिए सूचित किया गया है। । उदाहरण के लिए, हलाबी एट अल 13 ने बच्चों के हाथों के रेडियोग्राफ़ का उपयोग करके कंकाल की उम्र का अनुमान लगाने के लिए कन्ट्रोल्यूशनल न्यूरल नेटवर्क्स (सीएनएन) पर आधारित एक मशीन लर्निंग एल्गोरिथ्म विकसित किया। यह अध्ययन एक मॉडल का प्रस्ताव करता है जो मशीन लर्निंग को मेडिकल छवियों पर लागू करता है और दर्शाता है कि ये विधियाँ नैदानिक ​​सटीकता में सुधार कर सकती हैं। ली एट अल 14 ने एक गहरी सीखने वाले सीएनएन का उपयोग करके पेल्विक एक्स-रे छवियों से उम्र का अनुमान लगाया और उनकी तुलना प्रतिगमन परिणामों के साथ ossification चरण आकलन का उपयोग करके की। उन्होंने पाया कि डीप लर्निंग सीएनएन मॉडल ने पारंपरिक प्रतिगमन मॉडल के समान आयु अनुमान प्रदर्शन को दिखाया। गुओ एट अल। के अध्ययन [15] ने दंत ऑर्थोफोटोस के आधार पर सीएनएन प्रौद्योगिकी के आयु सहिष्णुता वर्गीकरण प्रदर्शन का मूल्यांकन किया, और सीएनएन मॉडल के परिणामों ने साबित कर दिया कि मनुष्यों ने अपने आयु वर्गीकरण प्रदर्शन को बेहतर बनाया।
मशीन लर्निंग का उपयोग करते हुए उम्र के अनुमान पर अधिकांश अध्ययन गहरी सीखने के तरीके 12,14,15,16,17,18,19,20 का उपयोग करते हैं। गहरी शिक्षा पर आधारित आयु अनुमान पारंपरिक तरीकों की तुलना में अधिक सटीक होने की सूचना है। हालांकि, यह दृष्टिकोण उम्र के अनुमानों के लिए वैज्ञानिक आधार को प्रस्तुत करने का बहुत कम अवसर प्रदान करता है, जैसे कि अनुमानों में उपयोग किए जाने वाले आयु संकेतक। इस बात पर भी कानूनी विवाद है कि कौन निरीक्षण करता है। इसलिए, गहरी शिक्षा के आधार पर उम्र का अनुमान प्रशासनिक और न्यायिक अधिकारियों द्वारा स्वीकार करना मुश्किल है। डेटा माइनिंग (डीएम) एक ऐसी तकनीक है जो न केवल अपेक्षित हो सकती है, बल्कि बड़ी मात्रा में डेटा 6,21,22 के बीच उपयोगी सहसंबंधों की खोज के लिए एक विधि के रूप में अप्रत्याशित जानकारी भी मिल सकती है। मशीन लर्निंग का उपयोग अक्सर डेटा खनन में किया जाता है, और डेटा माइनिंग और मशीन लर्निंग दोनों ही डेटा में पैटर्न की खोज करने के लिए समान प्रमुख एल्गोरिदम का उपयोग करते हैं। दंत विकास का उपयोग करने वाली आयु अनुमान परीक्षक के लक्ष्य दांतों की परिपक्वता के आकलन पर आधारित है, और यह मूल्यांकन प्रत्येक लक्ष्य दांत के लिए एक चरण के रूप में व्यक्त किया गया है। डीएम का उपयोग दंत मूल्यांकन चरण और वास्तविक उम्र के बीच सहसंबंध का विश्लेषण करने के लिए किया जा सकता है और पारंपरिक सांख्यिकीय विश्लेषण को बदलने की क्षमता है। इसलिए, यदि हम आयु अनुमान के लिए डीएम तकनीकों को लागू करते हैं, तो हम कानूनी देयता के बारे में चिंता किए बिना फोरेंसिक आयु अनुमान में मशीन लर्निंग को लागू कर सकते हैं। दंत युग का निर्धारण करने के लिए फोरेंसिक अभ्यास और ईबीएम-आधारित विधियों में उपयोग किए जाने वाले पारंपरिक मैनुअल तरीकों के संभावित विकल्पों पर कई तुलनात्मक अध्ययन प्रकाशित किए गए हैं। शेन एट अल 23 ने दिखाया कि डीएम मॉडल पारंपरिक कैमरर फॉर्मूला की तुलना में अधिक सटीक है। गैलिबबर्ग एट अल 24 ने डीमर्डजियन कसौटी के अनुसार उम्र की भविष्यवाणी करने के लिए अलग -अलग डीएम तरीकों को लागू किया और परिणामों से पता चला कि डीएम विधि ने फ्रांसीसी आबादी की उम्र का आकलन करने में डेमर्डजियन और विलेम्स के तरीकों से बेहतर प्रदर्शन किया।
कोरियाई किशोरों और युवा वयस्कों के दंत युग का अनुमान लगाने के लिए, ली की विधि 4 का व्यापक रूप से कोरियाई फोरेंसिक अभ्यास में उपयोग किया जाता है। यह विधि कोरियाई विषयों और कालानुक्रमिक उम्र के बीच संबंधों की जांच करने के लिए पारंपरिक सांख्यिकीय विश्लेषण (जैसे कई प्रतिगमन) का उपयोग करती है। इस अध्ययन में, पारंपरिक सांख्यिकीय विधियों का उपयोग करके प्राप्त आयु अनुमान विधियों को "पारंपरिक तरीकों" के रूप में परिभाषित किया गया है। ली की विधि एक पारंपरिक विधि है, और इसकी सटीकता की पुष्टि ओह एट अल द्वारा की गई है। 5; हालांकि, कोरियाई फोरेंसिक अभ्यास में डीएम मॉडल पर आधारित आयु अनुमान की प्रयोज्यता अभी भी संदिग्ध है। हमारा लक्ष्य डीएम मॉडल के आधार पर आयु अनुमान की संभावित उपयोगिता को वैज्ञानिक रूप से मान्य करना था। इस अध्ययन का उद्देश्य (1) दंत युग का अनुमान लगाने में दो डीएम मॉडल की सटीकता की तुलना करना था और (2) 18 वर्ष की आयु में 7 डीएम मॉडल के वर्गीकरण प्रदर्शन की तुलना करने के लिए उन लोगों के साथ जो पारंपरिक सांख्यिकीय तरीकों से दूसरे की परिपक्वता का उपयोग कर रहे थे और दोनों जबड़े में तीसरा दाढ़।
चरण और दांत प्रकार द्वारा कालानुक्रमिक आयु के साधन और मानक विचलन पूरक तालिका S1 (प्रशिक्षण सेट), पूरक तालिका S2 (आंतरिक परीक्षण सेट), और पूरक तालिका S3 (बाहरी परीक्षण सेट) में ऑनलाइन दिखाए गए हैं। प्रशिक्षण सेट से प्राप्त इंट्रा- और इंटरबॉसर्वर विश्वसनीयता के लिए कप्पा मान क्रमशः 0.951 और 0.947 थे। पी मान और कप्पा मूल्यों के लिए 95% आत्मविश्वास अंतराल ऑनलाइन पूरक तालिका S4 में दिखाए गए हैं। कप्पा मूल्य को "लगभग सही" के रूप में व्याख्या किया गया था, जो लैंडिस और कोच 26 के मानदंडों के अनुरूप था।
जब माध्य निरपेक्ष त्रुटि (MAE) की तुलना करते हैं, तो पारंपरिक विधि सभी लिंगों के लिए और बाहरी पुरुष परीक्षण सेट में डीएम मॉडल को थोड़ा बेहतर बनाती है, बहुपरत पेरसेपट्रॉन (एमएलपी) के अपवाद के साथ। आंतरिक MAE परीक्षण सेट पर पारंपरिक मॉडल और DM मॉडल के बीच अंतर पुरुषों के लिए 0.12–0.19 वर्ष और महिलाओं के लिए 0.17–0.21 वर्ष था। बाहरी परीक्षण बैटरी के लिए, अंतर छोटे हैं (पुरुषों के लिए 0.001–0.05 वर्ष और महिलाओं के लिए 0.05-0.09 वर्ष)। इसके अतिरिक्त, रूट माध्य वर्ग त्रुटि (RMSE) पारंपरिक विधि की तुलना में थोड़ा कम है, जिसमें छोटे अंतर (0.17–0.24, 0.2–0.24 पुरुष आंतरिक परीक्षण सेट के लिए, और 0.03–0.07, 0.04–0.08 बाहरी परीक्षण सेट के लिए) है। )। एमएलपी महिला बाहरी परीक्षण सेट के मामले को छोड़कर, सिंगल लेयर पेरसेपट्रॉन (एसएलपी) की तुलना में थोड़ा बेहतर प्रदर्शन दिखाता है। MAE और RMSE के लिए, बाहरी परीक्षण सेट स्कोर सभी लिंग और मॉडल के लिए आंतरिक परीक्षण सेट से अधिक है। सभी MAE और RMSE को तालिका 1 और चित्रा 1 में दिखाया गया है।
पारंपरिक और डेटा खनन प्रतिगमन मॉडल के MAE और RMSE। मतलब निरपेक्ष त्रुटि Mae, रूट मीन स्क्वायर एरर RMSE, सिंगल लेयर Perceptron SLP, मल्टीलेयर Perceptron MLP, पारंपरिक CM विधि।
पारंपरिक और डीएम मॉडल के वर्गीकरण प्रदर्शन (18 साल की कटऑफ के साथ) संवेदनशीलता, विशिष्टता, सकारात्मक भविष्य कहनेवाला मूल्य (पीपीवी), नकारात्मक भविष्य कहनेवाला मूल्य (एनपीवी), और रिसीवर ऑपरेटिंग विशेषता वक्र (ऑकोक) के तहत क्षेत्र के संदर्भ में प्रदर्शित किया गया था। 27 (तालिका 2, चित्रा 2 और पूरक चित्रा 1 ऑनलाइन)। आंतरिक परीक्षण बैटरी की संवेदनशीलता के संदर्भ में, पारंपरिक तरीकों ने पुरुषों के बीच सबसे अच्छा प्रदर्शन किया और महिलाओं के बीच बदतर। हालांकि, पारंपरिक तरीकों और एसडी के बीच वर्गीकरण प्रदर्शन में अंतर पुरुषों (एमएलपी) के लिए 9.7% और महिलाओं के लिए केवल 2.4% (XGBOOST) है। डीएम मॉडल के बीच, लॉजिस्टिक रिग्रेशन (एलआर) ने दोनों लिंगों में बेहतर संवेदनशीलता दिखाई। आंतरिक परीक्षण सेट की विशिष्टता के बारे में, यह देखा गया कि चार एसडी मॉडल ने पुरुषों में अच्छा प्रदर्शन किया, जबकि पारंपरिक मॉडल ने महिलाओं में बेहतर प्रदर्शन किया। पुरुषों और महिलाओं के लिए वर्गीकरण प्रदर्शन में अंतर क्रमशः 13.3% (एमएलपी) और 13.1% (एमएलपी) है, यह दर्शाता है कि मॉडल के बीच वर्गीकरण प्रदर्शन में अंतर संवेदनशीलता से अधिक है। डीएम मॉडल में, सपोर्ट वेक्टर मशीन (एसवीएम), डिसीजन ट्री (डीटी), और रैंडम फॉरेस्ट (आरएफ) मॉडल ने पुरुषों के बीच सबसे अच्छा प्रदर्शन किया, जबकि एलआर मॉडल ने महिलाओं के बीच सबसे अच्छा प्रदर्शन किया। पारंपरिक मॉडल और सभी एसडी मॉडल का AUROC 0.925 (पुरुषों में K- निकटतम पड़ोसी (KNN)) से अधिक था, 18 वर्षीय नमूने 28 में भेदभाव करने में उत्कृष्ट वर्गीकरण प्रदर्शन का प्रदर्शन करता है। बाहरी परीक्षण सेट के लिए, आंतरिक परीक्षण सेट की तुलना में संवेदनशीलता, विशिष्टता और AUROC के संदर्भ में वर्गीकरण प्रदर्शन में कमी थी। इसके अलावा, सर्वश्रेष्ठ और सबसे खराब मॉडल के वर्गीकरण प्रदर्शन के बीच संवेदनशीलता और विशिष्टता में अंतर 10% से 25% तक था और आंतरिक परीक्षण सेट में अंतर से बड़ा था।
18 वर्षों के कटऑफ के साथ पारंपरिक तरीकों की तुलना में डेटा खनन वर्गीकरण मॉडल की संवेदनशीलता और विशिष्टता। KNN K निकटतम पड़ोसी, SVM सपोर्ट वेक्टर मशीन, LR लॉजिस्टिक रिग्रेशन, DT डिसीजन ट्री, RF रैंडम फॉरेस्ट, XGB XGBOOST, MLP मल्टीलेयर Perceptron, Tradidal CM विधि।
इस अध्ययन में पहला कदम पारंपरिक प्रतिगमन का उपयोग करके प्राप्त किए गए सात डीएम मॉडल से प्राप्त दंत युग के अनुमानों की सटीकता की तुलना करना था। MAE और RMSE का मूल्यांकन दोनों लिंगों के लिए आंतरिक परीक्षण सेटों में किया गया था, और पारंपरिक विधि और DM मॉडल के बीच अंतर 44 से 77 दिनों तक MAE के लिए और 62 से 88 दिनों तक RMSE के लिए था। यद्यपि इस अध्ययन में पारंपरिक विधि थोड़ी अधिक सटीक थी, यह निष्कर्ष निकालना मुश्किल है कि क्या इस तरह के छोटे अंतर का नैदानिक ​​या व्यावहारिक महत्व है। इन परिणामों से संकेत मिलता है कि डीएम मॉडल का उपयोग करके दंत युग के अनुमान की सटीकता लगभग पारंपरिक विधि के समान है। पिछले अध्ययनों से परिणामों के साथ प्रत्यक्ष तुलना मुश्किल है क्योंकि किसी भी अध्ययन ने इस अध्ययन में समान आयु सीमा में दांतों को रिकॉर्ड करने की एक ही तकनीक का उपयोग करके पारंपरिक सांख्यिकीय विधियों के साथ डीएम मॉडल की सटीकता की तुलना नहीं की है। Galibourg et al24 ने दो पारंपरिक तरीकों (Demirjian Method25 और Willems Meethod29) और 2 से 24 वर्ष की आयु के एक फ्रांसीसी आबादी में 10 dm मॉडल के बीच MAE और RMSE की तुलना की। उन्होंने बताया कि सभी डीएम मॉडल पारंपरिक तरीकों की तुलना में अधिक सटीक थे, जिसमें एमएई में 0.20 और 0.38 वर्ष और 0.25 और 0.25 और 0.47 साल के अंतर क्रमशः विलेम्स और डेमर्डजियन तरीकों की तुलना में आरएमएसई में थे। हैलिबबर्ग अध्ययन में दिखाए गए एसडी मॉडल और पारंपरिक तरीकों के बीच विसंगति कई रिपोर्ट 30,31,32,33 को ध्यान में रखती है कि डेमर्डजियन विधि फ्रांसीसी कनाडाई लोगों के अलावा आबादी में दंत युग का अनुमान नहीं लगाती है, जिस पर अध्ययन आधारित था। इस अध्ययन में। ताई एट अल 34 ने 1636 चीनी ऑर्थोडॉन्टिक तस्वीरों से दांतों की उम्र की भविष्यवाणी करने के लिए एमएलपी एल्गोरिथ्म का उपयोग किया और इसकी सटीकता की तुलना डेमिरजियन और विलेम्स विधि के परिणामों के साथ की। उन्होंने बताया कि एमएलपी की पारंपरिक तरीकों की तुलना में अधिक सटीकता है। डेमर्डजियन विधि और पारंपरिक विधि के बीच का अंतर <0.32 वर्ष है, और विलेम्स विधि 0.28 वर्ष है, जो वर्तमान अध्ययन के परिणामों के समान है। इन पिछले अध्ययनों के परिणाम 24,34 भी वर्तमान अध्ययन के परिणामों के अनुरूप हैं, और डीएम मॉडल और पारंपरिक विधि की आयु अनुमान सटीकता समान हैं। हालांकि, प्रस्तुत परिणामों के आधार पर, हम केवल सावधानी से यह निष्कर्ष निकाल सकते हैं कि उम्र का अनुमान लगाने के लिए डीएम मॉडल का उपयोग तुलनात्मक और संदर्भ पिछले अध्ययनों की कमी के कारण मौजूदा तरीकों को बदल सकता है। इस अध्ययन में प्राप्त परिणामों की पुष्टि करने के लिए बड़े नमूनों का उपयोग करके अनुवर्ती अध्ययन की आवश्यकता होती है।
दंत युग का अनुमान लगाने में एसडी की सटीकता का परीक्षण करने वाले अध्ययनों में, कुछ ने हमारे अध्ययन की तुलना में उच्च सटीकता दिखाई। Stepanovsky et al 35 ने 22 SD मॉडल को 976 चेक निवासियों के मनोरम रेडियोग्राफ़ में 2.7 से 20.5 वर्ष की आयु के पैनोरमिक रेडियोग्राफ़ में लागू किया और प्रत्येक मॉडल की सटीकता का परीक्षण किया। उन्होंने Moorrees et al 36 द्वारा प्रस्तावित वर्गीकरण मानदंडों का उपयोग करके कुल 16 ऊपरी और निचले बाएं स्थायी दांतों के विकास का आकलन किया। MAE 0.64 से 0.94 वर्ष तक होता है और RMSE 0.85 से 1.27 वर्ष तक होता है, जो इस अध्ययन में उपयोग किए गए दो DM मॉडल की तुलना में अधिक सटीक हैं। शेन एट अल 23 ने 5 से 13 वर्ष की आयु के पूर्वी चीनी निवासियों में बाएं अनिवार्य में सात स्थायी दांतों की दंत युग का अनुमान लगाने के लिए कैमरेयर विधि का उपयोग किया और इसकी तुलना रैखिक प्रतिगमन, एसवीएम और आरएफ का उपयोग करके अनुमानित उम्र के साथ की। उन्होंने दिखाया कि सभी तीन डीएम मॉडल में पारंपरिक कैमरेयर फॉर्मूला की तुलना में अधिक सटीकता होती है। शेन के अध्ययन में MAE और RMSE इस अध्ययन में DM मॉडल की तुलना में कम थे। स्टेपानोव्स्की एट अल द्वारा अध्ययनों की बढ़ी हुई सटीकता। 35 और शेन एट अल। 23 अपने अध्ययन के नमूनों में युवा विषयों को शामिल करने के कारण हो सकता है। क्योंकि दांतों के विकास के साथ प्रतिभागियों के लिए उम्र का अनुमान अधिक सटीक हो जाता है क्योंकि दंत विकास के दौरान दांतों की संख्या बढ़ जाती है, परिणामस्वरूप आयु अनुमान विधि की सटीकता से समझौता किया जा सकता है जब अध्ययन प्रतिभागियों के छोटे होते हैं। इसके अतिरिक्त, उम्र के अनुमान में MLP की त्रुटि SLP की तुलना में थोड़ी छोटी है, जिसका अर्थ है कि MLP SLP से अधिक सटीक है। MLP को उम्र के अनुमान के लिए थोड़ा बेहतर माना जाता है, संभवतः MLP38 में छिपी हुई परतों के कारण। हालांकि, महिलाओं के बाहरी नमूने (एसएलपी 1.45, एमएलपी 1.49) के लिए एक अपवाद है। यह पता चलता है कि एमएलपी उम्र का आकलन करने में एसएलपी की तुलना में अधिक सटीक है, अतिरिक्त पूर्वव्यापी अध्ययन की आवश्यकता है।
डीएम मॉडल के वर्गीकरण प्रदर्शन और 18 साल की सीमा पर पारंपरिक विधि की भी तुलना की गई थी। सभी परीक्षण किए गए एसडी मॉडल और आंतरिक परीक्षण सेट पर पारंपरिक तरीकों ने 18 साल पुराने नमूने के लिए भेदभाव के व्यावहारिक रूप से स्वीकार्य स्तर दिखाए। पुरुषों और महिलाओं के लिए संवेदनशीलता क्रमशः 87.7% और 94.9% से अधिक थी, और विशिष्टता 89.3% और 84.7% से अधिक थी। सभी परीक्षण किए गए मॉडलों का AUROC भी 0.925 से अधिक है। हमारे ज्ञान का सबसे अच्छा करने के लिए, किसी भी अध्ययन ने दंत परिपक्वता के आधार पर 18-वर्षीय वर्गीकरण के लिए डीएम मॉडल के प्रदर्शन का परीक्षण नहीं किया है। हम इस अध्ययन के परिणामों की तुलना पैनोरमिक रेडियोग्राफ़ पर डीप लर्निंग मॉडल के वर्गीकरण प्रदर्शन के साथ कर सकते हैं। गुओ एट अल .15 ने एक सीएनएन-आधारित डीप लर्निंग मॉडल के वर्गीकरण प्रदर्शन और एक निश्चित आयु सीमा के लिए डेमिरजियन की विधि पर आधारित एक मैनुअल विधि की गणना की। मैनुअल विधि की संवेदनशीलता और विशिष्टता क्रमशः 87.7% और 95.5% थी, और सीएनएन मॉडल की संवेदनशीलता और विशिष्टता क्रमशः 89.2% और 86.6% से अधिक थी। उन्होंने निष्कर्ष निकाला कि डीप लर्निंग मॉडल आयु थ्रेसहोल्ड को वर्गीकृत करने में मैनुअल मूल्यांकन को बदल या बेहतर प्रदर्शन कर सकते हैं। इस अध्ययन के परिणामों ने समान वर्गीकरण प्रदर्शन दिखाया; यह माना जाता है कि डीएम मॉडल का उपयोग करके वर्गीकरण आयु अनुमान के लिए पारंपरिक सांख्यिकीय तरीकों को बदल सकता है। मॉडलों में, डीएम एलआर पुरुष नमूने के लिए संवेदनशीलता और महिला नमूने के लिए संवेदनशीलता और विशिष्टता के लिए सबसे अच्छा मॉडल था। एलआर पुरुषों के लिए विशिष्टता में दूसरे स्थान पर है। इसके अलावा, LR को अधिक उपयोगकर्ता के अनुकूल DM35 मॉडल में से एक माना जाता है और प्रक्रिया में कम जटिल और मुश्किल है। इन परिणामों के आधार पर, LR को कोरियाई आबादी में 18 साल के बच्चों के लिए सबसे अच्छा कटऑफ वर्गीकरण मॉडल माना जाता था।
कुल मिलाकर, बाहरी परीक्षण सेट पर आयु अनुमान या वर्गीकरण प्रदर्शन की सटीकता आंतरिक परीक्षण सेट पर परिणामों की तुलना में खराब या कम थी। कुछ रिपोर्टों से संकेत मिलता है कि वर्गीकरण सटीकता या दक्षता कम हो जाती है जब कोरियाई आबादी के आधार पर उम्र का अनुमान जापानी जनसंख्या 5,39 पर लागू होता है, और वर्तमान अध्ययन में एक समान पैटर्न पाया गया था। डीएम मॉडल में यह गिरावट की प्रवृत्ति भी देखी गई। इसलिए, विश्लेषण प्रक्रिया में डीएम का उपयोग करते समय भी उम्र का अनुमान लगाने के लिए, मूल जनसंख्या डेटा से प्राप्त तरीके, जैसे कि पारंपरिक तरीकों से प्राप्त तरीके, पसंदीदा 5,39,40,41,42 को पसंद किया जाना चाहिए। चूंकि यह स्पष्ट नहीं है कि क्या डीप लर्निंग मॉडल समान रुझान दिखा सकते हैं, पारंपरिक तरीकों, डीएम मॉडल और एक ही नमूनों पर गहरे सीखने के मॉडल का उपयोग करके वर्गीकरण सटीकता और दक्षता की तुलना करने वाले अध्ययन को यह पुष्टि करने की आवश्यकता है कि क्या कृत्रिम बुद्धिमत्ता सीमित उम्र में इन नस्लीय असमानताओं को दूर कर सकती है। आकलन।
हम प्रदर्शित करते हैं कि कोरिया में फोरेंसिक आयु अनुमान अभ्यास में डीएम मॉडल के आधार पर पारंपरिक तरीकों को उम्र अनुमान द्वारा प्रतिस्थापित किया जा सकता है। हमने फोरेंसिक आयु मूल्यांकन के लिए मशीन लर्निंग को लागू करने की संभावना की भी खोज की। हालांकि, स्पष्ट सीमाएं हैं, जैसे कि इस अध्ययन में प्रतिभागियों की अपर्याप्त संख्या निश्चित रूप से परिणामों को निर्धारित करने के लिए, और इस अध्ययन के परिणामों की तुलना और पुष्टि करने के लिए पिछले अध्ययनों की कमी। भविष्य में, पारंपरिक तरीकों की तुलना में इसकी व्यावहारिक प्रयोज्यता में सुधार करने के लिए बड़ी संख्या में नमूनों और अधिक विविध आबादी के साथ डीएम अध्ययन किया जाना चाहिए। कई आबादी में उम्र का अनुमान लगाने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करने की व्यवहार्यता को मान्य करने के लिए, एक ही नमूनों में पारंपरिक तरीकों के साथ डीएम और डीप लर्निंग मॉडल की वर्गीकरण सटीकता और दक्षता की तुलना करने के लिए भविष्य के अध्ययन की आवश्यकता है।
अध्ययन में 15 से 23 वर्ष की आयु के कोरियाई और जापानी वयस्कों से एकत्र की गई 2,657 ऑर्थोग्राफिक तस्वीरों का उपयोग किया गया। कोरियाई रेडियोग्राफ़ को 900 प्रशिक्षण सेट (19.42) 2.65 वर्ष) और 900 आंतरिक परीक्षण सेट (19.52) 2.59 वर्ष) में विभाजित किया गया था। प्रशिक्षण सेट एक संस्थान (सियोल सेंट मैरी अस्पताल) में एकत्र किया गया था, और दो संस्थानों (सियोल नेशनल यूनिवर्सिटी डेंटल हॉस्पिटल और YONSEI यूनिवर्सिटी डेंटल हॉस्पिटल) में खुद का टेस्ट सेट एकत्र किया गया था। हमने बाहरी परीक्षण के लिए एक अन्य जनसंख्या-आधारित डेटा (Iwate मेडिकल यूनिवर्सिटी, जापान) से 857 रेडियोग्राफ़ भी एकत्र किए। जापानी विषयों के रेडियोग्राफ़ (19.31) 2.60 वर्ष) को बाहरी परीक्षण सेट के रूप में चुना गया था। दंत चिकित्सा उपचार के दौरान लिए गए पैनोरमिक रेडियोग्राफ पर दंत विकास के चरणों का विश्लेषण करने के लिए डेटा को पूर्वव्यापी रूप से एकत्र किया गया था। एकत्र किए गए सभी डेटा लिंग, जन्म तिथि और रेडियोग्राफ़ की तारीख को छोड़कर गुमनाम थे। समावेश और बहिष्करण मानदंड पहले प्रकाशित अध्ययनों 4, 5 के समान थे। नमूने की वास्तविक आयु की गणना रेडियोग्राफ़ द्वारा ली गई तारीख से जन्म तिथि को घटाकर की गई थी। नमूना समूह को नौ आयु समूहों में विभाजित किया गया था। आयु और सेक्स वितरण तालिका 3 में दिखाए गए हैं, यह अध्ययन हेलसिंकी की घोषणा के अनुसार किया गया था और कोरिया के कैथोलिक विश्वविद्यालय (KC22WISI0328) के सियोल सेंट मैरी अस्पताल के संस्थागत समीक्षा बोर्ड (IRB) द्वारा अनुमोदित किया गया था। इस अध्ययन के पूर्वव्यापी डिजाइन के कारण, चिकित्सीय उद्देश्यों के लिए रेडियोग्राफिक परीक्षा से गुजरने वाले सभी रोगियों से सूचित सहमति प्राप्त नहीं की जा सकती है। सियोल कोरिया विश्वविद्यालय सेंट मैरी अस्पताल (आईआरबी) ने सूचित सहमति के लिए आवश्यकता को माफ कर दिया।
द्विध्रुवीय दूसरे और तीसरे दाढ़ के विकास के चरणों का मूल्यांकन डेमिर्कन मानदंड 25 के अनुसार किया गया था। केवल एक दांत का चयन किया गया था यदि प्रत्येक जबड़े के बाईं और दाईं ओर एक ही प्रकार का दांत पाया गया था। यदि दोनों पक्षों पर समरूप दांत अलग -अलग विकासात्मक चरणों में थे, तो निम्न विकासात्मक चरण वाले दांतों को अनुमानित उम्र में अनिश्चितता के लिए ध्यान देने के लिए चुना गया था। प्रशिक्षण सेट से एक सौ यादृच्छिक रूप से चयनित रेडियोग्राफ़ दो अनुभवी पर्यवेक्षकों द्वारा दंत परिपक्वता चरण का निर्धारण करने के लिए प्रीक्लेब्रेशन के बाद इंटरबॉसर्वर विश्वसनीयता का परीक्षण करने के लिए स्कोर किया गया था। इंट्राओबसेवर विश्वसनीयता का मूल्यांकन प्राथमिक पर्यवेक्षक द्वारा तीन महीने के अंतराल पर दो बार किया गया था।
प्रशिक्षण सेट में प्रत्येक जबड़े के दूसरे और तीसरे दाढ़ों के सेक्स और विकासात्मक चरण का अनुमान एक प्राथमिक पर्यवेक्षक द्वारा विभिन्न डीएम मॉडल के साथ प्रशिक्षित किया गया था, और वास्तविक आयु को लक्ष्य मूल्य के रूप में सेट किया गया था। एसएलपी और एमएलपी मॉडल, जो मशीन लर्निंग में व्यापक रूप से उपयोग किए जाते हैं, को प्रतिगमन एल्गोरिदम के खिलाफ परीक्षण किया गया था। डीएम मॉडल चार दांतों के विकासात्मक चरणों का उपयोग करके रैखिक कार्यों को जोड़ती है और उम्र का अनुमान लगाने के लिए इन आंकड़ों को जोड़ती है। एसएलपी सबसे सरल तंत्रिका नेटवर्क है और इसमें छिपी हुई परतें नहीं हैं। एसएलपी नोड्स के बीच दहलीज ट्रांसमिशन पर आधारित काम करता है। प्रतिगमन में एसएलपी मॉडल गणितीय रूप से कई रैखिक प्रतिगमन के समान है। एसएलपी मॉडल के विपरीत, एमएलपी मॉडल में nonlinear सक्रियण कार्यों के साथ कई छिपी हुई परतें हैं। हमारे प्रयोगों ने केवल 20 छिपे हुए नोड्स के साथ एक छिपी हुई परत का उपयोग किया, जिसमें नॉनलाइनर सक्रियण कार्यों के साथ। अनुकूलन विधि के रूप में ढाल वंश का उपयोग करें और हमारे मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए नुकसान समारोह के रूप में MAE और RMSE। सबसे अच्छा प्राप्त प्रतिगमन मॉडल आंतरिक और बाहरी परीक्षण सेटों पर लागू किया गया था और दांतों की उम्र का अनुमान लगाया गया था।
एक वर्गीकरण एल्गोरिथ्म विकसित किया गया था जो यह अनुमान लगाने के लिए प्रशिक्षण सेट पर चार दांतों की परिपक्वता का उपयोग करता है कि एक नमूना 18 साल पुराना है या नहीं। मॉडल का निर्माण करने के लिए, हमने सात प्रतिनिधित्व मशीन लर्निंग एल्गोरिदम प्राप्त किया 6,43 । LR सबसे व्यापक रूप से उपयोग किए जाने वाले वर्गीकरण एल्गोरिदम 44 में से एक है। यह एक पर्यवेक्षित लर्निंग एल्गोरिथ्म है जो 0 से 1 तक एक निश्चित श्रेणी से संबंधित डेटा की संभावना की भविष्यवाणी करने के लिए प्रतिगमन का उपयोग करता है और इस संभावना के आधार पर डेटा को एक अधिक संभावित श्रेणी से संबंधित के रूप में वर्गीकृत करता है; मुख्य रूप से बाइनरी वर्गीकरण के लिए उपयोग किया जाता है। KNN सबसे सरल मशीन लर्निंग एल्गोरिदम 45 में से एक है। जब नया इनपुट डेटा दिया जाता है, तो यह K डेटा को मौजूदा सेट के करीब पाता है और फिर उन्हें उच्चतम आवृत्ति के साथ कक्षा में वर्गीकृत करता है। हमने (के) पर विचार किए गए पड़ोसियों की संख्या के लिए 3 सेट किया। एसवीएम एक एल्गोरिथ्म है जो एक गैर-रैखिक स्थान में रैखिक स्थान का विस्तार करने के लिए कर्नेल फ़ंक्शन का उपयोग करके दो वर्गों के बीच की दूरी को अधिकतम करता है जिसे फ़ील्ड 46 कहा जाता है। इस मॉडल के लिए, हम बहुपद कर्नेल के लिए हाइपरपरामेटर्स के रूप में पूर्वाग्रह = 1, पावर = 1, और गामा = 1 का उपयोग करते हैं। DT को एक ट्री स्ट्रक्चर 47 में निर्णय नियमों का प्रतिनिधित्व करके कई उपसमूहों में सेट किए गए पूरे डेटा को विभाजित करने के लिए एक एल्गोरिथ्म के रूप में विभिन्न क्षेत्रों में लागू किया गया है। मॉडल को प्रति नोड 2 के प्रति न्यूनतम रिकॉर्ड के साथ कॉन्फ़िगर किया गया है और गुणवत्ता के उपाय के रूप में Gini सूचकांक का उपयोग करता है। RF एक पहनावा विधि है जो एक बूटस्ट्रैप एकत्रीकरण विधि का उपयोग करके प्रदर्शन में सुधार करने के लिए कई डीटी को जोड़ती है जो मूल DataSet48 से कई बार एक ही आकार के नमूनों को यादृच्छिक रूप से ड्राइंग करके प्रत्येक नमूने के लिए एक कमजोर क्लासिफायर उत्पन्न करता है। हमने नोड पृथक्करण मानदंड के रूप में 100 पेड़ों, 10 पेड़ की गहराई, 1 न्यूनतम नोड आकार, और Gini Admixture सूचकांक का उपयोग किया। नए डेटा का वर्गीकरण बहुसंख्यक वोट द्वारा निर्धारित किया जाता है। XGBOOST एक एल्गोरिथ्म है जो एक विधि का उपयोग करके तकनीकों को बढ़ावा देता है जो प्रशिक्षण डेटा के रूप में लेता है, पिछले मॉडल के वास्तविक और अनुमानित मूल्यों के बीच त्रुटि और ग्रेडिएंट्स 49 का उपयोग करके त्रुटि को बढ़ाता है। यह अपने अच्छे प्रदर्शन और संसाधन दक्षता के साथ -साथ एक ओवरफिटिंग सुधार फ़ंक्शन के रूप में उच्च विश्वसनीयता के कारण एक व्यापक रूप से उपयोग किया जाता है। मॉडल 400 समर्थन पहियों से सुसज्जित है। MLP एक तंत्रिका नेटवर्क है जिसमें एक या एक से अधिक perceptrons इनपुट और आउटपुट लेयर्स 38 के बीच एक या एक से अधिक छिपी हुई परतों के साथ कई परतें बनाते हैं। इसका उपयोग करते हुए, आप गैर-रैखिक वर्गीकरण कर सकते हैं जहां जब आप एक इनपुट परत जोड़ते हैं और परिणाम मान प्राप्त करते हैं, तो अनुमानित परिणाम मूल्य वास्तविक परिणाम मूल्य की तुलना में होता है और त्रुटि को वापस प्रचारित किया जाता है। हमने प्रत्येक परत में 20 छिपे हुए न्यूरॉन्स के साथ एक छिपी हुई परत बनाई। हमारे द्वारा विकसित किए गए प्रत्येक मॉडल को संवेदनशीलता, विशिष्टता, पीपीवी, एनपीवी और AUROC की गणना करके वर्गीकरण प्रदर्शन का परीक्षण करने के लिए आंतरिक और बाहरी सेटों पर लागू किया गया था। संवेदनशीलता को 18 वर्ष या उससे अधिक उम्र के नमूने के लिए 18 वर्ष या उससे अधिक उम्र के नमूने के अनुपात के अनुपात के रूप में परिभाषित किया गया है। विशिष्टता 18 वर्ष से कम आयु के नमूनों का अनुपात है और जो 18 वर्ष से कम आयु का अनुमान है।
प्रशिक्षण सेट में मूल्यांकन किए गए दंत चरणों को सांख्यिकीय विश्लेषण के लिए संख्यात्मक चरणों में बदल दिया गया था। बहुभिन्नरूपी रैखिक और लॉजिस्टिक रिग्रेशन प्रत्येक सेक्स के लिए भविष्य कहनेवाला मॉडल विकसित करने और प्रतिगमन सूत्रों को प्राप्त करने के लिए किया गया था, जिसका उपयोग उम्र का अनुमान लगाने के लिए किया जा सकता है। हमने आंतरिक और बाहरी दोनों परीक्षण सेटों के लिए दांतों की उम्र का अनुमान लगाने के लिए इन सूत्रों का उपयोग किया। तालिका 4 इस अध्ययन में उपयोग किए गए प्रतिगमन और वर्गीकरण मॉडल को दर्शाती है।
कोहेन के कप्पा स्टेटिस्टिक का उपयोग करके इंट्रा- और इंटरबॉवर्वर विश्वसनीयता की गणना की गई थी। डीएम और पारंपरिक प्रतिगमन मॉडल की सटीकता का परीक्षण करने के लिए, हमने आंतरिक और बाहरी परीक्षण सेटों के अनुमानित और वास्तविक उम्र का उपयोग करके एमएई और आरएमएसई की गणना की। इन त्रुटियों का उपयोग आमतौर पर मॉडल भविष्यवाणियों की सटीकता का मूल्यांकन करने के लिए किया जाता है। त्रुटि जितनी छोटी होगी, पूर्वानुमान 24 की सटीकता उतनी ही अधिक होगी। डीएम और पारंपरिक प्रतिगमन का उपयोग करके गणना की गई आंतरिक और बाहरी परीक्षण सेटों के एमएई और आरएमएसई की तुलना करें। पारंपरिक आंकड़ों में 18-वर्षीय कटऑफ के वर्गीकरण प्रदर्शन का मूल्यांकन 2 × 2 आकस्मिक तालिका का उपयोग करके किया गया था। परीक्षण सेट की गणना संवेदनशीलता, विशिष्टता, पीपीवी, एनपीवी और ऑकॉक की तुलना डीएम वर्गीकरण मॉडल के मापा मूल्यों के साथ की गई थी। डेटा विशेषताओं के आधार पर डेटा को ± मानक विचलन या संख्या (%) के रूप में व्यक्त किया जाता है। दो-तरफा पी मान <0.05 को सांख्यिकीय रूप से महत्वपूर्ण माना जाता था। सभी नियमित सांख्यिकीय विश्लेषण एसएएस संस्करण 9.4 (एसएएस इंस्टीट्यूट, कैरी, एनसी) का उपयोग करके किए गए थे। DM प्रतिगमन मॉडल को KERAS50 2.2.4 बैकएंड और TensorFlow51 1.8.0 का उपयोग करके विशेष रूप से गणितीय संचालन के लिए पायथन में लागू किया गया था। डीएम वर्गीकरण मॉडल को वाइकाटो नॉलेज एनालिसिस एनवायरनमेंट और कोंस्टानज़ इंफॉर्मेशन माइनर (नाइम) 4.6.152 एनालिसिस प्लेटफॉर्म में लागू किया गया था।
लेखक स्वीकार करते हैं कि अध्ययन के निष्कर्षों का समर्थन करने वाले डेटा को लेख और पूरक सामग्री में पाया जा सकता है। अध्ययन के दौरान उत्पन्न और/या विश्लेषण किए गए डेटासेट उचित अनुरोध पर संबंधित लेखक से उपलब्ध हैं।
रिट्ज-टिम, एस। एट अल। आयु मूल्यांकन: फोरेंसिक अभ्यास की विशिष्ट आवश्यकताओं को पूरा करने के लिए कला की स्थिति। अंतर्राष्ट्रीयता। जे। लीगल मेडिसिन। 113, 129–136 (2000)।
Schmeling, A., Reisinger, W., Geserik, G., और Olze, A. आपराधिक अभियोजन उद्देश्यों के लिए जीवित विषयों की फोरेंसिक आयु मूल्यांकन की वर्तमान स्थिति। फोरेंसिक। दवा। विकृति विज्ञान। 1, 239–246 (2005)।
पैन, जे। एट अल। पूर्वी चीन में 5 से 16 वर्ष की आयु के बच्चों के दंत युग का आकलन करने के लिए एक संशोधित विधि। नैदानिक। मौखिक सर्वेक्षण। 25, 3463–3474 (2021)।
ली, एसएस आदि कोरियाई में दूसरे और तीसरे दाढ़ों के विकास का कालक्रम और फोरेंसिक आयु मूल्यांकन के लिए इसके आवेदन। अंतर्राष्ट्रीयता। जे। लीगल मेडिसिन। 124, 659-665 (2010)।
ओह, एस।, कुमागाई, ए।, किम, एसवाई और ली, एसएस सटीकता की उम्र का अनुमान और 18 साल की सीमा का अनुमान कोरियाई और जापानी में दूसरे और तीसरे दाढ़ों की परिपक्वता के आधार पर। PLOS वन 17, E0271247 (2022)।
किम, जेवाई, एट अल। Preoperative मशीन लर्निंग-आधारित डेटा विश्लेषण OSA के रोगियों में नींद सर्जरी उपचार के परिणाम की भविष्यवाणी कर सकता है। विज्ञान। रिपोर्ट 11, 14911 (2021)।
हान, एम। एट अल। मानव हस्तक्षेप के साथ या उसके बिना मशीन लर्निंग से सटीक आयु अनुमान? अंतर्राष्ट्रीयता। जे। लीगल मेडिसिन। 136, 821–831 (2022)।
खान, एस। और शाहीन, एम। डेटा माइनिंग से डेटा खनन तक। जे। विज्ञान। https://doi.org/10.1177/01655515211030872 (2021)।
खान, एस। और शाहीन, एम। विस्रुले: एसोसिएशन नियम खनन के लिए पहला संज्ञानात्मक एल्गोरिथ्म। जे। विज्ञान। https://doi.org/10.1177/01655515221108695 (2022)।
शाहीन एम। और अब्दुल्ला यू। कर्म: पारंपरिक डेटा खनन संदर्भ-आधारित एसोसिएशन नियमों के आधार पर। गणना करें। मैट। जारी रखना। 68, 3305–3322 (2021)।
मुहम्मद एम।, रहमान जेड। सूचित करना। प्रौद्योगिकियां। नियंत्रण। https://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
टैबिश, एम।, तानोली, जेड।, और शाहिन, एम। एक प्रणाली खेल वीडियो में गतिविधि को पहचानने के लिए। मल्टीमीडिया। उपकरण अनुप्रयोग https://doi.org/10.1007/S11042-021-10519-6 (2021)।
हलाबी, एसएस एट अल। बाल चिकित्सा हड्डी युग में आरएसएनए मशीन लर्निंग चैलेंज। रेडियोलॉजी 290, 498-503 (2019)।
ली, वाई। एट अल। गहरी शिक्षा का उपयोग करके पेल्विक एक्स-रे से फोरेंसिक आयु अनुमान। यूरो। विकिरण। 29, 2322–2329 (2019)।
गुओ, वाईसी, एट अल। ऑर्थोग्राफिक प्रक्षेपण छवियों से मैनुअल तरीकों और गहरे दृढ़ तंत्रिका नेटवर्क का उपयोग करके सटीक आयु वर्गीकरण। अंतर्राष्ट्रीयता। जे। लीगल मेडिसिन। 135, 1589–1597 (2021)।
अलबामा दलोरा एट अल। विभिन्न मशीन सीखने के तरीकों का उपयोग करके अस्थि आयु अनुमान: एक व्यवस्थित साहित्य समीक्षा और मेटा-विश्लेषण। PLOS ONE 14, E0220242 (2019)।
डु, एच।, ली, जी।, चेंग, के।, और यांग, जे। अफ्रीकी अमेरिकियों और चीनी की जनसंख्या-विशिष्ट आयु अनुमान, शंकु-बीम गणना टोमोग्राफी का उपयोग करके पहले दाढ़ों के पल्प चैम्बर वॉल्यूम पर आधारित है। अंतर्राष्ट्रीयता। जे। लीगल मेडिसिन। 136, 811-819 (2022)।
किम एस।, ली वाईएच, नोह वाईके, पार्क एफके और ओह केएस पहले मोलर्स की कृत्रिम बुद्धिमत्ता-आधारित छवियों का उपयोग करके जीवित लोगों के आयु समूहों का निर्धारण करते हैं। विज्ञान। रिपोर्ट 11, 1073 (2021)।
स्टर्न, डी।, पेयर, सी।, गिउलिआनी, एन।, और उर्स्चलर, एम। ऑटोमैटिक एज एस्टीमेशन और मल्टीवेरेट एमआरआई डेटा से मेजरिटी एज वर्गीकरण। IEEE J. BIOMED। स्वास्थ्य अलर्ट। 23, 1392–1403 (2019)।
चेंग, क्यू।, जीई, जेड।, डीयू, एच। और ली, जी। आयु अनुमान 3 डी पल्प चैम्बर पर आधारित शंकु बीम से पहले दाढ़ों के विभाजन पर आधारित है, जो गहन सीखने और स्तर के सेटों को एकीकृत करके टोमोग्राफी की गणना करता है। अंतर्राष्ट्रीयता। जे। लीगल मेडिसिन। 135, 365–373 (2021)।
वू, डब्ल्यूटी, एट अल। क्लिनिकल बिग डेटा में डेटा माइनिंग: कॉमन डेटाबेस, स्टेप्स और मेथड्स मॉडल। दुनिया। दवा। संसाधन। 8, 44 (2021)।
यांग, जे। एट अल। बड़े डेटा युग में चिकित्सा डेटाबेस और डेटा खनन प्रौद्योगिकियों का परिचय। जे। एविड। बुनियादी दवा। 13, 57-69 (2020)।
शेन, एस। एट अल। मशीन लर्निंग का उपयोग करके दांतों की उम्र का आकलन करने के लिए कैमरर की विधि। बीएमसी ओरल हेल्थ 21, 641 (2021)।
गैलिबर्ग ए। एट अल। डेमर्डजियन स्टेजिंग विधि का उपयोग करके दंत युग की भविष्यवाणी करने के लिए विभिन्न मशीन सीखने के तरीकों की तुलना। अंतर्राष्ट्रीयता। जे। लीगल मेडिसिन। 135, 665–675 (2021)।
डेमर्डजियन, ए।, गोल्डस्टीन, एच। और टान्नर, जेएम दंत युग का आकलन करने के लिए एक नई प्रणाली। फक-फक करना। जीव विज्ञान। 45, 211–227 (1973)।
लैंडिस, जेआर, और कोच, जीजी उपायों के लिए ऑब्जर्वर समझौते पर श्रेणीबद्ध डेटा। बायोमेट्रिक्स 33, 159-174 (1977)।
भट्टाचार्जी एस, प्रकाश डी, किम सी, किम एचके और चोई एचके। प्राथमिक मस्तिष्क ट्यूमर के भेदभाव के लिए कृत्रिम बुद्धिमत्ता तकनीकों का उपयोग करके दो-आयामी चुंबकीय अनुनाद इमेजिंग के पाठ्य, रूपात्मक और सांख्यिकीय विश्लेषण। स्वास्थ्य जानकारी। संसाधन। https://doi.org/10.4258/hir.2022.28.1.46 (2022)।