कोरियाई किशोरों और युवा वयस्कों के बीच पारंपरिक दंत आयु अनुमान विधियों के विरुद्ध डेटा माइनिंग मॉडल का सत्यापन

Nature.com पर आने के लिए धन्यवाद।आप जिस ब्राउज़र संस्करण का उपयोग कर रहे हैं उसमें सीमित सीएसएस समर्थन है।सर्वोत्तम परिणामों के लिए, हम आपके ब्राउज़र के नए संस्करण का उपयोग करने (या इंटरनेट एक्सप्लोरर में संगतता मोड को बंद करने) की सलाह देते हैं।इस बीच, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को बिना स्टाइल या जावास्क्रिप्ट के दिखा रहे हैं।
दांतों को मानव शरीर की आयु का सबसे सटीक संकेतक माना जाता है और अक्सर फोरेंसिक आयु मूल्यांकन में इसका उपयोग किया जाता है।हमारा लक्ष्य पारंपरिक तरीकों और डेटा माइनिंग-आधारित आयु अनुमानों के साथ 18 साल की सीमा के अनुमान सटीकता और वर्गीकरण प्रदर्शन की तुलना करके डेटा माइनिंग-आधारित दंत आयु अनुमानों को मान्य करना है।15 से 23 वर्ष की आयु के कोरियाई और जापानी नागरिकों से कुल 2657 पैनोरमिक रेडियोग्राफ़ एकत्र किए गए।उन्हें एक प्रशिक्षण सेट में विभाजित किया गया था, प्रत्येक में 900 कोरियाई रेडियोग्राफ़ थे, और एक आंतरिक परीक्षण सेट जिसमें 857 जापानी रेडियोग्राफ़ थे।हमने डेटा माइनिंग मॉडल के परीक्षण सेट के साथ पारंपरिक तरीकों की वर्गीकरण सटीकता और दक्षता की तुलना की।आंतरिक परीक्षण सेट पर पारंपरिक पद्धति की सटीकता डेटा माइनिंग मॉडल की तुलना में थोड़ी अधिक है, और अंतर छोटा है (मतलब पूर्ण त्रुटि <0.21 वर्ष, मूल माध्य वर्ग त्रुटि <0.24 वर्ष)।18-वर्षीय कटऑफ के लिए वर्गीकरण प्रदर्शन भी पारंपरिक तरीकों और डेटा माइनिंग मॉडल के बीच समान है।इस प्रकार, कोरियाई किशोरों और युवा वयस्कों में दूसरे और तीसरे दाढ़ की परिपक्वता का उपयोग करके फोरेंसिक आयु मूल्यांकन करते समय पारंपरिक तरीकों को डेटा माइनिंग मॉडल द्वारा प्रतिस्थापित किया जा सकता है।
फोरेंसिक चिकित्सा और बाल चिकित्सा दंत चिकित्सा में दंत आयु अनुमान का व्यापक रूप से उपयोग किया जाता है।विशेष रूप से, कालानुक्रमिक आयु और दंत विकास के बीच उच्च सहसंबंध के कारण, दंत विकास के चरणों द्वारा आयु का आकलन बच्चों और किशोरों की आयु का आकलन करने के लिए एक महत्वपूर्ण मानदंड है।हालाँकि, युवा लोगों के लिए, दाँत की परिपक्वता के आधार पर दाँत की उम्र का अनुमान लगाने की अपनी सीमाएँ होती हैं क्योंकि तीसरे दाढ़ के अपवाद के साथ, दाँत का विकास लगभग पूरा हो चुका होता है।युवा लोगों और किशोरों की आयु निर्धारित करने का कानूनी उद्देश्य इस बात का सटीक अनुमान और वैज्ञानिक प्रमाण प्रदान करना है कि वे वयस्कता की आयु तक पहुँच चुके हैं या नहीं।कोरिया में किशोरों और युवा वयस्कों के औषधीय-कानूनी अभ्यास में, ली की पद्धति 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 कानूनी सीमा की भविष्यवाणी की गई थी।
मशीन लर्निंग एक प्रकार की कृत्रिम बुद्धिमत्ता (एआई) है जो बड़ी मात्रा में डेटा को बार-बार सीखती है और वर्गीकृत करती है, समस्याओं को अपने आप हल करती है और डेटा प्रोग्रामिंग को चलाती है।मशीन लर्निंग बड़ी मात्रा में डेटा6 में उपयोगी छिपे हुए पैटर्न की खोज कर सकती है।इसके विपरीत, शास्त्रीय तरीकों, जो श्रम-गहन और समय लेने वाली हैं, में बड़ी मात्रा में जटिल डेटा से निपटने में सीमाएं हो सकती हैं जिन्हें मैन्युअल रूप से संसाधित करना मुश्किल है।इसलिए, मानवीय त्रुटियों को कम करने और बहुआयामी डेटा8,9,10,11,12 को कुशलतापूर्वक संसाधित करने के लिए नवीनतम कंप्यूटर प्रौद्योगिकियों का उपयोग करके हाल ही में कई अध्ययन किए गए हैं।विशेष रूप से, चिकित्सा छवि विश्लेषण में गहन शिक्षण का व्यापक रूप से उपयोग किया गया है, और रेडियोग्राफ़ का स्वचालित रूप से विश्लेषण करके आयु अनुमान के विभिन्न तरीकों से आयु अनुमान की सटीकता और दक्षता में सुधार की सूचना मिली है13,14,15,16,17,18,19,20 .उदाहरण के लिए, हलाबी एट अल 13 ने बच्चों के हाथों के रेडियोग्राफ़ का उपयोग करके कंकाल की उम्र का अनुमान लगाने के लिए कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) पर आधारित एक मशीन लर्निंग एल्गोरिदम विकसित किया।यह अध्ययन एक मॉडल का प्रस्ताव करता है जो मशीन लर्निंग को चिकित्सा छवियों पर लागू करता है और दिखाता है कि ये विधियां नैदानिक ​​​​सटीकता में सुधार कर सकती हैं।ली एट अल14 ने डीप लर्निंग सीएनएन का उपयोग करके पेल्विक एक्स-रे छवियों से उम्र का अनुमान लगाया और ऑसिफिकेशन स्टेज अनुमान का उपयोग करके प्रतिगमन परिणामों के साथ उनकी तुलना की।उन्होंने पाया कि गहन शिक्षण सीएनएन मॉडल ने पारंपरिक प्रतिगमन मॉडल के समान आयु अनुमान प्रदर्शन दिखाया।गुओ एट अल के अध्ययन [15] ने डेंटल ऑर्थोफोटोस के आधार पर सीएनएन तकनीक के आयु सहिष्णुता वर्गीकरण प्रदर्शन का मूल्यांकन किया, और सीएनएन मॉडल के परिणामों ने साबित कर दिया कि मनुष्यों ने इसके आयु वर्गीकरण प्रदर्शन को बेहतर प्रदर्शन किया है।
मशीन लर्निंग का उपयोग करके उम्र के आकलन पर अधिकांश अध्ययन गहन शिक्षण विधियों13,14,15,16,17,18,19,20 का उपयोग करते हैं।गहन शिक्षा पर आधारित आयु का अनुमान पारंपरिक तरीकों की तुलना में अधिक सटीक बताया गया है।हालाँकि, यह दृष्टिकोण आयु अनुमानों के लिए वैज्ञानिक आधार प्रस्तुत करने का बहुत कम अवसर प्रदान करता है, जैसे कि अनुमानों में प्रयुक्त आयु संकेतक।निरीक्षण कौन करता है, इस पर भी कानूनी विवाद है।इसलिए, गहन शिक्षा पर आधारित आयु अनुमान को प्रशासनिक और न्यायिक अधिकारियों द्वारा स्वीकार करना मुश्किल है।डेटा माइनिंग (डीएम) एक ऐसी तकनीक है जो बड़ी मात्रा में डेटा6,21,22 के बीच उपयोगी सहसंबंध खोजने की एक विधि के रूप में न केवल अपेक्षित बल्कि अप्रत्याशित जानकारी भी खोज सकती है।मशीन लर्निंग का उपयोग अक्सर डेटा माइनिंग में किया जाता है, और डेटा माइनिंग और मशीन लर्निंग दोनों डेटा में पैटर्न खोजने के लिए समान कुंजी एल्गोरिदम का उपयोग करते हैं।दंत विकास का उपयोग करके आयु का अनुमान लक्ष्य दांतों की परिपक्वता के परीक्षक के आकलन पर आधारित होता है, और यह मूल्यांकन प्रत्येक लक्ष्य दांत के लिए एक चरण के रूप में व्यक्त किया जाता है।डीएम का उपयोग दंत मूल्यांकन चरण और वास्तविक उम्र के बीच संबंध का विश्लेषण करने के लिए किया जा सकता है और इसमें पारंपरिक सांख्यिकीय विश्लेषण को प्रतिस्थापित करने की क्षमता है।इसलिए, यदि हम उम्र के आकलन के लिए डीएम तकनीकों को लागू करते हैं, तो हम कानूनी दायित्व के बारे में चिंता किए बिना फोरेंसिक उम्र के आकलन में मशीन लर्निंग को लागू कर सकते हैं।फोरेंसिक प्रैक्टिस में उपयोग किए जाने वाले पारंपरिक मैनुअल तरीकों और दंत आयु निर्धारित करने के लिए ईबीएम-आधारित तरीकों के संभावित विकल्पों पर कई तुलनात्मक अध्ययन प्रकाशित किए गए हैं।शेन एट अल23 ने दिखाया कि डीएम मॉडल पारंपरिक कैमरर फॉर्मूला से अधिक सटीक है।गैलीबर्ग एट अल24 ने डेमिरजियन मानदंड25 के अनुसार उम्र की भविष्यवाणी करने के लिए विभिन्न डीएम तरीकों को लागू किया और परिणामों से पता चला कि फ्रांसीसी आबादी की उम्र का अनुमान लगाने में डीएम विधि ने डेमिरजियन और विलेम्स तरीकों से बेहतर प्रदर्शन किया।
कोरियाई किशोरों और युवा वयस्कों की दंत आयु का अनुमान लगाने के लिए, ली की विधि 4 का कोरियाई फोरेंसिक अभ्यास में व्यापक रूप से उपयोग किया जाता है।यह विधि कोरियाई विषयों और कालानुक्रमिक आयु के बीच संबंधों की जांच करने के लिए पारंपरिक सांख्यिकीय विश्लेषण (जैसे एकाधिक प्रतिगमन) का उपयोग करती है।इस अध्ययन में, पारंपरिक सांख्यिकीय तरीकों 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;हालाँकि, कोरियाई फोरेंसिक अभ्यास में डीएम मॉडल के आधार पर 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 था (1) दंत आयु का अनुमान लगाने में दो डीएम मॉडल की सटीकता की तुलना करना और (2) 18 साल की उम्र में 7 डीएम मॉडल के वर्गीकरण प्रदर्शन की तुलना पारंपरिक सांख्यिकीय तरीकों का उपयोग करके प्राप्त दूसरे की परिपक्वता से करना था। और दोनों जबड़ों में तीसरी दाढ़।
चरण और दांत के प्रकार के आधार पर कालानुक्रमिक आयु के साधन और मानक विचलन पूरक तालिका एस1 (प्रशिक्षण सेट), पूरक तालिका एस2 (आंतरिक परीक्षण सेट), और पूरक तालिका एस3 (बाहरी परीक्षण सेट) में ऑनलाइन दिखाए जाते हैं।प्रशिक्षण सेट से प्राप्त इंट्रा- और इंटरऑब्जर्वर विश्वसनीयता के लिए कप्पा मान क्रमशः 0.951 और 0.947 थे।कप्पा मूल्यों के लिए पी मान और 95% विश्वास अंतराल ऑनलाइन पूरक तालिका एस4 में दिखाए गए हैं।लैंडिस और कोच26 के मानदंडों के अनुरूप, कप्पा मूल्य की व्याख्या "लगभग पूर्ण" के रूप में की गई थी।
माध्य निरपेक्ष त्रुटि (एमएई) की तुलना करते समय, मल्टीलेयर परसेप्ट्रॉन (एमएलपी) के अपवाद के साथ, पारंपरिक विधि सभी लिंगों के लिए और बाहरी पुरुष परीक्षण सेट में डीएम मॉडल से थोड़ा बेहतर प्रदर्शन करती है।आंतरिक एमएई परीक्षण सेट पर पारंपरिक मॉडल और डीएम मॉडल के बीच का 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, मूल माध्य वर्ग त्रुटि (आरएमएसई) पारंपरिक पद्धति से थोड़ी कम है, जिसमें छोटे अंतर हैं (पुरुष आंतरिक परीक्षण सेट के लिए 0.17–0.24, 0.2–0.24, और बाहरी परीक्षण सेट के लिए 0.03–0.07, 0.04–0.08)।).महिला बाहरी परीक्षण सेट के मामले को छोड़कर, एमएलपी सिंगल लेयर परसेप्ट्रॉन (एसएलपी) की तुलना में थोड़ा बेहतर प्रदर्शन दिखाता है।एमएई और आरएमएसई के लिए, बाहरी परीक्षण सेट का स्कोर सभी लिंगों और मॉडलों के लिए आंतरिक परीक्षण सेट से अधिक है।सभी एमएई और आरएमएसई तालिका 1 और चित्र 1 में दिखाए गए हैं।
पारंपरिक और डेटा माइनिंग रिग्रेशन मॉडल के एमएई और आरएमएसई।माध्य निरपेक्ष त्रुटि एमएई, मूल माध्य वर्ग त्रुटि आरएमएसई, सिंगल लेयर परसेप्ट्रॉन एसएलपी, मल्टीलेयर परसेप्ट्रॉन एमएलपी, पारंपरिक सीएम विधि।
पारंपरिक और डीएम मॉडल का वर्गीकरण प्रदर्शन (18 वर्ष की कटऑफ के साथ) संवेदनशीलता, विशिष्टता, सकारात्मक पूर्वानुमानित मूल्य (पीपीवी), नकारात्मक पूर्वानुमानित मूल्य (एनपीवी), और रिसीवर ऑपरेटिंग विशेषता वक्र (एयूआरओसी) के तहत क्षेत्र के संदर्भ में प्रदर्शित किया गया था। 27 (तालिका 2, चित्र 2 और अनुपूरक चित्र 1 ऑनलाइन)।आंतरिक परीक्षण बैटरी की संवेदनशीलता के संदर्भ में, पारंपरिक तरीकों ने पुरुषों के बीच सबसे अच्छा प्रदर्शन किया और महिलाओं के बीच खराब प्रदर्शन किया।हालाँकि, पारंपरिक तरीकों और SD के बीच वर्गीकरण प्रदर्शन में अंतर पुरुषों (MLP) के लिए 9.7% और महिलाओं (XGBoost) के लिए केवल 2.4% है।डीएम मॉडल में, लॉजिस्टिक रिग्रेशन (एलआर) ने दोनों लिंगों में बेहतर संवेदनशीलता दिखाई।आंतरिक परीक्षण सेट की विशिष्टता के संबंध 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, जो दर्शाता है कि मॉडलों 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, जो 18-वर्षीय नमूनों को 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 आई थी।इसके अलावा, सर्वोत्तम 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 साल की कटऑफ के साथ पारंपरिक तरीकों की तुलना में डेटा माइनिंग वर्गीकरण मॉडल की संवेदनशीलता और विशिष्टता।केएनएन के निकटतम पड़ोसी, एसवीएम सपोर्ट वेक्टर मशीन, एलआर लॉजिस्टिक रिग्रेशन, डीटी डिसीजन ट्री, आरएफ रैंडम फॉरेस्ट, एक्सजीबी एक्सजीबूस्ट, एमएलपी मल्टीलेयर परसेप्ट्रॉन, पारंपरिक सीएम विधि।
इस अध्ययन में पहला कदम पारंपरिक प्रतिगमन का उपयोग करके प्राप्त किए गए सात डीएम मॉडल से प्राप्त दंत आयु अनुमानों की सटीकता की तुलना करना था।एमएई और आरएमएसई का मूल्यांकन दोनों लिंगों के लिए आंतरिक परीक्षण सेटों में किया गया था, और पारंपरिक पद्धति और डीएम मॉडल के बीच का अंतर एमएई के लिए 44 से 77 दिनों और आरएमएसई के लिए 62 से 88 दिनों तक था।हालाँकि इस अध्ययन में पारंपरिक पद्धति थोड़ी अधिक सटीक थी, लेकिन यह निष्कर्ष निकालना मुश्किल है कि इतने छोटे अंतर का नैदानिक ​​या व्यावहारिक महत्व है या नहीं।इन परिणामों से संकेत मिलता है कि डीएम मॉडल का उपयोग करके दंत आयु अनुमान की सटीकता लगभग पारंपरिक पद्धति के समान ही है।पिछले अध्ययनों के परिणामों के साथ सीधी तुलना करना मुश्किल है क्योंकि किसी भी अध्ययन ने इस अध्ययन के समान आयु सीमा में दांतों को रिकॉर्ड करने की एक ही तकनीक का उपयोग करके पारंपरिक सांख्यिकीय तरीकों के साथ डीएम मॉडल की सटीकता की तुलना नहीं की है।गैलीबर्ग एट अल24 ने 2 से 24 वर्ष की आयु की फ्रांसीसी आबादी में दो पारंपरिक तरीकों (डेमिरजियन विधि25 और विलेम्स विधि29) और 10 डीएम मॉडल के बीच एमएई और आरएमएसई की तुलना की।उन्होंने बताया कि सभी डीएम मॉडल पारंपरिक तरीकों की तुलना में अधिक सटीक थे, क्रमशः विलेम्स और डेमर्डजियन तरीकों की तुलना में एमएई में 0.20 और 0.38 साल और आरएमएसई में 0.25 और 0.47 साल का अंतर था।हैलीबर्ग अध्ययन में दिखाए गए एसडी मॉडल और पारंपरिक तरीकों के बीच विसंगति कई रिपोर्टों 30,31,32,33 को ध्यान में रखती है कि डेमिरजियन विधि फ्रांसीसी कनाडाई लोगों के अलावा अन्य आबादी में दंत आयु का सटीक अनुमान नहीं लगाती है, जिस पर अध्ययन आधारित था।इस अध्ययन में।ताई एट अल 34 ने 1636 चीनी ऑर्थोडॉन्टिक तस्वीरों से दांत की उम्र की भविष्यवाणी करने के लिए एमएलपी एल्गोरिदम का उपयोग किया और इसकी सटीकता की तुलना डेमिरजियन और विलेम्स विधि के परिणामों से की।उन्होंने बताया कि एमएलपी में पारंपरिक तरीकों की तुलना में अधिक सटीकता है।डेमिरजियन 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 भी वर्तमान अध्ययन के परिणामों के अनुरूप हैं, और डीएम मॉडल और पारंपरिक पद्धति की आयु अनुमान सटीकता समान हैं।हालाँकि, 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 की जगह ले सकता है।इस अध्ययन में प्राप्त परिणामों की पुष्टि के लिए बड़े नमूनों का उपयोग करके अनुवर्ती अध्ययन की आवश्यकता है।
दंत आयु का अनुमान लगाने में एसडी की सटीकता का परीक्षण करने वाले अध्ययनों में से कुछ ने हमारे अध्ययन की तुलना में अधिक सटीकता दिखाई।स्टेपानोव्स्की एट अल 35 ने 2.7 से 20.5 वर्ष की आयु के 976 चेक निवासियों के पैनोरमिक रेडियोग्राफ़ पर 22 एसडी मॉडल लागू किए और प्रत्येक मॉडल की सटीकता का परीक्षण किया।उन्होंने मूरीस एट अल 36 द्वारा प्रस्तावित वर्गीकरण मानदंडों का उपयोग करके कुल 16 ऊपरी और निचले बाएं स्थायी दांतों के विकास का आकलन किया।एमएई 0.64 से 0.94 वर्ष तक है और आरएमएसई 0.85 से 1.27 वर्ष तक है, जो इस अध्ययन में उपयोग किए गए दो डीएम मॉडल की तुलना में अधिक सटीक हैं।शेन एट अल23 ने 5 से 13 वर्ष की आयु के पूर्वी चीनी निवासियों के बाएं जबड़े में सात स्थायी दांतों की दंत आयु का अनुमान लगाने के लिए कैमरीयर विधि का उपयोग किया और इसकी तुलना रैखिक प्रतिगमन, एसवीएम और आरएफ का उपयोग करके अनुमानित आयु से की।उन्होंने दिखाया कि पारंपरिक कैमरीयर फॉर्मूला की तुलना में सभी तीन डीएम मॉडल में उच्च सटीकता है।शेन के अध्ययन में एमएई और आरएमएसई इस अध्ययन में डीएम मॉडल की तुलना में कम थे।स्टेपानोव्स्की एट अल द्वारा अध्ययन की बढ़ी हुई सटीकता।35 और शेन एट अल.23 का कारण उनके अध्ययन नमूनों में युवा विषयों को शामिल करना हो सकता है।क्योंकि दांतों के विकास के दौरान दांतों की संख्या बढ़ने पर विकासशील दांतों वाले प्रतिभागियों के लिए उम्र का अनुमान अधिक सटीक हो जाता है, जब अध्ययन प्रतिभागी छोटे होते हैं तो परिणामी उम्र अनुमान पद्धति की सटीकता से समझौता किया जा सकता है।इसके अतिरिक्त, आयु अनुमान में एमएलपी की त्रुटि एसएलपी की तुलना में थोड़ी छोटी है, जिसका अर्थ है कि एमएलपी एसएलपी से अधिक सटीक है।उम्र के आकलन के लिए एमएलपी को थोड़ा बेहतर माना जाता है, संभवतः एमएलपी38 में छिपी परतों के कारण।हालाँकि, महिलाओं के बाहरी नमूने (एसएलपी 1.45, एमएलपी 1.49) के लिए एक अपवाद है।यह निष्कर्ष कि उम्र का आकलन करने में एमएलपी एसएलपी से अधिक सटीक है, अतिरिक्त पूर्वव्यापी अध्ययन की आवश्यकता है।
डीएम मॉडल के वर्गीकरण प्रदर्शन और 18 साल की सीमा पर पारंपरिक पद्धति की तुलना भी की गई।आंतरिक परीक्षण सेट पर सभी परीक्षण किए गए एसडी मॉडल और पारंपरिक तरीकों ने 18-वर्षीय 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।हमारी सर्वोत्तम जानकारी के अनुसार, 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 गहन शिक्षण मॉडल के वर्गीकरण प्रदर्शन से कर सकते हैं।गुओ एट अल.15 ने एक निश्चित आयु सीमा के लिए सीएनएन-आधारित गहन शिक्षण मॉडल और डेमिरजियन की विधि पर आधारित एक मैनुअल विधि के वर्गीकरण प्रदर्शन 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 गहन शिक्षण मॉडल आयु सीमा को वर्गीकृत करने में मैन्युअल मूल्यांकन की जगह ले सकते हैं या उससे बेहतर प्रदर्शन कर सकते हैं।इस अध्ययन के परिणामों ने समान वर्गीकरण प्रदर्शन दिखाया;ऐसा माना जाता है कि डीएम मॉडल का उपयोग करके वर्गीकरण आयु अनुमान के लिए पारंपरिक सांख्यिकीय तरीकों की जगह ले सकता है।मॉडलों में, पुरुष नमूने के लिए संवेदनशीलता और महिला नमूने के लिए संवेदनशीलता और विशिष्टता के मामले में डीएम एलआर सबसे अच्छा मॉडल था।एलआर पुरुषों के लिए विशिष्टता में दूसरे स्थान पर है।इसके अलावा, LR को अधिक उपयोगकर्ता-अनुकूल DM35 मॉडलों में से एक माना जाता है और इसे संसाधित करना कम जटिल और कठिन है।इन परिणामों के आधार पर, कोरियाई आबादी में 18 साल के बच्चों के लिए एलआर को सबसे अच्छा कटऑफ वर्गीकरण मॉडल माना गया।
कुल मिलाकर, बाहरी परीक्षण सेट पर आयु अनुमान या वर्गीकरण प्रदर्शन की सटीकता आंतरिक परीक्षण सेट के परिणामों की तुलना में खराब या कम थी।कुछ रिपोर्टों से संकेत मिलता है कि जब कोरियाई आबादी के आधार पर आयु अनुमान जापानी आबादी 5,39 पर लागू किया जाता है, तो वर्गीकरण सटीकता या दक्षता कम हो जाती है, और वर्तमान अध्ययन में एक समान पैटर्न पाया गया था।गिरावट की यह प्रवृत्ति डीएम मॉडल में भी देखी गई।इसलिए, उम्र का सटीक अनुमान लगाने के लिए, विश्लेषण प्रक्रिया में डीएम का उपयोग करते समय भी, मूल जनसंख्या डेटा से प्राप्त तरीकों, जैसे पारंपरिक तरीकों, को प्राथमिकता दी जानी चाहिए5,39,40,41,42।चूँकि यह स्पष्ट नहीं है कि क्या गहन शिक्षण मॉडल समान रुझान दिखा सकते हैं, पारंपरिक तरीकों, डीएम मॉडल और समान नमूनों पर गहन शिक्षण मॉडल का उपयोग करके वर्गीकरण सटीकता और दक्षता की तुलना करने वाले अध्ययनों की पुष्टि करने के लिए आवश्यक 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 आयु अनुमान द्वारा प्रतिस्थापित किया जा सकता है।हमने फोरेंसिक आयु मूल्यांकन के लिए मशीन लर्निंग को लागू करने की संभावना भी खोजी।हालाँकि, स्पष्ट सीमाएँ हैं, जैसे कि परिणामों को निश्चित रूप से निर्धारित करने के लिए इस अध्ययन में प्रतिभागियों की अपर्याप्त संख्या, 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 के लिए डीएम अध्ययन बड़ी संख्या में नमूनों और अधिक विविध आबादी के साथ आयोजित किया जाना चाहिए।कई आबादी में उम्र का अनुमान लगाने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करने की व्यवहार्यता को मान्य करने के लिए, समान नमूनों में पारंपरिक तरीकों के साथ डीएम और गहन शिक्षण मॉडल की वर्गीकरण सटीकता और दक्षता की तुलना करने के लिए भविष्य के अध्ययनों की आवश्यकता है।
अध्ययन में 15 से 23 वर्ष की आयु के कोरियाई और जापानी वयस्कों से एकत्र की गई 2,657 ऑर्थोग्राफ़िक 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 हॉस्पिटल) में एकत्र किया गया था, और स्वयं का परीक्षण सेट दो संस्थानों (सियोल नेशनल यूनिवर्सिटी डेंटल हॉस्पिटल और योनसेई यूनिवर्सिटी डेंटल हॉस्पिटल) में एकत्र किया गया था।हमने बाहरी परीक्षण के लिए अन्य जनसंख्या-आधारित डेटा (इवाते 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 रेडियोग्राफ़ पर दंत विकास के चरणों का विश्लेषण करने के लिए पूर्वव्यापी रूप से डेटा एकत्र किया गया था।लिंग, जन्मतिथि और रेडियोग्राफ़ की तारीख को छोड़कर एकत्र किए गए सभी डेटा गुमनाम थे।समावेशन और बहिष्करण मानदंड पहले प्रकाशित अध्ययन 4, 5 के समान थे।नमूने की वास्तविक आयु की गणना रेडियोग्राफ़ लेने की तारीख से जन्म तिथि घटाकर की गई थी।नमूना समूह को नौ आयु समूहों में विभाजित किया गया था।आयु और लिंग वितरण तालिका 3 में दिखाए गए हैं। यह अध्ययन हेलसिंकी की घोषणा के अनुसार आयोजित किया गया था और कोरिया के कैथोलिक विश्वविद्यालय के सियोल सेंट मैरी अस्पताल के संस्थागत समीक्षा बोर्ड (आईआरबी) (KC22WISI0328) द्वारा अनुमोदित किया गया था।इस अध्ययन के पूर्वव्यापी डिज़ाइन के कारण, चिकित्सीय उद्देश्यों के लिए रेडियोग्राफ़िक परीक्षण से गुजरने वाले सभी रोगियों से सूचित सहमति प्राप्त नहीं की जा सकी।सियोल कोरिया यूनिवर्सिटी सेंट मैरी हॉस्पिटल (आईआरबी) ने सूचित सहमति की आवश्यकता को हटा दिया।
डेमिरकन मानदंड25 के अनुसार द्विअक्षीय दूसरे और तीसरे दाढ़ के विकासात्मक चरणों का मूल्यांकन किया गया था।यदि प्रत्येक जबड़े के बाईं और दाईं ओर एक ही प्रकार का दांत पाया गया तो केवल एक दांत का चयन किया गया।यदि दोनों तरफ के समजात दांत अलग-अलग विकासात्मक चरणों में थे, तो अनुमानित आयु में अनिश्चितता को ध्यान में रखते हुए कम विकासात्मक चरण वाले दांत का चयन किया गया था।दंत परिपक्वता चरण को निर्धारित करने के लिए प्रीकैलिब्रेशन के बाद इंटरऑब्जर्वर विश्वसनीयता का परीक्षण करने के लिए प्रशिक्षण सेट से एक सौ यादृच्छिक रूप से चयनित रेडियोग्राफ़ को दो अनुभवी पर्यवेक्षकों द्वारा स्कोर किया गया था।प्राथमिक पर्यवेक्षक द्वारा तीन महीने के अंतराल पर दो बार इंट्राऑब्जर्वर विश्वसनीयता का मूल्यांकन किया गया था।
प्रशिक्षण सेट में प्रत्येक जबड़े के दूसरे और तीसरे दाढ़ के लिंग और विकासात्मक चरण का अनुमान विभिन्न डीएम मॉडल के साथ प्रशिक्षित प्राथमिक पर्यवेक्षक द्वारा किया गया था, और वास्तविक आयु को लक्ष्य मान के रूप में निर्धारित किया गया था।एसएलपी और एमएलपी मॉडल, जो मशीन लर्निंग में व्यापक रूप से उपयोग किए जाते हैं, का प्रतिगमन एल्गोरिदम के खिलाफ परीक्षण किया गया था।डीएम मॉडल चार दांतों के विकास के चरणों का उपयोग करके रैखिक कार्यों को जोड़ता है और उम्र का अनुमान लगाने के लिए इन आंकड़ों को जोड़ता है।एसएलपी सबसे सरल तंत्रिका नेटवर्क है और इसमें छिपी हुई परतें नहीं होती हैं।एसएलपी नोड्स के बीच थ्रेशोल्ड ट्रांसमिशन के आधार पर काम करता है।प्रतिगमन में एसएलपी मॉडल गणितीय रूप से एकाधिक रैखिक प्रतिगमन के समान है।एसएलपी मॉडल के विपरीत, एमएलपी मॉडल में नॉनलाइनियर सक्रियण कार्यों के साथ कई छिपी हुई परतें होती हैं।हमारे प्रयोगों में नॉनलाइनियर सक्रियण कार्यों के साथ केवल 20 छिपे हुए नोड्स के साथ एक छिपी हुई परत का उपयोग किया गया।हमारे मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए अनुकूलन विधि के रूप में ग्रेडिएंट डिसेंट और हानि फ़ंक्शन के रूप में एमएई और आरएमएसई का उपयोग करें।सर्वोत्तम प्राप्त प्रतिगमन मॉडल को 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 प्रशिक्षण सेट पर चार दांतों की परिपक्वता का उपयोग करके यह अनुमान लगाता है कि कोई नमूना 18 वर्ष पुराना है या नहीं।मॉडल बनाने के लिए, हमने सात प्रतिनिधित्व मशीन लर्निंग एल्गोरिदम 6,43 निकाले: (1) एलआर, (2) केएनएन, (3) एसवीएम, (4) डीटी, (5) आरएफ, (6) एक्सजीबूस्ट, और (7) एमएलपी .एलआर सबसे व्यापक रूप से उपयोग किए जाने वाले वर्गीकरण एल्गोरिदम44 में से एक है।यह एक पर्यवेक्षित शिक्षण एल्गोरिदम 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 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 में से एक है45।जब नया इनपुट डेटा दिया जाता है, तो यह k डेटा को मौजूदा सेट के करीब पाता है और फिर उन्हें उच्चतम आवृत्ति वाले वर्ग में वर्गीकृत करता है।हमने (k) माने गए पड़ोसियों की संख्या के लिए 3 निर्धारित किया है।एसवीएम एक एल्गोरिदम है जो रैखिक स्थान को फ़ील्ड्स46 नामक गैर-रेखीय स्थान में विस्तारित करने के लिए कर्नेल फ़ंक्शन का उपयोग करके दो वर्गों के बीच की दूरी को अधिकतम करता है।इस मॉडल के लिए, हम बहुपद कर्नेल के लिए हाइपरपैरामीटर के रूप में पूर्वाग्रह = 1, शक्ति = 1, और गामा = 1 का उपयोग करते हैं।डीटी को एक ट्री संरचना47 में निर्णय नियमों का प्रतिनिधित्व करके संपूर्ण डेटा सेट को कई उपसमूहों में विभाजित करने के लिए एक एल्गोरिदम के रूप में विभिन्न क्षेत्रों में लागू किया गया है।मॉडल को प्रति नोड 2 की न्यूनतम संख्या में रिकॉर्ड के साथ कॉन्फ़िगर किया गया है और गुणवत्ता के माप के रूप में गिनी इंडेक्स का उपयोग करता है।आरएफ एक संयोजन विधि है जो बूटस्ट्रैप एकत्रीकरण विधि का उपयोग करके प्रदर्शन को बेहतर बनाने के लिए कई डीटी को जोड़ती है जो मूल डेटासेट48 से एक ही आकार के कई बार बेतरतीब ढंग से नमूने खींचकर प्रत्येक नमूने के लिए एक कमजोर क्लासिफायरियर उत्पन्न करती है।हमने नोड पृथक्करण मानदंड के रूप में 100 पेड़, 10 पेड़ की गहराई, 1 न्यूनतम नोड आकार और गिनी मिश्रण सूचकांक का उपयोग किया।नए डेटा का वर्गीकरण बहुमत मत द्वारा निर्धारित किया जाता है।XGBoost एक एल्गोरिथ्म है जो एक ऐसी विधि का उपयोग करके बूस्टिंग तकनीकों को जोड़ती है जो पिछले मॉडल के वास्तविक और अनुमानित मूल्यों के बीच त्रुटि को प्रशिक्षण डेटा के रूप में लेती है और ग्रेडिएंट्स49 का उपयोग करके त्रुटि को बढ़ाती है।यह अपने अच्छे प्रदर्शन और संसाधन दक्षता के साथ-साथ ओवरफिटिंग सुधार फ़ंक्शन के रूप में उच्च विश्वसनीयता के कारण व्यापक रूप से उपयोग किया जाने वाला एल्गोरिदम है।मॉडल 400 सपोर्ट व्हील से लैस है।एमएलपी एक तंत्रिका नेटवर्क है जिसमें एक या एक से अधिक परसेप्ट्रॉन इनपुट और आउटपुट परतों के बीच एक या अधिक छिपी हुई परतों के साथ कई परतें बनाते हैं।इसका उपयोग करके, आप गैर-रेखीय वर्गीकरण कर सकते हैं जहां जब आप एक इनपुट परत जोड़ते हैं और परिणाम मान प्राप्त करते हैं, तो अनुमानित परिणाम मान की तुलना वास्तविक परिणाम मान से की जाती है और त्रुटि वापस प्रसारित होती है।हमने प्रत्येक परत में 20 छिपे हुए न्यूरॉन्स के साथ एक छिपी हुई परत बनाई।हमारे द्वारा विकसित प्रत्येक मॉडल को संवेदनशीलता, विशिष्टता, पीपीवी, एनपीवी और एयूआरओसी 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 आयु के अनुमानित नमूने और 18 वर्ष या उससे अधिक आयु के अनुमानित नमूने के अनुपात के रूप में परिभाषित किया गया है।विशिष्टता 18 वर्ष से कम आयु के नमूनों और 18 वर्ष से कम आयु के अनुमानित नमूनों का अनुपात है।
प्रशिक्षण सेट में मूल्यांकन किए गए दंत चरणों को सांख्यिकीय विश्लेषण के लिए संख्यात्मक चरणों में परिवर्तित किया गया था।प्रत्येक लिंग के लिए पूर्वानुमानित मॉडल विकसित करने और प्रतिगमन सूत्र प्राप्त करने के लिए बहुभिन्नरूपी रैखिक और लॉजिस्टिक प्रतिगमन का प्रदर्शन किया गया, जिसका उपयोग उम्र का अनुमान लगाने के लिए किया जा सकता है।हमने आंतरिक और बाहरी दोनों परीक्षण सेटों के लिए दांत की उम्र का अनुमान लगाने के लिए इन सूत्रों का उपयोग किया।तालिका 4 इस अध्ययन में प्रयुक्त प्रतिगमन और वर्गीकरण मॉडल दिखाती है।
इंट्रा- और इंटरऑब्जर्वर विश्वसनीयता की गणना कोहेन के कप्पा सांख्यिकी का उपयोग करके की गई थी।डीएम और पारंपरिक प्रतिगमन मॉडल की सटीकता का परीक्षण करने के लिए, हमने आंतरिक और बाहरी परीक्षण सेटों की अनुमानित और वास्तविक आयु 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, पूर्वानुमान24 की सटीकता उतनी अधिक होगी।डीएम और पारंपरिक प्रतिगमन का उपयोग करके गणना किए गए आंतरिक और बाहरी परीक्षण सेटों के एमएई और आरएमएसई की तुलना करें।पारंपरिक सांख्यिकी में 18-वर्षीय कटऑफ के वर्गीकरण प्रदर्शन का मूल्यांकन 2 × 2 आकस्मिकता तालिका का उपयोग करके किया गया था।परीक्षण सेट की गणना की गई संवेदनशीलता, विशिष्टता, पीपीवी, एनपीवी और एयूआरओसी की तुलना डीएम वर्गीकरण मॉडल के मापा मूल्यों से की गई।डेटा विशेषताओं के आधार पर डेटा को माध्य ± मानक विचलन या संख्या (%) के रूप में व्यक्त किया जाता है।दो-तरफा P 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।डीएम रिग्रेशन मॉडल को विशेष रूप से गणितीय संचालन के लिए केरास50 2.2.4 बैकएंड और टेन्सरफ्लो51 1.8.0 का उपयोग करके पायथन में लागू किया गया था।डीएम वर्गीकरण मॉडल को वाइकाटो नॉलेज एनालिसिस एनवायरनमेंट और कोन्स्टैंज इंफॉर्मेशन माइनर (KNIME) 4.6.152 विश्लेषण प्लेटफॉर्म में लागू किया गया था।
लेखक स्वीकार करते हैं कि अध्ययन के निष्कर्षों का समर्थन करने वाला डेटा लेख और पूरक सामग्रियों में पाया जा सकता है।अध्ययन के दौरान उत्पन्न और/या विश्लेषण किए गए डेटासेट उचित अनुरोध पर संबंधित लेखक से उपलब्ध हैं।
रिट्ज़-टिम्मे, एस. एट अल.आयु मूल्यांकन: फोरेंसिक अभ्यास की विशिष्ट आवश्यकताओं को पूरा करने के लिए अत्याधुनिक।अंतर्राष्ट्रीयता.जे. कानूनी चिकित्सा.113, 129-136 (2000)।
श्मेलिंग, ए., राइजिंगर, डब्ल्यू., गेसेरिक, जी., और ओल्ज़, ए. 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 की दंत आयु का आकलन करने के लिए एक संशोधित विधि।नैदानिक.मौखिक सर्वेक्षण.25, 3463-3474 (2021)।
ली, एसएस आदि। कोरियाई लोगों में दूसरे और तीसरे दाढ़ के विकास का कालक्रम और फोरेंसिक आयु मूल्यांकन के लिए इसका अनुप्रयोग।अंतर्राष्ट्रीयता.जे. कानूनी चिकित्सा.124, 659-665 (2010)।
ओह, एस., कुमागाई, ए., किम, एसवाई और ली, एसएस कोरियाई और जापानी में दूसरे और तीसरे दाढ़ों की परिपक्वता के आधार पर आयु अनुमान की सटीकता और 18 साल की सीमा का अनुमान।प्लस वन 17, ई0271247 (2022)।
किम, जेवाई, एट अल।प्रीऑपरेटिव मशीन लर्निंग-आधारित डेटा विश्लेषण ओएसए वाले रोगियों में नींद की सर्जरी के उपचार के परिणाम की भविष्यवाणी कर सकता है।विज्ञान।रिपोर्ट 11, 14911 (2021)।
हान, एम. एट अल.मानवीय हस्तक्षेप के साथ या उसके बिना मशीन लर्निंग से सटीक आयु का अनुमान?अंतर्राष्ट्रीयता.जे. कानूनी चिकित्सा.136, 821-831 (2022)।
खान, एस. और शाहीन, एम. डेटा माइनिंग से डेटा माइनिंग तक।जे.सूचना.विज्ञान।https://doi.org/10.1177/01655515211030872 (2021)।
खान, एस. और शाहीन, एम. विज़रूल: एसोसिएशन रूल माइनिंग के लिए पहला संज्ञानात्मक एल्गोरिदम।जे.सूचना.विज्ञान।https://doi.org/10.1177/01655515221108695 (2022)।
शाहीन एम. और अब्दुल्ला यू. कर्म: संदर्भ-आधारित एसोसिएशन नियमों पर आधारित पारंपरिक डेटा खनन।गणना करें।मैट.जारी रखना।68, 3305-3322 (2021)।
मुहम्मद एम., रहमान ज़ेड., शाहीन एम., खान एम. और हबीब एम. टेक्स्ट डेटा का उपयोग करके गहन शिक्षण आधारित सिमेंटिक समानता का पता लगाना।सूचित करना।प्रौद्योगिकियाँ।नियंत्रण।https://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
ताबिश, एम., तनोली, जेड., और शाहीन, एम. खेल वीडियो में गतिविधि को पहचानने के लिए एक प्रणाली।मल्टीमीडिया.उपकरण अनुप्रयोग https://doi.org/10.1007/s11042-021-10519-6 (2021)।
हलाबी, एसएस एट अल।बाल चिकित्सा अस्थि आयु में आरएसएनए मशीन लर्निंग चुनौती।रेडियोलॉजी 290, 498-503 (2019)।
ली, वाई. एट अल.गहन शिक्षण का उपयोग करके पेल्विक एक्स-रे से फोरेंसिक आयु का अनुमान।यूरो.विकिरण.29, 2322-2329 (2019)।
गुओ, वाईसी, एट अल।ऑर्थोग्राफ़िक प्रक्षेपण छवियों से मैन्युअल तरीकों और गहरे दृढ़ तंत्रिका नेटवर्क का उपयोग करके सटीक आयु वर्गीकरण।अंतर्राष्ट्रीयता.जे. कानूनी चिकित्सा.135, 1589-1597 (2021)।
अलबामा दलोरा एट अल।विभिन्न मशीन लर्निंग विधियों का उपयोग करके अस्थि आयु का अनुमान: एक व्यवस्थित साहित्य समीक्षा और मेटा-विश्लेषण।प्लस वन 14, e0220242 (2019)।
डू, एच., ली, जी., चेंग, के., और यांग, जे. कोन-बीम कंप्यूटेड टोमोग्राफी का उपयोग करके पहले दाढ़ों के लुगदी कक्ष मात्रा के आधार पर अफ्रीकी अमेरिकियों और चीनी की जनसंख्या-विशिष्ट आयु अनुमान।अंतर्राष्ट्रीयता.जे. कानूनी चिकित्सा.136, 811-819 (2022)।
किम एस., ली वाईएच, नोह वाईके, पार्क एफके और ओह केएस पहले दाढ़ों की कृत्रिम बुद्धि-आधारित छवियों का उपयोग करके जीवित लोगों के आयु समूहों का निर्धारण करते हैं।विज्ञान।रिपोर्ट 11, 1073 (2021)।
स्टर्न, डी., पेअर, सी., गिउलियानी, एन., और उर्सक्लर, एम. मल्टीवेरिएट एमआरआई डेटा से स्वचालित आयु अनुमान और बहुमत आयु वर्गीकरण।आईईईई जे बायोमेड।स्वास्थ्य अलर्ट.23, 1392-1403 (2019)।
चेंग, क्यू., जीई, जेड., डु, एच. और ली, जी. गहन शिक्षण और स्तर सेटों को एकीकृत करके शंकु बीम कंप्यूटेड टोमोग्राफी से पहले दाढ़ों के 3डी पल्प चैम्बर विभाजन पर आधारित आयु का अनुमान।अंतर्राष्ट्रीयता.जे. कानूनी चिकित्सा.135, 365-373 (2021)।
वू, डब्ल्यूटी, एट अल।क्लिनिकल बिग डेटा में डेटा माइनिंग: सामान्य डेटाबेस, चरण और तरीके मॉडल।दुनिया।दवा।संसाधन।8, 44 (2021)।
यांग, जे. एट अल.बिग डेटा युग में मेडिकल डेटाबेस और डेटा माइनिंग टेक्नोलॉजीज का परिचय।जे. शौकीन.मूल चिकित्सा.13, 57-69 (2020)।
शेन, एस. एट अल.मशीन लर्निंग का उपयोग करके दांत की उम्र का अनुमान लगाने के लिए कैमरर की विधि।बीएमसी ओरल हेल्थ 21, 641 (2021)।
गैलिबर्ग ए. एट अल.डेमर्डजियन स्टेजिंग विधि का उपयोग करके दंत आयु की भविष्यवाणी के लिए विभिन्न मशीन सीखने के तरीकों की तुलना।अंतर्राष्ट्रीयता.जे. कानूनी चिकित्सा.135, 665-675 (2021)।
डेमिरजियन, ए., गोल्डस्टीन, एच. और टान्नर, जेएम दंत आयु का आकलन करने के लिए एक नई प्रणाली।फक-फक करना।जीव विज्ञान.45, 211-227 (1973)।
लैंडिस, जेआर, और कोच, जीजी श्रेणीबद्ध डेटा पर पर्यवेक्षक समझौते के उपाय।बायोमेट्रिक्स 33, 159-174 (1977)।
भट्टाचार्जी एस, प्रकाश डी, किम सी, किम एचके और चोई एचके।प्राथमिक मस्तिष्क ट्यूमर के विभेदन के लिए कृत्रिम बुद्धिमत्ता तकनीकों का उपयोग करके द्वि-आयामी चुंबकीय अनुनाद इमेजिंग का बनावट, रूपात्मक और सांख्यिकीय विश्लेषण।स्वास्थ्य जानकारी।संसाधन।https://doi.org/10.4258/हिर.2022.28.1.46 (2022)।