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

Nature.com पर आने के लिए धन्यवाद। आपके ब्राउज़र के संस्करण में CSS का सीमित समर्थन है। बेहतर परिणामों के लिए, हम आपको ब्राउज़र का नया संस्करण उपयोग करने (या इंटरनेट एक्सप्लोरर में संगतता मोड बंद करने) की सलाह देते हैं। फिलहाल, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को बिना स्टाइलिंग या जावास्क्रिप्ट के प्रदर्शित कर रहे हैं।
दांतों को मानव शरीर की आयु का सबसे सटीक संकेतक माना जाता है और इनका उपयोग अक्सर फोरेंसिक आयु निर्धारण में किया जाता है। हमारा उद्देश्य डेटा माइनिंग आधारित दंत आयु अनुमानों को मान्य करना था, जिसके लिए हमने 18 वर्ष की आयु सीमा की अनुमान सटीकता और वर्गीकरण प्रदर्शन की तुलना पारंपरिक विधियों और डेटा माइनिंग आधारित आयु अनुमानों से की। 15 से 23 वर्ष की आयु के कोरियाई और जापानी नागरिकों से कुल 2657 पैनोरैमिक रेडियोग्राफ एकत्र किए गए। इन्हें दो समूहों में विभाजित किया गया: एक प्रशिक्षण समूह, जिसमें 900 कोरियाई रेडियोग्राफ थे, और एक आंतरिक परीक्षण समूह, जिसमें 857 जापानी रेडियोग्राफ थे। हमने डेटा माइनिंग मॉडल के परीक्षण समूहों के साथ पारंपरिक विधियों की वर्गीकरण सटीकता और दक्षता की तुलना की। आंतरिक परीक्षण समूह पर पारंपरिक विधि की सटीकता डेटा माइनिंग मॉडल की तुलना में थोड़ी अधिक है, और अंतर बहुत कम है (औसत निरपेक्ष त्रुटि <0.21 वर्ष, मूल माध्य वर्ग त्रुटि <0.24 वर्ष)। 18 वर्ष की आयु सीमा के लिए वर्गीकरण प्रदर्शन भी पारंपरिक विधियों और डेटा माइनिंग मॉडल के बीच समान है। इस प्रकार, कोरियाई किशोरों और युवा वयस्कों में दूसरे और तीसरे दाढ़ के विकास का उपयोग करके फोरेंसिक आयु निर्धारण करते समय पारंपरिक तरीकों को डेटा माइनिंग मॉडल से प्रतिस्थापित किया जा सकता है।
दंत आयु निर्धारण का उपयोग फोरेंसिक चिकित्सा और बाल दंत चिकित्सा में व्यापक रूप से 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 निर्धारित करने का एक महत्वपूर्ण मानदंड है।1,2,3 हालांकि, युवा लोगों के लिए, दंत परिपक्वता के आधार पर दंत आयु का अनुमान लगाने की अपनी सीमाएं हैं क्योंकि तीसरे दाढ़ को छोड़कर, दंत विकास लगभग पूर्ण हो चुका होता है। युवा लोगों और किशोरों की आयु निर्धारित करने का कानूनी उद्देश्य यह सटीक अनुमान और वैज्ञानिक प्रमाण प्रदान करना है कि क्या वे वयस्कता की आयु तक पहुँच चुके हैं। कोरिया में किशोरों और युवा वयस्कों के चिकित्सा-कानूनी अभ्यास में, ली की विधि का उपयोग करके आयु का अनुमान लगाया गया था, और ओह एट अल 5 द्वारा रिपोर्ट किए गए आंकड़ों के आधार पर 18 वर्ष की कानूनी सीमा का अनुमान लगाया गया था।
मशीन लर्निंग एक प्रकार की कृत्रिम बुद्धिमत्ता (एआई) है जो बार-बार बड़ी मात्रा में डेटा सीखती और वर्गीकृत करती है, समस्याओं को स्वयं हल करती है और डेटा प्रोग्रामिंग को संचालित करती है। मशीन लर्निंग बड़ी मात्रा में डेटा में उपयोगी छिपे हुए पैटर्न का पता लगा सकती है।6 इसके विपरीत, पारंपरिक विधियाँ, जो श्रम-प्रधान और समय लेने वाली होती हैं, जटिल डेटा की बड़ी मात्रा से निपटने में सीमित हो सकती हैं जिन्हें मैन्युअल रूप से संसाधित करना कठिन होता है।7 इसलिए, मानवीय त्रुटियों को कम करने और बहुआयामी डेटा को कुशलतापूर्वक संसाधित करने के लिए नवीनतम कंप्यूटर तकनीकों का उपयोग करते हुए हाल ही में कई अध्ययन किए गए हैं।8,9,10,11,12 विशेष रूप से, डीप लर्निंग का व्यापक रूप से चिकित्सा छवि विश्लेषण में उपयोग किया गया है, और रेडियोग्राफ का स्वचालित रूप से विश्लेषण करके आयु अनुमान के लिए विभिन्न विधियों ने आयु अनुमान की सटीकता और दक्षता में सुधार करने की सूचना दी है।13,14,15,16,17,18,19,20 उदाहरण के लिए, हलाबी एट अल 13 ने बच्चों के हाथों के रेडियोग्राफ का उपयोग करके कंकाल आयु का अनुमान लगाने के लिए कनवोल्यूशनल न्यूरल नेटवर्क (सीएनएन) पर आधारित एक मशीन लर्निंग एल्गोरिदम विकसित किया। इस अध्ययन में एक ऐसा मॉडल प्रस्तावित किया गया है जो चिकित्सा छवियों पर मशीन लर्निंग लागू करता है और दर्शाता है कि ये विधियाँ नैदानिक ​​सटीकता में सुधार कर सकती हैं। ली एट अल14 ने डीप लर्निंग सीएनएन का उपयोग करके श्रोणि एक्स-रे छवियों से आयु का अनुमान लगाया और अस्थि निर्माण चरण अनुमान का उपयोग करके प्रतिगमन परिणामों के साथ उनकी तुलना की। उन्होंने पाया कि डीप लर्निंग सीएनएन मॉडल ने पारंपरिक प्रतिगमन मॉडल के समान आयु अनुमान प्रदर्शन दिखाया। गुओ एट अल के अध्ययन [15] ने दंत ऑर्थोफ़ोटो के आधार पर सीएनएन तकनीक के आयु सहिष्णुता वर्गीकरण प्रदर्शन का मूल्यांकन किया, और सीएनएन मॉडल के परिणामों ने साबित किया कि मनुष्यों ने इसके आयु वर्गीकरण प्रदर्शन से बेहतर प्रदर्शन किया।
मशीन लर्निंग का उपयोग करके आयु निर्धारण पर किए गए अधिकांश अध्ययनों में डीप लर्निंग विधियों का प्रयोग किया गया है13,14,15,16,17,18,19,20। डीप लर्निंग पर आधारित आयु निर्धारण को पारंपरिक विधियों की तुलना में अधिक सटीक बताया गया है। हालांकि, इस दृष्टिकोण में आयु निर्धारण के वैज्ञानिक आधार, जैसे कि निर्धारण में उपयोग किए गए आयु संकेतक, को प्रस्तुत करने का अवसर कम है। निरीक्षण कौन करेगा, इस पर भी कानूनी विवाद है। इसलिए, डीप लर्निंग पर आधारित आयु निर्धारण को प्रशासनिक और न्यायिक अधिकारियों द्वारा स्वीकार करना कठिन है। डेटा माइनिंग (डीएम) एक ऐसी तकनीक है जो बड़ी मात्रा में डेटा के बीच उपयोगी सहसंबंधों को खोजने की विधि के रूप में न केवल अपेक्षित बल्कि अनपेक्षित जानकारी भी खोज सकती है6,21,22। डेटा माइनिंग में अक्सर मशीन लर्निंग का उपयोग किया जाता है, और डेटा माइनिंग और मशीन लर्निंग दोनों ही डेटा में पैटर्न खोजने के लिए समान मुख्य एल्गोरिदम का उपयोग करते हैं। दंत विकास का उपयोग करके आयु निर्धारण परीक्षक द्वारा लक्षित दांतों की परिपक्वता के आकलन पर आधारित है, और यह आकलन प्रत्येक लक्षित दांत के लिए एक चरण के रूप में व्यक्त किया जाता है। डेंटल असेसमेंट स्टेज और वास्तविक आयु के बीच सहसंबंध का विश्लेषण करने के लिए DM का उपयोग किया जा सकता है और इसमें पारंपरिक सांख्यिकीय विश्लेषण को प्रतिस्थापित करने की क्षमता है। इसलिए, यदि हम आयु निर्धारण में DM तकनीकों का उपयोग करते हैं, तो हम कानूनी दायित्व की चिंता किए बिना फोरेंसिक आयु निर्धारण में मशीन लर्निंग को लागू कर सकते हैं। फोरेंसिक अभ्यास में उपयोग की जाने वाली पारंपरिक मैनुअल विधियों और डेंटल आयु निर्धारण के लिए EBM-आधारित विधियों के संभावित विकल्पों पर कई तुलनात्मक अध्ययन प्रकाशित किए गए हैं। शेन एट अल23 ने दिखाया कि DM मॉडल पारंपरिक कैमरर सूत्र की तुलना में अधिक सटीक है। गैलिबोर्ग एट अल24 ने डेमिरडिजियन मानदंड25 के अनुसार आयु का अनुमान लगाने के लिए विभिन्न DM विधियों का प्रयोग किया और परिणामों से पता चला कि फ्रांसीसी आबादी की आयु का अनुमान लगाने में DM विधि डेमिरडिजियन और विलेम्स विधियों से बेहतर प्रदर्शन करती है।
कोरियाई किशोरों और युवा वयस्कों की दंत आयु का अनुमान लगाने के लिए, कोरियाई फोरेंसिक अभ्यास में ली की विधि 4 का व्यापक रूप से उपयोग किया जाता है। यह विधि कोरियाई व्यक्तियों और उनकी वास्तविक आयु के बीच संबंध की जांच करने के लिए पारंपरिक सांख्यिकीय विश्लेषण (जैसे बहु प्रतिगमन) का उपयोग करती है। इस अध्ययन में, पारंपरिक सांख्यिकीय विधियों का उपयोग करके प्राप्त आयु अनुमान विधियों को "पारंपरिक विधियाँ" के रूप में परिभाषित किया गया है। ली की विधि एक पारंपरिक विधि है, और इसकी सटीकता की पुष्टि ओह एट अल. 5 द्वारा की गई है; हालाँकि, कोरियाई फोरेंसिक अभ्यास में डीएम मॉडल पर आधारित आयु अनुमान की प्रयोज्यता अभी भी संदिग्ध है। हमारा लक्ष्य डीएम मॉडल पर आधारित आयु अनुमान की संभावित उपयोगिता को वैज्ञानिक रूप से मान्य करना था। इस अध्ययन का उद्देश्य (1) दंत आयु का अनुमान लगाने में दो डीएम मॉडलों की सटीकता की तुलना करना और (2) 18 वर्ष की आयु में 7 डीएम मॉडलों के वर्गीकरण प्रदर्शन की तुलना पारंपरिक सांख्यिकीय विधियों का उपयोग करके प्राप्त परिणामों से करना था।
विभिन्न चरणों और दांतों के प्रकार के अनुसार कालानुक्रमिक आयु के माध्य और मानक विचलन अनुपूरक तालिका S1 (प्रशिक्षण सेट), अनुपूरक तालिका S2 (आंतरिक परीक्षण सेट) और अनुपूरक तालिका S3 (बाह्य परीक्षण सेट) में ऑनलाइन दिखाए गए हैं। प्रशिक्षण सेट से प्राप्त अंतरा-पर्यवेक्षक और अंतर-पर्यवेक्षक विश्वसनीयता के लिए कप्पा मान क्रमशः 0.951 और 0.947 थे। कप्पा मानों के लिए P मान और 95% विश्वास अंतराल अनुपूरक तालिका S4 में ऑनलाइन दिखाए गए हैं। कप्पा मान को "लगभग पूर्ण" माना गया, जो लैंडिस और कोच26 के मानदंडों के अनुरूप है।
औसत निरपेक्ष त्रुटि (MAE) की तुलना करने पर, पारंपरिक विधि सभी लिंगों के लिए और बाहरी पुरुष परीक्षण सेट में DM मॉडल से थोड़ा बेहतर प्रदर्शन करती है, मल्टीलेयर परसेप्ट्रॉन (MLP) को छोड़कर। आंतरिक MAE परीक्षण सेट पर पारंपरिक मॉडल और DM 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 कम हैं (पुरुषों के लिए 0.001–0.05 वर्ष और महिलाओं के लिए 0.05–0.09 वर्ष)। इसके अतिरिक्त, रूट मीन स्क्वायर त्रुटि (RMSE) पारंपरिक विधि की तुलना में थोड़ी कम है, जिसमें अंतर कम 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)। MLP, सिंगल लेयर परसेप्ट्रॉन (SLP) की तुलना में थोड़ा बेहतर प्रदर्शन करती है, सिवाय महिला बाहरी परीक्षण सेट के मामले में। MAE और RMSE के लिए, सभी लिंगों और मॉडलों के लिए बाह्य परीक्षण सेट का स्कोर आंतरिक परीक्षण सेट से अधिक है। सभी MAE और RMSE तालिका 1 और चित्र 1 में दर्शाए गए हैं।
परंपरागत और डेटा माइनिंग रिग्रेशन मॉडल के MAE और RMSE। माध्य निरपेक्ष त्रुटि (MAE), मूल माध्य वर्ग त्रुटि (RMSE), एकल परत परसेप्ट्रॉन (SLP), बहुपरत परसेप्ट्रॉन (MLP), परंपरागत CM विधि।
पारंपरिक और DM मॉडल के वर्गीकरण प्रदर्शन (18 वर्ष की कटऑफ के साथ) को संवेदनशीलता, विशिष्टता, सकारात्मक पूर्वानुमान मान (PPV), नकारात्मक पूर्वानुमान मान (NPV) और रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (AUROC) के अंतर्गत क्षेत्र के संदर्भ में प्रदर्शित किया गया (तालिका 2, चित्र 2 और ऑनलाइन पूरक चित्र 1)। आंतरिक परीक्षण बैटरी की संवेदनशीलता के संदर्भ में, पारंपरिक विधियों ने पुरुषों में सर्वश्रेष्ठ और महिलाओं में सबसे खराब प्रदर्शन किया। हालांकि, पारंपरिक विधियों और SD के बीच वर्गीकरण प्रदर्शन में अंतर पुरुषों (MLP) के लिए 9.7% और महिलाओं (XGBoost) के लिए केवल 2.4% है। DM मॉडल में, लॉजिस्टिक रिग्रेशन (LR) ने दोनों लिंगों में बेहतर संवेदनशीलता दिखाई। आंतरिक परीक्षण सेट की विशिष्टता के संबंध में, यह देखा गया कि चार SD 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% (MLP) और 13.1% (MLP) है, जो दर्शाता है कि मॉडलों के बीच वर्गीकरण प्रदर्शन में अंतर संवेदनशीलता से अधिक है। DM मॉडल में, सपोर्ट वेक्टर मशीन (SVM), डिसीजन ट्री (DT) और रैंडम फॉरेस्ट (RF) मॉडल ने पुरुषों में सर्वश्रेष्ठ प्रदर्शन किया, जबकि LR मॉडल ने महिलाओं में सर्वश्रेष्ठ प्रदर्शन किया। पारंपरिक मॉडल और सभी SD मॉडल का AUROC 0.925 से अधिक था (पुरुषों में k-निकटतम पड़ोसी (KNN)), जो 18 वर्ष के नमूनों को अलग करने में उत्कृष्ट वर्गीकरण प्रदर्शन दर्शाता है।28 बाहरी परीक्षण सेट के लिए, आंतरिक परीक्षण सेट की तुलना में संवेदनशीलता, विशिष्टता और AUROC के संदर्भ में वर्गीकरण प्रदर्शन में कमी आई। इसके अलावा, सर्वश्रेष्ठ और सबसे खराब मॉडल के वर्गीकरण प्रदर्शन के बीच संवेदनशीलता और विशिष्टता का अंतर 10% से 25% तक था और यह आंतरिक परीक्षण सेट के अंतर से अधिक था।
18 वर्ष की आयु सीमा के साथ पारंपरिक विधियों की तुलना में डेटा माइनिंग वर्गीकरण मॉडल की संवेदनशीलता और विशिष्टता। KNN (k-निकटतम पड़ोसी), SVM (समर्थन सदिश मशीन), LR (लॉजिस्टिक रिग्रेशन), DT (निर्णय वृक्ष), RF (यादृच्छिक वन), XGB (XGBoost), MLP (बहुस्तरीय परसेप्ट्रॉन), और पारंपरिक CM विधि।
इस अध्ययन का पहला चरण सात DM मॉडलों से प्राप्त दंत आयु अनुमानों की सटीकता की तुलना पारंपरिक प्रतिगमन विधि से प्राप्त अनुमानों से करना था। दोनों लिंगों के लिए आंतरिक परीक्षण सेटों में MAE और RMSE का मूल्यांकन किया गया, और पारंपरिक विधि और DM मॉडल के बीच MAE का अंतर 44 से 77 दिन और RMSE का अंतर 62 से 88 दिन था। यद्यपि इस अध्ययन में पारंपरिक विधि थोड़ी अधिक सटीक थी, यह निष्कर्ष निकालना कठिन है कि इतने छोटे अंतर का नैदानिक ​​या व्यावहारिक महत्व है या नहीं। ये परिणाम दर्शाते हैं कि DM मॉडल का उपयोग करके दंत आयु अनुमान की सटीकता पारंपरिक विधि के लगभग समान है। पिछले अध्ययनों के परिणामों के साथ सीधी तुलना करना कठिन है क्योंकि किसी भी अध्ययन ने इस अध्ययन के समान आयु वर्ग में दांतों को रिकॉर्ड करने की समान तकनीक का उपयोग करके DM मॉडलों की सटीकता की तुलना पारंपरिक सांख्यिकीय विधियों से नहीं की है। गैलिबोर्ग एट अल24 ने 2 से 24 वर्ष की आयु वर्ग की फ्रांसीसी आबादी में दो पारंपरिक विधियों (डेमिरजियन विधि25 और विलेम्स विधि29) और 10 DM मॉडलों के बीच MAE और RMSE की तुलना की। उन्होंने बताया कि सभी डीएम मॉडल पारंपरिक विधियों की तुलना में अधिक सटीक थे, जिनमें विलेम्स और डेमिरडिजियन विधियों की तुलना में एमएई में 0.20 और 0.38 वर्ष तथा आरएमएसई में 0.25 और 0.47 वर्ष का अंतर था। हैलिबर्ग अध्ययन में एसडी मॉडल और पारंपरिक विधियों के बीच दिखाई गई विसंगति कई रिपोर्टों30,31,32,33 को ध्यान में रखती है कि डेमिरडिजियन विधि फ्रांसीसी कनाडाई लोगों के अलावा अन्य आबादी में दंत आयु का सटीक अनुमान नहीं लगाती है, जिस पर यह अध्ययन आधारित था। इस अध्ययन में, ताई एट अल 34 ने 1636 चीनी ऑर्थोडॉन्टिक तस्वीरों से दांतों की आयु का अनुमान लगाने के लिए एमएलपी एल्गोरिदम का उपयोग किया और इसकी सटीकता की तुलना डेमिरडिजियन और विलेम्स विधि के परिणामों से की। उन्होंने बताया कि एमएलपी की सटीकता पारंपरिक विधियों की तुलना में अधिक है। डेमिरडिजियन विधि और पारंपरिक विधि के बीच का अंतर <0.32 वर्ष है, जबकि विलेम्स विधि का अंतर 0.28 वर्ष है, जो वर्तमान अध्ययन के परिणामों के समान है। पिछले अध्ययनों24,34 के परिणाम भी वर्तमान अध्ययन के परिणामों के अनुरूप हैं, और डीएम मॉडल तथा पारंपरिक विधि की आयु अनुमान सटीकता समान है। हालांकि, प्रस्तुत परिणामों के आधार पर, तुलनात्मक और संदर्भ संबंधी पिछले अध्ययनों की कमी के कारण, हम सावधानीपूर्वक ही यह निष्कर्ष निकाल सकते हैं कि आयु अनुमान हेतु डीएम मॉडल का उपयोग मौजूदा विधियों का स्थान ले सकता है। इस अध्ययन में प्राप्त परिणामों की पुष्टि के लिए बड़े नमूनों का उपयोग करके अनुवर्ती अध्ययनों 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। स्टेपनोव्स्की एट अल 35 ने 2.7 से 20.5 वर्ष की आयु के 976 चेक निवासियों के पैनोरैमिक रेडियोग्राफ पर 22 एसडी मॉडल लागू किए और प्रत्येक मॉडल की सटीकता का परीक्षण किया। उन्होंने मूर्रीज़ 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 और आरएमएसई 0.85 से 1.27 वर्ष तक है, जो इस अध्ययन में उपयोग किए गए दो डीएम मॉडलों 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 कैमरिएरे विधि का उपयोग किया और इसकी तुलना रैखिक प्रतिगमन, एसवीएम और आरएफ का उपयोग करके अनुमानित आयु से की। उन्होंने दिखाया कि तीनों डीएम मॉडल पारंपरिक कैमरिएरे सूत्र की तुलना में अधिक सटीक हैं। शेन के अध्ययन में एमएई और आरएमएसई इस अध्ययन में डीएम मॉडल की तुलना में कम थे। स्टेपनोव्स्की एट अल. 35 और शेन एट अल. 23 के अध्ययनों की बढ़ी हुई सटीकता उनके अध्ययन नमूनों में कम उम्र के विषयों को शामिल करने के कारण हो सकती है। चूंकि दांतों के विकास के दौरान दांतों की संख्या बढ़ने के साथ-साथ विकसित हो रहे दांतों वाले प्रतिभागियों के लिए आयु अनुमान अधिक सटीक हो जाते हैं, इसलिए अध्ययन प्रतिभागियों के कम उम्र होने पर परिणामी आयु अनुमान विधि की सटीकता प्रभावित हो सकती है। इसके अतिरिक्त, आयु अनुमान में एमएलपी की त्रुटि एसएलपी की तुलना में थोड़ी कम है, जिसका अर्थ है कि एमएलपी एसएलपी से अधिक सटीक है। एमएलपी को आयु अनुमान के लिए थोड़ा बेहतर माना जाता है, संभवतः एमएलपी38 में छिपी परतों के कारण। हालांकि, महिलाओं के बाहरी नमूने के लिए एक अपवाद है (एसएलपी 1.45, एमएलपी 1.49)। यह निष्कर्ष कि आयु का आकलन करने में एमएलपी एसएलपी से अधिक सटीक है, इसके लिए अतिरिक्त पूर्वव्यापी अध्ययनों की आवश्यकता है।
18 वर्ष की आयु सीमा पर डीएम मॉडल और पारंपरिक विधि के वर्गीकरण प्रदर्शन की भी तुलना की गई। आंतरिक परीक्षण सेट पर परीक्षण किए गए सभी एसडी मॉडल और पारंपरिक विधियों ने 18 वर्ष के नमूने के लिए व्यावहारिक रूप से स्वीकार्य स्तर का भेदभाव दिखाया। पुरुषों और महिलाओं के लिए संवेदनशीलता क्रमशः 87.7% और 94.9% से अधिक थी, और विशिष्टता क्रमशः 89.3% और 84.7% से अधिक थी। सभी परीक्षण किए गए मॉडलों का AUROC भी 0.925 से अधिक है। हमारी जानकारी के अनुसार, किसी भी अध्ययन ने दंत परिपक्वता के आधार पर 18 वर्ष के वर्गीकरण के लिए डीएम मॉडल के प्रदर्शन का परीक्षण नहीं किया है। हम इस अध्ययन के परिणामों की तुलना पैनोरैमिक रेडियोग्राफ पर डीप लर्निंग मॉडल के वर्गीकरण प्रदर्शन से कर सकते हैं। गुओ एट अल.15 ने एक निश्चित आयु सीमा के लिए सीएनएन-आधारित डीप लर्निंग मॉडल और डेमिरजियन 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, जबकि CNN मॉडल की संवेदनशीलता और विशिष्टता क्रमशः 89.2% और 86.6% से अधिक थी। उन्होंने निष्कर्ष निकाला कि आयु सीमा के वर्गीकरण में डीप लर्निंग मॉडल मैनुअल मूल्यांकन की जगह ले सकते हैं या उससे बेहतर प्रदर्शन कर सकते हैं। इस अध्ययन के परिणामों ने समान वर्गीकरण प्रदर्शन दिखाया; यह माना जाता है कि DM मॉडल का उपयोग करके वर्गीकरण आयु अनुमान के लिए पारंपरिक सांख्यिकीय विधियों का स्थान ले सकता है। मॉडलों में, पुरुष नमूने के लिए संवेदनशीलता और महिला नमूने के लिए संवेदनशीलता और विशिष्टता के मामले में DM LR सर्वश्रेष्ठ मॉडल था। पुरुषों के लिए विशिष्टता में LR दूसरे स्थान पर है। इसके अलावा, LR को अधिक उपयोगकर्ता-अनुकूल DM35 मॉडलों में से एक माना जाता है और यह कम जटिल और संसाधित करने में आसान है। इन परिणामों के आधार पर, कोरियाई आबादी में 18 वर्ष के युवाओं के लिए LR को सर्वश्रेष्ठ कटऑफ वर्गीकरण मॉडल माना गया।
कुल मिलाकर, बाह्य 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 जनसंख्या पर आधारित आयु अनुमानों को जापानी जनसंख्या पर लागू किया जाता है तो वर्गीकरण सटीकता या दक्षता कम हो जाती है5,39, और वर्तमान अध्ययन में भी ऐसा ही पैटर्न पाया गया। यह गिरावट का रुझान डीएम मॉडल में भी देखा गया। इसलिए, आयु का सटीक अनुमान लगाने के लिए, विश्लेषण प्रक्रिया में डीएम का उपयोग करते समय भी, देशी जनसंख्या डेटा से प्राप्त विधियों, जैसे कि पारंपरिक विधियों को प्राथमिकता दी जानी चाहिए5,39,40,41,42। चूंकि यह स्पष्ट नहीं है कि डीप लर्निंग मॉडल समान रुझान दिखा सकते हैं या नहीं, इसलिए सीमित आयु आकलन में कृत्रिम बुद्धिमत्ता इन नस्लीय असमानताओं को दूर कर सकती है या नहीं, इसकी पुष्टि करने के लिए समान नमूनों पर पारंपरिक विधियों, डीएम मॉडल और डीप लर्निंग मॉडल का उपयोग करके वर्गीकरण सटीकता और दक्षता की तुलना करने वाले अध्ययनों की आवश्यकता है।
हम यह प्रदर्शित करते हैं कि कोरिया में फोरेंसिक आयु निर्धारण में पारंपरिक विधियों को डीएम मॉडल पर आधारित आयु अनुमान विधि से प्रतिस्थापित किया जा सकता है। हमने फोरेंसिक आयु आकलन के लिए मशीन लर्निंग के उपयोग की संभावना भी खोजी है। हालांकि, कुछ स्पष्ट सीमाएं 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 पूर्व अध्ययनों का अभाव। भविष्य में, पारंपरिक विधियों की तुलना में इसकी व्यावहारिक प्रयोज्यता में सुधार के लिए, डीएम अध्ययन अधिक संख्या में नमूनों और अधिक विविध आबादी के साथ किए जाने चाहिए। विभिन्न आबादी में आयु का अनुमान लगाने के लिए कृत्रिम बुद्धिमत्ता के उपयोग की व्यवहार्यता को प्रमाणित करने के लिए, भविष्य के अध्ययनों में समान नमूनों में डीएम और डीप लर्निंग मॉडल की वर्गीकरण सटीकता और दक्षता की तुलना पारंपरिक विधियों से करने की आवश्यकता है।
इस अध्ययन में 15 से 23 वर्ष की आयु के कोरियाई और जापानी वयस्कों से एकत्रित 2,657 ऑर्थोग्राफिक तस्वीरों का उपयोग किया गया। कोरियाई रेडियोग्राफ को 900 प्रशिक्षण सेट (19.42 ± 2.65 वर्ष) और 900 आंतरिक परीक्षण सेट (19.52 ± 2.59 वर्ष) में विभाजित किया गया। प्रशिक्षण सेट एक संस्थान (सियोल सेंट मैरी अस्पताल) से एकत्रित किया गया था, और आंतरिक परीक्षण सेट दो संस्थानों (सियोल राष्ट्रीय विश्वविद्यालय दंत अस्पताल और योनसेई विश्वविद्यालय दंत अस्पताल) से एकत्रित किया गया था। हमने बाहरी परीक्षण के लिए एक अन्य जनसंख्या-आधारित डेटा (इवाते मेडिकल यूनिवर्सिटी, जापान) से 857 रेडियोग्राफ भी एकत्रित किए। जापानी विषयों (19.31 ± 2.60 वर्ष) के रेडियोग्राफ को बाहरी परीक्षण सेट के रूप में चुना गया। दंत चिकित्सा उपचार के दौरान लिए गए पैनोरैमिक रेडियोग्राफ पर दंत विकास के चरणों का विश्लेषण करने के लिए डेटा पूर्वव्यापी रूप से एकत्रित किया गया था। लिंग, जन्म तिथि और रेडियोग्राफ की तिथि को छोड़कर एकत्रित किया गया सभी डेटा गुमनाम था। समावेशन और अपवर्जन मानदंड पहले प्रकाशित अध्ययनों 4, 5 के समान थे। नमूने की वास्तविक आयु रेडियोग्राफ लेने की तिथि से जन्म तिथि को घटाकर निकाली गई। नमूना समूह को नौ आयु समूहों में विभाजित किया गया था। आयु और लिंग वितरण तालिका 3 में दर्शाए गए हैं। यह अध्ययन हेलसिंकी 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 स्वरूप के कारण, चिकित्सीय उद्देश्यों के लिए रेडियोग्राफिक जांच से गुजरने वाले सभी रोगियों से सूचित सहमति प्राप्त नहीं की जा सकी। सियोल कोरिया विश्वविद्यालय सेंट मैरी अस्पताल (आईआरबी) ने सूचित सहमति की आवश्यकता को माफ कर दिया।
डेमिरकन मानदंड²⁵ के अनुसार द्विमस्तिष्क द्वितीय और तृतीय दाढ़ों के विकासात्मक चरणों का आकलन किया गया। यदि प्रत्येक जबड़े के बाएँ और दाएँ दोनों ओर एक ही प्रकार का दाँत पाया गया, तो केवल एक दाँत का चयन किया गया। यदि दोनों ओर समरूप दाँत विकासात्मक चरणों में भिन्न थे, तो अनुमानित आयु में अनिश्चितता को ध्यान में रखते हुए, कम विकासात्मक चरण वाले दाँत का चयन किया गया। दंत परिपक्वता चरण निर्धारित करने के लिए पूर्व-कैलिब्रेशन के बाद, प्रशिक्षण सेट से यादृच्छिक रूप से चयनित सौ रेडियोग्राफों का दो अनुभवी पर्यवेक्षकों द्वारा अंतर-पर्यवेक्षक विश्वसनीयता का परीक्षण करने के लिए स्कोर किया गया। प्राथमिक पर्यवेक्षक द्वारा तीन-तीन महीने के अंतराल पर दो बार अंतर-पर्यवेक्षक विश्वसनीयता का आकलन किया गया।
प्रशिक्षण सेट में प्रत्येक जबड़े के दूसरे और तीसरे दाढ़ के लिंग और विकासात्मक अवस्था का अनुमान विभिन्न डीएम मॉडल से प्रशिक्षित प्राथमिक पर्यवेक्षक द्वारा लगाया गया था, और वास्तविक आयु को लक्ष्य मान के रूप में निर्धारित किया गया था। मशीन लर्निंग में व्यापक रूप से उपयोग किए जाने वाले एसएलपी और एमएलपी मॉडल का परीक्षण प्रतिगमन एल्गोरिदम के विरुद्ध किया गया। डीएम मॉडल चारों दांतों की विकासात्मक अवस्थाओं का उपयोग करके रैखिक कार्यों को संयोजित करता है और आयु का अनुमान लगाने के लिए इन आंकड़ों को मिलाता है। एसएलपी सबसे सरल न्यूरल नेटवर्क है और इसमें कोई छिपी हुई परतें नहीं होती हैं। एसएलपी नोड्स के बीच थ्रेशोल्ड संचरण के आधार पर कार्य करता है। प्रतिगमन में एसएलपी मॉडल गणितीय रूप से बहु रैखिक प्रतिगमन के समान है। एसएलपी मॉडल के विपरीत, एमएलपी मॉडल में अरैखिक सक्रियण कार्यों के साथ कई छिपी हुई परतें होती हैं। हमारे प्रयोगों में अरैखिक सक्रियण कार्यों के साथ केवल 20 छिपे हुए नोड्स वाली 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 किया गया। प्राप्त सर्वोत्तम प्रतिगमन मॉडल को आंतरिक और बाहरी परीक्षण सेटों पर लागू किया गया और दांतों की आयु का अनुमान लगाया गया।
एक वर्गीकरण एल्गोरिदम विकसित किया गया है जो प्रशिक्षण सेट पर चार दांतों की परिपक्वता का उपयोग करके यह अनुमान लगाता है कि कोई नमूना 18 वर्ष का है या नहीं। मॉडल बनाने के लिए, हमने सात प्रतिनिधित्व मशीन लर्निंग एल्गोरिदम6,43 प्राप्त किए: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, और (7) MLP। LR सबसे व्यापक रूप से उपयोग किए जाने वाले वर्गीकरण एल्गोरिदम44 में से एक है। यह एक पर्यवेक्षित शिक्षण एल्गोरिदम है जो प्रतिगमन का उपयोग करके 0 से 1 तक किसी निश्चित श्रेणी से संबंधित डेटा की संभावना का अनुमान लगाता है और इस संभावना के आधार पर डेटा को अधिक संभावित श्रेणी में वर्गीकृत करता है; मुख्य रूप से बाइनरी वर्गीकरण के लिए उपयोग किया जाता है। KNN सबसे सरल मशीन लर्निंग एल्गोरिदम45 में से एक है। जब इसे नया इनपुट डेटा दिया जाता है, तो यह मौजूदा सेट के निकट k डेटा ढूंढता है और फिर उन्हें उच्चतम आवृत्ति वाले वर्ग में वर्गीकृत करता है। हमने विचार किए गए पड़ोसियों की संख्या (k) के लिए 3 निर्धारित किया है। SVM एक एल्गोरिदम है जो कर्नेल फ़ंक्शन का उपयोग करके रैखिक स्थान को फ़ील्ड नामक गैर-रैखिक स्थान में विस्तारित करके दो वर्गों के बीच की दूरी को अधिकतम करता है।46 इस मॉडल के लिए, हम बहुपद कर्नेल के लिए हाइपरपैरामीटर के रूप में बायस = 1, पावर = 1 और गामा = 1 का उपयोग करते हैं। DT को विभिन्न क्षेत्रों में एक एल्गोरिदम के रूप में लागू किया गया है जो निर्णय नियमों को वृक्ष संरचना में प्रस्तुत करके संपूर्ण डेटा सेट को कई उपसमूहों में विभाजित करता है।47 इस मॉडल को प्रति नोड न्यूनतम 2 रिकॉर्ड के साथ कॉन्फ़िगर किया गया है और गुणवत्ता के माप के रूप में गिनी सूचकांक का उपयोग करता है। RF एक समूह विधि है जो बूटस्ट्रैप एकत्रीकरण विधि का उपयोग करके प्रदर्शन को बेहतर बनाने के लिए कई DT को जोड़ती है। यह मूल डेटासेट से समान आकार के नमूनों को कई बार यादृच्छिक रूप से निकालकर प्रत्येक नमूने के लिए एक कमजोर वर्गीकारक उत्पन्न करती है।48 हमने 100 वृक्ष, 10 वृक्ष गहराई, 1 न्यूनतम नोड आकार और गिनी मिश्रण सूचकांक को नोड पृथक्करण मानदंड के रूप में उपयोग किया। नए डेटा का वर्गीकरण बहुमत मत द्वारा निर्धारित किया जाता है। XGBoost एक एल्गोरिदम है जो बूस्टिंग तकनीकों को संयोजित करता है। यह पिछले मॉडल के वास्तविक और अनुमानित मानों के बीच की त्रुटि को प्रशिक्षण डेटा के रूप में लेता है और ग्रेडिएंट्स49 का उपयोग करके त्रुटि को बढ़ाता 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 में 400 सपोर्ट व्हील्स हैं। MLP एक न्यूरल नेटवर्क है जिसमें एक या अधिक परसेप्ट्रॉन इनपुट और आउटपुट परतों के बीच एक या अधिक छिपी हुई परतों के साथ कई परतें बनाते हैं38। इसका उपयोग करके, आप गैर-रेखीय वर्गीकरण कर सकते हैं, जहां इनपुट परत जोड़ने और परिणाम मान प्राप्त करने पर, अनुमानित परिणाम मान की तुलना वास्तविक परिणाम मान से की जाती है और त्रुटि को वापस प्रसारित किया जाता है। हमने प्रत्येक परत में 20 छिपे हुए न्यूरॉन्स के साथ एक छिपी हुई परत बनाई। हमारे द्वारा विकसित प्रत्येक मॉडल को आंतरिक और बाहरी सेटों पर लागू किया गया ताकि संवेदनशीलता, विशिष्टता, PPV, NPV और AUROC की गणना करके वर्गीकरण प्रदर्शन का परीक्षण किया जा सके। 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 जाता है। विशिष्टता 18 वर्ष से कम आयु के नमूनों और 18 वर्ष से कम आयु के अनुमानित नमूनों का अनुपात है।
प्रशिक्षण सेट में मूल्यांकित दंत अवस्थाओं को सांख्यिकीय विश्लेषण के लिए संख्यात्मक अवस्थाओं में परिवर्तित किया गया। प्रत्येक लिंग के लिए पूर्वानुमान मॉडल विकसित करने और आयु का अनुमान लगाने के लिए उपयोग किए जा सकने वाले प्रतिगमन सूत्रों को प्राप्त करने के लिए बहुभिन्नरूपी रैखिक और लॉजिस्टिक प्रतिगमन किया गया। हमने आंतरिक और बाह्य दोनों परीक्षण सेटों के लिए दांतों की आयु का अनुमान लगाने के लिए इन सूत्रों का उपयोग किया। तालिका 4 इस अध्ययन में उपयोग किए गए प्रतिगमन और वर्गीकरण मॉडल दर्शाती है।
कोहेन के कप्पा सांख्यिकी का उपयोग करके इंट्रा- और इंटरऑब्जर्वर विश्वसनीयता की गणना की गई। 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 कम होगी, पूर्वानुमान की सटीकता उतनी ही अधिक होगी24। 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 आकलन 2 × 2 आकस्मिकता तालिका का उपयोग करके किया गया। परीक्षण सेट की गणना की गई संवेदनशीलता, विशिष्टता, पीपीवी, एनपीवी और एयूआरओसी की तुलना डीएम वर्गीकरण मॉडल के मापे गए मानों से की गई। डेटा को डेटा विशेषताओं के आधार पर माध्य ± मानक विचलन या संख्या (%) के रूप में व्यक्त किया गया है। दो-तरफ़ा पी मान <0.05 को सांख्यिकीय रूप से महत्वपूर्ण माना गया। सभी नियमित सांख्यिकीय विश्लेषण एसएएस संस्करण 9.4 (एसएएस इंस्टीट्यूट, कैरी, एनसी) का उपयोग करके किए गए। डीएम रिग्रेशन मॉडल को पायथन में केरास50 2.2.4 बैकएंड और टेन्सरफ्लो51 1.8.0 का उपयोग करके लागू किया गया था, विशेष रूप से गणितीय कार्यों के लिए। डीएम वर्गीकरण मॉडल को वाइकाटो नॉलेज एनालिसिस एनवायरनमेंट और कॉन्स्टान्ज़ इन्फॉर्मेशन माइनर (केएनआईएमई) 4.6.152 विश्लेषण प्लेटफॉर्म में लागू किया गया था।
लेखक यह स्वीकार करते हैं कि अध्ययन के निष्कर्षों का समर्थन करने वाले डेटा लेख और पूरक सामग्री में उपलब्ध हैं। अध्ययन के दौरान उत्पन्न और/या विश्लेषण किए गए डेटासेट उचित अनुरोध पर संबंधित लेखक से प्राप्त किए जा सकते हैं।
रिट्ज़-टिम्मे, एस. एट अल. आयु आकलन: फोरेंसिक अभ्यास की विशिष्ट आवश्यकताओं को पूरा करने के लिए अत्याधुनिक स्थिति। अंतर्राष्ट्रीयता। जे. लीगल मेडिसिन। 113, 129–136 (2000)।
श्मेलिंग, ए., रीसिंगर, डब्ल्यू., गेसेरिक, जी., और ओल्ज़े, ए. आपराधिक अभियोजन उद्देश्यों के लिए जीवित विषयों के फोरेंसिक आयु आकलन की वर्तमान स्थिति। फोरेंसिक्स। मेडिसिन। पैथोलॉजी। 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। क्लिनिकल. ओरल सर्वे. 25, 3463–3474 (2021).
ली, एस.एस. आदि। कोरियाई लोगों में दूसरे और तीसरे दाढ़ के विकास का कालक्रम और फोरेंसिक आयु निर्धारण के लिए इसका अनुप्रयोग। अंतर्राष्ट्रीयता। जे. लीगल मेडिसिन। 124, 659–665 (2010)।
ओह, एस., कुमागाई, ए., किम, एस.वाई. और ली, एस.एस. कोरियाई और जापानी लोगों में द्वितीय और तृतीय दाढ़ों की परिपक्वता के आधार पर आयु अनुमान और 18 वर्ष की सीमा के अनुमान की सटीकता। पीएलओएस वन 17, e0271247 (2022)।
किम, जे.वाई., एट अल. प्रीऑपरेटिव मशीन लर्निंग-आधारित डेटा विश्लेषण ओएसए वाले रोगियों में स्लीप सर्जरी उपचार 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 माइनिंग तक। जे. सूचना विज्ञान। https://doi.org/10.1177/01655515211030872 (2021)।
खान, एस. और शाहीन, एम. विज़ रूल: 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 माइनिंग। कैलकुलेट. मैट. कंटिन्यू. 68, 3305–3322 (2021)।
मुहम्मद एम., रहमान जेड., शाहीन एम., खान एम. और हबीब एम. टेक्स्ट डेटा का उपयोग करके डीप लर्निंग आधारित सिमेंटिक समानता का पता लगाना। सूचना प्रौद्योगिकी नियंत्रण। https://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
तबिश, एम., तनोली, जेड., और शाहिन, एम. खेल वीडियो में गतिविधि को पहचानने के लिए एक प्रणाली। मल्टीमीडिया। टूल्स एप्लीकेशन्स https://doi.org/10.1007/s11042-021-10519-6 (2021)।
हलाबी, एसएस एट अल. बाल चिकित्सा अस्थि आयु में आरएसएनए मशीन लर्निंग चैलेंज। रेडियोलॉजी 290, 498–503 (2019)।
ली, वाई. एट अल. डीप लर्निंग का उपयोग करके श्रोणि एक्स-रे से फोरेंसिक आयु अनुमान। यूरो. विकिरण. 29, 2322–2329 (2019)।
गुओ, वाईसी, एट अल। ऑर्थोग्राफिक प्रोजेक्शन छवियों से मैनुअल विधियों और डीप कनवोल्यूशनल न्यूरल नेटवर्क का उपयोग करके सटीक आयु वर्गीकरण। अंतर्राष्ट्रीयता। जे. लीगल मेडिसिन। 135, 1589–1597 (2021)।
अलाबामा डालोरा एट अल. विभिन्न मशीन लर्निंग विधियों का उपयोग करके अस्थि आयु का अनुमान: एक व्यवस्थित साहित्य समीक्षा और मेटा-विश्लेषण। पीएलओएस वन 14, ई0220242 (2019)।
डू, एच., ली, जी., चेंग, के., और यांग, जे. कोन-बीम कंप्यूटेड टोमोग्राफी का उपयोग करके प्रथम दाढ़ के पल्प चैम्बर वॉल्यूम के आधार पर अफ्रीकी अमेरिकियों और चीनी लोगों की जनसंख्या-विशिष्ट आयु का अनुमान। अंतर्राष्ट्रीयता। जे. लीगल मेडिसिन। 136, 811–819 (2022)।
किम एस., ली वाईएच, नोह वाईके, पार्क एफके और ओह केएस कृत्रिम बुद्धिमत्ता-आधारित प्रथम दाढ़ की छवियों का उपयोग करके जीवित लोगों के आयु समूहों का निर्धारण। विज्ञान। रिपोर्ट 11, 1073 (2021)।
स्टर्न, डी., पेयर, सी., गिउलियानी, एन., और उर्शलेर, एम. मल्टीवेरिएट एमआरआई डेटा से स्वचालित आयु अनुमान और बहुसंख्यक आयु वर्गीकरण। आईईईई जे. बायोमेड. हेल्थ अलर्ट्स. 23, 1392–1403 (2019)।
चेंग, क्यू., गे, जेड., डू, एच. और ली, जी. डीप लर्निंग और लेवल सेट को एकीकृत करके कोन बीम कंप्यूटेड टोमोग्राफी से प्रथम मोलर के 3डी पल्प चैम्बर सेगमेंटेशन के आधार पर आयु अनुमान। अंतर्राष्ट्रीयता। जे. लीगल मेडिसिन। 135, 365–373 (2021)।
वू, डब्ल्यूटी, एट अल। क्लिनिकल बिग डेटा में डेटा माइनिंग: सामान्य डेटाबेस, चरण और विधि मॉडल। विश्व। चिकित्सा। संसाधन। 8, 44 (2021)।
यांग, जे. एट अल. बिग डेटा युग में मेडिकल डेटाबेस और डेटा माइनिंग प्रौद्योगिकियों का परिचय। जे. एविड. बेसिक मेडिसिन. 13, 57–69 (2020).
शेन, एस. एट अल. मशीन लर्निंग का उपयोग करके दांतों की उम्र का अनुमान लगाने के लिए कैमरर की विधि। बीएमसी ओरल हेल्थ 21, 641 (2021)।
गैलिबर्ग ए. एट अल. डेमिरडिजियन स्टेजिंग पद्धति का उपयोग करके दंत आयु की भविष्यवाणी के लिए विभिन्न मशीन लर्निंग विधियों की तुलना। अंतर्राष्ट्रीयता। जे. लीगल मेडिसिन। 135, 665–675 (2021)।
डेमिरडिजियन, ए., गोल्डस्टीन, एच. और टैनर, जे.एम. दंत आयु का आकलन करने के लिए एक नई प्रणाली। स्नॉर्ट. बायोलॉजी. 45, 211–227 (1973)।
लैंडिस, जे.आर., और कोच, जी.जी. श्रेणीबद्ध डेटा पर प्रेक्षक 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 करते हुए द्वि-आयामी चुंबकीय अनुनाद इमेजिंग का बनावट, आकारिकी और सांख्यिकीय विश्लेषण। स्वास्थ्य सूचना संसाधन। https://doi.org/10.4258/hir.2022.28.1.46 (2022)।