కొరియన్ కౌమారదశలో మరియు యువకులలో సాంప్రదాయ దంత వయస్సు అంచనా పద్ధతులకు వ్యతిరేకంగా డేటా మైనింగ్ మోడల్ యొక్క ధ్రువీకరణ

నేచర్.కామ్ సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ యొక్క సంస్కరణకు పరిమిత CSS మద్దతు ఉంది. ఉత్తమ ఫలితాల కోసం, మీ బ్రౌజర్ యొక్క క్రొత్త సంస్కరణను ఉపయోగించమని మేము సిఫార్సు చేస్తున్నాము (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో అనుకూలత మోడ్‌ను ఆపివేయండి). ఈ సమయంలో, కొనసాగుతున్న మద్దతును నిర్ధారించడానికి, మేము స్టైలింగ్ లేదా జావాస్క్రిప్ట్ లేకుండా సైట్‌ను చూపిస్తున్నాము.
దంతాలు మానవ శరీరం యొక్క వయస్సు యొక్క అత్యంత ఖచ్చితమైన సూచికగా పరిగణించబడతాయి మరియు ఇవి తరచుగా ఫోరెన్సిక్ వయస్సు అంచనాలో ఉపయోగించబడతాయి. సాంప్రదాయ పద్ధతులు మరియు డేటా మైనింగ్-ఆధారిత వయస్సు అంచనాలతో 18 సంవత్సరాల పరిమితి యొక్క అంచనా ఖచ్చితత్వం మరియు వర్గీకరణ పనితీరును పోల్చడం ద్వారా డేటా మైనింగ్-ఆధారిత దంత వయస్సు అంచనాలను ధృవీకరించాలని మేము లక్ష్యంగా పెట్టుకున్నాము. 15 నుండి 23 సంవత్సరాల వయస్సు గల కొరియన్ మరియు జపనీస్ పౌరుల నుండి మొత్తం 2657 పనోరమిక్ రేడియోగ్రాఫ్‌లు సేకరించబడ్డాయి. అవి శిక్షణా సమితిగా విభజించబడ్డాయి, వీటిలో ఒక్కొక్కటి 900 కొరియన్ రేడియోగ్రాఫ్‌లు మరియు 857 జపనీస్ రేడియోగ్రాఫ్‌లు కలిగిన అంతర్గత పరీక్ష సమితి ఉన్నాయి. సాంప్రదాయ పద్ధతుల వర్గీకరణ ఖచ్చితత్వం మరియు సామర్థ్యాన్ని డేటా మైనింగ్ మోడళ్ల పరీక్ష సమితులతో పోల్చాము. అంతర్గత పరీక్ష సమితిపై సాంప్రదాయ పద్ధతి యొక్క ఖచ్చితత్వం డేటా మైనింగ్ మోడల్ కంటే కొంచెం ఎక్కువ, మరియు వ్యత్యాసం చిన్నది (సగటు సంపూర్ణ లోపం <0.21 సంవత్సరాలు, రూట్ సగటు చదరపు లోపం <0.24 సంవత్సరాలు). సాంప్రదాయ పద్ధతులు మరియు డేటా మైనింగ్ మోడళ్ల మధ్య 18 సంవత్సరాల కటాఫ్ కోసం వర్గీకరణ పనితీరు కూడా సమానంగా ఉంటుంది. అందువల్ల, కొరియన్ కౌమారదశలో మరియు యువకులలో రెండవ మరియు మూడవ మోలార్ల పరిపక్వతను ఉపయోగించి ఫోరెన్సిక్ వయస్సు అంచనాను చేసేటప్పుడు సాంప్రదాయ పద్ధతులను డేటా మైనింగ్ మోడళ్ల ద్వారా భర్తీ చేయవచ్చు.
ఫోరెన్సిక్ మెడిసిన్ మరియు పీడియాట్రిక్ డెంటిస్ట్రీలో దంత వయస్సు అంచనా విస్తృతంగా ఉపయోగించబడుతుంది. ప్రత్యేకించి, కాలక్రమానుసారం మరియు దంత అభివృద్ధి మధ్య అధిక సంబంధం ఉన్నందున, దంత అభివృద్ధి దశల ద్వారా వయస్సు అంచనా పిల్లల మరియు కౌమారదశలో 1,2,3 వయస్సును అంచనా వేయడానికి ఒక ముఖ్యమైన ప్రమాణం. ఏదేమైనా, యువతకు, దంత పరిపక్వత ఆధారంగా దంత వయస్సును అంచనా వేయడం దాని పరిమితులను కలిగి ఉంది, ఎందుకంటే మూడవ మోలార్లను మినహాయించి దంత పెరుగుదల దాదాపుగా పూర్తయింది. యువకులు మరియు కౌమారదశల వయస్సును నిర్ణయించే చట్టపరమైన ఉద్దేశ్యం ఏమిటంటే వారు మెజారిటీ వయస్సుకు చేరుకున్నారా అనేదానికి ఖచ్చితమైన అంచనాలు మరియు శాస్త్రీయ ఆధారాలను అందించడం. కొరియాలో కౌమారదశ మరియు యువకుల మెడికో-లీగల్ ప్రాక్టీస్‌లో, లీ యొక్క పద్ధతిని ఉపయోగించి వయస్సు అంచనా వేయబడింది మరియు ఓహ్ మరియు ఇతరులు 5 నివేదించిన డేటా ఆధారంగా 18 సంవత్సరాల చట్టపరమైన పరిమితి అంచనా వేయబడింది.
యంత్ర అభ్యాసం అనేది ఒక రకమైన కృత్రిమ మేధస్సు (AI), ఇది పెద్ద మొత్తంలో డేటాను పదేపదే నేర్చుకుంటుంది మరియు వర్గీకరిస్తుంది, దాని స్వంత సమస్యలను పరిష్కరిస్తుంది మరియు డేటా ప్రోగ్రామింగ్‌ను నడుపుతుంది. యంత్ర అభ్యాసం డేటా 6 యొక్క పెద్ద పరిమాణంలో ఉపయోగకరమైన దాచిన నమూనాలను కనుగొనగలదు. దీనికి విరుద్ధంగా, శ్రమతో కూడుకున్న మరియు సమయం తీసుకునే శాస్త్రీయ పద్ధతులు, మానవీయంగా ప్రాసెస్ చేయడం కష్టం అయిన సంక్లిష్ట డేటా యొక్క పెద్ద పరిమాణాలతో వ్యవహరించేటప్పుడు పరిమితులను కలిగి ఉండవచ్చు. అందువల్ల, మానవ లోపాలను తగ్గించడానికి మరియు మల్టీ డైమెన్షనల్ డేటా 8,9,10,11,12 ను సమర్థవంతంగా ప్రాసెస్ చేయడానికి తాజా కంప్యూటర్ టెక్నాలజీలను ఉపయోగించి ఇటీవల అనేక అధ్యయనాలు జరిగాయి. ప్రత్యేకించి, వైద్య చిత్ర విశ్లేషణలో లోతైన అభ్యాసం విస్తృతంగా ఉపయోగించబడింది మరియు రేడియోగ్రాఫ్‌లను స్వయంచాలకంగా విశ్లేషించడం ద్వారా వయస్సు అంచనా కోసం వివిధ పద్ధతులు వయస్సు అంచనా యొక్క ఖచ్చితత్వం మరియు సామర్థ్యాన్ని మెరుగుపరచడానికి నివేదించబడ్డాయి 13,14,15,15,17,18,19,20 . ఉదాహరణకు, హలాబి మరియు ఇతరులు 13 పిల్లల చేతుల రేడియోగ్రాఫ్‌లను ఉపయోగించి అస్థిపంజర వయస్సును అంచనా వేయడానికి కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌ల (సిఎన్‌ఎన్) ఆధారంగా యంత్ర అభ్యాస అల్గారిథమ్‌ను అభివృద్ధి చేశారు. ఈ అధ్యయనం వైద్య చిత్రాలకు యంత్ర అభ్యాసాన్ని వర్తించే ఒక నమూనాను ప్రతిపాదిస్తుంది మరియు ఈ పద్ధతులు రోగనిర్ధారణ ఖచ్చితత్వాన్ని మెరుగుపరుస్తాయని చూపిస్తుంది. లోతైన అభ్యాస CNN ను ఉపయోగించి కటి ఎక్స్-రే చిత్రాల నుండి Li et al14 అంచనా వయస్సు మరియు వాటిని ఆసిఫికేషన్ దశ అంచనాను ఉపయోగించి రిగ్రెషన్ ఫలితాలతో పోల్చారు. లోతైన అభ్యాస సిఎన్ఎన్ మోడల్ సాంప్రదాయ రిగ్రెషన్ మోడల్ వలె అదే వయస్సు అంచనా పనితీరును చూపించిందని వారు కనుగొన్నారు. గువో మరియు ఇతరుల అధ్యయనం [15] దంత ఆర్థోఫోటోస్ ఆధారంగా సిఎన్ఎన్ టెక్నాలజీ యొక్క వయస్సు సహనం వర్గీకరణ పనితీరును అంచనా వేసింది, మరియు సిఎన్ఎన్ మోడల్ యొక్క ఫలితాలు మానవులు దాని వయస్సు వర్గీకరణ పనితీరును అధిగమిస్తారని నిరూపించాయి.
యంత్ర అభ్యాసాన్ని ఉపయోగించి వయస్సు అంచనాపై చాలా అధ్యయనాలు లోతైన అభ్యాస పద్ధతులు 13,14,15,16,17,18,19,20. లోతైన అభ్యాసం ఆధారంగా వయస్సు అంచనా సాంప్రదాయ పద్ధతుల కంటే చాలా ఖచ్చితమైనదని నివేదించబడింది. ఏదేమైనా, ఈ విధానం వయస్సు అంచనాలకు శాస్త్రీయ ఆధారాన్ని ప్రదర్శించడానికి తక్కువ అవకాశాన్ని అందిస్తుంది, అంచనాలలో ఉపయోగించిన వయస్సు సూచికలు. ఎవరు తనిఖీలు నిర్వహిస్తారనే దానిపై చట్టపరమైన వివాదం కూడా ఉంది. అందువల్ల, లోతైన అభ్యాసం ఆధారంగా వయస్సు అంచనా పరిపాలనా మరియు న్యాయ అధికారులు అంగీకరించడం కష్టం. డేటా మైనింగ్ (DM) అనేది ఒక టెక్నిక్, ఇది expected హించడమే కాకుండా, unexpected హించని సమాచారాన్ని కూడా పెద్ద మొత్తంలో డేటా 6,21,22 మధ్య ఉపయోగకరమైన సంబంధాలను కనుగొనటానికి ఒక పద్ధతిగా కనుగొనగలదు. యంత్ర అభ్యాసం తరచుగా డేటా మైనింగ్‌లో ఉపయోగించబడుతుంది మరియు డేటా మైనింగ్ మరియు మెషీన్ లెర్నింగ్ రెండూ డేటాలోని నమూనాలను కనుగొనడానికి ఒకే కీ అల్గారిథమ్‌లను ఉపయోగిస్తాయి. దంత అభివృద్ధిని ఉపయోగించి వయస్సు అంచనా లక్ష్య దంతాల పరిపక్వతపై పరీక్షకు యొక్క అంచనాపై ఆధారపడి ఉంటుంది మరియు ఈ అంచనా ప్రతి లక్ష్య దంతాలకు ఒక దశగా వ్యక్తీకరించబడుతుంది. దంత అంచనా దశ మరియు వాస్తవ వయస్సు మధ్య పరస్పర సంబంధాన్ని విశ్లేషించడానికి DM ను ఉపయోగించవచ్చు మరియు సాంప్రదాయ గణాంక విశ్లేషణను భర్తీ చేసే అవకాశం ఉంది. అందువల్ల, మేము వయస్సు అంచనాకు DM పద్ధతులను వర్తింపజేస్తే, చట్టపరమైన బాధ్యత గురించి చింతించకుండా ఫోరెన్సిక్ వయస్సు అంచనాలో యంత్ర అభ్యాసాన్ని మేము అమలు చేయవచ్చు. ఫోరెన్సిక్ ప్రాక్టీస్‌లో ఉపయోగించే సాంప్రదాయ మాన్యువల్ పద్ధతులకు మరియు దంత వయస్సును నిర్ణయించడానికి EBM- ఆధారిత పద్ధతులకు సాధ్యమయ్యే ప్రత్యామ్నాయాలపై అనేక తులనాత్మక అధ్యయనాలు ప్రచురించబడ్డాయి. సాంప్రదాయ కామెరర్ ఫార్ములా కంటే DM మోడల్ చాలా ఖచ్చితమైనదని షెన్ మరియు ఇతరులు 23 చూపించింది. గలిబోర్గ్ మరియు ఇతరులు 24 డెమిర్డ్జియన్ ప్రమాణం 25 ప్రకారం వయస్సును అంచనా వేయడానికి వివిధ DM పద్ధతులను వర్తింపజేసింది మరియు ఫలితాలు DM పద్ధతి ఫ్రెంచ్ జనాభా వయస్సును అంచనా వేయడంలో డెమిర్డ్జియన్ మరియు విల్లెంస్ పద్ధతులను అధిగమిస్తుందని చూపించింది.
కొరియన్ కౌమారదశ మరియు యువకుల దంత వయస్సును అంచనా వేయడానికి, లీ యొక్క పద్ధతి 4 కొరియన్ ఫోరెన్సిక్ ప్రాక్టీస్‌లో విస్తృతంగా ఉపయోగించబడుతుంది. ఈ పద్ధతి కొరియా సబ్జెక్టులు మరియు కాలక్రమానుసారం మధ్య సంబంధాన్ని పరిశీలించడానికి సాంప్రదాయ గణాంక విశ్లేషణను (బహుళ రిగ్రెషన్ వంటివి) ఉపయోగిస్తుంది. ఈ అధ్యయనంలో, సాంప్రదాయ గణాంక పద్ధతులను ఉపయోగించి పొందిన వయస్సు అంచనా పద్ధతులు “సాంప్రదాయ పద్ధతులు” గా నిర్వచించబడ్డాయి. లీ యొక్క పద్ధతి సాంప్రదాయిక పద్ధతి, మరియు దాని ఖచ్చితత్వాన్ని ఓహ్ మరియు ఇతరులు నిర్ధారించారు. 5; అయినప్పటికీ, కొరియన్ ఫోరెన్సిక్ ప్రాక్టీస్‌లో DM మోడల్ ఆధారంగా వయస్సు అంచనా యొక్క వర్తించేది ఇప్పటికీ ప్రశ్నార్థకం. మా లక్ష్యం DM మోడల్ ఆధారంగా వయస్సు అంచనా యొక్క సంభావ్య ఉపయోగాన్ని శాస్త్రీయంగా ధృవీకరించడం. ఈ అధ్యయనం యొక్క ఉద్దేశ్యం (1) దంత వయస్సును అంచనా వేయడంలో రెండు DM మోడళ్ల యొక్క ఖచ్చితత్వాన్ని పోల్చడం మరియు (2) 18 సంవత్సరాల వయస్సులో 7 DM మోడళ్ల యొక్క వర్గీకరణ పనితీరును పోల్చడానికి సెకండ్ యొక్క సాంప్రదాయ గణాంక పద్ధతుల పరిపక్వతను ఉపయోగించి పొందిన వారితో పోల్చడం మరియు రెండు దవడలలో మూడవ మోలార్లు.
దశ మరియు దంతాల రకం ద్వారా కాలక్రమానుసారం యొక్క సాధనాలు మరియు ప్రామాణిక విచలనాలు సప్లిమెంటరీ టేబుల్ ఎస్ 1 (ట్రైనింగ్ సెట్), సప్లిమెంటరీ టేబుల్ ఎస్ 2 (ఇంటర్నల్ టెస్ట్ సెట్) మరియు సప్లిమెంటరీ టేబుల్ ఎస్ 3 (బాహ్య పరీక్ష సెట్) లో ఆన్‌లైన్‌లో చూపించబడ్డాయి. శిక్షణా సమితి నుండి పొందిన ఇంట్రా- మరియు ఇంటర్‌బ్‌సర్వర్ విశ్వసనీయత కోసం కప్పా విలువలు వరుసగా 0.951 మరియు 0.947. పి విలువలు మరియు కప్పా విలువల కోసం 95% విశ్వాస అంతరాలు ఆన్‌లైన్ సప్లిమెంటరీ టేబుల్ ఎస్ 4 లో చూపబడ్డాయి. కప్పా విలువ "దాదాపు పరిపూర్ణమైనది" గా వ్యాఖ్యానించబడింది, ఇది లాండిస్ మరియు కోచ్ 26 యొక్క ప్రమాణాలకు అనుగుణంగా ఉంటుంది.
సగటు సంపూర్ణ లోపం (MAE) ను పోల్చినప్పుడు, సాంప్రదాయ పద్ధతి అన్ని లింగాలకు మరియు బాహ్య మగ పరీక్ష సెట్‌లో DM మోడల్‌ను కొద్దిగా అధిగమిస్తుంది, మల్టీలేయర్ పెర్సెప్ట్రాన్ (MLP) మినహా. అంతర్గత MAE పరీక్ష సెట్‌లో సాంప్రదాయ మోడల్ మరియు DM మోడల్ మధ్య వ్యత్యాసం పురుషులకు 0.12–0.19 సంవత్సరాలు మరియు మహిళలకు 0.17–0.21 సంవత్సరాలు. బాహ్య పరీక్ష బ్యాటరీ కోసం, తేడాలు చిన్నవి (పురుషులకు 0.001–0.05 సంవత్సరాలు మరియు మహిళలకు 0.05–0.09 సంవత్సరాలు). అదనంగా, రూట్ మీన్ స్క్వేర్ లోపం (RMSE) సాంప్రదాయ పద్ధతి కంటే కొంచెం తక్కువగా ఉంటుంది, చిన్న తేడాలు (మగ అంతర్గత పరీక్ష సమితికి 0.17–0.24, 0.2–0.24, మరియు 0.03–0.07, బాహ్య పరీక్ష సమితికి 0.04–0.08). ). ఆడ బాహ్య పరీక్ష సెట్ విషయంలో తప్ప, సింగిల్ లేయర్ పెర్సెప్ట్రాన్ (ఎస్‌ఎల్‌పి) కంటే MLP కొంచెం మెరుగైన పనితీరును చూపిస్తుంది. MAE మరియు RMSE కోసం, బాహ్య పరీక్ష సెట్ అన్ని లింగాలు మరియు మోడళ్ల కోసం అంతర్గత పరీక్ష సెట్ కంటే ఎక్కువ స్కోర్‌లు. అన్ని MAE మరియు RMSE టేబుల్ 1 మరియు మూర్తి 1 లో చూపబడ్డాయి.
సాంప్రదాయ మరియు డేటా మైనింగ్ రిగ్రెషన్ మోడళ్ల MAE మరియు RMSE. మీన్ సంపూర్ణ లోపం మే, రూట్ మీన్ స్క్వేర్ ఎర్రర్ RMSE, సింగిల్ లేయర్ పెర్సెప్ట్రాన్ SLP, మల్టీలేయర్ పెర్సెప్ట్రాన్ MLP, సాంప్రదాయ CM పద్ధతి.
సాంప్రదాయిక మరియు DM మోడళ్ల యొక్క వర్గీకరణ పనితీరు (18 సంవత్సరాల కటాఫ్‌తో) సున్నితత్వం, విశిష్టత, సానుకూల అంచనా విలువ (పిపివి), నెగటివ్ ప్రిడిక్టివ్ వాల్యూ (ఎన్‌పివి) మరియు రిసీవర్ ఆపరేటింగ్ క్యారెక్టరిస్టిక్ కర్వ్ (AUROC) కింద ప్రదర్శించబడింది 27 (టేబుల్ 2, మూర్తి 2 మరియు అనుబంధ మూర్తి 1 ఆన్‌లైన్). అంతర్గత పరీక్ష బ్యాటరీ యొక్క సున్నితత్వం పరంగా, సాంప్రదాయ పద్ధతులు పురుషులలో ఉత్తమంగా పనిచేశాయి మరియు మహిళల్లో అధ్వాన్నంగా ఉన్నాయి. ఏదేమైనా, సాంప్రదాయ పద్ధతులు మరియు SD ల మధ్య వర్గీకరణ పనితీరులో వ్యత్యాసం పురుషులకు (MLP) 9.7% మరియు మహిళలకు 2.4% మాత్రమే (XGBOOST). DM మోడళ్లలో, లాజిస్టిక్ రిగ్రెషన్ (LR) రెండు లింగాలలోనూ మంచి సున్నితత్వాన్ని చూపించింది. అంతర్గత పరీక్ష సమితి యొక్క విశిష్టతకు సంబంధించి, నాలుగు SD నమూనాలు మగవారిలో బాగా పనిచేశాయని గమనించబడింది, సాంప్రదాయ మోడల్ ఆడవారిలో మెరుగ్గా పనిచేసింది. మగ మరియు ఆడవారికి వర్గీకరణ పనితీరులో తేడాలు వరుసగా 13.3% (MLP) మరియు 13.1% (MLP), ఇది నమూనాల మధ్య వర్గీకరణ పనితీరులో వ్యత్యాసం సున్నితత్వాన్ని మించిందని సూచిస్తుంది. DM మోడళ్లలో, సపోర్ట్ వెక్టర్ మెషిన్ (SVM), డెసిషన్ ట్రీ (DT) మరియు రాండమ్ ఫారెస్ట్ (RF) నమూనాలు మగవారిలో ఉత్తమంగా పనిచేశాయి, అయితే LR మోడల్ ఆడవారిలో ఉత్తమంగా ప్రదర్శించింది. సాంప్రదాయ మోడల్ మరియు అన్ని SD మోడల్స్ యొక్క ఆరోక్ 0.925 (పురుషులలో K- సమీప పొరుగు (KNN)) కంటే ఎక్కువగా ఉంది, ఇది 18 ఏళ్ల నమూనాలను వివక్షించడంలో అద్భుతమైన వర్గీకరణ పనితీరును ప్రదర్శిస్తుంది. బాహ్య పరీక్ష సమితి కోసం, అంతర్గత పరీక్ష సమితితో పోలిస్తే సున్నితత్వం, విశిష్టత మరియు AUROC పరంగా వర్గీకరణ పనితీరులో తగ్గుదల ఉంది. అంతేకాకుండా, ఉత్తమమైన మరియు చెత్త నమూనాల వర్గీకరణ పనితీరు మధ్య సున్నితత్వం మరియు విశిష్టతలో వ్యత్యాసం 10% నుండి 25% వరకు ఉంది మరియు అంతర్గత పరీక్ష సమితిలో వ్యత్యాసం కంటే పెద్దది.
సాంప్రదాయ పద్ధతులతో పోలిస్తే డేటా మైనింగ్ వర్గీకరణ నమూనాల సున్నితత్వం మరియు విశిష్టత 18 సంవత్సరాల కటాఫ్‌తో. KNN K సమీప పొరుగు, SVM సపోర్ట్ వెక్టర్ మెషిన్, LR లాజిస్టిక్ రిగ్రెషన్, DT డెసిషన్ ట్రీ, RF రాండమ్ ఫారెస్ట్, XGB XGBOOST, MLP మల్టీలేయర్ పెర్సెప్ట్రాన్, సాంప్రదాయ CM పద్ధతి.
ఈ అధ్యయనంలో మొదటి దశ సాంప్రదాయ రిగ్రెషన్ ఉపయోగించి పొందిన వాటితో ఏడు DM మోడళ్ల నుండి పొందిన దంత వయస్సు అంచనాల ఖచ్చితత్వాన్ని పోల్చడం. MAE మరియు RMSE రెండు లింగాల కోసం అంతర్గత పరీక్ష సెట్లలో అంచనా వేయబడ్డాయి, మరియు సాంప్రదాయ పద్ధతి మరియు DM మోడల్ మధ్య వ్యత్యాసం MAE కి 44 నుండి 77 రోజుల వరకు మరియు RMSE కోసం 62 నుండి 88 రోజుల వరకు ఉంది. ఈ అధ్యయనంలో సాంప్రదాయ పద్ధతి కొంచెం ఖచ్చితమైనది అయినప్పటికీ, ఇంత చిన్న వ్యత్యాసానికి క్లినికల్ లేదా ఆచరణాత్మక ప్రాముఖ్యత ఉందా అని తేల్చడం కష్టం. ఈ ఫలితాలు DM మోడల్‌ను ఉపయోగించి దంత వయస్సు అంచనా యొక్క ఖచ్చితత్వం సాంప్రదాయ పద్ధతికి సమానంగా ఉంటుందని సూచిస్తున్నాయి. మునుపటి అధ్యయనాల ఫలితాలతో ప్రత్యక్ష పోలిక కష్టం, ఎందుకంటే ఈ అధ్యయనంలో మాదిరిగానే అదే వయస్సులో దంతాలను రికార్డ్ చేసే అదే పద్ధతిని ఉపయోగించి సాంప్రదాయ గణాంక పద్ధతులతో DM నమూనాల ఖచ్చితత్వాన్ని ఏ అధ్యయనం పోల్చలేదు. గలిబోర్గ్ మరియు ఇతరులు 24 మే సాంప్రదాయ పద్ధతుల కంటే అన్ని DM నమూనాలు చాలా ఖచ్చితమైనవని వారు నివేదించారు, MAE లో 0.20 మరియు 0.38 సంవత్సరాలు మరియు RMSE లో 0.25 మరియు 0.47 సంవత్సరాలు విల్లెంస్ మరియు డెమిర్డ్జియన్ పద్ధతులతో పోలిస్తే. హాలిబోర్గ్ అధ్యయనంలో చూపిన SD మోడల్ మరియు సాంప్రదాయ పద్ధతుల మధ్య వ్యత్యాసం అనేక నివేదికలు 30,31,32,33 ను పరిగణనలోకి తీసుకుంటుంది, ఈ అధ్యయనం ఆధారంగా ఉన్న ఫ్రెంచ్ కెనడియన్లు కాకుండా ఇతర జనాభాలో డెమిర్డ్జియన్ పద్ధతి దంత వయస్సును ఖచ్చితంగా అంచనా వేయదు. ఈ అధ్యయనంలో. తాయ్ మరియు ఇతరులు 34 1636 చైనీస్ ఆర్థోడోంటిక్ ఛాయాచిత్రాల నుండి దంతాల వయస్సును అంచనా వేయడానికి MLP అల్గోరిథంను ఉపయోగించారు మరియు దాని ఖచ్చితత్వాన్ని డెమిర్జియన్ మరియు విల్లెంస్ పద్ధతి ఫలితాలతో పోల్చారు. సాంప్రదాయ పద్ధతుల కంటే MLP కి ఎక్కువ ఖచ్చితత్వం ఉందని వారు నివేదించారు. డెమిర్డ్జియన్ పద్ధతి మరియు సాంప్రదాయ పద్ధతి మధ్య వ్యత్యాసం <0.32 సంవత్సరాలు, మరియు విల్లెంస్ పద్ధతి 0.28 సంవత్సరాలు, ఇది ప్రస్తుత అధ్యయనం ఫలితాలకు సమానంగా ఉంటుంది. ఈ మునుపటి అధ్యయనాల ఫలితాలు 24,34 ప్రస్తుత అధ్యయనం యొక్క ఫలితాలకు కూడా అనుగుణంగా ఉన్నాయి మరియు DM మోడల్ మరియు సాంప్రదాయ పద్ధతి యొక్క వయస్సు అంచనా ఖచ్చితత్వం సమానంగా ఉంటుంది. ఏదేమైనా, సమర్పించిన ఫలితాల ఆధారంగా, తులనాత్మక మరియు సూచన మునుపటి అధ్యయనాలు లేకపోవడం వల్ల వయస్సును అంచనా వేయడానికి DM మోడళ్ల ఉపయోగం ఇప్పటికే ఉన్న పద్ధతులను భర్తీ చేయవచ్చని మేము జాగ్రత్తగా నిర్ధారించగలము. ఈ అధ్యయనంలో పొందిన ఫలితాలను నిర్ధారించడానికి పెద్ద నమూనాలను ఉపయోగించి తదుపరి అధ్యయనాలు అవసరం.
దంత వయస్సును అంచనా వేయడంలో SD యొక్క ఖచ్చితత్వాన్ని పరీక్షించే అధ్యయనాలలో, కొన్ని మా అధ్యయనం కంటే ఎక్కువ ఖచ్చితత్వాన్ని చూపించాయి. స్టెపనోవ్స్కీ మరియు ఇతరులు 35 2.7 నుండి 20.5 సంవత్సరాల వయస్సు గల 976 చెక్ నివాసితుల విస్తృత రేడియోగ్రాఫ్‌లకు 22 SD మోడళ్లను వర్తింపజేసింది మరియు ప్రతి మోడల్ యొక్క ఖచ్చితత్వాన్ని పరీక్షించారు. మూర్రీస్ మరియు ఇతరులు ప్రతిపాదించిన వర్గీకరణ ప్రమాణాలను ఉపయోగించి మొత్తం 16 ఎగువ మరియు దిగువ ఎడమ శాశ్వత దంతాల అభివృద్ధిని వారు అంచనా వేశారు. MAE 0.64 నుండి 0.94 సంవత్సరాల వరకు ఉంటుంది మరియు RMSE 0.85 నుండి 1.27 సంవత్సరాల వరకు ఉంటుంది, ఇవి ఈ అధ్యయనంలో ఉపయోగించిన రెండు DM మోడళ్ల కంటే చాలా ఖచ్చితమైనవి. షెన్ ఎట్ అల్ 23 5 నుండి 13 సంవత్సరాల వయస్సు గల తూర్పు చైనీస్ నివాసితులలో ఎడమ మాండబుల్ లో దంత వయస్సును ఏడు శాశ్వత దంతాల దంత వయస్సును అంచనా వేయడానికి మరియు సరళ రిగ్రెషన్, SVM మరియు RF ను ఉపయోగించి అంచనా వేసిన వయస్సుతో పోల్చారు. సాంప్రదాయ కెమెరియర్ ఫార్ములాతో పోలిస్తే మూడు DM మోడళ్లకు ఎక్కువ ఖచ్చితత్వం ఉందని వారు చూపించారు. షెన్ అధ్యయనంలో MAE మరియు RMSE ఈ అధ్యయనంలో DM మోడల్‌లో ఉన్న వాటి కంటే తక్కువగా ఉన్నాయి. స్టెపానోవ్స్కీ మరియు ఇతరులు చేసిన అధ్యయనాల యొక్క పెరిగిన ఖచ్చితత్వం. 35 మరియు షెన్ మరియు ఇతరులు. 23 వారి అధ్యయన నమూనాలలో చిన్న విషయాలను చేర్చడం వల్ల కావచ్చు. దంత అభివృద్ధి సమయంలో దంతాల సంఖ్య పెరిగినందున అభివృద్ధి చెందుతున్న దంతాలతో పాల్గొనేవారికి వయస్సు అంచనాలు మరింత ఖచ్చితమైనవి కాబట్టి, అధ్యయనంలో పాల్గొనేవారు చిన్నతనంలో ఫలిత వయస్సు అంచనా పద్ధతి యొక్క ఖచ్చితత్వం రాజీపడవచ్చు. అదనంగా, వయస్సు అంచనాలో MLP యొక్క లోపం SLP కన్నా కొంచెం తక్కువగా ఉంటుంది, అంటే MLP SLP కన్నా మరింత ఖచ్చితమైనది. MLP వయస్సు అంచనాకు కొంచెం మెరుగ్గా పరిగణించబడుతుంది, బహుశా MLP38 లో దాచిన పొరల కారణంగా. అయినప్పటికీ, మహిళల బయటి నమూనాకు మినహాయింపు ఉంది (SLP 1.45, MLP 1.49). వయస్సును అంచనా వేయడంలో ఎస్‌ఎల్‌పి కంటే ఎమ్‌ఎల్‌పి చాలా ఖచ్చితమైనదని కనుగొనడానికి అదనపు పునరాలోచన అధ్యయనాలు అవసరం.
DM మోడల్ యొక్క వర్గీకరణ పనితీరు మరియు 18 సంవత్సరాల పరిమితిలో సాంప్రదాయ పద్ధతి కూడా పోల్చబడింది. అన్ని పరీక్షించిన SD నమూనాలు మరియు అంతర్గత పరీక్ష సమితిపై సాంప్రదాయ పద్ధతులు 18 ఏళ్ల నమూనా కోసం ఆచరణాత్మకంగా ఆమోదయోగ్యమైన వివక్షను చూపించాయి. పురుషులు మరియు మహిళలకు సున్నితత్వం వరుసగా 87.7% మరియు 94.9% కంటే ఎక్కువగా ఉంది మరియు విశిష్టత 89.3% మరియు 84.7% కంటే ఎక్కువ. పరీక్షించిన అన్ని మోడళ్ల ఆరోక్ కూడా 0.925 మించిపోయింది. మా జ్ఞానం మేరకు, దంత పరిపక్వత ఆధారంగా 18 సంవత్సరాల వర్గీకరణ కోసం ఏ అధ్యయనం DM మోడల్ యొక్క పనితీరును పరీక్షించలేదు. మేము ఈ అధ్యయనం యొక్క ఫలితాలను పనోరమిక్ రేడియోగ్రాఫ్‌లపై లోతైన అభ్యాస నమూనాల వర్గీకరణ పనితీరుతో పోల్చవచ్చు. గువో మరియు ఇతరులు. మాన్యువల్ పద్ధతి యొక్క సున్నితత్వం మరియు విశిష్టత వరుసగా 87.7% మరియు 95.5%, మరియు సిఎన్ఎన్ మోడల్ యొక్క సున్నితత్వం మరియు విశిష్టత వరుసగా 89.2% మరియు 86.6% దాటింది. లోతైన అభ్యాస నమూనాలు వయస్సు పరిమితులను వర్గీకరించడంలో మాన్యువల్ అసెస్‌మెంట్‌ను భర్తీ చేయగలవని లేదా అధిగమించగలవని వారు తేల్చారు. ఈ అధ్యయనం యొక్క ఫలితాలు ఇలాంటి వర్గీకరణ పనితీరును చూపించాయి; DM మోడళ్లను ఉపయోగించి వర్గీకరణ వయస్సు అంచనా కోసం సాంప్రదాయ గణాంక పద్ధతులను భర్తీ చేయగలదని నమ్ముతారు. మోడళ్లలో, పురుష నమూనాకు సున్నితత్వం మరియు ఆడ నమూనాకు సున్నితత్వం మరియు విశిష్టత పరంగా DM LR ఉత్తమ నమూనా. ఎల్ఆర్ పురుషులకు విశిష్టతలో రెండవ స్థానంలో ఉంది. అంతేకాకుండా, LR మరింత వినియోగదారు-స్నేహపూర్వక DM35 మోడళ్లలో ఒకటిగా పరిగణించబడుతుంది మరియు తక్కువ సంక్లిష్టమైనది మరియు ప్రాసెస్ చేయడం కష్టం. ఈ ఫలితాల ఆధారంగా, కొరియా జనాభాలో 18 సంవత్సరాల పిల్లలకు LR ఉత్తమ కటాఫ్ వర్గీకరణ నమూనాగా పరిగణించబడింది.
మొత్తంమీద, అంతర్గత పరీక్ష సమితి ఫలితాలతో పోలిస్తే బాహ్య పరీక్ష సమితిలో వయస్సు అంచనా లేదా వర్గీకరణ పనితీరు యొక్క ఖచ్చితత్వం పేలవంగా లేదా తక్కువగా ఉంది. కొరియా జనాభా ఆధారంగా వయస్సు అంచనాలు జపనీస్ జనాభా 5,39 కు వర్తించినప్పుడు వర్గీకరణ ఖచ్చితత్వం లేదా సామర్థ్యం తగ్గుతుందని కొన్ని నివేదికలు సూచిస్తున్నాయి మరియు ప్రస్తుత అధ్యయనంలో ఇలాంటి నమూనా కనుగొనబడింది. ఈ క్షీణత ధోరణి DM మోడల్‌లో కూడా గమనించబడింది. అందువల్ల, వయస్సును ఖచ్చితంగా అంచనా వేయడానికి, విశ్లేషణ ప్రక్రియలో DM ని ఉపయోగిస్తున్నప్పుడు కూడా, సాంప్రదాయ పద్ధతులు వంటి స్థానిక జనాభా డేటా నుండి పొందిన పద్ధతులను ప్రాధాన్యత ఇవ్వాలి. లోతైన అభ్యాస నమూనాలు ఇలాంటి పోకడలను చూపించగలవు అనేది అస్పష్టంగా ఉన్నందున, సాంప్రదాయ పద్ధతులు, DM నమూనాలు మరియు లోతైన అభ్యాస నమూనాలను ఉపయోగించి వర్గీకరణ ఖచ్చితత్వం మరియు సామర్థ్యాన్ని పోల్చిన అధ్యయనాలు, అదే నమూనాలపై లోతైన అభ్యాస నమూనాలు కృత్రిమ మేధస్సు పరిమిత వయస్సులో ఈ జాతి అసమానతలను అధిగమించగలదా అని నిర్ధారించడానికి అవసరం. అసెస్‌మెంట్స్.
కొరియాలో ఫోరెన్సిక్ వయస్సు అంచనా సాధనలో DM మోడల్ ఆధారంగా సాంప్రదాయ పద్ధతులను వయస్సు అంచనా ద్వారా భర్తీ చేయవచ్చని మేము నిరూపించాము. ఫోరెన్సిక్ వయస్సు అంచనా కోసం యంత్ర అభ్యాసాన్ని అమలు చేసే అవకాశాన్ని కూడా మేము కనుగొన్నాము. ఏదేమైనా, ఫలితాలను ఖచ్చితంగా నిర్ణయించడానికి ఈ అధ్యయనంలో పాల్గొనేవారి సంఖ్య మరియు ఈ అధ్యయనం ఫలితాలను పోల్చడానికి మరియు నిర్ధారించడానికి మునుపటి అధ్యయనాలు లేకపోవడం వంటి స్పష్టమైన పరిమితులు ఉన్నాయి. భవిష్యత్తులో, సాంప్రదాయ పద్ధతులతో పోలిస్తే దాని ఆచరణాత్మక అనువర్తనాన్ని మెరుగుపరచడానికి DM అధ్యయనాలు పెద్ద సంఖ్యలో నమూనాలు మరియు మరింత విభిన్న జనాభాతో నిర్వహించాలి. బహుళ జనాభాలో వయస్సును అంచనా వేయడానికి కృత్రిమ మేధస్సును ఉపయోగించుకునే సాధ్యాసాధ్యాలను ధృవీకరించడానికి, అదే నమూనాలలో సాంప్రదాయ పద్ధతులతో DM మరియు లోతైన అభ్యాస నమూనాల వర్గీకరణ ఖచ్చితత్వం మరియు సామర్థ్యాన్ని పోల్చడానికి భవిష్యత్ అధ్యయనాలు అవసరం.
ఈ అధ్యయనం కొరియన్ మరియు 15 నుండి 23 సంవత్సరాల వయస్సు గల జపనీస్ పెద్దల నుండి సేకరించిన 2,657 ఆర్థోగ్రాఫిక్ ఛాయాచిత్రాలను ఉపయోగించింది. కొరియా రేడియోగ్రాఫ్‌లు 900 శిక్షణా సెట్లు (19.42 ± 2.65 సంవత్సరాలు) మరియు 900 అంతర్గత పరీక్ష సెట్లు (19.52 ± 2.59 సంవత్సరాలు) గా విభజించబడ్డాయి. ఈ శిక్షణా సమితిని ఒక సంస్థలో (సియోల్ సెయింట్ మేరీస్ హాస్పిటల్) సేకరించారు, మరియు రెండు సంస్థలలో (సియోల్ నేషనల్ యూనివర్శిటీ డెంటల్ హాస్పిటల్ మరియు యోన్సీ యూనివర్శిటీ డెంటల్ హాస్పిటల్) సొంత పరీక్షా సెట్ సేకరించబడింది. బాహ్య పరీక్ష కోసం మేము మరొక జనాభా-ఆధారిత డేటా (ఐవాట్ మెడికల్ యూనివర్శిటీ, జపాన్) నుండి 857 రేడియోగ్రాఫ్‌లను కూడా సేకరించాము. జపనీస్ విషయాల యొక్క రేడియోగ్రాఫ్‌లు (19.31 ± 2.60 సంవత్సరాలు) బాహ్య పరీక్ష సెట్‌గా ఎంపిక చేయబడ్డాయి. దంత చికిత్స సమయంలో తీసుకున్న విస్తృత రేడియోగ్రాఫ్‌లపై దంత అభివృద్ధి దశలను విశ్లేషించడానికి డేటాను పునరాలోచనలో సేకరించారు. సేకరించిన మొత్తం డేటా లింగం, పుట్టిన తేదీ మరియు రేడియోగ్రాఫ్ తేదీ మినహా అనామక. చేరిక మరియు మినహాయింపు ప్రమాణాలు గతంలో ప్రచురించిన అధ్యయనాలు 4, 5 మాదిరిగానే ఉన్నాయి. రేడియోగ్రాఫ్ తీసుకున్న తేదీ నుండి పుట్టిన తేదీని తీసివేయడం ద్వారా నమూనా యొక్క వాస్తవ వయస్సును లెక్కించారు. నమూనా సమూహం తొమ్మిది వయస్సు వర్గాలుగా విభజించబడింది. వయస్సు మరియు సెక్స్ పంపిణీలు టేబుల్ 3 లో చూపించబడ్డాయి, ఈ అధ్యయనం హెల్సింకి డిక్లరేషన్ ప్రకారం నిర్వహించబడింది మరియు కొరియా కాథలిక్ యూనివర్శిటీ (KC22WISI0328) యొక్క సియోల్ సెయింట్ మేరీస్ హాస్పిటల్ యొక్క సంస్థాగత సమీక్ష బోర్డు (IRB) ఆమోదించింది. ఈ అధ్యయనం యొక్క పునరాలోచన రూపకల్పన కారణంగా, చికిత్సా ప్రయోజనాల కోసం రేడియోగ్రాఫిక్ పరీక్ష చేయించుకున్న రోగులందరి నుండి సమాచార సమ్మతిని పొందలేము. సియోల్ కొరియా విశ్వవిద్యాలయం సెయింట్ మేరీస్ హాస్పిటల్ (ఐఆర్బి) సమాచార సమ్మతి యొక్క అవసరాన్ని మాఫీ చేసింది.
బిమాక్సిలరీ రెండవ మరియు మూడవ మోలార్ల అభివృద్ధి దశలు డెమిర్కాన్ ప్రమాణం 25 ప్రకారం అంచనా వేయబడ్డాయి. ప్రతి దవడ యొక్క ఎడమ మరియు కుడి వైపులా ఒకే రకమైన దంతాలు దొరికితే ఒక దంతాలు మాత్రమే ఎంపిక చేయబడతాయి. రెండు వైపులా హోమోలాగస్ పళ్ళు వేర్వేరు అభివృద్ధి దశలలో ఉంటే, తక్కువ అభివృద్ధి దశ కలిగిన దంతాలు అంచనా వయస్సులో అనిశ్చితికి కారణమవుతాయి. శిక్షణ సమితి నుండి వంద మంది యాదృచ్ఛికంగా ఎంచుకున్న రేడియోగ్రాఫ్‌లను ఇద్దరు అనుభవజ్ఞులైన పరిశీలకులు స్కోర్ చేశారు, దంత పరిపక్వత దశను నిర్ణయించడానికి ప్రీకాలిబ్రేషన్ తర్వాత ఇంటర్‌బ్సర్వర్ విశ్వసనీయతను పరీక్షించడానికి. ప్రాధమిక పరిశీలకుడు మూడు నెలల వ్యవధిలో ఇంట్రాబ్‌సర్వర్ విశ్వసనీయతను రెండుసార్లు అంచనా వేశారు.
శిక్షణా సమితిలో ప్రతి దవడ యొక్క రెండవ మరియు మూడవ మోలార్ల యొక్క లింగ మరియు అభివృద్ధి దశను వేర్వేరు DM మోడళ్లతో శిక్షణ పొందిన ప్రాధమిక పరిశీలకుడు అంచనా వేశారు, మరియు వాస్తవ వయస్సు లక్ష్య విలువగా సెట్ చేయబడింది. యంత్ర అభ్యాసంలో విస్తృతంగా ఉపయోగించబడుతున్న SLP మరియు MLP నమూనాలు రిగ్రెషన్ అల్గోరిథంలకు వ్యతిరేకంగా పరీక్షించబడ్డాయి. DM మోడల్ నాలుగు దంతాల అభివృద్ధి దశలను ఉపయోగించి సరళ ఫంక్షన్లను మిళితం చేస్తుంది మరియు ఈ డేటాను మిళితం చేస్తుంది వయస్సును అంచనా వేయడానికి. SLP సరళమైన నాడీ నెట్‌వర్క్ మరియు దాచిన పొరలను కలిగి ఉండదు. నోడ్‌ల మధ్య ప్రవేశ ప్రసారం ఆధారంగా SLP పనిచేస్తుంది. రిగ్రెషన్‌లోని SLP మోడల్ గణితశాస్త్రపరంగా బహుళ సరళ రిగ్రెషన్‌కు సమానంగా ఉంటుంది. SLP మోడల్ మాదిరిగా కాకుండా, MLP మోడల్ నాన్ లీనియర్ యాక్టివేషన్ ఫంక్షన్లతో బహుళ దాచిన పొరలను కలిగి ఉంది. మా ప్రయోగాలు నాన్ లీనియర్ యాక్టివేషన్ ఫంక్షన్లతో 20 దాచిన నోడ్‌లతో మాత్రమే దాచిన పొరను ఉపయోగించాయి. ప్రవణత సంతతిని ఆప్టిమైజేషన్ పద్ధతిగా మరియు MAE మరియు RMSE ను మా మెషిన్ లెర్నింగ్ మోడల్‌కు శిక్షణ ఇవ్వడానికి నష్టం ఫంక్షన్‌గా ఉపయోగించండి. ఉత్తమంగా పొందిన రిగ్రెషన్ మోడల్ అంతర్గత మరియు బాహ్య పరీక్ష సెట్‌లకు వర్తించబడింది మరియు దంతాల వయస్సు అంచనా వేయబడింది.
వర్గీకరణ అల్గోరిథం అభివృద్ధి చేయబడింది, ఇది ఒక నమూనా 18 సంవత్సరాలు కాదా అని అంచనా వేయడానికి నాలుగు దంతాల పరిపక్వతను శిక్షణా సమితిపై ఉపయోగిస్తుంది. మోడల్‌ను రూపొందించడానికి, మేము ఏడు ప్రాతినిధ్య యంత్ర అభ్యాస అల్గోరిథంలు 6,43: (1) ఎల్ఆర్, (2) కెఎన్ఎన్, (3) ఎస్‌విఎం, (4) డిటి, (5) ఆర్‌ఎఫ్, (6) ఎక్స్‌జిబూస్ట్, మరియు (7) ఎంఎల్‌పి . LR అనేది విస్తృతంగా ఉపయోగించే వర్గీకరణ అల్గోరిథంలలో ఒకటి. ఇది పర్యవేక్షించబడే అభ్యాస అల్గోరిథం, ఇది ఒక నిర్దిష్ట వర్గానికి చెందిన డేటా యొక్క సంభావ్యతను 0 నుండి 1 వరకు అంచనా వేయడానికి రిగ్రెషన్‌ను ఉపయోగిస్తుంది మరియు ఈ సంభావ్యత ఆధారంగా డేటాను మరింత సంభావ్యత ఆధారంగా వర్గీకరిస్తుంది; ప్రధానంగా బైనరీ వర్గీకరణ కోసం ఉపయోగిస్తారు. KNN సరళమైన యంత్ర అభ్యాస అల్గోరిథంలలో ఒకటి. క్రొత్త ఇన్పుట్ డేటా ఇచ్చినప్పుడు, ఇది ఇప్పటికే ఉన్న సెట్‌కు దగ్గరగా K డేటాను కనుగొంటుంది మరియు తరువాత వాటిని అత్యధిక పౌన frequency పున్యంతో తరగతిలోకి వర్గీకరిస్తుంది. (K) పరిగణించబడిన పొరుగువారి సంఖ్య కోసం మేము 3 ని సెట్ చేసాము. SVM అనేది ఒక అల్గోరిథం, ఇది సరళ స్థలాన్ని ఫీల్డ్స్ 46 అని పిలిచే నాన్-లీనియర్ ప్రదేశంగా విస్తరించడానికి కెర్నల్ ఫంక్షన్‌ను ఉపయోగించడం ద్వారా రెండు తరగతుల మధ్య దూరాన్ని పెంచుతుంది. ఈ మోడల్ కోసం, మేము బహుపది కెర్నల్ కోసం బయాస్ = 1, పవర్ = 1 మరియు గామా = 1 ను హైపర్‌పారామీటర్లుగా ఉపయోగిస్తాము. చెట్ల నిర్మాణం 47 లో నిర్ణయ నియమాలను సూచించడం ద్వారా మొత్తం డేటాను అనేక ఉప సమూహాలుగా విభజించడానికి DT వివిధ రంగాలలో ఒక అల్గోరిథం వలె వర్తించబడింది. మోడల్ 2 యొక్క నోడ్‌కు కనీస సంఖ్యలో రికార్డులతో కాన్ఫిగర్ చేయబడింది మరియు గిని సూచికను నాణ్యత యొక్క కొలతగా ఉపయోగిస్తుంది. RF అనేది ఒక సమిష్టి పద్ధతి, ఇది బూట్స్ట్రాప్ అగ్రిగేషన్ పద్ధతిని ఉపయోగించి పనితీరును మెరుగుపరచడానికి బహుళ DTS ను మిళితం చేస్తుంది, ఇది అసలు డేటాసెట్ 48 నుండి ఒకే పరిమాణంలోని అదే పరిమాణంలోని నమూనాలను యాదృచ్ఛికంగా గీయడం ద్వారా ప్రతి నమూనాకు బలహీనమైన వర్గీకరణను ఉత్పత్తి చేస్తుంది. మేము 100 చెట్లు, 10 చెట్ల లోతు, 1 కనీస నోడ్ పరిమాణం మరియు గిని మిశ్రమ సూచికను నోడ్ విభజన ప్రమాణంగా ఉపయోగించాము. కొత్త డేటా యొక్క వర్గీకరణ మెజారిటీ ఓటు ద్వారా నిర్ణయించబడుతుంది. XGBOOST అనేది ఒక అల్గోరిథం, ఇది మునుపటి మోడల్ యొక్క వాస్తవ మరియు అంచనా వేసిన విలువల మధ్య లోపం మరియు ప్రవణతలు 49 ను ఉపయోగించి లోపాన్ని పెంచుతుంది, ఇది శిక్షణ డేటాను ఉపయోగించి బూస్టింగ్ పద్ధతులను మిళితం చేస్తుంది. ఇది మంచి పనితీరు మరియు వనరుల సామర్థ్యం, ​​అలాగే అధిక విశ్వసనీయత కారణంగా విస్తృతంగా ఉపయోగించే అల్గోరిథం. మోడల్‌లో 400 సపోర్ట్ వీల్స్ ఉన్నాయి. MLP అనేది ఒక నాడీ నెట్‌వర్క్ దీన్ని ఉపయోగించి, మీరు నాన్-లీనియర్ వర్గీకరణను చేయవచ్చు, ఇక్కడ మీరు ఇన్పుట్ పొరను జోడించి ఫలిత విలువను పొందినప్పుడు, fivies హించిన ఫలిత విలువ వాస్తవ ఫలిత విలువతో పోల్చబడుతుంది మరియు లోపం తిరిగి ప్రచారం చేయబడుతుంది. మేము ప్రతి పొరలో 20 దాచిన న్యూరాన్లతో దాచిన పొరను సృష్టించాము. మేము అభివృద్ధి చేసిన ప్రతి మోడల్ సున్నితత్వం, విశిష్టత, పిపివి, ఎన్‌పివి మరియు AUROC ని లెక్కించడం ద్వారా వర్గీకరణ పనితీరును పరీక్షించడానికి అంతర్గత మరియు బాహ్య సెట్‌లకు వర్తించబడుతుంది. సున్నితత్వం 18 సంవత్సరాలు లేదా అంతకంటే ఎక్కువ వయస్సు గల నమూనాకు 18 సంవత్సరాలు లేదా అంతకంటే ఎక్కువ వయస్సు గల నమూనా యొక్క నిష్పత్తిగా నిర్వచించబడింది. విశిష్టత అనేది 18 సంవత్సరాల కంటే తక్కువ వయస్సు ఉన్న నమూనాల నిష్పత్తి మరియు 18 సంవత్సరాల కంటే తక్కువ వయస్సు ఉన్నవారికి అంచనా.
శిక్షణా సమితిలో అంచనా వేసిన దంత దశలు గణాంక విశ్లేషణ కోసం సంఖ్యా దశలుగా మార్చబడ్డాయి. ప్రతి లింగం మరియు వయస్సును అంచనా వేయడానికి ఉపయోగపడే రిగ్రెషన్ సూత్రాలను రూపొందించడానికి మల్టీవారిట్ లీనియర్ మరియు లాజిస్టిక్ రిగ్రెషన్ ప్రదర్శించబడ్డాయి. అంతర్గత మరియు బాహ్య పరీక్ష సెట్ల కోసం దంతాల వయస్సును అంచనా వేయడానికి మేము ఈ సూత్రాలను ఉపయోగించాము. ఈ అధ్యయనంలో ఉపయోగించిన రిగ్రెషన్ మరియు వర్గీకరణ నమూనాలను టేబుల్ 4 చూపిస్తుంది.
కోహెన్ యొక్క కప్పా గణాంకాన్ని ఉపయోగించి ఇంట్రా- మరియు ఇంటర్‌బ్సర్వర్ విశ్వసనీయత లెక్కించబడుతుంది. DM మరియు సాంప్రదాయ రిగ్రెషన్ మోడళ్ల యొక్క ఖచ్చితత్వాన్ని పరీక్షించడానికి, మేము అంతర్గత మరియు బాహ్య పరీక్ష సెట్ల యొక్క అంచనా మరియు వాస్తవ యుగాలను ఉపయోగించి MAE మరియు RMSE ని లెక్కించాము. ఈ లోపాలు సాధారణంగా మోడల్ అంచనాల యొక్క ఖచ్చితత్వాన్ని అంచనా వేయడానికి ఉపయోగిస్తారు. చిన్న లోపం, సూచన 24 యొక్క ఖచ్చితత్వం ఎక్కువ. DM మరియు సాంప్రదాయ రిగ్రెషన్ ఉపయోగించి లెక్కించిన అంతర్గత మరియు బాహ్య పరీక్ష సెట్ల యొక్క MAE మరియు RMSE ను పోల్చండి. సాంప్రదాయ గణాంకాలలో 18 సంవత్సరాల కటాఫ్ యొక్క వర్గీకరణ పనితీరు 2 × 2 ఆకస్మిక పట్టికను ఉపయోగించి అంచనా వేయబడింది. పరీక్ష సమితి యొక్క లెక్కించిన సున్నితత్వం, విశిష్టత, పిపివి, ఎన్‌పివి మరియు AUROC లను DM వర్గీకరణ నమూనా యొక్క కొలిచిన విలువలతో పోల్చారు. డేటా లక్షణాలను బట్టి డేటా సగటు ± ప్రామాణిక విచలనం లేదా సంఖ్య (%) గా వ్యక్తీకరించబడుతుంది. రెండు-వైపుల P విలువలు <0.05 గణాంకపరంగా ముఖ్యమైనవిగా పరిగణించబడ్డాయి. అన్ని సాధారణ గణాంక విశ్లేషణలు SAS వెర్షన్ 9.4 (SAS ఇన్స్టిట్యూట్, కారీ, NC) ఉపయోగించి జరిగాయి. DM రిగ్రెషన్ మోడల్ పైథాన్‌లో KERAS50 2.2.4 బ్యాకెండ్ మరియు టెన్సార్‌ఫ్లో 51 1.8.0 ఉపయోగించి గణిత కార్యకలాపాల కోసం అమలు చేయబడింది. DM వర్గీకరణ నమూనా వైకాటో నాలెడ్జ్ అనాలిసిస్ ఎన్విరాన్మెంట్ మరియు కాన్స్టాన్జ్ ఇన్ఫర్మేషన్ మైనర్ (నైమ్) 4.6.152 విశ్లేషణ వేదికలో అమలు చేయబడింది.
అధ్యయనం యొక్క తీర్మానాలకు మద్దతు ఇచ్చే డేటా వ్యాసం మరియు అనుబంధ పదార్థాలలో చూడవచ్చని రచయితలు అంగీకరిస్తున్నారు. అధ్యయనం సమయంలో ఉత్పత్తి చేయబడిన మరియు/లేదా విశ్లేషించబడిన డేటాసెట్‌లు సహేతుకమైన అభ్యర్థనపై సంబంధిత రచయిత నుండి లభిస్తాయి.
రిట్జ్-టిమ్మే, ఎస్. మరియు ఇతరులు. వయస్సు అంచనా: ఫోరెన్సిక్ ప్రాక్టీస్ యొక్క నిర్దిష్ట అవసరాలను తీర్చడానికి కళ యొక్క స్థితి. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 113, 129-136 (2000).
ష్మెలింగ్, ఎ., రైజింజర్, డబ్ల్యూ., గెసెరిక్, జి., మరియు ఓల్జ్, ఎ. క్రిమినల్ ప్రాసిక్యూషన్ ప్రయోజనాల కోసం లివింగ్ సబ్జెక్టుల ఫోరెన్సిక్ ఏజ్ అసెస్‌మెంట్ యొక్క ప్రస్తుత స్థితి. ఫోరెన్సిక్స్. మందు. పాథాలజీ. 1, 239-246 (2005).
పాన్, జె. మరియు ఇతరులు. తూర్పు చైనాలో 5 నుండి 16 సంవత్సరాల వయస్సు గల పిల్లల దంత వయస్సును అంచనా వేయడానికి సవరించిన పద్ధతి. క్లినికల్. ఓరల్ సర్వే. 25, 3463–3474 (2021).
లీ, ఎస్ఎస్ మొదలైనవి. కొరియన్లలో రెండవ మరియు మూడవ మోలార్ల అభివృద్ధి మరియు ఫోరెన్సిక్ ఏజ్ అసెస్‌మెంట్ కోసం దాని అప్లికేషన్ యొక్క కాలక్రమం. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 124, 659-665 (2010).
ఓహ్, ఎస్. PLOS ONE 17, E0271247 (2022).
కిమ్, జెవై, మరియు ఇతరులు. ప్రీపెరేటివ్ మెషిన్ లెర్నింగ్-బేస్డ్ డేటా అనాలిసిస్ OSA ఉన్న రోగులలో నిద్ర శస్త్రచికిత్స చికిత్స ఫలితాన్ని అంచనా వేయగలదు. సైన్స్. రిపోర్ట్ 11, 14911 (2021).
హాన్, ఎం. మరియు ఇతరులు. మానవ జోక్యంతో లేదా లేకుండా యంత్ర అభ్యాసం నుండి ఖచ్చితమైన వయస్సు అంచనా? అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 136, 821–831 (2022).
ఖాన్, ఎస్. మరియు షాహీన్, ఎం. డేటా మైనింగ్ నుండి డేటా మైనింగ్ వరకు. J. ఇన్ఫర్మేషన్. సైన్స్. https://doi.org/10.1177/0165551521103030872 (2021).
ఖాన్, ఎస్. మరియు షాహీన్, ఎం. విసురులే: అసోసియేషన్ రూల్ మైనింగ్ కోసం ది ఫస్ట్ కాగ్నిటివ్ అల్గోరిథం. J. ఇన్ఫర్మేషన్. సైన్స్. https://doi.org/10.1177/0165551521108695 (2022).
షాహీన్ ఎం. మరియు అబ్దుల్లా యు. కార్మ్: కాంటెక్స్ట్-బేస్డ్ అసోసియేషన్ నిబంధనల ఆధారంగా సాంప్రదాయ డేటా మైనింగ్. లెక్కించండి. మాట్. కొనసాగించండి. 68, 3305–3322 (2021).
ముహమ్మద్ ఎం., రెహ్మాన్ జెడ్., షాహీన్ ఎం., ఖాన్ ఎం. మరియు హబీబ్ ఎం. సమాచారం. సాంకేతికతలు. నియంత్రణ. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
టాబిష్, ఎం., తనోలి, జెడ్., మరియు షాహిన్, ఎం. స్పోర్ట్స్ వీడియోలలో కార్యాచరణను గుర్తించడానికి ఒక వ్యవస్థ. మల్టీమీడియా. సాధనాల అనువర్తనాలు https://doi.org/10.1007/S11042-021-10519-6 (2021).
హలాబి, ఎస్ఎస్ మరియు ఇతరులు. పీడియాట్రిక్ ఎముక వయస్సులో RSNA మెషిన్ లెర్నింగ్ ఛాలెంజ్. రేడియాలజీ 290, 498-503 (2019).
లి, వై. మరియు ఇతరులు. లోతైన అభ్యాసాన్ని ఉపయోగించి కటి ఎక్స్-కిరణాల నుండి ఫోరెన్సిక్ వయస్సు అంచనా. యూరో. రేడియేషన్. 29, 2322–2329 (2019).
గువో, వైసి, మరియు ఇతరులు. ఆర్థోగ్రాఫిక్ ప్రొజెక్షన్ చిత్రాల నుండి మాన్యువల్ పద్ధతులు మరియు లోతైన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించి ఖచ్చితమైన వయస్సు వర్గీకరణ. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 135, 1589–1597 (2021).
అలబామా దలోరా మరియు ఇతరులు. వేర్వేరు యంత్ర అభ్యాస పద్ధతులను ఉపయోగించి ఎముక వయస్సు అంచనా: క్రమబద్ధమైన సాహిత్య సమీక్ష మరియు మెటా-విశ్లేషణ. PLOS ONE 14, E0220242 (2019).
డు, హెచ్., లి, జి., చెంగ్, కె., మరియు యాంగ్, జె. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 136, 811–819 (2022).
కిమ్ ఎస్. సైన్స్. రిపోర్ట్ 11, 1073 (2021).
స్టెర్న్, డి., పేయర్, సి., గియులియాని, ఎన్., మరియు ఉర్ష్లర్, ఎం. IEEE J. బయోమెడ్. ఆరోగ్య హెచ్చరికలు. 23, 1392–1403 (2019).
చెంగ్, ప్ర., జిఇ, జెడ్, డు, హెచ్. మరియు లి, జి. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 135, 365–373 (2021).
వు, డబ్ల్యుటి, మరియు ఇతరులు. క్లినికల్ బిగ్ డేటాలో డేటా మైనింగ్: సాధారణ డేటాబేస్, దశలు మరియు పద్ధతుల నమూనాలు. ప్రపంచం. మందు. వనరు. 8, 44 (2021).
యాంగ్, జె. మరియు ఇతరులు. పెద్ద డేటా యుగంలో మెడికల్ డేటాబేస్ మరియు డేటా మైనింగ్ టెక్నాలజీల పరిచయం. జె. అవిడ్. బేసిక్ మెడిసిన్. 13, 57-69 (2020).
షెన్, ఎస్. మరియు ఇతరులు. యంత్ర అభ్యాసాన్ని ఉపయోగించి దంతాల వయస్సును అంచనా వేయడానికి కామెరర్ యొక్క పద్ధతి. BMC ఓరల్ హెల్త్ 21, 641 (2021).
గల్లిబర్గ్ ఎ. మరియు ఇతరులు. డెమిర్డ్జియన్ స్టేజింగ్ పద్ధతిని ఉపయోగించి దంత వయస్సును అంచనా వేయడానికి వివిధ యంత్ర అభ్యాస పద్ధతుల పోలిక. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 135, 665-675 (2021).
డెమిర్డ్జియన్, ఎ., గోల్డ్‌స్టెయిన్, హెచ్. మరియు టాన్నర్, జెఎమ్ ఎ కొత్త వ్యవస్థ కోసం దంత వయస్సును అంచనా వేయడానికి. గురక. జీవశాస్త్రం. 45, 211–227 (1973).
లాండిస్, జెఆర్ మరియు కోచ్, వర్గీకరణ డేటాపై పరిశీలకుడి ఒప్పందం యొక్క జిజి కొలతలు. బయోమెట్రిక్స్ 33, 159-174 (1977).
భట్టాచార్జీ ఎస్, ప్రకాష్ డి, కిమ్ సి, కిమ్ హెచ్‌కె మరియు చోయి హెచ్‌కె. ప్రాధమిక మెదడు కణితుల భేదం కోసం కృత్రిమ మేధస్సు పద్ధతులను ఉపయోగించి రెండు-డైమెన్షనల్ మాగ్నెటిక్ రెసొనెన్స్ ఇమేజింగ్ యొక్క నిర్మాణ, పదనిర్మాణ మరియు గణాంక విశ్లేషణ. ఆరోగ్య సమాచారం. వనరు. https://doi.org/10.4258/hir.2022.28.1.46 (2022).