కొరియన్ కౌమార మరియు యువకులలో సాంప్రదాయ దంత వయస్సు అంచనా పద్ధతులతో పోల్చి డేటా మైనింగ్ నమూనా యొక్క ధ్రువీకరణ

Nature.comను సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ వెర్షన్‌లో CSS మద్దతు పరిమితంగా ఉంది. ఉత్తమ ఫలితాల కోసం, మీ బ్రౌజర్ యొక్క కొత్త వెర్షన్‌ను ఉపయోగించమని (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో కంపాటిబిలిటీ మోడ్‌ను ఆఫ్ చేయమని) మేము సిఫార్సు చేస్తున్నాము. ఈలోగా, నిరంతర మద్దతును అందించడానికి, మేము ఈ సైట్‌ను స్టైలింగ్ లేదా జావాస్క్రిప్ట్ లేకుండా చూపిస్తున్నాము.
మానవ శరీరం యొక్క వయస్సును అంచనా వేయడానికి దంతాలు అత్యంత కచ్చితమైన సూచికగా పరిగణించబడతాయి మరియు ఫోరెన్సిక్ వయస్సు నిర్ధారణలో తరచుగా ఉపయోగించబడతాయి. సాంప్రదాయ పద్ధతులు మరియు డేటా మైనింగ్ ఆధారిత వయస్సు అంచనాలతో 18 సంవత్సరాల పరిమితి యొక్క అంచనా కచ్చితత్వం మరియు వర్గీకరణ పనితీరును పోల్చడం ద్వారా, డేటా మైనింగ్ ఆధారిత దంత వయస్సు అంచనాలను ధృవీకరించడమే మా లక్ష్యం. 15 నుండి 23 సంవత్సరాల వయస్సు గల కొరియన్ మరియు జపనీస్ పౌరుల నుండి మొత్తం 2657 పనోరమిక్ రేడియోగ్రాఫ్‌లు సేకరించబడ్డాయి. వాటిని, ఒక్కొక్క దానిలో 900 కొరియన్ రేడియోగ్రాఫ్‌లు ఉన్న ఒక శిక్షణా సమితిగా (training set) మరియు 857 జపనీస్ రేడియోగ్రాఫ్‌లు ఉన్న ఒక అంతర్గత పరీక్షా సమితిగా (internal test set) విభజించారు. మేము సాంప్రదాయ పద్ధతుల వర్గీకరణ కచ్చితత్వం మరియు సామర్థ్యాన్ని డేటా మైనింగ్ నమూనాల పరీక్షా సమితులతో పోల్చాము. అంతర్గత పరీక్షా సమితిపై సాంప్రదాయ పద్ధతి యొక్క కచ్చితత్వం డేటా మైనింగ్ నమూనా కంటే కొద్దిగా ఎక్కువగా ఉంది, మరియు ఆ వ్యత్యాసం స్వల్పం (సగటు సంపూర్ణ దోషం <0.21 సంవత్సరాలు, వర్గమూల సగటు దోషం <0.24 సంవత్సరాలు). 18 సంవత్సరాల కటాఫ్ కోసం వర్గీకరణ పనితీరు కూడా సాంప్రదాయ పద్ధతులు మరియు డేటా మైనింగ్ నమూనాల మధ్య సారూప్యంగా ఉంది. అందువల్ల, కొరియన్ కౌమార మరియు యువ వయస్కులలో రెండవ మరియు మూడవ దంతాల పరిపక్వతను ఉపయోగించి ఫోరెన్సిక్ వయస్సు నిర్ధారణ చేసేటప్పుడు, సాంప్రదాయ పద్ధతుల స్థానంలో డేటా మైనింగ్ నమూనాలను ఉపయోగించవచ్చు.
ఫోరెన్సిక్ మెడిసిన్ మరియు పీడియాట్రిక్ డెంటిస్ట్రీలో దంత వయస్సు అంచనాను విస్తృతంగా ఉపయోగిస్తారు. ముఖ్యంగా, కాలక్రమేణా వయస్సు మరియు దంత అభివృద్ధి మధ్య అధిక సంబంధం ఉన్నందున, పిల్లలు మరియు కౌమారదశలో ఉన్నవారి వయస్సును అంచనా వేయడానికి దంత అభివృద్ధి దశల ద్వారా వయస్సును అంచనా వేయడం ఒక ముఖ్యమైన ప్రమాణం¹,²,³. అయితే, యువకులలో, మూడవ దంతాలు (థర్డ్ మోలార్స్) మినహా దంతాల పెరుగుదల దాదాపుగా పూర్తయినందున, దంత పరిపక్వత ఆధారంగా దంత వయస్సును అంచనా వేయడంలో పరిమితులు ఉన్నాయి. యువకులు మరియు కౌమారదశలో ఉన్నవారి వయస్సును నిర్ధారించడం యొక్క చట్టపరమైన ఉద్దేశ్యం, వారు మేజర్ వయస్సుకు చేరుకున్నారా లేదా అనే దానిపై ఖచ్చితమైన అంచనాలు మరియు శాస్త్రీయ ఆధారాలను అందించడం. కొరియాలో కౌమారదశలో ఉన్నవారు మరియు యువకుల వైద్య-చట్టపరమైన అభ్యాసంలో, లీ పద్ధతిని ఉపయోగించి వయస్సును అంచనా వేశారు, మరియు ఓహ్ మరియు ఇతరులు⁵ నివేదించిన డేటా ఆధారంగా 18 సంవత్సరాల చట్టపరమైన పరిమితిని అంచనా వేశారు.
మెషిన్ లెర్నింగ్ అనేది ఒక రకమైన ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI). ఇది పెద్ద మొత్తంలో డేటాను పదేపదే నేర్చుకుంటుంది, వర్గీకరిస్తుంది, సమస్యలను స్వయంగా పరిష్కరిస్తుంది మరియు డేటా ప్రోగ్రామింగ్‌ను నడిపిస్తుంది. మెషిన్ లెర్నింగ్ పెద్ద పరిమాణంలో ఉన్న డేటాలో ఉపయోగకరమైన దాగి ఉన్న నమూనాలను కనుగొనగలదు⁶. దీనికి విరుద్ధంగా, శ్రమతో కూడుకున్న మరియు సమయం తీసుకునే సాంప్రదాయ పద్ధతులు, మానవీయంగా ప్రాసెస్ చేయడం కష్టంగా ఉండే పెద్ద పరిమాణంలోని సంక్లిష్ట డేటాతో వ్యవహరించేటప్పుడు పరిమితులను కలిగి ఉండవచ్చు⁷. అందువల్ల, మానవ తప్పిదాలను తగ్గించడానికి మరియు బహుమితీయ డేటాను సమర్థవంతంగా ప్రాసెస్ చేయడానికి, ఇటీవల తాజా కంప్యూటర్ టెక్నాలజీలను ఉపయోగించి అనేక అధ్యయనాలు నిర్వహించబడ్డాయి⁸,9,10,11,12. ముఖ్యంగా, డీప్ లెర్నింగ్‌ను మెడికల్ ఇమేజ్ అనాలిసిస్‌లో విస్తృతంగా ఉపయోగించారు, మరియు వయస్సు అంచనా యొక్క కచ్చితత్వం మరియు సామర్థ్యాన్ని మెరుగుపరచడానికి, రేడియోగ్రాఫ్‌లను స్వయంచాలకంగా విశ్లేషించడం ద్వారా వయస్సును అంచనా వేసే వివిధ పద్ధతులు నివేదించబడ్డాయి⁹,14,15,16,17,18,19,20. ఉదాహరణకు, హలాబీ మరియు ఇతరులు¹³ పిల్లల చేతుల రేడియోగ్రాఫ్‌లను ఉపయోగించి అస్థిపంజర వయస్సును అంచనా వేయడానికి కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌ల (CNN) ఆధారంగా ఒక మెషిన్ లెర్నింగ్ అల్గారిథమ్‌ను అభివృద్ధి చేశారు. ఈ అధ్యయనం వైద్య చిత్రాలకు మెషిన్ లెర్నింగ్‌ను వర్తింపజేసే ఒక నమూనాను ప్రతిపాదిస్తుంది మరియు ఈ పద్ధతులు రోగనిర్ధారణ కచ్చితత్వాన్ని మెరుగుపరుస్తాయని చూపిస్తుంది. లీ మరియు ఇతరులు14 డీప్ లెర్నింగ్ CNNను ఉపయోగించి పెల్విక్ ఎక్స్-రే చిత్రాల నుండి వయస్సును అంచనా వేశారు మరియు అస్థీకరణ దశ అంచనాను ఉపయోగించి రిగ్రెషన్ ఫలితాలతో వాటిని పోల్చారు. డీప్ లెర్నింగ్ CNN మోడల్ సాంప్రదాయ రిగ్రెషన్ మోడల్ వలెనే వయస్సు అంచనా పనితీరును చూపించిందని వారు కనుగొన్నారు. గ్వో మరియు ఇతరుల అధ్యయనం [15] డెంటల్ ఆర్థోఫోటోల ఆధారంగా CNN టెక్నాలజీ యొక్క వయస్సు సహన వర్గీకరణ పనితీరును మూల్యాంకనం చేసింది, మరియు CNN మోడల్ యొక్క ఫలితాలు దాని వయస్సు వర్గీకరణ పనితీరులో మానవులు అధిగమించారని నిరూపించాయి.
మెషిన్ లెర్నింగ్ ఉపయోగించి వయస్సు అంచనాపై చేసే చాలా అధ్యయనాలు డీప్ లెర్నింగ్ పద్ధతులను ఉపయోగిస్తాయి¹³,¹⁴,¹⁵,¹⁶,¹⁷,¹⁸,¹⁹,²⁰. డీప్ లెర్నింగ్ ఆధారిత వయస్సు అంచనా సాంప్రదాయ పద్ధతుల కంటే మరింత కచ్చితమైనదని నివేదించబడింది. అయితే, ఈ విధానం, అంచనాలలో ఉపయోగించే వయస్సు సూచికల వంటి శాస్త్రీయ ఆధారాలను అందించడానికి తక్కువ అవకాశాన్ని కల్పిస్తుంది. తనిఖీలను ఎవరు నిర్వహిస్తారనే దానిపై కూడా చట్టపరమైన వివాదం ఉంది. అందువల్ల, డీప్ లెర్నింగ్ ఆధారిత వయస్సు అంచనాను పరిపాలనా మరియు న్యాయాధికారులు అంగీకరించడం కష్టం. డేటా మైనింగ్ (DM) అనేది పెద్ద మొత్తంలో ఉన్న డేటా మధ్య ఉపయోగకరమైన సహసంబంధాలను కనుగొనే పద్ధతిగా, ఊహించినదే కాకుండా ఊహించని సమాచారాన్ని కూడా కనుగొనగల ఒక సాంకేతికత⁶,²¹,²². డేటా మైనింగ్‌లో తరచుగా మెషిన్ లెర్నింగ్ ఉపయోగించబడుతుంది, మరియు డేటాలోని నమూనాలను కనుగొనడానికి డేటా మైనింగ్ మరియు మెషిన్ లెర్నింగ్ రెండూ ఒకే కీలక అల్గారిథమ్‌లను ఉపయోగిస్తాయి. దంతాల అభివృద్ధిని ఉపయోగించి వయస్సు అంచనా అనేది, పరీక్షించే వ్యక్తి లక్షిత దంతాల పరిపక్వతను అంచనా వేయడంపై ఆధారపడి ఉంటుంది, మరియు ఈ అంచనా ప్రతి లక్షిత దంతానికి ఒక దశగా వ్యక్తీకరించబడుతుంది. దంతాల అంచనా దశ మరియు వాస్తవ వయస్సు మధ్య సహసంబంధాన్ని విశ్లేషించడానికి DMను ఉపయోగించవచ్చు మరియు ఇది సాంప్రదాయ గణాంక విశ్లేషణను భర్తీ చేసే సామర్థ్యాన్ని కలిగి ఉంది. అందువల్ల, మనం వయస్సు అంచనాకు DM పద్ధతులను వర్తింపజేస్తే, చట్టపరమైన బాధ్యత గురించి ఆందోళన చెందకుండా ఫోరెన్సిక్ వయస్సు అంచనాలో మెషిన్ లెర్నింగ్‌ను అమలు చేయవచ్చు. ఫోరెన్సిక్ ఆచరణలో ఉపయోగించే సాంప్రదాయ మాన్యువల్ పద్ధతులకు మరియు దంత వయస్సును నిర్ధారించడానికి EBM-ఆధారిత పద్ధతులకు సాధ్యమయ్యే ప్రత్యామ్నాయాలపై అనేక తులనాత్మక అధ్యయనాలు ప్రచురించబడ్డాయి. సాంప్రదాయ కామరర్ ఫార్ములా కంటే DM మోడల్ మరింత కచ్చితమైనదని షెన్ మరియు ఇతరులు23 చూపించారు. గాలిబోర్గ్ మరియు ఇతరులు24 డెమిర్డ్జియన్ ప్రమాణం25 ప్రకారం వయస్సును అంచనా వేయడానికి వివిధ DM పద్ధతులను వర్తింపజేశారు మరియు ఫ్రెంచ్ జనాభా వయస్సును అంచనా వేయడంలో డెమిర్డ్జియన్ మరియు విల్లెమ్స్ పద్ధతుల కంటే DM పద్ధతి మెరుగైన పనితీరును కనబరిచిందని ఫలితాలు చూపించాయి.
కొరియన్ కౌమార మరియు యువ వయోజనుల దంత వయస్సును అంచనా వేయడానికి, కొరియన్ ఫోరెన్సిక్ పద్ధతిలో లీ యొక్క పద్ధతి 4 విస్తృతంగా ఉపయోగించబడుతుంది. ఈ పద్ధతి కొరియన్ వ్యక్తులు మరియు వారి వయస్సు మధ్య సంబంధాన్ని పరిశీలించడానికి సాంప్రదాయ గణాంక విశ్లేషణను (మల్టిపుల్ రిగ్రెషన్ వంటివి) ఉపయోగిస్తుంది. ఈ అధ్యయనంలో, సాంప్రదాయ గణాంక పద్ధతులను ఉపయోగించి పొందిన వయస్సు అంచనా పద్ధతులను "సాంప్రదాయ పద్ధతులు"గా నిర్వచించారు. లీ యొక్క పద్ధతి ఒక సాంప్రదాయ పద్ధతి, మరియు దాని ఖచ్చితత్వాన్ని ఓహ్ మరియు ఇతరులు 5 ధృవీకరించారు; అయినప్పటికీ, కొరియన్ ఫోరెన్సిక్ పద్ధతిలో DM మోడల్ ఆధారంగా వయస్సు అంచనా యొక్క అనువర్తనీయత ఇప్పటికీ సందేహాస్పదంగా ఉంది. DM మోడల్ ఆధారంగా వయస్సు అంచనా యొక్క సంభావ్య ప్రయోజనాన్ని శాస్త్రీయంగా ధృవీకరించడమే మా లక్ష్యం. ఈ అధ్యయనం యొక్క ఉద్దేశ్యం (1) దంత వయస్సును అంచనా వేయడంలో రెండు DM మోడళ్ల ఖచ్చితత్వాన్ని పోల్చడం మరియు (2) 18 సంవత్సరాల వయస్సులో 7 DM మోడళ్ల వర్గీకరణ పనితీరును సాంప్రదాయ గణాంక పద్ధతులను ఉపయోగించి పొందిన వాటితో పోల్చడం. రెండు దవడలలో రెండవ మరియు మూడవ మోలార్ల పరిపక్వత.
దశ మరియు దంతాల రకం వారీగా కాలక్రమ వయస్సు యొక్క సగటులు మరియు ప్రామాణిక విచలనాలు ఆన్‌లైన్‌లో అనుబంధ పట్టిక S1 (శిక్షణా సమితి), అనుబంధ పట్టిక S2 (అంతర్గత పరీక్షా సమితి), మరియు అనుబంధ పట్టిక S3 (బాహ్య పరీక్షా సమితి) లలో చూపబడ్డాయి. శిక్షణా సమితి నుండి పొందిన అంతర్గత మరియు అంతర పరిశీలకుల విశ్వసనీయత కొరకు కాపా విలువలు వరుసగా 0.951 మరియు 0.947 గా ఉన్నాయి. కాపా విలువల కొరకు P విలువలు మరియు 95% విశ్వాస విరామాలు ఆన్‌లైన్ అనుబంధ పట్టిక S4 లో చూపబడ్డాయి. లాండిస్ మరియు కోచ్26 యొక్క ప్రమాణాలకు అనుగుణంగా, కాపా విలువ "దాదాపు పరిపూర్ణమైనది"గా వ్యాఖ్యానించబడింది.
సగటు సంపూర్ణ దోషాన్ని (MAE) పోల్చినప్పుడు, మల్టీలేయర్ పెర్సెప్ట్రాన్ (MLP) మినహా, సాంప్రదాయ పద్ధతి అన్ని లింగాలకు మరియు బాహ్య పురుషుల పరీక్షా సమితిలో DM నమూనా కంటే కొద్దిగా మెరుగైన పనితీరును కనబరుస్తుంది. అంతర్గత MAE పరీక్షా సమితిలో సాంప్రదాయ నమూనా మరియు DM నమూనా మధ్య వ్యత్యాసం పురుషులకు 0.12–0.19 సంవత్సరాలు మరియు మహిళలకు 0.17–0.21 సంవత్సరాలుగా ఉంది. బాహ్య పరీక్షల సమితికి, వ్యత్యాసాలు తక్కువగా ఉన్నాయి (పురుషులకు 0.001–0.05 సంవత్సరాలు మరియు మహిళలకు 0.05–0.09 సంవత్సరాలు). అదనంగా, రూట్ మీన్ స్క్వేర్ ఎర్రర్ (RMSE) సాంప్రదాయ పద్ధతి కంటే కొద్దిగా తక్కువగా ఉంది, వ్యత్యాసాలు కూడా తక్కువగా ఉన్నాయి (పురుషుల అంతర్గత పరీక్షా సమితికి 0.17–0.24, 0.2–0.24 మరియు బాహ్య పరీక్షా సమితికి 0.03–0.07, 0.04–0.08). మహిళల బాహ్య పరీక్షా సమితి మినహా, MLP సింగిల్ లేయర్ పెర్సెప్ట్రాన్ (SLP) కంటే కొద్దిగా మెరుగైన పనితీరును కనబరుస్తుంది. MAE మరియు RMSE కొరకు, అన్ని లింగాలకు మరియు నమూనాలకు అంతర్గత పరీక్షా సమితి కంటే బాహ్య పరీక్షా సమితి అధిక స్కోరు సాధించింది. అన్ని MAE మరియు RMSE లు పట్టిక 1 మరియు పటం 1 లో చూపబడ్డాయి.
సాంప్రదాయ మరియు డేటా మైనింగ్ రిగ్రెషన్ నమూనాల MAE మరియు RMSE. మీన్ అబ్సొల్యూట్ ఎర్రర్ MAE, రూట్ మీన్ స్క్వేర్ ఎర్రర్ RMSE, సింగిల్ లేయర్ పెర్సెప్ట్రాన్ SLP, మల్టీలేయర్ పెర్సెప్ట్రాన్ MLP, సాంప్రదాయ CM పద్ధతి.
సాంప్రదాయ మరియు DM నమూనాల వర్గీకరణ పనితీరును (18 సంవత్సరాల కటాఫ్‌తో) సెన్సిటివిటీ, స్పెసిఫిసిటీ, పాజిటివ్ ప్రిడిక్టివ్ వాల్యూ (PPV), నెగటివ్ ప్రిడిక్టివ్ వాల్యూ (NPV), మరియు రిసీవర్ ఆపరేటింగ్ క్యారెక్టరిస్టిక్ కర్వ్ (AUROC) 27 కింద ఉన్న ప్రాంతం పరంగా ప్రదర్శించబడింది (పట్టిక 2, చిత్రం 2 మరియు ఆన్‌లైన్‌లో అనుబంధ చిత్రం 1). అంతర్గత పరీక్షల సముదాయం యొక్క సెన్సిటివిటీ పరంగా, సాంప్రదాయ పద్ధతులు పురుషులలో ఉత్తమంగా మరియు మహిళలలో అధ్వాన్నంగా పనిచేశాయి. అయితే, సాంప్రదాయ పద్ధతులు మరియు SD మధ్య వర్గీకరణ పనితీరులో వ్యత్యాసం పురుషులకు (MLP) 9.7% మరియు మహిళలకు (XGBoost) కేవలం 2.4% మాత్రమే. DM నమూనాలలో, లాజిస్టిక్ రిగ్రెషన్ (LR) రెండు లింగాలలోనూ మెరుగైన సెన్సిటివిటీని చూపించింది. అంతర్గత పరీక్షల సముదాయం యొక్క స్పెసిఫిసిటీకి సంబంధించి, నాలుగు SD నమూనాలు పురుషులలో బాగా పనిచేశాయని, అయితే సాంప్రదాయ నమూనా మహిళలలో మెరుగ్గా పనిచేశాయని గమనించబడింది. పురుషులు మరియు మహిళల వర్గీకరణ పనితీరులో వ్యత్యాసాలు వరుసగా 13.3% (MLP) మరియు 13.1% (MLP), ఇది నమూనాల మధ్య వర్గీకరణ పనితీరులో వ్యత్యాసం సెన్సిటివిటీని మించిందని సూచిస్తుంది. DM నమూనాలలో, సపోర్ట్ వెక్టర్ మెషిన్ (SVM), డెసిషన్ ట్రీ (DT), మరియు రాండమ్ ఫారెస్ట్ (RF) నమూనాలు పురుషులలో ఉత్తమంగా పనిచేశాయి, అయితే LR నమూనా స్త్రీలలో ఉత్తమంగా పనిచేసింది. సాంప్రదాయ నమూనా మరియు అన్ని SD నమూనాల AUROC 0.925 కంటే ఎక్కువగా ఉంది (పురుషులలో k-నియరెస్ట్ నైబర్ (KNN)), ఇది 18 ఏళ్ల నమూనాలను వేరు చేయడంలో అద్భుతమైన వర్గీకరణ పనితీరును ప్రదర్శించింది28. అంతర్గత పరీక్షా సమితితో పోలిస్తే బాహ్య పరీక్షా సమితిలో సెన్సిటివిటీ, స్పెసిఫిసిటీ మరియు AUROC పరంగా వర్గీకరణ పనితీరులో తగ్గుదల ఉంది. అంతేకాకుండా, ఉత్తమ మరియు అధ్వాన్నమైన నమూనాల వర్గీకరణ పనితీరు మధ్య సెన్సిటివిటీ మరియు స్పెసిఫిసిటీలో వ్యత్యాసం 10% నుండి 25% వరకు ఉంది మరియు ఇది అంతర్గత పరీక్షా సమితిలోని వ్యత్యాసం కంటే ఎక్కువగా ఉంది.
18 సంవత్సరాల కటాఫ్‌తో సాంప్రదాయ పద్ధతులతో పోల్చినప్పుడు డేటా మైనింగ్ వర్గీకరణ నమూనాల సున్నితత్వం మరియు నిర్దిష్టత. KNN k నియరెస్ట్ నైబర్, 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, ఏడు DM నమూనాల నుండి పొందిన దంత వయస్సు అంచనాల కచ్చితత్వాన్ని, సాంప్రదాయ రిగ్రెషన్ ఉపయోగించి పొందిన వాటితో పోల్చడం. రెండు లింగాల వారికీ అంతర్గత పరీక్షా సెట్‌లలో MAE మరియు RMSE లను మూల్యాంకనం చేశారు, మరియు సాంప్రదాయ పద్ధతికి, DM నమూనాకు మధ్య వ్యత్యాసం MAE కు 44 నుండి 77 రోజుల వరకు మరియు RMSE కు 62 నుండి 88 రోజుల వరకు ఉంది. ఈ అధ్యయనంలో సాంప్రదాయ పద్ధతి కొద్దిగా ఎక్కువ కచ్చితమైనది అయినప్పటికీ, ఇంత చిన్న వ్యత్యాసానికి వైద్యపరమైన లేదా ఆచరణాత్మక ప్రాముఖ్యత ఉందో లేదో నిర్ధారించడం కష్టం. ఈ ఫలితాలు DM నమూనాను ఉపయోగించి దంత వయస్సు అంచనా యొక్క కచ్చితత్వం, సాంప్రదాయ పద్ధతితో దాదాపు సమానంగా ఉందని సూచిస్తున్నాయి. మునుపటి అధ్యయనాల ఫలితాలతో నేరుగా పోల్చడం కష్టం, ఎందుకంటే ఈ అధ్యయనంలో ఉన్న అదే వయస్సు పరిధిలో దంతాలను నమోదు చేసే అదే సాంకేతికతను ఉపయోగించి, DM నమూనాల కచ్చితత్వాన్ని సాంప్రదాయ గణాంక పద్ధతులతో ఏ అధ్యయనం కూడా పోల్చలేదు. గాలిబోర్గ్ మరియు ఇతరులు24, 2 నుండి 24 సంవత్సరాల వయస్సు గల ఫ్రెంచ్ జనాభాలో రెండు సాంప్రదాయ పద్ధతులు (డెమిర్జియన్ పద్ధతి25 మరియు విల్లెమ్స్ పద్ధతి29) మరియు 10 DM నమూనాల మధ్య MAE మరియు RMSE లను పోల్చారు. విల్లెమ్స్ మరియు డెమిర్డ్జియన్ పద్ధతులతో పోల్చినప్పుడు, వరుసగా MAEలో 0.20 మరియు 0.38 సంవత్సరాలు, మరియు RMSEలో 0.25 మరియు 0.47 సంవత్సరాల వ్యత్యాసాలతో, అన్ని DM నమూనాలు సాంప్రదాయ పద్ధతుల కంటే ఎక్కువ కచ్చితమైనవని వారు నివేదించారు. హాలిబోర్గ్ అధ్యయనంలో చూపిన SD నమూనా మరియు సాంప్రదాయ పద్ధతుల మధ్య వ్యత్యాసం, ఆ అధ్యయనం ఆధారపడిన ఫ్రెంచ్ కెనడియన్లు కాకుండా ఇతర జనాభాలో డెమిర్డ్జియన్ పద్ధతి దంత వయస్సును కచ్చితంగా అంచనా వేయదని తెలిపే అనేక నివేదికలను30,31,32,33 పరిగణనలోకి తీసుకుంటుంది. ఈ అధ్యయనంలో, తాయ్ మరియు ఇతరులు 34 1636 చైనీస్ ఆర్థోడాంటిక్ ఫోటోగ్రాఫ్‌ల నుండి దంతాల వయస్సును అంచనా వేయడానికి MLP అల్గారిథమ్‌ను ఉపయోగించారు మరియు దాని కచ్చితత్వాన్ని డెమిర్డ్జియన్ మరియు విల్లెమ్స్ పద్ధతుల ఫలితాలతో పోల్చారు. సాంప్రదాయ పద్ధతుల కంటే MLPకి అధిక కచ్చితత్వం ఉందని వారు నివేదించారు. డెమిర్డ్జియన్ పద్ధతి మరియు సాంప్రదాయ పద్ధతి మధ్య వ్యత్యాసం <0.32 సంవత్సరాలు, మరియు విల్లెమ్స్ పద్ధతిలో 0.28 సంవత్సరాలు, ఇది ప్రస్తుత అధ్యయనం యొక్క ఫలితాలకు సమానంగా ఉంది. ఈ మునుపటి అధ్యయనాల24,34 ఫలితాలు కూడా ప్రస్తుత అధ్యయనం యొక్క ఫలితాలతో ఏకీభవిస్తున్నాయి, మరియు DM మోడల్ మరియు సాంప్రదాయ పద్ధతి యొక్క వయస్సు అంచనా కచ్చితత్వం సమానంగా ఉంది. అయినప్పటికీ, తులనాత్మక మరియు సూచనాత్మక మునుపటి అధ్యయనాల కొరత కారణంగా, వయస్సును అంచనా వేయడానికి DM మోడళ్ల వాడకం ప్రస్తుత పద్ధతులను భర్తీ చేయవచ్చని సమర్పించిన ఫలితాల ఆధారంగా మనం జాగ్రత్తగా మాత్రమే 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 అధిక ఖచ్చితత్వాన్ని చూపించాయి. స్టెపనోవ్‌స్కీ మరియు ఇతరులు 35, 2.7 నుండి 20.5 సంవత్సరాల వయస్సు గల 976 మంది చెక్ నివాసితుల పనోరమిక్ రేడియోగ్రాఫ్‌లకు 22 SD నమూనాలను వర్తింపజేసి, ప్రతి నమూనా యొక్క ఖచ్చితత్వాన్ని పరీక్షించారు. వారు మూరీస్ మరియు ఇతరులు 36 ప్రతిపాదించిన వర్గీకరణ ప్రమాణాలను ఉపయోగించి మొత్తం 16 పై మరియు క్రింది ఎడమ శాశ్వత దంతాల అభివృద్ధిని అంచనా వేశారు. MAE 0.64 నుండి 0.94 సంవత్సరాల వరకు మరియు RMSE 0.85 నుండి 1.27 సంవత్సరాల వరకు ఉన్నాయి, ఇవి ఈ అధ్యయనంలో ఉపయోగించిన రెండు DM నమూనాల కంటే ఎక్కువ ఖచ్చితమైనవి. షెన్ మరియు ఇతరులు23, 5 నుండి 13 సంవత్సరాల వయస్సు గల తూర్పు చైనా నివాసితులలో ఎడమ దవడలోని ఏడు శాశ్వత దంతాల దంత వయస్సును అంచనా వేయడానికి కామెరియర్ పద్ధతిని ఉపయోగించారు మరియు దానిని లీనియర్ రిగ్రెషన్, SVM మరియు RF ఉపయోగించి అంచనా వేసిన వయస్సులతో పోల్చారు. సాంప్రదాయ కామెరియర్ ఫార్ములాతో పోలిస్తే మూడు DM నమూనాలు అధిక ఖచ్చితత్వాన్ని కలిగి ఉన్నాయని వారు చూపించారు. షెన్ అధ్యయనంలోని MAE మరియు RMSE, ఈ అధ్యయనంలోని DM మోడల్‌లో ఉన్న వాటి కంటే తక్కువగా ఉన్నాయి. స్టెపనోవ్‌స్కీ మరియు ఇతరులు 35 మరియు షెన్ మరియు ఇతరులు 23 చేసిన అధ్యయనాలలో పెరిగిన కచ్చితత్వానికి కారణం, వారి అధ్యయన నమూనాలలో చిన్న వయస్సు గల వారిని చేర్చడమే కావచ్చు. దంతాల అభివృద్ధి సమయంలో దంతాల సంఖ్య పెరిగేకొద్దీ, అభివృద్ధి చెందుతున్న దంతాలు ఉన్న పాల్గొనేవారికి వయస్సు అంచనాలు మరింత కచ్చితమైనవిగా మారతాయి కాబట్టి, అధ్యయనంలో పాల్గొనేవారు చిన్న వయస్సులో ఉన్నప్పుడు, ఫలితంగా వచ్చే వయస్సు అంచనా పద్ధతి యొక్క కచ్చితత్వం దెబ్బతినవచ్చు. అదనంగా, వయస్సు అంచనాలో MLP యొక్క దోషం SLP కంటే కొద్దిగా తక్కువగా ఉంది, అంటే MLP, SLP కంటే ఎక్కువ కచ్చితమైనది. వయస్సు అంచనాకు MLP కొద్దిగా మెరుగైనదిగా పరిగణించబడుతుంది, బహుశా MLP38లోని హిడెన్ లేయర్‌ల కారణంగా కావచ్చు. అయితే, మహిళల ఔటర్ శాంపిల్‌కు ఒక మినహాయింపు ఉంది (SLP 1.45, MLP 1.49). వయస్సును అంచనా వేయడంలో SLP కంటే MLP ఎక్కువ కచ్చితమైనదనే నిర్ధారణకు అదనపు రెట్రోస్పెక్టివ్ అధ్యయనాలు అవసరం.
18 సంవత్సరాల వయస్సు పరిమితి వద్ద DM మోడల్ మరియు సాంప్రదాయ పద్ధతి యొక్క వర్గీకరణ పనితీరును కూడా పోల్చడం జరిగింది. అంతర్గత పరీక్షా సమితిపై పరీక్షించిన అన్ని SD మోడల్స్ మరియు సాంప్రదాయ పద్ధతులు 18 సంవత్సరాల వయస్సు గల నమూనా కోసం ఆచరణాత్మకంగా ఆమోదయోగ్యమైన స్థాయిలలో వివక్షతను చూపించాయి. పురుషులు మరియు మహిళలకు సున్నితత్వం వరుసగా 87.7% మరియు 94.9% కంటే ఎక్కువగా ఉంది, మరియు నిర్దిష్టత 89.3% మరియు 84.7% కంటే ఎక్కువగా ఉంది. పరీక్షించిన అన్ని మోడల్స్ యొక్క AUROC కూడా 0.925 ను మించిపోయింది. మాకు తెలిసినంత వరకు, దంత పరిపక్వత ఆధారంగా 18 సంవత్సరాల వర్గీకరణ కోసం DM మోడల్ యొక్క పనితీరును ఏ అధ్యయనం కూడా పరీక్షించలేదు. ఈ అధ్యయనం యొక్క ఫలితాలను పనోరమిక్ రేడియోగ్రాఫ్‌లపై డీప్ లెర్నింగ్ మోడల్స్ యొక్క వర్గీకరణ పనితీరుతో మనం పోల్చవచ్చు. గ్వో మరియు ఇతరులు¹⁵ ఒక నిర్దిష్ట వయస్సు పరిమితి కోసం CNN-ఆధారిత డీప్ లెర్నింగ్ మోడల్ మరియు డెమిర్జియాన్ పద్ధతి ఆధారంగా ఒక మాన్యువల్ పద్ధతి యొక్క వర్గీకరణ పనితీరును లెక్కించారు. మాన్యువల్ పద్ధతి యొక్క సెన్సిటివిటీ మరియు స్పెసిఫిసిటీ వరుసగా 87.7% మరియు 95.5%గా ఉన్నాయి, మరియు CNN మోడల్ యొక్క సెన్సిటివిటీ మరియు స్పెసిఫిసిటీ వరుసగా 89.2% మరియు 86.6%ను మించిపోయాయి. వయస్సు పరిమితులను వర్గీకరించడంలో డీప్ లెర్నింగ్ మోడల్స్ మాన్యువల్ అసెస్‌మెంట్‌ను భర్తీ చేయగలవని లేదా దాని కంటే మెరుగైన పనితీరును కనబరచగలవని వారు నిర్ధారించారు. ఈ అధ్యయనం యొక్క ఫలితాలు సారూప్య వర్గీకరణ పనితీరును చూపించాయి; DM మోడల్స్‌ను ఉపయోగించి చేసే వర్గీకరణ, వయస్సు అంచనా కోసం సాంప్రదాయ గణాంక పద్ధతులను భర్తీ చేయగలదని భావిస్తున్నారు. మోడల్స్‌లో, పురుషుల నమూనాకు సెన్సిటివిటీ పరంగా మరియు మహిళల నమూనాకు సెన్సిటివిటీ మరియు స్పెసిఫిసిటీ పరంగా DM LR ఉత్తమ మోడల్‌గా నిలిచింది. పురుషులలో స్పెసిఫిసిటీలో LR రెండవ స్థానంలో ఉంది. అంతేకాకుండా, LR అనేది మరింత యూజర్-ఫ్రెండ్లీ DM35 మోడల్స్‌లో ఒకటిగా పరిగణించబడుతుంది మరియు ఇది తక్కువ సంక్లిష్టంగా మరియు ప్రాసెస్ చేయడానికి కష్టంగా ఉంటుంది. ఈ ఫలితాల ఆధారంగా, కొరియన్ జనాభాలో 18 ఏళ్ల వారికి LR ఉత్తమ కటాఫ్ వర్గీకరణ మోడల్‌గా పరిగణించబడింది.
మొత్తంమీద, అంతర్గత పరీక్షా సమితిలోని ఫలితాలతో పోలిస్తే బాహ్య పరీక్షా సమితిపై వయస్సు అంచనా లేదా వర్గీకరణ పనితీరు యొక్క కచ్చితత్వం పేలవంగా లేదా తక్కువగా ఉంది. కొరియన్ జనాభా ఆధారంగా వయస్సు అంచనాలను జపనీస్ జనాభాకు వర్తింపజేసినప్పుడు వర్గీకరణ కచ్చితత్వం లేదా సామర్థ్యం తగ్గుతుందని కొన్ని నివేదికలు సూచిస్తున్నాయి5,39, మరియు ప్రస్తుత అధ్యయనంలో కూడా ఇలాంటి నమూనానే కనుగొనబడింది. ఈ క్షీణత ధోరణి DM నమూనాలో కూడా గమనించబడింది. అందువల్ల, వయస్సును కచ్చితంగా అంచనా వేయడానికి, విశ్లేషణ ప్రక్రియలో DMని ఉపయోగిస్తున్నప్పుడు కూడా, సాంప్రదాయ పద్ధతుల వంటి స్థానిక జనాభా డేటా నుండి ఉద్భవించిన పద్ధతులకు ప్రాధాన్యత ఇవ్వాలి5,39,40,41,42. డీప్ లెర్నింగ్ నమూనాలు ఇలాంటి ధోరణులను చూపగలవా అనేది అస్పష్టంగా ఉన్నందున, పరిమిత వయస్సు అంచనాలలో ఈ జాతిపరమైన అసమానతలను కృత్రిమ మేధస్సు అధిగమించగలదా అని నిర్ధారించడానికి, ఒకే నమూనాలపై సాంప్రదాయ పద్ధతులు, DM నమూనాలు మరియు డీప్ లెర్నింగ్ నమూనాలను ఉపయోగించి వర్గీకరణ కచ్చితత్వం మరియు సామర్థ్యాన్ని పోల్చే అధ్యయనాలు అవసరం.
కొరియాలో ఫోరెన్సిక్ వయస్సు అంచనా పద్ధతిలో, సాంప్రదాయ పద్ధతుల స్థానంలో DM మోడల్ ఆధారిత వయస్సు అంచనాను ఉపయోగించవచ్చని మేము నిరూపిస్తున్నాము. ఫోరెన్సిక్ వయస్సు అంచనా కోసం మెషిన్ లెర్నింగ్‌ను అమలు చేసే అవకాశాన్ని కూడా మేము కనుగొన్నాము. అయితే, ఫలితాలను ఖచ్చితంగా నిర్ధారించడానికి ఈ అధ్యయనంలో పాల్గొన్నవారి సంఖ్య సరిపోకపోవడం, మరియు ఈ అధ్యయనం యొక్క ఫలితాలను పోల్చి, ధృవీకరించడానికి మునుపటి అధ్యయనాలు లేకపోవడం వంటి స్పష్టమైన పరిమితులు ఉన్నాయి. భవిష్యత్తులో, సాంప్రదాయ పద్ధతులతో పోలిస్తే DM యొక్క ఆచరణాత్మక వినియోగాన్ని మెరుగుపరచడానికి, ఎక్కువ సంఖ్యలో నమూనాలు మరియు విభిన్న జనాభాతో DM అధ్యయనాలు నిర్వహించాలి. బహుళ జనాభాలలో వయస్సును అంచనా వేయడానికి కృత్రిమ మేధస్సును ఉపయోగించడం యొక్క సాధ్యతను ధృవీకరించడానికి, భవిష్యత్తులో ఒకే నమూనాలలో DM మరియు డీప్ లెర్నింగ్ మోడళ్ల వర్గీకరణ కచ్చితత్వం మరియు సామర్థ్యాన్ని సాంప్రదాయ పద్ధతులతో పోల్చే అధ్యయనాలు అవసరం.
ఈ అధ్యయనంలో 15 నుండి 23 సంవత్సరాల వయస్సు గల కొరియన్ మరియు జపనీస్ పెద్దల నుండి సేకరించిన 2,657 ఆర్థోగ్రాఫిక్ ఫోటోగ్రాఫ్‌లను ఉపయోగించారు. కొరియన్ రేడియోగ్రాఫ్‌లను 900 శిక్షణా సెట్‌లుగా (19.42 ± 2.65 సంవత్సరాలు) మరియు 900 అంతర్గత పరీక్షా సెట్‌లుగా (19.52 ± 2.59 సంవత్సరాలు) విభజించారు. శిక్షణా సెట్‌ను ఒక సంస్థ (సియోల్ సెయింట్ మేరీస్ హాస్పిటల్) నుండి, మరియు అంతర్గత పరీక్షా సెట్‌ను రెండు సంస్థల (సియోల్ నేషనల్ యూనివర్సిటీ డెంటల్ హాస్పిటల్ మరియు యోన్సే యూనివర్సిటీ డెంటల్ హాస్పిటల్) నుండి సేకరించారు. బాహ్య పరీక్ష కోసం మేము మరొక జనాభా-ఆధారిత డేటా (ఇవాటే మెడికల్ యూనివర్సిటీ, జపాన్) నుండి 857 రేడియోగ్రాఫ్‌లను కూడా సేకరించాము. జపనీస్ వ్యక్తుల (19.31 ± 2.60 సంవత్సరాలు) రేడియోగ్రాఫ్‌లను బాహ్య పరీక్షా సెట్‌గా ఎంపిక చేశారు. దంత చికిత్స సమయంలో తీసిన పనోరమిక్ రేడియోగ్రాఫ్‌లపై దంత అభివృద్ధి దశలను విశ్లేషించడానికి డేటాను రెట్రోస్పెక్టివ్‌గా సేకరించారు. లింగం, పుట్టిన తేదీ మరియు రేడియోగ్రాఫ్ తేదీ మినహా సేకరించిన మొత్తం డేటా అనామకంగా ఉంది. చేర్పు మరియు మినహాయింపు ప్రమాణాలు గతంలో ప్రచురించిన అధ్యయనాల 4, 5 మాదిరిగానే ఉన్నాయి. రేడియోగ్రాఫ్ తీసిన తేదీ నుండి పుట్టిన తేదీని తీసివేయడం ద్వారా నమూనా యొక్క అసలు వయస్సును లెక్కించారు. నమూనా సమూహాన్ని తొమ్మిది వయస్సు సమూహాలుగా విభజించారు. వయస్సు మరియు లింగ పంపిణీలు పట్టిక 3లో చూపబడ్డాయి. ఈ అధ్యయనం హెల్సింకి ప్రకటనకు అనుగుణంగా నిర్వహించబడింది మరియు కొరియా కాథలిక్ విశ్వవిద్యాలయం యొక్క సియోల్ సెయింట్ మేరీస్ హాస్పిటల్ యొక్క ఇన్‌స్టిట్యూషనల్ రివ్యూ బోర్డ్ (IRB) (KC22WISI0328) ద్వారా ఆమోదించబడింది. ఈ అధ్యయనం యొక్క రెట్రోస్పెక్టివ్ డిజైన్ కారణంగా, చికిత్సా ప్రయోజనాల కోసం రేడియోగ్రాఫిక్ పరీక్ష చేయించుకుంటున్న రోగులందరి నుండి సమాచార సమ్మతిని పొందలేకపోయారు. సియోల్ కొరియా విశ్వవిద్యాలయం సెయింట్ మేరీస్ హాస్పిటల్ (IRB) సమాచార సమ్మతి అవసరాన్ని మినహాయించింది.
డెమిర్కాన్ ప్రమాణాల ప్రకారం ద్విదంత రెండవ మరియు మూడవ మోలార్ల అభివృద్ధి దశలను అంచనా వేశారు. ప్రతి దవడకు ఎడమ మరియు కుడి వైపులా ఒకే రకమైన దంతం కనిపించినట్లయితే, ఒక దంతాన్ని మాత్రమే ఎంపిక చేశారు. రెండు వైపులా ఉన్న సజాతీయ దంతాలు వేర్వేరు అభివృద్ధి దశలలో ఉన్నట్లయితే, అంచనా వేసిన వయస్సులో అనిశ్చితిని పరిగణనలోకి తీసుకోవడానికి తక్కువ అభివృద్ధి దశలో ఉన్న దంతాన్ని ఎంపిక చేశారు. దంత పరిపక్వత దశను నిర్ధారించడానికి, శిక్షణా సమితి నుండి యాదృచ్ఛికంగా ఎంపిక చేసిన వంద రేడియోగ్రాఫ్‌లకు, పూర్వ-క్రమాంకనం తర్వాత పరిశీలకుల మధ్య విశ్వసనీయతను పరీక్షించడానికి ఇద్దరు అనుభవజ్ఞులైన పరిశీలకులచే స్కోర్ చేయబడింది. ప్రాథమిక పరిశీలకుడు మూడు నెలల వ్యవధిలో రెండుసార్లు అంతర్గత పరిశీలకుల విశ్వసనీయతను అంచనా వేశారు.
శిక్షణా సమితిలోని ప్రతి దవడ యొక్క రెండవ మరియు మూడవ మోలార్ల లింగం మరియు అభివృద్ధి దశను, వివిధ DM నమూనాలతో శిక్షణ పొందిన ఒక ప్రాథమిక పరిశీలకుడు అంచనా వేశాడు, మరియు వాస్తవ వయస్సును లక్ష్య విలువగా నిర్దేశించాడు. మెషిన్ లెర్నింగ్‌లో విస్తృతంగా ఉపయోగించే SLP మరియు MLP నమూనాలను రిగ్రెషన్ అల్గారిథమ్‌లతో పోల్చి పరీక్షించడం జరిగింది. DM నమూనా నాలుగు దంతాల అభివృద్ధి దశలను ఉపయోగించి సరళ ఫంక్షన్‌లను మిళితం చేస్తుంది మరియు వయస్సును అంచనా వేయడానికి ఈ డేటాను కలుపుతుంది. SLP అత్యంత సరళమైన న్యూరల్ నెట్‌వర్క్ మరియు ఇందులో హిడెన్ లేయర్‌లు ఉండవు. SLP నోడ్‌ల మధ్య థ్రెషోల్డ్ ట్రాన్స్‌మిషన్ ఆధారంగా పనిచేస్తుంది. రిగ్రెషన్‌లో SLP నమూనా గణితపరంగా మల్టిపుల్ లీనియర్ రిగ్రెషన్‌ను పోలి ఉంటుంది. SLP నమూనాలా కాకుండా, MLP నమూనాలో నాన్‌లీనియర్ యాక్టివేషన్ ఫంక్షన్‌లతో కూడిన బహుళ హిడెన్ లేయర్‌లు ఉంటాయి. మా ప్రయోగాలలో నాన్‌లీనియర్ యాక్టివేషన్ ఫంక్షన్‌లతో కేవలం 20 హిడెన్ నోడ్‌లు ఉన్న ఒక హిడెన్ లేయర్‌ను ఉపయోగించాము. మా మెషిన్ లెర్నింగ్ నమూనాకు శిక్షణ ఇవ్వడానికి ఆప్టిమైజేషన్ పద్ధతిగా గ్రేడియంట్ డిసెంట్‌ను మరియు లాస్ ఫంక్షన్‌గా MAE మరియు RMSEలను ఉపయోగించాము. ఉత్తమంగా పొందిన రిగ్రెషన్ నమూనాను అంతర్గత మరియు బాహ్య పరీక్షా సమితులకు వర్తింపజేసి, దంతాల వయస్సును అంచనా వేయడం జరిగింది.
ఒక నమూనా 18 సంవత్సరాల వయస్సు గలదా కాదా అని అంచనా వేయడానికి, శిక్షణా సమితిలోని నాలుగు దంతాల పరిపక్వతను ఉపయోగించే ఒక వర్గీకరణ అల్గోరిథం అభివృద్ధి చేయబడింది. ఈ నమూనాను నిర్మించడానికి, మేము ఏడు ప్రాతినిధ్య మెషిన్ లెర్నింగ్ అల్గోరిథంలను6,43 ఉత్పాదించాము: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, మరియు (7) MLP. LR అనేది అత్యంత విస్తృతంగా ఉపయోగించే వర్గీకరణ అల్గోరిథంలలో44 ఒకటి. ఇది ఒక పర్యవేక్షిత అభ్యాస అల్గోరిథం, ఇది 0 నుండి 1 వరకు ఒక నిర్దిష్ట వర్గానికి డేటా చెందే సంభావ్యతను అంచనా వేయడానికి రిగ్రెషన్‌ను ఉపయోగిస్తుంది మరియు ఈ సంభావ్యత ఆధారంగా డేటాను మరింత సంభావ్య వర్గానికి చెందినదిగా వర్గీకరిస్తుంది; ప్రధానంగా బైనరీ వర్గీకరణ కోసం ఉపయోగించబడుతుంది. KNN అనేది సరళమైన మెషిన్ లెర్నింగ్ అల్గోరిథంలలో45 ఒకటి. కొత్త ఇన్‌పుట్ డేటాను ఇచ్చినప్పుడు, ఇది ఇప్పటికే ఉన్న సమితికి దగ్గరగా ఉన్న k డేటాను కనుగొని, ఆపై వాటిని అత్యధిక ఫ్రీక్వెన్సీ ఉన్న తరగతిలోకి వర్గీకరిస్తుంది. మేము పరిగణించబడిన పొరుగువారి సంఖ్య (k) కోసం 3ని సెట్ చేసాము. SVM అనేది కెర్నల్ ఫంక్షన్‌ను ఉపయోగించి లీనియర్ స్పేస్‌ను ఫీల్డ్స్46 అని పిలువబడే నాన్-లీనియర్ స్పేస్‌గా విస్తరించడం ద్వారా రెండు తరగతుల మధ్య దూరాన్ని పెంచే ఒక అల్గోరిథం. ఈ మోడల్ కోసం, మేము పాలినోమియల్ కెర్నల్ కొరకు హైపర్‌పారామీటర్‌లుగా బయాస్ = 1, పవర్ = 1, మరియు గామా = 1 లను ఉపయోగిస్తాము. DT అనేది ఒక ట్రీ నిర్మాణంలో నిర్ణయ నియమాలను సూచించడం ద్వారా మొత్తం డేటా సెట్‌ను అనేక ఉప సమూహాలుగా విభజించడానికి ఒక అల్గోరిథంగా వివిధ రంగాలలో వర్తింపజేయబడింది47. ఈ మోడల్ ప్రతి నోడ్‌కు కనీసం 2 రికార్డులతో కాన్ఫిగర్ చేయబడింది మరియు నాణ్యత కొలమానంగా గిని ఇండెక్స్‌ను ఉపయోగిస్తుంది. RF అనేది ఒక ఎన్‌సెంబుల్ పద్ధతి, ఇది బూట్‌స్ట్రాప్ అగ్రిగేషన్ పద్ధతిని ఉపయోగించి పనితీరును మెరుగుపరచడానికి బహుళ DTలను మిళితం చేస్తుంది, ఇది అసలు డేటాసెట్48 నుండి ఒకే పరిమాణంలో నమూనాలను యాదృచ్ఛికంగా అనేకసార్లు గీయడం ద్వారా ప్రతి నమూనాకు ఒక బలహీనమైన వర్గీకరణను ఉత్పత్తి చేస్తుంది. మేము 100 ట్రీలు, 10 ట్రీ డెప్త్‌లు, 1 కనీస నోడ్ పరిమాణం మరియు నోడ్ విభజన ప్రమాణాలుగా గిని అడ్మిక్చర్ ఇండెక్స్‌ను ఉపయోగించాము. కొత్త డేటా యొక్క వర్గీకరణ మెజారిటీ ఓటు ద్వారా నిర్ణయించబడుతుంది. XGBoost అనేది బూస్టింగ్ టెక్నిక్‌లను మిళితం చేసే ఒక అల్గోరిథం. ఇది మునుపటి మోడల్ యొక్క వాస్తవ మరియు అంచనా విలువల మధ్య ఉన్న లోపాన్ని శిక్షణా డేటాగా తీసుకుని, గ్రేడియంట్‌లను ఉపయోగించి ఆ లోపాన్ని వృద్ధి చేసే పద్ధతిని ఉపయోగిస్తుంది49. దాని మంచి పనితీరు, వనరుల సామర్థ్యం, ​​అలాగే ఓవర్‌ఫిట్టింగ్ దిద్దుబాటు ఫంక్షన్‌గా అధిక విశ్వసనీయత కారణంగా ఇది విస్తృతంగా ఉపయోగించబడే అల్గోరిథం. ఈ మోడల్‌లో 400 సపోర్ట్ వీల్స్ ఉన్నాయి. MLP అనేది ఒక న్యూరల్ నెట్‌వర్క్, దీనిలో ఒకటి లేదా అంతకంటే ఎక్కువ పెర్సెప్ట్రాన్‌లు ఇన్‌పుట్ మరియు అవుట్‌పుట్ లేయర్‌ల మధ్య ఒకటి లేదా అంతకంటే ఎక్కువ హిడెన్ లేయర్‌లతో బహుళ లేయర్‌లను ఏర్పరుస్తాయి38. దీనిని ఉపయోగించి, మీరు నాన్-లీనియర్ వర్గీకరణను చేయవచ్చు, ఇక్కడ మీరు ఒక ఇన్‌పుట్ లేయర్‌ను జోడించి, ఒక ఫలిత విలువను పొందినప్పుడు, అంచనా వేసిన ఫలిత విలువను వాస్తవ ఫలిత విలువతో పోల్చి, లోపాన్ని వెనక్కి వ్యాపింపజేయడం జరుగుతుంది. మేము ప్రతి లేయర్‌లో 20 హిడెన్ న్యూరాన్‌లతో ఒక హిడెన్ లేయర్‌ను సృష్టించాము. మేము అభివృద్ధి చేసిన ప్రతి మోడల్‌ను, సెన్సిటివిటీ, స్పెసిఫిసిటీ, PPV, NPV, మరియు AUROCలను లెక్కించడం ద్వారా వర్గీకరణ పనితీరును పరీక్షించడానికి అంతర్గత మరియు బాహ్య సెట్‌లకు వర్తింపజేశాము. సెన్సిటివిటీని, 18 సంవత్సరాలు లేదా అంతకంటే ఎక్కువ వయస్సు ఉన్నట్లుగా అంచనా వేయబడిన నమూనాకు మరియు 18 సంవత్సరాలు లేదా అంతకంటే ఎక్కువ వయస్సు ఉన్నట్లుగా అంచనా వేయబడిన నమూనాకు మధ్య గల నిష్పత్తిగా నిర్వచిస్తారు. స్పెసిఫిసిటీ అనేది 18 సంవత్సరాల కంటే తక్కువ వయస్సు ఉన్న నమూనాలకు మరియు 18 సంవత్సరాల కంటే తక్కువ వయస్సు ఉన్నట్లుగా అంచనా వేయబడిన నమూనాలకు మధ్య గల నిష్పత్తి.
శిక్షణా సమితిలో అంచనా వేయబడిన దంత దశలను గణాంక విశ్లేషణ కోసం సంఖ్యా దశలుగా మార్చారు. ప్రతి లింగానికి అంచనా నమూనాలను అభివృద్ధి చేయడానికి మరియు వయస్సును అంచనా వేయడానికి ఉపయోగపడే రిగ్రెషన్ సూత్రాలను రాబట్టడానికి బహుళచర సరళ మరియు లాజిస్టిక్ రిగ్రెషన్‌ను నిర్వహించారు. అంతర్గత మరియు బాహ్య పరీక్షా సమితులు రెండింటికీ దంతాల వయస్సును అంచనా వేయడానికి మేము ఈ సూత్రాలను ఉపయోగించాము. ఈ అధ్యయనంలో ఉపయోగించిన రిగ్రెషన్ మరియు వర్గీకరణ నమూనాలను పట్టిక 4 చూపిస్తుంది.
కోహెన్ కప్పా గణాంకాన్ని ఉపయోగించి అంతర్గత మరియు బాహ్య పరిశీలకుల విశ్వసనీయతను లెక్కించారు. DM మరియు సాంప్రదాయ రిగ్రెషన్ నమూనాల ఖచ్చితత్వాన్ని పరీక్షించడానికి, మేము అంతర్గత మరియు బాహ్య పరీక్షా సెట్‌ల యొక్క అంచనా మరియు వాస్తవ వయస్సులను ఉపయోగించి MAE మరియు RMSE లను లెక్కించాము. ఈ దోషాలు సాధారణంగా నమూనా అంచనాల ఖచ్చితత్వాన్ని మూల్యాంకనం చేయడానికి ఉపయోగించబడతాయి. దోషం ఎంత తక్కువగా ఉంటే, అంచనా యొక్క ఖచ్చితత్వం అంత ఎక్కువగా ఉంటుంది24. DM మరియు సాంప్రదాయ రిగ్రెషన్‌ను ఉపయోగించి లెక్కించిన అంతర్గత మరియు బాహ్య పరీక్షా సెట్‌ల యొక్క MAE మరియు RMSE లను పోల్చండి. సాంప్రదాయ గణాంకాలలో 18 సంవత్సరాల కటాఫ్ యొక్క వర్గీకరణ పనితీరును 2 × 2 కంటింజెన్సీ పట్టికను ఉపయోగించి అంచనా వేశారు. పరీక్షా సెట్ యొక్క లెక్కించిన సెన్సిటివిటీ, స్పెసిఫిసిటీ, PPV, NPV, మరియు AUROC లను DM వర్గీకరణ నమూనా యొక్క కొలచిన విలువలతో పోల్చారు. డేటా లక్షణాలను బట్టి డేటాను సగటు ± ప్రామాణిక విచలనం లేదా సంఖ్య (%) రూపంలో వ్యక్తీకరించారు. రెండు వైపుల P విలువలు <0.05 గణాంకపరంగా ముఖ్యమైనవిగా పరిగణించబడ్డాయి. అన్ని సాధారణ గణాంక విశ్లేషణలు SAS వెర్షన్ 9.4 (SAS ఇన్‌స్టిట్యూట్, క్యారీ, NC) ఉపయోగించి నిర్వహించబడ్డాయి. DM రిగ్రెషన్ మోడల్‌ను పైథాన్‌లో కెరాస్50 2.2.4 బ్యాకెండ్ మరియు ప్రత్యేకంగా గణిత కార్యకలాపాల కోసం టెన్సర్‌ఫ్లో51 1.8.0 ఉపయోగించి అమలు చేశారు. DM వర్గీకరణ మోడల్‌ను వైకాటో నాలెడ్జ్ అనాలిసిస్ ఎన్విరాన్‌మెంట్ మరియు కాన్‌స్టాంజ్ ఇన్ఫర్మేషన్ మైనర్ (KNIME) 4.6.152 విశ్లేషణ ప్లాట్‌ఫారమ్‌లో అమలు చేశారు.
అధ్యయనం యొక్క ముగింపులకు మద్దతు ఇచ్చే డేటాను వ్యాసంలో మరియు అనుబంధ సామగ్రిలో చూడవచ్చని రచయితలు అంగీకరిస్తున్నారు. అధ్యయనం సమయంలో రూపొందించబడిన మరియు/లేదా విశ్లేషించబడిన డేటాసెట్‌లు, సహేతుకమైన అభ్యర్థనపై సంబంధిత రచయిత నుండి అందుబాటులో ఉంటాయి.
రిట్జ్-టిమ్మె, ఎస్. మరియు ఇతరులు. వయస్సు నిర్ధారణ: ఫోరెన్సిక్ అభ్యాసం యొక్క నిర్దిష్ట అవసరాలను తీర్చడానికి అత్యాధునిక పద్ధతులు. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 113, 129–136 (2000).
ష్మెలింగ్, ఎ., రీసింగర్, డబ్ల్యూ., గెసెరిక్, జి., మరియు ఓల్జ్, ఎ. నేర విచారణ ప్రయోజనాల కోసం జీవించి ఉన్న వ్యక్తుల ఫోరెన్సిక్ వయస్సు అంచనా యొక్క ప్రస్తుత స్థితి. ఫోరెన్సిక్స్. మెడిసిన్. పాథాలజీ. 1, 239–246 (2005).
పాన్, జె. మరియు ఇతరులు. తూర్పు చైనాలో 5 నుండి 16 సంవత్సరాల వయస్సు గల పిల్లల దంత వయస్సును అంచనా వేయడానికి ఒక సవరించిన పద్ధతి. క్లినికల్. ఓరల్ సర్వే. 25, 3463–3474 (2021).
లీ, ఎస్.ఎస్. మరియు ఇతరులు. కొరియన్లలో రెండవ మరియు మూడవ దంతాల అభివృద్ధి యొక్క కాలక్రమం మరియు ఫోరెన్సిక్ వయస్సు అంచనా కోసం దాని అనువర్తనం. అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 124, 659–665 (2010).
ఓహ్, ఎస్., కుమగై, ఎ., కిమ్, ఎస్.వై మరియు లీ, ఎస్.ఎస్. కొరియన్లు మరియు జపనీయులలో రెండవ మరియు మూడవ దంతాల పరిపక్వత ఆధారంగా వయస్సు అంచనా మరియు 18 సంవత్సరాల వయస్సు పరిమితి అంచనా యొక్క ఖచ్చితత్వం. PLoS ONE 17, e0271247 (2022).
కిమ్, జెవై, మరియు ఇతరులు. OSA ఉన్న రోగులలో స్లీప్ సర్జరీ చికిత్స ఫలితాన్ని ప్రీఆపరేటివ్ మెషిన్ లెర్నింగ్-ఆధారిత డేటా విశ్లేషణ ద్వారా అంచనా వేయవచ్చు. ది సైన్స్. రిపోర్ట్ 11, 14911 (2021).
హాన్, ఎం. మరియు ఇతరులు. మానవ జోక్యంతో లేదా లేకుండా మెషిన్ లెర్నింగ్ నుండి ఖచ్చితమైన వయస్సు అంచనా? అంతర్జాతీయత. జె. లీగల్ మెడిసిన్. 136, 821–831 (2022).
ఖాన్, ఎస్. మరియు షహీన్, ఎం. డేటా మైనింగ్ నుండి డేటా మైనింగ్ వరకు. జె. ఇన్ఫర్మేషన్. ది సైన్స్. https://doi.org/10.1177/01655515211030872 (2021).
ఖాన్, ఎస్. మరియు షహీన్, ఎం. విస్‌రూల్: అసోసియేషన్ రూల్ మైనింగ్ కోసం మొదటి కాగ్నిటివ్ అల్గోరిథం. జె. ఇన్ఫర్మేషన్. ది సైన్స్. https://doi.org/10.1177/01655515221108695 (2022).
షాహీన్ ఎం. మరియు అబ్దుల్లా యు. కర్మ్: సందర్భ-ఆధారిత అసోసియేషన్ నియమాలపై ఆధారపడిన సాంప్రదాయ డేటా మైనింగ్. కాలిక్యులేట్. మాట్. కంటిన్యూ. 68, 3305–3322 (2021).
ముహమ్మద్ ఎం., రెహ్మాన్ జెడ్., షహీన్ ఎం., ఖాన్ ఎం. మరియు హబీబ్ ఎం. టెక్స్ట్ డేటాను ఉపయోగించి డీప్ లెర్నింగ్ ఆధారిత సెమాంటిక్ సారూప్యతను గుర్తించడం. ఇన్ఫార్మ్. టెక్నాలజీస్. కంట్రోల్. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
తాబిష్, ఎం., తానోలి, జెడ్., మరియు షాహిన్, ఎం. క్రీడా వీడియోలలో కార్యాచరణను గుర్తించే వ్యవస్థ. మల్టీమీడియా. టూల్స్ అప్లికేషన్స్ https://doi.org/10.1007/s11042-021-10519-6 (2021).
హలాబి, SS మరియు ఇతరులు. పీడియాట్రిక్ బోన్ ఏజ్‌లో RSNA మెషిన్ లెర్నింగ్ ఛాలెంజ్. రేడియాలజీ 290, 498–503 (2019).
లి, వై. మరియు ఇతరులు. డీప్ లెర్నింగ్ ఉపయోగించి పెల్విక్ ఎక్స్-రేల నుండి ఫోరెన్సిక్ వయస్సు అంచనా. యూరో. రేడియేషన్. 29, 2322–2329 (2019).
గువో, YC, మరియు ఇతరులు. ఆర్థోగ్రాఫిక్ ప్రొజెక్షన్ చిత్రాల నుండి మాన్యువల్ పద్ధతులు మరియు డీప్ కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించి ఖచ్చితమైన వయస్సు వర్గీకరణ. ఇంటర్నేషనాలిటీ. జె. లీగల్ మెడిసిన్. 135, 1589–1597 (2021).
అలబామా డలోరా మరియు ఇతరులు. వివిధ మెషిన్ లెర్నింగ్ పద్ధతులను ఉపయోగించి ఎముక వయస్సు అంచనా: ఒక క్రమబద్ధమైన సాహిత్య సమీక్ష మరియు మెటా-విశ్లేషణ. PLoS ONE 14, e0220242 (2019).
డు, హెచ్., లి, జి., చెంగ్, కె., మరియు యాంగ్, జె. కోన్-బీమ్ కంప్యూటెడ్ టోమోగ్రఫీని ఉపయోగించి మొదటి మోలార్ల పల్ప్ ఛాంబర్ వాల్యూమ్‌ల ఆధారంగా ఆఫ్రికన్ అమెరికన్లు మరియు చైనీయుల జనాభా-నిర్దిష్ట వయస్సు అంచనా. ఇంటర్నేషనాలిటీ. జె. లీగల్ మెడిసిన్. 136, 811–819 (2022).
కిమ్ ఎస్., లీ వైహెచ్, నోహ్ వైకె, పార్క్ ఎఫ్‌కె మరియు ఓహ్ కెఎస్ మొదటి దంతాల కృత్రిమ మేధస్సు ఆధారిత చిత్రాలను ఉపయోగించి జీవించి ఉన్న వ్యక్తుల వయస్సు సమూహాలను నిర్ణయించడం. ది సైన్స్. నివేదిక 11, 1073 (2021).
స్టెర్న్, డి., పేయర్, సి., గియులియాని, ఎన్., మరియు ఉర్ష్లర్, ఎం. మల్టీవేరియేట్ MRI డేటా నుండి ఆటోమేటిక్ వయస్సు అంచనా మరియు మెజారిటీ వయస్సు వర్గీకరణ. IEEE J. బయోమెడ్. హెల్త్ అలర్ట్స్. 23, 1392–1403 (2019).
చెంగ్, క్యూ., గె, జెడ్., డు, హెచ్. మరియు లి, జి. డీప్ లెర్నింగ్ మరియు లెవెల్ సెట్‌లను ఏకీకృతం చేయడం ద్వారా కోన్ బీమ్ కంప్యూటెడ్ టోమోగ్రఫీ నుండి మొదటి మోలార్ల 3D పల్ప్ ఛాంబర్ విభజన ఆధారంగా వయస్సు అంచనా. ఇంటర్నేషనాలిటీ. జె. లీగల్ మెడిసిన్. 135, 365–373 (2021).
వు, WT, మరియు ఇతరులు. క్లినికల్ బిగ్ డేటాలో డేటా మైనింగ్: సాధారణ డేటాబేస్‌లు, దశలు మరియు పద్ధతుల నమూనాలు. వరల్డ్. మెడిసిన్. రిసోర్స్. 8, 44 (2021).
యాంగ్, జె. మరియు ఇతరులు. బిగ్ డేటా యుగంలో వైద్య డేటాబేస్‌లు మరియు డేటా మైనింగ్ టెక్నాలజీలకు పరిచయం. జె. అవిడ్. బేసిక్ మెడిసిన్. 13, 57–69 (2020).
షెన్, ఎస్. మరియు ఇతరులు. మెషిన్ లెర్నింగ్ ఉపయోగించి దంతాల వయస్సును అంచనా వేయడానికి కామరర్ పద్ధతి. BMC ఓరల్ హెల్త్ 21, 641 (2021).
గాలిబర్గ్ ఎ. మరియు ఇతరులు. డెమిర్డ్జియన్ స్టేజింగ్ పద్ధతిని ఉపయోగించి దంత వయస్సును అంచనా వేయడానికి వివిధ మెషిన్ లెర్నింగ్ పద్ధతుల పోలిక. ఇంటర్నేషనాలిటీ. జె. లీగల్ మెడిసిన్. 135, 665–675 (2021).
డెమిర్డ్జియన్, ఎ., గోల్డ్‌స్టెయిన్, హెచ్. మరియు టానర్, జె.ఎం. దంత వయస్సును అంచనా వేయడానికి ఒక కొత్త వ్యవస్థ. స్నోర్ట్. బయాలజీ. 45, 211–227 (1973).
లాండిస్, జె.ఆర్., మరియు కోచ్, జి.జి. వర్గీకృత డేటాపై పరిశీలకుల ఒప్పందం యొక్క కొలతలు. బయోమెట్రిక్స్ 33, 159–174 (1977).
భట్టాచార్జీ ఎస్, ప్రకాష్ డి, కిమ్ సి, కిమ్ హెచ్‌కె మరియు చోయ్ హెచ్‌కె. ప్రాథమిక మెదడు కణితులను వేరు చేయడానికి కృత్రిమ మేధస్సు పద్ధతులను ఉపయోగించి ద్విమితీయ మాగ్నెటిక్ రెసొనెన్స్ ఇమేజింగ్ యొక్క నిర్మాణాత్మక, రూపాత్మక మరియు గణాంక విశ్లేషణ. ఆరోగ్య సమాచార వనరు. https://doi.org/10.4258/hir.2022.28.1.46 (2022).