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

Nature.comని సందర్శించినందుకు ధన్యవాదాలు.మీరు ఉపయోగిస్తున్న బ్రౌజర్ సంస్కరణకు పరిమిత CSS మద్దతు ఉంది.ఉత్తమ ఫలితాల కోసం, మీ బ్రౌజర్ యొక్క క్రొత్త సంస్కరణను ఉపయోగించమని మేము సిఫార్సు చేస్తున్నాము (లేదా Internet Explorerలో అనుకూలత మోడ్‌ని ఆఫ్ చేయండి).ఈ సమయంలో, కొనసాగుతున్న మద్దతును నిర్ధారించడానికి, మేము స్టైలింగ్ లేదా జావాస్క్రిప్ట్ లేకుండా సైట్‌ని చూపుతున్నాము.
దంతాలు మానవ శరీరం యొక్క వయస్సు యొక్క అత్యంత ఖచ్చితమైన సూచికగా పరిగణించబడతాయి మరియు తరచుగా ఫోరెన్సిక్ వయస్సు అంచనాలో ఉపయోగిస్తారు.సాంప్రదాయ పద్ధతులు మరియు డేటా మైనింగ్ ఆధారిత వయస్సు అంచనాలతో 18 సంవత్సరాల థ్రెషోల్డ్ 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 జపాన్ పౌరుల నుండి మొత్తం 2657 పనోరమిక్ రేడియోగ్రాఫ్‌లు సేకరించబడ్డాయి.వాటిని శిక్షణా సమితిగా విభజించారు, ఒక్కొక్కటి 900 కొరియన్ రేడియోగ్రాఫ్‌లు మరియు 857 జపనీస్ రేడియోగ్రాఫ్‌లను కలిగి ఉన్న అంతర్గత పరీక్ష సెట్‌గా విభజించబడ్డాయి.మేము సాంప్రదాయ పద్ధతుల యొక్క వర్గీకరణ ఖచ్చితత్వం మరియు సామర్థ్యాన్ని డేటా మైనింగ్ నమూనాల పరీక్ష సెట్‌లతో పోల్చాము.అంతర్గత పరీక్ష సెట్‌లోని సాంప్రదాయ పద్ధతి యొక్క ఖచ్చితత్వం డేటా మైనింగ్ మోడల్ కంటే కొంచెం ఎక్కువగా ఉంటుంది మరియు వ్యత్యాసం తక్కువగా ఉంటుంది (అంటే సంపూర్ణ లోపం <0.21 సంవత్సరాలు, రూట్ మీన్ స్క్వేర్ లోపం <0.24 సంవత్సరాలు).18 సంవత్సరాల కటాఫ్ కోసం వర్గీకరణ పనితీరు సాంప్రదాయ పద్ధతులు మరియు డేటా మైనింగ్ మోడల్‌ల మధ్య కూడా సమానంగా ఉంటుంది.ఈ విధంగా, కొరియన్ యుక్తవయస్కులు మరియు యువకులలో రెండవ మరియు మూడవ మోలార్ల పరిపక్వతను ఉపయోగించి ఫోరెన్సిక్ వయస్సు అంచనాను నిర్వహించేటప్పుడు సాంప్రదాయ పద్ధతులను డేటా మైనింగ్ నమూనాల ద్వారా భర్తీ చేయవచ్చు.
దంత వయస్సు అంచనా ఫోరెన్సిక్ మెడిసిన్ మరియు పీడియాట్రిక్ డెంటిస్ట్రీలో విస్తృతంగా ఉపయోగించబడుతుంది.ప్రత్యేకించి, కాలక్రమానుసార వయస్సు మరియు దంత అభివృద్ధికి మధ్య ఉన్న అధిక సహసంబంధం కారణంగా, పిల్లలు మరియు కౌమారదశలో ఉన్నవారి వయస్సును అంచనా వేయడానికి దంత అభివృద్ధి దశల ద్వారా వయస్సు అంచనా ఒక ముఖ్యమైన ప్రమాణం 1,2,3.అయినప్పటికీ, యువకుల కోసం, దంత పరిపక్వత ఆధారంగా దంత వయస్సును అంచనా వేయడం దాని పరిమితులను కలిగి ఉంది, ఎందుకంటే దంత పెరుగుదల దాదాపుగా పూర్తయింది, మూడవ మోలార్‌లు మినహా.యువకులు మరియు యుక్తవయస్కుల వయస్సును నిర్ణయించడం యొక్క చట్టపరమైన ఉద్దేశ్యం వారు మెజారిటీకి చేరుకున్నారా లేదా అనేదానికి ఖచ్చితమైన అంచనాలు మరియు శాస్త్రీయ ఆధారాలను అందించడం.కొరియాలోని కౌమారదశలు మరియు యువకుల వైద్య-చట్టపరమైన అభ్యాసంలో, లీ పద్ధతిని ఉపయోగించి వయస్సు అంచనా వేయబడింది మరియు ఓహ్ మరియు ఇతరులు 5 నివేదించిన డేటా ఆధారంగా 18 సంవత్సరాల చట్టపరమైన పరిధిని అంచనా వేయబడింది.
మెషిన్ లెర్నింగ్ అనేది ఒక రకమైన కృత్రిమ మేధస్సు (AI), ఇది పెద్ద మొత్తంలో డేటాను పదేపదే నేర్చుకుంటుంది మరియు వర్గీకరిస్తుంది, సమస్యలను స్వయంగా పరిష్కరించుకుంటుంది మరియు డేటా ప్రోగ్రామింగ్‌ను డ్రైవ్ చేస్తుంది.మెషిన్ లెర్నింగ్ డేటా యొక్క పెద్ద వాల్యూమ్‌లలో ఉపయోగకరమైన దాచిన నమూనాలను కనుగొనగలదు6.దీనికి విరుద్ధంగా, మానవీయంగా ప్రాసెస్ చేయడం కష్టతరమైన సంక్లిష్ట డేటా యొక్క పెద్ద వాల్యూమ్‌లతో వ్యవహరించేటప్పుడు శ్రమతో కూడుకున్న మరియు ఎక్కువ సమయం తీసుకునే శాస్త్రీయ పద్ధతులు పరిమితులను కలిగి ఉండవచ్చు.అందువల్ల, మానవ లోపాలను తగ్గించడానికి మరియు మల్టీడైమెన్షనల్ డేటా8,9,10,11,12ను సమర్ధవంతంగా ప్రాసెస్ చేయడానికి తాజా కంప్యూటర్ టెక్నాలజీలను ఉపయోగించి అనేక అధ్యయనాలు ఇటీవల నిర్వహించబడ్డాయి.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 నివేదించబడ్డాయి13,14,15,16,17,18,19,20 .ఉదాహరణకు, Halabi et al 13 పిల్లల చేతుల రేడియోగ్రాఫ్‌లను ఉపయోగించి అస్థిపంజర వయస్సును అంచనా వేయడానికి కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌ల (CNN) ఆధారంగా మెషీన్ లెర్నింగ్ అల్గారిథమ్‌ను అభివృద్ధి చేసింది.ఈ అధ్యయనం వైద్య చిత్రాలకు మెషిన్ లెర్నింగ్‌ని వర్తింపజేసే నమూనాను ప్రతిపాదిస్తుంది మరియు ఈ పద్ధతులు రోగనిర్ధారణ ఖచ్చితత్వాన్ని మెరుగుపరుస్తాయని చూపిస్తుంది.Li et al14 లోతైన అభ్యాస CNNని ఉపయోగించి పెల్విక్ ఎక్స్-రే చిత్రాల నుండి వయస్సును అంచనా వేశారు మరియు వాటిని ఆసిఫికేషన్ దశ అంచనాను ఉపయోగించి రిగ్రెషన్ ఫలితాలతో పోల్చారు.లోతైన అభ్యాస CNN మోడల్ సాంప్రదాయ రిగ్రెషన్ మోడల్ వలె అదే వయస్సు అంచనా పనితీరును చూపించిందని వారు కనుగొన్నారు.Guo et al.'s అధ్యయనం [15] దంత ఆర్థోఫోటోస్ ఆధారంగా CNN సాంకేతికత యొక్క వయస్సు సహనం వర్గీకరణ పనితీరును అంచనా వేసింది మరియు CNN మోడల్ ఫలితాలు మానవులు దాని వయస్సు వర్గీకరణ పనితీరును అధిగమించినట్లు నిరూపించాయి.
మెషిన్ లెర్నింగ్ ఉపయోగించి వయస్సు అంచనాపై చాలా అధ్యయనాలు లోతైన అభ్యాస పద్ధతులను ఉపయోగిస్తాయి13,14,15,16,17,18,19,20.లోతైన అభ్యాసం ఆధారంగా వయస్సు అంచనా సాంప్రదాయ పద్ధతుల కంటే చాలా ఖచ్చితమైనదిగా నివేదించబడింది.ఏదేమైనప్పటికీ, ఈ విధానం వయస్సు అంచనాల కోసం శాస్త్రీయ ఆధారాన్ని ప్రదర్శించడానికి తక్కువ అవకాశాన్ని అందిస్తుంది, అంచనాలలో ఉపయోగించే వయస్సు సూచికలు వంటివి.తనిఖీలు ఎవరు నిర్వహిస్తారనే దానిపై న్యాయపరమైన వివాదం కూడా ఉంది.అందువల్ల, లోతైన అభ్యాసం ఆధారంగా వయస్సు అంచనాను అడ్మినిస్ట్రేటివ్ మరియు న్యాయ అధికారులు అంగీకరించడం కష్టం.డేటా మైనింగ్ (DM) అనేది పెద్ద మొత్తంలో డేటా6,21,22 మధ్య ఉపయోగకరమైన సహసంబంధాలను కనుగొనే పద్ధతిగా ఊహించినవి మాత్రమే కాకుండా ఊహించని సమాచారాన్ని కూడా కనుగొనగల సాంకేతికత.డేటా మైనింగ్‌లో మెషిన్ లెర్నింగ్ తరచుగా ఉపయోగించబడుతుంది మరియు డేటా మైనింగ్ మరియు మెషిన్ లెర్నింగ్ రెండూ డేటాలోని నమూనాలను కనుగొనడానికి ఒకే కీ అల్గారిథమ్‌లను ఉపయోగిస్తాయి.దంత అభివృద్ధిని ఉపయోగించి వయస్సు అంచనా లక్ష్య దంతాల పరిపక్వత యొక్క పరిశీలకుల అంచనాపై ఆధారపడి ఉంటుంది మరియు ఈ అంచనా ప్రతి లక్ష్య దంతానికి ఒక దశగా వ్యక్తీకరించబడుతుంది.దంత మూల్యాంకన దశ మరియు వాస్తవ వయస్సు మధ్య పరస్పర సంబంధాన్ని విశ్లేషించడానికి DM ఉపయోగించబడుతుంది మరియు సాంప్రదాయ గణాంక విశ్లేషణను భర్తీ చేయగల సామర్థ్యాన్ని కలిగి ఉంటుంది.కాబట్టి, మేము వయస్సు అంచనాకు DM టెక్నిక్‌లను వర్తింపజేస్తే, చట్టపరమైన బాధ్యత గురించి చింతించకుండా ఫోరెన్సిక్ వయస్సు అంచనాలో మెషిన్ లెర్నింగ్‌ను అమలు చేయవచ్చు.ఫోరెన్సిక్ ప్రాక్టీస్‌లో ఉపయోగించే సాంప్రదాయ మాన్యువల్ పద్ధతులకు మరియు దంత వయస్సును నిర్ణయించడానికి EBM-ఆధారిత పద్ధతులకు సాధ్యమయ్యే ప్రత్యామ్నాయాలపై అనేక తులనాత్మక అధ్యయనాలు ప్రచురించబడ్డాయి.సాంప్రదాయ కెమెరార్ ఫార్ములా కంటే DM మోడల్ మరింత ఖచ్చితమైనదని షెన్ మరియు ఇతరులు 23 చూపించారు.Galibourg et al24 డెమిర్డ్జియన్ ప్రమాణం ప్రకారం వయస్సును అంచనా వేయడానికి వివిధ DM పద్ధతులను వర్తింపజేసారు మరియు ఫ్రెంచ్ జనాభా వయస్సును అంచనా వేయడంలో DM పద్ధతి డెమిర్డ్జియన్ మరియు విల్లెమ్స్ పద్ధతులను అధిగమించిందని ఫలితాలు చూపించాయి.
కొరియన్ కౌమారదశలు మరియు యువకుల దంత వయస్సును అంచనా వేయడానికి, లీ యొక్క పద్ధతి 4 కొరియన్ ఫోరెన్సిక్ అభ్యాసంలో విస్తృతంగా ఉపయోగించబడుతుంది.ఈ పద్ధతి కొరియన్ సబ్జెక్ట్‌లు మరియు కాలక్రమానుసార వయస్సు మధ్య సంబంధాన్ని పరిశీలించడానికి సాంప్రదాయ గణాంక విశ్లేషణను (మల్టిపుల్ రిగ్రెషన్ వంటివి) ఉపయోగిస్తుంది.ఈ అధ్యయనంలో, సాంప్రదాయ గణాంక పద్ధతులను ఉపయోగించి పొందిన వయస్సు అంచనా పద్ధతులు "సాంప్రదాయ పద్ధతులు"గా నిర్వచించబడ్డాయి.లీ యొక్క పద్ధతి సాంప్రదాయ పద్ధతి, మరియు దాని ఖచ్చితత్వాన్ని ఓహ్ మరియు ఇతరులు నిర్ధారించారు.5;అయినప్పటికీ, కొరియన్ ఫోరెన్సిక్ ప్రాక్టీస్‌లో DM మోడల్ ఆధారంగా వయస్సు అంచనా యొక్క వర్తింపు ఇప్పటికీ సందేహాస్పదంగా ఉంది.DM మోడల్ ఆధారంగా వయస్సు అంచనా యొక్క సంభావ్య ఉపయోగాన్ని శాస్త్రీయంగా ధృవీకరించడం మా లక్ష్యం.ఈ అధ్యయనం యొక్క ఉద్దేశ్యం (1) దంత వయస్సును అంచనా వేయడంలో రెండు DM మోడల్‌ల ఖచ్చితత్వాన్ని పోల్చడం మరియు (2) 18 సంవత్సరాల వయస్సులో 7 DM మోడల్‌ల వర్గీకరణ పనితీరును సాంప్రదాయ గణాంక పద్ధతులను ఉపయోగించి పొందిన వాటితో పోల్చడం రెండవ పరిపక్వత మరియు రెండు దవడలలో మూడవ మోలార్లు.
దశ మరియు దంతాల రకం వారీగా కాలక్రమానుసార వయస్సు యొక్క మీన్స్ మరియు ప్రామాణిక విచలనాలు సప్లిమెంటరీ టేబుల్ S1 (శిక్షణ సెట్), సప్లిమెంటరీ టేబుల్ S2 (అంతర్గత పరీక్ష సెట్) మరియు సప్లిమెంటరీ టేబుల్ S3 (బాహ్య పరీక్ష సెట్)లో ఆన్‌లైన్‌లో చూపబడ్డాయి.శిక్షణ సెట్ నుండి పొందిన ఇంట్రా- మరియు ఇంటర్‌అబ్జర్వర్ విశ్వసనీయత కోసం కప్పా విలువలు వరుసగా 0.951 మరియు 0.947.P విలువలు మరియు కప్పా విలువల కోసం 95% విశ్వాస విరామాలు ఆన్‌లైన్ అనుబంధ పట్టిక S4లో చూపబడ్డాయి.కప్పా విలువ లాండిస్ మరియు కోచ్26 ప్రమాణాలకు అనుగుణంగా "దాదాపు పరిపూర్ణమైనది"గా వివరించబడింది.
సగటు సంపూర్ణ దోషాన్ని (MAE) పోల్చినప్పుడు, సాంప్రదాయ పద్ధతి అన్ని లింగాల కోసం మరియు బాహ్య పురుష పరీక్ష సెట్‌లో మల్టీలేయర్ పర్సెప్ట్రాన్ (MLP) మినహా DM మోడల్‌ను కొద్దిగా అధిగమిస్తుంది.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 బ్యాటరీకి, తేడాలు తక్కువగా ఉంటాయి (పురుషులకు 0.001-0.05 సంవత్సరాలు మరియు మహిళలకు 0.05-0.09 సంవత్సరాలు).అదనంగా, రూట్ మీన్ స్క్వేర్ ఎర్రర్ (RMSE) సాంప్రదాయ పద్ధతి కంటే కొంచెం తక్కువగా ఉంటుంది, చిన్న వ్యత్యాసాలతో (పురుషుల అంతర్గత పరీక్ష సెట్‌కు 0.17–0.24, 0.2–0.24 మరియు బాహ్య పరీక్ష సెట్‌కు 0.03–0.07, 0.04–0.08).)MLP సింగిల్ లేయర్ పెర్‌సెప్ట్రాన్ (SLP) కంటే కొంచెం మెరుగైన పనితీరును చూపుతుంది, స్త్రీ బాహ్య పరీక్ష సెట్ విషయంలో తప్ప.MAE మరియు RMSE కోసం, అన్ని లింగాలు మరియు మోడల్‌ల కోసం అంతర్గత పరీక్ష సెట్ కంటే బాహ్య పరీక్ష సెట్ స్కోర్‌లు ఎక్కువగా ఉన్నాయి.అన్ని MAE మరియు RMSEలు టేబుల్ 1 మరియు మూర్తి 1లో చూపబడ్డాయి.
సాంప్రదాయ మరియు డేటా మైనింగ్ రిగ్రెషన్ మోడల్స్ యొక్క MAE మరియు RMSE.మీన్ సంపూర్ణ లోపం MAE, రూట్ మీన్ స్క్వేర్ ఎర్రర్ RMSE, సింగిల్ లేయర్ పర్సెప్ట్రాన్ SLP, మల్టీలేయర్ పర్సెప్ట్రాన్ MLP, సాంప్రదాయ CM పద్ధతి.
సాంప్రదాయ మరియు DM మోడల్‌ల వర్గీకరణ పనితీరు (18 సంవత్సరాల కటాఫ్‌తో) సున్నితత్వం, నిర్దిష్టత, సానుకూల అంచనా విలువ (PPV), ప్రతికూల అంచనా విలువ (NPV) మరియు రిసీవర్ ఆపరేటింగ్ క్యారెక్ట్రిక్ కర్వ్ (AUROC) కింద ఉన్న ప్రాంతం పరంగా ప్రదర్శించబడింది. 27 (టేబుల్ 2, ఫిగర్ 2 మరియు సప్లిమెంటరీ ఫిగర్ 1 ఆన్‌లైన్).అంతర్గత పరీక్ష బ్యాటరీ యొక్క సున్నితత్వం పరంగా, సాంప్రదాయ పద్ధతులు పురుషులలో ఉత్తమంగా మరియు స్త్రీలలో అధ్వాన్నంగా ఉన్నాయి.అయినప్పటికీ, సాంప్రదాయ పద్ధతులు మరియు SD మధ్య వర్గీకరణ పనితీరులో వ్యత్యాసం పురుషులకు (MLP) 9.7% మరియు మహిళలకు (XGBoost) 2.4% మాత్రమే.DM మోడల్‌లలో, లాజిస్టిక్ రిగ్రెషన్ (LR) రెండు లింగాలలో మెరుగైన సున్నితత్వాన్ని చూపించింది.అంతర్గత పరీక్ష సెట్ యొక్క విశిష్టతకు సంబంధించి, నాలుగు SD మోడల్‌లు మగవారిలో బాగా పనిచేశాయని గమనించబడింది, అయితే సాంప్రదాయ మోడల్ ఆడవారిలో మెరుగ్గా పనిచేసింది.మగ మరియు ఆడవారికి వర్గీకరణ పనితీరులో తేడాలు వరుసగా 13.3% (MLP) మరియు 13.1% (MLP), మోడల్‌ల మధ్య వర్గీకరణ పనితీరులో వ్యత్యాసం సున్నితత్వాన్ని మించిందని సూచిస్తుంది.DM మోడల్‌లలో, సపోర్ట్ వెక్టార్ మెషిన్ (SVM), డెసిషన్ ట్రీ (DT), మరియు రాండమ్ ఫారెస్ట్ (RF) మోడల్‌లు పురుషులలో ఉత్తమ పనితీరు కనబరిచాయి, అయితే LR మోడల్ ఆడవారిలో ఉత్తమ పనితీరు కనబరిచింది.సాంప్రదాయ మోడల్ మరియు అన్ని SD మోడల్‌ల AUROC పురుషులలో 0.925 (k-సమీప పొరుగు (KNN) కంటే ఎక్కువగా ఉంది), 18 ఏళ్ల వయస్సు గల నమూనాలను వివక్ష చూపడంలో అద్భుతమైన వర్గీకరణ పనితీరును ప్రదర్శిస్తుంది28.బాహ్య పరీక్ష సెట్ కోసం, అంతర్గత పరీక్ష సెట్‌తో పోలిస్తే సున్నితత్వం, నిర్దిష్టత మరియు AUROC పరంగా వర్గీకరణ పనితీరులో తగ్గుదల ఉంది.అంతేకాకుండా, ఉత్తమ మరియు అధ్వాన్నమైన మోడల్‌ల వర్గీకరణ పనితీరు మధ్య సున్నితత్వం మరియు నిర్దిష్టతలో వ్యత్యాసం 10% నుండి 25% వరకు ఉంటుంది మరియు అంతర్గత పరీక్ష సెట్‌లోని వ్యత్యాసం కంటే పెద్దది.
18 సంవత్సరాల కటాఫ్‌తో సాంప్రదాయ పద్ధతులతో పోలిస్తే డేటా మైనింగ్ వర్గీకరణ నమూనాల సున్నితత్వం మరియు విశిష్టత.KNN k సమీప పొరుగు, SVM సపోర్ట్ వెక్టర్ మెషిన్, LR లాజిస్టిక్ రిగ్రెషన్, DT డెసిషన్ ట్రీ, RF రాండమ్ ఫారెస్ట్, XGB XGBoost, MLP మల్టీలేయర్ పర్సెప్ట్రాన్, సాంప్రదాయ CM పద్ధతి.
ఈ అధ్యయనంలో మొదటి దశ ఏడు DM మోడల్‌ల నుండి పొందిన దంత వయస్సు అంచనాల ఖచ్చితత్వాన్ని సాంప్రదాయ రిగ్రెషన్ ఉపయోగించి పొందిన వాటితో పోల్చడం.MAE మరియు RMSEలు రెండు లింగాల కోసం అంతర్గత పరీక్ష సెట్‌లలో మూల్యాంకనం చేయబడ్డాయి మరియు సాంప్రదాయ పద్ధతి మరియు DM మోడల్ మధ్య వ్యత్యాసం MAEకి 44 నుండి 77 రోజుల వరకు మరియు RMSEకి 62 నుండి 88 రోజుల వరకు ఉంటుంది.ఈ అధ్యయనంలో సాంప్రదాయ పద్ధతి కొంచెం ఖచ్చితమైనది అయినప్పటికీ, అటువంటి చిన్న వ్యత్యాసానికి క్లినికల్ లేదా ఆచరణాత్మక ప్రాముఖ్యత ఉందా అని నిర్ధారించడం కష్టం.ఈ ఫలితాలు DM మోడల్‌ని ఉపయోగించి దంత వయస్సు అంచనా యొక్క ఖచ్చితత్వం సాంప్రదాయ పద్ధతికి దాదాపు సమానంగా ఉంటుందని సూచిస్తున్నాయి.మునుపటి అధ్యయనాల ఫలితాలతో ప్రత్యక్ష పోలిక కష్టం ఎందుకంటే ఈ అధ్యయనంలో అదే వయస్సు పరిధిలో దంతాలను రికార్డ్ చేసే సాంకేతికతను ఉపయోగించి సాంప్రదాయ గణాంక పద్ధతులతో DM మోడల్‌ల ఖచ్చితత్వాన్ని ఏ అధ్యయనం పోల్చలేదు.Galibourg et al24 MAE మరియు RMSEలను రెండు సాంప్రదాయ పద్ధతులు (డెమిర్జియన్ పద్ధతి25 మరియు విల్లెమ్స్ పద్ధతి29) మరియు 2 నుండి 24 సంవత్సరాల వయస్సు గల ఫ్రెంచ్ జనాభాలో 10 DM నమూనాల మధ్య పోల్చారు.అన్ని DM మోడల్‌లు సాంప్రదాయ పద్ధతుల కంటే చాలా ఖచ్చితమైనవని వారు నివేదించారు, MAEలో 0.20 మరియు 0.38 సంవత్సరాలు మరియు విల్లెమ్స్ మరియు డెమిర్డ్‌జియన్ పద్ధతులతో పోలిస్తే RMSEలో 0.25 మరియు 0.47 సంవత్సరాల తేడాలు ఉన్నాయి.హాలిబోర్గ్ అధ్యయనంలో చూపిన SD మోడల్ మరియు సాంప్రదాయ పద్ధతుల మధ్య వ్యత్యాసం అనేక నివేదికలను పరిగణనలోకి తీసుకుంటుంది30,31,32,33 డెమిర్డ్జియన్ పద్ధతి అధ్యయనం ఆధారంగా ఫ్రెంచ్ కెనడియన్లు కాకుండా ఇతర జనాభాలో దంత వయస్సును ఖచ్చితంగా అంచనా వేయదు.ఈ అధ్యాయనంలో.తై మరియు ఇతరులు 34 1636 చైనీస్ ఆర్థోడాంటిక్ ఛాయాచిత్రాల నుండి పంటి వయస్సును అంచనా వేయడానికి MLP అల్గారిథమ్‌ను ఉపయోగించారు మరియు దాని ఖచ్చితత్వాన్ని డెమిర్జియన్ మరియు విల్లెమ్స్ పద్ధతి ఫలితాలతో పోల్చారు.సాంప్రదాయ పద్ధతుల కంటే MLP అధిక ఖచ్చితత్వాన్ని కలిగి ఉందని వారు నివేదించారు.డెమిర్డ్జియన్ పద్ధతి మరియు సాంప్రదాయ పద్ధతి మధ్య వ్యత్యాసం <0.32 సంవత్సరాలు, మరియు విల్లెమ్స్ పద్ధతి 0.28 సంవత్సరాలు, ఇది ప్రస్తుత అధ్యయనం యొక్క ఫలితాలను పోలి ఉంటుంది.ఈ మునుపటి అధ్యయనాల ఫలితాలు24,34 కూడా ప్రస్తుత అధ్యయనం ఫలితాలకు అనుగుణంగా ఉన్నాయి మరియు DM మోడల్ మరియు సాంప్రదాయ పద్ధతి యొక్క వయస్సు అంచనా ఖచ్చితత్వం సమానంగా ఉంటాయి.అయినప్పటికీ, అందించిన ఫలితాల ఆధారంగా, తులనాత్మక మరియు సూచన మునుపటి అధ్యయనాలు లేకపోవడం వల్ల వయస్సును అంచనా వేయడానికి DM మోడల్‌ల 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 పనోరమిక్ రేడియోగ్రాఫ్‌లకు 22 SD మోడల్‌లను వర్తింపజేసారు మరియు ప్రతి మోడల్ యొక్క ఖచ్చితత్వాన్ని పరీక్షించారు.మూరీస్ మరియు ఇతరులు 36 ప్రతిపాదించిన వర్గీకరణ ప్రమాణాలను ఉపయోగించి వారు మొత్తం 16 ఎగువ మరియు దిగువ ఎడమ శాశ్వత దంతాల అభివృద్ధిని 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 మోడల్‌ల కంటే మరింత ఖచ్చితమైనవి.5 నుండి 13 సంవత్సరాల వయస్సు గల తూర్పు చైనీస్ నివాసితులలో ఎడమ మాండబుల్‌లోని ఏడు శాశ్వత దంతాల దంత వయస్సును అంచనా వేయడానికి షెన్ మరియు ఇతరులు Cameriere పద్ధతిని ఉపయోగించారు మరియు దానిని లీనియర్ రిగ్రెషన్, SVM మరియు RF ఉపయోగించి అంచనా వేసిన వయస్సులతో పోల్చారు.సాంప్రదాయ Cameriere ఫార్ములాతో పోలిస్తే మూడు DM మోడల్‌లు అధిక ఖచ్చితత్వాన్ని కలిగి ఉన్నాయని వారు చూపించారు.షెన్ అధ్యయనంలో MAE మరియు RMSE ఈ అధ్యయనంలో DM మోడల్‌లో ఉన్న వాటి కంటే తక్కువగా ఉన్నాయి.స్టెపనోవ్స్కీ మరియు ఇతరుల అధ్యయనాల యొక్క పెరిగిన ఖచ్చితత్వం.35 మరియు షెన్ మరియు ఇతరులు.23 వారి అధ్యయన నమూనాలలో చిన్న సబ్జెక్టులను చేర్చడం వల్ల కావచ్చు.డెంటల్ డెవలప్‌మెంట్ సమయంలో దంతాల సంఖ్య పెరిగేకొద్దీ, అభివృద్ధి చెందుతున్న దంతాలతో పాల్గొనేవారి వయస్సు అంచనాలు మరింత ఖచ్చితమైనవి కాబట్టి, అధ్యయనంలో పాల్గొనేవారు చిన్నవారైనప్పుడు ఫలితంగా వచ్చే వయస్సు అంచనా పద్ధతి యొక్క ఖచ్చితత్వం రాజీపడవచ్చు.అదనంగా, వయస్సు అంచనాలో MLP యొక్క లోపం SLP కంటే కొంచెం తక్కువగా ఉంది, అంటే SLP కంటే MLP మరింత ఖచ్చితమైనది.MLP వయస్సు అంచనా కోసం కొంచెం మెరుగైనదిగా పరిగణించబడుతుంది, బహుశా MLP38లో దాగి ఉన్న లేయర్‌ల కారణంగా.అయినప్పటికీ, మహిళల బాహ్య నమూనాకు మినహాయింపు ఉంది (SLP 1.45, MLP 1.49).వయస్సును అంచనా వేయడంలో SLP కంటే MLP మరింత ఖచ్చితమైనదని కనుగొనడానికి అదనపు పునరాలోచన అధ్యయనాలు అవసరం.
DM మోడల్ యొక్క వర్గీకరణ పనితీరు మరియు 18 సంవత్సరాల థ్రెషోల్డ్ వద్ద సాంప్రదాయ పద్ధతి కూడా పోల్చబడింది.పరీక్షించిన అన్ని SD మోడల్‌లు మరియు అంతర్గత పరీక్ష సెట్‌లోని సాంప్రదాయ పద్ధతులు 18 ఏళ్ల నమూనా కోసం ఆచరణాత్మకంగా ఆమోదయోగ్యమైన స్థాయి వివక్షను చూపించాయి.పురుషులు మరియు స్త్రీలకు సున్నితత్వం వరుసగా 87.7% మరియు 94.9% కంటే ఎక్కువగా ఉంది మరియు నిర్దిష్టత 89.3% మరియు 84.7% కంటే ఎక్కువగా ఉంది.పరీక్షించిన అన్ని మోడళ్ల AUROC కూడా 0.925 మించిపోయింది.మా పరిజ్ఞానం మేరకు, దంత పరిపక్వత ఆధారంగా 18 సంవత్సరాల వర్గీకరణ కోసం DM మోడల్ పనితీరును ఏ అధ్యయనం పరీక్షించలేదు.పనోరమిక్ రేడియోగ్రాఫ్‌లపై లోతైన అభ్యాస నమూనాల వర్గీకరణ పనితీరుతో మేము ఈ అధ్యయనం ఫలితాలను పోల్చవచ్చు.Guo et al.15 CNN-ఆధారిత డీప్ లెర్నింగ్ మోడల్ యొక్క వర్గీకరణ పనితీరును మరియు నిర్దిష్ట వయస్సు థ్రెషోల్డ్ కోసం డెమిర్జియన్ పద్ధతి ఆధారంగా మాన్యువల్ పద్ధతిని లెక్కించారు.మాన్యువల్ పద్ధతి యొక్క సున్నితత్వం మరియు నిర్దిష్టత వరుసగా 87.7% మరియు 95.5%, మరియు CNN మోడల్ యొక్క సున్నితత్వం మరియు విశిష్టత వరుసగా 89.2% మరియు 86.6% మించిపోయింది.లోతైన అభ్యాస నమూనాలు వయస్సు పరిమితులను వర్గీకరించడంలో మాన్యువల్ అసెస్‌మెంట్‌ను భర్తీ చేయగలవు లేదా అధిగమించగలవని వారు నిర్ధారించారు.ఈ అధ్యయనం యొక్క ఫలితాలు ఒకే విధమైన వర్గీకరణ పనితీరును చూపించాయి;DM నమూనాలను ఉపయోగించి వర్గీకరణ వయస్సు అంచనా కోసం సాంప్రదాయ గణాంక పద్ధతులను భర్తీ చేయగలదని నమ్ముతారు.మోడల్‌లలో, పురుష నమూనాకు సున్నితత్వం మరియు స్త్రీ నమూనా కోసం సున్నితత్వం మరియు నిర్దిష్టత పరంగా DM LR ఉత్తమ మోడల్.పురుషుల కోసం నిర్దిష్టతలో LR రెండవ స్థానంలో ఉంది.అంతేకాకుండా, LR మరింత యూజర్ ఫ్రెండ్లీ DM35 మోడల్‌లలో ఒకటిగా పరిగణించబడుతుంది మరియు ఇది తక్కువ సంక్లిష్టమైనది మరియు ప్రాసెస్ చేయడం కష్టం.ఈ ఫలితాల ఆధారంగా, కొరియన్ జనాభాలో 18 ఏళ్ల వయస్సు ఉన్నవారికి LR ఉత్తమ కటాఫ్ వర్గీకరణ నమూనాగా పరిగణించబడింది.
మొత్తంమీద, అంతర్గత పరీక్ష సెట్‌లోని ఫలితాలతో పోలిస్తే బాహ్య పరీక్ష సెట్‌లో వయస్సు అంచనా లేదా వర్గీకరణ పనితీరు యొక్క ఖచ్చితత్వం తక్కువగా ఉంది లేదా తక్కువగా ఉంది.కొరియన్ జనాభా ఆధారంగా వయస్సు అంచనాలను జపనీస్ జనాభాకు వర్తింపజేసినప్పుడు వర్గీకరణ ఖచ్చితత్వం లేదా సామర్థ్యం తగ్గుతుందని కొన్ని నివేదికలు సూచిస్తున్నాయి మరియు ప్రస్తుత అధ్యయనంలో ఇదే విధమైన నమూనా కనుగొనబడింది.ఈ క్షీణత ధోరణి DM మోడల్‌లో కూడా గమనించబడింది.అందువల్ల, వయస్సును ఖచ్చితంగా అంచనా వేయడానికి, విశ్లేషణ ప్రక్రియలో DMని ఉపయోగిస్తున్నప్పుడు కూడా, సాంప్రదాయ పద్ధతుల వంటి స్థానిక జనాభా డేటా నుండి పొందిన పద్ధతులకు ప్రాధాన్యత ఇవ్వాలి5,39,40,41,42.లోతైన అభ్యాస నమూనాలు సారూప్య పోకడలను చూపగలవా అనేది అస్పష్టంగా ఉన్నందున, పరిమిత వయస్సులో కృత్రిమ మేధస్సు ఈ జాతి అసమానతలను అధిగమించగలదో లేదో నిర్ధారించడానికి సాంప్రదాయ పద్ధతులను ఉపయోగించి వర్గీకరణ ఖచ్చితత్వం మరియు సామర్థ్యాన్ని పోల్చిన అధ్యయనాలు, DM నమూనాలు మరియు అదే నమూనాలపై లోతైన అభ్యాస నమూనాలు అవసరం.అంచనాలు.
కొరియాలో ఫోరెన్సిక్ వయస్సు అంచనా పద్ధతిలో DM మోడల్ ఆధారంగా సాంప్రదాయ పద్ధతులను వయస్సు అంచనా ద్వారా భర్తీ చేయవచ్చని మేము ప్రదర్శిస్తాము.ఫోరెన్సిక్ వయస్సు అంచనా కోసం యంత్ర అభ్యాసాన్ని అమలు చేసే అవకాశాన్ని కూడా మేము కనుగొన్నాము.ఏదేమైనప్పటికీ, ఈ అధ్యయనంలో తగినంత సంఖ్యలో పాల్గొనేవారి ఫలితాలను ఖచ్చితంగా నిర్ణయించడం మరియు ఈ అధ్యయనం యొక్క ఫలితాలను సరిపోల్చడానికి మరియు నిర్ధారించడానికి మునుపటి అధ్యయనాలు లేకపోవడం వంటి స్పష్టమైన పరిమితులు ఉన్నాయి.భవిష్యత్తులో, సాంప్రదాయ పద్ధతులతో పోల్చితే దాని ఆచరణాత్మక అనువర్తనాన్ని మెరుగుపరచడానికి పెద్ద సంఖ్యలో నమూనాలు మరియు విభిన్న జనాభాతో DM అధ్యయనాలు నిర్వహించబడాలి.బహుళ జనాభాలో వయస్సును అంచనా వేయడానికి కృత్రిమ మేధస్సును ఉపయోగించడం యొక్క సాధ్యాసాధ్యాలను ధృవీకరించడానికి, అదే నమూనాలలో సాంప్రదాయ పద్ధతులతో DM మరియు లోతైన అభ్యాస నమూనాల వర్గీకరణ ఖచ్చితత్వం మరియు సామర్థ్యాన్ని పోల్చడానికి భవిష్యత్తు అధ్యయనాలు అవసరం.
ఈ అధ్యయనం 15 నుండి 23 సంవత్సరాల వయస్సు గల కొరియన్ మరియు జపనీస్ పెద్దల నుండి సేకరించిన 2,657 ఆర్థోగ్రాఫిక్ ఛాయాచిత్రాలను ఉపయోగించింది.కొరియన్ రేడియోగ్రాఫ్‌లు 900 శిక్షణా సెట్‌లుగా (19.42 ± 2.65 సంవత్సరాలు) మరియు 900 అంతర్గత పరీక్ష సెట్‌లుగా (19.52 ± 2.59 సంవత్సరాలు) విభజించబడ్డాయి.శిక్షణా సమితి ఒక సంస్థలో (సియోల్ సెయింట్ మేరీస్ హాస్పిటల్) సేకరించబడింది మరియు స్వంత పరీక్ష సెట్ రెండు సంస్థలలో (సియోల్ నేషనల్ యూనివర్శిటీ డెంటల్ హాస్పిటల్ మరియు యోన్సీ యూనివర్శిటీ డెంటల్ హాస్పిటల్) సేకరించబడింది.మేము బాహ్య పరీక్ష కోసం మరొక జనాభా ఆధారిత డేటా (ఇవాట్ మెడికల్ యూనివర్సిటీ, జపాన్) నుండి 857 రేడియోగ్రాఫ్‌లను కూడా సేకరించాము.జపనీస్ సబ్జెక్టుల రేడియోగ్రాఫ్‌లు (19.31 ± 2.60 సంవత్సరాలు) బాహ్య పరీక్ష సెట్‌గా ఎంపిక చేయబడ్డాయి.దంత చికిత్స సమయంలో తీసుకున్న పనోరమిక్ రేడియోగ్రాఫ్‌లపై దంత అభివృద్ధి దశలను విశ్లేషించడానికి డేటా పునరాలోచనలో సేకరించబడింది.లింగం, పుట్టిన తేదీ మరియు రేడియోగ్రాఫ్ తేదీ మినహా సేకరించిన మొత్తం డేటా అనామకంగా ఉంది.చేరిక మరియు మినహాయింపు ప్రమాణాలు గతంలో ప్రచురించిన అధ్యయనాలు 4, 5 వలెనే ఉన్నాయి.రేడియోగ్రాఫ్ తీసుకున్న తేదీ నుండి పుట్టిన తేదీని తీసివేయడం ద్వారా నమూనా యొక్క వాస్తవ వయస్సు లెక్కించబడుతుంది.నమూనా సమూహం తొమ్మిది వయస్సు సమూహాలుగా విభజించబడింది.వయస్సు మరియు లింగ పంపిణీలు టేబుల్ 3లో చూపబడ్డాయి ఈ అధ్యయనం హెల్సింకి డిక్లరేషన్‌కు అనుగుణంగా నిర్వహించబడింది మరియు సియోల్ సెయింట్ మేరీస్ హాస్పిటల్ ఆఫ్ కాథలిక్ యూనివర్శిటీ ఆఫ్ కొరియా (KC22WISI0328) యొక్క సంస్థాగత సమీక్ష బోర్డు (IRB)చే ఆమోదించబడింది.ఈ అధ్యయనం యొక్క పునరాలోచన రూపకల్పన కారణంగా, చికిత్సా ప్రయోజనాల కోసం రేడియోగ్రాఫిక్ పరీక్షలో ఉన్న రోగులందరి నుండి సమాచార సమ్మతి పొందబడలేదు.సియోల్ కొరియా యూనివర్శిటీ సెయింట్ మేరీస్ హాస్పిటల్ (IRB) సమాచార సమ్మతి అవసరాన్ని రద్దు చేసింది.
డెమిర్కాన్ ప్రమాణాల ప్రకారం బైమాక్సిల్లరీ రెండవ మరియు మూడవ మోలార్ల అభివృద్ధి దశలు అంచనా వేయబడ్డాయి.ప్రతి దవడకు ఎడమ మరియు కుడి వైపున ఒకే రకమైన దంతాలు కనిపిస్తే ఒక పంటి మాత్రమే ఎంపిక చేయబడుతుంది.రెండు వైపులా సజాతీయ దంతాలు వేర్వేరు అభివృద్ధి దశల్లో ఉంటే, అంచనా వేసిన వయస్సులో అనిశ్చితికి కారణమయ్యే తక్కువ అభివృద్ధి దశలో ఉన్న దంతాలు ఎంపిక చేయబడతాయి.దంత పరిపక్వత దశను నిర్ణయించడానికి ప్రీకాలిబ్రేషన్ తర్వాత ఇంటర్‌అబ్జర్వర్ విశ్వసనీయతను పరీక్షించడానికి ఇద్దరు అనుభవజ్ఞులైన పరిశీలకులచే శిక్షణా సమితి నుండి యాదృచ్ఛికంగా ఎంపిక చేయబడిన వంద రేడియోగ్రాఫ్‌లు స్కోర్ చేయబడ్డాయి.ఇంట్రాఅబ్జర్వర్ విశ్వసనీయతను ప్రాథమిక పరిశీలకుడు మూడు నెలల వ్యవధిలో రెండుసార్లు అంచనా వేశారు.
శిక్షణా సెట్‌లోని ప్రతి దవడ యొక్క రెండవ మరియు మూడవ మోలార్‌ల యొక్క లింగం మరియు అభివృద్ధి దశ వేర్వేరు DM మోడల్‌లతో శిక్షణ పొందిన ప్రాథమిక పరిశీలకులచే అంచనా వేయబడింది మరియు వాస్తవ వయస్సు లక్ష్య విలువగా సెట్ చేయబడింది.మెషీన్ లెర్నింగ్‌లో విస్తృతంగా ఉపయోగించే SLP మరియు MLP నమూనాలు రిగ్రెషన్ అల్గారిథమ్‌లకు వ్యతిరేకంగా పరీక్షించబడ్డాయి.DM మోడల్ నాలుగు దంతాల అభివృద్ధి దశలను ఉపయోగించి లీనియర్ ఫంక్షన్‌లను మిళితం చేస్తుంది మరియు వయస్సును అంచనా వేయడానికి ఈ డేటాను మిళితం చేస్తుంది.SLP అనేది సరళమైన న్యూరల్ నెట్‌వర్క్ మరియు దాచిన లేయర్‌లను కలిగి ఉండదు.నోడ్‌ల మధ్య థ్రెషోల్డ్ ట్రాన్స్‌మిషన్ ఆధారంగా SLP పనిచేస్తుంది.రిగ్రెషన్‌లోని SLP మోడల్ గణితశాస్త్రపరంగా మల్టిపుల్ లీనియర్ రిగ్రెషన్‌ను పోలి ఉంటుంది.SLP మోడల్ వలె కాకుండా, MLP మోడల్ నాన్ లీనియర్ యాక్టివేషన్ ఫంక్షన్‌లతో బహుళ దాచిన లేయర్‌లను కలిగి ఉంది.మా ప్రయోగాలు నాన్‌లీనియర్ యాక్టివేషన్ ఫంక్షన్‌లతో కేవలం 20 హిడెన్ నోడ్‌లతో దాచిన లేయర్‌ను ఉపయోగించాయి.మా మెషీన్ లెర్నింగ్ మోడల్‌కు శిక్షణ ఇవ్వడానికి గ్రేడియంట్ డీసెంట్‌ను ఆప్టిమైజేషన్ పద్ధతిగా మరియు MAE మరియు RMSEని లాస్ ఫంక్షన్‌గా ఉపయోగించండి.ఉత్తమంగా పొందిన రిగ్రెషన్ మోడల్ అంతర్గత మరియు బాహ్య పరీక్ష సెట్‌లకు వర్తించబడింది మరియు దంతాల వయస్సు అంచనా వేయబడింది.
ఒక నమూనా 18 ఏళ్ల వయస్సు ఉందో లేదో అంచనా వేయడానికి శిక్షణ సెట్‌లోని నాలుగు దంతాల పరిపక్వతను ఉపయోగించే వర్గీకరణ అల్గోరిథం అభివృద్ధి చేయబడింది.మోడల్‌ను రూపొందించడానికి, మేము ఏడు ప్రాతినిధ్య యంత్ర అభ్యాస అల్గారిథమ్‌లను పొందాము6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost మరియు (7) MLP .LR అనేది అత్యంత విస్తృతంగా ఉపయోగించే వర్గీకరణ అల్గారిథమ్‌లలో ఒకటి.ఇది 0 నుండి 1 వరకు నిర్దిష్ట వర్గానికి చెందిన డేటా యొక్క సంభావ్యతను అంచనా వేయడానికి రిగ్రెషన్‌ను ఉపయోగించే పర్యవేక్షించబడే అభ్యాస అల్గారిథమ్ మరియు ఈ సంభావ్యత ఆధారంగా డేటాను మరింత సంభావ్య వర్గానికి చెందినదిగా వర్గీకరిస్తుంది;ప్రధానంగా బైనరీ వర్గీకరణ కోసం ఉపయోగిస్తారు.KNN అనేది సరళమైన యంత్ర అభ్యాస అల్గారిథమ్‌లలో ఒకటి.కొత్త ఇన్‌పుట్ డేటాను అందించినప్పుడు, ఇది ఇప్పటికే ఉన్న సెట్‌కు దగ్గరగా ఉన్న k డేటాను కనుగొని, ఆపై వాటిని అత్యధిక పౌనఃపున్యం ఉన్న తరగతికి వర్గీకరిస్తుంది.పరిగణించబడే పొరుగువారి సంఖ్య కోసం మేము 3ని సెట్ చేసాము (k).SVM అనేది లీనియర్ స్పేస్‌ను ఫీల్డ్స్ 46 అని పిలువబడే నాన్-లీనియర్ స్పేస్‌గా విస్తరించడానికి కెర్నల్ ఫంక్షన్‌ని ఉపయోగించడం ద్వారా రెండు తరగతుల మధ్య దూరాన్ని పెంచే అల్గోరిథం.ఈ మోడల్ కోసం, మేము బహుపది కెర్నల్ కోసం బయాస్ = 1, పవర్ = 1, మరియు గామా = 1 హైపర్‌పారామీటర్‌లుగా ఉపయోగిస్తాము.ట్రీ స్ట్రక్చర్‌లో నిర్ణయ నియమాలను సూచించడం ద్వారా మొత్తం డేటా సెట్‌ను అనేక ఉప సమూహాలుగా విభజించడానికి అల్గారిథమ్‌గా వివిధ రంగాలలో DT వర్తించబడుతుంది.మోడల్ 2 నోడ్‌కు కనిష్ట సంఖ్యలో రికార్డ్‌లతో కాన్ఫిగర్ చేయబడింది మరియు నాణ్యత కొలమానంగా గిని సూచికను ఉపయోగిస్తుంది.RF అనేది బూట్‌స్ట్రాప్ అగ్రిగేషన్ పద్ధతిని ఉపయోగించి పనితీరును మెరుగుపరచడానికి బహుళ DTలను మిళితం చేసే సమిష్టి పద్ధతి, ఇది అసలైన డేటాసెట్ నుండి అనేకసార్లు ఒకే పరిమాణంలోని నమూనాలను యాదృచ్ఛికంగా గీయడం ద్వారా బలహీన వర్గీకరణను ఉత్పత్తి చేస్తుంది.మేము నోడ్ విభజన ప్రమాణాలుగా 100 చెట్లు, 10 చెట్ల లోతు, 1 కనిష్ట నోడ్ పరిమాణం మరియు గిని అడ్మిక్చర్ ఇండెక్స్‌ని ఉపయోగించాము.కొత్త డేటా యొక్క వర్గీకరణ మెజారిటీ ఓటు ద్వారా నిర్ణయించబడుతుంది.XGBoost అనేది ఒక పద్ధతిని ఉపయోగించి బూస్టింగ్ టెక్నిక్‌లను మిళితం చేసే ఒక అల్గారిథమ్, ఇది మునుపటి మోడల్ యొక్క వాస్తవ మరియు అంచనా విలువల మధ్య లోపాన్ని శిక్షణ డేటాగా తీసుకుంటుంది మరియు గ్రేడియంట్స్49 ఉపయోగించి లోపాన్ని పెంచుతుంది.ఇది దాని మంచి పనితీరు మరియు వనరుల సామర్థ్యం, ​​అలాగే ఓవర్ ఫిట్టింగ్ కరెక్షన్ ఫంక్షన్‌గా అధిక విశ్వసనీయత కారణంగా విస్తృతంగా ఉపయోగించే అల్గోరిథం.మోడల్ 400 సపోర్ట్ వీల్స్‌తో అమర్చబడింది.MLP అనేది న్యూరల్ నెట్‌వర్క్, దీనిలో ఒకటి లేదా అంతకంటే ఎక్కువ పర్సెప్ట్రాన్‌లు ఇన్‌పుట్ మరియు అవుట్‌పుట్ లేయర్‌ల మధ్య ఒకటి లేదా అంతకంటే ఎక్కువ దాచిన లేయర్‌లతో బహుళ లేయర్‌లను ఏర్పరుస్తాయి38.దీన్ని ఉపయోగించి, మీరు ఇన్‌పుట్ లేయర్‌ను జోడించి, ఫలిత విలువను పొందినప్పుడు, ఊహించిన ఫలిత విలువను వాస్తవ ఫలిత విలువతో పోల్చి, లోపం తిరిగి ప్రచారం చేయబడే నాన్-లీనియర్ వర్గీకరణను నిర్వహించవచ్చు.మేము ప్రతి లేయర్‌లో 20 దాచిన న్యూరాన్‌లతో దాచిన పొరను సృష్టించాము.సున్నితత్వం, నిర్దిష్టత, PPV, NPV మరియు AUROCని లెక్కించడం ద్వారా వర్గీకరణ పనితీరును పరీక్షించడానికి మేము అభివృద్ధి చేసిన ప్రతి మోడల్ అంతర్గత మరియు బాహ్య సెట్‌లకు వర్తించబడుతుంది.సున్నితత్వం అనేది 18 సంవత్సరాలు లేదా అంతకంటే ఎక్కువ వయస్సు ఉన్నట్లు అంచనా వేయబడిన నమూనా మరియు 18 సంవత్సరాలు లేదా అంతకంటే ఎక్కువ వయస్సు ఉన్నట్లు అంచనా వేయబడిన నమూనా యొక్క నిష్పత్తిగా నిర్వచించబడింది.నిర్దిష్టత అనేది 18 సంవత్సరాల కంటే తక్కువ వయస్సు ఉన్న నమూనాల నిష్పత్తి మరియు 18 సంవత్సరాల కంటే తక్కువ వయస్సు ఉన్నట్లు అంచనా వేయబడింది.
శిక్షణ సెట్‌లో అంచనా వేయబడిన దంత దశలు గణాంక విశ్లేషణ కోసం సంఖ్యా దశలుగా మార్చబడ్డాయి.ప్రతి లింగానికి ప్రిడిక్టివ్ మోడల్‌లను అభివృద్ధి చేయడానికి మరియు వయస్సును అంచనా వేయడానికి ఉపయోగించే రిగ్రెషన్ సూత్రాలను రూపొందించడానికి మల్టీవియారిట్ లీనియర్ మరియు లాజిస్టిక్ రిగ్రెషన్ ప్రదర్శించబడ్డాయి.మేము అంతర్గత మరియు బాహ్య పరీక్ష సెట్‌ల కోసం దంతాల వయస్సును అంచనా వేయడానికి ఈ సూత్రాలను ఉపయోగించాము.ఈ అధ్యయనంలో ఉపయోగించిన రిగ్రెషన్ మరియు వర్గీకరణ నమూనాలను టేబుల్ 4 చూపిస్తుంది.
కోహెన్ యొక్క కప్పా గణాంకాలను ఉపయోగించి ఇంట్రా- మరియు ఇంటర్‌అబ్జర్వర్ విశ్వసనీయత లెక్కించబడుతుంది.DM మరియు సాంప్రదాయ రిగ్రెషన్ మోడల్‌ల యొక్క ఖచ్చితత్వాన్ని పరీక్షించడానికి, మేము అంతర్గత మరియు బాహ్య పరీక్ష సెట్‌ల యొక్క అంచనా మరియు వాస్తవ వయస్సులను ఉపయోగించి MAE మరియు RMSEలను లెక్కించాము.మోడల్ అంచనాల యొక్క ఖచ్చితత్వాన్ని అంచనా వేయడానికి ఈ లోపాలు సాధారణంగా ఉపయోగించబడతాయి.చిన్న లోపం, సూచన యొక్క ఖచ్చితత్వం ఎక్కువగా ఉంటుంది24.DM మరియు సాంప్రదాయ రిగ్రెషన్ ఉపయోగించి లెక్కించబడిన అంతర్గత మరియు బాహ్య పరీక్ష సెట్ల యొక్క MAE మరియు RMSEలను సరిపోల్చండి.సాంప్రదాయ గణాంకాలలో 18 సంవత్సరాల కటాఫ్ యొక్క వర్గీకరణ పనితీరు 2 × 2 ఆకస్మిక పట్టికను ఉపయోగించి అంచనా వేయబడింది.పరీక్ష సెట్ యొక్క లెక్కించిన సున్నితత్వం, నిర్దిష్టత, PPV, NPV మరియు AUROC DM వర్గీకరణ నమూనా యొక్క కొలిచిన విలువలతో పోల్చబడ్డాయి.డేటా లక్షణాలపై ఆధారపడి 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, క్యారీ, NC) ఉపయోగించి జరిగాయి.DM రిగ్రెషన్ మోడల్ ప్రత్యేకంగా గణిత కార్యకలాపాల కోసం Keras50 2.2.4 బ్యాకెండ్ మరియు Tensorflow51 1.8.0 ఉపయోగించి పైథాన్‌లో అమలు చేయబడింది.వైకాటో నాలెడ్జ్ ఎనాలిసిస్ ఎన్విరాన్‌మెంట్ మరియు కాన్స్టాంజ్ ఇన్ఫర్మేషన్ మైనర్ (KNIME) 4.6.152 విశ్లేషణ ప్లాట్‌ఫారమ్‌లో DM వర్గీకరణ నమూనా అమలు చేయబడింది.
అధ్యయనం యొక్క తీర్మానాలకు మద్దతు ఇచ్చే డేటాను వ్యాసం మరియు అనుబంధ పదార్థాలలో కనుగొనవచ్చని రచయితలు అంగీకరించారు.అధ్యయనం సమయంలో రూపొందించబడిన మరియు/లేదా విశ్లేషించబడిన డేటాసెట్‌లు సహేతుకమైన అభ్యర్థనపై సంబంధిత రచయిత నుండి అందుబాటులో ఉంటాయి.
రిట్జ్-టిమ్మ్, S. మరియు ఇతరులు.వయస్సు అంచనా: ఫోరెన్సిక్ ప్రాక్టీస్ యొక్క నిర్దిష్ట అవసరాలను తీర్చడానికి అత్యాధునికమైనది.అంతర్జాతీయత.J. లీగల్ మెడిసిన్.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., మరియు Olze, A. క్రిమినల్ ప్రాసిక్యూషన్ ప్రయోజనాల కోసం నివసిస్తున్న సబ్జెక్టుల ఫోరెన్సిక్ వయస్సు అంచనా ప్రస్తుత స్థితి.ఫోరెన్సిక్స్.మందు.పాథాలజీ.1, 239–246 (2005).
పాన్, J. మరియు ఇతరులు.తూర్పు చైనాలో 5 నుండి 16 సంవత్సరాల వయస్సు గల పిల్లల దంత వయస్సును అంచనా వేయడానికి సవరించిన పద్ధతి.వైద్యసంబంధమైన.మౌఖిక సర్వే.25, 3463–3474 (2021).
లీ, SS మొదలైనవి. కొరియన్లలో రెండవ మరియు మూడవ మోలార్ల అభివృద్ధి యొక్క కాలక్రమం మరియు ఫోరెన్సిక్ వయస్సు అంచనా కోసం దాని అప్లికేషన్.అంతర్జాతీయత.J. లీగల్ మెడిసిన్.124, 659–665 (2010).
ఓహ్, S., కుమగై, A., కిమ్, SY మరియు లీ, SS కొరియన్లు మరియు జపనీస్‌లో రెండవ మరియు మూడవ మోలార్‌ల పరిపక్వత ఆధారంగా 18 సంవత్సరాల థ్రెషోల్డ్ వయస్సు అంచనా మరియు అంచనా యొక్క ఖచ్చితత్వం.PLoS ONE 17, e0271247 (2022).
కిమ్, JY, మరియు ఇతరులు.శస్త్రచికిత్సకు ముందు మెషీన్ లెర్నింగ్-ఆధారిత డేటా విశ్లేషణ OSA ఉన్న రోగులలో నిద్ర శస్త్రచికిత్స చికిత్స ఫలితాలను అంచనా వేయగలదు.శాస్త్రం.నివేదిక 11, 14911 (2021).
హాన్, M. మరియు ఇతరులు.మానవ ప్రమేయంతో లేదా లేకుండా మెషిన్ లెర్నింగ్ నుండి ఖచ్చితమైన వయస్సు అంచనా?అంతర్జాతీయత.J. లీగల్ మెడిసిన్.136, 821–831 (2022).
ఖాన్, S. మరియు షాహీన్, M. డేటా మైనింగ్ నుండి డేటా మైనింగ్ వరకు.J.సమాచారం.శాస్త్రం.https://doi.org/10.1177/01655515211030872 (2021).
ఖాన్, S. మరియు షాహీన్, M. WisRule: అసోసియేషన్ రూల్ మైనింగ్ కోసం మొదటి కాగ్నిటివ్ అల్గోరిథం.J.సమాచారం.శాస్త్రం.https://doi.org/10.1177/01655515221108695 (2022).
షాహీన్ M. మరియు అబ్దుల్లా U. కర్మ: సందర్భ-ఆధారిత అసోసియేషన్ నియమాల ఆధారంగా సాంప్రదాయ డేటా మైనింగ్.లెక్కించు.మాట్.కొనసాగుతుంది.68, 3305–3322 (2021).
ముహమ్మద్ M., రెహ్మాన్ Z., షాహీన్ M., ఖాన్ M. మరియు హబీబ్ M. టెక్స్ట్ డేటాను ఉపయోగించి లోతైన అభ్యాస ఆధారిత అర్థ సారూప్యతను గుర్తించడం.తెలియజేయండి.సాంకేతికతలు.నియంత్రణ.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., మరియు Shahin, M. స్పోర్ట్స్ వీడియోలలో యాక్టివిటీని గుర్తించే వ్యవస్థ.మల్టీమీడియా.సాధనాల అప్లికేషన్‌లు 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, Y. మరియు ఇతరులు.లోతైన అభ్యాసాన్ని ఉపయోగించి పెల్విక్ ఎక్స్-కిరణాల నుండి ఫోరెన్సిక్ వయస్సు అంచనా.యూరో.రేడియేషన్.29, 2322–2329 (2019).
గువో, YC, మరియు ఇతరులు.ఆర్థోగ్రాఫిక్ ప్రొజెక్షన్ చిత్రాల నుండి మాన్యువల్ పద్ధతులు మరియు లోతైన కన్వల్యూషనల్ న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించి ఖచ్చితమైన వయస్సు వర్గీకరణ.అంతర్జాతీయత.J. లీగల్ మెడిసిన్.135, 1589–1597 (2021).
అలబామా దలోరా మరియు ఇతరులు.వివిధ యంత్ర అభ్యాస 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 చైనీస్ జనాభా-నిర్దిష్ట వయస్సు అంచనా.అంతర్జాతీయత.J. లీగల్ మెడిసిన్.136, 811–819 (2022).
కిమ్ S., లీ YH, Noh YK, Park FK మరియు Oh KS మొదటి మోలార్‌ల కృత్రిమ మేధస్సు ఆధారిత చిత్రాలను ఉపయోగించి జీవించి ఉన్న వ్యక్తుల వయస్సు సమూహాలను నిర్ణయించడం.శాస్త్రం.నివేదిక 11, 1073 (2021).
స్టెర్న్, D., పేయర్, C., గియులియాని, N., మరియు Urschler, M. మల్టీవియారిట్ MRI డేటా నుండి ఆటోమేటిక్ వయస్సు అంచనా మరియు మెజారిటీ వయస్సు వర్గీకరణ.IEEE J. బయోమెడ్.ఆరోగ్య హెచ్చరికలు.23, 1392–1403 (2019).
చెంగ్, Q., Ge, Z., Du, H. మరియు Li, G. లోతైన అభ్యాసం మరియు స్థాయి సెట్‌లను ఏకీకృతం చేయడం ద్వారా కోన్ బీమ్ కంప్యూటెడ్ టోమోగ్రఫీ నుండి మొదటి మోలార్‌ల 3D పల్ప్ ఛాంబర్ సెగ్మెంటేషన్ ఆధారంగా వయస్సు అంచనా.అంతర్జాతీయత.J. లీగల్ మెడిసిన్.135, 365–373 (2021).
వు, WT, మరియు ఇతరులు.క్లినికల్ బిగ్ డేటాలో డేటా మైనింగ్: సాధారణ డేటాబేస్‌లు, దశలు మరియు పద్ధతుల నమూనాలు.ప్రపంచం.మందు.వనరు.8, 44 (2021).
యాంగ్, J. మరియు ఇతరులు.పెద్ద డేటా ఎరాలో మెడికల్ డేటాబేస్‌లు మరియు డేటా మైనింగ్ టెక్నాలజీలకు పరిచయం.J. అవిడ్.ప్రాథమిక ఔషధం.13, 57–69 (2020).
షెన్, S. మరియు ఇతరులు.మెషిన్ లెర్నింగ్ ఉపయోగించి పంటి వయస్సును అంచనా వేయడానికి కెమెరార్ 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.J. లీగల్ మెడిసిన్.135, 665–675 (2021).
డెమిర్డ్జియాన్, A., గోల్డ్‌స్టెయిన్, H. మరియు టాన్నర్, JM దంత వయస్సును అంచనా వేయడానికి కొత్త వ్యవస్థ.గురక.జీవశాస్త్రం.45, 211–227 (1973).
లాండిస్, JR, మరియు కోచ్, GG వర్గీకరణ డేటాపై పరిశీలకుల ఒప్పందం యొక్క చర్యలు.బయోమెట్రిక్స్ 33, 159–174 (1977).
భట్టాచార్జీ ఎస్, ప్రకాష్ డి, కిమ్ సి, కిమ్ హెచ్‌కె మరియు చోయ్ హెచ్‌కె.ప్రైమరీ బ్రెయిన్ ట్యూమర్‌ల భేదం కోసం కృత్రిమ మేధస్సు పద్ధతులను ఉపయోగించి టూ-డైమెన్షనల్ మాగ్నెటిక్ రెసొనెన్స్ ఇమేజింగ్ యొక్క వచన, పదనిర్మాణ మరియు గణాంక విశ్లేషణ.ఆరోగ్య సమాచారం.వనరు.https://doi.org/10.4258/hir.2022.28.1.46 (2022).