ڪورين نوجوانن ۽ نوجوان بالغن ۾ روايتي ڏندن جي عمر جي اندازي جي طريقن جي خلاف ڊيٽا مائننگ ماڊل جي تصديق

Nature.com تي اچڻ لاءِ مهرباني. توهان جي استعمال ڪيل برائوزر جي ورزن ۾ محدود CSS سپورٽ آهي. بهترين نتيجن لاءِ، اسان توهان جي برائوزر جو نئون ورزن استعمال ڪرڻ جي صلاح ڏيون ٿا (يا انٽرنيٽ ايڪسپلورر ۾ مطابقت واري موڊ کي بند ڪريو). ساڳئي وقت، جاري سپورٽ کي يقيني بڻائڻ لاءِ، اسان سائيٽ کي اسٽائلنگ يا جاوا اسڪرپٽ کان سواءِ ڏيکاري رهيا آهيون.
ڏندن کي انساني جسم جي عمر جو سڀ کان صحيح اشارو سمجهيو ويندو آهي ۽ اڪثر ڪري فارنسڪ عمر جي تشخيص ۾ استعمال ڪيو ويندو آهي. اسان جو مقصد ڊيٽا مائننگ تي ٻڌل ڏندن جي عمر جي تخميني کي روايتي طريقن ۽ ڊيٽا مائننگ تي ٻڌل عمر جي تخميني سان 18 سالن جي حد جي تخميني جي درستگي ۽ درجه بندي ڪارڪردگي جو مقابلو ڪندي تصديق ڪرڻ هو. 15 کان 23 سالن جي عمر وارن ڪورين ۽ جاپاني شهرين کان ڪل 2657 پينورامڪ ريڊيوگراف گڏ ڪيا ويا. انهن کي هڪ تربيتي سيٽ ۾ ورهايو ويو، هر هڪ ۾ 900 ڪورين ريڊيوگراف، ۽ هڪ اندروني ٽيسٽ سيٽ جنهن ۾ 857 جاپاني ريڊيوگراف شامل هئا. اسان روايتي طريقن جي درجه بندي جي درستگي ۽ ڪارڪردگي جو مقابلو ڊيٽا مائننگ ماڊل جي ٽيسٽ سيٽ سان ڪيو. اندروني ٽيسٽ سيٽ تي روايتي طريقي جي درستگي ڊيٽا مائننگ ماڊل جي ڀيٽ ۾ ٿورو وڌيڪ آهي، ۽ فرق ننڍڙو آهي (اوسط مطلق غلطي <0.21 سال، روٽ اوسط چورس غلطي <0.24 سال). 18 سالن جي ڪٽ آف لاءِ درجه بندي جي ڪارڪردگي روايتي طريقن ۽ ڊيٽا مائننگ ماڊل جي وچ ۾ پڻ ساڳي آهي. اهڙيءَ طرح، روايتي طريقن کي ڊيٽا مائننگ ماڊلز سان تبديل ڪري سگهجي ٿو جڏهن ڪورين نوجوانن ۽ نوجوان بالغن ۾ ٻئي ۽ ٽئين داڙ جي پختگي کي استعمال ڪندي فارنزڪ عمر جي تشخيص ڪئي ويندي آهي.
ڏندن جي عمر جو اندازو فارنزڪ دوائن ۽ ٻارن جي ڏندن جي علاج ۾ وڏي پيماني تي استعمال ڪيو ويندو آهي. خاص طور تي، تاريخ جي عمر ۽ ڏندن جي ترقي جي وچ ۾ اعلي لاڳاپي جي ڪري، ڏندن جي ترقي جي مرحلن جي ذريعي عمر جو اندازو ٻارن ۽ نوجوانن جي عمر جي تشخيص لاءِ هڪ اهم معيار آهي 1,2,3. جڏهن ته، نوجوانن لاءِ، ڏندن جي پختگي جي بنياد تي ڏندن جي عمر جو اندازو لڳائڻ جون حدون آهن ڇاڪاڻ ته ڏندن جي واڌ تقريبن مڪمل آهي، ٽئين داڻن جي استثنا سان. نوجوانن ۽ نوجوانن جي عمر جو تعين ڪرڻ جو قانوني مقصد صحيح اندازا ۽ سائنسي ثبوت فراهم ڪرڻ آهي ته ڇا اهي بالغيت جي عمر تائين پهچي ويا آهن. ڪوريا ۾ نوجوانن ۽ نوجوان بالغن جي طبي-قانوني عمل ۾، لي جي طريقي سان عمر جو اندازو لڳايو ويو، ۽ اوه ۽ ٻين 5 پاران رپورٽ ڪيل ڊيٽا جي بنياد تي 18 سالن جي قانوني حد جي اڳڪٿي ڪئي وئي.
مشين لرننگ هڪ قسم جي مصنوعي ذهانت (AI) آهي جيڪا بار بار ڊيٽا جي وڏي مقدار کي سکي ٿي ۽ ان کي درجه بندي ڪري ٿي، پاڻ مسئلا حل ڪري ٿي، ۽ ڊيٽا پروگرامنگ کي هلائي ٿي. مشين لرننگ ڊيٽا جي وڏي مقدار ۾ مفيد لڪيل نمونن کي ڳولي سگهي ٿي6. ان جي ابتڙ، ڪلاسيڪل طريقا، جيڪي محنت طلب ۽ وقت وٺندڙ آهن، انهن ۾ وڏي مقدار ۾ پيچيده ڊيٽا سان ڊيل ڪرڻ وقت حدون ٿي سگهن ٿيون جيڪي دستي طور تي پروسيس ڪرڻ ڏکيو آهن7. تنهن ڪري، انساني غلطين کي گهٽائڻ ۽ ڪثير جہتي ڊيٽا کي موثر طريقي سان پروسيس ڪرڻ لاءِ جديد ڪمپيوٽر ٽيڪنالاجي استعمال ڪندي تازو ڪيترائي مطالعو ڪيا ويا آهن8,9,10,11,12. خاص طور تي، ڊيپ لرننگ کي طبي تصوير جي تجزيي ۾ وڏي پيماني تي استعمال ڪيو ويو آهي، ۽ ريڊيوگرافس جو خودڪار تجزيو ڪندي عمر جي اندازي لاءِ مختلف طريقا رپورٽ ڪيا ويا آهن عمر جي اندازي جي درستگي ۽ ڪارڪردگي کي بهتر بڻائڻ لاءِ 13,14,15,16,17,18,19,20. مثال طور، حلابي ۽ ٻين 13 ٻارن جي هٿن جي ريڊيوگراف استعمال ڪندي کنڊ جي عمر جو اندازو لڳائڻ لاءِ ڪنوولوشنل نيورل نيٽ ورڪ (CNN) جي بنياد تي هڪ مشين لرننگ الگورتھم تيار ڪيو. هي مطالعو هڪ ماڊل پيش ڪري ٿو جيڪو مشين لرننگ کي طبي تصويرن تي لاڳو ڪري ٿو ۽ ڏيکاري ٿو ته اهي طريقا تشخيصي درستگي کي بهتر بڻائي سگهن ٿا. لي ۽ ٻين 14 هڪ ڊيپ لرننگ سي اين اين استعمال ڪندي پيلوڪ ايڪس ري تصويرن مان عمر جو اندازو لڳايو ۽ انهن جو مقابلو اوسيفڪيشن اسٽيج تخميني استعمال ڪندي ريگريشن نتيجن سان ڪيو. انهن ڏٺو ته ڊيپ لرننگ سي اين اين ماڊل روايتي ريگريشن ماڊل وانگر عمر جي تخميني ڪارڪردگي ڏيکاري. گو ۽ ٻين جي مطالعي [15] ڊينٽل آرٿوفوٽوز جي بنياد تي سي اين اين ٽيڪنالاجي جي عمر برداشت جي درجه بندي ڪارڪردگي جو جائزو ورتو، ۽ سي اين اين ماڊل جي نتيجن ثابت ڪيو ته انسانن پنهنجي عمر جي درجه بندي ڪارڪردگي کان بهتر ڪارڪردگي ڏيکاري.
مشين لرننگ استعمال ڪندي عمر جي اندازي تي گھڻا اڀياس ڊيپ لرننگ طريقا استعمال ڪندا آهن 13,14,15,16,17,18,19,20. ڊيپ لرننگ تي ٻڌل عمر جو اندازو روايتي طريقن کان وڌيڪ صحيح هجڻ جي رپورٽ ڪئي وئي آهي. بهرحال، هي طريقو عمر جي اندازن لاءِ سائنسي بنياد پيش ڪرڻ جو گهٽ موقعو فراهم ڪري ٿو، جهڙوڪ اندازن ۾ استعمال ٿيندڙ عمر جا اشارا. ان تي قانوني تڪرار پڻ آهي ته معائنو ڪير ڪندو آهي. تنهن ڪري، ڊيپ لرننگ تي ٻڌل عمر جو اندازو انتظامي ۽ عدالتي اختيارين طرفان قبول ڪرڻ ڏکيو آهي. ڊيٽا مائننگ (DM) هڪ ٽيڪنڪ آهي جيڪا نه رڳو متوقع پر غير متوقع معلومات کي به دريافت ڪري سگهي ٿي هڪ طريقي جي طور تي ڊيٽا جي وڏي مقدار جي وچ ۾ مفيد لاڳاپن کي دريافت ڪرڻ لاءِ 6,21,22. مشين لرننگ اڪثر ڪري ڊيٽا مائننگ ۾ استعمال ٿيندي آهي، ۽ ڊيٽا مائننگ ۽ مشين لرننگ ٻئي ڊيٽا ۾ نمونن کي دريافت ڪرڻ لاءِ ساڳيا اهم الگورتھم استعمال ڪندا آهن. ڏندن جي ترقي کي استعمال ڪندي عمر جو اندازو معائني ڪندڙ جي ٽارگيٽ ڏندن جي پختگي جي تشخيص تي ٻڌل آهي، ۽ هي تشخيص هر ٽارگيٽ ڏند لاءِ هڪ مرحلي جي طور تي ظاهر ڪيو ويندو آهي. DM کي ڏندن جي تشخيص جي مرحلي ۽ حقيقي عمر جي وچ ۾ لاڳاپن جو تجزيو ڪرڻ لاءِ استعمال ڪري سگهجي ٿو ۽ روايتي شمارياتي تجزيي کي تبديل ڪرڻ جي صلاحيت رکي ٿو. تنهن ڪري، جيڪڏهن اسان عمر جي اندازي تي DM ٽيڪنڪ لاڳو ڪريون ٿا، ته اسان قانوني ذميواري جي باري ۾ پريشان ٿيڻ کان سواءِ فارنسڪ عمر جي اندازي ۾ مشين لرننگ لاڳو ڪري سگهون ٿا. فارنسڪ مشق ۾ استعمال ٿيندڙ روايتي دستي طريقن ۽ ڏندن جي عمر کي طئي ڪرڻ لاءِ EBM تي ٻڌل طريقن جي ممڪن متبادلن تي ڪيترائي تقابلي مطالعو شايع ڪيا ويا آهن. شين ۽ ٻين 23 ڏيکاريو ته DM ماڊل روايتي ڪيمرر فارمولا کان وڌيڪ صحيح آهي. گيليبرگ ۽ ٻين 24 ڊيمرڊجين معيار 25 جي مطابق عمر جي اڳڪٿي ڪرڻ لاءِ مختلف DM طريقا لاڳو ڪيا ۽ نتيجن مان ظاهر ٿيو ته ڊي ايم طريقو فرانسيسي آبادي جي عمر جو اندازو لڳائڻ ۾ ڊيمرڊجين ۽ وليمز طريقن کان بهتر ڪارڪردگي ڏيکاري.
ڪورين نوجوانن ۽ نوجوان بالغن جي ڏندن جي عمر جو اندازو لڳائڻ لاءِ، لي جو طريقو 4 ڪورين فارنسڪ پريڪٽس ۾ وڏي پيماني تي استعمال ڪيو ويندو آهي. هي طريقو روايتي شمارياتي تجزيي (جهڙوڪ گھڻن ريگريشن) کي استعمال ڪري ٿو ته جيئن ڪورين مضمونن ۽ تاريخ جي عمر جي وچ ۾ تعلق کي جانچيو وڃي. هن مطالعي ۾، روايتي شمارياتي طريقن کي استعمال ڪندي حاصل ڪيل عمر جي اندازي جي طريقن کي "روايتي طريقا" طور بيان ڪيو ويو آهي. لي جو طريقو هڪ روايتي طريقو آهي، ۽ ان جي درستگي جي تصديق اوه ۽ ٻين طرفان ڪئي وئي آهي. 5؛ جڏهن ته، ڪورين فارنسڪ پريڪٽس ۾ ڊي ايم ماڊل جي بنياد تي عمر جي اندازي جي لاڳو ٿيڻ اڃا تائين سواليه آهي. اسان جو مقصد ڊي ايم ماڊل جي بنياد تي عمر جي اندازي جي امڪاني افاديت کي سائنسي طور تي تصديق ڪرڻ هو. هن مطالعي جو مقصد (1) ڏندن جي عمر جي اندازي ۾ ٻن ڊي ايم ماڊلز جي درستگي جو مقابلو ڪرڻ ۽ (2) 18 سالن جي عمر ۾ 7 ڊي ايم ماڊلز جي درجه بندي جي ڪارڪردگي جو مقابلو روايتي شمارياتي طريقن سان حاصل ڪيل ماڻهن سان ڪرڻ ٻنهي جبڙن ۾ ٻئي ۽ ٽئين داڙ جي پختگي.
اسٽيج ۽ ڏند جي قسم جي لحاظ کان تاريخ جي عمر جا مطلب ۽ معياري انحراف ضمني جدول S1 (ٽريننگ سيٽ)، ضمني جدول S2 (اندروني ٽيسٽ سيٽ)، ۽ ضمني جدول S3 (ٻاهرين ٽيسٽ سيٽ) ۾ آن لائن ڏيکاريا ويا آهن. تربيتي سيٽ مان حاصل ڪيل اندروني ۽ انٽروبزر اعتبار لاءِ ڪپا قدر ترتيب وار 0.951 ۽ 0.947 هئا. ڪپا قدرن لاءِ P قدر ۽ 95٪ اعتماد جا وقفا آن لائن ضمني جدول S4 ۾ ڏيکاريا ويا آهن. ڪپا قدر کي "تقريبن مڪمل" طور تي تشريح ڪيو ويو، لينڊس ۽ ڪوچ 26 جي معيار سان مطابقت رکندڙ.
جڏهن سراسري مطلق غلطي (MAE) جو مقابلو ڪيو وڃي ٿو، ته روايتي طريقو سڀني جنسن لاءِ ۽ ٻاهرين مرد ٽيسٽ سيٽ ۾ DM ماڊل کان ٿورو بهتر ڪارڪردگي ڏيکاري ٿو، سواءِ ملٽي ليئر پرسيپٽرون (MLP) جي. اندروني MAE ٽيسٽ سيٽ تي روايتي ماڊل ۽ DM ماڊل جي وچ ۾ فرق مردن لاءِ 0.12–0.19 سال ۽ عورتن لاءِ 0.17–0.21 سال هو. ٻاهرين ٽيسٽ بيٽري لاءِ، فرق ننڍا آهن (مردن لاءِ 0.001–0.05 سال ۽ عورتن لاءِ 0.05–0.09 سال). اضافي طور تي، روٽ مين اسڪوائر غلطي (RMSE) روايتي طريقي کان ٿورو گهٽ آهي، ننڍن فرقن سان (0.17–0.24، مرد اندروني ٽيسٽ سيٽ لاءِ 0.2–0.24، ۽ 0.03–0.07، 0.04–0.08 خارجي ٽيسٽ سيٽ لاءِ). MLP سنگل ليئر پرسيپٽرون (SLP) کان ٿورو بهتر ڪارڪردگي ڏيکاري ٿو، سواءِ عورتن جي ٻاهرين ٽيسٽ سيٽ جي صورت ۾. MAE ۽ RMSE لاءِ، ٻاهرين ٽيسٽ سيٽ سڀني جنسن ۽ ماڊلز لاءِ اندروني ٽيسٽ سيٽ کان وڌيڪ اسڪور ڪري ٿو. سڀئي MAE ۽ RMSE ٽيبل 1 ۽ شڪل 1 ۾ ڏيکاريل آهن.
روايتي ۽ ڊيٽا مائننگ ريگريشن ماڊلز جا MAE ۽ RMSE. مين ايبسولوٽ ايرر MAE، روٽ مين اسڪوائر ايرر RMSE، سنگل ليئر پرسيپٽرون SLP، ملٽي ليئر پرسيپٽرون MLP، روايتي CM طريقو.
روايتي ۽ ڊي ايم ماڊلز جي درجه بندي ڪارڪردگي (18 سالن جي ڪٽ آف سان) حساسيت، خاصيت، مثبت اڳڪٿي قدر (PPV)، منفي اڳڪٿي قدر (NPV)، ۽ رسيور آپريٽنگ خاصيت واري وکر (AUROC) 27 (ٽيبل 2، شڪل 2 ۽ ضمني شڪل 1 آن لائن) جي تحت علائقي جي لحاظ کان ڏيکاري وئي. اندروني ٽيسٽ بيٽري جي حساسيت جي لحاظ کان، روايتي طريقن مردن ۾ بهترين ۽ عورتن ۾ بدتر ڪارڪردگي ڏيکاري. بهرحال، روايتي طريقن ۽ ايس ڊي جي وچ ۾ درجه بندي جي ڪارڪردگي ۾ فرق مردن (MLP) لاءِ 9.7٪ ۽ عورتن لاءِ صرف 2.4٪ آهي (XGBoost). ڊي ايم ماڊلز ۾، لاجسٽڪ ريگريشن (LR) ٻنهي جنسن ۾ بهتر حساسيت ڏيکاري. اندروني ٽيسٽ سيٽ جي خاصيت جي حوالي سان، اهو ڏٺو ويو ته چار ايس ڊي ماڊل مردن ۾ سٺي ڪارڪردگي ڏيکاري، جڏهن ته روايتي ماڊل عورتن ۾ بهتر ڪارڪردگي ڏيکاري. مردن ۽ عورتن لاءِ درجه بندي جي ڪارڪردگي ۾ فرق ترتيب وار 13.3٪ (MLP) ۽ 13.1٪ (MLP) آهن، جيڪو ظاهر ڪري ٿو ته ماڊلز جي وچ ۾ درجه بندي جي ڪارڪردگي ۾ فرق حساسيت کان وڌيڪ آهي. ڊي ايم ماڊلز ۾، سپورٽ ویکٹر مشين (ايس وي ايم)، فيصلي جو وڻ (ڊي ٽي)، ۽ بي ترتيب ٻيلو (آر ايف) ماڊل مردن ۾ بهترين ڪارڪردگي ڏيکاري، جڏهن ته ايل آر ماڊل عورتن ۾ بهترين ڪارڪردگي ڏيکاري. روايتي ماڊل ۽ سڀني ايس ڊي ماڊلز جو AUROC 0.925 کان وڌيڪ هو (مردن ۾ k-ويجھو پاڙيسري (KNN))، 18 سالن جي عمر جي نمونن کي فرق ڪرڻ ۾ بهترين درجه بندي ڪارڪردگي جو مظاهرو ڪيو 28. ٻاهرين ٽيسٽ سيٽ لاءِ، اندروني ٽيسٽ سيٽ جي مقابلي ۾ حساسيت، خاصيت ۽ AUROC جي لحاظ کان درجه بندي ڪارڪردگي ۾ گهٽتائي هئي. ان کان علاوه، بهترين ۽ بدترين ماڊلز جي درجه بندي ڪارڪردگي جي وچ ۾ حساسيت ۽ خاصيت ۾ فرق 10٪ کان 25٪ تائين هو ۽ اندروني ٽيسٽ سيٽ ۾ فرق کان وڏو هو.
ڊيٽا مائننگ جي درجه بندي ماڊلز جي حساسيت ۽ خاصيت روايتي طريقن جي مقابلي ۾ 18 سالن جي ڪٽ آف سان. KNN k ويجھو پاڙيسري، SVM سپورٽ ویکٹر مشين، LR لاجسٽڪ ريگريشن، DT فيصلي جو وڻ، RF بي ترتيب ٻيلو، XGB XGBoost، MLP ملٽي ليئر پرسيپٽرون، روايتي CM طريقو.
هن مطالعي ۾ پهريون قدم ست DM ماڊلز مان حاصل ڪيل ڏندن جي عمر جي اندازن جي درستگي جو روايتي ريگريشن استعمال ڪندي حاصل ڪيل اندازن سان مقابلو ڪرڻ هو. MAE ۽ RMSE ٻنهي جنسن لاءِ اندروني ٽيسٽ سيٽن ۾ جائزو ورتو ويو، ۽ روايتي طريقو ۽ DM ماڊل جي وچ ۾ فرق MAE لاءِ 44 کان 77 ڏينهن ۽ RMSE لاءِ 62 کان 88 ڏينهن تائين هو. جيتوڻيڪ هن مطالعي ۾ روايتي طريقو ٿورو وڌيڪ صحيح هو، پر اهو نتيجو ڪڍڻ ڏکيو آهي ته ڇا اهڙي ننڍڙي فرق جي ڪلينڪل يا عملي اهميت آهي. اهي نتيجا ظاهر ڪن ٿا ته DM ماڊل استعمال ڪندي ڏندن جي عمر جي اندازي جي درستگي تقريبن روايتي طريقي جي برابر آهي. پوئين مطالعي جي نتيجن سان سڌو مقابلو ڏکيو آهي ڇاڪاڻ ته ڪنهن به مطالعي ۾ DM ماڊلز جي درستگي جو مقابلو روايتي شمارياتي طريقن سان نه ڪيو ويو آهي جيڪي هن مطالعي ۾ ساڳئي عمر جي حد ۾ ڏندن کي رڪارڊ ڪرڻ جي ساڳي ٽيڪنڪ استعمال ڪندا آهن. گيليبرگ ۽ ٻين 24 2 کان 24 سالن جي عمر جي فرانسيسي آبادي ۾ MAE ۽ RMSE جو مقابلو ٻن روايتي طريقن (ڊيميرجين طريقو 25 ۽ وليمز طريقو 29) ۽ 10 DM ماڊلز جي وچ ۾ ڪيو. انهن ٻڌايو ته سڀئي ڊي ايم ماڊل روايتي طريقن کان وڌيڪ صحيح هئا، وليمز ۽ ڊيمرجيئن طريقن جي مقابلي ۾ ايم اي اي ۾ 0.20 ۽ 0.38 سال ۽ آر ايم ايس اي ۾ 0.25 ۽ 0.47 سال جي فرق سان، ترتيب وار. هيليبورگ مطالعي ۾ ڏيکاريل ايس ڊي ماڊل ۽ روايتي طريقن جي وچ ۾ فرق ڪيترن ئي رپورٽن کي مدنظر رکي ٿو 30,31,32,33 ته ڊيمرجيئن طريقو فرانسيسي ڪينيڊين کان سواءِ ٻين آبادي ۾ ڏندن جي عمر جو صحيح اندازو نٿو لڳائي جنهن تي مطالعي تي ٻڌل هئي. هن مطالعي ۾. تائي ۽ ٻين 34 1636 چيني آرٿوڊونٽڪ تصويرن مان ڏندن جي عمر جي اڳڪٿي ڪرڻ لاءِ ايم ايل پي الگورتھم استعمال ڪيو ۽ ان جي درستگي جو مقابلو ڊيمرجيئن ۽ وليمز طريقي جي نتيجن سان ڪيو. انهن ٻڌايو ته ايم ايل پي ۾ روايتي طريقن جي ڀيٽ ۾ وڌيڪ درستگي آهي. ڊيمرجيئن طريقي ۽ روايتي طريقي جي وچ ۾ فرق <0.32 سال آهي، ۽ وليمز طريقو 0.28 سال آهي، جيڪو موجوده مطالعي جي نتيجن سان ملندڙ جلندڙ آهي. انهن پوئين مطالعي جا نتيجا 24,34 پڻ موجوده مطالعي جي نتيجن سان مطابقت رکن ٿا، ۽ DM ماڊل ۽ روايتي طريقي جي عمر جي اندازي جي درستگي هڪجهڙائي رکي ٿي. جڏهن ته، پيش ڪيل نتيجن جي بنياد تي، اسان صرف احتياط سان اهو نتيجو ڪڍي سگهون ٿا ته عمر جو اندازو لڳائڻ لاءِ DM ماڊلز جو استعمال موجوده طريقن کي تبديل ڪري سگهي ٿو ڇاڪاڻ ته مقابلي ۽ حوالن جي پوئين مطالعي جي کوٽ آهي. هن مطالعي ۾ حاصل ڪيل نتيجن جي تصديق ڪرڻ لاءِ وڏن نمونن کي استعمال ڪندي فالو اپ مطالعي جي ضرورت آهي.
ڏندن جي عمر جو اندازو لڳائڻ ۾ SD جي درستگي جي جانچ ڪندڙ مطالعي مان، ڪجهه اسان جي مطالعي کان وڌيڪ درستگي ڏيکاري. اسٽيپانووسڪي ۽ ٻين 35 2.7 کان 20.5 سالن جي عمر وارن 976 چيڪ رهواسين جي پينورامڪ ريڊيوگراف تي 22 SD ماڊل لاڳو ڪيا ۽ هر ماڊل جي درستگي جي جانچ ڪئي. انهن موريس ۽ ٻين 36 پاران تجويز ڪيل درجه بندي جي معيار کي استعمال ڪندي ڪل 16 مٿي ۽ هيٺيون کاٻي مستقل ڏندن جي ترقي جو جائزو ورتو. MAE 0.64 کان 0.94 سالن تائين ۽ RMSE 0.85 کان 1.27 سالن تائين آهي، جيڪي هن مطالعي ۾ استعمال ٿيندڙ ٻن DM ماڊلز کان وڌيڪ صحيح آهن. شين ۽ ٻين 23 5 کان 13 سالن جي عمر وارن اوڀر چيني رهواسين ۾ کاٻي مينڊيبل ۾ ستن مستقل ڏندن جي ڏندن جي عمر جو اندازو لڳائڻ لاءِ ڪيمريئر طريقو استعمال ڪيو ۽ ان جو مقابلو لڪير ريگريشن، SVM ۽ RF استعمال ڪندي اندازي مطابق عمر سان ڪيو. انهن ڏيکاريو ته ٽنهي DM ماڊلز ۾ روايتي ڪيمريئر فارمولا جي مقابلي ۾ وڌيڪ درستگي آهي. شين جي مطالعي ۾ MAE ۽ RMSE هن مطالعي ۾ DM ماڊل جي ڀيٽ ۾ گهٽ هئا. Stepanovsky ۽ ٻين 35 ۽ شين ۽ ٻين 23 پاران ڪيل مطالعي جي وڌندڙ درستگي شايد انهن جي مطالعي جي نمونن ۾ نوجوان مضمونن جي شموليت جي ڪري هجي. ڇاڪاڻ ته ڏندن جي ترقي دوران ڏندن جي تعداد ۾ واڌ سان گڏ ترقي ڪندڙ شرڪت ڪندڙن لاءِ عمر جو اندازو وڌيڪ صحيح ٿي ويندو آهي، نتيجي ۾ عمر جي اندازي جي طريقي جي درستگي کي نقصان پهچي سگهي ٿو جڏهن مطالعي ۾ شرڪت ڪندڙ ننڍا هوندا آهن. اضافي طور تي، عمر جي اندازي ۾ MLP جي غلطي SLP جي ڀيٽ ۾ ٿوري ننڍي آهي، مطلب ته MLP SLP کان وڌيڪ صحيح آهي. MLP کي عمر جي اندازي لاءِ ٿورو بهتر سمجهيو ويندو آهي، ممڪن طور تي MLP38 ۾ لڪيل پرتن جي ڪري. جڏهن ته، عورتن جي ٻاهرين نموني لاءِ هڪ استثنا آهي (SLP 1.45، MLP 1.49). عمر جي تشخيص ۾ MLP SLP کان وڌيڪ صحيح آهي اهو ڳولڻ لاءِ اضافي پوئتي موٽڻ واري مطالعي جي ضرورت آهي.
18 سالن جي حد تي DM ماڊل ۽ روايتي طريقي جي درجه بندي ڪارڪردگي جو مقابلو پڻ ڪيو ويو. اندروني ٽيسٽ سيٽ تي سڀني آزمائشي SD ماڊلز ۽ روايتي طريقن 18 سالن جي نموني لاءِ عملي طور تي قابل قبول سطح جي امتياز ڏيکاريو. مردن ۽ عورتن لاءِ حساسيت ترتيب وار 87.7٪ ۽ 94.9٪ کان وڌيڪ هئي، ۽ خاصيت 89.3٪ ۽ 84.7٪ کان وڌيڪ هئي. سڀني آزمائشي ماڊلز جو AUROC پڻ 0.925 کان وڌيڪ آهي. اسان جي بهترين ڄاڻ موجب، ڪنهن به مطالعي ڏندن جي پختگي جي بنياد تي 18 سالن جي درجه بندي لاءِ DM ماڊل جي ڪارڪردگي جي جانچ نه ڪئي آهي. اسان هن مطالعي جي نتيجن جو مقابلو پينورامڪ ريڊيوگرافس تي ڊيپ لرننگ ماڊلز جي درجه بندي ڪارڪردگي سان ڪري سگهون ٿا. Guo et al.15 هڪ خاص عمر جي حد لاءِ CNN تي ٻڌل ڊيپ لرننگ ماڊل ۽ هڪ دستي طريقي جي درجه بندي ڪارڪردگي جو حساب لڳايو. دستي طريقي جي حساسيت ۽ خاصيت ترتيب وار 87.7٪ ۽ 95.5٪ هئي، ۽ سي اين اين ماڊل جي حساسيت ۽ خاصيت ترتيب وار 89.2٪ ۽ 86.6٪ کان وڌي وئي. انهن اهو نتيجو ڪڍيو ته ڊيپ لرننگ ماڊل عمر جي حدن جي درجه بندي ۾ دستي تشخيص کي تبديل ڪري سگهن ٿا يا ان کان بهتر ڪارڪردگي ڏيکارين ٿا. هن مطالعي جي نتيجن ساڳي درجه بندي ڪارڪردگي ڏيکاري؛ اهو سمجهيو ويندو آهي ته ڊي ايم ماڊل استعمال ڪندي درجه بندي عمر جي اندازي لاءِ روايتي شمارياتي طريقن کي تبديل ڪري سگهي ٿي. ماڊلز ۾، ڊي ايم ايل آر مرد نموني لاءِ حساسيت ۽ عورت نموني لاءِ حساسيت ۽ خاصيت جي لحاظ کان بهترين ماڊل هو. مردن لاءِ مخصوصيت ۾ ايل آر ٻئي نمبر تي آهي. ان کان علاوه، ايل آر کي وڌيڪ استعمال ڪندڙ دوست DM35 ماڊلز مان هڪ سمجهيو ويندو آهي ۽ گهٽ پيچيده ۽ پروسيس ڪرڻ ڏکيو آهي. انهن نتيجن جي بنياد تي، ايل آر کي ڪورين آبادي ۾ 18 سالن جي عمر وارن لاءِ بهترين ڪٽ آف درجه بندي ماڊل سمجهيو ويندو هو.
مجموعي طور تي، ٻاهرين ٽيسٽ سيٽ تي عمر جي اندازي يا درجه بندي جي ڪارڪردگي جي درستگي اندروني ٽيسٽ سيٽ تي نتيجن جي مقابلي ۾ خراب يا گهٽ هئي. ڪجهه رپورٽون ظاهر ڪن ٿيون ته درجه بندي جي درستگي يا ڪارڪردگي گهٽجي ويندي آهي جڏهن ڪورين آبادي جي بنياد تي عمر جي اندازن کي جاپاني آبادي تي لاڳو ڪيو ويندو آهي 5,39، ۽ موجوده مطالعي ۾ هڪجهڙو نمونو مليو. هي خرابي جو رجحان DM ماڊل ۾ پڻ ڏٺو ويو. تنهن ڪري، عمر جو صحيح اندازو لڳائڻ لاءِ، تجزيي جي عمل ۾ DM استعمال ڪندي به، مقامي آبادي جي ڊيٽا مان نڪتل طريقا، جهڙوڪ روايتي طريقا، کي ترجيح ڏني وڃي 5,39,40,41,42. جيئن ته اهو واضح ناهي ته ڇا ڊيپ لرننگ ماڊل ساڳيا رجحان ڏيکاري سگهن ٿا، روايتي طريقن، DM ماڊلز، ۽ ڊيپ لرننگ ماڊلز کي استعمال ڪندي درجه بندي جي درستگي ۽ ڪارڪردگي جو مقابلو ڪرڻ واري مطالعي جي ضرورت آهي ته جيئن تصديق ڪئي وڃي ته ڇا مصنوعي ذهانت محدود عمر جي جائزي ۾ انهن نسلي تفاوتن کي ختم ڪري سگهي ٿي.
اسان اهو ظاهر ڪريون ٿا ته ڪوريا ۾ فارنسڪ عمر جي اندازي جي مشق ۾ DM ماڊل جي بنياد تي روايتي طريقن کي عمر جي اندازي سان تبديل ڪري سگهجي ٿو. اسان فارنسڪ عمر جي تشخيص لاءِ مشين لرننگ لاڳو ڪرڻ جو امڪان پڻ دريافت ڪيو. بهرحال، واضح حدون آهن، جهڙوڪ نتيجن کي يقيني طور تي طئي ڪرڻ لاءِ هن مطالعي ۾ شرڪت ڪندڙن جو ڪافي تعداد، ۽ هن مطالعي جي نتيجن جي مقابلي ۽ تصديق ڪرڻ لاءِ پوئين مطالعي جي کوٽ. مستقبل ۾، DM مطالعي کي روايتي طريقن جي مقابلي ۾ ان جي عملي لاڳو ٿيڻ کي بهتر بڻائڻ لاءِ وڏي تعداد ۾ نمونن ۽ وڌيڪ متنوع آبادي سان ڪيو وڃي. ڪيترن ئي آبادي ۾ عمر جو اندازو لڳائڻ لاءِ مصنوعي ذهانت استعمال ڪرڻ جي فزيبلٽي کي درست ڪرڻ لاءِ، مستقبل جي مطالعي جي ضرورت آهي ته جيئن ساڳئي نمونن ۾ روايتي طريقن سان DM ۽ ڊيپ لرننگ ماڊلز جي درجه بندي جي درستگي ۽ ڪارڪردگي جو مقابلو ڪيو وڃي.
مطالعي ۾ 15 کان 23 سالن جي عمر وارن ڪورين ۽ جاپاني بالغن کان گڏ ڪيل 2,657 آرٿوگرافڪ تصويرون استعمال ڪيون ويون. ڪورين ريڊيوگرافس کي 900 ٽريننگ سيٽ (19.42 ± 2.65 سال) ۽ 900 اندروني ٽيسٽ سيٽ (19.52 ± 2.59 سال) ۾ ورهايو ويو. ٽريننگ سيٽ هڪ اداري (سيول سينٽ ميري اسپتال) ۾ گڏ ڪيو ويو، ۽ پنهنجو ٽيسٽ سيٽ ٻن ادارن (سيول نيشنل يونيورسٽي ڊينٽل اسپتال ۽ يونسئي يونيورسٽي ڊينٽل اسپتال) ۾ گڏ ڪيو ويو. اسان ٻاهرين جاچ لاءِ ٻئي آبادي تي ٻڌل ڊيٽا (ايوٽ ميڊيڪل يونيورسٽي، جاپان) مان 857 ريڊيوگرافس پڻ گڏ ڪيا. جاپاني مضمونن جي ريڊيوگرافس (19.31 ± 2.60 سال) کي ٻاهرين ٽيسٽ سيٽ طور چونڊيو ويو. ڏندن جي علاج دوران ورتل پينورامڪ ريڊيوگرافس تي ڏندن جي ترقي جي مرحلن جو تجزيو ڪرڻ لاءِ ڊيٽا ماضي جي طور تي گڏ ڪئي وئي. گڏ ڪيل سڀ ڊيٽا جنس، پيدائش جي تاريخ ۽ ريڊيوگراف جي تاريخ کانسواءِ گمنام هئا. شموليت ۽ خارج ڪرڻ جا معيار اڳ ۾ شايع ٿيل مطالعي 4، 5 وانگر ساڳيا هئا. نموني جي اصل عمر ريڊيوگراف وٺڻ جي تاريخ مان پيدائش جي تاريخ کي گھٽائي حساب ڪئي وئي. نموني گروپ کي نو عمر گروپن ۾ ورهايو ويو. عمر ۽ جنس جي تقسيم جدول 3 ۾ ڏيکاريل آهي. هي مطالعو هيلسنڪي جي اعلان جي مطابق ڪيو ويو ۽ ڪوريا جي ڪيٿولڪ يونيورسٽي (KC22WISI0328) جي سيول سينٽ ميري اسپتال جي اداري جائزو بورڊ (IRB) پاران منظور ڪيو ويو. هن مطالعي جي پوئتي موٽڻ واري ڊيزائن جي ڪري، علاج جي مقصدن لاءِ ريڊيوگرافڪ معائنو ڪندڙ سڀني مريضن کان باخبر رضامندي حاصل نه ٿي سگهي. سيول ڪوريا يونيورسٽي سينٽ ميري اسپتال (IRB) باخبر رضامندي جي ضرورت کي معاف ڪري ڇڏيو.
ڊيمرڪن معيار 25 جي مطابق بائي ميڪسيلري سيڪنڊ ۽ ٽين داڙ جي ترقي جا مرحلا طئي ڪيا ويا. جيڪڏهن هر جبڙي جي کاٻي ۽ ساڄي پاسي ساڳئي قسم جو ڏند مليو ته صرف هڪ ڏند چونڊيو ويو. جيڪڏهن ٻنهي پاسن تي هم جنس ڏند مختلف ترقياتي مرحلن تي هئا، ته پوءِ هيٺين ترقي واري مرحلي وارو ڏند اندازي مطابق عمر ۾ غير يقيني صورتحال کي مدنظر رکڻ لاءِ چونڊيو ويو. تربيتي سيٽ مان هڪ سو بي ترتيب چونڊيل ريڊيوگراف ٻن تجربيڪار مبصرن پاران اسڪور ڪيا ويا ته جيئن ڏندن جي پختگي جي مرحلي کي طئي ڪرڻ لاءِ پري ڪيليبريشن کان پوءِ انٽروبزر جي اعتبار کي جانچيو وڃي. پرائمري مبصر پاران ٽن مهينن جي وقفي تي انٽرابزر جي اعتبار جو ٻه ڀيرا جائزو ورتو ويو.
ٽريننگ سيٽ ۾ هر جبڙي جي ٻئي ۽ ٽئين داڙ جي جنس ۽ ترقي واري مرحلي جو اندازو هڪ پرائمري مبصر پاران مختلف DM ماڊلز سان تربيت يافته ڪيو ويو، ۽ اصل عمر کي ٽارگيٽ ويليو طور مقرر ڪيو ويو. SLP ۽ MLP ماڊل، جيڪي مشين لرننگ ۾ وڏي پيماني تي استعمال ٿين ٿا، ريگريشن الگورتھم جي خلاف آزمايا ويا. DM ماڊل چئن ڏندن جي ترقي جي مرحلن کي استعمال ڪندي لڪير جي ڪمن کي گڏ ڪري ٿو ۽ عمر جو اندازو لڳائڻ لاءِ انهن ڊيٽا کي گڏ ڪري ٿو. SLP سڀ کان سادو نيورل نيٽ ورڪ آهي ۽ ان ۾ لڪيل پرتون نه هونديون آهن. SLP نوڊس جي وچ ۾ حد جي منتقلي جي بنياد تي ڪم ڪري ٿو. ريگريشن ۾ SLP ماڊل رياضي طور تي گھڻن لڪير جي رجعت سان ملندڙ جلندڙ آهي. SLP ماڊل جي برعڪس، MLP ماڊل ۾ نان لائنر ايڪٽيويشن فنڪشن سان گڏ ڪيترائي لڪيل پرت آهن. اسان جي تجربن ۾ صرف 20 لڪيل نوڊس سان گڏ هڪ لڪيل پرت استعمال ڪئي وئي جنهن ۾ نان لائنر ايڪٽيويشن فنڪشن هئا. گريڊينٽ ڊيسنٽ کي اصلاح جي طريقي طور ۽ MAE ۽ RMSE کي نقصان جي فنڪشن طور استعمال ڪيو ويو اسان جي مشين لرننگ ماڊل کي تربيت ڏيڻ لاءِ. بهترين حاصل ڪيل ريگريشن ماڊل اندروني ۽ ٻاهرين ٽيسٽ سيٽن تي لاڳو ڪيو ويو ۽ ڏندن جي عمر جو اندازو لڳايو ويو.
هڪ درجه بندي الگورتھم تيار ڪيو ويو جيڪو تربيتي سيٽ تي چئن ڏندن جي پختگي کي استعمال ڪندي اڳڪٿي ڪرڻ لاءِ ته ڇا هڪ نمونو 18 سال پراڻو آهي يا نه. ماڊل ٺاهڻ لاءِ، اسان ست نمائندگي مشين لرننگ الگورتھم حاصل ڪيا 6,43: (1) LR، (2) KNN، (3) SVM، (4) DT، (5) RF، (6) XGBoost، ۽ (7) MLP. LR سڀ کان وڌيڪ استعمال ٿيندڙ درجه بندي الگورتھم مان هڪ آهي 44. اهو هڪ نگراني ڪيل سکيا الگورتھم آهي جيڪو 0 کان 1 تائين هڪ خاص درجي سان تعلق رکندڙ ڊيٽا جي امڪان جي اڳڪٿي ڪرڻ لاءِ ريگريشن استعمال ڪري ٿو ۽ هن امڪان جي بنياد تي ڊيٽا کي وڌيڪ امڪاني درجي سان تعلق رکندڙ طور تي درجه بندي ڪري ٿو؛ خاص طور تي بائنري درجه بندي لاءِ استعمال ڪيو ويندو آهي. KNN هڪ آسان ترين مشين لرننگ الگورتھم آهي 45. جڏهن نئون ان پٽ ڊيٽا ڏنو ويندو آهي، اهو موجوده سيٽ جي ويجهو k ڊيٽا ڳوليندو آهي ۽ پوءِ انهن کي سڀ کان وڌيڪ فريڪوئنسي سان ڪلاس ۾ درجه بندي ڪندو آهي. اسان سمجهيل پاڙيسرين جي تعداد لاءِ 3 مقرر ڪيو (k). ايس وي ايم هڪ الگورٿم آهي جيڪو ڪرنل فنڪشن استعمال ڪندي ٻن ڪلاسن جي وچ ۾ فاصلي کي وڌ کان وڌ ڪري ٿو لڪير واري جاءِ کي فيلڊز 46 نالي هڪ غير لڪير واري جاءِ ۾ وڌائڻ لاءِ. هن ماڊل لاءِ، اسان بائيس = 1، پاور = 1، ۽ گاما = 1 کي پولينوميل ڪرنل لاءِ هائپر پيرا ميٽر طور استعمال ڪندا آهيون. ڊي ٽي کي مختلف شعبن ۾ هڪ الگورٿم طور لاڳو ڪيو ويو آهي هڪ پوري ڊيٽا سيٽ کي ڪيترن ئي ذيلي گروپن ۾ ورهائڻ لاءِ هڪ وڻ جي جوڙجڪ ۾ فيصلي جي قاعدن جي نمائندگي ڪندي 47. ماڊل 2 جي هر نوڊ ۾ گهٽ ۾ گهٽ رڪارڊن جي تعداد سان ترتيب ڏنل آهي ۽ معيار جي ماپ طور گيني انڊيڪس استعمال ڪري ٿو. آر ايف هڪ اينسمبل طريقو آهي جيڪو بوٽ اسٽريپ ايگريگيشن طريقو استعمال ڪندي ڪارڪردگي کي بهتر بڻائڻ لاءِ ڪيترن ئي ڊي ٽيز کي گڏ ڪري ٿو جيڪو هر نموني لاءِ هڪ ڪمزور درجه بندي پيدا ڪري ٿو بي ترتيب طور تي ساڳئي سائيز جا نمونا اصل ڊيٽا سيٽ مان ڪيترائي ڀيرا ٺاهي 48. اسان نوڊ سيپريشن معيار طور 100 وڻ، 10 وڻ جي کوٽائي، 1 گهٽ ۾ گهٽ نوڊ سائيز، ۽ گيني ايڊمڪسچر انڊيڪس استعمال ڪيو. نئين ڊيٽا جي درجه بندي اڪثريت ووٽ ذريعي طئي ڪئي ويندي آهي. XGBoost هڪ الگورٿم آهي جيڪو هڪ طريقو استعمال ڪندي بوسٽنگ ٽيڪنڪ کي گڏ ڪري ٿو جيڪو ٽريننگ ڊيٽا طور پوئين ماڊل جي حقيقي ۽ اڳڪٿي ڪيل قدرن جي وچ ۾ غلطي کي وٺندو آهي ۽ گريڊينٽ استعمال ڪندي غلطي کي وڌائيندو آهي49. اهو هڪ وڏي پيماني تي استعمال ٿيندڙ الگورٿم آهي ان جي سٺي ڪارڪردگي ۽ وسيلن جي ڪارڪردگي جي ڪري، انهي سان گڏ هڪ اوور فٽنگ اصلاحي فنڪشن جي طور تي اعلي اعتبار. ماڊل 400 سپورٽ ويلز سان ليس آهي. MLP هڪ نيورل نيٽ ورڪ آهي جنهن ۾ هڪ يا وڌيڪ پرسيپٽرون ان پٽ ۽ آئوٽ پٽ پرتن جي وچ ۾ هڪ يا وڌيڪ لڪيل پرتن سان گڏ ڪيترائي پرتون ٺاهيندا آهن38. ان کي استعمال ڪندي، توهان غير لڪير واري درجه بندي ڪري سگهو ٿا جتي جڏهن توهان هڪ ان پٽ پرت شامل ڪندا آهيو ۽ نتيجو قدر حاصل ڪندا آهيو، اڳڪٿي ڪيل نتيجو قدر جو مقابلو اصل نتيجو قدر سان ڪيو ويندو آهي ۽ غلطي واپس پروپيگيٽ ڪئي ويندي آهي. اسان هر پرت ۾ 20 لڪيل نيورون سان هڪ لڪيل پرت ٺاهي. اسان جي ٺاهيل هر ماڊل کي اندروني ۽ ٻاهرين سيٽن تي لاڳو ڪيو ويو هو حساسيت، خاصيت، PPV، NPV، ۽ AUROC جي حساب سان درجه بندي جي ڪارڪردگي کي جانچڻ لاءِ. حساسيت کي 18 سال يا ان کان وڌيڪ عمر جي اندازي مطابق نموني جي تناسب جي طور تي بيان ڪيو ويو آهي جيڪو 18 سال يا ان کان وڌيڪ عمر جي اندازي مطابق نموني سان آهي. خاصيت 18 سالن کان گهٽ عمر وارن نمونن ۽ 18 سالن کان گهٽ عمر وارن نمونن جو تناسب آهي.
تربيتي سيٽ ۾ تشخيص ڪيل ڏندن جي مرحلن کي شمارياتي تجزيي لاءِ عددي مرحلن ۾ تبديل ڪيو ويو. هر جنس لاءِ اڳڪٿي ڪندڙ ماڊل تيار ڪرڻ ۽ ريگريشن فارمولا حاصل ڪرڻ لاءِ ملٽي ويريئيٽ لڪير ۽ لاجسٽڪ ريگريشن انجام ڏنو ويو جيڪي عمر جو اندازو لڳائڻ لاءِ استعمال ٿي سگهن ٿا. اسان اندروني ۽ ٻاهرين ٽيسٽ سيٽن ٻنهي لاءِ ڏندن جي عمر جو اندازو لڳائڻ لاءِ انهن فارمولن کي استعمال ڪيو. جدول 4 هن مطالعي ۾ استعمال ٿيندڙ ريگريشن ۽ درجه بندي ماڊل ڏيکاري ٿو.
ڪوهين جي ڪپا شماريات استعمال ڪندي اندروني ۽ انٽروبزر جي اعتبار جو حساب ڪيو ويو. DM ۽ روايتي ريگريشن ماڊلز جي درستگي کي جانچڻ لاءِ، اسان اندروني ۽ ٻاهرين ٽيسٽ سيٽن جي اندازي مطابق ۽ حقيقي عمرن کي استعمال ڪندي MAE ۽ RMSE جو حساب ڪيو. اهي غلطيون عام طور تي ماڊل اڳڪٿين جي درستگي جو جائزو وٺڻ لاءِ استعمال ٿينديون آهن. غلطي جيتري ننڍي هوندي، اڳڪٿي جي درستگي 24 وڌيڪ هوندي. DM ۽ روايتي ريگريشن استعمال ڪندي حساب ڪيل اندروني ۽ ٻاهرين ٽيسٽ سيٽن جي MAE ۽ RMSE جو مقابلو ڪريو. روايتي شماريات ۾ 18 سالن جي ڪٽ آف جي درجه بندي ڪارڪردگي جو جائزو 2 × 2 ڪنٽينجنسي ٽيبل استعمال ڪندي ڪيو ويو. ٽيسٽ سيٽ جي حساب ڪيل حساسيت، خاصيت، PPV، NPV، ۽ AUROC جو مقابلو DM درجه بندي ماڊل جي ماپيل قدرن سان ڪيو ويو. ڊيٽا کي ڊيٽا جي خاصيتن جي لحاظ کان اوسط ± معياري انحراف يا نمبر (%) طور ظاهر ڪيو ويو آهي. ٻه طرفي P قدر <0.05 کي شمارياتي طور تي اهم سمجهيو ويو. سڀئي معمول جي شمارياتي تجزيا SAS ورزن 9.4 (SAS انسٽيٽيوٽ، ڪيري، NC) استعمال ڪندي ڪيا ويا. ڊي ايم ريگريشن ماڊل کي پٿون ۾ ڪيراس 50 2.2.4 بيڪ اينڊ ۽ ٽينسر فلو 51 1.8.0 استعمال ڪندي خاص طور تي رياضياتي عملن لاءِ لاڳو ڪيو ويو. ڊي ايم ڪلاسيفڪيشن ماڊل وائيڪاٽو نالج ايناليسس انوائرمينٽ ۽ ڪونسٽنز انفارميشن مائنر (KNIME) 4.6.152 ايناليسس پليٽ فارم ۾ لاڳو ڪيو ويو.
ليکڪ تسليم ڪن ٿا ته مطالعي جي نتيجن جي حمايت ڪندڙ ڊيٽا مضمون ۽ اضافي مواد ۾ ملي سگهي ٿو. مطالعي دوران ٺاهيل ۽/يا تجزيو ڪيل ڊيٽاسيٽ لاڳاپيل ليکڪ کان مناسب درخواست تي دستياب آهن.
رِٽز-ٽِم، ايس. وغيره. عمر جو جائزو: فارنسڪ مشق جي مخصوص گهرجن کي پورو ڪرڻ لاءِ جديد ترين. بين الاقواميت. جي. قانوني دوائون. 113، 129-136 (2000).
شميلنگ، اي.، ريزنگر، ڊبليو.، گيسرڪ، جي.، ۽ اولزي، اي. فوجداري مقدمي جي مقصدن لاءِ زنده مضمونن جي فارنسڪ عمر جي تشخيص جي موجوده حيثيت. فارنسڪس. دوائون. پيٿولوجي. 1، 239-246 (2005).
پين، جي. وغيره. اوڀر چين ۾ 5 کان 16 سالن جي عمر وارن ٻارن جي ڏندن جي عمر جي تشخيص لاءِ هڪ تبديل ٿيل طريقو. ڪلينڪل. زباني سروي. 25، 3463–3474 (2021).
لي، ايس ايس وغيره. ڪورين ۾ ٻئي ۽ ٽئين داڙ جي ترقي جي تاريخ ۽ فارنسڪ عمر جي تشخيص لاءِ ان جي درخواست. بين الاقواميت. جي. قانوني دوائون. 124، 659-665 (2010).
او، ايس.، ڪوماگائي، اي.، ڪِم، ايس وائي ۽ لي، ايس ايس عمر جي اندازي جي درستگي ۽ ڪورين ۽ جاپاني ۾ ٻئي ۽ ٽئين داڙ جي پختگي جي بنياد تي 18 سالن جي حد جو اندازو. PLoS ONE 17، e0271247 (2022).
ڪِم، جي وائي، وغيره. آپريشن کان اڳ مشين لرننگ تي ٻڌل ڊيٽا تجزيو او ايس اي جي مريضن ۾ ننڊ جي سرجري جي علاج جي نتيجي جي اڳڪٿي ڪري سگهي ٿو. سائنس. رپورٽ 11، 14911 (2021).
هان، ايم. وغيره. مشين لرننگ مان صحيح عمر جو اندازو انساني مداخلت سان يا بغير؟ بين الاقواميت. جي. قانوني دوائون. 136، 821-831 (2022).
خان، ايس. ۽ شاهين، ايم. ڊيٽا مائننگ کان ڊيٽا مائننگ تائين. جي. انفارميشن. سائنس. https://doi.org/10.1177/01655515211030872 (2021).
خان، ايس. ۽ شاهين، ايم. وائيس رول: ايسوسيئيشن رول مائننگ لاءِ پهريون سنجيدگي وارو الگورتھم. جي. انفارميشن. سائنس. https://doi.org/10.1177/01655515221108695 (2022).
شاهين ايم ۽ عبدالله يو. ڪرم: روايتي ڊيٽا مائننگ، تناظر تي ٻڌل ايسوسيئيشن جي قاعدن تي ٻڌل. حساب ڪريو. ميٽ. جاري رکو. 68، 3305–3322 (2021).
محمد ايم.، رحمان زي.، شاهين ايم.، خان ايم. ۽ حبيب ايم. ٽيڪسٽ ڊيٽا استعمال ڪندي ڊيپ لرننگ تي ٻڌل سيمينٽڪ مماثلت جي سڃاڻپ. انفارميشن. ٽيڪنالاجيون. ڪنٽرول. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
تابش، ايم.، تنولي، زي.، ۽ شاهين، ايم. راندين جي وڊيوز ۾ سرگرمي کي سڃاڻڻ لاءِ هڪ نظام. ملٽي ميڊيا. اوزار ايپليڪيشنون https://doi.org/10.1007/s11042-021-10519-6 (2021).
حلابي، ايس ايس ۽ ٻيا. ٻارن جي هڏن جي دور ۾ آر ايس اين اي مشين لرننگ چئلينج. ريڊيالاجي 290، 498-503 (2019).
لي، وائي ۽ ٻيا. ڊيپ لرننگ استعمال ڪندي پيلوڪ ايڪس ري مان فارنسڪ عمر جو اندازو. يورو. ريڊيئيشن. 29، 2322–2329 (2019).
گو، يو سي، وغيره. آرٿوگرافڪ پروجيڪشن تصويرن مان دستي طريقن ۽ گہرے ڪنوولوشنل نيورل نيٽ ورڪ استعمال ڪندي عمر جي صحيح درجه بندي. بين الاقواميت. جي. قانوني دوائون. 135، 1589-1597 (2021).
الاباما ڊالورا ۽ ٻيا. مختلف مشين لرننگ طريقن کي استعمال ڪندي هڏن جي عمر جو اندازو: هڪ منظم ادب جو جائزو ۽ ميٽا تجزيو. PLoS ONE 14، e0220242 (2019).
ڊو، ايڇ.، لي، جي.، چينگ، ڪي.، ۽ يانگ، جي. ڪون-بيم ڪمپيوٽيڊ ٽوموگرافي استعمال ڪندي پهرين داڙن جي گودا چيمبر جي مقدار جي بنياد تي آفريقي آمريڪن ۽ چينين جي آبادي جي مخصوص عمر جو اندازو. بين الاقواميت. جي. قانوني دوائون. 136، 811-819 (2022).
ڪِم ايس، لي وائي ايڇ، نوه وائي ڪي، پارڪ ايف ڪي ۽ اوه ڪي ايس پهرين داڙن جي مصنوعي ذهانت تي ٻڌل تصويرن جي استعمال سان زنده ماڻهن جي عمر جي گروپن جو تعين ڪرڻ. سائنس. رپورٽ 11، 1073 (2021).
اسٽرن، ڊي.، پيئر، سي.، گيولياني، اين.، ۽ ارشلر، ايم. ملٽي ويريئيٽ ايم آر آءِ ڊيٽا مان خودڪار عمر جو اندازو ۽ اڪثريت جي عمر جي درجه بندي. آئي اي اي اي جي. بايوميڊ. هيلٿ الرٽس. 23، 1392–1403 (2019).
چينگ، ڪيو، جي، زي، ڊو، ايڇ ۽ لي، جي. ڊيپ لرننگ ۽ ليول سيٽ کي ضم ڪندي ڪون بيم ڪمپيوٽيڊ ٽوموگرافي مان پهرين داڙن جي 3D پلپ چيمبر سيگمينٽيشن جي بنياد تي عمر جو اندازو. بين الاقواميت. جي. قانوني دوائون. 135، 365–373 (2021).
وو، ڊبليو ٽي، وغيره. ڪلينڪل بگ ڊيٽا ۾ ڊيٽا مائننگ: عام ڊيٽابيس، قدم، ۽ طريقا ماڊل. دنيا. دوائون. وسيلو. 8، 44 (2021).
يانگ، جي. وغيره. بگ ڊيٽا ايرا ۾ ميڊيڪل ڊيٽابيس ۽ ڊيٽا مائننگ ٽيڪنالاجيز جو تعارف. جي. ايويڊ. بنيادي دوائون. 13، 57-69 (2020).
شين، ايس. وغيره. مشين لرننگ استعمال ڪندي ڏندن جي عمر جو اندازو لڳائڻ لاءِ ڪيمرر جو طريقو. بي ايم سي اورل هيلٿ 21، 641 (2021).
گيليبرگ اي. وغيره. ڊيمرڊجين اسٽيجنگ طريقو استعمال ڪندي ڏندن جي عمر جي اڳڪٿي ڪرڻ لاءِ مختلف مشين لرننگ طريقن جو مقابلو. بين الاقواميت. جي. قانوني دوائون. 135، 665-675 (2021).
ڊيمرڊجين، اي.، گولڊسٽين، ايڇ. ۽ ٽينر، جي ايم ڏندن جي عمر جي تشخيص لاءِ هڪ نئون نظام. سنورٽ. حياتيات. 45، 211-227 (1973).
لينڊس، جي آر، ۽ ڪوچ، جي جي ڪيٽيگريڪل ڊيٽا تي مبصر معاهدي جا ماپ. بايوميٽرڪس 33، 159-174 (1977).
ڀٽاچارجي ايس، پرڪاش ڊي، ڪِم سي، ڪِم ايڇ ڪي ۽ چوئي ايڇ ڪي. بنيادي دماغي ٽامي جي فرق لاءِ مصنوعي ذهانت جي طريقن کي استعمال ڪندي ٻہ طرفي مقناطيسي گونج تصويرن جو بناوت، مورفولوجيڪل ۽ شمارياتي تجزيو. صحت جي معلومات. وسيلو. https://doi.org/10.4258/hir.2022.28.1.46 (2022).