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

Nature.com گهمڻ لاءِ توهان جي مهرباني.توھان استعمال ڪري رھيا آھيو برائوزر جو نسخو محدود CSS سپورٽ آھي.بهترين نتيجن لاءِ، اسان توهان جي برائوزر جو نئون ورزن استعمال ڪرڻ جي صلاح ڏيو ٿا (يا انٽرنيٽ ايڪسپلورر ۾ مطابقت واري موڊ کي بند ڪريو).ساڳئي وقت ۾، جاري حمايت کي يقيني بڻائڻ لاء، اسان سائيٽ کي بغير اسٽائل يا جاوا اسڪرپٽ ڏيکاري رهيا آهيون.
ڏند کي انساني جسم جي عمر جو سڀ کان وڌيڪ صحيح اشارو سمجهيو ويندو آهي ۽ اڪثر ڪري فارنزڪ عمر جي تشخيص ۾ استعمال ٿيندا آهن.اسان جو مقصد ڊيٽا مائننگ جي بنياد تي ڏندن جي عمر جي تخميني جي تصديق ڪرڻ جو مقصد 18 سالن جي حد جي تخميني جي درستگي ۽ درجه بندي ڪارڪردگي کي روايتي طريقن ۽ ڊيٽا مائننگ جي بنياد تي عمر جي تخميني سان گڏ.15 کان 23 سالن جي عمر جي ڪورين ۽ جاپاني شهرين کان ڪل 2657 پينورامڪ ريڊيوگراف گڏ ڪيا ويا.انهن کي هڪ تربيتي سيٽ ۾ ورهايو ويو، هر هڪ ۾ 900 ڪورين ريڊيگرافس، ۽ هڪ اندروني ٽيسٽ سيٽ جنهن ۾ 857 جاپاني ريڊيوگراف شامل هئا.اسان ڊيٽا مائننگ ماڊلز جي ٽيسٽ سيٽ سان روايتي طريقن جي درجه بندي جي درستگي ۽ ڪارڪردگي جو مقابلو ڪيو.اندروني ٽيسٽ سيٽ تي روايتي طريقي جي درستگي ڊيٽا مائننگ ماڊل جي ڀيٽ ۾ ٿورو وڌيڪ آهي، ۽ فرق ننڍڙو آهي (مطلب مطلق غلطي <0.21 سال، روٽ مطلب چورس غلطي <0.24 سال).18 سالن جي ڪٽ آف لاءِ درجه بندي ڪارڪردگي به ساڳي آهي روايتي طريقن ۽ ڊيٽا مائننگ ماڊلز جي وچ ۾.اهڙيء طرح، روايتي طريقن کي ڊيٽا مائننگ ماڊل طرفان تبديل ڪري سگهجي ٿو جڏهن ڪورين نوجوانن ۽ نوجوان بالغن ۾ سيڪنڊ ۽ ٽين دال جي پختگي کي استعمال ڪندي فارنزڪ عمر جي تشخيص کي انجام ڏيو.
ڏندن جي عمر جو اندازو وڏي پيماني تي فارنزڪ دوائن ۽ ٻارن جي دندان سازي ۾ استعمال ٿيندو آهي.خاص طور تي، تاريخ جي عمر ۽ ڏندن جي ترقي جي وچ ۾ اعلي رابطي جي ڪري، ڏندن جي ترقي جي مرحلن ذريعي عمر جي تشخيص ٻارن ۽ نوجوانن جي عمر جي تشخيص لاء هڪ اهم معيار آهي 1,2,3.بهرحال، نوجوانن لاءِ، ڏندن جي پختگي جي بنياد تي ڏندن جي عمر جو اندازو لڳائڻ جون حدون آهن ڇو ته ڏندن جي واڌ ويجهه مڪمل ٿي چڪي آهي، سواءِ ٽين داڻن جي.نوجوانن ۽ نوجوانن جي عمر کي طئي ڪرڻ جو قانوني مقصد صحيح اندازو ۽ سائنسي ثبوت مهيا ڪرڻ آهي ته ڇا اهي اڪثريت جي عمر تائين پهچي ويا آهن.ڪوريا ۾ نوجوانن ۽ نوجوان بالغن جي طبي-قانوني مشق ۾، لي جي طريقي سان عمر جو اندازو لڳايو ويو، ۽ 18 سالن جي قانوني حد جي پيش گوئي ڪئي وئي ڊيٽا جي بنياد تي Oh et al 5.
مشين لرننگ هڪ قسم جي مصنوعي ذهانت (AI) آهي جيڪا بار بار سکي ٿي ۽ ڊيٽا جي وڏي مقدار کي درجه بندي ڪري ٿي، پاڻ ئي مسئلا حل ڪري ٿي، ۽ ڊيٽا پروگرامنگ کي هلائي ٿي.مشين لرننگ ڊيٽا 6 جي وڏي مقدار ۾ مفيد لڪيل نمونن کي ڳولي سگھي ٿي.ان جي ابتڙ، ڪلاسيڪل طريقا، جيڪي محنتي ۽ وقت وٺندڙ هوندا آهن، شايد حدون هونديون آهن جڏهن پيچيده ڊيٽا جي وڏي مقدار سان ڊيل ڪنديون آهن جن کي دستي طور تي پروسيس ڪرڻ ڏکيو هوندو آهي7.تنهن ڪري، انساني غلطين کي گھٽائڻ ۽ موثر طريقي سان عمل ڪرڻ لاءِ جديد ڪمپيوٽر ٽيڪنالاجي استعمال ڪندي ڪيترائي اڀياس ڪيا ويا آهن 8,9,10,11,12,12.خاص طور تي، ڊيپ لرننگ وڏي پيماني تي طبي تصويري تجزيي ۾ استعمال ڪئي وئي آهي، ۽ خود بخود ريڊيوگراف جي تجزيي ذريعي عمر جي اندازي جي مختلف طريقن کي ٻڌايو ويو آهي ته عمر جي تخميني جي درستگي ۽ ڪارڪردگي کي بهتر بڻائي سگهجي 13,14,15,16,17,18,19,20 .مثال طور، Halabi et al 13 هڪ مشين لرننگ الگورٿم تيار ڪيو جنهن جي بنياد تي convolutional neural networks (CNN) ٻارن جي هٿن جي ريڊيگرافس استعمال ڪندي کنڊ جي عمر جو اندازو لڳايو.هي مطالعو هڪ ماڊل پيش ڪري ٿو جيڪو طبي تصويرن تي مشين لرننگ لاڳو ڪري ٿو ۽ ڏيکاري ٿو ته اهي طريقا تشخيص جي درستگي کي بهتر ڪري سگهن ٿا.Li et al14 تخميني عمر pelvic X-ray تصويرن مان هڪ ڊيپ لرننگ CNN استعمال ڪندي ۽ انهن جي مقابلي ۾ رجعت جي نتيجن سان ossification اسٽيج تخميني استعمال ڪندي.هنن معلوم ڪيو ته ڊيپ لرننگ CNN ماڊل ساڳئي عمر جي تخميني ڪارڪردگي ڏيکاري ٿي جيئن روايتي ريگريشن ماڊل.Guo et al.'s study [15] CNN ٽيڪنالاجي جي عمر رواداري درجه بندي ڪارڪردگي جو جائزو ڊينٽل آرٿوفوٽس جي بنياد تي، ۽ CNN ماڊل جي نتيجن کي ثابت ڪيو ويو ته انسان پنهنجي عمر جي درجه بندي جي ڪارڪردگي کي بهتر بڻائي ڇڏيو.
مشين لرننگ استعمال ڪندي عمر جي تخميني تي اڪثر اڀياس ڊيپ لرننگ طريقا استعمال ڪن ٿا13,14,15,16,17,18,19,20.گہرے سکيا جي بنياد تي عمر جو اندازو روايتي طريقن کان وڌيڪ صحيح ٻڌايو وڃي ٿو.بهرحال، هي طريقو ٿورڙو موقعو فراهم ڪري ٿو سائنسي بنيادن کي پيش ڪرڻ لاءِ عمر جي تخميني، جيئن تخميني ۾ استعمال ٿيل عمر جا اشارا.اتي پڻ قانوني تڪرار آهي ته معائنو ڪير ڪري ٿو.تنهن ڪري، گہرے سکيا جي بنياد تي عمر جو اندازو انتظامي ۽ عدالتي اختيارين طرفان قبول ڪرڻ ڏکيو آهي.ڊيٽا مائننگ (DM) هڪ ٽيڪنڪ آهي جيڪا دريافت ڪري سگهي ٿي نه رڳو متوقع پر غير متوقع معلومات پڻ ڊيٽا جي وڏي مقدار جي وچ ۾ مفيد لاڳاپن کي ڳولڻ لاء هڪ طريقو آهي 6,21,22.مشين لرننگ اڪثر ڊيٽا مائننگ ۾ استعمال ٿيندي آهي، ۽ ڊيٽا مائننگ ۽ مشين لرننگ ٻئي ساڳيا اهم الگورتھم استعمال ڪندا آهن ڊيٽا ۾ نمونن کي ڳولڻ لاءِ.ڏندن جي ترقي کي استعمال ڪندي عمر جو اندازو لڳايو ويو آهي امتحان ڪندڙ جي تشخيص جي حدف ٿيل ڏند جي پختگي جي تشخيص تي، ۽ اهو تشخيص هر ٽارگيٽ ڏند لاء اسٽيج جي طور تي ظاهر ڪيو ويو آهي.DM استعمال ڪري سگھجي ٿو ڏندن جي تشخيصي اسٽيج ۽ حقيقي عمر جي وچ ۾ رابطي جو تجزيو ڪرڻ ۽ روايتي شمارياتي تجزيي کي تبديل ڪرڻ جي صلاحيت رکي ٿو.تنهن ڪري، جيڪڏهن اسان عمر جي تخميني لاءِ DM ٽيڪنڪ لاڳو ڪريون ٿا، اسان قانوني ذميواري بابت پريشان ٿيڻ کان سواءِ فارنزڪ عمر جي تخميني ۾ مشين لرننگ لاڳو ڪري سگهون ٿا.ڪيترائي تقابلي مطالعو شايع ڪيا ويا آهن ممڪن متبادلن تي روايتي دستي طريقن جو استعمال فارنزڪ مشق ۾ ۽ ڏندن جي عمر کي طئي ڪرڻ لاءِ EBM تي ٻڌل طريقن.Shen et al23 ڏيکاريو ويو آهي ته ڊي ايم ماڊل روايتي ڪئميرا فارمولا کان وڌيڪ صحيح آهي.Galibourg et al24 Demirdjian criterion 25 جي مطابق عمر جي اڳڪٿي ڪرڻ لاءِ مختلف DM طريقا لاڳو ڪيا ۽ نتيجن مان ظاهر ٿيو ته DM طريقو فرانسيسي آبادي جي عمر جو اندازو لڳائڻ ۾ Demirdjian ۽ Willems طريقن کان اڳتي وڌيو.
ڪورين نوجوانن ۽ نوجوان بالغن جي ڏندن جي عمر جو اندازو لڳائڻ لاء، لي جو طريقو 4 وڏي پيماني تي ڪورين فارنسڪ مشق ۾ استعمال ٿيندو آهي.هي طريقو روايتي شمارياتي تجزيي کي استعمال ڪري ٿو (جهڙوڪ گهڻن رجعت) ڪورين مضمونن ۽ تاريخ جي عمر جي وچ ۾ تعلق کي جانچڻ لاءِ.هن مطالعي ۾، روايتي شمارياتي طريقن کي استعمال ڪندي حاصل ڪيل عمر جي اندازي جي طريقن کي "روايتي طريقن" طور بيان ڪيو ويو آهي.لي جو طريقو هڪ روايتي طريقو آهي، ۽ ان جي درستگي جي تصديق ڪئي وئي آهي Oh et al.5;جيتوڻيڪ، ڪورين فارنسڪ مشق ۾ DM ماڊل جي بنياد تي عمر جي تخميني جي قابل اطلاق اڃا تائين قابل اعتراض آهي.اسان جو مقصد DM ماڊل جي بنياد تي عمر جي اندازي جي امڪاني افاديت کي سائنسي طور تي درست ڪرڻ هو.هن مطالعي جو مقصد هو (1) ڏندن جي عمر جو اندازو لڳائڻ ۾ ٻن DM ماڊلز جي درستگي جو مقابلو ڪرڻ ۽ (2) 18 سالن جي عمر ۾ 7 DM ماڊلز جي درجه بندي ڪارڪردگيءَ جو مقابلو ڪرڻ لاءِ جيڪي روايتي شمارياتي طريقا استعمال ڪندي حاصل ڪيل سيڪنڊن جي پختگي. ۽ ٽيون داڙ ٻنهي جبلن ۾.
اسٽيج ۽ دانت جي قسم جي لحاظ کان تاريخ جي عمر جا مطلب ۽ معياري انحراف آن لائن ڏيکاريا ويا آھن ضمني جدول S1 (ٽريننگ سيٽ)، ضمني جدول S2 (اندروني ٽيسٽ سيٽ) ۽ ضمني جدول S3 (ٻاھرين ٽيسٽ سيٽ).ٽريننگ سيٽ مان حاصل ڪيل intra- ۽ interobserver reliability لاءِ ڪيپا ويلز 0.951 ۽ 0.947 هئا.P قدر ۽ 95٪ اعتماد جي وقفي ڪيپا قدرن لاءِ آن لائن ضمني جدول S4 ۾ ڏيکاريل آھن.ڪپا جي قيمت کي "تقريبا مڪمل" طور تي تعبير ڪيو ويو، لينڊس ۽ ڪوچ 26 جي معيار سان مطابقت.
جڏهن موازنہ ڪرڻ جو مطلب مطلق غلطي (MAE)، روايتي طريقو ٿورڙي نموني سڀني صنفن لاءِ ڊي ايم ماڊل کي بهتر بڻائي ٿو ۽ ٻاهرين مرد ٽيسٽ سيٽ ۾، ملٽي ليئر پرسيپٽرون (ايم ايل پي) جي استثنا سان.اندروني MAE ٽيسٽ سيٽ تي روايتي ماڊل ۽ ڊي ايم ماڊل جي وچ ۾ فرق 0.12-0.19 سال مردن لاءِ ۽ 0.17-0.21 سال عورتن لاءِ هو.خارجي ٽيسٽ بيٽري لاءِ، فرق ننڍا آهن (0.001-0.05 سال مردن لاءِ ۽ 0.05-0.09 سال عورتن لاءِ).اضافي طور تي، روٽ مطلب چورس غلطي (RMSE) روايتي طريقي کان ٿورو گھٽ آھي، ننڍن اختلافن سان (0.17-0.24، 0.2-0.24 مرد اندروني ٽيسٽ سيٽ لاء، ۽ 0.03-0.07، 0.04-0.08 خارجي ٽيسٽ سيٽ لاءِ).).MLP ڏيکاري ٿو ٿورڙي بهتر ڪارڪردگي Single Layer Perceptron (SLP) کان سواءِ، عورت جي خارجي ٽيسٽ سيٽ جي صورت ۾.MAE ۽ RMSE لاءِ، خارجي ٽيسٽ سيٽ اسڪور سڀني صنفن ۽ ماڊلز لاءِ اندروني ٽيسٽ سيٽ کان وڌيڪ.سڀ MAE ۽ RMSE جدول 1 ۽ شڪل 1 ۾ ڏيکاريل آھن.
MAE ۽ RMSE روايتي ۽ ڊيٽا مائننگ ريگريشن ماڊلز.مطلب مطلق غلطي MAE، روٽ مطلب چورس غلطي RMSE، سنگل پرت پرسيپٽران SLP، ملٽي ليئر پرسيپٽرون MLP، روايتي سي ايم طريقو.
روايتي ۽ ڊي ايم ماڊلز جي درجه بندي ڪارڪردگي (18 سالن جي ڪٽ آف سان) حساسيت، خاصيت، مثبت پيش گوئي واري قيمت (PPV)، منفي پيش گوئي واري قيمت (NPV)، ۽ وصول ڪندڙ آپريٽنگ خصوصيت وکر (AUROC) جي هيٺان علائقي جي لحاظ سان ڏيکاريل هئي. 27 (ٽيبل 2، شڪل 2 ۽ ضمني شڪل 1 آن لائن).اندروني ٽيسٽ بيٽري جي حساسيت جي لحاظ کان، روايتي طريقا مردن جي وچ ۾ بهترين ۽ عورتن جي وچ ۾ خراب ٿي ويا.بهرحال، روايتي طريقن ۽ SD جي وچ ۾ درجه بندي ڪارڪردگي ۾ فرق آهي 9.7٪ مردن لاءِ (MLP) ۽ صرف 2.4٪ عورتن لاءِ (XGBoost).DM ماڊلز جي وچ ۾، منطقي ريگريشن (LR) ٻنهي جنسن ۾ بهتر حساسيت ڏيکاري ٿي.اندروني ٽيسٽ سيٽ جي خاصيت جي حوالي سان، اهو ڏٺو ويو ته چار SD ماڊل مردن ۾ سٺي ڪارڪردگي ڏيکاري ٿي، جڏهن ته روايتي ماڊل عورتن ۾ بهتر ڪارڪردگي ڏيکاري ٿي.مردن ۽ عورتن لاءِ درجه بندي ڪارڪردگيءَ ۾ فرق 13.3٪ (MLP) ۽ 13.1٪ (MLP) آهن، ترتيب سان، ظاهر آهي ته ماڊل جي وچ ۾ درجه بندي ڪارڪردگيءَ ۾ فرق حساسيت کان وڌيڪ آهي.DM ماڊلز ۾، سپورٽ ویکٹر مشين (SVM)، فيصلي جي وڻ (DT)، ۽ بي ترتيب واري ٻيلو (RF) ماڊل مردن ۾ بهترين پرفارم ڪيو، جڏهن ته LR ماڊل عورتن جي وچ ۾ بهترين پرفارم ڪيو.روايتي ماڊل ۽ سڀني SD ماڊلز جي AUROC مردن ۾ 0.925 (k-ويجھو پاڙيسري (KNN) کان وڌيڪ هئي، 18 سالن جي عمر جي نموني کي فرق ڪرڻ ۾ شاندار درجه بندي ڪارڪردگي جو مظاهرو ڪيو.خارجي ٽيسٽ سيٽ لاء، اندروني ٽيسٽ سيٽ جي مقابلي ۾ حساسيت، مخصوصيت ۽ AUROC جي لحاظ کان درجه بندي ڪارڪردگي ۾ گهٽتائي هئي.ان کان علاوه، بهترين ۽ بدترين ماڊل جي درجه بندي ڪارڪردگي جي وچ ۾ حساسيت ۽ خاصيت ۾ فرق 10٪ کان 25٪ تائين ۽ اندروني ٽيسٽ سيٽ ۾ فرق کان وڏو هو.
18 سالن جي ڪٽ آف سان روايتي طريقن جي مقابلي ۾ ڊيٽا مائننگ جي درجي بندي جي ماڊل جي حساسيت ۽ خاصيت.KNN k ويجھو پاڙيسري، SVM سپورٽ ویکٹر مشين، LR لاجسٽڪ ريگريشن، ڊي ٽي فيصلي جو وڻ، آر ايف بي ترتيب واري ٻيلو، XGB XGBoost، MLP ملٽي ليئر پرسيپٽرون، روايتي سي ايم طريقو.
هن مطالعي ۾ پهريون قدم ستن DM ماڊل مان حاصل ڪيل ڏندن جي عمر جي تخميني جي درستگي جو مقابلو ڪيو ويو جيڪي روايتي رجعت استعمال ڪندي حاصل ڪيا ويا.MAE ۽ RMSE ٻنهي جنسن لاءِ اندروني ٽيسٽ سيٽن ۾ جائزو ورتو ويو، ۽ روايتي طريقي ۽ ڊي ايم ماڊل جي وچ ۾ فرق 44 کان 77 ڏينهن تائين MAE لاءِ ۽ 62 کان 88 ڏينهن تائين RMSE لاءِ.جيتوڻيڪ هن مطالعي ۾ روايتي طريقو ٿورو وڌيڪ صحيح هو، اهو نتيجو ڪڍڻ ڏکيو آهي ته ڇا اهڙي ننڍڙي فرق جي ڪلينڪ يا عملي اهميت آهي.انهن نتيجن مان ظاهر ٿئي ٿو ته ڏندن جي عمر جي تخميني جي درستگي ڊي ايم ماڊل استعمال ڪندي تقريبن روايتي طريقي جي برابر آهي.اڳئين مطالعي جي نتيجن سان سڌو مقابلو ڏکيو آهي ڇو ته ڪنهن به مطالعي ۾ ڊي ايم ماڊل جي درستگي کي روايتي شمارياتي طريقن سان مقابلو نه ڪيو ويو آهي ساڳئي عمر جي حد ۾ دانت کي رڪارڊ ڪرڻ جي ساڳي ٽيڪنالاجي استعمال ڪندي هن مطالعي ۾.Galibourg et al24 MAE ۽ RMSE جي وچ ۾ ٻن روايتي طريقن جي وچ ۾ مقابلو ڪيو (ڊيميرجين طريقو 25 ۽ وليمس طريقو 29) ۽ 10 DM ماڊل فرانسيسي آبادي ۾ 2 کان 24 سالن جي عمر ۾.انهن ٻڌايو ته سڀئي DM ماڊل روايتي طريقن کان وڌيڪ صحيح هئا، جن ۾ 0.20 ۽ 0.38 سالن جي MAE ۾ ۽ 0.25 ۽ 0.47 سالن جي RMSE جي مقابلي ۾ وليمس ۽ ڊيمرجين طريقن جي مقابلي ۾.Halibourg مطالعي ۾ ڏيکاريل SD ماڊل ۽ روايتي طريقن جي وچ ۾ تفاوت ڪيترن ئي رپورٽن ۾ شامل آهي 30,31,32,33 ته Demirdjian طريقو صحيح طور تي فرانسيسي ڪينيڊين کان سواءِ آباديءَ ۾ ڏندن جي عمر جو اندازو نٿو لڳائي، جنهن تي مطالعو ڪيو ويو.هن مطالعي ۾.Tai et al 34 استعمال ڪيو ايم ايل پي الورورٿم کي دانت جي عمر جي اڳڪٿي ڪرڻ لاءِ 1636 چيني آرٿوڊونٽڪ تصويرن مان ۽ ان جي درستگي کي ڊيميرجين ۽ وليمس طريقي جي نتيجن سان ڀيٽيو.انهن ٻڌايو ته MLP روايتي طريقن جي ڀيٽ ۾ وڌيڪ درستگي آهي.Demirdjian طريقي ۽ روايتي طريقي جي وچ ۾ فرق <0.32 سال آهي، ۽ Willems طريقو 0.28 سال آهي، جيڪو موجوده مطالعي جي نتيجن وانگر آهي.انهن پوئين اڀياس جا نتيجا 24,34 موجوده مطالعي جي نتيجن سان گڏ آهن، ۽ ڊي ايم ماڊل جي عمر جي تخميني جي درستگي ۽ روايتي طريقو ساڳيو آهي.بهرحال، پيش ڪيل نتيجن جي بنياد تي، اسان صرف محتاط طور تي اهو نتيجو ڪري سگهون ٿا ته عمر جو اندازو لڳائڻ لاء DM ماڊل استعمال ڪري سگھي ٿو موجوده طريقن کي تبديل ڪري سگھي ٿو ڇاڪاڻ ته تقابلي ۽ حوالو اڳئين اڀياس جي کوٽ جي ڪري.هن مطالعي ۾ حاصل ڪيل نتيجن جي تصديق ڪرڻ لاء وڏن نمونن کي استعمال ڪندي پيروي اپ مطالعي جي ضرورت آهي.
مطالعي جي وچ ۾ ڏندن جي عمر جو اندازو لڳائڻ ۾ SD جي درستگي کي جانچڻ ۾، ڪجهه اسان جي مطالعي کان وڌيڪ درستگي ڏيکاريا.Stepanovsky et al 35 22 SD ماڊل 976 چيڪ رهاڪن جي پينورامڪ ريڊيوگرافس تي لاڳو ڪيا ويا جن جي عمر 2.7 کان 20.5 سالن تائين ۽ هر ماڊل جي درستگي کي جانچيو.انهن مجموعي طور تي 16 مٿين ۽ هيٺيون کاٻي مستقل دانت جي ترقي جو جائزو ورتو آهي درجه بندي جي معيار کي استعمال ڪندي Moorrees et al 36.MAE جي حد 0.64 کان 0.94 سالن تائين آھي ۽ RMSE جي حد 0.85 کان 1.27 سالن تائين آھي، جيڪي ھن مطالعي ۾ استعمال ٿيل ٻن DM ماڊلز کان وڌيڪ صحيح آھن.Shen et al23 5 کان 13 سالن جي مشرقي چيني رهاڪن جي کاٻي مينڊيبل ۾ ستن مستقل ڏندن جي ڏندن جي عمر جو اندازو لڳائڻ لاءِ ڪيميريئر طريقو استعمال ڪيو ۽ ان کي لڪير رجعت، SVM ۽ RF استعمال ڪندي تخميني عمر سان مقابلو ڪيو.انهن ڏيکاريو ته سڀئي ٽي ڊي ايم ماڊل روايتي ڪيميريئر فارمولا جي مقابلي ۾ وڌيڪ درستگي آهن.شين جي مطالعي ۾ MAE ۽ RMSE هن مطالعي ۾ ڊي ايم ماڊل جي ڀيٽ ۾ گهٽ هئا.Stepanovsky et al پاران اڀياس جي وڌايل درستگي.35 ۽ شين وغيره.23 ان جي مطالعي جي نموني ۾ ننڍي مضمونن جي شامل ٿيڻ جي ڪري ٿي سگھي ٿي.ڇو ته ترقي ڪندڙ ڏندن سان شرڪت ڪندڙن لاءِ عمر جو اندازو وڌيڪ صحيح ٿي ويندو آهي جيئن ڏندن جي ترقي دوران ڏندن جو تعداد وڌي ٿو، نتيجي ۾ عمر جي اندازي جي طريقي جي درستگي کي سمجھوتو ٿي سگھي ٿو جڏهن مطالعي ۾ شرڪت ڪندڙ ننڍا هجن.اضافي طور تي، عمر جي تخميني ۾ MLP جي غلطي SLP جي ڀيٽ ۾ ٿورڙي آهي، مطلب ته MLP SLP کان وڌيڪ صحيح آهي.MLP سمجهي وڃي ٿو ٿورو بهتر عمر جي اندازي لاءِ، ممڪن آهي ته MLP38 ۾ لڪيل پرت جي ڪري.بهرحال، عورتن جي ٻاهرين نموني لاء هڪ استثنا آهي (SLP 1.45، MLP 1.49).اهو معلوم ٿئي ٿو ته MLP عمر جي تشخيص ۾ SLP کان وڌيڪ صحيح آهي اضافي ريٽروسپيڪڪ مطالعي جي ضرورت آهي.
ڊي ايم ماڊل جي درجه بندي ڪارڪردگي ۽ 18 سالن جي حد تي روايتي طريقو پڻ مقابلو ڪيو ويو.اندروني ٽيسٽ سيٽ تي سڀني آزمائشي SD ماڊل ۽ روايتي طريقا ڏيکاريا ويا 18 سالن جي نموني لاء تبعيض جي عملي طور تي قابل قبول سطح.مردن ۽ عورتن لاء حساسيت 87.7٪ ۽ 94.9٪ کان وڌيڪ هئي، ترتيب سان، ۽ خاصيت 89.3٪ ۽ 84.7٪ کان وڌيڪ هئي.سڀني آزمائشي ماڊلز جو AUROC پڻ 0.925 کان وڌي ٿو.اسان جي ڄاڻ جي چڱيء طرح، ڪنهن به مطالعي کي DM ماڊل جي ڪارڪردگي جي جانچ نه ڪئي وئي آهي 18-سال جي درجه بندي لاء ڏندن جي پختگي جي بنياد تي.اسان هن مطالعي جي نتيجن کي پينورامڪ ريڊيوگرافس تي گہرے سکيا واري ماڊل جي درجه بندي ڪارڪردگي سان مقابلو ڪري سگهون ٿا.Guo et al.15 CNN جي بنياد تي ڊيپ لرننگ ماڊل جي درجه بندي ڪارڪردگي جو اندازو لڳايو ۽ هڪ دستي طريقي جي بنياد تي Demirjian جي طريقي سان هڪ خاص عمر جي حد تائين.دستي طريقي جي حساسيت ۽ خاصيت 87.7٪ ۽ 95.5٪ هئا، ترتيب سان، ۽ CNN ماڊل جي حساسيت ۽ خاصيت، ترتيب سان 89.2٪ ۽ 86.6٪ کان وڌي وئي.انهن اهو نتيجو ڪيو ته گہرے سکيا جا ماڊل عمر جي حدن جي درجه بندي ۾ دستي تشخيص کي تبديل ڪري سگھن ٿا يا ان کان ٻاهر ڪري سگهن ٿا.هن مطالعي جا نتيجا ساڳيا درجه بندي ڪارڪردگي ڏيکاريا؛اهو يقين آهي ته ڊي ايم ماڊل استعمال ڪندي درجه بندي عمر جي تخميني لاء روايتي شمارياتي طريقن کي تبديل ڪري سگهي ٿي.ماڊلز ۾، DM LR مردن جي نموني لاءِ حساسيت جي لحاظ کان ۽ عورت جي نموني لاءِ حساسيت ۽ خاصيت جي لحاظ کان بهترين نمونو هو.LR مردن لاءِ مخصوصيت ۾ ٻئي نمبر تي آهي.ان کان علاوه، LR کي وڌيڪ استعمال ڪندڙ-دوست DM35 ماڊل مان هڪ سمجهيو ويندو آهي ۽ گهٽ پيچيده ۽ پروسيس ڪرڻ ڏکيو آهي.انهن نتيجن جي بنياد تي، LR کي ڪورين جي آبادي ۾ 18 سالن جي عمر لاء بهترين ڪٽ آف درجه بندي ماڊل سمجهيو ويو.
مجموعي طور تي، خارجي ٽيسٽ سيٽ تي عمر جي تخميني يا درجه بندي ڪارڪردگي جي درستگي اندروني ٽيسٽ سيٽ جي نتيجن جي مقابلي ۾ خراب يا گهٽ هئي.ڪجهه رپورٽون ظاهر ڪن ٿيون ته درجه بندي جي درستگي يا ڪارڪردگي گھٽجي ٿي جڏهن ڪورين جي آبادي جي بنياد تي عمر جو اندازو لڳايو وڃي ٿو جاپاني آبادي 5,39 تي، ۽ ساڳئي نموني موجوده مطالعي ۾ مليو.هي خراب ٿيڻ جو رجحان پڻ DM ماڊل ۾ ڏٺو ويو.تنهن ڪري، عمر جو صحيح اندازو لڳائڻ لاءِ، جيتوڻيڪ جڏهن تجزيي جي عمل ۾ DM استعمال ڪيو وڃي، مقامي آبادي جي ڊيٽا مان نڪتل طريقن، جهڙوڪ روايتي طريقا، کي ترجيح ڏني وڃي 5,39,40,41,42.جيئن ته اهو واضح ناهي ته ڇا ڊيپ لرننگ ماڊل هڪجهڙا رجحان ڏيکاري سگھن ٿا، مطالعي جي درجه بندي جي درستگي ۽ ڪارڪردگي کي روايتي طريقن سان استعمال ڪندي، DM ماڊلز، ۽ ساڳئي نموني تي ڊيپ لرننگ ماڊل جي تصديق ڪرڻ جي ضرورت آهي ته ڇا مصنوعي ذهانت محدود عمر ۾ انهن نسلي تفاوت کي ختم ڪري سگهي ٿي.اڀياس.
اسان ظاھر ڪريون ٿا ته روايتي طريقا تبديل ڪري سگھجن ٿا عمر جي تخميني جي بنياد تي ڊي ايم ماڊل جي بنياد تي ڪوريا ۾ فرانزڪ عمر جي تخميني جي مشق ۾.اسان فارنزڪ عمر جي تشخيص لاءِ مشين لرننگ لاڳو ڪرڻ جو امڪان پڻ دريافت ڪيو.بهرحال، واضح حدون آهن، جيئن ته هن مطالعي ۾ شرڪت ڪندڙن جو ناکافي تعداد يقيني طور تي نتيجن کي طئي ڪرڻ لاء، ۽ اڳئين مطالعي جي گهٽتائي هن مطالعي جي نتيجن جي مقابلي ۽ تصديق ڪرڻ لاء.مستقبل ۾، ڊي ايم مطالعي کي وڏي تعداد ۾ نموني ۽ وڌيڪ متنوع آبادي سان گڏ ڪيو وڃي ته جيئن روايتي طريقن جي مقابلي ۾ ان جي عملي قابل اطلاق کي بهتر بڻائي سگهجي.ڪيترن ئي آبادي ۾ عمر جو اندازو لڳائڻ لاءِ مصنوعي ذهانت کي استعمال ڪرڻ جي فزيبلٽي کي درست ڪرڻ لاءِ، مستقبل جي مطالعي جي ضرورت آهي درجي بندي جي درستگي ۽ ڪارڪردگيءَ کي ڊي ايم ۽ ڊيپ لرننگ ماڊلز جي ساڳي نموني ۾ روايتي طريقن سان.
مطالعي ۾ 15 کان 23 سالن جي ڪورين ۽ جاپاني بالغن کان گڏ ڪيل 2,657 آرٿوگرافڪ تصويرون استعمال ڪيون ويون.ڪورين ريڊيگرافس کي 900 ٽريننگ سيٽن ۾ ورهايو ويو (19.42 ± 2.65 سال) ۽ 900 اندروني ٽيسٽ سيٽ (19.52 ± 2.59 سال).ٽريننگ سيٽ هڪ اداري (سيول سينٽ ميري اسپتال) ۾ گڏ ڪئي وئي هئي، ۽ پنهنجي ٽيسٽ سيٽ ٻن ادارن (سيول نيشنل يونيورسٽي ڊينٽل اسپتال ۽ يونسئي يونيورسٽي ڊينٽل اسپتال) ۾ گڏ ڪئي وئي هئي.اسان پڻ گڏ ڪيو 857 ريڊيگرافس ٻئي آبادي جي بنياد تي ڊيٽا (آئوٽ ميڊيڪل يونيورسٽي، جاپان) مان ٻاهرين جاچ لاءِ.جاپاني مضمونن جي ريڊيگرافس (19.31 ± 2.60 سال) چونڊيو ويو خارجي ٽيسٽ سيٽ طور.ڏندن جي علاج دوران پينورامڪ ريڊيوگرافس تي ڏندن جي ترقي جي مرحلن جو تجزيو ڪرڻ لاءِ ڊيٽا گڏ ڪئي وئي هئي.گڏ ڪيل سڀئي ڊيٽا گمنام هئا سواءِ جنس، ڄمڻ جي تاريخ ۽ ريڊيوگراف جي تاريخ.شامل ڪرڻ ۽ خارج ڪرڻ جا معيار ساڳيا هئا جيئن اڳ شايع ٿيل اڀياس 4, 5.نموني جي اصل عمر حساب ڪئي وئي هئي پيدائش جي تاريخ کي ختم ڪندي تاريخ کان ريڊيوگراف ورتو ويو.نموني گروپ 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 اڳوڻي ڊيزائن جي ڪري، ڄاڻايل رضامندي سڀني مريضن کان حاصل نه ٿي سگهيا جيڪي علاج جي مقصدن لاء ريڊيوگرافڪ امتحان کان گذري رهيا آهن.سيول ڪوريا يونيورسٽي سينٽ ميري جي اسپتال (IRB) ڄاڻايل رضامندي جي گهرج کي معاف ڪري ڇڏيو.
bimaxillary سيڪنڊ ۽ ٽين molars جي ترقي جي مرحلن Demircan معيار مطابق 25 جو جائزو ورتو ويو.صرف هڪ دانت چونڊيو ويو آهي جيڪڏهن ساڳئي قسم جو ڏند هر جبل جي کاٻي ۽ ساڄي پاسن تي مليو.جيڪڏهن ٻنهي پاسن تي homologous ڏند مختلف ترقياتي مرحلن تي هئا، هيٺين ترقي واري اسٽيج سان ڏند کي اندازي جي عمر ۾ غير يقيني صورتحال جي حساب سان چونڊيو ويو.ٽريننگ سيٽ مان 100 بي ترتيب طور تي چونڊيل ريڊيگرافس ٻن تجربيڪار مبصرن پاران اسڪور ڪيا ويا ته جيئن ڏندن جي پختگي واري مرحلي کي طئي ڪرڻ لاءِ اڳڪٿي ڪرڻ کان پوءِ انٽرابزرور جي اعتبار کي جانچيو وڃي.Intraobserver reliability جو جائزو ورتو ويو ٻه ڀيرا ٽن مهينن جي وقفن تي پرائمري مبصر طرفان.
ٽريننگ سيٽ ۾ هر جبل جي ٻئي ۽ ٽئين دال جي جنسي ۽ ترقي واري مرحلي جو اندازو هڪ پرائمري مبصر طرفان مختلف DM ماڊلز سان تربيت ڪئي وئي، ۽ اصل عمر کي ٽارگيٽ ويل جي طور تي مقرر ڪيو ويو.SLP ۽ MLP ماڊل، جيڪي وڏي پيماني تي مشين سکيا ۾ استعمال ڪيا ويا آهن، ريگريشن الگورتھم جي خلاف آزمائيا ويا.ڊي ايم ماڊل چئن ڏندن جي ترقي جي مرحلن کي استعمال ڪندي لڪير جي ڪمن کي گڏ ڪري ٿو ۽ عمر جو اندازو لڳائڻ لاء انهن ڊيٽا کي گڏ ڪري ٿو.SLP آسان ترين نيورل نيٽ ورڪ آهي ۽ ان ۾ لڪيل پرتون شامل نه آهن.SLP نوڊس جي وچ ۾ حد جي منتقلي جي بنياد تي ڪم ڪري ٿو.رجعت ۾ SLP ماڊل رياضياتي طور تي ڪيترن ئي لڪير ريگريشن سان ملندڙ جلندڙ آهي.SLP ماڊل جي برعڪس، MLP ماڊل ۾ غير لائنر ايڪٽيويشن افعال سان گڏ ڪيترائي لڪيل پرتون آهن.اسان جا تجربا صرف 20 پوشیدہ نوڊس سان گڏ هڪ لڪيل پرت استعمال ڪيا ويا جيڪي غير لائنر ايڪٽيويشن افعال سان.اسان جي مشين لرننگ ماڊل کي تربيت ڏيڻ لاءِ گريڊينٽ ڊيسنٽ کي اصلاح جي طريقي ۽ MAE ۽ RMSE کي نقصان واري فنڪشن طور استعمال ڪريو.بهترين حاصل ڪيل ريگريشن ماڊل اندروني ۽ بيروني ٽيسٽ سيٽن تي لاڳو ڪيو ويو ۽ ڏندن جي عمر جو اندازو لڳايو ويو.
ھڪڙي درجه بندي الگورٿم ٺاھيو ويو آھي جيڪو تربيتي سيٽ تي چار دانت جي پختگي کي استعمال ڪري ٿو اھو پيش ڪرڻ لاءِ ته ڇا ھڪڙو نمونو 18 سالن جو آھي يا نه.ماڊل ٺاھڻ لاءِ، اسان ست نمائندا مشين سکيا الگورتھم 6,43 حاصل ڪيا: (1) LR، (2) KNN، (3) SVM، (4) DT، (5) RF، (6) XGBoost، ۽ (7) MLP .LR ھڪڙي وڏي پيماني تي استعمال ٿيل درجه بندي الگورتھم 44 آھي.اهو هڪ نگراني ڪيل سکيا وارو الگورٿم آهي جيڪو رجعت کي استعمال ڪري ٿو 0 کان 1 تائين هڪ خاص درجي سان تعلق رکندڙ ڊيٽا جي امڪان جي اڳڪٿي ڪرڻ ۽ ڊيٽا کي درجه بندي ڪري ٿو جيئن ان امڪان جي بنياد تي وڌيڪ امڪاني درجي سان تعلق رکي ٿو.بنيادي طور تي بائنري درجه بندي لاء استعمال ڪيو ويو.KNN ھڪڙو آسان ترين مشين لرننگ الگورتھم 45 آھي.جڏهن نئين ان پٽ ڊيٽا ڏني وئي آهي، اهو موجوده سيٽ جي ويجهو k ڊيٽا ڳولي ٿو ۽ پوء ان کي درجي ۾ درجه بندي ڪري ٿو تمام گهڻي تعدد سان.اسان پاڙيسرين جي تعداد لاء 3 مقرر ڪيو (k).SVM ھڪڙو الگورٿم آھي جيڪو ٻن طبقن جي وچ ۾ فاصلي کي وڌائي ٿو ڪرينل فنڪشن کي استعمال ڪندي لڪير واري جاء کي غير لڪير واري جاء تي وڌائڻ لاء فيلڊ 46 سڏيو ويندو آھي.ھن ماڊل لاءِ، اسين استعمال ڪريون ٿا bias = 1، power = 1، ۽ gamma = 1 ھائپر پيراميٽر جي طور تي polynomial kernel لاءِ.ڊي ٽي مختلف شعبن ۾ لاڳو ڪيو ويو آهي هڪ الگورٿم جي طور تي هڪ پوري ڊيٽا سيٽ کي ڪيترن ئي ذيلي گروپن ۾ ورهائڻ لاءِ هڪ وڻ جي جوڙجڪ ۾ فيصلي جي ضابطن جي نمائندگي ڪندي.ماڊل 2 جي في نوڊ جي گھٽ ۾ گھٽ رڪارڊن جي تعداد سان ترتيب ڏنل آھي ۽ گيني انڊيڪس کي معيار جي ماپ طور استعمال ڪري ٿو.آر ايف هڪ انسبل طريقو آهي جيڪو بوٽ اسٽريپ ايگريگيشن طريقو استعمال ڪندي ڪارڪردگي بهتر ڪرڻ لاءِ ڪيترن ئي ڊي ٽيز کي گڏ ڪري ٿو جيڪو هر نموني لاءِ هڪ ڪمزور درجه بندي ٺاهي ٿو بي ترتيب انداز سان ساڳي سائيز جا نمونا ٺاهي اصل ڊيٽا سيٽ48 مان ڪيترائي ڀيرا.اسان استعمال ڪيو 100 وڻن، 10 وڻن جي کوٽائي، 1 گھٽ ۾ گھٽ نوڊ سائيز، ۽ گيني ايڊمڪسچر انڊيڪس نوڊ جدا ڪرڻ جي معيار طور.نئين ڊيٽا جي درجه بندي اڪثريت جي ووٽ سان طئي ڪئي وئي آهي.XGBoost ھڪڙو الگورتھم آھي جيڪو ھڪڙي طريقي سان استعمال ڪندي وڌائڻ واري ٽيڪنڪ کي گڏ ڪري ٿو جيڪو تربيتي ڊيٽا طور وٺي ٿو اڳئين ماڊل جي حقيقي ۽ اڳڪٿي ڪيل قدرن جي وچ ۾ غلطي ۽ gradients49 استعمال ڪندي غلطي کي وڌائي ٿو.اهو هڪ وڏي پيماني تي استعمال ٿيل الورورٿم آهي ان جي سٺي ڪارڪردگي ۽ وسيلن جي ڪارڪردگي جي ڪري، انهي سان گڏ هڪ اوورفيٽنگ اصلاحي فنڪشن جي طور تي اعلي اعتبار.ماڊل 400 سپورٽ ويلز سان ليس آهي.ايم ايل پي هڪ نيورل نيٽ ورڪ آهي جنهن ۾ هڪ يا وڌيڪ پرسيپٽرون ان پٽ ۽ آئوٽ پٽ جي وچ ۾ هڪ يا وڌيڪ لڪيل پرت سان گڏ هڪ کان وڌيڪ پرت ٺاهيندا آهن.هن کي استعمال ڪندي، توهان غير لڪير درجه بندي انجام ڏئي سگهو ٿا جتي توهان هڪ ان پٽ پرت شامل ڪيو ۽ نتيجو قدر حاصل ڪيو، اڳڪٿي ڪيل نتيجن جي قيمت اصل نتيجن جي قيمت سان مقابلو ڪيو ويندو آهي ۽ غلطي کي واپس پروپيگنڊا ڪيو ويندو آهي.اسان هڪ لڪيل پرت ٺاهي هر پرت ۾ 20 پوشیدہ نيورسن سان.ھر ماڊل جيڪو اسان ٺاھيو آھي ان کي اندروني ۽ بيروني سيٽن تي لاڳو ڪيو ويو آھي درجه بندي ڪارڪردگي کي جانچڻ لاءِ حساسيت، خصوصيت، PPV، NPV، ۽ AUROC جي حساب سان.حساسيت جي وضاحت ڪئي وئي آهي هڪ نموني جي تناسب جو اندازو لڳايو ويو آهي 18 سالن جي عمر يا ان کان وڌيڪ هڪ نموني جي اندازي مطابق 18 سالن جي عمر يا ان کان وڌيڪ.خاصيت 18 سالن کان گهٽ عمر وارن نمونن جو تناسب آهي ۽ جن جو اندازو 18 سالن کان گهٽ آهي.
تربيتي سيٽ ۾ تشخيص ڪيل ڏندن جي مرحلن کي شمارياتي تجزيي لاء عددي مرحلن ۾ تبديل ڪيو ويو.Multivariate لڪير ۽ منطقي رجعت هر جنس لاء اڳڪٿي واري ماڊل کي ترقي ڪرڻ ۽ ريگريشن فارمولن کي حاصل ڪرڻ لاء انجام ڏنو ويو جيڪي عمر جو اندازو لڳائڻ لاء استعمال ڪري سگھجن ٿيون.اسان انهن فارمولن کي استعمال ڪيو ٿا دانت جي عمر جو اندازو لڳائڻ لاءِ اندروني ۽ بيروني ٽيسٽ سيٽن لاءِ.جدول 4 ڏيکاري ٿو ريگريشن ۽ درجه بندي ماڊل هن مطالعي ۾ استعمال ٿيل.
Intra- ۽ interobserver reliability جو حساب ڪيو ويو Cohen's kappa statistic استعمال ڪندي.DM ۽ روايتي ريگريشن ماڊلز جي درستگي کي جانچڻ لاءِ، اسان MAE ۽ RMSE جو اندازو لڳايو ۽ اصل عمرن جي اندروني ۽ بيروني ٽيسٽ سيٽن کي استعمال ڪندي.اهي غلطيون عام طور تي ماڊل جي اڳڪٿين جي درستگي کي جانچڻ لاءِ استعمال ٿينديون آهن.جيتري ننڍي غلطي، اوتري وڌيڪ اڳڪٿي جي درستگي 24.DM ۽ روايتي رجعت استعمال ڪندي حساب ڪيل اندروني ۽ بيروني ٽيسٽ سيٽن جي MAE ۽ RMSE جو مقابلو ڪريو.روايتي انگ اکر ۾ 18 سالن جي ڪٽ آف جي درجه بندي ڪارڪردگي جو جائزو ورتو ويو 2 × 2 امڪاني جدول استعمال ڪندي.ڳڻپيوڪر حساسيت، خاصيت، پي پي وي، اين پي وي، ۽ ٽيسٽ سيٽ جي AUROC ڊي ايم جي درجه بندي ماڊل جي ماپيل قدرن سان مقابلو ڪيو ويو.ڊيٽا بيان ڪيا ويا آهن مطلب ± معياري انحراف يا نمبر (٪) ڊيٽا جي خاصيتن جي لحاظ سان.ٻه رخا P قدر <0.05 کي شمارياتي لحاظ کان اهم سمجهيو ويو.سڀ معمولي شمارياتي تجزيا استعمال ڪيا ويا SAS نسخو 9.4 (SAS انسٽيٽيوٽ، ڪيري، اين سي).ڊي ايم ريگريشن ماڊل پائٿون ۾ لاڳو ڪيو ويو Keras50 2.2.4 backend ۽ Tensorflow51 1.8.0 خاص طور تي رياضياتي عملن لاءِ.DM درجه بندي ماڊل Waikato Knowledge Analysis Environment ۽ Konstanz Information Miner (KNIME) 4.6.152 تجزياتي پليٽ فارم ۾ لاڳو ڪيو ويو.
ليکڪ تسليم ڪن ٿا ته مطالعي جي نتيجن جي حمايت ڪندڙ ڊيٽا آرٽيڪل ۽ اضافي مواد ۾ ڳولهي سگهجن ٿا.مطالعي دوران ٺاهيل ۽/يا تجزيو ڪيل ڊيٽا سيٽ مناسب درخواست تي لاڳاپيل ليکڪ کان دستياب آهن.
Ritz-Timme، S. et al.عمر جي تشخيص: آرٽ جي حالت فارنسڪ مشق جي مخصوص گهرجن کي پورو ڪرڻ لاء.بين الاقواميت.جي. قانوني دوائون.113، 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. ڪرنٽ اسٽيٽس آف فارنزڪ ايج ايسسمينٽ آف جاني مضمونن جي ڏوهن جي پراسيڪيوشن مقصدن لاءِ.فارنزڪس.دوا.پيٽولوجي.1، 239-246 (2005).
پين، جي وغيره.اڀرندي چين ۾ 5 کان 16 سالن جي ٻارن جي ڏندن جي عمر جي تشخيص لاء هڪ تبديل ٿيل طريقو.ڪلينڪل.زباني سروي.25، 3463–3474 (2021).
لي، ايس ايس وغيره. ڪورين ۾ سيڪنڊ ۽ ٽين دال جي ترقي جي تاريخ ۽ فارنسڪ عمر جي تشخيص لاء ان جي درخواست.بين الاقواميت.جي. قانوني دوائون.124، 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY and Lee, SS 18 سالن جي عمر جي تخميني جي درستگي ۽ 18 سالن جي حد جو اندازو ڪورين ۽ جاپاني ۾ سيڪنڊ ۽ ٽيون داغ جي پختگي جي بنياد تي.پلس ون 17، e0271247 (2022).
Kim، JY، وغيره.پري آپريٽو مشين لرننگ تي ٻڌل ڊيٽا جو تجزيو OSA سان مريضن ۾ ننڊ جي سرجري جي علاج جي نتيجن جي اڳڪٿي ڪري سگھي ٿو.سائنس.رپورٽ 11، 14911 (2021).
هان، ايم وغيره.انساني مداخلت سان يا بغير مشين لرننگ مان صحيح عمر جو اندازو؟بين الاقواميت.جي. قانوني دوائون.136، 821-831 (2022).
خان، ايس ۽ شاهين، ايم. ڊيٽا مائننگ کان ڊيٽا مائننگ تائين.جي ڄاڻ.سائنس.https://doi.org/10.1177/01655515211030872 (2021).
خان، ايس ۽ شاهين، ايم وائي رول: دي فرسٽ ڪوگنيٽو الگورٿم فار ايسوسيئيشن رول مائننگ.جي ڄاڻ.سائنس.https://doi.org/10.1177/01655515221108695 (2022).
شاهين ايم ۽ عبدالله يو ڪرم: روايتي ڊيٽا مائننگ جي بنياد تي تعلقي بنيادن تي ٻڌل ايسوسيئيشن قاعدن.حساب ڪرڻ.مٽي.جاري رکڻ.68، 3305–3322 (2021).
محمد ايم، رحمان زي، شاهين ايم.، خان ايم. ۽ حبيب ايم. ڊيپ لرننگ بيسڊ سيمينٽڪ مماثلت جو پتو لڳائڻ ٽيڪسٽ ڊيٽا استعمال ڪندي.اطلاع ڏيڻ.ٽيڪنالاجيون.ڪنٽرول.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
تابش، ايم.، تنولي، زيڊ، ۽ شاهين، ايم. راندين جي وڊيوز ۾ سرگرمي کي سڃاڻڻ لاءِ هڪ سسٽم.ملٽي ميڊيا.اوزار ايپليڪيشنون https://doi.org/10.1007/s11042-021-10519-6 (2021).
حلبي، ايس ايس وغيره.ٻارن جي هڏن جي عمر ۾ RSNA مشين لرننگ چيلنج.ريڊيولاجي 290، 498–503 (2019).
لي، Y. وغيره.گہرے سکيا استعمال ڪندي pelvic X-ray مان فارنزڪ عمر جو اندازو.يورو.تابڪاري.29، 2322–2329 (2019).
Guo، YC، et al.آرٿوگرافڪ پروجئشن تصويرن مان دستي طريقن ۽ گہرے ڪنوولوشنل نيورل نيٽ ورڪ استعمال ڪندي صحيح عمر جي درجه بندي.بين الاقواميت.جي. قانوني دوائون.135، 1589-1597 (2021).
Alabama Dalora et al.مختلف مشين سکيا جا طريقا استعمال ڪندي هڏن جي عمر جو اندازو: هڪ سسٽماتي ادب جو جائزو ۽ ميٽا-تجزيو.پلس ون 14، e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. افريقي آمريڪن ۽ چينين جي آبادي-مخصوص عمر جو تخمينو، ڪن-بيم ڪمپيوٽيڊ ٽوموگرافي جي استعمال سان پھرين مولر جي پلپ چيمبر جي مقدار جي بنياد تي.بين الاقواميت.جي. قانوني دوائون.136، 811-819 (2022).
Kim S.، Lee YH، Noh YK، Park FK ۽ Oh KS پهرين داڻن جي مصنوعي ذهانت تي ٻڌل تصويرون استعمال ڪندي زنده ماڻهن جي عمر گروپن جو تعين ڪرڻ.سائنس.رپورٽ 11، 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. خودڪار عمر جو اندازو ۽ اڪثريت جي عمر جي درجه بندي گھڻائي MRI ڊيٽا مان.IEEE J. Biomed.صحت جي خبرداري.23، 1392-1403 (2019).
چينگ، Q.، جي، Z.، Du، H. ۽ Li، G. عمر جو تخمينو 3D پلپ چيمبر سيگمينٽيشن جي بنياد تي، ڪن بيم ڪمپيوٽيڊ ٽوموگرافي مان فرسٽ مولرز جي ڊيپ لرننگ ۽ ليول سيٽن کي گڏ ڪري.بين الاقواميت.جي. قانوني دوائون.135، 365-373 (2021).
وو، WT، وغيره.ڪلينڪل وڏي ڊيٽا ۾ ڊيٽا مائننگ: عام ڊيٽابيس، قدم، ۽ طريقن جا ماڊل.دنيا.دوا.وسيلو.8، 44 (2021).
يانگ، جي وغيره.بگ ڊيٽا دور ۾ ميڊيڪل ڊيٽابيس ۽ ڊيٽا مائننگ ٽيڪنالاجيز جو تعارف.جي ايويدبنيادي دوا.13، 57-69 (2020).
شين، ايس وغيره.مشين لرننگ استعمال ڪندي ڏندن جي عمر جو اندازو لڳائڻ لاءِ ڪيمرر جو طريقو.بي ايم سي زباني صحت 21، 641 (2021).
Galliburg A. et al.ڊيميرڊجيان اسٽيجنگ جو طريقو استعمال ڪندي ڏندن جي عمر جي اڳڪٿي ڪرڻ لاءِ مختلف مشين سکيا جي طريقن جو مقابلو.بين الاقواميت.جي. قانوني دوائون.135، 665-675 (2021).
Demirdjian، A.، Goldstein، H. ۽ Tanner، JM ڏندن جي عمر جي تشخيص لاء هڪ نئون نظام.ڳرڻ.حياتيات.45، 211-227 (1973).
لينڊس، جي آر، ۽ ڪوچ، جي جي مبصرن جي معاهدي جي ماپن جي درجه بندي ڊيٽا تي.بايوميٽرڪس 33، 159-174 (1977).
ڀٽاچارجي S, Prakash D, Kim C, Kim HK ۽ Choi HK.بنيادي دماغ جي ٽامي جي فرق لاء مصنوعي ذھني ٽيڪنالاجي استعمال ڪندي ٻه-dimensional مقناطيسي گونج اميجنگ جو متن، مورفولوجي ۽ شمارياتي تجزيو.صحت جي ڄاڻ.وسيلو.https://doi.org/10.4258/hir.2022.28.1.46 (2022).