કોરિયન કિશોરો અને યુવાન વયસ્કોમાં પરંપરાગત દંત વય અંદાજ પદ્ધતિઓ સામે ડેટા માઇનિંગ મોડેલની માન્યતા

Nature.com ની મુલાકાત લેવા બદલ આભાર.તમે ઉપયોગ કરી રહ્યાં છો તે બ્રાઉઝરનાં વર્ઝનમાં મર્યાદિત CSS સપોર્ટ છે.શ્રેષ્ઠ પરિણામો માટે, અમે તમારા બ્રાઉઝરના નવા સંસ્કરણનો ઉપયોગ કરવાની ભલામણ કરીએ છીએ (અથવા Internet Explorer માં સુસંગતતા મોડ બંધ કરો).આ દરમિયાન, ચાલુ સમર્થનની ખાતરી કરવા માટે, અમે સ્ટાઇલ અથવા JavaScript વિના સાઇટ બતાવી રહ્યા છીએ.
દાંત માનવ શરીરની ઉંમરનું સૌથી સચોટ સૂચક માનવામાં આવે છે અને ઘણીવાર ફોરેન્સિક વય આકારણીમાં તેનો ઉપયોગ થાય છે.અમે પરંપરાગત પદ્ધતિઓ અને ડેટા માઇનિંગ-આધારિત વય અંદાજો સાથે 18-વર્ષના થ્રેશોલ્ડના અંદાજની ચોકસાઈ અને વર્ગીકરણ કામગીરીની તુલના કરીને ડેટા માઇનિંગ-આધારિત ડેન્ટલ વય અંદાજોને માન્ય કરવાનો હેતુ રાખ્યો છે.15 થી 23 વર્ષની વયના કોરિયન અને જાપાનીઝ નાગરિકો પાસેથી કુલ 2657 પેનોરેમિક રેડિયોગ્રાફ્સ એકત્રિત કરવામાં આવ્યા હતા.તેઓને તાલીમ સમૂહમાં વિભાજિત કરવામાં આવ્યા હતા, જેમાં પ્રત્યેકમાં 900 કોરિયન રેડિયોગ્રાફ્સ હતા, અને 857 જાપાનીઝ રેડિયોગ્રાફ્સ ધરાવતા આંતરિક પરીક્ષણ સમૂહમાં.અમે વર્ગીકરણ ચોકસાઈ અને પરંપરાગત પદ્ધતિઓની કાર્યક્ષમતાની તુલના ડેટા માઈનિંગ મોડલ્સના ટેસ્ટ સેટ સાથે કરી છે.આંતરિક પરીક્ષણ સેટ પર પરંપરાગત પદ્ધતિની ચોકસાઈ ડેટા માઇનિંગ મોડલ કરતાં થોડી વધારે છે, અને તફાવત નાનો છે (મીન સંપૂર્ણ ભૂલ <0.21 વર્ષ, મૂળ સરેરાશ ચોરસ ભૂલ <0.24 વર્ષ).18-વર્ષના કટઓફ માટે વર્ગીકરણ પ્રદર્શન પરંપરાગત પદ્ધતિઓ અને ડેટા માઇનિંગ મોડલ્સ વચ્ચે પણ સમાન છે.આમ, કોરિયન કિશોરો અને યુવાન વયસ્કોમાં બીજા અને ત્રીજા દાઢની પરિપક્વતાનો ઉપયોગ કરીને ફોરેન્સિક વય મૂલ્યાંકન કરતી વખતે પરંપરાગત પદ્ધતિઓને ડેટા માઇનિંગ મોડલ્સ દ્વારા બદલી શકાય છે.
ફોરેન્સિક દવા અને બાળરોગની દંત ચિકિત્સામાં દંત વયના અંદાજનો વ્યાપકપણે ઉપયોગ થાય છે.ખાસ કરીને, કાલક્રમિક વય અને ડેન્ટલ ડેવલપમેન્ટ વચ્ચે ઉચ્ચ સહસંબંધ હોવાને કારણે, ડેન્ટલ ડેવલપમેન્ટલ સ્ટેજ દ્વારા ઉંમરનું મૂલ્યાંકન એ બાળકો અને કિશોરોની ઉંમરનું મૂલ્યાંકન કરવા માટે એક મહત્વપૂર્ણ માપદંડ છે 1,2,3.જો કે, યુવાન લોકો માટે, ડેન્ટલ પરિપક્વતાના આધારે ડેન્ટલ વયનો અંદાજ લગાવવામાં તેની મર્યાદાઓ છે કારણ કે ત્રીજા દાઢના અપવાદ સિવાય ડેન્ટલ વૃદ્ધિ લગભગ પૂર્ણ થઈ ગઈ છે.યુવાનો અને કિશોરોની ઉંમર નક્કી કરવાનો કાનૂની હેતુ સચોટ અંદાજો અને તેઓ બહુમતી વય સુધી પહોંચી ગયા છે કે કેમ તે અંગેના વૈજ્ઞાનિક પુરાવા આપવાનો છે.કોરિયામાં કિશોરો અને યુવાન વયસ્કોની તબીબી-કાનૂની પ્રેક્ટિસમાં, લીની પદ્ધતિનો ઉપયોગ કરીને વયનો અંદાજ કાઢવામાં આવ્યો હતો, અને ઓહ એટ અલ 5 દ્વારા નોંધાયેલા ડેટાના આધારે 18 વર્ષની કાનૂની મર્યાદાની આગાહી કરવામાં આવી હતી.
મશીન લર્નિંગ એ આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI)નો એક પ્રકાર છે જે વારંવાર શીખે છે અને મોટા પ્રમાણમાં ડેટાનું વર્ગીકરણ કરે છે, પોતાની જાતે સમસ્યાઓ હલ કરે છે અને ડેટા પ્રોગ્રામિંગ ચલાવે છે.મશીન લર્નિંગ ડેટા6ના મોટા જથ્થામાં ઉપયોગી છુપાયેલા દાખલાઓ શોધી શકે છે.તેનાથી વિપરિત, શાસ્ત્રીય પદ્ધતિઓ, જે શ્રમ-સઘન અને સમય માંગી લેતી હોય છે, તે જટિલ ડેટાના મોટા જથ્થા સાથે કામ કરતી વખતે મર્યાદાઓ હોઈ શકે છે જેની જાતે પ્રક્રિયા કરવી મુશ્કેલ છે7.તેથી, માનવીય ભૂલોને ઓછી કરવા અને બહુપરીમાણીય ડેટા8,9,10,11,12ની અસરકારક રીતે પ્રક્રિયા કરવા માટે તાજેતરની કોમ્પ્યુટર ટેકનોલોજીનો ઉપયોગ કરીને તાજેતરમાં ઘણા અભ્યાસો હાથ ધરવામાં આવ્યા છે.ખાસ કરીને, મેડિકલ ઈમેજ એનાલિસિસમાં ડીપ લર્નિંગનો વ્યાપકપણે ઉપયોગ કરવામાં આવ્યો છે, અને વયના અંદાજની ચોકસાઈ અને કાર્યક્ષમતામાં સુધારો કરવા માટે રેડિયોગ્રાફનું આપમેળે પૃથ્થકરણ કરીને વય અંદાજ માટેની વિવિધ પદ્ધતિઓનો અહેવાલ આપવામાં આવ્યો છે13,14,15,16,17,18,19,20 .ઉદાહરણ તરીકે, હલાબી એટ અલ 13 એ બાળકોના હાથના રેડિયોગ્રાફનો ઉપયોગ કરીને હાડપિંજરની ઉંમરનો અંદાજ કાઢવા કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (CNN) પર આધારિત મશીન લર્નિંગ અલ્ગોરિધમ વિકસાવ્યું છે.આ અભ્યાસ એક મોડેલની દરખાસ્ત કરે છે જે તબીબી છબીઓ પર મશીન લર્નિંગ લાગુ કરે છે અને બતાવે છે કે આ પદ્ધતિઓ નિદાનની ચોકસાઈને સુધારી શકે છે.Li et al14 એ ડીપ લર્નિંગ CNN નો ઉપયોગ કરીને પેલ્વિક એક્સ-રે ઈમેજીસ પરથી અંદાજિત ઉંમર અને ઓસીફિકેશન સ્ટેજ અંદાજનો ઉપયોગ કરીને રીગ્રેશન પરિણામો સાથે સરખામણી કરી.તેઓએ જોયું કે ડીપ લર્નિંગ સીએનએન મોડેલ પરંપરાગત રીગ્રેશન મોડલ જેટલું જ વય અંદાજ પ્રદર્શન દર્શાવે છે.ગુઓ એટ અલ.ના અભ્યાસ [૧૫] ડેન્ટલ ઓર્થોફોટો પર આધારિત CNN ટેક્નોલોજીના વય સહિષ્ણુતા વર્ગીકરણ પ્રદર્શનનું મૂલ્યાંકન કર્યું અને CNN મોડેલના પરિણામોએ સાબિત કર્યું કે માનવીઓ તેની વય વર્ગીકરણની કામગીરીને પાછળ રાખી દે છે.
મશીન લર્નિંગનો ઉપયોગ કરીને ઉંમરના અંદાજ પરના મોટાભાગના અભ્યાસો 13,14,15,16,17,18,19,20 ડીપ લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરે છે.ડીપ લર્નિંગ પર આધારિત ઉંમરનો અંદાજ પરંપરાગત પદ્ધતિઓ કરતાં વધુ સચોટ હોવાનું નોંધાયું છે.જો કે, આ અભિગમ વયના અંદાજ માટે વૈજ્ઞાનિક આધાર રજૂ કરવાની ઓછી તક પૂરી પાડે છે, જેમ કે અંદાજમાં વપરાતા વય સૂચકાંકો.તપાસ કોણ કરે છે તે અંગે પણ કાનૂની વિવાદ છે.તેથી, વહીવટી અને ન્યાયિક સત્તાવાળાઓ દ્વારા ઊંડા શિક્ષણ પર આધારિત વયનો અંદાજ સ્વીકારવો મુશ્કેલ છે.ડેટા માઇનિંગ (DM) એ એક એવી ટેકનિક છે જે માત્ર અપેક્ષિત જ નહીં પણ અણધારી માહિતીને પણ મોટી માત્રામાં ડેટા 6,21,22 વચ્ચે ઉપયોગી સહસંબંધો શોધવાની પદ્ધતિ તરીકે શોધી શકે છે.મશીન લર્નિંગનો ઉપયોગ ઘણીવાર ડેટા માઇનિંગમાં થાય છે, અને ડેટા માઇનિંગ અને મશીન લર્નિંગ બંને ડેટામાં પેટર્ન શોધવા માટે સમાન કી અલ્ગોરિધમનો ઉપયોગ કરે છે.ડેન્ટલ ડેવલપમેન્ટનો ઉપયોગ કરીને ઉંમરનો અંદાજ પરીક્ષકના લક્ષ્ય દાંતની પરિપક્વતાના મૂલ્યાંકન પર આધારિત છે, અને આ આકારણી દરેક લક્ષ્ય દાંત માટે એક તબક્કા તરીકે વ્યક્ત કરવામાં આવે છે.DM નો ઉપયોગ ડેન્ટલ એસેસમેન્ટ સ્ટેજ અને વાસ્તવિક ઉંમર વચ્ચેના સંબંધનું વિશ્લેષણ કરવા માટે થઈ શકે છે અને પરંપરાગત આંકડાકીય વિશ્લેષણને બદલવાની ક્ષમતા ધરાવે છે.તેથી, જો આપણે વય અંદાજ માટે DM તકનીકો લાગુ કરીએ, તો અમે કાયદાકીય જવાબદારીની ચિંતા કર્યા વિના ફોરેન્સિક વય અંદાજમાં મશીન લર્નિંગનો અમલ કરી શકીએ છીએ.ફોરેન્સિક પ્રેક્ટિસમાં ઉપયોગમાં લેવાતી પરંપરાગત મેન્યુઅલ પદ્ધતિઓ અને દાંતની ઉંમર નક્કી કરવા માટે EBM-આધારિત પદ્ધતિઓના સંભવિત વિકલ્પો પર કેટલાક તુલનાત્મક અભ્યાસો પ્રકાશિત કરવામાં આવ્યા છે.શેન એટ અલ 23 એ દર્શાવ્યું હતું કે ડીએમ મોડેલ પરંપરાગત કેમેરાર ફોર્મ્યુલા કરતાં વધુ સચોટ છે.Galibourg et al24 એ Demirdjian માપદંડ 25 અનુસાર ઉંમરની આગાહી કરવા માટે વિવિધ DM પદ્ધતિઓ લાગુ કરી અને પરિણામો દર્શાવે છે કે DM પદ્ધતિએ ફ્રેન્ચ વસ્તીની ઉંમરનો અંદાજ કાઢવામાં Demirdjian અને Willems પદ્ધતિઓ કરતાં વધુ સારો દેખાવ કર્યો છે.
કોરિયન કિશોરો અને યુવાન વયસ્કોની દંત વયનો અંદાજ કાઢવા માટે, લીની પદ્ધતિ 4 કોરિયન ફોરેન્સિક પ્રેક્ટિસમાં વ્યાપકપણે ઉપયોગમાં લેવાય છે.કોરિયન વિષયો અને કાલક્રમિક વય વચ્ચેના સંબંધની તપાસ કરવા માટે આ પદ્ધતિ પરંપરાગત આંકડાકીય વિશ્લેષણ (જેમ કે બહુવિધ રીગ્રેશન) નો ઉપયોગ કરે છે.આ અભ્યાસમાં, પરંપરાગત આંકડાકીય પદ્ધતિઓનો ઉપયોગ કરીને મેળવેલ વય અંદાજ પદ્ધતિઓને "પરંપરાગત પદ્ધતિઓ" તરીકે વ્યાખ્યાયિત કરવામાં આવી છે.લીની પદ્ધતિ પરંપરાગત પદ્ધતિ છે, અને તેની ચોકસાઈની પુષ્ટિ ઓહ એટ અલ દ્વારા કરવામાં આવી છે.5;જો કે, કોરિયન ફોરેન્સિક પ્રેક્ટિસમાં ડીએમ મોડલ પર આધારિત વય અંદાજની લાગુતા હજુ પણ શંકાસ્પદ છે.અમારો ધ્યેય ડીએમ મોડેલના આધારે વય અંદાજની સંભવિત ઉપયોગિતાને વૈજ્ઞાનિક રીતે માન્ય કરવાનો હતો.આ અભ્યાસનો હેતુ (1) દાંતની ઉંમરના અંદાજમાં બે DM મોડલની ચોકસાઈની તુલના કરવાનો હતો અને (2) 18 વર્ષની ઉંમરે 7 DM મોડલના વર્ગીકરણની કામગીરીની પરંપરાગત આંકડાકીય પદ્ધતિઓનો ઉપયોગ કરીને મેળવેલો સાથે સરખામણી કરવાનો હતો. અને બંને જડબામાં ત્રીજા દાઢ.
તબક્કા અને દાંતના પ્રકાર દ્વારા કાલક્રમિક વયના અર્થ અને પ્રમાણભૂત વિચલનો પૂરક કોષ્ટક S1 (તાલીમ સમૂહ), પૂરક કોષ્ટક S2 (આંતરિક પરીક્ષણ સમૂહ), અને પૂરક કોષ્ટક S3 (બાહ્ય પરીક્ષણ સમૂહ) માં ઑનલાઇન બતાવવામાં આવ્યા છે.તાલીમ સમૂહમાંથી મેળવેલ ઇન્ટ્રા- અને ઇન્ટરઓબ્ઝર્વર વિશ્વસનીયતા માટે કપ્પા મૂલ્યો અનુક્રમે 0.951 અને 0.947 હતા.કપ્પા મૂલ્યો માટે P મૂલ્યો અને 95% આત્મવિશ્વાસ અંતરાલ ઑનલાઇન પૂરક કોષ્ટક S4 માં બતાવવામાં આવ્યા છે.લેન્ડિસ અને કોચ26 ના માપદંડ સાથે સુસંગત, કપ્પા મૂલ્યને "લગભગ સંપૂર્ણ" તરીકે અર્થઘટન કરવામાં આવ્યું હતું.
સરેરાશ નિરપેક્ષ ભૂલ (MAE) ની સરખામણી કરતી વખતે, પરંપરાગત પદ્ધતિ મલ્ટિલેયર પરસેપ્ટ્રોન (MLP) ના અપવાદ સિવાય તમામ જાતિઓ માટે અને બાહ્ય પુરૂષ પરીક્ષણ સમૂહમાં DM મોડલને સહેજ આગળ કરે છે.આંતરિક MAE ટેસ્ટ સેટ પર પરંપરાગત મોડલ અને DM મોડલ વચ્ચેનો તફાવત પુરુષો માટે 0.12–0.19 વર્ષ અને સ્ત્રીઓ માટે 0.17–0.21 વર્ષ હતો.બાહ્ય પરીક્ષણ બેટરી માટે, તફાવતો નાના છે (પુરુષો માટે 0.001–0.05 વર્ષ અને સ્ત્રીઓ માટે 0.05–0.09 વર્ષ).વધુમાં, રૂટ સરેરાશ ચોરસ ભૂલ (RMSE) પરંપરાગત પદ્ધતિ કરતાં થોડી ઓછી છે, જેમાં નાના તફાવતો છે (0.17–0.24, 0.2–0.24 પુરુષ આંતરિક પરીક્ષણ સમૂહ માટે, અને 0.03–0.07, 0.04–0.08 બાહ્ય પરીક્ષણ સમૂહ માટે).).MLP સિંગલ લેયર પરસેપ્ટ્રોન (SLP) કરતાં સહેજ વધુ સારું પ્રદર્શન દર્શાવે છે, સિવાય કે સ્ત્રી બાહ્ય પરીક્ષણ સેટના કિસ્સામાં.MAE અને RMSE માટે, બાહ્ય પરીક્ષણ સેટ તમામ જાતિઓ અને મોડેલો માટેના આંતરિક પરીક્ષણ સેટ કરતા વધારે છે.બધા MAE અને RMSE કોષ્ટક 1 અને આકૃતિ 1 માં બતાવવામાં આવ્યા છે.
MAE અને RMSE પરંપરાગત અને ડેટા માઇનિંગ રીગ્રેશન મોડલ્સ.મીન એબ્સોલ્યુટ એરર MAE, રૂટ મીન સ્ક્વેર એરર RMSE, સિંગલ લેયર પરસેપ્ટ્રોન SLP, મલ્ટિલેયર પરસેપ્ટ્રોન MLP, પરંપરાગત CM મેથડ.
પરંપરાગત અને DM મોડલ્સનું વર્ગીકરણ પ્રદર્શન (18 વર્ષના કટઓફ સાથે) સંવેદનશીલતા, વિશિષ્ટતા, હકારાત્મક આગાહી મૂલ્ય (PPV), નકારાત્મક આગાહી મૂલ્ય (NPV), અને રીસીવર ઓપરેટિંગ લાક્ષણિકતા વળાંક (AUROC) હેઠળના વિસ્તારની દ્રષ્ટિએ દર્શાવવામાં આવ્યું હતું. 27 (કોષ્ટક 2, આકૃતિ 2 અને પૂરક આકૃતિ 1 ઓનલાઇન).આંતરિક પરીક્ષણ બેટરીની સંવેદનશીલતાના સંદર્ભમાં, પરંપરાગત પદ્ધતિઓ પુરુષોમાં શ્રેષ્ઠ અને સ્ત્રીઓમાં વધુ ખરાબ છે.જો કે, પરંપરાગત પદ્ધતિઓ અને SD વચ્ચે વર્ગીકરણ પ્રદર્શનમાં તફાવત પુરુષો (MLP) માટે 9.7% અને સ્ત્રીઓ (XGBoost) માટે માત્ર 2.4% છે.ડીએમ મોડલ્સમાં, લોજિસ્ટિક રીગ્રેશન (LR) એ બંને જાતિઓમાં વધુ સારી સંવેદનશીલતા દર્શાવી હતી.આંતરિક પરીક્ષણ સેટની વિશિષ્ટતા અંગે, એવું જોવામાં આવ્યું હતું કે ચાર SD મોડલ પુરુષોમાં સારું પ્રદર્શન કરે છે, જ્યારે પરંપરાગત મોડલ સ્ત્રીઓમાં વધુ સારું પ્રદર્શન કરે છે.પુરૂષો અને સ્ત્રીઓ માટે વર્ગીકરણ પ્રદર્શનમાં તફાવતો અનુક્રમે 13.3% (MLP) અને 13.1% (MLP) છે, જે દર્શાવે છે કે મોડેલો વચ્ચે વર્ગીકરણ પ્રદર્શનમાં તફાવત સંવેદનશીલતા કરતાં વધી ગયો છે.DM મોડલ્સમાં, સપોર્ટ વેક્ટર મશીન (SVM), ડિસિઝન ટ્રી (DT) અને રેન્ડમ ફોરેસ્ટ (RF) મોડલ્સે પુરૂષોમાં શ્રેષ્ઠ પ્રદર્શન કર્યું હતું, જ્યારે LR મોડેલે સ્ત્રીઓમાં શ્રેષ્ઠ પ્રદર્શન કર્યું હતું.પરંપરાગત મૉડલ અને તમામ SD મૉડલ્સનું AUROC પુરુષોમાં 0.925 (k-નજીકના પડોશી (KNN) કરતાં વધારે હતું, જે 18-વર્ષ જૂના નમૂનાઓ સાથે ભેદભાવ કરવામાં ઉત્તમ વર્ગીકરણ પ્રદર્શન દર્શાવે છે.બાહ્ય પરીક્ષણ સમૂહ માટે, આંતરિક પરીક્ષણ સમૂહની તુલનામાં સંવેદનશીલતા, વિશિષ્ટતા અને AUROCની દ્રષ્ટિએ વર્ગીકરણ કામગીરીમાં ઘટાડો જોવા મળ્યો હતો.તદુપરાંત, શ્રેષ્ઠ અને સૌથી ખરાબ મોડલના વર્ગીકરણ પ્રદર્શન વચ્ચે સંવેદનશીલતા અને વિશિષ્ટતામાં તફાવત 10% થી 25% સુધીનો હતો અને તે આંતરિક પરીક્ષણ સમૂહના તફાવત કરતાં મોટો હતો.
18 વર્ષના કટઓફ સાથે પરંપરાગત પદ્ધતિઓની તુલનામાં ડેટા માઇનિંગ વર્ગીકરણ મોડલ્સની સંવેદનશીલતા અને વિશિષ્ટતા.KNN k નજીકના પડોશી, SVM સપોર્ટ વેક્ટર મશીન, LR લોજિસ્ટિક રીગ્રેશન, DT નિર્ણય વૃક્ષ, RF રેન્ડમ ફોરેસ્ટ, XGB XGBoost, MLP મલ્ટિલેયર પરસેપ્ટ્રોન, પરંપરાગત CM પદ્ધતિ.
આ અભ્યાસમાં પ્રથમ પગલું પરંપરાગત રીગ્રેસનનો ઉપયોગ કરીને મેળવેલા સાત ડીએમ મોડેલોમાંથી મેળવેલ દંત વયના અંદાજોની ચોકસાઈની તુલના કરવાનું હતું.MAE અને RMSE નું મૂલ્યાંકન બંને જાતિઓ માટે આંતરિક પરીક્ષણ સેટમાં કરવામાં આવ્યું હતું, અને પરંપરાગત પદ્ધતિ અને DM મોડેલ વચ્ચેનો તફાવત MAE માટે 44 થી 77 દિવસ અને RMSE માટે 62 થી 88 દિવસનો હતો.આ અભ્યાસમાં પરંપરાગત પદ્ધતિ થોડી વધુ સચોટ હોવા છતાં, આવા નાના તફાવતનું ક્લિનિકલ કે વ્યવહારિક મહત્વ છે કે કેમ તે નિષ્કર્ષ કાઢવો મુશ્કેલ છે.આ પરિણામો દર્શાવે છે કે DM મોડલનો ઉપયોગ કરીને ડેન્ટલ વયના અંદાજની ચોકસાઈ પરંપરાગત પદ્ધતિની લગભગ સમાન છે.અગાઉના અભ્યાસોના પરિણામો સાથે સીધી સરખામણી કરવી મુશ્કેલ છે કારણ કે આ અભ્યાસની જેમ જ વય શ્રેણીમાં દાંત રેકોર્ડ કરવાની સમાન તકનીકનો ઉપયોગ કરીને પરંપરાગત આંકડાકીય પદ્ધતિઓ સાથે DM મોડલ્સની ચોકસાઈની સરખામણી કોઈ અભ્યાસે કરી નથી.Galibourg et al24 એ 2 થી 24 વર્ષની વયની ફ્રેન્ચ વસ્તીમાં બે પરંપરાગત પદ્ધતિઓ (ડેમિર્જિયન પદ્ધતિ25 અને વિલેમ્સ પદ્ધતિ29) અને 10 DM મોડલ વચ્ચે MAE અને RMSE ની સરખામણી કરી.તેઓએ અહેવાલ આપ્યો કે તમામ DM મોડલ પરંપરાગત પદ્ધતિઓ કરતાં વધુ સચોટ હતા, જેમાં MAE માં 0.20 અને 0.38 વર્ષ અને RMSE માં 0.25 અને 0.47 વર્ષનો તફાવત વિલેમ્સ અને ડેમિર્ડજિયન પદ્ધતિઓની તુલનામાં અનુક્રમે છે.હેલિબર્ગ અભ્યાસમાં દર્શાવેલ SD મોડેલ અને પરંપરાગત પદ્ધતિઓ વચ્ચેની વિસંગતતા અસંખ્ય અહેવાલોને ધ્યાનમાં લે છે 30,31,32,33 કે ડેમિર્ડજિયન પદ્ધતિ ફ્રેન્ચ કેનેડિયનો સિવાયની વસ્તીમાં દાંતની ઉંમરનો ચોક્કસ અંદાજ લગાવતી નથી જેના પર અભ્યાસ આધારિત હતો.આ અભ્યાસમાં.તાઈ એટ અલ 34 એ 1636 ચાઈનીઝ ઓર્થોડોન્ટિક ફોટોગ્રાફ્સમાંથી દાંતની ઉંમરની આગાહી કરવા માટે એમએલપી અલ્ગોરિધમનો ઉપયોગ કર્યો અને તેની સચોટતાને ડેમિર્જિયન અને વિલેમ્સ પદ્ધતિના પરિણામો સાથે સરખાવી.તેઓએ અહેવાલ આપ્યો કે MLP પરંપરાગત પદ્ધતિઓ કરતાં વધુ ચોકસાઈ ધરાવે છે.ડેમિર્ડજિયન પદ્ધતિ અને પરંપરાગત પદ્ધતિ વચ્ચેનો તફાવત <0.32 વર્ષ છે, અને વિલેમ્સ પદ્ધતિ 0.28 વર્ષ છે, જે હાલના અભ્યાસના પરિણામો સમાન છે.આ અગાઉના અભ્યાસો24,34ના પરિણામો પણ હાલના અભ્યાસના પરિણામો સાથે સુસંગત છે, અને ડીએમ મોડેલ અને પરંપરાગત પદ્ધતિની વય અંદાજ ચોકસાઈ સમાન છે.જો કે, પ્રસ્તુત પરિણામોના આધારે, અમે માત્ર સાવધાનીપૂર્વક નિષ્કર્ષ પર આવી શકીએ છીએ કે વયનો અંદાજ કાઢવા માટે DM મોડલ્સનો ઉપયોગ તુલનાત્મક અને સંદર્ભ અગાઉના અભ્યાસોના અભાવને કારણે હાલની પદ્ધતિઓને બદલી શકે છે.આ અભ્યાસમાં પ્રાપ્ત પરિણામોની પુષ્ટિ કરવા માટે મોટા નમૂનાઓનો ઉપયોગ કરીને અનુવર્તી અભ્યાસની જરૂર છે.
ડેન્ટલ વયના અંદાજમાં SD ની ચોકસાઈનું પરીક્ષણ કરતા અભ્યાસોમાં, કેટલાકે અમારા અભ્યાસ કરતાં વધુ સચોટતા દર્શાવી હતી.સ્ટેપનોવ્સ્કી એટ અલ 35 એ 2.7 થી 20.5 વર્ષની વયના 976 ચેક નિવાસીઓના પેનોરેમિક રેડિયોગ્રાફ પર 22 SD મોડલ લાગુ કર્યા અને દરેક મોડેલની ચોકસાઈનું પરીક્ષણ કર્યું.તેઓએ મૂરીસ એટ અલ 36 દ્વારા સૂચિત વર્ગીકરણ માપદંડનો ઉપયોગ કરીને કુલ 16 ઉપલા અને નીચેના ડાબા કાયમી દાંતના વિકાસનું મૂલ્યાંકન કર્યું.MAE ની રેન્જ 0.64 થી 0.94 વર્ષ અને RMSE ની રેન્જ 0.85 થી 1.27 વર્ષ સુધીની છે, જે આ અભ્યાસમાં ઉપયોગમાં લેવાતા બે DM મોડલ કરતાં વધુ સચોટ છે.શેન એટ અલ23 એ 5 થી 13 વર્ષની વયના પૂર્વી ચાઇનીઝ રહેવાસીઓમાં ડાબા મેન્ડિબલમાં સાત કાયમી દાંતની ડેન્ટલ ઉંમરનો અંદાજ કાઢવા માટે કેમેરીયર પદ્ધતિનો ઉપયોગ કર્યો અને રેખીય રીગ્રેશન, SVM અને RF નો ઉપયોગ કરીને અંદાજિત વય સાથે તેની સરખામણી કરી.તેઓએ બતાવ્યું કે ત્રણેય DM મોડલ પરંપરાગત કેમેરીઅર ફોર્મ્યુલાની તુલનામાં ઉચ્ચ ચોકસાઈ ધરાવે છે.શેનના ​​અભ્યાસમાં MAE અને RMSE આ અભ્યાસમાં DM મોડલ કરતા ઓછા હતા.સ્ટેપનોવ્સ્કી એટ અલ દ્વારા અભ્યાસની વધેલી ચોકસાઇ.35 અને શેન એટ અલ.23 તેમના અભ્યાસના નમૂનાઓમાં નાના વિષયોના સમાવેશને કારણે હોઈ શકે છે.કારણ કે ડેન્ટલ ડેવલપમેન્ટ દરમિયાન દાંતની સંખ્યામાં વધારો થતાં વિકાસશીલ દાંત ધરાવતા સહભાગીઓ માટે વય અંદાજ વધુ સચોટ બને છે, જ્યારે અભ્યાસમાં સહભાગીઓ નાના હોય ત્યારે પરિણામી વય અંદાજ પદ્ધતિની ચોકસાઈ સાથે ચેડા થઈ શકે છે.વધુમાં, વય અંદાજમાં MLP ની ભૂલ SLP કરતા થોડી નાની છે, એટલે કે MLP SLP કરતાં વધુ સચોટ છે.કદાચ MLP38 માં છુપાયેલા સ્તરોને કારણે MLP ને વયના અંદાજ માટે સહેજ વધુ સારું માનવામાં આવે છે.જો કે, સ્ત્રીઓના બાહ્ય નમૂના માટે અપવાદ છે (SLP 1.45, MLP 1.49).વયનું મૂલ્યાંકન કરવામાં SLP કરતાં MLP વધુ સચોટ છે તે જાણવા માટે વધારાના પૂર્વનિર્ધારિત અભ્યાસની જરૂર છે.
ડીએમ મોડેલના વર્ગીકરણ પ્રદર્શન અને 18-વર્ષના થ્રેશોલ્ડ પર પરંપરાગત પદ્ધતિની પણ સરખામણી કરવામાં આવી હતી.તમામ પરીક્ષણ કરેલ SD મોડેલો અને આંતરિક પરીક્ષણ સેટ પરની પરંપરાગત પદ્ધતિઓએ 18-વર્ષના નમૂના માટે વ્યવહારીક રીતે સ્વીકાર્ય ભેદભાવ દર્શાવ્યા હતા.પુરૂષો અને સ્ત્રીઓ માટે સંવેદનશીલતા અનુક્રમે 87.7% અને 94.9% કરતા વધારે હતી, અને વિશિષ્ટતા 89.3% અને 84.7% કરતા વધારે હતી.તમામ પરીક્ષણ કરેલ મોડલ્સનો AUROC પણ 0.925 થી વધી જાય છે.અમારી શ્રેષ્ઠ જાણકારી મુજબ, ડેન્ટલ પરિપક્વતાના આધારે 18-વર્ષના વર્ગીકરણ માટે કોઈ અભ્યાસે DM મોડેલની કામગીરીનું પરીક્ષણ કર્યું નથી.અમે પેનોરેમિક રેડિયોગ્રાફ્સ પર ડીપ લર્નિંગ મોડલ્સના વર્ગીકરણ પ્રદર્શન સાથે આ અભ્યાસના પરિણામોની તુલના કરી શકીએ છીએ.ગુઓ એટ અલ.15 એ CNN-આધારિત ડીપ લર્નિંગ મોડલના વર્ગીકરણ પ્રદર્શન અને ચોક્કસ વય મર્યાદા માટે ડેમિર્જિયનની પદ્ધતિ પર આધારિત મેન્યુઅલ પદ્ધતિની ગણતરી કરી.મેન્યુઅલ પદ્ધતિની સંવેદનશીલતા અને વિશિષ્ટતા અનુક્રમે 87.7% અને 95.5% હતી, અને CNN મોડેલની સંવેદનશીલતા અને વિશિષ્ટતા અનુક્રમે 89.2% અને 86.6% થી વધી ગઈ હતી.તેઓએ તારણ કાઢ્યું હતું કે ડીપ લર્નિંગ મોડલ્સ વય મર્યાદાને વર્ગીકૃત કરવામાં મેન્યુઅલ મૂલ્યાંકનને બદલી શકે છે અથવા તેનાથી આગળ થઈ શકે છે.આ અભ્યાસના પરિણામોએ સમાન વર્ગીકરણ પ્રદર્શન દર્શાવ્યું હતું;એવું માનવામાં આવે છે કે ડીએમ મોડલ્સનો ઉપયોગ કરીને વર્ગીકરણ વય અંદાજ માટે પરંપરાગત આંકડાકીય પદ્ધતિઓને બદલી શકે છે.મોડેલોમાં, DM LR પુરૂષ નમૂના માટે સંવેદનશીલતા અને સ્ત્રી નમૂના માટે સંવેદનશીલતા અને વિશિષ્ટતાના સંદર્ભમાં શ્રેષ્ઠ મોડેલ હતું.પુરુષો માટે વિશિષ્ટતામાં LR બીજા ક્રમે છે.તદુપરાંત, LR એ વધુ વપરાશકર્તા-મૈત્રીપૂર્ણ DM35 મોડલ પૈકીનું એક માનવામાં આવે છે અને તે ઓછા જટિલ અને પ્રક્રિયા કરવા મુશ્કેલ છે.આ પરિણામોના આધારે, કોરિયન વસ્તીમાં 18 વર્ષની વયના લોકો માટે LR ને શ્રેષ્ઠ કટઓફ વર્ગીકરણ મોડલ માનવામાં આવતું હતું.
એકંદરે, બાહ્ય પરીક્ષણ સમૂહ પર વય અંદાજ અથવા વર્ગીકરણ પ્રદર્શનની ચોકસાઈ આંતરિક પરીક્ષણ સમૂહ પરના પરિણામોની તુલનામાં નબળી અથવા ઓછી હતી.કેટલાક અહેવાલો સૂચવે છે કે જ્યારે કોરિયન વસ્તી પર આધારિત વય અંદાજ જાપાનની વસ્તી 5,39 પર લાગુ કરવામાં આવે છે ત્યારે વર્ગીકરણની ચોકસાઈ અથવા કાર્યક્ષમતામાં ઘટાડો થાય છે, અને વર્તમાન અભ્યાસમાં સમાન પેટર્ન જોવા મળી હતી.ડીએમ મોડેલમાં પણ આ બગાડનું વલણ જોવા મળ્યું હતું.તેથી, વયનો સચોટ અંદાજ કાઢવા માટે, વિશ્લેષણ પ્રક્રિયામાં DM નો ઉપયોગ કરતી વખતે પણ, મૂળ વસ્તીના ડેટામાંથી મેળવેલી પદ્ધતિઓ, જેમ કે પરંપરાગત પદ્ધતિઓ, પસંદ કરવી જોઈએ 5,39,40,41,42.ડીપ લર્નિંગ મોડલ સમાન વલણો બતાવી શકે છે કે કેમ તે અસ્પષ્ટ હોવાથી, કૃત્રિમ બુદ્ધિ મર્યાદિત વયમાં આ વંશીય અસમાનતાને દૂર કરી શકે છે કે કેમ તેની પુષ્ટિ કરવા માટે પરંપરાગત પદ્ધતિઓ, DM મોડલ્સ અને સમાન નમૂનાઓ પરના ડીપ લર્નિંગ મોડલ્સનો ઉપયોગ કરીને વર્ગીકરણની ચોકસાઈ અને કાર્યક્ષમતાની તુલના કરતા અભ્યાસોની જરૂર છે.આકારણીઓ
અમે દર્શાવીએ છીએ કે કોરિયામાં ફોરેન્સિક વય અંદાજ પ્રથામાં DM મોડલના આધારે વય અંદાજ દ્વારા પરંપરાગત પદ્ધતિઓ બદલી શકાય છે.અમે ફોરેન્સિક વય મૂલ્યાંકન માટે મશીન લર્નિંગના અમલીકરણની શક્યતા પણ શોધી કાઢી છે.જો કે, ત્યાં સ્પષ્ટ મર્યાદાઓ છે, જેમ કે પરિણામોને નિશ્ચિતપણે નિર્ધારિત કરવા માટે આ અભ્યાસમાં સહભાગીઓની અપૂરતી સંખ્યા અને આ અભ્યાસના પરિણામોની તુલના અને પુષ્ટિ કરવા માટે અગાઉના અભ્યાસોનો અભાવ.ભવિષ્યમાં, પરંપરાગત પદ્ધતિઓની તુલનામાં તેની વ્યવહારિક ઉપયોગિતાને સુધારવા માટે ડીએમ અભ્યાસો મોટી સંખ્યામાં નમૂનાઓ અને વધુ વૈવિધ્યસભર વસ્તી સાથે હાથ ધરવા જોઈએ.બહુવિધ વસ્તીમાં વયનો અંદાજ લગાવવા માટે કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ કરવાની શક્યતાને માન્ય કરવા માટે, સમાન નમૂનાઓમાં પરંપરાગત પદ્ધતિઓ સાથે ડીએમ અને ડીપ લર્નિંગ મોડલ્સના વર્ગીકરણની ચોકસાઈ અને કાર્યક્ષમતાની તુલના કરવા માટે ભાવિ અભ્યાસની જરૂર છે.
અભ્યાસમાં 15 થી 23 વર્ષની વયના કોરિયન અને જાપાનીઝ પુખ્ત વયના લોકો પાસેથી એકત્રિત 2,657 ઓર્થોગ્રાફિક ફોટોગ્રાફ્સનો ઉપયોગ કરવામાં આવ્યો હતો.કોરિયન રેડિયોગ્રાફ્સને 900 તાલીમ સેટ (19.42 ± 2.65 વર્ષ) અને 900 આંતરિક પરીક્ષણ સેટ (19.52 ± 2.59 વર્ષ)માં વહેંચવામાં આવ્યા હતા.તાલીમ સેટ એક સંસ્થામાં એકત્રિત કરવામાં આવ્યો હતો (સિઓલ સેન્ટ મેરી હોસ્પિટલ), અને પોતાનો ટેસ્ટ સેટ બે સંસ્થાઓ (સિઓલ નેશનલ યુનિવર્સિટી ડેન્ટલ હોસ્પિટલ અને યોન્સેઈ યુનિવર્સિટી ડેન્ટલ હોસ્પિટલ) ખાતે એકત્રિત કરવામાં આવ્યો હતો.અમે બાહ્ય પરીક્ષણ માટે અન્ય વસ્તી-આધારિત ડેટા (ઇવેટ મેડિકલ યુનિવર્સિટી, જાપાન) માંથી 857 રેડિયોગ્રાફ્સ પણ એકત્રિત કર્યા.બાહ્ય પરીક્ષણ સમૂહ તરીકે જાપાની વિષયોના રેડિયોગ્રાફ્સ (19.31 ± 2.60 વર્ષ) પસંદ કરવામાં આવ્યા હતા.ડેન્ટલ ટ્રીટમેન્ટ દરમિયાન લેવામાં આવેલા પેનોરેમિક રેડીયોગ્રાફ્સ પર ડેન્ટલ ડેવલપમેન્ટના તબક્કાઓનું પૃથ્થકરણ કરવા માટે પૂર્વદર્શી રીતે ડેટા એકત્રિત કરવામાં આવ્યો હતો.લિંગ, જન્મ તારીખ અને રેડિયોગ્રાફની તારીખ સિવાય એકત્રિત કરવામાં આવેલ તમામ ડેટા અનામી હતા.સમાવેશ અને બાકાત માપદંડ અગાઉ પ્રકાશિત થયેલા અભ્યાસો 4, 5 જેવા જ હતા.રેડિયોગ્રાફ લેવાયેલી તારીખમાંથી જન્મ તારીખ બાદ કરીને નમૂનાની વાસ્તવિક ઉંમરની ગણતરી કરવામાં આવી હતી.નમૂના જૂથને નવ વય જૂથોમાં વહેંચવામાં આવ્યા હતા.ઉંમર અને લિંગ વિતરણ કોષ્ટક 3 માં દર્શાવવામાં આવ્યું છે આ અભ્યાસ હેલસિંકીની ઘોષણા અનુસાર હાથ ધરવામાં આવ્યો હતો અને કોરિયાની કેથોલિક યુનિવર્સિટી (KC22WISI0328)ની સિયોલ સેન્ટ મેરી હોસ્પિટલના સંસ્થાકીય સમીક્ષા બોર્ડ (IRB) દ્વારા મંજૂર કરવામાં આવ્યો હતો.આ અભ્યાસની પૂર્વવર્તી રચનાને કારણે, રોગનિવારક હેતુઓ માટે રેડિયોગ્રાફિક પરીક્ષામાંથી પસાર થતા તમામ દર્દીઓ પાસેથી જાણકાર સંમતિ મેળવી શકાતી નથી.સિયોલ કોરિયા યુનિવર્સિટી સેન્ટ મેરી હોસ્પિટલ (IRB) એ જાણકાર સંમતિ માટેની જરૂરિયાતને માફ કરી.
બાયમેક્સિલરી બીજા અને ત્રીજા દાઢના વિકાસના તબક્કાઓનું મૂલ્યાંકન ડેમિર્કન માપદંડ 25 અનુસાર કરવામાં આવ્યું હતું.જો દરેક જડબાની ડાબી અને જમણી બાજુએ સમાન પ્રકારના દાંત જોવા મળે તો માત્ર એક જ દાંત પસંદ કરવામાં આવ્યો હતો.જો બંને બાજુના સજાતીય દાંત અલગ-અલગ વિકાસના તબક્કામાં હતા, તો નીચા વિકાસના તબક્કાવાળા દાંતને અંદાજિત વયની અનિશ્ચિતતા માટે પસંદ કરવામાં આવ્યા હતા.ડેન્ટલ મેચ્યોરિટી સ્ટેજ નક્કી કરવા માટે પ્રીકેલિબ્રેશન પછી ઇન્ટરઓબ્ઝર્વરની વિશ્વસનીયતા ચકાસવા માટે બે અનુભવી નિરીક્ષકો દ્વારા તાલીમ સમૂહમાંથી એકસો રેન્ડમલી પસંદ કરાયેલા રેડિયોગ્રાફ્સ સ્કોર કરવામાં આવ્યા હતા.પ્રાથમિક નિરીક્ષક દ્વારા ઇન્ટ્રાઓબ્ઝર્વરની વિશ્વસનીયતાનું ત્રણ મહિનાના અંતરાલમાં બે વાર મૂલ્યાંકન કરવામાં આવ્યું હતું.
પ્રશિક્ષણ સમૂહમાં દરેક જડબાના બીજા અને ત્રીજા દાઢના લિંગ અને વિકાસના તબક્કાનો અંદાજ અલગ-અલગ DM મોડલ્સ સાથે પ્રશિક્ષિત પ્રાથમિક નિરીક્ષક દ્વારા કરવામાં આવ્યો હતો, અને વાસ્તવિક ઉંમર લક્ષ્ય મૂલ્ય તરીકે સેટ કરવામાં આવી હતી.SLP અને MLP મોડલ, જેનો વ્યાપકપણે મશીન લર્નિંગમાં ઉપયોગ થાય છે, રીગ્રેશન અલ્ગોરિધમ્સ સામે પરીક્ષણ કરવામાં આવ્યું હતું.ડીએમ મોડેલ ચાર દાંતના વિકાસના તબક્કાઓનો ઉપયોગ કરીને રેખીય કાર્યોને જોડે છે અને આ ડેટાને વયનો અંદાજ કાઢવા માટે જોડે છે.SLP એ સૌથી સરળ ન્યુરલ નેટવર્ક છે અને તેમાં છુપાયેલા સ્તરો નથી.SLP નોડ્સ વચ્ચે થ્રેશોલ્ડ ટ્રાન્સમિશન પર આધારિત કામ કરે છે.રીગ્રેશનમાંનું SLP મોડલ ગાણિતિક રીતે બહુવિધ રેખીય રીગ્રેશન જેવું જ છે.SLP મોડલથી વિપરીત, MLP મોડલમાં બિનરેખીય સક્રિયકરણ કાર્યો સાથે બહુવિધ છુપાયેલા સ્તરો છે.અમારા પ્રયોગોએ બિનરેખીય સક્રિયકરણ કાર્યો સાથે માત્ર 20 છુપાયેલા ગાંઠો સાથે છુપાયેલા સ્તરનો ઉપયોગ કર્યો.અમારા મશીન લર્નિંગ મૉડલને તાલીમ આપવા માટે ઑપ્ટિમાઇઝેશન પદ્ધતિ તરીકે ગ્રેડિયન્ટ ડિસેન્ટનો ઉપયોગ કરો અને નુકશાન કાર્ય તરીકે MAE અને RMSE નો ઉપયોગ કરો.શ્રેષ્ઠ મેળવેલ રીગ્રેસન મોડલ આંતરિક અને બાહ્ય પરીક્ષણ સેટ પર લાગુ કરવામાં આવ્યું હતું અને દાંતની ઉંમર અંદાજવામાં આવી હતી.
એક વર્ગીકરણ અલ્ગોરિધમ વિકસાવવામાં આવ્યું હતું જે તાલીમ સેટ પર ચાર દાંતની પરિપક્વતાનો ઉપયોગ કરીને આગાહી કરે છે કે નમૂના 18 વર્ષનો છે કે નહીં.મોડેલ બનાવવા માટે, અમે સાત પ્રતિનિધિત્વ મશીન લર્નિંગ અલ્ગોરિધમ્સ 6,43 મેળવ્યા: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost અને (7) MLP .LR એ સૌથી વધુ ઉપયોગમાં લેવાતા વર્ગીકરણ અલ્ગોરિધમ્સમાંનું એક છે44.તે એક નિરીક્ષિત લર્નિંગ અલ્ગોરિધમ છે જે 0 થી 1 સુધીની ચોક્કસ કેટેગરીના ડેટાની સંભાવનાની આગાહી કરવા માટે રીગ્રેસનનો ઉપયોગ કરે છે અને આ સંભાવનાના આધારે વધુ સંભવિત શ્રેણીના ડેટાને વર્ગીકૃત કરે છે;મુખ્યત્વે દ્વિસંગી વર્ગીકરણ માટે વપરાય છે.KNN એ સૌથી સરળ મશીન લર્નિંગ અલ્ગોરિધમ્સમાંનું એક છે45.જ્યારે નવો ઇનપુટ ડેટા આપવામાં આવે છે, ત્યારે તે હાલના સેટની નજીક k ડેટા શોધે છે અને પછી તેને ઉચ્ચતમ આવર્તન સાથે વર્ગમાં વર્ગીકૃત કરે છે.અમે પડોશીઓની સંખ્યા માટે 3 સેટ કરીએ છીએ (કે).SVM એ એક અલ્ગોરિધમ છે જે ફીલ્ડ 46 તરીકે ઓળખાતી બિન-રેખીય જગ્યામાં લીનિયર સ્પેસને વિસ્તૃત કરવા માટે કર્નલ ફંક્શનનો ઉપયોગ કરીને બે વર્ગો વચ્ચેનું અંતર મહત્તમ કરે છે.આ મોડેલ માટે, અમે બહુપદી કર્નલ માટે હાઇપરપેરામીટર તરીકે પૂર્વગ્રહ = 1, પાવર = 1, અને ગામા = 1 નો ઉપયોગ કરીએ છીએ.વૃક્ષની રચનામાં નિર્ણયના નિયમોનું પ્રતિનિધિત્વ કરીને સમગ્ર ડેટા સેટને કેટલાક પેટાજૂથોમાં વિભાજીત કરવા માટે અલ્ગોરિધમ તરીકે DT વિવિધ ક્ષેત્રોમાં લાગુ કરવામાં આવ્યું છે.મૉડલ 2 ના નોડ દીઠ ન્યૂનતમ સંખ્યામાં રેકોર્ડ્સ સાથે ગોઠવેલું છે અને ગુણવત્તાના માપદંડ તરીકે Gini ઇન્ડેક્સનો ઉપયોગ કરે છે.RF એ એક એન્સેમ્બલ પદ્ધતિ છે જે બુટસ્ટ્રેપ એકત્રીકરણ પદ્ધતિનો ઉપયોગ કરીને પ્રદર્શનને સુધારવા માટે બહુવિધ DTs ને જોડે છે જે મૂળ ડેટાસેટ48 માંથી રેન્ડમલી સમાન કદના નમૂનાઓ ઘણી વખત દોરીને દરેક નમૂના માટે નબળા વર્ગીકૃત બનાવે છે.અમે નોડ અલગ કરવાના માપદંડ તરીકે 100 વૃક્ષો, 10 ઝાડની ઊંડાઈ, 1 ન્યુનત્તમ નોડનું કદ અને ગિની મિશ્રણ ઇન્ડેક્સનો ઉપયોગ કર્યો છે.નવા ડેટાનું વર્ગીકરણ બહુમતી મત દ્વારા નક્કી કરવામાં આવે છે.XGBoost એ એક એલ્ગોરિધમ છે જે એક પદ્ધતિનો ઉપયોગ કરીને બુસ્ટિંગ તકનીકોને જોડે છે જે અગાઉના મોડેલના વાસ્તવિક અને અનુમાનિત મૂલ્યો વચ્ચેની ભૂલને તાલીમ ડેટા તરીકે લે છે અને ગ્રેડિએન્ટ્સ49 નો ઉપયોગ કરીને ભૂલને વધારે છે.તે તેની સારી કામગીરી અને સંસાધન કાર્યક્ષમતા તેમજ ઓવરફિટિંગ કરેક્શન કાર્ય તરીકે ઉચ્ચ વિશ્વસનીયતાને કારણે વ્યાપકપણે ઉપયોગમાં લેવાતું અલ્ગોરિધમ છે.મોડલ 400 સપોર્ટ વ્હીલ્સથી સજ્જ છે.MLP એ ન્યુરલ નેટવર્ક છે જેમાં એક અથવા વધુ પરસેપ્ટરોન ઇનપુટ અને આઉટપુટ સ્તરો વચ્ચે એક અથવા વધુ છુપાયેલા સ્તરો સાથે બહુવિધ સ્તરો બનાવે છે.આનો ઉપયોગ કરીને, તમે બિન-રેખીય વર્ગીકરણ કરી શકો છો જ્યાં તમે ઇનપુટ લેયર ઉમેરો છો અને પરિણામ મૂલ્ય મેળવો છો, ત્યારે અનુમાનિત પરિણામ મૂલ્યની વાસ્તવિક પરિણામ મૂલ્ય સાથે સરખામણી કરવામાં આવે છે અને ભૂલનો પ્રચાર કરવામાં આવે છે.અમે દરેક સ્તરમાં 20 છુપાયેલા ન્યુરોન્સ સાથે એક છુપાયેલ સ્તર બનાવ્યું છે.સંવેદનશીલતા, વિશિષ્ટતા, PPV, NPV અને AUROC ની ગણતરી કરીને વર્ગીકરણ પ્રદર્શનને ચકાસવા માટે અમે વિકસાવેલ દરેક મોડેલ આંતરિક અને બાહ્ય સેટ પર લાગુ કરવામાં આવ્યું હતું.સંવેદનશીલતાને 18 વર્ષ કે તેથી વધુ ઉંમરના અંદાજિત નમૂના અને 18 વર્ષ કે તેથી વધુ ઉંમરના અંદાજિત નમૂનાના ગુણોત્તર તરીકે વ્યાખ્યાયિત કરવામાં આવે છે.વિશિષ્ટતા એ 18 વર્ષથી ઓછી ઉંમરના અને 18 વર્ષથી ઓછી ઉંમરના અંદાજિત નમૂનાઓનું પ્રમાણ છે.
તાલીમ સમૂહમાં મૂલ્યાંકન કરાયેલ દાંતના તબક્કાઓને આંકડાકીય વિશ્લેષણ માટે સંખ્યાત્મક તબક્કામાં રૂપાંતરિત કરવામાં આવ્યા હતા.મલ્ટિવેરિયેટ રેખીય અને લોજિસ્ટિક રીગ્રેશન દરેક લિંગ માટે અનુમાનિત મોડલ વિકસાવવા અને રીગ્રેશન ફોર્મ્યુલા મેળવવા માટે કરવામાં આવ્યા હતા જેનો ઉપયોગ વયનો અંદાજ કાઢવા માટે થઈ શકે છે.અમે આંતરિક અને બાહ્ય પરીક્ષણ સેટ બંને માટે દાંતની ઉંમરનો અંદાજ કાઢવા માટે આ સૂત્રોનો ઉપયોગ કર્યો છે.કોષ્ટક 4 આ અભ્યાસમાં વપરાતા રીગ્રેસન અને વર્ગીકરણ મોડેલો દર્શાવે છે.
કોહેનના કપ્પા આંકડાનો ઉપયોગ કરીને ઇન્ટ્રા- અને ઇન્ટરઓબ્ઝર્વરની વિશ્વસનીયતાની ગણતરી કરવામાં આવી હતી.DM અને પરંપરાગત રીગ્રેશન મોડલ્સની ચોકસાઈ ચકાસવા માટે, અમે આંતરિક અને બાહ્ય પરીક્ષણ સમૂહોની અંદાજિત અને વાસ્તવિક વયનો ઉપયોગ કરીને MAE અને RMSE ની ગણતરી કરી.આ ભૂલોનો ઉપયોગ સામાન્ય રીતે મોડલ અનુમાનોની ચોકસાઈનું મૂલ્યાંકન કરવા માટે થાય છે.ભૂલ જેટલી નાની છે, તેટલી વધુ આગાહીની ચોકસાઈ 24.DM અને પરંપરાગત રીગ્રેશનનો ઉપયોગ કરીને ગણતરી કરેલ આંતરિક અને બાહ્ય પરીક્ષણ સેટના MAE અને RMSE ની તુલના કરો.પરંપરાગત આંકડાઓમાં 18-વર્ષના કટઓફના વર્ગીકરણની કામગીરીનું મૂલ્યાંકન 2 × 2 આકસ્મિક કોષ્ટકનો ઉપયોગ કરીને કરવામાં આવ્યું હતું.ટેસ્ટ સેટની ગણતરી કરેલ સંવેદનશીલતા, વિશિષ્ટતા, PPV, NPV અને AUROC ની તુલના DM વર્ગીકરણ મોડેલના માપેલ મૂલ્યો સાથે કરવામાં આવી હતી.ડેટા લાક્ષણિકતાઓના આધારે સરેરાશ ± પ્રમાણભૂત વિચલન અથવા સંખ્યા (%) તરીકે દર્શાવવામાં આવે છે.બે બાજુવાળા P મૂલ્યો <0.05 ને આંકડાકીય રીતે નોંધપાત્ર ગણવામાં આવ્યા હતા.SAS સંસ્કરણ 9.4 (SAS Institute, Cary, NC) નો ઉપયોગ કરીને તમામ નિયમિત આંકડાકીય વિશ્લેષણ કરવામાં આવ્યા હતા.ખાસ કરીને ગાણિતિક કામગીરી માટે Keras50 2.2.4 બેકએન્ડ અને Tensorflow51 1.8.0 નો ઉપયોગ કરીને DM રીગ્રેશન મોડલ પાયથોનમાં લાગુ કરવામાં આવ્યું હતું.DM વર્ગીકરણ મોડલને વાઇકાટો નોલેજ એનાલિસિસ એન્વાયર્નમેન્ટ અને કોન્સ્ટાન્ઝ ઇન્ફોર્મેશન માઇનર (KNIME) 4.6.152 વિશ્લેષણ પ્લેટફોર્મમાં લાગુ કરવામાં આવ્યું હતું.
લેખકો સ્વીકારે છે કે અભ્યાસના નિષ્કર્ષને સમર્થન આપતો ડેટા લેખ અને પૂરક સામગ્રીમાં મળી શકે છે.અભ્યાસ દરમિયાન જનરેટ કરાયેલ અને/અથવા વિશ્લેષણ કરાયેલ ડેટાસેટ્સ સંબંધિત લેખક પાસેથી વાજબી વિનંતી પર ઉપલબ્ધ છે.
Ritz-Timme, S. et al.ઉંમર મૂલ્યાંકન: ફોરેન્સિક પ્રેક્ટિસની ચોક્કસ જરૂરિયાતોને પૂર્ણ કરવા માટે કલાની સ્થિતિ.આંતરરાષ્ટ્રીયતાJ. કાનૂની દવા.113, 129–136 (2000).
શ્મેલિંગ, એ., રીસિંગર, ડબલ્યુ., ગેસેરિક, જી. અને ઓલ્ઝે, એ. ફોજદારી કાર્યવાહીના હેતુઓ માટે જીવંત વિષયોની ફોરેન્સિક વય આકારણીની વર્તમાન સ્થિતિ.ફોરેન્સિક્સ.દવા.પેથોલોજી.1, 239–246 (2005).
પાન, જે. એટ અલ.પૂર્વી ચીનમાં 5 થી 16 વર્ષની વયના બાળકોની દાંતની ઉંમરનું મૂલ્યાંકન કરવા માટેની સંશોધિત પદ્ધતિ.ક્લિનિકલમૌખિક સર્વેક્ષણ.25, 3463–3474 (2021).
લી, એસએસ વગેરે. કોરિયનમાં બીજા અને ત્રીજા દાઢના વિકાસની ઘટનાક્રમ અને ફોરેન્સિક વય મૂલ્યાંકન માટે તેની અરજી.આંતરરાષ્ટ્રીયતાJ. કાનૂની દવા.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY અને Lee, SS કોરિયન અને જાપાનીઝમાં બીજા અને ત્રીજા દાઢની પરિપક્વતાના આધારે વય અંદાજ અને 18-વર્ષના થ્રેશોલ્ડના અંદાજની ચોકસાઈ.PLOS ONE 17, e0271247 (2022).
કિમ, જેવાય, એટ અલ.પ્રિઓપરેટિવ મશીન લર્નિંગ-આધારિત ડેટા વિશ્લેષણ OSA ધરાવતા દર્દીઓમાં સ્લીપ સર્જરી સારવારના પરિણામની આગાહી કરી શકે છે.વિજ્ઞાનરિપોર્ટ 11, 14911 (2021).
હાન, એમ. એટ અલ.માનવ હસ્તક્ષેપ સાથે અથવા તેના વગર મશીન લર્નિંગથી ચોક્કસ વય અંદાજ?આંતરરાષ્ટ્રીયતાJ. કાનૂની દવા.136, 821–831 (2022).
ખાન, એસ. અને શાહીન, એમ. ડેટા માઇનિંગથી ડેટા માઇનિંગ સુધી.જે.માહિતી.વિજ્ઞાનhttps://doi.org/10.1177/01655515211030872 (2021).
ખાન, એસ. અને શાહીન, એમ. વિસ્રૂલઃ ધ ફર્સ્ટ કોગ્નિટિવ એલ્ગોરિધમ ફોર એસોસિએશન રૂલ માઇનિંગ.જે.માહિતી.વિજ્ઞાનhttps://doi.org/10.1177/01655515221108695 (2022).
શાહીન એમ. અને અબ્દુલ્લા યુ. કર્મ: સંદર્ભ-આધારિત એસોસિએશન નિયમો પર આધારિત પરંપરાગત ડેટા માઇનિંગ.ગણત્રી.મેટ.ચાલુ રાખો68, 3305–3322 (2021).
મુહમ્મદ એમ., રહેમાન ઝેડ., શાહીન એમ., ખાન એમ. અને હબીબ એમ. ટેક્સ્ટ ડેટાનો ઉપયોગ કરીને ડીપ લર્નિંગ આધારિત સિમેન્ટીક સમાનતા શોધ.જાણ કરો.ટેકનોલોજીનિયંત્રણhttps://doi.org/10.5755/j01.itc.49.4.27118 (2020).
તાબીશ, એમ., તનોલી, ઝેડ. અને શાહીન, એમ. રમતગમતના વીડિયોમાં પ્રવૃત્તિને ઓળખવા માટેની સિસ્ટમ.મલ્ટીમીડિયાટૂલ્સ એપ્લિકેશન્સ https://doi.org/10.1007/s11042-021-10519-6 (2021).
હલાબી, એસએસ એટ અલ.પીડિયાટ્રિક બોન એજમાં આરએસએનએ મશીન લર્નિંગ ચેલેન્જ.રેડિયોલોજી 290, 498–503 (2019).
લી, વાય. એટ અલ.ડીપ લર્નિંગનો ઉપયોગ કરીને પેલ્વિક એક્સ-રેમાંથી ફોરેન્સિક વયનો અંદાજ.યુરો.રેડિયેશન29, 2322–2329 (2019).
ગુઓ, વાયસી, એટ અલ.ઓર્થોગ્રાફિક પ્રોજેક્શન ઈમેજીસમાંથી મેન્યુઅલ પદ્ધતિઓ અને ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને ચોક્કસ વય વર્ગીકરણ.આંતરરાષ્ટ્રીયતાJ. કાનૂની દવા.135, 1589–1597 (2021).
અલાબામા ડાલોરા એટ અલ.વિવિધ મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરીને અસ્થિ વયનો અંદાજ: એક વ્યવસ્થિત સાહિત્ય સમીક્ષા અને મેટા-વિશ્લેષણ.PLOS ONE 14, e0220242 (2019).
ડુ, એચ., લી, જી., ચેંગ, કે., અને યાંગ, જે. કોન-બીમ કોમ્પ્યુટેડ ટોમોગ્રાફીનો ઉપયોગ કરીને પ્રથમ દાળના પલ્પ ચેમ્બર વોલ્યુમના આધારે આફ્રિકન અમેરિકનો અને ચાઇનીઝની વસ્તી-વિશિષ્ટ વય અંદાજ.આંતરરાષ્ટ્રીયતાJ. કાનૂની દવા.136, 811–819 (2022).
કિમ એસ., લી વાયએચ, નોહ વાયકે, પાર્ક એફકે અને ઓહ કેએસ પ્રથમ દાળની કૃત્રિમ બુદ્ધિ-આધારિત છબીઓનો ઉપયોગ કરીને જીવંત લોકોના વય જૂથો નક્કી કરે છે.વિજ્ઞાનરિપોર્ટ 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., અને Urschler, M. મલ્ટિવેરિયેટ MRI ડેટામાંથી સ્વચાલિત વય અંદાજ અને બહુમતી વય વર્ગીકરણ.IEEE J. બાયોમેડ.આરોગ્ય ચેતવણીઓ.23, 1392–1403 (2019).
ચેંગ, ક્યુ., જીઈ, ઝેડ., ડુ, એચ. અને લી, જી. ડીપ લર્નિંગ અને લેવલ સેટને એકીકૃત કરીને કોન બીમ કોમ્પ્યુટેડ ટોમોગ્રાફીમાંથી પ્રથમ દાળના 3D પલ્પ ચેમ્બર સેગ્મેન્ટેશન પર આધારિત ઉંમરનો અંદાજ.આંતરરાષ્ટ્રીયતાJ. કાનૂની દવા.135, 365–373 (2021).
Wu, WT, et al.ક્લિનિકલ બિગ ડેટામાં ડેટા માઇનિંગ: સામાન્ય ડેટાબેસેસ, સ્ટેપ્સ અને મેથડ મોડલ્સ.દુનિયા.દવા.સંસાધન8, 44 (2021).
યાંગ, જે. એટ અલ.બિગ ડેટા યુગમાં મેડિકલ ડેટાબેસેસ અને ડેટા માઇનિંગ ટેક્નોલોજીનો પરિચય.જે. ઉત્સુક.મૂળભૂત દવા.13, 57–69 (2020).
શેન, એસ. એટ અલ.મશીન લર્નિંગનો ઉપયોગ કરીને દાંતની ઉંમરનો અંદાજ કાઢવા માટે કેમેરારની પદ્ધતિ.BMC ઓરલ હેલ્થ 21, 641 (2021).
ગેલિબર્ગ એ. એટ અલ.ડેમિર્ડજિયન સ્ટેજીંગ પદ્ધતિનો ઉપયોગ કરીને દાંતની વયની આગાહી કરવા માટે વિવિધ મશીન શિક્ષણ પદ્ધતિઓની સરખામણી.આંતરરાષ્ટ્રીયતાJ. કાનૂની દવા.135, 665–675 (2021).
ડેમિર્ડજિયન, એ., ગોલ્ડસ્ટેઇન, એચ. અને ટેનર, જેએમ ડેન્ટલ એજનું મૂલ્યાંકન કરવાની નવી સિસ્ટમ.નસકોરાબાયોલોજી.45, 211–227 (1973).
લેન્ડિસ, જેઆર, અને કોચ, સ્પષ્ટ ડેટા પર નિરીક્ષક કરારના GG માપદંડ.બાયોમેટ્રિક્સ 33, 159–174 (1977).
ભટ્ટાચારજી એસ, પ્રકાશ ડી, કિમ સી, કિમ એચકે અને ચોઈ એચ.કે.પ્રાથમિક મગજની ગાંઠોના તફાવત માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ તકનીકોનો ઉપયોગ કરીને દ્વિ-પરિમાણીય ચુંબકીય રેઝોનન્સ ઇમેજિંગનું ટેક્સ્ચરલ, મોર્ફોલોજિકલ અને આંકડાકીય વિશ્લેષણ.આરોગ્ય માહિતી.સંસાધનhttps://doi.org/10.4258/hir.2022.28.1.46 (2022).