કોરિયન કિશોરો અને યુવાન પુખ્ત વયના લોકોમાં પરંપરાગત દંત યુગના અંદાજ પદ્ધતિઓ સામે ડેટા માઇનિંગ મોડેલનું માન્યતા

નેચર ડોટ કોમની મુલાકાત લેવા બદલ આભાર. તમે ઉપયોગ કરી રહ્યાં છો તે બ્રાઉઝરના સંસ્કરણમાં મર્યાદિત સીએસએસ સપોર્ટ છે. શ્રેષ્ઠ પરિણામો માટે, અમે તમારા બ્રાઉઝરના નવા સંસ્કરણનો ઉપયોગ કરવાની ભલામણ કરીએ છીએ (અથવા ઇન્ટરનેટ એક્સપ્લોરરમાં સુસંગતતા મોડને બંધ કરો). તે દરમિયાન, ચાલુ સપોર્ટની ખાતરી કરવા માટે, અમે સ્ટાઇલ અથવા જાવાસ્ક્રિપ્ટ વિના સાઇટ બતાવી રહ્યા છીએ.
દાંતને માનવ શરીરની ઉંમાનું સૌથી સચોટ સૂચક માનવામાં આવે છે અને ઘણીવાર ફોરેન્સિક વય આકારણીમાં વપરાય છે. અમે પરંપરાગત પદ્ધતિઓ અને ડેટા માઇનીંગ-આધારિત વયના અંદાજો સાથે 18-વર્ષના થ્રેશોલ્ડની અંદાજ ચોકસાઈ અને વર્ગીકરણ પ્રદર્શનની તુલના કરીને ડેટા માઇનીંગ-આધારિત ડેન્ટલ વયના અંદાજોને માન્ય કરવાનો હેતુ રાખ્યો છે. કોરિયન અને 15 થી 23 વર્ષની વયના જાપાની નાગરિકો પાસેથી કુલ 2657 પેનોરેમિક રેડિયોગ્રાફ્સ એકત્રિત કરવામાં આવ્યા હતા. તેઓને તાલીમ સમૂહમાં વહેંચવામાં આવ્યા હતા, જેમાં પ્રત્યેક 900 કોરિયન રેડિયોગ્રાફ્સ હતા, અને 857 જાપાની રેડિયોગ્રાફ્સ ધરાવતા આંતરિક પરીક્ષણ સેટ. અમે વર્ગીકરણની ચોકસાઈ અને પરંપરાગત પદ્ધતિઓની કાર્યક્ષમતાની તુલના ડેટા માઇનિંગ મોડેલોના પરીક્ષણ સેટ સાથે કરી. આંતરિક પરીક્ષણ સમૂહ પર પરંપરાગત પદ્ધતિની ચોકસાઈ ડેટા માઇનીંગ મોડેલ કરતા થોડી વધારે છે, અને તફાવત નાનો છે (સરેરાશ ભૂલ <0.21 વર્ષ, રુટ એટલે ચોરસ ભૂલ <0.24 વર્ષ). 18 વર્ષના કટ off ફ માટેનું વર્ગીકરણ પ્રદર્શન પરંપરાગત પદ્ધતિઓ અને ડેટા માઇનિંગ મોડેલો વચ્ચે પણ સમાન છે. આમ, કોરિયન કિશોરો અને યુવાન પુખ્ત વયના લોકોમાં બીજા અને ત્રીજા દા ola ની પરિપક્વતાનો ઉપયોગ કરીને ફોરેન્સિક વય આકારણી કરતી વખતે પરંપરાગત પદ્ધતિઓ ડેટા માઇનિંગ મોડેલો દ્વારા બદલી શકાય છે.
ડેન્ટલ એજનો અંદાજ ફોરેન્સિક દવા અને બાળ ચિકિત્સા દંત ચિકિત્સામાં વ્યાપકપણે ઉપયોગમાં લેવાય છે. ખાસ કરીને, કાલક્રમિક વય અને દંત વિકાસ વચ્ચેના corre ંચા સહસંબંધને કારણે, દંત વિકાસના તબક્કાઓ દ્વારા વય આકારણી એ બાળકો અને કિશોરોની ઉંમર 1,2,3 ની આકારણી માટે એક મહત્વપૂર્ણ માપદંડ છે. જો કે, યુવાનો માટે, ડેન્ટલ પરિપક્વતાના આધારે દંત યુગનો અંદાજ તેની મર્યાદાઓ છે કારણ કે ત્રીજી દા ola ના અપવાદ સિવાય દંત વૃદ્ધિ લગભગ પૂર્ણ થાય છે. યુવાન લોકો અને કિશોરોની ઉંમર નક્કી કરવાનો કાનૂની હેતુ એ છે કે તેઓ બહુમતીની ઉંમરે પહોંચ્યા છે કે કેમ તે અંગેના સચોટ અંદાજો અને વૈજ્ .ાનિક પુરાવા પ્રદાન કરવા. કોરિયામાં કિશોરો અને યુવાન પુખ્ત વયના લોકોની મેડિકો-કાનૂની પ્રથામાં, લીની પદ્ધતિનો ઉપયોગ કરીને વયનો અંદાજ લગાવવામાં આવ્યો હતો, અને ઓહ એટ અલ 5 દ્વારા નોંધાયેલા ડેટાના આધારે 18 વર્ષની કાનૂની થ્રેશોલ્ડની આગાહી કરવામાં આવી હતી.
મશીન લર્નિંગ એ એક પ્રકારનું કૃત્રિમ બુદ્ધિ (એઆઈ) છે જે વારંવાર ડેટાના મોટા પ્રમાણમાં શીખે છે અને વર્ગીકૃત કરે છે, સમસ્યાઓ તેના પોતાના પર હલ કરે છે અને ડેટા પ્રોગ્રામિંગ ચલાવે છે. મશીન લર્નિંગ ડેટા 6 ના મોટા પ્રમાણમાં ઉપયોગી છુપાયેલા દાખલા શોધી શકે છે. તેનાથી વિપરિત, શાસ્ત્રીય પદ્ધતિઓ, જે મજૂર-સઘન અને સમય માંગી લેતી હોય છે, જ્યારે જટિલ ડેટાના મોટા પ્રમાણમાં વ્યવહાર કરતી વખતે જાતે પ્રક્રિયા કરવી મુશ્કેલ હોય ત્યારે મર્યાદાઓ હોઈ શકે છે. તેથી, માનવ ભૂલોને ઘટાડવા અને મલ્ટિ -ડાયમેન્શનલ ડેટા 8,9,10,11,12 પર અસરકારક રીતે પ્રક્રિયા કરવા માટે નવીનતમ કમ્પ્યુટર તકનીકોનો ઉપયોગ કરીને તાજેતરમાં ઘણા અભ્યાસ હાથ ધરવામાં આવ્યા છે. ખાસ કરીને, તબીબી છબી વિશ્લેષણમાં deep ંડા શિક્ષણનો વ્યાપકપણે ઉપયોગ કરવામાં આવ્યો છે, અને વયના અંદાજ માટેની વિવિધ પદ્ધતિઓ આપમેળે રેડિયોગ્રાફ્સનું વિશ્લેષણ કરીને વય અંદાજની ચોકસાઈ અને કાર્યક્ષમતામાં સુધારો કરવા માટે જાણ કરવામાં આવી છે 13,14,14,16,17,18,19,20 . ઉદાહરણ તરીકે, હલાબી એટ અલ 13 એ બાળકોના હાથના રેડિયોગ્રાફ્સનો ઉપયોગ કરીને હાડપિંજરની ઉંમરનો અંદાજ કા con વા માટે કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (સીએનએન) ના આધારે મશીન લર્નિંગ એલ્ગોરિધમનો વિકાસ કર્યો. આ અભ્યાસ એક મોડેલની દરખાસ્ત કરે છે જે તબીબી છબીઓને મશીન લર્નિંગ લાગુ કરે છે અને બતાવે છે કે આ પદ્ધતિઓ ડાયગ્નોસ્ટિક ચોકસાઈમાં સુધારો કરી શકે છે. લી એટ અલ 14 એ પેલ્વિક એક્સ-રે છબીઓથી deep ંડા લર્નિંગ સીએનએનનો ઉપયોગ કરીને અને ઓસિફિકેશન સ્ટેજ અંદાજનો ઉપયોગ કરીને રીગ્રેસન પરિણામો સાથે તેમની તુલના કરી. તેઓએ શોધી કા .્યું કે ડીપ લર્નિંગ સીએનએન મ model ડેલે પરંપરાગત રીગ્રેસન મોડેલની જેમ જ વયના અંદાજનું પ્રદર્શન બતાવ્યું. ગુઓ એટ અલના અધ્યયન [૧]] એ ડેન્ટલ ઓર્થોફોટોઝના આધારે સીએનએન ટેકનોલોજીના વય સહિષ્ણુતા વર્ગીકરણ પ્રદર્શનનું મૂલ્યાંકન કર્યું, અને સીએનએન મોડેલના પરિણામોએ સાબિત કર્યું કે માણસોએ તેની વય વર્ગીકરણ પ્રદર્શનને આગળ વધાર્યું.
મશીન લર્નિંગનો ઉપયોગ કરીને વયના અંદાજ પરના મોટાભાગના અભ્યાસ deep ંડા શિક્ષણ પદ્ધતિઓનો ઉપયોગ કરે છે 13,14,15,16,17,18,19,20. Deep ંડા શિક્ષણ પર આધારિત વય અંદાજ પરંપરાગત પદ્ધતિઓ કરતાં વધુ સચોટ હોવાનું જાણવા મળે છે. જો કે, આ અભિગમ વયના અંદાજો માટે વૈજ્ .ાનિક આધાર રજૂ કરવાની થોડી તક પૂરી પાડે છે, જેમ કે અંદાજમાં ઉપયોગમાં લેવામાં આવતી વય સૂચકાંકો. કોણ નિરીક્ષણો કરે છે તેના પર કાનૂની વિવાદ પણ છે. તેથી, deep ંડા શિક્ષણ પર આધારિત વય અંદાજ વહીવટી અને ન્યાયિક અધિકારીઓ દ્વારા સ્વીકારવાનું મુશ્કેલ છે. ડેટા માઇનીંગ (ડીએમ) એ એક તકનીક છે જે મોટી માત્રામાં ડેટા 6,21,22 વચ્ચે ઉપયોગી સહસંબંધ શોધવાની પદ્ધતિ તરીકે માત્ર અપેક્ષિત જ નહીં, પણ અણધારી માહિતી શોધી શકે છે. મશીન લર્નિંગનો ઉપયોગ ઘણીવાર ડેટા માઇનિંગમાં થાય છે, અને ડેટા માઇનીંગ અને મશીન લર્નિંગ બંને ડેટામાં પેટર્ન શોધવા માટે સમાન કી એલ્ગોરિધમ્સનો ઉપયોગ કરે છે. ડેન્ટલ ડેવલપમેન્ટનો ઉપયોગ કરીને વય અંદાજ એ લક્ષ્ય દાંતની પરિપક્વતાના પરીક્ષકના આકારણી પર આધારિત છે, અને આ આકારણી દરેક લક્ષ્ય દાંત માટે એક મંચ તરીકે દર્શાવવામાં આવે છે. ડીએમનો ઉપયોગ ડેન્ટલ એસેસમેન્ટ સ્ટેજ અને વાસ્તવિક વય વચ્ચેના સંબંધનું વિશ્લેષણ કરવા માટે થઈ શકે છે અને પરંપરાગત આંકડાકીય વિશ્લેષણને બદલવાની સંભાવના છે. તેથી, જો આપણે વયના અંદાજ પર ડીએમ તકનીકો લાગુ કરીએ, તો આપણે કાનૂની જવાબદારીની ચિંતા કર્યા વિના ફોરેન્સિક વયના અંદાજમાં મશીન લર્નિંગનો અમલ કરી શકીએ છીએ. ફોરેન્સિક પ્રેક્ટિસમાં ઉપયોગમાં લેવામાં આવતી પરંપરાગત મેન્યુઅલ પદ્ધતિઓ અને દંત યુગ નક્કી કરવા માટે ઇબીએમ-આધારિત પદ્ધતિઓ માટે સંભવિત વિકલ્પો પર કેટલાક તુલનાત્મક અભ્યાસ પ્રકાશિત કરવામાં આવ્યા છે. શેન એટ અલ 23 એ બતાવ્યું કે ડીએમ મોડેલ પરંપરાગત કેમેરર ફોર્મ્યુલા કરતા વધુ સચોટ છે. ગેલિબર્ગ એટ અલ 24 એ ડેમર્ડજિયન માપદંડ 25 અનુસાર વયની આગાહી કરવા માટે વિવિધ ડીએમ પદ્ધતિઓ લાગુ કરી હતી અને પરિણામો દર્શાવે છે કે ડીએમ પદ્ધતિએ ફ્રેન્ચ વસ્તીની ઉંમરનો અંદાજ લગાવવા માટે ડિમર્ડજિયન અને વિલેમ્સ પદ્ધતિઓને પાછળ છોડી દીધી હતી.
કોરિયન કિશોરો અને યુવાન પુખ્ત વયના દંત યુગનો અંદાજ કા to વા માટે, લીની પદ્ધતિ 4 નો ઉપયોગ કોરિયન ફોરેન્સિક પ્રેક્ટિસમાં થાય છે. કોરિયન વિષયો અને કાલક્રમિક યુગ વચ્ચેના સંબંધની તપાસ કરવા માટે આ પદ્ધતિ પરંપરાગત આંકડાકીય વિશ્લેષણ (જેમ કે બહુવિધ રીગ્રેસન) નો ઉપયોગ કરે છે. આ અધ્યયનમાં, પરંપરાગત આંકડાકીય પદ્ધતિઓનો ઉપયોગ કરીને પ્રાપ્ત વય અંદાજ પદ્ધતિઓ "પરંપરાગત પદ્ધતિઓ" તરીકે વ્યાખ્યાયિત કરવામાં આવે છે. લીની પદ્ધતિ એ પરંપરાગત પદ્ધતિ છે, અને તેની ચોકસાઈની પુષ્ટિ ઓહ એટ અલ દ્વારા કરવામાં આવી છે. 5; જો કે, કોરિયન ફોરેન્સિક પ્રેક્ટિસમાં ડીએમ મોડેલના આધારે વય અંદાજની લાગુ પડતી હજી પણ પ્રશ્નાર્થ છે. અમારું લક્ષ્ય ડીએમ મોડેલના આધારે વય અંદાજની સંભવિત ઉપયોગિતાને વૈજ્ .ાનિક રૂપે માન્ય કરવાનું હતું. આ અધ્યયનનો હેતુ (1) દંત યુગના અંદાજમાં બે ડીએમ મોડેલોની ચોકસાઈની તુલના કરવાનો હતો અને (2) 18 વર્ષની ઉંમરે 7 ડીએમ મોડેલોના વર્ગીકરણ પ્રદર્શનની તુલના કરવા માટે, પરંપરાગત આંકડાકીય પદ્ધતિઓનો બીજો પરિપક્વતાનો ઉપયોગ કરીને મેળવેલા લોકો સાથે અને બંને જડબામાં ત્રીજા દા ola.
સ્ટેજ અને દાંતના પ્રકાર દ્વારા કાલક્રમિક યુગના અર્થ અને માનક વિચલનો પૂરક કોષ્ટક એસ 1 (તાલીમ સમૂહ), પૂરક કોષ્ટક એસ 2 (આંતરિક પરીક્ષણ સમૂહ) અને પૂરક કોષ્ટક એસ 3 (બાહ્ય પરીક્ષણ સમૂહ) માં shown નલાઇન બતાવવામાં આવ્યા છે. તાલીમ સમૂહમાંથી મેળવેલા ઇન્ટ્રા- અને ઇન્ટરબ્સર્વર વિશ્વસનીયતા માટેના કપ્પા મૂલ્યો અનુક્રમે 0.951 અને 0.947 હતા. Pappa મૂલ્યો માટે પી મૂલ્યો અને 95% આત્મવિશ્વાસ અંતરાલ supp નલાઇન પૂરક કોષ્ટક એસ 4 માં બતાવવામાં આવ્યા છે. કપ્પા મૂલ્યને લેન્ડિસ અને કોચ 26 ના માપદંડ સાથે સુસંગત, "લગભગ સંપૂર્ણ" તરીકે અર્થઘટન કરવામાં આવ્યું હતું.
જ્યારે મીન સંપૂર્ણ ભૂલ (એમએઈ) ની તુલના કરતી વખતે, પરંપરાગત પદ્ધતિ મલ્ટિલેયર પર્સેપ્ટ્રોન (એમએલપી) ના અપવાદ સિવાય, બધા જાતિઓ અને બાહ્ય પુરુષ પરીક્ષણ સમૂહ માટે ડીએમ મોડેલને સહેજ આગળ ધપાવે છે. આંતરિક એમએઇ પરીક્ષણ સમૂહ પર પરંપરાગત મોડેલ અને ડીએમ મોડેલ વચ્ચેનો તફાવત પુરુષો માટે 0.12–0.19 વર્ષ અને સ્ત્રીઓ માટે 0.17–0.21 વર્ષ હતો. બાહ્ય પરીક્ષણ બેટરી માટે, તફાવતો નાના હોય છે (પુરુષો માટે 0.001–0.05 વર્ષ અને સ્ત્રીઓ માટે 0.05–0.09 વર્ષ). વધારામાં, રુટ મીન સ્ક્વેર એરર (આરએમએસઇ) પરંપરાગત પદ્ધતિ કરતા થોડો ઓછો છે, જેમાં નાના તફાવતો (પુરુષ આંતરિક પરીક્ષણ સમૂહ માટે 0.17–0.24, 0.2–0.24, અને બાહ્ય પરીક્ષણ સમૂહ માટે 0.03–0.07, 0.04–0.08) છે. ). સ્ત્રી બાહ્ય પરીક્ષણ સમૂહના કિસ્સામાં સિવાય, એમએલપી સિંગલ લેયર પર્સેપ્ટ્રોન (એસએલપી) કરતા થોડું સારું પ્રદર્શન બતાવે છે. એમએઇ અને આરએમએસઇ માટે, બાહ્ય પરીક્ષણ સેટ બધા જાતિઓ અને મોડેલો માટેના આંતરિક પરીક્ષણ સેટ કરતા વધારે છે. બધા મે અને આરએમએસઇ કોષ્ટક 1 અને આકૃતિ 1 માં બતાવ્યા છે.
પરંપરાગત અને ડેટા માઇનિંગ રીગ્રેસન મોડેલોના મે અને આરએમએસઇ. મીન સંપૂર્ણ ભૂલ મે, રુટ મીન સ્ક્વેર એરર આરએમએસઇ, સિંગલ લેયર પર્સેપ્ટ્રોન એસએલપી, મલ્ટિલેયર પર્સેપ્ટ્રોન એમએલપી, પરંપરાગત સીએમ પદ્ધતિ.
પરંપરાગત અને ડીએમ મોડેલોના વર્ગીકરણ પ્રદર્શન (18 વર્ષના કટઓફ સાથે) સંવેદનશીલતા, વિશિષ્ટતા, સકારાત્મક આગાહી મૂલ્ય (પીપીવી), નકારાત્મક આગાહી મૂલ્ય (એનપીવી) અને રીસીવર operating પરેટિંગ લાક્ષણિકતા વળાંક હેઠળના ક્ષેત્રના સંદર્ભમાં દર્શાવવામાં આવ્યું હતું. 27 (કોષ્ટક 2, આકૃતિ 2 અને પૂરક આકૃતિ 1 online નલાઇન). આંતરિક પરીક્ષણ બેટરીની સંવેદનશીલતાની દ્રષ્ટિએ, પરંપરાગત પદ્ધતિઓ પુરુષોમાં શ્રેષ્ઠ પ્રદર્શન કરે છે અને સ્ત્રીઓમાં ખરાબ. જો કે, પરંપરાગત પદ્ધતિઓ અને એસડી વચ્ચેના વર્ગીકરણના પ્રભાવમાં તફાવત પુરુષો માટે 9.7% છે (એમએલપી) અને સ્ત્રીઓ માટે ફક્ત 2.4% (xgboost). ડીએમ મોડેલોમાં, લોજિસ્ટિક રીગ્રેસન (એલઆર) બંને જાતિમાં વધુ સંવેદનશીલતા દર્શાવે છે. આંતરિક પરીક્ષણ સમૂહની વિશિષ્ટતા વિશે, એવું જોવા મળ્યું હતું કે ચાર એસડી મોડેલો પુરુષોમાં સારું પ્રદર્શન કરે છે, જ્યારે પરંપરાગત મ model ડેલે સ્ત્રીઓમાં વધુ સારું પ્રદર્શન કર્યું હતું. પુરુષો અને માદાઓ માટેના વર્ગીકરણ પ્રદર્શનમાં તફાવત અનુક્રમે 13.3% (એમએલપી) અને 13.1% (એમએલપી) છે, જે સૂચવે છે કે મોડેલો વચ્ચેના વર્ગીકરણ પ્રદર્શનમાં તફાવત સંવેદનશીલતા કરતાં વધી ગયો છે. ડીએમ મોડેલોમાં, સપોર્ટ વેક્ટર મશીન (એસવીએમ), નિર્ણય વૃક્ષ (ડીટી) અને રેન્ડમ ફોરેસ્ટ (આરએફ) મોડેલોએ પુરુષોમાં શ્રેષ્ઠ પ્રદર્શન કર્યું હતું, જ્યારે એલઆર મોડેલ સ્ત્રીઓમાં શ્રેષ્ઠ પ્રદર્શન કરે છે. પરંપરાગત મ model ડેલ અને તમામ એસડી મ models ડેલ્સનું એયુઆરઓસી 0.925 (પુરુષોમાં કે-નજીકના પાડોશી (કેએનએન)) કરતા વધારે હતું, જે 18 વર્ષ જુના નમૂનાઓ 28 ના ભેદભાવમાં ઉત્તમ વર્ગીકરણ પ્રદર્શન દર્શાવે છે. બાહ્ય પરીક્ષણ સમૂહ માટે, આંતરિક પરીક્ષણ સમૂહની તુલનામાં સંવેદનશીલતા, વિશિષ્ટતા અને એયુઆરઓસીના સંદર્ભમાં વર્ગીકરણ પ્રદર્શનમાં ઘટાડો થયો હતો. તદુપરાંત, શ્રેષ્ઠ અને ખરાબ મોડેલોના વર્ગીકરણ પ્રદર્શન વચ્ચેની સંવેદનશીલતા અને વિશિષ્ટતામાં તફાવત 10% થી 25% સુધીનો છે અને આંતરિક પરીક્ષણ સમૂહમાં તફાવત કરતા મોટો હતો.
18 વર્ષના કટઓફ સાથે પરંપરાગત પદ્ધતિઓની તુલનામાં ડેટા માઇનિંગ વર્ગીકરણ મોડેલોની સંવેદનશીલતા અને વિશિષ્ટતા. કેએનએન કે નજીકના પાડોશી, એસવીએમ સપોર્ટ વેક્ટર મશીન, એલઆર લોજિસ્ટિક રીગ્રેસન, ડીટી ડિસીઝન ટ્રી, આરએફ રેન્ડમ ફોરેસ્ટ, એક્સજીબી એક્સજીબૂસ્ટ, એમએલપી મલ્ટિલેયર પર્સેપ્ટ્રોન, પરંપરાગત સીએમ પદ્ધતિ.
આ અધ્યયનમાં પ્રથમ પગલું પરંપરાગત રીગ્રેસનનો ઉપયોગ કરીને મેળવેલા સાત ડીએમ મોડેલોમાંથી મેળવેલા દંત યુગના અંદાજની ચોકસાઈની તુલના કરવાનું હતું. એમ.એ.ઇ. અને આર.એમ.એસ.ઇ. બંને જાતિના આંતરિક પરીક્ષણ સેટમાં મૂલ્યાંકન કરવામાં આવ્યું હતું, અને પરંપરાગત પદ્ધતિ અને ડીએમ મોડેલ વચ્ચેનો તફાવત એમ.એ.ઇ. માટે 44 થી 77 દિવસ અને આરએમએસઈ માટે 62 થી 88 દિવસ સુધીનો હતો. જો કે આ અધ્યયનમાં પરંપરાગત પદ્ધતિ થોડી વધુ સચોટ હતી, તેમ છતાં, આવા નાના તફાવતને ક્લિનિકલ અથવા વ્યવહારિક મહત્વ છે કે કેમ તે નિષ્કર્ષ કા .વું મુશ્કેલ છે. આ પરિણામો સૂચવે છે કે ડીએમ મોડેલનો ઉપયોગ કરીને ડેન્ટલ યુગના અંદાજની ચોકસાઈ લગભગ પરંપરાગત પદ્ધતિની જેમ જ છે. પાછલા અધ્યયનના પરિણામો સાથે સીધી સરખામણી મુશ્કેલ છે કારણ કે કોઈ અધ્યયનએ આ અભ્યાસની જેમ જ વય શ્રેણીમાં દાંત રેકોર્ડ કરવાની સમાન તકનીકનો ઉપયોગ કરીને પરંપરાગત આંકડાકીય પદ્ધતિઓ સાથે ડીએમ મોડેલોની ચોકસાઈની તુલના કરી નથી. ગાલિબર્ગ એટ અલ 24 એ 2 થી 24 વર્ષની વયની ફ્રેન્ચ વસ્તીમાં બે પરંપરાગત પદ્ધતિઓ (ડેમિરજિયન મેથડ 25 અને વિલેમ્સ મેથડ 29) અને 10 ડીએમ મોડેલો વચ્ચે મે અને આરએમએસઈની તુલના કરી. તેઓએ અહેવાલ આપ્યો કે તમામ ડીએમ મોડેલો પરંપરાગત પદ્ધતિઓ કરતા વધુ સચોટ હતા, જેમાં અનુક્રમે વિલેમ્સ અને ડેમર્ડજિયન પદ્ધતિઓની તુલનામાં એમ.એ.ઇ. માં 0.20 અને 0.38 વર્ષ અને આરએમએસઇમાં 0.25 અને 0.47 વર્ષ તફાવત છે. હેલિબર્ગ અધ્યયનમાં બતાવેલ એસડી મોડેલ અને પરંપરાગત પદ્ધતિઓ વચ્ચેની વિસંગતતા અસંખ્ય અહેવાલોને ધ્યાનમાં લે છે 30,31,32,33 કે ડેમર્ડજિયન પદ્ધતિ ફ્રેન્ચ કેનેડિયન સિવાયની વસ્તીમાં દંત યુગનો સચોટ અંદાજ નથી, જેના પર અભ્યાસ આધારિત હતો. આ અભ્યાસમાં. તાઈ એટ અલ 34 એ 1636 ચાઇનીઝ ઓર્થોડોન્ટિક ફોટોગ્રાફ્સથી દાંતની ઉંમરની આગાહી કરવા માટે એમએલપી અલ્ગોરિધમનો ઉપયોગ કર્યો અને તેની ચોકસાઈને ડેમિરજિયન અને વિલેમ્સ પદ્ધતિના પરિણામો સાથે સરખાવી. તેઓએ અહેવાલ આપ્યો કે એમએલપીમાં પરંપરાગત પદ્ધતિઓ કરતા વધારે ચોકસાઈ છે. ડેમર્ડજિયન પદ્ધતિ અને પરંપરાગત પદ્ધતિ વચ્ચેનો તફાવત <0.32 વર્ષ છે, અને વિલેમ્સ પદ્ધતિ 0.28 વર્ષ છે, જે હાલના અભ્યાસના પરિણામોની સમાન છે. આ અગાઉના અધ્યયન 24,34 ના પરિણામો પણ હાલના અભ્યાસના પરિણામો સાથે સુસંગત છે, અને ડીએમ મોડેલની વય અંદાજની ચોકસાઈ અને પરંપરાગત પદ્ધતિ સમાન છે. જો કે, પ્રસ્તુત પરિણામોના આધારે, અમે ફક્ત સાવચેતીપૂર્વક નિષ્કર્ષ કા .ી શકીએ છીએ કે વયના અંદાજ માટે ડીએમ મોડેલોનો ઉપયોગ તુલનાત્મક અને સંદર્ભ અગાઉના અભ્યાસના અભાવને કારણે હાલની પદ્ધતિઓને બદલી શકે છે. આ અભ્યાસમાં મેળવેલા પરિણામોની પુષ્ટિ કરવા માટે મોટા નમૂનાઓનો ઉપયોગ કરીને અનુવર્તી અભ્યાસની જરૂર છે.
દંત યુગના અંદાજમાં એસ.ડી.ની ચોકસાઈનું પરીક્ષણ કરનારા અધ્યયનમાં, કેટલાકએ અમારા અભ્યાસ કરતા વધારે ચોકસાઈ દર્શાવી હતી. સ્ટેપનોવ્સ્કી એટ અલ 35 એ 2.7 થી 20.5 વર્ષની વયના 976 ચેક નિવાસીઓના પેનોરેમિક રેડિયોગ્રાફ્સ પર 22 એસડી મોડેલો લાગુ કર્યા અને દરેક મોડેલની ચોકસાઈનું પરીક્ષણ કર્યું. તેઓએ મૂરરીઝ એટ અલ 36 દ્વારા સૂચિત વર્ગીકરણ માપદંડનો ઉપયોગ કરીને કુલ 16 ઉપલા અને નીચલા ડાબા કાયમી દાંતના વિકાસનું મૂલ્યાંકન કર્યું. એમએઇ 0.64 થી 0.94 વર્ષ સુધીની છે અને આરએમએસઈ 0.85 થી 1.27 વર્ષ સુધીની છે, જે આ અભ્યાસમાં ઉપયોગમાં લેવામાં આવતા બે ડીએમ મોડેલો કરતા વધુ સચોટ છે. શેન એટ અલ 23 એ પૂર્વી ચિની રહેવાસીઓમાં 5 થી 13 વર્ષની વયના મેન્ડેબલમાં સાત કાયમી દાંતની દંત યુગનો અંદાજ લગાવવા માટે કેમેરિયર પદ્ધતિનો ઉપયોગ કર્યો હતો અને તેની તુલના રેખીય રીગ્રેસન, એસવીએમ અને આરએફનો ઉપયોગ કરીને અનુમાનિત યુગ સાથે કરી હતી. તેઓએ બતાવ્યું કે ત્રણેય ડીએમ મોડેલો પરંપરાગત કેમેરિયર સૂત્રની તુલનામાં વધુ ચોકસાઈ ધરાવે છે. શેનના ​​અધ્યયનમાં મે અને આરએમએસઇ આ અભ્યાસના ડીએમ મોડેલની તુલનામાં 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. દંત વિકાસ દરમિયાન દાંતની સંખ્યામાં વધારો થતાં દાંતની સંખ્યામાં ભાગ લેનારા સહભાગીઓ માટે વય અંદાજ વધુ સચોટ બને છે, જ્યારે અભ્યાસના સહભાગીઓ નાના હોય ત્યારે પરિણામી વય અંદાજ પદ્ધતિની ચોકસાઈ સાથે ચેડા થઈ શકે છે. વધુમાં, વયના અંદાજમાં એમએલપીની ભૂલ એસએલપી કરતા થોડી ઓછી છે, એટલે કે એમએલપી એસએલપી કરતા વધુ સચોટ છે. વયના અંદાજ માટે એમએલપીને થોડું સારું માનવામાં આવે છે, સંભવત M એમએલપી 38 માં છુપાયેલા સ્તરોને કારણે. જો કે, સ્ત્રીઓના બાહ્ય નમૂના માટે અપવાદ છે (એસએલપી 1.45, એમએલપી 1.49). વયના આકારણીમાં એસએલપી કરતા એમએલપી વધુ સચોટ છે તે શોધમાં વધારાના પૂર્વવર્તી અભ્યાસની જરૂર છે.
18 વર્ષના થ્રેશોલ્ડ પર ડીએમ મોડેલનું વર્ગીકરણ પ્રદર્શન અને પરંપરાગત પદ્ધતિની પણ તુલના કરવામાં આવી. આંતરિક પરીક્ષણ સમૂહ પરના તમામ પરીક્ષણ કરેલા એસડી મોડેલો અને પરંપરાગત પદ્ધતિઓ 18 વર્ષ જુના નમૂના માટે વ્યવહારીક રીતે સ્વીકાર્ય સ્તરો દર્શાવે છે. પુરુષો અને સ્ત્રીઓ માટે સંવેદનશીલતા અનુક્રમે .7 87..7% અને .9 94..9% કરતા વધારે હતી, અને વિશિષ્ટતા .3 89..3% અને .7 84..7% કરતા વધારે હતી. બધા પરીક્ષણ કરેલા મ models ડેલ્સના એયુઆરઓસી પણ 0.925 કરતા વધી ગયા છે. અમારા શ્રેષ્ઠ જ્ knowledge ાન માટે, કોઈ પણ અધ્યયનમાં ડેન્ટલ પરિપક્વતાના આધારે 18 વર્ષના વર્ગીકરણ માટે ડીએમ મોડેલની કામગીરીનું પરીક્ષણ કરવામાં આવ્યું નથી. અમે આ અભ્યાસના પરિણામોની તુલના પેનોરેમિક રેડિયોગ્રાફ્સ પર ડીપ લર્નિંગ મોડેલોના વર્ગીકરણ પ્રદર્શન સાથે કરી શકીએ છીએ. ગુઓ એટ અલ .15 સીએનએન-આધારિત ડીપ લર્નિંગ મોડેલના વર્ગીકરણ પ્રદર્શન અને ચોક્કસ વયના થ્રેશોલ્ડ માટે ડેમિરજિયનની પદ્ધતિ પર આધારિત મેન્યુઅલ પદ્ધતિની ગણતરી કરી. મેન્યુઅલ પદ્ધતિની સંવેદનશીલતા અને વિશિષ્ટતા અનુક્રમે 87.7% અને 95.5% હતી, અને સીએનએન મોડેલની સંવેદનશીલતા અને વિશિષ્ટતા અનુક્રમે 89.2% અને 86.6% વટાવી હતી. તેઓએ નિષ્કર્ષ કા .્યો કે deep ંડા શિક્ષણ મોડેલો વયના થ્રેશોલ્ડને વર્ગીકૃત કરવા માટે મેન્યુઅલ આકારણીને બદલી અથવા આઉટપર્ફોર્મ કરી શકે છે. આ અભ્યાસના પરિણામોએ સમાન વર્ગીકરણ પ્રદર્શન દર્શાવ્યું; એવું માનવામાં આવે છે કે ડીએમ મોડેલોનો ઉપયોગ કરીને વર્ગીકરણ વયના અંદાજ માટે પરંપરાગત આંકડાકીય પદ્ધતિઓને બદલી શકે છે. મોડેલોમાં, પુરુષ નમૂના માટે સંવેદનશીલતા અને સ્ત્રી નમૂના માટે સંવેદનશીલતા અને વિશિષ્ટતાની દ્રષ્ટિએ ડીએમ એલઆર શ્રેષ્ઠ મોડેલ હતું. એલઆર પુરુષો માટે વિશિષ્ટતામાં બીજા ક્રમે છે. તદુપરાંત, એલઆરને વધુ વપરાશકર્તા મૈત્રીપૂર્ણ ડીએમ 35 મોડેલોમાંનું એક માનવામાં આવે છે અને પ્રક્રિયા કરવી ઓછી જટિલ અને મુશ્કેલ છે. આ પરિણામોના આધારે, એલઆરને કોરિયન વસ્તીમાં 18 વર્ષના બાળકો માટે શ્રેષ્ઠ કટઓફ વર્ગીકરણ મોડેલ માનવામાં આવતું હતું.
એકંદરે, બાહ્ય પરીક્ષણ સમૂહ પર વય અંદાજ અથવા વર્ગીકરણ પ્રદર્શનની ચોકસાઈ આંતરિક પરીક્ષણ સમૂહના પરિણામોની તુલનામાં નબળી અથવા ઓછી હતી. કેટલાક અહેવાલો સૂચવે છે કે જ્યારે કોરિયન વસ્તી પર આધારિત વય અંદાજ જાપાની વસ્તી 5,39 પર લાગુ થાય છે ત્યારે વર્ગીકરણની ચોકસાઈ અથવા કાર્યક્ષમતામાં ઘટાડો થાય છે, અને હાલના અધ્યયનમાં સમાન પેટર્ન મળી આવી હતી. આ બગાડ વલણ પણ ડીએમ મોડેલમાં જોવા મળ્યું હતું. તેથી, વિશ્લેષણ પ્રક્રિયામાં ડીએમનો ઉપયોગ કરતી વખતે પણ, વયનો સચોટ અંદાજ કા, વા માટે, મૂળ વસ્તી ડેટા, જેમ કે પરંપરાગત પદ્ધતિઓમાંથી મેળવેલી પદ્ધતિઓ, 5,39,40,41,42 પસંદ કરવી જોઈએ. Deep ંડા શિક્ષણ મોડેલો સમાન વલણો બતાવી શકે છે કે કેમ તે સ્પષ્ટ નથી, વર્ગીકરણની ચોકસાઈ અને કાર્યક્ષમતાની તુલના પરંપરાગત પદ્ધતિઓ, ડીએમ મોડેલો અને સમાન નમૂનાઓ પર deep ંડા શીખવાની મ models ડેલોની ખાતરી કરવા માટે કે કૃત્રિમ બુદ્ધિ મર્યાદિત યુગમાં આ વંશીય અસમાનતાને દૂર કરી શકે છે કે કેમ તેની પુષ્ટિ કરવા માટે જરૂરી છે. આકારણીઓ.
અમે દર્શાવીએ છીએ કે કોરિયામાં ફોરેન્સિક વય અંદાજ પ્રથામાં ડીએમ મોડેલના આધારે વયના અંદાજ દ્વારા પરંપરાગત પદ્ધતિઓ બદલી શકાય છે. અમે ફોરેન્સિક વય આકારણી માટે મશીન લર્નિંગ લાગુ કરવાની સંભાવના પણ શોધી કા .ી. જો કે, ત્યાં સ્પષ્ટ મર્યાદાઓ છે, જેમ કે પરિણામોને નિશ્ચિતરૂપે નિર્ધારિત કરવા માટે આ અધ્યયનમાં સહભાગીઓની અપૂરતી સંખ્યા, અને આ અભ્યાસના પરિણામોની તુલના અને પુષ્ટિ કરવા માટે અગાઉના અભ્યાસનો અભાવ. ભવિષ્યમાં, પરંપરાગત પદ્ધતિઓની તુલનામાં તેની વ્યવહારિક ઉપયોગિતાને સુધારવા માટે મોટી સંખ્યામાં નમૂનાઓ અને વધુ વિવિધ વસ્તી સાથે ડીએમ અભ્યાસ હાથ ધરવા જોઈએ. બહુવિધ વસ્તીમાં વયના અંદાજ માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની શક્યતાને માન્ય કરવા માટે, સમાન નમૂનાઓમાં પરંપરાગત પદ્ધતિઓ સાથે ડીએમ અને ડીપ લર્નિંગ મોડેલોની વર્ગીકરણની ચોકસાઈ અને કાર્યક્ષમતાની તુલના કરવા માટે ભાવિ અભ્યાસની જરૂર છે.
આ અધ્યયનમાં 15 થી 23 વર્ષની વયના કોરિયન અને જાપાની પુખ્ત વયના લોકો પાસેથી એકત્રિત 2,657 ઓર્થોગ્રાફિક ફોટોગ્રાફ્સનો ઉપયોગ કરવામાં આવ્યો છે. 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 સંસ્થા (સિઓલ સેન્ટ મેરી હોસ્પિટલ) માં એકત્રિત કરવામાં આવી હતી, અને પોતાનો ટેસ્ટ સેટ બે સંસ્થાઓ (સિઓલ નેશનલ યુનિવર્સિટી ડેન્ટલ હોસ્પિટલ અને યોન્સેઇ યુનિવર્સિટી ડેન્ટલ હોસ્પિટલ) પર એકત્રિત કરવામાં આવ્યો હતો. અમે બાહ્ય પરીક્ષણ માટે અન્ય વસ્તી આધારિત ડેટા (આઈડબ્લ્યુએટીઇ મેડિકલ યુનિવર્સિટી, જાપાન) માંથી 857 રેડિયોગ્રાફ્સ પણ એકત્રિત કર્યા છે. જાપાની વિષયોના રેડિયોગ્રાફ્સ (19.31 ± 2.60 વર્ષ) બાહ્ય પરીક્ષણ સમૂહ તરીકે પસંદ કરવામાં આવ્યા હતા. ડેન્ટલ ટ્રીટમેન્ટ દરમિયાન લેવામાં આવેલા પેનોરેમિક રેડિયોગ્રાફ્સ પર ડેન્ટલ ડેવલપમેન્ટના તબક્કાઓનું વિશ્લેષણ કરવા માટે ડેટાને પૂર્વવર્તી રીતે એકત્રિત કરવામાં આવ્યો હતો. એકત્રિત કરેલા તમામ ડેટા લિંગ, જન્મ તારીખ અને રેડિયોગ્રાફની તારીખ સિવાય અનામી હતા. સમાવેશ અને બાકાત માપદંડ અગાઉ પ્રકાશિત અભ્યાસ 4, 5 જેવા જ હતા. નમૂનાની વાસ્તવિક વયની ગણતરી રેડિયોગ્રાફ લેવામાં આવેલી તારીખથી જન્મ તારીખને બાદ કરીને કરવામાં આવી હતી. નમૂના જૂથને નવ વય જૂથોમાં વહેંચવામાં આવ્યું હતું. કોષ્ટક 3 માં વય અને લૈંગિક વિતરણો બતાવવામાં આવ્યા છે આ અભ્યાસ હેલસિંકીની ઘોષણા અનુસાર કરવામાં આવ્યો હતો અને કોરિયાની કેથોલિક યુનિવર્સિટી (કેસી 222WISI0328) ની સિઓલ સેન્ટ મેરીની હોસ્પિટલના સંસ્થાકીય સમીક્ષા બોર્ડ (આઈઆરબી) દ્વારા મંજૂરી આપવામાં આવી હતી. આ અભ્યાસની પૂર્વવર્તી રચનાને કારણે, રોગનિવારક હેતુઓ માટે રેડિયોગ્રાફિક પરીક્ષા કરાવતા તમામ દર્દીઓ પાસેથી જાણકાર સંમતિ મેળવી શકાતી નથી. સિઓલ કોરિયા યુનિવર્સિટી સેન્ટ મેરીઝ હોસ્પિટલ (આઈઆરબી) એ જાણકાર સંમતિ માટેની આવશ્યકતા માફ કરી.
ડિમિરિકન માપદંડ 25 અનુસાર બાયમેક્સિલરી બીજા અને ત્રીજા દા ola ના વિકાસના તબક્કાઓનું મૂલ્યાંકન કરવામાં આવ્યું હતું. જો દરેક જડબાની ડાબી અને જમણી બાજુઓ પર સમાન પ્રકારનો દાંત મળી આવે તો ફક્ત એક દાંતની પસંદગી કરવામાં આવી હતી. જો બંને બાજુ હોમોલોગસ દાંત જુદા જુદા વિકાસના તબક્કે હતા, તો નીચલા વિકાસના તબક્કાવાળા દાંતની પસંદગીની ઉંમરમાં અનિશ્ચિતતાને ધ્યાનમાં લેવા માટે પસંદ કરવામાં આવ્યા હતા. દંત પરિપક્વતા તબક્કાને નિર્ધારિત કરવા માટે પ્રિસેલેબ્રેશન પછી ઇન્ટરબ્સર્વર વિશ્વસનીયતાને ચકાસવા માટે બે અનુભવી નિરીક્ષકો દ્વારા એક સો અવ્યવસ્થિત રીતે પસંદ કરેલા રેડિયોગ્રાફ્સ બનાવ્યા હતા. ઇન્ટ્રાઓબસર્વર વિશ્વસનીયતાનું મૂલ્યાંકન પ્રાથમિક નિરીક્ષક દ્વારા ત્રણ મહિનાના અંતરાલમાં કરવામાં આવ્યું હતું.
તાલીમ સમૂહમાં દરેક જડબાના બીજા અને ત્રીજા દા ola ના સેક્સ અને વિકાસના તબક્કાનો અંદાજ વિવિધ ડીએમ મોડેલો સાથે પ્રશિક્ષિત પ્રાથમિક નિરીક્ષક દ્વારા કરવામાં આવ્યો હતો, અને વાસ્તવિક વય લક્ષ્ય મૂલ્ય તરીકે સેટ કરવામાં આવી હતી. એસએલપી અને એમએલપી મોડેલો, જે મશીન લર્નિંગમાં વ્યાપકપણે ઉપયોગમાં લેવાય છે, રીગ્રેસન એલ્ગોરિધમ્સ સામે પરીક્ષણ કરવામાં આવ્યું હતું. ડીએમ મોડેલ ચાર દાંતના વિકાસના તબક્કાઓનો ઉપયોગ કરીને રેખીય કાર્યોને જોડે છે અને વયનો અંદાજ લગાવવા માટે આ ડેટાને જોડે છે. એસએલપી એ સરળ ન્યુરલ નેટવર્ક છે અને તેમાં છુપાયેલા સ્તરો શામેલ નથી. એસ.એલ.પી. નોડ્સ વચ્ચે થ્રેશોલ્ડ ટ્રાન્સમિશનના આધારે કામ કરે છે. રીગ્રેસનમાં એસએલપી મોડેલ ગણિતમાં બહુવિધ રેખીય રીગ્રેસન જેવું જ છે. એસએલપી મોડેલથી વિપરીત, એમએલપી મોડેલમાં નોનલાઇનર સક્રિયકરણ કાર્યો સાથે બહુવિધ છુપાયેલા સ્તરો છે. અમારા પ્રયોગોએ નોનલાઇનર સક્રિયકરણ કાર્યો સાથે ફક્ત 20 છુપાયેલા ગાંઠો સાથે છુપાયેલા સ્તરનો ઉપયોગ કર્યો. અમારા મશીન લર્નિંગ મોડેલને તાલીમ આપવા માટે optim પ્ટિમાઇઝેશન પદ્ધતિ અને MAE અને RMSE તરીકે grad ાળ વંશનો ઉપયોગ કરો. આંતરિક અને બાહ્ય પરીક્ષણ સેટ પર શ્રેષ્ઠ પ્રાપ્ત રીગ્રેસન મોડેલ લાગુ કરવામાં આવ્યું હતું અને દાંતની ઉંમરનો અંદાજ લગાવવામાં આવ્યો હતો.
વર્ગીકરણ અલ્ગોરિધમનો વિકસાવવામાં આવ્યો હતો જે નમૂના 18 વર્ષ જૂનો છે કે નહીં તેની આગાહી કરવા માટે તાલીમ પર ચાર દાંતની પરિપક્વતાનો ઉપયોગ કરે છે. મોડેલ બનાવવા માટે, અમે સાત પ્રતિનિધિત્વ મશીન લર્નિંગ એલ્ગોરિધમ્સ 6,43: (1) એલઆર, (2) કેએનએન, (3) એસવીએમ, (4) ડીટી, (5) આરએફ, (6) એક્સજીબૂસ્ટ, અને (7) એમએલપી મેળવ્યું છે. . એલઆર એ સૌથી વધુ ઉપયોગમાં લેવાતા વર્ગીકરણ એલ્ગોરિધમ્સ 44 માંનું એક છે. તે એક નિરીક્ષણ કરેલ શિક્ષણ અલ્ગોરિધમનો છે જે 0 થી 1 સુધીની ચોક્કસ કેટેગરીથી સંબંધિત ડેટાની સંભાવનાની આગાહી કરવા માટે રીગ્રેસનનો ઉપયોગ કરે છે અને આ સંભાવનાના આધારે વધુ સંભવિત કેટેગરીના ડેટાને વર્ગીકૃત કરે છે; મુખ્યત્વે દ્વિસંગી વર્ગીકરણ માટે વપરાય છે. કેએનએન એ એક સરળ મશીન લર્નિંગ એલ્ગોરિધમ્સ 45 છે. જ્યારે નવો ઇનપુટ ડેટા આપવામાં આવે છે, ત્યારે તે હાલના સેટની નજીક કે ડેટા શોધી કા .ે છે અને પછી તેમને ઉચ્ચતમ આવર્તન સાથે વર્ગમાં વર્ગીકૃત કરે છે. અમે ધ્યાનમાં લેવામાં આવેલા પડોશીઓની સંખ્યા માટે 3 સેટ કર્યા છે. એસવીએમ એ એક અલ્ગોરિધમનો છે જે ફીલ્ડ્સ 46 નામના રેખીય જગ્યાને બિન-રેખીય જગ્યામાં વિસ્તૃત કરવા માટે કર્નલ ફંક્શનનો ઉપયોગ કરીને બે વર્ગો વચ્ચેનું અંતર મહત્તમ કરે છે. આ મોડેલ માટે, અમે બહુપદી કર્નલ માટે હાયપરપેરામીટર તરીકે પૂર્વગ્રહ = 1, પાવર = 1 અને ગામા = 1 નો ઉપયોગ કરીએ છીએ. ટ્રી સ્ટ્રક્ચર 47 માં નિર્ણયના નિયમોનું પ્રતિનિધિત્વ કરીને ઘણા પેટા જૂથોમાં સેટ કરેલા સંપૂર્ણ ડેટાને વિભાજીત કરવા માટે વિવિધ ક્ષેત્રોમાં ડીટીને વિવિધ ક્ષેત્રોમાં લાગુ કરવામાં આવ્યો છે. મોડેલ 2 ના નોડ દીઠ ઓછામાં ઓછા રેકોર્ડ્સ સાથે ગોઠવેલ છે અને ગુણવત્તાના માપદંડ તરીકે ગિની અનુક્રમણિકાનો ઉપયોગ કરે છે. આરએફ એ એક જોડાણ પદ્ધતિ છે જે બુટસ્ટ્રેપ એકત્રીકરણ પદ્ધતિનો ઉપયોગ કરીને પ્રભાવ સુધારવા માટે બહુવિધ ડીટીને જોડે છે જે મૂળ ડેટાસેટ 48 માંથી સમાન કદના અનેક કદના રેન્ડમલી નમૂનાઓ દોરવા દ્વારા દરેક નમૂના માટે નબળા વર્ગીકૃત ઉત્પન્ન કરે છે. અમે 100 વૃક્ષો, 10 વૃક્ષની ths ંડાણો, 1 લઘુત્તમ નોડ કદ અને નોડ અલગ માપદંડ તરીકે ગિની એડિક્સ્ચર ઇન્ડેક્સનો ઉપયોગ કર્યો. નવા ડેટાનું વર્ગીકરણ બહુમતી મત દ્વારા નક્કી કરવામાં આવે છે. XGBOOST એ એક અલ્ગોરિધમનો છે જે એક પદ્ધતિનો ઉપયોગ કરીને બૂસ્ટિંગ તકનીકોને જોડે છે જે અગાઉના મોડેલના વાસ્તવિક અને આગાહી મૂલ્યો વચ્ચેની ભૂલને તાલીમ આપતા ડેટા તરીકે લે છે અને ગ્રેડિએન્ટ્સ 49 નો ઉપયોગ કરીને ભૂલને વધારે છે. તે તેના સારા પ્રદર્શન અને સંસાધન કાર્યક્ષમતા, તેમજ ઓવરફિટિંગ કરેક્શન ફંક્શન તરીકે ઉચ્ચ વિશ્વસનીયતાને કારણે વ્યાપકપણે ઉપયોગમાં લેવામાં આવતી અલ્ગોરિધમનો છે. મોડેલ 400 સપોર્ટ વ્હીલ્સથી સજ્જ છે. એમએલપી એ ન્યુરલ નેટવર્ક છે જેમાં ઇનપુટ અને આઉટપુટ લેયર્સ 38 વચ્ચે એક અથવા વધુ છુપાયેલા સ્તરો સાથે એક અથવા વધુ પર્સેપ્ટ્રોન્સ બહુવિધ સ્તરો બનાવે છે. આનો ઉપયોગ કરીને, તમે બિન-રેખીય વર્ગીકરણ કરી શકો છો જ્યાં તમે ઇનપુટ લેયર ઉમેરશો અને પરિણામ મૂલ્ય મેળવો છો, ત્યારે આગાહી કરેલ પરિણામ મૂલ્ય વાસ્તવિક પરિણામ મૂલ્ય સાથે સરખામણી કરવામાં આવે છે અને ભૂલ પાછા ફેલાય છે. અમે દરેક સ્તરમાં 20 છુપાયેલા ન્યુરોન્સ સાથે છુપાયેલ સ્તર બનાવ્યો છે. અમે વિકસિત દરેક મોડેલને સંવેદનશીલતા, વિશિષ્ટતા, પીપીવી, એનપીવી અને એયુઆરઓસીની ગણતરી કરીને વર્ગીકરણ પ્રદર્શનને ચકાસવા માટે આંતરિક અને બાહ્ય સેટ પર લાગુ કરવામાં આવ્યું હતું. સંવેદનશીલતાને 18 વર્ષ કે તેથી વધુ ઉંમરના નમૂનાના 18 વર્ષ કે તેથી વધુ ઉંમરના નમૂનાના ગુણોત્તર તરીકે વ્યાખ્યાયિત કરવામાં આવે છે. વિશિષ્ટતા એ 18 વર્ષથી ઓછી વયના નમૂનાઓનું પ્રમાણ છે અને તે 18 વર્ષથી ઓછી વયના હોવાનો અંદાજ છે.
તાલીમ સમૂહમાં આકારણી કરાયેલા દંત તબક્કાઓ આંકડાકીય વિશ્લેષણ માટે આંકડાકીય તબક્કામાં ફેરવાયા. મલ્ટિવેરિયેટ રેખીય અને લોજિસ્ટિક રીગ્રેસન દરેક લિંગ માટે આગાહીના મોડેલો વિકસાવવા અને રીગ્રેસન ફોર્મ્યુલા મેળવવા માટે કરવામાં આવ્યા હતા જેનો ઉપયોગ વયના અંદાજ માટે થઈ શકે છે. અમે આ સૂત્રોનો ઉપયોગ આંતરિક અને બાહ્ય બંને પરીક્ષણ સેટ માટે દાંતની ઉંમરનો અંદાજ કા .વા માટે કર્યો છે. કોષ્ટક 4 આ અભ્યાસમાં ઉપયોગમાં લેવાતા રીગ્રેસન અને વર્ગીકરણ મોડેલો બતાવે છે.
કોહેનના કપ્પા આંકડાઓનો ઉપયોગ કરીને ઇન્ટ્રા- અને ઇન્ટરબ્સર્વર વિશ્વસનીયતાની ગણતરી કરવામાં આવી હતી. ડીએમ અને પરંપરાગત રીગ્રેસન મોડેલોની ચોકસાઈનું પરીક્ષણ કરવા માટે, અમે આંતરિક અને બાહ્ય પરીક્ષણ સેટની અંદાજિત અને વાસ્તવિક યુગનો ઉપયોગ કરીને એમએઇ અને આરએમએસઇની ગણતરી કરી. આ ભૂલોનો ઉપયોગ સામાન્ય રીતે મોડેલની આગાહીઓની ચોકસાઈનું મૂલ્યાંકન કરવા માટે થાય છે. જેટલી ઓછી ભૂલ, આગાહી 24 ની ચોકસાઈ વધારે છે. ડીએમ અને પરંપરાગત રીગ્રેસનનો ઉપયોગ કરીને ગણતરી કરેલ આંતરિક અને બાહ્ય પરીક્ષણ સેટના એમએઇ અને આરએમએસઈની તુલના કરો. પરંપરાગત આંકડામાં 18 વર્ષના કટ off ફના વર્ગીકરણ પ્રદર્શનનું મૂલ્યાંકન 2 × 2 આકસ્મિક ટેબલનો ઉપયોગ કરીને કરવામાં આવ્યું હતું. પરીક્ષણ સમૂહની ગણતરી કરેલ સંવેદનશીલતા, વિશિષ્ટતા, પીપીવી, એનપીવી અને એયુઆરઓસીની તુલના ડીએમ વર્ગીકરણ મોડેલના માપેલા મૂલ્યો સાથે કરવામાં આવી હતી. ડેટા ડેટા લાક્ષણિકતાઓના આધારે સરેરાશ ± માનક વિચલન અથવા સંખ્યા (%) તરીકે વ્યક્ત થાય છે. દ્વિપક્ષી પી મૂલ્યો <0.05 આંકડાકીય રીતે મહત્વપૂર્ણ માનવામાં આવ્યાં હતાં. બધા નિયમિત આંકડાકીય વિશ્લેષણ એસએએસ સંસ્કરણ 9.4 (એસએએસ ઇન્સ્ટિટ્યૂટ, કેરી, એનસી) નો ઉપયોગ કરીને કરવામાં આવ્યા હતા. કેરેસ 50 2.2.4 બેકએન્ડ અને ટેન્સરફ્લો 51 1.8.0 નો ઉપયોગ કરીને ખાસ કરીને ગાણિતિક કામગીરી માટે ડીએમ રીગ્રેસન મોડેલને પાયથોનમાં લાગુ કરવામાં આવ્યું હતું. ડીએમ વર્ગીકરણ મોડેલ વાઇકાટો જ્ knowledge ાન વિશ્લેષણ પર્યાવરણ અને કોન્સ્ટાન્ઝ ઇન્ફર્મેશન માઇનર (એનઆઈએમઇ) 4.6.152 વિશ્લેષણ પ્લેટફોર્મમાં લાગુ કરવામાં આવ્યું હતું.
લેખકો સ્વીકારે છે કે અભ્યાસના તારણોને ટેકો આપતો ડેટા લેખ અને પૂરક સામગ્રીમાં મળી શકે છે. અભ્યાસ દરમિયાન પેદા અને/અથવા વિશ્લેષણ કરાયેલ ડેટાસેટ્સ વાજબી વિનંતી પર સંબંધિત લેખક પાસેથી ઉપલબ્ધ છે.
રીટ્ઝ-ટિમ્મ, એસ. એટ અલ. વય આકારણી: ફોરેન્સિક પ્રેક્ટિસની વિશિષ્ટ આવશ્યકતાઓને પહોંચી વળવા કલાની સ્થિતિ. આંતરરાષ્ટ્રીયતા. જે કાનૂની દવા. 113, 129–136 (2000).
શ્મલિંગ, એ., રીઝિંગર, ડબ્લ્યુ., ગેસરિક, જી., અને ઓલ્ઝ, એ. ગુનાહિત 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 દંત યુગનું મૂલ્યાંકન કરવાની એક સંશોધિત પદ્ધતિ. ક્લિનિકલ. મૌખિક સર્વે. 25, 3463–3474 (2021).
લી, એસ.એસ. વગેરે. કોરિયન લોકોમાં બીજા અને ત્રીજા દા ola ના વિકાસની ઘટનાક્રમ અને ફોરેન્સિક વય આકારણી માટે તેની અરજી. આંતરરાષ્ટ્રીયતા. જે કાનૂની દવા. 124, 659–665 (2010).
ઓહ, એસ., કુમાગાઇ, એ., કિમ, સી અને લી, એસએસની ચોકસાઈ, કોરીયનો અને જાપાનીમાં બીજા અને ત્રીજા દા ola ની પરિપક્વતાના આધારે વયના અંદાજ અને 18 વર્ષના થ્રેશોલ્ડનો અંદાજ. પીએલઓએસ વન 17, E0271247 (2022).
કિમ, જેવાય, એટ અલ. પ્રીઓપરેટિવ મશીન લર્નિંગ-આધારિત ડેટા વિશ્લેષણ ઓએસએવાળા દર્દીઓમાં સ્લીપ સર્જરી સારવારના પરિણામની આગાહી કરી શકે છે. વિજ્ .ાન. અહેવાલ 11, 14911 (2021).
હેન, એમ. એટ અલ. માનવ હસ્તક્ષેપ સાથે અથવા વિના મશીન લર્નિંગથી સચોટ વયનો અંદાજ? આંતરરાષ્ટ્રીયતા. જે કાનૂની દવા. 136, 821–831 (2022).
ખાન, એસ. અને શાહેન, ડેટા માઇનીંગથી લઈને ડેટા માઇનીંગ સુધી. જે. ઇનફોર્મેશન. વિજ્ .ાન. https://doi.org/10.1177/01655515211030872 (2021).
ખાન, એસ. અને શાહીન, એમ. વિસ્રુલે: એસોસિએશન નિયમ ખાણકામ માટે પ્રથમ જ્ ogn ાનાત્મક અલ્ગોરિધમનો. જે. ઇનફોર્મેશન. વિજ્ .ાન. https://doi.org/10.1177/0165555221108695 (2022).
શાહીન એમ. અને અબ્દુલ્લા યુ. કર્મ: સંદર્ભ આધારિત એસોસિએશનના નિયમોના આધારે પરંપરાગત ડેટા માઇનીંગ. ગણતરી. મેટ. ચાલુ રાખો. 68, 3305–3322 (2021).
મોહમ્મદ એમ., રેહમાન ઝેડ., શાહીન એમ., ખાન એમ. અને હબીબ એમ. ડીપ લર્નિંગ આધારિત સિમેન્ટીક સમાનતા તપાસ ટેક્સ્ટ ડેટાનો ઉપયોગ કરીને. જાણ કરો. તકનીકો. નિયંત્રણ. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ટેબીશ, એમ., તનોલી, ઝેડ., અને શાહિન, એમ. સ્પોર્ટ્સ વિડિઓઝમાં પ્રવૃત્તિને માન્યતા આપવાની સિસ્ટમ. મલ્ટિમીડિયા. ટૂલ્સ એપ્લિકેશન https://doi.org/10.1007/s11042-021-10519-6 (2021).
હલબી, એસએસ એટ અલ. પેડિયાટ્રિક અસ્થિ યુગમાં આરએસએનએ મશીન લર્નિંગ ચેલેન્જ. રેડિયોલોજી 290, 498–503 (2019).
લિ, વાય. એટ અલ. Deep ંડા શિક્ષણનો ઉપયોગ કરીને પેલ્વિક એક્સ-રેથી ફોરેન્સિક વયનો અંદાજ. યુરો. કિરણોત્સર્ગ. 29, 2322–2329 (2019).
ગુઓ, વાયસી, એટ અલ. ઓર્થોગ્રાફિક પ્રોજેક્શન છબીઓમાંથી મેન્યુઅલ પદ્ધતિઓ અને deep ંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને સચોટ વય વર્ગીકરણ. આંતરરાષ્ટ્રીયતા. જે કાનૂની દવા. 135, 1589–1597 (2021).
અલાબામા ડાલોરા એટ અલ. વિવિધ મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરીને અસ્થિ વયનો અંદાજ: વ્યવસ્થિત સાહિત્યિક સમીક્ષા અને મેટા-વિશ્લેષણ. પીએલઓએસ વન 14, E0220242 (2019).
ડુ, એચ., લિ, જી., ચેંગ, કે. અને યાંગ, જે. આફ્રિકન અમેરિકનો અને ચાઇનીઝની વસ્તી-વિશિષ્ટ વય અંદાજ શંકુ-બીમ કમ્પ્યુટેડ ટોમોગ્રાફીનો ઉપયોગ કરીને પ્રથમ દા ola ના પલ્પ ચેમ્બરના વોલ્યુમ પર આધારિત છે. આંતરરાષ્ટ્રીયતા. જે કાનૂની દવા. 136, 811–819 (2022).
કિમ એસ., લી વાયએચ, નોહ વાયકે, પાર્ક એફકે અને ઓહ કેએસ પ્રથમ દા ola ની કૃત્રિમ ગુપ્તચર આધારિત છબીઓનો ઉપયોગ કરીને જીવંત લોકોના વય જૂથો નક્કી કરે છે. વિજ્ .ાન. અહેવાલ 11, 1073 (2021).
સ્ટર્ન, ડી. આઇઇઇઇ જે. બાયોમેડ. આરોગ્ય ચેતવણીઓ. 23, 1392–1403 (2019).
ચેંગ, ક્યૂ., જી, ઝેડ., ડુ, એચ. આંતરરાષ્ટ્રીયતા. જે કાનૂની દવા. 135, 365–373 (2021).
વુ, ડબલ્યુટી, એટ અલ. ક્લિનિકલ મોટા ડેટામાં ડેટા માઇનિંગ: સામાન્ય ડેટાબેસેસ, પગલાં અને પદ્ધતિઓ. વિશ્વ. દવા. સંસાધન. 8, 44 (2021).
યાંગ, જે. એટ અલ. મોટા ડેટા યુગમાં તબીબી ડેટાબેસેસ અને ડેટા માઇનિંગ તકનીકોની રજૂઆત. જે.અવિડ. મૂળભૂત દવા. 13, 57-69 (2020).
શેન, એસ. એટ અલ. મશીન લર્નિંગનો ઉપયોગ કરીને દાંતની ઉંમરનો અંદાજ લગાવવા માટેની કેમેરની પદ્ધતિ. બીએમસી ઓરલ હેલ્થ 21, 641 (2021).
ગેલિબર્ગ એ. એટ અલ. ડિમર્ડજિયન સ્ટેજીંગ પદ્ધતિનો ઉપયોગ કરીને દંત યુગની આગાહી માટે વિવિધ મશીન લર્નિંગ પદ્ધતિઓની તુલના. આંતરરાષ્ટ્રીયતા. જે કાનૂની દવા. 135, 665–675 (2021).
ડેમર્ડજિયન, એ., ગોલ્ડસ્ટેઇન, એચ. અને ટેનર, જેએમ ડેન્ટલ એજનું મૂલ્યાંકન કરવા માટે નવી સિસ્ટમ. સ્ન ort ર્ટ. જીવવિજ્ .ાન. 45, 211–227 (1973).
લેન્ડિસ, જેઆર અને કોચ, વર્ગીકૃત ડેટા પર નિરીક્ષક કરારના જી.જી. બાયોમેટ્રિક્સ 33, 159–174 (1977).
ભટ્ટાચારજી એસ, પ્રકાશ ડી, કિમ સી, કિમ એચકે અને ચોઇ એચ.કે. પ્રાથમિક મગજની ગાંઠોના તફાવત માટે કૃત્રિમ ગુપ્તચર તકનીકોનો ઉપયોગ કરીને દ્વિ-પરિમાણીય ચુંબકીય રેઝોનન્સ ઇમેજિંગનું ટેક્સ્ચરલ, મોર્ફોલોજિકલ અને આંકડાકીય વિશ્લેષણ. આરોગ્ય માહિતી. સંસાધન. https://doi.org/10.4258/hir.2022.28.1.46 (2022).