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

Nature.com ની મુલાકાત લેવા બદલ આભાર. તમે જે બ્રાઉઝરનો ઉપયોગ કરી રહ્યા છો તેના વર્ઝનમાં મર્યાદિત CSS સપોર્ટ છે. શ્રેષ્ઠ પરિણામો માટે, અમે તમારા બ્રાઉઝરના નવા વર્ઝનનો ઉપયોગ કરવાની ભલામણ કરીએ છીએ (અથવા ઇન્ટરનેટ એક્સપ્લોરરમાં સુસંગતતા મોડ બંધ કરો). આ દરમિયાન, ચાલુ સપોર્ટ સુનિશ્ચિત કરવા માટે, અમે સ્ટાઇલિંગ અથવા JavaScript વિના સાઇટ બતાવી રહ્યા છીએ.
દાંતને માનવ શરીરની ઉંમરનું સૌથી સચોટ સૂચક માનવામાં આવે છે અને તેનો ઉપયોગ ફોરેન્સિક વય મૂલ્યાંકનમાં ઘણીવાર થાય છે. અમે 18-વર્ષના થ્રેશોલ્ડની અંદાજ ચોકસાઈ અને વર્ગીકરણ કામગીરીની પરંપરાગત પદ્ધતિઓ અને ડેટા માઇનિંગ-આધારિત વય અંદાજો સાથે સરખામણી કરીને ડેટા માઇનિંગ-આધારિત દાંતની ઉંમરના અંદાજોને માન્ય કરવાનો હેતુ રાખ્યો હતો. 15 થી 23 વર્ષની વયના કોરિયન અને જાપાની નાગરિકો પાસેથી કુલ 2657 પેનોરેમિક રેડિયોગ્રાફ એકત્રિત કરવામાં આવ્યા હતા. તેમને એક તાલીમ સેટમાં વિભાજિત કરવામાં આવ્યા હતા, જેમાં દરેકમાં 900 કોરિયન રેડિયોગ્રાફ અને 857 જાપાની રેડિયોગ્રાફ ધરાવતો આંતરિક પરીક્ષણ સેટ હતો. અમે પરંપરાગત પદ્ધતિઓની વર્ગીકરણ ચોકસાઈ અને કાર્યક્ષમતાની તુલના ડેટા માઇનિંગ મોડેલના પરીક્ષણ સેટ સાથે કરી હતી. આંતરિક પરીક્ષણ સેટ પર પરંપરાગત પદ્ધતિની ચોકસાઈ ડેટા માઇનિંગ મોડેલ કરતા થોડી વધારે છે, અને તફાવત નાનો છે (સરેરાશ સંપૂર્ણ ભૂલ <0.21 વર્ષ, મૂળ સરેરાશ ચોરસ ભૂલ <0.24 વર્ષ). 18-વર્ષના કટઓફ માટે વર્ગીકરણ પ્રદર્શન પણ પરંપરાગત પદ્ધતિઓ અને ડેટા માઇનિંગ મોડેલ વચ્ચે સમાન છે. આમ, કોરિયન કિશોરો અને યુવાન પુખ્ત વયના લોકોમાં બીજા અને ત્રીજા દાઢની પરિપક્વતાનો ઉપયોગ કરીને ફોરેન્સિક વય મૂલ્યાંકન કરતી વખતે પરંપરાગત પદ્ધતિઓને ડેટા માઇનિંગ મોડેલો દ્વારા બદલી શકાય છે.
ફોરેન્સિક દવા અને બાળરોગ દંત ચિકિત્સા માં દાંતની ઉંમરનો અંદાજ વ્યાપકપણે ઉપયોગમાં લેવાય છે. ખાસ કરીને, કાલક્રમિક ઉંમર અને દાંતના વિકાસ વચ્ચે ઉચ્ચ સહસંબંધ હોવાને કારણે, બાળકો અને કિશોરોની ઉંમરનું મૂલ્યાંકન કરવા માટે દાંતના વિકાસના તબક્કાઓ દ્વારા ઉંમરનું મૂલ્યાંકન એક મહત્વપૂર્ણ માપદંડ છે1,2,3. જો કે, યુવાનો માટે, દાંતની પરિપક્વતાના આધારે દાંતની ઉંમરનો અંદાજ લગાવવાની તેની મર્યાદાઓ છે કારણ કે દાંતનો વિકાસ લગભગ પૂર્ણ થઈ ગયો છે, ત્રીજા દાઢ સિવાય. યુવાનો અને કિશોરોની ઉંમર નક્કી કરવાનો કાનૂની હેતુ સચોટ અંદાજ અને વૈજ્ઞાનિક પુરાવા પ્રદાન કરવાનો છે કે તેઓ પુખ્ત વયે પહોંચી ગયા છે કે નહીં. કોરિયામાં કિશોરો અને યુવાન પુખ્ત વયના લોકોની તબીબી-કાનૂની પ્રથામાં, લીની પદ્ધતિનો ઉપયોગ કરીને ઉંમરનો અંદાજ લગાવવામાં આવ્યો હતો, અને ઓહ એટ અલ 5 દ્વારા અહેવાલ કરાયેલ ડેટાના આધારે 18 વર્ષની કાનૂની મર્યાદાની આગાહી કરવામાં આવી હતી.
મશીન લર્નિંગ એ કૃત્રિમ બુદ્ધિ (AI) નો એક પ્રકાર છે જે વારંવાર મોટી માત્રામાં ડેટા શીખે છે અને તેનું વર્ગીકરણ કરે છે, પોતાની જાતે સમસ્યાઓનું નિરાકરણ કરે છે અને ડેટા પ્રોગ્રામિંગ ચલાવે છે. મશીન લર્નિંગ મોટા પ્રમાણમાં ડેટામાં ઉપયોગી છુપાયેલા પેટર્ન શોધી શકે છે. તેનાથી વિપરીત, શાસ્ત્રીય પદ્ધતિઓ, જે શ્રમ-સઘન અને સમય માંગી લેતી હોય છે, તેમાં જટિલ ડેટાના મોટા જથ્થા સાથે વ્યવહાર કરતી વખતે મર્યાદાઓ હોઈ શકે છે જે મેન્યુઅલી પ્રક્રિયા કરવી મુશ્કેલ છે. તેથી, માનવ ભૂલોને ઘટાડવા અને બહુપરીમાણીય ડેટાને અસરકારક રીતે પ્રક્રિયા કરવા માટે નવીનતમ કમ્પ્યુટર તકનીકોનો ઉપયોગ કરીને તાજેતરમાં ઘણા અભ્યાસો હાથ ધરવામાં આવ્યા છે8,9,10,11,12. ખાસ કરીને, તબીબી છબી વિશ્લેષણમાં ઊંડા શિક્ષણનો વ્યાપકપણે ઉપયોગ કરવામાં આવ્યો છે, અને રેડિયોગ્રાફ્સનું આપમેળે વિશ્લેષણ કરીને વય અંદાજ માટે વિવિધ પદ્ધતિઓનો અહેવાલ આપવામાં આવ્યો છે જે વય અંદાજની ચોકસાઈ અને કાર્યક્ષમતામાં સુધારો કરે છે13,14,15,16,17,18,19,20. ઉદાહરણ તરીકે, હલાબી અને અન્ય 13 એ બાળકોના હાથના રેડિયોગ્રાફનો ઉપયોગ કરીને હાડપિંજરની ઉંમરનો અંદાજ કાઢવા માટે કન્વોલ્યુશનલ ન્યુરલ નેટવર્ક્સ (CNN) પર આધારિત મશીન લર્નિંગ અલ્ગોરિધમ વિકસાવ્યો. આ અભ્યાસ એક મોડેલનો પ્રસ્તાવ મૂકે છે જે તબીબી છબીઓ પર મશીન લર્નિંગ લાગુ કરે છે અને દર્શાવે છે કે આ પદ્ધતિઓ ડાયગ્નોસ્ટિક ચોકસાઈમાં સુધારો કરી શકે છે. લી એટ અલ14 એ ડીપ લર્નિંગ CNN નો ઉપયોગ કરીને પેલ્વિક એક્સ-રે છબીઓમાંથી ઉંમરનો અંદાજ કાઢ્યો અને ઓસિફિકેશન સ્ટેજ અંદાજનો ઉપયોગ કરીને રીગ્રેશન પરિણામો સાથે તેમની સરખામણી કરી. તેઓએ જોયું કે ડીપ લર્નિંગ CNN મોડેલે પરંપરાગત રીગ્રેશન મોડેલ જેટલું જ ઉંમર અંદાજ પ્રદર્શન દર્શાવ્યું હતું. ગુઓ એટ અલ.ના અભ્યાસ [15] એ ડેન્ટલ ઓર્થોફોટો પર આધારિત CNN ટેકનોલોજીના વય સહિષ્ણુતા વર્ગીકરણ પ્રદર્શનનું મૂલ્યાંકન કર્યું, અને CNN મોડેલના પરિણામોએ સાબિત કર્યું કે માનવીઓએ તેના વય વર્ગીકરણ પ્રદર્શન કરતાં વધુ સારું પ્રદર્શન કર્યું.
મશીન લર્નિંગનો ઉપયોગ કરીને ઉંમર અંદાજ પરના મોટાભાગના અભ્યાસો ડીપ લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરે છે13,14,15,16,17,18,19,20. ડીપ લર્નિંગ પર આધારિત ઉંમર અંદાજ પરંપરાગત પદ્ધતિઓ કરતાં વધુ સચોટ હોવાનું નોંધાયું છે. જો કે, આ અભિગમ વય અંદાજ માટે વૈજ્ઞાનિક આધાર રજૂ કરવાની ઓછી તક પૂરી પાડે છે, જેમ કે અંદાજમાં ઉપયોગમાં લેવાતા વય સૂચકાંકો. નિરીક્ષણ કોણ કરે છે તે અંગે કાનૂની વિવાદ પણ છે. તેથી, ડીપ લર્નિંગ પર આધારિત ઉંમર અંદાજ વહીવટી અને ન્યાયિક અધિકારીઓ દ્વારા સ્વીકારવો મુશ્કેલ છે. ડેટા માઇનિંગ (DM) એ એક તકનીક છે જે મોટા પ્રમાણમાં ડેટા વચ્ચે ઉપયોગી સહસંબંધ શોધવા માટે માત્ર અપેક્ષિત જ નહીં પરંતુ અણધારી માહિતી પણ શોધી શકે છે6,21,22. મશીન લર્નિંગનો ઉપયોગ ઘણીવાર ડેટા માઇનિંગમાં થાય છે, અને ડેટા માઇનિંગ અને મશીન લર્નિંગ બંને ડેટામાં પેટર્ન શોધવા માટે સમાન કી અલ્ગોરિધમ્સનો ઉપયોગ કરે છે. ડેન્ટલ ડેવલપમેન્ટનો ઉપયોગ કરીને ઉંમર અંદાજ લક્ષ્ય દાંતની પરિપક્વતાના પરીક્ષકના મૂલ્યાંકન પર આધારિત છે, અને આ મૂલ્યાંકન દરેક લક્ષ્ય દાંત માટે એક તબક્કા તરીકે વ્યક્ત કરવામાં આવે છે. DM નો ઉપયોગ ડેન્ટલ એસેસમેન્ટ સ્ટેજ અને વાસ્તવિક ઉંમર વચ્ચેના સહસંબંધનું વિશ્લેષણ કરવા માટે થઈ શકે છે અને તેમાં પરંપરાગત આંકડાકીય વિશ્લેષણને બદલવાની ક્ષમતા છે. તેથી, જો આપણે વય અંદાજમાં DM તકનીકોનો ઉપયોગ કરીએ, તો આપણે કાનૂની જવાબદારીની ચિંતા કર્યા વિના ફોરેન્સિક વય અંદાજમાં મશીન લર્નિંગનો અમલ કરી શકીએ છીએ. ફોરેન્સિક પ્રેક્ટિસમાં ઉપયોગમાં લેવાતી પરંપરાગત મેન્યુઅલ પદ્ધતિઓ અને ડેન્ટલ ઉંમર નક્કી કરવા માટે EBM-આધારિત પદ્ધતિઓના સંભવિત વિકલ્પો પર ઘણા તુલનાત્મક અભ્યાસો પ્રકાશિત થયા છે. શેન એટ અલ23 દર્શાવે છે કે DM મોડેલ પરંપરાગત કેમેરર ફોર્મ્યુલા કરતાં વધુ સચોટ છે. ગેલિબર્ગ એટ અલ24 એ ડેમિરડજિયન માપદંડ25 અનુસાર ઉંમરની આગાહી કરવા માટે વિવિધ DM પદ્ધતિઓનો ઉપયોગ કર્યો અને પરિણામો દર્શાવે છે કે ફ્રેન્ચ વસ્તીની ઉંમરનો અંદાજ કાઢવામાં DM પદ્ધતિએ ડેમિરડજિયન અને વિલેમ્સ પદ્ધતિઓ કરતાં વધુ સારું પ્રદર્શન કર્યું.
કોરિયન કિશોરો અને યુવાન વયસ્કોના દાંતની ઉંમરનો અંદાજ કાઢવા માટે, લીની પદ્ધતિ 4 નો ઉપયોગ કોરિયન ફોરેન્સિક પ્રેક્ટિસમાં વ્યાપકપણે થાય છે. આ પદ્ધતિ કોરિયન વિષયો અને કાલક્રમિક ઉંમર વચ્ચેના સંબંધની તપાસ કરવા માટે પરંપરાગત આંકડાકીય વિશ્લેષણ (જેમ કે બહુવિધ રીગ્રેશન) નો ઉપયોગ કરે છે. આ અભ્યાસમાં, પરંપરાગત આંકડાકીય પદ્ધતિઓનો ઉપયોગ કરીને મેળવેલી ઉંમર અંદાજ પદ્ધતિઓને "પરંપરાગત પદ્ધતિઓ" તરીકે વ્યાખ્યાયિત કરવામાં આવી છે. લીની પદ્ધતિ એક પરંપરાગત પદ્ધતિ છે, અને તેની ચોકસાઈ ઓહ એટ અલ. 5 દ્વારા પુષ્ટિ આપવામાં આવી છે; જોકે, કોરિયન ફોરેન્સિક પ્રેક્ટિસમાં DM મોડેલ પર આધારિત ઉંમર અંદાજની લાગુ પડતીતા હજુ પણ શંકાસ્પદ છે. અમારું લક્ષ્ય DM મોડેલ પર આધારિત ઉંમર અંદાજની સંભવિત ઉપયોગીતાને વૈજ્ઞાનિક રીતે માન્ય કરવાનું હતું. આ અભ્યાસનો હેતુ (1) દાંતની ઉંમરનો અંદાજ કાઢવામાં બે DM મોડેલની ચોકસાઈની તુલના કરવાનો અને (2) 18 વર્ષની ઉંમરે 7 DM મોડેલના વર્ગીકરણ પ્રદર્શનની તુલના પરંપરાગત આંકડાકીય પદ્ધતિઓનો ઉપયોગ કરીને મેળવેલા લોકો સાથે કરવાનો હતો. બંને જડબામાં બીજા અને ત્રીજા દાઢની પરિપક્વતા.
સ્ટેજ અને દાંતના પ્રકાર દ્વારા કાલક્રમિક ઉંમરના સરેરાશ 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% વિશ્વાસ અંતરાલો ઑનલાઇન પૂરક કોષ્ટક S4 માં દર્શાવવામાં આવ્યા છે. કપ્પા મૂલ્યનું અર્થઘટન "લગભગ સંપૂર્ણ" તરીકે કરવામાં આવ્યું હતું, જે લેન્ડિસ અને કોચ26 ના માપદંડો સાથે સુસંગત હતું.
સરેરાશ સંપૂર્ણ ભૂલ (MAE) ની સરખામણી કરતી વખતે, પરંપરાગત પદ્ધતિ બધા જાતિઓ માટે અને બાહ્ય પુરુષ પરીક્ષણ સેટમાં DM મોડેલ કરતાં થોડી સારી કામગીરી બજાવે છે, મલ્ટિલેયર પરસેપ્ટ્રોન (MLP) સિવાય. આંતરિક MAE પરીક્ષણ સેટ પર પરંપરાગત મોડેલ અને DM 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 છે (પુરુષો માટે 0.001–0.05 વર્ષ અને સ્ત્રીઓ માટે 0.05–0.09 વર્ષ). વધુમાં, મૂળ સરેરાશ ચોરસ ભૂલ (RMSE) પરંપરાગત પદ્ધતિ કરતાં થોડી ઓછી છે, જેમાં નાના તફાવતો છે (પુરુષ આંતરિક પરીક્ષણ સેટ માટે 0.17–0.24, 0.2–0.24, અને બાહ્ય પરીક્ષણ સેટ માટે 0.03–0.07, 0.04–0.08). સ્ત્રી બાહ્ય પરીક્ષણ સેટ સિવાય, MLP સિંગલ લેયર પરસેપ્ટ્રોન (SLP) કરતાં થોડું સારું પ્રદર્શન દર્શાવે છે. MAE અને RMSE માટે, બાહ્ય પરીક્ષણ સેટ બધા જાતિઓ અને મોડેલો માટે આંતરિક પરીક્ષણ સેટ કરતા વધુ સ્કોર કરે છે. બધા MAE અને RMSE કોષ્ટક 1 અને આકૃતિ 1 માં દર્શાવેલ છે.
પરંપરાગત અને ડેટા માઇનિંગ રીગ્રેશન મોડેલ્સના MAE અને RMSE. મીન એબ્સોલ્યુટ એરર MAE, રુટ મીન સ્ક્વેર એરર RMSE, સિંગલ લેયર પરસેપ્ટ્રોન SLP, મલ્ટિલેયર પરસેપ્ટ્રોન MLP, ટ્રેડિશનલ CM મેથડ.
પરંપરાગત અને DM મોડેલોનું વર્ગીકરણ પ્રદર્શન (18 વર્ષના કટઓફ સાથે) સંવેદનશીલતા, વિશિષ્ટતા, હકારાત્મક આગાહી મૂલ્ય (PPV), નકારાત્મક આગાહી મૂલ્ય (NPV) અને રીસીવર ઓપરેટિંગ લાક્ષણિકતા વળાંક (AUROC) 27 હેઠળના ક્ષેત્રફળના સંદર્ભમાં દર્શાવવામાં આવ્યું હતું (કોષ્ટક 2, આકૃતિ 2 અને પૂરક આકૃતિ 1 ઓનલાઇન). આંતરિક પરીક્ષણ બેટરીની સંવેદનશીલતાના સંદર્ભમાં, પરંપરાગત પદ્ધતિઓએ પુરુષોમાં શ્રેષ્ઠ અને સ્ત્રીઓમાં ખરાબ પ્રદર્શન કર્યું. જો કે, પરંપરાગત પદ્ધતિઓ અને SD વચ્ચે વર્ગીકરણ પ્રદર્શનમાં તફાવત પુરુષો (MLP) માટે 9.7% અને સ્ત્રીઓ (XGBoost) માટે માત્ર 2.4% છે. DM મોડેલોમાં, લોજિસ્ટિક રીગ્રેશન (LR) એ બંને જાતિઓમાં વધુ સારી સંવેદનશીલતા દર્શાવી. આંતરિક પરીક્ષણ સેટની વિશિષ્ટતા અંગે, એવું જોવા મળ્યું કે ચાર SD મોડેલોએ પુરુષોમાં સારું પ્રદર્શન કર્યું, જ્યારે પરંપરાગત મોડેલે સ્ત્રીઓમાં વધુ સારું પ્રદર્શન કર્યું. પુરુષો અને સ્ત્રીઓ માટે વર્ગીકરણ પ્રદર્શનમાં તફાવત અનુક્રમે 13.3% (MLP) અને 13.1% (MLP) છે, જે દર્શાવે છે કે મોડેલો વચ્ચે વર્ગીકરણ પ્રદર્શનમાં તફાવત સંવેદનશીલતા કરતાં વધી ગયો છે. DM મોડેલોમાં, સપોર્ટ વેક્ટર મશીન (SVM), ડિસિઝન ટ્રી (DT), અને રેન્ડમ ફોરેસ્ટ (RF) મોડેલોએ પુરુષોમાં શ્રેષ્ઠ પ્રદર્શન કર્યું, જ્યારે LR મોડેલે સ્ત્રીઓમાં શ્રેષ્ઠ પ્રદર્શન કર્યું. પરંપરાગત મોડેલ અને બધા SD મોડેલોનું AUROC 0.925 (પુરુષોમાં k-નજીકનું પડોશી (KNN)) કરતા વધારે હતું, જે 18 વર્ષના નમૂનાઓમાં ભેદભાવ કરવામાં ઉત્તમ વર્ગીકરણ પ્રદર્શન દર્શાવે છે28. બાહ્ય પરીક્ષણ સેટ માટે, આંતરિક પરીક્ષણ સેટની તુલનામાં સંવેદનશીલતા, વિશિષ્ટતા અને AUROC ના સંદર્ભમાં વર્ગીકરણ પ્રદર્શનમાં ઘટાડો જોવા મળ્યો હતો. વધુમાં, શ્રેષ્ઠ અને સૌથી ખરાબ મોડેલોના વર્ગીકરણ પ્રદર્શન વચ્ચે સંવેદનશીલતા અને વિશિષ્ટતામાં તફાવત 10% થી 25% સુધીનો હતો અને આંતરિક પરીક્ષણ સેટમાં તફાવત કરતા મોટો હતો.
18 વર્ષના કટઓફ સાથે પરંપરાગત પદ્ધતિઓની તુલનામાં ડેટા માઇનિંગ વર્ગીકરણ મોડેલ્સની સંવેદનશીલતા અને વિશિષ્ટતા. KNN k નજીકના પાડોશી, SVM સપોર્ટ વેક્ટર મશીન, LR લોજિસ્ટિક રીગ્રેશન, DT નિર્ણય વૃક્ષ, RF રેન્ડમ ફોરેસ્ટ, XGB XGBoost, MLP મલ્ટિલેયર પરસેપ્ટ્રોન, પરંપરાગત CM પદ્ધતિ.
આ અભ્યાસમાં પહેલું પગલું સાત DM મોડેલોમાંથી મેળવેલા દાંતના વય અંદાજોની ચોકસાઈની તુલના પરંપરાગત રીગ્રેશનનો ઉપયોગ કરીને મેળવેલા આંકડા સાથે કરવાનું હતું. MAE અને RMSEનું 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 દિવસ સુધીનો હતો. જોકે આ અભ્યાસમાં પરંપરાગત પદ્ધતિ થોડી વધુ સચોટ હતી, તેમ છતાં, આટલા નાના તફાવતનું ક્લિનિકલ કે વ્યવહારુ મહત્વ છે કે કેમ તે નિષ્કર્ષ કાઢવો મુશ્કેલ છે. આ પરિણામો સૂચવે છે કે DM મોડેલનો ઉપયોગ કરીને દાંતના વય અંદાજની ચોકસાઈ લગભગ પરંપરાગત પદ્ધતિ જેટલી જ છે. અગાઉના અભ્યાસોના પરિણામો સાથે સીધી સરખામણી કરવી મુશ્કેલ છે કારણ કે કોઈ પણ અભ્યાસે આ અભ્યાસમાં સમાન વય શ્રેણીમાં દાંત રેકોર્ડ કરવાની સમાન તકનીકનો ઉપયોગ કરીને પરંપરાગત આંકડાકીય પદ્ધતિઓ સાથે DM મોડેલોની ચોકસાઈની તુલના કરી નથી. ગેલિબર્ગ એટ અલ24 એ 2 થી 24 વર્ષની વયની ફ્રેન્ચ વસ્તીમાં MAE અને RMSE ની તુલના બે પરંપરાગત પદ્ધતિઓ (ડેમિર્જિયન પદ્ધતિ25 અને વિલેમ્સ પદ્ધતિ29) અને 10 DM મોડેલો વચ્ચે કરી. તેઓએ અહેવાલ આપ્યો કે બધા DM મોડેલો પરંપરાગત પદ્ધતિઓ કરતાં વધુ સચોટ હતા, જેમાં વિલેમ્સ અને ડેમિરજિયન પદ્ધતિઓની તુલનામાં અનુક્રમે MAE માં 0.20 અને 0.38 વર્ષ અને RMSE માં 0.25 અને 0.47 વર્ષનો તફાવત હતો. હેલિબર્ગ અભ્યાસમાં દર્શાવેલ SD મોડેલ અને પરંપરાગત પદ્ધતિઓ વચ્ચેની વિસંગતતા અસંખ્ય અહેવાલોને ધ્યાનમાં લે છે30,31,32,33 કે ડેમિરજિયન પદ્ધતિ ફ્રેન્ચ કેનેડિયનો સિવાયની વસ્તીમાં દાંતની ઉંમરનો ચોક્કસ અંદાજ લગાવતી નથી જેના પર અભ્યાસ આધારિત હતો. આ અભ્યાસમાં. તાઈ એટ અલ 34 એ 1636 ચાઇનીઝ ઓર્થોડોન્ટિક ફોટોગ્રાફ્સમાંથી દાંતની ઉંમરની આગાહી કરવા માટે MLP અલ્ગોરિધમનો ઉપયોગ કર્યો અને તેની ચોકસાઈની તુલના ડેમિરજિયન અને વિલમ્સ પદ્ધતિના પરિણામો સાથે કરી. તેઓએ અહેવાલ આપ્યો કે MLP માં પરંપરાગત પદ્ધતિઓ કરતાં વધુ ચોકસાઈ છે. ડેમિરજિયન પદ્ધતિ અને પરંપરાગત પદ્ધતિ વચ્ચેનો તફાવત <0.32 વર્ષ છે, અને વિલમ્સ પદ્ધતિ 0.28 વર્ષ છે, જે વર્તમાન અભ્યાસના પરિણામો જેવી જ છે. આ અગાઉના અભ્યાસોના પરિણામો 24,34 પણ વર્તમાન અભ્યાસના પરિણામો સાથે સુસંગત છે, અને DM મોડેલ અને પરંપરાગત પદ્ધતિની ઉંમર અંદાજ ચોકસાઈ સમાન છે. જો કે, પ્રસ્તુત પરિણામોના આધારે, આપણે ફક્ત સાવધાનીપૂર્વક નિષ્કર્ષ પર આવી શકીએ છીએ કે તુલનાત્મક અને સંદર્ભિત અગાઉના અભ્યાસોના અભાવને કારણે ઉંમરનો અંદાજ કાઢવા માટે DM મોડેલનો ઉપયોગ હાલની પદ્ધતિઓને બદલી શકે છે. આ અભ્યાસમાં મેળવેલા પરિણામોની પુષ્ટિ કરવા માટે મોટા નમૂનાઓનો ઉપયોગ કરીને અનુવર્તી અભ્યાસોની જરૂર છે.
દાંતની ઉંમરનો અંદાજ કાઢવામાં SD ની ચોકસાઈનું પરીક્ષણ કરતા અભ્યાસોમાં, કેટલાકે અમારા અભ્યાસ કરતા વધુ ચોકસાઈ દર્શાવી. સ્ટેપનોવ્સ્કી એટ અલ 35 એ 2.7 થી 20.5 વર્ષની વયના 976 ચેક રહેવાસીઓના પેનોરેમિક રેડિયોગ્રાફ પર 22 SD મોડેલ લાગુ કર્યા અને દરેક મોડેલની ચોકસાઈનું પરીક્ષણ કર્યું. તેઓએ મૂરીસ એટ અલ 36 દ્વારા પ્રસ્તાવિત વર્ગીકરણ માપદંડનો ઉપયોગ કરીને કુલ 16 ઉપલા અને નીચલા ડાબા કાયમી દાંતના વિકાસનું મૂલ્યાંકન કર્યું. MAE 0.64 થી 0.94 વર્ષ સુધીની છે અને RMSE 0.85 થી 1.27 વર્ષ સુધીની છે, જે આ અભ્યાસમાં ઉપયોગમાં લેવાતા બે DM મોડેલો કરતાં વધુ સચોટ છે. શેન એટ અલ 23 એ 5 થી 13 વર્ષની વયના પૂર્વીય ચાઇનીઝ રહેવાસીઓમાં ડાબા મેન્ડિબલમાં સાત કાયમી દાંતની દાંતની ઉંમરનો અંદાજ કાઢવા માટે કેમેરિયર પદ્ધતિનો ઉપયોગ કર્યો અને રેખીય રીગ્રેશન, SVM અને RF નો ઉપયોગ કરીને અંદાજિત ઉંમર સાથે તેની તુલના કરી. તેઓએ દર્શાવ્યું કે પરંપરાગત કેમેરિયર ફોર્મ્યુલાની તુલનામાં ત્રણેય DM મોડેલોમાં વધુ ચોકસાઈ છે. શેનના ​​અભ્યાસમાં MAE અને RMSE આ અભ્યાસમાં DM મોડેલ કરતા ઓછા હતા. સ્ટેપનોવ્સ્કી એટ અલ. 35 અને શેન એટ અલ. 23 દ્વારા કરવામાં આવેલા અભ્યાસોની વધેલી ચોકસાઈ તેમના અભ્યાસ નમૂનાઓમાં નાના વિષયોના સમાવેશને કારણે હોઈ શકે છે. કારણ કે દાંતના વિકાસ દરમિયાન દાંતની સંખ્યા વધવાથી વિકાસશીલ દાંત ધરાવતા સહભાગીઓ માટે ઉંમર અંદાજ વધુ સચોટ બને છે, જ્યારે અભ્યાસ સહભાગીઓ નાના હોય ત્યારે પરિણામી ઉંમર અંદાજ પદ્ધતિની ચોકસાઈ સાથે ચેડા થઈ શકે છે. વધુમાં, ઉંમર અંદાજમાં MLP ની ભૂલ SLP કરતા થોડી ઓછી છે, જેનો અર્થ એ છે કે MLP SLP કરતા વધુ સચોટ છે. MLP ને ઉંમર અંદાજ માટે થોડું સારું માનવામાં આવે છે, સંભવતઃ MLP38 માં છુપાયેલા સ્તરોને કારણે. જો કે, સ્ત્રીઓના બાહ્ય નમૂના માટે એક અપવાદ છે (SLP 1.45, MLP 1.49). ઉંમરનું મૂલ્યાંકન કરવામાં MLP SLP કરતા વધુ સચોટ છે તે શોધવા માટે વધારાના પૂર્વવર્તી અભ્યાસોની જરૂર છે.
18 વર્ષની થ્રેશોલ્ડ પર DM મોડેલ અને પરંપરાગત પદ્ધતિના વર્ગીકરણ પ્રદર્શનની પણ સરખામણી કરવામાં આવી હતી. આંતરિક પરીક્ષણ સેટ પરના બધા પરીક્ષણ કરાયેલ SD મોડેલો અને પરંપરાગત પદ્ધતિઓએ 18 વર્ષની વયના નમૂના માટે વ્યવહારીક રીતે સ્વીકાર્ય સ્તરના ભેદભાવ દર્શાવ્યા હતા. પુરુષો અને સ્ત્રીઓ માટે સંવેદનશીલતા અનુક્રમે 87.7% અને 94.9% કરતા વધારે હતી, અને વિશિષ્ટતા 89.3% અને 84.7% કરતા વધારે હતી. બધા પરીક્ષણ કરાયેલ મોડેલોનો AUROC પણ 0.925 કરતા વધારે છે. અમારા શ્રેષ્ઠ જ્ઞાન મુજબ, કોઈ પણ અભ્યાસે ડેન્ટલ પરિપક્વતાના આધારે 18 વર્ષની વર્ગીકરણ માટે DM મોડેલના પ્રદર્શનનું પરીક્ષણ કર્યું નથી. અમે આ અભ્યાસના પરિણામોની તુલના પેનોરેમિક રેડિયોગ્રાફ્સ પર ડીપ લર્નિંગ મોડેલના વર્ગીકરણ પ્રદર્શન સાથે કરી શકીએ છીએ. ગુઓ એટ અલ.15 એ ચોક્કસ વય મર્યાદા માટે CNN-આધારિત ડીપ લર્નિંગ મોડેલ અને ડેમર્જિયનની પદ્ધતિ પર આધારિત મેન્યુઅલ પદ્ધતિના વર્ગીકરણ પ્રદર્શનની 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% કરતાં વધી ગઈ. તેઓએ તારણ કાઢ્યું કે ઊંડા શિક્ષણ મોડેલો વય થ્રેશોલ્ડનું વર્ગીકરણ કરવામાં મેન્યુઅલ મૂલ્યાંકનને બદલી શકે છે અથવા તેનાથી શ્રેષ્ઠ પ્રદર્શન કરી શકે છે. આ અભ્યાસના પરિણામોએ સમાન વર્ગીકરણ પ્રદર્શન દર્શાવ્યું; એવું માનવામાં આવે છે કે DM મોડેલોનો ઉપયોગ કરીને વર્ગીકરણ વય અંદાજ માટે પરંપરાગત આંકડાકીય પદ્ધતિઓને બદલી શકે છે. મોડેલોમાં, DM LR પુરુષ નમૂના માટે સંવેદનશીલતા અને સ્ત્રી નમૂના માટે સંવેદનશીલતા અને વિશિષ્ટતાના સંદર્ભમાં શ્રેષ્ઠ મોડેલ હતું. પુરુષો માટે વિશિષ્ટતામાં LR બીજા ક્રમે છે. વધુમાં, LR ને વધુ વપરાશકર્તા-મૈત્રીપૂર્ણ DM35 મોડેલોમાંનું એક માનવામાં આવે છે અને તે ઓછા જટિલ અને પ્રક્રિયા કરવા મુશ્કેલ છે. આ પરિણામોના આધારે, LR ને કોરિયન વસ્તીમાં 18 વર્ષની વયના લોકો માટે શ્રેષ્ઠ કટઓફ વર્ગીકરણ મોડેલ માનવામાં આવતું હતું.
એકંદરે, બાહ્ય પરીક્ષણ સેટ પર વય અંદાજ અથવા વર્ગીકરણ પ્રદર્શનની ચોકસાઈ આંતરિક પરીક્ષણ સેટ પરના પરિણામોની તુલનામાં નબળી અથવા ઓછી હતી. કેટલાક અહેવાલો સૂચવે છે કે જ્યારે કોરિયન વસ્તી પર આધારિત વય અંદાજો જાપાની વસ્તી પર લાગુ કરવામાં આવે છે ત્યારે વર્ગીકરણ ચોકસાઈ અથવા કાર્યક્ષમતામાં ઘટાડો થાય છે5,39, અને વર્તમાન અભ્યાસમાં સમાન પેટર્ન જોવા મળી હતી. આ બગાડ વલણ DM ​​મોડેલમાં પણ જોવા મળ્યું હતું. તેથી, વિશ્લેષણ પ્રક્રિયામાં DM નો ઉપયોગ કરતી વખતે પણ, વયનો સચોટ અંદાજ કાઢવા માટે, પરંપરાગત પદ્ધતિઓ જેવી મૂળ વસ્તી ડેટામાંથી મેળવેલી પદ્ધતિઓને પ્રાધાન્ય આપવું જોઈએ5,39,40,41,42. કારણ કે તે સ્પષ્ટ નથી કે ડીપ લર્નિંગ મોડેલો સમાન વલણો બતાવી શકે છે, પરંપરાગત પદ્ધતિઓ, DM મોડેલો અને ડીપ લર્નિંગ મોડેલોનો ઉપયોગ કરીને વર્ગીકરણ ચોકસાઈ અને કાર્યક્ષમતાની તુલના કરતા અભ્યાસોની જરૂર છે જેથી ખાતરી કરી શકાય કે કૃત્રિમ બુદ્ધિ મર્યાદિત વય મૂલ્યાંકનમાં આ વંશીય અસમાનતાઓને દૂર કરી શકે છે.
અમે દર્શાવ્યું છે કે કોરિયામાં ફોરેન્સિક વય અંદાજ પ્રથામાં DM મોડેલના આધારે પરંપરાગત પદ્ધતિઓને વય અંદાજ દ્વારા બદલી શકાય છે. અમે ફોરેન્સિક વય મૂલ્યાંકન માટે મશીન લર્નિંગ લાગુ કરવાની શક્યતા પણ શોધી કાઢી. જો કે, સ્પષ્ટ મર્યાદાઓ છે, જેમ કે પરિણામોને નિશ્ચિતપણે નક્કી 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 ઉપયોગિતા સુધારવા માટે DM અભ્યાસો મોટી સંખ્યામાં નમૂનાઓ અને વધુ વૈવિધ્યસભર વસ્તી સાથે હાથ ધરવામાં આવવા જોઈએ. બહુવિધ વસ્તીમાં ઉંમરનો અંદાજ કાઢવા માટે કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની શક્યતાને માન્ય કરવા માટે, સમાન નમૂનાઓમાં પરંપરાગત પદ્ધતિઓ સાથે DM અને ઊંડા શિક્ષણ મોડેલોની વર્ગીકરણ ચોકસાઈ અને કાર્યક્ષમતાની તુલના કરવા માટે ભવિષ્યના અભ્યાસોની જરૂર છે.
આ અભ્યાસમાં 15 થી 23 વર્ષની વયના કોરિયન અને જાપાની પુખ્ત વયના લોકો પાસેથી એકત્રિત કરાયેલા 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 વિભાજિત કરવામાં આવ્યા હતા. તાલીમ સેટ એક સંસ્થા (સિઓલ સેન્ટ મેરી હોસ્પિટલ) ખાતે એકત્રિત કરવામાં આવ્યો હતો, અને પોતાનો પરીક્ષણ 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 (ઇવાટ મેડિકલ યુનિવર્સિટી, જાપાન) માંથી 857 રેડિયોગ્રાફ્સ પણ એકત્રિત કર્યા હતા. જાપાની વિષયોના રેડિયોગ્રાફ્સ (19.31 ± 2.60 વર્ષ) ને બાહ્ય પરીક્ષણ સેટ તરીકે પસંદ કરવામાં આવ્યા હતા. દાંતની સારવાર દરમિયાન લેવામાં આવેલા પેનોરેમિક રેડિયોગ્રાફ્સ પર દાંતના વિકાસના તબક્કાઓનું વિશ્લેષણ કરવા માટે ડેટા પૂર્વવર્તી રીતે એકત્રિત કરવામાં આવ્યો હતો. એકત્રિત કરવામાં આવેલ તમામ ડેટા લિંગ, જન્મ તારીખ અને રેડિયોગ્રાફની તારીખ સિવાય અનામી હતો. સમાવેશ અને બાકાત માપદંડ અગાઉ પ્રકાશિત થયેલા અભ્યાસો 4, 5 જેવા જ હતા. રેડિયોગ્રાફ લેવામાં આવ્યો તે તારીખમાંથી જન્મ તારીખ બાદ કરીને નમૂનાની વાસ્તવિક ઉંમરની ગણતરી કરવામાં આવી હતી. નમૂના જૂથને નવ વય જૂથોમાં વિભાજિત કરવામાં આવ્યું હતું. ઉંમર અને લિંગ વિતરણ કોષ્ટક 3 માં દર્શાવવામાં આવ્યું છે. આ અભ્યાસ હેલસિંકીની ઘોષણા અનુસાર હાથ ધરવામાં આવ્યો હતો અને કેથોલિક યુનિવર્સિટી ઓફ કોરિયા (KC22WISI0328) ના સિઓલ સેન્ટ મેરી હોસ્પિટલના સંસ્થાકીય સમીક્ષા બોર્ડ (IRB) દ્વારા મંજૂર કરવામાં આવ્યો હતો. આ અભ્યાસની પૂર્વવર્તી ડિઝાઇનને કારણે, ઉપચારાત્મક હેતુઓ માટે રેડિયોગ્રાફિક પરીક્ષા કરાવતા તમામ દર્દીઓ પાસેથી જાણકાર સંમતિ મેળવી શકાઈ ન હતી. સિઓલ કોરિયા યુનિવર્સિટી સેન્ટ મેરી હોસ્પિટલ (IRB) એ જાણકાર સંમતિ માટેની આવશ્યકતાને માફ કરી દીધી હતી.
બાયમેક્સિલરી બીજા અને ત્રીજા દાઢના વિકાસના તબક્કાઓનું મૂલ્યાંકન ડેમિકન માપદંડ25 અનુસાર કરવામાં આવ્યું હતું. જો દરેક જડબાના ડાબા અને જમણા બાજુએ એક જ પ્રકારનો દાંત જોવા મળે તો ફક્ત એક જ દાંત પસંદ કરવામાં આવ્યો હતો. જો બંને બાજુના સમાન દાંત અલગ અલગ વિકાસના તબક્કામાં હોય, તો અંદાજિત ઉંમરમાં અનિશ્ચિતતા માટે નીચલા વિકાસના તબક્કાવાળા દાંતની પસંદગી કરવામાં આવી હતી. ડેન્ટલ પરિપક્વતા તબક્કાને નક્કી કરવા માટે પ્રીકેલિબ્રેશન પછી ઇન્ટરઓબ્ઝર્વર વિશ્વસનીયતા ચકાસવા માટે તાલીમ સેટમાંથી એકસો રેન્ડમલી પસંદ કરેલા રેડિયોગ્રાફ્સ બે અનુભવી નિરીક્ષકો દ્વારા સ્કોર કરવામાં આવ્યા હતા. પ્રાથમિક નિરીક્ષક દ્વારા ત્રણ મહિનાના અંતરાલમાં બે વાર ઇન્ટ્રાઓબ્ઝર્વર વિશ્વસનીયતાનું મૂલ્યાંકન કરવામાં આવ્યું હતું.
તાલીમ સેટમાં દરેક જડબાના બીજા અને ત્રીજા દાઢના લિંગ અને વિકાસના તબક્કાનો અંદાજ વિવિધ DM મોડેલો સાથે તાલીમ પામેલા પ્રાથમિક નિરીક્ષક દ્વારા કરવામાં આવ્યો હતો, અને વાસ્તવિક ઉંમર લક્ષ્ય મૂલ્ય તરીકે સેટ કરવામાં આવી હતી. મશીન લર્નિંગમાં વ્યાપકપણે ઉપયોગમાં લેવાતા SLP અને MLP મોડેલોનું રીગ્રેશન અલ્ગોરિધમ્સ સામે પરીક્ષણ કરવામાં આવ્યું હતું. DM મોડેલ ચાર દાંતના વિકાસના તબક્કાઓનો ઉપયોગ કરીને રેખીય કાર્યોને જોડે છે અને આ ડેટાને જોડીને ઉંમરનો અંદાજ કાઢે છે. SLP સૌથી સરળ ન્યુરલ નેટવર્ક છે અને તેમાં છુપાયેલા સ્તરો નથી. SLP નોડ્સ વચ્ચે થ્રેશોલ્ડ ટ્રાન્સમિશન પર આધારિત કાર્ય કરે છે. રીગ્રેશનમાં SLP મોડેલ ગાણિતિક રીતે બહુવિધ રેખીય રીગ્રેશન જેવું જ છે. SLP મોડેલથી વિપરીત, MLP મોડેલમાં નોનલાઇનર એક્ટિવેશન ફંક્શન્સ સાથે બહુવિધ છુપાયેલા સ્તરો છે. અમારા પ્રયોગોમાં નોનલાઇનર એક્ટિવેશન ફંક્શન્સ સાથે માત્ર 20 છુપાયેલા નોડ્સ સાથે છુપાયેલા સ્તરનો ઉપયોગ કરવામાં આવ્યો હતો. અમારા મશીન લર્નિંગ મોડેલને તાલીમ આપવા માટે ગ્રેડિયન્ટ ડિસેન્ટનો ઉપયોગ ઑપ્ટિમાઇઝેશન પદ્ધતિ તરીકે અને MAE અને RMSE ને નુકસાન ફંક્શન તરીકે કરો. શ્રેષ્ઠ પ્રાપ્ત રીગ્રેશન મોડેલ આંતરિક અને બાહ્ય પરીક્ષણ સેટ પર લાગુ કરવામાં આવ્યું હતું અને દાંતની ઉંમરનો અંદાજ કાઢવામાં આવ્યો હતો.
એક વર્ગીકરણ અલ્ગોરિધમ વિકસાવવામાં આવ્યું હતું જે તાલીમ સેટ પર ચાર દાંતની પરિપક્વતાનો ઉપયોગ કરીને આગાહી કરે છે કે નમૂના 18 વર્ષ જૂનો 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 નિરીક્ષણ કરેલ લર્નિંગ અલ્ગોરિધમ છે જે 0 થી 1 સુધીના ચોક્કસ શ્રેણીના ડેટાની સંભાવનાની આગાહી કરવા માટે રીગ્રેશનનો ઉપયોગ કરે છે અને આ સંભાવનાના આધારે ડેટાને વધુ સંભવિત શ્રેણીના તરીકે 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 તેમને સૌથી વધુ આવર્તન સાથે વર્ગમાં વર્ગીકૃત કરે છે. અમે ધ્યાનમાં લેવામાં આવેલા પડોશીઓની સંખ્યા (k) માટે 3 સેટ કરીએ છીએ. SVM એ એક અલ્ગોરિધમ છે જે કર્નલ ફંક્શનનો ઉપયોગ કરીને બે વર્ગો વચ્ચેનું અંતર મહત્તમ કરે છે જેથી રેખીય જગ્યાને fields46 નામની બિન-રેખીય જગ્યામાં વિસ્તૃત કરી શકાય. આ મોડેલ માટે, અમે બહુપદી કર્નલ માટે હાઇપરપેરામીટર તરીકે બાયસ = 1, પાવર = 1, અને ગામા = 1 નો ઉપયોગ કરીએ છીએ. ટ્રી સ્ટ્રક્ચરમાં નિર્ણય નિયમોનું પ્રતિનિધિત્વ કરીને સમગ્ર ડેટા સેટને અનેક પેટાજૂથોમાં વિભાજીત કરવા માટે વિવિધ ક્ષેત્રોમાં DT નો ઉપયોગ કરવામાં આવ્યો છે. આ મોડેલ 2 ના નોડ દીઠ ઓછામાં ઓછા રેકોર્ડ્સ સાથે ગોઠવાયેલ છે અને ગુણવત્તાના માપદંડ તરીકે Gini ઇન્ડેક્સનો ઉપયોગ કરે છે. RF એ એક એન્સેમ્બલ પદ્ધતિ છે જે બુટસ્ટ્રેપ એકત્રીકરણ પદ્ધતિનો ઉપયોગ કરીને પ્રદર્શન સુધારવા માટે બહુવિધ DT ને જોડે છે જે મૂળ ડેટાસેટમાંથી ઘણી વખત સમાન કદના નમૂનાઓ રેન્ડમલી દોરીને દરેક નમૂના માટે નબળા વર્ગીકરણ ઉત્પન્ન કરે છે48. અમે નોડ અલગ કરવાના માપદંડ તરીકે 100 વૃક્ષો, 10 વૃક્ષ ઊંડાઈ, 1 લઘુત્તમ નોડ કદ અને Gini મિશ્રણ સૂચકાંકનો ઉપયોગ કર્યો. નવા ડેટાનું વર્ગીકરણ બહુમતી મત દ્વારા નક્કી કરવામાં આવે છે. XGBoost એ એક અલ્ગોરિધમ 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 ગ્રેડિયન્ટ્સનો ઉપયોગ કરીને ભૂલને વધારે છે49. તે તેના સારા પ્રદર્શન અને સંસાધન કાર્યક્ષમતા, તેમજ ઓવરફિટિંગ કરેક્શન ફંક્શન તરીકે ઉચ્ચ વિશ્વસનીયતાને કારણે વ્યાપકપણે ઉપયોગમાં લેવાતું અલ્ગોરિધમ છે. આ મોડેલ 400 સપોર્ટ વ્હીલ્સથી સજ્જ છે. MLP એ એક ન્યુરલ નેટવર્ક છે જેમાં એક અથવા વધુ પર્સેપ્ટ્રોન ઇનપુટ અને આઉટપુટ સ્તરો વચ્ચે એક અથવા વધુ છુપાયેલા સ્તરો સાથે બહુવિધ સ્તરો બનાવે છે38. આનો ઉપયોગ કરીને, તમે બિન-રેખીય વર્ગીકરણ કરી શકો છો જ્યાં જ્યારે તમે ઇનપુટ સ્તર ઉમેરો છો અને પરિણામ મૂલ્ય મેળવો છો, ત્યારે અનુમાનિત પરિણામ મૂલ્યની તુલના વાસ્તવિક પરિણામ મૂલ્ય સાથે કરવામાં આવે છે અને ભૂલ પાછી ફેલાવવામાં આવે છે. અમે દરેક સ્તરમાં 20 છુપાયેલા ચેતાકોષો સાથે એક છુપાયેલ સ્તર બનાવ્યું છે. અમે વિકસિત દરેક મોડેલ સંવેદનશીલતા, વિશિષ્ટતા, PPV, NPV અને AUROC ની ગણતરી કરીને વર્ગીકરણ પ્રદર્શનનું પરીક્ષણ કરવા માટે આંતરિક અને બાહ્ય સેટ પર લાગુ કરવામાં આવ્યું હતું. સંવેદનશીલતાને ૧૮ વર્ષ કે તેથી વધુ ઉંમરના અંદાજિત નમૂના અને ૧૮ વર્ષ કે તેથી વધુ ઉંમરના અંદાજિત નમૂનાના ગુણોત્તર તરીકે વ્યાખ્યાયિત કરવામાં આવે છે. વિશિષ્ટતા એ ૧૮ વર્ષથી ઓછી ઉંમરના અને ૧૮ વર્ષથી ઓછી ઉંમરના અંદાજિત નમૂનાઓનું પ્રમાણ છે.
તાલીમ સમૂહમાં મૂલ્યાંકન કરાયેલા દાંતના તબક્કાઓને આંકડાકીય વિશ્લેષણ માટે સંખ્યાત્મક તબક્કામાં રૂપાંતરિત કરવામાં આવ્યા હતા. દરેક લિંગ માટે આગાહી મોડેલો વિકસાવવા અને ઉંમરનો અંદાજ લગાવવા માટે ઉપયોગમાં લઈ શકાય તેવા રીગ્રેશન સૂત્રો મેળવવા માટે બહુવિધ રેખીય અને લોજિસ્ટિક રીગ્રેશન કરવામાં આવ્યા હતા. અમે આંતરિક અને બાહ્ય બંને પરીક્ષણ સમૂહો માટે દાંતની ઉંમરનો અંદાજ કાઢવા માટે આ સૂત્રોનો ઉપયોગ કર્યો હતો. કોષ્ટક 4 આ અભ્યાસમાં ઉપયોગમાં લેવાતા રીગ્રેશન અને વર્ગીકરણ મોડેલો દર્શાવે છે.
કોહેનના કપ્પા આંકડાનો ઉપયોગ કરીને ઇન્ટ્રા- અને ઇન્ટરઓબ્ઝર્વર વિશ્વસનીયતાની ગણતરી કરવામાં આવી હતી. DM અને પરંપરાગત રીગ્રેશન મોડેલોની ચોકસાઈ ચકાસવા માટે, અમે આંતરિક અને બાહ્ય પરીક્ષણ સેટની અંદાજિત અને વાસ્તવિક ઉંમરનો ઉપયોગ કરીને MAE અને RMSE ની ગણતરી કરી. આ ભૂલોનો ઉપયોગ સામાન્ય રીતે મોડેલ આગાહીઓની ચોકસાઈનું મૂલ્યાંકન કરવા માટે થાય છે. ભૂલ જેટલી નાની હશે, આગાહીની ચોકસાઈ 24 વધારે હશે. DM અને પરંપરાગત રીગ્રેશનનો ઉપયોગ કરીને ગણતરી કરાયેલ આંતરિક અને બાહ્ય પરીક્ષણ સેટના MAE અને RMSE ની તુલના કરો. પરંપરાગત આંકડાઓમાં 18-વર્ષના કટઓફના વર્ગીકરણ પ્રદર્શનનું મૂલ્યાંકન 2 × 2 આકસ્મિક કોષ્ટકનો ઉપયોગ કરીને કરવામાં આવ્યું હતું. પરીક્ષણ સેટની ગણતરી કરેલ સંવેદનશીલતા, વિશિષ્ટતા, PPV, NPV અને AUROC ની સરખામણી DM વર્ગીકરણ મોડેલના માપેલા મૂલ્યો સાથે કરવામાં આવી હતી. ડેટા લાક્ષણિકતાઓના આધારે ડેટા સરેરાશ ± પ્રમાણભૂત વિચલન અથવા સંખ્યા (%) તરીકે વ્યક્ત કરવામાં આવે છે. બે-બાજુવાળા P મૂલ્યો <0.05 આંકડાકીય રીતે મહત્વપૂર્ણ માનવામાં આવ્યા હતા. બધા નિયમિત આંકડાકીય વિશ્લેષણ SAS સંસ્કરણ 9.4 (SAS ઇન્સ્ટિટ્યૂટ, કેરી, NC) નો ઉપયોગ કરીને કરવામાં આવ્યા હતા. ખાસ કરીને ગાણિતિક કામગીરી માટે Keras50 2.2.4 બેકએન્ડ અને Tensorflow51 1.8.0 નો ઉપયોગ કરીને Python માં DM રીગ્રેશન મોડેલ લાગુ કરવામાં આવ્યું હતું. DM વર્ગીકરણ મોડેલને Waikato Knowledge Analysis Environment અને Konstanz Information Miner (KNIME) 4.6.152 વિશ્લેષણ પ્લેટફોર્મમાં લાગુ કરવામાં આવ્યું હતું.
લેખકો સ્વીકારે છે કે અભ્યાસના નિષ્કર્ષોને સમર્થન આપતો ડેટા લેખ અને પૂરક સામગ્રીમાં મળી શકે છે. અભ્યાસ દરમિયાન જનરેટ થયેલા અને/અથવા વિશ્લેષણ કરાયેલા ડેટાસેટ્સ સંબંધિત લેખક પાસેથી વાજબી વિનંતી પર ઉપલબ્ધ છે.
રિટ્ઝ-ટિમ્મે, એસ. એટ અલ. ઉંમર મૂલ્યાંકન: ફોરેન્સિક પ્રેક્ટિસની ચોક્કસ જરૂરિયાતોને પૂર્ણ કરવા માટે અત્યાધુનિક સ્થિતિ. આંતરરાષ્ટ્રીયતા. જે. કાનૂની દવા. 113, 129–136 (2000).
શ્મેલિંગ, એ., રીસિંગર, ડબલ્યુ., ગેસેરિક, જી., અને ઓલ્ઝે, એ. ફોજદારી કાર્યવાહીના હેતુઓ માટે જીવંત વિષયોના ફોરેન્સિક વય મૂલ્યાંકનની વર્તમાન સ્થિતિ. ફોરેન્સિક્સ. દવા. પેથોલોજી. 1, 239–246 (2005).
પાન, જે. એટ અલ. પૂર્વી ચીનમાં 5 થી 16 વર્ષની વયના બાળકોના દાંતની ઉંમરનું મૂલ્યાંકન કરવા માટેની એક સુધારેલી પદ્ધતિ. ક્લિનિકલ. મૌખિક સર્વે. 25, 3463–3474 (2021).
લી, એસએસ વગેરે. કોરિયનોમાં બીજા અને ત્રીજા દાઢના વિકાસનો કાલક્રમ અને ફોરેન્સિક વય મૂલ્યાંકન માટે તેનો ઉપયોગ. આંતરરાષ્ટ્રીયતા. જે. કાનૂની દવા. 124, 659–665 (2010).
ઓહ, એસ., કુમાગાઈ, એ., કિમ, એસવાય અને લી, એસએસ. કોરિયન અને જાપાનીઝમાં બીજા અને ત્રીજા દાઢની પરિપક્વતાના આધારે ઉંમરના અંદાજ અને 18-વર્ષના થ્રેશોલ્ડનો અંદાજ ચોકસાઈ. PLoS ONE 17, e0271247 (2022).
કિમ, જેવાય, વગેરે. પ્રી-ઓપરેટિવ મશીન લર્નિંગ-આધારિત ડેટા વિશ્લેષણ OSA ધરાવતા દર્દીઓમાં સ્લીપ સર્જરી સારવારના પરિણામોની આગાહી કરી શકે છે. વિજ્ઞાન. રિપોર્ટ 11, 14911 (2021).
હેન, એમ. વગેરે. માનવ હસ્તક્ષેપ સાથે કે વગર મશીન લર્નિંગ દ્વારા સચોટ ઉંમરનો અંદાજ? આંતરરાષ્ટ્રીયતા. જે. કાનૂની દવા. 136, 821–831 (2022).
ખાન, એસ. અને શાહીન, એમ. ડેટા માઇનિંગથી ડેટા માઇનિંગ સુધી. જે. માહિતી. વિજ્ઞાન. https://doi.org/10.1177/01655515211030872 (2021).
ખાન, એસ. અને શાહીન, એમ. વિસરુલ: એસોસિએશન રૂલ માઇનિંગ માટે પ્રથમ જ્ઞાનાત્મક અલ્ગોરિધમ. જે. માહિતી. વિજ્ઞાન. https://doi.org/10.1177/01655515221108695 (2022).
શાહીન એમ. અને અબ્દુલ્લા યુ. કર્મ: સંદર્ભ-આધારિત સંગઠન નિયમો પર આધારિત પરંપરાગત ડેટા માઇનિંગ. ગણતરી કરો. મેટ. ચાલુ રાખો. 68, 3305–3322 (2021).
મુહમ્મદ એમ., રહેમાન ઝેડ., શાહીન એમ., ખાન એમ. અને હબીબ એમ. ટેક્સ્ટ ડેટાનો ઉપયોગ કરીને ઊંડા શિક્ષણ આધારિત સિમેન્ટીક સમાનતા શોધ. માહિતી. ટેકનોલોજીઓ. નિયંત્રણ. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
તાબીશ, એમ., તનોલી, ઝેડ., અને શાહીન, એમ. સ્પોર્ટ્સ વીડિયોમાં પ્રવૃત્તિને ઓળખવા માટેની એક સિસ્ટમ. મલ્ટીમીડિયા. ટૂલ્સ એપ્લિકેશન્સ https://doi.org/10.1007/s11042-021-10519-6 (2021).
હલાબી, એસએસ અને અન્ય. પીડિયાટ્રિક બોન એજમાં આરએસએનએ મશીન લર્નિંગ ચેલેન્જ. રેડિયોલોજી 290, 498–503 (2019).
લી, વાય. એટ અલ. ડીપ લર્નિંગનો ઉપયોગ કરીને પેલ્વિક એક્સ-રેમાંથી ફોરેન્સિક ઉંમરનો અંદાજ. યુરો. રેડિયેશન. 29, 2322–2329 (2019).
ગુઓ, વાયસી, વગેરે. ઓર્થોગ્રાફિક પ્રોજેક્શન છબીઓમાંથી મેન્યુઅલ પદ્ધતિઓ અને ઊંડા કન્વોલ્યુશનલ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને સચોટ વય વર્ગીકરણ. આંતરરાષ્ટ્રીયતા. જે. કાનૂની દવા. 135, 1589–1597 (2021).
અલાબામા ડાલોરા અને અન્ય. વિવિધ મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરીને હાડકાની ઉંમરનો અંદાજ: એક વ્યવસ્થિત સાહિત્ય સમીક્ષા અને મેટા-વિશ્લેષણ. PLoS ONE 14, e0220242 (2019).
ડુ, એચ., લી, જી., ચેંગ, કે., અને યાંગ, જે. કોન-બીમ કમ્પ્યુટેડ ટોમોગ્રાફીનો ઉપયોગ કરીને પ્રથમ દાઢના પલ્પ ચેમ્બર વોલ્યુમના આધારે આફ્રિકન અમેરિકનો અને ચાઇનીઝની વસ્તી-વિશિષ્ટ વય અંદાજ. આંતરરાષ્ટ્રીયતા. જે. કાનૂની દવા. 136, 811–819 (2022).
કિમ એસ., લી વાયએચ, નોહ વાયકે, પાર્ક એફકે અને ઓહ કેએસ પ્રથમ દાઢની કૃત્રિમ બુદ્ધિ-આધારિત છબીઓનો ઉપયોગ કરીને જીવંત લોકોના વય જૂથોનું નિર્ધારણ. વિજ્ઞાન. રિપોર્ટ 11, 1073 (2021).
સ્ટર્ન, ડી., પેયર, સી., ગિયુલિયાની, એન., અને ઉર્શલર, એમ. મલ્ટિવેરિયેટ એમઆરઆઈ ડેટામાંથી સ્વચાલિત વય અંદાજ અને બહુમતી વય વર્ગીકરણ. આઇઇઇઇ જે. બાયોમેડ. હેલ્થ એલર્ટ્સ. 23, 1392–1403 (2019).
ચેંગ, ક્યૂ., જી., ઝેડ., ડુ, એચ. અને લી, જી. ઊંડા શિક્ષણ અને સ્તર સેટને એકીકૃત કરીને કોન બીમ કમ્પ્યુટેડ ટોમોગ્રાફીમાંથી પ્રથમ દાઢના 3D પલ્પ ચેમ્બર સેગ્મેન્ટેશન પર આધારિત ઉંમર અંદાજ. આંતરરાષ્ટ્રીયતા. જે. કાનૂની દવા. 135, 365–373 (2021).
વુ, ડબલ્યુટી, એટ અલ. ક્લિનિકલ બિગ ડેટામાં ડેટા માઇનિંગ: સામાન્ય ડેટાબેઝ, પગલાં અને પદ્ધતિઓના મોડેલ્સ. વિશ્વ. દવા. સંસાધન. 8, 44 (2021).
યાંગ, જે. એટ અલ. મોટા ડેટા યુગમાં તબીબી ડેટાબેઝ અને ડેટા માઇનિંગ ટેકનોલોજીનો પરિચય. જે. એવિડ. મૂળભૂત દવા. ૧૩, ૫૭–૬૯ (૨૦૨૦).
શેન, એસ. એટ અલ. મશીન લર્નિંગનો ઉપયોગ કરીને દાંતની ઉંમરનો અંદાજ કાઢવા માટે કેમેરરની પદ્ધતિ. BMC ઓરલ હેલ્થ 21, 641 (2021).
ગેલિબર્ગ એ. એટ અલ. ડેમિર્ડજિયન સ્ટેજીંગ પદ્ધતિનો ઉપયોગ કરીને દાંતની ઉંમરની આગાહી કરવા માટે વિવિધ મશીન લર્નિંગ પદ્ધતિઓની સરખામણી. આંતરરાષ્ટ્રીયતા. જે. કાનૂની દવા. 135, 665–675 (2021).
ડેમિર્ડજીયન, એ., ગોલ્ડસ્ટેઇન, એચ. અને ટેનર, જેએમ. ડેન્ટલ એજનું મૂલ્યાંકન કરવા માટેની એક નવી સિસ્ટમ. સ્નોર્ટ. બાયોલોજી. 45, 211–227 (1973).
લેન્ડિસ, જેઆર, અને કોચ, જીજી માપદંડો વર્ગીય ડેટા પર નિરીક્ષક કરાર. બાયોમેટ્રિક્સ 33, 159–174 (1977).
ભટ્ટાચાર્ય એસ, પ્રકાશ ડી, કિમ સી, કિમ એચકે અને ચોઈ એચકે. પ્રાથમિક મગજની ગાંઠોના ભિન્નતા માટે કૃત્રિમ બુદ્ધિ તકનીકોનો ઉપયોગ કરીને દ્વિ-પરિમાણીય ચુંબકીય રેઝોનન્સ ઇમેજિંગનું ટેક્સચરલ, મોર્ફોલોજિકલ અને આંકડાકીય વિશ્લેષણ. આરોગ્ય માહિતી. સંસાધન. https://doi.org/10.4258/hir.2022.28.1.46 (2022).