கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களிடையே பாரம்பரிய பல் வயது மதிப்பீட்டு முறைகளுக்கு எதிராக தரவு சுரங்க மாதிரியின் சரிபார்ப்பு

Nature.com ஐப் பார்வையிட்டதற்கு நன்றி. நீங்கள் பயன்படுத்தும் உலாவியின் பதிப்பில் வரையறுக்கப்பட்ட CSS ஆதரவு உள்ளது. சிறந்த முடிவுகளுக்கு, உங்கள் உலாவியின் புதிய பதிப்பைப் பயன்படுத்த பரிந்துரைக்கிறோம் (அல்லது இன்டர்நெட் எக்ஸ்ப்ளோரரில் பொருந்தக்கூடிய பயன்முறையை அணைக்க). இதற்கிடையில், தொடர்ச்சியான ஆதரவை உறுதிப்படுத்த, நாங்கள் ஸ்டைலிங் அல்லது ஜாவாஸ்கிரிப்ட் இல்லாமல் தளத்தைக் காண்பிக்கிறோம்.
பற்கள் மனித உடலின் வயதில் மிகவும் துல்லியமான குறிகாட்டியாகக் கருதப்படுகின்றன, மேலும் அவை பெரும்பாலும் தடயவியல் வயது மதிப்பீட்டில் பயன்படுத்தப்படுகின்றன. 18 ஆண்டு வாசலின் மதிப்பீட்டு துல்லியம் மற்றும் வகைப்பாடு செயல்திறனை பாரம்பரிய முறைகள் மற்றும் தரவு சுரங்க அடிப்படையிலான வயது மதிப்பீடுகளுடன் ஒப்பிடுவதன் மூலம் தரவு சுரங்க அடிப்படையிலான பல் வயது மதிப்பீடுகளை சரிபார்க்க நாங்கள் நோக்கமாகக் கொண்டோம். கொரிய மற்றும் 15 முதல் 23 வயதுடைய ஜப்பானிய குடிமக்களிடமிருந்து மொத்தம் 2657 பரந்த ரேடியோகிராஃப்கள் சேகரிக்கப்பட்டன. அவை ஒரு பயிற்சி தொகுப்பாக பிரிக்கப்பட்டன, ஒவ்வொன்றும் 900 கொரிய ரேடியோகிராஃப்கள் மற்றும் 857 ஜப்பானிய ரேடியோகிராஃப்களைக் கொண்ட உள் சோதனை தொகுப்பு. பாரம்பரிய முறைகளின் வகைப்பாடு துல்லியம் மற்றும் செயல்திறனை தரவு சுரங்க மாதிரிகளின் சோதனை தொகுப்புகளுடன் ஒப்பிட்டோம். உள் சோதனை தொகுப்பில் பாரம்பரிய முறையின் துல்லியம் தரவு சுரங்க மாதிரியை விட சற்றே அதிகமாக உள்ளது, மேலும் வேறுபாடு சிறியது (சராசரி முழுமையான பிழை <0.21 ஆண்டுகள், ரூட் சராசரி சதுர பிழை <0.24 ஆண்டுகள்). 18 ஆண்டு வெட்டுக்கான வகைப்பாடு செயல்திறன் பாரம்பரிய முறைகள் மற்றும் தரவு சுரங்க மாதிரிகள் இடையே ஒத்திருக்கிறது. ஆகவே, கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களிடையே இரண்டாவது மற்றும் மூன்றாவது மோலர்களின் முதிர்ச்சியைப் பயன்படுத்தி தடயவியல் வயது மதிப்பீட்டைச் செய்யும்போது பாரம்பரிய முறைகளை தரவு சுரங்க மாதிரிகள் மூலம் மாற்றலாம்.
தடயவியல் மருத்துவம் மற்றும் குழந்தை பல் மருத்துவத்தில் பல் வயது மதிப்பீடு பரவலாகப் பயன்படுத்தப்படுகிறது. குறிப்பாக, காலவரிசைப்படி வயது மற்றும் பல் வளர்ச்சிக்கு இடையே அதிக தொடர்பு இருப்பதால், பல் வளர்ச்சி நிலைகளின் வயது மதிப்பீடு என்பது குழந்தைகள் மற்றும் இளம் பருவத்தினரின் வயதை மதிப்பிடுவதற்கான ஒரு முக்கியமான அளவுகோலாகும். இருப்பினும், இளைஞர்களைப் பொறுத்தவரை, பல் முதிர்ச்சியின் அடிப்படையில் பல் வயதை மதிப்பிடுவது அதன் வரம்புகளைக் கொண்டுள்ளது, ஏனெனில் பல் வளர்ச்சி கிட்டத்தட்ட முடிந்தது, மூன்றாவது மோலர்களைத் தவிர. இளைஞர்கள் மற்றும் இளம் பருவத்தினரின் வயதை நிர்ணயிப்பதன் சட்ட நோக்கம், அவர்கள் பெரும்பான்மை வயதை எட்டியுள்ளார்களா என்பதற்கான துல்லியமான மதிப்பீடுகளையும் அறிவியல் ஆதாரங்களையும் வழங்குவதாகும். கொரியாவில் இளம் பருவத்தினர் மற்றும் இளைஞர்களின் மருத்துவ-சட்ட நடைமுறையில், லீயின் முறையைப் பயன்படுத்தி வயது மதிப்பிடப்பட்டது, மேலும் ஓ மற்றும் பலர் 5 ஆல் அறிவிக்கப்பட்ட தரவுகளின் அடிப்படையில் 18 ஆண்டுகள் சட்டப்பூர்வ வாசல் கணிக்கப்பட்டது.
இயந்திர கற்றல் என்பது ஒரு வகை செயற்கை நுண்ணறிவு (AI) ஆகும், இது பெரிய அளவிலான தரவை மீண்டும் மீண்டும் கற்றுக் கொண்டு வகைப்படுத்துகிறது, சிக்கல்களைத் தீர்க்கிறது மற்றும் தரவு நிரலாக்கத்தை இயக்குகிறது. இயந்திர கற்றல் தரவு 6 இன் பெரிய அளவுகளில் பயனுள்ள மறைக்கப்பட்ட வடிவங்களைக் கண்டறிய முடியும். இதற்கு நேர்மாறாக, கிளாசிக்கல் முறைகள், உழைப்பு மிகுந்த மற்றும் நேரத்தை எடுத்துக்கொள்ளும், கைமுறையாக 7 செயலாக்க கடினமாக இருக்கும் சிக்கலான தரவுகளின் பெரிய அளவைக் கையாளும் போது வரம்புகள் இருக்கலாம். ஆகையால், மனித பிழைகளைக் குறைக்கவும், பல பரிமாண தரவுகளை திறம்பட செயலாக்கவும் சமீபத்திய கணினி தொழில்நுட்பங்களைப் பயன்படுத்தி பல ஆய்வுகள் சமீபத்தில் நடத்தப்பட்டுள்ளன. குறிப்பாக, மருத்துவ பட பகுப்பாய்வில் ஆழமான கற்றல் பரவலாகப் பயன்படுத்தப்படுகிறது, மேலும் ரேடியோகிராஃப்களை தானாக பகுப்பாய்வு செய்வதன் மூலம் வயது மதிப்பீட்டிற்கான பல்வேறு முறைகள் வயது மதிப்பீட்டின் துல்லியம் மற்றும் செயல்திறனை மேம்படுத்துவதாக அறிவிக்கப்பட்டுள்ளது 13,14,15,16,17,18,19,20 . எடுத்துக்காட்டாக, குழந்தைகளின் கைகளின் ரேடியோகிராஃப்களைப் பயன்படுத்தி எலும்பு வயதை மதிப்பிடுவதற்கு ஹலாபி மற்றும் பலர் 13 மாற்றும் நரம்பியல் நெட்வொர்க்குகளை (சி.என்.என்) அடிப்படையாகக் கொண்ட ஒரு இயந்திர கற்றல் வழிமுறையை உருவாக்கினர். இந்த ஆய்வு மருத்துவ படங்களுக்கு இயந்திர கற்றலைப் பயன்படுத்தும் ஒரு மாதிரியை முன்மொழிகிறது, மேலும் இந்த முறைகள் கண்டறியும் துல்லியத்தை மேம்படுத்த முடியும் என்பதைக் காட்டுகிறது. ஆழமான கற்றல் சி.என்.என் ஐப் பயன்படுத்தி இடுப்பு எக்ஸ்ரே படங்களிலிருந்து லி மற்றும் பலர் மதிப்பிடப்பட்ட வயது மற்றும் அவற்றை ஆசிஃபிகேஷன் நிலை மதிப்பீட்டைப் பயன்படுத்தி பின்னடைவு முடிவுகளுடன் ஒப்பிடுகின்றன. ஆழ்ந்த கற்றல் சி.என்.என் மாதிரி பாரம்பரிய பின்னடைவு மாதிரியின் அதே வயது மதிப்பீட்டு செயல்திறனைக் காட்டியது என்பதை அவர்கள் கண்டறிந்தனர். குவோ மற்றும் பலர் ஆய்வு [15] பல் ஆர்த்தோஃபோட்டோஸின் அடிப்படையில் சி.என்.என் தொழில்நுட்பத்தின் வயது சகிப்புத்தன்மை வகைப்பாடு செயல்திறனை மதிப்பீடு செய்தது, மேலும் சி.என்.என் மாதிரியின் முடிவுகள் மனிதர்கள் அதன் வயது வகைப்பாடு செயல்திறனை விட சிறப்பாக செயல்பட்டன என்பதை நிரூபித்தன.
இயந்திர கற்றலைப் பயன்படுத்தி வயது மதிப்பீடு குறித்த பெரும்பாலான ஆய்வுகள் ஆழமான கற்றல் முறைகளைப் பயன்படுத்துகின்றன 13,14,15,16,17,18,19,20. ஆழ்ந்த கற்றலை அடிப்படையாகக் கொண்ட வயது மதிப்பீடு பாரம்பரிய முறைகளை விட மிகவும் துல்லியமானது என்று தெரிவிக்கப்படுகிறது. இருப்பினும், இந்த அணுகுமுறை மதிப்பீடுகளில் பயன்படுத்தப்படும் வயது குறிகாட்டிகள் போன்ற வயது மதிப்பீடுகளுக்கான அறிவியல் அடிப்படையை முன்வைக்க சிறிய வாய்ப்பை வழங்குகிறது. யார் ஆய்வுகளை நடத்துகிறார்கள் என்பதில் சட்டரீதியான தகராறு உள்ளது. எனவே, ஆழ்ந்த கற்றலை அடிப்படையாகக் கொண்ட வயது மதிப்பீடு நிர்வாக மற்றும் நீதித்துறை அதிகாரிகளால் ஏற்றுக்கொள்வது கடினம். டேட்டா மைனிங் (டி.எம்) என்பது ஒரு நுட்பமாகும், இது பெரிய அளவிலான டேட்டா 6,21,22 க்கு இடையில் பயனுள்ள தொடர்புகளைக் கண்டுபிடிப்பதற்கான ஒரு முறையாக எதிர்பார்த்தது மட்டுமல்லாமல் எதிர்பாராத தகவல்களையும் கண்டறிய முடியும். தரவு சுரங்கத்தில் இயந்திர கற்றல் பெரும்பாலும் பயன்படுத்தப்படுகிறது, மேலும் தரவு சுரங்க மற்றும் இயந்திர கற்றல் இரண்டும் தரவுகளில் வடிவங்களைக் கண்டறிய ஒரே விசை வழிமுறைகளைப் பயன்படுத்துகின்றன. பல் வளர்ச்சியைப் பயன்படுத்தி வயது மதிப்பீடு இலக்கு பற்களின் முதிர்ச்சியை பரிசோதனையாளரின் மதிப்பீட்டை அடிப்படையாகக் கொண்டது, மேலும் இந்த மதிப்பீடு ஒவ்வொரு இலக்கு பல்லுக்கும் ஒரு கட்டமாக வெளிப்படுத்தப்படுகிறது. பல் மதிப்பீட்டு நிலை மற்றும் உண்மையான வயதுக்கு இடையிலான தொடர்பை பகுப்பாய்வு செய்ய டி.எம் பயன்படுத்தப்படலாம் மற்றும் பாரம்பரிய புள்ளிவிவர பகுப்பாய்வை மாற்றும் ஆற்றலைக் கொண்டுள்ளது. எனவே, வயது மதிப்பீட்டிற்கு டி.எம் நுட்பங்களைப் பயன்படுத்தினால், சட்டபூர்வமான பொறுப்பைப் பற்றி கவலைப்படாமல் தடயவியல் வயது மதிப்பீட்டில் இயந்திர கற்றலை செயல்படுத்தலாம். தடயவியல் நடைமுறையில் பயன்படுத்தப்படும் பாரம்பரிய கையேடு முறைகள் மற்றும் பல் வயதை நிர்ணயிப்பதற்கான ஈபிஎம் அடிப்படையிலான முறைகள் குறித்து பல ஒப்பீட்டு ஆய்வுகள் வெளியிடப்பட்டுள்ளன. பாரம்பரிய கேமரர் சூத்திரத்தை விட டி.எம் மாதிரி மிகவும் துல்லியமானது என்பதை ஷென் மற்றும் அல் 23 காட்டியது. கலிபோர்க் மற்றும் அல் 24 டெமர்ட்ஜியன் அளவுகோல் 25 இன் படி வயதைக் கணிக்க வெவ்வேறு டி.எம் முறைகளைப் பயன்படுத்தியது, மேலும் டி.எம் முறை பிரெஞ்சு மக்கள்தொகையின் வயதை மதிப்பிடுவதில் டெமர்ட்ஜியன் மற்றும் வில்லெம்ஸ் முறைகளை விஞ்சியது என்று முடிவுகள் காட்டின.
கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களின் பல் வயதை மதிப்பிடுவதற்கு, லீயின் முறை 4 கொரிய தடயவியல் நடைமுறையில் பரவலாகப் பயன்படுத்தப்படுகிறது. இந்த முறை கொரிய பாடங்களுக்கும் காலவரிசைப்பாட்டுக்கும் இடையிலான உறவை ஆராய பாரம்பரிய புள்ளிவிவர பகுப்பாய்வை (பல பின்னடைவு போன்றவை) பயன்படுத்துகிறது. இந்த ஆய்வில், பாரம்பரிய புள்ளிவிவர முறைகளைப் பயன்படுத்தி பெறப்பட்ட வயது மதிப்பீட்டு முறைகள் "பாரம்பரிய முறைகள்" என்று வரையறுக்கப்படுகின்றன. லீயின் முறை ஒரு பாரம்பரிய முறையாகும், மேலும் அதன் துல்லியத்தை ஓ மற்றும் பலர் உறுதிப்படுத்தியுள்ளனர். 5; இருப்பினும், கொரிய தடயவியல் நடைமுறையில் டி.எம் மாதிரியின் அடிப்படையில் வயது மதிப்பீட்டின் பொருந்தக்கூடிய தன்மை இன்னும் கேள்விக்குரியது. டி.எம் மாதிரியின் அடிப்படையில் வயது மதிப்பீட்டின் சாத்தியமான பயனை விஞ்ஞான ரீதியாக சரிபார்ப்பதே எங்கள் குறிக்கோளாக இருந்தது. இந்த ஆய்வின் நோக்கம் (1) பல் வயதை மதிப்பிடுவதில் இரண்டு டிஎம் மாதிரிகளின் துல்லியத்தை ஒப்பிட்டு (2) 18 வயதில் 7 டிஎம் மாடல்களின் வகைப்பாடு செயல்திறனை ஒப்பிட்டுப் பார்க்க, பாரம்பரிய புள்ளிவிவர முறைகள் முதிர்ச்சியைப் பயன்படுத்தி பெறப்பட்டவற்றுடன் பெறப்பட்டவை மற்றும் இரண்டு தாடைகளிலும் மூன்றாவது மோலர்கள்.
மேடை மற்றும் பல் வகை அடிப்படையில் காலவரிசைப்பாட்டின் வழிமுறைகள் மற்றும் நிலையான விலகல்கள் துணை அட்டவணை S1 (பயிற்சி தொகுப்பு), துணை அட்டவணை S2 (உள் சோதனை தொகுப்பு) மற்றும் துணை அட்டவணை S3 (வெளிப்புற சோதனை தொகுப்பு) ஆகியவற்றில் ஆன்லைனில் காட்டப்பட்டுள்ளன. பயிற்சித் தொகுப்பிலிருந்து பெறப்பட்ட உள் மற்றும் இன்டர்போசர்வர் நம்பகத்தன்மைக்கான கப்பா மதிப்புகள் முறையே 0.951 மற்றும் 0.947 ஆகும். பி மதிப்புகள் மற்றும் கப்பா மதிப்புகளுக்கான 95% நம்பிக்கை இடைவெளிகள் ஆன்லைன் துணை அட்டவணை S4 இல் காட்டப்பட்டுள்ளன. கப்பா மதிப்பு "கிட்டத்தட்ட சரியானது" என்று விளக்கப்பட்டது, இது லாண்டிஸ் மற்றும் கோச் 26 ஆகியவற்றின் அளவுகோல்களுடன் ஒத்துப்போகிறது.
சராசரி முழுமையான பிழையை (MAE) ஒப்பிடும் போது, ​​பாரம்பரிய முறை அனைத்து பாலினங்களுக்கும் மற்றும் வெளிப்புற ஆண் சோதனைத் தொகுப்பிலும் டிஎம் மாதிரியை சற்று விஞ்சும், மல்டிலேயர் பெர்செப்ட்ரான் (எம்எல்பி) தவிர. உள் MAE சோதனை தொகுப்பில் பாரம்பரிய மாதிரிக்கும் டி.எம் மாதிரிக்கும் உள்ள வேறுபாடு ஆண்களுக்கு 0.12–0.19 ஆண்டுகள் மற்றும் பெண்களுக்கு 0.17–0.21 ஆண்டுகள் ஆகும். வெளிப்புற சோதனை பேட்டரிக்கு, வேறுபாடுகள் சிறியவை (ஆண்களுக்கு 0.001–0.05 ஆண்டுகள் மற்றும் பெண்களுக்கு 0.05–0.09 ஆண்டுகள்). கூடுதலாக, ரூட் சராசரி சதுர பிழை (ஆர்.எம்.எஸ்.இ) பாரம்பரிய முறையை விட சற்றே குறைவாக உள்ளது, சிறிய வேறுபாடுகள் (ஆண் உள் சோதனை தொகுப்பிற்கு 0.17–0.24, 0.2–0.24, மற்றும் வெளிப்புற சோதனை தொகுப்புக்கு 0.03–0.07, 0.04–0.08). ). பெண் வெளிப்புற சோதனை தொகுப்பைத் தவிர, ஒற்றை அடுக்கு பெர்செப்ட்ரான் (எஸ்.எல்.பி) ஐ விட எம்.எல்.பி சற்று சிறந்த செயல்திறனைக் காட்டுகிறது. MAE மற்றும் RMSE ஐப் பொறுத்தவரை, வெளிப்புற சோதனை தொகுப்பு அனைத்து பாலினங்கள் மற்றும் மாதிரிகளுக்கான உள் சோதனை தொகுப்பை விட அதிகமாக மதிப்பெண்கள். அனைத்து MAE மற்றும் RMSE அட்டவணை 1 மற்றும் படம் 1 இல் காட்டப்பட்டுள்ளன.
பாரம்பரிய மற்றும் தரவு சுரங்க பின்னடைவு மாதிரிகளின் MAE மற்றும் RMSE. சராசரி முழுமையான பிழை MAE, ரூட் சராசரி சதுர பிழை RMSE, ஒற்றை அடுக்கு பெர்செப்ட்ரான் SLP, மல்டிலேயர் பெர்செப்ட்ரான் MLP, பாரம்பரிய முதல்வர் முறை.
பாரம்பரிய மற்றும் டி.எம் மாதிரிகளின் வகைப்பாடு செயல்திறன் (18 ஆண்டுகள் வெட்டுடன்) உணர்திறன், விவரக்குறிப்பு, நேர்மறை முன்கணிப்பு மதிப்பு (பிபிவி), எதிர்மறை முன்கணிப்பு மதிப்பு (என்.பி.வி) மற்றும் ரிசீவர் இயக்க சிறப்பியல்பு வளைவின் (AUROC) இன் கீழ் உள்ள பகுதி ஆகியவற்றின் அடிப்படையில் நிரூபிக்கப்பட்டது 27 (அட்டவணை 2, படம் 2 மற்றும் துணை படம் 1 ஆன்லைன்). உள் சோதனை பேட்டரியின் உணர்திறனைப் பொறுத்தவரை, பாரம்பரிய முறைகள் ஆண்களிடையே சிறப்பாக செயல்பட்டன, மேலும் பெண்களிடையே மோசமானவை. இருப்பினும், பாரம்பரிய முறைகள் மற்றும் எஸ்டி ஆகியவற்றுக்கு இடையிலான வகைப்பாடு செயல்திறனில் உள்ள வேறுபாடு ஆண்களுக்கு 9.7% (எம்.எல்.பி) மற்றும் பெண்களுக்கு 2.4% மட்டுமே (xgboost) மட்டுமே. டி.எம் மாதிரிகளில், லாஜிஸ்டிக் பின்னடைவு (எல்ஆர்) இரு பாலினத்திலும் சிறந்த உணர்திறனைக் காட்டியது. உள் சோதனை தொகுப்பின் தனித்தன்மை குறித்து, நான்கு எஸ்டி மாதிரிகள் ஆண்களில் சிறப்பாக செயல்பட்டன, பாரம்பரிய மாதிரி பெண்களில் சிறப்பாக செயல்பட்டது. ஆண்களுக்கும் பெண்களுக்கும் வகைப்பாடு செயல்திறனில் உள்ள வேறுபாடுகள் முறையே 13.3% (எம்.எல்.பி) மற்றும் 13.1% (எம்.எல்.பி) ஆகும், இது மாதிரிகள் இடையே வகைப்பாடு செயல்திறனில் உள்ள வேறுபாடு உணர்திறனை மீறுகிறது என்பதைக் குறிக்கிறது. டி.எம் மாடல்களில், ஆதரவு திசையன் இயந்திரம் (எஸ்.வி.எம்), முடிவு மரம் (டி.டி) மற்றும் ரேண்டம் ஃபாரஸ்ட் (ஆர்.எஃப்) மாதிரிகள் ஆண்களிடையே சிறப்பாக செயல்பட்டன, அதே நேரத்தில் எல்.ஆர் மாதிரி பெண்களிடையே சிறப்பாக செயல்பட்டது. பாரம்பரிய மாதிரி மற்றும் அனைத்து எஸ்டி மாடல்களின் அவுரோக் 0.925 ஐ விட அதிகமாக இருந்தது (ஆண்களில் கே-அருகிலுள்ள அண்டை (கே.என்.என்)), இது 18 வயது மாதிரிகள் 28 ஐ பாகுபடுத்துவதில் சிறந்த வகைப்பாடு செயல்திறனை நிரூபிக்கிறது. வெளிப்புற சோதனை தொகுப்பைப் பொறுத்தவரை, உள் சோதனை தொகுப்போடு ஒப்பிடும்போது உணர்திறன், தனித்தன்மை மற்றும் AUROC ஆகியவற்றின் அடிப்படையில் வகைப்பாடு செயல்திறனில் குறைவு ஏற்பட்டது. மேலும், சிறந்த மற்றும் மோசமான மாதிரிகளின் வகைப்பாடு செயல்திறனுக்கும் இடையிலான உணர்திறன் மற்றும் தனித்தன்மையின் வேறுபாடு 10% முதல் 25% வரை இருக்கும், மேலும் இது உள் சோதனை தொகுப்பில் உள்ள வேறுபாட்டை விட பெரியது.
18 ஆண்டுகால வெட்டு கொண்ட பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது தரவு சுரங்க வகைப்பாடு மாதிரிகளின் உணர்திறன் மற்றும் தனித்தன்மை. Knn K அருகிலுள்ள அண்டை, எஸ்.வி.எம் ஆதரவு திசையன் இயந்திரம், எல்ஆர் லாஜிஸ்டிக் பின்னடைவு, டிடி முடிவு மரம், ஆர்எஃப் ரேண்டம் ஃபாரஸ்ட், எக்ஸ்ஜிபி எக்ஸ்ஜிபூஸ்ட், எம்எல்பி மல்டிலேயர் பெர்செப்ட்ரான், பாரம்பரிய முதல்வர் முறை.
இந்த ஆய்வின் முதல் படி, ஏழு டி.எம் மாடல்களிலிருந்து பெறப்பட்ட பல் வயது மதிப்பீடுகளின் துல்லியத்தை பாரம்பரிய பின்னடைவைப் பயன்படுத்தி பெறப்பட்டவற்றுடன் ஒப்பிடுவதாகும். MAE மற்றும் RMSE இரு பாலினங்களுக்கும் உள் சோதனைத் தொகுப்புகளில் மதிப்பீடு செய்யப்பட்டன, மேலும் பாரம்பரிய முறைக்கும் டி.எம் மாதிரிக்கும் உள்ள வேறுபாடு MAE க்கு 44 முதல் 77 நாட்கள் மற்றும் RMSE க்கு 62 முதல் 88 நாட்கள் வரை இருந்தது. இந்த ஆய்வில் பாரம்பரிய முறை சற்று துல்லியமாக இருந்தபோதிலும், இதுபோன்ற ஒரு சிறிய வித்தியாசத்திற்கு மருத்துவ அல்லது நடைமுறை முக்கியத்துவம் உள்ளதா என்று முடிவு செய்வது கடினம். இந்த முடிவுகள் டிஎம் மாதிரியைப் பயன்படுத்தி பல் வயது மதிப்பீட்டின் துல்லியம் பாரம்பரிய முறையைப் போலவே இருப்பதைக் குறிக்கிறது. முந்தைய ஆய்வுகளின் முடிவுகளுடன் நேரடி ஒப்பீடு கடினம், ஏனென்றால் இந்த ஆய்வில் உள்ள அதே வயது வரம்பில் பற்களைப் பதிவுசெய்யும் அதே நுட்பத்தைப் பயன்படுத்தி டி.எம் மாதிரிகளின் துல்லியத்தை பாரம்பரிய புள்ளிவிவர முறைகளுடன் எந்த ஆய்வும் ஒப்பிடவில்லை. 2 முதல் 24 வயது வரையிலான ஒரு பிரெஞ்சு மக்கள்தொகையில் இரண்டு பாரம்பரிய முறைகள் (டெமிர்ஜியன் முறை 25 மற்றும் வில்லெம்ஸ் மெதட் 29) மற்றும் 10 டிஎம் மாடல்களுக்கு இடையில் MAE மற்றும் RMSE ஐ கலிபோர்க் மற்றும் அல் 24 ஒப்பிட்டுப் பார்த்தது. அனைத்து டி.எம் மாதிரிகள் பாரம்பரிய முறைகளை விட துல்லியமானவை என்று அவர்கள் தெரிவித்தனர், முறையே வில்லெம்ஸ் மற்றும் டெமிர்ட்ஜியன் முறைகளுடன் ஒப்பிடும்போது MAE இல் 0.20 மற்றும் 0.38 ஆண்டுகள் மற்றும் 0.25 மற்றும் 0.47 ஆண்டுகள் RMSE இல் வேறுபாடுகள் உள்ளன. ஹலிபோர்க் ஆய்வில் காட்டப்பட்டுள்ள எஸ்டி மாடலுக்கும் பாரம்பரிய முறைகளுக்கும் இடையிலான முரண்பாடு பல அறிக்கைகளை கணக்கில் எடுத்துக்கொள்கிறது, 3,31,32,33, டெமர்ட்ஜியன் முறை ஆய்வு அடிப்படையாகக் கொண்ட பிரெஞ்சு கனேடியர்களைத் தவிர வேறு மக்களில் பல் வயதை துல்லியமாக மதிப்பிடவில்லை. இந்த ஆய்வில். 1636 சீன ஆர்த்தோடோனடிக் புகைப்படங்களிலிருந்து பல் வயதைக் கணிக்க டாய் மற்றும் பலர் எம்.எல்.பி வழிமுறையைப் பயன்படுத்தினர், மேலும் அதன் துல்லியத்தை டெமிர்ஜியன் மற்றும் வில்லெம்ஸ் முறையின் முடிவுகளுடன் ஒப்பிட்டனர். பாரம்பரிய முறைகளை விட எம்.எல்.பிக்கு அதிக துல்லியம் இருப்பதாக அவர்கள் தெரிவித்தனர். டெமர்ட்ஜியன் முறைக்கும் பாரம்பரிய முறைக்கும் உள்ள வேறுபாடு <0.32 ஆண்டுகள், மற்றும் வில்லெம்ஸ் முறை 0.28 ஆண்டுகள் ஆகும், இது தற்போதைய ஆய்வின் முடிவுகளுக்கு ஒத்ததாகும். இந்த முந்தைய ஆய்வுகளின் முடிவுகள் 24,34 தற்போதைய ஆய்வின் முடிவுகளுடன் ஒத்துப்போகின்றன, மேலும் டிஎம் மாதிரியின் வயது மதிப்பீட்டு துல்லியம் மற்றும் பாரம்பரிய முறை ஆகியவை ஒத்தவை. எவ்வாறாயினும், வழங்கப்பட்ட முடிவுகளின் அடிப்படையில், ஒப்பீட்டு மற்றும் குறிப்பு முந்தைய ஆய்வுகள் இல்லாததால் வயதை மதிப்பிடுவதற்கு டி.எம் மாதிரிகளைப் பயன்படுத்துவது ஏற்கனவே இருக்கும் முறைகளை மாற்றக்கூடும் என்று நாம் எச்சரிக்கையுடன் முடிவு செய்ய முடியும். இந்த ஆய்வில் பெறப்பட்ட முடிவுகளை உறுதிப்படுத்த பெரிய மாதிரிகளைப் பயன்படுத்தி பின்தொடர்தல் ஆய்வுகள் தேவை.
பல் வயதை மதிப்பிடுவதில் எஸ்டியின் துல்லியத்தை சோதிக்கும் ஆய்வுகளில், சில எங்கள் ஆய்வை விட அதிக துல்லியத்தைக் காட்டின. ஸ்டெபனோவ்ஸ்கி மற்றும் பலர் 35 2.7 முதல் 20.5 வயது வரையிலான 976 செக் குடியிருப்பாளர்களின் பரந்த ரேடியோகிராஃப்களுக்கு 22 எஸ்டி மாடல்களைப் பயன்படுத்தினர் மற்றும் ஒவ்வொரு மாதிரியின் துல்லியத்தையும் சோதித்தனர். மூரீஸ் மற்றும் பலர் 36 ஆல் முன்மொழியப்பட்ட வகைப்பாடு அளவுகோல்களைப் பயன்படுத்தி மொத்தம் 16 மேல் மற்றும் கீழ் இடது நிரந்தர பற்களின் வளர்ச்சியை அவர்கள் மதிப்பிட்டனர். MAE 0.64 முதல் 0.94 ஆண்டுகள் வரை மற்றும் RMSE 0.85 முதல் 1.27 ஆண்டுகள் வரை இருக்கும், அவை இந்த ஆய்வில் பயன்படுத்தப்படும் இரண்டு டிஎம் மாதிரிகளை விட துல்லியமானவை. 5 முதல் 13 வயது வரையிலான கிழக்கு சீன குடியிருப்பாளர்களில் இடதுபுறத்தில் ஏழு நிரந்தர பற்களின் பல் வயதை மதிப்பிடுவதற்கு ஷென் மற்றும் அல் 23 கேமரியர் முறையைப் பயன்படுத்தியது, மேலும் அதை நேரியல் பின்னடைவு, எஸ்.வி.எம் மற்றும் ஆர்.எஃப் ஆகியவற்றைப் பயன்படுத்தி மதிப்பிடப்பட்ட வயதினருடன் ஒப்பிடுகையில். பாரம்பரிய கேமரியர் சூத்திரத்துடன் ஒப்பிடும்போது மூன்று டி.எம் மாடல்களும் அதிக துல்லியத்தைக் கொண்டுள்ளன என்பதை அவர்கள் காட்டினர். இந்த ஆய்வில் டி.எம் மாதிரியை விட ஷெனின் ஆய்வில் MAE மற்றும் RMSE குறைவாக இருந்தன. ஸ்டெபனோவ்ஸ்கி மற்றும் பலர் மேற்கொண்ட ஆய்வுகளின் அதிகரித்த துல்லியம். 35 மற்றும் ஷென் மற்றும் பலர். 23 இளைய பாடங்களை அவர்களின் ஆய்வு மாதிரிகளில் சேர்ப்பதன் காரணமாக இருக்கலாம். பல் வளர்ச்சியின் போது பற்களின் எண்ணிக்கை அதிகரிப்பதால், வளரும் பற்களைக் கொண்ட பங்கேற்பாளர்களுக்கான வயது மதிப்பீடுகள் மிகவும் துல்லியமாகின்றன, இதன் விளைவாக வரும் வயது மதிப்பீட்டு முறையின் துல்லியம் ஆய்வில் பங்கேற்பாளர்கள் இளமையாக இருக்கும்போது சமரசம் செய்யப்படலாம். கூடுதலாக, வயது மதிப்பீட்டில் MLP இன் பிழை SLP ஐ விட சற்று சிறியது, அதாவது SLP ஐ விட MLP மிகவும் துல்லியமானது. MLP வயது மதிப்பீட்டிற்கு சற்று சிறப்பாக கருதப்படுகிறது, இது MLP38 இல் மறைக்கப்பட்ட அடுக்குகள் காரணமாக இருக்கலாம். இருப்பினும், பெண்களின் வெளிப்புற மாதிரிக்கு விதிவிலக்கு உள்ளது (SLP 1.45, MLP 1.49). வயதை மதிப்பிடுவதில் எஸ்.எல்.பியை விட எம்.எல்.பி மிகவும் துல்லியமானது என்பதைக் கண்டுபிடிப்பதற்கு கூடுதல் பின்னோக்கி ஆய்வுகள் தேவை.
டி.எம் மாதிரியின் வகைப்பாடு செயல்திறன் மற்றும் 18 ஆண்டு வாசலில் பாரம்பரிய முறையும் ஒப்பிடப்பட்டது. உள் சோதனை தொகுப்பில் சோதனை செய்யப்பட்ட அனைத்து எஸ்டி மாதிரிகள் மற்றும் பாரம்பரிய முறைகள் 18 வயது மாதிரிக்கு நடைமுறையில் ஏற்றுக்கொள்ளக்கூடிய பாகுபாடுகளைக் காட்டின. ஆண்கள் மற்றும் பெண்களுக்கான உணர்திறன் முறையே 87.7% மற்றும் 94.9% ஐ விட அதிகமாக இருந்தது, மேலும் விவரக்குறிப்பு 89.3% மற்றும் 84.7% ஐ விட அதிகமாக இருந்தது. சோதனை செய்யப்பட்ட அனைத்து மாடல்களின் அவுரோக் 0.925 ஐ விட அதிகமாக உள்ளது. எங்கள் அறிவின் மிகச்சிறந்த வகையில், பல் முதிர்ச்சியின் அடிப்படையில் 18 ஆண்டு வகைப்பாட்டிற்கான டிஎம் மாதிரியின் செயல்திறனை எந்த ஆய்வும் சோதிக்கவில்லை. இந்த ஆய்வின் முடிவுகளை பரந்த ரேடியோகிராஃப்களில் ஆழமான கற்றல் மாதிரிகளின் வகைப்பாடு செயல்திறனுடன் ஒப்பிடலாம். குவோ மற்றும் பலர் சி.என்.என் அடிப்படையிலான ஆழமான கற்றல் மாதிரியின் வகைப்பாடு செயல்திறனையும், ஒரு குறிப்பிட்ட வயது வாசலுக்கான டெமிர்ஜியனின் முறையின் அடிப்படையில் ஒரு கையேடு முறையையும் கணக்கிட்டனர். கையேடு முறையின் உணர்திறன் மற்றும் தனித்தன்மை முறையே 87.7% மற்றும் 95.5% ஆகும், மேலும் சி.என்.என் மாதிரியின் உணர்திறன் மற்றும் தனித்தன்மை முறையே 89.2% மற்றும் 86.6% ஐ தாண்டியது. ஆழ்ந்த கற்றல் மாதிரிகள் வயது வரம்புகளை வகைப்படுத்துவதில் கையேடு மதிப்பீட்டை மாற்றலாம் அல்லது விஞ்சும் என்று அவர்கள் முடிவு செய்தனர். இந்த ஆய்வின் முடிவுகள் இதே போன்ற வகைப்பாடு செயல்திறனைக் காட்டின; டி.எம் மாதிரிகளைப் பயன்படுத்தும் வகைப்பாடு வயது மதிப்பீட்டிற்கான பாரம்பரிய புள்ளிவிவர முறைகளை மாற்ற முடியும் என்று நம்பப்படுகிறது. மாடல்களில், டி.எம் எல்.ஆர் ஆண் மாதிரி மற்றும் உணர்திறன் மற்றும் பெண் மாதிரிக்கான தனித்தன்மை ஆகியவற்றின் அடிப்படையில் சிறந்த மாதிரியாக இருந்தது. எல்.ஆர் ஆண்களுக்கான குறிப்பிட்ட தன்மையில் இரண்டாவது இடத்தில் உள்ளது. மேலும், எல்.ஆர் அதிக பயனர் நட்பு டி.எம் 35 மாடல்களில் ஒன்றாகக் கருதப்படுகிறது, மேலும் இது சிக்கலானது மற்றும் செயலாக்க கடினம். இந்த முடிவுகளின் அடிப்படையில், கொரிய மக்கள்தொகையில் 18 வயது குழந்தைகளுக்கு எல்.ஆர் சிறந்த வெட்டு வகைப்பாடு மாதிரியாக கருதப்பட்டது.
ஒட்டுமொத்தமாக, வெளிப்புற சோதனை தொகுப்பில் வயது மதிப்பீடு அல்லது வகைப்பாடு செயல்திறனின் துல்லியம் உள் சோதனை தொகுப்பின் முடிவுகளுடன் ஒப்பிடும்போது மோசமாக அல்லது குறைவாக இருந்தது. கொரிய மக்கள்தொகையை அடிப்படையாகக் கொண்ட வயது மதிப்பீடுகள் ஜப்பானிய மக்கள்தொகைக்கு 5,39 க்கு பயன்படுத்தப்படும்போது வகைப்பாடு துல்லியம் அல்லது செயல்திறன் குறைகிறது என்றும், இதேபோன்ற முறை தற்போதைய ஆய்வில் கண்டறியப்பட்டது என்றும் சில அறிக்கைகள் குறிப்பிடுகின்றன. இந்த சீரழிவு போக்கு டி.எம் மாதிரியிலும் காணப்பட்டது. ஆகையால், வயதை துல்லியமாக மதிப்பிடுவதற்கு, பகுப்பாய்வு செயல்பாட்டில் டி.எம் ஐப் பயன்படுத்தும்போது கூட, பாரம்பரிய முறைகள் போன்ற பூர்வீக மக்கள்தொகை தரவுகளிலிருந்து பெறப்பட்ட முறைகள் 5,39,40,41,42 க்கு விரும்பப்பட வேண்டும். ஆழ்ந்த கற்றல் மாதிரிகள் ஒத்த போக்குகளைக் காட்ட முடியுமா என்பது தெளிவாகத் தெரியவில்லை என்பதால், பாரம்பரிய முறைகள், டி.எம் மாதிரிகள் மற்றும் அதே மாதிரிகளில் ஆழமான கற்றல் மாதிரிகள் ஆகியவற்றைப் பயன்படுத்தி வகைப்பாடு துல்லியம் மற்றும் செயல்திறனை ஒப்பிடும் ஆய்வுகள், செயற்கை நுண்ணறிவு வரையறுக்கப்பட்ட வயதில் இந்த இன வேறுபாடுகளை வெல்ல முடியுமா என்பதை உறுதிப்படுத்த தேவைப்படுகிறது. மதிப்பீடுகள்.
கொரியாவில் தடயவியல் வயது மதிப்பீட்டு நடைமுறையில் டி.எம் மாதிரியின் அடிப்படையில் பாரம்பரிய முறைகளை வயது மதிப்பீட்டால் மாற்ற முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம். தடயவியல் வயது மதிப்பீட்டிற்கான இயந்திர கற்றலை செயல்படுத்துவதற்கான சாத்தியத்தையும் நாங்கள் கண்டுபிடித்தோம். எவ்வாறாயினும், முடிவுகளை திட்டவட்டமாக தீர்மானிக்க இந்த ஆய்வில் பங்கேற்பாளர்களின் போதிய எண்ணிக்கையும், இந்த ஆய்வின் முடிவுகளை ஒப்பிட்டு உறுதிப்படுத்த முந்தைய ஆய்வுகள் இல்லாதது போன்ற தெளிவான வரம்புகள் உள்ளன. எதிர்காலத்தில், பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது அதன் நடைமுறை பொருந்தக்கூடிய தன்மையை மேம்படுத்த டி.எம் ஆய்வுகள் அதிக எண்ணிக்கையிலான மாதிரிகள் மற்றும் மிகவும் மாறுபட்ட மக்களுடன் நடத்தப்பட வேண்டும். பல மக்கள்தொகைகளில் வயதை மதிப்பிடுவதற்கு செயற்கை நுண்ணறிவைப் பயன்படுத்துவதற்கான சாத்தியக்கூறுகளை சரிபார்க்க, டி.எம் மற்றும் ஆழமான கற்றல் மாதிரிகளின் வகைப்பாடு துல்லியம் மற்றும் செயல்திறனை ஒரே மாதிரிகளில் பாரம்பரிய முறைகளுடன் ஒப்பிடுவதற்கு எதிர்கால ஆய்வுகள் தேவை.
இந்த ஆய்வு கொரிய மற்றும் ஜப்பானிய பெரியவர்களிடமிருந்து சேகரிக்கப்பட்ட 2,657 ஆர்த்தோகிராஃபிக் புகைப்படங்களைப் பயன்படுத்தியது. கொரிய ரேடியோகிராஃப்கள் 900 பயிற்சி தொகுப்புகள் (19.42 ± 2.65 ஆண்டுகள்) மற்றும் 900 உள் சோதனைத் தொகுப்புகள் (19.52 ± 2.59 ஆண்டுகள்) என பிரிக்கப்பட்டன. ஒரு நிறுவனத்தில் (சியோல் செயின்ட் மேரி மருத்துவமனை) பயிற்சி தொகுப்பு சேகரிக்கப்பட்டது, மேலும் இரண்டு நிறுவனங்களில் (சியோல் தேசிய பல்கலைக்கழக பல் மருத்துவமனை மற்றும் யோன்செய் பல்கலைக்கழக பல் மருத்துவமனை) சொந்த சோதனைத் தொகுப்பு சேகரிக்கப்பட்டது. வெளிப்புற சோதனைக்காக மற்றொரு மக்கள் தொகை அடிப்படையிலான தரவுகளிலிருந்து (ஐவேட் மெடிக்கல் பல்கலைக்கழகம், ஜப்பான்) 857 ரேடியோகிராஃப்களையும் சேகரித்தோம். ஜப்பானிய பாடங்களின் ரேடியோகிராஃப்கள் (19.31 ± 2.60 ஆண்டுகள்) வெளிப்புற சோதனை தொகுப்பாக தேர்ந்தெடுக்கப்பட்டன. பல் சிகிச்சையின் போது எடுக்கப்பட்ட பனோரமிக் ரேடியோகிராஃப்களில் பல் வளர்ச்சியின் நிலைகளை பகுப்பாய்வு செய்ய தரவு பின்னோக்கி சேகரிக்கப்பட்டது. சேகரிக்கப்பட்ட அனைத்து தரவுகளும் பாலினம், பிறந்த தேதி மற்றும் ரேடியோகிராஃப் தேதி தவிர அநாமதேயவை. சேர்த்தல் மற்றும் விலக்கு அளவுகோல்கள் முன்னர் வெளியிடப்பட்ட ஆய்வுகள் 4, 5 ஐப் போலவே இருந்தன. ரேடியோகிராஃப் எடுக்கப்பட்ட தேதியிலிருந்து பிறந்த தேதியைக் கழிப்பதன் மூலம் மாதிரியின் உண்மையான வயது கணக்கிடப்பட்டது. மாதிரி குழு ஒன்பது வயதினராக பிரிக்கப்பட்டது. வயது மற்றும் பாலின விநியோகங்கள் அட்டவணை 3 இல் காட்டப்பட்டுள்ளன, இந்த ஆய்வு ஹெல்சின்கியின் பிரகடனத்தின் படி நடத்தப்பட்டது மற்றும் கொரியாவின் கத்தோலிக்க பல்கலைக்கழகத்தின் சியோல் செயின்ட் மேரி மருத்துவமனையின் (KC22WISI0328) நிறுவன மறுஆய்வு வாரியத்தால் (ஐஆர்பி) அங்கீகரிக்கப்பட்டது. இந்த ஆய்வின் பின்னோக்கி வடிவமைப்பு காரணமாக, சிகிச்சை நோக்கங்களுக்காக ரேடியோகிராஃபிக் பரிசோதனைக்கு உட்படுத்தப்பட்ட அனைத்து நோயாளிகளிடமிருந்தும் தகவலறிந்த ஒப்புதலைப் பெற முடியவில்லை. சியோல் கொரியா பல்கலைக்கழக செயின்ட் மேரி மருத்துவமனை (ஐஆர்பி) தகவலறிந்த ஒப்புதலுக்கான தேவையை தள்ளுபடி செய்தது.
டெமிர்கான் அளவுகோல் 25 இன் படி பைமாக்சில்லரி இரண்டாவது மற்றும் மூன்றாவது மோலர்களின் வளர்ச்சி நிலைகள் மதிப்பிடப்பட்டன. ஒவ்வொரு தாடையின் இடது மற்றும் வலது பக்கங்களிலும் ஒரே வகை பல் காணப்பட்டால் ஒரே பல் மட்டுமே தேர்ந்தெடுக்கப்பட்டது. இருபுறமும் ஓரினச்சேர்க்கை பற்கள் வெவ்வேறு வளர்ச்சி நிலைகளில் இருந்தால், மதிப்பிடப்பட்ட வயதில் நிச்சயமற்ற தன்மையைக் கணக்கிட குறைந்த வளர்ச்சி கட்டத்துடன் கூடிய பல் தேர்ந்தெடுக்கப்பட்டது. பல் முதிர்வு கட்டத்தை தீர்மானிக்க முன்கூட்டிய பிறகு இன்டர்போசர்வர் நம்பகத்தன்மையை சோதிக்க பயிற்சி தொகுப்பிலிருந்து தோராயமாக தேர்ந்தெடுக்கப்பட்ட ரேடியோகிராஃப்கள் இரண்டு அனுபவம் வாய்ந்த பார்வையாளர்களால் அடித்தன. முதன்மை பார்வையாளரால் மூன்று மாத இடைவெளியில் இன்ட்ராப்சர்வர் நம்பகத்தன்மை இரண்டு முறை மதிப்பிடப்பட்டது.
பயிற்சி தொகுப்பில் ஒவ்வொரு தாடையின் இரண்டாவது மற்றும் மூன்றாவது மோலர்களின் பாலியல் மற்றும் வளர்ச்சி நிலை வெவ்வேறு டி.எம் மாதிரிகளுடன் பயிற்சியளிக்கப்பட்ட ஒரு முதன்மை பார்வையாளரால் மதிப்பிடப்பட்டது, மேலும் உண்மையான வயது இலக்கு மதிப்பாக அமைக்கப்பட்டது. இயந்திர கற்றலில் பரவலாகப் பயன்படுத்தப்படும் எஸ்.எல்.பி மற்றும் எம்.எல்.பி மாதிரிகள் பின்னடைவு வழிமுறைகளுக்கு எதிராக சோதிக்கப்பட்டன. டி.எம் மாதிரி நான்கு பற்களின் வளர்ச்சி நிலைகளைப் பயன்படுத்தி நேரியல் செயல்பாடுகளை ஒருங்கிணைத்து, இந்த தரவை ஒருங்கிணைத்து வயதை மதிப்பிடுகிறது. எஸ்.எல்.பி என்பது எளிமையான நரம்பியல் நெட்வொர்க் மற்றும் மறைக்கப்பட்ட அடுக்குகளைக் கொண்டிருக்கவில்லை. முனைகளுக்கு இடையில் வாசல் பரிமாற்றத்தின் அடிப்படையில் எஸ்.எல்.பி செயல்படுகிறது. பின்னடைவில் உள்ள எஸ்.எல்.பி மாதிரி கணித ரீதியாக பல நேரியல் பின்னடைவுக்கு ஒத்திருக்கிறது. எஸ்.எல்.பி மாதிரியைப் போலன்றி, எம்.எல்.பி மாடலில் நேரியல் அல்லாத செயல்படுத்தும் செயல்பாடுகளுடன் பல மறைக்கப்பட்ட அடுக்குகள் உள்ளன. எங்கள் சோதனைகள் மறைக்கப்பட்ட அடுக்கைப் பயன்படுத்தின. எங்கள் இயந்திர கற்றல் மாதிரியைப் பயிற்றுவிப்பதற்கான இழப்பு செயல்பாடாக உகப்பாக்கம் முறையாக சாய்வு வம்சாவளியைப் பயன்படுத்தவும். சிறந்த பெறப்பட்ட பின்னடைவு மாதிரி உள் மற்றும் வெளிப்புற சோதனை தொகுப்புகளுக்கு பயன்படுத்தப்பட்டது மற்றும் பற்களின் வயது மதிப்பிடப்பட்டது.
ஒரு மாதிரி 18 வயது இல்லையா என்பதைக் கணிக்க பயிற்சித் தொகுப்பில் நான்கு பற்களின் முதிர்ச்சியைப் பயன்படுத்தும் ஒரு வகைப்பாடு வழிமுறை உருவாக்கப்பட்டது. மாதிரியை உருவாக்க, ஏழு பிரதிநிதித்துவ இயந்திர கற்றல் வழிமுறைகள் 6,43: (1) எல்ஆர், (2) கே.என்.என், (3) எஸ்.வி.எம், (4) டி.டி, (5) ஆர்.எஃப், (6) எக்ஜ்பூஸ்ட் மற்றும் (7) எம்.எல்.பி. . எல்.ஆர் என்பது மிகவும் பரவலாகப் பயன்படுத்தப்படும் வகைப்பாடு வழிமுறைகளில் ஒன்றாகும். இது ஒரு மேற்பார்வையிடப்பட்ட கற்றல் வழிமுறையாகும், இது ஒரு குறிப்பிட்ட வகைக்கு சொந்தமான தரவின் நிகழ்தகவை 0 முதல் 1 வரை கணிக்க பின்னடைவைப் பயன்படுத்துகிறது, மேலும் இந்த நிகழ்தகவின் அடிப்படையில் தரவை அதிக அளவில் சொந்தமானது என்று வகைப்படுத்துகிறது; முக்கியமாக பைனரி வகைப்பாட்டிற்கு பயன்படுத்தப்படுகிறது. கே.என்.என் என்பது எளிமையான இயந்திர கற்றல் வழிமுறைகளில் ஒன்றாகும். புதிய உள்ளீட்டுத் தரவைக் கொடுக்கும்போது, ​​அது தற்போதுள்ள தொகுப்பிற்கு நெருக்கமான கே தரவைக் கண்டறிந்து, பின்னர் அவற்றை அதிக அதிர்வெண் கொண்ட வகுப்பில் வகைப்படுத்துகிறது. (கே) கருதப்படும் அண்டை நாடுகளின் எண்ணிக்கையில் 3 ஐ அமைத்துள்ளோம். எஸ்.வி.எம் என்பது ஒரு வழிமுறையாகும், இது ஒரு கர்னல் செயல்பாட்டைப் பயன்படுத்தி நேரியல் இடத்தை புலங்கள் 46 எனப்படும் நேரியல் அல்லாத இடமாக விரிவாக்க கர்னல் செயல்பாட்டைப் பயன்படுத்துவதன் மூலம் இரண்டு வகுப்புகளுக்கு இடையிலான தூரத்தை அதிகரிக்கிறது. இந்த மாதிரியைப் பொறுத்தவரை, பல்லுறுப்புக்கோவை கர்னலுக்கான ஹைபர்பாரமீட்டர்களாக சார்பு = 1, சக்தி = 1, மற்றும் காமா = 1 ஆகியவற்றைப் பயன்படுத்துகிறோம். ஒரு மரக் கட்டமைப்பில் முடிவு விதிகளை பிரதிநிதித்துவப்படுத்துவதன் மூலம் பல துணைக்குழுக்களாக அமைக்கப்பட்ட முழு தரவையும் ஒரு வழிமுறையாக டி.டி பல்வேறு துறைகளில் பயன்படுத்தப்படுகிறது. இந்த மாதிரி 2 முனைக்கு குறைந்தபட்ச எண்ணிக்கையிலான பதிவுகளுடன் கட்டமைக்கப்பட்டுள்ளது மற்றும் கினி குறியீட்டை தரத்தின் அளவாக பயன்படுத்துகிறது. RF என்பது ஒரு குழும முறையாகும், இது பூட்ஸ்ட்ராப் திரட்டல் முறையைப் பயன்படுத்தி செயல்திறனை மேம்படுத்த பல டி.டி.க்களை ஒருங்கிணைக்கிறது, இது ஒவ்வொரு மாதிரிக்கும் பலவீனமான வகைப்படுத்தியை உருவாக்குகிறது, அசல் தரவுத்தொகுப்பு 48 இலிருந்து ஒரே அளவிலான மாதிரிகளை தோராயமாக வரைவதன் மூலம். நாங்கள் 100 மரங்கள், 10 மர ஆழங்கள், 1 குறைந்தபட்ச முனை அளவு மற்றும் கினி கலவையின் குறியீட்டை முனை பிரிப்பு அளவுகோல்களாகப் பயன்படுத்தினோம். புதிய தரவுகளின் வகைப்பாடு பெரும்பான்மை வாக்குகளால் தீர்மானிக்கப்படுகிறது. XGBOOST என்பது ஒரு வழிமுறையாகும், இது முந்தைய மாதிரியின் உண்மையான மற்றும் கணிக்கப்பட்ட மதிப்புகளுக்கு இடையிலான பிழையை பயிற்சி தரவுகளாகப் பெறும் ஒரு முறையைப் பயன்படுத்தி பூஸ்டிங் நுட்பங்களை ஒருங்கிணைத்து, சாய்வு 49 ஐப் பயன்படுத்தி பிழையை அதிகரிக்கிறது. இது அதன் நல்ல செயல்திறன் மற்றும் வள செயல்திறன் காரணமாக பரவலாகப் பயன்படுத்தப்படும் வழிமுறையாகும், அத்துடன் அதிகப்படியான திருத்தம் செயல்பாடாக அதிக நம்பகத்தன்மை. மாடலில் 400 ஆதரவு சக்கரங்கள் பொருத்தப்பட்டுள்ளன. எம்.எல்.பி என்பது ஒரு நரம்பியல் நெட்வொர்க் ஆகும், இதில் ஒன்று அல்லது அதற்கு மேற்பட்ட பெர்செப்ட்ரான்கள் உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளுக்கு இடையில் ஒன்று அல்லது அதற்கு மேற்பட்ட மறைக்கப்பட்ட அடுக்குகளுடன் பல அடுக்குகளை உருவாக்குகின்றன. இதைப் பயன்படுத்தி, நீங்கள் ஒரு உள்ளீட்டு அடுக்கைச் சேர்த்து முடிவு மதிப்பைப் பெறும்போது, ​​கணிக்கப்பட்ட முடிவு மதிப்பு உண்மையான முடிவு மதிப்புடன் ஒப்பிடும்போது, ​​பிழை மீண்டும் பரப்பப்படுகிறது. ஒவ்வொரு அடுக்கிலும் 20 மறைக்கப்பட்ட நியூரான்களுடன் ஒரு மறைக்கப்பட்ட அடுக்கை உருவாக்கினோம். நாங்கள் உருவாக்கிய ஒவ்வொரு மாதிரியும் உணர்திறன், விவரக்குறிப்பு, பிபிவி, என்.பி.வி மற்றும் AUROC ஆகியவற்றைக் கணக்கிடுவதன் மூலம் வகைப்பாடு செயல்திறனை சோதிக்க உள் மற்றும் வெளிப்புற தொகுப்புகளுக்கு பயன்படுத்தப்பட்டது. 18 வயது அல்லது அதற்கு மேற்பட்டதாக மதிப்பிடப்பட்ட ஒரு மாதிரியின் விகிதமாக 18 வயது அல்லது அதற்கு மேற்பட்டதாக மதிப்பிடப்பட்ட ஒரு மாதிரியின் விகிதமாக உணர்திறன் வரையறுக்கப்படுகிறது. 18 வயதிற்குட்பட்ட மாதிரிகளின் விகிதம் மற்றும் 18 வயதிற்குட்பட்டவர்கள் என மதிப்பிடப்பட்டவை.
பயிற்சி தொகுப்பில் மதிப்பிடப்பட்ட பல் நிலைகள் புள்ளிவிவர பகுப்பாய்விற்கான எண் கட்டங்களாக மாற்றப்பட்டன. ஒவ்வொரு பாலினத்திற்கும் முன்கணிப்பு மாதிரிகளை உருவாக்குவதற்கும், வயதை மதிப்பிடுவதற்குப் பயன்படுத்தக்கூடிய பின்னடைவு சூத்திரங்களைப் பெறுவதற்கும் பன்முக நேரியல் மற்றும் லாஜிஸ்டிக் பின்னடைவு செய்யப்பட்டது. உள் மற்றும் வெளிப்புற சோதனை தொகுப்புகளுக்கு பல் வயதை மதிப்பிடுவதற்கு இந்த சூத்திரங்களைப் பயன்படுத்தினோம். இந்த ஆய்வில் பயன்படுத்தப்படும் பின்னடைவு மற்றும் வகைப்பாடு மாதிரிகளை அட்டவணை 4 காட்டுகிறது.
கோஹனின் கப்பா புள்ளிவிவரத்தைப் பயன்படுத்தி இன்ட்ரா- மற்றும் இன்டர்போசர்வர் நம்பகத்தன்மை கணக்கிடப்பட்டது. டி.எம் மற்றும் பாரம்பரிய பின்னடைவு மாதிரிகளின் துல்லியத்தை சோதிக்க, உள் மற்றும் வெளிப்புற சோதனைத் தொகுப்புகளின் மதிப்பிடப்பட்ட மற்றும் உண்மையான வயதைப் பயன்படுத்தி MAE மற்றும் RMSE ஐ கணக்கிட்டோம். மாதிரி கணிப்புகளின் துல்லியத்தை மதிப்பிடுவதற்கு இந்த பிழைகள் பொதுவாகப் பயன்படுத்தப்படுகின்றன. சிறிய பிழை, முன்னறிவிப்பு 24 இன் துல்லியம். டி.எம் மற்றும் பாரம்பரிய பின்னடைவைப் பயன்படுத்தி கணக்கிடப்பட்ட உள் மற்றும் வெளிப்புற சோதனை தொகுப்புகளின் MAE மற்றும் RMSE ஐ ஒப்பிடுக. பாரம்பரிய புள்ளிவிவரங்களில் 18 ஆண்டு வெட்டின் வகைப்பாடு செயல்திறன் 2 × 2 தற்செயல் அட்டவணையைப் பயன்படுத்தி மதிப்பிடப்பட்டது. சோதனை தொகுப்பின் கணக்கிடப்பட்ட உணர்திறன், விவரக்குறிப்பு, பிபிவி, என்.பி.வி மற்றும் அவுரோக் ஆகியவை டி.எம் வகைப்பாடு மாதிரியின் அளவிடப்பட்ட மதிப்புகளுடன் ஒப்பிடப்பட்டன. தரவு தரவு பண்புகளைப் பொறுத்து சராசரி ± நிலையான விலகல் அல்லது எண் (%) என வெளிப்படுத்தப்படுகிறது. இரு பக்க பி மதிப்புகள் <0.05 புள்ளிவிவர ரீதியாக முக்கியத்துவம் வாய்ந்ததாகக் கருதப்பட்டன. அனைத்து வழக்கமான புள்ளிவிவர பகுப்பாய்வுகளும் SAS பதிப்பு 9.4 (SAS நிறுவனம், கேரி, NC) ஐப் பயன்படுத்தி நிகழ்த்தப்பட்டன. டி.எம் பின்னடைவு மாதிரி பைதானில் கெராஸ் 50 2.2.4 பின்தளத்தில் மற்றும் டென்சர்ஃப்ளோ 51 1.8.0 ஐப் பயன்படுத்தி கணித நடவடிக்கைகளுக்கு செயல்படுத்தப்பட்டது. வைகாடோ அறிவு பகுப்பாய்வு சூழல் மற்றும் கான்ஸ்டான்ஸ் தகவல் சுரங்க (நைம்) 4.6.152 பகுப்பாய்வு தளத்தில் டிஎம் வகைப்பாடு மாதிரி செயல்படுத்தப்பட்டது.
ஆய்வின் முடிவுகளை ஆதரிக்கும் தரவை கட்டுரை மற்றும் துணைப் பொருட்களில் காணலாம் என்பதை ஆசிரியர்கள் ஒப்புக்கொள்கிறார்கள். ஆய்வின் போது உருவாக்கப்பட்ட மற்றும்/அல்லது பகுப்பாய்வு செய்யப்பட்ட தரவுத்தொகுப்புகள் நியாயமான கோரிக்கையின் பேரில் தொடர்புடைய எழுத்தாளரிடமிருந்து கிடைக்கின்றன.
ரிட்ஸ்-டிம், எஸ். மற்றும் பலர். வயது மதிப்பீடு: தடயவியல் நடைமுறையின் குறிப்பிட்ட தேவைகளைப் பூர்த்தி செய்ய கலையின் நிலை. சர்வதேச தன்மை. ஜெ. சட்ட மருத்துவம். 113, 129-136 (2000).
ஷ்மெலிங், ஏ., ரைசிங்கர், டபிள்யூ., கெசெரிக், ஜி., மற்றும் ஓல்ஸ், ஏ. குற்றவியல் வழக்கு நோக்கங்களுக்காக வாழ்க்கைப் பாடங்களின் தடயவியல் வயது மதிப்பீட்டின் தற்போதைய நிலை. தடயவியல். மருந்து. நோயியல். 1, 239-246 (2005).
பான், ஜே. மற்றும் பலர். கிழக்கு சீனாவில் 5 முதல் 16 வயது வரையிலான குழந்தைகளின் பல் வயதை மதிப்பிடுவதற்கான மாற்றியமைக்கப்பட்ட முறை. மருத்துவ. வாய்வழி கணக்கெடுப்பு. 25, 3463–3474 (2021).
லீ, எஸ்.எஸ். முதலியன கொரியர்களில் இரண்டாவது மற்றும் மூன்றாவது மோலர்களின் வளர்ச்சியின் காலவரிசை மற்றும் தடயவியல் வயது மதிப்பீட்டிற்கான அதன் பயன்பாடு. சர்வதேச தன்மை. ஜெ. சட்ட மருத்துவம். 124, 659-665 (2010).
ஓ, எஸ்., குமகாய், ஏ., கிம், சி மற்றும் லீ, எஸ்.எஸ். வயது மதிப்பீட்டின் துல்லியம் மற்றும் கொரியர்கள் மற்றும் ஜப்பானிய மொழிகளில் இரண்டாவது மற்றும் மூன்றாவது மோலர்களின் முதிர்ச்சியின் அடிப்படையில் 18 ஆண்டு வாசலின் மதிப்பீடு. PLOS ONE 17, E0271247 (2022).
கிம், ஜே.ஒய், மற்றும் பலர். அறுவைசிகிச்சை இயந்திர கற்றல் அடிப்படையிலான தரவு பகுப்பாய்வு OSA நோயாளிகளுக்கு தூக்க அறுவை சிகிச்சை சிகிச்சை விளைவுகளை கணிக்க முடியும். அறிவியல். அறிக்கை 11, 14911 (2021).
ஹான், எம். மற்றும் பலர். மனித தலையீட்டோடு அல்லது இல்லாமல் இயந்திர கற்றலில் இருந்து துல்லியமான வயது மதிப்பீடு? சர்வதேச தன்மை. ஜெ. சட்ட மருத்துவம். 136, 821–831 (2022).
கான், எஸ். மற்றும் ஷாஹீன், எம். தரவு சுரங்கத்திலிருந்து தரவு சுரங்கத்திற்கு. ஜே. தகவல். அறிவியல். https://doi.org/10.1177/0165515211030872 (2021).
கான், எஸ். மற்றும் ஷாஹீன், எம். விஸ்ரூல்: சங்க விதி சுரங்கத்திற்கான முதல் அறிவாற்றல் வழிமுறை. ஜே. தகவல். அறிவியல். https://doi.org/10.1177/0165515221108695 (2022).
ஷாஹீன் எம். மற்றும் அப்துல்லா யு. கர்ம்: சூழல் அடிப்படையிலான சங்க விதிகளின் அடிப்படையில் பாரம்பரிய தரவு சுரங்க. கணக்கிடுங்கள். மேட். தொடரவும். 68, 3305–3322 (2021).
முஹம்மது எம்., ரெஹ்மான் இசட், ஷாஹீன் எம்., கான் எம். மற்றும் ஹபீப் எம். ஆழ்ந்த கற்றல் அடிப்படையிலான சொற்பொருள் ஒற்றுமை கண்டறிதல் உரை தரவைப் பயன்படுத்தி. தகவல். தொழில்நுட்பங்கள். கட்டுப்பாடு. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
தபீஷ், எம்., தனோலி, இசட், மற்றும் ஷாஹின், எம். விளையாட்டு வீடியோக்களில் செயல்பாட்டை அங்கீகரிப்பதற்கான ஒரு அமைப்பு. மல்டிமீடியா. கருவிகள் பயன்பாடுகள் https://doi.org/10.1007/s11042-021-10519-6 (2021).
ஹலாபி, எஸ்.எஸ் மற்றும் பலர். குழந்தை எலும்பு வயதில் ஆர்.எஸ்.என்.ஏ இயந்திர கற்றல் சவால். கதிரியக்கவியல் 290, 498-503 (2019).
லி, ஒய். மற்றும் பலர். ஆழ்ந்த கற்றலைப் பயன்படுத்தி இடுப்பு எக்ஸ்-கதிர்களிலிருந்து தடயவியல் வயது மதிப்பீடு. யூரோ. கதிர்வீச்சு. 29, 2322–2329 (2019).
குவோ, ஒய்.சி, மற்றும் பலர். கையேடு முறைகள் மற்றும் ஆர்த்தோகிராஃபிக் ப்ரொஜெக்ஷன் படங்களிலிருந்து ஆழமான மாற்றும் நரம்பியல் நெட்வொர்க்குகளைப் பயன்படுத்தி துல்லியமான வயது வகைப்பாடு. சர்வதேச தன்மை. ஜெ. சட்ட மருத்துவம். 135, 1589-1597 (2021).
அலபாமா தலோரா மற்றும் பலர். வெவ்வேறு இயந்திர கற்றல் முறைகளைப் பயன்படுத்தி எலும்பு வயது மதிப்பீடு: முறையான இலக்கிய ஆய்வு மற்றும் மெட்டா பகுப்பாய்வு. PLOS ONE 14, E0220242 (2019).
டு, எச்., லி, ஜி., செங், கே., மற்றும் யாங், ஜே. சர்வதேச தன்மை. ஜெ. சட்ட மருத்துவம். 136, 811–819 (2022).
கிம் எஸ்., லீ ஒய்.எச்., நோ ஒய்.கே, பார்க் எஃப்.கே மற்றும் ஓ கே.எஸ். அறிவியல். அறிக்கை 11, 1073 (2021).
ஸ்டெர்ன், டி., பேயர், சி., கியுலியானி, என்., மற்றும் உர்ஷ்லர், எம். IEEE J. பயோமெட். சுகாதார எச்சரிக்கைகள். 23, 1392-1403 (2019).
செங், கே., ஜி.இ., இசட், டு, எச். மற்றும் லி, ஜி. சர்வதேச தன்மை. ஜெ. சட்ட மருத்துவம். 135, 365-373 (2021).
வு, டபிள்யூ.டி, மற்றும் பலர். மருத்துவ பெரிய தரவுகளில் தரவு சுரங்க: பொதுவான தரவுத்தளங்கள், படிகள் மற்றும் முறைகள் மாதிரிகள். உலகம். மருந்து. வள. 8, 44 (2021).
யாங், ஜே. மற்றும் பலர். பெரிய தரவு சகாப்தத்தில் மருத்துவ தரவுத்தளங்கள் மற்றும் தரவு சுரங்க தொழில்நுட்பங்களுக்கான அறிமுகம். ஜே. அடிப்படை மருந்து. 13, 57-69 (2020).
ஷென், எஸ். மற்றும் பலர். இயந்திர கற்றலைப் பயன்படுத்தி பல் வயதை மதிப்பிடுவதற்கான கேமரரின் முறை. பி.எம்.சி வாய்வழி ஆரோக்கியம் 21, 641 (2021).
கல்லிபர்க் ஏ. மற்றும் பலர். டெமர்ட்ஜியன் ஸ்டேஜிங் முறையைப் பயன்படுத்தி பல் வயதைக் கணிப்பதற்கான வெவ்வேறு இயந்திர கற்றல் முறைகளின் ஒப்பீடு. சர்வதேச தன்மை. ஜெ. சட்ட மருத்துவம். 135, 665-675 (2021).
டெமர்ட்ஜியன், ஏ., கோல்ட்ஸ்டைன், எச். மற்றும் டேனர், ஜே.எம். பல் வயதை மதிப்பிடுவதற்கான புதிய அமைப்பு. குறட்டை. உயிரியல். 45, 211-227 (1973).
லாண்டிஸ், ஜே.ஆர், மற்றும் கோச், வகைப்படுத்தப்பட்ட தரவுகளில் பார்வையாளர் ஒப்பந்தத்தின் ஜி.ஜி நடவடிக்கைகள். பயோமெட்ரிக்ஸ் 33, 159-174 (1977).
பட்டாச்சார்ஜி எஸ், பிரகாஷ் டி, கிம் சி, கிம் எச்.கே மற்றும் சோய் எச்.கே. முதன்மை மூளைக் கட்டிகளை வேறுபடுத்துவதற்கு செயற்கை நுண்ணறிவு நுட்பங்களைப் பயன்படுத்தி இரு பரிமாண காந்த அதிர்வு இமேஜிங்கின் உரை, உருவ மற்றும் புள்ளிவிவர பகுப்பாய்வு. சுகாதார தகவல். வள. https://doi.org/10.4258/hir.2022.28.1.46 (2022).