கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களிடையே பாரம்பரிய பல் வயது மதிப்பீட்டு முறைகளுக்கு எதிராக தரவுச் செயலாக்க மாதிரியின் சரிபார்ப்பு

Nature.com ஐப் பார்வையிட்டதற்கு நன்றி.நீங்கள் பயன்படுத்தும் உலாவியின் பதிப்பு குறைந்த CSS ஆதரவைக் கொண்டுள்ளது.சிறந்த முடிவுகளுக்கு, உங்கள் உலாவியின் புதிய பதிப்பைப் பயன்படுத்த பரிந்துரைக்கிறோம் (அல்லது Internet Explorer இல் பொருந்தக்கூடிய பயன்முறையை முடக்கவும்).இதற்கிடையில், தற்போதைய ஆதரவை உறுதிப்படுத்த, ஸ்டைலிங் அல்லது ஜாவாஸ்கிரிப்ட் இல்லாமல் தளத்தைக் காண்பிக்கிறோம்.
பற்கள் மனித உடலின் வயதின் மிகத் துல்லியமான குறிகாட்டியாகக் கருதப்படுகின்றன, மேலும் அவை பெரும்பாலும் தடயவியல் வயது மதிப்பீட்டில் பயன்படுத்தப்படுகின்றன.பாரம்பரிய முறைகள் மற்றும் தரவுச் சுரங்க அடிப்படையிலான வயது மதிப்பீடுகளுடன் 18 ஆண்டு கால அளவின் மதிப்பீட்டுத் துல்லியம் மற்றும் வகைப்படுத்தல் செயல்திறனை ஒப்பிடுவதன் மூலம் தரவுச் செயலாக்கம் சார்ந்த பல் வயது மதிப்பீடுகளைச் சரிபார்க்க நாங்கள் இலக்கு வைத்துள்ளோம்.15 முதல் 23 வயதுடைய கொரிய மற்றும் ஜப்பானிய குடிமக்களிடமிருந்து மொத்தம் 2657 பனோரமிக் ரேடியோகிராஃப்கள் சேகரிக்கப்பட்டன.அவை ஒவ்வொன்றும் 900 கொரிய ரேடியோகிராஃப்கள் மற்றும் 857 ஜப்பானிய ரேடியோகிராஃப்களைக் கொண்ட ஒரு பயிற்சித் தொகுப்பாகப் பிரிக்கப்பட்டன.தரவுச் செயலாக்க மாதிரிகளின் சோதனைத் தொகுப்புகளுடன் பாரம்பரிய முறைகளின் வகைப்பாடு துல்லியம் மற்றும் செயல்திறனை ஒப்பிட்டுப் பார்த்தோம்.உள் சோதனைத் தொகுப்பில் உள்ள பாரம்பரிய முறையின் துல்லியம் தரவுச் செயலாக்க மாதிரியை விட சற்று 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 தரவுச் செயலாக்க மாதிரிகளுக்கு இடையே ஒத்ததாகும்.எனவே, கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களில் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப்பற்களின் முதிர்ச்சியைப் பயன்படுத்தி தடயவியல் வயது மதிப்பீட்டைச் செய்யும்போது பாரம்பரிய முறைகளை தரவுச் செயலாக்க மாதிரிகள் மூலம் மாற்றலாம்.
தடயவியல் மருத்துவம் மற்றும் குழந்தை பல் மருத்துவத்தில் பல் வயது மதிப்பீடு பரவலாகப் பயன்படுத்தப்படுகிறது.குறிப்பாக, காலவரிசை வயதுக்கும் பல் வளர்ச்சிக்கும் இடையே அதிக தொடர்பு இருப்பதால், குழந்தைகள் மற்றும் இளம்பருவத்தினர்1,2,3 வயதை மதிப்பிடுவதற்கான முக்கிய அளவுகோலாக பல் வளர்ச்சி நிலைகளின் வயது மதிப்பீடு உள்ளது.இருப்பினும், இளைஞர்களுக்கு, பல் முதிர்ச்சியின் அடிப்படையில் பல் வயதை மதிப்பிடுவது அதன் வரம்புகளைக் கொண்டுள்ளது, ஏனெனில் மூன்றாவது கடைவாய்ப்பற்களைத் தவிர்த்து, பல் வளர்ச்சி கிட்டத்தட்ட நிறைவடைந்துள்ளது.இளைஞர்கள் மற்றும் இளம் பருவத்தினரின் வயதை நிர்ணயிப்பதற்கான சட்டப்பூர்வ நோக்கம், அவர்கள் வயது முதிர்ச்சியடைந்துவிட்டார்களா என்பதற்கான துல்லியமான மதிப்பீடுகள் மற்றும் அறிவியல் ஆதாரங்களை வழங்குவதாகும்.கொரியாவில் இளம் பருவத்தினர் மற்றும் இளைஞர்களின் மருத்துவ-சட்ட நடைமுறையில், லீயின் முறையைப் பயன்படுத்தி வயது மதிப்பிடப்பட்டது, மேலும் ஓ மற்றும் பலர் அறிக்கை செய்த தரவுகளின் அடிப்படையில் 18 ஆண்டுகள் சட்டப்பூர்வ வரம்பு கணிக்கப்பட்டது.
இயந்திர கற்றல் என்பது ஒரு வகையான செயற்கை நுண்ணறிவு (AI) ஆகும், இது பெரிய அளவிலான தரவை மீண்டும் மீண்டும் கற்றுக்கொண்டு வகைப்படுத்துகிறது, சிக்கல்களைத் தானாகவே தீர்க்கிறது மற்றும் தரவு நிரலாக்கத்தை இயக்குகிறது.இயந்திர கற்றல் பெரிய அளவிலான தரவுகளில் பயனுள்ள மறைக்கப்பட்ட வடிவங்களைக் கண்டறியலாம்6.இதற்கு நேர்மாறாக, கிளாசிக்கல் முறைகள், உழைப்பு மிகுந்த மற்றும் நேரத்தை எடுத்துக்கொள்ளும், கைமுறையாக செயலாக்க கடினமாக இருக்கும் சிக்கலான தரவுகளின் பெரிய தொகுதிகளைக் கையாளும் போது வரம்புகள் இருக்கலாம்7.எனவே, மனிதப் பிழைகளைக் குறைப்பதற்கும், பல பரிமாணத் தரவுகளை திறம்படச் செயலாக்குவதற்கும் சமீபத்திய கணினித் தொழில்நுட்பங்களைப் பயன்படுத்தி சமீபத்தில் பல ஆய்வுகள் நடத்தப்பட்டுள்ளன.குறிப்பாக, ஆழ்ந்த கற்றல் மருத்துவப் படப் பகுப்பாய்வில் பரவலாகப் பயன்படுத்தப்படுகிறது, மேலும் ரேடியோகிராஃப்களைத் தானாகப் பகுப்பாய்வு செய்வதன் மூலம் வயதைக் கணக்கிடுவதற்கான பல்வேறு முறைகள் வயது மதிப்பீட்டின் துல்லியம் மற்றும் செயல்திறனை மேம்படுத்துவதற்கு பதிவாகியுள்ளன13,14,15,16,17,18,19,20 .எடுத்துக்காட்டாக, குழந்தைகளின் கைகளின் ரேடியோகிராஃப்களைப் பயன்படுத்தி எலும்பின் வயதைக் கணக்கிடுவதற்கு கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளின் (CNN) அடிப்படையில் ஒரு இயந்திர கற்றல் வழிமுறையை ஹலாபி மற்றும் பலர் 13 உருவாக்கினர்.இந்த ஆய்வு மருத்துவப் படங்களுக்கு இயந்திரக் கற்றலைப் பயன்படுத்தும் மாதிரியை முன்மொழிகிறது மற்றும் இந்த முறைகள் கண்டறியும் துல்லியத்தை மேம்படுத்த முடியும் என்பதைக் காட்டுகிறது.Li et al14 ஆழமான கற்றல் CNN ஐப் பயன்படுத்தி இடுப்பு எக்ஸ்ரே படங்களிலிருந்து வயதை மதிப்பிட்டனர் மற்றும் அவற்றை ஆசிஃபிகேஷன் நிலை மதிப்பீட்டைப் பயன்படுத்தி பின்னடைவு முடிவுகளுடன் ஒப்பிட்டனர்.ஆழ்ந்த கற்றல் CNN மாதிரியானது பாரம்பரிய பின்னடைவு மாதிரியின் அதே வயது மதிப்பீட்டு செயல்திறனைக் காட்டியது என்று அவர்கள் கண்டறிந்தனர்.Guo et al.'s ஆய்வு [15] CNN தொழில்நுட்பத்தின் வயது சகிப்புத்தன்மை வகைப்படுத்தல் செயல்திறனை பல் ஆர்த்தோபோடோஸ் அடிப்படையில் மதிப்பீடு செய்தது, மேலும் CNN மாதிரியின் முடிவுகள் மனிதர்கள் அதன் வயது வகைப்பாடு செயல்திறனை விஞ்சியதை நிரூபித்தது.
இயந்திரக் கற்றலைப் பயன்படுத்தி வயது மதிப்பீடு பற்றிய பெரும்பாலான ஆய்வுகள் ஆழமான கற்றல் முறைகளைப் பயன்படுத்துகின்றன13,14,15,16,17,18,19,20.ஆழ்ந்த கற்றலின் அடிப்படையிலான வயது மதிப்பீடு பாரம்பரிய முறைகளை விட மிகவும் துல்லியமானது என தெரிவிக்கப்பட்டுள்ளது.இருப்பினும், இந்த அணுகுமுறை வயது மதிப்பீடுகளுக்கான அறிவியல் அடிப்படையை முன்வைக்க சிறிய வாய்ப்பை வழங்குகிறது, மதிப்பீடுகளில் பயன்படுத்தப்படும் வயது குறிகாட்டிகள் போன்றவை.ஆய்வுகளை யார் நடத்துகிறார்கள் என்பதில் சட்டப்பூர்வ சர்ச்சையும் உள்ளது.எனவே, ஆழ்ந்த கற்றலின் அடிப்படையில் வயது மதிப்பீட்டை நிர்வாக மற்றும் நீதித்துறை அதிகாரிகளால் ஏற்றுக்கொள்வது கடினம்.டேட்டா மைனிங் (DM) என்பது பெரிய அளவிலான தரவுகளுக்கு இடையே பயனுள்ள தொடர்புகளைக் கண்டறியும் ஒரு முறையாக எதிர்பார்க்கப்படுவது மட்டுமல்லாமல் எதிர்பாராத தகவல்களையும் கண்டறியும் ஒரு நுட்பமாகும்.தரவுச் செயலாக்கத்தில் இயந்திரக் கற்றல் பெரும்பாலும் பயன்படுத்தப்படுகிறது, மேலும் தரவுச் செயலாக்கம் மற்றும் இயந்திரக் கற்றல் ஆகிய இரண்டும் தரவுகளில் உள்ள வடிவங்களைக் கண்டறிய ஒரே முக்கிய வழிமுறைகளைப் பயன்படுத்துகின்றன.பல் வளர்ச்சியைப் பயன்படுத்தி வயது மதிப்பீடு இலக்கு பற்களின் முதிர்ச்சியின் பரிசோதகர் மதிப்பீட்டின் அடிப்படையில் அமைந்துள்ளது, மேலும் இந்த மதிப்பீடு ஒவ்வொரு இலக்குப் பல்லுக்கும் ஒரு கட்டமாக வெளிப்படுத்தப்படுகிறது.பல் மதிப்பீட்டு நிலை மற்றும் உண்மையான வயது ஆகியவற்றுக்கு இடையேயான தொடர்பை பகுப்பாய்வு செய்ய DM பயன்படுத்தப்படலாம் மற்றும் பாரம்பரிய புள்ளியியல் பகுப்பாய்வை மாற்றும் திறனைக் கொண்டுள்ளது.எனவே, வயது மதிப்பீட்டில் DM நுட்பங்களைப் பயன்படுத்தினால், சட்டப் பொறுப்பு பற்றி கவலைப்படாமல் தடயவியல் வயது மதிப்பீட்டில் இயந்திரக் கற்றலைச் செயல்படுத்தலாம்.தடயவியல் நடைமுறையில் பயன்படுத்தப்படும் பாரம்பரிய கையேடு முறைகள் மற்றும் பல் வயதை நிர்ணயிப்பதற்கான ஈபிஎம் அடிப்படையிலான முறைகளுக்கு சாத்தியமான மாற்றுகள் குறித்து பல ஒப்பீட்டு ஆய்வுகள் வெளியிடப்பட்டுள்ளன.பாரம்பரிய கேமரர் ஃபார்முலாவை விட டிஎம் மாடல் மிகவும் துல்லியமானது என்று ஷென் மற்றும் பலர் 23 காட்டியது.கலிபோர்க் மற்றும் பலர் டெமிர்ட்ஜியன் அளவுகோலின்படி வயதைக் கணிக்க வெவ்வேறு டிஎம் முறைகளைப் பயன்படுத்தினர் மற்றும் முடிவுகள் பிரெஞ்சு மக்கள்தொகையின் வயதைக் கணக்கிடுவதில் டிஎம் முறை டெமிர்ட்ஜியன் மற்றும் வில்லெம்ஸ் முறைகளை விட சிறப்பாக செயல்பட்டதாகக் காட்டியது.
கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களின் பல் வயதைக் கணக்கிட, லீயின் முறை 4 கொரிய தடயவியல் நடைமுறையில் பரவலாகப் பயன்படுத்தப்படுகிறது.இந்த முறை கொரிய பாடங்களுக்கும் காலவரிசைக்கும் இடையிலான உறவை ஆராய பாரம்பரிய புள்ளிவிவர பகுப்பாய்வை (பல பின்னடைவு போன்றவை) பயன்படுத்துகிறது.இந்த ஆய்வில், பாரம்பரிய புள்ளிவிவர முறைகளைப் பயன்படுத்தி பெறப்பட்ட வயது மதிப்பீட்டு முறைகள் "பாரம்பரிய முறைகள்" என வரையறுக்கப்படுகின்றன.லீயின் முறை ஒரு பாரம்பரிய முறையாகும், மேலும் அதன் துல்லியம் ஓ மற்றும் பலர் மூலம் உறுதிப்படுத்தப்பட்டுள்ளது.5;இருப்பினும், கொரிய தடயவியல் நடைமுறையில் DM மாதிரியின் அடிப்படையில் வயது மதிப்பீட்டின் பொருந்தக்கூடிய தன்மை இன்னும் கேள்விக்குரியதாகவே உள்ளது.DM மாதிரியின் அடிப்படையில் வயது மதிப்பீட்டின் சாத்தியமான பயனை அறிவியல் ரீதியாக சரிபார்ப்பதே எங்கள் குறிக்கோளாக இருந்தது.இந்த ஆய்வின் நோக்கம் (1) பல் வயதை மதிப்பிடுவதில் இரண்டு டிஎம் மாடல்களின் துல்லியத்தை ஒப்பிடுவது மற்றும் (2) 18 வயதில் 7 டிஎம் மாடல்களின் வகைப்பாடு செயல்திறனை பாரம்பரிய புள்ளிவிவர முறைகளைப் பயன்படுத்தி பெறப்பட்டவற்றுடன் ஒப்பிடுவது இரண்டாவது முதிர்வு மற்றும் இரண்டு தாடைகளிலும் மூன்றாவது கடைவாய்ப்பற்கள்.
துணை அட்டவணை S1 (பயிற்சி தொகுப்பு), துணை அட்டவணை S2 (உள் சோதனைத் தொகுப்பு) மற்றும் துணை அட்டவணை S3 (வெளிப்புற சோதனைத் தொகுப்பு) ஆகியவற்றில் நிலை மற்றும் பல் வகையின்படி காலவரிசை வயதுக்கான வழிமுறைகள் மற்றும் நிலையான விலகல்கள் ஆன்லைனில் காட்டப்பட்டுள்ளன.பயிற்சித் தொகுப்பிலிருந்து பெறப்பட்ட உள் மற்றும் இன்டர்ஒப்சர்வர் நம்பகத்தன்மைக்கான கப்பா மதிப்புகள் முறையே 0.951 மற்றும் 0.947 ஆகும்.P மதிப்புகள் மற்றும் கப்பா மதிப்புகளுக்கான 95% நம்பிக்கை இடைவெளிகள் ஆன்லைன் துணை அட்டவணை S4 இல் காட்டப்பட்டுள்ளன.கப்பா மதிப்பு "கிட்டத்தட்ட சரியானது" என்று விளக்கப்பட்டது, இது லாண்டிஸ் மற்றும் கோச் 26 இன் அளவுகோல்களுடன் ஒத்துப்போகிறது.
சராசரி முழுமையான பிழையை (MAE) ஒப்பிடும் போது, ​​பாரம்பரிய முறையானது அனைத்து பாலினங்களுக்கும் மற்றும் வெளிப்புற ஆண் சோதனைத் தொகுப்பில், பல அடுக்கு பெர்செப்ட்ரான் (MLP) தவிர, DM மாதிரியை சற்று மிஞ்சும்.உள் MAE சோதனைத் தொகுப்பில் உள்ள பாரம்பரிய மாதிரிக்கும் DM மாதிரிக்கும் உள்ள வித்தியாசம் ஆண்களுக்கு 0.12–0.19 ஆண்டுகள் மற்றும் பெண்களுக்கு 0.17–0.21 ஆண்டுகள்.வெளிப்புற சோதனை பேட்டரிக்கு, வேறுபாடுகள் சிறியவை (ஆண்களுக்கு 0.001-0.05 ஆண்டுகள் மற்றும் பெண்களுக்கு 0.05-0.09 ஆண்டுகள்).கூடுதலாக, ரூட் சராசரி சதுரப் பிழை (RMSE) பாரம்பரிய முறையை விட சற்றே குறைவாக உள்ளது, சிறிய வேறுபாடுகளுடன் (0.17–0.24, 0.2–0.24 ஆண் உள் சோதனைத் தொகுப்பு மற்றும் 0.03–0.07, 0.04–0.08 வெளிப்புற சோதனைத் தொகுப்பு).)பெண் வெளிப்புற சோதனைத் தொகுப்பைத் தவிர, ஒற்றை அடுக்கு பெர்செப்ட்ரானை (SLP) விட MLP சற்று சிறந்த செயல்திறனைக் காட்டுகிறது.MAE மற்றும் RMSE க்கு, அனைத்து பாலினங்கள் மற்றும் மாடல்களுக்கான உள் சோதனைத் தொகுப்பை விட வெளிப்புற சோதனைத் தொகுப்பு மதிப்பெண்கள் அதிகம்.அனைத்து MAE மற்றும் RMSE ஆகியவை அட்டவணை 1 மற்றும் படம் 1 இல் காட்டப்பட்டுள்ளன.
பாரம்பரிய மற்றும் தரவு சுரங்க பின்னடைவு மாதிரிகளின் MAE மற்றும் RMSE.சராசரி முழுமையான பிழை MAE, ரூட் சராசரி சதுரப் பிழை RMSE, ஒற்றை அடுக்கு பெர்செப்ட்ரான் SLP, பல அடுக்கு பெர்செப்ட்ரான் MLP, பாரம்பரிய CM முறை.
பாரம்பரிய மற்றும் DM மாடல்களின் வகைப்பாடு செயல்திறன் (18 வருட வெட்டுக்களுடன்) உணர்திறன், தனித்தன்மை, நேர்மறை முன்கணிப்பு மதிப்பு (PPV), எதிர்மறை முன்கணிப்பு மதிப்பு (NPV) மற்றும் ரிசீவர் இயக்க பண்பு வளைவின் (AUROC) கீழ் பகுதி ஆகியவற்றின் அடிப்படையில் நிரூபிக்கப்பட்டது. 27 (அட்டவணை 2, படம் 2 மற்றும் துணை படம் 1 ஆன்லைனில்).உள் சோதனை பேட்டரியின் உணர்திறன் அடிப்படையில், பாரம்பரிய முறைகள் ஆண்களிடையே சிறப்பாகவும் பெண்களிடையே மோசமாகவும் செயல்படுகின்றன.இருப்பினும், பாரம்பரிய முறைகள் மற்றும் SD இடையே வகைப்படுத்தல் செயல்திறனில் உள்ள வேறுபாடு ஆண்களுக்கு 9.7% (MLP) மற்றும் பெண்களுக்கு 2.4% மட்டுமே (XGBoost).டிஎம் மாடல்களில், லாஜிஸ்டிக் ரிக்ரஷன் (எல்ஆர்) இரு பாலினருக்கும் சிறந்த உணர்திறனைக் காட்டியது.உள் சோதனைத் தொகுப்பின் தனித்தன்மையைப் பொறுத்தவரை, நான்கு SD மாதிரிகள் ஆண்களில் சிறப்பாகச் செயல்படுவதைக் காண முடிந்தது, அதே நேரத்தில் பாரம்பரிய மாதிரி பெண்களில் சிறப்பாகச் செயல்பட்டது.ஆண்களுக்கும் பெண்களுக்கும் வகைப்படுத்தல் செயல்திறனில் உள்ள வேறுபாடுகள் முறையே 13.3% (MLP) மற்றும் 13.1% (MLP) ஆகும், இது மாதிரிகளுக்கு இடையிலான வகைப்பாடு செயல்திறனில் உள்ள வேறுபாடு உணர்திறனை மீறுகிறது என்பதைக் குறிக்கிறது.DM மாடல்களில், சப்போர்ட் வெக்டர் மெஷின் (SVM), முடிவு மரம் (DT) மற்றும் ரேண்டம் ஃபாரஸ்ட் (RF) மாதிரிகள் ஆண்களிடையே சிறப்பாக செயல்பட்டன, அதே சமயம் LR மாடல் பெண்களிடையே சிறப்பாக செயல்பட்டது.பாரம்பரிய மாடல் மற்றும் அனைத்து SD மாடல்களின் AUROC ஆண்களில் 0.925 (k-அருகிலுள்ள அண்டை நாடு (KNN)) ஐ விட அதிகமாக இருந்தது, 18 வயதுடைய மாதிரிகளை பாகுபடுத்துவதில் சிறந்த வகைப்படுத்தல் செயல்திறனை வெளிப்படுத்துகிறது28.வெளிப்புற சோதனைத் தொகுப்பைப் பொறுத்தவரை, உள் சோதனைத் தொகுப்புடன் ஒப்பிடும்போது உணர்திறன், தனித்தன்மை மற்றும் AUROC ஆகியவற்றின் அடிப்படையில் வகைப்படுத்தல் செயல்திறன் குறைந்தது.மேலும், சிறந்த மற்றும் மோசமான மாடல்களின் வகைப்பாடு செயல்திறனுக்கு இடையே உணர்திறன் மற்றும் தனித்தன்மையின் வேறுபாடு 10% முதல் 25% வரை இருந்தது மற்றும் உள் சோதனைத் தொகுப்பில் உள்ள வேறுபாட்டை விட பெரியதாக இருந்தது.
18 வருட கட்ஆஃப் கொண்ட பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது தரவுச் செயலாக்க வகைப்பாடு மாதிரிகளின் உணர்திறன் மற்றும் தனித்தன்மை.KNN k அருகிலுள்ள அண்டை நாடு, SVM ஆதரவு திசையன் இயந்திரம், LR லாஜிஸ்டிக் பின்னடைவு, DT முடிவு மரம், RF ரேண்டம் காடு, XGB XGBoost, MLP மல்டிலேயர் பெர்செப்ட்ரான், பாரம்பரிய CM முறை.
இந்த ஆய்வின் முதல் படி, ஏழு டிஎம் மாதிரிகளிலிருந்து பெறப்பட்ட பல் வயது மதிப்பீடுகளின் துல்லியத்தை பாரம்பரிய பின்னடைவைப் பயன்படுத்தி பெறப்பட்டவற்றுடன் ஒப்பிடுவதாகும்.MAE மற்றும் RMSE ஆகியவை இரு பாலினருக்கும் உள்ளக சோதனைத் தொகுப்புகளில் மதிப்பீடு செய்யப்பட்டன, மேலும் பாரம்பரிய முறைக்கும் DM மாதிரிக்கும் இடையிலான வேறுபாடு MAEக்கு 44 முதல் 77 நாட்கள் வரையிலும், RMSEக்கு 62 முதல் 88 நாட்கள் வரையிலும் இருந்தது.இந்த ஆய்வில் பாரம்பரிய முறை சற்று துல்லியமாக இருந்தாலும், அத்தகைய சிறிய வேறுபாடு மருத்துவ அல்லது நடைமுறை முக்கியத்துவம் உள்ளதா என்பதை முடிவு செய்வது கடினம்.DM மாதிரியைப் பயன்படுத்தி பல் வயது மதிப்பீட்டின் துல்லியம் பாரம்பரிய முறையைப் போலவே உள்ளது என்பதை இந்த முடிவுகள் குறிப்பிடுகின்றன.முந்தைய ஆய்வுகளின் முடிவுகளுடன் நேரடி ஒப்பீடு கடினமாக உள்ளது, ஏனெனில் இந்த ஆய்வில் உள்ள அதே வயது வரம்பில் பற்களைப் பதிவு செய்யும் அதே நுட்பத்தைப் பயன்படுத்தி பாரம்பரிய புள்ளிவிவர முறைகளுடன் DM மாதிரிகளின் துல்லியத்தை எந்த ஆய்வும் ஒப்பிடவில்லை.கலிபோர்க் மற்றும் பலர் MAE மற்றும் RMSE ஐ இரண்டு பாரம்பரிய முறைகள் (டெமிர்ஜியன் முறை25 மற்றும் வில்லெம்ஸ் முறை29) மற்றும் 2 முதல் 24 வயதுடைய பிரெஞ்சு மக்கள்தொகையில் 10 DM மாதிரிகள் ஆகியவற்றுக்கு இடையே ஒப்பிட்டனர்.அனைத்து டிஎம் மாடல்களும் பாரம்பரிய முறைகளை விட துல்லியமானவை என்று அவர்கள் தெரிவித்தனர், முறையே வில்லெம்ஸ் மற்றும் டெமிர்ட்ஜியன் முறைகளுடன் ஒப்பிடும்போது MAE இல் 0.20 மற்றும் 0.38 ஆண்டுகள் மற்றும் RMSE இல் 0.25 மற்றும் 0.47 ஆண்டுகள் வேறுபாடுகள் உள்ளன.ஹாலிபோர்க் ஆய்வில் காட்டப்பட்டுள்ள SD மாதிரிக்கும் பாரம்பரிய முறைகளுக்கும் இடையே உள்ள வேறுபாடு, டெமிர்ட்ஜியன் முறையானது, ஆய்வின் அடிப்படையிலான பிரெஞ்சு கனடியர்களைத் தவிர மற்ற மக்களில் பல் வயதை துல்லியமாக மதிப்பிடவில்லை என்ற பல அறிக்கைகளை கணக்கில் எடுத்துக்கொள்கிறது.இந்த படிப்பில்.Tai et al 34 MLP அல்காரிதத்தைப் பயன்படுத்தி 1636 சீன ஆர்த்தடான்டிக் புகைப்படங்களிலிருந்து பல் வயதைக் கணித்து அதன் துல்லியத்தை டெமிர்ஜியன் மற்றும் வில்லெம்ஸ் முறையின் முடிவுகளுடன் ஒப்பிட்டனர்.பாரம்பரிய முறைகளை விட MLP அதிக துல்லியம் கொண்டது என்று அவர்கள் தெரிவித்தனர்.டெமிர்ட்ஜியன் முறைக்கும் பாரம்பரிய முறைக்கும் இடையே உள்ள வேறுபாடு <0.32 ஆண்டுகள், வில்லெம்ஸ் முறை 0.28 ஆண்டுகள், இது தற்போதைய ஆய்வின் முடிவுகளைப் போன்றது.இந்த முந்தைய ஆய்வுகளின் முடிவுகள்24,34 தற்போதைய ஆய்வின் முடிவுகளுடன் ஒத்துப்போகின்றன, மேலும் DM மாதிரியின் வயது மதிப்பீட்டுத் துல்லியம் மற்றும் பாரம்பரிய முறை ஒத்தவை.இருப்பினும், வழங்கப்பட்ட முடிவுகளின் அடிப்படையில், முந்தைய ஆய்வுகளின் ஒப்பீட்டு மற்றும் குறிப்பு இல்லாததால், வயதை மதிப்பிடுவதற்கு DM மாதிரிகளைப் பயன்படுத்துவது ஏற்கனவே உள்ள முறைகளை மாற்றியமைக்கலாம் என்று எச்சரிக்கையுடன் மட்டுமே முடிவு செய்ய முடியும்.இந்த ஆய்வில் பெறப்பட்ட முடிவுகளை உறுதிப்படுத்த பெரிய மாதிரிகளைப் பயன்படுத்தி பின்தொடர்தல் ஆய்வுகள் தேவை.
பல் வயதைக் கணக்கிடுவதில் SD இன் துல்லியத்தை சோதிக்கும் ஆய்வுகளில், சில எங்கள் ஆய்வை விட அதிக துல்லியத்தைக் காட்டின.ஸ்டெபனோவ்ஸ்கி மற்றும் பலர் 2.7 முதல் 20.5 வயதுடைய 976 செக் குடியிருப்பாளர்களின் பனோரமிக் ரேடியோகிராஃப்களுக்கு 22 SD மாடல்களைப் பயன்படுத்தி ஒவ்வொரு மாதிரியின் துல்லியத்தையும் சோதித்தனர்.மூரீஸ் மற்றும் பலர் முன்மொழிந்த வகைப்பாடு அளவுகோல்களைப் பயன்படுத்தி மொத்தம் 16 மேல் மற்றும் கீழ் இடது நிரந்தர பற்களின் வளர்ச்சியை அவர்கள் மதிப்பீடு செய்தனர்.MAE ஆனது 0.64 முதல் 0.94 ஆண்டுகள் வரையிலும், RMSE 0.85 முதல் 1.27 ஆண்டுகள் வரையிலும் இருக்கும், இவை இந்த ஆய்வில் பயன்படுத்தப்படும் இரண்டு DM மாடல்களைக் காட்டிலும் துல்லியமானவை.ஷென் மற்றும் பலர் 5 முதல் 13 வயதுக்குட்பட்ட கிழக்கு சீன குடியிருப்பாளர்களில் இடது கீழ் தாடையில் ஏழு நிரந்தர பற்களின் பல் வயதை மதிப்பிடுவதற்கு Cameriere முறையைப் பயன்படுத்தினர் மற்றும் நேரியல் பின்னடைவு, SVM மற்றும் RF ஆகியவற்றைப் பயன்படுத்தி மதிப்பிடப்பட்ட வயதினருடன் ஒப்பிட்டனர்.பாரம்பரிய Cameriere சூத்திரத்துடன் ஒப்பிடும்போது மூன்று DM மாடல்களும் அதிக துல்லியம் கொண்டவை என்பதை அவர்கள் காட்டினர்.ஷெனின் ஆய்வில் MAE மற்றும் RMSE ஆகியவை இந்த ஆய்வில் உள்ள DM மாதிரியை விட குறைவாக இருந்தன.ஸ்டெபனோவ்ஸ்கி மற்றும் பலர் ஆய்வுகளின் அதிகரித்த துல்லியம்.35 மற்றும் ஷென் மற்றும் பலர்.23 இளைய பாடங்களை அவர்களின் ஆய்வு மாதிரிகளில் சேர்ப்பதன் காரணமாக இருக்கலாம்.பல் வளர்ச்சியின் போது பற்களின் எண்ணிக்கை அதிகரிக்கும் போது, ​​வளரும் பற்களைக் கொண்ட பங்கேற்பாளர்களின் வயது மதிப்பீடுகள் மிகவும் துல்லியமாக இருப்பதால், ஆய்வில் பங்கேற்பாளர்கள் இளமையாக இருக்கும்போது இதன் விளைவாக வரும் வயது மதிப்பீட்டு முறையின் துல்லியம் சமரசம் செய்யப்படலாம்.கூடுதலாக, வயது மதிப்பீட்டில் MLP இன் பிழை SLP ஐ விட சற்று சிறியது, அதாவது SLP ஐ விட MLP மிகவும் துல்லியமானது.MLP வயது மதிப்பீட்டிற்குச் சற்று சிறப்பாகக் கருதப்படுகிறது, MLP38 இல் மறைந்திருக்கும் அடுக்குகள் காரணமாக இருக்கலாம்.இருப்பினும், பெண்களின் வெளிப்புற மாதிரிக்கு விதிவிலக்கு உள்ளது (SLP 1.45, MLP 1.49).வயதை மதிப்பிடுவதில் SLP ஐ விட MLP மிகவும் துல்லியமானது என்பதைக் கண்டறிய கூடுதல் பின்னோக்கி ஆய்வுகள் தேவை.
DM மாதிரியின் வகைப்பாடு செயல்திறன் மற்றும் 18 ஆண்டு வாசலில் உள்ள பாரம்பரிய முறை ஆகியவை ஒப்பிடப்பட்டன.அனைத்து சோதிக்கப்பட்ட SD மாதிரிகள் மற்றும் உள் சோதனைத் தொகுப்பில் உள்ள பாரம்பரிய முறைகள் 18 வயது மாதிரிக்கு நடைமுறையில் ஏற்றுக்கொள்ளக்கூடிய பாகுபாடுகளைக் காட்டின.ஆண்கள் மற்றும் பெண்களுக்கான உணர்திறன் முறையே 87.7% மற்றும் 94.9% ஐ விட அதிகமாக இருந்தது, மேலும் குறிப்பிட்ட தன்மை 89.3% மற்றும் 84.7% ஐ விட அதிகமாக இருந்தது.சோதனை செய்யப்பட்ட அனைத்து மாடல்களின் AUROC 0.925 ஐ விட அதிகமாக உள்ளது.எங்கள் அறிவின் மிகச்சிறந்த வகையில், பல் முதிர்ச்சியின் அடிப்படையில் 18 வருட வகைப்பாட்டிற்கான DM மாதிரியின் செயல்திறனை எந்த ஆய்வும் சோதிக்கவில்லை.பனோரமிக் ரேடியோகிராஃப்களில் ஆழ்ந்த கற்றல் மாதிரிகளின் வகைப்பாடு செயல்திறனுடன் இந்த ஆய்வின் முடிவுகளை நாம் ஒப்பிடலாம்.Guo et al.15 ஆனது CNN அடிப்படையிலான ஆழமான கற்றல் மாதிரியின் வகைப்படுத்தல் செயல்திறனைக் கணக்கிட்டது மற்றும் ஒரு குறிப்பிட்ட வயது வரம்புக்கான டெமிர்ஜியன் முறையின் அடிப்படையில் ஒரு கையேடு முறை.கையேடு முறையின் உணர்திறன் மற்றும் தனித்தன்மை முறையே 87.7% மற்றும் 95.5% ஆகும், மேலும் CNN மாதிரியின் உணர்திறன் மற்றும் தனித்தன்மை முறையே 89.2% மற்றும் 86.6% ஐ தாண்டியது.ஆழ்ந்த கற்றல் மாதிரிகள் வயது வரம்புகளை வகைப்படுத்துவதில் கைமுறை மதிப்பீட்டை மாற்றலாம் அல்லது விஞ்சலாம் என்று அவர்கள் முடிவு செய்தனர்.இந்த ஆய்வின் முடிவுகள் ஒத்த வகைப்பாடு செயல்திறனைக் காட்டின;DM மாதிரிகளைப் பயன்படுத்தி வகைப்படுத்துவது வயது மதிப்பீட்டிற்கான பாரம்பரிய புள்ளிவிவர முறைகளை மாற்றியமைக்க முடியும் என்று நம்பப்படுகிறது.மாடல்களில், ஆண் மாதிரிக்கான உணர்திறன் மற்றும் பெண் மாதிரிக்கான உணர்திறன் மற்றும் தனித்தன்மை ஆகியவற்றின் அடிப்படையில் DM LR சிறந்த மாதிரியாக இருந்தது.ஆண்களுக்கான தனித்தன்மையில் LR இரண்டாவது இடத்தில் உள்ளது.மேலும், LR மிகவும் பயனர் நட்பு DM35 மாடல்களில் ஒன்றாகக் கருதப்படுகிறது மேலும் இது குறைவான சிக்கலான மற்றும் செயலாக்க கடினமாக உள்ளது.இந்த முடிவுகளின் அடிப்படையில், கொரிய மக்கள்தொகையில் 18 வயதுடையவர்களுக்கான சிறந்த வெட்டு வகைப்பாடு மாதிரியாக LR கருதப்பட்டது.
ஒட்டுமொத்தமாக, அகச் சோதனைத் தொகுப்பின் முடிவுகளுடன் ஒப்பிடும்போது, ​​வெளிப்புறச் சோதனைத் தொகுப்பில் வயது மதிப்பீடு அல்லது வகைப்பாடு செயல்திறன் ஆகியவற்றின் துல்லியம் மோசமாகவோ அல்லது குறைவாகவோ இருந்தது.கொரிய மக்கள்தொகையின் அடிப்படையில் வயது மதிப்பீடுகள் ஜப்பானிய மக்கள்தொகைக்கு 5,39 பயன்படுத்தப்படும்போது வகைப்படுத்தல் துல்லியம் அல்லது செயல்திறன் குறைகிறது என்று சில அறிக்கைகள் குறிப்பிடுகின்றன, மேலும் தற்போதைய ஆய்வில் இதேபோன்ற முறை கண்டறியப்பட்டது.இந்த சீரழிவு போக்கு DM மாதிரியிலும் காணப்பட்டது.எனவே, வயதைத் துல்லியமாக மதிப்பிட, பகுப்பாய்வு செயல்பாட்டில் DM ஐப் பயன்படுத்தும்போது கூட, பாரம்பரிய முறைகள் போன்ற பூர்வீக மக்கள்தொகை தரவுகளிலிருந்து பெறப்பட்ட முறைகளுக்கு முன்னுரிமை அளிக்கப்பட வேண்டும்.ஆழ்ந்த கற்றல் மாதிரிகள் ஒரே மாதிரியான போக்குகளைக் காட்ட முடியுமா என்பது தெளிவாக இல்லாததால், பாரம்பரிய முறைகளைப் பயன்படுத்தி வகைப்படுத்தல் துல்லியம் மற்றும் செயல்திறனை ஒப்பிடும் ஆய்வுகள், DM மாதிரிகள் மற்றும் அதே மாதிரிகளில் ஆழமான கற்றல் மாதிரிகள் ஆகியவை செயற்கை நுண்ணறிவு இந்த இன வேறுபாடுகளை வரையறுக்கப்பட்ட வயதில் சமாளிக்க முடியுமா என்பதை உறுதிப்படுத்த வேண்டும்.மதிப்பீடுகள்.
கொரியாவில் தடயவியல் வயது மதிப்பீட்டு நடைமுறையில் DM மாதிரியின் அடிப்படையில் பாரம்பரிய முறைகளை வயது மதிப்பீட்டின் மூலம் மாற்ற முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம்.தடயவியல் வயது மதிப்பீட்டிற்கான இயந்திர கற்றலை செயல்படுத்துவதற்கான சாத்தியத்தையும் நாங்கள் கண்டுபிடித்தோம்.எவ்வாறாயினும், இந்த ஆய்வில் போதுமான எண்ணிக்கையிலான பங்கேற்பாளர்கள் முடிவுகளைத் தீர்மானமாகத் தீர்மானிப்பதற்கும், இந்த ஆய்வின் முடிவுகளை ஒப்பிட்டு உறுதிப்படுத்துவதற்கு முந்தைய ஆய்வுகள் இல்லாதது போன்ற தெளிவான வரம்புகள் உள்ளன.எதிர்காலத்தில், பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது அதன் நடைமுறைப் பொருந்தக்கூடிய தன்மையை மேம்படுத்த, பெரிய அளவிலான மாதிரிகள் மற்றும் பலதரப்பட்ட மக்கள்தொகையுடன் DM ஆய்வுகள் நடத்தப்பட வேண்டும்.பல மக்கள்தொகையில் வயதைக் கணக்கிட செயற்கை நுண்ணறிவைப் பயன்படுத்துவதற்கான சாத்தியத்தை சரிபார்க்க, அதே மாதிரிகளில் பாரம்பரிய முறைகளுடன் DM மற்றும் ஆழ்ந்த கற்றல் மாதிரிகளின் வகைப்பாடு துல்லியம் மற்றும் செயல்திறனை ஒப்பிடுவதற்கு எதிர்கால ஆய்வுகள் தேவை.
15 முதல் 23 வயதுக்குட்பட்ட கொரிய மற்றும் ஜப்பானிய பெரியவர்களிடமிருந்து சேகரிக்கப்பட்ட 2,657 ஆர்த்தோகிராஃபிக் புகைப்படங்களை இந்த ஆய்வு பயன்படுத்தியது.கொரிய ரேடியோகிராஃப்கள் 900 பயிற்சித் தொகுப்புகளாகவும் (19.42 ± 2.65 ஆண்டுகள்) மற்றும் 900 உள் சோதனைத் தொகுப்புகளாகவும் (19.52 ± 2.59 ஆண்டுகள்) பிரிக்கப்பட்டன.பயிற்சித் தொகுப்பு ஒரு நிறுவனத்தில் (சியோல் செயின்ட் மேரி மருத்துவமனை) சேகரிக்கப்பட்டது, மேலும் சொந்த சோதனைத் தொகுப்பு இரண்டு நிறுவனங்களில் (சியோல் தேசிய பல்கலைக்கழக பல் மருத்துவமனை மற்றும் யோன்செய் பல்கலைக்கழக பல் மருத்துவமனை) சேகரிக்கப்பட்டது.வெளிப்புறச் சோதனைக்காக மற்றொரு மக்கள்தொகை அடிப்படையிலான தரவுகளிலிருந்து (இவாட் மருத்துவப் பல்கலைக்கழகம், ஜப்பான்) 857 ரேடியோகிராஃப்களையும் சேகரித்தோம்.ஜப்பானிய பாடங்களின் ரேடியோகிராஃப்கள் (19.31 ± 2.60 ஆண்டுகள்) வெளிப்புற சோதனைத் தொகுப்பாகத் தேர்ந்தெடுக்கப்பட்டன.பல் சிகிச்சையின் போது எடுக்கப்பட்ட பனோரமிக் ரேடியோகிராஃப்களில் பல் வளர்ச்சியின் நிலைகளை பகுப்பாய்வு செய்ய தரவுகள் பின்னோக்கி சேகரிக்கப்பட்டன.பாலினம், பிறந்த தேதி மற்றும் ரேடியோகிராஃப் தேதி தவிர சேகரிக்கப்பட்ட அனைத்து தரவுகளும் அநாமதேயமாக இருந்தன.சேர்த்தல் மற்றும் விலக்கு அளவுகோல்கள் முன்பு வெளியிடப்பட்ட ஆய்வுகள் 4, 5 போலவே இருந்தன.ரேடியோகிராஃப் எடுக்கப்பட்ட தேதியிலிருந்து பிறந்த தேதியைக் கழிப்பதன் மூலம் மாதிரியின் உண்மையான வயது கணக்கிடப்பட்டது.மாதிரி குழு ஒன்பது வயது குழுக்களாக பிரிக்கப்பட்டது.வயது மற்றும் பாலின விநியோகம் அட்டவணை 3 இல் காட்டப்பட்டுள்ளது இந்த ஆய்வு ஹெல்சின்கியின் பிரகடனத்தின்படி நடத்தப்பட்டது மற்றும் கொரியாவின் கத்தோலிக்க பல்கலைக்கழகத்தின் (KC22WISI0328) சியோல் செயின்ட் மேரி மருத்துவமனையின் நிறுவன மறுஆய்வு வாரியத்தால் (IRB) அங்கீகரிக்கப்பட்டது.இந்த ஆய்வின் பின்னோக்கி வடிவமைப்பு காரணமாக, சிகிச்சை நோக்கங்களுக்காக ரேடியோகிராஃபிக் பரிசோதனைக்கு உட்பட்ட அனைத்து நோயாளிகளிடமிருந்தும் தகவலறிந்த ஒப்புதலைப் பெற முடியவில்லை.சியோல் கொரியா பல்கலைக்கழக செயின்ட் மேரி மருத்துவமனை (IRB) தகவலறிந்த ஒப்புதலுக்கான தேவையை தள்ளுபடி செய்தது.
பிமாக்சில்லரி இரண்டாவது மற்றும் மூன்றாவது மோலர்களின் வளர்ச்சி நிலைகள் டெமிர்கன் அளவுகோல்களின்படி மதிப்பிடப்பட்டன.ஒவ்வொரு தாடையின் இடது மற்றும் வலது பக்கங்களிலும் ஒரே வகையான பல் இருந்தால் ஒரு பல் மட்டுமே தேர்ந்தெடுக்கப்பட்டது.இருபுறமும் ஒரே மாதிரியான பற்கள் வெவ்வேறு வளர்ச்சி நிலைகளில் இருந்தால், மதிப்பிடப்பட்ட வயதில் நிச்சயமற்ற தன்மையைக் கணக்கிட, குறைந்த வளர்ச்சி நிலை கொண்ட பல் தேர்ந்தெடுக்கப்பட்டது.பயிற்சித் தொகுப்பிலிருந்து தோராயமாகத் தேர்ந்தெடுக்கப்பட்ட நூறு ரேடியோகிராஃப்கள், பல் முதிர்வு நிலையைத் தீர்மானிக்க, முன் அளவீட்டிற்குப் பிறகு இன்டர்ஒப்சர்வர் நம்பகத்தன்மையை சோதிக்க இரண்டு அனுபவமிக்க பார்வையாளர்களால் மதிப்பெண் பெற்றன.முதன்மை பார்வையாளரால் மூன்று மாத இடைவெளியில் இரண்டு முறை உள்நோக்கி நம்பகத்தன்மை மதிப்பிடப்பட்டது.
பயிற்சித் தொகுப்பில் உள்ள ஒவ்வொரு தாடையின் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப்பற்களின் பாலினம் மற்றும் வளர்ச்சி நிலை வெவ்வேறு DM மாதிரிகளுடன் பயிற்சி பெற்ற முதன்மை பார்வையாளரால் மதிப்பிடப்பட்டது, மேலும் உண்மையான வயது இலக்கு மதிப்பாக அமைக்கப்பட்டது.இயந்திர கற்றலில் பரவலாகப் பயன்படுத்தப்படும் SLP மற்றும் MLP மாதிரிகள், பின்னடைவு வழிமுறைகளுக்கு எதிராக சோதிக்கப்பட்டன.DM மாதிரியானது நான்கு பற்களின் வளர்ச்சி நிலைகளைப் பயன்படுத்தி நேரியல் செயல்பாடுகளை ஒருங்கிணைத்து, இந்தத் தரவை ஒருங்கிணைத்து வயதைக் கணக்கிடுகிறது.SLP என்பது எளிமையான நரம்பியல் நெட்வொர்க் மற்றும் மறைக்கப்பட்ட அடுக்குகளைக் கொண்டிருக்கவில்லை.SLP முனைகளுக்கு இடையே த்ரெஷோல்ட் டிரான்ஸ்மிஷன் அடிப்படையில் செயல்படுகிறது.பின்னடைவில் உள்ள SLP மாதிரியானது பல நேரியல் பின்னடைவைக் கணித ரீதியாக ஒத்திருக்கிறது.SLP மாதிரியைப் போலன்றி, MLP மாதிரியானது நேரியல் அல்லாத செயல்படுத்தும் செயல்பாடுகளுடன் பல மறைக்கப்பட்ட அடுக்குகளைக் கொண்டுள்ளது.எங்கள் சோதனைகள், லீனியர் அல்லாத செயல்படுத்தும் செயல்பாடுகளுடன் 20 மறைக்கப்பட்ட முனைகளுடன் மறைக்கப்பட்ட அடுக்கைப் பயன்படுத்தியது.எங்கள் இயந்திர கற்றல் மாதிரியைப் பயிற்றுவிக்க, சாய்வு வம்சாவளியை மேம்படுத்தல் முறையாகவும், MAE மற்றும் RMSE ஐ இழப்புச் செயல்பாடாகவும் பயன்படுத்தவும்.சிறந்த பெறப்பட்ட பின்னடைவு மாதிரி உள் மற்றும் வெளிப்புற சோதனைத் தொகுப்புகளுக்குப் பயன்படுத்தப்பட்டது மற்றும் பற்களின் வயது மதிப்பிடப்பட்டது.
ஒரு மாதிரி 18 வயதாக இருக்கிறதா இல்லையா என்பதைக் கணிக்க பயிற்சித் தொகுப்பில் நான்கு பற்களின் முதிர்ச்சியைப் பயன்படுத்தும் வகைப்பாடு அல்காரிதம் உருவாக்கப்பட்டது.மாதிரியை உருவாக்க, நாங்கள் ஏழு பிரதிநிதித்துவ இயந்திர கற்றல் வழிமுறைகளைப் பெற்றோம்: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost மற்றும் (7) MLP .LR என்பது மிகவும் பரவலாகப் பயன்படுத்தப்படும் வகைப்பாடு அல்காரிதம்களில் ஒன்றாகும்44.இது ஒரு மேற்பார்வையிடப்பட்ட கற்றல் அல்காரிதம் ஆகும், இது 0 முதல் 1 வரையிலான குறிப்பிட்ட வகையைச் சேர்ந்த தரவின் நிகழ்தகவைக் கணிக்க பின்னடைவைப் பயன்படுத்துகிறது மற்றும் இந்த நிகழ்தகவின் அடிப்படையில் தரவை அதிக வாய்ப்புள்ள வகையைச் சேர்ந்ததாக வகைப்படுத்துகிறது;முக்கியமாக பைனரி வகைப்படுத்தலுக்குப் பயன்படுத்தப்படுகிறது.KNN என்பது எளிய இயந்திர கற்றல் வழிமுறைகளில் ஒன்றாகும்45.புதிய உள்ளீட்டுத் தரவை வழங்கும்போது, ​​ஏற்கனவே உள்ள தொகுப்பிற்கு அருகில் உள்ள k தரவைக் கண்டறிந்து, அவற்றை அதிக அதிர்வெண் கொண்ட வகுப்பாக வகைப்படுத்துகிறது.கருதப்படும் அண்டை நாடுகளின் எண்ணிக்கைக்கு 3 ஐ அமைத்துள்ளோம் (k).SVM என்பது ஒரு அல்காரிதம் ஆகும், இது கர்னல் செயல்பாட்டைப் பயன்படுத்தி இரண்டு வகுப்புகளுக்கு இடையே உள்ள தூரத்தை அதிகப்படுத்துகிறது.இந்த மாதிரிக்கு, நாம் பல்லுறுப்புக்கோவை கர்னலுக்கான உயர் அளவுகோல்களாக சார்பு = 1, சக்தி = 1, மற்றும் காமா = 1 ஆகியவற்றைப் பயன்படுத்துகிறோம்.ஒரு மர அமைப்பில் முடிவெடுக்கும் விதிகளைப் பிரதிநிதித்துவப்படுத்துவதன் மூலம் முழுத் தரவையும் பல துணைக்குழுக்களாகப் பிரிப்பதற்கான வழிமுறையாக டிடி பல்வேறு துறைகளில் பயன்படுத்தப்படுகிறது47.மாதிரியானது ஒரு முனைக்கு குறைந்தபட்ச பதிவுகள் 2 உடன் கட்டமைக்கப்பட்டுள்ளது மற்றும் தரத்தின் அளவீடாக கினி குறியீட்டைப் பயன்படுத்துகிறது.RF என்பது பூட்ஸ்ட்ராப் திரட்டல் முறையைப் பயன்படுத்தி செயல்திறனை மேம்படுத்த பல டிடிகளை ஒருங்கிணைக்கும் ஒரு குழும முறையாகும், இது அசல் தரவுத்தொகுப்பில் இருந்து பலமுறை ஒரே அளவிலான மாதிரிகளை தோராயமாக வரைவதன் மூலம் ஒவ்வொரு மாதிரிக்கும் பலவீனமான வகைப்படுத்தியை உருவாக்குகிறது.100 மரங்கள், 10 மரங்களின் ஆழம், 1 குறைந்தபட்ச முனை அளவு மற்றும் கினி கலப்புக் குறியீடு ஆகியவற்றை முனை பிரிப்பு அளவுகோலாகப் பயன்படுத்தினோம்.புதிய தரவுகளின் வகைப்பாடு பெரும்பான்மை வாக்குகளால் தீர்மானிக்கப்படுகிறது.XGBoost என்பது, முந்தைய மாதிரியின் உண்மையான மற்றும் கணிக்கப்பட்ட மதிப்புகளுக்கு இடையே உள்ள பிழையை பயிற்சித் தரவாக எடுத்து, சாய்வுகளைப் பயன்படுத்தி பிழையை அதிகரிக்கும் ஒரு முறையைப் பயன்படுத்தி மேம்படுத்தும் நுட்பங்களை ஒருங்கிணைக்கும் ஒரு வழிமுறையாகும்.அதன் நல்ல செயல்திறன் மற்றும் வளத் திறன் மற்றும் அதிக நம்பகத்தன்மையின் காரணமாக இது பரவலாகப் பயன்படுத்தப்படும் அல்காரிதம் ஆகும்.மாடலில் 400 ஆதரவு சக்கரங்கள் பொருத்தப்பட்டுள்ளன.MLP என்பது ஒரு நரம்பியல் வலையமைப்பு, இதில் ஒன்று அல்லது அதற்கு மேற்பட்ட பர்செப்ட்ரான்கள் உள்ளீடு மற்றும் வெளியீட்டு அடுக்குகளுக்கு இடையில் ஒன்று அல்லது அதற்கு மேற்பட்ட மறைக்கப்பட்ட அடுக்குகளுடன் பல அடுக்குகளை உருவாக்குகின்றன.இதைப் பயன்படுத்தி, நீங்கள் நேரியல் அல்லாத வகைப்பாட்டைச் செய்யலாம், அங்கு நீங்கள் உள்ளீட்டு அடுக்கைச் சேர்த்து முடிவு மதிப்பைப் பெறும்போது, ​​​​கணிக்கப்பட்ட முடிவு மதிப்பானது உண்மையான முடிவு மதிப்புடன் ஒப்பிடப்பட்டு, பிழை மீண்டும் பரப்பப்படும்.ஒவ்வொரு அடுக்கிலும் 20 மறைக்கப்பட்ட நியூரான்களுடன் ஒரு மறைக்கப்பட்ட அடுக்கை உருவாக்கினோம்.நாங்கள் உருவாக்கிய ஒவ்வொரு மாதிரியும் உணர்திறன், தனித்தன்மை, PPV, NPV மற்றும் AUROC ஆகியவற்றைக் கணக்கிடுவதன் மூலம் வகைப்படுத்தல் செயல்திறனைச் சோதிக்க உள் மற்றும் வெளிப்புறத் தொகுப்புகளுக்குப் பயன்படுத்தப்பட்டது.உணர்திறன் என்பது 18 வயது அல்லது அதற்கு மேற்பட்டதாக மதிப்பிடப்பட்ட மாதிரியின் விகிதம் 18 வயது அல்லது அதற்கு மேற்பட்டதாக மதிப்பிடப்பட்ட மாதிரியின் விகிதமாக வரையறுக்கப்படுகிறது.விவரக்குறிப்பு என்பது 18 வயதுக்குட்பட்ட மாதிரிகள் மற்றும் 18 வயதுக்குட்பட்டதாக மதிப்பிடப்பட்ட மாதிரிகளின் விகிதமாகும்.
பயிற்சித் தொகுப்பில் மதிப்பிடப்பட்ட பல் நிலைகள் புள்ளியியல் பகுப்பாய்விற்காக எண் நிலைகளாக மாற்றப்பட்டன.ஒவ்வொரு பாலினத்திற்கும் முன்கணிப்பு மாதிரிகளை உருவாக்கவும், வயதைக் கணக்கிடப் பயன்படும் பின்னடைவு சூத்திரங்களைப் பெறவும் பன்முக நேரியல் மற்றும் தளவாட பின்னடைவு செய்யப்பட்டது.உள் மற்றும் வெளிப்புற சோதனைத் தொகுப்புகளுக்கு பல் வயதைக் கணக்கிட இந்த சூத்திரங்களைப் பயன்படுத்தினோம்.இந்த ஆய்வில் பயன்படுத்தப்படும் பின்னடைவு மற்றும் வகைப்பாடு மாதிரிகளை அட்டவணை 4 காட்டுகிறது.
கோஹனின் கப்பா புள்ளிவிவரத்தைப் பயன்படுத்தி உள் மற்றும் இடைநிலைப் பார்வை நம்பகத்தன்மை கணக்கிடப்பட்டது.DM மற்றும் பாரம்பரிய பின்னடைவு மாதிரிகளின் துல்லியத்தை சோதிக்க, உள் மற்றும் வெளிப்புற சோதனைத் தொகுப்புகளின் மதிப்பிடப்பட்ட மற்றும் உண்மையான வயதைப் பயன்படுத்தி MAE மற்றும் RMSE ஆகியவற்றைக் கணக்கிட்டோம்.இந்த பிழைகள் பொதுவாக மாதிரி கணிப்புகளின் துல்லியத்தை மதிப்பிடுவதற்குப் பயன்படுத்தப்படுகின்றன.சிறிய பிழை, முன்னறிவிப்பின் அதிக துல்லியம்24.DM மற்றும் பாரம்பரிய பின்னடைவைப் பயன்படுத்தி கணக்கிடப்பட்ட உள் மற்றும் வெளிப்புற சோதனைத் தொகுப்புகளின் MAE மற்றும் RMSE ஐ ஒப்பிடுக.பாரம்பரிய புள்ளிவிபரங்களில் 18 ஆண்டு கால இடைவெளியின் வகைப்பாடு செயல்திறன் 2 × 2 தற்செயல் அட்டவணையைப் பயன்படுத்தி மதிப்பிடப்பட்டது.சோதனைத் தொகுப்பின் கணக்கிடப்பட்ட உணர்திறன், தனித்தன்மை, PPV, NPV மற்றும் AUROC ஆகியவை DM வகைப்பாடு மாதிரியின் அளவிடப்பட்ட மதிப்புகளுடன் ஒப்பிடப்பட்டன.தரவு பண்புகளை பொறுத்து சராசரி ± நிலையான விலகல் அல்லது எண் (%) என வெளிப்படுத்தப்படுகிறது.இரண்டு பக்க பி மதிப்புகள் <0.05 புள்ளியியல் முக்கியத்துவம் வாய்ந்ததாகக் கருதப்பட்டது.அனைத்து வழக்கமான புள்ளிவிவர பகுப்பாய்வுகளும் SAS பதிப்பு 9.4 (SAS இன்ஸ்டிடியூட், கேரி, NC) ஐப் பயன்படுத்தி நிகழ்த்தப்பட்டன.DM பின்னடைவு மாதிரியானது பைத்தானில் Keras50 2.2.4 பின்தளம் மற்றும் Tensorflow51 1.8.0 ஆகியவற்றைப் பயன்படுத்தி குறிப்பாக கணிதச் செயல்பாடுகளுக்காக செயல்படுத்தப்பட்டது.வைகாடோ அறிவு பகுப்பாய்வு சூழல் மற்றும் கான்ஸ்டான்ஸ் இன்ஃபர்மேஷன் மைனர் (KNIME) 4.6.152 பகுப்பாய்வு மேடையில் DM வகைப்பாடு மாதிரி செயல்படுத்தப்பட்டது.
ஆய்வின் முடிவுகளை ஆதரிக்கும் தரவை கட்டுரையிலும் துணைப் பொருட்களிலும் காணலாம் என்பதை ஆசிரியர்கள் ஒப்புக்கொள்கிறார்கள்.ஆய்வின் போது உருவாக்கப்பட்ட மற்றும்/அல்லது பகுப்பாய்வு செய்யப்பட்ட தரவுத்தொகுப்புகள் நியாயமான கோரிக்கையின் பேரில் தொடர்புடைய ஆசிரியரிடமிருந்து கிடைக்கும்.
ரிட்ஸ்-டிம்மே, எஸ். மற்றும் பலர்.வயது மதிப்பீடு: தடயவியல் நடைமுறையின் குறிப்பிட்ட தேவைகளைப் பூர்த்தி செய்வதற்கான நவீன நிலை.சர்வதேசம்.ஜே. சட்ட மருத்துவம்.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., மற்றும் Olze, A. குற்றவியல் வழக்கு நோக்கங்களுக்காக வாழும் 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 ஆய்வு.25, 3463–3474 (2021).
லீ, எஸ்எஸ் போன்றவை. கொரியர்களில் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப்பற்களின் வளர்ச்சியின் காலவரிசை மற்றும் தடயவியல் வயது மதிப்பீட்டிற்கான அதன் பயன்பாடு.சர்வதேசம்.ஜே. சட்ட மருத்துவம்.124, 659–665 (2010).
O, S., Kumagai, A., Kim, SY and Lee, SS கொரியர்கள் மற்றும் ஜப்பானியர்களில் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப்பற்களின் முதிர்ச்சியின் அடிப்படையில் 18 வருட வரம்பின் வயது மதிப்பீடு மற்றும் மதிப்பீடு ஆகியவற்றின் துல்லியம்.PLoS ONE 17, e0271247 (2022).
கிம், ஜேஒய் மற்றும் பலர்.அறுவை சிகிச்சைக்கு முந்தைய இயந்திர கற்றல் அடிப்படையிலான தரவு பகுப்பாய்வு OSA நோயாளிகளுக்கு தூக்க அறுவை சிகிச்சை சிகிச்சை விளைவுகளை கணிக்க முடியும்.அறிவியல்.அறிக்கை 11, 14911 (2021).
ஹான், எம். மற்றும் பலர்.மனித தலையீடு அல்லது இல்லாமல் இயந்திரக் கற்றலில் இருந்து துல்லியமான வயது மதிப்பீடு?சர்வதேசம்.ஜே. சட்ட மருத்துவம்.136, 821–831 (2022).
கான், எஸ். மற்றும் ஷாஹீன், எம். டேட்டா மைனிங்கிலிருந்து டேட்டா மைனிங் வரை.ஜே.தகவல்.அறிவியல்.https://doi.org/10.1177/01655515211030872 (2021).
கான், எஸ். மற்றும் ஷஹீன், எம். விஸ்ரூல்: அசோசியேஷன் ரூல் மைனிங்கிற்கான முதல் அறிவாற்றல் அல்காரிதம்.ஜே.தகவல்.அறிவியல்.https://doi.org/10.1177/01655515221108695 (2022).
ஷஹீன் எம். மற்றும் அப்துல்லா யு. கர்ம்: சூழல் அடிப்படையிலான சங்க விதிகளின் அடிப்படையில் பாரம்பரிய தரவுச் செயலாக்கம்.கணக்கிட.மேட்.தொடரவும்.68, 3305–3322 (2021).
முஹம்மது எம்., ரெஹ்மான் இசட்., ஷஹீன் எம்., கான் எம். மற்றும் ஹபீப் எம். உரைத் தரவைப் பயன்படுத்தி ஆழ்ந்த கற்றல் அடிப்படையிலான சொற்பொருள் ஒற்றுமையைக் கண்டறிதல்.தெரிவிக்கின்றன.தொழில்நுட்பங்கள்.கட்டுப்பாடு.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
தபிஷ், எம்., தனோலி, இசட். மற்றும் ஷாஹின், எம். விளையாட்டு வீடியோக்களில் செயல்பாட்டை அங்கீகரிப்பதற்கான அமைப்பு.மல்டிமீடியா.கருவிகள் பயன்பாடுகள் https://doi.org/10.1007/s11042-021-10519-6 (2021).
ஹலாபி, எஸ்எஸ் மற்றும் பலர்.RSNA இயந்திர கற்றல் சவால் குழந்தை எலும்பு வயது.கதிரியக்கவியல் 290, 498–503 (2019).
லி, ஒய். மற்றும் பலர்.ஆழமான கற்றலைப் பயன்படுத்தி இடுப்பு எக்ஸ்-கதிர்களிலிருந்து தடயவியல் வயது மதிப்பீடு.யூரோ.கதிர்வீச்சு.29, 2322–2329 (2019).
குவோ, ஒய்சி மற்றும் பலர்.ஆர்த்தோகிராஃபிக் ப்ரொஜெக்ஷன் படங்களிலிருந்து கையேடு முறைகள் மற்றும் ஆழமான கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளைப் பயன்படுத்தி துல்லியமான வயது வகைப்பாடு.சர்வதேசம்.ஜே. சட்ட மருத்துவம்.135, 1589–1597 (2021).
அலபாமா டலோரா மற்றும் பலர்.வெவ்வேறு இயந்திர கற்றல் முறைகளைப் பயன்படுத்தி எலும்பு வயது மதிப்பீடு: ஒரு முறையான இலக்கிய ஆய்வு மற்றும் மெட்டா பகுப்பாய்வு.PLoS ONE 14, e0220242 (2019).
டு, எச்., லி, ஜி., செங், கே., மற்றும் யாங், ஜேசர்வதேசம்.ஜே. சட்ட மருத்துவம்.136, 811–819 (2022).
கிம் எஸ்., லீ ஒய்ஹெச், நோ ஒய்கே, பார்க் எஃப்கே மற்றும் ஓ கேஎஸ் முதல் கடைவாய்ப்பற்களின் செயற்கை நுண்ணறிவு அடிப்படையிலான படங்களைப் பயன்படுத்தி வாழும் மக்களின் வயதுக் குழுக்களைத் தீர்மானித்தல்.அறிவியல்.அறிக்கை 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. தானியங்கு வயது மதிப்பீடு மற்றும் பன்முக MRI தரவுகளிலிருந்து பெரும்பான்மை வயது வகைப்பாடு.IEEE ஜே. பயோமெட்.சுகாதார எச்சரிக்கைகள்.23, 1392–1403 (2019).
செங், க்யூ., ஜி, இசட்., டு, எச். மற்றும் லி, ஜி. ஆழமான கற்றல் மற்றும் நிலைத் தொகுப்புகளை ஒருங்கிணைத்து கூம்பு கற்றை கம்ப்யூட்டட் டோமோகிராஃபியிலிருந்து முதல் கடைவாய்ப் பற்களின் 3டி கூழ் அறைப் பிரிவின் அடிப்படையில் வயது மதிப்பீடு.சர்வதேசம்.ஜே. சட்ட மருத்துவம்.135, 365–373 (2021).
வூ, டபிள்யூடி, மற்றும் பலர்.மருத்துவ பெரிய தரவுகளில் தரவுச் செயலாக்கம்: பொதுவான தரவுத்தளங்கள், படிகள் மற்றும் முறைகள் மாதிரிகள்.உலகம்.மருந்து.வளம்.8, 44 (2021).
யாங், ஜே. மற்றும் பலர்.பிக் டேட்டா சகாப்தத்தில் மருத்துவ தரவுத்தளங்கள் மற்றும் டேட்டா மைனிங் டெக்னாலஜிகளுக்கான அறிமுகம்.ஜே. அவிட்.அடிப்படை மருத்துவம்.13, 57–69 (2020).
ஷென், எஸ். மற்றும் பலர்.இயந்திர கற்றலைப் பயன்படுத்தி பல் வயதைக் கணக்கிடுவதற்கான கேமரர் முறை.BMC வாய்வழி ஆரோக்கியம் 21, 641 (2021).
காலிபர்க் ஏ. மற்றும் பலர்.டெமிர்ட்ஜியன் ஸ்டேஜிங் முறையைப் பயன்படுத்தி பல் வயதைக் கணிக்க பல்வேறு இயந்திர கற்றல் முறைகளின் ஒப்பீடு.சர்வதேசம்.ஜே. சட்ட மருத்துவம்.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. மற்றும் Tanner, JM பல் வயதை மதிப்பிடுவதற்கான ஒரு புதிய அமைப்பு.குறட்டை.உயிரியல்.45, 211–227 (1973).
லாண்டிஸ், ஜேஆர் மற்றும் கோச், ஜிஜி வகைப்படுத்தப்பட்ட தரவுகளில் பார்வையாளர் ஒப்பந்தத்தின் நடவடிக்கைகள்.பயோமெட்ரிக்ஸ் 33, 159–174 (1977).
பட்டாசார்ஜி எஸ், பிரகாஷ் டி, கிம் சி, கிம் எச்கே மற்றும் சோய் எச்கே.முதன்மை மூளைக் கட்டிகளை வேறுபடுத்துவதற்கான செயற்கை நுண்ணறிவு நுட்பங்களைப் பயன்படுத்தி இரு பரிமாண காந்த அதிர்வு இமேஜிங்கின் உரை, உருவவியல் மற்றும் புள்ளிவிவர பகுப்பாய்வு.சுகாதார தகவல்.வளம்.https://doi.org/10.4258/hir.2022.28.1.46 (2022).