Nature.com தளத்திற்கு வருகை தந்ததற்கு நன்றி. நீங்கள் பயன்படுத்தும் உலாவியில் CSS ஆதரவு குறைவாக உள்ளது. சிறந்த முடிவுகளுக்கு, உங்கள் உலாவியின் புதிய பதிப்பைப் பயன்படுத்துமாறு (அல்லது இன்டர்நெட் எக்ஸ்ப்ளோரரில் இணக்கப் பயன்முறையை அணைக்குமாறு) பரிந்துரைக்கிறோம். இதற்கிடையில், தொடர்ச்சியான ஆதரவை உறுதி செய்வதற்காக, நாங்கள் இந்தத் தளத்தை வடிவமைப்பு அல்லது ஜாவாஸ்கிரிப்ட் இல்லாமல் காண்பிக்கிறோம்.
மனித உடலின் வயதைக் கண்டறிவதற்கான மிகவும் துல்லியமான குறிகாட்டியாகப் பற்கள் கருதப்படுகின்றன, மேலும் அவை தடயவியல் வயது மதிப்பீட்டில் அடிக்கடி பயன்படுத்தப்படுகின்றன. பாரம்பரிய முறைகள் மற்றும் தரவுச் சுரங்க அடிப்படையிலான வயது மதிப்பீடுகளுடன், 18-ஆண்டு வரம்பின் மதிப்பீட்டுத் துல்லியம் மற்றும் வகைப்படுத்தல் செயல்திறனை ஒப்பிடுவதன் மூலம், தரவுச் சுரங்க அடிப்படையிலான பல் வயது மதிப்பீடுகளைச் சரிபார்ப்பதை நாங்கள் நோக்கமாகக் கொண்டோம். 15 முதல் 23 வயதுக்குட்பட்ட கொரிய மற்றும் ஜப்பானிய குடிமக்களிடமிருந்து மொத்தம் 2657 பனோரமிக் ரேடியோகிராஃப்கள் சேகரிக்கப்பட்டன. அவை, தலா 900 கொரிய ரேடியோகிராஃப்களைக் கொண்ட ஒரு பயிற்சித் தொகுப்பாகவும், 857 ஜப்பானிய ரேடியோகிராஃப்களைக் கொண்ட ஒரு உள் சோதனைத் தொகுப்பாகவும் பிரிக்கப்பட்டன. பாரம்பரிய முறைகளின் வகைப்படுத்தல் துல்லியம் மற்றும் செயல்திறனை, தரவுச் சுரங்க மாதிரிகளின் சோதனைத் தொகுப்புகளுடன் நாங்கள் ஒப்பிட்டோம். உள் சோதனைத் தொகுப்பில் பாரம்பரிய முறையின் துல்லியம், தரவுச் சுரங்க மாதிரியை விட சற்றே அதிகமாக உள்ளது, மேலும் அந்த வேறுபாடு சிறியதாகவே உள்ளது (சராசரி முழுமையான பிழை <0.21 ஆண்டுகள், மூல சராசரி வர்க்கப் பிழை <0.24 ஆண்டுகள்). 18-ஆண்டு வரம்பிற்கான வகைப்படுத்தல் செயல்திறனும் பாரம்பரிய முறைகள் மற்றும் தரவுச் சுரங்க மாதிரிகளுக்கு இடையில் ஒரே மாதிரியாகவே உள்ளது. எனவே, கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களிடம் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப் பற்களின் முதிர்ச்சியைப் பயன்படுத்தி தடயவியல் வயது மதிப்பீட்டை மேற்கொள்ளும்போது, பாரம்பரிய முறைகளுக்குப் பதிலாக தரவுச் சுரங்க மாதிரிகளைப் பயன்படுத்தலாம்.
தடயவியல் மருத்துவம் மற்றும் குழந்தை பல் மருத்துவத்தில் பல் வயது மதிப்பீடு பரவலாகப் பயன்படுத்தப்படுகிறது. குறிப்பாக, கால வயதுக்கும் பல் வளர்ச்சிக்கும் இடையே உள்ள அதிகத் தொடர்பு காரணமாக, குழந்தைகள் மற்றும் இளம் பருவத்தினரின் வயதைக் கணக்கிடுவதற்கு பல் வளர்ச்சி நிலைகளின் அடிப்படையிலான வயது மதிப்பீடு ஒரு முக்கியமான அளவுகோலாகும்¹,²,³. இருப்பினும், இளம் வயதினரைப் பொறுத்தவரை, மூன்றாவது கடைவாய்ப் பற்களைத் தவிர, பல் வளர்ச்சி ஏறக்குறைய முழுமையடைந்திருப்பதால், பல் முதிர்ச்சியின் அடிப்படையில் பல் வயதைக் கணக்கிடுவதில் சில வரம்புகள் உள்ளன. இளம் வயதினர் மற்றும் இளம் பருவத்தினரின் வயதை நிர்ணயிப்பதன் சட்டப்பூர்வ நோக்கம், அவர்கள் வயது வந்தோர் வயதை அடைந்துவிட்டார்களா என்பதற்கான துல்லியமான மதிப்பீடுகளையும் அறிவியல் சான்றுகளையும் வழங்குவதாகும். கொரியாவில் இளம் பருவத்தினர் மற்றும் இளைஞர்களின் மருத்துவ-சட்ட நடைமுறையில், லீயின் முறையைப் பயன்படுத்தி வயது மதிப்பிடப்பட்டது, மேலும் ஓ மற்றும் குழுவினரால்⁵ அறிக்கையிடப்பட்ட தரவுகளின் அடிப்படையில் 18 வயது சட்டப்பூர்வ வரம்பாகக் கணிக்கப்பட்டது.
இயந்திரக் கற்றல் என்பது ஒரு வகை செயற்கை நுண்ணறிவு (AI) ஆகும். இது மீண்டும் மீண்டும் கற்றுக்கொண்டு, பெருமளவிலான தரவுகளை வகைப்படுத்தி, பிரச்சனைகளைத் தானாகவே தீர்த்து, தரவு நிரலாக்கத்தை இயக்குகிறது. இயந்திரக் கற்றலால் பெருமளவிலான தரவுகளில் பயனுள்ள மறைக்கப்பட்ட வடிவங்களைக் கண்டறிய முடியும்6. இதற்கு மாறாக, அதிக உழைப்பும் நேரமும் தேவைப்படும் பாரம்பரிய முறைகள், கைமுறையாகச் செயலாக்கக் கடினமான, பெரிய அளவிலான சிக்கலான தரவுகளைக் கையாளும்போது வரம்புகளைக் கொண்டிருக்கலாம்7. எனவே, மனிதப் பிழைகளைக் குறைக்கவும், பன்முகத் தரவுகளைத் திறமையாகச் செயலாக்கவும் சமீபத்திய கணினித் தொழில்நுட்பங்களைப் பயன்படுத்தி பல ஆய்வுகள் மேற்கொள்ளப்பட்டுள்ளன8,9,10,11,12. குறிப்பாக, மருத்துவப் படப் பகுப்பாய்வில் ஆழ்நிலைக் கற்றல் பரவலாகப் பயன்படுத்தப்படுகிறது. மேலும், கதிரியக்கப் படங்களைத் தானாகவே பகுப்பாய்வு செய்வதன் மூலம் வயது மதிப்பீட்டின் துல்லியத்தையும் செயல்திறனையும் மேம்படுத்துவதாகக் கூறப்படும் பல்வேறு முறைகள் உள்ளன13,14,15,16,17,18,19,20. உதாரணமாக, ஹலாபி மற்றும் குழுவினர்¹³ குழந்தைகளின் கைகளின் கதிரியக்கப் படங்களைப் பயன்படுத்தி எலும்புக்கூட்டு வயதைக் கணக்கிட, கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளை (CNN) அடிப்படையாகக் கொண்ட ஒரு இயந்திரக் கற்றல் வழிமுறையை உருவாக்கினர். இந்த ஆய்வு, மருத்துவப் படங்களுக்கு இயந்திரக் கற்றலைப் பயன்படுத்தும் ஒரு மாதிரியை முன்மொழிகிறது, மேலும் இந்த முறைகள் நோயறிதல் துல்லியத்தை மேம்படுத்த முடியும் என்பதைக் காட்டுகிறது. லி மற்றும் அவரது குழுவினர்¹⁴, ஆழமான கற்றல் CNN-ஐப் பயன்படுத்தி இடுப்பு எக்ஸ்-ரே படங்களிலிருந்து வயதைக் கணித்து, அவற்றை எலும்புருவாக்க நிலை மதிப்பீட்டைப் பயன்படுத்தும் பின்னடைவு முடிவுகளுடன் ஒப்பிட்டனர். ஆழமான கற்றல் CNN மாதிரியானது, பாரம்பரிய பின்னடைவு மாதிரியைப் போலவே அதே வயது கணிப்பு செயல்திறனைக் காட்டியது என்று அவர்கள் கண்டறிந்தனர். குவோ மற்றும் அவரது குழுவினரின் ஆய்வு [¹⁵], பல் ஆர்த்தோஃபோட்டோக்களை அடிப்படையாகக் கொண்ட CNN தொழில்நுட்பத்தின் வயது சகிப்புத்தன்மை வகைப்பாட்டு செயல்திறனை மதிப்பிட்டது, மேலும் CNN மாதிரியின் முடிவுகள், மனிதர்கள் அதன் வயது வகைப்பாட்டு செயல்திறனை விட சிறப்பாக செயல்பட்டனர் என்பதை நிரூபித்தன.
இயந்திரக் கற்றலைப் பயன்படுத்தி வயது மதிப்பீடு செய்வது குறித்த பெரும்பாலான ஆய்வுகள் ஆழ்நிலைக் கற்றல் முறைகளைப் பயன்படுத்துகின்றன¹³,¹⁴,¹⁵,¹⁶,¹⁷,¹⁸,¹⁹,²⁰. ஆழ்நிலைக் கற்றலை அடிப்படையாகக் கொண்ட வயது மதிப்பீடு, பாரம்பரிய முறைகளை விட மிகவும் துல்லியமானது என்று கூறப்படுகிறது. இருப்பினும், இந்த அணுகுமுறை, மதிப்பீடுகளில் பயன்படுத்தப்படும் வயதுக் குறிகாட்டிகள் போன்ற வயது மதிப்பீடுகளுக்கான அறிவியல் அடிப்படையை முன்வைக்கக் குறைந்த வாய்ப்பையே வழங்குகிறது. ஆய்வுகளை யார் நடத்துவது என்பது குறித்தும் ஒரு சட்டரீதியான சர்ச்சை உள்ளது. எனவே, ஆழ்நிலைக் கற்றலை அடிப்படையாகக் கொண்ட வயது மதிப்பீட்டை நிர்வாக மற்றும் நீதித்துறை அதிகாரிகள் ஏற்றுக்கொள்வது கடினமாக உள்ளது. தரவுச் சுரங்கம் (DM) என்பது, அதிக அளவிலான தரவுகளுக்கு இடையே பயனுள்ள தொடர்புகளைக் கண்டறியும் ஒரு முறையாக, எதிர்பார்க்கப்படும் தகவல்களை மட்டுமல்லாமல் எதிர்பாராத தகவல்களையும் கண்டறியக்கூடிய ஒரு நுட்பமாகும்¹⁶,²¹,²². தரவுச் சுரங்கத்தில் இயந்திரக் கற்றல் பெரும்பாலும் பயன்படுத்தப்படுகிறது, மேலும் தரவுச் சுரங்கம் மற்றும் இயந்திரக் கற்றல் ஆகிய இரண்டும் தரவுகளில் உள்ள வடிவங்களைக் கண்டறிய ஒரே முக்கிய வழிமுறைகளைப் பயன்படுத்துகின்றன. பல் வளர்ச்சியைப் பயன்படுத்தி வயது மதிப்பீடு செய்வது, இலக்குப் பற்களின் முதிர்ச்சி குறித்த பரிசோதகரின் மதிப்பீட்டை அடிப்படையாகக் கொண்டது, மேலும் இந்த மதிப்பீடு ஒவ்வொரு இலக்குப் பல்லுக்கும் ஒரு கட்டமாக வெளிப்படுத்தப்படுகிறது. பல் மதிப்பீட்டுக் கட்டத்திற்கும் உண்மையான வயதுக்கும் இடையிலான தொடர்பைப் பகுப்பாய்வு செய்ய தரவுச் சுரங்கத்தைப் பயன்படுத்தலாம், மேலும் இது பாரம்பரிய புள்ளிவிவரப் பகுப்பாய்வை மாற்றுவதற்கான ஆற்றலைக் கொண்டுள்ளது. எனவே, வயது மதிப்பீட்டிற்கு நாம் DM நுட்பங்களைப் பயன்படுத்தினால், சட்டப் பொறுப்பைப் பற்றிக் கவலைப்படாமல் தடயவியல் வயது மதிப்பீட்டில் இயந்திரக் கற்றலைச் செயல்படுத்த முடியும். தடயவியல் நடைமுறையில் பயன்படுத்தப்படும் பாரம்பரிய கைமுறை முறைகள் மற்றும் பல் வயதைக் கண்டறிவதற்கான EBM-அடிப்படையிலான முறைகளுக்கு சாத்தியமான மாற்றுகள் குறித்து பல ஒப்பீட்டு ஆய்வுகள் வெளியிடப்பட்டுள்ளன. பாரம்பரிய கேமரர் சூத்திரத்தை விட DM மாதிரி மிகவும் துல்லியமானது என்று ஷென் மற்றும் குழுவினர்²³ காட்டினர். டெமிர்ட்ஜியன் அளவுகோல்²⁵-இன் படி வயதைக் கணிக்க, காலிபர்க் மற்றும் குழுவினர்²⁴ வெவ்வேறு DM முறைகளைப் பயன்படுத்தினர். பிரெஞ்சு மக்களின் வயதைக் கணிப்பதில், டெமிர்ட்ஜியன் மற்றும் வில்லெம்ஸ் முறைகளை விட DM முறை சிறப்பாகச் செயல்பட்டது என்று முடிவுகள் காட்டின.
கொரிய இளம் பருவத்தினர் மற்றும் இளைஞர்களின் பல் வயதைக் கணக்கிட, லீயின் முறை 4 கொரிய தடயவியல் நடைமுறையில் பரவலாகப் பயன்படுத்தப்படுகிறது. இந்த முறை, கொரிய நபர்களுக்கும் கால வயதுக்கும் இடையிலான உறவை ஆராய, பாரம்பரிய புள்ளியியல் பகுப்பாய்வைப் (பல பின்னடைவு போன்றவை) பயன்படுத்துகிறது. இந்த ஆய்வில், பாரம்பரிய புள்ளியியல் முறைகளைப் பயன்படுத்திப் பெறப்பட்ட வயது மதிப்பீட்டு முறைகள் "பாரம்பரிய முறைகள்" என வரையறுக்கப்பட்டுள்ளன. லீயின் முறை ஒரு பாரம்பரிய முறையாகும், மேலும் அதன் துல்லியம் ஓ மற்றும் குழுவினரால் 5 உறுதிப்படுத்தப்பட்டுள்ளது; இருப்பினும், கொரிய தடயவியல் நடைமுறையில் DM மாதிரியை அடிப்படையாகக் கொண்ட வயது மதிப்பீட்டின் பயன்பாடு இன்னும் கேள்விக்குரியதாகவே உள்ளது. DM மாதிரியை அடிப்படையாகக் கொண்ட வயது மதிப்பீட்டின் சாத்தியமான பயனை அறிவியல் பூர்வமாக சரிபார்ப்பதே எங்கள் நோக்கமாக இருந்தது. இந்த ஆய்வின் நோக்கம் (1) பல் வயதைக் கணக்கிடுவதில் இரண்டு DM மாதிரிகளின் துல்லியத்தை ஒப்பிடுவது மற்றும் (2) 18 வயதில் 7 DM மாதிரிகளின் வகைப்படுத்தல் செயல்திறனை, பாரம்பரிய புள்ளியியல் முறைகளைப் பயன்படுத்திப் பெறப்பட்டவற்றுடன் ஒப்பிடுவது ஆகும். இரு தாடைகளிலும் உள்ள இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப் பற்களின் முதிர்ச்சி.
நிலை மற்றும் பல் வகை வாரியாக கால வயதின் சராசரிகள் மற்றும் திட்ட விலகல்கள் துணை அட்டவணை S1 (பயிற்சித் தொகுப்பு), துணை அட்டவணை S2 (உள் சோதனைத் தொகுப்பு) மற்றும் துணை அட்டவணை S3 (வெளி சோதனைத் தொகுப்பு) ஆகியவற்றில் இணையத்தில் காட்டப்பட்டுள்ளன. பயிற்சித் தொகுப்பிலிருந்து பெறப்பட்ட உள் மற்றும் இடை-பார்வையாளர் நம்பகத்தன்மைக்கான காப்பா மதிப்புகள் முறையே 0.951 மற்றும் 0.947 ஆகும். காப்பா மதிப்புகளுக்கான P மதிப்புகள் மற்றும் 95% நம்பிக்கை இடைவெளிகள் இணைய துணை அட்டவணை S4-இல் காட்டப்பட்டுள்ளன. காப்பா மதிப்பானது, லாண்டிஸ் மற்றும் கோச்26-இன் அளவுகோல்களுக்கு இணங்க, "கிட்டத்தட்ட கச்சிதமானது" எனப் பொருள் கொள்ளப்பட்டது.
சராசரி முழுப் பிழையை (MAE) ஒப்பிடும்போது, பல அடுக்கு பெர்செப்ட்ரான் (MLP) தவிர, அனைத்துப் பாலினத்தவருக்கும் மற்றும் வெளிப்புற ஆண் சோதனைத் தொகுப்பிலும் பாரம்பரிய முறையானது DM மாதிரியை விட சற்றே சிறப்பாகச் செயல்படுகிறது. உள் MAE சோதனைத் தொகுப்பில் பாரம்பரிய மாதிரிக்கும் DM மாதிரிக்கும் இடையிலான வேறுபாடு ஆண்களுக்கு 0.12–0.19 ஆண்டுகளாகவும், பெண்களுக்கு 0.17–0.21 ஆண்டுகளாகவும் இருந்தது. வெளிப்புற சோதனைத் தொகுப்பைப் பொறுத்தவரை, வேறுபாடுகள் குறைவாக உள்ளன (ஆண்களுக்கு 0.001–0.05 ஆண்டுகள் மற்றும் பெண்களுக்கு 0.05–0.09 ஆண்டுகள்). மேலும், மூல சராசரி வர்க்கப் பிழை (RMSE) பாரம்பரிய முறையை விட சற்றே குறைவாக உள்ளது, மேலும் சிறிய வேறுபாடுகளுடன் காணப்படுகிறது (ஆண் உள் சோதனைத் தொகுப்பிற்கு 0.17–0.24, 0.2–0.24, மற்றும் வெளிப்புற சோதனைத் தொகுப்பிற்கு 0.03–0.07, 0.04–0.08). பெண் வெளிப்புற சோதனைத் தொகுப்பைத் தவிர, MLP ஆனது ஒற்றை அடுக்கு பெர்செப்ட்ரானை (SLP) விட சற்றே சிறந்த செயல்திறனைக் காட்டுகிறது. MAE மற்றும் RMSE-ஐப் பொறுத்தவரை, அனைத்துப் பாலினங்கள் மற்றும் மாதிரிகளுக்கும், அகச் சோதனைத் தொகுப்பைக் காட்டிலும் புறச் சோதனைத் தொகுப்பு அதிக மதிப்பெண்களைப் பெறுகிறது. அனைத்து MAE மற்றும் RMSE மதிப்புகளும் அட்டவணை 1 மற்றும் படம் 1-இல் காட்டப்பட்டுள்ளன.
பாரம்பரிய மற்றும் தரவுச் சுரங்க பின்னடைவு மாதிரிகளின் MAE மற்றும் RMSE. சராசரி தனிப் பிழை (MAE), மூல சராசரி வர்க்கப் பிழை (RMSE), ஒற்றை அடுக்கு பெர்செப்ட்ரான் (SLP), பல அடுக்கு பெர்செப்ட்ரான் (MLP), பாரம்பரிய CM முறை.
பாரம்பரிய மற்றும் DM மாதிரிகளின் வகைப்படுத்தல் செயல்திறன் (18 வயது வரம்புடன்) உணர்திறன், தனித்தன்மை, நேர்மறை முன்கணிப்பு மதிப்பு (PPV), எதிர்மறை முன்கணிப்பு மதிப்பு (NPV) மற்றும் பெறுநர் இயக்கப் பண்பு வளைவின் கீழ் உள்ள பரப்பளவு (AUROC) 27 ஆகியவற்றின் அடிப்படையில் நிரூபிக்கப்பட்டது (அட்டவணை 2, படம் 2 மற்றும் துணைப் படம் 1 இணையத்தில்). உள் சோதனைத் தொகுப்பின் உணர்திறனைப் பொறுத்தவரை, பாரம்பரிய முறைகள் ஆண்களிடையே சிறப்பாகவும் பெண்களிடையே மோசமாகவும் செயல்பட்டன. இருப்பினும், பாரம்பரிய முறைகளுக்கும் SD-க்கும் இடையிலான வகைப்படுத்தல் செயல்திறன் வேறுபாடு ஆண்களுக்கு (MLP) 9.7% ஆகவும், பெண்களுக்கு (XGBoost) 2.4% ஆகவும் உள்ளது. DM மாதிரிகளில், லாஜிஸ்டிக் பின்னடைவு (LR) இரு பாலினரிடமும் சிறந்த உணர்திறனைக் காட்டியது. உள் சோதனைத் தொகுப்பின் தனித்தன்மையைப் பொறுத்தவரை, நான்கு SD மாதிரிகளும் ஆண்களிடையே சிறப்பாகச் செயல்பட்டதும், பாரம்பரிய மாதிரி பெண்களிடையே சிறப்பாகச் செயல்பட்டதும் காணப்பட்டது. ஆண்கள் மற்றும் பெண்களுக்கான வகைப்படுத்தல் செயல்திறன் வேறுபாடுகள் முறையே 13.3% (MLP) மற்றும் 13.1% (MLP) ஆகும், இது மாதிரிகளுக்கு இடையிலான வகைப்படுத்தல் செயல்திறன் வேறுபாடு உணர்திறனை விட அதிகமாக உள்ளது என்பதைக் குறிக்கிறது. DM மாதிரிகளில், சப்போர்ட் வெக்டர் மெஷின் (SVM), டெசிஷன் ட்ரீ (DT) மற்றும் ரேண்டம் ஃபாரஸ்ட் (RF) மாதிரிகள் ஆண்களிடையே சிறப்பாகச் செயல்பட்டன, அதே சமயம் LR மாதிரி பெண்களிடையே சிறப்பாகச் செயல்பட்டது. பாரம்பரிய மாதிரி மற்றும் அனைத்து SD மாதிரிகளின் AUROC 0.925-ஐ விட அதிகமாக இருந்தது (ஆண்களில் k-அருகிலுள்ள அண்டை (KNN)), இது 18 வயது மாதிரிகளைப் பிரித்தறிவதில் சிறந்த வகைப்படுத்தல் செயல்திறனை நிரூபிக்கிறது²⁸. வெளிப்புற சோதனைத் தொகுப்பைப் பொறுத்தவரை, உள் சோதனைத் தொகுப்புடன் ஒப்பிடும்போது உணர்திறன், தனித்தன்மை மற்றும் AUROC ஆகியவற்றின் அடிப்படையில் வகைப்படுத்தல் செயல்திறனில் ஒரு சரிவு காணப்பட்டது. மேலும், சிறந்த மற்றும் மோசமான மாதிரிகளின் வகைப்படுத்தல் செயல்திறனுக்கு இடையிலான உணர்திறன் மற்றும் தனித்தன்மை வேறுபாடு 10% முதல் 25% வரை இருந்தது, மேலும் இது உள் சோதனைத் தொகுப்பில் இருந்த வேறுபாட்டை விட அதிகமாக இருந்தது.
18 வயது வரம்புடன் பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது தரவுச் சுரங்க வகைப்பாட்டு மாதிரிகளின் உணர்திறன் மற்றும் தனித்தன்மை. KNN k அருகிலுள்ள அண்டை, SVM ஆதரவு திசையன் இயந்திரம், LR லாஜிஸ்டிக் பின்னடைவு, DT முடிவெடுக்கும் மரம், RF ரேண்டம் ஃபாரஸ்ட், XGB XGBoost, MLP பல்லடுக்கு பெர்செப்ட்ரான், பாரம்பரிய CM முறை.
இந்த ஆய்வின் முதல் படி, ஏழு DM மாதிரிகளிலிருந்து பெறப்பட்ட பல் வயது மதிப்பீடுகளின் துல்லியத்தை, பாரம்பரிய பின்னடைவு முறையைப் பயன்படுத்திப் பெறப்பட்டவற்றுடன் ஒப்பிடுவதாகும். MAE மற்றும் RMSE ஆகியவை இரு பாலினத்தவருக்கும் உள் சோதனைத் தொகுப்புகளில் மதிப்பிடப்பட்டன, மேலும் பாரம்பரிய முறைக்கும் DM மாதிரிக்கும் இடையிலான வேறுபாடு MAE-க்கு 44 முதல் 77 நாட்கள் வரையிலும், RMSE-க்கு 62 முதல் 88 நாட்கள் வரையிலும் இருந்தது. இந்த ஆய்வில் பாரம்பரிய முறை சற்றே அதிகத் துல்லியமாக இருந்தபோதிலும், இத்தகைய சிறிய வேறுபாட்டிற்கு மருத்துவ அல்லது நடைமுறை முக்கியத்துவம் உள்ளதா என்று முடிவுக்கு வருவது கடினம். DM மாதிரியைப் பயன்படுத்தி செய்யப்படும் பல் வயது மதிப்பீட்டின் துல்லியம், பாரம்பரிய முறையின் துல்லியத்திற்கு ஏறக்குறைய சமமாக உள்ளது என்பதை இந்த முடிவுகள் சுட்டிக்காட்டுகின்றன. முந்தைய ஆய்வுகளின் முடிவுகளுடன் நேரடி ஒப்பீடு செய்வது கடினம், ஏனெனில் இந்த ஆய்வில் பயன்படுத்தப்பட்ட அதே வயது வரம்பில் பற்களைப் பதிவு செய்யும் அதே நுட்பத்தைப் பயன்படுத்தி, DM மாதிரிகளின் துல்லியத்தை பாரம்பரிய புள்ளியியல் முறைகளுடன் எந்த ஆய்வும் ஒப்பிடவில்லை. காலிபர்க் மற்றும் குழுவினர்²⁴, 2 முதல் 24 வயது வரையிலான பிரெஞ்சு மக்களிடையே இரண்டு பாரம்பரிய முறைகளுக்கும் (டெமிர்ஜியன் முறை²⁵ மற்றும் வில்லெம்ஸ் முறை²⁹) 10 DM மாதிரிகளுக்கும் இடையே MAE மற்றும் RMSE-ஐ ஒப்பிட்டனர். அனைத்து DM மாதிரிகளும் பாரம்பரிய முறைகளை விட அதிக துல்லியமானவை என்றும், வில்லெம்ஸ் மற்றும் டெமிர்ட்ஜியன் முறைகளுடன் ஒப்பிடும்போது MAE-இல் முறையே 0.20 மற்றும் 0.38 ஆண்டுகள் மற்றும் RMSE-இல் 0.25 மற்றும் 0.47 ஆண்டுகள் வேறுபாடுகள் இருப்பதாகவும் அவர்கள் தெரிவித்தனர். ஹாலிபர்க் ஆய்வில் காட்டப்பட்டுள்ள SD மாதிரிக்கும் பாரம்பரிய முறைகளுக்கும் இடையிலான இந்த முரண்பாடு, அந்த ஆய்வு அடிப்படையாகக் கொண்ட பிரெஞ்சு கனடியர்களைத் தவிர மற்ற மக்களிடையே டெமிர்ட்ஜியன் முறை பல் வயதை துல்லியமாக மதிப்பிடுவதில்லை என்று கூறும் பல அறிக்கைகளை30,31,32,33 கருத்தில் கொள்கிறது. இந்த ஆய்வில், டாய் மற்றும் குழுவினர்34, 1636 சீன பல் சீரமைப்பு புகைப்படங்களிலிருந்து பல் வயதைக் கணிக்க MLP வழிமுறையைப் பயன்படுத்தினர் மற்றும் அதன் துல்லியத்தை டெமிர்ட்ஜியன் மற்றும் வில்லெம்ஸ் முறைகளின் முடிவுகளுடன் ஒப்பிட்டனர். பாரம்பரிய முறைகளை விட MLP அதிக துல்லியத்தைக் கொண்டுள்ளது என்று அவர்கள் தெரிவித்தனர். டெமிர்ட்ஜியன் முறைக்கும் பாரம்பரிய முறைக்கும் இடையிலான வேறுபாடு <0.32 ஆண்டுகள் ஆகும், மற்றும் வில்லெம்ஸ் முறையின் வேறுபாடு 0.28 ஆண்டுகள் ஆகும், இது தற்போதைய ஆய்வின் முடிவுகளைப் போலவே உள்ளது. இந்த முந்தைய ஆய்வுகளின்²⁴,³⁴ முடிவுகள் தற்போதைய ஆய்வின் முடிவுகளுடன் ஒத்துப்போகின்றன, மேலும் DM மாதிரி மற்றும் பாரம்பரிய முறையின் வயது மதிப்பீட்டுத் துல்லியமும் ஒரே மாதிரியாக உள்ளன. இருப்பினும், ஒப்பீட்டு மற்றும் குறிப்பு முந்தைய ஆய்வுகள் இல்லாததால், வழங்கப்பட்ட முடிவுகளின் அடிப்படையில், வயதை மதிப்பிடுவதற்கு DM மாதிரிகளின் பயன்பாடு தற்போதுள்ள முறைகளுக்கு மாற்றாக அமையக்கூடும் என்று நாம் எச்சரிக்கையுடன் மட்டுமே முடிவு செய்ய முடியும். இந்த ஆய்வில் பெறப்பட்ட முடிவுகளை உறுதிப்படுத்த, பெரிய மாதிரிகளைப் பயன்படுத்தி தொடர் ஆய்வுகள் தேவைப்படுகின்றன.
பல் வயதைக் கணிப்பதில் SD-யின் துல்லியத்தைச் சோதிக்கும் ஆய்வுகளில், சில ஆய்வுகள் எங்கள் ஆய்வை விட அதிக துல்லியத்தைக் காட்டின. ஸ்டெபனோவ்ஸ்கி மற்றும் குழுவினர் 35, 2.7 முதல் 20.5 வயதுடைய 976 செக் நாட்டு மக்களின் பனோரமிக் ரேடியோகிராஃப்களில் 22 SD மாதிரிகளைப் பயன்படுத்தினர் மற்றும் ஒவ்வொரு மாதிரியின் துல்லியத்தையும் சோதித்தனர். மூரீஸ் மற்றும் குழுவினர் 36 முன்மொழிந்த வகைப்பாட்டு அளவுகோல்களைப் பயன்படுத்தி, மொத்தம் 16 மேல் மற்றும் கீழ் இடது நிரந்தரப் பற்களின் வளர்ச்சியை அவர்கள் மதிப்பிட்டனர். MAE 0.64 முதல் 0.94 ஆண்டுகள் வரையிலும், RMSE 0.85 முதல் 1.27 ஆண்டுகள் வரையிலும் உள்ளது, இது இந்த ஆய்வில் பயன்படுத்தப்பட்ட இரண்டு DM மாதிரிகளை விட மிகவும் துல்லியமானது. ஷென் மற்றும் குழுவினர் 23, 5 முதல் 13 வயதுடைய கிழக்கு சீன மக்களின் இடது கீழ்த்தாடையிலுள்ள ஏழு நிரந்தரப் பற்களின் பல் வயதைக் கணிக்க கேமரியர் முறையைப் பயன்படுத்தினர் மற்றும் அதை நேரியல் பின்னடைவு, SVM மற்றும் RF ஆகியவற்றைப் பயன்படுத்தி மதிப்பிடப்பட்ட வயதுகளுடன் ஒப்பிட்டனர். பாரம்பரிய கேமரியர் சூத்திரத்துடன் ஒப்பிடும்போது மூன்று DM மாதிரிகளும் அதிக துல்லியத்தைக் கொண்டுள்ளன என்பதை அவர்கள் காட்டினர். ஷென்னின் ஆய்வில் உள்ள MAE மற்றும் RMSE ஆகியவை இந்த ஆய்வில் உள்ள DM மாதிரியை விடக் குறைவாக இருந்தன. ஸ்டெபனோவ்ஸ்கி மற்றும் ஷென் ஆகியோரின் ஆய்வுகளில் (35) காணப்படும் அதிகரித்த துல்லியமானது, அவர்களின் ஆய்வு மாதிரிகளில் இளவயதுப் பங்கேற்பாளர்களைச் சேர்த்ததன் காரணமாக இருக்கலாம். பல் வளர்ச்சியின் போது பற்களின் எண்ணிக்கை அதிகரிக்கும்போது, வளரும் பற்களைக் கொண்ட பங்கேற்பாளர்களுக்கான வயது மதிப்பீடுகள் மிகவும் துல்லியமாக மாறுவதால், ஆய்வுப் பங்கேற்பாளர்கள் இளவயதினராக இருக்கும்போது, அதன் விளைவாக வரும் வயது மதிப்பீட்டு முறையின் துல்லியம் பாதிக்கப்படலாம். மேலும், வயது மதிப்பீட்டில் MLP-யின் பிழை SLP-யை விடச் சற்றுக் குறைவாக உள்ளது, அதாவது MLP ஆனது SLP-யை விட அதிகத் துல்லியமானது. வயது மதிப்பீட்டிற்கு MLP சற்றே சிறந்ததாகக் கருதப்படுகிறது, இது MLP-யில் உள்ள மறைக்கப்பட்ட அடுக்குகளின் காரணமாக இருக்கலாம் (38). இருப்பினும், பெண்களின் வெளிப்புற மாதிரிக்கு ஒரு விதிவிலக்கு உள்ளது (SLP 1.45, MLP 1.49). வயதை மதிப்பிடுவதில் SLP-யை விட MLP அதிகத் துல்லியமானது என்ற கண்டுபிடிப்பிற்குக் கூடுதல் பின்னோக்கிய ஆய்வுகள் தேவைப்படுகின்றன.
18 வயது வரம்பில் DM மாதிரி மற்றும் பாரம்பரிய முறையின் வகைப்படுத்தல் செயல்திறனும் ஒப்பிடப்பட்டது. உள் சோதனைத் தொகுப்பில் சோதிக்கப்பட்ட அனைத்து SD மாதிரிகள் மற்றும் பாரம்பரிய முறைகளும் 18 வயது மாதிரிக்கான நடைமுறையில் ஏற்றுக்கொள்ளக்கூடிய அளவிலான பாகுபாட்டைக் காட்டின. ஆண்கள் மற்றும் பெண்களுக்கான உணர்திறன் முறையே 87.7% மற்றும் 94.9% ஐ விட அதிகமாகவும், குறிப்பிட்ட தன்மை 89.3% மற்றும் 84.7% ஐ விட அதிகமாகவும் இருந்தது. சோதிக்கப்பட்ட அனைத்து மாதிரிகளின் AUROC மதிப்பும் 0.925 ஐத் தாண்டுகிறது. எங்களுக்குத் தெரிந்தவரை, பல் முதிர்ச்சியின் அடிப்படையில் 18 வயது வகைப்படுத்தலுக்கான DM மாதிரியின் செயல்திறனை எந்த ஆய்வும் சோதிக்கவில்லை. இந்த ஆய்வின் முடிவுகளை பனோரமிக் ரேடியோகிராஃப்களில் டீப் லேர்னிங் மாதிரிகளின் வகைப்படுத்தல் செயல்திறனுடன் ஒப்பிடலாம். குவோ மற்றும் பலர்¹⁵ ஒரு குறிப்பிட்ட வயது வரம்பிற்காக CNN-அடிப்படையிலான டீப் லேர்னிங் மாதிரி மற்றும் டெமிர்ஜியனின் முறையை அடிப்படையாகக் கொண்ட ஒரு கைமுறை முறையின் வகைப்படுத்தல் செயல்திறனைக் கணக்கிட்டனர். கையேடு முறையின் உணர்திறன் மற்றும் தனித்தன்மை முறையே 87.7% மற்றும் 95.5% ஆக இருந்தன, மேலும் CNN மாதிரியின் உணர்திறன் மற்றும் தனித்தன்மை முறையே 89.2% மற்றும் 86.6% ஐத் தாண்டியது. வயது வரம்புகளை வகைப்படுத்துவதில், ஆழமான கற்றல் மாதிரிகள் கையேடு மதிப்பீட்டை மாற்றியமைக்க முடியும் அல்லது விஞ்ச முடியும் என்று அவர்கள் முடிவு செய்தனர். இந்த ஆய்வின் முடிவுகள் ஒத்த வகைப்படுத்தல் செயல்திறனைக் காட்டின; DM மாதிரிகளைப் பயன்படுத்தி செய்யப்படும் வகைப்படுத்தல், வயது மதிப்பீட்டிற்கான பாரம்பரிய புள்ளிவிவர முறைகளை மாற்றியமைக்க முடியும் என்று நம்பப்படுகிறது. மாதிரிகளில், ஆண் மாதிரிக்கான உணர்திறன் மற்றும் பெண் மாதிரிக்கான உணர்திறன் மற்றும் தனித்தன்மை ஆகியவற்றின் அடிப்படையில் DM LR சிறந்த மாதிரியாக இருந்தது. ஆண்களுக்கான தனித்தன்மையில் LR இரண்டாம் இடத்தில் உள்ளது. மேலும், LR மிகவும் பயனர் நட்பு DM35 மாதிரிகளில் ஒன்றாகக் கருதப்படுகிறது, மேலும் இது குறைவான சிக்கலானதாகவும், செயலாக்கக் கடினமானதாகவும் உள்ளது. இந்த முடிவுகளின் அடிப்படையில், கொரிய மக்களிடையே 18 வயதுடையவர்களுக்கான சிறந்த கட்ஆஃப் வகைப்படுத்தல் மாதிரியாக LR கருதப்பட்டது.
ஒட்டுமொத்தமாக, உள் சோதனைத் தொகுப்பின் முடிவுகளுடன் ஒப்பிடும்போது, வெளிப்புற சோதனைத் தொகுப்பில் வயது மதிப்பீட்டின் துல்லியம் அல்லது வகைப்படுத்தல் செயல்திறன் மோசமாக அல்லது குறைவாக இருந்தது. கொரிய மக்கள்தொகையை அடிப்படையாகக் கொண்ட வயது மதிப்பீடுகளை ஜப்பானிய மக்கள்தொகைக்குப் பயன்படுத்தும்போது வகைப்படுத்தல் துல்லியம் அல்லது செயல்திறன் குறைகிறது என்று சில அறிக்கைகள் குறிப்பிடுகின்றன5,39, மேலும் தற்போதைய ஆய்விலும் இதேபோன்ற ஒரு போக்கு காணப்பட்டது. இந்த மோசமடையும் போக்கு DM மாதிரியிலும் காணப்பட்டது. எனவே, பகுப்பாய்வுச் செயல்பாட்டில் DM-ஐப் பயன்படுத்தும்போது கூட, வயதைத் துல்லியமாக மதிப்பிடுவதற்கு, பாரம்பரிய முறைகள் போன்ற பூர்வீக மக்கள்தொகைத் தரவுகளிலிருந்து பெறப்பட்ட முறைகளுக்கே முன்னுரிமை அளிக்கப்பட வேண்டும்5,39,40,41,42. ஆழ்நிலை கற்றல் மாதிரிகள் இதேபோன்ற போக்குகளைக் காட்ட முடியுமா என்பது தெளிவாகத் தெரியாததால், வரையறுக்கப்பட்ட வயது மதிப்பீடுகளில் உள்ள இந்த இனப் பாகுபாடுகளை செயற்கை நுண்ணறிவால் சமாளிக்க முடியுமா என்பதை உறுதிப்படுத்த, ஒரே மாதிரிகளில் பாரம்பரிய முறைகள், DM மாதிரிகள் மற்றும் ஆழ்நிலை கற்றல் மாதிரிகளைப் பயன்படுத்தி வகைப்படுத்தல் துல்லியம் மற்றும் செயல்திறனை ஒப்பிடும் ஆய்வுகள் தேவைப்படுகின்றன.
கொரியாவில் தடயவியல் வயது மதிப்பீட்டு நடைமுறையில், DM மாதிரியை அடிப்படையாகக் கொண்ட வயது மதிப்பீட்டு முறையால் பாரம்பரிய முறைகளை மாற்றியமைக்க முடியும் என்பதை நாங்கள் நிரூபிக்கிறோம். தடயவியல் வயது மதிப்பீட்டிற்கு இயந்திரக் கற்றலைச் செயல்படுத்துவதற்கான சாத்தியத்தையும் நாங்கள் கண்டறிந்தோம். இருப்பினும், முடிவுகளைத் திட்டவட்டமாகத் தீர்மானிக்க இந்த ஆய்வில் பங்கேற்பாளர்களின் எண்ணிக்கை போதுமானதாக இல்லை, மேலும் இந்த ஆய்வின் முடிவுகளை ஒப்பிட்டு உறுதிப்படுத்த முந்தைய ஆய்வுகள் இல்லை என்பது போன்ற தெளிவான வரம்புகள் உள்ளன. எதிர்காலத்தில், பாரம்பரிய முறைகளுடன் ஒப்பிடும்போது அதன் நடைமுறைப் பயன்பாட்டினை மேம்படுத்துவதற்காக, அதிக எண்ணிக்கையிலான மாதிரிகள் மற்றும் மிகவும் மாறுபட்ட மக்கள்தொகையுடன் DM ஆய்வுகள் நடத்தப்பட வேண்டும். பலதரப்பட்ட மக்கள்தொகையில் வயதை மதிப்பிடுவதற்கு செயற்கை நுண்ணறிவைப் பயன்படுத்துவதன் சாத்தியக்கூற்றை உறுதிப்படுத்த, அதே மாதிரிகளில் DM மற்றும் ஆழ்நிலை கற்றல் மாதிரிகளின் வகைப்பாட்டுத் துல்லியம் மற்றும் செயல்திறனை பாரம்பரிய முறைகளுடன் ஒப்பிடுவதற்கு எதிர்கால ஆய்வுகள் தேவைப்படுகின்றன.
இந்த ஆய்வில், 15 முதல் 23 வயதுக்குட்பட்ட கொரிய மற்றும் ஜப்பானிய பெரியவர்களிடமிருந்து சேகரிக்கப்பட்ட 2,657 ஆர்த்தோகிராஃபிக் புகைப்படங்கள் பயன்படுத்தப்பட்டன. கொரிய ரேடியோகிராஃப்கள் 900 பயிற்சித் தொகுப்புகளாகவும் (19.42 ± 2.65 ஆண்டுகள்) மற்றும் 900 உள் சோதனைத் தொகுப்புகளாகவும் (19.52 ± 2.59 ஆண்டுகள்) பிரிக்கப்பட்டன. பயிற்சித் தொகுப்பு ஒரு நிறுவனத்திலும் (சியோல் செயின்ட் மேரி மருத்துவமனை), உள் சோதனைத் தொகுப்பு இரண்டு நிறுவனங்களிலும் (சியோல் தேசிய பல்கலைக்கழக பல் மருத்துவமனை மற்றும் யோன்செய் பல்கலைக்கழக பல் மருத்துவமனை) சேகரிக்கப்பட்டது. வெளிப்புற சோதனைக்காக, மற்றொரு மக்கள்தொகை அடிப்படையிலான தரவிலிருந்து (இவாடே மருத்துவ பல்கலைக்கழகம், ஜப்பான்) 857 ரேடியோகிராஃப்களையும் நாங்கள் சேகரித்தோம். ஜப்பானியர்களின் ரேடியோகிராஃப்கள் (19.31 ± 2.60 ஆண்டுகள்) வெளிப்புற சோதனைத் தொகுப்பாகத் தேர்ந்தெடுக்கப்பட்டன. பல் சிகிச்சையின் போது எடுக்கப்பட்ட பனோரமிக் ரேடியோகிராஃப்களில் பல் வளர்ச்சியின் நிலைகளைப் பகுப்பாய்வு செய்ய, தரவுகள் பின்னோக்கி சேகரிக்கப்பட்டன. பாலினம், பிறந்த தேதி மற்றும் ரேடியோகிராஃப் எடுக்கப்பட்ட தேதி தவிர, சேகரிக்கப்பட்ட அனைத்து தரவுகளும் அநாமதேயமாக இருந்தன. சேர்க்கை மற்றும் விலக்கு அளவுகோல்கள் முன்னர் வெளியிடப்பட்ட ஆய்வுகள் 4, 5 இல் உள்ளதைப் போலவே இருந்தன. கதிர்ப்படம் எடுக்கப்பட்ட தேதியிலிருந்து பிறந்த தேதியைக் கழிப்பதன் மூலம் மாதிரியின் உண்மையான வயது கணக்கிடப்பட்டது. மாதிரிக் குழு ஒன்பது வயதுக் குழுக்களாகப் பிரிக்கப்பட்டது. வயது மற்றும் பாலினப் பரவல்கள் அட்டவணை 3-இல் காட்டப்பட்டுள்ளன. இந்த ஆய்வு ஹெல்சிங்கி பிரகடனத்திற்கு இணங்க நடத்தப்பட்டது மற்றும் கொரியாவின் கத்தோலிக்க பல்கலைக்கழகத்தின் சியோல் புனித மேரி மருத்துவமனையின் நிறுவன மறுஆய்வுக் குழுவால் (IRB) (KC22WISI0328) அங்கீகரிக்கப்பட்டது. இந்த ஆய்வின் பின்னோக்கிய வடிவமைப்பு காரணமாக, சிகிச்சை நோக்கங்களுக்காக கதிர்ப்படப் பரிசோதனைக்கு உட்படுத்தப்பட்ட அனைத்து நோயாளிகளிடமிருந்தும் தகவலறிந்த ஒப்புதலைப் பெற முடியவில்லை. சியோல் கொரியா பல்கலைக்கழக புனித மேரி மருத்துவமனை (IRB) தகவலறிந்த ஒப்புதலுக்கான தேவையைத் தள்ளுபடி செய்தது.
இரு தாடைகளின் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப் பற்களின் வளர்ச்சி நிலைகள் டெமிர்கான் அளவுகோல்கள்²⁵-இன் படி மதிப்பிடப்பட்டன. ஒவ்வொரு தாடையின் இடது மற்றும் வலது பக்கங்களிலும் ஒரே வகையான பல் காணப்பட்டால், ஒரே ஒரு பல் மட்டுமே தேர்ந்தெடுக்கப்பட்டது. இரு பக்கங்களிலும் உள்ள ஒத்த பற்கள் வெவ்வேறு வளர்ச்சி நிலைகளில் இருந்தால், மதிப்பிடப்பட்ட வயதில் உள்ள நிச்சயமற்ற தன்மையைக் கருத்தில் கொண்டு, குறைந்த வளர்ச்சி நிலையில் உள்ள பல் தேர்ந்தெடுக்கப்பட்டது. பல் முதிர்ச்சி நிலையைத் தீர்மானிப்பதற்காக, முன் அளவுத்திருத்தத்திற்குப் பிறகு, பயிற்சித் தொகுப்பிலிருந்து தோராயமாகத் தேர்ந்தெடுக்கப்பட்ட நூறு கதிர்ப்படங்கள், பார்வையாளர்களுக்கிடையேயான நம்பகத்தன்மையைச் சோதிக்க இரண்டு அனுபவமிக்க பார்வையாளர்களால் மதிப்பிடப்பட்டன. பார்வையாளருக்குள்ளான நம்பகத்தன்மை, முதன்மைப் பார்வையாளரால் மூன்று மாத இடைவெளியில் இருமுறை மதிப்பிடப்பட்டது.
பயிற்சித் தொகுப்பில் உள்ள ஒவ்வொரு தாடையின் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப் பற்களின் பாலினம் மற்றும் வளர்ச்சி நிலை, வெவ்வேறு DM மாதிரிகளுடன் பயிற்சி பெற்ற ஒரு முதன்மைப் பார்வையாளரால் மதிப்பிடப்பட்டது, மேலும் உண்மையான வயது இலக்கு மதிப்பாக அமைக்கப்பட்டது. இயந்திரக் கற்றலில் பரவலாகப் பயன்படுத்தப்படும் SLP மற்றும் MLP மாதிரிகள், பின்னடைவு நெறிமுறைகளுக்கு எதிராகச் சோதிக்கப்பட்டன. DM மாதிரியானது நான்கு பற்களின் வளர்ச்சி நிலைகளைப் பயன்படுத்தி நேரியல் சார்புகளை இணைத்து, இந்தத் தரவுகளைக் கொண்டு வயதை மதிப்பிடுகிறது. SLP என்பது மிகவும் எளிமையான நரம்பியல் வலையமைப்பு ஆகும், மேலும் இதில் மறைக்கப்பட்ட அடுக்குகள் இல்லை. SLP, கணுக்களுக்கு இடையேயான வரம்புநிலைப் பரிமாற்றத்தின் அடிப்படையில் செயல்படுகிறது. பின்னடைவில் உள்ள SLP மாதிரியானது, கணிதரீதியாகப் பன்மடங்கு நேரியல் பின்னடைவைப் போன்றது. SLP மாதிரியைப் போலல்லாமல், MLP மாதிரியானது நேரியல் அல்லாத செயலாக்கச் சார்புகளுடன் பல மறைக்கப்பட்ட அடுக்குகளைக் கொண்டுள்ளது. எங்கள் சோதனைகள், நேரியல் அல்லாத செயலாக்கச் சார்புகளுடன் 20 மறைக்கப்பட்ட கணுக்களை மட்டுமே கொண்ட ஒரு மறைக்கப்பட்ட அடுக்கைப் பயன்படுத்தின. எங்கள் இயந்திரக் கற்றல் மாதிரியைப் பயிற்றுவிக்க, சாய்வு இறக்கத்தை உகப்பாக்க முறையாகவும், MAE மற்றும் RMSE-ஐ இழப்புச் சார்பாகவும் பயன்படுத்தினோம். பெறப்பட்ட சிறந்த பின்னடைவு மாதிரியானது உள் மற்றும் வெளிச் சோதனைத் தொகுப்புகளில் பயன்படுத்தப்பட்டு, பற்களின் வயது மதிப்பிடப்பட்டது.
பயிற்சித் தொகுப்பில் உள்ள நான்கு பற்களின் முதிர்ச்சியைப் பயன்படுத்தி, ஒரு மாதிரிக்கு 18 வயது ஆகிறதா இல்லையா என்பதைக் கணிக்கும் ஒரு வகைப்படுத்தல் நெறிமுறை உருவாக்கப்பட்டது. இந்த மாதிரியை உருவாக்க, நாங்கள் ஏழு பிரதிநிதித்துவ இயந்திர கற்றல் நெறிமுறைகளை6,43 உருவாக்கினோம்: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, மற்றும் (7) MLP. LR என்பது மிகவும் பரவலாகப் பயன்படுத்தப்படும் வகைப்படுத்தல் நெறிமுறைகளில் ஒன்றாகும்44. இது ஒரு மேற்பார்வையிடப்பட்ட கற்றல் நெறிமுறையாகும், இது ஒரு தரவு ஒரு குறிப்பிட்ட வகையைச் சேர்ந்ததற்கான நிகழ்தகவை 0 முதல் 1 வரை கணிக்க பின்னடைவைப் பயன்படுத்துகிறது மற்றும் இந்த நிகழ்தகவின் அடிப்படையில் தரவை அதிக சாத்தியமுள்ள வகையைச் சேர்ந்ததாக வகைப்படுத்துகிறது; இது முக்கியமாக இரும வகைப்படுத்தலுக்குப் பயன்படுத்தப்படுகிறது. KNN என்பது எளிமையான இயந்திர கற்றல் நெறிமுறைகளில் ஒன்றாகும்45. புதிய உள்ளீட்டுத் தரவு கொடுக்கப்படும்போது, அது ஏற்கனவே உள்ள தொகுப்பிற்கு நெருக்கமான k தரவுகளைக் கண்டறிந்து, பின்னர் அவற்றை அதிக அதிர்வெண் கொண்ட வகுப்பில் வகைப்படுத்துகிறது. கருத்தில் கொள்ளப்படும் அண்டை தரவுகளின் (k) எண்ணிக்கைக்கு நாங்கள் 3 ஐ அமைத்துள்ளோம். SVM என்பது, ஒரு கெர்னல் சார்பைப் பயன்படுத்தி நேரியல் வெளியை ஃபீல்டுகள் எனப்படும் நேரியலற்ற வெளிக்குள் விரிவுபடுத்துவதன் மூலம் இரண்டு வகுப்புகளுக்கு இடையிலான தூரத்தை அதிகப்படுத்தும் ஒரு வழிமுறை ஆகும்46. இந்த மாதிரிக்கு, பல்லுறுப்புக் கெர்னலுக்கான மீவிளக்க அளவுகளாக பயாஸ் = 1, பவர் = 1, மற்றும் காமா = 1 ஆகியவற்றைப் பயன்படுத்துகிறோம். DT என்பது, முடிவெடுக்கும் விதிகளை ஒரு மர அமைப்பில் குறிப்பிடுவதன் மூலம், ஒரு முழு தரவுத் தொகுப்பையும் பல துணைக்குழுக்களாகப் பிரிக்கும் ஒரு வழிமுறையாகப் பல்வேறு துறைகளில் பயன்படுத்தப்பட்டுள்ளது47. இந்த மாதிரி, ஒரு கணுவிற்கு குறைந்தபட்சம் 2 பதிவுகளுடன் கட்டமைக்கப்பட்டுள்ளது மற்றும் தரத்தின் அளவீடாக கினி குறியீட்டைப் பயன்படுத்துகிறது. RF என்பது ஒரு ஒருங்கிணைப்பு முறையாகும். இது, அசல் தரவுத் தொகுப்பிலிருந்து ஒரே அளவிலான மாதிரிகளைப் பலமுறை தோராயமாக வரைவதன் மூலம் ஒவ்வொரு மாதிரிக்கும் ஒரு பலவீனமான வகைப்படுத்தியை உருவாக்கும் ஒரு பூட்ஸ்டிராப் திரட்டல் முறையைப் பயன்படுத்தி, செயல்திறனை மேம்படுத்த பல DT-களை ஒன்றிணைக்கிறது48. நாங்கள் 100 மரங்கள், 10 மர ஆழங்கள், 1 குறைந்தபட்ச கணு அளவு மற்றும் கணு பிரிப்பு அளவுகோல்களாக கினி கலப்புக் குறியீடு ஆகியவற்றைப் பயன்படுத்தினோம். புதிய தரவுகளின் வகைப்பாடு பெரும்பான்மை வாக்கெடுப்பின் மூலம் தீர்மானிக்கப்படுகிறது. XGBoost என்பது ஒரு அல்காரிதம் ஆகும், இது பூஸ்டிங் நுட்பங்களை ஒருங்கிணைக்கிறது. இது முந்தைய மாடலின் உண்மையான மற்றும் கணிக்கப்பட்ட மதிப்புகளுக்கு இடையிலான பிழையை பயிற்சித் தரவாக எடுத்து, கிரேடியன்ட்களைப் பயன்படுத்தி பிழையை அதிகரிக்கிறது. அதன் நல்ல செயல்திறன் மற்றும் வளத் திறன், அத்துடன் ஓவர்ஃபிட்டிங் திருத்தச் செயல்பாடாக அதன் உயர் நம்பகத்தன்மை காரணமாக இது பரவலாகப் பயன்படுத்தப்படும் ஒரு அல்காரிதம் ஆகும். இந்த மாடல் 400 சப்போர்ட் வீல்களுடன் பொருத்தப்பட்டுள்ளது. MLP என்பது ஒரு நியூரல் 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 நேரியல் அல்லாத வகைப்பாட்டைச் செய்ய முடியும். இதில் நீங்கள் ஒரு உள்ளீட்டு அடுக்கைச் சேர்த்து ஒரு முடிவு மதிப்பைப் பெறும்போது, கணிக்கப்பட்ட முடிவு மதிப்பு உண்மையான முடிவு மதிப்புடன் ஒப்பிடப்பட்டு, பிழை மீண்டும் பரப்பப்படுகிறது. ஒவ்வொரு அடுக்கிலும் 20 மறைக்கப்பட்ட நியூரான்களுடன் ஒரு மறைக்கப்பட்ட அடுக்கை நாங்கள் உருவாக்கினோம். நாங்கள் உருவாக்கிய ஒவ்வொரு மாடலும், உணர்திறன், தனித்தன்மை, PPV, NPV மற்றும் AUROC ஆகியவற்றைக் கணக்கிடுவதன் மூலம் வகைப்பாட்டு செயல்திறனைச் சோதிக்க உள் மற்றும் வெளித் தொகுப்புகளில் பயன்படுத்தப்பட்டது. உணர்திறன் என்பது 18 வயது அல்லது அதற்கு மேற்பட்ட வயதுடையவர்களாக மதிப்பிடப்பட்ட ஒரு மாதிரிக்கும், 18 வயது அல்லது அதற்கு மேற்பட்ட வயதுடையவர்களாக மதிப்பிடப்பட்ட மற்றொரு மாதிரிக்கும் இடையிலான விகிதமாக வரையறுக்கப்படுகிறது. தனித்தன்மை என்பது 18 வயதுக்குட்பட்ட மாதிரிகளுக்கும், 18 வயதுக்குட்பட்டவர்களாக மதிப்பிடப்பட்ட மாதிரிகளுக்கும் இடையிலான விகிதாச்சாரம் ஆகும்.
பயிற்சித் தொகுப்பில் மதிப்பிடப்பட்ட பல் நிலைகள், புள்ளிவிவரப் பகுப்பாய்விற்காக எண் நிலைகளாக மாற்றப்பட்டன. ஒவ்வொரு பாலினத்திற்கும் முன்கணிப்பு மாதிரிகளை உருவாக்கவும், வயதைக் கணக்கிடப் பயன்படும் பின்னடைவு சூத்திரங்களைப் பெறவும் பன்மாறி நேரியல் மற்றும் லாஜிஸ்டிக் பின்னடைவு பகுப்பாய்வுகள் மேற்கொள்ளப்பட்டன. உள் மற்றும் வெளி சோதனைத் தொகுப்புகள் இரண்டிற்கும் பல் வயதைக் கணக்கிட இந்த சூத்திரங்களைப் பயன்படுத்தினோம். இந்த ஆய்வில் பயன்படுத்தப்பட்ட பின்னடைவு மற்றும் வகைப்படுத்தல் மாதிரிகளை அட்டவணை 4 காட்டுகிறது.
கோஹனின் கப்பா புள்ளிவிவரத்தைப் பயன்படுத்தி அக மற்றும் புறப் பார்வையாளர் நம்பகத்தன்மை கணக்கிடப்பட்டது. DM மற்றும் பாரம்பரிய பின்னடைவு மாதிரிகளின் துல்லியத்தைச் சோதிக்க, உள் மற்றும் வெளி சோதனைத் தொகுப்புகளின் மதிப்பிடப்பட்ட மற்றும் உண்மையான வயதுகளைப் பயன்படுத்தி MAE மற்றும் RMSE-ஐக் கணக்கிட்டோம். மாதிரி கணிப்புகளின் துல்லியத்தை மதிப்பிடுவதற்கு இந்தப் பிழைகள் பொதுவாகப் பயன்படுத்தப்படுகின்றன. பிழை எவ்வளவு சிறியதாக இருக்கிறதோ, அவ்வளவு அதிகமாக முன்னறிவிப்பின் துல்லியம் இருக்கும்²⁴. DM மற்றும் பாரம்பரிய பின்னடைவைப் பயன்படுத்தி கணக்கிடப்பட்ட உள் மற்றும் வெளி சோதனைத் தொகுப்புகளின் MAE மற்றும் RMSE-ஐ ஒப்பிடுக. பாரம்பரிய புள்ளிவிவரங்களில் 18-ஆண்டு வரம்பின் வகைப்படுத்தல் செயல்திறன் ஒரு 2 × 2 தற்செயல் அட்டவணையைப் பயன்படுத்தி மதிப்பிடப்பட்டது. சோதனைத் தொகுப்பின் கணக்கிடப்பட்ட உணர்திறன், தனித்தன்மை, PPV, NPV மற்றும் AUROC ஆகியவை DM வகைப்படுத்தல் மாதிரியின் அளவிடப்பட்ட மதிப்புகளுடன் ஒப்பிடப்பட்டன. தரவு பண்புகளைப் பொறுத்து, தரவுகள் சராசரி ± திட்ட விலகல் அல்லது எண்ணிக்கை (%) என வெளிப்படுத்தப்படுகின்றன. இருபக்க P மதிப்புகள் <0.05 புள்ளிவிவர ரீதியாக குறிப்பிடத்தக்கதாகக் கருதப்பட்டன. அனைத்து வழக்கமான புள்ளிவிவரப் பகுப்பாய்வுகளும் SAS பதிப்பு 9.4 (SAS நிறுவனம், கேரி, NC) ஐப் பயன்படுத்தி செய்யப்பட்டன. DM பின்னடைவு மாதிரியானது, பைத்தானில் Keras50 2.2.4 பின்தளம் மற்றும் குறிப்பாக கணிதச் செயல்பாடுகளுக்காக Tensorflow51 1.8.0 ஆகியவற்றைப் பயன்படுத்திச் செயல்படுத்தப்பட்டது. DM வகைப்படுத்தல் மாதிரியானது, Waikato அறிவுப் பகுப்பாய்வுச் சூழல் மற்றும் Konstanz தகவல் மைனர் (KNIME) 4.6.152 பகுப்பாய்வுத் தளம் ஆகியவற்றில் செயல்படுத்தப்பட்டது.
ஆய்வின் முடிவுகளுக்கு ஆதாரமான தரவுகள், இந்தக் கட்டுரையிலும் துணை ஆவணங்களிலும் காணப்படுகின்றன என்பதை ஆசிரியர்கள் ஒப்புக்கொள்கிறார்கள். ஆய்வின் போது உருவாக்கப்பட்ட மற்றும்/அல்லது பகுப்பாய்வு செய்யப்பட்ட தரவுத்தொகுப்புகள், தகுந்த கோரிக்கையின் பேரில் தொடர்புடைய ஆசிரியரிடமிருந்து பெற்றுக்கொள்ளலாம்.
ரிட்ஸ்-டிம்மே, எஸ். மற்றும் பலர். வயது மதிப்பீடு: தடயவியல் நடைமுறையின் குறிப்பிட்ட தேவைகளைப் பூர்த்தி செய்வதற்கான தற்போதைய நிலை. சர்வதேசத்தன்மை. ஜே. லீகல் மெடிசின். 113, 129–136 (2000).
ஷ்மெலிங், ஏ., ரீசிங்கர், டபிள்யூ., கெசெரிக், ஜி., மற்றும் ஓல்ஸ், ஏ. குற்றவியல் வழக்கு விசாரணை நோக்கங்களுக்காக உயிருள்ள நபர்களின் தடயவியல் வயது மதிப்பீட்டின் தற்போதைய நிலை. தடயவியல். மருத்துவம். நோயியல். 1, 239–246 (2005).
பான், ஜே. மற்றும் பலர். கிழக்கு சீனாவில் 5 முதல் 16 வயது வரையிலான குழந்தைகளின் பல் வயதை மதிப்பிடுவதற்கான ஒரு மாற்றியமைக்கப்பட்ட முறை. மருத்துவ வாய்வழி ஆய்வு. 25, 3463–3474 (2021).
லீ, எஸ்.எஸ். முதலியன. கொரியர்களில் இரண்டாவது மற்றும் மூன்றாவது கடைவாய்ப் பற்களின் வளர்ச்சியின் காலவரிசை மற்றும் தடயவியல் வயது மதிப்பீட்டிற்கான அதன் பயன்பாடு. சர்வதேசத்தன்மை. ஜே. லீகல் மெடிசின். 124, 659–665 (2010).
ஓ, எஸ்., குமாகாய், ஏ., கிம், எஸ்.ஒய் மற்றும் லீ, எஸ்.எஸ். கொரியர்கள் மற்றும் ஜப்பானியர்களிடம் இரண்டாம் மற்றும் மூன்றாம் கடைவாய்ப் பற்களின் முதிர்ச்சியை அடிப்படையாகக் கொண்ட வயது மதிப்பீட்டின் துல்லியம் மற்றும் 18-வயது வரம்பை மதிப்பிடுதல். பிஎல்ஓஎஸ் ஒன் 17, e0271247 (2022).
கிம், ஜே.ஒய், மற்றும் பலர். OSA நோயாளிகளுக்கு அறுவை சிகிச்சைக்கு முந்தைய இயந்திர கற்றல் அடிப்படையிலான தரவு பகுப்பாய்வு தூக்க அறுவை சிகிச்சை சிகிச்சை விளைவை கணிக்க முடியும். தி சயின்ஸ். அறிக்கை 11, 14911 (2021).
ஹான், எம். மற்றும் பலர். மனிதத் தலையீடோ இல்லாமலோ இயந்திரக் கற்றல் மூலம் துல்லியமான வயது மதிப்பீடு? பன்னாட்டுத்தன்மை. சட்ட மருத்துவ இதழ். 136, 821–831 (2022).
கான், எஸ். மற்றும் ஷாஹீன், எம். தரவுச் சுரங்கத்திலிருந்து தரவுச் சுரங்கம் வரை. ஜே. இன்ஃபர்மேஷன். தி சயின்ஸ். https://doi.org/10.1177/01655515211030872 (2021).
கான், எஸ். மற்றும் ஷாஹீன், எம். விஸ்ரூல்: தொடர்பு விதி அகழ்விற்கான முதல் அறிவாற்றல் நெறிமுறை. ஜே. இன்ஃபர்மேஷன். தி சயின்ஸ். https://doi.org/10.1177/01655515221108695 (2022).
ஷாஹீன் எம். மற்றும் அப்துல்லா யு. கார்ம்: சூழல் சார்ந்த தொடர்பு விதிகளை அடிப்படையாகக் கொண்ட பாரம்பரிய தரவுச் சுரங்கம். கணக்கிடு. மேட். தொடர். 68, 3305–3322 (2021).
முஹம்மது எம்., ரஹ்மான் இசட்., ஷாஹீன் எம்., கான் எம். மற்றும் ஹபீப் எம். உரைத் தரவைப் பயன்படுத்தி ஆழ் கற்றல் அடிப்படையிலான சொற்பொருள் ஒற்றுமையைக் கண்டறிதல். தகவல் தொழில்நுட்பங்கள் கட்டுப்பாடு. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
தபிஷ், எம்., தனோலி, இசட்., மற்றும் ஷாஹின், எம். விளையாட்டுக் காணொளிகளில் செயல்பாட்டை அடையாளம் காணும் ஒரு அமைப்பு. மல்டிமீடியா. கருவிகள் மற்றும் 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. ரேடியாலஜி 290, 498–503 (2019).
லி, ஒய். மற்றும் பலர். ஆழ் கற்றலைப் பயன்படுத்தி இடுப்பு எக்ஸ்-கதிர்களிலிருந்து தடயவியல் வயது மதிப்பீடு. யூரோ. கதிர்வீச்சு. 29, 2322–2329 (2019).
குவோ, ஒய்.சி., மற்றும் பலர். ஆர்த்தோகிராஃபிக் ப்ரொஜெக்ஷன் படங்களிலிருந்து கைமுறை முறைகள் மற்றும் டீப் கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளைப் பயன்படுத்தி துல்லியமான வயது வகைப்பாடு. சர்வதேசத்தன்மை. ஜே. லீகல் மெடிசின். 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, ஜே. கோன்-பீம் கம்ப்யூட்டட் டோமோகிராபியைப் பயன்படுத்தி முதல் கடைவாய்ப் பற்களின் பல் கூழ் அறை அளவுகளின் அடிப்படையில் ஆப்பிரிக்க அமெரிக்கர்கள் மற்றும் சீனர்களின் மக்கள்தொகை சார்ந்த வயது மதிப்பீடு. சர்வதேசத்தன்மை. ஜே. லீகல் மெடிசின். 136, 811–819 (2022).
கிம் எஸ்., லீ ஒய்ஹெச், நோ ஒய்கே, பார்க் எஃப்கே மற்றும் ஓ கேஎஸ், முதல் கடைவாய்ப் பற்களின் செயற்கை நுண்ணறிவு அடிப்படையிலான படங்களைப் பயன்படுத்தி வாழும் மக்களின் வயதுக் குழுக்களைத் தீர்மானித்தல். தி சயின்ஸ். ரிப்போர்ட் 11, 1073 (2021).
ஸ்டெர்ன், டி., பேயர், சி., கியுலியானி, என்., மற்றும் உர்ஷ்லர், எம். பல்மாறி MRI தரவுகளிலிருந்து தானியங்கி வயது மதிப்பீடு மற்றும் பெரும்பான்மை வயது வகைப்பாடு. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
செங், கியூ., கே, இசட்., டு, எச். மற்றும் லி, ஜி. டீப் லேர்னிங் மற்றும் லெவல் செட்களை ஒருங்கிணைப்பதன் மூலம் கோன் பீம் கம்ப்யூட்டட் டோமோகிராஃபியிலிருந்து முதல் கடைவாய்ப் பற்களின் 3D பல்ப் சேம்பர் செக்மென்டேஷனை அடிப்படையாகக் கொண்ட வயது மதிப்பீடு. சர்வதேசத்தன்மை. ஜே. லீகல் மெடிசின். 135, 365–373 (2021).
வூ, டபிள்யூ.டி., மற்றும் பலர். மருத்துவப் பெருந்தரவுகளில் தரவுச் சுரங்கம்: பொதுவான தரவுத்தளங்கள், படிகள் மற்றும் வழிமுறை மாதிரிகள். உலக மருத்துவம் மற்றும் வளங்கள். 8, 44 (2021).
யாங், ஜே. மற்றும் பலர். பெருந்தரவுக் காலத்தில் மருத்துவத் தரவுத்தளங்கள் மற்றும் தரவுச் சுரங்கத் தொழில்நுட்பங்களுக்கான அறிமுகம். ஜே. அவிட். பேசிக் மெடிசின். 13, 57–69 (2020).
ஷென், எஸ். மற்றும் பலர். இயந்திரக் கற்றலைப் பயன்படுத்தி பல் வயதைக் கணிப்பதற்கான கேமரரின் முறை. பிஎம்சி வாய்வழி ஆரோக்கியம் 21, 641 (2021).
காலிபர்க் ஏ. மற்றும் பலர். டெமிர்ட்ஜியன் ஸ்டேஜிங் முறையைப் பயன்படுத்தி பல் வயதைக் கணிப்பதற்கான வெவ்வேறு இயந்திர கற்றல் முறைகளின் ஒப்பீடு. சர்வதேசம். ஜே. லீகல் மெடிசின். 135, 665–675 (2021).
டெமிர்ட்ஜியன், ஏ., கோல்ட்ஸ்டீன், எச். மற்றும் டானர், ஜே.எம். பல் வயதை மதிப்பிடுவதற்கான ஒரு புதிய முறை. ஸ்நார்ட். பயாலஜி. 45, 211–227 (1973).
லாண்டிஸ், ஜே.ஆர், மற்றும் கோச், ஜி.ஜி. வகைப்படுத்தப்பட்ட தரவுகளில் பார்வையாளர் உடன்பாட்டின் அளவீடுகள். பயோமெட்ரிக்ஸ் 33, 159–174 (1977).
பட்டாச்சார்ஜி எஸ், பிரகாஷ் டி, கிம் சி, கிம் எச்.கே மற்றும் சோய் எச்.கே. முதன்மை மூளைக் கட்டிகளை வேறுபடுத்துவதற்காக செயற்கை நுண்ணறிவு நுட்பங்களைப் பயன்படுத்தி இரு பரிமாண காந்த அதிர்வுப் படங்களின் அமைப்பு, உருவவியல் மற்றும் புள்ளிவிவரப் பகுப்பாய்வு. சுகாதார தகவல் ஆதாரம். https://doi.org/10.4258/hir.2022.28.1.46 (2022).
பதிவிட்ட நேரம்: ஜனவரி-04-2024