ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಾನಗಳ ವಿರುದ್ಧ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಯ ಮೌಲ್ಯಮಾಪನ

ನೇಚರ್.ಕಾಮ್ಗೆ ಭೇಟಿ ನೀಡಿದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್‌ನ ಆವೃತ್ತಿಯು ಸೀಮಿತ ಸಿಎಸ್ಎಸ್ ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ, ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ಆಫ್ ಮಾಡುವುದು). ಈ ಮಧ್ಯೆ, ನಡೆಯುತ್ತಿರುವ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಹಲ್ಲುಗಳನ್ನು ಮಾನವ ದೇಹದ ವಯಸ್ಸಿನ ಅತ್ಯಂತ ನಿಖರವಾದ ಸೂಚಕವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಇದನ್ನು ಹೆಚ್ಚಾಗಿ ವಿಧಿವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಆಧಾರಿತ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳೊಂದಿಗೆ 18 ವರ್ಷಗಳ ಮಿತಿಯ ಅಂದಾಜು ನಿಖರತೆ ಮತ್ತು ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಆಧಾರಿತ ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಗುರಿಯನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ. 15 ರಿಂದ 23 ವರ್ಷ ವಯಸ್ಸಿನ ಕೊರಿಯನ್ ಮತ್ತು ಜಪಾನಿನ ನಾಗರಿಕರಿಂದ ಒಟ್ಟು 2657 ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ಅವುಗಳನ್ನು ತರಬೇತಿ ಗುಂಪಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ, ಪ್ರತಿಯೊಂದೂ 900 ಕೊರಿಯನ್ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಮತ್ತು 857 ಜಪಾನೀಸ್ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳ ವರ್ಗೀಕರಣದ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ನಾವು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಳ ಪರೀಕ್ಷಾ ಗುಂಪುಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದ್ದೇವೆ. ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್ನಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ನಿಖರತೆಯು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚಾಗಿದೆ, ಮತ್ತು ವ್ಯತ್ಯಾಸವು ಚಿಕ್ಕದಾಗಿದೆ (ಸರಾಸರಿ ದೋಷ <0.21 ವರ್ಷಗಳು, ಮೂಲ ಸರಾಸರಿ ಚದರ ದೋಷ <0.24 ವರ್ಷಗಳು). 18 ವರ್ಷಗಳ ಕಡಿತಕ್ಕಾಗಿ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಳ ನಡುವೆ ಹೋಲುತ್ತದೆ. ಆದ್ದರಿಂದ, ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೆಯ ಮೋಲಾರ್‌ಗಳ ಪರಿಪಕ್ವತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವಿಧಿವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನವನ್ನು ಮಾಡುವಾಗ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಳಿಂದ ಬದಲಾಯಿಸಬಹುದು.
ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಿವಿಜ್ಞಾನ medicine ಷಧ ಮತ್ತು ಮಕ್ಕಳ ದಂತವೈದ್ಯಶಾಸ್ತ್ರದಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕಾಲಾನುಕ್ರಮದ ವಯಸ್ಸು ಮತ್ತು ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ನಡುವಿನ ಹೆಚ್ಚಿನ ಸಂಬಂಧದಿಂದಾಗಿ, ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳಿಂದ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನವು ಮಕ್ಕಳು ಮತ್ತು ಹದಿಹರೆಯದವರ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಒಂದು ಪ್ರಮುಖ ಮಾನದಂಡವಾಗಿದೆ ಮತ್ತು ಹದಿಹರೆಯದವರು 1,2,3. ಆದಾಗ್ಯೂ, ಯುವಜನರಿಗೆ, ಹಲ್ಲಿನ ಪರಿಪಕ್ವತೆಯ ಆಧಾರದ ಮೇಲೆ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವುದು ಅದರ ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ ಏಕೆಂದರೆ ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆ ಬಹುತೇಕ ಪೂರ್ಣಗೊಂಡಿದೆ, ಮೂರನೆಯ ಮೋಲಾರ್‌ಗಳನ್ನು ಹೊರತುಪಡಿಸಿ. ಯುವಜನರು ಮತ್ತು ಹದಿಹರೆಯದವರ ವಯಸ್ಸನ್ನು ನಿರ್ಧರಿಸುವ ಕಾನೂನು ಉದ್ದೇಶವೆಂದರೆ ಅವರು ಬಹುಮತದ ವಯಸ್ಸನ್ನು ತಲುಪಿದ್ದಾರೆಯೇ ಎಂಬುದಕ್ಕೆ ನಿಖರವಾದ ಅಂದಾಜುಗಳು ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಪುರಾವೆಗಳನ್ನು ಒದಗಿಸುವುದು. ಕೊರಿಯಾದಲ್ಲಿ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರ medic ಷಧ-ಕಾನೂನು ಅಭ್ಯಾಸದಲ್ಲಿ, ಲೀ ಅವರ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ, ಮತ್ತು ಓಹ್ ಮತ್ತು ಇತರರು ವರದಿ ಮಾಡಿದ ಮಾಹಿತಿಯ ಆಧಾರದ ಮೇಲೆ 18 ವರ್ಷಗಳ ಕಾನೂನು ಮಿತಿಯನ್ನು were ಹಿಸಲಾಗಿದೆ.
ಯಂತ್ರ ಕಲಿಕೆ ಎನ್ನುವುದು ಒಂದು ರೀತಿಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ಎಐ) ಆಗಿದ್ದು ಅದು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪದೇ ಪದೇ ಕಲಿಯುತ್ತದೆ ಮತ್ತು ವರ್ಗೀಕರಿಸುತ್ತದೆ, ಸಮಸ್ಯೆಗಳನ್ನು ತನ್ನದೇ ಆದ ಮೇಲೆ ಪರಿಹರಿಸುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾ 6 ನಲ್ಲಿ ಉಪಯುಕ್ತ ಗುಪ್ತ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಕಾರ್ಮಿಕ-ತೀವ್ರ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು, ದೊಡ್ಡ ಪ್ರಮಾಣದ ಸಂಕೀರ್ಣ ದತ್ತಾಂಶಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ ಮಿತಿಗಳನ್ನು ಹೊಂದಿರಬಹುದು, ಅದು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ಮಾನವ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ಬಹುಆಯಾಮದ ದತ್ತಾಂಶ 8,9,10,11,12 ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಇತ್ತೀಚಿನ ಕಂಪ್ಯೂಟರ್ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಇತ್ತೀಚೆಗೆ ಅನೇಕ ಅಧ್ಯಯನಗಳನ್ನು ನಡೆಸಲಾಗಿದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ವೈದ್ಯಕೀಯ ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಮತ್ತು ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ವಿವಿಧ ವಿಧಾನಗಳು ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ವರದಿಯಾಗಿದೆ 13,14,15,16,16,17,18,19,20 . ಉದಾಹರಣೆಗೆ, ಮಕ್ಕಳ ಕೈಗಳ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅಸ್ಥಿಪಂಜರದ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕನ್ವಿಲ್ಯೂಶನಲ್ ನ್ಯೂರಾಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳ (ಸಿಎನ್‌ಎನ್) ಆಧರಿಸಿ ಹಲಾಬಿ ಮತ್ತು ಇತರರು 13 ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು. ಈ ಅಧ್ಯಯನವು ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸುವ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ ಮತ್ತು ಈ ವಿಧಾನಗಳು ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಆಳವಾದ ಕಲಿಕೆಯ ಸಿಎನ್‌ಎನ್ ಬಳಸಿ ಶ್ರೋಣಿಯ ಎಕ್ಸರೆ ಚಿತ್ರಗಳಿಂದ ಲಿ ಮತ್ತು ಇತರರು ಅಂದಾಜು ವಯಸ್ಸು ಮತ್ತು ಅವುಗಳನ್ನು ಆಸಿಫಿಕೇಷನ್ ಹಂತದ ಅಂದಾಜು ಬಳಸಿ ಹಿಂಜರಿತ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದ್ದಾರೆ. ಆಳವಾದ ಕಲಿಕೆಯ ಸಿಎನ್‌ಎನ್ ಮಾದರಿಯು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತ ಮಾದರಿಯಂತೆಯೇ ವಯಸ್ಸಿನ ಅಂದಾಜು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಿದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು. ಗುವೊ ಮತ್ತು ಇತರರ ಅಧ್ಯಯನವು [] 15] ದಂತ ಆರ್ಥೋಫೋಟೋಗಳ ಆಧಾರದ ಮೇಲೆ ಸಿಎನ್‌ಎನ್ ತಂತ್ರಜ್ಞಾನದ ವಯಸ್ಸಿನ ಸಹಿಷ್ಣು ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ, ಮತ್ತು ಸಿಎನ್‌ಎನ್ ಮಾದರಿಯ ಫಲಿತಾಂಶಗಳು ಮಾನವರು ಅದರ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೀರಿಸಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸಿತು.
ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಕುರಿತು ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಗಳು ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತವೆ 13,14,15,16,17,18,19,20. ಆಳವಾದ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ವರದಿಯಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಈ ವಿಧಾನವು ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳಿಗೆ ವೈಜ್ಞಾನಿಕ ಆಧಾರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲು ಕಡಿಮೆ ಅವಕಾಶವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಉದಾಹರಣೆಗೆ ಅಂದಾಜುಗಳಲ್ಲಿ ಬಳಸಲಾದ ವಯಸ್ಸಿನ ಸೂಚಕಗಳು. ಯಾರು ತಪಾಸಣೆ ನಡೆಸುತ್ತಾರೆ ಎಂಬ ಬಗ್ಗೆ ಕಾನೂನು ವಿವಾದವೂ ಇದೆ. ಆದ್ದರಿಂದ, ಆಳವಾದ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜು ಆಡಳಿತಾತ್ಮಕ ಮತ್ತು ನ್ಯಾಯಾಂಗ ಅಧಿಕಾರಿಗಳು ಸ್ವೀಕರಿಸುವುದು ಕಷ್ಟ. ಡಾಟಾ ಮೈನಿಂಗ್ (ಡಿಎಂ) ಎನ್ನುವುದು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾ 6,21,22 ರ ನಡುವೆ ಉಪಯುಕ್ತ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ಒಂದು ವಿಧಾನವಾಗಿ ನಿರೀಕ್ಷಿತ ಆದರೆ ಅನಿರೀಕ್ಷಿತ ಮಾಹಿತಿಯನ್ನು ಸಹ ಕಂಡುಹಿಡಿಯಬಲ್ಲ ಒಂದು ತಂತ್ರವಾಗಿದೆ. ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಎರಡೂ ದತ್ತಾಂಶದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಒಂದೇ ಪ್ರಮುಖ ಕ್ರಮಾವಳಿಗಳನ್ನು ಬಳಸುತ್ತವೆ. ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯನ್ನು ಬಳಸುವ ವಯಸ್ಸಿನ ಅಂದಾಜು ಗುರಿ ಹಲ್ಲುಗಳ ಪರಿಪಕ್ವತೆಯ ಪರೀಕ್ಷಕರ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿದೆ, ಮತ್ತು ಈ ಮೌಲ್ಯಮಾಪನವನ್ನು ಪ್ರತಿ ಗುರಿ ಹಲ್ಲಿನ ಒಂದು ಹಂತವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ. ಹಲ್ಲಿನ ಮೌಲ್ಯಮಾಪನ ಹಂತ ಮತ್ತು ನಿಜವಾದ ವಯಸ್ಸಿನ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಡಿಎಂ ಅನ್ನು ಬಳಸಬಹುದು ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬದಲಾಯಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. ಆದ್ದರಿಂದ, ನಾವು ವಯಸ್ಸಿನ ಅಂದಾಜುಗೆ ಡಿಎಂ ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸಿದರೆ, ಕಾನೂನು ಹೊಣೆಗಾರಿಕೆಯ ಬಗ್ಗೆ ಚಿಂತಿಸದೆ ನಾವು ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಅಂದಾಜಿನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. ವಿಧಿವಿಜ್ಞಾನದ ಅಭ್ಯಾಸದಲ್ಲಿ ಬಳಸುವ ಸಾಂಪ್ರದಾಯಿಕ ಕೈಪಿಡಿ ವಿಧಾನಗಳು ಮತ್ತು ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ನಿರ್ಧರಿಸಲು ಇಬಿಎಂ ಆಧಾರಿತ ವಿಧಾನಗಳಿಗೆ ಸಂಭವನೀಯ ಪರ್ಯಾಯಗಳ ಕುರಿತು ಹಲವಾರು ತುಲನಾತ್ಮಕ ಅಧ್ಯಯನಗಳನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಕ್ಯಾಮೆರರ್ ಸೂತ್ರಕ್ಕಿಂತ ಡಿಎಂ ಮಾದರಿ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ಶೆನ್ ಮತ್ತು ಇತರರು ತೋರಿಸಿದ್ದಾರೆ. ಗಲಿಬೋರ್ಗ್ ಮತ್ತು ಇತರರು 24 ಡಿಮಿರ್ಡ್ಜಿಯಾನ್ ಮಾನದಂಡ 25 ರ ಪ್ರಕಾರ ವಯಸ್ಸನ್ನು to ಹಿಸಲು ವಿಭಿನ್ನ ಡಿಎಂ ವಿಧಾನಗಳನ್ನು ಅನ್ವಯಿಸಿದರು ಮತ್ತು ಫಲಿತಾಂಶಗಳು ಫ್ರೆಂಚ್ ಜನಸಂಖ್ಯೆಯ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ ಡಿಎಂ ವಿಧಾನವು ಡಿಮಿರ್ಡ್ಜಿಯಾನ್ ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸಿದೆ ಎಂದು ತೋರಿಸಿದೆ.
ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು, ಲೀ ಅವರ ವಿಧಾನ 4 ಅನ್ನು ಕೊರಿಯನ್ ವಿಧಿವಿಜ್ಞಾನದ ಅಭ್ಯಾಸದಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಈ ವಿಧಾನವು ಕೊರಿಯನ್ ವಿಷಯಗಳು ಮತ್ತು ಕಾಲಾನುಕ್ರಮದ ವಯಸ್ಸಿನ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪರೀಕ್ಷಿಸಲು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು (ಬಹು ಹಿಂಜರಿತದಂತಹ) ಬಳಸುತ್ತದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪಡೆದ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಾನಗಳನ್ನು "ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಲೀ ಅವರ ವಿಧಾನವು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವಾಗಿದೆ, ಮತ್ತು ಅದರ ನಿಖರತೆಯನ್ನು ಓಹ್ ಮತ್ತು ಇತರರು ದೃ confirmed ಪಡಿಸಿದ್ದಾರೆ. 5; ಆದಾಗ್ಯೂ, ಕೊರಿಯನ್ ವಿಧಿವಿಜ್ಞಾನದ ಅಭ್ಯಾಸದಲ್ಲಿ ಡಿಎಂ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿದ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಅನ್ವಯಿಸುವಿಕೆ ಇನ್ನೂ ಪ್ರಶ್ನಾರ್ಹವಾಗಿದೆ. ಡಿಎಂ ಮಾದರಿಯನ್ನು ಆಧರಿಸಿ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಸಂಭಾವ್ಯ ಉಪಯುಕ್ತತೆಯನ್ನು ವೈಜ್ಞಾನಿಕವಾಗಿ ಮೌಲ್ಯೀಕರಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿತ್ತು. ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶವು (1) ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ ಎರಡು ಡಿಎಂ ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಹೋಲಿಸುವುದು ಮತ್ತು (2) 18 ವರ್ಷ ವಯಸ್ಸಿನಲ್ಲಿ 7 ಡಿಎಂ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸುವುದು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳ ಮುಕ್ತಾಯವನ್ನು ಬಳಸಿಕೊಂಡು ಎರಡನೆಯದು ಮತ್ತು ಎರಡೂ ದವಡೆಗಳಲ್ಲಿ ಮೂರನೇ ಮೋಲಾರ್‌ಗಳು.
ಹಂತ ಮತ್ತು ಹಲ್ಲಿನ ಪ್ರಕಾರದ ಪ್ರಕಾರ ಕಾಲಾನುಕ್ರಮದ ಯುಗದ ವಿಧಾನಗಳು ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನಗಳನ್ನು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಪೂರಕ ಟೇಬಲ್ ಎಸ್ 1 (ತರಬೇತಿ ಸೆಟ್), ಪೂರಕ ಟೇಬಲ್ ಎಸ್ 2 (ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್), ಮತ್ತು ಪೂರಕ ಕೋಷ್ಟಕ ಎಸ್ 3 (ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್) ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ತರಬೇತಿ ಗುಂಪಿನಿಂದ ಪಡೆದ ಇಂಟ್ರಾ- ಮತ್ತು ಇಂಟರ್-ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಗಾಗಿ ಕಪ್ಪಾ ಮೌಲ್ಯಗಳು ಕ್ರಮವಾಗಿ 0.951 ಮತ್ತು 0.947. ಕಪ್ಪಾ ಮೌಲ್ಯಗಳಿಗೆ ಪಿ ಮೌಲ್ಯಗಳು ಮತ್ತು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರಗಳನ್ನು ಆನ್‌ಲೈನ್ ಪೂರಕ ಕೋಷ್ಟಕ ಎಸ್ 4 ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಕಪ್ಪಾ ಮೌಲ್ಯವನ್ನು ಲ್ಯಾಂಡಿಸ್ ಮತ್ತು ಕೋಚ್ 26 ರ ಮಾನದಂಡಗಳಿಗೆ ಅನುಗುಣವಾಗಿ "ಬಹುತೇಕ ಪರಿಪೂರ್ಣ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ.
ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷವನ್ನು (ಎಂಎಇ) ಹೋಲಿಸಿದಾಗ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು ಎಲ್ಲಾ ಲಿಂಗಗಳಿಗೆ ಮತ್ತು ಬಾಹ್ಯ ಪುರುಷ ಪರೀಕ್ಷಾ ಗುಂಪಿನಲ್ಲಿ ಡಿಎಂ ಮಾದರಿಯನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಮೀರಿಸುತ್ತದೆ, ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ (ಎಂಎಲ್‌ಪಿ) ಹೊರತುಪಡಿಸಿ. ಆಂತರಿಕ ಎಂಎಇ ಪರೀಕ್ಷಾ ಗುಂಪಿನಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿ ಮತ್ತು ಡಿಎಂ ಮಾದರಿಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಪುರುಷರಿಗೆ 0.12–0.19 ವರ್ಷಗಳು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ 0.17–0.21 ವರ್ಷಗಳು. ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಬ್ಯಾಟರಿಗೆ, ವ್ಯತ್ಯಾಸಗಳು ಚಿಕ್ಕದಾಗಿದೆ (ಪುರುಷರಿಗೆ 0.001–0.05 ವರ್ಷಗಳು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ 0.05–0.09 ವರ್ಷಗಳು). ಹೆಚ್ಚುವರಿಯಾಗಿ, ಮೂಲ ಸರಾಸರಿ ಚದರ ದೋಷ (ಆರ್‌ಎಂಎಸ್‌ಇ) ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಕ್ಕಿಂತ ಸ್ವಲ್ಪ ಕಡಿಮೆಯಾಗಿದೆ, ಸಣ್ಣ ವ್ಯತ್ಯಾಸಗಳೊಂದಿಗೆ (ಪುರುಷ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಗುಂಪಿಗೆ 0.17–0.24, 0.2–0.24, ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಗುಂಪಿಗೆ 0.03–0.07, 0.04–0.08). ). ಸ್ತ್ರೀ ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಗುಂಪಿನ ಸಂದರ್ಭವನ್ನು ಹೊರತುಪಡಿಸಿ, ಎಮ್‌ಎಲ್‌ಪಿ ಸಿಂಗಲ್ ಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ (ಎಸ್‌ಎಲ್‌ಪಿ) ಗಿಂತ ಸ್ವಲ್ಪ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. MAE ಮತ್ತು RMSE ಗಾಗಿ, ಬಾಹ್ಯ ಪರೀಕ್ಷೆಯು ಎಲ್ಲಾ ಲಿಂಗಗಳು ಮತ್ತು ಮಾದರಿಗಳಿಗೆ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್ಗಿಂತ ಹೆಚ್ಚಿನ ಅಂಕಗಳನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಎಲ್ಲಾ MAE ಮತ್ತು RMSE ಅನ್ನು ಟೇಬಲ್ 1 ಮತ್ತು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಹಿಂಜರಿತ ಮಾದರಿಗಳ MAE ಮತ್ತು RMSE. ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ MAE, ರೂಟ್ ಮೀನ್ ಸ್ಕ್ವೇರ್ ದೋಷ RMSE, ಏಕ ಪದರದ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಎಸ್‌ಎಲ್‌ಪಿ, ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ಎಂಎಲ್‌ಪಿ, ಸಾಂಪ್ರದಾಯಿಕ ಸಿಎಮ್ ವಿಧಾನ.
ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು ಡಿಎಂ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆ (18 ವರ್ಷಗಳ ಕಡಿತದೊಂದಿಗೆ) ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, ಸಕಾರಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (ಪಿಪಿವಿ), ನಕಾರಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (ಎನ್‌ಪಿವಿ), ಮತ್ತು ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಕ್ಯಾರೆಕ್ಟಿಸ್ಟಿಕ್ ಕರ್ವ್ (AUROC) ಅಡಿಯಲ್ಲಿ ಪ್ರದೇಶದ ದೃಷ್ಟಿಯಿಂದ ಪ್ರದರ್ಶಿಸಲ್ಪಟ್ಟಿದೆ 27 (ಕೋಷ್ಟಕ 2, ಚಿತ್ರ 2 ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 1 ಆನ್‌ಲೈನ್). ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಬ್ಯಾಟರಿಯ ಸೂಕ್ಷ್ಮತೆಯ ದೃಷ್ಟಿಯಿಂದ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಮಹಿಳೆಯರಲ್ಲಿ ಕೆಟ್ಟದಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು ಎಸ್‌ಡಿ ನಡುವಿನ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸವು ಪುರುಷರಿಗೆ (ಎಮ್‌ಎಲ್‌ಪಿ) 9.7% ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ ಕೇವಲ 2.4% (ಎಕ್ಸ್‌ಜಿಬೂಸ್ಟ್) ಆಗಿದೆ. ಡಿಎಂ ಮಾದರಿಗಳಲ್ಲಿ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ (ಎಲ್ಆರ್) ಎರಡೂ ಲಿಂಗಗಳಲ್ಲಿ ಉತ್ತಮ ಸಂವೇದನೆಯನ್ನು ತೋರಿಸಿದೆ. ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಗುಂಪಿನ ನಿರ್ದಿಷ್ಟತೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ನಾಲ್ಕು ಎಸ್‌ಡಿ ಮಾದರಿಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿರುವುದನ್ನು ಗಮನಿಸಲಾಯಿತು, ಆದರೆ ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿಯು ಸ್ತ್ರೀಯರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು. ಗಂಡು ಮತ್ತು ಹೆಣ್ಣುಮಕ್ಕಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸಗಳು ಕ್ರಮವಾಗಿ 13.3% (ಎಮ್‌ಎಲ್‌ಪಿ) ಮತ್ತು 13.1% (ಎಮ್‌ಎಲ್‌ಪಿ), ಇದು ಮಾದರಿಗಳ ನಡುವಿನ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸವು ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಮೀರಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಡಿಎಂ ಮಾದರಿಗಳಲ್ಲಿ, ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಯಂತ್ರ (ಎಸ್‌ವಿಎಂ), ನಿರ್ಧಾರ ಮರ (ಡಿಟಿ), ಮತ್ತು ಯಾದೃಚ್ fore ಿಕ ಅರಣ್ಯ (ಆರ್‌ಎಫ್) ಮಾದರಿಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದವು, ಆದರೆ ಎಲ್ಆರ್ ಮಾದರಿಯು ಮಹಿಳೆಯರಲ್ಲಿ ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡಿತು. ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿ ಮತ್ತು ಎಲ್ಲಾ ಎಸ್‌ಡಿ ಮಾದರಿಗಳ AUROC 0.925 (ಪುರುಷರಲ್ಲಿ ಕೆ-ಹತ್ತಿರದ ನೆರೆಹೊರೆಯ (ಕೆಎನ್‌ಎನ್)) ಗಿಂತ ಹೆಚ್ಚಿತ್ತು, ಇದು 18 ವರ್ಷದ ಮಾದರಿಗಳನ್ನು ತಾರತಮ್ಯ ಮಾಡುವಲ್ಲಿ ಅತ್ಯುತ್ತಮ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಗುಂಪಿಗೆ, ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಗುಂಪಿಗೆ ಹೋಲಿಸಿದರೆ ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ ಮತ್ತು AUROC ವಿಷಯದಲ್ಲಿ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಇಳಿಕೆ ಕಂಡುಬಂದಿದೆ. ಇದಲ್ಲದೆ, ಉತ್ತಮ ಮತ್ತು ಕೆಟ್ಟ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಡುವಿನ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯ ವ್ಯತ್ಯಾಸವು 10% ರಿಂದ 25% ವರೆಗೆ ಇರುತ್ತದೆ ಮತ್ತು ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಗುಂಪಿನಲ್ಲಿನ ವ್ಯತ್ಯಾಸಕ್ಕಿಂತ ದೊಡ್ಡದಾಗಿದೆ.
ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆ 18 ವರ್ಷಗಳ ಕಡಿತದೊಂದಿಗೆ. ಕೆಎನ್‌ಎನ್ ಕೆ ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರು, ಎಸ್‌ವಿಎಂ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ, ಎಲ್ಆರ್ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, ಡಿಟಿ ನಿರ್ಧಾರ ಮರ, ಆರ್ಎಫ್ ಯಾದೃಚ್ forest ಿಕ ಫಾರೆಸ್ಟ್, ಎಕ್ಸ್‌ಜಿಬಿ ಎಕ್ಸ್‌ಜಿಬೂಸ್ಟ್, ಎಂಎಲ್‌ಪಿ ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್, ಸಾಂಪ್ರದಾಯಿಕ ಸಿಎಮ್ ವಿಧಾನ.
ಈ ಅಧ್ಯಯನದ ಮೊದಲ ಹಂತವೆಂದರೆ ಏಳು ಡಿಎಂ ಮಾದರಿಗಳಿಂದ ಪಡೆದ ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳ ನಿಖರತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಪಡೆದವರೊಂದಿಗೆ ಹೋಲಿಸುವುದು. MAE ಮತ್ತು RMSE ಅನ್ನು ಎರಡೂ ಲಿಂಗಗಳಿಗೆ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್ಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ, ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನ ಮತ್ತು ಡಿಎಂ ಮಾದರಿಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು MAE ಗೆ 44 ರಿಂದ 77 ದಿನಗಳವರೆಗೆ ಮತ್ತು RMSE ಗೆ 62 ರಿಂದ 88 ದಿನಗಳವರೆಗೆ ಇರುತ್ತದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು ಸ್ವಲ್ಪ ಹೆಚ್ಚು ನಿಖರವಾಗಿದ್ದರೂ, ಅಂತಹ ಸಣ್ಣ ವ್ಯತ್ಯಾಸವು ಕ್ಲಿನಿಕಲ್ ಅಥವಾ ಪ್ರಾಯೋಗಿಕ ಮಹತ್ವವನ್ನು ಹೊಂದಿದೆಯೇ ಎಂದು ತೀರ್ಮಾನಿಸುವುದು ಕಷ್ಟ. ಈ ಫಲಿತಾಂಶಗಳು ಡಿಎಂ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ನಿಖರತೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದಂತೆಯೇ ಇರುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ನೇರ ಹೋಲಿಕೆ ಕಷ್ಟ, ಏಕೆಂದರೆ ಯಾವುದೇ ಅಧ್ಯಯನವು ಡಿಎಂ ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳೊಂದಿಗೆ ಹೋಲಿಸಿಲ್ಲ, ಈ ಅಧ್ಯಯನದಂತೆಯೇ ಅದೇ ವಯಸ್ಸಿನ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಹಲ್ಲುಗಳನ್ನು ದಾಖಲಿಸುವ ಅದೇ ತಂತ್ರವನ್ನು ಬಳಸುತ್ತದೆ. ಗಲಿಬೋರ್ಗ್ ಮತ್ತು ಇತರರು 24 ಮಾ ಮತ್ತು ಆರ್‌ಎಂಎಸ್‌ಇಯನ್ನು ಎರಡು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳ ನಡುವೆ (ಡೆಮಿರ್ಜಿಯನ್ ವಿಧಾನ 25 ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನ 29) ಮತ್ತು 2 ರಿಂದ 24 ವರ್ಷ ವಯಸ್ಸಿನ ಫ್ರೆಂಚ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ 10 ಡಿಎಂ ಮಾದರಿಗಳ ನಡುವೆ ಹೋಲಿಸಿದ್ದಾರೆ. ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಎಲ್ಲಾ ಡಿಎಂ ಮಾದರಿಗಳು ಹೆಚ್ಚು ನಿಖರವಾಗಿವೆ ಎಂದು ಅವರು ವರದಿ ಮಾಡಿದ್ದಾರೆ, MAE ಯಲ್ಲಿ 0.20 ಮತ್ತು 0.38 ವರ್ಷಗಳ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು ಕ್ರಮವಾಗಿ ವಿಲ್ಲೆಮ್ಸ್ ಮತ್ತು ಡಿಮಿರ್ಡ್ಜಿಯಾನ್ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ RMSE ನಲ್ಲಿ 0.25 ಮತ್ತು 0.47 ವರ್ಷಗಳ ವ್ಯತ್ಯಾಸಗಳು. ಹ್ಯಾಲಿಬರ್ಗ್ ಅಧ್ಯಯನದಲ್ಲಿ ತೋರಿಸಿರುವ ಎಸ್‌ಡಿ ಮಾದರಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಹಲವಾರು ವರದಿಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ 30,31,32,33 ಡೆಮಿಡ್ಜಿಯಾನ್ ವಿಧಾನವು ಅಧ್ಯಯನವನ್ನು ಆಧರಿಸಿದ ಫ್ರೆಂಚ್ ಕೆನಡಿಯನ್ನರನ್ನು ಹೊರತುಪಡಿಸಿ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ನಿಖರವಾಗಿ ಅಂದಾಜು ಮಾಡುವುದಿಲ್ಲ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ. ತೈ ಮತ್ತು ಇತರರು 34 1636 ರ ಚೀನೀ ಆರ್ಥೊಡಾಂಟಿಕ್ s ಾಯಾಚಿತ್ರಗಳಿಂದ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು to ಹಿಸಲು ಎಂಎಲ್‌ಪಿ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಿದರು ಮತ್ತು ಅದರ ನಿಖರತೆಯನ್ನು ಡೆಮಿರ್ಜಿಯನ್ ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನದ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದರು. ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಎಂಎಲ್‌ಪಿ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ಅವರು ವರದಿ ಮಾಡಿದ್ದಾರೆ. ಡಿಮಿರ್ಡ್ಜಿಯಾನ್ ವಿಧಾನ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು <0.32 ವರ್ಷಗಳು, ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನವು 0.28 ವರ್ಷಗಳು, ಇದು ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೋಲುತ್ತದೆ. ಈ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಫಲಿತಾಂಶಗಳು 24,34 ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳಿಗೆ ಅನುಗುಣವಾಗಿರುತ್ತವೆ ಮತ್ತು ಡಿಎಂ ಮಾದರಿಯ ವಯಸ್ಸಿನ ಅಂದಾಜು ನಿಖರತೆ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು ಹೋಲುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಪ್ರಸ್ತುತಪಡಿಸಿದ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಡಿಎಂ ಮಾದರಿಗಳ ಬಳಕೆಯು ತುಲನಾತ್ಮಕ ಮತ್ತು ಉಲ್ಲೇಖದ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಕೊರತೆಯಿಂದಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು ಎಂದು ನಾವು ಎಚ್ಚರಿಕೆಯಿಂದ ತೀರ್ಮಾನಿಸಬಹುದು. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು ದೃ to ೀಕರಿಸಲು ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ಬಳಸುವ ಅನುಸರಣಾ ಅಧ್ಯಯನಗಳು ಅಗತ್ಯವಿದೆ.
ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ ಎಸ್‌ಡಿಯ ನಿಖರತೆಯನ್ನು ಪರೀಕ್ಷಿಸುವ ಅಧ್ಯಯನಗಳಲ್ಲಿ, ಕೆಲವರು ನಮ್ಮ ಅಧ್ಯಯನಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ತೋರಿಸಿದ್ದಾರೆ. ಸ್ಟೆಪನೋವ್ಸ್ಕಿ ಮತ್ತು ಇತರರು 35 2.7 ರಿಂದ 20.5 ವರ್ಷ ವಯಸ್ಸಿನ 976 ಜೆಕ್ ನಿವಾಸಿಗಳ ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳಿಗೆ 22 ಎಸ್‌ಡಿ ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸಿದರು ಮತ್ತು ಪ್ರತಿ ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿದರು. ಮೂರೀಸ್ ಮತ್ತು ಇತರರು ಪ್ರಸ್ತಾಪಿಸಿದ ವರ್ಗೀಕರಣ ಮಾನದಂಡಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಒಟ್ಟು 16 ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ಎಡ ಶಾಶ್ವತ ಹಲ್ಲುಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಅವರು ನಿರ್ಣಯಿಸಿದ್ದಾರೆ. MAE 0.64 ರಿಂದ 0.94 ವರ್ಷಗಳವರೆಗೆ ಇರುತ್ತದೆ ಮತ್ತು RMSE 0.85 ರಿಂದ 1.27 ವರ್ಷಗಳವರೆಗೆ ಇರುತ್ತದೆ, ಇದು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಿದ ಎರಡು ಡಿಎಂ ಮಾದರಿಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ. 5 ರಿಂದ 13 ವರ್ಷ ವಯಸ್ಸಿನ ಪೂರ್ವ ಚೀನೀ ನಿವಾಸಿಗಳಲ್ಲಿ ಎಡ ಮಾಂಡಬಲ್ನಲ್ಲಿ ಏಳು ಶಾಶ್ವತ ಹಲ್ಲುಗಳ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಶೆನ್ ಮತ್ತು ಇತರರು ಕ್ಯಾಮೆರಿಯರ್ ವಿಧಾನವನ್ನು ಬಳಸಿದರು ಮತ್ತು ಇದನ್ನು ರೇಖೀಯ ಹಿಂಜರಿತ, ಎಸ್‌ವಿಎಂ ಮತ್ತು ಆರ್ಎಫ್ ಬಳಸಿ ಅಂದಾಜು ಮಾಡಲಾದ ವಯಸ್ಸಿನೊಂದಿಗೆ ಹೋಲಿಸಿದ್ದಾರೆ. ಸಾಂಪ್ರದಾಯಿಕ ಕ್ಯಾಮೆರಿಯರ್ ಸೂತ್ರಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಎಲ್ಲಾ ಮೂರು ಡಿಎಂ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಅವರು ತೋರಿಸಿದರು. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಡಿಎಂ ಮಾದರಿಯಲ್ಲಿರಿಗಿಂತ ಶೆನ್‌ನ ಅಧ್ಯಯನದಲ್ಲಿ ಎಂಎಇ ಮತ್ತು ಆರ್‌ಎಂಎಸ್‌ಇ ಕಡಿಮೆ ಇತ್ತು. ಸ್ಟೆಪನೋವ್ಸ್ಕಿ ಮತ್ತು ಇತರರಿಂದ ಅಧ್ಯಯನಗಳ ಹೆಚ್ಚಿದ ನಿಖರತೆ. 35 ಮತ್ತು ಶೆನ್ ಮತ್ತು ಇತರರು. 23 ತಮ್ಮ ಅಧ್ಯಯನದ ಮಾದರಿಗಳಲ್ಲಿ ಕಿರಿಯ ವಿಷಯಗಳನ್ನು ಸೇರಿಸುವುದರಿಂದಾಗಿರಬಹುದು. ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ಸಮಯದಲ್ಲಿ ಹಲ್ಲುಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿರುವ ಹಲ್ಲುಗಳನ್ನು ಹೊಂದಿರುವ ಭಾಗವಹಿಸುವವರಿಗೆ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳು ಹೆಚ್ಚು ನಿಖರವಾಗಿರುವುದರಿಂದ, ಅಧ್ಯಯನ ಭಾಗವಹಿಸುವವರು ಕಿರಿಯರಾಗಿರುವಾಗ ಫಲಿತಾಂಶದ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಾನದ ನಿಖರತೆಯು ಹೊಂದಾಣಿಕೆ ಮಾಡಿಕೊಳ್ಳಬಹುದು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ವಯಸ್ಸಿನ ಅಂದಾಜಿನಲ್ಲಿ ಎಂಎಲ್‌ಪಿಯ ದೋಷವು ಎಸ್‌ಎಲ್‌ಪಿಗಿಂತ ಸ್ವಲ್ಪ ಚಿಕ್ಕದಾಗಿದೆ, ಅಂದರೆ ಎಮ್‌ಎಲ್‌ಪಿ ಎಸ್‌ಎಲ್‌ಪಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ. ವಯಸ್ಸಿನ ಅಂದಾಜುಗಾಗಿ ಎಮ್‌ಎಲ್‌ಪಿಯನ್ನು ಸ್ವಲ್ಪ ಉತ್ತಮವಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಬಹುಶಃ ಎಮ್‌ಎಲ್‌ಪಿ 38 ರಲ್ಲಿನ ಗುಪ್ತ ಪದರಗಳಿಂದಾಗಿ. ಆದಾಗ್ಯೂ, ಮಹಿಳೆಯರ ಹೊರಗಿನ ಮಾದರಿಗೆ ಒಂದು ವಿನಾಯಿತಿ ಇದೆ (ಎಸ್‌ಎಲ್‌ಪಿ 1.45, ಎಮ್‌ಎಲ್‌ಪಿ 1.49). ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸುವಲ್ಲಿ ಎಸ್‌ಎಲ್‌ಪಿಗಿಂತ ಎಂಎಲ್‌ಪಿ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ಕಂಡುಹಿಡಿಯಲು ಹೆಚ್ಚುವರಿ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳು ಬೇಕಾಗುತ್ತವೆ.
ಡಿಎಂ ಮಾದರಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮತ್ತು 18 ವರ್ಷಗಳ ಮಿತಿಯಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವನ್ನು ಸಹ ಹೋಲಿಸಲಾಗಿದೆ. ಎಲ್ಲಾ ಪರೀಕ್ಷಿತ ಎಸ್‌ಡಿ ಮಾದರಿಗಳು ಮತ್ತು ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಗುಂಪಿನಲ್ಲಿನ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು 18 ವರ್ಷದ ಮಾದರಿಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸ್ವೀಕಾರಾರ್ಹ ಮಟ್ಟದ ತಾರತಮ್ಯವನ್ನು ತೋರಿಸಿದೆ. ಪುರುಷರು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ ಸೂಕ್ಷ್ಮತೆಯು ಕ್ರಮವಾಗಿ 87.7% ಮತ್ತು 94.9% ಕ್ಕಿಂತ ಹೆಚ್ಚಿತ್ತು, ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು 89.3% ಮತ್ತು 84.7% ಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿದೆ. ಪರೀಕ್ಷಿತ ಎಲ್ಲಾ ಮಾದರಿಗಳ AUROC 0.925 ಮೀರಿದೆ. ನಮ್ಮ ಜ್ಞಾನದ ಅತ್ಯುತ್ತಮವಾಗಿ, ಹಲ್ಲಿನ ಪರಿಪಕ್ವತೆಯ ಆಧಾರದ ಮೇಲೆ 18 ವರ್ಷಗಳ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಡಿಎಂ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಯಾವುದೇ ಅಧ್ಯಯನವು ಪರೀಕ್ಷಿಸಿಲ್ಲ. ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳಲ್ಲಿನ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯೊಂದಿಗೆ ನಾವು ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಬಹುದು. ಗುವೊ ಮತ್ತು ಇತರರು. ಸಿಎನ್‌ಎನ್ ಆಧಾರಿತ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮತ್ತು ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನ ಮಿತಿಗಾಗಿ ಡೆಮಿರ್ಜಿಯಾನ್ ವಿಧಾನವನ್ನು ಆಧರಿಸಿದ ಹಸ್ತಚಾಲಿತ ವಿಧಾನವನ್ನು ಲೆಕ್ಕಹಾಕಿದ್ದಾರೆ. ಹಸ್ತಚಾಲಿತ ವಿಧಾನದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು ಕ್ರಮವಾಗಿ 87.7% ಮತ್ತು 95.5%, ಮತ್ತು ಸಿಎನ್‌ಎನ್ ಮಾದರಿಯ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು ಕ್ರಮವಾಗಿ 89.2% ಮತ್ತು 86.6% ಮೀರಿದೆ. ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ವಯಸ್ಸಿನ ಮಿತಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಲ್ಲಿ ಹಸ್ತಚಾಲಿತ ಮೌಲ್ಯಮಾಪನವನ್ನು ಬದಲಾಯಿಸಬಹುದು ಅಥವಾ ಮೀರಿಸಬಹುದು ಎಂದು ಅವರು ತೀರ್ಮಾನಿಸಿದರು. ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಇದೇ ರೀತಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಿದವು; ಡಿಎಂ ಮಾದರಿಗಳನ್ನು ಬಳಸುವ ವರ್ಗೀಕರಣವು ವಯಸ್ಸಿನ ಅಂದಾಜುಗಾಗಿ ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು ಎಂದು ನಂಬಲಾಗಿದೆ. ಮಾದರಿಗಳಲ್ಲಿ, ಪುರುಷ ಮಾದರಿಗೆ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಸ್ತ್ರೀ ಮಾದರಿಗೆ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯ ದೃಷ್ಟಿಯಿಂದ ಡಿಎಂ ಎಲ್ಆರ್ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯಾಗಿದೆ. ಎಲ್ಆರ್ ಪುರುಷರಿಗೆ ನಿರ್ದಿಷ್ಟತೆಯಲ್ಲಿ ಎರಡನೇ ಸ್ಥಾನದಲ್ಲಿದೆ. ಇದಲ್ಲದೆ, ಎಲ್ಆರ್ ಅನ್ನು ಹೆಚ್ಚು ಬಳಕೆದಾರ ಸ್ನೇಹಿ ಡಿಎಂ 35 ಮಾದರಿಗಳಲ್ಲಿ ಒಂದೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಕಡಿಮೆ ಸಂಕೀರ್ಣ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಈ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ಕೊರಿಯಾದ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ 18 ವರ್ಷ ವಯಸ್ಸಿನವರಿಗೆ ಎಲ್ಆರ್ ಅನ್ನು ಅತ್ಯುತ್ತಮ ಕಟ್ಆಫ್ ವರ್ಗೀಕರಣ ಮಾದರಿ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.
ಒಟ್ಟಾರೆಯಾಗಿ, ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್ನಲ್ಲಿನ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಗುಂಪಿನಲ್ಲಿ ವಯಸ್ಸಿನ ಅಂದಾಜು ಅಥವಾ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಿಖರತೆ ಕಳಪೆಯಾಗಿದೆ ಅಥವಾ ಕಡಿಮೆ. ಕೊರಿಯನ್ ಜನಸಂಖ್ಯೆಯನ್ನು ಆಧರಿಸಿದ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳನ್ನು ಜಪಾನಿನ ಜನಸಂಖ್ಯೆಗೆ ಅನ್ವಯಿಸಿದಾಗ ವರ್ಗೀಕರಣದ ನಿಖರತೆ ಅಥವಾ ದಕ್ಷತೆಯು ಕಡಿಮೆಯಾಗುತ್ತದೆ ಎಂದು ಕೆಲವು ವರದಿಗಳು ಸೂಚಿಸುತ್ತವೆ, ಮತ್ತು ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ಇದೇ ಮಾದರಿಯನ್ನು ಕಂಡುಬಂದಿದೆ. ಡಿಎಂ ಮಾದರಿಯಲ್ಲಿ ಈ ಕ್ಷೀಣಿಸುವ ಪ್ರವೃತ್ತಿಯನ್ನು ಸಹ ಗಮನಿಸಲಾಗಿದೆ. ಆದ್ದರಿಂದ, ವಯಸ್ಸನ್ನು ನಿಖರವಾಗಿ ಅಂದಾಜು ಮಾಡಲು, ವಿಶ್ಲೇಷಣಾ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಡಿಎಂ ಬಳಸುವಾಗಲೂ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಂತಹ ಸ್ಥಳೀಯ ಜನಸಂಖ್ಯೆಯ ದತ್ತಾಂಶಗಳಿಂದ ಪಡೆದ ವಿಧಾನಗಳಿಗೆ 5,39,40,41,42 ಆದ್ಯತೆ ನೀಡಬೇಕು. ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಇದೇ ರೀತಿಯ ಪ್ರವೃತ್ತಿಗಳನ್ನು ತೋರಿಸಬಹುದೇ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲವಾದ್ದರಿಂದ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು, ಡಿಎಂ ಮಾದರಿಗಳು ಮತ್ತು ಅದೇ ಮಾದರಿಗಳಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವರ್ಗೀಕರಣದ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಹೋಲಿಸುವ ಅಧ್ಯಯನಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸೀಮಿತ ವಯಸ್ಸಿನಲ್ಲಿ ಈ ಜನಾಂಗೀಯ ಅಸಮಾನತೆಗಳನ್ನು ನಿವಾರಿಸಬಹುದೇ ಎಂದು ದೃ to ೀಕರಿಸಲು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ. ಮೌಲ್ಯಮಾಪನಗಳು.
ಕೊರಿಯಾದಲ್ಲಿ ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಅಂದಾಜು ಅಭ್ಯಾಸದಲ್ಲಿ ಡಿಎಂ ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ವಯಸ್ಸಿನ ಅಂದಾಜಿನಿಂದ ಬದಲಾಯಿಸಬಹುದು ಎಂದು ನಾವು ತೋರಿಸುತ್ತೇವೆ. ವಿಧಿವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ನಾವು ಕಂಡುಹಿಡಿದಿದ್ದೇವೆ. ಆದಾಗ್ಯೂ, ಫಲಿತಾಂಶಗಳನ್ನು ಖಚಿತವಾಗಿ ನಿರ್ಧರಿಸಲು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಸಾಕಷ್ಟು ಸಂಖ್ಯೆಯ ಭಾಗವಹಿಸುವವರು ಮತ್ತು ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಲು ಮತ್ತು ದೃ irm ೀಕರಿಸಲು ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಕೊರತೆಯಂತಹ ಸ್ಪಷ್ಟ ಮಿತಿಗಳಿವೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಅದರ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕತೆಯನ್ನು ಸುಧಾರಿಸಲು ಡಿಎಂ ಅಧ್ಯಯನಗಳನ್ನು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಮಾದರಿಗಳು ಮತ್ತು ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಜನಸಂಖ್ಯೆಯೊಂದಿಗೆ ನಡೆಸಬೇಕು. ಬಹು ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು, ಡಿಎಂ ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣದ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಒಂದೇ ಮಾದರಿಗಳಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳೊಂದಿಗೆ ಹೋಲಿಸಲು ಭವಿಷ್ಯದ ಅಧ್ಯಯನಗಳು ಅಗತ್ಯವಿದೆ.
ಅಧ್ಯಯನವು 15 ರಿಂದ 23 ವರ್ಷ ವಯಸ್ಸಿನ ಕೊರಿಯನ್ ಮತ್ತು ಜಪಾನಿನ ವಯಸ್ಕರಿಂದ ಸಂಗ್ರಹಿಸಲಾದ 2,657 ಆರ್ಥೋಗ್ರಾಫಿಕ್ s ಾಯಾಚಿತ್ರಗಳನ್ನು ಬಳಸಿದೆ. ಕೊರಿಯಾದ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು 900 ತರಬೇತಿ ಸೆಟ್‌ಗಳು (19.42 ± 2.65 ವರ್ಷಗಳು) ಮತ್ತು 900 ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳು (19.52 ± 2.59 ವರ್ಷಗಳು) ವಿಂಗಡಿಸಲಾಗಿದೆ. ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ಒಂದು ಸಂಸ್ಥೆಯಲ್ಲಿ (ಸಿಯೋಲ್ ಸೇಂಟ್ ಮೇರಿಸ್ ಆಸ್ಪತ್ರೆ) ಸಂಗ್ರಹಿಸಲಾಯಿತು, ಮತ್ತು ಸ್ವಂತ ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ಎರಡು ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ (ಸಿಯೋಲ್ ನ್ಯಾಷನಲ್ ಯೂನಿವರ್ಸಿಟಿ ಡೆಂಟಲ್ ಹಾಸ್ಪಿಟಲ್ ಮತ್ತು ಯೋನ್ಸಿ ಯೂನಿವರ್ಸಿಟಿ ಡೆಂಟಲ್ ಹಾಸ್ಪಿಟಲ್). ಬಾಹ್ಯ ಪರೀಕ್ಷೆಗಾಗಿ ನಾವು ಮತ್ತೊಂದು ಜನಸಂಖ್ಯೆ ಆಧಾರಿತ ದತ್ತಾಂಶದಿಂದ (ಐವೇಟ್ ಮೆಡಿಕಲ್ ಯೂನಿವರ್ಸಿಟಿ) 857 ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿದ್ದೇವೆ. ಜಪಾನಿನ ವಿಷಯಗಳ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು (19.31 ± 2.60 ವರ್ಷಗಳು) ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಗುಂಪಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ಹಲ್ಲಿನ ಚಿಕಿತ್ಸೆಯ ಸಮಯದಲ್ಲಿ ತೆಗೆದುಕೊಂಡ ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳ ಮೇಲೆ ಹಲ್ಲಿನ ಅಭಿವೃದ್ಧಿಯ ಹಂತಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಡೇಟಾವನ್ನು ಮರುಪರಿಶೀಲಿಸಲಾಗಿದೆ. ಸಂಗ್ರಹಿಸಿದ ಎಲ್ಲಾ ಡೇಟಾವು ಲಿಂಗ, ಹುಟ್ಟಿದ ದಿನಾಂಕ ಮತ್ತು ರೇಡಿಯೋಗ್ರಾಫ್ ದಿನಾಂಕವನ್ನು ಹೊರತುಪಡಿಸಿ ಅನಾಮಧೇಯವಾಗಿತ್ತು. ಸೇರ್ಪಡೆ ಮತ್ತು ಹೊರಗಿಡುವ ಮಾನದಂಡಗಳು ಈ ಹಿಂದೆ ಪ್ರಕಟವಾದ ಅಧ್ಯಯನಗಳು 4, 5 ರಂತೆಯೇ ಇದ್ದವು. ರೇಡಿಯೋಗ್ರಾಫ್ ತೆಗೆದುಕೊಂಡ ದಿನಾಂಕದಿಂದ ಹುಟ್ಟಿದ ದಿನಾಂಕವನ್ನು ಕಳೆಯುವುದರ ಮೂಲಕ ಮಾದರಿಯ ನಿಜವಾದ ವಯಸ್ಸನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ. ಮಾದರಿ ಗುಂಪನ್ನು ಒಂಬತ್ತು ವಯಸ್ಸಿನ ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ವಯಸ್ಸು ಮತ್ತು ಲೈಂಗಿಕ ವಿತರಣೆಗಳನ್ನು ಟೇಬಲ್ 3 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ ಈ ಅಧ್ಯಯನವನ್ನು ಹೆಲ್ಸಿಂಕಿಯ ಘೋಷಣೆಗೆ ಅನುಗುಣವಾಗಿ ನಡೆಸಲಾಯಿತು ಮತ್ತು ಕೊರಿಯಾದ ಕ್ಯಾಥೊಲಿಕ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಿಯೋಲ್ ಸೇಂಟ್ ಮೇರಿಸ್ ಆಸ್ಪತ್ರೆಯ ಸಾಂಸ್ಥಿಕ ಪರಿಶೀಲನಾ ಮಂಡಳಿ (ಐಆರ್ಬಿ) ಅನುಮೋದಿಸಿದೆ (ಕೆಸಿ 22 ವಿಐಎಸ್ಐಐ 0328). ಈ ಅಧ್ಯಯನದ ಹಿಂದಿನ ಅವಲೋಕನ ವಿನ್ಯಾಸದಿಂದಾಗಿ, ಚಿಕಿತ್ಸಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ರೇಡಿಯೋಗ್ರಾಫಿಕ್ ಪರೀಕ್ಷೆಗೆ ಒಳಗಾಗುವ ಎಲ್ಲಾ ರೋಗಿಗಳಿಂದ ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆಯನ್ನು ಪಡೆಯಲಾಗುವುದಿಲ್ಲ. ಸಿಯೋಲ್ ಕೊರಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯ ಸೇಂಟ್ ಮೇರಿಸ್ ಆಸ್ಪತ್ರೆ (ಐಆರ್ಬಿ) ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆಯ ಅಗತ್ಯವನ್ನು ಮನ್ನಾ ಮಾಡಿತು.
ಡಿಮಿರ್ಕಾನ್ ಮಾನದಂಡ 25 ರ ಪ್ರಕಾರ ಬೈಮಾಕ್ಸಿಲರಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಅಭಿವೃದ್ಧಿ ಹಂತಗಳನ್ನು ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿ ದವಡೆಯ ಎಡ ಮತ್ತು ಬಲ ಬದಿಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಹಲ್ಲು ಕಂಡುಬಂದಲ್ಲಿ ಕೇವಲ ಒಂದು ಹಲ್ಲು ಮಾತ್ರ ಆಯ್ಕೆಮಾಡಲ್ಪಟ್ಟಿದೆ. ಎರಡೂ ಬದಿಗಳಲ್ಲಿ ಏಕರೂಪದ ಹಲ್ಲುಗಳು ವಿಭಿನ್ನ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳಲ್ಲಿದ್ದರೆ, ಅಂದಾಜು ವಯಸ್ಸಿನಲ್ಲಿ ಅನಿಶ್ಚಿತತೆಗೆ ಕಾರಣವಾಗಲು ಕಡಿಮೆ ಅಭಿವೃದ್ಧಿ ಹಂತವನ್ನು ಹೊಂದಿರುವ ಹಲ್ಲು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ. ಹಲ್ಲಿನ ಪಕ್ವತೆಯ ಹಂತವನ್ನು ನಿರ್ಧರಿಸಲು ಪೂರ್ವಭಾವಿ ನಂತರ ಇಂಟರ್ -ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಇಬ್ಬರು ಅನುಭವಿ ವೀಕ್ಷಕರು ತರಬೇತಿ ಸೆಟ್ನಿಂದ ಯಾದೃಚ್ ly ಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಗಳಿಸಿದರು. ಇಂಟ್ರಾಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪ್ರಾಥಮಿಕ ವೀಕ್ಷಕನು ಮೂರು ತಿಂಗಳ ಮಧ್ಯಂತರದಲ್ಲಿ ಎರಡು ಬಾರಿ ನಿರ್ಣಯಿಸುತ್ತಾನೆ.
ತರಬೇತಿ ಗುಂಪಿನಲ್ಲಿ ಪ್ರತಿ ದವಡೆಯ ಎರಡನೆಯ ಮತ್ತು ಮೂರನೆಯ ಮೋಲರ್‌ಗಳ ಲೈಂಗಿಕ ಮತ್ತು ಬೆಳವಣಿಗೆಯ ಹಂತವನ್ನು ವಿಭಿನ್ನ ಡಿಎಂ ಮಾದರಿಗಳೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ಪ್ರಾಥಮಿಕ ವೀಕ್ಷಕರಿಂದ ಅಂದಾಜಿಸಲಾಗಿದೆ, ಮತ್ತು ನಿಜವಾದ ವಯಸ್ಸನ್ನು ಗುರಿ ಮೌಲ್ಯವಾಗಿ ನಿಗದಿಪಡಿಸಲಾಗಿದೆ. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಎಸ್‌ಎಲ್‌ಪಿ ಮತ್ತು ಎಂಎಲ್‌ಪಿ ಮಾದರಿಗಳನ್ನು ಹಿಂಜರಿತ ಕ್ರಮಾವಳಿಗಳ ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸಲಾಯಿತು. ಡಿಎಂ ಮಾದರಿಯು ನಾಲ್ಕು ಹಲ್ಲುಗಳ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳನ್ನು ಬಳಸಿಕೊಂಡು ರೇಖೀಯ ಕಾರ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಈ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಎಸ್‌ಎಲ್‌ಪಿ ಸರಳವಾದ ನರ ಜಾಲವಾಗಿದೆ ಮತ್ತು ಗುಪ್ತ ಪದರಗಳನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ. ನೋಡ್‌ಗಳ ನಡುವಿನ ಮಿತಿ ಪ್ರಸರಣವನ್ನು ಆಧರಿಸಿ ಎಸ್‌ಎಲ್‌ಪಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಹಿಂಜರಿತದಲ್ಲಿನ ಎಸ್‌ಎಲ್‌ಪಿ ಮಾದರಿಯು ಗಣಿತಶಾಸ್ತ್ರೀಯವಾಗಿ ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತಕ್ಕೆ ಹೋಲುತ್ತದೆ. ಎಸ್‌ಎಲ್‌ಪಿ ಮಾದರಿಯಂತಲ್ಲದೆ, ಎಂಎಲ್‌ಪಿ ಮಾದರಿಯು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಅನೇಕ ಗುಪ್ತ ಪದರಗಳನ್ನು ಹೊಂದಿದೆ. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಕೇವಲ 20 ಗುಪ್ತ ನೋಡ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಗುಪ್ತ ಪದರವನ್ನು ಬಳಸಿದವು. ನಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡಲು ನಷ್ಟದ ಕಾರ್ಯವಾಗಿ ಗ್ರೇಡಿಯಂಟ್ ಮೂಲವನ್ನು ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನವಾಗಿ ಮತ್ತು MAE ಮತ್ತು RMSE ಅನ್ನು ಬಳಸಿ. ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಪಡೆದ ಹಿಂಜರಿತ ಮಾದರಿಯನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ ಮತ್ತು ಹಲ್ಲುಗಳ ವಯಸ್ಸನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ.
ವರ್ಗೀಕರಣ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ, ಅದು ಒಂದು ಮಾದರಿಯು 18 ವರ್ಷ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು to ಹಿಸಲು ತರಬೇತಿಯಲ್ಲಿ ನಾಲ್ಕು ಹಲ್ಲುಗಳ ಪರಿಪಕ್ವತೆಯನ್ನು ಬಳಸುತ್ತದೆ. ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು, ನಾವು ಏಳು ಪ್ರಾತಿನಿಧ್ಯ ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳನ್ನು 6,43 ಪಡೆದಿದ್ದೇವೆ: (1) ಎಲ್ಆರ್, (2) ಕೆಎನ್‌ಎನ್, (3) ಎಸ್‌ವಿಎಂ, (4) ಡಿಟಿ, (5) ಆರ್ಎಫ್, (6) ಎಕ್ಸ್‌ಜಿಬೂಸ್ಟ್, ಮತ್ತು (7) ಎಂಎಲ್‌ಪಿ . ಎಲ್ಆರ್ ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ವರ್ಗೀಕರಣ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇದು ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಒಂದು ನಿರ್ದಿಷ್ಟ ವರ್ಗಕ್ಕೆ ಸೇರಿದ ಡೇಟಾದ ಸಂಭವನೀಯತೆಯನ್ನು 0 ರಿಂದ 1 ರವರೆಗೆ to ಹಿಸಲು ಹಿಂಜರಿಕೆಯನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಈ ಸಂಭವನೀಯತೆಯ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಸಾಧ್ಯತೆ ವರ್ಗಕ್ಕೆ ಸೇರಿದೆ ಎಂದು ವರ್ಗೀಕರಿಸುತ್ತದೆ; ಮುಖ್ಯವಾಗಿ ಬೈನರಿ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಕೆಎನ್‌ಎನ್ ಸರಳ ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಹೊಸ ಇನ್ಪುಟ್ ಡೇಟಾವನ್ನು ನೀಡಿದಾಗ, ಅದು ಕೆ ಡೇಟಾವನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸೆಟ್ಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ ಮತ್ತು ನಂತರ ಅವುಗಳನ್ನು ಹೆಚ್ಚಿನ ಆವರ್ತನದೊಂದಿಗೆ ವರ್ಗಕ್ಕೆ ವರ್ಗೀಕರಿಸುತ್ತದೆ. ಪರಿಗಣಿಸಲಾದ ನೆರೆಹೊರೆಯವರ ಸಂಖ್ಯೆಗೆ ನಾವು 3 ಅನ್ನು ಹೊಂದಿಸಿದ್ದೇವೆ (ಕೆ). ಎಸ್‌ವಿಎಂ ಒಂದು ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಇದು ಕರ್ನಲ್ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಎರಡು ವರ್ಗಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ರೇಖೀಯ ಜಾಗವನ್ನು ಫೀಲ್ಡ್ಸ್ 46 ಎಂದು ಕರೆಯಲ್ಪಡುವ ರೇಖಾತ್ಮಕವಲ್ಲದ ಜಾಗಕ್ಕೆ ವಿಸ್ತರಿಸುತ್ತದೆ. ಈ ಮಾದರಿಗಾಗಿ, ನಾವು ಬಹುಪದೀಯ ಕರ್ನಲ್‌ಗಾಗಿ ಬಯಾಸ್ = 1, ಪವರ್ = 1, ಮತ್ತು ಗಾಮಾ = 1 ಅನ್ನು ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳಾಗಿ ಬಳಸುತ್ತೇವೆ. ಮರದ ರಚನೆ 47 ರಲ್ಲಿ ನಿರ್ಧಾರ ನಿಯಮಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಮೂಲಕ ಸಂಪೂರ್ಣ ಡೇಟಾವನ್ನು ಹಲವಾರು ಉಪಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಲು ಅಲ್ಗಾರಿದಮ್ ಆಗಿ ಡಿಟಿಯನ್ನು ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅನ್ವಯಿಸಲಾಗಿದೆ. ಮಾದರಿಯನ್ನು 2 ರ ನೋಡ್‌ಗೆ ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯ ದಾಖಲೆಗಳೊಂದಿಗೆ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಗಿನಿ ಸೂಚ್ಯಂಕವನ್ನು ಗುಣಮಟ್ಟದ ಅಳತೆಯಾಗಿ ಬಳಸುತ್ತದೆ. ಆರ್ಎಫ್ ಒಂದು ಸಮಗ್ರ ವಿಧಾನವಾಗಿದ್ದು, ಬೂಟ್ ಸ್ಟ್ರಾಪ್ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು ಅನೇಕ ಡಿಟಿಎಸ್ ಅನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದು ಮೂಲ ಡೇಟಾಸೆಟ್ 48 ರಿಂದ ಒಂದೇ ಗಾತ್ರದ ಮಾದರಿಗಳನ್ನು ಯಾದೃಚ್ ly ಿಕವಾಗಿ ಸೆಳೆಯುವ ಮೂಲಕ ಪ್ರತಿ ಸ್ಯಾಂಪಲ್‌ಗೆ ದುರ್ಬಲ ವರ್ಗೀಕರಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ನಾವು 100 ಮರಗಳು, 10 ಮರದ ಆಳ, 1 ಕನಿಷ್ಠ ನೋಡ್ ಗಾತ್ರ, ಮತ್ತು ಗಿನಿ ಮಿಶ್ರಲೋಹದ ಸೂಚಿಯನ್ನು ನೋಡ್ ಬೇರ್ಪಡಿಸುವ ಮಾನದಂಡವಾಗಿ ಬಳಸಿದ್ದೇವೆ. ಹೊಸ ಡೇಟಾದ ವರ್ಗೀಕರಣವನ್ನು ಬಹುಮತದ ಮತದಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ಎಕ್ಸ್‌ಜಿಬೂಸ್ಟ್ ಎನ್ನುವುದು ಒಂದು ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಹಿಂದಿನ ಮಾದರಿಯ ನೈಜ ಮತ್ತು icted ಹಿಸಲಾದ ಮೌಲ್ಯಗಳ ನಡುವಿನ ದೋಷವನ್ನು ತರಬೇತಿ ದತ್ತಾಂಶವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ವರ್ಧಿಸುವ ತಂತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಗ್ರೇಡಿಯಂಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ದೋಷವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಅದರ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಸಂಪನ್ಮೂಲ ದಕ್ಷತೆಯಿಂದಾಗಿ ಇದು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ, ಜೊತೆಗೆ ಅತಿಯಾದ ತಿದ್ದುಪಡಿ ಕಾರ್ಯವಾಗಿ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸಾರ್ಹತೆ. ಮಾದರಿಯು 400 ಬೆಂಬಲ ಚಕ್ರಗಳನ್ನು ಹೊಂದಿದೆ. ಎಂಎಲ್‌ಪಿ ಒಂದು ನರಮಂಡಲವಾಗಿದ್ದು, ಇದರಲ್ಲಿ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಗ್ರಹಿಕೆಗಳು ಇನ್ಪುಟ್ ಮತ್ತು output ಟ್‌ಪುಟ್ ಲೇಯರ್‌ಗಳ ನಡುವೆ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಗುಪ್ತ ಪದರಗಳೊಂದಿಗೆ ಬಹು ಪದರಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ. ಇದನ್ನು ಬಳಸಿಕೊಂಡು, ನೀವು ರೇಖಾತ್ಮಕವಲ್ಲದ ವರ್ಗೀಕರಣವನ್ನು ಮಾಡಬಹುದು, ಅಲ್ಲಿ ನೀವು ಇನ್ಪುಟ್ ಲೇಯರ್ ಅನ್ನು ಸೇರಿಸಿದಾಗ ಮತ್ತು ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ಪಡೆದಾಗ, result ಹಿಸಲಾದ ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ನಿಜವಾದ ಫಲಿತಾಂಶದ ಮೌಲ್ಯಕ್ಕೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ದೋಷವನ್ನು ಮತ್ತೆ ಪ್ರಚಾರ ಮಾಡಲಾಗುತ್ತದೆ. ನಾವು ಪ್ರತಿ ಪದರದಲ್ಲಿ 20 ಗುಪ್ತ ನ್ಯೂರಾನ್‌ಗಳೊಂದಿಗೆ ಗುಪ್ತ ಪದರವನ್ನು ರಚಿಸಿದ್ದೇವೆ. ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಪ್ರತಿಯೊಂದು ಮಾದರಿಯನ್ನು ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಸೆಟ್‌ಗಳಿಗೆ ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, ಪಿಪಿವಿ, ಎನ್‌ಪಿವಿ ಮತ್ತು AUROC ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಮೂಲಕ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಅನ್ವಯಿಸಲಾಗಿದೆ. ಸೂಕ್ಷ್ಮತೆಯನ್ನು 18 ವರ್ಷ ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನವರು ಎಂದು ಅಂದಾಜಿಸಲಾದ ಮಾದರಿಯ ಅನುಪಾತ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ, ಇದು 18 ವರ್ಷ ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನವರು ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ. ನಿರ್ದಿಷ್ಟತೆಯು 18 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನ ಮಾದರಿಗಳ ಅನುಪಾತ ಮತ್ತು 18 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನವರು ಎಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ.
ತರಬೇತಿ ಗುಂಪಿನಲ್ಲಿ ನಿರ್ಣಯಿಸಲಾದ ಹಲ್ಲಿನ ಹಂತಗಳನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸಂಖ್ಯಾತ್ಮಕ ಹಂತಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಗಿದೆ. ಪ್ರತಿ ಲಿಂಗಕ್ಕೆ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಬಳಸಬಹುದಾದ ಹಿಂಜರಿತ ಸೂತ್ರಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಲು ಮಲ್ಟಿವೇರಿಯೇಟ್ ರೇಖೀಯ ಮತ್ತು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ನಡೆಸಲಾಯಿತು. ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ಹಲ್ಲಿನ ಯುಗವನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಾವು ಈ ಸೂತ್ರಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಹಿಂಜರಿತ ಮತ್ತು ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ಟೇಬಲ್ 4 ತೋರಿಸುತ್ತದೆ.
ಕೊಹೆನ್‌ನ ಕಪ್ಪಾ ಅಂಕಿಅಂಶವನ್ನು ಬಳಸಿಕೊಂಡು ಇಂಟ್ರಾ- ಮತ್ತು ಇಂಟರ್-ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ. ಡಿಎಂ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತ ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು, ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳ ಅಂದಾಜು ಮತ್ತು ನೈಜ ಯುಗಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು MAE ಮತ್ತು RMSE ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ. ಮಾದರಿ ಮುನ್ಸೂಚನೆಗಳ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಈ ದೋಷಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಸಣ್ಣ ದೋಷ, ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆ 24. ಡಿಎಂ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಲಾದ ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳ MAE ಮತ್ತು RMSE ಅನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ. ಸಾಂಪ್ರದಾಯಿಕ ಅಂಕಿಅಂಶಗಳಲ್ಲಿ 18 ವರ್ಷಗಳ ಕಡಿತದ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 2 × 2 ಆಕಸ್ಮಿಕ ಕೋಷ್ಟಕವನ್ನು ಬಳಸಿ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ. ಪರೀಕ್ಷಾ ಗುಂಪಿನ ಲೆಕ್ಕಾಚಾರದ ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, ಪಿಪಿವಿ, ಎನ್‌ಪಿವಿ ಮತ್ತು AUROC ಅನ್ನು ಡಿಎಂ ವರ್ಗೀಕರಣ ಮಾದರಿಯ ಅಳತೆ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಹೋಲಿಸಲಾಗಿದೆ. ಡೇಟಾ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅವಲಂಬಿಸಿ ಡೇಟಾವನ್ನು ಸರಾಸರಿ ± ಸ್ಟ್ಯಾಂಡರ್ಡ್ ವಿಚಲನ ಅಥವಾ ಸಂಖ್ಯೆ (%) ಎಂದು ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ. ಎರಡು-ಬದಿಯ ಪಿ ಮೌಲ್ಯಗಳು <0.05 ಅನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿ ಪರಿಗಣಿಸಲಾಗಿದೆ. ಎಲ್ಲಾ ವಾಡಿಕೆಯ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಎಸ್‌ಎಎಸ್ ಆವೃತ್ತಿ 9.4 (ಎಸ್‌ಎಎಸ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್, ಕ್ಯಾರಿ, ಎನ್‌ಸಿ) ಬಳಸಿ ನಡೆಸಲಾಯಿತು. ಗಣಿತದ ಕಾರ್ಯಾಚರಣೆಗಳಿಗಾಗಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಕೆರಾಸ್ 50 2.2.4 ಬ್ಯಾಕೆಂಡ್ ಮತ್ತು ಟೆನ್ಸರ್ಫ್ಲೋ 51 1.8.0 ಬಳಸಿ ಡಿಎಂ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಪೈಥಾನ್‌ನಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ. ಡಿಎಂ ವರ್ಗೀಕರಣ ಮಾದರಿಯನ್ನು ವೈಕಾಟೊ ಜ್ಞಾನ ವಿಶ್ಲೇಷಣೆ ಪರಿಸರ ಮತ್ತು ಕಾನ್ಸ್ಟಾನ್ಜ್ ಮಾಹಿತಿ ಮೈನರ್ (ಎನ್ಐಎಂಇ) 4.6.152 ವಿಶ್ಲೇಷಣೆ ವೇದಿಕೆಯಲ್ಲಿ ಜಾರಿಗೆ ತರಲಾಯಿತು.
ಅಧ್ಯಯನದ ತೀರ್ಮಾನಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಡೇಟಾವನ್ನು ಲೇಖನ ಮತ್ತು ಪೂರಕ ವಸ್ತುಗಳಲ್ಲಿ ಕಾಣಬಹುದು ಎಂದು ಲೇಖಕರು ಒಪ್ಪಿಕೊಂಡಿದ್ದಾರೆ. ಅಧ್ಯಯನದ ಸಮಯದಲ್ಲಿ ಉತ್ಪತ್ತಿಯಾದ ಮತ್ತು/ಅಥವಾ ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾಸೆಟ್‌ಗಳು ಸಮಂಜಸವಾದ ವಿನಂತಿಯ ಮೇರೆಗೆ ಅನುಗುಣವಾದ ಲೇಖಕರಿಂದ ಲಭ್ಯವಿದೆ.
ರಿಟ್ಜ್-ಟಿಮ್ಮೆ, ಎಸ್. ಮತ್ತು ಇತರರು. ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನ: ವಿಧಿವಿಜ್ಞಾನದ ಅಭ್ಯಾಸದ ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಲು ಕಲೆಯ ಸ್ಥಿತಿ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಲೀಗಲ್ ಮೆಡಿಸಿನ್. 113, 129-136 (2000).
ಷ್ಮೆಲಿಂಗ್, ಎ., ರಿಸಿಂಗರ್, ಡಬ್ಲ್ಯೂ., ಗೆಸೆರಿಕ್, ಜಿ., ಮತ್ತು ಓಲ್ಜೆ, ಎ. ಕ್ರಿಮಿನಲ್ ಮೊಕದ್ದಮೆ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಜೀವಂತ ವಿಷಯಗಳ ವಿಧಿವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನದ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿ. ವಿಧಿವಿಜ್ಞಾನ. ಔಷಧಿ. ರೋಗಶಾಸ್ತ್ರ. 1, 239-246 (2005).
ಪ್ಯಾನ್, ಜೆ. ಮತ್ತು ಇತರರು. ಪೂರ್ವ ಚೀನಾದಲ್ಲಿ 5 ರಿಂದ 16 ವರ್ಷ ವಯಸ್ಸಿನ ಮಕ್ಕಳ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಮಾರ್ಪಡಿಸಿದ ವಿಧಾನ. ಕ್ಲಿನಿಕಲ್. ಮೌಖಿಕ ಸಮೀಕ್ಷೆ. 25, 3463–3474 (2021).
ಲೀ, ಎಸ್‌ಎಸ್ ಇತ್ಯಾದಿ. ಕೊರಿಯನ್ನರಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ವಿಧಿವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಅದರ ಅರ್ಜಿಯ ಕಾಲಗಣನೆ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಲೀಗಲ್ ಮೆಡಿಸಿನ್. 124, 659-665 (2010).
ಓಹ್, ಎಸ್. PLOS ONE 17, E0271247 (2022).
ಕಿಮ್, ಜೆವೈ, ಮತ್ತು ಇತರರು. ಪೂರ್ವಭಾವಿ ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯು ಒಎಸ್ಎ ರೋಗಿಗಳಲ್ಲಿ ನಿದ್ರೆಯ ಶಸ್ತ್ರಚಿಕಿತ್ಸೆ ಚಿಕಿತ್ಸೆಯ ಫಲಿತಾಂಶವನ್ನು can ಹಿಸಬಹುದು. ವಿಜ್ಞಾನ. ವರದಿ 11, 14911 (2021).
ಹ್ಯಾನ್, ಎಂ. ಮತ್ತು ಇತರರು. ಮಾನವ ಹಸ್ತಕ್ಷೇಪದೊಂದಿಗೆ ಅಥವಾ ಇಲ್ಲದೆ ಯಂತ್ರ ಕಲಿಕೆಯಿಂದ ನಿಖರವಾದ ವಯಸ್ಸಿನ ಅಂದಾಜು? ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಲೀಗಲ್ ಮೆಡಿಸಿನ್. 136, 821–831 (2022).
ಖಾನ್, ಎಸ್. ಮತ್ತು ಶಾಹೀನ್, ಎಂ. ಡಾಟಾ ಮೈನಿಂಗ್‌ನಿಂದ ಡಾಟಾ ಮೈನಿಂಗ್‌ಗೆ. J.INFORMATION. ವಿಜ್ಞಾನ. https://doi.org/10.1177/01655515211030872 (2021).
ಖಾನ್, ಎಸ್. ಮತ್ತು ಶಾಹೀನ್, ಎಂ. ವಿಸ್ರೂಲ್: ಅಸೋಸಿಯೇಷನ್ ​​ರೂಲ್ ಮೈನಿಂಗ್‌ಗಾಗಿ ಮೊದಲ ಅರಿವಿನ ಅಲ್ಗಾರಿದಮ್. J.INFORMATION. ವಿಜ್ಞಾನ. https://doi.org/10.1177/01655515221108695 (2022).
ಶಾಹೀನ್ ಎಂ. ಮತ್ತು ಅಬ್ದುಲ್ಲಾ ಯು. ಕಾರ್ಮ್: ಸಂದರ್ಭ ಆಧಾರಿತ ಸಂಘದ ನಿಯಮಗಳ ಆಧಾರದ ಮೇಲೆ ಸಾಂಪ್ರದಾಯಿಕ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ. ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ. ಮ್ಯಾಟ್. ಮುಂದುವರಿಸಿ. 68, 3305–3322 (2021).
ಮುಹಮ್ಮದ್ ಎಮ್., ರೆಹಮಾನ್ .ಡ್., ಶಾಹೀನ್ ಎಂ., ಖಾನ್ ಎಂ. ಮತ್ತು ಹಬೀಬ್ ಎಂ. ಡೀಪ್ ಲರ್ನಿಂಗ್ ಆಧಾರಿತ ಶಬ್ದಾರ್ಥದ ಹೋಲಿಕೆ ಪತ್ತೆ ಪಠ್ಯ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು. ತಿಳಿಸಿ. ತಂತ್ರಜ್ಞಾನಗಳು. ನಿಯಂತ್ರಣ. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ಟ್ಯಾಬಿಶ್, ಎಮ್., ತಾನೋಲಿ, .ಡ್., ಮತ್ತು ಶಾಹಿನ್, ಎಂ. ಕ್ರೀಡಾ ವೀಡಿಯೊಗಳಲ್ಲಿ ಚಟುವಟಿಕೆಯನ್ನು ಗುರುತಿಸುವ ವ್ಯವಸ್ಥೆ. ಮಲ್ಟಿಮೀಡಿಯಾ. ಪರಿಕರಗಳ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು https://doi.org/10.1007/s11042-021-10519-6 (2021).
ಹಲಾಬಿ, ಎಸ್ಎಸ್ ಮತ್ತು ಇತರರು. ಮಕ್ಕಳ ಮೂಳೆ ಯುಗದಲ್ಲಿ ಆರ್ಎಸ್ಎನ್ಎ ಯಂತ್ರ ಕಲಿಕೆ ಸವಾಲು. ರೇಡಿಯಾಲಜಿ 290, 498-503 (2019).
ಲಿ, ವೈ. ಮತ್ತು ಇತರರು. ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಶ್ರೋಣಿಯ ಎಕ್ಸರೆಗಳಿಂದ ವಿಧಿವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಅಂದಾಜು. ಯುರೋ. ವಿಕಿರಣ. 29, 2322-2329 (2019).
ಗುವೊ, ವೈಸಿ, ಮತ್ತು ಇತರರು. ಆರ್ಥೋಗ್ರಾಫಿಕ್ ಪ್ರೊಜೆಕ್ಷನ್ ಚಿತ್ರಗಳಿಂದ ಹಸ್ತಚಾಲಿತ ವಿಧಾನಗಳು ಮತ್ತು ಆಳವಾದ ಕನ್ವಿಲ್ಯೂಶನಲ್ ನರಮಂಡಲಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಖರವಾದ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಲೀಗಲ್ ಮೆಡಿಸಿನ್. 135, 1589-1597 (2021).
ಅಲಬಾಮಾ ದಲೋರಾ ಮತ್ತು ಇತರರು. ವಿಭಿನ್ನ ಯಂತ್ರ ಕಲಿಕೆ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮೂಳೆ ವಯಸ್ಸಿನ ಅಂದಾಜು: ವ್ಯವಸ್ಥಿತ ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆ ಮತ್ತು ಮೆಟಾ-ವಿಶ್ಲೇಷಣೆ. PLOS ONE 14, E0220242 (2019).
ಡು, ಹೆಚ್., ಲಿ, ಜಿ., ಚೆಂಗ್, ಕೆ., ಮತ್ತು ಯಾಂಗ್, ಜೆ. ಕೋನ್-ಬೀಮ್ ಕಂಪ್ಯೂಟೆಡ್ ಟೊಮೊಗ್ರಫಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಮೊದಲ ಮೋಲಾರ್‌ಗಳ ತಿರುಳು ಚೇಂಬರ್ ಸಂಪುಟಗಳ ಆಧಾರದ ಮೇಲೆ ಆಫ್ರಿಕನ್ ಅಮೆರಿಕನ್ನರು ಮತ್ತು ಚೀನೀಯರ ಜನಸಂಖ್ಯೆ-ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನ ಅಂದಾಜು. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಲೀಗಲ್ ಮೆಡಿಸಿನ್. 136, 811–819 (2022).
ಕಿಮ್ ಎಸ್. ವಿಜ್ಞಾನ. ವರದಿ 11, 1073 (2021).
ಸ್ಟರ್ನ್, ಡಿ., ಪಾವತಿಸುವವರು, ಸಿ., ಗಿಯುಲಿಯಾನಿ, ಎನ್., ಮತ್ತು ಉರ್ಷ್ಲರ್, ಎಂ. ಸ್ವಯಂಚಾಲಿತ ವಯಸ್ಸಿನ ಅಂದಾಜು ಮತ್ತು ಮಲ್ಟಿವೇರಿಯೇಟ್ ಎಂಆರ್ಐ ಡೇಟಾದಿಂದ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣ. ಐಇಇಇ ಜೆ. ಬಯೋಮೆಡ್. ಆರೋಗ್ಯ ಎಚ್ಚರಿಕೆಗಳು. 23, 1392-1403 (2019).
ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ಮಟ್ಟದ ಸೆಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಚೆಂಗ್, ಪ್ರ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಲೀಗಲ್ ಮೆಡಿಸಿನ್. 135, 365-373 (2021).
ವು, ಡಬ್ಲ್ಯೂಟಿ, ಮತ್ತು ಇತರರು. ಕ್ಲಿನಿಕಲ್ ಬಿಗ್ ಡೇಟಾದಲ್ಲಿ ಡೇಟಾ ಗಣಿಗಾರಿಕೆ: ಸಾಮಾನ್ಯ ದತ್ತಸಂಚಯಗಳು, ಹಂತಗಳು ಮತ್ತು ವಿಧಾನಗಳ ಮಾದರಿಗಳು. ವಿಶ್ವ. ಔಷಧಿ. ಸಂಪನ್ಮೂಲ. 8, 44 (2021).
ಯಾಂಗ್, ಜೆ. ಮತ್ತು ಇತರರು. ದೊಡ್ಡ ದತ್ತಾಂಶ ಯುಗದಲ್ಲಿ ವೈದ್ಯಕೀಯ ದತ್ತಸಂಚಯಗಳು ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ತಂತ್ರಜ್ಞಾನಗಳ ಪರಿಚಯ. ಜೆ. ಎವಿಡ್. ಮೂಲ .ಷಧ. 13, 57-69 (2020).
ಶೆನ್, ಎಸ್. ಮತ್ತು ಇತರರು. ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವ ಕ್ಯಾಮೆರರ್‌ನ ವಿಧಾನ. ಬಿಎಂಸಿ ಓರಲ್ ಹೆಲ್ತ್ 21, 641 (2021).
ಗ್ಯಾಲಿಬರ್ಗ್ ಎ. ಮತ್ತು ಇತರರು. ಡಿಮಿರ್ಡ್ಜಿಯಾನ್ ಸ್ಟೇಜಿಂಗ್ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು for ಹಿಸಲು ವಿಭಿನ್ನ ಯಂತ್ರ ಕಲಿಕೆ ವಿಧಾನಗಳ ಹೋಲಿಕೆ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಲೀಗಲ್ ಮೆಡಿಸಿನ್. 135, 665-675 (2021).
ಡೆಮಿಡ್ಜಿಯಾನ್, ಎ., ಗೋಲ್ಡ್ ಸ್ಟೈನ್, ಹೆಚ್. ಮತ್ತು ಟ್ಯಾನರ್, ಜೆಎಂ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಹೊಸ ವ್ಯವಸ್ಥೆ. ಗೊರಕೆ. ಜೀವಶಾಸ್ತ್ರ. 45, 211-227 (1973).
ಲ್ಯಾಂಡಿಸ್, ಜೆಆರ್, ಮತ್ತು ಕೋಚ್, ಜಿಜಿ ಕ್ರಮಗಳು ವರ್ಗೀಯ ದತ್ತಾಂಶದ ಬಗ್ಗೆ ಅಬ್ಸರ್ವರ್ ಒಪ್ಪಂದ. ಬಯೋಮೆಟ್ರಿಕ್ಸ್ 33, 159-174 (1977).
ಭಟ್ಟಾಚಾರ್ಜಿ ಎಸ್, ಪ್ರಕಾಶ್ ಡಿ, ಕಿಮ್ ಸಿ, ಕಿಮ್ ಎಚ್‌ಕೆ ಮತ್ತು ಚೋಯ್ ಎಚ್‌ಕೆ. ಪ್ರಾಥಮಿಕ ಮೆದುಳಿನ ಗೆಡ್ಡೆಗಳ ವ್ಯತ್ಯಾಸಕ್ಕಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಎರಡು ಆಯಾಮದ ಮ್ಯಾಗ್ನೆಟಿಕ್ ರೆಸೋನೆನ್ಸ್ ಇಮೇಜಿಂಗ್‌ನ ಟೆಕ್ಸ್ಚರಲ್, ರೂಪವಿಜ್ಞಾನ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆ. ಆರೋಗ್ಯ ಮಾಹಿತಿ. ಸಂಪನ್ಮೂಲ. https://doi.org/10.4258/hir.2022.28.1.46 (2022).