ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ದಂತ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಾನಗಳ ವಿರುದ್ಧ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಯ ಮೌಲ್ಯೀಕರಣ.

Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್‌ನ ಆವೃತ್ತಿಯು ಸೀಮಿತ CSS ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಫಲಿತಾಂಶಗಳಿಗಾಗಿ, ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನ ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ಆಫ್ ಮಾಡಿ). ಈ ಮಧ್ಯೆ, ನಿರಂತರ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಹಲ್ಲುಗಳನ್ನು ಮಾನವ ದೇಹದ ವಯಸ್ಸಿನ ಅತ್ಯಂತ ನಿಖರವಾದ ಸೂಚಕವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ. 18-ವರ್ಷದ ಮಿತಿಯ ಅಂದಾಜು ನಿಖರತೆ ಮತ್ತು ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಆಧಾರಿತ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳೊಂದಿಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಆಧಾರಿತ ದಂತ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಗುರಿಯನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ. 15 ರಿಂದ 23 ವರ್ಷ ವಯಸ್ಸಿನ ಕೊರಿಯನ್ ಮತ್ತು ಜಪಾನೀಸ್ ನಾಗರಿಕರಿಂದ ಒಟ್ಟು 2657 ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ಅವುಗಳನ್ನು 900 ಕೊರಿಯನ್ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ತರಬೇತಿ ಸೆಟ್ ಮತ್ತು 857 ಜಪಾನೀಸ್ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್ ಆಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ನಾವು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳ ವರ್ಗೀಕರಣ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಳ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದ್ದೇವೆ. ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ನಿಖರತೆಯು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚಾಗಿದೆ ಮತ್ತು ವ್ಯತ್ಯಾಸವು ಚಿಕ್ಕದಾಗಿದೆ (ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ <0.21 ವರ್ಷಗಳು, ಮೂಲ ಸರಾಸರಿ ವರ್ಗ ದೋಷ <0.24 ವರ್ಷಗಳು). 18-ವರ್ಷಗಳ ಕಟ್‌ಆಫ್‌ಗಾಗಿ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಳ ನಡುವೆ ಹೋಲುತ್ತದೆ. ಹೀಗಾಗಿ, ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಪರಿಪಕ್ವತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ನ್ಯಾಯ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನವನ್ನು ನಿರ್ವಹಿಸುವಾಗ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮಾದರಿಗಳಿಂದ ಬದಲಾಯಿಸಬಹುದು.
ದಂತ ವಯಸ್ಸಿನ ಅಂದಾಜನ್ನು ವಿಧಿವಿಜ್ಞಾನ ಔಷಧ ಮತ್ತು ಮಕ್ಕಳ ದಂತಚಿಕಿತ್ಸೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕಾಲಾನುಕ್ರಮದ ವಯಸ್ಸು ಮತ್ತು ದಂತ ಬೆಳವಣಿಗೆಯ ನಡುವಿನ ಹೆಚ್ಚಿನ ಪರಸ್ಪರ ಸಂಬಂಧದಿಂದಾಗಿ, ದಂತ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳ ಮೂಲಕ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನವು ಮಕ್ಕಳು ಮತ್ತು ಹದಿಹರೆಯದವರ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಒಂದು ಪ್ರಮುಖ ಮಾನದಂಡವಾಗಿದೆ1,2,3. ಆದಾಗ್ಯೂ, ಯುವಜನರಿಗೆ, ದಂತದ ಪಕ್ವತೆಯ ಆಧಾರದ ಮೇಲೆ ದಂತ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವುದು ಅದರ ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ ಏಕೆಂದರೆ ಮೂರನೇ ಮೋಲಾರ್‌ಗಳನ್ನು ಹೊರತುಪಡಿಸಿ, ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆ ಬಹುತೇಕ ಪೂರ್ಣಗೊಂಡಿದೆ. ಯುವಕರು ಮತ್ತು ಹದಿಹರೆಯದವರ ವಯಸ್ಸನ್ನು ನಿರ್ಧರಿಸುವ ಕಾನೂನು ಉದ್ದೇಶವೆಂದರೆ ಅವರು ಪ್ರೌಢಾವಸ್ಥೆಯನ್ನು ತಲುಪಿದ್ದಾರೆಯೇ ಎಂಬುದರ ನಿಖರವಾದ ಅಂದಾಜುಗಳು ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಪುರಾವೆಗಳನ್ನು ಒದಗಿಸುವುದು. ಕೊರಿಯಾದಲ್ಲಿ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರ ವೈದ್ಯಕೀಯ-ಕಾನೂನು ಅಭ್ಯಾಸದಲ್ಲಿ, ಲೀ ಅವರ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸನ್ನು ಅಂದಾಜಿಸಲಾಯಿತು ಮತ್ತು ಓಹ್ ಮತ್ತು ಇತರರು ವರದಿ ಮಾಡಿದ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ 18 ವರ್ಷಗಳ ಕಾನೂನು ಮಿತಿಯನ್ನು ಊಹಿಸಲಾಗಿದೆ 5.
ಯಂತ್ರ ಕಲಿಕೆಯು ಒಂದು ರೀತಿಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಆಗಿದ್ದು ಅದು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪದೇ ಪದೇ ಕಲಿಯುತ್ತದೆ ಮತ್ತು ವರ್ಗೀಕರಿಸುತ್ತದೆ, ತನ್ನದೇ ಆದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ. ಯಂತ್ರ ಕಲಿಕೆಯು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾದಲ್ಲಿ ಉಪಯುಕ್ತವಾದ ಗುಪ್ತ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು6. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಶ್ರಮದಾಯಕ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು, ಹಸ್ತಚಾಲಿತವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕಷ್ಟಕರವಾದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಸಂಕೀರ್ಣ ಡೇಟಾದೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ ಮಿತಿಗಳನ್ನು ಹೊಂದಿರಬಹುದು7. ಆದ್ದರಿಂದ, ಮಾನವ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ಬಹುಆಯಾಮದ ಡೇಟಾವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಇತ್ತೀಚಿನ ಕಂಪ್ಯೂಟರ್ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಇತ್ತೀಚೆಗೆ ಅನೇಕ ಅಧ್ಯಯನಗಳನ್ನು ನಡೆಸಲಾಗಿದೆ8,9,10,11,12. ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ವೈದ್ಯಕೀಯ ಚಿತ್ರ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗಿದೆ ಮತ್ತು ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ವಯಸ್ಸಿನ ಅಂದಾಜಿಗೆ ವಿವಿಧ ವಿಧಾನಗಳು ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ವರದಿಯಾಗಿದೆ13,14,15,16,17,18,19,20. ಉದಾಹರಣೆಗೆ, ಹಲಾಬಿ ಮತ್ತು ಇತರರು 13 ಮಕ್ಕಳ ಕೈಗಳ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅಸ್ಥಿಪಂಜರದ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕನ್ವಲ್ಯೂಷನಲ್ ನರಮಂಡಲ ಜಾಲಗಳನ್ನು (CNN) ಆಧರಿಸಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಈ ಅಧ್ಯಯನವು ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸುವ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ ಮತ್ತು ಈ ವಿಧಾನಗಳು ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ. ಲಿ ಮತ್ತು ಇತರರು14 ಆಳವಾದ ಕಲಿಕೆಯ CNN ಬಳಸಿ ಶ್ರೋಣಿಯ ಎಕ್ಸ್-ರೇ ಚಿತ್ರಗಳಿಂದ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಿದರು ಮತ್ತು ಅವುಗಳನ್ನು ಆಸಿಫಿಕೇಶನ್ ಹಂತದ ಅಂದಾಜನ್ನು ಬಳಸಿಕೊಂಡು ಹಿಂಜರಿತ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದರು. ಆಳವಾದ ಕಲಿಕೆಯ CNN ಮಾದರಿಯು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತ ಮಾದರಿಯಂತೆಯೇ ವಯಸ್ಸಿನ ಅಂದಾಜು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಿದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು. ಗುವೊ ಮತ್ತು ಇತರರ ಅಧ್ಯಯನವು [15] ದಂತ ಆರ್ಥೋಫೋಟೋಗಳ ಆಧಾರದ ಮೇಲೆ CNN ತಂತ್ರಜ್ಞಾನದ ವಯಸ್ಸಿನ ಸಹಿಷ್ಣುತೆ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿತು ಮತ್ತು CNN ಮಾದರಿಯ ಫಲಿತಾಂಶಗಳು ಮಾನವರು ಅದರ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೀರಿಸಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸಿತು.
ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಕುರಿತು ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಗಳು ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತವೆ13,14,15,16,17,18,19,20. ಆಳವಾದ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ವರದಿಯಾಗಿದೆ. ಆದಾಗ್ಯೂ, ಈ ವಿಧಾನವು ಅಂದಾಜುಗಳಲ್ಲಿ ಬಳಸಲಾದ ವಯಸ್ಸಿನ ಸೂಚಕಗಳಂತಹ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳಿಗೆ ವೈಜ್ಞಾನಿಕ ಆಧಾರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲು ಕಡಿಮೆ ಅವಕಾಶವನ್ನು ಒದಗಿಸುತ್ತದೆ. ತಪಾಸಣೆಗಳನ್ನು ಯಾರು ನಡೆಸುತ್ತಾರೆ ಎಂಬುದರ ಕುರಿತು ಕಾನೂನು ವಿವಾದವೂ ಇದೆ. ಆದ್ದರಿಂದ, ಆಳವಾದ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜನ್ನು ಆಡಳಿತ ಮತ್ತು ನ್ಯಾಯಾಂಗ ಅಧಿಕಾರಿಗಳು ಒಪ್ಪಿಕೊಳ್ಳುವುದು ಕಷ್ಟ. ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ (DM) ಒಂದು ತಂತ್ರವಾಗಿದ್ದು, ಇದು ನಿರೀಕ್ಷಿತ ಮಾತ್ರವಲ್ಲದೆ ಅನಿರೀಕ್ಷಿತ ಮಾಹಿತಿಯನ್ನು ಸಹ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾದ ನಡುವಿನ ಉಪಯುಕ್ತ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ವಿಧಾನವಾಗಿ ಕಂಡುಹಿಡಿಯಬಹುದು6,21,22. ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಎರಡೂ ದತ್ತಾಂಶದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಒಂದೇ ಪ್ರಮುಖ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸುತ್ತವೆ. ದಂತ ಅಭಿವೃದ್ಧಿಯನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸಿನ ಅಂದಾಜು ಪರೀಕ್ಷಕರ ಗುರಿ ಹಲ್ಲುಗಳ ಪರಿಪಕ್ವತೆಯ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಈ ಮೌಲ್ಯಮಾಪನವನ್ನು ಪ್ರತಿ ಗುರಿ ಹಲ್ಲಿಗೆ ಒಂದು ಹಂತವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ. ದಂತ ಮೌಲ್ಯಮಾಪನ ಹಂತ ಮತ್ತು ನಿಜವಾದ ವಯಸ್ಸಿನ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ವಿಶ್ಲೇಷಿಸಲು DM ಅನ್ನು ಬಳಸಬಹುದು ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬದಲಾಯಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. ಆದ್ದರಿಂದ, ನಾವು ವಯಸ್ಸಿನ ಅಂದಾಜಿಗೆ DM ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸಿದರೆ, ಕಾನೂನು ಹೊಣೆಗಾರಿಕೆಯ ಬಗ್ಗೆ ಚಿಂತಿಸದೆ ನಾವು ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಅಂದಾಜಿನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. ವಿಧಿವಿಜ್ಞಾನ ಅಭ್ಯಾಸದಲ್ಲಿ ಬಳಸುವ ಸಾಂಪ್ರದಾಯಿಕ ಕೈಪಿಡಿ ವಿಧಾನಗಳು ಮತ್ತು ದಂತ ವಯಸ್ಸನ್ನು ನಿರ್ಧರಿಸಲು EBM-ಆಧಾರಿತ ವಿಧಾನಗಳಿಗೆ ಸಂಭವನೀಯ ಪರ್ಯಾಯಗಳ ಕುರಿತು ಹಲವಾರು ತುಲನಾತ್ಮಕ ಅಧ್ಯಯನಗಳನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಕ್ಯಾಮರರ್ ಸೂತ್ರಕ್ಕಿಂತ DM ಮಾದರಿಯು ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ಶೆನ್ ಮತ್ತು ಇತರರು ತೋರಿಸಿದರು. ಗ್ಯಾಲಿಬರ್ಗ್ ಮತ್ತು ಇತರರು ಡೆಮಿರ್ಡ್ಜಿಯನ್ ಮಾನದಂಡದ ಪ್ರಕಾರ ವಯಸ್ಸನ್ನು ಊಹಿಸಲು ವಿಭಿನ್ನ DM ವಿಧಾನಗಳನ್ನು ಅನ್ವಯಿಸಿದರು ಮತ್ತು ಫಲಿತಾಂಶಗಳು ಫ್ರೆಂಚ್ ಜನಸಂಖ್ಯೆಯ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ DM ವಿಧಾನವು ಡೆಮಿರ್ಡ್ಜಿಯನ್ ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸಿದೆ ಎಂದು ತೋರಿಸಿದೆ.
ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರ ದಂತ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು, ಲೀಯವರ ವಿಧಾನ 4 ಅನ್ನು ಕೊರಿಯನ್ ವಿಧಿವಿಜ್ಞಾನ 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. ಲೀಯವರ ವಿಧಾನವು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವಾಗಿದೆ ಮತ್ತು ಅದರ ನಿಖರತೆಯನ್ನು ಓಹ್ ಮತ್ತು ಇತರರು ದೃಢಪಡಿಸಿದ್ದಾರೆ. 5; ಆದಾಗ್ಯೂ, ಕೊರಿಯನ್ ವಿಧಿವಿಜ್ಞಾನ ಅಭ್ಯಾಸದಲ್ಲಿ DM ಮಾದರಿಯನ್ನು ಆಧರಿಸಿದ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಅನ್ವಯಿಕತೆಯು ಇನ್ನೂ ಪ್ರಶ್ನಾರ್ಹವಾಗಿದೆ. DM ಮಾದರಿಯನ್ನು ಆಧರಿಸಿದ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಸಂಭಾವ್ಯ ಉಪಯುಕ್ತತೆಯನ್ನು ವೈಜ್ಞಾನಿಕವಾಗಿ ಮೌಲ್ಯೀಕರಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿತ್ತು. ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶ (1) ದಂತ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ ಎರಡು DM ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಹೋಲಿಸುವುದು ಮತ್ತು (2) 18 ವರ್ಷ ವಯಸ್ಸಿನಲ್ಲಿ 7 DM ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪಡೆದವುಗಳೊಂದಿಗೆ ಹೋಲಿಸುವುದು ಎರಡೂ ದವಡೆಗಳಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಪರಿಪಕ್ವತೆ.
ಹಂತ ಮತ್ತು ಹಲ್ಲಿನ ಪ್ರಕಾರದ ಪ್ರಕಾರ ಕಾಲಾನುಕ್ರಮದ ವಯಸ್ಸಿನ ಸರಾಸರಿ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನಗಳನ್ನು ಪೂರಕ ಕೋಷ್ಟಕ S1 (ತರಬೇತಿ ಸೆಟ್), ಪೂರಕ ಕೋಷ್ಟಕ S2 (ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್) ಮತ್ತು ಪೂರಕ ಕೋಷ್ಟಕ S3 (ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್) ನಲ್ಲಿ ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ತರಬೇತಿ ಸೆಟ್‌ನಿಂದ ಪಡೆದ ಇಂಟ್ರಾ- ಮತ್ತು ಇಂಟರ್‌ಅಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಗಾಗಿ ಕಪ್ಪಾ ಮೌಲ್ಯಗಳು ಕ್ರಮವಾಗಿ 0.951 ಮತ್ತು 0.947 ಆಗಿದ್ದವು. ಕಪ್ಪಾ ಮೌಲ್ಯಗಳಿಗೆ ಪಿ ಮೌಲ್ಯಗಳು ಮತ್ತು 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರಗಳನ್ನು ಆನ್‌ಲೈನ್ ಪೂರಕ ಕೋಷ್ಟಕ S4 ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಕಪ್ಪಾ ಮೌಲ್ಯವನ್ನು ಲ್ಯಾಂಡಿಸ್ ಮತ್ತು ಕೋಚ್26 ರ ಮಾನದಂಡಗಳಿಗೆ ಅನುಗುಣವಾಗಿ "ಬಹುತೇಕ ಪರಿಪೂರ್ಣ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ.
ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷವನ್ನು (MAE) ಹೋಲಿಸಿದಾಗ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು ಎಲ್ಲಾ ಲಿಂಗಗಳಿಗೆ ಮತ್ತು ಬಾಹ್ಯ ಪುರುಷ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ DM ಮಾದರಿಯನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಮೀರಿಸುತ್ತದೆ, ಬಹುಪದರದ ಪರ್ಸೆಪ್ಟ್ರಾನ್ (MLP) ಹೊರತುಪಡಿಸಿ. ಆಂತರಿಕ MAE ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿ ಮತ್ತು DM 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 ವರ್ಗ ದೋಷ (RMSE) ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಕ್ಕಿಂತ ಸ್ವಲ್ಪ ಕಡಿಮೆಯಾಗಿದೆ, ಸಣ್ಣ ವ್ಯತ್ಯಾಸಗಳೊಂದಿಗೆ (ಪುರುಷ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗೆ 0.17–0.24, 0.2–0.24, ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗೆ 0.03–0.07, 0.04–0.08). MLP ಸಿಂಗಲ್ ಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ (SLP) ಗಿಂತ ಸ್ವಲ್ಪ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ, ಸ್ತ್ರೀ ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನ ಸಂದರ್ಭದಲ್ಲಿ ಹೊರತುಪಡಿಸಿ. MAE ಮತ್ತು RMSE ಗಾಗಿ, ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್ ಎಲ್ಲಾ ಲಿಂಗಗಳು ಮತ್ತು ಮಾದರಿಗಳಿಗೆ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಿಂತ ಹೆಚ್ಚಿನ ಅಂಕಗಳನ್ನು ಗಳಿಸುತ್ತದೆ. ಎಲ್ಲಾ MAE ಮತ್ತು RMSE ಗಳನ್ನು ಕೋಷ್ಟಕ 1 ಮತ್ತು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ಹಿಂಜರಿತ ಮಾದರಿಗಳ MAE ಮತ್ತು RMSE. ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ MAE, ಮೂಲ ಸರಾಸರಿ ವರ್ಗ ದೋಷ RMSE, ಏಕ ಪದರ ಪರ್ಸೆಪ್ಟ್ರಾನ್ SLP, ಬಹುಪದರ ಪರ್ಸೆಪ್ಟ್ರಾನ್ MLP, ಸಾಂಪ್ರದಾಯಿಕ CM ವಿಧಾನ.
ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು DM ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು (18 ವರ್ಷಗಳ ಕಟ್‌ಆಫ್‌ನೊಂದಿಗೆ) ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, ಸಕಾರಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (PPV), ನಕಾರಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (NPV), ಮತ್ತು ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಗುಣಲಕ್ಷಣ ಕರ್ವ್ (AUROC) 27 (ಕೋಷ್ಟಕ 2, ಚಿತ್ರ 2 ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 1 ಆನ್‌ಲೈನ್) ಅಡಿಯಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲಾಯಿತು. ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಬ್ಯಾಟರಿಯ ಸೂಕ್ಷ್ಮತೆಯ ವಿಷಯದಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದವು ಮತ್ತು ಮಹಿಳೆಯರಲ್ಲಿ ಕೆಟ್ಟದಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದವು. ಆದಾಗ್ಯೂ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು SD ನಡುವಿನ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸವು ಪುರುಷರಿಗೆ 9.7% (MLP) ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ ಕೇವಲ 2.4% (XGBoost) ಆಗಿದೆ. DM ಮಾದರಿಗಳಲ್ಲಿ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ (LR) ಎರಡೂ ಲಿಂಗಗಳಲ್ಲಿ ಉತ್ತಮ ಸಂವೇದನೆಯನ್ನು ತೋರಿಸಿದೆ. ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನ ನಿರ್ದಿಷ್ಟತೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ನಾಲ್ಕು SD ಮಾದರಿಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದವು ಎಂದು ಗಮನಿಸಲಾಯಿತು, ಆದರೆ ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿಯು ಮಹಿಳೆಯರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು. ಪುರುಷರು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳು ಕ್ರಮವಾಗಿ 13.3% (MLP) ಮತ್ತು 13.1% (MLP), ಮಾದರಿಗಳ ನಡುವಿನ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿನ ವ್ಯತ್ಯಾಸವು ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಮೀರುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. DM ಮಾದರಿಗಳಲ್ಲಿ, ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ (SVM), ಡಿಸಿಷನ್ ಟ್ರೀ (DT), ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ (RF) ಮಾದರಿಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ, LR ಮಾದರಿಯು ಮಹಿಳೆಯರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು. ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿ ಮತ್ತು ಎಲ್ಲಾ SD ಮಾದರಿಗಳ AUROC 0.925 (ಪುರುಷರಲ್ಲಿ k-ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರು (KNN)) ಗಿಂತ ಹೆಚ್ಚಿತ್ತು, 18 ವರ್ಷ ವಯಸ್ಸಿನ ಮಾದರಿಗಳನ್ನು ತಾರತಮ್ಯ ಮಾಡುವಲ್ಲಿ ಅತ್ಯುತ್ತಮ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸಿತು28. ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗೆ, ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗೆ ಹೋಲಿಸಿದರೆ ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ ಮತ್ತು AUROC ವಿಷಯದಲ್ಲಿ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಇಳಿಕೆ ಕಂಡುಬಂದಿದೆ. ಇದಲ್ಲದೆ, ಅತ್ಯುತ್ತಮ ಮತ್ತು ಕೆಟ್ಟ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಡುವಿನ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯ ವ್ಯತ್ಯಾಸವು 10% ರಿಂದ 25% ವರೆಗೆ ಇತ್ತು ಮತ್ತು ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ವ್ಯತ್ಯಾಸಕ್ಕಿಂತ ದೊಡ್ಡದಾಗಿತ್ತು.
18 ವರ್ಷಗಳ ಕಟ್‌ಆಫ್ ಹೊಂದಿರುವ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆ. ಹತ್ತಿರದ ನೆರೆಯ KNN k, SVM ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ, LR ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, DT ನಿರ್ಧಾರ ವೃಕ್ಷ, RF ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ, XGB XGBoost, MLP ಬಹುಪದರದ ಪರ್ಸೆಪ್ಟ್ರಾನ್, ಸಾಂಪ್ರದಾಯಿಕ CM ವಿಧಾನ.
ಈ ಅಧ್ಯಯನದ ಮೊದಲ ಹೆಜ್ಜೆ ಏಳು DM ಮಾದರಿಗಳಿಂದ ಪಡೆದ ದಂತ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳ ನಿಖರತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತವನ್ನು ಬಳಸಿಕೊಂಡು ಪಡೆದವುಗಳೊಂದಿಗೆ ಹೋಲಿಸುವುದು. MAE ಮತ್ತು RMSE ಅನ್ನು ಎರಡೂ ಲಿಂಗಗಳಿಗೆ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು, ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನ ಮತ್ತು DM ಮಾದರಿಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು MAE ಗೆ 44 ರಿಂದ 77 ದಿನಗಳವರೆಗೆ ಮತ್ತು RMSE ಗೆ 62 ರಿಂದ 88 ದಿನಗಳವರೆಗೆ ಇತ್ತು. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು ಸ್ವಲ್ಪ ಹೆಚ್ಚು ನಿಖರವಾಗಿದ್ದರೂ, ಅಂತಹ ಸಣ್ಣ ವ್ಯತ್ಯಾಸವು ವೈದ್ಯಕೀಯ ಅಥವಾ ಪ್ರಾಯೋಗಿಕ ಮಹತ್ವವನ್ನು ಹೊಂದಿದೆಯೇ ಎಂದು ತೀರ್ಮಾನಿಸುವುದು ಕಷ್ಟ. DM ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ದಂತ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ನಿಖರತೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದಂತೆಯೇ ಇರುತ್ತದೆ ಎಂದು ಈ ಫಲಿತಾಂಶಗಳು ಸೂಚಿಸುತ್ತವೆ. ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ನೇರ ಹೋಲಿಕೆ ಕಷ್ಟಕರವಾಗಿದೆ ಏಕೆಂದರೆ ಯಾವುದೇ ಅಧ್ಯಯನವು ಈ ಅಧ್ಯಯನದಂತೆಯೇ ಅದೇ ವಯಸ್ಸಿನ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಹಲ್ಲುಗಳನ್ನು ದಾಖಲಿಸುವ ಅದೇ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳೊಂದಿಗೆ DM ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಹೋಲಿಸಿಲ್ಲ. ಗ್ಯಾಲಿಬರ್ಗ್ ಮತ್ತು ಇತರರು MAE ಮತ್ತು RMSE ಅನ್ನು ಎರಡು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು (ಡೆಮಿರ್ಜಿಯನ್ ವಿಧಾನ 25 ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನ 29) ಮತ್ತು 2 ರಿಂದ 24 ವರ್ಷ ವಯಸ್ಸಿನ ಫ್ರೆಂಚ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ 10 DM ಮಾದರಿಗಳ ನಡುವೆ ಹೋಲಿಸಿದ್ದಾರೆ. ಎಲ್ಲಾ DM ಮಾದರಿಗಳು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿವೆ ಎಂದು ಅವರು ವರದಿ ಮಾಡಿದ್ದಾರೆ, ವಿಲ್ಲೆಮ್ಸ್ ಮತ್ತು ಡೆಮಿರ್ಡ್ಜಿಯನ್ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ MAE ನಲ್ಲಿ ಕ್ರಮವಾಗಿ 0.20 ಮತ್ತು 0.38 ವರ್ಷಗಳ ವ್ಯತ್ಯಾಸಗಳು ಮತ್ತು RMSE ನಲ್ಲಿ 0.25 ಮತ್ತು 0.47 ವರ್ಷಗಳ ವ್ಯತ್ಯಾಸಗಳಿವೆ. ಹ್ಯಾಲಿಬರ್ಗ್ ಅಧ್ಯಯನದಲ್ಲಿ ತೋರಿಸಿರುವ SD ಮಾದರಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಹಲವಾರು ವರದಿಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ30,31,32,33 ಡೆಮಿರ್ಡ್ಜಿಯನ್ ವಿಧಾನವು ಅಧ್ಯಯನವನ್ನು ಆಧರಿಸಿದ ಫ್ರೆಂಚ್ ಕೆನಡಿಯನ್ನರನ್ನು ಹೊರತುಪಡಿಸಿ ಇತರ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ನಿಖರವಾಗಿ ಅಂದಾಜು ಮಾಡುವುದಿಲ್ಲ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ. ಟೈ ಮತ್ತು ಇತರರು 1636 ಚೀನೀ ಆರ್ಥೊಡಾಂಟಿಕ್ ಛಾಯಾಚಿತ್ರಗಳಿಂದ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಊಹಿಸಲು MLP ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸಿದರು ಮತ್ತು ಅದರ ನಿಖರತೆಯನ್ನು ಡೆಮಿರ್ಜಿಯನ್ ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನದ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದರು. ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ MLP ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಹೊಂದಿದೆ ಎಂದು ಅವರು ವರದಿ ಮಾಡಿದ್ದಾರೆ. ಡೆಮಿರ್ಡ್ಜಿಯನ್ ವಿಧಾನ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು <0.32 ವರ್ಷಗಳು, ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನವು 0.28 ವರ್ಷಗಳು, ಇದು ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೋಲುತ್ತದೆ. ಈ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಫಲಿತಾಂಶಗಳು24,34 ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿವೆ ಮತ್ತು DM ಮಾದರಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ವಯಸ್ಸಿನ ಅಂದಾಜು ನಿಖರತೆಯು ಹೋಲುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಪ್ರಸ್ತುತಪಡಿಸಿದ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು DM ಮಾದರಿಗಳ ಬಳಕೆಯು ತುಲನಾತ್ಮಕ ಮತ್ತು ಉಲ್ಲೇಖದ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಕೊರತೆಯಿಂದಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು ಎಂದು ನಾವು ಎಚ್ಚರಿಕೆಯಿಂದ ತೀರ್ಮಾನಿಸಬಹುದು. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು ದೃಢೀಕರಿಸಲು ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅನುಸರಣಾ ಅಧ್ಯಯನಗಳು ಅಗತ್ಯವಿದೆ.
ದಂತ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ SD ಯ ನಿಖರತೆಯನ್ನು ಪರೀಕ್ಷಿಸುವ ಅಧ್ಯಯನಗಳಲ್ಲಿ, ಕೆಲವು ನಮ್ಮ ಅಧ್ಯಯನಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ತೋರಿಸಿವೆ. ಸ್ಟೆಪನೋವ್ಸ್ಕಿ ಮತ್ತು ಇತರರು 2.7 ರಿಂದ 20.5 ವರ್ಷ ವಯಸ್ಸಿನ 976 ಜೆಕ್ ನಿವಾಸಿಗಳ ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳಿಗೆ 22 SD ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸಿದರು ಮತ್ತು ಪ್ರತಿ ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿದರು. ಮೂರ್ಸ್ ಮತ್ತು ಇತರರು 36 ಪ್ರಸ್ತಾಪಿಸಿದ ವರ್ಗೀಕರಣ ಮಾನದಂಡಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅವರು ಒಟ್ಟು 16 ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ಎಡ ಶಾಶ್ವತ ಹಲ್ಲುಗಳ ಬೆಳವಣಿಗೆಯನ್ನು ನಿರ್ಣಯಿಸಿದರು. MAE 0.64 ರಿಂದ 0.94 ವರ್ಷಗಳವರೆಗೆ ಇರುತ್ತದೆ ಮತ್ತು RMSE 0.85 ರಿಂದ 1.27 ವರ್ಷಗಳವರೆಗೆ ಇರುತ್ತದೆ, ಇದು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಎರಡು DM ಮಾದರಿಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ. 5 ರಿಂದ 13 ವರ್ಷ ವಯಸ್ಸಿನ ಪೂರ್ವ ಚೀನೀ ನಿವಾಸಿಗಳಲ್ಲಿ ಎಡ ದವಡೆಯಲ್ಲಿ ಏಳು ಶಾಶ್ವತ ಹಲ್ಲುಗಳ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಶೆನ್ ಮತ್ತು ಇತರರು 23 ಕ್ಯಾಮೆರಿಯೆರ್ ವಿಧಾನವನ್ನು ಬಳಸಿದರು ಮತ್ತು ರೇಖೀಯ ಹಿಂಜರಿತ, SVM ಮತ್ತು RF ಬಳಸಿ ಅಂದಾಜು ಮಾಡಿದ ವಯಸ್ಸಿನೊಂದಿಗೆ ಹೋಲಿಸಿದರು. ಸಾಂಪ್ರದಾಯಿಕ ಕ್ಯಾಮೆರಿಯೆರ್ ಸೂತ್ರಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಎಲ್ಲಾ ಮೂರು DM ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಅವರು ತೋರಿಸಿದರು. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಶೆನ್ ಅವರ ಅಧ್ಯಯನದಲ್ಲಿ MAE ಮತ್ತು RMSE ಗಳು DM ಮಾದರಿಯಲ್ಲಿ ಇದ್ದಕ್ಕಿಂತ ಕಡಿಮೆ ಇದ್ದವು. ಸ್ಟೆಪನೋವ್ಸ್ಕಿ ಮತ್ತು ಇತರರು 35 ಮತ್ತು ಶೆನ್ ಮತ್ತು ಇತರರು 23 ನಡೆಸಿದ ಅಧ್ಯಯನಗಳ ಹೆಚ್ಚಿದ ನಿಖರತೆಯು ಅವರ ಅಧ್ಯಯನ ಮಾದರಿಗಳಲ್ಲಿ ಕಿರಿಯ ವಿಷಯಗಳ ಸೇರ್ಪಡೆಯಿಂದಾಗಿರಬಹುದು. ಹಲ್ಲುಗಳ ಬೆಳವಣಿಗೆಯ ಸಮಯದಲ್ಲಿ ಹಲ್ಲುಗಳ ಸಂಖ್ಯೆ ಹೆಚ್ಚಾದಂತೆ ಬೆಳೆಯುತ್ತಿರುವ ಹಲ್ಲುಗಳನ್ನು ಹೊಂದಿರುವ ಭಾಗವಹಿಸುವವರ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳು ಹೆಚ್ಚು ನಿಖರವಾಗುವುದರಿಂದ, ಅಧ್ಯಯನ ಭಾಗವಹಿಸುವವರು ಚಿಕ್ಕವರಾಗಿದ್ದಾಗ ಫಲಿತಾಂಶದ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಾನದ ನಿಖರತೆಯು ರಾಜಿಯಾಗಬಹುದು. ಹೆಚ್ಚುವರಿಯಾಗಿ, ವಯಸ್ಸಿನ ಅಂದಾಜಿನಲ್ಲಿ MLP ಯ ದೋಷವು SLP ಗಿಂತ ಸ್ವಲ್ಪ ಚಿಕ್ಕದಾಗಿದೆ, ಅಂದರೆ SLP ಗಿಂತ MLP ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ. ವಯಸ್ಸಿನ ಅಂದಾಜಿಗೆ MLP ಸ್ವಲ್ಪ ಉತ್ತಮವೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ, ಬಹುಶಃ MLP38 ರಲ್ಲಿ ಅಡಗಿರುವ ಪದರಗಳ ಕಾರಣದಿಂದಾಗಿ. ಆದಾಗ್ಯೂ, ಮಹಿಳೆಯರ ಹೊರಗಿನ ಮಾದರಿಗೆ ಒಂದು ಅಪವಾದವಿದೆ (SLP 1.45, MLP 1.49). ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸುವಲ್ಲಿ SLP ಗಿಂತ MLP ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ಕಂಡುಕೊಳ್ಳಲು ಹೆಚ್ಚುವರಿ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳು ಬೇಕಾಗುತ್ತವೆ.
18 ವರ್ಷಗಳ ಮಿತಿಯಲ್ಲಿ DM ಮಾದರಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಹ ಹೋಲಿಸಲಾಯಿತು. ಎಲ್ಲಾ ಪರೀಕ್ಷಿಸಿದ SD ಮಾದರಿಗಳು ಮತ್ತು ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು 18 ವರ್ಷ ವಯಸ್ಸಿನ ಮಾದರಿಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸ್ವೀಕಾರಾರ್ಹ ಮಟ್ಟದ ತಾರತಮ್ಯವನ್ನು ತೋರಿಸಿದವು. ಪುರುಷರು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ ಸೂಕ್ಷ್ಮತೆಯು ಕ್ರಮವಾಗಿ 87.7% ಮತ್ತು 94.9% ಕ್ಕಿಂತ ಹೆಚ್ಚಿತ್ತು, ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು 89.3% ಮತ್ತು 84.7% ಕ್ಕಿಂತ ಹೆಚ್ಚಿತ್ತು. ಎಲ್ಲಾ ಪರೀಕ್ಷಿಸಿದ ಮಾದರಿಗಳ AUROC ಸಹ 0.925 ಮೀರಿದೆ. ನಮಗೆ ತಿಳಿದಿರುವಂತೆ, ದಂತ ಪರಿಪಕ್ವತೆಯ ಆಧಾರದ ಮೇಲೆ 18 ವರ್ಷಗಳ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ DM ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಯಾವುದೇ ಅಧ್ಯಯನವು ಪರೀಕ್ಷಿಸಿಲ್ಲ. ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಪನೋರಮಿಕ್ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯೊಂದಿಗೆ ನಾವು ಹೋಲಿಸಬಹುದು. ಗುವೊ ಮತ್ತು ಇತರರು 15 ಸಿಎನ್‌ಎನ್ ಆಧಾರಿತ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮತ್ತು ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನ ಮಿತಿಗಾಗಿ ಡೆಮಿರ್ಜಿಯನ್‌ನ ವಿಧಾನವನ್ನು ಆಧರಿಸಿದ ಹಸ್ತಚಾಲಿತ ವಿಧಾನವನ್ನು ಲೆಕ್ಕಹಾಕಿದರು. ಹಸ್ತಚಾಲಿತ ವಿಧಾನದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು ಕ್ರಮವಾಗಿ 87.7% ಮತ್ತು 95.5% ಆಗಿತ್ತು, ಮತ್ತು CNN ಮಾದರಿಯ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು ಕ್ರಮವಾಗಿ 89.2% ಮತ್ತು 86.6% ಮೀರಿದೆ. ವಯಸ್ಸಿನ ಮಿತಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಹಸ್ತಚಾಲಿತ ಮೌಲ್ಯಮಾಪನವನ್ನು ಬದಲಾಯಿಸಬಹುದು ಅಥವಾ ಮೀರಿಸಬಹುದು ಎಂದು ಅವರು ತೀರ್ಮಾನಿಸಿದರು. ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಇದೇ ರೀತಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಿವೆ; DM ಮಾದರಿಗಳನ್ನು ಬಳಸುವ ವರ್ಗೀಕರಣವು ವಯಸ್ಸಿನ ಅಂದಾಜಿಗೆ ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು ಎಂದು ನಂಬಲಾಗಿದೆ. ಮಾದರಿಗಳಲ್ಲಿ, ಪುರುಷ ಮಾದರಿಗೆ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಸ್ತ್ರೀ ಮಾದರಿಗೆ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯ ವಿಷಯದಲ್ಲಿ DM LR ಅತ್ಯುತ್ತಮ ಮಾದರಿಯಾಗಿದೆ. ಪುರುಷರಿಗೆ ನಿರ್ದಿಷ್ಟತೆಯಲ್ಲಿ LR ಎರಡನೇ ಸ್ಥಾನದಲ್ಲಿದೆ. ಇದಲ್ಲದೆ, LR ಅನ್ನು ಹೆಚ್ಚು ಬಳಕೆದಾರ ಸ್ನೇಹಿ DM35 ಮಾದರಿಗಳಲ್ಲಿ ಒಂದೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ ಮತ್ತು ಕಡಿಮೆ ಸಂಕೀರ್ಣ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕಷ್ಟಕರವಾಗಿದೆ. ಈ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ಕೊರಿಯನ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ 18 ವರ್ಷ ವಯಸ್ಸಿನವರಿಗೆ LR ಅನ್ನು ಅತ್ಯುತ್ತಮ ಕಟ್‌ಆಫ್ ವರ್ಗೀಕರಣ ಮಾದರಿ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.
ಒಟ್ಟಾರೆಯಾಗಿ, ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ ವಯಸ್ಸಿನ ಅಂದಾಜು ಅಥವಾ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಿಖರತೆಯು ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಕಳಪೆಯಾಗಿದೆ ಅಥವಾ ಕಡಿಮೆಯಾಗಿದೆ. ಕೆಲವು ವರದಿಗಳು ಕೊರಿಯನ್ ಜನಸಂಖ್ಯೆಯನ್ನು ಆಧರಿಸಿದ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳನ್ನು ಜಪಾನಿನ ಜನಸಂಖ್ಯೆಗೆ ಅನ್ವಯಿಸಿದಾಗ ವರ್ಗೀಕರಣ ನಿಖರತೆ ಅಥವಾ ದಕ್ಷತೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ5,39, ಮತ್ತು ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ಇದೇ ರೀತಿಯ ಮಾದರಿ ಕಂಡುಬಂದಿದೆ. ಈ ಕ್ಷೀಣಿಸುವ ಪ್ರವೃತ್ತಿಯನ್ನು DM ಮಾದರಿಯಲ್ಲಿಯೂ ಗಮನಿಸಲಾಗಿದೆ. ಆದ್ದರಿಂದ, ವಿಶ್ಲೇಷಣಾ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ DM ಅನ್ನು ಬಳಸುವಾಗಲೂ ಸಹ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಂತಹ ಸ್ಥಳೀಯ ಜನಸಂಖ್ಯಾ ದತ್ತಾಂಶದಿಂದ ಪಡೆದ ವಿಧಾನಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಬೇಕು5,39,40,41,42. ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಇದೇ ರೀತಿಯ ಪ್ರವೃತ್ತಿಗಳನ್ನು ತೋರಿಸಬಹುದೇ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲದ ಕಾರಣ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸೀಮಿತ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನಗಳಲ್ಲಿ ಈ ಜನಾಂಗೀಯ ಅಸಮಾನತೆಗಳನ್ನು ನಿವಾರಿಸಬಹುದೇ ಎಂದು ದೃಢೀಕರಿಸಲು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು, DM ಮಾದರಿಗಳು ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವರ್ಗೀಕರಣ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಹೋಲಿಸುವ ಅಧ್ಯಯನಗಳು ಅಗತ್ಯವಿದೆ.
ಕೊರಿಯಾದಲ್ಲಿ ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಅಂದಾಜು ಅಭ್ಯಾಸದಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು DM ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜಿನಿಂದ ಬದಲಾಯಿಸಬಹುದು ಎಂದು ನಾವು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ. ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ಸಹ ನಾವು ಕಂಡುಹಿಡಿದಿದ್ದೇವೆ. ಆದಾಗ್ಯೂ, ಫಲಿತಾಂಶಗಳನ್ನು ನಿರ್ಣಾಯಕವಾಗಿ ನಿರ್ಧರಿಸಲು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸುವವರ ಸಂಖ್ಯೆ ಸಾಕಷ್ಟಿಲ್ಲದಿರುವುದು ಮತ್ತು ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಲು ಮತ್ತು ದೃಢೀಕರಿಸಲು ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಕೊರತೆಯಂತಹ ಸ್ಪಷ್ಟ ಮಿತಿಗಳಿವೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಅದರ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯಿಕೆಯನ್ನು ಸುಧಾರಿಸಲು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಮಾದರಿಗಳು ಮತ್ತು ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಜನಸಂಖ್ಯೆಯೊಂದಿಗೆ DM ಅಧ್ಯಯನಗಳನ್ನು ನಡೆಸಬೇಕು. ಬಹು ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು, ಭವಿಷ್ಯದ ಅಧ್ಯಯನಗಳು DM ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಒಂದೇ ಮಾದರಿಗಳಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳೊಂದಿಗೆ ಹೋಲಿಸುವ ಅಗತ್ಯವಿದೆ.
ಈ ಅಧ್ಯಯನವು 15 ರಿಂದ 23 ವರ್ಷ ವಯಸ್ಸಿನ ಕೊರಿಯನ್ ಮತ್ತು ಜಪಾನೀಸ್ ವಯಸ್ಕರಿಂದ ಸಂಗ್ರಹಿಸಲಾದ 2,657 ಆರ್ಥೋಗ್ರಾಫಿಕ್ ಛಾಯಾಚಿತ್ರಗಳನ್ನು ಬಳಸಿದೆ. ಕೊರಿಯನ್ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು 900 ತರಬೇತಿ ಸೆಟ್‌ಗಳು (19.42 ± 2.65 ವರ್ಷಗಳು) ಮತ್ತು 900 ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಾಗಿ (19.52 ± 2.59 ವರ್ಷಗಳು) ವಿಂಗಡಿಸಲಾಗಿದೆ. ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ಒಂದು ಸಂಸ್ಥೆಯಲ್ಲಿ (ಸಿಯೋಲ್ ಸೇಂಟ್ ಮೇರಿ ಆಸ್ಪತ್ರೆ) ಸಂಗ್ರಹಿಸಲಾಯಿತು, ಮತ್ತು ಸ್ವಂತ ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ಎರಡು ಸಂಸ್ಥೆಗಳಲ್ಲಿ (ಸಿಯೋಲ್ ನ್ಯಾಷನಲ್ ಯೂನಿವರ್ಸಿಟಿ ಡೆಂಟಲ್ ಆಸ್ಪತ್ರೆ ಮತ್ತು ಯೋನ್ಸೆಯ್ ಯೂನಿವರ್ಸಿಟಿ ಡೆಂಟಲ್ ಆಸ್ಪತ್ರೆ) ಸಂಗ್ರಹಿಸಲಾಯಿತು. ಬಾಹ್ಯ ಪರೀಕ್ಷೆಗಾಗಿ ನಾವು ಮತ್ತೊಂದು ಜನಸಂಖ್ಯಾ ಆಧಾರಿತ ಡೇಟಾದಿಂದ (ಇವಾಟೆ ಮೆಡಿಕಲ್ ಯೂನಿವರ್ಸಿಟಿ, ಜಪಾನ್) 857 ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸಹ ಸಂಗ್ರಹಿಸಿದ್ದೇವೆ. ಜಪಾನೀಸ್ ವಿಷಯಗಳ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು (19.31 ± 2.60 ವರ್ಷಗಳು) ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್ ಆಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ. ದಂತ ಚಿಕಿತ್ಸೆಯ ಸಮಯದಲ್ಲಿ ತೆಗೆದುಕೊಂಡ ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳಲ್ಲಿ ದಂತ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಡೇಟಾವನ್ನು ಹಿಂದಿನಿಂದ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ. ಲಿಂಗ, ಜನ್ಮ ದಿನಾಂಕ ಮತ್ತು ರೇಡಿಯೋಗ್ರಾಫ್‌ನ ದಿನಾಂಕವನ್ನು ಹೊರತುಪಡಿಸಿ ಸಂಗ್ರಹಿಸಿದ ಎಲ್ಲಾ ಡೇಟಾ ಅನಾಮಧೇಯವಾಗಿತ್ತು. ಸೇರ್ಪಡೆ ಮತ್ತು ಹೊರಗಿಡುವ ಮಾನದಂಡಗಳು ಈ ಹಿಂದೆ ಪ್ರಕಟವಾದ ಅಧ್ಯಯನಗಳು 4, 5 ರಂತೆಯೇ ಇದ್ದವು. ರೇಡಿಯೋಗ್ರಾಫ್ ತೆಗೆದುಕೊಂಡ ದಿನಾಂಕದಿಂದ ಜನ್ಮ ದಿನಾಂಕವನ್ನು ಕಳೆಯುವ ಮೂಲಕ ಮಾದರಿಯ ನಿಜವಾದ ವಯಸ್ಸನ್ನು ಲೆಕ್ಕಹಾಕಲಾಯಿತು. ಮಾದರಿ ಗುಂಪನ್ನು ಒಂಬತ್ತು ವಯಸ್ಸಿನ ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ವಯಸ್ಸು ಮತ್ತು ಲಿಂಗ ವಿತರಣೆಗಳನ್ನು ಕೋಷ್ಟಕ 3 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಈ ಅಧ್ಯಯನವನ್ನು ಹೆಲ್ಸಿಂಕಿಯ ಘೋಷಣೆಗೆ ಅನುಗುಣವಾಗಿ ನಡೆಸಲಾಯಿತು ಮತ್ತು ಕೊರಿಯಾದ ಕ್ಯಾಥೋಲಿಕ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಿಯೋಲ್ ಸೇಂಟ್ ಮೇರಿ ಆಸ್ಪತ್ರೆಯ ಸಾಂಸ್ಥಿಕ ಪರಿಶೀಲನಾ ಮಂಡಳಿ (IRB) (KC22WISI0328) ಅನುಮೋದಿಸಿದೆ. ಈ ಅಧ್ಯಯನದ ಹಿಂದಿನ ವಿನ್ಯಾಸದಿಂದಾಗಿ, ಚಿಕಿತ್ಸಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ರೇಡಿಯೋಗ್ರಾಫಿಕ್ ಪರೀಕ್ಷೆಗೆ ಒಳಗಾಗುವ ಎಲ್ಲಾ ರೋಗಿಗಳಿಂದ ಮಾಹಿತಿಯುಕ್ತ ಒಪ್ಪಿಗೆಯನ್ನು ಪಡೆಯಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ. ಸಿಯೋಲ್ ಕೊರಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯ ಸೇಂಟ್ ಮೇರಿ ಆಸ್ಪತ್ರೆ (IRB) ಮಾಹಿತಿಯುಕ್ತ ಒಪ್ಪಿಗೆಯ ಅಗತ್ಯವನ್ನು ಮನ್ನಾ ಮಾಡಿದೆ.
ಡೆಮಿರ್ಕನ್ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ ಬೈಮ್ಯಾಕ್ಸಿಲ್ಲರಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳನ್ನು ನಿರ್ಣಯಿಸಲಾಯಿತು25. ಪ್ರತಿ ದವಡೆಯ ಎಡ ಮತ್ತು ಬಲ ಬದಿಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಹಲ್ಲು ಕಂಡುಬಂದರೆ ಕೇವಲ ಒಂದು ಹಲ್ಲನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ. ಎರಡೂ ಬದಿಗಳಲ್ಲಿ ಹೋಮೋಲೋಗಸ್ ಹಲ್ಲುಗಳು ವಿಭಿನ್ನ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳಲ್ಲಿದ್ದರೆ, ಅಂದಾಜು ವಯಸ್ಸಿನಲ್ಲಿ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಲು ಕಡಿಮೆ ಬೆಳವಣಿಗೆಯ ಹಂತವನ್ನು ಹೊಂದಿರುವ ಹಲ್ಲನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ. ದಂತ ಪರಿಪಕ್ವತೆಯ ಹಂತವನ್ನು ನಿರ್ಧರಿಸಲು ಪೂರ್ವ-ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ನಂತರ ಇಂಟರ್‌ಅಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ತರಬೇತಿ ಸೆಟ್‌ನಿಂದ ನೂರು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಇಬ್ಬರು ಅನುಭವಿ ವೀಕ್ಷಕರು ಸ್ಕೋರ್ ಮಾಡಿದರು. ಪ್ರಾಥಮಿಕ ವೀಕ್ಷಕರು ಇಂಟ್ರಾಅಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಮೂರು ತಿಂಗಳ ಮಧ್ಯಂತರದಲ್ಲಿ ಎರಡು ಬಾರಿ ನಿರ್ಣಯಿಸಿದರು.
ತರಬೇತಿ ಸೆಟ್‌ನಲ್ಲಿರುವ ಪ್ರತಿ ದವಡೆಯ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಲಿಂಗ ಮತ್ತು ಬೆಳವಣಿಗೆಯ ಹಂತವನ್ನು ವಿಭಿನ್ನ DM ಮಾದರಿಗಳೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ಪ್ರಾಥಮಿಕ ವೀಕ್ಷಕರು ಅಂದಾಜು ಮಾಡಿದರು ಮತ್ತು ನಿಜವಾದ ವಯಸ್ಸನ್ನು ಗುರಿ ಮೌಲ್ಯವಾಗಿ ಹೊಂದಿಸಲಾಯಿತು. ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ SLP ಮತ್ತು MLP ಮಾದರಿಗಳನ್ನು ಹಿಂಜರಿತ ಅಲ್ಗಾರಿದಮ್‌ಗಳ ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸಲಾಯಿತು. DM ಮಾದರಿಯು ನಾಲ್ಕು ಹಲ್ಲುಗಳ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳನ್ನು ಬಳಸಿಕೊಂಡು ರೇಖೀಯ ಕಾರ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಈ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. SLP ಸರಳವಾದ ನರಮಂಡಲವಾಗಿದೆ ಮತ್ತು ಗುಪ್ತ ಪದರಗಳನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ. SLP ನೋಡ್‌ಗಳ ನಡುವಿನ ಮಿತಿ ಪ್ರಸರಣವನ್ನು ಆಧರಿಸಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಹಿಂಜರಿತದಲ್ಲಿನ SLP ಮಾದರಿಯು ಗಣಿತಶಾಸ್ತ್ರೀಯವಾಗಿ ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತಕ್ಕೆ ಹೋಲುತ್ತದೆ. SLP ಮಾದರಿಗಿಂತ ಭಿನ್ನವಾಗಿ, MLP ಮಾದರಿಯು ರೇಖೀಯವಲ್ಲದ ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಬಹು ಗುಪ್ತ ಪದರಗಳನ್ನು ಹೊಂದಿದೆ. ನಮ್ಮ ಪ್ರಯೋಗಗಳು ರೇಖೀಯವಲ್ಲದ ಸಕ್ರಿಯಗೊಳಿಸುವಿಕೆ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಕೇವಲ 20 ಗುಪ್ತ ನೋಡ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಗುಪ್ತ ಪದರವನ್ನು ಬಳಸಿದವು. ನಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ಅನ್ನು ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನವಾಗಿ ಮತ್ತು MAE ಮತ್ತು RMSE ಅನ್ನು ನಷ್ಟ ಕಾರ್ಯವಾಗಿ ಬಳಸಿ. ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಪಡೆದ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಅನ್ವಯಿಸಲಾಯಿತು ಮತ್ತು ಹಲ್ಲುಗಳ ವಯಸ್ಸನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ.
ಮಾದರಿಯು 18 ವರ್ಷ ಹಳೆಯದಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಊಹಿಸಲು ತರಬೇತಿ ಸೆಟ್‌ನಲ್ಲಿ ನಾಲ್ಕು ಹಲ್ಲುಗಳ ಪರಿಪಕ್ವತೆಯನ್ನು ಬಳಸುವ ವರ್ಗೀಕರಣ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು, ನಾವು ಏಳು ಪ್ರಾತಿನಿಧ್ಯ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇವೆ6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ಮತ್ತು (7) MLP. LR ಹೆಚ್ಚು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ವರ್ಗೀಕರಣ ಅಲ್ಗಾರಿದಮ್‌ಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ44. ಇದು ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಇದು 0 ರಿಂದ 1 ರವರೆಗಿನ ನಿರ್ದಿಷ್ಟ ವರ್ಗಕ್ಕೆ ಸೇರಿದ ಡೇಟಾದ ಸಂಭವನೀಯತೆಯನ್ನು ಊಹಿಸಲು ಹಿಂಜರಿತವನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಈ ಸಂಭವನೀಯತೆಯ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಸಂಭವನೀಯ ವರ್ಗಕ್ಕೆ ಸೇರಿದೆ ಎಂದು ವರ್ಗೀಕರಿಸುತ್ತದೆ; ಮುಖ್ಯವಾಗಿ ಬೈನರಿ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. KNN ಸರಳವಾದ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ45. ಹೊಸ ಇನ್‌ಪುಟ್ ಡೇಟಾವನ್ನು ನೀಡಿದಾಗ, ಅದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸೆಟ್‌ಗೆ ಹತ್ತಿರವಿರುವ k ಡೇಟಾವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ನಂತರ ಅವುಗಳನ್ನು ಅತ್ಯಧಿಕ ಆವರ್ತನದೊಂದಿಗೆ ವರ್ಗಕ್ಕೆ ವರ್ಗೀಕರಿಸುತ್ತದೆ. ಪರಿಗಣಿಸಲಾದ ನೆರೆಹೊರೆಯವರ ಸಂಖ್ಯೆಗೆ ನಾವು 3 ಅನ್ನು ಹೊಂದಿಸುತ್ತೇವೆ (k). SVM ಎನ್ನುವುದು ಕರ್ನಲ್ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ರೇಖೀಯ ಜಾಗವನ್ನು ಫೀಲ್ಡ್ಸ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ ರೇಖೀಯವಲ್ಲದ ಜಾಗಕ್ಕೆ ವಿಸ್ತರಿಸುವ ಮೂಲಕ ಎರಡು ವರ್ಗಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಹೆಚ್ಚಿಸುವ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ. ಈ ಮಾದರಿಗಾಗಿ, ನಾವು ಬಹುಪದೀಯ ಕರ್ನಲ್‌ಗೆ ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳಾಗಿ ಬಯಾಸ್ = 1, ಪವರ್ = 1, ಮತ್ತು ಗಾಮಾ = 1 ಅನ್ನು ಬಳಸುತ್ತೇವೆ. ಮರದ ರಚನೆಯಲ್ಲಿ ನಿರ್ಧಾರ ನಿಯಮಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಮೂಲಕ ಸಂಪೂರ್ಣ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಹಲವಾರು ಉಪಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸಲು ಅಲ್ಗಾರಿದಮ್ ಆಗಿ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ DT ಅನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ. ಮಾದರಿಯನ್ನು ಪ್ರತಿ ನೋಡ್‌ಗೆ ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯ ದಾಖಲೆಗಳೊಂದಿಗೆ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ 2 ಮತ್ತು ಗುಣಮಟ್ಟದ ಅಳತೆಯಾಗಿ ಗಿನಿ ಸೂಚ್ಯಂಕವನ್ನು ಬಳಸುತ್ತದೆ. RF ಎಂಬುದು ಒಂದು ಸಮಗ್ರ ವಿಧಾನವಾಗಿದ್ದು, ಇದು ಬೂಟ್‌ಸ್ಟ್ರಾಪ್ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು ಬಹು DT ಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದು ಮೂಲ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಒಂದೇ ಗಾತ್ರದ ಮಾದರಿಗಳನ್ನು ಹಲವಾರು ಬಾರಿ ಸೆಳೆಯುವ ಮೂಲಕ ಪ್ರತಿ ಮಾದರಿಗೆ ದುರ್ಬಲ ವರ್ಗೀಕರಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ48. ನಾವು 100 ಮರಗಳು, 10 ಮರದ ಆಳಗಳು, 1 ಕನಿಷ್ಠ ನೋಡ್ ಗಾತ್ರ ಮತ್ತು ಗಿನಿ ಮಿಶ್ರಣ ಸೂಚ್ಯಂಕವನ್ನು ನೋಡ್ ಬೇರ್ಪಡಿಕೆ ಮಾನದಂಡವಾಗಿ ಬಳಸಿದ್ದೇವೆ. ಹೊಸ ಡೇಟಾದ ವರ್ಗೀಕರಣವನ್ನು ಬಹುಮತದ ಮತದಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. XGBoost ಎನ್ನುವುದು ಒಂದು ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಇದು ಹಿಂದಿನ ಮಾದರಿಯ ನಿಜವಾದ ಮತ್ತು ಊಹಿಸಲಾದ ಮೌಲ್ಯಗಳ ನಡುವಿನ ದೋಷವನ್ನು ತರಬೇತಿ ದತ್ತಾಂಶವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಗ್ರೇಡಿಯಂಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ದೋಷವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಇದು ಅದರ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಸಂಪನ್ಮೂಲ ದಕ್ಷತೆ ಹಾಗೂ ಓವರ್‌ಫಿಟ್ಟಿಂಗ್ ತಿದ್ದುಪಡಿ ಕಾರ್ಯವಾಗಿ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸಾರ್ಹತೆಯಿಂದಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ. ಮಾದರಿಯು 400 ಬೆಂಬಲ ಚಕ್ರಗಳನ್ನು ಹೊಂದಿದೆ. MLP ಒಂದು ನರಮಂಡಲವಾಗಿದ್ದು, ಇದರಲ್ಲಿ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಪರ್ಸೆಪ್ಟ್ರಾನ್‌ಗಳು ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಪದರಗಳ ನಡುವೆ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಗುಪ್ತ ಪದರಗಳೊಂದಿಗೆ ಬಹು ಪದರಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ38. ಇದನ್ನು ಬಳಸಿಕೊಂಡು, ನೀವು ರೇಖಾತ್ಮಕವಲ್ಲದ ವರ್ಗೀಕರಣವನ್ನು ನಿರ್ವಹಿಸಬಹುದು, ಅಲ್ಲಿ ನೀವು ಇನ್‌ಪುಟ್ ಪದರವನ್ನು ಸೇರಿಸಿದಾಗ ಮತ್ತು ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ಪಡೆದಾಗ, ಊಹಿಸಲಾದ ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ನಿಜವಾದ ಫಲಿತಾಂಶದ ಮೌಲ್ಯಕ್ಕೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ದೋಷವನ್ನು ಮತ್ತೆ ಪ್ರಸಾರ ಮಾಡಲಾಗುತ್ತದೆ. ನಾವು ಪ್ರತಿ ಪದರದಲ್ಲಿ 20 ಗುಪ್ತ ನರಕೋಶಗಳೊಂದಿಗೆ ಗುಪ್ತ ಪದರವನ್ನು ರಚಿಸಿದ್ದೇವೆ. ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಪ್ರತಿಯೊಂದು ಮಾದರಿಯನ್ನು ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, PPV, NPV ಮತ್ತು AUROC ಅನ್ನು ಲೆಕ್ಕಹಾಕುವ ಮೂಲಕ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಸೆಟ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ. ಸೂಕ್ಷ್ಮತೆಯನ್ನು 18 ವರ್ಷ ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನ ಮಾದರಿ ಮತ್ತು 18 ವರ್ಷ ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನ ಮಾದರಿಯ ಅನುಪಾತ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ನಿರ್ದಿಷ್ಟತೆಯು 18 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನ ಮಾದರಿಗಳು ಮತ್ತು 18 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನ ಮಾದರಿಗಳ ಅನುಪಾತವಾಗಿದೆ.
ತರಬೇತಿ ಗುಂಪಿನಲ್ಲಿ ನಿರ್ಣಯಿಸಲಾದ ದಂತ ಹಂತಗಳನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸಂಖ್ಯಾತ್ಮಕ ಹಂತಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಯಿತು. ಪ್ರತಿ ಲಿಂಗಕ್ಕೂ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಬಳಸಬಹುದಾದ ಹಿಂಜರಿತ ಸೂತ್ರಗಳನ್ನು ಪಡೆಯಲು ಬಹು-ವೇರಿಯೇಟ್ ರೇಖೀಯ ಮತ್ತು ಲಾಜಿಸ್ಟಿಕ್ ಹಿಂಜರಿತವನ್ನು ನಡೆಸಲಾಯಿತು. ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ನಾವು ಈ ಸೂತ್ರಗಳನ್ನು ಬಳಸಿದ್ದೇವೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಹಿಂಜರಿತ ಮತ್ತು ವರ್ಗೀಕರಣ ಮಾದರಿಗಳನ್ನು ಕೋಷ್ಟಕ 4 ತೋರಿಸುತ್ತದೆ.
ಕೋಹೆನ್‌ನ ಕಪ್ಪಾ ಅಂಕಿಅಂಶಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಇಂಟ್ರಾ- ಮತ್ತು ಇಂಟರ್‌ಅಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗಿದೆ. DM ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತ ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು, ನಾವು ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳ ಅಂದಾಜು ಮತ್ತು ನಿಜವಾದ ವಯಸ್ಸನ್ನು ಬಳಸಿಕೊಂಡು MAE ಮತ್ತು RMSE ಅನ್ನು ಲೆಕ್ಕ ಹಾಕಿದ್ದೇವೆ. ಮಾದರಿ ಮುನ್ಸೂಚನೆಗಳ ನಿಖರತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಈ ದೋಷಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ದೋಷವು ಚಿಕ್ಕದಾಗಿದ್ದರೆ, ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ24. DM ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಿದ ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳ MAE ಮತ್ತು RMSE ಅನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ. ಸಾಂಪ್ರದಾಯಿಕ ಅಂಕಿಅಂಶಗಳಲ್ಲಿ 18 ವರ್ಷಗಳ ಕಟ್‌ಆಫ್‌ನ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 2 × 2 ಆಕಸ್ಮಿಕ ಕೋಷ್ಟಕವನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಣಯಿಸಲಾಗಿದೆ. ಪರೀಕ್ಷಾ ಸೆಟ್‌ನ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, PPV, NPV ಮತ್ತು AUROC ಅನ್ನು DM ವರ್ಗೀಕರಣ ಮಾದರಿಯ ಅಳತೆ ಮಾಡಿದ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಹೋಲಿಸಲಾಗಿದೆ. ಡೇಟಾ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅವಲಂಬಿಸಿ ಡೇಟಾವನ್ನು ಸರಾಸರಿ ± ಪ್ರಮಾಣಿತ ವಿಚಲನ ಅಥವಾ ಸಂಖ್ಯೆ (%) ಎಂದು ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ. ಎರಡು-ಬದಿಯ P ಮೌಲ್ಯಗಳು <0.05 ಅನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿ ಪರಿಗಣಿಸಲಾಗಿದೆ. ಎಲ್ಲಾ ದಿನನಿತ್ಯದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು SAS ಆವೃತ್ತಿ 9.4 (SAS ಇನ್ಸ್ಟಿಟ್ಯೂಟ್, ಕ್ಯಾರಿ, NC) ಬಳಸಿ ನಡೆಸಲಾಯಿತು. ಗಣಿತದ ಕಾರ್ಯಾಚರಣೆಗಳಿಗಾಗಿ ನಿರ್ದಿಷ್ಟವಾಗಿ Keras50 2.2.4 ಬ್ಯಾಕೆಂಡ್ ಮತ್ತು Tensorflow51 1.8.0 ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪೈಥಾನ್‌ನಲ್ಲಿ DM ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ. DM ವರ್ಗೀಕರಣ ಮಾದರಿಯನ್ನು ವೈಕಾಟೊ ಜ್ಞಾನ ವಿಶ್ಲೇಷಣೆ ಪರಿಸರ ಮತ್ತು ಕಾನ್‌ಸ್ಟಾಂಜ್ ಮಾಹಿತಿ ಗಣಿಗಾರ (KNIME) 4.6.152 ವಿಶ್ಲೇಷಣಾ ವೇದಿಕೆಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ.
ಅಧ್ಯಯನದ ತೀರ್ಮಾನಗಳನ್ನು ಬೆಂಬಲಿಸುವ ದತ್ತಾಂಶವನ್ನು ಲೇಖನ ಮತ್ತು ಪೂರಕ ಸಾಮಗ್ರಿಗಳಲ್ಲಿ ಕಾಣಬಹುದು ಎಂದು ಲೇಖಕರು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತಾರೆ. ಅಧ್ಯಯನದ ಸಮಯದಲ್ಲಿ ರಚಿಸಲಾದ ಮತ್ತು/ಅಥವಾ ವಿಶ್ಲೇಷಿಸಲಾದ ದತ್ತಾಂಶಗಳು ಸಂಬಂಧಿತ ಲೇಖಕರಿಂದ ಸಮಂಜಸವಾದ ಕೋರಿಕೆಯ ಮೇರೆಗೆ ಲಭ್ಯವಿದೆ.
ರಿಟ್ಜ್-ಟಿಮ್ಮೆ, ಎಸ್. ಮತ್ತು ಇತರರು. ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನ: ವಿಧಿವಿಜ್ಞಾನ ಅಭ್ಯಾಸದ ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಲು ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಜ್ಞಾನ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಕಾನೂನು ಔಷಧ. 113, 129–136 (2000).
ಸ್ಕ್ಮೆಲಿಂಗ್, ಎ., ರೈಸಿಂಗರ್, ಡಬ್ಲ್ಯೂ., ಗೆಸೆರಿಕ್, ಜಿ., ಮತ್ತು ಓಲ್ಜ್, ಎ. ಕ್ರಿಮಿನಲ್ ಮೊಕದ್ದಮೆ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಜೀವಂತ ವಿಷಯಗಳ ಫೋರೆನ್ಸಿಕ್ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನದ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿ. ಫೋರೆನ್ಸಿಕ್ಸ್. ಔಷಧ. ರೋಗಶಾಸ್ತ್ರ. 1, 239–246 (2005).
ಪ್ಯಾನ್, ಜೆ. ಮತ್ತು ಇತರರು. ಪೂರ್ವ ಚೀನಾದಲ್ಲಿ 5 ರಿಂದ 16 ವರ್ಷ ವಯಸ್ಸಿನ ಮಕ್ಕಳ ದಂತ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಮಾರ್ಪಡಿಸಿದ ವಿಧಾನ. ಕ್ಲಿನಿಕಲ್. ಮೌಖಿಕ ಸಮೀಕ್ಷೆ. 25, 3463–3474 (2021).
ಲೀ, ಎಸ್‌ಎಸ್ ಇತ್ಯಾದಿ. ಕೊರಿಯನ್ನರಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಬೆಳವಣಿಗೆಯ ಕಾಲಗಣನೆ ಮತ್ತು ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಅದರ ಅನ್ವಯ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಕಾನೂನು ಔಷಧ. 124, 659–665 (2010).
ಓಹ್, ಎಸ್., ಕುಮಗೈ, ಎ., ಕಿಮ್, ಎಸ್‌ವೈ ಮತ್ತು ಲೀ, ಎಸ್‌ಎಸ್. ಕೊರಿಯನ್ನರು ಮತ್ತು ಜಪಾನೀಸ್‌ನಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಮೋಲಾರ್‌ಗಳ ಪಕ್ವತೆಯ ಆಧಾರದ ಮೇಲೆ 18 ವರ್ಷಗಳ ಮಿತಿಯ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ನಿಖರತೆ ಮತ್ತು ಅಂದಾಜಿನ ನಿಖರತೆ. PLoS ONE 17, e0271247 (2022).
ಕಿಮ್, ಜೆವೈ, ಮತ್ತು ಇತರರು. ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಗೆ ಮುಂಚಿನ ಯಂತ್ರ ಕಲಿಕೆ ಆಧಾರಿತ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯು OSA ರೋಗಿಗಳಲ್ಲಿ ನಿದ್ರೆಯ ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಯ ಚಿಕಿತ್ಸೆಯ ಫಲಿತಾಂಶವನ್ನು ಊಹಿಸಬಹುದು. ವಿಜ್ಞಾನ. ವರದಿ 11, 14911 (2021).
ಹ್ಯಾನ್, ಎಂ. ಮತ್ತು ಇತರರು. ಮಾನವ ಹಸ್ತಕ್ಷೇಪದೊಂದಿಗೆ ಅಥವಾ ಇಲ್ಲದೆಯೇ ಯಂತ್ರ ಕಲಿಕೆಯಿಂದ ನಿಖರವಾದ ವಯಸ್ಸಿನ ಅಂದಾಜು? ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಕಾನೂನು ಔಷಧ. 136, 821–831 (2022).
ಖಾನ್, ಎಸ್. ಮತ್ತು ಶಾಹೀನ್, ಎಂ. ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯಿಂದ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಗೆ. ಜೆ. ಮಾಹಿತಿ. ವಿಜ್ಞಾನ. https://doi.org/10.1177/01655515211030872 (2021).
ಖಾನ್, ಎಸ್. ಮತ್ತು ಶಾಹೀನ್, ಎಂ. ವಿಸ್‌ರೂಲ್: ಅಸೋಸಿಯೇಷನ್ ​​ರೂಲ್ ಮೈನಿಂಗ್‌ಗಾಗಿ ಮೊದಲ ಅರಿವಿನ ಅಲ್ಗಾರಿದಮ್. ಜೆ.ಮಾಹಿತಿ. ವಿಜ್ಞಾನ. https://doi.org/10.1177/01655515221108695 (2022).
ಶಾಹೀನ್ ಎಂ. ಮತ್ತು ಅಬ್ದುಲ್ಲಾ ಯು. ಕರ್ಮ್: ಸಂದರ್ಭ-ಆಧಾರಿತ ಅಸೋಸಿಯೇಷನ್ ​​ನಿಯಮಗಳ ಆಧಾರದ ಮೇಲೆ ಸಾಂಪ್ರದಾಯಿಕ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ. ಲೆಕ್ಕಾಚಾರ. ಮ್ಯಾಟ್. ಮುಂದುವರಿಸಿ. 68, 3305–3322 (2021).
ಮುಹಮ್ಮದ್ ಎಂ., ರೆಹಮಾನ್ ಝಡ್., ಶಾಹೀನ್ ಎಂ., ಖಾನ್ ಎಂ. ಮತ್ತು ಹಬೀಬ್ ಎಂ. ಪಠ್ಯ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಆಳವಾದ ಕಲಿಕೆ ಆಧಾರಿತ ಶಬ್ದಾರ್ಥದ ಹೋಲಿಕೆ ಪತ್ತೆ. ಮಾಹಿತಿ. ತಂತ್ರಜ್ಞಾನಗಳು. ನಿಯಂತ್ರಣ. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ತಬಿಶ್, ಎಂ., ತನೋಲಿ, ಝಡ್., ಮತ್ತು ಶಾಹಿನ್, ಎಂ. ಕ್ರೀಡಾ ವೀಡಿಯೊಗಳಲ್ಲಿನ 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 ಎಕ್ಸ್-ಕಿರಣಗಳಿಂದ ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಅಂದಾಜು. ಯುರೋ. ವಿಕಿರಣ. 29, 2322–2329 (2019).
ಗುವೊ, ವೈಸಿ, ಮತ್ತು ಇತರರು. ಆರ್ಥೋಗ್ರಾಫಿಕ್ ಪ್ರೊಜೆಕ್ಷನ್ ಚಿತ್ರಗಳಿಂದ ಹಸ್ತಚಾಲಿತ ವಿಧಾನಗಳು ಮತ್ತು ಆಳವಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಖರವಾದ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಕಾನೂನು ಔಷಧ. 135, 1589–1597 (2021).
ಅಲಬಾಮಾ ಡಲೋರಾ 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 ಟೊಮೊಗ್ರಫಿ ಬಳಸಿ ಮೊದಲ ಮೋಲಾರ್‌ಗಳ ತಿರುಳು ಕೋಣೆಯ ಪರಿಮಾಣವನ್ನು ಆಧರಿಸಿ ಆಫ್ರಿಕನ್ ಅಮೆರಿಕನ್ನರು ಮತ್ತು ಚೀನಿಯರ ಜನಸಂಖ್ಯೆ-ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನ ಅಂದಾಜು. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಕಾನೂನು ಔಷಧ. 136, 811–819 (2022).
ಕಿಮ್ ಎಸ್., ಲೀ ವೈಹೆಚ್, ನೋಹ್ ವೈಕೆ, ಪಾರ್ಕ್ ಎಫ್‌ಕೆ ಮತ್ತು ಓಹ್ ಕೆಎಸ್ ಮೊದಲ ಮೋಲಾರ್‌ಗಳ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಆಧಾರಿತ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಜೀವಂತ ಜನರ ವಯಸ್ಸಿನ ಗುಂಪುಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು. ವಿಜ್ಞಾನ. ವರದಿ 11, 1073 (2021).
ಸ್ಟರ್ನ್, ಡಿ., ಪೇಯರ್, ಸಿ., ಗಿಯುಲಿಯಾನಿ, ಎನ್., ಮತ್ತು ಉರ್ಷ್ಲರ್, ಎಂ. ಮಲ್ಟಿವೇರಿಯೇಟ್ ಎಂಆರ್ಐ ಡೇಟಾದಿಂದ ಸ್ವಯಂಚಾಲಿತ ವಯಸ್ಸಿನ ಅಂದಾಜು ಮತ್ತು ಬಹುಪಾಲು ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣ. ಐಇಇಇ ಜೆ. ಬಯೋಮೆಡ್. ಆರೋಗ್ಯ ಎಚ್ಚರಿಕೆಗಳು. 23, 1392–1403 (2019).
ಚೆಂಗ್, ಕ್ಯೂ., ಜಿಇ, ಝಡ್., ಡು, ಹೆಚ್. ಮತ್ತು ಲಿ, ಜಿ. ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ಮಟ್ಟದ ಸೆಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಕೋನ್ ಬೀಮ್ ಕಂಪ್ಯೂಟೆಡ್ ಟೊಮೊಗ್ರಫಿಯಿಂದ ಮೊದಲ ಮೋಲಾರ್‌ಗಳ 3D ಪಲ್ಪ್ ಚೇಂಬರ್ ವಿಭಜನೆಯನ್ನು ಆಧರಿಸಿದ ವಯಸ್ಸಿನ ಅಂದಾಜು. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಕಾನೂನು ಔಷಧ. 135, 365–373 (2021).
ವು, ಡಬ್ಲ್ಯೂಟಿ, ಮತ್ತು ಇತರರು. ಕ್ಲಿನಿಕಲ್ ಬಿಗ್ ಡೇಟಾದಲ್ಲಿ ಡೇಟಾ ಗಣಿಗಾರಿಕೆ: ಸಾಮಾನ್ಯ ಡೇಟಾಬೇಸ್‌ಗಳು, ಹಂತಗಳು ಮತ್ತು ವಿಧಾನಗಳ ಮಾದರಿಗಳು. ಪ್ರಪಂಚ. ಔಷಧ. ಸಂಪನ್ಮೂಲ. 8, 44 (2021).
ಯಾಂಗ್, ಜೆ. ಮತ್ತು ಇತರರು. ಬಿಗ್ ಡೇಟಾ ಯುಗದಲ್ಲಿ ವೈದ್ಯಕೀಯ ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು ಡೇಟಾ ಮೈನಿಂಗ್ ತಂತ್ರಜ್ಞಾನಗಳ ಪರಿಚಯ. ಜೆ. ಅವಿಡ್. ಮೂಲ ಔಷಧ. 13, 57–69 (2020).
ಶೆನ್, ಎಸ್. ಮತ್ತು ಇತರರು. ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕ್ಯಾಮರರ್ ಅವರ ವಿಧಾನ. BMC ಓರಲ್ ಹೆಲ್ತ್ 21, 641 (2021).
ಗ್ಯಾಲಿಬರ್ಗ್ ಎ. ಮತ್ತು ಇತರರು. ಡೆಮಿರ್ಡ್ಜಿಯನ್ ಸ್ಟೇಜಿಂಗ್ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ದಂತ ವಯಸ್ಸನ್ನು ಊಹಿಸಲು ವಿವಿಧ ಯಂತ್ರ ಕಲಿಕೆ ವಿಧಾನಗಳ ಹೋಲಿಕೆ. ಅಂತರರಾಷ್ಟ್ರೀಯತೆ. ಜೆ. ಕಾನೂನು ಔಷಧ. 135, 665–675 (2021).
ಡೆಮಿರ್ಡ್ಜಿಯನ್, ಎ., ಗೋಲ್ಡ್‌ಸ್ಟೈನ್, ಹೆಚ್. ಮತ್ತು ಟ್ಯಾನರ್, ಜೆಎಂ ದಂತ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಒಂದು ಹೊಸ ವ್ಯವಸ್ಥೆ. ಗೊರಕೆ. ಜೀವಶಾಸ್ತ್ರ. 45, 211–227 (1973).
ಲ್ಯಾಂಡಿಸ್, ಜೆಆರ್, ಮತ್ತು ಕೋಚ್, ಜಿಜಿ ವರ್ಗೀಕೃತ ದತ್ತಾಂಶದ ಮೇಲಿನ ವೀಕ್ಷಕರ ಒಪ್ಪಂದದ ಅಳತೆಗಳು. 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 ರಚನೆ, ರೂಪವಿಜ್ಞಾನ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆ. ಆರೋಗ್ಯ ಮಾಹಿತಿ. ಸಂಪನ್ಮೂಲ. https://doi.org/10.4258/hir.2022.28.1.46 (2022).