ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಾನಗಳ ವಿರುದ್ಧ ಡೇಟಾ ಮೈನಿಂಗ್ ಮಾದರಿಯ ಮೌಲ್ಯೀಕರಣ

Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು.ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್ 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, ನಡೆಯುತ್ತಿರುವ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಸ್ಟೈಲಿಂಗ್ ಅಥವಾ ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ತೋರಿಸುತ್ತಿದ್ದೇವೆ.
ಹಲ್ಲುಗಳನ್ನು ಮಾನವ ದೇಹದ ವಯಸ್ಸಿನ ಅತ್ಯಂತ ನಿಖರವಾದ ಸೂಚಕವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಇದನ್ನು ಫೋರೆನ್ಸಿಕ್ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು ಡೇಟಾ ಗಣಿಗಾರಿಕೆ-ಆಧಾರಿತ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳೊಂದಿಗೆ 18-ವರ್ಷದ ಮಿತಿಯ ಅಂದಾಜು ನಿಖರತೆ ಮತ್ತು ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸುವ ಮೂಲಕ ಡೇಟಾ ಗಣಿಗಾರಿಕೆ-ಆಧಾರಿತ ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವ ಗುರಿಯನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ.15 ರಿಂದ 23 ವರ್ಷ ವಯಸ್ಸಿನ ಕೊರಿಯನ್ ಮತ್ತು ಜಪಾನಿ ನಾಗರಿಕರಿಂದ ಒಟ್ಟು 2657 ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ.ಅವುಗಳನ್ನು ತರಬೇತಿ ಸೆಟ್‌ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ, ಪ್ರತಿಯೊಂದೂ 900 ಕೊರಿಯನ್ ರೇಡಿಯೊಗ್ರಾಫ್‌ಗಳನ್ನು ಮತ್ತು 857 ಜಪಾನೀಸ್ ರೇಡಿಯೊಗ್ರಾಫ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ.ನಾವು ಡೇಟಾ ಮೈನಿಂಗ್ ಮಾದರಿಗಳ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳೊಂದಿಗೆ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳ ವರ್ಗೀಕರಣ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಹೋಲಿಸಿದ್ದೇವೆ.ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ನಿಖರತೆಯು ಡೇಟಾ ಮೈನಿಂಗ್ ಮಾದರಿಗಿಂತ ಸ್ವಲ್ಪ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಮತ್ತು ವ್ಯತ್ಯಾಸವು ಚಿಕ್ಕದಾಗಿದೆ (ಅಂದರೆ ಸಂಪೂರ್ಣ ದೋಷ <0.21 ವರ್ಷಗಳು, ರೂಟ್ ಸರಾಸರಿ ಚದರ ದೋಷ <0.24 ವರ್ಷಗಳು).18-ವರ್ಷದ ಕಟ್‌ಆಫ್‌ನ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು ಡೇಟಾ ಮೈನಿಂಗ್ ಮಾದರಿಗಳ ನಡುವೆ ಹೋಲುತ್ತದೆ.ಹೀಗಾಗಿ, ಕೊರಿಯಾದ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಬಾಚಿಹಲ್ಲುಗಳ ಪರಿಪಕ್ವತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಫೋರೆನ್ಸಿಕ್ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನವನ್ನು ನಿರ್ವಹಿಸುವಾಗ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ಡೇಟಾ ಮೈನಿಂಗ್ ಮಾದರಿಗಳಿಂದ ಬದಲಾಯಿಸಬಹುದು.
ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜನ್ನು ಫೋರೆನ್ಸಿಕ್ ಮೆಡಿಸಿನ್ ಮತ್ತು ಪೀಡಿಯಾಟ್ರಿಕ್ ಡೆಂಟಿಸ್ಟ್ರಿಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕಾಲಾನುಕ್ರಮದ ವಯಸ್ಸು ಮತ್ತು ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ನಡುವಿನ ಹೆಚ್ಚಿನ ಪರಸ್ಪರ ಸಂಬಂಧದಿಂದಾಗಿ, ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳ ಮೂಲಕ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನವು ಮಕ್ಕಳು ಮತ್ತು ಹದಿಹರೆಯದವರ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಪ್ರಮುಖ ಮಾನದಂಡವಾಗಿದೆ 1,2,3.ಆದಾಗ್ಯೂ, ಯುವಜನರಿಗೆ, ಹಲ್ಲಿನ ಪ್ರಬುದ್ಧತೆಯ ಆಧಾರದ ಮೇಲೆ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವುದು ಅದರ ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ ಏಕೆಂದರೆ ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯು ಮೂರನೇ ಬಾಚಿಹಲ್ಲುಗಳನ್ನು ಹೊರತುಪಡಿಸಿ ಬಹುತೇಕ ಪೂರ್ಣಗೊಂಡಿದೆ.ಯುವಜನರು ಮತ್ತು ಹದಿಹರೆಯದವರ ವಯಸ್ಸನ್ನು ನಿರ್ಧರಿಸುವ ಕಾನೂನು ಉದ್ದೇಶವು ಅವರು ಬಹುಮತದ ವಯಸ್ಸನ್ನು ತಲುಪಿದ್ದಾರೆಯೇ ಎಂಬುದಕ್ಕೆ ನಿಖರವಾದ ಅಂದಾಜುಗಳು ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಪುರಾವೆಗಳನ್ನು ಒದಗಿಸುವುದು.ಕೊರಿಯಾದಲ್ಲಿ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರ ವೈದ್ಯಕೀಯ-ಕಾನೂನು ಅಭ್ಯಾಸದಲ್ಲಿ, ಲೀ ಅವರ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ ಮತ್ತು ಓಹ್ ಮತ್ತು ಇತರರು ವರದಿ ಮಾಡಿದ ಡೇಟಾದ ಆಧಾರದ ಮೇಲೆ 18 ವರ್ಷಗಳ ಕಾನೂನು ಮಿತಿಯನ್ನು ಊಹಿಸಲಾಗಿದೆ.
ಯಂತ್ರ ಕಲಿಕೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಒಂದು ವಿಧವಾಗಿದೆ (AI) ಇದು ಪದೇ ಪದೇ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ವರ್ಗೀಕರಿಸುತ್ತದೆ, ಸಮಸ್ಯೆಗಳನ್ನು ತನ್ನದೇ ಆದ ಮೇಲೆ ಪರಿಹರಿಸುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡುತ್ತದೆ.ಯಂತ್ರ ಕಲಿಕೆಯು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾದಲ್ಲಿ ಉಪಯುಕ್ತ ಗುಪ್ತ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು6.ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಕಾರ್ಮಿಕ-ತೀವ್ರ ಮತ್ತು ಸಮಯ-ಸೇವಿಸುವ ಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳು, ಕೈಯಾರೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕಷ್ಟಕರವಾದ ಸಂಕೀರ್ಣ ಡೇಟಾದ ದೊಡ್ಡ ಪರಿಮಾಣಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವಾಗ ಮಿತಿಗಳನ್ನು ಹೊಂದಿರಬಹುದು7.ಆದ್ದರಿಂದ, ಮಾನವ ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ಬಹುಆಯಾಮದ ಡೇಟಾವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಇತ್ತೀಚಿನ ಕಂಪ್ಯೂಟರ್ ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅನೇಕ ಅಧ್ಯಯನಗಳನ್ನು ಇತ್ತೀಚೆಗೆ ನಡೆಸಲಾಗಿದೆ8,9,10,11,12.ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ವೈದ್ಯಕೀಯ ಚಿತ್ರಣ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತು ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ವಯಸ್ಸಿನ ಅಂದಾಜುಗೆ ವಿವಿಧ ವಿಧಾನಗಳು ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು ವರದಿಯಾಗಿದೆ13,14,15,16,17,18,19,20 .ಉದಾಹರಣೆಗೆ, Halabi et al 13 ಮಕ್ಕಳ ಕೈಗಳ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅಸ್ಥಿಪಂಜರದ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು (CNN) ಆಧರಿಸಿ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು.ಈ ಅಧ್ಯಯನವು ವೈದ್ಯಕೀಯ ಚಿತ್ರಗಳಿಗೆ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅನ್ವಯಿಸುವ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುತ್ತದೆ ಮತ್ತು ಈ ವಿಧಾನಗಳು ರೋಗನಿರ್ಣಯದ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ.Li et al14 ಅವರು ಆಳವಾದ ಕಲಿಕೆಯ CNN ಅನ್ನು ಬಳಸಿಕೊಂಡು ಶ್ರೋಣಿಯ ಎಕ್ಸ್-ರೇ ಚಿತ್ರಗಳಿಂದ ವಯಸ್ಸನ್ನು ಅಂದಾಜಿಸಿದ್ದಾರೆ ಮತ್ತು ಆಸಿಫಿಕೇಶನ್ ಹಂತದ ಅಂದಾಜನ್ನು ಬಳಸಿಕೊಂಡು ರಿಗ್ರೆಷನ್ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದ್ದಾರೆ.ಆಳವಾದ ಕಲಿಕೆಯ CNN ಮಾದರಿಯು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತ ಮಾದರಿಯ ಅದೇ ವಯಸ್ಸಿನ ಅಂದಾಜು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಿದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು.Guo et al.'s ಅಧ್ಯಯನವು [15] ದಂತ ಆರ್ಥೋಫೋಟೋಗಳ ಆಧಾರದ ಮೇಲೆ CNN ತಂತ್ರಜ್ಞಾನದ ವಯಸ್ಸಿನ ಸಹಿಷ್ಣುತೆಯ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆ ಮತ್ತು CNN ಮಾದರಿಯ ಫಲಿತಾಂಶಗಳು ಮಾನವರು ಅದರ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೀರಿಸಿದ್ದಾರೆ ಎಂದು ಸಾಬೀತುಪಡಿಸಿತು.
ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸಿನ ಅಂದಾಜು ಕುರಿತು ಹೆಚ್ಚಿನ ಅಧ್ಯಯನಗಳು ಆಳವಾದ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು 13,14,15,16,17,18,19,20 ಬಳಸುತ್ತವೆ.ಆಳವಾದ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ವರದಿಯಾಗಿದೆ.ಆದಾಗ್ಯೂ, ಅಂದಾಜುಗಳಲ್ಲಿ ಬಳಸಲಾದ ವಯಸ್ಸಿನ ಸೂಚಕಗಳಂತಹ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳಿಗೆ ವೈಜ್ಞಾನಿಕ ಆಧಾರವನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಲು ಈ ವಿಧಾನವು ಕಡಿಮೆ ಅವಕಾಶವನ್ನು ಒದಗಿಸುತ್ತದೆ.ತಪಾಸಣೆಯನ್ನು ಯಾರು ನಡೆಸುತ್ತಾರೆ ಎಂಬುದರ ಬಗ್ಗೆ ಕಾನೂನು ವಿವಾದವೂ ಇದೆ.ಆದ್ದರಿಂದ, ಆಳವಾದ ಕಲಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳನ್ನು ಆಡಳಿತಾತ್ಮಕ ಮತ್ತು ನ್ಯಾಯಾಂಗ ಅಧಿಕಾರಿಗಳು ಒಪ್ಪಿಕೊಳ್ಳುವುದು ಕಷ್ಟ.ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ (DM) ಎಂಬುದು ಒಂದು ತಂತ್ರವಾಗಿದ್ದು, ಇದು ನಿರೀಕ್ಷಿತ ಮಾತ್ರವಲ್ಲದೆ ಅನಿರೀಕ್ಷಿತ ಮಾಹಿತಿಯನ್ನು ಸಹ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾ 6,21,22 ನಡುವಿನ ಉಪಯುಕ್ತ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವ ವಿಧಾನವಾಗಿದೆ.ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಡೇಟಾ ಗಣಿಗಾರಿಕೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಎರಡೂ ದತ್ತಾಂಶದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಒಂದೇ ಪ್ರಮುಖ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಬಳಸುತ್ತವೆ.ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವಯಸ್ಸಿನ ಅಂದಾಜು ಗುರಿ ಹಲ್ಲುಗಳ ಪಕ್ವತೆಯ ಪರೀಕ್ಷಕರ ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಈ ಮೌಲ್ಯಮಾಪನವನ್ನು ಪ್ರತಿ ಗುರಿ ಹಲ್ಲಿನ ಹಂತವಾಗಿ ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ.DM ಅನ್ನು ದಂತ ಮೌಲ್ಯಮಾಪನ ಹಂತ ಮತ್ತು ನಿಜವಾದ ವಯಸ್ಸಿನ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಬಳಸಬಹುದು ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಅಂಕಿಅಂಶಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬದಲಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.ಆದ್ದರಿಂದ, ನಾವು ವಯಸ್ಸಿನ ಅಂದಾಜುಗೆ DM ತಂತ್ರಗಳನ್ನು ಅನ್ವಯಿಸಿದರೆ, ನಾವು ಕಾನೂನು ಹೊಣೆಗಾರಿಕೆಯ ಬಗ್ಗೆ ಚಿಂತಿಸದೆ ವಿಧಿವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಅಂದಾಜಿನಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು.ಫೋರೆನ್ಸಿಕ್ ಅಭ್ಯಾಸದಲ್ಲಿ ಬಳಸಲಾಗುವ ಸಾಂಪ್ರದಾಯಿಕ ಕೈಪಿಡಿ ವಿಧಾನಗಳಿಗೆ ಮತ್ತು ದಂತ ವಯಸ್ಸನ್ನು ನಿರ್ಧರಿಸಲು EBM-ಆಧಾರಿತ ವಿಧಾನಗಳಿಗೆ ಸಂಭವನೀಯ ಪರ್ಯಾಯಗಳ ಕುರಿತು ಹಲವಾರು ತುಲನಾತ್ಮಕ ಅಧ್ಯಯನಗಳನ್ನು ಪ್ರಕಟಿಸಲಾಗಿದೆ.ಶೆನ್ ಮತ್ತು ಇತರರು DM ಮಾದರಿಯು ಸಾಂಪ್ರದಾಯಿಕ ಕ್ಯಾಮೆರಾರ್ ಸೂತ್ರಕ್ಕಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ತೋರಿಸಿದರು.ಡೆಮಿರ್ಡ್ಜಿಯನ್ ಮಾನದಂಡ 25 ರ ಪ್ರಕಾರ ವಯಸ್ಸನ್ನು ಊಹಿಸಲು Galibourg et al24 ವಿಭಿನ್ನ DM ವಿಧಾನಗಳನ್ನು ಅನ್ವಯಿಸಿದರು ಮತ್ತು ಫಲಿತಾಂಶಗಳು DM ವಿಧಾನವು ಫ್ರೆಂಚ್ ಜನಸಂಖ್ಯೆಯ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ ಡೆಮಿರ್ಡ್ಜಿಯನ್ ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸಿದೆ ಎಂದು ತೋರಿಸಿದೆ.
ಕೊರಿಯನ್ ಹದಿಹರೆಯದವರು ಮತ್ತು ಯುವ ವಯಸ್ಕರ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು, ಲೀ ಅವರ ವಿಧಾನ 4 ಅನ್ನು ಕೊರಿಯನ್ ನ್ಯಾಯಶಾಸ್ತ್ರದ ಅಭ್ಯಾಸದಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.ಈ ವಿಧಾನವು ಕೊರಿಯನ್ ವಿಷಯಗಳು ಮತ್ತು ಕಾಲಾನುಕ್ರಮದ ವಯಸ್ಸಿನ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪರೀಕ್ಷಿಸಲು ಸಾಂಪ್ರದಾಯಿಕ ಅಂಕಿಅಂಶಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು (ಬಹು ಹಿಂಜರಿಕೆಯಂತಹ) 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 ದೃಢಪಡಿಸಿದ್ದಾರೆ.5;ಆದಾಗ್ಯೂ, ಕೊರಿಯನ್ ಫೋರೆನ್ಸಿಕ್ ಅಭ್ಯಾಸದಲ್ಲಿ DM ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಅನ್ವಯಿಸುವಿಕೆ ಇನ್ನೂ ಪ್ರಶ್ನಾರ್ಹವಾಗಿದೆ.DM ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜಿನ ಸಂಭಾವ್ಯ ಉಪಯುಕ್ತತೆಯನ್ನು ವೈಜ್ಞಾನಿಕವಾಗಿ ಮೌಲ್ಯೀಕರಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿದೆ.ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶವು (1) ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡುವಲ್ಲಿ ಎರಡು DM ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಹೋಲಿಸುವುದು ಮತ್ತು (2) 18 ವರ್ಷಗಳ ವಯಸ್ಸಿನಲ್ಲಿ 7 DM ಮಾದರಿಗಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪಡೆದವುಗಳೊಂದಿಗೆ ಹೋಲಿಸುವುದು ಮತ್ತು ಎರಡೂ ದವಡೆಗಳಲ್ಲಿ ಮೂರನೇ ಬಾಚಿಹಲ್ಲುಗಳು.
ಹಂತ ಮತ್ತು ಹಲ್ಲಿನ ಪ್ರಕಾರದ ಮೂಲಕ ಕಾಲಾನುಕ್ರಮದ ವಯಸ್ಸಿನ ವಿಧಾನಗಳು ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನಗಳನ್ನು ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ಪೂರಕ ಕೋಷ್ಟಕ S1 (ತರಬೇತಿ ಸೆಟ್), ಪೂರಕ ಕೋಷ್ಟಕ S2 (ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್), ಮತ್ತು ಪೂರಕ ಕೋಷ್ಟಕ S3 (ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್) ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ತರಬೇತಿ ಸೆಟ್‌ನಿಂದ ಪಡೆದ ಇಂಟ್ರಾ ಮತ್ತು ಇಂಟರ್‌ಅಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಗೆ ಕಪ್ಪಾ ಮೌಲ್ಯಗಳು ಕ್ರಮವಾಗಿ 0.951 ಮತ್ತು 0.947.P ಮೌಲ್ಯಗಳು ಮತ್ತು ಕಪ್ಪಾ ಮೌಲ್ಯಗಳಿಗೆ 95% ವಿಶ್ವಾಸಾರ್ಹ ಮಧ್ಯಂತರಗಳನ್ನು ಆನ್‌ಲೈನ್ ಪೂರಕ ಕೋಷ್ಟಕ S4 ನಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.ಕಪ್ಪಾ ಮೌಲ್ಯವನ್ನು ಲ್ಯಾಂಡಿಸ್ ಮತ್ತು ಕೋಚ್ 26 ರ ಮಾನದಂಡಗಳಿಗೆ ಅನುಗುಣವಾಗಿ "ಬಹುತೇಕ ಪರಿಪೂರ್ಣ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ.
ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷವನ್ನು (MAE) ಹೋಲಿಸಿದಾಗ, ಬಹುಪದರದ ಪರ್ಸೆಪ್ಟ್ರಾನ್ (MLP) ಹೊರತುಪಡಿಸಿ, ಎಲ್ಲಾ ಲಿಂಗಗಳಿಗೆ ಮತ್ತು ಬಾಹ್ಯ ಪುರುಷ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು DM ಮಾದರಿಯನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಮೀರಿಸುತ್ತದೆ.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 ಬ್ಯಾಟರಿಗಾಗಿ, ವ್ಯತ್ಯಾಸಗಳು ಚಿಕ್ಕದಾಗಿದೆ (ಪುರುಷರಿಗೆ 0.001-0.05 ವರ್ಷಗಳು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ 0.05-0.09 ವರ್ಷಗಳು).ಹೆಚ್ಚುವರಿಯಾಗಿ, ರೂಟ್ ಮೀನ್ ಸ್ಕ್ವೇರ್ 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 ಏಕ ಪದರ ಪರ್ಸೆಪ್ಟ್ರಾನ್ (SLP) ಗಿಂತ ಸ್ವಲ್ಪ ಉತ್ತಮವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ, ಸ್ತ್ರೀ ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ಹೊರತುಪಡಿಸಿ.MAE ಮತ್ತು RMSE ಗಾಗಿ, ಎಲ್ಲಾ ಲಿಂಗಗಳು ಮತ್ತು ಮಾದರಿಗಳಿಗೆ ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಿಂತ ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್ ಸ್ಕೋರ್‌ಗಳು ಹೆಚ್ಚು.ಎಲ್ಲಾ MAE ಮತ್ತು RMSE ಗಳನ್ನು ಕೋಷ್ಟಕ 1 ಮತ್ತು ಚಿತ್ರ 1 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು ಡೇಟಾ ಮೈನಿಂಗ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳ MAE ಮತ್ತು RMSE.ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ MAE, ರೂಟ್ ಮೀನ್ ಸ್ಕ್ವೇರ್ ದೋಷ RMSE, ಸಿಂಗಲ್ ಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ SLP, ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ MLP, ಸಾಂಪ್ರದಾಯಿಕ CM ವಿಧಾನ.
ಸಾಂಪ್ರದಾಯಿಕ ಮತ್ತು DM ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ (18 ವರ್ಷಗಳ ಕಟ್‌ಆಫ್‌ನೊಂದಿಗೆ) ಸಂವೇದನೆ, ನಿರ್ದಿಷ್ಟತೆ, ಧನಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (PPV), ಋಣಾತ್ಮಕ ಮುನ್ಸೂಚಕ ಮೌಲ್ಯ (NPV), ಮತ್ತು ರಿಸೀವರ್ ಆಪರೇಟಿಂಗ್ ಗುಣಲಕ್ಷಣದ ಕರ್ವ್ (AUROC) ಅಡಿಯಲ್ಲಿ ಪ್ರದೇಶವನ್ನು ಪ್ರದರ್ಶಿಸಲಾಯಿತು. 27 (ಕೋಷ್ಟಕ 2, ಚಿತ್ರ 2 ಮತ್ತು ಪೂರಕ ಚಿತ್ರ 1 ಆನ್‌ಲೈನ್).ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಬ್ಯಾಟರಿಯ ಸೂಕ್ಷ್ಮತೆಯ ವಿಷಯದಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಮತ್ತು ಮಹಿಳೆಯರಲ್ಲಿ ಕೆಟ್ಟದಾಗಿವೆ.ಆದಾಗ್ಯೂ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಮತ್ತು SD ನಡುವಿನ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸವು ಪುರುಷರಿಗೆ (MLP) 9.7% ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ (XGBoost) ಕೇವಲ 2.4% ಆಗಿದೆ.DM ಮಾದರಿಗಳಲ್ಲಿ, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ (LR) ಎರಡೂ ಲಿಂಗಗಳಲ್ಲಿ ಉತ್ತಮ ಸಂವೇದನೆಯನ್ನು ತೋರಿಸಿದೆ.ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನ ನಿರ್ದಿಷ್ಟತೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ, ನಾಲ್ಕು SD ಮಾದರಿಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದರೆ, ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿಯು ಮಹಿಳೆಯರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಗಮನಿಸಲಾಗಿದೆ.ಪುರುಷರು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸಗಳು ಕ್ರಮವಾಗಿ 13.3% (MLP) ಮತ್ತು 13.1% (MLP), ಮಾದರಿಗಳ ನಡುವಿನ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ವ್ಯತ್ಯಾಸವು ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಮೀರಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.DM ಮಾದರಿಗಳಲ್ಲಿ, ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ (SVM), ನಿರ್ಧಾರ ವೃಕ್ಷ (DT), ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ (RF) ಮಾದರಿಗಳು ಪುರುಷರಲ್ಲಿ ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡಿದರೆ, LR ಮಾದರಿಯು ಮಹಿಳೆಯರಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿತು.ಸಾಂಪ್ರದಾಯಿಕ ಮಾದರಿಯ AUROC ಮತ್ತು ಎಲ್ಲಾ SD ಮಾದರಿಗಳು ಪುರುಷರಲ್ಲಿ 0.925 (ಕೆ-ಸಮೀಪದ ನೆರೆಹೊರೆಯವರು (KNN) ಗಿಂತ ಹೆಚ್ಚಿವೆ), 18-ವರ್ಷ-ಹಳೆಯ ಮಾದರಿಗಳನ್ನು ತಾರತಮ್ಯ ಮಾಡುವಲ್ಲಿ ಅತ್ಯುತ್ತಮ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ28.ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗೆ, ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗೆ ಹೋಲಿಸಿದರೆ ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ ಮತ್ತು AUROC ಗಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಇಳಿಕೆ ಕಂಡುಬಂದಿದೆ.ಇದಲ್ಲದೆ, ಉತ್ತಮ ಮತ್ತು ಕೆಟ್ಟ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಡುವಿನ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯ ವ್ಯತ್ಯಾಸವು 10% ರಿಂದ 25% ವರೆಗೆ ಇರುತ್ತದೆ ಮತ್ತು ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ವ್ಯತ್ಯಾಸಕ್ಕಿಂತ ದೊಡ್ಡದಾಗಿದೆ.
18 ವರ್ಷಗಳ ಕಡಿತದೊಂದಿಗೆ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಡೇಟಾ ಮೈನಿಂಗ್ ವರ್ಗೀಕರಣ ಮಾದರಿಗಳ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆ.KNN k ಹತ್ತಿರದ ನೆರೆಹೊರೆಯವರು, SVM ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ, LR ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್, DT ನಿರ್ಧಾರ ಮರ, RF ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ, XGB XGBoost, MLP ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್, ಸಾಂಪ್ರದಾಯಿಕ CM ವಿಧಾನ.
ಈ ಅಧ್ಯಯನದ ಮೊದಲ ಹಂತವು ಏಳು DM ಮಾದರಿಗಳಿಂದ ಪಡೆದ ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳ ನಿಖರತೆಯನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತವನ್ನು ಬಳಸಿಕೊಂಡು ಪಡೆದವುಗಳೊಂದಿಗೆ ಹೋಲಿಸುವುದು.MAE ಮತ್ತು RMSE ಗಳನ್ನು 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 ಇರುತ್ತದೆ.ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವು ಸ್ವಲ್ಪ ಹೆಚ್ಚು ನಿಖರವಾಗಿದ್ದರೂ, ಅಂತಹ ಸಣ್ಣ ವ್ಯತ್ಯಾಸವು ವೈದ್ಯಕೀಯ ಅಥವಾ ಪ್ರಾಯೋಗಿಕ ಮಹತ್ವವನ್ನು ಹೊಂದಿದೆಯೇ ಎಂದು ತೀರ್ಮಾನಿಸುವುದು ಕಷ್ಟ.DM ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಹಲ್ಲಿನ ವಯಸ್ಸಿನ ಅಂದಾಜು ನಿಖರತೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದಂತೆಯೇ ಇರುತ್ತದೆ ಎಂದು ಈ ಫಲಿತಾಂಶಗಳು ಸೂಚಿಸುತ್ತವೆ.ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ನೇರ ಹೋಲಿಕೆ ಕಷ್ಟಕರವಾಗಿದೆ ಏಕೆಂದರೆ ಯಾವುದೇ ಅಧ್ಯಯನವು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಅದೇ ವಯಸ್ಸಿನ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಹಲ್ಲುಗಳನ್ನು ರೆಕಾರ್ಡಿಂಗ್ ಮಾಡುವ ಅದೇ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳೊಂದಿಗೆ DM ಮಾದರಿಗಳ ನಿಖರತೆಯನ್ನು ಹೋಲಿಸಿಲ್ಲ.2 ರಿಂದ 24 ವರ್ಷ ವಯಸ್ಸಿನ ಫ್ರೆಂಚ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ಎರಡು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು (ಡೆಮಿರ್ಜಿಯನ್ ವಿಧಾನ 25 ಮತ್ತು ವಿಲ್ಲೆಮ್ಸ್ ವಿಧಾನ29) ಮತ್ತು 10 DM ಮಾದರಿಗಳ ನಡುವೆ MAE ಮತ್ತು RMSE ಅನ್ನು Galibourg et al24 ಹೋಲಿಸಿದ್ದಾರೆ.ಎಲ್ಲಾ DM ಮಾದರಿಗಳು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿವೆ ಎಂದು ಅವರು ವರದಿ ಮಾಡಿದರು, MAE ನಲ್ಲಿ 0.20 ಮತ್ತು 0.38 ವರ್ಷಗಳು ಮತ್ತು RMSE ನಲ್ಲಿ 0.25 ಮತ್ತು 0.47 ವರ್ಷಗಳು ಕ್ರಮವಾಗಿ ವಿಲ್ಲೆಮ್ಸ್ ಮತ್ತು ಡೆಮಿರ್ಡ್ಜಿಯನ್ ವಿಧಾನಗಳಿಗೆ ಹೋಲಿಸಿದರೆ.ಹ್ಯಾಲಿಬರ್ಗ್ ಅಧ್ಯಯನದಲ್ಲಿ ತೋರಿಸಿರುವ SD ಮಾದರಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಹಲವಾರು ವರದಿಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ30,31,32,33 ಡೆಮಿರ್ಡ್ಜಿಯನ್ ವಿಧಾನವು ಅಧ್ಯಯನವನ್ನು ಆಧರಿಸಿದ ಫ್ರೆಂಚ್ ಕೆನಡಿಯನ್ನರನ್ನು ಹೊರತುಪಡಿಸಿ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ದಂತ ವಯಸ್ಸನ್ನು ನಿಖರವಾಗಿ ಅಂದಾಜು ಮಾಡುವುದಿಲ್ಲ.ಈ ಅಧ್ಯಯನದಲ್ಲಿ.ತೈ 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 ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲುತ್ತದೆ.ಈ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಫಲಿತಾಂಶಗಳು 24,34 ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿವೆ ಮತ್ತು DM ಮಾದರಿ ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನದ ವಯಸ್ಸಿನ ಅಂದಾಜು ನಿಖರತೆ ಹೋಲುತ್ತದೆ.ಆದಾಗ್ಯೂ, ಪ್ರಸ್ತುತಪಡಿಸಿದ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ತುಲನಾತ್ಮಕ ಮತ್ತು ಉಲ್ಲೇಖದ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಕೊರತೆಯಿಂದಾಗಿ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು DM ಮಾದರಿಗಳ ಬಳಕೆಯು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವಿಧಾನಗಳನ್ನು ಬದಲಿಸಬಹುದು ಎಂದು ನಾವು ಎಚ್ಚರಿಕೆಯಿಂದ ತೀರ್ಮಾನಿಸಬಹುದು.ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು ಖಚಿತಪಡಿಸಲು ದೊಡ್ಡ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅನುಸರಣಾ ಅಧ್ಯಯನಗಳು ಅಗತ್ಯವಿದೆ.
ಹಲ್ಲಿನ 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.ಮೂರೀಸ್ ಮತ್ತು ಇತರರು ಪ್ರಸ್ತಾಪಿಸಿದ ವರ್ಗೀಕರಣ ಮಾನದಂಡವನ್ನು ಬಳಸಿಕೊಂಡು ಅವರು ಒಟ್ಟು 16 ಮೇಲಿನ ಮತ್ತು ಕೆಳಗಿನ ಎಡ ಶಾಶ್ವತ ಹಲ್ಲುಗಳ ಬೆಳವಣಿಗೆಯನ್ನು ನಿರ್ಣಯಿಸಿದರು.MAE 0.64 ರಿಂದ 0.94 ವರ್ಷಗಳವರೆಗೆ 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 ಕ್ಯಾಮೆರಿಯರ್ ವಿಧಾನವನ್ನು ಬಳಸಿದರು ಮತ್ತು ರೇಖೀಯ ಹಿಂಜರಿತ, SVM ಮತ್ತು RF ಅನ್ನು ಬಳಸಿಕೊಂಡು ಅಂದಾಜು ಮಾಡಿದ ವಯಸ್ಸಿನೊಂದಿಗೆ ಹೋಲಿಸಿದರು.ಸಾಂಪ್ರದಾಯಿಕ Cameriere ಸೂತ್ರಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಎಲ್ಲಾ ಮೂರು DM ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಹೊಂದಿವೆ ಎಂದು ಅವರು ತೋರಿಸಿದರು.ಶೆನ್ ಅವರ ಅಧ್ಯಯನದಲ್ಲಿ MAE ಮತ್ತು RMSE ಈ ಅಧ್ಯಯನದಲ್ಲಿ DM ಮಾದರಿಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ.ಸ್ಟೆಪನೋವ್ಸ್ಕಿ ಮತ್ತು ಇತರರಿಂದ ಅಧ್ಯಯನಗಳ ಹೆಚ್ಚಿದ ನಿಖರತೆ.35 ಮತ್ತು ಶೆನ್ ಮತ್ತು ಇತರರು.23 ಅವರ ಅಧ್ಯಯನ ಮಾದರಿಗಳಲ್ಲಿ ಕಿರಿಯ ವಿಷಯಗಳ ಸೇರ್ಪಡೆಯಿಂದಾಗಿ ಇರಬಹುದು.ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ಸಮಯದಲ್ಲಿ ಹಲ್ಲುಗಳ ಸಂಖ್ಯೆಯು ಹೆಚ್ಚಾದಂತೆ ಬೆಳೆಯುತ್ತಿರುವ ಹಲ್ಲುಗಳನ್ನು ಹೊಂದಿರುವ ಭಾಗವಹಿಸುವವರ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳು ಹೆಚ್ಚು ನಿಖರವಾಗಿರುವುದರಿಂದ, ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸುವವರು ಚಿಕ್ಕವರಾಗಿದ್ದಾಗ ಫಲಿತಾಂಶದ ವಯಸ್ಸಿನ ಅಂದಾಜು ವಿಧಾನದ ನಿಖರತೆಯು ರಾಜಿಯಾಗಬಹುದು.ಹೆಚ್ಚುವರಿಯಾಗಿ, ವಯಸ್ಸಿನ ಅಂದಾಜಿನಲ್ಲಿ MLP ಯ ದೋಷವು SLP ಗಿಂತ ಸ್ವಲ್ಪ ಚಿಕ್ಕದಾಗಿದೆ, ಅಂದರೆ SLP ಗಿಂತ MLP ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ.MLP ಅನ್ನು ವಯಸ್ಸಿನ ಅಂದಾಜಿಗೆ ಸ್ವಲ್ಪ ಉತ್ತಮವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಬಹುಶಃ MLP38 ನಲ್ಲಿನ ಗುಪ್ತ ಪದರಗಳ ಕಾರಣದಿಂದಾಗಿ.ಆದಾಗ್ಯೂ, ಮಹಿಳೆಯರ ಹೊರ ಮಾದರಿಗೆ ಒಂದು ಅಪವಾದವಿದೆ (SLP 1.45, MLP 1.49).ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸುವಲ್ಲಿ SLP ಗಿಂತ MLP ಹೆಚ್ಚು ನಿಖರವಾಗಿದೆ ಎಂದು ಕಂಡುಹಿಡಿಯುವುದು ಹೆಚ್ಚುವರಿ ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಅಗತ್ಯವಿದೆ.
DM ಮಾದರಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು 18 ವರ್ಷಗಳ ಮಿತಿಯಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನವನ್ನು ಸಹ ಹೋಲಿಸಲಾಗಿದೆ.ಎಲ್ಲಾ ಪರೀಕ್ಷಿತ SD ಮಾದರಿಗಳು ಮತ್ತು ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು 18 ವರ್ಷ ವಯಸ್ಸಿನ ಮಾದರಿಗೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಸ್ವೀಕಾರಾರ್ಹ ಮಟ್ಟದ ತಾರತಮ್ಯವನ್ನು ತೋರಿಸಿದೆ.ಪುರುಷರು ಮತ್ತು ಮಹಿಳೆಯರಿಗೆ ಅನುಕ್ರಮವಾಗಿ 87.7% ಮತ್ತು 94.9% ಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಸಂವೇದನೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು 89.3% ಮತ್ತು 84.7% ಕ್ಕಿಂತ ಹೆಚ್ಚಿದೆ.ಎಲ್ಲಾ ಪರೀಕ್ಷಿತ ಮಾದರಿಗಳ AUROC ಸಹ 0.925 ಮೀರಿದೆ.ನಮ್ಮ ಜ್ಞಾನದ ಮಟ್ಟಿಗೆ, ಹಲ್ಲಿನ ಪರಿಪಕ್ವತೆಯ ಆಧಾರದ ಮೇಲೆ 18 ವರ್ಷಗಳ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ DM ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಯಾವುದೇ ಅಧ್ಯಯನವು ಪರೀಕ್ಷಿಸಿಲ್ಲ.ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯೊಂದಿಗೆ ನಾವು ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಬಹುದು.Guo et al.15 CNN-ಆಧಾರಿತ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಯ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮತ್ತು ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನ ಮಿತಿಗಾಗಿ ಡೆಮಿರ್ಜಿಯನ್ ವಿಧಾನವನ್ನು ಆಧರಿಸಿದ ಕೈಪಿಡಿ ವಿಧಾನವನ್ನು ಲೆಕ್ಕಹಾಕಿದ್ದಾರೆ.ಹಸ್ತಚಾಲಿತ ವಿಧಾನದ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು ಕ್ರಮವಾಗಿ 87.7% ಮತ್ತು 95.5%, ಮತ್ತು CNN ಮಾದರಿಯ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯು ಕ್ರಮವಾಗಿ 89.2% ಮತ್ತು 86.6% ಅನ್ನು ಮೀರಿದೆ.ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ವಯಸ್ಸಿನ ಮಿತಿಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಲ್ಲಿ ಹಸ್ತಚಾಲಿತ ಮೌಲ್ಯಮಾಪನವನ್ನು ಬದಲಿಸಬಹುದು ಅಥವಾ ಮೀರಿಸಬಹುದು ಎಂದು ಅವರು ತೀರ್ಮಾನಿಸಿದರು.ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳು ಒಂದೇ ರೀತಿಯ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸಿದೆ;DM ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವರ್ಗೀಕರಣವು ವಯಸ್ಸಿನ ಅಂದಾಜುಗಾಗಿ ಸಾಂಪ್ರದಾಯಿಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳನ್ನು ಬದಲಿಸಬಹುದು ಎಂದು ನಂಬಲಾಗಿದೆ.ಮಾದರಿಗಳಲ್ಲಿ, DM LR ಪುರುಷ ಮಾದರಿಯ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ಸ್ತ್ರೀ ಮಾದರಿಯ ಸೂಕ್ಷ್ಮತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟತೆಯ ವಿಷಯದಲ್ಲಿ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯಾಗಿದೆ.ಪುರುಷರಿಗೆ ನಿರ್ದಿಷ್ಟತೆಯಲ್ಲಿ LR ಎರಡನೇ ಸ್ಥಾನದಲ್ಲಿದೆ.ಇದಲ್ಲದೆ, LR ಅನ್ನು ಹೆಚ್ಚು ಬಳಕೆದಾರ ಸ್ನೇಹಿ DM35 ಮಾದರಿಗಳಲ್ಲಿ ಒಂದೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ ಮತ್ತು ಇದು ಕಡಿಮೆ ಸಂಕೀರ್ಣ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಕಷ್ಟಕರವಾಗಿದೆ.ಈ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ, ಕೊರಿಯನ್ ಜನಸಂಖ್ಯೆಯಲ್ಲಿ 18 ವರ್ಷ ವಯಸ್ಸಿನವರಿಗೆ LR ಅನ್ನು ಅತ್ಯುತ್ತಮ ಕಟ್ಆಫ್ ವರ್ಗೀಕರಣ ಮಾದರಿ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.
ಒಟ್ಟಾರೆಯಾಗಿ, ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿನ ಫಲಿತಾಂಶಗಳಿಗೆ ಹೋಲಿಸಿದರೆ ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ ವಯಸ್ಸಿನ ಅಂದಾಜು ಅಥವಾ ವರ್ಗೀಕರಣದ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಿಖರತೆ ಕಳಪೆಯಾಗಿದೆ ಅಥವಾ ಕಡಿಮೆಯಾಗಿದೆ.ಕೊರಿಯನ್ ಜನಸಂಖ್ಯೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜುಗಳನ್ನು ಜಪಾನಿನ ಜನಸಂಖ್ಯೆಗೆ ಅನ್ವಯಿಸಿದಾಗ ವರ್ಗೀಕರಣದ ನಿಖರತೆ ಅಥವಾ ದಕ್ಷತೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಎಂದು ಕೆಲವು ವರದಿಗಳು ಸೂಚಿಸುತ್ತವೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ಇದೇ ಮಾದರಿಯು ಕಂಡುಬಂದಿದೆ.ಈ ಕ್ಷೀಣತೆಯ ಪ್ರವೃತ್ತಿಯನ್ನು DM ಮಾದರಿಯಲ್ಲಿಯೂ ಗಮನಿಸಲಾಗಿದೆ.ಆದ್ದರಿಂದ, ವಯಸ್ಸನ್ನು ನಿಖರವಾಗಿ ಅಂದಾಜು ಮಾಡಲು, ವಿಶ್ಲೇಷಣಾ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ DM ಅನ್ನು ಬಳಸುವಾಗಲೂ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳಂತಹ ಸ್ಥಳೀಯ ಜನಸಂಖ್ಯೆಯ ಡೇಟಾದಿಂದ ಪಡೆದ ವಿಧಾನಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಬೇಕು5,39,40,41,42.ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಒಂದೇ ರೀತಿಯ ಪ್ರವೃತ್ತಿಯನ್ನು ತೋರಿಸಬಹುದೇ ಎಂಬುದು ಅಸ್ಪಷ್ಟವಾಗಿರುವುದರಿಂದ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವರ್ಗೀಕರಣದ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಹೋಲಿಸುವ ಅಧ್ಯಯನಗಳು, DM ಮಾದರಿಗಳು ಮತ್ತು ಅದೇ ಮಾದರಿಗಳಲ್ಲಿ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಸೀಮಿತ ವಯಸ್ಸಿನಲ್ಲಿ ಈ ಜನಾಂಗೀಯ ಅಸಮಾನತೆಗಳನ್ನು ನಿವಾರಿಸಬಹುದೇ ಎಂದು ಖಚಿತಪಡಿಸಲು ಅಗತ್ಯವಿದೆ.ಮೌಲ್ಯಮಾಪನಗಳು.
ಕೊರಿಯಾದಲ್ಲಿ ಫೋರೆನ್ಸಿಕ್ ವಯಸ್ಸಿನ ಅಂದಾಜು ಅಭ್ಯಾಸದಲ್ಲಿ DM ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜು ಮೂಲಕ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು ಎಂದು ನಾವು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.ಫೋರೆನ್ಸಿಕ್ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಅಳವಡಿಸುವ ಸಾಧ್ಯತೆಯನ್ನು ಸಹ ನಾವು ಕಂಡುಹಿಡಿದಿದ್ದೇವೆ.ಆದಾಗ್ಯೂ, ಫಲಿತಾಂಶಗಳನ್ನು ಖಚಿತವಾಗಿ ನಿರ್ಧರಿಸಲು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಸಾಕಷ್ಟು ಸಂಖ್ಯೆಯ ಭಾಗವಹಿಸುವವರು ಮತ್ತು ಈ ಅಧ್ಯಯನದ ಫಲಿತಾಂಶಗಳನ್ನು ಹೋಲಿಸಲು ಮತ್ತು ಖಚಿತಪಡಿಸಲು ಹಿಂದಿನ ಅಧ್ಯಯನಗಳ ಕೊರತೆಯಂತಹ ಸ್ಪಷ್ಟ ಮಿತಿಗಳಿವೆ.ಭವಿಷ್ಯದಲ್ಲಿ, ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳೊಂದಿಗೆ ಹೋಲಿಸಿದರೆ ಅದರ ಪ್ರಾಯೋಗಿಕ ಅನ್ವಯವನ್ನು ಸುಧಾರಿಸಲು ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಮಾದರಿಗಳು ಮತ್ತು ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಜನಸಂಖ್ಯೆಯೊಂದಿಗೆ DM ಅಧ್ಯಯನಗಳನ್ನು ನಡೆಸಬೇಕು.ಬಹು ಜನಸಂಖ್ಯೆಯಲ್ಲಿ ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಕಾರ್ಯಸಾಧ್ಯತೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಲು, ಅದೇ ಮಾದರಿಗಳಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳೊಂದಿಗೆ DM ಮತ್ತು ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ವರ್ಗೀಕರಣ ನಿಖರತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಹೋಲಿಸಲು ಭವಿಷ್ಯದ ಅಧ್ಯಯನಗಳು ಅಗತ್ಯವಿದೆ.
ಅಧ್ಯಯನವು 15 ರಿಂದ 23 ವರ್ಷ ವಯಸ್ಸಿನ ಕೊರಿಯನ್ ಮತ್ತು ಜಪಾನೀಸ್ ವಯಸ್ಕರಿಂದ ಸಂಗ್ರಹಿಸಲಾದ 2,657 ಆರ್ಥೋಗ್ರಾಫಿಕ್ ಛಾಯಾಚಿತ್ರಗಳನ್ನು ಬಳಸಿದೆ.ಕೊರಿಯನ್ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು 900 ತರಬೇತಿ ಸೆಟ್‌ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ (19.42 ± 2.65 ವರ್ಷಗಳು) ಮತ್ತು 900 ಆಂತರಿಕ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳು (19.52 ± 2.59 ವರ್ಷಗಳು).ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ಒಂದು ಸಂಸ್ಥೆಯಲ್ಲಿ (ಸಿಯೋಲ್ ಸೇಂಟ್ ಮೇರಿಸ್ ಆಸ್ಪತ್ರೆ) ಸಂಗ್ರಹಿಸಲಾಗಿದೆ, ಮತ್ತು ಸ್ವಂತ ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ಎರಡು ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ (ಸಿಯೋಲ್ ನ್ಯಾಷನಲ್ ಯೂನಿವರ್ಸಿಟಿ ಡೆಂಟಲ್ ಹಾಸ್ಪಿಟಲ್ ಮತ್ತು ಯೋನ್ಸಿ ಯೂನಿವರ್ಸಿಟಿ ಡೆಂಟಲ್ ಆಸ್ಪತ್ರೆ).ಬಾಹ್ಯ ಪರೀಕ್ಷೆಗಾಗಿ ನಾವು ಮತ್ತೊಂದು ಜನಸಂಖ್ಯೆ ಆಧಾರಿತ ಡೇಟಾದಿಂದ (ಐವಾಟ್ ವೈದ್ಯಕೀಯ ವಿಶ್ವವಿದ್ಯಾಲಯ, ಜಪಾನ್) 857 ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿದ್ದೇವೆ.ಜಪಾನಿನ ವಿಷಯಗಳ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು (19.31 ± 2.60 ವರ್ಷಗಳು) ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಂತೆ ಆಯ್ಕೆ ಮಾಡಲಾಗಿದೆ.ಹಲ್ಲಿನ ಚಿಕಿತ್ಸೆಯ ಸಮಯದಲ್ಲಿ ತೆಗೆದ ವಿಹಂಗಮ ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳ ಮೇಲೆ ಹಲ್ಲಿನ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಹಿಂದಿನಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ.ಲಿಂಗ, ಹುಟ್ಟಿದ ದಿನಾಂಕ ಮತ್ತು ರೇಡಿಯೋಗ್ರಾಫ್ ದಿನಾಂಕವನ್ನು ಹೊರತುಪಡಿಸಿ ಸಂಗ್ರಹಿಸಿದ ಎಲ್ಲಾ ಡೇಟಾ ಅನಾಮಧೇಯವಾಗಿದೆ.ಸೇರ್ಪಡೆ ಮತ್ತು ಹೊರಗಿಡುವ ಮಾನದಂಡಗಳು ಹಿಂದೆ ಪ್ರಕಟವಾದ ಅಧ್ಯಯನಗಳು 4, 5 ರಂತೆಯೇ ಇದ್ದವು.ರೇಡಿಯೋಗ್ರಾಫ್ ತೆಗೆದುಕೊಂಡ ದಿನಾಂಕದಿಂದ ಹುಟ್ಟಿದ ದಿನಾಂಕವನ್ನು ಕಳೆಯುವುದರ ಮೂಲಕ ಮಾದರಿಯ ನಿಜವಾದ ವಯಸ್ಸನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ.ಮಾದರಿ ಗುಂಪನ್ನು ಒಂಬತ್ತು ವಯಸ್ಸಿನ ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ.ವಯಸ್ಸು ಮತ್ತು ಲಿಂಗ ಹಂಚಿಕೆಗಳನ್ನು ಕೋಷ್ಟಕ 3 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ ಈ ಅಧ್ಯಯನವನ್ನು ಹೆಲ್ಸಿಂಕಿಯ ಘೋಷಣೆಗೆ ಅನುಗುಣವಾಗಿ ನಡೆಸಲಾಗಿದೆ ಮತ್ತು ಕೊರಿಯಾದ ಕ್ಯಾಥೋಲಿಕ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ (KC22WISI0328) ಸಿಯೋಲ್ ಸೇಂಟ್ ಮೇರಿ ಆಸ್ಪತ್ರೆಯ ಸಾಂಸ್ಥಿಕ ಪರಿಶೀಲನಾ ಮಂಡಳಿ (IRB) ಅನುಮೋದಿಸಿದೆ.ಈ ಅಧ್ಯಯನದ ಹಿಂದಿನ ವಿನ್ಯಾಸದಿಂದಾಗಿ, ಚಿಕಿತ್ಸಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ರೇಡಿಯೊಗ್ರಾಫಿಕ್ ಪರೀಕ್ಷೆಗೆ ಒಳಗಾಗುವ ಎಲ್ಲಾ ರೋಗಿಗಳಿಂದ ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆಯನ್ನು ಪಡೆಯಲಾಗಲಿಲ್ಲ.ಸಿಯೋಲ್ ಕೊರಿಯಾ ವಿಶ್ವವಿದ್ಯಾಲಯ ಸೇಂಟ್ ಮೇರಿ ಆಸ್ಪತ್ರೆ (IRB) ತಿಳುವಳಿಕೆಯುಳ್ಳ ಒಪ್ಪಿಗೆಯ ಅಗತ್ಯವನ್ನು ಮನ್ನಾ ಮಾಡಿದೆ.
ಬಿಮ್ಯಾಕ್ಸಿಲ್ಲರಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಬಾಚಿಹಲ್ಲುಗಳ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳನ್ನು ಡೆಮಿರ್ಕಾನ್ ಮಾನದಂಡಗಳ ಪ್ರಕಾರ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ.ಪ್ರತಿ ದವಡೆಯ ಎಡ ಮತ್ತು ಬಲ ಬದಿಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಹಲ್ಲು ಕಂಡುಬಂದರೆ ಕೇವಲ ಒಂದು ಹಲ್ಲು ಮಾತ್ರ ಆಯ್ಕೆಮಾಡಲಾಗುತ್ತದೆ.ಎರಡೂ ಬದಿಗಳಲ್ಲಿನ ಏಕರೂಪದ ಹಲ್ಲುಗಳು ವಿಭಿನ್ನ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳಲ್ಲಿದ್ದರೆ, ಅಂದಾಜು ವಯಸ್ಸಿನ ಅನಿಶ್ಚಿತತೆಯನ್ನು ಪರಿಗಣಿಸಲು ಕಡಿಮೆ ಬೆಳವಣಿಗೆಯ ಹಂತವನ್ನು ಹೊಂದಿರುವ ಹಲ್ಲಿನ ಆಯ್ಕೆಮಾಡಲಾಗುತ್ತದೆ.ತರಬೇತಿ ಸೆಟ್‌ನಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆಮಾಡಿದ ನೂರು ರೇಡಿಯೋಗ್ರಾಫ್‌ಗಳನ್ನು ಇಬ್ಬರು ಅನುಭವಿ ವೀಕ್ಷಕರು ಹಲ್ಲಿನ ಪರಿಪಕ್ವತೆಯ ಹಂತವನ್ನು ನಿರ್ಧರಿಸಲು ಪೂರ್ವ ಮಾಪನಾಂಕ ನಿರ್ಣಯದ ನಂತರ ಇಂಟರ್ ಅಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ಸ್ಕೋರ್ ಮಾಡಿದರು.ಪ್ರಾಥಮಿಕ ವೀಕ್ಷಕರಿಂದ ಮೂರು ತಿಂಗಳ ಮಧ್ಯಂತರದಲ್ಲಿ ಇಂಟ್ರಾಬ್ಸರ್ವರ್ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಎರಡು ಬಾರಿ ನಿರ್ಣಯಿಸಲಾಗುತ್ತದೆ.
ತರಬೇತಿ ಸೆಟ್‌ನಲ್ಲಿನ ಪ್ರತಿ ದವಡೆಯ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಬಾಚಿಹಲ್ಲುಗಳ ಲೈಂಗಿಕ ಮತ್ತು ಬೆಳವಣಿಗೆಯ ಹಂತವನ್ನು ವಿಭಿನ್ನ DM ಮಾದರಿಗಳೊಂದಿಗೆ ತರಬೇತಿ ಪಡೆದ ಪ್ರಾಥಮಿಕ ವೀಕ್ಷಕರಿಂದ ಅಂದಾಜಿಸಲಾಗಿದೆ ಮತ್ತು ನಿಜವಾದ ವಯಸ್ಸನ್ನು ಗುರಿ ಮೌಲ್ಯವಾಗಿ ಹೊಂದಿಸಲಾಗಿದೆ.ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ SLP ಮತ್ತು MLP ಮಾದರಿಗಳನ್ನು ರಿಗ್ರೆಶನ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳ ವಿರುದ್ಧ ಪರೀಕ್ಷಿಸಲಾಯಿತು.DM ಮಾದರಿಯು ನಾಲ್ಕು ಹಲ್ಲುಗಳ ಬೆಳವಣಿಗೆಯ ಹಂತಗಳನ್ನು ಬಳಸಿಕೊಂಡು ರೇಖಾತ್ಮಕ ಕಾರ್ಯಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಈ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ.SLP ಸರಳವಾದ ನರಮಂಡಲವಾಗಿದೆ ಮತ್ತು ಗುಪ್ತ ಪದರಗಳನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ.ಎಸ್‌ಎಲ್‌ಪಿ ನೋಡ್‌ಗಳ ನಡುವಿನ ಥ್ರೆಶೋಲ್ಡ್ ಟ್ರಾನ್ಸ್ಮಿಷನ್ ಅನ್ನು ಆಧರಿಸಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.ರಿಗ್ರೆಶನ್‌ನಲ್ಲಿನ ಎಸ್‌ಎಲ್‌ಪಿ ಮಾದರಿಯು ಬಹು ರೇಖೀಯ ರಿಗ್ರೆಶನ್‌ಗೆ ಗಣಿತೀಯವಾಗಿ ಹೋಲುತ್ತದೆ.SLP ಮಾದರಿಗಿಂತ ಭಿನ್ನವಾಗಿ, MLP ಮಾದರಿಯು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಬಹು ಗುಪ್ತ ಪದರಗಳನ್ನು ಹೊಂದಿದೆ.ನಮ್ಮ ಪ್ರಯೋಗಗಳು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಕ್ರಿಯಗೊಳಿಸುವ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಕೇವಲ 20 ಗುಪ್ತ ನೋಡ್‌ಗಳೊಂದಿಗೆ ಗುಪ್ತ ಪದರವನ್ನು ಬಳಸಿದೆ.ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ ಅನ್ನು ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನವಾಗಿ ಮತ್ತು MAE ಮತ್ತು RMSE ಅನ್ನು ನಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ನಷ್ಟದ ಕಾರ್ಯವಾಗಿ ಬಳಸಿ.ಉತ್ತಮವಾದ ರಿಗ್ರೆಷನ್ ಮಾದರಿಯನ್ನು ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ ಮತ್ತು ಹಲ್ಲುಗಳ ವಯಸ್ಸನ್ನು ಅಂದಾಜಿಸಲಾಗಿದೆ.
ಒಂದು ವರ್ಗೀಕರಣ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ, ಇದು ಮಾದರಿಯು 18 ವರ್ಷ ಹಳೆಯದು ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಊಹಿಸಲು ತರಬೇತಿ ಸೆಟ್ನಲ್ಲಿ ನಾಲ್ಕು ಹಲ್ಲುಗಳ ಪರಿಪಕ್ವತೆಯನ್ನು ಬಳಸುತ್ತದೆ.ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸಲು, ನಾವು ಏಳು ಪ್ರಾತಿನಿಧ್ಯ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಪಡೆದುಕೊಂಡಿದ್ದೇವೆ 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ಮತ್ತು (7) MLP .LR ಅತ್ಯಂತ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ವರ್ಗೀಕರಣ ಕ್ರಮಾವಳಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ44.ಇದು ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, 0 ರಿಂದ 1 ರವರೆಗೆ ನಿರ್ದಿಷ್ಟ ವರ್ಗಕ್ಕೆ ಸೇರಿದ ಡೇಟಾದ ಸಂಭವನೀಯತೆಯನ್ನು ಊಹಿಸಲು ಹಿಂಜರಿತವನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಈ ಸಂಭವನೀಯತೆಯ ಆಧಾರದ ಮೇಲೆ ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಸಂಭಾವ್ಯ ವರ್ಗಕ್ಕೆ ಸೇರಿದೆ ಎಂದು ವರ್ಗೀಕರಿಸುತ್ತದೆ;ಮುಖ್ಯವಾಗಿ ಬೈನರಿ ವರ್ಗೀಕರಣಕ್ಕೆ ಬಳಸಲಾಗುತ್ತದೆ.KNN ಸರಳವಾದ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ45.ಹೊಸ ಇನ್‌ಪುಟ್ ಡೇಟಾವನ್ನು ನೀಡಿದಾಗ, ಅದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸೆಟ್‌ಗೆ ಹತ್ತಿರವಿರುವ k ಡೇಟಾವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ನಂತರ ಅವುಗಳನ್ನು ಹೆಚ್ಚಿನ ಆವರ್ತನದೊಂದಿಗೆ ವರ್ಗಕ್ಕೆ ವರ್ಗೀಕರಿಸುತ್ತದೆ.ಪರಿಗಣಿಸಲಾದ ನೆರೆಹೊರೆಯವರ ಸಂಖ್ಯೆಗೆ ನಾವು 3 ಅನ್ನು ಹೊಂದಿಸಿದ್ದೇವೆ (ಕೆ).SVM ಎನ್ನುವುದು ಒಂದು ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಇದು ಕರ್ನಲ್ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಎರಡು ವರ್ಗಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಗರಿಷ್ಠಗೊಳಿಸುವ ಮೂಲಕ ರೇಖೀಯ ಜಾಗವನ್ನು ಕ್ಷೇತ್ರಗಳು 46 ಎಂದು ಕರೆಯಲಾಗುವ ರೇಖಾತ್ಮಕವಲ್ಲದ ಜಾಗಕ್ಕೆ ವಿಸ್ತರಿಸುತ್ತದೆ.ಈ ಮಾದರಿಗಾಗಿ, ನಾವು ಬಯಾಸ್ = 1, ಪವರ್ = 1, ಮತ್ತು ಗಾಮಾ = 1 ಅನ್ನು ಬಹುಪದೀಯ ಕರ್ನಲ್‌ಗಾಗಿ ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳಾಗಿ ಬಳಸುತ್ತೇವೆ.ಮರದ ರಚನೆಯಲ್ಲಿ ನಿರ್ಧಾರದ ನಿಯಮಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುವ ಮೂಲಕ ಸಂಪೂರ್ಣ ಡೇಟಾವನ್ನು ಹಲವಾರು ಉಪಗುಂಪುಗಳಾಗಿ ವಿಭಜಿಸುವ ಅಲ್ಗಾರಿದಮ್‌ನಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ DT ಅನ್ನು ಅನ್ವಯಿಸಲಾಗಿದೆ47.ಮಾದರಿಯನ್ನು ಪ್ರತಿ ನೋಡ್ 2 ಗೆ ಕನಿಷ್ಠ ಸಂಖ್ಯೆಯ ದಾಖಲೆಗಳೊಂದಿಗೆ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಗಿನಿ ಸೂಚಿಯನ್ನು ಗುಣಮಟ್ಟದ ಅಳತೆಯಾಗಿ ಬಳಸುತ್ತದೆ.RF ಒಂದು ಸಮಗ್ರ ವಿಧಾನವಾಗಿದ್ದು, ಬೂಟ್‌ಸ್ಟ್ರಾಪ್ ಒಟ್ಟುಗೂಡಿಸುವಿಕೆಯ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು ಬಹು DT ಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ಇದು ಮೂಲ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಯಾದೃಚ್ಛಿಕವಾಗಿ ಒಂದೇ ಗಾತ್ರದ ಮಾದರಿಗಳನ್ನು ಅನೇಕ ಬಾರಿ ಎಳೆಯುವ ಮೂಲಕ ದುರ್ಬಲ ವರ್ಗೀಕರಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.ನಾವು 100 ಮರಗಳು, 10 ಮರದ ಆಳಗಳು, 1 ಕನಿಷ್ಠ ನೋಡ್ ಗಾತ್ರ ಮತ್ತು ಗಿನಿ ಅಡ್ಮಿಕ್ಸ್ಚರ್ ಸೂಚ್ಯಂಕವನ್ನು ನೋಡ್ ಪ್ರತ್ಯೇಕತೆಯ ಮಾನದಂಡವಾಗಿ ಬಳಸಿದ್ದೇವೆ.ಹೊಸ ಡೇಟಾದ ವರ್ಗೀಕರಣವನ್ನು ಬಹುಮತದ ಮತದಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.XGBoost ಎನ್ನುವುದು ಹಿಂದಿನ ಮಾದರಿಯ ನಿಜವಾದ ಮತ್ತು ಊಹಿಸಲಾದ ಮೌಲ್ಯಗಳ ನಡುವಿನ ದೋಷವನ್ನು ತರಬೇತಿ ಡೇಟಾವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುವ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಬೂಸ್ಟಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ ಮತ್ತು ಗ್ರೇಡಿಯಂಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ದೋಷವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.ಅದರ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಸಂಪನ್ಮೂಲ ದಕ್ಷತೆಯಿಂದಾಗಿ ಇದು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ, ಜೊತೆಗೆ ಅತಿಯಾಗಿ ಸರಿಪಡಿಸುವ ಕಾರ್ಯವಾಗಿ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸಾರ್ಹತೆಯಾಗಿದೆ.ಮಾದರಿಯು 400 ಬೆಂಬಲ ಚಕ್ರಗಳನ್ನು ಹೊಂದಿದೆ.MLP ಒಂದು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಆಗಿದ್ದು ಇದರಲ್ಲಿ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಪರ್ಸೆಪ್ಟ್ರಾನ್‌ಗಳು ಇನ್‌ಪುಟ್ ಮತ್ತು ಔಟ್‌ಪುಟ್ ಲೇಯರ್‌ಗಳ ನಡುವೆ ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಗುಪ್ತ ಪದರಗಳೊಂದಿಗೆ ಬಹು ಪದರಗಳನ್ನು ರೂಪಿಸುತ್ತವೆ38.ಇದನ್ನು ಬಳಸಿಕೊಂಡು, ನೀವು ಇನ್‌ಪುಟ್ ಲೇಯರ್ ಅನ್ನು ಸೇರಿಸಿದಾಗ ಮತ್ತು ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ಪಡೆದಾಗ, ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶದ ಮೌಲ್ಯವನ್ನು ನಿಜವಾದ ಫಲಿತಾಂಶದ ಮೌಲ್ಯಕ್ಕೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ದೋಷವನ್ನು ಮತ್ತೆ ಪ್ರಚಾರ ಮಾಡುವ ರೇಖಾತ್ಮಕವಲ್ಲದ ವರ್ಗೀಕರಣವನ್ನು ನೀವು ಮಾಡಬಹುದು.ನಾವು ಪ್ರತಿ ಪದರದಲ್ಲಿ 20 ಗುಪ್ತ ನ್ಯೂರಾನ್‌ಗಳೊಂದಿಗೆ ಗುಪ್ತ ಪದರವನ್ನು ರಚಿಸಿದ್ದೇವೆ.ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, PPV, NPV ಮತ್ತು AUROC ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಮೂಲಕ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲು ನಾವು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಪ್ರತಿಯೊಂದು ಮಾದರಿಯನ್ನು ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಸೆಟ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸಲಾಗಿದೆ.18 ವರ್ಷ ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನ ಅಂದಾಜು ಮಾದರಿಯ ಅನುಪಾತವನ್ನು 18 ವರ್ಷ ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನ ಮಾದರಿಗೆ ಸಂವೇದನಾಶೀಲತೆ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ.ನಿರ್ದಿಷ್ಟತೆಯು 18 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನ ಮಾದರಿಗಳ ಅನುಪಾತವಾಗಿದೆ ಮತ್ತು 18 ವರ್ಷಕ್ಕಿಂತ ಕಡಿಮೆ ವಯಸ್ಸಿನವರೆಂದು ಅಂದಾಜಿಸಲಾಗಿದೆ.
ತರಬೇತಿ ಸೆಟ್‌ನಲ್ಲಿ ನಿರ್ಣಯಿಸಲಾದ ಹಲ್ಲಿನ ಹಂತಗಳನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಸಂಖ್ಯಾತ್ಮಕ ಹಂತಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಗಿದೆ.ಪ್ರತಿ ಲಿಂಗಕ್ಕೆ ಮುನ್ಸೂಚಕ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ವಯಸ್ಸನ್ನು ಅಂದಾಜು ಮಾಡಲು ಬಳಸಬಹುದಾದ ರಿಗ್ರೆಶನ್ ಸೂತ್ರಗಳನ್ನು ಪಡೆಯಲು ಮಲ್ಟಿವೇರಿಯೇಟ್ ಲೀನಿಯರ್ ಮತ್ತು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಅನ್ನು 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 ಅಂಕಿಅಂಶವನ್ನು ಬಳಸಿಕೊಂಡು ಇಂಟ್ರಾ- ಮತ್ತು ಇಂಟರ್‌ಬ್ಸರ್ವರ್ 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.ಸಣ್ಣ ದೋಷ, ಮುನ್ಸೂಚನೆಯ ಹೆಚ್ಚಿನ ನಿಖರತೆ 24.DM ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ ಹಿಂಜರಿತವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾದ ಆಂತರಿಕ ಮತ್ತು ಬಾಹ್ಯ ಪರೀಕ್ಷಾ ಸೆಟ್‌ಗಳ MAE ಮತ್ತು RMSE ಅನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ.ಸಾಂಪ್ರದಾಯಿಕ ಅಂಕಿಅಂಶಗಳಲ್ಲಿನ 18-ವರ್ಷದ ಕಟ್‌ಆಫ್‌ನ ವರ್ಗೀಕರಣ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು 2 × 2 ಆಕಸ್ಮಿಕ ಕೋಷ್ಟಕವನ್ನು ಬಳಸಿಕೊಂಡು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ.ಪರೀಕ್ಷಾ ಸೆಟ್‌ನ ಲೆಕ್ಕಾಚಾರದ ಸೂಕ್ಷ್ಮತೆ, ನಿರ್ದಿಷ್ಟತೆ, PPV, NPV ಮತ್ತು AUROC ಅನ್ನು DM ವರ್ಗೀಕರಣದ ಮಾದರಿಯ ಅಳತೆ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ.ಡೇಟಾ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಅವಲಂಬಿಸಿ ಸರಾಸರಿ ± ಪ್ರಮಾಣಿತ ವಿಚಲನ ಅಥವಾ ಸಂಖ್ಯೆ (%) ಎಂದು ಡೇಟಾವನ್ನು ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ.ಎರಡು ಬದಿಯ P ಮೌಲ್ಯಗಳು <0.05 ಅನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.ಎಲ್ಲಾ ದಿನನಿತ್ಯದ ಅಂಕಿಅಂಶಗಳ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು SAS ಆವೃತ್ತಿ 9.4 (SAS ಇನ್ಸ್ಟಿಟ್ಯೂಟ್, ಕ್ಯಾರಿ, NC) ಬಳಸಿ ನಡೆಸಲಾಯಿತು.ನಿರ್ದಿಷ್ಟವಾಗಿ ಗಣಿತದ ಕಾರ್ಯಾಚರಣೆಗಳಿಗಾಗಿ 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 ಮೈನರ್ (KNIME) 4.6.152 ವಿಶ್ಲೇಷಣಾ ವೇದಿಕೆಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ.
ಅಧ್ಯಯನದ ತೀರ್ಮಾನಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಡೇಟಾವನ್ನು ಲೇಖನ ಮತ್ತು ಪೂರಕ ಸಾಮಗ್ರಿಗಳಲ್ಲಿ ಕಾಣಬಹುದು ಎಂದು ಲೇಖಕರು ಒಪ್ಪಿಕೊಂಡಿದ್ದಾರೆ.ಅಧ್ಯಯನದ ಸಮಯದಲ್ಲಿ ರಚಿಸಲಾದ ಮತ್ತು/ಅಥವಾ ವಿಶ್ಲೇಷಿಸಿದ ಡೇಟಾಸೆಟ್‌ಗಳು ಸಮಂಜಸವಾದ ವಿನಂತಿಯ ಮೇರೆಗೆ ಅನುಗುಣವಾದ ಲೇಖಕರಿಂದ ಲಭ್ಯವಿದೆ.
ರಿಟ್ಜ್-ಟಿಮ್ಮೆ, ಎಸ್. ಮತ್ತು ಇತರರು.ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನ: ವಿಧಿವಿಜ್ಞಾನ ಅಭ್ಯಾಸದ ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಲು ಕಲೆಯ ಸ್ಥಿತಿ.ಅಂತರಾಷ್ಟ್ರೀಯತೆ.J. ಕಾನೂನು ಔಷಧ.113, 129–136 (2000).
ಸ್ಕ್ಮೆಲಿಂಗ್, ಎ., ರೈಸಿಂಗರ್, ಡಬ್ಲ್ಯೂ., ಗೆಸೆರಿಕ್, ಜಿ., ಮತ್ತು ಓಲ್ಜೆ, ಎ. ಕ್ರಿಮಿನಲ್ ಮೊಕದ್ದಮೆ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಜೀವಂತ ವಿಷಯಗಳ ವಿಧಿವಿಜ್ಞಾನ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನದ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿ.ಫೋರೆನ್ಸಿಕ್ಸ್.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 ಬಾಚಿಹಲ್ಲುಗಳ ಅಭಿವೃದ್ಧಿಯ ಕಾಲಗಣನೆ ಮತ್ತು ಫೋರೆನ್ಸಿಕ್ ವಯಸ್ಸಿನ ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ ಅದರ ಅನ್ವಯ.ಅಂತರಾಷ್ಟ್ರೀಯತೆ.J. ಕಾನೂನು ಔಷಧ.124, 659–665 (2010).
ಓಹ್, ಎಸ್., ಕುಮಗೈ, ಎ., ಕಿಮ್, ಎಸ್‌ವೈ ಮತ್ತು ಲೀ, ಎಸ್‌ಎಸ್ ಕೊರಿಯನ್‌ಗಳು ಮತ್ತು ಜಪಾನೀಸ್‌ನಲ್ಲಿ ಎರಡನೇ ಮತ್ತು ಮೂರನೇ ಬಾಚಿಹಲ್ಲುಗಳ ಪರಿಪಕ್ವತೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜು ಮತ್ತು 18 ವರ್ಷಗಳ ಮಿತಿಯ ಅಂದಾಜು ನಿಖರತೆ.PLoS ONE 17, e0271247 (2022).
ಕಿಮ್, JY, ಮತ್ತು ಇತರರು.ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಗೆ ಮುನ್ನ ಯಂತ್ರ ಕಲಿಕೆ-ಆಧಾರಿತ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ OSA ರೋಗಿಗಳಲ್ಲಿ ನಿದ್ರೆಯ ಶಸ್ತ್ರಚಿಕಿತ್ಸೆಯ ಚಿಕಿತ್ಸೆಯ ಫಲಿತಾಂಶವನ್ನು ಊಹಿಸಬಹುದು.ವಿಜ್ಞಾನ.ವರದಿ 11, 14911 (2021).
ಹಾನ್, ಎಂ. ಮತ್ತು ಇತರರು.ಮಾನವ ಹಸ್ತಕ್ಷೇಪದೊಂದಿಗೆ ಅಥವಾ ಇಲ್ಲದೆಯೇ ಯಂತ್ರ ಕಲಿಕೆಯಿಂದ ನಿಖರವಾದ ವಯಸ್ಸಿನ ಅಂದಾಜು?ಅಂತರಾಷ್ಟ್ರೀಯತೆ.J. ಕಾನೂನು ಔಷಧ.136, 821–831 (2022).
ಖಾನ್, ಎಸ್. ಮತ್ತು ಶಾಹೀನ್, ಎಂ. ಡೇಟಾ ಮೈನಿಂಗ್‌ನಿಂದ ಡೇಟಾ ಮೈನಿಂಗ್‌ಗೆ.ಜೆ.ಮಾಹಿತಿವಿಜ್ಞಾನ.https://doi.org/10.1177/01655515211030872 (2021).
ಖಾನ್, ಎಸ್. ಮತ್ತು ಶಾಹೀನ್, ಎಂ. ವಿಸ್ ರೂಲ್: ಅಸೋಸಿಯೇಷನ್ ​​ರೂಲ್ ಮೈನಿಂಗ್ಗಾಗಿ ಮೊದಲ ಅರಿವಿನ ಅಲ್ಗಾರಿದಮ್.ಜೆ.ಮಾಹಿತಿವಿಜ್ಞಾನ.https://doi.org/10.1177/01655515221108695 (2022).
ಶಾಹೀನ್ ಎಂ. ಮತ್ತು ಅಬ್ದುಲ್ಲಾ ಯು. ಕಾರ್ಮ್: ಸಂದರ್ಭ-ಆಧಾರಿತ ಸಂಘದ ನಿಯಮಗಳ ಆಧಾರದ ಮೇಲೆ ಸಾಂಪ್ರದಾಯಿಕ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ.ಲೆಕ್ಕಾಚಾರ.ಮ್ಯಾಟ್.ಮುಂದುವರಿಸಿ.68, 3305–3322 (2021).
ಮುಹಮ್ಮದ್ M., ರೆಹಮಾನ್ Z., ಶಾಹೀನ್ M., ಖಾನ್ M. ಮತ್ತು ಹಬೀಬ್ M. ಪಠ್ಯ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಆಳವಾದ ಕಲಿಕೆ ಆಧಾರಿತ ಶಬ್ದಾರ್ಥದ ಹೋಲಿಕೆ ಪತ್ತೆ.ತಿಳಿಸುತ್ತಾರೆ.ತಂತ್ರಜ್ಞಾನಗಳು.ನಿಯಂತ್ರಣ.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ಮತ್ತು ಶಾಹಿನ್, M. ಕ್ರೀಡಾ ವೀಡಿಯೊಗಳಲ್ಲಿ ಚಟುವಟಿಕೆಯನ್ನು ಗುರುತಿಸುವ ವ್ಯವಸ್ಥೆ.ಮಲ್ಟಿಮೀಡಿಯಾ.ಪರಿಕರಗಳ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು https://doi.org/10.1007/s11042-021-10519-6 (2021).
ಹಲಾಬಿ, SS ಮತ್ತು ಇತರರು.ಪೀಡಿಯಾಟ್ರಿಕ್ ಬೋನ್ ಏಜ್‌ನಲ್ಲಿ ಆರ್‌ಎಸ್‌ಎನ್‌ಎ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಚಾಲೆಂಜ್.ರೇಡಿಯಾಲಜಿ 290, 498–503 (2019).
ಲಿ, ವೈ ಮತ್ತು ಇತರರು.ಆಳವಾದ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಶ್ರೋಣಿಯ X-ಕಿರಣಗಳಿಂದ ನ್ಯಾಯ ವಿಜ್ಞಾನದ ವಯಸ್ಸಿನ ಅಂದಾಜು.ಯುರೋ.ವಿಕಿರಣ.29, 2322–2329 (2019).
ಗುವೋ, YC, ಮತ್ತು ಇತರರು.ಹಸ್ತಚಾಲಿತ ವಿಧಾನಗಳು ಮತ್ತು ಆರ್ಥೋಗ್ರಾಫಿಕ್ ಪ್ರೊಜೆಕ್ಷನ್ ಚಿತ್ರಗಳಿಂದ ಆಳವಾದ ಕನ್ವಲ್ಯೂಷನಲ್ ನರ ಜಾಲಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಖರವಾದ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣ.ಅಂತರಾಷ್ಟ್ರೀಯತೆ.J. ಕಾನೂನು ಔಷಧ.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 ಬಾಚಿಹಲ್ಲುಗಳ ತಿರುಳು ಚೇಂಬರ್ ಸಂಪುಟಗಳ ಆಧಾರದ ಮೇಲೆ ಆಫ್ರಿಕನ್ ಅಮೆರಿಕನ್ನರು ಮತ್ತು ಚೀನಿಯರ ಜನಸಂಖ್ಯೆ-ನಿರ್ದಿಷ್ಟ ವಯಸ್ಸಿನ ಅಂದಾಜು.ಅಂತರಾಷ್ಟ್ರೀಯತೆ.J. ಕಾನೂನು ಔಷಧ.136, 811–819 (2022).
ಕಿಮ್ S., ಲೀ YH, Noh YK, ಪಾರ್ಕ್ FK ಮತ್ತು Oh KS ಮೊದಲ ಬಾಚಿಹಲ್ಲುಗಳ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಆಧಾರಿತ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಜೀವಂತ ಜನರ ವಯಸ್ಸಿನ ಗುಂಪುಗಳನ್ನು ನಿರ್ಧರಿಸುವುದು.ವಿಜ್ಞಾನ.ವರದಿ 11, 1073 (2021).
ಸ್ಟರ್ನ್, ಡಿ., ಪೇಯರ್, ಸಿ., ಗಿಯುಲಿಯಾನಿ, ಎನ್., ಮತ್ತು ಉರ್ಸ್ಚ್ಲರ್, ಎಂ. ಸ್ವಯಂಚಾಲಿತ ವಯಸ್ಸಿನ ಅಂದಾಜು ಮತ್ತು ಬಹುವಿಧದ MRI ಡೇಟಾದಿಂದ ಹೆಚ್ಚಿನ ವಯಸ್ಸಿನ ವರ್ಗೀಕರಣ.IEEE J. ಬಯೋಮೆಡ್.ಆರೋಗ್ಯ ಎಚ್ಚರಿಕೆಗಳು.23, 1392–1403 (2019).
ಚೆಂಗ್, ಕ್ಯೂ., ಜಿ, ಝಡ್., ಡು, ಎಚ್. ಮತ್ತು ಲಿ, ಜಿ. ಆಳವಾದ ಕಲಿಕೆ ಮತ್ತು ಮಟ್ಟದ ಸೆಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಕೋನ್ ಬೀಮ್ ಕಂಪ್ಯೂಟೆಡ್ ಟೊಮೊಗ್ರಫಿಯಿಂದ ಮೊದಲ ಬಾಚಿಹಲ್ಲುಗಳ 3D ಪಲ್ಪ್ ಚೇಂಬರ್ ವಿಭಜನೆಯ ಆಧಾರದ ಮೇಲೆ ವಯಸ್ಸಿನ ಅಂದಾಜು.ಅಂತರಾಷ್ಟ್ರೀಯತೆ.J. ಕಾನೂನು ಔಷಧ.135, 365–373 (2021).
ವೂ, WT, ಮತ್ತು ಇತರರು.ಕ್ಲಿನಿಕಲ್ ದೊಡ್ಡ ಡೇಟಾದಲ್ಲಿ ಡೇಟಾ ಗಣಿಗಾರಿಕೆ: ಸಾಮಾನ್ಯ ಡೇಟಾಬೇಸ್‌ಗಳು, ಹಂತಗಳು ಮತ್ತು ವಿಧಾನಗಳ ಮಾದರಿಗಳು.ವಿಶ್ವ.ಔಷಧಿ.ಸಂಪನ್ಮೂಲ.8, 44 (2021).
ಯಾಂಗ್, ಜೆ. ಮತ್ತು ಇತರರು.ದೊಡ್ಡ 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 ಅಂದಾಜಿಸಲು ಕ್ಯಾಮರರ್‌ನ ವಿಧಾನ.BMC ಓರಲ್ ಹೆಲ್ತ್ 21, 641 (2021).
ಗಲ್ಲಿಬರ್ಗ್ ಎ. ಮತ್ತು ಇತರರು.ಡೆಮಿರ್ಡ್ಜಿಯನ್ ಸ್ಟೇಜಿಂಗ್ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ಊಹಿಸಲು ವಿಭಿನ್ನ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳ ಹೋಲಿಕೆ.ಅಂತರಾಷ್ಟ್ರೀಯತೆ.J. ಕಾನೂನು ಔಷಧ.135, 665–675 (2021).
ಡೆಮಿರ್ಡ್‌ಜಿಯನ್, ಎ., ಗೋಲ್ಡ್‌ಸ್ಟೈನ್, ಎಚ್. ಮತ್ತು ಟ್ಯಾನರ್, ಜೆಎಂ ಹಲ್ಲಿನ ವಯಸ್ಸನ್ನು ನಿರ್ಣಯಿಸಲು ಹೊಸ ವ್ಯವಸ್ಥೆ.ಗೊರಕೆ ಹೊಡೆಯುತ್ತಾರೆ.ಜೀವಶಾಸ್ತ್ರ.45, 211–227 (1973).
ಲ್ಯಾಂಡಿಸ್, ಜೆಆರ್, ಮತ್ತು ಕೋಚ್, ಜಿಜಿ ವರ್ಗೀಯ ಡೇಟಾದ ಮೇಲೆ ವೀಕ್ಷಕರ ಒಪ್ಪಂದದ ಕ್ರಮಗಳು.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 ಪಠ್ಯ, ರೂಪವಿಜ್ಞಾನ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಶ್ಲೇಷಣೆ.ಆರೋಗ್ಯ ಮಾಹಿತಿ.ಸಂಪನ್ಮೂಲ.https://doi.org/10.4258/hir.2022.28.1.46 (2022).