Կորեացի դեռահասների եւ երիտասարդ մեծահասակների շրջանում ատամնաբուժական տարիքի ավանդական գնահատման ավանդական մոդելի վավերացում

Շնորհակալություն Nature.com այցելելու համար: Դուք օգտագործում եք զննարկչի տարբերակը, ունի սահմանափակ CSS աջակցություն: Լավագույն արդյունքների համար խորհուրդ ենք տալիս օգտագործել ձեր զննարկչի նոր տարբերակը (կամ միացնել համատեղելիության ռեժիմը Internet Explorer- ում): Միեւնույն ժամանակ, շարունակական աջակցություն ապահովելու համար մենք կայքը ցույց ենք տալիս առանց ոճավորելու կամ JavaScript- ի:
Ատամները համարվում են մարդու մարմնի դարաշրջանի առավել ճշգրիտ ցուցանիշը եւ հաճախ օգտագործվում են դատաբժշկական դարաշրջանի գնահատման մեջ: Մենք նպատակ ունեինք վավերացնել տվյալների հանքարդյունաբերության վրա հիմնված ստոմատոլոգիական տարիքային գնահատումները `համեմատելով 18-ամյա շեմի գնահատման ճշգրտությունը եւ դասակարգումը` ավանդական մեթոդներով եւ տվյալների հանքարդյունաբերության վրա հիմնված տարիքային գնահատականներով: Ընդհանուր առմամբ, ընդհանուր առմամբ 2657 համայնապատկերային ռադիոգրաֆիա հավաքվել է 15-ից 23 տարեկան բնակիչների կողմից: Դրանք բաժանվեցին դասընթացների հավաքածուի, յուրաքանչյուրը պարունակում էր 900 կորեական ռադիոգրաֆներ եւ ներքին թեստի հավաքածու, որը պարունակում էր 857 ճապոնական ռադիոգրաֆիա: Մենք համեմատեցինք դասակարգման ճշգրտությունը եւ արդյունավետության արդյունավետությունը տվյալների հանքարդյունաբերության մոդելների փորձարկման հավաքածուներով: Ներքին թեստի հավաքածուի ավանդական մեթոդի ճշգրտությունը մի փոքր ավելի բարձր է, քան տվյալների հանքարդյունաբերության մոդելը, եւ տարբերությունը փոքր է (միջին բացարձակ սխալ <0.21 տարի): 18-ամյա կտրվածքի դասակարգման ներկայացումը նման է նաեւ ավանդական մեթոդների եւ տվյալների հանքարդյունաբերության մոդելների միջեւ: Այսպիսով, ավանդական մեթոդները կարող են փոխարինվել տվյալների հանքարդյունաբերության մոդելներով, երբ դատաբժշկական դարաշրջանի գնահատականն իրականացնելիս `օգտագործելով կորեական դեռահասների եւ երիտասարդ մեծահասակների երկրորդ եւ երրորդ մոլերի հասունությունը:
Ատամնաբուժական տարիքի գնահատումը լայնորեն օգտագործվում է դատաբժշկական եւ մանկաբուժության ստոմատոլոգիայում: Մասնավորապես, ժամանակագրական դարաշրջանի եւ ատամնաբուժական զարգացման միջեւ բարձր հարաբերակցության պատճառով, ատամնաբուժական զարգացման փուլերի կողմից տարիքային գնահատումը կարեւոր չափանիշ է երեխաների եւ դեռահասների տարիքը 1,2,3: Այնուամենայնիվ, երիտասարդների համար ատամնաբուժական տարիքին գնահատելով ատամնաբուժական տարիքը, ունի իր սահմանափակումները, քանի որ ատամնաբուժական աճը գրեթե ավարտված է, բացառությամբ երրորդ մոլների: Երիտասարդների եւ դեռահասների տարիքը որոշելու իրավական նպատակը ճշգրիտ գնահատումներ եւ գիտական ​​ապացույցներ տրամադրելն է, թե հասել են մեծամասնության տարիքին: Կորեայում դեռահասների եւ երիտասարդ մեծահասակների բուժական պրակտիկայում տարիքը գնահատվել է Լիի մեթոդը, եւ կանխատեսվում էր 18 տարվա իրավական շեմը, ելնելով an et al 5-ի մասին հաղորդված տվյալների հիման վրա:
Մեքենաների ուսումը արհեստական ​​ինտելեկտի տեսակ է (AI), որը բազմիցս սովորում եւ դասակարգում է մեծ քանակությամբ տվյալներ, խնդիրներ լուծում է ինքնուրույն եւ վարում է տվյալների ծրագրավորում: Մեքենաների ուսումը կարող է հայտնաբերել տվյալների մեծ քանակությամբ տվյալների մեծ քանակություն 6: Ի հակադրություն, դասական մեթոդներ, որոնք աշխատուժ եւ ժամանակատար են, կարող են սահմանափակումներ ունենալ, երբ գործ ունենան բարդ տվյալների մեծ ծավալներ, որոնք դժվար է մշակել ձեռքով 7: Հետեւաբար, վերջերս անցկացվել են բազմաթիվ ուսումնասիրություններ, օգտագործելով համակարգչային վերջին տեխնոլոգիաները `նվազագույնի հասցնելու մարդկային սխալները եւ արդյունավետ մշակել բազմաչափ տվյալներ 8,9,10,11,12: Մասնավորապես, խորը ուսումը լայնորեն կիրառվել է բժշկական պատկերի վերլուծության մեջ, եւ տարիքային գնահատման տարիքային գնահատման տարբեր մեթոդներ հաղորդվել են ռենտգենոգրաֆների ավտոմատ կերպով վերլուծելու համար, բարելավում է 33,14,15,16,18,19,20 տարեկան Մի շարք Օրինակ, Halabi et al 13- ը մշակեց մեքենայական ուսուցման ալգորիթմ, որը հիմնված է կոնկտուրալ նյարդային ցանցերի (CNN) վրա `կմախքի դարաշրջանը գնահատելու համար` օգտագործելով երեխաների ձեռքի ռադիոգրաֆիան: Այս ուսումնասիրությունն առաջարկում է մի մոդել, որը կիրառում է բժշկական պատկերներ սովորելը եւ ցույց է տալիս, որ այս մեթոդները կարող են բարելավել ախտորոշման ճշգրտությունը: Li et al14- ը դարբնոցային ռենտգենյան ճառագայթների պատկերներից գնահատված տարիքն է, օգտագործելով խորը ուսուցում CNN եւ համեմատեց դրանք ռեգրեսիայի արդյունքների հետ, օգտագործելով OSSIFIC փուլերի բեմի գնահատումը: Նրանք պարզեցին, որ CNN- ի խորը ուսուցման մոդելը ցույց տվեց նույն տարիքային գնահատման կատարումը, ինչպես ավանդական ռեգրեսիայի մոդելը: Գուո եւ Ալ. Ուսումնասիրությունը [15] գնահատել է CNN տեխնոլոգիայի դասակարգման դասակարգման դասակարգումը, որը հիմնված է ատամնաբուժական օրթոֆոտոսի վրա, եւ CNN մոդելի արդյունքները ապացուցեցին, որ մարդիկ գերազանցում են նրա դասակարգման իր կատարումը:
Մեքենայի ուսուցման միջոցով տարիքային գնահատման մեծ մասը օգտագործում է խորը ուսուցման մեթոդներ 13,14,15,16,17,18,19,20: Խորը ուսուցման հիման վրա տարիքային գնահատումը հաղորդվում է, որ ավելի ճշգրիտ է, քան ավանդական մեթոդները: Այնուամենայնիվ, այս մոտեցումը քիչ հնարավորություն է տալիս գիտական ​​հիմքը ներկայացնելու տարիքային գնահատումների համար, ինչպիսիք են գնահատականների մեջ օգտագործվող տարիքային ցուցանիշները: Գոյություն ունի նաեւ իրավական վեճ, թե ով է իրականացնում ստուգումները: Հետեւաբար, խորը ուսուցման հիման վրա տարիքային գնահատումը դժվար է ընդունել վարչական եւ դատական ​​իշխանություններին: Տվյալների հանքարդյունաբերությունը (DM) տեխնիկա է, որը կարող է հայտնաբերել ոչ միայն սպասվող, այլեւ անսպասելի տեղեկատվություն, որպես մեծ քանակությամբ տվյալների 321,22-ի միջեւ օգտակար հարաբերակցություններ հայտնաբերելու մեթոդ: Մեքենաների ուսումը հաճախ օգտագործվում է տվյալների հանքարդյունաբերության մեջ, եւ տվյալների հանքարդյունաբերության եւ մեքենայական ուսուցման մեջ օգտագործեք նույն հիմնական ալգորիթմները `տվյալների ձեւերը հայտնաբերելու համար: Ատամնաբուժական զարգացման օգտագործմամբ տարիքային գնահատումը հիմնված է թիրախային ատամների հասունության քննության գնահատման վրա, եւ այդ գնահատականը արտահայտվում է որպես յուրաքանչյուր թիրախ ատամի բեմ: DM- ն կարող է օգտագործվել ատամնաբուժական գնահատման փուլի եւ փաստացի տարիքի միջեւ հարաբերակցությունը վերլուծելու եւ ավանդական վիճակագրական վերլուծությունը փոխարինելու ներուժ ունի: Հետեւաբար, եթե մենք դիմում ենք DM տեխնիկան տարիքային գնահատման, մենք կարող ենք իրականացնել մեքենայական ուսուցում դատաբժշկական տարիքի գնահատմամբ, առանց անհանգստանալու իրավական պատասխանատվության: Մի շարք համեմատական ​​ուսումնասիրություններ հրապարակվել են ավանդական ձեռնարկի ավանդական մեթոդների հնարավոր այլընտրանքների վրա, որոնք օգտագործվում են դատաբժշկական փորձաքննության եւ EBM- ի վրա հիմնված մեթոդներով `ստոմատոլոգիական տարիքը որոշելու համար: Shen et al23- ը ցույց տվեց, որ DM մոդելը ավելի ճշգրիտ է, քան ավանդական խցանման բանաձեւը: Galibourg et al24- ը կիրառեց DM DM- ի տարբեր մեթոդներ `կանխատեսելու տարիքը` համաձայն Դեմիրճյան չափանիշի 25-ի, եւ արդյունքները ցույց տվեցին, որ DM մեթոդը գերազանցում է Դեմիրճյանին եւ Ուիլբեմի մեթոդներին, ֆրանսիացի բնակչության տարիքը գնահատելու համար:
Կորեայի դեռահասների եւ երիտասարդ մեծահասակների ատամնաբուժական տարիքը գնահատելու համար Լիի 4-րդ մեթոդը լայնորեն օգտագործվում է կորեական դատաբժշկական պրակտիկայում: Այս մեթոդը օգտագործում է ավանդական վիճակագրական վերլուծություն (օրինակ, բազմաթիվ ռեգրեսիա) `կորեական առարկաների եւ ժամանակագրական դարաշրջանի միջեւ հարաբերությունները ուսումնասիրելու համար: Այս ուսումնասիրության մեջ ավանդական վիճակագրական մեթոդների օգտագործմամբ ստացված տարիքային գնահատման մեթոդները սահմանվում են որպես «ավանդական մեթոդներ»: Լիի մեթոդը ավանդական մեթոդ է, եւ դրա ճշգրտությունը հաստատվել է ախ եւ ալ: 5; Այնուամենայնիվ, կորեական դատաբժշկական պրակտիկայում DM մոդելի հիման վրա տարիքային գնահատման կիրառելիությունը դեռ կասկածելի է: Մեր նպատակն էր գիտականորեն վավերացնել տարիքային գնահատման հնարավոր օգտակարությունը DM մոդելի հիման վրա: Այս ուսումնասիրության նպատակը (1) համեմատել երկու DM մոդելների ճշգրտությունը `ստոմատոլոգիական տարիքը գնահատելու եւ (2) համեմատելու համար 18 տարեկան հասակում 7 դմ-ի մոդելների դասակարգման կատարումը եւ երրորդ մոլերը երկու ծնոտներում:
Ժամանակագրական տարիքի միջոցների եւ ստանդարտ շեղումները ըստ բեմի եւ ատամի տեսակի, ցուցադրվում են առցանց լրացուցիչ աղյուսակ S1 (դասընթացների հավաքածու), լրացուցիչ աղյուսակ S3 (արտաքին թեստի հավաքածու): Դասընթացի հավաքածուից ստացված ներհամայնքային եւ միջամտող հուսալիության համար kappa արժեքները համապատասխանաբար կազմել են 0.951 եւ 0.947: P արժեքները եւ 95% վստահության միջակայքերը Կապայի արժեքների համար ցուցադրվում են առցանց լրացուցիչ աղյուսակ S4- ում: Կապայի արժեքը մեկնաբանվել է որպես «համարյա կատարյալ», համահունչ է Լանդիսի եւ Քոչի 26-ի չափանիշներին:
Միջին բացարձակ սխալը (Mae) համեմատելիս ավանդական մեթոդը փոքր-ինչ գերազանցում է DM մոդելը բոլոր սեռերի եւ արտաքին թեստի հավաքածուի մեջ, բացառությամբ Multilayer Perceptron- ի (MLP): Ավանդական մոդելի եւ DM մոդելի միջեւ տարբերությունը Mae Test Set- ի վրա կազմել է 0,12-0.19 տարի տղամարդկանց համար եւ 0.17-0.21 տարի կանանց համար: Արտաքին փորձարկման մարտկոցի համար տարբերությունները փոքր են (տղամարդկանց համար 0,001-0.05 տարի տղամարդկանց համար եւ 0.05-0.09 տարի): Բացի այդ, արմատային միջին քառակուսի սխալը (RMSE) մի փոքր ցածր է, քան ավանդական մեթոդը, փոքր տարբերություններով (0,17-0.24, 0.2-0.24 տղամարդկանց ներքին թեստի հավաքածուի համար): ) MLP- ն ցույց է տալիս մի փոքր ավելի լավ կատարում, քան միայնակ շերտի perceptron (SLP), բացառությամբ կին արտաքին թեստի հավաքածուի դեպքում: Mae եւ RMSE- ի համար արտաքին թեստի հավաքածուները ավելի բարձր են, քան բոլոր սեռերի եւ մոդելների համար սահմանված ներքին թեստը: Ամբողջ Mae- ն ու RMSE- ն ցուցադրվում են Աղյուսակ 1-ում եւ Նկար 1-ում:
Ավանդական եւ տվյալների հանքարդյունաբերության ռեգրեսիայի մոդելների MAE եւ RMSE: Միջին բացարձակ սխալ Mae, Root Mean Square Error RMSE, Single Layer Perceptron SLP, Multilayer Perceptron MLP, ավանդական CM մեթոդ:
Ավանդական եւ DM մոդելներից դասակարգման ներկայացում (18 տարի ժամկետով) դրսեւորվել է զգայունության, առանձնահատկության, դրական կանխատեսելի արժեքի (PPV), բացասական կանխատեսելի արժեքի (NPV) եւ տարածքի կողմից գործողությունների բնորոշ կորի (Աուրոց) 27 (Աղյուսակ 2, Գծապատկեր 2 եւ լրացուցիչ գործիչ 1 առցանց): Ներքին փորձարկման մարտկոցի զգայունության առումով ավանդական մեթոդները տղամարդկանց շրջանում ամենալավն են իրականացնում եւ կանանց շրջանում: Այնուամենայնիվ, ավանդական մեթոդների եւ SD- ի դասակարգման ներկայացման տարբերությունը 9,7% է տղամարդկանց (MLP) եւ միայն 2.4% կանանց համար (xgboost): DM մոդելների շարքում լոգիստիկ ռեգրեսիան (LR) ավելի լավ զգայունություն դրսեւորեց երկու սեռերի մեջ: Ինչ վերաբերում է ներքին թեստի հավաքածուի առանձնահատկությանը, նկատվել է, որ չորս SD մոդելները լավ են կատարվել տղամարդկանց մոտ, մինչդեռ ավանդական մոդելը ավելի լավ է կատարում կին: Տղամարդկանց եւ կանանց դասակարգման դասակարգման տարբերությունները կազմում են 13.3% (MLP) եւ 13.1% (MLP), համապատասխանաբար, նշելով, որ մոդելների միջեւ դասակարգման կատարման տարբերությունը գերազանցում է զգայունությունը: DM մոդելների, աջակցության վեկտորային մեքենայի (SVM), որոշումների ծառ (DT) եւ պատահական անտառային (ՌԴ) մոդելները լավագույնս կատարեցին տղամարդկանց շրջանում, մինչդեռ LR մոդելը լավագույնն էր անում կանանց շրջանում: Ավանդական մոդելի եւ SD- ի բոլոր մոդելների ավոկը ավելի մեծ էր, քան 0.925 (տղամարդկանց մոտ `K-ամենամոտ հարեւան (Knn), ցուցադրում է գերազանց դասակարգման ներկայացում 18-ամյա նմուշներ 28 տարբերակելու համար: Արտաքին թեստի հավաքածուի համար դասակարգման կատարման անկում տեղի ունեցավ զգայունության, առանձնահատկությունների եւ աուրոկի առումով `համեմատած ներքին թեստի հավաքածուի հետ: Ավելին, լավագույն եւ վատագույն մոդելների դասակարգման կատարման միջեւ զգայունության եւ առանձնահատկությունների տարբերությունը տատանվում էր 10% -ից մինչեւ 25% եւ ավելի մեծ էր, քան ներքին թեստի հավաքածուի տարբերությունը:
Տվյալների հանքարդյունաբերության դասակարգման մոդելների զգայունությունն ու առանձնահատկությունը `համեմատած ավանդական մեթոդների հետ` 18 տարի ժամկետով: Knn k ամենամոտ հարեւան, SVM աջակցության վեկտորային մեքենա, LR Logistic Regression, DT որոշումների ծառ, ՌԴ պատահական անտառ, XGB XGBoost, MLP Multilayer Perceptron, ավանդական CM մեթոդ:
Այս ուսումնասիրության առաջին քայլն էր `համեմատել ատամնաբուժական տարիքի գնահատումների ճշգրտությունը` ստացված յոթ DM մոդելներից ստացված յոթ DM մոդելներից `ավանդական ռեգրեսիա օգտագործողների միջոցով: Մեյն ու RMSE- ն գնահատվել են ներքին թեստային հավաքածուներում ինչպես սեռի, այնպես էլ ավանդական մեթոդի եւ DM մոդելի միջեւ տարբերությունը տատանվում էր 44-ից 77 օրվա ընթացքում, իսկ RMSE- ի 62-ից 88 օր: Չնայած ավանդական մեթոդը այս ուսումնասիրության մեջ փոքր-ինչ ավելի ճշգրիտ էր, դժվար է եզրակացնել, թե նման փոքր տարբերությունն ունի կլինիկական կամ գործնական նշանակություն: Այս արդյունքները ցույց են տալիս, որ DM մոդելը օգտագործող ատամնաբուժական տարիքի գնահատման ճշգրտությունը գրեթե նույնն է, ինչ ավանդական մեթոդի: Նախորդ ուսումնասիրությունների արդյունքների հետ կապված ուղղակի համեմատությունը դժվար է, քանի որ ոչ մի ուսումնասիրություն չի համեմատվել ավանդական վիճակագրական մեթոդներով DM մոդելների ճշգրտությունը `օգտագործելով նույն տարիքում ատամները ձայնագրելու նույն տեխնիկան, ինչպես այս ուսումնասիրության մեջ: Galibourg et al24- ը համեմատեց Mae- ն եւ RMSE- ը ավանդական երկու մեթոդների (Դեմիրճյան մեթոդ 25 եւ Willms Method29) եւ 10 DM մոդել 2-ից 24 տարեկան Ֆրանսիայի բնակչության մեջ: Նրանք հաղորդել են, որ DM բոլոր մոդելներն ավելի ճշգրիտ են, քան ավանդական մեթոդները, 0.20 եւ 0,38 տարվա տարբերություններով `0.25 եւ 0,47 տարի RMSE- ում, համապատասխանաբար, համեմատաբար: Հալիբուրգի ուսումնասիրության մեջ նշված SD մոդելի եւ ավանդական մեթոդների միջեւ անհամապատասխանությունը հաշվի է առնում 331,32,33 բազմաթիվ հաշվետվություններ, որ Դեմիրճյան մեթոդը ճշգրտորեն չի գնահատում ատամնաբուժական տարիքը, բացի ֆրանսիական կանադացիներից, որոնց վրա հիմնված էր ուսումնասիրությունը: Այս ուսումնասիրության մեջ: Tai et al 34- ը օգտագործեց MLP ալգորիթմը `կանխատեսելու ատամի տարիքը 1636 չամոդոնտիկ լուսանկարներից եւ համեմատեց դրա ճշգրտությունը Դեմիրճյանի եւ Ուիլեմի մեթոդի արդյունքների հետ: Նրանք հաղորդել են, որ MLP- ն ավելի բարձր ճշգրտություն ունի, քան ավանդական մեթոդները: Դեմիրճյան մեթոդի եւ ավանդական մեթոդի միջեւ տարբերությունը <0.32 տարի է, իսկ կամքների մեթոդը `0,28 տարի, ինչը նման է սույն ուսումնասիրության արդյունքներին: Այս նախորդ ուսումնասիրությունների արդյունքները 24,34-ը նույնպես համահունչ են սույն ուսումնասիրության արդյունքներին, եւ DM մոդելի տարիքի գնահատման ճշգրտությունը եւ ավանդական մեթոդը նման են: Այնուամենայնիվ, ներկայացված արդյունքների հիման վրա մենք կարող ենք միայն զգուշորեն եզրակացնել, որ DM մոդելների օգտագործումը գնահատելու համար կարող է փոխարինել առկա մեթոդները `համեմատական ​​եւ տեղեկանքի արժեքի պատճառով: Այս ուսումնասիրության արդյունքում ստացված արդյունքները հաստատելու համար անհրաժեշտ են ավելի մեծ նմուշներ օգտագործող հետագա ուսումնասիրություններ:
Ուսումնասիրությունների շարքում SD- ի ճշգրտությունը ստոմատոլոգիական տարիքը գնահատելու համար ոմանք ցույց տվեցին ավելի բարձր ճշգրտություն, քան մեր ուսումնասիրությունը: Ստեփանովսկու եւ այլոց 35-ը կիրառել է 22 SD մոդելներ, 976 չեխ թռչողների պանորամային ռադիոգրաֆիկներին, 2,7-ից 20,5 տարեկան եւ փորձարկել յուրաքանչյուր մոդելի ճշգրտությունը: Նրանք գնահատել են ընդհանուր 16-ի ընդհանուր եւ ստորին մշտական ​​մշտական ​​ատամների զարգացումը `օգտագործելով Moorrees et al 36- ի առաջարկած դասակարգման չափանիշները: Մեյը տատանվում է 0.64-ից 0,94 տարի, իսկ RMSE- ն տատանվում է 0.85-ից մինչեւ 1,27 տարի, որոնք ավելի ճշգրիտ են այս ուսումնասիրության մեջ օգտագործված երկու DM մոդելներից: Shen et al23- ը օգտագործեց Cameriere մեթոդը `եօթը մշտական ​​ատամների ատամնաբուժական տարիքը 5-ից 13 տարեկան բնակիչների համար մանգաղի մեջ եւ համեմատեց այն գծային ռեգրեսիայի, SVM- ի եւ RF- ի օգտագործմամբ: Նրանք ցույց տվեցին, որ բոլոր երեք DM մոդելներն ունեն ավելի բարձր ճշգրտություն `համեմատած Cameriere ավանդական բանաձեւի հետ: Շենի ուսումնասիրության մեջ գտնվող Mae- ն ու RMSE- ն ավելի ցածր էին, քան այս ուսումնասիրության DM մոդելի մեջ գտնվողները: Ստեփանովսկու եւ այլոց ուսումնասիրությունների մեծ ճշգրտությունը: 35 եւ Շեն եւ Ալ. 23-ը կարող է պայմանավորված լինել ուսման նմուշներում երիտասարդ առարկաների ընդգրկման հետ: Քանի որ զարգացող ատամների մասնակիցների համար տարիքային գնահատումները դառնում են ավելի ճշգրիտ, քանի որ ատամների քանակը մեծանում է ատամնաբուժական զարգացման ընթացքում, արդյունքում տարիքային գնահատման մեթոդի ճշգրտությունը կարող է վարկաբեկվել, երբ ուսանողները երիտասարդ են: Բացի այդ, MLP- ի EXERATION- ի սխալը մի փոքր փոքր է, քան SLP- ն, այսինքն, MLP- ն ավելի ճշգրիտ է, քան SLP- ն: MLP- ն համարվում է մի փոքր ավելի լավ `տարիքային գնահատման համար, հնարավոր է` MLP38- ի թաքնված շերտերի պատճառով: Այնուամենայնիվ, կա բացառություն կանանց արտաքին նմուշի համար (SLP 1.45, MLP 1.49): Այն գտնելու համար, որ MLP- ն ավելի ճշգրիտ է, քան տարիքը գնահատելը SLP- ն պահանջում է հետահայաց ուսումնասիրություններ:
Համեմատվել է նաեւ DM մոդելի դասակարգման եւ ավանդական մեթոդի դասակարգումը: Բոլոր փորձարկված SD մոդելները եւ ներքին թեստային հավաքածուի ավանդական մեթոդները ցույց են տվել 18-ամյա նմուշի համար խտրականության գործնականում ընդունելի մակարդակներ: Տղամարդկանց եւ կանանց նկատմամբ զգայունությունն ավելի մեծ էր, քան 87,7%, իսկ 94.9% -ը, համապատասխանաբար, իսկ առանձնահատկությունն ավելի մեծ էր, քան 89.3% -ը եւ 84.7% -ը: Բոլոր փորձարկված մոդելների աուրոկը նույնպես գերազանցում է 0.925-ը: Մեր գիտելիքներից ամենալավը ոչ մի ուսումնասիրություն չի փորձարկել DM մոդելի կատարումը 18-ամյա դասակարգման համար, հիմնվելով ատամնաբուժական հասունության վրա: Այս ուսումնասիրության արդյունքները կարող ենք համեմատել համայնապատկերային ճառագայթագրությունների խորը ուսուցման մոդելների դասակարգման միջոցով: Guo et al.15 հաշվարկեց CNN- ի վրա հիմնված խորը ուսուցման մոդելի դասակարգումը եւ ձեռքով մեթոդ, որը հիմնված է Դեմիրճյանի մեթոդի վրա, որոշակի դարաշրջանի շեմի համար: Ձեռնարկի մեթոդի զգայունությունն ու առանձնահատկությունը կազմել են համապատասխանաբար 87,7%, իսկ 95.5%, եւ CNN մոդելի զգայունությունն ու առանձնահատկությունը համապատասխանաբար գերազանցել են համապատասխանաբար 89.2% -ը եւ 86.6% -ը: Նրանք եզրակացրեցին, որ խորը ուսուցման մոդելները կարող են փոխարինել կամ գերազանցել ձեռնարկի գնահատումը տարիքային շեմերի դասակարգում: Այս ուսումնասիրության արդյունքները ցույց տվեցին դասակարգման նմանատիպ ներկայացում. Համարվում է, որ DM մոդելների օգտագործմամբ դասակարգումը կարող է փոխարինել ավանդական վիճակագրական մեթոդները տարիքային գնահատման համար: Մոդելների շարքում DM LR- ը տղամարդու նմուշի եւ զգայունության եւ զգայունության եւ մասնագիտության համար զգայունության տեսանկյունի լավագույն մոդելն էր: LR- ն երկրորդ տեղում է տղամարդկանց համար առանձնահատկության մեջ: Ավելին, LR- ը համարվում է ավելի հարմարավետ DM35 մոդելներից մեկը եւ ավելի քիչ բարդ է եւ դժվար է մշակել: Ելնելով այս արդյունքների հիման վրա LR- ը Կորեայի բնակչության 18-ամյա երեխաների համար համարվում էր կազակետային դասակարգման լավագույն լավագույն մոդելը:
Ընդհանուր առմամբ, արտաքին թեստի հավաքածուի տարիքային գնահատման կամ դասակարգման ճշգրտությունը աղքատ կամ ցածր էր ներքին թեստի հավաքածուի արդյունքների համեմատ: Որոշ զեկույցներ նշում են, որ դասակարգման ճշգրտությունը կամ արդյունավետությունը նվազում են, երբ կորեական բնակչության հիման վրա տարիքային գնահատումները կիրառվում են ճապոնական բնակչության վրա 5,39, իսկ ներկա ուսումնասիրության մեջ հայտնաբերվել է նմանատիպ օրինակ: Այս վատթարացման միտումը նկատվել է նաեւ DM մոդելի մեջ: Հետեւաբար, ճշգրիտ գնահատելու տարիքը, նույնիսկ վերլուծության գործընթացում DM օգտագործելիս, բնիկ բնակչության տվյալներից ստացվող մեթոդները, ինչպիսիք են ավանդական մեթոդները, պետք է նախընտրելի լինեն 5,39,40,41,42: Քանի որ անհասկանալի է, թե արդյոք խորը ուսուցման մոդելները կարող են ցուցադրել նմանատիպ միտումներ, դասակարգման ճշգրտությունն ու արդյունավետությունը `օգտագործելով ավանդական մեթոդներ, DM մոդելներ եւ նույն նմուշների խորը ուսուցման մոդելներ, հաստատելու համար: գնահատականներ:
Մենք ցույց ենք տալիս, որ ավանդական մեթոդները կարող են փոխարինվել տարիքային գնահատմամբ, Կորեայում դատաբժշկական տարիքային գնահատման պրակտիկայում DM մոդելի հիման վրա: Մենք հայտնաբերեցինք նաեւ դատաբժշկական դարաշրջանի գնահատման համար մեքենայի ուսուցման իրականացման հնարավորությունը: Այնուամենայնիվ, կան հստակ սահմանափակումներ, ինչպիսիք են այս ուսումնասիրության մասնակիցների անբավարար թիվը `այս ուսումնասիրության արդյունքները համեմատելու եւ հաստատելու նախորդ ուսումնասիրությունների բացակայությունը: Ապագայում DM- ի ուսումնասիրությունները պետք է իրականացվեն ավելի մեծ թվով նմուշներով եւ ավելի բազմազան բնակչություններով `իր գործնական կիրառելիությունը բարելավելու համար` ավանդական մեթոդների համեմատ: Բազմաթիվ բնակչության գնահատման համար արհեստական ​​ինտելեկտի օգտագործման հնարավորությունը վավերացնելու համար անհրաժեշտ են ապագա ուսումնասիրություններ `նույն նմուշներում DM եւ Deep ուսուցման մոդելների դասակարգման ճշգրտությունը եւ արդյունավետությունը համեմատելու համար:
Ուսումնասիրությունն օգտագործում էր Կորեայի եւ ճապոնական մեծահասակների կողմից հավաքված 2,657 ուղղագրական լուսանկարներ, 15-ից 23 տարեկան: Կորեական ռադիոգրաֆիան բաժանվել է 900 մարզման հավաքածուի (19.42 ± 2.65 տարի) եւ 900 ներքին թեստային հավաքածու (19.52 ± 2.59 տարի): Դասընթացի հավաքածուն հավաքվել էր մեկ հաստատությունում (Սեուլ Սբ. Մարիամի հիվանդանոց), իսկ սեփական թեստային հավաքածուն հավաքվել էր երկու հաստատություններում (Սեուլի ազգային համալսարանական ատամնաբուժական հիվանդանոց եւ Յոնսի համալսարանական հիվանդանոց): Արտաքին փորձարկման համար մենք հավաքել ենք նաեւ 857 ռադիոժագրություններ բնակչության վրա հիմնված մեկ այլ տվյալների (IWATE բժշկական համալսարան): The ապոնական առարկաների ռադիոգրաֆիան (19.31 ± 2.60 տարի) ընտրվել են որպես արտաքին թեստի հավաքածու: Հետահայացներին հավաքվել են արտացոլիկորեն `վերլուծելու ատամնաբուժական բուժման ընթացքում վերցված համայնապատկերային ռադիոգրաֆիկների ատամնաբուժական զարգացման փուլերը: Հավաքված բոլոր տվյալները անանուն էին, բացառությամբ սեռի, ծննդյան ամսաթվի եւ ռադիոգրաֆի ամսաթվի: Ներառումը եւ բացառման չափանիշները նույնն էին, ինչ նախկինում հրապարակված ուսումնասիրություններ 4, 5: Նմուշի իրական տարիքը հաշվարկվել է `իջեցնելով ծննդյան ամսաթիվը` ռադիոգրաֆի ընդունումը: Նմուշի խումբը բաժանվեց ինը տարիքային խմբերի: Տարիքային եւ սեռի բաշխումները ներկայացված են Աղյուսակ 3-ում Այս ուսումնասիրությունն իրականացվել է Հելսինկիի հռչակման համաձայն եւ հաստատվել է Սեուլի ինստիտուցիոնալ վերանայման խորհուրդը (IRB) Կաթոլիկ համալսարանի Կաթոլիկ համալսարանի Սուրբ Մարիամի հիվանդանոցը (kc22wisi0328): Այս ուսումնասիրության հետահայաց ձեւավորման շնորհիվ տեղեկացված համաձայնությունը հնարավոր չէ ստանալ բոլոր հիվանդներից, որոնք անցնում են ճառագայթային նպատակներով ռադիոգրաֆիական փորձաքննություն: Սեուլի Կորեայի համալսարանը Սուրբ Մարիամի հիվանդանոցը (IRB) հրաժարվեց տեղեկացված համաձայնության պահանջից:
Bimaxillary երկրորդ եւ երրորդ մոլերի զարգացման փուլերը գնահատվել են «Դեմիր» -ի չափանիշների համաձայն: Ընտրվել է միայն մեկ ատամ, եթե յուրաքանչյուր ծնոտի ձախ եւ աջ կողմում գտնվեց նույն ատամը: Եթե ​​երկու կողմերի վրա համատարած ատամները տարբեր զարգացման փուլերում լինեին, ապա ստորին զարգացման փուլով ատամը ընտրվել է գնահատված տարիքում անորոշության համար: Դասընթացի հավաքածուից հարյուր պատահականորեն ընտրված ռենտգենոգրաֆներ խփվել են երկու փորձառու դիտորդների կողմից `ստոմատոլոգիական հասունացման փուլը որոշելու համար: Intraobserver- ի հուսալիությունը գնահատվել է երկու ամսվա ընդմիջումներով `առաջնային դիտորդի կողմից:
Դասընթացի հավաքածուի երկրորդ եւ երրորդ մոլերի սեռի եւ զարգացման փուլը գնահատվել է DM տարբեր մոդելներով պատրաստված առաջնային դիտորդի կողմից, եւ իրական տարիքը սահմանվել է որպես նպատակային արժեք: SLP եւ MLP մոդելները, որոնք լայնորեն օգտագործվում են մեքենայական ուսուցման մեջ, փորձարկվել են ռեգրեսիայի ալգորիթմների դեմ: DM մոդելը համատեղում է գծային գործառույթները `օգտագործելով չորս ատամների զարգացման փուլերը եւ համատեղում են այդ տվյալները` գնահատելու տարիքը: SLP- ը ամենապարզ նյարդային ցանցն է եւ չի պարունակում թաքնված շերտեր: SLP- ն աշխատում է հանգույցների միջեւ շեմի փոխանցման հիման վրա: Ռեգրեսիայի SLP մոդելը մաթեմատիկորեն նման է բազմաթիվ գծային ռեգրեսիայի: Ի տարբերություն SLP մոդելի, MLP մոդելը ունի բազմաթիվ թաքնված շերտեր `ոչ գծային ակտիվացման գործառույթներով: Մեր փորձերը օգտագործում էին թաքնված շերտ, ընդամենը 20 թաքնված հանգույցներով `ոչ գծային ակտիվացման գործառույթներով: Օգտագործեք գրադիենտ ծագում, որպես օպտիմիզացման մեթոդ եւ MAE եւ RMSE, քանի որ կորուստը գործառույթ է կատարել մեր մեքենայի ուսուցման մոդելը: Վերականգնվող ռեգրեսիայի լավագույն մոդելը կիրառվեց ներքին եւ արտաքին թեստային հավաքածուների վրա, եւ գնահատվեց ատամների տարիքը:
Մշակվել է դասակարգման ալգորիթմ, որն օգտագործում է մարզման չորս ատամների մարման ժամկետը `կանխատեսելու, թե արդյոք նմուշը 18 տարեկան է, թե ոչ: Մոդելը կառուցելու համար մենք ստացանք յոթ ներկայացուցչական մեքենա Ուսուցման ալգորիթմներ 6.43. Մի շարք LR- ը ամենատարածված դասակարգման AlgorithMS44- ն է: Դա վերահսկվող ուսումնական ալգորիթմ է, որը ռեգրեսիա է օգտագործում 0-ից 1-ի որոշակի կատեգորիայի պատկանող տվյալների հավանականությունը եւ դասակարգում է տվյալները, որոնք պատկանում են ավելի հավանական կատեգորիայի: հիմնականում օգտագործվում է երկուական դասակարգման համար: Knn- ը մեքենայի ուսուցման ամենապարզ ալգորիթմներից մեկն է: Նոր մուտքային տվյալներ տալուց հետո այն գտնում է k- ի տվյալները առկա հավաքածուին մոտ, այնուհետեւ դրանք դասակարգում են դասի `ամենաբարձր հաճախականությամբ: Մենք սահմանում ենք 3-ը դիտարկված հարեւանների քանակի համար: SVM- ն ալգորիթմ է, որն առավելագույնի է հասցնում երկու դասերի միջեւ հեռավորությունը `օգտագործելով միջուկի գործառույթ` գծային տարածքը չկատարված ոչ գծային տարածքի մեջ, որը կոչվում է դաշտեր 46: Այս մոդելի համար մենք օգտագործում ենք կողմնակալություն = 1, հոսանք = 1 եւ գամա = 1, որպես հիպերպեռամետրեր `բազմամյա միջուկի համար: DT- ն կիրառվել է տարբեր ոլորտներում, որպես ալգորիթմ `մի քանի ենթախմբերի մեջ կազմված մի ամբողջ տվյալներ բաժանելու համար` ներկայացնելով որոշման կանոնները ծառի կառուցվածքում 47-ում: Մոդելը կազմաձեւված է 2-րդ հանգույցի համար անհրաժեշտ քանակությամբ գրառումներով եւ օգտագործում է Gini ինդեքսը որպես որակի միջոց: ՌԴ-ն անսամբլի մեթոդ է, որը համատեղում է բազմաթիվ DTS բարելավելու արդյունավետությունը, օգտագործելով Bootstrap ագրեգացման մեթոդ, որն առաջացնում է թույլ դասակարգիչ յուրաքանչյուր նմուշի համար `պատահականորեն նկարագրելով նույն չափի նմուշները, որոնք բազմիցս նկարում են նույն չափի: Մենք օգտագործեցինք 100 ծառ, 10 ծառի խորություն, 1 հանգույցի նվազագույն չափը եւ Gini Admustry- ի ցուցիչը, որպես հանգույցի տարանջատման չափանիշներ: Նոր տվյալների դասակարգումը որոշվում է մեծամասնության քվեարկությամբ: XGBoost- ը ալգորիթմ է, որը համատեղում է ուժեղացման տեխնիկան `օգտագործելով այնպիսի մեթոդ, որը տեւում է որպես վերապատրաստման տվյալներ նախորդ մոդելի իրական եւ կանխատեսված արժեքների միջեւ: Այն լայնորեն օգտագործվում է ալգորիթմ `իր լավ գործունեության եւ ռեսուրսների արդյունավետության, ինչպես նաեւ բարձր հուսալիության, որպես գերհագեցման ուղղման գործառույթ: Մոդելը հագեցած է 400 օժանդակ անիվներով: MLP- ը նյարդային ցանց է, որում մեկ կամ մի քանի perceptrons կազմում են բազմաթիվ շերտեր `մուտքային եւ ելքային շերտերի միջեւ մեկ կամ մի քանի թաքնված շերտերով: Օգտագործելով սա, դուք կարող եք կատարել ոչ գծային դասակիչ, որտեղ մուտքային շերտ ավելացնելիս եւ արդյունքի արժեք ստանալ, կանխատեսվող արդյունքի արժեքը համեմատվում է իրական արդյունքի արժեքի հետ: Յուրաքանչյուր շերտում մենք ստեղծեցինք թաքնված շերտ 20 թաքնված նեյրոններով: Մեր մշակած յուրաքանչյուր մոդել կիրառվեց ներքին եւ արտաքին հավաքածուների վրա `դասակարգման կատարումը ստուգելու համար` հաշվարկելով զգայունությունը, առանձնահատկությունը, PPV, NPV եւ Auroc: Զգայունությունը սահմանվում է որպես նմուշի հարաբերակցությունը, որը գնահատվում է 18 տարեկան կամ ավելի հին, որը գնահատվում է 18 տարեկան կամ ավելի բարձր տարիքի: Հատկությունը 18 տարեկանից ցածր նմուշների համամասնությունն է, եւ նրանք, որոնք գնահատվում են 18 տարեկանից ցածր:
Դասընթացի հավաքածուի մեջ գնահատված ատամնաբուժական փուլերը վերածվել են թվային փուլերի վիճակագրական վերլուծության: Բազմամյա գծային եւ լոգիստիկ ռեգրեսիա են իրականացվել `յուրաքանչյուր սեռի համար կանխատեսելի մոդելներ մշակելու եւ ռեգրեսիայի բանաձեւերը, որոնք կարող են օգտագործվել տարիքը գնահատելու համար: Մենք օգտագործեցինք այս բանաձեւերը `ինչպես ներքին, այնպես էլ արտաքին փորձարկման հավաքածուների համար: Աղյուսակ 4-ը ցույց է տալիս այս ուսումնասիրության մեջ օգտագործվող ռեգրեսիայի եւ դասակարգման մոդելները:
Ներքին եւ միջգերատեսչական հուսալիությունը հաշվարկվել է Cohen- ի Kappa վիճակագրության միջոցով: DM եւ ավանդական ռեգրեսիայի մոդելների ճշգրտությունը ստուգելու համար մենք հաշվարկեցինք MAE եւ RMSE, օգտագործելով ներքին եւ արտաքին թեստային հավաքածուների գնահատված եւ փաստացի դարերը: Այս սխալները սովորաբար օգտագործվում են մոդելային կանխատեսումների ճշգրտությունը գնահատելու համար: Որքան փոքր է սխալը, այնքան բարձր է կանխատեսման ճշգրտությունը 24: Համեմատեք ներքին եւ արտաքին թեստային հավաքածուների MAE եւ RMSE հաշվարկված DM- ի եւ ավանդական հետընթացի միջոցով: Ավանդական վիճակագրության մեջ 18-ամյա կտրվածքի դասակարգումը գնահատվել է օգտագործելով 2 × 2 արտակարգ իրավիճակների աղյուսակ: Հաշվարկված զգայունությունը, առանձնահատկությունը, PPV- ն, NPV- ն եւ թեստային հավաքածուի AUROC- ը համեմատվել են DM դասակարգման մոդելի չափված արժեքների հետ: Տվյալներն արտահայտվում են որպես միջին ± ստանդարտ շեղում կամ համար (%), կախված տվյալների բնութագրերից: Երկկողմանի P արժեքները <0.05 համարվում էին վիճակագրական նշանակություն: Բոլոր սովորական վիճակագրական վերլուծությունները կատարվել են SAS Version 9.4 (SAS ինստիտուտ, C երմ, NC): DM Regression Model- ը իրականացվել է Python- ում `օգտագործելով Keras50 2.2.4 Backend եւ Tensor Flow51 1.8.0- ը, մասնավորապես` մաթեմատիկական գործողությունների համար: DM դասակարգման մոդելը իրականացվել է Վայկատոյի գիտելիքների վերլուծության միջավայրում եւ «Կոնստանզ» տեղեկատվական հանքարդյունաբեր (Knime) 4.6.152 վերլուծության պլատֆորմում:
Հեղինակները գիտակցում են, որ ուսումնասիրության եզրակացություններին աջակցող տվյալները կարելի է գտնել հոդվածում եւ լրացուցիչ նյութեր: Ուսումնասիրության ընթացքում ստեղծված եւ (կամ) վերլուծված տվյալների շտեմարանները մատչելի են համապատասխան հեղինակից `ողջամիտ խնդրանքով:
Ritz-Timme, S. et al. Տարիքային գնահատում. Արվեստի վիճակը `դատաբժշկական պրակտիկայի հատուկ պահանջները բավարարելու համար: Միջազգայնություն: J. Իրավաբանական բժշկություն: 113, 129-136 (2000):
Schmeling, A., Reisinger, W., Geserik, G., եւ OLZE, A. Քրեական դատախազության նպատակներով կենսատուն տարիքի գնահատման դատաբժշկական տարիքի գնահատման ներկայիս կարգավիճակը: Դատաբժշկություն: դեղ։ Պաթոլոգիա: 1, 239-246 (2005):
Pan, J. et al. Չինաստանի արեւելյան արեւելյան արեւելյան 5-ից 16 տարեկան երեխաների ատամնաբուժական տարիքը գնահատելու ձեւափոխված մեթոդ: Կլինիկական. Բանավոր հետազոտություն: 25, 3463-3474 (2021):
Lee, SS եւ այլն. Կորեացիների երկրորդ եւ երրորդ մոլերի զարգացման ժամանակագրությունը եւ դրա կիրառումը դատաբժշկական տարիքի գնահատման համար: Միջազգայնություն: J. Իրավաբանական բժշկություն: 124, 659-665 (2010):
Օ Oh, Ս. Plos One 17, E0271247 (2022):
Քիմ, Jy, et al. Նախնական մեքենայի ուսուցման վրա հիմնված տվյալների վերլուծությունը կարող է կանխատեսել քնի վիրաբուժության բուժման արդյունքը OSA ունեցող հիվանդների մոտ: գիտությունը: Հաշվետվություն 11, 14911 (2021):
Հան, Մ. Et al. Age շգրիտ տարիքային գնահատում մեքենայի ուսուցման միջոցով եւ առանց դրա մարդկային միջամտության: Միջազգայնություն: J. Իրավաբանական բժշկություն: 136, 821-831 (2022):
Խանը, Ս.-ն եւ Շահենը, Մ. Տվյալների հանքարդյունաբերությունից մինչեւ տվյալների հանքարդյունաբերություն: J. Տեղեկատվություն: գիտությունը: https://do.org/10.1177/016555152110872 (2021):
Խան, Ս.Մահեն, Մ. Վիսեն. Ասոցիացիայի առաջին ճանաչողական ալգորիթմը `ռեկորդային հանքարդյունաբերություն: J. Տեղեկատվություն: գիտությունը: https://do.org/10.1177/01655515221108695 (2022):
Շահեն Մ. Եւ Աբդուլլահ Ու. Քարմ. Տվյալների ավանդական հանքարդյունաբերություն `հիմնվելով համատեքստում հիմնված ասոցիացիայի կանոնների վրա: հաշվարկել: Մեթ. Շարունակեք 68, 3305-3322 (2021):
Muhammad M., Rehman Z., Shheen M., Khan M.- ը ​​եւ Habib M. Խորը ուսուցման վրա հիմնված իմաստաբանական նմանության հայտնաբերումը `օգտագործելով տեքստային տվյալներ: տեղեկացնել: Տեխնոլոգիաներ: հսկողություն: https://do.org/10.5755/j01.itc.49.4.27118 (2020):
Տաբիշ, Մ., Տանոլի, Զ., Եւ Շահին, Մ. Սպորտային տեսանյութերում գործունեության ճանաչման համակարգ: Մուլտիմեդիա: Գործիքներ Ծրագրեր https://do.org/10.1007/s11042-021-10519-6 (2021):
Հալաբի, SS et al. RSNA մեքենայի ուսուցման մարտահրավեր մանկական ոսկրերի տարիքում: Ռադիոլոգիա 290, 498-503 (2019):
Li, Y. et al. Դատաբժշկական դարաշրջանի գնահատումը pelvic ռենտգենյան ճառագայթներից, օգտագործելով խորը ուսուցում: Եվրո: ճառագայթում: 29, 2322-2329 (2019):
Guo, yc եւ al. Age շգրիտ տարիքային դասակարգում `օգտագործելով ձեռքով մեթոդներ եւ խորը դաստիարակչական նյարդային ցանցեր ուղղագրական պրոյեկտման պատկերներից: Միջազգայնություն: J. Իրավաբանական բժշկություն: 135, 1589-1597 (2021):
Alabama Dalora et al. Ոսկրածուծի տարիքային գնահատական ​​`օգտագործելով մեքենայի ուսուցման տարբեր մեթոդներ, համակարգված գրականության վերանայում եւ մետա-վերլուծություն: Plos One 14, E0220242 (2019):
Du, H., LI, G., Cheng, K., and Yang, J. Բնակչության-առանձնահատկություններ Աֆրիկամերի ամերիկացիների եւ չինացիների գնահատումը `հիմք ընդունելով Cone-Beam- ի հաշվարկված տոմոգրաֆիան: Միջազգայնություն: J. Իրավաբանական բժշկություն: 136, 811-819 (2022):
Քիմ Ս. գիտությունը: Հաշվետվություն 11, 1073 (2021):
Stern, D., վճարող, C., Giuliani, N., urschler, M. Ավտոմատ տարիքային գնահատում եւ մեծամասնության տարիքային դասակարգում `MRI- ի բազմաբնույթ տվյալներից: Ieee J. BioMed. Առողջության ազդանշաններ: 23, 1392-1403 (2019):
Cheng, Q., GE, Z., Du, H. and Li, G. Տարիքային գնահատականը `հիմնվելով Cone Beam- ի հաշվարկված տոմոգրաֆիայի առաջին մոլագարների 3D պալատային հատվածի վրա` ինտեգրվելով խորը ուսուցման եւ մակարդակի հավաքածուների: Միջազգայնություն: J. Իրավաբանական բժշկություն: 135, 365-373 (2021):
Wu, wt եւ et al. Տվյալների հանքարդյունաբերություն կլինիկական մեծ տվյալներում. Ընդհանուր տվյալների բազաներ, քայլեր եւ մեթոդներ մոդելներ: Աշխարհ. դեղ։ ռեսուրս 8, 44 (2021):
Yang, J .. et al. Մեծ տվյալների դարաշրջանում բժշկական տվյալների բազաների եւ տվյալների հանքարդյունաբերության տեխնոլոգիաների ներածություն: J. Avid. Հիմնական դեղամիջոց: 13, 57-69 (2020):
Շեն, Ս. Et al. Կամերային մեթոդը `ատամի տարիքը գնահատելու համար` օգտագործելով մեքենայական ուսուցում: BMC Բերանի առողջություն 21, 641 (2021):
Galliburg A. et al. Դեմիրճյան բեմադրության մեթոդով օգտագործելով ատամնաբուժական դարաշրջանի օգտագործման տարբեր մեքենայի ուսուցման մեթոդների համեմատությունը: Միջազգայնություն: J. Իրավաբանական բժշկություն: 135, 665-675 (2021):
Դեմիրճյան, Ա., Գոլդշտեյն, Հ. Եվ Թաններ, JM նոր համակարգ `ատամնաբուժական տարիքը գնահատելու համար: խրթխրթան: Կենսաբանություն: 45, 211-227 (1973):
Landis, JR եւ Koch, GG- ի կողմից կատեգորիկ տվյալների վերաբերյալ դիտորդական համաձայնագրի միջոցներ: Կենսաչափություն 33, 159-174 (1977):
Bhattacharjee s, prakash d, kim c, kim hk եւ choi hk. Ուղեղի առաջնային ուռուցքների տարբերակման համար երկչափ մագնիսական ռեզոնանսի պատկերապատման հյուսվածքային, ձեւաբանական եւ վիճակագրական վերլուծություն `օգտագործելով արհեստական ​​հետախուզական տեխնիկա: Առողջապահական տեղեկատվություն: ռեսուրս https://do.org/10.4258/hir.2022.228.1.46 (2022):