Կորեայի դեռահասների և երիտասարդների շրջանում տվյալների արդյունահանման մոդելի վավերացում՝ ընդդեմ ատամնաբուժական տարիքի գնահատման ավանդական մեթոդների

Շնորհակալություն Nature.com այցելության համար:Ձեր օգտագործած բրաուզերի տարբերակը ունի սահմանափակ CSS աջակցություն:Լավագույն արդյունքների համար խորհուրդ ենք տալիս օգտագործել ձեր բրաուզերի ավելի նոր տարբերակը (կամ անջատել համատեղելիության ռեժիմը Internet Explorer-ում):Միևնույն ժամանակ, շարունակական աջակցություն ապահովելու համար մենք կայքը ցուցադրում ենք առանց ոճավորման կամ JavaScript-ի:
Ատամները համարվում են մարդու մարմնի տարիքի ամենաճշգրիտ ցուցանիշը և հաճախ օգտագործվում են դատաբժշկական տարիքի գնահատման ժամանակ:Մենք նպատակ ունեինք վավերացնել տվյալների հանքարդյունաբերության վրա հիմնված ատամնաբուժական տարիքի գնահատումները՝ համեմատելով 18-ամյա շեմի գնահատման ճշգրտությունը և դասակարգման կատարողականը ավանդական մեթոդների և տվյալների հանքարդյունաբերության վրա հիմնված տարիքային գնահատումների հետ:Ընդհանուր առմամբ 2657 համայնապատկերային ռադիոգրաֆիա է հավաքվել Կորեայի և Ճապոնիայի 15-ից 23 տարեկան քաղաքացիներից:Նրանք բաժանված էին ուսումնական հավաքածուի, որոնցից յուրաքանչյուրը պարունակում էր 900 կորեական ռադիոգրաֆիա, և ներքին թեստային հավաքածուի, որը պարունակում էր 857 ճապոնական ռադիոգրաֆիա:Մենք համեմատեցինք ավանդական մեթոդների դասակարգման ճշգրտությունն ու արդյունավետությունը տվյալների արդյունահանման մոդելների թեստային հավաքածուների հետ:Ներքին թեստային հավաքածուի վրա ավանդական մեթոդի ճշգրտությունը մի փոքր ավելի բարձր է, քան տվյալների արդյունահանման մոդելը, և տարբերությունը փոքր է (միջին բացարձակ սխալ <0,21 տարի, արմատային միջին քառակուսի սխալ <0,24 տարի):Դասակարգման կատարումը 18 տարվա կտրվածքի համար նույնպես նման է ավանդական մեթոդների և տվյալների արդյունահանման մոդելների միջև:Այսպիսով, ավանդական մեթոդները կարող են փոխարինվել տվյալների արդյունահանման մոդելներով, երբ դատաբժշկական տարիքի գնահատում են կատարում՝ օգտագործելով երկրորդ և երրորդ մոլերի հասունությունը կորեացի դեռահասների և երիտասարդների մոտ:
Ատամների տարիքի գնահատումը լայնորեն կիրառվում է դատաբժշկական և մանկական ստոմատոլոգիայում:Մասնավորապես, քանի որ ժամանակագրական տարիքի և ատամնաբուժական զարգացման միջև առկա է բարձր հարաբերակցություն, տարիքի գնահատումն ըստ ատամնաբուժական զարգացման փուլերի կարևոր չափանիշ է երեխաների և դեռահասների տարիքը գնահատելու համար1,2,3:Այնուամենայնիվ, երիտասարդների համար ատամի հասունության վրա հիմնված ատամնաբուժական տարիքի գնահատումն ունի իր սահմանափակումները, քանի որ ատամի աճը գրեթե ավարտված է, բացառությամբ երրորդ մոլերի:Երիտասարդների և դեռահասների տարիքը որոշելու իրավական նպատակը ճշգրիտ գնահատականներ և գիտական ​​ապացույցներ տալն է, թե արդյոք նրանք հասել են մեծահասակների տարիքին:Կորեայի դեռահասների և երիտասարդ չափահասների բժշկաիրավական պրակտիկայում տարիքը գնահատվել է Լիի մեթոդով, և 18 տարվա իրավական շեմը կանխատեսվել է Oh et al-ի կողմից ներկայացված տվյալների հիման վրա 5:
Մեքենայական ուսուցումը արհեստական ​​ինտելեկտի (AI) տեսակ է, որը բազմիցս սովորում և դասակարգում է մեծ քանակությամբ տվյալներ, ինքնուրույն լուծում խնդիրներ և առաջ է մղում տվյալների ծրագրավորումը:Մեքենայական ուսուցումը կարող է հայտնաբերել օգտակար թաքնված օրինաչափություններ մեծ ծավալի տվյալների մեջ6:Ի հակադրություն, դասական մեթոդները, որոնք աշխատատար և ժամանակատար են, կարող են սահմանափակումներ ունենալ, երբ գործ ունենք բարդ տվյալների մեծ ծավալների հետ, որոնք դժվար է ձեռքով մշակել7:Հետևաբար, վերջերս բազմաթիվ ուսումնասիրություններ են իրականացվել՝ օգտագործելով նորագույն համակարգչային տեխնոլոգիաները՝ նվազագույնի հասցնելու մարդկային սխալները և արդյունավետ կերպով մշակելու բազմաչափ տվյալները8,9,10,11,12:Մասնավորապես, խորը ուսուցումը լայնորեն օգտագործվել է բժշկական պատկերների վերլուծության մեջ, և տարիքի գնահատման տարբեր մեթոդներ՝ ավտոմատ վերլուծելով ռադիոգրաֆիաները, հաղորդվել են՝ բարելավելու տարիքի գնահատման ճշգրտությունն ու արդյունավետությունը13,14,15,16,17,18,19,20: .Օրինակ, Հալաբին և այլք 13-ը մշակել են մեքենայական ուսուցման ալգորիթմ, որը հիմնված է կոնվոլյուցիոն նեյրոնային ցանցերի (CNN) վրա՝ ոսկրային տարիքը գնահատելու համար՝ օգտագործելով երեխաների ձեռքերի ռադիոգրաֆիան:Այս ուսումնասիրությունն առաջարկում է մոդել, որը կիրառում է մեքենայական ուսուցումը բժշկական պատկերների վրա և ցույց է տալիս, որ այս մեթոդները կարող են բարելավել ախտորոշման ճշգրտությունը:Li et al14-ը գնահատել է տարիքը կոնքի ռենտգենյան պատկերներից՝ օգտագործելով խորը ուսուցման CNN-ը և համեմատել դրանք ռեգրեսիայի արդյունքների հետ՝ օգտագործելով ոսկրացման փուլի գնահատումը:Նրանք պարզեցին, որ խորը ուսուցման CNN մոդելը ցույց է տալիս տարիքային գնահատման նույն ցուցանիշը, ինչ ավանդական ռեգրեսիոն մոդելը:Գուոյի և այլոց ուսումնասիրությունը [15] գնահատել է CNN տեխնոլոգիայի տարիքային հանդուրժողականության դասակարգման արդյունավետությունը՝ հիմնված ատամնաբուժական օրթոֆոտոների վրա, և CNN մոդելի արդյունքներն ապացուցել են, որ մարդիկ գերազանցում են տարիքային դասակարգման ցուցանիշները:
Մեքենայական ուսուցման միջոցով տարիքի գնահատման վերաբերյալ հետազոտությունների մեծ մասը օգտագործում է խորը ուսուցման մեթոդներ13,14,15,16,17,18,19,20:Հաղորդվում է, որ խորը ուսուցման վրա հիմնված տարիքային գնահատումն ավելի ճշգրիտ է, քան ավանդական մեթոդները:Այնուամենայնիվ, այս մոտեցումը քիչ հնարավորություն է ընձեռում ներկայացնելու տարիքային գնահատականների գիտական ​​հիմքերը, ինչպիսիք են գնահատականներում օգտագործված տարիքային ցուցանիշները:Իրավական վեճ կա նաեւ, թե ով է ստուգումներ իրականացնում։Հետևաբար, խորը ուսուցման վրա հիմնված տարիքային գնահատումը դժվար է ընդունել վարչական և դատական ​​իշխանությունների կողմից:Տվյալների հանքարդյունաբերությունը (DM) տեխնիկա է, որը կարող է հայտնաբերել ոչ միայն սպասված, այլև անսպասելի տեղեկատվություն՝ որպես մեծ քանակությամբ տվյալների միջև օգտակար կապեր հայտնաբերելու մեթոդ6,21,22:Մեքենայական ուսուցումը հաճախ օգտագործվում է տվյալների արդյունահանման մեջ, և տվյալների հանքարդյունաբերությունը և մեքենայական ուսուցումը օգտագործում են նույն հիմնական ալգորիթմները տվյալների օրինաչափությունները հայտնաբերելու համար:Ատամնաբուժական զարգացման օգտագործմամբ տարիքային գնահատումը հիմնված է թիրախային ատամների հասունության վերաբերյալ հետազոտողի գնահատականի վրա, և այս գնահատումն արտահայտվում է որպես յուրաքանչյուր թիրախ ատամի փուլ:DM-ը կարող է օգտագործվել ատամնաբուժական գնահատման փուլի և իրական տարիքի միջև կապը վերլուծելու համար և ունի ավանդական վիճակագրական վերլուծությանը փոխարինելու ներուժ:Հետևաբար, եթե մենք կիրառենք DM տեխնիկան տարիքի գնահատման համար, մենք կարող ենք կիրառել մեքենայական ուսուցում դատաբժշկական տարիքի գնահատման մեջ՝ առանց անհանգստանալու իրավական պատասխանատվության մասին:Հրապարակվել են մի քանի համեմատական ​​ուսումնասիրություններ դատաբժշկական պրակտիկայում օգտագործվող ավանդական ձեռնարկ մեթոդների հնարավոր այլընտրանքների և ատամնաբուժական տարիքի որոշման EBM-ի վրա հիմնված մեթոդների վերաբերյալ:Shen et al23-ը ցույց տվեցին, որ DM մոդելն ավելի ճշգրիտ է, քան ավանդական Camerer բանաձևը:Գալիբուրգը և ուրիշները24-ը կիրառեցին ԴՄ տարբեր մեթոդներ՝ ըստ Դեմիրջյան չափանիշի25 տարիքը կանխատեսելու, և արդյունքները ցույց տվեցին, որ ԴՄ մեթոդը գերազանցում է Դեմիրջյանի և Վիլեմսի մեթոդներին ֆրանսիական բնակչության տարիքը գնահատելու հարցում:
Կորեացի դեռահասների և երիտասարդ չափահասների ատամնաբուժական տարիքը գնահատելու համար Լիի մեթոդը 4 լայնորեն կիրառվում է կորեական դատաբժշկական պրակտիկայում:Այս մեթոդը օգտագործում է ավանդական վիճակագրական վերլուծություն (օրինակ՝ բազմակի ռեգրեսիա)՝ ուսումնասիրելու կորեական առարկաների և ժամանակագրական տարիքի հարաբերությունները:Այս ուսումնասիրության մեջ ավանդական վիճակագրական մեթոդներով ստացված տարիքի գնահատման մեթոդները սահմանվում են որպես «ավանդական մեթոդներ»:Լիի մեթոդը ավանդական մեթոդ է, և դրա ճշգրտությունը հաստատվել է Oh et al.5;Այնուամենայնիվ, կորեական դատաբժշկական պրակտիկայում DM մոդելի վրա հիմնված տարիքի գնահատման կիրառելիությունը դեռ կասկածելի է:Մեր նպատակն էր գիտականորեն հաստատել տարիքային գնահատման հնարավոր օգտակարությունը՝ հիմնված DM մոդելի վրա:Այս հետազոտության նպատակն էր (1) համեմատել երկու DM մոդելների ճշգրտությունը ատամնաբուժական տարիքը գնահատելու հարցում և (2) համեմատել 7 DM մոդելների դասակարգման արդյունավետությունը 18 տարեկանում ավանդական վիճակագրական մեթոդներով ստացվածների հետ: և երրորդ մոլարները երկու ծնոտներում:
Ժամանակագրական տարիքի միջինները և ստանդարտ շեղումները ըստ փուլերի և ատամի տեսակի ցուցադրված են առցանց Լրացուցիչ Աղյուսակ S1 (վերապատրաստման հավաքածու), Լրացուցիչ Աղյուսակ S2 (ներքին թեստային հավաքածու) և Լրացուցիչ Աղյուսակ S3 (արտաքին թեստի հավաքածու):Վերապատրաստման հավաքածուից ստացված ներդիտորդական և միջդիտորդական հուսալիության կապպա արժեքները համապատասխանաբար եղել են 0,951 և 0,947:P արժեքները և 95% վստահության միջակայքերը կապպա արժեքների համար ներկայացված են առցանց լրացուցիչ աղյուսակում S4:Կապպա արժեքը մեկնաբանվել է որպես «գրեթե կատարյալ», որը համապատասխանում է Landis-ի և Koch26-ի չափանիշներին:
Միջին բացարձակ սխալը (MAE) համեմատելիս ավանդական մեթոդը փոքր-ինչ գերազանցում է DM մոդելը բոլոր սեռերի համար և արտաքին արական թեստի հավաքածուում, բացառությամբ բազմաշերտ պերցեպտրոնի (MLP):Ավանդական մոդելի և DM մոդելի միջև տարբերությունը ներքին MAE թեստային հավաքածուի վրա եղել է 0,12–0,19 տարի տղամարդկանց համար և 0,17–0,21 տարի կանանց համար:Արտաքին փորձարկման մարտկոցի համար տարբերություններն ավելի փոքր են (0,001–0,05 տարի տղամարդկանց համար և 0,05–0,09 տարի կանանց համար):Բացի այդ, արմատային միջին քառակուսի սխալը (RMSE) մի փոքր ավելի ցածր է, քան ավանդական մեթոդը, ավելի փոքր տարբերություններով (0.17–0.24, 0.2–0.24 տղամարդկանց ներքին թեստային հավաքածուի համար և 0.03–0.07, 0.04–0.08 արտաքին թեստի համար):)MLP-ն ցույց է տալիս մի փոքր ավելի լավ կատարողականություն, քան Single Layer Perceptron-ը (SLP), բացառությամբ կանանց արտաքին փորձարկման հավաքածուի:MAE-ի և RMSE-ի համար արտաքին թեստային հավաքածուն ավելի բարձր միավորներ է հավաքում, քան ներքին թեստը բոլոր սեռերի և մոդելների համար:Բոլոր MAE-ն և RMSE-ն ներկայացված են Աղյուսակ 1-ում և Նկար 1-ում:
Ավանդական և տվյալների հանքարդյունաբերության ռեգրեսիայի մոդելների MAE և RMSE:Միջին բացարձակ սխալ MAE, արմատային միջին քառակուսի սխալ RMSE, մեկ շերտ պերցեպտրոն SLP, բազմաշերտ պերցեպտրոն MLP, ավանդական CM մեթոդ:
Ավանդական և DM մոդելների դասակարգման կատարումը (18 տարվա կտրվածքով) ցուցադրվել է զգայունության, յուրահատկության, դրական կանխատեսող արժեքի (PPV), բացասական կանխատեսող արժեքի (NPV) և ընդունիչի գործող բնութագրական կորի տակ գտնվող տարածքի (AUROC) առումով: 27 (Աղյուսակ 2, Նկար 2 և Լրացուցիչ Նկար 1 առցանց):Ներքին թեստային մարտկոցի զգայունության առումով ավանդական մեթոդները լավագույնս դրսևորվում էին տղամարդկանց և ավելի վատ կանանց մոտ:Այնուամենայնիվ, դասակարգման կատարողականի տարբերությունը ավանդական մեթոդների և SD-ի միջև կազմում է 9,7% տղամարդկանց համար (MLP) և միայն 2,4% կանանց համար (XGBoost):DM մոդելների շարքում լոգիստիկ ռեգրեսիան (LR) ցույց է տվել ավելի լավ զգայունություն երկու սեռերի մոտ:Ինչ վերաբերում է ներքին թեստային հավաքածուի առանձնահատկություններին, նկատվել է, որ չորս SD մոդելները լավ են գործել տղամարդկանց մոտ, մինչդեռ ավանդական մոդելն ավելի լավ է գործել կանանց մոտ:Տղամարդկանց և կանանց դասակարգման կատարողականի տարբերությունները համապատասխանաբար կազմում են 13,3% (MLP) և 13,1% (MLP), ինչը ցույց է տալիս, որ մոդելների միջև դասակարգման կատարողականի տարբերությունը գերազանցում է զգայունությունը:DM մոդելներից աջակցության վեկտորային մեքենան (SVM), որոշումների ծառը (DT) և պատահական անտառի (RF) մոդելները լավագույնս հանդես են եկել տղամարդկանց շրջանում, մինչդեռ LR մոդելը լավագույնն է եղել կանանց շրջանում:Ավանդական մոդելի և բոլոր SD մոդելների AUROC-ը ավելի մեծ էր, քան 0,925-ը (k-մոտակա հարևանը (KNN) տղամարդկանց մոտ), ինչը ցույց է տալիս դասակարգման գերազանց կատարում 18-ամյա նմուշների տարբերակման հարցում28:Արտաքին թեստային հավաքածուի համար նկատվել է դասակարգման կատարողականի նվազում՝ զգայունության, առանձնահատկությունների և AUROC-ի առումով՝ համեմատած ներքին թեստային հավաքածուի հետ:Ավելին, լավագույն և վատագույն մոդելների դասակարգման կատարողականի միջև զգայունության և առանձնահատկությունների տարբերությունը տատանվում էր 10% -ից մինչև 25% և ավելի մեծ էր, քան ներքին թեստային հավաքածուի տարբերությունը:
Տվյալների հանքարդյունաբերության դասակարգման մոդելների զգայունությունն ու առանձնահատկությունը 18 տարվա կտրվածքով ավանդական մեթոդների համեմատ:KNN k ամենամոտ հարևան, SVM օժանդակ վեկտորային մեքենա, LR լոգիստիկ ռեգրեսիա, DT որոշումների ծառ, ՌԴ պատահական անտառ, XGB XGBoost, MLP բազմաշերտ պերցեպտրոն, ավանդական CM մեթոդ:
Այս հետազոտության առաջին քայլը 7 DM մոդելներից ստացված ատամնաբուժական տարիքի գնահատումների ճշգրտության համեմատությունն էր ավանդական ռեգրեսիայի միջոցով ստացվածների հետ:MAE-ն և RMSE-ն գնահատվել են երկու սեռերի ներքին թեստային հավաքածուներում, և ավանդական մեթոդի և DM մոդելի միջև տարբերությունը տատանվել է 44-ից 77 օր MAE-ի համար և 62-ից 88 օր RMSE-ի համար:Չնայած ավանդական մեթոդը մի փոքր ավելի ճշգրիտ էր այս ուսումնասիրության մեջ, դժվար է եզրակացնել, թե արդյոք նման փոքր տարբերությունը կլինիկական կամ գործնական նշանակություն ունի:Այս արդյունքները ցույց են տալիս, որ DM մոդելի օգտագործմամբ ատամնաբուժական տարիքի գնահատման ճշգրտությունը գրեթե նույնն է, ինչ ավանդական մեթոդին:Անմիջական համեմատությունը նախորդ ուսումնասիրությունների արդյունքների հետ դժվար է, քանի որ ոչ մի ուսումնասիրություն չի համեմատել DM մոդելների ճշգրտությունը ավանդական վիճակագրական մեթոդների հետ՝ օգտագործելով ատամները նույն տարիքային միջակայքում գրանցելու նույն տեխնիկան, ինչ այս հետազոտության մեջ:Գալիբուրգը և ուրիշները24-ը համեմատել են MAE-ն և RMSE-ն երկու ավանդական մեթոդների (Դեմիրջյան մեթոդ25 և Վիլեմսի մեթոդ29) և 10 DM մոդելների միջև 2-ից 24 տարեկան ֆրանսիական բնակչության շրջանում:Նրանք հայտնեցին, որ բոլոր DM մոդելներն ավելի ճշգրիտ էին, քան ավանդական մեթոդները, MAE-ում 0,20 և 0,38 տարի և RMSE-ում 0,25 և 0,47 տարի տարբերություններ՝ համապատասխանաբար Վիլեմսի և Դեմիրջյանի մեթոդների համեմատ:Հալիբուրգի ուսումնասիրության մեջ ցուցադրված SD մոդելի և ավանդական մեթոդների միջև անհամապատասխանությունը հաշվի է առնում բազմաթիվ զեկույցներ30,31,32,33, որ Դեմիրճյանի մեթոդը ճշգրիտ չի գնահատում ատամնաբուժական տարիքը այլ պոպուլյացիաներում, բացի ֆրանսիացի կանադացիներից, որոնց վրա հիմնված է ուսումնասիրությունը:այս ուսումնասիրության մեջ:Tai et al 34-ը օգտագործեց MLP ալգորիթմը 1636 չինական օրթոդոնտիկ լուսանկարներից ատամի տարիքը կանխատեսելու համար և համեմատեց դրա ճշգրտությունը Դեմիրջյանի և Վիլեմսի մեթոդի արդյունքների հետ:Նրանք հայտնել են, որ MLP-ն ավելի բարձր ճշգրտություն ունի, քան ավանդական մեթոդները:Դեմիրճյան մեթոդի և ավանդական մեթոդի տարբերությունը <0.32 տարի է, իսկ Վիլեմսի մեթոդը՝ 0.28 տարի, ինչը նման է ներկա հետազոտության արդյունքներին։Այս նախորդ ուսումնասիրությունների արդյունքները24,34 նույնպես համահունչ են սույն հետազոտության արդյունքներին, և DM մոդելի և ավանդական մեթոդի տարիքային գնահատման ճշգրտությունը նման են:Այնուամենայնիվ, ներկայացված արդյունքների հիման վրա մենք կարող ենք միայն զգուշորեն եզրակացնել, որ տարիքը գնահատելու համար DM մոդելների օգտագործումը կարող է փոխարինել գոյություն ունեցող մեթոդներին՝ համեմատական ​​և հղումային նախորդ ուսումնասիրությունների բացակայության պատճառով:Այս ուսումնասիրության արդյունքում ստացված արդյունքները հաստատելու համար անհրաժեշտ են հետագա ուսումնասիրություններ՝ օգտագործելով ավելի մեծ նմուշներ:
Ատամնաբուժական տարիքի գնահատման մեջ SD-ի ճշգրտությունը ստուգող հետազոտություններից ոմանք ցույց են տվել ավելի բարձր ճշգրտություն, քան մեր ուսումնասիրությունը:Ստեպանովսկին և այլք 35-ը կիրառեցին 22 SD մոդելներ 2,7-ից 20,5 տարեկան 976 Չեխիայի բնակիչների համայնապատկերային ռադիոգրաֆիայի վրա և փորձարկեցին յուրաքանչյուր մոդելի ճշգրտությունը:Նրանք գնահատել են ընդհանուր առմամբ 16 վերին և ստորին ձախ մշտական ​​ատամների զարգացումը` օգտագործելով Moorrees et al-ի կողմից առաջարկված դասակարգման չափանիշները 36:MAE-ն տատանվում է 0,64-ից 0,94 տարի, իսկ RMSE-ը տատանվում է 0,85-ից 1,27 տարի, որոնք ավելի ճշգրիտ են, քան այս հետազոտության մեջ օգտագործված երկու DM մոդելները:Շենը և ուրիշները23-ը օգտագործեցին Կամերերի մեթոդը՝ գնահատելու 5-ից 13 տարեկան արևելյան Չինաստանի բնակիչների ձախ ծնոտի յոթ մշտական ​​ատամների ատամնաբուժական տարիքը և համեմատեցին այն գծային ռեգրեսիայի, SVM-ի և RF-ի միջոցով գնահատված տարիքի հետ:Նրանք ցույց տվեցին, որ բոլոր երեք DM մոդելներն ունեն ավելի բարձր ճշգրտություն՝ համեմատած ավանդական Cameriere բանաձևի հետ:Շենի ուսումնասիրության MAE-ն և RMSE-ն ավելի ցածր էին, քան այս հետազոտության DM մոդելում:Ստեպանովսկու և այլոց կողմից կատարված ուսումնասիրությունների բարձր ճշգրտությունը:35 and Shen et al.23-ը կարող է պայմանավորված լինել իրենց ուսումնասիրության նմուշներում ավելի երիտասարդ առարկաների ընդգրկմամբ:Քանի որ զարգացող ատամներով մասնակիցների տարիքային գնահատականները դառնում են ավելի ճշգրիտ, քանի որ ատամների թիվը աճում է ատամների զարգացման ընթացքում, արդյունքում տարիքի գնահատման մեթոդի ճշգրտությունը կարող է վտանգվել, երբ հետազոտության մասնակիցները ավելի երիտասարդ են:Բացի այդ, MLP-ի սխալը տարիքի գնահատման մեջ մի փոքր ավելի փոքր է, քան SLP-ինը, ինչը նշանակում է, որ MLP-ն ավելի ճշգրիտ է, քան SLP-ն:MLP-ն համարվում է մի փոքր ավելի լավ տարիքի գնահատման համար, հնարավոր է MLP38-ում թաքնված շերտերի պատճառով:Այնուամենայնիվ, բացառություն կա կանանց արտաքին ընտրանքի համար (SLP 1.45, MLP 1.49):Այն բացահայտումը, որ MLP-ն ավելի ճշգրիտ է, քան SLP-ն տարիքը գնահատելու հարցում, պահանջում է լրացուցիչ հետահայաց ուսումնասիրություններ:
Համեմատվել է նաև DM մոդելի և ավանդական մեթոդի դասակարգման կատարումը 18 տարվա շեմին:Բոլոր փորձարկված SD մոդելները և ներքին թեստային հավաքածուի ավանդական մեթոդները ցույց տվեցին 18-ամյա նմուշի խտրականության գործնականում ընդունելի մակարդակ:Տղամարդկանց և կանանց զգայունությունը համապատասխանաբար ավելի մեծ էր, քան 87,7% և 94,9%, իսկ սպեցիֆիկությունը ավելի մեծ էր, քան 89,3% և 84,7%:Բոլոր փորձարկված մոդելների AUROC-ը նույնպես գերազանցում է 0,925-ը։Մեր գիտելիքներով, ոչ մի ուսումնասիրություն չի ստուգել DM մոդելի արդյունավետությունը 18 տարվա դասակարգման համար՝ հիմնված ատամների հասունության վրա:Մենք կարող ենք համեմատել այս ուսումնասիրության արդյունքները պանորամային ռադիոգրաֆիայի վրա խորը ուսուցման մոդելների դասակարգման կատարողականի հետ:Գուոն և այլք.15-ը հաշվարկել են CNN-ի վրա հիմնված խորը ուսուցման մոդելի և Դեմիրճյանի մեթոդի վրա հիմնված ձեռքով մեթոդի դասակարգման արդյունավետությունը որոշակի տարիքային շեմի համար:Ձեռնարկի մեթոդի զգայունությունը և սպեցիֆիկությունը համապատասխանաբար կազմել են 87,7% և 95,5%, իսկ CNN մոդելի զգայունությունն ու սպեցիֆիկությունը գերազանցել են համապատասխանաբար 89,2% և 86,6%:Նրանք եզրակացրեցին, որ խորը ուսուցման մոդելները կարող են փոխարինել կամ գերազանցել ձեռքով գնահատումը տարիքային շեմերի դասակարգման հարցում:Այս ուսումնասիրության արդյունքները ցույց են տվել դասակարգման նմանատիպ կատարում.Ենթադրվում է, որ DM մոդելների օգտագործմամբ դասակարգումը կարող է փոխարինել տարիքի գնահատման ավանդական վիճակագրական մեթոդներին:Մոդելներից DM LR-ն լավագույն մոդելն էր արական նմուշի համար զգայունության և իգական սեռի համար զգայունության և յուրահատկության առումով:LR-ն զբաղեցնում է երկրորդ տեղը տղամարդկանց յուրահատկությամբ:Ավելին, LR-ն համարվում է DM35-ի օգտատիրոջ առավել հարմար մոդելներից մեկը և ավելի քիչ բարդ և դժվար մշակվող է:Ելնելով այս արդյունքներից՝ LR-ն համարվում էր կորեական բնակչության 18 տարեկանների դասակարգման լավագույն մոդելը:
Ընդհանուր առմամբ, արտաքին թեստային հավաքածուի վրա տարիքային գնահատման կամ դասակարգման կատարողականի ճշգրտությունը ցածր էր կամ ավելի ցածր՝ համեմատած ներքին թեստային հավաքածուի արդյունքների հետ:Որոշ զեկույցներ ցույց են տալիս, որ դասակարգման ճշգրտությունը կամ արդյունավետությունը նվազում է, երբ կորեական բնակչության վրա հիմնված տարիքային գնահատականները կիրառվում են ճապոնական բնակչության նկատմամբ5,39, և նմանատիպ օրինաչափություն է հայտնաբերվել նաև ներկա ուսումնասիրության մեջ:Այս վատթարացման միտումը նկատվել է նաև DM մոդելում:Հետևաբար, տարիքը ճշգրիտ գնահատելու համար, նույնիսկ վերլուծության գործընթացում ԴՄ օգտագործելիս, պետք է նախընտրելի լինեն բնակչության բնիկ տվյալներից ստացված մեթոդները, ինչպիսիք են ավանդական մեթոդները5,39,40,41,42:Քանի որ անհասկանալի է, թե արդյոք խորը ուսուցման մոդելները կարող են ցույց տալ նմանատիպ միտումներ, ուսումնասիրություններ, որոնք համեմատում են դասակարգման ճշգրտությունն ու արդյունավետությունը՝ օգտագործելով ավանդական մեթոդները, DM մոդելները և նույն նմուշների վրա խորը ուսուցման մոդելները, հաստատելու համար, թե արդյոք արհեստական ​​ինտելեկտը կարող է հաղթահարել այս ռասայական տարբերությունները սահմանափակ տարիքում:գնահատականներ։
Մենք ցույց ենք տալիս, որ ավանդական մեթոդները կարող են փոխարինվել տարիքի գնահատմամբ՝ հիմնված DM մոդելի վրա Կորեայի դատաբժշկական տարիքի գնահատման պրակտիկայում:Մենք նաև հայտնաբերել ենք մեքենայական ուսուցման իրականացման հնարավորությունը դատաբժշկական տարիքի գնահատման համար:Այնուամենայնիվ, կան հստակ սահմանափակումներ, ինչպիսիք են այս հետազոտության մասնակիցների անբավարար թիվը՝ արդյունքները վերջնականապես որոշելու համար, և նախորդ ուսումնասիրությունների բացակայությունը՝ այս հետազոտության արդյունքները համեմատելու և հաստատելու համար:Ապագայում DM-ի ուսումնասիրությունները պետք է իրականացվեն ավելի մեծ թվով նմուշներով և ավելի բազմազան պոպուլյացիաներով՝ ավանդական մեթոդների համեմատ դրա գործնական կիրառելիությունը բարելավելու համար:Բազմաթիվ պոպուլյացիաներում տարիքը գնահատելու համար արհեստական ​​ինտելեկտի օգտագործման հնարավորությունը հաստատելու համար ապագա ուսումնասիրություններ են անհրաժեշտ՝ համեմատելու DM և խորը ուսուցման մոդելների դասակարգման ճշգրտությունն ու արդյունավետությունը նույն նմուշներում ավանդական մեթոդների հետ:
Հետազոտության ընթացքում օգտագործվել են 2657 ուղղագրական լուսանկարներ, որոնք հավաքվել են 15-ից 23 տարեկան կորեացի և ճապոնացի մեծահասակներից:Կորեական ռադիոգրաֆիկները բաժանվել են 900 ուսուցման հավաքածուների (19,42 ± 2,65 տարի) և 900 ներքին փորձարկման հավաքածուների (19,52 ± 2,59 տարի):Վերապատրաստման հավաքածուն հավաքվել է մեկ հաստատությունում (Սեուլի Սուրբ Մարիի հիվանդանոց), իսկ սեփական թեստային հավաքածուն հավաքվել է երկու հաստատություններում (Սեուլի ազգային համալսարանի ատամնաբուժական հիվանդանոց և Յոնսեի համալսարանական ատամնաբուժական հիվանդանոց):Մենք նաև հավաքել ենք 857 ռադիոգրաֆիա բնակչության վրա հիմնված մեկ այլ տվյալներից (Iwate Medical University, Ճապոնիա) արտաքին փորձարկման համար:Որպես արտաքին թեստային հավաքածու ընտրվել են ճապոնական առարկաների ռադիոգրաֆիաները (19,31 ± 2,60 տարի):Տվյալները հավաքագրվել են հետահայաց՝ ատամնաբուժության ընթացքում արված համայնապատկերային ռադիոգրաֆիայի վրա վերլուծելու համար ատամնաբուժական զարգացման փուլերը:Բոլոր հավաքագրված տվյալները անանուն էին, բացառությամբ սեռի, ծննդյան ամսաթվի և ռադիոգրաֆիայի ամսաթվի:Ներառման և բացառման չափանիշները նույնն էին, ինչ նախկինում հրապարակված ուսումնասիրությունները 4, 5:Նմուշի իրական տարիքը հաշվարկվել է` հանելով ծննդյան ամսաթիվը ռադիոգրաֆիայի ընդունման օրվանից:Ընտրանքային խումբը բաժանվել է ինը տարիքային խմբերի:Տարիքային և սեռային բաշխումները ներկայացված են Աղյուսակ 3-ում: Այս ուսումնասիրությունն իրականացվել է Հելսինկիի հռչակագրի համաձայն և հաստատվել է Կորեայի կաթոլիկ համալսարանի Սեուլի Սուրբ Մարիամ հիվանդանոցի Ինստիտուցիոնալ վերանայման խորհրդի (IRB) կողմից (KC22WISI0328):Այս հետազոտության հետահայաց նախագծման պատճառով տեղեկացված համաձայնությունը չհաջողվեց ստանալ բոլոր հիվանդներից, ովքեր թերապևտիկ նպատակներով ռադիոգրաֆիկ հետազոտություն են անցնում:Սեուլի Կորեայի համալսարանի Սուրբ Մերի հիվանդանոցը (IRB) հրաժարվել է տեղեկացված համաձայնության պահանջից:
Բիմաքսիլյար երկրորդ և երրորդ մոլերի զարգացման փուլերը գնահատվել են ըստ Դեմիրջանի չափանիշների25:Ընտրվել է միայն մեկ ատամ, եթե յուրաքանչյուր ծնոտի ձախ և աջ կողմում հայտնաբերվել է նույն տեսակի ատամ:Եթե ​​երկու կողմի հոմոլոգ ատամները գտնվում էին զարգացման տարբեր փուլերում, ապա ընտրվել էր զարգացման ցածր աստիճան ունեցող ատամը՝ հաշվի առնելով գնահատված տարիքի անորոշությունը:Վերապատրաստման հավաքածուից պատահականորեն ընտրված հարյուր ռադիոգրաֆիա գնահատվել է երկու փորձառու դիտորդների կողմից՝ նախականալիբրացիայից հետո միջդիտորդների հուսալիությունը ստուգելու համար՝ ատամների հասունության փուլը որոշելու համար:Ներդիտորդի հուսալիությունը գնահատվել է երկու անգամ՝ եռամսյա ընդմիջումներով առաջնային դիտորդի կողմից:
Յուրաքանչյուր ծնոտի երկրորդ և երրորդ մոլերի սեռը և զարգացման փուլը մարզման հավաքածուում գնահատվել են առաջնային դիտորդի կողմից, որը վերապատրաստվել է տարբեր DM մոդելներով, և իրական տարիքը սահմանվել է որպես թիրախային արժեք:SLP և MLP մոդելները, որոնք լայնորեն կիրառվում են մեքենայական ուսուցման մեջ, փորձարկվել են ռեգրեսիայի ալգորիթմների դեմ։DM մոդելը միավորում է գծային ֆունկցիաները՝ օգտագործելով չորս ատամների զարգացման փուլերը և միավորում է այս տվյալները՝ տարիքը գնահատելու համար:SLP-ն ամենապարզ նեյրոնային ցանցն է և չի պարունակում թաքնված շերտեր:SLP-ն աշխատում է հանգույցների միջև շեմային փոխանցման հիման վրա:SLP մոդելը ռեգրեսիայի մեջ մաթեմատիկորեն նման է բազմակի գծային ռեգրեսիային:Ի տարբերություն SLP մոդելի, MLP մոդելն ունի բազմաթիվ թաքնված շերտեր՝ ոչ գծային ակտիվացման ֆունկցիաներով:Մեր փորձերում օգտագործվել է թաքնված շերտ՝ ընդամենը 20 թաքնված հանգույցներով, ոչ գծային ակտիվացման ֆունկցիաներով:Օգտագործեք գրադիենտ ծագումը որպես օպտիմալացման մեթոդ, իսկ MAE-ն և RMSE-ը՝ որպես կորստի ֆունկցիա՝ մեր մեքենայական ուսուցման մոդելը մարզելու համար:Լավագույն ստացված ռեգրեսիոն մոդելը կիրառվել է ներքին և արտաքին թեստերի վրա և գնահատվել է ատամների տարիքը:
Մշակվել է դասակարգման ալգորիթմ, որն օգտագործում է չորս ատամների հասունությունը ուսուցման հավաքածուի վրա՝ կանխատեսելու համար՝ արդյոք նմուշը 18 տարեկան է, թե ոչ:Մոդելը կառուցելու համար մենք ստացանք մեքենայական ուսուցման յոթ ներկայացման ալգորիթմ6,43՝ (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost և (7) MLP .LR-ն ամենալայն կիրառվող դասակարգման ալգորիթմներից է44:Դա վերահսկվող ուսուցման ալգորիթմ է, որն օգտագործում է ռեգրեսիա՝ կանխատեսելու որոշակի կատեգորիային պատկանող տվյալների հավանականությունը 0-ից 1 և դասակարգում է տվյալները որպես ավելի հավանական կատեգորիայի պատկանող՝ հիմնվելով այս հավանականության վրա.հիմնականում օգտագործվում է երկուական դասակարգման համար:KNN-ը մեքենայական ուսուցման ամենապարզ ալգորիթմներից մեկն է45:Երբ տրվում է նոր մուտքային տվյալներ, այն գտնում է k տվյալներ գոյություն ունեցող բազմությանը մոտ և այնուհետև դրանք դասակարգում է ամենաբարձր հաճախականությամբ դասի:Դիտարկվող հարևանների թվի համար սահմանել ենք 3 (k):SVM-ը ալգորիթմ է, որը առավելագույնի է հասցնում երկու դասերի միջև հեռավորությունը՝ օգտագործելով միջուկի ֆունկցիան՝ գծային տարածությունը ընդլայնելու ոչ գծային տարածության մեջ, որը կոչվում է դաշտեր46:Այս մոդելի համար մենք օգտագործում ենք կողմնակալություն = 1, հզորություն = 1 և գամմա = 1 որպես բազմանդամ միջուկի հիպերպարամետրեր:DT-ն կիրառվել է տարբեր ոլորտներում որպես ալգորիթմ՝ ամբողջ տվյալների հավաքածուն մի քանի ենթախմբերի բաժանելու համար՝ ծառի կառուցվածքում որոշման կանոնները ներկայացնելով47:Մոդելը կազմաձևված է 2 միավորի համար գրանցումների նվազագույն քանակով և օգտագործում է Gini ինդեքսը որպես որակի չափիչ:RF-ը համույթի մեթոդ է, որը միավորում է բազմաթիվ DT-ներ՝ բարելավելու կատարողականությունը՝ օգտագործելով bootstrap ագրեգացման մեթոդը, որը ստեղծում է թույլ դասակարգիչ յուրաքանչյուր նմուշի համար՝ մի քանի անգամ պատահականորեն նույն չափի նմուշներ նկարելով սկզբնական տվյալներից48:Որպես հանգույցների տարանջատման չափանիշներ մենք օգտագործել ենք 100 ծառ, 10 ծառի խորություն, 1 հանգույցի նվազագույն չափ և Ջինի խառնուրդի ինդեքս:Նոր տվյալների դասակարգումը որոշվում է ձայների մեծամասնությամբ։XGBoost-ը ալգորիթմ է, որը միավորում է խթանման տեխնիկան՝ օգտագործելով մեթոդ, որը որպես վերապատրաստման տվյալ վերցնում է նախորդ մոդելի իրական և կանխատեսված արժեքների միջև եղած սխալը և ավելացնում է սխալը՝ օգտագործելով գրադիենտները49:Այն լայնորեն կիրառվող ալգորիթմ է՝ շնորհիվ իր լավ կատարողականության և ռեսուրսների արդյունավետության, ինչպես նաև բարձր հուսալիության՝ որպես գերազանցող ուղղման ֆունկցիա:Մոդելը հագեցած է 400 աջակցող անիվներով։MLP-ն նեյրոնային ցանց է, որտեղ մեկ կամ մի քանի պերցեպտրոններ կազմում են մի քանի շերտեր՝ մուտքային և ելքային շերտերի միջև մեկ կամ մի քանի թաքնված շերտերով38:Օգտագործելով սա՝ դուք կարող եք կատարել ոչ գծային դասակարգում, որտեղ մուտքային շերտ ավելացնելիս և արդյունքի արժեք ստանալիս արդյունքի կանխատեսված արժեքը համեմատվում է իրական արդյունքի արժեքի հետ և սխալը հետ է տարածվում:Մենք ստեղծեցինք թաքնված շերտ՝ յուրաքանչյուր շերտում 20 թաքնված նեյրոնով:Յուրաքանչյուր մոդել, որը մենք մշակել ենք, կիրառվել է ներքին և արտաքին հավաքածուների վրա՝ դասակարգման արդյունավետությունը ստուգելու համար՝ հաշվարկելով զգայունությունը, առանձնահատկությունը, PPV, NPV և AUROC:Զգայունությունը սահմանվում է որպես 18 տարեկան և ավելի բարձր գնահատված նմուշի հարաբերակցությունը 18 տարեկան և ավելի բարձր գնահատված ընտրանքի:Առանձնահատկությունը 18 տարեկանից ցածր և 18 տարեկանից ցածր նմուշների մասնաբաժինն է:
Թրեյնինգային հավաքածուում գնահատված ատամնաբուժական փուլերը վերածվել են թվային փուլերի՝ վիճակագրական վերլուծության համար:Կատարվել է բազմաչափ գծային և լոգիստիկ ռեգրեսիա՝ յուրաքանչյուր սեռի համար կանխատեսող մոդելներ մշակելու և ռեգրեսիայի բանաձևեր ստանալու համար, որոնք կարող են օգտագործվել տարիքը գնահատելու համար:Մենք օգտագործել ենք այս բանաձևերը՝ գնահատելու ատամի տարիքը ինչպես ներքին, այնպես էլ արտաքին թեստերի համար:Աղյուսակ 4-ում ներկայացված են այս հետազոտության մեջ օգտագործված ռեգրեսիայի և դասակարգման մոդելները:
Ներ և միջդիտորդական հուսալիությունը հաշվարկվել է Քոհենի կապպա վիճակագրության միջոցով:DM և ավանդական ռեգրեսիոն մոդելների ճշգրտությունը ստուգելու համար մենք հաշվարկել ենք MAE և RMSE՝ օգտագործելով ներքին և արտաքին թեստային հավաքածուների գնահատված և իրական տարիքը:Այս սխալները սովորաբար օգտագործվում են մոդելի կանխատեսումների ճշգրտությունը գնահատելու համար:Որքան փոքր է սխալը, այնքան բարձր է կանխատեսման ճշգրտությունը24:Համեմատեք MAE-ն և RMSE-ն ներքին և արտաքին թեստային հավաքածուների հաշվարկված DM-ի և ավանդական ռեգրեսիայի միջոցով:Ավանդական վիճակագրության մեջ 18 տարվա կտրվածքի դասակարգման կատարողականը գնահատվել է 2 × 2 անկանխատեսելի աղյուսակի միջոցով:Թեստային հավաքածուի հաշվարկված զգայունությունը, առանձնահատկությունը, PPV, NPV և AUROC-ը համեմատվել են DM դասակարգման մոդելի չափված արժեքների հետ:Տվյալներն արտահայտվում են որպես միջին ± ստանդարտ շեղում կամ թիվ (%)՝ կախված տվյալների բնութագրերից:Երկկողմանի P արժեքները <0,05 համարվել են վիճակագրորեն նշանակալի:Բոլոր սովորական վիճակագրական վերլուծությունները կատարվել են՝ օգտագործելով SAS տարբերակը 9.4 (SAS Institute, Cary, NC):DM ռեգրեսիայի մոդելն իրականացվել է Python-ում՝ օգտագործելով Keras50 2.2.4 backend-ը և Tensorflow51 1.8.0-ը՝ հատուկ մաթեմատիկական գործողությունների համար:DM դասակարգման մոդելը ներդրվել է Waikato Knowledge Analysis Environment-ում և Konstanz Information Miner (KNIME) 4.6.152 վերլուծության հարթակում:
Հեղինակները խոստովանում են, որ տվյալներ, որոնք հաստատում են հետազոտության եզրակացությունները, կարելի է գտնել հոդվածում և լրացուցիչ նյութերում:Ուսումնասիրության ընթացքում ստեղծված և/կամ վերլուծված տվյալների հավաքածուները հասանելի են համապատասխան հեղինակի կողմից ողջամիտ պահանջով:
Ritz-Timme, S. et al.Տարիքային գնահատում. դատաբժշկական պրակտիկայի հատուկ պահանջները բավարարելու տեխնոլոգիայի մակարդակ:միջազգայնությունը։J. Իրավաբանական բժշկություն.113, 129–136 (2000):
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. Քրեական հետապնդման նպատակով կենդանի սուբյեկտների դատաբժշկական տարիքի գնահատման ներկա կարգավիճակը:Դատաբժշկական փորձաքննություն.դեղ.Պաթոլոգիա.1, 239–246 (2005):
Pan, J. et al.Արևելյան Չինաստանում 5-ից 16 տարեկան երեխաների ատամնաբուժական տարիքի գնահատման փոփոխված մեթոդ:կլինիկական.Բանավոր հարցում.25, 3463–3474 (2021):
Lee, SS և այլն: Երկրորդ և երրորդ մոլերի զարգացման ժամանակագրությունը կորեացիներում և դրա կիրառումը դատաբժշկական տարիքի գնահատման համար:միջազգայնությունը։J. Իրավաբանական բժշկություն.124, 659–665 (2010):
Oh, S., Kumagai, A., Kim, SY and Lee, SS Տարիքային գնահատման ճշգրտությունը և 18-ամյա շեմի գնահատումը հիմնված երկրորդ և երրորդ մոլերի հասունության վրա կորեացիների և ճապոնացիների մոտ:PLoS ONE 17, e0271247 (2022):
Kim, JY, et al.Նախավիրահատական ​​մեքենայական ուսուցման վրա հիմնված տվյալների վերլուծությունը կարող է կանխատեսել քնի վիրահատության բուժման արդյունքը OSA-ով հիվանդների մոտ:գիտությունը։Հաշվետվություն 11, 14911 (2021):
Han, M. et al.Ճշգրիտ տարիքի գնահատում մեքենայական ուսուցումից՝ մարդու միջամտությամբ կամ առանց:միջազգայնությունը։J. Իրավաբանական բժշկություն.136, 821–831 (2022).
Khan, S. and Shaheen, M. From Data Mining to Data Mining.J.Տեղեկություն.գիտությունը։https://doi.org/10.1177/01655515211030872 (2021):
Khan, S. and Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J.Տեղեկություն.գիտությունը։https://doi.org/10.1177/01655515221108695 (2022 թ.):
Շահին Մ. և Աբդուլլահ Ու. Կարմ. Ավանդական տվյալների մշակում՝ հիմնված համատեքստի վրա հիմնված ասոցիացիայի կանոնների վրա:հաշվարկել.Մատթ.շարունակել.68, 3305–3322 (2021):
Մուհամմադ Մ., Ռեհման Զ., Շահին Մ., Խան Մ. և Հաբիբ Մ. Խորը ուսուցման վրա հիմնված իմաստային նմանության հայտնաբերում տեքստային տվյալների միջոցով:տեղեկացնել.տեխնոլոգիաներ։վերահսկողություն.https://doi.org/10.5755/j01.itc.49.4.27118 (2020):
Tabish, M., Tanoli, Z., and Shahin, M. Սպորտային տեսահոլովակներում ակտիվության ճանաչման համակարգ:մուլտիմեդիա.Գործիքների հավելվածներ https://doi.org/10.1007/s11042-021-10519-6 (2021 թ.):
Halabi, SS et al.RSNA մեքենայական ուսուցման մարտահրավեր մանկական ոսկրային տարիքում:Ռադիոլոգիա 290, 498–503 (2019):
Li, Y. et al.Դատաբժշկական տարիքի գնահատում կոնքի ռենտգենյան ճառագայթներից՝ օգտագործելով խորը ուսուցում:ԵՎՐՈ.ճառագայթում.29, 2322–2329 (2019):
Guo, YC, et al.Ճշգրիտ տարիքային դասակարգում` օգտագործելով ձեռքով մեթոդներ և խորը կոնվոլյուցիոն նեյրոնային ցանցեր ուղղագրական պրոյեկցիոն պատկերներից:միջազգայնությունը։J. Իրավաբանական բժշկություն.135, 1589–1597 (2021):
Ալաբամա Դալորան և այլք:Ոսկրածուծի տարիքի գնահատում` օգտագործելով տարբեր մեքենայական ուսուցման մեթոդներ. գրականության համակարգված վերանայում և մետա-վերլուծություն:PLoS ONE 14, e0220242 (2019):
Du, H., Li, G., Cheng, K., and Yang, J. Աֆրոամերիկացիների և չինացիների բնակչության հատուկ տարիքային գնահատում` հիմնված առաջին մոլարների pulp պալատի ծավալների վրա, օգտագործելով կոն-ճառագայթային համակարգչային տոմոգրաֆիա:միջազգայնությունը։J. Իրավաբանական բժշկություն.136, 811–819 (2022):
Kim S., Lee YH, Noh YK, Park FK և Oh KS Կենդանի մարդկանց տարիքային խմբերի որոշում՝ օգտագործելով առաջին մոլերի արհեստական ​​ինտելեկտի վրա հիմնված պատկերները:գիտությունը։Հաշվետվություն 11, 1073 (2021):
Stern, D., Payer, C., Giuliani, N., and Urschler, M. Ավտոմատ տարիքի գնահատում և մեծամասնության տարիքի դասակարգում բազմաչափ ՄՌՏ տվյալների հիման վրա:IEEE J. Biomed.Առողջության մասին ահազանգեր.23, 1392–1403 (2019):
Cheng, Q., Ge, Z., Du, H. and Li, G. Տարիքի գնահատումը հիմնված է առաջին մոլերի 3D pulp chamber segmentation-ի վրա կոն ճառագայթով համակարգչային տոմոգրաֆիայի միջոցով՝ ինտեգրելով խորը ուսուցման և մակարդակների հավաքածուները:միջազգայնությունը։J. Իրավաբանական բժշկություն.135, 365–373 (2021).
Wu, WT և այլն:Տվյալների արդյունահանում կլինիկական մեծ տվյալների մեջ. ընդհանուր տվյալների բազաներ, քայլեր և մեթոդների մոդելներ:Աշխարհ.դեղ.ռեսուրս.8, 44 (2021):
Yang, J. et al.Բժշկական տվյալների բազաների և տվյալների արդյունահանման տեխնոլոգիաների ներածություն մեծ տվյալների դարաշրջանում:Ջ.Ավիդ.Հիմնական բժշկություն.13, 57–69 (2020):
Shen, S. et al.Ատամի տարիքը գնահատելու Camerer մեթոդը մեքենայական ուսուցման միջոցով:BMC Oral Health 21, 641 (2021):
Galliburg A. et al.Ատամների տարիքի կանխատեսման տարբեր մեքենայական ուսուցման մեթոդների համեմատություն՝ օգտագործելով Դեմիրճյան բեմականացման մեթոդը:միջազգայնությունը։J. Իրավաբանական բժշկություն.135, 665–675 (2021):
Դեմիրճյան, Ա., Գոլդշտեյն, Հ. և Թաններ, Ջ.Մ. Ատամնաբուժական տարիքի գնահատման նոր համակարգ.խռռոց.Կենսաբանություն.45, 211–227 (1973).
Landis, JR, and Koch, GG Դիտորդների համաձայնության միջոցառումներ կատեգորիկ տվյալների վերաբերյալ:Biometrics 33, 159–174 (1977):
Bhattacharjee S, Prakash D, Kim C, Kim HK և Choi HK:Երկչափ մագնիսական ռեզոնանսային պատկերման տեքստային, մորֆոլոգիական և վիճակագրական վերլուծություն՝ օգտագործելով արհեստական ​​ինտելեկտի տեխնիկան՝ ուղեղի առաջնային ուռուցքների տարբերակման համար:Առողջության մասին տեղեկատվություն.ռեսուրս.https://doi.org/10.4258/hir.2022.28.1.46 (2022 թ.):