Կորեացի դեռահասների և երիտասարդների շրջանում տվյալների հանքարդյունաբերության մոդելի վավերացումը ատամների տարիքի գնահատման ավանդական մեթոդների համեմատությամբ։

Շնորհակալություն Nature.com կայք այցելելու համար: Ձեր օգտագործած դիտարկիչի տարբերակն ունի CSS-ի սահմանափակ աջակցություն: Լավագույն արդյունքի հասնելու համար խորհուրդ ենք տալիս օգտագործել ձեր դիտարկիչի ավելի նոր տարբերակը (կամ անջատել համատեղելիության ռեժիմը Internet Explorer-ում): Մինչ այդ, շարունակական աջակցությունն ապահովելու համար, մենք կայքը ցուցադրում ենք առանց ոճավորման կամ JavaScript-ի:
Ատամները համարվում են մարդու մարմնի տարիքի ամենաճշգրիտ ցուցիչը և հաճախ օգտագործվում են դատաբժշկական տարիքի գնահատման մեջ: Մեր նպատակն էր վավերացնել տվյալների հանքարդյունաբերության վրա հիմնված ատամնաբուժական տարիքի գնահատականները՝ համեմատելով 18-ամյա շեմի գնահատման ճշգրտությունը և դասակարգման կատարողականը ավանդական մեթոդների և տվյալների հանքարդյունաբերության վրա հիմնված տարիքի գնահատականների հետ: Կորեայի և Ճապոնիայի 15-ից 23 տարեկան քաղաքացիներից հավաքվել է ընդհանուր առմամբ 2657 համայնապատկերային ռենտգենագրություն: Դրանք բաժանվել են ուսումնական հավաքածուի, որոնցից յուրաքանչյուրը պարունակում էր 900 կորեական ռենտգենագրություն, և ներքին թեստային հավաքածուի, որը պարունակում էր 857 ճապոնական ռենտգենագրություն: Մենք համեմատել ենք ավանդական մեթոդների դասակարգման ճշգրտությունն ու արդյունավետությունը տվյալների հանքարդյունաբերության մոդելների թեստային հավաքածուների հետ: Ներքին թեստային հավաքածուի վրա ավանդական մեթոդի ճշգրտությունը մի փոքր ավելի բարձր է, քան տվյալների հանքարդյունաբերության մոդելինը, և տարբերությունը փոքր է (միջին բացարձակ սխալ <0.21 տարի, միջին քառակուսի սխալ <0.24 տարի): 18-ամյա սահմանային դասակարգման կատարողականը նույնպես նման է ավանդական մեթոդների և տվյալների հանքարդյունաբերության մոդելների միջև: Այսպիսով, ավանդական մեթոդները կարող են փոխարինվել տվյալների հանքարդյունաբերության մոդելներով՝ դատաբժշկական տարիքի գնահատում կատարելիս՝ օգտագործելով կորեացի դեռահասների և երիտասարդ չափահասների երկրորդ և երրորդ մոլարների հասունությունը:
Ատամների տարիքի գնահատումը լայնորեն կիրառվում է դատաբժշկության և մանկական ստոմատոլոգիայի մեջ: Մասնավորապես, ժամանակագրական տարիքի և ատամների զարգացման միջև բարձր փոխկապակցվածության պատճառով, ատամների զարգացման փուլերով տարիքի գնահատումը կարևոր չափանիշ է երեխաների և դեռահասների տարիքը գնահատելու համար1,2,3: Այնուամենայնիվ, երիտասարդների համար ատամների հասունության հիման վրա ատամների տարիքի գնահատումն ունի իր սահմանափակումները, քանի որ ատամների աճը գրեթե ավարտված է, բացառությամբ երրորդ մոլարների: Երիտասարդների և դեռահասների տարիքը որոշելու իրավական նպատակն է ճշգրիտ գնահատականներ և գիտական ​​ապացույցներ տրամադրել այն մասին, թե արդյոք նրանք հասել են չափահասության տարիքին: Կորեայում դեռահասների և երիտասարդ չափահասների բժշկական-իրավական պրակտիկայում տարիքը գնահատվել է Լիի մեթոդով, և 18 տարեկան իրավական շեմը կանխատեսվել է Օհի և այլոց կողմից ներկայացված տվյալների հիման վրա5:
Մեքենայական ուսուցումը արհեստական ​​բանականության (ԱԻ) տեսակ է, որը բազմիցս սովորում և դասակարգում է մեծ քանակությամբ տվյալներ, ինքնուրույն լուծում է խնդիրներ և առաջ է մղում տվյալների ծրագրավորումը: Մեքենայական ուսուցումը կարող է հայտնաբերել օգտակար թաքնված օրինաչափություններ տվյալների մեծ ծավալներում6: Ի տարբերություն դրա, դասական մեթոդները, որոնք աշխատատար և ժամանակատար են, կարող են սահմանափակումներ ունենալ բարդ տվյալների մեծ ծավալների հետ գործ ունենալիս, որոնք դժվար է ձեռքով մշակել7: Հետևաբար, վերջերս բազմաթիվ ուսումնասիրություններ են անցկացվել՝ օգտագործելով ամենաժամանակակից համակարգչային տեխնոլոգիաները՝ մարդկային սխալները նվազագույնի հասցնելու և բազմաչափ տվյալները արդյունավետորեն մշակելու համար8,9,10,11,12: Մասնավորապես, խորը ուսուցումը լայնորեն կիրառվել է բժշկական պատկերների վերլուծության մեջ, և հաղորդվել է, որ տարիքը գնահատելու տարբեր մեթոդներ՝ ավտոմատ կերպով վերլուծելով ռենտգենագրությունները, բարելավում են տարիքի գնահատման ճշգրտությունն ու արդյունավետությունը13,14,15,16,17,18,19,20: Օրինակ, Հալաբին և այլք13 մշակել են մեքենայական ուսուցման ալգորիթմ՝ հիմնված կոնվոլյուցիոն նեյրոնային ցանցերի (CNN) վրա՝ կմախքի տարիքը գնահատելու համար՝ օգտագործելով երեխաների ձեռքերի ռենտգենագրություններ: Այս ուսումնասիրությունը առաջարկում է մոդել, որը կիրառում է մեքենայական ուսուցումը բժշկական պատկերների վրա և ցույց է տալիս, որ այս մեթոդները կարող են բարելավել ախտորոշման ճշգրտությունը: Լի և այլք14 գնահատել են տարիքը կոնքի ռենտգենյան պատկերներից՝ օգտագործելով խորը ուսուցման CNN և համեմատել դրանք ռեգրեսիայի արդյունքների հետ՝ օգտագործելով օսիֆիկացիայի փուլի գնահատում: Նրանք պարզել են, որ խորը ուսուցման CNN մոդելը ցույց է տվել նույն տարիքի գնահատման արդյունավետությունը, ինչ ավանդական ռեգրեսիայի մոդելը: Գուոյի և այլոց ուսումնասիրությունը [15] գնահատել է CNN տեխնոլոգիայի տարիքային հանդուրժողականության դասակարգման արդյունավետությունը՝ հիմնվելով ատամնաբուժական օրթոֆոտոների վրա, և CNN մոդելի արդյունքները ապացուցել են, որ մարդիկ գերազանցել են դրա տարիքային դասակարգման արդյունավետությունը:
Մեքենայական ուսուցման միջոցով տարիքի գնահատման վերաբերյալ ուսումնասիրությունների մեծ մասը օգտագործում է խորը ուսուցման մեթոդներ13,14,15,16,17,18,19,20: Խորը ուսուցման վրա հիմնված տարիքի գնահատումը, ըստ հաղորդումների, ավելի ճշգրիտ է, քան ավանդական մեթոդները: Այնուամենայնիվ, այս մոտեցումը քիչ հնարավորություն է տալիս ներկայացնել տարիքի գնահատման գիտական ​​հիմքը, ինչպիսիք են գնահատականներում օգտագործվող տարիքային ցուցանիշները: Կա նաև իրավական վեճ այն մասին, թե ով է իրականացնում ստուգումները: Հետևաբար, խորը ուսուցման վրա հիմնված տարիքի գնահատումը դժվար է ընդունել վարչական և դատական ​​մարմինների կողմից: Տվյալների հանքարդյունաբերությունը (ՏՀ) տեխնիկա է, որը կարող է հայտնաբերել ոչ միայն սպասվող, այլև անսպասելի տեղեկատվություն՝ որպես մեծ քանակությամբ տվյալների միջև օգտակար փոխկապակցվածությունները հայտնաբերելու մեթոդ6,21,22: Մեքենայական ուսուցումը հաճախ օգտագործվում է տվյալների հանքարդյունաբերության մեջ, և թե՛ տվյալների հանքարդյունաբերությունը, թե՛ մեքենայական ուսուցումը օգտագործում են նույն հիմնական ալգորիթմները՝ տվյալներում օրինաչափությունները հայտնաբերելու համար: Ատամնաբուժական զարգացման միջոցով տարիքի գնահատումը հիմնված է քննողի կողմից թիրախային ատամների հասունության գնահատման վրա, և այս գնահատումը արտահայտվում է որպես յուրաքանչյուր թիրախային ատամի փուլ: ՏՀ-ն կարող է օգտագործվել ատամնաբուժական գնահատման փուլի և իրական տարիքի միջև փոխկապակցվածությունը վերլուծելու համար և ունի ավանդական վիճակագրական վերլուծությունը փոխարինելու ներուժ: Հետևաբար, եթե մենք կիրառենք DM տեխնիկան տարիքի գնահատման համար, մենք կարող ենք մեքենայական ուսուցում իրականացնել դատաբժշկական տարիքի գնահատման մեջ՝ առանց անհանգստանալու իրավական պատասխանատվության մասին: Հրապարակվել են մի շարք համեմատական ​​ուսումնասիրություններ դատաբժշկական պրակտիկայում օգտագործվող ավանդական ձեռքի մեթոդների և ատամնաբուժական տարիքը որոշելու համար EBM-ի վրա հիմնված մեթոդների հնարավոր այլընտրանքների վերաբերյալ: Շենը և այլք23 ցույց տվեցին, որ DM մոդելն ավելի ճշգրիտ է, քան ավանդական Քամերերի բանաձևը: Գալիբուրը և այլք24 կիրառեցին DM տարբեր մեթոդներ՝ Դեմիրջյանի չափանիշին համապատասխան տարիքը կանխատեսելու համար25, և արդյունքները ցույց տվեցին, որ DM մեթոդը գերազանցեց Դեմիրջյանի և Վիլեմսի մեթոդներին Ֆրանսիայի բնակչության տարիքը գնահատելու հարցում:
Կորեացի դեռահասների և երիտասարդների ատամների տարիքը գնահատելու համար Լիի մեթոդ 4-ը լայնորեն կիրառվում է կորեական դատաբժշկական պրակտիկայում: Այս մեթոդը օգտագործում է ավանդական վիճակագրական վերլուծություն (օրինակ՝ բազմակի ռեգրեսիա)՝ կորեացի մասնակիցների և ժամանակագրական տարիքի միջև կապը ուսումնասիրելու համար: Այս ուսումնասիրության մեջ ավանդական վիճակագրական մեթոդներով ստացված տարիքի գնահատման մեթոդները սահմանվում են որպես «ավանդական մեթոդներ»: Լիի մեթոդը ավանդական մեթոդ է, և դրա ճշգրտությունը հաստատել են Օհը և այլք 5-ը. սակայն, շաքարային դիաբետի մոդելի վրա հիմնված տարիքի գնահատման կիրառելիությունը կորեական դատաբժշկական պրակտիկայում դեռևս կասկածելի է: Մեր նպատակն էր գիտականորեն հաստատել շաքարային դիաբետի մոդելի վրա հիմնված տարիքի գնահատման հնարավոր օգտակարությունը: Այս ուսումնասիրության նպատակն էր (1) համեմատել շաքարային դիաբետի երկու մոդելների ճշգրտությունը ատամների տարիքը գնահատելիս և (2) համեմատել շաքարային դիաբետի 7 մոդելների դասակարգման կատարողականը 18 տարեկանում ավանդական վիճակագրական մեթոդներով ստացվածների հետ: Երկու ծնոտների երկրորդ և երրորդ մոլարների հասունացում:
Ժամանակագրական տարիքի միջին արժեքներն ու ստանդարտ շեղումները՝ ըստ փուլի և ատամի տեսակի, ներկայացված են առցանց՝ լրացուցիչ աղյուսակ S1-ում (ուսուցողական հավաքածու), լրացուցիչ աղյուսակ S2-ում (ներքին թեստային հավաքածու) և լրացուցիչ աղյուսակ S3-ում (արտաքին թեստային հավաքածու): Ուսումնական հավաքածուից ստացված ներ- և միջդիտարկային հուսալիության կապպա արժեքները համապատասխանաբար կազմել են 0.951 և 0.947: Կապպա արժեքների P արժեքները և 95% վստահության միջակայքերը ներկայացված են առցանց լրացուցիչ աղյուսակ S4-ում: Կապպա արժեքը մեկնաբանվել է որպես «գրեթե կատարյալ», համապատասխանաբար Լանդիսի և Կոխի չափանիշներին26:
Միջին բացարձակ սխալը (MAE) համեմատելիս, ավանդական մեթոդը փոքր-ինչ գերազանցում է DM մոդելին բոլոր սեռերի և արտաքին տղամարդկանց թեստային հավաքածուի համար, բացառությամբ բազմաշերտ պերցեպտրոնի (MLP): Ներքին MAE թեստային հավաքածուի վրա ավանդական մոդելի և DM մոդելի միջև տարբերությունը կազմել է 0.12–0.19 տարի տղամարդկանց և 0.17–0.21 տարի կանանց համար: Արտաքին թեստային հավաքածուի համար տարբերությունները ավելի փոքր են (0.001–0.05 տարի տղամարդկանց և 0.05–0.09 տարի կանանց համար): Բացի այդ, 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 թեստային հավաքածուի համար): MLP-ն ցույց է տալիս մի փոքր ավելի լավ արդյունավետություն, քան միաշերտ պերցեպտրոնը (SLP), բացառությամբ կանանց արտաքին թեստային հավաքածուի դեպքի: MAE-ի և RMSE-ի դեպքում արտաքին թեստերի հավաքածուն բոլոր սեռերի և մոդելների համար ավելի բարձր միավորներ է հավաքում, քան ներքին թեստերի հավաքածուն: Բոլոր MAE-ն և RMSE-ն ներկայացված են աղյուսակ 1-ում և նկար 1-ում:
Ավանդական և տվյալների հանքարդյունաբերության ռեգրեսիոն մոդելների MAE և RMSE: Միջին բացարձակ սխալ MAE, միջին քառակուսի արմատի սխալ RMSE, միաշերտ պերցեպտրոն SLP, բազմաշերտ պերցեպտրոն MLP, ավանդական CM մեթոդ:
Ավանդական և շաքարային դիաբետի մոդելների դասակարգման կատարողականը (18 տարվա սահմանային արժեքով) ցուցադրվել է զգայունության, յուրահատկության, դրական կանխատեսողական արժեքի (PPV), բացասական կանխատեսողական արժեքի (NPV) և ընդունիչի գործող բնութագրական կորի տակ գտնվող մակերեսի (AUROC) 27 առումներով (աղյուսակ 2, նկար 2 և լրացուցիչ նկար 1 առցանց): Ներքին թեստային մարտկոցի զգայունության առումով ավանդական մեթոդները լավագույնս են աշխատել տղամարդկանց և վատագույնս՝ կանանց շրջանում: Այնուամենայնիվ, ավանդական մեթոդների և SD-ի միջև դասակարգման կատարողականի տարբերությունը տղամարդկանց համար կազմում է 9.7% (MLP) և միայն 2.4% կանանց համար (XGBoost): Շաքարային դիաբետի մոդելների շրջանում լոգիստիկ ռեգրեսիան (LR) ցույց է տվել ավելի լավ զգայունություն երկու սեռերի մոտ: Ներքին թեստային հավաքածուի յուրահատկության վերաբերյալ նկատվել է, որ չորս SD մոդելները լավ են աշխատել տղամարդկանց մոտ, մինչդեռ ավանդական մոդելն ավելի լավ է աշխատել կանանց մոտ: Տղամարդկանց և կանանց համար 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 մոդելների շարքում աջակցող վեկտորային մեքենայի (SVM), որոշման ծառի (DT) և պատահական անտառի (RF) մոդելները լավագույն արդյունքն են ցույց տվել տղամարդկանց շրջանում, մինչդեռ LR մոդելը լավագույն արդյունքն է ցույց տվել կանանց շրջանում: Ավանդական մոդելի և բոլոր SD մոդելների AUROC-ն մեծ է եղել 0.925-ից (տղամարդկանց մոտակա հարևան (KNN)), ինչը ցույց է տվել գերազանց դասակարգման արդյունավետություն 18 տարեկան նմուշների տարբերակման գործում28: Արտաքին թեստային հավաքածուի համար դասակարգման արդյունավետության նվազում է գրանցվել զգայունության, յուրահատկության և AUROC-ի առումով՝ համեմատած ներքին թեստային հավաքածուի հետ: Ավելին, լավագույն և վատագույն մոդելների դասակարգման արդյունավետության միջև զգայունության և յուրահատկության տարբերությունը տատանվել է 10%-ից մինչև 25% և ավելի մեծ է եղել, քան ներքին թեստային հավաքածուի տարբերությունը:
Տվյալների հանքարդյունաբերության դասակարգման մոդելների զգայունությունը և ճշգրտությունը՝ համեմատած ավանդական մեթոդների հետ՝ 18 տարվա սահմանային արժեքով: KNN k ամենամոտ հարևան, SVM օժանդակ վեկտորային մեքենա, LR լոգիստիկ ռեգրեսիա, DT որոշումների ծառ, RF պատահական անտառ, XGB XGBoost, MLP բազմաշերտ պերսեպտրոն, ավանդական CM մեթոդ:
Այս ուսումնասիրության առաջին քայլը յոթ շաքարային դիաբետի մոդելներից ստացված ատամների տարիքի գնահատման ճշգրտությունը համեմատելն էր ավանդական ռեգրեսիայի միջոցով ստացվածների հետ: MAE-ն և RMSE-ն գնահատվել են ներքին թեստային հավաքածուներում երկու սեռերի համար, և ավանդական մեթոդի և շաքարային դիաբետի մոդելի միջև տարբերությունը տատանվել է 44-ից 77 օր MAE-ի և 62-ից 88 օր RMSE-ի համար: Չնայած այս ուսումնասիրության մեջ ավանդական մեթոդը մի փոքր ավելի ճշգրիտ էր, դժվար է եզրակացնել, թե արդյոք նման փոքր տարբերությունն ունի կլինիկական կամ գործնական նշանակություն: Այս արդյունքները ցույց են տալիս, որ շաքարային դիաբետի մոդելի միջոցով ատամների տարիքի գնահատման ճշգրտությունը գրեթե նույնն է, ինչ ավանդական մեթոդի դեպքում: Նախորդ ուսումնասիրությունների արդյունքների հետ ուղղակի համեմատությունը դժվար է, քանի որ ոչ մի ուսումնասիրություն չի համեմատել շաքարային դիաբետի մոդելների ճշգրտությունը ավանդական վիճակագրական մեթոդների հետ՝ օգտագործելով ատամների գրանցման նույն տեխնիկան նույն տարիքային միջակայքում, ինչպես այս ուսումնասիրության մեջ: Գալիբուրը և այլք24 համեմատել են MAE-ն և RMSE-ն երկու ավանդական մեթոդների (Դեմիրջյանի մեթոդ25 և Վիլեմսի մեթոդ29) և շաքարային դիաբետի 10 մոդելների միջև՝ 2-ից 24 տարեկան ֆրանսիական բնակչության շրջանում: Նրանք հայտնեցին, որ բոլոր շաքարային դիաբետի մոդելներն ավելի ճշգրիտ էին, քան ավանդական մեթոդները՝ համապատասխանաբար 0.20 և 0.38 տարվա տարբերություններով MAE-ում և 0.25 և 0.47 տարվա տարբերություններով RMSE-ում՝ համեմատած Վիլեմսի և Դեմիրջյանի մեթոդների հետ: Հալիբուրգի ուսումնասիրության մեջ ներկայացված SD մոդելի և ավանդական մեթոդների միջև եղած անհամապատասխանությունը հաշվի է առնում բազմաթիվ հաղորդագրությունները30,31,32,33, որ Դեմիրջյանի մեթոդը ճշգրիտ չի գնահատում ատամների տարիքը ֆրանս-կանադացիներից բացի այլ բնակչության մոտ, որոնց վրա հիմնված էր ուսումնասիրությունը: Այս ուսումնասիրության մեջ Թայը և այլք34 օգտագործել են MLP ալգորիթմը՝ 1636 չինական օրթոդոնտիկ լուսանկարներից ատամի տարիքը կանխատեսելու համար և համեմատել են դրա ճշգրտությունը Դեմիրջյանի և Վիլեմսի մեթոդի արդյունքների հետ: Նրանք հայտնել են, որ MLP-ն ավելի բարձր ճշգրտություն ունի, քան ավանդական մեթոդները: Դեմիրջյանի մեթոդի և ավանդական մեթոդի միջև տարբերությունը <0.32 տարի է, իսկ Վիլեմսի մեթոդը՝ 0.28 տարի, ինչը նման է ներկայիս ուսումնասիրության արդյունքներին: Այս նախորդ ուսումնասիրությունների արդյունքները24,34 նույնպես համապատասխանում են ներկայիս ուսումնասիրության արդյունքներին, և շաքարային դիաբետի մոդելի և ավանդական մեթոդի տարիքի գնահատման ճշգրտությունը նման է: Այնուամենայնիվ, ներկայացված արդյունքների հիման վրա մենք կարող ենք միայն զգուշորեն եզրակացնել, որ տարիքը գնահատելու համար շաքարային դիաբետի մոդելների օգտագործումը կարող է փոխարինել առկա մեթոդներին՝ նախորդ համեմատական ​​և հղումային ուսումնասիրությունների բացակայության պատճառով: Այս ուսումնասիրության ընթացքում ստացված արդյունքները հաստատելու համար անհրաժեշտ են հետագա ուսումնասիրություններ՝ օգտագործելով ավելի մեծ նմուշներ:
Ատամների տարիքը գնահատելիս շեղման ճշգրտությունը ստուգող ուսումնասիրություններից մի քանիսը ցույց են տվել ավելի բարձր ճշգրտություն, քան մեր ուսումնասիրությունը: Ստեփանովսկին և այլք35 կիրառել են 22 շեղման մոդել 2.7-ից 20.5 տարեկան 976 չեխ բնակիչների համայնապատկերային ռենտգենագրական պատկերների վրա և ստուգել են յուրաքանչյուր մոդելի ճշգրտությունը: Նրանք գնահատել են վերին և ստորին ձախ ատամների ընդհանուր 16 մշտական ​​ատամների զարգացումը՝ օգտագործելով Մուրիսի և այլոց կողմից առաջարկված դասակարգման չափանիշները36: MAE-ն տատանվում է 0.64-ից 0.94 տարեկան, իսկ RMSE-ն՝ 0.85-ից 1.27 տարեկան, որոնք ավելի ճշգրիտ են, քան այս ուսումնասիրության մեջ օգտագործված երկու շաքարախտի մոդելները: Շենը և այլք23 օգտագործել են Կամերիերի մեթոդը՝ Չինաստանի արևելյան մասի 5-ից 13 տարեկան բնակիչների ձախ ծնոտի յոթ մշտական ​​ատամների ատամնային տարիքը գնահատելու համար և համեմատել այն գծային ռեգրեսիայի, SVM-ի և RF-ի միջոցով գնահատված տարիքների հետ: Նրանք ցույց են տվել, որ շաքարախտի բոլոր երեք մոդելներն էլ ունեն ավելի բարձր ճշգրտություն՝ համեմատած ավանդական Կամերիերի բանաձևի հետ: Շենի ուսումնասիրության մեջ MAE-ն և RMSE-ն ավելի ցածր էին, քան այս ուսումնասիրության DM մոդելում: Ստեփանովսկու և այլոց 35 և Շենի և այլոց 23 ուսումնասիրությունների ճշգրտության բարձրացումը կարող է պայմանավորված լինել նրանց ուսումնասիրության նմուշներում ավելի երիտասարդ մասնակիցների ընդգրկմամբ: Քանի որ զարգացող ատամներ ունեցող մասնակիցների տարիքի գնահատականները դառնում են ավելի ճշգրիտ, քանի որ ատամների քանակը մեծանում է ատամների զարգացման ընթացքում, արդյունքում ստացված տարիքի գնահատման մեթոդի ճշգրտությունը կարող է վտանգվել, երբ ուսումնասիրության մասնակիցները ավելի երիտասարդ են: Բացի այդ, MLP-ի տարիքի գնահատման սխալը մի փոքր 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՝ MLP-ի թաքնված շերտերի պատճառով38: Այնուամենայնիվ, բացառություն կա կանանց արտաքին նմուշի համար (SLP 1.45, MLP 1.49): Այն եզրակացությունը, 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 կատարողականը 18-ամյա շեմին: Ներքին թեստավորման բոլոր փորձարկված SD մոդելները և ավանդական մեթոդները ցույց են տվել գործնականում ընդունելի տարբերակման մակարդակներ 18-ամյա նմուշի համար: Տղամարդկանց և կանանց զգայունությունը համապատասխանաբար գերազանցել է 87.7%-ը և 94.9%-ը, իսկ յուրահատկությունը՝ 89.3%-ը և 84.7%-ը: Բոլոր փորձարկված մոդելների AUROC-ը նույնպես գերազանցում է 0.925-ը: Մեր ունեցած լավագույն իմացությամբ, ոչ մի ուսումնասիրություն չի ստուգել DM մոդելի կատարողականը 18-ամյա դասակարգման համար՝ հիմնված ատամների հասունության վրա: Մենք կարող ենք համեմատել այս ուսումնասիրության արդյունքները համեմտել համայնապատկերային ռենտգենագրության վրա խորը ուսուցման մոդելների դասակարգման կատարողականի հետ: Գուոն և այլք15 հաշվարկել են CNN-ի վրա հիմնված խորը ուսուցման մոդելի և Դեմիրջյանի մեթոդի վրա հիմնված ձեռքով մեթոդի դասակարգման կատարողականը որոշակի տարիքային շեմի համար: Ձեռքով մեթոդի զգայունությունը և յուրահատկությունը համապատասխանաբար կազմել են 87.7% և 95.5%, իսկ CNN մոդելի զգայունությունն ու յուրահատկությունը գերազանցել են համապատասխանաբար 89.2% և 86.6%-ը։ Նրանք եզրակացրել են, որ խորը ուսուցման մոդելները կարող են փոխարինել կամ գերազանցել ձեռքով գնահատումը տարիքային շեմերի դասակարգման հարցում։ Այս ուսումնասիրության արդյունքները ցույց են տվել նմանատիպ դասակարգման արդյունավետություն. ենթադրվում է, որ DM մոդելների միջոցով դասակարգումը կարող է փոխարինել տարիքի գնահատման ավանդական վիճակագրական մեթոդներին։ Մոդելների շարքում DM LR-ը լավագույն մոդելն էր տղամարդկանց նմուշի զգայունության, իսկ կանանց նմուշի զգայունության և յուրահատկության առումով։ LR-ը տղամարդկանց համար յուրահատկության առումով երկրորդն է։ Ավելին, LR-ը համարվում է DM35 մոդելներից ավելի օգտագործողի համար հարմար և ավելի քիչ բարդ ու դժվար մշակվող մոդելներից մեկը։ Այս արդյունքների հիման վրա LR-ը համարվել է կորեական բնակչության 18-ամյա դեռահասների համար լավագույն սահմանային դասակարգման մոդելը։
Ընդհանուր առմամբ, արտաքին թեստային հավաքածուի վրա տարիքի 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 վրա5,39, և նմանատիպ օրինաչափություն է հայտնաբերվել նաև ներկայիս ուսումնասիրության մեջ։ Այս վատթարացման միտումը նկատվել է նաև DM մոդելում։ Հետևաբար, տարիքը ճշգրիտ գնահատելու համար, նույնիսկ վերլուծության գործընթացում DM-ն օգտագործելիս, պետք է նախընտրել բնիկ բնակչության տվյալներից ստացված մեթոդները, ինչպիսիք են ավանդական մեթոդները5,39,40,41,42։ Քանի որ պարզ չէ, թե արդյոք խորը ուսուցման մոդելները կարող են ցույց տալ նմանատիպ միտումներ, անհրաժեշտ են ուսումնասիրություններ, որոնք համեմատում են դասակարգման ճշգրտությունն ու արդյունավետությունը՝ օգտագործելով ավանդական մեթոդներ, DM մոդելներ և խորը ուսուցման մոդելներ նույն նմուշների վրա, որպեսզի հաստատվի, թե արդյոք արհեստական ​​ինտելեկտը կարող է հաղթահարել այս ռասայական անհավասարությունները սահմանափակ տարիքային գնահատումներում։
Մենք ցույց ենք տալիս, որ Կորեայում դատաբժշկական տարիքի գնահատման պրակտիկայում ավանդական մեթոդները կարող են փոխարինվել տարիքային գնահատման մեթոդով, որը հիմնված է DM մոդելի վրա: Մենք նաև բացահայտել ենք դատաբժշկական տարիքի գնահատման համար մեքենայական ուսուցման ներդրման հնարավորությունը: Այնուամենայնիվ, կան հստակ սահմանափակումներ, ինչպիսիք են այս ուսումնասիրության մասնակիցների անբավարար թիվը՝ արդյունքները վերջնականապես որոշելու համար, և նախորդ ուսումնասիրությունների բացակայությունը՝ այս ուսումնասիրության արդյունքները համեմատելու և հաստատելու համար: Ապագայում DM ուսումնասիրությունները պետք է անցկացվեն ավելի մեծ թվով նմուշներով և ավելի բազմազան բնակչություններով՝ ավանդական մեթոդների համեմատ դրանց գործնական կիրառելիությունը բարելավելու համար: Բազմաթիվ բնակչություններում տարիքը գնահատելու համար արհեստական ​​բանականության օգտագործման հնարավորությունը հաստատելու համար անհրաժեշտ են ապագա ուսումնասիրություններ՝ DM-ի և խորը ուսուցման մոդելների դասակարգման ճշգրտությունն ու արդյունավետությունը նույն նմուշներում ավանդական մեթոդների հետ համեմատելու համար:
Ուսումնասիրության մեջ օգտագործվել են 15-ից 23 տարեկան կորեացի և ճապոնացի մեծահասակներից հավաքված 2657 ուղղագրական լուսանկարներ: Կորեական ռենտգենյան պատկերները բաժանվել են 900 մարզական հավաքածուների (19.42 ± 2.65 տարեկան) և 900 ներքին թեստային հավաքածուների (19.52 ± 2.59 տարեկան): Մարզական հավաքածուն հավաքվել է մեկ հաստատությունում (Սեուլի Սուրբ Մարիամի հիվանդանոց), իսկ սեփական թեստային հավաքածուն՝ երկու հաստատություններում (Սեուլի ազգային համալսարանի ատամնաբուժական հիվանդանոց և Յոնսեյի համալսարանի ատամնաբուժական հիվանդանոց): Արտաքին թեստավորման համար մենք նաև հավաքագրել ենք 857 ռենտգենյան պատկեր մեկ այլ բնակչության վրա հիմնված տվյալներից (Իվատեի բժշկական համալսարան, Ճապոնիա): Որպես արտաքին թեստային հավաքածու ընտրվել են ճապոնացի մասնակիցների (19.31 ± 2.60 տարեկան) ռենտգենյան պատկերները: Տվյալները հավաքագրվել են հետահայաց՝ ատամնաբուժական բուժման ընթացքում կատարված համայնապատկերային ռենտգենյան պատկերների վրա ատամների զարգացման փուլերը վերլուծելու համար: Հավաքված բոլոր տվյալները անանուն են եղել, բացառությամբ սեռի, ծննդյան ամսաթվի և ռենտգենյան պատկերման ամսաթվի: Ներառման և բացառման չափանիշները նույնն էին, ինչ նախկինում հրապարակված ուսումնասիրություններում4, 5: Նմուշի իրական տարիքը հաշվարկվել է՝ ծննդյան ամսաթիվը հանելով ռենտգենյան նկարի նկարահանման օրվանից։ Նմուշային խումբը բաժանվել է ինը տարիքային խմբերի։ Տարիքային և սեռային բաշխումները ներկայացված են աղյուսակ 3-ում։ Այս ուսումնասիրությունը անցկացվել է Հելսինկիի հռչակագրի համաձայն և հաստատվել է Կորեայի կաթոլիկ համալսարանի Սեուլի Սուրբ Մարիամ հիվանդանոցի (KC22WISI0328) ինստիտուցիոնալ վերանայման խորհրդի (IRB) կողմից։ Այս ուսումնասիրության հետահայաց դիզայնի պատճառով տեղեկացված համաձայնություն հնարավոր չէր ստանալ թերապևտիկ նպատակներով ռենտգենյան հետազոտության ենթարկվող բոլոր հիվանդներից։ Սեուլի Կորեայի համալսարանի Սուրբ Մարիամ հիվանդանոցը (IRB) հրաժարվել է տեղեկացված համաձայնության պահանջից։
Երկծովային երկրորդ և երրորդ մոլարների զարգացման փուլերը գնահատվել են Դեմիրջանի չափանիշներին համապատասխան25: Ընտրվել է միայն մեկ ատամ, եթե յուրաքանչյուր ծնոտի ձախ և աջ կողմերում հայտնաբերվել է նույն տեսակի ատամ: Եթե երկու կողմերի համանման ատամները գտնվում էին տարբեր զարգացման փուլերում, ընտրվել է զարգացման ավելի ցածր փուլ ունեցող ատամը՝ հաշվի առնելով գնահատված տարիքի անորոշությունը: Ուսուցման հավաքածուից պատահականորեն ընտրված հարյուր ռենտգենագրություն գնահատվել է երկու փորձառու դիտորդների կողմից՝ ատամների հասունության փուլը որոշելու համար նախնական տրամաչափումից հետո միջդիտորդական հուսալիությունը ստուգելու համար: Դիտորդների միջև հուսալիությունը գնահատվել է երկու անգամ՝ երեք ամսվա ընդմիջումներով՝ գլխավոր դիտորդի կողմից:
Մարզման հավաքածուի յուրաքանչյուր ծնոտի երկրորդ և երրորդ մոլարների սեռը և զարգացման փուլը գնահատվել են տարբեր DM մոդելներով մարզված առաջնային դիտորդի կողմից, և իրական տարիքը սահմանվել է որպես նպատակային արժեք: SLP և MLP մոդելները, որոնք լայնորեն օգտագործվում են մեքենայական ուսուցման մեջ, փորձարկվել են ռեգրեսիոն ալգորիթմների համեմատ: DM մոդելը համատեղում է չորս ատամների զարգացման փուլերը օգտագործող գծային ֆունկցիաները և համատեղում է այդ 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: Ռեգրեսիայի SLP մոդելը մաթեմատիկորեն նման է բազմակի գծային ռեգրեսիային: Ի տարբերություն SLP մոդելի, MLP մոդելն ունի բազմաթիվ թաքնված շերտեր՝ ոչ գծային ակտիվացման ֆունկցիաներով: Մեր փորձերը օգտագործել են թաքնված շերտ՝ ընդամենը 20 թաքնված հանգույցներով՝ ոչ գծային ակտիվացման ֆունկցիաներով: Մեր մեքենայական ուսուցման մոդելը մարզելու համար օգտագործել են գրադիենտային իջեցումը որպես օպտիմալացման մեթոդ և MAE-ն և RMSE-ն որպես կորստի ֆունկցիա: Լավագույնս ստացված ռեգրեսիոն մոդելը կիրառվել է ներքին և արտաքին թեստային հավաքածուների վրա, և գնահատվել է ատամների տարիքը:
Մշակվել է դասակարգման ալգորիթմ, որն օգտագործում է մարզման հավաքածուի չորս ատամների հասունությունը՝ կանխատեսելու համար, թե արդյոք նմուշը 18 տարեկան է, թե ոչ: Մոդելը կառուցելու համար մենք ստացել ենք յոթ ներկայացուցչական մեքենայական ուսուցման ալգորիթմներ6,43՝ (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost և (7) MLP: LR-ը ամենատարածված դասակարգման ալգորիթմներից մեկն է44: Այն վերահսկվող ուսուցման ալգորիթմ է, որն օգտագործում է ռեգրեսիա՝ տվյալների որոշակի կատեգորիային պատկանելու հավանականությունը 0-ից 1 կանխատեսելու համար և դասակարգում է տվյալները որպես ավելի հավանական կատեգորիայի պատկանելություն՝ հիմնվելով այս հավանականության վրա. հիմնականում օգտագործվում է երկուական դասակարգման համար: KNN-ը մեքենայական ուսուցման ամենապարզ ալգորիթմներից մեկն է45: Երբ տրվում են նոր մուտքային տվյալներ, այն գտնում է k տվյալներ, որոնք մոտ են առկա հավաքածուին, ապա դասակարգում դրանք ամենաբարձր հաճախականությամբ դասում: Մենք սահմանել ենք 3՝ դիտարկվող հարևանների քանակի համար (k): SVM-ը ալգորիթմ է, որը մեծացնում է երկու դասերի միջև հեռավորությունը՝ օգտագործելով միջուկի ֆունկցիա՝ գծային տարածությունը դաշտեր կոչվող ոչ գծային տարածության մեջ ընդլայնելու համար46: Այս մոդելի համար մենք օգտագործում ենք շեղում = 1, հզորություն = 1 և գամմա = 1 որպես հիպերպարամետրերներ բազմանդամային միջուկի համար: DT-ն կիրառվել է տարբեր ոլորտներում որպես ալգորիթմ՝ ամբողջ տվյալների բազմությունը մի քանի ենթախմբերի բաժանելու համար՝ որոշման կանոնները ծառի կառուցվածքում ներկայացնելով47: Մոդելը կազմաձևված է յուրաքանչյուր հանգույցի համար գրառումների նվազագույն քանակով՝ 2, և որպես որակի չափանիշ օգտագործում է Ջինիի ինդեքսը: RF-ն անսամբլային մեթոդ է, որը համատեղում է բազմաթիվ DT-ներ՝ կատարողականությունը բարելավելու համար՝ օգտագործելով բութսթրեփ ագրեգացման մեթոդ, որը յուրաքանչյուր նմուշի համար ստեղծում է թույլ դասակարգիչ՝ պատահականորեն նույն չափի նմուշներ բազմիցս վերցնելով սկզբնական տվյալների բազմությունից48: Մենք որպես հանգույցների բաժանման չափանիշներ օգտագործել ենք 100 ծառ, 10 ծառի խորություն, 1 նվազագույն հանգույցի չափ և Ջինիի խառնուրդի ինդեքս: Նոր տվյալների դասակարգումը որոշվում է մեծամասնության քվեարկությամբ: XGBoost-ը ալգորիթմ է, որը համատեղում է խթանման տեխնիկաները՝ օգտագործելով մեթոդ, որը որպես մարզման տվյալներ ընդունում է նախորդ մոդելի իրական և կանխատեսված արժեքների միջև եղած սխալը և մեծացնում է սխալը՝ օգտագործելով գրադիենտներ49: Այն լայնորեն օգտագործվող ալգորիթմ է՝ իր լավ կատարողականության և ռեսուրսների արդյունավետության, ինչպես նաև որպես գերհարմարեցման ուղղման ֆունկցիայի բարձր հուսալիության շնորհիվ: Մոդելը հագեցած է 400 հենարանային անիվներով: MLP-ն նեյրոնային ցանց է, որտեղ մեկ կամ մի քանի պերսեպտրոններ ձևավորում են բազմաթիվ շերտեր՝ մեկ կամ մի քանի թաքնված շերտերով մուտքային և ելքային շերտերի միջև38: Դրա միջոցով դուք կարող եք իրականացնել ոչ գծային դասակարգում, որտեղ, երբ դուք ավելացնում եք մուտքային շերտ և ստանում եք արդյունքի արժեք, կանխատեսված արդյունքի արժեքը համեմատվում է իրական արդյունքի արժեքի հետ, և սխալը տարածվում է հետ: Մենք ստեղծել ենք թաքնված շերտ՝ յուրաքանչյուր շերտում 20 թաքնված նեյրոններով: Մեր մշակած յուրաքանչյուր մոդել կիրառվել է ներքին և արտաքին հավաքածուների վրա՝ դասակարգման կատարողականությունը ստուգելու համար՝ հաշվարկելով զգայունությունը, յուրահատկությունը, PPV-ն, NPV-ն և AUROC-ը: Զգայունությունը սահմանվում է որպես 18 տարեկան կամ ավելի մեծ տարիքի գնահատված նմուշի և 18 տարեկան կամ ավելի մեծ տարիքի գնահատված նմուշի հարաբերակցությունը: Յուրահատկությունը 18 տարեկանից փոքր և 18 տարեկանից փոքր տարիքի նմուշների համամասնությունն է:
Ուսումնական հավաքածուում գնահատված ատամնաբուժական փուլերը վերածվել են թվային փուլերի՝ վիճակագրական վերլուծության համար: Բազմաչափ գծային և լոգիստիկ ռեգրեսիա է իրականացվել՝ յուրաքանչյուր սեռի համար կանխատեսողական մոդելներ մշակելու և տարիքը գնահատելու համար օգտագործվող ռեգրեսիայի բանաձևեր ստանալու համար: Մենք օգտագործել ենք այս բանաձևերը՝ ատամի տարիքը գնահատելու համար՝ ինչպես ներքին, այնպես էլ արտաքին թեստային հավաքածուների համար: Աղյուսակ 4-ը ցույց է տալիս այս ուսումնասիրության մեջ օգտագործված ռեգրեսիայի և դասակարգման մոդելները:
Դիտորդների միջև և ներսում գտնվող անձանց հուսալիությունը հաշվարկվել է Քոհենի կապպա վիճակագրության միջոցով: Շաքարային դիաբետի և ավանդական ռեգրեսիոն մոդելների ճշգրտությունը ստուգելու համար մենք հաշվարկել ենք MAE-ն և RMSE-ն՝ օգտագործելով ներքին և արտաքին թեստային հավաքածուների գնահատված և իրական տարիքները: Այս սխալները սովորաբար օգտագործվում են մոդելային կանխատեսումների ճշգրտությունը գնահատելու համար: Որքան փոքր է սխալը, այնքան բարձր է կանխատեսման ճշգրտությունը24: Համեմատեք Շաքարային դիաբետի և ավանդական ռեգրեսիայի միջոցով հաշվարկված ներքին և արտաքին թեստային հավաքածուների MAE-ն և RMSE-ն: Ավանդական վիճակագրության մեջ 18-ամյա սահմանային արժեքի դասակարգման կատարողականը գնահատվել է 2 × 2 պայմանական աղյուսակի միջոցով: Թեստային հավաքածուի հաշվարկված զգայունությունը, յուրահատկությունը, PPV-ն, NPV-ն և AUROC-ն համեմատվել են Շաքարային դիաբետի դասակարգման մոդելի չափված արժեքների հետ: Տվյալները 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 SAS տարբերակ 9.4-ի միջոցով (SAS ինստիտուտ, Քերի, Հյուսիսային Կարոլինա): DM ռեգրեսիոն մոդելը իրականացվել է Python-ում՝ օգտագործելով Keras50 2.2.4 backend-ը և Tensorflow51 1.8.0-ը, որոնք նախատեսված են հատուկ մաթեմատիկական գործողությունների համար: DM դասակարգման մոդելը իրականացվել է Waikato Knowledge Analysis Environment-ում և Konstanz Information Miner (KNIME) 4.6.152 վերլուծական հարթակում:
Հեղինակները հաստատում են, որ ուսումնասիրության եզրակացությունները հիմնավորող տվյալները կարելի է գտնել հոդվածում և լրացուցիչ նյութերում: Ուսումնասիրության ընթացքում ստեղծված և/կամ վերլուծված տվյալների հավաքածուները կարող են տրամադրվել համապատասխան հեղինակից՝ ողջամիտ պահանջի դեպքում:
Ռից-Թիմմե, Ս. և այլք։ Տարիքի գնահատում. դատական ​​պրակտիկայի կոնկրետ պահանջները բավարարելու արդիական վիճակը։ Միջազգայինություն։ J. Legal medicine. 113, 129–136 (2000)։
Շմելինգ, Ա., Ռեյզինգեր, Վ., Գեսերիկ, Գ., և Օլզե, Ա. Քրեական հետապնդման նպատակներով կենդանի անձանց դատաբժշկական տարիքի գնահատման ներկայիս վիճակը: Դատաբժշկություն, բժշկություն, պաթոլոգիա: 1, 239–246 (2005):
Պան, Ջ. և այլք։ Արևելյան Չինաստանում 5-ից 16 տարեկան երեխաների ատամների տարիքը գնահատելու փոփոխված մեթոդ։ Կլինիկական։ Բանավոր հարցում։ 25, 3463–3474 (2021)։
Լի, ՍՍ և այլն։ Կորեացիների մոտ երկրորդ և երրորդ մոլարների զարգացման ժամանակագրությունը և դրա կիրառումը դատաբժշկական տարիքի գնահատման համար։ Միջազգայինություն։ J. Legal medicine. 124, 659–665 (2010)։
Օհ, Ս., Կումագայ, Ա., Կիմ, Ս.Յ. և Լի, Ս.Ս. Տարիքային գնահատման ճշգրտությունը և 18-ամյա շեմի գնահատումը՝ հիմնված երկրորդ և երրորդ մոլարների հասունության վրա կորեացիների և ճապոնացիների մոտ: PLoS ONE 17, e0271247 (2022):
Քիմ, Ջ.Յ. և այլք։ Նախավիրահատական ​​մեքենայական ուսուցման վրա հիմնված տվյալների վերլուծությունը կարող է կանխատեսել քնի վիրահատության բուժման արդյունքը OSA-ով հիվանդների մոտ։ Գիտությունը։ Հաշվետվություն 11, 14911 (2021)։
Հան, Մ. և այլք։ Տարիքի ճշգրիտ գնահատում մեքենայական ուսուցման միջոցով՝ մարդկային միջամտությամբ, թե՞ առանց դրա։ Միջազգայինություն։ J. Legal medicine. 136, 821–831 (2022)։
Խան, Ս. և Շահին, Մ. Տվյալների հանքարդյունաբերությունից մինչև տվյալների հանքարդյունաբերություն։ J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021)։
Խան, Ս. և Շահին, Մ. Վիս։ Ռուլ. Ասոցիացիոն կանոնների արդյունահանման առաջին ճանաչողական ալգորիթմը։ J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022)։
Շահին Մ. և Աբդուլլահ Ու. Կարմ. Ավանդական տվյալների հանքարդյունաբերություն՝ հիմնված համատեքստի վրա հիմնված ասոցիացիայի կանոնների վրա։ Հաշվարկել։ Մատթեոս։ շարունակել։ 68, 3305–3322 (2021)։
Մուհամմադ Մ., Ռեհման Զ., Շահին Մ., Խան Մ. և Հաբիբ Մ. Խորը ուսուցման վրա հիմնված սեմանտիկ նմանության հայտնաբերում՝ օգտագործելով տեքստային տվյալներ։ Տեղեկատվական տեխնոլոգիաներ։ Կառավարում։ https://doi.org/10.5755/j01.itc.49.4.27118 (2020)։
Թաբիշ, Մ., Տանոլի, Զ., և Շահին, Մ. Սպորտային տեսանյութերում ակտիվությունը ճանաչելու համակարգ։ Մուլտիմեդիա։ Գործիքներ, կիրառություններ https://doi.org/10.1007/s11042-021-10519-6 (2021)։
Հալաբի, ՍՍ և այլք։ RSNA մեքենայական ուսուցման մարտահրավերը մանկական ոսկրային տարիքում։ Ռադիոլոգիա 290, 498–503 (2019)։
Լի, Յ. և այլք։ Դատաբժշկական տարիքի գնահատում կոնքի ռենտգենյան ճառագայթներից՝ խորը ուսուցման միջոցով։ EURO. ճառագայթում։ 29, 2322–2329 (2019)։
Գուո, Յ.Կ. և այլք։ Տարիքային ճշգրիտ դասակարգում՝ օգտագործելով ձեռքով մեթոդներ և խորը կոնվոլյուցիոն նեյրոնային ցանցեր՝ ուղղագրական պրոյեկցիոն պատկերներից։ Internationality. J. Legal medicine. 135, 1589–1597 (2021)։
Ալաբամա Դալորա և այլք։ Ոսկրային տարիքի գնահատում՝ օգտագործելով մեքենայական ուսուցման տարբեր մեթոդներ. գրականության համակարգված վերանայում և մետա-վերլուծություն։ PLoS ONE 14, e0220242 (2019)։
Դու, Հ., Լի, Գ., Չենգ, Կ., և Յանգ, Ջ. Աֆրոամերիկացիների և չինացիների բնակչությանը բնորոշ տարիքի գնահատում՝ հիմնվելով առաջին մոլարների պուլպային խցիկի ծավալների վրա՝ օգտագործելով կոնաձև ճառագայթային համակարգչային տոմոգրաֆիա: internationality. J. Legal medicine. 136, 811–819 (2022):
Կիմ Ս., Լի ՅՀ, Նոհ ՅԿ, Պակ Ֆ.Կ. և Օհ Կ.Ս. Կենդանի մարդկանց տարիքային խմբերի որոշումը՝ օգտագործելով առաջին սեղանատամների արհեստական ​​բանականության վրա հիմնված պատկերներ։ Գիտություն։ Հաշվետվություն 11, 1073 (2021)։
Ստեռն, Դ., Փայեր, Կ., Ջուլիանի, Ն., և Ուրշլեր, Մ.: Տարիքի ավտոմատ գնահատում և մեծամասնության տարիքի դասակարգում՝ բազմաչափ ՄՌՏ տվյալներից: IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019):
Չենգ, Ք., Գե, Զ., Դու, Հ. և Լի, Գ. Տարիքի գնահատում՝ հիմնված կոնաձև ճառագայթային համակարգչային տոմոգրաֆիայի միջոցով առաջին մոլարների պուլպային խցիկի եռաչափ սեգմենտացիայի վրա՝ խորը ուսուցման և մակարդակի հավաքածուների ինտեգրման միջոցով: internationality. J. Legal medicine. 135, 365–373 (2021):
Վու, ՎՏ և այլք։ Տվյալների հանքարդյունաբերություն կլինիկական մեծ տվյալներում. տարածված տվյալների բազաներ, քայլեր և մեթոդների մոդելներ։ World. medicine. resource. 8, 44 (2021)։
Յանգ, Ջ. և այլք։ Բժշկական տվյալների բազաների և տվյալների հանքարդյունաբերության տեխնոլոգիաների ներածություն մեծ տվյալների դարաշրջանում։ Ջ. Ավիդ։ Հիմնական բժշկություն։ 13, 57–69 (2020)։
Շեն, Ս. և այլք։ Քամերերի մեթոդը ատամի տարիքը մեքենայական ուսուցման միջոցով գնահատելու համար։ BMC Oral Health 21, 641 (2021)։
Գալիբուրգ Ա. և այլք։ Դեմիրջյանի դասակարգման մեթոդով ատամների տարիքը կանխատեսելու համար մեքենայական ուսուցման տարբեր մեթոդների համեմատություն։ Internationality. J. Legal medicine. 135, 665–675 (2021)։
Դեմիրջյան, Ա., Գոլդշտեյն, Հ. և Թաններ, Ջ.Մ. Ատամների տարիքը գնահատելու նոր համակարգ: snort. biology. 45, 211–227 (1973):
Լանդիս, Ջ.Ռ., և Կոխ, Ջ.Գ. Դիտորդների համաձայնության չափանիշները կատեգորիկ տվյալների վերաբերյալ: Biometrics 33, 159–174 (1977):
Բհատտաչարջի Ս, Պրակաշ Դ, Կիմ Ս, Կիմ ՀԿ և Չոյ ՀԿ։ Երկչափ մագնիսական ռեզոնանսային պատկերման հյուսվածքային, ձևաբանական և վիճակագրական վերլուծություն՝ օգտագործելով արհեստական ​​բանականության տեխնիկա՝ առաջնային ուղեղի ուռուցքների տարբերակման համար։ Առողջապահական տեղեկատվություն։ Ռեսուրս։ https://doi.org/10.4258/hir.2022.28.1.46 (2022)։