მონაცემთა მოპოვების მოდელის დადასტურება ტრადიციული სტომატოლოგიური ასაკის შეფასების მეთოდების წინააღმდეგ კორეელ მოზარდებსა და ახალგაზრდებში

გმადლობთ Nature.com– ის მონახულებისათვის. ბრაუზერის ვერსიას, რომელსაც თქვენ იყენებთ, აქვს შეზღუდული CSS მხარდაჭერა. საუკეთესო შედეგებისთვის, ჩვენ გირჩევთ გამოიყენოთ თქვენი ბრაუზერის ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer- ში). იმავდროულად, მიმდინარე მხარდაჭერის უზრუნველსაყოფად, ჩვენ ვაჩვენებთ საიტს სტილის ან JavaScript– ის გარეშე.
კბილები ითვლება ადამიანის სხეულის ასაკის ყველაზე ზუსტ მაჩვენებელად და ხშირად გამოიყენება სასამართლო ასაკის შეფასებისას. ჩვენ მიზნად ისახავდა მონაცემთა სამთო დაფუძნებული სტომატოლოგიური ასაკის შეფასებების გადამოწმებას 18-წლიანი ბარიერის შეფასების სიზუსტე და კლასიფიკაციის შესრულების შედარების გზით სულ 2657 პანორამული რენტგენოგრაფია შეგროვდა 15 -დან 23 წლამდე კორეელი და იაპონიის მოქალაქეებიდან. ისინი დაყოფილი იყო სასწავლო ნაკრებად, რომელთაგან თითოეული შეიცავს 900 კორეული რენტგენოგრაფიას და შიდა ტესტის ნაკრებებს, რომელიც შეიცავს 857 იაპონურ რენტგენოგრაფიას. ჩვენ შევადარეთ ტრადიციული მეთოდების კლასიფიკაციის სიზუსტე და ეფექტურობა მონაცემთა მოპოვების მოდელების ტესტის კომპლექტებთან. შიდა ტესტის ნაკრებზე ტრადიციული მეთოდის სიზუსტე ოდნავ აღემატება მონაცემთა მოპოვების მოდელს, ხოლო განსხვავება მცირეა (საშუალო აბსოლუტური შეცდომა <0.21 წელი, ფესვის საშუალო კვადრატული შეცდომა <0.24 წელი). 18-წლიანი შეწყვეტის კლასიფიკაციის შესრულება ასევე მსგავსია ტრადიციულ მეთოდებსა და მონაცემთა მოპოვების მოდელებს შორის. ამრიგად, ტრადიციული მეთოდები შეიძლება შეიცვალოს მონაცემთა მოპოვების მოდელებით, როდესაც ასრულებს სასამართლო ასაკის შეფასებას, მეორე და მესამე მოლარის სიმწიფის გამოყენებით კორეელ მოზარდებში და მოზრდილებში.
სტომატოლოგიური ასაკის შეფასება ფართოდ გამოიყენება სასამართლო მედიცინასა და პედიატრიულ სტომატოლოგიაში. კერძოდ, ქრონოლოგიურ ასაკსა და სტომატოლოგიურ განვითარებას შორის მაღალი კორელაციის გამო, სტომატოლოგიური განვითარების ეტაპზე ასაკობრივი შეფასება მნიშვნელოვანი კრიტერიუმია ბავშვთა და მოზარდთა ასაკის შესაფასებლად 1,2,3. ამასთან, ახალგაზრდებისთვის, სტომატოლოგიური სიმწიფის საფუძველზე სტომატოლოგიური ასაკის შეფასებას აქვს თავისი შეზღუდვები, რადგან სტომატოლოგიური ზრდა თითქმის დასრულებულია, გარდა მესამე მოლარებისა. ახალგაზრდებისა და მოზარდების ასაკის განსაზღვრის სამართლებრივი მიზანია ზუსტი შეფასებებისა და სამეცნიერო მტკიცებულებების მიწოდება იმის შესახებ, მიაღწიეს თუ არა მათ უმრავლესობის ასაკს. კორეაში მოზარდთა და მოზრდილთა სამედიცინო სამართლებრივი პრაქტიკის დროს, ასაკი შეაფასეს ლეის მეთოდის გამოყენებით, ხოლო 18 წლის იურიდიული ბარიერი იყო პროგნოზირებული Oh et al 5-ის მიერ გამოქვეყნებული მონაცემების საფუძველზე.
მანქანათმცოდნეობის სწავლა არის ხელოვნური ინტელექტის ტიპი (AI), რომელიც განმეორებით სწავლობს და კლასიფიკაციას უწევს დიდ რაოდენობას მონაცემებს, გადაჭრის პრობლემებს საკუთარ თავზე და ახდენს მონაცემთა პროგრამირებას. მანქანათმცოდნეობას შეუძლია აღმოაჩინოს სასარგებლო ფარული შაბლონები მონაცემთა დიდი მოცულობით 6. ამის საპირისპიროდ, კლასიკურ მეთოდებს, რომლებიც შრომისმოყვარე და შრომატევადია, შეიძლება ჰქონდეს შეზღუდვები რთული მონაცემების დიდი მოცულობის დროს, რომელთა დამუშავება რთულია ხელით 7. ამრიგად, ბოლო დროს მრავალი გამოკვლევა ჩატარდა უახლესი კომპიუტერული ტექნოლოგიების გამოყენებით, ადამიანის შეცდომების შესამცირებლად და მრავალგანზომილებიანი მონაცემების ეფექტურად დამუშავებაში 8,9,10,11,12. კერძოდ, ღრმა სწავლა ფართოდ იქნა გამოყენებული სამედიცინო გამოსახულების ანალიზში, ხოლო ასაკობრივი შეფასების სხვადასხვა მეთოდები, რენტგენოგრაფიების ავტომატურად ანალიზით, აღინიშნა ასაკობრივი შეფასების სიზუსტისა და ეფექტურობის გასაუმჯობესებლად. . მაგალითად, Halabi et al 13 -მა შეიმუშავა მანქანათმცოდნეობის ალგორითმი, რომელიც დაფუძნებულია კონვულსიური ნერვული ქსელების (CNN) საფუძველზე, ბავშვების ხელების რენტგენოგრაფიების გამოყენებით ჩონჩხის ასაკის შესაფასებლად. ეს კვლევა გვთავაზობს მოდელს, რომელიც იყენებს მანქანას სწავლებას სამედიცინო სურათებზე და აჩვენებს, რომ ამ მეთოდებს შეუძლიათ გააუმჯობესონ დიაგნოსტიკური სიზუსტე. Li et al14 სავარაუდო ასაკი მენჯის რენტგენული სურათებისგან, ღრმა სწავლის CNN გამოყენებით და შეადარეს მათ რეგრესიის შედეგებს ოსსიფიკაციის ეტაპის შეფასების გამოყენებით. მათ დაადგინეს, რომ ღრმა სწავლის CNN მოდელმა აჩვენა იგივე ასაკის შეფასების შესრულება, როგორც ტრადიციული რეგრესიის მოდელი. Guo et al- ის კვლევამ [15] შეაფასა CNN ტექნოლოგიის ასაკობრივი ტოლერანტობის კლასიფიკაციის შესრულება სტომატოლოგიური ორთოფოტოსზე დაყრდნობით, ხოლო CNN მოდელის შედეგებმა დაადასტურა, რომ ადამიანებმა უკეთესად აითვისეს მისი ასაკობრივი კლასიფიკაციის შესრულება.
ასაკის შეფასების უმეტესობა მანქანების სწავლის გამოყენებით, გამოყენების ღრმა სწავლის მეთოდები 13,14,15,16,17,18,19,20. ღრმა სწავლაზე დაფუძნებული ასაკობრივი შეფასება უფრო ზუსტია, ვიდრე ტრადიციული მეთოდები. ამასთან, ეს მიდგომა მცირე შესაძლებლობას იძლევა, რომ წარმოადგინონ სამეცნიერო საფუძველი ასაკის შეფასებისთვის, მაგალითად, შეფასებებში გამოყენებული ასაკობრივი ინდიკატორები. ასევე არსებობს იურიდიული დავა იმის შესახებ, თუ ვინ ატარებს შემოწმებებს. ამრიგად, ღრმა სწავლაზე დაფუძნებული ასაკობრივი შეფასება რთულია ადმინისტრაციული და სასამართლო ხელისუფლების მიერ. მონაცემთა მოპოვება (DM) არის ტექნიკა, რომელსაც შეუძლია აღმოაჩინოს არა მხოლოდ მოსალოდნელი, არამედ მოულოდნელი ინფორმაცია, როგორც მეთოდი, დიდი რაოდენობით მონაცემებს შორის სასარგებლო კორელაციების აღმოჩენის მეთოდი 6,21,22. მანქანათმცოდნეობის სწავლა ხშირად გამოიყენება მონაცემთა მოპოვებაში, და მონაცემთა მოპოვება და მანქანათმცოდნეები იყენებენ ერთსა და იმავე საკვანძო ალგორითმებს მონაცემებში შაბლონების დასადგენად. სტომატოლოგიური განვითარების გამოყენებით ასაკობრივი შეფასება ემყარება შემოწმების შეფასებას სამიზნე კბილების სიმწიფის შესახებ, და ეს შეფასება გამოიხატება, როგორც ეტაპი თითოეული სამიზნე კბილისთვის. DM შეიძლება გამოყენებულ იქნას სტომატოლოგიური შეფასების ეტაპსა და ფაქტობრივ ასაკს შორის კორელაციის გასაანალიზებლად და აქვს ტრადიციული სტატისტიკური ანალიზის შეცვლის პოტენციალი. ამრიგად, თუ ჩვენ მივმართავთ DM ტექნიკას ასაკობრივ შეფასებას, ჩვენ შეგვიძლია განვახორციელოთ მანქანათმცოდნეობის სწავლა სასამართლო ასაკის შეფასებით, იურიდიული პასუხისმგებლობის შესახებ ფიქრის გარეშე. რამდენიმე შედარებითი გამოკვლევა გამოქვეყნდა ტრადიციული სახელმძღვანელო მეთოდების შესაძლო ალტერნატივებზე, რომლებიც გამოიყენება სასამართლო პრაქტიკაში და EBM– ზე დაფუძნებული მეთოდებით სტომატოლოგიური ასაკის განსაზღვრის მიზნით. Shen et al23- მა აჩვენა, რომ DM მოდელი უფრო ზუსტია, ვიდრე ტრადიციული კამერერის ფორმულა. Galibourg et al24- მა გამოიყენეს DM- ის სხვადასხვა მეთოდი, რომ ასაკის პროგნოზირება მოახდინონ Demirdjian Criterion25- ის მიხედვით და შედეგებმა აჩვენა, რომ DM მეთოდი აჭარბებდა დემირჯიანისა და ვილემსის მეთოდებს საფრანგეთის მოსახლეობის ასაკის შეფასებისას.
კორეელი მოზარდთა და მოზრდილთა სტომატოლოგიური ხანის შესაფასებლად, ლეის მეთოდი 4 ფართოდ გამოიყენება კორეის სასამართლო ექსპერტიზის პრაქტიკაში. ეს მეთოდი იყენებს ტრადიციულ სტატისტიკურ ანალიზს (მაგალითად, მრავალჯერადი რეგრესია) კორეის საგნებსა და ქრონოლოგიურ ასაკს შორის ურთიერთობის შესამოწმებლად. ამ კვლევაში, ტრადიციული სტატისტიკური მეთოდების გამოყენებით მიღებული ასაკის შეფასების მეთოდები განისაზღვრება, როგორც "ტრადიციული მეთოდები". ლეის მეთოდი ტრადიციული მეთოდია და მისი სიზუსტე დაადასტურა Oh et al. 5; ამასთან, კორეის სასამართლო ექსპერტიზის პრაქტიკაში DM მოდელის საფუძველზე ასაკობრივი შეფასების გამოყენება კვლავ საეჭვოა. ჩვენი მიზანი იყო მეცნიერულად დავაფიქსიროთ ასაკობრივი შეფასების პოტენციური სასარგებლო თვისებები DM მოდელის საფუძველზე. ამ კვლევის მიზანი იყო (1) შეადაროთ DM ორი მოდელის სიზუსტე სტომატოლოგიური ასაკის შეფასებისას და (2) 7 წლის ასაკში 7 DM მოდელის კლასიფიკაციის შესრულება. და მესამე მოლარები ორივე ყბაში.
ქრონოლოგიური ასაკის საშუალებები და სტანდარტული გადახრები ეტაპზე და კბილის ტიპით ნაჩვენებია ინტერნეტით დამატებით ცხრილში S1 (ტრენინგის ნაკრები), დამატებითი ცხრილი S2 (შიდა ტესტის ნაკრები) და დამატებითი ცხრილი S3 (გარე ტესტის ნაკრები). ტრენინგის ნაკრებიდან მიღებული ინტრა- და ინტერობერვერერის საიმედოობისთვის კაპას მნიშვნელობები იყო 0.951 და 0.947, შესაბამისად. P ღირებულებები და 95% ნდობის ინტერვალი კაპას მნიშვნელობებისთვის ნაჩვენებია ონლაინ დამატებით ცხრილში S4. კაპას ღირებულება ინტერპრეტაციად იქნა განმარტებული, როგორც "თითქმის სრულყოფილი", ლანდისა და კოჩ 26 -ის კრიტერიუმების შესაბამისად.
საშუალო აბსოლუტური შეცდომის (MAE) შედარებისას, ტრადიციული მეთოდი ოდნავ აჭარბებს DM მოდელს ყველა სქესისთვის და გარე მამაკაცის ტესტის ნაკრებში, გარდა მრავალმხრივი პერესტრონისა (MLP). ტრადიციულ მოდელსა და DM მოდელს შორის შიდა MAE ტესტის ნაკრებში განსხვავება იყო 0.12–0,19 წელი მამაკაცებისთვის და ქალებისთვის 0,17–0,21 წელი. გარე ტესტის ბატარეისთვის, განსხვავებები უფრო მცირეა (მამაკაცებისთვის 0.001–0.05 წელი და ქალებისთვის 0.05–0.09 წელი). გარდა ამისა, ფესვის საშუალო კვადრატული შეცდომა (RMSE) ოდნავ დაბალია, ვიდრე ტრადიციული მეთოდი, უფრო მცირე განსხვავებებით (0.17–0.24, 0.2–0.24 მამაკაცის შიდა ტესტის ნაკრებისთვის, ხოლო 0.03–0.07, 0.04–0.08 გარე ტესტის ნაკრებისთვის). ). MLP აჩვენებს ოდნავ უკეთეს შესრულებას, ვიდრე ერთ ფენის Perceptron (SLP), გარდა ქალის გარე ტესტის ნაკრების შემთხვევაში. MAE- სა და RMSE- სთვის, გარე ტესტის ნაკრების ქულები უფრო მაღალია, ვიდრე შიდა ტესტი, რომელიც მითითებულია ყველა სქესისა და მოდელისათვის. ყველა MAE და RMSE ნაჩვენებია ცხრილი 1 და სურათი 1.
ტრადიციული და მონაცემთა სამთო რეგრესიის მოდელების MAE და RMSE. საშუალო აბსოლუტური შეცდომა MAE, Root საშუალო კვადრატული შეცდომა RMSE, ერთ ფენის Perceptron SLP, Multilayer Perceptron MLP, ტრადიციული CM მეთოდი.
ტრადიციული და DM მოდელების კლასიფიკაციის შესრულება (18 წლის შეწყვეტით) გამოვლინდა მგრძნობელობის, სპეციფიკის, პოზიტიური პროგნოზირების მნიშვნელობის (PPV), უარყოფითი პროგნოზირების მნიშვნელობის (NPV) და მიმღების ოპერაციული დამახასიათებელი მრუდის (AUROC) თვალსაზრისით (AUROC) თვალსაზრისით 27 (ცხრილი 2, სურათი 2 და დამატებითი სურათი 1 ინტერნეტით). შიდა ტესტის ბატარეის მგრძნობელობის თვალსაზრისით, ტრადიციული მეთოდები საუკეთესოდ შესრულდა მამაკაცებში და ქალებში უარესი. ამასთან, ტრადიციულ მეთოდებსა და SD- ს შორის კლასიფიკაციის შესრულების სხვაობაა მამაკაცებისთვის 9.7% (MLP) და მხოლოდ 2.4% ქალებისთვის (XGBoost). DM მოდელებს შორის, ლოგისტიკური რეგრესი (LR) აჩვენა უკეთესი მგრძნობელობა ორივე სქესში. შიდა ტესტის ნაკრების სპეციფიკასთან დაკავშირებით, დაფიქსირდა, რომ ოთხი SD მოდელი კარგად ასრულებდა მამაკაცებში, ხოლო ტრადიციული მოდელი უკეთესად ასრულებდა ქალებში. მამაკაცთა და ქალთა კლასიფიკაციის შესრულების განსხვავებებია 13.3% (MLP) და 13.1% (MLP), შესაბამისად, რაც იმაზე მიუთითებს, რომ მოდელებს შორის კლასიფიკაციის შესრულების სხვაობა აღემატება მგრძნობელობას. DM მოდელებს შორის, დამხმარე ვექტორული მანქანა (SVM), გადაწყვეტილების ხე (DT) და შემთხვევითი ტყის (RF) მოდელები საუკეთესოდ შესრულდა მამაკაცებში, ხოლო LR მოდელი საუკეთესოდ ასრულებდა ქალებს შორის. ტრადიციული მოდელის და ყველა SD მოდელის Auroc აღემატებოდა 0.925 (K- უდიდესი მეზობელი (KNN) მამაკაცებში), რაც აჩვენებს შესანიშნავი კლასიფიკაციის შესრულებას 18 წლის ნიმუშების დისკრიმინაციაში 28. გარე ტესტის ნაკრებისთვის, შემცირდა კლასიფიკაციის შესრულების შემცირება მგრძნობელობის, სპეციფიკის და AUROC– ის თვალსაზრისით, შიდა ტესტის ნაკრებთან შედარებით. უფრო მეტიც, მგრძნობელობისა და სპეციფიკის სხვაობა საუკეთესო და ყველაზე უარესი მოდელების კლასიფიკაციის შესრულებას შორის 10% -დან 25% -მდე მერყეობდა და უფრო დიდი იყო, ვიდრე შიდა ტესტის ნაკრების სხვაობა.
მონაცემთა მოპოვების კლასიფიკაციის მოდელების მგრძნობელობა და სპეციფიკა ტრადიციულ მეთოდებთან შედარებით, 18 წლის შეწყვეტით. Knn K უახლოესი მეზობელი, SVM დამხმარე ვექტორული მანქანა, LR ლოგისტიკური რეგრესია, DT გადაწყვეტილების ხე, RF შემთხვევითი ტყე, XGB XGBoost, MLP Multilayer Perceptron, ტრადიციული CM მეთოდი.
ამ კვლევაში პირველი ნაბიჯი იყო შედარებული სტომატოლოგიური ასაკის შეფასებების სიზუსტე, რომელიც მიიღეს შვიდი DM მოდელისგან მიღებული, ტრადიციული რეგრესიის გამოყენებით. MAE და RMSE შეფასდა შიდა ტესტის ნაკრებებში ორივე სქესისათვის, ხოლო ტრადიციულ მეთოდსა და DM მოდელს შორის განსხვავება 44 -დან 77 დღემდე მერყეობდა MAE- სთვის და RMSE- სთვის 62 -დან 88 დღემდე. მიუხედავად იმისა, რომ ამ კვლევაში ტრადიციული მეთოდი ოდნავ უფრო ზუსტი იყო, ძნელია იმის დადგენა, აქვს თუ არა ასეთ მცირე განსხვავებას კლინიკური ან პრაქტიკული მნიშვნელობა. ეს შედეგები მიუთითებს, რომ DM მოდელის გამოყენებით სტომატოლოგიური ასაკის შეფასების სიზუსტე თითქმის იგივეა, რაც ტრადიციული მეთოდით. წინა კვლევების შედეგებთან პირდაპირი შედარება რთულია, რადგან არცერთმა კვლევამ არ შეადარა DM მოდელების სიზუსტე ტრადიციულ სტატისტიკურ მეთოდებთან, იმავე ასაკის დიაპაზონში კბილების ჩაწერის იგივე ტექნიკის გამოყენებით, როგორც ამ კვლევაში. Galibourg et al24- მა შეადარა MAE და RMSE ორ ტრადიციულ მეთოდს (Demirjian Method25 და Willems მეთოდი 29) და 10 DM მოდელს საფრანგეთის მოსახლეობაში 2 -დან 24 წლამდე. მათ განაცხადეს, რომ ყველა DM მოდელი უფრო ზუსტი იყო, ვიდრე ტრადიციული მეთოდები, განსხვავებებია 0.20 და 0.38 წლის MAE- ში და 0.25 და 0.47 წელი RMSE- ში, შესაბამისად, Willems და Demirdjian მეთოდებთან შედარებით. SD მოდელსა და ჰალიბურგის კვლევაში ნაჩვენები ტრადიციული მეთოდებს შორის შეუსაბამობა ითვალისწინებს მრავალრიცხოვან ანგარიშს 30,31,32,33, რომ დემირჯიანის მეთოდი ზუსტად არ აფასებს სტომატოლოგიურ ასაკს პოპულაციებში, გარდა ფრანგი კანადელებისა, რომელზედაც დაფუძნდა კვლევა. ამ კვლევაში. Tai et al 34 გამოიყენეს MLP ალგორითმი 1636 წლის ჩინური ორთოდონტიული ფოტომასალიდან კბილის ასაკის პროგნოზირებისთვის და მისი სიზუსტე შეადარა დემირჯიანისა და ვილემსის მეთოდების შედეგებს. მათ განაცხადეს, რომ MLP- ს აქვს უფრო მაღალი სიზუსტე, ვიდრე ტრადიციული მეთოდები. DeMirdjian მეთოდსა და ტრადიციულ მეთოდს შორის განსხვავებაა <0.32 წელი, ხოლო Willems მეთოდი 0.28 წელია, რაც მსგავსია წინამდებარე კვლევის შედეგების შესახებ. ამ წინა კვლევების შედეგები 24,34 ასევე შეესაბამება წინამდებარე კვლევის შედეგებს, ხოლო DM მოდელის ასაკობრივი შეფასების სიზუსტე და ტრადიციული მეთოდი მსგავსია. ამასთან, წარმოდგენილი შედეგების საფუძველზე, ჩვენ მხოლოდ ფრთხილად შეგვიძლია დავასკვნათ, რომ DM მოდელების გამოყენებამ ასაკის შესაფასებლად შეიძლება შეცვალოს არსებული მეთოდები შედარებითი და მითითების წინა კვლევების არარსებობის გამო. შემდგომი კვლევები უფრო დიდი ნიმუშების გამოყენებით საჭიროა ამ კვლევაში მიღებული შედეგების დასადასტურებლად.
SD– ს სიზუსტის შესამოწმებლად სტომატოლოგიური ასაკის შეფასებისას, ზოგიერთმა აჩვენა უფრო მაღალი სიზუსტე, ვიდრე ჩვენი შესწავლა. Stepanovsky et al 35 გამოიყენეს 22 SD მოდელები პანორამული რენტგენოგრაფიისთვის, 976 ჩეხური მოსახლეობის 2.7 -დან 20,5 წლამდე ასაკის და შეამოწმეს თითოეული მოდელის სიზუსტე. მათ შეაფასეს 16 ზედა და ქვედა მარცხენა მუდმივი კბილების განვითარება Moorrees et al 36 მიერ შემოთავაზებული კლასიფიკაციის კრიტერიუმების გამოყენებით. MAE მერყეობს 0.64 -დან 0.94 წლამდე და RMSE მერყეობს 0.85 -დან 1.27 წლამდე, რაც უფრო ზუსტია, ვიდრე ამ კვლევაში გამოყენებული ორი DM მოდელი. Shen et al23- მა გამოიყენა კამერის მეთოდი, რათა შეაფასოს შვიდი მუდმივი კბილების სტომატოლოგიური ასაკი მარცხენა მანდიაში, აღმოსავლეთ ჩინეთის მაცხოვრებლებში 5 -დან 13 წლამდე ასაკის მოსახლეობაში და შეადარა მას ასაკებთან ერთად შეფასებული ხაზოვანი რეგრესიის, SVM და RF. მათ აჩვენეს, რომ DM- ს სამივე მოდელს უფრო მაღალი სიზუსტე აქვს ტრადიციულ კამერისტულ ფორმულასთან შედარებით. შენის შესწავლაში MAE და RMSE უფრო დაბალია, ვიდრე ამ კვლევაში DM მოდელში. სტეფანოვსკის და სხვების მიერ ჩატარებული კვლევების გაზრდილი სიზუსტე. 35 და შენ და ალ. 23 შეიძლება გამოწვეული იყოს ახალგაზრდა საგნების ჩასატარებლად მათი სასწავლო ნიმუშებში. იმის გამო, რომ ასაკის შეფასებები, რომლებსაც აქვთ კბილების განვითარება, უფრო ზუსტი ხდება, რადგან კბილების რაოდენობა იზრდება სტომატოლოგიური განვითარების დროს, შედეგად მიღებული ასაკის შეფასების მეთოდის სიზუსტე შეიძლება კომპრომეტირდეს, როდესაც კვლევის მონაწილეები უფრო ახალგაზრდაა. გარდა ამისა, MLP- ის შეცდომა ასაკის შეფასებით ოდნავ უფრო მცირეა, ვიდრე SLP- ს, რაც იმას ნიშნავს, რომ MLP უფრო ზუსტია, ვიდრე SLP. MLP ასაკობრივი შეფასებისთვის ოდნავ უკეთესად ითვლება, შესაძლოა MLP38- ში ფარული ფენების გამო. ამასთან, არსებობს გამონაკლისი ქალების გარე ნიმუშისთვის (SLP 1.45, MLP 1.49). დასკვნა, რომ MLP უფრო ზუსტია, ვიდრე SLP ასაკის შეფასებისას, მოითხოვს დამატებით რეტროსპექტულ კვლევებს.
ასევე შეადარა DM მოდელის კლასიფიკაციის შესრულება და ტრადიციული მეთოდი 18 წლის ბარიერზე. SD– ს ყველა ტესტირებულმა მოდელმა და შიდა ტესტის ნაკრებზე ტრადიციულმა მეთოდმა აჩვენა 18 წლის ნიმუშისთვის დისკრიმინაციის პრაქტიკულად მისაღები დონე. მგრძნობელობა ქალთა და მამაკაცთა მიმართ უფრო მეტი იყო, ვიდრე 87.7% და 94.9%, შესაბამისად, ხოლო სპეციფიკა აღემატებოდა 89.3% და 84.7%. ყველა გამოცდილი მოდელის Auroc ასევე აღემატება 0.925. ჩვენი ცოდნის გათვალისწინებით, არცერთმა კვლევამ არ გამოსცადა DM მოდელის შესრულება 18-წლიანი კლასიფიკაციისთვის, სტომატოლოგიური სიმწიფის საფუძველზე. ჩვენ შეგვიძლია შევადაროთ ამ კვლევის შედეგები პანორამულ რენტგენოგრაფებზე ღრმა სწავლის მოდელების კლასიფიკაციის შესრულებასთან. გუომ და სხვ. სახელმძღვანელო მეთოდის მგრძნობელობა და სპეციფიკა იყო, შესაბამისად, 87.7% და 95.5%, ხოლო CNN მოდელის მგრძნობელობა და სპეციფიკა აღემატებოდა, შესაბამისად, 89.2% და 86.6%. მათ დაასკვნეს, რომ ღრმა სწავლის მოდელებს შეუძლიათ შეცვალონ ან აითვისონ სახელმძღვანელო შეფასება ასაკობრივი ბარიერების კლასიფიკაციის პროცესში. ამ კვლევის შედეგებმა აჩვენა მსგავსი კლასიფიკაციის შესრულება; ითვლება, რომ კლასიფიკაციამ DM მოდელების გამოყენებით შეიძლება შეცვალოს ტრადიციული სტატისტიკური მეთოდები ასაკის შეფასებისთვის. მოდელებს შორის, DM LR იყო საუკეთესო მოდელი მამაკაცის ნიმუშისადმი მგრძნობელობის თვალსაზრისით და ქალის ნიმუშის მგრძნობელობა და სპეციფიკა. LR მეორე ადგილზეა მამაკაცებისთვის სპეციფიკით. უფრო მეტიც, LR ითვლება ერთ-ერთი უფრო მოსახერხებელი DM35 მოდელად და ნაკლებად რთული და რთულია მისი დამუშავება. ამ შედეგების საფუძველზე, LR ითვლებოდა კორეის მოსახლეობაში 18 წლის ასაკის საუკეთესო კლასიფიკაციის მოდელად.
საერთო ჯამში, გარე ტესტის ნაკრებზე ასაკობრივი შეფასების ან კლასიფიკაციის შესრულების სიზუსტე ცუდი ან დაბალი იყო შიდა ტესტის ნაკრებთან შედარებით. ზოგიერთი ანგარიში მიუთითებს, რომ კლასიფიკაციის სიზუსტე ან ეფექტურობა მცირდება, როდესაც კორეის მოსახლეობიდან გამომდინარე ასაკის შეფასებები გამოიყენება იაპონიის მოსახლეობას 5,39, და მსგავსი ნიმუში იქნა ნაპოვნი წინამდებარე კვლევაში. ეს გაუარესების ტენდენცია ასევე დაფიქსირდა DM მოდელში. ამრიგად, ასაკის ზუსტად შეფასებისას, თუნდაც ანალიზის პროცესში DM– ის გამოყენებისას, მშობლიური მოსახლეობის მონაცემებიდან მიღებული მეთოდები, როგორიცაა ტრადიციული მეთოდები, უნდა იყოს სასურველი 5,39,40,41,42. ვინაიდან გაურკვეველია, შეიძლება თუ არა ღრმა სწავლის მოდელებს აჩვენონ მსგავსი ტენდენციები, კვლევები კლასიფიკაციის სიზუსტეზე და ეფექტურობასთან შედარებით, ტრადიციული მეთოდების, DM მოდელების და იმავე ნიმუშებზე ღრმა სწავლის მოდელების გამოყენებით, იმის დასადასტურებლად, შეუძლია თუ არა ხელოვნურმა ინტელექტმა გადალახოს ეს რასობრივი განსხვავებები შეზღუდულ ასაკში. შეფასებები.
ჩვენ ვაჩვენებთ, რომ ტრადიციული მეთოდები შეიძლება შეიცვალოს ასაკობრივი შეფასებით, რომელიც დაფუძნებულია DM მოდელის საფუძველზე კორეაში სასამართლო ასაკის შეფასების პრაქტიკაში. ჩვენ ასევე აღმოვაჩინეთ მანქანების სწავლის განხორციელების შესაძლებლობა სასამართლო ასაკის შეფასებისთვის. ამასთან, არსებობს აშკარა შეზღუდვები, მაგალითად, ამ კვლევაში მონაწილეთა არასაკმარისი რაოდენობა, რომ საბოლოოდ განსაზღვროს შედეგები და წინა კვლევების არარსებობა ამ კვლევის შედეგების შედარებისა და დასადასტურებლად. მომავალში, DM კვლევები უნდა ჩატარდეს უფრო დიდი რაოდენობით ნიმუშებით და უფრო მრავალფეროვანი პოპულაციებით, რათა გააუმჯობესოს მისი პრაქტიკული გამოყენება ტრადიციულ მეთოდებთან შედარებით. მრავალრიცხოვან პოპულაციაში ასაკის შესაფასებლად ხელოვნური ინტელექტის გამოყენების მიზანშეწონილობის შესაფასებლად, საჭიროა სამომავლო კვლევები DM და ღრმა სწავლის მოდელების კლასიფიკაციის სიზუსტე და ეფექტურობის შესადარებლად, იმავე ნიმუშებში ტრადიციული მეთოდებით.
კვლევაში გამოყენებულია 2,657 ორთოგრაფიული ფოტო, რომელიც შეგროვდა კორეელი და იაპონელი მოზრდილებიდან 15 -დან 23 წლამდე. კორეის რენტგენოგრაფიები დაიყო 900 სასწავლო ნაკრებად (19.42 ± 2.65 წელი) და 900 შიდა ტესტის ნაკრები (19.52 ± 2.59 წელი). ტრენინგის ნაკრები შეგროვდა ერთ დაწესებულებაში (სეულის სეულის წმინდა მარიამის საავადმყოფო), ხოლო საკუთარი ტესტის ნაკრები შეგროვდა ორ დაწესებულებაში (სეულის ეროვნული უნივერსიტეტის სტომატოლოგიური საავადმყოფო და იონსის უნივერსიტეტის სტომატოლოგიური საავადმყოფო). ჩვენ ასევე შევიკრიბეთ 857 რენტგენოგრაფია სხვა მოსახლეობის დაფუძნებული მონაცემებიდან (Iwate Medical University, იაპონია) გარე ტესტირებისთვის. იაპონური საგნების რენტგენოგრაფია (19.31 ± 2.60 წელი) შეირჩა გარე ტესტის ნაკრებად. მონაცემები შეგროვდა რეტროსპექტიურად, სტომატოლოგიური მკურნალობის დროს მიღებული პანორამული რენტგენოგრაფიის შესახებ სტომატოლოგიური განვითარების ეტაპების გასაანალიზებლად. ყველა შეგროვებული მონაცემი ანონიმური იყო, გარდა სქესის, დაბადების თარიღისა და რენტგენოგრაფიის თარიღისა. ინკლუზიურობისა და გამორიცხვის კრიტერიუმები იგივე იყო, რაც ადრე გამოქვეყნებული კვლევები 4, 5. ნიმუშის ფაქტობრივი ასაკი გამოითვალა რენტგენოგრაფიის აღების თარიღიდან დაბადების თარიღის გამოკლებით. ნიმუშის ჯგუფი დაყოფილი იყო ცხრა ასაკობრივ ჯგუფად. ასაკისა და სქესის განაწილება ნაჩვენებია ცხრილი 3 -ში. ეს კვლევა ჩატარდა ჰელსინკის დეკლარაციის შესაბამისად და დამტკიცებულია კორეის კათოლიკური უნივერსიტეტის სეულის წმინდა მარიამის საავადმყოფოს ინსტიტუციური განხილვის საბჭოს (IRB) მიერ (KC22WISI0328). ამ კვლევის რეტროსპექტული დიზაინის გამო, ინფორმირებული თანხმობა ვერ მიიღება ყველა პაციენტიდან, რომლებიც განიცდიან რენტგენოგრაფიულ გამოკვლევას თერაპიული მიზნებისათვის. სეულის კორეის უნივერსიტეტის წმინდა მარიამის საავადმყოფო (IRB) უარი ეთქვა ინფორმირებული თანხმობის მოთხოვნას.
ბიმაქსილარული მეორე და მესამე მოლარის განვითარების ეტაპები შეფასდა Demircan კრიტერიუმების მიხედვით 25. მხოლოდ ერთი კბილი შეირჩა, თუ თითოეული ყბის მარცხენა და მარჯვენა მხარეს იპოვნეს იგივე ტიპის კბილი. თუ ორივე მხრიდან ჰომოლოგიური კბილები განვითარების სხვადასხვა ეტაპზე იყო, განვითარების ქვედა ეტაპზე კბილის შეარჩიეს სავარაუდო ასაკში გაურკვევლობის გათვალისწინებით. სასწავლო ნაკრებიდან შემთხვევით შერჩეულ რენტგენოგრაფიას ორი გამოცდილი დამკვირვებლის მიერ გაიტანა ინტერობერვერერის საიმედოობის შესამოწმებლად, სანამ წინასწარ განსაზღვრულია სტომატოლოგიური სიმწიფის ეტაპზე. Intraobserver- ის საიმედოობა ორჯერ შეფასდა სამთვიანი ინტერვალებით პირველადი დამკვირვებლის მიერ.
ტრენინგის ნაკრებში თითოეული ყბის მეორე და მესამე მოლარის სქესის და განვითარების ეტაპი შეაფასეს პირველადი დამკვირვებლის მიერ, რომელიც გაწვრთნილია სხვადასხვა DM მოდელებით, ხოლო ფაქტობრივი ასაკი დაინიშნა, როგორც სამიზნე მნიშვნელობა. SLP და MLP მოდელები, რომლებიც ფართოდ გამოიყენება მანქანათმცოდნეობაში, შემოწმდა რეგრესიული ალგორითმების წინააღმდეგ. DM მოდელი აერთიანებს ხაზოვან ფუნქციებს ოთხი კბილის განვითარების ეტაპზე და აერთიანებს ამ მონაცემებს ასაკის შესაფასებლად. SLP არის უმარტივესი ნერვული ქსელი და არ შეიცავს ფარული ფენებს. SLP მუშაობს კვანძებს შორის ბარიერის გადაცემის საფუძველზე. რეგრესიის SLP მოდელი მათემატიკურად ჰგავს მრავალჯერადი ხაზოვანი რეგრესიის. SLP მოდელისგან განსხვავებით, MLP მოდელს აქვს მრავალჯერადი ფარული ფენა, არაწრფივი გააქტიურების ფუნქციებით. ჩვენმა ექსპერიმენტებმა გამოიყენა ფარული ფენა მხოლოდ 20 ფარული კვანძით, არაწრფივი გააქტიურების ფუნქციებით. გამოიყენეთ გრადიენტური წარმოშობა, როგორც ოპტიმიზაციის მეთოდი და MAE და RMSE, როგორც ზარალის ფუნქცია, რომ გაწვრთნათ ჩვენი მანქანების სწავლის მოდელი. საუკეთესო მიღებული რეგრესიის მოდელი გამოყენებულ იქნა შიდა და გარე ტესტის ნაკრებებზე და შეფასდა კბილების ასაკი.
შემუშავდა კლასიფიკაციის ალგორითმი, რომელიც იყენებს ოთხი კბილი სიმწიფეს ტრენინგზე მითითებულ ტრენინგზე, რათა წინასწარ განსაზღვრონ ნიმუში 18 წლის თუ არა. მოდელის შესაქმნელად, ჩვენ მივიღეთ შვიდი წარმომადგენლობის მანქანების სწავლის ალგორითმები 6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost და (7) MLP . LR არის ერთ -ერთი ყველაზე ფართოდ გამოყენებული კლასიფიკაციის ალგორითმი 44. ეს არის ზედამხედველობითი სასწავლო ალგორითმი, რომელიც იყენებს რეგრესიას, რათა წინასწარ განსაზღვროს გარკვეული კატეგორიის მონაცემების ალბათობა 0 -დან 1 -მდე და მონაცემებს კლასიფიკაციას უწევს, როგორც ამ სავარაუდო კატეგორიას, რომელიც ეკუთვნის ამ ალბათობას; ძირითადად გამოიყენება ორობითი კლასიფიკაციისთვის. KNN არის ერთ -ერთი ყველაზე მარტივი მანქანა სწავლის ალგორითმი 45. ახალი შეყვანის მონაცემების მიღებისას, იგი აღმოაჩენს K მონაცემებს არსებულ ნაკრებთან ახლოს და შემდეგ კლასიფიკაციას უწევს მათ კლასში ყველაზე მაღალი სიხშირით. ჩვენ დავადგინეთ 3 განხილული მეზობლების რაოდენობისთვის (K). SVM არის ალგორითმი, რომელიც მაქსიმალურად ზრდის ორ კლასს შორის მანძილს ბირთვის ფუნქციის გამოყენებით, ხაზოვანი სივრცის გასაფართოებლად არაწრფივი სივრცეში, სახელწოდებით Fields46. ამ მოდელისთვის, ჩვენ ვიყენებთ მიკერძოებას = 1, ძალა = 1 და გამა = 1, როგორც ჰიპერპარამეტრები პოლინომიური ბირთვისთვის. DT გამოიყენება სხვადასხვა სფეროში, როგორც ალგორითმი რამდენიმე ქვეჯგუფად დაყენებული მთელი მონაცემების დაყოფის მიზნით, ხის სტრუქტურაში გადაწყვეტილების წესების წარმოდგენით 47. მოდელი კონფიგურებულია 2 - ის კვანძის მინიმალური რაოდენობით და იყენებს ჯინის ინდექსს, როგორც ხარისხის ზომას. RF არის ანსამბლის მეთოდი, რომელიც აერთიანებს მრავალრიცხოვან DTS– ს, რათა გააუმჯობესოს შესრულება Bootstrap– ის აგრეგაციის მეთოდის გამოყენებით, რომელიც წარმოქმნის სუსტი კლასიფიკატორს თითოეული ნიმუშისთვის, იგივე ზომის ნიმუშების შემთხვევით ხატვით მრავალჯერადი მონაცემები ორიგინალური მონაცემთა ბაზიდან 48. ჩვენ გამოვიყენეთ 100 ხე, 10 ხის სიღრმე, 1 მინიმალური კვანძის ზომა და ჯინის მიშლის ინდექსი, როგორც კვანძის განცალკევების კრიტერიუმები. ახალი მონაცემების კლასიფიკაცია განისაზღვრება ხმების უმრავლესობით. XGBoost არის ალგორითმი, რომელიც აერთიანებს გაძლიერების ტექნიკას მეთოდის გამოყენებით, რომელიც ასრულებს ტრენინგის მონაცემებს წინა მოდელის ფაქტობრივ და პროგნოზირებულ მნიშვნელობებს შორის და აძლიერებს შეცდომას გრადიენტის გამოყენებით 49. ეს არის ფართოდ გამოყენებული ალგორითმი მისი კარგი შესრულებისა და რესურსების ეფექტურობის გამო, ასევე მაღალი საიმედოობის გამო, როგორც ზედმეტი კორექტირების ფუნქცია. მოდელი აღჭურვილია 400 დამხმარე ბორბლით. MLP არის ნერვული ქსელი, რომელშიც ერთი ან რამდენიმე პერესტონი ქმნის მრავალ ფენას ერთი ან რამდენიმე ფარული ფენით შეყვანის და გამომავალი ფენებს შორის 38. ამის გამოყენებით, თქვენ შეგიძლიათ შეასრულოთ არაწრფივი კლასიფიკაცია, სადაც დაამატეთ შეყვანის ფენა და მიიღებთ შედეგის მნიშვნელობას, პროგნოზირებული შედეგის მნიშვნელობა შედარებულია ფაქტობრივი შედეგის მნიშვნელობასთან და შეცდომა პროპაგანდა ხდება. ჩვენ შევქმენით ფარული ფენა 20 ფარული ნეირონით თითოეულ ფენაში. ჩვენ მიერ შემუშავებული თითოეული მოდელი გამოყენებული იქნა შიდა და გარე კომპლექტებზე კლასიფიკაციის შესრულების შესამოწმებლად მგრძნობელობის, სპეციფიკის, PPV, NPV და AUROC. მგრძნობელობა განისაზღვრება, როგორც ნიმუშის თანაფარდობა, რომელიც შეფასებულია 18 წლის ან უფროსი ასაკის ნიმუშამდე, რომელიც შეფასებულია 18 წლის ან უფროსი ასაკის. სპეციფიკა არის 18 წლამდე ასაკის ნიმუშების პროპორციული და 18 წლამდე ასაკის შეფასებით.
სასწავლო ნაკრებში შეფასებული სტომატოლოგიური სტადიები გადაკეთდა სტატისტიკური ანალიზისთვის რიცხვითი ეტაპზე. მრავალმხრივი ხაზოვანი და ლოგისტიკური რეგრესია ჩატარდა თითოეული სქესის პროგნოზირებადი მოდელების შემუშავების მიზნით და რეგრესიული ფორმულებისთვის, რომელთა გამოყენება შესაძლებელია ასაკის შესაფასებლად. ჩვენ გამოვიყენეთ ეს ფორმულები კბილის ასაკის შესაფასებლად, როგორც შიდა, ისე გარე ტესტის კომპლექტებისთვის. ცხრილი 4 გვიჩვენებს ამ კვლევაში გამოყენებული რეგრესიისა და კლასიფიკაციის მოდელებს.
ინტრა- და ინტერობერვერერის საიმედოობა გამოითვალა კოენის კაპას სტატისტიკის გამოყენებით. DM და ტრადიციული რეგრესიის მოდელების სიზუსტის შესამოწმებლად, ჩვენ გამოვთვალეთ MAE და RMSE შიდა და გარე ტესტის კომპლექტების სავარაუდო და ფაქტობრივი ასაკის გამოყენებით. ეს შეცდომები ჩვეულებრივ გამოიყენება მოდელის პროგნოზების სიზუსტის შესაფასებლად. რაც უფრო მცირეა შეცდომა, მით უფრო მაღალია პროგნოზის სიზუსტე 24. შეადარეთ შიდა და გარე ტესტის კომპლექტების MAE და RMSE, რომელიც გამოითვლება DM და ტრადიციული რეგრესიის გამოყენებით. 18-წლიანი შეწყვეტის კლასიფიკაციის შესრულება ტრადიციულ სტატისტიკაში შეფასდა 2 × 2 საგანგაშო ცხრილის გამოყენებით. გამოთვლილი მგრძნობელობა, სპეციფიკა, PPV, NPV და ტესტის ნაკრების AUROC შედარებულია DM კლასიფიკაციის მოდელის გაზომილ მნიშვნელობებთან. მონაცემები გამოიხატება როგორც საშუალო ± სტანდარტული გადახრა ან რიცხვი (%) მონაცემთა მახასიათებლების მიხედვით. ორმხრივი P მნიშვნელობები <0.05 ითვლებოდა სტატისტიკურად მნიშვნელოვანი. ყველა რუტინული სტატისტიკური ანალიზი ჩატარდა SAS ვერსიის 9.4 გამოყენებით (SAS Institute, Cary, NC). DM რეგრესიის მოდელი განხორციელდა პითონში, KERAS50 2.2.4 Backend და TensorFlow51 1.8.0 სპეციალურად მათემატიკური ოპერაციებისთვის. DM კლასიფიკაციის მოდელი განხორციელდა ვაიკატოს ცოდნის ანალიზის გარემოში და Konstanz ინფორმაციის მაღაროში (KNIME) 4.6.152 ანალიზის პლატფორმა.
ავტორები აღიარებენ, რომ კვლევის დასკვნების მომხრე მონაცემები შეგიძლიათ იხილოთ სტატიაში და დამატებითი მასალები. კვლევის დროს წარმოქმნილი ან/და გაანალიზებული მონაცემთა ბაზა ხელმისაწვდომია შესაბამისი ავტორისგან გონივრული მოთხოვნით.
Ritz-Timme, S. et al. ასაკობრივი შეფასება: ხელოვნების მდგომარეობა სასამართლო პრაქტიკის სპეციფიკური მოთხოვნების დასაკმაყოფილებლად. საერთაშორისო. J. იურიდიული მედიცინა. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. ცოცხალი სუბიექტების სასამართლო ექსპერტიზის შეფასების ამჟამინდელი სტატუსი სისხლის სამართლის სისხლისსამართლებრივი მიზნებისათვის. სასამართლო ექსპერტიზა. წამალი. პათოლოგია. 1, 239–246 (2005).
პან, ჯ. Et al. 5 -დან 16 წლამდე ასაკის ბავშვთა სტომატოლოგიური ასაკის შეფასების შეცვლილი მეთოდი აღმოსავლეთ ჩინეთში. კლინიკური. ზეპირი კვლევა. 25, 3463–3474 (2021).
ლი, SS და ა.შ. კორეელებში მეორე და მესამე მოლარის განვითარების ქრონოლოგია და მისი გამოყენება სასამართლო ასაკის შეფასებისთვის. საერთაშორისო. J. იურიდიული მედიცინა. 124, 659–665 (2010).
ოჰ, ს., კუმაგაი, ა., კიმ, სი და ლი, ასაკის შეფასების სიზუსტე და 18-წლიანი ბარიერის შეფასება, რომელიც დაფუძნებულია კორეელებში და იაპონელებში მეორე და მესამე მოლარის სიმწიფის საფუძველზე. Plos One 17, E0271247 (2022).
კიმ, ჯეი, და სხვ. წინასაოპერაციო მანქანაზე სწავლის მონაცემთა ანალიზს შეუძლია წინასწარ განსაზღვროს ძილის ქირურგიის მკურნალობის შედეგი OSA პაციენტებში. მეცნიერება. ანგარიში 11, 14911 (2021).
ჰანი, მ. Et al. ასაკის ზუსტი შეფასება მანქანათმცოდნეობისგან ადამიანის ჩარევით ან მის გარეშე? საერთაშორისო. J. იურიდიული მედიცინა. 136, 821–831 (2022).
ხანი, ს. და შაჰინი, მ. მონაცემთა მოპოვებიდან მონაცემთა მოპოვებამდე. J.Information. მეცნიერება. https://doi.org/10.1177/01655515211030872 (2021).
ხანი, ს. და შაჰინი, მ. Wisrule: პირველი შემეცნებითი ალგორითმი ასოციაციის წესის მოპოვებისთვის. J.Information. მეცნიერება. https://doi.org/10.1177/01655515221108695 (2022).
შაჰინ მ. და აბდულა უ. კარმა: ტრადიციული მონაცემების მოპოვება კონტექსტზე დაფუძნებული ასოციაციის წესების საფუძველზე. გამოთვალეთ. მეთიუ. გააგრძელეთ. 68, 3305–3322 (2021).
მუჰამედ მ., რეჰმან ზ., შაჰინ მ. ინფორმირება. ტექნოლოგიები. კონტროლი. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ტაბში, მ. მულტიმედია. ინსტრუმენტების პროგრამები https://doi.org/10.1007/S11042-021-10519-6 (2021).
Halabi, SS et al. RSNA მანქანების სწავლის გამოწვევა პედიატრიული ძვლის ასაკში. რადიოლოგია 290, 498–503 (2019).
Li, Y. et al. ექსპერტიზის ასაკის შეფასება მენჯის რენტგენის სხივებისგან ღრმა სწავლის გამოყენებით. ევრო. გამოსხივება. 29, 2322–2329 (2019).
Guo, YC, et al. ასაკის ზუსტი კლასიფიკაცია სახელმძღვანელო მეთოდების გამოყენებით და ღრმა კონვულსიური ნერვული ქსელების გამოყენებით ორთოგრაფიული პროექციის სურათებიდან. საერთაშორისო. J. იურიდიული მედიცინა. 135, 1589–1597 (2021).
ალაბამა დალორა და სხვ. ძვლის ასაკის შეფასება სხვადასხვა მანქანათმცოდნეობის მეთოდების გამოყენებით: სისტემატური ლიტერატურის მიმოხილვა და მეტა-ანალიზი. Plos One 14, E0220242 (2019).
დუ, ჰ., ლი, გ., ჩენგი, კ. საერთაშორისო. J. იურიდიული მედიცინა. 136, 811–819 (2022).
Kim S., Le YH, Noh YK, Park FK და Oh KS, რომლებიც განსაზღვრავენ ცოცხალი ადამიანების ასაკობრივ ჯგუფებს, რომლებიც იყენებენ ხელოვნურ ინტელექტზე დაფუძნებულ პირველ მოლარებს. მეცნიერება. ანგარიში 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. ავტომატური ასაკის შეფასება და უმრავლესობის ასაკის კლასიფიკაცია მრავალმხრივი MRI მონაცემებიდან. IEEE J. Biomed. ჯანმრთელობის შესახებ შეტყობინებები. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. ასაკის შეფასება, რომელიც დაფუძნებულია 3D რბილობის პალატის სეგმენტაციის პირველი მოლარის სეგმენტაციის საფუძველზე, კონუსური სხივის გამოთვლილ ტომოგრაფიიდან, ღრმა სწავლისა და დონის კომპლექტების ინტეგრირებით. საერთაშორისო. J. იურიდიული მედიცინა. 135, 365–373 (2021).
Wu, WT, et al. მონაცემთა მოპოვება კლინიკურ დიდ მონაცემებში: საერთო მონაცემთა ბაზები, ნაბიჯები და მეთოდების მოდელები. სამყარო. წამალი. რესურსი. 8, 44 (2021).
Yang, J. et al. სამედიცინო მონაცემთა ბაზებისა და მონაცემთა მოპოვების ტექნოლოგიების შესავალი დიდი მონაცემების ეპოქაში. J. Avid. ძირითადი მედიცინა. 13, 57–69 (2020).
Shen, S. et al. კამერერის მეთოდი კბილის ასაკის შეფასების მიზნით, მანქანათმცოდნეობის გამოყენებით. BMC პირის ღრუს ჯანმრთელობა 21, 641 (2021).
Galliburg A. et al. მანქანათმცოდნეობის სხვადასხვა მეთოდების შედარება სტომატოლოგიური ასაკის პროგნოზირებისთვის Demirdjian დადგმის მეთოდის გამოყენებით. საერთაშორისო. J. იურიდიული მედიცინა. 135, 665–675 (2021).
DeMirdjian, A., Goldstein, H. and Tanner, JM ახალი სისტემა სტომატოლოგიური ასაკის შესაფასებლად. snort. ბიოლოგია. 45, 211–227 (1973).
Landis, Jr და Koch, დამკვირვებლის შეთანხმების GG ზომები კატეგორიულ მონაცემებზე. ბიომეტრია 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK და Choi HK. ორგანზომილებიანი მაგნიტურ-რეზონანსული გამოსახულების ტექსტურული, მორფოლოგიური და სტატისტიკური ანალიზი ხელოვნური ინტელექტის ტექნიკის გამოყენებით ტვინის პირველადი სიმსივნეების დიფერენციაციისთვის. ჯანმრთელობის შესახებ ინფორმაცია. რესურსი. https://doi.org/10.4258/hir.2022.28.1.46 (2022).