მონაცემთა მოპოვების მოდელის ვალიდაცია ტრადიციული სტომატოლოგიური ასაკის შეფასების მეთოდების წინააღმდეგ კორეელ მოზარდებსა და მოზარდებში

გმადლობთ Nature.com-ის მონახულებისთვის.ბრაუზერის ვერსიას, რომელსაც იყენებთ, აქვს შეზღუდული CSS მხარდაჭერა.საუკეთესო შედეგისთვის, გირჩევთ გამოიყენოთ თქვენი ბრაუზერის უფრო ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში).იმავდროულად, მუდმივი მხარდაჭერის უზრუნველსაყოფად, ჩვენ ვაჩვენებთ საიტს სტილის ან JavaScript-ის გარეშე.
კბილები ადამიანის სხეულის ასაკის ყველაზე ზუსტ მაჩვენებლად ითვლება და ხშირად გამოიყენება სასამართლო ასაკის შეფასებისას.ჩვენ მიზნად ისახავდა მონაცემთა მოპოვებაზე დაფუძნებული სტომატოლოგიური ასაკის შეფასებების დადასტურებას 18-წლიანი ზღვრის შეფასების სიზუსტისა და კლასიფიკაციის შესრულების შედარებით ტრადიციულ მეთოდებთან და მონაცემთა მოპოვებაზე დაფუძნებული ასაკის შეფასებებთან.სულ შეგროვდა 2657 პანორამული რენტგენოგრაფია 15-დან 23 წლამდე კორეისა და იაპონიის მოქალაქეებისგან.ისინი დაყოფილი იყო სავარჯიშო კომპლექტად, თითოეული შეიცავს 900 კორეულ რენტგენოგრამას და შიდა სატესტო კომპლექტად, რომელიც შეიცავდა 857 იაპონურ რენტგენოგრამას.ჩვენ შევადარეთ ტრადიციული მეთოდების კლასიფიკაციის სიზუსტე და ეფექტურობა მონაცემთა მოპოვების მოდელების სატესტო კომპლექტებთან.შიდა ტესტის ნაკრების ტრადიციული მეთოდის სიზუსტე ოდნავ აღემატება მონაცემთა მოპოვების მოდელს და განსხვავება მცირეა (საშუალო აბსოლუტური შეცდომა <0,21 წელი, ფესვის საშუალო კვადრატული შეცდომა <0,24 წელი).კლასიფიკაციის შესრულება 18-წლიანი წყვეტისთვის ასევე მსგავსია ტრადიციულ მეთოდებსა და მონაცემთა მოპოვების მოდელებს შორის.ამრიგად, ტრადიციული მეთოდები შეიძლება შეიცვალოს მონაცემთა მოპოვების მოდელებით, სასამართლო ასაკის შეფასებისას მეორე და მესამე მოლარის სიმწიფის გამოყენებით კორეელ მოზარდებში და მოზარდებში.
სტომატოლოგიური ასაკის შეფასება ფართოდ გამოიყენება სასამართლო მედიცინაში და პედიატრიულ სტომატოლოგიაში.კერძოდ, ქრონოლოგიურ ასაკსა და სტომატოლოგიურ განვითარებას შორის მაღალი კორელაციის გამო, ასაკის შეფასება სტომატოლოგიური განვითარების ეტაპების მიხედვით არის მნიშვნელოვანი კრიტერიუმი ბავშვებისა და მოზარდების ასაკის შესაფასებლად1,2,3.თუმცა, ახალგაზრდებისთვის სტომატოლოგიური ასაკის შეფასებას სტომატოლოგიური სიმწიფის მიხედვით აქვს თავისი შეზღუდვები, რადგან სტომატოლოგიური ზრდა თითქმის დასრულებულია, გარდა მესამე მოლარისა.ახალგაზრდებისა და მოზარდების ასაკის განსაზღვრის სამართლებრივი მიზანია ზუსტი შეფასებებისა და მეცნიერული მტკიცებულებების მიწოდება იმის შესახებ, მიაღწიეს თუ არა მათ სრულწლოვანებას.კორეაში მოზარდებისა და მოზარდების სამედიცინო-სამართლებრივ პრაქტიკაში ასაკი შეფასდა ლის მეთოდით და 18 წლის კანონიერი ბარიერი იწინასწარმეტყველეს ოჰ და სხვების მიერ მოხსენებული მონაცემების საფუძველზე 5 .
მანქანათმცოდნეობა არის ხელოვნური ინტელექტის (AI) ტიპი, რომელიც არაერთხელ სწავლობს და კლასიფიცირებს დიდი რაოდენობით მონაცემებს, წყვეტს პრობლემებს დამოუკიდებლად და აწარმოებს მონაცემთა პროგრამირებას.მანქანურ სწავლებას შეუძლია აღმოაჩინოს სასარგებლო ფარული შაბლონები დიდი მოცულობის მონაცემებში6.ამის საპირისპიროდ, კლასიკურ მეთოდებს, რომლებიც შრომატევადი და შრომატევადი არიან, შეიძლება ჰქონდეთ შეზღუდვები კომპლექსური მონაცემების დიდ მოცულობებთან ურთიერთობისას, რომელთა ხელით დამუშავება რთულია7.აქედან გამომდინარე, ბოლო დროს მრავალი კვლევა ჩატარდა უახლესი კომპიუტერული ტექნოლოგიების გამოყენებით, რათა მინიმუმამდე დაიყვანოს ადამიანური შეცდომები და ეფექტურად დამუშავდეს მრავალგანზომილებიანი მონაცემები8,9,10,11,12.კერძოდ, ღრმა სწავლა ფართოდ იქნა გამოყენებული სამედიცინო გამოსახულების ანალიზში და ასაკის შეფასების სხვადასხვა მეთოდი რენტგენოგრაფიის ავტომატურად ანალიზით დაფიქსირდა, რომ აუმჯობესებს ასაკის შეფასების სიზუსტეს და ეფექტურობას13,14,15,16,17,18,19,20. .მაგალითად, ჰალაბიმ და სხვებმა 13-მა შეიმუშავეს მანქანური სწავლის ალგორითმი, რომელიც დაფუძნებულია კონვოლუციურ ნერვულ ქსელებზე (CNN) ჩონჩხის ასაკის შესაფასებლად ბავშვების ხელების რენტგენოგრაფიის გამოყენებით.ეს კვლევა გვთავაზობს მოდელს, რომელიც იყენებს მანქანურ სწავლებას სამედიცინო სურათებზე და აჩვენებს, რომ ამ მეთოდებს შეუძლიათ გააუმჯობესონ დიაგნოსტიკური სიზუსტე.ლი და სხვებმა14 შეაფასეს ასაკი მენჯის რენტგენის სურათებიდან ღრმა სწავლის CNN-ის გამოყენებით და შეადარეს ისინი რეგრესიის შედეგებს ოსიფიკაციის სტადიის შეფასების გამოყენებით.მათ აღმოაჩინეს, რომ ღრმა სწავლის CNN-ის მოდელი აჩვენა ასაკის შეფასების იგივე შესრულება, როგორც ტრადიციული რეგრესიის მოდელი.გუოს და სხვების კვლევამ [15] შეაფასა CNN ტექნოლოგიის ასაკობრივი ტოლერანტობის კლასიფიკაციის შესრულება სტომატოლოგიური ორთოფოტოების საფუძველზე და CNN მოდელის შედეგებმა დაამტკიცა, რომ ადამიანებმა აჯობეს მისი ასაკობრივი კლასიფიკაციის შესრულება.
მანქანური სწავლების გამოყენებით ასაკის შეფასების კვლევების უმეტესობა იყენებს ღრმა სწავლის მეთოდებს13,14,15,16,17,18,19,20.ღრმა სწავლის საფუძველზე ასაკის შეფასება უფრო ზუსტია, ვიდრე ტრადიციული მეთოდები.თუმცა, ეს მიდგომა მცირე შესაძლებლობას იძლევა წარმოადგინოს ასაკობრივი შეფასებების სამეცნიერო საფუძველი, როგორიცაა ასაკობრივი მაჩვენებლები, რომლებიც გამოიყენება შეფასებებში.ასევე არსებობს სამართლებრივი დავა, თუ ვინ ატარებს შემოწმებებს.ამიტომ, ღრმა სწავლაზე დაფუძნებული ასაკის 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 აღმოსაჩენად6,21,22.მანქანური სწავლება ხშირად გამოიყენება მონაცემთა მოპოვებაში, და მონაცემთა მოპოვება და მანქანათმცოდნეობა იყენებს ერთსა და იმავე საკვანძო ალგორითმებს მონაცემების შაბლონების აღმოსაჩენად.ასაკის შეფასება სტომატოლოგიური განვითარების გამოყენებით ეფუძნება გამომცდელის შეფასებას სამიზნე კბილების სიმწიფის შესახებ და ეს შეფასება გამოიხატება როგორც ეტაპი თითოეული სამიზნე კბილისთვის.DM შეიძლება გამოყენებულ იქნას სტომატოლოგიური შეფასების სტადიასა და რეალურ ასაკს შორის კორელაციის გასაანალიზებლად და აქვს პოტენციალი შეცვალოს ტრადიციული სტატისტიკური ანალიზი.ამიტომ, თუ გამოვიყენებთ DM ტექნიკას ასაკის შეფასებისას, ჩვენ შეგვიძლია განვახორციელოთ მანქანათმცოდნეობის სწავლება სასამართლო ასაკის შეფასებაში იურიდიული პასუხისმგებლობის შესახებ ფიქრის გარეშე.გამოქვეყნებულია რამდენიმე შედარებითი კვლევა სასამართლო პრაქტიკაში გამოყენებული ტრადიციული მანუალური მეთოდებისა და სტომატოლოგიური ასაკის განსაზღვრის EBM-ზე დაფუძნებული მეთოდების შესაძლო ალტერნატივებზე.შენმა და სხვებმა აჩვენეს, რომ DM მოდელი უფრო ზუსტია, ვიდრე ტრადიციული კამერერის ფორმულა.გალიბურგმა და სხვებმა24 გამოიყენეს DM-ის სხვადასხვა მეთოდი დემირჯიანის კრიტერიუმის მიხედვით ასაკის პროგნოზირებისთვის25 და შედეგებმა აჩვენა, რომ DM მეთოდი აღემატებოდა დემირჯიანისა და ვილემსის მეთოდებს საფრანგეთის მოსახლეობის ასაკის შეფასებისას.
კორეელი მოზარდებისა და ახალგაზრდების სტომატოლოგიური ასაკის შესაფასებლად, ლი მეთოდი 4 ფართოდ გამოიყენება კორეის სასამართლო პრაქტიკაში.ეს მეთოდი იყენებს ტრადიციულ სტატისტიკურ ანალიზს (როგორიცაა მრავალჯერადი რეგრესია) კორეელ სუბიექტებსა და ქრონოლოგიურ ასაკს შორის კავშირის შესამოწმებლად.ამ კვლევაში, ტრადიციული სტატისტიკური მეთოდებით მიღებული ასაკის შეფასების მეთოდები განისაზღვრება, როგორც „ტრადიციული მეთოდები“.ლის მეთოდი ტრადიციული მეთოდია და მისი სიზუსტე დადასტურებულია Oh et al.5;თუმცა, DM მოდელზე დაფუძნებული ასაკის შეფასების გამოყენებადობა კორეის სასამართლო პრაქტიკაში ჯერ კიდევ საეჭვოა.ჩვენი მიზანი იყო ასაკობრივი შეფასების პოტენციური სარგებლობის მეცნიერულად დადასტურება DM მოდელის საფუძველზე.ამ კვლევის მიზანი იყო (1) ორი DM მოდელის სიზუსტის შედარება სტომატოლოგიური ასაკის შეფასებაში და (2) 18 წლის ასაკში 7 DM მოდელის კლასიფიკაციის ეფექტურობის შედარება ტრადიციული სტატისტიკური მეთოდებით მიღებულთან. და მესამე მოლარები ორივე ყბაში.
ქრონოლოგიური ასაკის საშუალო და სტანდარტული გადახრები ეტაპების და კბილის ტიპის მიხედვით ნაჩვენებია ონლაინ დამატებით ცხრილში S1 (სავარჯიშო ნაკრები), დამატებით ცხრილში S2 (შიდა ტესტის ნაკრები) და დამატებით ცხრილში S3 (გარე ტესტირების ნაკრები).სავარჯიშო ნაკრებიდან მიღებული კაპას მნიშვნელობები შიდა და ინტერდამკვირვებლის საიმედოობისთვის იყო 0,951 და 0,947, შესაბამისად.P მნიშვნელობები და 95% სანდო ინტერვალები კაპას მნიშვნელობებისთვის ნაჩვენებია ონლაინ დამატებით ცხრილში S4.კაპას მნიშვნელობა ინტერპრეტირებული იყო, როგორც „თითქმის სრულყოფილი“, შეესაბამება Landis-ისა და Koch26-ის კრიტერიუმებს.
საშუალო აბსოლუტური ცდომილების (MAE) შედარებისას, ტრადიციული მეთოდი ოდნავ აღემატება DM მოდელს ყველა სქესისთვის და მამაკაცის გარე ტესტის კომპლექტში, გარდა მრავალშრიანი პერცეპტრონის (MLP).განსხვავება ტრადიციულ მოდელსა და DM მოდელს შორის MAE ტესტის შიდა კომპლექტში იყო 0.12-0.19 წელი მამაკაცებისთვის და 0.17-0.21 წელი ქალებისთვის.გარე სატესტო ბატარეისთვის განსხვავებები უფრო მცირეა (0,001–0,05 წელი მამაკაცებისთვის და 0,05–0,09 წელი ქალებისთვის).გარდა ამისა, ძირის საშუალო კვადრატული შეცდომა (RMSE) ოდნავ დაბალია, ვიდრე ტრადიციული მეთოდი, უფრო მცირე განსხვავებებით (0.17–0.24, 0.2–0.24 მამრობითი შიდა ტესტის კომპლექტისთვის და 0.03–0.07, 0.04–0.08 გარე ტესტისთვის).).MLP აჩვენებს ოდნავ უკეთეს შესრულებას, ვიდრე ერთი ფენის პერცეპტრონი (SLP), გარდა ქალის გარე ტესტის ნაკრების შემთხვევისა.MAE-სა და RMSE-სთვის, გარე ტესტის კომპლექტი უფრო მაღალია, ვიდრე შიდა ტესტის ნაკრები ყველა სქესის და მოდელისთვის.ყველა MAE და RMSE ნაჩვენებია ცხრილში 1 და სურათზე 1.
ტრადიციული და მონაცემთა მოპოვების რეგრესიული მოდელების MAE და RMSE.საშუალო აბსოლუტური შეცდომა MAE, ფესვის საშუალო კვადრატული შეცდომა RMSE, ერთფენიანი პერცეპტრონი SLP, მრავალშრიანი პერცეპტრონი MLP, ტრადიციული CM მეთოდი.
ტრადიციული და DM მოდელების კლასიფიკაციის ეფექტურობა (18 წლის შეწყვეტით) ნაჩვენები იყო მგრძნობელობის, სპეციფიკის, დადებითი პროგნოზირების მნიშვნელობის (PPV), უარყოფითი პროგნოზირების მნიშვნელობის (NPV) და მიმღების ოპერაციული მახასიათებლის მრუდის ქვეშ ფართობის (AUROC) თვალსაზრისით. 27 (ცხრილი 2, სურათი 2 და დამატებითი სურათი 1 ონლაინ).შიდა სატესტო ბატარეის მგრძნობელობის თვალსაზრისით, ტრადიციული მეთოდები საუკეთესოდ მუშაობდა მამაკაცებში და უარესად ქალებში.თუმცა, განსხვავება კლასიფიკაციის შესრულებაში ტრადიციულ მეთოდებსა და SD-ს შორის არის 9.7% მამაკაცებისთვის (MLP) და მხოლოდ 2.4% ქალებისთვის (XGBoost).DM მოდელებს შორის, ლოგისტიკური რეგრესიამ (LR) აჩვენა უკეთესი მგრძნობელობა ორივე სქესში.შიდა ტესტის ნაკრების სპეციფიკასთან დაკავშირებით, დაფიქსირდა, რომ ოთხი SD მოდელი კარგად მუშაობდა მამაკაცებში, ხოლო ტრადიციული მოდელი უკეთესი იყო ქალებში.განსხვავებები კლასიფიკაციის შესრულებაში მამრობითი და მდედრობითი სქესის წარმომადგენლებისთვის არის 13.3% (MLP) და 13.1% (MLP), შესაბამისად, რაც მიუთითებს იმაზე, რომ კლასიფიკაციის შესრულების სხვაობა მოდელებს შორის აღემატება მგრძნობელობას.DM მოდელებს შორის, დამხმარე ვექტორული მანქანა (SVM), გადაწყვეტილების ხის (DT) და შემთხვევითი ტყის (RF) მოდელები საუკეთესოდ მუშაობდნენ მამაკაცებში, ხოლო LR მოდელი საუკეთესოდ მუშაობდა ქალებში.ტრადიციული მოდელისა და ყველა SD მოდელის AUROC იყო 0,925-ზე მეტი (k-უახლოესი მეზობელი (KNN) მამაკაცებში), რაც აჩვენებს კლასიფიკაციის ბრწყინვალე შესრულებას 18 წლის ნიმუშების დისკრიმინაციაში28.გარე ტესტის კომპლექტისთვის დაფიქსირდა კლასიფიკაციის შესრულების შემცირება მგრძნობელობის, სპეციფიკისა და AUROC-ის თვალსაზრისით შიდა ტესტის კომპლექტთან შედარებით.უფრო მეტიც, მგრძნობელობისა და სპეციფიკის სხვაობა საუკეთესო და უარესი მოდელების კლასიფიკაციის შესრულებას შორის მერყეობდა 10%-დან 25%-მდე და უფრო დიდი იყო, ვიდრე განსხვავება შიდა ტესტის კომპლექტში.
მონაცემთა მოპოვების კლასიფიკაციის მოდელების სენსიტიურობა და სპეციფიკა ტრადიციულ მეთოდებთან შედარებით 18 წლის შეწყვეტით.KNN k უახლოესი მეზობელი, SVM მხარდაჭერის ვექტორული მანქანა, LR ლოგისტიკური რეგრესია, DT გადაწყვეტილების ხე, RF შემთხვევითი ტყე, XGB XGBoost, MLP მრავალშრიანი პერცეპტრონი, ტრადიციული CM მეთოდი.
ამ კვლევის პირველი ნაბიჯი იყო შვიდი DM მოდელიდან მიღებული სტომატოლოგიური ასაკის შეფასებების სიზუსტის შედარება ტრადიციული რეგრესიის გამოყენებით მიღებულთან.MAE და RMSE შეფასდა შიდა ტესტის კომპლექტებში ორივე სქესისთვის, და განსხვავება ტრადიციულ მეთოდსა და DM მოდელს შორის მერყეობდა 44-დან 77 დღემდე MAE-სთვის და 62-დან 88 დღემდე RMSE-სთვის.მიუხედავად იმისა, რომ ტრადიციული მეთოდი ოდნავ უფრო ზუსტი იყო ამ კვლევაში, ძნელია დავასკვნათ, აქვს თუ არა ასეთ მცირე განსხვავებას კლინიკური თუ პრაქტიკული მნიშვნელობა.ეს შედეგები მიუთითებს, რომ სტომატოლოგიური ასაკის შეფასების სიზუსტე DM მოდელის გამოყენებით თითქმის იგივეა, რაც ტრადიციული მეთოდის.წინა კვლევების შედეგებთან პირდაპირი შედარება რთულია, რადგან არცერთ კვლევას არ შეადარა DM მოდელების სიზუსტე ტრადიციულ სტატისტიკურ მეთოდებთან კბილების ჩაწერის იგივე ტექნიკის გამოყენებით იმავე ასაკობრივ დიაპაზონში, როგორც ამ კვლევაში.გალიბურგმა და სხვებმა24 შეადარეს MAE და RMSE ორ ტრადიციულ მეთოდს (დემირჯიანის მეთოდი25 და ვილემსის მეთოდი29) და 10 DM მოდელებს შორის 2-დან 24 წლამდე ასაკის ფრანგულ პოპულაციაში.მათ განაცხადეს, რომ ყველა DM მოდელი იყო უფრო ზუსტი ვიდრე ტრადიციული მეთოდები, განსხვავებები 0.20 და 0.38 წელი MAE-ში და 0.25 და 0.47 წელი RMSE-ში ვილემსის და დემირჯიანის მეთოდებთან შედარებით, შესაბამისად.შეუსაბამობა SD მოდელსა და ტრადიციულ მეთოდებს შორის, რომლებიც ნაჩვენებია ჰალიბურგის კვლევაში, ითვალისწინებს მრავალ მოხსენებას30,31,32,33, რომ დემირჯიანი მეთოდი ზუსტად არ აფასებს სტომატოლოგიურ ასაკს პოპულაციებში, გარდა ფრანგი კანადელისა, რომლებზეც კვლევა დაფუძნებულია.ამ კვლევაში.ტაიმ და სხვებმა 34 გამოიყენეს MLP ალგორითმი კბილის ასაკის პროგნოზირებისთვის 1636 ჩინური ორთოდონტიული ფოტოებიდან და შეადარეს მისი სიზუსტე დემირჯიანისა და ვილემსის მეთოდის შედეგებს.მათ განაცხადეს, რომ MLP-ს უფრო მაღალი სიზუსტე აქვს, ვიდრე ტრადიციულ მეთოდებს.განსხვავება დემირჯიან მეთოდსა და ტრადიციულ მეთოდს შორის არის <0,32 წელი, ხოლო ვილემსის მეთოდი 0,28 წელი, რაც წინამდებარე კვლევის შედეგების მსგავსია.ამ წინა კვლევების შედეგები24,34 ასევე შეესაბამება წინამდებარე კვლევის შედეგებს და DM მოდელისა და ტრადიციული მეთოდის ასაკის შეფასების სიზუსტე მსგავსია.თუმცა, წარმოდგენილი შედეგებიდან გამომდინარე, ჩვენ შეგვიძლია მხოლოდ ფრთხილად დავასკვნათ, რომ DM მოდელების გამოყენებამ ასაკის შესაფასებლად შესაძლოა შეცვალოს არსებული მეთოდები შედარებითი და საცნობარო წინა კვლევების არარსებობის გამო.ამ კვლევაში მიღებული შედეგების დასადასტურებლად საჭიროა შემდგომი კვლევები უფრო დიდი ნიმუშების გამოყენებით.
იმ კვლევებს შორის, რომლებიც ამოწმებენ SD-ის სიზუსტეს სტომატოლოგიური ასაკის შეფასებაში, ზოგიერთმა აჩვენა უფრო მაღალი სიზუსტე, ვიდრე ჩვენი კვლევა.სტეპანოვსკიმ და სხვებმა 35 გამოიყენეს 22 SD მოდელი 2,7-დან 20,5 წლამდე ასაკის 976 ჩეხეთის მაცხოვრებლის პანორამული რენტგენოგრაფიისთვის და შეამოწმეს თითოეული მოდელის სიზუსტე.მათ შეაფასეს სულ 16 ზედა და ქვედა მარცხენა მუდმივი კბილის განვითარება Moorrees et al-ის მიერ შემოთავაზებული კლასიფიკაციის კრიტერიუმების გამოყენებით 36 .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.შენმა და სხვებმა23 გამოიყენეს კამერიერის მეთოდი მარცხენა ქვედა ყბის შვიდი მუდმივი კბილის სტომატოლოგიური ასაკის შესაფასებლად აღმოსავლეთ ჩინეთის მცხოვრებლებში 5-დან 13 წლამდე და შეადარეს ის ასაკებს, რომლებიც შეფასებულია ხაზოვანი რეგრესიის, SVM და RF გამოყენებით.მათ აჩვენეს, რომ სამივე DM მოდელს აქვს უფრო მაღალი სიზუსტე ტრადიციულ კამერიერ ფორმულასთან შედარებით.MAE და RMSE შენს კვლევაში უფრო დაბალი იყო, ვიდრე DM მოდელის ამ კვლევაში.სტეპანოვსკის და სხვების კვლევების გაზრდილი სიზუსტე.35 და შენ და სხვ.23 შეიძლება გამოწვეული იყოს ახალგაზრდა სუბიექტების ჩართვით მათ საკვლევ ნიმუშებში.იმის გამო, რომ განვითარებადი კბილების მქონე მონაწილეთა ასაკობრივი შეფასებები უფრო ზუსტი ხდება, როდესაც კბილების რაოდენობა იზრდება სტომატოლოგიური განვითარების დროს, ასაკის შეფასების მეთოდის სიზუსტე შეიძლება დაირღვეს, როდესაც კვლევის მონაწილეები უფრო ახალგაზრდები არიან.გარდა ამისა, MLP-ის შეცდომა ასაკის შეფასებაში ოდნავ მცირეა ვიდრე SLP-ის, რაც ნიშნავს, რომ MLP უფრო ზუსტია ვიდრე SLP.MLP ითვლება ოდნავ უკეთესად ასაკის შეფასებისთვის, შესაძლოა MLP38-ში დამალული ფენების გამო.თუმცა, არსებობს გამონაკლისი ქალების გარე ნიმუშისთვის (SLP 1.45, MLP 1.49).დასკვნა, რომ MLP უფრო ზუსტია, ვიდრე SLP ასაკის შეფასებისას, საჭიროებს დამატებით რეტროსპექტულ კვლევებს.
ასევე შედარება მოხდა DM მოდელისა და ტრადიციული მეთოდის კლასიფიკაციის შესრულება 18 წლის ზღურბლზე.ყველა შემოწმებული SD მოდელი და ტრადიციული მეთოდი შიდა ტესტის კომპლექტზე აჩვენა დისკრიმინაციის პრაქტიკულად მისაღები დონეები 18 წლის ნიმუშისთვის.მგრძნობელობა მამაკაცებსა და ქალებში იყო 87.7% და 94.9%-ზე მეტი, შესაბამისად, ხოლო სპეციფიკა იყო 89.3% და 84.7%-ზე მეტი.ყველა შემოწმებული მოდელის AUROC ასევე აღემატება 0,925-ს.ჩვენი ცოდნით, არცერთ კვლევას არ გამოუცდია DM მოდელის მოქმედება 18-წლიანი კლასიფიკაციისთვის სტომატოლოგიური სიმწიფის მიხედვით.ჩვენ შეგვიძლია შევადაროთ ამ კვლევის შედეგები პანორამულ რენტგენოგრამაზე ღრმა სწავლის მოდელების კლასიფიკაციის შესრულებას.გუომ და სხვებმა 15-მა გამოთვალეს CNN-ზე დაფუძნებული ღრმა სწავლის მოდელის კლასიფიკაციის შესრულება და დემირჯიანის მეთოდზე დაფუძნებული მანუალური მეთოდი გარკვეული ასაკობრივი ზღურბლისთვის.მანუალური მეთოდის მგრძნობელობა და სპეციფიკა იყო შესაბამისად 87.7% და 95.5%, ხოლო CNN მოდელის მგრძნობელობა და სპეციფიკა აჭარბებდა შესაბამისად 89.2% და 86.6%-ს.მათ დაასკვნეს, რომ ღრმა სწავლის მოდელებს შეუძლიათ შეცვალონ ან აჯობონ ხელით შეფასება ასაკობრივი ზღვრების კლასიფიკაციაში.ამ კვლევის შედეგებმა აჩვენა კლასიფიკაციის მსგავსი შესრულება;ითვლება, რომ კლასიფიკაცია DM მოდელების გამოყენებით შეიძლება შეცვალოს ასაკის შეფასების ტრადიციული სტატისტიკური მეთოდები.მოდელებს შორის, DM LR იყო საუკეთესო მოდელი მამაკაცის ნიმუშის მგრძნობელობის და ქალის ნიმუშისთვის მგრძნობელობისა და სპეციფიკის თვალსაზრისით.LR მეორე ადგილზეა მამაკაცებისთვის სპეციფიკურობით.უფრო მეტიც, LR ითვლება ერთ-ერთ უფრო მოსახერხებელი DM35 მოდელად და ნაკლებად რთული და რთული დასამუშავებელია.ამ შედეგების საფუძველზე, LR ითვლებოდა საუკეთესო ათვლის კლასიფიკაციის მოდელად კორეის მოსახლეობაში 18 წლის ახალგაზრდებისთვის.
საერთო ჯამში, ასაკის შეფასების ან კლასიფიკაციის შესრულების სიზუსტე გარე ტესტების კომპლექტზე იყო ცუდი ან დაბალი, ვიდრე შიდა ტესტის კომპლექტზე.ზოგიერთი მოხსენება მიუთითებს, რომ კლასიფიკაციის სიზუსტე ან ეფექტურობა მცირდება, როდესაც კორეის პოპულაციაზე დაფუძნებული ასაკობრივი შეფასებები გამოიყენება იაპონიის მოსახლეობაზე5,39 და მსგავსი ნიმუში იქნა ნაპოვნი წინამდებარე კვლევაში.ეს გაუარესების ტენდენცია ასევე დაფიქსირდა DM მოდელში.ამიტომ, ასაკის ზუსტად შესაფასებლად, მაშინაც კი, როდესაც DM გამოიყენება ანალიზის პროცესში, უპირატესობა უნდა მიენიჭოს ადგილობრივ პოპულაციის მონაცემებიდან გამომდინარე მეთოდებს, როგორიცაა ტრადიციული მეთოდები5,39,40,41,42.ვინაიდან გაურკვეველია შეუძლია თუ არა ღრმა სწავლის მოდელებს მსგავსი ტენდენციების ჩვენება, საჭიროა კვლევები, რომლებიც ადარებს კლასიფიკაციის სიზუსტეს და ეფექტურობას ტრადიციული მეთოდების გამოყენებით, DM მოდელები და ღრმა სწავლის მოდელები იმავე ნიმუშებზე, რათა დაადასტუროს, შეუძლია თუ არა ხელოვნური ინტელექტის გადალახვა ამ რასობრივი განსხვავებების შეზღუდულ ასაკში.შეფასებები.
ჩვენ ვაჩვენებთ, რომ ტრადიციული მეთოდები შეიძლება შეიცვალოს ასაკის შეფასებით, რომელიც ეფუძნება DM მოდელს კორეაში ასაკის სასამართლო ექსპერტიზის პრაქტიკაში.ჩვენ ასევე აღმოვაჩინეთ მანქანური სწავლების განხორციელების შესაძლებლობა სასამართლო ასაკის შეფასებისთვის.თუმცა, არსებობს მკაფიო შეზღუდვები, როგორიცაა ამ კვლევაში მონაწილეთა არასაკმარისი რაოდენობა შედეგების საბოლოოდ დასადგენად და წინა კვლევების ნაკლებობა ამ კვლევის შედეგების შესადარებლად და დასადასტურებლად.მომავალში, DM კვლევები უნდა ჩატარდეს ნიმუშების უფრო დიდი რაოდენობით და უფრო მრავალფეროვანი პოპულაციებით, რათა გაუმჯობესდეს მისი პრაქტიკული გამოყენებადობა ტრადიციულ მეთოდებთან შედარებით.მრავალი პოპულაციის ასაკის შესაფასებლად ხელოვნური ინტელექტის გამოყენების მიზანშეწონილობის დასადასტურებლად, საჭიროა მომავალი კვლევები, რათა შევადაროთ DM და ღრმა სწავლის მოდელების კლასიფიკაციის სიზუსტე და ეფექტურობა იმავე ნიმუშებში ტრადიციულ მეთოდებთან.
კვლევაში გამოყენებულია 2657 ორთოგრაფიული ფოტო, რომელიც შეგროვდა კორეელი და იაპონელი მოზრდილებისგან 15-დან 23 წლამდე.კორეული რენტგენოგრაფია დაყოფილი იყო 900 სასწავლო კომპლექტად (19,42 ± 2,65 წელი) და 900 შიდა ტესტის კომპლექტად (19,52 ± 2,59 წელი).ტრენინგის ნაკრები შეგროვდა ერთ დაწესებულებაში (სეულის წმინდა მარიამის საავადმყოფო), ხოლო საკუთარი ტესტის ნაკრები შეგროვდა ორ დაწესებულებაში (სეულის ეროვნული უნივერსიტეტის სტომატოლოგიური საავადმყოფო და იონსეის უნივერსიტეტის სტომატოლოგიური ჰოსპიტალი).ჩვენ ასევე შევაგროვეთ 857 რენტგენოგრაფია სხვა პოპულაციაზე დაფუძნებული მონაცემებიდან (ივატეს სამედიცინო უნივერსიტეტი, იაპონია) გარე ტესტირებისთვის.იაპონური სუბიექტების რენტგენოგრაფია (19.31 ± 2.60 წელი) შერჩეული იყო გარე ტესტის კომპლექტად.მონაცემები შეგროვდა რეტროსპექტულად სტომატოლოგიური განვითარების ეტაპების გასაანალიზებლად სტომატოლოგიური მკურნალობის დროს გადაღებულ პანორამულ რენტგენოგრამაზე.ყველა შეგროვებული მონაცემი იყო ანონიმური, გარდა სქესის, დაბადების თარიღისა და რენტგენოგრაფიის თარიღისა.ჩართვისა და გამორიცხვის კრიტერიუმები იყო იგივე, რაც ადრე გამოქვეყნებული კვლევები 4, 5.ნიმუშის რეალური ასაკი გამოითვლებოდა დაბადების თარიღის გამოკლებით რენტგენოგრაფიის გადაღების თარიღიდან.შერჩევის ჯგუფი დაიყო ცხრა ასაკობრივ ჯგუფად.ასაკობრივი და სქესის განაწილება ნაჩვენებია ცხრილში 3. ეს კვლევა ჩატარდა ჰელსინკის დეკლარაციის შესაბამისად და დამტკიცებული იყო კორეის კათოლიკური უნივერსიტეტის სეულის წმინდა მარიამის საავადმყოფოს ინსტიტუციური განხილვის საბჭოს (IRB) მიერ (KC22WISI0328).ამ კვლევის რეტროსპექტული დიზაინის გამო, ინფორმირებული თანხმობა ვერ იქნა მიღებული ყველა პაციენტისგან, რომლებიც გადიან რენტგენოლოგიურ გამოკვლევას თერაპიული მიზნებისთვის.სეულის კორეის უნივერსიტეტის წმინდა მერის ჰოსპიტალმა (IRB) უარი თქვა ინფორმირებული თანხმობის მოთხოვნაზე.
ბიმაქსილარული მეორე და მესამე მოლარის განვითარების ეტაპები შეფასდა დემირკანის კრიტერიუმების მიხედვით25.შეირჩა მხოლოდ ერთი კბილი, თუ ერთი და იგივე ტიპის კბილი აღმოჩენილი იყო თითოეული ყბის მარცხენა და მარჯვენა მხარეს.თუ ორივე მხრიდან ჰომოლოგიური კბილები განვითარების სხვადასხვა სტადიაზე იმყოფებოდა, განვითარების ქვედა სტადიის კბილი შეირჩა გაურკვევლობის გასათვალისწინებლად სავარაუდო ასაკში.ასი შემთხვევით შერჩეული რენტგენოგრამა სავარჯიშო კომპლექტიდან დაფიქსირდა ორი გამოცდილი დამკვირვებლის მიერ, რათა შეემოწმებინათ ინტერდამკვირვებლის სანდოობა წინასწარ კალიბრაციის შემდეგ კბილის სიმწიფის სტადიის დასადგენად.ინტრადამკვირვებლის სანდოობა შეფასდა ორჯერ სამთვიანი ინტერვალით პირველადი დამკვირვებლის მიერ.
თითოეული ყბის მეორე და მესამე მოლარის სქესი და განვითარების სტადია სავარჯიშო კომპლექტში შეფასდა პირველადი დამკვირვებლის მიერ, რომელიც გაწვრთნილი იყო სხვადასხვა DM მოდელებით, და ფაქტობრივი ასაკი დადგინდა, როგორც სამიზნე მნიშვნელობა.SLP და MLP მოდელები, რომლებიც ფართოდ გამოიყენება მანქანათმცოდნეობაში, შემოწმდა რეგრესიის ალგორითმების წინააღმდეგ.DM მოდელი აერთიანებს ხაზოვან ფუნქციებს ოთხი კბილის განვითარების ეტაპების გამოყენებით და აერთიანებს ამ მონაცემებს ასაკის შესაფასებლად.SLP არის უმარტივესი ნერვული ქსელი და არ შეიცავს ფარულ ფენებს.SLP მუშაობს კვანძებს შორის ბარიერი გადაცემის საფუძველზე.SLP მოდელი რეგრესიაში მათემატიკურად მსგავსია მრავალჯერადი ხაზოვანი რეგრესიის.SLP მოდელისგან განსხვავებით, MLP მოდელს აქვს მრავალი ფარული ფენა არაწრფივი აქტივაციის ფუნქციებით.ჩვენმა ექსპერიმენტებმა გამოიყენეს ფარული ფენა მხოლოდ 20 ფარული კვანძით არაწრფივი აქტივაციის ფუნქციებით.გამოიყენეთ გრადიენტური დაღმართი, როგორც ოპტიმიზაციის მეთოდი და MAE და RMSE, როგორც დაკარგვის ფუნქცია ჩვენი მანქანური სწავლის მოდელის მოსამზადებლად.საუკეთესოდ მიღებული რეგრესიული მოდელი გამოყენებული იქნა შიდა და გარე ტესტების კომპლექტებზე და დადგინდა კბილების ასაკი.
შემუშავდა კლასიფიკაციის ალგორითმი, რომელიც იყენებს სავარჯიშო კომპლექტში ოთხი კბილის სიმწიფეს, რათა გამოიცნოს ნიმუში 18 წლისაა თუ არა.მოდელის შესაქმნელად, ჩვენ გამოვიყვანეთ შვიდი წარმომადგენლობითი მანქანური სწავლის ალგორითმი6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost და (7) MLP .LR არის ერთ-ერთი ყველაზე ფართოდ გამოყენებული კლასიფიკაციის ალგორითმი44.ეს არის ზედამხედველობითი სწავლის ალგორითმი, რომელიც იყენებს რეგრესიას გარკვეული კატეგორიის მონაცემების 0-დან 1-მდე მიკუთვნების ალბათობის პროგნოზირებისთვის და ამ ალბათობის საფუძველზე ახარისხებს მონაცემებს, როგორც უფრო სავარაუდო კატეგორიას;ძირითადად გამოიყენება ორობითი კლასიფიკაციისთვის.KNN არის მანქანათმცოდნეობის ერთ-ერთი უმარტივესი ალგორითმი45.ახალი შეყვანის მონაცემების მიცემისას, ის აღმოაჩენს k მონაცემებს არსებულ კომპლექტთან ახლოს და შემდეგ კლასიფიცირებს მათ კლასში უმაღლესი სიხშირით.განხილული მეზობლების რაოდენობაზე (k) დავსახეთ 3.SVM არის ალგორითმი, რომელიც მაქსიმალურად ზრდის მანძილს ორ კლასს შორის ბირთვის ფუნქციის გამოყენებით, რათა გააფართოვოს წრფივი სივრცე არაწრფივ სივრცეში, რომელსაც ეწოდება ველები46.ამ მოდელისთვის, ჩვენ ვიყენებთ მიკერძოებას = 1, სიმძლავრე = 1 და გამა = 1, როგორც ჰიპერპარამეტრები პოლინომიური ბირთვისთვის.DT გამოიყენება სხვადასხვა სფეროში, როგორც ალგორითმი მთელი მონაცემთა ნაკრების რამდენიმე ქვეჯგუფად დაყოფისთვის, გადაწყვეტილების წესების ხის სტრუქტურაში წარმოდგენით47.მოდელი კონფიგურირებულია ჩანაწერების მინიმალური რაოდენობით თითო კვანძზე 2 და იყენებს ჯინის ინდექსს, როგორც ხარისხის საზომს.RF არის ანსამბლის მეთოდი, რომელიც აერთიანებს მრავალჯერადი DT-ს მუშაობის გასაუმჯობესებლად ჩატვირთვის აგრეგაციის მეთოდის გამოყენებით, რომელიც წარმოქმნის სუსტ კლასიფიკატორს თითოეული ნიმუშისთვის ერთი და იმავე ზომის ნიმუშების შემთხვევითი შედგენით რამდენჯერმე ორიგინალური მონაცემთა ნაკრებიდან48.ჩვენ გამოვიყენეთ 100 ხე, 10 ხის სიღრმე, 1 მინიმალური კვანძის ზომა და ჯინის დანამატის ინდექსი კვანძების გამოყოფის კრიტერიუმად.ახალი მონაცემების კლასიფიკაცია განისაზღვრება ხმათა უმრავლესობით.XGBoost არის ალგორითმი, რომელიც აერთიანებს გამაძლიერებელ ტექნიკას მეთოდის გამოყენებით, რომელიც სასწავლო მონაცემად იღებს შეცდომას წინა მოდელის რეალურ და პროგნოზირებულ მნიშვნელობებს შორის და აძლიერებს შეცდომას გრადიენტების გამოყენებით49.ეს არის ფართოდ გამოყენებული ალგორითმი მისი კარგი შესრულებისა და რესურსების ეფექტურობის გამო, ასევე მაღალი საიმედოობის გამო, როგორც გადაჭარბებული კორექტირების ფუნქცია.მოდელი აღჭურვილია 400 საყრდენი ბორბლით.MLP არის ნერვული ქსელი, რომელშიც ერთი ან მეტი პერცეპტრონი ქმნის მრავალ ფენას ერთი ან მეტი ფარული ფენით შემავალ და გამომავალ ფენებს შორის38.ამის გამოყენებით შეგიძლიათ შეასრულოთ არაწრფივი კლასიფიკაცია, სადაც შეყვანის ფენას დაამატებთ და მიიღებთ შედეგის მნიშვნელობას, შედეგის სავარაუდო მნიშვნელობა შედარებულია რეალურ შედეგის მნიშვნელობასთან და შეცდომა გავრცელდება უკან.ჩვენ შევქმენით ფარული ფენა თითოეულ შრეში 20 ფარული ნეირონით.ჩვენ მიერ შემუშავებული თითოეული მოდელი გამოყენებული იყო შიდა და გარე კომპლექტებზე, რათა გამოსცადოთ კლასიფიკაციის შესრულება მგრძნობელობის, სპეციფიკის, PPV, NPV და AUROC-ის გამოთვლით.სენსიტიურობა განისაზღვრება, როგორც 18 წელზე მეტი ასაკის შეფასებული ნიმუშის თანაფარდობა 18 წელზე მეტი ასაკის შეფასებულ ნიმუშთან.სპეციფიკა არის 18 წლამდე ასაკის ნიმუშების და 18 წლამდე ასაკის ნიმუშების პროპორცია.
ტრენინგის კომპლექტში შეფასებული სტომატოლოგიური ეტაპები გადაკეთდა ციფრულ ეტაპებად სტატისტიკური ანალიზისთვის.მრავალვარიანტული ხაზოვანი და ლოგისტიკური რეგრესია განხორციელდა თითოეული სქესისთვის პროგნოზირებადი მოდელების შესაქმნელად და რეგრესიის ფორმულების გამოსაყვანად, რომლებიც შეიძლება გამოყენებულ იქნას ასაკის შესაფასებლად.ჩვენ გამოვიყენეთ ეს ფორმულები კბილის ასაკის შესაფასებლად როგორც შიდა, ასევე გარე ტესტის კომპლექტებისთვის.ცხრილი 4 გვიჩვენებს ამ კვლევაში გამოყენებული რეგრესიისა და კლასიფიკაციის მოდელებს.
შიდა და ინტერდამკვირვებლის სანდოობა გამოითვალა კოენის კაპას სტატისტიკის გამოყენებით.DM და ტრადიციული რეგრესიის მოდელების სიზუსტის შესამოწმებლად, ჩვენ გამოვთვალეთ MAE და RMSE შიდა და გარე ტესტის ნაკრების სავარაუდო და რეალური ასაკის გამოყენებით.ეს შეცდომები ჩვეულებრივ გამოიყენება მოდელის პროგნოზების სიზუსტის შესაფასებლად.რაც უფრო მცირეა შეცდომა, მით უფრო მაღალია პროგნოზის სიზუსტე24.შეადარეთ MAE და RMSE შიდა და გარე ტესტის კომპლექტების გამოთვლილი DM და ტრადიციული რეგრესიის გამოყენებით.18-წლიანი წყვეტის კლასიფიკაციის შესრულება ტრადიციულ სტატისტიკაში შეფასდა 2 × 2 საგანგებო ცხრილის გამოყენებით.ტესტის ნაკრების გამოთვლილი მგრძნობელობა, სპეციფიკა, PPV, NPV და AUROC შედარებული იყო DM კლასიფიკაციის მოდელის გაზომილ მნიშვნელობებთან.მონაცემები გამოიხატება როგორც საშუალო ± სტანდარტული გადახრა ან რიცხვი (%) მონაცემთა მახასიათებლების მიხედვით.ორმხრივი P მნიშვნელობები <0.05 ჩაითვალა სტატისტიკურად მნიშვნელოვანი.ყველა რუტინული სტატისტიკური ანალიზი ჩატარდა SAS ვერსიის 9.4 გამოყენებით (SAS Institute, Cary, NC).DM რეგრესიის მოდელი განხორციელდა Python-ში Keras50 2.2.4 backend-ისა და Tensorflow51 1.8.0-ის გამოყენებით სპეციალურად მათემატიკური ოპერაციებისთვის.DM კლასიფიკაციის მოდელი განხორციელდა Waikato Knowledge Analysis Environment-ში და Konstanz Information Miner (KNIME) 4.6.152 საანალიზო პლატფორმაში.
ავტორები აღიარებენ, რომ კვლევის დასკვნების დამადასტურებელი მონაცემები შეგიძლიათ იხილოთ სტატიაში და დამატებით მასალებში.კვლევის დროს გენერირებული და/ან გაანალიზებული მონაცემთა ნაკრები ხელმისაწვდომია შესაბამისი ავტორისგან გონივრული მოთხოვნით.
Ritz-Timme, S. et al.ასაკის შეფასება: ტექნიკის დონე სასამართლო პრაქტიკის სპეციფიკური მოთხოვნების დასაკმაყოფილებლად.საერთაშორისოობა.J. იურიდიული მედიცინა.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. ცოცხალი სუბიექტების სასამართლო ასაკის შეფასების ამჟამინდელი მდგომარეობა სისხლისსამართლებრივი დევნის მიზნით.სასამართლო ექსპერტიზა.წამალი.პათოლოგია.1, 239–246 (2005).
პან, ჯ. და სხვ.შეცვლილი მეთოდი აღმოსავლეთ ჩინეთში 5-დან 16 წლამდე ასაკის ბავშვების სტომატოლოგიური ასაკის შესაფასებლად.კლინიკური.ზეპირი გამოკითხვა.25, 3463–3474 (2021).
ლი, SS და სხვ. კორეელებში მეორე და მესამე მოლარის განვითარების ქრონოლოგია და მისი გამოყენება სასამართლო ასაკის შეფასებისთვის.საერთაშორისოობა.J. იურიდიული მედიცინა.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY and Lee, SS ასაკობრივი შეფასების სიზუსტე და 18-წლიანი ზღურბლის შეფასება მეორე და მესამე მოლარის სიმწიფის საფუძველზე კორეელებსა და იაპონელებში.PLoS ONE 17, e0271247 (2022).
Kim, JY და სხვ.წინასაოპერაციო მანქანურ სწავლებაზე დაფუძნებული მონაცემების ანალიზს შეუძლია იწინასწარმეტყველოს ძილის ქირურგიული მკურნალობის შედეგი პაციენტებში OSA-ით.მეცნიერება.ანგარიში 11, 14911 (2021).
ჰანი, მ. და სხვ.ზუსტი ასაკის შეფასება მანქანური სწავლებიდან ადამიანის ჩარევით თუ მის გარეშე?საერთაშორისოობა.J. იურიდიული მედიცინა.136, 821–831 (2022).
Khan, S. and Shaheen, M. მონაცემთა მოპოვებიდან მონაცემთა მოპოვებამდე.J.ინფორმაცია.მეცნიერება.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. and Shaheen, M. WisRule: The First Cognitive Algorithm for Association Rule Mining.J.ინფორმაცია.მეცნიერება.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. and Abdullah U. Karm: მონაცემთა ტრადიციული მოპოვება კონტექსტზე დაფუძნებული ასოციაციის წესებზე დაყრდნობით.გამოთვალეთ.მეთიუგააგრძელე.68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. and Habib M. ღრმა სწავლაზე დაფუძნებული სემანტიკური მსგავსების გამოვლენა ტექსტის მონაცემების გამოყენებით.ინფორმირება.ტექნოლოგიები.კონტროლი.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., and Shahin, M. სპორტულ ვიდეოებში აქტივობის ამოცნობის სისტემა.მულტიმედია.ინსტრუმენტების აპლიკაციები https://doi.org/10.1007/s11042-021-10519-6 (2021).
ჰალაბი, SS და სხვ.RSNA მანქანათმცოდნეობის გამოწვევა პედიატრიულ ძვლის ასაკში.რადიოლოგია 290, 498–503 (2019).
Li, Y. და სხვ.სასამართლო ასაკის შეფასება მენჯის რენტგენის გამოყენებით ღრმა სწავლის გამოყენებით.ევრო.რადიაცია.29, 2322–2329 (2019).
Guo, YC და სხვ.ზუსტი ასაკობრივი კლასიფიკაცია სახელმძღვანელო მეთოდებისა და ღრმა კონვოლუციური ნერვული ქსელების გამოყენებით ორთოგრაფიული პროექციის სურათებიდან.საერთაშორისოობა.J. იურიდიული მედიცინა.135, 1589–1597 (2021).
ალაბამა დალორა და სხვ.ძვლის ასაკის შეფასება მანქანური სწავლების სხვადასხვა მეთოდების გამოყენებით: ლიტერატურის სისტემატური მიმოხილვა და მეტა-ანალიზი.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. აფროამერიკელებისა და ჩინელების პოპულაციის სპეციფიკური ასაკობრივი შეფასება პირველი მოლარების პულპის კამერის მოცულობებზე დაყრდნობით, კონუსური სხივის კომპიუტერული ტომოგრაფიის გამოყენებით.საერთაშორისოობა.J. იურიდიული მედიცინა.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK და Oh KS ცოცხალი ადამიანების ასაკობრივი ჯგუფების განსაზღვრა პირველი მოლარების ხელოვნური ინტელექტის გამოსახულებების გამოყენებით.მეცნიერება.ანგარიში 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. ავტომატური ასაკის შეფასება და უმრავლესობის ასაკის კლასიფიკაცია მრავალვარიანტული MRI მონაცემებიდან.IEEE J. Biomed.ჯანმრთელობის გაფრთხილებები.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. and Li, G. ასაკის შეფასება ეფუძნება პირველი მოლარების 3D პულპის კამერის სეგმენტაციას კონუსური სხივის კომპიუტერული ტომოგრაფიიდან ღრმა სწავლისა და დონის კომპლექტების ინტეგრირებით.საერთაშორისოობა.J. იურიდიული მედიცინა.135, 365–373 (2021).
ვუ, WT და სხვ.მონაცემთა მოპოვება კლინიკურ დიდ მონაცემებში: საერთო მონაცემთა ბაზები, ნაბიჯები და მეთოდების მოდელები.მსოფლიო.წამალი.რესურსი.8, 44 (2021).
იანგი, ჯ. და სხვ.სამედიცინო მონაცემთა ბაზებისა და მონაცემთა მოპოვების ტექნოლოგიების შესავალი დიდი მონაცემების ეპოქაში.ჯ.ავიდი.ძირითადი მედიცინა.13, 57–69 (2020).
შენ, ს. და სხვ.კამერერის მეთოდი კბილის ასაკის შესაფასებლად მანქანური სწავლის გამოყენებით.BMC Oral Health 21, 641 (2021).
Galliburg A. და სხვ.სტომატოლოგიური ასაკის პროგნოზირების სხვადასხვა მანქანური სწავლის მეთოდების შედარება დემირჯიანი სტადიის მეთოდის გამოყენებით.საერთაშორისოობა.J. იურიდიული მედიცინა.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM სტომატოლოგიური ასაკის შეფასების ახალი სისტემა.ხვრინვა.ბიოლოგია.45, 211–227 (1973).
Landis, JR, and Koch, GG დამკვირვებელთა შეთანხმების ღონისძიებები კატეგორიულ მონაცემებზე.Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK და Choi HK.ორგანზომილებიანი მაგნიტურ-რეზონანსული გამოსახულების ტექსტური, მორფოლოგიური და სტატისტიკური ანალიზი ხელოვნური ინტელექტის ტექნიკის გამოყენებით ტვინის პირველადი სიმსივნეების დიფერენციაციისთვის.ინფორმაცია ჯანმრთელობის შესახებ.რესურსი.https://doi.org/10.4258/hir.2022.28.1.46 (2022).