კორეელ მოზარდებსა და ახალგაზრდებში მონაცემთა მოპოვების მოდელის ვალიდაცია კბილების ასაკის შეფასების ტრადიციულ მეთოდებთან შედარებით

გმადლობთ, რომ ეწვიეთ Nature.com-ს. თქვენს მიერ გამოყენებული ბრაუზერის ვერსიას CSS-ის შეზღუდული მხარდაჭერა აქვს. საუკეთესო შედეგის მისაღწევად, გირჩევთ გამოიყენოთ თქვენი ბრაუზერის უფრო ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში). ამასობაში, მუდმივი მხარდაჭერის უზრუნველსაყოფად, საიტს სტილის ან JavaScript-ის გარეშე ვაჩვენებთ.
კბილები ადამიანის სხეულის ასაკის ყველაზე ზუსტ მაჩვენებლად ითვლება და ხშირად გამოიყენება სასამართლო ასაკის შეფასებისას. ჩვენი მიზანი იყო მონაცემთა მოპოვებაზე დაფუძნებული სტომატოლოგიური ასაკის შეფასების დადასტურება, 18-წლიანი ზღვრის შეფასების სიზუსტისა და კლასიფიკაციის შესრულების ტრადიციულ მეთოდებთან და მონაცემთა მოპოვებაზე დაფუძნებულ ასაკის შეფასებასთან შედარებით. 15-დან 23 წლამდე ასაკის კორეელი და იაპონელი მოქალაქეებისგან შეგროვდა სულ 2657 პანორამული რენტგენოგრაფია. ისინი დაიყო სავარჯიშო ნაკრებად, რომელთაგან თითოეული შეიცავდა 900 კორეულ რენტგენოგრაფიას, და შიდა ტესტის ნაკრებად, რომელიც შეიცავდა 857 იაპონურ რენტგენოგრაფიას. ჩვენ შევადარეთ ტრადიციული მეთოდების კლასიფიკაციის სიზუსტე და ეფექტურობა მონაცემთა მოპოვების მოდელების ტესტის ნაკრებებს. შიდა ტესტის ნაკრებზე ტრადიციული მეთოდის სიზუსტე ოდნავ მაღალია, ვიდრე მონაცემთა მოპოვების მოდელის, და განსხვავება მცირეა (საშუალო აბსოლუტური შეცდომა <0.21 წელი, საშუალო კვადრატული შეცდომა <0.24 წელი). 18-წლიანი ზღვრული ზღვრის კლასიფიკაციის შესრულება ასევე მსგავსია ტრადიციულ მეთოდებსა და მონაცემთა მოპოვების მოდელებს შორის. ამრიგად, ტრადიციული მეთოდები შეიძლება შეიცვალოს მონაცემთა მოპოვების მოდელებით, როდესაც ხორციელდება სასამართლო ასაკის შეფასება მეორე და მესამე მოლარების სიმწიფის გამოყენებით კორეელ მოზარდებსა და ახალგაზრდებში.
კბილის ასაკის შეფასება ფართოდ გამოიყენება სასამართლო მედიცინასა და პედიატრიულ სტომატოლოგიაში. კერძოდ, ქრონოლოგიურ ასაკსა და კბილის განვითარებას შორის მაღალი კორელაციის გამო, კბილების განვითარების ეტაპების მიხედვით ასაკის შეფასება მნიშვნელოვან კრიტერიუმს წარმოადგენს ბავშვებისა და მოზარდების ასაკის შესაფასებლად1,2,3. თუმცა, ახალგაზრდებისთვის, კბილების სიმწიფის მიხედვით კბილების ასაკის შეფასებას თავისი შეზღუდვები აქვს, რადგან კბილების ზრდა თითქმის დასრულებულია, მესამე მოლარების გარდა. ახალგაზრდებისა და მოზარდების ასაკის განსაზღვრის სამართლებრივი მიზანია ზუსტი შეფასებისა და სამეცნიერო მტკიცებულებების მიწოდება იმის შესახებ, მიაღწიეს თუ არა მათ სრულწლოვანებას. კორეაში მოზარდებისა და ახალგაზრდების სამედიცინო-სამართლებრივ პრაქტიკაში ასაკი შეფასდა ლის მეთოდით და 18 წლის კანონიერი ზღვარი იწინასწარმეტყველეს ოჰის და სხვების მიერ მოწოდებული მონაცემების საფუძველზე5.
მანქანური სწავლება ხელოვნური ინტელექტის (AI) სახეობაა, რომელიც განმეორებით სწავლობს და ახარისხებს დიდი რაოდენობით მონაცემებს, დამოუკიდებლად წყვეტს პრობლემებს და მართავს მონაცემთა პროგრამირებას. მანქანურ სწავლებას შეუძლია აღმოაჩინოს სასარგებლო ფარული ნიმუშები მონაცემების დიდ მოცულობაში6. ამის საპირისპიროდ, კლასიკურ მეთოდებს, რომლებიც შრომატევადი და დროის მომთხოვნია, შეიძლება ჰქონდეთ შეზღუდვები დიდი მოცულობის რთული მონაცემების დამუშავებისას, რომელთა ხელით დამუშავება რთულია7. ამიტომ, ბოლო დროს ჩატარდა მრავალი კვლევა უახლესი კომპიუტერული ტექნოლოგიების გამოყენებით, რათა მინიმუმამდე დაეყვანათ ადამიანური შეცდომები და ეფექტურად დაემუშავებინათ მრავალგანზომილებიანი მონაცემები8,9,10,11,12. კერძოდ, ღრმა სწავლება ფართოდ გამოიყენება სამედიცინო სურათების ანალიზში და აღწერილია ასაკის შეფასების სხვადასხვა მეთოდი რენტგენოგრაფიის ავტომატური ანალიზით, რაც აუმჯობესებს ასაკის შეფასების სიზუსტეს და ეფექტურობას13,14,15,16,17,18,19,20. მაგალითად, ჰალაბიმ და სხვებმა13 შეიმუშავეს მანქანური სწავლების ალგორითმი კონვოლუციურ ნერვულ ქსელებზე (CNN) დაფუძნებული, რათა შეაფასონ ჩონჩხის ასაკი 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 სხვ.14-მა ღრმა სწავლების CNN-ის გამოყენებით შეაფასეს ასაკი მენჯის რენტგენის სურათებიდან და შეადარეს ისინი რეგრესიის შედეგებს ოსიფიკაციის სტადიის შეფასების გამოყენებით. მათ აღმოაჩინეს, რომ ღრმა სწავლების CNN მოდელმა აჩვენა ასაკის შეფასების იგივე მაჩვენებელი, რაც ტრადიციულმა რეგრესიის მოდელმა. გუოს და სხვ. კვლევამ [15] შეაფასა CNN ტექნოლოგიის ასაკობრივი ტოლერანტობის კლასიფიკაციის შესრულება სტომატოლოგიურ ორთოფოტოებზე დაყრდნობით და CNN მოდელის შედეგებმა დაამტკიცა, რომ ადამიანებმა აღემატებოდნენ მის ასაკობრივი კლასიფიკაციის შესრულებას.
მანქანური სწავლების გამოყენებით ასაკის შეფასების შესახებ კვლევების უმეტესობა იყენებს ღრმა სწავლების მეთოდებს13,14,15,16,17,18,19,20. ღრმა სწავლებაზე დაფუძნებული ასაკის შეფასება ტრადიციულ მეთოდებთან შედარებით უფრო ზუსტია. თუმცა, ეს მიდგომა მცირე შესაძლებლობას იძლევა წარმოადგინოს ასაკის შეფასების სამეცნიერო საფუძველი, როგორიცაა შეფასებებში გამოყენებული ასაკის ინდიკატორები. ასევე არსებობს სამართლებრივი დავა იმის შესახებ, თუ ვინ ატარებს შემოწმებას. ამიტომ, ღრმა სწავლებაზე დაფუძნებული ასაკის შეფასება ადმინისტრაციული და სასამართლო ორგანოებისთვის რთულია მისაღები. მონაცემთა მოპოვება (DM) არის ტექნიკა, რომელსაც შეუძლია აღმოაჩინოს არა მხოლოდ მოსალოდნელი, არამედ მოულოდნელი ინფორმაცია, როგორც მეთოდი მონაცემების დიდ რაოდენობას შორის სასარგებლო კორელაციების აღმოსაჩენად6,21,22. მანქანური სწავლება ხშირად გამოიყენება მონაცემთა მოპოვებაში და როგორც მონაცემთა მოპოვება, ასევე მანქანური სწავლება იყენებს ერთსა და იმავე ძირითად ალგორითმებს მონაცემებში არსებული კანონზომიერებების აღმოსაჩენად. სტომატოლოგიური განვითარების გამოყენებით ასაკის შეფასება ეფუძნება გამომცდელის მიერ სამიზნე კბილების სიმწიფის შეფასებას და ეს შეფასება გამოიხატება თითოეული სამიზნე კბილის ეტაპის სახით. DM შეიძლება გამოყენებულ იქნას სტომატოლოგიური შეფასების ეტაპსა და რეალურ ასაკს შორის კორელაციის გასაანალიზებლად და აქვს პოტენციალი, ჩაანაცვლოს ტრადიციული სტატისტიკური ანალიზი. ამგვარად, თუ ასაკის შესაფასებლად გამოვიყენებთ DM ტექნიკას, შეგვიძლია მანქანური სწავლება დანერგოთ სასამართლო ექსპერტიზის ასაკის შეფასებაში იურიდიული პასუხისმგებლობის შესახებ ფიქრის გარეშე. გამოქვეყნდა რამდენიმე შედარებითი კვლევა სასამართლო ექსპერტიზაში გამოყენებული ტრადიციული ხელით გამოყენებული მეთოდებისა და კბილების ასაკის დასადგენად EBM-ზე დაფუძნებული მეთოდების შესაძლო ალტერნატივების შესახებ. შენმა და სხვებმა23 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 მეთოდმა აჯობა დემირჯიანის და ვილემსის მეთოდებს საფრანგეთის მოსახლეობის ასაკის შეფასებისას.
კორეელი მოზარდებისა და ახალგაზრდების კბილების ასაკის შესაფასებლად, კორეის სასამართლო ექსპერტიზაში ფართოდ გამოიყენება ლის მეთოდი 4. ეს მეთოდი იყენებს ტრადიციულ სტატისტიკურ ანალიზს (მაგალითად, მრავლობით რეგრესიას) კორეელ სუბიექტებსა და ქრონოლოგიურ ასაკს შორის ურთიერთობის შესასწავლად. ამ კვლევაში, ტრადიციული სტატისტიკური მეთოდების გამოყენებით მიღებული ასაკის შეფასების მეთოდები განისაზღვრება, როგორც „ტრადიციული მეთოდები“. ლის მეთოდი ტრადიციული მეთოდია და მისი სიზუსტე დაადასტურა ოჰმა და სხვებმა 5; თუმცა, შაქრიანი დიაბეტის მოდელზე დაფუძნებული ასაკის შეფასების კორეის სასამართლო ექსპერტიზაში გამოყენებადობა კვლავ საეჭვოა. ჩვენი მიზანი იყო შაქრიანი დიაბეტის მოდელზე დაფუძნებული ასაკის შეფასების პოტენციური სარგებლიანობის სამეცნიერო დადასტურება. ამ კვლევის მიზანი იყო (1) შაქრიანი დიაბეტის ორი მოდელის სიზუსტის შედარება კბილების ასაკის შეფასებისას და (2) 18 წლის ასაკში შაქრიანი დიაბეტის 7 მოდელის კლასიფიკაციის შესრულების შედარება ტრადიციული სტატისტიკური მეთოდების გამოყენებით მიღებულ მონაცემებთან. მეორე და მესამე მოლარების სიმწიფე ორივე ყბაში.
ქრონოლოგიური ასაკის საშუალო მაჩვენებლები და სტანდარტული გადახრები სტადიისა და კბილის ტიპის მიხედვით ონლაინ რეჟიმში ნაჩვენებია დამატებით ცხრილში S1 (სავარჯიშო ნაკრები), დამატებით ცხრილში S2 (შიდა ტესტის ნაკრები) და დამატებით ცხრილში S3 (გარე ტესტის ნაკრები). სასწავლო ნაკრებიდან მიღებული დამკვირვებლის შიდა და დამკვირვებლებს შორის სანდოობის კაპას მნიშვნელობები შესაბამისად 0.951 და 0.947 იყო. კაპას მნიშვნელობების P მნიშვნელობები და 95%-იანი სანდოობის ინტერვალები ნაჩვენებია დამატებით ცხრილში S4 ონლაინ რეჟიმში. კაპას მნიშვნელობა ინტერპრეტირებული იყო, როგორც „თითქმის იდეალური“, რაც შეესაბამება ლენდისისა და კოხის კრიტერიუმებს26.
საშუალო აბსოლუტური შეცდომის (MAE) შედარებისას, ტრადიციული მეთოდი ოდნავ აღემატება DM მოდელს ყველა სქესისთვის და გარე მამრობითი სატესტო ნაკრებში, გარდა მრავალშრიანი პერცეპტრონისა (MLP). შიდა MAE სატესტო ნაკრებში ტრადიციულ მოდელსა და DM მოდელს შორის განსხვავება მამაკაცებისთვის 0.12–0.19 წელი იყო და ქალებისთვის 0.17–0.21 წელი. გარე სატესტო ნაკრებისთვის განსხვავებები უფრო მცირეა (0.001–0.05 წელი მამაკაცებისთვის და 0.05–0.09 წელი ქალებისთვის). გარდა ამისა, საშუალო კვადრატული შეცდომა (RMSE) ოდნავ დაბალია ტრადიციულ მეთოდთან შედარებით, უფრო მცირე განსხვავებებით (0.17–0.24, 0.2–0.24 მამრობითი შიდა სატესტო ნაკრებისთვის და 0.03–0.07, 0.04–0.08 გარე სატესტო ნაკრებისთვის). MLP ოდნავ უკეთეს შესრულებას აჩვენებს, ვიდრე ერთშრიანი პერცეპტრონი (SLP), გარდა ქალის გარე სატესტო ნაკრებისა. MAE-სა და RMSE-ს შემთხვევაში, გარე ტესტების ნაკრები ყველა სქესისა და მოდელისთვის უფრო მაღალ ქულებს იღებს, ვიდრე შიდა ტესტების ნაკრები. ყველა MAE და RMSE ნაჩვენებია ცხრილში 1 და ნახაზში 1.
ტრადიციული და მონაცემთა მოპოვების რეგრესიის მოდელების MAE და RMSE. საშუალო აბსოლუტური შეცდომა MAE, საშუალო კვადრატული შეცდომა RMSE, ერთშრიანი პერცეპტრონი SLP, მრავალშრიანი პერცეპტრონი MLP, ტრადიციული CM მეთოდი.
ტრადიციული და შაქრიანი დიაბეტის მოდელების კლასიფიკაციის ეფექტურობა (18 წლიანი ზღვრით) ნაჩვენები იყო მგრძნობელობის, სპეციფიკურობის, დადებითი პროგნოზირებადი მნიშვნელობის (PPV), უარყოფითი პროგნოზირებადი მნიშვნელობის (NPV) და მიმღების ოპერაციული მახასიათებლის მრუდის ქვეშ ფართობის (AUROC) 27 თვალსაზრისით (ცხრილი 2, სურათი 2 და დამატებითი სურათი 1 ონლაინ). შიდა ტესტის ბატარეის მგრძნობელობის თვალსაზრისით, ტრადიციულმა მეთოდებმა საუკეთესო შედეგი აჩვენა მამაკაცებში და უარესი - ქალებში. თუმცა, ტრადიციულ მეთოდებსა და SD-ს შორის კლასიფიკაციის ეფექტურობაში სხვაობა მამაკაცებისთვის 9.7%-ია (MLP) და ქალებისთვის მხოლოდ 2.4% (XGBoost). შაქრიანი დიაბეტის მოდელებს შორის, ლოგისტიკურმა რეგრესიამ (LR) ორივე სქესში უკეთესი მგრძნობელობა აჩვენა. შიდა ტესტის სპეციფიკურობის თვალსაზრისით, დაფიქსირდა, რომ ოთხი SD მოდელი კარგად მუშაობდა მამაკაცებში, ხოლო ტრადიციული მოდელი - ქალებში. კლასიფიკაციის ეფექტურობაში სხვაობა მამაკაცებისა და ქალებისთვის შესაბამისად 13.3%-ია (MLP) და 13.1%-ია (MLP), რაც მიუთითებს, რომ მოდელებს შორის კლასიფიკაციის ეფექტურობაში სხვაობა აღემატება მგრძნობელობას. DM მოდელებს შორის, დამხმარე ვექტორული მანქანის (SVM), გადაწყვეტილების ხის (DT) და შემთხვევითი ტყის (RF) მოდელები საუკეთესოდ მუშაობდა მამაკაცებში, ხოლო LR მოდელი საუკეთესოდ მუშაობდა ქალებში. ტრადიციული მოდელის და ყველა SD მოდელის AUROC 0.925-ზე მეტი იყო (k-უახლოესი მეზობელი (KNN) მამაკაცებში), რაც 18 წლის ნიმუშების განსხვავების შესანიშნავ კლასიფიკაციის მაჩვენებელს ავლენდა28. გარე ტესტის ნაკრებისთვის, შიდა ტესტის ნაკრებთან შედარებით, კლასიფიკაციის მაჩვენებლის შემცირება დაფიქსირდა მგრძნობელობის, სპეციფიკურობის და AUROC-ის თვალსაზრისით. უფრო მეტიც, საუკეთესო და ყველაზე ცუდი მოდელების კლასიფიკაციის მაჩვენებლებს შორის მგრძნობელობისა და სპეციფიკურობის სხვაობა 10%-დან 25%-მდე მერყეობდა და უფრო დიდი იყო, ვიდრე შიდა ტესტის ნაკრებში არსებული სხვაობა.
მონაცემთა მოპოვების კლასიფიკაციის მოდელების მგრძნობელობა და სპეციფიკურობა ტრადიციულ მეთოდებთან შედარებით 18 წლიანი ზღვრული ინტერვალით. KNN k უახლოესი მეზობელი, SVM დამხმარე 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 დიაბეტის მოდელიდან მიღებული კბილების ასაკის შეფასების სიზუსტის შედარება ტრადიციული რეგრესიის გამოყენებით მიღებულ მონაცემებთან. MAE და RMSE შეფასდა ორივე სქესისთვის შიდა ტესტის ნაკრებებში და ტრადიციულ მეთოდსა და დიაბეტის მოდელს შორის განსხვავება MAE-სთვის 44-დან 77 დღემდე, ხოლო RMSE-სთვის 62-დან 88 დღემდე მერყეობდა. მიუხედავად იმისა, რომ ამ კვლევაში ტრადიციული მეთოდი ოდნავ უფრო ზუსტი იყო, ძნელია დავასკვნათ, აქვს თუ არა ასეთ მცირე განსხვავებას კლინიკური თუ პრაქტიკული მნიშვნელობა. ეს შედეგები მიუთითებს, რომ დიაბეტის მოდელის გამოყენებით კბილების ასაკის შეფასების სიზუსტე თითქმის იგივეა, რაც ტრადიციული მეთოდის. წინა კვლევების შედეგებთან პირდაპირი შედარება რთულია, რადგან არცერთ კვლევას არ შეუდარებია დიაბეტის მოდელების სიზუსტე ტრადიციულ სტატისტიკურ მეთოდებთან, რომლებიც იყენებენ კბილების ჩაწერის იმავე ტექნიკას იმავე ასაკობრივ დიაპაზონში, როგორც ამ კვლევაში. გალიბურგმა და სხვებმა24 შეადარეს MAE და RMSE ორ ტრადიციულ მეთოდს (დემირჯიანის მეთოდი25 და ვილემსის მეთოდი29) და დიაბეტის 10 მოდელს შორის 2-დან 24 წლამდე ასაკის ფრანგულ პოპულაციაში. მათ აღნიშნეს, რომ შაქრიანი დიაბეტის ყველა მოდელი უფრო ზუსტი იყო, ვიდრე ტრადიციული მეთოდები, MAE-ში 0.20 და 0.38 წლის და RMSE-ში 0.25 და 0.47 წლის სხვაობით, შესაბამისად, ვილემსის და დემირდჯიანის მეთოდებთან შედარებით. ჰალიბურგის კვლევაში ნაჩვენები SD მოდელსა და ტრადიციულ მეთოდებს შორის შეუსაბამობა ითვალისწინებს მრავალრიცხოვან ანგარიშებს30,31,32,33, რომ დემირდჯიანის მეთოდი ზუსტად არ აფასებს კბილების ასაკს ფრანგ-კანადელების გარდა სხვა პოპულაციებში, რომლებზეც დაფუძნებული იყო კვლევა. ამ კვლევაში ტაიმ და სხვებმა34 გამოიყენეს MLP ალგორითმი კბილის ასაკის პროგნოზირებისთვის 1636 ჩინური ორთოდონტიული ფოტოსურათიდან და შეადარეს მისი სიზუსტე დემირდჯიანის და ვილემსის მეთოდის შედეგებს. მათ აღნიშნეს, რომ MLP-ს უფრო მაღალი სიზუსტე აქვს, ვიდრე ტრადიციულ მეთოდებს. დემირდჯიანის მეთოდსა და ტრადიციულ მეთოდს შორის სხვაობა <0.32 წელია, ხოლო ვილემსის მეთოდს - 0.28 წელი, რაც მსგავსია ამ კვლევის შედეგებისა. ამ წინა კვლევების შედეგები24,34 ასევე შეესაბამება ამჟამინდელი კვლევის შედეგებს და შაქრიანი დიაბეტის მოდელისა და ტრადიციული მეთოდის ასაკის შეფასების სიზუსტე მსგავსია. თუმცა, წარმოდგენილი შედეგების საფუძველზე, მხოლოდ სიფრთხილით შეგვიძლია დავასკვნათ, რომ ასაკის შესაფასებლად შაქრიანი დიაბეტის მოდელების გამოყენებამ შესაძლოა ჩაანაცვლოს არსებული მეთოდები წინა შედარებითი და საცნობარო კვლევების ნაკლებობის გამო. ამ კვლევაში მიღებული შედეგების დასადასტურებლად საჭიროა შემდგომი კვლევები უფრო დიდი ნიმუშების გამოყენებით.
კბილის ასაკის შეფასებისას სტანდარტული გადახრის სიზუსტის შემმოწმებელ კვლევებს შორის, ზოგიერთმა აჩვენა უფრო მაღალი სიზუსტე, ვიდრე ჩვენმა კვლევამ. სტეპანოვსკიმ და სხვებმა35 გამოიყენეს 22 სტანდარტული გადახრის მოდელი 2.7-დან 20.5 წლამდე ასაკის 976 ჩეხი მოქალაქის პანორამულ რენტგენოგრამაზე და შეამოწმეს თითოეული მოდელის სიზუსტე. მათ შეაფასეს სულ 16 ზედა და ქვედა მარცხენა მუდმივი კბილის განვითარება მურის და სხვ.36 მიერ შემოთავაზებული კლასიფიკაციის კრიტერიუმების გამოყენებით. MAE მერყეობს 0.64-დან 0.94 წლამდე, ხოლო RMSE მერყეობს 0.85-დან 1.27 წლამდე, რაც უფრო ზუსტია, ვიდრე ამ კვლევაში გამოყენებული ორი DM მოდელი. შენმა და სხვებმა23 გამოიყენეს კამერიერის მეთოდი 5-დან 13 წლამდე ასაკის აღმოსავლეთ ჩინეთის მაცხოვრებლებში მარცხენა ყბის შვიდი მუდმივი კბილის სტომატოლოგიური ასაკის შესაფასებლად და შეადარეს ის წრფივი რეგრესიის, SVM და RF გამოყენებით შეფასებულ ასაკებს. მათ აჩვენეს, რომ DM-ის სამივე მოდელს უფრო მაღალი სიზუსტე აქვს ტრადიციულ კამერიერის ფორმულასთან შედარებით. შენის კვლევაში MAE და RMSE უფრო დაბალი იყო, ვიდრე ამ კვლევაში DM მოდელში. სტეპანოვსკის და სხვ. 35 და შენის და სხვ. 23 კვლევების გაზრდილი სიზუსტე შესაძლოა განპირობებული იყოს მათ კვლევის ნიმუშებში ახალგაზრდა სუბიექტების ჩართვით. იმის გამო, რომ განვითარებადი კბილების მქონე მონაწილეებისთვის ასაკის შეფასება უფრო ზუსტი ხდება კბილების განვითარების დროს კბილების რაოდენობის ზრდასთან ერთად, შედეგად მიღებული ასაკის შეფასების მეთოდის სიზუსტე შეიძლება დაირღვეს, როდესაც კვლევის მონაწილეები უფრო ახალგაზრდები არიან. გარდა ამისა, MLP-ის შეცდომა ასაკის შეფასებაში ოდნავ ნაკლებია SLP-სთან შედარებით, რაც ნიშნავს, რომ MLP უფრო ზუსტია, ვიდრე SLP. MLP ოდნავ უკეთესად ითვლება ასაკის შეფასებისთვის, შესაძლოა MLP-ში ფარული ფენების გამო38. თუმცა, გამონაკლისი არსებობს ქალების გარე ნიმუშისთვის (SLP 1.45, MLP 1.49). დასკვნა, რომ MLP უფრო ზუსტია, ვიდრე SLP ასაკის შეფასებისას, დამატებით რეტროსპექტულ კვლევებს მოითხოვს.
ასევე შედარებული იქნა DM მოდელისა და ტრადიციული მეთოდის კლასიფიკაციის ეფექტურობა 18-წლიან ზღურბლზე. შიდა ტესტირების ნაკრებში ყველა გამოცდილმა SD მოდელმა და ტრადიციულმა მეთოდმა აჩვენა პრაქტიკულად მისაღები დონის დისკრიმინაცია 18 წლის ნიმუშისთვის. მამაკაცებისა და ქალებისთვის მგრძნობელობა შესაბამისად 87.7%-ზე და 94.9%-ზე მეტი იყო, ხოლო სპეციფიკურობა - 89.3%-ზე და 84.7%-ზე მეტი. ყველა გამოცდილი მოდელის AUROC ასევე აღემატება 0.925-ს. ჩვენი ინფორმაციით, არცერთ კვლევას არ შეუმოწმებია DM მოდელის ეფექტურობა 18-წლიანი კლასიფიკაციისთვის კბილების სიმწიფის მიხედვით. ამ კვლევის შედეგები შეგვიძლია შევადაროთ ღრმა სწავლების მოდელების კლასიფიკაციის ეფექტურობას პანორამულ რენტგენოგრამებზე. გუომ და სხვებმა15 გამოთვალეს CNN-ზე დაფუძნებული ღრმა სწავლების მოდელისა და დემირჯიანის მეთოდზე დაფუძნებული მანუალური მეთოდის კლასიფიკაციის ეფექტურობა გარკვეული ასაკობრივი ზღურბლისთვის. ხელით სწავლების მეთოდის მგრძნობელობა და სპეციფიკურობა შესაბამისად 87.7% და 95.5% იყო, ხოლო CNN მოდელის მგრძნობელობა და სპეციფიკურობა შესაბამისად 89.2%-ს და 86.6%-ს აღემატებოდა. მათ დაასკვნეს, რომ ღრმა სწავლების მოდელებს შეუძლიათ ასაკობრივი ზღვრების კლასიფიკაციის ხელით შეფასება ჩაანაცვლონ ან გადააჭარბონ მას. ამ კვლევის შედეგებმა მსგავსი კლასიფიკაციის შესრულება აჩვენა; ითვლება, რომ DM მოდელების გამოყენებით კლასიფიკაციას შეუძლია ასაკის შეფასების ტრადიციული სტატისტიკური მეთოდების ჩანაცვლება. მოდელებს შორის, DM LR საუკეთესო მოდელი იყო მამრობითი სქესის ნიმუშისთვის მგრძნობელობის, ხოლო მდედრობითი სქესის ნიმუშისთვის მგრძნობელობისა და სპეციფიკურობის თვალსაზრისით. მამაკაცებისთვის სპეციფიკურობით LR მეორე ადგილზეა. უფრო მეტიც, LR ითვლება ერთ-ერთ ყველაზე მოსახერხებელ DM35 მოდელად და ნაკლებად რთული და დამუშავებადია. ამ შედეგების საფუძველზე, LR კორეის მოსახლეობაში 18 წლის მოზარდებისთვის საუკეთესო ზღვრულ კლასიფიკაციის მოდელად ითვლებოდა.
საერთო ჯამში, გარე ტესტის ნაკრებზე ასაკის შეფასების ან კლასიფიკაციის შესრულების სიზუსტე დაბალი ან უფრო დაბალი იყო შიდა ტესტის ნაკრებზე მიღებულ შედეგებთან შედარებით. ზოგიერთი ანგარიში მიუთითებს, რომ კლასიფიკაციის სიზუსტე ან ეფექტურობა მცირდება, როდესაც კორეის მოსახლეობაზე დაფუძნებული ასაკის შეფასებები გამოიყენება იაპონიის მოსახლეობაზე5,39 და მსგავსი ტენდენცია დაფიქსირდა ამ კვლევაში. გაუარესების ეს ტენდენცია ასევე დაფიქსირდა შაქრიანი დიაბეტის მოდელში. ამიტომ, ასაკის ზუსტად შესაფასებლად, ანალიზის პროცესში შაქრიანი დიაბეტის გამოყენების დროსაც კი, უპირატესობა უნდა მიენიჭოს ადგილობრივი მოსახლეობის მონაცემებიდან მიღებულ მეთოდებს, როგორიცაა ტრადიციული მეთოდები5,39,40,41,42. რადგან გაურკვეველია, შეუძლიათ თუ არა ღრმა სწავლების მოდელებს მსგავსი ტენდენციების ჩვენება, საჭიროა კვლევები, რომლებიც ადარებენ კლასიფიკაციის სიზუსტეს და ეფექტურობას ტრადიციული მეთოდების, შაქრიანი დიაბეტის მოდელების და ღრმა სწავლების მოდელების გამოყენებით იმავე ნიმუშებზე, იმის დასადასტურებლად, შეუძლია თუ არა ხელოვნურ ინტელექტს გადალახოს ეს რასობრივი უთანასწორობა შეზღუდული ასაკობრივი შეფასებებით.
ჩვენ ვაჩვენებთ, რომ კორეაში ასაკის შეფასების სასამართლო პრაქტიკაში ტრადიციული მეთოდების ჩანაცვლება შესაძლებელია ასაკის შეფასებით, რომელიც დაფუძნებულია DM მოდელზე. ჩვენ ასევე აღმოვაჩინეთ მანქანური სწავლების დანერგვის შესაძლებლობა სასამართლო ასაკის შეფასებისთვის. თუმცა, არსებობს აშკარა 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 უფრო დიდი რაოდენობით ნიმუშებთან და უფრო მრავალფეროვან პოპულაციებთან, რათა გაუმჯობესდეს მისი პრაქტიკული გამოყენება ტრადიციულ მეთოდებთან შედარებით. მრავალ პოპულაციაში ასაკის შესაფასებლად ხელოვნური ინტელექტის გამოყენების მიზანშეწონილობის დასადასტურებლად, საჭიროა სამომავლო კვლევები, რათა შედარდეს DM და ღრმა სწავლების მოდელების კლასიფიკაციის სიზუსტე და ეფექტურობა ტრადიციულ მეთოდებთან იმავე ნიმუშებში.
კვლევაში გამოყენებული იქნა 2,657 ორთოგრაფიული ფოტოსურათი, რომლებიც შეგროვდა 15-დან 23 წლამდე ასაკის კორეელი და იაპონელი ზრდასრულებისგან. კორეული რენტგენოგრამები დაიყო 900 სავარჯიშო ნაკრებად (19.42 ± 2.65 წელი) და 900 შიდა სატესტო ნაკრებად (19.52 ± 2.59 წელი). სავარჯიშო ნაკრებები შეგროვდა ერთ დაწესებულებაში (სეულის წმინდა მარიამის საავადმყოფო), ხოლო საკუთარი სატესტო ნაკრებები - ორ დაწესებულებაში (სეულის ეროვნული უნივერსიტეტის სტომატოლოგიური საავადმყოფო და იონსეის უნივერსიტეტის სტომატოლოგიური საავადმყოფო). გარე ტესტირებისთვის ჩვენ ასევე შევაგროვეთ 857 რენტგენოგრაფიული სურათი სხვა პოპულაციური მონაცემებიდან (ივატეს სამედიცინო უნივერსიტეტი, იაპონია). გარე სატესტო ნაკრებად შეირჩა იაპონელი სუბიექტების (19.31 ± 2.60 წელი) რენტგენოგრაფიული სურათები. მონაცემები შეგროვდა რეტროსპექტულად, რათა გაანალიზებულიყო სტომატოლოგიური მკურნალობის დროს გადაღებულ პანორამულ რენტგენოგრამებზე კბილების განვითარების ეტაპები. ყველა შეგროვებული მონაცემი ანონიმური იყო, გარდა სქესის, დაბადების თარიღისა და რენტგენოგრაფიის თარიღისა. ჩართვისა და გამორიცხვის კრიტერიუმები იგივე იყო, რაც ადრე გამოქვეყნებულ კვლევებში4, 5. ნიმუშის ფაქტობრივი ასაკი გამოითვალა რენტგენოგრაფიის გადაღების თარიღიდან დაბადების თარიღის გამოკლებით. ნიმუშის ჯგუფი დაიყო ცხრა ასაკობრივ ჯგუფად. ასაკისა და სქესის მიხედვით განაწილება ნაჩვენებია ცხრილში 3. ეს კვლევა ჩატარდა ჰელსინკის დეკლარაციის შესაბამისად და დამტკიცდა კორეის კათოლიკური უნივერსიტეტის სეულის წმინდა მარიამის საავადმყოფოს (KC22WISI0328) ინსტიტუციური მიმოხილვის საბჭოს (IRB) მიერ. კვლევის რეტროსპექტული დიზაინის გამო, ინფორმირებული თანხმობის მიღება ვერ მოხერხდა ყველა პაციენტისგან, რომლებსაც თერაპიული მიზნებისთვის რენტგენოგრაფიული გამოკვლევა უტარდებოდათ. სეულის კორეის უნივერსიტეტის წმინდა მარიამის საავადმყოფომ (IRB) გააუქმა ინფორმირებული თანხმობის მოთხოვნა.
ორყბიანი მეორე და მესამე მოლარების განვითარების ეტაპები შეფასდა დემირჯანის კრიტერიუმების მიხედვით25. მხოლოდ ერთი კბილი შეირჩა, თუ ერთი და იგივე ტიპის კბილი აღმოჩნდა თითოეული ყბის მარცხენა და მარჯვენა მხარეს. თუ ორივე მხარეს ჰომოლოგიური კბილები განვითარების სხვადასხვა ეტაპზე იყო, სავარაუდო ასაკის გაურკვევლობის გათვალისწინებით შეირჩა განვითარების უფრო დაბალი სტადიის მქონე კბილი. სასწავლო ნაკრებიდან შემთხვევით შერჩეული ასი რენტგენოგრაფიული სურათი შეფასდა ორი გამოცდილი დამკვირვებლის მიერ, რათა წინასწარი კალიბრაციის შემდეგ შემოწმებულიყო დამკვირვებლებს შორის სანდოობა კბილის სიმწიფის ეტაპის დასადგენად. დამკვირვებლის შიდა სანდოობა შეფასდა ორჯერ, სამთვიანი ინტერვალებით, პირველადი დამკვირვებლის მიერ.
სავარჯიშო ნაკრებში თითოეული ყბის მეორე და მესამე მოლარების სქესი და განვითარების სტადია შეფასდა სხვადასხვა DM მოდელებით გაწვრთნილი პირველადი დამკვირვებლის მიერ და ფაქტობრივი ასაკი დაყენებული იქნა სამიზნე მნიშვნელობად. SLP და MLP მოდელები, რომლებიც ფართოდ გამოიყენება მანქანურ სწავლებაში, შემოწმდა რეგრესიული ალგორითმების მიმართ. DM მოდელი აერთიანებს წრფივ ფუნქციებს ოთხი კბილის განვითარების ეტაპების გამოყენებით და აერთიანებს ამ მონაცემებს ასაკის შესაფასებლად. SLP არის უმარტივესი ნეირონული ქსელი და არ შეიცავს ფარულ ფენებს. SLP მუშაობს კვანძებს შორის ზღურბლის გადაცემის საფუძველზე. რეგრესიაში SLP მოდელი მათემატიკურად მსგავსია მრავლობითი წრფივი რეგრესიისა. SLP მოდელისგან განსხვავებით, MLP მოდელს აქვს მრავალი ფარული ფენა არაწრფივი აქტივაციის ფუნქციებით. ჩვენს ექსპერიმენტებში გამოყენებული იყო ფარული ფენა მხოლოდ 20 ფარული კვანძით არაწრფივი აქტივაციის ფუნქციებით. ჩვენი მანქანური სწავლების მოდელის გასაწვრთნელად გამოყენებული იქნა გრადიენტული დაღმართი, როგორც ოპტიმიზაციის მეთოდი, ხოლო MAE და RMSE, როგორც დანაკარგის ფუნქცია. საუკეთესოდ მიღებული რეგრესიული მოდელი გამოყენებული იქნა შიდა და გარე სატესტო ნაკრებებზე და შეფასდა კბილების ასაკი.
შემუშავდა კლასიფიკაციის ალგორითმი, რომელიც იყენებს სასწავლო ნაკრებზე ოთხი კბილის სიმწიფეს იმის პროგნოზირებისთვის, არის თუ არა ნიმუში 18 წლის. მოდელის ასაგებად, ჩვენ გამოვიტანეთ შვიდი წარმომადგენლობითი მანქანური სწავლების 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 სწავლების ალგორითმი, რომელიც იყენებს რეგრესიას მონაცემების გარკვეულ კატეგორიაში კუთვნილების ალბათობის 0-დან 1-მდე პროგნოზირებისთვის და აკლასიფიცირებს მონაცემებს, როგორც უფრო სავარაუდო კატეგორიას ამ ალბათობის საფუძველზე; ძირითადად გამოიყენება ბინარული კლასიფიკაციისთვის. KNN არის ერთ-ერთი უმარტივესი მანქანური სწავლების ალგორითმი45. როდესაც მოცემულია ახალი შეყვანის მონაცემები, ის პოულობს k მონაცემს არსებულ ნაკრებთან ახლოს და შემდეგ აკლასიფიცირებს მათ ყველაზე მაღალი სიხშირის კლასში. ჩვენ დავაყენეთ 3 განხილული მეზობლების რაოდენობისთვის (k). SVM არის ალგორითმი, რომელიც მაქსიმალურად ზრდის ორ კლასს შორის მანძილს ბირთვის ფუნქციის გამოყენებით, რათა გააფართოვოს წრფივი სივრცე არაწრფივ სივრცეში, რომელსაც ეწოდება ველები46. ამ მოდელისთვის, პოლინომური ბირთვის ჰიპერპარამეტრებად ვიყენებთ გადახრას = 1, ძალა = 1 და გამა = 1. DT გამოიყენება სხვადასხვა სფეროში, როგორც ალგორითმი მთელი მონაცემთა ნაკრების რამდენიმე ქვეჯგუფად დაყოფისთვის, ხის სტრუქტურაში გადაწყვეტილების წესების წარმოდგენით47. მოდელი კონფიგურირებულია ჩანაწერების მინიმალური რაოდენობით 2 კვანძზე და იყენებს ჯინის ინდექსს ხარისხის საზომად. RF არის ანსამბლის მეთოდი, რომელიც აერთიანებს მრავალ DT-ს შესრულების გასაუმჯობესებლად, ბუტსტრეპ აგრეგაციის მეთოდის გამოყენებით, რომელიც წარმოქმნის სუსტ კლასიფიკატორს თითოეული ნიმუშისთვის, შემთხვევითი ერთი და იგივე ზომის ნიმუშების რამდენჯერმე აღებით ორიგინალური მონაცემთა ნაკრებიდან48. კვანძების გამოყოფის კრიტერიუმებად გამოვიყენეთ 100 ხე, ხის 10 სიღრმე, 1 მინიმალური კვანძის ზომა და ჯინის შერევის ინდექსი. ახალი მონაცემების კლასიფიკაცია განისაზღვრება ხმათა უმრავლესობით. XGBoost არის ალგორითმი, რომელიც აერთიანებს გამაძლიერებელ ტექნიკას მეთოდის გამოყენებით, რომელიც სასწავლო მონაცემებად იღებს შეცდომას წინა მოდელის ფაქტობრივ და პროგნოზირებულ მნიშვნელობებს შორის და აძლიერებს შეცდომას გრადიენტების გამოყენებით49. ეს ფართოდ გამოყენებადი ალგორითმია მისი კარგი შესრულებისა და რესურსების ეფექტურობის, ასევე მაღალი საიმედოობის გამო, როგორც გადატვირთვის კორექციის ფუნქცია. მოდელი აღჭურვილია 400 საყრდენი ბორბლით. MLP არის ნეირონული ქსელი, რომელშიც ერთი ან მეტი პერცეპტრონი ქმნის მრავალ ფენას ერთი ან მეტი ფარული ფენით შეყვანისა და გამოყვანის ფენებს შორის38. ამის გამოყენებით, შეგიძლიათ შეასრულოთ არაწრფივი კლასიფიკაცია, სადაც როდესაც დაამატებთ შეყვანის ფენას და მიიღებთ შედეგის მნიშვნელობას, პროგნოზირებული შედეგის მნიშვნელობა შედარებულია ფაქტობრივ შედეგის მნიშვნელობასთან და შეცდომა უკან ვრცელდება. ჩვენ შევქმენით ფარული ფენა 20 ფარული ნეირონით თითოეულ ფენაში. ჩვენს მიერ შემუშავებული თითოეული მოდელი გამოყენებული იქნა შიდა და გარე ნაკრებებზე კლასიფიკაციის შესრულების შესამოწმებლად მგრძნობელობის, სპეციფიკურობის, PPV, NPV და AUROC-ის გამოთვლით. მგრძნობელობა განისაზღვრება, როგორც 18 წლის ან უფროსი ასაკის შეფასებული ნიმუშის თანაფარდობა 18 წლის ან უფროსი ასაკის შეფასებულ ნიმუშთან. სპეციფიკურობა არის 18 წლამდე ასაკის ნიმუშების და 18 წლამდე ასაკის შეფასებული ნიმუშების წილი.
სასწავლო ნაკრებში შეფასებული სტომატოლოგიური ეტაპები სტატისტიკური ანალიზისთვის რიცხვით ეტაპებად გადაკეთდა. თითოეული სქესისთვის პროგნოზირებადი მოდელების შემუშავებისა და ასაკის შესაფასებლად გამოსაყენებელი რეგრესიის ფორმულების მისაღებად ჩატარდა მრავალვარიანტული წრფივი და ლოგისტიკური რეგრესია. ჩვენ გამოვიყენეთ ეს ფორმულები კბილის ასაკის შესაფასებლად როგორც შიდა, ასევე გარე სატესტო ნაკრებებისთვის. ცხრილი 4 აჩვენებს ამ კვლევაში გამოყენებულ რეგრესიისა და კლასიფიკაციის მოდელებს.
დამკვირვებლებს შორის და შიდა დამკვირვებლის სანდოობა გამოითვალა კოენის კაპას სტატისტიკის გამოყენებით. შაქრიანი დიაბეტის და ტრადიციული რეგრესიული მოდელების სიზუსტის შესამოწმებლად, ჩვენ გამოვთვალეთ MAE და RMSE შიდა და გარე სატესტო ნაკრებების სავარაუდო და ფაქტობრივი ასაკის გამოყენებით. ეს შეცდომები ხშირად გამოიყენება მოდელის პროგნოზების სიზუსტის შესაფასებლად. რაც უფრო მცირეა შეცდომა, მით უფრო მაღალია პროგნოზის სიზუსტე24. შეადარეთ შაქრიანი დიაბეტის და ტრადიციული რეგრესიის გამოყენებით გამოთვლილი შიდა და გარე სატესტო ნაკრებების MAE და RMSE. ტრადიციულ სტატისტიკაში 18-წლიანი ზღვრული ზღვრის კლასიფიკაციის შესრულება შეფასდა 2 × 2 შემთხვევითობის ცხრილის გამოყენებით. სატესტო ნაკრების გამოთვლილი მგრძნობელობა, სპეციფიკურობა, PPV, NPV და AUROC შედარებული იქნა შაქრიანი დიაბეტის კლასიფიკაციის მოდელის გაზომილ მნიშვნელობებთან. მონაცემები გამოხატულია საშუალო ± სტანდარტული გადახრით ან რიცხვით (%), მონაცემთა მახასიათებლების მიხედვით. ორმხრივი P მნიშვნელობები <0.05 სტატისტიკურად მნიშვნელოვნად ჩაითვალა. ყველა რუტინული სტატისტიკური ანალიზი ჩატარდა SAS 9.4 ვერსიის გამოყენებით (SAS ინსტიტუტი, კერი, ჩრდილოეთ კაროლინა). DM რეგრესიის მოდელი Python-ში Keras50 2.2.4 ბექენდისა და Tensorflow51 1.8.0-ის გამოყენებით განხორციელდა, სპეციალურად მათემატიკური ოპერაციებისთვის. DM კლასიფიკაციის მოდელი განხორციელდა Waikato Knowledge Analysis Environment-სა და Konstanz Information Miner (KNIME) 4.6.152 ანალიტიკურ პლატფორმაში.
ავტორები აღიარებენ, რომ კვლევის დასკვნების დამადასტურებელი მონაცემები შეგიძლიათ იხილოთ სტატიაში და დამატებით მასალებში. კვლევის დროს გენერირებული და/ან გაანალიზებული მონაცემთა ნაკრებები შესაბამისი ავტორისგან ხელმისაწვდომია გონივრული მოთხოვნის შემთხვევაში.
რიც-ტიმე, ს. და სხვ. ასაკის შეფასება: თანამედროვე ტექნოლოგიები სასამართლო პრაქტიკის სპეციფიკური მოთხოვნების დასაკმაყოფილებლად. საერთაშორისოობა. J. Legal medicine. 113, 129–136 (2000).
შმელინგი, ა., რაისინგერი, ვ., გესერიკი, გ. და ოლზე, ა. სისხლისსამართლებრივი დევნის მიზნით ცოცხალი სუბიექტების ასაკის სასამართლო ექსპერტიზის მიმდინარე სტატუსი. ფორენზიკა. მედიცინა. პათოლოგია. 1, 239–246 (2005).
პან, ჯ. და სხვ. აღმოსავლეთ ჩინეთში 5-დან 16 წლამდე ასაკის ბავშვებში კბილების ასაკის შეფასების მოდიფიცირებული მეთოდი. კლინიკური. ზეპირი გამოკითხვა. 25, 3463–3474 (2021).
ლი, სს და ა.შ. კორეელებში მეორე და მესამე მოლარების განვითარების ქრონოლოგია და მისი გამოყენება სასამართლო ასაკის შეფასებისთვის. საერთაშორისოობა. J. Legal medicine. 124, 659–665 (2010).
ოჰ, ს., კუმაგაი, ა., კიმ, სი და ლი, სს. ასაკის შეფასების სიზუსტე და 18-წლიანი ზღურბლის შეფასება მეორე და მესამე მოლარების სიმწიფის მიხედვით კორეელებსა და იაპონელებში. PLoS ONE 17, e0271247 (2022).
კიმი, ჯ.ი. და სხვ. ოპერაციამდელი მანქანური სწავლების საფუძველზე მონაცემთა ანალიზით შესაძლებელია ძილის ობსტრუქციული ძილის აპნოეს მქონე პაციენტებში ძილის ოპერაციის მკურნალობის შედეგის პროგნოზირება. მეცნიერება. ანგარიში 11, 14911 (2021).
ჰანი, მ. და სხვ. ასაკის ზუსტი შეფასება მანქანური სწავლებით, ადამიანის ჩარევით თუ მის გარეშე? საერთაშორისოობა. J. Legal medicine. 136, 821–831 (2022).
ხანი, ს. და შაჰინი, მ. მონაცემთა მოპოვებიდან მონაცემთა მოპოვებამდე. J.Information. the science. https://doi.org/10.1177/01655515211030872 (2021).
ხანი, ს. და შაჰინი, მ. ვის. წესი: ასოციაციური წესების მოპოვების პირველი კოგნიტური ალგორითმი. J.Information. the science. https://doi.org/10.1177/01655515221108695 (2022).
შაჰინ მ. და აბდულაჰ უ. კარმი: ტრადიციული მონაცემთა მოპოვება კონტექსტზე დაფუძნებული ასოციაციის წესებზე დაყრდნობით. გამოთვლა. მათე. გაგრძელება. 68, 3305–3322 (2021).
მუჰამედ მ., რეჰმან ზ., შაჰინ მ., ხან მ. და ჰაბიბ მ. ღრმა სწავლებაზე დაფუძნებული სემანტიკური მსგავსების აღმოჩენა ტექსტური მონაცემების გამოყენებით. ინფორმაციული ტექნოლოგიები. კონტროლი. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
ტაბიში, მ., ტანოლი, ზ. და შაჰინი, მ. სპორტულ ვიდეოებში აქტივობის ამოცნობის სისტემა. მულტიმედია. ინსტრუმენტების აპლიკაციები https://doi.org/10.1007/s11042-021-10519-6 (2021).
ჰალაბი, ს.ს. და სხვ. RSNA-ს მანქანური სწავლების გამოწვევა პედიატრიულ ძვლის ასაკში. რადიოლოგია 290, 498–503 (2019).
ლი, ი. და სხვ. მენჯის რენტგენის სხივებით ასაკის შეფასება ღრმა სწავლების გამოყენებით. EURO. radiation. 29, 2322–2329 (2019).
გუო, ი.კ. და სხვ. ზუსტი ასაკობრივი კლასიფიკაცია მანუალური მეთოდებისა და ორთოგრაფიული პროექციის სურათებიდან ღრმა კონვოლუციური ნეირონული ქსელების გამოყენებით. internationality. J. Legal medicine. 135, 1589–1597 (2021).
ალაბამა დალორა და სხვ. ძვლის ასაკის შეფასება სხვადასხვა მანქანური სწავლების მეთოდების გამოყენებით: ლიტერატურის სისტემატური მიმოხილვა და მეტაანალიზი. PLoS ONE 14, e0220242 (2019).
დუ, ჰ., ლი, გ., ჩენგი, კ. და იანგი, ჯ. აფროამერიკელებისა და ჩინელების პოპულაციური ასაკის შეფასება, რომელიც დაფუძნებულია პირველი მოლარების პულპის კამერის მოცულობაზე კონუსურ-სხივური კომპიუტერული ტომოგრაფიის გამოყენებით. internationality. J. Legal medicine. 136, 811–819 (2022).
კიმ ს., ლი იჰ., ნოჰ ი.კ., პარკ ფ.კ. და ოჰ კ.ს. ცოცხალი ადამიანების ასაკობრივი ჯგუფების განსაზღვრა პირველი მოლარების ხელოვნური ინტელექტის საფუძველზე შექმნილი სურათების გამოყენებით. მეცნიერება. ანგარიში 11, 1073 (2021).
შტერნი, დ., პეიერი, ს., ჯულიანი, ნ. და ურშლერი, მ. ასაკის ავტომატური შეფასება და უმრავლესობის ასაკის კლასიფიკაცია მრავალვარიანტული მაგნიტურ-რეზონანსული ტომოგრაფიის მონაცემებიდან. IEEE J. Biomed. ჯანმრთელობის შეტყობინებები. 23, 1392–1403 (2019).
ჩენგი, ქ., გე, ზ., დუ, ჰ. და ლი, გ. ასაკის შეფასება კონუსური სხივური კომპიუტერული ტომოგრაფიიდან პირველი მოლარების პულპის კამერის 3D სეგმენტაციის საფუძველზე, ღრმა სწავლებისა და დონის ნაკრებების ინტეგრირებით. internationality. J. Legal medicine. 135, 365–373 (2021).
ვუ, ვ.ტ. და სხვ. მონაცემთა მოპოვება კლინიკურ დიდ მონაცემებში: საერთო მონაცემთა ბაზები, ნაბიჯები და მეთოდების მოდელები. World. medicine. resource. 8, 44 (2021).
იანგი, ჯ. და სხვ. შესავალი სამედიცინო მონაცემთა ბაზებსა და მონაცემთა მოპოვების ტექნოლოგიებში დიდი მონაცემების ეპოქაში. ჯ. ავიდი. საბაზისო მედიცინა. 13, 57–69 (2020).
შენ, ს. და სხვ. კამერერის მეთოდი კბილის ასაკის შესაფასებლად მანქანური სწავლების გამოყენებით. BMC Oral Health 21, 641 (2021).
გალიბურგი ა. და სხვ. კბილების ასაკის პროგნოზირების სხვადასხვა მანქანური სწავლების მეთოდების შედარება დემირჯიანის სტადირების მეთოდის გამოყენებით. internationality. J. Legal medicine. 135, 665–675 (2021).
დემირჯიანი, ა., გოლდშტეინი, ჰ. და ტანერი, ჯ.მ. კბილების ასაკის შეფასების ახალი სისტემა. snort. biology. 45, 211–227 (1973).
ლენდისი, ჯ.რ. და კოხი, გ.გ. დამკვირვებელთა შეთანხმების საზომები კატეგორიულ მონაცემებზე. ბიომეტრიკა 33, 159–174 (1977).
ბჰატაჩარჯი ს., პრაკაშ დ., კიმ ს., კიმ ჰ.კ. და ჩოი ჰ.კ. ორგანზომილებიანი მაგნიტურ-რეზონანსული ტომოგრაფიის ტექსტურული, მორფოლოგიური და სტატისტიკური ანალიზი პირველადი ტვინის სიმსივნეების დიფერენციაციისთვის ხელოვნური ინტელექტის ტექნიკის გამოყენებით. ჯანმრთელობის შესახებ ინფორმაცია. რესურსი. https://doi.org/10.4258/hir.2022.28.1.46 (2022).