וואַלאַדיישאַן פון אַ דאַטן מיינינג מאָדעל קעגן טראדיציאנעלן דענטאַל עלטער אָפּשאַצונג מעטהאָדס צווישן קאָרעיִש אַדאָולעסאַנץ און יונג אַדאַלץ

דאנק איר פֿאַר באזוכן Nature.com.די ווערסיע פון ​​​​דעם בלעטערער איר נוצן האט לימיטעד CSS שטיצן.פֿאַר בעסטער רעזולטאַטן, מיר רעקאָמענדירן צו נוצן אַ נייַער ווערסיע פון ​​דיין בלעטערער (אָדער קער אַוועק קאַמפּאַטאַבילאַטי מאָדע אין Internet Explorer).אין דער דערווייל, צו ענשור אָנגאָינג שטיצן, מיר ווייַזן דעם פּלאַץ אָן סטילינג אָדער דזשאַוואַסקריפּט.
ציין זענען געהאלטן די מערסט פּינטלעך גראדן פון די עלטער פון דעם מענטש גוף און זענען אָפט געניצט אין פאָרענסיק עלטער אַסעסמאַנט.מיר אַימעד צו וואַלאַדייט דאַטן מיינינג-באזירט דענטאַל עלטער עסטאַמאַץ דורך קאַמפּערינג די אָפּשאַצונג אַקיעראַסי און קלאַסאַפאַקיישאַן פאָרשטעלונג פון די 18-יאָר שוועל מיט טראדיציאנעלן מעטהאָדס און דאַטן מיינינג-באזירט עלטער עסטאַמאַץ.א גאַנץ פון 2657 פּאַנאָראַמיק ראַדיאָגראַפס זענען געזאמלט פון קאָרעיִש און יאַפּאַניש בירגערס אַלט 15-23 יאר.זיי זענען צעטיילט אין אַ טריינינג גאַנג, יעדער מיט 900 קאָרעיִש ראַדיאָגראַפס, און אַן ינערלעך פּראָבע גאַנג מיט 857 יאַפּאַניש ראַדיאָגראַפס.מיר קאַמפּערד די קלאַסאַפאַקיישאַן אַקיעראַסי און עפעקטיווקייַט פון בעקאַבאָלעדיק מעטהאָדס מיט פּרובירן שטעלט פון דאַטן מיינינג מאָדעלס.די אַקיעראַסי פון די טראדיציאנעלן אופֿן אויף די ינערלעך פּרובירן שטעלן איז אַ ביסל העכער ווי אַז פון די דאַטן מיינינג מאָדעל, און די חילוק איז קליין (מיטן אַבסאָלוט טעות <0.21 יאר, וואָרצל מיינען קוואַדראַט טעות <0.24 יאר).די קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר די 18-יאָר קאַטאָף איז אויך ענלעך צווישן טראדיציאנעלן מעטהאָדס און דאַטן מיינינג מאָדעלס.אזוי, טראדיציאנעלן מעטהאָדס קענען זיין ריפּלייסט דורך דאַטן מיינינג מאָדעלס ווען פּערפאָרמינג פאָרענסיק עלטער אַסעסמאַנט ניצן די צייַטיקייַט פון רגע און דריט מאָלאַרס אין קאָרעיִש אַדאָולעסאַנץ און יונג אַדאַלץ.
דענטאַל עלטער אָפּשאַצונג איז וויידלי געניצט אין פאָרענסיק מעדיצין און פּידיאַטריק דעניסטרי.אין באַזונדער, ווייַל פון די הויך קאָראַליישאַן צווישן קראַנאַלאַדזשיקאַל עלטער און דענטאַל אַנטוויקלונג, עלטער אַסעסמאַנט דורך דענטאַל אַנטוויקלונג סטאַגעס איז אַ וויכטיק קריטעריאָן פֿאַר אַססעססינג די עלטער פון קינדער און אַדאָולעסאַנץ1,2,3.אָבער, פֿאַר יונג מענטשן, עסטימאַטעד דענטאַל עלטער באזירט אויף דענטאַל צייַטיקייַט האט זיין לימיטיישאַנז ווייַל דענטאַל וווּקס איז כּמעט גאַנץ, מיט די ויסנעם פון די דריט מאָלאַרס.דער לעגאַל ציל פון באַשטימען די עלטער פון יונג מענטשן און אַדאָולעסאַנץ איז צו צושטעלן פּינטלעך עסטאַמאַץ און וויסנשאפטלעכע זאָגן צי זיי האָבן ריטשט די עלטער פון מערהייַט.אין די מעדיקאָ-לעגאַל פיר פון אַדאָולעסאַנץ און יונגע אַדאַלץ אין קארעע, עלטער איז עסטימאַטעד ניצן לי ס אופֿן, און אַ לעגאַל שוועל פון 18 יאר איז געווען פּרעדיקטעד באזירט אויף די דאַטן רעפּאָרטעד דורך Oh et al 5.
מאַשין לערנען איז אַ טיפּ פון קינסטלעך סייכל (AI) וואָס ריפּיטידלי לערנט און קלאַסאַפייז גרויס אַמאַונץ פון דאַטן, סאַלווז פּראָבלעמס אויף זיך און דרייווז דאַטן פּראָגראַממינג.מאַשין לערנען קענען אַנטדעקן נוציק פאַרבאָרגן פּאַטערנז אין גרויס וואַליומז פון דאַטן6.אין קאַנטראַסט, קלאַסיש מעטהאָדס, וואָס זענען אַרבעט-אינטענסיווע און צייט-קאַנסומינג, קען האָבן לימיטיישאַנז ווען האַנדלינג מיט גרויס וואַליומז פון קאָמפּלעקס דאַטן וואָס זענען שווער צו פּראַסעסינג מאַניואַלי7.דעריבער, פילע שטודיום האָבן שוין דורכגעקאָכט לעצטנס מיט די לעצטע קאָמפּיוטער טעקנאַלאַדזשיז צו מינאַמייז מענטש ערראָרס און יפישאַנטלי פּראָצעס מולטידימענסיאָנאַל דאַטן8,9,10,11,12.אין באַזונדער, טיף לערנען איז וויידלי געניצט אין מעדיציניש בילד אַנאַליסיס, און פאַרשידן מעטהאָדס פֿאַר עלטער אָפּשאַצונג דורך אויטאָמאַטיש אַנאַלייזינג ראַדיאָגראַפס זענען געמאלדן צו פֿאַרבעסערן די אַקיעראַסי און עפעקטיווקייַט פון עלטער אָפּשאַצונג 13,14,15,16,17,18,19,20 .פֿאַר בייַשפּיל, Halabi et al 13 דעוועלאָפּעד אַ מאַשין לערנען אַלגערידאַם באזירט אויף קאַנוואַלושאַנאַל נעוראַל נעטוואָרקס (CNN) צו אָפּשאַצן סקעלעטאַל עלטער ניצן ראַדיאָגראַפס פון קינדער 'ס הענט.דער לערנען לייגט אַ מאָדעל וואָס אַפּלייז מאַשין לערנען צו מעדיציניש בילדער און ווייזט אַז די מעטהאָדס קענען פֿאַרבעסערן דיאַגנאָסטיק אַקיעראַסי.Li et al14 עסטימאַטעד עלטער פון פּעלוויק X-Ray בילדער ניצן אַ טיף לערנען CNN און קאַמפּערד זיי מיט ראַגרעשאַן רעזולטאַטן ניצן אָססיפיקאַטיאָן בינע אָפּשאַצונג.זיי געפונען אַז די טיף לערנען CNN מאָדעל געוויזן די זעלבע עלטער אָפּשאַצונג פאָרשטעלונג ווי די טראדיציאנעלן ראַגרעשאַן מאָדעל.Guo עט על ס לערנען [15] עוואַלואַטעד די עלטער טאָלעראַנץ קלאַסאַפאַקיישאַן פאָרשטעלונג פון CNN טעכנאָלאָגיע באזירט אויף דענטאַל אָרטאָפאָטאָס, און די רעזולטאַטן פון די CNN מאָדעל פּרוווד אַז יומאַנז אַוטפּערפאָרמד זיין עלטער קלאַסאַפאַקיישאַן פאָרשטעלונג.
רובֿ שטודיום אויף עלטער אָפּשאַצונג ניצן מאַשין לערנען נוצן טיף לערנען מעטהאָדס13,14,15,16,17,18,19,20.עלטער אָפּשאַצונג באזירט אויף טיף לערנען איז רעפּאָרטעד צו זיין מער פּינטלעך ווי טראדיציאנעלן מעטהאָדס.אָבער, דעם צוגאַנג גיט קליין געלעגנהייט צו פאָרשטעלן די וויסנשאפטלעכע יקער פֿאַר עלטער עסטאַמאַץ, אַזאַ ווי די עלטער ינדיקאַטאָרס געניצט אין די עסטאַמאַץ.עס איז אויך דא א לעגאלע מחלוקת איבער ווער עס פירט די דורכקוקן.דעריבער, עלטער אָפּשאַצונג באזירט אויף טיף לערנען איז שווער צו אָננעמען דורך אַדמיניסטראַטיווע און דזשודישאַל אויטאריטעטן.דאַטאַ מיינינג (DM) איז אַ טעכניק וואָס קענען אַנטדעקן ניט בלויז דערוואַרט אָבער אויך אומגעריכט אינפֿאָרמאַציע ווי אַ מעטאָד צו אַנטדעקן נוציק קאָראַליישאַנז צווישן גרויס אַמאַונץ פון דאַטן6,21,22.מאַשין לערנען איז אָפט געניצט אין דאַטן מיינינג, און ביידע דאַטן מיינינג און מאַשין לערנען נוצן די זעלבע שליסל אַלגערידאַמז צו אַנטדעקן פּאַטערנז אין דאַטן.עלטער אָפּשאַצונג ניצן דענטאַל אַנטוויקלונג איז באזירט אויף די יגזאַמאַנער ס אַסעסמאַנט פון די צייַטיקייַט פון די ציל ציין, און די אַסעסמאַנט איז אויסגעדריקט ווי אַ בינע פֿאַר יעדער ציל צאָן.DM קענען ווערן גענוצט צו פונאַנדערקלייַבן די קאָראַליישאַן צווישן דענטאַל אַסעסמאַנט בינע און פאַקטיש עלטער און האט די פּאָטענציעל צו פאַרבייַטן טראדיציאנעלן סטאַטיסטיש אַנאַליסיס.דעריבער, אויב מיר צולייגן DM טעקניקס צו עלטער אָפּשאַצונג, מיר קענען ינסטרומענט מאַשין לערנען אין פאָרענסיק עלטער אָפּשאַצונג אָן זאָרג וועגן לעגאַל אַכרייַעס.עטלעכע קאָמפּאַראַטיווע שטודיום האָבן שוין ארויס אויף מעגלעך אַלטערנאַטיוועס צו טראדיציאנעלן מאַנואַל מעטהאָדס געניצט אין פאָרענסיק פיר און EBM-באזירט מעטהאָדס פֿאַר דיטערמאַנינג דענטאַל עלטער.Shen et al23 געוויזן אַז די DM מאָדעל איז מער פּינטלעך ווי די טראדיציאנעלן קאַמערער פאָרמולע.Galibourg et al24 האָט אָנווענדט פאַרשידענע DM מעטהאָדס צו פאָרויסזאָגן עלטער לויט די דעמירדזשיאַן קריטעריאָן25 און די רעזולטאַטן האָבן געוויזן אַז די DM אופֿן אַוטפּערפאָרמד די Demirdjian און Willems מעטהאָדס אין אָפּשאַצונג די עלטער פון די פראנצויזיש באַפעלקערונג.
צו אָפּשאַצן די דענטאַל עלטער פון קאָרעיִש אַדאָולעסאַנץ און יונג אַדאַלץ, לי ס אופֿן 4 איז וויידלי געניצט אין קאָרעיִש פאָרענסיק פיר.דער אופֿן ניצט טראדיציאנעלן סטאַטיסטיש אַנאַליסיס (אַזאַ ווי קייפל ראַגרעשאַן) צו ונטערזוכן די שייכות צווישן קאָרעיִש סאַבדזשעקץ און קראַנאַלאַדזשיקאַל עלטער.אין דעם לערנען, עלטער אָפּשאַצונג מעטהאָדס באקומען מיט טראדיציאנעלן סטאַטיסטיש מעטהאָדס זענען דיפיינד ווי "טראדיציאנעלן מעטהאָדס."לי'ס מעטאד איז א טראדיציאנעלער מעטאד, און די גענויקייט איז באשטעטיגט געווארן דורך Oh et al.5;אָבער, די אָנווענדלעך פון עלטער אָפּשאַצונג באזירט אויף די DM מאָדעל אין קאָרעיִש פאָרענסיק פיר איז נאָך פּראָבלעמאַטיש.אונדזער ציל איז געווען סייאַנטיפיקלי וואַלאַדייט די פּאָטענציעל נוציקייט פון עלטער אָפּשאַצונג באזירט אויף די DM מאָדעל.דער ציל פון דעם לערנען איז געווען (1) צו פאַרגלייַכן די אַקיעראַסי פון צוויי DM מאָדעלס אין עסטימאַטינג דענטאַל עלטער און (2) צו פאַרגלייַכן די קלאַסאַפאַקיישאַן פאָרשטעלונג פון 7 DM מאָדעלס אין די עלטער פון 18 יאָר מיט יענע באקומען מיט טראדיציאנעלן סטאַטיסטיש מעטהאָדס צייַטיקייַט פון רגע. און דריטע מאָלאַרן אין ביידע קין.
מיטל און נאָרמאַל דיווייישאַנז פון קראַנאַלאַדזשיקאַל עלטער דורך בינע און צאָן טיפּ זענען געוויזן אָנליין אין סאַפּלאַמענערי טאַבלע ס 1 (טריינינג שטעלן), סאַפּלאַמענערי טאַבלע ס 2 (ינערלעך פּרובירן שטעלן) און סאַפּלאַמענערי טיש ס 3 (פונדרויסנדיק פּרובירן שטעלן).די קאַפּאַ וואַלועס פֿאַר ינטראַ- און ינטעראָבסערווער רילייאַבילאַטי באקומען פון די טריינינג שטעלן זענען ריספּעקטיוולי 0.951 און 0.947.פּ וואַלועס און 95% צוטרוי ינטערוואַלז פֿאַר קאַפּאַ וואַלועס זענען געוויזן אין אָנליין סאַפּלאַמענטערי טיש S4.די קאַפּאַ ווערט איז ינטערפּראַטאַד ווי "כּמעט שליימעסדיק", קאָנסיסטענט מיט די קרייטיריאַ פון Landis און Koch26.
ווען איר פאַרגלייכן די אַבסאָלוט טעות (MAE), די בעקאַבאָלעדיק אופֿן איז אַ ביסל העכער ווי די DM מאָדעל פֿאַר אַלע דזשענדערז און אין די פונדרויסנדיק זכר פּרובירן שטעלן, מיט די ויסנעם פון מולטילייַער פּערסעפּטראָן (מלפּ).די חילוק צווישן די טראדיציאנעלן מאָדעל און די DM מאָדעל אויף די ינערלעך MAE פּרובירן שטעלן איז געווען 0.12-0.19 יאָר פֿאַר מענטשן און 0.17-0.21 יאָר פֿאַר וואָמען.פֿאַר די פונדרויסנדיק פּרובירן באַטאַרייע, די דיפעראַנסיז זענען קלענערער (0.001-0.05 יאר פֿאַר מענטשן און 0.05-0.09 יאר פֿאַר פרויען).אַדדיטיאָנאַללי, דער וואָרצל מיטל קוואַדראַט טעות (RMSE) איז אַ ביסל נידעריקער ווי די טראדיציאנעלן אופֿן, מיט קלענערער דיפעראַנסיז (0.17-0.24, 0.2-0.24 פֿאַר די זכר ינערלעך פּרובירן שטעלן, און 0.03-0.07, 0.04-0.08 פֿאַר פונדרויסנדיק פּרובירן שטעלן).).MLP ווייזט אַ ביסל בעסער פאָרשטעלונג ווי Single Layer Perceptron (SLP), אַחוץ אין די פאַל פון די ווייַבלעך פונדרויסנדיק פּרובירן שטעלן.פֿאַר MAE און RMSE, די פונדרויסנדיק פּרובירן שטעלן סקאָרז העכער ווי די ינערלעך פּרובירן שטעלן פֿאַר אַלע דזשענדערז און מאָדעלס.אַלע MAE און RMSE זענען געוויזן אין טאַבלע 1 און פיגורע 1.
MAE און RMSE פון טראדיציאנעלן און דאַטן מיינינג ראַגרעשאַן מאָדעלס.מיינען אַבסאָלוט טעות MAE, וואָרצל מיטל קוואַדראַט טעות RMSE, איין שיכטע פּערסעפּטראָן סלפּ, מולטילייַער פּערסעפּטאָן MLP, טראדיציאנעלן סענטימעטער אופֿן.
קלאַסאַפאַקיישאַן פאָרשטעלונג (מיט אַ דורכשניט פון 18 יאָר) פון די בעקאַבאָלעדיק און DM מאָדעלס איז דעמאַנסטרייטיד אין טערמינען פון סענסיטיוויטי, ספּעציפֿישקייט, positive פּרידיקטיוו ווערט (PPV), נעגאַטיוו פּרידיקטיוו ווערט (נפּוו) און שטח אונטער די ופנעמער אָפּערייטינג כאַראַקטעריסטיש ויסבייג (AUROC) 27 (טאַבלע 2, פיגורע 2 און סאַפּלאַמענערי פיגורע 1 אָנליין).אין טערמינען פון סענסיטיוויטי פון די ינערלעך פּרובירן באַטאַרייע, בעקאַבאָלעדיק מעטהאָדס געטאן בעסטער צווישן מענטשן און ערגער צווישן פרויען.אָבער, די חילוק אין קלאַסאַפאַקיישאַן פאָרשטעלונג צווישן טראדיציאנעלן מעטהאָדס און סד איז 9.7% פֿאַר מענטשן (מלפּ) און בלויז 2.4% פֿאַר וואָמען (XGBoost).צווישן DM מאָדעלס, לאָגיסטיק ראַגרעשאַן (לר) געוויזן בעסער סענסיטיוויטי אין ביידע סעקסאַז.וועגן די ספּעציפֿישקייט פון די ינערלעך פּרובירן שטעלן, עס איז באמערקט אַז די פיר סד מאָדעלס האָבן דורכגעקאָכט געזונט אין מאַלעס, בשעת די בעקאַבאָלעדיק מאָדעל איז געווען בעסער אין פימיילז.די דיפעראַנסיז אין קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר מאַלעס און פימיילז זענען ריספּעקטיוולי 13.3% (מלפּ) און 13.1% (מלפּ), וואָס ינדיקייץ אַז די חילוק אין קלאַסאַפאַקיישאַן פאָרשטעלונג צווישן מאָדעלס יקסידז סענסיטיוויטי.צווישן די DM מאָדעלס, די שטיצן וועקטאָר מאַשין (SVM), באַשלוס בוים (DT) און ראַנדאָם וואַלד (רף) מאָדעלס האָבן דורכגעקאָכט בעסטער צווישן מאַלעס, בשעת די LR מאָדעל איז געווען בעסטער צווישן פימיילז.די AUROC פון די טראדיציאנעלן מאָדעל און אַלע סד מאָדעלס איז געווען העכער ווי 0.925 (ק-ניראַסט חבר (KNN) אין מענטשן), דעמאַנסטרייטינג ויסגעצייכנט קלאַסאַפאַקיישאַן פאָרשטעלונג אין דיסקרימאַנייטינג 18-יאָר-אַלט סאַמפּאַלז28.פֿאַר די פונדרויסנדיק פּרובירן שטעלן, עס איז געווען אַ פאַרקלענערן אין קלאַסאַפאַקיישאַן פאָרשטעלונג אין טערמינען פון סענסיטיוויטי, ספּעסיפיקייט און AUROC קאַמפּערד מיט די ינערלעך פּרובירן שטעלן.דערצו, די חילוק אין סענסיטיוויטי און ספּעסיפיסיטי צווישן די קלאַסאַפאַקיישאַן פאָרשטעלונג פון די בעסטער און ערגסט מאָדעלס ריינדזשד פון 10% צו 25% און איז געווען גרעסער ווי די חילוק אין די ינערלעך פּרובירן שטעלן.
סענסיטיוויטי און ספּעסיפיסיטי פון דאַטן מיינינג קלאַסאַפאַקיישאַן מאָדעלס קאַמפּערד מיט טראדיציאנעלן מעטהאָדס מיט אַ קאַטאָף פון 18 יאר.KNN ק ניראַסט חבר, SVM שטיצן וועקטאָר מאַשין, LR לאָגיסטיק ראַגרעשאַן, דט באַשלוס בוים, רף טראַפ וואַלד, XGB XGBoost, MLP מולטילייַער פּערסעפּטאָן, טראדיציאנעלן סענטימעטער אופֿן.
דער ערשטער שריט אין דעם לערנען איז געווען צו פאַרגלייַכן די אַקיעראַסי פון דענטאַל עלטער עסטאַמאַץ באקומען פון זיבן DM מאָדעלס מיט די באקומען מיט טראדיציאנעלן ראַגרעשאַן.MAE און RMSE זענען עוואַלואַטעד אין ינערלעך פּראָבע שטעלט פֿאַר ביידע סעקסאַז, און די חילוק צווישן די טראדיציאנעלן אופֿן און די DM מאָדעל ריינדזשד פון 44-77 טעג פֿאַר MAE און 62-88 טעג פֿאַר RMSE.כאָטש די טראדיציאנעלן אופֿן איז געווען אַ ביסל מער פּינטלעך אין דעם לערנען, עס איז שווער צו פאַרענדיקן צי אַזאַ אַ קליין חילוק האט קליניש אָדער פּראַקטיש באַטייַט.די רעזולטאַטן אָנווייַזן אַז די אַקיעראַסי פון דענטאַל עלטער אָפּשאַצונג ניצן די DM מאָדעל איז כּמעט די זעלבע ווי די פון די טראדיציאנעלן אופֿן.דירעקט פאַרגלייַך מיט רעזולטאַטן פון פרייַערדיק שטודיום איז שווער ווייַל קיין לערנען האט קאַמפּערד די אַקיעראַסי פון DM מאָדעלס מיט טראדיציאנעלן סטאַטיסטיש מעטהאָדס ניצן די זעלבע טעכניק פון רעקאָרדינג ציין אין דער זעלביקער עלטער קייט ווי אין דעם לערנען.Galibourg et al24 קאַמפּערד MAE און RMSE צווישן צוויי טראדיציאנעלן מעטהאָדס (Demirjian method25 און Willems method29) און 10 DM מאָדעלס אין אַ פראנצויזיש באַפעלקערונג פון 2 צו 24 יאָר.זיי געמאלדן אַז אַלע DM מאָדעלס זענען מער פּינטלעך ווי בעקאַבאָלעדיק מעטהאָדס, מיט דיפעראַנסיז פון 0.20 און 0.38 יאָר אין MAE און 0.25 און 0.47 יאָר אין RMSE קאַמפּערד מיט די ווילמס און דעמירדזשיאַן מעטהאָדס ריספּעקטיוולי.די דיסקרעפּאַנסי צווישן די סד מאָדעל און טראדיציאנעלן מעטהאָדס געוויזן אין די האַליבאָורג לערנען נעמט אין חשבון פילע ריפּאָרץ 30, 31, 32, 33 אַז די דעמירדזשיאַן אופֿן איז נישט אַקיעראַטלי אָפּשאַצן דענטאַל עלטער אין פּאַפּיאַליישאַנז אנדערע ווי די פראנצויזיש קאַנאַדיאַנס אויף וואָס די לערנען איז באזירט.אין דעם לערנען.Tai et al 34 געניצט די MLP אַלגערידאַם צו פאָרויסזאָגן צאָן עלטער פֿון 1636 כינעזיש אָרטהאָדאָנטיק פאָוטאַגראַפס און קאַמפּערד די אַקיעראַסי מיט די רעזולטאַטן פון די דעמירדזשיאַן און ווילמס אופֿן.זיי געמאלדן אַז MLP האט העכער אַקיעראַסי ווי טראדיציאנעלן מעטהאָדס.דער חילוק צווישן די דעמירדזשיאַן מעטאָד און דער טראדיציאנעלער מעטאָד איז <0.32 יאָר, און די ווילמס מעטאָד איז 0.28 יאָר, וואָס איז ענלעך צו די רעזולטאטן פון דער איצטיקער לערנען.די רעזולטאַטן פון די פריערדיקע שטודיום24,34 זענען אויך קאָנסיסטענט מיט די רעזולטאטן פון די איצטיקע לערנען, און די אַקיעראַסי פון די עלטער אָפּשאַצונג פון די DM מאָדעל און די טראדיציאנעלן אופֿן זענען ענלעך.אָבער, באזירט אויף די דערלאנגט רעזולטאַטן, מיר קענען בלויז פאָרזיכטיק פאַרענדיקן אַז די נוצן פון DM מאָדעלס צו אָפּשאַצן עלטער קען פאַרבייַטן יגזיסטינג מעטהאָדס רעכט צו דער פעלן פון קאָמפּאַראַטיווע און רעפֿערענץ פריערדיקע שטודיום.נאָכגיין-אַרויף שטודיום ניצן גרעסערע סאַמפּאַלז זענען דארף צו באַשטעטיקן די רעזולטאַטן באקומען אין דעם לערנען.
צווישן די שטודיום וואָס טעסטינג די אַקיעראַסי פון SD אין עסטימאַטעד דענטאַל עלטער, עטלעכע געוויזן העכער אַקיעראַסי ווי אונדזער לערנען.סטעפּאַנאָוסקי עט על 35 האָבן געווענדט 22 סד מאָדעלס צו פּאַנאָראַמיק ראַדיאָגראַפס פון 976 טשעכיש רעזידאַנץ אַלט 2.7 צו 20.5 יאר און טעסטעד די אַקיעראַסי פון יעדער מאָדעל.זיי אַססעססעד די אַנטוויקלונג פון אַ גאַנץ פון 16 אויבערשטער און נידעריקער לינקס שטענדיק ציין ניצן די קלאַסאַפאַקיישאַן קרייטיריאַ פארגעלייגט דורך מאָאָררעעס עט על 36.די MAE ריינדזשאַז פון 0.64 צו 0.94 יאָר און די RMSE ריינדזשאַז פון 0.85 צו 1.27 יאָר, וואָס זענען מער פּינטלעך ווי די צוויי DM מאָדעלס געניצט אין דעם לערנען.Shen et al23 האָט גענוצט די קאַמעריערע מעטאָד צו אָפּשאַצן די דענטאַל עלטער פון זיבן שטענדיק ציין אין די לינקס מאַנדאַבאַל אין מזרח כינעזיש רעזידאַנץ אַלט 5 צו 13 יאָר און קאַמפּערד עס מיט עלטער עסטימאַטעד ניצן לינעאַר ראַגרעשאַן, SVM און RF.זיי האָבן געוויזן אַז אַלע דריי DM מאָדעלס האָבן אַ העכער אַקיעראַסי קאַמפּערד מיט די טראדיציאנעלן קאַמעריערע פאָרמולע.די MAE און RMSE אין Shen ס לערנען זענען נידעריקער ווי די אין די DM מאָדעל אין דעם לערנען.די געוואקסן פּינטלעכקייַט פון די שטודיום דורך סטעפּאַנאָוסקי עט על.35 און שען עט על.23 קען זיין רעכט צו דער ינקלוזשאַן פון יינגער סאַבדזשעקץ אין זייער לערנען סאַמפּאַלז.ווייַל עלטער עסטאַמאַץ פֿאַר פּאַרטיסאַפּאַנץ מיט דעוועלאָפּינג ציין ווערן מער פּינטלעך ווי די נומער פון ציין ינקריסיז בעשאַס דענטאַל אַנטוויקלונג, די אַקיעראַסי פון די ריזאַלטינג עלטער אָפּשאַצונג אופֿן קען זיין קאַמפּראַמייזד ווען לערנען פּאַרטיסאַפּאַנץ זענען יינגער.אַדדיטיאָנאַללי, MLP ס טעות אין עלטער אָפּשאַצונג איז אַ ביסל קלענערער ווי SLP ס, טייַטש אַז MLP איז מער פּינטלעך ווי SLP.MLP איז געהאלטן אַ ביסל בעסער פֿאַר עלטער אָפּשאַצונג, עפשער רעכט צו דער פאַרבאָרגן לייַערס אין MLP38.אָבער, עס איז אַ ויסנעם פֿאַר די ויסווייניקסט מוסטער פון וואָמען (SLP 1.45, MLP 1.49).דער דערגייונג אַז די MLP איז מער פּינטלעך ווי די SLP אין אַססעססינג עלטער ריקווייערז נאָך רעטראַספּעקטיוו שטודיום.
די קלאַסאַפאַקיישאַן פאָרשטעלונג פון די DM מאָדעל און די טראדיציאנעלן אופֿן אין אַ 18-יאָר שוועל איז אויך קאַמפּערד.אַלע טעסטעד סד מאָדעלס און טראדיציאנעלן מעטהאָדס אויף די ינערלעך פּרובירן שטעלן געוויזן פּראַקטאַקלי פּאַסיק לעוועלס פון דיסקרימינאַציע פֿאַר די 18-יאָר-אַלט מוסטער.סענסיטיוויטי פֿאַר מענטשן און פרויען איז געווען ריספּעקטיוולי העכער ווי 87.7% און 94.9%, און ספּעציפֿישקייט איז געווען העכער ווי 89.3% און 84.7%.די AUROC פון אַלע טעסטעד מאָדעלס אויך יקסידז 0.925.צו דער בעסטער פון אונדזער וויסן, קיין לערנען האט טעסטעד די פאָרשטעלונג פון די DM מאָדעל פֿאַר 18 יאָר קלאַסאַפאַקיישאַן באזירט אויף דענטאַל צייַטיקייַט.מיר קענען פאַרגלייַכן די רעזולטאַטן פון דעם לערנען מיט די קלאַסאַפאַקיישאַן פאָרשטעלונג פון טיף לערנען מאָדעלס אויף פּאַנאָראַמיק ראַדיאָגראַפס.Guo et al.15 קאַלקיאַלייטיד די קלאַסאַפאַקיישאַן פאָרשטעלונג פון אַ CNN-באזירט טיף לערנען מאָדעל און אַ מאַנואַל אופֿן באזירט אויף דעמירדזשיאַן ס אופֿן פֿאַר אַ זיכער עלטער שוועל.די סענסיטיוויטי און ספּעציפֿיטעט פון די מאַנואַל אופֿן איז ריספּעקטיוולי 87.7% און 95.5%, און די סענסיטיוויטי און ספּעציפֿיטעט פון די CNN מאָדעל יקסידיד 89.2% און 86.6% ריספּעקטיוולי.זיי געפונען אַז טיף לערנען מאָדעלס קענען פאַרבייַטן אָדער אַוטפּערפאָרם מאַנואַל אַסעסמאַנט אין קלאַסאַפייינג עלטער טרעשאַלז.די רעזולטאַטן פון דעם לערנען געוויזן ענלעך קלאַסאַפאַקיישאַן פאָרשטעלונג;עס איז געמיינט אַז קלאַסאַפאַקיישאַן מיט DM מאָדעלס קענען פאַרבייַטן טראדיציאנעלן סטאַטיסטיש מעטהאָדס פֿאַר עלטער אָפּשאַצונג.צווישן די מאָדעלס, DM LR איז געווען דער בעסטער מאָדעל אין טערמינען פון סענסיטיוויטי פֿאַר די זכר מוסטער און סענסיטיוויטי און ספּעציפֿישקייט פֿאַר די ווייַבלעך מוסטער.LR רייען צווייט אין ספּעסיפיקאַטי פֿאַר מענטשן.דערצו, LR איז גערעכנט ווי איינער פון די מער באַניצער-פרייַנדלעך DM35 מאָדעלס און איז ווייניקער קאָמפּליצירט און שווער צו פּראָצעס.באַזירט אויף די רעזולטאַטן, LR איז געווען באטראכט ווי דער בעסטער קאַטאָף קלאַסאַפאַקיישאַן מאָדעל פֿאַר 18-יאָר-אַלט אין די קאָרעיִש באַפעלקערונג.
קוילעלדיק, די אַקיעראַסי פון עלטער אָפּשאַצונג אָדער קלאַסאַפאַקיישאַן פאָרשטעלונג אויף די פונדרויסנדיק פּרובירן שטעלן איז געווען נעבעך אָדער נידעריקער קאַמפּערד מיט די רעזולטאַטן אויף די ינערלעך פּרובירן שטעלן.עטלעכע ריפּאָרץ אָנווייַזן אַז קלאַסאַפאַקיישאַן אַקיעראַסי אָדער עפעקטיווקייַט דיקריסאַז ווען עלטער עסטאַמאַץ באזירט אויף די קאָרעיִש באַפעלקערונג זענען געווענדט צו די יאַפּאַניש באַפעלקערונג 5,39, און אַ ענלעך מוסטער איז געפֿונען אין די פאָרשטעלן לערנען.דעם דיטיריעריישאַן גאַנג איז אויך באמערקט אין די DM מאָדעל.דעריבער, צו אַקיעראַטלי אָפּשאַצן עלטער, אפילו ווען ניצן DM אין די אַנאַליסיס פּראָצעס, מעטהאָדס דערייווד פון געבוירן באַפעלקערונג דאַטן, אַזאַ ווי טראדיציאנעלן מעטהאָדס, זאָל זיין בילכער 5,39,40,41,42.זינט עס איז ומקלאָר צי טיף לערנען מאָדעלס קענען ווייַזן ענלעך טרענדס, שטודיום וואָס קאַמפּערינג קלאַסאַפאַקיישאַן אַקיעראַסי און עפעקטיווקייַט ניצן טראדיציאנעלן מעטהאָדס, DM מאָדעלס און טיף לערנען מאָדעלס אויף די זעלבע סאַמפּאַלז זענען דארף צו באַשטעטיקן צי קינסטלעך סייכל קענען באַקומען די ראַסיש דיספּעראַטיז אין לימיטעד עלטער.אַסעסמאַנץ.
מיר באַווייַזן אַז טראדיציאנעלן מעטהאָדס קענען זיין ריפּלייסט דורך עלטער אָפּשאַצונג באזירט אויף די DM מאָדעל אין פאָרענסיק עלטער אָפּשאַצונג פיר אין קארעע.מיר אויך דיסקאַווערד די מעגלעכקייט פון ימפּלאַמענינג מאַשין לערנען פֿאַר פאָרענסיק עלטער אַססעססמענט.אָבער, עס זענען קלאָר לימיטיישאַנז, אַזאַ ווי די ניט גענוגיק נומער פון פּאַרטיסאַפּאַנץ אין דעם לערנען צו דעפיניטיווע באַשטימען די רעזולטאַטן, און די פעלן פון פרייַערדיק שטודיום צו פאַרגלייַכן און באַשטעטיקן די רעזולטאַטן פון דעם לערנען.אין דער צוקונפֿט, DM שטודיום זאָל זיין דורכגעקאָכט מיט אַ גרעסערע נומער פון סאַמפּאַלז און מער דייווערס פּאַפּיאַליישאַנז צו פֿאַרבעסערן די פּראַקטיש אָנווענדלעך אין קאַמפּערד מיט טראדיציאנעלן מעטהאָדס.צו וואַלאַדייט די פיזאַבילאַטי פון ניצן קינסטלעך סייכל צו אָפּשאַצן עלטער אין קייפל פּאַפּיאַליישאַנז, צוקונפֿט שטודיום זענען דארף צו פאַרגלייַכן די קלאַסאַפאַקיישאַן אַקיעראַסי און עפעקטיווקייַט פון DM און טיף לערנען מאָדעלס מיט טראדיציאנעלן מעטהאָדס אין די זעלבע סאַמפּאַלז.
די לערנען געניצט 2,657 אָרטאָגראַפיק פאָוטאַגראַפס געזאמלט פון קאָרעיִש און יאַפּאַניש אַדאַלץ פון 15 צו 23 יאר אַלט.די קאָרעיִש ראַדיאָגראַפס זענען צעטיילט אין 900 טריינינג שטעלט (19.42 ± 2.65 יאָר) און 900 ינערלעך פּרובירן שטעלט (19.52 ± 2.59 יאָר).די טריינינג שטעלן איז געזאמלט אין איין ינסטיטושאַן (Seoul St. Mary's Hospital), און די אייגענע פּראָבע גאַנג איז געזאמלט אין צוויי אינסטיטוציעס (Seoul National University Dental Hospital און Yonsei University Dental Hospital).מיר אויך געזאמלט 857 ראַדיאָגראַפס פון אנדערע באַפעלקערונג-באזירט דאַטן (Iwate מעדיקאַל אוניווערסיטעט, יאַפּאַן) פֿאַר פונדרויסנדיק טעסטינג.ראַדיאָגראַפס פון יאַפּאַניש סאַבדזשעקץ (19.31 ± 2.60 יאָר) זענען אויסגעקליבן ווי די פונדרויסנדיק פּרובירן שטעלן.דאַטן זענען געזאמלט רעטראַספּעקטיוולי צו פונאַנדערקלייַבן די סטאַגעס פון דענטאַל אַנטוויקלונג אויף פּאַנאָראַמיק ראַדיאָגראַפס גענומען בעשאַס דענטאַל באַהאַנדלונג.אַלע דאַטן געזאמלט זענען אַנאַנאַמאַס אַחוץ פֿאַר דזשענדער, טאָג פון געבורט און דאַטע פון ​​ראַדיאָגראַף.ינקלוזשאַן און יקסקלוזשאַן קרייטיריאַ זענען די זעלבע ווי פריער ארויס שטודיום קסנומקס, קסנומקס.די פאַקטיש עלטער פון די מוסטער איז קאַלקיאַלייטיד דורך סאַבטראַקטינג די דאַטע פון ​​געבורט פון די דאַטע פון ​​די ראַדיאָגראַף איז גענומען.די מוסטער גרופּע איז צעטיילט אין נייַן עלטער גרופּעס.די עלטער און געשלעכט דיסטריביושאַנז זענען געוויזן אין טאַבלע 3 די לערנען איז געווען געפירט אין לויט מיט די דעקלאַראַציע פון ​​העלסינקי און באוויליקט דורך די ינסטיטושאַנאַל איבערבליק באָרד (ירב) פון סעאָול סט. מרים ס האָספּיטאַל פון די קאַטהאָליק אוניווערסיטעט פון קארעע (KC22WISI0328).רעכט צו דער רעטראַספּעקטיוו פּלאַן פון דעם לערנען, ינפאָרמד צושטימען קען נישט זיין באקומען פון אַלע פּאַטיענץ וואָס זענען דורכגעקאָכט ראַדיאָגראַפיק דורכקוק פֿאַר טעראַפּיוטיק צוועקן.סעאָול קארעע אוניווערסיטעט סט. מרים האָספּיטאַל (IRB) ווייד די פאָדערונג פֿאַר ינפאָרמד צושטימען.
דעוועלאָפּמענטאַל סטאַגעס פון ביימאַקסילאַרי רגע און דריט מאָלאַרס זענען אַססעססעד לויט דעמירקאַן קרייטיריאַ25.בלויז איין צאָן איז אויסגעקליבן אויב דער זעלביקער טיפּ פון צאָן איז געפונען אויף די לינקס און רעכט זייטן פון יעדער קין.אויב האָמאָלאָגאָוס ציין אויף ביידע זייטן זענען אין פאַרשידענע אַנטוויקלונג סטאַגעס, די צאָן מיט דער נידעריקער אַנטוויקלונג בינע איז אויסגעקליבן צו חשבון פֿאַר אַנסערטאַנטי אין די עסטימאַטעד עלטער.100 ראַנדאַמלי אויסגעקליבן ראַדיאָגראַפס פון די טריינינג שטעלן זענען סקאָרד דורך צוויי יקספּיריאַנסט אַבזערווערז צו פּרובירן ינטעראָבסערווער רילייאַבילאַטי נאָך פּריקאַליבריישאַן צו באַשטימען דענטאַל צייַטיקייַט בינע.ינטראַאָבסערווער רילייאַבילאַטי איז אַססעססעד צוויי מאָל אין דריי-חודש ינטערוואַלז דורך די ערשטיק אַבזערווער.
די געשלעכט און אַנטוויקלונג בינע פון ​​די רגע און דריט מאָלאַרס פון יעדער קין אין די טריינינג שטעלן זענען עסטימאַטעד דורך אַ ערשטיק אַבזערווער טריינד מיט פאַרשידענע DM מאָדעלס, און די פאַקטיש עלטער איז געווען באַשטימט ווי די ציל ווערט.SLP און MLP מאָדעלס, וואָס זענען וויידלי געניצט אין מאַשין לערנען, זענען טעסטעד קעגן ראַגרעשאַן אַלגערידאַמז.די DM מאָדעל קאַמביינז לינעאַר פאַנגקשאַנז ניצן די אַנטוויקלונג סטאַגעס פון די פיר ציין און קאַמביינז די דאַטן צו אָפּשאַצן עלטער.SLP איז די סימפּלאַסט נעוראַל נעץ און כּולל קיין פאַרבאָרגן לייַערס.SLP אַרבעט באזירט אויף שוועל טראַנסמיסיע צווישן נאָודז.די SLP מאָדעל אין ראַגרעשאַן איז מאַטאַמאַטיקלי ענלעך צו קייפל לינעאַר ראַגרעשאַן.ניט ענלעך די SLP מאָדעל, די MLP מאָדעל האט קייפל פאַרבאָרגן לייַערס מיט ניט-לינעאַר אַקטאַוויישאַן פאַנגקשאַנז.אונדזער יקספּעראַמאַנץ געוויינט אַ פאַרבאָרגן שיכטע מיט בלויז 20 פאַרבאָרגן נאָודז מיט ניט-לינעאַר אַקטאַוויישאַן פאַנגקשאַנז.ניצן גראַדיענט אַראָפּגאַנג ווי די אַפּטאַמאַזיישאַן אופֿן און MAE און RMSE ווי די אָנווער פונקציע צו באַן אונדזער מאַשין לערנען מאָדעל.דער בעסטער דערגרייכט ראַגרעשאַן מאָדעל איז געווען געווענדט צו די ינערלעך און פונדרויסנדיק פּרובירן שטעלט און די עלטער פון די ציין איז עסטימאַטעד.
א קלאַסאַפאַקיישאַן אַלגערידאַם איז דעוועלאָפּעד וואָס ניצט די צייַטיקייַט פון פיר ציין אויף די טריינינג שטעלן צו פאָרויסזאָגן צי אַ מוסטער איז 18 יאָר אַלט אָדער נישט.צו בויען דעם מאָדעל, מיר דערייווד זיבן פאַרטרעטונג מאַשין לערנען אַלגערידאַמז6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) רף, (6) XGBoost, און (7) MLP .LR איז איינער פון די מערסט וויידלי געניצט קלאַסאַפאַקיישאַן אַלגערידאַמז44.עס איז אַ סופּערווייזד לערנען אַלגערידאַם וואָס ניצט ראַגרעשאַן צו פאָרויסזאָגן די מאַשמאָעס פון דאַטן בילאָנגינג צו אַ זיכער קאַטעגאָריע פון ​​0 צו 1 און קלאַסאַפייז די דאַטן ווי בילאָנגינג צו אַ מער מסתּמא קאַטעגאָריע באזירט אויף דעם מאַשמאָעס;דער הויפּט געניצט פֿאַר ביינערי קלאַסאַפאַקיישאַן.KNN איז איינער פון די סימפּלאַסט אַלגערידאַמז פֿאַר מאַשין לערנען 45.ווען איר באַקומען נייַע אַרייַנשרייַב דאַטן, עס געפינט ק דאַטן נאָענט צו די יגזיסטינג גאַנג און קלאַסאַפייז זיי אין די קלאַס מיט די העכסטן אָפטקייַט.מיר שטעלן 3 פֿאַר די נומער פון שכנים באַטראַכט (ק).SVM איז אַן אַלגערידאַם וואָס מאַקסאַמייזיז די ווייַטקייט צווישן צוויי קלאסן דורך ניצן אַ קערן פונקציע צו יקספּאַנד די לינעאַר פּלאַץ אין אַ ניט-לינעאַר פּלאַץ גערופן fields46.פֿאַר דעם מאָדעל, מיר נוצן פאָרורטייל = 1, מאַכט = 1, און גאַמאַ = 1 ווי כייפּערפּאַראַמאַטערז פֿאַר די פּאָלינאָמיאַל קערן.DT איז געווענדט אין פאַרשידן פעלדער ווי אַ אַלגערידאַם פֿאַר דיוויידינג אַ גאַנץ דאַטן שטעלן אין עטלעכע סאַבגרופּס דורך רעפּריזענטינג באַשלוס כּללים אין אַ בוים סטרוקטור47.דער מאָדעל איז קאַנפיגיערד מיט אַ מינימום נומער פון רעקאָרדס פּער נאָדע פון ​​2 און ניצט די גיני אינדעקס ווי אַ מאָס פון קוואַליטעט.RF איז אַן אַנסאַמבאַל אופֿן וואָס קאַמביינז קייפל דץ צו פֿאַרבעסערן פאָרשטעלונג מיט אַ באָאָטסטראַפּ אַגגרעגאַטיאָן אופֿן וואָס דזשענערייץ אַ שוואַך קלאַססיפיער פֿאַר יעדער מוסטער דורך ראַנדאַמלי צייכענונג סאַמפּאַלז פון דער זעלביקער גרייס עטלעכע מאָל פֿון דער אָריגינעל דאַטאַסעט48.מיר געוויינט 100 ביימער, 10 בוים טיפענישן, 1 מינימום נאָדע גרייס און גיני אַדמיקסטשער אינדעקס ווי נאָדע צעשיידונג קרייטיריאַ.די קלאַסאַפאַקיישאַן פון נייַע דאַטן איז באשלאסן דורך אַ מערהייַט שטימען.XGBoost איז אַן אַלגערידאַם וואָס קאַמביינז בוסטינג טעקניקס מיט אַ מעטאָד וואָס נעמט ווי טריינינג דאַטן די טעות צווישן די פאַקטיש און פּרעדיקטעד וואַלועס פון די פריערדיקע מאָדעל און פאַרגרעסערן די טעות מיט גראַדיענץ49.עס איז אַ וויידלי געניצט אַלגערידאַם רעכט צו זייַן גוט פאָרשטעלונג און מיטל עפעקטיווקייַט, ווי געזונט ווי הויך רילייאַבילאַטי ווי אַן אָוווערפיט קערעקשאַן פונקציע.דער מאָדעל איז יקוויפּט מיט 400 שטיצן ווילז.MLP איז אַ נעוראַל נעץ אין וואָס איינער אָדער מער פּערסעפּטאָנס פאָרעם קייפל לייַערס מיט איין אָדער מער פאַרבאָרגן לייַערס צווישן די אַרייַנשרייַב און רעזולטאַט לייַערס 38.מיט דעם, איר קענען דורכפירן ניט-לינעאַר קלאַסאַפאַקיישאַן ווען איר לייגן אַן אַרייַנשרייַב שיכטע און באַקומען אַ רעזולטאַט ווערט, די פּרעדיקטעד רעזולטאַט ווערט איז קאַמפּערד מיט די פאַקטיש רעזולטאַט ווערט און דער טעות איז פּראַפּאַגייטיד צוריק.מיר באשאפן אַ פאַרבאָרגן שיכטע מיט 20 פאַרבאָרגן נוראַנז אין יעדער שיכטע.יעדער מאָדעל וואָס מיר דעוועלאָפּעד איז געווען געווענדט צו ינערלעך און פונדרויסנדיק שטעלט צו פּרובירן קלאַסאַפאַקיישאַן פאָרשטעלונג דורך קאַלקיאַלייטינג סענסיטיוויטי, ספּעציפֿישקייט, PPV, NPV און AUROC.סענסיטיוויטי איז דיפיינד ווי די פאַרהעלטעניש פון אַ מוסטער עסטימאַטעד צו זיין 18 יאר אַלט אָדער עלטער צו אַ מוסטער עסטימאַטעד צו זיין 18 יאר אַלט אָדער עלטער.ספּעסיפיקאַטי איז די פּראָפּאָרציע פון ​​סאַמפּאַלז אונטער 18 יאר אַלט און די עסטימאַטעד צו זיין אונטער 18 יאר אַלט.
די דענטאַל סטאַגעס אַססעססעד אין די טריינינג שטעלן זענען קאָנווערטעד אין נומעריקאַל סטאַגעס פֿאַר סטאַטיסטיש אַנאַליסיס.מולטיוואַריאַטע לינעאַר און לאָגיסטיק ראַגרעשאַן זענען דורכגעקאָכט צו אַנטוויקלען פּרידיקטיוו מאָדעלס פֿאַר יעדער געשלעכט און אַרויספירן ראַגרעשאַן פאָרמולאַס וואָס קענען זיין גענוצט צו אָפּשאַצן עלטער.מיר געוויינט די פאָרמולאַס צו אָפּשאַצן צאָן עלטער פֿאַר ביידע ינערלעך און פונדרויסנדיק פּרובירן שטעלט.טיש 4 ווייזט די ראַגרעשאַן און קלאַסאַפאַקיישאַן מאָדעלס געניצט אין דעם לערנען.
ינטראַ- און ינטעראָבסערווער רילייאַבילאַטי איז קאַלקיאַלייטיד ניצן Cohen ס קאַפּאַ סטאַטיסטיק.צו פּרובירן די אַקיעראַסי פון DM און טראדיציאנעלן ראַגרעשאַן מאָדעלס, מיר קאַלקיאַלייטיד MAE און RMSE ניצן די עסטימאַטעד און פאַקטיש עלטער פון די ינערלעך און פונדרויסנדיק פּרובירן שטעלט.די ערראָרס זענען קאַמאַנלי געניצט צו אָפּשאַצן די אַקיעראַסי פון מאָדעל פֿאָרויסזאָגן.די קלענערער דער טעות, די העכער די אַקיעראַסי פון די פאָרויסזאָגן 24.פאַרגלייַכן די MAE און RMSE פון ינערלעך און פונדרויסנדיק פּרובירן שטעלט קאַלקיאַלייטיד מיט DM און טראדיציאנעלן ראַגרעשאַן.קלאַסאַפאַקיישאַן פאָרשטעלונג פון די 18-יאָר קאַטאָף אין טראדיציאנעלן סטאַטיסטיק איז אַססעססעד מיט אַ 2 × 2 קאַנטינדזשאַנסי טיש.די קאַלקיאַלייטיד סענסיטיוויטי, ספּעסיפיסיטי, PPV, NPV און AUROC פון די פּרובירן שטעלן זענען קאַמפּערד מיט די געמאסטן וואַלועס פון די DM קלאַסאַפאַקיישאַן מאָדעל.דאַטן זענען אויסגעדריקט ווי דורכשניטלעך ± נאָרמאַל דיווייישאַן אָדער נומער (%) דיפּענדינג אויף דאַטן קעראַקטעריסטיקס.צוויי-סיידאַד פּ וואַלועס <0.05 זענען געהאלטן סטאַטיסטיש באַטייַטיק.אַלע רוטין סטאַטיסטיש אַנאַליזעס זענען דורכגעקאָכט מיט SAS ווערסיע 9.4 (SAS אינסטיטוט, Cary, NC).די DM ראַגרעשאַן מאָדעל איז ימפּלאַמענאַד אין פּיטהאָן ניצן Keras50 2.2.4 באַקענד און Tensorflow51 1.8.0 ספּאַסיפיקלי פֿאַר מאַטאַמאַטיקאַל אַפּעריישאַנז.די DM קלאַסאַפאַקיישאַן מאָדעל איז ימפּלאַמענאַד אין די וואַיקאַטאָ וויסן אַנאַליסיס סוויווע און די קאָנסטאַנז אינפארמאציע מיינער (KNIME) 4.6.152 אַנאַליסיס פּלאַטפאָרמע.
די מחברים באַשטעטיקן אַז דאַטן וואָס שטיצן די קאַנקלוזשאַנז פון דעם לערנען קענען זיין געפֿונען אין דעם אַרטיקל און סאַפּלאַמענטערי מאַטעריאַלס.די דאַטאַסעץ דזשענערייטאַד און / אָדער אַנאַלייזד בעשאַס די לערנען זענען בארעכטיגט פון די קאָראַספּאַנדינג מחבר אויף גלייַך בעטן.
ריץ־טיממע , ש עטעל .עלטער אַססעססמענט: שטאַט פון די קונסט צו טרעפן די ספּעציפיש רעקווירעמענץ פון פאָרענסיק פיר.ינטערנאַטיאָנאַליטי.י לעגאַל מעדיצין.113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. און Olze, A. קראַנט סטאַטוס פון פאָרענסיק עלטער אַססעססמענט פון לעבעדיק סאַבדזשעקץ פֿאַר קרימינאַל פּראָקורירונג צוועקן.פאָרענסיקס.מעדיצין.פּאַטאַלאַדזשי.1, 239-246 (2005).
פּאַן, י עט על.א מאַדאַפייד אופֿן פֿאַר אַססעססינג די דענטאַל עלטער פון קינדער פון 5 צו 16 יאר אין מזרח טשיינאַ.קליניש.מויל יבערבליק.25, 3463-3474 (2021).
לי, סס עטק טשראָנאָלאָגי פון דער אַנטוויקלונג פון רגע און דריט מאָלאַרס אין קאָרעאַנס און זייַן אַפּלאַקיישאַן פֿאַר פאָרענסיק עלטער אַססעססמענט.ינטערנאַטיאָנאַליטי.י לעגאַל מעדיצין.124, 659-665 (2010).
אָה, S., Kumagai, A., Kim, SY און Lee, SS.PLoS ONE 17, e0271247 (2022).
קים, JY, עט על.פּרעאָפּעראַטיווע מאַשין לערנען-באזירט דאַטן אַנאַליסיס קענען פאָרויסזאָגן די באַהאַנדלונג רעזולטאַט פון שלאָפן כירורגיע אין פּאַטיענץ מיט אָסאַ.די וויסנשאַפֿט.באריכט 11, 14911 (2021).
האַן, עם עט על.פּינטלעך עלטער אָפּשאַצונג פון מאַשין לערנען מיט אָדער אָן מענטש ינטערווענטיאָן?ינטערנאַטיאָנאַליטי.י לעגאַל מעדיצין.136, 821-831 (2022).
Khan, S. און Shaheen, M. פֿון דאַטאַ מינינג צו דאַטאַ מינינג.דזש.אינפארמאציע.די וויסנשאַפֿט.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. און Shaheen, M. WisRule: דער ערשטער קאָגניטיווע אַלגערידאַם פֿאַר אַססאָסיאַטיאָן רול מיינינג.דזש.אינפארמאציע.די וויסנשאַפֿט.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. און Abdullah U. Karm: טראַדיציאָנעל דאַטן מיינינג באזירט אויף קאָנטעקסט-באזירט פאַרבאַנד כּללים.רעכענען.מאַט.פאָרזעצן.68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. און Habib M. טיף לערנען באזירט סעמאַנטיק ענלעכקייט דיטעקשאַן ניצן טעקסט דאַטן.מיטטיילן.טעקנאַלאַדזשיז.קאָנטראָל.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., און Shahin, M. א סיסטעם פֿאַר דערקענען טעטיקייט אין ספּאָרט ווידיאס.מולטימעדיאַ.מכשירים אַפּפּליקאַטיאָנס https://doi.org/10.1007/s11042-021-10519-6 (2021).
חלבי, סס עט על.RSNA מאַשין לערנען טשאַלאַנדזש אין פּידיאַטריק ביין עלטער.ראַדיאָלאָגי 290, 498-503 (2019).
לי, י עט על.פאָרענסיק עלטער אָפּשאַצונג פון פּעלוויק X-שטראַלן ניצן טיף לערנען.ייראָ.ראַדיאַציע.29, 2322-2329 (2019).
Guo, YC, et al.פּינטלעך עלטער קלאַסאַפאַקיישאַן ניצן מאַנואַל מעטהאָדס און טיף קאַנוואַלושאַנאַל נעוראַל נעטוואָרקס פֿון אָרטאָגראַפיק פּרויעקציע בילדער.ינטערנאַטיאָנאַליטי.י לעגאַל מעדיצין.135, 1589-1597 (2021).
Alabama Dalora עט על.ביין עלטער אָפּשאַצונג ניצן פאַרשידענע מאַשין לערנען מעטהאָדס: אַ סיסטעמאַטיש ליטעראַטור רעצענזיע און מעטאַ-אַנאַליסיס.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. באַפעלקערונג-ספּעציפיש עלטער אָפּשאַצונג פון אפריקאנער אמעריקאנער און כינעזיש באזירט אויף פּאַפּ קאַמער וואַליומז פון ערשטער מאָלאַרס ניצן שישקע-שטראַל קאַמפּיוטאַד טאָמאָגראַפי.ינטערנאַטיאָנאַליטי.י לעגאַל מעדיצין.136, 811-819 (2022).
Kim S., Lee YH, Noh YK, Park FK און Oh KS דיטערמאַנינג עלטער גרופּעס פון לעבעדיק מענטשן ניצן קינסטלעך סייכל-באזירט בילדער פון ערשטער מאָלאַרס.די וויסנשאַפֿט.באריכט 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., און Urschler, M. אָטאַמאַטיק עלטער אָפּשאַצונג און מערהייַט עלטער קלאַסאַפאַקיישאַן פון מולטיוואַריאַט מרי דאַטן.IEEE J. Biomed.געזונט אַלערץ.23, 1392-1403 (2019).
Cheng, Q., Ge, Z., Du, H. און Li, G. עלטער אָפּשאַצונג באזירט אויף 3D פּאַפּ קאַמער סעגמאַנטיישאַן פון ערשטער מאָלאַרס פון שישקע שטראַל קאַמפּיוטיד טאָמאָגראַפי דורך ינטאַגרייטינג טיף לערנען און מדרגה שטעלט.ינטערנאַטיאָנאַליטי.י לעגאַל מעדיצין.135, 365-373 (2021).
ווו, ווט, עט על.דאַטאַ מיינינג אין קליניש גרויס דאַטן: פּראָסט דאַטאַבייסיז, סטעפּס און מעטהאָדס מאָדעלס.וועלט.מעדיצין.מיטל.8, 44 (2021).
יאַנג, י עט על.הקדמה צו מעדיציניש דאַטאַבייסיז און דאַטאַ מינינג טעטשנאָלאָגיעס אין די גרויס דאַטאַ טקופע.י אוויד.יקערדיק מעדיצין.13, 57-69 (2020).
שען, ש. עט על.קאַמערער ס אופֿן פֿאַר אָפּשאַצונג פון צאָן עלטער ניצן מאַשין לערנען.BMC Oral Health 21, 641 (2021).
Galliburg A. עט על.פאַרגלייַך פון פאַרשידענע מאַשין לערנען מעטהאָדס פֿאַר פּרידיקטינג דענטאַל עלטער ניצן די Demirdjian סטאַגינג אופֿן.ינטערנאַטיאָנאַליטי.י לעגאַל מעדיצין.135, 665-675 (2021).
Demirdjian, A., Goldstein, H. און Tanner, JM, א נייַע סיסטעם פֿאַר אַססעססינג דענטאַל עלטער.שנארקן.ביאָלאָגי.45, 211-227 (1973).
Landis, JR, און Koch, GG מיטלען פון אַבזערווער העסקעם אויף קאַטאַגאָריקאַל דאַטן.ביאָמעטריקס 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK און Choi HK.טעקסטשעראַל, מאָרפאַלאַדזשיקאַל און סטאַטיסטיש אַנאַליסיס פון צוויי-דימענשאַנאַל מאַגנעטיק אפקלאנג ימאַגינג ניצן קינסטלעך סייכל טעקניקס פֿאַר דיפערענשייישאַן פון ערשטיק מאַרך טומאָרס.געזונט אינפֿאָרמאַציע.מיטל.https://doi.org/10.4258/hir.2022.28.1.46 (2022).