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

דאנק איר פֿאַר באזוכן נאַטור. די ווערסיע פון ​​בלעטערער איר נוצן די שטיצן פון CSS. פֿאַר בעסטער רעזולטאַטן, מיר רעקאָמענדירן צו נוצן אַ נייַער ווערסיע פון ​​דיין בלעטערער (אָדער קער אַוועק קאַמפּאַטאַבילאַטי מאָדע אין Internet Explorer). אין די דערווייל, צו ענשור אָנגאָינג שטיצן, מיר ווייַזן די מאַפּע אָן סטילינג אָדער דזשאַוואַסקריפּט.
ציין זענען געהאלטן די מערסט פּינטלעך גראדן פון די עלטער פון די מענטשלעך 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 18-יאָר שוועל מיט בעקאַבאָלעדיק מעטהאָדס און דאַטן מיינינג-באזירט עלטער עסטאַמאַץ. א גאַנץ פון 2657 פּאַנאָראַמיק ראַדיאָגראַפס זענען געזאמלט פון קאָרעיִש און יאַפּאַניש בירגערס אַלט 15-23 יאָר. זיי זענען צעטיילט אין אַ טריינינג שטעלן, יעדער כּולל 900 קאָרעיִש ראַדיאָגראַפס, און אַ ינערלעך פּרובירן שטעלן מיט 857 יאַפּאַניש ראַדיאָגראַפס. מיר קאַמפּערד די קלאַסאַפאַקיישאַן אַקיעראַסי און עפעקטיווקייַט פון בעקאַבאָלעדיק מעטהאָדס מיט פּרובירן שטעלט פון דאַטן מיינינג מאָדעלס. די אַקיעראַסי פון דעם טראדיציאנעלן אופֿן אויף די ינערלעך פּרובירן שטעלן איז אַ ביסל העכער ווי די פון די דאַטן מיינינג מאָדעל, און די דאַטן מיינינג מאָדעל, און די חילוק איז קליין (מיינען אַבסאָלוט טעות <0.21 יאָרן, וואָרצל דורכשניטלעך קוואַדראַט טעות <0.24 יאָר). די קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר די 18-יאָר קאַטאָף איז אויך ענלעך צווישן בעקאַבאָלעדיק מעטהאָדס און דאַטן מיינינג מאָדעלס. אזוי, טראַדיציאָנעל מעטהאָדס קענען זיין ריפּלייסט דורך דאַטן מיינינג מאָדעלס ווען פּערפאָרמינג פאָרענסיק עלטער אַסעסמאַנט ניצן די צייַטיקייַט פון רגע און דריט מאָלערז אין קאָרעיִש אַדאָולעסאַנץ און יונג אַדאַלעס.
דענטאַל אַגע אָפּשאַצונג איז וויידלי געניצט אין פאָרענסיק מעדיצין און פּידיאַטריק דעניסטרי. In particular, because of the high correlation between chronological age and dental development, age assessment by dental developmental stages is an important criterion for assessing the age of children and adolescents1,2,3. אָבער, פֿאַר יונג מענטשן, עסטאַמייטינג דענטאַל עלטער באזירט אויף דענטאַל צייַטיקייַט האט זייַן לימיטיישאַנז ווייַל דענטאַל וווּקס איז כּמעט גאַנץ, מיט די ויסנעם פון די דריט מאָלערז. דער לעגאַל ציל פון דיטערמאַנינג די עלטער פון יונג מענטשן און אַדאָולעסאַנץ איז צו צושטעלן פּינטלעך עסטאַמאַץ און וויסנשאפטלעכע זאָגן פון צי זיי האָבן ריטשט די עלטער פון מערהייט. אין די מעדיקאָ-לעגאַל פּראַקטיסיז און יונג אַדאַלעסאַנץ אין קארעע, עלטער איז עסטימאַטעד ניצן לי ס מעטאָד, און אַ לעגאַל שוועל פון 18 יאָר איז געווען פּרעדיקטעד באזירט אויף די דאַטן געמאלדן דורך אָה עט על 5.
דער לערנען פון מאַשין איז אַ טיפּ פון קינסטלעך סייכל (אַי) וואָס ריפּיטידלי לערן און קלאַסאַפייז גרויס אַמאַונץ פון דאַטן, סאַלווז פּראָבלעמס אויף זייַן אייגן און דרייווז דאַטן פּראָגראַממינג. לערנען פון מאַשין קענען אַנטדעקן נוציק הידדען פּאַטערנז אין גרויס באַנד פון דאַטן 6. אין קאַנטראַסט, קלאסישע מעטהאָדס, וואָס זענען אַ אַרבעט-אינטענסיווע און צייַט-קאַנסומינג, קען האָבן לימיטיישאַנז ווען די וואָג מיט גרויס וואַליומז פון קאָמפּלעקס דאַטן וואָס זענען שווער צו פּראָצעס מאַניואַלי 7. דעריבער, פילע שטודיום האָבן שוין געפירט לעצטנס מיט די לעצט קאָמפּיוטער טעקנאַלאַדזשיז צו מינאַמייז מענטשלעך ערראָרס און יפישאַנטלי פּראָצעס מולטידימענסיאָנאַל דאַטן 8,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,11,12. In particular, deep learning has been widely used in medical image analysis, and various methods for age estimation by automatically analyzing radiographs have been reported to improve the accuracy and efficiency of age estimation13,14,15,16,17,18,19,20 . למשל, האַלליאַבי עט על 13 דעוועלאָפּעד אַ מאַשין לערנען אַלגערידאַם באזירט אויף קאַנאַלוושאַנאַל נוראַל נעטוואָרקס (CNN) צו אָפּשאַצן סקעלעטאַל עלטער ניצן ראַדיאָגראַפס פון קינדער 'ס הענט. דעם לערנען לייגט אַ מאָדעל וואָס אַפּלייז מאַשין לערנען צו מעדיציניש בילדער און ווייַזן אַז די מעטהאָדס קענען פֿאַרבעסערן דיאַגאַסיפיק אַקיעראַסי. לי עט אַל 14 עסטימאַטעד עלטער פון פּעלוויק רענטגענ-שטראַל בילדער ניצן אַ טיף לערנען CNN און קאַמפּערד זיי מיט רעגרעססיאָן רעזולטאַטן מיט אָססאַפאַקיישאַן סיטי אָפּשאַצונג. זיי געפונען אַז דער טיף לערנען CNN מאָדעל געוויזן די יענסע גענאַטיאָן ווי די בעקאַבאָלעדיק רעגרעססיאָן מאָדעל. גואָ עט על.
רובֿ שטודיום אויף עלטער אָפּשאַצונג מיט מאַשין לערנען נוצן טיף לערנען מעטהאָדס13,14,15,16,17,18,19,20. עלטער אָפּשאַצונג באזירט אויף טיף לערנען איז געמאלדן צו זיין מער פּינטלעך ווי בעקאַבאָלעדיק מעטהאָדס. אָבער, דער צוגאַנג גיט קליין געלעגנהייט צו פאָרשטעלן די וויסנשאפטלעכע יקער פֿאַר עלטער עסטאַמאַץ, אַזאַ ווי די עלטער ינדאַקייטערז געניצט אין די עסטאַמאַץ. עס איז אויך אַ לעגאַל פּאָלעמיק וועגן וואָס פירט די ינספּעקשאַנז. דעריבער, דער אָפּשאַצונג באזירט אויף טיף לערנען איז שווער צו אָננעמען דורך אַדמיניסטראַטיווע און דזשודישאַל אויטאריטעטן. דאַטן מיינינג (דם) איז אַ טעכניק וואָס קענען אַנטדעקן ניט בלויז דערוואַרט, אָבער אויך אומגעריכט אינפֿאָרמאַציע ווי אַ מעטאָד פֿאַר דיסקאַווערינג נוציק קאָראַליישאַנז צווישן גרויס אַמאַונץ פון דאַטאַ .2222. די לערנען פון מאַשין איז אָפט געניצט אין דאַטן מיינינג, און ביידע דאַטן מיינינג און מאַשין צו לערנען נוצן פון דער זעלביקער שליסל אַלגערידאַמז צו אַנטדעקן פּאַטערנז אין דאַטן. עלטער אָפּשאַצונג מיט דענטאַל אַנטוויקלונג איז באזירט אויף די אַסעסמאַנט פון די עקסאַמינאַמער פון די צייַטיקייַט פון די ציל ציין, און דאָס אַסעסמאַנט איז אויסגעדריקט ווי אַ בינע פֿאַר יעדער בינע פֿאַר יעדער בינע פֿאַר יעדער בינע פֿאַר יעדער בינע פֿאַר יעדער ציין פון די אַסעסמאַנט איז אויסגעדריקט ווי אַ בינע פֿאַר יעדער בינע פֿאַר יעדער סטעאַפּ. DM קענען ווערן געניצט צו אַנאַלייז 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 בעקאַבאָלעדיק מאַנואַל מעטהאָדס געניצט אין פאָרענסיק פיר און EBM- באזירט מעטהאָדס פֿאַר דיטערענינג דענטאַל עלטער. שען עט אַל 23 געוויזן אַז די דם מאָדעל איז מער פּינטלעך ווי די בעקאַבאָלעדיק קאַמער פאָרמולע. גיביבעג עט ע 24 געווענדט פאַרשידענע דם מעטהאָדס צו פאָרויסזאָגן עלטער לויט די דעמירדזשיאַן קריטעריאָנ 25 און די רעזולטאַטן געוויזן אַז די דם מעטאָד איז בעסער ווי די דעסירדזשיאַן און זייטימאַטעד מעטהאָדס צו אָפּשאַצן די עלטער פון די פראנצויזיש באַפעלקערונג.
צו אָפּשאַצן די דענטאַל עלטער פון קאָרעיִש אַדאָולעסאַנץ און יונג אַדאַלץ, לי ס מעטאָד 4 איז וויידלי געניצט אין קאָרעיִש פאָרענסיק פיר. דער אופֿן ניצט בעקאַבאָלעדיק סטאַטיסטיש אַנאַליסיס (אַזאַ ווי קייפל רעגרעססיאָן) צו ונטערזוכן די שייכות צווישן קאָרעיִש סאַבדזשעקץ און קראַנאַלאַדזשיקאַל עלטער. אין דעם לערנען, עלטער אָפּשאַצונג מעטהאָדס באקומען ניצן טראַדיציאָנעל סטאַטיסטיש מעטהאָדס זענען דיפיינד ווי "בעקאַבאָלעדיק מעטהאָדס." די אופֿן פון Lee איז אַ טראדיציאנעלן אופֿן, און די אַקיעראַסי איז באשטעטיקט דורך אָה עט על. 5; אָבער, די אַפּלאַקאַבילאַטי פון עלטער אָפּשאַצונג באזירט אויף די דם מאָדעל אין קאָרעיִש פאָרענסיק פיר איז נאָך פּראָבלעמאַטיש. אונדזער ציל איז געווען צו סייאַנטיפיקלי וואַלאַדייט די פּאָטענציעל נוציקייט פון עלטער אָפּשאַצונג באזירט אויף די דם מאָדעל. דער ציל פון דעם לערנען איז געווען (1) צו פאַרגלייכן די אַקיעראַסי פון צוויי דם מאָדעלס אין אָפּשאַצונג פון די לעצטע צייט און (2) צו פאַרגלייכן די קלאַסאַפאַקיישאַן פאָרשטעלונג פון 7 DM מאָדעלס אין דער עלטער פון 18 יאָר און דריט מאָלערז אין ביידע קין.
מיטל און נאָרמאַל דיווייישאַנז פון קראַנאַלאַדזשיקאַל עלטער פון בינע און צאָן טיפּ זענען געוויזן אָנליין אין סאַפּלאַמענטערי טאַבלע ס 1 (טראַינינג שטעלן), די ינערלעך טעסט שטעלן), און העסאָפע טיש ס 3 (פונדרויסנדיק טעסט שטעלן). די קאַפּאַ וואַלועס פֿאַר ינטראַנאַ און ינטעראָבסערווער רילייאַבילאַטי באקומען פון די טראַינינג שטעלן איז געווען 0.951 און 0.947, ריספּעקטיוולי. פּ וואַלועס און 95% בטחון ינטערוואַלז פֿאַר KAPPA וואַלועס זענען געוויזן אין אָנליין סופּפּלעמענטאַרי טאַבלע ס 4. די קאַפּאַ ווערט איז ינטערפּראַטאַד ווי "כּמעט שליימעסדיק", קאָנסיסטענט מיט די קרייטיריאַ פון לאַנדיס און קאָטש26.
ווען קאַמפּערינג מיינען אַבסאָלוט טעות (מיי), די בעקאַבאָלעדיק אופֿן, אַ ביסל אַוטפּערפאָרמס פון די פונדרויסנדיק זכר שטעלן, מיט די ויסנעם פון מאַלטילייער פּערסעפּטראָן (MLP). די חילוק צווישן דעם טראדיציאנעלן מאָדעל און די דם מאָדעל אויף דער ינערלעך מיי טעסט שטעלן איז 0.12-0.19 יאָר פֿאַר מענטשן און 0.17-0.21 יאָר פֿאַר וואָמען. פֿאַר די פונדרויסנדיק פּרובירן באַטאַרייע, די דיפעראַנסיז זענען קלענערער (0.001-0-0,05 יאָר פֿאַר מענטשן און 0,05-0.09 יאָרן פֿאַר וואָמען). דערצו, דער וואָרצל מיינען קוואדראט טעות (RMSE) איז אַ ביסל נידעריקער ווי די טראדיציאנעלן אופֿן, מיט קלענערער דיפעראַנסיז (0,0.24, 0.2-0.24 פֿאַר די זכר ינערלעך טעסט שטעלן, 0,0.08 פֿאַר פונדרויסנדיק פּרובירן פּלאַץ). ). MLP ווייַזן אַ ביסל בעסער פאָרשטעלונג ווי איין שיכטע פּערסעפּטראָן (סלפּ), אַחוץ אין די פאַל פון די ווייַבלעך פונדרויסנדיק פּרובירן שטעלן. פֿאַר מאַע און רמס, די פונדרויסנדיק פּרובירן סעטעס העכער ווי די ינערלעך פּרובירן שטעלן פֿאַר אַלע דזשענדערז און מאָדעלס. אַלע מיי און רימז זענען געוויזן אין טאַבלע 1 און פיגורע 1.
מאַע און רמס פון בעקאַבאָלעדיק און דאַטן מיינינג רעגרעססיאָן מאָדעלס. מיינען אַבסאָלוט גרייַז מאַע, וואָרצל דורכשניטלעך קוואַדראַט טעות רמסע, איין שיכטע פּערסעפּטראָן סלפּ, מאַלטילייער פּערסעפּטראָן מלפּ, טראדיציאנעלן סענטימעטער.
קלאַסאַפאַקיישאַן פאָרשטעלונג (מיט אַ קאַטאַפּשאַנז פון 18 יאָר) פון דעם טראדיציאנעלן און דם מאָדעלס איז דעמאַנסטרייטיד אין טערמינען פון סענסיטיוויטי, ספּעציפיש פּרידיקטיוו ווערט (NPV), און די געגנט), און געגנט אונטער די ופנעמער אָפּערייטינג כאַראַקטעריסטיש ויסבייג 27 (טיש 2, פיגורע 2 און סאַפּלאַמענטערי פיגור 1 אָנליין). אין טערמינען פון די סענסיטיוויטי פון די ינערלעך פּרובירן באַטאַרייע, בעקאַבאָלעדיק מעטהאָדס זענען בעסטער פֿאַר מענטשן און ערגער צווישן וואָמען. אָבער, די חילוק אין קלאַסאַפאַקיישאַן פאָרשטעלונג צווישן בעקאַבאָלעדיק מעטהאָדס און סד איז 9.7% פֿאַר מענטשן (MLP) און בלויז 2.4% פֿאַר וואָמען (קסגבאָאָסט). צווישן דם מאָדעלס, לאָגיסטיק ראַגרעשאַן (לר) געוויזן בעסער סענסיטיוויטי אין ביידע סעקסאַז. וועגן די ספּעציפישקייט פון די ינערלעך פּרובירן שטעלן, עס איז געווען באמערקט אַז די פיר סד מאָדעלס פּערפאָרמד געזונט אין מאַלעס, בשעת די טראדיציאנעלן מאָדעל איז געווען בעסער אין פימיילז. די דיפעראַנסיז אין קלאַסאַפאַקיישאַן פאָרשטעלונג פֿאַר מאַלעס און פימיילז זענען 13.3% (MLP) און 13.1% (MLP), ינדאַקייטיד אַז די חילוק אין קלאַסאַפאַקיישאַן פאָרשטעלונג צווישן מאָדעלס זענען יקסידז סענסיטיוויטי. צווישן די DM מאָדעלס, די שטיצן וועקטאָר מאַשין (סוום), באַשלוס בוים (דט), און טראַפ-וואַלד (רף) מאָדעלס געטאן בעסטער צווישן מאַלעס, בשעת די LR מאָדעל איז געווען פֿאַר פימיילז. די AUROC פון דעם טראדיציאנעלן מאָדעל און אַלע סד מאָדעלס איז געווען גרעסער ווי 0.925 (ק-ניראַסט חבר (קני) אין מענטשן), דעמאַנסטרייטינג ויסגעצייכנט קלאַסאַפאַקיישאַן פאָרשטעלונג אין דיסקרימאַנייטינג 18-אַלט סאַמפּאַלז 28. פֿאַר די פונדרויסנדיק פּרובירן שטעלן, עס איז געווען אַ פאַרקלענערן אין קלאַסאַפאַקיישאַן פאָרשטעלונג אין טערמינען פון סענסיטיוויטי, ספּעסאַפיסאַטי און אַוראָק קאַמפּערד מיט די ינערלעך פּרובירן שטעלן. די חילוק, דער חילוק אין סענסיטיוויטי און ספּעציפישקייט 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 טעסט שטעלן.
סענסיטיוויטי און ספּעסיטי פון דאַטן מיינינג קלאַסאַפאַקיישאַן מאָדעלס קאַמפּערד מיט בעקאַבאָלעדיק מעטהאָדס מיט אַ קאַטאַפּשאַן פון 18 יאָר. קנן ק ניראַסט חבר, סוום שטיצן וועקטאָר מאַשין, LR לאָגיסטיק רופּרעסטאַן, דט באַשלוס בוים, רף טראַפ - פאָרעס, קסגב קסגבאָאָסט, מל Multialייַנער פּערסעפּטראָן, טראדיציאנעלן CM אופֿן.
דער ערשטער שריט אין דעם לערנען איז געווען צו פאַרגלייַכן די אַקיעראַסי פון דענטאַל עלטער עסטאַמאַץ באקומען פון זיבן דם מאָדעלס מיט יענע באקומען ניצן טראדיציאנעלן רעגרעססיאָן. מאַי און רמס זענען עוואַלואַטעד אין ינערלעך פּרובירן שטעלט פֿאַר ביידע סעקסאַז, און די חילוק צווישן די בעקאַבאָלעדיק אופֿן און די טם מאָדעל ריינדזשד 44-77 טעג פֿאַר מיי און 62-88 טעג פֿאַר רמס. כאָטש די בעקאַבאָלעדיק 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 אַגע אָפּשאַצונג ניצן די DM מאָדעל איז כּמעט די זעלבע ווי די בעקאַבאָלעדיק אופֿן. דירעקט פאַרגלייַך מיט רעזולטאַטן פון פריערדיקן שטודיום איז שווער ווייַל קיין לערנען איז קאַמפּערד די אַקיעראַסי פון DM מאָדעלס מיט בעקאַבאָלעדיק סטאַטיסטיש מעטהאָדס ניצן די זעלבע טעכניק פון רעקאָרדינג ציין אין דער זעלביקער עלטער קייט ווי אין דעם לערנען. Galibourg et Al24 קאַמפּערד מיי און רמס צווישן צוויי טראדיציאנעלן מעטהאָדס (Demirjian Calver25 און 10 DM מאָדעלס אין אַ פראנצויזיש באַפעלקערונג אַלט 2-24. זיי געמאלדן אַז אַלע דם מאָדעלס זענען געווען מער פּינטלעך ווי בעקאַבאָלעדיק מעטהאָדס, מיט דיפעראַנסיז פון 0.20 און 0.38 יאָר אין Mae און 0.25 און 0.47 יאָר אין רמס קאַמפּערד צו די ווילעמס קאַמפּערד מיט די כיראַדזשיאַן מעטהאָדס, ריספּעקטיוולי. די דיסקרעפּאַנסי צווישן די סד מאָדעל און בעקאַבאָלעדיק מעטהאָדס געוויזן אין די האַלביאָורג לערנען נעמט אין חשבון סך ריפּאָרץ 30,32,33 וואָס די דעמירדידיאַן אופֿן איז נישט אַקיעראַטלי אָפּשאַצונג די מעטהאָדס. אין דעם לערנען. טיי און 34 געוויינט די מלפּ אַלגערידאַם צו פאָרויסזאָגן צאָן עלטער פון 1636 כינעזיש אָרטאָדאָנטיק פאָוטאַגראַפס און קאַמפּערד די אַקיעראַסי מיט די רעזולטאַטן פון די דעמערזשיאַן און ווילעמס אופֿן. זיי געמאלדן אַז MLP האט העכער אַקיעראַסי ווי בעקאַבאָלעדיק מעטהאָדס. די חילוק צווישן די דעמירדזשיאַן אופֿן און דעם טראדיציאנעלן אופֿן איז <0.32 יאָר, און די מעאָטעמס אופֿן איז 0.28 יאָר, וואָס איז ענלעך צו די רעזולטאַטן פון די פאָרשטעלן לערנען. די רעזולטאַטן פון די פריערדיקע שטודיום 24,34 זענען אויך קאָנסיסטענט מיט די רעזולטאַטן פון די פאָרשטעלן לערנען, און די צייט אָפּשאַצונג אַקיעראַסי פון די דם מאָדעל און די בעקאַבאָלעדיק אופֿן זענען ענלעך. אָבער, באזירט אויף די דערלאנגט רעזולטאַטן, מיר קענען בלויז זיין אָפּגעהיט אַז די נוצן פון DM מאָדעלס צו אָפּשאַצן עלטער קען פאַרבייַטן די יגזיסטינג מעטהאָדס רעכט צו דער פעלן פון קאָמפּאַראַטיווע און דערמאָנען פרייַערדיק שטודיום. נאָכפאָלגן שטודיום ניצן גרעסערע סאַמפּאַלז זענען דארף צו באַשטעטיקן די רעזולטאַטן באקומען אין דעם לערנען.
צווישן די שטודיום טעסטינג די אַקיעראַסי פון סד אין עסטאַמייטינג דענטאַל עלטער, עטלעכע געוויזן העכער אַקיעראַסי ווי אונדזער לערנען. סטעפּאַנאָווסקי און 35 געווענדט 22 סד מאָדעלס צו פּאַנאָראַמיק ראַדיאָגראַפס פון 976 טשעכיש רעזידאַנץ אַלט 2.7 צו 20.5 יאָר 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 מאָאָררעס עט 56. די מאַי ריינדזשאַז פון 0.64 צו 0.94 יאָר און די רמסע ריינדזשאַז פון 0.85 צו 1.27 יאָר, וואָס זענען מער פּינטלעך ווי די צוויי דם מאָדעלס געניצט אין דעם לערנען. שען עט אַל 23 האט געוויינט די קאַמעריי אופֿן צו אָפּשאַצן די דענטאַל עלטער פון זיבן שטענדיק ציין אין די לינקס מאַנדיבלע אין מזרח כינעזיש רעזידאַנץ אַלט 5 צו 13 יאָר און קאַמפּערד עס מיט די עסטימאַטעד פון די עלטער פון די יידיש רעגרעססיאָן, סוום און רף. זיי געוויזן אַז אַלע דרייַ דם מאָדעלס האָבן העכער אַקיעראַסי קאַמפּערד צו די בעקאַבאָלעדיק קאַמערער פאָרמולע. די מיי און רמס אין שען ס לערנען זענען נידעריקער ווי די אין די דם מאָדעל אין דעם לערנען. די געוואקסן פּינטלעכקייט פון די שטודיום דורך סטעפּאַנאָווסקי 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 ינקריסאַז בעשאַס דענטאַל אַנטוויקלונג, די אַקיעראַסי פון די ריזאַלטינג די עלטער אָפּשאַצונג פון די עלטער איז קאַמפּראַמייזד ווען לערנען פּאַרטיסאַפּאַנץ זענען יינגער. אַדדיטיאָנאַללי, MLP ס טעות אין עלטער אָפּשאַצונג איז אַ ביסל קלענערער ווי סלפּ ס, טייַטש אַז MLP איז מער פּינטלעך ווי סל. 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 (סלפּ 1.45, MLP 1.49). די פייערד אַז די MLP איז מער פּינטלעך ווי די סלפּ אין אַסעסינג עלטער ריקווייערז נאָך רעטראַספּעקטיוו שטודיום.
די קלאַסאַפאַקיישאַן פאָרשטעלונג פון די דם מאָדעל און די בעקאַבאָלעדיק אופֿן אין אַ 5-יאָר שוועל איז געווען קאַמפּערד. כל טעסטעד סד מאָדעלס און בעקאַבאָלעדיק מעטהאָדס אויף די ינערלעך פּרובירן סעטטינגס געוויזן פּראַקטאַקלי פּאַסיק לעוועלס פון דיסקרימינאַציע פֿאַר די 18-יאָר-אַלט מוסטער. סענסיטיוויטי פֿאַר מענטשן און וואָמען געווען גרעסער ווי 87.7% און 94.9%, ריספּעקטיוולי, און דער ספּעציפיש ווי 89.3% און 84.7%. די אַוראָק פון אַלע טעסטעד מאָדעלס אויך יקסיד 0.925. לויט צו דער בעסטער פון אונדזער וויסן, קיין לערנען האט טעסטעד די אויפֿפּאַסן פאָרשטעלונג פון די דם מאָדעל פֿאַר 18 יאָר קלאַסאַפאַקיישאַן באזירט אויף דענטאַל צייַטיקייַט. מיר קענען פאַרגלייכן 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 קן-באזירט טיף לערנען מאָדעל און אַ מאַנואַל אופֿן באזירט אויף דעמערזשיאַן ס מעטאָד פֿאַר אַ זיכער עלטער שוועל. די סענסיטיוויטי און ספּעסאַטיווע פון ​​די מאַנואַל אופֿן געווען 87.7.7.7.7.5.5% ריספּעקטיוולי, און די סענסיטיוויטי און ספּעסיטיוויטי און ספּעסיטיעס און ספּעסיטיוויטי און ספּעסיטיעס און ספּעסיטיוויטי פון די קן מאָדעל יקסידיד 89.2% און 86.6%, ריספּעקטיוולי. זיי געפונען אַז טיף לערנען מאָדעלס קענען פאַרבייַטן אָדער אַוטפּערפאָרם מאַנואַל אַסעסמאַנט אין קלאַסאַפייינג עלטער טרעשכאָולדז. די רעזולטאַטן פון דעם לערנען געוויזן ענלעך קלאַסאַפאַקיישאַן פאָרשטעלונג; עס איז געמיינט אַז קלאַסאַפאַקיישאַן ניצן DM מאָדעלס קענען פאַרבייַטן בעקאַבאָלעדיק סטאַטיסטיש מעטהאָדס פֿאַר עלטער אָפּשאַצונג. צווישן די מאָדעלס, DM LR איז דער בעסטער מאָדעל אין טערמינען פון סענסיטיוויטי פֿאַר די זכר מוסטער און סענסיטיוויטי און ספּעציפישקייט פֿאַר די ווייַבלעך מוסטער. LR רייען רגע אין ספּעציפישקייט פֿאַר מענטשן. דערצו, LR איז באטראכט צו זיין איינער פון די מער באַניצער-פרייַנדלעך DM35 באַניצער-פרייַנדלעך DM35 מאָדעל און איז ווייניקער קאָמפּלעקס און שווער צו פּראָצעס. באַזירט אויף די רעזולטאַטן, LR איז געווען באטראכט ווי דער בעסטער קאַטאָף קלאַסאַפאַקיישאַן מאָדעל פֿאַר 18-יאָר-אָולדז אין די קאָרעיִש באַפעלקערונג.
קוילעלדיק, די אַקיעראַסי פון די אָפּשאַצונג אָדער קלאַסאַפאַקיישאַן פאָרשטעלונג אויף די פונדרויסנדיק פּרובירן איז נעבעך אָדער נידעריקער קאַמפּערד מיט די רעזולטאַטן אויף די ינערלעך טעסט שטעלן. עטלעכע מעלדעט אָנווייַזן אַז קלאַסאַפאַקיישאַן אַקיעראַסי אָדער עפעקטיווקייַט דיקריסאַז ווען עלטער עסטאַמאַץ באזירט אויף די קאָרעיִנער באַפעלקערונג זענען געווענדט צו די יאַפּאַניש באַפעלקערונג פון 20, און אַ ענלעך מוסטער איז געפֿונען אין די פאָרשטעלן לערנען. די דיטיריעריישאַן גאַנג איז אויך באמערקט אין די דם מאָדעל. דעריבער, צו אַקיעראַטלי אָפּשאַצונג עלטער, אפילו ניצן DM אין די אַנאַליסיס פּראָצעס, מעטהאָדס דערייווד פון געבוירן רעגיסטראַציע דאַטן, אַזאַ ווי בעקאַבאָלעדיק מעטהאָדס, און טראדיציאנעלן מעטהאָדס זאָל זיין בילכער 5,39,40,41,42. זינט עס איז ומקלאָר צי טיף לערנען מאָדעלס קענען ווייַזן ענלעך טרענדס, שטודיום קאַמפּערינג קלאַסאַפאַקיישאַן אַקיעראַסי און עפעקטיווקייַט ניצן בעקאַבאָלעדיק מעטהאָדס, דם מאָדעלס און טיף לערנען מאָדעלס אויף די זעלבע סאַמפּאַלז זענען צו באַשטעטיקן צי קינסטלעך סייכל קענען באַקומען די לימיטיאַל סייכל. אַסעסמאַנץ.
מיר באַווייַזן אַז בעקאַבאָלעדיק מעטהאָדס קענען זיין ריפּלייסט דורך די אָפּשאַצונג וואָס עסטימאַטיאָן באזירט אויף די דם מאָדעל אין פאָרענסיק עלטער אָפּשאַצונג פירונג אין קארעע. מיר אויך דיסקאַווערד די מעגלעכקייט פון ימפּלאַמענינג מאַשין לערנען פֿאַר פאָרענסיק עלטער אַסעסמאַנט. אָבער, עס זענען קלאָר לימיטיישאַנז, אַזאַ ווי די ניט גענוגיק נומער פון פּאַרטיסאַפּאַנץ אין דעם לערנען צו דעפיניטיוועלי באַשליסן די רעזולטאַטן, און די פעלן פון פריערדיקע שטודיום צו פאַרגלייכן און באַשטעטיקן די רעזולטאַטן פון דעם לערנען. אין דער צוקונפֿט, דם שטודיום זאָל זיין געפירט מיט גרעסערע נומער פון סאַמפּאַלז און מער דייווערס פּאַפּיאַליישאַנז צו פֿאַרבעסערן זייַן פּראַקטיש אַפּלאַקאַבילאַטי קאַמפּערד מיט בעקאַבאָלעדיק מעטהאָדס. צו וואַלאַדייט די פיזאַבילאַטי פון ניצן קינסטלעך סייכל צו אָפּשאַצן עלטער אין קייפל פּאַפּיאַליישאַנז, צוקונפֿט שטודיום זענען דארף צו פאַרגלייכן די קלאַסאַפאַקיישאַן אַקיעראַסי און עפעקטיווקייַט פון דם און טיף לערנען מאָדעלס מיט בעקאַבאָלעדיק מעטהאָדס.
דער לערנען געוויינט 2,657 אָרטאָגראַפיק פאָוטאַגראַפס געזאמלט פון קאָרעיִש און יאַפּאַניש אַדולץ אַלט 15-23 יאר. די קאָרעיִש ראַדיאָגראַפס זענען צעטיילט אין 900 טריינינג סעטטינגס (19.42 ± 2.65 יאָר) און 900 ינערלעך פּרובירן סעטטינגס (19.52 ± 2.59 יאָר). די טראַינינג שטעלן איז געזאמלט אין איין ינסטיטושאַן (סאָול סט. מרים ס האָספּיטאַל), און דער אייגן פּרובירן שטעלן איז געזאמלט אין צוויי אינסטיטוציעס (Seoul נאַשאַנאַל אוניווערסיטעט דענטאַל שפּיטאָל און Yonsei Inebles דענטאַל שפּיטאָל). מיר אויך קאַלעקטאַד 857 ראַדיאָגראַפס פון אן אנדער 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 אַנאַלייז די סטאַגעס פון דענטאַל אַנטוויקלונג אויף פּאַנאָראַמיק ראַדיאָגראַפס גענומען בעשאַס דענטאַל באַהאַנדלונג. כל דאַטן געזאמלט זענען אַנאָנימע באַנוצערס אַחוץ פֿאַר דזשענדער, געבורט טאָג און דאַטע פון ​​ראַדיאָגראַף. ינקלוזשאַן און יקסקלוזשאַן קרייטיריאַ זענען די זעלבע ווי ביז אַהער ארויס סטודיעס 4, 5. די פאַקטיש עלטער פון דער מוסטער איז געווען קאַלקיאַלייטיד דורך סאַבטראַקטינג די געבורט טאָג פון די דאַטע די ראַדיאָגראַף איז גענומען. דער מוסטער גרופּע איז געווען צעטיילט אין נייַן עלטער גרופּעס. די עלטער און געשלעכט דיסטראַביושאַנז זענען געוויזן אין טאַבלע 3 דעם לערנען איז געווען געפירט אין לויט מיט די דעקלאַראַציע פון ​​העלסינקי און באוויליקט דורך די ינסטיטושאַנאַל אָפּשאַצונג באָרד (ירב) פון די קאַטהאָליק אוניווערסיטעט פון קארעע (קק 22 וועסי 0328). רעכט צו דער רעטראַספּעקטיוו פּלאַן פון דעם לערנען, ינפאָרמד צושטימען קען ניט זיין באקומען פון אַלע פּאַטיענץ אונטער ראַדיאָגראַפיק דורכקוק פֿאַר טעראַפּיוטיק צוועקן. סעאָול קארעע אוניווערסיטעט סט. מרים ס האָספּיטאַל (ירב) ווייווד די פאָדערונג פֿאַר ינפאָרמד צושטימען.
דיוועלאַפּמענאַל סטאַגעס פון בימאַקסיללאַרי רגע און דריט מאָלערז זענען אַססעסס לויט צו דעמערקאַן קרייטירי 25. בלויז איין צאָן איז געווען אויסגעקליבן אויב דער זעלביקער טיפּ פון צאָן איז געפֿונען אויף די לינקס און רעכט זייטן פון יעדער קין. אויב האָמאָלטאָל ציין אויף ביידע זייטן זענען געווען אין פאַרשידענע דיוועלאַפּמענטיאָנאַל סטאַגעס, די צאָן מיט די נידעריקער אַנטוויקלונג פון די נידעריקער אַנטוויקלונג צו חשבון פֿאַר אַנסערטאַנטי אין די עסטימאַטעד עלטער. הונדערט ראַנדאַמלי סעלעקטעד ראַדיאָגראַפס פון די טראַינינג שטעלן זענען סקאָרד צוויי יקספּיריאַנסט אַבזערווערז צו פּרובירן ינטעראָבסערווערשער רילייאַבילאַטי נאָך פּרעמאַליבראַטיאָן צו באַשליסן דענטאַל צענטראַל צייַטיק טאָג. ינטראַאָבסערווער רילייאַבילאַטי איז אַססעססעד צוויי מאָל אין דריי-חודש ינטערוואַלז דורך די ערשטיק אַבזערווער.
די געשלעכט און אַנטוויקלונג בינע פון ​​די רגע און דריט מאָלערז פון יעדער קין אין די טריינינג שטעלן זענען עסטימאַטעד דורך אַ ערשטיק אַבזערווער טריינד מיט פאַרשידענע דם מאָדעלס, און די פאַקטיש עלטער איז געווען באַשטימט ווי דער ציל ווערט. סל און מלפּ מאָדעלס, וואָס זענען וויידלי געניצט אין דעם לערנען פון מאַשין, זענען טעסטעד קעגן רעגרעססיאָן אַלגערידאַמז. די דם מאָדעל קאַמביינז לינעאַר פאַנגקשאַנז מיט די דעוועלאָפּמענטאַל סטאַגעס פון די פיר ציין און קאַמביינז די דאַטן צו אָפּשאַצן עלטער. סלעפּ איז די סימפּלאַסט נוראַל נעץ און כּולל ניט פאַרבאָרגן לייַערס. סלעפּ אַרבעט באזירט אויף שוועל טראַנסמיסיע צווישן נאָודז. די סלאַפּ מאָדעל אין ראַגרעשאַן איז מאַטאַמאַטיקאַללי ענלעך צו קייפל לינעאַר ראַגרעשאַן. ניט ענלעך דעם סלף מאָדעל, די MLP מאָדעל האט קייפל פאַרבאָרגן לייַערס מיט נאַנליניר אַקטיוויישאַן פאַנגקשאַנז. אונדזער יקספּעראַמאַנץ געוויינט אַ פאַרבאָרגן שיכטע מיט בלויז 20 פאַרבאָרגן נאָודז מיט נאַנליניר אַקטיוויישאַן פאַנגקשאַנז. ניצן גראַדיענט אַראָפּגאַנג ווי די אָפּטימיזאַטיאָן אופֿן און מיי און רימסע ווי די אָנווער פונקציאָנירן צו באַן אונדזער מאַשין לערנען מאָדעל. דער בעסטער באקומען רעגרעססיאָן מאָדעל איז געווען געווענדט צו דער ינערלעך און פונדרויסנדיק פּרובירן סעץ און די עלטער פון די ציין איז געווען עסטימאַטעד.
א קלאַסאַפאַקיישאַן אַלגערידאַם איז דעוועלאָפּעד אַז ניצט די צייַטיקייַט פון פיר ציין אויף די טריינינג שטעלן זיך צו פאָרויסזאָגן צי אַ מוסטער איז 18 יאָר אַלט אָדער נישט. צו בויען דעם מאָדעל, מיר דערייווד זיבן פאַרטרעטונג מאַשין לערנען אַלגערידאַמז 6,43: (1) LR, (3) LR, (3) SVM, (4) דט, (5) רף, (6) XGBOUST, און (7) MLP . LR איז איינער פון די מערסט געוויינט קלאַסאַפאַקיישאַן אַלגערידאַמז 44. עס איז אַ סופּערווייזד לערנען אַלגערידאַם וואָס ניצט ראַגרעשאַן צו פאָרויסזאָגן די מאַשמאָעס פון דאַטן וואָס געהערט צו אַ זיכער קאַטעגאָריע פון ​​0 צו 1 און קלאַסאַפייז די דאַטן ווי ביליק ווי אַ מער מסתּמא; דער הויפּט געניצט פֿאַר ביינערי קלאַסאַפאַקיישאַן. קנן איז איינער פון די סימפּלאַסט מאַשין לערנען אַלגערידאַמז 45. ווען די נייַע אַרייַנשרייַב דאַטן, עס געפינט ק דאַטן נאָענט צו די יגזיסטינג שטעלן און קלאַסאַפייז זיי אין די קלאַס מיט די העכסטן אָפטקייַט. מיר שטעלן 3 פֿאַר די נומער פון שכנים קאַנסידערד (ק). סוום איז אַן אַלגערידאַם וואָס מאַקסאַמייז די ווייַטקייט צווישן צוויי קלאסן דורך ניצן אַ קערן פונקציאָנירן צו יקספּאַנד די לינעאַר פּלאַץ אין אַ ניט-לינעאַר פּלאַץ גערופֿן Feldels46. פֿאַר דעם מאָדעל, מיר נוצן פאָרורטייל = 1, מאַכט = 1, און גאַמאַ = 1 ווי היפּערפּאַראַמעטערס פֿאַר די פּאָלינאָומיאַל קערן. דט איז געווענדט אין פאַרשידן פעלדער ווי אַן אַלגערידאַם פֿאַר דיוויידינג אַ גאַנץ דאַטן שטעלן אין עטלעכע סאַבגרופּס דורך רעפּריזענטינג באַשלוס כּללים אין אַ בוים סטרוקטור 47. דער מאָדעל איז קאַנפיגיערד מיט אַ מינימום נומער פון רעקאָרדס פּער נאָדע פון ​​2 און ניצט די דזשיני אינדעקס ווי אַ מאָס פון קוואַליטעט. RF איז אַן אַנסאַמבאַל אופֿן וואָס קאַמביינז קייפל דץ צו פֿאַרבעסערן פאָרשטעלונג מיט אַ באָאָצטרען אַגגרעגאַטיאָן וואָס דזשענערייץ אַ שוואַך קלאַסאַפייער פֿאַר יעדער מוסטער דורך ראַנדאַמלי צייכענונג פון דער זעלביקער נומער פון די זעלבע נומער פון די זעלבע נומער פון די אָריגינעל דעטאַילאַל. מיר געוויינט 100 ביימער, 10 בוים טיפענישן, 1 מינימום נאָדע גרייס, און דזשיני אַדמיקסטשער אינדעקס ווי נאָדע צעשפּרייט קרייטעריאַ. די קלאַסאַפאַקיישאַן פון נייַע דאַטן זענען באשלאסן דורך אַ מערהייט שטימען. קסגבאָאָסט איז אַ אַלגערידאַם וואָס קאַמביינז בוסטינג טעקניקס ניצן אַ מעטאָד וואָס נעמט ווי טריינינג דאַטן דער טעות צווישן די פאַקטיש און פּרעדיקטעד וואַלועס פון די פריערדיקע מאָדעל און פאַרגיכערן דעם טעות ניצן גראַדיענץ. עס איז אַ וויידלי געוויינט אַלגערידאַם ווייַל פון זייַן גוט פאָרשטעלונג און ריסאָרס עפעקטיווקייַט, ווי געזונט ווי הויך רילייאַבילאַטי ווי אַ אָוווערפיטינג קערעקשאַן פונקציע. דער מאָדעל איז יקוויפּט מיט 400 שטיצן ווילז. MLP איז אַ נעוראַל נעץ אין וואָס איינער אָדער מער פּערפּאַסראָנס פאָרעם קייפל לייַערס מיט איין אָדער מער פאַרבאָרגן לייַערס צווישן די אַרייַנשרייַב און רעזולטאַט לייַערס 38. ניצן דעם, איר קענען דורכפירן ניט-לינעאַר קלאַסאַפאַקיישאַן ווען ווען איר לייגן אַ אַרייַנשרייַב שיכטע און באַקומען אַ רעזולטאַט ווערט, די פּרעדיקטעד רעזולטאַט ווערט קאַמפּערד צו די פאַקטיש ווערט און דער טעות איז פּראַפּאַגייטיד צוריק. מיר באשאפן אַ פאַרבאָרגן שיכטע מיט 20 פאַרבאָרגן נוראַנז אין יעדער שיכטע. יעדער מאָדעל מיר דעוועלאָפּעד איז געווען געווענדט צו ינערלעך און פונדרויסנדיק שטעלט צו פּרובירן קלאַסאַפאַקיישאַן פאָרשטעלונג דורך קאַלקיאַלייטינג סענסיטיוויטי, ספּעציפישקייט, פּפּוו, נפּוו און אַוראָק. סענסיטיוויטי איז דיפיינד ווי די פאַרהעלטעניש פון אַ מוסטער עסטימאַטעד צו זיין 18 יאָר אָדער עלטער צו אַ מוסטער עסטימאַטעד צו זיין 18 יאָר אָדער עלטער. ספּעסיטי איז די פּראָפּאָרציע פון ​​סאַמפּאַלז אונטער 18 יאר 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 רעגרעססיאָן פאָרמולאַס פאָרמולאַס פאָרמול. מיר געוויינט די פאָרמולאַס צו אָפּשאַצן צאָן עלטער פֿאַר ביידע ינערלעך און פונדרויסנדיק פּרובירן סעץ. טיש 4 ווייזט די רעגרעססיאָן און קלאַסאַפאַקיישאַן מאָדעלס געניצט אין דעם לערנען.
ינטראַ-און ינטערבסערווער רילייאַבילאַטי איז קאַלקיאַלייטיד ניצן קאָהען ס קאַפּטאָ סטאַטיסטיק. צו פּרובירן די אַקיעראַסי פון דם און בעקאַבאָלעדיק רעגרעססיאָן מאָדעלס, מיר קאַלקיאַלייטיד מיי און רמס ניצן די עסטימאַטעד און פאַקטיש עלטער פון די ינערלעך פּרובירן. די ערראָרס זענען אָפט געניצט צו אָפּשאַצן די אַקיעראַסי פון מאָדעל פֿאָרויסזאָגן. דער קלענערער דער טעות, די העכער די אַקיעראַסי פון די פאָרויסזאָגן 24. פאַרגלייכן די מיי און רמס פון ינערלעך און פונדרויסנדיק פּרובירן שטעלט קאַלקיאַלייטיד מיט דם און בעקאַבאָלעדיק רעגרעססיאָן. קלאַסאַפאַקיישאַן פאָרשטעלונג פון די 18-יאָר קאַטאָף אין בעקאַבאָלעדיק סטאַטיסטיק איז אַססעססעד ניצן אַ 2 × 2 CONTENTY טיש. די קאַלקיאַלייטיד סענסיטיוויטי, ספּעסאַפיסאַטי, PPV, NPV און AUROC פון די פּרובירן גאַנג איז קאַמפּערד מיט די געמאסטן וואַלועס פון די DM קלאַסאַפאַקיישאַן מאָדעל. דאַטן זענען אויסגעדריקט ווי מיינען ± נאָרמאַל דיווייישאַן אָדער נומער (%) דיפּענדינג אויף דאַטן קעראַקטעריסטיקס. צוויי-סיידאַד פּ וואַלועס <0.05 זענען געווען סטאַטיסטיש באַטייטיק. אַלע רוטין סטאַטיסטיש אַנאַליזעס זענען דורכגעקאָכט מיט SAS ווערסיע 9.4 (SAS אינסטיטוט, קאַרי, נק). די דם ראַגרעשאַן מאָדעל איז געווען ימפּלאַמענאַד אין Python ניצן Keras50 2.4 באַקענד און טענסאָרפלאָף 51 1.8.0 ספּאַסיפיקלי פֿאַר מאַטאַמאַטיקאַל אַפּעריישאַנז. די דם קלאַסאַפאַקיישאַן מאָדעל איז געווען ימפּלאַמענאַד אין די ווייוואַטאָ וויסן אַנאַליסיס סוויווע און די קאָנסטאַנז אינפֿאָרמאַציע מיינער (קנעכט) 4.6.152 אַנאַליסיס פּלאַטפאָרמע.
די מחברים באַשטעטיקן אַז דאַטן שטיצן די קאַנקלוזשאַנז פון די לערנען קענען זיין געפֿונען אין דעם אַרטיקל און העסאָפע מאַטעריאַלס. די דאַטאַסעץ דזשענערייטאַד און / אָדער אַנאַלייזד בעשאַס די לערנען זענען בארעכטיגט פון די קאָראַספּאַנדינג מחבר אויף גלייַך בעטן.
Ritz-timme, s. et al. עלטער אַסעסמאַנט: די מערסט שטאָט צו טרעפן די ספּעציפיש באדערפענישן פון פאָרענסיק פיר. ינטערנאַשאַנאַליטי. דזש. לעגאַל מעדיצין. 113, 129-136 (2000).
סטשמעלינג, יי, רייזינגער, וו., געסעריק, דזשי, און אָלעסע, יי קראַנט סטאַטוס פון פאָרענסיק אַגע אַסעסמאַנט פון לעבעדיק סאַבדזשעקץ פֿאַר פאַרברעכער פּראָקורענטן צוועקן. פאָרענסיקס. מעדיצין. פּאַטאַדזשי. 1, 239-246 (2005).
פּאַן, דזש. עט על. א מאַדאַפייד אופֿן פֿאַר אַסעסינג די דענטאַל עלטער פון קינדער אַלט 5-16 יאָר אין מזרח טשיינאַ. קליניש. מויל יבערבליק. 25, 3463-3474 (2021).
לי, סס עטק. קראַנאַלאַדזשי פון דער אַנטוויקלונג פון די אַנטוויקלונג פון רגע און דריט ציאַרז אין קאָרעאַנס און זייַן אַפּלאַקיישאַן פֿאַר פאָרענסיק עלטער אַסעסמאַנט. ינטערנאַשאַנאַליטי. דזש. לעגאַל מעדיצין. 124, 659-665 (2010).
אָה, ש, קומאַגאַי, יי, קים, סי און לי, סס אַקיעראַסי פון עלטער אָפּשאַצונג און אָפּשאַצונג פון די 18-יאָר שוועל באזירט אויף די צייַטיקייַט פון רגע און דריט מאָלערז אין קאָרעאַנס און יאַפּאַניש. Plos One 17, E0271247 (2022).
Kim, Jy, et al. פּרעאָפּעראַטיווע מאַשין לערנען דאַטן אַנאַליסיס קענען פאָרויסזאָגן שלאָפן כירורגיע באַהאַנדלונג אַוטקאַם אין פּאַטיענץ מיט אָסאַ. די וויסנשאַפֿט. באַריכט 11, 14911 (2021).
האַן, מ. עט על. פּינטלעך עלטער אָפּשאַצונג פון מאַשין לערנען מיט אָדער אָן מענטשלעך אריינמישונג? ינטערנאַשאַנאַליטי. דזש. לעגאַל מעדיצין. 136, 821-831 (2022).
כאַן, ש און שאַהוועען, עם פון דאַטן מיינינג צו דאַטן מיינינג. דזש .פאָרמאַטיאָן. די וויסנשאַפֿט. https://doi.org/10.1177/01655551521103088872 (2021).
כאַן, ש. און שאַהוועען, עם וויסעקולע: דער ערשטער קאַגניטיוו אַלגערידאַם פֿאַר אַססאָסיאַטיאָן גרוס מיינינג. דזש .פאָרמאַטיאָן. די וויסנשאַפֿט. https://doi.org/10.1177/016555515221108695 (2022).
Shahen M. און Abdulah U. Karm: טראַדיציאָנעל דאַטן מיינינג באזירט אויף קאָנטעקסט-באזירט אַססאָסיאַטיאָן כּללים. רעכענען. מאַט. פאָרזעצן. 68, 3305-3322 (2021).
מוכאַמאַד מ., רהמאַן ז., שאַהען מ., כאַן מ. מיטטיילן. טעקנאַלאַדזשיז. קאָנטראָל. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tamish, M., Tanoli, ז., און שאַהין, עם אַ סיסטעם פֿאַר רעקאַגנייזינג אַקטיוויטעט אין ספּאָרט ווידיאס. מולטימעדיאַ. מכשירים אַפּלאַקיישאַנז https://doi.org/10.1007/01042-021-10519-6 (2021).
הלאבי, סס עט על. רסנאַ מאַשין לערנען אַרויסרופן אין פּידיאַטריק ביין עלטער. ראַדיאָלאָגי 290, 498-503 (2019).
Li, y. et al. פאָרענסיק עלטער אָפּשאַצונג פון פּעלוויק רענטגענ-שטראַלן ניצן טיף לערנען. ייראָ. ראַדיאַציע. 2322-2329 (2019).
גואָ, יק, עט על. פּינטלעך עלטער קלאַסאַפאַקיישאַן מיט מאַנואַל מעטהאָדס און טיף קאַנטראָודזשאַנאַל נוראַל נעטוואָרקס פון אָרטאָגראַפיק פּרויעקציע. ינטערנאַשאַנאַליטי. דזש. לעגאַל מעדיצין. 135, 1589-1597 (2021).
אַלאַבאַמאַ דאַלאָראַ עט על. ינלענדיש מעטהאָדס פון ביין ניצן פאַרשידענע מאַשין לערנען: אַ סיסטעמאַטיש ליטעראַטור איבערבליק און מעטאַ-אַנאַליסיס. פּלאָס איינער 14, e0220242 (2019).
DU, H., Li, cheng, k., און יאַנג, דזש. באַפעלקערונג-ספּעציפיש עלטער אָפּשאַצונג פון אפריקאנער אמעריקאנער וואַליומז פון ערשטער מאָלערז ניצן שישקע-שטראַל קאַמפּיוטייטיד טאָמאָגראַפי. ינטערנאַשאַנאַליטי. דזש. לעגאַל מעדיצין. 136, 811-819 (2022).
Kim S., Lee Yh, noh yk, park fk און טאַקע קקס דיטערמאַנינג עלטער גרופּעס פון לעבעדיק מענטשן מיט קינסטלעך סייכל-באזירט בילדער פון ערשטער מאָלערז. די וויסנשאַפֿט. באַריכט 11, 1073 (2021).
סטערנ, ד., פּייער, סי, גיוליאַני, ען, און ורסטשיק, מ. אָטאַמאַטיק עלטער אָפּשאַצונג און מאַדזשאָריטאַל צייַט קלאַסאַפאַקיישאַן פון מולטיוואַריאַטיאָן פון מולטיוואַריאַטיאָן פון מולטיוואַריט מרי דאַטן. IEEE J. Biomed. געזונט אַלערץ. 23, 1392-1403 (2019).
טשענג, ק., גע, דו, ה. ינטערנאַשאַנאַליטי. דזש. לעגאַל מעדיצין. 135, 365-373 (2021).
WU, WT, et al. דאַטן מיינינג אין קליניש גרויס דאַטן: פּראָסט דאַטאַבייסיז, טרעפּ און מעטהאָדס מאָדעלס. וועלט. מעדיצין. מיטל. 8, 44 (2021).
יאַנג, דזש. עט על. הקדמה צו מעדיציניש דאַטאַבייסיז און דאַטן מיינינג טעקנאַלאַדזשיז אין די ביג דאַטן טקופע. J. Avid. יקערדיק מעדיצין. 13, 57-69 (2020).
שען, ש עט על. סאַמערער ס מעטהאָדס פֿאַר עסטימאַטעד צאָן עלטער מיט מאַשין לערנען. BMC Oral געזונט 21, 641 (2021).
Galliburg A. Et al. פאַרגלייַך פון פאַרשידענע מאַשין מעטהאָדס פֿאַר מאַשין פֿאַר פּרידיקטינג דענטאַל עלטער ניצן די דעמירדזשיאַן סטאַגינג אופֿן. ינטערנאַשאַנאַליטי. דזש. לעגאַל מעדיצין. 135, 665-675 (2021).
דעמירדזשיאַן, יי, גאָלדשטיין, ה. און טאַנער, דזשם אַ נייַע סיסטעם פֿאַר אַססעסס דענטאַל עלטער. snort. פּעראָלאָגי. 45, 211-227 (1973).
לאַנדיס, דזשר, און קאָטש, גג מיטלען פון אַבזערווער העסקעם אויף קאַטאַגאָריקאַל דאַטן. ביאָמעטריקס 33, 159-174 (1977).
Bhattacharjee s, prakash d, Kim C, Kim HK און Choi Hk. לערעראַל, מאָרפאַלאַדזשיקאַל און סטאַטיסטיש אַנאַליסיס פון צוויי-דימענשאַנאַל מאַגנעטיק אפקלאנג ימאַגינג ניצן קינסטלעך סייכל טעקניקס פֿאַר דיפערענטשייישאַן פון ערשטיק מאַרך טומאָרס. געזונט אינפֿאָרמאַציע. מיטל. https://doi.org/10.4258/hir.2022.28.1.46 (2022).