וואַלידאַציע פון ​​אַ דאַטן מיינינג מאָדעל קעגן טראַדיציאָנעלע ציינדאָקטער עלטער עסטימאַציע מעטאָדן צווישן קאָרעיִשע יוגנטלעכע און יונגע דערוואַקסענע

א דאנק פארן באזוכן Nature.com. די ווערסיע פון ​​בראַוזער וואָס איר ניצט האט באַגרענעצטע CSS שטיצע. פֿאַר די בעסטע רעזולטאַטן, רעקאָמענדירן מיר צו ניצן אַ נייַערע ווערסיע פון ​​אייער בראַוזער (אָדער אויסצושאַלטן קאָמפּאַטיביליטי מאָדע אין אינטערנעט עקספּלאָרער). אין דער דערווייל, צו זיכער מאַכן אָנגייענדיקע שטיצע, ווייַזן מיר די וועבזייטל אָן סטיילינג אָדער דזשאַוואַסקריפּט.
ציין ווערן באטראכט אלס דער מערסט פונקטלעכער אינדיקאטאר פון דעם עלטער פונעם מענטשלעכן קערפער און ווערן אפט גענוצט אין פארענסישער עלטער אפשאצונג. מיר האבן געוואלט וואלידירן דאטן מיינינג-באזירטע ציינ-עלטער אפשאצונגען דורך פארגלייכן די אפשאצונג גענויקייט און קלאסיפיקאציע פערפארמענס פון דעם 18-יעריגן שוועל מיט טראדיציאנעלע מעטאדן און דאטן מיינינג-באזירטע עלטער אפשאצונגען. א סך הכל פון 2657 פאנאראמישע ראדיאגראפן זענען געזאמלט געווארן פון קארעאישע און יאפאנעזישע בירגער פון 15 ביז 23 יאר. זיי זענען צעטיילט געווארן אין א טרענירונג סעט, יעדע מיט 900 קארעאישע ראדיאגראפן, און אן אינערליכן טעסט סעט מיט 857 יאפאנעזישע ראדיאגראפן. מיר האבן פארגליכן די קלאסיפיקאציע גענויקייט און עפעקטיווקייט פון טראדיציאנעלע מעטאדן מיט טעסט סעטס פון דאטן מיינינג מאדעלן. די גענויקייט פון דעם טראדיציאנעלן מעטאד אויף דעם אינערליכן טעסט סעט איז אביסל העכער ווי יענע פון ​​דעם דאטן מיינינג מאדעל, און דער חילוק איז קליין (דורכשניטלעכער אבסאלוטער טעות <0.21 יאר, ווארצל מיטל קוואדראט טעות <0.24 יאר). די קלאסיפיקאציע פערפארמענס פאר דעם 18-יעריגן אפשניט איז אויך ענליך צווישן טראדיציאנעלע מעטאדן און דאטן מיינינג מאדעלן. אזוי, טראדיציאנעלע מעטאדן קענען ווערן ערזעצט דורך דאטן מיינינג מאדעלן ווען מען פירט אויס פארענסישע עלטער אפשאצונג ניצנדיק די מאטוריטעט פון צווייטע און דריטע מאלארן אין קארעאישע יוגנטלעכע און יונגע דערוואקסענע.
דענטאַל עלטער שאַצונג איז וויידלי געניצט אין פאָרענסיק מעדיצין און פּעדיאַטריק צאָן דאָקטערייַ. אין באַזונדער, ווייַל פון די הויך קאָרעלאַציע צווישן כראָנאָלאָגיש עלטער און צאָן אַנטוויקלונג, עלטער אַסעסמאַנט דורך צאָן אַנטוויקלונג סטאַגעס איז אַ וויכטיק קריטעריאָן פֿאַר אַסעסמאַנט די עלטער פון קינדער און יוגנטלעך1,2,3. אָבער, פֿאַר יונגע מענטשן, שאַצן צאָן עלטער באזירט אויף צאָן צייַטיקייַט האט זייַן לימיטיישאַנז ווייַל צאָן וווּקס איז כּמעט גאַנץ, מיט די ויסנעם פון די דריט מאָלאַרס. דער לעגאַל ציל פון באַשטימען די עלטער פון יונגע מענטשן און יוגנטלעך איז צו צושטעלן פּינטלעך שאַצונגען און וויסנשאפטלעכע באַווייַזן פון צי זיי האָבן דערגרייכט די עלטער פון מערהייט. אין די מעדיציניש-לעגאַל פּראַקטיק פון יוגנטלעך און יונג אַדאַלץ 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.
מאַשין לערנען איז אַ טיפּ קינסטלעכע אינטעליגענץ (AI) וואָס לערנט און קלאַסיפיצירט גרויסע סומעס דאַטן, לייזט פּראָבלעמען אויף זיך אַליין, און טרייבט דאַטן פּראָגראַממינג. מאַשין לערנען קען אַנטדעקן נוציקע באַהאַלטענע פּאַטערנז אין גרויסע באַנדן דאַטן6. אין קאַנטראַסט, קלאַסישע מעטאָדן, וואָס זענען אַרבעט-אינטענסיוו און צייט-קאַנסומינג, קען האָבן לימיטיישאַנז ווען זיי האַנדלען מיט גרויסע באַנדן פון קאָמפּלעקס דאַטן וואָס זענען שווער צו פּראָצעסירן מאַנועל7. דעריבער, פילע שטודיעס זענען לעצטנס דורכגעפירט געוואָרן מיט די לעצטע קאָמפּיוטער טעקנאַלאַדזשיז צו מינאַמייז מענטשלעכע ערראָרס און עפֿעקטיוו פּראָצעסירן מולטידימענסיאָנאַל דאַטן8,9,10,11,12. אין באַזונדער, טיף לערנען איז וויידלי געניצט אין מעדיציניש בילד אַנאַליסיס, און פֿאַרשידענע מעטאָדן פֿאַר עלטער שאַצונג דורך אויטאָמאַטיש אַנאַלייזינג ראַדיאָגראַפס זענען געמאלדן צו פֿאַרבעסערן די אַקיעראַסי און עפֿעקטיווקייַט פון עלטער שאַצונג13,14,15,16,17,18,19,20. למשל, Halabi et al13 האָבן דעוועלאָפּעד אַ מאַשין לערנען אַלגערידאַם באַזירט אויף קאָנוואַלושאַנאַל נעוראַל נעטוואָרקס (CNN) צו אָפּשאַצן סקעלעטאַל עלטער ניצן ראַדיאָגראַפס פון קינדער 'ס הענט. די לערנען פֿאָרשלאָגט אַ מאָדעל וואָס אַפּלייז מאַשין לערנען צו מעדיציניש בילדער און ווייזט אַז די מעטאָדן קענען פֿאַרבעסערן דיאַגנאָסטיק אַקיעראַסי. לי און אנדערע14 האבן געשאצט עלטער פון בעקן רענטגן בילדער ניצנדיק א טיפ לערנען סי-ען-ען און זיי פארגליכן מיט רעגרעסיע רעזולטאטן ניצנדיק אסיפיקאציע סטאדיע שאצונג. זיי האבן געפונען אז די טיפ לערנען סי-ען-ען מאדעל האט געוויזן די זעלבע עלטער שאצונג פערפארמענס ווי די טראדיציאנעלע רעגרעסיע מאדעל. גואָ און אנדערע'ס שטודיע [15] האבן עוואלואירט די עלטער טאלעראנץ קלאסיפיקאציע פערפארמענס פון סי-ען-ען טעכנאלאגיע באזירט אויף דענטאלע ארטאפאטאס, און די רעזולטאטן פון די סי-ען-ען מאדעל האבן באוויזן אז מענטשן האבן איבערגעשטיגן איר עלטער קלאסיפיקאציע פערפארמענס.
רוב שטודיעס וועגן עלטער שאַצונג מיט מאַשין לערנען נוצן טיפע לערנען מעטאָדן13,14,15,16,17,18,19,20. עלטער שאַצונג באַזירט אויף טיפע לערנען ווערט געמאָלדן צו זיין מער פּינקטלעך ווי טראַדיציאָנעלע מעטאָדן. אָבער, דעם צוגאַנג גיט קליין געלעגנהייט צו פאָרשטעלן די וויסנשאַפטלעכע באַזע פֿאַר עלטער שאַצונגען, אַזאַ ווי די עלטער ינדיקאַטאָרן געניצט אין די שאַצונגען. עס איז אויך אַ לעגאַלער דיספּיוט וועגן ווער פירט די ינספּעקשאַנז. דעריבער, עלטער שאַצונג באַזירט אויף טיפע לערנען איז שווער צו אָננעמען דורך אַדמיניסטראַטיווע און יורידישע אויטאריטעטן. דאַטן מיינינג (DM) איז אַ טעכניק וואָס קען אַנטדעקן ניט בלויז דערוואַרטע אָבער אויך אומגעריכטע אינפֿאָרמאַציע ווי אַ מעטאָד פֿאַר אַנטדעקן נוציק קאָרעליישאַנז צווישן גרויסע סומעס 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 שאַצונג ניצן דענטאַל אַנטוויקלונג איז באַזירט אויף די עקסאַמינער ס אַסעסמאַנט פון די צייַטיקייַט פון די ציל ציין, און דעם אַסעסמאַנט איז אויסגעדריקט ווי אַ בינע פֿאַר יעדער ציל צאָן. DM קענען זיין געניצט צו אַנאַליזירן די קאָרעליישאַן צווישן דענטאַל אַסעסמאַנט בינע און פאַקטיש עלטער און האט די פּאָטענציעל צו פאַרבייַטן טראדיציאנעלן סטאַטיסטיש אַנאַליסיס. דעריבער, אויב מיר נוצן DM טעכניקן צו עלטער שאַצונג, קענען מיר ימפּלעמענטירן מאַשין לערנען אין פאָרענסיש עלטער שאַצונג אָן זאָרגן וועגן לעגאַל פֿאַראַנטוואָרטלעכקייט. עטלעכע פאַרגלייַכנדיק שטודיעס זענען ארויסגעגעבן געוואָרן וועגן מעגלעכע אַלטערנאַטיוון צו טראַדיציאָנעלע מאַנועלע מעטאָדן געניצט אין פאָרענסישער פּראַקטיק און EBM-באַזירטע מעטאָדן פֿאַר באַשטימען צאָן עלטער. שען און אַנדערע האָבן געוויזן אַז די DM מאָדעל איז מער פּינטלעך ווי די טראַדיציאָנעלע קאַמערער פֿאָרמולע. גאַליבורג און אַנדערע האָבן געווענדט פֿאַרשידענע DM מעטאָדן צו פאָרויסזאָגן עלטער לויטן דעמירדזשיאַן קריטעריאָן און די רעזולטאַטן האָבן געוויזן אַז די DM מעטאָד האָט אַוטפּערפאָרמד די דעמירדזשיאַן און ווילמס מעטאָדן אין שאַצן דעם עלטער פון דער פֿראַנצייזישער באַפעלקערונג.
צו שאצן דעם צאָן עלטער פון קאָרעיִשע יוגנטלעכע און יונגע דערוואַקסענע, ווערט לי'ס מעטאָדע 4 ברייט גענוצט אין קאָרעיִשער פאָרענסישער פּראַקטיק. די מעטאָדע ניצט טראַדיציאָנעלע סטאַטיסטישע אַנאַליז (אַזאַ ווי קייפל רעגרעסיע) צו אויספאָרשן די באַציִונג צווישן קאָרעיִשע סוביעקטן און כראָנאָלאָגישער עלטער. אין דער דאָזיקער שטודיע, ווערן עלטער שאַצונג מעטאָדן באַקומען מיט טראַדיציאָנעלע סטאַטיסטישע מעטאָדן דעפינירט ווי "טראַדיציאָנעלע מעטאָדן." לי'ס מעטאָדע איז אַ טראַדיציאָנעלער מעטאָדע, און איר אַקיעראַסי איז באַשטעטיקט געוואָרן דורך אָה און אַנדערע 5; אָבער, די אַפּליקאַביליטי פון עלטער שאַצונג באַזירט אויף דעם DM מאָדעל אין קאָרעיִשער פאָרענסישער פּראַקטיק איז נאָך צווייפלדיק. אונדזער ציל איז געווען צו וויסנשאַפֿטלעך וואַלידירן די פּאָטענציעלע נוציקייט פון עלטער שאַצונג באַזירט אויף דעם DM מאָדעל. דער ציל פון דער דאָזיקער שטודיע איז געווען (1) צו פאַרגלייַכן די אַקיעראַסי פון צוויי DM מאָדעלן אין שאַצן צאָן עלטער און (2) צו פאַרגלייַכן די קלאַסיפֿיקאַציע פאָרשטעלונג פון 7 DM מאָדעלן אין עלטער פון 18 יאָר מיט די באַקומען מיט טראַדיציאָנעלע סטאַטיסטישע מעטאָדן. צייַטיקייט פון צווייטע און דריטע מאָלאַרן אין ביידע קין.
מיטלען און סטאַנדאַרט דעוויִאַציעס פון כראָנאָלאָגישן עלטער לויט בינע און צאָן טיפּ ווערן געוויזן אָנליין אין סאַפּלעמענטאַרי טאַבעלע S1 (טראַינינג סעט), סאַפּלעמענטאַרי טאַבעלע S2 (אינערלעכער טעסט סעט), און סאַפּלעמענטאַרי טאַבעלע S3 (עקסטערנער טעסט סעט). די קאַפּאַ ווערטן פֿאַר אינטראַ- און אינטעראָבזערווער רילייאַבילאַטי באַקומען פון די טראַינינג סעט זענען געווען 0.951 און 0.947, ריספּעקטיוולי. פּ ווערטן און 95% קאָנפידענץ אינטערוואַלן פֿאַר קאַפּאַ ווערטן ווערן געוויזן אין אָנליין סאַפּלעמענטאַרי טאַבעלע S4. דער קאַפּאַ ווערט איז געווען ינטערפּראַטירט ווי "כּמעט פּערפעקט", קאָנסיסטענט מיט די קריטעריאַ פון לאַנדיס און קאָטש26.
ווען מען פארגלייכט דעם דורכשניטלעכן אבסאלוטן טעות (MAE), טוט די טראדיציאנעלע מעטאד אביסל בעסער ווי דעם DM מאדעל פאר אלע געשלעכטער און אין דעם עקסטערנעם מענער טעסט סעט, מיט דער אויסנאם פון מולטילייער פערצעפראן (MLP). דער אונטערשייד צווישן דעם טראדיציאנעלן מאדעל און דעם DM מאדעל אויף דעם אינטערנעם MAE טעסט סעט איז געווען 0.12–0.19 יאר פאר מענער און 0.17–0.21 יאר פאר פרויען. פאר דער עקסטערנער טעסט באטעריע, זענען די אונטערשיידן קלענער (0.001–0.05 יאר פאר מענער און 0.05–0.09 יאר פאר פרויען). דערצו, איז דער רוט דורכשניטלעכער קוואדראט טעות (RMSE) אביסל נידעריגער ווי דער טראדיציאנעלער מעטאד, מיט קלענערע אונטערשיידן (0.17–0.24, 0.2–0.24 פאר דעם מענער אינטערנעם טעסט סעט, און 0.03–0.07, 0.04–0.08 פאר דעם עקסטערנעם טעסט סעט). MLP ווייזט אביסל בעסערע פאָרשטעלונג ווי איין-לייער פערצעפראן (SLP), אחוץ אין דעם פאל פון דעם ווייבלעכן עקסטערנעם טעסט סעט. פֿאַר MAE און RMSE, די עקסטערנע טעסט סעט סקאָרז העכער ווי די אינטערנע טעסט סעט פֿאַר אַלע געשלעכטער און מאָדעלן. אַלע MAE און RMSE זענען געוויזן אין טאַבעלע 1 און פיגור 1.
MAE און RMSE פון טראדיציאנעלע און דאטן מיינינג רעגרעסיע מאָדעלן. דורכשניטלעכע אבסאלוטע טעות MAE, וואָרצל דורכשניטלעכע קוואַדראַט טעות RMSE, איין-שיכטיקע פּערסעפּטראָן SLP, מולטי-שיכטיקע פּערסעפּטראָן MLP, טראדיציאנעלע CM מעטאָדע.
קלאַסיפֿיקאַציע פאָרשטעלונג (מיט אַ גרענעץ פון 18 יאָר) פון די טראַדיציאָנעלע און DM מאָדעלן איז געווען דעמאָנסטרירט אין טערמינען פון סענסיטיוויטי, ספּעציפֿישקייט, positive predictive value (PPV), negative predictive value (NPV), און שטח אונטער די ריסיווער אָפּערייטינג קעראַקטעריסטיק קורווע (AUROC) 27 (טאַבעלע 2, פיגור 2 און סאַפּלעמענטאַרי פיגור 1 אָנליין). אין טערמינען פון די סענסיטיוויטי פון די אינערלעכע טעסט באַטאַרייע, טראַדיציאָנעלע מעטאָדן האָבן פּערפאָרמד בעסטער צווישן מענער און ערגער צווישן פרויען. אָבער, דער חילוק אין קלאַסיפֿיקאַציע פאָרשטעלונג צווישן טראַדיציאָנעלע מעטאָדן און SD איז 9.7% פֿאַר מענער (MLP) און בלויז 2.4% פֿאַר פרויען (XGBoost). צווישן DM מאָדעלן, לאָגיסטיק רעגרעסיע (LR) האט געוויזן בעסער סענסיטיוויטי אין ביידע געשלעכטער. וועגן די ספּעציפֿישקייט פון די אינערלעכע טעסט סעט, איז באמערקט געוואָרן אַז די פיר SD מאָדעלן האָבן פּערפאָרמד גוט אין מענער, בשעת די טראַדיציאָנעלע מאָדעל האָט פּערפאָרמד בעסער אין פרויען. די חילוקים אין קלאַסיפֿיקאַציע פאָרשטעלונג פֿאַר מענער און פרויען זענען 13.3% (MLP) און 13.1% (MLP), ריספּעקטיוולי, וואָס ינדיקייץ אַז דער חילוק אין קלאַסיפֿיקאַציע פאָרשטעלונג צווישן מאָדעלן יקסידז סענסיטיוויטי. צווישן די DM מאָדעלן, די שטיצע וועקטאָר מאַשין (SVM), באַשלוס בוים (DT), און ראַנדאָם וואַלד (RF) מאָדעלן האָבן זיך בעסטן אויפֿגעפֿירט צווישן מענער, בשעת די LR מאָדעל האָט זיך בעסטן אויפֿגעפֿירט צווישן פֿרויען. די AUROC פֿון דעם טראַדיציאָנעלן מאָדעל און אַלע SD מאָדעלן איז געווען גרעסער ווי 0.925 (k-נענסטער שכן (KNN) אין מענער), וואָס דעמאָנסטרירט אַן אויסגעצייכנטע קלאַסיפֿיקאַציע פאָרשטעלונג אין אונטערשיידן 18-יאָר-אַלטע מוסטערן28. פֿאַר די עקסטערנע טעסט סעט, איז געווען אַ פֿאַרקלענערונג אין קלאַסיפֿיקאַציע פאָרשטעלונג אין טערמינען פֿון סענסיטיוויטי, ספּעציפֿישקייט און AUROC קאַמפּערד צו די אינערלעכע טעסט סעט. דערצו, דער חילוק אין סענסיטיוויטי און ספּעציפֿישקייט צווישן די קלאַסיפֿיקאַציע פאָרשטעלונג פֿון די בעסטע און ערגסטע מאָדעלן איז געווען פֿון 10% ביז 25% און איז געווען גרעסער ווי דער חילוק אין די אינערלעכע טעסט סעט.
סענסיטיוויטי און ספּעציפֿישקייט פֿון דאַטן מיינינג קלאַסיפֿיקאַציע מאָדעלן קאַמפּערד צו טראַדיציאָנעלע מעטאָדן מיט אַ קאַטאָף פֿון 18 יאָר. KNN k ניראַסט שכן, SVM שטיצע וועקטאָר מאַשין, LR לאָגיסטיק רעגרעסיע, DT באַשלוס בוים, RF ראַנדאָם וואַלד, XGB XGBoost, MLP מולטילייער פּערסעפּטראָן, טראַדיציאָנעל CM מעטאָד.
דער ערשטער שריט אין דעם שטודיע איז געווען צו פארגלייכן די גענויקייט פון ציינ-עלטער שאצונגען באקומען פון זיבן DM מאדעלן מיט די באקומען ניצן טראדיציאנעל רעגרעסיע. MAE און RMSE זענען עוואַלויִרט געוואָרן אין אינערלעכע טעסט סעטס פֿאַר ביידע געשלעכטער, און דער אונטערשייד צווישן דעם טראדיציאנעלן מעטאָד און דעם DM מאָדעל איז געווען פון 44 ביז 77 טעג פֿאַר MAE און פון 62 ביז 88 טעג פֿאַר RMSE. כאָטש דער טראדיציאנעלער מעטאָד איז געווען אַ ביסל מער גענוי אין דעם שטודיע, איז שווער צו באַשליסן צי אַזאַ אַ קליינער אונטערשייד האט קלינישע אָדער פּראַקטישע באַדייטונג. די רעזולטאַטן ווייַזן אַז די גענויקייט פון ציינ-עלטער שאצונג ניצן דעם DM מאָדעל איז כּמעט די זעלבע ווי די פון דעם טראדיציאנעלן מעטאָד. דירעקטער פארגלייך מיט רעזולטאַטן פון פריערדיקע שטודיעס איז שווער ווייַל קיין שטודיע האט נישט פארגליכן די גענויקייט פון DM מאדעלן מיט טראדיציאנעלע סטאַטיסטישע מעטאָדן ניצן די זעלבע טעכניק פון רעקאָרדינג ציין אין דעם זעלבן עלטער קייט ווי אין דעם שטודיע. גאַליבורג עט על24 האבן פארגליכן MAE און RMSE צווישן צוויי טראדיציאנעלע מעטאָדן (דעמירדזשיאַן מעטאָד25 און ווילמס מעטאָד29) און 10 DM מאדעלן אין אַ פראנצויזישער באַפעלקערונג אַלט 2 ביז 24 יאָר. זיי האבן געמאלדן אז אלע DM מאדעלן זענען געווען מער גענוי ווי טראדיציאנעלע מעטאדן, מיט אונטערשיידן פון 0.20 און 0.38 יאר אין MAE און 0.25 און 0.47 יאר אין RMSE קאמפערד צו די וויליעמס און דעמירדזשיאן מעטאדן, בהתאמה. די דיסקרעפאנסי צווישן דעם SD מאדעל און טראדיציאנעלע מעטאדן געוויזן אין דער האליבורג שטודיע נעמט אין באטראכט פארשידענע באריכטן30,31,32,33 אז די דעמירדזשיאן מעטאד שאצט נישט גענוי דעם צאן עלטער אין פאפולאציעס אנדערע ווי די פראנצויזיש קאנאדער אויף וועלכע די שטודיע איז באזירט געווען. אין דעם שטודיע. טיי און אנדערע 34 האבן גענוצט דעם MLP אלגאריטם צו פאראויסזאגן צאן עלטער פון 1636 כינעזישע ארטאדאנטישע פאטאגראפיעס און פארגליכן זיין גענויקייט מיט די רעזולטאטן פון די דעמירדזשיאן און וויליעמס מעטאד. זיי האבן געמאלדן אז MLP האט העכערע גענויקייט ווי טראדיציאנעלע מעטאדן. דער אונטערשייד צווישן די דעמירדזשיאן מעטאד און די טראדיציאנעלע מעטאד איז <0.32 יאר, און די וויליעמס מעטאד איז 0.28 יאר, וואס איז ענליך צו די רעזולטאטן פון דער יעצטיגער שטודיע. די רעזולטאַטן פון די פריערדיקע שטודיעס24,34 זענען אויך קאָנסיסטענט מיט די רעזולטאַטן פון דער איצטיקער שטודיע, און די עלטער שאַצונג אַקיעראַסי פון די DM מאָדעל און די טראדיציאנעלע מעטאָדע זענען ענלעך. אָבער, באַזירט אויף די פאָרגעשטעלטע רעזולטאַטן, קענען מיר נאָר פֿאָרזיכטיק אויספירן אַז די נוצן פון DM מאָדעלס צו שאַצן עלטער קען פאַרבייַטן די עקזיסטירנדיקע מעטאָדן רעכט צו דעם מאַנגל פון פאַרגלייַכנדיקע און רעפֿערענץ פריערדיקע שטודיעס. נאָכפֿאָלג שטודיעס ניצן גרעסערע מוסטערן זענען דארף צו באַשטעטיקן די רעזולטאַטן באַקומען אין דעם שטודיע.
צווישן די שטודיעס וואָס האָבן געטעסט די גענויקייט פון SD אין שאַצן צאָן עלטער, האָבן עטלעכע געוויזן העכערע גענויקייט ווי אונדזער שטודיע. סטעפּאַנאָווסקי עט על 35 האָבן אַפּליייד 22 SD מאָדעלן צו פּאַנאָראַמישע ראַדיאָגראַפס פון 976 טשעכישע רעזידאַנץ פון 2.7 ביז 20.5 יאָר און געטעסט די גענויקייט פון יעדן מאָדעל. זיי האָבן אַססעססעד די אַנטוויקלונג פון אַ גאַנץ פון 16 אויבערשטע און אונטערשטע לינקס שטענדיקע ציין ניצן די קלאַסיפיקאַציע קריטעריאַ פארגעלייגט דורך מורריס עט על 36. די MAE ריינדזשאַז פון 0.64 ביז 0.94 יאָר און די RMSE ריינדזשאַז פון 0.85 ביז 1.27 יאָר, וואָס זענען מער גענוי ווי די צוויי DM מאָדעלן געניצט אין דעם לערנען. שען עט על 23 האָבן געניצט די קאַמעריערע מעטאָד צו שאַצן די צאָן עלטער פון זיבן שטענדיקע ציין אין די לינקע מאַנדיבאַל אין מזרח כינעזישע רעזידאַנץ פון 5 ביז 13 יאָר און קאַמפּערד עס מיט עלטער עסטימאַטעד ניצן לינעאַר רעגרעסיע, SVM און RF. זיי האָבן געוויזן אַז אַלע דרייַ DM מאָדעלן האָבן העכערע גענויקייט קאַמפּערד צו די טראדיציאנעלן קאַמעריערע פאָרמולע. די MAE און RMSE אין שענס שטודיע זענען געווען נידעריגער ווי די אין דעם DM מאָדעל אין דעם שטודיע. די פארגרעסערטע פּרעציזיע פון ​​די שטודיעס דורך סטעפּאַנאָווסקי עט על. 35 און שענס עט על. 23 קען זיין צוליב דעם ארייננעמען פון יינגערע סוביעקטן אין זייערע שטודיע מוסטערן. ווייל עלטער שאַצונגען פאר טיילנעמער מיט אנטוויקלנדיקע ציין ווערן מער פּינקטלעך ווי די צאָל ציין וואַקסט בעת צאָן אַנטוויקלונג, קען די פּינקטלעכקייט פון דער רעזולטאַט עלטער שאַצונג מעטאָדע זיין קאָמפּראָמיטירט ווען שטודיע טיילנעמער זענען יינגער. דערצו, MLP'ס טעות אין עלטער שאַצונג איז אַ ביסל קלענער ווי SLP'ס, וואָס מיינט אַז MLP איז מער פּינקטלעך ווי SLP. MLP ווערט באַטראַכט אַ ביסל בעסער פֿאַר עלטער שאַצונג, מעגלעך צוליב די באַהאַלטענע לייַערס אין MLP38. אָבער, עס איז אַן אויסנאַם פֿאַר די ויסווייניקסטע מוסטער פון פרויען (SLP 1.45, MLP 1.49). די געפינס אַז די MLP איז מער פּינקטלעך ווי די SLP אין אַססעססינג עלטער ריקווייערז נאָך רעטראָספּעקטיוו שטודיעס.
די קלאַסיפֿיקאַציע פאָרשטעלונג פֿון דעם DM מאָדעל און דער טראַדיציאָנעלער מעטאָדע ביי אַן 18-יאָר שוועל איז אויך פֿאַרגליכן געוואָרן. אַלע געטעסטע SD מאָדעלן און טראַדיציאָנעלע מעטאָדן אויף דער אינערלעכער טעסט סעט האָבן געוויזן פּראַקטיש אַקסעפּטאַבלע לעוועלס פֿון דיסקרימינאַציע פֿאַר דער 18-יאָריקער מוסטער. סענסיטיוויטי פֿאַר מענער און פֿרויען איז געווען גרעסער ווי 87.7% און 94.9%, ריספּעקטיוולי, און ספּעציפֿישקייט איז געווען גרעסער ווי 89.3% און 84.7%. די AUROC פֿון אַלע געטעסטע מאָדעלן איז אויך העכער 0.925. לויט אונדזער וויסן, קיין שטודיע האָט נישט געטעסט די פאָרשטעלונג פֿון דעם DM מאָדעל פֿאַר 18-יאָר קלאַסיפֿיקאַציע באַזירט אויף דענטאַל מאַטוריטעט. מיר קענען פֿאַרגלייכן די רעזולטאַטן פֿון דער שטודיע מיט דער קלאַסיפֿיקאַציע פאָרשטעלונג פֿון טיפֿע לערנען מאָדעלן אויף פּאַנאָראַמישע ראַדיאָגראַפֿן. גואָ et al.15 האָבן אויסגערעכנט די קלאַסיפֿיקאַציע פאָרשטעלונג פֿון אַ CNN-באַזירט טיפֿע לערנען מאָדעל און אַ מאַנועלע מעטאָדע באַזירט אויף דעמירדזשיאַן'ס מעטאָדע פֿאַר אַ געוויסן עלטער שוועל. די סענסיטיוויטי און ספּעציפֿישקייט פֿון דער מאַנועלער מעטאָדע זענען געווען 87.7% און 95.5%, ריספּעקטיוולי, און די סענסיטיוויטי און ספּעציפֿישקייט פֿון דעם CNN מאָדעל האָבן איבערגעשטיגן 89.2% און 86.6%, ריספּעקטיוולי. זיי האָבן געפֿונען אַז טיפֿע לערנען מאָדעלן קענען פֿאַרבייטן אָדער איבערטרעפֿן מאַנועלע אַסעסמענט אין קלאַסיפֿיצירן עלטער שוועלן. די רעזולטאַטן פֿון דעם לערנען האָבן געוויזן ענלעכע קלאַסיפֿיקאַציע פאָרשטעלונג; מען גלויבט אַז קלאַסיפֿיקאַציע ניצן DM מאָדעלן קען פֿאַרבייטן טראַדיציאָנעלע סטאַטיסטישע מעטאָדן פֿאַר עלטער שאַצונג. צווישן די מאָדעלן, DM LR איז געווען דער בעסטער מאָדעל אין טערמינען פֿון סענסיטיוויטי פֿאַר די זכר מוסטער און סענסיטיוויטי און ספּעציפֿישקייט פֿאַר די נקבה מוסטער. LR ראַנגקט צווייט אין ספּעציפֿישקייט פֿאַר מענער. דערצו, LR ווערט באַטראַכט ווי איינער פֿון די מער באַניצער-פֿרײַנדלעכע DM35 מאָדעלן און איז ווייניקער קאָמפּלעקס און שווער צו פּראָצעסירן. באַזירט אויף די רעזולטאַטן, LR איז געווען באַטראַכט ווי דער בעסטער קאַטאָף קלאַסיפֿיקאַציע מאָדעל פֿאַר 18-יאָריקע אין דער קאָרעיִשער באַפֿעלקערונג.
אינגאנצן, די גענויקייט פון עלטער שאצונג אדער קלאסיפיקאציע פאָרשטעלונג אויף די עקסטערנע טעסט סעט איז געווען שוואַך אדער נידעריגער קאַמפּערד צו די רעזולטאַטן אויף די אינטערנע טעסט סעט. עטלעכע באריכטן ווייַזן אַז קלאַסיפיקאַציע גענויקייט אדער עפעקטיווקייט פאַרקלענערט זיך ווען עלטער שאַצונגען באזירט אויף די קאָרעיִשע באַפעלקערונג זענען געווענדט צו די יאַפּאַניש באַפעלקערונג 5,39, און אַ ענלעך מוסטער איז געפֿונען געוואָרן אין דער איצטיקער שטודיע. די פאַרערגערונג טענדענץ איז אויך באמערקט געוואָרן אין די DM מאָדעל. דעריבער, צו גענוי אָפּשאַצן עלטער, אפילו ווען מען ניצט DM אין דעם אַנאַליז פּראָצעס, מעטאָדן דערייווד פון היגע באַפעלקערונג דאַטן, אַזאַ ווי טראַדיציאָנעלע מעטאָדן, זאָל זיין בילכער 5,39,40,41,42. זינט עס איז נישט קלאָר צי טיף לערנען מאָדעלס קענען ווייַזן ענלעכע טרענדס, שטודיעס וואָס פאַרגלייַכן קלאַסיפיקאַציע גענויקייט און עפעקטיווקייט ניצן טראַדיציאָנעלע מעטאָדן, DM מאָדעלס, און טיף לערנען מאָדעלס אויף די זעלבע סאַמפּאַלז זענען דארף צו באַשטעטיקן צי קינסטלעך אינטעליגענץ קען באַקומען די ראַסיש דיספּעראַטיז אין לימיטעד עלטער אַסעסמאַנץ.
מיר ווײַזן אַז טראַדיציאָנעלע מעטאָדן קענען ווערן ערזעצט דורך עלטער שאַצונג באַזירט אויף דעם DM מאָדעל אין פאָרענסישער עלטער שאַצונג פּראַקטיק אין קארעע. מיר האָבן אויך אַנטדעקט די מעגלעכקייט פון ימפּלאַמענטינג מאַשין לערנען פֿאַר פאָרענסישער עלטער אַסעסמאַנט. אָבער, עס זענען קלאָרע לימיטיישאַנז, אַזאַ ווי די ניט גענוגיק נומער פון פּאַרטיסיפּאַנץ אין דעם לערנען צו דעפיניטיוו באַשטימען די רעזולטאַטן, און דער מאַנגל פון פריערדיקע שטודיעס צו פאַרגלייַכן און באַשטעטיקן די רעזולטאַטן פון דעם לערנען. אין דער צוקונפֿט, זאָלן DM שטודיעס ווערן דורכגעפירט מיט גרעסערע נומערן פון מוסטערן און מער דייווערס פּאָפּולאַציעס צו פֿאַרבעסערן זייַן פּראַקטיש אַפּליקאַביליטי קאַמפּערד מיט טראַדיציאָנעלע מעטאָדן. צו וואַלידירן די מעגלעכקייט פון ניצן קינסטלעך אינטעליגענץ צו שאַצן עלטער אין קייפל פּאָפּולאַציעס, זענען צוקונפֿט שטודיעס דארף צו פאַרגלייַכן די קלאַסיפיקאַציע אַקיעראַסי און עפעקטיווקייַט פון DM און טיף לערנען מאָדעלס מיט טראַדיציאָנעלע מעטאָדן אין די זעלבע מוסטערן.
די שטודיע האט גענוצט 2,657 ארטאגראפישע פאטאגראפיעס געזאמלט פון קארעאישע און יאפאנעזישע דערוואקסענע פון ​​15 ביז 23 יאר. די קארעאישע ראדיאגראפיעס זענען צעטיילט געווארן אין 900 טרענירונג סעטס (19.42 ± 2.65 יאר) און 900 אינערליכע טעסט סעטס (19.52 ± 2.59 יאר). די טרענירונג סעט איז געזאמלט געווארן אין איין אינסטיטוציע (סעאול סט. מערי'ס שפיטאל), און די אייגענע טעסט סעט איז געזאמלט געווארן אין צוויי אינסטיטוציעס (סעאול נאציאנאלע אוניווערסיטעט דענטאלע שפיטאל און יאנסעי אוניווערסיטעט דענטאלע שפיטאל). מיר האבן אויך געזאמלט 857 ראדיאגראפיעס פון אן אנדער באפעלקערונג-באזירטע דאטן (איוואטע מעדיקל אוניווערסיטעט, יאפאן) פאר עקסטערנע טעסטן. ראדיאגראפיעס פון יאפאנעזישע סוביעקטן (19.31 ± 2.60 יאר) זענען אויסגעקליבן געווארן אלס די עקסטערנע טעסט סעט. דאטן זענען געזאמלט געווארן רעטראספעקטיווע צו אנאליזירן די שטאפלען פון דענטאלע אנטוויקלונג אויף פאנאראמישע ראדיאגראפיעס גענומען בעת ​​דענטאלע באהאנדלונג. אלע דאטן געזאמלט זענען געווען אנאנים אחוץ פאר דזשענדער, געבורטסדאטום און דאטום פון ראדיאגראפ. אינקלוזיע און אויסשליס קריטעריע זענען געווען די זעלבע ווי פריער פארעפנטלעכטע שטודיעס 4, 5. דער אמתער עלטער פון דער מוסטער איז אויסגערעכנט געוואָרן דורך אַראָפּרעכענען דעם געבורטסדאַטום פון דעם דאַטום וואָס די ראַדיאָגראַף איז גענומען געוואָרן. די מוסטער גרופּע איז צעטיילט געוואָרן אין ניין עלטער גרופּעס. די עלטער און געשלעכט פאַרשפּרייטונג ווערט געוויזן אין טאַבעלע 3. די שטודיע איז דורכגעפירט געוואָרן לויט דער דעקלאַראַציע פון ​​העלסינקי און באַשטעטיקט דורך דער אינסטיטוציאָנעלער איבערבליק באָרד (IRB) פון סעאָול סט. מעריס שפּיטאָל פון דער קאַטוילישער אוניווערסיטעט פון קארעע (KC22WISI0328). צוליב דעם רעטראָספּעקטיוון פּלאַן פון דער שטודיע, האָט מען נישט געקענט באַקומען אינפאָרמירטע צושטימונג פון אַלע פּאַציענטן וואָס דורכגיין ראַדיאָגראַפֿישע אויספאָרשונג פֿאַר טעראַפּעווטישע צוועקן. סעאָול קארעע אוניווערסיטעט סט. מעריס שפּיטאָל (IRB) האָט אָפּגעזאָגט די פאָדערונג פֿאַר אינפאָרמירטע צושטימונג.
די אַנטוויקלונגס־שטאַפּלען פון ביימאַקסילאַרי צווייטע און דריטע מאָלאַרן זענען אַססעססעד לויט דעמירקאַן קריטעריאַ25. נאָר איין צאָן איז אויסגעקליבן אויב דער זעלביקער טיפּ צאָן איז געפֿונען געוואָרן אויף די לינקע און רעכטע זייטן פון יעדן קין. אויב האָמאָלאָגישע ציין אויף ביידע זייטן זענען געווען אין פאַרשידענע אַנטוויקלונגס־שטאַפּלען, איז דער צאָן מיטן נידעריקערן אַנטוויקלונגס־שטאַפּל אויסגעקליבן געוואָרן צו רעכענען זיך מיט אַנסערטאַנטי אין דעם געשאַצטן עלטער. הונדערט ראַנדאָם אויסגעקליבענע ראַדיאָגראַפֿן פון דעם טראַינינג־סעט זענען סקאָרד געוואָרן דורך צוויי דערפאַרענע אָבסערוואַטאָרן צו פּרובירן אינטעראָבסערוואַטאָר־פֿאַרלעסלעכקייט נאָך פאַר־קאַליבראַציע צו באַשטימען דעם צאָן־מאַטעריאַל־שטאַפּל. אינטראַאָבסערוואַטאָר־פֿאַרלעסלעכקייט איז אַססעססעד געוואָרן צוויי מאָל אין דריי־חודש־אינטערוואַלן דורך דעם ערשטיקן אָבסערוואַטאָר.
דער געשלעכט און אַנטוויקלונגס־שטאַפּל פון די צווייטע און דריטע מאָלאַרן פון יעדן קין אין דעם טראַינינג־סעט זענען געשאַצט געוואָרן דורך אַ ערשטיקן אָבסערוואַטאָר טרענירט מיט פֿאַרשידענע DM מאָדעלן, און דער אַקטועלער עלטער איז באַשטימט געוואָרן ווי דער ציל־ווערט. SLP און MLP מאָדעלן, וועלכע ווערן ברייט גענוצט אין מאַשין־לערנען, זענען געטעסט געוואָרן קעגן רעגרעסיע־אַלגעריטמען. דער DM מאָדעל קאָמבינירט לינעאַרע פֿונקציעס ניצנדיק די אַנטוויקלונגס־שטאַפּלען פון די פֿיר ציין און קאָמבינירט די דאַטן צו אָפּשאַצן דעם עלטער. SLP איז די סימפּלאַסטע נעוראַלע נעץ און כּולל נישט קיין פֿאַרבאָרגענע שיכטן. SLP אַרבעט באַזירט אויף שוועל־טראַנסמיסיע צווישן נאָודז. דער SLP מאָדעל אין רעגרעסיע איז מאַטעמאַטיש ענלעך צו קייפל לינעאַרע רעגרעסיע. ניט ווי דער SLP מאָדעל, האט דער MLP מאָדעל קייפל פֿאַרבאָרגענע שיכטן מיט ניט־לינעאַרע אַקטיוואַציע־פֿונקציעס. אונדזערע עקספּערימענטן האָבן גענוצט אַ פֿאַרבאָרגענע שיכט מיט בלויז 20 פֿאַרבאָרגענע נאָודז מיט ניט־לינעאַרע אַקטיוואַציע־פֿונקציעס. נוצן גראַדיענט־אַראָפּגאַנג ווי די אָפּטימיזאַציע־מעטאָדע און MAE און RMSE ווי די פֿאַרלוסט־פֿונקציע צו טרענירן אונדזער מאַשין־לערנען מאָדעל. דער בעסטער באַקומענער רעגרעסיע־מאָדעל איז געווענדט געוואָרן צו די אינערלעכע און אויסערלעכע טעסט־סעטן און דער עלטער פֿון די ציין איז געשאַצט געוואָרן.
א קלאַסיפֿיקאַציע אַלגעריטם איז דעוועלאָפּעד געוואָרן וואָס ניצט די מאַטוריטעט פֿון פֿיר ציין אויף דעם טראַינינג סעט צו פֿאָרויסזאָגן צי אַ מוסטער איז 18 יאָר אַלט צי נישט. צו בויען דעם מאָדעל, האָבן מיר דעריווט זיבן רעפּרעזענטאַציע מאַשין לערנען אַלגעריטמען6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, און (7) MLP. LR איז איינער פֿון די מערסט וויידלי געניצטע קלאַסיפֿיקאַציע אַלגעריטמען44. דאָס איז אַ סופּערווייזד לערנען אַלגעריטם וואָס ניצט רעגרעסיע צו פֿאָרויסזאָגן די וואַרשיינלעכקייט פֿון דאַטן וואָס געהערן צו אַ געוויסער קאַטעגאָריע פֿון 0 ביז 1 און קלאַסיפֿיצירט די דאַטן ווי געהערן צו אַ מער מסתּמא קאַטעגאָריע באַזירט אויף דעם וואַרשיינלעכקייט; דער עיקר געניצט פֿאַר בינאַרע קלאַסיפֿיקאַציע. KNN איז איינער פֿון די סימפּלאַסט מאַשין לערנען אַלגעריטמען45. ווען געגעבן נייע אַרייַנשרייַב דאַטן, געפֿינט עס k דאַטן נאָענט צו דער עקסיסטירנדיקער סעט און קלאַסיפֿיצירט זיי דאַן אין דער קלאַס מיט דער העכסטער פֿרעקווענץ. מיר שטעלן 3 פֿאַר די צאָל פֿון באַטראַכטע שכנים (k). SVM איז אַן אַלגעריטם וואָס מאַקסימיזירט די דיסטאַנץ צווישן צוויי קלאַסן דורך ניצן אַ קערנעל פֿונקציע צו יקספּאַנדירן דעם לינעאַרן פּלאַץ אין אַ ניט-לינעאַרן פּלאַץ גערופֿן פֿעלדער46. פאר דעם מאָדעל, ניצן מיר בייאַס = 1, מאַכט = 1, און גאַמאַ = 1 ווי היפּערפּאַראַמעטערס פארן פּאָלינאָם קערנעל. DT איז געוואָרן גענוצט אין פארשידענע פעלדער ווי אַן אַלגערידאַם פארן צעטיילן א גאַנצן דאַטן-זאַמלונג אין עטלעכע סובגרופּעס דורך רעפּרעזענטירן באַשלוס-רעגולאַציעס אין א בוים-סטרוקטור47. דער מאָדעל איז קאָנפיגורירט מיט א מינימום נומער פון רעקאָרדס פּער נאָוד פון 2 און ניצט דעם Gini אינדעקס ווי א מאָס פון קוואַליטעט. RF איז אן אַנסאַמבל מעטאָד וואָס קאָמבינירט קייפל DTs צו פֿאַרבעסערן פאָרשטעלונג מיט א בוטסטראַפּ אַגרעגאַציע מעטאָד וואָס דזשענערירט א שוואַכן קלאַסיפייער פאר יעדן מוסטער דורך ראַנדאָם ציען מוסטערן פון דער זעלבער גרייס קייפל מאָל פון דעם אָריגינעלן דאַטאַסעט48. מיר האָבן גענוצט 100 ביימער, 10 בוים-טיפֿקייטן, 1 מינימום נאָוד גרייס, און Gini צומישונג אינדעקס ווי נאָוד צעשיידונג קריטעריאַ. די קלאַסיפֿיקאַציע פון ​​נייע דאַטן ווערט באַשטימט דורך א מערהייט שטימע. XGBoost איז אן אַלגערידאַם וואָס קאָמבינירט בוסטינג טעקניקס מיט א מעטאָד וואָס נעמט ווי טראַינינג דאַטן דעם טעות צווישן די פאַקטישע און פאָרויסגעזאָגטע ווערטן פון דעם פריערדיקן מאָדעל און פארגרעסערט דעם טעות מיט גראַדיענטן49. עס איז אַ ברייט גענוצטער אַלגעריטם צוליב זיין גוטער פאָרשטעלונג און רעסורסן עפעקטיווקייט, ווי אויך הויך פאַרלעסלעכקייט ווי אַן אָוווערפיטינג קערעקשאַן פונקציע. דער מאָדעל איז אויסגעשטאַט מיט 400 שטיצע רעדער. MLP איז אַ נעוראַל נעץ אין וועלכן איינער אָדער מער פּערסעפּטראָנס פאָרמען קייפל לייַערס מיט איין אָדער מער פאַרבאָרגן לייַערס צווישן די אַרייַנשרייַב און אַרויסשרייַב לייַערס38. ניצנדיק דעם, קענט איר דורכפירן ניט-לינעאַר קלאַסיפיקאַציע, וואו ווען איר לייגט צו אַן אַרייַנשרייַב שיכטע און באַקומט אַ רעזולטאַט ווערט, ווערט דער פאָרויסגעזאָגטער רעזולטאַט ווערט פאַרגליכן מיטן פאַקטישן רעזולטאַט ווערט און דער טעות ווערט פּראָפּאַגירט צוריק. מיר האָבן באשאפן אַ פאַרבאָרגן שיכטע מיט 20 פאַרבאָרגן נעוראָנען אין יעדער שיכטע. יעדער מאָדעל וואָס מיר האָבן דעוועלאָפּעד איז געווען געווענדט צו אינערלעכע און עקסטערנע סעץ צו פּרובירן קלאַסיפיקאַציע פאָרשטעלונג דורך קאַלקולירן סענסיטיוויטי, ספּעציפֿישקייט, PPV, NPV, און AUROC. סענסיטיוויטי איז דעפינירט ווי די פאַרהעלטעניש פון אַ מוסטער עסטימאַטעד צו זיין 18 יאָר אַלט אָדער עלטער צו אַ מוסטער עסטימאַטעד צו זיין 18 יאָר אַלט אָדער עלטער. ספּעציפֿישקייט איז די פּראָפּאָרציע פון ​​מוסטערן אונטער 18 יאָר אַלט און יענע עסטימאַטעד צו זיין אונטער 18 יאָר אַלט.
די דענטאַל סטאַגעס וואָס זענען אַססעססעד געוואָרן אין דעם טראַינינג סעט זענען קאָנווערטירט געוואָרן אין נומערישע סטאַגעס פֿאַר סטאַטיסטישער אַנאַליז. מולטיוואַריאַט לינעאַר און לאָגיסטישע רעגרעסיע זענען דורכגעפירט געוואָרן צו אַנטוויקלען פּרעדיקטיוו מאָדעלס פֿאַר יעדן געשלעכט און דעריווירן רעגרעסיע פאָרמולעס וואָס קענען געניצט ווערן צו אָפּשאַצן עלטער. מיר האָבן געניצט די פאָרמולעס צו אָפּשאַצן צאָן עלטער פֿאַר ביידע אינערלעכע און אויסערלעכע טעסט סעטס. טאַבעלע 4 ווייזט די רעגרעסיע און קלאַסיפֿיקאַציע מאָדעלס געניצט אין דעם לערנען.
אינטראַ- און אינטעראָבסערווער רעליאַביליטי איז געווען קאַלקיאַלייטיד ניצן כהן ס קאַפּאַ סטאַטיסטיק. צו פּרובירן די אַקיעראַסי פון DM און טראַדיציאָנעלע רעגרעסיע מאָדעלס, מיר קאַלקיאַלייטיד MAE און RMSE ניצן די געשאַצטע און פאַקטיש עלטער פון די ינערלעך און פונדרויסנדיק טעסט סעץ. די ערראָרס זענען קאַמאַנלי געניצט צו אָפּשאַצן די אַקיעראַסי פון מאָדעל פאָרויסזאָגן. די קלענערער דער ערראָר, די העכער די אַקיעראַסי פון די פאָרויסזאָגן. פאַרגלייַכן די MAE און RMSE פון ינערלעך און פונדרויסנדיק טעסט סעץ קאַלקיאַלייטיד ניצן DM און טראַדיציאָנעל רעגרעסיע. קלאַסיפיקאַציע פאָרשטעלונג פון די 18-יאָר קאַטאָף אין טראַדיציאָנעל סטאַטיסטיק איז געווען אַססעססעד ניצן אַ 2 × 2 קאָנטינדזשאַנסי טיש. די קאַלקיאַלייטיד סענסיטיוויטי, ספּעסיפיסיטי, PPV, NPV, און AUROC פון די טעסט סעט זענען קאַמפּערד מיט די געמאסטן ווערטן פון די DM קלאַסיפיקאַציע מאָדעל. דאַטן זענען אויסגעדריקט ווי דורכשניטלעך ± סטאַנדאַרד דיווייישאַן אָדער נומער (%) דיפּענדינג אויף דאַטן קעראַקטעריסטיקס. צוויי-זייַטיק P ווערטן <0.05 זענען געהאלטן סטאַטיסטיש באַטייַטיק. אַלע רוטין סטאַטיסטיש אַנאַליזעס זענען דורכגעפירט ניצן SAS ווערסיע 9.4 (SAS אינסטיטוט, קערי, NC). דער DM רעגרעסיע מאָדעל איז אימפּלעמענטירט געוואָרן אין פּיטהאָן ניצנדיק Keras50 2.2.4 באַקענד און Tensorflow51 1.8.0 ספּעציפֿיש פֿאַר מאַטעמאַטישע אָפּעראַציעס. דער DM קלאַסיפֿיקאַציע מאָדעל איז אימפּלעמענטירט געוואָרן אין דער Waikato Knowledge Analysis Environment און דער Konstanz Information Miner (KNIME) 4.6.152 אַנאַליז פּלאַטפאָרמע.
די מחברים אנערקענען אז דאטן וואס שטיצן די מסקנות פון דער שטודיע קען מען געפינען אין דעם ארטיקל און אין די צוגעלייגטע מאטעריאלן. די דאטן-זאמלונגען וואס זענען גענערירט און/אדער אנאליזירט געווארן בעת ​​דער שטודיע זענען צו באקומען פון די קארעספאנדירנדע מחברים אויף א גלייכבארע פארלאנג.
ריץ-טים, ס. און אנדערע. עלטער אפשאצונג: שטאנד פון דער קונסט צו טרעפן די ספעציפישע באדערפענישן פון פארענסישע פראקטיק. אינטערנאציאנאליטעט. דזש. לעגאלע מעדיצין. 113, 129–136 (2000).
שמעלינג, א., רייזינגער, וו., געסעריק, ג., און אלצע, א. היינטיקער סטאטוס פון פארענסישער עלטער אפשאצונג פון לעבעדיגע סוביעקטן פאר קרימינעלע פארפאלגונג צוועקן. פארענסיק. מעדיצין. פאטאלאגיע. 1, 239–246 (2005).
פּאַן, דזש. און אַנדערע. א מאָדיפֿיצירטע מעטאָדע פֿאַר אָפּשאַצן דעם צאָן עלטער פֿון קינדער פֿון 5 ביז 16 יאָר אין מזרח כינע. קליניש. מויל אַנקעטע. 25, 3463–3474 (2021).
לי, ס.ס. עטק. כראָנאָלאָגיע פון ​​דער אַנטוויקלונג פון צווייטע און דריטע מאָלאַרן אין קאָרעיִער און איר אַפּליקאַציע פֿאַר פאָרענסיש עלטער אַסעסמאַנט. אינטערנאַציאָנאַליטעט. דזש. לעגאַל מעדיצין. 124, 659–665 (2010).
אָה, ס., קומאַגאַי, א., קים, ס.י. און לי, ס.ס. גענויקייט פון עלטער שאַצונג און שאַצונג פון די 18-יאָר שוועל באַזירט אויף די צייַטיקייט פון צווייטע און דריטע מאָלאַרן אין קאָרעיִער און יאַפּאַניש. PLoS ONE 17, e0271247 (2022).
קים, דזש.י., און אנדערע. פאַר-אָפּעראַטיווע מאַשין לערנען-באַזירטע דאַטן אַנאַליז קען פאָרויסזאָגן די רעזולטאַטן פון שלאָף כירורגיע באַהאַנדלונג אין פּאַטיענץ מיט אָסטעאָפּאַטהישע אָרגאַנען (OSA). די וויסנשאַפֿט. באַריכט 11, 14911 (2021).
האַן, מ. און אַנדערע. פּינקטלעכע עלטער שאַצונג פון מאַשין לערנען מיט אָדער אָן מענטשלעכע אריינמישונג? אינטערנאַציאָנאַליטעט. דזש. לעגאַל מעדיצין. 136, 821–831 (2022).
כאן, ס. און שאהין, מ. פון דאטן מיינינג צו דאטן מיינינג. דזש. אינפארמאציע. די וויסנשאפט. https://doi.org/10.1177/01655515211030872 (2021).
כאן, ס. און שאהין, מ. וויס-רולע: דער ערשטער קאגניטיווער אַלגעריטם פֿאַר אַסאָציאַציע-רולע-מינינג. דזש. אינפֿאָרמאַציע. די וויסנשאַפֿט. https://doi.org/10.1177/01655515221108695 (2022).
שאַהין מ. און אַבדאַלאַ ו. קאַרם: טראַדיציאָנעלע דאַטן מיינינג באַזירט אויף קאָנטעקסט-באַזירטע פֿאַראייניקונג כּללים. קאַלקולירן. מאַט. פאָרזעצן. 68, 3305–3322 (2021).
מוכאַמאַד מ., רחמאַן ז., שאַהין מ., כאן מ. און האַביב מ. טיף לערנען באַזירט סעמאַנטיש ענלעכקייט דעטעקציע ניצן טעקסט דאַטן. אינפֿאָרמאַציע. טעכנאָלאָגיעס. קאָנטראָל. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
טאַביש, מ., טאַנאָלי, ז., און שאַהין, מ. א סיסטעם פֿאַר דערקענען טעטיקייט אין ספּאָרט ווידעאָס. מולטימעדיאַ. מכשירים אַפּליקאַציעס https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al. RSNA מאַשין לערנען טשאַלאַנדזש אין פּידיאַטריק ביין עלטער. ראַדיאָלאָגיע 290, 498–503 (2019).
לי, י. און אנדערע. פאָרענזישע עלטער שאַצונג פון בעקן רענטגן-שטראַלן ניצנדיק טיף לערנען. אייראָ. ראַדיאַציע. 29, 2322–2329 (2019).
גואָ, י.ק., און אַנדערע. פּינקטלעכע עלטער קלאַסיפֿיקאַציע ניצנדיק מאַנועלע מעטאָדן און טיף קאָנוואַלושאַנאַל נעוראַל נעטוואָרקס פֿון אָרטאָגראַפֿישע פּראָיעקציע בילדער. אינטערנאַציאָנאַליטעט. דזש. לעגאַל מעדיצין. 135, 1589–1597 (2021).
אַלאַבאַמאַ דאַלאָראַ און אַנדערע. ביין עלטער שאַצונג ניצן פאַרשידענע מאַשין לערנען מעטהאָדס: אַ סיסטעמאַטיש ליטעראַטור איבערבליק און מעטאַ-אַנאַליסיס. PLoS ONE 14, e0220242 (2019).
דו, ה., לי, ג., טשענג, ק., און יאַנג, דזש. באַפעלקערונג-ספּעציפֿיש עלטער שאַצונג פון אפריקאנער אמעריקאנער און כינעזיש באזירט אויף פּולפּ קאַמער וואַליומז פון ערשטע מאָלאַרס ניצן קאָון-שטראַל קאַמפּיוטערד טאָמאָגראַפי. אינטערנאַציאָנאַליטעט. דזש. לעגאַל מעדיצין. 136, 811–819 (2022).
קים ס., לי י.ה., נאָ י.ק., פּאַרק עף.ק. און אָה ק.ס. באַשטימען עלטער גרופּעס פון לעבעדיקע מענטשן ניצן קינסטלעכע אינטעליגענץ-באַזירטע בילדער פון ערשטע מאָלאַרן. די וויסנשאַפֿט. באַריכט 11, 1073 (2021).
שטערן, ד., פּייַער, ק., דזשוליאַני, נ., און אורשלער, מ. אויטאָמאַטישע עלטער שאַצונג און מערהייט עלטער קלאַסיפיקאַציע פון ​​מולטיוואַריאַט MRI דאַטן. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
טשענג, ק., גע, ז., דו, ה. און לי, ג. עלטער שאַצונג באַזירט אויף 3D פּולפּ קאַמער סעגמענטאַציע פון ​​ערשטע מאָלאַרן פון קאָנוס שטראַל קאַמפּיוטערד טאָמאָגראַפי דורך ינטאַגרייטינג טיף לערנען און לעוועל סעץ. אינטערנאַציאָנאַליטעט. דזש. לעגאַל מעדיצין. 135, 365–373 (2021).
וואו, וו.ט., און אנדערע. דאטן מיינינג אין קלינישע גרויסע דאטן: געוויינטלעכע דאטאבאזעס, טריט, און מעטאדן מאדעלן. וועלט. מעדיצין. רעסורס. 8, 44 (2021).
יאַנג, דזש. און אַנדערע. הקדמה צו מעדיצינישע דאַטאַבייסעס און דאַטן מיינינג טעכנאָלאָגיעס אין דער גרויסער דאַטן תקופה. דזש. עוויד. גרונטלעכע מעדיצין. 13, 57–69 (2020).
שען, ס. און אנדערע. קאַמערער'ס מעטאָדע פֿאַר שאַצן צאָן עלטער ניצן מאַשין לערנען. BMC Oral Health 21, 641 (2021).
גאַליבורג א. און אַנדערע. פֿאַרגלייַך פֿון פֿאַרשידענע מאַשין לערנען מעטאָדן פֿאַר פֿאָרויסזאָגן צאָן עלטער ניצן די דעמירדזשיאַן סטאַגינג מעטאָד. אינטערנאַציאָנאַליטעט. דזש. לעגאַל מעדיצין. 135, 665–675 (2021).
דעמירדזשיאַן, א., גאָלדשטיין, ה. און טאַנער, דזש.עם. א נייע סיסטעם פֿאַר אָפּשאַצן צאָן עלטער. סנאָרט. ביאָלאָגי. 45, 211–227 (1973).
לאַנדיס, דזש.ר., און קאָך, ג.ג. מעסטונגען פון אָבסערווער הסכמה אויף קאַטעגאָרישע דאַטן. ביאָמעטריקס 33, 159–174 (1977).
בהאַטטאַטשאַרדזשי ס, פּראַקאַש ד, קים סי, קים ה.ק. און טשוי ה.ק. טעקסטוראַלע, מאָרפאָלאָגישע און סטאַטיסטישע אַנאַליז פון צוויי-דימענסיאָנעל מאַגנעטיש רעזאָנאַנס ימאַגינג ניצן קינסטלעכע אינטעליגענץ טעקניקס פֿאַר דיפערענציאַציע פון ​​ערשטיקע מוח טומאָרס. געזונט אינפֿאָרמאַציע. רעסורס. https://doi.org/10.4258/hir.2022.28.1.46 (2022).