کوریائی نوعمروں اور نوجوان بالغوں کے مابین روایتی دانتوں کی عمر کے تخمینے کے طریقوں کے خلاف ڈیٹا مائننگ ماڈل کی توثیق

فطرت ڈاٹ کام دیکھنے کے لئے آپ کا شکریہ۔ آپ براؤزر کے ورژن کا استعمال کر رہے ہیں جس میں سی ایس ایس کی محدود سپورٹ ہے۔ بہترین نتائج کے ل we ، ہم آپ کے براؤزر کا ایک نیا ورژن (یا انٹرنیٹ ایکسپلورر میں مطابقت وضع کو بند کرنے) کا ایک نیا ورژن استعمال کرنے کی تجویز کرتے ہیں۔ اس دوران ، جاری حمایت کو یقینی بنانے کے ل we ، ہم بغیر اسٹائل یا جاوا اسکرپٹ کے سائٹ کو دکھا رہے ہیں۔
دانتوں کو انسانی جسم کی عمر کا سب سے درست اشارے سمجھا جاتا ہے اور اکثر فرانزک عمر کی تشخیص میں استعمال ہوتے ہیں۔ ہم نے روایتی طریقوں اور ڈیٹا مائننگ پر مبنی عمر کے تخمینے کے ساتھ 18 سالہ حد کی تخمینہ درستگی اور درجہ بندی کی کارکردگی کا موازنہ کرکے ڈیٹا مائننگ پر مبنی دانتوں کی عمر کے تخمینے کی توثیق کرنا ہے۔ کوریائی اور جاپانی شہریوں سے 15 سے 23 سال کی عمر کے مجموعی طور پر 2657 Panoramic ریڈیوگراف جمع کیے گئے تھے۔ وہ ایک ٹریننگ سیٹ میں تقسیم تھے ، جن میں سے ہر ایک 900 کورین ریڈیوگراف پر مشتمل تھا ، اور ایک اندرونی ٹیسٹ سیٹ جس میں 857 جاپانی ریڈیوگراف شامل تھے۔ ہم نے روایتی طریقوں کی درجہ بندی کی درستگی اور کارکردگی کا موازنہ ڈیٹا مائننگ ماڈلز کے ٹیسٹ سیٹ کے ساتھ کیا۔ داخلی ٹیسٹ سیٹ پر روایتی طریقہ کار کی درستگی ڈیٹا مائننگ ماڈل کے مقابلے میں قدرے زیادہ ہے ، اور فرق چھوٹا ہے (جس کا مطلب ہے مطلق غلطی <0.21 سال ، جڑ کا مطلب مربع غلطی <0.24 سال)۔ 18 سالہ کٹ آف کے لئے درجہ بندی کی کارکردگی روایتی طریقوں اور ڈیٹا کان کنی کے ماڈلز کے مابین بھی اسی طرح کی ہے۔ اس طرح ، کوریائی نوعمروں اور نوجوان بالغوں میں دوسرے اور تیسرے داڑھ کی پختگی کا استعمال کرتے ہوئے فرانزک عمر کی تشخیص کرتے وقت روایتی طریقوں کو ڈیٹا مائننگ ماڈل کے ذریعہ تبدیل کیا جاسکتا ہے۔
دانتوں کی عمر کا تخمینہ فرانزک دوائی اور پیڈیاٹرک دندان سازی میں بڑے پیمانے پر استعمال ہوتا ہے۔ خاص طور پر ، تاریخی عمر اور دانتوں کی نشوونما کے مابین اعلی ارتباط کی وجہ سے ، دانتوں کی ترقیاتی مراحل کے ذریعہ عمر کی تشخیص بچوں اور نوعمروں کی عمر کا اندازہ کرنے کے لئے ایک اہم معیار ہے۔ تاہم ، نوجوانوں کے لئے ، دانتوں کی پختگی پر مبنی دانتوں کی عمر کا تخمینہ لگانے کی اس کی حدود ہیں کیونکہ دانتوں کی نشوونما تیسری داڑھ کو چھوڑ کر تقریبا مکمل ہے۔ نوجوانوں اور نوعمروں کی عمر کا تعین کرنے کا قانونی مقصد یہ ہے کہ آیا وہ اکثریت کی عمر تک پہنچ چکے ہیں یا نہیں اس کے درست تخمینے اور سائنسی ثبوت فراہم کرنا ہے۔ کوریا میں نوعمروں اور نوجوان بالغوں کے میڈیکو قانونی مشق میں ، عمر کا تخمینہ لی کے طریقہ کار کا استعمال کرتے ہوئے کیا گیا تھا ، اور 18 سال کی قانونی دہلیز کی پیش گوئی OH ET al 5 کے ذریعہ دیئے گئے اعداد و شمار کی بنیاد پر کی گئی تھی۔
مشین لرننگ ایک قسم کا مصنوعی ذہانت (AI) ہے جو بار بار بڑی مقدار میں ڈیٹا کو سیکھتی اور درجہ بندی کرتی ہے ، خود ہی مسائل کو حل کرتی ہے ، اور ڈیٹا پروگرامنگ کو چلاتی ہے۔ مشین لرننگ ڈیٹا 6 کی بڑی مقدار میں مفید پوشیدہ نمونوں کو دریافت کرسکتی ہے۔ اس کے برعکس ، کلاسیکی طریقے ، جو محنت مزدوری اور وقت طلب ہیں ، پیچیدہ اعداد و شمار کی بڑی مقدار سے نمٹنے کے وقت ان کی حدود ہوسکتی ہیں جن پر دستی طور پر کارروائی کرنا مشکل ہے۔ لہذا ، بہت سارے مطالعات حال ہی میں جدید کمپیوٹر ٹیکنالوجیز کا استعمال کرتے ہوئے انسانی غلطیوں کو کم سے کم کرنے اور کثیر جہتی ڈیٹا 8،9،10،11،12 پر موثر انداز میں عملدرآمد کرنے کے لئے کئے گئے ہیں۔ خاص طور پر ، میڈیکل امیج تجزیہ میں گہری سیکھنے کو بڑے پیمانے پر استعمال کیا گیا ہے ، اور عمر کے تخمینے کے ذریعہ عمر کے تخمینے کے مختلف طریقوں کی عمر کے تخمینے کی درستگی اور کارکردگی کو بہتر بنانے کے لئے بتایا گیا ہے کہ 13،14،15،16،17،18،18،19،20 . مثال کے طور پر ، حلبی ایٹ ال 13 نے بچوں کے ہاتھوں کے ریڈیوگراف کا استعمال کرتے ہوئے کنکال عمر کا اندازہ لگانے کے لئے مجازی عصبی نیٹ ورکس (سی این این) پر مبنی ایک مشین لرننگ الگورتھم تیار کیا۔ اس مطالعے میں ایک ماڈل کی تجویز پیش کی گئی ہے جو میڈیکل امیجز پر مشین لرننگ کا اطلاق کرتی ہے اور یہ ظاہر کرتی ہے کہ یہ طریقے تشخیصی درستگی کو بہتر بناسکتے ہیں۔ لی ایٹ AL14 ایک گہری سیکھنے والے CNN کا استعمال کرتے ہوئے شرونیی ایکس رے امیجز سے لگائی گئی عمر کا تخمینہ لگائیں اور ان کا موازنہ اوسیفیکیشن مرحلے کے تخمینے کا استعمال کرتے ہوئے رجعت کے نتائج سے کیا۔ انہوں نے پایا کہ گہری سیکھنے والے سی این این ماڈل نے روایتی رجعت پسند ماڈل کی طرح عمر کے تخمینے کی کارکردگی دکھائی۔ گو ایٹ ال کے مطالعے [15] نے دانتوں کے آرتھو فوٹوس پر مبنی سی این این ٹکنالوجی کی عمر رواداری کی درجہ بندی کی کارکردگی کا اندازہ کیا ، اور سی این این ماڈل کے نتائج نے یہ ثابت کیا کہ انسانوں نے اس کی عمر کی درجہ بندی کی کارکردگی کو بہتر بنایا۔
مشین لرننگ کا استعمال کرتے ہوئے عمر کے تخمینے کے بارے میں زیادہ تر مطالعات گہری سیکھنے کے طریقوں کا استعمال کرتے ہیں 13،14،15،16،17،18،19،19،20۔ گہری سیکھنے پر مبنی عمر کا تخمینہ روایتی طریقوں سے زیادہ درست بتایا جاتا ہے۔ تاہم ، یہ نقطہ نظر عمر کے تخمینے کے لئے سائنسی بنیاد پیش کرنے کا بہت کم موقع فراہم کرتا ہے ، جیسے تخمینے میں استعمال ہونے والے عمر کے اشارے۔ معائنہ کرنے والے کے بارے میں بھی ایک قانونی تنازعہ ہے۔ لہذا ، گہری سیکھنے پر مبنی عمر کا تخمینہ انتظامی اور عدالتی حکام کے ذریعہ قبول کرنا مشکل ہے۔ ڈیٹا مائننگ (ڈی ایم) ایک ایسی تکنیک ہے جو بڑی مقدار میں ڈیٹا 6،21،22 کے درمیان مفید ارتباط کو دریافت کرنے کے طریقہ کار کے طور پر نہ صرف توقع بلکہ غیر متوقع معلومات کو بھی دریافت کرسکتی ہے۔ مشین لرننگ اکثر ڈیٹا کان کنی میں استعمال ہوتی ہے ، اور ڈیٹا مائننگ اور مشین لرننگ دونوں اعداد و شمار میں نمونوں کو دریافت کرنے کے لئے ایک ہی کلیدی الگورتھم استعمال کرتے ہیں۔ دانتوں کی نشوونما کا استعمال کرتے ہوئے عمر کا تخمینہ ٹارگٹ دانتوں کی پختگی کے معائنہ کار کی تشخیص پر مبنی ہے ، اور اس تشخیص کا اظہار ہر ہدف دانت کے ایک مرحلے کے طور پر کیا جاتا ہے۔ ڈی ایم کو دانتوں کی تشخیص کے مرحلے اور اصل عمر کے مابین ارتباط کا تجزیہ کرنے کے لئے استعمال کیا جاسکتا ہے اور اس میں روایتی شماریاتی تجزیہ کو تبدیل کرنے کی صلاحیت ہے۔ لہذا ، اگر ہم عمر کے تخمینے پر ڈی ایم تکنیک کا اطلاق کرتے ہیں تو ، ہم قانونی ذمہ داری کے بارے میں فکر کیے بغیر فرانزک عمر کے تخمینے میں مشین لرننگ کو نافذ کرسکتے ہیں۔ دانتوں کی عمر کے تعین کے ل fore فرانزک پریکٹس اور ای بی ایم پر مبنی طریقوں میں استعمال ہونے والے روایتی دستی طریقوں کے ممکنہ متبادلات پر متعدد تقابلی مطالعات شائع کی گئیں۔ شین ET AL23 نے ظاہر کیا کہ ڈی ایم ماڈل روایتی کیمرے کے فارمولے سے زیادہ درست ہے۔ گیلیبورگ ایٹ AL24 نے ڈیمرڈجیان معیار 25 کے مطابق عمر کی پیش گوئی کرنے کے لئے مختلف ڈی ایم طریقوں کا اطلاق کیا اور نتائج سے پتہ چلتا ہے کہ ڈی ایم کے طریقہ کار نے فرانسیسی آبادی کی عمر کا تخمینہ لگانے میں ڈیمرڈجیان اور ولیم کے طریقوں کو بہتر کارکردگی کا مظاہرہ کیا۔
کورین نوعمروں اور نوجوان بالغوں کے دانتوں کی عمر کا اندازہ لگانے کے لئے ، لی کا طریقہ 4 کوریائی فرانزک پریکٹس میں بڑے پیمانے پر استعمال ہوتا ہے۔ یہ طریقہ کوریائی مضامین اور تاریخی عمر کے مابین تعلقات کو جانچنے کے لئے روایتی شماریاتی تجزیہ (جیسے متعدد رجعت) کا استعمال کرتا ہے۔ اس مطالعے میں ، روایتی شماریاتی طریقوں کا استعمال کرتے ہوئے حاصل کردہ عمر کے تخمینے کے طریقوں کو "روایتی طریقوں" کے طور پر بیان کیا گیا ہے۔ لی کا طریقہ ایک روایتی طریقہ ہے ، اور اس کی درستگی کی تصدیق اوہ ایٹ ال نے کی ہے۔ 5 ؛ تاہم ، کورین فرانزک پریکٹس میں ڈی ایم ماڈل پر مبنی عمر کے تخمینے کا اطلاق ابھی بھی قابل اعتراض ہے۔ ہمارا مقصد ڈی ایم ماڈل کی بنیاد پر عمر کے تخمینے کی ممکنہ افادیت کی سائنسی طور پر توثیق کرنا تھا۔ اس مطالعے کا مقصد (1) تھا (1) دانتوں کی عمر کا تخمینہ لگانے میں دو ڈی ایم ماڈلز کی درستگی کا موازنہ کرنا اور (2) 18 سال کی عمر میں 7 ڈی ایم ماڈلز کی درجہ بندی کی کارکردگی کا موازنہ کرنا دوسرے کی روایتی اعدادوشمار کے طریقوں کی پختگی کا استعمال کرتے ہوئے حاصل کیا گیا ہے۔ اور دونوں جبڑوں میں تیسرا داڑھ۔
اسٹیج اور دانتوں کی قسم کے ذریعہ تاریخی عمر کے ذرائع اور معیاری انحرافات ضمنی جدول S1 (ٹریننگ سیٹ) ، ضمنی جدول S2 (اندرونی ٹیسٹ سیٹ) ، اور ضمنی جدول S3 (بیرونی ٹیسٹ سیٹ) میں آن لائن دکھائے گئے ہیں۔ ٹریننگ سیٹ سے حاصل کردہ انٹرا- اور انٹربسرور وشوسنییتا کے لئے کاپا اقدار بالترتیب 0.951 اور 0.947 تھے۔ پی کی اقدار اور کاپا اقدار کے لئے 95 ٪ اعتماد کے وقفے آن لائن ضمنی جدول S4 میں دکھائے گئے ہیں۔ کاپا ویلیو کی ترجمانی "تقریبا کامل" کے طور پر کی گئی تھی ، جو لینڈس اور کوچ 26 کے معیار کے مطابق ہے۔
جب مطلب مطلق غلطی (MAE) کا موازنہ کرتے ہو تو ، روایتی طریقہ تمام صنفوں کے لئے اور ملٹیلیئر پرسیپٹرون (ایم ایل پی) کے استثنا کے ساتھ ، تمام صنفوں اور بیرونی مرد ٹیسٹ سیٹ میں ڈی ایم ماڈل کو قدرے بہتر بناتا ہے۔ داخلی MAE ٹیسٹ سیٹ پر روایتی ماڈل اور ڈی ایم ماڈل کے درمیان فرق مردوں کے لئے 0.12–0.19 سال اور خواتین کے لئے 0.17–0.21 سال تھا۔ بیرونی ٹیسٹ کی بیٹری کے لئے ، اختلافات چھوٹے ہیں (مردوں کے لئے 0.001–0.05 سال اور خواتین کے لئے 0.05–0.09 سال)۔ اضافی طور پر ، جڑ کا مطلب مربع غلطی (RMSE) روایتی طریقہ سے قدرے کم ہے ، جس میں چھوٹے اختلافات (0.17–0.24 ، 0.2–0.24 مرد داخلی ٹیسٹ سیٹ کے لئے ، اور بیرونی ٹیسٹ سیٹ کے لئے 0.03–0.07 ، 0.04–0.08) ہیں۔ ) ایم ایل پی سنگل پرت پرسیپٹرون (ایس ایل پی) کے مقابلے میں قدرے بہتر کارکردگی کا مظاہرہ کرتی ہے ، سوائے اس کے کہ خواتین بیرونی ٹیسٹ سیٹ کے معاملے میں۔ MAE اور RMSE کے لئے ، بیرونی ٹیسٹ سیٹ اسکور تمام صنفوں اور ماڈلز کے لئے اندرونی ٹیسٹ سیٹ سے زیادہ ہے۔ تمام MAE اور RMSE ٹیبل 1 اور شکل 1 میں دکھائے گئے ہیں۔
روایتی اور ڈیٹا مائننگ ریگریشن ماڈلز کا MAE اور RMSE۔ مطلق غلطی MAE ، جڑ کا مطلب مربع غلطی RMSE ، سنگل پری پریسیپٹرون ایس ایل پی ، ملٹی لیئر پرسیپٹرون ایم ایل پی ، روایتی سی ایم طریقہ۔
درجہ بندی کی کارکردگی (18 سال کے کٹ آف کے ساتھ) روایتی اور ڈی ایم ماڈلز کی حساسیت ، وضاحتی ، مثبت پیش گوئی کی قیمت (پی پی وی) ، منفی پیش گوئی کی قیمت (این پی وی) ، اور وصول کنندہ آپریٹنگ خصوصیت وکر (AUROC) کے تحت علاقہ کے لحاظ سے ظاہر کیا گیا تھا۔ 27 (ٹیبل 2 ، شکل 2 اور ضمنی شکل 1 آن لائن)۔ اندرونی ٹیسٹ بیٹری کی حساسیت کے لحاظ سے ، روایتی طریقوں نے مردوں میں بہترین کارکردگی کا مظاہرہ کیا اور خواتین میں بدتر۔ تاہم ، روایتی طریقوں اور ایس ڈی کے مابین درجہ بندی کی کارکردگی میں فرق مردوں (ایم ایل پی) کے لئے 9.7 ٪ اور خواتین کے لئے صرف 2.4 ٪ (XGBOOST) ہے۔ ڈی ایم ماڈلز میں ، لاجسٹک ریگریشن (ایل آر) نے دونوں جنسوں میں بہتر حساسیت کا مظاہرہ کیا۔ اندرونی ٹیسٹ سیٹ کی خصوصیت کے بارے میں ، یہ مشاہدہ کیا گیا ہے کہ چاروں ایس ڈی ماڈلز نے مردوں میں عمدہ کارکردگی کا مظاہرہ کیا ، جبکہ روایتی ماڈل نے خواتین میں بہتر کارکردگی کا مظاہرہ کیا۔ مردوں اور خواتین کے لئے درجہ بندی کی کارکردگی میں اختلافات بالترتیب 13.3 ٪ (ایم ایل پی) اور 13.1 ٪ (ایم ایل پی) ہیں ، جس سے یہ ظاہر ہوتا ہے کہ ماڈلز کے مابین درجہ بندی کی کارکردگی میں فرق حساسیت سے زیادہ ہے۔ ڈی ایم ماڈلز میں ، سپورٹ ویکٹر مشین (ایس وی ایم) ، فیصلہ کن ٹری (ڈی ٹی) ، اور رینڈم فارسٹ (آر ایف) ماڈل نے مردوں میں بہترین کارکردگی کا مظاہرہ کیا ، جبکہ ایل آر ماڈل نے خواتین میں بہترین کارکردگی کا مظاہرہ کیا۔ روایتی ماڈل اور تمام ایس ڈی ماڈلز کا AUROC 0.925 (مردوں میں K-nearrest پڑوسی (KNN)) سے زیادہ تھا ، جس نے 18 سالہ نمونے 28 کو امتیازی سلوک کرنے میں بہترین درجہ بندی کی کارکردگی کا مظاہرہ کیا۔ بیرونی ٹیسٹ سیٹ کے ل internal ، اندرونی ٹیسٹ سیٹ کے مقابلے میں حساسیت ، وضاحتی اور اے آر او سی کے لحاظ سے درجہ بندی کی کارکردگی میں کمی واقع ہوئی ہے۔ مزید یہ کہ ، بہترین اور بدترین ماڈلز کی درجہ بندی کی کارکردگی کے مابین حساسیت اور خصوصیت میں فرق 10 ٪ سے 25 ٪ تک ہے اور یہ اندرونی ٹیسٹ سیٹ میں فرق سے بڑا تھا۔
18 سال کے کٹ آف کے ساتھ روایتی طریقوں کے مقابلے میں ڈیٹا مائننگ کی درجہ بندی کے ماڈلز کی حساسیت اور خصوصیت۔ کے این این کے قریب ترین پڑوسی ، ایس وی ایم سپورٹ ویکٹر مشین ، ایل آر لاجسٹک ریگریشن ، ڈی ٹی فیصلہ ٹری ، آر ایف بے ترتیب جنگل ، ایکس جی بی ایکس جی بوسٹ ، ایم ایل پی ملٹی لیئر پرسیپٹرون ، روایتی سی ایم طریقہ۔
اس مطالعے کا پہلا قدم سات ڈی ایم ماڈلز سے حاصل کردہ دانتوں کی عمر کے تخمینے کی درستگی کا موازنہ روایتی رجعت کا استعمال کرتے ہوئے حاصل کرنے والوں کے ساتھ کرنا تھا۔ دونوں جنسوں کے لئے داخلی ٹیسٹ سیٹوں میں ایم اے ای اور آر ایم ایس ای کا اندازہ کیا گیا ، اور روایتی طریقہ کار اور ڈی ایم ماڈل کے درمیان فرق ایم اے ای کے لئے 44 سے 77 دن اور RMSE کے لئے 62 سے 88 دن تک تھا۔ اگرچہ اس مطالعے میں روایتی طریقہ قدرے زیادہ درست تھا ، لیکن یہ نتیجہ اخذ کرنا مشکل ہے کہ آیا اس طرح کے چھوٹے فرق کی طبی یا عملی اہمیت ہے۔ ان نتائج سے ظاہر ہوتا ہے کہ ڈی ایم ماڈل کا استعمال کرتے ہوئے دانتوں کی عمر کے تخمینے کی درستگی روایتی طریقہ کی طرح ہے۔ پچھلے مطالعات کے نتائج کے ساتھ براہ راست موازنہ مشکل ہے کیونکہ کسی بھی مطالعے نے اسی عمر کی حد میں دانتوں کی ریکارڈنگ کی ایک ہی تکنیک کا استعمال کرتے ہوئے روایتی شماریاتی طریقوں کے ساتھ ڈی ایم ماڈل کی درستگی کا موازنہ نہیں کیا ہے۔ گیلیبورگ ایٹ ال 24 نے ایم اے ای اور آر ایم ایس ای کا موازنہ دو روایتی طریقوں (ڈیمرجیان طریقہ 25 اور ولیمز میتھڈ 29) اور 2 سے 24 سال کی عمر میں ایک فرانسیسی آبادی میں 10 ڈی ایم ماڈل کے درمیان کیا۔ انہوں نے بتایا کہ تمام ڈی ایم ماڈل روایتی طریقوں سے زیادہ درست تھے ، جن میں ایم اے ای میں 0.20 اور 0.38 سال اور RMSE میں بالترتیب 0.25 اور 0.47 سال کے فرق کے ساتھ ، بالترتیب ولیمز اور ڈیمرڈجین طریقوں کے مقابلے میں۔ ہالیبورگ کے مطالعے میں دکھائے گئے ایس ڈی ماڈل اور روایتی طریقوں کے مابین تضاد کو متعدد رپورٹس کو مدنظر رکھا جاتا ہے جو 30،31،32،3333303030303030 reports کو مدنظر رکھتے ہیں کہ ڈیمرڈجین طریقہ کار فرانسیسی کینیڈینوں کے علاوہ دیگر آبادیوں میں دانتوں کی عمر کا درست اندازہ نہیں لگاتا ہے جس پر مطالعہ پر مبنی تھا۔ اس مطالعے میں تائی ایٹ ال 34 نے 1636 چینی آرتھوڈونک تصاویر سے دانت کی عمر کی پیش گوئی کرنے کے لئے ایم ایل پی الگورتھم کا استعمال کیا اور اس کی درستگی کا موازنہ ڈیمرجیان اور ولیمز کے طریقہ کار کے نتائج سے کیا۔ انہوں نے بتایا کہ ایم ایل پی میں روایتی طریقوں سے زیادہ درستگی ہے۔ ڈیمرڈجیان کے طریقہ کار اور روایتی طریقہ کار کے مابین فرق <0.32 سال ہے ، اور ولیمز کا طریقہ 0.28 سال ہے ، جو موجودہ مطالعے کے نتائج سے ملتا جلتا ہے۔ ان پچھلے مطالعات 24،34 کے نتائج موجودہ مطالعے کے نتائج کے مطابق بھی ہیں ، اور ڈی ایم ماڈل کی عمر کے تخمینے کی درستگی اور روایتی طریقہ ایک جیسے ہیں۔ تاہم ، پیش کردہ نتائج کی بنیاد پر ، ہم صرف محتاط طور پر یہ نتیجہ اخذ کرسکتے ہیں کہ عمر کا اندازہ لگانے کے لئے ڈی ایم ماڈلز کا استعمال تقابلی اور حوالہ پچھلے مطالعات کی کمی کی وجہ سے موجودہ طریقوں کی جگہ لے سکتا ہے۔ اس مطالعے میں حاصل کردہ نتائج کی تصدیق کے لئے بڑے نمونوں کا استعمال کرتے ہوئے فالو اپ مطالعات کی ضرورت ہے۔
دانتوں کی عمر کا تخمینہ لگانے میں ایس ڈی کی درستگی کی جانچ کرنے والے مطالعات میں ، کچھ نے ہمارے مطالعے سے زیادہ درستگی ظاہر کی۔ اسٹیپانوفسکی ایٹ ال 35 نے 22 ایس ڈی ماڈلز کو 2.7 سے 20.5 سال کی عمر میں 976 چیک کے رہائشیوں کے پینورامک ریڈیوگراف میں لاگو کیا اور ہر ماڈل کی درستگی کا تجربہ کیا۔ انہوں نے موریس ایٹ ال 36 کے ذریعہ تجویز کردہ درجہ بندی کے معیار کا استعمال کرتے ہوئے کل 16 اوپری اور نچلے بائیں مستقل دانت کی ترقی کا اندازہ کیا۔ MAE 0.64 سے 0.94 سال تک ہے اور RMSE 0.85 سے 1.27 سال تک ہے ، جو اس مطالعے میں استعمال ہونے والے دو DM ماڈلز سے زیادہ درست ہیں۔ شین ایٹ ال 23 نے مشرقی چینی رہائشیوں میں 5 سے 13 سال کی عمر کے رہائشیوں میں بائیں لازمی میں دانتوں کی عمر کا تخمینہ لگانے کے لئے کیمرایئر کے طریقہ کار کا استعمال کیا اور اس کا موازنہ لکیری رجعت ، ایس وی ایم اور آر ایف کا استعمال کرتے ہوئے عمروں کے ساتھ کیا۔ انہوں نے یہ ظاہر کیا کہ روایتی کیمرایئر فارمولے کے مقابلے میں تینوں ڈی ایم ماڈلز میں زیادہ درستگی ہے۔ شین کے مطالعے میں ایم اے ای اور آر ایم ایس ای اس مطالعے میں ڈی ایم ماڈل کے مقابلے میں کم تھے۔ اسٹیپانوسکی ایٹ ال کے ذریعہ مطالعات کی بڑھتی ہوئی صحت سے متعلق۔ 35 اور شین ایٹ ال۔ 23 ان کے مطالعے کے نمونوں میں چھوٹے مضامین کو شامل کرنے کی وجہ سے ہوسکتا ہے۔ چونکہ دانتوں کی نشوونما کرنے والے شرکاء کے لئے عمر کا تخمینہ زیادہ درست ہوجاتا ہے کیونکہ دانتوں کی نشوونما کے دوران دانتوں کی تعداد میں اضافہ ہوتا ہے ، لہذا جب مطالعے کے شرکاء کم عمر ہوتے ہیں تو اس کے نتیجے میں عمر کے تخمینے کے طریقہ کار کی درستگی سے سمجھوتہ کیا جاسکتا ہے۔ مزید برآں ، عمر کے تخمینے میں ایم ایل پی کی غلطی ایس ایل پی سے قدرے چھوٹی ہے ، اس کا مطلب یہ ہے کہ ایم ایل پی ایس ایل پی سے زیادہ درست ہے۔ ایم ایل پی کو عمر کے تخمینے کے لئے قدرے بہتر سمجھا جاتا ہے ، ممکنہ طور پر ایم ایل پی 38 میں پوشیدہ پرتوں کی وجہ سے۔ تاہم ، خواتین کے بیرونی نمونے (ایس ایل پی 1.45 ، ایم ایل پی 1.49) کے لئے ایک استثناء ہے۔ عمر کا اندازہ لگانے میں ایس ایل پی کے مقابلے میں ایم ایل پی زیادہ درست ہے اس کی تلاش میں اضافی سابقہ ​​مطالعات کی ضرورت ہوتی ہے۔
ڈی ایم ماڈل کی درجہ بندی کی کارکردگی اور 18 سالہ دہلیز پر روایتی طریقہ کا بھی موازنہ کیا گیا۔ اندرونی ٹیسٹ سیٹ پر تمام آزمائشی ایس ڈی ماڈل اور روایتی طریقوں نے 18 سالہ نمونے کے لئے عملی طور پر قابل قبول سطح کی امتیازی سلوک کو ظاہر کیا۔ مردوں اور خواتین کے لئے حساسیت بالترتیب 87.7 ٪ اور 94.9 ٪ سے زیادہ تھی ، اور خصوصیت 89.3 ٪ اور 84.7 ٪ سے زیادہ تھی۔ تمام آزمائشی ماڈلز کا AUROC بھی 0.925 سے تجاوز کرتا ہے۔ ہمارے بہترین علم کے مطابق ، دانتوں کی پختگی کی بنیاد پر 18 سالہ درجہ بندی کے لئے کسی بھی مطالعے نے ڈی ایم ماڈل کی کارکردگی کا تجربہ نہیں کیا ہے۔ ہم اس مطالعے کے نتائج کا موازنہ Panoramic ریڈیوگراف پر گہری سیکھنے کے ماڈلز کی درجہ بندی کی کارکردگی کے ساتھ کرسکتے ہیں۔ گو ایٹ ال .15 نے سی این این پر مبنی ڈیپ لرننگ ماڈل کی درجہ بندی کی کارکردگی اور ایک خاص عمر کی دہلیز کے لئے ڈیمرجیان کے طریقہ کار پر مبنی دستی طریقہ کا حساب لگایا۔ دستی طریقہ کار کی حساسیت اور خصوصیت بالترتیب 87.7 ٪ اور 95.5 ٪ تھی ، اور CNN ماڈل کی حساسیت اور خصوصیت بالترتیب 89.2 ٪ اور 86.6 ٪ سے تجاوز کر گئی۔ انہوں نے یہ نتیجہ اخذ کیا کہ گہری سیکھنے کے ماڈل عمر کی دہلیز کی درجہ بندی کرنے میں دستی تشخیص کو تبدیل یا بہتر بنا سکتے ہیں۔ اس مطالعے کے نتائج نے اسی طرح کی درجہ بندی کی کارکردگی کو ظاہر کیا۔ یہ خیال کیا جاتا ہے کہ ڈی ایم ماڈلز کا استعمال کرتے ہوئے درجہ بندی عمر کے تخمینے کے لئے روایتی شماریاتی طریقوں کی جگہ لے سکتی ہے۔ ماڈلز میں ، ڈی ایم ایل آر مرد نمونے اور خواتین کے نمونے کے ل sens حساسیت اور خصوصیت کی حساسیت کے لحاظ سے بہترین ماڈل تھا۔ ایل آر مردوں کے لئے مخصوصیت میں دوسرے نمبر پر ہے۔ مزید یہ کہ ، ایل آر کو زیادہ صارف دوست ڈی ایم 35 ماڈل میں سے ایک سمجھا جاتا ہے اور اس پر عمل کرنا کم پیچیدہ اور مشکل ہے۔ ان نتائج کی بنیاد پر ، ایل آر کو کوریا کی آبادی میں 18 سالہ بچوں کے لئے کٹ آف درجہ بندی کا بہترین ماڈل سمجھا جاتا تھا۔
مجموعی طور پر ، بیرونی ٹیسٹ سیٹ پر عمر کے تخمینے یا درجہ بندی کی کارکردگی کی درستگی اندرونی ٹیسٹ سیٹ کے نتائج کے مقابلے میں ناقص یا کم تھی۔ کچھ رپورٹس سے پتہ چلتا ہے کہ درجہ بندی کی درستگی یا کارکردگی میں کمی واقع ہوتی ہے جب کوریا کی آبادی پر مبنی عمر کے تخمینے کا اطلاق جاپانی آبادی 5،39 پر ہوتا ہے ، اور موجودہ مطالعے میں اسی طرح کا نمونہ پایا گیا ہے۔ ڈی ایم ماڈل میں بھی اس بگاڑ کا رجحان دیکھا گیا۔ لہذا ، عمر کا درست اندازہ لگانے کے لئے ، یہاں تک کہ تجزیہ کے عمل میں ڈی ایم کا استعمال کرتے وقت ، مقامی آبادی کے اعداد و شمار سے اخذ کردہ طریقوں ، جیسے روایتی طریقوں ، کو ترجیح دی جانی چاہئے۔ چونکہ یہ واضح نہیں ہے کہ آیا گہری سیکھنے کے ماڈل اسی طرح کے رجحانات کو ظاہر کرسکتے ہیں ، لہذا روایتی طریقوں کا استعمال کرتے ہوئے درجہ بندی کی درستگی اور کارکردگی کا موازنہ کرنے والے مطالعات ، اسی نمونوں پر ڈی ایم ماڈلز ، اور گہری سیکھنے کے ماڈلز کی تصدیق کرنے کے لئے درکار ہے کہ آیا مصنوعی ذہانت محدود عمر میں ان نسلی تفاوت کو دور کرسکتی ہے یا نہیں۔ تشخیص
ہم یہ ظاہر کرتے ہیں کہ کوریا میں فرانزک عمر کے تخمینے میں ڈی ایم ماڈل کی بنیاد پر روایتی طریقوں کو عمر کے تخمینے سے تبدیل کیا جاسکتا ہے۔ ہم نے فرانزک عمر کی تشخیص کے لئے مشین لرننگ کے نفاذ کا امکان بھی دریافت کیا۔ تاہم ، واضح حدود ہیں ، جیسے نتائج کا قطعی تعین کرنے کے لئے اس مطالعے میں شرکاء کی ناکافی تعداد ، اور اس مطالعے کے نتائج کا موازنہ کرنے اور اس کی تصدیق کرنے کے لئے پچھلے مطالعات کی کمی۔ مستقبل میں ، روایتی طریقوں کے مقابلے میں اس کے عملی اطلاق کو بہتر بنانے کے لئے ڈی ایم مطالعات کو بڑی تعداد میں نمونے اور زیادہ متنوع آبادی کے ساتھ کیا جانا چاہئے۔ متعدد آبادیوں میں عمر کا تخمینہ لگانے کے لئے مصنوعی ذہانت کے استعمال کی فزیبلٹی کو درست کرنے کے لئے ، مستقبل کے مطالعے کو اسی نمونوں میں روایتی طریقوں کے ساتھ ڈی ایم کی درجہ بندی کی درستگی اور گہری سیکھنے کے ماڈل کا موازنہ کرنے کی ضرورت ہے۔
اس مطالعے میں کورین اور جاپانی بالغوں سے 15 سے 23 سال کی عمر کے 2،657 آرتھوگرافک تصاویر استعمال کی گئیں۔ کوریائی ریڈیوگراف کو 900 ٹریننگ سیٹ (19.42 ± 2.65 سال) اور 900 داخلی ٹیسٹ سیٹ (19.52 ± 2.59 سال) میں تقسیم کیا گیا تھا۔ تربیت کا سیٹ ایک ادارے (سیئول سینٹ میری ہسپتال) میں جمع کیا گیا تھا ، اور اپنا ٹیسٹ سیٹ دو اداروں (سیئول نیشنل یونیورسٹی ڈینٹل ہسپتال اور یونسی یونیورسٹی ڈینٹل ہسپتال) میں جمع کیا گیا تھا۔ ہم نے بیرونی جانچ کے لئے آبادی پر مبنی ایک اور ڈیٹا (IWate میڈیکل یونیورسٹی ، جاپان) سے 857 ریڈیوگراف بھی جمع کیے۔ جاپانی مضامین کے ریڈیوگراف (19.31 ± 2.60 سال) کو بیرونی ٹیسٹ سیٹ کے طور پر منتخب کیا گیا تھا۔ دانتوں کے علاج کے دوران لیئے گئے پینورامک ریڈیوگراف پر دانتوں کی نشوونما کے مراحل کا تجزیہ کرنے کے لئے اعداد و شمار کو پسپائی سے جمع کیا گیا تھا۔ جمع کردہ تمام اعداد و شمار گمنام تھے سوائے صنف ، تاریخ پیدائش اور ریڈیوگراف کی تاریخ کے۔ شمولیت اور اخراج کے معیار وہی تھے جو پہلے شائع شدہ مطالعات 4 ، 5 تھے۔ ریڈیوگراف کو لینے کی تاریخ سے تاریخ پیدائش کی تاریخ کو گھٹاتے ہوئے نمونے کی اصل عمر کا حساب لگایا گیا تھا۔ نمونہ گروپ کو نو عمر گروپوں میں تقسیم کیا گیا تھا۔ عمر اور جنسی تقسیم کو جدول 3 میں دکھایا گیا ہے کہ یہ مطالعہ ہیلسنکی کے اعلامیے کے مطابق کیا گیا تھا اور کیتھولک یونیورسٹی آف کوریا (کے سی 22 ڈبلیو آئی ایس آئی 0328) کے سیئول سینٹ میری کے اسپتال کے ادارہ جاتی جائزہ بورڈ (آئی آر بی) کے ذریعہ منظور کیا گیا تھا۔ اس مطالعے کے سابقہ ​​ڈیزائن کی وجہ سے ، علاج کے مقاصد کے لئے ریڈیوگرافک امتحان سے گزرنے والے تمام مریضوں سے باخبر رضامندی حاصل نہیں کی جاسکتی ہے۔ سیئول کوریا یونیورسٹی سینٹ میری ہسپتال (IRB) نے باخبر رضامندی کی ضرورت کو معاف کردیا۔
بائیماکسیلیری سیکنڈ اور تیسرے داڑھ کے ترقیاتی مراحل کا اندازہ ڈیمرکن معیار 25 کے مطابق کیا گیا۔ اگر ہر جبڑے کے بائیں اور دائیں اطراف میں ایک ہی قسم کا دانت پایا گیا تو صرف ایک دانت کا انتخاب کیا گیا تھا۔ اگر دونوں اطراف کے ہم جنس دانت مختلف ترقیاتی مراحل پر تھے تو ، تخمینہ عمر میں غیر یقینی صورتحال کا محاسبہ کرنے کے لئے نچلے ترقیاتی مرحلے والے دانت کا انتخاب کیا گیا تھا۔ دانتوں کی پختگی کے مرحلے کا تعین کرنے کے ل prec تعی .ن کے بعد انٹربسرور وشوسنییتا کی جانچ کرنے کے لئے ٹریننگ سیٹ سے ایک سو تصادفی منتخب کردہ ریڈیوگراف کو دو تجربہ کار مبصرین نے اسکور کیا۔ پرائمری آبزرور کے ذریعہ تین ماہ کے وقفوں پر انٹرا بوزر کی وشوسنییتا کا دو بار اندازہ کیا گیا۔
تربیت کے سیٹ میں ہر جبڑے کے دوسرے اور تیسرے داڑھ کے جنسی اور ترقیاتی مرحلے کا تخمینہ مختلف ڈی ایم ماڈلز کے ساتھ تربیت یافتہ پرائمری آبزرور کے ذریعہ کیا گیا تھا ، اور اصل عمر کو ہدف کی قیمت کے طور پر ترتیب دیا گیا تھا۔ ایس ایل پی اور ایم ایل پی ماڈل ، جو مشین لرننگ میں بڑے پیمانے پر استعمال ہوتے ہیں ، کو رجعت الگورتھم کے خلاف تجربہ کیا گیا۔ ڈی ایم ماڈل چار دانتوں کے ترقیاتی مراحل کا استعمال کرتے ہوئے لکیری افعال کو یکجا کرتا ہے اور عمر کا اندازہ لگانے کے لئے ان اعداد و شمار کو جوڑتا ہے۔ ایس ایل پی سب سے آسان اعصابی نیٹ ورک ہے اور اس میں پوشیدہ پرتیں نہیں ہیں۔ ایس ایل پی نوڈس کے مابین دہلیز ٹرانسمیشن پر مبنی کام کرتا ہے۔ رجعت پسندی میں ایس ایل پی ماڈل ریاضی کے لحاظ سے ایک سے زیادہ لکیری رجعت سے ملتا جلتا ہے۔ ایس ایل پی ماڈل کے برعکس ، ایم ایل پی ماڈل میں متعدد پوشیدہ پرتیں ہیں جن میں نان لائنر ایکٹیویشن افعال ہیں۔ ہمارے تجربات میں صرف 20 پوشیدہ نوڈس کے ساتھ ایک پوشیدہ پرت کا استعمال کیا گیا ہے جس میں نائن لائنر ایکٹیویشن افعال ہیں۔ تدریجی نزول کو اصلاح کے طریقہ کار کے طور پر استعمال کریں اور ایم اے ای اور آر ایم ایس ای کو ہمارے مشین لرننگ ماڈل کو تربیت دینے کے لئے نقصان کی تقریب کے طور پر استعمال کریں۔ بہترین حاصل شدہ ریگریشن ماڈل کا اطلاق اندرونی اور بیرونی ٹیسٹ سیٹوں پر کیا گیا تھا اور دانتوں کی عمر کا اندازہ لگایا گیا تھا۔
ایک درجہ بندی الگورتھم تیار کیا گیا تھا جو تربیت پر چار دانتوں کی پختگی کا استعمال کرتا ہے جس کی پیش گوئی کی جاسکتی ہے کہ نمونہ 18 سال پرانا ہے یا نہیں۔ ماڈل کی تعمیر کے ل we ، ہم نے سات نمائندگی مشین لرننگ الگورتھم 6،43: (1) ایل آر ، (2) کے این این ، (3) ایس وی ایم ، (4) ڈی ٹی ، (5) آر ایف ، (6) ایکس جی بوسٹ ، اور (7) ایم ایل پی حاصل کیا . ایل آر سب سے زیادہ استعمال شدہ درجہ بندی الگورتھم 44 میں سے ایک ہے۔ یہ ایک زیر نگرانی سیکھنے کا الگورتھم ہے جو 0 سے 1 تک کسی خاص زمرے سے تعلق رکھنے والے اعداد و شمار کے امکان کی پیش گوئی کرنے کے لئے رجعت کا استعمال کرتا ہے اور اس امکانات کی بنیاد پر اعداد و شمار کو زیادہ ممکنہ زمرے سے متعلق درجہ بندی کرتا ہے۔ بنیادی طور پر بائنری درجہ بندی کے لئے استعمال کیا جاتا ہے۔ کے این این ایک آسان ترین مشین لرننگ الگورتھم 45 میں سے ایک ہے۔ جب نیا ان پٹ ڈیٹا دیا جاتا ہے تو ، اس کو موجودہ سیٹ کے قریب K ڈیٹا مل جاتا ہے اور پھر انہیں اعلی تعدد کے ساتھ کلاس میں درجہ بندی کرتا ہے۔ ہم نے پڑوسیوں کی تعداد (کے) کی تعداد کے لئے 3 طے کیا۔ ایس وی ایم ایک الگورتھم ہے جو دو طبقوں کے درمیان فاصلہ زیادہ سے زیادہ کرتا ہے جس میں ایک دانا کے فنکشن کا استعمال کرتے ہوئے لکیری جگہ کو فیلڈز 46 نامی غیر لکیری جگہ میں بڑھایا جاتا ہے۔ اس ماڈل کے ل we ، ہم تعصب = 1 ، پاور = 1 ، اور گاما = 1 کو کثیر الجہتی دانا کے لئے ہائپرپرمیٹر کے طور پر استعمال کرتے ہیں۔ درخت ڈھانچے 47 میں فیصلے کے قواعد کی نمائندگی کرکے متعدد ذیلی گروپوں میں طے شدہ پورے ڈیٹا کو تقسیم کرنے کے لئے الگورتھم کے طور پر مختلف شعبوں میں ڈی ٹی کا اطلاق کیا گیا ہے۔ ماڈل 2 کے نوڈ فی نوڈ کم از کم تعداد کے ساتھ تشکیل دیا گیا ہے اور جینی انڈیکس کو معیار کی پیمائش کے طور پر استعمال کرتا ہے۔ آر ایف ایک جوڑنے والا طریقہ ہے جو بوٹسٹریپ جمع کرنے کے طریقہ کار کا استعمال کرتے ہوئے کارکردگی کو بہتر بنانے کے ل multiple ایک سے زیادہ ڈی ٹی ایس کو جوڑتا ہے جو اصل ڈیٹاسیٹ 48 سے متعدد بار ایک ہی سائز کے نمونے کھینچ کر ہر نمونے کے لئے ایک کمزور درجہ بندی پیدا کرتا ہے۔ ہم نے نوڈ علیحدگی کے معیار کے طور پر 100 درخت ، 10 درختوں کی گہرائی ، 1 کم سے کم نوڈ سائز ، اور جینی ایڈمکسچر انڈیکس استعمال کیا۔ نئے ڈیٹا کی درجہ بندی کا تعین اکثریتی ووٹ کے ذریعہ کیا جاتا ہے۔ XGBOOST ایک الگورتھم ہے جو ایک ایسے طریقہ کار کا استعمال کرتے ہوئے فروغ دینے کی تکنیک کو جوڑتا ہے جو تربیت کے اعداد و شمار کو پچھلے ماڈل کی اصل اور پیش گوئی کی گئی اقدار کے مابین غلطی کرتا ہے اور گریڈینٹس 49 کا استعمال کرتے ہوئے غلطی کو بڑھا دیتا ہے۔ یہ اچھی کارکردگی اور وسائل کی کارکردگی کے ساتھ ساتھ ایک حد سے زیادہ درستگی کی اصلاح کے فنکشن کے طور پر اعلی وشوسنییتا کی وجہ سے وسیع پیمانے پر استعمال شدہ الگورتھم ہے۔ ماڈل 400 سپورٹ پہیے سے لیس ہے۔ ایم ایل پی ایک اعصابی نیٹ ورک ہے جس میں ایک یا زیادہ پرسیپٹرن ان پٹ اور آؤٹ پٹ پرتوں کے درمیان ایک یا زیادہ پوشیدہ پرتوں کے ساتھ متعدد پرتیں تشکیل دیتے ہیں۔ اس کا استعمال کرتے ہوئے ، آپ غیر لکیری درجہ بندی انجام دے سکتے ہیں جہاں جب آپ ان پٹ پرت کو شامل کرتے ہیں اور نتیجہ کی قیمت حاصل کرتے ہیں تو ، پیش گوئی شدہ نتائج کی قیمت کو اصل نتائج کی قیمت سے موازنہ کیا جاتا ہے اور غلطی کو دوبارہ پھیلایا جاتا ہے۔ ہم نے ہر پرت میں 20 پوشیدہ نیورون کے ساتھ ایک پوشیدہ پرت بنائی ہے۔ ہم نے تیار کردہ ہر ماڈل کا اطلاق اندرونی اور بیرونی سیٹوں پر کیا گیا تھا تاکہ حساسیت ، وضاحتی ، پی پی وی ، این پی وی ، اور اے آر او سی کے حساب سے درجہ بندی کی کارکردگی کی جانچ کی جاسکے۔ حساسیت کو 18 سال یا اس سے زیادہ عمر کے نمونے کے تناسب کے طور پر بیان کیا گیا ہے جس کا تخمینہ 18 سال یا اس سے زیادہ عمر کے نمونے سے ہے۔ خصوصیت 18 سال سے کم عمر کے نمونوں کا تناسب ہے اور ان کی عمر 18 سال سے کم ہے۔
تربیت کے سیٹ میں دانتوں کے مراحل کا اندازہ اعداد و شمار کے تجزیے کے لئے عددی مراحل میں تبدیل کردیا گیا۔ ملٹی ویریٹ لکیری اور لاجسٹک ریگریشن ہر جنس کے لئے پیش گوئی کرنے والے ماڈل تیار کرنے اور رجعت پسندی کے فارمولوں کو اخذ کرنے کے لئے انجام دیئے گئے تھے جو عمر کا اندازہ لگانے کے لئے استعمال ہوسکتے ہیں۔ ہم نے ان فارمولوں کا استعمال اندرونی اور بیرونی ٹیسٹ کے دونوں سیٹوں کے لئے دانت کی عمر کا تخمینہ لگانے کے لئے کیا۔ جدول 4 اس مطالعے میں استعمال ہونے والے رجعت اور درجہ بندی کے ماڈل دکھاتا ہے۔
کوہن کے کاپا کے اعدادوشمار کا استعمال کرتے ہوئے انٹرا- اور انٹربسرور وشوسنییتا کا حساب لگایا گیا۔ ڈی ایم اور روایتی رجعت پسند ماڈلز کی درستگی کو جانچنے کے ل we ، ہم نے داخلی اور بیرونی ٹیسٹ سیٹوں کی تخمینہ شدہ اور اصل عمروں کا استعمال کرتے ہوئے MAE اور RMSE کا حساب لگایا۔ یہ غلطیاں عام طور پر ماڈل کی پیش گوئوں کی درستگی کا اندازہ کرنے کے لئے استعمال ہوتی ہیں۔ چھوٹی غلطی ، پیشن گوئی 24 کی درستگی اتنی ہی زیادہ ہے۔ ڈی ایم اور روایتی رجعت کا استعمال کرتے ہوئے حساب کردہ داخلی اور بیرونی ٹیسٹ سیٹوں کے MAE اور RMSE کا موازنہ کریں۔ روایتی اعدادوشمار میں 18 سالہ کٹ آف کی درجہ بندی کی کارکردگی کا اندازہ 2 × 2 ہنگامی جدول کا استعمال کرتے ہوئے کیا گیا۔ ٹیسٹ سیٹ کے حساب کتاب حساسیت ، وضاحتی ، پی پی وی ، این پی وی ، اور اے آر او سی کا موازنہ ڈی ایم درجہ بندی ماڈل کی پیمائش شدہ اقدار کے ساتھ کیا گیا ہے۔ اعداد و شمار کا مطلب اعداد و شمار کی خصوصیات پر منحصر ہے ± معیاری انحراف یا نمبر (٪) کے طور پر ظاہر کیا جاتا ہے۔ دو رخا p اقدار <0.05 کو اعداد و شمار کے لحاظ سے اہم سمجھا جاتا تھا۔ تمام معمول کے شماریاتی تجزیے ایس اے ایس ورژن 9.4 (ایس اے ایس انسٹی ٹیوٹ ، کیری ، این سی) کا استعمال کرتے ہوئے کیے گئے تھے۔ ڈی ایم ریگریشن ماڈل کو کیراس 50 2.2.4 پسدید اور ٹینسر فلو 51 1.8.0 کا استعمال کرتے ہوئے خاص طور پر ریاضی کی کارروائیوں کے لئے ازگر میں نافذ کیا گیا تھا۔ ڈی ایم درجہ بندی ماڈل کو وائیکاٹو نالج تجزیہ ماحول اور کونسٹانز انفارمیشن مائنر (گھوم) 4.6.152 تجزیہ پلیٹ فارم میں نافذ کیا گیا تھا۔
مصنفین نے تسلیم کیا ہے کہ مطالعہ کے نتائج کی حمایت کرنے والے اعداد و شمار کو مضمون اور اضافی مواد میں پایا جاسکتا ہے۔ مطالعہ کے دوران تیار کردہ اور/یا تجزیہ کردہ ڈیٹاسیٹس مناسب درخواست پر متعلقہ مصنف سے دستیاب ہیں۔
رٹز-ٹائم ، ایس وغیرہ۔ عمر کی تشخیص: فرانزک پریکٹس کی مخصوص ضروریات کو پورا کرنے کے لئے فن کی حالت۔ بین الاقوامییت جے لیگل میڈیسن۔ 113 ، 129–136 (2000)۔
شیلنگ ، اے ، ریجنگر ، ڈبلیو ، گیسریک ، جی ، اور اولزے ، اے۔ مجرمانہ استغاثہ کے مقاصد کے لئے زندگی کے مضامین کی فرانزک عمر کی تشخیص کی موجودہ حیثیت۔ فارنزک۔ دوائی۔ پیتھالوجی۔ 1 ، 239–246 (2005)۔
پین ، جے۔ وغیرہ۔ مشرقی چین میں 5 سے 16 سال کی عمر کے بچوں کی دانتوں کی عمر کا اندازہ کرنے کے لئے ایک ترمیم شدہ طریقہ۔ کلینیکل زبانی سروے 25 ، 3463–3474 (2021)۔
لی ، ایس ایس وغیرہ کوریائیوں میں دوسرے اور تیسرے داڑھ کی ترقی کی تاریخ اور فرانزک عمر کی تشخیص کے لئے اس کا اطلاق۔ بین الاقوامییت جے لیگل میڈیسن۔ 124 ، 659–665 (2010)۔
اوہ ، ایس ، کماگئی ، اے ، کم ، ایس وائی اور لی ، ایس ایس عمر کے تخمینے کی درستگی اور کوریائیوں اور جاپانیوں میں دوسرے اور تیسرے داڑھ کی پختگی کی بنیاد پر 18 سالہ حد کی تخمینہ اور تخمینہ۔ PLOS ون 17 ، E0271247 (2022)۔
کم ، جے وائی ، وغیرہ۔ پریپریٹو مشین لرننگ پر مبنی ڈیٹا تجزیہ OSA کے مریضوں میں نیند کی سرجری کے علاج کے نتائج کی پیش گوئی کرسکتا ہے۔ سائنس۔ رپورٹ 11 ، 14911 (2021)۔
ہان ، ایم وغیرہ۔ انسانی مداخلت کے ساتھ یا اس کے بغیر مشین سیکھنے سے عمر کا درست اندازہ؟ بین الاقوامییت جے لیگل میڈیسن۔ 136 ، 821–831 (2022)۔
خان ، ایس اور شاہین ، ایم ڈیٹا کان کنی سے لے کر ڈیٹا مائننگ تک۔ J.Information. سائنس۔ https://doi.org/10.1177/01655515211030872 (2021)۔
خان ، ایس اور شاہین ، ایم وسروول: ایسوسی ایشن رول کان کنی کے لئے پہلا علمی الگورتھم۔ J.Information. سائنس۔ https://doi.org/10.1177/01655515221108695 (2022)۔
شاہین ایم اور عبد اللہ یو کرم: سیاق و سباق پر مبنی ایسوسی ایشن کے قواعد پر مبنی روایتی ڈیٹا مائننگ۔ حساب کتاب. میٹ جاری رکھیں۔ 68 ، 3305–3322 (2021)۔
محمد ایم ، رحمان زیڈ ، شاہین ایم ، خان ایم اور حبیب ایم ڈیپ لرننگ پر مبنی معنوی مماثلت کا پتہ لگانا متن کے اعداد و شمار کا استعمال کرتے ہوئے۔ مطلع کریں۔ ٹیکنالوجیز۔ کنٹرول https://doi.org/10.5755/j01.itc.49.4.27118 (2020)۔
تبیش ، ایم ، تنولی ، زیڈ ، اور شاہین ، ایم۔ کھیلوں کی ویڈیوز میں سرگرمی کو تسلیم کرنے کا ایک نظام۔ ملٹی میڈیا۔ ٹولز ایپلی کیشنز https://doi.org/10.1007/s11042-021-10519-6 (2021)۔
حلابی ، ایس ایس وغیرہ۔ پیڈیاٹرک ہڈیوں کے دور میں آر ایس این اے مشین لرننگ چیلنج۔ ریڈیولاجی 290 ، 498–503 (2019)۔
لی ، Y. ET رحمہ اللہ تعالی. گہری سیکھنے کا استعمال کرتے ہوئے شرونیی ایکس رے سے فرانزک عمر کا تخمینہ۔ یورو۔ تابکاری 29 ، 2322–2329 (2019)۔
گو ، وائی سی ، وغیرہ۔ آرتھوگرافک پروجیکشن امیجز سے دستی طریقوں اور گہری مجازی اعصابی نیٹ ورک کا استعمال کرتے ہوئے عمر کی درست درجہ بندی۔ بین الاقوامییت جے لیگل میڈیسن۔ 135 ، 1589–1597 (2021)۔
الاباما ڈالورا ET رحمہ اللہ تعالی۔ مشین سیکھنے کے مختلف طریقوں کا استعمال کرتے ہوئے ہڈیوں کی عمر کا تخمینہ: ایک منظم ادب کا جائزہ اور میٹا تجزیہ۔ PLOS ون 14 ، E0220242 (2019)۔
ڈو ، ایچ ، لی ، جی ، چینگ ، کے ، اور یانگ ، جے آبادی سے متعلق عمر افریقی امریکیوں اور چینیوں کی عمر کا تخمینہ شنک بیم کمپیوٹڈ ٹوموگرافی کا استعمال کرتے ہوئے پہلے داڑھ کے گودا چیمبر کی مقدار پر مبنی ہے۔ بین الاقوامییت جے لیگل میڈیسن۔ 136 ، 811–819 (2022)۔
کم ایس ، لی YH ، NOH YK ، پارک FK اور OH Ks پہلے داڑھ کی مصنوعی ذہانت پر مبنی تصاویر استعمال کرنے والے زندہ لوگوں کے عمر گروپوں کا تعین کرتے ہیں۔ سائنس۔ رپورٹ 11 ، 1073 (2021)۔
اسٹرن ، ڈی ، ادائیگی کنندہ ، سی ، جیولیانی ، این ، اور ارسلر ، ایم۔ خودکار عمر کا تخمینہ اور ملٹی ویریٹ ایم آر آئی ڈیٹا سے اکثریت عمر کی درجہ بندی۔ آئی ای ای جے بایومیڈ۔ صحت کے انتباہات 23 ، 1392–1403 (2019)۔
چینگ ، کیو ، جی ای ، زیڈ ، ڈی یو ، ایچ اور لی ، جی ایج کا تخمینہ 3D گودا چیمبر پر مبنی ہے جو گہری سیکھنے اور سطح کے سیٹوں کو مربوط کرکے شنک بیم کے حساب سے ٹوموگرافی سے پہلے داڑھ کی تقسیم ہے۔ بین الاقوامییت جے لیگل میڈیسن۔ 135 ، 365–373 (2021)۔
وو ، ڈبلیو ٹی ، وغیرہ۔ کلینیکل بگ ڈیٹا میں ڈیٹا مائننگ: عام ڈیٹا بیس ، اقدامات اور طریقوں کے ماڈل۔ دنیا۔ دوائی۔ وسائل 8 ، 44 (2021)
یانگ ، جے۔ وغیرہ۔ بڑے ڈیٹا ایرا میں میڈیکل ڈیٹا بیس اور ڈیٹا مائننگ ٹیکنالوجیز کا تعارف۔ جے ایویڈ۔ بنیادی دوا۔ 13 ، 57–69 (2020)۔
شین ، ایس وغیرہ۔ مشین لرننگ کا استعمال کرتے ہوئے دانت کی عمر کا اندازہ لگانے کے لئے کیمر کا طریقہ۔ بی ایم سی زبانی صحت 21 ، 641 (2021)۔
گیلبرگ اے۔ وغیرہ۔ ڈیمرڈجین اسٹیجنگ کے طریقہ کار کا استعمال کرتے ہوئے دانتوں کی عمر کی پیش گوئی کرنے کے لئے مشین سیکھنے کے مختلف طریقوں کا موازنہ۔ بین الاقوامییت جے لیگل میڈیسن۔ 135 ، 665–675 (2021)۔
ڈیمرڈجیان ، اے ، گولڈسٹین ، ایچ اور ٹینر ، جے ایم دانتوں کی عمر کا اندازہ کرنے کے لئے ایک نیا نظام۔ سنورٹ حیاتیات 45 ، 211–227 (1973)۔
لینڈس ، جونیئر ، اور کوچ ، جی جی مبصر کے معاہدے کے زمرے کے اعداد و شمار پر اقدامات۔ بایومیٹرکس 33 ، 159–174 (1977)۔
بھٹاچارجی ایس ، پرکاش ڈی ، کم سی ، کم ایچ کے اور چوئی ایچ کے۔ بنیادی دماغی ٹیومر کے فرق کے لئے مصنوعی ذہانت کی تکنیکوں کا استعمال کرتے ہوئے دو جہتی مقناطیسی گونج امیجنگ کا ٹیکسٹورل ، مورفولوجیکل اور شماریاتی تجزیہ۔ صحت سے متعلق معلومات۔ وسائل https://doi.org/10.4258/hir.2022.28.1.46 (2022)۔