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

Nature.com پر جانے کا شکریہ۔براؤزر کا جو ورژن آپ استعمال کر رہے ہیں اس میں محدود سی ایس ایس سپورٹ ہے۔بہترین نتائج کے لیے، ہم آپ کے براؤزر کا نیا ورژن استعمال کرنے کی تجویز کرتے ہیں (یا انٹرنیٹ ایکسپلورر میں مطابقت موڈ کو بند کر دیں)۔اس دوران، جاری تعاون کو یقینی بنانے کے لیے، ہم سائٹ کو اسٹائل یا جاوا اسکرپٹ کے بغیر 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 تخمینوں کے ساتھ 18 سالہ حد کی تخمینہ کی درستگی اور درجہ بندی کی کارکردگی کا موازنہ کرکے ڈیٹا مائننگ پر مبنی دانتوں کی عمر کے تخمینے کی توثیق کرنا ہے۔15 سے 23 سال کی عمر کے کورین اور جاپانی شہریوں سے کل 2657 پینورامک ریڈیو گراف جمع کیے گئے۔انہیں ایک تربیتی سیٹ میں تقسیم کیا گیا تھا، ہر ایک میں 900 کورین ریڈیو گراف تھے، اور ایک اندرونی ٹیسٹ سیٹ جس میں 857 جاپانی ریڈیو گراف تھے۔ہم نے درجہ بندی کی درستگی اور روایتی طریقوں کی کارکردگی کا ڈیٹا مائننگ ماڈلز کے ٹیسٹ سیٹوں سے موازنہ کیا۔اندرونی ٹیسٹ سیٹ پر روایتی طریقہ کی درستگی ڈیٹا مائننگ ماڈل کے مقابلے میں قدرے زیادہ ہے، اور فرق چھوٹا ہے (مطلب مطلق غلطی <0.21 سال، جڑ کا مطلب مربع غلطی <0.24 سال)۔18 سالہ کٹ آف کے لیے درجہ بندی کی کارکردگی بھی روایتی طریقوں اور ڈیٹا مائننگ ماڈلز کے درمیان ایک جیسی 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 ماڈلز سے تبدیل کیا جا سکتا ہے۔
دانتوں کی عمر کا تخمینہ فرانزک میڈیسن اور پیڈیاٹرک دندان سازی میں بڑے پیمانے پر استعمال ہوتا ہے۔خاص طور پر، تاریخی عمر اور دانتوں کی نشوونما کے درمیان اعلی تعلق کی وجہ سے، دانتوں کی نشوونما کے مراحل کے ذریعے عمر کی تشخیص بچوں اور نوعمروں کی عمر کا اندازہ لگانے کے لیے ایک اہم معیار ہے 1,2,3۔تاہم، نوجوانوں کے لیے، دانتوں کی پختگی کی بنیاد پر دانتوں کی عمر کا اندازہ لگانے کی اپنی حدود ہیں کیونکہ تیسرے داڑھ کو چھوڑ کر، دانتوں کی نشوونما تقریباً مکمل ہو چکی ہے۔نوجوانوں اور نوعمروں کی عمر کا تعین کرنے کا قانونی مقصد درست اندازے اور سائنسی ثبوت فراہم کرنا ہے کہ آیا وہ بالغ ہونے کی عمر کو پہنچ چکے ہیں۔کوریا میں نوعمروں اور نوجوان بالغوں کی طبی قانونی مشق میں، لی کے طریقہ کار کا استعمال کرتے ہوئے عمر کا تخمینہ لگایا گیا تھا، اور Oh et al 5 کے رپورٹ کردہ ڈیٹا کی بنیاد پر 18 سال کی قانونی حد کی پیش گوئی کی گئی تھی۔
مشین لرننگ مصنوعی ذہانت (AI) کی ایک قسم ہے جو بار بار سیکھتی ہے اور بڑی مقدار میں ڈیٹا کی درجہ بندی کرتی ہے، خود ہی مسائل حل کرتی ہے، اور ڈیٹا پروگرامنگ کو چلاتی ہے۔مشین لرننگ ڈیٹا 6 کی بڑی مقدار میں مفید پوشیدہ نمونوں کو دریافت کر سکتی ہے۔اس کے برعکس، کلاسیکی طریقے، جو کہ محنت طلب اور وقت طلب ہوتے ہیں، پیچیدہ ڈیٹا کی بڑی مقدار سے نمٹنے کے دوران حدود کا حامل ہو سکتا ہے جن پر دستی طور پر کارروائی کرنا مشکل ہے۔لہذا، انسانی غلطیوں کو کم کرنے اور کثیر جہتی ڈیٹا 8,9,10,11,12 کو مؤثر طریقے سے پروسیس کرنے کے لیے جدید ترین کمپیوٹر ٹیکنالوجیز کا استعمال کرتے ہوئے حال ہی میں بہت سے مطالعات کیے گئے ہیں۔خاص طور پر، طبی تصویر کے تجزیے میں گہری تعلیم کا وسیع پیمانے پر استعمال کیا گیا ہے، اور عمر کے تخمینے کی درستگی اور کارکردگی کو بہتر بنانے کے لیے ریڈیو گراف کا خود بخود تجزیہ کرکے عمر کے تخمینے کے مختلف طریقے بتائے گئے ہیں13,14,15,16,17,18,19,20 .مثال کے طور پر، Halabi et al 13 نے ایک مشین لرننگ الگورتھم تیار کیا جس کی بنیاد convolutional neural networks (CNN) پر مبنی ہے تاکہ بچوں کے ہاتھوں کے ریڈیو گراف کا استعمال کرتے ہوئے کنکال کی عمر کا اندازہ لگایا جا سکے۔یہ مطالعہ ایک ایسا ماڈل تجویز کرتا ہے جو میڈیکل امیجز پر مشین لرننگ کا اطلاق کرتا ہے اور یہ ظاہر کرتا ہے کہ یہ طریقے تشخیصی درستگی کو بہتر بنا سکتے ہیں۔Li et al14 نے گہری سیکھنے والے CNN کا استعمال کرتے ہوئے شرونیی ایکس رے امیجز سے عمر کا تخمینہ لگایا اور اوسیفیکیشن مرحلے کے تخمینے کا استعمال کرتے ہوئے رجعت کے نتائج سے ان کا موازنہ کیا۔انہوں نے پایا کہ گہری سیکھنے والے CNN ماڈل نے روایتی ریگریشن ماڈل کی طرح عمر کے تخمینے کی کارکردگی دکھائی۔Guo et al.'s مطالعہ [15] نے دانتوں کے آرتھو فوٹوز پر مبنی CNN ٹیکنالوجی کی عمر رواداری کی درجہ بندی کی کارکردگی کا جائزہ لیا، اور CNN ماڈل کے نتائج نے ثابت کیا کہ انسانوں نے اپنی عمر کی درجہ بندی کی کارکردگی کو پیچھے چھوڑ دیا۔
مشین لرننگ کا استعمال کرتے ہوئے عمر کے تخمینے کے بارے میں زیادہ تر مطالعہ گہری سیکھنے کے طریقوں کا استعمال کرتے ہیں13,14,15,16,17,18,19,20۔گہری تعلیم پر مبنی عمر کا تخمینہ روایتی طریقوں سے زیادہ درست بتایا جاتا ہے۔تاہم، یہ نقطہ نظر عمر کے تخمینے کے لیے سائنسی بنیادوں کو پیش کرنے کا بہت کم موقع فراہم کرتا ہے، جیسا کہ تخمینوں میں استعمال ہونے والے عمر کے اشارے۔اس بات پر بھی قانونی تنازعہ ہے کہ معائنہ کون کرتا ہے۔لہٰذا، گہری تعلیم پر مبنی عمر کا اندازہ انتظامی اور عدالتی حکام کے لیے قبول کرنا مشکل ہے۔ڈیٹا مائننگ (DM) ایک ایسی تکنیک ہے جو نہ صرف متوقع بلکہ غیر متوقع معلومات کو بھی بڑی مقدار میں ڈیٹا 6,21,22 کے درمیان مفید ارتباط کو دریافت کرنے کے طریقے کے طور پر دریافت کر سکتی ہے۔مشین لرننگ کو اکثر ڈیٹا مائننگ میں استعمال کیا جاتا ہے، اور ڈیٹا مائننگ اور مشین لرننگ دونوں ڈیٹا میں پیٹرن دریافت کرنے کے لیے ایک ہی کلیدی الگورتھم کا استعمال کرتے ہیں۔دانتوں کی نشوونما کا استعمال کرتے ہوئے عمر کا تخمینہ ہدف کے دانتوں کی پختگی کے معائنہ کار کے جائزے پر مبنی ہے، اور اس تشخیص کو ہر ہدف کے دانت کے لیے ایک مرحلے کے طور پر ظاہر کیا جاتا ہے۔ڈی ایم کو دانتوں کی تشخیص کے مرحلے اور اصل عمر کے درمیان ارتباط کا تجزیہ کرنے کے لیے استعمال کیا جا سکتا ہے اور اس میں روایتی شماریاتی تجزیہ کو تبدیل کرنے کی صلاحیت ہے۔لہذا، اگر ہم عمر کے تخمینے پر DM تکنیک کا اطلاق کرتے ہیں، تو ہم قانونی ذمہ داری کی فکر کیے بغیر فرانزک عمر کے تخمینے میں مشین لرننگ کو لاگو کر سکتے ہیں۔فرانزک پریکٹس میں استعمال ہونے والے روایتی دستی طریقوں اور دانتوں کی عمر کا تعین کرنے کے لیے EBM پر مبنی طریقوں کے ممکنہ متبادل پر کئی تقابلی مطالعات شائع کیے گئے ہیں۔Shen et al23 نے ظاہر کیا کہ DM ماڈل روایتی کیمرر فارمولے سے زیادہ درست ہے۔Galibourg et al24 نے Demirdjian criterion25 کے مطابق عمر کی پیش گوئی کرنے کے لیے مختلف DM طریقوں کا اطلاق کیا اور نتائج سے ظاہر ہوا کہ DM طریقہ کار نے فرانسیسی آبادی کی عمر کا تخمینہ لگانے میں Demirdjian اور Willems کے طریقوں سے بہتر کارکردگی کا مظاہرہ کیا۔
کوریائی نوعمروں اور نوجوان بالغوں کی دانتوں کی عمر کا اندازہ لگانے کے لیے، لی کا طریقہ 4 کورین فرانزک پریکٹس میں بڑے پیمانے پر استعمال کیا جاتا ہے۔یہ طریقہ روایتی شماریاتی تجزیہ (جیسے ایک سے زیادہ رجعت) کا استعمال کرتا ہے تاکہ کوریائی مضامین اور تاریخ کی عمر کے درمیان تعلق کو جانچے۔اس مطالعے میں، روایتی شماریاتی طریقوں کا استعمال کرتے ہوئے حاصل کیے گئے 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 Oh et al نے کی ہے۔5;تاہم، کوریائی فرانزک پریکٹس میں ڈی ایم ماڈل کی بنیاد پر عمر کے تخمینے کا اطلاق اب بھی قابل اعتراض ہے۔ہمارا مقصد ڈی ایم ماڈل کی بنیاد پر عمر کے تخمینے کی ممکنہ افادیت کو سائنسی طور پر درست کرنا تھا۔اس مطالعے کا مقصد 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 روایتی شماریاتی طریقوں کا استعمال کرتے ہوئے حاصل کرنے والوں کے ساتھ موازنہ کرنا۔ اور دونوں جبڑوں میں تیسری داڑھ۔
مرحلے اور دانتوں کی قسم کے لحاظ سے تاریخی عمر کے ذرائع اور معیاری انحراف کو سپلیمنٹری ٹیبل S1 (ٹریننگ سیٹ)، سپلیمنٹری ٹیبل S2 (اندرونی ٹیسٹ سیٹ) اور سپلیمنٹری ٹیبل S3 (بیرونی ٹیسٹ سیٹ) میں آن لائن دکھایا گیا ہے۔ٹریننگ سیٹ سے حاصل کردہ انٹرا اور انٹر آبزرور کی قابل اعتمادی کے لیے کاپا کی قدریں بالترتیب 0.951 اور 0.947 تھیں۔پی ویلیوز اور کاپا ویلیوز کے لیے 95% اعتماد کے وقفے آن لائن ضمنی جدول S4 میں دکھائے گئے ہیں۔کاپا کی قدر کو "تقریباً کامل" کے طور پر تعبیر کیا گیا، جو لینڈیس اور کوچ 26 کے معیار کے مطابق ہے۔
مطلب مطلق غلطی (MAE) کا موازنہ کرتے وقت، روایتی طریقہ تمام جنسوں کے لیے DM ماڈل سے قدرے بہتر کارکردگی کا مظاہرہ کرتا ہے اور بیرونی مردانہ ٹیسٹ سیٹ میں، ملٹی لیئر پرسیپٹرون (MLP) کو چھوڑ کر۔اندرونی MAE ٹیسٹ سیٹ پر روایتی ماڈل اور DM ماڈل کے درمیان فرق مردوں کے لیے 0.12–0.19 سال اور خواتین کے لیے 0.17–0.21 سال تھا۔بیرونی ٹیسٹ بیٹری کے لیے، فرق چھوٹے ہیں (مردوں کے لیے 0.001–0.05 سال اور خواتین کے لیے 0.05–0.09 سال)۔مزید برآں، جڑ کا مطلب مربع غلطی (RMSE) روایتی طریقہ سے تھوڑا کم ہے، چھوٹے فرق کے ساتھ (0.17–0.24، 0.2–0.24 مرد کے داخلی ٹیسٹ سیٹ کے لیے، اور 0.03–0.07، 0.04–0.08 بیرونی ٹیسٹ سیٹ کے لیے)۔)۔MLP سنگل لیئر پرسیپٹرون (SLP) سے قدرے بہتر کارکردگی دکھاتا ہے، سوائے خواتین کے بیرونی ٹیسٹ سیٹ کے۔MAE اور RMSE کے لیے، بیرونی ٹیسٹ سیٹ کا اسکور تمام جنسوں اور ماڈلز کے داخلی ٹیسٹ سیٹ سے زیادہ ہے۔تمام MAE اور RMSE ٹیبل 1 اور شکل 1 میں دکھائے گئے ہیں۔
روایتی اور ڈیٹا مائننگ ریگریشن ماڈلز کے MAE اور RMSE۔مطلب مطلق ایرر MAE، روٹ مطلب مربع ایرر RMSE، سنگل لیئر پرسیپٹرون SLP، ملٹی لیئر پرسیپٹرون MLP، روایتی CM طریقہ۔
روایتی اور ڈی ایم ماڈلز کی درجہ بندی کی کارکردگی (18 سال کے کٹ آف کے ساتھ) حساسیت، مخصوصیت، مثبت پیشین گوئی قدر (PPV)، منفی پیشین گوئی قدر (NPV)، اور وصول کنندہ آپریٹنگ خصوصیت وکر (AUROC) کے تحت علاقے کے لحاظ سے ظاہر کی گئی۔ 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 SD کے درمیان درجہ بندی کی کارکردگی میں فرق مردوں (MLP) کے لیے 9.7% اور خواتین (XGBoost) کے لیے صرف 2.4% ہے۔ڈی ایم ماڈلز میں، لاجسٹک ریگریشن (LR) نے دونوں جنسوں میں بہتر حساسیت ظاہر کی۔اندرونی ٹیسٹ سیٹ کی خصوصیت کے بارے میں، یہ دیکھا گیا کہ چار ایس ڈی ماڈلز نے مردوں میں اچھی کارکردگی کا مظاہرہ کیا، جبکہ روایتی ماڈل نے خواتین میں بہتر کارکردگی کا مظاہرہ کیا۔مردوں اور عورتوں کے لیے درجہ بندی کی کارکردگی میں فرق بالترتیب 13.3% (MLP) اور 13.1% (MLP) ہیں، جو اس بات کی نشاندہی کرتے ہیں کہ ماڈلز کے درمیان درجہ بندی کی کارکردگی میں فرق حساسیت سے زیادہ ہے۔ڈی ایم ماڈلز میں، سپورٹ ویکٹر مشین (SVM)، ڈیسیکشن ٹری (DT)، اور رینڈم فارسٹ (RF) ماڈلز نے مردوں میں بہترین کارکردگی کا مظاہرہ کیا، جبکہ LR ماڈل نے خواتین میں بہترین کارکردگی کا مظاہرہ کیا۔روایتی ماڈل اور تمام SD ماڈلز کا AUROC مردوں میں 0.925 (k-قریب ترین پڑوسی (KNN) سے زیادہ تھا، جس نے 18 سال پرانے نمونوں کے ساتھ امتیازی سلوک کرنے میں بہترین درجہ بندی کی کارکردگی کا مظاہرہ کیا۔بیرونی ٹیسٹ سیٹ کے لیے، اندرونی ٹیسٹ سیٹ کے مقابلے میں حساسیت، مخصوصیت اور AUROC کے لحاظ سے درجہ بندی کی کارکردگی میں کمی تھی۔مزید برآں، بہترین اور بدترین ماڈلز کی درجہ بندی کی کارکردگی کے درمیان حساسیت اور مخصوصیت میں فرق 10% سے 25% تک تھا اور اندرونی ٹیسٹ سیٹ کے فرق سے بڑا تھا۔
18 سال کے کٹ آف کے ساتھ روایتی طریقوں کے مقابلے ڈیٹا مائننگ کی درجہ بندی کے ماڈلز کی حساسیت اور خصوصیت۔KNN k قریبی پڑوسی، SVM سپورٹ ویکٹر مشین، LR لاجسٹک ریگریشن، DT فیصلہ ٹری، RF random forest، XGB XGBoost، MLP ملٹی لیئر پرسیپٹرون، روایتی CM طریقہ۔
اس مطالعے کا پہلا قدم سات ڈی ایم ماڈلز سے حاصل کردہ دانتوں کی عمر کے تخمینے کی درستگی کا روایتی رجعت کا استعمال کرتے ہوئے حاصل کردہ کے ساتھ موازنہ کرنا تھا۔MAE اور RMSE دونوں جنسوں کے لیے داخلی ٹیسٹ سیٹس میں جانچے گئے، اور روایتی طریقہ اور DM ماڈل کے درمیان فرق MAE کے لیے 44 سے 77 دن اور RMSE کے لیے 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 اتنے 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 تقریباً وہی ہے جو روایتی طریقہ کی ہے۔پچھلے مطالعات کے نتائج کے ساتھ براہ راست موازنہ کرنا مشکل ہے کیونکہ کسی بھی مطالعے نے DM ماڈلز کی درستگی کا روایتی شماریاتی طریقوں سے موازنہ نہیں کیا ہے جس طرح عمر کی حد میں دانتوں کو ریکارڈ کرنے کی اسی تکنیک کا استعمال کرتے ہوئے اس مطالعہ میں کیا گیا ہے۔Galibourg et al24 نے MAE اور RMSE کا موازنہ دو روایتی طریقوں (Demirjian method25 اور Willems method29) اور 2 سے 24 سال کی فرانسیسی آبادی میں 10 DM ماڈلز کے درمیان کیا۔انہوں نے رپورٹ کیا کہ تمام DM ماڈل روایتی طریقوں سے زیادہ درست تھے، جن میں MAE میں 0.20 اور 0.38 سال اور ولیمز اور Demirdjian طریقوں کے مقابلے میں RMSE میں بالترتیب 0.25 اور 0.47 سال کا فرق تھا۔ہالی برگ کے مطالعے میں دکھائے گئے SD ماڈل اور روایتی طریقوں کے درمیان فرق متعدد رپورٹس کو مدنظر رکھتا ہے 30,31,32,33 کہ Demirdjian طریقہ فرانسیسی کینیڈین کے علاوہ آبادیوں میں دانتوں کی عمر کا درست اندازہ نہیں لگاتا جن پر یہ مطالعہ مبنی تھا۔اس مطالعہ میں.Tai et al 34 نے MLP الگورتھم کا استعمال 1636 چینی آرتھوڈانٹک تصویروں سے دانتوں کی عمر کا اندازہ لگانے کے لیے کیا اور اس کی درستگی کا موازنہ Demirjian اور Willems طریقہ کار کے نتائج سے کیا۔انہوں نے بتایا کہ ایم ایل پی میں روایتی طریقوں سے زیادہ درستگی ہے۔Demirdjian طریقہ اور روایتی طریقہ کے درمیان فرق <0.32 سال ہے، اور Willems طریقہ کار 0.28 سال ہے، جو موجودہ مطالعہ کے نتائج سے ملتا جلتا ہے۔ان پچھلے مطالعات کے نتائج 24,34 موجودہ مطالعے کے نتائج سے بھی مطابقت رکھتے ہیں، اور ڈی ایم ماڈل کی عمر کے تخمینے کی درستگی اور روایتی طریقہ ایک جیسا ہے۔تاہم، پیش کردہ نتائج کی بنیاد پر، ہم صرف احتیاط سے یہ نتیجہ اخذ کر سکتے ہیں کہ عمر کا تخمینہ لگانے کے لیے ڈی ایم ماڈلز کا استعمال تقابلی اور پچھلے مطالعات کا حوالہ نہ دینے کی وجہ سے موجودہ طریقوں کی جگہ لے سکتا ہے۔اس مطالعے میں حاصل کردہ نتائج کی تصدیق کے لیے بڑے نمونوں کا استعمال کرتے ہوئے فالو اپ اسٹڈیز کی ضرورت ہے۔
دانتوں کی عمر کا تخمینہ لگانے میں SD کی درستگی کی جانچ کرنے والے مطالعات میں، کچھ نے ہمارے مطالعے سے زیادہ درستگی ظاہر کی۔Stepanovsky et al 35 نے 22 SD ماڈلز 2.7 سے 20.5 سال کی عمر کے 976 چیک باشندوں کے پینورامک ریڈیوگراف پر لگائے اور ہر ماڈل کی درستگی کا تجربہ کیا۔انہوں نے Moorrees et al 36 کے تجویز کردہ درجہ بندی کے معیار کا استعمال کرتے ہوئے کل 16 اوپری اور نیچے بائیں مستقل دانتوں کی نشوونما کا اندازہ کیا۔MAE کی رینج 0.64 سے 0.94 سال تک اور RMSE کی رینج 0.85 سے 1.27 سال تک ہے، جو اس مطالعہ میں استعمال کیے گئے دو DM ماڈلز سے زیادہ درست ہیں۔شین ایٹ ال 23 نے 5 سے 13 سال کی عمر کے مشرقی چینی باشندوں میں بائیں مینڈیبل میں سات مستقل دانتوں کی دانتوں کی عمر کا تخمینہ لگانے کے لیے Cameriere طریقہ استعمال کیا اور اس کا موازنہ لکیری رجعت، SVM اور RF کا استعمال کرتے ہوئے تخمینہ شدہ عمروں سے کیا۔انہوں نے ظاہر کیا کہ تینوں DM ماڈلز میں روایتی Cameriere فارمولے کے مقابلے میں زیادہ درستگی ہے۔شین کے مطالعے میں MAE اور RMSE اس مطالعے میں DM ماڈل کے مقابلے کم تھے۔Stepanovsky et al کے ذریعہ مطالعات کی بڑھتی ہوئی درستگی۔35 اور شین وغیرہ۔23 ان کے مطالعاتی نمونوں میں کم عمر مضامین کو شامل کرنے کی وجہ سے ہو سکتا ہے۔چونکہ دانتوں کی نشوونما کے دوران دانتوں کی تعداد میں اضافے کے ساتھ حصہ لینے والوں کے لیے عمر کے تخمینے زیادہ درست ہو جاتے ہیں، اس لیے مطالعہ کے شرکاء کی کم عمر ہونے پر عمر کے تخمینے کے طریقہ کار کی درستگی سے سمجھوتہ کیا جا سکتا ہے۔مزید برآں، عمر کے تخمینے میں MLP کی غلطی SLP کے مقابلے میں تھوڑی چھوٹی ہے، یعنی MLP SLP سے زیادہ درست ہے۔MLP کو عمر کے تخمینے کے لیے قدرے بہتر سمجھا جاتا ہے، ممکنہ طور پر MLP38 میں چھپی ہوئی تہوں کی وجہ سے۔تاہم، خواتین کے بیرونی نمونے (SLP 1.45، MLP 1.49) کے لیے ایک استثناء ہے۔یہ معلوم کرنا کہ MLP عمر کا اندازہ لگانے میں SLP سے زیادہ درست ہے اضافی سابقہ ​​مطالعہ کی ضرورت ہے۔
ڈی ایم ماڈل کی درجہ بندی کی کارکردگی اور 18 سال کی دہلیز پر روایتی طریقہ کا بھی موازنہ کیا گیا۔اندرونی ٹیسٹ سیٹ پر تمام ٹیسٹ شدہ SD ماڈلز اور روایتی طریقوں نے 18 سالہ نمونے کے لیے امتیازی سلوک کی عملی طور پر قابل قبول سطح کو ظاہر کیا۔مردوں اور عورتوں کے لیے حساسیت بالترتیب 87.7% اور 94.9% سے زیادہ تھی، اور مخصوصیت 89.3% اور 84.7% سے زیادہ تھی۔تمام ٹیسٹ شدہ ماڈلز کا AUROC بھی 0.925 سے زیادہ ہے۔ہمارے بہترین علم کے مطابق، کسی بھی مطالعہ نے دانتوں کی پختگی کی بنیاد پر 18 سالہ درجہ بندی کے لیے ڈی ایم ماڈل کی کارکردگی کا تجربہ نہیں کیا ہے۔ہم اس مطالعہ کے نتائج کا موازنہ پینورامک ریڈیوگرافس پر گہری سیکھنے کے ماڈلز کی درجہ بندی کی کارکردگی کے ساتھ کر سکتے ہیں۔Guo et al.15 نے CNN پر مبنی ڈیپ لرننگ ماڈل کی درجہ بندی کی کارکردگی کا حساب لگایا اور عمر کی ایک مخصوص حد کے لیے Demirjian کے طریقہ کار پر مبنی ایک دستی طریقہ۔دستی طریقہ 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 حدوں کی درجہ بندی میں دستی تشخیص کی جگہ لے سکتے ہیں یا بہتر کارکردگی کا مظاہرہ کر سکتے ہیں۔اس مطالعے کے نتائج نے اسی طرح کی درجہ بندی کی کارکردگی دکھائی۔یہ خیال کیا جاتا ہے کہ ڈی ایم ماڈلز کا استعمال کرتے ہوئے درجہ بندی عمر کے تخمینے کے لیے روایتی شماریاتی طریقوں کی جگہ لے سکتی ہے۔ماڈلز میں، DM LR مردانہ نمونے کے لیے حساسیت اور خواتین کے نمونے کے لیے حساسیت اور مخصوصیت کے لحاظ سے بہترین ماڈل تھا۔LR مردوں کے لیے مخصوصیت میں دوسرے نمبر پر ہے۔مزید برآں، LR کو زیادہ صارف دوست DM35 ماڈلز میں سے ایک سمجھا جاتا ہے اور یہ کم پیچیدہ اور پراسیس کرنا مشکل ہے۔ان نتائج کی بنیاد پر، LR کو کوریا کی آبادی میں 18 سال کی عمر کے بچوں کے لیے بہترین کٹ آف درجہ بندی کا 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 بتاتی ہیں کہ درجہ بندی کی درستگی یا کارکردگی اس وقت کم ہو جاتی ہے جب کوریا کی آبادی پر مبنی عمر کے تخمینے جاپانی آبادی پر لاگو کیے جاتے ہیں 5,39، اور موجودہ مطالعے میں بھی ایسا ہی نمونہ پایا گیا۔یہ بگاڑ کا رجحان ڈی ایم ماڈل میں بھی دیکھا گیا۔لہذا، عمر کا درست اندازہ لگانے کے لیے، یہاں تک کہ جب تجزیہ کے عمل میں DM کا استعمال کیا جائے، مقامی آبادی کے اعداد و شمار سے اخذ کیے گئے طریقوں جیسے کہ روایتی طریقے، کو ترجیح دی جانی چاہیے 5,39,40,41,42۔چونکہ یہ واضح نہیں ہے کہ آیا گہرے سیکھنے کے ماڈلز ایک جیسے رجحانات دکھا سکتے ہیں، اس لیے روایتی طریقوں، DM ماڈلز، اور اسی نمونوں پر گہری سیکھنے کے ماڈلز کا استعمال کرتے ہوئے درجہ بندی کی درستگی اور کارکردگی کا موازنہ کرنے والے مطالعے کی ضرورت ہے کہ آیا مصنوعی ذہانت محدود عمر میں ان نسلی تفاوتوں پر قابو پا سکتی ہے۔تشخیصات
ہم یہ ظاہر کرتے ہیں کہ کوریا میں فرانزک عمر کے تخمینے کی مشق میں ڈی ایم ماڈل کی بنیاد پر روایتی طریقوں کو عمر کے تخمینے سے تبدیل کیا جا سکتا ہے۔ہم نے فرانزک عمر کی تشخیص کے لیے مشین لرننگ کو لاگو کرنے کا امکان بھی دریافت کیا۔تاہم، واضح حدود ہیں، جیسے کہ نتائج کا قطعی تعین کرنے کے لیے اس مطالعے میں شرکاء کی ناکافی تعداد، اور اس مطالعے کے نتائج کا موازنہ اور تصدیق کرنے کے لیے پچھلے مطالعات کی کمی۔مستقبل میں، روایتی طریقوں کے مقابلے اس کے عملی اطلاق کو بہتر بنانے کے لیے ڈی ایم اسٹڈیز کو بڑی تعداد میں نمونوں اور زیادہ متنوع آبادیوں کے ساتھ کرایا جانا چاہیے۔متعدد آبادیوں میں عمر کا تخمینہ لگانے کے لیے مصنوعی ذہانت کے استعمال کی فزیبلٹی کی توثیق کرنے کے لیے، ڈی ایم اور ڈیپ لرننگ ماڈلز کی درجہ بندی کی درستگی اور کارکردگی کا انہی نمونوں میں روایتی طریقوں سے موازنہ کرنے کے لیے مستقبل کے مطالعے کی ضرورت ہے۔
اس تحقیق میں 15 سے 23 سال کی عمر کے کورین اور جاپانی بالغوں کی 2,657 آرتھوگرافک تصاویر کا استعمال کیا گیا۔کوریائی ریڈیو گراف کو 900 ٹریننگ سیٹس (19.42 ± 2.65 سال) اور 900 اندرونی ٹیسٹ سیٹس (19.52 ± 2.59 سال) میں تقسیم کیا گیا تھا۔تربیتی سیٹ ایک ادارے (سیول سینٹ میری ہسپتال) میں جمع کیا گیا تھا، اور اپنا ٹیسٹ سیٹ دو اداروں (سیول نیشنل یونیورسٹی ڈینٹل ہسپتال اور یونسی یونیورسٹی ڈینٹل ہسپتال) میں جمع کیا گیا تھا۔ہم نے بیرونی جانچ کے لیے آبادی پر مبنی ایک اور ڈیٹا (Iwate میڈیکل یونیورسٹی، جاپان) سے 857 ریڈیو گراف بھی اکٹھے کیے ہیں۔جاپانی مضامین (19.31 ± 2.60 سال) کے ریڈیو گراف کو بیرونی ٹیسٹ سیٹ کے طور پر منتخب کیا گیا تھا۔دانتوں کے علاج کے دوران لیے گئے پینورامک ریڈیوگراف پر دانتوں کی نشوونما کے مراحل کا تجزیہ کرنے کے لیے ڈیٹا کو سابقہ ​​طور پر جمع کیا گیا تھا۔جمع کیا گیا تمام ڈیٹا گمنام تھا سوائے جنس، تاریخ پیدائش اور ریڈیو گراف کے۔شمولیت اور اخراج کا معیار وہی تھا جو پہلے شائع شدہ مطالعات 4 , 5 تھا۔نمونے کی اصل عمر کا حساب ریڈیو گراف لینے کی تاریخ سے تاریخ پیدائش کو گھٹا کر کیا گیا۔نمونے کے گروپ کو نو عمر کے گروپوں میں تقسیم کیا گیا تھا۔عمر اور جنس کی تقسیم کو جدول 3 میں دکھایا گیا ہے یہ مطالعہ ہیلسنکی کے اعلامیہ کے مطابق کیا گیا تھا اور کیتھولک یونیورسٹی آف کوریا کے سیول سینٹ میری ہسپتال کے ادارہ جاتی جائزہ بورڈ (IRB) سے منظور کیا گیا تھا (KC22WISI0328)۔اس مطالعہ کے سابقہ ​​ڈیزائن کی وجہ سے، علاج کے مقاصد کے لیے ریڈیوگرافک امتحان سے گزرنے والے تمام مریضوں سے باخبر رضامندی حاصل نہیں کی جا سکی۔Seoul Korea University St. Mary's Hospital (IRB) نے باخبر رضامندی کی شرط کو چھوٹ دیا۔
بائیمکسیلری دوسرے اور تیسرے داڑھ کے ترقیاتی مراحل کا اندازہ ڈیمرکن معیار 25 کے مطابق کیا گیا۔صرف ایک دانت کا انتخاب کیا گیا تھا اگر ہر جبڑے کے بائیں اور دائیں جانب ایک ہی قسم کا دانت پایا جاتا تھا۔اگر دونوں اطراف کے ہم جنس دانت مختلف ترقیاتی مراحل پر تھے، تو نچلے ترقیاتی مرحلے والے دانت کا انتخاب تخمینہ شدہ عمر میں غیر یقینی صورتحال کے لیے کیا گیا تھا۔ٹریننگ سیٹ سے تصادفی طور پر منتخب کیے گئے ایک سو ریڈیو گراف کو دو تجربہ کار مبصرین نے دانتوں کی پختگی کے مرحلے کا تعین کرنے کے لیے precalibration کے بعد انٹر آبزرور کی قابل اعتمادی جانچنے کے لیے اسکور کیا تھا۔بنیادی مبصر کے ذریعہ تین ماہ کے وقفوں پر انٹرا آبزرور کی وشوسنییتا کا دو بار اندازہ کیا گیا۔
تربیتی سیٹ میں ہر جبڑے کے دوسرے اور تیسرے داڑھ کی جنس اور نشوونما کے مرحلے کا اندازہ مختلف ڈی ایم ماڈلز کے ساتھ تربیت یافتہ ایک پرائمری مبصر نے لگایا تھا، اور اصل عمر کو ہدف کی قیمت کے طور پر مقرر کیا گیا تھا۔SLP اور MLP ماڈلز، جو بڑے پیمانے پر مشین لرننگ میں استعمال ہوتے ہیں، رجعت الگورتھم کے خلاف جانچے گئے۔ڈی ایم ماڈل چار دانتوں کے ترقیاتی مراحل کا استعمال کرتے ہوئے لکیری افعال کو یکجا کرتا ہے اور عمر کا اندازہ لگانے کے لیے ان اعداد و شمار کو یکجا کرتا ہے۔SLP سب سے آسان نیورل نیٹ ورک ہے اور اس میں پوشیدہ پرتیں نہیں ہیں۔SLP نوڈس کے درمیان تھریشولڈ ٹرانسمیشن کی بنیاد پر کام کرتا ہے۔رجعت میں SLP ماڈل ریاضیاتی طور پر متعدد لکیری رجعت سے ملتا جلتا ہے۔SLP ماڈل کے برعکس، MLP ماڈل میں نان لائنر ایکٹیویشن فنکشنز کے ساتھ متعدد پوشیدہ پرتیں ہیں۔ہمارے تجربات میں نان لائنر ایکٹیویشن فنکشنز کے ساتھ صرف 20 پوشیدہ نوڈس کے ساتھ ایک پوشیدہ پرت کا استعمال کیا گیا۔ہمارے مشین لرننگ ماڈل کو تربیت دینے کے لیے گریڈینٹ ڈیسنٹ کو اصلاح کے طریقہ کار کے طور پر اور نقصان کے فنکشن کے طور پر MAE اور RMSE کا 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 تربیتی سیٹ پر چار دانتوں کی پختگی کا استعمال کرتا ہے تاکہ یہ اندازہ لگایا جا سکے کہ آیا نمونہ 18 سال کا ہے یا نہیں۔ماڈل بنانے کے لیے، ہم نے سات نمائیندگی مشین لرننگ الگورتھم 6,43 اخذ کیے: (1) LR، (2) KNN، (3) SVM، (4) DT، (5) RF، (6) XGBoost، اور (7) MLP .LR سب سے زیادہ استعمال ہونے والی درجہ بندی الگورتھم44 میں سے ایک ہے۔یہ ایک زیر نگرانی سیکھنے کا الگورتھم ہے جو 0 سے 1 تک کسی مخصوص زمرے سے تعلق رکھنے والے ڈیٹا کے امکان کا اندازہ لگانے کے لیے رجعت کا استعمال کرتا ہے اور اس امکان کی بنیاد پر ڈیٹا کو زیادہ ممکنہ زمرے سے تعلق رکھنے کے طور پر درجہ بندی کرتا ہے۔بنیادی طور پر بائنری درجہ بندی کے لیے استعمال کیا جاتا ہے۔KNN سب سے آسان مشین لرننگ الگورتھم میں سے ایک ہے45۔جب نیا ان پٹ ڈیٹا دیا جاتا ہے، تو یہ k ڈیٹا کو موجودہ سیٹ کے قریب پاتا ہے اور پھر اسے سب سے زیادہ فریکوئنسی کے ساتھ کلاس میں درجہ بندی کرتا ہے۔ہم نے پڑوسیوں کی تعداد (k) کے لیے 3 سیٹ کی ہے۔SVM ایک الگورتھم ہے جو دو کلاسوں کے درمیان فاصلہ زیادہ سے زیادہ کرتا ہے کرنل فنکشن کا استعمال کرتے ہوئے لکیری اسپیس کو غیر لکیری جگہ میں پھیلاتا ہے جسے فیلڈز 46 کہتے ہیں۔اس ماڈل کے لیے، ہم bias = 1، power = 1، اور gamma = 1 کو polynomial kernel کے لیے hyperparameters کے طور پر استعمال کرتے ہیں۔ڈی ٹی کو مختلف شعبوں میں ایک الگورتھم کے طور پر لاگو کیا گیا ہے تاکہ ایک پورے ڈیٹا سیٹ کو کئی ذیلی گروپوں میں تقسیم کیا جا سکے جو کہ درخت کے ڈھانچے میں فیصلے کے اصولوں کی نمائندگی کرتا ہے۔ماڈل 2 کے فی نوڈ کے ریکارڈز کی کم از کم تعداد کے ساتھ ترتیب دیا گیا ہے اور Gini انڈیکس کو معیار کی پیمائش کے طور پر استعمال کرتا ہے۔RF ایک جوڑ کا طریقہ ہے جو بوٹسٹریپ ایگریگیشن طریقہ استعمال کرتے ہوئے کارکردگی کو بہتر بنانے کے لیے ایک سے زیادہ DTs کو یکجا کرتا ہے جو اصل ڈیٹا سیٹ48 سے ایک ہی سائز کے نمونے تصادفی طور پر متعدد بار کھینچ کر ہر نمونے کے لیے ایک کمزور درجہ بندی پیدا کرتا ہے۔ہم نے نوڈ علیحدگی کے معیار کے طور پر 100 درخت، 10 درختوں کی گہرائی، 1 کم از کم نوڈ سائز، اور Gini مرکب انڈیکس کا استعمال کیا۔نئے ڈیٹا کی درجہ بندی کا تعین اکثریتی ووٹ سے کیا جاتا ہے۔XGBoost ایک الگورتھم ہے جو ایک ایسا طریقہ استعمال کرتے ہوئے فروغ دینے والی تکنیکوں کو یکجا کرتا ہے جو پچھلے ماڈل کی اصل اور پیشن گوئی شدہ اقدار کے درمیان غلطی کو تربیتی ڈیٹا کے طور پر لیتا ہے اور gradients49 کا استعمال کرتے ہوئے غلطی کو بڑھاتا ہے۔یہ اپنی اچھی کارکردگی اور وسائل کی کارکردگی کے ساتھ ساتھ ایک اوور فٹنگ اصلاحی فنکشن کے طور پر اعلی وشوسنییتا کی وجہ سے ایک وسیع پیمانے پر استعمال شدہ الگورتھم ہے۔ماڈل 400 سپورٹ وہیلز سے لیس ہے۔ایم ایل پی ایک نیورل نیٹ ورک ہے جس میں ایک یا زیادہ پرسیپٹرون ان پٹ اور آؤٹ پٹ پرتوں کے درمیان ایک یا زیادہ پوشیدہ پرتوں کے ساتھ متعدد پرتیں بناتے ہیں۔اس کا استعمال کرتے ہوئے، آپ غیر لکیری درجہ بندی انجام دے سکتے ہیں جہاں جب آپ ایک ان پٹ پرت کو شامل کرتے ہیں اور نتیجہ کی قدر حاصل کرتے ہیں، تو پیش گوئی شدہ نتیجہ کی قدر کا اصل نتیجہ کی قدر سے موازنہ کیا جاتا ہے اور غلطی کو واپس پھیلا دیا جاتا ہے۔ہم نے ہر پرت میں 20 پوشیدہ نیوران کے ساتھ ایک پوشیدہ پرت بنائی۔ہر ماڈل جو ہم نے تیار کیا ہے اسے اندرونی اور بیرونی سیٹوں پر لاگو کیا گیا تاکہ حساسیت، مخصوصیت، PPV، NPV، اور AUROC کا حساب لگا کر درجہ بندی کی کارکردگی کو جانچا جا سکے۔حساسیت کو 18 سال یا اس سے زیادہ عمر کے نمونے کے تناسب کے طور پر بیان کیا جاتا ہے جس کی عمر 18 سال یا اس سے زیادہ ہے۔مخصوصیت 18 سال سے کم عمر کے نمونوں کا تناسب ہے اور جن کا تخمینہ 18 سال سے کم ہے۔
تربیتی سیٹ میں دانتوں کے مراحل کو شماریاتی تجزیہ کے لیے عددی مراحل میں تبدیل کر دیا گیا تھا۔ملٹی ویریٹ لکیری اور لاجسٹک ریگریشن ہر جنس کے لیے پیش گوئی کرنے والے ماڈل تیار کرنے اور ریگریشن فارمولے اخذ کرنے کے لیے انجام دیے گئے جن کا استعمال عمر کا تخمینہ لگانے کے لیے کیا جا سکتا ہے۔ہم نے ان فارمولوں کو اندرونی اور بیرونی ٹیسٹ سیٹوں کے لیے دانتوں کی عمر کا اندازہ لگانے کے لیے استعمال کیا۔جدول 4 اس مطالعے میں استعمال ہونے والے رجعت اور درجہ بندی کے ماڈلز کو ظاہر کرتا ہے۔
کوہن کے کپا کے اعدادوشمار کا استعمال کرتے ہوئے انٹرا اور انٹر آبزرور کی وشوسنییتا کا حساب لگایا گیا۔DM اور روایتی ریگریشن ماڈلز کی درستگی کو جانچنے کے لیے، ہم نے اندرونی اور بیرونی ٹیسٹ سیٹوں کی تخمینی اور حقیقی عمروں کا استعمال کرتے ہوئے MAE اور RMSE کا حساب لگایا۔یہ غلطیاں عام طور پر ماڈل کی پیشین گوئیوں کی درستگی کو جانچنے کے لیے استعمال ہوتی ہیں۔غلطی جتنی چھوٹی ہوگی، پیشن گوئی کی درستگی اتنی ہی زیادہ ہوگی۔DM اور روایتی رجعت کا استعمال کرتے ہوئے حساب کردہ اندرونی 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 کی حسابی حساسیت، مخصوصیت، PPV، NPV، اور AUROC کا موازنہ DM درجہ بندی ماڈل کی ماپا قدروں سے کیا گیا۔ڈیٹا کو اعداد و شمار کی خصوصیات کے لحاظ سے اوسط ± معیاری انحراف یا نمبر (%) کے طور پر ظاہر کیا جاتا ہے۔دو طرفہ P اقدار <0.05 کو شماریاتی 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 Python میں Keras50 2.2.4 بیک اینڈ اور Tensorflow51 1.8.0 کا استعمال کرتے ہوئے خاص طور پر ریاضی کی کارروائیوں کے لیے لاگو کیا گیا تھا۔DM درجہ بندی ماڈل کو Waikato Knowledge Analysis Environment اور Konstanz Information Miner (KNIME) 4.6.152 تجزیہ پلیٹ فارم میں لاگو کیا گیا تھا۔
مصنفین تسلیم کرتے ہیں کہ مطالعہ کے نتائج کی حمایت کرنے والا ڈیٹا مضمون اور اضافی مواد میں پایا جا سکتا ہے۔مطالعہ کے دوران تیار کردہ اور/یا تجزیہ کردہ ڈیٹاسیٹس متعلقہ مصنف سے معقول درخواست پر دستیاب ہیں۔
Ritz-Timme، S. et al.عمر کا تعین: فرانزک پریکٹس کے مخصوص تقاضوں کو پورا کرنے کے لیے اسٹیٹ آف دی آرٹ۔بین الاقوامیتJ. قانونی دوا۔113، 129–136 (2000)۔
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. مجرمانہ استغاثہ کے مقاصد کے لیے زندہ مضامین کی فرانزک عمر کی تشخیص کی موجودہ حیثیت۔فرانزکدوائی.پیتھالوجی۔1، 239–246 (2005)۔
پین، جے وغیرہ۔مشرقی چین میں 5 سے 16 سال کی عمر کے بچوں کے دانتوں کی عمر کا اندازہ لگانے کا ایک ترمیم شدہ طریقہ۔طبیزبانی سروے۔25، 3463–3474 (2021)۔
لی، ایس ایس وغیرہ۔ کوریائیوں میں دوسرے اور تیسرے داڑھ کی نشوونما اور فرانزک عمر کی تشخیص کے لیے اس کا اطلاق۔بین الاقوامیتJ. قانونی دوا۔124، 659–665 (2010)۔
Oh, S., Kumagai, A., Kim, SY اور Lee, SS عمر کے تخمینے کی درستگی اور کوریائی اور جاپانیوں میں دوسرے اور تیسرے داڑھ کی پختگی کی بنیاد پر 18 سال کی حد کا تخمینہ۔PLOS ONE 17, e0271247 (2022)۔
کم، جے وائی، وغیرہ۔پری آپریٹو مشین لرننگ پر مبنی ڈیٹا تجزیہ OSA کے مریضوں میں نیند کی سرجری کے علاج کے نتائج کی پیش گوئی کر سکتا ہے۔سائنس.رپورٹ 11، 14911 (2021)۔
ہان، ایم وغیرہ۔انسانی مداخلت کے ساتھ یا اس کے بغیر مشین لرننگ سے عمر کا درست اندازہ؟بین الاقوامیتJ. قانونی دوا۔136، 821–831 (2022)۔
خان، ایس اور شاہین، ایم ڈیٹا مائننگ سے ڈیٹا مائننگ تک۔جے انفارمیشنسائنس.https://doi.org/10.1177/01655515211030872 (2021)۔
خان، ایس اور شاہین، ایم وِس رول: دی فرسٹ کوگنیٹو الگورتھم فار ایسوسی ایشن رول مائننگ۔جے انفارمیشنسائنس.https://doi.org/10.1177/01655515221108695 (2022)۔
شاہین ایم اور عبداللہ یو کرم: سیاق و سباق پر مبنی ایسوسی ایشن کے قواعد پر مبنی روایتی ڈیٹا مائننگ۔حساب لگانامیٹجاری رہے.68، 3305–3322 (2021)۔
محمد ایم، رحمان زیڈ، شاہین ایم، خان ایم اور حبیب ایم ڈیپ لرننگ بیسڈ سیمنٹک مماثلت کا پتہ لگانا ٹیکسٹ ڈیٹا کا استعمال کرتے ہوئے۔آگاہ کرنا.ٹیکنالوجیزاختیار.https://doi.org/10.5755/j01.itc.49.4.27118 (2020)۔
تابش، ایم، تنولی، زیڈ، اور شاہین، ایم۔ کھیلوں کی ویڈیوز میں سرگرمی کو پہچاننے کا نظام۔ملٹی میڈیاٹولز ایپلی کیشنز https://doi.org/10.1007/s11042-021-10519-6 (2021)۔
حلبی، ایس ایس وغیرہ۔پیڈیاٹرک بون ایج میں RSNA مشین لرننگ چیلنج۔ریڈیولاجی 290، 498–503 (2019)۔
لی، وائی وغیرہ۔گہری سیکھنے کا استعمال کرتے ہوئے شرونیی ایکس رے سے فرانزک عمر کا تخمینہ۔یوروتابکاری29، 2322–2329 (2019)۔
Guo، YC، et al.آرتھوگرافک پروجیکشن امیجز سے دستی طریقوں اور گہرے کنوولوشنل نیورل نیٹ ورکس کا استعمال کرتے ہوئے عمر کی درست درجہ بندی۔بین الاقوامیتJ. قانونی دوا۔135، 1589–1597 (2021)۔
Alabama Dalora et al.مختلف مشین لرننگ طریقوں کا استعمال کرتے ہوئے ہڈیوں کی عمر کا تخمینہ: ایک منظم ادب کا جائزہ اور میٹا تجزیہ۔PLOS ONE 14، e0220242 (2019)۔
Du, H., Li, G., Cheng, K., اور Yang, J. افریقی امریکیوں اور چینیوں کی آبادی کے لحاظ سے مخصوص عمر کا تخمینہ شنک بیم کمپیوٹیڈ ٹوموگرافی کا استعمال کرتے ہوئے پہلے داڑھ کے پلپ چیمبر والیوم کی بنیاد پر۔بین الاقوامیتJ. قانونی دوا۔136، 811–819 (2022)۔
Kim S., Lee YH, Noh YK, Park FK اور Oh KS پہلے داڑھ کی مصنوعی ذہانت پر مبنی تصاویر کا استعمال کرتے ہوئے زندہ لوگوں کے عمر کے گروپوں کا تعین کرنا۔سائنس.رپورٹ 11، 1073 (2021)۔
Stern, D., Payer, C., Giuliani, N., اور Urschler, M. ملٹی ویریٹیٹ MRI ڈیٹا سے خودکار عمر کا تخمینہ اور اکثریت کی عمر کی درجہ بندی۔IEEE J. Biomed.ہیلتھ الرٹس۔23، 1392–1403 (2019)۔
چینگ، کیو، جی، زیڈ، ڈو، ایچ اور لی، جی. ڈیپ لرننگ اور لیول سیٹس کو یکجا کرکے کون بیم کمپیوٹیڈ ٹوموگرافی سے پہلے داڑھ کے 3D پلپ چیمبر سیگمنٹیشن پر مبنی عمر کا تخمینہ۔بین الاقوامیتJ. قانونی دوا۔135، 365–373 (2021)۔
وو، ڈبلیو ٹی، وغیرہ۔کلینیکل بڑے ڈیٹا میں ڈیٹا مائننگ: عام ڈیٹا بیس، اقدامات، اور طریقوں کے ماڈل۔دنیادوائی.وسائل8، 44 (2021)۔
یانگ، جے وغیرہ۔بگ ڈیٹا دور میں میڈیکل ڈیٹا بیسز اور ڈیٹا مائننگ ٹیکنالوجیز کا تعارف۔جے ایوڈبنیادی دوا۔13، 57–69 (2020)۔
شین، ایس وغیرہ۔مشین لرننگ کا استعمال کرتے ہوئے دانتوں کی عمر کا اندازہ لگانے کے لیے کیمرر کا طریقہ۔بی ایم سی اورل ہیلتھ 21، 641 (2021)۔
Galliburg A. et al.ڈیمرڈجیان اسٹیجنگ طریقہ کا استعمال کرتے ہوئے دانتوں کی عمر کی پیش گوئی کرنے کے لیے مختلف مشین لرننگ طریقوں کا موازنہ۔بین الاقوامیتJ. قانونی دوا۔135، 665–675 (2021)۔
ڈیمرڈجیان، اے، گولڈسٹین، ایچ اور ٹینر، جے ایم دانتوں کی عمر کا اندازہ لگانے کے لیے ایک نیا نظام۔خراٹےحیاتیات.45، 211–227 (1973)۔
لینڈیس، جے آر، اور کوچ، جی جی واضح اعداد و شمار پر مبصر کے معاہدے کے اقدامات۔بایومیٹرکس 33، 159–174 (1977)۔
بھٹاچارجی ایس، پرکاش ڈی، کم سی، کم ایچ کے اور چوئی ایچ کے۔بنیادی دماغی ٹیومر کی تفریق کے لیے مصنوعی ذہانت کی تکنیک کا استعمال کرتے ہوئے دو جہتی مقناطیسی گونج امیجنگ کا متنی، مورفولوجیکل اور شماریاتی تجزیہ۔صحت کی معلومات۔وسائلhttps://doi.org/10.4258/hir.2022.28.1.46 (2022)۔