কোরিয়ান কিশোর -কিশোরী এবং তরুণ প্রাপ্তবয়স্কদের মধ্যে traditional তিহ্যবাহী ডেন্টাল বয়সের অনুমানের পদ্ধতির বিরুদ্ধে ডেটা মাইনিং মডেলের বৈধতা

প্রকৃতি ডটকম দেখার জন্য আপনাকে ধন্যবাদ। আপনি যে ব্রাউজারের ব্যবহার করছেন তার সংস্করণে সীমিত সিএসএস সমর্থন রয়েছে। সেরা ফলাফলের জন্য, আমরা আপনার ব্রাউজারের একটি নতুন সংস্করণ (বা ইন্টারনেট এক্সপ্লোরারে সামঞ্জস্যতা মোড বন্ধ করে) ব্যবহার করার পরামর্শ দিই। ইতিমধ্যে, চলমান সমর্থন নিশ্চিত করতে, আমরা স্টাইলিং বা জাভাস্ক্রিপ্ট ছাড়াই সাইটটি দেখিয়ে দিচ্ছি।
দাঁতগুলি মানব দেহের বয়সের সবচেয়ে সঠিক সূচক হিসাবে বিবেচিত হয় এবং প্রায়শই ফরেনসিক বয়সের মূল্যায়নে ব্যবহৃত হয়। আমরা traditional তিহ্যবাহী পদ্ধতি এবং ডেটা মাইনিং-ভিত্তিক বয়সের অনুমানের সাথে 18 বছরের প্রান্তিকের অনুমানের নির্ভুলতা এবং শ্রেণিবিন্যাসের পারফরম্যান্সের সাথে তুলনা করে ডেটা মাইনিং-ভিত্তিক ডেন্টাল বয়সের অনুমানকে বৈধতা দেওয়ার লক্ষ্য নিয়েছিলাম। 15 থেকে 23 বছর বয়সী কোরিয়ান এবং জাপানি নাগরিকদের কাছ থেকে মোট 2657 প্যানোরামিক রেডিওগ্রাফ সংগ্রহ করা হয়েছিল। এগুলিকে একটি প্রশিক্ষণ সেটে বিভক্ত করা হয়েছিল, যার প্রতিটি 900 কোরিয়ান রেডিওগ্রাফ রয়েছে এবং 857 জাপানি রেডিওগ্রাফযুক্ত একটি অভ্যন্তরীণ পরীক্ষার সেট রয়েছে। আমরা ডেটা মাইনিং মডেলগুলির পরীক্ষার সেটগুলির সাথে traditional তিহ্যবাহী পদ্ধতির শ্রেণিবিন্যাসের নির্ভুলতা এবং দক্ষতার তুলনা করি। অভ্যন্তরীণ পরীক্ষার সেটটিতে traditional তিহ্যবাহী পদ্ধতির যথার্থতা ডেটা মাইনিং মডেলের তুলনায় কিছুটা বেশি এবং পার্থক্যটি ছোট (মানে পরম ত্রুটি <0.21 বছর, রুট মানে বর্গ ত্রুটি <0.24 বছর)। 18 বছরের কাটঅফের শ্রেণিবিন্যাসের পারফরম্যান্সও traditional তিহ্যবাহী পদ্ধতি এবং ডেটা মাইনিং মডেলের মধ্যে একই রকম। সুতরাং, কোরিয়ান কিশোর -কিশোরীদের এবং তরুণ প্রাপ্তবয়স্কদের মধ্যে দ্বিতীয় এবং তৃতীয় গুড়ের পরিপক্কতা ব্যবহার করে ফরেনসিক বয়স মূল্যায়ন করার সময় ডেটা মাইনিং মডেলগুলি দ্বারা traditional তিহ্যবাহী পদ্ধতিগুলি প্রতিস্থাপন করা যেতে পারে।
ডেন্টাল বয়সের অনুমানটি ফরেনসিক ওষুধ এবং পেডিয়াট্রিক ডেন্টিস্ট্রিতে ব্যাপকভাবে ব্যবহৃত হয়। বিশেষত, কালানুক্রমিক বয়স এবং দাঁতের বিকাশের মধ্যে উচ্চ পারস্পরিক সম্পর্কের কারণে, ডেন্টাল বিকাশের পর্যায়ে বয়সের মূল্যায়ন শিশু এবং কিশোর -কিশোরীদের বয়স নির্ধারণের জন্য একটি গুরুত্বপূর্ণ মানদণ্ড। তবে, তরুণদের জন্য, দাঁতের পরিপক্কতার উপর ভিত্তি করে ডেন্টাল বয়সের অনুমানের সীমাবদ্ধতা রয়েছে কারণ তৃতীয় গুড় ব্যতীত দাঁতের বৃদ্ধি প্রায় সম্পূর্ণ। তরুণ এবং কিশোর -কিশোরীদের বয়স নির্ধারণের আইনী উদ্দেশ্য হ'ল তারা সংখ্যাগরিষ্ঠ বয়সে পৌঁছেছে কিনা তার সঠিক অনুমান এবং বৈজ্ঞানিক প্রমাণ সরবরাহ করা। কোরিয়ার কিশোর-কিশোরী এবং তরুণ প্রাপ্তবয়স্কদের মেডিকো-আইনী অনুশীলনে, লি'র পদ্ধতিটি ব্যবহার করে বয়স অনুমান করা হয়েছিল এবং ওএইচ এট আল 5 দ্বারা প্রতিবেদন করা তথ্যের ভিত্তিতে 18 বছরের একটি আইনী প্রান্তিকের পূর্বাভাস দেওয়া হয়েছিল।
মেশিন লার্নিং হ'ল এক ধরণের কৃত্রিম বুদ্ধিমত্তা (এআই) যা বারবার প্রচুর পরিমাণে ডেটা শিখে এবং শ্রেণিবদ্ধ করে, নিজে থেকে সমস্যাগুলি সমাধান করে এবং ডেটা প্রোগ্রামিং চালায়। মেশিন লার্নিং ডেটা 6 এর বৃহত পরিমাণে দরকারী লুকানো নিদর্শনগুলি আবিষ্কার করতে পারে। বিপরীতে, শাস্ত্রীয় পদ্ধতিগুলি, যা শ্রম-নিবিড় এবং সময়সাপেক্ষ, জটিল ডেটাগুলির বৃহত পরিমাণে ডিল করার সময় সীমাবদ্ধতা থাকতে পারে যা ম্যানুয়ালি প্রক্রিয়া করা কঠিন। অতএব, মানব ত্রুটিগুলি হ্রাস করতে এবং দক্ষতার সাথে বহুমাত্রিক ডেটা 8,9,10,11,12 দক্ষতার সাথে প্রক্রিয়া করার জন্য সর্বশেষ কম্পিউটার প্রযুক্তি ব্যবহার করে সম্প্রতি অনেকগুলি গবেষণা পরিচালিত হয়েছে। বিশেষত, ডিপ লার্নিং মেডিকেল ইমেজ বিশ্লেষণে ব্যাপকভাবে ব্যবহৃত হয়েছে, এবং রেডিওগ্রাফগুলি স্বয়ংক্রিয়ভাবে বিশ্লেষণ করে বয়সের অনুমানের জন্য বিভিন্ন পদ্ধতি বয়সের অনুমানের যথার্থতা এবং দক্ষতা উন্নত করার জন্য রিপোর্ট করা হয়েছে 13,14,15,16,17,18,19,20 । উদাহরণস্বরূপ, হালাবি এট আল 13 বাচ্চাদের হাতের রেডিওগ্রাফ ব্যবহার করে কঙ্কালের বয়স অনুমান করার জন্য কনভোলিউশনাল নিউরাল নেটওয়ার্কগুলির (সিএনএন) উপর ভিত্তি করে একটি মেশিন লার্নিং অ্যালগরিদম তৈরি করেছে। এই অধ্যয়নটি এমন একটি মডেল প্রস্তাব করে যা মেডিকেল চিত্রগুলিতে মেশিন লার্নিং প্রয়োগ করে এবং দেখায় যে এই পদ্ধতিগুলি ডায়াগনস্টিক নির্ভুলতা উন্নত করতে পারে। লি এট আল 14 একটি গভীর শেখার সিএনএন ব্যবহার করে পেলভিক এক্স-রে চিত্রগুলি থেকে আনুমানিক বয়স এবং ওসিফিকেশন পর্যায়ের অনুমান ব্যবহার করে তাদের রিগ্রেশন ফলাফলের সাথে তুলনা করে। তারা দেখতে পেল যে ডিপ লার্নিং সিএনএন মডেলটি traditional তিহ্যবাহী রিগ্রেশন মডেল হিসাবে একই বয়সের অনুমানের কার্যকারিতা দেখিয়েছে। গুও এট আল।
মেশিন লার্নিং ব্যবহার করে বয়সের অনুমানের উপর বেশিরভাগ অধ্যয়ন গভীর শিক্ষার পদ্ধতিগুলি ব্যবহার করে 13,14,15,16,17,18,19,20। গভীর শিক্ষার উপর ভিত্তি করে বয়সের অনুমান traditional তিহ্যবাহী পদ্ধতির চেয়ে আরও সঠিক বলে জানা গেছে। যাইহোক, এই পদ্ধতিটি বয়সের অনুমানের জন্য বৈজ্ঞানিক ভিত্তি উপস্থাপনের খুব কম সুযোগ সরবরাহ করে, যেমন অনুমানগুলিতে ব্যবহৃত বয়স সূচকগুলি। কারা পরিদর্শন পরিচালনা করে তা নিয়ে আইনী বিরোধও রয়েছে। সুতরাং, গভীর শিক্ষার উপর ভিত্তি করে বয়সের অনুমান প্রশাসনিক এবং বিচারিক কর্তৃপক্ষের দ্বারা গ্রহণ করা কঠিন। ডেটা মাইনিং (ডিএম) এমন একটি কৌশল যা কেবলমাত্র প্রত্যাশিতই নয়, অপ্রত্যাশিত তথ্যগুলিও আবিষ্কার করতে পারে যা প্রচুর পরিমাণে ডেটা 6,21,22 এর মধ্যে দরকারী পারস্পরিক সম্পর্কগুলি আবিষ্কার করার পদ্ধতি হিসাবে। মেশিন লার্নিং প্রায়শই ডেটা মাইনিংয়ে ব্যবহৃত হয় এবং ডেটা মাইনিং এবং মেশিন লার্নিং উভয়ই ডেটাতে নিদর্শনগুলি আবিষ্কার করতে একই কী অ্যালগরিদম ব্যবহার করে। ডেন্টাল ডেভলপমেন্ট ব্যবহার করে বয়সের অনুমান পরীক্ষকের লক্ষ্য দাঁতগুলির পরিপক্কতার মূল্যায়নের উপর ভিত্তি করে এবং এই মূল্যায়নটি প্রতিটি লক্ষ্য দাঁতগুলির একটি পর্যায় হিসাবে প্রকাশ করা হয়। ডিএম ডেন্টাল অ্যাসেসমেন্ট স্টেজ এবং প্রকৃত বয়সের মধ্যে পারস্পরিক সম্পর্ক বিশ্লেষণ করতে ব্যবহার করা যেতে পারে এবং traditional তিহ্যবাহী পরিসংখ্যান বিশ্লেষণ প্রতিস্থাপনের সম্ভাবনা রয়েছে। অতএব, যদি আমরা বয়সের অনুমানের জন্য ডিএম কৌশলগুলি প্রয়োগ করি তবে আমরা আইনী দায়বদ্ধতার বিষয়ে চিন্তা না করে ফরেনসিক বয়সের অনুমানের ক্ষেত্রে মেশিন লার্নিং প্রয়োগ করতে পারি। ডেন্টাল বয়স নির্ধারণের জন্য ফরেনসিক অনুশীলন এবং ইবিএম-ভিত্তিক পদ্ধতিতে ব্যবহৃত traditional তিহ্যবাহী ম্যানুয়াল পদ্ধতির সম্ভাব্য বিকল্পগুলির উপর বেশ কয়েকটি তুলনামূলক অধ্যয়ন প্রকাশিত হয়েছে। শেন এট আল 23 দেখিয়েছে যে ডিএম মডেলটি traditional তিহ্যবাহী ক্যামেরার সূত্রের চেয়ে আরও সঠিক। গ্যালিবার্গ এট আল 24 ডেমার্ডজিয়ান মানদণ্ড 25 অনুসারে বয়সের পূর্বাভাস দেওয়ার জন্য বিভিন্ন ডিএম পদ্ধতি প্রয়োগ করেছিল এবং ফলাফলগুলি দেখায় যে ডিএম পদ্ধতিটি ফরাসী জনগোষ্ঠীর বয়স অনুমান করার ক্ষেত্রে ডেমার্ডজিয়ান এবং উইলেম পদ্ধতিগুলি ছাড়িয়ে গেছে।
কোরিয়ান কিশোর -কিশোরী এবং অল্প বয়স্কদের ডেন্টাল বয়স অনুমান করার জন্য, লি'র পদ্ধতি 4 কোরিয়ান ফরেনসিক অনুশীলনে ব্যাপকভাবে ব্যবহৃত হয়। এই পদ্ধতিটি কোরিয়ান বিষয় এবং কালানুক্রমিক বয়সের মধ্যে সম্পর্ক পরীক্ষা করতে traditional তিহ্যবাহী পরিসংখ্যান বিশ্লেষণ (যেমন একাধিক রিগ্রেশন) ব্যবহার করে। এই গবেষণায়, traditional তিহ্যবাহী পরিসংখ্যানগত পদ্ধতিগুলি ব্যবহার করে প্রাপ্ত বয়সের অনুমানের পদ্ধতিগুলি "traditional তিহ্যবাহী পদ্ধতি" হিসাবে সংজ্ঞায়িত করা হয়। লি'র পদ্ধতিটি একটি traditional তিহ্যবাহী পদ্ধতি, এবং এর যথার্থতা ওহ এট আল দ্বারা নিশ্চিত করা হয়েছে। 5; তবে কোরিয়ান ফরেনসিক অনুশীলনে ডিএম মডেলের উপর ভিত্তি করে বয়সের অনুমানের প্রয়োগযোগ্যতা এখনও প্রশ্নবিদ্ধ। আমাদের লক্ষ্যটি ছিল ডিএম মডেলের উপর ভিত্তি করে বয়সের অনুমানের সম্ভাব্য কার্যকারিতা বৈজ্ঞানিকভাবে বৈধ করা। এই অধ্যয়নের উদ্দেশ্যটি ছিল (১) ডেন্টাল বয়স অনুমানের ক্ষেত্রে দুটি ডিএম মডেলের যথার্থতার তুলনা করা এবং (২) ১৮ বছর বয়সে 7 ডিএম মডেলের শ্রেণিবিন্যাসের পারফরম্যান্সের তুলনা করার জন্য যারা সেকেন্ডের traditional তিহ্যবাহী পরিসংখ্যানগত পদ্ধতি পরিপক্কতা ব্যবহার করে প্রাপ্ত তাদের সাথে তুলনা করা এবং উভয় চোয়ালে তৃতীয় গুড়।
মঞ্চ এবং দাঁত ধরণের দ্বারা কালানুক্রমিক বয়সের অর্থ এবং মানক বিচ্যুতি পরিপূরক সারণী এস 1 (প্রশিক্ষণ সেট), পরিপূরক সারণী এস 2 (অভ্যন্তরীণ পরীক্ষা সেট), এবং পরিপূরক সারণী এস 3 (বাহ্যিক পরীক্ষা সেট) এ অনলাইনে দেখানো হয়। প্রশিক্ষণ সেট থেকে প্রাপ্ত ইন্ট্রা- এবং আন্তঃবিভাগের নির্ভরযোগ্যতার জন্য কাপা মানগুলি যথাক্রমে 0.951 এবং 0.947 ছিল। পি মান এবং কাপা মানগুলির জন্য 95% আত্মবিশ্বাসের অন্তরগুলি অনলাইন পরিপূরক সারণী এস 4 এ দেখানো হয়েছে। কাপা মানটি ল্যান্ডিস এবং কোচ 26 এর মানদণ্ডের সাথে সামঞ্জস্য রেখে "প্রায় নিখুঁত" হিসাবে ব্যাখ্যা করা হয়েছিল।
গড় পরম ত্রুটি (এমএই) তুলনা করার সময়, traditional তিহ্যবাহী পদ্ধতিটি মাল্টিলেয়ার পার্সেপট্রন (এমএলপি) ব্যতীত সমস্ত লিঙ্গ এবং বাহ্যিক পুরুষ পরীক্ষার সেটে ডিএম মডেলকে কিছুটা ছাড়িয়ে যায়। অভ্যন্তরীণ এমএই টেস্ট সেটে traditional তিহ্যবাহী মডেল এবং ডিএম মডেলের মধ্যে পার্থক্য পুরুষদের জন্য 0.12–0.19 বছর এবং মহিলাদের জন্য 0.17–0.21 বছর ছিল। বাহ্যিক পরীক্ষার ব্যাটারির জন্য, পার্থক্যগুলি ছোট (পুরুষদের জন্য 0.001–0.05 বছর এবং মহিলাদের জন্য 0.05–0.09 বছর)। অতিরিক্তভাবে, মূল গড় বর্গ ত্রুটি (আরএমএসই) traditional তিহ্যবাহী পদ্ধতির তুলনায় কিছুটা কম, ছোট পার্থক্য (0.17–0.24, 0.2–0.24 পুরুষ অভ্যন্তরীণ পরীক্ষার সেটটির জন্য এবং বহিরাগত পরীক্ষার সেটটির জন্য 0.03–0.07, 0.04–0.08)। )। এমএলপি মহিলা বাহ্যিক পরীক্ষার সেট ব্যতীত একক স্তর পার্সেপট্রন (এসএলপি) এর চেয়ে কিছুটা ভাল পারফরম্যান্স দেখায়। এমএই এবং আরএমএসইর জন্য, বাহ্যিক পরীক্ষা সেটটি সমস্ত লিঙ্গ এবং মডেলের জন্য অভ্যন্তরীণ পরীক্ষার সেটের চেয়ে বেশি স্কোর করে। সমস্ত এমএই এবং আরএমএসই সারণী 1 এবং চিত্র 1 এ দেখানো হয়েছে।
MAE এবং আরএমএসই traditional তিহ্যবাহী এবং ডেটা মাইনিং রিগ্রেশন মডেলগুলির। গড় পরম ত্রুটি এমএই, রুট মানে স্কোয়ার ত্রুটি আরএমএসই, একক স্তর পার্সেপট্রন এসএলপি, মাল্টিলেয়ার পার্সেপট্রন এমএলপি, traditional তিহ্যবাহী সিএম পদ্ধতি।
সংবেদনশীলতা, নির্দিষ্টতা, ইতিবাচক ভবিষ্যদ্বাণীমূলক মান (পিপিভি), নেতিবাচক ভবিষ্যদ্বাণীমূলক মান (এনপিভি), এবং রিসিভার অপারেটিং চরিত্রগত বক্ররেখার অধীনে অঞ্চল এবং রিসিভার অপারেটিং বৈশিষ্ট্যযুক্ত কার্ভ (এআরওসি) এর ক্ষেত্রে শ্রেণিবিন্যাসের কার্য সম্পাদন (18 বছরের একটি কাট অফ সহ) প্রদর্শিত হয়েছিল 27 (সারণী 2, চিত্র 2 এবং পরিপূরক চিত্র 1 অনলাইন)। অভ্যন্তরীণ পরীক্ষার ব্যাটারির সংবেদনশীলতার দিক থেকে, traditional তিহ্যবাহী পদ্ধতিগুলি পুরুষদের মধ্যে সেরা এবং মহিলাদের মধ্যে আরও খারাপ সঞ্চালিত হয়। তবে, traditional তিহ্যবাহী পদ্ধতি এবং এসডির মধ্যে শ্রেণিবিন্যাসের পারফরম্যান্সের পার্থক্য পুরুষদের জন্য 9.7% (এমএলপি) এবং মহিলাদের জন্য কেবল 2.4% (এক্সজিবিউস্ট)। ডিএম মডেলগুলির মধ্যে, লজিস্টিক রিগ্রেশন (এলআর) উভয় লিঙ্গের মধ্যে আরও ভাল সংবেদনশীলতা দেখিয়েছে। অভ্যন্তরীণ পরীক্ষার সেটটির সুনির্দিষ্টতা সম্পর্কে, এটি পর্যবেক্ষণ করা হয়েছে যে চারটি এসডি মডেল পুরুষদের মধ্যে ভাল পারফর্ম করেছে, যখন traditional তিহ্যবাহী মডেলটি মহিলাদের মধ্যে আরও ভাল পারফর্ম করেছে। পুরুষ এবং মহিলাদের জন্য শ্রেণিবিন্যাসের পারফরম্যান্সের পার্থক্য যথাক্রমে 13.3% (এমএলপি) এবং 13.1% (এমএলপি), এটি ইঙ্গিত করে যে মডেলগুলির মধ্যে শ্রেণিবিন্যাসের পারফরম্যান্সের পার্থক্য সংবেদনশীলতা ছাড়িয়ে গেছে। ডিএম মডেলগুলির মধ্যে, সাপোর্ট ভেক্টর মেশিন (এসভিএম), সিদ্ধান্ত ট্রি (ডিটি) এবং এলোমেলো বন (আরএফ) মডেলগুলি পুরুষদের মধ্যে সেরা পারফর্ম করেছে, যখন এলআর মডেল মহিলাদের মধ্যে সেরা পারফরম্যান্স করেছে। Traditional তিহ্যবাহী মডেল এবং সমস্ত এসডি মডেলের এআরওসি 0.925 (পুরুষদের মধ্যে কে-নিকটবর্তী প্রতিবেশী (কেএনএন)) এর চেয়ে বেশি ছিল, 18 বছর বয়সী নমুনা 28 বৈষম্যমূলক ক্ষেত্রে দুর্দান্ত শ্রেণিবিন্যাসের পারফরম্যান্স প্রদর্শন করে। বাহ্যিক পরীক্ষার সেটটির জন্য, অভ্যন্তরীণ পরীক্ষার সেটটির তুলনায় সংবেদনশীলতা, নির্দিষ্টতা এবং এআরওসি -র ক্ষেত্রে শ্রেণিবদ্ধকরণ কর্মক্ষমতা হ্রাস পেয়েছিল। তদুপরি, সেরা এবং সবচেয়ে খারাপ মডেলগুলির শ্রেণিবিন্যাসের পারফরম্যান্সের মধ্যে সংবেদনশীলতা এবং নির্দিষ্টতার পার্থক্য 10% থেকে 25% পর্যন্ত এবং অভ্যন্তরীণ পরীক্ষার সেটটির পার্থক্যের চেয়ে বড় ছিল।
সংবেদনশীলতা এবং ডেটা মাইনিং শ্রেণিবদ্ধকরণ মডেলগুলির সুনির্দিষ্টতা 18 বছরের কাট অফের সাথে traditional তিহ্যবাহী পদ্ধতির তুলনায়। কেএনএন কে নিকটতম প্রতিবেশী, এসভিএম সাপোর্ট ভেক্টর মেশিন, এলআর লজিস্টিক রিগ্রেশন, ডিটি সিদ্ধান্ত ট্রি, আরএফ র্যান্ডম ফরেস্ট, এক্সজিবি এক্সজিবুস্ট, এমএলপি মাল্টিলেয়ার পার্সেপট্রন, traditional তিহ্যবাহী সিএম পদ্ধতি।
এই অধ্যয়নের প্রথম পদক্ষেপটি ছিল সাতটি ডিএম মডেল থেকে প্রাপ্ত ডেন্টাল বয়সের অনুমানের যথার্থতার তুলনা করা traditional তিহ্যবাহী রিগ্রেশন ব্যবহার করে প্রাপ্তদের সাথে। এমএই এবং আরএমএসই উভয় লিঙ্গের জন্য অভ্যন্তরীণ পরীক্ষার সেটগুলিতে মূল্যায়ন করা হয়েছিল এবং traditional তিহ্যবাহী পদ্ধতি এবং ডিএম মডেলের মধ্যে পার্থক্য এমএইয়ের জন্য 44 থেকে 77 দিন এবং আরএমএসইর জন্য 62 থেকে 88 দিন পর্যন্ত ছিল। যদিও এই গবেষণায় traditional তিহ্যবাহী পদ্ধতিটি কিছুটা আরও নির্ভুল ছিল, তবে এত ছোট পার্থক্য ক্লিনিকাল বা ব্যবহারিক তাত্পর্য আছে কিনা তা উপসংহারে আসা কঠিন। এই ফলাফলগুলি ইঙ্গিত দেয় যে ডিএম মডেল ব্যবহার করে ডেন্টাল বয়সের অনুমানের যথার্থতা প্রায় traditional তিহ্যবাহী পদ্ধতির মতো। পূর্ববর্তী অধ্যয়নগুলির ফলাফলের সাথে সরাসরি তুলনা কঠিন কারণ কোনও গবেষণায় ডিএম মডেলগুলির যথার্থতার তুলনা করা হয়নি traditional তিহ্যবাহী পরিসংখ্যানগত পদ্ধতির সাথে এই সমীক্ষার মতো একই বয়সের মধ্যে দাঁত রেকর্ড করার একই কৌশল ব্যবহার করে। গ্যালিবার্গ এট আল 24 2 থেকে 24 বছর বয়সী ফরাসি জনসংখ্যায় দুটি traditional তিহ্যবাহী পদ্ধতি (ডেমিরজিয়ান পদ্ধতি 25 এবং উইলিয়ামস পদ্ধতি 29) এবং 10 ডিএম মডেলের মধ্যে এমএই এবং আরএমএসইকে তুলনা করে। তারা জানিয়েছে যে সমস্ত ডিএম মডেলগুলি এমএইতে 0.20 এবং 0.38 বছর এবং 0.25 এবং 0.47 বছর এবং আরএমএসইতে যথাক্রমে উইলেমস এবং ডিমার্ডজিয়ান পদ্ধতির তুলনায় 0.25 এবং 0.47 বছর পার্থক্য সহ traditional তিহ্যবাহী পদ্ধতির চেয়ে আরও সঠিক ছিল। হালিবুর্গ স্টাডিতে প্রদর্শিত এসডি মডেল এবং traditional তিহ্যবাহী পদ্ধতির মধ্যে পার্থক্যগুলি অসংখ্য প্রতিবেদন হিসাবে বিবেচনা করে 30,31,32,33 যে ডেমার্ডজিয়ান পদ্ধতিটি ফরাসি কানাডিয়ানদের উপর ভিত্তি করে জনগোষ্ঠীতে ডেন্টাল বয়স সঠিকভাবে অনুমান করে না যার ভিত্তিতে অধ্যয়ন ভিত্তিক ছিল। এই গবেষণায়। তাই এট আল 34 এমএলপি অ্যালগরিদমটি 1636 চীনা অর্থোডোনটিক ফটোগ্রাফ থেকে দাঁত বয়সের পূর্বাভাস দেওয়ার জন্য ব্যবহার করেছে এবং এর যথার্থতাটিকে ডেমিরজিয়ান এবং উইলেমস পদ্ধতির ফলাফলের সাথে তুলনা করেছে। তারা জানিয়েছে যে এমএলপির traditional তিহ্যবাহী পদ্ধতির চেয়ে বেশি নির্ভুলতা রয়েছে। ডিমার্ডজিয়ান পদ্ধতি এবং traditional তিহ্যবাহী পদ্ধতির মধ্যে পার্থক্য <0.32 বছর, এবং উইলিয়ামস পদ্ধতি 0.28 বছর, যা বর্তমান অধ্যয়নের ফলাফলের সাথে সমান। এই পূর্ববর্তী স্টাডিজের ফলাফলগুলি 24,34 বর্তমান অধ্যয়নের ফলাফলগুলির সাথেও সামঞ্জস্যপূর্ণ এবং ডিএম মডেলের বয়স অনুমানের যথার্থতা এবং traditional তিহ্যবাহী পদ্ধতিটি একই রকম। যাইহোক, উপস্থাপিত ফলাফলের উপর ভিত্তি করে, আমরা কেবল সতর্কতার সাথে এই সিদ্ধান্তে পৌঁছাতে পারি যে বয়স অনুমান করার জন্য ডিএম মডেলগুলির ব্যবহার তুলনামূলক এবং রেফারেন্স পূর্ববর্তী গবেষণার অভাবের কারণে বিদ্যমান পদ্ধতিগুলি প্রতিস্থাপন করতে পারে। এই গবেষণায় প্রাপ্ত ফলাফলগুলি নিশ্চিত করার জন্য বৃহত্তর নমুনাগুলি ব্যবহার করে ফলো-আপ অধ্যয়ন প্রয়োজন।
দাঁতের বয়স অনুমানের ক্ষেত্রে এসডির যথার্থতা পরীক্ষা করা অধ্যয়নের মধ্যে কিছু আমাদের অধ্যয়নের চেয়ে উচ্চতর নির্ভুলতা দেখিয়েছিল। স্টেপানভস্কি এট আল 35 22 টি এসডি মডেল প্রয়োগ করেছেন 976 চেক বাসিন্দাদের 2.7 থেকে 20.5 বছর বয়সী প্যানোরামিক রেডিওগ্রাফগুলিতে এবং প্রতিটি মডেলের যথার্থতা পরীক্ষা করে। তারা মুরেরিস এট আল 36 দ্বারা প্রস্তাবিত শ্রেণিবিন্যাসের মানদণ্ড ব্যবহার করে মোট 16 টি উপরের এবং নীচের বাম স্থায়ী দাঁতগুলির বিকাশের মূল্যায়ন করেছে। এমএই 0.64 থেকে 0.94 বছর পর্যন্ত এবং আরএমএসই 0.85 থেকে 1.27 বছর পর্যন্ত রয়েছে, যা এই গবেষণায় ব্যবহৃত দুটি ডিএম মডেলের চেয়ে আরও সঠিক। শেন এট আল 23 পূর্বের চীনা বাসিন্দাদের 5 থেকে 13 বছর বয়সীদের বাম ম্যান্ডিবলে সাতটি স্থায়ী দাঁত ডেন্টাল বয়স অনুমান করার জন্য ক্যামেরিয়ার পদ্ধতিটি ব্যবহার করেছিল এবং লিনিয়ার রিগ্রেশন, এসভিএম এবং আরএফ ব্যবহার করে অনুমান করা বয়সের সাথে তুলনা করে। তারা দেখিয়েছিল যে তিনটি ডিএম মডেলের traditional তিহ্যবাহী ক্যামেরিয়ার সূত্রের তুলনায় উচ্চতর নির্ভুলতা রয়েছে। শেনের গবেষণায় এমএই এবং আরএমএসই এই গবেষণায় ডিএম মডেলের তুলনায় কম ছিল। স্টেপানভস্কি এট আল দ্বারা অধ্যয়নের বর্ধিত নির্ভুলতা। 35 এবং শেন এট আল। 23 তাদের অধ্যয়নের নমুনায় তরুণ বিষয়গুলির অন্তর্ভুক্তির কারণে হতে পারে। দাঁত বিকাশের সময় দাঁতগুলির বিকাশকারী অংশগ্রহণকারীদের জন্য বয়সের অনুমানগুলি আরও সঠিক হয়ে ওঠে কারণ দাঁতের বিকাশের সময় দাঁতগুলির সংখ্যা বৃদ্ধি পায়, তাই অধ্যয়ন অংশগ্রহণকারীরা যখন কম হয় তখন ফলাফল বয়স অনুমান পদ্ধতির যথার্থতা আপস করা যেতে পারে। অতিরিক্তভাবে, বয়সের অনুমানের ক্ষেত্রে এমএলপির ত্রুটি এসএলপির তুলনায় কিছুটা ছোট, যার অর্থ এমএলপি এসএলপির চেয়ে আরও সঠিক। এমএলপি বয়সের অনুমানের জন্য কিছুটা ভাল হিসাবে বিবেচিত হয়, সম্ভবত এমএলপি 38 -এ লুকানো স্তরগুলির কারণে। তবে মহিলাদের বাইরের নমুনার জন্য ব্যতিক্রম রয়েছে (এসএলপি 1.45, এমএলপি 1.49)। বয়স নির্ধারণের ক্ষেত্রে এমএলপি এসএলপি -র চেয়ে আরও সঠিক যে সন্ধানের জন্য অতিরিক্ত পূর্ববর্তী গবেষণার প্রয়োজন।
ডিএম মডেলের শ্রেণিবিন্যাসের পারফরম্যান্স এবং 18 বছরের প্রান্তিকের traditional তিহ্যবাহী পদ্ধতিটিও তুলনা করা হয়েছিল। অভ্যন্তরীণ পরীক্ষার সেটটিতে সমস্ত পরীক্ষিত এসডি মডেল এবং traditional তিহ্যবাহী পদ্ধতিগুলি 18 বছরের পুরানো নমুনার জন্য কার্যত গ্রহণযোগ্য স্তরের বৈষম্যের দেখায়। পুরুষ এবং মহিলাদের জন্য সংবেদনশীলতা যথাক্রমে 87.7% এবং 94.9% এর চেয়ে বেশি ছিল এবং নির্দিষ্টতা 89.3% এবং 84.7% এর চেয়ে বেশি ছিল। সমস্ত পরীক্ষিত মডেলের এআরওসিও 0.925 ছাড়িয়ে গেছে। আমাদের জ্ঞানের সর্বোপরি, কোনও অধ্যয়ন দাঁতের পরিপক্কতার ভিত্তিতে 18 বছরের শ্রেণিবিন্যাসের জন্য ডিএম মডেলের পারফরম্যান্স পরীক্ষা করে নি। আমরা এই অধ্যয়নের ফলাফলগুলি প্যানোরামিক রেডিওগ্রাফগুলিতে গভীর শিক্ষার মডেলগুলির শ্রেণিবিন্যাসের পারফরম্যান্সের সাথে তুলনা করতে পারি। গুও এট আল .১৫ একটি সিএনএন-ভিত্তিক ডিপ লার্নিং মডেল এবং একটি নির্দিষ্ট বয়সের প্রান্তিকের জন্য ডেমিরজিয়ানের পদ্ধতির উপর ভিত্তি করে একটি ম্যানুয়াল পদ্ধতি গণনা করেছে। ম্যানুয়াল পদ্ধতির সংবেদনশীলতা এবং সুনির্দিষ্টতা যথাক্রমে 87.7% এবং 95.5% ছিল এবং সিএনএন মডেলের সংবেদনশীলতা এবং নির্দিষ্টতা যথাক্রমে 89.2% এবং 86.6% ছাড়িয়েছে। তারা উপসংহারে পৌঁছেছে যে গভীর শিক্ষার মডেলগুলি বয়সের প্রান্তিক শ্রেণিতে শ্রেণিবদ্ধকরণে ম্যানুয়াল মূল্যায়ন প্রতিস্থাপন বা ছাড়িয়ে যেতে পারে। এই অধ্যয়নের ফলাফলগুলি অনুরূপ শ্রেণিবিন্যাসের কার্যকারিতা দেখায়; এটি বিশ্বাস করা হয় যে ডিএম মডেল ব্যবহার করে শ্রেণিবিন্যাস বয়স অনুমানের জন্য traditional তিহ্যবাহী পরিসংখ্যান পদ্ধতিগুলি প্রতিস্থাপন করতে পারে। মডেলগুলির মধ্যে, ডিএম এলআর পুরুষ নমুনার সংবেদনশীলতা এবং সংবেদনশীলতা এবং মহিলা নমুনার জন্য সুনির্দিষ্টতার দিক থেকে সেরা মডেল ছিল। এলআর পুরুষদের জন্য সুনির্দিষ্টভাবে দ্বিতীয় স্থানে রয়েছে। তদুপরি, এলআরকে আরও বেশি ব্যবহারকারী-বান্ধব ডিএম 35 মডেল হিসাবে বিবেচনা করা হয় এবং এটি কম জটিল এবং প্রক্রিয়া করা কঠিন। এই ফলাফলগুলির উপর ভিত্তি করে, এলআরকে কোরিয়ান জনসংখ্যার 18 বছর বয়সীদের জন্য সেরা কাট অফ শ্রেণিবদ্ধকরণ মডেল হিসাবে বিবেচনা করা হয়েছিল।
সামগ্রিকভাবে, বাহ্যিক পরীক্ষার সেটটিতে বয়সের অনুমান বা শ্রেণিবিন্যাসের পারফরম্যান্সের যথার্থতা অভ্যন্তরীণ পরীক্ষার সেটের ফলাফলের তুলনায় দুর্বল বা কম ছিল। কিছু প্রতিবেদন ইঙ্গিত দেয় যে কোরিয়ান জনসংখ্যার উপর ভিত্তি করে বয়সের অনুমানগুলি জাপানের জনসংখ্যার 5,39 -তে প্রয়োগ করা হয় এবং বর্তমান গবেষণায় অনুরূপ প্যাটার্ন পাওয়া যায় তখন শ্রেণিবিন্যাসের নির্ভুলতা বা দক্ষতা হ্রাস পায়। এই অবনতি প্রবণতাটি ডিএম মডেলটিতেও পরিলক্ষিত হয়েছিল। অতএব, বয়স সঠিকভাবে অনুমান করার জন্য, বিশ্লেষণ প্রক্রিয়াতে ডিএম ব্যবহার করার পরেও, দেশীয় জনসংখ্যার ডেটা যেমন traditional তিহ্যবাহী পদ্ধতিগুলি থেকে প্রাপ্ত পদ্ধতিগুলি 5,39,40,41,42 পছন্দ করা উচিত। যেহেতু গভীর শিক্ষার মডেলগুলি একই রকম প্রবণতা প্রদর্শন করতে পারে কিনা তা স্পষ্ট নয়, কৃত্রিম বুদ্ধিমত্তা সীমিত বয়সে এই বর্ণ বৈষম্যগুলি কাটিয়ে উঠতে পারে কিনা তা নিশ্চিত করার জন্য একই নমুনাগুলিতে traditional তিহ্যবাহী পদ্ধতি, ডিএম মডেল এবং গভীর শিক্ষার মডেলগুলি ব্যবহার করে শ্রেণিবিন্যাসের নির্ভুলতা এবং দক্ষতার তুলনা করে অধ্যয়নগুলি প্রয়োজন। মূল্যায়ন।
আমরা দেখিয়েছি যে কোরিয়ায় ফরেনসিক বয়স অনুমান অনুশীলনে ডিএম মডেলের উপর ভিত্তি করে বয়স অনুমানের দ্বারা traditional তিহ্যবাহী পদ্ধতিগুলি প্রতিস্থাপন করা যেতে পারে। আমরা ফরেনসিক বয়স মূল্যায়নের জন্য মেশিন লার্নিং বাস্তবায়নের সম্ভাবনাও আবিষ্কার করেছি। তবে, ফলাফলগুলি সুনির্দিষ্টভাবে নির্ধারণ করার জন্য এই গবেষণায় অপর্যাপ্ত সংখ্যক অংশগ্রহণকারীদের মতো স্পষ্ট সীমাবদ্ধতা রয়েছে এবং এই অধ্যয়নের ফলাফলগুলির তুলনা এবং নিশ্চিত করার জন্য পূর্ববর্তী গবেষণার অভাব রয়েছে। ভবিষ্যতে, ডিএম স্টাডিজ traditional তিহ্যবাহী পদ্ধতির তুলনায় এর ব্যবহারিক প্রয়োগযোগ্যতা উন্নত করতে বৃহত সংখ্যক নমুনা এবং আরও বিচিত্র জনসংখ্যার সাথে পরিচালনা করা উচিত। একাধিক জনগোষ্ঠীতে বয়স অনুমান করার জন্য কৃত্রিম বুদ্ধিমত্তা ব্যবহারের সম্ভাব্যতা যাচাই করার জন্য, একই নমুনাগুলিতে traditional তিহ্যবাহী পদ্ধতির সাথে ডিএম এবং গভীর শিক্ষার মডেলগুলির শ্রেণিবিন্যাসের নির্ভুলতা এবং দক্ষতা এবং গভীর শিক্ষার মডেলগুলির তুলনা করার জন্য ভবিষ্যতের অধ্যয়নগুলির প্রয়োজন।
গবেষণায় 15 থেকে 23 বছর বয়সী কোরিয়ান এবং জাপানি প্রাপ্তবয়স্কদের কাছ থেকে সংগৃহীত 2,657 অর্থোগ্রাফিক ফটোগ্রাফ ব্যবহার করা হয়েছে। কোরিয়ান রেডিওগ্রাফগুলি 900 প্রশিক্ষণ সেট (19.42 ± 2.65 বছর) এবং 900 অভ্যন্তরীণ পরীক্ষার সেটগুলিতে (19.52 ± 2.59 বছর) বিভক্ত করা হয়েছিল। প্রশিক্ষণ সেটটি একটি প্রতিষ্ঠানে (সিওল সেন্ট মেরি হাসপাতাল) সংগ্রহ করা হয়েছিল এবং নিজস্ব পরীক্ষার সেটটি দুটি প্রতিষ্ঠানে (সিওল ন্যাশনাল ইউনিভার্সিটি ডেন্টাল হাসপাতাল এবং ইয়োনসি বিশ্ববিদ্যালয় ডেন্টাল হাসপাতাল) সংগ্রহ করা হয়েছিল। আমরা বাহ্যিক পরীক্ষার জন্য অন্য জনসংখ্যা-ভিত্তিক ডেটা (আইওয়েট মেডিকেল বিশ্ববিদ্যালয়, জাপান) থেকে 857 রেডিওগ্রাফ সংগ্রহ করেছি। জাপানি বিষয়গুলির রেডিওগ্রাফগুলি (19.31 ± 2.60 বছর) বাহ্যিক পরীক্ষার সেট হিসাবে নির্বাচিত হয়েছিল। দাঁতের চিকিত্সার সময় নেওয়া প্যানোরামিক রেডিওগ্রাফগুলিতে দাঁতের বিকাশের পর্যায়গুলি বিশ্লেষণ করতে ডেটা পূর্ববর্তীভাবে সংগ্রহ করা হয়েছিল। সংগৃহীত সমস্ত ডেটা লিঙ্গ, জন্ম তারিখ এবং রেডিওগ্রাফের তারিখ ব্যতীত বেনামে ছিল। অন্তর্ভুক্তি এবং বর্জনীয় মানদণ্ডগুলি পূর্বে প্রকাশিত স্টাডিজ 4, 5 এর সমান ছিল। নমুনার আসল বয়সটি রেডিওগ্রাফটি গ্রহণের তারিখ থেকে জন্মের তারিখটি বিয়োগ করে গণনা করা হয়েছিল। নমুনা গোষ্ঠীটি নয় বয়সের গ্রুপে বিভক্ত ছিল। বয়স এবং যৌন বিতরণগুলি সারণি 3 এ দেখানো হয়েছে এই গবেষণাটি হেলসিঙ্কির ঘোষণাপত্র অনুসারে পরিচালিত হয়েছিল এবং কোরিয়ার ক্যাথলিক বিশ্ববিদ্যালয়ের সিওল সেন্ট মেরি হাসপাতালের ইনস্টিটিউশনাল রিভিউ বোর্ড (আইআরবি) দ্বারা অনুমোদিত (কেসি 22 ডাব্লুআইএসআই 0328)। এই অধ্যয়নের পূর্ববর্তী নকশার কারণে, চিকিত্সার উদ্দেশ্যে রেডিওগ্রাফিক পরীক্ষার মধ্য দিয়ে যাওয়া সমস্ত রোগীদের কাছ থেকে অবহিত সম্মতি পাওয়া যায় না। সিওল কোরিয়া বিশ্ববিদ্যালয় সেন্ট মেরি হাসপাতাল (আইআরবি) অবহিত সম্মতির জন্য প্রয়োজনীয়তা মওকুফ করেছে।
দ্বি -দ্বার দ্বিতীয় এবং তৃতীয় গুড়ের উন্নয়নমূলক পর্যায়গুলি ডেমিরকান মানদণ্ড 25 অনুসারে মূল্যায়ন করা হয়েছিল। প্রতিটি চোয়ালের বাম এবং ডানদিকে একই ধরণের দাঁত পাওয়া গেলে কেবল একটি দাঁত নির্বাচন করা হয়েছিল। যদি উভয় পক্ষের সমজাতীয় দাঁতগুলি বিভিন্ন উন্নয়নমূলক পর্যায়ে থাকে তবে নিম্ন বিকাশের পর্যায়ে থাকা দাঁতটি আনুমানিক বয়সে অনিশ্চয়তার জন্য অ্যাকাউন্টে নির্বাচিত হয়েছিল। প্রশিক্ষণ সেট থেকে এলোমেলোভাবে নির্বাচিত রেডিওগ্রাফগুলি ডেন্টাল পরিপক্কতার পর্যায়ে নির্ধারণের জন্য প্রাক -প্রবাহের পরে আন্তঃসার্ভার নির্ভরযোগ্যতা পরীক্ষা করার জন্য দুটি অভিজ্ঞ পর্যবেক্ষক দ্বারা স্কোর করেছিলেন। প্রাথমিক পর্যবেক্ষক দ্বারা তিন মাসের ব্যবধানে ইন্ট্রোবার্সার নির্ভরযোগ্যতা দু'বার মূল্যায়ন করা হয়েছিল।
প্রশিক্ষণ সেটে প্রতিটি চোয়ালের দ্বিতীয় এবং তৃতীয় গুড়ের লিঙ্গ এবং বিকাশের পর্যায়টি বিভিন্ন ডিএম মডেলগুলির সাথে প্রশিক্ষিত প্রাথমিক পর্যবেক্ষক দ্বারা অনুমান করা হয়েছিল এবং প্রকৃত বয়সটি লক্ষ্যমাত্রা হিসাবে সেট করা হয়েছিল। এসএলপি এবং এমএলপি মডেলগুলি, যা মেশিন লার্নিংয়ে ব্যাপকভাবে ব্যবহৃত হয়, রিগ্রেশন অ্যালগরিদমের বিরুদ্ধে পরীক্ষা করা হয়েছিল। ডিএম মডেলটি চারটি দাঁতগুলির বিকাশগত পর্যায়ে ব্যবহার করে লিনিয়ার ফাংশনগুলিকে একত্রিত করে এবং বয়স অনুমানের জন্য এই ডেটাগুলিকে একত্রিত করে। এসএলপি হ'ল সহজ নিউরাল নেটওয়ার্ক এবং এতে লুকানো স্তরগুলি থাকে না। এসএলপি নোডগুলির মধ্যে প্রান্তিক সংক্রমণের ভিত্তিতে কাজ করে। রিগ্রেশনে এসএলপি মডেলটি গাণিতিকভাবে একাধিক লিনিয়ার রিগ্রেশনের মতো। এসএলপি মডেলের বিপরীতে, এমএলপি মডেলটিতে ননলাইনার অ্যাক্টিভেশন ফাংশন সহ একাধিক লুকানো স্তর রয়েছে। আমাদের পরীক্ষাগুলি ননলাইনার অ্যাক্টিভেশন ফাংশন সহ কেবল 20 টি লুকানো নোড সহ একটি লুকানো স্তর ব্যবহার করে। অপ্টিমাইজেশন পদ্ধতি হিসাবে গ্রেডিয়েন্ট বংশোদ্ভূত এবং আমাদের মেশিন লার্নিং মডেলকে প্রশিক্ষণের জন্য ক্ষতির ফাংশন হিসাবে এমএই এবং আরএমএসই ব্যবহার করুন। সেরা প্রাপ্ত রিগ্রেশন মডেলটি অভ্যন্তরীণ এবং বাহ্যিক পরীক্ষার সেটগুলিতে প্রয়োগ করা হয়েছিল এবং দাঁতগুলির বয়স অনুমান করা হয়েছিল।
একটি শ্রেণিবিন্যাস অ্যালগরিদম তৈরি করা হয়েছিল যা কোনও নমুনা 18 বছর বয়সী কিনা তা অনুমান করার জন্য প্রশিক্ষণ সেটটিতে চারটি দাঁতগুলির পরিপক্কতা ব্যবহার করে। মডেলটি তৈরি করতে, আমরা সাতটি প্রতিনিধিত্ব মেশিন লার্নিং অ্যালগরিদম 6,43: (1) এলআর, (2) কেএনএন, (3) এসভিএম, (4) ডিটি, (5) আরএফ, (6) এক্সগুবুস্ট, এবং (7) এমএলপি পেয়েছি । এলআর হ'ল সর্বাধিক ব্যবহৃত শ্রেণিবদ্ধকরণ অ্যালগরিদম 44। এটি একটি তদারকি করা লার্নিং অ্যালগরিদম যা 0 থেকে 1 পর্যন্ত একটি নির্দিষ্ট বিভাগের সাথে সম্পর্কিত ডেটার সম্ভাবনার পূর্বাভাস দেওয়ার জন্য রিগ্রেশন ব্যবহার করে এবং এই সম্ভাবনার ভিত্তিতে আরও সম্ভাব্য বিভাগের অন্তর্ভুক্ত হিসাবে ডেটা শ্রেণিবদ্ধ করে; মূলত বাইনারি শ্রেণিবিন্যাসের জন্য ব্যবহৃত হয়। কেএনএন হ'ল সহজ মেশিন লার্নিং অ্যালগরিদমস 45। যখন নতুন ইনপুট ডেটা দেওয়া হয়, এটি বিদ্যমান সেটটির কাছাকাছি কে ডেটা খুঁজে পায় এবং তারপরে তাদের সর্বোচ্চ ফ্রিকোয়েন্সি সহ ক্লাসে শ্রেণিবদ্ধ করে। আমরা বিবেচিত (কে) প্রতিবেশীদের সংখ্যার জন্য 3 সেট করেছি। এসভিএম হ'ল একটি অ্যালগরিদম যা লিনিয়ার স্পেসটিকে ফিল্ডস 46 নামক একটি অ-রৈখিক স্থানে প্রসারিত করতে কার্নেল ফাংশন ব্যবহার করে দুটি শ্রেণীর মধ্যে দূরত্বকে সর্বাধিক করে তোলে। এই মডেলের জন্য, আমরা বহুবর্ষের কার্নেলের হাইপারপ্যারামিটার হিসাবে পক্ষপাত = 1, শক্তি = 1, এবং গামা = 1 ব্যবহার করি। ডিটি একটি গাছের কাঠামোর 47 -এ সিদ্ধান্তের নিয়মের প্রতিনিধিত্ব করে বেশ কয়েকটি উপগোষ্ঠীতে সেট করা একটি সম্পূর্ণ ডেটা সেট করে একটি অ্যালগরিদম হিসাবে বিভিন্ন ক্ষেত্রে প্রয়োগ করা হয়েছে। মডেলটি 2 এর নোড প্রতি ন্যূনতম সংখ্যক রেকর্ডের সাথে কনফিগার করা হয়েছে এবং জিআইএনআই সূচককে মানের একটি পরিমাপ হিসাবে ব্যবহার করে। আরএফ হ'ল একটি জঞ্জাল পদ্ধতি যা বুটস্ট্র্যাপ সমষ্টি পদ্ধতি ব্যবহার করে পারফরম্যান্স উন্নত করতে একাধিক ডিটিএসকে একত্রিত করে যা প্রতিটি নমুনার জন্য একটি দুর্বল শ্রেণিবদ্ধকারী উত্পন্ন করে যা এলোমেলোভাবে একই আকারের নমুনাগুলি মূল ডেটাসেট 48 থেকে একাধিকবার অঙ্কন করে। আমরা নোড বিচ্ছেদ মানদণ্ড হিসাবে 100 টি গাছ, 10 গাছের গভীরতা, 1 ন্যূনতম নোডের আকার এবং গিনি মিশ্রণ সূচক ব্যবহার করেছি। নতুন তথ্যের শ্রেণিবিন্যাস সংখ্যাগরিষ্ঠ ভোট দ্বারা নির্ধারিত হয়। এক্সগুবুস্ট হ'ল একটি অ্যালগরিদম যা এমন একটি পদ্ধতি ব্যবহার করে বুস্টিং কৌশলগুলিকে একত্রিত করে যা প্রশিক্ষণ ডেটা হিসাবে গ্রহণ করে পূর্ববর্তী মডেলের প্রকৃত এবং পূর্বাভাসিত মানগুলির মধ্যে ত্রুটি এবং গ্রেডিয়েন্টস 49 ব্যবহার করে ত্রুটিটিকে বাড়িয়ে তোলে। এটি ভাল পারফরম্যান্স এবং সংস্থান দক্ষতার কারণে এটি একটি বহুল ব্যবহৃত অ্যালগরিদম, পাশাপাশি অতিরিক্ত অতিরিক্ত সংশোধন ফাংশন হিসাবে উচ্চ নির্ভরযোগ্যতা। মডেলটি 400 টি সমর্থন চাকা দিয়ে সজ্জিত। এমএলপি হ'ল একটি নিউরাল নেটওয়ার্ক যেখানে এক বা একাধিক পার্সেপট্রনগুলি ইনপুট এবং আউটপুট স্তর 38 এর মধ্যে এক বা একাধিক লুকানো স্তরগুলির সাথে একাধিক স্তর তৈরি করে। এটি ব্যবহার করে আপনি অ-রৈখিক শ্রেণিবিন্যাস করতে পারেন যেখানে আপনি যখন কোনও ইনপুট স্তর যুক্ত করেন এবং ফলাফলের মান পান, পূর্বাভাসিত ফলাফলের মানটি প্রকৃত ফলাফলের মানের সাথে তুলনা করা হয় এবং ত্রুটিটি আবার প্রচারিত হয়। আমরা প্রতিটি স্তরে 20 টি লুকানো নিউরন সহ একটি লুকানো স্তর তৈরি করেছি। সংবেদনশীলতা, নির্দিষ্টতা, পিপিভি, এনপিভি এবং এআরওসি গণনা করে শ্রেণিবিন্যাসের কার্যকারিতা পরীক্ষা করার জন্য আমাদের বিকাশ করা প্রতিটি মডেল অভ্যন্তরীণ এবং বাহ্যিক সেটগুলিতে প্রয়োগ করা হয়েছিল। সংবেদনশীলতা 18 বছর বা তার বেশি বয়সের 18 বছর বা তার বেশি বয়সের একটি নমুনায় অনুমান করা একটি নমুনার অনুপাত হিসাবে সংজ্ঞায়িত হয়। সুনির্দিষ্টতা হ'ল 18 বছরের কম বয়সী নমুনার অনুপাত এবং যা 18 বছরের কম বয়সী বলে অনুমান করা হয়।
প্রশিক্ষণ সেটে মূল্যায়ন করা ডেন্টাল পর্যায়গুলি পরিসংখ্যানগত বিশ্লেষণের জন্য সংখ্যাসূচক পর্যায়ে রূপান্তরিত হয়েছিল। প্রতিটি লিঙ্গের জন্য ভবিষ্যদ্বাণীমূলক মডেলগুলি বিকাশের জন্য মাল্টিভারিয়েট লিনিয়ার এবং লজিস্টিক রিগ্রেশন সঞ্চালিত হয়েছিল এবং বয়সের অনুমানের জন্য ব্যবহার করা যেতে পারে এমন রিগ্রেশন সূত্রগুলি অর্জন করা হয়েছিল। অভ্যন্তরীণ এবং বাহ্যিক উভয় পরীক্ষার সেটগুলির জন্য দাঁত বয়স অনুমান করতে আমরা এই সূত্রগুলি ব্যবহার করেছি। সারণী 4 এই গবেষণায় ব্যবহৃত রিগ্রেশন এবং শ্রেণিবদ্ধকরণ মডেলগুলি দেখায়।
কোহেনের কাপা পরিসংখ্যান ব্যবহার করে ইন্ট্রা- এবং আন্তঃসভার নির্ভরযোগ্যতা গণনা করা হয়েছিল। ডিএম এবং traditional তিহ্যবাহী রিগ্রেশন মডেলগুলির যথার্থতা পরীক্ষা করতে, আমরা অভ্যন্তরীণ এবং বাহ্যিক পরীক্ষার সেটগুলির আনুমানিক এবং প্রকৃত বয়সগুলি ব্যবহার করে এমএই এবং আরএমএসই গণনা করেছি। এই ত্রুটিগুলি সাধারণত মডেল পূর্বাভাসের যথার্থতার মূল্যায়ন করতে ব্যবহৃত হয়। ত্রুটি যত কম হবে, পূর্বাভাসের 24 এর যথার্থতা তত বেশি। ডিএম এবং traditional তিহ্যবাহী রিগ্রেশন ব্যবহার করে গণনা করা অভ্যন্তরীণ এবং বাহ্যিক পরীক্ষার সেটগুলির এমএই এবং আরএমএসইর তুলনা করুন। Traditional তিহ্যবাহী পরিসংখ্যানগুলিতে 18 বছরের কাট অফের শ্রেণিবিন্যাসের পারফরম্যান্স একটি 2 × 2 কন্টিনজেন্সি টেবিল ব্যবহার করে মূল্যায়ন করা হয়েছিল। গণনা সংবেদনশীলতা, নির্দিষ্টতা, পিপিভি, এনপিভি এবং পরীক্ষার সেটটির এআরওসি ডিএম শ্রেণিবদ্ধকরণ মডেলের পরিমাপকৃত মানগুলির সাথে তুলনা করা হয়েছিল। ডেটা ডেটা বৈশিষ্ট্যের উপর নির্ভর করে গড় ± স্ট্যান্ডার্ড বিচ্যুতি বা সংখ্যা (%) হিসাবে প্রকাশ করা হয়। দ্বি-পার্শ্বযুক্ত পি মানগুলি <0.05 পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ হিসাবে বিবেচিত হয়েছিল। সমস্ত রুটিন পরিসংখ্যান বিশ্লেষণগুলি এসএএস সংস্করণ 9.4 (এসএএস ইনস্টিটিউট, ক্যারি, এনসি) ব্যবহার করে সম্পাদিত হয়েছিল। ডিএম রিগ্রেশন মডেলটি পাইথনে কেরাস 50 2.2.4 ব্যাকএন্ড এবং টেনসরফ্লো 51 1.8.0 ব্যবহার করে বিশেষত গাণিতিক ক্রিয়াকলাপগুলির জন্য প্রয়োগ করা হয়েছিল। ডিএম শ্রেণিবদ্ধকরণ মডেলটি ওয়াইকাটো জ্ঞান বিশ্লেষণ পরিবেশ এবং কনস্টানজ ইনফরমেশন মাইনার (নিমে) 4.6.152 বিশ্লেষণ প্ল্যাটফর্মে প্রয়োগ করা হয়েছিল।
লেখকরা স্বীকার করেছেন যে অধ্যয়নের সিদ্ধান্তে সমর্থনকারী ডেটা নিবন্ধ এবং পরিপূরক উপকরণগুলিতে পাওয়া যাবে। অধ্যয়নের সময় উত্পন্ন এবং/অথবা বিশ্লেষণ করা ডেটাসেটগুলি যুক্তিসঙ্গত অনুরোধে সংশ্লিষ্ট লেখকের কাছ থেকে পাওয়া যায়।
রিটজ-টিম্মে, এস ইত্যাদি। বয়স মূল্যায়ন: ফরেনসিক অনুশীলনের নির্দিষ্ট প্রয়োজনীয়তা পূরণের জন্য শিল্পের অবস্থা। আন্তর্জাতিকতা। জে আইনী মেডিসিন। 113, 129–136 (2000)।
শ্মেলিং, এ।, রিসিংগার, ডাব্লু।, গেজারিক, জি। ফরেনসিক। ওষুধ। প্যাথলজি। 1, 239–246 (2005)।
প্যান, জে এট আল। পূর্ব চীনে 5 থেকে 16 বছর বয়সী শিশুদের দাঁতের বয়স নির্ধারণের জন্য একটি পরিবর্তিত পদ্ধতি। ক্লিনিকাল। মৌখিক জরিপ। 25, 3463–3474 (2021)।
লি, এসএস ইত্যাদি কোরিয়ানদের মধ্যে দ্বিতীয় এবং তৃতীয় গুড়ের বিকাশের কালানুক্রম এবং ফরেনসিক বয়স মূল্যায়নের জন্য এর প্রয়োগ। আন্তর্জাতিকতা। জে আইনী মেডিসিন। 124, 659–665 (2010)।
ওহ, এস। পিএলওএস ওয়ান 17, E0271247 (2022)।
কিম, জেওয়াই, ইত্যাদি। প্রিপারেটিভ মেশিন লার্নিং-ভিত্তিক ডেটা বিশ্লেষণ ওএসএ আক্রান্ত রোগীদের মধ্যে স্লিপ সার্জারি চিকিত্সার ফলাফলের পূর্বাভাস দিতে পারে। বিজ্ঞান। প্রতিবেদন 11, 14911 (2021)।
হান, এম। এট আল। মানুষের হস্তক্ষেপের সাথে বা ছাড়াই মেশিন লার্নিং থেকে সঠিক বয়সের অনুমান? আন্তর্জাতিকতা। জে আইনী মেডিসিন। 136, 821–831 (2022)।
খান, এস এবং শাহিন, এম। ডেটা মাইনিং থেকে ডেটা মাইনিং পর্যন্ত। জে ইনফর্মেশন। বিজ্ঞান। https://doi.org/10.1177/01655515211030872 (2021)।
খান, এস। জে ইনফর্মেশন। বিজ্ঞান। https://doi.org/10.1177/01655515221108695 (2022)।
শাহিন এম এবং আবদুল্লাহ ইউ। কর্ম: প্রসঙ্গ ভিত্তিক সমিতির বিধিগুলির ভিত্তিতে traditional তিহ্যবাহী ডেটা মাইনিং। গণনা। ম্যাট চালিয়ে যান 68, 3305–3322 (2021)।
মুহাম্মদ এম।, রেহমান জেড। অবহিত প্রযুক্তি। নিয়ন্ত্রণ। https://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
ট্যাবিশ, এম।, ট্যানোলি, জেড।, এবং শাহিন, এম। ক্রীড়া ভিডিওগুলিতে ক্রিয়াকলাপ স্বীকৃতি দেওয়ার জন্য একটি সিস্টেম। মাল্টিমিডিয়া। সরঞ্জাম অ্যাপ্লিকেশন https://doi.org/10.1007/s11042-021-10519-6 (2021)।
হালাবি, এসএস এট আল। পেডিয়াট্রিক হাড়ের বয়সে আরএসএনএ মেশিন লার্নিং চ্যালেঞ্জ। রেডিওলজি 290, 498–503 (2019)।
লি, ওয়াই এট আল। ডিপ লার্নিং ব্যবহার করে শ্রোণী এক্স-রে থেকে ফরেনসিক বয়সের অনুমান। ইউরো বিকিরণ 29, 2322–2329 (2019)।
গুও, ওয়াইসি, ইত্যাদি। ম্যানুয়াল পদ্ধতি এবং অর্থোগ্রাফিক প্রক্ষেপণ চিত্রগুলি থেকে গভীর সমঝোতা নিউরাল নেটওয়ার্কগুলি ব্যবহার করে সঠিক বয়সের শ্রেণিবিন্যাস। আন্তর্জাতিকতা। জে আইনী মেডিসিন। 135, 1589–1597 (2021)।
আলাবামা ডালোরা এট আল। বিভিন্ন মেশিন লার্নিং পদ্ধতি ব্যবহার করে হাড়ের বয়সের অনুমান: একটি পদ্ধতিগত সাহিত্য পর্যালোচনা এবং মেটা-বিশ্লেষণ। পিএলওএস ওয়ান 14, E0220242 (2019)।
ডু, এইচ।, লি, জি।, চেং, কে।, এবং ইয়াং, জে। আন্তর্জাতিকতা। জে আইনী মেডিসিন। 136, 811–819 (2022)।
কিম এস। বিজ্ঞান। প্রতিবেদন 11, 1073 (2021)।
স্টার্ন, ডি।, প্রদানকারী, সি।, জিউলিয়ানি, এন। আইইইই জে বায়োমেড। স্বাস্থ্য সতর্কতা। 23, 1392–1403 (2019)।
চেং, কি।, জিই, জেড।, ডু, এইচ। আন্তর্জাতিকতা। জে আইনী মেডিসিন। 135, 365–373 (2021)।
উ, ডাব্লুটি, ইত্যাদি। ক্লিনিকাল বিগ ডেটাতে ডেটা মাইনিং: সাধারণ ডাটাবেস, পদক্ষেপ এবং পদ্ধতি মডেল। বিশ্ব। ওষুধ। সংস্থান। 8, 44 (2021)।
ইয়াং, জে এট আল। বড় ডেটা যুগে মেডিকেল ডাটাবেস এবং ডেটা মাইনিং প্রযুক্তির পরিচিতি। জে আভিড। বেসিক মেডিসিন। 13, 57–69 (2020)।
শেন, এস এট আল। মেশিন লার্নিং ব্যবহার করে দাঁত বয়স অনুমানের জন্য ক্যামেরারের পদ্ধতি। বিএমসি ওরাল হেলথ 21, 641 (2021)।
গ্যালিবার্গ এ। এট আল। ডেমার্ডজিয়ান স্টেজিং পদ্ধতি ব্যবহার করে ডেন্টাল বয়সের পূর্বাভাস দেওয়ার জন্য বিভিন্ন মেশিন লার্নিং পদ্ধতির তুলনা। আন্তর্জাতিকতা। জে আইনী মেডিসিন। 135, 665–675 (2021)।
ডেমার্ডজিয়ান, এ।, গোল্ডস্টেইন, এইচ। এবং ট্যানার, জেএম ডেন্টাল বয়স মূল্যায়নের জন্য একটি নতুন সিস্টেম। snort। জীববিজ্ঞান। 45, 211–227 (1973)।
ল্যান্ডিস, জেআর, এবং কোচ, শ্রেণীবদ্ধ তথ্য সম্পর্কিত পর্যবেক্ষক চুক্তির জিজি ব্যবস্থা। বায়োমেট্রিক্স 33, 159–174 (1977)।
ভট্টাচারজি এস, প্রকাশ ডি, কিম সি, কিম এইচকে এবং চোই এইচকে। প্রাথমিক মস্তিষ্কের টিউমারগুলির পার্থক্যের জন্য কৃত্রিম বুদ্ধিমত্তা কৌশল ব্যবহার করে দ্বি-মাত্রিক চৌম্বকীয় অনুরণন ইমেজিংয়ের পাঠ্যগত, রূপচর্চা এবং পরিসংখ্যানগত বিশ্লেষণ। স্বাস্থ্য তথ্য। সংস্থান। https://doi.org/10.4258/hir.2022.28.1.46 (2022)।