Nature.com-এ আসার জন্য আপনাকে ধন্যবাদ। আপনি যে ব্রাউজারটি ব্যবহার করছেন, সেটিতে CSS-এর সমর্থন সীমিত। সর্বোত্তম ফলাফলের জন্য, আমরা আপনার ব্রাউজারের একটি নতুন সংস্করণ ব্যবহার করার (অথবা ইন্টারনেট এক্সপ্লোরারে কম্প্যাটিবিলিটি মোড বন্ধ করার) পরামর্শ দিচ্ছি। আপাতত, নিরবচ্ছিন্ন সমর্থন নিশ্চিত করার জন্য, আমরা সাইটটি কোনো স্টাইলিং বা জাভাস্ক্রিপ্ট ছাড়াই প্রদর্শন করছি।
দাঁতকে মানবদেহের বয়সের সবচেয়ে সঠিক সূচক হিসেবে বিবেচনা করা হয় এবং এটি প্রায়শই ফরেনসিক বয়স নির্ধারণে ব্যবহৃত হয়। আমাদের লক্ষ্য ছিল, প্রচলিত পদ্ধতি এবং ডেটা মাইনিং-ভিত্তিক বয়স অনুমানের সাথে ১৮-বছর বয়সের সীমা নির্ধারণের নির্ভুলতা ও শ্রেণিবিন্যাস কর্মক্ষমতা তুলনা করে ডেটা মাইনিং-ভিত্তিক দাঁতের বয়স অনুমানের বৈধতা যাচাই করা। ১৫ থেকে ২৩ বছর বয়সী কোরিয়ান এবং জাপানি নাগরিকদের কাছ থেকে মোট ২৬৫৭টি প্যানোরামিক রেডিওগ্রাফ সংগ্রহ করা হয়েছিল। এগুলোকে একটি প্রশিক্ষণ সেট (ট্রেনিং সেট) এবং একটি অভ্যন্তরীণ পরীক্ষা সেটে (ইন্টারনাল টেস্ট সেট) ভাগ করা হয়েছিল। প্রশিক্ষণ সেটে ৯০০টি কোরিয়ান রেডিওগ্রাফ এবং অভ্যন্তরীণ পরীক্ষা সেটে ৮৫৭টি জাপানি রেডিওগ্রাফ ছিল। আমরা প্রচলিত পদ্ধতির শ্রেণিবিন্যাস নির্ভুলতা এবং কার্যকারিতাকে ডেটা মাইনিং মডেলের পরীক্ষা সেটের সাথে তুলনা করেছি। অভ্যন্তরীণ পরীক্ষা সেটে প্রচলিত পদ্ধতির নির্ভুলতা ডেটা মাইনিং মডেলের চেয়ে সামান্য বেশি, এবং এই পার্থক্য কম (গড় পরম ত্রুটি <০.২১ বছর, মূল গড় বর্গ ত্রুটি <০.২৪ বছর)। ১৮-বছর বয়সের সীমা নির্ধারণের ক্ষেত্রেও প্রচলিত পদ্ধতি এবং ডেটা মাইনিং মডেলের মধ্যে শ্রেণিবিন্যাস কর্মক্ষমতা প্রায় একই রকম। সুতরাং, কোরীয় কিশোর-কিশোরী এবং তরুণ-তরুণীদের ক্ষেত্রে দ্বিতীয় ও তৃতীয় মোলার দাঁতের পরিপক্কতা ব্যবহার করে ফরেনসিক বয়স নির্ধারণের সময় প্রচলিত পদ্ধতির পরিবর্তে ডেটা মাইনিং মডেল ব্যবহার করা যেতে পারে।
ফরেনসিক মেডিসিন এবং পেডিয়াট্রিক ডেন্টিস্ট্রিতে ডেন্টাল এজ এস্টিমেটেশন বা দন্তভিত্তিক বয়স নির্ধারণ ব্যাপকভাবে ব্যবহৃত হয়। বিশেষ করে, কালানুক্রমিক বয়স এবং দাঁতের বিকাশের মধ্যে উচ্চ পারস্পরিক সম্পর্কের কারণে, দাঁতের বিকাশের পর্যায় অনুসারে বয়স নির্ধারণ শিশু এবং কিশোর-কিশোরীদের বয়স নির্ণয়ের একটি গুরুত্বপূর্ণ মানদণ্ড¹,²,³। তবে, তরুণদের ক্ষেত্রে, দাঁতের পরিপক্কতার উপর ভিত্তি করে ডেন্টাল এজ এস্টিমেটেশনের সীমাবদ্ধতা রয়েছে, কারণ তৃতীয় মোলার দাঁত ছাড়া বাকি দাঁতের বৃদ্ধি প্রায় সম্পূর্ণ হয়ে যায়। তরুণ এবং কিশোর-কিশোরীদের বয়স নির্ধারণের আইনি উদ্দেশ্য হলো তারা সাবালকত্বে পৌঁছেছে কিনা তার সঠিক অনুমান এবং বৈজ্ঞানিক প্রমাণ প্রদান করা। কোরিয়ায় কিশোর-কিশোরী এবং তরুণ প্রাপ্তবয়স্কদের চিকিৎসাবিধিসম্মত অনুশীলনে, লি-এর পদ্ধতি ব্যবহার করে বয়স নির্ধারণ করা হয়েছিল এবং ওহ এট আল⁵ দ্বারা প্রকাশিত তথ্যের উপর ভিত্তি করে ১৮ বছরের একটি আইনি সীমা অনুমান করা হয়েছিল।
মেশিন লার্নিং হলো এক ধরনের কৃত্রিম বুদ্ধিমত্তা (AI) যা বারবার বিপুল পরিমাণ ডেটা শেখে ও শ্রেণীবদ্ধ করে, নিজে থেকেই সমস্যার সমাধান করে এবং ডেটা প্রোগ্রামিংকে চালিত করে। মেশিন লার্নিং বিপুল পরিমাণ ডেটার মধ্যে দরকারী লুকানো প্যাটার্ন আবিষ্কার করতে পারে৬। এর বিপরীতে, ক্লাসিক্যাল পদ্ধতিগুলো, যা শ্রম-নিবিড় এবং সময়সাপেক্ষ, সেগুলোর সীমাবদ্ধতা থাকতে পারে যখন বিপুল পরিমাণ জটিল ডেটা নিয়ে কাজ করা হয় যা হাতে-কলমে প্রক্রিয়া করা কঠিন৭। তাই, মানুষের ভুল কমানো এবং বহুমাত্রিক ডেটা দক্ষতার সাথে প্রক্রিয়া করার জন্য সাম্প্রতিককালে সর্বশেষ কম্পিউটার প্রযুক্তি ব্যবহার করে অনেক গবেষণা পরিচালিত হয়েছে৮,৯,১০,১১,১২। বিশেষ করে, ডিপ লার্নিং মেডিকেল ইমেজ বিশ্লেষণে ব্যাপকভাবে ব্যবহৃত হয়েছে, এবং রেডিওগ্রাফ স্বয়ংক্রিয়ভাবে বিশ্লেষণ করে বয়স অনুমানের বিভিন্ন পদ্ধতি বয়স অনুমানের নির্ভুলতা এবং দক্ষতা উন্নত করার জন্য রিপোর্ট করা হয়েছে১৩,১৪,১৫,১৬,১৭,১৮,১৯,২০। উদাহরণস্বরূপ, হালাবি এবং তার সহকর্মীরা১৩ শিশুদের হাতের রেডিওগ্রাফ ব্যবহার করে কঙ্কালের বয়স অনুমান করার জন্য কনভোলিউশনাল নিউরাল নেটওয়ার্ক (CNN) ভিত্তিক একটি মেশিন লার্নিং অ্যালগরিদম তৈরি করেছেন। এই গবেষণাপত্রটি মেডিকেল ইমেজে মেশিন লার্নিং প্রয়োগ করে এমন একটি মডেল প্রস্তাব করে এবং দেখায় যে এই পদ্ধতিগুলি রোগ নির্ণয়ের নির্ভুলতা উন্নত করতে পারে। লি এট আল¹⁴ একটি ডিপ লার্নিং সিএনএন ব্যবহার করে পেলভিক এক্স-রে ইমেজ থেকে বয়স অনুমান করেছিলেন এবং অস্থিভবন পর্যায় অনুমান ব্যবহার করে রিগ্রেশন ফলাফলের সাথে তাদের তুলনা করেছিলেন। তারা দেখতে পান যে ডিপ লার্নিং সিএনএন মডেলটি প্রচলিত রিগ্রেশন মডেলের মতোই বয়স অনুমানের কার্যকারিতা দেখিয়েছে। গুও এট আল-এর গবেষণা [¹⁵] ডেন্টাল অর্থোফোটোর উপর ভিত্তি করে সিএনএন প্রযুক্তির বয়স সহনশীলতা শ্রেণিবিন্যাস কার্যকারিতা মূল্যায়ন করেছে, এবং সিএনএন মডেলের ফলাফল প্রমাণ করেছে যে মানুষ এর বয়স শ্রেণিবিন্যাস কার্যকারিতাকে ছাড়িয়ে গেছে।
মেশিন লার্নিং ব্যবহার করে বয়স অনুমানের উপর বেশিরভাগ গবেষণায় ডিপ লার্নিং পদ্ধতি ব্যবহার করা হয়¹³,¹⁴,¹⁵,¹⁶,¹⁷,¹⁸,¹⁹,²⁰। ডিপ লার্নিং-ভিত্তিক বয়স অনুমান প্রচলিত পদ্ধতির চেয়ে বেশি নির্ভুল বলে জানা গেছে। তবে, এই পদ্ধতিতে বয়স অনুমানের বৈজ্ঞানিক ভিত্তি, যেমন অনুমানে ব্যবহৃত বয়সের সূচকগুলো, উপস্থাপনের সুযোগ খুব কম থাকে। কারা এই পরিদর্শন পরিচালনা করবে তা নিয়েও আইনি বিরোধ রয়েছে। তাই, ডিপ লার্নিং-ভিত্তিক বয়স অনুমান প্রশাসনিক এবং বিচারিক কর্তৃপক্ষের কাছে সহজে গ্রহণযোগ্য নয়। ডেটা মাইনিং (DM) এমন একটি কৌশল যা বিপুল পরিমাণ ডেটার মধ্যে দরকারী সম্পর্ক আবিষ্কারের একটি পদ্ধতি হিসেবে কেবল প্রত্যাশিত নয়, অপ্রত্যাশিত তথ্যও আবিষ্কার করতে পারে⁶,²¹,²²। ডেটা মাইনিং-এ প্রায়শই মেশিন লার্নিং ব্যবহার করা হয় এবং ডেটা মাইনিং ও মেশিন লার্নিং উভয়ই ডেটার মধ্যে প্যাটার্ন আবিষ্কার করতে একই মূল অ্যালগরিদম ব্যবহার করে। দাঁতের বিকাশের উপর ভিত্তি করে বয়স অনুমান করা হয় পরীক্ষকের দ্বারা নির্দিষ্ট দাঁতের পরিপক্কতার মূল্যায়নের উপর, এবং এই মূল্যায়ন প্রতিটি নির্দিষ্ট দাঁতের জন্য একটি পর্যায় হিসাবে প্রকাশ করা হয়। দাঁতের মূল্যায়নের পর্যায় এবং প্রকৃত বয়সের মধ্যে সম্পর্ক বিশ্লেষণ করতে DM ব্যবহার করা যেতে পারে এবং এটি প্রচলিত পরিসংখ্যানগত বিশ্লেষণকে প্রতিস্থাপন করার সম্ভাবনা রাখে। অতএব, বয়স নির্ধারণে ডিএম কৌশল প্রয়োগ করলে, আমরা আইনি দায়বদ্ধতার চিন্তা ছাড়াই ফরেনসিক বয়স নির্ধারণে মেশিন লার্নিং বাস্তবায়ন করতে পারি। ফরেনসিক অনুশীলনে ব্যবহৃত ঐতিহ্যবাহী ম্যানুয়াল পদ্ধতি এবং ডেন্টাল বয়স নির্ধারণের জন্য ইবিএম-ভিত্তিক পদ্ধতির সম্ভাব্য বিকল্পগুলির উপর বেশ কয়েকটি তুলনামূলক গবেষণা প্রকাশিত হয়েছে। শেন এট আল২৩ দেখিয়েছেন যে ডিএম মডেলটি ঐতিহ্যবাহী ক্যামেরার সূত্রের চেয়ে বেশি নির্ভুল। গ্যালিবোর্গ এট আল২৪ ডেমিরডজিয়ান মানদণ্ড২৫ অনুসারে বয়স ভবিষ্যদ্বাণী করার জন্য বিভিন্ন ডিএম পদ্ধতি প্রয়োগ করেছেন এবং ফলাফল দেখিয়েছে যে ফরাসি জনসংখ্যার বয়স নির্ধারণে ডিএম পদ্ধতিটি ডেমিরডজিয়ান এবং উইলেম্স পদ্ধতিকে ছাড়িয়ে গেছে।
কোরিয়ান কিশোর-কিশোরী এবং তরুণ-তরুণীদের দাঁতের বয়স অনুমান করার জন্য, লি-এর পদ্ধতি ৪ কোরিয়ান ফরেনসিক অনুশীলনে ব্যাপকভাবে ব্যবহৃত হয়। এই পদ্ধতিটি কোরিয়ান ব্যক্তিদের সাথে তাদের কালানুক্রমিক বয়সের সম্পর্ক পরীক্ষা করার জন্য প্রচলিত পরিসংখ্যানগত বিশ্লেষণ (যেমন মাল্টিপল রিগ্রেশন) ব্যবহার করে। এই গবেষণায়, প্রচলিত পরিসংখ্যানগত পদ্ধতি ব্যবহার করে প্রাপ্ত বয়স অনুমানের পদ্ধতিগুলোকে “প্রচলিত পদ্ধতি” হিসেবে সংজ্ঞায়িত করা হয়েছে। লি-এর পদ্ধতি একটি প্রচলিত পদ্ধতি, এবং এর নির্ভুলতা ওহ প্রমুখ দ্বারা নিশ্চিত করা হয়েছে ৫; তবে, কোরিয়ান ফরেনসিক অনুশীলনে ডিএম মডেলের উপর ভিত্তি করে বয়স অনুমানের প্রয়োগযোগ্যতা এখনও প্রশ্নবিদ্ধ। আমাদের লক্ষ্য ছিল ডিএম মডেলের উপর ভিত্তি করে বয়স অনুমানের সম্ভাব্য উপযোগিতাকে বৈজ্ঞানিকভাবে যাচাই করা। এই গবেষণার উদ্দেশ্য ছিল (১) দাঁতের বয়স অনুমানে দুটি ডিএম মডেলের নির্ভুলতার তুলনা করা এবং (২) ১৮ বছর বয়সে ৭টি ডিএম মডেলের শ্রেণিবিন্যাস কর্মক্ষমতাকে প্রচলিত পরিসংখ্যানগত পদ্ধতি ব্যবহার করে প্রাপ্ত ফলাফলের সাথে তুলনা করা। উভয় চোয়ালের দ্বিতীয় এবং তৃতীয় মোলারের পরিপক্কতা।
পর্যায় এবং দাঁতের ধরন অনুযায়ী কালানুক্রমিক বয়সের গড় এবং আদর্শ বিচ্যুতি অনলাইনে পরিপূরক সারণি S1 (প্রশিক্ষণ সেট), পরিপূরক সারণি S2 (অভ্যন্তরীণ পরীক্ষা সেট), এবং পরিপূরক সারণি S3 (বাহ্যিক পরীক্ষা সেট)-এ দেখানো হয়েছে। প্রশিক্ষণ সেট থেকে প্রাপ্ত অন্তঃ- এবং আন্তঃ-পর্যবেক্ষক নির্ভরযোগ্যতার জন্য কাপ্পা মান ছিল যথাক্রমে ০.৯৫১ এবং ০.৯৪৭। কাপ্পা মানের জন্য পি-মান এবং ৯৫% আত্মবিশ্বাস ব্যবধি অনলাইন পরিপূরক সারণি S4-এ দেখানো হয়েছে। কাপ্পা মানটিকে "প্রায় নিখুঁত" হিসাবে ব্যাখ্যা করা হয়েছে, যা ল্যান্ডিস এবং কচ-এর মানদণ্ডের সাথে সামঞ্জস্যপূর্ণ।
গড় পরম ত্রুটি (MAE) তুলনা করলে দেখা যায়, মাল্টিলেয়ার পারসেপট্রন (MLP) ব্যতীত, প্রচলিত পদ্ধতিটি সকল লিঙ্গের ক্ষেত্রে এবং বাহ্যিক পুরুষ টেস্ট সেটে ডিএম মডেলের চেয়ে সামান্য ভালো ফল দেয়। অভ্যন্তরীণ MAE টেস্ট সেটে প্রচলিত মডেল এবং ডিএম মডেলের মধ্যে পার্থক্য পুরুষদের জন্য ছিল ০.১২–০.১৯ বছর এবং মহিলাদের জন্য ছিল ০.১৭–০.২১ বছর। বাহ্যিক টেস্ট ব্যাটারির ক্ষেত্রে, পার্থক্যগুলো আরও কম (পুরুষদের জন্য ০.০০১–০.০৫ বছর এবং মহিলাদের জন্য ০.০৫–০.০৯ বছর)। এছাড়াও, রুট মিন স্কয়ার এরর (RMSE) প্রচলিত পদ্ধতির চেয়ে সামান্য কম, এবং পার্থক্যগুলোও ছোট (পুরুষদের অভ্যন্তরীণ টেস্ট সেটের জন্য ০.১৭–০.২৪, ০.২–০.২৪ এবং বাহ্যিক টেস্ট সেটের জন্য ০.০৩–০.০৭, ০.০৪–০.০৮)। মহিলাদের বাহ্যিক টেস্ট সেট ব্যতীত, এমএলপি সিঙ্গেল লেয়ার পারসেপট্রন (SLP)-এর চেয়ে সামান্য ভালো পারফরম্যান্স দেখায়। MAE এবং RMSE-এর ক্ষেত্রে, সকল লিঙ্গ ও মডেলের জন্য বাহ্যিক টেস্ট সেটের স্কোর অভ্যন্তরীণ টেস্ট সেটের চেয়ে বেশি। সমস্ত MAE এবং RMSE সারণি ১ এবং চিত্র ১-এ দেখানো হয়েছে।
প্রচলিত এবং ডেটা মাইনিং রিগ্রেশন মডেলের MAE এবং RMSE। গড় পরম ত্রুটি (MAE), মূল গড় বর্গ ত্রুটি (RMSE), একক স্তর পারসেপট্রন (SLP), বহুস্তর পারসেপট্রন (MLP), প্রচলিত CM পদ্ধতি।
ঐতিহ্যবাহী এবং ডিএম মডেলগুলির ক্লাসিফিকেশন পারফরম্যান্স (১৮ বছরের কাটঅফ সহ) সংবেদনশীলতা, নির্দিষ্টতা, পজিটিভ প্রেডিক্টিভ ভ্যালু (পিপিভি), নেগেটিভ প্রেডিক্টিভ ভ্যালু (এনপিভি), এবং রিসিভার অপারেটিং ক্যারেক্টারিস্টিক কার্ভের (AUROC) অধীনে ক্ষেত্রফলের পরিপ্রেক্ষিতে দেখানো হয়েছে (টেবিল ২, চিত্র ২ এবং অনলাইন পরিপূরক চিত্র ১)। অভ্যন্তরীণ টেস্ট ব্যাটারির সংবেদনশীলতার পরিপ্রেক্ষিতে, ঐতিহ্যবাহী পদ্ধতিগুলি পুরুষদের মধ্যে সবচেয়ে ভাল এবং মহিলাদের মধ্যে সবচেয়ে খারাপ পারফর্ম করেছে। যাইহোক, ঐতিহ্যবাহী পদ্ধতি এবং এসডি-এর মধ্যে ক্লাসিফিকেশন পারফরম্যান্সের পার্থক্য পুরুষদের জন্য ৯.৭% (এমএলপি) এবং মহিলাদের জন্য মাত্র ২.৪% (এক্সজিবিউস্ট)। ডিএম মডেলগুলির মধ্যে, লজিস্টিক রিগ্রেশন (এলআর) উভয় লিঙ্গের ক্ষেত্রেই আরও ভাল সংবেদনশীলতা দেখিয়েছে। অভ্যন্তরীণ টেস্ট সেটের নির্দিষ্টতার বিষয়ে, এটি পরিলক্ষিত হয়েছে যে চারটি এসডি মডেল পুরুষদের মধ্যে ভাল পারফর্ম করেছে, যখন ঐতিহ্যবাহী মডেলটি মহিলাদের মধ্যে আরও ভাল পারফর্ম করেছে। পুরুষ এবং মহিলাদের জন্য ক্লাসিফিকেশন পারফরম্যান্সের পার্থক্য যথাক্রমে ১৩.৩% (এমএলপি) এবং ১৩.১% (এমএলপি), যা নির্দেশ করে যে মডেলগুলির মধ্যে ক্লাসিফিকেশন পারফরম্যান্সের পার্থক্য সংবেদনশীলতাকে ছাড়িয়ে যায়। ডিএম মডেলগুলোর মধ্যে, সাপোর্ট ভেক্টর মেশিন (SVM), ডিসিশন ট্রি (DT), এবং র্যান্ডম ফরেস্ট (RF) মডেলগুলো পুরুষদের ক্ষেত্রে সেরা পারফর্ম করেছে, যেখানে এলআর মডেলটি মহিলাদের ক্ষেত্রে সেরা পারফর্ম করেছে। ঐতিহ্যবাহী মডেল এবং সমস্ত এসডি মডেলের AUROC ০.৯২৫-এর বেশি ছিল (পুরুষদের ক্ষেত্রে কে-নিয়ারেস্ট নেইবার (KNN)), যা ১৮ বছর বয়সী নমুনাগুলোকে পৃথক করার ক্ষেত্রে চমৎকার ক্লাসিফিকেশন পারফরম্যান্স প্রদর্শন করে। বাহ্যিক টেস্ট সেটের ক্ষেত্রে, অভ্যন্তরীণ টেস্ট সেটের তুলনায় সেনসিটিভিটি, স্পেসিফিসিটি এবং AUROC-এর পরিপ্রেক্ষিতে ক্লাসিফিকেশন পারফরম্যান্সে হ্রাস দেখা গেছে। অধিকন্তু, সেরা এবং সবচেয়ে খারাপ মডেলের ক্লাসিফিকেশন পারফরম্যান্সের মধ্যে সেনসিটিভিটি এবং স্পেসিফিসিটির পার্থক্য ১০% থেকে ২৫% পর্যন্ত ছিল এবং এটি অভ্যন্তরীণ টেস্ট সেটের পার্থক্যের চেয়ে বেশি ছিল।
১৮ বছর বয়সসীমার ভিত্তিতে প্রচলিত পদ্ধতির তুলনায় ডেটা মাইনিং ক্লাসিফিকেশন মডেলগুলোর সংবেদনশীলতা এবং নির্দিষ্টতা। KNN (কে নিয়ারেস্ট নেইবার), SVM (সাপোর্ট ভেক্টর মেশিন), LR (লজিস্টিক রিগ্রেশন), DT (ডিসিশন ট্রি), RF (র্যান্ডম ফরেস্ট), XGB (এক্সজিবিউস্ট), MLP (মাল্টিলেয়ার পারসেপট্রন), প্রচলিত CM পদ্ধতি।
এই গবেষণার প্রথম ধাপ ছিল সাতটি ডিএম মডেল থেকে প্রাপ্ত ডেন্টাল বয়সের অনুমানের নির্ভুলতার সাথে প্রচলিত রিগ্রেশন ব্যবহার করে প্রাপ্ত অনুমানের নির্ভুলতার তুলনা করা। উভয় লিঙ্গের জন্য অভ্যন্তরীণ টেস্ট সেটে এমএই (MAE) এবং আরএমএসই (RMSE) মূল্যায়ন করা হয়েছিল, এবং প্রচলিত পদ্ধতি ও ডিএম মডেলের মধ্যে পার্থক্য এমএই-এর ক্ষেত্রে ৪৪ থেকে ৭৭ দিন এবং আরএমএসই-এর ক্ষেত্রে ৬২ থেকে ৮৮ দিন পর্যন্ত ছিল। যদিও এই গবেষণায় প্রচলিত পদ্ধতিটি সামান্য বেশি নির্ভুল ছিল, তবে এই ধরনের একটি ছোট পার্থক্যের ক্লিনিকাল বা ব্যবহারিক তাৎপর্য আছে কিনা তা উপসংহারে বলা কঠিন। এই ফলাফলগুলি ইঙ্গিত দেয় যে ডিএম মডেল ব্যবহার করে ডেন্টাল বয়স অনুমানের নির্ভুলতা প্রচলিত পদ্ধতির নির্ভুলতার প্রায় সমান। পূর্ববর্তী গবেষণার ফলাফলের সাথে সরাসরি তুলনা করা কঠিন কারণ এই গবেষণার মতো একই বয়সের পরিসরে দাঁত রেকর্ড করার একই কৌশল ব্যবহার করে কোনো গবেষণাই ডিএম মডেলের নির্ভুলতার সাথে প্রচলিত পরিসংখ্যানগত পদ্ধতির তুলনা করেনি। গ্যালিবোর্গ এবং তার সহকর্মীরা২৪ ২ থেকে ২৪ বছর বয়সী একটি ফরাসি জনগোষ্ঠীর মধ্যে দুটি প্রচলিত পদ্ধতি (ডেমিরজিয়ান পদ্ধতি২৫ এবং উইলেম্স পদ্ধতি২৯) এবং ১০টি ডিএম মডেলের মধ্যে এমএই এবং আরএমএসই-এর তুলনা করেছিলেন। তারা রিপোর্ট করেছেন যে সমস্ত ডিএম মডেল প্রচলিত পদ্ধতির চেয়ে বেশি নির্ভুল ছিল, যেখানে উইলেমস এবং ডেমিরজিয়ান পদ্ধতির তুলনায় যথাক্রমে MAE-তে ০.২০ এবং ০.৩৮ বছর এবং RMSE-তে ০.২৫ এবং ০.৪৭ বছরের পার্থক্য দেখা গেছে। হ্যালিবোর্গ গবেষণায় এসডি মডেল এবং প্রচলিত পদ্ধতির মধ্যে যে পার্থক্য দেখানো হয়েছে, তা অসংখ্য রিপোর্ট৩০,৩১,৩২,৩৩ বিবেচনায় নেয়, যেখানে বলা হয়েছে যে ডেমিরজিয়ান পদ্ধতি ফরাসি কানাডিয়ান জনগোষ্ঠী ছাড়া অন্য জনগোষ্ঠীর দাঁতের বয়স সঠিকভাবে অনুমান করতে পারে না, যাদের উপর ভিত্তি করে গবেষণাটি করা হয়েছিল। এই গবেষণায়, তাই এবং তার সহকর্মীরা৩৪ ১৬৩৬টি চীনা অর্থোডন্টিক ফটোগ্রাফ থেকে দাঁতের বয়স ভবিষ্যদ্বাণী করার জন্য এমএলপি অ্যালগরিদম ব্যবহার করেছেন এবং ডেমিরজিয়ান ও উইলেমস পদ্ধতির ফলাফলের সাথে এর নির্ভুলতার তুলনা করেছেন। তারা রিপোর্ট করেছেন যে এমএলপি প্রচলিত পদ্ধতির চেয়ে বেশি নির্ভুল। ডেমিরজিয়ান পদ্ধতি এবং প্রচলিত পদ্ধতির মধ্যে পার্থক্য <০.৩২ বছর, এবং উইলেমস পদ্ধতির ক্ষেত্রে এটি ০.২৮ বছর, যা বর্তমান গবেষণার ফলাফলের অনুরূপ। পূর্ববর্তী গবেষণাগুলোর²⁴,³⁴ ফলাফলও বর্তমান গবেষণার ফলাফলের সাথে সামঞ্জস্যপূর্ণ, এবং ডিএম মডেল ও প্রচলিত পদ্ধতির বয়স নির্ণয়ের নির্ভুলতা একই রকম। তবে, উপস্থাপিত ফলাফলের উপর ভিত্তি করে, তুলনামূলক ও তথ্যসূত্রমূলক পূর্ববর্তী গবেষণার অভাবে আমরা কেবল সতর্কতার সাথে এই সিদ্ধান্তে আসতে পারি যে, বয়স নির্ণয়ের জন্য ডিএম মডেলের ব্যবহার প্রচলিত পদ্ধতিগুলোকে প্রতিস্থাপন করতে পারে। এই গবেষণায় প্রাপ্ত ফলাফল নিশ্চিত করার জন্য বৃহত্তর নমুনা ব্যবহার করে ফলো-আপ গবেষণা প্রয়োজন।
ডেন্টাল এজ নির্ণয়ে এসডি (SD)-এর নির্ভুলতা পরীক্ষাকারী গবেষণাগুলোর মধ্যে কয়েকটি আমাদের গবেষণার চেয়ে বেশি নির্ভুলতা দেখিয়েছে। স্টেপানোভস্কি ও তার সহকর্মীরা ৩৫, ২.৭ থেকে ২০.৫ বছর বয়সী ৯৭৬ জন চেক বাসিন্দার প্যানোরামিক রেডিওগ্রাফে ২২টি এসডি মডেল প্রয়োগ করেন এবং প্রতিটি মডেলের নির্ভুলতা পরীক্ষা করেন। তারা মুরিস ও তার সহকর্মীদের ৩৬ দ্বারা প্রস্তাবিত শ্রেণিবিন্যাস মানদণ্ড ব্যবহার করে মোট ১৬টি উপরের এবং নীচের বাম স্থায়ী দাঁতের বিকাশ মূল্যায়ন করেন। এমএই (MAE)-এর পরিসর ০.৬৪ থেকে ০.৯৪ বছর এবং আরএমএসই (RMSE)-এর পরিসর ০.৮৫ থেকে ১.২৭ বছর, যা এই গবেষণায় ব্যবহৃত দুটি ডিএম (DM) মডেলের চেয়ে বেশি নির্ভুল। শেন ও তার সহকর্মীরা ২৩, ৫ থেকে ১৩ বছর বয়সী পূর্ব চীনের বাসিন্দাদের বাম ম্যান্ডিবলের সাতটি স্থায়ী দাঁতের ডেন্টাল এজ নির্ণয়ের জন্য ক্যামেরিয়ার পদ্ধতি ব্যবহার করেন এবং লিনিয়ার রিগ্রেশন, এসভিএম (SVM) ও আরএফ (RF) ব্যবহার করে নির্ণীত বয়সের সাথে এর তুলনা করেন। তারা দেখিয়েছেন যে, প্রচলিত ক্যামেরিয়ার সূত্রের তুলনায় তিনটি ডিএম মডেলেরই নির্ভুলতা বেশি। শেন-এর গবেষণায় MAE এবং RMSE এই গবেষণার DM মডেলের তুলনায় কম ছিল। স্টেপানোভস্কি এট আল. 35 এবং শেন এট আল. 23-এর গবেষণার বর্ধিত নির্ভুলতার কারণ হতে পারে তাদের গবেষণা নমুনায় কম বয়সী অংশগ্রহণকারীদের অন্তর্ভুক্ত করা। যেহেতু দাঁতের বিকাশের সময় দাঁতের সংখ্যা বাড়ার সাথে সাথে বিকাশমান দাঁতযুক্ত অংশগ্রহণকারীদের বয়সের অনুমান আরও নির্ভুল হয়, তাই গবেষণার অংশগ্রহণকারীরা কম বয়সী হলে ফলস্বরূপ বয়স অনুমান পদ্ধতির নির্ভুলতা আপোসকৃত হতে পারে। উপরন্তু, বয়স অনুমানে MLP-এর ত্রুটি SLP-এর চেয়ে সামান্য কম, যার অর্থ MLP, SLP-এর চেয়ে বেশি নির্ভুল। বয়স অনুমানের জন্য MLP-কে সামান্য ভালো বলে মনে করা হয়, সম্ভবত MLP38-এর হিডেন লেয়ারগুলোর কারণে। তবে, মহিলাদের বাইরের নমুনার ক্ষেত্রে একটি ব্যতিক্রম রয়েছে (SLP 1.45, MLP 1.49)। বয়স নির্ধারণে MLP যে SLP-এর চেয়ে বেশি নির্ভুল, এই আবিষ্কারের জন্য অতিরিক্ত রেট্রোস্পেক্টিভ গবেষণার প্রয়োজন।
১৮ বছর বয়সের থ্রেশহোল্ডে ডিএম মডেল এবং প্রচলিত পদ্ধতির ক্লাসিফিকেশন পারফরম্যান্সও তুলনা করা হয়েছিল। অভ্যন্তরীণ টেস্ট সেটে পরীক্ষিত সমস্ত এসডি মডেল এবং প্রচলিত পদ্ধতিগুলো ১৮ বছর বয়সী নমুনার জন্য কার্যত গ্রহণযোগ্য মাত্রার পার্থক্যকরণ দেখিয়েছে। পুরুষ এবং মহিলাদের জন্য সেনসিটিভিটি ছিল যথাক্রমে ৮৭.৭% এবং ৯৪.৯%-এর বেশি, এবং স্পেসিফিসিটি ছিল ৮৯.৩% এবং ৮৪.৭%-এর বেশি। পরীক্ষিত সমস্ত মডেলের AUROC-ও ০.৯২৫ অতিক্রম করেছে। আমাদের জ্ঞানমতে, দাঁতের পরিপক্কতার উপর ভিত্তি করে ১৮ বছর বয়সের ক্লাসিফিকেশনের জন্য ডিএম মডেলের পারফরম্যান্স পরীক্ষা করে এমন কোনো গবেষণা করা হয়নি। আমরা এই গবেষণার ফলাফলকে প্যানোরামিক রেডিওগ্রাফের উপর ডিপ লার্নিং মডেলের ক্লাসিফিকেশন পারফরম্যান্সের সাথে তুলনা করতে পারি। গুও এট আল.¹⁵ একটি নির্দিষ্ট বয়সের থ্রেশহোল্ডের জন্য ডেমিরজিয়ানের পদ্ধতির উপর ভিত্তি করে একটি সিএনএন-ভিত্তিক ডিপ লার্নিং মডেল এবং একটি ম্যানুয়াল পদ্ধতির ক্লাসিফিকেশন পারফরম্যান্স গণনা করেছিলেন। ম্যানুয়াল পদ্ধতির সংবেদনশীলতা এবং নির্দিষ্টতা ছিল যথাক্রমে ৮৭.৭% এবং ৯৫.৫%, এবং সিএনএন মডেলের সংবেদনশীলতা এবং নির্দিষ্টতা যথাক্রমে ৮৯.২% এবং ৮৬.৬% অতিক্রম করেছে। তারা এই সিদ্ধান্তে উপনীত হন যে, বয়সের সীমা শ্রেণীকরণের ক্ষেত্রে ডিপ লার্নিং মডেলগুলো ম্যানুয়াল মূল্যায়নকে প্রতিস্থাপন করতে বা তার চেয়ে ভালো ফল দিতে পারে। এই গবেষণার ফলাফল একই ধরনের শ্রেণীকরণ কর্মক্ষমতা দেখিয়েছে; এটা বিশ্বাস করা হয় যে, বয়স অনুমানের জন্য ডিএম মডেল ব্যবহার করে শ্রেণীকরণ প্রচলিত পরিসংখ্যানগত পদ্ধতিগুলোকে প্রতিস্থাপন করতে পারে। মডেলগুলোর মধ্যে, পুরুষ নমুনার জন্য সংবেদনশীলতার দিক থেকে এবং মহিলা নমুনার জন্য সংবেদনশীলতা ও নির্দিষ্টতার দিক থেকে ডিএম এলআর ছিল সেরা মডেল। পুরুষদের ক্ষেত্রে নির্দিষ্টতার দিক থেকে এলআর দ্বিতীয় স্থানে রয়েছে। অধিকন্তু, এলআর-কে অন্যতম ব্যবহার-বান্ধব ডিএম৩৫ মডেল হিসেবে বিবেচনা করা হয় এবং এটি কম জটিল ও প্রক্রিয়াকরণে কম কঠিন। এই ফলাফলের উপর ভিত্তি করে, কোরিয়ান জনগোষ্ঠীর ১৮ বছর বয়সীদের জন্য এলআর-কে সেরা কাটঅফ শ্রেণীকরণ মডেল হিসেবে বিবেচনা করা হয়েছিল।
সামগ্রিকভাবে, বাহ্যিক টেস্ট সেটে বয়স অনুমানের নির্ভুলতা বা শ্রেণিবিন্যাস কর্মক্ষমতা অভ্যন্তরীণ টেস্ট সেটের ফলাফলের তুলনায় দুর্বল বা নিম্ন ছিল। কিছু প্রতিবেদন ইঙ্গিত দেয় যে কোরিয়ান জনসংখ্যার উপর ভিত্তি করে বয়সের অনুমান জাপানি জনসংখ্যার উপর প্রয়োগ করা হলে শ্রেণিবিন্যাসের নির্ভুলতা বা দক্ষতা হ্রাস পায়৫,৩৯, এবং বর্তমান গবেষণায়ও একই ধরনের একটি প্যাটার্ন পাওয়া গেছে। এই অবনতির প্রবণতা ডিএম মডেলেও পরিলক্ষিত হয়েছে। অতএব, বয়স সঠিকভাবে অনুমান করার জন্য, বিশ্লেষণ প্রক্রিয়ায় ডিএম ব্যবহার করার সময়ও, স্থানীয় জনসংখ্যার ডেটা থেকে প্রাপ্ত পদ্ধতি, যেমন ঐতিহ্যবাহী পদ্ধতি, অগ্রাধিকার দেওয়া উচিত৫,৩৯,৪০,৪১,৪২। যেহেতু ডিপ লার্নিং মডেলগুলিও একই ধরনের প্রবণতা দেখাতে পারে কিনা তা স্পষ্ট নয়, তাই কৃত্রিম বুদ্ধিমত্তা সীমিত বয়স মূল্যায়নে এই জাতিগত বৈষম্যগুলি কাটিয়ে উঠতে পারে কিনা তা নিশ্চিত করার জন্য একই নমুনার উপর ঐতিহ্যবাহী পদ্ধতি, ডিএম মডেল এবং ডিপ লার্নিং মডেল ব্যবহার করে শ্রেণিবিন্যাসের নির্ভুলতা এবং দক্ষতার তুলনা করে গবেষণা করা প্রয়োজন।
আমরা দেখিয়েছি যে কোরিয়ায় ফরেনসিক বয়স নির্ধারণ অনুশীলনে ডিএম মডেলের উপর ভিত্তি করে বয়স অনুমানের মাধ্যমে প্রচলিত পদ্ধতিগুলোকে প্রতিস্থাপন করা যেতে পারে। আমরা ফরেনসিক বয়স নির্ধারণের জন্য মেশিন লার্নিং প্রয়োগের সম্ভাবনাও আবিষ্কার করেছি। তবে, এর কিছু সুস্পষ্ট সীমাবদ্ধতা রয়েছে, যেমন—ফলাফল চূড়ান্তভাবে নির্ধারণ করার জন্য এই গবেষণায় অংশগ্রহণকারীর সংখ্যা অপর্যাপ্ত এবং এই গবেষণার ফলাফল তুলনা ও নিশ্চিত করার জন্য পূর্ববর্তী গবেষণার অভাব। ভবিষ্যতে, প্রচলিত পদ্ধতির তুলনায় এর ব্যবহারিক প্রয়োগযোগ্যতা উন্নত করার জন্য আরও বেশি সংখ্যক নমুনা এবং আরও বৈচিত্র্যময় জনগোষ্ঠী নিয়ে ডিএম গবেষণা করা উচিত। একাধিক জনগোষ্ঠীতে বয়স অনুমানের জন্য কৃত্রিম বুদ্ধিমত্তা ব্যবহারের সম্ভাব্যতা যাচাই করতে, ভবিষ্যতে একই নমুনার উপর প্রচলিত পদ্ধতির সাথে ডিএম এবং ডিপ লার্নিং মডেলের শ্রেণিবিন্যাস নির্ভুলতা ও দক্ষতার তুলনা করার জন্য আরও গবেষণার প্রয়োজন রয়েছে।
এই গবেষণায় ১৫ থেকে ২৩ বছর বয়সী কোরিয়ান এবং জাপানি প্রাপ্তবয়স্কদের কাছ থেকে সংগৃহীত ২,৬৫৭টি অর্থোগ্রাফিক ফটোগ্রাফ ব্যবহার করা হয়েছে। কোরিয়ান রেডিওগ্রাফগুলিকে ৯০০টি প্রশিক্ষণ সেট (১৯.৪২ ± ২.৬৫ বছর) এবং ৯০০টি অভ্যন্তরীণ পরীক্ষা সেটে (১৯.৫২ ± ২.৫৯ বছর) বিভক্ত করা হয়েছিল। প্রশিক্ষণ সেটটি একটি প্রতিষ্ঠান (সিউল সেন্ট মেরি'স হাসপাতাল) থেকে এবং নিজস্ব পরীক্ষা সেটটি দুটি প্রতিষ্ঠান (সিউল ন্যাশনাল ইউনিভার্সিটি ডেন্টাল হাসপাতাল এবং ইয়োনসেই ইউনিভার্সিটি ডেন্টাল হাসপাতাল) থেকে সংগ্রহ করা হয়েছিল। আমরা বাহ্যিক পরীক্ষার জন্য অন্য একটি জনসংখ্যা-ভিত্তিক ডেটা (ইওয়াতে মেডিকেল ইউনিভার্সিটি, জাপান) থেকে ৮৫৭টি রেডিওগ্রাফও সংগ্রহ করেছি। জাপানিদের রেডিওগ্রাফ (১৯.৩১ ± ২.৬০ বছর) বাহ্যিক পরীক্ষা সেট হিসাবে নির্বাচিত হয়েছিল। দাঁতের চিকিৎসার সময় তোলা প্যানোরামিক রেডিওগ্রাফগুলিতে দাঁতের বিকাশের পর্যায়গুলি বিশ্লেষণ করার জন্য ডেটাগুলি পূর্ববর্তী সময়ের তথ্য থেকে সংগ্রহ করা হয়েছিল। লিঙ্গ, জন্ম তারিখ এবং রেডিওগ্রাফের তারিখ ছাড়া সংগৃহীত সমস্ত ডেটা বেনামী ছিল। অন্তর্ভুক্তি এবং বর্জনের মানদণ্ড পূর্বে প্রকাশিত গবেষণা 4, 5-এর মতোই ছিল। রেডিওগ্রাফ নেওয়ার তারিখ থেকে জন্মতারিখ বিয়োগ করে নমুনাটির প্রকৃত বয়স গণনা করা হয়েছিল। নমুনা দলটিকে নয়টি বয়স গ্রুপে বিভক্ত করা হয়েছিল। বয়স এবং লিঙ্গভিত্তিক বিন্যাস সারণি ৩-এ দেখানো হয়েছে। এই গবেষণাটি হেলসিঙ্কি ঘোষণাপত্র অনুসারে পরিচালিত হয়েছিল এবং ক্যাথলিক ইউনিভার্সিটি অফ কোরিয়ার সিউল সেন্ট মেরি'স হাসপাতালের প্রাতিষ্ঠানিক পর্যালোচনা বোর্ড (IRB) (KC22WISI0328) দ্বারা অনুমোদিত হয়েছিল। এই গবেষণার পূর্ববর্তী তথ্যের উপর ভিত্তি করে নকশার কারণে, চিকিৎসার উদ্দেশ্যে রেডিওগ্রাফিক পরীক্ষা করানো সমস্ত রোগীর কাছ থেকে অবহিত সম্মতি (informed consent) পাওয়া সম্ভব হয়নি। সিউল কোরিয়া ইউনিভার্সিটি সেন্ট মেরি'স হাসপাতাল (IRB) অবহিত সম্মতির প্রয়োজনীয়তা মওকুফ করেছে।
ডেমিরকান মানদণ্ড২৫ অনুসারে দ্বিমুখী চোয়ালের দ্বিতীয় এবং তৃতীয় মোলারের বিকাশের পর্যায়গুলি মূল্যায়ন করা হয়েছিল। যদি প্রতিটি চোয়ালের বাম এবং ডান দিকে একই ধরণের দাঁত পাওয়া যায় তবে কেবল একটি দাঁত নির্বাচন করা হয়েছিল। যদি উভয় পাশের সমজাতীয় দাঁতগুলি ভিন্ন বিকাশের পর্যায়ে থাকে, তবে আনুমানিক বয়সের অনিশ্চয়তা বিবেচনা করার জন্য নিম্ন বিকাশের পর্যায়ের দাঁতটি নির্বাচন করা হয়েছিল। দাঁতের পরিপক্কতার পর্যায় নির্ধারণের জন্য প্রাক-ক্যালিব্রেশনের পরে আন্তঃ-পর্যবেক্ষক নির্ভরযোগ্যতা পরীক্ষা করার জন্য প্রশিক্ষণ সেট থেকে এলোমেলোভাবে নির্বাচিত একশটি রেডিওগ্রাফ দুজন অভিজ্ঞ পর্যবেক্ষক দ্বারা স্কোর করা হয়েছিল। প্রাথমিক পর্যবেক্ষক দ্বারা তিন মাসের ব্যবধানে দুইবার অন্তঃ-পর্যবেক্ষক নির্ভরযোগ্যতা মূল্যায়ন করা হয়েছিল।
বিভিন্ন ডিএম মডেল দ্বারা প্রশিক্ষিত একটি প্রাইমারি অবজারভারের মাধ্যমে ট্রেনিং সেটের প্রতিটি চোয়ালের দ্বিতীয় ও তৃতীয় মোলারের লিঙ্গ এবং বিকাশের পর্যায় অনুমান করা হয়েছিল এবং প্রকৃত বয়সকে টার্গেট ভ্যালু হিসেবে নির্ধারণ করা হয়েছিল। মেশিন লার্নিং-এ বহুল ব্যবহৃত এসএলপি এবং এমএলপি মডেলগুলোকে রিগ্রেশন অ্যালগরিদমের বিপরীতে পরীক্ষা করা হয়েছিল। ডিএম মডেলটি চারটি দাঁতের বিকাশের পর্যায় ব্যবহার করে লিনিয়ার ফাংশনগুলোকে একত্রিত করে এবং এই ডেটাগুলোকে একত্রিত করে বয়স অনুমান করে। এসএলপি হলো সবচেয়ে সরল নিউরাল নেটওয়ার্ক এবং এতে কোনো হিডেন লেয়ার থাকে না। এসএলপি নোডগুলোর মধ্যে থ্রেশহোল্ড ট্রান্সমিশনের উপর ভিত্তি করে কাজ করে। রিগ্রেশনে এসএলপি মডেলটি গাণিতিকভাবে মাল্টিপল লিনিয়ার রিগ্রেশনের অনুরূপ। এসএলপি মডেলের বিপরীতে, এমএলপি মডেলে নন-লিনিয়ার অ্যাক্টিভেশন ফাংশনসহ একাধিক হিডেন লেয়ার থাকে। আমাদের পরীক্ষাগুলোতে নন-লিনিয়ার অ্যাক্টিভেশন ফাংশনসহ মাত্র ২০টি হিডেন নোডযুক্ত একটি হিডেন লেয়ার ব্যবহার করা হয়েছে। আমাদের মেশিন লার্নিং মডেলকে প্রশিক্ষণ দেওয়ার জন্য অপটিমাইজেশন পদ্ধতি হিসেবে গ্রেডিয়েন্ট ডিসেন্ট এবং লস ফাংশন হিসেবে এমএই ও আরএমএসই ব্যবহার করা হয়েছে। প্রাপ্ত সেরা রিগ্রেশন মডেলটি অভ্যন্তরীণ এবং বাহ্যিক টেস্ট সেটে প্রয়োগ করা হয়েছিল এবং দাঁতগুলোর বয়স অনুমান করা হয়েছিল।
একটি ক্লাসিফিকেশন অ্যালগরিদম তৈরি করা হয়েছিল যা প্রশিক্ষণ সেটের চারটি দাঁতের পরিপক্কতা ব্যবহার করে একটি নমুনার বয়স ১৮ বছর কিনা তা ভবিষ্যদ্বাণী করে। মডেলটি তৈরি করার জন্য, আমরা সাতটি প্রতিনিধিত্বমূলক মেশিন লার্নিং অ্যালগরিদম⁶,⁴³ গ্রহণ করেছি: (১) এলআর, (২) কেএনএন, (৩) এসভিএম, (৪) ডিটি, (৫) আরএফ, (৬) এক্সজিবিউস্ট, এবং (৭) এমএলপি। এলআর সবচেয়ে বহুল ব্যবহৃত ক্লাসিফিকেশন অ্যালগরিদমগুলোর মধ্যে একটি⁴⁴। এটি একটি সুপারভাইজড লার্নিং অ্যালগরিদম যা রিগ্রেশন ব্যবহার করে ০ থেকে ১ এর মধ্যে একটি নির্দিষ্ট বিভাগে ডেটার অন্তর্ভুক্ত হওয়ার সম্ভাবনা ভবিষ্যদ্বাণী করে এবং এই সম্ভাবনার উপর ভিত্তি করে ডেটাকে আরও সম্ভাব্য বিভাগে শ্রেণীবদ্ধ করে; প্রধানত বাইনারি ক্লাসিফিকেশনের জন্য ব্যবহৃত হয়। কেএনএন সবচেয়ে সহজ মেশিন লার্নিং অ্যালগরিদমগুলোর মধ্যে একটি⁴⁵। যখন নতুন ইনপুট ডেটা দেওয়া হয়, তখন এটি বিদ্যমান সেটের কাছাকাছি k সংখ্যক ডেটা খুঁজে বের করে এবং তারপরে সর্বোচ্চ ফ্রিকোয়েন্সি সহ শ্রেণীতে সেগুলোকে শ্রেণীবদ্ধ করে। আমরা বিবেচিত প্রতিবেশীর সংখ্যা (k) ৩ নির্ধারণ করেছি। SVM হলো একটি অ্যালগরিদম যা একটি কার্নেল ফাংশন ব্যবহার করে লিনিয়ার স্পেসকে ফিল্ডস৪৬ নামক একটি নন-লিনিয়ার স্পেসে প্রসারিত করে দুটি ক্লাসের মধ্যে দূরত্ব সর্বাধিক করে। এই মডেলের জন্য, আমরা পলিনোমিয়াল কার্নেলের হাইপারপ্যারামিটার হিসেবে বায়াস = ১, পাওয়ার = ১, এবং গামা = ১ ব্যবহার করি। DT বিভিন্ন ক্ষেত্রে একটি অ্যালগরিদম হিসেবে প্রয়োগ করা হয়েছে যা একটি ট্রি স্ট্রাকচারে ডিসিশন রুলস উপস্থাপন করে সম্পূর্ণ ডেটা সেটকে কয়েকটি উপগোষ্ঠীতে বিভক্ত করে৪৭। মডেলটি প্রতি নোডে সর্বনিম্ন ২টি রেকর্ডের সাথে কনফিগার করা হয়েছে এবং গুণমানের পরিমাপ হিসেবে গিনি ইনডেক্স ব্যবহার করে। RF হলো একটি এনসেম্বল পদ্ধতি যা বুটস্ট্র্যাপ অ্যাগ্রিগেশন পদ্ধতি ব্যবহার করে পারফরম্যান্স উন্নত করার জন্য একাধিক DT-কে একত্রিত করে। এই পদ্ধতিটি মূল ডেটা সেট থেকে একাধিকবার একই আকারের নমুনা এলোমেলোভাবে নিয়ে প্রতিটি নমুনার জন্য একটি দুর্বল ক্লাসিফায়ার তৈরি করে৪৮। আমরা নোড পৃথকীকরণের মানদণ্ড হিসেবে ১০০টি ট্রি, ১০টি ট্রি ডেপথ, ১টি সর্বনিম্ন নোড সাইজ এবং গিনি অ্যাডমিক্সচার ইনডেক্স ব্যবহার করেছি। নতুন ডেটার শ্রেণিবিন্যাস সংখ্যাগরিষ্ঠ ভোটের মাধ্যমে নির্ধারিত হয়। XGBoost হলো একটি অ্যালগরিদম যা বুস্টিং কৌশলগুলিকে একত্রিত করে। এটি এমন একটি পদ্ধতি ব্যবহার করে যেখানে পূর্ববর্তী মডেলের প্রকৃত এবং পূর্বাভাসিত মানের মধ্যেকার ত্রুটিকে প্রশিক্ষণ ডেটা হিসাবে নেওয়া হয় এবং গ্রেডিয়েন্ট ব্যবহার করে সেই ত্রুটিকে বৃদ্ধি করা হয়। এটি তার ভালো পারফরম্যান্স এবং রিসোর্স দক্ষতার পাশাপাশি ওভারফিটিং সংশোধন ফাংশন হিসাবে উচ্চ নির্ভরযোগ্যতার কারণে একটি বহুল ব্যবহৃত অ্যালগরিদম। মডেলটিতে ৪০০টি সাপোর্টিং নিউরন রয়েছে। MLP হলো একটি নিউরাল নেটওয়ার্ক যেখানে এক বা একাধিক পারসেপট্রন ইনপুট এবং আউটপুট লেয়ারের মধ্যে এক বা একাধিক হিডেন লেয়ার সহ একাধিক স্তর তৈরি করে। এটি ব্যবহার করে, আপনি নন-লিনিয়ার ক্লাসিফিকেশন করতে পারেন, যেখানে একটি ইনপুট লেয়ার যোগ করে একটি ফলাফল মান পাওয়া গেলে, পূর্বাভাসিত ফলাফল মানটিকে প্রকৃত ফলাফল মানের সাথে তুলনা করা হয় এবং ত্রুটিটি আবার ফেরত পাঠানো হয়। আমরা প্রতিটি স্তরে ২০টি হিডেন নিউরন সহ একটি হিডেন লেয়ার তৈরি করেছি। আমাদের তৈরি করা প্রতিটি মডেলকে অভ্যন্তরীণ এবং বাহ্যিক সেটে প্রয়োগ করে সংবেদনশীলতা, নির্দিষ্টতা, PPV, NPV, এবং AUROC গণনা করে ক্লাসিফিকেশন পারফরম্যান্স পরীক্ষা করা হয়েছে। সংবেদনশীলতা হলো ১৮ বছর বা তার বেশি বয়সী বলে অনুমান করা নমুনার সাথে ১৮ বছর বা তার বেশি বয়সী বলে অনুমান করা নমুনার অনুপাত। নির্দিষ্টতা হলো ১৮ বছরের কম বয়সী নমুনা এবং ১৮ বছরের কম বয়সী বলে অনুমান করা নমুনার অনুপাত।
পরিসংখ্যানগত বিশ্লেষণের জন্য প্রশিক্ষণ সেটে মূল্যায়ন করা দাঁতের পর্যায়গুলোকে সংখ্যাসূচক পর্যায়ে রূপান্তরিত করা হয়েছিল। প্রতিটি লিঙ্গের জন্য ভবিষ্যদ্বাণীমূলক মডেল তৈরি করতে এবং বয়স অনুমানের জন্য ব্যবহারযোগ্য রিগ্রেশন সূত্রগুলো বের করতে বহুচলকীয় রৈখিক এবং লজিস্টিক রিগ্রেশন করা হয়েছিল। আমরা অভ্যন্তরীণ এবং বাহ্যিক উভয় পরীক্ষা সেটের জন্য দাঁতের বয়স অনুমান করতে এই সূত্রগুলো ব্যবহার করেছি। সারণি ৪-এ এই গবেষণায় ব্যবহৃত রিগ্রেশন এবং ক্লাসিফিকেশন মডেলগুলো দেখানো হয়েছে।
কোহেনের কাপ্পা পরিসংখ্যান ব্যবহার করে অন্তঃ- এবং আন্তঃ-পর্যবেক্ষক নির্ভরযোগ্যতা গণনা করা হয়েছিল। ডিএম এবং প্রচলিত রিগ্রেশন মডেলগুলির নির্ভুলতা পরীক্ষা করার জন্য, আমরা অভ্যন্তরীণ এবং বাহ্যিক টেস্ট সেটের আনুমানিক এবং প্রকৃত বয়স ব্যবহার করে এমএই (MAE) এবং আরএমএসই (RMSE) গণনা করেছি। এই ত্রুটিগুলি সাধারণত মডেলের পূর্বাভাসের নির্ভুলতা মূল্যায়ন করতে ব্যবহৃত হয়। ত্রুটি যত কম হবে, পূর্বাভাসের নির্ভুলতা তত বেশি হবে। ডিএম এবং প্রচলিত রিগ্রেশন ব্যবহার করে গণনা করা অভ্যন্তরীণ এবং বাহ্যিক টেস্ট সেটের এমএই এবং আরএমএসই-এর তুলনা করুন। প্রচলিত পরিসংখ্যানে ১৮-বছর কাটঅফের শ্রেণিবিন্যাস কর্মক্ষমতা একটি ২ × ২ কন্টিনজেন্সি টেবিল ব্যবহার করে মূল্যায়ন করা হয়েছিল। টেস্ট সেটের গণনা করা সংবেদনশীলতা, নির্দিষ্টতা, পিপিভি, এনপিভি এবং এইউআরওসি-কে ডিএম শ্রেণিবিন্যাস মডেলের পরিমাপ করা মানগুলির সাথে তুলনা করা হয়েছিল। ডেটার বৈশিষ্ট্যের উপর নির্ভর করে ডেটা গড় ± স্ট্যান্ডার্ড ডেভিয়েশন বা সংখ্যা (%) হিসাবে প্রকাশ করা হয়েছে। দ্বি-পার্শ্বীয় পি-মান <০.০৫ পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ বলে বিবেচিত হয়েছিল। সমস্ত রুটিন পরিসংখ্যানগত বিশ্লেষণ এসএএস সংস্করণ ৯.৪ (এসএএস ইনস্টিটিউট, ক্যারি, এনসি) ব্যবহার করে করা হয়েছিল। ডিএম রিগ্রেশন মডেলটি পাইথনে Keras50 2.2.4 ব্যাকএন্ড এবং বিশেষত গাণিতিক ক্রিয়াকলাপের জন্য Tensorflow51 1.8.0 ব্যবহার করে বাস্তবায়ন করা হয়েছিল। ডিএম ক্লাসিফিকেশন মডেলটি ওয়াইকাটো নলেজ অ্যানালাইসিস এনভায়রনমেন্ট এবং কনস্টানজ ইনফরমেশন মাইনার (KNIME) 4.6.152 অ্যানালাইসিস প্ল্যাটফর্মে বাস্তবায়ন করা হয়েছিল।
লেখকগণ স্বীকার করেন যে, গবেষণার সিদ্ধান্তসমূহকে সমর্থনকারী তথ্য প্রবন্ধটিতে এবং পরিপূরক উপকরণসমূহে পাওয়া যাবে। গবেষণাকালে উৎপাদিত এবং/অথবা বিশ্লেষিত ডেটাসেটসমূহ যুক্তিসঙ্গত অনুরোধের ভিত্তিতে সংশ্লিষ্ট লেখকের কাছ থেকে পাওয়া যাবে।
রিটজ-টিমে, এস. প্রমুখ। বয়স নির্ধারণ: ফরেনসিক অনুশীলনের নির্দিষ্ট প্রয়োজনীয়তা পূরণের জন্য অত্যাধুনিক পদ্ধতি। আন্তর্জাতিকতা। জে. লিগ্যাল মেডিসিন। ১১৩, ১২৯–১৩৬ (২০০০)।
শ্মেলিং, এ., রাইজিংগার, ডব্লিউ., গেসেরিক, জি., এবং ওলজে, এ.। ফৌজদারি বিচারের উদ্দেশ্যে জীবিত ব্যক্তিদের ফরেনসিক বয়স নির্ধারণের বর্তমান অবস্থা। ফরেনসিকস. মেডিসিন. প্যাথলজি. ১, ২৩৯–২৪৬ (২০০৫)।
প্যান, জে. প্রমুখ। পূর্ব চীনের ৫ থেকে ১৬ বছর বয়সী শিশুদের দাঁতের বয়স নির্ণয়ের একটি সংশোধিত পদ্ধতি। ক্লিনিক্যাল ওরাল সার্ভে। ২৫, ৩৪৬৩–৩৪৭৪ (২০২১)।
লি, এসএস প্রমুখ। কোরিয়ানদের দ্বিতীয় ও তৃতীয় মোলার দাঁতের বিকাশের কালানুক্রম এবং ফরেনসিক বয়স নির্ধারণে এর প্রয়োগ। আন্তর্জাতিকতা। জে. লিগ্যাল মেডিসিন। ১২৪, ৬৫৯–৬৬৫ (২০১০)।
ওহ, এস., কুমাগাই, এ., কিম, এসওয়াই এবং লি, এসএস কোরিয়ান এবং জাপানিদের দ্বিতীয় এবং তৃতীয় মোলারের পরিপক্কতার উপর ভিত্তি করে বয়স অনুমান এবং ১৮-বছর বয়সের সীমা নির্ধারণের নির্ভুলতা। পিএলওএস ওয়ান ১৭, ই০২৭১২৪৭ (২০২২)।
কিম, জেওয়াই, প্রমুখ। ওএসএ আক্রান্ত রোগীদের ক্ষেত্রে অস্ত্রোপচারের পূর্বে মেশিন লার্নিং-ভিত্তিক ডেটা বিশ্লেষণ স্লিপ সার্জারি চিকিৎসার ফলাফল পূর্বাভাস দিতে পারে। দ্য সায়েন্স। রিপোর্ট ১১, ১৪৯১১ (২০২১)।
হান, এম. প্রমুখ। মানবিক হস্তক্ষেপ সহ বা ছাড়াই মেশিন লার্নিং থেকে সঠিক বয়স অনুমান? আন্তর্জাতিকতা। জে. লিগ্যাল মেডিসিন। ১৩৬, ৮২১–৮৩১ (২০২২)।
খান, এস. এবং শাহীন, এম. ডেটা মাইনিং থেকে ডেটা মাইনিং পর্যন্ত। জে. ইনফরমেশন. দ্য সায়েন্স। https://doi.org/10.1177/01655515211030872 (২০২১)।
খান, এস. এবং শাহীন, এম. উইসরুল: অ্যাসোসিয়েশন রুল মাইনিং-এর জন্য প্রথম কগনিটিভ অ্যালগরিদম। জে. ইনফরমেশন. দ্য সায়েন্স। https://doi.org/10.1177/01655515221108695 (২০২২)।
শাহীন এম. এবং আব্দুল্লাহ ইউ. কার্ম: প্রসঙ্গ-ভিত্তিক সংযোগ নিয়মের উপর ভিত্তি করে ঐতিহ্যবাহী ডেটা মাইনিং। ক্যালকুলেট. ম্যাট. কন্টিনিউ. ৬৮, ৩৩০৫–৩৩২২ (২০২১)।
মুহাম্মদ এম., রেহমান জেড., শাহীন এম., খান এম. এবং হাবিব এম.। পাঠ্য তথ্য ব্যবহার করে গভীর শিখন ভিত্তিক শব্দার্থিক সাদৃশ্য সনাক্তকরণ। তথ্য প্রযুক্তি নিয়ন্ত্রণ। https://doi.org/10.5755/j01.itc.49.4.27118 (২০২০)।
তাবিশ, এম., তানোলি, জেড., এবং শাহিন, এম. ক্রীড়া ভিডিওতে কার্যকলাপ শনাক্তকরণের একটি সিস্টেম। মাল্টিমিডিয়া টুলস অ্যাপ্লিকেশনস https://doi.org/10.1007/s11042-021-10519-6 (২০২১)।
হালাবি, এসএস প্রমুখ। শিশুদের অস্থির বয়স নির্ণয়ে আরএসএনএ মেশিন লার্নিং চ্যালেঞ্জ। রেডিওলজি ২৯০, ৪৯৮–৫০৩ (২০১৯)।
লি, ওয়াই. প্রমুখ। ডিপ লার্নিং ব্যবহার করে পেলভিক এক্স-রে থেকে ফরেনসিক বয়স নির্ণয়। ইউরো. রেডিয়েশন. ২৯, ২৩২২–২৩২৯ (২০১৯)।
গুও, ওয়াইসি, প্রমুখ। অর্থোগ্রাফিক প্রজেকশন চিত্র থেকে ম্যানুয়াল পদ্ধতি এবং ডিপ কনভল্যুশনাল নিউরাল নেটওয়ার্ক ব্যবহার করে নির্ভুল বয়স শ্রেণিবিন্যাস। আন্তর্জাতিকতা। জে. লিগ্যাল মেডিসিন। ১৩৫, ১৫৮৯–১৫৯৭ (২০২১)।
অ্যালাবামা ডালোরা ও অন্যান্য। বিভিন্ন মেশিন লার্নিং পদ্ধতি ব্যবহার করে অস্থির বয়স নির্ণয়: একটি পদ্ধতিগত সাহিত্য পর্যালোচনা ও মেটা-বিশ্লেষণ। পিএলওএস ওয়ান ১৪, ই০২২০২৪২ (২০১৯)।
ডু, এইচ., লি, জি., চেং, কে., এবং ইয়াং, জে.। কোন-বিম কম্পিউটেড টমোগ্রাফি ব্যবহার করে প্রথম মোলারের পাল্প চেম্বারের আয়তনের উপর ভিত্তি করে আফ্রিকান আমেরিকান এবং চীনাদের জনসংখ্যা-নির্দিষ্ট বয়স অনুমান। আন্তর্জাতিকতা। জে. লিগ্যাল মেডিসিন। ১৩৬, ৮১১–৮১৯ (২০২২)।
কিম এস., লি ওয়াইএইচ, নোহ ওয়াইকে, পার্ক এফকে এবং ও কেএস, কৃত্রিম বুদ্ধিমত্তা-ভিত্তিক প্রথম মোলারের ছবি ব্যবহার করে জীবিত মানুষের বয়স নির্ধারণ। দ্য সায়েন্স। রিপোর্ট ১১, ১০৭৩ (২০২১)।
স্টার্ন, ডি., পেয়ার, সি., জিউলিয়ানি, এন., এবং উর্শলার, এম.। বহুচলকীয় এমআরআই ডেটা থেকে স্বয়ংক্রিয় বয়স অনুমান এবং সাবালকত্ব বয়স শ্রেণিবিন্যাস। আইইইই জে. বায়োমেড. হেলথ অ্যালার্টস. ২৩, ১৩৯২–১৪০৩ (২০১৯)।
চেং, কিউ., গে, জেড., ডু, এইচ. এবং লি, জি.। ডিপ লার্নিং এবং লেভেল সেটের সমন্বয়ে কোন বিম কম্পিউটেড টমোগ্রাফি থেকে প্রথম মোলারের ত্রিমাত্রিক পাল্প চেম্বার বিভাজনের উপর ভিত্তি করে বয়স নির্ধারণ। আন্তর্জাতিকতা। জে. লিগ্যাল মেডিসিন। ১৩৫, ৩৬৫–৩৭৩ (২০২১)।
উ, ডব্লিউটি, প্রমুখ। ক্লিনিক্যাল বিগ ডেটাতে ডেটা মাইনিং: সাধারণ ডেটাবেস, ধাপ এবং পদ্ধতি মডেল। ওয়ার্ল্ড মেডিসিন রিসোর্স ৮, ৪৪ (২০২১)।
ইয়াং, জে. প্রমুখ। বিগ ডেটা যুগে মেডিকেল ডেটাবেস এবং ডেটা মাইনিং প্রযুক্তির পরিচিতি। জে. অ্যাভিড. বেসিক মেডিসিন। ১৩, ৫৭–৬৯ (২০২০)।
শেন, এস. প্রমুখ। মেশিন লার্নিং ব্যবহার করে দাঁতের বয়স নির্ণয়ে ক্যামেরার পদ্ধতি। বিএমসি ওরাল হেলথ ২১, ৬৪১ (২০২১)।
গ্যালিবুর্গ এ. এবং অন্যান্য। ডেমিরডজিয়ান স্টেজিং পদ্ধতি ব্যবহার করে দাঁতের বয়স ভবিষ্যদ্বাণী করার জন্য বিভিন্ন মেশিন লার্নিং পদ্ধতির তুলনা। আন্তর্জাতিকতা। জে. লিগ্যাল মেডিসিন। ১৩৫, ৬৬৫–৬৭৫ (২০২১)।
ডেমিরজিয়ান, এ., গোল্ডস্টেইন, এইচ. এবং ট্যানার, জেএম. দাঁতের বয়স নির্ণয়ের একটি নতুন পদ্ধতি। স্নর্ট. বায়োলজি. 45, 211–227 (1973)।
ল্যান্ডিস, জেআর, এবং কচ, জিজি। শ্রেণিবদ্ধ তথ্যের উপর পর্যবেক্ষক চুক্তির পরিমাপ। বায়োমেট্রিক্স ৩৩, ১৫৯–১৭৪ (১৯৭৭)।
ভট্টাচার্য এস, প্রকাশ ডি, কিম সি, কিম এইচকে এবং চোই এইচকে। প্রাথমিক মস্তিষ্কের টিউমার শনাক্তকরণের জন্য কৃত্রিম বুদ্ধিমত্তা কৌশল ব্যবহার করে দ্বি-মাত্রিক ম্যাগনেটিক রেজোন্যান্স ইমেজিং-এর গঠনগত, রূপগত এবং পরিসংখ্যানগত বিশ্লেষণ। স্বাস্থ্য তথ্য সম্পদ। https://doi.org/10.4258/hir.2022.28.1.46 (২০২২)।
পোস্ট করার সময়: ০৪-জানুয়ারি-২০২৪