Nature.com পরিদর্শন করার জন্য আপনাকে ধন্যবাদ.আপনি যে ব্রাউজারের সংস্করণটি ব্যবহার করছেন সেটি সীমিত CSS সমর্থন করে।সর্বোত্তম ফলাফলের জন্য, আমরা আপনার ব্রাউজারের একটি নতুন সংস্করণ ব্যবহার করার পরামর্শ দিই (অথবা ইন্টারনেট এক্সপ্লোরারে সামঞ্জস্য মোড বন্ধ করুন)।ইতিমধ্যে, চলমান সমর্থন নিশ্চিত করতে, আমরা স্টাইলিং বা জাভাস্ক্রিপ্ট ছাড়াই সাইটটি দেখাচ্ছি।
দাঁত মানবদেহের বয়সের সবচেয়ে সঠিক সূচক হিসাবে বিবেচিত হয় এবং প্রায়শই ফরেনসিক বয়স মূল্যায়নে ব্যবহৃত হয়।আমরা প্রথাগত পদ্ধতি এবং ডেটা মাইনিং-ভিত্তিক বয়স অনুমানের সাথে 18-বছরের থ্রেশহোল্ডের অনুমানের নির্ভুলতা এবং শ্রেণিবিন্যাস কর্মক্ষমতা তুলনা করে ডেটা মাইনিং-ভিত্তিক ডেন্টাল বয়সের অনুমান যাচাই করার লক্ষ্য রেখেছি।15 থেকে 23 বছর বয়সী কোরিয়ান এবং জাপানি নাগরিকদের কাছ থেকে মোট 2657 প্যানোরামিক রেডিওগ্রাফ সংগ্রহ করা হয়েছিল।তারা একটি প্রশিক্ষণ সেটে বিভক্ত ছিল, প্রতিটিতে 900টি কোরিয়ান রেডিওগ্রাফ রয়েছে এবং একটি অভ্যন্তরীণ পরীক্ষা সেট রয়েছে যাতে 857টি জাপানি রেডিওগ্রাফ রয়েছে।আমরা ডেটা মাইনিং মডেলের পরীক্ষা সেটের সাথে ঐতিহ্যগত পদ্ধতির শ্রেণিবিন্যাস নির্ভুলতা এবং দক্ষতার তুলনা করেছি।অভ্যন্তরীণ পরীক্ষার সেটে প্রচলিত পদ্ধতির নির্ভুলতা ডেটা মাইনিং মডেলের তুলনায় সামান্য বেশি এবং পার্থক্যটি ছোট (মানে পরম ত্রুটি <0.21 বছর, রুট গড় বর্গাকার ত্রুটি <0.24 বছর)।18 বছরের কাটঅফের জন্য শ্রেণীবিন্যাস কর্মক্ষমতা ঐতিহ্যগত পদ্ধতি এবং ডেটা মাইনিং মডেলগুলির মধ্যেও একই রকম।এইভাবে, কোরিয়ান কিশোর-কিশোরীদের এবং অল্প বয়স্কদের মধ্যে দ্বিতীয় এবং তৃতীয় মোলারের পরিপক্কতা ব্যবহার করে ফরেনসিক বয়স মূল্যায়ন করার সময় ঐতিহ্যগত পদ্ধতিগুলি ডেটা মাইনিং মডেল দ্বারা প্রতিস্থাপিত হতে পারে।
ফরেনসিক মেডিসিন এবং পেডিয়াট্রিক ডেন্টিস্ট্রিতে দাঁতের বয়স অনুমান ব্যাপকভাবে ব্যবহৃত হয়।বিশেষ করে, কালানুক্রমিক বয়স এবং দাঁতের বিকাশের মধ্যে উচ্চ পারস্পরিক সম্পর্কের কারণে, দাঁতের বিকাশের পর্যায়গুলির দ্বারা বয়স মূল্যায়ন শিশু এবং কিশোর-কিশোরীদের বয়স মূল্যায়নের জন্য একটি গুরুত্বপূর্ণ মানদণ্ড।যাইহোক, তরুণদের জন্য, দাঁতের পরিপক্কতার উপর ভিত্তি করে দাঁতের বয়স অনুমান করার সীমাবদ্ধতা রয়েছে কারণ তৃতীয় মোলার বাদে দাঁতের বৃদ্ধি প্রায় সম্পূর্ণ।অল্পবয়সী এবং কিশোর-কিশোরীদের বয়স নির্ধারণের আইনি উদ্দেশ্য হল তারা সংখ্যাগরিষ্ঠ বয়সে পৌঁছেছে কিনা তার সঠিক অনুমান এবং বৈজ্ঞানিক প্রমাণ প্রদান করা।কোরিয়ার কিশোর-কিশোরীদের এবং তরুণ প্রাপ্তবয়স্কদের মেডিকো-আইনি অনুশীলনে, লি'র পদ্ধতি ব্যবহার করে বয়স অনুমান করা হয়েছিল এবং ওহ এট আল 5 দ্বারা রিপোর্ট করা তথ্যের ভিত্তিতে 18 বছরের একটি আইনি প্রান্তিকে পূর্বাভাস দেওয়া হয়েছিল।
মেশিন লার্নিং হল এক ধরনের কৃত্রিম বুদ্ধিমত্তা (AI) যা বারবার শেখে এবং প্রচুর পরিমাণে ডেটা শ্রেণীবদ্ধ করে, নিজে থেকেই সমস্যার সমাধান করে এবং ডেটা প্রোগ্রামিং চালায়।মেশিন লার্নিং ডেটা6 এর বিশাল ভলিউমে দরকারী লুকানো নিদর্শনগুলি আবিষ্কার করতে পারে।বিপরীতে, শাস্ত্রীয় পদ্ধতি, যা শ্রম-নিবিড় এবং সময়-সাপেক্ষ, তাদের সীমাবদ্ধতা থাকতে পারে যখন বৃহৎ পরিমাণে জটিল ডেটার সাথে কাজ করে যা ম্যানুয়ালি প্রক্রিয়া করা কঠিন7।অতএব, সাম্প্রতিক কম্পিউটার প্রযুক্তি ব্যবহার করে মানবিক ত্রুটি কমাতে এবং বহুমাত্রিক ডেটা8,9,10,11,12 দক্ষতার সাথে প্রক্রিয়াকরণের জন্য অনেক গবেষণা করা হয়েছে।বিশেষ করে, মেডিকেল ইমেজ বিশ্লেষণে গভীর শিক্ষা ব্যাপকভাবে ব্যবহৃত হয়েছে, এবং বয়স অনুমানের সঠিকতা এবং দক্ষতা উন্নত করার জন্য রেডিওগ্রাফগুলি স্বয়ংক্রিয়ভাবে বিশ্লেষণ করে বয়স অনুমানের জন্য বিভিন্ন পদ্ধতির রিপোর্ট করা হয়েছে13,14,15,16,17,18,19,20 .উদাহরণস্বরূপ, হালাবি এট আল 13 শিশুদের হাতের রেডিওগ্রাফ ব্যবহার করে কঙ্কালের বয়স অনুমান করার জন্য কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর উপর ভিত্তি করে একটি মেশিন লার্নিং অ্যালগরিদম তৈরি করেছে।এই অধ্যয়নটি একটি মডেল প্রস্তাব করে যা মেডিকেল ইমেজে মেশিন লার্নিং প্রয়োগ করে এবং দেখায় যে এই পদ্ধতিগুলি ডায়াগনস্টিক নির্ভুলতা উন্নত করতে পারে।Li et al14 ডিপ লার্নিং সিএনএন ব্যবহার করে পেলভিক এক্স-রে ইমেজ থেকে আনুমানিক বয়স এবং ওসিফিকেশন স্টেজ এস্টিমেশন ব্যবহার করে রিগ্রেশন ফলাফলের সাথে তুলনা করেছেন।তারা দেখতে পেয়েছে যে গভীর শিক্ষার সিএনএন মডেলটি প্রথাগত রিগ্রেশন মডেলের মতো একই বয়স অনুমান কার্যক্ষমতা দেখিয়েছে।গুও এট আল। এর গবেষণা [১৫] ডেন্টাল অরথোফটোসের উপর ভিত্তি করে সিএনএন প্রযুক্তির বয়স সহনশীলতার শ্রেণীবিভাগ কর্মক্ষমতা মূল্যায়ন করেছে এবং সিএনএন মডেলের ফলাফল প্রমাণ করেছে যে মানুষ তার বয়স শ্রেণীবিভাগের কর্মক্ষমতাকে ছাড়িয়ে গেছে।
মেশিন লার্নিং ব্যবহার করে বয়স অনুমান সংক্রান্ত বেশিরভাগ গবেষণায় গভীর শিক্ষার পদ্ধতি ব্যবহার করা হয় 13,14,15,16,17,18,19,20।গভীর শিক্ষার উপর ভিত্তি করে বয়স অনুমান ঐতিহ্যগত পদ্ধতির তুলনায় আরো সঠিক বলে জানা গেছে।যাইহোক, এই পদ্ধতিটি বয়সের অনুমানের জন্য বৈজ্ঞানিক ভিত্তি উপস্থাপন করার সামান্য সুযোগ প্রদান করে, যেমন অনুমানে ব্যবহৃত বয়স সূচকগুলি।কারা পরিদর্শন পরিচালনা করে তা নিয়েও আইনি বিরোধ রয়েছে।অতএব, গভীর শিক্ষার উপর ভিত্তি করে বয়স অনুমান প্রশাসনিক এবং বিচার বিভাগীয় কর্তৃপক্ষের দ্বারা গ্রহণ করা কঠিন।ডেটা মাইনিং (DM) হল এমন একটি কৌশল যা কেবলমাত্র প্রত্যাশিত নয়, অপ্রত্যাশিত তথ্যও আবিষ্কার করতে পারে একটি পদ্ধতি হিসাবে বিপুল পরিমাণ ডেটা6,21,22 এর মধ্যে দরকারী পারস্পরিক সম্পর্ক আবিষ্কার করার জন্য।মেশিন লার্নিং প্রায়শই ডেটা মাইনিংয়ে ব্যবহৃত হয় এবং ডেটা মাইনিং এবং মেশিন লার্নিং উভয়ই ডেটাতে প্যাটার্ন আবিষ্কার করতে একই মূল অ্যালগরিদম ব্যবহার করে।ডেন্টাল ডেভেলপমেন্ট ব্যবহার করে বয়স অনুমান করা হয় লক্ষ্য দাঁতের পরিপক্কতার পরীক্ষকের মূল্যায়নের উপর ভিত্তি করে, এবং এই মূল্যায়ন প্রতিটি লক্ষ্য দাঁতের জন্য একটি পর্যায় হিসাবে প্রকাশ করা হয়।DM ডেন্টাল অ্যাসেসমেন্ট স্টেজ এবং প্রকৃত বয়সের মধ্যে পারস্পরিক সম্পর্ক বিশ্লেষণ করতে ব্যবহার করা যেতে পারে এবং ঐতিহ্যগত পরিসংখ্যান বিশ্লেষণ প্রতিস্থাপন করার সম্ভাবনা রয়েছে।অতএব, যদি আমরা বয়স অনুমানের জন্য DM কৌশল প্রয়োগ করি, তাহলে আইনি দায় নিয়ে চিন্তা না করে আমরা ফরেনসিক বয়স অনুমানে মেশিন লার্নিং প্রয়োগ করতে পারি।ফরেনসিক অনুশীলনে ব্যবহৃত ঐতিহ্যবাহী ম্যানুয়াল পদ্ধতি এবং দাঁতের বয়স নির্ধারণের জন্য EBM-ভিত্তিক পদ্ধতির সম্ভাব্য বিকল্পগুলির উপর বেশ কিছু তুলনামূলক গবেষণা প্রকাশিত হয়েছে।Shen et al23 দেখিয়েছে যে DM মডেলটি প্রথাগত Camerer সূত্রের চেয়ে বেশি নির্ভুল।Galibourg et al24 Demirdjian criterion25 অনুযায়ী বয়সের ভবিষ্যদ্বাণী করার জন্য বিভিন্ন DM পদ্ধতি প্রয়োগ করেছে এবং ফলাফলগুলি দেখায় যে ডিএম পদ্ধতি ফরাসি জনসংখ্যার বয়স অনুমান করার ক্ষেত্রে ডেমিরডজিয়ান এবং উইলেমস পদ্ধতিকে ছাড়িয়ে গেছে।
কোরিয়ান কিশোর এবং তরুণ প্রাপ্তবয়স্কদের দাঁতের বয়স অনুমান করার জন্য, লি এর পদ্ধতি 4 কোরিয়ান ফরেনসিক অনুশীলনে ব্যাপকভাবে ব্যবহৃত হয়।কোরিয়ান বিষয় এবং কালানুক্রমিক বয়সের মধ্যে সম্পর্ক পরীক্ষা করার জন্য এই পদ্ধতিটি ঐতিহ্যগত পরিসংখ্যানগত বিশ্লেষণ (যেমন একাধিক রিগ্রেশন) ব্যবহার করে।এই গবেষণায়, ঐতিহ্যগত পরিসংখ্যান পদ্ধতি ব্যবহার করে প্রাপ্ত বয়স অনুমান পদ্ধতিগুলিকে "ঐতিহ্যগত পদ্ধতি" হিসাবে সংজ্ঞায়িত করা হয়েছে।লি এর পদ্ধতি একটি ঐতিহ্যগত পদ্ধতি, এবং এর যথার্থতা ওহ এট আল দ্বারা নিশ্চিত করা হয়েছে।5;যাইহোক, কোরিয়ান ফরেনসিক অনুশীলনে ডিএম মডেলের উপর ভিত্তি করে বয়স অনুমানের প্রয়োগযোগ্যতা এখনও সন্দেহজনক।আমাদের লক্ষ্য ছিল ডিএম মডেলের উপর ভিত্তি করে বয়স অনুমানের সম্ভাব্য উপযোগিতা বৈজ্ঞানিকভাবে যাচাই করা।এই অধ্যয়নের উদ্দেশ্য ছিল (1) দাঁতের বয়স অনুমান করার ক্ষেত্রে দুটি DM মডেলের নির্ভুলতার তুলনা করা এবং (2) 18 বছর বয়সে 7টি DM মডেলের শ্রেণীবিভাগ কর্মক্ষমতা তুলনা করা যা ঐতিহ্যগত পরিসংখ্যান পদ্ধতি ব্যবহার করে প্রাপ্তদের সাথে সেকেন্ডের পরিপক্কতা। এবং উভয় চোয়ালে তৃতীয় মোলার।
পর্যায় এবং দাঁতের ধরন অনুসারে কালানুক্রমিক বয়সের গড় এবং মানক বিচ্যুতি অনলাইনে সম্পূরক সারণী S1 (প্রশিক্ষণ সেট), পরিপূরক সারণী S2 (অভ্যন্তরীণ পরীক্ষা সেট), এবং পরিপূরক সারণী S3 (বাহ্যিক পরীক্ষার সেট) এ দেখানো হয়েছে।প্রশিক্ষণ সেট থেকে প্রাপ্ত ইন্ট্রা- এবং ইন্টারঅবজারভার নির্ভরযোগ্যতার জন্য কাপা মানগুলি যথাক্রমে 0.951 এবং 0.947 ছিল।কাপা মানগুলির জন্য P মান এবং 95% আত্মবিশ্বাসের ব্যবধানগুলি অনলাইন সম্পূরক টেবিল S4 এ দেখানো হয়েছে।কাপা মানটিকে "প্রায় নিখুঁত" হিসাবে ব্যাখ্যা করা হয়েছিল, যা Landis এবং Koch26-এর মানদণ্ডের সাথে সামঞ্জস্যপূর্ণ।
গড় পরম ত্রুটি (MAE) তুলনা করার সময়, প্রথাগত পদ্ধতিটি মাল্টিলেয়ার পারসেপ্ট্রন (এমএলপি) বাদ দিয়ে সমস্ত লিঙ্গের জন্য এবং বাহ্যিক পুরুষ পরীক্ষার সেটে ডিএম মডেলকে কিছুটা ছাড়িয়ে যায়।অভ্যন্তরীণ MAE পরীক্ষা সেটে ঐতিহ্যগত মডেল এবং DM মডেলের মধ্যে পার্থক্য ছিল পুরুষদের জন্য 0.12-0.19 বছর এবং মহিলাদের জন্য 0.17-0.21 বছর।বাহ্যিক পরীক্ষার ব্যাটারির জন্য, পার্থক্যগুলি ছোট (পুরুষদের জন্য 0.001–0.05 বছর এবং মহিলাদের জন্য 0.05–0.09 বছর)।উপরন্তু, রুট গড় বর্গাকার ত্রুটি (RMSE) প্রচলিত পদ্ধতির চেয়ে সামান্য কম, ছোট পার্থক্য সহ (0.17–0.24, 0.2–0.24 পুরুষ অভ্যন্তরীণ পরীক্ষা সেটের জন্য এবং 0.03–0.07, 0.04–0.08 বহিরাগত পরীক্ষা সেটের জন্য)।)এমএলপি সিঙ্গেল লেয়ার পারসেপ্ট্রন (SLP) থেকে কিছুটা ভালো পারফরম্যান্স দেখায়, শুধুমাত্র মহিলা বাহ্যিক পরীক্ষার সেটের ক্ষেত্রে।MAE এবং RMSE-এর জন্য, সমস্ত লিঙ্গ এবং মডেলের জন্য অভ্যন্তরীণ পরীক্ষার সেটের চেয়ে বাহ্যিক পরীক্ষার সেটের স্কোর বেশি।সমস্ত MAE এবং RMSE সারণি 1 এবং চিত্র 1 এ দেখানো হয়েছে।
ঐতিহ্যগত এবং ডেটা মাইনিং রিগ্রেশন মডেলের MAE এবং RMSE।গড় পরম ত্রুটি MAE, রুট গড় বর্গাকার ত্রুটি RMSE, একক স্তর পারসেপ্টরন SLP, মাল্টিলেয়ার পারসেপ্ট্রন MLP, ঐতিহ্যগত CM পদ্ধতি।
প্রথাগত এবং DM মডেলগুলির শ্রেণীবিভাগ কর্মক্ষমতা (18 বছরের কাটঅফ সহ) সংবেদনশীলতা, নির্দিষ্টতা, ইতিবাচক ভবিষ্যদ্বাণীমূলক মান (PPV), নেতিবাচক ভবিষ্যদ্বাণীমূলক মান (NPV), এবং রিসিভার অপারেটিং চরিত্রগত বক্ররেখা (AUROC) এর অধীনে প্রদর্শিত হয়েছিল। 27 (সারণী 2, চিত্র 2 এবং সম্পূরক চিত্র 1 অনলাইন)।অভ্যন্তরীণ পরীক্ষার ব্যাটারির সংবেদনশীলতার পরিপ্রেক্ষিতে, ঐতিহ্যগত পদ্ধতিগুলি পুরুষদের মধ্যে সেরা এবং মহিলাদের মধ্যে খারাপ।যাইহোক, ঐতিহ্যগত পদ্ধতি এবং SD এর মধ্যে শ্রেণীবিভাগ কর্মক্ষমতার পার্থক্য পুরুষদের (MLP) জন্য 9.7% এবং মহিলাদের জন্য (XGBoost) মাত্র 2.4%।ডিএম মডেলগুলির মধ্যে, লজিস্টিক রিগ্রেশন (এলআর) উভয় লিঙ্গের মধ্যে আরও ভাল সংবেদনশীলতা দেখিয়েছে।অভ্যন্তরীণ পরীক্ষার সেটের নির্দিষ্টতা সম্পর্কে, এটি দেখা গেছে যে চারটি এসডি মডেল পুরুষদের মধ্যে ভাল পারফরম্যান্স করেছে, যখন ঐতিহ্যগত মডেল মহিলাদের মধ্যে ভাল পারফর্ম করেছে।পুরুষ এবং মহিলাদের জন্য শ্রেণীবিভাগ কর্মক্ষমতা মধ্যে পার্থক্য যথাক্রমে 13.3% (MLP) এবং 13.1% (MLP), ইঙ্গিত করে যে মডেলগুলির মধ্যে শ্রেণীবিন্যাস কর্মক্ষমতা পার্থক্য সংবেদনশীলতা অতিক্রম করে।DM মডেলগুলির মধ্যে, সমর্থন ভেক্টর মেশিন (SVM), ডিসিশন ট্রি (DT), এবং র্যান্ডম ফরেস্ট (RF) মডেলগুলি পুরুষদের মধ্যে সেরা পারফর্ম করেছে, যেখানে LR মডেল মহিলাদের মধ্যে সেরা পারফর্ম করেছে৷প্রথাগত মডেল এবং সমস্ত SD মডেলের AUROC পুরুষদের মধ্যে 0.925 (কে-নিকটবর্তী প্রতিবেশী (KNN) এর চেয়ে বেশি ছিল, যা 18 বছর বয়সী নমুনাগুলিকে বৈষম্য করার ক্ষেত্রে চমৎকার শ্রেণীবিভাগ কর্মক্ষমতা প্রদর্শন করে।বাহ্যিক পরীক্ষার সেটের জন্য, অভ্যন্তরীণ পরীক্ষার সেটের তুলনায় সংবেদনশীলতা, নির্দিষ্টতা এবং AUROC পরিপ্রেক্ষিতে শ্রেণীবিভাগ কর্মক্ষমতা হ্রাস পেয়েছে।অধিকন্তু, সেরা এবং সবচেয়ে খারাপ মডেলের শ্রেণীবিন্যাস কর্মক্ষমতার মধ্যে সংবেদনশীলতা এবং নির্দিষ্টতার পার্থক্য 10% থেকে 25% পর্যন্ত এবং অভ্যন্তরীণ পরীক্ষার সেটের পার্থক্যের চেয়ে বড় ছিল।
18 বছরের কাটঅফ সহ ঐতিহ্যগত পদ্ধতির তুলনায় ডেটা মাইনিং শ্রেণীবিভাগের মডেলগুলির সংবেদনশীলতা এবং নির্দিষ্টতা।KNN k নিকটতম প্রতিবেশী, SVM সমর্থন ভেক্টর মেশিন, LR লজিস্টিক রিগ্রেশন, DT ডিসিশন ট্রি, RF র্যান্ডম ফরেস্ট, XGB XGBoost, MLP মাল্টিলেয়ার পারসেপ্ট্রন, ঐতিহ্যবাহী CM পদ্ধতি।
এই অধ্যয়নের প্রথম ধাপটি ছিল সাতটি ডিএম মডেল থেকে প্রাপ্ত ডেন্টাল বয়সের অনুমানের যথার্থতাকে ঐতিহ্যগত রিগ্রেশন ব্যবহার করে প্রাপ্তদের সাথে তুলনা করা।উভয় লিঙ্গের জন্য অভ্যন্তরীণ পরীক্ষা সেটে MAE এবং RMSE মূল্যায়ন করা হয়েছিল, এবং ঐতিহ্যগত পদ্ধতি এবং DM মডেলের মধ্যে পার্থক্য MAE-এর জন্য 44 থেকে 77 দিন এবং RMSE-এর জন্য 62 থেকে 88 দিনের মধ্যে ছিল।যদিও এই গবেষণায় ঐতিহ্যগত পদ্ধতিটি কিছুটা বেশি সঠিক ছিল, তবে এই ধরনের একটি ছোট পার্থক্যের ক্লিনিকাল বা ব্যবহারিক তাত্পর্য আছে কিনা তা উপসংহারে আসা কঠিন।এই ফলাফলগুলি নির্দেশ করে যে DM মডেল ব্যবহার করে দাঁতের বয়স অনুমানের নির্ভুলতা প্রায় ঐতিহ্যগত পদ্ধতির মতোই।পূর্ববর্তী অধ্যয়নের ফলাফলের সাথে সরাসরি তুলনা করা কঠিন কারণ এই গবেষণার মতো একই বয়সের সীমার মধ্যে দাঁত রেকর্ড করার একই কৌশল ব্যবহার করে কোনো গবেষণাই ঐতিহ্যগত পরিসংখ্যানগত পদ্ধতির সাথে DM মডেলের নির্ভুলতার তুলনা করেনি।Galibourg et al24 2 থেকে 24 বছর বয়সী ফরাসি জনসংখ্যার মধ্যে দুটি ঐতিহ্যগত পদ্ধতি (ডেমিরজিয়ান পদ্ধতি25 এবং উইলেমস পদ্ধতি29) এবং 10টি DM মডেলের মধ্যে MAE এবং RMSE তুলনা করেছে।তারা রিপোর্ট করেছে যে সমস্ত DM মডেল প্রথাগত পদ্ধতির চেয়ে বেশি সঠিক ছিল, উইলেমস এবং ডেমিরডজিয়ান পদ্ধতির তুলনায় যথাক্রমে MAE-তে 0.20 এবং 0.38 বছর এবং RMSE-তে 0.25 এবং 0.47 বছরের পার্থক্য রয়েছে।হ্যালিবুর্গ গবেষণায় দেখানো SD মডেল এবং ঐতিহ্যবাহী পদ্ধতির মধ্যে পার্থক্যটি অসংখ্য প্রতিবেদনকে বিবেচনা করে 30,31,32,33 যে ডেমিরডজিয়ান পদ্ধতিটি ফরাসি কানাডিয়ানদের ব্যতীত অন্যান্য জনসংখ্যার দাঁতের বয়স সঠিকভাবে অনুমান করে না যার উপর ভিত্তি করে গবেষণাটি করা হয়েছিল।এই গবেষণায়.তাই এট আল 34 1636 চীনা অর্থোডন্টিক ফটোগ্রাফ থেকে দাঁতের বয়স ভবিষ্যদ্বাণী করতে MLP অ্যালগরিদম ব্যবহার করেছেন এবং ডেমিরজিয়ান এবং উইলেমস পদ্ধতির ফলাফলের সাথে এর নির্ভুলতার তুলনা করেছেন।তারা রিপোর্ট করেছে যে এমএলপির প্রথাগত পদ্ধতির চেয়ে উচ্চ নির্ভুলতা রয়েছে।ডেমিরডজিয়ান পদ্ধতি এবং ঐতিহ্যগত পদ্ধতির মধ্যে পার্থক্য হল <0.32 বছর, এবং উইলেমস পদ্ধতি হল 0.28 বছর, যা বর্তমান গবেষণার ফলাফলের অনুরূপ।এই পূর্ববর্তী অধ্যয়নের ফলাফল 24,34 বর্তমান অধ্যয়নের ফলাফলের সাথে সামঞ্জস্যপূর্ণ, এবং DM মডেল এবং ঐতিহ্যগত পদ্ধতির বয়স অনুমানের নির্ভুলতা একই রকম।যাইহোক, উপস্থাপিত ফলাফলের উপর ভিত্তি করে, আমরা শুধুমাত্র সতর্কতার সাথে উপসংহারে পৌঁছাতে পারি যে বয়স অনুমান করার জন্য ডিএম মডেলগুলির ব্যবহার তুলনামূলক এবং উল্লেখ পূর্ববর্তী গবেষণার অভাবের কারণে বিদ্যমান পদ্ধতিগুলি প্রতিস্থাপন করতে পারে।এই গবেষণায় প্রাপ্ত ফলাফল নিশ্চিত করার জন্য বড় নমুনা ব্যবহার করে ফলো-আপ স্টাডিজ প্রয়োজন।
ডেন্টাল বয়স অনুমান করার ক্ষেত্রে SD এর নির্ভুলতা পরীক্ষা করা গবেষণার মধ্যে, কিছু আমাদের গবেষণার চেয়ে উচ্চ নির্ভুলতা দেখিয়েছে।Stepanovsky et al 35 2.7 থেকে 20.5 বছর বয়সী 976 চেক বাসিন্দাদের প্যানোরামিক রেডিওগ্রাফে 22 SD মডেল প্রয়োগ করেছেন এবং প্রতিটি মডেলের যথার্থতা পরীক্ষা করেছেন।তারা মুরিস এট আল 36 দ্বারা প্রস্তাবিত শ্রেণীবিভাগের মানদণ্ড ব্যবহার করে মোট 16টি উপরের এবং নীচের বাম স্থায়ী দাঁতের বিকাশের মূল্যায়ন করেছেন।MAE এর রেঞ্জ 0.64 থেকে 0.94 বছর এবং RMSE এর রেঞ্জ 0.85 থেকে 1.27 বছর, যা এই গবেষণায় ব্যবহৃত দুটি DM মডেলের চেয়ে বেশি সঠিক।Shen et al23 5 থেকে 13 বছর বয়সী পূর্ব চীনা বাসিন্দাদের বাম ম্যান্ডিবলে সাতটি স্থায়ী দাঁতের দাঁতের বয়স অনুমান করার জন্য Cameriere পদ্ধতি ব্যবহার করেছেন এবং লিনিয়ার রিগ্রেশন, SVM এবং RF ব্যবহার করে অনুমান করা বয়সের সাথে তুলনা করেছেন।তারা দেখিয়েছে যে তিনটি ডিএম মডেলের প্রথাগত ক্যামেরিয়ার সূত্রের তুলনায় উচ্চ নির্ভুলতা রয়েছে।শেন এর গবেষণায় MAE এবং RMSE এই গবেষণায় DM মডেলের তুলনায় কম ছিল।স্টেপানোভস্কি এট আল দ্বারা গবেষণার বর্ধিত নির্ভুলতা।35 এবং শেন এট আল।23 তাদের অধ্যয়নের নমুনায় অল্পবয়সী বিষয় অন্তর্ভুক্তির কারণে হতে পারে।যেহেতু ডেন্টাল ডেভেলপমেন্টের সময় দাঁতের সংখ্যা বৃদ্ধির সাথে সাথে ডেভেলপিং দাঁত সহ অংশগ্রহণকারীদের বয়সের অনুমান আরও সঠিক হয়ে যায়, তাই অধ্যয়নের অংশগ্রহণকারীদের বয়স কম হলে বয়সের অনুমান পদ্ধতির সঠিকতা আপোস করা হতে পারে।অতিরিক্তভাবে, বয়স অনুমানে MLP-এর ত্রুটি SLP-এর তুলনায় সামান্য ছোট, যার অর্থ হল MLP SLP-এর চেয়ে বেশি নির্ভুল৷MLP-কে বয়স অনুমানের জন্য কিছুটা ভালো বলে মনে করা হয়, সম্ভবত MLP38-এ লুকানো স্তরগুলির কারণে।যাইহোক, মহিলাদের বাইরের নমুনার জন্য একটি ব্যতিক্রম রয়েছে (SLP 1.45, MLP 1.49)।বয়স নির্ণয়ের ক্ষেত্রে MLP SLP-এর চেয়ে বেশি নির্ভুল যে অনুসন্ধানের জন্য অতিরিক্ত পূর্ববর্তী গবেষণার প্রয়োজন।
ডিএম মডেলের শ্রেণীবিভাগ কর্মক্ষমতা এবং একটি 18-বছরের থ্রেশহোল্ডে ঐতিহ্যগত পদ্ধতিরও তুলনা করা হয়েছিল।অভ্যন্তরীণ পরীক্ষার সেটে সমস্ত পরীক্ষিত এসডি মডেল এবং ঐতিহ্যগত পদ্ধতিগুলি 18 বছর বয়সী নমুনার জন্য বৈষম্যের কার্যত গ্রহণযোগ্য মাত্রা দেখিয়েছে।পুরুষ এবং মহিলাদের জন্য সংবেদনশীলতা যথাক্রমে 87.7% এবং 94.9% এর চেয়ে বেশি এবং নির্দিষ্টতা 89.3% এবং 84.7% এর চেয়ে বেশি ছিল।সমস্ত পরীক্ষিত মডেলের AUROCও 0.925 ছাড়িয়ে গেছে।আমাদের সর্বোত্তম জ্ঞান অনুসারে, দাঁতের পরিপক্কতার উপর ভিত্তি করে 18-বছরের শ্রেণীবিভাগের জন্য কোনও গবেষণাই DM মডেলের কার্যকারিতা পরীক্ষা করেনি।আমরা প্যানোরামিক রেডিওগ্রাফগুলিতে গভীর শিক্ষার মডেলগুলির শ্রেণিবিন্যাসের কার্যকারিতার সাথে এই গবেষণার ফলাফলের তুলনা করতে পারি।Guo et al.15 একটি CNN-ভিত্তিক গভীর শিক্ষার মডেলের শ্রেণীবিভাগ কর্মক্ষমতা এবং একটি নির্দিষ্ট বয়সের থ্রেশহোল্ডের জন্য ডেমিরজিয়ানের পদ্ধতির উপর ভিত্তি করে একটি ম্যানুয়াল পদ্ধতি গণনা করেছে।ম্যানুয়াল পদ্ধতির সংবেদনশীলতা এবং নির্দিষ্টতা ছিল যথাক্রমে 87.7% এবং 95.5%, এবং CNN মডেলের সংবেদনশীলতা এবং নির্দিষ্টতা যথাক্রমে 89.2% এবং 86.6% অতিক্রম করেছে।তারা উপসংহারে পৌঁছেছে যে গভীর শিক্ষার মডেলগুলি বয়সের থ্রেশহোল্ড শ্রেণীবদ্ধ করার ক্ষেত্রে ম্যানুয়াল মূল্যায়নকে প্রতিস্থাপন করতে পারে বা ছাড়িয়ে যেতে পারে।এই গবেষণার ফলাফল অনুরূপ শ্রেণীবিভাগ কর্মক্ষমতা দেখিয়েছেন;এটা বিশ্বাস করা হয় যে ডিএম মডেল ব্যবহার করে শ্রেণীবিভাগ বয়স অনুমানের জন্য ঐতিহ্যগত পরিসংখ্যান পদ্ধতি প্রতিস্থাপন করতে পারে।মডেলগুলির মধ্যে, পুরুষ নমুনার জন্য সংবেদনশীলতা এবং মহিলা নমুনার জন্য সংবেদনশীলতা এবং নির্দিষ্টতার ক্ষেত্রে ডিএম এলআর সেরা মডেল ছিল।পুরুষদের জন্য নির্দিষ্টতার দিক থেকে এলআর দ্বিতীয় স্থানে রয়েছে।অধিকন্তু, LR কে আরও ব্যবহারকারী-বান্ধব DM35 মডেলগুলির মধ্যে একটি হিসাবে বিবেচনা করা হয় এবং এটি কম জটিল এবং প্রক্রিয়া করা কঠিন।এই ফলাফলের উপর ভিত্তি করে, কোরিয়ান জনসংখ্যার মধ্যে 18 বছর বয়সীদের জন্য LR কে সেরা কাটঅফ শ্রেণীবিভাগ মডেল হিসাবে বিবেচনা করা হয়েছিল।
সামগ্রিকভাবে, বাহ্যিক পরীক্ষার সেটে বয়স অনুমান বা শ্রেণিবিন্যাস কর্মক্ষমতার নির্ভুলতা অভ্যন্তরীণ পরীক্ষার সেটের ফলাফলের তুলনায় দুর্বল বা কম ছিল।কিছু রিপোর্ট ইঙ্গিত করে যে শ্রেণীবিভাগের নির্ভুলতা বা দক্ষতা কমে যায় যখন কোরিয়ান জনসংখ্যার উপর ভিত্তি করে বয়সের অনুমান জাপানের জনসংখ্যা 5,39 প্রয়োগ করা হয়, এবং বর্তমান গবেষণায় একই ধরনের প্যাটার্ন পাওয়া গেছে।এই অবনতির প্রবণতাটি ডিএম মডেলেও পরিলক্ষিত হয়েছিল।অতএব, বয়স নির্ভুলভাবে অনুমান করার জন্য, এমনকি বিশ্লেষণ প্রক্রিয়ায় DM ব্যবহার করার সময়ও, স্থানীয় জনসংখ্যার তথ্য থেকে প্রাপ্ত পদ্ধতি, যেমন ঐতিহ্যগত পদ্ধতি, পছন্দ করা উচিত 5,39,40,41,42।যেহেতু গভীর শিক্ষার মডেলগুলি একই প্রবণতা দেখাতে পারে কিনা তা স্পষ্ট নয়, তাই কৃত্রিম বুদ্ধিমত্তা সীমিত বয়সে এই জাতিগত বৈষম্যগুলি কাটিয়ে উঠতে পারে কিনা তা নিশ্চিত করার জন্য ঐতিহ্যগত পদ্ধতি, DM মডেল এবং একই নমুনাগুলিতে গভীর শিক্ষার মডেলগুলি ব্যবহার করে শ্রেণিবিন্যাস নির্ভুলতা এবং দক্ষতার তুলনা করার অধ্যয়ন প্রয়োজন।মূল্যায়ন
আমরা দেখাই যে কোরিয়ায় ফরেনসিক বয়স অনুমান অনুশীলনে ডিএম মডেলের উপর ভিত্তি করে বয়স অনুমানের দ্বারা ঐতিহ্যগত পদ্ধতিগুলি প্রতিস্থাপন করা যেতে পারে।আমরা ফরেনসিক বয়স মূল্যায়নের জন্য মেশিন লার্নিং বাস্তবায়নের সম্ভাবনাও আবিষ্কার করেছি।যাইহোক, সুস্পষ্ট সীমাবদ্ধতা রয়েছে, যেমন ফলাফলগুলি নিশ্চিতভাবে নির্ধারণ করার জন্য এই গবেষণায় অংশগ্রহণকারীদের অপর্যাপ্ত সংখ্যা, এবং এই গবেষণার ফলাফল তুলনা এবং নিশ্চিত করার জন্য পূর্ববর্তী গবেষণার অভাব।ভবিষ্যতে, ঐতিহ্যগত পদ্ধতির তুলনায় এর ব্যবহারিক প্রযোজ্যতা উন্নত করতে DM অধ্যয়নগুলি বৃহত্তর সংখ্যক নমুনা এবং আরও বৈচিত্র্যময় জনসংখ্যার সাথে পরিচালিত হওয়া উচিত।একাধিক জনসংখ্যার বয়স অনুমান করার জন্য কৃত্রিম বুদ্ধিমত্তা ব্যবহার করার সম্ভাব্যতা যাচাই করার জন্য, একই নমুনায় প্রথাগত পদ্ধতির সাথে ডিএম এবং গভীর শিক্ষার মডেলগুলির শ্রেণিবিন্যাস নির্ভুলতা এবং দক্ষতার তুলনা করার জন্য ভবিষ্যতের অধ্যয়নের প্রয়োজন।
গবেষণায় 15 থেকে 23 বছর বয়সী কোরিয়ান এবং জাপানি প্রাপ্তবয়স্কদের কাছ থেকে সংগৃহীত 2,657 অর্থোগ্রাফিক ফটোগ্রাফ ব্যবহার করা হয়েছে।কোরিয়ান রেডিওগ্রাফগুলিকে 900টি প্রশিক্ষণ সেট (19.42 ± 2.65 বছর) এবং 900টি অভ্যন্তরীণ পরীক্ষা সেটে (19.52 ± 2.59 বছর) ভাগ করা হয়েছিল।প্রশিক্ষণ সেটটি একটি প্রতিষ্ঠানে সংগ্রহ করা হয়েছিল (সিউল সেন্ট মেরি'স হাসপাতাল), এবং দুটি প্রতিষ্ঠানে (সিউল ন্যাশনাল ইউনিভার্সিটি ডেন্টাল হাসপাতাল এবং ইয়নসেই ইউনিভার্সিটি ডেন্টাল হাসপাতাল) নিজস্ব পরীক্ষা সেট সংগ্রহ করা হয়েছিল।আমরা বাহ্যিক পরীক্ষার জন্য অন্য জনসংখ্যা-ভিত্তিক ডেটা (ইওয়াট মেডিকেল বিশ্ববিদ্যালয়, জাপান) থেকে 857টি রেডিওগ্রাফ সংগ্রহ করেছি।জাপানি বিষয়ের রেডিওগ্রাফগুলি (19.31 ± 2.60 বছর) বহিরাগত পরীক্ষার সেট হিসাবে নির্বাচিত হয়েছিল।দাঁতের চিকিত্সার সময় নেওয়া প্যানোরামিক রেডিওগ্রাফগুলিতে দাঁতের বিকাশের পর্যায়গুলি বিশ্লেষণ করার জন্য পূর্ববর্তীভাবে ডেটা 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 জন্ম তারিখ বিয়োগ করে নমুনার প্রকৃত বয়স গণনা করা হয়েছিল।নমুনা গ্রুপ নয়টি বয়সের গ্রুপে বিভক্ত ছিল।বয়স এবং লিঙ্গ বন্টন সারণি 3 এ দেখানো হয়েছে এই গবেষণাটি হেলসিঙ্কির ঘোষণা অনুসারে পরিচালিত হয়েছিল এবং কোরিয়ার ক্যাথলিক বিশ্ববিদ্যালয়ের সিউল সেন্ট মেরি'স হাসপাতালের ইনস্টিটিউশনাল রিভিউ বোর্ড (IRB) দ্বারা অনুমোদিত হয়েছিল (KC22WISI0328)।এই গবেষণার পূর্ববর্তী নকশার কারণে, থেরাপিউটিক উদ্দেশ্যে রেডিওগ্রাফিক পরীক্ষা করা সমস্ত রোগীদের কাছ থেকে অবহিত সম্মতি পাওয়া যায়নি।সিউল কোরিয়া ইউনিভার্সিটি সেন্ট মেরি'স হাসপাতাল (IRB) অবহিত সম্মতির জন্য প্রয়োজনীয়তা মওকুফ করেছে।
বাইম্যাক্সিলারি দ্বিতীয় এবং তৃতীয় মোলারগুলির বিকাশের পর্যায়গুলি ডেমিরকান মানদণ্ড অনুসারে মূল্যায়ন করা হয়েছিল 25।প্রতিটি চোয়ালের বাম এবং ডান দিকে একই ধরণের দাঁত পাওয়া গেলে শুধুমাত্র একটি দাঁত নির্বাচন করা হয়েছিল।যদি উভয় দিকের সমজাতীয় দাঁতগুলি বিভিন্ন বিকাশের পর্যায়ে থাকে, তবে নিম্ন বিকাশের পর্যায়ে দাঁতটিকে আনুমানিক বয়সের অনিশ্চয়তার জন্য নির্বাচন করা হয়েছিল।প্রশিক্ষণ সেট থেকে একশত এলোমেলোভাবে নির্বাচিত রেডিওগ্রাফগুলি দাঁতের পরিপক্কতার পর্যায় নির্ধারণের জন্য প্রাক-ক্যালিব্রেশনের পরে ইন্টারঅবজারভারের নির্ভরযোগ্যতা পরীক্ষা করার জন্য দুইজন অভিজ্ঞ পর্যবেক্ষক দ্বারা স্কোর করা হয়েছিল।প্রাথমিক পর্যবেক্ষক দ্বারা তিন মাসের ব্যবধানে ইন্ট্রাঅবজারভার নির্ভরযোগ্যতা দুইবার মূল্যায়ন করা হয়েছিল।
প্রশিক্ষণ সেটে প্রতিটি চোয়ালের দ্বিতীয় এবং তৃতীয় মোলারের লিঙ্গ এবং বিকাশের পর্যায়টি বিভিন্ন ডিএম মডেলের সাথে প্রশিক্ষিত প্রাথমিক পর্যবেক্ষক দ্বারা অনুমান করা হয়েছিল এবং প্রকৃত বয়স লক্ষ্য মান হিসাবে সেট করা হয়েছিল।SLP এবং MLP মডেলগুলি, যা মেশিন লার্নিংয়ে ব্যাপকভাবে ব্যবহৃত হয়, রিগ্রেশন অ্যালগরিদমের বিরুদ্ধে পরীক্ষা করা হয়েছিল।ডিএম মডেল চারটি দাঁতের বিকাশের পর্যায়গুলি ব্যবহার করে রৈখিক ফাংশনগুলিকে একত্রিত করে এবং বয়স অনুমান করতে এই ডেটাগুলিকে একত্রিত করে।SLP হল সবচেয়ে সহজ নিউরাল নেটওয়ার্ক এবং এতে লুকানো স্তর থাকে না।SLP নোডের মধ্যে থ্রেশহোল্ড সংক্রমণের উপর ভিত্তি করে কাজ করে।রিগ্রেশনে SLP মডেলটি গাণিতিকভাবে একাধিক লিনিয়ার রিগ্রেশনের মতো।SLP মডেলের বিপরীতে, MLP মডেলে ননলাইনার অ্যাক্টিভেশন ফাংশন সহ একাধিক লুকানো স্তর রয়েছে।আমাদের পরীক্ষায় ননলাইনার অ্যাক্টিভেশন ফাংশন সহ শুধুমাত্র 20টি লুকানো নোড সহ একটি লুকানো স্তর ব্যবহার করা হয়েছে।আমাদের মেশিন লার্নিং মডেলকে প্রশিক্ষিত করার জন্য অপ্টিমাইজেশান পদ্ধতি হিসাবে গ্রেডিয়েন্ট ডিসেন্ট এবং লস ফাংশন হিসাবে MAE এবং RMSE ব্যবহার করুন।সেরা প্রাপ্ত রিগ্রেশন মডেলটি অভ্যন্তরীণ এবং বাহ্যিক পরীক্ষার সেটগুলিতে প্রয়োগ করা হয়েছিল এবং দাঁতের বয়স অনুমান করা হয়েছিল।
একটি শ্রেণীবিন্যাস অ্যালগরিদম তৈরি করা হয়েছিল যা প্রশিক্ষণ সেটে চারটি দাঁতের পরিপক্কতা ব্যবহার করে একটি নমুনা 18 বছর বয়সী কিনা তা ভবিষ্যদ্বাণী করতে।মডেল তৈরি করার জন্য, আমরা সাতটি উপস্থাপনা মেশিন লার্নিং অ্যালগরিদম 6,43 প্রাপ্ত করেছি: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, এবং (7) MLP .LR হল বহুল ব্যবহৃত শ্রেণীবিভাগ অ্যালগরিদমগুলির মধ্যে একটি 44৷এটি একটি তত্ত্বাবধানে শিক্ষার অ্যালগরিদম যা 0 থেকে 1 পর্যন্ত একটি নির্দিষ্ট বিভাগের অন্তর্গত ডেটার সম্ভাব্যতার পূর্বাভাস দিতে রিগ্রেশন ব্যবহার করে এবং এই সম্ভাবনার উপর ভিত্তি করে ডেটাকে আরও সম্ভাব্য বিভাগের অন্তর্গত হিসাবে শ্রেণীবদ্ধ করে;প্রধানত বাইনারি শ্রেণীবিভাগের জন্য ব্যবহৃত হয়।KNN হল অন্যতম সহজ মেশিন লার্নিং অ্যালগরিদম45।নতুন ইনপুট ডেটা দেওয়া হলে, এটি বিদ্যমান সেটের কাছাকাছি k ডেটা খুঁজে পায় এবং তারপরে সর্বোচ্চ ফ্রিকোয়েন্সি সহ শ্রেণীতে শ্রেণীবদ্ধ করে।আমরা বিবেচিত প্রতিবেশীদের সংখ্যার জন্য 3 সেট করি (কে)।SVM হল একটি অ্যালগরিদম যা একটি কার্নেল ফাংশন ব্যবহার করে রৈখিক স্থানটিকে একটি নন-লিনিয়ার স্পেসে প্রসারিত করে ফিল্ড46 নামক দুটি শ্রেণীর মধ্যে দূরত্ব সর্বাধিক করে।এই মডেলের জন্য, আমরা বহুপদী কার্নেলের হাইপারপ্যারামিটার হিসাবে বায়াস = 1, পাওয়ার = 1 এবং গামা = 1 ব্যবহার করি।একটি গাছের কাঠামোতে সিদ্ধান্তের নিয়মগুলি উপস্থাপন করে একটি সম্পূর্ণ ডেটা সেটকে কয়েকটি উপগোষ্ঠীতে ভাগ করার জন্য একটি অ্যালগরিদম হিসাবে DT বিভিন্ন ক্ষেত্রে প্রয়োগ করা হয়েছে।মডেলটি 2 এর নোড প্রতি ন্যূনতম সংখ্যক রেকর্ডের সাথে কনফিগার করা হয়েছে এবং মানের পরিমাপ হিসাবে জিনি সূচক ব্যবহার করে।RF হল একটি ensemble পদ্ধতি যা একটি বুটস্ট্র্যাপ অ্যাগ্রিগেশন পদ্ধতি ব্যবহার করে পারফরম্যান্স উন্নত করতে একাধিক DTs একত্রিত করে যা মূল ডেটাসেট48 থেকে একই আকারের নমুনা একাধিকবার এলোমেলোভাবে অঙ্কন করে প্রতিটি নমুনার জন্য একটি দুর্বল শ্রেণীবিভাগ তৈরি করে।আমরা 100টি গাছ, 10টি গাছের গভীরতা, 1টি ন্যূনতম নোডের আকার, এবং নোড বিচ্ছেদ মানদণ্ড হিসাবে জিনি সংমিশ্রণ সূচক ব্যবহার করেছি।নতুন তথ্যের শ্রেণীবিভাগ সংখ্যাগরিষ্ঠ ভোট দ্বারা নির্ধারিত হয়।XGBoost হল একটি অ্যালগরিদম যা একটি পদ্ধতি ব্যবহার করে বুস্টিং কৌশলগুলিকে একত্রিত করে যা পূর্ববর্তী মডেলের প্রকৃত এবং পূর্বাভাসিত মানগুলির মধ্যে ত্রুটির প্রশিক্ষণ হিসাবে ডেটা গ্রহণ করে এবং গ্রেডিয়েন্ট 49 ব্যবহার করে ত্রুটিকে বাড়িয়ে তোলে।এটি একটি বহুল ব্যবহৃত অ্যালগরিদম যা এর ভাল কার্যকারিতা এবং সম্পদের দক্ষতা, সেইসাথে একটি ওভারফিটিং সংশোধন ফাংশন হিসাবে উচ্চ নির্ভরযোগ্যতার কারণে।মডেল 400 সমর্থন চাকার সঙ্গে সজ্জিত করা হয়.এমএলপি একটি নিউরাল নেটওয়ার্ক যেখানে এক বা একাধিক পারসেপ্টরন ইনপুট এবং আউটপুট স্তরগুলির মধ্যে এক বা একাধিক লুকানো স্তর সহ একাধিক স্তর গঠন করে।এটি ব্যবহার করে, আপনি অ-রৈখিক শ্রেণীবিভাগ সম্পাদন করতে পারেন যেখানে আপনি যখন একটি ইনপুট স্তর যোগ করেন এবং একটি ফলাফলের মান পান, পূর্বাভাসিত ফলাফলের মানটিকে প্রকৃত ফলাফলের মানের সাথে তুলনা করা হয় এবং ত্রুটিটি আবার প্রচার করা হয়।আমরা প্রতিটি স্তরে 20টি লুকানো নিউরন সহ একটি লুকানো স্তর তৈরি করেছি।আমাদের তৈরি প্রতিটি মডেল সংবেদনশীলতা, নির্দিষ্টতা, PPV, NPV, এবং AUROC গণনা করে শ্রেণীবিভাগ কার্যক্ষমতা পরীক্ষা করার জন্য অভ্যন্তরীণ এবং বাহ্যিক সেটগুলিতে প্রয়োগ করা হয়েছিল।সংবেদনশীলতা 18 বছর বা তার বেশি বয়সী অনুমানিত একটি নমুনার অনুপাত 18 বছর বা তার বেশি বয়সের অনুমান হিসাবে সংজ্ঞায়িত করা হয়।নির্দিষ্টতা হল 18 বছরের কম বয়সী নমুনার অনুপাত এবং যাদের বয়স 18 বছরের কম বলে অনুমান করা হয়েছে।
প্রশিক্ষণ সেটে মূল্যায়ন করা দাঁতের পর্যায়গুলিকে পরিসংখ্যানগত বিশ্লেষণের জন্য সংখ্যাসূচক পর্যায়ে রূপান্তরিত করা হয়েছিল।মাল্টিভেরিয়েট লিনিয়ার এবং লজিস্টিক রিগ্রেশন প্রতিটি লিঙ্গের জন্য ভবিষ্যদ্বাণীমূলক মডেল তৈরি করতে এবং বয়স অনুমান করতে ব্যবহার করা যেতে পারে এমন রিগ্রেশন সূত্রগুলি অর্জন করতে সঞ্চালিত হয়েছিল।আমরা অভ্যন্তরীণ এবং বাহ্যিক উভয় পরীক্ষার সেটের জন্য দাঁতের বয়স অনুমান করতে এই সূত্রগুলি ব্যবহার করেছি।সারণী 4 এই গবেষণায় ব্যবহৃত রিগ্রেশন এবং শ্রেণীবিভাগ মডেল দেখায়।
কোহেনের কাপ্পা পরিসংখ্যান ব্যবহার করে ইন্ট্রা- এবং ইন্টারঅবজারভার নির্ভরযোগ্যতা গণনা করা হয়েছিল।DM এবং প্রথাগত রিগ্রেশন মডেলের যথার্থতা পরীক্ষা করার জন্য, আমরা অভ্যন্তরীণ এবং বাহ্যিক পরীক্ষার সেটগুলির আনুমানিক এবং প্রকৃত বয়স ব্যবহার করে MAE এবং RMSE গণনা করেছি।এই ত্রুটিগুলি সাধারণত মডেল ভবিষ্যদ্বাণীগুলির যথার্থতা মূল্যায়ন করতে ব্যবহৃত হয়।ত্রুটি যত ছোট, পূর্বাভাসের নির্ভুলতা তত বেশি।DM এবং ঐতিহ্যগত রিগ্রেশন ব্যবহার করে গণনা করা অভ্যন্তরীণ এবং বাহ্যিক পরীক্ষার সেটগুলির MAE এবং RMSE তুলনা করুন।প্রথাগত পরিসংখ্যানে 18 বছরের কাটঅফের শ্রেণীবিভাগ কর্মক্ষমতা 2 × 2 কন্টিনজেন্সি টেবিল ব্যবহার করে মূল্যায়ন করা হয়েছিল।পরীক্ষার সেটের গণনাকৃত সংবেদনশীলতা, নির্দিষ্টতা, PPV, NPV এবং AUROC ডিএম শ্রেণীবিভাগ মডেলের পরিমাপিত মানের সাথে তুলনা করা হয়েছিল।ডেটা বৈশিষ্ট্যের উপর নির্ভর করে গড় ± স্ট্যান্ডার্ড বিচ্যুতি বা সংখ্যা (%) হিসাবে প্রকাশ করা হয়।দ্বি-পার্শ্বযুক্ত P মান <0.05 পরিসংখ্যানগতভাবে তাৎপর্যপূর্ণ বলে বিবেচিত হয়েছিল।সমস্ত রুটিন পরিসংখ্যান বিশ্লেষণ এসএএস সংস্করণ 9.4 (এসএএস ইনস্টিটিউট, ক্যারি, এনসি) ব্যবহার করে সম্পাদিত হয়েছিল।DM রিগ্রেশন মডেলটি বিশেষভাবে গাণিতিক ক্রিয়াকলাপের জন্য Keras50 2.2.4 ব্যাকএন্ড এবং Tensorflow51 1.8.0 ব্যবহার করে পাইথনে প্রয়োগ করা হয়েছিল।DM শ্রেণীবিভাগ মডেলটি Waikato Knowledge Analysis Environment এবং Konstanz Information Miner (KNIME) 4.6.152 বিশ্লেষণ প্ল্যাটফর্মে প্রয়োগ করা হয়েছিল।
লেখকরা স্বীকার করেছেন যে গবেষণার উপসংহার সমর্থনকারী ডেটা নিবন্ধ এবং পরিপূরক উপকরণগুলিতে পাওয়া যেতে পারে।গবেষণার সময় উত্পন্ন এবং/অথবা বিশ্লেষণ করা ডেটাসেটগুলি যুক্তিসঙ্গত অনুরোধে সংশ্লিষ্ট লেখকের কাছ থেকে পাওয়া যায়।
Ritz-Timme, S. et al.বয়স মূল্যায়ন: ফরেনসিক অনুশীলনের নির্দিষ্ট প্রয়োজনীয়তা পূরণের জন্য শিল্পের অবস্থা।আন্তর্জাতিকতাJ. আইনি ওষুধ।113, 129-136 (2000)।
Schmeling, A., Reisinger, W., Geserik, G., এবং Olze, A. ফৌজদারি বিচারের উদ্দেশ্যে জীবিত বিষয়ের ফরেনসিক বয়স মূল্যায়নের বর্তমান অবস্থা।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।ক্লিনিক্যালমৌখিক জরিপ।25, 3463–3474 (2021)।
লি, এসএস ইত্যাদি। কোরিয়ানদের মধ্যে দ্বিতীয় এবং তৃতীয় মোলারের বিকাশের কালক্রম এবং ফরেনসিক বয়স মূল্যায়নের জন্য এর প্রয়োগ।আন্তর্জাতিকতাJ. আইনি ওষুধ।124, 659-665 (2010)।
Oh, S., Kumagai, A., Kim, SY এবং Lee, SS কোরিয়ান এবং জাপানি ভাষায় দ্বিতীয় এবং তৃতীয় মোলারের পরিপক্কতার উপর ভিত্তি করে বয়স অনুমান এবং 18-বছরের থ্রেশহোল্ডের নির্ভুলতা।PLOS ONE 17, e0271247 (2022)।
কিম, জেওয়াই, এবং অন্যান্য।প্রিঅপারেটিভ মেশিন লার্নিং-ভিত্তিক ডেটা বিশ্লেষণ OSA রোগীদের ঘুমের সার্জারি চিকিত্সার ফলাফলের পূর্বাভাস দিতে পারে।বিজ্ঞান.রিপোর্ট 11, 14911 (2021)।
হান, এম. এট আল।মানুষের হস্তক্ষেপ সহ বা ছাড়া মেশিন লার্নিং থেকে সঠিক বয়স অনুমান?আন্তর্জাতিকতাJ. আইনি ওষুধ।136, 821–831 (2022)।
খান, এস. এবং শাহীন, এম. ডাটা মাইনিং থেকে ডাটা মাইনিং পর্যন্ত।J. তথ্য।বিজ্ঞান.https://doi.org/10.1177/01655515211030872 (2021)।
খান, এস. এবং শাহীন, এম. উইজরুল: অ্যাসোসিয়েশন রুল মাইনিংয়ের জন্য প্রথম জ্ঞানীয় অ্যালগরিদম।J. তথ্য।বিজ্ঞান.https://doi.org/10.1177/01655515221108695 (2022)।
শাহীন এম. এবং আবদুল্লাহ ইউ. কর্ম: প্রসঙ্গ-ভিত্তিক অ্যাসোসিয়েশন নিয়মের উপর ভিত্তি করে ঐতিহ্যগত ডেটা মাইনিং।গণনা করাম্যাটচালিয়ে যান68, 3305–3322 (2021)।
মুহাম্মদ এম., রেহমান জেড., শাহীন এম., খান এম. এবং হাবিব এম. পাঠ্য ডেটা ব্যবহার করে গভীর শিক্ষা ভিত্তিক শব্দার্থিক মিল সনাক্তকরণ।জানানোপ্রযুক্তিনিয়ন্ত্রণhttps://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
তাবিশ, এম., তানোলি, জেড., এবং শাহিন, এম. খেলাধুলার ভিডিওগুলিতে কার্যকলাপ সনাক্ত করার জন্য একটি সিস্টেম৷মাল্টিমিডিয়াটুলস অ্যাপ্লিকেশন https://doi.org/10.1007/s11042-021-10519-6 (2021)।
হালাবি, এসএস এট আল।পেডিয়াট্রিক বোন বয়সে আরএসএনএ মেশিন লার্নিং চ্যালেঞ্জ।রেডিওলজি 290, 498–503 (2019)।
লি, ওয়াই এবং অন্যান্য।গভীর শিক্ষা ব্যবহার করে পেলভিক এক্স-রে থেকে ফরেনসিক বয়স অনুমান।ইউরো।বিকিরণ29, 2322–2329 (2019)।
গুও, ওয়াইসি, এট আল।অর্থোগ্রাফিক প্রজেকশন ইমেজ থেকে ম্যানুয়াল পদ্ধতি এবং গভীর কনভোলিউশনাল নিউরাল নেটওয়ার্ক ব্যবহার করে সঠিক বয়স শ্রেণীবিভাগ।আন্তর্জাতিকতাJ. আইনি ওষুধ।135, 1589-1597 (2021)।
আলাবামা ডালোরা এট আল।বিভিন্ন মেশিন লার্নিং পদ্ধতি ব্যবহার করে হাড়ের বয়স অনুমান: একটি পদ্ধতিগত সাহিত্য পর্যালোচনা এবং মেটা-বিশ্লেষণ।PLOS ONE 14, e0220242 (2019)।
ডু, এইচ., লি, জি., চেং, কে. এবং ইয়াং, জে. শঙ্কু-বিম গণনা করা টমোগ্রাফি ব্যবহার করে প্রথম মোলারের পাল্প চেম্বার ভলিউমের উপর ভিত্তি করে আফ্রিকান আমেরিকান এবং চীনাদের জনসংখ্যা-নির্দিষ্ট বয়স অনুমান।আন্তর্জাতিকতাJ. আইনি ওষুধ।136, 811–819 (2022)।
কিম এস., লি ওয়াইএইচ, নোহ ওয়াইকে, পার্ক এফকে এবং ওহ কেএস প্রথম মোলারের কৃত্রিম বুদ্ধিমত্তা-ভিত্তিক ছবি ব্যবহার করে জীবিত মানুষের বয়স গোষ্ঠী নির্ধারণ করছে।বিজ্ঞান.রিপোর্ট 11, 1073 (2021)।
Stern, D., Payer, C., Giuliani, N., এবং Urschler, M. স্বয়ংক্রিয় বয়স অনুমান এবং মাল্টিভেরিয়েট এমআরআই ডেটা থেকে সংখ্যাগরিষ্ঠ বয়সের শ্রেণীবিভাগ।IEEE J. বায়োমেড।স্বাস্থ্য সতর্কতা.23, 1392-1403 (2019)।
চেং, কিউ., জি, জেড., ডু, এইচ. এবং লি, জি. গভীর শিক্ষা এবং স্তর সেট একীভূত করে শঙ্কু বিম গণনা করা টমোগ্রাফি থেকে প্রথম মোলারের 3D পাল্প চেম্বার বিভাজনের উপর ভিত্তি করে বয়স অনুমান।আন্তর্জাতিকতাJ. আইনি ওষুধ।135, 365–373 (2021)।
Wu, WT, et al.ক্লিনিকাল বিগ ডেটাতে ডেটা মাইনিং: সাধারণ ডেটাবেস, পদক্ষেপ এবং পদ্ধতির মডেল।বিশ্বওষুধ.সম্পদ8, 44 (2021)।
ইয়াং, জে. এট আল।বিগ ডেটা যুগে মেডিকেল ডেটাবেস এবং ডেটা মাইনিং প্রযুক্তির ভূমিকা।জে. অ্যাভিড।মৌলিক ঔষধ।13, 57-69 (2020)।
শেন, এস. এট আল।মেশিন লার্নিং ব্যবহার করে দাঁতের বয়স অনুমান করার জন্য ক্যামেরার পদ্ধতি।BMC ওরাল হেলথ 21, 641 (2021)।
গ্যালিবার্গ এ. এবং অন্যান্যডেমিরডজিয়ান স্টেজিং পদ্ধতি ব্যবহার করে দাঁতের বয়স ভবিষ্যদ্বাণী করার জন্য বিভিন্ন মেশিন লার্নিং পদ্ধতির তুলনা।আন্তর্জাতিকতাJ. আইনি ওষুধ।135, 665–675 (2021)।
ডেমিরডজিয়ান, এ., গোল্ডস্টেইন, এইচ. এবং ট্যানার, জেএম দাঁতের বয়স মূল্যায়নের জন্য একটি নতুন সিস্টেম।নাক ডাকাজীববিজ্ঞান45, 211-227 (1973)।
Landis, JR, এবং Koch, GG শ্রেণীবদ্ধ তথ্যের উপর পর্যবেক্ষক চুক্তির পরিমাপ।বায়োমেট্রিক্স 33, 159–174 (1977)।
ভট্টাচার্য এস, প্রকাশ ডি, কিম সি, কিম এইচকে এবং চোই এইচকে।প্রাথমিক মস্তিষ্কের টিউমারের পার্থক্যের জন্য কৃত্রিম বুদ্ধিমত্তা কৌশল ব্যবহার করে দ্বি-মাত্রিক চৌম্বকীয় অনুরণন ইমেজিংয়ের টেক্সচারাল, রূপগত এবং পরিসংখ্যানগত বিশ্লেষণ।স্বাস্থ্য তথ্য.সম্পদhttps://doi.org/10.4258/hir.2022.28.1.46 (2022)।
পোস্টের সময়: জানুয়ারি-০৪-২০২৪