د Nature.com د لیدنې لپاره مننه. د هغه براوزر نسخه چې تاسو یې کاروئ د CSS ملاتړ محدود دی. د غوره پایلو لپاره، موږ سپارښتنه کوو چې ستاسو د براوزر نوې نسخه وکاروئ (یا په انټرنیټ اکسپلورر کې د مطابقت حالت بند کړئ). په عین حال کې، د دوامداره ملاتړ ډاډ ترلاسه کولو لپاره، موږ سایټ د سټایل کولو یا جاواسکریپټ پرته ښیې.
غاښونه د انسان د بدن د عمر ترټولو دقیق شاخص ګڼل کیږي او ډیری وختونه د عدلي عمر ارزونې کې کارول کیږي. موږ موخه دا وه چې د معلوماتو کان کیندنې پر بنسټ د غاښونو د عمر اټکلونه د دودیزو میتودونو او د معلوماتو کان کیندنې پر بنسټ د عمر اټکلونو سره د 18 کلن حد د اټکل دقت او طبقه بندي فعالیت پرتله کولو سره تایید کړو. ټولټال 2657 پینورامیک راډیوګرافونه د کوریا او جاپاني اتباعو څخه راټول شوي چې عمرونه یې له 15 څخه تر 23 کلونو پورې دي. دوی په یوه روزنیز سیټ ویشل شوي وو، هر یو یې 900 کوریایی راډیوګرافونه، او یو داخلي ازموینې سیټ چې 857 جاپاني راډیوګرافونه لري. موږ د دودیزو میتودونو د طبقه بندي دقت او موثریت د معلوماتو کان کیندنې ماډلونو د ازموینې سیټونو سره پرتله کړ. د داخلي ازموینې سیټ کې د دودیزو میتودونو دقت د معلوماتو کان کیندنې ماډل په پرتله یو څه لوړ دی، او توپیر کوچنی دی (د اوسط مطلق غلطی <0.21 کاله، د ریښې اوسط مربع غلطی <0.24 کاله). د 18 کلن کټ آف لپاره د طبقه بندي فعالیت هم د دودیزو میتودونو او د معلوماتو کان کیندنې ماډلونو ترمنځ ورته دی. په دې توګه، دودیز میتودونه د معلوماتو کان کیندنې ماډلونو لخوا بدلیدلی شي کله چې د کوریا په ځوانانو او ځوانانو کې د دوهم او دریم مولر د بلوغت په کارولو سره د عدلي عمر ارزونه ترسره کیږي.
د غاښونو د عمر اټکل په پراخه کچه په عدلي طب او د ماشومانو د غاښونو په طب کې کارول کیږي. په ځانګړې توګه، د کرونولوژیکي عمر او د غاښونو د ودې ترمنځ د لوړې اړیکې له امله، د غاښونو د پراختیا مرحلو لخوا د عمر ارزونه د ماشومانو او تنکیو ځوانانو د عمر د ارزونې لپاره یو مهم معیار دی 1,2,3. په هرصورت، د ځوانانو لپاره، د غاښونو د بلوغت پر بنسټ د غاښونو د عمر اټکل کول خپل محدودیتونه لري ځکه چې د غاښونو وده تقریبا بشپړه شوې ده، د دریمې دالر پرته. د ځوانانو او تنکیو ځوانانو د عمر د ټاکلو قانوني هدف دا دی چې دقیق اټکلونه او ساینسي شواهد چمتو کړي چې ایا دوی د بلوغ عمر ته رسیدلي دي. په کوریا کې د ځوانانو او ځوانانو د طبي-قانوني عمل کې، عمر د لی د میتود په کارولو سره اټکل شوی و، او د 18 کلونو قانوني حد د Oh et al 5 لخوا راپور شوي معلوماتو پراساس وړاندوینه شوی و.
د ماشین زده کړه د مصنوعي استخباراتو (AI) یو ډول دی چې په مکرر ډول د معلوماتو لوی مقدار زده کوي او طبقه بندي کوي، ستونزې پخپله حل کوي، او د معلوماتو پروګرام چلوي. د ماشین زده کړه کولی شي د معلوماتو په لوی مقدار کې ګټور پټ نمونې کشف کړي6. برعکس، کلاسیک میتودونه، کوم چې د کار ډیر او وخت مصرفونکي دي، ممکن د پیچلو معلوماتو لوی مقدار سره معامله کولو کې محدودیتونه ولري چې په لاسي ډول پروسس کول ستونزمن دي7. له همدې امله، په دې وروستیو کې ډیری مطالعات د وروستي کمپیوټر ټیکنالوژیو په کارولو سره ترسره شوي ترڅو د انسان غلطۍ کمې کړي او په مؤثره توګه څو اړخیزه معلومات پروسس کړي8,9,10,11,12. په ځانګړې توګه، ژوره زده کړه په طبي عکس تحلیل کې په پراخه کچه کارول شوې، او د راډیوګرافونو په اتوماتيک ډول تحلیل کولو سره د عمر اټکل لپاره مختلف میتودونه راپور شوي ترڅو د عمر اټکل 13,14,15,16,17,18,19,20 دقت او موثریت ښه کړي. د مثال په توګه، حلابي او نور 13 د ماشومانو د لاسونو د راډیوګرافونو په کارولو سره د کنکال عمر اټکل کولو لپاره د کنکال عمر اټکل کولو لپاره د کنکال عصبي شبکو (CNN) پراساس د ماشین زده کړې الګوریتم رامینځته کړ. دا څیړنه یو ماډل وړاندیز کوي چې د ماشین زده کړې په طبي عکسونو کې پلي کوي او ښیې چې دا میتودونه کولی شي د تشخیص دقت ښه کړي. لی او نور 14 د ژورې زده کړې CNN په کارولو سره د حوصلې د ایکس رې عکسونو څخه عمر اټکل کړ او د ossification مرحلې اټکل په کارولو سره یې د ریګریشن پایلو سره پرتله کړ. دوی وموندله چې د ژورې زده کړې CNN ماډل د دودیز ریګریشن ماډل په څیر د عمر اټکل فعالیت ښودلی. د ګو او نورو مطالعې [15] د غاښونو د اورتوفوټو پراساس د CNN ټیکنالوژۍ د عمر زغم طبقه بندي فعالیت ارزولی، او د CNN ماډل پایلو ثابته کړه چې انسانانو د عمر طبقه بندي فعالیت څخه غوره فعالیت کړی.
د ماشین زده کړې په کارولو سره د عمر اټکل کولو په اړه ډیری مطالعات د ژورې زده کړې میتودونو څخه کار اخلي 13,14,15,16,17,18,19,20. د ژورې زده کړې پر بنسټ د عمر اټکل د دودیزو میتودونو په پرتله ډیر دقیق راپور شوی. په هرصورت، دا طریقه د عمر اټکلونو لپاره د ساینسي اساس وړاندې کولو لپاره لږ فرصت برابروي، لکه د اټکلونو کې کارول شوي د عمر شاخصونه. پدې اړه قانوني شخړه هم شتون لري چې څوک تفتیشونه ترسره کوي. له همدې امله، د ژورې زده کړې پر بنسټ د عمر اټکل د اداري او قضایي چارواکو لخوا منل ستونزمن دي. د معلوماتو کان کیندنه (DM) یو تخنیک دی چې کولی شي نه یوازې تمه شوي بلکه غیر متوقع معلومات هم د ډیټا 6,21,22 لوی مقدار ترمنځ ګټورې اړیکې کشف کولو لپاره د یوې میتود په توګه کشف کړي. د ماشین زده کړه ډیری وختونه د معلوماتو کان کیندنې کې کارول کیږي، او د معلوماتو کان کیندنه او د ماشین زده کړه دواړه په ډیټا کې نمونې موندلو لپاره ورته کلیدي الګوریتمونه کاروي. د غاښونو پراختیا په کارولو سره د عمر اټکل د هدف غاښونو د پختګۍ د معاینه کونکي ارزونې پراساس دی، او دا ارزونه د هر هدف غاښ لپاره د مرحلې په توګه څرګندیږي. DM د غاښونو د ارزونې مرحلې او اصلي عمر ترمنځ د اړیکو تحلیل لپاره کارول کیدی شي او د دودیز احصایوي تحلیل ځای په ځای کولو وړتیا لري. له همدې امله، که موږ د عمر اټکل لپاره د DM تخنیکونه پلي کړو، موږ کولی شو د قانوني مسؤلیت په اړه اندیښنه پرته د عدلي عمر اټکل کې د ماشین زده کړې پلي کړو. د عدلي تمرین کې کارول شوي دودیز لارښود میتودونو او د غاښونو عمر ټاکلو لپاره د EBM پر بنسټ میتودونو لپاره د ممکنه بدیلونو په اړه څو پرتلیزې مطالعات خپاره شوي دي. شین او نور 23 ښودلې چې د DM ماډل د دودیز کیمرر فورمول څخه ډیر دقیق دی. ګالیبورګ او نور 24 د ډیمیرجیان معیار 25 سره سم د عمر وړاندوینې لپاره د DM مختلف میتودونه پلي کړل او پایلو وښودله چې د DM میتود د فرانسوي نفوس د عمر اټکل کولو کې د ډیمیرجیان او ویلیمز میتودونو څخه غوره کار وکړ.
د کوریا د ځوانانو او ځوانانو د غاښونو د عمر اټکل کولو لپاره، د لی میتود 4 په پراخه کچه د کوریا په عدلي طب کې کارول کیږي. دا میتود د کوریا د مضامینو او د تاریخي عمر ترمنځ د اړیکو معاینه کولو لپاره دودیز احصایوي تحلیل (لکه څو ځله رجعت) کاروي. پدې څیړنه کې، د دودیزو احصایوي میتودونو په کارولو سره ترلاسه شوي د عمر اټکل میتودونه د "دودیز میتودونو" په توګه تعریف شوي. د لی میتود یو دودیز میتود دی، او د هغې دقت د اوه او نورو لخوا تایید شوی. 5؛ په هرصورت، د کوریا د عدلي طب په تمرین کې د DM ماډل پراساس د عمر اټکل تطبیق لاهم د پوښتنې وړ دی. زموږ هدف دا و چې د DM ماډل پراساس د عمر اټکل احتمالي ګټورتوب په ساینسي ډول تایید کړو. د دې مطالعې هدف دا و چې (1) د غاښونو د عمر اټکل کولو کې د دوه DM ماډلونو دقت پرتله کول او (2) د 18 کلونو په عمر کې د 7 DM ماډلونو د طبقه بندي فعالیت د هغو سره پرتله کول چې د دودیزو احصایوي میتودونو په کارولو سره ترلاسه شوي په دواړو ژامو کې د دوهم او دریم مولر پختګي.
د مرحلې او غاښ ډول له مخې د کرونولوژیکي عمر اوسط او معیاري انحرافات په ضمیمه جدول S1 (د روزنې سیټ)، ضمیمه جدول S2 (داخلي ازموینې سیټ)، او ضمیمه جدول S3 (بهرني ازموینې سیټ) کې آنلاین ښودل شوي. د روزنې سیټ څخه ترلاسه شوي د داخلي او بین النظر اعتبار لپاره د کاپا ارزښتونه په ترتیب سره 0.951 او 0.947 وو. د کاپا ارزښتونو لپاره د P ارزښتونه او 95٪ باور وقفې په آنلاین ضمیمه جدول S4 کې ښودل شوي. د کاپا ارزښت د "تقریبا بشپړ" په توګه تشریح شوی، د لینډیس او کوچ26 معیارونو سره سم.
کله چې د اوسط مطلق غلطی (MAE) پرتله کول، دودیز میتود د ټولو جنسونو لپاره او د بهرني نارینه ازموینې سیټ کې د DM ماډل څخه یو څه ښه فعالیت کوي، د څو پوړیز پرسیپټرون (MLP) استثنا سره. د داخلي MAE ازموینې سیټ کې د دودیز ماډل او DM ماډل ترمنځ توپیر د نارینه وو لپاره 0.12–0.19 کاله او د ښځو لپاره 0.17–0.21 کاله و. د بهرني ازموینې بیټرۍ لپاره، توپیرونه کوچني دي (د نارینه وو لپاره 0.001–0.05 کاله او د ښځو لپاره 0.05–0.09 کاله). سربیره پردې، د ریښې اوسط مربع غلطی (RMSE) د دودیز میتود څخه یو څه ټیټ دی، د کوچنیو توپیرونو سره (0.17–0.24، د نارینه داخلي ازموینې سیټ لپاره 0.2–0.24، او 0.03–0.07، 0.04–0.08 د بهرني ازموینې سیټ لپاره). MLP د واحد پوړیز پرسیپټرون (SLP) په پرتله یو څه ښه فعالیت ښیې، پرته له دې چې د ښځینه بهرني ازموینې سیټ قضیه وي. د MAE او RMSE لپاره، د بهرنۍ ازموینې سیټ د ټولو جنسونو او ماډلونو لپاره د داخلي ازموینې سیټ څخه لوړ نمرې لري. ټول MAE او RMSE په جدول 1 او شکل 1 کې ښودل شوي دي.
د دودیزو او ډیټا کان کیندنې ریګریشن ماډلونو MAE او RMSE. د اوسط مطلق تېروتنه MAE، د ریښې اوسط مربع تېروتنه RMSE، واحد پرت پرسیپټرون SLP، څو پرت پرسیپټرون MLP، دودیز CM میتود.
د دودیزو او DM ماډلونو د طبقه بندي فعالیت (د 18 کلونو د کټ آف سره) د حساسیت، ځانګړتیا، مثبت وړاندوینې ارزښت (PPV)، منفي وړاندوینې ارزښت (NPV)، او د ترلاسه کونکي عملیاتي ځانګړتیا منحني (AUROC) 27 لاندې ساحې له مخې ښودل شوی (جدول 2، شکل 2 او ضمیمه شکل 1 آنلاین). د داخلي ازموینې بیټرۍ د حساسیت له مخې، دودیز میتودونه د نارینه وو په منځ کې غوره او د ښځو په منځ کې بدتر فعالیت کړی. په هرصورت، د دودیزو میتودونو او SD ترمنځ د طبقه بندي فعالیت کې توپیر د نارینه وو لپاره 9.7٪ (MLP) او د ښځو لپاره یوازې 2.4٪ (XGBoost) دی. د DM ماډلونو په منځ کې، لوژستیک ریګریشن (LR) په دواړو جنسونو کې غوره حساسیت ښودلی. د داخلي ازموینې سیټ ځانګړتیا په اړه، دا لیدل شوي چې د SD څلورو ماډلونو په نارینه وو کې ښه فعالیت کړی، پداسې حال کې چې دودیز ماډل په ښځو کې ښه فعالیت کړی. د نارینه وو او ښځینه وو لپاره د طبقه بندي فعالیت کې توپیر په ترتیب سره 13.3٪ (MLP) او 13.1٪ (MLP) دی، چې دا په ګوته کوي چې د ماډلونو ترمنځ د طبقه بندي فعالیت کې توپیر د حساسیت څخه ډیر دی. د DM ماډلونو په منځ کې، د ملاتړ ویکتور ماشین (SVM)، د پریکړې ونې (DT)، او بې ترتیب ځنګل (RF) ماډلونو د نارینه وو په منځ کې غوره فعالیت وکړ، پداسې حال کې چې LR ماډل د ښځو په منځ کې غوره فعالیت وکړ. د دودیز ماډل او ټولو SD ماډلونو AUROC د 0.925 څخه ډیر و (k- نږدې ګاونډی (KNN) په نارینه وو کې)، د 18 کلنو نمونو توپیر کولو کې د غوره طبقه بندي فعالیت ښودلی 28. د بهرني ازموینې سیټ لپاره، د داخلي ازموینې سیټ په پرتله د حساسیت، ځانګړتیا او AUROC له مخې د طبقه بندي فعالیت کې کمښت شتون درلود. سربیره پردې، د غوره او بدترین ماډلونو د طبقه بندي فعالیت ترمنځ د حساسیت او ځانګړتیا توپیر له 10٪ څخه تر 25٪ پورې و او د داخلي ازموینې سیټ کې د توپیر څخه لوی و.
د معلوماتو د کان کیندنې د طبقه بندي ماډلونو حساسیت او ځانګړتیا د دودیزو میتودونو په پرتله د 18 کلونو کټ آف سره. KNN k نږدې ګاونډی، د SVM ملاتړ ویکتور ماشین، LR لوژستیک ریګریشن، DT پریکړه ونې، RF تصادفي ځنګل، XGB XGBoost، MLP څو پوړیز پرسیپټرون، دودیز CM میتود.
په دې څیړنه کې لومړی ګام دا و چې د غاښونو د عمر د اټکلونو دقت د هغو سره پرتله کړي چې د اوو DM ماډلونو څخه ترلاسه شوي د دودیز ریګریشن په کارولو سره ترلاسه شوي. MAE او RMSE د دواړو جنسونو لپاره د داخلي ازموینې سیټونو کې ارزول شوي، او د دودیز میتود او DM ماډل ترمنځ توپیر د MAE لپاره له 44 څخه تر 77 ورځو پورې او د RMSE لپاره له 62 څخه تر 88 ورځو پورې و. که څه هم دودیز میتود پدې څیړنه کې یو څه ډیر دقیق و، دا پایله کول ستونزمن دي چې ایا دومره کوچنی توپیر کلینیکي یا عملي اهمیت لري. دا پایلې ښیې چې د DM ماډل په کارولو سره د غاښونو د عمر د اټکل دقت تقریبا د دودیز میتود سره ورته دی. د تیرو مطالعاتو پایلو سره مستقیم پرتله کول ستونزمن دي ځکه چې هیڅ مطالعې د DM ماډلونو دقت د دودیزو احصایوي میتودونو سره د غاښونو د ثبتولو ورته تخنیک په کارولو سره پرتله نه دی کړی لکه څنګه چې پدې څیړنه کې ورته عمر حد کې. ګالیبورګ او نور 24 د MAE او RMSE د دوه دودیزو میتودونو (ډیمیرجیان میتود 25 او ویلیمز میتود 29) او 10 DM ماډلونو ترمنځ د 2 څخه تر 24 کلونو عمر لرونکي فرانسوي نفوس کې پرتله کړ. دوی راپور ورکړ چې د DM ټول ماډلونه د دودیزو میتودونو په پرتله ډیر دقیق وو، په ترتیب سره د ویلیمز او ډیمیرجیان میتودونو په پرتله په MAE کې د 0.20 او 0.38 کلونو او په RMSE کې د 0.25 او 0.47 کلونو توپیر سره. د هیلیبورګ مطالعې کې ښودل شوي د SD ماډل او دودیزو میتودونو ترمنځ توپیر ډیری راپورونه په پام کې نیسي 30,31,32,33 چې د ډیمیرجیان میتود د فرانسوي کاناډایانو پرته په نورو نفوسو کې د غاښونو عمر په سمه توګه نه اټکل کوي چې مطالعه پر بنسټ والړ وه. پدې څیړنه کې. تای او ال 34 د 1636 چینایي ارتوډونټیک عکسونو څخه د غاښونو عمر وړاندوینې لپاره د MLP الګوریتم کارولی او د هغې دقت یې د ډیمیرجیان او ویلیمز میتود پایلو سره پرتله کړی. دوی راپور ورکړ چې MLP د دودیزو میتودونو په پرتله لوړ دقت لري. د ډیمیرجیان میتود او دودیز میتود ترمنځ توپیر <0.32 کاله دی، او د ویلیمز میتود 0.28 کاله دی، کوم چې د اوسني مطالعې پایلو سره ورته دی. د دې پخوانیو مطالعاتو پایلې 24,34 هم د اوسني مطالعې پایلو سره مطابقت لري، او د DM ماډل او دودیز میتود د عمر اټکل دقت ورته دی. په هرصورت، د وړاندې شویو پایلو پراساس، موږ یوازې په احتیاط سره پایله کولی شو چې د عمر اټکل کولو لپاره د DM ماډلونو کارول ممکن د پرتله کولو او حواله پخوانیو مطالعاتو نشتوالي له امله موجوده میتودونه ځای په ځای کړي. د لویو نمونو په کارولو سره تعقیبي مطالعاتو ته اړتیا ده ترڅو پدې څیړنه کې ترلاسه شوي پایلې تایید کړي.
د هغو مطالعاتو په منځ کې چې د غاښونو د عمر په اټکل کې د SD دقت ازموینه کوي، ځینو زموږ د مطالعې په پرتله لوړ دقت ښودلی. سټیپانوفسکي او نورو 35 د 2.7 څخه تر 20.5 کلونو پورې عمر لرونکو 976 چک اوسیدونکو پینورامیک راډیوګرافونو ته 22 SD ماډلونه پلي کړل او د هر ماډل دقت یې ازموینه وکړه. دوی د موریس او نورو 36 لخوا وړاندیز شوي طبقه بندي معیارونو په کارولو سره د 16 پورته او ښکته کیڼ دایمي غاښونو پراختیا ارزونه وکړه. MAE د 0.64 څخه تر 0.94 کلونو پورې او RMSE د 0.85 څخه تر 1.27 کلونو پورې دی، کوم چې پدې څیړنه کې کارول شوي دوه DM ماډلونو څخه ډیر دقیق دي. شین او نورو 23 د کیمریر میتود څخه کار واخیست ترڅو د ختیځ چینایي اوسیدونکو کې د 5 څخه تر 13 کلونو عمر لرونکي کیڼ جبري کې د اوو دایمي غاښونو د غاښ عمر اټکل کړي او دا یې د خطي ریګریشن، SVM او RF په کارولو سره اټکل شوي عمرونو سره پرتله کړي. دوی وښودله چې ټول درې DM ماډلونه د دودیز کیمریر فورمول په پرتله لوړ دقت لري. د شین په څیړنه کې MAE او RMSE د دې څیړنې د DM ماډل په پرتله ټیټ وو. د سټیپانوفسکي او نورو لخوا د مطالعاتو زیات شوی دقت. 35 او شین او نورو. 23 ممکن د دوی د مطالعې نمونو کې د ځوانو مضامینو شاملولو له امله وي. ځکه چې د غاښونو د پراختیا په جریان کې د غاښونو شمیر زیاتیدو سره د برخه اخیستونکو لپاره د عمر اټکلونه ډیر دقیق کیږي، د عمر د اټکل کولو میتود دقت ممکن هغه وخت له خطر سره مخ شي کله چې د مطالعې ګډونوال ځوان وي. سربیره پردې، د عمر په اټکل کې د MLP تېروتنه د SLP په پرتله یو څه کوچنۍ ده، پدې معنی چې MLP د SLP په پرتله ډیر دقیق دی. MLP د عمر اټکل لپاره یو څه غوره ګڼل کیږي، ممکن د MLP38 کې د پټو پرتونو له امله. په هرصورت، د میرمنو د بهرنۍ نمونې لپاره استثنا شتون لري (SLP 1.45، MLP 1.49). دا موندنه چې MLP د عمر په ارزونه کې د SLP په پرتله ډیر دقیق دی اضافي تعقیبي مطالعاتو ته اړتیا لري.
د DM ماډل او دودیز میتود د 18 کلن حد کې د طبقه بندي فعالیت هم پرتله شو. د داخلي ازموینې سیټ کې ټولو ازمول شوي SD ماډلونو او دودیزو میتودونو د 18 کلن نمونې لپاره په عملي توګه د منلو وړ تبعیض کچه وښودله. د نارینه وو او ښځو لپاره حساسیت په ترتیب سره له 87.7٪ او 94.9٪ څخه ډیر و، او ځانګړتیا یې له 89.3٪ او 84.7٪ څخه ډیر وه. د ټولو ازمول شوي ماډلونو AUROC هم له 0.925 څخه ډیر دی. زموږ د غوره پوهې سره سم، هیڅ مطالعې د غاښونو د پختګۍ پراساس د 18 کلن طبقه بندي لپاره د DM ماډل فعالیت نه دی ازمولی. موږ کولی شو د دې مطالعې پایلې د پینورامیک راډیوګرافونو کې د ژورې زده کړې ماډلونو د طبقه بندي فعالیت سره پرتله کړو. ګو او نور.15 د CNN پر بنسټ د ژورې زده کړې ماډل او د یو ټاکلي عمر حد لپاره د ډیمیرجیان میتود پراساس د لارښود میتود د طبقه بندي فعالیت محاسبه کړ. د لاسي طریقې حساسیت او ځانګړتیا په ترتیب سره 87.7٪ او 95.5٪ وه، او د CNN ماډل حساسیت او ځانګړتیا په ترتیب سره 89.2٪ او 86.6٪ څخه زیاته وه. دوی دې پایلې ته ورسیدل چې د ژورې زده کړې ماډلونه کولی شي د عمر د حدونو په طبقه بندي کې د لاسي ارزونې ځای ونیسي یا غوره کړي. د دې مطالعې پایلو ورته طبقه بندي فعالیت وښود؛ داسې انګیرل کیږي چې د DM ماډلونو په کارولو سره طبقه بندي کولی شي د عمر اټکل لپاره دودیز احصایوي میتودونه ځای په ځای کړي. د ماډلونو په مینځ کې، DM LR د نارینه نمونې لپاره د حساسیت او د ښځینه نمونې لپاره د حساسیت او ځانګړتیا له مخې غوره ماډل و. LR د نارینه وو لپاره د ځانګړتیا په برخه کې دوهم ځای لري. سربیره پردې، LR د ډیرو کاروونکي دوستانه DM35 ماډلونو څخه یو ګڼل کیږي او لږ پیچلی او پروسس کول یې ستونزمن دي. د دې پایلو پراساس، LR د کوریا نفوس کې د 18 کلنو ماشومانو لپاره د غوره کټ آف طبقه بندي ماډل ګڼل کیده.
په ټولیز ډول، د بهرني ازموینې سیټ کې د عمر اټکل یا د طبقه بندي فعالیت دقت د داخلي ازموینې سیټ پایلو په پرتله ضعیف یا ټیټ و. ځینې راپورونه ښیي چې د طبقه بندي دقت یا موثریت کمیږي کله چې د کوریا نفوس پراساس د عمر اټکلونه د جاپاني نفوس 5,39 باندې پلي کیږي، او په اوسني څیړنه کې ورته نمونه وموندل شوه. دا د خرابیدو رجحان د DM ماډل کې هم لیدل شوی. له همدې امله، د عمر دقیق اټکل کولو لپاره، حتی کله چې د تحلیل په پروسه کې د DM کارول کیږي، د اصلي نفوس معلوماتو څخه اخیستل شوي میتودونه، لکه دودیز میتودونه، باید غوره شي 5,39,40,41,42. څرنګه چې دا روښانه نده چې ایا د ژورې زده کړې ماډلونه کولی شي ورته رجحانات وښيي، د دودیزو میتودونو، DM ماډلونو، او په ورته نمونو کې د ژورې زده کړې ماډلونو په کارولو سره د طبقه بندي دقت او موثریت پرتله کولو مطالعاتو ته اړتیا ده ترڅو تایید شي چې ایا مصنوعي استخبارات کولی شي په محدود عمر کې دا نژادي توپیرونه له منځه یوسي. ارزونه.
موږ دا په ډاګه کوو چې دودیز میتودونه په کوریا کې د عدلي عمر د اندازې په عمل کې د DM ماډل پراساس د عمر اټکل سره بدلیدلی شي. موږ د عدلي عمر ارزونې لپاره د ماشین زده کړې پلي کولو امکان هم وموند. په هرصورت، روښانه محدودیتونه شتون لري، لکه په دې څیړنه کې د ګډونوالو ناکافي شمیر چې په قطعي ډول پایلې وټاکي، او د دې مطالعې پایلې پرتله کولو او تاییدولو لپاره د پخوانیو مطالعاتو نشتوالی. په راتلونکي کې، د DM مطالعات باید د ډیرو نمونو او ډیرو متنوع نفوس سره ترسره شي ترڅو د دودیزو میتودونو په پرتله د هغې عملي تطبیق ښه کړي. د ډیری نفوسو کې د عمر اټکل کولو لپاره د مصنوعي استخباراتو کارولو امکانات تاییدولو لپاره، راتلونکي مطالعاتو ته اړتیا ده ترڅو د DM او ژورې زده کړې ماډلونو طبقه بندي دقت او موثریت په ورته نمونو کې د دودیزو میتودونو سره پرتله کړي.
په دې څېړنه کې د کوریا او جاپان د ۱۵ څخه تر ۲۳ کلونو پورې عمر لرونکو لویانو څخه راټول شوي ۲،۶۵۷ ارتوګرافیک عکسونه کارول شوي وو. کوریایي راډیوګرافونه په ۹۰۰ روزنیزو سیټونو (۱۹.۴۲ ± ۲.۶۵ کاله) او ۹۰۰ داخلي ازموینې سیټونو (۱۹.۵۲ ± ۲.۵۹ کاله) ویشل شوي وو. د روزنې سیټ په یوه اداره (سیول سینټ مریم روغتون) کې راټول شوی و، او خپله ازموینه سیټ په دوو ادارو (سیول ملي پوهنتون د غاښونو روغتون او یونسي پوهنتون د غاښونو روغتون) کې راټول شوی و. موږ د بهرني ازموینې لپاره د بل نفوس پر بنسټ معلوماتو (ایواټ طبي پوهنتون، جاپان) څخه ۸۵۷ راډیوګرافونه هم راټول کړل. د جاپاني مضامینو راډیوګرافونه (۱۹.۳۱ ± ۲.۶۰ کاله) د بهرني ازموینې سیټ په توګه غوره شوي وو. معلومات د غاښونو د درملنې په جریان کې اخیستل شوي پینورامیک راډیوګرافونو کې د غاښونو د پراختیا مرحلو تحلیل لپاره په تیرو وختونو کې راټول شوي وو. راټول شوي ټول معلومات د جنس، د زیږون نیټه او د راډیوګراف نیټې پرته بې نومه وو. د شاملولو او اخراج معیارونه د پخوانیو خپرو شویو مطالعاتو 4، 5 په څیر وو. د نمونې اصلي عمر د زیږون نیټې څخه د راډیوګراف اخیستلو نیټې څخه د کمولو له لارې محاسبه شو. د نمونې ګروپ په نهو عمر ګروپونو ویشل شوی و. د عمر او جنس ویش په جدول 3 کې ښودل شوی. دا څیړنه د هیلسنکي د اعلامیې سره سم ترسره شوې او د کوریا د کاتولیک پوهنتون د سیول سینټ مریم روغتون (KC22WISI0328) د اداري بیاکتنې بورډ (IRB) لخوا تصویب شوې. د دې مطالعې د شاته لید ډیزاین له امله، د معالجوي موخو لپاره د راډیوګرافیک معاینې څخه تیر شوي ټولو ناروغانو څخه باخبره رضایت ترلاسه نشو کولی. د سیول کوریا پوهنتون سینټ مریم روغتون (IRB) د باخبره رضایت اړتیا معاف کړه.
د بایمیکسیلري دوهم او دریم مولرونو د پراختیا مرحلې د ډیمیرکان معیارونو 25 سره سم ارزول شوې. یوازې یو غاښ غوره شو که چیرې د هر ژامې په چپ او ښي اړخ کې ورته ډول غاښ وموندل شي. که چیرې په دواړو خواوو کې همجنس غاښونه په مختلفو پرمختیایي مرحلو کې وي، نو د ټیټ پراختیایي مرحلې سره غاښ د اټکل شوي عمر کې د ناڅرګندتیا حساب کولو لپاره غوره شو. د روزنې سیټ څخه سل په تصادفي ډول غوره شوي راډیوګرافونه د دوه تجربه لرونکو څارونکو لخوا نمرې ورکړل شوې ترڅو د غاښونو د پختګۍ مرحله ټاکلو لپاره د پری کیلیبریشن وروسته د انټروبزر اعتبار ازموینه وکړي. د انټرابزر اعتبار د لومړني څارونکي لخوا د دریو میاشتو وقفو کې دوه ځله ارزول شوی.
د روزنې سیټ کې د هر ژامې د دوهم او دریم د غاښونو جنس او پراختیا مرحله د لومړني څارونکي لخوا اټکل شوې وه چې د مختلف DM ماډلونو سره روزل شوې وه، او اصلي عمر د هدف ارزښت په توګه ټاکل شوی و. د SLP او MLP ماډلونه، چې په پراخه کچه د ماشین زده کړې کې کارول کیږي، د ریګریشن الګوریتمونو په وړاندې ازمول شوي. د DM ماډل د څلورو غاښونو د پراختیا مرحلو په کارولو سره خطي فعالیتونه سره یوځای کوي او دا معلومات د عمر اټکل کولو لپاره سره یوځای کوي. SLP ترټولو ساده عصبي شبکه ده او پټ پرتونه نلري. SLP د نوډونو ترمنځ د حد لیږد پراساس کار کوي. په ریګریشن کې د SLP ماډل په ریاضي ډول د څو خطي ریګریشن سره ورته دی. د SLP ماډل برعکس، د MLP ماډل د غیر خطي فعالولو دندو سره ډیری پټ پرتونه لري. زموږ تجربو د غیر خطي فعالولو دندو سره یوازې 20 پټ نوډونو سره یو پټ پرت کارولی. د اصلاح کولو میتود په توګه د تدریجي نزول او MAE او RMSE د ضایع کیدو دندو په توګه زموږ د ماشین زده کړې ماډل روزلو لپاره وکاروئ. غوره ترلاسه شوی ریګریشن ماډل په داخلي او بهرني ازموینې سیټونو کې پلي شو او د غاښونو عمر اټکل شو.
د طبقه بندي الګوریتم رامینځته شوی چې د روزنې سیټ کې د څلورو غاښونو د پختوالي څخه کار اخلي ترڅو وړاندوینه وکړي چې ایا نمونه 18 کلنه ده یا نه. د ماډل جوړولو لپاره، موږ د نمایش ماشین زده کړې اووه الګوریتمونه ترلاسه کړل 6,43: (1) LR، (2) KNN، (3) SVM، (4) DT، (5) RF، (6) XGBoost، او (7) MLP. LR یو له خورا پراخه کارول شوي طبقه بندي الګوریتمونو څخه دی 44. دا د څارنې زده کړې الګوریتم دی چې د 0 څخه تر 1 پورې د یوې ځانګړې کټګورۍ پورې اړوند معلوماتو احتمال وړاندوینه کولو لپاره ریګریشن کاروي او د دې احتمال پراساس معلومات د ډیر احتمالي کټګورۍ پورې اړوند په توګه طبقه بندي کوي؛ په عمده توګه د بائنری طبقه بندي لپاره کارول کیږي. KNN یو له ساده ماشین زده کړې الګوریتمونو څخه دی 45. کله چې نوي ان پټ ډیټا ورکړل شي، دا د موجوده سیټ سره نږدې k ډیټا موندلی او بیا یې د لوړې فریکونسۍ سره په ټولګي کې طبقه بندي کوي. موږ د ګاونډیو شمیر لپاره 3 ټاکلی چې په پام کې نیول شوي (k). SVM یو الګوریتم دی چې د کرنل فنکشن په کارولو سره د دوو ټولګیو ترمنځ فاصله اعظمي کوي ترڅو خطي ځای د فیلډز 46 په نوم غیر خطي ځای ته پراخه کړي. د دې ماډل لپاره، موږ د پولینومیل کرنل لپاره د هایپر پیرامیټرونو په توګه تعصب = 1، ځواک = 1، او ګاما = 1 کاروو. DT په مختلفو برخو کې د الګوریتم په توګه کارول شوی ترڅو د ونې جوړښت کې د پریکړې قواعدو استازیتوب کولو سره په څو فرعي ګروپونو کې ټول ډیټا سیټ ویشل شي. ماډل د 2 په هر نوډ کې د لږترلږه شمیر ریکارډونو سره تنظیم شوی او د کیفیت اندازه کولو په توګه د ګینی شاخص کاروي. RF یو انسمبل میتود دی چې د بوټسټریپ راټولولو میتود په کارولو سره د فعالیت ښه کولو لپاره ډیری DTs سره یوځای کوي چې د اصلي ډیټاسیټ څخه څو ځله د ورته اندازې نمونې په تصادفي ډول رسم کولو سره د هر نمونې لپاره ضعیف طبقه بندي رامینځته کوي48. موږ د نوډ جلا کولو معیارونو په توګه 100 ونې، 10 د ونو ژوروالی، 1 لږترلږه نوډ اندازه، او د ګینی مرکب شاخص کارولی. د نوي معلوماتو طبقه بندي د اکثریت رایې لخوا ټاکل کیږي. XGBoost یو الګوریتم دی چې د بوسټینګ تخنیکونه د یوې طریقې په کارولو سره یوځای کوي چې د روزنې ډیټا په توګه د تیر ماډل د اصلي او وړاندوینې شوي ارزښتونو ترمنځ تېروتنه اخلي او د ګریډینټ 49 په کارولو سره تېروتنه زیاتوي. دا د ښه فعالیت او سرچینو موثریت له امله په پراخه کچه کارول شوی الګوریتم دی، او همدارنګه د ډیر فټینګ اصلاح کولو فعالیت په توګه لوړ اعتبار. ماډل د 400 ملاتړ څرخونو سره سمبال دی. MLP یو عصبي شبکه ده چې پکې یو یا ډیر پرسیپټرون د ان پټ او آوټ پټ پرتونو ترمنځ د یو یا ډیرو پټو پرتونو سره ډیری پرتونه جوړوي 38. د دې په کارولو سره، تاسو کولی شئ غیر خطي طبقه بندي ترسره کړئ چیرې چې کله تاسو د ان پټ پرت اضافه کوئ او د پایلې ارزښت ترلاسه کوئ، د وړاندوینې پایلې ارزښت د اصلي پایلې ارزښت سره پرتله کیږي او تېروتنه بیرته خپریږي. موږ په هر پرت کې د 20 پټو نیورونونو سره یو پټ پرت رامینځته کړ. هر ماډل چې موږ رامینځته کړی د حساسیت، ځانګړتیا، PPV، NPV، او AUROC محاسبه کولو سره د طبقه بندي فعالیت ازموینې لپاره داخلي او بهرني سیټونو ته پلي شوی و. حساسیت د یوې نمونې تناسب په توګه تعریف شوی چې عمر یې ۱۸ کاله یا ډیر وي او د یوې نمونې تناسب چې عمر یې ۱۸ کاله یا ډیر وي. ځانګړتیا د هغو نمونو تناسب دی چې عمر یې ۱۸ کاله یا ډیر وي.
د روزنې په سیټ کې ارزول شوي د غاښونو مرحلې د احصایوي تحلیل لپاره په عددي مرحلو بدلې شوې. د هر جنس لپاره د وړاندوینې ماډلونو رامینځته کولو او د ریګریشن فورمولونو ترلاسه کولو لپاره څو اړخیزه خطي او لوژستیکي ریګریشن ترسره شو چې د عمر اټکل کولو لپاره کارول کیدی شي. موږ دا فورمولونه د داخلي او بهرني ازموینې سیټونو دواړو لپاره د غاښونو عمر اټکل کولو لپاره وکارول. جدول 4 په دې څیړنه کې کارول شوي ریګریشن او طبقه بندي ماډلونه ښیې.
د کوهن د کاپا احصایې په کارولو سره د داخلي او بین النظر اعتبار محاسبه شو. د DM او دودیز ریګریشن ماډلونو دقت ازموینې لپاره، موږ د داخلي او بهرني ازموینې سیټونو د اټکل شوي او حقیقي عمرونو په کارولو سره MAE او RMSE محاسبه کړه. دا غلطۍ معمولا د ماډل وړاندوینو دقت ارزولو لپاره کارول کیږي. تېروتنه څومره کوچنۍ وي، د وړاندوینې دقت لوړ وي24. د DM او دودیز ریګریشن په کارولو سره محاسبه شوي د داخلي او بهرني ازموینې سیټونو MAE او RMSE پرتله کړئ. په دودیزو احصایو کې د 18 کلن کټ آف طبقه بندي فعالیت د 2 × 2 احتمالي جدول په کارولو سره ارزول شوی. د ازموینې سیټ محاسبه شوي حساسیت، ځانګړتیا، PPV، NPV، او AUROC د DM طبقه بندي ماډل د اندازه شوي ارزښتونو سره پرتله شوي. معلومات د اوسط ± معیاري انحراف یا شمیر (٪) په توګه د معلوماتو ځانګړتیاو پورې اړه لري څرګند شوي. دوه اړخیزه P ارزښتونه <0.05 د احصایوي پلوه مهم ګڼل شوي. ټول معمول احصایوي تحلیلونه د SAS نسخه 9.4 (SAS انسټیټیوټ، کیري، NC) په کارولو سره ترسره شوي. د DM ریګریشن ماډل په پایتون کې د Keras50 2.2.4 بیک اینډ او Tensorflow51 1.8.0 په کارولو سره په ځانګړي ډول د ریاضيکي عملیاتو لپاره پلي شو. د DM طبقه بندي ماډل د ویکاتو پوهې تحلیل چاپیریال او د کونستانز معلوماتو ماینر (KNIME) 4.6.152 تحلیل پلیټ فارم کې پلي شو.
لیکوالان دا مني چې د مطالعې د پایلو ملاتړ کونکي معلومات په مقاله او اضافي موادو کې موندل کیدی شي. هغه معلوماتي سیټونه چې د مطالعې په جریان کې تولید شوي او/یا تحلیل شوي د اړونده لیکوال څخه د مناسب غوښتنې په صورت کې شتون لري.
رټز-ټیم، ایس. او نور. د عمر ارزونه: د عدلي طب د ځانګړو اړتیاوو د پوره کولو لپاره د هنر حالت. نړیوالتوب. جي. قانوني درمل. ۱۱۳، ۱۲۹-۱۳۶ (۲۰۰۰).
شمیلینګ، اې.، ریزنګر، ډبلیو.، ګیسیریک، جي.، او اولز، اې. د جنایي تعقیب موخو لپاره د ژوندیو مضامینو د عدلي عمر ارزونې اوسنی حالت. عدلي طب. طب. رنځپوهنه. ۱، ۲۳۹-۲۴۶ (۲۰۰۵).
پان، جي. او نور. په ختیځ چین کې د 5 څخه تر 16 کلونو پورې عمر لرونکو ماشومانو د غاښونو د عمر د ارزونې لپاره یوه تعدیل شوې طریقه. کلینیکي. شفاهي سروې. 25، 3463-3474 (2021).
لي، ايس ايس او نور. په کوریایانو کې د دوهم او دریم د غاښونو د پراختیا کرونولوژي او د عدلي عمر ارزونې لپاره د هغې کارول. نړیوالتوب. جي. قانوني درمل. ۱۲۴، ۶۵۹-۶۶۵ (۲۰۱۰).
اوه، ایس.، کوماګای، اې.، کیم، ایس وائی او لی، ایس ایس د عمر د اندازې دقت او د کوریایانو او جاپانیانو د دوهم او دریم د غاښونو د پختګۍ پر بنسټ د ۱۸ کلنې حد اټکل. PLoS ONE ۱۷، e0271247 (۲۰۲۲).
کیم، جي وای، او نور. د عملیات څخه مخکې د ماشین زده کړې پر بنسټ د معلوماتو تحلیل کولی شي د OSA ناروغانو کې د خوب جراحي درملنې پایلې وړاندوینه وکړي. ساینس. راپور 11، 14911 (2021).
هان، ایم. او نور. د انسان د مداخلې سره یا پرته د ماشین زده کړې څخه د عمر دقیق اټکل؟ نړیوالتوب. جي. قانوني طب. ۱۳۶، ۸۲۱-۸۳۱ (۲۰۲۲).
خان، ایس او شاهین، ایم. د معلوماتو کان کیندنې څخه د معلوماتو کان کیندنې ته. جي. معلومات. ساینس. https://doi.org/10.1177/01655515211030872 (2021).
خان، ایس او شاهین، ایم. ویس رول: د ټولنې د قانون کانونو لپاره لومړی ادراکي الګوریتم. جي. معلومات. ساینس. https://doi.org/10.1177/01655515221108695 (2022).
شاهین ایم او عبدالله یو. کرم: د شرایطو پر بنسټ د اړیکو قواعدو پر بنسټ دودیز معلومات کان کیندنه. محاسبه. متی. دوام. ۶۸، ۳۳۰۵–۳۳۲۲ (۲۰۲۱).
محمد م.، رحمان زی.، شاهین م.، خان م. او حبیب م. د متن معلوماتو په کارولو سره د ژورې زده کړې پر بنسټ د سیمانټیک ورته والي کشف. معلومات. ټیکنالوژي. کنټرول. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
تابش، ایم.، تنولي، زی.، او شاهین، ایم. د سپورت ویډیوګانو کې د فعالیت پیژندلو لپاره یو سیسټم. ملټي میډیا. د وسیلو غوښتنلیکونه https://doi.org/10.1007/s11042-021-10519-6 (2021).
حلابي، ایس ایس او نور. د ماشومانو د هډوکو په عمر کې د RSNA ماشین زده کړې ننګونه. رادیولوژي 290، 498-503 (2019).
لی، وای. او نور. د ژورې زده کړې په کارولو سره د حوصلې د ایکس رې څخه د عدلي عمر اټکل. یورو. وړانګې. ۲۹، ۲۳۲۲–۲۳۲۹ (۲۰۱۹).
ګو، YC، او نور. د عمر دقیق طبقه بندي د لاسي میتودونو او د ارتوګرافیک پروجیکشن عکسونو څخه د ژورو کنولوشنل عصبي شبکو په کارولو سره. نړیوالتوب. J. قانوني درمل. 135، 1589-1597 (2021).
الاباما دالورا او نور. د مختلفو ماشین زده کړې میتودونو په کارولو سره د هډوکو د عمر اټکل: د ادبیاتو سیستماتیک بیاکتنه او میټا تحلیل. PLoS ONE 14، e0220242 (2019).
ډو، ایچ.، لی، جي.، چینګ، کی.، او یانګ، جي. د مخروطي بیم کمپیوټري ټوموګرافي په کارولو سره د لومړيو دالرونو د نبض چیمبر حجمونو پراساس د افریقایي امریکایانو او چینایانو د نفوس ځانګړي عمر اټکل. نړیوالتوب. جي. قانوني درمل. ۱۳۶، ۸۱۱-۸۱۹ (۲۰۲۲).
کیم ایس، لی وای ایچ، نو وای کی، پارک ایف کی او اوه کی ایس د مصنوعي استخباراتو پر بنسټ د لومړیو غاښونو د انځورونو په کارولو سره د ژوندیو خلکو د عمر ګروپونو ټاکل. ساینس. راپور ۱۱، ۱۰۷۳ (۲۰۲۱).
سټرن، ډي.، پییر، سي.، ګیولیاني، این.، او ارشلر، ایم. د څو اړخیزه MRI معلوماتو څخه د عمر اتومات اټکل او د اکثریت عمر طبقه بندي. IEEE J. بایومډ. روغتیایی خبرتیاوې. ۲۳، ۱۳۹۲-۱۴۰۳ (۲۰۱۹).
چینګ، کیو، جی، زیډ، ډو، ایچ او لی، جی. د عمر اټکل د شنک بیم کمپیوټري ټوموګرافي څخه د لومړي مولرونو د 3D نبض چیمبر قطع کولو پراساس د ژورې زده کړې او کچې سیټونو یوځای کولو سره. نړیوالتوب. جي. قانوني درمل. 135، 365-373 (2021).
وو، ډبلیو ټي، او نور. په کلینیکي لویو معلوماتو کې د معلوماتو کان کیندنه: عام ډیټابیسونه، ګامونه، او میتودونه ماډلونه. نړۍ. درمل. سرچینه. 8، 44 (2021).
یانګ، جي. او نور. د لویو معلوماتو په دوره کې د طبي ډیټابیسونو او معلوماتو کان کیندنې ټیکنالوژیو معرفي. جي. ایویډ. اساسي درمل. ۱۳، ۵۷-۶۹ (۲۰۲۰).
شین، ایس. او نور. د ماشین زده کړې په کارولو سره د غاښونو عمر اټکل کولو لپاره د کیمرر طریقه. د BMC اورل روغتیا 21، 641 (2021).
ګالیبرګ اې. او نور. د ډیمیرډجیان سټیجینګ میتود په کارولو سره د غاښونو عمر وړاندوینې لپاره د مختلفو ماشین زده کړې میتودونو پرتله کول. نړیوالتوب. جي. قانوني درمل. ۱۳۵، ۶۶۵-۶۷۵ (۲۰۲۱).
ډیمیردجیان، اې.، ګولډسټین، ایچ. او ټنر، جي ایم د غاښونو د عمر د ارزونې لپاره یو نوی سیسټم. سنورټ. بیولوژي. ۴۵، ۲۱۱-۲۲۷ (۱۹۷۳).
لینډیس، جي آر، او کوچ، جي جي د کتګوریک معلوماتو په اړه د څارونکي موافقې اقدامات. بایومیټریک 33، 159-174 (1977).
بهټاچارجي ایس، پرکاش ډي، کیم سي، کیم ایچ کې او چوی ایچ کې. د لومړني دماغي تومورونو د توپیر لپاره د مصنوعي استخباراتو تخنیکونو په کارولو سره د دوه اړخیز مقناطیسي ریزونانس امیجنگ متن، مورفولوژیکي او احصایوي تحلیل. روغتیایی معلومات. سرچینه. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
د پوسټ وخت: جنوري-۰۴-۲۰۲۴