د کوریا د ځوانانو او ځوانانو ترمنځ د غاښونو د عمر اټکل کولو دودیز میتودونو په وړاندې د ډیټا کان کیندنې ماډل اعتبار

د Nature.com لیدلو لپاره مننه.د براوزر نسخه چې تاسو یې کاروئ محدود CSS ملاتړ لري.د غوره پایلو لپاره، موږ ستاسو د براوزر نوې نسخه کارولو وړاندیز کوو (یا په انټرنیټ اکسپلورر کې د مطابقت حالت بند کړئ).په ورته وخت کې، د روان ملاتړ ډاډ ترلاسه کولو لپاره، موږ سایټ پرته له سټایل یا جاواسکریپټ ښودلو.
غاښونه د انسان د بدن د عمر ترټولو دقیق شاخص ګڼل کیږي او ډیری وختونه د عدلي عمر ارزونه کې کارول کیږي.موږ موخه دا وه چې د ډیټا کان کیندنې پر بنسټ د غاښونو عمر اټکلونه د 18 کلن حد د اندازې دقت او طبقه بندي فعالیت د دودیزو میتودونو او ډیټا کان کیندنې پراساس د عمر اټکلونو سره پرتله کړو.په ټولیز ډول د 15 څخه تر 23 کلونو پورې د کوریا او جاپاني اتباعو څخه 2657 پینورامیک راډیوګرافونه راټول شوي.دوی د روزنې سیټ کې ویشل شوي، هر یو یې 900 کوریايي راډیوګرافونه لري، او د داخلي ازموینې سیټ چې 857 جاپاني راډیوګرافونه لري.موږ د دودیزو میتودونو د ډلبندۍ دقت او موثریت د ډیټا کان کیندنې ماډلونو ازموینې سیټونو سره پرتله کړ.د داخلي ازموینې سیټ کې د دودیز میتود دقت د ډیټا کان کیندنې ماډل څخه یو څه لوړ دی ، او توپیر یې کوچنی دی (مطلب مطلق غلطی <0.21 کاله ، د ریښی معنی مربع غلطی <0.24 کاله).د 18 کلن کټ آف لپاره د ډلبندۍ فعالیت هم د دودیزو میتودونو او ډیټا کان کیندنې ماډلونو ترمنځ ورته دی.په دې توګه، دودیز میتودونه د ډیټا کان کیندنې ماډلونو لخوا ځای په ځای کیدی شي کله چې د کوریا په ځوانانو او ځوانو لویانو کې د دوهم او دریم دالر د بلوغ په کارولو سره د عدلي عمر ارزونه ترسره کوي.
د غاښونو عمر اټکل په پراخه کچه په عدلي طب او د ماشومانو غاښونو کې کارول کیږي.په ځانګړې توګه، د تاریخي عمر او د غاښونو پراختیا ترمنځ د لوړې اړیکې له امله، د غاښونو پراختیایي مرحلو لخوا د عمر ارزونه د ماشومانو او لویانو عمر ارزولو لپاره یو مهم معیار دی 1,2,3.په هرصورت، د ځوانانو لپاره، د غاښونو عمر اټکل کول د غاښونو د عمر په اساس خپل محدودیتونه لري ځکه چې د غاښونو وده تقریبا بشپړه شوې ده، پرته له دریم دالر.د ځوانانو او تنکیو ځوانانو د عمر د معلومولو قانوني موخه د کره اټکلونو او ساینسي شواهدو وړاندې کول دي چې ایا دوی د بالغ عمر ته رسیدلي دي.په کوریا کې د لویانو او ځوانو لویانو په طبي-قانوني تمرین کې، عمر د لی طریقې په کارولو سره اټکل شوی و، او د 18 کلونو قانوني حد د Oh et al 5 لخوا راپور شوي معلوماتو پراساس اټکل شوی و.
د ماشین زده کړه د مصنوعي استخباراتو (AI) یو ډول دی چې په مکرر ډول د ډیټا لوی مقدار زده کوي او طبقه بندي کوي ، پخپله ستونزې حل کوي ، او د ډیټا برنامه چلوي.د ماشین زده کړه کولی شي د ډیټا 6 په لوی مقدار کې ګټور پټ نمونې ومومي.په مقابل کې، کلاسیک میتودونه، چې د کار او وخت ضایع کول دي، ممکن محدودیتونه ولري کله چې د پیچلو ډیټا لوی مقدار سره معامله وکړي چې په لاسي ډول پروسس کول ستونزمن دي 7.له همدې امله، ډیری مطالعې پدې وروستیو کې د کمپیوټر وروستي ټیکنالوژیو په کارولو سره ترسره شوي ترڅو د انساني غلطیو کمولو او په اغیزمنه توګه څو اړخیز ډیټا 8,9,10,11,12 پروسس کړي.په ځانګړې توګه، ژورې زده کړې په پراخه کچه د طبي عکس تحلیل کې کارول شوي، او د عمر اټکل لپاره مختلف میتودونه د رادیوګرافونو په اتوماتيک ډول تحلیل شوي چې د عمر د اندازې دقت او موثریت ښه کولو لپاره راپور شوي 13,14,15,16,17,18,19,20 .د مثال په توګه، Halabi et al 13 د عصبي عصبي شبکو (CNN) پر بنسټ د ماشین زده کړې الګوریتم رامینځته کړی ترڅو د ماشومانو د لاسونو راډیوګرافونو په کارولو سره د کنکال عمر اټکل کړي.دا څیړنه یو ماډل وړاندیز کوي چې په طبي عکسونو کې د ماشین زده کړې پلي کوي او ښیې چې دا میتودونه کولی شي د تشخیص درستیت ته وده ورکړي.Li et al14 د ژورې زده کړې CNN په کارولو سره د pelvic X-ray عکسونو څخه عمر اټکل کړی او د ossification مرحلې اټکل په کارولو سره یې د ریګریشن پایلو سره پرتله کړي.دوی وموندل چې د ژورې زده کړې CNN ماډل د عنعنوي ریګریشن ماډل په څیر د عمر اټکل کولو فعالیت ښودلی.د Guo et al.'s مطالعې [15] د غاښونو آرتوفوټوز پراساس د CNN ټیکنالوژۍ د عمر زغم ډلبندۍ فعالیت ارزونه وکړه، او د CNN ماډل پایلې ثابته کړه چې انسانان د خپل عمر درجه بندي فعالیت ښه کوي.
د ماشین زده کړې په کارولو سره د عمر اټکل په اړه ډیری مطالعې د ژورې زده کړې میتودونه کاروي 13,14,15,16,17,18,19,20.د ژورې زده کړې پر بنسټ د عمر اټکل د دودیزو میتودونو په پرتله ډیر درست دی.په هرصورت، دا طریقه لږ فرصت برابروي چې د عمر اټکلونو لپاره ساینسي اساس وړاندې کړي، لکه د عمر شاخصونه چې په اټکلونو کې کارول شوي.د دې په اړه هم قانوني شخړه شتون لري چې څوک تفتیشونه ترسره کوي.له همدې امله، د ژورې زده کړې پر بنسټ د عمر اټکل د اداري او قضايي چارواکو لخوا د منلو وړ دی.د ډیټا کان کیندنه (DM) یو تخنیک دی چې کولی شي نه یوازې تمه شوي بلکه غیر متوقع معلومات هم د ډیټا 6,21,22 لوی مقدارونو ترمینځ د ګټورو اړیکو موندلو لپاره د میتود په توګه کشف کړي.د ماشین زده کړه اکثرا د ډیټا کان کیندنې کې کارول کیږي ، او د ډیټا کان کیندنې او ماشین زده کړې دواړه په ډیټا کې د نمونو موندلو لپاره ورته کلیدي الګوریتمونه کاروي.د غاښونو د پراختیا په کارولو سره د عمر اټکل د هدف لرونکي غاښونو د پختوالي په اړه د معاینه کونکي ارزونې پراساس دی، او دا ارزونه د هر هدف لرونکي غاښ لپاره د یوې مرحلې په توګه څرګندیږي.DM د غاښونو د ارزونې مرحلې او حقیقي عمر ترمنځ ارتباط تحلیل کولو لپاره کارول کیدی شي او د دودیز احصایوي تحلیل ځای په ځای کولو احتمال 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 ماشین زده کړه پلي کړو.د غاښونو عمر ټاکلو لپاره د عدلي تمریناتو او د EBM پر بنسټ میتودونو کې کارول شوي دودیز لارښود میتودونو لپاره د احتمالي بدیلونو په اړه ډیری مقایسه مطالعات خپاره شوي.Shen et al23 ښودلې چې د DM ماډل د دودیز کیمرر فارمول څخه ډیر درست دی.Galibourg et al24 د ډیمیردجیان معیارونو سره سم د عمر وړاندوینې لپاره د DM بیلابیل میتودونه پلي کړل او پایلې یې وښودله چې د DM میتود د فرانسوي نفوس عمر اټکل کولو کې د ډیمیرجیان او ویلیمز میتودونو څخه ښه و.
د کوریا د ځوانانو او ځوانانو د غاښونو عمر اټکل کولو لپاره، د لی میتود 4 په پراخه توګه د کوریا په عدلي تمرین کې کارول کیږي.دا طریقه د دودیز احصایوي تحلیلونو څخه کار اخلي (لکه څو څو ځله تکرار) د کوریا د مضامینو او تاریخي عمر ترمنځ اړیکه معاینه کولو لپاره.په دې څیړنه کې، د دودیزو احصایوي میتودونو په کارولو سره د عمر اټکل کولو میتودونه د "دودیز میتودونو" په توګه تعریف شوي.د لي ميتود يو دوديز ميتود دی، او د هغه دقت د Oh et al لخوا تاييد شوی دی.۵;په هرصورت، د کوریا په عدلي تمرین کې د DM ماډل پر بنسټ د عمر د اندازې تطبیق لاهم د پوښتنې وړ دی.زموږ هدف دا و چې په ساینسي ډول د DM ماډل پراساس د عمر اټکل احتمالي ګټورتیا تایید کړو.د دې مطالعې موخه (1) د غاښونو عمر اټکل کولو کې د دوه DM ماډلونو دقت پرتله کول او (2) د 18 کلنۍ په عمر کې د 7 DM ماډلونو د طبقه بندي فعالیت پرتله کول د دودیزو احصایوي میتودونو په کارولو سره ترلاسه شوي د دویمې بشپړتیا پرتله کول. او دریم داړه ​​په دواړو ژامو کې.
د مرحلې او غاښونو ډولونو له مخې د کرونولوژیکي عمر معنی او معیاري انحراف په آنلاین ضمیمه جدول S1 (روزنه سیټ) کې ښودل شوي ، ضمیمه جدول S2 (د داخلي ازموینې سیټ) ، او ضمیمه جدول S3 (بهرني ازموینې سیټ).د کاپا ارزښتونه د انټرا- او انټر ابزرور اعتبار لپاره د روزنې سیټ څخه ترلاسه شوي په ترتیب سره 0.951 او 0.947 وو.د کاپا ارزښتونو لپاره د P ارزښتونه او د 95٪ باور وقفې په آنلاین ضمیمه جدول S4 کې ښودل شوي.د کاپا ارزښت د "تقریبا بشپړ" په توګه تشریح شوی، د لینډیس او کوچ 26 معیارونو سره سم.
کله چې د معنی مطلق غلطی (MAE) پرتله کول، دودیز میتود یو څه د ټولو جندرونو او د بهرني نارینه ازموینې سیټ کې د ملټي لییر پرسیپټرون (MLP) استثنا سره د DM ماډل یو څه ښه کوي.د داخلي MAE ټیسټ 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 بهرنۍ ازموینې بیټرۍ لپاره، توپیرونه کوچني دي (د نارینه وو لپاره 0.001-0.05 کاله او د ښځو لپاره 0.05-0.09 کاله).برسیره پردې، د ریښی معنی مربع تېروتنه (RMSE) د دودیز میتود څخه لږ څه ټیټه ده، د کوچنیو توپیرونو سره (0.17-0.24، 0.2-0.24 د نارینه داخلي ازموینې سیټ لپاره، او 0.03-0.07، 0.04-0.08 د بهرني ازموینې سیټ لپاره).).MLP د Single Layer Perceptron (SLP) په پرتله یو څه ښه فعالیت ښیې، پرته له دې چې د ښځینه بهرنۍ ازموینې سیټ کې.د MAE او RMSE لپاره، د بهرنۍ ازموینې نمرې د ټولو جنسونو او ماډلونو لپاره د داخلي ازموینې په پرتله لوړې دي.ټول MAE او RMSE په جدول 1 او شکل 1 کې ښودل شوي.
MAE او RMSE د دودیز او ډیټا کان کیندنې ریګریشن ماډلونه.مطلب مطلق تېروتنه MAE، د روټ معنی مربع تېروتنه RMSE، واحد پرت پرسیپټرون SLP، څو اړخیز پرسیپټرون MLP، دودیز CM میتود.
د دودیز او DM ماډلونو طبقه بندي فعالیت (د 18 کلونو کټ آف سره) د حساسیت ، ځانګړتیا ، مثبت وړاندوینې ارزښت (PPV) ، منفي وړاندوینې ارزښت (NPV) ، او د رسیدونکي عملیاتي ځانګړتیا وکر (AUROC) لاندې ساحه کې ښودل شوي. 27 (جدول 2، شکل 2 او اضافي شکل 1 آنلاین).د داخلي ازموینې بیټرۍ د حساسیت له مخې، دودیز میتودونه د نارینه وو تر منځ غوره او د ښځو په منځ کې بدتر دي.په هرصورت، د دودیزو میتودونو او SD ترمنځ د ډلبندۍ فعالیت کې توپیر د نارینه وو لپاره 9.7٪ دی (MLP) او یوازې 2.4٪ د ښځو لپاره (XGBoost).د DM ماډلونو په مینځ کې، لوژستیک ریګریشن (LR) په دواړو جنسونو کې ښه حساسیت ښودلی.د داخلي ټیسټ سیټ ځانګړتیاو په اړه، دا لیدل شوي چې څلور SD ماډلونه په نارینه وو کې ښه فعالیت کوي، پداسې حال کې چې دودیز ماډل په ښځو کې ښه فعالیت کړی.د نارینه او ښځینه لپاره د ډلبندۍ فعالیت کې توپیرونه په ترتیب سره 13.3٪ (MLP) او 13.1٪ (MLP) دي، دا په ګوته کوي چې د ماډلونو ترمنځ د درجه بندي فعالیت توپیر د حساسیت څخه ډیر دی.د DM ماډلونو په مینځ کې، د ملاتړ ویکتور ماشین (SVM)، د پریکړې ونې (DT)، او تصادفي ځنګل (RF) موډل د نارینه وو په منځ کې غوره فعالیت کړی، پداسې حال کې چې د LR ماډل د ښځو په منځ کې غوره فعالیت کړی.د دودیز ماډل او ټولو SD ماډلونو AUROC په نارینه وو کې د 0.925 (k-نږدې ګاونډی (KNN) څخه ډیر و، د 18 کلن نمونو په توپیر کې د غوره ډلبندۍ فعالیت ښودلی28.د بهرنۍ ازموینې سیټ لپاره، د داخلي ازموینې سیټ په پرتله د حساسیت، ځانګړتیا او AUROC په شرایطو کې د ډلبندۍ فعالیت کې کمښت شتون درلود.سربیره پردې، د غوره او بدترین ماډلونو د ډلبندۍ فعالیت تر منځ د حساسیت او ځانګړتیا توپیر د 10٪ څخه تر 25٪ پورې و او د داخلي ازموینې سیټ کې د توپیر څخه لوی و.
د معلوماتو کان کیندنې طبقه بندي ماډلونو حساسیت او ځانګړتیا د دودیزو میتودونو په پرتله د 18 کلونو کټ آف سره.KNN k نږدې ګاونډی، د SVM مالتړ ویکتور ماشین، LR لوژستیک ریګریشن، د DT پریکړې ونې، RF تصادفي ځنګل، XGB XGBoost، MLP ملټي لییر پرسیپټرون، دودیز CM میتود.
پدې څیړنه کې لومړی ګام دا و چې د غاښونو عمر اټکلونو دقت پرتله کړئ 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 په دې څیړنه کې دودیز میتود یو څه ډیر درست و، دا ستونزمنه ده چې پایله یې وکړو چې آیا دا ډول کوچنی توپیر کلینیکي یا عملي اهمیت لري.دا پایلې په ګوته کوي چې د DM ماډل په کارولو سره د غاښونو عمر اټکل کولو دقیقیت نږدې د دودیز میتود سره ورته دی.د پخوانیو مطالعاتو پایلو سره مستقیم پرتله کول ستونزمن کار دی ځکه چې هیڅ مطالعې د DM ماډلونو دقت د دودیز احصایوي میتودونو سره د ورته عمر په اوږدو کې د غاښونو ثبتولو ورته تخنیک په کارولو سره ندي پرتله کړي لکه څنګه چې پدې مطالعې کې.Galibourg et al24 MAE او RMSE د دوه دودیزو میتودونو (ډیمیرجیان میتود25 او ویلیمز میتود29) او 10 DM ماډلونو ترمنځ د فرانسوي نفوس له 2 څخه تر 24 کلونو پورې پرتله کوي.دوی راپور ورکړی چې د DM ټول ماډلونه د دودیزو میتودونو په پرتله خورا دقیق وو، په ترتیب سره د ویلیمز او ډیمیرجیان میتودونو په پرتله په MAE کې د 0.20 او 0.38 کلونو او RMSE کې 0.25 او 0.47 کلونو توپیر سره.د هیلبورګ مطالعې کې ښودل شوي د SD ماډل او دودیزو میتودونو ترمینځ توپیر ډیری راپورونه په پام کې نیسي 30,31,32,33 چې د ډیمیرجیان میتود د فرانسوي کاناډایانو پرته په نورو خلکو کې د غاښونو عمر په سمه توګه اټکل نه کوي چې مطالعه یې پر بنسټ وه.په دې څیړنه کې.Tai et al 34 د 1636 چینایي آرتوډونټیک عکسونو څخه د غاښونو عمر وړاندوینې لپاره د MLP الګوریتم کارولی او د دې دقت یې د ډیمیرجیان او ویلیمز میتود پایلو سره پرتله کړی.دوی راپور ورکړی چې MLP د دودیزو میتودونو په پرتله لوړ دقت لري.د ډیمیردجیان میتود او دودیز میتود تر مینځ توپیر <0.32 کاله دی، او د ویلیمز میتود 0.28 کاله دی، چې د اوسنۍ مطالعې پایلو سره ورته دی.د دې پخوانیو مطالعاتو پایلې 24,34 هم د اوسنۍ مطالعې پایلو سره مطابقت لري، او د DM ماډل او دودیز میتود د عمر اټکل دقت سره ورته دي.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 پخوانیو مطالعاتو پرتله کولو او حواله کولو نشتوالي له امله موجوده میتودونه بدل 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 عمر اټکل کولو کې د SD دقت ازموینه کوي، ځینې یې زموږ د مطالعې په پرتله لوړ درستیت ښودلی.Stepanovsky et al 35 د 22 SD ماډلونه د 976 چک اوسیدونکو د 2.7 څخه تر 20.5 کلونو پورې د پینورامیک راډیوګرافونو لپاره پلي کړل او د هر ماډل دقت یې ازموینه وکړه.دوی د ټولټال 16 لوړ او ښکته کیڼ دایمي غاښونو پراختیا ارزونه وکړه چې د مورریس او ال 36 لخوا وړاندیز شوي طبقه بندي معیارونو په کارولو سره.MAE له 0.64 څخه تر 0.94 کلونو پورې او د RMSE حد له 0.85 څخه تر 1.27 کلونو پورې دی، کوم چې په دې څیړنه کې کارول شوي د دوو DM ماډلونو څخه ډیر درست دي.Shen et al23 د ختیځ چینایي اوسیدونکو کې چې عمر یې له 5 څخه تر 13 کلونو پورې دی په چپ مینډیبل کې د اوو دایمي غاښونو د غاښونو عمر اټکل کولو لپاره د کیمیریر میتود کارولی او دا د خطي ریګریشن ، SVM او RF په کارولو سره اټکل شوي عمر سره پرتله کوي.دوی وښودله چې ټول درې DM ماډلونه د دودیز کیمیریر فارمول په پرتله لوړ دقت لري.د شین مطالعې کې MAE او RMSE په دې څیړنه کې د DM ماډل په پرتله ټیټ وو.د Stepanovsky et al لخوا د مطالعاتو ډیر دقیقیت.35 او Shen et al.23 ممکن د دوی د مطالعې نمونو کې د ځوانو مضامینو شاملولو له امله وي.ځکه چې د هغو ګډونوالو لپاره د عمر اټکلونه چې د غاښونو د پراختیا په وخت کې د غاښونو شمیر ډیریږي ډیر دقیق کیږي، د پایلې د عمر اټکل کولو طریقې دقت ممکن کله چې د مطالعې برخه اخیستونکي ځوان وي موافق وي.برسیره پردې، د عمر په اټکل کې د MLP تېروتنه د SLP څخه یو څه کوچنۍ ده، پدې معنی چې MLP د SLP څخه ډیر درست دی.MLP د عمر د اندازې لپاره یو څه غوره ګڼل کیږي، ممکن په MLP38 کې د پټو پرتونو له امله.په هرصورت، د ښځو 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 خورا دقیق دی اضافي متقابل مطالعاتو ته اړتیا لري.
د DM ماډل درجه بندي فعالیت او دودیز میتود په 18 کلن حد کې هم پرتله شوی و.ټول ازمول شوي SD ماډلونه او دودیز میتودونه د داخلي ازموینې سیټ کې د 18 کلن نمونې لپاره په عملي ډول د منلو وړ تبعیض ښودل شوي.د نارینه او ښځو لپاره حساسیت په ترتیب سره د 87.7٪ او 94.9٪ څخه ډیر و، او ځانګړتیا د 89.3٪ او 84.7٪ څخه زیاته وه.د ټولو ازمول شویو ماډلونو AUROC هم د 0.925 څخه ډیر دی.زموږ د غوره پوهې لپاره، هیڅ مطالعې د غاښونو د بالغوالي پراساس د 18 کلن طبقه بندي لپاره د DM ماډل فعالیت نه دی ازمولی.موږ کولی شو د دې مطالعې پایلې په پینورامیک راډیوګرافونو کې د ژورې زده کړې ماډلونو طبقه بندي فعالیت سره پرتله کړو.Guo et al.15 د CNN پر بنسټ د ژورې زده کړې ماډل درجه بندي فعالیت او د یو ټاکلي عمر حد لپاره د ډیمیرجیان میتود پراساس یو لارښود میتود محاسبه کړ.د لارښود میتود حساسیت او ځانګړتیا په ترتیب سره 87.7٪ او 95.5٪ وه، او د CNN موډل حساسیت او ځانګړتیا په ترتیب سره له 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 کولو کې د لاسي ارزونې ځای ونیسي یا غوره کړي.د دې مطالعې پایلې د ورته طبقه بندي فعالیت ښودلی؛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 منځ کې، DM LR د نارینه نمونې لپاره د حساسیت او د ښځینه نمونې لپاره حساسیت او ځانګړتیاوو له مخې غوره ماډل و.LR د نارینه وو لپاره په ځانګړتیا کې دوهم ځای لري.سربیره پردې ، LR یو له ډیر کارونکي دوستانه DM35 ماډلونو څخه شمیرل کیږي او لږ پیچلي او پروسس کول ستونزمن دي.د دې پایلو پراساس، LR د کوریا په نفوس کې د 18 کلنو لپاره د کټ آف کټګورۍ غوره ماډل ګڼل کیده.
په ټولیز ډول، د بهرنۍ ازموینې په سیټ کې د عمر اټکل یا د درجه 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 جاپان نفوس 5,39 باندې پلي کیږي، او ورته ورته نمونه په اوسني مطالعې کې وموندل شوه.دا د خرابیدو رجحان د DM ماډل کې هم لیدل شوی.له همدې امله، د عمر په سمه توګه اټکل کولو لپاره، حتی کله چې د تحلیل په بهیر کې د DM کارولو په وخت کې، د اصلي نفوس ډاټا 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 وښیې، 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 دا تایید کړي چې آیا مصنوعي استخبارات کولی شي په محدود عمر کې دا نژادي توپیرونه له منځه یوسي.ارزونې
موږ په ډاګه کوو چې دودیز میتودونه په کوریا کې د عدلي عمر اټکل کولو تمرین کې د DM ماډل پراساس د عمر اټکل لخوا ځای په ځای کیدی شي.موږ د عدلي عمر ارزونې لپاره د ماشین زده کړې پلي کولو امکان هم موندلی.په هرصورت، واضح محدودیتونه شتون لري، لکه په دې څیړنه کې د ګډون کوونکو ناکافي شمیر ترڅو پایلې په سمه توګه وټاکي، او د دې څیړنې پایلې پرتله کولو او تایید کولو لپاره د پخوانیو مطالعاتو نشتوالی.په راتلونکي کې، د DM مطالعات باید د لوی شمیر نمونو او ډیری متنوع نفوس سره ترسره شي ترڅو د دودیزو میتودونو په پرتله د هغې عملي تطبیق ښه کړي.په ډیری نفوس کې د عمر اټکل کولو لپاره د مصنوعي استخباراتو کارولو امکان تاییدولو لپاره، راتلونکي مطالعاتو ته اړتیا ده چې د DM طبقه بندي دقت او موثریت او په ورته نمونو کې د دودیزو میتودونو سره د ژورې زده کړې ماډلونه پرتله کړي.
په دې څیړنه کې د 15 څخه تر 23 کلونو پورې د کوریا او جاپاني لویانو څخه راټول شوي 2,657 آرتوګرافیک عکسونه کارول شوي.د کوریا راډیوګرافونه په 900 ټریننګ سیټونو (19.42 ± 2.65 کلونو) او 900 داخلي ازموینې سیټونو (19.52 ± 2.59 کلونو) کې ویشل شوي.د روزنې سیټ په یوه اداره کې راټول شوی و (د سیول سینټ مریم روغتون) ، او د خپل ټیسټ سیټ په دوه ادارو کې راټول شوی و (د سیول ملي پوهنتون د غاښونو روغتون او د یونسي پوهنتون د غاښونو روغتون).موږ د بهرنۍ ازموینې لپاره د بل نفوس پراساس ډیټا (ایوایټ طبي پوهنتون ، جاپان) څخه 857 راډیوګرافونه هم راټول کړل.د جاپاني مضامینو راډیوګرافونه (19.31 ± 2.60 کاله) د بهرني ازموینې سیټ په توګه غوره شوي.د غاښونو د درملنې په جریان کې اخیستل شوي پینورامیک رادیوګرافونو کې د غاښونو د پراختیا مرحلې تحلیل کولو لپاره ډاټا په تیرو وختونو کې راټول شوي.ټول راټول شوي معلومات د جندر، د زیږون نیټه او د راډیوګراف نیټې پرته نامعلوم وو.د شاملولو او اخراج معیارونه د مخکینیو خپرو شویو مطالعاتو په څیر یو شان وو 4 , 5 .د نمونې ریښتیني عمر د راډیوګراف اخیستل شوي نیټې څخه د زیږون نیټه په کمولو سره محاسبه شوې.د نمونې ګروپ په نهو عمر ګروپونو ویشل شوی و.د عمر او جنسیت ویش په جدول 3 کې ښودل شوي دا څیړنه د هیلسنکي د اعالمیې سره سم ترسره شوې او د کوریا د کاتولیک پوهنتون سیول سینټ مریم روغتون (KC22WISI0328) د اداری بیاکتنې بورډ (IRB) لخوا تصویب شوې.د دې مطالعې د بیرته راګرځیدونکي ډیزاین له امله، د ټولو ناروغانو څخه باخبره رضايت نشي ترلاسه کیدی چې د درملنې موخو لپاره د راډیوګرافیک معاینه کیږي.د سیول کوریا پوهنتون سینټ مریم روغتون (IRB) د باخبر رضایت لپاره اړتیا معاف کړه.
د bimaxillary دوهم او دریم دالر پراختیایي مرحلې د ډیمیرکان معیارونو سره سم ارزول شوي.یوازې یو غاښ غوره شوی و که چیرې ورته غاښ د هر ژامې په ښي او چپ اړخ کې وموندل شي.که په دواړو خواوو کې هومولوژس غاښونه په مختلف پرمختیایي مرحلو کې وي، د ټیټ پرمختیایي مرحلې سره غاښونه د اټکل شوي عمر کې د ناڅرګندتیا حساب ورکولو لپاره غوره شوي.د روزنیز سیټ څخه سل په تصادفي ډول غوره شوي راډیوګرافونه د دوه تجربه لرونکو څارونکو لخوا نمرې شوي ترڅو د غاښونو د بشپړتیا مرحلې ټاکلو لپاره د پریکالیبریشن وروسته د بین الابوزر اعتبار ازموینه وکړي.د Intraobserver اعتبار د لومړني څارونکي لخوا په دریو میاشتو وقفو کې دوه ځله ارزول شوی.
د روزنې په سیټ کې د هر ژامې د دوهم او دریم دالر جنسیت او پراختیا مرحله د لومړني څارونکي لخوا اټکل شوې چې د مختلف DM ماډلونو سره روزل شوي، او حقیقي عمر د هدف ارزښت په توګه ټاکل شوی.د SLP او MLP ماډلونه، چې په پراخه توګه د ماشین زده کړې کې کارول کیږي، د ریګریشن الګوریتمونو په وړاندې ازمول شوي.د DM ماډل د څلورو غاښونو د پراختیایي مرحلو په کارولو سره خطي فعالیتونه سره یوځای کوي او دا ډاټا د عمر اټکل کولو لپاره یوځای کوي.SLP ترټولو ساده عصبي شبکه ده او پټ پرتونه نلري.SLP د نوډونو ترمینځ 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 فعالیت فعالیت سره ډیری پټ پرتونه لري.زموږ تجربو یو پټ پرت کارولی چې یوازې د 20 پټ نوډونو سره د غیر خطي فعالیت فعالیت سره.زموږ د ماشین زده کړې ماډل روزلو لپاره د تدریجي نزول د اصلاح کولو میتود او MAE او RMSE د ضایع فعالیت په توګه وکاروئ.د ریګریشن غوره ترلاسه شوي ماډل د داخلي او بهرني ازموینې سیټونو کې پلي شوي او د غاښونو عمر اټکل شوی.
د طبقه بندي کولو الګوریتم رامینځته شوی چې د روزنې په سیټ کې د څلورو غاښونو پختوالي کاروي ترڅو وړاندوینه وکړي چې ایا نمونه 18 کلنه ده یا نه.د ماډل جوړولو لپاره، موږ اوه د نمایندګۍ ماشین زده کړې الګوریتم 6,43 ترلاسه کړل: (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 له 0 څخه تر 1 پورې د یوې ټاکلې کټګورۍ پورې اړوند ډیټا احتمالي وړاندوینې لپاره ریګریشن کاروي او د دې احتمال پراساس د احتمالي کټګورۍ پورې اړوند ډیټا 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 موجوده سیټ ته نږدې k ډیټا ومومي 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 دوه ټولګیو ترمینځ فاصله اعظمي کوي ترڅو خطي ځای په غیر خطي ځای کې پراخ کړي چې د fields46 په نوم یادیږي.د دې ماډل لپاره، موږ د پولینومیل کرنل لپاره د bias = 1، power = 1، او ګاما = 1 د هایپرپرامیټر په توګه کاروو.DT په مختلفو برخو کې د الګوریتم په توګه کارول شوی ترڅو ټول ډیټا په څو فرعي ګروپونو ویشل شي چې د ونې جوړښت کې د پریکړې قواعدو استازیتوب کوي47.ماډل د 2 نوډ په هر نوډ کې لږترلږه ریکارډونو سره ترتیب شوی او د کیفیت اندازه کولو په توګه د Gini شاخص کاروي.RF یوه جوړه شوې میتود دی چې د بوټسټریپ راټولولو میتود په کارولو سره د فعالیت ښه کولو لپاره ډیری DTs ترکیب کوي چې د اصلي ډیټاسیټ څخه څو ځله د ورته اندازې نمونې په تصادفي ډول د ورته اندازې نمونې رسم کولو سره د هرې نمونې لپاره ضعیف کټګوري رامینځته کوي.موږ د نوډ جلا کولو معیارونو په توګه 100 ونې، د 10 ونې ژورې، د 1 لږترلږه نوډ اندازه، او د ګیني مرکب شاخص کارولی.د نوي معلوماتو طبقه بندي د رایو په اکثریت ټاکل کیږي.XGBoost یو الګوریتم دی چې د یوې میتود په کارولو سره د ودې تخنیکونه ترکیب کوي چې د روزنې ډیټا په توګه د تیرو ماډل ریښتیني او وړاندوینې شوي ارزښتونو ترمینځ غلطۍ اخلي او د تدریجي 49 په کارولو سره خطا لوړوي.دا د خپل ښه فعالیت او سرچینې موثریت له امله په پراخه کچه کارول شوی الګوریتم دی ، په بیله بیا د ډیر مناسب اصلاح فعالیت په توګه لوړ اعتبار.ماډل د 400 ملاتړ ویلونو سره مجهز دی.MLP یو عصبي شبکه ده په کوم کې چې یو یا څو پرسیپټرون څو پرتونه جوړوي چې د ان پټ او آوټ پوټ پرتونو تر مینځ یو یا څو پټ پرتونه لري.د دې په کارولو سره ، تاسو کولی شئ غیر خطي طبقه بندي ترسره کړئ چیرې چې تاسو د ان پټ پرت اضافه کړئ او د پایلې ارزښت ترلاسه کړئ ، د وړاندوینې پایلې ارزښت د اصلي پایلې ارزښت سره پرتله کیږي او تېروتنه بیرته تبلیغ کیږي.موږ په هر پرت کې د 20 پټ نیورونونو سره یو پټ پرت جوړ کړ.هر ماډل چې موږ جوړ کړی د حساسیت، ځانګړتیا، PPV، NPV، او AUROC په حساب کولو سره د درجه بندي فعالیت ازموینې لپاره داخلي او بهرنۍ سیټونو کې پلي شوي.حساسیت د یوې نمونې د تناسب په توګه تعریف شوی چې اټکل کیږي د 18 کلن یا ډیر عمر لرونکي نمونې ته د 18 کلن یا ډیر عمر اټکل شوي.ځانګړتیا د نمونو تناسب دی چې عمر یې د 18 کلونو څخه کم وي او اټکل کیږي چې د 18 کلونو څخه کم عمر ولري.
د غاښونو مرحلې چې د روزنې په سیټ کې ارزول شوي د احصایوي تحلیل لپاره په شمیري مرحلو بدل شوي.څو اړخیز خطي او لوژیستیکي ریګریشن د هر جنس لپاره د وړاندوینې ماډلونو رامینځته کولو لپاره ترسره شوي او د راجسټریشن فارمولونه ترلاسه کوي چې د عمر اټکل کولو لپاره کارول کیدی شي.موږ دا فورمولونه د داخلي او خارجي ازموینو سیټونو لپاره د غاښونو عمر اټکل کولو لپاره کارولي.جدول 4 په دې څیړنه کې کارول شوي راجسټریشن او طبقه بندي ماډلونه ښیې.
د کوهن د کاپا احصایې په کارولو سره د انټرا- او انټر ابزرور اعتبار محاسبه شوی.د DM او دودیز ریګریشن ماډلونو دقت ازموینې لپاره ، موږ د داخلي او بهرني ازموینې سیټونو اټکل شوي او حقیقي عمرونو په کارولو سره MAE او RMSE محاسبه کړل.دا تېروتنې عموما د ماډل وړاندوینو دقت ارزولو لپاره کارول کیږي.څومره چې خطا کوچنۍ وي، هغومره د وړاندوینې دقت لوړ وي.د DM او دودیز ریګریشن په کارولو سره محاسبه شوي 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 اندازه شوي ارزښتونو سره پرتله شوي.ډاټا د ± معیاري انحراف یا شمیرې (%) په توګه د ډیټا ځانګړتیاو پورې اړه لري.دوه اړخیز P ارزښتونه <0.05 د احصایې له پلوه مهم ګڼل شوي.ټول معمول احصایوي تحلیلونه د SAS نسخه 9.4 (SAS Institute, Cary, NC) په کارولو سره ترسره شوي.د DM ریګریشن ماډل په Python کې د Keras50 2.2.4 backend او Tensorflow51 1.8.0 په کارولو سره په ځانګړي ډول د ریاضيکي عملیاتو لپاره پلي شوی.د DM طبقه بندي ماډل د Waikato Knowledge Analysis Environment and Constanz Information Miner (KNIME) 4.6.152 تحلیلي پلیټ فارم کې پلي شوی.
لیکوالان مني چې د مطالعې د پایلو مالتړ معلومات په مقاله او اضافي موادو کې موندل کیدی شي.د مطالعې په جریان کې رامینځته شوي او / یا تحلیل شوي ډیټاسیټونه د اړوند لیکوال څخه په معقول غوښتنه کې شتون لري.
Ritz-Timme، S. et al.د عمر ارزونه: د هنر حالت د عدلي تمرین ځانګړي اړتیاوې پوره کوي.نړیوالتوبJ. قانوني درمل.113، 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G. او Olze, A. د جنایی تعقیب موخو لپاره د ژوندی مضامینو د عدلی عمر ارزونه اوسنی حالت.عدلي طب.دارو.رنځپوهنه.1، 239-246 (2005).
Pan، J. et al.په ختیځ چین کې د 5 څخه تر 16 کلونو پورې د ماشومانو د غاښونو عمرونو ارزولو لپاره ترمیم شوی میتود.کلینیکيشفاهي سروې.۲۵، ۳۴۶۳–۳۴۷۴ (۲۰۲۱).
Lee, SS etc. په کوریایانو کې د دوهم او دریم ملار د پراختیا تاریخ او د عدلي عمر ارزونې لپاره د هغې غوښتنلیک.نړیوالتوبJ. قانوني درمل.124، 659-665 (2010).
Oh, S., Kumagai, A., Kim, SY and Lee, SS د عمر د اندازې او د 18 کلن حد د اندازې دقت په کوریایانو او جاپانیانو کې د دوهم او دریم دالر د پختوالي پراساس.PLOS ONE 17، e0271247 (2022).
کیم، JY، et al.د عملیاتي ماشین زده کړې پراساس ډیټا تحلیل کولی شي د OSA ناروغانو کې د خوب جراحي درملنې پایلو وړاندوینه وکړي.ساینسراپور 11، 14911 (2021).
هان، ایم او نور.د انسان د مداخلې سره یا پرته د ماشین زده کړې څخه د عمر دقیق اټکل؟نړیوالتوبJ. قانوني درمل.136، 821-831 (2022).
خان، ایس او شاهین، ایم. د ډیټا کان کیندنې څخه د ډیټا کان کیندنې ته.J. معلومات.ساینسhttps://doi.org/10.1177/01655515211030872 (2021).
خان، ایس او شاهین، ایم ویس رول: د ټولنې د اصولو کان کیندنې لپاره لومړی ادراکي الګوریتم.J. معلومات.ساینسhttps://doi.org/10.1177/01655515221108695 (2022).
شاهین ایم او عبدالله یو کار: د دودیزو معلوماتو کان کیندنه د شرایطو پر بنسټ د اتحادیې قواعدو پراساس.محاسبه کولمټ.ادامه۶۸، ۳۳۰۵–۳۳۲۲ (۲۰۲۱).
محمد ایم، رحمان زی، شاهین ایم، خان ایم او حبیب ایم. ژورې زده کړې د متن ډیټا په کارولو سره د سیمانټیک ورته والی کشف کول.خبر ورکولټیکنالوژي.کنټرولhttps://doi.org/10.5755/j01.itc.49.4.27118 (2020).
تابش، ایم، تنولي، زی، او شاهین، ایم. د سپورټ ویډیوګانو کې د فعالیت پیژندلو سیسټم.ملټي میډیاد اوزار غوښتنلیکونه https://doi.org/10.1007/s11042-021-10519-6 (2021).
حلبي، SS et al.د ماشومانو د هډوکو په عمر کې د RSNA ماشین زده کړې ننګونه.رادیولوژی 290، 498-503 (2019).
لی، Y. et al.د ژورې زده کړې په کارولو سره د pelvic X-ray څخه د عدلي عمر اټکل.یورو.وړانګې۲۹، ۲۳۲۲–۲۳۲۹ (۲۰۱۹).
Guo، YC، et al.د ارتوګرافیک پروجیکشن عکسونو څخه د لارښود میتودونو او ژورو عصبي عصبي شبکو په کارولو سره د عمر دقیق طبقه بندي.نړیوالتوبJ. قانوني درمل.135، 1589-1597 (2021).
Alabama Dalora et al.د هډوکي عمر اټکل د مختلف ماشین زده کړې میتودونو په کارولو سره: د سیسټمیک ادب بیاکتنه او میټا تحلیل.PLOS ONE 14، e0220242 (2019).
Du, H., Li, G., Cheng, K., and Yang, J. د افریقی امریکایانو او چینایانو د نفوس مشخص عمر اټکل د مخروط بیم کمپیوټري ټوموګرافي په کارولو سره د لومړي دالر د نبض چیمبر حجمونو پراساس.نړیوالتوبJ. قانوني درمل.136، 811-819 (2022).
Kim S.، Lee YH، Noh YK، Park FK او Oh KS د مصنوعي استخباراتو پر بنسټ د لومړنیو دانو عکسونو په کارولو سره د ژوندیو خلکو د عمر ګروپونه معلومول.ساینسراپور 11، 1073 (2021).
Stern, D., Payer, C., Giuliani, N., and Urschler, M. د عمر اتوماتیک اټکل او د ډیری MRI ډیټا څخه د عمر ډیری طبقه بندي.IEEE J. Biomed.د روغتیا خبرتیاوې.۲۳، ۱۳۹۲–۱۴۰۳ (۲۰۱۹).
Cheng, Q., Ge, Z., Du, H. او Li, G. د عمر اټکل د 3D پلپ چیمبر پر بنسټ د شنک بیم کمپیوټري ټوموګرافي څخه د ژورو زده کړې او لیول سیټونو سره یوځای کولو سره د 3D پلپ چیمبر قطع کول.نړیوالتوبJ. قانوني درمل.۱۳۵، ۳۶۵–۳۷۳ (۲۰۲۱).
Wu, WT, et al.په کلینیکي لویو معلوماتو کې د معلوماتو کان کیندنه: عام ډیټابیسونه، مرحلې، او میتودونه ماډلونه.نړۍ.دارو.سرچینه۸، ۴۴ (۲۰۲۱).
Yang، J. et al.د لوی ډیټا دور کې د طبي ډیټابیسونو او ډیټا کان کیندنې ټیکنالوژیو پیژندنه.J. Avid.بنسټیز درمل.13، 57-69 (2020).
شین، S. et al.د ماشین زده کړې په کارولو سره د غاښونو عمر اټکل کولو لپاره د کیمرر میتود.BMC شفاهي روغتیا 21، 641 (2021).
ګالیبرګ A. et al.د ډیمیرډجیان سټینګ میتود په کارولو سره د غاښونو عمر وړاندوینې لپاره د مختلف ماشین زده کړې میتودونو پرتله کول.نړیوالتوبJ. قانوني درمل.135، 665-675 (2021).
دیمیردجیان، A.، Goldstein، H. او Tanner، JM د غاښونو عمر ارزولو لپاره یو نوی سیسټم.خندابیولوژي45، 211-227 (1973).
لینډیس، JR، او کوچ، GG د کتګوري معلوماتو په اړه د څارونکي موافقتنامې اندازه کول.بایومتریک 33، 159-174 (1977).
بهټاچارجي ایس، پرکاش ډي، کیم سي، کیم ایچ کی او چوی ایچ کی.د لومړني دماغ تومورونو توپیر لپاره د مصنوعي استخباراتو تخنیکونو په کارولو سره د دوه اړخیز مقناطیسي ریزونانس امیجنگ متن ، مورفولوژیکي او احصایوي تحلیل.روغتیایی معلومات.سرچینهhttps://doi.org/10.4258/hir.2022.28.1.46 (2022).