ਕੋਰੀਆਈ ਕਿਸ਼ੋਰਾਂ ਅਤੇ ਨੌਜਵਾਨ ਬਾਲਗਾਂ ਵਿੱਚ ਰਵਾਇਤੀ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਤਰੀਕਿਆਂ ਦੇ ਵਿਰੁੱਧ ਇੱਕ ਡੇਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲ ਦੀ ਪ੍ਰਮਾਣਿਕਤਾ

Nature.com 'ਤੇ ਜਾਣ ਲਈ ਧੰਨਵਾਦ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਸੰਸਕਰਣ ਵਿੱਚ ਸੀਮਤ CSS ਸਮਰਥਨ ਹੈ। ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਇੱਕ ਨਵੇਂ ਸੰਸਕਰਣ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹਾਂ (ਜਾਂ ਇੰਟਰਨੈੱਟ ਐਕਸਪਲੋਰਰ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਮੋਡ ਨੂੰ ਬੰਦ ਕਰੋ)। ਇਸ ਦੌਰਾਨ, ਨਿਰੰਤਰ ਸਹਾਇਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸਾਈਟ ਨੂੰ ਸਟਾਈਲਿੰਗ ਜਾਂ JavaScript ਤੋਂ ਬਿਨਾਂ ਦਿਖਾ ਰਹੇ ਹਾਂ।
ਦੰਦਾਂ ਨੂੰ ਮਨੁੱਖੀ ਸਰੀਰ ਦੀ ਉਮਰ ਦਾ ਸਭ ਤੋਂ ਸਹੀ ਸੂਚਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅਕਸਰ ਫੋਰੈਂਸਿਕ ਉਮਰ ਮੁਲਾਂਕਣ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਸਾਡਾ ਉਦੇਸ਼ 18-ਸਾਲ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਅਨੁਮਾਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ-ਅਧਾਰਤ ਉਮਰ ਅਨੁਮਾਨਾਂ ਨਾਲ ਕਰਕੇ ਡੇਟਾ ਮਾਈਨਿੰਗ-ਅਧਾਰਤ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਸੀ। 15 ਤੋਂ 23 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਕੋਰੀਆਈ ਅਤੇ ਜਾਪਾਨੀ ਨਾਗਰਿਕਾਂ ਤੋਂ ਕੁੱਲ 2657 ਪੈਨੋਰਾਮਿਕ ਰੇਡੀਓਗ੍ਰਾਫ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਸਨ। ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ, ਹਰੇਕ ਵਿੱਚ 900 ਕੋਰੀਆਈ ਰੇਡੀਓਗ੍ਰਾਫ ਸਨ, ਅਤੇ ਇੱਕ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਜਿਸ ਵਿੱਚ 857 ਜਾਪਾਨੀ ਰੇਡੀਓਗ੍ਰਾਫ ਸਨ। ਅਸੀਂ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੀ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੀ ਤੁਲਨਾ ਡੇਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲਾਂ ਦੇ ਟੈਸਟ ਸੈੱਟਾਂ ਨਾਲ ਕੀਤੀ। ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਦੀ ਸ਼ੁੱਧਤਾ ਡੇਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲ ਨਾਲੋਂ ਥੋੜ੍ਹੀ ਜ਼ਿਆਦਾ ਹੈ, ਅਤੇ ਅੰਤਰ ਛੋਟਾ ਹੈ (ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ <0.21 ਸਾਲ, ਰੂਟ ਔਸਤ ਵਰਗ ਗਲਤੀ <0.24 ਸਾਲ)। 18-ਸਾਲ ਦੇ ਕਟਆਫ ਲਈ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵੀ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲਾਂ ਵਿਚਕਾਰ ਸਮਾਨ ਹੈ। ਇਸ ਤਰ੍ਹਾਂ, ਕੋਰੀਆਈ ਕਿਸ਼ੋਰਾਂ ਅਤੇ ਨੌਜਵਾਨ ਬਾਲਗਾਂ ਵਿੱਚ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੀ ਪਰਿਪੱਕਤਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਫੋਰੈਂਸਿਕ ਉਮਰ ਮੁਲਾਂਕਣ ਕਰਦੇ ਸਮੇਂ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨੂੰ ਡੇਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲਾਂ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਫੋਰੈਂਸਿਕ ਦਵਾਈ ਅਤੇ ਬਾਲ ਦੰਦਾਂ ਦੇ ਇਲਾਜ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਖਾਸ ਤੌਰ 'ਤੇ, ਕਾਲਕ੍ਰਮਿਕ ਉਮਰ ਅਤੇ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੇ ਵਿਚਕਾਰ ਉੱਚ ਸਬੰਧ ਦੇ ਕਾਰਨ, ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ ਦੁਆਰਾ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਬੱਚਿਆਂ ਅਤੇ ਕਿਸ਼ੋਰਾਂ ਦੀ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਪਦੰਡ ਹੈ1,2,3। ਹਾਲਾਂਕਿ, ਨੌਜਵਾਨਾਂ ਲਈ, ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਅਧਾਰ 'ਤੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀਆਂ ਆਪਣੀਆਂ ਸੀਮਾਵਾਂ ਹਨ ਕਿਉਂਕਿ ਦੰਦਾਂ ਦਾ ਵਿਕਾਸ ਲਗਭਗ ਪੂਰਾ ਹੋ ਗਿਆ ਹੈ, ਤੀਜੇ ਮੋਲਰ ਦੇ ਅਪਵਾਦ ਦੇ ਨਾਲ। ਨੌਜਵਾਨਾਂ ਅਤੇ ਕਿਸ਼ੋਰਾਂ ਦੀ ਉਮਰ ਨਿਰਧਾਰਤ ਕਰਨ ਦਾ ਕਾਨੂੰਨੀ ਉਦੇਸ਼ ਸਹੀ ਅਨੁਮਾਨ ਅਤੇ ਵਿਗਿਆਨਕ ਸਬੂਤ ਪ੍ਰਦਾਨ ਕਰਨਾ ਹੈ ਕਿ ਕੀ ਉਹ ਬਾਲਗਤਾ ਦੀ ਉਮਰ ਤੱਕ ਪਹੁੰਚ ਗਏ ਹਨ। ਕੋਰੀਆ ਵਿੱਚ ਕਿਸ਼ੋਰਾਂ ਅਤੇ ਨੌਜਵਾਨ ਬਾਲਗਾਂ ਦੇ ਮੈਡੀਕਲ-ਕਾਨੂੰਨੀ ਅਭਿਆਸ ਵਿੱਚ, ਲੀ ਦੇ ਢੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਗਿਆ ਸੀ, ਅਤੇ ਓਹ ਐਟ ਅਲ 5 ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੇ ਅਧਾਰ 'ਤੇ 18 ਸਾਲ ਦੀ ਕਾਨੂੰਨੀ ਸੀਮਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇੱਕ ਕਿਸਮ ਦੀ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਹੈ ਜੋ ਵਾਰ-ਵਾਰ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਸਿੱਖਦੀ ਹੈ ਅਤੇ ਵਰਗੀਕ੍ਰਿਤ ਕਰਦੀ ਹੈ, ਆਪਣੇ ਆਪ ਸਮੱਸਿਆਵਾਂ ਹੱਲ ਕਰਦੀ ਹੈ, ਅਤੇ ਡੇਟਾ ਪ੍ਰੋਗਰਾਮਿੰਗ ਚਲਾਉਂਦੀ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਡੇਟਾ ਦੇ ਵੱਡੇ ਖੰਡਾਂ ਵਿੱਚ ਲਾਭਦਾਇਕ ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕਦੀ ਹੈ6। ਇਸਦੇ ਉਲਟ, ਕਲਾਸੀਕਲ ਵਿਧੀਆਂ, ਜੋ ਕਿ ਮਿਹਨਤ-ਨਿਰਭਰ ਅਤੇ ਸਮਾਂ-ਖਪਤ ਕਰਨ ਵਾਲੀਆਂ ਹਨ, ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਗੁੰਝਲਦਾਰ ਡੇਟਾ ਨਾਲ ਨਜਿੱਠਣ ਵੇਲੇ ਸੀਮਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੱਥੀਂ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ7। ਇਸ ਲਈ, ਮਨੁੱਖੀ ਗਲਤੀਆਂ ਨੂੰ ਘੱਟ ਕਰਨ ਅਤੇ ਬਹੁ-ਆਯਾਮੀ ਡੇਟਾ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਨਵੀਨਤਮ ਕੰਪਿਊਟਰ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹਾਲ ਹੀ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਅਧਿਐਨ ਕੀਤੇ ਗਏ ਹਨ8,9,10,11,12। ਖਾਸ ਤੌਰ 'ਤੇ, ਮੈਡੀਕਲ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ, ਅਤੇ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਰੇਡੀਓਗ੍ਰਾਫਾਂ ਦਾ ਸਵੈਚਲਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ13,14,15,16,17,18,19,20। ਉਦਾਹਰਣ ਵਜੋਂ, ਹਲਾਬੀ ਅਤੇ ਹੋਰ 13 ਨੇ ਬੱਚਿਆਂ ਦੇ ਹੱਥਾਂ ਦੇ ਰੇਡੀਓਗ੍ਰਾਫਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪਿੰਜਰ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (CNN) 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਵਿਕਸਤ ਕੀਤਾ। ਇਹ ਅਧਿਐਨ ਇੱਕ ਮਾਡਲ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦਾ ਹੈ ਜੋ ਮੈਡੀਕਲ ਚਿੱਤਰਾਂ 'ਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਾਗੂ ਕਰਦਾ ਹੈ ਅਤੇ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਤਰੀਕੇ ਡਾਇਗਨੌਸਟਿਕ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੇ ਹਨ। ਲੀ ਐਟ ਅਲ14 ਨੇ ਇੱਕ ਡੂੰਘੀ ਸਿਖਲਾਈ CNN ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੇਲਵਿਕ ਐਕਸ-ਰੇ ਚਿੱਤਰਾਂ ਤੋਂ ਉਮਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਇਆ ਅਤੇ ਓਸੀਫਿਕੇਸ਼ਨ ਪੜਾਅ ਅਨੁਮਾਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਰਿਗਰੈਸ਼ਨ ਨਤੀਜਿਆਂ ਨਾਲ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ। ਉਨ੍ਹਾਂ ਨੇ ਪਾਇਆ ਕਿ ਡੂੰਘੀ ਸਿਖਲਾਈ CNN ਮਾਡਲ ਨੇ ਰਵਾਇਤੀ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਦੇ ਸਮਾਨ ਉਮਰ ਅਨੁਮਾਨ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਇਆ। ਗੁਓ ਐਟ ਅਲ. ਦੇ ਅਧਿਐਨ [15] ਨੇ ਦੰਦਾਂ ਦੇ ਆਰਥੋਫੋਟੋਸ ਦੇ ਅਧਾਰ ਤੇ CNN ਤਕਨਾਲੋਜੀ ਦੇ ਉਮਰ ਸਹਿਣਸ਼ੀਲਤਾ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਅਤੇ CNN ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਨੇ ਸਾਬਤ ਕੀਤਾ ਕਿ ਮਨੁੱਖਾਂ ਨੇ ਇਸਦੇ ਉਮਰ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ 'ਤੇ ਜ਼ਿਆਦਾਤਰ ਅਧਿਐਨ ਡੂੰਘੀ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ13,14,15,16,17,18,19,20। ਡੂੰਘੀ ਸਿਖਲਾਈ 'ਤੇ ਆਧਾਰਿਤ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਦੱਸਿਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਪਹੁੰਚ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ਿਆਂ ਲਈ ਵਿਗਿਆਨਕ ਆਧਾਰ ਪੇਸ਼ ਕਰਨ ਦਾ ਬਹੁਤ ਘੱਟ ਮੌਕਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਵਰਤੇ ਗਏ ਉਮਰ ਸੂਚਕ। ਇਸ ਗੱਲ 'ਤੇ ਵੀ ਕਾਨੂੰਨੀ ਵਿਵਾਦ ਹੈ ਕਿ ਨਿਰੀਖਣ ਕੌਣ ਕਰਦਾ ਹੈ। ਇਸ ਲਈ, ਡੂੰਘੀ ਸਿਖਲਾਈ 'ਤੇ ਆਧਾਰਿਤ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਨੂੰ ਪ੍ਰਸ਼ਾਸਕੀ ਅਤੇ ਨਿਆਂਇਕ ਅਧਿਕਾਰੀਆਂ ਦੁਆਰਾ ਸਵੀਕਾਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਡੇਟਾ ਮਾਈਨਿੰਗ (DM) ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ 6,21,22 ਵਿਚਕਾਰ ਲਾਭਦਾਇਕ ਸਬੰਧਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਇੱਕ ਢੰਗ ਵਜੋਂ ਨਾ ਸਿਰਫ਼ ਉਮੀਦ ਕੀਤੀ ਗਈ ਬਲਕਿ ਅਣਕਿਆਸੀ ਜਾਣਕਾਰੀ ਨੂੰ ਵੀ ਖੋਜ ਸਕਦੀ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਅਕਸਰ ਡੇਟਾ ਮਾਈਨਿੰਗ ਵਿੱਚ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੋਵੇਂ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨਾਂ ਦੀ ਖੋਜ ਕਰਨ ਲਈ ਇੱਕੋ ਮੁੱਖ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਟੀਚੇ ਵਾਲੇ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਪ੍ਰੀਖਿਅਕ ਦੇ ਮੁਲਾਂਕਣ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਅਤੇ ਇਹ ਮੁਲਾਂਕਣ ਹਰੇਕ ਟੀਚੇ ਵਾਲੇ ਦੰਦ ਲਈ ਇੱਕ ਪੜਾਅ ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। DM ਦੀ ਵਰਤੋਂ ਦੰਦਾਂ ਦੇ ਮੁਲਾਂਕਣ ਪੜਾਅ ਅਤੇ ਅਸਲ ਉਮਰ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ ਰਵਾਇਤੀ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਇਸ ਲਈ, ਜੇਕਰ ਅਸੀਂ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਲਈ DM ਤਕਨੀਕਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਕਾਨੂੰਨੀ ਜ਼ਿੰਮੇਵਾਰੀ ਦੀ ਚਿੰਤਾ ਕੀਤੇ ਬਿਨਾਂ ਫੋਰੈਂਸਿਕ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਨੂੰ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ। ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਰਵਾਇਤੀ ਦਸਤੀ ਤਰੀਕਿਆਂ ਅਤੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ EBM-ਅਧਾਰਿਤ ਤਰੀਕਿਆਂ ਦੇ ਸੰਭਾਵੀ ਵਿਕਲਪਾਂ 'ਤੇ ਕਈ ਤੁਲਨਾਤਮਕ ਅਧਿਐਨ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਗਏ ਹਨ। ਸ਼ੇਨ ਐਟ ਅਲ23 ਨੇ ਦਿਖਾਇਆ ਕਿ DM ਮਾਡਲ ਰਵਾਇਤੀ ਕੈਮਰਰ ਫਾਰਮੂਲੇ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹੈ। ਗੈਲੀਬਰਗ ਐਟ ਅਲ24 ਨੇ ਡੈਮਿਰਡਜਿਅਨ ਮਾਪਦੰਡ25 ਦੇ ਅਨੁਸਾਰ ਉਮਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ DM ਵਿਧੀਆਂ ਲਾਗੂ ਕੀਤੀਆਂ ਅਤੇ ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ DM ਵਿਧੀ ਨੇ ਫ੍ਰੈਂਚ ਆਬਾਦੀ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ ਡੈਮਿਰਡਜਿਅਨ ਅਤੇ ਵਿਲੇਮਜ਼ ਵਿਧੀਆਂ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ।
ਕੋਰੀਆਈ ਕਿਸ਼ੋਰਾਂ ਅਤੇ ਨੌਜਵਾਨ ਬਾਲਗਾਂ ਦੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਲੀ ਦਾ ਤਰੀਕਾ 4 ਕੋਰੀਆਈ ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਤਰੀਕਾ ਕੋਰੀਆਈ ਵਿਸ਼ਿਆਂ ਅਤੇ ਕਾਲਕ੍ਰਮਿਕ ਉਮਰ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਰਵਾਇਤੀ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ (ਜਿਵੇਂ ਕਿ ਮਲਟੀਪਲ ਰਿਗਰੈਸ਼ਨ) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਰਵਾਇਤੀ ਅੰਕੜਾ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਉਮਰ ਅਨੁਮਾਨ ਤਰੀਕਿਆਂ ਨੂੰ "ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ" ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਲੀ ਦਾ ਤਰੀਕਾ ਇੱਕ ਰਵਾਇਤੀ ਤਰੀਕਾ ਹੈ, ਅਤੇ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਓਹ ਐਟ ਅਲ ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਹੈ। 5; ਹਾਲਾਂਕਿ, ਕੋਰੀਆਈ ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਵਿੱਚ DM ਮਾਡਲ ਦੇ ਆਧਾਰ 'ਤੇ ਉਮਰ ਅਨੁਮਾਨ ਦੀ ਲਾਗੂ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਅਜੇ ਵੀ ਸ਼ੱਕੀ ਹੈ। ਸਾਡਾ ਟੀਚਾ DM ਮਾਡਲ ਦੇ ਆਧਾਰ 'ਤੇ ਉਮਰ ਅਨੁਮਾਨ ਦੀ ਸੰਭਾਵੀ ਉਪਯੋਗਤਾ ਨੂੰ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਸੀ। ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ (1) ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ ਦੋ DM ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਅਤੇ (2) 18 ਸਾਲ ਦੀ ਉਮਰ ਵਿੱਚ 7 ​​DM ਮਾਡਲਾਂ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਅੰਕੜਾ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਲੋਕਾਂ ਨਾਲ ਕਰਨਾ ਸੀ। ਦੋਵਾਂ ਜਬਾੜਿਆਂ ਵਿੱਚ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੀ ਪਰਿਪੱਕਤਾ।
ਪੜਾਅ ਅਤੇ ਦੰਦਾਂ ਦੀ ਕਿਸਮ ਦੁਆਰਾ ਕਾਲਕ੍ਰਮਿਕ ਉਮਰ ਦੇ ਔਸਤ ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾਂ ਨੂੰ ਸਪਲੀਮੈਂਟਰੀ ਟੇਬਲ S1 (ਸਿਖਲਾਈ ਸੈੱਟ), ਸਪਲੀਮੈਂਟਰੀ ਟੇਬਲ S2 (ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ), ਅਤੇ ਸਪਲੀਮੈਂਟਰੀ ਟੇਬਲ S3 (ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ) ਵਿੱਚ ਔਨਲਾਈਨ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਟ੍ਰੇਨਿੰਗ ਸੈੱਟ ਤੋਂ ਪ੍ਰਾਪਤ ਇੰਟਰਾ- ਅਤੇ ਇੰਟਰਓਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਕਪਾ ਮੁੱਲ ਕ੍ਰਮਵਾਰ 0.951 ਅਤੇ 0.947 ਸਨ। ਕਪਾ ਮੁੱਲਾਂ ਲਈ P ਮੁੱਲ ਅਤੇ 95% ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਔਨਲਾਈਨ ਸਪਲੀਮੈਂਟਰੀ ਟੇਬਲ S4 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ। ਕਪਾ ਮੁੱਲ ਨੂੰ "ਲਗਭਗ ਸੰਪੂਰਨ" ਵਜੋਂ ਸਮਝਿਆ ਗਿਆ ਸੀ, ਜੋ ਕਿ ਲੈਂਡਿਸ ਅਤੇ ਕੋਚ26 ਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਅਨੁਕੂਲ ਸੀ।
ਜਦੋਂ ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ (MAE) ਦੀ ਤੁਲਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਰਵਾਇਤੀ ਵਿਧੀ ਸਾਰੇ ਲਿੰਗਾਂ ਲਈ ਅਤੇ ਬਾਹਰੀ ਪੁਰਸ਼ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ DM ਮਾਡਲ ਤੋਂ ਥੋੜ੍ਹਾ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੀ ਹੈ, ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟ੍ਰੋਨ (MLP) ਨੂੰ ਛੱਡ ਕੇ। ਅੰਦਰੂਨੀ MAE ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਰਵਾਇਤੀ ਮਾਡਲ ਅਤੇ DM ਮਾਡਲ ਵਿੱਚ ਅੰਤਰ ਪੁਰਸ਼ਾਂ ਲਈ 0.12–0.19 ਸਾਲ ਅਤੇ ਔਰਤਾਂ ਲਈ 0.17–0.21 ਸਾਲ ਸੀ। ਬਾਹਰੀ ਟੈਸਟ ਬੈਟਰੀ ਲਈ, ਅੰਤਰ ਛੋਟੇ ਹਨ (ਮਰਦਾਂ ਲਈ 0.001–0.05 ਸਾਲ ਅਤੇ ਔਰਤਾਂ ਲਈ 0.05–0.09 ਸਾਲ)। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮੂਲ ਔਸਤ ਵਰਗ ਗਲਤੀ (RMSE) ਰਵਾਇਤੀ ਵਿਧੀ ਨਾਲੋਂ ਥੋੜ੍ਹਾ ਘੱਟ ਹੈ, ਛੋਟੇ ਅੰਤਰਾਂ ਦੇ ਨਾਲ (0.17–0.24, ਪੁਰਸ਼ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਲਈ 0.2–0.24, ਅਤੇ 0.03–0.07, 0.04–0.08 ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ ਲਈ)। MLP ਸਿੰਗਲ ਲੇਅਰ ਪਰਸੈਪਟ੍ਰੋਨ (SLP) ਨਾਲੋਂ ਥੋੜ੍ਹਾ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਮਾਦਾ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ ਦੇ ਮਾਮਲੇ ਨੂੰ ਛੱਡ ਕੇ। MAE ਅਤੇ RMSE ਲਈ, ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ ਸਾਰੇ ਲਿੰਗਾਂ ਅਤੇ ਮਾਡਲਾਂ ਲਈ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਨਾਲੋਂ ਵੱਧ ਸਕੋਰ ਕਰਦਾ ਹੈ। ਸਾਰੇ MAE ਅਤੇ RMSE ਸਾਰਣੀ 1 ਅਤੇ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ।
ਰਵਾਇਤੀ ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੇ MAE ਅਤੇ RMSE। ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ MAE, ਰੂਟ ਔਸਤ ਵਰਗ ਗਲਤੀ RMSE, ਸਿੰਗਲ ਲੇਅਰ ਪਰਸੈਪਟਰਨ SLP, ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰਨ MLP, ਰਵਾਇਤੀ CM ਵਿਧੀ।
ਰਵਾਇਤੀ ਅਤੇ DM ਮਾਡਲਾਂ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ (18 ਸਾਲਾਂ ਦੇ ਕੱਟਆਫ ਦੇ ਨਾਲ) ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ, ਸਕਾਰਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਮੁੱਲ (PPV), ਨਕਾਰਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਮੁੱਲ (NPV), ਅਤੇ ਰਿਸੀਵਰ ਓਪਰੇਟਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾ ਵਕਰ (AUROC) 27 (ਸਾਰਣੀ 2, ਚਿੱਤਰ 2 ਅਤੇ ਪੂਰਕ ਚਿੱਤਰ 1 ਔਨਲਾਈਨ) ਦੇ ਅਧੀਨ ਖੇਤਰ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਅੰਦਰੂਨੀ ਟੈਸਟ ਬੈਟਰੀ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨੇ ਮਰਦਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਅਤੇ ਔਰਤਾਂ ਵਿੱਚ ਬਦਤਰ। ਹਾਲਾਂਕਿ, ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਅਤੇ SD ਵਿਚਕਾਰ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਅੰਤਰ ਪੁਰਸ਼ਾਂ (MLP) ਲਈ 9.7% ਅਤੇ ਔਰਤਾਂ (XGBoost) ਲਈ ਸਿਰਫ 2.4% ਹੈ। DM ਮਾਡਲਾਂ ਵਿੱਚ, ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ (LR) ਨੇ ਦੋਵਾਂ ਲਿੰਗਾਂ ਵਿੱਚ ਬਿਹਤਰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦਿਖਾਈ। ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਸੰਬੰਧ ਵਿੱਚ, ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ ਚਾਰ SD ਮਾਡਲਾਂ ਨੇ ਮਰਦਾਂ ਵਿੱਚ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਜਦੋਂ ਕਿ ਰਵਾਇਤੀ ਮਾਡਲ ਨੇ ਔਰਤਾਂ ਵਿੱਚ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਪੁਰਸ਼ਾਂ ਅਤੇ ਔਰਤਾਂ ਲਈ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਅੰਤਰ ਕ੍ਰਮਵਾਰ 13.3% (MLP) ਅਤੇ 13.1% (MLP) ਹਨ, ਜੋ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲਾਂ ਵਿਚਕਾਰ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਅੰਤਰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਤੋਂ ਵੱਧ ਹੈ। DM ਮਾਡਲਾਂ ਵਿੱਚੋਂ, ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (SVM), ਡਿਸੀਜ਼ਨ ਟ੍ਰੀ (DT), ਅਤੇ ਰੈਂਡਮ ਫੋਰੈਸਟ (RF) ਮਾਡਲਾਂ ਨੇ ਮਰਦਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਜਦੋਂ ਕਿ LR ਮਾਡਲ ਨੇ ਔਰਤਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ। ਰਵਾਇਤੀ ਮਾਡਲ ਅਤੇ ਸਾਰੇ SD ਮਾਡਲਾਂ ਦਾ AUROC 0.925 (ਪੁਰਸ਼ਾਂ ਵਿੱਚ k-ਨੇੜਲਾ ਗੁਆਂਢੀ (KNN)) ਤੋਂ ਵੱਧ ਸੀ, ਜੋ 18 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਨਮੂਨਿਆਂ ਵਿੱਚ ਭੇਦਭਾਵ ਕਰਨ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਸੀ28। ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ ਲਈ, ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਦੇ ਮੁਕਾਬਲੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ AUROC ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਕਮੀ ਆਈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਭ ਤੋਂ ਵਧੀਆ ਅਤੇ ਸਭ ਤੋਂ ਮਾੜੇ ਮਾਡਲਾਂ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਅੰਤਰ 10% ਤੋਂ 25% ਤੱਕ ਸੀ ਅਤੇ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਅੰਤਰ ਨਾਲੋਂ ਵੱਡਾ ਸੀ।
18 ਸਾਲਾਂ ਦੇ ਕੱਟਆਫ ਦੇ ਨਾਲ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੇ ਮੁਕਾਬਲੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਵਰਗੀਕਰਣ ਮਾਡਲਾਂ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ। KNN k ਨਜ਼ਦੀਕੀ ਗੁਆਂਢੀ, SVM ਸਹਾਇਤਾ ਵੈਕਟਰ ਮਸ਼ੀਨ, LR ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ, DT ਫੈਸਲਾ ਟ੍ਰੀ, RF ਰੈਂਡਮ ਫੋਰੈਸਟ, XGB XGBoost, MLP ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰੋਨ, ਰਵਾਇਤੀ CM ਵਿਧੀ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਪਹਿਲਾ ਕਦਮ ਸੱਤ DM ਮਾਡਲਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਨਾਲ ਕਰਨਾ ਸੀ। MAE ਅਤੇ RMSE ਦਾ ਮੁਲਾਂਕਣ ਦੋਵਾਂ ਲਿੰਗਾਂ ਲਈ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟਾਂ ਵਿੱਚ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਅਤੇ DM ਮਾਡਲ ਵਿੱਚ ਅੰਤਰ MAE ਲਈ 44 ਤੋਂ 77 ਦਿਨਾਂ ਤੱਕ ਅਤੇ RMSE ਲਈ 62 ਤੋਂ 88 ਦਿਨਾਂ ਤੱਕ ਸੀ। ਹਾਲਾਂਕਿ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਰਵਾਇਤੀ ਵਿਧੀ ਥੋੜ੍ਹੀ ਜ਼ਿਆਦਾ ਸਹੀ ਸੀ, ਪਰ ਇਹ ਸਿੱਟਾ ਕੱਢਣਾ ਮੁਸ਼ਕਲ ਹੈ ਕਿ ਕੀ ਇੰਨਾ ਛੋਟਾ ਅੰਤਰ ਕਲੀਨਿਕਲ ਜਾਂ ਵਿਹਾਰਕ ਮਹੱਤਵ ਰੱਖਦਾ ਹੈ। ਇਹ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ DM ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਲਗਭਗ ਰਵਾਇਤੀ ਵਿਧੀ ਦੇ ਸਮਾਨ ਹੈ। ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਸਿੱਧੀ ਤੁਲਨਾ ਮੁਸ਼ਕਲ ਹੈ ਕਿਉਂਕਿ ਕਿਸੇ ਵੀ ਅਧਿਐਨ ਨੇ DM ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਅੰਕੜਾਤਮਕ ਤਰੀਕਿਆਂ ਨਾਲ ਨਹੀਂ ਕੀਤੀ ਹੈ ਜੋ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਉਸੇ ਉਮਰ ਸੀਮਾ ਵਿੱਚ ਦੰਦਾਂ ਨੂੰ ਰਿਕਾਰਡ ਕਰਨ ਦੀ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਗੈਲੀਬਰਗ ਐਟ ਅਲ24 ਨੇ 2 ਤੋਂ 24 ਸਾਲ ਦੀ ਉਮਰ ਦੀ ਫਰਾਂਸੀਸੀ ਆਬਾਦੀ ਵਿੱਚ ਦੋ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ (ਡੇਮਿਰਜਿਅਨ ਵਿਧੀ25 ਅਤੇ ਵਿਲੇਮਜ਼ ਵਿਧੀ29) ਅਤੇ 10 DM ਮਾਡਲਾਂ ਵਿਚਕਾਰ MAE ਅਤੇ RMSE ਦੀ ਤੁਲਨਾ ਕੀਤੀ। ਉਹਨਾਂ ਨੇ ਰਿਪੋਰਟ ਕੀਤੀ ਕਿ ਸਾਰੇ DM ਮਾਡਲ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਸਨ, ਵਿਲੇਮਜ਼ ਅਤੇ ਡੈਮਿਰਡਜਿਅਨ ਤਰੀਕਿਆਂ ਦੇ ਮੁਕਾਬਲੇ ਕ੍ਰਮਵਾਰ MAE ਵਿੱਚ 0.20 ਅਤੇ 0.38 ਸਾਲ ਅਤੇ RMSE ਵਿੱਚ 0.25 ਅਤੇ 0.47 ਸਾਲ ਦੇ ਅੰਤਰ ਦੇ ਨਾਲ। ਹੈਲੀਬਰਗ ਅਧਿਐਨ ਵਿੱਚ ਦਿਖਾਏ ਗਏ SD ਮਾਡਲ ਅਤੇ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਵਿੱਚ ਅੰਤਰ ਕਈ ਰਿਪੋਰਟਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ30,31,32,33 ਕਿ ਡੈਮਿਰਡਜਿਅਨ ਵਿਧੀ ਫ੍ਰੈਂਚ ਕੈਨੇਡੀਅਨਾਂ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਆਬਾਦੀ ਵਿੱਚ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਗਾਉਂਦੀ ਜਿਸ 'ਤੇ ਅਧਿਐਨ ਅਧਾਰਤ ਸੀ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ। ਤਾਈ ਐਟ ਅਲ 34 ਨੇ 1636 ਚੀਨੀ ਆਰਥੋਡੋਂਟਿਕ ਫੋਟੋਆਂ ਤੋਂ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ MLP ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਡੈਮਿਰਜੀਅਨ ਅਤੇ ਵਿਲੇਮਜ਼ ਵਿਧੀ ਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਕੀਤੀ। ਉਹਨਾਂ ਨੇ ਰਿਪੋਰਟ ਕੀਤੀ ਕਿ MLP ਵਿੱਚ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਉੱਚ ਸ਼ੁੱਧਤਾ ਹੈ। ਡੈਮਿਰਡਜਿਅਨ ਵਿਧੀ ਅਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਵਿੱਚ ਅੰਤਰ <0.32 ਸਾਲ ਹੈ, ਅਤੇ ਵਿਲੇਮਜ਼ ਵਿਧੀ 0.28 ਸਾਲ ਹੈ, ਜੋ ਕਿ ਮੌਜੂਦਾ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਸਮਾਨ ਹੈ। ਇਹਨਾਂ ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੇ ਨਤੀਜੇ 24,34 ਵੀ ਮੌਜੂਦਾ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਇਕਸਾਰ ਹਨ, ਅਤੇ DM ਮਾਡਲ ਅਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਦੀ ਉਮਰ ਅਨੁਮਾਨ ਸ਼ੁੱਧਤਾ ਸਮਾਨ ਹੈ। ਹਾਲਾਂਕਿ, ਪੇਸ਼ ਕੀਤੇ ਗਏ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਸਿਰਫ ਸਾਵਧਾਨੀ ਨਾਲ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹਾਂ ਕਿ ਤੁਲਨਾਤਮਕ ਅਤੇ ਸੰਦਰਭ ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੀ ਘਾਟ ਕਾਰਨ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ DM ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਮੌਜੂਦਾ ਤਰੀਕਿਆਂ ਨੂੰ ਬਦਲ ਸਕਦੀ ਹੈ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਪ੍ਰਾਪਤ ਨਤੀਜਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਵੱਡੇ ਨਮੂਨਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਫਾਲੋ-ਅੱਪ ਅਧਿਐਨਾਂ ਦੀ ਲੋੜ ਹੈ।
ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ SD ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਵਾਲੇ ਅਧਿਐਨਾਂ ਵਿੱਚੋਂ, ਕੁਝ ਨੇ ਸਾਡੇ ਅਧਿਐਨ ਨਾਲੋਂ ਵੱਧ ਸ਼ੁੱਧਤਾ ਦਿਖਾਈ। ਸਟੈਪਨੋਵਸਕੀ ਐਟ ਅਲ 35 ਨੇ 2.7 ਤੋਂ 20.5 ਸਾਲ ਦੀ ਉਮਰ ਦੇ 976 ਚੈੱਕ ਨਿਵਾਸੀਆਂ ਦੇ ਪੈਨੋਰਾਮਿਕ ਰੇਡੀਓਗ੍ਰਾਫਾਂ 'ਤੇ 22 SD ਮਾਡਲ ਲਾਗੂ ਕੀਤੇ ਅਤੇ ਹਰੇਕ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਉਨ੍ਹਾਂ ਨੇ ਮੂਰੀਸ ਐਟ ਅਲ 36 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਵਰਗੀਕਰਣ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੁੱਲ 16 ਉੱਪਰਲੇ ਅਤੇ ਹੇਠਲੇ ਖੱਬੇ ਸਥਾਈ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ। MAE 0.64 ਤੋਂ 0.94 ਸਾਲ ਤੱਕ ਅਤੇ RMSE 0.85 ਤੋਂ 1.27 ਸਾਲ ਤੱਕ ਹੈ, ਜੋ ਕਿ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਦੋ DM ਮਾਡਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹਨ। ਸ਼ੇਨ ਐਟ ਅਲ23 ਨੇ 5 ਤੋਂ 13 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਪੂਰਬੀ ਚੀਨੀ ਨਿਵਾਸੀਆਂ ਵਿੱਚ ਖੱਬੇ ਜਮਾਂਦਰੂ ਵਿੱਚ ਸੱਤ ਸਥਾਈ ਦੰਦਾਂ ਦੀ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕੈਮੇਰੀਏਰ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਇਸਦੀ ਤੁਲਨਾ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ, SVM ਅਤੇ RF ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਮਾਨਿਤ ਉਮਰਾਂ ਨਾਲ ਕੀਤੀ। ਉਨ੍ਹਾਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਤਿੰਨੋਂ DM ਮਾਡਲਾਂ ਵਿੱਚ ਰਵਾਇਤੀ ਕੈਮੇਰੀਏਰ ਫਾਰਮੂਲੇ ਦੇ ਮੁਕਾਬਲੇ ਉੱਚ ਸ਼ੁੱਧਤਾ ਹੈ। ਸ਼ੇਨ ਦੇ ਅਧਿਐਨ ਵਿੱਚ MAE ਅਤੇ RMSE ਇਸ ਅਧਿਐਨ ਵਿੱਚ DM ਮਾਡਲ ਨਾਲੋਂ ਘੱਟ ਸਨ। ਸਟੈਪਨੋਵਸਕੀ ਐਟ ਅਲ. 35 ਅਤੇ ਸ਼ੇਨ ਐਟ ਅਲ. 23 ਦੁਆਰਾ ਕੀਤੇ ਗਏ ਅਧਿਐਨਾਂ ਦੀ ਵਧੀ ਹੋਈ ਸ਼ੁੱਧਤਾ ਉਨ੍ਹਾਂ ਦੇ ਅਧਿਐਨ ਦੇ ਨਮੂਨਿਆਂ ਵਿੱਚ ਛੋਟੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਕਾਰਨ ਹੋ ਸਕਦੀ ਹੈ। ਕਿਉਂਕਿ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੌਰਾਨ ਦੰਦਾਂ ਦੀ ਗਿਣਤੀ ਵਧਣ ਨਾਲ ਵਿਕਾਸਸ਼ੀਲ ਦੰਦਾਂ ਵਾਲੇ ਭਾਗੀਦਾਰਾਂ ਲਈ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਵਧੇਰੇ ਸਹੀ ਹੋ ਜਾਂਦੇ ਹਨ, ਇਸ ਲਈ ਅਧਿਐਨ ਭਾਗੀਦਾਰਾਂ ਦੀ ਉਮਰ ਘੱਟ ਹੋਣ 'ਤੇ ਨਤੀਜੇ ਵਜੋਂ ਉਮਰ ਅਨੁਮਾਨ ਵਿਧੀ ਦੀ ਸ਼ੁੱਧਤਾ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਵਿੱਚ MLP ਦੀ ਗਲਤੀ SLP ਦੇ ਮੁਕਾਬਲੇ ਥੋੜ੍ਹੀ ਛੋਟੀ ਹੈ, ਜਿਸਦਾ ਅਰਥ ਹੈ ਕਿ MLP SLP ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹੈ। MLP ਨੂੰ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਲਈ ਥੋੜ੍ਹਾ ਬਿਹਤਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਸੰਭਵ ਤੌਰ 'ਤੇ MLP38 ਵਿੱਚ ਲੁਕੀਆਂ ਪਰਤਾਂ ਦੇ ਕਾਰਨ। ਹਾਲਾਂਕਿ, ਔਰਤਾਂ ਦੇ ਬਾਹਰੀ ਨਮੂਨੇ ਲਈ ਇੱਕ ਅਪਵਾਦ ਹੈ (SLP 1.45, MLP 1.49)। ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕਿ MLP ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ SLP ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹੈ, ਵਾਧੂ ਪਿਛਾਖੜੀ ਅਧਿਐਨਾਂ ਦੀ ਲੋੜ ਹੈ।
18-ਸਾਲ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ 'ਤੇ DM ਮਾਡਲ ਅਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਵੀ ਤੁਲਨਾ ਕੀਤੀ ਗਈ। ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਸਾਰੇ ਟੈਸਟ ਕੀਤੇ SD ਮਾਡਲਾਂ ਅਤੇ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨੇ 18-ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਨਮੂਨੇ ਲਈ ਵਿਵਹਾਰਕ ਤੌਰ 'ਤੇ ਸਵੀਕਾਰਯੋਗ ਪੱਧਰ ਦੇ ਵਿਤਕਰੇ ਨੂੰ ਦਿਖਾਇਆ। ਮਰਦਾਂ ਅਤੇ ਔਰਤਾਂ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਕ੍ਰਮਵਾਰ 87.7% ਅਤੇ 94.9% ਤੋਂ ਵੱਧ ਸੀ, ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ 89.3% ਅਤੇ 84.7% ਤੋਂ ਵੱਧ ਸੀ। ਸਾਰੇ ਟੈਸਟ ਕੀਤੇ ਮਾਡਲਾਂ ਦਾ AUROC ਵੀ 0.925 ਤੋਂ ਵੱਧ ਹੈ। ਸਾਡੇ ਸਭ ਤੋਂ ਵਧੀਆ ਗਿਆਨ ਅਨੁਸਾਰ, ਕਿਸੇ ਵੀ ਅਧਿਐਨ ਨੇ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਅਧਾਰ ਤੇ 18-ਸਾਲ ਦੀ ਵਰਗੀਕਰਨ ਲਈ DM ਮਾਡਲ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਹੈ। ਅਸੀਂ ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਪੈਨੋਰਾਮਿਕ ਰੇਡੀਓਗ੍ਰਾਫਾਂ 'ਤੇ ਡੂੰਘੇ ਸਿੱਖਣ ਵਾਲੇ ਮਾਡਲਾਂ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਨਾਲ ਕਰ ਸਕਦੇ ਹਾਂ। Guo et al.15 ਨੇ ਇੱਕ ਖਾਸ ਉਮਰ ਸੀਮਾ ਲਈ CNN-ਅਧਾਰਤ ਡੂੰਘੇ ਸਿੱਖਣ ਵਾਲੇ ਮਾਡਲ ਅਤੇ ਡੈਮਿਰਜਿਅਨ ਦੇ ਢੰਗ 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਮੈਨੂਅਲ ਵਿਧੀ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਗਣਨਾ ਕੀਤੀ। ਦਸਤੀ ਵਿਧੀ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਕ੍ਰਮਵਾਰ 87.7% ਅਤੇ 95.5% ਸੀ, ਅਤੇ CNN ਮਾਡਲ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਕ੍ਰਮਵਾਰ 89.2% ਅਤੇ 86.6% ਤੋਂ ਵੱਧ ਸੀ। ਉਨ੍ਹਾਂ ਨੇ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲ ਉਮਰ ਸੀਮਾਵਾਂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਵਿੱਚ ਦਸਤੀ ਮੁਲਾਂਕਣ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਨ ਜਾਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਨੇ ਸਮਾਨ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਇਆ; ਇਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ DM ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਰਗੀਕਰਨ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਲਈ ਰਵਾਇਤੀ ਅੰਕੜਾਤਮਕ ਤਰੀਕਿਆਂ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ। ਮਾਡਲਾਂ ਵਿੱਚੋਂ, DM LR ਪੁਰਸ਼ ਨਮੂਨੇ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਔਰਤ ਨਮੂਨੇ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੀ। LR ਪੁਰਸ਼ਾਂ ਲਈ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਦੂਜੇ ਸਥਾਨ 'ਤੇ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, LR ਨੂੰ ਵਧੇਰੇ ਉਪਭੋਗਤਾ-ਅਨੁਕੂਲ DM35 ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਘੱਟ ਗੁੰਝਲਦਾਰ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ। ਇਨ੍ਹਾਂ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, LR ਨੂੰ ਕੋਰੀਆਈ ਆਬਾਦੀ ਵਿੱਚ 18 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਬੱਚਿਆਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਕੱਟਆਫ ਵਰਗੀਕਰਨ ਮਾਡਲ ਮੰਨਿਆ ਗਿਆ ਸੀ।
ਕੁੱਲ ਮਿਲਾ ਕੇ, ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਜਾਂ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਸ਼ੁੱਧਤਾ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਮੁਕਾਬਲੇ ਮਾੜੀ ਜਾਂ ਘੱਟ ਸੀ। ਕੁਝ ਰਿਪੋਰਟਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਜਾਂ ਕੁਸ਼ਲਤਾ ਘੱਟ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਕੋਰੀਆਈ ਆਬਾਦੀ 'ਤੇ ਅਧਾਰਤ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਜਾਪਾਨੀ ਆਬਾਦੀ 'ਤੇ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ5,39, ਅਤੇ ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਇੱਕ ਸਮਾਨ ਪੈਟਰਨ ਪਾਇਆ ਗਿਆ ਸੀ। ਇਹ ਵਿਗਾੜ ਰੁਝਾਨ DM ਮਾਡਲ ਵਿੱਚ ਵੀ ਦੇਖਿਆ ਗਿਆ ਸੀ। ਇਸ ਲਈ, ਉਮਰ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ DM ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਵੀ, ਮੂਲ ਆਬਾਦੀ ਡੇਟਾ ਤੋਂ ਪ੍ਰਾਪਤ ਤਰੀਕਿਆਂ, ਜਿਵੇਂ ਕਿ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ, ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ5,39,40,41,42। ਕਿਉਂਕਿ ਇਹ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ ਕਿ ਕੀ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲ ਸਮਾਨ ਰੁਝਾਨ ਦਿਖਾ ਸਕਦੇ ਹਨ, ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ, DM ਮਾਡਲਾਂ ਅਤੇ ਇੱਕੋ ਨਮੂਨਿਆਂ 'ਤੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਵਾਲੇ ਅਧਿਐਨਾਂ ਦੀ ਲੋੜ ਹੈ ਤਾਂ ਜੋ ਇਹ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾ ਸਕੇ ਕਿ ਕੀ ਨਕਲੀ ਬੁੱਧੀ ਸੀਮਤ ਉਮਰ ਵਿੱਚ ਇਹਨਾਂ ਨਸਲੀ ਅਸਮਾਨਤਾਵਾਂ ਨੂੰ ਦੂਰ ਕਰ ਸਕਦੀ ਹੈ। ਮੁਲਾਂਕਣ।
ਅਸੀਂ ਇਹ ਦਰਸਾਉਂਦੇ ਹਾਂ ਕਿ ਕੋਰੀਆ ਵਿੱਚ ਫੋਰੈਂਸਿਕ ਉਮਰ ਅਨੁਮਾਨ ਅਭਿਆਸ ਵਿੱਚ DM ਮਾਡਲ ਦੇ ਆਧਾਰ 'ਤੇ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨੂੰ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਅਸੀਂ ਫੋਰੈਂਸਿਕ ਉਮਰ ਮੁਲਾਂਕਣ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਵੀ ਪਤਾ ਲਗਾਇਆ। ਹਾਲਾਂਕਿ, ਸਪੱਸ਼ਟ ਸੀਮਾਵਾਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਨਤੀਜਿਆਂ ਨੂੰ ਨਿਸ਼ਚਤ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਭਾਗੀਦਾਰਾਂ ਦੀ ਨਾਕਾਫ਼ੀ ਗਿਣਤੀ, ਅਤੇ ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੀ ਘਾਟ। ਭਵਿੱਖ ਵਿੱਚ, DM ਅਧਿਐਨਾਂ ਨੂੰ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਨਮੂਨਿਆਂ ਅਤੇ ਵਧੇਰੇ ਵਿਭਿੰਨ ਆਬਾਦੀਆਂ ਨਾਲ ਕਰਵਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਜੋ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੇ ਮੁਕਾਬਲੇ ਇਸਦੀ ਵਿਵਹਾਰਕ ਉਪਯੋਗਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਇਆ ਜਾ ਸਕੇ। ਕਈ ਆਬਾਦੀਆਂ ਵਿੱਚ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਲਈ, ਉਸੇ ਨਮੂਨਿਆਂ ਵਿੱਚ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨਾਲ DM ਅਤੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੀ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਭਵਿੱਖ ਦੇ ਅਧਿਐਨਾਂ ਦੀ ਲੋੜ ਹੈ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ 15 ਤੋਂ 23 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਕੋਰੀਆਈ ਅਤੇ ਜਾਪਾਨੀ ਬਾਲਗਾਂ ਤੋਂ ਇਕੱਠੀਆਂ ਕੀਤੀਆਂ 2,657 ਆਰਥੋਗ੍ਰਾਫਿਕ ਫੋਟੋਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ। ਕੋਰੀਆਈ ਰੇਡੀਓਗ੍ਰਾਫਾਂ ਨੂੰ 900 ਸਿਖਲਾਈ ਸੈੱਟਾਂ (19.42 ± 2.65 ਸਾਲ) ਅਤੇ 900 ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟਾਂ (19.52 ± 2.59 ਸਾਲ) ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ। ਸਿਖਲਾਈ ਸੈੱਟ ਇੱਕ ਸੰਸਥਾ (ਸਿਓਲ ਸੇਂਟ ਮੈਰੀ ਹਸਪਤਾਲ) ਵਿਖੇ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਆਪਣਾ ਟੈਸਟ ਸੈੱਟ ਦੋ ਸੰਸਥਾਵਾਂ (ਸਿਓਲ ਨੈਸ਼ਨਲ ਯੂਨੀਵਰਸਿਟੀ ਡੈਂਟਲ ਹਸਪਤਾਲ ਅਤੇ ਯੋਨਸੇਈ ਯੂਨੀਵਰਸਿਟੀ ਡੈਂਟਲ ਹਸਪਤਾਲ) ਵਿਖੇ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ। ਅਸੀਂ ਬਾਹਰੀ ਜਾਂਚ ਲਈ ਇੱਕ ਹੋਰ ਆਬਾਦੀ-ਅਧਾਰਤ ਡੇਟਾ (ਇਵਾਟ ਮੈਡੀਕਲ ਯੂਨੀਵਰਸਿਟੀ, ਜਾਪਾਨ) ਤੋਂ 857 ਰੇਡੀਓਗ੍ਰਾਫ ਵੀ ਇਕੱਠੇ ਕੀਤੇ। ਜਾਪਾਨੀ ਵਿਸ਼ਿਆਂ ਦੇ ਰੇਡੀਓਗ੍ਰਾਫ (19.31 ± 2.60 ਸਾਲ) ਨੂੰ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ ਵਜੋਂ ਚੁਣਿਆ ਗਿਆ ਸੀ। ਦੰਦਾਂ ਦੇ ਇਲਾਜ ਦੌਰਾਨ ਲਏ ਗਏ ਪੈਨੋਰਾਮਿਕ ਰੇਡੀਓਗ੍ਰਾਫਾਂ 'ਤੇ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਡੇਟਾ ਨੂੰ ਪਿਛਾਖੜੀ ਤੌਰ 'ਤੇ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸਾਰਾ ਡੇਟਾ ਲਿੰਗ, ਜਨਮ ਮਿਤੀ ਅਤੇ ਰੇਡੀਓਗ੍ਰਾਫ ਦੀ ਮਿਤੀ ਨੂੰ ਛੱਡ ਕੇ ਅਗਿਆਤ ਸੀ। ਸ਼ਾਮਲ ਕਰਨ ਅਤੇ ਬਾਹਰ ਕੱਢਣ ਦੇ ਮਾਪਦੰਡ ਪਹਿਲਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਅਧਿਐਨਾਂ 4, 5 ਦੇ ਸਮਾਨ ਸਨ। ਨਮੂਨੇ ਦੀ ਅਸਲ ਉਮਰ ਦੀ ਗਣਨਾ ਰੇਡੀਓਗ੍ਰਾਫ ਲੈਣ ਦੀ ਮਿਤੀ ਤੋਂ ਜਨਮ ਮਿਤੀ ਘਟਾ ਕੇ ਕੀਤੀ ਗਈ ਸੀ। ਨਮੂਨਾ ਸਮੂਹ ਨੂੰ ਨੌਂ ਉਮਰ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ। ਉਮਰ ਅਤੇ ਲਿੰਗ ਵੰਡ ਸਾਰਣੀ 3 ਵਿੱਚ ਦਰਸਾਈ ਗਈ ਹੈ। ਇਹ ਅਧਿਐਨ ਹੇਲਸਿੰਕੀ ਦੇ ਐਲਾਨਨਾਮੇ ਦੇ ਅਨੁਸਾਰ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਕੋਰੀਆ ਦੀ ਕੈਥੋਲਿਕ ਯੂਨੀਵਰਸਿਟੀ (KC22WISI0328) ਦੇ ਸਿਓਲ ਸੇਂਟ ਮੈਰੀ ਹਸਪਤਾਲ ਦੇ ਸੰਸਥਾਗਤ ਸਮੀਖਿਆ ਬੋਰਡ (IRB) ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਅਧਿਐਨ ਦੇ ਪਿਛਾਖੜੀ ਡਿਜ਼ਾਈਨ ਦੇ ਕਾਰਨ, ਇਲਾਜ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਰੇਡੀਓਗ੍ਰਾਫਿਕ ਜਾਂਚ ਕਰਵਾ ਰਹੇ ਸਾਰੇ ਮਰੀਜ਼ਾਂ ਤੋਂ ਸੂਚਿਤ ਸਹਿਮਤੀ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕੀ। ਸਿਓਲ ਕੋਰੀਆ ਯੂਨੀਵਰਸਿਟੀ ਸੇਂਟ ਮੈਰੀ ਹਸਪਤਾਲ (IRB) ਨੇ ਸੂਚਿਤ ਸਹਿਮਤੀ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਛੱਡ ਦਿੱਤਾ।
ਬਾਈਮੈਕਸਿਲਰੀ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੇ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਡੈਮਿਰਕਨ ਮਾਪਦੰਡ 25 ਦੇ ਅਨੁਸਾਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਜੇਕਰ ਹਰੇਕ ਜਬਾੜੇ ਦੇ ਖੱਬੇ ਅਤੇ ਸੱਜੇ ਪਾਸੇ ਇੱਕੋ ਕਿਸਮ ਦਾ ਦੰਦ ਪਾਇਆ ਜਾਂਦਾ ਸੀ ਤਾਂ ਸਿਰਫ਼ ਇੱਕ ਦੰਦ ਚੁਣਿਆ ਗਿਆ ਸੀ। ਜੇਕਰ ਦੋਵਾਂ ਪਾਸਿਆਂ ਦੇ ਸਮਰੂਪ ਦੰਦ ਵੱਖ-ਵੱਖ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ 'ਤੇ ਸਨ, ਤਾਂ ਹੇਠਲੇ ਵਿਕਾਸ ਪੜਾਅ ਵਾਲੇ ਦੰਦ ਨੂੰ ਅਨੁਮਾਨਿਤ ਉਮਰ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਲਈ ਚੁਣਿਆ ਗਿਆ ਸੀ। ਸਿਖਲਾਈ ਸੈੱਟ ਤੋਂ ਇੱਕ ਸੌ ਬੇਤਰਤੀਬੇ ਚੁਣੇ ਗਏ ਰੇਡੀਓਗ੍ਰਾਫ ਦੋ ਤਜਰਬੇਕਾਰ ਨਿਰੀਖਕਾਂ ਦੁਆਰਾ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਪੜਾਅ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਪ੍ਰੀਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੋਂ ਬਾਅਦ ਇੰਟਰੋਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਕੋਰ ਕੀਤੇ ਗਏ ਸਨ। ਪ੍ਰਾਇਮਰੀ ਨਿਰੀਖਕ ਦੁਆਰਾ ਇੰਟਰੋਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਦਾ ਮੁਲਾਂਕਣ ਤਿੰਨ ਮਹੀਨਿਆਂ ਦੇ ਅੰਤਰਾਲਾਂ 'ਤੇ ਦੋ ਵਾਰ ਕੀਤਾ ਗਿਆ ਸੀ।
ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਹਰੇਕ ਜਬਾੜੇ ਦੇ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੇ ਲਿੰਗ ਅਤੇ ਵਿਕਾਸ ਪੜਾਅ ਦਾ ਅੰਦਾਜ਼ਾ ਵੱਖ-ਵੱਖ DM ਮਾਡਲਾਂ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੱਕ ਪ੍ਰਾਇਮਰੀ ਆਬਜ਼ਰਵਰ ਦੁਆਰਾ ਲਗਾਇਆ ਗਿਆ ਸੀ, ਅਤੇ ਅਸਲ ਉਮਰ ਨੂੰ ਨਿਸ਼ਾਨਾ ਮੁੱਲ ਵਜੋਂ ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਸੀ। SLP ਅਤੇ MLP ਮਾਡਲ, ਜੋ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਨੂੰ ਰਿਗਰੈਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੇ ਵਿਰੁੱਧ ਟੈਸਟ ਕੀਤਾ ਗਿਆ ਸੀ। DM ਮਾਡਲ ਚਾਰ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਲੀਨੀਅਰ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਅਤੇ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਇਹਨਾਂ ਡੇਟਾ ਨੂੰ ਜੋੜਦਾ ਹੈ। SLP ਸਭ ਤੋਂ ਸਰਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ ਲੁਕੀਆਂ ਪਰਤਾਂ ਨਹੀਂ ਹੁੰਦੀਆਂ ਹਨ। SLP ਨੋਡਾਂ ਵਿਚਕਾਰ ਥ੍ਰੈਸ਼ਹੋਲਡ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਦੇ ਅਧਾਰ ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ। ਰਿਗਰੈਸ਼ਨ ਵਿੱਚ SLP ਮਾਡਲ ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਦੇ ਸਮਾਨ ਹੈ। SLP ਮਾਡਲ ਦੇ ਉਲਟ, MLP ਮਾਡਲ ਵਿੱਚ ਗੈਰ-ਰੇਖਿਕ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਕਈ ਲੁਕੀਆਂ ਪਰਤਾਂ ਹਨ। ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਨੇ ਗੈਰ-ਰੇਖਿਕ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਸਿਰਫ 20 ਲੁਕੀਆਂ ਨੋਡਾਂ ਵਾਲੀ ਇੱਕ ਲੁਕੀ ਹੋਈ ਪਰਤ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਸਾਡੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਨੂੰ ਅਨੁਕੂਲਤਾ ਵਿਧੀ ਵਜੋਂ ਅਤੇ MAE ਅਤੇ RMSE ਨੂੰ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਵਜੋਂ ਵਰਤੋ। ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਾਪਤ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਨੂੰ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਗਿਆ ਸੀ।
ਇੱਕ ਵਰਗੀਕਰਨ ਐਲਗੋਰਿਦਮ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਚਾਰ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇੱਕ ਨਮੂਨਾ 18 ਸਾਲ ਪੁਰਾਣਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਮਾਡਲ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸੱਤ ਪ੍ਰਤੀਨਿਧਤਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ 6,43 ਪ੍ਰਾਪਤ ਕੀਤੇ: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ਅਤੇ (7) MLP। LR ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਵਰਗੀਕਰਨ ਐਲਗੋਰਿਦਮ ਵਿੱਚੋਂ ਇੱਕ ਹੈ44। ਇਹ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ 0 ਤੋਂ 1 ਤੱਕ ਇੱਕ ਖਾਸ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ ਡੇਟਾ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸ ਸੰਭਾਵਨਾ ਦੇ ਅਧਾਰ ਤੇ ਡੇਟਾ ਨੂੰ ਵਧੇਰੇ ਸੰਭਾਵਿਤ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ; ਮੁੱਖ ਤੌਰ 'ਤੇ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। KNN ਸਭ ਤੋਂ ਸਰਲ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਵਿੱਚੋਂ ਇੱਕ ਹੈ45। ਜਦੋਂ ਨਵਾਂ ਇਨਪੁਟ ਡੇਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਮੌਜੂਦਾ ਸੈੱਟ ਦੇ ਨੇੜੇ k ਡੇਟਾ ਲੱਭਦਾ ਹੈ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਬਾਰੰਬਾਰਤਾ ਵਾਲੀ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ। ਅਸੀਂ ਵਿਚਾਰੇ ਗਏ ਗੁਆਂਢੀਆਂ ਦੀ ਗਿਣਤੀ ਲਈ 3 ਸੈੱਟ ਕਰਦੇ ਹਾਂ (k)। SVM ਇੱਕ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਕਰਨਲ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੋ ਕਲਾਸਾਂ ਵਿਚਕਾਰ ਦੂਰੀ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਰੇਖਿਕ ਸਪੇਸ ਨੂੰ ਫੀਲਡਜ਼46 ਨਾਮਕ ਇੱਕ ਗੈਰ-ਰੇਖਿਕ ਸਪੇਸ ਵਿੱਚ ਫੈਲਾਇਆ ਜਾ ਸਕੇ। ਇਸ ਮਾਡਲ ਲਈ, ਅਸੀਂ ਬਹੁਪਦ ਕਰਨਲ ਲਈ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਵਜੋਂ ਬਾਈਸ = 1, ਪਾਵਰ = 1, ਅਤੇ ਗਾਮਾ = 1 ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਇੱਕ ਟ੍ਰੀ ਸਟ੍ਰਕਚਰ47 ਵਿੱਚ ਫੈਸਲੇ ਦੇ ਨਿਯਮਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹੋਏ ਇੱਕ ਪੂਰੇ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਕਈ ਉਪ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਣ ਲਈ ਇੱਕ ਐਲਗੋਰਿਦਮ ਦੇ ਤੌਰ 'ਤੇ DT ਨੂੰ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ। ਮਾਡਲ ਪ੍ਰਤੀ ਨੋਡ 2 ਦੇ ਘੱਟੋ-ਘੱਟ ਰਿਕਾਰਡਾਂ ਨਾਲ ਕੌਂਫਿਗਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਗੁਣਵੱਤਾ ਦੇ ਮਾਪ ਵਜੋਂ ਗਿਨੀ ਇੰਡੈਕਸ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। RF ਇੱਕ ਐਨਸੈਂਬਲ ਵਿਧੀ ਹੈ ਜੋ ਇੱਕ ਬੂਟਸਟ੍ਰੈਪ ਐਗਰੀਗੇਸ਼ਨ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਕਈ DTs ਨੂੰ ਜੋੜਦੀ ਹੈ ਜੋ ਮੂਲ ਡੇਟਾਸੈੱਟ48 ਤੋਂ ਇੱਕੋ ਆਕਾਰ ਦੇ ਕਈ ਵਾਰ ਨਮੂਨੇ ਬੇਤਰਤੀਬ ਢੰਗ ਨਾਲ ਖਿੱਚ ਕੇ ਹਰੇਕ ਨਮੂਨੇ ਲਈ ਇੱਕ ਕਮਜ਼ੋਰ ਵਰਗੀਕਰਣ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਨੋਡ ਵੱਖ ਕਰਨ ਦੇ ਮਾਪਦੰਡ ਵਜੋਂ 100 ਰੁੱਖ, 10 ਰੁੱਖ ਡੂੰਘਾਈ, 1 ਘੱਟੋ-ਘੱਟ ਨੋਡ ਆਕਾਰ, ਅਤੇ ਗਿਨੀ ਐਡਮਿਸਟ੍ਰੇਸ਼ਨ ਇੰਡੈਕਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਨਵੇਂ ਡੇਟਾ ਦਾ ਵਰਗੀਕਰਨ ਬਹੁਮਤ ਵੋਟ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। XGBoost ਇੱਕ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਇੱਕ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬੂਸਟਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਜੋੜਦਾ ਹੈ ਜੋ ਪਿਛਲੇ ਮਾਡਲ ਦੇ ਅਸਲ ਅਤੇ ਅਨੁਮਾਨਿਤ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਗਲਤੀ ਨੂੰ ਸਿਖਲਾਈ ਡੇਟਾ ਵਜੋਂ ਲੈਂਦਾ ਹੈ ਅਤੇ ਗਰੇਡੀਐਂਟ 49 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਲਤੀ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਇਹ ਆਪਣੀ ਚੰਗੀ ਕਾਰਗੁਜ਼ਾਰੀ ਅਤੇ ਸਰੋਤ ਕੁਸ਼ਲਤਾ ਦੇ ਨਾਲ-ਨਾਲ ਇੱਕ ਓਵਰਫਿਟਿੰਗ ਸੁਧਾਰ ਫੰਕਸ਼ਨ ਦੇ ਤੌਰ 'ਤੇ ਉੱਚ ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਕਾਰਨ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਐਲਗੋਰਿਦਮ ਹੈ। ਮਾਡਲ 400 ਸਹਾਇਤਾ ਪਹੀਆਂ ਨਾਲ ਲੈਸ ਹੈ। MLP ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ ਜਿਸ ਵਿੱਚ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਪਰਸੈਪਟ੍ਰੋਨ ਇਨਪੁਟ ਅਤੇ ਆਉਟਪੁੱਟ ਲੇਅਰਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਲੁਕੀਆਂ ਹੋਈਆਂ ਪਰਤਾਂ ਦੇ ਨਾਲ ਕਈ ਪਰਤਾਂ ਬਣਾਉਂਦੇ ਹਨ38। ਇਸਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਤੁਸੀਂ ਗੈਰ-ਲੀਨੀਅਰ ਵਰਗੀਕਰਨ ਕਰ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਇਨਪੁਟ ਲੇਅਰ ਜੋੜਦੇ ਹੋ ਅਤੇ ਨਤੀਜਾ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਅਨੁਮਾਨਿਤ ਨਤੀਜਾ ਮੁੱਲ ਦੀ ਤੁਲਨਾ ਅਸਲ ਨਤੀਜਾ ਮੁੱਲ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਗਲਤੀ ਵਾਪਸ ਪ੍ਰਸਾਰਿਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਅਸੀਂ ਹਰੇਕ ਪਰਤ ਵਿੱਚ 20 ਲੁਕੇ ਹੋਏ ਨਿਊਰੋਨਾਂ ਦੇ ਨਾਲ ਇੱਕ ਲੁਕੀ ਹੋਈ ਪਰਤ ਬਣਾਈ। ਸਾਡੇ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤੇ ਗਏ ਹਰੇਕ ਮਾਡਲ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ, PPV, NPV, ਅਤੇ AUROC ਦੀ ਗਣਨਾ ਕਰਕੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਸੈੱਟਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ। ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ 18 ਸਾਲ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਉਮਰ ਦੇ ਅਨੁਮਾਨਿਤ ਨਮੂਨੇ ਅਤੇ 18 ਸਾਲ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਉਮਰ ਦੇ ਅਨੁਮਾਨਿਤ ਨਮੂਨੇ ਦੇ ਅਨੁਪਾਤ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਵਿਸ਼ੇਸ਼ਤਾ 18 ਸਾਲ ਤੋਂ ਘੱਟ ਉਮਰ ਦੇ ਅਤੇ 18 ਸਾਲ ਤੋਂ ਘੱਟ ਉਮਰ ਦੇ ਅਨੁਮਾਨਿਤ ਨਮੂਨਿਆਂ ਦਾ ਅਨੁਪਾਤ ਹੈ।
ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਮੁਲਾਂਕਣ ਕੀਤੇ ਗਏ ਦੰਦਾਂ ਦੇ ਪੜਾਵਾਂ ਨੂੰ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸੰਖਿਆਤਮਕ ਪੜਾਵਾਂ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਹਰੇਕ ਲਿੰਗ ਲਈ ਭਵਿੱਖਬਾਣੀ ਮਾਡਲ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਣ ਵਾਲੇ ਰਿਗਰੈਸ਼ਨ ਫਾਰਮੂਲੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਮਲਟੀਵੇਰੀਏਟ ਲੀਨੀਅਰ ਅਤੇ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਕੀਤਾ ਗਿਆ ਸੀ। ਅਸੀਂ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ ਦੋਵਾਂ ਲਈ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਇਹਨਾਂ ਫਾਰਮੂਲਿਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਸਾਰਣੀ 4 ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਰਿਗਰੈਸ਼ਨ ਅਤੇ ਵਰਗੀਕਰਨ ਮਾਡਲਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ਕੋਹੇਨ ਦੇ ਕਪਾ ਅੰਕੜੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੰਟਰਾ- ਅਤੇ ਇੰਟਰੋਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ। DM ਅਤੇ ਪਰੰਪਰਾਗਤ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ ਦੀ ਅਨੁਮਾਨਿਤ ਅਤੇ ਅਸਲ ਉਮਰ ਦੀ ਵਰਤੋਂ ਕਰਕੇ MAE ਅਤੇ RMSE ਦੀ ਗਣਨਾ ਕੀਤੀ। ਇਹਨਾਂ ਗਲਤੀਆਂ ਦੀ ਵਰਤੋਂ ਆਮ ਤੌਰ 'ਤੇ ਮਾਡਲ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਗਲਤੀ ਜਿੰਨੀ ਛੋਟੀ ਹੋਵੇਗੀ, ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ 24 ਓਨੀ ਹੀ ਉੱਚੀ ਹੋਵੇਗੀ। DM ਅਤੇ ਪਰੰਪਰਾਗਤ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੇ ਗਏ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ ਦੇ MAE ਅਤੇ RMSE ਦੀ ਤੁਲਨਾ ਕਰੋ। ਪਰੰਪਰਾਗਤ ਅੰਕੜਿਆਂ ਵਿੱਚ 18-ਸਾਲ ਦੇ ਕੱਟਆਫ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ 2 × 2 ਸੰਕਟਕਾਲੀਨ ਸਾਰਣੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ। ਟੈਸਟ ਸੈੱਟ ਦੀ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ, PPV, NPV, ਅਤੇ AUROC ਦੀ ਤੁਲਨਾ DM ਵਰਗੀਕਰਣ ਮਾਡਲ ਦੇ ਮਾਪੇ ਗਏ ਮੁੱਲਾਂ ਨਾਲ ਕੀਤੀ ਗਈ ਸੀ। ਡੇਟਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਡੇਟਾ ਨੂੰ ਔਸਤ ± ਮਿਆਰੀ ਭਟਕਣਾ ਜਾਂ ਸੰਖਿਆ (%) ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਦੋ-ਪਾਸੜ P ਮੁੱਲ <0.05 ਨੂੰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਮੰਨਿਆ ਗਿਆ ਸੀ। ਸਾਰੇ ਰੁਟੀਨ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ SAS ਸੰਸਕਰਣ 9.4 (SAS ਇੰਸਟੀਚਿਊਟ, ਕੈਰੀ, NC) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੇ ਗਏ ਸਨ। DM ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਨੂੰ Python ਵਿੱਚ Keras50 2.2.4 ਬੈਕਐਂਡ ਅਤੇ Tensorflow51 1.8.0 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖਾਸ ਤੌਰ 'ਤੇ ਗਣਿਤਿਕ ਕਾਰਜਾਂ ਲਈ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ। DM ਵਰਗੀਕਰਣ ਮਾਡਲ ਨੂੰ Waikato Knowledge Analysis Environment ਅਤੇ Konstanz Information Miner (KNIME) 4.6.152 ਵਿਸ਼ਲੇਸ਼ਣ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ।
ਲੇਖਕ ਮੰਨਦੇ ਹਨ ਕਿ ਅਧਿਐਨ ਦੇ ਸਿੱਟਿਆਂ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲਾ ਡੇਟਾ ਲੇਖ ਅਤੇ ਪੂਰਕ ਸਮੱਗਰੀ ਵਿੱਚ ਪਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਅਧਿਐਨ ਦੌਰਾਨ ਤਿਆਰ ਕੀਤੇ ਅਤੇ/ਜਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਗਏ ਡੇਟਾਸੈੱਟ ਸੰਬੰਧਿਤ ਲੇਖਕ ਤੋਂ ਵਾਜਬ ਬੇਨਤੀ 'ਤੇ ਉਪਲਬਧ ਹਨ।
ਰਿਟਜ਼-ਟਿਮਮੇ, ਐਸ. ਐਟ ਅਲ. ਉਮਰ ਮੁਲਾਂਕਣ: ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਦੀਆਂ ਖਾਸ ਜ਼ਰੂਰਤਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਲਾ ਦੀ ਸਥਿਤੀ। ਅੰਤਰਰਾਸ਼ਟਰੀਤਾ। ਜੇ. ਕਾਨੂੰਨੀ ਦਵਾਈ। 113, 129–136 (2000)।
ਸ਼ਮਲਿੰਗ, ਏ., ਰੀਸਿੰਗਰ, ਡਬਲਯੂ., ਗੇਸਰਿਕ, ਜੀ., ਅਤੇ ਓਲਜ਼, ਏ. ਅਪਰਾਧਿਕ ਮੁਕੱਦਮੇ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਜੀਵਤ ਵਿਸ਼ਿਆਂ ਦੇ ਫੋਰੈਂਸਿਕ ਉਮਰ ਮੁਲਾਂਕਣ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ। ਫੋਰੈਂਸਿਕਸ। ਦਵਾਈ। ਪੈਥੋਲੋਜੀ। 1, 239–246 (2005)।
ਪੈਨ, ਜੇ. ਆਦਿ। ਪੂਰਬੀ ਚੀਨ ਵਿੱਚ 5 ਤੋਂ 16 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਬੱਚਿਆਂ ਦੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਸੋਧਿਆ ਹੋਇਆ ਤਰੀਕਾ। ਕਲੀਨਿਕਲ। ਮੌਖਿਕ ਸਰਵੇਖਣ। 25, 3463–3474 (2021)।
ਲੀ, ਐਸਐਸ ਆਦਿ। ਕੋਰੀਆਈ ਲੋਕਾਂ ਵਿੱਚ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੇ ਵਿਕਾਸ ਦਾ ਕਾਲਕ੍ਰਮ ਅਤੇ ਫੋਰੈਂਸਿਕ ਉਮਰ ਮੁਲਾਂਕਣ ਲਈ ਇਸਦੀ ਵਰਤੋਂ। ਅੰਤਰਰਾਸ਼ਟਰੀਤਾ। ਜੇ. ਕਾਨੂੰਨੀ ਦਵਾਈ। 124, 659–665 (2010)।
ਓਹ, ਐਸ., ਕੁਮਾਗਾਈ, ਏ., ਕਿਮ, ਐਸਵਾਈ ਅਤੇ ਲੀ, ਐਸਐਸ ਕੋਰੀਆਈ ਅਤੇ ਜਾਪਾਨੀ ਲੋਕਾਂ ਵਿੱਚ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਅਧਾਰ ਤੇ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਅਤੇ 18-ਸਾਲ ਦੀ ਸੀਮਾ ਦਾ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ। PLoS ONE 17, e0271247 (2022)।
ਕਿਮ, ਜੇਵਾਈ, ਆਦਿ। ਓਪਰੇਟਿਵ ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਅਧਾਰਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਓਐਸਏ ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਨੀਂਦ ਸਰਜਰੀ ਦੇ ਇਲਾਜ ਦੇ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ। ਵਿਗਿਆਨ। ਰਿਪੋਰਟ 11, 14911 (2021)।
ਹਾਨ, ਐਮ. ਆਦਿ। ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਦੇ ਨਾਲ ਜਾਂ ਬਿਨਾਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤੋਂ ਸਹੀ ਉਮਰ ਦਾ ਅਨੁਮਾਨ? ਅੰਤਰਰਾਸ਼ਟਰੀਤਾ। ਜੇ. ਕਾਨੂੰਨੀ ਦਵਾਈ। 136, 821–831 (2022)।
ਖਾਨ, ਐਸ. ਅਤੇ ਸ਼ਾਹੀਨ, ਐਮ. ਡੇਟਾ ਮਾਈਨਿੰਗ ਤੋਂ ਡੇਟਾ ਮਾਈਨਿੰਗ ਤੱਕ। ਜੇ. ਜਾਣਕਾਰੀ। ਵਿਗਿਆਨ। https://doi.org/10.1177/01655515211030872 (2021)।
ਖਾਨ, ਐਸ. ਅਤੇ ਸ਼ਾਹੀਨ, ਐਮ. ਵਿਸਰੂਲ: ਐਸੋਸੀਏਸ਼ਨ ਰੂਲ ਮਾਈਨਿੰਗ ਲਈ ਪਹਿਲਾ ਬੋਧਾਤਮਕ ਐਲਗੋਰਿਦਮ। ਜੇ. ਜਾਣਕਾਰੀ। ਵਿਗਿਆਨ। https://doi.org/10.1177/01655515221108695 (2022)।
ਸ਼ਾਹੀਨ ਐਮ. ਅਤੇ ਅਬਦੁੱਲਾ ਯੂ. ਕਰਮ: ਪ੍ਰਸੰਗ-ਅਧਾਰਤ ਐਸੋਸੀਏਸ਼ਨ ਨਿਯਮਾਂ ਦੇ ਅਧਾਰ ਤੇ ਰਵਾਇਤੀ ਡੇਟਾ ਮਾਈਨਿੰਗ। ਗਣਨਾ ਕਰੋ। ਮੈਟ. ਜਾਰੀ ਰੱਖੋ। 68, 3305–3322 (2021)।
ਮੁਹੰਮਦ ਐਮ., ਰਹਿਮਾਨ ਜ਼ੈੱਡ., ਸ਼ਾਹੀਨ ਐਮ., ਖਾਨ ਐਮ. ਅਤੇ ਹਬੀਬ ਐਮ. ਟੈਕਸਟ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਡੂੰਘੀ ਸਿੱਖਿਆ ਅਧਾਰਤ ਅਰਥ ਸਮਾਨਤਾ ਖੋਜ। ਜਾਣਕਾਰੀ। ਤਕਨਾਲੋਜੀਆਂ। ਨਿਯੰਤਰਣ। https://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
ਤਾਬਿਸ਼, ਐਮ., ਤਨੋਲੀ, ਜ਼ੈੱਡ., ਅਤੇ ਸ਼ਾਹੀਨ, ਐਮ. ਸਪੋਰਟਸ ਵੀਡੀਓਜ਼ ਵਿੱਚ ਗਤੀਵਿਧੀ ਨੂੰ ਪਛਾਣਨ ਲਈ ਇੱਕ ਪ੍ਰਣਾਲੀ। ਮਲਟੀਮੀਡੀਆ। ਟੂਲ ਐਪਲੀਕੇਸ਼ਨ https://doi.org/10.1007/s11042-021-10519-6 (2021)।
ਹਲਾਬੀ, ਐਸਐਸ ਅਤੇ ਹੋਰ। ਪੀਡੀਆਟ੍ਰਿਕ ਹੱਡੀਆਂ ਦੇ ਯੁੱਗ ਵਿੱਚ ਆਰਐਸਐਨਏ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਚੁਣੌਤੀ। ਰੇਡੀਓਲੋਜੀ 290, 498–503 (2019)।
ਲੀ, ਵਾਈ. ਆਦਿ। ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੇਲਵਿਕ ਐਕਸ-ਰੇ ਤੋਂ ਫੋਰੈਂਸਿਕ ਉਮਰ ਦਾ ਅਨੁਮਾਨ। ਯੂਰੋ। ਰੇਡੀਏਸ਼ਨ। 29, 2322–2329 (2019)।
ਗੁਓ, ਵਾਈਸੀ, ਆਦਿ। ਆਰਥੋਗ੍ਰਾਫਿਕ ਪ੍ਰੋਜੈਕਸ਼ਨ ਚਿੱਤਰਾਂ ਤੋਂ ਦਸਤੀ ਤਰੀਕਿਆਂ ਅਤੇ ਡੂੰਘੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਹੀ ਉਮਰ ਵਰਗੀਕਰਨ। ਅੰਤਰਰਾਸ਼ਟਰੀਤਾ। ਜੇ. ਕਾਨੂੰਨੀ ਦਵਾਈ। 135, 1589–1597 (2021)।
ਅਲਾਬਾਮਾ ਡਾਲੋਰਾ ਅਤੇ ਹੋਰ। ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹੱਡੀਆਂ ਦੀ ਉਮਰ ਦਾ ਅਨੁਮਾਨ: ਇੱਕ ਯੋਜਨਾਬੱਧ ਸਾਹਿਤ ਸਮੀਖਿਆ ਅਤੇ ਮੈਟਾ-ਵਿਸ਼ਲੇਸ਼ਣ। PLoS ONE 14, e0220242 (2019)।
ਡੂ, ਐੱਚ., ਲੀ, ਜੀ., ਚੇਂਗ, ਕੇ., ਅਤੇ ਯਾਂਗ, ਜੇ. ਕੋਨ-ਬੀਮ ਕੰਪਿਊਟਿਡ ਟੋਮੋਗ੍ਰਾਫੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਹਿਲੇ ਮੋਲਰ ਦੇ ਪਲਪ ਚੈਂਬਰ ਵਾਲੀਅਮ ਦੇ ਆਧਾਰ 'ਤੇ ਅਫਰੀਕੀ ਅਮਰੀਕੀਆਂ ਅਤੇ ਚੀਨੀ ਲੋਕਾਂ ਦੀ ਆਬਾਦੀ-ਵਿਸ਼ੇਸ਼ ਉਮਰ ਦਾ ਅਨੁਮਾਨ। ਅੰਤਰਰਾਸ਼ਟਰੀਤਾ। ਜੇ. ਕਾਨੂੰਨੀ ਦਵਾਈ। 136, 811–819 (2022)।
ਕਿਮ ਐਸ., ਲੀ ਵਾਈ.ਐੱਚ., ਨੋਹ ਵਾਈ.ਕੇ., ਪਾਰਕ ਐਫ.ਕੇ. ਅਤੇ ਓਹ ਕੇ.ਐਸ. ਪਹਿਲੇ ਮੋਲਰ ਦੀਆਂ ਨਕਲੀ ਬੁੱਧੀ-ਅਧਾਰਤ ਤਸਵੀਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜੀਵਤ ਲੋਕਾਂ ਦੇ ਉਮਰ ਸਮੂਹਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ। ਵਿਗਿਆਨ। ਰਿਪੋਰਟ 11, 1073 (2021)।
ਸਟਰਨ, ਡੀ., ਪੇਅਰ, ਸੀ., ਗਿਉਲਿਆਨੀ, ਐਨ., ਅਤੇ ਉਰਸ਼ਲਰ, ਐਮ. ਮਲਟੀਵੇਰੀਏਟ ਐਮਆਰਆਈ ਡੇਟਾ ਤੋਂ ਆਟੋਮੈਟਿਕ ਉਮਰ ਅਨੁਮਾਨ ਅਤੇ ਬਹੁਮਤ ਉਮਰ ਵਰਗੀਕਰਨ। ਆਈਈਈਈ ਜੇ. ਬਾਇਓਮੇਡ। ਸਿਹਤ ਚੇਤਾਵਨੀਆਂ। 23, 1392–1403 (2019)।
ਚੇਂਗ, ਕਿਊ., ਜੀ.ਈ., ਜ਼ੈੱਡ., ਡੂ, ਐੱਚ. ਅਤੇ ਲੀ, ਜੀ. ਡੂੰਘੀ ਸਿਖਲਾਈ ਅਤੇ ਪੱਧਰ ਸੈੱਟਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਕੇ ਕੋਨ ਬੀਮ ਕੰਪਿਊਟਿਡ ਟੋਮੋਗ੍ਰਾਫੀ ਤੋਂ ਪਹਿਲੇ ਮੋਲਰ ਦੇ 3D ਪਲਪ ਚੈਂਬਰ ਸੈਗਮੈਂਟੇਸ਼ਨ 'ਤੇ ਅਧਾਰਤ ਉਮਰ ਦਾ ਅਨੁਮਾਨ। ਅੰਤਰਰਾਸ਼ਟਰੀਤਾ। ਜੇ. ਕਾਨੂੰਨੀ ਦਵਾਈ। 135, 365–373 (2021)।
ਵੂ, ਡਬਲਯੂ.ਟੀ., ਆਦਿ। ਕਲੀਨਿਕਲ ਵੱਡੇ ਡੇਟਾ ਵਿੱਚ ਡੇਟਾ ਮਾਈਨਿੰਗ: ਆਮ ਡੇਟਾਬੇਸ, ਕਦਮ, ਅਤੇ ਵਿਧੀਆਂ ਦੇ ਮਾਡਲ। ਵਿਸ਼ਵ। ਦਵਾਈ। ਸਰੋਤ। 8, 44 (2021)।
ਯਾਂਗ, ਜੇ. ਐਟ ਅਲ. ਵੱਡੇ ਡੇਟਾ ਯੁੱਗ ਵਿੱਚ ਮੈਡੀਕਲ ਡੇਟਾਬੇਸ ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਜਾਣ-ਪਛਾਣ। ਜੇ. ਐਵਿਡ। ਮੁੱਢਲੀ ਦਵਾਈ। 13, 57–69 (2020)।
ਸ਼ੇਨ, ਐਸ. ਆਦਿ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕੈਮਰਰ ਦਾ ਤਰੀਕਾ। ਬੀਐਮਸੀ ਓਰਲ ਹੈਲਥ 21, 641 (2021)।
ਗੈਲੀਬਰਗ ਏ. ਐਟ ਅਲ. ਡੈਮਿਰਡਜਿਅਨ ਸਟੇਜਿੰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ। ਅੰਤਰਰਾਸ਼ਟਰੀਤਾ। ਜੇ. ਕਾਨੂੰਨੀ ਦਵਾਈ। 135, 665–675 (2021)।
ਡੈਮਿਰਡਜਿਅਨ, ਏ., ਗੋਲਡਸਟਾਈਨ, ਐੱਚ. ਅਤੇ ਟੈਨਰ, ਜੇ.ਐਮ. ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਨਵੀਂ ਪ੍ਰਣਾਲੀ। ਸਨੌਰਟ। ਜੀਵ ਵਿਗਿਆਨ। 45, 211–227 (1973)।
ਲੈਂਡਿਸ, ਜੇਆਰ, ਅਤੇ ਕੋਚ, ਜੀਜੀ ਸ਼੍ਰੇਣੀਗਤ ਡੇਟਾ 'ਤੇ ਨਿਰੀਖਕ ਸਮਝੌਤੇ ਦੇ ਮਾਪ। ਬਾਇਓਮੈਟ੍ਰਿਕਸ 33, 159–174 (1977)।
ਭੱਟਾਚਾਰਜੀ ਐਸ, ਪ੍ਰਕਾਸ਼ ਡੀ, ਕਿਮ ਸੀ, ਕਿਮ ਐਚਕੇ ਅਤੇ ਚੋਈ ਐਚਕੇ। ਪ੍ਰਾਇਮਰੀ ਬ੍ਰੇਨ ਟਿਊਮਰ ਦੇ ਵਿਭਿੰਨਤਾ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੋ-ਅਯਾਮੀ ਚੁੰਬਕੀ ਗੂੰਜ ਇਮੇਜਿੰਗ ਦਾ ਟੈਕਸਟਚਰਲ, ਰੂਪ ਵਿਗਿਆਨਿਕ ਅਤੇ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ। ਸਿਹਤ ਜਾਣਕਾਰੀ। ਸਰੋਤ। https://doi.org/10.4258/hir.2022.28.1.46 (2022)।