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

Nature.com 'ਤੇ ਜਾਣ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ।ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਬ੍ਰਾਊਜ਼ਰ ਦਾ ਸੰਸਕਰਣ ਸੀਮਤ CSS ਸਮਰਥਨ ਹੈ।ਵਧੀਆ ਨਤੀਜਿਆਂ ਲਈ, ਅਸੀਂ ਤੁਹਾਡੇ ਬ੍ਰਾਊਜ਼ਰ ਦੇ ਨਵੇਂ ਸੰਸਕਰਣ (ਜਾਂ Internet Explorer ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਮੋਡ ਨੂੰ ਬੰਦ ਕਰਨ) ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ।ਇਸ ਦੌਰਾਨ, ਚੱਲ ਰਹੇ ਸਮਰਥਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸਾਈਟ ਨੂੰ ਸਟਾਈਲਿੰਗ ਜਾਂ ਜਾਵਾ ਸਕ੍ਰਿਪਟ ਤੋਂ ਬਿਨਾਂ ਦਿਖਾ ਰਹੇ ਹਾਂ।
ਦੰਦਾਂ ਨੂੰ ਮਨੁੱਖੀ ਸਰੀਰ ਦੀ ਉਮਰ ਦਾ ਸਭ ਤੋਂ ਸਹੀ ਸੂਚਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਅਕਸਰ ਫੋਰੈਂਸਿਕ ਉਮਰ ਦੇ ਮੁਲਾਂਕਣ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।ਅਸੀਂ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ-ਆਧਾਰਿਤ ਉਮਰ ਅਨੁਮਾਨਾਂ ਦੇ ਨਾਲ 18-ਸਾਲ ਦੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ 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 ਡਾਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲਾਂ ਦੇ ਟੈਸਟ ਸੈੱਟਾਂ ਨਾਲ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੀ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੀ ਤੁਲਨਾ ਕੀਤੀ।ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਦੀ ਸ਼ੁੱਧਤਾ ਡੇਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲ ਨਾਲੋਂ ਥੋੜ੍ਹੀ ਜ਼ਿਆਦਾ ਹੈ, ਅਤੇ ਅੰਤਰ ਛੋਟਾ ਹੈ (ਮਤਲਬ ਪੂਰਨ ਗਲਤੀ <0.21 ਸਾਲ, ਰੂਟ ਮਤਲਬ ਵਰਗ ਗਲਤੀ <0.24 ਸਾਲ)।18-ਸਾਲ ਦੇ ਕੱਟ-ਆਫ ਲਈ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਵੀ ਰਵਾਇਤੀ ਢੰਗਾਂ 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 ਢੰਗਾਂ ਨੂੰ ਡੇਟਾ ਮਾਈਨਿੰਗ ਮਾਡਲਾਂ ਦੁਆਰਾ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।
ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਫੋਰੈਂਸਿਕ ਦਵਾਈ ਅਤੇ ਬਾਲ ਦੰਦਾਂ ਦੇ ਦੰਦਾਂ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।ਖਾਸ ਤੌਰ 'ਤੇ, ਕਾਲਕ੍ਰਮਿਕ ਉਮਰ ਅਤੇ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੇ ਵਿਚਕਾਰ ਉੱਚ ਸਬੰਧਾਂ ਦੇ ਕਾਰਨ, ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ ਦੁਆਰਾ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਬੱਚਿਆਂ ਅਤੇ ਕਿਸ਼ੋਰਾਂ 1,2,3 ਦੀ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਮਾਪਦੰਡ ਹੈ।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 ਬਹੁਗਿਣਤੀ ਦੀ ਉਮਰ ਤੱਕ ਪਹੁੰਚ ਗਏ ਹਨ ਜਾਂ ਨਹੀਂ।ਕੋਰੀਆ ਵਿੱਚ ਕਿਸ਼ੋਰਾਂ ਅਤੇ ਨੌਜਵਾਨ ਬਾਲਗਾਂ ਦੇ ਮੈਡੀਕਲ-ਕਾਨੂੰਨੀ ਅਭਿਆਸ ਵਿੱਚ, ਲੀ ਦੀ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਗਿਆ ਸੀ, ਅਤੇ Oh et al 5 ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੇ ਅਧਾਰ ਤੇ 18 ਸਾਲ ਦੀ ਇੱਕ ਕਾਨੂੰਨੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇੱਕ ਕਿਸਮ ਦੀ ਨਕਲੀ ਬੁੱਧੀ (AI) ਹੈ ਜੋ ਵਾਰ-ਵਾਰ ਸਿੱਖਦੀ ਹੈ ਅਤੇ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਦਾ ਵਰਗੀਕਰਨ ਕਰਦੀ ਹੈ, ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਹੱਲ ਕਰਦੀ ਹੈ, ਅਤੇ ਡੇਟਾ ਪ੍ਰੋਗਰਾਮਿੰਗ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ।ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ6 ਵਿੱਚ ਉਪਯੋਗੀ ਲੁਕਵੇਂ ਪੈਟਰਨਾਂ ਨੂੰ ਖੋਜ ਸਕਦੀ ਹੈ।ਇਸਦੇ ਉਲਟ, ਕਲਾਸੀਕਲ ਵਿਧੀਆਂ, ਜੋ ਕਿ ਮਿਹਨਤ ਕਰਨ ਵਾਲੀਆਂ ਅਤੇ ਸਮਾਂ ਬਰਬਾਦ ਕਰਨ ਵਾਲੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਦੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਗੁੰਝਲਦਾਰ ਡੇਟਾ ਨਾਲ ਨਜਿੱਠਣ ਵੇਲੇ ਸੀਮਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੱਥੀਂ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ7।ਇਸ ਲਈ, ਮਨੁੱਖੀ ਗਲਤੀਆਂ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕਰਨ ਅਤੇ ਬਹੁ-ਆਯਾਮੀ ਡੇਟਾ 8,9,10,11,12 ਦੀ ਕੁਸ਼ਲਤਾ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਨਵੀਨਤਮ ਕੰਪਿਊਟਰ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹਾਲ ਹੀ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਅਧਿਐਨ ਕੀਤੇ ਗਏ ਹਨ।ਖਾਸ ਤੌਰ 'ਤੇ, ਮੈਡੀਕਲ ਚਿੱਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ, ਅਤੇ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਰੇਡੀਓਗ੍ਰਾਫਾਂ ਦਾ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਲਈ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ13,14,15,16,17,18,19,20 .ਉਦਾਹਰਨ ਲਈ, Halabi et al 13 ਨੇ ਬੱਚਿਆਂ ਦੇ ਹੱਥਾਂ ਦੇ ਰੇਡੀਓਗ੍ਰਾਫਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਿੰਜਰ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕੰਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (CNN) 'ਤੇ ਆਧਾਰਿਤ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਵਿਕਸਿਤ ਕੀਤਾ।ਇਹ ਅਧਿਐਨ ਇੱਕ ਮਾਡਲ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦਾ ਹੈ ਜੋ ਮੈਡੀਕਲ ਚਿੱਤਰਾਂ 'ਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਇਹ ਵਿਧੀਆਂ ਡਾਇਗਨੌਸਟਿਕ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੀਆਂ ਹਨ।Li et al14 ਨੇ ਇੱਕ ਡੂੰਘੀ ਸਿੱਖਣ ਵਾਲੇ CNN ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੇਲਵਿਕ ਐਕਸ-ਰੇ ਚਿੱਤਰਾਂ ਤੋਂ ਅਨੁਮਾਨਿਤ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਅਤੇ ਓਸੀਫਿਕੇਸ਼ਨ ਪੜਾਅ ਦੇ ਅੰਦਾਜ਼ੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਰਿਗਰੈਸ਼ਨ ਨਤੀਜਿਆਂ ਨਾਲ ਉਹਨਾਂ ਦੀ ਤੁਲਨਾ ਕੀਤੀ।ਉਹਨਾਂ ਨੇ ਪਾਇਆ ਕਿ ਡੂੰਘੀ ਸਿੱਖਣ ਵਾਲੇ CNN ਮਾਡਲ ਨੇ ਰਵਾਇਤੀ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਵਾਂਗ ਹੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਿਖਾਈ ਹੈ।Guo et al. ਦੇ ਅਧਿਐਨ [15] ਨੇ ਦੰਦਾਂ ਦੇ ਆਰਥੋਫੋਟੋਸ ਦੇ ਅਧਾਰ ਤੇ CNN ਤਕਨਾਲੋਜੀ ਦੀ ਉਮਰ ਸਹਿਣਸ਼ੀਲਤਾ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ, ਅਤੇ CNN ਮਾਡਲ ਦੇ ਨਤੀਜਿਆਂ ਨੇ ਸਾਬਤ ਕੀਤਾ ਕਿ ਮਨੁੱਖਾਂ ਨੇ ਆਪਣੀ ਉਮਰ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ ਹੈ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਉਮਰ ਦੇ ਅਨੁਮਾਨ 'ਤੇ ਜ਼ਿਆਦਾਤਰ ਅਧਿਐਨ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ13,14,15,16,17,18,19,20।ਡੂੰਘੀ ਸਿੱਖਿਆ 'ਤੇ ਆਧਾਰਿਤ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਸਹੀ ਦੱਸਿਆ ਜਾਂਦਾ ਹੈ।ਹਾਲਾਂਕਿ, ਇਹ ਪਹੁੰਚ ਉਮਰ ਦੇ ਅਨੁਮਾਨਾਂ ਲਈ ਵਿਗਿਆਨਕ ਆਧਾਰ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਦਾ ਬਹੁਤ ਘੱਟ ਮੌਕਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਅਨੁਮਾਨਾਂ ਵਿੱਚ ਵਰਤੇ ਗਏ ਉਮਰ ਦੇ ਸੰਕੇਤ।ਛਾਣਬੀਣ ਕੌਣ ਕਰਦਾ ਹੈ, ਇਸ ਨੂੰ ਲੈ ਕੇ ਵੀ ਕਾਨੂੰਨੀ ਵਿਵਾਦ ਹੈ।ਇਸ ਲਈ, ਡੂੰਘੀ ਸਿੱਖਿਆ 'ਤੇ ਆਧਾਰਿਤ ਉਮਰ ਦਾ ਅਨੁਮਾਨ ਪ੍ਰਸ਼ਾਸਨਿਕ ਅਤੇ ਨਿਆਂਇਕ ਅਧਿਕਾਰੀਆਂ ਦੁਆਰਾ ਸਵੀਕਾਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ।ਡੇਟਾ ਮਾਈਨਿੰਗ (DM) ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ 6,21,22 ਵਿਚਕਾਰ ਉਪਯੋਗੀ ਸਬੰਧਾਂ ਨੂੰ ਖੋਜਣ ਲਈ ਇੱਕ ਢੰਗ ਵਜੋਂ ਨਾ ਸਿਰਫ਼ ਉਮੀਦ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਸਗੋਂ ਅਣਕਿਆਸੀ ਜਾਣਕਾਰੀ ਵੀ ਲੱਭ ਸਕਦੀ ਹੈ।ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਅਕਸਰ ਡੇਟਾ ਮਾਈਨਿੰਗ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੋਵੇਂ ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨਾਂ ਨੂੰ ਖੋਜਣ ਲਈ ਇੱਕੋ ਜਿਹੇ ਮੁੱਖ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਨਿਸ਼ਾਨਾ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਜਾਂਚਕਰਤਾ ਦੇ ਮੁਲਾਂਕਣ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਅਤੇ ਇਹ ਮੁਲਾਂਕਣ ਹਰੇਕ ਨਿਸ਼ਾਨਾ ਦੰਦ ਲਈ ਇੱਕ ਪੜਾਅ ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ।DM ਦੀ ਵਰਤੋਂ ਦੰਦਾਂ ਦੇ ਮੁਲਾਂਕਣ ਪੜਾਅ ਅਤੇ ਅਸਲ ਉਮਰ ਦੇ 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 ਅਨੁਮਾਨ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਲਾਗੂ ਕਰ ਸਕਦੇ ਹਾਂ।ਦੰਦਾਂ ਦੀ ਉਮਰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਰਵਾਇਤੀ ਦਸਤੀ ਵਿਧੀਆਂ ਅਤੇ EBM- ਅਧਾਰਤ ਤਰੀਕਿਆਂ ਦੇ ਸੰਭਾਵੀ ਵਿਕਲਪਾਂ 'ਤੇ ਕਈ ਤੁਲਨਾਤਮਕ ਅਧਿਐਨ ਪ੍ਰਕਾਸ਼ਤ ਕੀਤੇ ਗਏ ਹਨ।Shen et al23 ਨੇ ਦਿਖਾਇਆ ਕਿ DM ਮਾਡਲ ਰਵਾਇਤੀ ਕੈਮਰਰ ਫਾਰਮੂਲੇ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹੈ।Galibourg et al24 ਨੇ Demirdjian ਮਾਪਦੰਡ 25 ਦੇ ਅਨੁਸਾਰ ਉਮਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ DM ਵਿਧੀਆਂ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਅਤੇ ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ DM ਵਿਧੀ ਨੇ ਫਰਾਂਸੀਸੀ ਆਬਾਦੀ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਵਿੱਚ Demirdjian ਅਤੇ Willems ਵਿਧੀਆਂ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ।
ਕੋਰੀਆਈ ਕਿਸ਼ੋਰਾਂ ਅਤੇ ਨੌਜਵਾਨ ਬਾਲਗਾਂ ਦੀ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਲੀ ਦੀ ਵਿਧੀ 4 ਨੂੰ ਕੋਰੀਆਈ ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।ਇਹ ਵਿਧੀ ਕੋਰੀਆਈ ਵਿਸ਼ਿਆਂ ਅਤੇ ਕਾਲਕ੍ਰਮਿਕ ਉਮਰ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਰਵਾਇਤੀ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ (ਜਿਵੇਂ ਕਿ ਮਲਟੀਪਲ ਰਿਗਰੈਸ਼ਨ) ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ।ਇਸ ਅਧਿਐਨ ਵਿੱਚ, ਪਰੰਪਰਾਗਤ ਅੰਕੜਾ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪ੍ਰਾਪਤ ਕੀਤੇ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੇ ਤਰੀਕਿਆਂ ਨੂੰ "ਰਵਾਇਤੀ ਢੰਗਾਂ" ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।ਲੀ ਦੀ ਵਿਧੀ ਇੱਕ ਰਵਾਇਤੀ ਵਿਧੀ ਹੈ, ਅਤੇ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ Oh et al ਦੁਆਰਾ ਕੀਤੀ ਗਈ ਹੈ।5;ਹਾਲਾਂਕਿ, ਕੋਰੀਆਈ ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਵਿੱਚ DM ਮਾਡਲ ਦੇ ਆਧਾਰ 'ਤੇ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੀ ਲਾਗੂਤਾ ਅਜੇ ਵੀ ਸ਼ੱਕੀ ਹੈ।ਸਾਡਾ ਟੀਚਾ DM ਮਾਡਲ ਦੇ ਆਧਾਰ 'ਤੇ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਦੀ ਸੰਭਾਵੀ ਉਪਯੋਗਤਾ ਨੂੰ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਸੀ।ਇਸ ਅਧਿਐਨ ਦਾ ਉਦੇਸ਼ ਸੀ (1) ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਿੱਚ ਦੋ ਡੀਐਮ ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਅਤੇ (2) 18 ਸਾਲ ਦੀ ਉਮਰ ਵਿੱਚ 7 ​​ਡੀਐਮ ਮਾਡਲਾਂ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਅੰਕੜਾ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਦੂਜੇ ਦੀ ਪਰਿਪੱਕਤਾ ਨਾਲ ਕਰਨਾ। ਅਤੇ ਦੋਵਾਂ ਜਬਾੜਿਆਂ ਵਿੱਚ ਤੀਜਾ ਮੋਲਰ।
ਪੜਾਅ ਅਤੇ ਦੰਦਾਂ ਦੀ ਕਿਸਮ ਦੁਆਰਾ ਕਾਲਕ੍ਰਮਿਕ ਉਮਰ ਦੇ ਸਾਧਨ ਅਤੇ ਮਿਆਰੀ ਵਿਵਹਾਰ ਨੂੰ ਪੂਰਕ ਸਾਰਣੀ S1 (ਸਿਖਲਾਈ ਸੈੱਟ), ਪੂਰਕ ਸਾਰਣੀ S2 (ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ), ਅਤੇ ਪੂਰਕ ਸਾਰਣੀ S3 (ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ) ਵਿੱਚ ਔਨਲਾਈਨ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।ਸਿਖਲਾਈ ਸੈੱਟ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਇੰਟਰਾ- ਅਤੇ ਇੰਟਰਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਲਈ ਕਾਪਾ ਮੁੱਲ ਕ੍ਰਮਵਾਰ 0.951 ਅਤੇ 0.947 ਸਨ।ਕਪਾ ਮੁੱਲਾਂ ਲਈ P ਮੁੱਲ ਅਤੇ 95% ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ ਔਨਲਾਈਨ ਪੂਰਕ ਸਾਰਣੀ S4 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ।ਲੈਂਡਿਸ ਅਤੇ ਕੋਚ 26 ਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਅਨੁਕੂਲ, ਕਪਾ ਮੁੱਲ ਨੂੰ "ਲਗਭਗ ਸੰਪੂਰਨ" ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਸੀ।
ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ (MAE) ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਸਮੇਂ, ਪਰੰਪਰਾਗਤ ਢੰਗ ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰਨ (MLP) ਦੇ ਅਪਵਾਦ ਦੇ ਨਾਲ, ਸਾਰੇ ਲਿੰਗਾਂ ਲਈ ਅਤੇ ਬਾਹਰੀ ਪੁਰਸ਼ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਡੀਐਮ ਮਾਡਲ ਤੋਂ ਥੋੜ੍ਹਾ ਅੱਗੇ ਨਿਕਲਦਾ ਹੈ।ਅੰਦਰੂਨੀ MAE ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਰਵਾਇਤੀ ਮਾਡਲ ਅਤੇ DM ਮਾਡਲ ਵਿਚਕਾਰ ਅੰਤਰ ਪੁਰਸ਼ਾਂ ਲਈ 0.12–0.19 ਸਾਲ ਅਤੇ ਔਰਤਾਂ ਲਈ 0.17–0.21 ਸਾਲ ਸੀ।ਬਾਹਰੀ ਟੈਸਟ ਬੈਟਰੀ ਲਈ, ਅੰਤਰ ਛੋਟੇ ਹਨ (ਪੁਰਸ਼ਾਂ ਲਈ 0.001–0.05 ਸਾਲ ਅਤੇ ਔਰਤਾਂ ਲਈ 0.05–0.09 ਸਾਲ)।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਰੂਟ ਮਤਲਬ ਵਰਗ ਗਲਤੀ (RMSE) ਰਵਾਇਤੀ ਵਿਧੀ ਨਾਲੋਂ ਥੋੜ੍ਹਾ ਘੱਟ ਹੈ, ਛੋਟੇ ਅੰਤਰਾਂ ਦੇ ਨਾਲ (0.17–0.24, 0.2–0.24 ਪੁਰਸ਼ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਲਈ, ਅਤੇ 0.03–0.07, 0.04–0.08 ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ ਲਈ)।).MLP ਸਿੰਗਲ ਲੇਅਰ ਪਰਸੈਪਟਰੋਨ (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 ਤੋਂ ਵੱਧ ਸਕੋਰ ਕਰਦਾ ਹੈ।ਸਾਰੇ MAE ਅਤੇ RMSE ਨੂੰ ਸਾਰਣੀ 1 ਅਤੇ ਚਿੱਤਰ 1 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।
ਪਰੰਪਰਾਗਤ ਅਤੇ ਡਾਟਾ ਮਾਈਨਿੰਗ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੇ MAE ਅਤੇ RMSE।ਮੀਨ ਐਬਸੋਲੂਟ ਐਰਰ MAE, ਰੂਟ ਮਤਲਬ ਵਰਗ ਗਲਤੀ RMSE, ਸਿੰਗਲ ਲੇਅਰ ਪਰਸੇਪਟਰਨ SLP, ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰਨ MLP, ਰਵਾਇਤੀ CM ਵਿਧੀ।
ਪਰੰਪਰਾਗਤ ਅਤੇ DM ਮਾਡਲਾਂ ਦਾ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ (18 ਸਾਲਾਂ ਦੇ ਕਟੌਫ ਦੇ ਨਾਲ) ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ, ਸਕਾਰਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਮੁੱਲ (PPV), ਨਕਾਰਾਤਮਕ ਭਵਿੱਖਬਾਣੀ ਮੁੱਲ (NPV), ਅਤੇ ਰਿਸੀਵਰ ਓਪਰੇਟਿੰਗ ਵਿਸ਼ੇਸ਼ਤਾ ਵਕਰ (AUROC) ਦੇ ਅਧੀਨ ਖੇਤਰ ਦੇ ਰੂਪ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। 27 (ਸਾਰਣੀ 2, ਚਿੱਤਰ 2 ਅਤੇ ਪੂਰਕ ਚਿੱਤਰ 1 ਔਨਲਾਈਨ)।ਅੰਦਰੂਨੀ ਟੈਸਟ ਬੈਟਰੀ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਦੇ ਸੰਦਰਭ ਵਿੱਚ, ਰਵਾਇਤੀ ਢੰਗਾਂ ਨੇ ਪੁਰਸ਼ਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਅਤੇ ਔਰਤਾਂ ਵਿੱਚ ਬੁਰਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ।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 ਪੁਰਸ਼ਾਂ ਵਿੱਚ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਜਦੋਂ ਕਿ ਰਵਾਇਤੀ ਮਾਡਲ ਔਰਤਾਂ ਵਿੱਚ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ।ਮਰਦਾਂ ਅਤੇ ਔਰਤਾਂ ਲਈ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਅੰਤਰ ਕ੍ਰਮਵਾਰ 13.3% (MLP) ਅਤੇ 13.1% (MLP) ਹਨ, ਇਹ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਮਾਡਲਾਂ ਵਿਚਕਾਰ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਅੰਤਰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਤੋਂ ਵੱਧ ਹੈ।DM ਮਾਡਲਾਂ ਵਿੱਚ, ਸਹਾਇਤਾ ਵੈਕਟਰ ਮਸ਼ੀਨ (SVM), ਨਿਰਣਾਇਕ ਰੁੱਖ (DT), ਅਤੇ ਬੇਤਰਤੀਬ ਜੰਗਲ (RF) ਮਾਡਲਾਂ ਨੇ ਪੁਰਸ਼ਾਂ ਵਿੱਚ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਜਦੋਂ ਕਿ LR ਮਾਡਲ ਨੇ ਔਰਤਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ।ਪਰੰਪਰਾਗਤ ਮਾਡਲ ਅਤੇ ਸਾਰੇ SD ਮਾਡਲਾਂ ਦਾ AUROC ਪੁਰਸ਼ਾਂ ਵਿੱਚ 0.925 (ਕੇ-ਨੇੜਲੇ ਗੁਆਂਢੀ (KNN) ਤੋਂ ਵੱਧ ਸੀ, 18-ਸਾਲ ਪੁਰਾਣੇ ਨਮੂਨੇ 28 ਨਾਲ ਵਿਤਕਰਾ ਕਰਨ ਵਿੱਚ ਸ਼ਾਨਦਾਰ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ ਲਈ, ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਦੇ ਮੁਕਾਬਲੇ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ AUROC ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਕਮੀ ਆਈ ਸੀ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਭ ਤੋਂ ਵਧੀਆ ਅਤੇ ਸਭ ਤੋਂ ਮਾੜੇ ਮਾਡਲਾਂ ਦੇ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਵਿਚਕਾਰ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਅੰਤਰ 10% ਤੋਂ 25% ਤੱਕ ਸੀ ਅਤੇ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਅੰਤਰ ਤੋਂ ਵੱਡਾ ਸੀ।
18 ਸਾਲਾਂ ਦੇ ਕੱਟ-ਆਫ ਦੇ ਨਾਲ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਡੇਟਾ ਮਾਈਨਿੰਗ ਵਰਗੀਕਰਣ ਮਾਡਲਾਂ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾ।KNN k ਨਜ਼ਦੀਕੀ ਨੇੜਲਾ, SVM ਸਹਾਇਤਾ ਵੈਕਟਰ ਮਸ਼ੀਨ, LR ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ, DT ਫੈਸਲਾ ਟ੍ਰੀ, RF ਰੈਂਡਮ ਫੋਰੈਸਟ, XGB XGBoost, MLP ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰਨ, ਰਵਾਇਤੀ CM ਵਿਧੀ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਪਹਿਲਾ ਕਦਮ ਸੀ ਸੱਤ ਡੀਐਮ ਮਾਡਲਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਲੋਕਾਂ ਨਾਲ ਕਰਨਾ।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 ਢੰਗ ਥੋੜ੍ਹਾ ਹੋਰ ਸਹੀ ਸੀ, ਪਰ ਇਹ ਸਿੱਟਾ ਕੱਢਣਾ ਮੁਸ਼ਕਲ ਹੈ ਕਿ ਕੀ ਅਜਿਹੇ ਇੱਕ ਛੋਟੇ ਫਰਕ ਦਾ ਕਲੀਨਿਕਲ ਜਾਂ ਵਿਹਾਰਕ ਮਹੱਤਵ ਹੈ।ਇਹ ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ DM ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਲਗਭਗ ਰਵਾਇਤੀ ਵਿਧੀ ਦੇ ਬਰਾਬਰ ਹੈ।ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਸਿੱਧੀ ਤੁਲਨਾ ਕਰਨਾ ਔਖਾ ਹੈ ਕਿਉਂਕਿ ਕਿਸੇ ਵੀ ਅਧਿਐਨ ਨੇ DM ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਅੰਕੜਾ ਵਿਧੀਆਂ ਨਾਲ ਨਹੀਂ ਕੀਤੀ ਹੈ ਜੋ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਉਸੇ ਉਮਰ ਸੀਮਾ ਵਿੱਚ ਦੰਦਾਂ ਨੂੰ ਰਿਕਾਰਡ ਕਰਨ ਦੀ ਉਸੇ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ।Galibourg et al24 ਨੇ MAE ਅਤੇ RMSE ਦੀ ਤੁਲਨਾ 2 ਤੋਂ 24 ਸਾਲ ਦੀ ਉਮਰ ਦੀ ਇੱਕ ਫ੍ਰੈਂਚ ਆਬਾਦੀ ਵਿੱਚ ਦੋ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ (Demirjian method25 ਅਤੇ Willems method29) ਅਤੇ 10 DM ਮਾਡਲਾਂ ਵਿਚਕਾਰ ਕੀਤੀ।ਉਹਨਾਂ ਨੇ ਦੱਸਿਆ ਕਿ ਸਾਰੇ DM ਮਾਡਲ ਪਰੰਪਰਾਗਤ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਟੀਕ ਸਨ, MAE ਵਿੱਚ 0.20 ਅਤੇ 0.38 ਸਾਲ ਅਤੇ ਵਿਲੇਮਸ ਅਤੇ ਡੈਮਿਰਡਜਿਅਨ ਤਰੀਕਿਆਂ ਦੇ ਮੁਕਾਬਲੇ ਕ੍ਰਮਵਾਰ RMSE ਵਿੱਚ 0.25 ਅਤੇ 0.47 ਸਾਲ ਦੇ ਅੰਤਰ ਦੇ ਨਾਲ।ਹੈਲੀਬਰਗ ਅਧਿਐਨ ਵਿੱਚ ਦਿਖਾਏ ਗਏ SD ਮਾਡਲ ਅਤੇ ਪਰੰਪਰਾਗਤ ਤਰੀਕਿਆਂ ਵਿਚਕਾਰ ਅੰਤਰ ਕਈ ਰਿਪੋਰਟਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹਨ 30,31,32,33 ਕਿ ਡੈਮਿਰਡਜਿਅਨ ਵਿਧੀ ਫ੍ਰੈਂਚ ਕੈਨੇਡੀਅਨਾਂ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਆਬਾਦੀਆਂ ਵਿੱਚ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਗਾਉਂਦੀ ਹੈ ਜਿਸ 'ਤੇ ਅਧਿਐਨ ਅਧਾਰਤ ਸੀ।ਇਸ ਅਧਿਐਨ ਵਿੱਚ.ਤਾਈ ਐਟ ਅਲ 34 ਨੇ 1636 ਚੀਨੀ ਆਰਥੋਡੋਂਟਿਕ ਫੋਟੋਆਂ ਤੋਂ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਐਮਐਲਪੀ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਤੁਲਨਾ ਡੈਮਰਜੀਅਨ ਅਤੇ ਵਿਲੇਮਸ ਵਿਧੀ ਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਕੀਤੀ।ਉਹਨਾਂ ਨੇ ਦੱਸਿਆ ਕਿ MLP ਦੀ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਵੱਧ ਸ਼ੁੱਧਤਾ ਹੈ।Demirdjian ਵਿਧੀ ਅਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਵਿੱਚ ਅੰਤਰ <0.32 ਸਾਲ ਹੈ, ਅਤੇ ਵਿਲੇਮਸ ਵਿਧੀ 0.28 ਸਾਲ ਹੈ, ਜੋ ਮੌਜੂਦਾ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਸਮਾਨ ਹੈ।ਇਹਨਾਂ ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੇ ਨਤੀਜੇ 24,34 ਮੌਜੂਦਾ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਵੀ ਮੇਲ ਖਾਂਦੇ ਹਨ, ਅਤੇ DM ਮਾਡਲ ਅਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਦੀ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਸਮਾਨ ਹਨ।ਹਾਲਾਂਕਿ, ਪੇਸ਼ ਕੀਤੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਅਸੀਂ ਸਿਰਫ ਸਾਵਧਾਨੀ ਨਾਲ ਇਹ ਸਿੱਟਾ ਕੱਢ ਸਕਦੇ ਹਾਂ ਕਿ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ DM ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਤੁਲਨਾਤਮਕ ਅਤੇ ਹਵਾਲਾ ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੀ ਘਾਟ ਕਾਰਨ 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 ਹੁੰਦੀ 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।Stepanovsky et al 35 ਨੇ 22 SD ਮਾਡਲਾਂ ਨੂੰ 2.7 ਤੋਂ 20.5 ਸਾਲ ਦੀ ਉਮਰ ਦੇ 976 ਚੈੱਕ ਨਿਵਾਸੀਆਂ ਦੇ ਪੈਨੋਰਾਮਿਕ ਰੇਡੀਓਗ੍ਰਾਫਾਂ ਲਈ ਲਾਗੂ ਕੀਤਾ ਅਤੇ ਹਰੇਕ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ।ਉਹਨਾਂ ਨੇ ਮੂਰੀਸ ਐਟ ਅਲ 36 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਵਰਗੀਕਰਨ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੁੱਲ 16 ਉਪਰਲੇ ਅਤੇ ਹੇਠਲੇ ਖੱਬੇ ਸਥਾਈ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।MAE ਦੀ ਰੇਂਜ 0.64 ਤੋਂ 0.94 ਸਾਲ ਅਤੇ RMSE ਦੀ ਰੇਂਜ 0.85 ਤੋਂ 1.27 ਸਾਲਾਂ ਤੱਕ ਹੈ, ਜੋ ਕਿ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਦੋ DM ਮਾਡਲਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹਨ।ਸ਼ੇਨ ਐਟ ਅਲ 23 ਨੇ 5 ਤੋਂ 13 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਪੂਰਬੀ ਚੀਨੀ ਨਿਵਾਸੀਆਂ ਵਿੱਚ ਖੱਬੀ ਮੇਂਡੀਬਲ ਵਿੱਚ ਸੱਤ ਸਥਾਈ ਦੰਦਾਂ ਦੀ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕੈਮਰੀਅਰ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਅਤੇ ਰੇਖਿਕ ਰੀਗਰੈਸ਼ਨ, ਐਸਵੀਐਮ ਅਤੇ ਆਰਐਫ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਨੁਮਾਨਿਤ ਉਮਰ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ।ਉਹਨਾਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਸਾਰੇ ਤਿੰਨ ਡੀਐਮ ਮਾਡਲਾਂ ਵਿੱਚ ਰਵਾਇਤੀ ਕੈਮਰੀਅਰ ਫਾਰਮੂਲੇ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਉੱਚ ਸ਼ੁੱਧਤਾ ਹੈ।ਸ਼ੇਨ ਦੇ ਅਧਿਐਨ ਵਿੱਚ MAE ਅਤੇ RMSE ਇਸ ਅਧਿਐਨ ਵਿੱਚ DM ਮਾਡਲ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟ ਸਨ।ਸਟੈਪਨੋਵਸਕੀ ਐਟ ਅਲ ਦੁਆਰਾ ਅਧਿਐਨਾਂ ਦੀ ਵਧੀ ਹੋਈ ਸ਼ੁੱਧਤਾ.35 ਅਤੇ ਸ਼ੇਨ ਐਟ ਅਲ.23 ਉਹਨਾਂ ਦੇ ਅਧਿਐਨ ਦੇ ਨਮੂਨਿਆਂ ਵਿੱਚ ਛੋਟੇ ਵਿਸ਼ਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ।ਕਿਉਂਕਿ ਦੰਦਾਂ ਦੇ ਵਿਕਾਸ ਦੌਰਾਨ ਦੰਦਾਂ ਦੀ ਗਿਣਤੀ ਵਧਣ ਦੇ ਨਾਲ ਵਿਕਾਸਸ਼ੀਲ ਦੰਦਾਂ ਵਾਲੇ ਭਾਗੀਦਾਰਾਂ ਲਈ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਵਧੇਰੇ ਸਹੀ ਹੋ ਜਾਂਦੇ ਹਨ, ਨਤੀਜੇ ਵਜੋਂ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੀ ਵਿਧੀ ਦੀ ਸ਼ੁੱਧਤਾ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਦੋਂ ਅਧਿਐਨ ਭਾਗੀਦਾਰਾਂ ਦੀ ਉਮਰ ਘੱਟ ਹੁੰਦੀ ਹੈ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਵਿੱਚ MLP ਦੀ ਗਲਤੀ SLP ਦੇ ਮੁਕਾਬਲੇ ਥੋੜ੍ਹੀ ਛੋਟੀ ਹੈ, ਮਤਲਬ ਕਿ MLP SLP ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਹੈ।MLP ਨੂੰ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਲਈ ਥੋੜ੍ਹਾ ਬਿਹਤਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਸੰਭਵ ਤੌਰ 'ਤੇ MLP38 ਵਿੱਚ ਲੁਕੀਆਂ ਪਰਤਾਂ ਦੇ ਕਾਰਨ।ਹਾਲਾਂਕਿ, ਔਰਤਾਂ ਦੇ ਬਾਹਰੀ ਨਮੂਨੇ (SLP 1.45, MLP 1.49) ਲਈ ਇੱਕ ਅਪਵਾਦ ਹੈ।ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕਿ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ MLP SLP ਨਾਲੋਂ ਵਧੇਰੇ ਸਟੀਕ ਹੈ, ਵਾਧੂ ਪਿਛੋਕੜ ਵਾਲੇ ਅਧਿਐਨਾਂ ਦੀ ਲੋੜ ਹੈ।
DM ਮਾਡਲ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ 18-ਸਾਲ ਦੇ ਥ੍ਰੈਸ਼ਹੋਲਡ 'ਤੇ ਰਵਾਇਤੀ ਵਿਧੀ ਦੀ ਵੀ ਤੁਲਨਾ ਕੀਤੀ ਗਈ ਸੀ।ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਸਾਰੇ ਟੈਸਟ ਕੀਤੇ ਗਏ SD ਮਾਡਲਾਂ ਅਤੇ ਪਰੰਪਰਾਗਤ ਢੰਗਾਂ ਨੇ 18-ਸਾਲ ਪੁਰਾਣੇ ਨਮੂਨੇ ਲਈ ਵਿਤਕਰੇ ਦੇ ਅਮਲੀ ਤੌਰ 'ਤੇ ਸਵੀਕਾਰਯੋਗ ਪੱਧਰ ਦਿਖਾਏ।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।ਸਾਡੀ ਸਭ ਤੋਂ ਵਧੀਆ ਜਾਣਕਾਰੀ ਲਈ, ਕਿਸੇ ਵੀ ਅਧਿਐਨ ਨੇ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਆਧਾਰ 'ਤੇ 18-ਸਾਲ ਵਰਗੀਕਰਣ ਲਈ DM ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਹੈ।ਅਸੀਂ ਪੈਨੋਰਾਮਿਕ ਰੇਡੀਓਗ੍ਰਾਫਾਂ 'ਤੇ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲਾਂ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਨਾਲ ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰ ਸਕਦੇ ਹਾਂ।Guo et al.15 ਨੇ ਇੱਕ CNN-ਅਧਾਰਿਤ ਡੂੰਘੇ ਸਿਖਲਾਈ ਮਾਡਲ ਦੇ ਵਰਗੀਕਰਨ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਗਣਨਾ ਕੀਤੀ ਅਤੇ ਇੱਕ ਨਿਸ਼ਚਿਤ ਉਮਰ ਸੀਮਾ ਲਈ ਡੈਮਿਰਜਿਅਨ ਦੀ ਵਿਧੀ 'ਤੇ ਆਧਾਰਿਤ ਇੱਕ ਮੈਨੂਅਲ ਵਿਧੀ।ਮੈਨੂਅਲ 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 ਗਈ ਸੀ।ਉਹਨਾਂ ਨੇ ਸਿੱਟਾ ਕੱਢਿਆ ਕਿ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਉਮਰ ਦੇ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਵਿੱਚ ਦਸਤੀ ਮੁਲਾਂਕਣ ਨੂੰ ਬਦਲ ਸਕਦੇ ਹਨ ਜਾਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ।ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਨੇ ਸਮਾਨ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਇਆ;ਇਹ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿ DM ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਰਗੀਕਰਨ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਲਈ ਰਵਾਇਤੀ ਅੰਕੜਾ ਵਿਧੀਆਂ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ।ਮਾਡਲਾਂ ਵਿੱਚੋਂ, DM LR ਪੁਰਸ਼ ਨਮੂਨੇ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਅਤੇ ਮਾਦਾ 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 ਇਹ ਘੱਟ ਗੁੰਝਲਦਾਰ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਹੈ।ਇਹਨਾਂ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, LR ਨੂੰ ਕੋਰੀਆਈ ਆਬਾਦੀ ਵਿੱਚ 18 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਬੱਚਿਆਂ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਕੱਟਆਫ ਵਰਗੀਕਰਣ ਮਾਡਲ ਮੰਨਿਆ ਗਿਆ ਸੀ।
ਕੁੱਲ ਮਿਲਾ ਕੇ, ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਜਾਂ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਸ਼ੁੱਧਤਾ ਅੰਦਰੂਨੀ ਟੈਸਟ ਸੈੱਟ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਮਾੜੀ ਜਾਂ ਘੱਟ ਸੀ।ਕੁਝ ਰਿਪੋਰਟਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਵਰਗੀਕਰਨ ਦੀ ਸ਼ੁੱਧਤਾ ਜਾਂ ਕੁਸ਼ਲਤਾ ਉਦੋਂ ਘਟਦੀ ਹੈ ਜਦੋਂ ਕੋਰੀਆਈ ਆਬਾਦੀ ਦੇ ਆਧਾਰ 'ਤੇ ਉਮਰ ਦੇ ਅਨੁਮਾਨਾਂ ਨੂੰ ਜਾਪਾਨੀ ਆਬਾਦੀ 5,39 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਇੱਕ ਸਮਾਨ ਪੈਟਰਨ ਪਾਇਆ ਗਿਆ ਸੀ।ਇਹ ਗਿਰਾਵਟ ਦਾ ਰੁਝਾਨ ਡੀਐਮ ਮਾਡਲ ਵਿੱਚ ਵੀ ਦੇਖਿਆ ਗਿਆ ਸੀ।ਇਸਲਈ, ਉਮਰ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ DM ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ ਵੀ, ਮੂਲ ਆਬਾਦੀ ਦੇ ਡੇਟਾ ਤੋਂ ਲਏ ਗਏ ਤਰੀਕਿਆਂ, ਜਿਵੇਂ ਕਿ ਰਵਾਇਤੀ ਵਿਧੀਆਂ, ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ 5,39,40,41,42।ਕਿਉਂਕਿ ਇਹ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਕੀ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਸਮਾਨ ਰੁਝਾਨ ਦਿਖਾ ਸਕਦੇ ਹਨ, ਇਸ ਲਈ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ, DM ਮਾਡਲਾਂ, ਅਤੇ ਉਸੇ ਨਮੂਨਿਆਂ 'ਤੇ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਵਾਲੇ ਅਧਿਐਨਾਂ ਦੀ ਇਹ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਲੋੜ ਹੈ ਕਿ ਕੀ ਨਕਲੀ ਬੁੱਧੀ ਸੀਮਤ ਉਮਰ ਵਿੱਚ ਇਹਨਾਂ ਨਸਲੀ ਅਸਮਾਨਤਾਵਾਂ ਨੂੰ ਦੂਰ ਕਰ ਸਕਦੀ ਹੈ।ਮੁਲਾਂਕਣ
ਅਸੀਂ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਾਂ ਕਿ ਕੋਰੀਆ ਵਿੱਚ ਫੋਰੈਂਸਿਕ ਉਮਰ ਅਨੁਮਾਨ ਅਭਿਆਸ ਵਿੱਚ DM ਮਾਡਲ ਦੇ ਅਧਾਰ ਤੇ ਉਮਰ ਦੇ ਅੰਦਾਜ਼ੇ ਦੁਆਰਾ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਨੂੰ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।ਅਸੀਂ ਫੋਰੈਂਸਿਕ ਉਮਰ ਦੇ ਮੁਲਾਂਕਣ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਵੀ ਖੋਜੀ ਹੈ।ਹਾਲਾਂਕਿ, ਸਪੱਸ਼ਟ ਸੀਮਾਵਾਂ ਹਨ, ਜਿਵੇਂ ਕਿ ਨਤੀਜਿਆਂ ਨੂੰ ਨਿਸ਼ਚਿਤ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਭਾਗ ਲੈਣ ਵਾਲਿਆਂ ਦੀ ਨਾਕਾਫ਼ੀ ਸੰਖਿਆ, ਅਤੇ ਇਸ ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਨ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਪਿਛਲੇ ਅਧਿਐਨਾਂ ਦੀ ਘਾਟ।ਭਵਿੱਖ ਵਿੱਚ, ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਇਸਦੀ ਵਿਵਹਾਰਕ ਉਪਯੋਗਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ DM ਅਧਿਐਨਾਂ ਨੂੰ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਨਮੂਨਿਆਂ ਅਤੇ ਵਧੇਰੇ ਵਿਭਿੰਨ ਆਬਾਦੀ ਦੇ ਨਾਲ ਆਯੋਜਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।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 ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲਾਂ ਦੀ ਵਰਗੀਕਰਨ ਸ਼ੁੱਧਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨ ਲਈ ਭਵਿੱਖ ਦੇ ਅਧਿਐਨਾਂ ਦੀ ਲੋੜ ਹੈ।
ਅਧਿਐਨ ਵਿੱਚ 15 ਤੋਂ 23 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਕੋਰੀਆਈ ਅਤੇ ਜਾਪਾਨੀ ਬਾਲਗਾਂ ਤੋਂ ਇਕੱਤਰ ਕੀਤੀਆਂ 2,657 ਆਰਥੋਗ੍ਰਾਫਿਕ ਤਸਵੀਰਾਂ 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 (ਸੀਓਲ ਸੇਂਟ ਮੈਰੀ ਹਸਪਤਾਲ) ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਆਪਣਾ ਟੈਸਟ ਸੈੱਟ ਦੋ ਸੰਸਥਾਵਾਂ (ਸਿਓਲ ਨੈਸ਼ਨਲ ਯੂਨੀਵਰਸਿਟੀ ਡੈਂਟਲ ਹਸਪਤਾਲ ਅਤੇ ਯੋਨਸੀ ਯੂਨੀਵਰਸਿਟੀ ਡੈਂਟਲ ਹਸਪਤਾਲ) ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ।ਅਸੀਂ ਬਾਹਰੀ ਜਾਂਚ ਲਈ ਇੱਕ ਹੋਰ ਆਬਾਦੀ-ਅਧਾਰਿਤ ਡੇਟਾ (ਇਵੇਟ ਮੈਡੀਕਲ ਯੂਨੀਵਰਸਿਟੀ, ਜਾਪਾਨ) ਤੋਂ 857 ਰੇਡੀਓਗ੍ਰਾਫ ਵੀ ਇਕੱਠੇ ਕੀਤੇ।ਜਾਪਾਨੀ ਵਿਸ਼ਿਆਂ (19.31 ± 2.60 ਸਾਲ) ਦੇ ਰੇਡੀਓਗ੍ਰਾਫਾਂ 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 ਪੂਰਵ-ਅਨੁਮਾਨ ਨਾਲ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ।ਇਕੱਤਰ ਕੀਤਾ ਗਿਆ ਸਾਰਾ ਡਾਟਾ ਲਿੰਗ, ਜਨਮ ਮਿਤੀ ਅਤੇ ਰੇਡੀਓਗ੍ਰਾਫ ਦੀ ਮਿਤੀ ਨੂੰ ਛੱਡ ਕੇ ਅਗਿਆਤ ਸੀ।ਸ਼ਾਮਲ ਕਰਨ ਅਤੇ ਬੇਦਖਲੀ ਦੇ ਮਾਪਦੰਡ ਪਹਿਲਾਂ ਪ੍ਰਕਾਸ਼ਿਤ ਅਧਿਐਨ 4, 5 ਦੇ ਸਮਾਨ ਸਨ।ਨਮੂਨੇ ਦੀ ਅਸਲ ਉਮਰ ਦੀ ਗਣਨਾ ਰੇਡੀਓਗ੍ਰਾਫ ਦੀ ਮਿਤੀ ਤੋਂ ਜਨਮ ਮਿਤੀ ਨੂੰ ਘਟਾ ਕੇ ਕੀਤੀ ਗਈ ਸੀ।ਨਮੂਨਾ ਸਮੂਹ ਨੂੰ ਨੌਂ ਉਮਰ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਸੀ।ਉਮਰ ਅਤੇ ਲਿੰਗ ਵੰਡਾਂ ਨੂੰ ਸਾਰਣੀ 3 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ ਇਹ ਅਧਿਐਨ ਹੇਲਸਿੰਕੀ ਦੀ ਘੋਸ਼ਣਾ ਦੇ ਅਨੁਸਾਰ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਕੋਰੀਆ ਦੀ ਕੈਥੋਲਿਕ ਯੂਨੀਵਰਸਿਟੀ (KC22WISI0328) ਦੇ ਸਿਓਲ ਸੇਂਟ ਮੈਰੀ ਹਸਪਤਾਲ ਦੇ ਸੰਸਥਾਗਤ ਸਮੀਖਿਆ ਬੋਰਡ (IRB) ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤਾ ਗਿਆ ਸੀ।ਇਸ ਅਧਿਐਨ ਦੇ ਪਿਛੋਕੜ ਵਾਲੇ ਡਿਜ਼ਾਈਨ ਦੇ ਕਾਰਨ, ਇਲਾਜ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਰੇਡੀਓਗ੍ਰਾਫਿਕ ਜਾਂਚ ਕਰ ਰਹੇ ਸਾਰੇ ਮਰੀਜ਼ਾਂ ਤੋਂ ਸੂਚਿਤ ਸਹਿਮਤੀ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।ਸਿਓਲ ਕੋਰੀਆ ਯੂਨੀਵਰਸਿਟੀ ਸੇਂਟ ਮੈਰੀ ਹਸਪਤਾਲ (IRB) ਨੇ ਸੂਚਿਤ ਸਹਿਮਤੀ ਦੀ ਲੋੜ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਹੈ।
ਬਾਇਮੈਕਸਿਲਰੀ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੇ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਡੈਮਰਕਨ ਮਾਪਦੰਡ 25 ਦੇ ਅਨੁਸਾਰ ਕੀਤਾ ਗਿਆ ਸੀ।ਸਿਰਫ ਇੱਕ ਦੰਦ ਚੁਣਿਆ ਗਿਆ ਸੀ ਜੇਕਰ ਹਰੇਕ ਜਬਾੜੇ ਦੇ ਖੱਬੇ ਅਤੇ ਸੱਜੇ ਪਾਸੇ ਇੱਕੋ ਕਿਸਮ ਦੇ ਦੰਦ ਮਿਲੇ।ਜੇਕਰ ਦੋਵੇਂ ਪਾਸੇ ਦੇ ਸਮਰੂਪ ਦੰਦ ਵੱਖ-ਵੱਖ ਵਿਕਾਸ ਦੇ ਪੜਾਵਾਂ 'ਤੇ ਸਨ, ਤਾਂ ਹੇਠਲੇ ਵਿਕਾਸ ਦੇ ਪੜਾਅ ਵਾਲੇ ਦੰਦਾਂ ਨੂੰ ਅਨੁਮਾਨਿਤ ਉਮਰ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਲਈ ਚੁਣਿਆ ਗਿਆ ਸੀ।ਦੋ ਤਜਰਬੇਕਾਰ ਨਿਰੀਖਕਾਂ ਦੁਆਰਾ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਪੜਾਅ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਪ੍ਰੀਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੋਂ ਬਾਅਦ ਅੰਤਰ-ਆਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਸੈੱਟ ਤੋਂ ਇੱਕ ਸੌ ਬੇਤਰਤੀਬੇ ਚੁਣੇ ਗਏ ਰੇਡੀਓਗ੍ਰਾਫਸ ਬਣਾਏ ਗਏ ਸਨ।ਅੰਤਰ-ਆਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਦਾ ਮੁਲਾਂਕਣ ਪ੍ਰਾਇਮਰੀ ਨਿਰੀਖਕ ਦੁਆਰਾ ਤਿੰਨ ਮਹੀਨਿਆਂ ਦੇ ਅੰਤਰਾਲਾਂ 'ਤੇ ਦੋ ਵਾਰ ਕੀਤਾ ਗਿਆ ਸੀ।
ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਹਰੇਕ ਜਬਾੜੇ ਦੇ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੇ ਲਿੰਗ ਅਤੇ ਵਿਕਾਸ ਦੇ ਪੜਾਅ ਦਾ ਅੰਦਾਜ਼ਾ ਇੱਕ ਪ੍ਰਾਇਮਰੀ ਨਿਰੀਖਕ ਦੁਆਰਾ ਵੱਖ-ਵੱਖ DM ਮਾਡਲਾਂ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਅਸਲ ਉਮਰ ਨੂੰ ਟੀਚਾ ਮੁੱਲ ਦੇ ਰੂਪ ਵਿੱਚ 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 ਲੁਕਵੇਂ ਪਰਤਾਂ ਨਹੀਂ 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 ਨਾਨਲਾਈਨਰ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਕਈ ਛੁਪੀਆਂ ਪਰਤਾਂ ਹੁੰਦੀਆਂ ਹਨ।ਸਾਡੇ ਪ੍ਰਯੋਗਾਂ ਨੇ ਨਾਨਲਾਈਨਰ ਐਕਟੀਵੇਸ਼ਨ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਸਿਰਫ 20 ਲੁਕਵੇਂ ਨੋਡਾਂ ਦੇ ਨਾਲ ਇੱਕ ਲੁਕਵੀਂ ਪਰਤ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।ਸਾਡੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਔਪਟੀਮਾਈਜੇਸ਼ਨ ਵਿਧੀ ਦੇ ਤੌਰ 'ਤੇ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਅਤੇ MAE ਅਤੇ RMSE ਨੂੰ ਨੁਕਸਾਨ ਫੰਕਸ਼ਨ ਵਜੋਂ ਵਰਤੋ।ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਾਪਤ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਗਿਆ ਸੀ।
ਇੱਕ ਵਰਗੀਕਰਣ ਐਲਗੋਰਿਦਮ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਸੀ ਜੋ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਚਾਰ ਦੰਦਾਂ ਦੀ ਪਰਿਪੱਕਤਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਕਿ ਕੀ ਇੱਕ ਨਮੂਨਾ 18 ਸਾਲ ਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।ਮਾਡਲ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸੱਤ ਪ੍ਰਤਿਨਿਧਤਾ 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 ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਵਰਗੀਕਰਨ ਐਲਗੋਰਿਦਮ 44 ਵਿੱਚੋਂ ਇੱਕ ਹੈ।ਇਹ ਇੱਕ ਨਿਰੀਖਣ ਕੀਤਾ ਗਿਆ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ 0 ਤੋਂ 1 ਤੱਕ ਕਿਸੇ ਖਾਸ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ ਡੇਟਾ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸ ਸੰਭਾਵਨਾ ਦੇ ਅਧਾਰ 'ਤੇ ਵਧੇਰੇ ਸੰਭਾਵਿਤ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ ਡੇਟਾ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ;ਮੁੱਖ ਤੌਰ 'ਤੇ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।KNN ਸਭ ਤੋਂ ਸਰਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ 45 ਵਿੱਚੋਂ ਇੱਕ ਹੈ।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 ਨਾਲ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ।ਅਸੀਂ ਵਿਚਾਰੇ ਗਏ ਗੁਆਂਢੀਆਂ ਦੀ ਗਿਣਤੀ (k) ਲਈ 3 ਸੈਟ ਕਰਦੇ ਹਾਂ।SVM ਇੱਕ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਫੀਲਡ 46 ਨਾਮਕ ਇੱਕ ਗੈਰ-ਲੀਨੀਅਰ ਸਪੇਸ ਵਿੱਚ ਲੀਨੀਅਰ ਸਪੇਸ ਦਾ ਵਿਸਤਾਰ ਕਰਨ ਲਈ ਇੱਕ ਕਰਨਲ ਫੰਕਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੋ ਕਲਾਸਾਂ ਵਿਚਕਾਰ ਦੂਰੀ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਦਾ ਹੈ।ਇਸ ਮਾਡਲ ਲਈ, ਅਸੀਂ ਪੌਲੀਨੋਮੀਅਲ ਕਰਨਲ ਲਈ ਬਾਈਸ = 1, ਪਾਵਰ = 1, ਅਤੇ ਗਾਮਾ = 1 ਨੂੰ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਵਜੋਂ ਵਰਤਦੇ ਹਾਂ।DT ਨੂੰ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਇੱਕ ਐਲਗੋਰਿਦਮ ਦੇ ਤੌਰ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ ਤਾਂ ਜੋ ਇੱਕ ਪੂਰੇ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਕਈ ਉਪ-ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕੇ।ਮਾਡਲ ਨੂੰ ਪ੍ਰਤੀ ਨੋਡ 2 ਦੇ ਰਿਕਾਰਡਾਂ ਦੀ ਘੱਟੋ-ਘੱਟ ਸੰਖਿਆ ਨਾਲ ਕੌਂਫਿਗਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਗੁਣਵੱਤਾ ਦੇ ਮਾਪ ਵਜੋਂ ਗਿਨੀ ਇੰਡੈਕਸ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।RF ਇੱਕ ਸੰਗ੍ਰਹਿ ਵਿਧੀ ਹੈ ਜੋ ਇੱਕ ਬੂਟਸਟਰੈਪ ਐਗਰੀਗੇਸ਼ਨ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਮਲਟੀਪਲ DTs ਨੂੰ ਜੋੜਦੀ ਹੈ ਜੋ ਮੂਲ ਡੇਟਾਸੈਟ48 ਤੋਂ ਕਈ ਵਾਰ ਇੱਕੋ ਆਕਾਰ ਦੇ ਨਮੂਨੇ ਬੇਤਰਤੀਬੇ ਰੂਪ ਵਿੱਚ ਖਿੱਚ ਕੇ ਹਰੇਕ ਨਮੂਨੇ ਲਈ ਇੱਕ ਕਮਜ਼ੋਰ ਵਰਗੀਕਰਣ ਤਿਆਰ ਕਰਦੀ ਹੈ।ਅਸੀਂ 100 ਰੁੱਖਾਂ, 10 ਰੁੱਖਾਂ ਦੀ ਡੂੰਘਾਈ, 1 ਨਿਊਨਤਮ ਨੋਡ ਦਾ ਆਕਾਰ, ਅਤੇ ਗਿਨੀ ਮਿਸ਼ਰਣ ਸੂਚਕਾਂਕ ਨੂੰ ਨੋਡ ਵੱਖ ਕਰਨ ਦੇ ਮਾਪਦੰਡ ਵਜੋਂ ਵਰਤਿਆ ਹੈ।ਨਵੇਂ ਡੇਟਾ ਦਾ ਵਰਗੀਕਰਨ ਬਹੁਮਤ ਵੋਟ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।XGBoost ਇੱਕ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਇੱਕ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ 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 ਇਸਦੇ ਚੰਗੇ ਪ੍ਰਦਰਸ਼ਨ ਅਤੇ ਸਰੋਤ ਕੁਸ਼ਲਤਾ ਦੇ ਨਾਲ-ਨਾਲ ਇੱਕ ਓਵਰਫਿਟਿੰਗ ਸੁਧਾਰ ਫੰਕਸ਼ਨ ਦੇ ਰੂਪ ਵਿੱਚ ਉੱਚ ਭਰੋਸੇਯੋਗਤਾ ਦੇ ਕਾਰਨ ਇੱਕ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਐਲਗੋਰਿਦਮ ਹੈ।ਮਾਡਲ 400 ਸਪੋਰਟ ਵ੍ਹੀਲਸ ਨਾਲ ਲੈਸ ਹੈ।MLP ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ ਜਿਸ ਵਿੱਚ ਇਨਪੁਟ ਅਤੇ ਆਉਟਪੁੱਟ ਲੇਅਰਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਛੁਪੀਆਂ ਪਰਤਾਂ ਦੇ ਨਾਲ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਪਰਸੈਪਟਰੋਨ ਕਈ ਪਰਤਾਂ ਬਣਾਉਂਦੇ ਹਨ।ਇਸਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਤੁਸੀਂ ਗੈਰ-ਲੀਨੀਅਰ ਵਰਗੀਕਰਨ ਕਰ ਸਕਦੇ ਹੋ ਜਿੱਥੇ ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ ਇਨਪੁਟ ਲੇਅਰ ਜੋੜਦੇ ਹੋ ਅਤੇ ਇੱਕ ਨਤੀਜਾ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਅਨੁਮਾਨਿਤ ਨਤੀਜੇ ਮੁੱਲ ਦੀ ਤੁਲਨਾ ਅਸਲ ਨਤੀਜੇ ਮੁੱਲ ਨਾਲ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਗਲਤੀ ਨੂੰ ਵਾਪਸ ਪ੍ਰਸਾਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।ਅਸੀਂ ਹਰੇਕ ਲੇਅਰ ਵਿੱਚ 20 ਲੁਕੇ ਹੋਏ ਨਿਊਰੋਨਸ ਨਾਲ ਇੱਕ ਲੁਕਵੀਂ ਪਰਤ ਬਣਾਈ ਹੈ।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 ਨਮੂਨਿਆਂ ਦਾ ਅਨੁਪਾਤ ਹੈ ਅਤੇ ਜਿਨ੍ਹਾਂ ਦੀ ਉਮਰ 18 ਸਾਲ ਤੋਂ ਘੱਟ ਹੈ।
ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਮੁਲਾਂਕਣ ਕੀਤੇ ਦੰਦਾਂ ਦੇ ਪੜਾਵਾਂ ਨੂੰ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸੰਖਿਆਤਮਕ ਪੜਾਵਾਂ ਵਿੱਚ ਬਦਲਿਆ ਗਿਆ ਸੀ।ਮਲਟੀਵੈਰੀਏਟ ਲੀਨੀਅਰ ਅਤੇ ਲੌਜਿਸਟਿਕ ਰਿਗਰੈਸ਼ਨ ਹਰੇਕ ਲਿੰਗ ਲਈ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਰਿਗਰੈਸ਼ਨ ਫਾਰਮੂਲੇ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕੀਤੇ ਗਏ ਸਨ ਜੋ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ।ਅਸੀਂ ਇਹਨਾਂ ਫਾਰਮੂਲਿਆਂ ਦੀ ਵਰਤੋਂ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ ਲਈ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕੀਤੀ ਹੈ।ਸਾਰਣੀ 4 ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਰਿਗਰੈਸ਼ਨ ਅਤੇ ਵਰਗੀਕਰਨ ਮਾਡਲਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।
ਕੋਹੇਨ ਦੇ ਕਪਾ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅੰਤਰ- ਅਤੇ ਅੰਤਰ-ਆਬਜ਼ਰਵਰ ਭਰੋਸੇਯੋਗਤਾ ਦੀ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ।DM ਅਤੇ ਰਵਾਇਤੀ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਅਸੀਂ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ ਦੀ ਅਨੁਮਾਨਿਤ ਅਤੇ ਅਸਲ ਉਮਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ MAE ਅਤੇ RMSE ਦੀ ਗਣਨਾ ਕੀਤੀ।ਇਹ ਗਲਤੀਆਂ ਆਮ ਤੌਰ 'ਤੇ ਮਾਡਲ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।ਗਲਤੀ ਜਿੰਨੀ ਛੋਟੀ ਹੋਵੇਗੀ, ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਓਨੀ ਹੀ ਉੱਚੀ ਹੋਵੇਗੀ24।DM ਅਤੇ ਪਰੰਪਰਾਗਤ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੇ ਅੰਦਰੂਨੀ ਅਤੇ ਬਾਹਰੀ ਟੈਸਟ ਸੈੱਟਾਂ ਦੇ MAE ਅਤੇ RMSE ਦੀ ਤੁਲਨਾ ਕਰੋ।ਪਰੰਪਰਾਗਤ ਅੰਕੜਿਆਂ ਵਿੱਚ 18-ਸਾਲ ਦੇ ਕਟੌਫ ਦੇ ਵਰਗੀਕਰਣ ਪ੍ਰਦਰਸ਼ਨ ਦਾ ਮੁਲਾਂਕਣ ਇੱਕ 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 ਨੂੰ ਡੇਟਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਅਧਾਰ ਤੇ ਮਾਧਿਅਮ ± ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਜਾਂ ਨੰਬਰ (%) ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ।ਦੋ-ਪੱਖੀ 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।ਡੀਐਮ ਰੀਗਰੈਸ਼ਨ ਮਾਡਲ ਨੂੰ ਪਾਇਥਨ ਵਿੱਚ Keras50 2.2.4 ਬੈਕਐਂਡ ਅਤੇ Tensorflow51 1.8.0 ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਗਣਿਤਿਕ ਕਾਰਵਾਈਆਂ ਲਈ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਸੀ।DM ਵਰਗੀਕਰਣ ਮਾਡਲ ਵਾਈਕਾਟੋ ਗਿਆਨ ਵਿਸ਼ਲੇਸ਼ਣ ਵਾਤਾਵਰਣ ਅਤੇ ਕੋਨਸਟਨਜ਼ ਇਨਫਰਮੇਸ਼ਨ ਮਾਈਨਰ (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 ਗਏ ਅਤੇ/ਜਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਗਏ ਡੇਟਾਸੇਟ ਸੰਬੰਧਿਤ ਲੇਖਕ ਤੋਂ ਉਚਿਤ ਬੇਨਤੀ 'ਤੇ ਉਪਲਬਧ ਹਨ।
Ritz-Timme, S. et al.ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ: ਫੋਰੈਂਸਿਕ ਅਭਿਆਸ ਦੀਆਂ ਖਾਸ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ ਕਲਾ ਦੀ ਸਥਿਤੀ।ਅੰਤਰਰਾਸ਼ਟਰੀਤਾJ. ਕਾਨੂੰਨੀ ਦਵਾਈ।113, 129-136 (2000)।
ਸ਼ੈਮਲਿੰਗ, ਏ., ਰੀਸਿੰਗਰ, ਡਬਲਯੂ., ਗੇਸੇਰਿਕ, ਜੀ., ਅਤੇ ਓਲਜ਼, ਏ. ਅਪਰਾਧਿਕ ਮੁਕੱਦਮੇ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਜੀਵਿਤ ਵਿਸ਼ਿਆਂ ਦੇ ਫੋਰੈਂਸਿਕ ਉਮਰ ਮੁਲਾਂਕਣ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ।ਫੋਰੈਂਸਿਕ।ਦਵਾਈ.ਪੈਥੋਲੋਜੀ.1, 239–246 (2005)।
ਪੈਨ, ਜੇ. ਐਟ ਅਲ.ਪੂਰਬੀ ਚੀਨ ਵਿੱਚ 5 ਤੋਂ 16 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਬੱਚਿਆਂ ਦੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਸੋਧਿਆ ਤਰੀਕਾ।ਕਲੀਨਿਕਲ.ਮੌਖਿਕ ਸਰਵੇਖਣ.25, 3463–3474 (2021)।
ਲੀ, ਐਸਐਸ ਆਦਿ. ਕੋਰੀਅਨਜ਼ ਵਿੱਚ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੇ ਵਿਕਾਸ ਦੀ ਕਾਲਕ੍ਰਮ ਅਤੇ ਫੋਰੈਂਸਿਕ ਉਮਰ ਮੁਲਾਂਕਣ ਲਈ ਇਸਦੀ ਅਰਜ਼ੀ।ਅੰਤਰਰਾਸ਼ਟਰੀਤਾJ. ਕਾਨੂੰਨੀ ਦਵਾਈ।124, 659–665 (2010)।
Oh, S., Kumagai, A., Kim, SY ਅਤੇ Lee, SS ਕੋਰੀਆਈ ਅਤੇ ਜਾਪਾਨੀ ਵਿੱਚ ਦੂਜੇ ਅਤੇ ਤੀਜੇ ਮੋਲਰ ਦੀ ਪਰਿਪੱਕਤਾ ਦੇ ਆਧਾਰ 'ਤੇ ਉਮਰ ਦੇ ਅਨੁਮਾਨ ਅਤੇ 18-ਸਾਲ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੀ ਸਟੀਕਤਾ।PLOS ONE 17, e0271247 (2022)।
ਕਿਮ, ਜੇ.ਵਾਈ, ਆਦਿ।ਪ੍ਰੀ-ਆਪਰੇਟਿਵ ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਅਧਾਰਿਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ OSA ਵਾਲੇ ਮਰੀਜ਼ਾਂ ਵਿੱਚ ਨੀਂਦ ਦੀ ਸਰਜਰੀ ਦੇ ਇਲਾਜ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ।ਵਿਗਿਆਨ.ਰਿਪੋਰਟ 11, 14911 (2021)।
ਹਾਨ, ਐੱਮ. ਐਟ ਅਲ.ਮਨੁੱਖੀ ਦਖਲ ਦੇ ਨਾਲ ਜਾਂ ਬਿਨਾਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤੋਂ ਸਹੀ ਉਮਰ ਦਾ ਅਨੁਮਾਨ?ਅੰਤਰਰਾਸ਼ਟਰੀਤਾJ. ਕਾਨੂੰਨੀ ਦਵਾਈ।136, 821–831 (2022)।
ਖਾਨ, ਐਸ. ਅਤੇ ਸ਼ਾਹੀਨ, ਡੇਟਾ ਮਾਈਨਿੰਗ ਤੋਂ ਡੇਟਾ ਮਾਈਨਿੰਗ ਤੱਕ ਐਮ.ਜੇ.ਜਾਣਕਾਰੀ.ਵਿਗਿਆਨ.https://doi.org/10.1177/01655515211030872 (2021)।
ਖਾਨ, ਐਸ. ਅਤੇ ਸ਼ਾਹੀਨ, ਐੱਮ. ਵਿਸਰੂਲ: ਐਸੋਸੀਏਸ਼ਨ ਰੂਲ ਮਾਈਨਿੰਗ ਲਈ ਪਹਿਲਾ ਬੋਧਾਤਮਕ ਐਲਗੋਰਿਦਮ।ਜੇ.ਜਾਣਕਾਰੀ.ਵਿਗਿਆਨ.https://doi.org/10.1177/01655515221108695 (2022)।
ਸ਼ਾਹੀਨ ਐੱਮ. ਅਤੇ ਅਬਦੁੱਲਾ ਯੂ. ਕਰਮ: ਪ੍ਰਸੰਗ-ਅਧਾਰਿਤ ਐਸੋਸੀਏਸ਼ਨ ਨਿਯਮਾਂ 'ਤੇ ਆਧਾਰਿਤ ਪਰੰਪਰਾਗਤ ਡਾਟਾ ਮਾਈਨਿੰਗ।ਗਣਨਾ ਕਰੋਮੈਟ.ਜਾਰੀ ਰੱਖੋ।68, 3305–3322 (2021)।
ਮੁਹੰਮਦ ਐੱਮ., ਰਹਿਮਾਨ ਜ਼ੈੱਡ., ਸ਼ਾਹੀਨ ਐੱਮ., ਖਾਨ ਐੱਮ. ਅਤੇ ਹਬੀਬ ਐੱਮ. ਟੈਕਸਟ ਡਾਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੀਪ ਲਰਨਿੰਗ ਆਧਾਰਿਤ ਅਰਥ-ਵਿਗਿਆਨਕ ਸਮਾਨਤਾ ਖੋਜ।ਸੂਚਿਤ ਕਰੋ।ਤਕਨਾਲੋਜੀਆਂ।ਕੰਟਰੋਲ.https://doi.org/10.5755/j01.itc.49.4.27118 (2020)।
ਤਾਬਿਸ਼, ਐੱਮ., ਤਨੋਲੀ, ਜ਼ੈੱਡ., ਅਤੇ ਸ਼ਾਹੀਨ, ਐੱਮ. ਖੇਡਾਂ ਦੇ ਵੀਡੀਓਜ਼ ਵਿੱਚ ਗਤੀਵਿਧੀ ਨੂੰ ਮਾਨਤਾ ਦੇਣ ਲਈ ਇੱਕ ਪ੍ਰਣਾਲੀ।ਮਲਟੀਮੀਡੀਆ।ਟੂਲਸ ਐਪਲੀਕੇਸ਼ਨ https://doi.org/10.1007/s11042-021-10519-6 (2021)।
ਹਲਬੀ, ਐਸਐਸ ਐਟ ਅਲ.ਪੀਡੀਆਟ੍ਰਿਕ ਬੋਨ ਏਜ ਵਿੱਚ ਆਰਐਸਐਨਏ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਚੈਲੇਂਜ।ਰੇਡੀਓਲੋਜੀ 290, 498–503 (2019)।
ਲੀ, ਵਾਈ ਐਟ ਅਲ.ਡੂੰਘੀ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪੇਲਵਿਕ ਐਕਸ-ਰੇ ਤੋਂ ਫੋਰੈਂਸਿਕ ਉਮਰ ਦਾ ਅਨੁਮਾਨ।ਯੂਰੋ.ਰੇਡੀਏਸ਼ਨ29, 2322–2329 (2019)।
Guo, YC, et al.ਆਰਥੋਗ੍ਰਾਫਿਕ ਪ੍ਰੋਜੇਕਸ਼ਨ ਚਿੱਤਰਾਂ ਤੋਂ ਮੈਨੂਅਲ ਤਰੀਕਿਆਂ ਅਤੇ ਡੂੰਘੇ ਕਨਵੋਲਿਊਸ਼ਨਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਹੀ ਉਮਰ ਵਰਗੀਕਰਣ।ਅੰਤਰਰਾਸ਼ਟਰੀਤਾJ. ਕਾਨੂੰਨੀ ਦਵਾਈ।135, 1589–1597 (2021)।
ਅਲਾਬਾਮਾ ਡਾਲੋਰਾ ਐਟ ਅਲ.ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਹੱਡੀਆਂ ਦੀ ਉਮਰ ਦਾ ਅਨੁਮਾਨ: ਇੱਕ ਵਿਵਸਥਿਤ ਸਾਹਿਤ ਸਮੀਖਿਆ ਅਤੇ ਮੈਟਾ-ਵਿਸ਼ਲੇਸ਼ਣ।PLOS ONE 14, e0220242 (2019)।
ਡੂ, ਐਚ., 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 ਅਮਰੀਕਨਾਂ ਅਤੇ ਚੀਨੀਆਂ ਦੀ ਆਬਾਦੀ-ਵਿਸ਼ੇਸ਼ ਉਮਰ ਦਾ ਅਨੁਮਾਨ।ਅੰਤਰਰਾਸ਼ਟਰੀਤਾJ. ਕਾਨੂੰਨੀ ਦਵਾਈ।136, 811–819 (2022)।
ਕਿਮ ਐਸ., ਲੀ ਵਾਈ.ਐਚ., ਨੋਹ ਵਾਈ.ਕੇ., ਪਾਰਕ ਐਫ.ਕੇ. ਅਤੇ ਓ.ਕੇ. ਐਸ.ਵਿਗਿਆਨ.ਰਿਪੋਰਟ 11, 1073 (2021)।
Stern, D., Payer, C., Giuliani, N., ਅਤੇ Urschler, M. ਮਲਟੀਵੈਰੀਏਟ MRI ਡੇਟਾ ਤੋਂ ਆਟੋਮੈਟਿਕ ਉਮਰ ਦਾ ਅਨੁਮਾਨ ਅਤੇ ਬਹੁਮਤ ਉਮਰ ਵਰਗੀਕਰਨ।IEEE ਜੇ. ਬਾਇਓਮੈੱਡ.ਸਿਹਤ ਚੇਤਾਵਨੀਆਂ।23, 1392–1403 (2019)।
ਚੇਂਗ, Q., Ge, Z., Du, H. ਅਤੇ Li, G. ਡੂੰਘੀ ਸਿਖਲਾਈ ਅਤੇ ਪੱਧਰ ਦੇ ਸੈੱਟਾਂ ਨੂੰ ਜੋੜ ਕੇ ਕੋਨ ਬੀਮ ਕੰਪਿਊਟਿਡ ਟੋਮੋਗ੍ਰਾਫੀ ਤੋਂ ਪਹਿਲੇ ਮੋਲਰ ਦੇ 3D ਪਲਪ ਚੈਂਬਰ ਸੈਗਮੈਂਟੇਸ਼ਨ 'ਤੇ ਆਧਾਰਿਤ ਉਮਰ ਦਾ ਅਨੁਮਾਨ।ਅੰਤਰਰਾਸ਼ਟਰੀਤਾJ. ਕਾਨੂੰਨੀ ਦਵਾਈ।135, 365–373 (2021)।
Wu, WT, et al.ਕਲੀਨਿਕਲ ਵੱਡੇ ਡੇਟਾ ਵਿੱਚ ਡੇਟਾ ਮਾਈਨਿੰਗ: ਆਮ ਡੇਟਾਬੇਸ, ਕਦਮ, ਅਤੇ ਵਿਧੀਆਂ ਦੇ ਮਾਡਲ।ਸੰਸਾਰ.ਦਵਾਈ.ਸਰੋਤ।8, 44 (2021)।
ਯਾਂਗ, ਜੇ. ਐਟ ਅਲ.ਵੱਡੇ ਡੇਟਾ ਯੁੱਗ ਵਿੱਚ ਮੈਡੀਕਲ ਡੇਟਾਬੇਸ ਅਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਜਾਣ-ਪਛਾਣ।ਜੇ. ਅਵਿਦਬੁਨਿਆਦੀ ਦਵਾਈ.13, 57–69 (2020)।
ਸ਼ੇਨ, ਐਸ ਐਟ ਅਲ.ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਕੈਮਰਾਰ ਦਾ ਤਰੀਕਾ।BMC ਓਰਲ ਹੈਲਥ 21, 641 (2021)।
Galliburg A. et al.Demirdjian ਸਟੇਜਿੰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਦੀ ਤੁਲਨਾ।ਅੰਤਰਰਾਸ਼ਟਰੀਤਾJ. ਕਾਨੂੰਨੀ ਦਵਾਈ।135, 665–675 (2021)।
ਡੈਮਿਰਡਜਿਅਨ, ਏ., ਗੋਲਡਸਟੀਨ, ਐਚ. ਅਤੇ ਟੈਨਰ, ਜੇਐਮ ਦੰਦਾਂ ਦੀ ਉਮਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਇੱਕ ਨਵੀਂ ਪ੍ਰਣਾਲੀ।ਸੁੰਘਣਾਜੀਵ ਵਿਗਿਆਨ.45, 211-227 (1973)।
ਲੈਂਡਿਸ, ਜੇ.ਆਰ., ਅਤੇ ਕੋਚ, ਜੀ.ਜੀ. ਨਿਰੀਖਕ ਇਕਰਾਰਨਾਮੇ ਦੇ ਮਾਪਦੰਡ ਸਪਸ਼ਟ ਡੇਟਾ 'ਤੇ।ਬਾਇਓਮੈਟ੍ਰਿਕਸ 33, 159–174 (1977)।
ਭੱਟਾਚਾਰਜੀ ਐਸ, ਪ੍ਰਕਾਸ਼ ਡੀ, ਕਿਮ ਸੀ, ਕਿਮ ਐਚਕੇ ਅਤੇ ਚੋਈ ਐਚ.ਕੇ.ਪ੍ਰਾਇਮਰੀ ਬ੍ਰੇਨ ਟਿਊਮਰਾਂ ਦੇ ਵਿਭਿੰਨਤਾ ਲਈ ਨਕਲੀ ਬੁੱਧੀ 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)।