Жаратылыштын маалыматы үчүн рахмат. Сиз колдонуп жаткан браузердин версиясы чектелген CSS колдоосу менен чектелген. Эң жакшы натыйжалар үчүн, биз браузериңиздин жаңы версиясын колдонууну сунуштайбыз (же Интернет-эксплуатациялык шайкештик режимин күйгүзөбүз). Ал ортодо, үзгүлтүксүз колдоо көрсөтүү үчүн, биз сайтты стилдөө же JavaScript жок көрсөтүп жатабыз.
Тиштер адам денесинин жашынын эң так көрсөткүчү деп эсептелет жана көбүнчө соттук-медициналык каракта баалоодо колдонулат. Биз баалоочу курактык курактагы маалыматтарды эсептөө үчүн, эсептөө, салттуу ыкмалар жана маалыматтар базалык жашка чегерилмелер менен эсептешүүнү баалоо жана классификациялоо тактыгын салыштыруу. 155 жаштан 23 жашка чейинки корей жана жапон жарандарынан 2657 панорамалык рентреттиктер чогултулган. Алардын ар бири 900 корей рентографиясын камтыган окуу топтомуна бөлүнүп, 857 жапон радиографтарын камтыган ички тест топтому. Маалыматтарды казып алуу моделдеринин тест топтому менен классификациялык тактыкты жана натыйжалуулугун салыштырып көрдүк. Ички тесттен жасалган салттуу ыкманын тактыгы маалыматтарды камдап жатканга караганда бир аз жогору, ал эми айырмачылык аз (орточо абсолюттук катасы <0,21 жыл, тамыр, түпкүрдүн катасы <0,24 жаш). 18 жылдык кыскартуунун классификациялоо иштери салттуу ыкмалар менен маалыматтарды казып алуу моделдеринин ортосунда да окшош. Ошентип, кореялык өспүрүмдөрдүн жана жаш чоңдордогу экинчи жана үчүнчү башкаруучулардын мөөнөтүн колдонуп, соттук-үрп-үрөн санап, соттук-медициналык каражаттарды баалоо моделдери менен алмаштырылышы мүмкүн.
ДЕНТАЛДЫ ЖАКШЫ СЫЙЛОО СТУДЕНЦИЯЛЫК МЕДИЦИНАЛЫК ЖАНА ПЕДИАТРИКА структурасында кеңири колдонулат. Тактап айтканда, хронологиялык курактын жана стоматологиялык өнүгүү, стоматологиялык өнүгүү этаптары боюнча курактык баалоо, балдардын жашын жана өспүрүмдөрдүн жашын баалоонун маанилүү критеритиясы Бирок, стоматологиялык жетилгендиктин негизинде жаштар үчүн стоматологиялык куракты баалоо анын мүмкүнчүлүктөрү чектелүү болгондуктан, тиш өсүшү үчүнчү молярларды кошпогондо, тиш өсүшү дээрлик аяктайт. Жаштардын жашын жана өспүрүмдөрдүн жашын аныктоонун мыйзамдуу максаты - бул көпчүлүктүн жашына жеткен жокпу деген так баа берүү жана илимий далилдерди берүү. Кореядагы өспүрүмдөрдүн жана жаш чоңдордун медициналык практикасында Ли Ли ыкмасын пайдаланган, ал эми 18 жылдын ичинде 18 жылдын ичинде 18 жылдын мыйзамдуу босогосу деп болжолдонгон.
Машинаны үйрөнүү - бул жасалма интеллект (AI) бир нече жолу маалыматтарды үйрөнүп, классификациялаган, бир нече жолу маалыматтарды (ai), бир нече жолу маалыматтарды өз алдынча чечет, жана маалымат программасын башкарат. Машинаны үйрөнүү маалыматтардын ири көлөмүндөгү пайдалуу жашырылган формаларды таба алат6. Ал эми эмгек менен эмгекти талап кылган классикалык ыкмалар, бул эмгекке жарамдуу жана керектүүлүктүн чоң көлөмүндө иштелип чыкканда, кол менен иштөөгө кыйын болгон татаал маалыматтарды иштеп чыгууда чектөөлөр болушу мүмкүн. Ошондуктан, жакында эле көптөгөн изилдөөлөр адам каталарын минималдаштыруу жана натыйжалуу процесстин натыйжалуу процессин азайтуу үчүн акыркы компьютердик технологиялар менен жүргүзүлдү. Тактап айтканда, терең үйрөнүү медициналык сүрөттү талдоодо кеңири колдонулуп келген жана радиографталарды автоматтык түрдө анализдөө үчүн ар кандай ыкмалар жөнүндө ар кандай ыкмалар, 13,15,15,16,17,18,19,19,50 . Мисалы, Халаб жана 13-13 Пресс-альгоритмди конвтаптык нейрондук тармактарга (CNN) балдардын колдорун колдонуп, скелеттик жашты баалоо үчүн, алгоритмди үйрөнүү. Бул изилдөө медициналык сүрөттөргө машинаны үйрөнүүнү сунуштайт жана бул ыкмалар диагностикалык тактыкты жогорулатат. Li etsal -14 Пелвичтин рентген сүрөттөрүнөн болжолдуу жаш курагы терең үйрөнүп, аларды терең үйрөнүп, регрессиялык натыйжаларды оссификациялык этап менен эсептөөнү колдонуп, регрессиялык натыйжалар менен салыштырды. Алар терең үйрөнүү CNN модели салттуу регрессиялык модел катары бир эле жашка баа берүүнү көрсөтүштү. Guoo et al. Иллюстрациялоо [15] CNN технологиясы боюнча сабырдуулук классификациясынын классификациясынын натыйжалуулугу, CNN технологиясынын натыйжалары жана CNN моделинин натыйжалары, CNN моделинин жыйынтыгы адамдардын жашын жаштан жаштын жашоосунан ашып түштү.
Машинаны үйрөнүү боюнча жаш курактык баалоо боюнча эң көп изилдөөлөр терең окуу ыкмаларын колдонууну колдонот13,15,16,17,18,19,20. Терең билимге негизделген жаш курактык баа салттуу ыкмага караганда так болушу керек деп билдирилген. Бирок, бул мамиле, болжолдоолордо колдонулган жаш көрсөткүчтөр сыяктуу жаш курактык көрсөткүчтөр сыяктуу жаш курактык эсептөөлөр үчүн илимий негиздерди берүүгө бир аз мүмкүнчүлүк берет. Текшерүүлөрдү жүргүзүп жаткан мыйзамдуу талаш бар. Демек, терең билимге негизделген жаш курак баа берүү административдик жана сот органдарын кабыл алуу кыйынга турат. Маалымат Тоо-кен ишканасы (DM) - бул күтүлбөгөн нерсени биле турган ыкма, ошондой эле күтүлбөгөн маалыматтарды, ошондой эле көпчүлүк маалыматтар 26,21,22. Машинаны үйрөнүү көбүнчө маалымат каражаттарында колдонулат, жана маалыматтарды жана машинанын даамын билүү маалыматтардагы үлгүлөрдү табуу үчүн ошол эле негизги алгоритмдерди колдонот. Стоматологиялык өнүгүүнү колдонуу менен жаш курактык баа экспертизанын максаттуу тиштин дюрациясына баа берүүсүнө негизделет жана бул баалоо ар бир максаттуу тиштин сахасы катары көрсөтүлөт. DM тишин баалоо этапынын ортосундагы байланышты жана чыныгы жаш курагы боюнча байланышты талдоо үчүн колдонсо болот жана салттуу статистикалык анализдин ордуна потенциалга ээ болот. Ошондуктан, эгерде биз DM ыкмаларын жаш курактык эсептөө үчүн колдонсок, анда соттук-медициналык жоопкерчилик жөнүндө тынчсызданбай, соттук-медициналык жоопкерчиликке үйрөнө алабыз. Тиш доктурун аныктоонун болжолдуу ыкмаларында колдонулган салттуу билим берүү жана EBM-тълмедме ыкмаларында колдонулган салттуу альтернатива үчүн бир нече салыштырма изилдөөлөр жарыяланган. Shen et al23 DM модели салттуу камерир формуласына караганда так экендигин көрсөттү. Дмирдян критерийлеринин айтымында, ал тургуну ДМ ДМнын ар кандай дм ыкмаларын колдонуп, натыйжалары декйрджан жана виллемдердин дамдогунун жана виллемдердин устундарын азайтуу үчүн, DM ыкмасы деп эсептешет.
Кореянын өспүрүмдөрүнүн жана жаш чоңдордун стоматологиялык денталын эсептөө үчүн, Льенин 4-ыкмасы 4-ыкма, корейдик соттук практикада кеңири колдонулат. Бул ыкма корей темаларынын жана хронологиялык доордун ортосундагы мамилелерди изилдөө үчүн салттуу статистикалык талдоону (мисалы, бир нече регрессия сыяктуу) колдонот. Бул изилдөөдө, салттуу статистикалык ыкмаларды колдонуу менен алынган жаш курактык эсептөө ыкмалары "салттуу ыкмалар" деп аныкталат. Лидин ыкмасы - салттуу ыкма жана анын тактыгы тастыкталды. 5; Бирок, Корейдеги соттук-өнөр жайындагы DM моделинин негизинде жашка баа берүүнүн колдонулушу дагы деле күмөн жаратат. Биздин максат DM моделинин негизинде жаш курактык эсептөөнүн потенциалын илимий жактан тастыктоо болгон. Бул изилдөөнүн максаты (1), тиш курагына жана (2) салттуу статистикалык ыкмаларды колдонуу менен алынган 7 дм моделдердин классификациясынын натыйжалуулугун салыштыруу үчүн, 1 DM моделдердин тууралыгын салыштыруу үчүн (1) эки жаакта үчүнчү тоголок.
Хронологиялык курактын сахнасына жана тиш түрү менен сахналык тиштин тишинин тиби S1 (окутуу топтому), S2 (ички тест топтому), S3 S3 (тышкы тест топтому). Окутуу топтомунан алынган Kappa баалуулуктары, тиешелүүлүгүнө жараша 0,951 жана 0.947 түзгөн. P Милдеттери жана 95% Каппа Баалуулуктары үчүн ишеним интервалдары онлайн кошумча столдо S4-таблицада келтирилген. Kappa мааниси Ландис жана Кох26 критерийлерине шайкеш келген "дээрлик кемчиликсиз" деп чечмеленди.
Салттуу абсолюттук катаны (Мэй), салттуу ыкма, мультайлрлэйнер (млп) коштолот (MLP) коштолот (MLP), мультилей (млн) (MLP) (MLP) кошпогондо, салттуу ыкма, салттуу ыкма, салттуу ыкма, салттуу ыкма бир аздан бир аз ашкерелөөчү, (млн. Салттуу модель менен DM моделинин ички тестинин ортосундагы айырмачылыктын ортосундагы айырма Эркектер үчүн 0,1.17-021, аялдар үчүн 0,17-0,21 жашка ээ болгон. Тышкы тест Тест Батарея үчүн, айырмачылыктар кичинекей (0.001-0.05 жыл жана 0,05-0,09 аялдар үчүн 0,05-0.09 жыл). Андан тышкары, тамыр чарчы чарчы катасы (RMSE) кичинекей айырмачылыктар менен бир аз төмөн, ал эми кичинекей айырмачылыктар (0,17-0,24, 0.2-0,2 эркек ички тесттик топтому үчүн, 0,03-0.07, 0.04-0.08, тышкы тест топтому үчүн). ). MLP бир катмар бир катмарга караганда бир аз мыкты иш-аракетти (SLP) (SLP), тышкы сыноо топтомун кошпогондо, бир аз жакшырат. Мэй жана Рмс үчүн, тышкы тест топтому Бардык ыйларга жана моделдерге караганда ички тесттен жогору. Бардык Мэй менен Рмс 1-таблицада келтирилген жана 1-сүрөт.
MAE жана RMSE, салттуу жана маалыматтарды казып алуу режими моделдери. Абсолюттук катасы Маэ, тамыр, тамырдын катасы RMSE, бир катмар генпрон слп, мультикайрдык кабыл алуу, млрд.
Салттуу жана DM моделдеринин классификациялоосу (18 жашка чейинки кыскартылган) сезгичтиги, өзгөчөлүү, позитивдүү болжолдуу мааниси (PPV), терс божомолдоо (NPV) жана аймак (auroc) астында 27 (2-таблица, 2-сүрөт, 1-сүрөт. 1-сүрөт. Ички тест батареясынын сезгичтиги жагынан, салттуу ыкмалар эркектер арасында мыкты аткарган жана аялдар арасында эң жаман. Бирок, салттуу ыкмалар менен SD ортосундагы классификациялоонун натыйжалуулугунун айырмасы 9,7% (млб) жана аялдар үчүн 2,4% гана (xgboost). DM моделдеринин арасында, логистикалык регрессия (lr) эки жыныстагы тең сезимталдыгын көрсөттү. Ички тесттин өзгөчөлүгүнүн өзгөчөлүгүнө келсек, ал төрт SD моделдер эркектерге жакшы иш кылган, ал эми салттуу модель аялдарда жакшыраак аткарылган. Эркектер жана аялдар үчүн классификациялоо боюнча айырмачылыктар 13,3% (млб) жана 13,1% (млб) жана 13,1% (млп), модерландиянын ортосундагы айырмачылык сезимталдыкка урунаткандыгын билдирет. ДМ моделдеринин арасында, Вектордук машина (SVM), чечим дарагы (DT) жана кокустук токой (RF) моделдери эркектердин арасында мыкты аткарылган, ал эми Lr модели аялдар арасында мыкты аткарылган. Салттуу моделдин Auroc жана бардык SD моделдеринин бардыгы 0,925ден жогору (KNN) эркектерге (KNN) жогору (KNN) (KNN) (KNN) жогору, 18 жаштагы үлгүдөгү үлгүлөрдү басмырлоодо мыкты классификациялоо көрсөткүчүн көрсөттү28. Тышкы тест топтому үчүн ички тесттик топтомго салыштырмалуу сезгичтиги, өзгөчөлүгү жана аурок жагынан классификациялоо, мүнөздөмөсү жана аурок шарттары төмөндөгөн. Андан тышкары, эң мыкты жана эң начар моделдердин классификациясынын натыйжалуулугунун ортосундагы сезүүчүлүктүн жана өзгөчөлүктөрүнүн айырмачылыгы 10% дан 25% га чейин жана ички тесттен айырмаланып чоңураак болгон.
18 жашка чейинки салттуу ыкмаларга салыштырмалуу маалыматтарды классификациялоо моделдеринин сезгичтиги жана маалыматтарды классификациялоо моделдеринин өзгөчөлүгү. Жакынкы коңшу, SVM колдоочу коңшусун, LR логистикалык регрессия, DT Чечим дарагы, RF кокус токой, XGB XGBOOST, MLP Мультилайер
Бул изилдөөнүн биринчи кадамы салттуу регрессияны колдонуу менен алынган жети DM моделдеринен алынган доктурлардын болжолдоолорунун тактыгын салыштыруу болду. Мэй менен Рмс жыныстык тең тест үчүн эки жыныстык тест үчүн бааланышты жана салттуу ыкма менен DM моделинин ортосундагы айырма Маи үчүн 44-7 күнгө чейин жана RMSE үчүн 62 күндөн 88 күнгө чейин созулган. Бул изилдөөдө салттуу ыкма бир аз так так болгонуна карабастан, мындай кичинекей айырмачылыкты клиникалык же практикалык мааниге ээ-аз деп жыйынтык чыгаруу кыйынга турушу мүмкүн. Бул натыйжалар DM моделин колдонуп, стоматологиялык жашка баалоонун тактыгы - салттуу ыкма менен дээрлик бирдей экендигин көрсөтөт. Мурунку изилдөөлөргө байланыштуу түз салыштыруу кыйынга турушу кыйын, анткени бул изилдөөдө ушул эле курактагыдай эле, ушул эле курактагы тиштин тиштерин жазуу ыкмаларын колдонуп, бир дагы изилдөө моделдеринин тууралыгын салттык статистиканын тактыгын салыштырды. Галобаbourgт жана Ал24 Мэй жана Рмсанын салттуу ыкмасына салыштырмалуу (Демиржи Методух жана Виллемс Мето (Дмиржян-Метоу, Уиллем) жана Вран-калктын 10 жаштан 24 жаштан 24 жаштан 24 жаштан 24 жашка чейинки 10 дм моделдери. Алар DM моделдери салттуу ыкмаларга караганда, 0,20 жана 0,38 жашка чейинки айырмачылыктар жана 0,25 жана 0,47 жылдагы айырмачылыктар, Виллемдерге жана Демирджиялык усулдарга салыштырмалуу RMSE. Гёнгёнкто SD моделинин жана салттуу ыкмалардын ортосундагы карама-каршылыктар көптөгөн дымырдык ыкма менен эсептешкен, деп эсептелген популярдуу популярдуу жаш курагын так эсептешпейт, анткени изилдөө негизделген француз канадалыктардан башка популяцияда так эсептелбейт. бул изилдөөдө. Тай et al 34 мллп алгоритмди 1636-жылы Кытай Ортодонтиялык сүрөттөрүн алдын-ала айтуу үчүн колдонулган жана анын тактыгын демириан жана виллемдердин ыкмаларынын натыйжалары менен салыштырды. Алар MLP салттуу ыкмага караганда жогорку тактыкка ээ экендигин билдиришти. Демирджалык ыкма жана салттуу ыкманын ортосундагы айырма <0,32 жашка чейин, ал эми виллемдердин ыкмасы 0,28 жыл, ал ушул изилдөө жыйынтыгына окшош. Мурунку изилдөөлөрдүн жыйынтыктары24,34 ушул изилдөө натыйжаларына жана дм моделинин тактыгы жана салттуу ыкманын тактыгы менен дал келет. Бирок, көрсөтүлгөн натыйжаларга негизделген, дм моделдерин эсептөө үчүн, курактагы дм моделдерин колдонуу менен, мурунку изилдөөлөрдүн жетишсиздигинен улам, учурдагы ыкмаларды алмаштыра алат деген тыянакка келсек болот. Бул изилдөөдө алынган натыйжаларды тастыктоо үчүн чоңураак үлгүлөрдү колдонуу үчүн кийинки изилдөөлөр керек.
Стоматологиялык жашты баалоодо SDдин тактыгын сыноо Изилдөөлөрдүн арасында айрымдар биздин изилдөөбүзгө караганда жогору жагын көрсөтүштү. Степановский et al 35 Колдонулган 22 SD моделдерине 2,7 жаштан 20,5 жашка чейинки 976 жашка чейинки радиографтарына, ар бир моделдин тактыгын сынаган. Алар моррилер сунуш кылган классификациялоо критерийлерин колдонуп, жалпы 16 жогорку жана төмөнкү сол туруктуу тиштердин өнүгүшүнө баа беришти. Маи 0,64дөн 0,94 жашка чейин жана RMSE бул изилдөөдө колдонулган эки DM моделдерине караганда 0,85 дан 1,27 жылга чейин өзгөрөт. Шен жана Ал23 5 жаштан 13 жашка чейинки Кытай тургундарынын сол жагындагы жети тиштин стоматологиялык денталдык доктуруна эсептөө үчүн Камерир ыкмасын колдонгон жана аны сызыктуу регрессияны, SVM жана RF колдонгон жаш курактары менен салыштырган. Алар үч DM моделдеринин салттуу кызматташтык формуласына салыштырмалуу жогору экендигин көрсөтүштү. Шендин изилдөөсүндөгү Мэй жана Рмс бул изилдөөдө DM моделиндеги алардан төмөн болгон. Степановский ж.б. изилдөөлөрүнүн жогорулашы 35 Шен жана Эл. 23 Окуучулардын үлгүлөрүнө жаш курактагы субъекттерди киргизүүдөн улам болушу мүмкүн. Өнүгүп жаткан тиштеринин катышуучулары үчүн жаш курак, тиштердин санын тиштердин санын көбөйтүүгө болот, анткени стоматологиялык өнүгүү учурунда тиштердин саны көбөйгөн сайын, студенттердин катышуучулары жаш кезинде бузулган болушу мүмкүн. Андан тышкары, млн, сметалык смета MLP жаш курактык эсептөө үчүн бир аз жакшыраак деп эсептелет, мүмкүн, МЛП38деги жашырылган катмарларга байланыштуу. Бирок, аялдардын сырткы үлгүлөрүнө (SLP 1.45, mLP 1.49) өзгөчө мааниге ээ эмес. MLP компаниянын курагына караганда SLPге караганда так экендигин аныктоо кошумча ретроспективдүү изилдөөлөрдү талап кылат.
DM моделин классификациялоо жана 18 жылдык босогодон салттуу ыкма менен салыштырганда салыштырмалуу салттуу ыкма менен салыштырылды. Бардык сыналган SD моделдери жана ички тест топтомундагы салттуу ыкмалар 18 жаштан 18 жаштагы үлгү үчүн дискриминациянын деңгээлин көрсөттү. Эркектер менен аялдар үчүн сезгичтик, тиешелүүлүгүнө жараша 87,7% дан жогору, тиешелүүлүгүнө жараша 89,3% дан жогору болгон жана 84,7% дан жогору болгон. Бардык сыналган моделдердин Auroc да 0.925 ашат. Биздин билимибиздин эң жакшысы, эч бир изилдөө денталдык мөөнөткө негизделген 18 жылдык классификация үчүн DM моделин аткарууну сынап көрбөгөн. Бул изилдөөнүн натыйжаларын панорамалык радиографтарда терең окуу моделдерин классификациялоо менен салыштырып көрсөк болот. Guoo et al.15 CNN негизиндеги терең окуу моделинин классификациясын жана демиржиянын белгилүү бир жашка чейинки босогосуна негизделген кол менен жасалган ыкманын классификациялоосун эсептеп чыгышты. Кол менен ыкманын сезгичтиги жана өзгөчөлүгү, тиешелүүлүгүнө жараша 87,7% жана 95,5%, тиешелүүлүгүнө жараша, CNN моделинин сезгичтигин жана өзгөчөлүгүн, тиешелүүлүгүнө жараша 89,2% ашты 86,6% ашты. Алар терең билим берүү моделдери жаш курактык босоголорунда кол менен баалоону алмаштыра алышат деген жыйынтыкка келишкен. Бул изилдөөнүн жыйынтыктары ушундай эле классификациялык аткарууну көрсөттү; DM моделдерин колдонуу менен классификация жаш курактык баалоо үчүн салттуу статистикалык ыкмаларды алмаштыра алат деп ишенишет. Моделдердин арасында DM lr эркек үлгүлөрү жана сезгичтиги үчүн сезгичтөө жагынан эң мыкты модель, аял үлгүсү үчүн эң сонун модель болду. Lr эркектердин өзгөчөлүгүндө экинчи орунду ээлейт. Андан тышкары, lr колдонуучуга ыңгайлуу DM35 моделдеринин бири деп эсептелет жана процессте анча татаал жана кыйынчылык болуп эсептелет. Бул жыйынтыктардын негизинде LR корей калкындагы 18 жаштагы каралгылар үчүн эң мыкты кыскартылган классификациялык модель деп эсептелген.
Жалпысынан, тышкы тест топтомундагы жаш курактык эсептөөнүн же классификациялоонун тактыгынын тактыгы, ички тесттик топтомдун натыйжалары боюнча начар же төмөн болгон. Айрым отчеттор кореялык калкка жашка четтетилгенде, жапон калкынын калкына карата колдонулган жашка чыккан жерлердеги эсептик көрсөтүүлөрдүн төмөндөшү азаят, ал эми ушул сыяктуу эле ушул изилдөөдө ушундай эле көрүнүш табылган. Бул начарлоо тенденциясы DM моделинде байкалган. Ошондуктан, талдоо процессинде DMди колдонсо да, жергиликтүү калктын маалыматтарын, мисалы, салттуу усулдар сыяктуу маалыматтардан алынган методдордон 25,3,40,41,42 түзгөн. Терең окутуу моделдери окшоштуктар, классификация тактыгын жана натыйжалуулугун салыштырып көрсө, анда бир эле үлгүлөрдү колдонуп, жасалма интеллект мүмкүнчүлүгүн чектөө үчүн, бир эле үлгүлөрдү жана терең билим берүү моделдери менен салыштырып көрүүгө болот. баалоо.
Кореядагы соттук-сахналык эсептөө практикасында DM моделинин негизинде салттуу ыкмаларды жашка баалоо менен алмаштырса болот деп көрсөтөлү. Ошондой эле, биз проспективдүүлүктү, соттук-медициналык баалоону баалоо үчүн машинаны үйрөнүү мүмкүнчүлүгүн таптык. Бирок, ушул изилдөөнүн натыйжаларын салыштыруу жана тастыктоо үчүн ушул изилдөөнүн жетишсиздигине жана мурунку изилдөөлөрдүн жоктугу, мисалы, ушул изилдөөнүн жетишсиздигинин жетишсиздигине жана мурунку изилдөөлөрдүн жоктугу байкалат. Келечекте DM изилдөөлөрү салттуу ыкмалар менен салыштырганда практикалык колдонулушун өркүндөтүү үчүн үлгүлөрдүн саны жана андан көп ар кандай популяциялары менен жүргүзүлүшү керек. Жасалма интеллектду бир топ популяциялардын жаш курагына эсептөө үчүн, бир нече калктын жаш курагына ылайык, келечектеги изилдөөлөрдүн CLASIFIITY тактыгын жана натыйжалуулугун салыштыруу үчүн, ошол эле үлгүлөрдөгү салттуу ыкмалар менен терең билим берүү моделдерин салыштыруу үчүн керек.
Изилдөө 2,657 Ортографиялык сүрөттөрдү колдонуп, 15 жаштан 23 жашка чейинкилерден 15 жашка чейинкилер. Кореянын рентгенографиясы 900 окуу топтомуна бөлүнгөн (19.42 ± 2,65 жаш) жана 900 ички тесттик комплекттер (19.52 ± 2.59 жыл). Окутуу топтому бир институтта (Сеул Сент-Мэри Мэридин ооруканасы) чогултулуп, эки институтта чогултулган (Сеул Улуттук Университетинин Тышкы Ооруканасы жана Йонси университетинин станциясы). Биз ошондой эле тышкы тестирлөө үчүн калктын негизинен 857 рентрякнографияны чогултуп, тышкы тестирлөө үчүн (Ивате Медициналык Университети, Жапония). Жапон предметтеринин радиографиясы (19.31 ± 2.60 жаш) тышкы сыноо топтому катары тандалып алынды. Тиш дарылоо учурунда тартылган панорамдык радиографтар боюнча стоматологиялык өнүгүү баскычтарын талдоо үчүн маалыматтар чогултулган. Чогулган бардык маалыматтар гендердик, туулган күнүн жана радиографтын датасын эске албаганда, жашыруун болгон. 4, 5 мурун чыгарылган окуудагы критерийлерге кошулуу критерийлери бирдей эле. Үлгүдүн иш жүзүндөгү жаш курагы рентгенограф кылынган күндөн тартып төрөлгөн күндү азайтуу менен эсептелген. Үлгү тобу тогуз курак топторуна бөлүнгөн. 3-таблицада жаш курагына жана жыныстык бөлүштүрүү көрсөтүлөт Бул изилдөө Хельсинки Декларациясына ылайык, Хельсинки Декларациясына ылайык, Сеул Сент-Мари Мэри-Мэри университетинин (KC22WISII) Ооруканасынын Сеул (IRB) тарабынан бекитилген (KC22wisi0328). Бул изилдөөнүн ретроспективдүү дизайнын натыйжасында, маалыматтык экспертиза жүргүзүү үчүн радиографиялык экспертизадан өткөн бардык бейтаптардан алга кабыл алышкан жок. Сеул Корея университетинин Ооруканасы (IRB) маалыматтуу макулдук үчүн талап кылынган.
Демирланд критерийлерине ылайык Бимаклайдын экинчиси Экинчи жана Үчүнчү Мёрярлар Бир эле тиштин бир түрү ар бир жаактын сол жана оң тарабында бир эле тиштин бир түрү тандалып алынды. Эгерде эки тарапта тең гомолог тиштери ар кандай өнүгүү этаптарда болсо, анда болжолдуу курактагы белгисиздикти эсепке алуу үчүн тиштер тандалып алынды. Тренинг топтомунан жүздөн бир жүз рентгендик рентрей-дан бир тажрыйбалуу эки тажрыйбалуу бир тажрыйбалуу эки байкоочу тарабынан тиш доктурдун доктурунун сахнасын аныктоо үчүн прекалибрлөөдөн кийин өз алдынча байкоочуларды тест тапшырды. Интробссервер ишенимдүүлүгү биринчи айлык интервалда биринчи жолу байкоочу тарабынан бааланышты.
Окутуу үчүн ар бир жаактын экинчи жана үчтөн бир бөлүгүнүн секс жана өнүгүү баскычы ар кандай DM моделдери менен окутулган баштапкы байкоочу тарабынан бааланат, ал эми иш жүзүндө жаштар максаттуу маани катары белгиленди. Машинаны үйрөнүүдө кеңири колдонулган слП жана млб моделдери регрессиялык алгоритмдерге каршы сыналган. DM модели төрт тиштин өнүгүү баскычтарын колдонуп, сызыктуу функцияларды бириктирип, бул маалыматтарды жаш курагына айкалыштырат. SLP - эң жөнөкөй нерв тармагы жана жашыруун катмарлар камтылбайт. Тез түйүндөрдүн ортосунда босоголордун босогосунун бланктарынын негизинде иштейт. Регрессиядагы SLP модели бир нече сызыктуу регрессияга окшош математикалык жактан окшош. SLP моделинен айырмаланып, MLP модели сызыктуу эмес жандандыруу функциялары менен бир нече жашыруун катмарлар бар. Биздин эксперименттер курчалган 20 жашка чыккан 20 жашка толгон жандыруу функциялары менен жашырылган катмарды колдонушту. Дипломизациялоо ыкмасын жана Mae жана MaE жана RMSEди жоготуу функциясы катары биздин машинаны үйрөнүү функциясы катары колдонуңуз. Эң мыкты алынган регрессиялык модель ички жана тышкы тест топтомуна колдонулган жана тиштердин жашы эсептелген.
Классификациялык алгоритм иштелип чыккан, ал төрт тиштин төрагасынын мөөнөтүн болжолдоолорду болжолдоо үчүн, ал 20 жашта же жокпу, алдын-ала айтууга болот. Моделди куруу үчүн, биз алгоритмдерди үйрөнүү алгоритмдерди үйрөнүү алгоритмдерин үйрөнүп алдык . Lr - эң кеңири колдонулган классификация алгоритминин бири44. Бул регрессияны пайдаланууга, регрессияны колдонгон көзөмөлдөнгөн алгоритм, бул ыктымалдуулукка негизделген маалыматтарга таандык болгон маалыматтарды болжолдоп, маалыматтарды классификациялайт; негизинен экилик классификация үчүн колдонулат. Knn - бул жөнөкөй машинанын бирин үйрөнүү алгоритм45. Жаңы киргизүү маалыматтарын эске алганда, ал учурдагы топтомго жакын маалыматты табат, андан кийин аларды эң жогорку жыштык менен класска киргизет. Биз каралып жаткан кошуналардын саны үчүн 3 койдук. СВМ - бул эки класстын ортосундагы аралыкты эңсегендиктен, жер ядро функциясын сызыктуу эмес мейкиндикти талаалар деп аталган сызыктуу мейкиндикке чейин кеңейтүү үчүн, эки класстын ортосундагы аралыкты максималдаштырат46. Бул модель үчүн биз BASIA = 1, электр энергиясы = 1 жана гамма = 1 колдонобуз = 1 көп полином ядро үчүн гиперпараметрлер катары. ДТ ар кайсы тармактарда бир нече маалыматтарды бөлүштүрүү алгоритм катары колдонулган, бактын түзүмүндө чечим чыгаруучу эрежелерди чагылдыруу менен бир нече топко бөлүү үчүн алгоритм катары колдонулган. Модель 2-тоёрдун минималдуу саны менен конфигурацияланган жана Gini индексин сапат катары колдонот. RF - бул бир нече өлчөмдөгү эң начар классификаторду колдонуп, баштапкы маалымат базасынан бир нече жолу чийүү үлгүлөрүн, баштапкы маалымат базасынан бир нече жолу чийүү үчүн алсыз классификаторду колдонуп, бир нече DTSин айкалыштырган ансамбль. Биз 100 бак-дарак, 10 дарак тереңдигин, 1 минималдуу түйүндүн минималдуу өлчөмү, жана gini седализация индекси катары, бүктөлүү критерийлери катары. Жаңы маалыматтарды классификациялоо көпчүлүк добуш менен аныкталат. XGBOOST - бул машыгууну күчөтүүчү ыкмаларды айкалыштырган алгоритм, мурунку моделдин иш жүзүндө жана болжолдуу маанилеринин ортосундагы ката жана градиент49 аркылуу ката кетти. Бул анын мыкты иштери жана ресурстарынын натыйжалуулугуна байланыштуу, ошондой эле жогорку ишенимдүүлүктүн, ошондой эле жогорку ишенимдүүлүктү өркүндөтүү функциясы деп эсептелген алгоритм. Модель 400 колдоо дөңгөлөктөрү менен жабдылган. MLP - бул бир же бир нече адам бир же бир нече катмарды киргизүү жана чыгаруу катмарларынын ортосунда бир же бир нече катмарлары бар бир нече катмарды түзгөн нейрыз тармагы. Муну колдонуп, сиз сызыктуу эмес классификацияны жасай аласыз, сиз киргизүү катмарын кошкондо, натыйжа маанисин алсаңыз, натыйжада натыйжа маанинин мааниси менен салыштырылат жана катасы кайра жайылтылат. Ар бир катмардагы 20 жашка чыккан нейрон менен жашырылган катмарды түздүк. Ар бир модель, биз өнүккөн ар бир модель, сезгичтикти, өзгөчөлүгүн, PPV, npv жана aurocду эсептөө үчүн классификациялоону, тышкы жана тышкы топтомдорго карата колдонулган. Сезимтика үлгүлөрүнүн 18 жаштан жогору деп болжолдонгон үлгүлөргө болжол менен 18 жаштан жогору деп эсептелген үлгүлөрдүн катышы катары аныкталат. Өзгөчөлүктөрү - 18 жашка чейинки үлгүлөрдүн үлгүлөрү жана 18 жашка чейинки деп эсептелген үлгүлөр.
Окутуу топтомунда көрсөтүлгөн стоматологиялык этаптар статистикалык анализдин сандык баскычтарына айландырылды. Ар бир жыныстык катнаштын алдын-ала моделдерин иштеп чыгуу жана жаш курагына карата колдонулуучу регрессиялык формулаларды пайда кылуу үчүн, бир нече сызыктуу жана логистикалык регрессия жүргүзүлдү. Бул формулаларды ички жана тышкы тест топтому үчүн тиш курагын эсептөө үчүн колдондук. 4-таблицада бул изилдөөдө колдонулган регрессия жана классификациялык модель көрсөтүлгөн.
Ички жана интереврлер ишенимдүүлүгү Коэндин Каппанын статистикалык жардамы менен эсептелген. ДМ жана салттуу регрессиялык моделдердин тактыгын сынап көрүү үчүн, биз Ма жана Рмсанын ички жана тышкы тесттик комплекттердин болжолдуу жана иш жүзүндө колдонуучуларды колдонуп эсептеп чыктык. Бул каталар көбүнчө моделдин божомолдорунун тактыгын баалоо үчүн колдонулат. Кичинекей катасы, болжолдонгонун тактыгы жогору. DM жана салттуу регрессияны колдонуп эсептелген ички жана тышкы тест топтомун салыштырыңыз. Салттуу статистикада 18 жылдык кыскартуунун классификациялоосу 2 × 2 шартында шайкештик таблицасын колдонуу менен бааланды. Эсептелген сезгичтиги, өзгөчөлүгү, PPV, NPV жана тесттик комплекттин Auroc, DM классификациялык моделинин өлчөнгөн баалуулуктары менен салыштырылган. Маалыматтардын мүнөздөмөлөрүнө жараша маалыматтарды стандарттык четтөө же сан (%) дегенди билдирет. Эки тараптуу p маанилеринин мааниси <0.05 статистикалык мааниге ээ деп эсептелген. Бардык күндөлүк статистикалык статистикалык анализдер SAS 9.4 (SAS институту, Кэли, NC) менен жүргүзүлдү. DM регрессиялык модели KeraS50 2.2.4 Backend жана Tensorflow51 1.8.0 үчүн Python компаниясында жүзөгө ашырылган. ДМ классификациялык модели Вайкото Билим Талдоо чөйрөсүндө жана Konstanz маалыматтык кенер (KNIME) 4.6.152 талдоо аянтчасы.
Авторлор изилдөө өткөрүп жаткан маалыматтарды бул макалада жана кошумча материалдардан табууга болот деп маалыматтарды моюнга алышат. Изилдөөнүн жүрүшүндө өндүрүлгөн жана / же анализделген маалымат базаттары ылайыктуу автордон акылга сыярлык өтүнүчкө ээ болушат.
Ritz-Timme, S. et al. Жаштын баалоосу: искусствонун абалы соттук-процесстин конкреттүү талаптарына жооп берет. Эл аралык. J. Укуктук дары. 113, 129-136 (2000).
Шмелинг, А., А., В., Герик, Г. Соттук. дары. Патология. 1, 239-246 (2005).
Пан, Дж. Et al. 5 жаштан 16 жашка чейинки балдардын чыгышындагы балдардын стоматологиялык денталын баалоо үчүн өзгөртүлгөн ыкма. клиникалык. Оозеки сурамжылоо. 25, 3463-3474 (2021).
Ли, SS ж.б. кореялардагы экинчи жана үчүнчү башкарууларды өнүктүрүү жана соттук-үрстүүлүк үчүн колдонмо. Эл аралык. J. Укуктук дары. 124, 659-665 (2010).
О, С., Кумагаи, А., Ким, Сяль, Ли, SS Жаш курактык, экинчи жана үчүнчү миллиондордун жетилгендикине жараша 18 жылдык босогону баалоо жана баалоо. Plos One 17, E0271247 (2022).
Ким, Джы ж.б. Простеративдик машинанын окутуусуна негизделген маалыматтарды талдоо OSA менен ооруган бейтаптарда уйку операциялык дарылоонун натыйжаларын болжолдой алат. илим. Отчет 11, 14911 (2021).
Хан, М. жана башкалар. Машинадан билим алуудан же адамдын адамдык кийлигишүүсү менен же болбосо Эл аралык. J. Укуктук дары. 136, 8211-831 (2022).
Хан, С. жана Шахин, М. Маалымат Тоо-кен ишканасына маалыматтарды таратуу. J.Infformation. илим. https://doi.org/0.1177/01655515211030872 (2021).
Хан, С. жана Шахин, М. Уюмчулук: Ассоциация эрежелерин иштетүү үчүн биринчи таанып-билүү алгоритми. J.Infformation. илим. https://doi.org/0.1177/01655515221108695 (2022).
Шахен М. эсептөө. Мт. улантыңыз. 68, 3305-3322 (2021).
Мухаммед М., Рехман З., Шахээн М., Хан М., Хабиб М. Тексттин маалыматтарын колдонуп, тереңдикке негизделген семантикалык окшоштук аныктоо. маалымдоо. Технологиялар. башкаруу. https://doi.org/0.5755/j01.itc.49.4.27118 (2020).
Табиш, М., Таноли, З., Шахин, М. Спорт Видеолордо иш-аракеттерди таануу үчүн тутум. Мультимедиа. Колдонмолор Https://doi.org/0.1007/S11042-021-10519-6 (2021).
Халаби, SS ж.б. Педиатрдык сөөктүн жашына карата РСНА машинасын үйрөнүү. Радиология 290, 498-503 (2019).
Ли, Ю. Терең үйрөнүүнү колдонуп, жамбаш рентген нурларынан соттук-суткаруу. Евро. Радиация. 29, 2322-2329 (2019).
Гу, YC ж.б. Ортографиялык проекция сүрөттөрүнөн арналуунун методдорун жана терең айла-амалдарын колдонуп так жаш курактык жаштар. Эл аралык. J. Укуктук дары. 135, 1589-1597 (2021).
Алабама Далора жана Аль. Ар кандай машинадан үйрөнүү ыкмаларын колдонуп, сөөктүн карылык сметасы: системалуу адабияттарды карап чыгуу жана мета-талдоо. Plos One 14, E0220242 (2019).
Ду, Х., Ли, Г., Ченг, К. жана Янг, Дж.С. Калк аккумулуулары, конусдуу эсептелген томографияны колдонгон томографияны колдонгон томографияны колдонгон биринчи момарлардын Эл аралык. J. Укуктук дары. 136, 811-819 (2022).
Ким С., Ли Йх, Нох ЫЙ, ПЛИП, Тандалган жаш курактык топторун алгачкы биримдиктештирүү үчүн жаш курагындагы жаш курактык топторун аныктоо. илим. Отчет 11, 1073 (2021).
Стерн, Д., Төлөөчү, С., Джулиани, Н., Н., М., М. М. IEEE J. Biomed. Ден-соолук эскертүүлөрү. 23, 1392-1403 (2019).
Чен, С., Ге, З., Ду, Х., Х., H. жана Li, G. GE., G. Bulp пормал панелинин стул сегментациясына негизделген конус тилкесинин станокторунун сегментациясы Эл аралык. J. Укуктук дары. 135, 365-373 (2021).
WU, WT ж.б. Клиникалык чоң маалыматтарда маалыматтарды казып алуу: жалпы маалымат базалары, кадамдар жана методдордун моделдери. Дүйнө. дары. ресурс. 8, 44 (2021).
Ян, Дж. Et al. Медициналык маалымат базаларына киришүү, чоң маалыматтар доорундагы маалыматтарды өндүрүү технологияларына киришүү. J.vid. Негизги дары. 13, 57-69 (2020).
Шен, С. жана башкалар. Камерердин машинаны үйрөнүү менен тиш курагын баалоо ыкмасы. BMC оозеки ден-соолук 21, 641 (2021).
Галибург А. ж.б. Дмирджалык стагнинг ыкмасын колдонуп, стоматологиялык жашты божомолдоо үчүн ар кандай машинаны үйрөнүү ыкмаларын салыштыруу. Эл аралык. J. Укуктук дары. 135, 665-675 (2021).
Демирдджян, А., Голдштейн, Х. жана Таннер, Дж.М., Дж.М. Снорт. Биология. 45, 211-227 (1973).
Ландис, JR жана KOCH, GG категориялык маалыматтар боюнча байкоочу келишимдин чаралары. Биометрика 33, 159-174 (1977).
BhattaCharjee S, Prakash D, Kim C, Kim HK жана Choi HK. Баштапкы мээ шишиктерин дифференциялоо үчүн жасалма чалгындоо ыкмаларын колдонуп, эки өлчөмдүү магниттик резонанстыктын текстуралык, морфологиялык жана морфологиялык жана статистикалык резонанстык талдоосу. Ден-соолук маалыматы. ресурс. https://doi.org/0.4258/hir.2022.28.1.46 (2022).
Пост убактысы: 04-2024-январь