ຄວາມຖືກຕ້ອງຂອງການຂຸດຄົ້ນຂໍ້ມູນແບບຈໍາລອງສໍາລັບວິທີການປະເມີນຜົນດ້ານອາຍຸຍຸກແບບດັ້ງເດີມໃນບັນດາໄວລຸ້ນໄວລຸ້ນແລະຜູ້ໃຫຍ່ໄວຫນຸ່ມ

ຂໍຂອບໃຈທ່ານທີ່ໄດ້ໄປຢ້ຽມຢາມທໍາມະຊາດ. ສະບັບຂອງຕົວທ່ອງເວັບທີ່ທ່ານກໍາລັງໃຊ້ມີສະຫນັບສະຫນູນ CSS ຈໍາກັດ. ສໍາລັບຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດ, ພວກເຮົາແນະນໍາໃຫ້ໃຊ້ໂປແກຼມທ່ອງເວັບຂອງທ່ານໃຫມ່ກວ່າເກົ່າ (ຫຼືປິດແບບທີ່ເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນເວລານີ້, ເພື່ອຮັບປະກັນການສະຫນັບສະຫນູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາກໍາລັງສະແດງໃຫ້ເຫັນສະຖານທີ່ທີ່ບໍ່ມີຮູບແບບຫຼື JavaScript.
ແຂ້ວຖືກຖືວ່າເປັນຕົວຊີ້ວັດທີ່ຖືກຕ້ອງທີ່ສຸດຂອງອາຍຸຂອງຮ່າງກາຍຂອງມະນຸດແລະມັກຖືກນໍາໃຊ້ໃນການປະເມີນອາຍຸທີ່ເປັນທາງການ. ພວກເຮົາມີຈຸດປະສົງທີ່ຈະຄາດຄະເນການຄາດຄະເນຂອງອາຍຸການຄາດຄະເນການຂຸດຄົ້ນຂໍ້ມູນກ່ຽວກັບການຄາດຄະເນແລະການຈັດປະເພດການຈັດປະເພດຂອງລະດັບ 18 ປີດ້ວຍການຄາດຄະເນພື້ນເມືອງ. ທັງຫມົດ 2657 radiographs ໄດ້ຖືກລວບລວມມາຈາກພົນລະເມືອງເກົາຫຼີແລະຍີ່ປຸ່ນອາຍຸ 15 ຫາ 23 ປີ. ພວກເຂົາໄດ້ແບ່ງອອກເປັນຊຸດຝຶກອົບຮົມ, ແຕ່ລະອັນມີ 900 radiographys ເກົາຫຼີ, ແລະຊຸດທົດສອບພາຍໃນທີ່ມີ radiographs ຍີ່ປຸ່ນ 857. ພວກເຮົາໄດ້ປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດແລະປະສິດທິພາບຂອງວິທີການແບບດັ້ງເດີມກັບຊຸດການທົດສອບແບບຈໍາລອງການຂຸດຄົ້ນຂໍ້ມູນ. ຄວາມຖືກຕ້ອງຂອງວິທີການແບບດັ້ງເດີມໃນຊຸດທົດສອບພາຍໃນແມ່ນສູງກວ່າຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນເລັກນ້ອຍ, ແລະຄວາມຜິດພາດທີ່ສຸດ (ຫມາຍເຖິງປີທີ່ມີຄວາມຜິດພາດທີ່ສຸດ <0.24). ການປະຕິບັດການຈັດປະເພດສໍາລັບການຕັດຂອງ 18 ປີກໍ່ຄ້າຍຄືກັນລະຫວ່າງວິທີການແບບດັ້ງເດີມແລະແບບຈໍາລອງການຂຸດຄົ້ນຂໍ້ມູນ. ດັ່ງນັ້ນ, ວິທີການແບບດັ້ງເດີມສາມາດທົດແທນໄດ້ໂດຍຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນໃນເວລາທີ່ປະຕິບັດການປະເມີນອາຍຸຂອງຜູ້ໃຫຍ່ໂດຍໃຊ້ molars ທີສອງແລະຜູ້ໃຫຍ່ໄວລຸ້ນທີສອງ.
ການຄາດຄະເນ Age ໃນແຂ້ວແມ່ນຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນຢາປົວພະຍາດ Forensic ແລະທັນຕະແພດບໍາລຸງປົວພະຍາດ. ໂດຍສະເພາະ, ຍ້ອນຄວາມສໍາພັນສູງລະຫວ່າງອາຍຸລະດັບ chronological ແລະການປະເມີນຜົນໃນໄລຍະການພັດທະນາແຂ້ວແມ່ນການປະເມີນອາຍຸຂອງເດັກນ້ອຍແລະໄວລຸ້ນ 1,2,3. ເຖິງຢ່າງໃດກໍ່ຕາມ, ສໍາລັບຊາວຫນຸ່ມ, ການປະເມີນອາຍຸໃນແຂ້ວໂດຍອີງໃສ່ຄວາມເປັນຜູ້ໃຫຍ່ໃນແຂ້ວມີຂໍ້ຈໍາກັດເພາະວ່າການເຕີບໃຫຍ່ຂອງມັນເກືອບສົມບູນແລ້ວ, ໂດຍມີຂໍ້ຍົກເວັ້ນຂອງ molars ທີສາມ. ຈຸດປະສົງທາງກົດຫມາຍຂອງການກໍານົດອາຍຸຂອງຊາວຫນຸ່ມແລະໄວລຸ້ນແມ່ນການຄາດຄະເນແລະວິທະຍາສາດທີ່ຖືກຕ້ອງເຊິ່ງພວກເຂົາໄດ້ບັນລຸອາຍຸສ່ວນໃຫຍ່ແລ້ວ. ໃນການປະຕິບັດດ້ານກົດຫມາຍຂອງ Medicecents ແລະຜູ້ໃຫຍ່ໄວຫນຸ່ມໃນເກົາຫຼີ, ອາຍຸໄດ້ຄາດຄະເນໂດຍອີງໃສ່ຂໍ້ມູນທີ່ລາຍງານໂດຍ OF ET ALS 5.
ການຮຽນຮູ້ຂອງເຄື່ອງແມ່ນປະເພດຂອງປັນຍາປອມ (AI) ທີ່ຮຽນຮູ້ແລະຈັດແບ່ງປະເພດຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ, ແກ້ໄຂບັນຫາດ້ວຍຕົນເອງ, ແລະຂັບລົດຂຽນລາຍການຂອງຕົວເອງ. ການຮຽນຮູ້ຂອງເຄື່ອງສາມາດຄົ້ນພົບຮູບແບບທີ່ເຊື່ອງໄວ້ທີ່ເປັນປະໂຫຍດໃນປະລິມານຫຼາຍຂອງ data 9. ໃນທາງກົງກັນຂ້າມ, ວິທີການຄລາສສິກ, ເຊິ່ງມີຄວາມເຂັ້ມງວດແລະໃຊ້ເວລາຫຼາຍປານໃດ, ອາດຈະມີຂໍ້ຈໍາກັດໃນການຈັດການກັບຂໍ້ມູນທີ່ສັບສົນທີ່ມີຄວາມຫຍຸ້ງຍາກໃນການປຸງແຕ່ງຄູ່ມື. ເພາະສະນັ້ນ, ການສຶກສາຫຼາຍຢ່າງໄດ້ຖືກດໍາເນີນການໂດຍໃຊ້ເຕັກໂນໂລຢີຄອມພິວເຕີລ້າສຸດເພື່ອຫຼຸດຜ່ອນຄວາມຜິດພາດຂອງມະນຸດແລະມີປະສິດຕິຜົນໃນອັດຕາສ່ວນທີ່ຜິດພາດຂອງມະນຸດແລະມີປະສິດຕິຜົນ ໂດຍສະເພາະ, ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການວິເຄາະຮູບພາບ, ແລະວິທີການຕ່າງໆສໍາລັບການຄາດຄະເນຂອງອາຍຸສູງສຸດໂດຍອັດຕະໂນມັດຂອງການຄາດຄະເນແລະປະສິດຕິຜົນຂອງການຄາດຄະເນແລະປະສິດທິຜົນຂອງອາຍຸສູງສຸດ. . ຍົກຕົວຢ່າງ, Halabi et al 13 ໄດ້ພັດທະນາສູດການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍອີງໃສ່ເຄືອຂ່າຍ neural ທີ່ຫນ້າກຽດຊັງ (CNN) ເພື່ອປະຕິບັດອາຍຸການໃຊ້ຮູບພາບຂອງມືຂອງເດັກນ້ອຍ. ການສຶກສານີ້ສະເຫນີຮູບແບບທີ່ນໍາໃຊ້ເຄື່ອງຈັກທີ່ຮຽນຮູ້ກ່ຽວກັບຮູບພາບການແພດແລະສະແດງໃຫ້ເຫັນວ່າວິທີການເຫຼົ່ານີ້ສາມາດປັບປຸງຄວາມຖືກຕ້ອງຂອງການວິນິດໄສ. ອາຍຸການຄາດຄະເນຂອງ Li et al14 ຈາກຮູບພາບ Pelvic X-Ray ໂດຍໃຊ້ CNN ຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແລະປຽບທຽບກັບຜົນໄດ້ຮັບທີ່ມີການປະເມີນຂັ້ນຕອນຂອງ Regress. ພວກເຂົາພົບວ່າຕົວແບບການຮຽນຮູ້ທີ່ເລິກເຊິ່ງສະແດງໃຫ້ເຫັນການປະຕິບັດການປະເມີນລາຄາອາຍຸດຽວກັນກັບຮູບແບບການຮັກສາແບບດັ້ງເດີມ. ການສຶກສາ Guo et.
Most studies on age estimation using machine learning use deep learning methods13,14,15,16,17,18,19,20. ການຄາດຄະເນຂອງອາຍຸໂດຍອີງໃສ່ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແມ່ນຖືກລາຍງານວ່າມີຄວາມຖືກຕ້ອງກ່ວາວິທີການແບບດັ້ງເດີມ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ວິທີການນີ້ໃຫ້ໂອກາດຫນ້ອຍທີ່ຈະນໍາສະເຫນີພື້ນຖານທາງວິທະຍາສາດສໍາລັບການຄາດຄະເນຂອງອາຍຸ, ເຊັ່ນວ່າຕົວຊີ້ວັດອາຍຸທີ່ໃຊ້ໃນການຄາດຄະເນ. ນອກນັ້ນຍັງມີການຂັດແຍ້ງທາງກົດຫມາຍກ່ຽວກັບຜູ້ທີ່ດໍາເນີນການກວດກາ. ສະນັ້ນ, ການຄາດຄະຂັນໃນອາຍຸໂດຍອີງໃສ່ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແມ່ນຍາກທີ່ຈະຍອມຮັບໂດຍອໍານາດການປົກຄອງດ້ານການບໍລິຫານແລະຕຸລາການ. ການຂຸດຄົ້ນຂໍ້ມູນ (DM) ແມ່ນເຕັກນິກທີ່ສາມາດຄົ້ນພົບໄດ້ບໍ່ພຽງແຕ່ຄາດວ່າຈະມີຂໍ້ມູນທີ່ບໍ່ໄດ້ຄາດຫວັງ ການຮຽນຮູ້ຂອງເຄື່ອງແມ່ນຖືກນໍາໃຊ້ໃນການຂຸດຄົ້ນຂໍ້ມູນ, ແລະການຮຽນຮູ້ຂໍ້ມູນແລະການຮຽນຮູ້ເຄື່ອງໃຊ້ເຄື່ອງຫມາຍທີ່ສໍາຄັນໃນການຄົ້ນພົບຮູບແບບໃນຂໍ້ມູນ. ການຄາດຄະເນຂອງ Age ໂດຍໃຊ້ການພັດທະນາແຂ້ວແມ່ນອີງໃສ່ການປະເມີນຜົນຂອງຜູ້ກວດກາຂອງການເຕີບໂຕເຕັມຂອງແຂ້ວເປົ້າຫມາຍ, ແລະການປະເມີນຜົນນີ້ໄດ້ສະແດງອອກເປັນສອງຂັ້ນຕອນຂອງແຂ້ວເປົ້າຫມາຍ. DM ສາມາດຖືກນໍາໃຊ້ເພື່ອວິເຄາະຄວາມສໍາພັນລະຫວ່າງຂັ້ນຕອນການປະເມີນແຂ້ວແລະອາຍຸຕົວຈິງແລະມີທ່າແຮງໃນການວິເຄາະສະຖິຕິແບບດັ້ງເດີມ. ເພາະສະນັ້ນ, ຖ້າພວກເຮົາສະຫມັກເຕັກນິກ DM ໃນການຄາດຄະເນອາຍຸ, ພວກເຮົາສາມາດຈັດຕັ້ງປະຕິບັດການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍບໍ່ຕ້ອງກັງວົນກ່ຽວກັບຄວາມຮັບຜິດຊອບດ້ານກົດຫມາຍ. ຫລາຍການສຶກສາປຽບທຽບໄດ້ຖືກເຜີຍແຜ່ໃນທາງເລືອກທີ່ເປັນໄປໄດ້ກັບວິທີການຄູ່ມືດ້ານການຄ້າແບບດັ້ງເດີມແລະວິທີການທີ່ອີງໃສ່ EBM ສໍາລັບການກໍານົດອາຍຸແຂ້ວ. Shen et al23 ສະແດງໃຫ້ເຫັນວ່າຮູບແບບ DM ແມ່ນຖືກຕ້ອງກວ່າສູດກາເຟພື້ນເມືອງ. Galbourg et al24 ໃຊ້ວິທີການ DM ທີ່ແຕກຕ່າງກັນເພື່ອຄາດຄະເນສິດທິຂອງ Demirdjian 05
ເພື່ອປະເມີນອາຍຸທັນວາໃນໄວລຸ້ນເກົາຫຼີແລະຜູ້ໃຫຍ່ໄວຫນຸ່ມ, ວິທີການທີ 4 ຂອງ Lee ແມ່ນຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການປະຕິບັດດ້ານວິຊາການພາສາເກົາຫຼີ. ວິທີການນີ້ໃຊ້ວິເຄາະສະຖິຕິແບບດັ້ງເດີມ (ເຊັ່ນ: ນິຍາມຫຼາຍຄັ້ງ) ເພື່ອກວດກາຄວາມສໍາພັນລະຫວ່າງວິຊາທາງເກົາຫຼີແລະອາຍຸສູງສຸດຂອງເກົາຫຼີ. ໃນການສຶກສາຄັ້ງນີ້, ວິທີການຄາດຄະເນການຄາດຄະເນຂອງອາຍຸທີ່ໄດ້ຮັບໂດຍໃຊ້ວິທີການສະຖິຕິພື້ນເມືອງແມ່ນຖືກກໍານົດວ່າ "ວິທີການແບບດັ້ງເດີມ." ວິທີການຂອງ Lee ແມ່ນວິທີການແບບດັ້ງເດີມ, ແລະຄວາມຖືກຕ້ອງຂອງມັນໄດ້ຖືກຢືນຢັນໂດຍ OH et al. 5; ເຖິງຢ່າງໃດກໍ່ຕາມ, ການນໍາໃຊ້ການປະຕິບັດອາຍຸຂອງອາຍຸໂດຍອີງໃສ່ຕົວແບບ DM ໃນການປະຕິບັດດ້ານວິຊາການພາສາເກົາຫຼີແມ່ນຍັງເປັນຄໍາຖາມ. ເປົ້າຫມາຍຂອງພວກເຮົາແມ່ນການວິທະຍາສາດທີ່ມີຄວາມຫມາຍທີ່ມີທ່າແຮງທີ່ມີທ່າແຮງຂອງການຄາດຄະເນອາຍຸໂດຍອີງໃສ່ຕົວແບບ DM. ຈຸດປະສົງຂອງການສຶກສານີ້ແມ່ນ (1) ເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງຂອງສອງແບບໃນການປະຕິບັດໃນການຈັດປະເພດຂອງ 7 DM ແລະ molars ທີສາມໃນທັງສອງ jaws.
ຫມາຍຄວາມວ່າແລະການບ່ຽງເບນມາດຕະຖານຂອງປະເພດແລະປະເພດແຂ້ວແມ່ນສະແດງໃຫ້ເຫັນ online (ຊຸດຝຶກອົບຮົມ), ຊຸດການທົດສອບພາຍໃນ), ແລະກໍານົດການທົດສອບພາຍນອກ). ຄຸນຄ່າຂອງ Kappa ສໍາລັບຄວາມຫນ້າເຊື່ອຖືໃນການຝຶກອົບຮົມທີ່ໄດ້ຮັບຈາກຊຸດການຝຶກອົບຮົມແມ່ນ 0.951 ແລະ 0.947, ຕາມລໍາດັບ. P ຄຸນຄ່າແລະ 95% ຄວາມຫມັ້ນໃຈໃນໄລຍະ 95% ສໍາລັບ kappa ຄຸນຄ່າແມ່ນສະແດງຢູ່ໃນ Online S4 S4. ມູນຄ່າ Kappa ໄດ້ຖືກຕີຄວາມວ່າ "ເກືອບສົມບູນແບບ", ສອດຄ່ອງກັບມາດຖານຂອງ Landis ແລະ Koch26.
ເມື່ອປຽບທຽບຫມາຍຄວາມວ່າຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE), ວິທີການແບບດັ້ງເດີມທີ່ດີກວ່າເລັກນ້ອຍເລັກນ້ອຍສໍາລັບຜູ້ຊົມເຊີຍ DM ສໍາລັບການທົດສອບທັງຫມົດແລະໃນການທົດສອບການທົດສອບພາຍນອກແລະຍົກເວັ້ນຄວາມຮັບຮູ້ຂອງ Multilayer (MLP). ຄວາມແຕກຕ່າງລະຫວ່າງຮູບແບບພື້ນເມືອງແລະຮູບແບບ DM ໃນຊຸດທົດສອບຜູ້ຊາຍພາຍໃນແມ່ນ 0.12-0.19 ປີສໍາລັບຜູ້ຊາຍແລະ 0,17-0.21 ປີສໍາລັບແມ່ຍິງ. ສໍາລັບແບດເຕີລີ່ທົດສອບພາຍນອກ, ຄວາມແຕກຕ່າງຈະນ້ອຍກວ່າ (0.001-05,05 ປີສໍາລັບຜູ້ຊາຍແລະ 0.05-05-0.09 ປີສໍາລັບແມ່ຍິງ). ນອກຈາກນັ້ນ, ຮາກຫມາຍເຖິງຄວາມຜິດພາດຮຽບຮ້ອຍ (RMSE) ແມ່ນຕໍ່າກ່ວາວິທີການແບບດັ້ງເດີມເລັກນ້ອຍ, 0.03-0.07, 0.04-07, 0.04-0.08 ສໍາລັບຊຸດທົດສອບພາຍນອກ). ). MLP ສະແດງໃຫ້ເຫັນການປະຕິບັດທີ່ດີກວ່າເລັກນ້ອຍກ່ວາຊັ້ນດຽວຂອງ SCP (ຍົກເວັ້ນໃນກໍລະນີຂອງຊຸດທົດສອບພາຍນອກຂອງແມ່ຍິງ. ສໍາລັບ MAE ແລະ RMPE, ຊຸດທົດສອບການທົດສອບພາຍນອກສູງກ່ວາຊຸດທົດສອບພາຍໃນສໍາລັບເພດຊາຍແລະແບບຈໍາລອງທັງຫມົດ. mae ແລະ rmse ທັງຫມົດແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 1 ແລະຮູບ 1.
Mae ແລະ RMPE ຂອງແບບຈໍາລອງການຂຸດຄົ້ນບໍ່ແຮ່ແບບດັ້ງເດີມແລະຂໍ້ມູນ. ຫມາຍຄວາມວ່າ MAE ຂໍ້ຜິດພາດຢ່າງແທ້ຈິງ, ຮາກຫມາຍຄວາມວ່າຄວາມຜິດພາດທີ່ມີຄວາມຜິດພາດ, SPLEPTRON SPEILTRON SCETRETRON MUSTYER MUSTYER MUSTYER MLP, Multilayer MLP, ວິທີການແບບດັ້ງເດີມ.
ການປະຕິບັດການຈັດປະເພດ (ມີການຕັດຂອງຕົວແບບປະເພນີແລະ DM ໄດ້ສະແດງໃຫ້ເຫັນໃນແງ່ຂອງການຄາດຄະເນ, ຄວາມສາມາດຄາດຄະເນ, ແລະພື້ນທີ່ທີ່ຢູ່ໃນເສັ້ນທາງທີ່ມີລັກສະນະ (NPV) (AUROC) 27 (ຕາຕະລາງ 2, ຮູບ 2 ແລະຕົວເລກເສີມ 1 online). ໃນແງ່ຂອງຄວາມອ່ອນໄຫວຂອງແບດເຕີລີ່ທົດສອບພາຍໃນ, ວິທີການແບບດັ້ງເດີມທີ່ດີທີ່ສຸດໃນບັນດາຜູ້ຊາຍແລະຮ້າຍແຮງກວ່າເກົ່າໃນບັນດາແມ່ຍິງ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ຄວາມແຕກຕ່າງຂອງການຈັດປະເພດການຈັດປະເພດລະຫວ່າງວິທີການແບບດັ້ງເດີມແລະ SD ແມ່ນ 9,7% ສໍາລັບຜູ້ຊາຍ (MLP) ແລະພຽງແຕ່ 2.4% ສໍາລັບແມ່ຍິງ (XGboost). ໃນບັນດາຕົວແບບ DM, ການສົນທະນາການສົນທະນາ (LR) ສະແດງໃຫ້ເຫັນຄວາມອ່ອນໄຫວທີ່ດີຂື້ນໃນທັງສອງເພດ. ກ່ຽວກັບຄວາມສະເພາະຂອງຊຸດການທົດສອບພາຍໃນ, ມັນໄດ້ຖືກສັງເກດເຫັນວ່າສີ່ແບບຂອງ SD ປະຕິບັດໄດ້ດີໃນເພດຊາຍ, ໃນຂະນະທີ່ຮູບແບບດັ້ງເດີມທີ່ເຮັດໃຫ້ດີຂື້ນໃນເພດຍິງ. ຄວາມແຕກຕ່າງຂອງການຈັດປະເພດການຈັດປະເພດສໍາລັບຜູ້ຊາຍແລະເພດຍິງແມ່ນ 13,3% (MLP) ແລະ 13,1%), ເຊິ່ງລະບຸຄວາມແຕກຕ່າງໃນການຈັດປະເພດການຈັດປະເພດລະຫວ່າງຕົວແບບເກີນຄວາມອ່ອນໄຫວ. ໃນບັນດາຕົວແບບ DM, ເຄື່ອງສໍາລອງທີ່ສະຫນັບສະຫນູນ, SVM), DT), ແລະປ່າໄມ້ແບບສຸ່ມ (RF) AUROC ຂອງຮູບແບບດັ້ງເດີມແລະຮູບແບບ SD ແມ່ນຫຼາຍກ່ວາ 0.925 (k-neara ທີ່ສຸດ. ສໍາລັບຊຸດທົດສອບພາຍນອກ, ມີການຈັດປະເພດການຈັດປະເພດໃນແງ່ຂອງຄວາມອ່ອນໄຫວ, ສະເພາະແລະ AUROC ທຽບໃສ່ຊຸດທົດສອບພາຍໃນ. ຍິ່ງໄປກວ່ານັ້ນ, ຄວາມແຕກຕ່າງຂອງຄວາມອ່ອນໄຫວແລະສະເພາະລະຫວ່າງຮູບແບບການຈັດປະເພດທີ່ດີທີ່ສຸດແລະດີທີ່ສຸດຕັ້ງແຕ່ 10% ເຖິງ 25% ແລະມີຂະຫນາດໃຫຍ່ກ່ວາຄວາມແຕກຕ່າງໃນຊຸດທົດສອບພາຍໃນ.
ຄວາມອ່ອນໄຫວແລະຄວາມສະເພາະຂອງຕົວແບບການຈັດປະເພດຂໍ້ມູນການຂຸດຄົ້ນຂໍ້ມູນເມື່ອທຽບໃສ່ກັບວິທີການແບບດັ້ງເດີມທີ່ມີການຕັດຂອງ 18 ປີ. ເພື່ອນບ້ານໃກ້ເຮືອນຄຽງ KNOVE, VEGE AULTERS VECTER, VERMENTICS RAMECESS, DT ຕັດສິນໃຈປ່າໄມ້, XGB XGBOOS, MLP Multilayer SCEptron, ວິທີການແບບດັ້ງເດີມ.
ຂັ້ນຕອນທໍາອິດໃນການສຶກສາຄັ້ງນີ້ແມ່ນການປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງອາຍຸທັນຕະແພດທີ່ໄດ້ຮັບຈາກຮູບແບບ DM ທີ່ໄດ້ຮັບໂດຍການໃຊ້ຢາພື້ນເມືອງ. MAE ແລະ RMSE ໄດ້ຖືກປະເມີນໃນຊຸດການທົດສອບພາຍໃນສໍາລັບເພດທັງສອງ, ແລະຄວາມແຕກຕ່າງລະຫວ່າງວິທີການແບບດັ້ງເດີມແລະ 77 ວັນສໍາລັບ mae ແລະ 88 ວັນສໍາລັບ rmse. ເຖິງແມ່ນວ່າວິທີການແບບດັ້ງເດີມແມ່ນຖືກຕ້ອງເລັກນ້ອຍໃນການສຶກສານີ້, ມັນເປັນການຍາກທີ່ຈະສະຫຼຸບໄດ້ວ່າຄວາມແຕກຕ່າງນ້ອຍໆມີຄວາມແຕກຕ່າງເລັກໆນ້ອຍໆຫຼືການປະຕິບັດຄວາມສໍາຄັນ. ຜົນໄດ້ຮັບເຫຼົ່ານີ້ສະແດງໃຫ້ເຫັນວ່າຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນອາຍຸທັນຕະກໍາໂດຍໃຊ້ຕົວແບບ DM ແມ່ນເກືອບຄືກັນກັບວິທີການແບບດັ້ງເດີມ. ການປຽບທຽບໂດຍກົງກັບຜົນໄດ້ຮັບຈາກການສຶກສາທີ່ຜ່ານມາແມ່ນມີຄວາມຫຍຸ້ງຍາກໃນການສຶກສາຂອງຕົວແບບ DM ໂດຍໃຊ້ເຕັກນິກການບັນທຶກສຽງໃນຊ່ວງອາຍຸດຽວກັນກັບໃນການສຶກສາຄັ້ງດຽວກັນ. Galbourg et al24 ປຽບທຽບ MAE ແລະ RMSE ລະຫວ່າງສອງວິທີການແບບດັ້ງເດີມ (Demirjian Motet25 ແລະ Willems Method29) ແລະ 10 dm ແບບໃນປະຊາກອນຝຣັ່ງອາຍຸ 2 ຫາ 24 ປີ. ພວກເຂົາໄດ້ລາຍງານວ່າແບບ DM ທັງຫມົດແມ່ນຖືກຕ້ອງກວ່າວິທີການແບບດັ້ງເດີມ, ໂດຍມີຄວາມແຕກຕ່າງຂອງ 0.,38 ແລະ 0.47 ແລະ 0,47 ປີທຽບໃສ່ກັບ Willems ແລະ Demirdjian. ຄວາມແຕກຕ່າງລະຫວ່າງ SD Model ແລະວິທີການທີ່ສະແດງຢູ່ໃນການສຶກສາ Halbourg ຕ້ອງໄດ້ພິຈາລະນາໃນບົດບາດຂອງຊາວການາດານອກເຫນືອຈາກຊາວການາດາທີ່ມາສຶກສາ. ໃນການສຶກສາຄັ້ງນີ້. Tai et al 34 ໄດ້ໃຊ້ MLP Algorithm ເພື່ອຄາດຄະເນການໃຊ້ແປງຂອງແຂ້ວຈາກປີ 1636 ຮູບຖ່າຍແບບດັ້ງເດີມຂອງຈີນແລະທຽບເທົ່າກັບວິທີການຂອງວິທີການຂອງ demirjian ແລະ Willems. ພວກເຂົາໄດ້ລາຍງານວ່າ MLP ມີຄວາມຖືກຕ້ອງສູງກ່ວາວິທີການແບບດັ້ງເດີມ. ຄວາມແຕກຕ່າງລະຫວ່າງວິທີການຂອງ Demirdjian ແລະວິທີການແບບດັ້ງເດີມແມ່ນ <0.32 ປີ, ແລະວິທີການ willems ແມ່ນ 0,28 ປີ, ເຊິ່ງຄ້າຍກັບຜົນຂອງການສຶກສາໃນປະຈຸບັນ. ຜົນຂອງການສຶກສາທີ່ຜ່ານມານີ້ແມ່ນສອດຄ່ອງກັບຜົນຂອງການສຶກສາໃນປະຈຸບັນ, ແລະຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງຕົວແບບ DM ແລະວິທີການແບບດັ້ງເດີມແມ່ນຄ້າຍຄືກັນ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ໂດຍອີງໃສ່ຜົນໄດ້ຮັບທີ່ໄດ້ຮັບການນໍາສະເຫນີ, ພວກເຮົາສາມາດສະຫລຸບຢ່າງລະມັດລະວັງວ່າການນໍາໃຊ້ແບບ DM ເພື່ອໃຫ້ມີການປ່ຽນແປງວິທີການປຽບທຽບແລະການອ້າງອີງທີ່ຜ່ານມາ. ການສຶກສາຕິດຕາມໂດຍໃຊ້ຕົວຢ່າງຂະຫນາດໃຫຍ່ເພື່ອຢືນຢັນຜົນໄດ້ຮັບທີ່ໄດ້ຮັບໃນການສຶກສານີ້.
ໃນບັນດາການສຶກສາທົດສອບຄວາມຖືກຕ້ອງຂອງ SD ໃນການປະເມີນຍຸກຍຸກ, ບາງຄົນໄດ້ສະແດງຄວາມຖືກຕ້ອງສູງກວ່າການສຶກສາຂອງພວກເຮົາ. Stepanovsky et Al 35 ພວກເຂົາໄດ້ປະເມີນການພັດທະນາທັງຫມົດຂອງຈໍານວນທັງຫມົດ 16 ແຂ້ວເບື້ອງຊ້າຍແລະລຸ່ມໂດຍໃຊ້ເງື່ອນໄຂການຈັດປະເພດທີ່ສະເຫນີໂດຍ Moorrees et al 36. Mae ແມ່ນຢູ່ຫ່າງຈາກ 0.94 ເຖິງ 0.94 ປີແລະ RMPe ແມ່ນຕັ້ງແຕ່ 0.85 ຫາ 1,27 ປີ, ເຊິ່ງມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາສອງແບບ DM ທີ່ໃຊ້ໃນການສຶກສານີ້. Shen et al23 ໃຊ້ວິທີການ camerriere ໃນການປະເມີນອາຍຸໃນການປົກກະຕິ 7 - 13 ປີແລະເມື່ອທຽບກັບການຄາດຄະເນໂດຍໃຊ້ເສັ້ນທາງສາຍ ພວກເຂົາສະແດງໃຫ້ເຫັນວ່າທັງສາມແບບ DM ມີຄວາມຖືກຕ້ອງສູງເມື່ອທຽບກັບສູດ cameriere ແບບດັ້ງເດີມ. MAE ແລະ RMPE ໃນການສຶກສາຂອງ Shen ແມ່ນຕໍ່າກ່ວາທີ່ຢູ່ໃນ DM Model ໃນການສຶກສາຄັ້ງນີ້. ຄວາມແມ່ນຍໍາທີ່ເພີ່ມຂື້ນຂອງການສຶກສາໂດຍ Stepanovsky et al. 35 ແລະ Shen et al. 23 ອາດຈະເປັນຍ້ອນການລວມເອົາຫົວຂໍ້ຫນຸ່ມໃນຕົວຢ່າງການສຶກສາຂອງພວກເຂົາ. ເນື່ອງຈາກວ່າການຄາດຄະເນຂອງອາຍຸສໍາລັບຜູ້ເຂົ້າຮ່ວມທີ່ມີແຂ້ວພັດທະນາຈະຖືກຕ້ອງໃນລະດັບການພັດທະນາແຂ້ວ, ຄວາມຖືກຕ້ອງຂອງການປະເມີນຜົນທີ່ໄດ້ຮັບໃນເວລາທີ່ສຶກສາອາຍຸຍັງນ້ອຍ. ນອກຈາກນັ້ນ, ຄວາມຜິດພາດຂອງ MLP ໃນການຄາດຄະເນຂອງ MLP ແມ່ນນ້ອຍກວ່າ SLP, ຫມາຍຄວາມວ່າ MLP ແມ່ນຖືກຕ້ອງກວ່າ SLP. MLP ຖືວ່າດີກວ່າສໍາລັບການຄາດຄະເນຂອງອາຍຸ, ອາດຈະເປັນຍ້ອນຊັ້ນທີ່ເຊື່ອງໄວ້ໃນ MLP38. ເຖິງຢ່າງໃດກໍ່ຕາມ, ມີຂໍ້ຍົກເວັ້ນສໍາລັບຕົວຢ່າງດ້ານນອກຂອງແມ່ຍິງ (SLP 1.45, MLP 1.49). ການຄົ້ນພົບວ່າ MLP ແມ່ນຖືກຕ້ອງກວ່າ SCP ໃນອາຍຸການປະເມີນຄວາມຕ້ອງການເພີ່ມເຕີມ.
ການປະຕິບັດການຈັດປະເພດຂອງຕົວແບບ DM ແລະວິທີການແບບດັ້ງເດີມໃນລະດັບປະຈໍາປີ 18 ປີກໍ່ຖືກປຽບທຽບ. ທຸກແບບຂອງ SD ແລະວິທີການແບບດັ້ງເດີມໃນຊຸດທົດສອບພາຍໃນສະແດງໃຫ້ເຫັນລະດັບການຈໍາແນກທີ່ຍອມຮັບໄດ້ໃນຕົວຢ່າງໃນການຈໍາແນກອາຍຸ 18 ປີ. ຄວາມອ່ອນໄຫວສໍາລັບຜູ້ຊາຍແລະຜູ້ຍິງແມ່ນໃຫຍ່ກວ່າ 87,7% ແລະ 94,9%, ຕາມລໍາດັບ, ແລະສະເພາະແມ່ນໃຫຍ່ກວ່າ 89,3% ແລະ 84,7%. AUROC ຂອງແບບຈໍາລອງທີ່ຖືກທົດສອບທັງຫມົດຍັງເກີນ 0.925. ເຖິງຄວາມຮູ້ທີ່ດີທີ່ສຸດຂອງພວກເຮົາ, ບໍ່ມີການສຶກສາໃດໆທີ່ໄດ້ທົດສອບການສະແດງຂອງຕົວແບບ DM ສໍາລັບການຈັດປະເພດ 18 ປີໂດຍອີງໃສ່ຄວາມເປັນຜູ້ໃຫຍ່ໃນແຂ້ວ. ພວກເຮົາສາມາດປຽບທຽບຜົນໄດ້ຮັບຂອງການສຶກສາຄັ້ງນີ້ດ້ວຍການປະຕິບັດການຈັດປະເພດຂອງແບບຢ່າງເລິກໆກ່ຽວກັບ radiographs Panoramic. Guo et al.15 ຄິດໄລ່ການປະຕິບັດການຈັດປະເພດຂອງຕົວແບບການຮຽນຮູ້ເລິກຂອງ CNN ແລະວິທີການຄູ່ມືໂດຍອີງໃສ່ວິທີການຂອງ Demirjian ສໍາລັບຂອບເຂດອາຍຸສູງສຸດ. ຄວາມອ່ອນໄຫວແລະຄວາມສະເພາະຂອງວິທີການຄູ່ມືແມ່ນ 87,7% ແລະ 95,5%, ຕາມລໍາດັບ, ແລະສະເພາະຂອງຕົວແບບ CNN ເກີນ 89,2% ແລະ 86,6%, ຕາມລໍາດັບ. ພວກເຂົາໄດ້ສະຫຼຸບວ່າແບບຈໍາລອງການຮຽນທີ່ເລິກເຊິ່ງສາມາດທົດແທນຫຼືປະເມີນຜົນຄູ່ມືໃນລະດັບຂອງອາຍຸໄດ້. ຜົນຂອງການສຶກສາຄັ້ງນີ້ໄດ້ສະແດງໃຫ້ເຫັນການປະຕິບັດການຈັດປະເພດທີ່ຄ້າຍຄືກັນ; ມັນໄດ້ຖືກເຊື່ອວ່າການຈັດປະເພດໂດຍໃຊ້ DM ສາມາດທົດແທນວິທີການສະຖິຕິພື້ນເມືອງສໍາລັບການຄາດຄະເນຂອງອາຍຸ. ໃນບັນດາຕົວແບບ, DM LR ແມ່ນຮູບແບບທີ່ດີທີ່ສຸດໃນແງ່ຂອງຄວາມອ່ອນໄຫວສໍາລັບຕົວຢ່າງຂອງຜູ້ຊາຍແລະຄວາມອ່ອນໄຫວແລະສະເພາະສໍາລັບຕົວຢ່າງຍິງ. LR ຈັດອັນດັບທີສອງໃນສະເພາະສໍາລັບຜູ້ຊາຍ. ຍິ່ງໄປກວ່ານັ້ນ, LR ຖືວ່າເປັນຫນຶ່ງໃນຮູບແບບ DM35 ທີ່ເປັນມິດກັບຜູ້ໃຊ້ຫຼາຍກວ່າເກົ່າແລະມີຄວາມສັບສົນແລະຍາກທີ່ຈະປຸງແຕ່ງ. ອີງໃສ່ຜົນໄດ້ຮັບເຫຼົ່ານີ້, LR ໄດ້ຖືກພິຈາລະນາເປັນຕົວແບບການຈັດປະເພດທີ່ດີທີ່ສຸດສໍາລັບເດັກອາຍຸ 18 ປີໃນປະຊາກອນເກົາຫຼີ.
ໂດຍລວມແລ້ວ, ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງອາຍຸຫຼືການຈັດປະເພດການຈັດປະເພດການທົດສອບພາຍນອກແມ່ນບໍ່ດີຫຼືຕ່ໍາຖ້າທຽບໃສ່ຜົນໄດ້ຮັບໃນການທົດສອບພາຍໃນ. ບາງບົດລາຍງານຊີ້ໃຫ້ເຫັນວ່າຄວາມຖືກຕ້ອງຫຼືການປະເມີນປະສິດທິພາບຫຼຸດລົງເມື່ອປະກາດອາຍຸສູງສຸດແມ່ນໃຊ້ກັບປະຊາກອນເກົາຫຼີ 4,39 ຄົນ, ແລະມີຮູບແບບທີ່ຄ້າຍຄືກັນໃນການສຶກສາໃນປະຈຸບັນ. ແນວໂນ້ມການເສື່ອມສະພາບນີ້ກໍ່ໄດ້ຖືກສັງເກດເຫັນໃນແບບ DM. ສະນັ້ນ, ການປະເມີນອາຍຸໃຫ້ຖືກຕ້ອງ, ເຖິງແມ່ນວ່າໃນເວລາທີ່ໃຊ້ DM ໃນຂະບວນການວິເຄາະ, ວິທີການທີ່ໄດ້ມາຈາກຂໍ້ມູນປະຊາກອນພື້ນເມືອງ, ຄວນເປັນສິ່ງທີ່ມັກ 4,39,40,42,41,42,42,41,42,42,41,42,42,412. ເນື່ອງຈາກວ່າມັນບໍ່ຈະແຈ້ງວ່າແບບຈໍາລອງການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງສາມາດສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງແລະປະສິດທິພາບຂອງການຮຽນຮູ້ທີ່ຈໍາເປັນເພື່ອຢັ້ງຢືນຄວາມແຕກຕ່າງດ້ານສິລະປະໃນອາຍຸສູງສຸດໃນອາຍຸທີ່ຈໍາກັດ. ການປະເມີນຜົນ.
ພວກເຮົາສະແດງໃຫ້ເຫັນວ່າວິທີການແບບດັ້ງເດີມສາມາດທົດແທນໄດ້ໂດຍການຄາດຄະເນຂອງອາຍຸໂດຍອີງໃສ່ການປະຕິບັດການປະຕິບັດຍຸກ DM ໃນການປະຕິບັດການຄາດຄະເນໃນປະເທດເກົາຫຼີ. ພວກເຮົາຍັງໄດ້ຄົ້ນພົບຄວາມເປັນໄປໄດ້ໃນການຈັດຕັ້ງປະຕິບັດການຮຽນຮູ້ເຄື່ອງຈັກການຮຽນຮູ້ດ້ານອາຍຸການຮັກສາ. ເຖິງຢ່າງໃດກໍ່ຕາມ, ມັນມີຂໍ້ຈໍາກັດທີ່ຈະແຈ້ງ, ເຊັ່ນວ່າຈໍານວນຜູ້ເຂົ້າຮ່ວມທີ່ບໍ່ພຽງພໍໃນການສຶກສານີ້ເພື່ອກໍານົດຜົນໄດ້ຮັບ, ແລະຢືນຢັນຜົນຂອງການສຶກສາຄັ້ງນີ້. ໃນອະນາຄົດ, ການສຶກສາ DM ຄວນດໍາເນີນດ້ວຍຕົວຢ່າງທີ່ໃຫຍ່ກວ່າແລະປະຊາກອນທີ່ຫຼາກຫຼາຍເພື່ອປັບປຸງການນໍາໃຊ້ພາກປະຕິບັດຕົວຈິງ. ການເຮັດໃຫ້ຄວາມເປັນໄປໄດ້ຂອງການໃຊ້ຄວາມເປັນໄປໄດ້ໃນການນໍາໃຊ້ປັນຍາປະດິດເພື່ອໃຫ້ມີການປະເມີນອາຍຸສູງສຸດ, ການສຶກສາຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດຂອງ DM ແລະແບບຢ່າງທີ່ມີຕົວຢ່າງແບບດັ້ງເດີມໃນຕົວຢ່າງແບບດັ້ງເດີມໃນຕົວຢ່າງແບບດຽວກັນ.
ການສຶກສາກ່ຽວກັບການນໍາໃຊ້ 2,657 ຮູບຖ່າຍທີ່ເກັບມາຈາກຜູ້ໃຫຍ່ເກົາຫຼີແລະຍີ່ປຸ່ນເຖົ້າແກ່ 15 ຫາ 23 ປີ. Radiographs ເກົາຫຼີແບ່ງອອກເປັນ 900 ຊຸດການຝຶກອົບຮົມ (19.42 ± 2.65 ປີ) ແລະ 900 ຊຸດທົດສອບພາຍໃນ (19.52 ± 2.59 ປີ). ຊຸດການຝຶກອົບຮົມໄດ້ຖືກເກັບກໍາຢູ່ໂຮງຫມໍແຫ່ງຫນຶ່ງໃນສະຖາບັນ (SEAL S. ພວກເຮົາຍັງໄດ້ເກັບກ່ຽວ 857 radographs ຈາກຂໍ້ມູນຂອງປະຊາກອນອື່ນ (Iwate Medical University, Japan) ສໍາລັບການທົດສອບພາຍນອກ. RIVEROGRONSS ຂອງວິຊາພາສາຍີ່ປຸ່ນ (19.31 ± 2.60 ປີ) ໄດ້ຖືກຄັດເລືອກເປັນຊຸດທົດສອບພາຍນອກ. ຂໍ້ມູນໄດ້ຖືກລວບລວມໄດ້ຮັບການລວບລວມຄືນໃຫມ່ເພື່ອວິເຄາະໄລຍະການພັດທະນາແຂ້ວໃນ radiographs Panoramic ທີ່ໃຊ້ໃນການປິ່ນປົວດ້ວຍແຂ້ວ. ຂໍ້ມູນທັງຫມົດທີ່ເກັບໄດ້ແມ່ນບໍ່ລະບຸໃຈຍົກເວັ້ນເພດ, ວັນເດືອນປີເກີດແລະວັນເດືອນປີເກີດແລະວັນທີຂອງ radiograph. ການລວມເອົາແລະການຍົກເວັ້ນເງື່ອນໄຂແມ່ນຄືກັນກັບການສຶກສາທີ່ເຜີຍແຜ່ກ່ອນຫນ້ານີ້ 4, 5. ອາຍຸຕົວຈິງຂອງຕົວຢ່າງໄດ້ຖືກຄິດໄລ່ໂດຍການຫັກອອກວັນເດືອນປີເກີດນັບແຕ່ວັນທີ່ມີ radiograph ໄດ້ຖືກປະຕິບັດ. ກຸ່ມຕົວຢ່າງໄດ້ແບ່ງອອກເປັນ 9 ກຸ່ມອາຍຸ. ການແຈກຈ່າຍອາຍຸແລະການແຈກຢາຍທາງເພດແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 3 ການສຶກສາກ່ຽວກັບການສຶກສາຂອງ Helsinki ເນື່ອງຈາກການອອກແບບທີ່ກ່ຽວຂ້ອງກັບການສຶກສາຄັ້ງນີ້, ການຍິນຍອມທີ່ໄດ້ຮັບຂໍ້ມູນບໍ່ສາມາດໄດ້ຮັບຈາກຄົນເຈັບທຸກຄົນທີ່ໄດ້ຮັບການກວດ radiographic ສໍາລັບການຮັກສາ. ໂຮງຫມໍແຫ່ງມະຫາວິທະຍາໄລ Seoul ເກົາຫລີໃຕ້ໂຮງຫມໍຂອງນາງມາຣີ (IRB) ຍົກເວັ້ນຄວາມຮຽກຮ້ອງຕ້ອງການສໍາລັບການຍິນຍອມເຫັນດີ.
ໄລຍະການພັດທະນາຂອງ molars ທີ່ສອງແລະທີສາມໄດ້ຖືກປະເມີນຕາມເງື່ອນໄຂຂອງ Demircan25. ມີພຽງແຕ່ແຂ້ວດຽວເທົ່ານັ້ນທີ່ຖືກເລືອກຖ້າມີແຂ້ວປະເພດດຽວກັນຢູ່ດ້ານຊ້າຍແລະຂວາຂອງແຕ່ລະຄາງກະໄຕ. ຖ້າມີແຂ້ວທີ່ມີຄວາມຖ່ອມຕົວຢູ່ສອງດ້ານແມ່ນຢູ່ໃນໄລຍະການພັດທະນາທີ່ແຕກຕ່າງກັນ, ແຂ້ວທີ່ມີຂັ້ນຕອນການພັດທະນາທາງລຸ່ມໄດ້ຖືກຄັດເລືອກໃຫ້ຄວາມບໍ່ແນ່ນອນໃນອາຍຸການຄາດຄະເນ. ຫນຶ່ງຮ້ອຍຮ້ອຍແບບສຸ່ມທີ່ຖືກຄັດເລືອກໂດຍການຝຶກອົບຮົມທີ່ມີປະໂຫຍດໂດຍຜູ້ສັງເກດການທີ່ມີປະສົບການສອງຄົນເພື່ອທົດສອບຄວາມຫນ້າເຊື່ອຖືຂອງ Interobserver ຫຼັງການກໍານົດເວທີຄົບກໍານົດແຂ້ວ. ຄວາມຫນ້າເຊື່ອຖືຂອງ Intraoosberver ໄດ້ຖືກປະເມີນສອງຄັ້ງໃນເວລາ 3 ເດືອນໂດຍຜູ້ສັງເກດການປະຖົມ.
ຂັ້ນຕອນຂອງການຮ່ວມເພດແລະການພັດທະນາຂອງ molars ທີສອງແລະທີສາມຂອງແຕ່ລະຊຸດການຝຶກອົບຮົມໄດ້ຖືກຝຶກອົບຮົມດ້ວຍຕົວແບບ DM ທີ່ແຕກຕ່າງກັນ, ແລະອາຍຸຕົວຈິງໄດ້ຖືກກໍານົດເປັນມູນຄ່າເປົ້າຫມາຍ. ຮູບແບບ SLP ແລະ MLP, ເຊິ່ງຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການຮຽນຮູ້ເຄື່ອງ, ໄດ້ຖືກທົດສອບຕໍ່ກັບການຄິດໄລ່ຄືນໃຫມ່ຂອງ Regionithms. ຮູບແບບ DM ປະສົມປະສານຫນ້າທີ່ເສັ້ນທາງໂດຍໃຊ້ໄລຍະການພັດທະນາຂອງສີ່ແຂ້ວແລະປະສົມປະສານຂໍ້ມູນເຫຼົ່ານີ້ເພື່ອປະສົມປະສານອາຍຸ. SLP ແມ່ນເຄືອຂ່າຍ neural ທີ່ລຽບງ່າຍທີ່ສຸດແລະບໍ່ມີຊັ້ນທີ່ເຊື່ອງໄວ້. SLP ເຮັດວຽກໂດຍອີງໃສ່ລະບົບການສົ່ງທີ່ໃກ້ຈະເຂົ້າສູ່ລະຫວ່າງຂໍ້. ແບບ SLP ໃນ Regression ແມ່ນຄ້າຍຄືກັນກັບການເຮັດຕາມທາງຄະນິດສາດ. ບໍ່ຄືກັບຕົວແບບ SLP, ຮູບແບບ MLP ມີຫລາຍຊັ້ນທີ່ເຊື່ອງໄວ້ດ້ວຍຫນ້າທີ່ການກະຕຸ້ນທີ່ບໍ່ມີສາຍ. ການທົດລອງຂອງພວກເຮົາໄດ້ໃຊ້ຊັ້ນທີ່ເຊື່ອງໄວ້ດ້ວຍພຽງແຕ່ 20 ຂໍ້ທີ່ເຊື່ອງໄວ້ພ້ອມກັບຫນ້າທີ່ການກະຕຸ້ນທີ່ບໍ່ມີສາຍ. ໃຊ້ການສືບເຊື້ອສາຍທີ່ດີເລີດທີ່ເປັນວິທີການທີ່ດີທີ່ສຸດແລະ mae ແລະ rmse ຍ້ອນວ່າການສູນເສຍທີ່ເຮັດວຽກເພື່ອຝຶກອົບຮົມແບບຮຽນຂອງເຄື່ອງຈັກຂອງພວກເຮົາ. ແບບຈໍາລອງທີ່ໄດ້ຮັບທີ່ໄດ້ຮັບທີ່ໄດ້ຮັບທີ່ດີທີ່ສຸດໄດ້ຖືກນໍາໃຊ້ກັບຊຸດທົດສອບພາຍໃນແລະພາຍນອກແລະອາຍຸຂອງແຂ້ວໄດ້ຖືກຄາດຄະເນ.
ການຄິດໄລ່ການຈັດປະເພດການຈັດປະເພດທີ່ໃຊ້ເວລາທີ່ໃຊ້ຄວາມເຕັມທີ່ຂອງສີ່ແຂ້ວໃນການຝຶກອົບຮົມທີ່ກໍານົດໄວ້ໃນການຄາດເດົາວ່າຕົວຢ່າງມີອາຍຸ 18 ປີຫລືບໍ່. ການກໍ່ສ້າງແບບຈໍາລອງ, ພວກເຮົາໄດ້ມາເຖິງ 7 ຕົວແທນຂອງການຮຽນຮູ້ເຄື່ອງຈັກ WelliTation-Machine.43, ((1) (3) DT, ( . LR ແມ່ນຫນຶ່ງໃນສູດການຈັດປະເພດການຈັດປະເພດທີ່ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງທີ່ສຸດ. ມັນແມ່ນການຄິດໄລ່ການຮຽນຮູ້ທີ່ມີການຮຽນຮູ້ທີ່ເປັນໄປໄດ້ໃນການຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງຂໍ້ມູນທີ່ເປັນຂອງປະເພດທີ່ເປັນຂອງປະເພດທີ່ເປັນໄປໄດ້ໂດຍອີງໃສ່ຄວາມເປັນໄປໄດ້ຂອງມັນ; ໃຊ້ສ່ວນໃຫຍ່ແມ່ນໃຊ້ສໍາລັບການຈັດປະເພດຖານສອງ. Knn ແມ່ນຫນຶ່ງໃນບັນຊີການຮຽນຮູ້ທີ່ງ່າຍທີ່ສຸດຂອງເຄື່ອງຈັກການຮຽນຮູ້ທີ່ງ່າຍທີ່ສຸດ445. ເມື່ອໃຫ້ຂໍ້ມູນປ້ອນຂໍ້ມູນໃຫມ່, ມັນຊອກຫາຂໍ້ມູນ k ໃກ້ກັບຊຸດທີ່ມີຢູ່ແລ້ວແລະຫຼັງຈາກນັ້ນຈັດພວກມັນລົງໃນຫ້ອງຮຽນທີ່ມີຄວາມຖີ່ສູງທີ່ສຸດ. ພວກເຮົາກໍານົດ 3 ສໍາລັບຈໍານວນຂອງປະເທດເພື່ອນບ້ານໄດ້ພິຈາລະນາ (k). SVM ແມ່ນສູດການຄິດໄລ່ທີ່ເຮັດໃຫ້ໄລຍະຫ່າງລະຫວ່າງສອງຊັ້ນໂດຍການໃຊ້ລະຫັດທີ່ໃຊ້ແກ່ນເພື່ອຂະຫຍາຍພື້ນທີ່ທີ່ບໍ່ແມ່ນເສັ້ນຊື່ທີ່ເອີ້ນວ່າ Field46. ສໍາລັບຕົວແບບນີ້, ພວກເຮົາໃຊ້ Bias = 1, Power = 1, ແລະ gamma = 1 ເປັນ hyperparameters ສໍາລັບແກ່ນ polynomial ສໍາລັບແກ່ນ polynomial. DT ໄດ້ຖືກນໍາໃຊ້ໃນຂົງເຂດຕ່າງໆໃນການແບ່ງປັນຂໍ້ມູນທັງຫມົດທີ່ກໍານົດໄວ້ໃນຫລາຍປະເທດໂດຍການແບ່ງປັນກົດລະບຽບໃນໂຄງສ້າງຕົ້ນໄມ້ 47. ແບບຈໍາລອງດັ່ງກ່າວຖືກຕັ້ງຄ່າດ້ວຍຈໍານວນການບັນທຶກຕ່ໍາສຸດຕໍ່ຂໍ້ 2 ແລະໃຊ້ດັດຊະນີ Gini ເປັນມາດຕະການທີ່ມີຄຸນນະພາບ. RF ແມ່ນວິທີການສໍາເລັດຮູບທີ່ປະສົມປະສານກັບ DTS ຫຼາຍຢ່າງເພື່ອປັບປຸງວິທີການລວບລວມໂດຍໃຊ້ແຕ່ລະຕົວຢ່າງໂດຍການແຕ້ມຕົວຢ່າງທີ່ມີຂະຫນາດດຽວກັນຈາກ Dataset48 ເດີມ. ພວກເຮົາໄດ້ໃຊ້ຕົ້ນໄມ້ 100 ຕົ້ນ, 10 ຄວາມເລິກຂອງຕົ້ນໄມ້, ຂະຫນາດຂອງ Node ຕ່ໍາສຸດ, ແລະດັດຊະນີ admixture Gini ເປັນມາດຖານແຍກຕ່າງຫາກ. ການຈັດປະເພດຂໍ້ມູນໃຫມ່ແມ່ນກໍານົດໂດຍການລົງຄະແນນສຽງສ່ວນຫຼາຍ. XGboost ແມ່ນຕົວແທນທີ່ປະສົມປະສານກັບເຕັກນິກການເສີມທີ່ໃຊ້ໃນການຝຶກອົບຮົມຄຸນຄ່າທີ່ແທ້ຈິງລະຫວ່າງຮູບແບບທີ່ແທ້ຈິງແລະການເພີ່ມຄວາມຜິດພາດໂດຍໃຊ້ Gradients49. ມັນແມ່ນ algorithm ທີ່ໃຊ້ໃນການນໍາໃຊ້ຢ່າງກວ້າງຂວາງເນື່ອງຈາກຜົນງານທີ່ດີແລະມີປະສິດທິພາບຂອງຊັບພະຍາກອນ, ພ້ອມທັງຄວາມຫນ້າເຊື່ອຖືສູງເປັນຫນ້າທີ່ແກ້ໄຂ. ແບບຈໍາລອງດັ່ງກ່າວມີ 400 ລໍ້ຮອງຮັບການສະຫນັບສະຫນູນ. MLP ແມ່ນເຄືອຂ່າຍທີ່ເປັນເສັ້ນປະສາດທີ່ຫນຶ່ງຫຼືຫຼາຍກວ່າຄວາມຮັບຮູ້ແມ່ນປະກອບເປັນຫຼາຍຊັ້ນທີ່ມີຫນຶ່ງຫຼືຫຼາຍຊັ້ນທີ່ເຊື່ອງໄວ້ລະຫວ່າງຊັ້ນປ້ອນແລະສະຫນັບສະຫນູນຊັ້ນ. ການນໍາໃຊ້ສິ່ງນີ້, ທ່ານສາມາດປະຕິບັດການຈັດປະເພດທີ່ບໍ່ແມ່ນເສັ້ນຢູ່ບ່ອນທີ່ທ່ານເພີ່ມຊັ້ນປ້ອນແລະໄດ້ຮັບມູນຄ່າຜົນໄດ້ຮັບແມ່ນຖືກປຽບທຽບກັບມູນຄ່າຜົນໄດ້ຮັບທີ່ແທ້ຈິງແລະຄວາມຜິດພາດແມ່ນຂະຫຍາຍພັນກັບຄືນໄປບ່ອນ. ພວກເຮົາໄດ້ສ້າງຊັ້ນທີ່ເຊື່ອງໄວ້ດ້ວຍລະບົບ neurons ທີ່ເຊື່ອງໄວ້ 20 ຊັ້ນໃນແຕ່ລະຊັ້ນ. ແຕ່ລະຕົວແບບທີ່ພວກເຮົາໄດ້ພັດທະນາໄດ້ຖືກນໍາໃຊ້ກັບຊຸດພາຍໃນແລະພາຍນອກເພື່ອທົດສອບການຈັດປະເພດການຈັດປະເພດຄວາມອ່ອນໄຫວ, ສະເພາະ, PPV, NPV, ແລະ Auroc. ຄວາມອ່ອນໄຫວໄດ້ຖືກກໍານົດວ່າອັດຕາສ່ວນຂອງຕົວຢ່າງຄາດວ່າຈະມີອາຍຸ 18 ປີຂຶ້ນໄປກັບຕົວຢ່າງທີ່ມີອາຍຸ 18 ປີຂຶ້ນໄປ. ຄວາມສະເພາະແມ່ນອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ມີອາຍຸຕ່ໍາກວ່າ 18 ປີແລະຜູ້ທີ່ປະມານຕໍ່າກວ່າ 18 ປີ.
ໄລຍະການຝຶກອົບຮົມທີ່ຖືກປະເມີນໃນຊຸດການຝຶກອົບຮົມໄດ້ປ່ຽນເປັນຕົວເລກສໍາລັບການວິເຄາະສະຖິຕິ. ການປະຕິບັດແບບ Multivariate Linear ແລະ Logistic ໄດ້ຖືກປະຕິບັດເພື່ອພັດທະນາຮູບແບບການຄາດເດົາສໍາລັບການຮ່ວມເພດແຕ່ລະເພດແລະໄດ້ຮັບການນໍາໃຊ້ໃນການປະເມີນອາຍຸ. ພວກເຮົາໄດ້ໃຊ້ສູດເຫຼົ່ານີ້ເພື່ອປະເມີນອາຍຸຂອງແຂ້ວສໍາລັບຊຸດທົດສອບທັງພາຍໃນແລະພາຍນອກ. ຕາຕະລາງ 4 ສະແດງໃຫ້ເຫັນເຖິງການ regression ແລະຮູບແບບການຈັດປະເພດທີ່ໃຊ້ໃນການສຶກສາຄັ້ງນີ້.
intra- ແລະ interoberserver ຄວາມຫນ້າເຊື່ອຖືໄດ້ຖືກຄິດໄລ່ໂດຍໃຊ້ສະຖິຕິ Kappa ຂອງ Cohen. ເພື່ອທົດສອບຄວາມຖືກຕ້ອງຂອງແບບ DM ແລະແບບດັ້ງເດີມຂອງຮູບແບບການປົກຄອງ DM ແລະການຄິດໄລ່ MAE ແລະ RMSE ໂດຍໃຊ້ອາຍຸທີ່ຄາດຄະເນແລະການທົດສອບພາຍນອກ. ຂໍ້ຜິດພາດເຫລົ່ານີ້ຖືກນໍາໃຊ້ທົ່ວໄປເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນແບບຈໍາລອງ. ຄວາມຜິດພາດທີ່ນ້ອຍກວ່າ, ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນ 44. ປຽບທຽບ MAE ແລະ RMPE ຂອງຊຸດການທົດສອບພາຍໃນແລະພາຍນອກທີ່ຄິດໄລ່ໂດຍໃຊ້ DM ແລະ REMALL STALL STALL SHAGMPRESS. ການປະຕິບັດການຈັດປະເພດຂອງການຕັດສໍາລັບ 18 ປີໃນສະຖິຕິພື້ນເມືອງໄດ້ຖືກປະເມີນໂດຍໃຊ້ໂຕະ 2 × 2 contingency. ຄວາມອ່ອນໄຫວທີ່ຄິດໄລ່, ສະເພາະ, PPV, NPV, ແລະ Auroc ຂອງຊຸດທົດສອບໄດ້ຖືກປຽບທຽບກັບຄຸນຄ່າຂອງການຈັດປະເພດ DM. ຂໍ້ມູນຖືກສະແດງອອກເປັນສະເລ່ຍ an deviation ຫຼືຈໍານວນມາດຕະຖານ (%) ຂື້ນກັບຄຸນລັກສະນະຂອງຂໍ້ມູນ. ຄຸນຄ່າຂອງສອງດ້ານ <0.05 ໄດ້ຖືກພິຈາລະນາເປັນສິ່ງທີ່ສໍາຄັນທາງສະຖິຕິ. ທຸກໆການວິເຄາະທາງວິເຄາະທີ່ເປັນປົກກະຕິໄດ້ຖືກປະຕິບັດໂດຍໃຊ້ SAS version 9.4 (ສະຖາບັນ SAS, Cary, NC). ຮູບແບບການ reging ຂອງ DM ໄດ້ຖືກປະຕິບັດໄດ້ຖືກຈັດຕັ້ງປະຕິບັດໃນ Python ໂດຍໃຊ້ Keras50 2.2.4 backend ແລະ Tensorflow51 1.8.0 ໂດຍສະເພາະສໍາລັບການດໍາເນີນຄະນິດສາດ. ຮູບແບບການຈັດປະເພດ DM ໄດ້ຖືກຈັດຕັ້ງປະຕິບັດໃນສະພາບແວດລ້ອມການວິເຄາະຄວາມຮູ້ດ້ານ Waikato ແລະຂໍ້ມູນຂ່າວສານ Konstanz (Knime) 4.6.152 ເວທີການວິເຄາະ.
ຜູ້ຂຽນຍອມຮັບວ່າຂໍ້ມູນສະຫນັບສະຫນູນບົດສະຫຼຸບການສຶກສາສາມາດພົບໄດ້ໃນບົດຂຽນແລະເອກະສານເສີມ. ຊຸດຂໍ້ມູນທີ່ຜະລິດແລະ / ຫຼືວິເຄາະໃນລະຫວ່າງການສຶກສາແມ່ນມີໃຫ້ຈາກຜູ້ຂຽນທີ່ສອດຄ້ອງກັນກ່ຽວກັບການຮ້ອງຂໍທີ່ສົມເຫດສົມຜົນ.
Ritz-Timme, S. et al. ການປະເມີນອາຍຸ: ສະຖານະພາບຂອງສິນລະປະເພື່ອຕອບສະຫນອງຄວາມຕ້ອງການສະເພາະຂອງການປະຕິບັດດ້ານວິຊາການ. ສາກົນສາກົນ. J. ຢາປົວພະຍາດດ້ານກົດຫມາຍ. 113, 129-136 (2000).
Schmeling, A. Reisinger, W. , Geserik, Geserik, G. , ແລະ Olze, A. ປະຈຸບັນຂອງຈຸດປະສົງການດໍາລົງຊີວິດ. forensics. ​ຢາ. ພະຍາດ. 1, 239-246 (2005).
Pan, J. et al. ວິທີການທີ່ມີການປ່ຽນແປງໃນການປະເມີນອາຍຸທັນຕະອາກາດຂອງເດັກອາຍຸ 5 ຫາ 16 ປີໃນພາກຕາເວັນຕົກຂອງຈີນ. ຄລີນິກ. ການສໍາຫຼວດທາງປາກ. 25, 3463-3474 (2021).
Lee, Ss ແລະອື່ນໆ. ການພັດທະນາຂອງການພັດທະນາຂອງ molars ທີສອງແລະທີສາມໃນປະເທດເກົາຫຼີແລະການສະຫມັກສໍາລັບການປະເມີນອາຍຸຂອງຜູ້ປົກຄອງ. ສາກົນສາກົນ. J. ຢາປົວພະຍາດດ້ານກົດຫມາຍ. 124, 659-665 (2010).
ໂອ້ຍ, S. S. , A. , A. , Kim, ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນແລະການປະເມີນຜົນຂອງ molars ທີ່ສອງແລະຄົນທີສາມໃນປະເທດເກົາຫຼີແລະຍີ່ປຸ່ນ. Plos One 17, E0271247 (2022).
Kim, Jy, et al. ການວິເຄາະຂໍ້ມູນທີ່ມີຄວາມຕ້ອງການໃນການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຄາດຄະເນຜົນໄດ້ຮັບການບໍາລຸງສາຍຂອງຜູ້ປ່ວຍໃນ OSA. ວິທະຍາສາດ. ລາຍງານ 11, 14911 (2021).
Han, M. et al. ການຄາດຄະເນທີ່ມີອາຍຸທີ່ຖືກຕ້ອງຈາກການຮຽນຮູ້ຂອງເຄື່ອງໂດຍຫຼືບໍ່ມີການແຊກແຊງຂອງມະນຸດບໍ? ສາກົນສາກົນ. J. ຢາປົວພະຍາດດ້ານກົດຫມາຍ. 136, 821-831 (2022).
Khan, S. ແລະ Shaheen, M. ຈາກການຂຸດຄົ້ນຂໍ້ມູນເຖິງການຂຸດຄົ້ນຂໍ້ມູນ. j.Information. ວິທະຍາສາດ. https://doi.org/10.1177/016555152152110211030872 (2021).
ທ່ານ Khan, S. ແລະ Shaheen, M. Wriprule: ຕົວແທນສະຫມອງທໍາອິດສໍາລັບການປົກຄອງການຂຸດຄົ້ນບໍ່ແຮ່. j.Information. ວິທະຍາສາດ. https://doi.org/10.1177/0165515152152211081108495 (2022).
Shaheen M. ແລະ Abdullah U. KARM: ການຂຸດຄົ້ນຂໍ້ມູນແບບດັ້ງເດີມໂດຍອີງໃສ່ກົດລະບຽບຂອງສະມາຄົມທີ່ອີງໃສ່ສະພາບການ. ຄິດໄລ່. Matt. ສືບຕໍ່. 68, 3305-3322 (2021).
Muhammad M. , Rehman Z. , Shaheen M.. ແຈ້ງໃຫ້ຊາບ. ເຕັກໂນໂລຢີ. ຄວບຄຸມ. https://doi.org/10.5755/J01.TC.49.4.4.47118 (2020).
Tabish, M. , Tanoli, Z. , ແລະ Shahin, M. A System ເພື່ອຮັບຮູ້ກິດຈະກໍາໃນວິດີໂອກິລາ. ສື່ມວນຊົນມັລ. ເຄື່ອງມືແນະນໍາ https://doi.org/10.1007/S11042-021-1021-1021-10 (2021).
Halabi, SS et al. RSNA ການຮຽນຮູ້ສິ່ງທີ່ທ້າທາຍໃນອາຍຸກະດູກ pediatric. Radiumology 290, 498-503 (2019).
Li, Y. et al. ການຄາດຄະເນໃນການຄາດຄະເນຂອງການຄາດຄະເນຈາກກະດູກສັນຫຼັງ X-Ray ໂດຍໃຊ້ການຮຽນຢ່າງເລິກເຊິ່ງ. ເອີໂຣ. ລັງສີ. 29, 2322-2329 (2019).
Guo, YC, et al. ການຈັດປະເພດທີ່ຖືກຕ້ອງໂດຍໃຊ້ວິທີການຄູ່ມືແລະເຄືອຂ່າຍ neurational ທີ່ມີຄວາມເຊື່ອເລິກຈາກຮູບພາບການຄາດຄະເນ Orthographic. ສາກົນສາກົນ. J. ຢາປົວພະຍາດດ້ານກົດຫມາຍ. 135, 1589-1597 (2021).
Alabama Dalora et al. ການຄາດຄະເນລາຄາກະດູກໂດຍໃຊ້ວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນ: ການກວດກາຄືນວັນນະຄະດີແລະການວິເຄາະແບບ meta. Plos One 14, E0220242 (2019).
Du, H. , LI, G. , Cheng, K. , K. , ແລະ Yang, J. ປະຊາກອນ ສາກົນສາກົນ. J. ຢາປົວພະຍາດດ້ານກົດຫມາຍ. 136, 811-819 (2022).
Kim S. , Lee Yh, Noh Yk, Park Fk ແລະ Oh KS ການກໍານົດກຸ່ມອາຍຸຂອງຄົນທີ່ມີຊີວິດໂດຍອີງໃສ່ຮູບແຕ້ມປະເພດຂອງ Molars. ວິທະຍາສາດ. ລາຍງານ 11, 1073 (2021).
Stern, D. , Payer, C. , Giuliani, N. , ແລະ urschler, M. ການປະເມີນລາຄາອາຍຸໂດຍອັດຕະໂນມັດແລະການຈັດປະເພດອາຍຸສ່ວນໃຫຍ່ຈາກຂໍ້ມູນ Multivariate MRI. IEEE J. bioomed. ການແຈ້ງເຕືອນດ້ານສຸຂະພາບ. 23, 1392-1403 (2019).
Cheng, q, ge, .,,, H. , H. ສາກົນສາກົນ. J. ຢາປົວພະຍາດດ້ານກົດຫມາຍ. 135, 365-373 (2021).
Wu, Wt, et al. ການຂຸດຄົ້ນຂໍ້ມູນໃນຂໍ້ມູນໃຫຍ່ຂອງຄລີນິກ: ຖານຂໍ້ມູນທົ່ວໄປ, ຂັ້ນຕອນ, ຂັ້ນຕອນ, ແລະແບບວິທີການ. ໂລກ. ​ຢາ. ຊັບພະຍາກອນ. 8, 44 (2021).
Yang, J. et al. ການແນະນໍາກ່ຽວກັບຖານຂໍ້ມູນດ້ານການແພດແລະເຕັກໂນໂລຢີການຂຸດຄົ້ນຂໍ້ມູນໃນຍຸກຂໍ້ມູນໃຫຍ່. J. AVIZ. ຢາພື້ນຖານ. 13, 57-69 (2020).
Shen, S. et al. ວິທີການຂອງຜູ້ໃຫຍ່ໃນການປະເມີນອາຍຸຂອງການປະເມີນອາຍຸຂອງແຂ້ວໂດຍໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້. BMC ໃນສຸຂະພາບປາກແບັກທີ 21, 641 (2021).
Galliburg A. et al. ການປຽບທຽບກັບວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນໃນການຄາດເດົາອາຍຸແຂ້ວໂດຍໃຊ້ວິທີການທີ່ມີຄວາມເສີຍຫາຍ. ສາກົນສາກົນ. J. ຢາປົວພະຍາດດ້ານກົດຫມາຍ. 135, 665-675 (2021).
Demirdjian, A. , Goldstein, H. ແລະ Tanner, JM ເປັນລະບົບໃຫມ່ສໍາລັບການປະເມີນອາຍຸທັນຕະແພດ. snort. ຊີວະວິທະຍາ. 45, 211-227 (1973).
Landis, Jr, ແລະ Koch ແປມາດຕະການຂອງສັນຍາຜູ້ສັງເກດການກ່ຽວກັບຂໍ້ມູນປະເພດ. Biometrics 33, 159-174 (1977).
BhattacharJee s, Prakash D, Kim C, Kim HK ແລະ Choi HK. ການວິເຄາະແບບພື້ນທີ່, ສະຖິຕິແລະສະຖິຕິຂອງແມ່ເຫຼັກສະຫວັນສະຖານະພາບສອງມິຕິໂດຍໃຊ້ເຕັກນິກປັນຍາປະດິດສໍາລັບຄວາມແຕກຕ່າງຂອງສະຫມອງປະຖົມ. ຂໍ້ມູນກ່ຽວກັບສຸຂະພາບ. ຊັບພະຍາກອນ. https://doi.org/10.4258/Hir.2022.222.28.1.4.4.46 (2022).