ການກວດສອບຕົວແບບການຂຸດຄົ້ນຂໍ້ມູນຕໍ່ກັບວິທີການຄາດຄະເນອາຍຸທາງທັນຕະກຳແບບດັ້ງເດີມລະຫວ່າງໄວລຸ້ນ ແລະໄວໜຸ່ມເກົາຫຼີ

ຂໍ​ຂອບ​ໃຈ​ທ່ານ​ສໍາ​ລັບ​ການ​ຢ້ຽມ​ຢາມ Nature.com​.ເວີຊັນຂອງຕົວທ່ອງເວັບທີ່ທ່ານກໍາລັງໃຊ້ມີການສະຫນັບສະຫນູນ CSS ຈໍາກັດ.ເພື່ອໃຫ້ໄດ້ຜົນດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ໃຊ້ໂປຣແກຣມທ່ອງເວັບຂອງທ່ານລຸ້ນໃໝ່ກວ່າ (ຫຼືປິດໂໝດເຂົ້າກັນໄດ້ໃນ Internet Explorer).ໃນເວລານີ້, ເພື່ອຮັບປະກັນການສະຫນັບສະຫນູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາກໍາລັງສະແດງເວັບໄຊທ໌ໂດຍບໍ່ມີຮູບແບບຫຼື JavaScript.
ແຂ້ວແມ່ນຖືວ່າເປັນຕົວຊີ້ວັດທີ່ຖືກຕ້ອງທີ່ສຸດຂອງອາຍຸຂອງຮ່າງກາຍຂອງມະນຸດແລະມັກຈະຖືກນໍາໃຊ້ໃນການປະເມີນອາຍຸທາງດ້ານ forensic.ພວກເຮົາມີຈຸດປະສົງເພື່ອກວດສອບການຄາດຄະເນອາຍຸທາງທັນຕະກໍາທີ່ອີງໃສ່ການຂຸດຄົ້ນຂໍ້ມູນໂດຍການປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນແລະການປະຕິບັດການຈັດປະເພດຂອງເກນອາຍຸ 18 ປີດ້ວຍວິທີການແບບດັ້ງເດີມແລະການຄາດຄະເນອາຍຸທີ່ອີງໃສ່ການຂຸດຄົ້ນຂໍ້ມູນ.ທັງ​ໝົດ 2657 ແຜ່ນ​ພາບ​ວິ​ທະ​ຍຸ​ພາ​ໂນ​ຣາ​ມາ​ໄດ້​ຖືກ​ເກັບ​ກຳ​ຈາກ​ພົນ​ລະ​ເມືອງ​ເກົາ​ຫຼີ ແລະ ຍີ່​ປຸ່ນ ທີ່​ມີ​ອາ​ຍຸ 15 ຫາ 23 ປີ.ພວກ​ເຂົາ​ເຈົ້າ​ໄດ້​ແບ່ງ​ອອກ​ເປັນ​ຊຸດ​ຝຶກ​ອົບ​ຮົມ, ແຕ່​ລະ​ຊຸດ​ມີ radiographs ເກົາຫຼີ 900 ໜ່ວຍ, ແລະ​ຊຸດ​ທົດ​ສອບ​ພາຍ​ໃນ​ທີ່​ມີ 857 radiographs ຂອງ​ຍີ່​ປຸ່ນ.ພວກເຮົາໄດ້ປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດ ແລະປະສິດທິພາບຂອງວິທີການແບບດັ້ງເດີມກັບຊຸດທົດສອບຂອງແບບຈໍາລອງການຂຸດຄົ້ນຂໍ້ມູນ.ຄວາມຖືກຕ້ອງຂອງວິທີການແບບດັ້ງເດີມກ່ຽວກັບຊຸດການທົດສອບພາຍໃນແມ່ນສູງກວ່າເລັກນ້ອຍຂອງຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນ, ແລະຄວາມແຕກຕ່າງແມ່ນຫນ້ອຍ (ຫມາຍຄວາມວ່າຄວາມຜິດພາດຢ່າງແທ້ຈິງ <0.21 ປີ, root mean square error <0.24 ປີ).ການປະຕິບັດການຈັດປະເພດສໍາລັບການຕັດ 18 ປີຍັງຄ້າຍຄືກັນລະຫວ່າງວິທີການແບບດັ້ງເດີມແລະແບບຈໍາລອງການຂຸດຄົ້ນຂໍ້ມູນ.ດັ່ງນັ້ນ, ວິທີການແບບດັ້ງເດີມສາມາດຖືກທົດແທນດ້ວຍແບບຈໍາລອງການຂຸດຄົ້ນຂໍ້ມູນໃນເວລາທີ່ປະຕິບັດການປະເມີນອາຍຸຂອງ forensic ໂດຍນໍາໃຊ້ການໃຫຍ່ເຕັມຕົວຂອງ molars ທີສອງແລະທີສາມໃນໄວລຸ້ນເກົາຫຼີແລະໄວຫນຸ່ມ.
ການປະເມີນອາຍຸທາງທັນຕະກໍາແມ່ນຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນຢາປົວພະຍາດ forensic ແລະ dentistry ສໍາລັບເດັກນ້ອຍ.ໂດຍສະເພາະ, ເນື່ອງຈາກວ່າມີຄວາມສໍາພັນສູງລະຫວ່າງອາຍຸ chronological ແລະການພັດທະນາແຂ້ວ, ການປະເມີນອາຍຸໂດຍຂັ້ນຕອນຂອງການພັດທະນາແຂ້ວແມ່ນເງື່ອນໄຂທີ່ສໍາຄັນສໍາລັບການປະເມີນອາຍຸຂອງເດັກນ້ອຍແລະໄວລຸ້ນ1,2,3.ຢ່າງໃດກໍ່ຕາມ, ສໍາລັບໄວຫນຸ່ມ, ການປະເມີນອາຍຸຂອງແຂ້ວໂດຍອີງໃສ່ການເຕີບໃຫຍ່ຂອງແຂ້ວມີຂໍ້ຈໍາກັດຂອງມັນເພາະວ່າການເຕີບໂຕຂອງແຂ້ວແມ່ນເກືອບສົມບູນ, ຍົກເວັ້ນແຂ້ວເລ່ືອທີສາມ.ຈຸດປະສົງທາງກົດໝາຍໃນການກຳນົດອາຍຸຂອງໄວໜຸ່ມ ແລະ ໄວໜຸ່ມ ແມ່ນເພື່ອສະໜອງການຄາດຄະເນທີ່ຖືກຕ້ອງ ແລະ ຫຼັກຖານທາງວິທະຍາສາດວ່າພວກເຂົາໄດ້ເຖິງອາຍຸສ່ວນໃຫຍ່ແລ້ວ.ໃນການປະຕິບັດທາງດ້ານກົດຫມາຍທາງດ້ານການປິ່ນປົວຂອງໄວລຸ້ນແລະໄວຫນຸ່ມໃນເກົາຫລີ, ອາຍຸໄດ້ຖືກຄາດຄະເນໂດຍໃຊ້ວິທີການຂອງ Lee, ແລະເກນທາງດ້ານກົດຫມາຍຂອງ 18 ປີໄດ້ຖືກຄາດຄະເນໂດຍອີງໃສ່ຂໍ້ມູນທີ່ລາຍງານໂດຍ Oh et al 5 .
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນປະເພດຂອງປັນຍາປະດິດ (AI) ທີ່ຮຽນຮູ້ເລື້ອຍໆແລະຈັດປະເພດຂໍ້ມູນຈໍານວນຫລາຍ, ແກ້ໄຂບັນຫາດ້ວຍຕົວມັນເອງ, ແລະຂັບລົດການຂຽນໂປຼແກຼມຂໍ້ມູນ.ການຮຽນຮູ້ເຄື່ອງຈັກສາມາດຄົ້ນພົບຮູບແບບທີ່ເຊື່ອງໄວ້ທີ່ເປັນປະໂຫຍດໃນປະລິມານຂະຫນາດໃຫຍ່ຂອງ data6.ໃນທາງກົງກັນຂ້າມ, ວິທີການຄລາສສິກ, ເຊິ່ງໃຊ້ແຮງງານຫຼາຍແລະໃຊ້ເວລາຫຼາຍ, ອາດຈະມີຂໍ້ຈໍາກັດໃນເວລາທີ່ຈັດການກັບຂໍ້ມູນສະລັບສັບຊ້ອນຫຼາຍທີ່ຍາກທີ່ຈະປຸງແຕ່ງດ້ວຍຕົນເອງ7.ດັ່ງນັ້ນ, ການສຶກສາຈໍານວນຫຼາຍໄດ້ຖືກດໍາເນີນການບໍ່ດົນມານີ້ໂດຍໃຊ້ເຕັກໂນໂລຊີຄອມພິວເຕີຫລ້າສຸດເພື່ອຫຼຸດຜ່ອນຄວາມຜິດພາດຂອງມະນຸດແລະປະສິດທິພາບການປະມວນຜົນຂໍ້ມູນ multidimensional8,9,10,11,12.ໂດຍສະເພາະ, ການຮຽນຮູ້ເລິກເຊິ່ງໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການວິເຄາະຮູບພາບທາງການແພດ, ແລະວິທີການຕ່າງໆສໍາລັບການຄາດຄະເນອາຍຸໂດຍການວິເຄາະອັດຕະໂນມັດ radiographs ໄດ້ຖືກລາຍງານເພື່ອປັບປຸງຄວາມຖືກຕ້ອງແລະປະສິດທິພາບຂອງການຄາດຄະເນອາຍຸ13,14,15,16,17,18,19,20. .ຕົວຢ່າງເຊັ່ນ, Halabi et al 13 ພັດທະນາລະບົບການຮຽນຮູ້ເຄື່ອງຈັກໂດຍອີງໃສ່ເຄືອຂ່າຍ neural convolutional (CNN) ເພື່ອຄາດຄະເນອາຍຸຂອງໂຄງກະດູກໂດຍໃຊ້ radiographs ຂອງມືຂອງເດັກນ້ອຍ.ການສຶກສານີ້ສະເຫນີຮູບແບບທີ່ນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກກັບຮູບພາບທາງການແພດແລະສະແດງໃຫ້ເຫັນວ່າວິທີການເຫຼົ່ານີ້ສາມາດປັບປຸງຄວາມຖືກຕ້ອງຂອງການວິນິດໄສ.Li et al14 ຄາດຄະເນອາຍຸຈາກຮູບພາບ X-ray pelvic ໂດຍໃຊ້ CNN ການຮຽນຮູ້ເລິກເຊິ່ງແລະປຽບທຽບພວກມັນກັບຜົນໄດ້ຮັບການຖົດຖອຍໂດຍໃຊ້ການຄາດຄະເນຂັ້ນຕອນ ossification.ພວກເຂົາເຈົ້າໄດ້ພົບເຫັນວ່າແບບຈໍາລອງ CNN ການຮຽນຮູ້ເລິກສະແດງໃຫ້ເຫັນການປະຕິບັດການປະເມີນອາຍຸດຽວກັນກັບຮູບແບບການຖົດຖອຍແບບດັ້ງເດີມ.ການສຶກສາຂອງ Guo et al. [15] ໄດ້ປະເມີນການປະຕິບັດການຈັດປະເພດຄວາມທົນທານຕໍ່ອາຍຸຂອງເຕັກໂນໂລຢີ CNN ໂດຍອີງໃສ່ orthophotos ແຂ້ວ, ແລະຜົນໄດ້ຮັບຂອງແບບຈໍາລອງ CNN ໄດ້ພິສູດວ່າມະນຸດມີການປະຕິບັດການຈັດປະເພດອາຍຸຂອງມັນຫຼາຍກວ່າ.
ການສຶກສາສ່ວນໃຫຍ່ກ່ຽວກັບການປະເມີນອາຍຸໂດຍໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃຊ້ວິທີການຮຽນຮູ້ແບບເລິກເຊິ່ງ13,14,15,16,17,18,19,20.ການ​ຄາດ​ຄະ​ເນ​ອາ​ຍຸ​ໂດຍ​ອີງ​ໃສ່​ການ​ຮຽນ​ຮູ້​ເລິກ​ແມ່ນ​ໄດ້​ຮັບ​ການ​ລາຍ​ງານ​ວ່າ​ມີ​ຄວາມ​ຖືກ​ຕ້ອງ​ຫຼາຍ​ກ​່​ວາ​ວິ​ທີ​ການ​ພື້ນ​ເມືອງ​.ຢ່າງໃດກໍ່ຕາມ, ວິທີການນີ້ໃຫ້ໂອກາດຫນ້ອຍທີ່ຈະນໍາສະເຫນີພື້ນຖານວິທະຍາສາດສໍາລັບການຄາດຄະເນອາຍຸ, ເຊັ່ນ: ຕົວຊີ້ວັດອາຍຸທີ່ໃຊ້ໃນການຄາດຄະເນ.ຍັງມີຂໍ້ຂັດແຍ່ງທາງດ້ານກົດໝາຍວ່າໃຜເປັນຜູ້ດຳເນີນການກວດກາ.ດັ່ງນັ້ນ, ການປະເມີນອາຍຸໂດຍອີງໃສ່ການຮຽນຮູ້ເລິກເຊິ່ງແມ່ນຍາກທີ່ຈະຍອມຮັບໂດຍອໍານາດການປົກຄອງແລະຕຸລາການ.ການຂຸດຄົ້ນຂໍ້ມູນ (DM) ແມ່ນເຕັກນິກທີ່ສາມາດຄົ້ນພົບບໍ່ພຽງແຕ່ຂໍ້ມູນທີ່ຄາດຫວັງແຕ່ຍັງເປັນວິທີການຄົ້ນພົບຄວາມສໍາພັນທີ່ເປັນປະໂຫຍດລະຫວ່າງຂໍ້ມູນຈໍານວນຫລາຍ 6,21,22.ການຮຽນຮູ້ເຄື່ອງຈັກມັກຈະຖືກໃຊ້ໃນການຂຸດຄົ້ນຂໍ້ມູນ, ແລະທັງການຂຸດຄົ້ນຂໍ້ມູນ ແລະການຮຽນຮູ້ເຄື່ອງຈັກໃຊ້ວິທີຫຼັກອັນດຽວກັນເພື່ອຄົ້ນພົບຮູບແບບໃນຂໍ້ມູນ.ການຄາດຄະເນອາຍຸໂດຍໃຊ້ການພັດທະນາແຂ້ວແມ່ນອີງໃສ່ການປະເມີນຂອງຜູ້ກວດສອບກ່ຽວກັບການເຕີບໂຕເຕັມທີ່ຂອງແຂ້ວເປົ້າຫມາຍ, ແລະການປະເມີນນີ້ແມ່ນສະແດງອອກເປັນຂັ້ນຕອນສໍາລັບແຕ່ລະແຂ້ວເປົ້າຫມາຍ.DM ສາມາດຖືກນໍາໃຊ້ເພື່ອວິເຄາະຄວາມສໍາພັນລະຫວ່າງຂັ້ນຕອນການປະເມີນຜົນທາງທັນຕະກໍາແລະອາຍຸຕົວຈິງແລະມີທ່າແຮງທີ່ຈະທົດແທນການວິເຄາະສະຖິຕິແບບດັ້ງເດີມ.ດັ່ງນັ້ນ, ຖ້າພວກເຮົານໍາໃຊ້ເຕັກນິກ DM ກັບການປະເມີນອາຍຸ, ພວກເຮົາສາມາດປະຕິບັດການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນການປະເມີນອາຍຸທາງດ້ານ forensic ໂດຍບໍ່ຕ້ອງກັງວົນກ່ຽວກັບຄວາມຮັບຜິດຊອບທາງດ້ານກົດຫມາຍ.ການສຶກສາປຽບທຽບຫຼາຍໆຄັ້ງໄດ້ຖືກເຜີຍແຜ່ກ່ຽວກັບທາງເລືອກທີ່ເປັນໄປໄດ້ຂອງວິທີການຄູ່ມືແບບດັ້ງເດີມທີ່ໃຊ້ໃນການປະຕິບັດທາງວິຊາການແລະວິທີການທີ່ອີງໃສ່ EBM ສໍາລັບການກໍານົດອາຍຸຂອງແຂ້ວ.Shen et al23 ສະແດງໃຫ້ເຫັນວ່າຮູບແບບ DM ແມ່ນຖືກຕ້ອງກວ່າສູດ Camer ແບບດັ້ງເດີມ.Galibourg et al24 ໄດ້ນໍາໃຊ້ວິທີການ DM ທີ່ແຕກຕ່າງກັນເພື່ອຄາດຄະເນອາຍຸຕາມເງື່ອນໄຂ Demirdjian criterion25 ແລະຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າວິທີການ DM ປະຕິບັດວິທີການ Demirdjian ແລະ Willems ໃນການປະເມີນອາຍຸຂອງປະຊາກອນຝຣັ່ງ.
ເພື່ອປະເມີນອາຍຸທາງແຂ້ວຂອງໄວລຸ້ນເກົາຫຼີ ແລະໄວໜຸ່ມ, ວິທີການ 4 ຂອງ Lee ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການປະຕິບັດດ້ານນິຕິກໍາຂອງເກົາຫຼີ.ວິທີການນີ້ໃຊ້ການວິເຄາະສະຖິຕິແບບດັ້ງເດີມ (ເຊັ່ນ: ການຖົດຖອຍຫຼາຍ) ເພື່ອກວດເບິ່ງຄວາມສໍາພັນລະຫວ່າງວິຊາພາສາເກົາຫຼີແລະອາຍຸຕາມລໍາດັບ.ໃນການສຶກສານີ້, ວິທີການຄາດຄະເນອາຍຸທີ່ໄດ້ຮັບໂດຍໃຊ້ວິທີການສະຖິຕິແບບດັ້ງເດີມແມ່ນຖືກກໍານົດເປັນ "ວິທີການແບບດັ້ງເດີມ."ວິທີການຂອງ Lee ແມ່ນວິທີການພື້ນເມືອງ, ແລະຄວາມຖືກຕ້ອງຂອງມັນຖືກຢືນຢັນໂດຍ Oh et al.5;ແນວໃດກໍ່ຕາມ, ການນຳໃຊ້ການປະເມີນອາຍຸໂດຍອີງໃສ່ແບບຈຳລອງ DM ໃນການປະຕິບັດທາງວິຊາການຂອງເກົາຫຼີແມ່ນຍັງສົງໄສຢູ່.ເປົ້າໝາຍຂອງພວກເຮົາແມ່ນເພື່ອກວດສອບຄວາມຖືກຕ້ອງທາງວິທະຍາສາດກ່ຽວກັບຜົນປະໂຫຍດທີ່ເປັນໄປໄດ້ຂອງການຄາດຄະເນອາຍຸໂດຍອີງໃສ່ຮູບແບບ DM.ຈຸດປະສົງຂອງການສຶກສານີ້ແມ່ນ (1) ເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງຂອງສອງຕົວແບບ DM ໃນການປະເມີນອາຍຸຂອງແຂ້ວແລະ (2) ເພື່ອປຽບທຽບການປະຕິບັດການຈັດປະເພດ 7 ແບບ DM ໃນອາຍຸ 18 ປີກັບຜູ້ທີ່ໄດ້ຮັບການນໍາໃຊ້ວິທີການສະຖິຕິແບບດັ້ງເດີມຂອງການເຕີບໂຕເຕັມທີ່ສອງ. ແລະແຂ້ວເລ່ືອທີສາມຢູ່ໃນຄາງກະໄຕທັງສອງ.
ມາດຕະຖານ ແລະຄວາມແຕກຕ່າງຂອງອາຍຸຕາມລຳດັບຕາມຂັ້ນຕອນ ແລະປະເພດແຂ້ວແມ່ນສະແດງອອນໄລນ໌ໃນຕາຕະລາງເສີມ S1 (ຊຸດຝຶກອົບຮົມ), ຕາຕະລາງເສີມ S2 (ຊຸດທົດສອບພາຍໃນ), ແລະຕາຕະລາງເສີມ S3 (ຊຸດທົດສອບພາຍນອກ).ຄ່າ kappa ສໍາລັບຄວາມຫນ້າເຊື່ອຖືຂອງ intra- ແລະ interobserver ທີ່ໄດ້ຮັບຈາກຊຸດການຝຶກອົບຮົມແມ່ນ 0.951 ແລະ 0.947, ຕາມລໍາດັບ.ຄ່າ P ແລະ 95% ໄລຍະເວລາຄວາມຫມັ້ນໃຈສໍາລັບຄ່າ kappa ​​ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງເສີມອອນໄລນ໌ S4.ຄ່າ kappa ໄດ້ຖືກຕີຄວາມວ່າ "ເກືອບສົມບູນ", ສອດຄ່ອງກັບເງື່ອນໄຂຂອງ Landis ແລະ Koch26.
ເມື່ອປຽບທຽບຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE), ວິທີການແບບດັ້ງເດີມໄດ້ດີກວ່າແບບຈໍາລອງ DM ສໍາລັບທຸກເພດແລະໃນຊຸດການທົດສອບຜູ້ຊາຍພາຍນອກ, ຍົກເວັ້ນ multilayer perceptron (MLP).ຄວາມແຕກຕ່າງລະຫວ່າງແບບຈໍາລອງແບບດັ້ງເດີມແລະແບບຈໍາລອງ DM ໃນຊຸດທົດສອບພາຍໃນຂອງ MAE ແມ່ນ 0.12-0.19 ປີສໍາລັບຜູ້ຊາຍແລະ 0.17-0.21 ປີສໍາລັບແມ່ຍິງ.ສໍາລັບຫມໍ້ໄຟການທົດສອບພາຍນອກ, ຄວາມແຕກຕ່າງແມ່ນນ້ອຍກວ່າ (0.001-0.05 ປີສໍາລັບຜູ້ຊາຍແລະ 0.05-0.09 ປີສໍາລັບແມ່ຍິງ).ນອກຈາກນັ້ນ, ຄວາມຜິດພາດຂອງ root mean square (RMSE) ແມ່ນຕ່ໍາກວ່າວິທີການແບບດັ້ງເດີມເລັກນ້ອຍ, ມີຄວາມແຕກຕ່າງຂະຫນາດນ້ອຍກວ່າ (0.17–0.24, 0.2–0.24 ສໍາລັບຊຸດທົດສອບພາຍໃນຂອງຜູ້ຊາຍ, ແລະ 0.03–0.07, 0.04–0.08 ສໍາລັບຊຸດທົດສອບພາຍນອກ).).MLP ສະແດງໃຫ້ເຫັນການປະຕິບັດທີ່ດີກວ່າເລັກນ້ອຍກວ່າ Single Layer Perceptron (SLP), ຍົກເວັ້ນໃນກໍລະນີຂອງຊຸດການທົດສອບພາຍນອກຂອງແມ່ຍິງ.ສໍາລັບ MAE ແລະ RMSE, ຊຸດການທົດສອບພາຍນອກໄດ້ຄະແນນສູງກວ່າການທົດສອບພາຍໃນທີ່ກໍານົດໄວ້ສໍາລັບທຸກເພດແລະແບບຈໍາລອງ.MAE ແລະ RMSE ທັງໝົດແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 1 ແລະຮູບ 1.
MAE ແລະ RMSE ຂອງແບບດັ້ງເດີມແລະຂໍ້ມູນການຖົດຖອຍຂອງການຂຸດຄົ້ນບໍ່ແຮ່.Mean error absolute MAE, root mean square error RMSE, single layer perceptron SLP, multilayer perceptron MLP, ວິທີ CM ແບບດັ້ງເດີມ.
ການປະຕິບັດການຈັດປະເພດ (ໂດຍການຕັດອອກຂອງ 18 ປີ) ຂອງແບບດັ້ງເດີມແລະ DM ໄດ້ສະແດງໃຫ້ເຫັນໃນແງ່ຂອງຄວາມອ່ອນໄຫວ, ສະເພາະ, ມູນຄ່າການຄາດຄະເນທາງບວກ (PPV), ມູນຄ່າການຄາດຄະເນລົບ (NPV), ແລະພື້ນທີ່ພາຍໃຕ້ເສັ້ນໂຄ້ງລັກສະນະການປະຕິບັດຕົວຮັບ (AUROC) 27 (ຕາຕະລາງ 2, ຮູບທີ 2 ແລະຮູບພາບເສີມ 1 ອອນໄລນ໌).ໃນແງ່ຂອງຄວາມອ່ອນໄຫວຂອງຫມໍ້ໄຟການທົດສອບພາຍໃນ, ວິທີການພື້ນເມືອງປະຕິບັດດີທີ່ສຸດໃນບັນດາຜູ້ຊາຍແລະຮ້າຍແຮງກວ່າເກົ່າໃນບັນດາແມ່ຍິງ.ຢ່າງໃດກໍ່ຕາມ, ຄວາມແຕກຕ່າງໃນການປະຕິບັດການຈັດປະເພດລະຫວ່າງວິທີການແບບດັ້ງເດີມແລະ SD ແມ່ນ 9.7% ສໍາລັບຜູ້ຊາຍ (MLP) ແລະພຽງແຕ່ 2.4% ສໍາລັບແມ່ຍິງ (XGBoost).ໃນບັນດາຕົວແບບ DM, logistic regression (LR) ສະແດງໃຫ້ເຫັນຄວາມອ່ອນໄຫວທີ່ດີກວ່າໃນທັງສອງເພດ.ກ່ຽວກັບລັກສະນະສະເພາະຂອງຊຸດທົດສອບພາຍໃນ, ມັນສັງເກດເຫັນວ່າຮູບແບບ SD ສີ່ປະຕິບັດໄດ້ດີໃນຜູ້ຊາຍ, ໃນຂະນະທີ່ແບບດັ້ງເດີມປະຕິບັດໄດ້ດີກວ່າໃນເພດຍິງ.ຄວາມແຕກຕ່າງໃນການປະຕິບັດການຈັດປະເພດສໍາລັບເພດຊາຍແລະເພດຍິງແມ່ນ 13.3% (MLP) ແລະ 13.1% (MLP), ຕາມລໍາດັບ, ສະແດງໃຫ້ເຫັນວ່າຄວາມແຕກຕ່າງໃນການປະຕິບັດການຈັດປະເພດລະຫວ່າງຕົວແບບເກີນຄວາມອ່ອນໄຫວ.ໃນບັນດາຕົວແບບ DM, ເຄື່ອງຈັກ vector ສະຫນັບສະຫນູນ (SVM), ຕົ້ນໄມ້ການຕັດສິນໃຈ (DT), ແລະແບບຈໍາລອງປ່າໄມ້ແບບສຸ່ມ (RF) ປະຕິບັດໄດ້ດີທີ່ສຸດໃນບັນດາເພດຊາຍ, ໃນຂະນະທີ່ຕົວແບບ LR ປະຕິບັດໄດ້ດີທີ່ສຸດໃນບັນດາເພດຍິງ.AUROC ຂອງແບບດັ້ງເດີມແລະທຸກແບບ SD ແມ່ນຫຼາຍກວ່າ 0.925 (k-nearest ເພື່ອນບ້ານ (KNN) ໃນຜູ້ຊາຍ), ສະແດງໃຫ້ເຫັນການປະຕິບັດການຈັດປະເພດທີ່ດີເລີດໃນການຈໍາແນກຕົວຢ່າງ 18 ປີອາຍຸ 28 ປີ.ສໍາລັບຊຸດທົດສອບພາຍນອກ, ມີການຫຼຸດລົງໃນການປະຕິບັດການຈັດປະເພດໃນແງ່ຂອງຄວາມອ່ອນໄຫວ, ສະເພາະແລະ AUROC ເມື່ອທຽບກັບຊຸດທົດສອບພາຍໃນ.ຍິ່ງໄປກວ່ານັ້ນ, ຄວາມແຕກຕ່າງໃນຄວາມອ່ອນໄຫວແລະຄວາມສະເພາະລະຫວ່າງການປະຕິບັດການຈັດປະເພດຂອງແບບຈໍາລອງທີ່ດີທີ່ສຸດແລະຮ້າຍແຮງທີ່ສຸດແມ່ນຕັ້ງແຕ່ 10% ຫາ 25% ແລະໃຫຍ່ກວ່າຄວາມແຕກຕ່າງໃນຊຸດການທົດສອບພາຍໃນ.
ຄວາມອ່ອນໄຫວແລະຄວາມສະເພາະຂອງຮູບແບບການຈັດປະເພດການຂຸດຄົ້ນຂໍ້ມູນທຽບກັບວິທີການແບບດັ້ງເດີມທີ່ມີການຕັດ 18 ປີ.KNN k ທີ່ໃກ້ຄຽງທີ່ສຸດ, ເຄື່ອງ vector ສະຫນັບສະຫນູນ SVM, LR logistic regression, ຕົ້ນໄມ້ການຕັດສິນໃຈ DT, ປ່າໄມ້ສຸ່ມ RF, XGB XGBoost, MLP multilayer perceptron, ວິທີການ CM ແບບດັ້ງເດີມ.
ຂັ້ນຕອນທໍາອິດໃນການສຶກສານີ້ແມ່ນການປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນອາຍຸຂອງແຂ້ວທີ່ໄດ້ຮັບຈາກເຈັດແບບ DM ກັບຜູ້ທີ່ໄດ້ຮັບການນໍາໃຊ້ການຖົດຖອຍແບບດັ້ງເດີມ.MAE ແລະ RMSE ໄດ້ຖືກປະເມີນໃນຊຸດການທົດສອບພາຍໃນສໍາລັບທັງສອງເພດ, ແລະຄວາມແຕກຕ່າງລະຫວ່າງວິທີການແບບດັ້ງເດີມແລະຮູບແບບ DM ແມ່ນຕັ້ງແຕ່ 44 ຫາ 77 ມື້ສໍາລັບ MAE ແລະຈາກ 62 ຫາ 88 ມື້ສໍາລັບ RMSE.ເຖິງແມ່ນວ່າວິທີການແບບດັ້ງເດີມແມ່ນຖືກຕ້ອງກວ່າເລັກນ້ອຍໃນການສຶກສານີ້, ມັນເປັນການຍາກທີ່ຈະສະຫຼຸບວ່າຄວາມແຕກຕ່າງເລັກນ້ອຍດັ່ງກ່າວມີຄວາມສໍາຄັນທາງດ້ານຄລີນິກຫຼືການປະຕິບັດ.ຜົນໄດ້ຮັບເຫຼົ່ານີ້ຊີ້ໃຫ້ເຫັນວ່າຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນອາຍຸຂອງແຂ້ວໂດຍໃຊ້ຮູບແບບ DM ແມ່ນເກືອບຄືກັນກັບວິທີການພື້ນເມືອງ.ການປຽບທຽບໂດຍກົງກັບຜົນໄດ້ຮັບຈາກການສຶກສາທີ່ຜ່ານມາແມ່ນມີຄວາມຫຍຸ້ງຍາກເພາະວ່າບໍ່ມີການສຶກສາໃດທີ່ໄດ້ປຽບທຽບຄວາມຖືກຕ້ອງຂອງແບບຈໍາລອງ DM ກັບວິທີການສະຖິຕິແບບດັ້ງເດີມໂດຍນໍາໃຊ້ເຕັກນິກດຽວກັນຂອງການບັນທຶກແຂ້ວໃນໄລຍະອາຍຸດຽວກັນໃນການສຶກສານີ້.Galibourg et al24 ປຽບທຽບ MAE ແລະ RMSE ລະຫວ່າງສອງວິທີພື້ນເມືອງ (Demirjian method25 ແລະ Willems method29) ແລະ 10 ແບບ DM ໃນປະຊາກອນຝຣັ່ງທີ່ມີອາຍຸ 2 ຫາ 24 ປີ.ພວກເຂົາເຈົ້າໄດ້ລາຍງານວ່າຮູບແບບ DM ທັງຫມົດແມ່ນຖືກຕ້ອງກວ່າວິທີການແບບດັ້ງເດີມ, ຄວາມແຕກຕ່າງຂອງ 0.20 ແລະ 0.38 ປີໃນ MAE ແລະ 0.25 ແລະ 0.47 ປີໃນ RMSE ທຽບກັບວິທີການ Willems ແລະ Demirdjian ຕາມລໍາດັບ.ຄວາມແຕກຕ່າງລະຫວ່າງແບບຈໍາລອງ SD ແລະວິທີການແບບດັ້ງເດີມທີ່ສະແດງໃຫ້ເຫັນໃນການສຶກສາ Halibourg ພິຈາລະນາບົດລາຍງານຈໍານວນຫລາຍ 30,31,32,33 ທີ່ວິທີການ Demirdjian ບໍ່ໄດ້ຄາດຄະເນຢ່າງຖືກຕ້ອງກ່ຽວກັບອາຍຸແຂ້ວໃນປະຊາກອນນອກເຫນືອຈາກຊາວຝຣັ່ງການາດາທີ່ການສຶກສາແມ່ນອີງໃສ່.ໃນ​ການ​ສຶກ​ສາ​ນີ້​.Tai et al 34 ໃຊ້ວິທີ MLP ເພື່ອຄາດຄະເນອາຍຸຂອງແຂ້ວຈາກ 1636 ການຖ່າຍຮູບແຂ້ວຂອງຈີນແລະປຽບທຽບຄວາມຖືກຕ້ອງຂອງມັນກັບຜົນໄດ້ຮັບຂອງວິທີການ Demirjian ແລະ Willems.ພວກເຂົາເຈົ້າໄດ້ລາຍງານວ່າ MLP ມີຄວາມຖືກຕ້ອງສູງກວ່າວິທີການແບບດັ້ງເດີມ.ຄວາມແຕກຕ່າງລະຫວ່າງວິທີການ Demirdjian ແລະວິທີການແບບດັ້ງເດີມແມ່ນ <0.32 ປີ, ແລະວິທີການ Willems ແມ່ນ 0.28 ປີ, ເຊິ່ງຄ້າຍຄືກັບຜົນຂອງການສຶກສາໃນປະຈຸບັນ.ຜົນໄດ້ຮັບຂອງການສຶກສາທີ່ຜ່ານມາເຫຼົ່ານີ້ 24,34 ຍັງສອດຄ່ອງກັບຜົນຂອງການສຶກສາໃນປະຈຸບັນ, ແລະຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນອາຍຸຂອງຮູບແບບ DM ແລະວິທີການແບບດັ້ງເດີມແມ່ນຄ້າຍຄືກັນ.ຢ່າງໃດກໍ່ຕາມ, ໂດຍອີງໃສ່ຜົນໄດ້ຮັບທີ່ນໍາສະເຫນີ, ພວກເຮົາສາມາດສະຫຼຸບໄດ້ຢ່າງລະມັດລະວັງວ່າການນໍາໃຊ້ແບບຈໍາລອງ DM ເພື່ອຄາດຄະເນອາຍຸອາດຈະທົດແທນວິທີການທີ່ມີຢູ່ແລ້ວເນື່ອງຈາກການຂາດການປຽບທຽບແລະການອ້າງອີງໃນການສຶກສາທີ່ຜ່ານມາ.ການສຶກສາຕິດຕາມໂດຍໃຊ້ຕົວຢ່າງຂະຫນາດໃຫຍ່ແມ່ນຈໍາເປັນເພື່ອຢືນຢັນຜົນໄດ້ຮັບທີ່ໄດ້ຮັບໃນການສຶກສານີ້.
ໃນບັນດາການສຶກສາທີ່ທົດສອບຄວາມຖືກຕ້ອງຂອງ SD ໃນການຄາດຄະເນອາຍຸຂອງແຂ້ວ, ບາງຄົນສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງສູງກວ່າການສຶກສາຂອງພວກເຮົາ.Stepanovsky et al 35 ໄດ້ນຳໃຊ້ 22 ແບບ SD ເຂົ້າໃນພາບຖ່າຍພາບແບບພາໂນຣາມາຂອງຊາວເຊັກ 976 ຄົນ ທີ່ມີອາຍຸແຕ່ 2.7 ຫາ 20.5 ປີ ແລະ ໄດ້ທົດສອບຄວາມຖືກຕ້ອງຂອງແຕ່ລະຕົວແບບ.ພວກ​ເຂົາ​ເຈົ້າ​ໄດ້​ປະ​ເມີນ​ການ​ພັດ​ທະ​ນາ​ຂອງ​ທັງ​ຫມົດ 16 ແຂ້ວ​ຖາ​ວອນ​ເທິງ​ແລະ​ຕ​່​ໍ​າ​ຊ້າຍ​ໂດຍ​ນໍາ​ໃຊ້​ມາດ​ຖານ​ການ​ຈັດ​ປະ​ເພດ​ທີ່​ສະ​ເຫນີ​ໂດຍ Moorees et al 36​.MAE ຕັ້ງແຕ່ 0.64 ຫາ 0.94 ປີແລະ RMSE ຕັ້ງແຕ່ 0.85 ຫາ 1.27 ປີ, ເຊິ່ງຖືກຕ້ອງກວ່າສອງແບບ DM ທີ່ໃຊ້ໃນການສຶກສານີ້.Shen et al23 ໄດ້ນໍາໃຊ້ວິທີການ Cameriere ເພື່ອຄາດຄະເນອາຍຸແຂ້ວຂອງແຂ້ວຖາວອນເຈັດຢູ່ໃນ mandible ຊ້າຍໃນຊາວຈີນຕາເວັນອອກອາຍຸ 5 ຫາ 13 ປີແລະປຽບທຽບກັບອາຍຸທີ່ຄາດຄະເນໂດຍໃຊ້ linear regression, SVM ແລະ RF.ພວກເຂົາເຈົ້າໄດ້ສະແດງໃຫ້ເຫັນວ່າທັງສາມແບບ DM ມີຄວາມຖືກຕ້ອງສູງກວ່າເມື່ອທຽບກັບສູດ Cameriere ແບບດັ້ງເດີມ.MAE ແລະ RMSE ໃນການສຶກສາຂອງ Shen ແມ່ນຕ່ໍາກວ່າຕົວແບບ DM ໃນການສຶກສານີ້.ຄວາມແມ່ນຍໍາເພີ່ມຂຶ້ນຂອງການສຶກສາໂດຍ Stepanovsky et al.35 ແລະ Shen et al.23 ອາດຈະເປັນຍ້ອນການລວມເອົາວິຊາທີ່ຍັງອ່ອນຢູ່ໃນຕົວຢ່າງການສຶກສາຂອງເຂົາເຈົ້າ.ເນື່ອງຈາກວ່າການປະເມີນອາຍຸຂອງຜູ້ເຂົ້າຮ່ວມທີ່ມີການພັດທະນາແຂ້ວກາຍເປັນຄວາມຖືກຕ້ອງຫຼາຍຂຶ້ນຍ້ອນວ່າຈໍານວນແຂ້ວເພີ່ມຂຶ້ນໃນລະຫວ່າງການພັດທະນາແຂ້ວ, ຄວາມຖືກຕ້ອງຂອງວິທີການຄາດຄະເນອາຍຸຜົນໄດ້ຮັບອາດຈະຖືກຫຼຸດຫນ້ອຍລົງເມື່ອຜູ້ເຂົ້າຮ່ວມການສຶກສາຍັງອ່ອນກວ່າ.ນອກຈາກນັ້ນ, ຄວາມຜິດພາດຂອງ MLP ໃນການຄາດຄະເນອາຍຸແມ່ນນ້ອຍກວ່າ SLP ເລັກນ້ອຍ, ຊຶ່ງຫມາຍຄວາມວ່າ MLP ແມ່ນຖືກຕ້ອງກວ່າ SLP.MLP ຖືກພິຈາລະນາດີກວ່າເລັກນ້ອຍສໍາລັບການຄາດຄະເນອາຍຸ, ອາດຈະເປັນຍ້ອນຊັ້ນທີ່ເຊື່ອງໄວ້ໃນ MLP38.ຢ່າງໃດກໍ່ຕາມ, ມີຂໍ້ຍົກເວັ້ນສໍາລັບຕົວຢ່າງພາຍນອກຂອງແມ່ຍິງ (SLP 1.45, MLP 1.49).ການຄົ້ນພົບວ່າ MLP ແມ່ນຖືກຕ້ອງຫຼາຍກ່ວາ SLP ໃນການປະເມີນອາຍຸຮຽກຮ້ອງໃຫ້ມີການສຶກສາຄືນຫລັງເພີ່ມເຕີມ.
ການປະຕິບັດການຈັດປະເພດຂອງແບບຈໍາລອງ DM ແລະວິທີການແບບດັ້ງເດີມຢູ່ໃນເກນອາຍຸ 18 ປີຍັງຖືກປຽບທຽບ.ທຸກແບບທົດສອບ SD ແລະວິທີການແບບດັ້ງເດີມໃນຊຸດທົດສອບພາຍໃນໄດ້ສະແດງໃຫ້ເຫັນລະດັບການຈໍາແນກທີ່ຍອມຮັບໄດ້ໃນການປະຕິບັດສໍາລັບຕົວຢ່າງ 18 ປີ.ຄວາມອ່ອນໄຫວສໍາລັບຜູ້ຊາຍແລະແມ່ຍິງແມ່ນຫຼາຍກ່ວາ 87,7% ແລະ 94,9%, ຕາມລໍາດັບ, ແລະສະເພາະແມ່ນຫຼາຍກ່ວາ 89,3% ແລະ 84,7%.AUROC ຂອງແບບທົດສອບທັງໝົດຍັງເກີນ 0.925.ເພື່ອຄວາມຮູ້ທີ່ດີທີ່ສຸດຂອງພວກເຮົາ, ບໍ່ມີການສຶກສາໃດໆທີ່ໄດ້ທົດສອບການປະຕິບັດຂອງຮູບແບບ DM ສໍາລັບການຈັດປະເພດ 18 ປີໂດຍອີງໃສ່ການເຕີບໃຫຍ່ຂອງແຂ້ວ.ພວກເຮົາສາມາດປຽບທຽບຜົນໄດ້ຮັບຂອງການສຶກສານີ້ກັບການປະຕິບັດການຈັດປະເພດຂອງແບບຈໍາລອງການຮຽນຮູ້ເລິກກ່ຽວກັບ radiographs panoramic.Guo et al.15 ໄດ້ຄິດໄລ່ການປະຕິບັດການຈັດປະເພດຂອງຮູບແບບການຮຽນຮູ້ເລິກ CNN ແລະວິທີການຄູ່ມືໂດຍອີງໃສ່ວິທີການຂອງ Demirjian ສໍາລັບເກນອາຍຸທີ່ແນ່ນອນ.ຄວາມອ່ອນໄຫວແລະຄວາມສະເພາະຂອງວິທີການຄູ່ມືແມ່ນ 87,7% ແລະ 95,5%, ຕາມລໍາດັບ, ແລະຄວາມອ່ອນໄຫວແລະຄວາມສະເພາະຂອງຮູບແບບ CNN ເກີນ 89,2% ແລະ 86,6% ຕາມລໍາດັບ.ພວກເຂົາເຈົ້າໄດ້ສະຫຼຸບວ່າແບບຈໍາລອງການຮຽນຮູ້ເລິກສາມາດທົດແທນຫຼືດີກວ່າການປະເມີນຄູ່ມືໃນການຈັດປະເພດເກນອາຍຸ.ຜົນໄດ້ຮັບຂອງການສຶກສານີ້ສະແດງໃຫ້ເຫັນການປະຕິບັດການຈັດປະເພດທີ່ຄ້າຍຄືກັນ;ມັນເຊື່ອວ່າການຈັດປະເພດໂດຍໃຊ້ຕົວແບບ DM ສາມາດທົດແທນວິທີການສະຖິຕິແບບດັ້ງເດີມສໍາລັບການຄາດຄະເນອາຍຸ.ໃນບັນດາຕົວແບບ, DM LR ແມ່ນຕົວແບບທີ່ດີທີ່ສຸດກ່ຽວກັບຄວາມອ່ອນໄຫວສໍາລັບຕົວຢ່າງຂອງຜູ້ຊາຍແລະຄວາມອ່ອນໄຫວແລະຄວາມສະເພາະສໍາລັບຕົວຢ່າງເພດຍິງ.LR ອັນດັບສອງໃນສະເພາະສໍາລັບຜູ້ຊາຍ.ຍິ່ງໄປກວ່ານັ້ນ, LR ຖືກຖືວ່າເປັນຫນຶ່ງໃນຕົວແບບ DM35 ທີ່ເປັນມິດກັບຜູ້ໃຊ້ຫຼາຍແລະມີຄວາມສັບສົນຫນ້ອຍແລະຍາກທີ່ຈະປຸງແຕ່ງ.ອີງຕາມຜົນໄດ້ຮັບເຫຼົ່ານີ້, LR ຖືກພິຈາລະນາເປັນຮູບແບບການຈັດປະເພດການຕັດທີ່ດີທີ່ສຸດສໍາລັບເດັກນ້ອຍອາຍຸ 18 ປີໃນປະຊາກອນເກົາຫຼີ.
ໂດຍລວມແລ້ວ, ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນອາຍຸຫຼືການປະຕິບັດການຈັດປະເພດໃນຊຸດທົດສອບພາຍນອກແມ່ນບໍ່ດີຫຼືຕ່ໍາເມື່ອທຽບກັບຜົນໄດ້ຮັບໃນຊຸດທົດສອບພາຍໃນ.ບົດລາຍງານບາງຢ່າງຊີ້ໃຫ້ເຫັນວ່າຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດຫຼືປະສິດທິພາບຫຼຸດລົງເມື່ອການຄາດຄະເນອາຍຸໂດຍອີງໃສ່ປະຊາກອນເກົາຫຼີຖືກນໍາໃຊ້ກັບປະຊາກອນຍີ່ປຸ່ນ 5,39, ແລະຮູບແບບທີ່ຄ້າຍຄືກັນໄດ້ຖືກພົບເຫັນຢູ່ໃນການສຶກສາໃນປະຈຸບັນ.ທ່າອ່ຽງການເສື່ອມສະພາບນີ້ຍັງຖືກສັງເກດເຫັນຢູ່ໃນຮູບແບບ DM.ດັ່ງນັ້ນ, ເພື່ອຄາດຄະເນອາຍຸຢ່າງຖືກຕ້ອງ, ເຖິງແມ່ນວ່າໃນເວລາທີ່ໃຊ້ DM ໃນຂະບວນການວິເຄາະ, ວິທີການທີ່ໄດ້ມາຈາກຂໍ້ມູນປະຊາກອນພື້ນເມືອງ, ເຊັ່ນ: ວິທີການພື້ນເມືອງ, ຄວນຈະເປັນທີ່ນິຍົມ5,39,40,41,42.ເນື່ອງຈາກມັນບໍ່ຊັດເຈນວ່າແບບຈໍາລອງການຮຽນຮູ້ເລິກສາມາດສະແດງໃຫ້ເຫັນແນວໂນ້ມທີ່ຄ້າຍຄືກັນ, ການສຶກສາປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດແລະປະສິດທິພາບໂດຍໃຊ້ວິທີການແບບດັ້ງເດີມ, ຮູບແບບ DM, ແລະແບບຈໍາລອງການຮຽນຮູ້ເລິກເຊິ່ງຢູ່ໃນຕົວຢ່າງດຽວກັນແມ່ນຈໍາເປັນເພື່ອຢືນຢັນວ່າປັນຍາປະດິດສາມາດເອົາຊະນະຄວາມແຕກຕ່າງທາງດ້ານເຊື້ອຊາດເຫຼົ່ານີ້ໃນອາຍຸຈໍາກັດ.ການ​ປະ​ເມີນ​ຜົນ​.
ພວກເຮົາສະແດງໃຫ້ເຫັນວ່າວິທີການແບບດັ້ງເດີມສາມາດຖືກແທນທີ່ດ້ວຍການປະເມີນອາຍຸໂດຍອີງໃສ່ຮູບແບບ DM ໃນການປະຕິບັດການປະເມີນອາຍຸທາງນິຕິສາດໃນປະເທດເກົາຫຼີ.ພວກເຮົາຍັງໄດ້ຄົ້ນພົບຄວາມເປັນໄປໄດ້ຂອງການປະຕິບັດການຮຽນຮູ້ຂອງເຄື່ອງຈັກສໍາລັບການປະເມີນອາຍຸທາງ forensic.ຢ່າງໃດກໍ່ຕາມ, ມີຂໍ້ຈໍາກັດທີ່ຊັດເຈນເຊັ່ນ: ຈໍານວນຜູ້ເຂົ້າຮ່ວມບໍ່ພຽງພໍໃນການສຶກສານີ້ເພື່ອກໍານົດຜົນໄດ້ຮັບທີ່ຊັດເຈນ, ແລະການຂາດການສຶກສາທີ່ຜ່ານມາເພື່ອປຽບທຽບແລະຢືນຢັນຜົນຂອງການສຶກສານີ້.ໃນອະນາຄົດ, ການສຶກສາ DM ຄວນຖືກດໍາເນີນໂດຍມີຈໍານວນຕົວຢ່າງທີ່ໃຫຍ່ກວ່າແລະປະຊາກອນທີ່ມີຄວາມຫຼາກຫຼາຍຫຼາຍຂຶ້ນເພື່ອປັບປຸງການປະຕິບັດຂອງມັນທຽບກັບວິທີການແບບດັ້ງເດີມ.ການກວດສອບຄວາມເປັນໄປໄດ້ຂອງການນໍາໃຊ້ປັນຍາປະດິດເພື່ອຄາດຄະເນອາຍຸໃນຫຼາຍໆປະຊາກອນ, ການສຶກສາໃນອະນາຄົດແມ່ນຈໍາເປັນເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດແລະປະສິດທິພາບຂອງ DM ແລະແບບຈໍາລອງການຮຽນຮູ້ເລິກດ້ວຍວິທີການແບບດັ້ງເດີມໃນຕົວຢ່າງດຽວກັນ.
ການ​ສຶກສາ​ດັ່ງກ່າວ​ໄດ້​ນຳ​ໃຊ້​ຮູບ​ຖ່າຍ 2,657 ຮູບ​ທີ່​ເກັບ​ກຳ​ໄດ້​ຈາກ​ຜູ້​ໃຫຍ່​ຊາວ​ເກົາຫຼີ ​ແລະ ຍີ່ປຸ່ນ ​ທີ່​ມີ​ອາຍຸ​ແຕ່ 15 ຫາ 23 ປີ.Radiographs ເກົາຫຼີໄດ້ແບ່ງອອກເປັນ 900 ຊຸດການຝຶກອົບຮົມ (19.42 ± 2.65 ປີ) ແລະ 900 ຊຸດທົດສອບພາຍໃນ (19.52 ± 2.59 ປີ).ຊຸດຝຶກອົບຮົມໄດ້ຖືກເກັບກໍາຢູ່ໃນສະຖາບັນຫນຶ່ງ (ໂຮງຫມໍເຊນ Mary's Seoul), ແລະຊຸດທົດສອບຂອງຕົນເອງໄດ້ຖືກເກັບກໍາຢູ່ໃນສອງສະຖາບັນ (Seoul National University Dental Hospital ແລະ Yonsei University Dental Hospital).ພວກເຮົາຍັງໄດ້ເກັບກໍາ 857 radiographs ຈາກຂໍ້ມູນປະຊາກອນອື່ນ (Iwate Medical University, ປະເທດຍີ່ປຸ່ນ) ສໍາລັບການທົດສອບພາຍນອກ.Radiographs ຂອງວິຊາພາສາຍີ່ປຸ່ນ (19.31 ± 2.60 ປີ) ໄດ້ຖືກຄັດເລືອກເປັນຊຸດການທົດສອບພາຍນອກ.ຂໍ້ມູນໄດ້ຖືກເກັບກໍາຄືນຫລັງເພື່ອວິເຄາະຂັ້ນຕອນຂອງການພັດທະນາແຂ້ວກ່ຽວກັບ radiographs panoramic ທີ່ປະຕິບັດໃນລະຫວ່າງການປິ່ນປົວແຂ້ວ.ຂໍ້​ມູນ​ທັງ​ຫມົດ​ທີ່​ເກັບ​ກໍາ​ແມ່ນ​ບໍ່​ເປີດ​ເຜີຍ​ຍົກ​ເວັ້ນ​ເພດ​, ວັນ​ເດືອນ​ປີ​ເກີດ​ແລະ​ວັນ​ທີ​ຂອງ radiograph​.ເງື່ອນໄຂການລວມ ແລະ ການຍົກເວັ້ນແມ່ນຄືກັນກັບການສຶກສາທີ່ໄດ້ພິມເຜີຍແຜ່ໃນເມື່ອກ່ອນ 4 , 5 .ອາຍຸຕົວຈິງຂອງຕົວຢ່າງໄດ້ຖືກຄິດໄລ່ໂດຍການຫັກວັນເດືອນປີເກີດຈາກວັນທີ radiograph ໄດ້ຖືກປະຕິບັດ.ກຸ່ມຕົວຢ່າງໄດ້ແບ່ງອອກເປັນເກົ້າກຸ່ມອາຍຸ.ການແຜ່ກະຈາຍຂອງອາຍຸແລະການຮ່ວມເພດແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 3 ການສຶກສານີ້ໄດ້ດໍາເນີນໄປຕາມການປະກາດຂອງ Helsinki ແລະໄດ້ຮັບການອະນຸມັດໂດຍຄະນະກໍາມະການທົບທວນສະຖາບັນ (IRB) ຂອງໂຮງຫມໍ Seoul St. Mary ຂອງມະຫາວິທະຍາໄລກາໂຕລິກເກົາຫຼີ (KC22WISI0328).ເນື່ອງຈາກການອອກແບບຄືນຫຼັງຂອງການສຶກສານີ້, ການຍິນຍອມເຫັນດີທີ່ບໍ່ສາມາດໄດ້ຮັບຈາກຄົນເຈັບທຸກຄົນທີ່ໄດ້ຮັບການກວດສອບ radiographic ສໍາລັບຈຸດປະສົງການປິ່ນປົວ.ໂຮງ​ຫມໍ​ເຊ​ນ​ມາ​ຣີ​ຂອງ​ເກົາ​ຫຼີ​ເກົາ​ຫຼີ (IRB​) ໄດ້​ຍົກ​ເວັ້ນ​ຂໍ້​ກໍາ​ນົດ​ສໍາ​ລັບ​ການ​ຍິນ​ຍອມ​ຮັບ​ແຈ້ງ​ການ​.
ໄລຍະການພັດທະນາຂອງ molars ສອງແລະສາມ bimaxillary ໄດ້ຖືກປະເມີນຕາມເງື່ອນໄຂ Demircan25.ມີພຽງແຕ່ຫນຶ່ງແຂ້ວຖືກເລືອກຖ້າພົບເຫັນແຂ້ວປະເພດດຽວກັນຢູ່ດ້ານຊ້າຍແລະຂວາຂອງຄາງກະໄຕແຕ່ລະຄົນ.ຖ້າແຂ້ວທີ່ເປັນເອກະພາບທັງສອງດ້ານຢູ່ໃນຂັ້ນຕອນຂອງການພັດທະນາທີ່ແຕກຕ່າງກັນ, ແຂ້ວທີ່ມີຂັ້ນຕອນຂອງການພັດທະນາຕ່ໍາໄດ້ຖືກເລືອກເພື່ອຄິດໄລ່ຄວາມບໍ່ແນ່ນອນໃນອາຍຸທີ່ຄາດຄະເນ.ນຶ່ງຮ້ອຍ radiographs ທີ່ເລືອກແບບສຸ່ມຈາກຊຸດຝຶກອົບຮົມໄດ້ຖືກໃຫ້ຄະແນນໂດຍນັກສັງເກດການທີ່ມີປະສົບການສອງຄົນເພື່ອທົດສອບຄວາມຫນ້າເຊື່ອຖືຂອງ interobserver ຫຼັງຈາກ precalibration ເພື່ອກໍານົດຂັ້ນຕອນຂອງການເຕີບໃຫຍ່ຂອງແຂ້ວ.ຄວາມຫນ້າເຊື່ອຖືຂອງ Intraobserver ໄດ້ຖືກປະເມີນສອງຄັ້ງໃນໄລຍະສາມເດືອນໂດຍຜູ້ສັງເກດການເບື້ອງຕົ້ນ.
ໄລຍະການຮ່ວມເພດແລະການພັດທະນາຂອງ molars ທີສອງແລະທີສາມຂອງຄາງກະໄຕແຕ່ລະຄົນໃນຊຸດການຝຶກອົບຮົມໄດ້ຖືກຄາດຄະເນໂດຍຜູ້ສັງເກດການປະຖົມທີ່ໄດ້ຮັບການຝຶກອົບຮົມດ້ວຍຕົວແບບ DM ທີ່ແຕກຕ່າງກັນ, ແລະອາຍຸຕົວຈິງໄດ້ຖືກກໍານົດເປັນມູນຄ່າເປົ້າຫມາຍ.ແບບຈໍາລອງ SLP ແລະ MLP, ເຊິ່ງຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການຮຽນຮູ້ເຄື່ອງຈັກ, ໄດ້ຖືກທົດສອບຕໍ່ກັບສູດການຖອຍຫລັງ.ຮູບແບບ DM ປະສົມປະສານຫນ້າທີ່ເສັ້ນຊື່ໂດຍໃຊ້ຂັ້ນຕອນການພັດທະນາຂອງສີ່ແຂ້ວແລະປະສົມປະສານຂໍ້ມູນເຫຼົ່ານີ້ເພື່ອຄາດຄະເນອາຍຸ.SLP ແມ່ນເຄືອຂ່າຍ neural ທີ່ງ່າຍດາຍທີ່ສຸດແລະບໍ່ມີຊັ້ນທີ່ເຊື່ອງໄວ້.SLP ເຮັດວຽກໂດຍອີງໃສ່ຂອບເຂດການສົ່ງຜ່ານລະຫວ່າງ nodes.ຮູບແບບ SLP ໃນການຖົດຖອຍແມ່ນທາງຄະນິດສາດຄ້າຍຄືກັນກັບການຖົດຖອຍຫຼາຍເສັ້ນ.ບໍ່ຄືກັບຕົວແບບ SLP, ຮູບແບບ MLP ມີຫຼາຍຊັ້ນທີ່ເຊື່ອງໄວ້ດ້ວຍຟັງຊັນການເປີດໃຊ້ງານທີ່ບໍ່ແມ່ນເສັ້ນ.ການທົດລອງຂອງພວກເຮົາໄດ້ນໍາໃຊ້ຊັ້ນເຊື່ອງໄວ້ໂດຍມີພຽງແຕ່ 20 nodes ທີ່ເຊື່ອງໄວ້ທີ່ມີຟັງຊັນການເປີດໃຊ້ງານທີ່ບໍ່ແມ່ນເສັ້ນ.ໃຊ້ gradient descent ເປັນວິທີການເພີ່ມປະສິດທິພາບແລະ MAE ແລະ RMSE ເປັນຫນ້າທີ່ສູນເສຍເພື່ອຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຂອງພວກເຮົາ.ຮູບແບບການຖົດຖອຍທີ່ໄດ້ຮັບທີ່ດີທີ່ສຸດແມ່ນຖືກນໍາໃຊ້ກັບຊຸດທົດສອບພາຍໃນແລະພາຍນອກແລະອາຍຸຂອງແຂ້ວໄດ້ຖືກຄາດຄະເນ.
ຂັ້ນຕອນການຈັດປະເພດໄດ້ຖືກພັດທະນາຂຶ້ນທີ່ນໍາໃຊ້ການໃຫຍ່ເຕັມຕົວຂອງສີ່ແຂ້ວໃນຊຸດການຝຶກອົບຮົມເພື່ອຄາດຄະເນວ່າຕົວຢ່າງຈະມີອາຍຸ 18 ປີຫຼືບໍ່.ເພື່ອສ້າງຕົວແບບ, ພວກເຮົາໄດ້ເອົາມາເຈັດຕົວສະແດງເຄື່ອງການຮຽນຮູ້ algorithms6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ແລະ (7) MLP .LR ແມ່ນໜຶ່ງໃນລະບົບການຈັດປະເພດທີ່ໃຊ້ກັນຢ່າງກວ້າງຂວາງທີ່ສຸດ 44.ມັນເປັນສູດການຄິດໄລ່ການຮຽນຮູ້ທີ່ມີການຄວບຄຸມເບິ່ງແຍງທີ່ໃຊ້ການຖົດຖອຍເພື່ອຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງຂໍ້ມູນທີ່ຂຶ້ນກັບປະເພດສະເພາະໃດຫນຶ່ງຈາກ 0 ຫາ 1 ແລະຈັດປະເພດຂໍ້ມູນເປັນຂອງປະເພດທີ່ອາດຈະຫຼາຍກວ່າໂດຍອີງໃສ່ຄວາມເປັນໄປໄດ້ນີ້;ສ່ວນໃຫຍ່ແມ່ນໃຊ້ສໍາລັບການຈັດປະເພດສອງ.KNN ແມ່ນໜຶ່ງໃນລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ງ່າຍທີ່ສຸດ 45.ເມື່ອໃຫ້ຂໍ້ມູນປ້ອນເຂົ້າໃຫມ່, ມັນຈະຊອກຫາຂໍ້ມູນ k ຢູ່ໃກ້ກັບຊຸດທີ່ມີຢູ່ແລ້ວແລະຫຼັງຈາກນັ້ນຈັດປະເພດພວກມັນເຂົ້າໄປໃນຊັ້ນທີ່ມີຄວາມຖີ່ສູງສຸດ.ພວກເຮົາກໍານົດ 3 ສໍາລັບຈໍານວນປະເທດເພື່ອນບ້ານພິຈາລະນາ (k).SVM ເປັນສູດການຄິດໄລ່ທີ່ເພີ່ມໄລຍະຫ່າງລະຫວ່າງສອງຊັ້ນຮຽນໃຫ້ສູງສຸດໂດຍການໃຊ້ຟັງຊັນ kernel ເພື່ອຂະຫຍາຍພື້ນທີ່ເສັ້ນຊື່ໄປສູ່ຊ່ອງທີ່ບໍ່ແມ່ນເສັ້ນຊື່ ເອີ້ນວ່າ fields46.ສໍາລັບຮູບແບບນີ້, ພວກເຮົາໃຊ້ bias = 1, power = 1, ແລະ gamma = 1 ເປັນ hyperparameters ສໍາລັບ kernel polynomial.DT ໄດ້ຖືກນໍາໃຊ້ໃນຂົງເຂດຕ່າງໆເປັນສູດການຄິດໄລ່ສໍາລັບການແບ່ງຂໍ້ມູນທັງຫມົດທີ່ກໍານົດໄວ້ເປັນຫຼາຍກຸ່ມຍ່ອຍໂດຍການເປັນຕົວແທນກົດລະບຽບການຕັດສິນໃຈໃນໂຄງສ້າງຕົ້ນໄມ້47.ຮູບແບບດັ່ງກ່າວແມ່ນຖືກຕັ້ງຄ່າດ້ວຍຈໍານວນບັນທຶກຕໍາ່ສຸດຕໍ່ຫນຶ່ງຂອງ 2 ແລະນໍາໃຊ້ດັດຊະນີ Gini ເປັນການວັດແທກຄຸນນະພາບ.RF ແມ່ນວິທີການປະສົມປະສານທີ່ປະສົມປະສານ DTs ຫຼາຍເພື່ອປັບປຸງການປະຕິບັດໂດຍໃຊ້ວິທີການລວບລວມ bootstrap ທີ່ສ້າງຕົວຈັດປະເພດທີ່ອ່ອນແອສໍາລັບແຕ່ລະຕົວຢ່າງໂດຍການສຸ່ມແຕ້ມຕົວຢ່າງທີ່ມີຂະຫນາດດຽວກັນຫຼາຍຄັ້ງຈາກ dataset48 ຕົ້ນສະບັບ.ພວກເຮົາໄດ້ນໍາໃຊ້ 100 ຕົ້ນໄມ້, ຄວາມເລິກຂອງຕົ້ນໄມ້ 10, 1 ຂະຫນາດຂອງ node ຕໍາ່ສຸດທີ່, ແລະດັດຊະນີ Gini admixture ເປັນເງື່ອນໄຂການແຍກ node.ການຈັດປະເພດຂອງຂໍ້ມູນໃຫມ່ແມ່ນຖືກກໍານົດໂດຍການລົງຄະແນນສຽງສ່ວນໃຫຍ່.XGBoost ເປັນ algorithm ທີ່ລວມເອົາເຕັກນິກການຊຸກຍູ້ໂດຍໃຊ້ວິທີການທີ່ໃຊ້ເວລາເປັນຂໍ້ມູນການຝຶກອົບຮົມຄວາມຜິດພາດລະຫວ່າງມູນຄ່າຕົວຈິງແລະການຄາດຄະເນຂອງຮູບແບບທີ່ຜ່ານມາແລະເພີ່ມຄວາມຜິດພາດໂດຍໃຊ້ gradients49.ມັນເປັນສູດການຄິດໄລ່ທີ່ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງເນື່ອງຈາກການປະຕິບັດທີ່ດີແລະປະສິດທິພາບຂອງຊັບພະຍາກອນ, ເຊັ່ນດຽວກັນກັບຄວາມຫນ້າເຊື່ອຖືສູງເປັນຫນ້າທີ່ແກ້ໄຂ overfitting.ຮູບແບບດັ່ງກ່າວແມ່ນມີ 400 ລໍ້ສະຫນັບສະຫນູນ.MLP ແມ່ນເຄືອຂ່າຍ neural ທີ່ຫນຶ່ງຫຼືຫຼາຍ perceptrons ປະກອບຫຼາຍຊັ້ນທີ່ມີຫນຶ່ງຫຼືຫຼາຍຊັ້ນເຊື່ອງໄວ້ລະຫວ່າງ input ແລະ output layers38.ການນໍາໃຊ້ນີ້, ທ່ານສາມາດປະຕິບັດການຈັດປະເພດທີ່ບໍ່ແມ່ນເສັ້ນ, ບ່ອນທີ່ເມື່ອທ່ານເພີ່ມຊັ້ນຂໍ້ມູນເຂົ້າແລະໄດ້ຮັບມູນຄ່າຜົນໄດ້ຮັບ, ມູນຄ່າຜົນໄດ້ຮັບທີ່ຄາດຄະເນຈະຖືກປຽບທຽບກັບມູນຄ່າຜົນໄດ້ຮັບຕົວຈິງແລະຄວາມຜິດພາດຈະຖືກຂະຫຍາຍພັນຄືນ.ພວກເຮົາໄດ້ສ້າງຊັ້ນທີ່ເຊື່ອງໄວ້ດ້ວຍ 20 neurons ທີ່ເຊື່ອງໄວ້ໃນແຕ່ລະຊັ້ນ.ແຕ່ລະຕົວແບບທີ່ພວກເຮົາພັດທະນາໄດ້ຖືກນໍາໃຊ້ກັບຊຸດພາຍໃນແລະພາຍນອກເພື່ອທົດສອບການປະຕິບັດການຈັດປະເພດໂດຍການຄິດໄລ່ຄວາມອ່ອນໄຫວ, ຄວາມສະເພາະ, PPV, NPV, ແລະ AUROC.ຄວາມອ່ອນໄຫວຖືກກໍານົດເປັນອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ຄາດຄະເນວ່າມີອາຍຸ 18 ປີຫຼືຫຼາຍກວ່ານັ້ນກັບຕົວຢ່າງທີ່ຄາດຄະເນວ່າມີອາຍຸ 18 ປີຫຼືຫຼາຍກວ່ານັ້ນ.ສະເພາະແມ່ນອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ມີອາຍຸຕໍ່າກວ່າ 18 ປີ ແລະຜູ້ທີ່ຄາດຄະເນວ່າມີອາຍຸຕໍ່າກວ່າ 18 ປີ.
ໄລຍະທັນຕະກໍາທີ່ໄດ້ຮັບການປະເມີນໃນຊຸດຝຶກອົບຮົມໄດ້ຖືກປ່ຽນເປັນຂັ້ນຕອນຕົວເລກສໍາລັບການວິເຄາະສະຖິຕິ.Multivariate linear regression ແລະ logistic regression ໄດ້ຖືກປະຕິບັດເພື່ອພັດທະນາຕົວແບບຄາດຄະເນສໍາລັບແຕ່ລະເພດແລະ derive regression ສູດທີ່ສາມາດຖືກນໍາໃຊ້ເພື່ອຄາດຄະເນອາຍຸ.ພວກເຮົາໄດ້ໃຊ້ສູດເຫຼົ່ານີ້ເພື່ອປະເມີນອາຍຸຂອງແຂ້ວສໍາລັບຊຸດທົດສອບທັງພາຍໃນ ແລະພາຍນອກ.ຕາຕະລາງ 4 ສະແດງໃຫ້ເຫັນການຖົດຖອຍແລະຮູບແບບການຈັດປະເພດທີ່ໃຊ້ໃນການສຶກສານີ້.
Intra- ແລະຄວາມຫນ້າເຊື່ອຖືຂອງ interobserver ໄດ້ຖືກຄິດໄລ່ໂດຍໃຊ້ສະຖິຕິ kappa ຂອງ Cohen.ເພື່ອທົດສອບຄວາມຖືກຕ້ອງຂອງ DM ແລະແບບຈໍາລອງການຖົດຖອຍແບບດັ້ງເດີມ, ພວກເຮົາໄດ້ຄິດໄລ່ MAE ແລະ RMSE ໂດຍໃຊ້ການຄາດຄະເນແລະອາຍຸຕົວຈິງຂອງຊຸດທົດສອບພາຍໃນແລະພາຍນອກ.ຄວາມຜິດພາດເຫຼົ່ານີ້ຖືກນໍາໃຊ້ໂດຍທົ່ວໄປເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງຕົວແບບ.ຄວາມ​ຜິດ​ພາດ​ຂະ​ຫນາດ​ນ້ອຍ​, ຄວາມ​ຖືກ​ຕ້ອງ​ຂອງ​ການ​ຄາດ​ຄະ​ເນ​ສູງ​ຂຶ້ນ​.ປຽບທຽບ MAE ແລະ RMSE ຂອງຊຸດທົດສອບພາຍໃນແລະພາຍນອກທີ່ຄິດໄລ່ໂດຍໃຊ້ DM ແລະການຖົດຖອຍແບບດັ້ງເດີມ.ການປະຕິບັດການຈັດປະເພດຂອງການຕັດ 18 ປີໃນສະຖິຕິພື້ນເມືອງໄດ້ຖືກປະເມີນໂດຍໃຊ້ຕາຕະລາງ 2 × 2.ຄວາມອ່ອນໄຫວທີ່ຄິດໄລ່, ຄວາມສະເພາະ, PPV, NPV, ແລະ AUROC ຂອງຊຸດທົດສອບໄດ້ຖືກປຽບທຽບກັບຄ່າທີ່ວັດແທກຂອງຮູບແບບການຈັດປະເພດ DM.ຂໍ້​ມູນ​ແມ່ນ​ສະ​ແດງ​ອອກ​ເປັນ​ສະ​ເລ່ຍ ± deviation ມາດ​ຕະ​ຖານ​ຫຼື​ຈໍາ​ນວນ (%) ອີງ​ຕາມ​ລັກ​ສະ​ນະ​ຂອງ​ຂໍ້​ມູນ​.ຄ່າ P ສອງດ້ານ <0.05 ຖືກພິຈາລະນາເປັນຕົວເລກທີ່ສໍາຄັນທາງສະຖິຕິ.ການວິເຄາະສະຖິຕິປົກກະຕິທັງຫມົດໄດ້ຖືກປະຕິບັດໂດຍໃຊ້ SAS ຮຸ່ນ 9.4 (ສະຖາບັນ SAS, Cary, NC).ຮູບແບບການຖົດຖອຍ DM ໄດ້ຖືກປະຕິບັດໃນ Python ໂດຍໃຊ້ Keras50 2.2.4 backend ແລະ Tensorflow51 1.8.0 ໂດຍສະເພາະສໍາລັບການປະຕິບັດງານທາງຄະນິດສາດ.ຮູບແບບການຈັດປະເພດ DM ໄດ້ຖືກປະຕິບັດຢູ່ໃນສະພາບແວດລ້ອມການວິເຄາະຄວາມຮູ້ Waikato ແລະແພລະຕະຟອມການວິເຄາະ Konstanz Information Miner (KNIME) 4.6.152.
ຜູ້ຂຽນຮັບຮູ້ວ່າຂໍ້ມູນສະຫນັບສະຫນູນບົດສະຫຼຸບຂອງການສຶກສາສາມາດພົບເຫັນຢູ່ໃນບົດຄວາມແລະອຸປະກອນເສີມ.ຊຸດຂໍ້ມູນທີ່ສ້າງຂຶ້ນ ແລະ/ຫຼື ວິເຄາະໃນລະຫວ່າງການສຶກສາແມ່ນມີໃຫ້ຈາກຜູ້ຂຽນທີ່ສອດຄ້ອງກັນຕາມການຮ້ອງຂໍທີ່ສົມເຫດສົມຜົນ.
Ritz-Timme, S. et al.ການ​ປະ​ເມີນ​ອາ​ຍຸ​: ລັດ​ຂອງ​ສິນ​ລະ​ປະ​ເພື່ອ​ຕອບ​ສະ​ຫນອງ​ຄວາມ​ຕ້ອງ​ການ​ສະ​ເພາະ​ຂອງ​ການ​ປະ​ຕິ​ບັດ forensic​.ສາກົນ.J. ຢາທາງດ້ານກົດໝາຍ.113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., ແລະ Olze, A. ສະຖານະພາບປະຈຸບັນຂອງການປະເມີນອາຍຸຂອງ forensic ຂອງວິຊາດໍາລົງຊີວິດເພື່ອຈຸດປະສົງການດໍາເນີນຄະດີອາຍາ.ນິຕິສາດ.​ຢາ.ພະຍາດວິທະຍາ.1, 239–246 (2005).
Pan, J. et al.ວິທີການດັດແກ້ສໍາລັບການປະເມີນອາຍຸແຂ້ວຂອງເດັກນ້ອຍອາຍຸ 5 ຫາ 16 ປີໃນພາກຕາເວັນອອກຂອງປະເທດຈີນ.ທາງດ້ານຄລີນິກ.ການສໍາຫຼວດປາກ.25, 3463–3474 (2021).
Lee, SS ແລະອື່ນໆ Chronology ຂອງການພັດທະນາຂອງ molars ທີສອງແລະທີສາມໃນພາສາເກົາຫຼີແລະຄໍາຮ້ອງສະຫມັກຂອງຕົນສໍາລັບການປະເມີນອາຍຸ forensic.ສາກົນ.J. ຢາທາງດ້ານກົດໝາຍ.124, 659–665 (2010).
Oh, S., Kumagai, A., Kim, SY ແລະ Lee, SS ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນອາຍຸແລະການຄາດຄະເນຂອງເກນອາຍຸ 18 ປີໂດຍອີງໃສ່ການໃຫຍ່ເຕັມຕົວຂອງ molars ທີສອງແລະທີສາມໃນພາສາເກົາຫຼີແລະພາສາຍີ່ປຸ່ນ.PLoS ONE 17, e0271247 (2022).
Kim, JY, et al.ການວິເຄາະຂໍ້ມູນທີ່ອີງໃສ່ການຮຽນຮູ້ເຄື່ອງຈັກກ່ອນການຜ່າຕັດສາມາດຄາດຄະເນຜົນການປິ່ນປົວການຜ່າຕັດນອນຫລັບໃນຄົນເຈັບທີ່ມີ OSA.ວິທະຍາສາດ.ບົດລາຍງານ 11, 14911 (2021).
Han, M. et al.ການຄາດຄະເນອາຍຸທີ່ຖືກຕ້ອງຈາກການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍມີຫຼືບໍ່ມີການແຊກແຊງຂອງມະນຸດ?ສາກົນ.J. ຢາທາງດ້ານກົດໝາຍ.136, 821–831 (2022).
Khan, S. ແລະ Shaheen, M. ຈາກການຂຸດຄົ້ນຂໍ້ມູນໄປຫາການຂຸດຄົ້ນຂໍ້ມູນ.J. ຂໍ້​ມູນວິທະຍາສາດ.https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ແລະ Shaheen, M. WisRule: ສູດການຮັບຮູ້ທໍາອິດສໍາລັບການຂຸດຄົ້ນກົດລະບຽບສະມາຄົມ.J. ຂໍ້​ມູນວິທະຍາສາດ.https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ແລະ Abdullah U. Karm: ການຂຸດຄົ້ນຂໍ້ມູນແບບດັ້ງເດີມໂດຍອີງໃສ່ກົດລະບຽບຂອງສະມາຄົມໂດຍອີງໃສ່ສະພາບການ.ຄິດໄລ່.ມັດ.ສືບຕໍ່.68, 3305–3322 (2021).
Muhammad M. , Rehman Z. , Shaheen M. , Khan M. ແລະ Habib M. ການຮຽນຮູ້ເລິກໂດຍອີງໃສ່ການຊອກຄົ້ນຫາຄວາມຄ້າຍຄືກັນ semantic ໂດຍໃຊ້ຂໍ້ມູນຂໍ້ຄວາມ.ແຈ້ງ.ເຕັກໂນໂລຊີ.ການຄວບຄຸມ.https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ແລະ Shahin, M. ລະບົບການຮັບຮູ້ກິດຈະກໍາໃນວິດີໂອກິລາ.ມັນຕິມີເດຍ.ແອັບພລິເຄຊັນເຄື່ອງມື https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS et al.ສິ່ງທ້າທາຍການຮຽນຮູ້ເຄື່ອງຈັກ RSNA ໃນອາຍຸກະດູກເດັກນ້ອຍ.Radiology 290, 498–503 (2019).
Li, Y. et al.ການຄາດຄະເນອາຍຸຂອງ Forensic ຈາກ X-ray pelvic ໂດຍໃຊ້ການຮຽນຮູ້ເລິກ.ເອີໂຣ.ລັງສີ.29, 2322–2329 (2019).
Guo, YC, et al.ການຈັດປະເພດອາຍຸທີ່ຖືກຕ້ອງໂດຍໃຊ້ວິທີການຄູ່ມືແລະເຄືອຂ່າຍ neural convolutional ເລິກຈາກຮູບພາບການຄາດຄະເນ orthographic.ສາກົນ.J. ຢາທາງດ້ານກົດໝາຍ.135, 1589–1597 (2021).
Alabama Dalora et al.ການຄາດຄະເນອາຍຸຂອງກະດູກໂດຍໃຊ້ວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນ: ການທົບທວນຄືນວັນນະຄະດີລະບົບແລະການວິເຄາະ meta.PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., ແລະ Yang, J. ການປະເມີນອາຍຸສະເພາະຂອງປະຊາກອນຂອງຊາວອາເມຣິກັນເຊື້ອສາຍອາຟຣິກາ ແລະຈີນ ໂດຍອີງໃສ່ປະລິມານເນື້ອເຍື່ອຂອງ molars ທໍາອິດໂດຍໃຊ້ cone-beam computed tomography.ສາກົນ.J. ຢາທາງດ້ານກົດໝາຍ.136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ແລະ Oh KS ການກໍານົດກຸ່ມອາຍຸຂອງຄົນທີ່ມີຊີວິດຢູ່ໂດຍໃຊ້ຮູບພາບທີ່ອີງໃສ່ປັນຍາປະດິດຂອງ molars ທໍາອິດ.ວິທະຍາສາດ.ບົດລາຍງານ 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., ແລະ Urschler, M. ການປະເມີນອາຍຸອັດຕະໂນມັດ ແລະການຈັດປະເພດອາຍຸສ່ວນໃຫຍ່ຈາກຂໍ້ມູນ MRI ຫຼາຍຕົວແປ.IEEE J. Biomed.ແຈ້ງເຕືອນສຸຂະພາບ.23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ແລະ Li, G. ການປະເມີນອາຍຸໂດຍອີງໃສ່ການແບ່ງສ່ວນຫ້ອງເນື້ອເຍື່ອ 3D ຂອງ molars ທໍາອິດຈາກ cone beam computed tomography ໂດຍການລວມເອົາການຮຽນຮູ້ເລິກແລະຊຸດລະດັບ.ສາກົນ.J. ຢາທາງດ້ານກົດໝາຍ.135, 365–373 (2021).
Wu, WT, et al.ການຂຸດຄົ້ນຂໍ້ມູນໃນຂໍ້ມູນໃຫຍ່ທາງດ້ານຄລີນິກ: ຖານຂໍ້ມູນທົ່ວໄປ, ຂັ້ນຕອນ, ແລະຮູບແບບວິທີການ.ໂລກ.​ຢາ.ຊັບພະຍາກອນ.8, 44 (2021).
Yang, J. et al.ການແນະນໍາຖານຂໍ້ມູນທາງການແພດ ແລະເຕັກໂນໂລຢີການຂຸດຄົ້ນຂໍ້ມູນໃນຍຸກຂໍ້ມູນໃຫຍ່.J. Avid.ຢາພື້ນຖານ.13, 57–69 (2020).
Shen, S. et al.ວິທີການຂອງ Cameer ສໍາລັບການປະເມີນອາຍຸຂອງແຂ້ວໂດຍໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກ.BMC Oral Health 21, 641 (2021).
Galliburg A. et al.ການປຽບທຽບວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນສໍາລັບການຄາດເດົາອາຍຸຂອງແຂ້ວໂດຍໃຊ້ວິທີການ Demirdjian staging.ສາກົນ.J. ຢາທາງດ້ານກົດໝາຍ.135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ແລະ Tanner, JM ລະບົບໃຫມ່ສໍາລັບການປະເມີນອາຍຸຂອງແຂ້ວ.snort.ຊີວະວິທະຍາ.45, 211–227 (1973).
Landis, JR, ແລະ Koch, GG ມາດຕະການຂອງຂໍ້ຕົກລົງຂອງຜູ້ສັງເກດການກ່ຽວກັບຂໍ້ມູນປະເພດ.Biometrics 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ແລະ Choi HK.ການວິເຄາະທາງດ້ານໂຄງສ້າງ, morphological ແລະສະຖິຕິຂອງການຖ່າຍຮູບ resonance ແມ່ເຫຼັກສອງມິຕິໂດຍໃຊ້ເຕັກນິກປັນຍາປະດິດເພື່ອຄວາມແຕກຕ່າງຂອງເນື້ອງອກໃນສະຫມອງຕົ້ນຕໍ.ຂໍ້ມູນສຸຂະພາບ.ຊັບພະຍາກອນ.https://doi.org/10.4258/hir.2022.28.1.46 (2022).