ການຢັ້ງຢືນຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນທຽບກັບວິທີການປະເມີນອາຍຸແຂ້ວແບບດັ້ງເດີມໃນບັນດາໄວລຸ້ນ ແລະ ໄວໜຸ່ມເກົາຫຼີ

ຂອບໃຈທີ່ທ່ານເຂົ້າມາຢ້ຽມຊົມ Nature.com. ໂປຣແກຣມທ່ອງເວັບເວີຊັນທີ່ທ່ານກຳລັງໃຊ້ຢູ່ນັ້ນຮອງຮັບ CSS ໄດ້ຈຳກັດ. ເພື່ອໃຫ້ໄດ້ຜົນດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ໃຊ້ໂປຣແກຣມທ່ອງເວັບເວີຊັນໃໝ່ກວ່າ (ຫຼື ປິດໂໝດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນລະຫວ່າງນີ້, ເພື່ອຮັບປະກັນການຮອງຮັບຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາກຳລັງສະແດງເວັບໄຊໂດຍບໍ່ມີຮູບແບບ ຫຼື JavaScript.
ແຂ້ວຖືກຖືວ່າເປັນຕົວຊີ້ບອກທີ່ຖືກຕ້ອງທີ່ສຸດຂອງອາຍຸຂອງຮ່າງກາຍມະນຸດ ແລະ ມັກຖືກນຳໃຊ້ໃນການປະເມີນອາຍຸທາງດ້ານນິຕິວິທະຍາ. ພວກເຮົາມີຈຸດປະສົງເພື່ອກວດສອບຄວາມຖືກຕ້ອງຂອງການປະເມີນອາຍຸແຂ້ວໂດຍອີງໃສ່ການຂຸດຄົ້ນຂໍ້ມູນໂດຍການປຽບທຽບຄວາມຖືກຕ້ອງຂອງການປະເມີນ ແລະ ປະສິດທິພາບການຈັດປະເພດຂອງເກນ 18 ປີກັບວິທີການແບບດັ້ງເດີມ ແລະ ການປະເມີນອາຍຸໂດຍອີງໃສ່ການຂຸດຄົ້ນຂໍ້ມູນ. ຮູບພາບລັງສີພາໂນຣາມາທັງໝົດ 2657 ຮູບໄດ້ຖືກເກັບກຳມາຈາກພົນລະເມືອງເກົາຫຼີ ແລະ ຍີ່ປຸ່ນທີ່ມີອາຍຸ 15 ຫາ 23 ປີ. ພວກມັນຖືກແບ່ງອອກເປັນຊຸດຝຶກອົບຮົມ, ແຕ່ລະຊຸດມີຮູບພາບລັງສີເກົາຫຼີ 900 ຮູບ, ແລະ ຊຸດທົດສອບພາຍໃນທີ່ມີຮູບພາບລັງສີຍີ່ປຸ່ນ 857 ຮູບ. ພວກເຮົາໄດ້ປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດ ແລະ ປະສິດທິພາບຂອງວິທີການແບບດັ້ງເດີມກັບຊຸດທົດສອບຂອງຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນ. ຄວາມຖືກຕ້ອງຂອງວິທີການແບບດັ້ງເດີມໃນຊຸດທົດສອບພາຍໃນແມ່ນສູງກວ່າຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນເລັກນ້ອຍ, ແລະ ຄວາມແຕກຕ່າງແມ່ນນ້ອຍ (ຄວາມຜິດພາດຢ່າງແທ້ຈິງ <0.21 ປີ, ຄວາມຜິດພາດຂອງຮາກສະເລ່ຍ <0.24 ປີ). ປະສິດທິພາບການຈັດປະເພດສຳລັບຈຸດຕັດ 18 ປີຍັງຄ້າຍຄືກັນລະຫວ່າງວິທີການແບບດັ້ງເດີມ ແລະ ຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນ. ດັ່ງນັ້ນ, ວິທີການແບບດັ້ງເດີມສາມາດຖືກທົດແທນດ້ວຍຮູບແບບການຂຸດຄົ້ນຂໍ້ມູນເມື່ອປະຕິບັດການປະເມີນອາຍຸທາງດ້ານນິຕິວິທະຍາໂດຍໃຊ້ຄວາມສົມບູນຂອງແຂ້ວຄາງທີສອງ ແລະ ທີສາມໃນໄວລຸ້ນ ແລະ ໄວໜຸ່ມເກົາຫຼີ.
ການປະເມີນອາຍຸແຂ້ວແມ່ນຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການແພດທາງດ້ານນິຕິວິທະຍາ ແລະ ທັນຕະກຳເດັກ. ໂດຍສະເພາະ, ເນື່ອງຈາກມີຄວາມສຳພັນສູງລະຫວ່າງອາຍຸຕາມລໍາດັບເວລາ ແລະ ການພັດທະນາແຂ້ວ, ການປະເມີນອາຍຸຕາມໄລຍະການພັດທະນາແຂ້ວແມ່ນເງື່ອນໄຂທີ່ສໍາຄັນສໍາລັບການປະເມີນອາຍຸຂອງເດັກ ແລະ ໄວລຸ້ນ1,2,3. ຢ່າງໃດກໍຕາມ, ສໍາລັບໄວໜຸ່ມ, ການປະເມີນອາຍຸແຂ້ວໂດຍອີງໃສ່ຄວາມເຕີບໃຫຍ່ຂອງແຂ້ວມີຂໍ້ຈໍາກັດເພາະວ່າການເຕີບໂຕຂອງແຂ້ວເກືອບສົມບູນແລ້ວ, ຍົກເວັ້ນແຂ້ວຄາງກະໄຕແຂ້ວອັນທີສາມ. ຈຸດປະສົງທາງກົດໝາຍໃນການກໍານົດອາຍຸຂອງໄວໜຸ່ມ ແລະ ໄວລຸ້ນແມ່ນເພື່ອໃຫ້ການຄາດຄະເນທີ່ຖືກຕ້ອງ ແລະ ຫຼັກຖານທາງວິທະຍາສາດວ່າພວກເຂົາໄດ້ບັນລຸອາຍຸສູງສຸດແລ້ວຫຼືບໍ່. ໃນການປະຕິບັດທາງການແພດ-ກົດໝາຍຂອງໄວລຸ້ນ ແລະ ໄວໜຸ່ມໃນເກົາຫຼີ, ອາຍຸໄດ້ຖືກຄາດຄະເນໂດຍໃຊ້ວິທີການຂອງ Lee, ແລະ ເກນທາງກົດໝາຍທີ່ 18 ປີໄດ້ຖືກຄາດຄະເນໂດຍອີງໃສ່ຂໍ້ມູນທີ່ລາຍງານໂດຍ Oh et al 5.
ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນປະເພດຂອງປັນຍາປະດິດ (AI) ທີ່ຮຽນຮູ້ ແລະ ຈັດປະເພດຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍຊ້ຳໆ, ແກ້ໄຂບັນຫາດ້ວຍຕົວມັນເອງ, ແລະ ຂັບເຄື່ອນການຂຽນໂປຣແກຣມຂໍ້ມູນ. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສາມາດຄົ້ນພົບຮູບແບບທີ່ເປັນປະໂຫຍດທີ່ເຊື່ອງໄວ້ໃນຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ6. ໃນທາງກົງກັນຂ້າມ, ວິທີການແບບຄລາສສິກ, ເຊິ່ງໃຊ້ແຮງງານຫຼາຍ ແລະ ໃຊ້ເວລາຫຼາຍ, ອາດຈະມີຂໍ້ຈຳກັດເມື່ອຈັດການກັບຂໍ້ມູນທີ່ສັບສົນຈຳນວນຫຼວງຫຼາຍທີ່ຍາກທີ່ຈະປະມວນຜົນດ້ວຍຕົນເອງ7. ດັ່ງນັ້ນ, ການສຶກສາຫຼາຍຢ່າງໄດ້ຖືກດຳເນີນການເມື່ອບໍ່ດົນມານີ້ໂດຍໃຊ້ເຕັກໂນໂລຊີຄອມພິວເຕີລ້າສຸດເພື່ອຫຼຸດຜ່ອນຄວາມຜິດພາດຂອງມະນຸດ ແລະ ປະມວນຜົນຂໍ້ມູນຫຼາຍມິຕິຢ່າງມີປະສິດທິພາບ8,9,10,11,12. ໂດຍສະເພາະ, ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການວິເຄາະຮູບພາບທາງການແພດ, ແລະວິທີການຕ່າງໆສໍາລັບການປະເມີນອາຍຸໂດຍການວິເຄາະຮູບພາບລັງສີໂດຍອັດຕະໂນມັດໄດ້ຖືກລາຍງານວ່າປັບປຸງຄວາມຖືກຕ້ອງ ແລະ ປະສິດທິພາບຂອງການປະເມີນອາຍຸ13,14,15,16,17,18,19,20. ຕົວຢ່າງ, Halabi et al 13 ໄດ້ພັດທະນາອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍອີງໃສ່ເຄືອຂ່າຍປະສາດ convolutional (CNN) ເພື່ອປະເມີນອາຍຸໂຄງກະດູກໂດຍໃຊ້ຮູບພາບລັງສີຂອງມືເດັກ. ການສຶກສານີ້ສະເໜີຮູບແບບທີ່ນໍາໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກກັບຮູບພາບທາງການແພດ ແລະ ສະແດງໃຫ້ເຫັນວ່າວິທີການເຫຼົ່ານີ້ສາມາດປັບປຸງຄວາມຖືກຕ້ອງຂອງການວິນິດໄສ. Li ແລະ ເພື່ອນຮ່ວມງານໄດ້ປະເມີນອາຍຸຈາກຮູບພາບ X-ray ໃນກະດູກເຊີງກະໂຫຼກໂດຍໃຊ້ deep learning CNN ແລະ ປຽບທຽບກັບຜົນໄດ້ຮັບການຖົດຖອຍໂດຍໃຊ້ການປະເມີນຂັ້ນຕອນການແຂງຕົວຂອງກະດູກ. ພວກເຂົາເຈົ້າພົບວ່າຮູບແບບ deep learning CNN ສະແດງໃຫ້ເຫັນເຖິງປະສິດທິພາບການປະເມີນອາຍຸຄືກັນກັບຮູບແບບການຖົດຖອຍແບບດັ້ງເດີມ. ການສຶກສາຂອງ Guo ແລະ ເພື່ອນຮ່ວມງານ [15] ໄດ້ປະເມີນປະສິດທິພາບການຈັດປະເພດຄວາມທົນທານຕໍ່ອາຍຸຂອງເທັກໂນໂລຢີ CNN ໂດຍອີງໃສ່ orthophotos ແຂ້ວ, ແລະ ຜົນໄດ້ຮັບຂອງຮູບແບບ CNN ໄດ້ພິສູດວ່າມະນຸດມີປະສິດທິພາບດີກວ່າປະສິດທິພາບການຈັດປະເພດອາຍຸຂອງມັນ.
ການສຶກສາສ່ວນໃຫຍ່ກ່ຽວກັບການປະເມີນອາຍຸໂດຍໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃຊ້ວິທີການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ13,14,15,16,17,18,19,20. ການປະເມີນອາຍຸໂດຍອີງໃສ່ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງໄດ້ຖືກລາຍງານວ່າມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າວິທີການແບບດັ້ງເດີມ. ຢ່າງໃດກໍຕາມ, ວິທີການນີ້ໃຫ້ໂອກາດໜ້ອຍທີ່ຈະນຳສະເໜີພື້ນຖານທາງວິທະຍາສາດສຳລັບການປະເມີນອາຍຸ, ເຊັ່ນ: ຕົວຊີ້ວັດອາຍຸທີ່ໃຊ້ໃນການປະເມີນ. ຍັງມີຂໍ້ຂັດແຍ່ງທາງກົດໝາຍກ່ຽວກັບຜູ້ທີ່ດຳເນີນການກວດກາ. ດັ່ງນັ້ນ, ການປະເມີນອາຍຸໂດຍອີງໃສ່ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງແມ່ນຍາກທີ່ຈະຍອມຮັບໂດຍເຈົ້າໜ້າທີ່ບໍລິຫານ ແລະ ຕຸລາການ. ການຂຸດຄົ້ນຂໍ້ມູນ (DM) ແມ່ນເຕັກນິກທີ່ສາມາດຄົ້ນພົບບໍ່ພຽງແຕ່ຂໍ້ມູນທີ່ຄາດຫວັງເທົ່ານັ້ນ ແຕ່ຍັງຂໍ້ມູນທີ່ບໍ່ຄາດຄິດອີກດ້ວຍ ເປັນວິທີການສຳລັບການຄົ້ນພົບຄວາມສຳພັນທີ່ເປັນປະໂຫຍດລະຫວ່າງຂໍ້ມູນຈຳນວນຫຼວງຫຼາຍ6,21,22. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກມັກຖືກນຳໃຊ້ໃນການຂຸດຄົ້ນຂໍ້ມູນ, ແລະທັງການຂຸດຄົ້ນຂໍ້ມູນ ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃຊ້ອັລກໍຣິທຶມທີ່ສຳຄັນດຽວກັນເພື່ອຄົ້ນພົບຮູບແບບໃນຂໍ້ມູນ. ການປະເມີນອາຍຸໂດຍໃຊ້ການພັດທະນາທາງດ້ານແຂ້ວແມ່ນອີງໃສ່ການປະເມີນຂອງຜູ້ກວດສອບກ່ຽວກັບຄວາມເຕີບໃຫຍ່ຂອງແຂ້ວເປົ້າໝາຍ, ແລະການປະເມີນນີ້ສະແດງອອກເປັນຂັ້ນຕອນສຳລັບແຂ້ວເປົ້າໝາຍແຕ່ລະອັນ. DM ສາມາດນຳໃຊ້ເພື່ອວິເຄາະຄວາມສຳພັນລະຫວ່າງຂັ້ນຕອນການປະເມີນທາງດ້ານແຂ້ວ ແລະ ອາຍຸຕົວຈິງ ແລະ ມີທ່າແຮງທີ່ຈະທົດແທນການວິເຄາະທາງສະຖິຕິແບບດັ້ງເດີມ. ດັ່ງນັ້ນ, ຖ້າພວກເຮົານຳໃຊ້ເຕັກນິກ DM ເຂົ້າໃນການປະເມີນອາຍຸ, ພວກເຮົາສາມາດນຳໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກໃນການປະເມີນອາຍຸທາງດ້ານນິຕິວິທະຍາໂດຍບໍ່ຕ້ອງກັງວົນກ່ຽວກັບຄວາມຮັບຜິດຊອບທາງກົດໝາຍ. ການສຶກສາປຽບທຽບຫຼາຍໆຄັ້ງໄດ້ຖືກເຜີຍແຜ່ກ່ຽວກັບທາງເລືອກທີ່ເປັນໄປໄດ້ຕໍ່ກັບວິທີການຄູ່ມືແບບດັ້ງເດີມທີ່ໃຊ້ໃນການປະຕິບັດທາງດ້ານນິຕິວິທະຍາ ແລະ ວິທີການທີ່ອີງໃສ່ EBM ສຳລັບການກຳນົດອາຍຸທາງດ້ານແຂ້ວ. Shen ແລະ ທີມງານ23 ສະແດງໃຫ້ເຫັນວ່າຮູບແບບ DM ມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາສູດ Camerer ແບບດັ້ງເດີມ. Galibourg ແລະ ທີມງານ24 ໄດ້ນຳໃຊ້ວິທີການ DM ທີ່ແຕກຕ່າງກັນເພື່ອຄາດຄະເນອາຍຸຕາມເງື່ອນໄຂ Demirdjian25 ແລະຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າວິທີການ DM ມີປະສິດທິພາບດີກວ່າວິທີການ Demirdjian ແລະ Willems ໃນການປະເມີນອາຍຸຂອງປະຊາກອນຝຣັ່ງ.
ເພື່ອປະເມີນອາຍຸແຂ້ວຂອງໄວລຸ້ນ ແລະ ໄວໜຸ່ມເກົາຫຼີ, ວິທີການທີ 4 ຂອງ Lee ແມ່ນຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການປະຕິບັດທາງດ້ານນິຕິວິທະຍາຂອງເກົາຫຼີ. ວິທີການນີ້ໃຊ້ການວິເຄາະທາງສະຖິຕິແບບດັ້ງເດີມ (ເຊັ່ນ: ການຖົດຖອຍຫຼາຍຕົວຄູນ) ເພື່ອກວດສອບຄວາມສຳພັນລະຫວ່າງບຸກຄົນເກົາຫຼີ ແລະ ອາຍຸຕາມລຳດັບເວລາ. ໃນການສຶກສານີ້, ວິທີການປະເມີນອາຍຸທີ່ໄດ້ຮັບໂດຍໃຊ້ວິທີການສະຖິຕິແບບດັ້ງເດີມແມ່ນຖືກນິຍາມວ່າເປັນ "ວິທີການແບບດັ້ງເດີມ." ວິທີການຂອງ Lee ແມ່ນວິທີການແບບດັ້ງເດີມ, ແລະ ຄວາມຖືກຕ້ອງຂອງມັນໄດ້ຮັບການຢືນຢັນໂດຍ Oh et al. 5; ຢ່າງໃດກໍຕາມ, ການນຳໃຊ້ການປະເມີນອາຍຸໂດຍອີງໃສ່ຮູບແບບ DM ໃນການປະຕິບັດທາງດ້ານນິຕິວິທະຍາຂອງເກົາຫຼີຍັງເປັນທີ່ໜ້າສົງໄສ. ເປົ້າໝາຍຂອງພວກເຮົາແມ່ນເພື່ອຢືນຢັນທາງວິທະຍາສາດກ່ຽວກັບປະໂຫຍດທີ່ອາດເປັນໄປໄດ້ຂອງການປະເມີນອາຍຸໂດຍອີງໃສ່ຮູບແບບ DM. ຈຸດປະສົງຂອງການສຶກສານີ້ແມ່ນ (1) ເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງຂອງຮູບແບບ DM ສອງແບບໃນການປະເມີນອາຍຸແຂ້ວ ແລະ (2) ເພື່ອປຽບທຽບປະສິດທິພາບການຈັດປະເພດຂອງຮູບແບບ DM 7 ແບບໃນອາຍຸ 18 ປີກັບຮູບແບບທີ່ໄດ້ມາຈາກການໃຊ້ວິທີການສະຖິຕິແບບດັ້ງເດີມ ຄວາມສົມບູນຂອງແຂ້ວຄາງກະໄຕອັນທີສອງ ແລະ ທີສາມໃນຄາງກະໄຕທັງສອງຂ້າງ.
ຄ່າສະເລ່ຍ ແລະ ຄ່າຜັນປ່ຽນມາດຕະຖານຂອງອາຍຸຕາມລຳດັບເວລາຕາມໄລຍະ ແລະ ປະເພດແຂ້ວແມ່ນສະແດງຢູ່ໃນຕາຕະລາງເສີມ S1 (ຊຸດການຝຶກອົບຮົມ), ຕາຕະລາງເສີມ S2 (ຊຸດການທົດສອບພາຍໃນ), ແລະ ຕາຕະລາງເສີມ S3 (ຊຸດການທົດສອບພາຍນອກ). ຄ່າ kappa ສຳລັບຄວາມໜ້າເຊື່ອຖືພາຍໃນ ແລະ ລະຫວ່າງຜູ້ສັງເກດການທີ່ໄດ້ມາຈາກຊຸດການຝຶກອົບຮົມແມ່ນ 0.951 ແລະ 0.947 ຕາມລຳດັບ. ຄ່າ P ແລະ ຊ່ວງຄວາມເຊື່ອໝັ້ນ 95% ສຳລັບຄ່າ kappa ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງເສີມອອນໄລນ໌ S4. ຄ່າ kappa ໄດ້ຖືກຕີຄວາມວ່າເປັນ "ເກືອບສົມບູນແບບ", ສອດຄ່ອງກັບເກນຂອງ Landis ແລະ Koch26.
ເມື່ອປຽບທຽບຄ່າສະເລ່ຍຂອງຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE), ວິທີການແບບດັ້ງເດີມມີປະສິດທິພາບດີກ່ວາຮູບແບບ DM ເລັກນ້ອຍສຳລັບທຸກເພດ ແລະ ໃນຊຸດການທົດສອບພາຍນອກຂອງຜູ້ຊາຍ, ຍົກເວັ້ນ perceptron ຫຼາຍຊັ້ນ (MLP). ຄວາມແຕກຕ່າງລະຫວ່າງຮູບແບບແບບດັ້ງເດີມ ແລະ ຮູບແບບ DM ໃນຊຸດການທົດສອບພາຍໃນ MAE ແມ່ນ 0.12–0.19 ປີສຳລັບຜູ້ຊາຍ ແລະ 0.17–0.21 ປີສຳລັບຜູ້ຍິງ. ສຳລັບແບັດເຕີຣີທົດສອບພາຍນອກ, ຄວາມແຕກຕ່າງແມ່ນນ້ອຍກວ່າ (0.001–0.05 ປີສຳລັບຜູ້ຊາຍ ແລະ 0.05–0.09 ປີສຳລັບຜູ້ຍິງ). ນອກຈາກນັ້ນ, ຄວາມຜິດພາດຂອງຄ່າສະເລ່ຍຮາກສອງ (RMSE) ແມ່ນຕໍ່າກວ່າວິທີການແບບດັ້ງເດີມເລັກນ້ອຍ, ມີຄວາມແຕກຕ່າງນ້ອຍກວ່າ (0.17–0.24, 0.2–0.24 ສຳລັບຊຸດການທົດສອບພາຍໃນຂອງຜູ້ຊາຍ, ແລະ 0.03–0.07, 0.04–0.08 ສຳລັບຊຸດການທົດສອບພາຍນອກ). ). MLP ສະແດງໃຫ້ເຫັນປະສິດທິພາບທີ່ດີກ່ວາ Single Layer Perceptron (SLP) ເລັກນ້ອຍ, ຍົກເວັ້ນໃນກໍລະນີຂອງຊຸດການທົດສອບພາຍນອກຂອງຜູ້ຍິງ. ສຳລັບ MAE ແລະ RMSE, ຊຸດການທົດສອບພາຍນອກມີຄະແນນສູງກວ່າຊຸດການທົດສອບພາຍໃນສຳລັບທຸກເພດ ແລະ ທຸກຮູບແບບ. MAE ແລະ RMSE ທັງໝົດແມ່ນສະແດງຢູ່ໃນຕາຕະລາງທີ 1 ແລະ ຮູບທີ 1.
MAE ແລະ RMSE ຂອງຮູບແບບການຖົດຖອຍແບບດັ້ງເດີມ ແລະ ການຂຸດຄົ້ນຂໍ້ມູນ. ຄວາມຜິດພາດຢ່າງແທ້ຈິງຂອງຄ່າສະເລ່ຍ MAE, ຄວາມຜິດພາດຂອງຄ່າສະເລ່ຍຮາກກຳລັງສອງ RMSE, SLP perceptron ຊັ້ນດຽວ, MLP perceptron ຫຼາຍຊັ້ນ, ວິທີ CM ແບບດັ້ງເດີມ.
ປະສິດທິພາບການຈັດປະເພດ (ມີຈຸດຕັດ 18 ປີ) ຂອງຮູບແບບແບບດັ້ງເດີມ ແລະ DM ໄດ້ສະແດງໃຫ້ເຫັນໃນແງ່ຂອງຄວາມອ່ອນໄຫວ, ຄວາມຈຳເພາະ, ຄ່າຄາດຄະເນໃນທາງບວກ (PPV), ຄ່າຄາດຄະເນໃນທາງລົບ (NPV), ແລະ ພື້ນທີ່ພາຍໃຕ້ເສັ້ນໂຄ້ງລັກສະນະການເຮັດວຽກຂອງຕົວຮັບ (AUROC) 27 (ຕາຕະລາງ 2, ຮູບທີ 2 ແລະ ຮູບທີ 1 ເພີ່ມເຕີມທາງອອນລາຍ). ໃນແງ່ຂອງຄວາມອ່ອນໄຫວຂອງແບັດເຕີຣີການທົດສອບພາຍໃນ, ວິທີການແບບດັ້ງເດີມມີປະສິດທິພາບດີທີ່ສຸດໃນບັນດາຜູ້ຊາຍ ແລະ ຮ້າຍແຮງກວ່ານັ້ນໃນບັນດາແມ່ຍິງ. ຢ່າງໃດກໍຕາມ, ຄວາມແຕກຕ່າງໃນປະສິດທິພາບການຈັດປະເພດລະຫວ່າງວິທີການແບບດັ້ງເດີມ ແລະ SD ແມ່ນ 9.7% ສຳລັບຜູ້ຊາຍ (MLP) ແລະ ພຽງແຕ່ 2.4% ສຳລັບແມ່ຍິງ (XGBoost). ໃນບັນດາຮູບແບບ DM, ການຖົດຖອຍໂລຈິດສະຕິກ (LR) ສະແດງໃຫ້ເຫັນຄວາມອ່ອນໄຫວທີ່ດີກວ່າໃນທັງສອງເພດ. ກ່ຽວກັບຄວາມຈຳເພາະຂອງຊຸດການທົດສອບພາຍໃນ, ມັນໄດ້ຖືກສັງເກດເຫັນວ່າຮູບແບບ SD ທັງສີ່ມີປະສິດທິພາບດີໃນເພດຊາຍ, ໃນຂະນະທີ່ຮູບແບບແບບດັ້ງເດີມມີປະສິດທິພາບດີກວ່າໃນເພດຍິງ. ຄວາມແຕກຕ່າງໃນປະສິດທິພາບການຈັດປະເພດສຳລັບເພດຊາຍ ແລະ ເພດຍິງແມ່ນ 13.3% (MLP) ແລະ 13.1% (MLP), ຕາມລຳດັບ, ຊີ້ບອກວ່າຄວາມແຕກຕ່າງໃນປະສິດທິພາບການຈັດປະເພດລະຫວ່າງຮູບແບບເກີນຄວາມອ່ອນໄຫວ. ໃນບັນດາຮູບແບບ DM, ເຄື່ອງເວັກເຕີສະໜັບສະໜູນ (SVM), ຕົ້ນໄມ້ຕັດສິນໃຈ (DT), ແລະຮູບແບບປ່າໄມ້ແບບສຸ່ມ (RF) ມີປະສິດທິພາບດີທີ່ສຸດໃນບັນດາເພດຊາຍ, ໃນຂະນະທີ່ຮູບແບບ LR ມີປະສິດທິພາບດີທີ່ສຸດໃນບັນດາເພດຍິງ. AUROC ຂອງຮູບແບບແບບດັ້ງເດີມ ແລະ ຮູບແບບ SD ທັງໝົດແມ່ນຫຼາຍກວ່າ 0.925 (k-ເພື່ອນບ້ານທີ່ໃກ້ທີ່ສຸດ (KNN) ໃນຜູ້ຊາຍ), ສະແດງໃຫ້ເຫັນເຖິງປະສິດທິພາບການຈັດປະເພດທີ່ດີເລີດໃນການຈຳແນກຕົວຢ່າງອາຍຸ 18 ປີ28. ສຳລັບຊຸດການທົດສອບພາຍນອກ, ມີການຫຼຸດລົງຂອງປະສິດທິພາບການຈັດປະເພດໃນແງ່ຂອງຄວາມອ່ອນໄຫວ, ຄວາມຈຳເພາະ ແລະ AUROC ເມື່ອທຽບກັບຊຸດການທົດສອບພາຍໃນ. ຍິ່ງໄປກວ່ານັ້ນ, ຄວາມແຕກຕ່າງໃນຄວາມອ່ອນໄຫວ ແລະ ຄວາມຈຳເພາະລະຫວ່າງປະສິດທິພາບການຈັດປະເພດຂອງຮູບແບບທີ່ດີທີ່ສຸດ ແລະ ຮ້າຍແຮງທີ່ສຸດແມ່ນຢູ່ໃນລະຫວ່າງ 10% ຫາ 25% ແລະ ໃຫຍ່ກວ່າຄວາມແຕກຕ່າງໃນຊຸດການທົດສອບພາຍໃນ.
ຄວາມອ່ອນໄຫວ ແລະ ຄວາມຈຳເພາະຂອງຮູບແບບການຈັດປະເພດການຂຸດຄົ້ນຂໍ້ມູນເມື່ອທຽບກັບວິທີການແບບດັ້ງເດີມທີ່ມີຈຸດຕັດ 18 ປີ. KNN k ເພື່ອນບ້ານທີ່ໃກ້ທີ່ສຸດ, ເຄື່ອງເວັກເຕີຮອງຮັບ SVM, ການຖົດຖອຍໂລຈິດສະຕິກ LR, ຕົ້ນໄມ້ຕັດສິນໃຈ DT, ປ່າສຸ່ມ RF, XGB XGBoost, perceptron ຫຼາຍຊັ້ນ MLP, ວິທີການ CM ແບບດັ້ງເດີມ.
ຂັ້ນຕອນທຳອິດໃນການສຶກສາຄັ້ງນີ້ແມ່ນການປຽບທຽບຄວາມຖືກຕ້ອງຂອງການປະເມີນອາຍຸແຂ້ວທີ່ໄດ້ຮັບຈາກຮູບແບບ DM ເຈັດແບບກັບຮູບແບບທີ່ໄດ້ຮັບໂດຍໃຊ້ການວິເຄາະການຖົດຖອຍແບບດັ້ງເດີມ. MAE ແລະ RMSE ໄດ້ຖືກປະເມີນໃນຊຸດການທົດສອບພາຍໃນສຳລັບທັງສອງເພດ, ແລະຄວາມແຕກຕ່າງລະຫວ່າງວິທີການແບບດັ້ງເດີມແລະຮູບແບບ DM ຢູ່ໃນລະຫວ່າງ 44 ຫາ 77 ມື້ສຳລັບ MAE ແລະຈາກ 62 ຫາ 88 ມື້ສຳລັບ RMSE. ເຖິງແມ່ນວ່າວິທີການແບບດັ້ງເດີມມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າເລັກນ້ອຍໃນການສຶກສານີ້, ແຕ່ມັນຍາກທີ່ຈະສະຫຼຸບໄດ້ວ່າຄວາມແຕກຕ່າງເລັກນ້ອຍດັ່ງກ່າວມີຄວາມສຳຄັນທາງດ້ານຄລີນິກຫຼືພາກປະຕິບັດ. ຜົນໄດ້ຮັບເຫຼົ່ານີ້ຊີ້ໃຫ້ເຫັນວ່າຄວາມຖືກຕ້ອງຂອງການປະເມີນອາຍຸແຂ້ວໂດຍໃຊ້ຮູບແບບ DM ແມ່ນເກືອບຄືກັນກັບວິທີການແບບດັ້ງເດີມ. ການປຽບທຽບໂດຍກົງກັບຜົນໄດ້ຮັບຈາກການສຶກສາທີ່ຜ່ານມາແມ່ນຍາກເພາະວ່າບໍ່ມີການສຶກສາໃດປຽບທຽບຄວາມຖືກຕ້ອງຂອງຮູບແບບ DM ກັບວິທີການສະຖິຕິແບບດັ້ງເດີມໂດຍໃຊ້ເຕັກນິກດຽວກັນໃນການບັນທຶກແຂ້ວໃນຊ່ວງອາຍຸດຽວກັນກັບໃນການສຶກສານີ້. Galibourg et al24 ໄດ້ປຽບທຽບ MAE ແລະ RMSE ລະຫວ່າງສອງວິທີການແບບດັ້ງເດີມ (ວິທີການ Demirjian25 ແລະວິທີການ Willems29) ແລະຮູບແບບ DM 10 ແບບໃນປະຊາກອນຝຣັ່ງອາຍຸ 2 ຫາ 24 ປີ. ເຂົາເຈົ້າລາຍງານວ່າຮູບແບບ DM ທັງໝົດແມ່ນຖືກຕ້ອງກວ່າວິທີການແບບດັ້ງເດີມ, ໂດຍມີຄວາມແຕກຕ່າງ 0.20 ແລະ 0.38 ປີໃນ MAE ແລະ 0.25 ແລະ 0.47 ປີໃນ RMSE ເມື່ອທຽບກັບວິທີການ Willems ແລະ Demirdjian ຕາມລຳດັບ. ຄວາມແຕກຕ່າງລະຫວ່າງຮູບແບບ SD ແລະວິທີການແບບດັ້ງເດີມທີ່ສະແດງໃນການສຶກສາ Halibourg ໄດ້ຄຳນຶງເຖິງບົດລາຍງານຈຳນວນຫຼາຍ30,31,32,33 ທີ່ວ່າວິທີການ Demirdjian ບໍ່ໄດ້ປະເມີນອາຍຸແຂ້ວຢ່າງຖືກຕ້ອງໃນປະຊາກອນອື່ນນອກຈາກຊາວການາດາຝຣັ່ງທີ່ການສຶກສາແມ່ນອີງໃສ່. ໃນການສຶກສານີ້. Tai et al 34 ໄດ້ໃຊ້ອັລກໍຣິທຶມ MLP ເພື່ອຄາດຄະເນອາຍຸແຂ້ວຈາກຮູບຖ່າຍການຈັດແຂ້ວຂອງຈີນປີ 1636 ແລະປຽບທຽບຄວາມຖືກຕ້ອງຂອງມັນກັບຜົນໄດ້ຮັບຂອງວິທີການ Demirjian ແລະ Willems. ເຂົາເຈົ້າລາຍງານວ່າ MLP ມີຄວາມແນ່ນອນສູງກວ່າວິທີການແບບດັ້ງເດີມ. ຄວາມແຕກຕ່າງລະຫວ່າງວິທີການ Demirdjian ແລະວິທີການແບບດັ້ງເດີມແມ່ນ <0.32 ປີ, ແລະວິທີ Willems ແມ່ນ 0.28 ປີ, ເຊິ່ງຄ້າຍຄືກັບຜົນໄດ້ຮັບຂອງການສຶກສາໃນປະຈຸບັນ. ຜົນໄດ້ຮັບຂອງການສຶກສາທີ່ຜ່ານມາເຫຼົ່ານີ້24,34 ຍັງສອດຄ່ອງກັບຜົນໄດ້ຮັບຂອງການສຶກສາໃນປະຈຸບັນ, ແລະຄວາມຖືກຕ້ອງຂອງການປະເມີນອາຍຸຂອງຮູບແບບ DM ແລະວິທີການແບບດັ້ງເດີມແມ່ນຄ້າຍຄືກັນ. ຢ່າງໃດກໍຕາມ, ໂດຍອີງໃສ່ຜົນໄດ້ຮັບທີ່ນຳສະເໜີ, ພວກເຮົາສາມາດສະຫຼຸບໄດ້ຢ່າງລະມັດລະວັງວ່າການນຳໃຊ້ຮູບແບບ DM ເພື່ອປະເມີນອາຍຸອາດຈະທົດແທນວິທີການທີ່ມີຢູ່ແລ້ວເນື່ອງຈາກການຂາດການສຶກສາປຽບທຽບ ແລະ ອ້າງອີງກ່ອນໜ້ານີ້. ການສຶກສາຕິດຕາມໂດຍໃຊ້ຕົວຢ່າງຂະໜາດໃຫຍ່ກວ່າແມ່ນມີຄວາມຈຳເປັນເພື່ອຢືນຢັນຜົນໄດ້ຮັບທີ່ໄດ້ຮັບໃນການສຶກສານີ້.
ໃນບັນດາການສຶກສາທີ່ທົດສອບຄວາມຖືກຕ້ອງຂອງ SD ໃນການປະເມີນອາຍຸແຂ້ວ, ບາງອັນສະແດງໃຫ້ເຫັນຄວາມຖືກຕ້ອງສູງກວ່າການສຶກສາຂອງພວກເຮົາ. Stepanovsky ແລະ ທີມງານ 35 ໄດ້ນຳໃຊ້ຮູບແບບ SD 22 ແບບໃສ່ຮູບລັງສີພາໂນຣາມາຂອງຊາວເຊັກ 976 ຄົນທີ່ມີອາຍຸ 2.7 ຫາ 20.5 ປີ ແລະ ທົດສອບຄວາມຖືກຕ້ອງຂອງແຕ່ລະຮູບແບບ. ພວກເຂົາໄດ້ປະເມີນການພັດທະນາຂອງແຂ້ວຖາວອນທັງໝົດ 16 ແຂ້ວເທິງ ແລະ ລຸ່ມຊ້າຍໂດຍໃຊ້ເກນການຈັດປະເພດທີ່ສະເໜີໂດຍ Moorrees ແລະ ທີມງານ 36. MAE ມີຕັ້ງແຕ່ 0.64 ຫາ 0.94 ປີ ແລະ RMSE ມີຕັ້ງແຕ່ 0.85 ຫາ 1.27 ປີ, ເຊິ່ງມີຄວາມຖືກຕ້ອງຫຼາຍກ່ວາຮູບແບບ DM ສອງແບບທີ່ໃຊ້ໃນການສຶກສານີ້. Shen ແລະ ທີມງານ 23 ໄດ້ໃຊ້ວິທີ Cameriere ເພື່ອປະເມີນອາຍຸແຂ້ວຂອງແຂ້ວຖາວອນເຈັດແຂ້ວຢູ່ຄາງກະໄຕຊ້າຍໃນຊາວຈີນຕາເວັນອອກທີ່ມີອາຍຸ 5 ຫາ 13 ປີ ແລະ ປຽບທຽບກັບອາຍຸທີ່ຄາດຄະເນໂດຍໃຊ້ການວິເຄາະການຖົດຖອຍເສັ້ນຊື່, SVM ແລະ RF. ພວກເຂົາໄດ້ສະແດງໃຫ້ເຫັນວ່າຮູບແບບ DM ທັງສາມແບບມີຄວາມຖືກຕ້ອງສູງກວ່າເມື່ອທຽບກັບສູດ Cameriere ແບບດັ້ງເດີມ. MAE ແລະ RMSE ໃນການສຶກສາຂອງ Shen ແມ່ນຕໍ່າກວ່າຮູບແບບ DM ໃນການສຶກສານີ້. ຄວາມແມ່ນຍຳທີ່ເພີ່ມຂຶ້ນຂອງການສຶກສາໂດຍ Stepanovsky et al. 35 ແລະ Shen et al. 23 ອາດຈະເປັນຍ້ອນການລວມເອົາຜູ້ເຂົ້າຮ່ວມທີ່ມີອາຍຸນ້ອຍກວ່າໃນຕົວຢ່າງການສຶກສາຂອງເຂົາເຈົ້າ. ເນື່ອງຈາກການປະເມີນອາຍຸສຳລັບຜູ້ເຂົ້າຮ່ວມທີ່ມີແຂ້ວທີ່ກຳລັງພັດທະນາຈະມີຄວາມຖືກຕ້ອງຫຼາຍຂຶ້ນເມື່ອຈຳນວນແຂ້ວເພີ່ມຂຶ້ນໃນລະຫວ່າງການພັດທະນາຂອງແຂ້ວ, ຄວາມຖືກຕ້ອງຂອງວິທີການຄາດຄະເນອາຍຸທີ່ໄດ້ຮັບອາດຈະຖືກທຳລາຍເມື່ອຜູ້ເຂົ້າຮ່ວມການສຶກສາມີອາຍຸນ້ອຍກວ່າ. ນອກຈາກນັ້ນ, ຄວາມຜິດພາດຂອງ MLP ໃນການປະເມີນອາຍຸແມ່ນນ້ອຍກວ່າ SLP ເລັກນ້ອຍ, ຊຶ່ງໝາຍຄວາມວ່າ MLP ມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າ SLP. MLP ຖືກຖືວ່າດີກວ່າເລັກນ້ອຍສຳລັບການປະເມີນອາຍຸ, ອາດຈະເປັນຍ້ອນຊັ້ນທີ່ເຊື່ອງໄວ້ໃນ MLP38. ຢ່າງໃດກໍຕາມ, ມີຂໍ້ຍົກເວັ້ນສຳລັບຕົວຢ່າງພາຍນອກຂອງແມ່ຍິງ (SLP 1.45, MLP 1.49). ການຄົ້ນພົບວ່າ MLP ມີຄວາມຖືກຕ້ອງຫຼາຍກວ່າ SLP ໃນການປະເມີນອາຍຸຮຽກຮ້ອງໃຫ້ມີການສຶກສາແບບຍ້ອນຫຼັງເພີ່ມເຕີມ.
ປະສິດທິພາບການຈັດປະເພດຂອງຮູບແບບ DM ແລະ ວິທີການແບບດັ້ງເດີມທີ່ຂອບເຂດຈຳກັດ 18 ປີກໍ່ໄດ້ຖືກປຽບທຽບເຊັ່ນກັນ. ຮູບແບບ SD ທີ່ໄດ້ຮັບການທົດສອບທັງໝົດ ແລະ ວິທີການແບບດັ້ງເດີມໃນຊຸດການທົດສອບພາຍໃນສະແດງໃຫ້ເຫັນລະດັບການຈຳແນກທີ່ຍອມຮັບໄດ້ໃນທາງປະຕິບັດສຳລັບຕົວຢ່າງອາຍຸ 18 ປີ. ຄວາມອ່ອນໄຫວສຳລັບຜູ້ຊາຍ ແລະ ຜູ້ຍິງແມ່ນຫຼາຍກວ່າ 87.7% ແລະ 94.9% ຕາມລຳດັບ, ແລະ ຄວາມຈຳເພາະແມ່ນຫຼາຍກວ່າ 89.3% ແລະ 84.7%. AUROC ຂອງຮູບແບບທີ່ໄດ້ຮັບການທົດສອບທັງໝົດຍັງເກີນ 0.925. ຕາມຄວາມຮູ້ທີ່ດີທີ່ສຸດຂອງພວກເຮົາ, ບໍ່ມີການສຶກສາໃດທົດສອບປະສິດທິພາບຂອງຮູບແບບ DM ສຳລັບການຈັດປະເພດ 18 ປີໂດຍອີງໃສ່ຄວາມເຕີບໃຫຍ່ຂອງແຂ້ວ. ພວກເຮົາສາມາດປຽບທຽບຜົນໄດ້ຮັບຂອງການສຶກສານີ້ກັບປະສິດທິພາບການຈັດປະເພດຂອງຮູບແບບການຮຽນຮູ້ເລິກໃນຮູບຖ່າຍລັງສີພາໂນຣາມາ. Guo ແລະ ເພື່ອນຮ່ວມງານ15 ໄດ້ຄິດໄລ່ປະສິດທິພາບການຈັດປະເພດຂອງຮູບແບບການຮຽນຮູ້ເລິກທີ່ອີງໃສ່ CNN ແລະ ວິທີການຄູ່ມືໂດຍອີງໃສ່ວິທີການຂອງ Demirjian ສຳລັບຂອບເຂດຈຳກັດອາຍຸທີ່ແນ່ນອນ. ຄວາມອ່ອນໄຫວ ແລະ ຄວາມຈຳເພາະຂອງວິທີການຄູ່ມືແມ່ນ 87.7% ແລະ 95.5% ຕາມລຳດັບ, ແລະ ຄວາມອ່ອນໄຫວ ແລະ ຄວາມຈຳເພາະຂອງຮູບແບບ CNN ເກີນ 89.2% ແລະ 86.6% ຕາມລຳດັບ. ພວກເຂົາໄດ້ສະຫຼຸບວ່າຮູບແບບການຮຽນຮູ້ເລິກສາມາດທົດແທນ ຫຼື ມີປະສິດທິພາບດີກວ່າການປະເມີນດ້ວຍຕົນເອງໃນການຈັດປະເພດເກນອາຍຸ. ຜົນໄດ້ຮັບຂອງການສຶກສານີ້ສະແດງໃຫ້ເຫັນປະສິດທິພາບການຈັດປະເພດທີ່ຄ້າຍຄືກັນ; ເຊື່ອກັນວ່າການຈັດປະເພດໂດຍໃຊ້ຮູບແບບ DM ສາມາດທົດແທນວິທີການສະຖິຕິແບບດັ້ງເດີມສຳລັບການປະເມີນອາຍຸ. ໃນບັນດາຮູບແບບຕ່າງໆ, DM LR ແມ່ນຮູບແບບທີ່ດີທີ່ສຸດໃນດ້ານຄວາມອ່ອນໄຫວສຳລັບຕົວຢ່າງຊາຍ ແລະ ຄວາມອ່ອນໄຫວ ແລະ ຄວາມຈຳເພາະສຳລັບຕົວຢ່າງຍິງ. LR ຢູ່ໃນອັນດັບທີສອງໃນດ້ານຄວາມຈຳເພາະສຳລັບຜູ້ຊາຍ. ຍິ່ງໄປກວ່ານັ້ນ, LR ຖືກຖືວ່າເປັນໜຶ່ງໃນຮູບແບບ DM35 ທີ່ງ່າຍຕໍ່ການໃຊ້ຫຼາຍກວ່າ ແລະ ມີຄວາມຊັບຊ້ອນໜ້ອຍກວ່າ ແລະ ຍາກທີ່ຈະປະມວນຜົນ. ອີງຕາມຜົນໄດ້ຮັບເຫຼົ່ານີ້, LR ຖືກຖືວ່າເປັນຮູບແບບການຈັດປະເພດທີ່ດີທີ່ສຸດສຳລັບຜູ້ທີ່ມີອາຍຸ 18 ປີໃນປະຊາກອນເກົາຫຼີ.
ໂດຍລວມແລ້ວ, ຄວາມຖືກຕ້ອງຂອງການປະເມີນອາຍຸ ຫຼື ການປະຕິບັດການຈັດປະເພດໃນຊຸດການທົດສອບພາຍນອກແມ່ນບໍ່ດີ ຫຼື ຕໍ່າກວ່າເມື່ອທຽບກັບຜົນໄດ້ຮັບໃນຊຸດການທົດສອບພາຍໃນ. ບົດລາຍງານບາງສະບັບຊີ້ໃຫ້ເຫັນວ່າ ຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດ ຫຼື ປະສິດທິພາບຫຼຸດລົງເມື່ອການປະເມີນອາຍຸໂດຍອີງໃສ່ປະຊາກອນເກົາຫຼີຖືກນຳໃຊ້ກັບປະຊາກອນຍີ່ປຸ່ນ5,39, ແລະຮູບແບບທີ່ຄ້າຍຄືກັນນີ້ໄດ້ຖືກພົບເຫັນໃນການສຶກສາໃນປະຈຸບັນ. ແນວໂນ້ມການເສື່ອມໂຊມນີ້ຍັງໄດ້ຖືກສັງເກດເຫັນໃນຮູບແບບ DM. ດັ່ງນັ້ນ, ເພື່ອປະເມີນອາຍຸຢ່າງຖືກຕ້ອງ, ເຖິງແມ່ນວ່າເມື່ອໃຊ້ DM ໃນຂະບວນການວິເຄາະ, ວິທີການທີ່ໄດ້ມາຈາກຂໍ້ມູນປະຊາກອນພື້ນເມືອງ, ເຊັ່ນວິທີການແບບດັ້ງເດີມ, ຄວນເປັນທີ່ນິຍົມ5,39,40,41,42. ເນື່ອງຈາກວ່າມັນຍັງບໍ່ຈະແຈ້ງວ່າຮູບແບບການຮຽນຮູ້ເລິກສາມາດສະແດງແນວໂນ້ມທີ່ຄ້າຍຄືກັນໄດ້ຫຼືບໍ່, ການສຶກສາທີ່ປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດ ແລະ ປະສິດທິພາບໂດຍໃຊ້ວິທີການແບບດັ້ງເດີມ, ຮູບແບບ DM, ແລະ ຮູບແບບການຮຽນຮູ້ເລິກໃນຕົວຢ່າງດຽວກັນແມ່ນມີຄວາມຈຳເປັນເພື່ອຢືນຢັນວ່າປັນຍາປະດິດສາມາດເອົາຊະນະຄວາມແຕກຕ່າງທາງເຊື້ອຊາດເຫຼົ່ານີ້ໃນການປະເມີນອາຍຸທີ່ຈຳກັດໄດ້ຫຼືບໍ່.
ພວກເຮົາສະແດງໃຫ້ເຫັນວ່າວິທີການແບບດັ້ງເດີມສາມາດຖືກທົດແທນດ້ວຍການປະເມີນອາຍຸໂດຍອີງໃສ່ຮູບແບບ DM ໃນການປະຕິບັດການປະເມີນອາຍຸທາງດ້ານນິຕິວິທະຍາໃນເກົາຫຼີ. ພວກເຮົາຍັງໄດ້ຄົ້ນພົບຄວາມເປັນໄປໄດ້ຂອງການຈັດຕັ້ງປະຕິບັດການຮຽນຮູ້ຂອງເຄື່ອງຈັກສຳລັບການປະເມີນອາຍຸທາງດ້ານນິຕິວິທະຍາ. ຢ່າງໃດກໍຕາມ, ມີຂໍ້ຈຳກັດທີ່ຊັດເຈນ, ເຊັ່ນ: ຈຳນວນຜູ້ເຂົ້າຮ່ວມບໍ່ພຽງພໍໃນການສຶກສານີ້ເພື່ອກຳນົດຜົນໄດ້ຮັບຢ່າງແນ່ນອນ, ແລະ ການຂາດການສຶກສາທີ່ຜ່ານມາເພື່ອປຽບທຽບ ແລະ ຢືນຢັນຜົນໄດ້ຮັບຂອງການສຶກສານີ້. ໃນອະນາຄົດ, ການສຶກສາ DM ຄວນໄດ້ຮັບການດຳເນີນດ້ວຍຕົວຢ່າງຈຳນວນຫຼາຍ ແລະ ປະຊາກອນທີ່ຫຼາກຫຼາຍກວ່າເພື່ອປັບປຸງການນຳໃຊ້ຕົວຈິງຂອງມັນເມື່ອທຽບກັບວິທີການແບບດັ້ງເດີມ. ເພື່ອຢືນຢັນຄວາມເປັນໄປໄດ້ຂອງການນຳໃຊ້ປັນຍາປະດິດເພື່ອປະເມີນອາຍຸໃນຫຼາຍປະຊາກອນ, ການສຶກສາໃນອະນາຄົດແມ່ນມີຄວາມຈຳເປັນເພື່ອປຽບທຽບຄວາມຖືກຕ້ອງຂອງການຈັດປະເພດ ແລະ ປະສິດທິພາບຂອງ DM ແລະ ຮູບແບບການຮຽນຮູ້ເລິກກັບວິທີການແບບດັ້ງເດີມໃນຕົວຢ່າງດຽວກັນ.
ການສຶກສາໄດ້ໃຊ້ຮູບຖ່າຍ orthographic 2,657 ຮູບທີ່ເກັບມາຈາກຜູ້ໃຫຍ່ເກົາຫຼີ ແລະ ຍີ່ປຸ່ນທີ່ມີອາຍຸ 15 ຫາ 23 ປີ. ຮູບຖ່າຍລັງສີເກົາຫຼີໄດ້ຖືກແບ່ງອອກເປັນຊຸດຝຶກອົບຮົມ 900 ຊຸດ (19.42 ± 2.65 ປີ) ແລະ ຊຸດທົດສອບພາຍໃນ 900 ຊຸດ (19.52 ± 2.59 ປີ). ຊຸດຝຶກອົບຮົມໄດ້ຖືກເກັບກຳຢູ່ສະຖາບັນໜຶ່ງ (ໂຮງໝໍເຊນແມຣີເຊວ), ແລະ ຊຸດທົດສອບຂອງຕົນເອງໄດ້ຖືກເກັບກຳຢູ່ສອງສະຖາບັນ (ໂຮງໝໍທັນຕະກຳມະຫາວິທະຍາໄລແຫ່ງຊາດເຊອຸນ ແລະ ໂຮງໝໍທັນຕະກຳມະຫາວິທະຍາໄລຢອນເຊ). ພວກເຮົາຍັງໄດ້ເກັບກຳຮູບຖ່າຍລັງສີ 857 ຮູບຈາກຂໍ້ມູນທີ່ອີງໃສ່ປະຊາກອນອື່ນ (ມະຫາວິທະຍາໄລແພດສາດອິວາເຕ, ຍີ່ປຸ່ນ) ສຳລັບການທົດສອບພາຍນອກ. ຮູບຖ່າຍລັງສີຂອງບຸກຄົນຍີ່ປຸ່ນ (19.31 ± 2.60 ປີ) ໄດ້ຖືກເລືອກເປັນຊຸດທົດສອບພາຍນອກ. ຂໍ້ມູນໄດ້ຖືກເກັບກຳແບບຍ້ອນຫຼັງເພື່ອວິເຄາະຂັ້ນຕອນຂອງການພັດທະນາແຂ້ວໃນຮູບຖ່າຍລັງສີພາໂນຣາມາທີ່ຖ່າຍໃນລະຫວ່າງການປິ່ນປົວແຂ້ວ. ຂໍ້ມູນທັງໝົດທີ່ເກັບກຳແມ່ນບໍ່ລະບຸຊື່ຍົກເວັ້ນເພດ, ວັນເດືອນປີເກີດ ແລະ ວັນເດືອນປີເກີດຂອງຮູບຖ່າຍລັງສີ. ເກນການລວມ ແລະ ການຍົກເວັ້ນແມ່ນຄືກັນກັບການສຶກສາທີ່ເຜີຍແຜ່ກ່ອນໜ້ານີ້ 4, 5. ອາຍຸຕົວຈິງຂອງຕົວຢ່າງໄດ້ຖືກຄິດໄລ່ໂດຍການຫັກວັນເດືອນປີເກີດອອກຈາກວັນທີທີ່ຖ່າຍພາບລັງສີ. ກຸ່ມຕົວຢ່າງໄດ້ຖືກແບ່ງອອກເປັນເກົ້າກຸ່ມອາຍຸ. ການແຈກຢາຍອາຍຸ ແລະ ເພດແມ່ນສະແດງຢູ່ໃນຕາຕະລາງທີ 3. ການສຶກສານີ້ໄດ້ດຳເນີນການຕາມຖະແຫຼງການຂອງເຮລຊິນກິ ແລະ ໄດ້ຮັບການອະນຸມັດຈາກຄະນະກຳມະການທົບທວນສະຖາບັນ (IRB) ຂອງໂຮງໝໍເຊນມາຣີເຊວ ຂອງມະຫາວິທະຍາໄລກາໂຕລິກເກົາຫຼີ (KC22WISI0328). ເນື່ອງຈາກການອອກແບບການສຶກສາຄັ້ງນີ້ຍ້ອນຫຼັງ, ການຍິນຍອມເຫັນດີຈາກຄົນເຈັບທຸກຄົນທີ່ກຳລັງກວດພາບລັງສີເພື່ອຈຸດປະສົງການປິ່ນປົວບໍ່ສາມາດໄດ້ຮັບ. ໂຮງໝໍເຊນມາຣີ (IRB) ຂອງມະຫາວິທະຍາໄລເຊອຸນເກົາຫຼີ ໄດ້ຍົກເວັ້ນຂໍ້ກຳນົດສຳລັບການຍິນຍອມເຫັນດີຈາກຂໍ້ມູນ.
ຂັ້ນຕອນການພັດທະນາຂອງແຂ້ວຄາງກະໄຕທີ່ສອງ ແລະ ສາມຂອງຂາກະໄຕທັງສອງຂ້າງໄດ້ຖືກປະເມີນຕາມເກນຂອງ Demircan25. ເລືອກເອົາແຂ້ວພຽງແຂ້ວດຽວເທົ່ານັ້ນ ຖ້າພົບແຂ້ວປະເພດດຽວກັນຢູ່ເບື້ອງຊ້າຍ ແລະ ເບື້ອງຂວາຂອງຄາງກະໄຕແຕ່ລະຂ້າງ. ຖ້າແຂ້ວທີ່ຄ້າຍຄືກັນທັງສອງຂ້າງຢູ່ໃນໄລຍະການພັດທະນາທີ່ແຕກຕ່າງກັນ, ແຂ້ວທີ່ມີໄລຍະການພັດທະນາຕ່ຳກວ່າຈະຖືກເລືອກເພື່ອພິຈາລະນາຄວາມບໍ່ແນ່ນອນໃນອາຍຸທີ່ຄາດຄະເນ. ຮູບຖ່າຍລັງສີທີ່ສຸ່ມໜຶ່ງຮ້ອຍອັນຈາກຊຸດການຝຶກອົບຮົມໄດ້ຖືກໃຫ້ຄະແນນໂດຍຜູ້ສັງເກດການທີ່ມີປະສົບການສອງຄົນເພື່ອທົດສອບຄວາມໜ້າເຊື່ອຖືລະຫວ່າງຜູ້ສັງເກດການຫຼັງຈາກການປັບທຽບລ່ວງໜ້າເພື່ອກຳນົດຂັ້ນຕອນການເຕີບໂຕຂອງແຂ້ວ. ຄວາມໜ້າເຊື່ອຖືພາຍໃນຜູ້ສັງເກດການໄດ້ຖືກປະເມີນສອງຄັ້ງໃນຊ່ວງເວລາສາມເດືອນໂດຍຜູ້ສັງເກດການຫຼັກ.
ເພດ ແລະ ຂັ້ນຕອນການພັດທະນາຂອງແຂ້ວຄາງກະໄຕອັນທີສອງ ແລະ ທີສາມຂອງຄາງກະໄຕແຕ່ລະອັນໃນຊຸດການຝຶກອົບຮົມໄດ້ຖືກປະເມີນໂດຍຜູ້ສັງເກດການຫຼັກທີ່ໄດ້ຮັບການຝຶກອົບຮົມດ້ວຍຮູບແບບ DM ທີ່ແຕກຕ່າງກັນ, ແລະ ອາຍຸຕົວຈິງໄດ້ຖືກກຳນົດເປັນຄ່າເປົ້າໝາຍ. ຮູບແບບ SLP ແລະ MLP, ເຊິ່ງຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ໄດ້ຖືກທົດສອບຕໍ່ກັບອັລກໍຣິທຶມການຖົດຖອຍ. ຮູບແບບ DM ລວມຟັງຊັນເສັ້ນຊື່ໂດຍໃຊ້ຂັ້ນຕອນການພັດທະນາຂອງແຂ້ວສີ່ອັນ ແລະ ລວມຂໍ້ມູນເຫຼົ່ານີ້ເພື່ອປະເມີນອາຍຸ. SLP ແມ່ນເຄືອຂ່າຍປະສາດທີ່ງ່າຍທີ່ສຸດ ແລະ ບໍ່ມີຊັ້ນທີ່ເຊື່ອງໄວ້. SLP ເຮັດວຽກໂດຍອີງໃສ່ການສົ່ງຕໍ່ຂອບເຂດລະຫວ່າງໂຫນດ. ຮູບແບບ SLP ໃນ regression ແມ່ນຄ້າຍຄືກັນກັບຄະນິດສາດກັບການຖົດຖອຍເສັ້ນຊື່ຫຼາຍອັນ. ບໍ່ເຫມືອນກັບຮູບແບບ SLP, ຮູບແບບ MLP ມີຫຼາຍຊັ້ນທີ່ເຊື່ອງໄວ້ທີ່ມີຟັງຊັນການກະຕຸ້ນທີ່ບໍ່ເປັນເສັ້ນຊື່. ການທົດລອງຂອງພວກເຮົາໄດ້ໃຊ້ຊັ້ນທີ່ເຊື່ອງໄວ້ທີ່ມີພຽງ 20 ໂຫນດທີ່ເຊື່ອງໄວ້ທີ່ມີຟັງຊັນການກະຕຸ້ນທີ່ບໍ່ເປັນເສັ້ນຊື່. ໃຊ້ gradient descent ເປັນວິທີການເພີ່ມປະສິດທິພາບ ແລະ MAE ແລະ RMSE ເປັນຟັງຊັນການສູນເສຍເພື່ອຝຶກອົບຮົມຮູບແບບການຮຽນຮູ້ຂອງເຄື່ອງຈັກຂອງພວກເຮົາ. ຮູບແບບການຖົດຖອຍທີ່ໄດ້ຮັບດີທີ່ສຸດໄດ້ຖືກນຳໃຊ້ກັບຊຸດການທົດສອບພາຍໃນ ແລະ ພາຍນອກ ແລະ ອາຍຸຂອງແຂ້ວໄດ້ຖືກປະເມີນ.
ອັລກໍຣິທຶມການຈັດປະເພດໄດ້ຖືກພັດທະນາຂຶ້ນເຊິ່ງໃຊ້ຄວາມສົມບູນຂອງແຂ້ວສີ່ອັນໃນຊຸດການຝຶກອົບຮົມເພື່ອຄາດຄະເນວ່າຕົວຢ່າງມີອາຍຸ 18 ປີຫຼືບໍ່. ເພື່ອສ້າງຮູບແບບ, ພວກເຮົາໄດ້ມາເຈັດອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກ6,43: (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost, ແລະ (7) MLP. LR ແມ່ນໜຶ່ງໃນອັລກໍຣິທຶມການຈັດປະເພດທີ່ໃຊ້ກັນຢ່າງກວ້າງຂວາງທີ່ສຸດ44. ມັນເປັນອັລກໍຣິທຶມການຮຽນຮູ້ທີ່ມີການຄວບຄຸມທີ່ໃຊ້ການຖົດຖອຍເພື່ອຄາດຄະເນຄວາມເປັນໄປໄດ້ຂອງຂໍ້ມູນທີ່ເປັນຂອງໝວດໝູ່ສະເພາະໃດໜຶ່ງຕັ້ງແຕ່ 0 ຫາ 1 ແລະຈັດປະເພດຂໍ້ມູນວ່າເປັນຂອງໝວດໝູ່ທີ່ມີແນວໂນ້ມຫຼາຍກວ່າໂດຍອີງໃສ່ຄວາມເປັນໄປໄດ້ນີ້; ສ່ວນໃຫຍ່ແມ່ນໃຊ້ສຳລັບການຈັດປະເພດໄບນາຣີ. KNN ແມ່ນໜຶ່ງໃນອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ງ່າຍທີ່ສຸດ45. ເມື່ອໃຫ້ຂໍ້ມູນປ້ອນເຂົ້າໃໝ່, ມັນຈະພົບຂໍ້ມູນ k ທີ່ໃກ້ຄຽງກັບຊຸດທີ່ມີຢູ່ແລ້ວ ແລະຈາກນັ້ນຈັດປະເພດພວກມັນເຂົ້າໃນຫ້ອງຮຽນທີ່ມີຄວາມຖີ່ສູງສຸດ. ພວກເຮົາຕັ້ງຄ່າ 3 ສຳລັບຈຳນວນເພື່ອນບ້ານທີ່ພິຈາລະນາ (k). SVM ແມ່ນອັລກໍຣິທຶມທີ່ເພີ່ມໄລຍະຫ່າງລະຫວ່າງສອງຫ້ອງຮຽນໂດຍການໃຊ້ຟັງຊັນ kernel ເພື່ອຂະຫຍາຍພື້ນທີ່ເສັ້ນຊື່ເຂົ້າໄປໃນພື້ນທີ່ທີ່ບໍ່ແມ່ນເສັ້ນຊື່ທີ່ເອີ້ນວ່າ fields46. ສຳລັບຮູບແບບນີ້, ພວກເຮົາໃຊ້ bias = 1, power = 1, ແລະ gamma = 1 ເປັນ hyperparameters ສຳລັບ kernel polynomial. DT ໄດ້ຖືກນຳໃຊ້ໃນຂົງເຂດຕ່າງໆເປັນອັລກໍຣິທຶມສຳລັບການແບ່ງຊຸດຂໍ້ມູນທັງໝົດອອກເປັນຫຼາຍກຸ່ມຍ່ອຍໂດຍເປັນຕົວແທນຂອງກົດລະບຽບການຕັດສິນໃຈໃນໂຄງສ້າງຕົ້ນໄມ້47. ຮູບແບບດັ່ງກ່າວຖືກຕັ້ງຄ່າດ້ວຍຈຳນວນບັນທຶກຂັ້ນຕ່ຳ 2 ຕໍ່ໂຫນດ ແລະ ໃຊ້ດັດຊະນີ Gini ເປັນມາດຕະການຄຸນນະພາບ. RF ແມ່ນວິທີການລວມທີ່ລວມ DTs ຫຼາຍອັນເພື່ອປັບປຸງປະສິດທິພາບໂດຍໃຊ້ວິທີການລວມ bootstrap ທີ່ສ້າງຕົວຈັດປະເພດທີ່ອ່ອນແອສຳລັບແຕ່ລະຕົວຢ່າງໂດຍການສຸ່ມຕົວຢ່າງທີ່ມີຂະໜາດດຽວກັນຫຼາຍຄັ້ງຈາກຊຸດຂໍ້ມູນຕົ້ນສະບັບ48. ພວກເຮົາໄດ້ໃຊ້ຕົ້ນໄມ້ 100 ຕົ້ນ, ຄວາມເລິກຂອງຕົ້ນໄມ້ 10 ຕົ້ນ, ຂະໜາດໂຫນດຂັ້ນຕ່ຳ 1 ອັນ, ແລະ ດັດຊະນີ Gini admixture ເປັນເງື່ອນໄຂການແຍກໂຫນດ. ການຈັດປະເພດຂອງຂໍ້ມູນໃໝ່ແມ່ນຖືກກຳນົດໂດຍການລົງຄະແນນສຽງສ່ວນໃຫຍ່. XGBoost ແມ່ນອັລກໍຣິທຶມທີ່ລວມເຕັກນິກການເພີ່ມໂດຍໃຊ້ວິທີການທີ່ໃຊ້ເປັນຂໍ້ມູນການຝຶກອົບຮົມຄວາມຜິດພາດລະຫວ່າງຄ່າຕົວຈິງ ແລະ ຄ່າທີ່ຄາດຄະເນຂອງຮູບແບບກ່ອນໜ້ານີ້ ແລະ ເພີ່ມຄວາມຜິດພາດໂດຍໃຊ້ gradients49. ມັນເປັນອັລກໍຣິທຶມທີ່ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງເນື່ອງຈາກປະສິດທິພາບທີ່ດີ ແລະ ປະສິດທິພາບດ້ານຊັບພະຍາກອນ, ພ້ອມທັງມີຄວາມໜ້າເຊື່ອຖືສູງເປັນຟັງຊັນການແກ້ໄຂ overfitting. ຮູບແບບດັ່ງກ່າວມີລໍ້ຮອງຮັບ 400 ອັນ. MLP ແມ່ນເຄືອຂ່າຍປະສາດທີ່ perceptron ໜຶ່ງ ຫຼື ຫຼາຍອັນປະກອບເປັນຫຼາຍຊັ້ນທີ່ມີຊັ້ນທີ່ເຊື່ອງໄວ້ໜຶ່ງ ຫຼື ຫຼາຍຊັ້ນລະຫວ່າງຊັ້ນອິນພຸດ ແລະ ຊັ້ນຜົນຜະລິດ 38. ໂດຍການໃຊ້ສິ່ງນີ້, ທ່ານສາມາດປະຕິບັດການຈັດປະເພດທີ່ບໍ່ເປັນເສັ້ນຊື່ໄດ້ ເຊິ່ງເມື່ອທ່ານເພີ່ມຊັ້ນອິນພຸດ ແລະ ໄດ້ຮັບຄ່າຜົນໄດ້ຮັບ, ຄ່າຜົນໄດ້ຮັບທີ່ຄາດຄະເນໄວ້ຈະຖືກປຽບທຽບກັບຄ່າຜົນໄດ້ຮັບຕົວຈິງ ແລະ ຄວາມຜິດພາດຈະຖືກແຜ່ລາມກັບຄືນ. ພວກເຮົາໄດ້ສ້າງຊັ້ນທີ່ເຊື່ອງໄວ້ທີ່ມີ 20 neurons ທີ່ເຊື່ອງໄວ້ໃນແຕ່ລະຊັ້ນ. ແຕ່ລະຮູບແບບທີ່ພວກເຮົາພັດທະນາໄດ້ຖືກນຳໃຊ້ກັບຊຸດພາຍໃນ ແລະ ພາຍນອກເພື່ອທົດສອບປະສິດທິພາບການຈັດປະເພດໂດຍການຄິດໄລ່ຄວາມອ່ອນໄຫວ, ຄວາມຈຳເພາະ, PPV, NPV, ແລະ AUROC. ຄວາມອ່ອນໄຫວຖືກນິຍາມວ່າເປັນອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ຄາດຄະເນວ່າມີອາຍຸ 18 ປີຂຶ້ນໄປ ຕໍ່ກັບຕົວຢ່າງທີ່ຄາດຄະເນວ່າມີອາຍຸ 18 ປີຂຶ້ນໄປ. ຄວາມຈຳເພາະແມ່ນອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ມີອາຍຸຕ່ຳກວ່າ 18 ປີ ແລະ ຕົວຢ່າງທີ່ຄາດຄະເນວ່າມີອາຍຸຕ່ຳກວ່າ 18 ປີ.
ຂັ້ນຕອນຂອງແຂ້ວທີ່ໄດ້ຮັບການປະເມີນໃນຊຸດການຝຶກອົບຮົມໄດ້ຖືກປ່ຽນເປັນຂັ້ນຕອນຕົວເລກສຳລັບການວິເຄາະທາງສະຖິຕິ. ການວິເຄາະການຖົດຖອຍເສັ້ນຊື່ ແລະ ໂລຈິດສະຕິກຫຼາຍຕົວແປໄດ້ຖືກປະຕິບັດເພື່ອພັດທະນາຮູບແບບການຄາດຄະເນສຳລັບແຕ່ລະເພດ ແລະ ໄດ້ຮັບສູດການຖົດຖອຍທີ່ສາມາດໃຊ້ເພື່ອປະເມີນອາຍຸ. ພວກເຮົາໄດ້ໃຊ້ສູດເຫຼົ່ານີ້ເພື່ອປະເມີນອາຍຸແຂ້ວສຳລັບທັງຊຸດການທົດສອບພາຍໃນ ແລະ ພາຍນອກ. ຕາຕະລາງທີ 4 ສະແດງໃຫ້ເຫັນຮູບແບບການຖົດຖອຍ ແລະ ການຈັດປະເພດທີ່ໃຊ້ໃນການສຶກສານີ້.
ຄວາມໜ້າເຊື່ອຖືພາຍໃນ ແລະ ລະຫວ່າງຜູ້ສັງເກດການໄດ້ຖືກຄິດໄລ່ໂດຍໃຊ້ສະຖິຕິ kappa ຂອງ Cohen. ເພື່ອທົດສອບຄວາມຖືກຕ້ອງຂອງ DM ແລະ ຮູບແບບການຖົດຖອຍແບບດັ້ງເດີມ, ພວກເຮົາໄດ້ຄິດໄລ່ MAE ແລະ RMSE ໂດຍໃຊ້ອາຍຸປະມານ ແລະ ອາຍຸຕົວຈິງຂອງຊຸດການທົດສອບພາຍໃນ ແລະ ພາຍນອກ. ຄວາມຜິດພາດເຫຼົ່ານີ້ແມ່ນໃຊ້ທົ່ວໄປເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນແບບຈຳລອງ. ຄວາມຜິດພາດທີ່ນ້ອຍກວ່າ, ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນກໍ່ຈະສູງຂຶ້ນ.24. ປຽບທຽບ MAE ແລະ RMSE ຂອງຊຸດການທົດສອບພາຍໃນ ແລະ ພາຍນອກທີ່ຄິດໄລ່ໂດຍໃຊ້ DM ແລະ ການຖົດຖອຍແບບດັ້ງເດີມ. ປະສິດທິພາບການຈັດປະເພດຂອງການຕັດ 18 ປີໃນສະຖິຕິແບບດັ້ງເດີມໄດ້ຖືກປະເມີນໂດຍໃຊ້ຕາຕະລາງສະຖານະການສຸກເສີນ 2 × 2. ຄວາມອ່ອນໄຫວ, ຄວາມຈຳເພາະ, PPV, NPV, ແລະ AUROC ທີ່ຄິດໄລ່ໄດ້ຂອງຊຸດການທົດສອບໄດ້ຖືກປຽບທຽບກັບຄ່າທີ່ວັດແທກໄດ້ຂອງຮູບແບບການຈັດປະເພດ DM. ຂໍ້ມູນຖືກສະແດງເປັນຄ່າສະເລ່ຍ ± ຄ່າຜັນປ່ຽນມາດຕະຖານ ຫຼື ຕົວເລກ (%) ຂຶ້ນກັບລັກສະນະຂໍ້ມູນ. ຄ່າ P ສອງດ້ານ <0.05 ຖືກພິຈາລະນາວ່າມີນัยສຳຄັນທາງສະຖິຕິ. ການວິເຄາະທາງສະຖິຕິປົກກະຕິທັງໝົດໄດ້ຖືກປະຕິບັດໂດຍໃຊ້ SAS ເວີຊັນ 9.4 (SAS Institute, Cary, NC). ຮູບແບບການຖົດຖອຍ DM ໄດ້ຖືກຈັດຕັ້ງປະຕິບັດໃນ Python ໂດຍໃຊ້ Keras50 2.2.4 backend ແລະ Tensorflow51 1.8.0 ໂດຍສະເພາະສຳລັບການດຳເນີນງານທາງຄະນິດສາດ. ຮູບແບບການຈັດປະເພດ DM ໄດ້ຖືກຈັດຕັ້ງປະຕິບັດໃນສະພາບແວດລ້ອມການວິເຄາະຄວາມຮູ້ Waikato ແລະແພລດຟອມການວິເຄາະ Konstanz Information Miner (KNIME) 4.6.152.
ຜູ້ຂຽນຮັບຮູ້ວ່າຂໍ້ມູນທີ່ສະໜັບສະໜູນບົດສະຫຼຸບຂອງການສຶກສາສາມາດພົບໄດ້ໃນບົດຄວາມ ແລະ ເອກະສານເສີມຕ່າງໆ. ຊຸດຂໍ້ມູນທີ່ສ້າງຂຶ້ນ ແລະ/ຫຼື ວິເຄາະໃນລະຫວ່າງການສຶກສາແມ່ນມີໃຫ້ຈາກຜູ້ຂຽນທີ່ກ່ຽວຂ້ອງຕາມການຮ້ອງຂໍທີ່ສົມເຫດສົມຜົນ.
Ritz-Timme, S. ແລະ ອື່ນໆ. ການປະເມີນອາຍຸ: ສະພາບທີ່ທັນສະໄໝເພື່ອຕອບສະໜອງຄວາມຕ້ອງການສະເພາະຂອງການປະຕິບັດທາງດ້ານນິຕິວິທະຍາ. ຄວາມເປັນສາກົນ. J. ການແພດທາງດ້ານກົດໝາຍ. 113, 129–136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., ແລະ Olze, A. ສະຖານະພາບປັດຈຸບັນຂອງການປະເມີນອາຍຸທາງດ້ານນິຕິວິທະຍາຂອງຜູ້ທີ່ຍັງມີຊີວິດຢູ່ເພື່ອຈຸດປະສົງໃນການດຳເນີນຄະດີອາຍາ. ນິຕິວິທະຍາ. ການແພດ. ພະຍາດວິທະຍາ. 1, 239–246 (2005).
Pan, J. ແລະ ອື່ນໆ. ວິທີການດັດແປງສຳລັບການປະເມີນອາຍຸແຂ້ວຂອງເດັກອາຍຸ 5 ຫາ 16 ປີໃນພາກຕາເວັນອອກຂອງຈີນ. ທາງດ້ານຄລີນິກ. ການສຳຫຼວດປາກ. 25, 3463–3474 (2021).
Lee, SS ແລະອື່ນໆ. ລຳດັບເວລາຂອງການພັດທະນາຂອງແຂ້ວຄາງກະໄຕອັນທີສອງ ແລະ ທີສາມໃນຄົນເກົາຫຼີ ແລະ ການນຳໃຊ້ມັນສຳລັບການປະເມີນອາຍຸທາງດ້ານນິຕິວິທະຍາ. ສາກົນ. J. ການແພດທາງດ້ານກົດໝາຍ. 124, 659–665 (2010).
ໂອ້, ສ., ຄຸມາໄກ, ອ., ຄິມ, SY ແລະ ລີ, SS ຄວາມຖືກຕ້ອງຂອງການປະເມີນອາຍຸ ແລະ ການປະເມີນຂອບເຂດອາຍຸ 18 ປີໂດຍອີງໃສ່ຄວາມສົມບູນຂອງແຂ້ວຄາງໂຕທີສອງ ແລະ ທີສາມໃນຄົນເກົາຫຼີ ແລະ ຍີ່ປຸ່ນ. PLoS ONE 17, e0271247 (2022).
Kim, JY, ແລະ ອື່ນໆ. ການວິເຄາະຂໍ້ມູນໂດຍອີງໃສ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກກ່ອນການຜ່າຕັດສາມາດຄາດຄະເນຜົນໄດ້ຮັບການປິ່ນປົວດ້ວຍການຜ່າຕັດນອນຫຼັບໃນຄົນເຈັບທີ່ມີ OSA. ວິທະຍາສາດ. ບົດລາຍງານ 11, 14911 (2021).
Han, M. ແລະ ອື່ນໆ. ການປະເມີນອາຍຸທີ່ຖືກຕ້ອງຈາກການຮຽນຮູ້ຂອງເຄື່ອງຈັກ ໂດຍມີ ຫຼື ບໍ່ມີການແຊກແຊງຂອງມະນຸດ? ຄວາມເປັນສາກົນ. J. ການແພດທາງດ້ານກົດໝາຍ. 136, 821–831 (2022).
Khan, S. ແລະ Shaheen, M. ຈາກການຂຸດຄົ້ນຂໍ້ມູນສູ່ການຂຸດຄົ້ນຂໍ້ມູນ. J. ຂໍ້ມູນ. ວິທະຍາສາດ. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. ແລະ Shaheen, M. WisRule: ອັລກໍຣິທຶມການຮັບຮູ້ທຳອິດສຳລັບການຂຸດຄົ້ນກົດລະບຽບສະມາຄົມ. J.Information. ວິທະຍາສາດ. https://doi.org/10.1177/01655515221108695 (2022).
Shaheen M. ແລະ Abdullah U. Karm: ການຂຸດຄົ້ນຂໍ້ມູນແບບດັ້ງເດີມໂດຍອີງໃສ່ກົດລະບຽບການເຊື່ອມໂຍງທີ່ອີງໃສ່ສະພາບການ. ຄິດໄລ່. Matt. ສືບຕໍ່. 68, 3305–3322 (2021).
Muhammad M., Rehman Z., Shaheen M., Khan M. ແລະ Habib M. ການກວດຈັບຄວາມຄ້າຍຄືກັນດ້ານຄວາມໝາຍໂດຍອີງໃສ່ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງໂດຍໃຊ້ຂໍ້ມູນຂໍ້ຄວາມ. ຂໍ້ມູນຂ່າວສານ. ເຕັກໂນໂລຊີ. ການຄວບຄຸມ. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., ແລະ Shahin, M. ລະບົບສຳລັບການຮັບຮູ້ກິດຈະກຳໃນວິດີໂອກິລາ. ມັນຕິມີເດຍ. ເຄື່ອງມື ແອັບພລິເຄຊັນ https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, SS ແລະ ອື່ນໆ. ສິ່ງທ້າທາຍການຮຽນຮູ້ຂອງເຄື່ອງຈັກ RSNA ໃນໄວກະດູກເດັກ. ວາລະສານລັງສີວິທະຍາ 290, 498–503 (2019).
Li, Y. ແລະ ອື່ນໆ. ການປະມານອາຍຸທາງດ້ານນິຕິວິທະຍາຈາກລັງສີເອັກສ໌ໃນກະດູກເຊີງກະໂຫຼກໂດຍໃຊ້ການຮຽນຮູ້ຢ່າງເລິກເຊິ່ງ. ຢູໂຣ. ລັງສີ. 29, 2322–2329 (2019).
Guo, YC, ແລະ ອື່ນໆ. ການຈັດປະເພດອາຍຸທີ່ຖືກຕ້ອງໂດຍໃຊ້ວິທີການຄູ່ມື ແລະ ເຄືອຂ່າຍປະສາດແບບ convolutional ທີ່ເລິກເຊິ່ງຈາກຮູບພາບການສະແດງຜົນແບບ orthographic. ສາກົນ. J. ການແພດທາງດ້ານກົດໝາຍ. 135, 1589–1597 (2021).
Alabama Dalora ແລະ ຄະນະ. ການປະມານອາຍຸກະດູກໂດຍໃຊ້ວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນ: ການທົບທວນວັນນະຄະດີຢ່າງເປັນລະບົບ ແລະ ການວິເຄາະແບບ meta. PLoS ONE 14, e0220242 (2019).
Du, H., Li, G., Cheng, K., ແລະ Yang, J. ການປະເມີນອາຍຸສະເພາະປະຊາກອນຂອງຊາວອາຟຣິກາ-ອາເມຣິກັນ ແລະ ຊາວຈີນໂດຍອີງໃສ່ປະລິມານຫ້ອງເນື້ອເຍື່ອຂອງແຂ້ວຄາງກະໄຕທຳອິດໂດຍໃຊ້ການຖ່າຍພາບດ້ວຍຄອມພິວເຕີແບບໂກນ-ຄານ. ສາກົນ. J. ການແພດທາງກົດໝາຍ. 136, 811–819 (2022).
Kim S., Lee YH, Noh YK, Park FK ແລະ Oh KS ການກຳນົດກຸ່ມອາຍຸຂອງຄົນທີ່ມີຊີວິດຢູ່ໂດຍໃຊ້ຮູບພາບທີ່ອີງໃສ່ປັນຍາປະດິດຂອງແຂ້ວຄາງທຳອິດ. ວິທະຍາສາດ. ບົດລາຍງານ 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., ແລະ Urschler, M. ການປະເມີນອາຍຸອັດຕະໂນມັດ ແລະ ການຈັດປະເພດອາຍຸສ່ວນໃຫຍ່ຈາກຂໍ້ມູນ MRI ຫຼາຍຕົວແປ. IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. ແລະ Li, G. ການປະມານອາຍຸໂດຍອີງໃສ່ການແບ່ງສ່ວນຫ້ອງເນື້ອເຍື່ອແບບ 3 ມິຕິຂອງແຂ້ວຄາງກະໄຕແຂ້ວອັນທຳອິດຈາກການກວດດ້ວຍລັງສີໂກນໂດຍການລວມເອົາການຮຽນຮູ້ເລິກ ແລະ ຊຸດລະດັບ. ສາກົນ. J. ການແພດທາງດ້ານກົດໝາຍ. 135, 365–373 (2021).
Wu, WT, ແລະ ອື່ນໆ. ການຂຸດຄົ້ນຂໍ້ມູນໃນຂໍ້ມູນຂະໜາດໃຫຍ່ທາງດ້ານຄລີນິກ: ຖານຂໍ້ມູນທົ່ວໄປ, ຂັ້ນຕອນ, ແລະ ຮູບແບບວິທີການ. ໂລກ. ຢາປົວພະຍາດ. ຊັບພະຍາກອນ. 8, 44 (2021).
Yang, J. ແລະ ອື່ນໆ. ການແນະນຳຖານຂໍ້ມູນທາງການແພດ ແລະ ເຕັກໂນໂລຊີການຂຸດຄົ້ນຂໍ້ມູນໃນຍຸກຂໍ້ມູນຂະໜາດໃຫຍ່. J. Avid. ການແພດຂັ້ນພື້ນຖານ. 13, 57–69 (2020).
Shen, S. ແລະ ອື່ນໆ. ວິທີການຂອງ Camerer ສຳລັບການປະເມີນອາຍຸຂອງແຂ້ວໂດຍໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. BMC Oral Health 21, 641 (2021).
Galliburg A. ແລະ ອື່ນໆ. ການປຽບທຽບວິທີການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນສຳລັບການຄາດຄະເນອາຍຸແຂ້ວໂດຍໃຊ້ວິທີການຈັດລຽງຂອງ Demirdjian. ສາກົນ. J. ການແພດທາງດ້ານກົດໝາຍ. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. ແລະ Tanner, JM ລະບົບໃໝ່ສຳລັບການປະເມີນອາຍຸແຂ້ວ. snort. biology. 45, 211–227 (1973).
Landis, JR, ແລະ Koch, GG ມາດຕະການຂອງການຕົກລົງເຫັນດີຂອງຜູ້ສັງເກດການກ່ຽວກັບຂໍ້ມູນປະເພດ. ຊີວະມິຕິ 33, 159–174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim HK ແລະ Choi HK. ການວິເຄາະດ້ານໂຄງສ້າງ, ຮູບຮ່າງວິທະຍາ ແລະ ສະຖິຕິຂອງການຖ່າຍພາບແມ່ເຫຼັກສອງມິຕິໂດຍໃຊ້ເຕັກນິກປັນຍາປະດິດສຳລັບການຈຳແນກເນື້ອງອກໃນສະໝອງຂັ້ນຕົ້ນ. ຂໍ້ມູນສຸຂະພາບ. ຊັບພະຍາກອນ. https://doi.org/10.4258/hir.2022.28.1.46 (2022).