ကိုရီးယားဆယ်ကျော်သက်အရွယ်နှင့်လူကြီးများအကြားရိုးရာသွားအသက်အရွယ်အသက်အရွယ်ခန့်မှန်းနည်းများကိုအတည်ပြုခြင်းဆိုင်ရာအချက်အလက်များကိုအတည်ပြုခြင်း

Vis ည့်သည်ကိုလာရောက်လည်ပတ်သည့်အတွက်ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသော browser ဗားရှင်းမှာ CSS အထောက်အပံ့ကိုကန့်သတ်ထားသည်။ အကောင်းဆုံးရလဒ်များအတွက်ကျွန်ုပ်တို့သည်သင်၏ browser ၏ဗားရှင်းအသစ်ကိုအသုံးပြုရန်အကြံပြုသည် (သို့မဟုတ် Internet Explorer တွင်ပါ 0 င်သောအသုံးစနစ်များကိုပိတ်ထားခြင်း) ကိုကျွန်ုပ်တို့အကြံပြုပါသည်။ ဤအချိန်အတောအတွင်းဆက်လက်ပံ့ပိုးမှုများရရှိစေရန်ကျွန်ုပ်တို့သည် site ကိုပုံစံသို့မဟုတ် Javascript မပါဘဲပြနေသည်။
သွားများကိုလူ့ခန္ဓာကိုယ်၏အသက်အရွယ်၏အတိအရာအညွှန်းကိန်းအညွှန်းကိုထည့်သွင်းစဉ်းစားပြီးကောင်းကင်သည်ခေတ်မီခေတ်အကဲဖြတ်ခြင်းများတွင်မကြာခဏအသုံးပြုကြသည်။ ကျွန်ုပ်တို့သည်ဒေတာအရင်းအမြစ်များကိုအခြေခံကျသည့်အသက်အရွယ်ခန့်မှန်းချက်များကိုအတည်ပြုရန်ရည်ရွယ်သည်။ 1555 နှစ်မှ 23 နှစ်မှ 23 နှစ်မှ 23 နှစ်မှ 23 နှစ်ကြားကိုရီးယားနှင့်ဂျပန်နိုင်ငံသားများထံမှကျယ်ပြန့်သောမြင်ကွင်းကျယ်ရေဒီယို 2657 ခုကိုစုဆောင်းခဲ့သည်။ ၎င်းတို့ကိုလေ့ကျင့်ရေးအစီအစဉ်တစ်ခုစီတွင်ကိုရီးယား radiographs 900 ပါ 0 င်ပြီးဂျပန်ရေဒီယို 857 ခုပါ 0 င်သည့်အတွင်းပိုင်းစမ်းသပ်မှုများပါဝင်သည်။ ကျွန်ုပ်တို့သည်ရိုးရာနည်းလမ်းများ၏အမျိုးအစားခွဲခြားခြင်းနှင့်ထိရောက်မှုကိုအခြေခံနည်းလမ်းများနှင့်ကိုက်ညီသောအချက်အလက်များသတ္တုတွင်းပုံစံများနှင့်နှိုင်းယှဉ်သည်။ အတွင်းပိုင်းစမ်းသပ်မှုဆိုင်ရာအစု၏ရိုးရာနည်းလမ်း၏တိကျမှန်ကန်မှုသည်ဒေတာတူးဖော်ခြင်းပုံစံထက်အနည်းငယ်ပိုမိုမြင့်မားသည်။ 18 နှစ်ဖြတ်တောက်မှုအတွက်အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်မှာလည်းရိုးရာနည်းလမ်းများနှင့်ဒေတာတူးဖော်ခြင်းပုံစံများအကြားလည်းအလားတူဖြစ်သည်။ ထို့ကြောင့်ရိုးရာနည်းလမ်းများအားလေးနက်သောအသက်အရွယ်အကဲဖြတ်မှုပြုလုပ်ရာတွင်လေးနက်သောအသက်အရွယ်အကဲဖြတ်မှုကို အသုံးပြု. လေးနက်သောအသက်အရွယ်အကဲဖြတ်မှုပြုလုပ်ရာတွင်ရင့်ကျက်ခြင်းနှင့်အရွယ်ရောက်ပြီးသူအရွယ်ရှိအရွယ်ရှိလူကြီးများ၏ရင့်ကျက်မှုကို အသုံးပြု. ပြုလုပ်သောအချက်အလက်များသတ္တုတွင်းမော်ဒယ်များဖြင့်အစားထိုးနိုင်သည်။
သွားဘက်ဆိုင်ရာအသက်အာမခံကိုအကောင်အထည်ဖော်သည့်ဆေးပညာနှင့်ကလေးအထူးကုဆေးသွားပစ္စည်းများတွင်ကျယ်ပြန့်စွာအသုံးပြုသည်။ အထူးသဖြင့်သက္ကရာဇ်စဉ်နှင့်သွားဘက်ဆိုင်ရာဖွံ့ဖြိုးတိုးတက်မှုအကြားဆက်နွယ်မှုမြင့်မားမှုကြောင့်သွားဘက်ဆိုင်ရာဖွံ့ဖြိုးမှုအဆင့်များအနက်အသက်အရွယ်အကဲဖြတ်ခြင်းသည်ကလေးငယ်များနှင့်ဆယ်ကျော်သက်အရွယ်အရွယ်အနာအနာအနာအနာအာန်ကိုအကဲဖြတ်ခြင်းအတွက်အရေးကြီးသောစံနှုန်းဖြစ်သည်။ သို့သော်လူငယ်များအတွက်သွားဘက်ဆိုင်ရာရင့်ကျက်မှုအပေါ် အခြေခံ. သွားဘက်ဆိုင်ရာအသက်အရွယ်သည်အကန့်အသတ်ဖြင့်အကန့်အသတ်ရှိသည်။ လူငယ်များနှင့်ဆယ်ကျော်သက်များ၏အသက်အရွယ်ကိုဆုံးဖြတ်ရန်တရားဝင်ရည်ရွယ်ချက်မှာအများစု၏အသက်အရွယ်သို့ရောက်ရှိမှုရှိမရှိ၏တိကျသောခန့်မှန်းချက်များနှင့်သိပ္ပံဆိုင်ရာအထောက်အထားများကိုတိကျသောခန့်မှန်းချက်များပေးရန်ဖြစ်သည်။ ကိုရီးယားရှိဆယ်ကျော်သက်လူငယ်များနှင့်လူငယ်လူကြီးများ၏ဆေးဘက်ဆိုင်ရာဥပဒေရေးရာအလေ့အကျင့်တွင် Lee ၏နည်းလမ်းကို အသုံးပြု. အသက် 18 နှစ်၏တရားဝင်အဆင့်သတ်မှတ်ချက်မှာ OH et al 5 မှတင်ပြသောအချက်အလက်များအပေါ် အခြေခံ. ခန့်မှန်းထားသည်။
စက်သင်ယူမှုသည်အချက်အလက်အမြောက်အများကိုထပ်ခါတလဲလဲလေ့လာခြင်းနှင့်ခွဲခြားခြင်းတို့ကိုထပ်ခါတလဲလဲလေ့လာခြင်း, စက်သင်ယူမှုသည်အသုံးဝင်သောလျှို့ဝှက်ပုံစံများကို data6 အမြောက်အများဖြင့်ရှာဖွေတွေ့ရှိနိုင်သည်။ ဆန့်ကျင်ဘက်အနေဖြင့်, လုပ်အားခနှင့်အချိန်ကုန်နေသောဂန္ထဝင်နည်းစနစ်များသည်ရှုပ်ထွေးသောဒေတာအမြောက်အများကိုကိုင်တွယ်ရန်ခက်ခဲသောရှုပ်ထွေးသောအချက်အလက်များနှင့်ဆက်ဆံရာတွင်ကန့်သတ်ချက်များရှိနိုင်သည်။ ထို့ကြောင့်များစွာသောလေ့လာမှုများကိုမကြာသေးမီကလူ့အမှားအယွင်းများကိုလျှော့ချရန်နှင့် MultidDimensional data8,10,11,11,111222222222222 ကိုထိရောက်စေရန်နောက်ဆုံးပေါ်ကွန်ပျူတာနည်းပညာများကိုမကြာသေးမီကပြုလုပ်ခဲ့သောနောက်ဆုံးကွန်ပျူတာနည်းပညာများကိုမကြာသေးမီကပြုလုပ်ခဲ့သည်။ အထူးသဖြင့်နက်ရှိုင်းသောလေ့လာမှုကိုဆေးဘက်ဆိုင်ရာရုပ်ပုံခွဲခြမ်းစိတ်ဖြာခြင်းတွင်ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုခဲ့ပြီးအသက်အရွယ်ခန့်မှန်းချက်အမျိုးမျိုးကိုအလိုအလျောက်ခွဲခြမ်းစိတ်ဖြာခြင်းအားဖြင့် accord ည့်သည်များကိုအလိုအလျောက်ခွဲခြမ်းစိတ်ဖြာခြင်းအားဖြင့်ခန့်မှန်းချက်အမျိုးမျိုးကိုခန့်မှန်းတွက်ချက်မှုများတိုးတက်လာသည် ။ ဥပမာအားဖြင့် Halabi et al 13 သည် consteral nernure neural neural neure neural neurning networks (CNN) ကို အခြေခံ. ကလေးငယ်များလက်များကို အသုံးပြု. အခက်အခဲများကခန့်မှန်းရန် Convolutional Neren Neural Networks (CNN) အပေါ် အခြေခံ. စက်ကိုလေ့လာသင်ယူခဲ့သည်။ ဤလေ့လာမှုသည်ဆေးဘက်ဆိုင်ရာရုပ်ပုံများကိုရေးဆွဲခြင်းစက်ကိုလေ့လာခြင်းကိုသက်ဆိုင်ပြီးဤနည်းလမ်းများသည်ရောဂါရှာဖွေရေးတိကျမှန်ကန်မှုကိုတိုးတက်စေနိုင်သည်ကိုပြသသည်။ Li et al14 သည်အလွန်နက်ရှိုင်းသောသင်ယူမှု CNN ကို အသုံးပြု. တင်ပါးဆုံတွင်းရှိ X-Ray ပုံရိပ်များမှအသက်အရွယ်ကိုခန့်မှန်းပြီး Ossification PaseMation ကို အသုံးပြု. ဆုတ်ယုတ်မှုရလဒ်များဖြင့်နှိုင်းယှဉ်ခဲ့သည်။ သူတို့ကတွေ့ရှိခဲ့သော CNN မော်ဒယ်သည်ရိုးရာဆုတ်ယုတ်မှုပုံစံနှင့်အတူတူပင်အသက်အာမခံစွမ်းဆောင်ရည်ကိုပြသခဲ့သည်။ Guo et al
Machine သင်ယူခြင်းကို အသုံးပြု. အသက်အရွယ်ခန့်မှန်းချက်များအကြောင်းလေ့လာမှုအများစုသည်နက်ရှိုင်းသောသင်ယူမှုနည်းစနစ်များကို အသုံးပြု. နက်ရှိုင်းသောသင်ယူမှုနည်းစနစ်များကိုသုံးပါ။ နက်ရှိုင်းသောသင်ယူမှုအပေါ် အခြေခံ. အသက်အရွယ်ခန့်မှန်းချက်သည်ရိုးရာနည်းလမ်းများထက်ပိုမိုတိကျကြောင်းဖော်ပြထားသည်။ သို့သော်ဤချဉ်းကပ်မှုသည်ခန့်မှန်းချက်များတွင်အသုံးပြုသောအသက်ညွှန်းကိန်းများကဲ့သို့သောအသက်အရွယ်ခန့်မှန်းချက်များအတွက်သိပ္ပံနည်းကျအခြေခံကိုတင်ပြရန်အခွင့်အရေးအနည်းငယ်သာရှိသည်။ စစ်ဆေးမှုကိုမည်သူပြုလုပ်နေသူအပေါ်တရား 0 င်အငြင်းပွားမှုတစ်ခုလည်းရှိသည်။ ထို့ကြောင့်အသက်ကြီးသောသင်ယူမှုအပေါ် အခြေခံ. အသက်အရွယ်ခန့်မှန်းချက်သည်အုပ်ချုပ်ရေးနှင့်တရားရေးအာဏာပိုင်များကလက်ခံရန်ခက်ခဲသည်။ ဒေတာသတ္တုတွင်းတူးဖော်ခြင်း (DM) သည်မျှော်လင့်ထားသည့်နည်းစနစ်တစ်ခုဖြစ်သည်။ စက်ခြင်းကိုဒေတာတူးဖော်ခြင်းများတွင်မကြာခဏအသုံးပြုလေ့ရှိပြီးဒေတာတူးဖော်ခြင်းနှင့်စက်ခြင်းစလုံးသည်ဒေတာများတွင်ပုံစံများကိုရှာဖွေရန်အတွက်တူညီသောသော့ချက် algorithms ကိုအသုံးပြုသည်။ သွားဖွံ့ဖြိုးမှုကို အသုံးပြု. အသက်အရွယ်ခန့်မှန်းချက်သည်စစ်ဆေးသူ၏ရင့်ကျက်မှုကိုစစ်ဆေးသူ၏အကဲဖြတ်မှုကိုအခြေခံသည်။ DM ကိုသွားအကဲဖြတ်ခြင်းအဆင့်နှင့်အမှန်တကယ်အသက်အရွယ်အကြားဆက်စပ်မှုကိုခွဲခြမ်းစိတ်ဖြာရန် အသုံးပြု. ရိုးရာစာရင်းအင်းဆိုင်ရာခွဲခြမ်းစိတ်ဖြာမှုကိုအစားထိုးရန်အလားအလာရှိသည်။ ထို့ကြောင့်ကျွန်ုပ်တို့သည် DM နည်းစနစ်များကိုအသက်အာမခံတွင်အသုံးပြုပါကကျွန်ုပ်တို့သည်တရား 0 င်တာ 0 န်ယူမှုအပေါ်စိုးရိမ်ပူပန်မှုမရှိဘဲဆေးပညာလေ့လာမှုတွင်စက်ကိုလေ့လာခြင်းကိုအကောင်အထည်ဖော်နိုင်သည်။ ဆေးဘက်ဆိုင်ရာအလေ့အကျင့်များနှင့် EBM-based နည်းလမ်းများတွင်အသုံးပြုသောရိုးရာ manual method များနှင့် EBM-based နည်းလမ်းများအတွက်ရိုးရာ manual method များနှင့် eBM အခြေပြုနည်းလမ်းများအတွက်တတ်နိုင်သမျှနှိုင်းယှဉ်လေ့လာမှုများကိုထုတ်ဝေခဲ့သည်။ Shen ET al23 က DM မော်ဒယ်သည်ရိုးရာကင်မရာရှင်ပုံသေနည်းထက်ပိုမိုတိကျကြောင်းပြသခဲ့သည်။ Galibourg et al24 သည် Demirdjian Criterion25 နှင့်အညီအသက်အရွယ်ကိုကြိုတင်ခန့်မှန်းရန်မတူညီသော DM နည်းလမ်းများ အသုံးပြု. DM နည်းလမ်းသည်ပြင်သစ်လူ ဦး ရေ၏အသက်အရွယ်ကိုခန့်မှန်းရာတွင် DM method သည် demirdjian နှင့် fieldems method များကိုကျော်လွှားနိုင်ကြောင်းပြသခဲ့သည်။
ကိုရီးယားဆယ်ကျော်သက်အရွယ်နှင့်လူကြီးလူငယ်များ၏သွားအသက်အရွယ်ကိုခန့်မှန်းရန် Lee ၏ Method 4 ကိုအမေရိကန်မှုခင်းဆေးပညာအရကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသည်။ ဤနည်းလမ်းသည်ကိုရီးယားဘာသာရပ်များနှင့်သက္ကရာဇ်စဉ်အစဉ်အဆက်အကြားဆက်နွယ်မှုကိုဆန်းစစ်ရန်ရိုးရာစာရင်းအင်းဆိုင်ရာခွဲခြမ်းစိတ်ဖြာခြင်းကိုအသုံးပြုသည်။ ဤလေ့လာမှုတွင်ရိုးရာစာရင်းအင်းနည်းစနစ်များကို အသုံးပြု. ရရှိသောအသက်အရွယ်ခန့်မှန်းနည်းစနစ်များကို "ရိုးရာနည်းလမ်းများ" ဟုသတ်မှတ်သည်။ လီ၏နည်းလမ်းမှာရိုးရာနည်းလမ်းဖြစ်သည်။ ၎င်း၏တိကျမှန်ကန်မှုကို Oh et al မှအတည်ပြုခဲ့သည် 5; သို့သော်အသက်ရှည်သောအလေ့အကျင့်ရှိ DM မော်ဒယ်အပေါ် အခြေခံ. အသက်အရွယ်ခန့်မှန်းချက်များ၏သက်ဆိုင်မှုသည်မေးခွန်းထုတ်စရာဖြစ်သည်။ ကျွန်ုပ်တို့၏ရည်မှန်းချက်မှာ DM မော်ဒယ်အပေါ် အခြေခံ. အသက်အရွယ်ခန့်မှန်းချက်ကိုသိပ္ပံနည်းကျအတည်ပြုရန်ဖြစ်သည်။ ဒီလေ့လာမှု၏ရည်ရွယ်ချက်မှာသွားဘက်ဆိုင်ရာအသက်အရွယ် (2) နှစ်အရွယ်တွင်အစဉ်အလာစာရင်းအင်းနည်းစနစ်များနှင့်နှိုင်းယှဉ်ထားသည့် (2) နှစ်အရွယ်တွင် DM မော်ဒယ်များကိုနှိုင်းယှဉ်ရန် (2) ခု၏တိကျမှန်ကန်မှုကိုနှိုင်းယှဉ်ရန် (1) သည် (2) ခုကိုနှိုင်းယှဉ်ခြင်းနှင့်နှိုင်းယှဉ်ရန်။ နှစ် ဦး စလုံးမေးရိုးထဲမှာတတိယအံသွား။
သက္ကရာဇ်အမျိုးအစားအလိုက်အဆင့်အတန်းနှင့်သွားအမျိုးအစားအားဖြင့်သက္ကရာဇ်စဉ်အစဉ်အဆက်၏ပုံမှန်သွေဖည်ခြင်းများကိုပိုမိုဖြည့်စွက် Table S2 (Internal Test S2 (Internal Test Set S2) တွင်ဖြစ်သည်။ လေ့ကျင့်ရေးအစုမှရရှိသော INTRA နှင့် Interobserver အတွက် Cappa တန်ဖိုးများမှာ 0.951 နှင့် 0.947 အသီးသီးရှိသည်။ P တန်ဖိုးများနှင့် Kappa တန်ဖိုးများအတွက် 95% ယုံကြည်မှုကြားကာလများကိုအွန်လိုင်းဖြည့်စွက်စားပွဲခုံ S4 တွင်ပြထားသည်။ Kappa Value ကို Landis နှင့် Koch26 တို့၏စံနှုန်းများနှင့်ကိုက်ညီမှုအဖြစ်အဓိပ္ပာယ်ကောက်ယူခဲ့သည်။
အဓိပ္ပာယ်ကိုယုတ်ညံ့သောအမှားအယွင်းများကိုနှိုင်းယှဉ်သောအခါရိုးရာနည်းလမ်းသည် Genders Delivery Dulnectron (MLP) မှလွဲ. ပြင်ပယောက်ျားလေးများအားလုံးအတွက် DM မော်ဒယ်အနည်းငယ်ကိုအနည်းငယ်သာသာလွန်သည်။ Internal Mae Test set တွင်ရိုးရာမော်ဒယ်နှင့် DM Model အကြားခြားနားချက်မှာအမျိုးသားများအတွက် 0.17-0.19 နှစ်ဖြစ်ပြီးအမျိုးသမီးများအတွက် 0.17-0.21 နှစ်ဖြစ်သည်။ ပြင်ပစမ်းသပ်ဘက်ထရီအတွက်ကွဲပြားခြားနားမှုများသည်သေးငယ်သည် (0.001-01.05 နှစ်) သည်အမျိုးသမီးများအတွက် 0.05-05.09 နှစ်များဖြစ်သည်။ ထို့အပြင် Root Square Square Error (RMSE) သည်ရိုးရာနည်းလမ်းထက်အနည်းငယ်နိမ့်သည်, သေးငယ်သောကွဲပြားခြားနားမှုများ (0.17-0.24, 0.24.2-0.24) ပြင်ပစမ်းသပ်မှုအစုအဝေးအတွက် 0.03-0.0.24.08 ) ။ MLP သည်အမျိုးသမီးပြင်ပစာမေးပွဲဖြေဆွေးနွေးပွဲ မှလွဲ. တစ်ခုတည်းသောအလွှာ (SLP) ထက်အနည်းငယ်ပိုမိုကောင်းမွန်စွာစွမ်းဆောင်ရည်ကိုပြသသည်။ Mae နှင့် RMSE အတွက်ပြင်ပစမ်းသပ်မှုအစုသည်ကျားသစ်များနှင့်မော်ဒယ်များအတွက်အတွင်းပိုင်းစမ်းသပ်မှုများထက်ပိုမိုမြင့်မားသည်။ Mae နှင့် RMSE အားလုံးသည်ဇယား 1 နှင့်ပုံ 1 တွင်ပြထားသည်။
MAE နှင့်ရိုးရာနှင့်ဒေတာတူးဖော်ခြင်းစံနမူနာများ၏ mae နှင့် rmse ။ routes rooms roudsa mae, root mean square error mae, Single Square Erress RMSE, Single Layer Option Brathron Slp, Multilayer impartron MPP, ရိုးရာ CM နည်းလမ်း။
ရိုးရာနှင့် DM မော်ဒယ်များ၏အစဉ်အလာနှင့် DM မော်ဒယ်များကို sensitivity, တိကျစွာကြိုတင်ခန့်မှန်းတန်ဖိုး (PPV), အပျက်သဘောဆောင်သောကြိုတင်ခန့်မှန်းတန်ဖိုး (NPV), area ရိယာ၏ sensitivity, ppv (PPV) နှင့် area ရိယာ၏ sensitivity နှင့် DM မော်ဒယ်တို့ဖြင့်သရုပ်ပြခဲ့သည်။ 27 (ဇယား 2, ပုံ 2 နှင့်အခြားဖြည့်စွက်ပုံ 1 အွန်လိုင်းတွင်အွန်လိုင်း) ။ ပြည်တွင်းရေးစမ်းသပ်ဘက်ထရီ၏ sensitivity ကိုအရ, အမျိုးသမီးများအကြားရိုးရာနည်းလမ်းများအရရိုးရာနည်းလမ်းများနှင့်အမျိုးသမီးများအကြားပိုဆိုး။ သို့သော်ရိုးရာနည်းလမ်းများနှင့် SD တို့အကြားခွဲခြားသတ်မှတ်ခြင်းစွမ်းဆောင်ရည်ကွာခြားချက်မှာအမျိုးသားများအတွက် 9.7% နှင့်အမျိုးသမီးများအတွက် 2.4% သာရှိသည်။ DM Models များထဲတွင် Logistic Regression (LR) သည်နှစ် ဦး စလုံးလိင်များ၌ပိုမိုကောင်းမွန်သောအထိခိုက်လွယ်ကြောင်းပြသခဲ့သည်။ ပြည်တွင်းစမ်းသပ်မှုအစု၏အသေးစိတ်အချက်အလက်များနှင့်စပ်လျဉ်း။ SD မော်ဒယ်လေးလုံးသည်အမျိုးသားများအတွက်ကောင်းမွန်စွာလုပ်ဆောင်နိုင်ခဲ့ကြောင်းတွေ့ရှိရသည်။ အမျိုးသားများနှင့်အမျိုးသမီးများအတွက်ခွဲခြားခြင်း၏ကွဲပြားခြားနားမှုများသည် 13.3% (MLP) နှင့် 13.1% (MLP) တို့မှာ Models အကြားခွဲခြားမှုစွမ်းဆောင်ရည်ကွာခြားမှုသည်အလွန်ဆိုးရှားသည်။ DM မော်ဒယ်များအကြား, ပံ့ပိုးမှုအားနည်းသောစက် (SVM), ဆုံးဖြတ်ချက်ပင် (DT), DIMED သစ်ပင် (DT), ရိုးရာမော်ဒယ်လ်၏ Auroc နှင့် SD မော်ဒယ်များအားလုံးသည် 0.925 (K-အနီးဆုံးအိမ်နီးချင်း (KNN)) ထက်ကြီးမြတ်သည်။ ပြင်ပစမ်းသပ်မှုအစုတခုအတွက်အတွင်းပိုင်းစစ်ဆေးမှုနှင့်နှိုင်းယှဉ်လျှင် sensitivity ကို sensitivity, တိကျသောနှင့် Auroc တို့တွင်ခွဲခြားမှုစွမ်းဆောင်ရည်ကျဆင်းခြင်းရှိခဲ့သည်။ ထို့အပြင်အကောင်းဆုံးနှင့်အဆိုးဆုံးမော်ဒယ်များ၏အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်အကြား sensitivity နှင့်တိကျသောခြားနားချက်သည် 10% မှ 25% အထိကွဲပြားခြားနားပြီးအတွင်းပိုင်းစမ်းသပ်မှုတွင်ကွဲပြားမှုထက်ပိုကြီးသည်။
18 နှစ်ကြာဖြတ်တောက်မှုနှင့်အတူရိုးရာနည်းလမ်းများနှင့်နှိုင်းယှဉ်လျှင်ဒေတာသတ္တုတွင်းခွဲခြားမော်ဒယ်များ၏ sensitivity နှင့်အသေးစိတ်အချက်အလက်များ။ Knn k အနီးအနားရှိအိမ်နီးချင်းပံ့ပိုးစွမ်းအားနည်းသော vector စက်, LR ၏ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှု,
ဤလေ့လာမှု၏ပထမအဆင့်မှာသွားဘက်ဆိုင်ရာအသက်အရွယ်ခန့်မှန်းချက်များ၏တိကျမှန်ကန်မှုကိုနှိုင်းယှဉ်ရန်ဖြစ်သည်။ Mae နှင့် RMSE တို့သည်လိင်စမ်းသပ်မှုနှစ်ခုလုံးအတွက်အတွင်းပိုင်းစမ်းသပ်မှုများနှင့်အစဉ်အလာနည်းလမ်းများနှင့် DM Model အကြားခြားနားချက်ကို 44 မှ 77 ရက်အထိနှင့် 62 ရက်မှ 88 ရက်အထိ Mae တို့နှင့် RMSE အတွက် Mae အတွက်ဖြစ်သည်။ ရိုးရာနည်းလမ်းသည်ဤလေ့လာမှုတွင်အနည်းငယ်ပိုမိုတိကျသော်လည်းထိုကဲ့သို့သောသေးငယ်သည့်ခြားနားချက်မှာလက်တွေ့သို့မဟုတ်လက်တွေ့ကျကျအရေးပါမှုရှိ, မရှိကိုကောက်ချက်ချရန်ခက်ခဲသည်။ ဤရလဒ်များအရ DM မော်ဒယ်ကိုအသုံးပြုပြီးသွားဘက်ဆိုင်ရာအသက်အရွယ်ခန့်မှန်းချက်၏တိကျမှုသည်ရိုးရာနည်းလမ်းနှင့်နီးပါးရှိသည်ဟုဖော်ပြသည်။ ယခင်လေ့လာမှုများမှရလာဒ်များနှင့်တိုက်ရိုက်နှိုင်းယှဉ်ခြင်းသည်ခက်ခဲသည်။ အဘယ်ကြောင့်ဆိုသော်လေ့လာမှုသည်ဤလေ့လာမှုတွင်တူညီသောမျိုးစေ့ကိုရိုက်ကူးခြင်းကဲ့သို့သောတူညီသောစာရင်းအင်းနည်းစနစ်များကို အသုံးပြု. ရိုးရာစာရင်းအင်းဆိုင်ရာနည်းလမ်းများနှင့်နှိုင်းယှဉ်ခြင်းမနှိုင်းယှဉ်ပါ။ Galibourg et al24 သည် Mae နှင့် RMSE ကိုရိုးရာနည်းစနစ်နှစ်ခုအကြား (Demirjian Method25 နှင့် Willems method 29) နှင့် 10 DM Models 10 နှစ်မှ 24 နှစ်အထိ 10 DM Models များနှင့်နှိုင်းယှဉ်ပါ။ DM Models အားလုံးသည် 0.25 နှင့် 0.25 နှစ်နှင့် 0.25 နှစ်နှင့် 0.47 နှစ်နှင့် 0.47 နှစ်နှင့် 0.47 နှစ်များအသီးသီးနှင့်နှိုင်းယှဉ်လျှင် RMSE တို့နှင့်ပေါင်း 0.25 နှစ်နှင့် 0.47 နှစ်တို့ဖြစ်သည်။ SD မော်ဒယ်တွင်ဖော်ပြထားသော SD မော်ဒယ်နှင့်ရိုးရာနည်းစနစ်များအကြားကွာဟချက်များအကြားကွာဟချက်သည် Demandjian နည်းလမ်းသည်ပြင်သစ်ကနေဒါနိုင်ငံ မှလွဲ. အခြားသူများအတွက်သွားဘက်ဆိုင်ရာအသက်အရွယ်တွင်တိတိကျကျမတိကျမှန်ကန်စွာမခန့်မှန်းနိုင်ကြောင်းပြောကြားခဲ့သည်။ ဒီလေ့လာမှုမှာ။ Tai et al 34 သည် MLP algorithm ကိုတရုတ် orthodontic ဓာတ်ပုံ 1636 မှသွားကိုကြိုတင်ခန့်မှန်းရန် MLP algorithm ကို အသုံးပြု. Demirjian နှင့် Willems နည်းလမ်း၏ရလဒ်များနှင့်တိကျမှန်ကန်မှုကိုနှိုင်းယှဉ်ထားသည်။ MLP သည်ရိုးရာနည်းလမ်းများထက်ပိုမိုမြင့်မားသောတိကျမှုရှိသည်ဟုသူတို့ကတင်ပြခဲ့သည်။ Demirdjian နည်းလမ်းနှင့်ရိုးရာနည်းလမ်းများအကြားခြားနားချက်မှာ <0.32 နှစ်နှင့်ဗွီဒက်စ်များနည်းလမ်းသည် 0.28 နှစ်ဖြစ်ပြီးလက်ရှိလေ့လာမှု၏ရလဒ်များနှင့်ဆင်တူသည်။ ဤယခင်လေ့လာမှုမှတ်တမ်းများ၏ရလဒ်များသည်လက်ရှိလေ့လာမှု၏ရလဒ်များနှင့်ကိုက်ညီပြီး DM မော်ဒယ်၏အသက်အာမခံနှင့်ရိုးရာနည်းလမ်းများသည်အလွန်ဆင်တူသည်။ သို့သော်တင်ပြထားသည့်ရလဒ်များအပေါ် အခြေခံ. ကျွန်ုပ်တို့သည် DM Models များကိုခန့်မှန်းရန် DM Models များကိုခန့်မှန်းတွက်ချက်မှုသည်ယခင်လေ့လာမှုများမရှိခြင်းကြောင့်ရှိပြီးသားနည်းလမ်းများကိုအစားထိုးနိုင်သည်ဟုကျွန်ုပ်တို့သာကောက်ချက်ချနိုင်သည်။ ဒီလေ့လာမှုမှာရရှိတဲ့ရလဒ်တွေကိုအတည်ပြုဖို့ပိုကြီးတဲ့နမူနာတွေကိုသုံးတဲ့နောက်ဆက်တွဲလေ့လာမှုတွေလိုအပ်တယ်။
သွားဘက်ဆိုင်ရာအသက်အရွယ်ခန့်မှန်းခြေအားဖြင့် SD ၏တိကျမှန်ကန်မှုကိုစစ်ဆေးသည့်လေ့လာမှုများတွင်အချို့သူများသည်ကျွန်ုပ်တို့၏လေ့လာမှုထက်တိကျမှန်ကန်မှုကိုပြသခဲ့သည်။ Stepanovsky et et al 35 SD Models 22 ရက်မှ 22 ရက်မှ 2066 နှစ်မှ 20.5 နှစ်ကြာသည် 2.7 မှ 20.5 နှစ်ကြာသည်။ Moorrees et al 36 မှအဆိုပြုထားသောခွဲခြားသတ်မှတ်ချက်များကို အသုံးပြု. စုစုပေါင်း (16) လုံးနှင့်အောက်ပိုင်းဘယ်ဘက်အံသွားများကိုအသုံးပြုသည်။ မဲသည် 0.64 မှ 0.94 နှစ်မှ 94 နှစ်အထိရှိပြီး RMSE သည်ဤလေ့လာမှုတွင်အသုံးပြုသော DM Models နှစ်ခုထက် ပို. တိကျမှန်ကန်သည်။ SHEN ET et al23 သည်အသက် 5 နှစ်မှ 13 နှစ်အတွင်းရှိလက်ဝဲဘက်ဆိုင်ရာအံသွား (2) နှစ်အရွယ်ရှိလက်ဝဲဘက်ဆိုင်ရာနှစ်ခု၏သွားရောဂါခုနစ်ကာလ၏သွားရောဂါခုနစ်လုံးကိုခန့်မှန်းရန်နှင့်နှိုင်းယှဉ်လျှင်၎င်းနှင့်နှိုင်းယှဉ်လျှင်၎င်းနှင့်နှိုင်းယှဉ်လျှင်နှစ်များနှင့်နှိုင်းယှဉ်လျှင်နှစ်များနှင့်နှိုင်းယှဉ်လျှင်၎င်းနှင့်နှိုင်းယှဉ်ပါကနှစ်များနှင့်နှိုင်းယှဉ်လျှင်။ သူတို့က DM Models သုံးခုစလုံးသည်ရိုးရာကင်မရာမာနွယ်ပုံသေနည်းနှင့်နှိုင်းယှဉ်လျှင်ပိုမိုမြင့်မားသောတိကျမှန်ကန်မှုရှိသည်ဟုသူတို့ပြသခဲ့သည်။ Shen ၏လေ့လာမှုတွင် Mae နှင့် RMSE တို့သည်ဤလေ့လာမှုတွင် DM မော်ဒယ်ရှိသူများထက်နိမ့်ကျသည်။ Stepanovsky et al မှလေ့လာမှု၏လေ့လာမှု၏မြင့်တက်။ 35 နှင့် Shen et al ။ 23 အငယ်ဘာသာရပ်များပါ 0 င်ခြင်းကြောင့်သူတို့၏လေ့လာမှုနမူနာများတွင်ဖြစ်နိုင်သည်။ သွားဘက်ဆိုင်ရာဖွံ့ဖြိုးတိုးတက်မှုကာလအတွင်းသွားများဖွံ့ဖြိုးဆဲသွားများတိုးပွားလာသူများနှင့်ပါ 0 င်သူများအတွက်အသက်အရွယ်ခန့်မှန်းချက်သည်ပိုမိုတိကျမှုဖြစ်လာသည်။ ထို့အပြင်အသက်အရွယ်တွင် MLP ၏အမှားသည် SLP ထက်အနည်းငယ်သေးငယ်သည်, ဆိုလိုသည်မှာ MLP သည် SLP ထက် ပို. တိကျသည်။ MLP38 တွင်ဝှက်ထားသောအလွှာများကြောင့် MLP သည်အသက်အာမခံအတွက်အနည်းငယ်ပိုမိုကောင်းမွန်သည်ဟုယူဆရသည်။ သို့သော်လည်းအမျိုးသမီးများ၏အပြင်ဘက်နမူနာအတွက်ခြွင်းချက်တစ်ခုရှိသည် (SLP 1.45, MLP 1.49) ။ MLP သည်အသက်အရွယ်ကိုအကဲဖြတ်ရာတွင် SLP ထက်ပိုမိုတိကျကြောင်းတွေ့ရှိရသည့်တွေ့ရှိချက်သည်နောက်ထပ်နောက်ကြောင်းပြန်လေ့လာမှုများလိုအပ်သည်။
18 နှစ်တံခါးခုံတွင် DM Model ၏အမျိုးအစားနှင့်ရိုးရာနည်းလမ်းကိုခွဲခြားသတ်မှတ်ခြင်းကိုနှိုင်းယှဉ်ထားသည်။ အားလုံးစမ်းသပ်ပြီးသော SD မော်ဒယ်များနှင့်ပြည်တွင်းစမ်းသပ်မှုဆိုင်ရာရိုးရာနည်းလမ်းများသည် 18 နှစ်အရွယ်နမူနာအတွက်ခွဲခြားဆက်ဆံမှုကိုလက်တွေ့ကျကျလက်ခံနိုင်ဖွယ်အဆင့်များကိုပြသခဲ့သည်။ အမျိုးသားများနှင့်အမျိုးသမီးများအတွက်အထိခိုက်မခံခြင်းသည် 87.7% နှင့် 94.9% ရှိသည်။ စမ်းသပ်ပြီးသောမော်ဒယ်များအားလုံး၏ auoc သည်လည်း 0.925 ထက်ကျော်လွန်သည်။ အကောင်းဆုံးသောဗဟုသုတတွင်အဘယ်သူမျှမလေ့လာမှုသည်သွားဘက်ဆိုင်ရာရင့်ကျက်မှုအပေါ် အခြေခံ. 18 နှစ်အရွယ်သတ်မှတ်ချက်အတွက် DM မော်ဒယ်၏စွမ်းဆောင်ရည်ကိုစမ်းသပ်ခြင်းသည် 18 နှစ်အရွယ်သတ်မှတ်ချက်အတွက်စမ်းသပ်မှုကိုစမ်းသပ်ခဲ့သည်။ ဤလေ့လာမှု၏ရလဒ်များကိုမြင်ကွင်းကျယ် radiographs တွင်နက်ရှိုင်းသောသင်ယူမှုပုံစံများကိုခွဲခြားသတ်မှတ်ခြင်းဖြင့်နှိုင်းယှဉ်နိုင်သည်။ Guo et al.15 သည် CNN အခြေပြုနက်ရှိုင်းသောလေ့လာမှုပုံစံ၏အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်နှင့်အချို့သောအသက်အရွယ်တံခါးခုံအတွက် Demirjian ၏နည်းလမ်းအပေါ် အခြေခံ. လက်စွဲနည်းလမ်းကိုတွက်ချက်သည်။ လက်စွဲနည်းလမ်း၏ sensitivity နှင့်အသေးစိတ်အချက်အလက်များမှာ 87.7% နှင့် 95.5% အသီးသီးရှိပြီး CNN Model ၏ sencivity နှင့်တိကျသောသည် 89.2% နှင့် 86.6% အသီးသီးရှိသည်။ နက်ရှိုင်းသောသင်ယူမှုမော်ဒယ်များသည်အသက်တန်းသတ်မှတ်ချက်များကိုခွဲခြားရန်လက်စွဲအကဲဖြတ်မှုကိုအစားထိုးနိုင်သည်။ ဤလေ့လာမှု၏ရလဒ်များသည်အလားတူခွဲခြားမှုစွမ်းဆောင်ရည်ကိုပြသခဲ့သည်။ DM မော်ဒယ်များကိုအသုံးပြုသောအမျိုးအစားခွဲခြားမှုသည်အသက်အရွယ်ခန့်မှန်းချက်များအတွက်ရိုးရာစာရင်းအင်းနည်းလမ်းများကိုအစားထိုးနိုင်သည်ဟုယုံကြည်ရသည်။ မော်ဒလ်မော်ဒယ်များတွင် DM LR သည်အမျိုးသမီးနမူနာအတွက်အထီးနမူနာနှင့် senkitivity နှင့်တိကျသောခံစားချက်များအတွက်အကောင်းဆုံးပုံစံဖြစ်သည်။ LR သည်အမျိုးသားများအတွက်တိကျစွာဒုတိယနေရာတွင်ရှိသည်။ ထို့အပြင် LR သည် DM35 Models များထက်ပိုမိုများပြားသော DM35 Models များထဲမှတစ်ခုဖြစ်ပြီးရှုပ်ထွေးပြီးလုပ်ဆောင်ရန်ခက်ခဲသည်။ ဤရလဒ်များကိုအပေါ် အခြေခံ. LR ကိုကိုရီးယားလူ ဦး ရေတွင်အသက် 18 နှစ်အရွယ်ရှိအကောင်းဆုံး cutoff အမျိုးအစားခွဲခြားမှုပုံစံကိုစဉ်းစားခဲ့သည်။
ယေဘုယျအားဖြင့်အသက်အရွယ်ခန့်မှန်းချက်၏တိကျမှုသည်ပြင်ပစမ်းသပ်မှုအစုတွင်အမျိုးအစားခွဲခြားခြင်းသို့မဟုတ်ခွဲခြားခြင်း၏တိကျမှုစွမ်းရည်သည်အတွင်းပိုင်းစမ်းသပ်မှုဆိုင်ရာရလဒ်များနှင့်နှိုင်းယှဉ်လျှင်ညံ့ဖျင်းသောသို့မဟုတ်နိမ့်ကျသည်။ အချို့အစီရင်ခံစာများအရကိုရီးယားလူ ဦး ရေအပေါ် အခြေခံ. အသက်အရွယ်ခန့်မှန်းချက်များအပေါ်အသက်အရွယ်ခန့်မှန်းချက်များကိုဂျပန်လူ ဦး ရေအပေါ် အခြေခံ. 0 င်ရောက်မှုကိုပြုလုပ်သောအခါနှင့်လက်ရှိလေ့လာမှုတွင်အလားတူပုံစံကိုတွေ့ရှိရသည်။ ဤယိုယွင်းပျက်စီးခြင်းလမ်းကြောင်းကိုလည်း DM မော်ဒယ်တွင်လည်းလေ့လာခဲ့သည်။ ထို့ကြောင့်, ပုံမှန်အားဖြင့်ရိုးရာနည်းလမ်းများကဲ့သို့သောဇာတိလူ ဦး ရေအချက်အလက်များမှဆင်းသက်လာသော methods ကိုအသုံးပြုသောနည်းစနစ်များဖြစ်သော DM ကိုအသုံးပြုသောနည်းစနစ်များကိုအသုံးပြုခြင်း, နက်ရှိုင်းသောသင်ယူမှုမော်ဒယ်များသည်အလားတူခေတ်ရေစီးကြောင်းကိုပြသနိုင်ခြင်းရှိ, အကဲဖြတ်။
ကျွန်ုပ်တို့သည်အစဉ်အလာကို ပိုမို. ကိုးရီးယားတွင် DM Model ၏ DM မော်ဒယ်အပေါ် အခြေခံ. ရိုးရာနည်းလမ်းများကိုအသက်အေငယ်မှခန့်မှန်းခြင်းဖြင့်အစားထိုးနိုင်သည်ကိုပြသသည်။ ခနှင့်အမျှခေတ်မီအသက်အရွယ်အကဲဖြတ်မှုအတွက်စက်သင်ယူမှုကိုအကောင်အထည်ဖော်ရန်ဖြစ်နိုင်ခြေကိုလည်းကျွန်ုပ်တို့ရှာဖွေတွေ့ရှိခဲ့သည်။ သို့သော်ဤလေ့လာမှုတွင်ပါ 0 င်သူအရေအတွက်နှင့်ဤလေ့လာမှု၏ရလဒ်များကိုနှိုင်းယှဉ်ရန်နှင့်အတည်ပြုရန်ယခင်လေ့လာမှုများမရှိခြင်းကဲ့သို့သောရှင်းလင်းသောကန့်သတ်ချက်များရှိသည်။ အနာဂတ်တွင် DM လေ့လာမှုများကိုရိုးရာနည်းလမ်းများနှင့်နှိုင်းယှဉ်လျှင်လက်တွေ့ကျသောအသုံးချမှုကိုပိုမိုကောင်းမွန်စေရန်နမူနာများနှင့်ကွဲပြားခြားနားသောလူ ဦး ရေတိုးပွားလာခြင်းဖြင့်ပြုလုပ်သင့်သည်။ လူ ဦး ရေအမြောက်အများကိုခန့်မှန်းရန်အတုထောက်လှမ်းရေးကိုအသုံးပြုခြင်း၏ဖြစ်နိုင်ချေကိုအတည်ပြုရန်အနာဂတ်လေ့လာမှုများတိကျမှုတိကျမှုနှင့်ထိရောက်မှုကိုနှိုင်းယှဉ်ရန်နှင့်နက်ရှိုင်းသောသင်ယူမှုပုံစံများကိုတူညီသောနမူနာများနှင့်နှိုင်းယှဉ်ရန်အနာဂတ်လေ့လာမှုများပြုလုပ်ရန်လိုအပ်သည်။
လေ့လာမှုတွင် 15 နှစ်မှ 23 နှစ်မှ 23 နှစ်မှ 23 နှစ်အထိကိုရီးယားနှင့်ဂျပန်လူကြီးများမှကောက်ယူခဲ့သောဓာတ်ပုံ 2,657 ခုကိုအသုံးပြုခဲ့သည်။ ကိုရီးယား radiographs များကိုလေ့ကျင့်ရေးအစုံ (19.42 ± 2.65 နှစ်) နှင့်အတွင်းပိုင်းစမ်းသပ်မှုအစု 900 (19.52 ± 2.59 နှစ်) သို့ခွဲခြားခဲ့သည်။ သင်တန်းကိုတစ် ဦး account တစ်ခု (ဆိုးလ်စိန့်မာရိဆေးရုံ) တွင်စုဆောင်းထားပြီးကိုယ်ပိုင်စမ်းသပ်မှုအစုသည် (ဆိုးလ်အမျိုးသားတက္ကသိုလ်သွားဘက်ဆိုင်ရာဆေးရုံနှင့် Yonsi တက္ကသိုလ်ဆေးရုံ) တွင်စုဆောင်းခဲ့သည်။ ပြင်ပစမ်းသပ်ခြင်းအတွက်အခြားလူ ဦး ရေအခြေခံဒေတာ (Iwate ဆေးဘက်ဆိုင်ရာတက္ကသိုလ်, ဂျပန်) မှရေဒီယို 857 ခုကိုလည်းကောက်ယူခဲ့သည်။ ဂျပန်ဘာသာရပ်များ၏ရေဒီယို (19.31 နှစ် 2.60 အနှစ် 260) ကိုပြင်ပစမ်းသပ်မှုအစုအဖြစ်ရွေးချယ်ခဲ့သည်။ သွားဘက်ဆိုင်ရာကုသမှုစဉ်အတွင်းကူးစက်ရောဂါဆိုင်ရာရေဒီယိုများနှင့် ပတ်သက်. သွားဘက်ဆိုင်ရာရေဒီယိုဆိုင်ရာအဆင့်များကိုခွဲခြမ်းစိတ်ဖြာရန်အချက်အလက်များကိုပြန်လည်ရှုကျက်သောအချက်အလက်များကိုစုဆောင်းခဲ့သည်။ စုဆောင်းထားသည့်အချက်အလက်အားလုံးသည်ကျား, မရေးရာ, ပါ 0 င်ခြင်းနှင့်ဖယ်ထုတ်ခြင်းစံနှုန်းများသည်ယခင်ကထုတ်ဝေခဲ့သောလေ့လာမှုများ 4, 5 နှင့်အတူတူဖြစ်သည်။ နမူနာ၏အသက်အရွယ်အသက်အရွယ်ကို radiograph လုပ်သည့် နေ့မှစ. မွေးသက္ကရာဇ်ရက်နုတ်ခြင်းဖြင့်တွက်ချက်သည်။ နမူနာအုပ်စုကိုကိုးအရွယ်အုပ်စုများခွဲဝေခဲ့သည်။ ဇယားတွင်အသက်နှင့်လိင်ဖြန့်ဖြူးမှုကိုဇယားကွက်တွင်ပြထားသည်။ ဤလေ့လာမှုကို Helsinki ၏ကြေငြာချက်နှင့်အညီပြုလုပ်ခဲ့ပြီးဆိုးလ်တက္ကသိုလ် (KC2WISI0328) ၏ဆေးဘက်ဆိုင်ရာပြန်လည်သုံးသပ်သည့်ဘုတ်အဖွဲ့ (IRB) မှအတည်ပြုခဲ့သည်။ ဤလေ့လာမှု၏နောက်ကြောင်းပြန်ဒီဇိုင်းကြောင့်အကြောင်းကြားစာကိုကုထုံးဆိုင်ရာရည်ရွယ်ချက်များအတွက်ရေဒီယိုစာမေးပွဲများကိုစစ်ဆေးနေသည့်လူနာအားလုံးထံမှမရရှိနိုင်ပါ။ Seoul Korea တက္ကသိုလ်စိန့်မာရိဆေးရုံ (IRB) သည်အသိပေးသဘောတူညီချက်အတွက်လိုအပ်ချက်ကိုလျှော့ချခဲ့သည်။
Bimaxary ဒုတိယနှင့်တတိယအံသွားတို့၏ဖွံ့ဖြိုးမှုအဆင့်များကို Demirtans Criteria25 အရအကဲဖြတ်ခဲ့သည်။ မေးရိုးတစ် ဦး ချင်းစီ၏ဘယ်ဘက်နှင့်ညာဘက်ခြမ်းတွင်သွားတစ်ချောင်းကိုတွေ့လျှင်သွားတစ်ချောင်းကိုသာရွေးချယ်ခဲ့သည်။ နှစ်ဖက်စလုံးတွင် homologuous teets သည်ကွဲပြားခြားနားသောဖွံ့ဖြိုးမှုအဆင့်များ၌ရှိခဲ့လျှင်, အဆင့်နိမ့်ဖွံ့ဖြိုးမှုအဆင့်နှင့်အတူသွားကိုခန့်မှန်းခြေအသက်အရွယ်မသေချာမရေရာမှုအတွက်အကောင့်ရန်ရွေးချယ်ခဲ့သည်။ ကျပန်းရွေးချယ်ထားသောရေဒီယိုတရာစုသည်လေ့ကျင့်ထားသောအစီအစဉ်မှရွေးချယ်ထားသော radiographs အားဖြင့်အတွေ့အကြုံရှိလေ့လာသူများကသွားဘက်ဆိုင်ရာရင့်ကျက်မှုအဆင့်ကိုမှန်ကန်စွာဆုံးဖြတ်ရန်လက်တွေ့ကျပြီးနောက် Interobserver Reability ကိုစမ်းသပ်ရန်အတွေ့အကြုံရှိလေ့လာသူများကဂိုးသွင်းယူခဲ့သည်။ Intraobserver Refinitity ကိုမူလတန်းလေ့လာသူမှသုံးလအကြာတွင်နှစ်ကြိမ်အကဲဖြတ်ခဲ့သည်။
လေ့ကျင့်ရေးအစီအစဉ်၏ဒုတိယနှင့်တတိယအံသွားများ၏ဒုတိယနှင့်တတိယအံသွားများ၏ဒုတိယနှင့်တတိယအံသွားများ၏လိင်နှင့်ဖွံ့ဖြိုးမှုဆိုင်ရာအဆင့်သတ်မှတ်ချက်သည်မတူညီသော DM မော်ဒယ်များနှင့်လေ့ကျင့်ထားသောမူလတန်းလေ့လာသူတစ် ဦး ကခန့်မှန်းထားသည်။ SLP နှင့် MLP မော်ဒယ်များကိုစက်သင်ကြားခြင်းတွင်ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသော algorithms များကိုစမ်းသပ်ခြင်းကိုစမ်းသပ်ခဲ့သည်။ DM Model သည် The Teeth 4 ခု၏ဖွံ့ဖြိုးမှုအဆင့်များကို အသုံးပြု. linear လုပ်ဆောင်ချက်များကိုပေါင်းစပ်ပြီးအသက်အရွယ်ခန့်မှန်းရန်ဤအချက်အလက်များကိုပေါင်းစပ်ထားသည်။ SLP သည်အရိုးရှင်းဆုံးအာရုံကြောကွန်ယက်ဖြစ်ပြီးလျှို့ဝှက်အလွှာများမပါ 0 င်ပါ။ SLP သည် node များအကြားတံခါးခုံကို အခြေခံ. လုပ်ဆောင်သည်။ ဆုတ်ယုတ်မှုအတွက် SLP မော်ဒယ်သည်သင်္ချာနည်းပါးသော linear ဆုတ်ယုတ်မှုနှင့်သင်္ချာနည်းတူဆင်တူသည်။ SLP Model နှင့်မတူသည်မှာ MLP ပုံစံသည် activate activation လုပ်ဆောင်ချက်များနှင့်အတူလျှို့ဝှက်အလွှာမျိုးစုံရှိသည်။ ကျွန်ုပ်တို့၏စမ်းသပ်ချက်များသည်လျှို့ဝှက်နံပါတ် (20) ဖြင့်လျှို့ဝှက်နံပါတ်ပေါင်း 20 ဖြင့်သာအသုံးပြုသောအလွှာကို အသုံးပြု. nonlinear activation functions များဖြင့်အသုံးပြုခဲ့သည်။ ကျွန်ုပ်တို့၏စက်သင်ယူမှုပုံစံကိုလေ့ကျင့်ရန်ဆုံးရှုံးမှုလုပ်ဆောင်ချက်အဖြစ် gradientized mae နှင့် mae နှင့် rmse အဖြစ် gradient ကို tae နှင့် rmse အဖြစ်အသုံးပြုပါ။ အကောင်းဆုံးရရှိသောဆုတ်ယုတ်မှုပုံစံကိုပြည်တွင်းရေးနှင့်ပြင်ပစမ်းသပ်အစုံများနှင့်အတူလျှောက်ထားခဲ့ပြီးသွားများ၏ခေတ်ခန့်မှန်းခြေအားဖြင့်ဖြစ်သည်။
နမူနာအသက် 18 နှစ်ရှိပြီဖြစ်သောနမူနာရှိမရှိကြိုတင်ခန့်မှန်းရန်လေ့ကျင့်ရေးအံလေး၏ရင့်ကျက်မှုကိုအသုံးပြုသော clagorithm ကိုတီထွင်ခဲ့သည်။ မော်ဒယ်ကိုတည်ဆောက်ရန် (1) LR, (2) SVM, (3) SVM, (5) SVM, (5) SVM, (5) MLP, ။ LR သည်အသုံးအများဆုံးအမျိုးအစားခွဲခြားမှု algorithms44 တစ်ခုဖြစ်သည်။ 0 က်သို့ 0 မှ 1 အထိ 0 င်ရောက်သောအချက်အလက်များဖြစ်နိုင်ခြေကိုခန့်မှန်းရန်နှင့်ဤဖြစ်နိုင်ခြေကို အခြေခံ. အချက်အလက်များကိုပိုမိုဖြစ်နိုင်ခြေရှိသောအချက်အလက်များကိုခန့်မှန်းရန် Regression ကိုအသုံးပြုသောကြီးကြပ်သောလေ့လာမှု algorithm ဖြစ်သည်။ အဓိကအားဖြင့် binary classification အတွက်အသုံးပြုခဲ့သည်။ Knn သည် algorithms45 သင်ယူမှုအလွယ်ဆုံးစက်တစ်ခုဖြစ်သည်။ input data အသစ်များပေးသည့်အခါ၎င်းသည် K အချက်အလက်များကိုရှိပြီးသားသတ်မှတ်ချက်များနှင့်နီးသည်။ ထို့နောက်သူတို့ကိုအမြင့်ဆုံးကြိမ်နှုန်းဖြင့်အတန်းထဲသို့ခွဲခြားသည်။ (K) ကိုထည့်သွင်းစဉ်းစားအိမ်နီးချင်းအရေအတွက်အတွက် 3 ခုသတ်မှတ်ထားသည်။ SVM သည် linear နေရာကိုကွင်းဆင်းလေ့တင်ရန်မရှိသောနေရာကိုချဲ့ထွင်ရန် kernel function ကိုအသုံးပြုခြင်းအားဖြင့် cernel function ကို အသုံးပြု. အတန်းနှစ်ခုအကြားအကွာအဝေးကိုအမြင့်ဆုံးအမြင့်ဆုံးအမြင့်ဆုံးအမြင့်ဆုံးဖြစ်သည်။ ဒီမော်ဒယ်အတွက်တော့ bas = 1, power = 1 နဲ့ gamma = 1 ကို polynomial kernel အတွက် hyperpareters အဖြစ်အသုံးပြုသည်။ DT ကိုနယ်ပယ်အမျိုးမျိုးတွင်အပင်တစ်မျိုးစီတွင်ဆုံးဖြတ်ချက်စည်းမျဉ်းများကိုကိုယ်စားပြုခြင်းဖြင့်ခွဲစိတ်ကုသမှုတစ်ခုလုံးကိုခွဲဝေသတ်မှတ်ထားသည့်ဒေတာတစ်ခုလုံးကိုခွဲဝေရန်အတွက် Algorithm တစ်ခုအနေဖြင့်အသုံးချထားသည်။ မော်ဒယ်ကို 2 ခုအတွက်အနည်းဆုံးမှတ်တမ်းများနှင့် configure လုပ်ထားပြီး Gini Index ကိုအရည်အသွေးအတိုင်းအတာတစ်ခုအထိအသုံးပြုသည်။ RF သည် bootstrap စုစည်းမှုနည်းလမ်းကို အသုံးပြု. စွမ်းဆောင်ရည်ကိုတိုးတက်စေရန်အတွက် DTS ကိုပေါင်းစပ်ရန် DTS မျိုးစုံကိုပေါင်းစပ်ရန် dts ပေါင်းစည်းခြင်းနည်းလမ်းတစ်ခုကိုပေါင်းစပ်ထားပြီးနမူနာတစ်ခုစီအတွက်တူညီသောပမာဏကိုယူဆောင်လာသည်။ ကျနော်တို့သစ်ပင် 100, 10 သစ်ပင်နက်နဲသောအရာ, အနည်းဆုံး node size 1 နှင့် Gini attrivure index ကိုကျွန်တော်တို့သုံးတယ်။ အချက်အလက်အသစ်များကိုလူအများစုခွဲခြားသတ်မှတ်ခြင်းကိုအများစုမဲဖြင့်ဆုံးဖြတ်သည်။ XGBOOST ဆိုသည်မှာ algorithm တစ်ခုဖြစ်သည်။ ၎င်းသည်ကောင်းမွန်သောစွမ်းဆောင်ရည်နှင့်အရင်းအမြစ်စွမ်းဆောင်ရည်မြင့်မားမှုကြောင့်ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသော algorithm တစ်ခုဖြစ်ပြီးအလွန်အမင်းဆုံးမပဲ့ပြင်မှုသည်အလွန်အမင်းပြင်ဆင်ခြင်း function ကိုပြုလုပ်သည်။ အဆိုပါမော်ဒယ်ကို 400 ပံ့ပိုးမှုဘီးတပ်ဆင်ထားသည်။ MLP သည် input lets ledram နှင့် output layers38 အကြား hidden အလွှာတစ်ခုသို့မဟုတ်တစ်ခုထက်ပိုသောအလွှာများနှင့်တစ်ခုထက်ပိုသောအလွှာမျိုးစုံဖြင့်အလွှာမျိုးစုံပါသောအာရုံကြောကွန်ယက်တစ်ခုဖြစ်သည်။ ဤအရာကိုအသုံးပြုခြင်းအားဖြင့်သင် input layer ကိုထည့်ပြီးရလဒ်တန်ဖိုးရသောအခါကြိုတင်ခန့်မှန်းထားသည့်ရလဒ်တန်ဖိုးကိုအမှန်တကယ်ရရှိသောရလဒ်တန်ဖိုးနှင့်နှိုင်းယှဉ်လျှင်ခန့်မှန်းထားသည့်ရလဒ်တန်ဖိုးကိုပြန်လည်ဖော်ပြပါ။ အလွှာတစ်ခုစီတွင်လျှို့ဝှက်အာရုံခံကိရိယာ 20 ရှိသောလျှို့ဝှက်နံပါတ်ကိုကျွန်ုပ်တို့ဖန်တီးခဲ့သည်။ ကျွန်ုပ်တို့တီထွင်ခဲ့သောမော်ဒယ်တစ်ခုစီသည်အတွင်းပိုင်းနှင့်ပြင်ပအစုံများနှင့်သက်ဆိုင်သည်။ အသက် 18 နှစ်နှင့်အထက်ခန့်မှန်းဆသည့်နမူနာတစ်ခုအတွက်အသက် 18 နှစ်နှင့်အထက်ဖြစ်ရန်ခန့်မှန်းထားသည့်နမူနာတစ်ခု၏နမူနာအချိုးအစားနှင့် ပတ်သက်. sensitivity ကိုသတ်မှတ်သည်။ တိကျသောအသက် 18 နှစ်အောက်နမူနာများ၏အချိုးအစားနှင့်အသက် 18 နှစ်အောက်ခန့်မှန်းထားသည့်အနေဖြင့်ဖြစ်သည်။
လေ့ကျင့်ရေးအစီအစဉ်တွင်အကဲဖြတ်သည့်သွားဓာတ်လိုက်ရာများကိုစာရင်းအင်းခွဲခြမ်းစိတ်ဖြာခြင်းအတွက်ကိန်းဂဏန်းအဆင့်ဆင့်သို့ပြောင်းလဲခဲ့သည်။ Multivariate linear နှင့်ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှုသည်လိင်ဆက်ဆံခြင်းကိုကြိုတင်ခန့်မှန်းနိုင်သည့်စံနမူနာရှင်များဖွံ့ဖြိုးတိုးတက်စေရန်နှင့်အသက်အရွယ်ခန့်မှန်းရန်အသုံးပြုနိုင်သည့်ဆုတ်ယုတ်မှုဖော်မြူလာများကိုတီထွင်ရန်ဖျော်ဖြေခဲ့သည်။ ကျွန်ုပ်တို့သည်ဤဖော်မြူလာကို သုံး. အတွင်းပိုင်းနှင့်ပြင်ပစမ်းသပ်မှုအစုံနှစ်ခုလုံးအတွက်သွားအသက်အရွယ်ခန့်မှန်းရန်ဖြစ်သည်။ ဇယား 4 တွင်ဤလေ့လာမှုတွင်အသုံးပြုသောဆုတ်ယုတ်မှုနှင့်ခွဲခြားမှုပုံစံများကိုပြသည်။
Intra နှင့် interobserver ယုံကြည်စိတ်ချရမှုကို Cohen's Kappa စာရင်းဇယားကို အသုံးပြု. တွက်ချက်သည်။ DM နှင့်ရိုးရာဆုတ်ယုတ်မှုဆိုင်ရာစံနမူနာများကိုစစ်ဆေးရန်ကျွန်ုပ်တို့သည်ခန့်မှန်းတွက်ချက်မှုနှင့်ပြင်ပစမ်းသပ်မှုအစုံများ၏အသက်အရွယ်မရွေးများကို အသုံးပြု. မဲနှင့် rmse ကိုတွက်ချက်သည်။ ဤအမှားများကိုစံပြဟောကိန်းများ၏တိကျမှန်ကန်မှုကိုအကဲဖြတ်ရန်အသုံးပြုလေ့ရှိသည်။ သေးငယ်တဲ့အမှား, ခန့်မှန်းချက်၏တိကျမှန်ကန်မှုပိုမိုမြင့်မားလေ။ DM နှင့်ရိုးရာဆုတ်ယုတ်ကို အသုံးပြု. အတွင်းပိုင်းနှင့်ပြင်ပစမ်းသပ်မှုအစုံများ၏ Mae နှင့်ပြင်ပနှင့်ပြင်ပစမ်းသပ်မှုအစုံများ၏ rmse နှိုင်းယှဉ်ပါ။ ရိုးရာကိန်းဂဏန်းများအရ 18 နှစ်ဖြတ်ရယ်၏ခွဲခြားမှုစွမ်းဆောင်ရည်ကို 2 × 2 အရေးပေါ်စားပွဲကို အသုံးပြု. အကဲဖြတ်ခဲ့သည်။ စစ်ဆေးမှုများ, တိကျစွာ, PPV, NPV နှင့် Test Set ၏ Auroc နှင့် Auroc နှင့် Auroc နှင့် Auroc တို့သည် DM အမျိုးအစားခွဲခြားမှုပုံစံနှင့်နှိုင်းယှဉ်ထားသည်။ ဒေတာဝိသေသလက္ခဏာများပေါ် မူတည်. အချက်အလက်များကို±စံသွေဖည်ခြင်းသို့မဟုတ်နံပါတ် (%) ကိုဆိုလိုသည်။ နှစ်ဖက်စလုံးကိုစာရင်းပြုစုထားသည့်စာရင်းကိုအရေးအကြီးဆုံးဟုသတ်မှတ်သည်။ လုပ်ရိုးလုပ်စဉ်စာရင်းအင်းဆန်းစစ်ခြင်းများကို SAS ဗားရှင်း 9.4 (SAS Institute, Cary, NC) ဖြင့်ပြုလုပ်ခဲ့သည်။ DM Regression မော်ဒယ်ကို Python တွင် Keras50 2.2.4 Backend နှင့် Tensorflow5 1.8.0 ကို အသုံးပြု. သင်္ချာဆိုင်ရာစစ်ဆင်ရေးအတွက်အထူးသဖြင့် tensorflow51 1.8.0 ကိုအသုံးပြုသည်။ DM အမျိုးအစားခွဲခြားမှုပုံစံကို Waiikato ဗဟုသုတခွဲခြမ်းစိတ်ဖြာခြင်းပတ် 0 န်းကျင်နှင့် Konstanz Information Miner (Knem Knime) 4.6.152 ခွဲခြမ်းစိတ်ဖြာခြင်းပလက်ဖောင်းတွင်ဖြစ်သည်။
လေ့လာမှု၏နိဂုံးများကိုထောက်ခံသည့်အချက်အလက်များကိုဆောင်းပါးနှင့်ဖြည့်စွက်ပစ္စည်းများတွင်ဖော်ပြထားသောအချက်အလက်များကိုစာရေးသူကအသိအမှတ်ပြုသည်။ လေ့လာနေစဉ်အတွင်းထုတ်လုပ်သောနှင့် / သို့မဟုတ်လေ့လာခြင်း / သို့မဟုတ်လေ့လာခြင်း / သို့မဟုတ်လေ့လာခြင်း / သို့မဟုတ်လေ့လာခြင်း / သို့မဟုတ်လေ့လာခြင်း /
Ritz-Timme, အက်စ်အက်စ်အယ်လ်။ အသက်အရွယ်အကဲဖြတ်ခြင်း - ဓမ္မအမှု၏တိကျသောလိုအပ်ချက်များနှင့်ကိုက်ညီရန်အနုပညာအခြေအနေ။ အပြည်ပြည်ဆိုင်ရာ။ J. ဥပဒေရေးရာဆေးပညာ။ 113, 129-136 (2000) ။
Schmeling, A. , reisinger, W. , Geserik, Geserik, Gate, G. နှင့် Olze, A. ရာဇ 0 တ်မှုဆိုင်ရာတရားစွဲဆိုမှုများအတွက်လက်ရှိအချိန်တွင်သက်ဆိုင်ရာအသက်အရွယ်အကဲဖြတ်ခြင်းများအတွက်လက်ရှိအခြေအနေကိုအကဲဖြတ်ခြင်းဆိုင်ရာအကဲဖြတ်ခြင်းဆိုင်ရာအကဲဖြတ်ခြင်းဆိုင်ရာအကဲဖြတ်မှုဆိုင်ရာအကဲဖြတ်ခြင်း မှုခင်း။ ဆေးဝါး။ ရောဂါဗေဒ။ 1, 239-246 (2005) ။
Pan, J. အက်စ် al ။ တရုတ်အရှေ့ပိုင်းတွင် 5 နှစ်မှ 16 နှစ်ကြားကလေးငယ်များ၏သွားအသက်အရွယ်ကိုအကဲဖြတ်ရန်ပြင်ဆင်ထားသောနည်းလမ်း။ လက်တွေ့။ နှုတ်ဖြင့်စစ်တမ်း။ 25, 3463-3474 (2021) ။
လီ, အက်စ်စသည်တို့ကိုသည်ကိုရီးယားများနှင့်တတိယအကြိမ်အကဲဖြတ်ခြင်းအတွက်လျှောက်လွှာတင်ခြင်းအတွက်ဒုတိယနှင့်တတိယအံသွားများဖွံ့ဖြိုးတိုးတက်ရေးအတွက်သက္ကရာဇ်။ အပြည်ပြည်ဆိုင်ရာ။ J. ဥပဒေရေးရာဆေးပညာ။ 124, 659-665 (2010) ။
အိုး, အက်စ်, Kumagai, Kumagai, A. , ကင်, Sy နှင့် Lee တို့သည်အသက်အာမခံ၏တိ, Sy နှင့် Lee SS အသက်အေငယ်မှရင့်ကျက်ခြင်းအပေါ် အခြေခံ. 18 နှစ်သက်တမ်းသတ်မှတ်ချက်အပေါ်ခန့်မှန်းခြင်းနှင့်ခန့်မှန်းခြင်းအပေါ် အခြေခံ. ရင့်ကျက်မှုအပေါ် အခြေခံ. ။ Plos One 17, E0271247 (2022) ။
ကင်, Jy, et al ။ Preoperative Machine သင်ယူခြင်းအခြေပြုဒေတာကိုခွဲခြမ်းစိတ်ဖြာခြင်းသည် OSA ရှိလူနာများအတွက်အိပ်စက်ခြင်းခွဲစိတ်ကုသမှုရလဒ်ကိုကြိုတင်ခန့်မှန်းနိုင်သည်။ အဆိုပါသိပ္ပံ။ 14911 (2021) ကိုအစီရင်ခံစာ 11, 1421 ။
Han, အမ် et al ။ လူ့ဝင်ရောက်စွက်ဖက်မှုနှင့်အတူသို့မဟုတ်မပါဘဲစက်သင်ယူမှုမှအသက်အာမခံကိုခန့်မှန်း? အပြည်ပြည်ဆိုင်ရာ။ J. ဥပဒေရေးရာဆေးပညာ။ 136, 821-831 (2022) ။
KHAN, S. နှင့် Sh'EEN, M. မှဒေတာတူးဖော်ခြင်းမှဒေတာတူးဖော်ခြင်းမှ M. j.information ။ အဆိုပါသိပ္ပံ။ https://doi.org/10.11777/0165555555555152111030872 (2021) ။
Khan, S. နှင့် Sh'een, M. Wrayrule: အသင်းအဖွဲ့စည်းမျဉ်းစည်းကမ်းများအတွက်ပထမဆုံးသိမြင်မှု algorithm ။ j.information ။ အဆိုပါသိပ္ပံ။ https://doi.org/10.11777/01655555152222089695 (2022) ။
Shineeen M. နှင့် Abdullah U. Karm - အခြေအနေအခြေပြုအဖွဲ့အစည်းစည်းမျဉ်းများအပေါ် အခြေခံ. ရိုးရာဒေတာတူးဖော်ခြင်း။ တွက်ချက်ပါ။ မ။ ဆက်လုပ်ပါ 68, 3305-3322 (2021) ။
Muhammad M. , Rehman Z. , Sh'een M. , Khan M. , Khan M. နှင့် Habib M. Dative Dataများကိုစာသားအချက်အလက်များ အသုံးပြု. နက်ရှိုင်းစွာလေ့လာခြင်း။ အသိပေး။ နည်းပညာ။ ထိန်းချုပ်မှု။ https://doi.org/10.57555/j01.itc.49.4.2718 (2020) (2020) ။
M. , Tanoli, Z. နှင့် Shahin, M. အားကစားဗီဒီယိုများတွင်လှုပ်ရှားမှုများကိုအသိအမှတ်ပြုရန်အတွက် Tabish, M. , Z. နှင့် Shahin, M. မာလ်တီမီဒီယာ။ Tools Applications applications များ https://doi.org/10.107/s11042-021-10519-6 (2021) ။
Halabi, အက်စ် et al ။ PEATRICSE အရိုးအသက်အရွယ်အတွက် RSNA စက်သင်ယူမှုစိန်ခေါ်မှု။ Radiology 290, 498-503 (2019) ။
Li, y. et al ။ နက်ရှိုင်းသောသင်ယူမှုကိုအသုံးပြုပြီးတင်ပါးဆုံတွင်းဓာတ်မှန်များကနေ Portensic အသက်အာမခံ။ ယူရို။ ဓါတ်ရောင်ခြည်။ 29, 2322-2329 (2019) ။
Guo, yc, et al ။ လက်စွဲစာအုပ်နည်းများနှင့်နက်ရှိုင်းသော convolunional nernure nernure nernure neurnal neurns ကွန်ယက်များကိုလက်စွဲစာအုပ်နည်းလမ်းများနှင့်နက်ရှိုင်းသော convololutional neural neurnings neural neurnings neurure neural neurning neurn neurning neural neural neurnings ။ အပြည်ပြည်ဆိုင်ရာ။ J. ဥပဒေရေးရာဆေးပညာ။ 135, 1589-1597 (2021) ။
Alabama Dalora et al ။ အရိုးအသက်အရွယ်ခန့်မှန်းချက်သည်မတူညီသောစက်သင်ယူမှုနည်းလမ်းများအသုံးပြုခြင်း - စနစ်တကျစာပေပြန်လည်သုံးသပ်ခြင်းနှင့် Meta-analysis ။ Plos One 14, E0220242 (2019) ။
Du, H. , Li, G. , G. , Cheng, K. နှင့် Yang, Jues လူ ဦး ရေဂျုံလူမျိုးများနှင့်တရုတ်လူမျိုးများနှင့်တရုတ်လူမျိုးများနှင့်တရုတ်လူမျိုးများသည် Cone-Beam Computed Tomography ၏ပထမဆုံးအံရောင်ကိုအသုံးပြုသည်။ အပြည်ပြည်ဆိုင်ရာ။ J. ဥပဒေရေးရာဆေးပညာ။ 136, 811-819 (2022) ။
Kim S. , Lee Yh, Noh YK, Park FK နှင့် Oh Ks တို့သည်အသက်အရွယ်အုပ်စုများကိုအဆုံးအဖြတ်ပေးသည့်လူတန်းစားများ၏ရှေးခယျြသောထောက်လှမ်းရေးအခြေခံပုံရိပ်များကိုအသုံးပြုသည်။ အဆိုပါသိပ္ပံ။ အစီရင်ခံစာ 1173 (2021)
Stern, D. ပေးဆောင်သူ, C. , Giulianii, N. နှင့် Urschler, M. အလိုအလျောက်အသက်အာမခံခြင်းနှင့်လူအုပ်စု Multivariate MRI ဒေတာများမှအသက်ကြီးသောအသက်အရွယ်ခန့်မှန်းချက်။ IEEE ဂျစ်ဇီဝ။ ကျန်းမာရေးသတိပေးချက်များ။ 23, 1392-1403 (2019) ။
CHIN, Q. , GE, Z. , Z. , H. နှင့် Li, G. Julp CHAGBER SHARGER SEGBONE SEGMANDATION သည် 3D PULP CHAGBORE STARGER SENMMENTATES ကို အခြေခံ. နက်ရှိုင်းသောသင်ကြားမှုနှင့်အဆင့်အစုံပေါင်းစပ်ခြင်းတို့အပေါ်ပထမ ဦး ဆုံးအံရောင်ပါ 0 င်မှုအပေါ် အခြေခံ. ။ အပြည်ပြည်ဆိုင်ရာ။ J. ဥပဒေရေးရာဆေးပညာ။ 135, 365-373 (2021) ။
Wu, wt, et al ။ လက်တွေ့ကျသောအချက်အလက်များတွင်ဒေတာတူးဖော်ခြင်း - ဘုံဒေတာဘေ့စ်များ, အဆင့်များနှင့်နည်းလမ်းများနှင့်နည်းလမ်းပုံစံများ။ ကမ္ဘာ။ ဆေးဝါး။ အရင်းအမြစ်။ 8, 44 (2021) ။
ယန်, ဂျေ et al ။ Big Data Ora ရှိဆေးဘက်ဆိုင်ရာဒေတာဘေ့စ်များနှင့်ဒေတာတူးဖော်ခြင်းနည်းပညာများမိတ်ဆက်ခြင်း။ ဂျေ avid ။ အခြေခံဆေးပညာ။ 13, 57-69 (2020) ။
Shen, အက်စ်အက်စ်အယ်လ်။ စက်သင်ယူမှုကို အသုံးပြု. သွားအသက်အရွယ်ကိုခန့်မှန်းရန်သွားလေရာယာဉ်၏နည်းလမ်း။ BMC Expression 21, 641 (2021) ။
GalliBurg A. et al ။ Demirdjian staging method ကိုအသုံးပြုပြီးသွားဘက်ဆိုင်ရာအသက်အရွယ်ကိုကြိုတင်ခန့်မှန်းရန်အတွက်မတူညီသောစက်သင်ယူမှုနည်းလမ်းများနှိုင်းယှဉ်ခြင်း။ အပြည်ပြည်ဆိုင်ရာ။ J. ဥပဒေရေးရာဆေးပညာ။ 135, 665-675 (2021) ။
Demirdjian, A. , Goldstein, H. နှင့် Th. ANDER, JM, သွားအသက်အရွယ်ကိုအကဲဖြတ်ရန်စနစ်အသစ်။ snort ။ ဇီဝဗေဒ။ 45, 211-227 (1973) ။
Landis, Jr နှင့် Koch တို့သည် Catesical Data တွင်လေ့လာသူဆိုင်ရာသဘောတူညီချက်တိုင်းတာရေးအစီအမံများ။ ဇီဝဗေဒ 33, 159-174 (1977) ။
Bhattacharjee S, Prakash D, Kim C, ကင်ဟော်ဟော်ဟော်။ အဓိက ဦး နှောက်အကျိတ်များကွဲပြားခြားနားမှုအတွက်အတုဥာဏ်ရည်နည်းစနစ်များကို အသုံးပြု. နှစ်ဖက်သလန့်သံလိုက်ပဲ့တင်ရိုက်ခတ်မှုပုံရိပ်များကိုပုံတူနှစ်ကြိမ်သံလိုက်ပဲ့တင်ရိုက်ခတ်မှုပုံရိပ်များပုံဖော်ခြင်းပုံဖော်ခြင်းနှင့်စာရင်းအင်းဆိုင်ရာခွဲခြမ်းစိတ်ဖြာခြင်း။ ကျန်းမာရေးအချက်အလက်များ။ အရင်းအမြစ်။ https://doi.org/10.4258/hir.2022.28.1.46 (2022) ။