ကိုရီးယားဆယ်ကျော်သက်နှင့် လူငယ်များအကြား ရိုးရာသွားအသက်အရွယ်ခန့်မှန်းနည်းလမ်းများနှင့် နှိုင်းယှဉ်၍ အချက်အလက်တူးဖော်ခြင်းပုံစံကို အတည်ပြုခြင်း

Nature.com သို့ ဝင်ရောက်ကြည့်ရှုသည့်အတွက် ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသော browser ဗားရှင်းတွင် CSS ပံ့ပိုးမှု အကန့်အသတ်ရှိသည်။ အကောင်းဆုံးရလဒ်များအတွက် သင့် browser ၏ ဗားရှင်းအသစ်ကို အသုံးပြုရန် (သို့မဟုတ် Internet Explorer ရှိ compatibility mode ကို ပိတ်ရန်) အကြံပြုအပ်ပါသည်။ ထိုအတောအတွင်း၊ စဉ်ဆက်မပြတ် ပံ့ပိုးမှုရရှိစေရန်အတွက် ကျွန်ုပ်တို့သည် ဆိုက်ကို styling သို့မဟုတ် JavaScript မပါဘဲ ပြသနေပါသည်။
သွားများသည် လူ့ခန္ဓာကိုယ်၏ အသက်အရွယ်ကို အတိကျဆုံးညွှန်ပြချက်အဖြစ် သတ်မှတ်ကြပြီး ရာဇဝတ်မှုဆိုင်ရာ အသက်အရွယ် အကဲဖြတ်ရာတွင် မကြာခဏ အသုံးပြုကြသည်။ ကျွန်ုပ်တို့သည် ၁၈ နှစ် ကန့်သတ်ချက်၏ ခန့်မှန်းတိကျမှုနှင့် အမျိုးအစားခွဲခြားမှု စွမ်းဆောင်ရည်ကို ရိုးရာနည်းလမ်းများနှင့် ဒေတာတူးဖော်မှုအခြေခံ အသက်အရွယ် ခန့်မှန်းချက်များနှင့် နှိုင်းယှဉ်ခြင်းဖြင့် ဒေတာတူးဖော်မှုအခြေခံ သွားအသက်အရွယ် ခန့်မှန်းချက်များကို အတည်ပြုရန် ရည်ရွယ်ပါသည်။ အသက် ၁၅ နှစ်မှ ၂၃ နှစ်အတွင်းရှိ ကိုရီးယားနှင့် ဂျပန်နိုင်ငံသားများထံမှ ပန်နိုရာမာ ရေဒီယိုဂရပ် စုစုပေါင်း ၂၆၅၇ ခုကို စုဆောင်းခဲ့သည်။ ၎င်းတို့ကို ကိုရီးယား ရေဒီယိုဂရပ် ၉၀၀ ပါသော လေ့ကျင့်ရေးအစုံတစ်ခုနှင့် ဂျပန် ရေဒီယိုဂရပ် ၈၅၇ ပါသော အတွင်းပိုင်းစမ်းသပ်မှုအစုံတစ်ခုအဖြစ် ပိုင်းခြားထားသည်။ ရိုးရာနည်းလမ်းများ၏ အမျိုးအစားခွဲခြားမှု တိကျမှုနှင့် ထိရောက်မှုကို ဒေတာတူးဖော်မှု မော်ဒယ်များ၏ စမ်းသပ်အစုံများနှင့် ကျွန်ုပ်တို့ နှိုင်းယှဉ်ခဲ့သည်။ အတွင်းပိုင်းစမ်းသပ်မှုအစုံပေါ်ရှိ ရိုးရာနည်းလမ်း၏ တိကျမှုသည် ဒေတာတူးဖော်မှု မော်ဒယ်ထက် အနည်းငယ်ပိုမိုမြင့်မားပြီး ကွာခြားချက်မှာ နည်းပါးသည် (ပျမ်းမျှ ပကတိအမှား <၀.၂၁ နှစ်၊ အမြစ်ပျမ်းမျှစတုရန်းအမှား <၀.၂၄ နှစ်)။ ၁၈ နှစ် ဖြတ်တောက်မှုအတွက် အမျိုးအစားခွဲခြားမှု စွမ်းဆောင်ရည်သည် ရိုးရာနည်းလမ်းများနှင့် ဒေတာတူးဖော်မှု မော်ဒယ်များအကြားတွင်လည်း အလားတူပင်ဖြစ်သည်။ ထို့ကြောင့် ကိုရီးယားဆယ်ကျော်သက်နှင့် လူငယ်များတွင် ဒုတိယနှင့် တတိယအံသွားများ၏ ရင့်ကျက်မှုကို အသုံးပြု၍ ရာဇဝတ်မှုဆိုင်ရာအသက်အရွယ်အကဲဖြတ်မှုကို လုပ်ဆောင်သည့်အခါ ရိုးရာနည်းလမ်းများကို အချက်အလက်တူးဖော်ခြင်းပုံစံများဖြင့် အစားထိုးနိုင်ပါသည်။
သွားအသက်အရွယ်ခန့်မှန်းခြင်းကို ရာဇဝတ်မှုဆေးပညာနှင့် ကလေးသွားဘက်ဆိုင်ရာဆေးပညာတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသည်။ အထူးသဖြင့် ကာလအလိုက်အသက်အရွယ်နှင့် သွားဖွံ့ဖြိုးမှုကြား မြင့်မားသောဆက်စပ်မှုကြောင့် သွားဖွံ့ဖြိုးမှုအဆင့်များဖြင့် အသက်အရွယ်အကဲဖြတ်ခြင်းသည် ကလေးများနှင့် ဆယ်ကျော်သက်များ၏ အသက်ကို အကဲဖြတ်ရာတွင် အရေးကြီးသောစံနှုန်းတစ်ခုဖြစ်သည်၁၊၂၊၃။ သို့သော် လူငယ်များအတွက် သွားကြီးထွားမှုသည် တတိယအံသွားများမှလွဲ၍ နီးပါးပြီးပြည့်စုံသောကြောင့် သွားရင့်ကျက်မှုအပေါ်အခြေခံ၍ သွားအသက်အရွယ်ခန့်မှန်းခြင်းသည် ကန့်သတ်ချက်များရှိသည်။ လူငယ်များနှင့် ဆယ်ကျော်သက်များ၏ အသက်ကို ဆုံးဖြတ်ခြင်း၏ ဥပဒေရေးရာရည်ရွယ်ချက်မှာ ၎င်းတို့သည် အရွယ်ရောက်ပြီးသူဖြစ်မဖြစ် တိကျသောခန့်မှန်းချက်များနှင့် သိပ္ပံနည်းကျအထောက်အထားများ ပေးရန်ဖြစ်သည်။ ကိုရီးယားရှိ ဆယ်ကျော်သက်များနှင့် လူငယ်များ၏ ဆေးပညာဆိုင်ရာ-ဥပဒေရေးရာအလေ့အကျင့်တွင် အသက်ကို Lee ၏နည်းလမ်းကို အသုံးပြု၍ ခန့်မှန်းခဲ့ပြီး Oh et al 5 မှ အစီရင်ခံထားသော အချက်အလက်များအပေါ်အခြေခံ၍ ၁၈ နှစ်၏ တရားဝင်စံနှုန်းကို ခန့်မှန်းခဲ့သည်။
စက်သင်ယူမှုသည် ဒေတာအမြောက်အမြားကို အထပ်ထပ်အခါခါ သင်ယူပြီး အမျိုးအစားခွဲခြားခြင်း၊ ပြဿနာများကို ၎င်းကိုယ်တိုင်ဖြေရှင်းခြင်းနှင့် ဒေတာပရိုဂရမ်းမင်းကို မောင်းနှင်ခြင်းစသည့် အတုဉာဏ်ရည် (AI) အမျိုးအစားတစ်ခုဖြစ်သည်။ စက်သင်ယူမှုသည် ဒေတာအမြောက်အမြားတွင် အသုံးဝင်သော ဝှက်ထားသောပုံစံများကို ရှာဖွေတွေ့ရှိနိုင်သည်6။ ဆန့်ကျင်ဘက်အားဖြင့် လုပ်အားများစွာအသုံးပြုပြီး အချိန်ကုန်သော ဂန္ထဝင်နည်းလမ်းများသည် ကိုယ်တိုင်လုပ်ဆောင်ရန်ခက်ခဲသော ရှုပ်ထွေးသောဒေတာအမြောက်အမြားကို ကိုင်တွယ်ရာတွင် ကန့်သတ်ချက်များရှိနိုင်သည်7။ ထို့ကြောင့် လူ့အမှားများကို လျှော့ချရန်နှင့် ဘက်စုံဒေတာများကို ထိရောက်စွာလုပ်ဆောင်ရန် နောက်ဆုံးပေါ်ကွန်ပျူတာနည်းပညာများကို အသုံးပြု၍ မကြာသေးမီက လေ့လာမှုများစွာကို ပြုလုပ်ခဲ့သည်8,9,10,11,12။ အထူးသဖြင့် deep learning ကို ဆေးဘက်ဆိုင်ရာပုံရိပ်ခွဲခြမ်းစိတ်ဖြာမှုတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုခဲ့ကြပြီး ရေဒီယိုဂရပ်များကို အလိုအလျောက်ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အသက်ခန့်မှန်းခြင်းအတွက် နည်းလမ်းအမျိုးမျိုးသည် အသက်ခန့်မှန်းခြင်း၏ တိကျမှုနှင့် ထိရောက်မှုကို မြှင့်တင်ပေးသည်ဟု သတင်းပို့ထားသည်13,14,15,16,17,18,19,20။ ဥပမာအားဖြင့် Halabi နှင့်အဖွဲ့သည် ကလေးများ၏လက်ရေဒီယိုဂရပ်များကို အသုံးပြု၍ အရိုးစုအသက်အရွယ်ကို ခန့်မှန်းရန် convolutional neural networks (CNN) ကို အခြေခံ၍ စက်သင်ယူမှု algorithm တစ်ခုကို တီထွင်ခဲ့သည်။ ဤလေ့လာမှုသည် စက်သင်ယူမှုကို ဆေးဘက်ဆိုင်ရာပုံရိပ်များတွင် အသုံးချသည့် မော်ဒယ်တစ်ခုကို အဆိုပြုပြီး ဤနည်းလမ်းများသည် ရောဂါရှာဖွေမှုတိကျမှုကို မြှင့်တင်ပေးနိုင်ကြောင်း ပြသသည်။ Li နှင့် အဖွဲ့သည် deep learning CNN ကို အသုံးပြု၍ တင်ပါးဆုံတွင်း X-ray ပုံများမှ အသက်ကို ခန့်မှန်းခဲ့ပြီး ossification stage estimation ကို အသုံးပြု၍ regression ရလဒ်များနှင့် နှိုင်းယှဉ်ခဲ့သည်။ ၎င်းတို့သည် deep learning CNN မော်ဒယ်သည် ရိုးရာ regression မော်ဒယ်နှင့် အသက်ခန့်မှန်းချက် စွမ်းဆောင်ရည် အတူတူပင် ပြသကြောင်း တွေ့ရှိခဲ့သည်။ Guo နှင့် အဖွဲ့၏ လေ့လာမှု [15] သည် သွား orthophotos များကို အခြေခံ၍ CNN နည်းပညာ၏ အသက်ခံနိုင်ရည် ခွဲခြားမှု စွမ်းဆောင်ရည်ကို အကဲဖြတ်ခဲ့ပြီး CNN မော်ဒယ်၏ ရလဒ်များက လူသားများသည် ၎င်း၏ အသက်ခွဲခြားမှု စွမ်းဆောင်ရည်ထက် သာလွန်ကြောင်း သက်သေပြခဲ့သည်။
စက်သင်ယူမှုကို အသုံးပြု၍ အသက်ခန့်မှန်းခြင်းဆိုင်ရာ လေ့လာမှုအများစုသည် deep learning နည်းလမ်းများ ၁၃၊ ၁၄၊ ၁၅၊ ၁၆၊ ၁၇၊ ၁၈၊ ၁၉၊ ၂၀ ကိုအသုံးပြုကြသည်။ deep learning ကိုအခြေခံသည့် အသက်ခန့်မှန်းခြင်းသည် ရိုးရာနည်းလမ်းများထက် ပိုမိုတိကျသည်ဟု သတင်းပို့ထားသည်။ သို့သော် ဤချဉ်းကပ်မှုသည် ခန့်မှန်းချက်များတွင် အသုံးပြုသည့် အသက်ညွှန်းကိန်းများကဲ့သို့သော အသက်ခန့်မှန်းချက်များအတွက် သိပ္ပံနည်းကျအခြေခံကို တင်ပြရန် အခွင့်အလမ်းအနည်းငယ်သာ ပေးသည်။ စစ်ဆေးမှုများကို မည်သူပြုလုပ်သည်နှင့်ပတ်သက်၍ ဥပဒေရေးရာအငြင်းပွားမှုတစ်ခုလည်း ရှိပါသည်။ ထို့ကြောင့် deep learning ကိုအခြေခံသည့် အသက်ခန့်မှန်းချက်ကို အုပ်ချုပ်ရေးနှင့် တရားစီရင်ရေးအာဏာပိုင်များက လက်ခံရန်ခက်ခဲသည်။ Data mining (DM) သည် ဒေတာအမြောက်အမြားအကြား အသုံးဝင်သော ဆက်စပ်မှုများကို ရှာဖွေတွေ့ရှိရန် နည်းလမ်းတစ်ခုအဖြစ် မျှော်လင့်ထားသည့် အချက်အလက်များကိုသာမက မမျှော်လင့်ထားသည့် အချက်အလက်များကိုပါ ရှာဖွေတွေ့ရှိနိုင်သော နည်းပညာတစ်ခုဖြစ်သည် ၆၊ ၂၁၊ ၂၂။ စက်သင်ယူမှုကို ဒေတာ mining တွင် မကြာခဏအသုံးပြုလေ့ရှိပြီး ဒေတာ mining နှင့် machine learning နှစ်မျိုးလုံးသည် ဒေတာများတွင် ပုံစံများကို ရှာဖွေတွေ့ရှိရန် အဓိက algorithm များကို အသုံးပြုကြသည်။ သွားဖွံ့ဖြိုးမှုကို အသုံးပြု၍ အသက်ခန့်မှန်းခြင်းသည် ပစ်မှတ်သွားများ၏ ရင့်ကျက်မှုအပေါ် စာမေးပွဲစစ်ဆေးသူ၏ အကဲဖြတ်ချက်အပေါ် အခြေခံထားပြီး ဤအကဲဖြတ်ချက်ကို ပစ်မှတ်သွားတစ်ချောင်းစီအတွက် အဆင့်တစ်ခုအဖြစ် ဖော်ပြထားသည်။ DM ကို သွားအကဲဖြတ်အဆင့်နှင့် တကယ့်အသက်အကြား ဆက်စပ်မှုကို ခွဲခြမ်းစိတ်ဖြာရန် အသုံးပြုနိုင်ပြီး ရိုးရာစာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုကို အစားထိုးရန် အလားအလာရှိသည်။ ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် DM နည်းပညာများကို အသက်ခန့်မှန်းရာတွင် အသုံးပြုပါက၊ တရားဥပဒေအရ တာဝန်ယူမှုကို စိတ်ပူစရာမလိုဘဲ ရာဇဝတ်မှုဆိုင်ရာ အသက်ခန့်မှန်းခြင်းတွင် စက်သင်ယူမှုကို အကောင်အထည်ဖော်နိုင်ပါသည်။ ရာဇဝတ်မှုဆိုင်ရာ အလေ့အကျင့်တွင် အသုံးပြုသော ရိုးရာလက်စွဲနည်းလမ်းများနှင့် သွားအသက်ကို ဆုံးဖြတ်ရန် EBM-အခြေခံနည်းလမ်းများအတွက် ဖြစ်နိုင်ချေရှိသော အခြားရွေးချယ်စရာများအကြောင်း နှိုင်းယှဉ်လေ့လာမှုများစွာကို ထုတ်ဝေခဲ့ပါသည်။ Shen နှင့်အဖွဲ့သည် DM မော်ဒယ်သည် ရိုးရာ Camerer ဖော်မြူလာထက် ပိုမိုတိကျကြောင်း ပြသခဲ့သည်။ Galibourg နှင့်အဖွဲ့သည် Demirdjian စံနှုန်း ၂၅ အရ အသက်ကို ခန့်မှန်းရန် မတူညီသော DM နည်းလမ်းများကို အသုံးပြုခဲ့ပြီး ရလဒ်များအရ DM နည်းလမ်းသည် ပြင်သစ်လူဦးရေ၏ အသက်ကို ခန့်မှန်းရာတွင် Demirdjian နှင့် Willems နည်းလမ်းများထက် သာလွန်ကြောင်း ပြသခဲ့သည်။
ကိုရီးယားဆယ်ကျော်သက်နှင့် လူငယ်များ၏ သွားအသက်ကို ခန့်မှန်းရန်အတွက် Lee ၏နည်းလမ်း ၄ ကို ကိုရီးယား ရာဇဝတ်မှုဆိုင်ရာ အလေ့အကျင့်တွင် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုကြသည်။ ဤနည်းလမ်းသည် ကိုရီးယားလူမျိုးများနှင့် ကာလအလိုက် အသက်အကြား ဆက်နွယ်မှုကို စစ်ဆေးရန် ရိုးရာစာရင်းအင်း ခွဲခြမ်းစိတ်ဖြာမှု (ဥပမာ multiple regression ကဲ့သို့သော) ကို အသုံးပြုသည်။ ဤလေ့လာမှုတွင် ရိုးရာစာရင်းအင်းနည်းလမ်းများကို အသုံးပြု၍ ရရှိသော အသက်ခန့်မှန်းနည်းလမ်းများကို “ရိုးရာနည်းလမ်းများ” အဖြစ် သတ်မှတ်သည်။ Lee ၏နည်းလမ်းသည် ရိုးရာနည်းလမ်းတစ်ခုဖြစ်ပြီး ၎င်း၏တိကျမှုကို Oh et al. 5 မှ အတည်ပြုထားသည်။ သို့သော် ကိုရီးယား ရာဇဝတ်မှုဆိုင်ရာ အလေ့အကျင့်တွင် DM မော်ဒယ်ကို အခြေခံ၍ အသက်ခန့်မှန်းခြင်း၏ အသုံးချနိုင်မှုမှာ မေးခွန်းထုတ်စရာ ဖြစ်နေဆဲဖြစ်သည်။ ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ DM မော်ဒယ်ကို အခြေခံ၍ အသက်ခန့်မှန်းခြင်း၏ အသုံးဝင်မှုကို သိပ္ပံနည်းကျ အတည်ပြုရန်ဖြစ်သည်။ ဤလေ့လာမှု၏ ရည်ရွယ်ချက်မှာ (၁) သွားအသက်ကို ခန့်မှန်းရာတွင် DM မော်ဒယ်နှစ်ခု၏ တိကျမှုကို နှိုင်းယှဉ်ရန်နှင့် (၂) အသက် ၁၈ နှစ်အရွယ်တွင် DM မော်ဒယ် ၇ ခု၏ အမျိုးအစားခွဲခြားမှု စွမ်းဆောင်ရည်ကို ရိုးရာစာရင်းအင်းနည်းလမ်းများကို အသုံးပြု၍ ရရှိသော DM မော်ဒယ် ၇ ခု၏ ခွဲခြားမှုစွမ်းဆောင်ရည်ကို နှိုင်းယှဉ်ရန်ဖြစ်သည်။ မေးရိုးနှစ်ဖက်စလုံးရှိ ဒုတိယနှင့် တတိယအံသွားများ၏ ရင့်ကျက်မှု။
အဆင့်နှင့် သွားအမျိုးအစားအလိုက် ကာလအလိုက် အသက်အရွယ်၏ ပျမ်းမျှနှင့် စံသွေဖည်မှုများကို နောက်ဆက်တွဲဇယား S1 (လေ့ကျင့်ရေးအစုံ)၊ နောက်ဆက်တွဲဇယား S2 (အတွင်းပိုင်းစမ်းသပ်မှုအစုံ) နှင့် နောက်ဆက်တွဲဇယား S3 (ပြင်ပစမ်းသပ်မှုအစုံ) တို့တွင် အွန်လိုင်းတွင် ပြသထားသည်။ လေ့ကျင့်ရေးအစုံမှရရှိသော အတွင်းပိုင်းနှင့် အကြားလေ့လာသူယုံကြည်စိတ်ချရမှုအတွက် kappa တန်ဖိုးများသည် အသီးသီး 0.951 နှင့် 0.947 ဖြစ်သည်။ kappa တန်ဖိုးများအတွက် P တန်ဖိုးများနှင့် 95% ယုံကြည်မှုကြားကာလများကို အွန်လိုင်းဖြည့်စွက်ဇယား S4 တွင် ပြသထားသည်။ kappa တန်ဖိုးကို Landis နှင့် Koch26 ၏ စံနှုန်းများနှင့် ကိုက်ညီစွာ "နီးပါးပြီးပြည့်စုံသည်" ဟု အဓိပ္ပာယ်ဖွင့်ဆိုထားသည်။
ပျမ်းမျှအကြွင်းမဲ့အမှား (MAE) ကို နှိုင်းယှဉ်သောအခါ၊ ရိုးရာနည်းလမ်းသည် ကျားမအားလုံးအတွက်နှင့် ပြင်ပအထီးစမ်းသပ်မှုအစုံတွင် DM မော်ဒယ်ထက် အနည်းငယ်သာလွန်ကောင်းမွန်ပြီး multilayer perceptron (MLP) မှလွဲ၍ဖြစ်သည်။ အတွင်းပိုင်း MAE စမ်းသပ်မှုအစုံရှိ ရိုးရာမော်ဒယ်နှင့် DM မော်ဒယ်အကြား ကွာခြားချက်မှာ အမျိုးသားများအတွက် 0.12–0.19 နှစ်နှင့် အမျိုးသမီးများအတွက် 0.17–0.21 နှစ်ဖြစ်သည်။ ပြင်ပစမ်းသပ်မှုဘက်ထရီအတွက် ကွာခြားချက်များသည် ပိုမိုသေးငယ်သည် (အမျိုးသားများအတွက် 0.001–0.05 နှစ်နှင့် အမျိုးသမီးများအတွက် 0.05–0.09 နှစ်)။ ထို့အပြင်၊ root mean square error (RMSE) သည် ရိုးရာနည်းလမ်းထက် အနည်းငယ်နိမ့်ပြီး ကွာခြားချက်နည်းပါးသည် (အမျိုးသားအတွင်းပိုင်းစမ်းသပ်မှုအစုံအတွက် 0.17–0.24၊ 0.2–0.24 နှင့် 0.03–0.07၊ ပြင်ပစမ်းသပ်မှုအစုံအတွက် 0.04–0.08)။ MLP သည် အမျိုးသမီးပြင်ပစမ်းသပ်မှုအစုံမှလွဲ၍ Single Layer Perceptron (SLP) ထက် အနည်းငယ်ပိုမိုကောင်းမွန်သောစွမ်းဆောင်ရည်ကို ပြသသည်။ MAE နှင့် RMSE အတွက်၊ ပြင်ပစမ်းသပ်မှုအစုံသည် ကျား၊မ နှင့် မော်ဒယ်အားလုံးအတွက် အတွင်းပိုင်းစမ်းသပ်မှုအစုံထက် အမှတ်ပိုမိုမြင့်မားသည်။ MAE နှင့် RMSE အားလုံးကို ဇယား ၁ နှင့် ပုံ ၁ တွင် ပြသထားသည်။
ရိုးရာနှင့် ဒေတာတူးဖော်ခြင်း ဆုတ်ယုတ်မှု မော်ဒယ်များ၏ MAE နှင့် RMSE။ ပျမ်းမျှ ပကတိအမှား MAE၊ root mean square error RMSE၊ single layer perceptron SLP၊ multilayer perceptron MLP၊ ရိုးရာ CM နည်းလမ်း။
ရိုးရာနှင့် DM မော်ဒယ်များ၏ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည် (၁၈ နှစ်ကြာ ဖြတ်တောက်မှုဖြင့်) ကို အာရုံခံနိုင်စွမ်း၊ သီးခြားဖြစ်မှု၊ အပြုသဘောဆောင်သော ခန့်မှန်းတန်ဖိုး (PPV)၊ အနုတ်လက္ခဏာဆောင်သော ခန့်မှန်းတန်ဖိုး (NPV) နှင့် လက်ခံကိရိယာလည်ပတ်မှု လက္ခဏာမျဉ်းကွေးအောက်ရှိ ဧရိယာ (AUROC) ၂၇ (ဇယား ၂၊ ပုံ ၂ နှင့် အွန်လိုင်းနောက်ဆက်တွဲပုံ ၁) တို့တွင် သရုပ်ပြခဲ့သည်။ အတွင်းပိုင်းစမ်းသပ်ဘက်ထရီ၏ အာရုံခံနိုင်စွမ်းနှင့်ပတ်သက်၍ ရိုးရာနည်းလမ်းများသည် အမျိုးသားများတွင် အကောင်းဆုံးလုပ်ဆောင်ပြီး အမျိုးသမီးများတွင် ပိုဆိုးသည်။ သို့သော် ရိုးရာနည်းလမ်းများနှင့် SD အကြား အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကွာခြားချက်မှာ အမျိုးသားများအတွက် ၉.၇% (MLP) နှင့် အမျိုးသမီးများအတွက် ၂.၄% သာရှိသည် (XGBoost)။ DM မော်ဒယ်များတွင် logistic regression (LR) သည် လိင်နှစ်မျိုးလုံးတွင် ပိုမိုကောင်းမွန်သော အာရုံခံနိုင်စွမ်းကို ပြသခဲ့သည်။ အတွင်းပိုင်းစမ်းသပ်မှုအစုံ၏ သီးခြားဖြစ်မှုနှင့် ပတ်သက်၍ SD မော်ဒယ်လေးခုသည် အမျိုးသားများတွင် ကောင်းစွာလုပ်ဆောင်ပြီး ရိုးရာမော်ဒယ်သည် အမျိုးသမီးများတွင် ပိုမိုကောင်းမွန်စွာ လုပ်ဆောင်သည်ကို တွေ့ရှိခဲ့သည်။ အမျိုးသားနှင့် အမျိုးသမီးများအတွက် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကွာခြားချက်များမှာ အသီးသီး ၁၃.၃% (MLP) နှင့် ၁၃.၁% (MLP) ဖြစ်ပြီး မော်ဒယ်များအကြား အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကွာခြားချက်သည် အာရုံခံနိုင်စွမ်းထက် ကျော်လွန်ကြောင်း ညွှန်ပြသည်။ DM မော်ဒယ်များတွင်၊ support vector machine (SVM)၊ decision tree (DT) နှင့် random forest (RF) မော်ဒယ်များသည် အမျိုးသားများတွင် အကောင်းဆုံးစွမ်းဆောင်ရည်ရှိပြီး LR မော်ဒယ်သည် အမျိုးသမီးများတွင် အကောင်းဆုံးစွမ်းဆောင်ရည်ရှိသည်။ ရိုးရာမော်ဒယ်နှင့် SD မော်ဒယ်အားလုံး၏ AUROC သည် 0.925 (အမျိုးသားများတွင် k-အနီးဆုံးအိမ်နီးချင်း (KNN)) ထက် ပိုများပြီး အသက် 18 နှစ်အရွယ်နမူနာများကို ခွဲခြားသတ်မှတ်ရာတွင် အလွန်ကောင်းမွန်သော အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကို ပြသနေသည်28။ ပြင်ပစမ်းသပ်မှုအစုံအတွက်၊ အတွင်းပိုင်းစမ်းသပ်မှုအစုံနှင့် နှိုင်းယှဉ်ပါက sensitivity၊ specificity နှင့် AUROC အရ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည် ကျဆင်းခဲ့သည်။ ထို့အပြင်၊ အကောင်းဆုံးနှင့် အဆိုးဆုံးမော်ဒယ်များ၏ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်အကြား sensitivity နှင့် specificity ကွာခြားချက်သည် 10% မှ 25% အထိရှိပြီး အတွင်းပိုင်းစမ်းသပ်မှုအစုံတွင် ကွာခြားချက်ထက် ပိုမိုကြီးမားသည်။
၁၈ နှစ်သက်တမ်းရှိသော ရိုးရာနည်းလမ်းများနှင့် နှိုင်းယှဉ်ထားသော data mining classification model များ၏ sensitivity နှင့် specificity။ KNN k အနီးဆုံးအိမ်နီးချင်း၊ SVM support vector machine၊ LR logistic regression၊ DT decision tree၊ RF random forest၊ XGB XGBoost၊ MLP multilayer perceptron၊ ရိုးရာ CM နည်းလမ်း။
ဤလေ့လာမှု၏ ပထမခြေလှမ်းမှာ DM မော်ဒယ်ခုနစ်ခုမှရရှိသော သွားအသက်အရွယ်ခန့်မှန်းချက်များ၏ တိကျမှုကို ရိုးရာပြန်လည်ဆုတ်ယုတ်မှုကို အသုံးပြု၍ ရရှိသော သွားများနှင့် နှိုင်းယှဉ်ရန်ဖြစ်သည်။ MAE နှင့် RMSE တို့ကို လိင်နှစ်မျိုးလုံးအတွက် အတွင်းပိုင်းစမ်းသပ်မှုအစုံများတွင် အကဲဖြတ်ခဲ့ပြီး ရိုးရာနည်းလမ်းနှင့် DM မော်ဒယ်အကြား ကွာခြားချက်မှာ MAE အတွက် ၄၄ ရက်မှ ၇၇ ရက်နှင့် RMSE အတွက် ၆၂ ရက်မှ ၈၈ ရက်အထိ ရှိသည်။ ဤလေ့လာမှုတွင် ရိုးရာနည်းလမ်းသည် အနည်းငယ်ပိုမိုတိကျသော်လည်း၊ ထိုကဲ့သို့သော သေးငယ်သောကွာခြားချက်သည် ဆေးခန်းဆိုင်ရာ သို့မဟုတ် လက်တွေ့ကျသော အရေးပါမှုရှိမရှိကို ကောက်ချက်ချရန် ခက်ခဲသည်။ ဤရလဒ်များက DM မော်ဒယ်ကို အသုံးပြု၍ သွားအသက်အရွယ်ခန့်မှန်းချက်၏ တိကျမှုသည် ရိုးရာနည်းလမ်းနှင့် အတူတူပင်ဖြစ်ကြောင်း ညွှန်ပြသည်။ ယခင်လေ့လာမှုများမှ ရလဒ်များနှင့် တိုက်ရိုက်နှိုင်းယှဉ်ခြင်းသည် ခက်ခဲသည်၊ အဘယ်ကြောင့်ဆိုသော် ဤလေ့လာမှုတွင်ကဲ့သို့ အသက်အရွယ်အပိုင်းအခြားတွင် သွားများကို မှတ်တမ်းတင်သည့် တူညီသောနည်းပညာကို အသုံးပြု၍ DM မော်ဒယ်များ၏ တိကျမှုကို ရိုးရာစာရင်းအင်းနည်းလမ်းများနှင့် နှိုင်းယှဉ်သည့် လေ့လာမှုမရှိသောကြောင့်ဖြစ်သည်။ Galibourg နှင့်အဖွဲ့သည် ရိုးရာနည်းလမ်းနှစ်ခု (Demirjian နည်းလမ်း ၂၅ နှင့် Willems နည်းလမ်း ၂၉) နှင့် အသက် ၂ နှစ်မှ ၂၄ နှစ်အတွင်းရှိ ပြင်သစ်လူဦးရေတွင် DM မော်ဒယ် ၁၀ ခုကို နှိုင်းယှဉ်ခဲ့သည်။ DM မော်ဒယ်အားလုံးသည် ရိုးရာနည်းလမ်းများထက် ပိုမိုတိကျမှန်ကန်ကြောင်းနှင့် Willems နှင့် Demirdjian နည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက MAE တွင် 0.20 နှင့် 0.38 နှစ်နှင့် RMSE တွင် 0.25 နှင့် 0.47 နှစ် ကွာခြားချက်ရှိကြောင်း ၎င်းတို့က အစီရင်ခံခဲ့သည်။ Halibourg လေ့လာမှုတွင် ပြသထားသော SD မော်ဒယ်နှင့် ရိုးရာနည်းလမ်းများအကြား ကွဲလွဲမှုသည် ဤလေ့လာမှုတွင် Demirdjian နည်းလမ်းသည် လေ့လာမှုအခြေခံသည့် ပြင်သစ်ကနေဒါလူမျိုးများမှလွဲ၍ အခြားလူဦးရေ၏ သွားအသက်ကို တိကျစွာခန့်မှန်းခြင်းမရှိကြောင်း အစီရင်ခံစာများစွာ30,31,32,33 ကို ထည့်သွင်းစဉ်းစားထားသည်။ Tai နှင့်အဖွဲ့သည် ၁၆၃၆ ခုနှစ် တရုတ်သွားညှိခြင်းဓာတ်ပုံများမှ သွားများ၏အသက်အရွယ်ကို ခန့်မှန်းရန် MLP algorithm ကို အသုံးပြုခဲ့ပြီး ၎င်း၏တိကျမှုကို Demirjian နှင့် Willems နည်းလမ်း၏ရလဒ်များနှင့် နှိုင်းယှဉ်ခဲ့သည်။ MLP သည် ရိုးရာနည်းလမ်းများထက် ပိုမိုတိကျမှုရှိကြောင်း ၎င်းတို့က အစီရင်ခံခဲ့သည်။ Demirdjian နည်းလမ်းနှင့် ရိုးရာနည်းလမ်းအကြား ကွာခြားချက်မှာ <0.32 နှစ်ဖြစ်ပြီး Willems နည်းလမ်းမှာ 0.28 နှစ်ဖြစ်ပြီး လက်ရှိလေ့လာမှု၏ရလဒ်များနှင့် ဆင်တူသည်။ ယခင်လေ့လာမှုများ၏ရလဒ်များ၂၄,၃၄ သည် လက်ရှိလေ့လာမှု၏ရလဒ်များနှင့်လည်း ကိုက်ညီပြီး DM မော်ဒယ်နှင့် ရိုးရာနည်းလမ်း၏ အသက်ခန့်မှန်းတိကျမှုမှာ အလားတူဖြစ်သည်။ သို့သော် တင်ပြထားသောရလဒ်များအပေါ်အခြေခံ၍ နှိုင်းယှဉ်လေ့လာမှုများနှင့် ရည်ညွှန်းလေ့လာမှုများ မရှိခြင်းကြောင့် DM မော်ဒယ်များကို အသုံးပြု၍ အသက်ခန့်မှန်းခြင်းသည် ရှိပြီးသားနည်းလမ်းများကို အစားထိုးနိုင်သည်ဟု ကျွန်ုပ်တို့ သတိထား၍သာ ကောက်ချက်ချနိုင်ပါသည်။ ဤလေ့လာမှုတွင် ရရှိသောရလဒ်များကို အတည်ပြုရန်အတွက် ပိုကြီးသောနမူနာများကို အသုံးပြု၍ နောက်ဆက်တွဲလေ့လာမှုများ လိုအပ်ပါသည်။
သွားသက်တမ်းခန့်မှန်းရာတွင် SD ၏ တိကျမှုကို စမ်းသပ်သည့် လေ့လာမှုများတွင် အချို့မှာ ကျွန်ုပ်တို့၏ လေ့လာမှုထက် ပိုမိုတိကျမှုရှိကြောင်း ပြသခဲ့သည်။ Stepanovsky နှင့် အဖွဲ့သည် အသက် ၂.၇ နှစ်မှ ၂၀.၅ နှစ်ကြားရှိ ချက်လူမျိုး ၉၇၆ ဦး၏ panoramic radiographs များတွင် SD မော်ဒယ် ၂၂ ခုကို အသုံးပြုခဲ့ပြီး မော်ဒယ်တစ်ခုစီ၏ တိကျမှုကို စမ်းသပ်ခဲ့သည်။ ၎င်းတို့သည် Moorrees နှင့် အဖွဲ့မှ အဆိုပြုထားသော ခွဲခြားသတ်မှတ်ချက်ကို အသုံးပြု၍ ဘယ်ဘက်အပေါ်နှင့် အောက် အမြဲတမ်းသွား ၁၆ ချောင်း၏ ဖွံ့ဖြိုးမှုကို အကဲဖြတ်ခဲ့သည်။ MAE သည် ၀.၆၄ နှစ်မှ ၀.၉၄ နှစ်အထိနှင့် RMSE သည် ၀.၈၅ နှစ်မှ ၁.၂၇ နှစ်အထိ ရှိပြီး ဤလေ့လာမှုတွင် အသုံးပြုသော DM မော်ဒယ်နှစ်ခုထက် ပိုမိုတိကျသည်။ Shen နှင့် အဖွဲ့သည် အသက် ၅ နှစ်မှ ၁၃ နှစ်ကြားရှိ အရှေ့ပိုင်းတရုတ်လူမျိုးများ၏ ဘယ်ဘက်မေးရိုးရှိ အမြဲတမ်းသွားခုနစ်ချောင်း၏ သွားသက်တမ်းကို ခန့်မှန်းရန် Cameriere နည်းလမ်းကို အသုံးပြုခဲ့ပြီး linear regression၊ SVM နှင့် RF ကိုအသုံးပြု၍ ခန့်မှန်းထားသော အသက်အရွယ်များနှင့် နှိုင်းယှဉ်ခဲ့သည်။ ၎င်းတို့သည် DM မော်ဒယ်သုံးခုစလုံးသည် ရိုးရာ Cameriere ဖော်မြူလာနှင့် နှိုင်းယှဉ်ပါက ပိုမိုတိကျမှုရှိကြောင်း ပြသခဲ့သည်။ Shen ၏လေ့လာမှုတွင် MAE နှင့် RMSE သည် ဤလေ့လာမှုတွင် DM မော်ဒယ်ထက် နိမ့်ကျနေပါသည်။ Stepanovsky et al. 35 နှင့် Shen et al. 23 တို့၏ လေ့လာမှုများ၏ တိကျမှု မြင့်တက်လာခြင်းမှာ ငယ်ရွယ်သော လူနာများကို ၎င်းတို့၏ လေ့လာမှုနမူနာများတွင် ထည့်သွင်းခြင်းကြောင့် ဖြစ်နိုင်သည်။ သွားများ ဖွံ့ဖြိုးနေသော ပါဝင်သူများအတွက် အသက်အရွယ် ခန့်မှန်းချက်များသည် သွားဖွံ့ဖြိုးမှုအတွင်း သွားအရေအတွက် တိုးလာသည်နှင့်အမျှ ပိုမိုတိကျလာသောကြောင့်၊ လေ့လာမှုတွင် ပါဝင်သူများ ငယ်ရွယ်သောအခါ ရလဒ်အနေဖြင့် အသက်အရွယ် ခန့်မှန်းချက်နည်းလမ်း၏ တိကျမှုကို ထိခိုက်နိုင်သည်။ ထို့အပြင်၊ အသက်အရွယ် ခန့်မှန်းချက်တွင် MLP ၏ အမှားသည် SLP ထက် အနည်းငယ် သေးငယ်သောကြောင့် MLP သည် SLP ထက် ပိုမိုတိကျသည်ဟု ဆိုလိုသည်။ MLP သည် အသက်အရွယ် ခန့်မှန်းချက်အတွက် အနည်းငယ် ပိုကောင်းသည်ဟု ယူဆကြပြီး၊ MLP38 ရှိ ဖုံးကွယ်ထားသော အလွှာများကြောင့် ဖြစ်နိုင်သည်။ သို့သော် အမျိုးသမီးများ၏ အပြင်ဘက်နမူနာအတွက် ခြွင်းချက်တစ်ခု ရှိသည် (SLP 1.45၊ MLP 1.49)။ အသက်အရွယ်ကို အကဲဖြတ်ရာတွင် MLP သည် SLP ထက် ပိုမိုတိကျကြောင်း တွေ့ရှိချက်အတွက် နောက်ထပ် နောက်ကြောင်းပြန် လေ့လာမှုများ လိုအပ်ပါသည်။
DM မော်ဒယ်နှင့် ၁၈ နှစ်သက်တမ်း ခွဲခြားသတ်မှတ်ခြင်း စွမ်းဆောင်ရည်ကိုလည်း နှိုင်းယှဉ်ခဲ့ပါသည်။ စမ်းသပ်ထားသော SD မော်ဒယ်အားလုံးနှင့် အတွင်းပိုင်းစမ်းသပ်မှုအစုံပေါ်ရှိ ရိုးရာနည်းလမ်းများသည် အသက် ၁၈ နှစ်အရွယ် နမူနာအတွက် လက်တွေ့ကျကျ လက်ခံနိုင်သော ခွဲခြားဆက်ဆံမှုအဆင့်များကို ပြသခဲ့ပါသည်။ အမျိုးသားနှင့် အမျိုးသမီးများအတွက် အာရုံခံနိုင်စွမ်းမှာ အသီးသီး ၈၇.၇% နှင့် ၉၄.၉% ထက်ပိုများပြီး သီးခြားဖြစ်မှုမှာ ၈၉.၃% နှင့် ၈၄.၇% ထက်ပိုများပါသည်။ စမ်းသပ်ထားသော မော်ဒယ်အားလုံး၏ AUROC သည်လည်း ၀.၉၂၅ ထက်ကျော်လွန်ပါသည်။ ကျွန်ုပ်တို့သိသလောက် သွားရင့်ကျက်မှုအပေါ်အခြေခံ၍ ၁၈ နှစ်သက်တမ်း ခွဲခြားသတ်မှတ်ခြင်းအတွက် DM မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို မည်သည့်လေ့လာမှုမှ စမ်းသပ်ထားခြင်းမရှိပါ။ ဤလေ့လာမှု၏ရလဒ်များကို panoramic radiographs များတွင် deep learning မော်ဒယ်များ၏ ခွဲခြားသတ်မှတ်ခြင်းစွမ်းဆောင်ရည်နှင့် ကျွန်ုပ်တို့ နှိုင်းယှဉ်နိုင်ပါသည်။ Guo နှင့်အဖွဲ့သည် CNN-based deep learning မော်ဒယ်နှင့် Demirjian ၏နည်းလမ်းအပေါ်အခြေခံ၍ manual နည်းလမ်း၏ ခွဲခြားသတ်မှတ်ခြင်းစွမ်းဆောင်ရည်ကို အသက်အရွယ်ကန့်သတ်ချက်တစ်ခုအတွက် တွက်ချက်ခဲ့ပါသည်။ လက်စွဲနည်းလမ်း၏ အာရုံခံနိုင်စွမ်းနှင့် သီးခြားဖြစ်မှုမှာ အသီးသီး ၈၇.၇% နှင့် ၉၅.၅% ရှိပြီး CNN မော်ဒယ်၏ အာရုံခံနိုင်စွမ်းနှင့် သီးခြားဖြစ်မှုမှာ အသီးသီး ၈၉.၂% နှင့် ၈၆.၆% ကျော်လွန်ပါသည်။ ၎င်းတို့က အသက်ကန့်သတ်ချက်များကို အမျိုးအစားခွဲခြားရာတွင် deep learning မော်ဒယ်များသည် လက်စွဲအကဲဖြတ်မှုကို အစားထိုးနိုင်သည် သို့မဟုတ် ပိုမိုကောင်းမွန်စွာ လုပ်ဆောင်နိုင်သည်ဟု ကောက်ချက်ချခဲ့ကြသည်။ ဤလေ့လာမှု၏ရလဒ်များသည် အလားတူ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကို ပြသခဲ့သည်။ DM မော်ဒယ်များကို အသုံးပြု၍ အမျိုးအစားခွဲခြားခြင်းသည် အသက်ခန့်မှန်းချက်အတွက် ရိုးရာစာရင်းအင်းနည်းလမ်းများကို အစားထိုးနိုင်သည်ဟု ယုံကြည်ရသည်။ မော်ဒယ်များထဲတွင် DM LR သည် အမျိုးသားနမူနာအတွက် အာရုံခံနိုင်စွမ်းနှင့် အမျိုးသမီးနမူနာအတွက် အာရုံခံနိုင်စွမ်းနှင့် သီးခြားဖြစ်မှုအရ အကောင်းဆုံးမော်ဒယ်ဖြစ်သည်။ LR သည် အမျိုးသားများအတွက် သီးခြားဖြစ်မှုတွင် ဒုတိယနေရာတွင် ရှိသည်။ ထို့အပြင် LR သည် အသုံးပြုရလွယ်ကူသော DM35 မော်ဒယ်များထဲမှ တစ်ခုအဖြစ် သတ်မှတ်ခံရပြီး ရှုပ်ထွေးမှုနည်းပြီး လုပ်ဆောင်ရန် ခက်ခဲမှုနည်းသည်။ ဤရလဒ်များအပေါ် အခြေခံ၍ LR ကို ကိုရီးယားလူဦးရေတွင် အသက် ၁၈ နှစ်အရွယ်များအတွက် အကောင်းဆုံး cutoff အမျိုးအစားခွဲခြားမှုပုံစံအဖြစ် သတ်မှတ်ခံခဲ့ရသည်။
အလုံးစုံသော်၊ ပြင်ပစမ်းသပ်မှုအစုံပေါ်ရှိ အသက်ခန့်မှန်းချက် သို့မဟုတ် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်၏ တိကျမှုသည် အတွင်းပိုင်းစမ်းသပ်မှုအစုံပေါ်ရှိ ရလဒ်များနှင့် နှိုင်းယှဉ်ပါက ညံ့ဖျင်းခြင်း သို့မဟုတ် နိမ့်ကျပါသည်။ ကိုရီးယားလူဦးရေအပေါ် အခြေခံသည့် အသက်ခန့်မှန်းချက်များကို ဂျပန်လူဦးရေတွင် အသုံးပြုသောအခါ အမျိုးအစားခွဲခြားမှုတိကျမှု သို့မဟုတ် ထိရောက်မှု လျော့ကျသွားကြောင်း အစီရင်ခံစာအချို့က ညွှန်ပြနေပြီး လက်ရှိလေ့လာမှုတွင် အလားတူပုံစံကို တွေ့ရှိရပါသည်။ ဤယိုယွင်းပျက်စီးမှုလမ်းကြောင်းကို DM မော်ဒယ်တွင်လည်း တွေ့ရှိရပါသည်။ ထို့ကြောင့်၊ ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းစဉ်တွင် DM ကိုအသုံးပြုသည့်အခါတွင်ပင် အသက်ကို တိကျစွာခန့်မှန်းရန်အတွက် ရိုးရာနည်းလမ်းများကဲ့သို့သော မူရင်းလူဦးရေဒေတာမှရရှိသော နည်းလမ်းများကို ဦးစားပေးသင့်ပါသည်5,39,40,41,42။ deep learning မော်ဒယ်များသည် အလားတူလမ်းကြောင်းများကို ပြသနိုင်ခြင်း ရှိ၊ မရှိ မရှင်းလင်းသောကြောင့်၊ ရိုးရာနည်းလမ်းများ၊ DM မော်ဒယ်များနှင့် တူညီသောနမူနာများတွင် deep learning မော်ဒယ်များကို အသုံးပြု၍ အမျိုးအစားခွဲခြားမှုတိကျမှုနှင့် ထိရောက်မှုကို နှိုင်းယှဉ်သည့် လေ့လာမှုများ လိုအပ်ပါသည်။ ဉာဏ်ရည်ဉာဏ်သွေးသည် အသက်အရွယ်ကန့်သတ်ချက်ရှိသော အကဲဖြတ်မှုများတွင် ဤလူမျိုးရေးကွာဟချက်များကို ကျော်လွှားနိုင်ခြင်း ရှိ၊ မရှိ အတည်ပြုရန် လိုအပ်ပါသည်။
ကိုရီးယားနိုင်ငံတွင် ဆေးပညာဆိုင်ရာ အသက်ခန့်မှန်းခြင်းလုပ်ငန်းစဉ်တွင် DM မော်ဒယ်အပေါ်အခြေခံ၍ ရိုးရာနည်းလမ်းများကို အသက်ခန့်မှန်းခြင်းဖြင့် အစားထိုးနိုင်ကြောင်း ကျွန်ုပ်တို့ သရုပ်ပြပါသည်။ ဆေးပညာဆိုင်ရာ အသက်အကဲဖြတ်မှုအတွက် စက်သင်ယူမှုကို အကောင်အထည်ဖော်နိုင်ခြေကိုလည်း ကျွန်ုပ်တို့ ရှာဖွေတွေ့ရှိခဲ့ပါသည်။ သို့သော် ရလဒ်များကို အတိအကျဆုံးဖြတ်ရန် ဤလေ့လာမှုတွင် ပါဝင်သူအရေအတွက် မလုံလောက်ခြင်းနှင့် ဤလေ့လာမှု၏ ရလဒ်များကို နှိုင်းယှဉ်အတည်ပြုရန် ယခင်လေ့လာမှုများ မရှိခြင်းကဲ့သို့သော ရှင်းလင်းသော ကန့်သတ်ချက်များ ရှိပါသည်။ အနာဂတ်တွင် DM လေ့လာမှုများကို ရိုးရာနည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက ၎င်း၏လက်တွေ့အသုံးချမှုကို မြှင့်တင်ရန်အတွက် နမူနာအရေအတွက် ပိုများပြီး ပိုမိုကွဲပြားသော လူဦးရေဖြင့် ပြုလုပ်သင့်သည်။ လူဦးရေများစွာတွင် အသက်အရွယ်ကို ခန့်မှန်းရန် အတုဥာဏ်ရည်ကို အသုံးပြုခြင်း၏ ဖြစ်နိုင်ခြေကို အတည်ပြုရန်အတွက် DM နှင့် deep learning မော်ဒယ်များ၏ အမျိုးအစားခွဲခြားမှု တိကျမှုနှင့် ထိရောက်မှုကို တူညီသောနမူနာများတွင် ရိုးရာနည်းလမ်းများနှင့် နှိုင်းယှဉ်ရန် အနာဂတ်လေ့လာမှုများ လိုအပ်ပါသည်။
လေ့လာမှုတွင် အသက် ၁၅ နှစ်မှ ၂၃ နှစ်အတွင်းရှိ ကိုရီးယားနှင့် ဂျပန်လူကြီးများထံမှ စုဆောင်းရရှိသော orthographic ဓာတ်ပုံ ၂,၆၅၇ ပုံ အသုံးပြုခဲ့သည်။ ကိုရီးယား ရေဒီယိုဂရပ်ဖစ်များကို လေ့ကျင့်ရေးအစုံ ၉၀၀ (၁၉.၄၂ ± ၂.၆၅ နှစ်) နှင့် အတွင်းပိုင်းစမ်းသပ်မှုအစုံ ၉၀၀ (၁၉.၅၂ ± ၂.၅၉ နှစ်) အဖြစ် ခွဲခြားထားသည်။ လေ့ကျင့်ရေးအစုံကို အဖွဲ့အစည်းတစ်ခု (ဆိုးလ် စိန့်မေရီ ဆေးရုံ) တွင် စုဆောင်းခဲ့ပြီး ကိုယ်ပိုင်စမ်းသပ်မှုအစုံကို အဖွဲ့အစည်းနှစ်ခု (ဆိုးလ် အမျိုးသားတက္ကသိုလ် သွားဘက်ဆိုင်ရာ ဆေးရုံနှင့် ယွန်ဆေး တက္ကသိုလ် သွားဘက်ဆိုင်ရာ ဆေးရုံ) တွင် စုဆောင်းခဲ့သည်။ ပြင်ပစမ်းသပ်မှုအတွက် အခြားလူဦးရေအခြေခံဒေတာ (အီဝါတေး ဆေးတက္ကသိုလ်၊ ဂျပန်) မှ ရေဒီယိုဂရပ် ၈၅၇ ပုံကိုလည်း စုဆောင်းခဲ့သည်။ ဂျပန်လူမျိုးများ (၁၉.၃၁ ± ၂.၆၀ နှစ်) ၏ ရေဒီယိုဂရပ်များကို ပြင်ပစမ်းသပ်မှုအစုံအဖြစ် ရွေးချယ်ခဲ့သည်။ သွားကုသမှုအတွင်း ရိုက်ကူးထားသော panoramic ရေဒီယိုဂရပ်များတွင် သွားဖွံ့ဖြိုးမှုအဆင့်များကို ခွဲခြမ်းစိတ်ဖြာရန် အချက်အလက်များကို နောက်ကြောင်းပြန် စုဆောင်းခဲ့သည်။ ကျား/မ၊ မွေးသက္ကရာဇ်နှင့် ရေဒီယိုဂရပ်၏ ရက်စွဲမှလွဲ၍ စုဆောင်းရရှိသော အချက်အလက်အားလုံးကို အမည်မဖော်လိုပါ။ ပါဝင်မှုနှင့် ချန်လှပ်မှု စံနှုန်းများသည် ယခင်ထုတ်ဝေခဲ့သော လေ့လာမှုများနှင့် အတူတူပင်ဖြစ်သည် ၄၊ ၅။ နမူနာ၏ တကယ့်အသက်ကို ရေဒီယိုဂရပ်ရိုက်သည့်ရက်စွဲမှ မွေးသက္ကရာဇ်ကို နုတ်ခြင်းဖြင့် တွက်ချက်ခဲ့သည်။ နမူနာအုပ်စုကို အသက်အုပ်စု ကိုးစု ခွဲခြားထားသည်။ အသက်နှင့် ကျား၊မ ဖြန့်ဖြူးမှုကို ဇယား ၃ တွင် ပြသထားသည်။ ဤလေ့လာမှုကို ဟယ်လ်ဆင်ကီ ကြေငြာချက်နှင့်အညီ ပြုလုပ်ခဲ့ပြီး ကိုရီးယား ကက်သလစ်တက္ကသိုလ် ဆိုးလ် စိန့်မေရီ ဆေးရုံ (KC22WISI0328) ၏ အဖွဲ့အစည်းဆိုင်ရာ ပြန်လည်သုံးသပ်ရေးဘုတ်အဖွဲ့ (IRB) မှ အတည်ပြုခဲ့သည်။ ဤလေ့လာမှု၏ နောက်ကြောင်းပြန်ဒီဇိုင်းကြောင့် ကုထုံးရည်ရွယ်ချက်အတွက် ရေဒီယိုဂရပ်စစ်ဆေးမှုခံယူနေသော လူနာအားလုံးထံမှ သတင်းအချက်အလက်အပြည့်အစုံပါသော သဘောတူညီချက်ကို ရယူနိုင်ခြင်း မရှိပါ။ ဆိုးလ်ကိုရီးယားတက္ကသိုလ် စိန့်မေရီ ဆေးရုံ (IRB) သည် သတင်းအချက်အလက်အပြည့်အစုံပါသော သဘောတူညီချက်အတွက် လိုအပ်ချက်ကို ကင်းလွတ်ခွင့်ပေးခဲ့သည်။
မေးရိုးနှစ်ဖက်ပါ ဒုတိယနှင့် တတိယအံသွားများ၏ ဖွံ့ဖြိုးမှုအဆင့်များကို Demircan စံနှုန်းများ၂၅ အရ အကဲဖြတ်ခဲ့သည်။ မေးရိုးတစ်ဖက်စီ၏ ဘယ်ဘက်နှင့် ညာဘက်တွင် တူညီသောသွားအမျိုးအစားကို တွေ့ရှိပါက သွားတစ်ချောင်းတည်းကိုသာ ရွေးချယ်ခဲ့သည်။ နှစ်ဖက်စလုံးရှိ တူညီသောသွားများသည် ဖွံ့ဖြိုးမှုအဆင့်များ မတူညီပါက၊ ခန့်မှန်းအသက်အရွယ်တွင် မသေချာမှုကို ထည့်သွင်းစဉ်းစားရန် ဖွံ့ဖြိုးမှုအဆင့်နိမ့်သောသွားကို ရွေးချယ်ခဲ့သည်။ သွားရင့်ကျက်မှုအဆင့်ကို ဆုံးဖြတ်ရန် ကြိုတင်ချိန်ညှိပြီးနောက် လေ့လာသူများအကြား ယုံကြည်စိတ်ချရမှုကို စမ်းသပ်ရန် လေ့ကျင့်ရေးအစုံမှ ကျပန်းရွေးချယ်ထားသော ရေဒီယိုဓာတ်မှန် ၁၀၀ ကို အတွေ့အကြုံရှိ လေ့လာသူနှစ်ဦးမှ အမှတ်ပေးခဲ့သည်။ လေ့လာသူအတွင်း ယုံကြည်စိတ်ချရမှုကို အဓိကလေ့လာသူမှ သုံးလတစ်ကြိမ် နှစ်ကြိမ်အကဲဖြတ်ခဲ့သည်။
လေ့ကျင့်ရေးအစုံရှိ မေးရိုးတစ်ခုစီ၏ ဒုတိယနှင့် တတိယအံသွားများ၏ လိင်နှင့် ဖွံ့ဖြိုးမှုအဆင့်ကို DM မော်ဒယ်အမျိုးမျိုးဖြင့် လေ့ကျင့်ထားသော အဓိကလေ့လာသူတစ်ဦးမှ ခန့်မှန်းခဲ့ပြီး တကယ့်အသက်ကို ပစ်မှတ်တန်ဖိုးအဖြစ် သတ်မှတ်ထားသည်။ စက်သင်ယူမှုတွင် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုကြသော SLP နှင့် MLP မော်ဒယ်များကို regression algorithms များနှင့် စမ်းသပ်ခဲ့သည်။ DM မော်ဒယ်သည် သွားလေးချောင်း၏ ဖွံ့ဖြိုးမှုအဆင့်များကို အသုံးပြု၍ linear functions များကို ပေါင်းစပ်ပြီး အသက်ကို ခန့်မှန်းရန် ဤဒေတာများကို ပေါင်းစပ်သည်။ SLP သည် အရိုးရှင်းဆုံး neural network ဖြစ်ပြီး hidden layers များ မပါဝင်ပါ။ SLP သည် node များအကြား threshold transmission ကို အခြေခံ၍ အလုပ်လုပ်သည်။ regression ရှိ SLP မော်ဒယ်သည် multiple linear regression နှင့် သင်္ချာနည်းအရ ဆင်တူသည်။ SLP မော်ဒယ်နှင့်မတူဘဲ MLP မော်ဒယ်တွင် nonlinear activation functions များပါရှိသော hidden layers များစွာရှိသည်။ ကျွန်ုပ်တို့၏ စမ်းသပ်ချက်များတွင် nonlinear activation functions များပါရှိသော hidden node ၂၀ သာပါရှိသော hidden layer ကို အသုံးပြုခဲ့သည်။ ကျွန်ုပ်တို့၏ စက်သင်ယူမှုမော်ဒယ်ကို လေ့ကျင့်ရန် gradient descent ကို optimization နည်းလမ်းအဖြစ်နှင့် MAE နှင့် RMSE ကို loss function အဖြစ် အသုံးပြုပါ။ အကောင်းဆုံးရရှိသော regression မော်ဒယ်ကို internal နှင့် external test sets များတွင် အသုံးပြုခဲ့ပြီး သွားများ၏ အသက်အရွယ်ကို ခန့်မှန်းခဲ့သည်။
လေ့ကျင့်ရေးအစုံပေါ်ရှိ သွားလေးချောင်း၏ ရင့်ကျက်မှုကို အသုံးပြု၍ နမူနာတစ်ခုသည် အသက် ၁၈ နှစ်ရှိမရှိ ခန့်မှန်းသည့် classification algorithm တစ်ခုကို တီထွင်ခဲ့သည်။ မော်ဒယ်တည်ဆောက်ရန်အတွက်၊ ကျွန်ုပ်တို့သည် ကိုယ်စားပြု machine learning algorithms ခုနစ်ခုကို ရယူခဲ့သည်6,43- (1) LR၊ (2) KNN၊ (3) SVM၊ (4) DT၊ (5) RF၊ (6) XGBoost နှင့် (7) MLP။ LR သည် အသုံးအများဆုံး classification algorithms44 များထဲမှ တစ်ခုဖြစ်သည်။ ၎င်းသည် regression ကို အသုံးပြု၍ 0 မှ 1 အထိ သတ်မှတ်ထားသော အမျိုးအစားတစ်ခုနှင့် သက်ဆိုင်သည့် data ၏ ဖြစ်နိုင်ခြေကို ခန့်မှန်းပြီး ဤဖြစ်နိုင်ခြေအပေါ် အခြေခံ၍ data ကို ပိုမိုဖြစ်နိုင်ခြေရှိသော အမျိုးအစားနှင့် သက်ဆိုင်သည့်အနေဖြင့် အမျိုးအစားခွဲခြားသည့် supervised learning algorithm တစ်ခုဖြစ်သည်။ အဓိကအားဖြင့် binary classification အတွက် အသုံးပြုသည်။ KNN သည် အရိုးရှင်းဆုံး machine learning algorithms45 များထဲမှ တစ်ခုဖြစ်သည်။ input data အသစ်များပေးသောအခါ၊ ၎င်းသည် ရှိပြီးသား set နှင့် နီးစပ်သော k data ကို ရှာဖွေပြီးနောက် အမြင့်ဆုံးကြိမ်နှုန်းရှိသော class ထဲသို့ အမျိုးအစားခွဲခြားသည်။ ထည့်သွင်းစဉ်းစားထားသော အိမ်နီးချင်းအရေအတွက် (k) အတွက် 3 ကို ကျွန်ုပ်တို့သတ်မှတ်သည်။ SVM သည် kernel function ကို အသုံးပြု၍ linear space ကို fields46 ဟုခေါ်သော non-linear space အဖြစ် ချဲ့ထွင်ခြင်းဖြင့် class နှစ်ခုကြား အကွာအဝေးကို အမြင့်ဆုံးဖြစ်စေသည့် algorithm တစ်ခုဖြစ်သည်။ ဤမော်ဒယ်အတွက်၊ ကျွန်ုပ်တို့သည် polynomial kernel အတွက် hyperparameters အဖြစ် bias = 1၊ power = 1 နှင့် gamma = 1 တို့ကို အသုံးပြုပါသည်။ DT ကို tree structure တွင် decision rules များကိုကိုယ်စားပြုခြင်းဖြင့် data set တစ်ခုလုံးကို subgroup များစွာအဖြစ်ပိုင်းခြားရန် algorithm အဖြစ် နယ်ပယ်အမျိုးမျိုးတွင် အသုံးပြုခဲ့သည်47။ မော်ဒယ်ကို node တစ်ခုလျှင် အနည်းဆုံး record အရေအတွက် 2 ခုဖြင့် configure လုပ်ထားပြီး အရည်အသွေးတိုင်းတာမှုအဖြစ် Gini index ကို အသုံးပြုသည်။ RF သည် မူရင်း dataset48 မှ တူညီသောအရွယ်အစားရှိသော sample များကို အကြိမ်ကြိမ် random ဆွဲခြင်းဖြင့် sample တစ်ခုစီအတွက် weak classifier ကိုထုတ်ပေးသည့် bootstrap aggregation နည်းလမ်းကို အသုံးပြု၍ စွမ်းဆောင်ရည်တိုးတက်စေရန် DTs အများအပြားကို ပေါင်းစပ်သည့် ensemble method တစ်ခုဖြစ်သည်48။ ကျွန်ုပ်တို့သည် tree 100၊ tree depths 10၊ minimum node size 1 နှင့် Gini admixture index ကို node separation criteria အဖြစ် အသုံးပြုခဲ့သည်။ data အသစ်များ၏ classification ကို အများစုမဲဖြင့် ဆုံးဖြတ်သည်။ XGBoost သည် boosting techniques များကို training data အဖြစ် ယခင်မော်ဒယ်၏ actual နှင့် predicted values ​​များကြားရှိ error ကိုယူပြီး gradients49 ကို အသုံးပြု၍ error ကို augment လုပ်သည့် method ကို အသုံးပြု၍ ပေါင်းစပ်ထားသော algorithm တစ်ခုဖြစ်သည်49။ ၎င်းသည် ၎င်း၏ကောင်းမွန်သောစွမ်းဆောင်ရည်နှင့် အရင်းအမြစ်ထိရောက်မှုအပြင် overfitting correction function အဖြစ် မြင့်မားသောယုံကြည်စိတ်ချရမှုကြောင့် ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုသော algorithm တစ်ခုဖြစ်သည်။ မော်ဒယ်တွင် support wheels ၄၀၀ တပ်ဆင်ထားသည်။ MLP သည် input နှင့် output layers များအကြားတွင် hidden layers တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော perceptrons တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော layers များဖြင့် အလွှာများစွာကို ဖွဲ့စည်းထားသော neural network တစ်ခုဖြစ်သည်။ ၎င်းကို အသုံးပြုခြင်းဖြင့် input layer တစ်ခုထည့်ပြီး ရလဒ်တန်ဖိုးကိုရရှိသောအခါ ခန့်မှန်းရလဒ်တန်ဖိုးကို တကယ့်ရလဒ်တန်ဖိုးနှင့် နှိုင်းယှဉ်ပြီး အမှားကို ပြန်လည်ပျံ့နှံ့စေသည်။ ကျွန်ုပ်တို့သည် layer တစ်ခုစီတွင် hidden neurons ၂၀ ပါသော hidden layer တစ်ခုကို ဖန်တီးခဲ့သည်။ ကျွန်ုပ်တို့တီထွင်ထားသော မော်ဒယ်တစ်ခုစီကို sensitivity၊ specificity၊ PPV၊ NPV နှင့် AUROC တို့ကို တွက်ချက်ခြင်းဖြင့် classification performance ကိုစမ်းသပ်ရန် internal နှင့် external sets များတွင် အသုံးပြုခဲ့သည်။ Sensitivity ကို အသက် ၁၈ နှစ် သို့မဟုတ် ထို့ထက်ပိုသော ခန့်မှန်းနမူနာနှင့် အသက် ၁၈ နှစ် သို့မဟုတ် ထို့ထက်ပိုသော ခန့်မှန်းနမူနာ၏ အချိုးအဖြစ် သတ်မှတ်သည်။ Specificity ဆိုသည်မှာ အသက် ၁၈ နှစ်အောက်နှင့် အသက် ၁၈ နှစ်အောက် ခန့်မှန်းနမူနာများ၏ အချိုးဖြစ်သည်။
လေ့ကျင့်ရေးအစုံတွင် အကဲဖြတ်ထားသော သွားအဆင့်များကို စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုအတွက် ဂဏန်းအဆင့်များအဖြစ်သို့ ပြောင်းလဲခဲ့သည်။ လိင်တစ်ခုစီအတွက် ခန့်မှန်းမော်ဒယ်များ တီထွင်ရန်နှင့် အသက်ကိုခန့်မှန်းရန် အသုံးပြုနိုင်သည့် regression ဖော်မြူလာများကို ရယူရန်အတွက် Multivariate linear နှင့် logistic regression ကို လုပ်ဆောင်ခဲ့သည်။ အတွင်းပိုင်းနှင့် အပြင်ပိုင်းစမ်းသပ်မှုအစုံနှစ်ခုလုံးအတွက် သွားများ၏အသက်ကို ခန့်မှန်းရန် ဤဖော်မြူလာများကို အသုံးပြုခဲ့သည်။ ဇယား ၄ တွင် ဤလေ့လာမှုတွင် အသုံးပြုသော regression နှင့် classification မော်ဒယ်များကို ပြသထားသည်။
Intra- နှင့် interobserver ယုံကြည်စိတ်ချရမှုကို Cohen ၏ kappa စာရင်းအင်းကို အသုံးပြု၍ တွက်ချက်ခဲ့သည်။ DM နှင့် ရိုးရာ regression မော်ဒယ်များ၏ တိကျမှုကို စမ်းသပ်ရန်အတွက်၊ ကျွန်ုပ်တို့သည် အတွင်းပိုင်းနှင့် ပြင်ပစမ်းသပ်မှုအစုံများ၏ ခန့်မှန်းခြေနှင့် တကယ့်အသက်အရွယ်များကို အသုံးပြု၍ MAE နှင့် RMSE ကို တွက်ချက်ခဲ့သည်။ ဤအမှားများကို မော်ဒယ်ခန့်မှန်းချက်များ၏ တိကျမှုကို အကဲဖြတ်ရန် အသုံးများသည်။ အမှားနည်းလေ၊ ခန့်မှန်းချက်၏ တိကျမှု မြင့်မားလေဖြစ်သည်။24။ DM နှင့် ရိုးရာ regression ကို အသုံးပြု၍ တွက်ချက်ထားသော အတွင်းပိုင်းနှင့် ပြင်ပစမ်းသပ်မှုအစုံများ၏ MAE နှင့် RMSE ကို နှိုင်းယှဉ်ပါ။ ရိုးရာစာရင်းအင်းများတွင် ၁၈ နှစ် ဖြတ်တောက်မှု၏ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကို 2 × 2 အရေးပေါ်ဇယားကို အသုံးပြု၍ အကဲဖြတ်ခဲ့သည်။ တွက်ချက်ထားသော စမ်းသပ်အစုံ၏ sensitivity၊ specificity၊ PPV၊ NPV နှင့် AUROC ကို DM ခွဲခြားမှုမော်ဒယ်၏ တိုင်းတာထားသော တန်ဖိုးများနှင့် နှိုင်းယှဉ်ခဲ့သည်။ ဒေတာများကို ဒေတာဝိသေသလက္ခဏာများပေါ် မူတည်၍ ပျမ်းမျှ ± စံသွေဖည်မှု သို့မဟုတ် နံပါတ် (%) အဖြစ် ဖော်ပြထားသည်။ နှစ်ဖက် P တန်ဖိုးများ <0.05 ကို စာရင်းအင်းအရ သိသာထင်ရှားသည်ဟု ယူဆခဲ့သည်။ ပုံမှန်စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှုအားလုံးကို SAS ဗားရှင်း 9.4 (SAS Institute, Cary, NC) ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။ DM regression မော်ဒယ်ကို Python တွင် Keras50 2.2.4 backend နှင့် Tensorflow51 1.8.0 တို့ကို အသုံးပြု၍ သင်္ချာဆိုင်ရာ လုပ်ဆောင်ချက်များအတွက် အကောင်အထည်ဖော်ခဲ့သည်။ DM classification မော်ဒယ်ကို Waikato Knowledge Analysis Environment နှင့် Konstanz Information Miner (KNIME) 4.6.152 analysis platform တွင် အကောင်အထည်ဖော်ခဲ့သည်။
လေ့လာမှု၏ နိဂုံးချုပ်ချက်များကို ထောက်ခံသည့် အချက်အလက်များကို ဆောင်းပါးနှင့် နောက်ဆက်တွဲပစ္စည်းများတွင် ရှာဖွေနိုင်ကြောင်း စာရေးသူများက အသိအမှတ်ပြုပါသည်။ လေ့လာမှုကာလအတွင်း ထုတ်လုပ်ထားသော နှင့်/သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာထားသော အချက်အလက်အစုများကို သက်ဆိုင်ရာစာရေးသူထံမှ ကျိုးကြောင်းဆီလျော်သော တောင်းဆိုမှုဖြင့် ရရှိနိုင်ပါသည်။
Ritz-Timme၊ S. et al. အသက်အရွယ်အကဲဖြတ်ခြင်း- ရာဇဝတ်မှုဆိုင်ရာလုပ်ငန်း၏ သီးခြားလိုအပ်ချက်များနှင့် ကိုက်ညီစေရန် အဆင့်မြင့်နည်းပညာ။ နိုင်ငံတကာဆန်မှု။ J. ဥပဒေဆေးပညာ။ ၁၁၃၊ ၁၂၉–၁၃၆ (၂၀၀၀)။
Schmeling, A., Reisinger, W., Geserik, G., နှင့် Olze, A. ရာဇ၀တ်မှုဆိုင်ရာ တရားစွဲဆိုမှု ရည်ရွယ်ချက်အတွက် အသက်ရှင်နေသော လူများ၏ ရာဇ၀တ်မှုဆိုင်ရာ အသက်အရွယ် အကဲဖြတ်ခြင်း၏ လက်ရှိအခြေအနေ။ ရာဇ၀တ်မှုဆိုင်ရာ။ ဆေးပညာ။ ရောဂါဗေဒ။ ၁၊ ၂၃၉–၂၄၆ (၂၀၀၅)။
Pan၊ J. et al. တရုတ်နိုင်ငံအရှေ့ပိုင်းရှိ အသက် ၅ နှစ်မှ ၁၆ နှစ်အရွယ်ကလေးများ၏ သွားကျန်းမာရေးကို အကဲဖြတ်ရန်အတွက် ပြုပြင်ထားသောနည်းလမ်း။ ဆေးခန်း။ ပါးစပ်စစ်တမ်း။ ၂၅၊ ၃၄၆၃–၃၄၇၄ (၂၀၂၁)။
Lee၊ SS စသည်တို့။ ကိုရီးယားလူမျိုးများတွင် ဒုတိယနှင့် တတိယအံသွားများ ဖွံ့ဖြိုးတိုးတက်လာမှု၏ ကာလစဉ်ဇယားနှင့် မှုခင်းဆေးပညာအသက်အရွယ်အကဲဖြတ်မှုအတွက် ၎င်း၏အသုံးချမှု။ နိုင်ငံတကာရေးရာ။ J. ဥပဒေဆေးပညာ။ ၁၂၄၊ ၆၅၉–၆၆၅ (၂၀၁၀)။
Oh, S., Kumagai, A., Kim, SY နှင့် Lee, SS ကိုရီးယားနှင့် ဂျပန်လူမျိုးများတွင် ဒုတိယနှင့် တတိယအံသွားများ၏ ရင့်ကျက်မှုအပေါ် အခြေခံ၍ အသက်ခန့်မှန်းချက်၏ တိကျမှုနှင့် ၁၈ နှစ် ကန့်သတ်ချက်ခန့်မှန်းခြင်း။ PLoS ONE 17, e0271247 (2022)။
Kim၊ JY၊ et al။ ခွဲစိတ်မှုမတိုင်မီ စက်သင်ယူမှုအခြေခံဒေတာခွဲခြမ်းစိတ်ဖြာမှုသည် OSA ရှိသောလူနာများတွင် အိပ်စက်ခြင်းခွဲစိတ်ကုသမှုရလဒ်ကို ခန့်မှန်းနိုင်သည်။ သိပ္ပံ။ အစီရင်ခံစာ ၁၁၊ ၁၄၉၁၁ (၂၀၂၁)။
Han၊ M. et al. လူသားဝင်ရောက်စွက်ဖက်မှုရှိသည်ဖြစ်စေ မရှိသည်ဖြစ်စေ စက်သင်ယူမှုမှ တိကျသောအသက်အရွယ်ခန့်မှန်းချက်။ နိုင်ငံတကာရေးရာ။ J. ဥပဒေဆေးပညာ။ ၁၃၆၊ ၈၂၁–၈၃၁ (၂၀၂၂)။
Khan, S. နှင့် Shaheen, M. ဒေတာတူးဖော်ခြင်းမှ ဒေတာတူးဖော်ခြင်းသို့။ J.Information. သိပ္ပံ။ https://doi.org/10.1177/01655515211030872 (2021).
Khan၊ S. နှင့် Shaheen၊ M. WisRule: Association Rule Mining အတွက် ပထမဆုံးသော Cognitive Algorithm။ J.Information။ သိပ္ပံ။ https://doi.org/10.1177/01655515221108695 (2022)။
Shaheen M. နှင့် Abdullah U. Karm: ဆက်စပ်မှုအခြေခံ ဆက်စပ်မှုစည်းမျဉ်းများအပေါ် အခြေခံသည့် ရိုးရာဒေတာတူးဖော်ခြင်း။ တွက်ချက်ပါ။ မဿဲ။ ဆက်လက်လုပ်ဆောင်ပါ။ ၆၈၊ ၃၃၀၅–၃၃၂၂ (၂၀၂၁)။
Muhammad M.၊ Rehman Z.၊ Shaheen M.၊ Khan M. နှင့် Habib M.။ စာသားဒေတာ။ သတင်းအချက်အလက်။ နည်းပညာ။ ထိန်းချုပ်မှု။ https://doi.org/10.5755/j01.itc.49.4.27118 (၂၀၂၀)။
Tabish၊ M.၊ Tanoli၊ Z. နှင့် Shahin၊ M. အားကစားဗီဒီယိုများတွင် လှုပ်ရှားမှုကို မှတ်မိသည့်စနစ်။ မာလ်တီမီဒီယာ။ ကိရိယာများ အပလီကေးရှင်းများ https://doi.org/10.1007/s11042-021-10519-6 (2021)။
Halabi၊ SS et al. ကလေးအရိုးခေတ်တွင် RSNA စက်သင်ယူမှုစိန်ခေါ်မှု။ Radiology 290၊ 498–503 (2019)။
Li၊ Y. et al. deep learning ကို အသုံးပြု၍ တင်ပါးဆုံတွင်း X-ray မှ ရာဇဝတ်မှုဆိုင်ရာ အသက်ခန့်မှန်းခြင်း။ EURO. radiation. ၂၉၊ ၂၃၂၂–၂၃၂၉ (၂၀၁၉)။
Guo၊ YC၊ et al. လက်စွဲနည်းလမ်းများနှင့် orthographic projection ပုံရိပ်များမှ deep convolutional neural network များကို အသုံးပြု၍ တိကျသော အသက်ခွဲခြားခြင်း။ နိုင်ငံတကာရေးရာ။ J. Legal medicine။ ၁၃၅၊ ၁၅၈၉–၁၅၉၇ (၂၀၂၁)။
Alabama Dalora et al. စက်သင်ယူမှုနည်းလမ်းများကို အသုံးပြု၍ အရိုးအသက်ခန့်မှန်းခြင်း- စနစ်တကျ စာပေပြန်လည်သုံးသပ်ခြင်းနှင့် မက်တာ-ခွဲခြမ်းစိတ်ဖြာခြင်း။ PLoS ONE 14, e0220242 (2019)။
Du, H., Li, G., Cheng, K., နှင့် Yang, J. အာဖရိကန်အမေရိကန်များနှင့် တရုတ်လူမျိုးများ၏ လူဦးရေအလိုက် အသက်ခန့်မှန်းချက် cone-beam computed tomography ကို အသုံးပြု၍ ပထမဆုံးအံသွားများ၏ pulp chamber ပမာဏကို အခြေခံသည်။ internality. J. Legal medicine. 136, 811–819 (2022).
Kim S.၊ Lee YH၊ Noh YK၊ Park FK နှင့် Oh KS။ ပထမဆုံးအံသွားများ၏ အတုဥာဏ်ရည်ကိုအခြေခံသည့် ရုပ်ပုံများကို အသုံးပြု၍ အသက်ရှင်နေထိုင်သူများ၏ အသက်အရွယ်အုပ်စုများကို ဆုံးဖြတ်ခြင်း။ သိပ္ပံ။ အစီရင်ခံစာ ၁၁၊ ၁၀၇၃ (၂၀၂၁)။
Stern, D., Payer, C., Giuliani, N., နှင့် Urschler, M. multivariate MRI အချက်အလက်မှ အလိုအလျောက် အသက်ခန့်မှန်းခြင်းနှင့် အများစု အသက်ခွဲခြားခြင်း။ IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. နှင့် Li, G. deep learning နှင့် level set များကို ပေါင်းစပ်ခြင်းဖြင့် cone beam computed tomography မှ ပထမဆုံးအံသွားများ၏ 3D pulp chamber segmentation ကို အခြေခံ၍ အသက်ခန့်မှန်းခြင်း။ internality. J. Legal medicine. 135, 365–373 (2021).
Wu၊ WT၊ et al. ဆေးခန်းဆိုင်ရာ big data တွင် data mining: အသုံးများသော database များ၊ အဆင့်များနှင့် နည်းလမ်းမော်ဒယ်များ။ ကမ္ဘာ့။ ဆေးပညာ။ အရင်းအမြစ်။ ၈၊ ၄၄ (၂၀၂၁)။
Yang၊ J. et al. Big Data ခေတ်တွင် ဆေးဘက်ဆိုင်ရာဒေတာဘေ့စ်များနှင့်ဒေတာတူးဖော်ခြင်းနည်းပညာများနိဒါန်း။ J. Avid။ အခြေခံဆေးပညာ။ ၁၃၊ ၅၇–၆၉ (၂၀၂၀)။
Shen၊ S. et al. စက်သင်ယူမှုကို အသုံးပြု၍ သွားများ၏အသက်အရွယ်ကို ခန့်မှန်းရန် Camerer ၏နည်းလမ်း။ BMC Oral Health 21၊ 641 (2021)။
Galliburg A. et al. Demirdjian staging နည်းလမ်းကို အသုံးပြု၍ သွားအသက်အရွယ်ကို ခန့်မှန်းရန် မတူညီသော စက်သင်ယူမှု နည်းလမ်းများကို နှိုင်းယှဉ်ခြင်း။ internality. J. Legal medicine. 135, 665–675 (2021).
Demirdjian, A., Goldstein, H. နှင့် Tanner, JM သွားအသက်အရွယ်ကို အကဲဖြတ်ရန်အတွက် စနစ်အသစ်။ snort. biology. 45, 211–227 (1973)။
Landis၊ JR နှင့် Koch၊ GG အမျိုးအစားအလိုက်ဒေတာအပေါ် စောင့်ကြည့်သူသဘောတူညီချက်၏ တိုင်းတာမှုများ။ ဇီဝမက်ထရစ် ၃၃၊ ၁၅၉–၁၇၄ (၁၉၇၇)။
Bhattacharjee S၊ Prakash D၊ Kim C၊ Kim HK နှင့် Choi HK။ မူလဦးနှောက်အကျိတ်များကို ခွဲခြားရန်အတွက် အတုဥာဏ်ရည်နည်းပညာများကို အသုံးပြု၍ နှစ်ဘက်မြင်သံကြားပဲ့တင်ရိုက်ခတ်မှုပုံရိပ်ဖော်ခြင်း၏ အသွင်အပြင်၊ ရုပ်သွင်ပြင်နှင့် စာရင်းအင်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု။ ကျန်းမာရေးအချက်အလက်။ အရင်းအမြစ်။ https://doi.org/10.4258/hir.2022.28.1.46 (2022)။