ကိုရီးယားဆယ်ကျော်သက်များနှင့် လူငယ်လူရွယ်များအကြား ရိုးရာသွားဘက်ဆိုင်ရာ အသက်ခန့်မှန်းခြင်းနည်းလမ်းများနှင့် ဒေတာတူးဖော်မှုပုံစံကို အတည်ပြုခြင်း

Nature.com ကိုလာရောက်လည်ပတ်သည့်အတွက် ကျေးဇူးတင်ပါသည်။သင်အသုံးပြုနေသောဘရောက်ဆာဗားရှင်းတွင် CSS ပံ့ပိုးမှုအကန့်အသတ်ရှိသည်။အကောင်းဆုံးရလဒ်များအတွက်၊ သင့်ဘရောက်ဆာ၏ ဗားရှင်းအသစ် (သို့မဟုတ် Internet Explorer တွင် လိုက်ဖက်ညီသောမုဒ်ကို ပိတ်ပါ) ကို အသုံးပြုရန် အကြံပြုအပ်ပါသည်။ဤအတောအတွင်း၊ ဆက်လက်ပံ့ပိုးကူညီမှုသေချာစေရန်၊ ကျွန်ုပ်တို့သည် စတိုင်ပုံစံ သို့မဟုတ် JavaScript မပါဘဲ ဆိုက်ကို ပြသနေပါသည်။
သွားများကို လူ့ခန္ဓာကိုယ်၏အသက်အရွယ်၏ အတိကျဆုံးညွှန်ပြချက်အဖြစ် သတ်မှတ်ပြီး မှုခင်းဆေးပညာဆိုင်ရာ အသက်အရွယ်အကဲဖြတ်မှုတွင် မကြာခဏအသုံးပြုလေ့ရှိသည်။ကျွန်ုပ်တို့သည် 18 နှစ်အဆင့်၏ ခန့်မှန်းခြေတိကျမှုနှင့် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကို ရိုးရာနည်းလမ်းများနှင့် ဒေတာတူးဖော်မှုအခြေခံအသက်အရွယ် ခန့်မှန်းချက်များနှင့် နှိုင်းယှဉ်ခြင်းဖြင့် ဒေတာတူးဖော်မှုအခြေခံသည့် သွားဘက်ဆိုင်ရာအသက်ခန့်မှန်းချက်ကို တရားဝင်အောင်ပြုလုပ်ရန် ရည်ရွယ်ပါသည်။အသက် ၁၅ နှစ်မှ ၂၃ နှစ်ကြား ကိုရီးယားနှင့် ဂျပန် နိုင်ငံသားများထံမှ မြင်ကွင်းကျယ် ဓာတ်မှန်ရိုက်ခြင်း စုစုပေါင်း ၂၆၅၇ ခုကို စုဆောင်းခဲ့သည်။၎င်းတို့ကို ကိုရီးယားဓာတ်မှန်ရိုက်ခြင်း ၉၀၀ ပါ၀င်သော လေ့ကျင့်ရေးအစုံအဖြစ် ခွဲခြားထားပြီး ဂျပန်ဓာတ်မှန်ရိုက်ခြင်း ၈၅၇ ခု ပါဝင်သည့် အတွင်းပိုင်းစမ်းသပ်မှုတစ်ခုဖြစ်သည်။ကျွန်ုပ်တို့သည် ရိုးရာနည်းလမ်းများ၏ အမျိုးအစားခွဲခြားတိကျမှုနှင့် ထိရောက်မှုကို ဒေတာတူးဖော်မှုပုံစံများ၏ စမ်းသပ်မှုအစုများနှင့် နှိုင်းယှဉ်ပါသည်။အတွင်းပိုင်းစမ်းသပ်မှုအစုံရှိ မိရိုးဖလာနည်းလမ်း၏ တိကျမှုသည် ဒေတာတူးဖော်မှုမော်ဒယ်ထက် အနည်းငယ်ပိုမိုမြင့်မားပြီး ကွာခြားချက်မှာ သေးငယ်သည် (ဆိုလိုသည်မှာ ပကတိအမှား <0.21 နှစ်၊ root ဆိုလိုရင်းစတုရန်းအမှား <0.24 နှစ်)။18 နှစ်ဖြတ်တောက်ခြင်းအတွက် အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်သည် ရိုးရာနည်းလမ်းများနှင့် ဒေတာတူးဖော်ခြင်းမော်ဒယ်များကြားတွင်လည်း အလားတူဖြစ်သည်။ထို့ကြောင့်၊ ကိုးရီးယား ဆယ်ကျော်သက်များနှင့် လူရွယ်များတွင် ဒုတိယနှင့် တတိယအံသွားများ၏ ရင့်ကျက်မှုကို အသုံးပြု၍ မှုခင်းဆေးပညာဆိုင်ရာ အသက်အကဲဖြတ်မှုပြုလုပ်သည့်အခါ ရိုးရာနည်းလမ်းများကို ဒေတာတူးဖော်မှုပုံစံများဖြင့် အစားထိုးနိုင်ပါသည်။
သွားနှင့်ခံတွင်းဆိုင်ရာ အသက်ခန့်မှန်းချက်ကို မှုခင်းဆေးပညာနှင့် ကလေးသွားဘက်ဆိုင်ရာ ပညာရပ်များတွင် တွင်ကျယ်စွာ အသုံးပြုပါသည်။အထူးသဖြင့်၊ အချိန်နှင့် တပြေးညီ အသက်အရွယ်နှင့် သွားဘက်ဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်မှုကြား မြင့်မားသော ဆက်စပ်မှုကြောင့်၊ သွားဘက်ဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်မှု အဆင့်များဖြင့် အသက်အရွယ် အကဲဖြတ်ခြင်းသည် ကလေးများနှင့် ဆယ်ကျော်သက်များ၏ အသက်အရွယ်ကို အကဲဖြတ်ရန် အရေးကြီးသော စံသတ်မှတ်ချက်တစ်ခု ဖြစ်သည်။သို့သော် လူငယ်များအတွက်၊ တတိယအံသွားမှလွဲ၍ သွားဘက်ဆိုင်ရာကြီးထွားမှု ပြည့်စုံလုနီးပါးဖြစ်သောကြောင့် သွားဘက်ဆိုင်ရာ ရင့်ကျက်မှုအပေါ်အခြေခံ၍ သွားဘက်ဆိုင်ရာအသက်ကို ခန့်မှန်းရာတွင် ကန့်သတ်ချက်များရှိသည်။လူငယ်များနှင့် ဆယ်ကျော်သက်များ၏ အသက်ကို ဆုံးဖြတ်ခြင်း၏ တရားဝင်ရည်ရွယ်ချက်မှာ ၎င်းတို့သည် လူများစု၏အသက်အရွယ်သို့ရောက်ရှိခြင်းရှိမရှိကို တိကျသောခန့်မှန်းချက်များနှင့် သိပ္ပံနည်းကျအထောက်အထားများပေးရန်ဖြစ်သည်။ကိုရီးယားရှိ ဆယ်ကျော်သက်များနှင့် လူငယ်လူရွယ်များ၏ ဆေးဘက်ဆိုင်ရာဥပဒေကျင့်ထုံးတွင် Lee ၏နည်းလမ်းကို အသုံးပြု၍ အသက်ကို ခန့်မှန်းထားပြီး Oh et al 5 မှ ဖော်ပြသော အချက်အလက်များအပေါ် အခြေခံ၍ တရားဝင် 18 နှစ်ဟု ခန့်မှန်းထားသည်။
Machine Learning သည် ဒေတာအများအပြားကို ထပ်ခါတလဲလဲ လေ့လာပြီး အမျိုးအစားခွဲကာ ပြဿနာများကို ကိုယ်တိုင်ဖြေရှင်းကာ ဒေတာပရိုဂရမ်ရေးဆွဲခြင်းကို မောင်းနှင်ပေးသည့် ဉာဏ်ရည်တု (AI) အမျိုးအစားတစ်ခုဖြစ်သည်။Machine learning သည် data6 အများအပြားတွင် အသုံးဝင်သော လျှို့ဝှက်ပုံစံများကို ရှာဖွေတွေ့ရှိနိုင်သည်။ဆန့်ကျင်ဘက်အနေနှင့်၊ လုပ်အားပိုသုံး၍ အချိန်ကုန်စေသော ဂန္တဝင်နည်းလမ်းများသည် ကိုယ်တိုင်လုပ်ဆောင်ရန်ခက်ခဲသော ရှုပ်ထွေးသောဒေတာအမြောက်အမြားကို ကိုင်တွယ်ဖြေရှင်းရာတွင် ကန့်သတ်ချက်များရှိနိုင်သည်။ထို့ကြောင့်၊ လူသားအမှားများကို လျှော့ချရန်နှင့် ဘက်ပေါင်းစုံမှ data8,9,10,11,12 ကို ထိထိရောက်ရောက် လုပ်ဆောင်ရန် နောက်ဆုံးပေါ် ကွန်ပျူတာနည်းပညာများကို အသုံးပြု၍ လေ့လာမှုများစွာကို မကြာသေးမီက ပြုလုပ်ခဲ့ပါသည်။အထူးသဖြင့်၊ နက်ရှိုင်းသောသင်ယူမှုကို ဆေးဘက်ဆိုင်ရာရုပ်ပုံခွဲခြမ်းစိတ်ဖြာမှုတွင် တွင်ကျယ်စွာအသုံးပြုခဲ့ပြီး အသက်အရွယ်ခန့်မှန်းချက်အတွက် အမျိုးမျိုးသောနည်းလမ်းများကို အလိုအလျောက်ဓာတ်မှန်ရိုက်ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် အသက်အရွယ်ခန့်မှန်းချက်၏ တိကျမှုနှင့် ထိရောက်မှုတို့ကို တိုးတက်ကောင်းမွန်စေရန် အစီရင်ခံတင်ပြထားပါသည်။ .ဥပမာအားဖြင့်၊ Halabi et al 13 သည် ကလေးများ၏လက်များကို ဓာတ်မှန်ရိုက်ခြင်းဖြင့် အရိုးစုအသက်ကို ခန့်မှန်းရန် convolutional neural networks (CNN) ကို အခြေခံ၍ စက်သင်ယူမှု algorithm ကို တီထွင်ခဲ့သည်။ဤလေ့လာမှုသည် ဆေးဘက်ဆိုင်ရာရုပ်ပုံများနှင့် စက်သင်ယူမှုကို အသုံးချသည့် စံနမူနာကို အဆိုပြုထားပြီး အဆိုပါနည်းလမ်းများသည် ရောဂါရှာဖွေမှု တိကျမှုကို မြှင့်တင်ပေးနိုင်ကြောင်း ပြသထားသည်။Li et al14 သည် နက်နဲသောသင်ယူမှု CNN ကိုအသုံးပြု၍ တင်ပါးဆုံတွင်းဓာတ်မှန်ပုံများမှ ခန့်မှန်းခြေအသက်အရွယ်ကို ossification အဆင့်ခန့်မှန်းချက်ဖြင့် ဆုတ်ယုတ်ခြင်းရလဒ်များနှင့် နှိုင်းယှဉ်ခဲ့သည်။နက်ရှိုင်းသောသင်ယူမှု CNN မော်ဒယ်သည် သမားရိုးကျ ဆုတ်ယုတ်မှုပုံစံကဲ့သို့ တူညီသောအသက်အရွယ် ခန့်မှန်းချက်စွမ်းဆောင်ရည်ကို ပြသခဲ့ကြောင်း ၎င်းတို့တွေ့ရှိခဲ့သည်။Guo et al. ၏ လေ့လာမှု [15] သည် CNN နည်းပညာ၏ သွားနှင့်ခံတွင်းဆိုင်ရာ ဓာတ်ပုံများကို အခြေခံ၍ အသက်သည်းခံနိုင်မှု အမျိုးအစားခွဲခြင်း စွမ်းဆောင်ရည်ကို အကဲဖြတ်ခဲ့ပြီး CNN မော်ဒယ်၏ ရလဒ်များက လူသားများသည် ၎င်း၏ အသက်အရွယ် ခွဲခြားခြင်းဆိုင်ရာ စွမ်းဆောင်ရည်ထက် သာလွန်ကြောင်း သက်သေပြခဲ့သည်။
စက်သင်ယူမှုကို အသုံးပြု၍ အသက်ခန့်မှန်းခြင်းဆိုင်ရာ လေ့လာမှုအများစုသည် နက်နဲသောသင်ယူမှုနည်းလမ်းများ13,14,15,16,17,18,19,20 ကိုအသုံးပြုသည်။နက်နဲသောသင်ယူမှုအပေါ်အခြေခံ၍ အသက်အရွယ်ခန့်မှန်းချက်သည် သမားရိုးကျနည်းလမ်းများထက် ပိုမိုတိကျသည်ဟု အစီရင်ခံထားသည်။သို့သော်၊ ဤချဉ်းကပ်မှုသည် ခန့်မှန်းချက်တွင်အသုံးပြုသည့် အသက်အညွှန်းများကဲ့သို့သော အသက်ခန့်မှန်းချက်များအတွက် သိပ္ပံနည်းကျအခြေခံကို တင်ပြရန် အခွင့်အရေးအနည်းငယ်သာ ပေးပါသည်။စစ်ဆေးမှုအား မည်သူလုပ်ဆောင်သည်နှင့် ပတ်သက်၍ ဥပဒေကြောင်းအရ အငြင်းပွားမှုများလည်း ရှိနေသည်။ထို့ကြောင့်၊ နက်နဲသောသင်ယူမှုအပေါ်အခြေခံ၍ အသက်အရွယ်ခန့်မှန်းချက်ကို အုပ်ချုပ်ရေးနှင့် တရားစီရင်ရေးအာဏာပိုင်များက လက်ခံရန်ခက်ခဲသည်။ဒေတာတူးဖော်ခြင်း (DM) သည် မျှော်လင့်ထားရုံသာမက မထင်မှတ်ထားသော အချက်အလက်များကိုလည်း ရှာဖွေတွေ့ရှိနိုင်သည့် ဒေတာများစွာသော ပမာဏများအကြား အသုံးဝင်သော ဆက်နွယ်မှုများကို ရှာဖွေတွေ့ရှိနိုင်သော နည်းလမ်းတစ်ခုဖြစ်သည်။စက်သင်ယူမှုကို ဒေတာတူးဖော်ခြင်းတွင် မကြာခဏအသုံးပြုကြပြီး ဒေတာတူးဖော်ခြင်းနှင့် စက်သင်ယူခြင်းနှစ်ခုစလုံးသည် ဒေတာပုံစံများကို ရှာဖွေတွေ့ရှိရန် တူညီသောသော့ချက် algorithms ကိုအသုံးပြုသည်။သွားဘက်ဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်မှုကို အသုံးပြု၍ အသက်အရွယ် ခန့်မှန်းချက်သည် ပစ်မှတ်သွားများ၏ ရင့်ကျက်မှုအား စစ်ဆေးသူ၏ အကဲဖြတ်မှုအပေါ် အခြေခံကာ ဤအကဲဖြတ်မှုကို ပစ်မှတ်သွားတစ်ချောင်းစီအတွက် အဆင့်တစ်ခုအဖြစ် ဖော်ပြသည်။DM ကို သွားဘက်ဆိုင်ရာ အကဲဖြတ်မှု အဆင့်နှင့် အမှန်တကယ် အသက်တို့ကြား ဆက်စပ်မှုကို ပိုင်းခြားစိတ်ဖြာရန် အသုံးပြုနိုင်ပြီး ရိုးရာကိန်းဂဏန်း ခွဲခြမ်းစိတ်ဖြာမှုကို အစားထိုးရန် အလားအလာရှိသည်။ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် DM နည်းပညာများကို အသက်အရွယ်ခန့်မှန်းချက်တွင် အသုံးပြုပါက၊ ဥပဒေဆိုင်ရာတာဝန်ယူမှုကို စိုးရိမ်စရာမလိုဘဲ မှုခင်းဆေးပညာဆိုင်ရာ အသက်ခန့်မှန်းချက်တွင် စက်သင်ယူမှုကို အကောင်အထည်ဖော်နိုင်ပါသည်။မှုခင်းဆေးပညာအလေ့အကျင့်တွင်အသုံးပြုသော ရိုးရာလက်စွဲနည်းလမ်းများနှင့် သွားဘက်ဆိုင်ရာအသက်ကိုဆုံးဖြတ်ရန်အတွက် EBM-based နည်းလမ်းများနှင့် နှိုင်းယှဉ်လေ့လာမှုများစွာကို ထုတ်ဝေခဲ့သည်။Shen et al23 သည် DM မော်ဒယ်သည် သမားရိုးကျ Cameer ဖော်မြူလာထက် ပိုမိုတိကျကြောင်း ပြသခဲ့သည်။Galibourg et al24 သည် Demirdjian စံသတ်မှတ်ချက် 25 အရ အသက်ကို ခန့်မှန်းရန် မတူညီသော DM နည်းလမ်းများကို အသုံးပြုခဲ့ပြီး ရလဒ်များအရ DM နည်းလမ်းသည် ပြင်သစ်လူဦးရေ၏ အသက်ကို ခန့်မှန်းရာတွင် Demirdjian နှင့် Willems နည်းလမ်းများထက် သာလွန်ကြောင်း ပြသခဲ့သည်။
ကိုရီးယားဆယ်ကျော်သက်များနှင့် အရွယ်ရောက်ပြီးသူများ၏ သွားဘက်ဆိုင်ရာအသက်ကို ခန့်မှန်းရန် Lee ၏နည်းလမ်း 4 ကို ကိုရီးယားမှုခင်းဆေးပညာအလေ့အကျင့်တွင် တွင်ကျယ်စွာအသုံးပြုသည်။ဤနည်းလမ်းသည် ကိုးရီးယားဘာသာရပ်များနှင့် အချိန်နှင့်တပြေးညီ အသက်အပိုင်းအခြားအကြား ဆက်နွယ်မှုကို စစ်ဆေးရန် ရိုးရာကိန်းဂဏန်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု (ဥပမာ အများအပြားဆုတ်ယုတ်မှု) ကို အသုံးပြုသည်။ဤလေ့လာမှုတွင်၊ ရိုးရာကိန်းဂဏန်းနည်းလမ်းများကို အသုံးပြု၍ ရရှိသော အသက်အရွယ်ခန့်မှန်းချက်နည်းလမ်းများကို "ရိုးရာနည်းလမ်းများ" အဖြစ် သတ်မှတ်သည်။Lee ၏နည်းလမ်းသည် ရိုးရာနည်းလမ်းဖြစ်ပြီး ၎င်း၏တိကျမှုကို Oh et al မှ အတည်ပြုခဲ့သည်။5;သို့သော်၊ ကိုးရီးယားမှုခင်းဆေးပညာအလေ့အကျင့်ရှိ DM မော်ဒယ်ကိုအခြေခံ၍ အသက်ခန့်မှန်းခြေကို အသုံးချနိုင်မှုသည် မေးခွန်းထုတ်စရာဖြစ်နေဆဲဖြစ်သည်။ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ DM မော်ဒယ်ကို အခြေခံ၍ အသက်ခန့်မှန်းခြင်း၏ ဖြစ်နိုင်ခြေရှိသော အသုံးဝင်မှုကို သိပ္ပံနည်းကျ အတည်ပြုရန်ဖြစ်သည်။ဤလေ့လာမှု၏ရည်ရွယ်ချက်မှာ (၁) သွားဘက်ဆိုင်ရာအသက်ကိုခန့်မှန်းရာတွင် DM မော်ဒယ်နှစ်ခု၏တိကျမှုကို နှိုင်းယှဉ်ရန်ဖြစ်ပြီး (2) 18 နှစ်တွင် DM မော်ဒယ် 7 ခု၏ စွမ်းဆောင်ရည်ကို တိုင်းရင်းဆေးနည်းများအသုံးပြု၍ရရှိသော DM မော်ဒယ်များကို နှိုင်းယှဉ်ရန်၊ မေးရိုးနှစ်ဖက်စလုံးတွင် တတိယအံသွားများ။
အဆင့်နှင့် သွားအမျိုးအစားအလိုက် အချိန်နှင့်တစ်ပြေးညီ အသက်၏ စံနှုန်းများနှင့် သွေဖည်မှုများကို နောက်ဆက်တွဲဇယား S1 (လေ့ကျင့်ရေးအစုံ) တွင် ဖြည့်စွက်ဇယား S2 (အတွင်းပိုင်းစမ်းသပ်မှုအစုံ) နှင့် ဖြည့်စွက်ဇယား S3 (ပြင်ပစမ်းသပ်မှုအစုံ) တွင် ပြသထားသည်။လေ့ကျင့်မှုအစုံမှရရှိသော intra- နှင့် interobserver ယုံကြည်စိတ်ချရမှုအတွက် kappa တန်ဖိုးများသည် 0.951 နှင့် 0.947 အသီးသီးဖြစ်သည်။kappa တန်ဖိုးများအတွက် P တန်ဖိုးများနှင့် 95% ယုံကြည်မှုကြားကာလများကို အွန်လိုင်း ဖြည့်စွက်ဇယား S4 တွင် ပြသထားသည်။kappa တန်ဖိုးကို Landis နှင့် Koch26 ၏ စံနှုန်းများနှင့်အညီ “ပြီးပြည့်စုံလုနီးပါး” ဟု အဓိပ္ပာယ်ဖွင့်ဆိုထားပါသည်။
Mean absolute error (MAE) ကို နှိုင်းယှဉ်သောအခါတွင်၊ သမားရိုးကျနည်းလမ်းသည် multilayer perceptron (MLP) မှလွဲ၍ လိင်အားလုံးအတွက် DM မော်ဒယ်နှင့် ပြင်ပအမျိုးသား စမ်းသပ်မှုအစုံတွင် အနည်းငယ်သာလွန်ပါသည်။စက်တွင်း MAE စမ်းသပ်မှုတွင် သမားရိုးကျ မော်ဒယ်နှင့် DM မော်ဒယ်ကြား ကွာခြားချက်မှာ အမျိုးသားများအတွက် 0.12–0.19 နှစ်နှင့် အမျိုးသမီးများအတွက် 0.17–0.21 နှစ်ဖြစ်သည်။ပြင်ပစမ်းသပ်ဘက်ထရီအတွက်၊ ကွာခြားချက်များမှာ သေးငယ်သည် (အမျိုးသားများအတွက် 0.001–0.05 နှစ်နှင့် အမျိုးသမီးများအတွက် 0.05–0.09 နှစ်)။ထို့အပြင်၊ root mean square error (RMSE) သည် ရိုးရာနည်းလမ်းထက် အနည်းငယ်နိမ့်ပြီး၊ သေးငယ်သောကွာခြားချက်များ (အမျိုးသားအတွင်းပိုင်းစမ်းသပ်မှုအစုံအတွက် 0.17–0.24၊ 0.2–0.24 နှင့် ပြင်ပစမ်းသပ်မှုအစုံအတွက် 0.03–0.07၊ 0.04–0.08)။)MLP သည် အမျိုးသမီး ပြင်ပစမ်းသပ်မှု အစုံအလင်မှလွဲ၍ Single Layer Perceptron (SLP) ထက် အနည်းငယ်သာလွန်သော စွမ်းဆောင်ရည်ကို ပြသသည်။MAE နှင့် RMSE အတွက်၊ ပြင်ပစမ်းသပ်မှုစနစ်သည် လိင်နှင့် မော်ဒယ်အားလုံးအတွက် သတ်မှတ်ထားသော အတွင်းပိုင်းစမ်းသပ်မှုထက် ပိုမိုမြင့်မားသည်။MAE နှင့် RMSE အားလုံးကို ဇယား 1 နှင့် ပုံ 1 တွင် ပြထားသည်။
သမားရိုးကျနှင့် ဒေတာတူးဖော်ခြင်း ဆုတ်ယုတ်မှုပုံစံများ၏ MAE နှင့် RMSE။ဆိုလိုရင်းအကြွင်းမဲ့အမှား MAE၊ အရင်းဆိုလို နှစ်ထပ်အမှား RMSE၊ အလွှာတစ်ခုတည်း perceptron SLP၊ multilayer perceptron MLP၊ သမားရိုးကျ CM နည်းလမ်း။
သမားရိုးကျနှင့် DM မော်ဒယ်များ၏ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည် (18 နှစ်ကို ဖြတ်တောက်ခြင်းဖြင့်) အာရုံခံနိုင်စွမ်း၊ တိကျမှု၊ အပြုသဘောဆောင်သော ခန့်မှန်းတန်ဖိုး (PPV)၊ အနုတ်လက္ခဏာ ခန့်မှန်းတန်ဖိုး (NPV)၊ နှင့် လက်ခံသူ၏ လည်ပတ်မှုဝိသေသမျဉ်းကွေး (AUROC) အောက်ရှိ ဧရိယာတို့ကို သရုပ်ပြခဲ့သည်။ 27 (ဇယား 2၊ ပုံ 2 နှင့် နောက်ဆက်တွဲ ပုံ 1 အွန်လိုင်း)။အတွင်းပိုင်းစမ်းသပ်မှုဘက်ထရီ၏ အာရုံခံနိုင်စွမ်းအရ ရိုးရာနည်းလမ်းများသည် အမျိုးသားများကြားတွင် အကောင်းဆုံးဖြစ်ပြီး အမျိုးသမီးများတွင် ပိုဆိုးသည်။သို့သော်၊ ရိုးရာနည်းလမ်းများနှင့် SD အကြား အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကွာခြားချက်မှာ အမျိုးသားများအတွက် 9.7% နှင့် အမျိုးသမီးများအတွက် 2.4% သာ (XGBoost) ဖြစ်သည်။DM မော်ဒယ်များထဲတွင်၊ ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှု (LR) သည် လိင်နှစ်မျိုးလုံးတွင် ပိုမိုကောင်းမွန်သော အာရုံခံနိုင်စွမ်းကို ပြသခဲ့သည်။အတွင်းပိုင်းစမ်းသပ်မှုအစုံ၏ တိကျမှုနှင့်ပတ်သက်၍ SD မော်ဒယ်လေးခုသည် အမျိုးသားများတွင် ကောင်းစွာလုပ်ဆောင်နိုင်သည်ကို တွေ့ရှိရပြီး ရိုးရာမော်ဒယ်သည် အမျိုးသမီးများတွင် ပိုမိုကောင်းမွန်ကြောင်း တွေ့ရှိရသည်။အမျိုးသားနှင့်အမျိုးသမီးများအတွက် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကွာခြားချက်များမှာ 13.3% (MLP) နှင့် 13.1% (MLP) အသီးသီးဖြစ်ပြီး မော်ဒယ်များအကြား အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကွာခြားမှုသည် sensitivity ထက်ကျော်လွန်ကြောင်း ညွှန်ပြပါသည်။DM မော်ဒယ်များထဲတွင်၊ ပံ့ပိုးမှု vector စက် (SVM)၊ ဆုံးဖြတ်ချက်သစ်ပင် (DT) နှင့် ကျပန်းသစ်တော (RF) မော်ဒယ်များသည် အမျိုးသားများကြားတွင် အကောင်းဆုံးလုပ်ဆောင်ကြပြီး LR မော်ဒယ်သည် အမျိုးသမီးများတွင် အကောင်းဆုံးလုပ်ဆောင်သည်။သမားရိုးကျမော်ဒယ်နှင့် SD မော်ဒယ်များအားလုံး၏ AUROC သည် 0.925 (အမျိုးသားများတွင် k-အနီးဆုံးအိမ်နီးချင်း (KNN)) ထက် ကြီးသည်)၊ 18 နှစ်သားနမူနာများကို ခွဲခြားဆက်ဆံရာတွင် အလွန်ကောင်းမွန်သော အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်ကို ပြသနေပါသည်။ပြင်ပစမ်းသပ်မှုအစုံအတွက်၊ အာရုံခံနိုင်စွမ်း၊ တိကျမှုနှင့် AUROC သတ်မှတ်ချက်များတွင် အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည် ကျဆင်းသွားပါသည်။ထို့အပြင်၊ အကောင်းဆုံးနှင့် အဆိုးဆုံးမော်ဒယ်များ၏ အမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကြားတွင် အာရုံခံနိုင်စွမ်းနှင့် သီးခြားကွာခြားချက်မှာ 10% မှ 25% အထိရှိပြီး အတွင်းပိုင်းစမ်းသပ်မှုသတ်မှတ်ထားသော ကွာခြားချက်ထက် ပိုကြီးပါသည်။
18 နှစ်ကြာ ဖြတ်တောက်ထားသော သမားရိုးကျ နည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက ဒေတာတူးဖော်မှု အမျိုးအစားခွဲခြားမှု မော်ဒယ်များ၏ အာရုံခံစားနိုင်မှုနှင့် တိကျမှု။KNN k အနီးဆုံးအိမ်နီးချင်း၊ SVM ပံ့ပိုးမှု vector စက်၊ LR ထောက်ပံ့ပို့ဆောင်ရေးဆုတ်ယုတ်မှု၊ DT ဆုံးဖြတ်ချက်သစ်ပင်၊ RF ကျပန်းသစ်တော၊ XGB XGBoost၊ MLP multilayer perceptron၊ ရိုးရာ CM နည်းလမ်း။
ဤလေ့လာမှု၏ပထမအဆင့်မှာ DM မော်ဒယ်ခုနစ်ခုမှရရှိသော သွားဘက်ဆိုင်ရာအသက်ခန့်မှန်းချက်၏တိကျမှုကို သမားရိုးကျဆုတ်ယုတ်မှုအသုံးပြုထားသောသူများနှင့် နှိုင်းယှဉ်ရန်ဖြစ်သည်။MAE နှင့် RMSE ကို လိင်နှစ်မျိုးလုံးအတွက် အတွင်းပိုင်းစမ်းသပ်မှုအစုံတွင် အကဲဖြတ်ခဲ့ပြီး သမားရိုးကျနည်းလမ်းနှင့် DM မော်ဒယ်အကြား ကွာခြားချက်မှာ MAE အတွက် 44 ရက်မှ 77 ရက်နှင့် RMSE အတွက် 62 မှ 88 ရက်အထိ ကွာခြားသည်။သမားရိုးကျနည်းလမ်းသည် ဤလေ့လာမှုတွင် အနည်းငယ်ပို၍တိကျသော်လည်း ထိုသေးငယ်သောခြားနားချက်သည် လက်တွေ့ သို့မဟုတ် လက်တွေ့တွင် အရေးပါမှုရှိမရှိ ကောက်ချက်ချရန် ခက်ခဲသည်။ဤရလဒ်များက DM မော်ဒယ်ကို အသုံးပြု၍ သွားဘက်ဆိုင်ရာ အသက်ခန့်မှန်းချက်၏ တိကျမှုသည် သမားရိုးကျနည်းလမ်းနှင့် နီးပါးတူညီကြောင်း ညွှန်ပြပါသည်။ယခင်လေ့လာမှုများမှ ရလာဒ်များနှင့် တိုက်ရိုက်နှိုင်းယှဉ်ခြင်းသည် ဤလေ့လာမှုတွင် တူညီသောအသက်အပိုင်းအခြားရှိ သွားများကိုမှတ်တမ်းတင်ခြင်းနည်းပညာကို အသုံးပြု၍ DM မော်ဒယ်များ၏ တိကျမှန်ကန်မှုကို ရိုးရာကိန်းဂဏန်းနည်းလမ်းများနှင့် နှိုင်းယှဉ်ထားခြင်း မရှိသောကြောင့် ခက်ခဲပါသည်။Galibourg et al24 သည် ပြင်သစ်လူမျိုး အသက် 2 နှစ်မှ 24 နှစ်ကြားရှိ ရိုးရာနည်းလမ်းနှစ်ခု (Demirjian method25 နှင့် Willems method29) နှင့် MAE နှင့် RMSE တို့ကို နှိုင်းယှဉ်ခဲ့သည်။MAE တွင် 0.20 နှင့် 0.38 နှစ် နှင့် Willems နှင့် Demirdjian နည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက RMSE တွင် 0.25 နှင့် 0.47 နှစ် ကွာခြားချက်များရှိသည့် DM မော်ဒယ်များအားလုံးသည် သမားရိုးကျနည်းလမ်းများထက် ပိုမိုတိကျကြောင်း ၎င်းတို့က တင်ပြခဲ့သည်။SD မော်ဒယ်နှင့် Halibourg လေ့လာမှုတွင် ပြသထားသော ရိုးရာနည်းလမ်းများကြား ကွာဟမှုသည် Demirdjian နည်းလမ်းသည် လေ့လာမှုအား အခြေခံသော ပြင်သစ်ကနေဒါလူမျိုးများမှလွဲ၍ အခြားလူများတွင် သွားဘက်ဆိုင်ရာအသက်ကို တိကျစွာ ခန့်မှန်းခြင်းမရှိကြောင်း အစီရင်ခံစာများ 30,31,32,33 တွင် ထည့်သွင်းစဉ်းစားပါသည်။ဤလေ့လာမှုတွင်။Tai et al 34 သည် MLP algorithm ကို 1636 တရုတ်သွားသွားအလှပြင်ဓာတ်ပုံများမှ ခန့်မှန်းပြီး ၎င်း၏တိကျမှုကို Demirjian နှင့် Willems နည်းလမ်း၏ရလဒ်များနှင့် နှိုင်းယှဉ်ခဲ့သည်။MLP သည် သမားရိုးကျ နည်းလမ်းများထက် ပိုမိုတိကျကြောင်း ၎င်းတို့က အစီရင်ခံခဲ့သည်။Demirdjian နည်းလမ်းနှင့် သမားရိုးကျနည်းလမ်းကြား ကွာခြားချက်မှာ <0.32 နှစ်ဖြစ်ပြီး Willems နည်းလမ်းသည် လက်ရှိလေ့လာမှု၏ ရလဒ်များနှင့် ဆင်တူသည့် 0.28 နှစ်ဖြစ်သည်။ဤယခင်လေ့လာမှုများ 24,34 ၏ရလဒ်များသည်လက်ရှိလေ့လာမှု၏ရလဒ်များနှင့်လည်းကိုက်ညီပြီး DM မော်ဒယ်၏အသက်ခန့်မှန်းချက်တိကျမှုနှင့်ရိုးရာနည်းလမ်းသည်ဆင်တူသည်။သို့ရာတွင်၊ တင်ပြထားသောရလဒ်များအပေါ်အခြေခံ၍ အသက်အရွယ်ခန့်မှန်းရန် DM မော်ဒယ်များကိုအသုံးပြုခြင်းသည် ယခင်လေ့လာမှုများနှင့် ကိုးကားမှုမရှိခြင်းကြောင့် ရှိရင်းစွဲနည်းလမ်းများကို အစားထိုးနိုင်သည်ဟု ကျွန်ုပ်တို့သတိကြီးစွာကောက်ချက်ချနိုင်ပါသည်။ဤလေ့လာမှုတွင်ရရှိသောရလဒ်များကိုအတည်ပြုရန်ပိုမိုကြီးမားသောနမူနာများကိုအသုံးပြုပြီးနောက်ဆက်တွဲလေ့လာမှုများလိုအပ်သည်။
သွားနှင့်ခံတွင်းအသက်ကို ခန့်မှန်းရာတွင် SD ၏ တိကျမှုကို စမ်းသပ်သည့် လေ့လာမှုများတွင် အချို့က ကျွန်ုပ်တို့၏လေ့လာမှုထက် ပိုမိုတိကျကြောင်း ပြသခဲ့သည်။Stepanovsky et al 35 သည် အသက် 2.7 မှ 20.5 နှစ်အထိ ချက်နိုင်ငံနေထိုင်သူ 976 ဦး၏ မြင်ကွင်းကျယ် ဓာတ်မှန်ရိုက်ရန်အတွက် SD မော်ဒယ် 22 ခုကို အသုံးပြုကာ မော်ဒယ်တစ်ခုစီ၏ တိကျမှုကို စမ်းသပ်ခဲ့သည်။Moorrees et al 36 မှ အဆိုပြုထားသော အမျိုးအစားခွဲခြားမှုစံနှုန်းကို အသုံးပြု၍ ဘယ်ဘက်အပေါ်ပိုင်းနှင့် အောက်ပိုင်း စုစုပေါင်း သွား 16 ခု၏ ဖွံ့ဖြိုးတိုးတက်မှုကို အကဲဖြတ်ခဲ့သည်။MAE သည် 0.64 မှ 0.94 နှစ်အထိရှိပြီး RMSE သည် 0.85 မှ 1.27 နှစ်အထိရှိပါသည်၊ ၎င်းသည် ဤလေ့လာမှုတွင်အသုံးပြုသည့် DM မော်ဒယ်နှစ်ခုထက်ပိုမိုတိကျပါသည်။Shen et al23 သည် တရုတ်နိုင်ငံအရှေ့ပိုင်းရှိ အသက် 5 နှစ်မှ 13 နှစ်ကြားနေထိုင်သူများတွင် ဘယ်ဘက်ခြေမတွင်ရှိသော အမြဲတမ်းသွားခုနစ်ချောင်း၏ သွားဘက်ဆိုင်ရာအသက်ကို ခန့်မှန်းရန် Cameriere နည်းလမ်းကို အသုံးပြုပြီး linear regression၊ SVM နှင့် RF တို့ကို အသုံးပြု၍ ခန့်မှန်းထားသော အသက်များနှင့် နှိုင်းယှဉ်ခဲ့သည်။DM မော်ဒယ်သုံးခုစလုံးသည် သမားရိုးကျ Cameriere ဖော်မြူလာနှင့် နှိုင်းယှဉ်ပါက ပိုမိုတိကျကြောင်း ပြသခဲ့သည်။Shen ၏လေ့လာမှုတွင် MAE နှင့် RMSE သည် ဤလေ့လာမှုရှိ DM မော်ဒယ်ထက်နိမ့်ပါသည်။Stepanovsky et al မှလေ့လာမှုများ၏တိုးမြှင့်တိကျမှု။35 နှင့် Shen et al ။23 သည် ၎င်းတို့၏လေ့လာမှုနမူနာများတွင် ငယ်ရွယ်သောဘာသာရပ်များပါဝင်ခြင်းကြောင့် ဖြစ်နိုင်သည်။သွားများဖွံ့ ဖြိုးဆဲကာလတွင် သွားအရေအတွက် တိုးလာသည်နှင့်အမျှ သွားများ ဖွံ့ဖြိုးနေသော ပါဝင်သူများ၏ အသက် ခန့်မှန်းချက်သည် ပိုမိုတိကျလာသောကြောင့်၊ လေ့လာမှုတွင် ပါဝင်သူများ ငယ်ရွယ်ချိန်တွင် ရရှိလာသော အသက်အရွယ် ခန့်မှန်းချက်နည်းလမ်း၏ တိကျမှုကို ထိခိုက်စေနိုင်သည်။ထို့အပြင်၊ MLP ၏အသက်ခန့်မှန်းချက်တွင် အမှားအယွင်းသည် SLP ထက်အနည်းငယ်သေးငယ်သည်၊ ဆိုလိုသည်မှာ MLP သည် SLP ထက်ပိုမိုတိကျသည်ဟု ဆိုလိုသည်။MLP သည် MLP38 တွင် လျှို့ဝှက်အလွှာများ ကြောင့်ဖြစ်နိုင်သည် ၊ အသက်ခန့်မှန်းမှုအတွက် အနည်းငယ်ပိုကောင်းသည်ဟု ယူဆပါသည်။သို့သော်၊ အမျိုးသမီးများ၏ ပြင်ပနမူနာအတွက် ခြွင်းချက်တစ်ခု (SLP 1.45၊ MLP 1.49)။အသက်အရွယ်ကို အကဲဖြတ်ရာတွင် MLP သည် SLP ထက် ပိုမိုတိကျကြောင်း တွေ့ရှိမှုသည် နောက်ကြောင်းပြန်လေ့လာမှုများ လိုအပ်သည်။
DM မော်ဒယ်၏ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်နှင့် 18 နှစ်အဆင့်သတ်မှတ်ထားသော ရိုးရာနည်းလမ်းကိုလည်း နှိုင်းယှဉ်ခဲ့သည်။စမ်းသပ်ထားသော SD မော်ဒယ်များနှင့် သမားရိုးကျနည်းလမ်းများ သည် အတွင်းပိုင်းစမ်းသပ်မှုအစုံရှိ 18 နှစ်အရွယ်နမူနာအတွက် လက်တွေ့ကျကျ လက်ခံနိုင်သော ခွဲခြားဆက်ဆံမှုအဆင့်များကို ပြသခဲ့သည်။အမျိုးသားနှင့် အမျိုးသမီးများအတွက် အာရုံခံနိုင်စွမ်းသည် 87.7% နှင့် 94.9% အသီးသီးရှိပြီး တိကျမှုမှာ 89.3% နှင့် 84.7% ထက်များပါသည်။စမ်းသပ်ထားသော မော်ဒယ်များအားလုံး၏ AUROC သည် 0.925 ထက် ကျော်လွန်ပါသည်။ကျွန်ုပ်တို့၏ အသိပညာ အကောင်းဆုံးအတွက်၊ သွားဘက်ဆိုင်ရာ ရင့်ကျက်မှုအပေါ် အခြေခံ၍ 18 နှစ်ကြာ အမျိုးအစားခွဲခြားခြင်းအတွက် DM မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို လေ့လာမှုတစ်ခုမှ မစမ်းသပ်ခဲ့ပါ။ဤလေ့လာမှု၏ရလဒ်များကို မြင်ကွင်းကျယ်ဓာတ်မှန်ရိုက်ခြင်းဆိုင်ရာ နက်နဲသောသင်ယူမှုပုံစံများ၏ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်နှင့် နှိုင်းယှဉ်နိုင်ပါသည်။Guo et al.15 သည် CNN အခြေပြု နက်ရှိုင်းသော သင်ယူမှုပုံစံ၏ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်နှင့် Demirjian ၏နည်းလမ်းအပေါ် အခြေခံသည့် လက်စွဲနည်းလမ်းကို အသက်အရွယ်အတိုင်းအတာတစ်ခုအထိ တွက်ချက်ခဲ့သည်။လက်စွဲနည်းလမ်း၏ အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုမှာ 87.7% နှင့် 95.5% အသီးသီးဖြစ်ပြီး CNN မော်ဒယ်၏ အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုမှာ 89.2% နှင့် 86.6% အသီးသီး ကျော်လွန်သွားပါသည်။နက်ရှိုင်းသော သင်ယူမှုပုံစံများသည် အသက်အဆင့်သတ်မှတ်ချက်များကို အမျိုးအစားခွဲခြားရာတွင် လက်စွဲအကဲဖြတ်ခြင်းကို အစားထိုးနိုင်သည် သို့မဟုတ် ပိုမိုကောင်းမွန်နိုင်ကြောင်း ၎င်းတို့က ကောက်ချက်ချခဲ့သည်။ဤလေ့လာမှု၏ရလဒ်များသည် အလားတူအမျိုးအစားခွဲခြားမှုစွမ်းဆောင်ရည်ကိုပြသခဲ့သည်။DM မော်ဒယ်များကို အသုံးပြု၍ အမျိုးအစား ခွဲခြားခြင်းသည် အသက်ခန့်မှန်းမှုအတွက် ရိုးရာကိန်းဂဏန်းနည်းလမ်းများကို အစားထိုးနိုင်သည်ဟု ယုံကြည်သည်။မော်ဒယ်များထဲတွင် DM LR သည် အမျိုးသားနမူနာအတွက် အာရုံခံနိုင်စွမ်းနှင့် အမျိုးသမီးနမူနာအတွက် အာရုံခံနိုင်စွမ်းနှင့် တိကျမှုဆိုင်ရာ သတ်မှတ်ချက်များတွင် အကောင်းဆုံးမော်ဒယ်ဖြစ်သည်။LR သည် အမျိုးသားများအတွက် ဒုတိယအဆင့်ဖြစ်သည်။ထို့အပြင်၊ LR သည် ပိုမိုအသုံးပြုရလွယ်ကူသော DM35 မော်ဒယ်များထဲမှ တစ်ခုအဖြစ် သတ်မှတ်ခံထားရပြီး ရှုပ်ထွေးပြီး လုပ်ဆောင်ရန် ခက်ခဲသည်။ဤရလဒ်များအပေါ်အခြေခံ၍ LR ကို ကိုရီးယားလူဦးရေတွင် အသက် 18 နှစ်အရွယ်များအတွက် အကောင်းဆုံးဖြတ်တောက်မှု အမျိုးအစားခွဲခြားမှုပုံစံအဖြစ် သတ်မှတ်ခံရပါသည်။
ယေဘုယျအားဖြင့်၊ ပြင်ပစမ်းသပ်မှုအစုံရှိ အသက်အရွယ်ခန့်မှန်းချက် သို့မဟုတ် အမျိုးအစားခွဲခြားခြင်းစွမ်းဆောင်ရည်၏ တိကျမှုသည် အတွင်းပိုင်းစမ်းသပ်မှုအစုပေါ်ရှိ ရလဒ်များနှင့် နှိုင်းယှဉ်ပါက ညံ့ဖျင်းခြင်း သို့မဟုတ် နိမ့်ပါသည်။ကိုးရီးယားလူဦးရေအပေါ်အခြေခံ၍ အသက်အရွယ်ခန့်မှန်းချက်များကို ဂျပန်လူဦးရေ 5,39 တွင်အသုံးပြုသောအခါ အမျိုးအစားခွဲခြားမှုတိကျမှု သို့မဟုတ် ထိရောက်မှုလျော့နည်းသွားကြောင်း အစီရင်ခံစာအချို့ကဖော်ပြပြီး ယခုလေ့လာမှုတွင် အလားတူပုံစံတစ်ခုကို တွေ့ရှိခဲ့သည်။ဤယိုယွင်းမှုလမ်းကြောင်းကို DM မော်ဒယ်တွင်လည်း သတိပြုမိသည်။ထို့ကြောင့်၊ ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းစဉ်တွင် DM ကိုအသုံးပြုသည့်အခါတွင်ပင် အသက်အရွယ်ကို တိကျစွာခန့်မှန်းရန်၊ ရိုးရာနည်းလမ်းများကဲ့သို့သော မူရင်းလူဦးရေဒေတာမှရရှိသည့်နည်းလမ်းများကို 5,39,40,41,42 ကို ဦးစားပေးသင့်သည်။နက်ရှိုင်းသောသင်ယူမှုမော်ဒယ်များသည် အလားတူခေတ်ရေစီးကြောင်းများကိုပြသနိုင်သည်ဆိုသည်ကို မရှင်းလင်းသောကြောင့်၊ ရိုးရာနည်းလမ်းများ၊ DM မော်ဒယ်များနှင့် တူညီသောနမူနာများကိုအသုံးပြု၍ အမျိုးအစားခွဲခြားတိကျမှုနှင့် ထိရောက်မှုကို နှိုင်းယှဉ်လေ့လာမှုများက ဉာဏ်ရည်တုတုသည် ကန့်သတ်အသက်အရွယ်တွင် လူမျိုးရေးခွဲခြားမှုကို ကျော်လွှားနိုင်မှုရှိမရှိ အတည်ပြုရန် လိုအပ်ပါသည်။အကဲဖြတ်ချက်များ။
ကိုရီးယားရှိ မှုခင်းဆေးပညာဆိုင်ရာ အသက်ခန့်မှန်းခြင်းအလေ့အကျင့်တွင် DM မော်ဒယ်ကို အခြေခံ၍ အသက်ခန့်မှန်းချက်ဖြင့် ရိုးရာနည်းလမ်းများကို အစားထိုးနိုင်သည်ကို ကျွန်ုပ်တို့ သရုပ်ပြပါသည်။မှုခင်းဆေးပညာဆိုင်ရာ အသက်အကဲဖြတ်မှုအတွက် စက်သင်ယူမှုကို အကောင်အထည်ဖော်နိုင်ခြေကိုလည်း ကျွန်ုပ်တို့ ရှာဖွေတွေ့ရှိခဲ့သည်။သို့သော်၊ ရလဒ်များကို အတိအကျဆုံးဖြတ်ရန် ဤလေ့လာမှုတွင် ပါဝင်သူအရေအတွက် မလုံလောက်ခြင်းနှင့် ဤလေ့လာမှု၏ရလဒ်များကို နှိုင်းယှဉ်အတည်ပြုရန် ယခင်လေ့လာမှုများမရှိခြင်းကဲ့သို့သော ရှင်းလင်းပြတ်သားသောကန့်သတ်ချက်များရှိပါသည်။အနာဂတ်တွင်၊ သမားရိုးကျနည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက ၎င်း၏လက်တွေ့အသုံးချနိုင်မှု တိုးတက်ကောင်းမွန်လာစေရန် DM လေ့လာမှုများကို နမူနာအရေအတွက် ပိုမိုများပြားပြီး ကွဲပြားသောလူဦးရေဖြင့် ပြုလုပ်သင့်ပါသည်။လူအများအပြားရှိ အသက်အရွယ်ကို ခန့်မှန်းရန် ဥာဏ်ရည်တုကို အသုံးပြုခြင်း၏ ဖြစ်နိုင်ခြေကို အတည်ပြုရန်၊ DM ၏ အမျိုးအစားခွဲတိကျမှုနှင့် ထိရောက်မှုတို့ကို တူညီသောနမူနာများတွင် ရိုးရာနည်းလမ်းများဖြင့် နှိုင်းယှဉ်ရန် အနာဂတ်လေ့လာမှုများ လိုအပ်ပါသည်။
လေ့လာမှုတွင် အသက် 15 နှစ်မှ 23 နှစ်ကြားရှိ ကိုရီးယားနှင့် ဂျပန်လူကြီးများထံမှ စုဆောင်းထားသော ပုံသဏ္ဍာန်ဓာတ်ပုံ 2,657 ပုံကို အသုံးပြုခဲ့သည်။ကိုရီးယားဓာတ်မှန်ရိုက်ခြင်းများကို လေ့ကျင့်ရေးအစုံ (19.42 ± 2.65 နှစ်) နှင့် အတွင်းပိုင်းစမ်းသပ်မှု 900 (19.52 ± 2.59 နှစ်) ဟူ၍ ခွဲခြားထားသည်။သင်တန်းအစုံကို တက္ကသိုလ်တစ်ခု (ဆိုးလ်စိန့်မေရီဆေးရုံ) တွင် စုဆောင်းထားပြီး ကိုယ်ပိုင်စမ်းသပ်မှုအစုံကို တက္ကသိုလ်နှစ်ခု (ဆိုးလ်အမျိုးသားတက္ကသိုလ် သွားဘက်ဆိုင်ရာဆေးရုံနှင့် Yonsei University သွားဘက်ဆိုင်ရာဆေးရုံ) တွင် စုဆောင်းခဲ့သည်။ပြင်ပစမ်းသပ်မှုများအတွက် အခြားသော လူဦးရေအခြေခံဒေတာ (Iwate Medical University, Japan) မှ ဓာတ်မှန်ပုံ ၈၅၇ ခုကိုလည်း စုဆောင်းထားပါသည်။ဂျပန်ဘာသာရပ်များ၏ ဓာတ်မှန်ရိုက်ခြင်း (19.31 ± 2.60 နှစ်) ကို ပြင်ပစမ်းသပ်မှုအဖြစ် ရွေးချယ်ခဲ့သည်။သွားကုသမှုခံယူစဉ်အတွင်း ရိုက်ယူထားသော မြင်ကွင်းကျယ် ဓာတ်မှန်ရိုက်ခြင်းဆိုင်ရာ သွားဘက်ဆိုင်ရာ ဖွံ့ဖြိုးတိုးတက်မှု အဆင့်များကို ခွဲခြမ်းစိတ်ဖြာရန် ဒေတာများကို နောက်ကြောင်းပြန် စုဆောင်းခဲ့သည်။ကောက်ယူရရှိသော အချက်အလက်အားလုံးသည် လိင်၊ မွေးသက္ကရာဇ်နှင့် ဓာတ်မှန်ရိုက်သည့် နေ့စွဲမှလွဲ၍ အမည်မသိ။ပါဝင်ခြင်းနှင့် ဖယ်ထုတ်ခြင်း စံနှုန်းများသည် ယခင်က ထုတ်ပြန်ခဲ့သည့် လေ့လာမှုများ 4 , 5 နှင့် တူညီပါသည်။ဓာတ်မှန်ရိုက်သည့်နေ့မှ မွေးသက္ကရာဇ်ကို နုတ်ခြင်းဖြင့် နမူနာ၏ အမှန်တကယ်အသက်ကို တွက်ချက်ပါသည်။နမူနာအုပ်စုကို အသက်အုပ်စု ကိုးအုပ်စု ခွဲထားသည်။အသက်အရွယ်နှင့် လိင်ကွဲပြားမှုများကို ဇယား 3 တွင်ပြသထားရာ ဤလေ့လာမှုအား Helsinki ၏ကြေငြာချက်နှင့်အညီ Seoul St. Mary's ဆေးရုံ (KC22WISI0328) ၏ Institutional Review Board (IRB) မှ အတည်ပြုခဲ့ပါသည်။ဤလေ့လာမှု၏ နောက်ကြောင်းပြန်ဒီဇိုင်းကြောင့် ကုထုံးရည်ရွယ်ချက်အတွက် ဓာတ်မှန်ရိုက်စစ်ဆေးမှုခံယူနေသည့် လူနာအားလုံးထံမှ အသိပေးခွင့်ပြုချက်ကို မရရှိနိုင်ပါ။ဆိုးလ်ကိုရီးယားတက္ကသိုလ် စိန့်မေရီဆေးရုံ (IRB) သည် အသိပေးခွင့်ပြုချက်အတွက် လိုအပ်ချက်ကို စွန့်လွှတ်ခဲ့သည်။
Demircan သတ်မှတ်ချက် 25 အရ bimaxillary ဒုတိယနှင့် တတိယအံသွားများ၏ ဖွံ့ဖြိုးမှုအဆင့်များကို အကဲဖြတ်ခဲ့သည်။မေးရိုးတစ်ခုစီ၏ ဘယ်ဘက်နှင့် ညာဘက်တွင် အမျိုးအစားတူသွားတစ်ချောင်းကို တွေ့ရှိပါက သွားတစ်ချောင်းကိုသာ ရွေးချယ်မည်ဖြစ်သည်။အကယ်၍ နှစ်ဖက်စလုံးရှိ သွားများသည် တစ်သားတည်းဖြစ်တည်မှုအဆင့်တွင် မတူညီပါက၊ ခန့်မှန်းအသက်အရွယ်တွင် မသေချာမရေရာမှုများအတွက် ဖွံ့ဖြိုးမှုနိမ့်ပါးသော သွားများကို ရွေးချယ်ထားသည်။လေ့ကျင့်ရေးအစုံမှ ကျပန်းရွေးချယ်ထားသော ဓာတ်မှန်ပုံတစ်ရာကို အတွေ့အကြုံရှိလေ့လာသူနှစ်ဦးက သွားဘက်ဆိုင်ရာ ရင့်ကျက်မှုအဆင့်ကို ဆုံးဖြတ်ရန် ကြိုတင်ချိန်ညှိပြီးနောက် interobserver ယုံကြည်စိတ်ချရမှုကို စမ်းသပ်ရန်အတွက် အမှတ်ပေးခဲ့ပါသည်။Intraobserver ၏ ယုံကြည်စိတ်ချရမှုကို မူလလေ့လာသူမှ သုံးလကြားကာလတွင် နှစ်ကြိမ်အကဲဖြတ်ခဲ့ပါသည်။
လေ့ကျင့်ရေးအစုံရှိ မေးရိုးတစ်ခုစီရှိ မေးရိုးတစ်ခုစီ၏ ဒုတိယနှင့် တတိယအံသွားများ၏ လိင်နှင့် ဖွံ့ဖြိုးမှုအဆင့်ကို မတူညီသော DM မော်ဒယ်များဖြင့် လေ့ကျင့်ထားသော မူလလေ့လာသူမှ ခန့်မှန်းတွက်ချက်ကာ အမှန်တကယ် အသက်ကို ပစ်မှတ်တန်ဖိုးအဖြစ် သတ်မှတ်ခဲ့သည်။စက်သင်ယူမှုတွင် တွင်ကျယ်စွာအသုံးပြုနေသည့် SLP နှင့် MLP မော်ဒယ်များကို ဆုတ်ယုတ်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များနှင့် ဆန့်ကျင်စမ်းသပ်ထားသည်။DM မော်ဒယ်သည် သွားလေးချောင်း၏ ဖွံ့ဖြိုးတိုးတက်မှု အဆင့်များကို အသုံးပြုကာ မျဉ်းဖြောင့်သော လုပ်ဆောင်ချက်များကို ပေါင်းစပ်ပြီး အသက်ကို ခန့်မှန်းရန် ဤအချက်အလက်များကို ပေါင်းစပ်ထားသည်။SLP သည် အရိုးရှင်းဆုံး အာရုံကြောကွန်ရက်ဖြစ်ပြီး လျှို့ဝှက်အလွှာများ မပါဝင်ပါ။SLP သည် node များကြား threshold transmission ကို အခြေခံ၍ အလုပ်လုပ်ပါသည်။ဆုတ်ယုတ်မှုရှိ SLP မော်ဒယ်သည် သင်္ချာနည်းအားဖြင့် မျဉ်းကြောင်းလိုက် ဆုတ်ယုတ်မှု အများအပြားနှင့် ဆင်တူသည်။SLP မော်ဒယ်နှင့် မတူဘဲ၊ MLP မော်ဒယ်တွင် လိုင်းမဟုတ်သော အသက်သွင်းခြင်း လုပ်ဆောင်ချက်များဖြင့် ဝှက်ထားသော အလွှာများစွာ ရှိသည်။ကျွန်ုပ်တို့၏စမ်းသပ်ချက်များသည် လိုင်းမဟုတ်သောအသက်သွင်းခြင်းလုပ်ဆောင်ချက်များဖြင့် လျှို့ဝှက်နံပါတ် 20 မျှသာရှိသော လျှို့ဝှက်အလွှာတစ်ခုကို အသုံးပြုခဲ့သည်။ကျွန်ုပ်တို့၏ စက်သင်ယူမှုပုံစံကို လေ့ကျင့်ရန် ဆုံးရှုံးမှုလုပ်ဆောင်ချက်အဖြစ် gradient ဆင်းသက်ခြင်းကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းနည်းလမ်းအဖြစ် MAE နှင့် RMSE ကို အသုံးပြုပါ။အကောင်းဆုံးရရှိသော ဆုတ်ယုတ်မှုပုံစံကို အတွင်းပိုင်းနှင့် ပြင်ပစမ်းသပ်မှုအစုံတွင် အသုံးပြုခဲ့ပြီး သွားများ၏ သက်တမ်းကို ခန့်မှန်းခဲ့သည်။
နမူနာတစ်ခုသည် အသက် 18 နှစ်ရှိ၊ မရှိကို ခန့်မှန်းရန် လေ့ကျင့်မှုတွင် သွားလေးချောင်း၏ ရင့်ကျက်မှုကို အသုံးပြုသည့် အမျိုးအစားခွဲသည့် အယ်လဂိုရီသမ်ကို တီထွင်ခဲ့သည်။မော်ဒယ်ကို တည်ဆောက်ရန်အတွက်၊ ကျွန်ုပ်တို့သည် ကိုယ်စားပြုစက်သင်ယူမှု အယ်လဂိုရီသမ် ခုနစ်ခုမှ ဆင်းသက်လာသည်- (၁) LR၊ (2) KNN၊ (3) SVM၊ (4) DT၊ (5) RF၊ (6) XGBoost နှင့် (7) MLP .LR သည် အသုံးအများဆုံး အမျိုးအစားခွဲခြင်းဆိုင်ရာ အယ်ဂိုရီသမ် 44 များထဲမှ တစ်ခုဖြစ်သည်။၎င်းသည် 0 မှ 1 အထိ အမျိုးအစားတစ်ခု၏ ဒေတာဖြစ်နိုင်ခြေကို ခန့်မှန်းရန် ဆုတ်ယုတ်မှုကို အသုံးပြုသည့် ကြီးကြပ်သင်ကြားရေး အယ်လဂိုရီသမ်တစ်ခုဖြစ်ပြီး ဒေတာကို ဤဖြစ်နိုင်ခြေပေါ်အခြေခံ၍ ပိုမိုဖြစ်နိုင်ခြေရှိသော အမျိုးအစားတစ်ခုအဖြစ် အမျိုးအစားခွဲခြားသည်။binary အမျိုးအစားခွဲခြားခြင်းအတွက်အဓိကအားဖြင့်အသုံးပြုသည်။KNN သည် အရိုးရှင်းဆုံး machine learning algorithms45 ထဲမှ တစ်ခုဖြစ်သည်။အသစ်ထည့်သွင်းသည့်ဒေတာကို ပေးသောအခါ၊ ၎င်းသည် k ဒေတာကို လက်ရှိသတ်မှတ်မှုနှင့် နီးကပ်စွာတွေ့ရှိပြီးနောက် ၎င်းတို့အား ကြိမ်နှုန်းအမြင့်ဆုံးအတန်းအဖြစ် အမျိုးအစားခွဲသည်။ကျွန်ုပ်တို့သတ်မှတ်ထားသော အိမ်နီးနားချင်းအရေအတွက် (ဋ) အတွက် ၃။SVM သည် kernel လုပ်ဆောင်ချက်ကိုအသုံးပြုခြင်းဖြင့် အတန်းနှစ်ခုကြားအကွာအဝေးကို ကွက်လပ်46 ဟုခေါ်သော လိုင်းမဟုတ်သောနေရာအဖြစ်သို့ ချဲ့ထွင်ရန် အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။ဤမော်ဒယ်အတွက်၊ ကျွန်ုပ်တို့သည် ဘက်လိုက် = 1၊ ပါဝါ = 1၊ နှင့် gamma = 1 ကို ပေါလီnomial kernel အတွက် ဟိုက်ပါပါရာမီတာများအဖြစ် အသုံးပြုသည်။သစ်ပင်ဖွဲ့စည်းပုံ47တွင် ဆုံးဖြတ်ချက်စည်းမျဉ်းများကို ကိုယ်စားပြုခြင်းဖြင့် ဒေတာတစ်ခုလုံးကို အုပ်စုခွဲများစွာခွဲ၍ ခွဲခြမ်းရန်အတွက် နယ်ပယ်အသီးသီးတွင် DT ကို အသုံးပြုထားသည်။မော်ဒယ်ကို node 2 တစ်ခုလျှင် အနည်းဆုံး မှတ်တမ်းအရေအတွက်ဖြင့် ပြင်ဆင်သတ်မှတ်ထားပြီး အရည်အသွေးတိုင်းတာမှုအဖြစ် Gini အညွှန်းကို အသုံးပြုသည်။RF သည် မူရင်း dataset48 မှ အကြိမ်များစွာ ကျပန်းနမူနာတစ်ခုစီအတွက် အားနည်းသောအမျိုးအစားခွဲထုတ်ပေးသည့် bootstrap စုစည်းမှုနည်းလမ်းကို အသုံးပြု၍ စွမ်းဆောင်ရည်တိုးတက်စေရန် DTs အများအပြားကို ပေါင်းစပ်ထားသော အစုလိုက်နည်းလမ်းတစ်ခုဖြစ်သည်။ကျွန်ုပ်တို့သည် သစ်ပင် 100၊ သစ်ပင်အတိမ်အနက် 10 ခု၊ အနိမ့်ဆုံး node အရွယ်အစား 1 ခုနှင့် node ခွဲခြားခြင်းဆိုင်ရာ စံနှုန်းများအဖြစ် Gini ပေါင်းစပ်မှုအညွှန်းကို အသုံးပြုထားသည်။အချက်အလက်အသစ်များကို အမျိုးအစားခွဲခြင်းအား အများစုမဲဖြင့် ဆုံးဖြတ်သည်။XGBoost သည် ယခင်မော်ဒယ်၏ အမှန်တကယ်နှင့် ခန့်မှန်းထားသော တန်ဖိုးများကြား အမှားအယွင်းနှင့် gradients49 ကို အသုံးပြု၍ အမှားကို တိုးမြင့်စေသည့် နည်းလမ်းကို အသုံးပြု၍ လေ့ကျင့်ရေးဒေတာကို အသုံးပြု၍ မြှင့်တင်ခြင်းနည်းပညာများကို ပေါင်းစပ်သည့် အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။၎င်းသည် ၎င်း၏ ကောင်းမွန်သော စွမ်းဆောင်ရည်နှင့် အရင်းအမြစ် ထိရောက်မှုတို့ကြောင့် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနေသည့် အယ်လဂိုရီသမ်တစ်ခုဖြစ်ပြီး၊ အလွန်အကျွံ ပြုပြင်သည့် လုပ်ဆောင်ချက်အဖြစ် ယုံကြည်စိတ်ချရမှု မြင့်မားသည်။မော်ဒယ်တွင် ပံ့ပိုးဘီး ၄၀၀ တပ်ဆင်ထားသည်။MLP သည် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော perceptron များသည် input နှင့် output အလွှာများကြားတွင် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော လျှို့ဝှက်အလွှာများဖြင့် အလွှာများစွာကို ဖွဲ့စည်းပေးသည့် အာရုံကြောကွန်ရက်တစ်ခုဖြစ်သည်။၎င်းကိုအသုံးပြုခြင်းဖြင့် သင်သည် input အလွှာတစ်ခုကိုထည့်ကာ ရလဒ်တန်ဖိုးကိုရသောအခါ၊ ခန့်မှန်းထားသောရလဒ်တန်ဖိုးသည် အမှန်တကယ်ရလဒ်တန်ဖိုးနှင့် နှိုင်းယှဉ်ပြီး အမှားကိုပြန်လည်ပျံ့နှံ့သွားသည့်နေရာတွင် မျဉ်းမဟုတ်သောအမျိုးအစားခွဲခြားမှုကို သင်လုပ်ဆောင်နိုင်သည်။အလွှာတစ်ခုစီတွင် ဝှက်ထားသော နျူရွန် 20 ဖြင့် လျှို့ဝှက်အလွှာတစ်ခုကို ဖန်တီးခဲ့သည်။ကျွန်ုပ်တို့ တီထွင်ထုတ်လုပ်ထားသော မော်ဒယ်တစ်ခုစီအား အာရုံခံနိုင်စွမ်း၊ တိကျမှု၊ PPV၊ NPV နှင့် AUROC တို့ကို တွက်ချက်ခြင်းဖြင့် အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်ကို စမ်းသပ်ရန်အတွက် အတွင်းပိုင်းနှင့် ပြင်ပအစုံတွင် အသုံးပြုထားသည်။အာရုံခံနိုင်စွမ်းကို အသက် 18 နှစ်နှင့် အထက်ဟု ခန့်မှန်းထားသည့် နမူနာနမူနာ၏ အချိုးအစားအဖြစ် အသက် 18 နှစ်နှင့် အထက်ဟု သတ်မှတ်သည်။တိကျမှုမှာ အသက် 18 နှစ်အောက်နမူနာများ၏ အချိုးအစားနှင့် အသက် 18 နှစ်အောက်ဟု ခန့်မှန်းရသူများဖြစ်သည်။
လေ့ကျင့်မှုအစုံတွင် အကဲဖြတ်ထားသော သွားဘက်ဆိုင်ရာအဆင့်များကို ကိန်းဂဏန်းအဆင့်များအဖြစ် ကိန်းဂဏန်းအဆင့်များအဖြစ် ပြောင်းလဲခဲ့သည်။လိင်တစ်ခုစီအတွက် ကြိုတင်ခန့်မှန်းနိုင်သော မော်ဒယ်များကို တီထွင်ရန်နှင့် အသက်ကို ခန့်မှန်းရန် အသုံးပြုနိုင်သည့် ဆုတ်ယုတ်မှုဖော်မြူလာများကို ထုတ်ယူရန်အတွက် အမျိုးမျိုးကွဲပြားသောမျဉ်းနှင့် ထောက်လှမ်းဆုတ်ယုတ်မှုတို့ကို လုပ်ဆောင်ခဲ့သည်။အတွင်းပိုင်းနှင့် ပြင်ပစမ်းသပ်မှုအစုံအတွက် သွားများ၏သက်တမ်းကို ခန့်မှန်းရန် ဤဖော်မြူလာများကို အသုံးပြုခဲ့သည်။ဇယား 4 သည် ဤလေ့လာမှုတွင်အသုံးပြုသော ဆုတ်ယုတ်မှုနှင့် အမျိုးအစားခွဲခြားမှုပုံစံများကို ပြသထားသည်။
Cohen ၏ kappa ကိန်းဂဏန်းကို အသုံးပြု၍ Intra- နှင့် interobserver ယုံကြည်စိတ်ချရမှုကို တွက်ချက်ခဲ့သည်။DM နှင့် သမားရိုးကျ ဆုတ်ယုတ်မှုပုံစံများ၏ တိကျမှုကို စမ်းသပ်ရန်အတွက်၊ ကျွန်ုပ်တို့သည် စက်တွင်းနှင့် ပြင်ပစမ်းသပ်မှုအစုံများ၏ ခန့်မှန်းခြေနှင့် အမှန်တကယ်အသက်အရွယ်ကို အသုံးပြု၍ MAE နှင့် RMSE တို့ကို တွက်ချက်ပါသည်။မော်ဒယ်ခန့်မှန်းချက်များ၏ တိကျမှုကို အကဲဖြတ်ရန် ဤအမှားများကို အများအားဖြင့် အသုံးပြုကြသည်။အမှားအယွင်း သေးငယ်လေ၊ ခန့်မှန်းချက် 24 ၏ တိကျမှု မြင့်မားလေဖြစ်သည်။DM နှင့် သမားရိုးကျ ဆုတ်ယုတ်မှုကို အသုံးပြု၍ တွက်ချက်ထားသော ပြည်တွင်းနှင့် ပြင်ပ စမ်းသပ်မှုအစုံများ၏ MAE နှင့် RMSE တို့ကို နှိုင်းယှဉ်ပါ။သမားရိုးကျစာရင်းအင်းများတွင် 18 နှစ်ဖြတ်တောက်ခြင်း၏ အမျိုးအစားခွဲခြင်းစွမ်းဆောင်ရည်ကို 2 × 2 အရေးပေါ်ဇယားကို အသုံးပြု၍ အကဲဖြတ်ခဲ့သည်။တွက်ချက်ထားသော အာရုံခံနိုင်စွမ်း၊ တိကျမှု၊ PPV၊ NPV နှင့် AUROC တို့ကို DM အမျိုးအစားခွဲခြားမှုပုံစံ၏ တိုင်းတာတန်ဖိုးများနှင့် နှိုင်းယှဉ်ခဲ့သည်။ဒေတာကို ဒေတာလက္ခဏာများပေါ်မူတည်၍ ပျမ်းမျှ ± စံသွေဖည်မှု သို့မဟုတ် နံပါတ် (%) အဖြစ် ဖော်ပြသည်။နှစ်ဘက်လုံး P တန်ဖိုးများ <0.05 ကို ကိန်းဂဏန်းအရ သိသာထင်ရှားစွာ ယူဆခဲ့ကြသည်။ပုံမှန်စာရင်းအင်းပိုင်းခြားစိတ်ဖြာမှုအားလုံးကို SAS ဗားရှင်း 9.4 (SAS Institute, Cary, NC) ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။DM regression model ကို Keras50 2.2.4 backend နှင့် Tensorflow51 1.8.0 ကို အသုံးပြု၍ Python တွင် အကောင်အထည်ဖော်ခဲ့သည် ။DM အမျိုးအစားခွဲခြားခြင်းပုံစံကို Waikato Knowledge Analysis Environment နှင့် Konstanz Information Miner (KNIME) 4.6.152 ခွဲခြမ်းစိတ်ဖြာမှု ပလပ်ဖောင်းတွင် အကောင်အထည်ဖေါ်ခဲ့သည်။
လေ့လာမှု၏ နိဂုံးချုပ်ချက်ကို ထောက်ခံသည့် အချက်အလက်များကို ဆောင်းပါးနှင့် ဖြည့်စွက်ပစ္စည်းများတွင် တွေ့ရှိနိုင်သည်ကို စာရေးသူက အသိအမှတ်ပြုပါသည်။လေ့လာမှုအတွင်း ထုတ်လုပ်ပြီး/သို့မဟုတ် ခွဲခြမ်းစိတ်ဖြာထားသည့် ဒေတာအတွဲများကို သက်ဆိုင်ရာ စာရေးသူထံမှ ကျိုးကြောင်းဆီလျော်စွာ တောင်းဆိုမှုဖြင့် ရနိုင်ပါသည်။
Ritz-Timme, S. et al.အသက်အကဲဖြတ်ခြင်း- မှုခင်းဆေးပညာအလေ့အကျင့်၏ တိကျသောလိုအပ်ချက်များနှင့် ကိုက်ညီရန် အနုပညာ၏အခြေအနေ။နိုင်ငံတကာ။J. တရားဝင်ဆေးဝါး။၁၁၃၊ ၁၂၉–၁၃၆ (၂၀၀၀)။
Schmeling, A., Reisinger, W., Geserik, G., and Olze, A. မှုခင်းတရားစွဲဆိုခြင်းဆိုင်ရာရည်ရွယ်ချက်များအတွက် သက်ရှိအကြောင်းအရာများ၏ မှုခင်းဆိုင်ရာအသက်အကဲဖြတ်မှု၏ လက်ရှိအခြေအနေ။မှုခင်းဆေးပညာ။ဆေးဝါး။ရောဂါဗေဒ။၁၊ ၂၃၉–၂၄၆ (၂၀၀၅)။
ပန်, ဂျေ et al ။တရုတ်နိုင်ငံအရှေ့ပိုင်းရှိ အသက် 5 နှစ်မှ 16 နှစ်ကြား ကလေးများ၏ သွားဘက်ဆိုင်ရာအသက်ကို အကဲဖြတ်ရန် ပြုပြင်ထားသောနည်းလမ်း။ဆေးခန်း။ခံတွင်းစစ်တမ်း။၂၅၊ ၃၄၆၃–၃၄၇၄ (၂၀၂၁)။
လီ၊ အက်စ်အက်စ် စသည်တို့။ ကိုရီးယားလူမျိုးများတွင် ဒုတိယနှင့် တတိယအံသွားများ ဖွံ့ဖြိုးတိုးတက်မှုနှင့် မှုခင်းဆေးပညာဆိုင်ရာ အသက်အရွယ်အကဲဖြတ်မှုအတွက် အသုံးချမှု။နိုင်ငံတကာ။J. တရားဝင်ဆေးဝါး။124၊ 659–665 (2010)။
Oh, S., Kumagai, A., Kim, SY နှင့် Lee, SS သည် ကိုးရီးယားနှင့် ဂျပန်တို့တွင် အံသွားဒုတိယနှင့် တတိယအံသွားများ၏ ရင့်ကျက်မှုအပေါ် အခြေခံ၍ 18 နှစ် သတ်မှတ်ချက်၏ တိကျမှုနှင့် ခန့်မှန်းချက် SS ။PLoS ONE 17၊ e0271247 (2022)။
Kim, JY, et al.မခွဲစိတ်မီ စက်သင်ယူမှုအခြေခံဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် OSA လူနာများတွင် အိပ်စက်ခြင်း ခွဲစိတ်ကုသမှု ရလဒ်ကို ခန့်မှန်းနိုင်သည်။သိပ္ပံပညာ။အစီရင်ခံစာ ၁၁၊ ၁၄၉၁၁ (၂၀၂၁)။
ဟန်၊ အမ် et al ။စက်သင်ယူမှုမှ လူသားတို့၏ ဝင်ရောက်စွက်ဖက်မှုဖြင့် သို့မဟုတ် မပါဘဲ တိကျသော အသက်အရွယ် ခန့်မှန်းချက်။နိုင်ငံတကာ။J. တရားဝင်ဆေးဝါး။136၊ 821–831 (2022)။
Khan, S. နှင့် Shaheen, M. Data Mining မှ Data Mining အထိ။J.Informationသိပ္ပံပညာ။https://doi.org/10.1177/01655515211030872 (2021)။
Khan, S. နှင့် Shaheen, M. WisRule- အသင်းစည်းမျဉ်းသတ္တုတူးဖော်ခြင်းအတွက် ပထမဆုံး သိမြင်မှုဆိုင်ရာ အယ်လဂိုရီသမ်။J.Informationသိပ္ပံပညာ။https://doi.org/10.1177/01655515221108695 (2022)။
Shaheen M. နှင့် Abdullah U. Karm- ဆက်စပ်မှုအခြေပြု အသင်းအဖွဲ့စည်းမျဉ်းများအပေါ် အခြေခံ၍ ရိုးရာဒေတာတူးဖော်ခြင်း။တွက်ချက်သည်။Matt.ဆက်လက်။68၊ 3305–3322 (2021)။
Muhammad M., Rehman Z., Shaheen M., Khan M. နှင့် Habib M. စာသားဒေတာကို အသုံးပြု၍ နက်ရှိုင်းသောသင်ယူမှုအခြေခံ semantic တူညီမှုကိုထောက်လှမ်းခြင်း။အကြောင်းကြား။နည်းပညာများ။ထိန်းချုပ်မှု။https://doi.org/10.5755/j01.itc.49.4.27118 (2020)။
Tabish၊ M.၊ Tanoli၊ Z. နှင့် Shahin၊ M. အားကစား ဗီဒီယိုများတွင် လှုပ်ရှားမှုများကို အသိအမှတ်ပြုသည့် စနစ်။မာလ်တီမီဒီယာ။Tools Applications https://doi.org/10.1007/s11042-021-10519-6 (2021)။
Halabi၊ SS et al။ကလေးအရိုးခေတ်ရှိ RSNA စက်သင်ယူခြင်းစိန်ခေါ်မှု။ဓာတ်ရောင်ခြည်ဗေဒ 290၊ 498-503 (2019)။
Li, Y. et al.နက်နဲသောသင်ယူမှုကို အသုံးပြု၍ တင်ပါးဆုံတွင်းဓာတ်မှန်များမှ မှုခင်းဆေးပညာဆိုင်ရာ အသက်ခန့်မှန်းချက်။EUROဓာတ်ရောင်ခြည်။၂၉၊ ၂၃၂၂–၂၃၂၉ (၂၀၁၉)။
Guo, YC, et al.လက်စွဲနည်းလမ်းများနှင့် ထုံးဖွဲ့ပုံဆွဲနည်းပုံများမှ နက်နဲသော convolutional neural networks များကို အသုံးပြု၍ တိကျသောအသက်အရွယ် အမျိုးအစားခွဲခြားခြင်း။နိုင်ငံတကာ။J. တရားဝင်ဆေးဝါး။135၊ 1589–1597 (2021)။
အလာဘားမား Dalora et alကွဲပြားသော စက်သင်ယူမှုနည်းလမ်းများကို အသုံးပြု၍ အရိုးအသက်ကို ခန့်မှန်းခြင်း- စနစ်တကျ စာပေပြန်လည်သုံးသပ်ခြင်းနှင့် မက်တာ-ခွဲခြမ်းစိတ်ဖြာခြင်း။PLoS ONE 14၊ e0220242 (2019)။
Du, H., Li, G., Cheng, K., and Yang, J. အာဖရိကန်အမေရိကန်များနှင့် တရုတ်တို့၏ လူဦးရေအလိုက် အသက်အရွယ် ခန့်မှန်းချက်သည် cone-beam တွက်ချက်ထားသော ဓာတ်မှန်ရိုက်ချက်ကို အသုံးပြု၍ ပထမအံသွားများ၏ ပျော့ဖတ်အခန်းပမာဏအပေါ် အခြေခံသည်။နိုင်ငံတကာ။J. တရားဝင်ဆေးဝါး။136၊ 811–819 (2022)။
Kim S.၊ Lee YH၊ Noh YK၊ Park FK နှင့် Oh KS သည် ဉာဏ်ရည်တုအခြေခံသော ပထမအံပွားပုံများကို အသုံးပြု၍ သက်ရှိလူအုပ်စုများကို သတ်မှတ်ခြင်းသိပ္ပံပညာ။အစီရင်ခံစာ ၁၁၊ ၁၀၇၃ (၂၀၂၁)။
Stern, D., Payer, C., Giuliani, N., and Urschler, M. အလိုအလျောက်အသက်အရွယ်ခန့်မှန်းခြင်းနှင့် အများစုအသက်အရွယ်အမျိုးအစားခွဲခြားခြင်း MRI ဒေတာ။IEEE J. Biomedကျန်းမာရေးသတိပေးချက်များ။၂၃၊ ၁၃၉၂–၁၄၀၃ (၂၀၁၉)။
Cheng၊ Q.၊ Ge၊ Z.၊ Du၊ H. နှင့် Li၊ G. သည် နက်နဲသောသင်ယူမှုနှင့် အဆင့်အစုံပေါင်းစပ်ခြင်းဖြင့် 3D ပျော့ဖတ်အခန်းကို ခွဲခြမ်းခြင်းအပေါ် အခြေခံ၍ အံသွားများကို ခွဲထုတ်ခြင်းအပေါ် အခြေခံသည်။နိုင်ငံတကာ။J. တရားဝင်ဆေးဝါး။135၊ 365–373 (2021)။
Wu, WT, et al.ဒေတာတူးဖော်ခြင်း- ဘုံဒေတာဘေ့စ်များ၊ အဆင့်များနှင့် နည်းလမ်းများ မော်ဒယ်များ။ကမ္ဘာ။ဆေးဝါး။အရင်းအမြစ်။၈၊ ၄၄ (၂၀၂၁)။
Yang, J. et al.Big Data ခေတ်တွင် ဆေးဘက်ဆိုင်ရာ ဒေတာဘေ့စ်များနှင့် ဒေတာတူးဖော်ခြင်းနည်းပညာများကို မိတ်ဆက်ခြင်း။J. Avidအခြေခံဆေး။၁၃၊ ၅၇–၆၉ (၂၀၂၀)။
Shen, S. et al.စက်သင်ယူမှုကို အသုံးပြု၍ သွားများ၏အသက်ကို ခန့်မှန်းရန် Cameer ၏နည်းလမ်း။BMC ခံတွင်းကျန်းမာရေး 21, 641 (2021)။
Galliburg A. et al.Demirdjian staging method ကို အသုံးပြု၍ သွားဘက်ဆိုင်ရာအသက်ကို ခန့်မှန်းရန်အတွက် မတူညီသော စက်သင်ယူမှုနည်းလမ်းများကို နှိုင်းယှဉ်ခြင်း။နိုင်ငံတကာ။J. တရားဝင်ဆေးဝါး။135၊ 665–675 (2021)။
Demirdjian၊ A.၊ Goldstein၊ H. နှင့် Tanner၊ JM သည် သွားဘက်ဆိုင်ရာအသက်ကို အကဲဖြတ်ရန် စနစ်သစ်။နှာမှုတ်။ဇီဝဗေဒ။၄၅၊ ၂၁၁–၂၂၇ (၁၉၇၃)။
Landis၊ JR၊ နှင့် Koch၊ GG အမျိုးအစားအလိုက် အချက်အလက်ဆိုင်ရာ လေ့လာသူသဘောတူညီချက်၏ အတိုင်းအတာများ။Biometrics 33၊ 159–174 (1977)။
Bhattacharjee S၊ Prakash D၊ Kim C၊ Kim HK နှင့် Choi HK။ပင်မဦးနှောက်အကျိတ်များ ကွဲပြားမှုအတွက် ဉာဏ်ရည်တုနည်းပညာများကို အသုံးပြု၍ အသွင်အပြင်၊ ရုပ်ပုံသဏ္ဍာန်နှင့် ကိန်းဂဏန်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှု။ကျန်းမာရေးအချက်အလက်။အရင်းအမြစ်။https://doi.org/10.4258/hir.2022.28.1.46 (2022)။