Hatur nuhun pikeun ngadatangan alam.com. Versi browser anu dianggo ngagaduhan dukungan CSS terbatas. Pikeun hasil anu pangsaéna, kami nyarankeun nganggo versi énggal browser anjeun nganggo modeu kasaluyuan dina modeu kasaluyuan dina Internet Exclorer). Samentawis, pikeun ngajamin dukungan anggup, kami nunjukkeun situs-situs tanpa gaya atanapi javascript.
Hibaran dianggap indikasi anu paling akurat tina umur awak manusa sareng sering dianggo dina penilaian umur forensik. Urang nimbulkeun mésér online umur mual sareng ngumumkeun perkiraan ku cara konsumsi sareng pagelaran klimasi tina jinis tradisional sareng métode milikan diperhatoskeun. Jumlah jumlahna 2657 Panorografa Panorés dikumpulkeun ti Korea jeung Jepang Aged 15 15 nepi ka 23 taun. Éta kabagi kana set latihan, masing-masing nyayogikeun 900 radioo, sareng set internal anu ngandung 857 rapat radisi Jepang. Urang dibandingkeun akurasi klasifikasi sareng efisiensi metode tradisional nganggo set modél ujian minina data. Katas akurasi metodeu tradisional dina setep uji uji waé rada luhur tibatan modél pertagian data data, sareng pake leutik (méjaan hartos sanésna elas 0,24 taun). Pinerja Keluaran pikeun motong umur 18 taun ogé sami antara padét tradisional sareng model pertambangan data. Kituna, metode tradisional tiasa digantian ku model pertambangan data nalika ngajalankeun penilaian umur ForenseC pikeun kadatangan molar kadua sareng katilu.
Perkiraan umur dental ieu dianggo dina ubar forensik sareng dentdientriater pedik. Khususna, kusabab korélasi anu luhur antara umur kronologis sareng kamekaran duka, penilaian umur ku tatangkalan pamekaran anu penting nyaéta kriteria anu penting pikeun ngaksés umur barudak sareng rumaja Nanging, pikeun urang ngora, estimasi umur dental dumasar kana kematangan damungan na gaduh watesanana kusabab pertumbuhan dental ampir réngsé, kalayanalibah molar katilu. Tujuan hukum nangtukeun umur jalma ngora sareng rumaja nyaéta nyayogikeun perkiraan akurat sareng bukti ilmiah naha aranjeunna parantos ngahontal umur seuseueurna. Dina ngalaksanakeun anu intodo-Hukum «Déwasa ngora di Korea, umurna ngayakeun cara ngagentos Lee, sareng Téktal anu dijadaran dumasar kana dataqu ALLL ku OH.
Pelajaran mesin ngadamel jinis intelijen buatan (Ai) anu sababaraha kali sareng ngalebetkeun jumlahna ageung, alarita gaduh program data sorangan. Kelajaran mesin tiasa mendakan pola anu disumpdahan kapaké dina jilid ageung data. Kontras, metode klasik, anu intensip hébat sareng waktos, tiasa ngagaduhan watesan nalika milari sareng volume data kompléks anu ageung. Ku alatan éta, seueur studi parantos dilakukeun ayeuna ngagunakeun téknologi komputer pangénggalna pikeun ngaminimalkeun kasalahan manusa sareng pangaruh data multidaiménan8,91 .12. Khususna, diajar jero henteu lega dina analisis gambar médis, sareng sagala rupa metode kétoda ku otomatis nganalisa sacara otomatis parantos dilaporkeun pikeun ningkatkeun akuriasi umur13,20,18,200 . Salaku conto, halabi et al 13 dikembangkeun algoritma anu diajar mesin pencari memenikan dumasar kana jaringan nasivolusi (CNN) pikeun estimate yusiman roryogrims. Uléataan ieu ngesulkeun modél anu ngalerontil kana gambar médis sareng nunjukkeun yén metodeu ieu tiasa ningkatkeun akurasi diagnostik. Li Em Al14 Engging tina gambar panggul pelul-ray x nganggo mayit sareng aranjeunna ngaluarkeun kalayan régrési ngagunakeun perkiraan tahapan ostififikasi. Aranjeunna mendakan yén popat CNN anu jero jero nunjukkeun kineriman umur anu sami sareng modél régrés tradisional. Guo et al. The Ulikan [15] Ngevaluasi kinerja kr klasifikasi téknologi dumasar kana and-orthékpotos huntu ngahasilkeun yén kinerja Chnnifforming Chnup Usum Prillésifikasi na
Kaseueuran nalungtik perkiraan umur nganggo diajar mesin nganggo metode anu jero13,14,15,16,19,19,20. Perkiraan umur dumasar kana pangajaran jero dilaporkeun janten langkung akurat tibatan metodeu tradisional. Tapi, pendekasan ieu nyayogikeun kasempetan sakedik pikeun nampung dasar-taun ilmiah kanggo umur perkawinan, sapertos anu indikator umur anu nganggo dina perkiraan. Aya ogé saran hukum pikeun anu ngalaksanakeun pamariksaan. Ku sabab éta, perkiraan umur dumasar kana diajar jero sesah nampi ku otoritas administrasi sareng aréa. Data diperin (DM) mangrupikeun téhnik anu tiasa sapertos teu ngan ukur diperkirakeun tapi ogé inpormasi anu teu dipikanyaho salaku metoda pikeun mendakan korélasi anu gunana antara data-data 18,21. Berinar mesin sering dianggo dina mambeli data, sareng kadua data tambihan sareng pelajaran ngagunakeun algoritma konci anu sami pikeun ngawala pola. Perkiraan umur nganggo pangembangan dental dumasar kana penilaian pamariksaan tina kematangan tina target, sareng penilaian ieu ditepikeun salaku panggung kanggo unggal target. DM tiasa dianggo nganalisa korélasi antara tahapan tegangan gigir sareng umur saleresna sareng gaduh kamungkinan pikeun ngagantian ahli statistik tradisional. Ku alatan éta, upami urang nerapkeun téknik DM pikeun perkiraan umur 5, urang tiasa ngalaksanakeun ukuran mesin dina perkiraan umur forensasi tanpa hariwang ngeunaan harga hukum. Sababaraha studi babandingan parantos diterbitkeun dina sababaraha alternatif pikeun metoda Moal biogik pikeun dianggo dina prakték forgensik sareng metode dumasar dumasar umur ebal. Shen et al23 nunjukkeun yén modél DM langkung akurat tibatan rumus cék tradisional. Galibourg al24 Netepkeun metode DM béda sareng ngaduga umur nurutkeun kriterion25 sacara lasul Drypator Drysycian langkung seueur yén metodeu anu ngaganggu DMPHPLIAN sareng ponsel dina umur pang écés.
Pikeun ngira-ngira umur déwasa ti Korban Korea sareng dewasa Metoda ieu ngagunakeun analisis statistik tradisional (sapertos ngan ukur régrési) pikeun nyatakeun hubungan antara matéri Korea atanapi umur kronologis. Dina pangajaran ieu, metode perkiraan umur ngeren ngagunakeun metode statistisik tradisional anu dihartikeun salaku "metodeu tradisional." Metode Le's metodeu tradisional, sareng akurasina parantos dikonfirmasi ku OH-et al. 5 Nanging, pembemuan perkebunan perkiraan basisna dumasar kana modél DM di prakték pangeusi Koréa masih ditaros. Tujuan urang pikeun sacara ilmiahalisasi Pangaruh Sentri Pikeun Pertimbangkeun Ukuran Harga dumasar kana modél DM. Tujuan pangajaran ieu (1) pikeun ngabandingkeun akuritas dua model DM perkelaan umur dental sareng (2) pikeun ngitung kamampuan klasifikasi dina umur 18 taun sareng anu diayakeun ku umur 18 taun anu diala ku umur 18 taun anu dieusian ku umur 18 taun anu dieusian ku umur 18 taun anu diala ku umur 18 taun anu diala ku umur 18 taun anu dieusian ku umur 18 taun anu diala ku umur 18 taun anu diala ku umur 18 taun anu diala ku umur 18 taun anu diala ku umur 18 taun anu diala ku umur 18 taun anu diala ku umur 18 taun anu diala ku umur 18 taun anu dieusian ku umur 18 taun sareng anu dicandak sareng molar katilu dina dua rahang.
Maksadna sareng ngabimbun umur krabadisional ku tahap sareng tipeu Tapak anu ditembongkeun dina tabel tabel S2 (Setel Latihan), sareng tabel tés éksternlemén). Panaliti KPPA pikeun intra- sareng sambuh interobserver ti tempat latihan nyaéta 0.951 sareng 0,947, masing-masing. P nilai sareng 95% interval kapercayaan pikeun nilai kapap dipidangkeun dina tabel suplemén online. Ninepa KAPVA diinterpongkeun salaku "ampir sampurna", konsisten sareng kriteria Lapak sareng Koch26.
Nalika ngabandingkeun hartosna harita lepat (MAe), metadenan tradisional rada oxpperorms model DM kanggo sadaya padamelan sareng dina uji jalu (MLP). Beled antara modél tradisional sareng modél DM dina set ujian Mee internal mangrupikeun 0,12-0.19 taun kanggo lalaki sareng 0.27 taun. Pikeun batré tes besak, bédana aya anu langkung saé (0.001-0.05 taun kanggo lalaki sareng 0,05-0.09 taun). Salaku tambahan, akar hartos kasalahan squaré (RMSE) saeutik langkung handap tibatan metode tradisional, kalayan béda-béda béda (17-0-07, 0,20-0.07 kanggo nyetel tés Masar). ). MLP nunjukkeun prestasi rada langkung saé tibatan lapisan bintoran percappon (sLP), kecuali dina hal uji uji-tés bikang. Kanggo Mae sareng Rméey, skor set éksternal langkung luhur tibatan uji set internal kanggo Sadaya Genders sareng modél. Sadayana mae sareng rmse dipidangkeun dina tabél 1 sareng Gambar 1.
Mae sareng RJINGS HENTEU KOMPUTUSAN KOMPUTUSAN KOMPUTUSAN MINING. Maksudan kasalahan mutlak Mae, akar hartosna kasalahan pasagi, plawah tunggal PercePon, MMILayterer Melpront MLP, metoda kimia.
Kumaha pagelaran klasifikasi (sareng cutoff 18 taun) modél tradisional sareng dma nunjukkeun dina hal sensitipitas, spuritas anu dipibinges, NPV), sareng daérah anu dipasang 27 (Méja 2, Gambar 2 sareng Gambar Tambul 1 Online). Dina hal sensitipitas tés internal, cara kimia diperyogikeun pangsaéna ku urang sareng parah diantara awéwé. Nanging, bédana pelaku klasifikasi antawis meték tradisional sareng SD ogé 9.7% kanggo lalaki (MLP) sareng ngan ukur awéwé (xgboib). Diantara modél DM, régrési logistik (LR) nunjukkeun kasantosan langkung saé dina duanana sexes. Ngeunaan hususeun setes ujangan internal, urang dititsit yén opat modél SD anu dilakukeun saé dina lalaki, sedengkeun moderjo tradisional ngalaksanakeun bikang. Bahan béda dina kamampuan klafikasi pikeun jalu sareng awéwé nyaéta 13.,3% (MLP) sareng 13.1% sareng 13.1%, masing-masing-masing, nunjukkeun modél ngaleuwihan Sidentipikasi. Diantara modél DM, mesin vektor vektor (snm), tangkal kaputusan (DT), sareng leuweung acak (sareng model LREF dilakukeun di antawis bikang. Amungoc tina modél tradisional sareng sadaya modél SD langkung ageung batan 0.925 (Turaga Kénging (KNN) dina lalaki), nunjukkeun kamampuan klasifikasi anu saé dina diskrimifikasi28. Pikeun set éksternal, aya panurunan di kinerja klasifikasi dina Squijatitas Scowtostivitas, spésipitas sareng Wurins dibandingkeun sareng disetah uji internal. Leuwih ti éta sensitipitas sareng spésipitas diantara kinerja klasifikasi modél pangsaéna sareng awon modél anu paling ageung tina 10% ka 25% dugi ka 5%. Langkung ageung tibatan set uji uji-bagian internal.
Sensitipitas sareng spésipitas data pertambangan penceratuan pengaminasi Pangluaran anu dibandingkeun sareng metode tradisional kalayan cut Agulan. BluN K caket, SVM résiko vektor Knm, SVM, rérrosistik lRRistik dina tangkal, DT Leuweung, Emp Mialpilayer, RFAs Cikan.
Léngkah munggaran dina kadatu ieu nyaéta ngabandingkeun akéntikasi umur gental anu dicandak tina tujuh modél DM sareng anu dilakukeun ku panggesik trresi tradisional. MENE sareng RMS atasan nafituasi dina uji ujangan internal pikeun duanana sandum, sareng bédana antara cara tradisional anu mimitian ti 44 poé dampa sareng 88 dinten ragy sareng jangkungna 68 dinten kanggo RMSE. Sanaos metodeu tradisional masing rada langkung akurat dina pangajaran ieu, Hésé disimpulkeun Naha gaduh bédana sanés boga konsép klinis atanapi praktis. Hasilna ieu nunjukkeun akurat tina perkiraan umur karep nganggo model DM ampir sami sareng cara metoda tradisional. Hadegis sareng hasil tina studi samentawis sesah sabab teu aya wates model DM nganggo metode DM tradisional nganggo téknik statik tradisional nganggo retis ieu dina kajiwutan huntu anu sami dina pangajaran ieu. Galiboodg Eb24 Alatan IE sareng RMSe antara dua metode tradisional (Metic Duksi25 sareng Willion metodol29) sareng 10 modél DM di 24 taun. Aranjeunna ngalaporkeun yén sadaya model DM langkung akurat tibatan padét tradisional, kalayan bédana 0.20 sareng 0.38 taun di RMSY sareng 0,4 taun Demléin. Bibit antara tarot SD sareng cara Élaharan anu dipidangkeun dina istilah halibendourg butuh ngajelaskeun A laporan-wartan nasional ti Amérika Serikat ti Kanadakatan Terasan ti Kanuaian. Dina pangajaran ieu. Tai et Al 34 nganggo Algoritma MLP pikeun ngaduga umur Botol ti 1636 Photo Orthodontic Chechodontic sareng ngahasilkeun akurasi Dyadjia sareng wilangan. Aranjeunna ngalaporkeun yén MLP ngagaduhan akurasi anu langkung luhur tibatan metodeu tradisional. Bédana antara metodeu Doudjian sareng metoda tradisional nyaéta <0.32 taun, sareng wiliwatan anu bakal wilangan 0.28 taun, anu mirip sareng hasilian ulasan ayeuna. Hasil tina surlemén taun saméméhna ogé konsisten kalayan hasil ulat ulian anu ayeuna, sareng abputasi modél DM 12 sareng metoda tradisional mirip. Nanging, dumasar kana hasil anu dihadang, urang ngan ukur tiasa disindang ku ngagunakeun modél DM pikeun perkiraan umur tiasa ngagentos cara anu tos aya ku wates anu tos aya. Tuturkeun studi nganggo conto anu langkung ageung diperyogikeun pikeun mastikeun hasil anu diala dina pangajaran ieu.
Diantara studi nguji akurasi SD dina maréntahkeun umur anjeun, sababaraha anu nunjukkeun katangka anu langkung luhur ti pangajaran kami. Starranovsky AL 35 diterapkeun modél 22 kanggo radiografi panorama tina 976 warga Czech 2,7 dugi ka 20,5 Taun sareng uji akurasi unggal model. Aranjeunna ditaksir pamekaran jumlahna 16 kénca sareng handap Ima kisang ti 0.64 ka 0.94 taun sareng RMSe ngawitan eupan tina 0.95 nepi ka 1.27 taun, anu langkung akutat tibatan model DM anu dianggo dina ulikan ieu. Shen et Al23 Nganggo metode city aeriere perkiraran umur dental tujuh huntu anu permanén di warga tinggalkeun jamat 5, svm sareng rf. Aranjeunna nunjukkeun yén sadaya tilu modél DM anu langkung luhur dibandingkeun rumus cackere tradisional. Mae sareng rmse di pangajaran Shen langkung handap tibatan anu aya dina modél DM dina pangajaran ieu. Éta ningkat precisional studi ku Stepanovsky et al. 35 sareng shen et al. 23 tiasa disababkeun pikeun citakan subjek ngora dina conto pangajaran na. Kusabab taun-épék pikeun pamilon sareng ngembangkeun huntu janten langkung akurat salaku jumlah huntu ningkatkeun dina pangembangan hreimation umur anu hasilna tiasa disebarkeun nalika diajar pamilarian anu ngora. Salaku tambahan, kasalahan MLP dina estimasi umur éta rada langkung alit tibatan SLP, hartosna MLP langkung akurat tibatan SLP. MLP dianggap langkung saé kanggo perkiraan umur, mungkin disangka lapisan anu disumputkeun di MLP38. Nanging, aya pengecualian kanggo conto luar awéwé (SLP 1.45, MLP 1.49). Nu milarian yén MLP langkung akurat tibatan SLP dina nganiayakeun umur butuh studi retrective tambahan.
Kinerja pengatur tanggal DM modél sareng metoda tradisional dina bangbarung 18-taun ogé dibandingkeun. Sadaya model SD sareng metode tradisional dina set ujian internal nunjukkeun tingkat diskriminasi ditampi sacara praktis pikeun sampel 18 taun. Sensuantivitas pikeun lalaki sareng awéwé langkung ageung tibatan 87.7% sareng 94.9%, masing-masing, sareng Komprisiitas langkung ageung. Auroc sadaya modél anu diuji ogé langkung seueur 0,925. Pikeun anu pangsaéna tina pangaweruh urang, teu aya diajar, teu ayaan deui ngeunaan kamampuan modél DM kanggo klasifikasi 18 taun dumasar kana kematangan gigi. Urang tiasa ngabandingkeun hasil ulikan ieu sareng kinerja klasifikasi pikeun model diajar jero dina radiina panoramik. Guy et al.15 ngitung kamampuan pengajaran CNN anu basis sareng metode m manualhi dumasar kana metode sikina demajian pikeun bitshold. Sangget saetaan metodeu Méi Méi nyaéta 87,7% sareng 95.5%, masing-masing, sareng sensitipitas CNN langkung seueur 89.6%. Aranjeunna nyimpulkeun yén modél diajar jero tiasa ngagentos atanapi penilaian manual anu luar Hasil tina kajian ieu nunjukkeun prestasi klasifikasi anu sami; Hal ieu dipercaya yén klasifikasi nganggo modél DM tiasa ngagentos metode statistik tradisional salami perkiraan umur. Di antara modél, DM L. Nyaéta model pangsaéna tina segi sensitipitas pikeun sampel jalu sareng sensitipitas sareng spésipitas bikang pikeun sampel bikang. Lr pangkat kadua dina spésifikasi pikeun lalaki. Leuwih ti éta, LR dianggap minjen model DM35 anu ramah User Liver anu ramah sareng hésé pikeun diolah. Dumasar kana hasil ieu, LR dianggap modél klasifikasi Polloff pangsaéna pikeun umur 18 taun di penduduk Koréa.
Agen, abturrasi perkiraan umur atanapi pagelfikasifikasi klasifikasi di set ujian éksternal mangrupikeun kirang atanapi langkung handap kana hasil dina set uji internal. Sababaraha laporan nunjukkeun yén akurasi klasiftifikasi atanapi Ekisi Watesan nalika yuswa perkiraan dumasar populasi Korea dilarapkeun kana pangajaran Jepang, sareng pola anu sami. Kejender anu séhat ieu ogé katalungtik dina modél DM. Ku alatan éta, pikeun perkiraan umur sapertos akurat, sanajan ngatur DM dina prosés analisikan, Pecanggihan diturunkeun tina data pendudat aslina, sapertos cara tradisional ,,41,42. Kusabab teu jelas naha modél diajar jero tiasa nunjukkeun tren, para lembar-pasti katekasan klasifikasi sareng effels 5, sareng model terbatas ieu tiasa ngatasi ku conto kawijakan ieu. Jeung model tersigial ayeuna. penilaian.
Kami nunjukkeun metodeu tradisional tiasa diganti ku perkiraan umur dumasar kana modél DM dina perkiraan umur umur finensik di Korea. Kami ogé mendakan kamungkinan ngalaksanakeun mesin pengelajaran kanggo penilaian umur forensensik. Nanging, aya watesan anu jelas, sapertos jumlah pamilon dina pangajaran ieu sacara pasti nangtukeun hasil, sareng kurangna tujuan sateuacana pikeun ngabandingkeun sareng mastikeun hasilna pangajaran. Di hareup, Panaliti DM kedah dilakukeun kalayan angka anu langkung ageung sareng pendirian macem-maca pikeun ningkatkeun ubar praktis dibandingkeun sareng cara tradisional. Pikeun aksés kamampuan ngeunaan nganggo intelijen buatan pikeun perkiraan umur dina sababaraha pendirian, studi masa depan diperyogikeun pikeun hasil klasifikasi sareng efisiensi anu gank jeung kana conto tradisional.
Studi anu digunakeun deui 2,657 fotografi anu dikumpulkeun ti Korea sareng Jepang matok Samus 15 dugi ka 23 taun. Rélografor Korea di dibagi jadi 900 susunan latihan (19.42 ± 265 taun) sareng 900 uji set pesenan internal (19.59 taun). Sacara latihan dikumpulkeun di hiji lembaga (Soul St Jur), sareng setes tés sorangan dikumpulkeun di dua lembaga dentit urang (sangion univers mani urang sareng yoni manén University). Kami ogé dikumpulkeun 857 Rajinograps tina Data dumasar populasi-populasi anu séjén (iwate untruktur médis, Jepang kanggo tés éksternal. Radiografi matéri Jepang (19,31 ± 2,60 taun) dipilih salaku set uji éksternal. Data anu dikumpulkeun sacara acabéktif pikeun nganalisa tahap ngembangkeun gamén dina radiografi panorama dicandak salami perawatan dental. Sadaya data dikumpulkeun henteu anonim kecuali gender, tanggal lahir sareng tanggal radiograf. Citakan sareng kritéria pangalasana sami sareng diajar anu diterbitkeun 4, 5. Umur saleresna conto diitung ku ngitung tanggal kalahiran ti tanggal radiografi dicandak. Sampel kelompok dibagi kana salapan kulawarga. Sagala waktos sareng panyebaran séks anu ditingalikeun dina méja 3 Pasénan ieu dilakukeun saencana sareng Helsinki sareng disatujuan Norea (KC22WIAL). Kusabab desain retetpéktur ieu kajarkeun, ijin ekspéktasi teu tiasa dicandak ti sadaya pasien anu ngaluarkeun tujuan radiografi pikeun tujuan terapi. Seul Seul Universitas St. rumah sakit Mary (IRB) nolak sarat pikeun idin pikeun.
Tuduhan pangembangan Bimaxillily Kadua sareng katilu anu ditaksir dumasar kana kriteria Ngan hiji waos dipilih upami jinis waos anu sami dipendakan di sisi kénca sareng katuhu unggal rahang. Upami huntu homologous dina dua sisi éta dina tahap pamekaran anu béda, waos kalayan panggung kamekaran anu langkung handap dipilih pikeun akun katelah dina umur perkiraan. Saratus radiograf anu cocog sareng setélan anu disebatna ku dua panempo anu ngalaman pikeun nguji akmiabilitas interobserver saatos prepalibration kanggo nangtukeun tahapan kematangan gempangan. Rasa Akraobserverver ditaksir dua dua segal tilu bulan ku panawaran utami.
Taknologi sareng pengembangan perlindungan kadua sareng 2 katilu unggal jawh dina latihan diperkirakeun ku modél DM anu béda, sareng umur anu béda disetel salaku nilai target. Model Slp sareng MLP, anu loba dianggo ngagunakeun diajar mesin mesin, diuji ngalawan algoritma. Monsal DM ngagabungkeun fungsi linier nganggo tahapan kamekaran tina opat huntu sareng ngagabungkeun data ieu pikeun perkiraan umur. Slp nyaéta jaringan nulal pangbasajanna sareng henteu ngandung lapisan disumputkeun. Slp damel dumasar kana transmisi bangbarung antara titik. Modél SLP di régrési matematik anu sami sareng regresi linier. Teu siga modél Slat, modél MLP ngagaduhan seueur lapisan anu nyumput sareng fungsi aktivasina nonlinear. Éksperimen kami nganggo lapisan anu nyumput sareng ngan ukur 20 titik anu nyumput sareng fungsi aktivasina nonline. Anggo pinggiran anu saé salaku metodeu anu optimasi sareng Mae sareng RMse salaku fungsi leungitna ngalatih modél belajar mesin kami. Modél régrési anu pangsaéna diterapkeun kana set uji internal sareng éksternal sareng umur huntu diperkirakeun.
Algoritma klasifikasi dimekarkeun anu ngagunakeun kematangan opat sikat dina latihan anu pikeun nyebaran naha hiji sampel nyaéta 18 taun atanapi henteu. Pikeun ngawangun modél éta éta, urang asalna tujuh pernyataan mesin diajar algoritms6,43: (1) LR, (4) MLP . LR mangrupikeun salah sahiji algorittur klatif anu paling sering dianggo teratur. Ieu algoritma diajar anu ngagunakeun régrési pikeun ngaduga kamungkinan data milik kategori anu tangtu ti 0 sareng 1 sareng nyebarkeun data sapertos milik kategori ieu; utamina dianggo pikeun klasifikasi binér. KNN mangrupikeun salah sahiji mesin pangbasajanna algorithms45. Nalika dirumuskeun data input anyar, éta mendakan data anu caket sareng per bagian anu parantos aya teras dikeplalikeunana kana kelas kalayan frékuénsi anu pangluhurna. Kami nyetél 3 kanggo jumlah tatanggana dianggap (k). Svm mangrupikeun algoritma anu maksimalkeun jarak antara dua kelas ku nganggo fungsi awewe in-fifs pikeun dilegakeun rohangan linier kana rohangan anu henteu linier disebut sawah46. Pikeun modél ieu, kami nganggo biias = 1, kakuatan = 1, sareng Gamma = 1 salaku hyperparterers pikeun kernel polynomational. DT parantos diterapkeun dina sababaraha sawah minangka algoritma pikeun ngabagi sakabéh data anu disetél kana sababaraha subgroup ku ngagambarkeun aturan kaputusan dina struktur tangkal47. Modél ieu dikonpigurasi sareng jumlah minimum rékaman per titik 2 sareng nganggo indéks gini salaku ukuran kualitas. RF nyaéta metodeu enaksium masihan ngagabungkeun bentuk alam pikeun ningkatkeun pagelaran nganggo metode "budi boottrap anu ngahasilkeun tina conto anu sami dina tanggal aslely sababaraha kali tina Cataet48. Urang ngagunakeun 100 tangkal, 10 Jangkung, 1 ukuran node minimum, sareng Gilirue sareng Gilirue Giration salami kritéria pamisahan. Klasifikasi data anyar ditangtukeun ku sora seuseueurna. Xgoost mangrupikeun algoritma anu ngagabungkeun téknik ngadorong téknik nganggo metoda anu peryogi salaku data latihan tina kasalahan anu saleresna sareng predéled dina modél sateuacana sareng jéntré. Hal ieu algoritma anu dianggo saé kusabab kamampuan anu saé sareng efisiensi denda, ogé reliabilitas anu luhur janten fungsi koréksi anu langkung overfhert. Model dilengkepan 400 roda dukungan. MLP mangrupikeun jaringan neural dimana hiji atanapi langkung plaket ngabentuk sababaraha lapisan sareng hiji lapisan langkung ti hiji input sareng kaluaran acuk. Nganggo ieu, anjeun tiasa ngalakukeun Klasifikasi henteu langka dimana nalika anjeun nambihan lapisan input sareng nilai hasilna dibandingkeun kana nilai hasil sareng kasalahan dipedarakeun sareng régagat balikna sareng kasalahan dipedarakeun deui. Kami nyiptakeun lapisan anu nyumput sareng 20 neuron anu disumputkeun dina unggal lapisan. Unggal pidia anu dimekarkeun ditarapkeun kana set internal sareng éksternal pikeun kamampuan klasifikasi ku ngatasi sénsitip, spésipitas, NPV, sareng aurok. Sensitipitas dihartikeun salaku babandingan conto perkiraan janten 18 taun umur atanapi langkung lami kana conto perkiraan pikeun umur 18 taun atanapi langkung lami. Spésipitas mangrupikeun saimbang sampel dina 18 taun umur sareng anu diperkirakeun umur 18 taun.
Peringkat dendam dipaksin dina susunan latihan dibagi jadi batang angka pikeun analisis statistik. Comprarge Lineawan sareng Linvinilingyinge sareng récrési aslet anu dipasihkeun pikeun ngembangkeun modél ramalan pikeun unggal basa jinis sareng ngirangan format rregrési sareng nurunkeun Turunna pikeun estiménkeun umur. Kami nganggo rumus ieu pikeun perkiraan umur huntu pikeun set pos internal sareng éksternal. Méja 4 nunjukkeun régrési sareng model klasifikasi anu dianggo dina ulikan ieu.
Relabilitas intra- sareng Interobserver diitung nganggo statistik Kohen Cohen urang. Pikeun nguji akurasi DM sareng modél régisias tradisional, urang diitung Mee sareng RMSe nganggo perkiraan sareng saleresna set internal sareng éksternal. Kasalahan ieu umum dianggo pikeun ngira-ngira kana harga ramalan modél. Éta leuwih saeutik kasalahan, leuwih luhur katepatan forecast24. Bandingkeun Mae sareng RMse of tés internal sareng éksternal atanapi diitung nganggo DM sareng regresi truk. Perkara klasifikasi tina Cutftra 18 Taun Dina Statistik tradisional dipaksa nganggo méja kontingensi 2 × 2. Sayitik atur, spésifikasi, PPV, NPV, sareng auron sompet Ues dibandingkeun sareng nilai-nilai klasifikasi SM. Data dikedalkeun minangka hartosna ± panyaksian standar atanapi nomer (%) gumantung kana ciri data. Nilai dua sisi <0,05 dianggap statistik signifikan. Sadaya analisa statistis rutin dilakukeun ngagunakeun SAS versi 9.4 (Sas Institut, Cary, NC). Surat régrési DM dilaksanakeun di python nganggo Keras7 2.2 Backend sareng puluhan sareng pulsaflow51 1.8.0 khusus pikeun operasi matematika. Kelok klasifikasi DM dilaksanakeun dina Inalisis Umvitas Shansato sareng Pilihan Pangambungna Konstanz) 3,6.6.6.152.
Panulis ngakuan data anu ngadukung kasimpulan studi tiasa dipendakan dina tulisan sareng bahan tambahan. Datasets dibangkitkeun sareng / atanapi dianalisis salami pangajaran sayogi ti panulis anu pas dina pamundut anu lumrah.
Ritz-Timme, S. et al. Penilaian umur: kaayaan seni pikeun nyumponan sarat khusus prakték. produkitas. J. Pikaresepeun Hukum. 113, 129-13-136 (2000).
Schmeling, A. Howisan, J., Geserik, G., sareng Olze, A. Status ayeuna tina penilaian hirup. Forensics. landong. Patologi. 1, 239-246 (2005).
Pan, J et al. Cara dirobih kanggo ngaksés umur gigi barudak umur 5 dugi ka 16 taun di Cina Wétan. . Survey lisan. 25, 3463-34744 (2021).
Le, s s,s kronologi tina Kekamaan Stop sareng katilu di Korea sareng aplikasi pikeun pisa penilaangan umur forensasi. produkitas. J. Pikaresepeun Hukum. 124, 65965 (2010).
Duh, S., Kumagai, A., Kim, SP SP, Lee, SS akurasi perkiraan sareng hariménkeun di korendasi kadua sareng Jepang. Plos hiji 17, E0271247 (2022).
Kim, JY, et al. Analisis data dumasar kana Station Pengharge "tiasa ngaduga Hark Anu Diperyogikeun Kasalahan Bedah Balikan dina pasien sareng OSA. Élmu. Laporkeun 11, 14911 (2021).
Han, M. et al. Perkiraan umur anu akurat tina pangajaran mesin sareng atanapi tanpa pipilueun manusa? produkitas. J. Pikaresepeun Hukum. 136, 821-831 (2022).
Khan, S. sareng Shahen, M. Tina data mining mining. J.informasi. Élmu. https://doi.org/10.117/165515152110872 (2021).
Khan, S. sareng Shahac, M. WISRUL: Algoritma anu munggaran J.informasi. Élmu. https://doi.org/10.117/16551515151595 (2022).
Shahen M. Sareng Abdullah U. Pararm: minor data tradisional dumasar kana aturan asosiasi dumasar kontéks. ngitung. Matt. Terus. 68, 3305-3322 (2021).
Muhammad M., Rehman Z., Shuane M., Khan M. sareng Habib M. Transitabilitas semanda. nginpokeun. Téknologi. kadali. https://doi.org/10.5755/J01.49.49.41118 (2020).
Ketik, M., Tanoli, Z., sareng Shahin, M. Sistem kanggo ngenalkeun kagiatan dina pidéo olahraga. multimédia. Alat-aplikasi https://doi.org/10.1007/s1104210119) 2021).
Halabi, SS et al. Tangtangan tantangan mesin renss dina umur tulang pedani. Radiologi 290, 498-503 (2019).
Li, y. et al. Perkiraan umur forensik ti sinar-X pangged nganggo diajar jero. Euro. radiasi. 29, 2322-2329 (2019).
Guo, yc, et al. Kontrol sepir anu akurat nganggo metodeu Moori sareng jaringan nutut infusital overitor tina gambar ramalan Orthogrice. produkitas. J. Pikaresepeun Hukum. 135, 1589-1597 (2021).
Alabama Dalora et al. Pernyataan umur ngeunaan pake pembelajaran Mesen anu béda: ulasan literawawat sareng nganalisa Eta-analisa. Plos hiji 14, E0220242 (2019).
Mah, H., li, G., Cheng, K. sareng Dub, J.'s yuswa Amerika sareng Pasundan Publess Pamreg. produkitas. J. Pikaresepeun Hukum. 136, 811-819 (2022).
Kim S., Lee YH, Teh YK, Taman FK sareng OH KS ngicunakeun kelompok hirup anu urang nganggo molaral. Élmu. Laporkeun 11, 1073 (2021).
Stusan, D., Pemberade, C. Giuliani, N. sareng Urschler, M. perusahaan-rekatan internal ti data MRIFtraratesior. Ieee J. Biasana. Tandha Kaséhatan. 23, 1392-1403 (2019).
Ceng, Q., ge, z., du, H. sareng L Ams, G. Hewanh Hewan Dasar dina Tutmentation 3D Lampu. produkitas. J. Pikaresepeun Hukum. 135, 365-373 (2021).
Wu, wt, et al. Dahareun dina data gedé klinis: dimabas, léngkah-léngkah anu, sareng perusahaan padika. Dunya. landong. sumberdaya. 8, 44 (2021).
Yang, J et al. Perpustakaan ka databases médis sareng téknologi pertambangan data dina va gedé. J. Avid. Ubar dasar. 13, 57-69 (2020).
Shen, S. et al. Metodeu Camerer pikeun perkiraan umur huntu nganggo panyewaran mesin. BMC Saham Suberi 21, 641 (2021).
Galiburg a. et al. Ngabandingkeun metode diajar mesin pikeun ngaramalkeun umur gigi nganggo padika stimer dashirgian. produkitas. J. Pikaresepeun Hukum. 135, 665-675 (2021).
Drypankian, A., Goldstein, H. sareng Tanner, JM hiji sistem énggal pikeun ngaksagadat umur dental. snort. biologi. 45 taun 2127 (1973).
Longis, JR, sareng k ambu, gg ukuran perjakatan Inverver kana Kategorial. Biometrics 33, 159-174 (1977).
Bhathacharjee s, prakash D, kim c, KIM HK sareng Chop HK. Analisis Teksurat, morfologis sareng statistika imvees dua diménsi dua diménsi nganggo téknik interielori pikeun béda pikeun bahan galort bi primér. Inpormasi kaséhatan. sumberdaya. https://doi.org/10.4258/hir.2022.28.1.1.46 (2022).
Waktu Post: Jan-04-2024