Spas ji bo serdana xwezayê.com. Guhertoya geroka ku hûn bi karanîna piştgiriya CSS-ê sînorkirî ye. Ji bo encamên çêtirîn, em pêşniyar dikin ku hûn guhertoyek nû ya geroka we bikar bînin (an jî di moda Internetnternetê de moda lihevhatinê vekişînin). Di vê navberê de, da ku piştgiriya domdar bicîh bikin, em bêyî stûn an javascript malperê nîşan didin.
Diranên ji hêla laşê herî rastîn a laşê mirov ve têne hesibandin û bi gelemperî di nirxandina temenê ya darayî de têne bikar anîn. Mebest kir ku em texmîn bikin ku di derheqê girtina nirxandina texmîn û performansa texmînkirinê ya ji 18-salan de bi rêbazên kevneşopî û nirxên bingehîn ên bingehîn ên danasînê re danasîn bikin. Bi giştî 265 radyografîkên Panoramîk ji welatiyên Koreyî û Japonî 15 û 23 salî hatin komkirin. Ew di nav rêzek perwerdehiyê de hatine dabeş kirin, her yek radyografên Koreyî, û damezrandina testa navxweyî ya ku 857 radyografên Japonî tê de heye. Me rast û kargêriya kategoriyê ya rêbazên kevneşopî yên bi testên setên modelên daneyên daneyê re berhev kir. Rastiya rêbaza kevneşopî ya li ser seta testê ya navxweyî hinekî bilindtir e, û cûdahî piçûktir e (wateya çewtiya bêkêmasî ye <0.21 sal, root Performansa çîna ji bo qutkirina 18-salan di heman demê de di navbera rêbazên kevneşopî û modelên mayînên daneyê de jî mîna hev e. Bi vî rengî, rêbazên kevneşopî dikarin dema ku hûn nirxandina temenê darayî bi karanîna nirxandina temenên darayî di mezinan û sêyemîn de di mezinan û mezinên Koreyî de bêne guheztin.
Nirxandina Dermanê Diranan bi berfirehî di dermanê dadrês û diranên zarokan de tê bikar anîn. Bi taybetî, ji ber têkiliya bilind di navbera temen û pêşveçûna diranan de, nirxandina temenê ji ber qonaxên pêşveçûnê diranan ji bo nirxandina temenê zarok û mezinan1,2,3 pîvanek girîng e. Lêbelê, ji bo ciwanan, ku temenê diranan li ser bingeha matmayîbûna diranan tê texmîn kirin xwedan sînorên xwe hene ji ber ku mezinbûna diranan hema hema bi tevahî temam e, bi îstismara molars sêyemîn. Armanca qanûnî ya destnîşankirina temenê ciwanan û mezinan ev e ku texmînên rast û delîlên zanistî peyda bikin ka gelo ew gihîştine temenê piraniyê. Di pratîka Medico-yasayî ya mezinan û mezinan de li Koreya, temen bi karanîna rêbazê Lee hate texmîn kirin, û bendek qanûnî ya 18 salan li ser bingeha daneyên ku ji hêla Oh et 5 ve hatine ragihandin hate texmîn kirin.
Fêrbûna makîneyê celebek îstîxbarata artificial e (AI) Fêrbûna Machine dikare di hejmareke mezin a daneya daneyê de şêwazên veşartî yên kêrhatî bibîne. Berevajî vê, rêbazên klasîk, ku kedkar û demên kedkar in, dibe ku sînorkirinên dema ku bi daneyên mezin ên daneya tevlihev re têkildar in. Ji ber vê yekê, gelek lêkolînên ku ji nû ve têne xebitandin ku teknolojiyên herî dawî yên komputera herî dawî bikar tînin da ku kêmasiyên mirovan û bi bandor bi daneya multibiSimensional8,9,10,11,11,11,11,11,11,11,11,11,11,11,11. Bi taybetî, fêrbûna kûr di analîzên wêneyê bijîşkî de, û rêbazên cûrbecûr ji bo texmîna temenê ji hêla analîzkirina radyografên bixweber hatine ragihandin ji bo baştirkirina rastbûn û kargêriya temenê .13,14,15,19,17,18,19,17 . Mînakî, Halabi et al 13 Li ser bingeha torgilokên neuralî ya konser (CNN), li ser bingeha algorîtmayê fêrbûna moşekek (CNN) pêşve xistin da ku temenê skeletal bikar bînin û bi karanîna radyografên destên zarokan bikar bînin. Ev lêkolîn modelek ku ji bo fêrbûna makîneyê ji dîmenên bijîşkî re dike pêşniyar dike û destnîşan dike ku ev rêbaz dikarin rastdariya tespîtkirinê baştir bikin. Li et al14 temenê texmînkirî ji wêneyên x-ray ên pelvîk bi karanîna cnn kûr û bi wan re encamên regresyonê bi karanîna texmîna qonaxa Osification. Wan dît ku Modela CNN ya kûr ku heman performansa texmîna temenî wekî modela regresyonê ya kevneşopî nîşan da. Guo et al.'S Lêkolîna [15] Performansa Klasîk a Tolerance ya li ser bingeha orthophotosên diranan, û encamên Modela CNN-ê piştrast kir ku mirov performansa çîna temenê xwe ji holê rakir.
Piraniya lêkolînan li ser texmîna temen bi karanîna fêrbûna makîneyê rêbazên hînbûna kûr bikar bînin13,14,15,16,17,18,19,20. Temenkirina temen li ser bingeha fêrbûna kûr tê ragihandin ku ji metodên kevneşopî rasttir e. Lêbelê, ev nêzîkatî derfetek piçûk peyda dike ku bingeha zanistî ji bo texmînên temen pêşkêşî bike, wek mînak nîşanên temen di texmînan de bikar anîn. Di heman demê de nakokiyek qanûnî jî heye ku çavdêriyê dike. Ji ber vê yekê, texmîna temenê li ser bingeha fêrbûna kûr e ku ji hêla rayedarên îdarî û dadwerî ve were pejirandin. Daneyên Mind (DM) teknîkek e ku meriv ne tenê li bendê ye lê di heman demê de agahdariya nediyar jî wekî rêbazek ji bo kifşkirina têkiliyên kêrhatî yên di navbera daneyên mezin ên daneya 26,21,22. Fêrbûna Makîneyê bi gelemperî di navgîniya daneyê de tê bikar anîn, û hem jî fêrbûna daneya daneyê heman algorîtmayên sereke bikar tînin da ku di daneyan de nimûneyên kifş bikin. Temenkirina temenê bi karanîna pêşkeftina diranan ve li ser nirxandina azmûnê ya pîvana diranên armancê ye, û ev nirxandin ji bo her diranê armancê wekî qonaxek tête diyar kirin. DM dikare were bikar anîn da ku têkiliya di navbera qonaxa nirxandina diranan û temenê rastîn analîz bikin û potansiyel heye ku li şûna analîzên statîstîkî yên kevneşopî bike. Ji ber vê yekê, heke em teknîkên DM-ê bi texmîna temenê bicîh bikin, em dikarin fêrbûna makîneyê bi texmîna temenê dadperweriyê bêyî ku ditirsin li berpirsiyariya dadrêsî. Lêkolînên hevbeş li ser vebijarkên mimkun ên ku ji bo diyarkirina temenê diranan ji bo diyarkirina temenê diranan hatine bikar anîn, ji alternatîfên xwerû yên kevneşopî ve hatine weşandin. Shen et al23 nîşan da ku modela DM ji formula kamerer ya kevneşopî rasttir e. GaliboRg et AL24 rêbazên DM-yê cûda bicîh kir ku temenê li gorî pîvana Demirdjian pêşbîn bike û encamên ku rêbazê DM-ê diyar kir ku di temenê nifûsa Fransayê de ji bo texmînkirina demirdjian û Willems.
Ji bo texmînkirina temenê diranan xortên Koreyî û mezinan ên Koreyî, Metoda Lee 4 bi berfirehî di pratîka darayî ya Koreyî de tê bikar anîn. Vê rêbazê analîzên statîstîkî yên kevneşopî (wekî pirjimar pirjimar) bikar tîne da ku têkiliya di navbera mijarên Koreyî û temenê kronolojîk de vekolîne. Di vê lêkolînê de, rêbazên texmîna temen ku bi karanîna rêbazên statîstîkî yên kevneşopî têne wergirtin wekî "rêbazên kevneşopî" têne destnîşankirin. Rêbaza Lee rêbazek kevneşopî ye, û rastiya wê ji hêla Oh et al. Ve hatî pejirandin. 5; Lêbelê, serlêdana texmîna temenê li ser bingeha modela DM-ê di pratîka darayî ya Koreyî de hîn jî pirsgir e. Armanca me bi zanistî bû ku bi zanebûn kêrhatî ya texmîna temenê li ser bingeha modela DM-ê rast e. Armanca vê lêkolînê (1) ji bo berhevkirina du modelên du DM-ê di temenê diranan de û (2) ji bo berhevdana performansa klasîk a 7 salî di temenê 18 saliyê de bi kesên ku bi karanîna rêbazên statîstîkî yên kevneşopî yên duyemîn hatine wergirtin û molên sêyemîn li her du jan.
Mînak û devokên standard ên temenê kronolojîk ji hêla qonaxê û type diran ve di tabloya supplementareseriyê de têne destnîşan kirin Nirxên Kappa ji bo pêbaweriya intra- interobserver ku ji rêza perwerdehiyê hatî wergirtin 0,951 û 0.947, bi rêzdarî bûn. P Nirxên P û 95% navbeynkariya bawerî ji bo nirxên Kappa di Table Supply S4 de têne nîşandan. Nirxa Kappa wekî "hema hema bêkêmasî" hate şîrove kirin, bi pîvanên Landis û Koch26 re hevgirtî ye.
Dema ku wateya xeletiya bêkêmasî (mae) berhev dike, ji bo hemî zayendan û li gorî multilayer perceptron (MLP), modela kevneşopî ya ku bi rengek din piçûktir e. Cûdahiya di navbera modela kevneşopî û modela DM-ê de li ser seta testê ya Navxweyî û ji bo mêr û 0.17-0.19 sal ji bo jinan bû 0.12-0.19 sal. Ji bo battera testê ya derveyî, cûdahî piçûktir in (0,001-0.05 sal ji bo mêran û 0.05-0.09 sal ji bo jinan). Wekî din, çewtiya çargoşe (RMSE) ji metodên kevneşopî piçûktir e (0,17-0.24, 0.2-0.24 ji bo Set Set. ). MLP ji performansa piçûktir a perceptron (slp), ji bilî di doza testa derveyî ya jinan de performansa çêtir nîşan dide. Ji bo Mae û RMSe, ji bo ceribandina navxweyî ya ku ji bo hemî zayendan û modelan hatine destnîşan kirin, ji bo ceribandina testê ya derveyî bilindtir e. Hemî Mae û RMSe di Table 1 û Figure 1 de têne nîşandan.
Mae û RMSe ya modelên regresyonê yên kevneşopî û daneyê. Wateya xeletiya bêkêmasî mae, root wateya çewtiya çaremîn RMSe, yekjimar PercePtron slp, Multilayer PercePtron MLP, rêbaza CM kevneşopî ya CM.
Performansa klasîk (bi qutkirina 18 salan) di navgîniya hişmendî, taybetmendiyê, nirxa pêşbîniya erênî (PPV), nirxa pêşbîniya neyînî (NPV) û devera ku di binê karaktera karaktera karakterê de (Auroc) 27 (Table 2, Figure 2 û Hêjmara Bilind 1 online). Di wateya hişmendiya battera testa navxweyî de, rêbazên kevneşopî di nav mêran de çêtirîn û xirabtirîn di nav jinan de pêk tê. Lêbelê, cûdahiya di performansa çîna di navbera rêbazên kevneşopî û SD de ji bo mêran (MLP) û tenê 2.4% ji jinan (xgboost) e. Di nav modelên DM de, regresyona lojîstîkî (LR) di her du cinsan de hestiyariyek çêtir nîşan da. Di derbarê taybetmendiya testa navxweyî de, tê dîtin ku çar modelên sd di mêran de baş pêk tînin, dema ku modela kevneşopî di mêran de çêtir pêk hat. Cûdahiyên di performansa çîna ji bo mêr û mêran de 13.3% (MLP) û 13.1% (MLP), bi rêzdarî, nîşan didin ku cûdahiya di performansa çîna di navbera modelan de ji hestiyariyê derbas dibe. Di nav modelên DM de, makîneya vektorê piştgiriyê (SVM), û modelên darayî (RF) (RF) di nav mêran de, dema ku modela LR-ê di nav mêran de çêtirîn pêk hat. Auroc modela kevneşopî û hemî modelên SD ji 0,925 (cîranê herî nêzîk (KNN) di mêran de mezintir bû), di cûdahiya nimûneyên 18-salî de ji bo nimûneyên 18-salî yên cûdahiyê nîşan didin. Ji bo seta testê ya derveyî, di performansa çînê de kêmbûnek di wateya hişmendiyê, taybetî û auroc de li gorî seta testa navxweyî hebû. Wekî din, cûdahiya di hişmendî û taybetmendiyê de di navbera performansa çîna de modelên çêtirîn û herî xirab ji 10% ji% 10 bû û ji cûdahiya di damezrandina testa navxweyî de ji cûdahiya mezintir bû.
Hestbûn û taybetmendiya Modelên Klasîk ên Daneyên Daneyên li gorî metodên kevneşopî bi qutkirina 18 salan re. KNN K Nêzîkî Cîran, Makîneya Vektorê ya Piştgiriyê, Regression Logistic Log
Cara yekem di vê lêkolînê de ji bo pêkanîna rastiya texmînên diranan ji heft modên DM-ê bi kesên ku bi karanîna regresyona kevneşopî hatine wergirtin re berhev kirin. Mae û RMSe ji bo her du cinsan hatin nirxandin, û cûdahiya di navbera rêbaza kevneşopî û modela DM-ê ji 44 û 77 rojan ji bo Mae û ji 62 û 88 rojan ji bo RMSe. Her çend rêbaza kevneşopî di vê lêkolînê de hinekî rasttir bû, zehmet e ku meriv encam bike ka cûdahiyek wisa girîng xwedî girîngiyek klînîkî an pratîkî ye. Van encaman destnîşan dikin ku rastiya texmîna diranan ya diranan bi karanîna modela DM-ê hema hema hema wekî rêbaza kevneşopî ye. Berhevoka rasterast bi encamên ji lêkolînên berê zehmet e ji ber ku ne rastiya modelên DM-ê bi rêbazên statîstîkî yên kevneşopî bi karanîna heman teknîkî ya tomarkirinê di heman astê de ye. GaliboRg et AL24 Li MAE û RMSe di navbera du rêbazên kevneşopî (Method2ian Metod25 û Method25 û Method25 û 10 Modelên Willems) û 10 Modelên DM-ê di nifûsa fransî ya 2 û 24 salî de. Wan ragihand ku hemî modelên DM-yê ji rêbazên kevneşopî, bi cûdahiyên 0.20 û 0.38 sal in li Mae û 0.25 û 0.47 sal in li ser rêbazên Willems û Demirdjian, bi rêzdarî. Cûdahiyên di navbera modela SD û rêbazên kevneşopî de gelek raportan têne destnîşankirin ku rêgezên demirdjian di nava Kanadayên Dermanê de ji pêşiya Kanadayên Fransî yên ku li ser xwendinê ne bingeha xwe didin. di vê lêkolînê de. Tai et 34 algorîtmaya MLP bikar anîn da ku ji 1636 wêneyên orthodontîk ên Chineseînî texmîn bikin û bi encamên rêbaza Demirjian û Willems re rastdariya xwe berhev kirin. Wan ragihand ku MLP ji metodên kevneşopî rast e. Cûdahiya di navbera rêbaza Demirdjian de û rêbaza kevneşopî <0.32 sal e, û rêbaza Willemsê 0.28 sal e, ku bi encamên lêkolîna heyî re mîna hev e. Encamên van lêkolînên berê24,34 jî bi encamên lêkolîna heyî re, û rastiya texmîna temen modela DM-ê hevgirtî ne û rêbaza kevneşopî mîna hev in. Lêbelê, li ser bingeha encamên pêşkêşkirî, em tenê bi baldarî encam didin ku bikaranîna modelên DM-ê ji ber kêmbûna hevbeş û referansên berê dikarin rêbazên heyî biguhezînin. Lêkolînên şopandinê bi karanîna nimûneyên mezintir hewce ne ku encamên ku di vê lêkolînê de hatine wergirtin piştrast bikin.
Di nav lêkolînên ku ceribandina rastîn a SD-ê di temenê diranan de ceribandin, hin ji xwendina me rastiya bilind nîşan dan. Stepanovsky et 35 Modelên SD-ê 22 SD li Radiografên Panoramîk ên 976 niştecîhên Czechekirî yên 976 salî di navbera 2.7 û 20.5 salî de bicîh anîn û rastiya her modêlê ceriband. Wan pêşkeftina bi tevahî 16 diranên mayînde yên jorîn û çepê yên çepê bi karanîna pîvanên kategoriyê yên ku ji hêla Moorrees et 36 ve têne pêşniyar kirin. MAE ji 0.64 ber 0,94 salan û RMSe ji 0.85 û 1.27 salan digire, ku ji du modelên DM-yê ku di vê lêkolînê de têne bikar anîn rast in. Shen et al23 Rêbaza kameriere ji bo texmîn kirina di temenê diranan de heft diranên mayînde yên di rûniştvanan de 5 û 13 sal in ku bi karanîna regresyonê linear, svm û rf bi kar anîn. Wan destnîşan kir ku her sê modelên DM-ê bi qasî formula kameriere ya kevneşopî rast in. Di lêkolîna Shen de Mae û RMSe di vê lêkolînê de ji modela DM-ê kêmtir bû. Zêdetir xwendina xwendinê ji hêla Stepanovsky et al. 35 û Shen et al. 23 dibe ku ji ber tevlêbûna mijarên ciwanan di nimûneyên xwendinê yên wan de be. Ji ber ku temen texmîn dike ku ji bo beşdaran diranan di pêşveçûna diranan de zêde dibin, dema ku beşdarên xwendinê ciwan in, dibe ku di pêşkeftina mezinahiya diranan de zêde bibin. Wekî din, xeletiya MLP-ê di texmîna temen de ji slp piçûktir e, tê vê wateyê ku MLP ji slp rasttir e. MLP ji bo texmînkirina temen piçûktir tê hesibandin, dibe ku ji ber stokên veşartî yên li mlp38. Lêbelê, ji bo nimûneya derveyî jinan îstîsmar heye (SLP 1.45, MLP 1.49). Dîtina ku MLP ji SLP-ê di nirxandina temenê de rasttir e ku hewce dike ku lêkolînên paşverû yên zêde hewce bike.
Performansa klasîk a modela DM û rêbaza kevneşopî di benda 18 salan de jî li hev bû. Hemî modelên SD-ê yên ceribandî û rêbazên kevneşopî li ser daneya testê ya navxweyî di asta 18-salî de asta pratîkî ya cûdabûnê nîşan dan. Hestiyariya ji bo mêr û jinan ji 87,7% û 94.9%, ji rêzê, û taybetmendiyê ji 89.3% û 84.7 mezintir bû. Auroc ji hemî modelên ceribandî jî ji 0.925 derbas dibe. Bi zanîna me çêtirîn, bê xwendin performansa modela DM-ê ji bo kategoriya 18-salî li ser bingeha diranan ya diranan ceribandiye. Em dikarin encamên vê lêkolînê bi performansa klasîkbûnê ya modelên fêrbûna kûr li ser radyografên panoramîk ên li ser radyografên panoramîk binirxînin. Guo et al.15 performansa klasîkî ya ji bo modela fêrbûna kûr û rêbazek manual li ser bingeha rêbaza Demirjian ji bo pêşengiyek demkî. Hestbûn û taybetmendiya rêbazê manual 87.7% û 95.5%, bi rêzdarî, û hişmendî û taybetmendiya modela CNN-ê ji 89,50 û 86,6% derbas bû. Wan encam da ku modelên fêrbûna kûr dikare nirxandina manual di nav rêzên temenên çîna de li şûna an derveyî. Encamên vê lêkolînê performansa klasîk a wekhev nîşan dan; Tê bawer kirin ku klasîk bi karanîna modelên DM dikare rêbazên statîstîkî yên kevneşopî ji bo texmîna temen biguhezînin. Di nav modelan de, DM LR di warê hişmendiya mêran de ji bo nimûneya mêr û hişmendî û hişmendiya mêran ji bo nimûneya jin modela çêtirîn bû. LR di taybetî de ji bo mêran didome. Digel vê yekê, LR ji modelên DM35-ê-ê-ê-ê-ê bêtir tê hesibandin û pêvajoyê kêmtir tevlihev û dijwar e. Li ser bingeha van encaman, LR ji bo 18-salî di nifûsa Koreyî de modela çîna çêtirîn a qutkirinê hate hesibandin.
Bi tevahî, rastiya texmîna temen an performansa kategoriyê li ser seta testê ya derveyî xizan an kêmtir li gorî encamên li ser danasîna testa navxweyî bû. Hin rapor destnîşan dikin ku rastbûn an kargêriya kategoriyê dema ku texmînên temen li ser bingeha nifûsa Koreyê têne kirin li gorî nifûsa Japonî ye. Di heman demê de ev mezinahiya xirabûnê jî di modela DM de hate dîtin. Ji ber vê yekê, bi qasî temenê texmînkirinê, di heman demê de dema ku DM di pêvajoyê analîzê de bikar tîne, rêbazên ku ji daneya nifûsa niştecîbûnê têne derxistin, wek rêbazên kevneşopî, divê bijarte5,49,40,40,42 bin. Ji ber ku ne diyar e gelo modelên fêrbûna kûr, lêkolînên bi karanîna rêgezên kevneşopî, û modelên kevneşopî yên li ser heman nimûneyan hewce ne ku piştrast bikin ka îstîxbarata hunerî dikare di temenê sînorkirî de biserkeve. nirxandinan.
Em xwepêşandan dikin ku rêbazên kevneşopî dikarin li gorî texmîna DM-ê li gorî pratîka DM-ê di pratîka texmînkirinê ya temenê de li Koreyê binihêrin. Di heman demê de me kifş kir ku em fêrbûna makîneyê ji bo nirxandina temenê ya darayî. Lêbelê, sînorkirinên zelal hene, wek hejmareke nebawer a beşdaran di vê lêkolînê de encaman diyar bikin, û nebûna xwendina berê ji bo berhevkirina û piştrastkirina encamên vê lêkolînê. Di pêşerojê de, xwendinên DM-ê divê bi hejmarên mezintir ên nimûneyan û nifûsa mezintir werin meşandin da ku serlêdana xwe ya pratîkî bi rêbazên kevneşopî baştir bikin. Ji bo ku hûn têgihîştina îstîxbarata arizî bikar bînin da ku di piraniya nifûsê de texmîn bikin, xwendinên pêşerojê hewce ne ku rastiya çîna û kargêriya dersê bi rêbazên kevneşopî di heman nimûneyan de.
Lêkolîn ji 2,65 û mezinên Koreyî û japonî yên ji 15 û 23 salan re hatine berhev kirin. Radyografên Koreyî di nav 900 setên perwerdehiyê de hatine dabeş kirin (19.42 ± 2.65 sal) û 900 Setsên Testê Navxweyî (19.52 ± 2.59 sal). Sazkirina perwerdehiyê li yek saziyek (Nexweşxaneya St. Mary Mary hate berhev kirin, û seta xwe ya testê li du saziyan hat kom kirin Di heman demê de me 857 radyografî ji daneyên din ên nifûsê (Zanîngeha bijîjkî, Japan) ji bo ceribandina derveyî berhev kir. Radyografên mijarên Japonî (19.31 ± 2.60 sal) wekî seta testê ya derveyî hate hilbijartin. Daneyên ji nû ve hatin berhev kirin da ku qonaxên pêşveçûna diranan li ser radyografên panoramîk ên ku di dema dermankirina diranan de hatine girtin analîz bikin. Hemî daneyên ku hatine berhev kirin ji bilî zayenda zayendan, roja jidayikbûnê û tarîxa radiografê hatine girtin. Kulîlkên tevlêbûn û derketinê bi xwendina 4, 5-an re heman bû. Temenê rastîn a nimûneyê bi veqetandina tarîxa jidayikbûnê ji roja radiograf hate girtin. Koma nimûneyê di neh komên temenî de hate dabeş kirin. Di Table 3 de belavkirinên temenê têne nîşandan li gorî Daxuyaniya Helsinki û ji hêla Desteya Review a Saziyê (IRB) ya Nexweşxaneya Zanîngeha Katalolojîk a Koreya (KC22WISI0328) ve hate pejirandin. Ji ber sêwirana paşverû ya vê lêkolînê, razîbûna agahdar nikaribû ji hemî nexweşan re were wergirtin ku ji bo mebestên dermanî yên radyografîk derbas dibe. Nexweşxaneya Zanîngeha Seoul Koreya (IRB) ji bo razîbûna agahdar xwest.
Qonaxên pêşkeftinê yên molarên duyem ên Bimaxillary duyemîn û sêyemîn li gorî krîterên Demircan25 hatin nirxandin. Tenê yek diran hate hilbijartin ger ku heman celebê diranê li milên çep û rastê yên her jawê hate dîtin. Ger diranên homologî yên li her du aliyan li qonaxên pêşkeftinên cihêreng bûn, diranê bi qonaxa pêşkeftina hindiktir hate hilbijartin da ku di temenê texmînkirî de ji bo nediyarbûnê were hesibandin. Sed sed radyografên bi rengek bihurî ji seta perwerdehiyê ji hêla du çavdêrên ceribandî ve hatine tomarkirin ku pêbaweriya Interobserver piştî pêşîlêgirtinê ji bo destnîşankirina qonaxa zihniyeta diranan ceribandin. Baweriya intraobserver du caran di navbêna sê mehan de ji hêla çavdêrên seretayî ve hate nirxandin.
Qonaxa cinsî û pêşveçûna molên duyemîn û sêyemîn ên her jaw di navbêna perwerdehiyê de ji hêla çavdêrên sereke ve hatine perwerdekirin, û temenê rastîn wekî nirxa armanc hate danîn. Modelên slp û MLP, ku bi berfirehî di fêrbûna makîneyê de têne bikar anîn, li dijî algorîtmayên regresyonê hatin ceribandin. Modela DM fonksiyonên linear bi karanîna qonaxên pêşkeftinê yên çar diranan kom dike û van daneyan di temenê texmîn dike. SLP tora neuralî ya herî hêsan e û nahêle perdeyên veşartî pêk tê. SLP li ser bingeha veguhastina tîrêjê ya di navbera nodikan de dixebite. Modela SLP-ê di regresiyonê de matematîkî ye ku ji nûvekirina pirjimar linear re têkildar e. Berevajî modela SLP, Modela MLP-ê bi fonksiyonên aktîvkirina ne-linear pirjimar pir veşartî ye. Ezmûnên me bi tenê 20 nodên veşartî yên bi fonksiyonên aktîvkirinê yên ne-linear re bi kar anîn. Wekî rêbaza xweşbîniyê û Mae û RMSE bikar bînin wekî fonksiyona windabûnê ji bo ku modela fêrbûna makîneya me perwerde bikin. Modela regresiyonê ya herî çêtirîn bidestxistî li ser setên testê hundur û derveyî hate set kirin û temenê diranan hate texmîn kirin.
Algorîtmayek klasîk hate pêşve xistin ku pîvana çar diranan li ser perwerdehiyê bikar tîne da ku texmîn bike ka nimûneyek 18 salî ye yan na. Ji bo avakirina modela, me heft makîneya makîneya fêrbûnê derxist algorithms6,43: (1) knn, (3) kn, (4) dt, (5) xgboost, û (7) MLP . LR yek ji algorîtmayên klasîk ên herî berbiçav44 e. Ew algorîtmayek fêrbûna çavdêriyê ye ku ji nû ve bikar tîne da ku îhtîmalek daneya ku ji 0 ji 1 ve girêdayî ye ji 0 ji 1-an pêk bîne û daneyên wekî kategoriyek mimkun a li ser bingeha vê îhtîmalek din bikar tîne; bi piranî ji bo çîna binaryan tê bikar anîn. KNN yek ji algorîtmayên hêsan ên makîneya hêsan e. Dema ku daneya têketinê ya nû tê dayîn, ew daneyên K nêzîkî seta heyî dibîne û dûv re wan di polê de bi frekansa herî bilind re diçe. Em 3 ji bo hejmara cîranên ku têne hesibandin (K) danîn. SVM algorîtmek e ku di navbera du çînên de ji hêla fonksiyonek kernel ve tê bikar anîn da ku cîhê linear li cîhek ne-linear bi navê Fields46 were berfireh kirin. Ji bo vê modêlê, em bias = 1, hêz = 1, û gamma = 1 wekî hyperparameters ji bo kernelê polenomî bikar tînin. DT di warên cûrbecûr de wekî algorîtmayê ji bo dabeşkirina daneya tevahî li gelek jêrzemeyan di nav de rêzikên biryarê li strukturên dareyê dipejirînin. Modela bi hejmarek kêmtirîn tomarên ji bo 2 nodê 2-ê tête mîheng kirin û indexê gini wekî pîvanek kalîteyê bikar tîne. RF rêbazek ensemble ye ku ji bo çêkirina rêbazek hevsengkirina pêvekirî ya ku ji bo her nimûneyê ji hêla her nimûneyê ve ji hêla dataset48 ve çuçikên qels, ji bo her nimûneyê, ku ji bo her nimûneyê, ji bo her nimûneyan, ku ji hêla dataset48 ve klasîkek lawaz ji bo her nimûneyê çêdike. Me 100 daran bikar anî, 10 kûrahiyên darê, 1 pîvana node ya herî kêm, û index index jî wekî pîvanên veqetandina node. Klasîkirina daneya nû ji hêla piraniyê ve tê destnîşankirin. XGBoost algorîtmek e ku bi karanîna teknîkên ku bi karanîna rêbazek ku wekî daneyên perwerdehiyê di navbera nirxên rastîn û texmînkirî yên modela berê û pêşbînîkirinê de çêdike. Ew ji ber performansa xwe û kargêriya xwe ya baş û çavkaniya xwe, û hem jî pêbaweriya bilind wekî fonksiyonek sererastkirina berbiçav e. Modela bi 400 tekerên piştgiriyê re tête kirin. MLP torê neuralî ye ku tê de yek an jî zêdetir perceptron bi yek an jî zêdetir perdeyên veşartî yên di navbera layers input û derketinê de pêk tê. Vê bikar bînin, hûn dikarin çîna ne-linear bicîh bikin û gava ku hûn pêvekek têkelê lê zêde bikin û nirxek encam bistînin, nirxa encama texmînkirî bi nirxa encama rastîn ve girêdayî ye. Me di her perdeyan de bi 20 neuronên veşartî re çêkir. Her modela ku me pêşxistiye ji bo ceribandina performansa navxweyî û derveyî ji hêla hesaskirina hesas, taybetmendî, PPV, NPV, û Auroc re hate bicîh kirin. Hestiyarî wekî ku nimûneya nimûneyê tê texmîn kirin ku temenê 18 saliyê an mezintir e ji bo nimûneyek ku ji 18 salî an mezintir e. Taybetmendiya beşa nimûneyên di bin 18 saliyê de ye û yên texmîn kirin ku di bin 18 saliyê de ne.
Qonaxên diranan di rêza perwerdehiyê de ji bo analîzên statîstîkî di qonaxên hejmarî de hatin veguheztin. Ragihandina linear û lojîstîk û lojîstîkî ji bo pêşxistina modelên pêşbînîn ji bo her cins û derxistina formulên regresyonê yên ku dikarin ji bo texmîna temenê bikar bînin. Me van formulan bikar anî da ku ji bo setên testê yên hundur û derveyî temenê diranê texmîn bikin. Table 4 nîşan dide ku regresyon û modelên kategoriyê di vê lêkolînê de têne bikar anîn.
Bi karanîna statîstîka Kappa ya Cohen-û Interobserver ve hate hesibandin. Ji bo ceribandina rastiya DM û modelên kevneşopî yên rêziknameyê, me Mae û RMSe bi karanîna texmînên texmîn û rastîn ên setên navxweyî û derveyî. Van xeletiyan bi gelemperî ji bo nirxandina rastbûna pêşbîniyên model têne bikar anîn. Çewtiya piçûktir, rastiya herî pêşbîniya jorîn24. MAE û RMSE ya setên testê hundurîn û derveyî bi karanîna DM û regresyonê kevneşopî re berhev bikin. Performansa klasîk a qutkirina 18-salî di statîstîkên kevneşopî de bi karanîna tabloyek 2 × 2-ê hate nirxandin. Hestiyariya hesibandî, taybetmendî, PPV, NPV, û Auroc of testê bi nirxên pîvandî yên modela kategoriya DM-ê re hat berhev kirin. Daneyên wekî wateya ± ± ± ± ± ± ± ± ±AN (%) bi taybetmendiyên daneyê ve girêdayî ne. Nirxên du-alî yên P <0.05 bi statîstîkî girîng hatine hesibandin. Hemî analîzên statîstîkî yên biratî hatin bikar anîn bi karanîna guhertoya SAS 9.4 (Enstîtuya SAS, Cary, NC). Modela Regression DM di Python de bi karanîna Keras50 2.2.4 paşket û Tensorflow51 1.8.0 bi taybetî ji bo operasyonên matematîkî. Modela kategoriya DM-ê di analîzên zanînê yên Waikato de hate bicîh kirin û Minareya Agahdariya Konstanz (Knime) platforma analîzê 4.6.152.
Nivîskar pejirand ku daneyên piştgiriya encamên xwendinê dikarin di gotarê û materyalên pêvek de werin dîtin. Di dema xwendinê de datazeyên ku hatine çêkirin û / an analîz kirin ji nivîskarê têkildar li ser daxwazek maqûl peyda dibin.
Ritz-Timme, S. Et Al. Nirxandina temenê: Dewleta hunerê ji bo pêkanîna daxwazên taybetî yên pratîka dadperwer. bingeha navneteweyî. J. Dermanê Hiqûqî. 113, 129-136 (2000).
Schmeling, A., Reisinger, W., Geserik, G., û Olze, A. Rewşa niha ya nirxandina temenê darayî ya ji bo armancên darizandina tawanbar. Forensics. derman. Patholojî. 1, 239-246 (2005).
Pan, J. Et Al. Rêbazek guhartî ji bo nirxandina temenê diranan ji zarokên 5 û 16 salan li Rojhilata Chinaînê. nexweşxaneyî. Lêkolîna devkî. 25, 3463-3474 (2021).
Lee, SS hwd. Kronolojî ya pêşveçûna molarên duyemîn û sêyemîn li Koreyî û serlêdana wê ji bo nirxandina temenê darayî. bingeha navneteweyî. J. Dermanê Hiqûqî. 124, 659-665 (2010).
Oh, S., Kumagai, A., Kim, Sy û Lee, Rastiya SS ya Temam û texmîna 18-sale ya li ser bingeha molên duyemîn û sêyemîn li Koreyî û Japonî. Plos Yek 17, E0271247 (2022).
Kim, Jy, et al. Analîzên Danûstendina Makîneyê ya Pêşînkirî dikare Encumentêkirina Dermankirina Xewa Xewa Xwe Bi Nexweşên Bi OSA re texmîn bike. zanist. Report 11, 14911 (2021).
Han, M. Et Al. Texmîna temenê rastîn ji fêrbûna makîneyê bi an bêyî destwerdana mirovî? bingeha navneteweyî. J. Dermanê Hiqûqî. 136, 821-831 (2022).
Khan, S. û Sheahin, M. ji daneyên ji daneyên daneyên daneyê. J.Informasyon. zanist. https://doi.org/10.1177/01655515211030872 (2021).
Khan, S. û Sheahin, M. Wisrule: Yekem algorîtmaya cînavî ya yekem ji bo komeleyê ji bo mîtolojiya komeleyê. J.Informasyon. zanist. https://doi.org/10.1177/01655515221108695 (2022).
Sheahin M. û Abdullah U. Karm: Daneyên kevneşopî yên ku li ser bingeha rêzikên komeleya bingeh-bingeh têne çêkirin. hesabkirin. Matt. berdewamkirin. 68, 3305-3322 (2021).
Mihemed M., Rehman Z., Sheahin M., Khan M. And Habib M. Fêrbûna Dîwana Dîtina Semantic ya bingeha Semantic ku daneya nivîsê bikar tîne. agahdayin. teknolojî. kontrol. https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabî, M., Tanoli, Z., û Shahîn, M. pergalek ji bo naskirina çalakiyê di vîdyoyên sporê de. Multimedia. Amûrên serlêdan https://doi.org/10.1007/s11042-021-10519-6 (2021).
Halabi, ss et al. Moşenka RSNA di temenê hestiyê pitikan de dijwar dibe. Radyolojî 290, 498-503 (2019).
Li, Y. ET AL. Texmîna temenê darayî ji x-tîrêjên pelvîk bikar tîne ku fêrbûna kûr bikar tîne. Ewro. xûyankirinî. 29, 2322-2329 (2019).
Guo, YC, Et al. Klasîkirina temenê rastîn bi karanîna rêbazên manual û torên neural ên konvolutolyal ên kûr ji wêneyên projeya orthografîk. bingeha navneteweyî. J. Dermanê Hiqûqî. 135, 1589-1597 (2021).
Alabama Dalora et al. Texmîna tenduristiya hestî bi karanîna rêbazên hînbûna makîneya cûda: lêkolînek edebiyata sîstematîk û analîzek meta-analîzê. Plos One 14, E0220242 (2019).
Du, H., Li, G., Cheng, K., Yang, J. Nifûsa Nifûsa taybetî ya Amerîkayên Afrîkî û Chineseînî Li ser bingeha Konda Pulp ya Molên Yekem ên Tomografiya Cone Beam. bingeha navneteweyî. J. Dermanê Hiqûqî. 136, 811-819 (2022).
Kim S., Lee Yh, Noh Yk, Park FK û Oh Ks destnîşankirina komên temen ên mirovên zindî yên bi karanîna wêneyên îstîxbarata artificial. zanist. Report 11, 1073 (2021).
Stern, D., Payer, C., Giuliani, N., û Ursyller, M. Têgihiştina Age Otomatîk û Klasîkirina Mezinahiya Mezinan ji daneyên MRI MultiviTiate. IEEE J. BIOTED. Alertên tenduristiyê. 23, 1392-1403 (2019).
Cheng, Q., GE, Z., Du, H. û Li, G. Têgihîna li ser bingeha dabeşkirina kamyonê ya 3D-ê ya molên yekem ji konografiya Cone Beam-ê ya ku ji hêla fêrbûna fêrbûnê û astên kûr ve tê girêdan. bingeha navneteweyî. J. Dermanê Hiqûqî. 135, 365-373 (2021).
Wu, wt, et al. Daneyên daneyên di daneya mezin a klînîkî de: Databasên hevbeş, gav, û modelên rêbazan. Dinya. derman. kanî. 8, 44 (2021).
Yang, J. Et Al. Destpêkirina danûstendina databasesên bijîşkî û teknolojiyên daneyên daneyên di serdema daneya mezin de. J. Avid. Dermanê bingehîn. 13, 57-69 (2020).
Shen, S. et al. Rêbaza kamerer ji bo texmîna temenê diranê bi karanîna fêrbûna makîneyê. BMC Tenduristiya Oral 21, 641 (2021).
Gallîburg A. Et Al. Berhevdana rêbazên fêrbûna makîneya cûda ji bo pêşbînîkirina temenê diranan bikaranîna rêbaza stasyona Demirdjian. bingeha navneteweyî. J. Dermanê Hiqûqî. 135, 665-675 (2021).
Demirdjian, A., Goldstein, H. and Tanner, JM pergalek nû ji bo nirxandina temenê diranan. snort. jîyanzanî. 45, 211-227 (1973).
Landis, JR, û Koch, Ggên GG yên peymana çavdêr li ser daneyên kategorîk. Biometrics 33, 159-174 (1977).
Bhattacharjee S, Prakash D, Kim C, Kim Hk û Choi Hk. Analîzên Textural, Morfolojîk û Statîstîkî yên Resonansiya Magnetîkî ya Du-Dîwarê ku bi karanîna teknîkên îstîxbarata artificial ji bo ciyawaziya tumorên mêjî yên bingehîn. Agahdariya Tenduristî. kanî. https://doi.org/10.4258/hir.2022.28.1.46 (2022).
Demjimêra paşîn: Jan-04-2024