សុពលភាពនៃគំរូនៃការជីកយករ៉ែទិន្នន័យប្រឆាំងនឹងវិធីប៉ាន់ស្មានអាយុធ្មេញប្រពៃណីក្នុងចំណោមមនុស្សវ័យជំទង់កូរ៉េនិងមនុស្សពេញវ័យវ័យក្មេង

សូមអរគុណចំពោះការទស្សនា Neal.com ។ កំណែនៃកម្មវិធីរុករកដែលអ្នកកំពុងប្រើមានការគាំទ្រ CSS មានកំណត់។ ដើម្បីទទួលបានលទ្ធផលល្អបំផុតយើងសូមណែនាំឱ្យប្រើកម្មវិធីរុករកថ្មីរបស់អ្នក (ឬបិទរបៀបដែលត្រូវគ្នាក្នុងកម្មវិធីរុករកអ៊ិនធឺណិត) ។ ក្នុងពេលនេះដើម្បីធានាការគាំទ្រដែលកំពុងបន្តយើងកំពុងបង្ហាញទីតាំងដោយមិនមានស្ទីលឬ JavaScript ។
ធ្មេញត្រូវបានគេចាត់ទុកថាជាសូចនាករដែលត្រឹមត្រូវបំផុតនៃអាយុរបស់រាងកាយមនុស្សហើយជារឿយៗត្រូវបានគេប្រើក្នុងការវាយតម្លៃអាយុក្នុងវិស័យជំនាញខាងអាវុធ។ យើងមានគោលបំណងធ្វើឱ្យការប៉ាន់ស្មានអាយុធ្មេញដែលមានមូលដ្ឋានលើការជីកយករ៉ែដោយប្រៀបធៀបការប៉ាន់ស្មានការប៉ាន់ស្មាននិងការអនុវត្តចំណាត់ថ្នាក់នៃកម្រិត 18 ឆ្នាំជាមួយនឹងវិធីសាស្ត្រប្រពៃណីនិងការប៉ាន់ស្មានអាយុដែលផ្អែកលើការជីកយករ៉ែ។ កាំរស្មីអ៊ិចសរុបចំនួន 2657 ត្រូវបានប្រមូលពីជនជាតិកូរ៉េហើយជនជាតិជប៉ុនដែលមានអាយុពី 15 ទៅ 23 ឆ្នាំ។ ពួកគេត្រូវបានបែងចែកជាសំណុំហ្វឹកហាត់មួយដែលមានកាំរស្មីកាំរស្មីកូរ៉េចំនួន 900 ហើយសំណុំតេស្តផ្ទៃក្នុងដែលមានកាំរស្មីវិទ្យុជប៉ុនចំនួន 857 ។ យើងបានប្រៀបធៀបភាពត្រឹមត្រូវនៃចំណាត់ថ្នាក់និងប្រសិទ្ធភាពនៃវិធីសាស្រ្តប្រពៃណីដែលមានសំណុំនៃការធ្វើតេស្តទិន្នន័យរ៉ែទិន្នន័យ។ ភាពត្រឹមត្រូវនៃវិធីសាស្រ្តប្រពៃណីនៅលើសំណុំតេស្តផ្ទៃក្នុងខ្ពស់ជាងគំរូនៃម៉ូដែលរ៉ែទិន្នន័យហើយភាពខុសគ្នាគឺតូច (មានន័យថាកំហុសដាច់ខាត <0.21 ឆ្នាំ root កំហុសការ៉េ <0.24 ឆ្នាំ) ។ ការសម្តែងចំណាត់ថ្នាក់សម្រាប់ការកាត់ផ្តាច់រយៈពេល 18 ឆ្នាំក៏ស្រដៀងគ្នារវាងវិធីសាស្រ្តប្រពៃណីនិងគំរូរ៉ែទិន្នន័យ។ ដូច្នេះវិធីសាស្រ្តប្រពៃណីអាចត្រូវបានជំនួសដោយគំរូនៃការជីកយករ៉ែទិន្នន័យនៅពេលអនុវត្តការវាយតម្លៃអាយុកោសល្យវិច្ច័យដោយប្រើថ្គាមថ្គាមទីពីរនិងទីបីនៅក្នុងមនុស្សវ័យជំទង់កូរ៉េនិងមនុស្សពេញវ័យវ័យក្មេង។
ការប៉ាន់ប្រមាណអាយុធ្មេញត្រូវបានគេប្រើយ៉ាងទូលំទូលាយនៅក្នុងថ្នាំកោសល្យវិច្ច័យនិងទន្តព្ទ្យវិទ្យាជំងឺកុមារ។ ជាពិសេសដោយសារតែការជាប់ទាក់ទងគ្នាខ្ពស់រវាងយុគសម័យកាលប្បវត្តិការវាយតម្លៃអាយុដោយដំណាក់កាលអភិវឌ្ឍន៍ធ្មេញគឺជាលក្ខណៈវិនិច្ឆ័យសំខាន់មួយសម្រាប់វាយតម្លៃអាយុកុមារនិងក្មេងជំទង់ 1.2,3 ។ ទោះយ៉ាងណាសម្រាប់យុវជនប៉ាន់ស្មានអាយុធ្មេញដោយផ្អែកលើភាពចាស់ទុំមាត់ធ្មេញមានដែនកំណត់របស់ខ្លួនព្រោះការលូតលាស់ធ្មេញជិតរួចរាល់ហើយលើកលែងតែថ្គាមទីបី។ គោលបំណងច្បាប់នៃការកំណត់អាយុរបស់យុវជននិងមនុស្សវ័យជំទង់គឺផ្តល់ការប៉ាន់ស្មានត្រឹមត្រូវនិងភស្តុតាងវិទ្យាសាស្ត្រថាតើពួកគេឈានដល់អាយុភាគច្រើនដែរឬទេ។ ក្នុងការអនុវត្ត Medico-Contace របស់ក្មេងជំទង់និងមនុស្សពេញវ័យវ័យក្មេងនៅប្រទេសកូរ៉េអាយុត្រូវបានគេប៉ាន់ប្រមាណដោយប្រើវិធីសាស្ត្ររបស់លោកលីហើយរយៈពេល 18 ឆ្នាំត្រូវបានគេព្យាករណ៍ដោយផ្អែកលើទិន្នន័យអូអ៊ី 5 ។
ការរៀនម៉ាស៊ីនគឺជាប្រភេទនៃភាពវៃឆ្លាតសិប្បនិម្មិត (AI) ដែលសិក្សាម្តងហើយម្តងទៀតនិងចាត់ថ្នាក់ទិន្នន័យយ៉ាងច្រើនដោះស្រាយបញ្ហាដោយខ្លួនឯងនិងជំរុញកម្មវិធីទិន្នន័យ។ ការរៀនម៉ាស៊ីនអាចរកឃើញលំនាំលាក់ដែលមានប្រយោជន៍ក្នុងបរិមាណធំនៃទិន្នន័យ6។ ផ្ទុយទៅវិញវិធីសាស្រ្តបុរាណដែលមានកម្លាំងពលកម្មនិងចំណាយពេលច្រើនអាចមានកម្រិតនៅពេលដោះស្រាយជាមួយបរិមាណទិន្នន័យស្មុគស្មាញដែលពិបាកដំណើរការដោយដៃ។ ដូច្នេះការសិក្សាជាច្រើនត្រូវបានធ្វើឡើងនាពេលថ្មីៗនេះក្នុងការប្រើបច្ចេកវិទ្យាកុំព្យូទ័រចុងក្រោយដើម្បីកាត់បន្ថយកំហុសរបស់មនុស្សនិងដំណើរការទិន្នន័យចំនួន 8,1011111111111111,12 ។ In particular, deep learning has been widely used in medical image analysis, and various methods for age estimation by automatically analyzing radiographs have been reported to improve the accuracy and efficiency of age estimation13,14,15,16,17,18,19,20 ។ ឧទាហរណ៍ Halabi et al 13 បានបង្កើតក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដោយផ្អែកលើបណ្តាញសរសៃប្រសាទ (ស៊ីអិនអិន) ដើម្បីប៉ាន់ស្មានយុគសម័យគ្រោងឆ្អឹងដោយប្រើកាំរស្មីរបស់ដៃរបស់កុមារ។ ការសិក្សានេះស្នើម៉ូដែលមួយដែលអនុវត្តការរៀនម៉ាស៊ីនដល់រូបភាពវេជ្ជសាស្ត្រហើយបង្ហាញថាវិធីសាស្រ្តទាំងនេះអាចជួយឱ្យប្រសើរឡើងនូវភាពត្រឹមត្រូវនៃការធ្វើរោគវិនិច្ឆ័យ។ លោក Li et14 អាយុប៉ាន់ស្មានពីរូបភាពកាំរស្មីអាងត្រគាកដោយប្រើការរៀនស៊ីអិនអិនហើយប្រៀបធៀបវាដោយលទ្ធផលតំរែតំរង់ដោយប្រើការប៉ាន់ស្មានដំណាក់កាលរបស់កាំជួលបុគ្គល។ ពួកគេបានរកឃើញថាម៉ូដែលសិក្សាស៊ីអិនអិនស៊ីធីបានបង្ហាញពីការប៉ាន់ស្មានដែលទទួលបានអាយុដូចគ្នានឹងគំរូតំរែតំរង់ប្រពៃណីដែរ។ Guo et al ។ ការសិក្សាអំពីការអត់ធ្មត់របស់អាយ៉ងបច្ចេកវិទ្យារបស់ស៊ីអិនអិនដោយផ្អែកលើចរន្តធ្មេញធ្មេញហើយលទ្ធផលនៃម៉ូដែលស៊ីអិនអិនបានបង្ហាញថាមនុស្សបានធ្វើឱ្យប្រសើរជាងការអនុវត្តចំណាត់ថ្នាក់ចំណាត់ថ្នាក់អាយុរបស់ខ្លួន។
Most studies on age estimation using machine learning use deep learning methods13,14,15,16,17,18,19,20. ការប៉ាន់ស្មានអាយុផ្អែកលើការរៀនសូត្រជ្រៅត្រូវបានគេរាយការណ៍ថាមានភាពត្រឹមត្រូវជាងវិធីសាស្ត្រប្រពៃណី។ ទោះយ៉ាងណាវិធីសាស្រ្តនេះផ្តល់នូវឱកាសតិចតួចក្នុងការបង្ហាញមូលដ្ឋានវិទ្យាសាស្ត្រសម្រាប់ការប៉ាន់ស្មានអាយុដូចជាសូចនាករអាយុដែលបានប្រើក្នុងការប៉ាន់ស្មាន។ វាក៏មានជម្លោះផ្លូវច្បាប់មួយដែលបានធ្វើឱ្យមានការត្រួតពិនិត្យ។ ដូច្នេះការប៉ាន់ស្មានអាយុដោយផ្អែកលើការរៀនសូត្រយ៉ាងស៊ីជម្រៅគឺពិបាកទទួលយកដោយអាជ្ញាធររដ្ឋបាលនិងយុត្តិធម៌។ ការជីកយករ៉ែទិន្នន័យ (DM) គឺជាបច្ចេកទេសមួយដែលអាចរកឃើញមិនត្រឹមតែរំពឹងប៉ុណ្ណោះប៉ុន្តែក៏មានព័ត៌មានដែលមិនបានរំពឹងទុកផងដែរដែលជាវិធីសាស្រ្តសម្រាប់ការរកឃើញការចរចាដែលមានប្រយោជន៍រវាងបរិមាណទិន្នន័យ 6,21,22 ។ ការរៀនម៉ាស៊ីនត្រូវបានប្រើជាញឹកញាប់នៅក្នុងការជីកយករ៉ែទិន្នន័យហើយទាំងការជីកយករ៉ែទិន្នន័យនិងការរៀនម៉ាស៊ីនប្រើក្បួនដោះស្រាយសំខាន់ដូចគ្នាដើម្បីរកឱ្យឃើញលំនាំនៅក្នុងទិន្នន័យ។ ការប៉ាន់ប្រមាណអាយុដោយប្រើការអភិវឌ្ឍធ្មេញគឺផ្អែកលើការវាយតម្លៃរបស់អ្នកត្រួតពិនិត្យលើភាពចាស់ទុំនៃធ្មេញគោលដៅហើយការវាយតម្លៃនេះត្រូវបានបង្ហាញថាជាដំណាក់កាលសម្រាប់ធ្មេញគោលដៅនីមួយៗ។ DM អាចត្រូវបានប្រើដើម្បីវិភាគការជាប់ទាក់ទងគ្នារវាងដំណាក់កាលវាយតម្លៃធ្មេញនិងយុគសម័យជាក់ស្តែងហើយមានសក្តានុពលក្នុងការផ្លាស់ប្តូរការវិភាគស្ថិតិបែបបុរាណ។ ដូច្នេះប្រសិនបើយើងអនុវត្តបច្ចេកទេស DM ដល់ការប៉ាន់ស្មានអាយុយើងអាចអនុវត្តការរៀនម៉ាស៊ីនក្នុងការប៉ាន់ស្មានអាយុក្នុងវិស័យជំនាញដោយមិនចាំបាច់មានការព្រួយបារម្ភអំពីការទទួលខុសត្រូវផ្នែកច្បាប់។ ការសិក្សាប្រៀបធៀបជាច្រើនត្រូវបានបោះពុម្ពផ្សាយលើជម្រើសដែលអាចមានចំពោះវិធីសាស្រ្តដោយដៃបែបបុរាណដែលត្រូវបានប្រើក្នុងការអនុវត្តកោសល្យវិច្ច័យនិងវិធីសាស្ត្រផ្អែកលើអេប៊ីមសម្រាប់កំណត់អាយុធ្មេញ។ Shen et al23 បានបង្ហាញថាម៉ូដែល DM មានភាពត្រឹមត្រូវជាងរូបមន្តម៉ាស៊ីនថតប្រពៃណី។ Galibourget et Al24 បានអនុវត្តវិធីសាស្រ្ត DM ខុសៗគ្នាក្នុងការទស្សន៍ទាយអាយុយោងទៅតាមលក្ខណៈវិនិច្ឆ័យលេខ 5 ហើយលទ្ធផលបានបង្ហាញថាវិធីសាស្រ្ត DM បានធ្វើឱ្យប្រសើរឡើងនូវវិធីសាស្រ្តនៃប្រជាជនបារាំង។
ដើម្បីប៉ាន់ប្រមាណយុគសម័យធ្មេញរបស់មនុស្សវ័យជំទង់កូរ៉េនិងមនុស្សពេញវ័យវ័យក្មេងវិធីសាស្រ្តរបស់លោកលីចំនួន 4 ត្រូវបានគេប្រើយ៉ាងទូលំទូលាយនៅក្នុងការអនុវត្តកោសល្យវិច្ច័យរបស់កូរ៉េ។ វិធីសាស្រ្តនេះប្រើការវិភាគស្ថិតិបែបប្រពៃណី (ដូចជាតំរែតំរង់ច្រើនដង) ដើម្បីពិនិត្យមើលទំនាក់ទំនងរវាងមុខវិជ្ជាកូរ៉េនិងអាយុកាលធីក។ នៅក្នុងការសិក្សានេះវិធីសាស្រ្តប៉ាន់ស្មានអាយុដែលទទួលបានវិធីសាស្រ្តស្ថិតិបែបបុរាណត្រូវបានកំណត់ថាជា "វិធីសាស្រ្តប្រពៃណី" ។ វិធីសាស្រ្តរបស់លោកលីគឺជាវិធីសាស្រ្តប្រពៃណីមួយហើយភាពត្រឹមត្រូវរបស់វាត្រូវបានបញ្ជាក់ដោយអូ et al ។ 5; ទោះយ៉ាងណាការអនុវត្តនៃការប៉ាន់ស្មានអាយុផ្អែកលើគំរូឌីអេមអេមក្នុងការអនុវត្តកោសល្យវិច្ច័យរបស់កូរ៉េនៅតែមានចម្ងល់។ គោលដៅរបស់យើងគឺធ្វើឱ្យមានសុពលភាពនូវអត្ថប្រយោជន៍ដែលមានសក្តានុពលនៃការប៉ាន់ស្មានអាយុផ្អែកលើគំរូឌីអេម។ គោលបំណងនៃការសិក្សានេះគឺ (1) ប្រៀបធៀបភាពត្រឹមត្រូវនៃម៉ូដែល DM ពីរក្នុងការប៉ាន់ប្រមាណអាយុធ្មេញនិង (2) ដើម្បីប្រៀបធៀបការធ្វើចំណាត់ថ្នាក់របស់ម៉ូដែល 7 ឌីមក្នុងអាយុ 18 ឆ្នាំជាមួយនឹងវិធីសាស្រ្តស្ថិតិបែបប្រពៃណីនៃទី 2 និងថ្គាមទីបីនៅក្នុងថ្គាមទាំងពីរ។
មធ្យោបាយនិងគម្លាតគំរូនៃយុគសម័យកាលប្បវត្តិតាមឆាកហើយប្រភេទធ្មេញត្រូវបានបង្ហាញតាមអ៊ិនធរណេតក្នុងតារាងបន្ថែម S1 (សំណុំការបណ្តុះបណ្តាល) តារាងបន្ថែម S2 (សំណុំការធ្វើតេស្តផ្ទៃក្នុង) និងតារាងបន្ថែម S3 (សំណុំតេស្តខាងក្រៅ) ។ តម្លៃ Kappa សម្រាប់ការទទួលបានភាពជឿជាក់ដែលទទួលបានពីសំណុំបណ្តុះបណ្តាលគឺ 0.951 និង 0,947 និង 0,947 រៀងៗខ្លួន។ តម្លៃ P និងចន្លោះពេលជឿជាក់ 95% សម្រាប់តម្លៃ Kappa ត្រូវបានបង្ហាញនៅក្នុងតារាងបន្ថែមនៅលើអ៊ីនធឺណិត S4 ។ តម្លៃ Kappa ត្រូវបានបកស្រាយថា "ស្ទើរតែល្អឥតខ្ចោះ" ស្របជាមួយនឹងលក្ខណៈវិនិច្ឆ័យនៃដីធ្លីនិង Koch26 ។
នៅពេលប្រៀបធៀបកំហុសដាច់ខាត (MAE) វិធីសាស្រ្តបុរាណដែលមានច្រើនជាងម៉ូដែល DM សម្រាប់ភេទទាំងអស់និងនៅក្នុងសំណុំតេស្តបុរសខាងក្រៅដោយលើកលែងតែ Pultileayer Perctron (MLP) ។ ភាពខុសគ្នារវាងគំរូប្រពៃណីនិងម៉ូដែល DM នៅលើសំណុំតេស្ត Mae ខាងក្នុងគឺ 0,12-0,19 ឆ្នាំសម្រាប់បុរសនិង 0.17-0,21 ឆ្នាំសម្រាប់ស្ត្រី។ សម្រាប់ថ្មតេស្តខាងក្រៅភាពខុសគ្នាគឺតូចជាង (0.001-0.05 ឆ្នាំសម្រាប់បុរសនិង 0.05-09 ឆ្នាំសម្រាប់ស្ត្រី) ។ លើសពីនេះទៀតកំហុសការ៉េមធ្យម (Rmse) គឺទាបជាងវិធីសាស្ត្រប្រពៃណីបន្តិចដោយមានភាពខុសគ្នាតូចជាង (0.17-0.24, 0.2-0.07, 0.04-0.08 សម្រាប់សំណុំតេស្តខាងក្រៅ) ។ ) ។ MLP បង្ហាញពីដំណើរការល្អប្រសើរជាងមុនបន្តិចស្រទាប់មួយស្រទាប់មុន (SLP) លើកលែងតែក្នុងករណីដែលសំណុំតេស្តខាងក្រៅរបស់ស្ត្រី។ សម្រាប់ Mae និង Rmse ពិន្ទុតេស្តខាងក្រៅដែលមានពិន្ទុខ្ពស់ខ្ពស់ជាងការធ្វើតេស្តផ្ទៃក្នុងសម្រាប់អ្នកភេទនិងម៉ូដែលទាំងអស់។ Mae ទាំងអស់និង RMSE ត្រូវបានបង្ហាញនៅក្នុងតារាងទី 1 និងរូបភាពទី 1 ។
Mae និង Rmse នៃគំរូតំរែតំរង់រ៉ែនិងទិន្នន័យប្រពៃណី។ មានន័យថាកំហុសដាច់ខាត Mae, root មានន័យថា rounter កំហុសការេ Rmse, ស្រទាប់តែមួយ perceptron slp, multileayer perceptron MLP, វិធីសាស្ត្រប្រពៃណី CM ។
ការសម្តែងចំណាត់ថ្នាក់ (ជាមួយនឹងការកាត់បន្ថយ 18 ឆ្នាំ) នៃម៉ូដែលប្រពៃណីនិង DM ត្រូវបានបង្ហាញទាក់ទងនឹងភាពចាប់អារម្មណ៍ភាពជាក់លាក់តម្លៃទស្សទាយវិជ្ជមាន (PPV) តម្លៃព្យាករណ៍អវិជ្ជមាន (NPV) និងតំបន់ក្រោមការទទួលបានខ្សែកោងដែលកំពុងដំណើរការ (AUROC) 27 (តារាងទី 2 រូបភាពទី 2 និងតួលេខបន្ថែម 1 លើអ៊ីនធឺណិត) ។ បើនិយាយពីភាពប្រែប្រួលនៃការធ្វើតេស្តផ្ទៃក្នុងថ្មតេស្តផ្ទៃក្នុងវិធីសាស្រ្តប្រពៃណីដែលបានអនុវត្តបានល្អបំផុតក្នុងចំណោមបុរសនិងកាន់តែអាក្រក់ក្នុងចំណោមស្ត្រី។ ទោះជាយ៉ាងណាក៏ដោយភាពខុសគ្នានៃការអនុវត្តចំណាត់ថ្នាក់ចំណាត់ថ្នាក់រវាងវិធីសាស្រ្តប្រពៃណីនិងអេសឌីគឺ 9,7% សម្រាប់បុរស (MLP) និងមានតែ 2,4% ប៉ុណ្ណោះសម្រាប់ស្ត្រី (Xgboost) ។ ក្នុងចំនោមម៉ូដែល DM ការតំរែតំរង់ឡូជីខលបានបង្ហាញភាពប្រែប្រួលកាន់តែប្រសើរទាំងភេទទាំងពីរ។ ទាក់ទងនឹងភាពជាក់លាក់នៃសំណុំការធ្វើតេស្តផ្ទៃក្នុងវាត្រូវបានគេសង្កេតឃើញថាម៉ូដែលអេសឌីទាំងបួនធ្វើបានល្អចំពោះបុរសខណៈដែលគំរូប្រពៃណីដំណើរការបានល្អជាងស្រី។ ភាពខុសគ្នានៃការអនុវត្តចំណាត់ថ្នាក់សម្រាប់បុរសនិងស្ត្រីមានចំនួន 13,3% (MLP) និង 13,1% (MLP) រៀងៗខ្លួនដែលបង្ហាញថាភាពខុសគ្នានៃការអនុវត្តចំណាត់ថ្នាក់រវាងម៉ូដែលដែលមានភាពខុសគ្នាខ្ពស់។ ក្នុងចំណោមម៉ូដែល DM ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVM) មែកធាង Motion (DT) មែកធាងព្រៃឈើចៃដន្យ (RF) អនុវត្តបានល្អបំផុតក្នុងចំណោមបុរសខណៈដែលម៉ូដែល LR បានអនុវត្តល្អបំផុតក្នុងចំណោមស្ត្រី។ auroc នៃគំរូប្រពៃណីនិងម៉ូដែលអេសឌីទាំងអស់គឺធំជាង 0.925 ប្រទេសជិតខាង (អ្នកជិតខាងដែលនៅជិតបំផុត) ចំពោះបុរស) ដែលបង្ហាញពីការធ្វើចំណាត់ថ្នាក់ចំណាត់ថ្នាក់ដ៏ប្រសើរក្នុងការរើសអើងគំរូអាយុ 18 ឆ្នាំ។ សម្រាប់សំណុំតេស្តខាងក្រៅមានការថយចុះនៃការធ្វើចំណាត់ថ្នាក់ចំណាត់ថ្នាក់ទាក់ទងនឹងភាពចាប់អារម្មណ៍ខ្ពស់ភាពជាក់លាក់ភាពជាក់លាក់ភាពជាក់លាក់ភាពជាក់លាក់ភាពជាក់លាក់ភាពជាក់លាក់ជាក់លាក់ជាក់លាក់បើប្រៀបធៀបទៅនឹងសំណុំតេស្តផ្ទៃក្នុង។ លើសពីនេះទៅទៀតភាពខុសគ្នានៃភាពរសើបនិងភាពជាក់លាក់រវាងការអនុវត្តចំណាត់ថ្នាក់នៃម៉ូដែលដ៏ល្អបំផុតនិងអាក្រក់បំផុតមានចាប់ពី 10% ទៅ 25% និងធំជាងភាពខុសគ្នានៃសំណុំតេស្តផ្ទៃក្នុង។
ភាពរសើបនិងជាក់លាក់នៃគំរូនៃការជីកយករ៉ែទិន្នន័យបើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រប្រពៃណីដែលមានរយៈពេល 18 ឆ្នាំ។ អ្នកជិតខាងដែលនៅជិតបំផុតម៉ាស៊ីនវ៉ិចទ័រដឹកជញ្ជូន SVM ការតំរែតំរង់ជីអិលអេសមែកធាងចៃដន្យ RF Risty XGB Xgboost, MLP ពហុភាពយន្ត PullPron, វិធីសាស្រ្តប្រពៃណី MLP ។
ជំហានដំបូងក្នុងការសិក្សានេះគឺប្រៀបធៀបភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុធ្មេញដែលទទួលបានពីឌីជីថល DM 7 ដែលទទួលបានការតំឡើងបែបប្រពៃណី។ Mae និង Rmse ត្រូវបានគេវាយតម្លៃនៅក្នុងសំណុំនៃការធ្វើតេស្តផ្ទៃក្នុងទាំងភេទនិងភាពខុសគ្នារវាងវិធីសាស្ត្រប្រពៃណីនិងម៉ូដែល DM មានចាប់ពី 44 ទៅ 77 ថ្ងៃសម្រាប់ Mae ។ ទោះបីជាវិធីសាស្រ្តប្រពៃណីមានភាពត្រឹមត្រូវជាងមុនក្នុងការសិក្សានេះក៏ដោយក៏វាពិបាកក្នុងការសន្និដ្ឋានថាតើភាពខុសគ្នាតូចបែបនេះមានសារៈសំខាន់ឬជាក់ស្តែងដែរឬទេ។ លទ្ធផលទាំងនេះបង្ហាញថាភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុធ្មេញដោយប្រើម៉ូដែល DM គឺស្ទើរតែដូចគ្នានឹងវិធីសាស្ត្រប្រពៃណីដែរ។ ការប្រៀបធៀបដោយផ្ទាល់ជាមួយនឹងលទ្ធផលនៃការសិក្សាមុនគឺពិបាកណាស់ព្រោះគ្មានការស្រាវជ្រាវបានប្រៀបធៀបភាពត្រឹមត្រូវនៃម៉ូដែល DM ដែលមានវិធីសាស្រ្តស្ថិតិបែបបុរាណដោយប្រើធ្មេញដែលមានអាយុដូចគ្នានៅក្នុងការសិក្សានេះ។ Galibourget et al24 ប្រៀបធៀប Mae និង Rmse រវាងវិធីសាស្រ្តប្រពៃណីពីរ (Demirjian Methor25 និង Will Metard 2) និង DMES 10 របស់ប្រជាជនបារាំងដែលមានអាយុពី 2 ទៅ 24 ឆ្នាំ។ ពួកគេបានរាយការណ៍ថាម៉ូដែល DM ទាំងអស់មានភាពត្រឹមត្រូវជាងវិធីសាស្រ្តប្រពៃណីដែលមានភាពខុសគ្នា 0,20 និង 0,38 ឆ្នាំនៅ Mae និង 0,25 និង 0,47 ឆ្នាំក្នុងរយៈពេល RMSE បើប្រៀបធៀបទៅនឹងការធ្វើអំពើល្អនិងវិធីសាស្រ្តរបស់ Dirdjian ។ ភាពខុសគ្នារវាងម៉ូដែលអេសឌីនិងវិធីសាស្រ្តប្រពៃណីដែលបានបង្ហាញនៅក្នុងការសិក្សារបស់ Halibourg មានរបាយការណ៍ចំនួន 30,31.32,33 ដែលវិធីសាស្រ្តប៉ាន់ស្មានក្នុងវ័យជនជាតិកាណាដាដែលមានមូលដ្ឋានលើប្រទេសកាណាដាដែលមានមូលដ្ឋាន។ នៅក្នុងការសិក្សានេះ។ Tai et 34 បានប្រើក្បួនដោះស្រាយ MLP ដើម្បីទស្សន៍ទាយអាយុធ្មេញពីរូបថតធារណៈចិនចំនួន 1636 ហើយប្រៀបធៀបភាពត្រឹមត្រូវរបស់វាជាមួយនឹងលទ្ធផលនៃ Memirjian និង Willems Metast វិធីសាស្ត្រ។ ពួកគេបានរាយការណ៍ថា MLP មានភាពត្រឹមត្រូវខ្ពស់ជាងវិធីសាស្រ្តបុរាណ។ ភាពខុសគ្នារវាងវិធីសាស្រ្តប្រពៃណីនិងវិធីសាស្រ្តប្រពៃណីគឺ <0,32 ឆ្នាំហើយវិធីដែលមានប្រពៃណីគឺ 0,28 ឆ្នាំដែលស្រដៀងនឹងលទ្ធផលនៃការសិក្សាបច្ចុប្បន្ន។ លទ្ធផលនៃការស្រាវជ្រាវមុន ៗ នេះ 24,34 ក៏ស្របនឹងលទ្ធផលនៃការសិក្សាបច្ចុប្បន្ននិងការប៉ាន់ស្មានអាយុភាពត្រឹមត្រូវនៃម៉ូដែល DM និងវិធីសាស្ត្រប្រពៃណីគឺស្រដៀងគ្នា។ ទោះយ៉ាងណាក៏ដោយដោយផ្អែកលើលទ្ធផលដែលបានបង្ហាញយើងអាចសន្និដ្ឋានដោយប្រយ័ត្នប្រយែងថាការប្រើប្រាស់ម៉ូឌែល DM ដើម្បីប៉ាន់ស្មានអាយុអាចជំនួសវិធីសាស្ត្រដែលមានស្រាប់ដោយសារតែកង្វះការសិក្សាប្រៀបធៀបនិងយោង។ ការសិក្សាតាមដានដោយប្រើគំរូធំ ៗ គឺចាំបាច់ដើម្បីបញ្ជាក់ពីលទ្ធផលដែលទទួលបាននៅក្នុងការសិក្សានេះ។
ក្នុងចំណោមការសិក្សាដែលធ្វើតេស្តភាពត្រឹមត្រូវនៃអេសឌីក្នុងការប៉ាន់ស្មានអាយុរបស់ធ្មេញខ្លះបានបង្ហាញពីភាពត្រឹមត្រូវខ្ពស់ជាងការសិក្សារបស់យើង។ Stepanovsky et Al 35 បានអនុវត្តម៉ូឌែលចំនួន 22 គ្រឿងទៅកាំរស្មីអ៊ិច Panoramic នៃអ្នកស្រុកឆែក 976 ដែលមានអាយុពី 2,7 ទៅ 20,5 ឆ្នាំហើយបានសាកល្បងភាពត្រឹមត្រូវនៃគំរូនីមួយៗ។ ពួកគេបានវាយតម្លៃការអភិវឌ្ឍធ្មេញអចិន្រ្តៃយ៍សរុបចំនួន 16 ខាងលើនិងទាបជាងមុនដោយប្រើលក្ខណៈវិនិច្ឆ័យចំណាត់ថ្នាក់ដែលបានស្នើឡើងដោយក្រសួងមហាផ្ទៃ al 36 ។ Mae មានចាប់ពី 0.64 ឆ្នាំដល់ 0,94 ឆ្នាំហើយ RMSE មានចាប់ពី 0,85 ទៅ 1,27 ឆ្នាំដែលមានភាពត្រឹមត្រូវជាងម៉ូដែល DM ទាំងពីរដែលត្រូវបានប្រើក្នុងការសិក្សានេះ។ Shen et al23 បានប្រើវិធីសាស្រ្តរបស់ម៉ាស៊ីនថតដែលមានធ្មេញអចិន្រ្តៃយ៍ចំនួន 7 នៅខាងឆ្វេងដែលមានអាយុពី 5 ទៅ 13 ឆ្នាំហើយប្រៀបធៀបវាដោយការប៉ាន់ស្មានដោយការតំឡើងតំរែតំរង់លីនេអ៊ែរ SVM និង RF ។ ពួកគេបានបង្ហាញថាម៉ូដែល DM ទាំងបីមានភាពត្រឹមត្រូវខ្ពស់ជាងបើប្រៀបធៀបទៅនឹងរូបមន្តកាមេរ៉ាប្រពៃណី។ Mae និង Rmse នៅក្នុងការសិក្សារបស់ក្រុមហ៊ុន Shen គឺទាបជាងអ្នកដែលនៅក្នុងម៉ូដែល DM នៅក្នុងការសិក្សានេះ។ ការកើនឡើងនូវភាពជាក់លាក់នៃការសិក្សារបស់ Festanovsky et al ។ 35 ហើយឈ្មោះ Shen et al ។ 23 ប្រហែលជាដោយសារការដាក់បញ្ចូលមកនូវមុខវិជ្ជាវ័យក្មេងក្នុងគំរូការសិក្សារបស់ពួកគេ។ ដោយសារតែការប៉ាន់ប្រមាណអាយុសម្រាប់អ្នកចូលរួមដែលមានធ្មេញដែលកំពុងអភិវឌ្ឍកាន់តែមានភាពត្រឹមត្រូវនៅពេលចំនួនធ្មេញកើនឡើងក្នុងកំឡុងពេលអភិវឌ្ឍន៍ធ្មេញភាពត្រឹមត្រូវនៃវិធីសាស្រ្តប៉ាន់ស្មានអាយុអាចនឹងត្រូវបានសម្របសម្រួលនៅពេលដែលអ្នកចូលរួមសិក្សាមានវ័យក្មេង។ លើសពីនេះទៀតកំហុសរបស់ MLP ក្នុងការប៉ាន់ស្មានអាយុគឺតូចជាង SLP បន្តិចមានន័យថា MLP មានភាពត្រឹមត្រូវជាង SLP ។ MLP ត្រូវបានគេចាត់ទុកថាប្រសើរជាងបន្តិចសម្រាប់ការប៉ាន់ស្មានអាយុដែលអាចកើតឡើងដោយសារតែស្រទាប់ដែលលាក់នៅក្នុង MLP38 ។ ទោះយ៉ាងណាក៏ដោយមានករណីលើកលែងសម្រាប់គំរូខាងក្រៅនៃស្ត្រី (SLP 1.45, MLP 1.49) ។ ការរកឃើញថា MLP មានភាពត្រឹមត្រូវជាង SLP ក្នុងការវាយតម្លៃយុគសម័យតម្រូវឱ្យមានការសិក្សាជាអតីតកាលបន្ថែមទៀត។
ការសម្តែងចំណាត់ថ្នាក់របស់ម៉ូដែល DM និងវិធីសាស្រ្តប្រពៃណីនៅកម្រិត 18 ឆ្នាំក៏ត្រូវបានប្រៀបធៀបដែរ។ គ្រប់ម៉ូឌែលអេសឌីដែលបានសាកល្បងនិងវិធីសាស្រ្តប្រពៃណីនៅលើសំណុំតេស្តផ្ទៃក្នុងបានបង្ហាញពីកម្រិតនៃការរើសអើងដែលអាចទទួលយកបានសម្រាប់គំរូដែលមានអាយុ 18 ឆ្នាំ។ ភាពរសើបចំពោះបុរសនិងស្ត្រីគឺធំជាង 87,7% និង 94,9% រៀងគ្នាហើយភាពជាក់លាក់គឺធំជាង 89,3% និង 84,7% ។ auroc នៃម៉ូដែលដែលបានសាកល្បងទាំងអស់ក៏លើសពី 0.925 ។ ដើម្បីទទួលបានចំណេះដឹងល្អបំផុតរបស់យើងគ្មានការស្រាវជ្រាវបានសាកល្បងដំណើរការនៃម៉ូដែល DM សម្រាប់ការធ្វើចំណាត់ថ្នាក់រយៈពេល 18 ឆ្នាំដោយផ្អែកលើភាពចាស់ទុំមាត់ធ្មេញ។ យើងអាចប្រៀបធៀបលទ្ធផលនៃការសិក្សានេះជាមួយនឹងការអនុវត្តចំណាត់ថ្នាក់នៃម៉ូដែលសិក្សាជ្រៅនៅលើកាំរស្មីវិទ្យុសកម្ម Panoramic ។ Guo et al.15 គណនាការសម្តែងចំណាត់ថ្នាក់នៃគំរូរៀនសូត្រដ៏ជ្រៅដែលមានមូលដ្ឋានលើស៊ីអិនអិននិងវិធីសាស្រ្តដោយដៃមួយដែលផ្អែកលើវិធីសាស្រ្តរបស់ Dirirjian សម្រាប់ពេលវេលាជាក់លាក់មួយ។ ភាពរសើបនិងភាពជាក់លាក់នៃវិធីសាស្ត្រដោយដៃគឺ 87,7% និង 95% និង 95% និងភាពប្រែប្រួលនិងជាក់លាក់នៃម៉ូដែលទូរទស្សន៍ស៊ីអិនអិនលើសពី 89,2% និង 86,6% រៀងៗខ្លួន។ ពួកគេបានសន្និដ្ឋានថាម៉ូដែលសិក្សាយ៉ាងស៊ីជម្រៅអាចជំនួសឬវាយតម្លៃដោយដៃដែលមានភាពប្រសើរជាងក្នុងការធ្វើចំណាត់ថ្នាក់លំដាប់ថ្នាក់។ លទ្ធផលនៃការសិក្សានេះបានបង្ហាញពីការសម្តែងចំណាត់ថ្នាក់ស្រដៀងគ្នានេះ។ វាត្រូវបានគេជឿជាក់ថាការធ្វើចំណាត់ថ្នាក់ដោយប្រើម៉ូដែល DM អាចជំនួសវិធីសាស្រ្តស្ថិតិបែបបុរាណសម្រាប់ការប៉ាន់ស្មានអាយុ។ ក្នុងចំណោមម៉ូដែលនេះ DM LR គឺជាគំរូល្អបំផុតនៅក្នុងលក្ខខណ្ឌនៃភាពប្រែប្រួលសម្រាប់គំរូបុរសនិងភាពប្រែប្រួលនិងភាពជាក់លាក់សម្រាប់គំរូស្ត្រី។ LR ជាប់ចំណាត់ថ្នាក់ទីពីរចំពោះបុរស។ លើសពីនេះទៅទៀត, LR ត្រូវបានគេចាត់ទុកថាជាគំរូមួយនៃម៉ូដែល DM35 ដែលងាយស្រួលប្រើហើយមិនសូវស្មុគស្មាញនិងពិបាកដំណើរការទេ។ ផ្អែកលើលទ្ធផលទាំងនេះ LR ត្រូវបានគេចាត់ទុកថាជាគំរូនៃការកាត់ផ្តាច់ដ៏ល្អបំផុតសម្រាប់ក្មេងអាយុ 18 ឆ្នាំនៅក្នុងប្រជាជនកូរ៉េ។
សរុបមកភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុឬការអនុវត្តចំណាត់ថ្នាក់លើការធ្វើតេស្តខាងក្រៅគឺខ្សោយឬទាបបើប្រៀបធៀបនឹងលទ្ធផលនៅលើសំណុំតេស្តផ្ទៃក្នុង។ របាយការណ៍ខ្លះបង្ហាញថាភាពត្រឹមត្រូវនៃចំណាត់ថ្នាក់ឬប្រសិទ្ធភាពថយចុះនៅពេលអាយុប៉ាន់ស្មានផ្អែកលើប្រជាជនកូរ៉េត្រូវបានអនុវត្តទៅលើប្រជាជនជប៉ុន 59 នាក់ហើយគំរូស្រដៀងគ្នានេះមាននៅក្នុងការសិក្សាបច្ចុប្បន្ន។ និន្នាការកាន់តែយ៉ាប់យ៉ឺននេះក៏ត្រូវបានគេសង្កេតឃើញនៅក្នុងម៉ូដែល DM ផងដែរ។ ដូច្នេះដើម្បីប៉ាន់ប្រមាណយុគសម័យប៉ាន់ស្មានឱ្យបានត្រឹមត្រូវសូម្បីតែនៅពេលប្រើ DM ក្នុងដំណើរការវិភាគវិធីសាស្រ្តដែលបានមកពីទិន្នន័យប្រជាជនដើមដូចជាវិធីសាស្ត្រប្រពៃណីគួរតែត្រូវបានទទួលចំណូលចិត្តចំនួន 5,39,40,41,42,42 ។ ដោយសារវាមិនច្បាស់ថាតើម៉ូដែលសិក្សាជ្រៅអាចបង្ហាញនិន្នាការស្រដៀងគ្នានេះទេការសិក្សាប្រៀបធៀបការប្រៀបធៀបនិងប្រសិទ្ធភាពនៃការរៀនប្រពៃណីម៉ូដែលឌីអេមអេមអេមអេមអេសដើម្បីបញ្ជាក់ថាតើបញ្ញាសិប្បនិម្មិតអាចជំនះភាពខុសគ្នានៃជាតិសាសន៍ទាំងនេះបានទេ។ ការវាយតំលៃ។
យើងបង្ហាញថាវិធីសាស្រ្តប្រពៃណីអាចត្រូវបានជំនួសដោយការប៉ាន់ស្មានអាយុផ្អែកលើគំរូឌីអេមក្នុងការអនុវត្តការប៉ាន់ស្មានអាយុក្នុងវិស័យជំនាញនៅប្រទេសកូរ៉េ។ យើងក៏បានរកឃើញនូវលទ្ធភាពនៃការអនុវត្តម៉ាស៊ីនដើម្បីធ្វើការវាយតម្លៃអាយុក្នុងវិស័យជំនាញ។ ទោះយ៉ាងណាក៏ដោយមានដែនកំណត់ច្បាស់លាស់ដូចជាចំនួនអ្នកចូលរួមក្នុងការសិក្សានេះដើម្បីកំណត់លទ្ធផលនិងកង្វះការសិក្សាមុន ៗ ដើម្បីប្រៀបធៀបនិងបញ្ជាក់លទ្ធផលនៃការសិក្សានេះ។ នៅពេលអនាគតការសិក្សា DM គួរតែត្រូវបានធ្វើឡើងជាមួយនឹងចំនួនធំនៃគំរូនិងចំនួនប្រជាជនចម្រុះកាន់តែច្រើនដើម្បីធ្វើឱ្យប្រសើរឡើងនូវភាពអាចអនុវត្តបានរបស់ខ្លួនបើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រប្រពៃណី។ ដើម្បីធ្វើឱ្យលទ្ធភាពនៃលទ្ធភាពនៃការប្រើបញ្ញាសិប្បនិម្មិតក្នុងការប៉ាន់ប្រមាណវ័យចំពោះប្រជាជនជាច្រើនការសិក្សាអនាគតគឺចាំបាច់ដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវនៃចំណាត់ថ្នាក់និងប្រសិទ្ធភាពនៃការរៀនសូត្ររបស់ DM និងវិធីសាស្រ្តរៀនសូត្រយ៉ាងជ្រៅជាមួយនឹងវិធីសាស្រ្តប្រពៃណីក្នុងគំរូដូចគ្នា។
ការស្រាវជ្រាវបានប្រើរូបថតអក្សរសាស្ត្រចំនួន 2,657 ដែលប្រមូលបានពីជនជាតិកូរ៉េនិងជប៉ុនដែលមានអាយុពី 15 ទៅ 23 ឆ្នាំ។ កាំរស្មីអ៊ុមនាកូរ៉េត្រូវបានបែងចែកជាចំនួនបណ្តុះបណ្តាល 900 (19,42 ±,65ឆ្នាំ) និង 900 ឈុតស្ត្រេស (19.52 ± 2,59 ឆ្នាំ) ។ សំណុំនៃការបណ្តុះបណ្តាលត្រូវបានប្រមូលនៅមន្ទីរពេទ្យមួយ (មន្ទីរពេទ្យសេអ៊ូលម៉ារី) ហើយឈុតតេស្តផ្ទាល់ខ្លួនត្រូវបានប្រមូលនៅតាមស្ថាប័នធ្មេញនៅមន្ទីរពេទ្យជាតិធ្មេញទីក្រុងសេអ៊ូលនិងសាកលវិទ្យាល័យធ្មេញ Yonsei) ។ យើងក៏បានប្រមូលកាំរស្មីវិទ្យុ 857 ពីទិន្នន័យដែលមានមូលដ្ឋានលើចំនួនប្រជាជន (សាកលវិទ្យាល័យវេជ្ជសាស្ត្រ Iwate ប្រទេសជប៉ុន) សម្រាប់ការធ្វើតេស្តខាងក្រៅ។ កាំរស្មីកាំរស្មីនៃមុខវិជ្ជាជប៉ុន (19.31 ± 2.60 ឆ្នាំ) ត្រូវបានជ្រើសរើសជាសំណុំតេស្តខាងក្រៅ។ ទិន្នន័យត្រូវបានប្រមូលទៅតាមអតីតកាលដើម្បីវិភាគដំណាក់កាលនៃការអភិវឌ្ឍធ្មេញនៅលើកាំរស្មីវិទ្យុសកម្មបែប Panoramic ក្នុងកំឡុងពេលព្យាបាលធ្មេញ។ ទិន្នន័យទាំងអស់ដែលប្រមូលបានគឺអនាមិកលើកលែងតែភេទកាលបរិច្ឆេទកំណើតនិងកាលបរិច្ឆេទនៃកាំរស្មីវិទ្យុ។ លក្ខណៈវិនិច្ឆ័យនិងការបដិសេធគឺដូចគ្នានឹងការសិក្សាដែលបានបោះពុម្ពផ្សាយពីមុន 4, 5 ។ យុគសម័យជាក់ស្តែងនៃគំរូត្រូវបានគណនាដោយដកថ្ងៃខែឆ្នាំកំណើតចាប់ពីថ្ងៃដែលវិទ្យុត្រូវបានថត។ ក្រុមគំរូត្រូវបានបែងចែកជាក្រុមអាយុ 9 ឆ្នាំ។ ការចែកចាយអាយុនិងការរួមភេទត្រូវបានបង្ហាញក្នុងតារាងនេះត្រូវបានធ្វើឡើងស្របតាមសេចក្តីប្រកាសរបស់ Helsinki និងត្រូវបានអនុម័តដោយក្រុមប្រឹក្សាត្រួតពិនិត្យស្ថាប័ន (IRB) នៃសាកលវិទ្យាល័យសេអ៊ូលរបស់សាកលវិទ្យាល័យកូរ៉េ (KC22Wisi0328) ។ ដោយសារតែការរចនានៃការស្រាវជ្រាវនៃការសិក្សានេះការយល់ព្រមដែលបានជូនដំណឹងមិនអាចទទួលបានពីអ្នកជំងឺទាំងអស់ដែលទទួលបានការប្រឡងកាំរស្មីសម្រាប់គោលបំណងព្យាបាលឡើយ។ មន្ទីរពេទ្យសេអ៊ូលកូរ៉េ St. Mary's បានលះបង់នូវតម្រូវការសម្រាប់ការព្រមព្រៀងដែលបានជូនដំណឹង។
ដំណាក់កាលនៃការអភិវឌ្ឍន៍នៃទី 2 និងថ្គាមទីបីត្រូវបានគេវាយតម្លៃយោងទៅតាមលក្ខណៈវិនិច្ឆ័យដារីន 25 ។ ធ្មេញតែមួយគត់ត្រូវបានជ្រើសរើសប្រសិនបើប្រភេទធ្មេញដូចគ្នាត្រូវបានរកឃើញនៅខាងឆ្វេងនិងខាងស្តាំនៃថ្គាមនីមួយៗ។ ប្រសិនបើធ្មេញ homookous នៅលើភាគីទាំងពីរស្ថិតនៅដំណាក់កាលអភិវឌ្ឍន៍ផ្សេងៗធ្មារថាដែលមានឆាកនៃការអភិវឌ្ឍទាបត្រូវបានជ្រើសរើសសម្រាប់ភាពមិនប្រាកដប្រជានៃអាយុប៉ាន់ស្មាន។ កាំរស្មីអ៊ុមករដែលបានជ្រើសរើសដោយចៃដន្យពីសំណាក់អ្នកសង្កេតការណ៍ត្រូវបានរកបានដោយអ្នកសង្កេតការណ៍ដែលមានបទពិសោធន៍ពីរនាក់ដើម្បីធ្វើតេស្តភាពជឿជាក់របស់អ៊ីនធឺហ្វឺរបន្ទាប់ពីការកំណត់ព្រំដែនដើម្បីកំណត់ដំណាក់កាលមរណៈភាពធ្មេញ។ ភាពជឿជាក់របស់ IntraBServer ត្រូវបានវាយតម្លៃចំនួនពីរដងក្នុងចន្លោះពេលបីខែដោយអ្នកសង្កេតការណ៍បឋម។
ដំណាក់កាលនៃការភេទនិងដំណាក់កាលនៃការលូតលាស់នៃថ្គាមទី 2 និងទី 3 នៃថ្គាមនីមួយៗក្នុងវគ្គបណ្តុះបណ្តាលត្រូវបានប៉ាន់ប្រមាណដោយអ្នកសង្កេតការណ៍បឋមដែលទទួលបានការបណ្តុះបណ្តាលម៉ូដែលឌីអេមផ្សេងៗគ្នាហើយអាយុពិតប្រាកដត្រូវបានកំណត់ជាតម្លៃគោលដៅ។ ម៉ូដែល SLP និង MLP ដែលត្រូវបានគេប្រើយ៉ាងទូលំទូលាយក្នុងការរៀនម៉ាស៊ីនត្រូវបានសាកល្បងប្រឆាំងនឹងក្បួនដោះស្រាយតំរែតំរង់តំរែតំរង់។ ម៉ូដែល DM រួមបញ្ចូលគ្នានូវមុខងារលីនេអ៊ែរដោយប្រើដំណាក់កាលអភិវឌ្ឍន៍នៃធ្មេញទាំងបួននិងរួមបញ្ចូលគ្នានូវទិន្នន័យទាំងនេះដើម្បីប៉ាន់ស្មានអាយុប៉ាន់ស្មាន។ SLP គឺជាបណ្តាញសរសៃប្រសាទសាមញ្ញបំផុតហើយមិនមានស្រទាប់ដែលលាក់ទេ។ SLP ធ្វើការដោយផ្អែកលើការបញ្ជូនក្នុងកម្រិតមួយរវាងថ្នាំង។ ម៉ូដែល SLP ក្នុងការតំរែតំរង់គឺជាគណិតវិទ្យាស្រដៀងនឹងការតំរែតំរង់លីនេអ៊ែរជាច្រើន។ មិនដូចម៉ូដែលអេសភីអេសម៉ូដែល MLP មានស្រទាប់ដែលលាក់ច្រើនជាមួយនឹងមុខងារធ្វើឱ្យសកម្មដែលមិនចាំបាច់។ ការពិសោធន៍របស់យើងបានប្រើស្រទាប់ដែលលាក់ដោយមានថ្នាំងដែលលាក់ចំនួន 20 ជាមួយនឹងមុខងារធ្វើឱ្យសកម្មដែលមិនមែនមិនមែនជាថ្មី។ ប្រើអត្រាកេសន៍ជម្រាលជាវិធីសាស្ត្របង្កើនប្រសិទ្ធភាពនិង Mae និង Rmse នៅពេលដែលមុខងារបាត់បង់ដើម្បីបណ្តុះបណ្តាលម៉ូដែលរៀនម៉ាស៊ីនរបស់យើង។ គំរូតំរែតំរង់ដែលទទួលបានល្អបំផុតត្រូវបានអនុវត្តទៅលើសំណុំតេស្តផ្ទៃក្នុងនិងខាងក្រៅហើយអាយុធ្មេញត្រូវបានប៉ាន់ស្មាន។
ក្បួនដោះស្រាយចំណាត់ថ្នាក់ត្រូវបានបង្កើតឡើងដែលប្រើភាពចាស់ទុំនៃធ្មេញបួននៅលើការបណ្តុះបណ្តាលដែលបានព្យាករណ៍ថាតើគំរូមួយមានអាយុ 18 ឆ្នាំឬអត់។ ដើម្បីកសាងគំរូនេះយើងបានទទួលបានការទាញយកក្បួនដោះស្រាយការរៀនម៉ាស៊ីនតំណាងចំនួន 7,43: (1) អិលអិន (3) អេមអេម (5) RF, (7) MLP ។ LR គឺជាផ្នែកមួយនៃក្បួនដោះស្រាយចំណាត់ថ្នាក់ដែលត្រូវបានប្រើយ៉ាងទូលំទូលាយបំផុតចំនួន 44 ។ It is a supervised learning algorithm that uses regression to predict the probability of data belonging to a certain category from 0 to 1 and classifies the data as belonging to a more likely category based on this probability; ត្រូវបានប្រើជាចម្បងសម្រាប់ការធ្វើចំណាត់ថ្នាក់គោលពីរ។ អិនអិនគឺជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនសាមញ្ញបំផុតមួយ។ នៅពេលដែលបានផ្តល់ទិន្នន័យបញ្ចូលថ្មីវារកឃើញទិន្នន័យរបស់ K នៅជិតសំណុំដែលមានស្រាប់ហើយបន្ទាប់មកចាត់ថ្នាក់វាទៅក្នុងថ្នាក់ដែលមានប្រេកង់ខ្ពស់បំផុត។ យើងបានកំណត់ចំនួន 3 សម្រាប់ចំនួនអ្នកជិតខាងដែលបានពិចារណា (K) ។ SVM គឺជាក្បួនដោះស្រាយដែលពង្រីកចម្ងាយរវាងថ្នាក់ពីរដោយប្រើមុខងារខឺណែលដើម្បីពង្រីកចន្លោះលីនេអ៊ែរទៅក្នុងចន្លោះដែលមិនមែនជាលីនេអ៊ែរដែលគេហៅថាវាល 4 ។ សម្រាប់ម៉ូដែលនេះយើងប្រើភាពវៃឆ្លាត = 1 ថាមពល = 1 និងហ្គាម៉ា = 1 ជា hyperparamers សម្រាប់ខឺណែលពហុធា។ DT ត្រូវបានអនុវត្តនៅក្នុងវាលផ្សេងៗគ្នាជាក្បួនដោះស្រាយសម្រាប់ការបែងចែកទិន្នន័យទាំងមូលទៅក្នុងក្រុមរងជាច្រើនដោយតំណាងឱ្យច្បាប់សម្រេចចិត្តនៅក្នុងរចនាសម្ព័ន្ធសម្រេចចិត្ត 407 ។ គំរូនេះត្រូវបានតំឡើងដោយចំនួនកំណត់ត្រាអប្បបរមាក្នុងមួយថ្នាំង 2 ហើយប្រើសន្ទស្សន៍ជីនជីជារង្វាស់នៃគុណភាព។ RF គឺជាវិធីសាស្រ្តដែលត្រូវបានបង្កើតឡើងដែលរួមបញ្ចូលការសម្តែងជាច្រើនដោយប្រើវិធីប្រមូលផ្តុំទំនិញដែលបង្កើតជាក្រុមអ្នកប្រលងខ្សោយសម្រាប់គំរូនៃការគូសដែលមានទំហំដូចគ្នាជាច្រើនដងពីទិន្នន័យដើមចំនួនដូចគ្នា។ យើងបានប្រើដើមឈើ 100 អង្រែ 10 មែកធាងអប្បបរមាទំហំថ្នាំងអប្បបរមានិងសន្ទស្សន៍អាឌីឌីដែលជាលក្ខណៈវិនិច្ឆ័យបំបែកថ្នាំង។ ចំណាត់ថ្នាក់នៃទិន្នន័យថ្មីត្រូវបានកំណត់ដោយសំឡេងភាគច្រើន។ Xgboost គឺជាក្បួនដោះស្រាយដែលរួមបញ្ចូលគ្នានូវបច្ចេកទេសដោយប្រើវិធីសាស្រ្តដែលត្រូវការជាទិន្នន័យបណ្តុះបណ្តាលកំហុសរវាងតម្លៃជាក់ស្តែងនិងការស្មានរបស់ម៉ូដែលមុននិងម៉ាស៊ីនបញ្ចូលដោយកំហុសដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើជម្រាលដោយប្រើពណ៌ត្នោត 49 ។ វាគឺជាក្បួនដោះស្រាយដែលត្រូវបានគេប្រើយ៉ាងទូលំទូលាយដោយសារតែការអនុវត្តការងារល្អនិងប្រសិទ្ធភាពធនធានក៏ដូចជាភាពជឿជាក់ខ្ពស់ដែលជាមុខងារកែតម្រូវដែលហួសកំរិត។ ម៉ូដែលនេះត្រូវបានបំពាក់ដោយកង់គាំទ្រចំនួន 400 ។ MLP គឺជាបណ្តាញសរសៃប្រសាទដែលមួយរឺច្រើនដែលត្រូវបាន ercptrons បង្កើតបានស្រទាប់ជាច្រើនឬច្រើនដែលមានស្រទាប់ដែលលាក់មួយឬច្រើនរវាងប្លង់បញ្ចូលនិងលទ្ធផល 38 ។ ដោយប្រើវាអ្នកអាចអនុវត្តចំណាត់ថ្នាក់ដែលមិនមែនជាលីនេអ៊ែរដែលនៅពេលអ្នកបន្ថែមស្រទាប់បញ្ចូលហើយទទួលបានតម្លៃលទ្ធផលតម្លៃដែលបានព្យាករណ៍ត្រូវបានប្រៀបធៀបទៅនឹងតម្លៃលទ្ធផលពិតប្រាកដហើយកំហុសត្រូវបានបន្តពូជត្រឡប់មកវិញ។ យើងបានបង្កើតស្រទាប់ដែលលាក់ដែលមាន neuroon ចំនួន 20 ដែលលាក់នៅក្នុងស្រទាប់នីមួយៗ។ ម៉ូដែលនីមួយៗដែលយើងបានអភិវឌ្ឍត្រូវបានអនុវត្តទៅលើឈុតផ្ទៃក្នុងនិងខាងក្រៅដើម្បីធ្វើតេស្ដលទ្ធផលនៃការធ្វើចំណាត់ថ្នាក់របស់ការគណនាភាពចាប់អារម្មណ៍ខ្ពស់ភាពជាក់លាក់ភាពជាក់លាក់ភាពជាក់លាក់ NPV និង AUROC ។ ភាពប្រែប្រួលត្រូវបានកំណត់ថាជាសមាមាត្រនៃគំរូដែលមានអាយុចាប់ពី 18 ឆ្នាំឡើងទៅចំពោះគំរូដែលបានប៉ាន់ស្មានថាមានអាយុចាប់ពី 18 ឆ្នាំឡើងទៅ។ ភាពជាក់លាក់គឺសមាមាត្រនៃសំណាកដែលមានអាយុក្រោម 18 ឆ្នាំនិងអ្នកដែលបានប៉ាន់ប្រមាណថាមានអាយុក្រោម 18 ឆ្នាំ។
ដំណាក់កាលធ្មេញដែលត្រូវបានវាយតម្លៃនៅក្នុងសំណុំនៃការបណ្តុះបណ្តាលត្រូវបានប្តូរទៅជាដំណាក់កាលនៃការវិភាគស្ថិតិ។ ការតំរែតំរង់លីនេអ៊ែរនិងឡូហ្គោតត្រូវបានអនុវត្តដើម្បីអភិវឌ្ឍន៍ម៉ូដែលព្យាករណ៍សម្រាប់ការរួមភេទនិងការតំរែតំរង់លើកទីនីមួយៗដែលអាចត្រូវបានប្រើដើម្បីប៉ាន់ស្មានអាយុប៉ាន់ស្មាន។ យើងបានប្រើរូបមន្តទាំងនេះដើម្បីប៉ាន់ស្មានអាយុរបស់ធ្មេញសម្រាប់ទាំងសំណុំតេស្ត៍ខាងក្នុងនិងខាងក្រៅ។ តារាងទី 4 បង្ហាញពីការតំរែតំរង់និងគំរូចំណាត់ថ្នាក់ដែលត្រូវបានប្រើក្នុងការសិក្សានេះ។
ការជឿជាក់របស់ Intra- និងភាពជឿជាក់របស់ Extobserver ត្រូវបានគណនាដោយប្រើស្ថិតិ Kapp របស់ Cohen ។ ដើម្បីសាកល្បងភាពត្រឹមត្រូវនៃ DM និងគំរូតំរែតំរង់បែបប្រពៃណីយើងបានគណនា Mae និង RMSE ដោយប្រើការប៉ាន់ស្មាននិងយុគសម័យជាក់ស្តែងនៃសំណុំតេស្តផ្ទៃក្នុងនិងខាងក្រៅ។ កំហុសទាំងនេះត្រូវបានប្រើជាទូទៅដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃការព្យាករណ៍គំរូ។ កំហុសតូចជាងមុនភាពត្រឹមត្រូវខ្ពស់នៃការព្យាករណ៍ឆ្នាំ 4 ។ ប្រៀបធៀប Mae និង Rmse នៃសំណុំតេស្តខាងក្នុងនិងខាងក្រៅដែលបានគណនាដោយប្រើ DM និងតំរែតំរង់បែបប្រពៃណី។ លទ្ធផលនៃចំណាត់ថ្នាក់នៃការកាត់ផ្តាច់រយៈពេល 18 ឆ្នាំក្នុងស្ថិតិតាមបែបបុរាណត្រូវបានវាយតម្លៃដោយប្រើតារាងយថាភាព 2 × 2 ។ ភាពប្រែប្រួលដែលបានគណនាមានភាពជាក់លាក់ PPV NPV និង AUROC នៃសំណុំតេស្តត្រូវបានប្រៀបធៀបជាមួយនឹងតម្លៃដែលបានវាស់នៃគំរូចំណាត់ថ្នាក់ DM ។ ទិន្នន័យត្រូវបានបង្ហាញថាមានន័យថាគម្លាតឬលេខស្តង់ដារ (%) អាស្រ័យលើលក្ខណៈទិន្នន័យ។ គុណតម្លៃ P ពីរចំហៀង <0.05 ត្រូវបានគេចាត់ទុកថាសំខាន់។ ការវិភាគស្ថិតិជាប្រចាំទាំងអស់ត្រូវបានអនុវត្តដោយប្រើកំណែ SAS 9.4 (វិទ្យាស្ថានអេសអេស៊ីស៊ីស៊ីរី, NC) ។ គំរូតំរែតំរង់របស់ DM ត្រូវបានអនុវត្តក្នុង PYTHON ដោយប្រើ Keras50 2.2.4 កម្មវិធីខាងក្រោយនិង Tensorflow51 1.8.0 ជាពិសេសសម្រាប់ប្រតិបត្តិការគណិតវិទ្យា។ គំរូនៃការធ្វើចំណាត់ថ្នាក់ DM ត្រូវបានអនុវត្តនៅក្នុងបរិយាកាសវិភាគចំណេះដឹងផ្នែកស្បៃនិងអ្នកជីកអនីតិព័ត៌មានរបស់ Konstanz (KNIME) 4.6.152 វេទិកាវិភាគ។
អ្នកនិពន្ធទទួលស្គាល់ថាទិន្នន័យដែលគាំទ្រការសន្និដ្ឋានរបស់ការសិក្សាអាចរកបាននៅក្នុងអត្ថបទនិងសំភារៈបន្ថែម។ សំណុំទិន្នន័យដែលបានបង្កើតនិង / ឬវិភាគអំឡុងពេលសិក្សាអាចរកបានពីអ្នកនិពន្ធដែលត្រូវគ្នាលើសំណើដែលសមហេតុផល។
Ritz-Timme, S. et al ។ ការវាយតម្លៃអាយុ: ស្ថានភាពសិល្បៈដើម្បីបំពេញតាមតម្រូវការជាក់លាក់នៃការអនុវត្តកោសល្យវិច្ច័យ។ ។ ជេ។ វេជ្ជសាស្ត្រច្បាប់។ 113, 129-136 (2000) ។
Schmeling, A. , Reeinger, W. , Geserik, G. , និង Ocze, បច្ចុប្បន្ននៃការវាយតម្លៃអាយុក្នុងវិស័យកោសល្យវិច្ច័យសម្រាប់គោលបំណងនៃការចោទប្រកាន់របស់ព្រហ្មទណ្ឌ។ កោសល្យវិច្ច័យ។ ថ្នាំ។ បុរាណវិទ្យា។ 1, 239-246 (2005) ។
ខ្ទះ, J. et al ។ វិធីសាស្រ្តដែលបានកែប្រែសម្រាប់វាយតម្លៃយុគសម័យធ្មេញរបស់កុមារដែលមានអាយុពី 5 ទៅ 16 ឆ្នាំនៅភាគខាងកើតប្រទេសចិន។ គ្លីនិកនេះ។ ការស្ទង់មតិផ្ទាល់មាត់។ 25, 3463-3474 (2021) ។
Lee, SS ល។ ។ ជេ។ វេជ្ជសាស្ត្រច្បាប់។ 124, 659-665 (ឆ្នាំ 2010) ។
អូ, អេស, គូម៉ាហ្គា, អេ, ភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុនិងការប៉ាន់ស្មាននៃការកើនឡើងនៃថ្គាមទីពីរនិងទីបីនៅកូរ៉េនិងជប៉ុន។ PLOS មួយ 17, E0271247 (2022) ។
គីម, ជី, et al ។ ការវិភាគទិន្នន័យផ្អែកលើការរៀនរបស់ម៉ាស៊ីនដែលកំពុងរៀនអាចព្យាករណ៍លទ្ធផលនៃការវះកាត់ក្នុងការគេងលក់័យរាជ្យចំពោះអ្នកជំងឺដែលមាន OSA ។ វិទ្យាសាស្ត្រ។ របាយការណ៍ 11, 14911 (2021) ។
ហាន, អិម et al ។ ការប៉ាន់ស្មានអាយុត្រឹមត្រូវពីការរៀនម៉ាស៊ីនដោយមានឬគ្មានអន្តរាគមន៍របស់មនុស្ស? ។ ជេ។ វេជ្ជសាស្ត្រច្បាប់។ 136, 821-831 (2022) ។
ខណ្ឌ, S. និង Shaheen, M. ពីការជីកយករ៉ែទិន្នន័យទៅរករ៉ែទិន្នន័យ។ j.information ។ វិទ្យាសាស្ត្រ។ https://doi.10/10.1177/01655515252110308772 (2021) ។
ខណ្ឌ, S. និង Shaheen, M. Wavrule: ក្បួនដោះស្រាយការយល់ដឹងដំបូងសម្រាប់វិធានការរបស់សមាគមរ៉ែ។ j.information ។ វិទ្យាសាស្ត្រ។ https://doi.10/10.1177/01655515221108695 (2022) ។
Shaheen M. និង Abdullah U. KARM: ការជីកយករ៉ែទិន្នន័យបែបបុរាណផ្អែកលើវិធាននៃសមាគមដែលមានមូលដ្ឋានលើបរិបទ។ គណនា។ ម៉ាត។ បន្ត។ 68, 3305-3322 (2021) ។
លោក Muhammad M. Rehman Z. , Shaheen M. Khan M. និង Habib M. ការរកឃើញដែលមានភាពស្រដៀងគ្នាដែលមានលក្ខណៈប្រហាក់ប្រហែលនឹងការសិក្សាដោយប្រើទិន្នន័យអត្ថបទ។ ជូនដំណឹង។ បច្ចេកវិទ្យា។ ត្រួតពិនិត្យ។ https://doi.10/10.5755/j01.itc.49.4.27118 (2020) ។
Tabish, M. Tanoli, Z. , និង Shahin, M. ប្រព័ន្ធសម្រាប់ការទទួលស្គាល់សកម្មភាពនៅក្នុងវីដេអូកីឡា។ ពហុមេឌា។ ឧបករណ៍កម្មវិធី HTTPS://doi.10/107/s11042-021-10519-6 (2021) ។
ហាឡាប៊ី, អេស et al ។ ការប្រកួតប្រជែងក្នុងការរៀនម៉ាស៊ីន RSNA ក្នុងអាយុឆ្អឹងកុមារ។ វិទ្យុសកម្ម 290, 498-503 (ឆ្នាំ 2019) ។
លី, អ៊ី et al ។ ការប៉ាន់ប្រមាណអាយុក្នុងតំបន់ពីអាងត្រគាកអេឡិចត្រូនិចដោយប្រើការរៀនសូត្រយ៉ាងជ្រាលជ្រៅ។ អឺរ៉ូ។ វិទ្យុសកម្ម។ 29, 2322-2329 (2019) ។
Guo, YC, et al ។ ចំណាត់ថ្នាក់អាយុត្រឹមត្រូវដោយប្រើវិធីសាស្រ្តដោយដៃនិងបណ្តាញសរសៃប្រសាទដោយដៃពីរូបភាពអ័រវ្យស។ ។ ជេ។ វេជ្ជសាស្ត្រច្បាប់។ 135, 1589-1597 (2021) ។
Alabama Dalora et al ។ ការប៉ាន់ស្មានអាយុរបស់ឆ្អឹងដោយប្រើវិធីសាស្រ្តនៃការរៀនម៉ាស៊ីនផ្សេងៗគ្នា: ការពិនិត្យអក្សរសាស្ត្រជាប្រព័ន្ធនិងការវិភាគមេតា។ plos មួយ 14, E0220242 (2019) ។
ឌូ, អេ, អេ។ ។ ជេ។ វេជ្ជសាស្ត្រច្បាប់។ 136, 811-819 (2022) ។
លោកគីមអេសលីយូស្រុកណូអេខេខេឧទ្យានអេហ្វអេសនិងអូអេ។ វិទ្យាសាស្ត្រ។ របាយការណ៍ 11, 1073 (2021) ។
Stern, អ្នកបង់ប្រាក់ C. , Giuliani, N. , និង Urschler, M. ការប៉ាន់ស្មានអាយុដោយស្វ័យប្រវត្តិនិងចំណាត់ថ្នាក់អាយុភាគច្រើនពីទិន្នន័យ MRI MirDAariate ។ IEEE J. ជីវគីមី។ ការដាស់តឿនសុខភាព។ 23, 1392-1403 (2019) ។
ចេង, Q, GE, u, H. , H. , u, H. និង li ការប៉ាន់ស្មានអាយុដោយផ្អែកលើការរាលដាលនៃអង្គជំនុំជម្រះ 3D ពីធ្នឹមកោណមួយដែលបានគណនាការរៀននិងកម្រិតកំរិតជ្រៅ។ ។ ជេ។ វេជ្ជសាស្ត្រច្បាប់។ 135, 365-373 (2021) ។
អ៊ូ, wt, et al ។ ការជីកយករ៉ែទិន្នន័យក្នុងទិន្នន័យធំគ្លីនិក: មូលដ្ឋានទិន្នន័យទូទៅជំហាននិងគំរូវិធីសាស្រ្ត។ ពិភពលោក។ ថ្នាំ។ ធនធាន។ 8, 44 (2021) ។
យ៉ាង J. et al ។ សេចក្តីផ្តើមអំពីមូលដ្ឋានទិន្នន័យវេជ្ជសាស្រ្តនិងទិន្នន័យបច្ចេកវិទ្យារ៉ែនៅក្នុងយុគសម័យទិន្នន័យធំ។ j. avid ។ ឱសថមូលដ្ឋាន។ 13, 57-69 (2020) ។
សេន, អេសអេល។ វិធីសាស្រ្តរបស់ម៉ាស៊ីនថតសម្រាប់ការប៉ាន់ស្មានអាយុដោយប្រើការរៀនម៉ាស៊ីន។ សុខភាព BMC ផ្ទាល់មាត់ 21, 641 (2021) ។
Galliburg A. et al ។ ការប្រៀបធៀបវិធីសាស្រ្តរៀនសូត្រម៉ាស៊ីនផ្សេងៗគ្នាសម្រាប់ការទស្សទាយអាយុរបស់ធ្មេញដោយប្រើវិធីសាស្ត្រធ្វើឱ្យខូច។ ។ ជេ។ វេជ្ជសាស្ត្រច្បាប់។ 135, 665-675 (2021) ។
Dirdjian, A. , Goldstein, H. និង Tanner, JM ប្រព័ន្ធថ្មីសម្រាប់វាយតម្លៃអាយុធ្មេញ។ ផាបបាញ់ ជីវវិទ្យា។ 45, 211-227 (1973) ។
វិធានការវាស់វែងរបស់ក្រុមហ៊ុន GG, GG, jr, និង kg, gg, GG នៃកិច្ចព្រមព្រៀងអ្នកសង្កេតការណ៍ស្តីពីទិន្នន័យប្រភេទ។ ជីវមាត្រ 33, 159-174 (1977) ។
Bhattacharjee S, Prakash D, Kim C, Kim HK និង Choi HK ។ ការវិភាគផ្នែកខាងអត្ថបទនិងស្ថិតិនៃរូបភាពម៉ាញេទិកម៉ាញេទិកពីរវិមាត្រដោយប្រើបច្ចេកទេសបញ្ញាសិប្បនិម្មិតសម្រាប់ភាពខុសគ្នានៃដុំសាច់ខួរក្បាលបឋម។ ព័ត៌មានសុខភាព។ ធនធាន។ https://doi.10/10.4258/hir.2022.28.28.28.28.2.46 (2022) ។