ការផ្ទៀងផ្ទាត់គំរូរ៉ែទិន្នន័យប្រឆាំងនឹងវិធីសាស្ត្រប៉ាន់ស្មានអាយុធ្មេញបែបប្រពៃណីក្នុងចំណោមក្មេងជំទង់ និងមនុស្សពេញវ័យវ័យក្មេងកូរ៉េ

សូមអរគុណសម្រាប់ការចូលមើលគេហទំព័រ Nature.com។ កំណែកម្មវិធីរុករកដែលអ្នកកំពុងប្រើមានការគាំទ្រ CSS មានកំណត់។ ដើម្បីទទួលបានលទ្ធផលល្អបំផុត យើងសូមណែនាំឱ្យប្រើកំណែថ្មីជាងនៃកម្មវិធីរុករករបស់អ្នក (ឬបិទរបៀបឆបគ្នានៅក្នុង Internet Explorer)។ ទន្ទឹមនឹងនេះ ដើម្បីធានាបាននូវការគាំទ្រជាបន្តបន្ទាប់ យើងកំពុងបង្ហាញគេហទំព័រដោយមិនចាំបាច់រចនាបថ ឬ JavaScript។
ធ្មេញត្រូវបានចាត់ទុកថាជាសូចនាករត្រឹមត្រូវបំផុតនៃអាយុរបស់រាងកាយមនុស្ស ហើយត្រូវបានគេប្រើជាញឹកញាប់ក្នុងការវាយតម្លៃអាយុកោសល្យវិច្ច័យ។ យើងមានគោលបំណងដើម្បីផ្ទៀងផ្ទាត់ការប៉ាន់ស្មានអាយុធ្មេញដោយផ្អែកលើការជីកយករ៉ែទិន្នន័យ ដោយប្រៀបធៀបភាពត្រឹមត្រូវនៃការប៉ាន់ស្មាន និងការអនុវត្តចំណាត់ថ្នាក់នៃកម្រិតអាយុ 18 ឆ្នាំជាមួយនឹងវិធីសាស្ត្រប្រពៃណី និងការប៉ាន់ស្មានអាយុដោយផ្អែកលើការជីកយករ៉ែទិន្នន័យ។ រូបភាពកាំរស្មីអ៊ិចបែប Panoramic សរុបចំនួន 2657 ត្រូវបានប្រមូលពីពលរដ្ឋកូរ៉េ និងជប៉ុនដែលមានអាយុពី 15 ទៅ 23 ឆ្នាំ។ ពួកវាត្រូវបានបែងចែកជាសំណុំបណ្តុះបណ្តាល ដែលសំណុំនីមួយៗមានរូបភាពកាំរស្មីអ៊ិចកូរ៉េចំនួន 900 និងសំណុំសាកល្បងផ្ទៃក្នុងដែលមានរូបភាពកាំរស្មីអ៊ិចជប៉ុនចំនួន 857។ យើងបានប្រៀបធៀបភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់ និងប្រសិទ្ធភាពនៃវិធីសាស្ត្រប្រពៃណីជាមួយនឹងសំណុំសាកល្បងនៃគំរូជីកយករ៉ែទិន្នន័យ។ ភាពត្រឹមត្រូវនៃវិធីសាស្ត្រប្រពៃណីលើសំណុំសាកល្បងផ្ទៃក្នុងគឺខ្ពស់ជាងគំរូជីកយករ៉ែទិន្នន័យបន្តិច ហើយភាពខុសគ្នាគឺតូច (កំហុសដាច់ខាតមធ្យម <0.21 ឆ្នាំ កំហុសការ៉េមធ្យម <0.24 ឆ្នាំ)។ ការអនុវត្តចំណាត់ថ្នាក់សម្រាប់ដែនកំណត់អាយុ 18 ឆ្នាំក៏ស្រដៀងគ្នារវាងវិធីសាស្ត្រប្រពៃណី និងគំរូជីកយករ៉ែទិន្នន័យផងដែរ។ ដូច្នេះ វិធីសាស្រ្តប្រពៃណីអាចត្រូវបានជំនួសដោយគំរូជីកយកទិន្នន័យនៅពេលអនុវត្តការវាយតម្លៃអាយុកោសល្យវិច្ច័យដោយប្រើភាពចាស់ទុំនៃធ្មេញថ្គាមទីពីរ និងទីបីចំពោះក្មេងជំទង់ និងមនុស្សពេញវ័យវ័យក្មេងកូរ៉េ។
ការប៉ាន់ស្មានអាយុធ្មេញត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងវេជ្ជសាស្ត្រកោសល្យវិច្ច័យ និងទន្តសាស្ត្រកុមារ។ ជាពិសេស ដោយសារតែមានទំនាក់ទំនងខ្ពស់រវាងអាយុតាមកាលកំណត់ និងការវិវឌ្ឍន៍ធ្មេញ ការវាយតម្លៃអាយុតាមដំណាក់កាលនៃការវិវឌ្ឍន៍ធ្មេញគឺជាលក្ខណៈវិនិច្ឆ័យសំខាន់មួយសម្រាប់វាយតម្លៃអាយុរបស់កុមារ និងក្មេងជំទង់1,2,3។ ទោះជាយ៉ាងណាក៏ដោយ សម្រាប់យុវវ័យ ការប៉ាន់ស្មានអាយុធ្មេញដោយផ្អែកលើភាពចាស់ទុំនៃធ្មេញមានដែនកំណត់របស់វា ពីព្រោះការលូតលាស់ធ្មេញស្ទើរតែពេញលេញ លើកលែងតែធ្មេញថ្គាមទីបី។ គោលបំណងផ្នែកច្បាប់នៃការកំណត់អាយុរបស់យុវវ័យ និងក្មេងជំទង់គឺដើម្បីផ្តល់ការប៉ាន់ស្មានត្រឹមត្រូវ និងភស្តុតាងវិទ្យាសាស្ត្រអំពីថាតើពួកគេបានឈានដល់អាយុពេញវ័យឬអត់។ នៅក្នុងការអនុវត្តផ្នែកវេជ្ជសាស្ត្រ-ច្បាប់របស់ក្មេងជំទង់ និងមនុស្សពេញវ័យវ័យក្មេងនៅក្នុងប្រទេសកូរ៉េ អាយុត្រូវបានប៉ាន់ប្រមាណដោយប្រើវិធីសាស្ត្ររបស់ Lee ហើយកម្រិតច្បាប់ 18 ឆ្នាំត្រូវបានព្យាករណ៍ដោយផ្អែកលើទិន្នន័យដែលរាយការណ៍ដោយ Oh et al 5។
ការរៀនម៉ាស៊ីនគឺជាប្រភេទនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលរៀន និងចាត់ថ្នាក់ទិន្នន័យមួយចំនួនធំម្តងហើយម្តងទៀត ដោះស្រាយបញ្ហាដោយខ្លួនឯង និងជំរុញការសរសេរកម្មវិធីទិន្នន័យ។ ការរៀនម៉ាស៊ីនអាចរកឃើញលំនាំលាក់កំបាំងដែលមានប្រយោជន៍នៅក្នុងទិន្នន័យមួយចំនួនធំ6។ ផ្ទុយទៅវិញ វិធីសាស្រ្តបុរាណ ដែលប្រើប្រាស់កម្លាំងពលកម្មច្រើន និងចំណាយពេលច្រើន អាចមានដែនកំណត់នៅពេលដោះស្រាយជាមួយទិន្នន័យស្មុគស្មាញមួយចំនួនធំដែលពិបាកដំណើរការដោយដៃ7។ ដូច្នេះ ការសិក្សាជាច្រើនត្រូវបានធ្វើឡើងថ្មីៗនេះដោយប្រើបច្ចេកវិទ្យាកុំព្យូទ័រចុងក្រោយបំផុត ដើម្បីកាត់បន្ថយកំហុសរបស់មនុស្ស និងដំណើរការទិន្នន័យពហុវិមាត្រប្រកបដោយប្រសិទ្ធភាព8,9,10,11,12។ ជាពិសេស ការរៀនស៊ីជម្រៅត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយក្នុងការវិភាគរូបភាពវេជ្ជសាស្ត្រ ហើយវិធីសាស្រ្តផ្សេងៗសម្រាប់ការប៉ាន់ស្មានអាយុដោយការវិភាគកាំរស្មីអ៊ិចដោយស្វ័យប្រវត្តិត្រូវបានរាយការណ៍ថាធ្វើអោយប្រសើរឡើងនូវភាពត្រឹមត្រូវ និងប្រសិទ្ធភាពនៃការប៉ាន់ស្មានអាយុ13,14,15,16,17,18,19,20។ ឧទាហរណ៍ Halabi et al 13 បានបង្កើតក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដោយផ្អែកលើបណ្តាញសរសៃប្រសាទ convolutional (CNN) ដើម្បីប៉ាន់ស្មានអាយុគ្រោងឆ្អឹងដោយប្រើកាំរស្មីអ៊ិចនៃដៃកុមារ។ ការសិក្សានេះស្នើគំរូមួយដែលអនុវត្តការរៀនម៉ាស៊ីនចំពោះរូបភាពវេជ្ជសាស្ត្រ និងបង្ហាញថាវិធីសាស្រ្តទាំងនេះអាចធ្វើអោយប្រសើរឡើងនូវភាពត្រឹមត្រូវនៃការធ្វើរោគវិនិច្ឆ័យ។ Li និង​ក្រុម​របស់​គាត់​បាន​ប៉ាន់ប្រមាណ​អាយុ​ពី​រូបភាព​កាំរស្មីអ៊ិច​អាងត្រគាក​ដោយ​ប្រើ​ឧបករណ៍​វិភាគ​ស៊ីជម្រៅ (CNN) ហើយ​បាន​ប្រៀបធៀប​ពួកវា​ជាមួយ​នឹង​លទ្ធផល​តំរែតំរង់​ដោយ​ប្រើ​ការ​ប៉ាន់ស្មាន​ដំណាក់កាល​ឆ្អឹង។ ពួកគេ​បាន​រក​ឃើញ​ថា​គំរូ​វិភាគ​ស៊ីជម្រៅ (CNN) បាន​បង្ហាញ​ពី​ដំណើរការ​ប៉ាន់ស្មាន​អាយុ​ដូច​គ្នា​នឹង​គំរូ​តំរែតំរង់​បែប​ប្រពៃណី។ ការ​សិក្សា​របស់ Guo និង​ក្រុម [15] បាន​វាយតម្លៃ​ពី​ដំណើរការ​ចាត់ថ្នាក់​ភាព​អត់ធ្មត់​តាម​អាយុ​របស់​បច្ចេកវិទ្យា CNN ដោយ​ផ្អែក​លើ​ការ​ថត​ធ្មេញ ហើយ​លទ្ធផល​នៃ​គំរូ CNN បាន​បង្ហាញ​ថា​មនុស្ស​មាន​ដំណើរការ​ល្អ​ជាង​ដំណើរការ​ចាត់ថ្នាក់​អាយុ​របស់​វា។
ការសិក្សាភាគច្រើនលើការប៉ាន់ស្មានអាយុដោយប្រើការរៀនម៉ាស៊ីនប្រើប្រាស់វិធីសាស្រ្តរៀនស៊ីជម្រៅ១៣,១៤,១៥,១៦,១៧,១៨,១៩,២០។ ការប៉ាន់ស្មានអាយុដោយផ្អែកលើការរៀនស៊ីជម្រៅត្រូវបានរាយការណ៍ថាមានភាពត្រឹមត្រូវជាងវិធីសាស្រ្តប្រពៃណី។ ទោះជាយ៉ាងណាក៏ដោយ វិធីសាស្រ្តនេះផ្តល់ឱកាសតិចតួចដើម្បីបង្ហាញពីមូលដ្ឋានវិទ្យាសាស្ត្រសម្រាប់ការប៉ាន់ស្មានអាយុ ដូចជាសូចនាករអាយុដែលប្រើក្នុងការប៉ាន់ស្មាន។ ក៏មានជម្លោះផ្លូវច្បាប់លើអ្នកដែលធ្វើការត្រួតពិនិត្យផងដែរ។ ដូច្នេះ ការប៉ាន់ស្មានអាយុដោយផ្អែកលើការរៀនស៊ីជម្រៅគឺពិបាកទទួលយកដោយអាជ្ញាធររដ្ឋបាល និងតុលាការ។ ការជីកយករ៉ែទិន្នន័យ (DM) គឺជាបច្ចេកទេសមួយដែលអាចរកឃើញមិនត្រឹមតែព័ត៌មានដែលរំពឹងទុកប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងព័ត៌មានដែលមិននឹកស្មានដល់ផងដែរ ជាវិធីសាស្រ្តសម្រាប់ស្វែងរកទំនាក់ទំនងមានប្រយោជន៍រវាងទិន្នន័យមួយចំនួនធំ៦,២១,២២។ ការរៀនម៉ាស៊ីនត្រូវបានគេប្រើជាញឹកញាប់ក្នុងការជីកយករ៉ែទិន្នន័យ ហើយទាំងការជីកយករ៉ែទិន្នន័យ និងការរៀនម៉ាស៊ីនប្រើក្បួនដោះស្រាយសំខាន់ៗដូចគ្នាដើម្បីស្វែងរកគំរូនៅក្នុងទិន្នន័យ។ ការប៉ាន់ស្មានអាយុដោយប្រើការអភិវឌ្ឍធ្មេញគឺផ្អែកលើការវាយតម្លៃរបស់អ្នកពិនិត្យអំពីភាពចាស់ទុំនៃធ្មេញគោលដៅ ហើយការវាយតម្លៃនេះត្រូវបានបង្ហាញជាដំណាក់កាលសម្រាប់ធ្មេញគោលដៅនីមួយៗ។ DM អាចត្រូវបានប្រើដើម្បីវិភាគទំនាក់ទំនងរវាងដំណាក់កាលវាយតម្លៃធ្មេញ និងអាយុជាក់ស្តែង ហើយមានសក្តានុពលក្នុងការជំនួសការវិភាគស្ថិតិប្រពៃណី។ ដូច្នេះ ប្រសិនបើយើងអនុវត្តបច្ចេកទេស DM ចំពោះការប៉ាន់ស្មានអាយុ យើងអាចអនុវត្តការរៀនម៉ាស៊ីនក្នុងការប៉ាន់ស្មានអាយុកោសល្យវិច្ច័យដោយមិនចាំបាច់ព្រួយបារម្ភអំពីការទទួលខុសត្រូវផ្នែកច្បាប់។ ការសិក្សាប្រៀបធៀបជាច្រើនត្រូវបានបោះពុម្ពផ្សាយលើជម្រើសដែលអាចធ្វើទៅបានចំពោះវិធីសាស្ត្រដោយដៃបែបប្រពៃណីដែលប្រើក្នុងការអនុវត្តកោសល្យវិច្ច័យ និងវិធីសាស្ត្រផ្អែកលើ EBM សម្រាប់កំណត់អាយុធ្មេញ។ Shen et al23 បានបង្ហាញថា គំរូ DM មានភាពត្រឹមត្រូវជាងរូបមន្ត Camerer បែបប្រពៃណី។ Galibourg et al24 បានអនុវត្តវិធីសាស្ត្រ DM ផ្សេងៗគ្នាដើម្បីទស្សន៍ទាយអាយុយោងទៅតាមលក្ខណៈវិនិច្ឆ័យ Demirdjian25 ហើយលទ្ធផលបានបង្ហាញថា វិធីសាស្ត្រ DM មានដំណើរការល្អជាងវិធីសាស្ត្រ Demirdjian និង Willems ក្នុងការប៉ាន់ស្មានអាយុរបស់ប្រជាជនបារាំង។
ដើម្បីប៉ាន់ប្រមាណអាយុធ្មេញរបស់ក្មេងជំទង់ និងមនុស្សពេញវ័យវ័យក្មេងកូរ៉េ វិធីសាស្ត្រទី 4 របស់ Lee ត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងការអនុវត្តកោសល្យវិច្ច័យកូរ៉េ។ វិធីសាស្ត្រនេះប្រើប្រាស់ការវិភាគស្ថិតិបែបប្រពៃណី (ដូចជាការវិភាគតំរែតំរង់ច្រើន) ដើម្បីពិនិត្យមើលទំនាក់ទំនងរវាងមនុស្សកូរ៉េ និងអាយុតាមកាលប្បវត្តិ។ នៅក្នុងការសិក្សានេះ វិធីសាស្ត្រប៉ាន់ប្រមាណអាយុដែលទទួលបានដោយប្រើវិធីសាស្ត្រស្ថិតិបែបប្រពៃណីត្រូវបានកំណត់ថាជា "វិធីសាស្ត្រប្រពៃណី"។ វិធីសាស្ត្ររបស់ Lee គឺជាវិធីសាស្ត្រប្រពៃណី ហើយភាពត្រឹមត្រូវរបស់វាត្រូវបានបញ្ជាក់ដោយ Oh et al. 5; ទោះជាយ៉ាងណាក៏ដោយ ការអនុវត្តនៃការប៉ាន់ប្រមាណអាយុដោយផ្អែកលើគំរូ DM ក្នុងការអនុវត្តកោសល្យវិច្ច័យកូរ៉េនៅតែជាសំណួរ។ គោលដៅរបស់យើងគឺដើម្បីផ្ទៀងផ្ទាត់តាមបែបវិទ្យាសាស្ត្រអំពីប្រយោជន៍ដែលអាចកើតមាននៃការប៉ាន់ប្រមាណអាយុដោយផ្អែកលើគំរូ DM។ គោលបំណងនៃការសិក្សានេះគឺ (1) ដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវនៃគំរូ DM ពីរក្នុងការប៉ាន់ប្រមាណអាយុធ្មេញ និង (2) ដើម្បីប្រៀបធៀបការអនុវត្តចំណាត់ថ្នាក់នៃគំរូ DM ចំនួន 7 នៅអាយុ 18 ឆ្នាំជាមួយនឹងវិធីសាស្ត្រស្ថិតិបែបប្រពៃណី។ ភាពចាស់ទុំនៃធ្មេញថ្គាមទីពីរ និងទីបីនៅក្នុងថ្គាមទាំងពីរ។
មធ្យមភាគ និងគម្លាតស្តង់ដារនៃអាយុតាមលំដាប់លំដោយតាមដំណាក់កាល និងប្រភេទធ្មេញត្រូវបានបង្ហាញតាមអ៊ីនធឺណិតនៅក្នុងតារាងបន្ថែម S1 (សំណុំហ្វឹកហាត់) តារាងបន្ថែម S2 (សំណុំសាកល្បងខាងក្នុង) និងតារាងបន្ថែម S3 (សំណុំសាកល្បងខាងក្រៅ)។ តម្លៃ kappa សម្រាប់ភាពជឿជាក់ខាងក្នុង និងអន្តរអ្នកសង្កេតការណ៍ដែលទទួលបានពីសំណុំហ្វឹកហាត់គឺ 0.951 និង 0.947 រៀងគ្នា។ តម្លៃ P និងចន្លោះជឿជាក់ 95% សម្រាប់តម្លៃ kappa ត្រូវបានបង្ហាញក្នុងតារាងបន្ថែមតាមអ៊ីនធឺណិត S4។ តម្លៃ kappa ត្រូវបានបកស្រាយថា "ស្ទើរតែល្អឥតខ្ចោះ" ស្របតាមលក្ខណៈវិនិច្ឆ័យរបស់ Landis និង Koch26។
នៅពេលប្រៀបធៀបកំហុសដាច់ខាតមធ្យម (MAE) វិធីសាស្ត្រប្រពៃណីមានដំណើរការល្អជាងគំរូ DM បន្តិចសម្រាប់ភេទទាំងអស់ និងនៅក្នុងសំណុំតេស្តបុរសខាងក្រៅ លើកលែងតែ perceptron ពហុស្រទាប់ (MLP)។ ភាពខុសគ្នារវាងគំរូប្រពៃណី និងគំរូ DM លើសំណុំតេស្ត MAE ខាងក្នុងគឺ 0.12–0.19 ឆ្នាំសម្រាប់បុរស និង 0.17–0.21 ឆ្នាំសម្រាប់ស្ត្រី។ សម្រាប់ថ្មតេស្តខាងក្រៅ ភាពខុសគ្នាគឺតូចជាង (0.001–0.05 ឆ្នាំសម្រាប់បុរស និង 0.05–0.09 ឆ្នាំសម្រាប់ស្ត្រី)។ លើសពីនេះ កំហុសមធ្យមការ៉េ (RMSE) គឺទាបជាងវិធីសាស្ត្រប្រពៃណីបន្តិច ដោយមានភាពខុសគ្នាតូចជាង (0.17–0.24, 0.2–0.24 សម្រាប់សំណុំតេស្តខាងក្នុងបុរស និង 0.03–0.07, 0.04–0.08 សម្រាប់សំណុំតេស្តខាងក្រៅ)។ MLP បង្ហាញពីដំណើរការល្អជាង Perceptron ស្រទាប់តែមួយ (SLP) បន្តិច លើកលែងតែក្នុងករណីសំណុំតេស្តខាងក្រៅស្ត្រី។ ចំពោះ MAE និង RMSE សំណុំតេស្តខាងក្រៅមានពិន្ទុខ្ពស់ជាងសំណុំតេស្តខាងក្នុងសម្រាប់ភេទ និងគំរូទាំងអស់។ MAE និង RMSE ទាំងអស់ត្រូវបានបង្ហាញក្នុងតារាងទី 1 និងរូបភាពទី 1។
MAE និង RMSE នៃគំរូតំរែតំរង់បែបប្រពៃណី និងការជីកយករ៉ែទិន្នន័យ។ កំហុសដាច់ខាតមធ្យម MAE, កំហុសការ៉េមធ្យមឫស RMSE, SLP perceptron ស្រទាប់តែមួយ, MLP perceptron ស្រទាប់ច្រើន, វិធីសាស្ត្រ CM បែបប្រពៃណី។
ការអនុវត្តចំណាត់ថ្នាក់ (ជាមួយនឹងរយៈពេលកាត់ផ្តាច់ 18 ឆ្នាំ) នៃគំរូប្រពៃណី និង DM ត្រូវបានបង្ហាញទាក់ទងនឹងភាពរសើប ភាពជាក់លាក់ តម្លៃព្យាករណ៍វិជ្ជមាន (PPV) តម្លៃព្យាករណ៍អវិជ្ជមាន (NPV) និងផ្ទៃក្រោមខ្សែកោងលក្ខណៈប្រតិបត្តិការរបស់ឧបករណ៍ទទួល (AUROC) 27 (តារាងទី 2 រូបភាពទី 2 និងរូបភាពបន្ថែមទី 1 លើបណ្តាញ)។ ទាក់ទងនឹងភាពរសើបនៃថ្មសាកល្បងផ្ទៃក្នុង វិធីសាស្ត្រប្រពៃណីមានដំណើរការល្អបំផុតក្នុងចំណោមបុរស និងអាក្រក់ជាងនេះទៅទៀតក្នុងចំណោមស្ត្រី។ ទោះជាយ៉ាងណាក៏ដោយ ភាពខុសគ្នានៃការអនុវត្តចំណាត់ថ្នាក់រវាងវិធីសាស្ត្រប្រពៃណី និង SD គឺ 9.7% សម្រាប់បុរស (MLP) និងមានតែ 2.4% សម្រាប់ស្ត្រី (XGBoost)។ ក្នុងចំណោមគំរូ DM តំរែតំរង់ឡូជីស្ទីក (LR) បានបង្ហាញពីភាពរសើបកាន់តែប្រសើរឡើងចំពោះភេទទាំងពីរ។ ទាក់ទងនឹងភាពជាក់លាក់នៃសំណុំតេស្តផ្ទៃក្នុង វាត្រូវបានគេសង្កេតឃើញថា គំរូ SD ទាំងបួនមានដំណើរការល្អចំពោះបុរស ខណៈដែលគំរូប្រពៃណីមានដំណើរការល្អចំពោះស្ត្រី។ ភាពខុសគ្នានៃការអនុវត្តចំណាត់ថ្នាក់សម្រាប់បុរស និងស្ត្រីគឺ 13.3% (MLP) និង 13.1% (MLP) រៀងគ្នា ដែលបង្ហាញថាភាពខុសគ្នានៃការអនុវត្តចំណាត់ថ្នាក់រវាងគំរូលើសពីភាពរសើប។ ក្នុងចំណោមម៉ូដែល DM ម៉ាស៊ីនវ៉ិចទ័រជំនួយ (SVM) ដើមឈើសម្រេចចិត្ត (DT) និងម៉ូដែលព្រៃឈើចៃដន្យ (RF) មានដំណើរការល្អបំផុតក្នុងចំណោមបុរស ខណៈដែលម៉ូដែល LR មានដំណើរការល្អបំផុតក្នុងចំណោមស្ត្រី។ AUROC នៃម៉ូដែលប្រពៃណី និងម៉ូដែល SD ទាំងអស់គឺធំជាង 0.925 (k-អ្នកជិតខាងដែលនៅជិតបំផុត (KNN) ចំពោះបុរស) ដែលបង្ហាញពីដំណើរការចាត់ថ្នាក់ដ៏ល្អឥតខ្ចោះក្នុងការរើសអើងគំរូអាយុ 18 ឆ្នាំ28។ សម្រាប់សំណុំតេស្តខាងក្រៅ មានការថយចុះនៃដំណើរការចាត់ថ្នាក់ទាក់ទងនឹងភាពរសើប ភាពជាក់លាក់ និង AUROC បើប្រៀបធៀបទៅនឹងសំណុំតេស្តខាងក្នុង។ លើសពីនេះ ភាពខុសគ្នានៃភាពរសើប និងភាពជាក់លាក់រវាងដំណើរការចាត់ថ្នាក់នៃម៉ូដែលល្អបំផុត និងអាក្រក់បំផុតមានចាប់ពី 10% ដល់ 25% ហើយធំជាងភាពខុសគ្នានៅក្នុងសំណុំតេស្តខាងក្នុង។
ភាពរសើប និងភាពជាក់លាក់នៃគំរូចាត់ថ្នាក់ការជីកយកទិន្នន័យបើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រប្រពៃណីដែលមានអាយុកាលកំណត់ 18 ឆ្នាំ។ អ្នកជិតខាងដែលនៅជិតបំផុត KNN k, ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ SVM, តំរែតំរង់ឡូជីស្ទីក LR, ដើមឈើសម្រេចចិត្ត DT, ព្រៃឈើចៃដន្យ RF, XGB XGBoost, ប្រដាប់ចាប់សញ្ញាពហុស្រទាប់ MLP, វិធីសាស្ត្រ CM ប្រពៃណី។
ជំហានដំបូងនៅក្នុងការសិក្សានេះគឺដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុធ្មេញដែលទទួលបានពីគំរូ DM ចំនួនប្រាំពីរជាមួយនឹងគំរូដែលទទួលបានដោយប្រើការវិភាគតំរែតំរង់បែបប្រពៃណី។ MAE និង RMSE ត្រូវបានវាយតម្លៃនៅក្នុងសំណុំតេស្តផ្ទៃក្នុងសម្រាប់ភេទទាំងពីរ ហើយភាពខុសគ្នារវាងវិធីសាស្ត្រប្រពៃណី និងគំរូ DM មានចាប់ពី 44 ទៅ 77 ថ្ងៃសម្រាប់ MAE និងពី 62 ទៅ 88 ថ្ងៃសម្រាប់ RMSE។ ទោះបីជាវិធីសាស្ត្រប្រពៃណីមានភាពត្រឹមត្រូវជាងបន្តិចនៅក្នុងការសិក្សានេះក៏ដោយ វាពិបាកក្នុងការសន្និដ្ឋានថាតើភាពខុសគ្នាតិចតួចបែបនេះមានសារៈសំខាន់ខាងគ្លីនិក ឬជាក់ស្តែងឬអត់។ លទ្ធផលទាំងនេះបង្ហាញថាភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុធ្មេញដោយប្រើគំរូ DM គឺស្ទើរតែដូចគ្នាទៅនឹងវិធីសាស្ត្រប្រពៃណី។ ការប្រៀបធៀបដោយផ្ទាល់ជាមួយលទ្ធផលពីការសិក្សាមុនៗគឺពិបាកព្រោះគ្មានការសិក្សាណាមួយបានប្រៀបធៀបភាពត្រឹមត្រូវនៃគំរូ DM ជាមួយនឹងវិធីសាស្ត្រស្ថិតិបែបប្រពៃណីដោយប្រើបច្ចេកទេសដូចគ្នានៃការកត់ត្រាធ្មេញក្នុងចន្លោះអាយុដូចគ្នានឹងការសិក្សានេះទេ។ Galibourg et al24 បានប្រៀបធៀប MAE និង RMSE រវាងវិធីសាស្ត្រប្រពៃណីពីរ (វិធីសាស្ត្រ Demirjian25 និងវិធីសាស្ត្រ Willems29) និងគំរូ DM ចំនួន 10 នៅក្នុងប្រជាជនបារាំងដែលមានអាយុពី 2 ទៅ 24 ឆ្នាំ។ ពួកគេបានរាយការណ៍ថា គំរូ DM ទាំងអស់មានភាពត្រឹមត្រូវជាងវិធីសាស្ត្រប្រពៃណី ដោយមានភាពខុសគ្នា 0.20 និង 0.38 ឆ្នាំនៅក្នុង MAE និង 0.25 និង 0.47 ឆ្នាំនៅក្នុង RMSE បើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រ Willems និង Demirdjian រៀងៗខ្លួន។ ភាពមិនស្របគ្នារវាងគំរូ SD និងវិធីសាស្ត្រប្រពៃណីដែលបង្ហាញក្នុងការសិក្សា Halibourg គិតគូរពីរបាយការណ៍ជាច្រើន30,31,32,33 ដែលថាវិធីសាស្ត្រ Demirdjian មិនបានប៉ាន់ស្មានអាយុធ្មេញបានត្រឹមត្រូវចំពោះប្រជាជនក្រៅពីជនជាតិកាណាដាបារាំងដែលការសិក្សានេះផ្អែកលើ។ នៅក្នុងការសិក្សានេះ។ Tai et al 34 បានប្រើក្បួនដោះស្រាយ MLP ដើម្បីទស្សន៍ទាយអាយុធ្មេញពីរូបថតធ្មេញចិនឆ្នាំ 1636 ហើយបានប្រៀបធៀបភាពត្រឹមត្រូវរបស់វាជាមួយនឹងលទ្ធផលនៃវិធីសាស្ត្រ Demirjian និង Willems។ ពួកគេបានរាយការណ៍ថា MLP មានភាពត្រឹមត្រូវខ្ពស់ជាងវិធីសាស្ត្រប្រពៃណី។ ភាពខុសគ្នារវាងវិធីសាស្ត្រ Demirdjian និងវិធីសាស្ត្រប្រពៃណីគឺ <0.32 ឆ្នាំ ហើយវិធីសាស្ត្រ Willems គឺ 0.28 ឆ្នាំ ដែលស្រដៀងគ្នាទៅនឹងលទ្ធផលនៃការសិក្សាបច្ចុប្បន្ន។ លទ្ធផលនៃការសិក្សាពីមុនទាំងនេះ24,34 ក៏ស្របនឹងលទ្ធផលនៃការសិក្សាបច្ចុប្បន្នដែរ ហើយភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុនៃគំរូ DM និងវិធីសាស្ត្រប្រពៃណីគឺស្រដៀងគ្នា។ ទោះជាយ៉ាងណាក៏ដោយ ដោយផ្អែកលើលទ្ធផលដែលបានបង្ហាញ យើងអាចសន្និដ្ឋានបានតែដោយប្រុងប្រយ័ត្នថា ការប្រើប្រាស់គំរូ DM ដើម្បីប៉ាន់ស្មានអាយុអាចជំនួសវិធីសាស្ត្រដែលមានស្រាប់ ដោយសារតែខ្វះការសិក្សាប្រៀបធៀប និងយោងពីមុន។ ការសិក្សាតាមដានដោយប្រើគំរូធំជាងនេះគឺត្រូវការជាចាំបាច់ ដើម្បីបញ្ជាក់ពីលទ្ធផលដែលទទួលបាននៅក្នុងការសិក្សានេះ។
ក្នុងចំណោមការសិក្សាដែលសាកល្បងភាពត្រឹមត្រូវនៃ SD ក្នុងការប៉ាន់ស្មានអាយុធ្មេញ ការសិក្សាខ្លះបានបង្ហាញពីភាពត្រឹមត្រូវខ្ពស់ជាងការសិក្សារបស់យើង។ Stepanovsky និងក្រុម 35 បានអនុវត្តគំរូ SD ចំនួន 22 ទៅលើរូបភាពកាំរស្មីអ៊ិចបែប Panoramic របស់ប្រជាជនឆែកចំនួន 976 នាក់ដែលមានអាយុពី 2.7 ទៅ 20.5 ឆ្នាំ ហើយបានសាកល្បងភាពត្រឹមត្រូវនៃគំរូនីមួយៗ។ ពួកគេបានវាយតម្លៃការវិវឌ្ឍន៍នៃធ្មេញអចិន្ត្រៃយ៍សរុបចំនួន 16 ធ្មេញខាងលើ និងខាងក្រោមខាងឆ្វេងដោយប្រើលក្ខណៈវិនិច្ឆ័យចំណាត់ថ្នាក់ដែលស្នើឡើងដោយ Moorrees និងក្រុម 36។ MAE មានចាប់ពី 0.64 ដល់ 0.94 ឆ្នាំ និង RMSE មានចាប់ពី 0.85 ដល់ 1.27 ឆ្នាំ ដែលមានភាពត្រឹមត្រូវជាងគំរូ DM ពីរដែលបានប្រើក្នុងការសិក្សានេះ។ Shen និងក្រុម 23 បានប្រើវិធីសាស្ត្រ Cameriere ដើម្បីប៉ាន់ស្មានអាយុធ្មេញរបស់ធ្មេញអចិន្ត្រៃយ៍ចំនួនប្រាំពីរនៅក្នុងថ្គាមខាងឆ្វេងចំពោះប្រជាជនចិនភាគខាងកើតដែលមានអាយុពី 5 ទៅ 13 ឆ្នាំ ហើយបានប្រៀបធៀបវាជាមួយនឹងអាយុដែលប៉ាន់ស្មានដោយប្រើតំរែតំរង់លីនេអ៊ែរ SVM និង RF។ ពួកគេបានបង្ហាញថាគំរូ DM ទាំងបីមានភាពត្រឹមត្រូវខ្ពស់ជាងបើប្រៀបធៀបទៅនឹងរូបមន្ត Cameriere ប្រពៃណី។ MAE និង RMSE នៅក្នុងការសិក្សារបស់ Shen គឺទាបជាងការសិក្សានៅក្នុងគំរូ DM នៅក្នុងការសិក្សានេះ។ ភាពជាក់លាក់កើនឡើងនៃការសិក្សាដោយ Stepanovsky et al. 35 និង Shen et al. 23 អាចបណ្តាលមកពីការដាក់បញ្ចូលអ្នកចូលរួមវ័យក្មេងនៅក្នុងគំរូសិក្សារបស់ពួកគេ។ ដោយសារតែការប៉ាន់ស្មានអាយុសម្រាប់អ្នកចូលរួមដែលមានធ្មេញកំពុងលូតលាស់កាន់តែត្រឹមត្រូវ នៅពេលដែលចំនួនធ្មេញកើនឡើងក្នុងអំឡុងពេលលូតលាស់ធ្មេញ ភាពត្រឹមត្រូវនៃវិធីសាស្ត្រប៉ាន់ស្មានអាយុដែលអាចកើតមានអាចនឹងចុះខ្សោយ នៅពេលដែលអ្នកចូលរួមក្នុងការសិក្សានៅក្មេងជាង។ លើសពីនេះ កំហុសរបស់ MLP ក្នុងការប៉ាន់ស្មានអាយុគឺតូចជាង SLP បន្តិច មានន័យថា MLP មានភាពត្រឹមត្រូវជាង SLP។ MLP ត្រូវបានគេចាត់ទុកថាល្អជាងបន្តិចសម្រាប់ការប៉ាន់ស្មានអាយុ អាចដោយសារតែស្រទាប់ដែលលាក់នៅក្នុង MLP38។ ទោះជាយ៉ាងណាក៏ដោយ មានករណីលើកលែងសម្រាប់គំរូខាងក្រៅរបស់ស្ត្រី (SLP 1.45, MLP 1.49)។ ការរកឃើញថា MLP មានភាពត្រឹមត្រូវជាង SLP ក្នុងការវាយតម្លៃអាយុ តម្រូវឱ្យមានការសិក្សាបន្ថែម។
ការអនុវត្តចំណាត់ថ្នាក់នៃគំរូ DM និងវិធីសាស្ត្រប្រពៃណីនៅកម្រិត 18 ឆ្នាំក៏ត្រូវបានប្រៀបធៀបផងដែរ។ គំរូ SD ដែលបានសាកល្បងទាំងអស់ និងវិធីសាស្ត្រប្រពៃណីនៅលើសំណុំតេស្តផ្ទៃក្នុងបានបង្ហាញពីកម្រិតនៃការរើសអើងដែលអាចទទួលយកបានសម្រាប់គំរូអាយុ 18 ឆ្នាំ។ ភាពរសើបសម្រាប់បុរស និងស្ត្រីគឺធំជាង 87.7% និង 94.9% រៀងគ្នា ហើយភាពជាក់លាក់គឺធំជាង 89.3% និង 84.7%។ AUROC នៃគំរូដែលបានសាកល្បងទាំងអស់ក៏លើសពី 0.925 ផងដែរ។ តាមចំណេះដឹងដ៏ល្អបំផុតរបស់យើង គ្មានការសិក្សាណាមួយបានសាកល្បងការអនុវត្តនៃគំរូ DM សម្រាប់ការចាត់ថ្នាក់ 18 ឆ្នាំដោយផ្អែកលើភាពចាស់ទុំខាងធ្មេញនោះទេ។ យើងអាចប្រៀបធៀបលទ្ធផលនៃការសិក្សានេះជាមួយនឹងការអនុវត្តចំណាត់ថ្នាក់នៃគំរូសិក្សាស៊ីជម្រៅលើកាំរស្មីអ៊ិចបែប Panoramic។ Guo et al.15 បានគណនាការអនុវត្តចំណាត់ថ្នាក់នៃគំរូសិក្សាស៊ីជម្រៅដែលមានមូលដ្ឋានលើ CNN និងវិធីសាស្ត្រដោយដៃដោយផ្អែកលើវិធីសាស្ត្រ Demirjian សម្រាប់កម្រិតអាយុជាក់លាក់មួយ។ ភាពរសើប និងភាពជាក់លាក់នៃវិធីសាស្ត្រដោយដៃគឺ 87.7% និង 95.5% រៀងគ្នា ហើយភាពរសើប និងភាពជាក់លាក់នៃគំរូ CNN លើសពី 89.2% និង 86.6% រៀងគ្នា។ ពួកគេបានសន្និដ្ឋានថា គំរូសិក្សាស៊ីជម្រៅអាចជំនួស ឬលើសពីការវាយតម្លៃដោយដៃក្នុងការចាត់ថ្នាក់កម្រិតអាយុ។ លទ្ធផលនៃការសិក្សានេះបានបង្ហាញពីការអនុវត្តចំណាត់ថ្នាក់ស្រដៀងគ្នា។ គេជឿថា ការចាត់ថ្នាក់ដោយប្រើគំរូ DM អាចជំនួសវិធីសាស្ត្រស្ថិតិប្រពៃណីសម្រាប់ការប៉ាន់ស្មានអាយុ។ ក្នុងចំណោមគំរូទាំងនោះ DM LR គឺជាគំរូដ៏ល្អបំផុតទាក់ទងនឹងភាពរសើបសម្រាប់គំរូបុរស និងភាពរសើប និងភាពជាក់លាក់សម្រាប់គំរូស្ត្រី។ LR ជាប់ចំណាត់ថ្នាក់ទីពីរទាក់ទងនឹងភាពជាក់លាក់សម្រាប់បុរស។ លើសពីនេះ LR ត្រូវបានចាត់ទុកថាជាគំរូ DM35 មួយក្នុងចំណោមគំរូដែលងាយស្រួលប្រើបំផុត ហើយមានភាពស្មុគស្មាញ និងពិបាកដំណើរការតិចជាង។ ដោយផ្អែកលើលទ្ធផលទាំងនេះ LR ត្រូវបានចាត់ទុកថាជាគំរូចាត់ថ្នាក់កាត់ផ្តាច់ដ៏ល្អបំផុតសម្រាប់ក្មេងអាយុ 18 ឆ្នាំនៅក្នុងចំនួនប្រជាជនកូរ៉េ។
ជារួម ភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុ ឬការអនុវត្តចំណាត់ថ្នាក់លើសំណុំតេស្តខាងក្រៅគឺមិនល្អ ឬទាបជាងបើប្រៀបធៀបទៅនឹងលទ្ធផលលើសំណុំតេស្តខាងក្នុង។ របាយការណ៍មួយចំនួនបង្ហាញថា ភាពត្រឹមត្រូវ ឬប្រសិទ្ធភាពនៃការចាត់ថ្នាក់ថយចុះ នៅពេលដែលការប៉ាន់ស្មានអាយុដោយផ្អែកលើចំនួនប្រជាជនកូរ៉េត្រូវបានអនុវត្តចំពោះចំនួនប្រជាជនជប៉ុន 5,39 ហើយគំរូស្រដៀងគ្នានេះត្រូវបានរកឃើញនៅក្នុងការសិក្សាបច្ចុប្បន្ន។ និន្នាការធ្លាក់ចុះនេះក៏ត្រូវបានគេសង្កេតឃើញនៅក្នុងគំរូ DM ផងដែរ។ ដូច្នេះ ដើម្បីប៉ាន់ស្មានអាយុបានត្រឹមត្រូវ សូម្បីតែពេលប្រើ DM ក្នុងដំណើរការវិភាគក៏ដោយ វិធីសាស្រ្តដែលទទួលបានពីទិន្នន័យចំនួនប្រជាជនដើម ដូចជាវិធីសាស្រ្តប្រពៃណី គួរតែត្រូវបានពេញចិត្ត 5,39,40,41,42។ ដោយសារវាមិនច្បាស់ថាតើគំរូសិក្សាស៊ីជម្រៅអាចបង្ហាញនិន្នាការស្រដៀងគ្នាឬអត់ ការសិក្សាដែលប្រៀបធៀបភាពត្រឹមត្រូវ និងប្រសិទ្ធភាពនៃការចាត់ថ្នាក់ដោយប្រើវិធីសាស្រ្តប្រពៃណី គំរូ DM និងគំរូសិក្សាស៊ីជម្រៅលើគំរូដូចគ្នាគឺត្រូវការជាចាំបាច់ ដើម្បីបញ្ជាក់ថាតើបញ្ញាសិប្បនិម្មិតអាចយកឈ្នះលើភាពខុសគ្នាខាងពូជសាសន៍ទាំងនេះក្នុងការវាយតម្លៃអាយុមានកំណត់បានដែរឬទេ។
យើងបង្ហាញថាវិធីសាស្រ្តប្រពៃណីអាចត្រូវបានជំនួសដោយការប៉ាន់ស្មានអាយុដោយផ្អែកលើគំរូ DM ក្នុងការអនុវត្តការប៉ាន់ស្មានអាយុកោសល្យវិច្ច័យនៅក្នុងប្រទេសកូរ៉េ។ យើងក៏បានរកឃើញលទ្ធភាពនៃការអនុវត្តការរៀនម៉ាស៊ីនសម្រាប់ការវាយតម្លៃអាយុកោសល្យវិច្ច័យផងដែរ។ ទោះយ៉ាងណាក៏ដោយ មានដែនកំណត់ច្បាស់លាស់ ដូចជាចំនួនអ្នកចូលរួមមិនគ្រប់គ្រាន់នៅក្នុងការសិក្សានេះដើម្បីកំណត់លទ្ធផលឱ្យបានច្បាស់លាស់ និងកង្វះការសិក្សាពីមុនដើម្បីប្រៀបធៀប និងបញ្ជាក់លទ្ធផលនៃការសិក្សានេះ។ នៅពេលអនាគត ការសិក្សា DM គួរតែត្រូវបានធ្វើឡើងជាមួយនឹងចំនួនគំរូកាន់តែច្រើន និងចំនួនប្រជាជនចម្រុះជាងមុន ដើម្បីកែលម្អការអនុវត្តជាក់ស្តែងរបស់វាបើប្រៀបធៀបទៅនឹងវិធីសាស្រ្តប្រពៃណី។ ដើម្បីផ្ទៀងផ្ទាត់លទ្ធភាពនៃការប្រើប្រាស់បញ្ញាសិប្បនិម្មិតដើម្បីប៉ាន់ស្មានអាយុនៅក្នុងចំនួនប្រជាជនច្រើន ការសិក្សានាពេលអនាគតគឺត្រូវការជាចាំបាច់ ដើម្បីប្រៀបធៀបភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់ និងប្រសិទ្ធភាពនៃគំរូ DM និងការរៀនសូត្រស៊ីជម្រៅជាមួយនឹងវិធីសាស្រ្តប្រពៃណីនៅក្នុងគំរូដូចគ្នា។
ការសិក្សានេះបានប្រើប្រាស់រូបថតអ័រថូក្រាហ្វីចំនួន ២.៦៥៧ ដែលប្រមូលបានពីមនុស្សពេញវ័យកូរ៉េ និងជប៉ុនដែលមានអាយុពី ១៥ ទៅ ២៣ ឆ្នាំ។ រូបភាពកាំរស្មីអ៊ិចកូរ៉េត្រូវបានបែងចែកជាសំណុំបណ្តុះបណ្តាលចំនួន ៩០០ (១៩.៤២ ± ២.៦៥ ឆ្នាំ) និងសំណុំតេស្តផ្ទៃក្នុងចំនួន ៩០០ (១៩.៥២ ± ២.៥៩ ឆ្នាំ)។ សំណុំបណ្តុះបណ្តាលត្រូវបានប្រមូលនៅស្ថាប័នមួយ (មន្ទីរពេទ្យសេអ៊ូលសេនម៉ារី) ហើយសំណុំតេស្តផ្ទាល់ខ្លួនត្រូវបានប្រមូលនៅស្ថាប័នពីរ (មន្ទីរពេទ្យធ្មេញសាកលវិទ្យាល័យជាតិសេអ៊ូល និងមន្ទីរពេទ្យធ្មេញសាកលវិទ្យាល័យយ៉ុងសេ)។ យើងក៏បានប្រមូលរូបភាពកាំរស្មីអ៊ិចចំនួន ៨៥៧ ពីទិន្នន័យផ្អែកលើចំនួនប្រជាជនមួយផ្សេងទៀត (សាកលវិទ្យាល័យវេជ្ជសាស្ត្រអ៊ីវ៉ាតេ ប្រទេសជប៉ុន) សម្រាប់ការធ្វើតេស្តខាងក្រៅ។ រូបភាពកាំរស្មីអ៊ិចរបស់ជនជាតិជប៉ុន (១៩.៣១ ± ២.៦០ ឆ្នាំ) ត្រូវបានជ្រើសរើសជាសំណុំតេស្តខាងក្រៅ។ ទិន្នន័យត្រូវបានប្រមូលត្រឡប់មកវិញដើម្បីវិភាគដំណាក់កាលនៃការវិវឌ្ឍន៍ធ្មេញលើរូបភាពកាំរស្មីអ៊ិចបែប Panoramic ដែលថតក្នុងអំឡុងពេលព្យាបាលធ្មេញ។ ទិន្នន័យទាំងអស់ដែលប្រមូលបានគឺអនាមិកលើកលែងតែភេទ ថ្ងៃខែឆ្នាំកំណើត និងកាលបរិច្ឆេទនៃរូបភាពកាំរស្មីអ៊ិច។ លក្ខណៈវិនិច្ឆ័យនៃការដាក់បញ្ចូល និងការដកចេញគឺដូចគ្នានឹងការសិក្សាដែលបានបោះពុម្ពផ្សាយពីមុន ៤, ៥។ អាយុជាក់ស្តែងរបស់គំរូត្រូវបានគណនាដោយដកថ្ងៃខែឆ្នាំកំណើតចេញពីកាលបរិច្ឆេទដែលថតកាំរស្មីអ៊ិច។ ក្រុមគំរូត្រូវបានបែងចែកជាប្រាំបួនក្រុមអាយុ។ ការចែកចាយអាយុ និងភេទត្រូវបានបង្ហាញក្នុងតារាងទី 3។ ការសិក្សានេះត្រូវបានធ្វើឡើងស្របតាមសេចក្តីប្រកាស Helsinki និងត្រូវបានអនុម័តដោយក្រុមប្រឹក្សាពិនិត្យស្ថាប័ន (IRB) នៃមន្ទីរពេទ្យ Seoul St. Mary's នៃសាកលវិទ្យាល័យកាតូលិកកូរ៉េ (KC22WISI0328)។ ដោយសារតែការរចនាឡើងវិញនៃការសិក្សានេះ ការយល់ព្រមដោយមានព័ត៌មានមិនអាចទទួលបានការយល់ព្រមពីអ្នកជំងឺទាំងអស់ដែលកំពុងទទួលការពិនិត្យកាំរស្មីអ៊ិចសម្រាប់គោលបំណងព្យាបាលនោះទេ។ មន្ទីរពេទ្យ Seoul Korea University St. Mary's (IRB) បានលើកលែងតម្រូវការសម្រាប់ការយល់ព្រមដោយមានព័ត៌មាន។
ដំណាក់កាលនៃការអភិវឌ្ឍនៃថ្គាមទីពីរ និងទីបីនៃថ្គាមខាងលើ និងខាងក្រោមត្រូវបានវាយតម្លៃស្របតាមលក្ខណៈវិនិច្ឆ័យរបស់ Demircan25។ មានតែធ្មេញមួយប៉ុណ្ណោះដែលត្រូវបានជ្រើសរើស ប្រសិនបើធ្មេញប្រភេទដូចគ្នាត្រូវបានរកឃើញនៅផ្នែកខាងឆ្វេង និងខាងស្តាំនៃថ្គាមនីមួយៗ។ ប្រសិនបើធ្មេញដូចគ្នានៅសងខាងស្ថិតនៅដំណាក់កាលនៃការអភិវឌ្ឍខុសៗគ្នា ធ្មេញដែលមានដំណាក់កាលនៃការអភិវឌ្ឍទាបជាងត្រូវបានជ្រើសរើស ដើម្បីគិតគូរពីភាពមិនប្រាកដប្រជានៃអាយុប៉ាន់ស្មាន។ រូបភាពកាំរស្មីអ៊ិចចំនួនមួយរយសន្លឹកដែលបានជ្រើសរើសដោយចៃដន្យពីសំណុំហ្វឹកហាត់ត្រូវបានផ្តល់ពិន្ទុដោយអ្នកសង្កេតការណ៍ដែលមានបទពិសោធន៍ពីរនាក់ ដើម្បីសាកល្បងភាពជឿជាក់រវាងអ្នកសង្កេតការណ៍ បន្ទាប់ពីការក្រិតតាមខ្នាតជាមុន ដើម្បីកំណត់ដំណាក់កាលនៃភាពចាស់ទុំនៃធ្មេញ។ ភាពជឿជាក់រវាងអ្នកសង្កេតការណ៍ត្រូវបានវាយតម្លៃពីរដងក្នុងចន្លោះពេលបីខែដោយអ្នកសង្កេតការណ៍បឋម។
ភេទ និងដំណាក់កាលអភិវឌ្ឍន៍នៃថ្គាមទីពីរ និងទីបីនៃថ្គាមនីមួយៗនៅក្នុងសំណុំហ្វឹកហាត់ត្រូវបានប៉ាន់ប្រមាណដោយអ្នកសង្កេតការណ៍បឋមដែលបានទទួលការបណ្តុះបណ្តាលជាមួយនឹងគំរូ DM ផ្សេងៗគ្នា ហើយអាយុពិតប្រាកដត្រូវបានកំណត់ជាតម្លៃគោលដៅ។ គំរូ SLP និង MLP ដែលត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងការរៀនម៉ាស៊ីន ត្រូវបានសាកល្បងប្រឆាំងនឹងក្បួនដោះស្រាយតំរែតំរង់។ គំរូ DM រួមបញ្ចូលគ្នានូវមុខងារលីនេអ៊ែរដោយប្រើដំណាក់កាលអភិវឌ្ឍន៍នៃធ្មេញទាំងបួន ហើយបញ្ចូលគ្នានូវទិន្នន័យទាំងនេះដើម្បីប៉ាន់ប្រមាណអាយុ។ SLP គឺជាបណ្តាញសរសៃប្រសាទដ៏សាមញ្ញបំផុត ហើយមិនមានស្រទាប់លាក់បាំងទេ។ SLP ដំណើរការដោយផ្អែកលើការបញ្ជូនកម្រិតរវាងថ្នាំង។ គំរូ SLP នៅក្នុងតំរែតំរង់គឺស្រដៀងគ្នាខាងគណិតវិទ្យាទៅនឹងតំរែតំរង់លីនេអ៊ែរច្រើន។ មិនដូចគំរូ SLP ទេ គំរូ MLP មានស្រទាប់លាក់បាំងច្រើនជាមួយនឹងមុខងារធ្វើឱ្យសកម្មមិនមែនលីនេអ៊ែរ។ ការពិសោធន៍របស់យើងបានប្រើស្រទាប់លាក់ដែលមានថ្នាំងលាក់តែ 20 ប៉ុណ្ណោះជាមួយនឹងមុខងារធ្វើឱ្យសកម្មមិនមែនលីនេអ៊ែរ។ ប្រើជម្រាលចុះជាវិធីសាស្ត្របង្កើនប្រសិទ្ធភាព និង MAE និង RMSE ជាមុខងារបាត់បង់ដើម្បីហ្វឹកហាត់គំរូរៀនម៉ាស៊ីនរបស់យើង។ គំរូតំរែតំរង់ដែលទទួលបានល្អបំផុតត្រូវបានអនុវត្តចំពោះសំណុំសាកល្បងខាងក្នុង និងខាងក្រៅ ហើយអាយុនៃធ្មេញត្រូវបានប៉ាន់ប្រមាណ។
ក្បួនដោះស្រាយចំណាត់ថ្នាក់មួយត្រូវបានបង្កើតឡើង ដែលប្រើប្រាស់ភាពចាស់ទុំនៃធ្មេញបួននៅលើសំណុំហ្វឹកហាត់ ដើម្បីទស្សន៍ទាយថាតើគំរូមួយមានអាយុ 18 ឆ្នាំឬអត់។ ដើម្បីបង្កើតគំរូនេះ យើងទទួលបានក្បួនដោះស្រាយការរៀនម៉ាស៊ីនតំណាងចំនួនប្រាំពីរ6,43៖ (1) LR, (2) KNN, (3) SVM, (4) DT, (5) RF, (6) XGBoost និង (7) MLP។ LR គឺជាក្បួនដោះស្រាយចំណាត់ថ្នាក់មួយក្នុងចំណោមក្បួនដោះស្រាយចំណាត់ថ្នាក់ដែលប្រើយ៉ាងទូលំទូលាយបំផុត44។ វាគឺជាក្បួនដោះស្រាយការរៀនដែលមានការត្រួតពិនិត្យ ដែលប្រើតំរែតំរង់ដើម្បីទស្សន៍ទាយប្រូបាប៊ីលីតេនៃទិន្នន័យដែលជាកម្មសិទ្ធិរបស់ប្រភេទជាក់លាក់មួយពី 0 ដល់ 1 ហើយចាត់ថ្នាក់ទិន្នន័យថាជាកម្មសិទ្ធិរបស់ប្រភេទដែលទំនងជាងដោយផ្អែកលើប្រូបាប៊ីលីតេនេះ។ ភាគច្រើនប្រើសម្រាប់ចំណាត់ថ្នាក់គោលពីរ។ KNN គឺជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដ៏សាមញ្ញបំផុតមួយ45។ នៅពេលដែលបានផ្តល់ទិន្នន័យបញ្ចូលថ្មី វារកឃើញទិន្នន័យ k ដែលនៅជិតសំណុំដែលមានស្រាប់ ហើយបន្ទាប់មកចាត់ថ្នាក់ពួកវាទៅក្នុងថ្នាក់ដែលមានប្រេកង់ខ្ពស់បំផុត។ យើងកំណត់ 3 សម្រាប់ចំនួនអ្នកជិតខាងដែលត្រូវបានពិចារណា (k)។ SVM គឺជាក្បួនដោះស្រាយដែលបង្កើនចម្ងាយរវាងថ្នាក់ពីរដោយប្រើអនុគមន៍ខឺណែលដើម្បីពង្រីកលំហលីនេអ៊ែរទៅជាលំហមិនមែនលីនេអ៊ែរដែលហៅថាវាល46។ សម្រាប់គំរូនេះ យើងប្រើ bias = 1, power = 1 និង gamma = 1 ជា hyperparameters សម្រាប់ kernel ពហុធា។ DT ត្រូវបានអនុវត្តនៅក្នុងវិស័យផ្សេងៗជាក្បួនដោះស្រាយសម្រាប់ការបែងចែកសំណុំទិន្នន័យទាំងមូលទៅជាក្រុមរងជាច្រើនដោយតំណាងឱ្យច្បាប់សម្រេចចិត្តនៅក្នុងរចនាសម្ព័ន្ធដើមឈើ47។ គំរូនេះត្រូវបានកំណត់រចនាសម្ព័ន្ធជាមួយនឹងចំនួនកំណត់ត្រាអប្បបរមាក្នុងមួយ node ចំនួន 2 ហើយប្រើសន្ទស្សន៍ Gini ជារង្វាស់នៃគុណភាព។ RF គឺជាវិធីសាស្ត្ររួមដែលរួមបញ្ចូលគ្នានូវ DTs ច្រើនដើម្បីបង្កើនប្រសិទ្ធភាពដោយប្រើវិធីសាស្ត្រប្រមូលផ្តុំ bootstrap ដែលបង្កើតឧបករណ៍ចាត់ថ្នាក់ខ្សោយសម្រាប់គំរូនីមួយៗដោយគូរគំរូដែលមានទំហំដូចគ្នាដោយចៃដន្យច្រើនដងពីសំណុំទិន្នន័យដើម48។ យើងបានប្រើដើមឈើ 100 ជម្រៅដើមឈើ 10 ទំហំណូតអប្បបរមា 1 និងសន្ទស្សន៍ admixture Gini ជាលក្ខណៈវិនិច្ឆ័យបំបែកណូត។ ការចាត់ថ្នាក់ទិន្នន័យថ្មីត្រូវបានកំណត់ដោយការបោះឆ្នោតភាគច្រើន។ XGBoost គឺជាក្បួនដោះស្រាយដែលរួមបញ្ចូលគ្នានូវបច្ចេកទេសជំរុញដោយប្រើវិធីសាស្ត្រដែលយកកំហុសរវាងតម្លៃជាក់ស្តែង និងតម្លៃព្យាករណ៍នៃគំរូមុនជាទិន្នន័យបណ្តុះបណ្តាល និងបង្កើនកំហុសដោយប្រើជម្រាល49។ វាគឺជាក្បួនដោះស្រាយដែលប្រើប្រាស់យ៉ាងទូលំទូលាយដោយសារតែដំណើរការល្អ និងប្រសិទ្ធភាពធនធានរបស់វា ក៏ដូចជាភាពជឿជាក់ខ្ពស់ជាមុខងារកែតម្រូវការលើសកម្រិត។ ម៉ូដែលនេះត្រូវបានបំពាក់ដោយកង់ទ្រទ្រង់ចំនួន ៤០០។ MLP គឺជាបណ្តាញសរសៃប្រសាទដែល perceptron មួយ ឬច្រើនបង្កើតជាស្រទាប់ច្រើនដែលមានស្រទាប់លាក់មួយ ឬច្រើនរវាងស្រទាប់បញ្ចូល និងស្រទាប់ទិន្នផល។ ដោយប្រើវិធីនេះ អ្នកអាចអនុវត្តការចាត់ថ្នាក់មិនមែនលីនេអ៊ែរ ដែលនៅពេលអ្នកបន្ថែមស្រទាប់បញ្ចូល ហើយទទួលបានតម្លៃលទ្ធផល តម្លៃលទ្ធផលដែលបានព្យាករណ៍ត្រូវបានប្រៀបធៀបទៅនឹងតម្លៃលទ្ធផលជាក់ស្តែង ហើយកំហុសត្រូវបានសាយភាយត្រឡប់មកវិញ។ យើងបានបង្កើតស្រទាប់លាក់មួយដែលមានណឺរ៉ូនលាក់ចំនួន ២០ នៅក្នុងស្រទាប់នីមួយៗ។ ម៉ូដែលនីមួយៗដែលយើងបានបង្កើតត្រូវបានអនុវត្តចំពោះសំណុំខាងក្នុង និងខាងក្រៅ ដើម្បីសាកល្បងដំណើរការចាត់ថ្នាក់ដោយការគណនាភាពរសើប ភាពជាក់លាក់ PPV NPV និង AUROC។ ភាពរសើបត្រូវបានកំណត់ថាជាសមាមាត្រនៃគំរូដែលប៉ាន់ស្មានថាមានអាយុ 18 ឆ្នាំ ឬចាស់ជាងនេះទៅនឹងគំរូដែលប៉ាន់ស្មានថាមានអាយុ 18 ឆ្នាំ ឬចាស់ជាងនេះ។ ភាពជាក់លាក់គឺជាសមាមាត្រនៃគំរូដែលមានអាយុក្រោម 18 ឆ្នាំ និងគំរូទាំងនោះដែលត្រូវបានប៉ាន់ស្មានថាមានអាយុក្រោម 18 ឆ្នាំ។
ដំណាក់កាលធ្មេញដែលបានវាយតម្លៃនៅក្នុងសំណុំហ្វឹកហាត់ត្រូវបានបម្លែងទៅជាដំណាក់កាលលេខសម្រាប់ការវិភាគស្ថិតិ។ ការវិភាគតំរែតំរង់លីនេអ៊ែរ និងឡូជីស្ទីកពហុអថេរត្រូវបានអនុវត្តដើម្បីបង្កើតគំរូព្យាករណ៍សម្រាប់ភេទនីមួយៗ និងទាញយករូបមន្តតំរែតំរង់ដែលអាចប្រើដើម្បីប៉ាន់ស្មានអាយុ។ យើងបានប្រើរូបមន្តទាំងនេះដើម្បីប៉ាន់ស្មានអាយុធ្មេញសម្រាប់សំណុំតេស្តទាំងខាងក្នុង និងខាងក្រៅ។ តារាងទី 4 បង្ហាញពីគំរូតំរែតំរង់ និងចំណាត់ថ្នាក់ដែលប្រើក្នុងការសិក្សានេះ។
ភាពជឿជាក់នៃអន្តរអ្នកសង្កេតការណ៍ និងអន្តរអ្នកសង្កេតការណ៍ត្រូវបានគណនាដោយប្រើស្ថិតិ kappa របស់ Cohen។ ដើម្បីសាកល្បងភាពត្រឹមត្រូវនៃ DM និងគំរូតំរែតំរង់បែបប្រពៃណី យើងបានគណនា MAE និង RMSE ដោយប្រើអាយុប៉ាន់ស្មាន និងអាយុជាក់ស្តែងនៃសំណុំតេស្តខាងក្នុង និងខាងក្រៅ។ កំហុសទាំងនេះត្រូវបានគេប្រើជាទូទៅដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃការព្យាករណ៍គំរូ។ កំហុសកាន់តែតូច ភាពត្រឹមត្រូវនៃការព្យាករណ៍កាន់តែខ្ពស់។24។ ប្រៀបធៀប MAE និង RMSE នៃសំណុំតេស្តខាងក្នុង និងខាងក្រៅដែលគណនាដោយប្រើ DM និងតំរែតំរង់បែបប្រពៃណី។ ការអនុវត្តចំណាត់ថ្នាក់នៃការកាត់ផ្តាច់ 18 ឆ្នាំនៅក្នុងស្ថិតិបែបប្រពៃណីត្រូវបានវាយតម្លៃដោយប្រើតារាងបម្រុង 2 × 2។ ភាពរសើប ភាពជាក់លាក់ PPV NPV និង AUROC ដែលបានគណនានៃសំណុំតេស្តត្រូវបានប្រៀបធៀបជាមួយនឹងតម្លៃដែលវាស់បាននៃគំរូចំណាត់ថ្នាក់ DM។ ទិន្នន័យត្រូវបានបង្ហាញជាមធ្យម ± គម្លាតស្តង់ដារ ឬចំនួន (%) អាស្រ័យលើលក្ខណៈទិន្នន័យ។ តម្លៃ P ទ្វេភាគី <0.05 ត្រូវបានចាត់ទុកថាមានសារៈសំខាន់ខាងស្ថិតិ។ ការវិភាគស្ថិតិធម្មតាទាំងអស់ត្រូវបានអនុវត្តដោយប្រើ SAS កំណែ 9.4 (SAS Institute, Cary, NC)។ គំរូ​តំរែតំរង់ DM ត្រូវបានអនុវត្តនៅក្នុង Python ដោយប្រើ Keras50 2.2.4 backend និង Tensorflow51 1.8.0 ជាពិសេសសម្រាប់ប្រតិបត្តិការគណិតវិទ្យា។ គំរូចំណាត់ថ្នាក់ DM ត្រូវបានអនុវត្តនៅក្នុង Waikato Knowledge Analysis Environment និងវេទិកាវិភាគ Konstanz Information Miner (KNIME) 4.6.152។
អ្នកនិពន្ធទទួលស្គាល់ថាទិន្នន័យដែលគាំទ្រដល់ការសន្និដ្ឋាននៃការសិក្សាអាចរកបាននៅក្នុងអត្ថបទ និងសម្ភារៈបន្ថែម។ សំណុំទិន្នន័យដែលបង្កើត និង/ឬវិភាគក្នុងអំឡុងពេលសិក្សាអាចរកបានពីអ្នកនិពន្ធដែលត្រូវគ្នាតាមការស្នើសុំសមហេតុផល។
Ritz-Timme, S. et al. ការវាយតម្លៃអាយុ៖ ស្ថានភាពទំនើបដើម្បីបំពេញតាមតម្រូវការជាក់លាក់នៃការអនុវត្តកោសល្យវិច្ច័យ។ អន្តរជាតិ។ J. វេជ្ជសាស្ត្រផ្នែកច្បាប់។ 113, 129–136 (2000)។
Schmeling, A., Reisinger, W., Geserik, G., និង Olze, A. ស្ថានភាពបច្ចុប្បន្ននៃការវាយតម្លៃអាយុកោសល្យវិច្ច័យរបស់បុគ្គលដែលនៅរស់សម្រាប់គោលបំណងចោទប្រកាន់ព្រហ្មទណ្ឌ។ កោសល្យវិច្ច័យ។ វេជ្ជសាស្ត្រ។ រោគវិទ្យា។ ១, ២៣៩–២៤៦ (២០០៥)។
Pan, J. et al. វិធីសាស្ត្រ​ដែល​បាន​កែប្រែ​សម្រាប់​វាយតម្លៃ​អាយុ​ធ្មេញ​របស់​កុមារ​អាយុ​ពី 5 ទៅ 16 ឆ្នាំ​នៅ​ភាគ​ខាងកើត​ប្រទេស​ចិន។ គ្លីនិក។ ការស្ទង់មតិ​ផ្ទាល់មាត់។ 25, 3463–3474 (2021)។
Lee, SS ជាដើម។ កាលប្បវត្តិនៃការវិវត្តនៃថ្គាមទីពីរ និងទីបីនៅក្នុងជនជាតិកូរ៉េ និងការអនុវត្តរបស់វាសម្រាប់ការវាយតម្លៃអាយុកោសល្យវិច្ច័យ។ អន្តរជាតិ។ J. វេជ្ជសាស្ត្រផ្នែកច្បាប់។ 124, 659–665 (2010)។
អូ, អេស., គូម៉ាហ្គៃ, អេ., គីម, អេសវ៉ាយ និង លី, អេសអេស ភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានអាយុ និងការប៉ាន់ស្មានកម្រិតអាយុ 18 ឆ្នាំដោយផ្អែកលើភាពចាស់ទុំនៃធ្មេញថ្គាមទីពីរ និងទីបីនៅក្នុងភាសាកូរ៉េ និងជប៉ុន។ PLoS ONE 17, e0271247 (2022)។
Kim, JY, et al. ការវិភាគទិន្នន័យដែលមានមូលដ្ឋានលើការរៀនម៉ាស៊ីនមុនពេលវះកាត់អាចទស្សន៍ទាយលទ្ធផលនៃការព្យាបាលការវះកាត់គេងចំពោះអ្នកជំងឺដែលមាន OSA។ វិទ្យាសាស្ត្រ។ របាយការណ៍ទី 11, 14911 (2021)។
Han, M. et al. ការប៉ាន់ស្មានអាយុត្រឹមត្រូវពីការរៀនរបស់ម៉ាស៊ីនដោយមាន ឬគ្មានអន្តរាគមន៍ពីមនុស្ស? អន្តរជាតិ។ J. វេជ្ជសាស្ត្រផ្នែកច្បាប់។ 136, 821–831 (2022)។
Khan, S. និង Shaheen, M. ពីការជីកយករ៉ែទិន្នន័យ ទៅកាន់ការជីកយករ៉ែទិន្នន័យ។ J. ព័ត៌មាន។ វិទ្យាសាស្ត្រ។ https://doi.org/10.1177/01655515211030872 (2021)។
Khan, S. និង Shaheen, M. WisRule៖ ក្បួនដោះស្រាយការយល់ដឹងដំបូងសម្រាប់ការជីកយករ៉ែច្បាប់សមាគម។ J.Information. វិទ្យាសាស្ត្រ។ https://doi.org/10.1177/01655515221108695 (2022)។
Shaheen M. និង Abdullah U. Karm៖ ការជីកយករ៉ែទិន្នន័យបែបប្រពៃណីដោយផ្អែកលើច្បាប់សមាគមដែលមានមូលដ្ឋានលើបរិបទ។ គណនា។ ម៉ាថាយ។ បន្ត។ ៦៨, ៣៣០៥–៣៣២២ (២០២១)។
Muhammad M., Rehman Z., Shaheen M., Khan M. និង Habib M. ការរកឃើញភាពស្រដៀងគ្នានៃន័យវិទ្យាដោយផ្អែកលើការរៀនសូត្រស៊ីជម្រៅដោយប្រើទិន្នន័យអត្ថបទ។ បច្ចេកវិទ្យាព័ត៌មាន។ ការគ្រប់គ្រង។ https://doi.org/10.5755/j01.itc.49.4.27118 (2020).
Tabish, M., Tanoli, Z., និង Shahin, M. ប្រព័ន្ធសម្រាប់សម្គាល់សកម្មភាពនៅក្នុងវីដេអូកីឡា។ ពហុមេឌា។ ឧបករណ៍ កម្មវិធី https://doi.org/10.1007/s11042-021-10519-6 (2021)។
Halabi, SS និងអ្នកដទៃទៀត។ បញ្ហាប្រឈមនៃការរៀនម៉ាស៊ីន RSNA ក្នុងវ័យឆ្អឹងកុមារ។ ទស្សនាវដ្តី Radiology 290, 498–503 (2019)។
Li, Y. et al. ការប៉ាន់ស្មានអាយុកោសល្យវិច្ច័យពីកាំរស្មីអ៊ិចអាងត្រគាកដោយប្រើការរៀនសូត្រស៊ីជម្រៅ។ EURO. វិទ្យុសកម្ម។ 29, 2322–2329 (2019)។
Guo, YC, et al. ការចាត់ថ្នាក់អាយុត្រឹមត្រូវដោយប្រើវិធីសាស្ត្រដោយដៃ និងបណ្តាញសរសៃប្រសាទជ្រៅពីរូបភាពព្យាករណ៍អ័រថូក្រាហ្វី។ អន្តរជាតិ។ J. វេជ្ជសាស្ត្រច្បាប់។ 135, 1589–1597 (2021)។
Alabama Dalora និងអ្នកដទៃទៀត។ ការប៉ាន់ស្មានអាយុឆ្អឹងដោយប្រើវិធីសាស្ត្ររៀនម៉ាស៊ីនផ្សេងៗគ្នា៖ ការពិនិត្យឡើងវិញនូវអក្សរសិល្ប៍ជាប្រព័ន្ធ និងការវិភាគមេតា។ PLoS ONE 14, e0220242 (2019)។
Du, H., Li, G., Cheng, K., និង Yang, J. ការប៉ាន់ស្មានអាយុជាក់លាក់របស់ជនជាតិអាហ្វ្រិកអាមេរិក និងជនជាតិចិនដោយផ្អែកលើបរិមាណបន្ទប់ pulp នៃថ្គាមដំបូងដោយប្រើ cone-beam computed tomography។ អន្តរជាតិ។ J. Legal medicine. 136, 811–819 (2022)។
Kim S., Lee YH, Noh YK, Park FK និង Oh KS ការកំណត់ក្រុមអាយុរបស់មនុស្សដែលនៅរស់ដោយប្រើរូបភាពដែលមានមូលដ្ឋានលើបញ្ញាសិប្បនិម្មិតនៃថ្គាមទីមួយ។ វិទ្យាសាស្ត្រ។ របាយការណ៍ទី 11, 1073 (2021)។
Stern, D., Payer, C., Giuliani, N., និង Urschler, M. ការប៉ាន់ស្មានអាយុដោយស្វ័យប្រវត្តិ និងការចាត់ថ្នាក់អាយុភាគច្រើនពីទិន្នន័យ MRI ពហុអថេរ។ IEEE J. Biomed. Health Alerts. 23, 1392–1403 (2019).
Cheng, Q., Ge, Z., Du, H. និង Li, G. ការប៉ាន់ស្មានអាយុដោយផ្អែកលើការបែងចែកបន្ទប់ pulp 3D នៃថ្គាមទីមួយពីការថតកាំរស្មីកោណដោយកុំព្យូទ័រដោយការរួមបញ្ចូលការរៀនសូត្រស៊ីជម្រៅ និងសំណុំកម្រិត។ អន្តរជាតិ។ J. វេជ្ជសាស្ត្រច្បាប់។ 135, 365–373 (2021)។
Wu, WT, et al. ការជីកយករ៉ែទិន្នន័យក្នុងទិន្នន័យធំគ្លីនិក៖ មូលដ្ឋានទិន្នន័យទូទៅ ជំហាន និងគំរូវិធីសាស្រ្ត។ ពិភពលោក។ វេជ្ជសាស្ត្រ។ ធនធាន។ 8, 44 (2021)។
Yang, J. et al. សេចក្តីផ្តើមអំពីមូលដ្ឋានទិន្នន័យវេជ្ជសាស្ត្រ និងបច្ចេកវិទ្យារុករកទិន្នន័យនៅក្នុងយុគសម័យទិន្នន័យធំ។ J. Avid. វេជ្ជសាស្ត្រមូលដ្ឋាន។ ១៣, ៥៧–៦៩ (២០២០)។
Shen, S. et al. វិធីសាស្ត្រ Camerer សម្រាប់ប៉ាន់ស្មានអាយុធ្មេញដោយប្រើការរៀនរបស់ម៉ាស៊ីន។ BMC Oral Health 21, 641 (2021)។
Galliburg A. et al. ការប្រៀបធៀបវិធីសាស្រ្តរៀនម៉ាស៊ីនផ្សេងៗគ្នាសម្រាប់ព្យាករណ៍អាយុធ្មេញដោយប្រើវិធីសាស្ត្រកំណត់ដំណាក់កាល Demirdjian។ អន្តរជាតិ។ J. វេជ្ជសាស្ត្រច្បាប់។ 135, 665–675 (2021)។
Demirdjian, A., Goldstein, H. និង Tanner, JM ប្រព័ន្ធថ្មីមួយសម្រាប់វាយតម្លៃអាយុធ្មេញ។ snort. biology. 45, 211–227 (1973)។
Landis, JR, និង Koch, GG វិធានការនៃការព្រមព្រៀងគ្នារបស់អ្នកសង្កេតការណ៍លើទិន្នន័យប្រភេទ។ ជីវមាត្រ 33, 159–174 (1977)។
Bhattacharjee S, Prakash D, Kim C, Kim HK និង Choi HK។ ការវិភាគវាយនភាព រូបរាង និងស្ថិតិនៃការថតរូបភាពអនុភាពម៉ាញេទិកពីរវិមាត្រដោយប្រើបច្ចេកទេសបញ្ញាសិប្បនិម្មិតសម្រាប់ការចាត់ថ្នាក់នៃដុំសាច់ខួរក្បាលបឋម។ ព័ត៌មានសុខភាព។ ធនធាន។ https://doi.org/10.4258/hir.2022.28.1.46 (2022)។