본 연구의 목적은 연령에 따른 파노라마 방사선 사진의 18개 방사형태계측(radiomorphometric) 파라미터 간의 관계를 조사하고, 5가지 기계 학습 알고리즘을 사용하여 영구치열을 가진 사람의 연령대를 비침습적이고 포괄적이며 정확한 방식으로 추정하는 것이다. 연구 대상 집단(남성 209명, 여성 262명; 평균 연령 32.12 ± 18.71세)에 대해 한국인 피험자의 디지털 파노라마 방사선 사진 471장을 적용하였다. 피험자들은 20년 연령 차이를 갖는 3개 군과 10년 연령 차이를 갖는 6개 군으로 나누었으며, 각 연령대는 다음의 5가지 기계 학습 모델(선형 판별 분석, 로지스틱 회귀, 커널화된 서포트 벡터 머신, 다층 퍼셉트론, 극한 그래디언트 부스팅)으로 추정하였다. 최종적으로 피셔 판별 분석을 사용하여 데이터의 구성(configuration)을 시각화하였다. 3개 연령대 분류의 예측에서, 연소 연령(10-19세)을 분류하기 위한 곡선하면적(AUC)은 5가지 서로 다른 기계 학습 모델에서 0.85~0.88 범위로 나타났다. 고령 연령대(50-69세)의 AUC 값은 0.82~0.88 범위였으며, 성인(20-49세)의 AUC는 약 0.73이었다. 6개 연령대 분류에서도 최우수 점수는 연령대 1(10-19세)과 6(60-69세)에서 동일하게 관찰되었고, 평균 AUC는 각각 0.85~0.87과 0.80~0.90 범위였다. LDA 가중치에 기반한 특성 분석에서는 L-Pulp Area가 연소 연령(10-49세)을 구별하는 데 중요했으며, L-Crown, U-Crown, L-Implant, U-Implant 및 Periodontitis는 고령 연령(50-69세)을 구별하기 위한 예측변수로 사용되었다. 우리는 다수의 상악 및 하악 방사형태계측 파라미터를 이용하여 치과 연령대 추정을 위한 허용 가능한 선형 및 비선형 기계 학습 모델을 구축하였다. 젊은 층과 고령층의 특정 방사형태학적 특성은 연령과 선형적으로 관련되기 때문에, 자동화된 기계 학습 모델을 통해 다른 연령대와 젊은 층 및 고령층을 쉽게 구별할 수 있었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.