A Study on Dental Caries Prediction Model Based on Machine Learning for Decision Support System = 의사 결정 지원 시스템을 위한 기계학습 기반의 치아 우식 예측 모델에 대한 연구
저자
발행사항
아산: 선문대학교 일반대학원, 2023
학위논문사항
학위논문(박사)-- 선문대학교 일반대학원: 컴퓨터공학과 2023. 8
발행연도
2023
작성언어
한국어
주제어
KDC
004 판사항(6)
발행국(도시)
충청남도
기타서명
의사 결정 지원 시스템을 위한 기계학습 기반의 치아 우식 예측 모델에 대한 연구
형태사항
210 p.: 챠트; 26 cm.
일반주기명
선문대학교 논문은 저작권에 의해 보호받습니다.
지도교수: 김정동
참고문헌: p.122-130
UCI식별코드
I804:44008-200000686876
소장기관
Dental caries is a prevalent and challenging public health problem worldwide. It poses a significant threat, particularly in developing countries. Early detection of caries is hindered by the absence of distinct symptoms, leading to untreated cases. Timely clinical intervention is crucial to mitigate disease progression. In this research, an innovative approach employing Machine Learning (ML) techniques was employed to forecast dental caries and identify influential factors. The objective was to enhance caries diagnosis, streamline procedures, and empower individuals for self-diagnosis and early detection.
The study aimed to design a caries prediction model by integrating survey data analysis, feature selection techniques, feature importance techniques, and ML algorithms to identify the presence of caries and associated factors. Utilizing data sets derived from comprehensive data analysis techniques, accurate diagnosis with reduced complexity was achieved, resulting in saved time and resources. The proposed approach incorporated four feature selection techniques, a feature importance algorithm, and five classifiers, resulting in a more effective caries diagnosis method.
The gradient boosting decision tree (GBDT) model trained with the reduced feature set exhibited superior performance, surpassing the accuracy of the GBDT model trained with the full dataset by more than 6%. The GBDT model demonstrated remarkable classification performance, achieving accuracy, F1 score, precision, and recall values of 95%, 93%, 99%, and 88%, respectively. Additionally, other ML models, including random forest (RF), logistic regression (LR), support vector machine (SVM), and long short-term memory (LSTM), also exhibited improved accuracy when trained with reduced feature sets.
The integration of feature selection and feature importance techniques enabled precise identification of the presence or absence of caries. This approach reduced the number of diagnostic features required and offered non-clinical testing capabilities, resulting in time and cost savings during caries examinations. Moreover, it showcased its potential as a screening tool for self-diagnosis and early detection in non-clinical settings or limited access scenarios. By providing individuals with insight into tooth decay and its causes, it has empowered them to make informed decisions and seek professional dental care in a timely manner. These findings are crucial in enhancing oral health outcomes, promoting preventive measures, and facilitating early detection and intervention.
The study successfully identified caries prediction and influencing factors through the integration of big data analysis, feature selection techniques, and ML algorithms. The developed caries prediction model improved accuracy and provided valuable insights for caries diagnosis. It has the potential to revolutionize oral healthcare practices by simplifying dental caries screening, enabling self-diagnosis, and facilitating early detection. Leveraging the power of ML, accurate and timely diagnosis can be attained, ultimately leading to improved oral health outcomes and proactive oral health maintenance.
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)