خلاصہپس منظر میں مصنوعی ذہانت کا مقصدرینل Scarring(AIRS) کا مطالعہ مشین لرننگ ٹولز کو تیار کرنا ہے جس کی غیر حملہ آور مقدار کے تعین کے لیےگردے فبروسسامیجنگ اسکینوں سے۔ طریقے ہم نے ان مریضوں کا سابقہ تجزیہ کیا جن کے 6 ماہ کے اندر پیٹ میں ایک یا زیادہ کمپیوٹیڈ ٹوموگرافی (CT) اسکین ہوئے تھے۔گردے کی بایپسی. حتمی گروہ میں 92 مریضوں کے 152 سی ٹی اسکین شامل تھے، جس میں 300 مقامی گردوں اور 76 کی تصاویر شامل تھیں۔گردے ٹرانسپلانٹ. دو مختلف کنوولوشنلاعصابی نیٹ ورکس(سلائس لیول اور ووکسیل لیول کے درجہ بندی کرنے والے) کا تجربہ شدید بمقابلہ ہلکے/اعتدال پسند میں فرق کرنے کے لیے کیا گیا تھا۔گردے فبروسس($50% بمقابلہ، %50)۔انٹرسٹیشل فبروسساور نلی نما ایٹروفی سکور سےگردے کی بایپسیرپورٹس کو زمینی سچائی کے طور پر استعمال کیا گیا۔ نتائج دو مشین لرننگ ماڈلز نے ایک جیسی مثبت پیشین گوئی قدر ({{0}}.886 بمقابلہ 0.935) اور درستگی (0.831 بمقابلہ 0.879) کا مظاہرہ کیا۔ نتیجہ خلاصہ میں، مشین لرننگ الگورتھم ایک امید افزا غیر حملہ آور تشخیصی ٹول ہیں۔گردے کے فبروسس کی مقدار درست کریں۔سی ٹی اسکین سے۔ پیشن گوئی کے ان ٹولز کی طبی افادیت، رینل بایپسی سے بچنے اور شدید فبروسس کے مریضوں میں خون بہنے کے خطرات سے بچنے کے معاملے میں، ممکنہ کلینیکل ٹرائلز میں توثیق کی جانی باقی ہے۔
گردے کے مریضوں کے لیے CISTANCHE کو کام کرنے میں کتنا وقت لگتا ہے؟
تعارف
الٹراساؤنڈ گائیڈڈ پرکیوٹینیئس کڈنی بایپسی نگہداشت کا معیار بنی رہتی ہے جب پروٹینوریا، مائکروسکوپک ہیماتوریا، ٹرانسپلانٹ مسترد ہونے، یا گردے کے غیر واضح فعل (1,2) کے انتظام کی رہنمائی کے لیے ہسٹولوجک تشخیص کی ضرورت ہوتی ہے۔ گردے کی بایپسی (3) کے وقت کڈنی فبروسس یا CKD کی شدت کی ڈگری اکثر نامعلوم ہوتی ہے۔ گردے کی بایپسی جو شدید (.50%) فبروسس کو ظاہر کرتی ہے بیماری کی تشخیص کو واضح کر سکتی ہے لیکن اس سے طبی انتظام میں تبدیلی کا امکان نہیں ہے اور مریضوں کو طریقہ کار سے متعلق خون بہنے کے خطرے میں ڈالتا ہے (4)۔ بایپسی کے بعد کی پیچیدگیاں عارضی ہیماتوریا سے لے کر جان لیوا نکسیر تک ہوتی ہیں اور خطرے کے عوامل سے تعلق رکھتی ہیں جن میں بلڈ پریشر میں اضافہ، عمر بڑھنے، خون کی کمی، پلیٹلیٹ کی کم تعداد، گردے کے افعال میں کمی، اور ہیموستاسس کی اسامانیتا (5) شامل ہیں۔ 118،064 الٹراساؤنڈ گائیڈڈ کڈنی بایپسیوں کے حالیہ میٹا تجزیہ نے خون کی منتقلی، انجیوگرافک مداخلت، اور موت کے واقعات کی شرح بالترتیب 2%، 0.3%، اور 0.06% بتائی ہے (6)۔
گردے کی بایپسی کے خطرات اور فوائد پر غور کرتے وقت CKD کی شدت کا اندازہ لگانا بہت ضروری ہے، لیکن فبروسس کی ڈگری کا اندازہ کرنے کے لیے غیر ناگوار ٹولز غیر ترقی یافتہ ہیں (7)۔ وہ مطالعات جنہوں نے الٹراساؤنڈ تکنیکوں کو دریافت کیا (بشمول قینچ کی لہر کی رفتار امیجنگ، عارضی ایلسٹوگرافی، ریئل ٹائم ایلسٹوگرافی، ڈوپلر سونوگرافی، اور الٹراساؤنڈ کورٹیومیڈولری اسٹرین) نے گردے کی ہسٹولوجی (3,8,9) پر فائبروسس کی ڈگری کے ساتھ متضاد تعلق کو نوٹ کیا ہے۔ مزید برآں، یہ طریقے بیرونی عوامل جیسے کہ بلڈ پریشر، گردے کا وزن، جسمانی وزن، اور لاگو ٹرانسڈیوسر فورس پر مضبوطی سے انحصار کرتے ہیں، جس میں اعلی انٹرا اور انٹر آبزرور تغیرات (3) کا ذکر نہیں کیا جاتا ہے۔ ایک حالیہ رپورٹ کے درمیان گہرا تعلق پایا گیا۔تخمینہ شدہ کڈنی فنکشن (eGFR) کے ساتھ الٹراساؤنڈ سے طے شدہ گردے کا سائز لیکن اندازہ نہیں کیا گیاگردہفائبروسس(10)۔ کرپلانی وغیرہ۔ نے اطلاع دی ہے کہ مقناطیسی گونج امیجنگ ایلسٹوگرافی کڈنی فبروسس (11) کے ساتھ سختی کے اسکور کو منسلک کرنے کے لحاظ سے امید افزا تھی، لیکن پیشین گوئی کی درستگی کو بہتر بنانے کے لیے مشین لرننگ ٹولز کو تلاش نہیں کیا۔
کمپیوٹیڈ ٹوموگرافی (CT) مریض کو کم سے کم تابکاری کی نمائش کے ساتھ گردوں کے ٹشو کی ہائی ریزولوشن امیجنگ کی اجازت دیتی ہے (7)۔ مجموعہ میں مشین لرننگ ٹیکنالوجیCT امیجنگ کے ساتھ tion غیر کے لئے ایک امید افزا راستہ ہے۔گردے کی ناگوار تشخیصfiبروسس، کرنٹ کی بجائےنگہداشت کا ہسٹولوجک معیار۔ گہری تعلیمنیورل نیٹ ورک (CNN) مشین لرن کی ایک نئی شکل ہے۔ing، جو اس سے متعلقہ نمونوں کو الگ کر سکتا ہے۔ٹولوجی، امیجنگ، یا بیماری کے لیے مفید دیگر طبی ڈیٹا
خصوصیت (12,13)۔ تشخیص کے لیے CNN ٹیکنالوجی کو مختلف ترتیبات میں دریافت کیا گیا ہے، جس میں انٹراکرینیل ہیمرج اور کینسر سے لے کر نمونیا اوراپینڈیسائٹس (14-17)۔
آرٹیفیشل انٹیلی جنس ان رینل اسکارنگ (AIRS) کے مطالعہ کا مقصد گردوں کے فبروسس کی مقدار درست کرنے کے لیے CNN ٹولز تیار کرنا ہے تاکہ گردوں کی بایپسی کے لیے کمپیوٹر کی مدد سے تشخیصی متبادل ہو۔ دو CNN الگورتھم (سلائس لیول اور ووکسیل لیول کلاسیفائر) کو مقامی اور ٹرانسپلانٹ گردے کی CT امیجنگ کا تجزیہ کرنے کے لیے تربیت دی گئی تاکہ فبروسس کی ڈگری کی درجہ بندی کی جا سکے، اسی مریضوں میں گردے کے بایپسی سے زمینی سچائی کے فبروسس اسکور کی بنیاد پر۔ اس پائلٹ تجزیے میں، ہم نے ہلکے/اعتدال پسند بمقابلہ شدید (50% بمقابلہ $50%) فبروسس کو طبی لحاظ سے متعلقہ ڈیکوٹومی کے طور پر بیان کرنے پر توجہ مرکوز کی جو اپنے مریض کے گردے کی بایپسی پر غور کرنے والے نیفرولوجسٹ کے لیے مفید ہو سکتی ہے۔ ہم یہ ظاہر کرتے ہیں کہ CNN الگورتھم اعلی درجے کی درستگی کے ساتھ ہلکے/اعتدال پسند گردے کے فبروسس سے شدید فرق کر سکتے ہیں۔
مواد اور طریقے
مریضوں کا ڈیٹا بیس یہ 2014 اور 2019 کے درمیان یونیورسٹی آف کیلیفورنیا ارون میڈیکل سینٹر میں کی گئی گردے کی بایپسیوں کا ایک سابقہ تجزیہ تھا۔ ہم نے گردے کی بایپسی کے 6 ماہ کے اندر مکمل ہونے والے $1 پیٹ کے سی ٹی اسکین والے مریضوں کی شناخت کی۔ میڈیکل ریکارڈ کے نظام کی ابتدائی اسکریننگ کے بعد، 42 مریضوں کو جن کی امیجنگ کروائی گئی انہیں درج ذیل وجوہات کی بناء پر خارج کر دیا گیا: CT اسکین شمولیت کی مدت سے باہر کیا گیا (بایپسی کی تاریخ سے 6 ماہ، n53)؛ پیٹ کی مقناطیسی گونج امیجنگ لیکن سسٹم میں کوئی CT نہیں ملا (n56)؛ مریضوں نے نادانستہ طور پر تشریح کے عمل کو چھوڑ دیا (n52)؛ مقامی گردے ایسے مریض میں تقسیم نہیں کیے گئے جس کا ٹرانسپلانٹ ہوا ہو (n51)؛ ہارڈ ویئر آرٹفیکٹ کے ساتھ کم معیار کا اسکین (n51)؛ اور باہر کی امیجنگ اسٹڈیز جو طویل مدتی امیجنگ آرکائیوز (n529) میں محفوظ نہیں تھیں۔ 92 مریضوں کے بقیہ 152 سی ٹی اسکین ڈاؤن لوڈ کیے گئے اور مزید تجزیہ کے لیے محوری نرم بافتوں کی دوبارہ تشکیل شدہ حجم کو نکالا گیا۔ سی ٹی اسکین کی اکثریت (79%) بغیر نس کے برعکس کئے گئے تھے۔ 129 اسکین فلپس اسکینر پر، 22 سیمنز اسکینر پر اور ایک جی ای میڈیکل سسٹم اسکینر پر کئے گئے۔
ایک پیتھالوجسٹ (JEZ) نے مریضوں کے بے ترتیب انتخاب کا جائزہ لیا تاکہ اس بات کی تصدیق کی جا سکے کہ گردے کی بایپسی رپورٹس میں فائبروسس کی ڈگری کو درست طریقے سے دستاویز کیا گیا تھا۔ متضاد مریضوں میں، ایک دوسرے پیتھالوجسٹ نے زمینی سچائی کا تعین کرنے کے لیے سلائیڈوں کا جائزہ لیا (اعترافات دیکھیں)۔ بایپسی رپورٹس سے گردے کے فبروسس کی زمینی سچائی کی ڈگری کو بائنری نتیجہ سمجھا جاتا تھا: ہلکا/اعتدال پسند بمقابلہ شدید (انٹرسٹیشل فبروسس اور ٹیوبلر ایٹروفی، 50% بمقابلہ $50%)۔ جن مریضوں کو ٹرانسپلانٹ کیا گیا تھا ان کے سی ٹی اسکین میں مقامی گردے خود بخود شدید فبروسس کے طور پر اسکور کیے گئے تھے۔ ڈیموگرافکس اور کاموربڈ حالات کو REDCap ڈیٹا بیس میں مرتب کیا گیا تھا، اور CT امیجز تک رسائی حاصل کی گئی تھی جیسا کہ ذیل میں بیان کیا گیا ہے۔ تمام تحقیقی طریقہ کار کو یونیورسٹی آف کیلیفورنیا ارون انسٹیٹیوشنل ریویو بورڈ نے منظور کیا تھا۔
تشریح
سی ٹی اسکینز کو ہمارے ہسپتال کے پکچر آرکائیونگ اور کمیونیکیشن سسٹم سے اندرون خانہ محفوظ ڈیٹا بیس میں منتقل کر دیا گیا تھا۔ ایک حسب ضرورت ملکیتی ویب پر مبنی تشریحی ٹول کا استعمال زمینی سچائی کے تین جہتی بائنری ماسک بنانے کے لیے کیا گیا تھا جو مقامی دائیں اور بائیں گردے، اور کسی بھی رینل ٹرانسپلانٹس، اگر موجود ہو تو۔ تشریحی ٹول کو بغیر کسی حد کے یا اعلی درجے کی کونٹورنگ فعالیت کے ایک سادہ برش یوٹیلیٹی کے طور پر لاگو کیا گیا تھا۔ دو طالب علم محققین (HRT، KAPR) نے مرکزی تشریح کاروں کے طور پر کام کیا، اور ایک سینئر ریڈیولوجسٹ (PDC) نے بعد میں ہر مریض اور جہاں ضرورت پڑی دلچسپی کی تشریحات کے بہتر علاقے کا جائزہ لیا۔
امیج پری پروسیسنگ
تشریح شدہ کڈنی والیوم ماسکس کو بطور ٹیمپلیٹ استعمال کرتے ہوئے، ہر گردے کو تراش کر ایک آئیسوٹروپک 96 3 96396 ووکسیل والیوم میں دوبارہ نمونہ بنایا گیا۔ یہ ری سیمپلنگ اوپیرااس بات کو یقینی بنانے کے لیے ضروری تھا کہ تمام ماڈل ان پٹ ایک ہی میٹرکس سائز کے ہوں اور گرافکس پروسیسنگ یونٹ میموری کی حدود کو ایڈجسٹ کریں۔ دی گئی جلدیں تھیں۔سب سے پہلے دائیں اور بائیں گردے میں کاٹا گیا، اور یہ کہ گردے اصل سی ٹی والیوم کا صرف ایک چھوٹا سا حصہ بناتے ہیں، حتمی دوبارہ نمونے والے ووکسیل سائز ریز میں ایک جیسے تھے۔اصل ڈیٹا کا حل۔ ہر کٹے ہوئے حجم کو پھر تمام ووکسیل ویلیو کو 2150 سے 250 Hounsfield یونٹس کی رینج میں کلپ کرکے اور 1:50 کے فیکٹر سے اسکیل کرکے نارمل کیا گیا۔ کوئی بھیاس ڈیٹا سیٹ میں واحد امتحان میں الگورتھم کی تربیت کے لیے استعمال ہونے والے تین انفرادی کراپ شدہ گردے شامل ہو سکتے ہیں: (مقامی) بائیں، (مقامی) دائیں، اور ٹرانسپلانٹ۔ کسی بھی انفرادی بچے کے لیےney، تربیت کے لیے کل 96 دو جہتی (2D) تصاویر (سائز 96396) استعمال کی گئیں۔
سی این این اپروچ
دو مختلف کسٹم 2D CNN نیٹ ورکس کا تجربہ کیا گیا اور ان کا موازنہ کیا گیا، تاکہ شدید کو ہلکے/اعتدال پسند گردے کے فبروسس سے ممتاز کیا جا سکے۔ پہلا الگورتھم ایک معیاری عالمی ہے۔سلائس بہ سلائس CNN درجہ بندی، ہر 2D امیج کے لیے تین باہمی خصوصی زمروں میں سے ایک کی پیشین گوئی کرنے کے لیے ڈیزائن کیا گیا ہے: غیر گردہ، ہلکا/اعتدال پسند فائبروسس، اور شدید فبروسس۔ دیدوسرا الگورتھم ایک پکسل لیول کا CNN درجہ بندی ہے جو بیک وقت تقسیم اور درجہ بندی کو انجام دینے کے لیے مکمل طور پر convolutional U-Net فن تعمیر کے ذریعے لاگو کیا جاتا ہے۔ میں
دونوں ماڈلز، حتمی درجہ بندی گردے کے بغیر سلائسس یا ووکسلز کو نظر انداز کرتی ہے، اور اکثریتی اصول کو بقیہ پیشین گوئیوں پر اکٹھا کیا جاتا ہے۔ دونوں الگورتھم لاگو ہوتے ہیں۔2017 (18) میں امیج نیٹ لارج اسکیل ویژول ریکگنیشن چیلنج کا اعلیٰ کارکردگی کا مظاہرہ کرنے والا جدید ترین سکوز اور ایکسائٹیشن نیٹ ورک فن تعمیر کا استعمال۔نچوڑ اور حوصلہ افزائی نیٹ ورک اپروچ نیٹ ورکس کو قابل بناتا ہے کہ وہ سیکھنے کے ذریعے مختلف ماڈل ان پٹس کی بنیاد پر چینل کے حساب سے خصوصیت کے جوابات کی اصلاح کر سکیں۔
چینلز کے درمیان باہمی انحصار (شکل 1)۔
تصویر 1.|گردے کے اندر مشتبہ "شدید" فائبروسس کے علاقوں کی نشاندہی کرنے والے گہرے سیکھنے کے الگورتھم کے ذریعہ تیار کردہ پیشین گوئی ہیٹ میپس۔ بائیں سے دائیں، گردے نارمل سے لے کر شدید فائبروسس تک کے تخمینے والے فبروٹک پیرانچیما کی ترقی پسند ڈگری کے ساتھ دکھائے جاتے ہیں۔ پورے گردے کے لیے حتمی مطلب softmax نارملائزڈ پیشین گوئیاں نیچے کی قطار میں دکھائی گئی ہیں، جن میں 0 0 سے لے کر 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8؛ اور 0.8–1.0۔
عالمی سلائس بہ سلائس درجہ بندی
عالمی CNN درجہ بندی ایک اپنی مرضی کے مطابق VGG سے ماخوذ فن تعمیر ہے جسے ہر پرت پر نچوڑ کر حوصلہ افزائی کے ماڈیولز کے ساتھ لاگو کیا جاتا ہے۔ ماڈل ان پٹ ایک واحد 2D (96396) سلائس ہے۔اور ماڈل آؤٹ پٹ ایک تین عنصری لاگٹ ویکٹر ہے جو تین درجے کی پیشین گوئی کی نمائندگی کرتا ہے۔ سی این این چار کنوولیشنل بلاکس پر مشتمل ہے، جہاں ہر بلاک کو 333 کے طور پر بیان کیا گیا ہے۔convolution، بیچ نارملائزیشن، اور ReLU مجموعی طور پر تین بار دہرایا گیا۔ سب سیمپلنگ ہر بلاک کے آخر میں دو قدموں کے ساتھ کنوولوشن کے ذریعے کی جاتی ہے۔ کے بعد
چار کنوولیشنل بلاکس (12 پرتیں)، فائنل فیچر کا نقشہ چپٹا اور ایک مکمل طور پر منسلک پرت میں بطور ان پٹ استعمال ہوتا ہے۔
ووکسیل لیول کا درجہ بندی کرنے والا
ووکسیل سطح کا CNN درجہ بندی ایک حسب ضرورت U-Netderived فن تعمیر ہے جسے ہر پرت (19) پر نچوڑ کر حوصلہ افزائی کے ماڈیولز کے ساتھ لاگو کیا جاتا ہے۔ ماڈل ان پٹ ایک سنگل 2D (96396) سلائس ہے اور ماڈل آؤٹ پٹ ایک سنگل 2D (96396) سیگمنٹیشن ماسک ہے جس میں ہر ووکسیل مقام پر تین درجے کی پیشن گوئی ہے۔ CNN چار کنٹریکٹنگ کنوولیشنل بلاکس پر مشتمل ہے، جہاں ہر بلاک کو 333 کنوولوشن، بیچ نارملائزیشن، اور Leaky ReLU کو کل تین بار دہرایا گیا ہے۔ سب سیمپلنگ ہر بلاک کے آخر میں دو قدموں کے ساتھ کنوولوشن کے ذریعے کی جاتی ہے۔ چار convolutional بلاکس (12 تہوں) کے بعد، آپریشنز کو ایک جیسی نیٹ ورک آرکیٹیکچر کے ذریعے الٹ دیا جاتا ہے، جس میں سٹرڈن کنوولوشنز (ذیلینمونے لینے) کنوولوشنل ٹرانسپوز (اپ سیمپلنگ) کے ساتھ۔
نیورل نیٹ ورک کا نفاذ
دونوں ماڈلز کو بہتر بنانے کے لیے ایک softmax crossentropy loss function استعمال کیا جاتا ہے۔ اصلاح کو ایڈم تکنیک (20) کا استعمال کرتے ہوئے کفایتی کشی کی شرح، b1، اور b2، سیٹ کے ساتھ انجام دیا گیا تھا۔بالترتیب {{0}}.9 اور 0.999 تک۔ سیکھنے کی شرح 131023 پر سیٹ کی گئی ہے۔ بیچ کا سائز آٹھ پر سیٹ کیا گیا ہے، جس میں کل 25،000 تربیتی تکرار ہیں۔ Xavier نارملائزیشن کو شروع کرنے کے لیے استعمال کیا جاتا ہے۔تربیت سے پہلے وزن (21) الگورتھم کوڈ Python 3.6، TensorFlow 2.1۔{5}} لائبریری، اور Keras 1۔{7}}.8 لائبریری میں لکھا گیا تھا۔ نیٹ ورک ہمارے اندرون خانہ گرافکس پروسیسنگ یونٹ کلسٹر پر تربیت یافتہ ہے، جس میں 48 Nvidia GeForce RTX 2080 Ti اور 12 GeForce RTX Titans ہیں۔ اوسطاً، عالمی درجہ بندی کرنے والے نے فی تجربہ 30 منٹ تک تربیت دی، جبکہ ووکسیل پر مبنی درجہ بندی کرنے والے نے فی تجربہ 2–4 گھنٹے تک تربیت دی۔
تشخیص
تربیتی عمل کا جائزہ لینے کے لیے پانچ گنا کراس توثیق کی حکمت عملی استعمال کی گئی۔ اگرچہ اس دوران ہر مریض کے تین مختلف گردوں کا انفرادی طور پر علاج کیا گیا۔تربیتی عمل، ڈیٹا کے رساو کو روکنے کے لیے ایک ہی مریض کی تمام جلدوں کو ایک ہی کراس توثیق گروپ میں تقسیم کیا جاتا ہے۔ ڈیٹاسیٹ کو 80:20 پر تقسیم کیا گیا اور پھر اس پر تربیت دی گئی۔80%، جبکہ دیگر 20% کو توثیق کے لیے استعمال کیا گیا۔ ٹریننگ کو مجموعی طور پر پانچ بار مختلف 80:20 تقسیم کے ساتھ دہرایا گیا جب تک کہ پورے ڈیٹاسیٹ کی مکمل توثیق نہ ہو جائے۔
پورے ڈیٹا کوہورٹ پر تجربات کے علاوہ، ممکنہ الجھنے والے متغیرات کا جائزہ لینے کے لیے اضافی ذیلی تجزیے کیے گئے۔ اسٹریٹیفکیشن لاگو کیا گیا تھاٹرانسپلانٹ حاصل کرنے والے مریضوں میں انٹرا وینس کنٹراسٹ اسٹیٹس اور ایٹروفک دیسی گردوں کے اخراج پر مبنی۔ مزید برآں، ماڈل کی عمومی قابلیت کا اندازہ کرنے کے لیے، موڈels خصوصی طور پر Philips اور GE سکینرز سے تربیت یافتہ تھے ان کی توثیق خصوصی طور پر سیمنز سکینرز کے ڈیٹا کے ساتھ کی گئی تھی۔
شماریات
ہمارے مطالعے کا مقصد گردے کی سی ٹی امیجنگ پر شدید فبروسس سے ہلکے/اعتدال پسند فائبروسس کے درمیان فرق کرنا تھا۔ اکثریت کا اصول دونوں طریقوں میں استعمال کیا گیا تھا (عالمی سلائس بہ ٹکڑااور ووکسیل پر مبنی) کی شدت کا تعین کرنے کے لیےfiبروسسدونوں طریقوں کے درمیان کارکردگی کا جائزہ لینے کے لیے،درستگی، حساسیت، خاصیتfiشہر، مثبت پیشن گوئی قدر(PPV)، اور منفی پیشن گوئی قدر (NPV) کیلکو تھے۔دیر سے اور موازنہ. ریسیور کے تحت کام کرنے والا علاقہمنحنی خطوط (AUC) کا حساب بھی softmax کو مختلف کرکے کیا گیا تھا۔کے لئے اسکور کی حدfiبروسس کلاسیfiکیشن اور نتیجہموازنہ کرنے کے لیے دونوں طریقوں کے لیے تیار کردہ ing وکر۔ تفصیلاوسط اعداد و شمار کو اوسط کے طور پر رپورٹ کیا جاتا ہے6ایس ڈی
