通过牙科全景X光片自动估计年龄和性别

《International Dental Journal》：Automated Age and Sex Estimation From Dental Panoramic Radiographs

法医牙科AI模型开发基于EfficientNetB0架构，通过迁移学习与微调两阶段训练，实现7-23岁泰国青少年年龄（MAE=0.62，RMSE=1.67）与性别（AUC=0.94）联合估计。结果显示7-14岁组年龄估计准确率达90.3%，而15-23岁组准确率降至63.8%；性别识别在15-23岁组AUC达0.99。模型推理速度<1秒/张，可辅助临床快速鉴别活体与尸体的年龄性别特征。

　　本研究由来自泰国玛希隆大学牙科学院的多位学者共同完成，旨在利用人工智能技术开发一种基于全景牙科X光片的年龄和性别估计模型。随着人工智能在医学领域的广泛应用，其在法医牙科学中的应用也逐渐受到关注。传统的年龄和性别估计方法通常依赖复杂的形态学分析和人为判断，不仅耗时费力，还容易受到主观因素的影响。因此，研究者希望通过深度学习技术，构建一个更加高效、准确的模型，以辅助法医鉴定工作，尤其是在无法通过身份文件确认个体信息的情况下。

在法医鉴定中，牙齿和颌骨因其较强的耐久性以及较少受到营养和环境因素的影响，成为估计个体年龄和性别的重要依据。尤其是在儿童和青少年群体中，牙齿的发育阶段、乳牙和恒牙的替换情况，都是重要的年龄评估指标。然而，随着个体年龄的增长，牙齿的发育趋于稳定，恒牙根部通常在14岁左右完全形成，因此在15至23岁年龄段，传统的年龄评估方法面临较大挑战。此外，性别估计也依赖于颌骨形态的差异，如下颌角、下颌体等结构的大小和形状，这些特征在不同性别间存在显著差异，但其在青春期前后的变化较为复杂，难以通过单一指标进行准确判断。

本研究的数据来源为玛希隆大学口腔颌面放射科的临床数据库，涵盖了2012年至2022年间接受全景X光检查的泰国个体，年龄范围为7至23岁。研究团队筛选出符合标准的2491张全景X光片，共计4627张图像用于模型训练和测试。图像预处理阶段，研究者对每张全景X光片进行了标准化处理，包括裁剪、翻转和尺寸调整等步骤，以确保数据的一致性和有效性。裁剪操作聚焦于图像的中央区域，去除可能影响模型训练的侧边干扰因素，同时通过镜像翻转统一图像方向，便于模型学习和分析。

模型的构建基于深度学习技术，采用EfficientNetB0作为基础架构。该模型在图像识别任务中表现出较高的准确性和效率，相较于其他传统神经网络结构，如ResNet和VGG系列，其参数量更少，计算需求更低，能够在保持预测性能的同时实现更快速的部署。研究团队采用监督式多任务学习策略，使模型能够同时完成年龄预测和性别分类两项任务。为了提高模型的泛化能力，研究者首先训练了一个覆盖整个7至23岁人群的基线模型，随后进一步开发了两个针对不同年龄段的子模型，分别适用于7至14岁和15至23岁人群。这种分层建模策略有助于提升模型在特定年龄段内的预测精度。

模型的训练过程分为两个阶段：迁移学习和微调。在迁移学习阶段，研究者冻结了EfficientNetB0的卷积层，仅训练新增的输出层，以适应年龄预测和性别分类的任务。该阶段使用加权复合损失函数，其中年龄预测的损失占比为75%，性别分类的损失占比为25%。随后，在微调阶段，研究者逐步解冻网络的更多层，并采用较低的学习率进行进一步训练，以优化模型对特定数据集的适应能力。通过这样的分阶段训练策略，模型能够在不同年龄段的数据中实现更精准的预测。

模型的评估结果表明，在7至23岁整个年龄段内，年龄预测的均方根误差（RMSE）为1.67年，平均绝对误差（MAE）为1.15年，预测个体牙龄与实际年龄相差1年以内的准确率为71.0%。然而，对于15至23岁年龄段的个体，模型的预测性能明显下降，RMSE达到1.87年，MAE为1.41年，准确率仅为63.8%。这表明，在青少年后期，由于牙齿发育趋于稳定，模型在年龄预测上的表现受到一定限制。相比之下，性别预测模型在整体人群中的表现更为优异，AUC值为0.94，准确率为87.8%，敏感度为89%，特异度为87%。而在15至23岁年龄段，性别预测的准确率进一步提升至94.7%，AUC值达到0.99，敏感度和特异度分别提高至92%和98%。这一结果可能与青少年后期性别的生理特征趋于明显有关，如下颌形态的性别差异更加显著。

研究者指出，传统的年龄和性别估计方法依赖于专家的视觉判断，而这种判断容易受到主观因素和个体差异的影响。相比之下，人工智能模型能够自动提取和分析图像中的关键特征，从而减少人为误差，提高预测的客观性和一致性。此外，模型在推理阶段表现出极高的效率，能够在标准临床设备上以每张图像不到1秒的速度完成预测任务，为大规模人群的快速评估提供了可能。这一特性使得该模型在实际临床应用中具有较强的实用性，尤其是在需要快速处理大量影像数据的场景下。

尽管本研究的模型在年龄和性别预测方面表现出良好的性能，但其应用范围仍存在一定的局限性。首先，模型的训练数据仅来自泰国健康人群，因此其在其他民族或存在牙科异常的个体中的适用性尚未得到验证。其次，图像预处理过程中采用的裁剪策略虽然有助于提高模型的聚焦能力，但也增加了实际应用中的复杂性。若能开发出能够直接处理完整全景图像的模型，将有助于简化临床操作流程。此外，研究团队建议未来应扩展模型的应用范围，涵盖更广泛的年龄区间和不同的牙科状况，以提升其在实际法医鉴定中的通用性和可靠性。

研究还提到，人工智能在医学影像分析中的潜力不仅体现在提高预测精度上，还在于其对复杂数据模式的识别能力。通过深度学习技术，模型能够自动发现牙齿和颌骨形态中与年龄和性别相关的潜在特征，这些特征可能在传统方法中被忽视或难以量化。例如，某些牙齿的形态变化、根部发育的细微差异，或是颌骨整体的结构比例，都可能成为模型判断的重要依据。这种自动化的特征提取过程，有助于减少人为判断的偏差，提高法医鉴定的科学性和准确性。

本研究的结论表明，基于人工智能的年龄和性别估计模型在法医牙科学中具有重要的应用前景。该模型不仅能够提高预测的效率和准确性，还为法医鉴定提供了一种新的工具。然而，研究者也强调，模型的进一步优化和推广仍需克服多个挑战。例如，如何提高模型在不同种族和年龄群体中的适用性，如何处理存在牙科异常的个体数据，以及如何在实际临床环境中实现模型的快速部署和应用。此外，研究团队建议未来可以结合更先进的分析技术，如热图分析，以深入了解模型的预测机制，从而为后续的模型改进提供理论支持。

综上所述，本研究通过构建一个基于深度学习的年龄和性别估计模型，为法医牙科学提供了一种新的解决方案。该模型在7至14岁年龄段内表现尤为出色，而在15至23岁年龄段内的预测性能则有所下降。性别预测方面，模型在整体人群和青少年后期均表现出较高的准确率。尽管模型在实际应用中仍面临一些挑战，但其在提高预测效率和减少人为误差方面的优势，使其成为传统方法的有效补充。未来的研究应进一步探索模型的泛化能力，并结合更多临床数据进行验证，以确保其在不同人群和应用场景中的适用性。