利用Transformer和回归模型增强Demirjian方法，提高对儿童实际年龄的估算精度

《Journal of Imaging Informatics in Medicine》：Improving Chronological Age Estimation in Children Using the Demirjian Method Enhanced with Transformer and Regression Models

两阶段方法利用全景牙片和深度学习提取特征，结合机器学习回归预测儿童年龄，数据集626例（6-13.8岁），ExtraTrees模型表现最佳（女性RMSE 6.98，男性6.55；女性MAE5.18，男性5.01），SHAP分析显示M2和P1对性别均有显著影响。

　　

摘要

本研究提出了一种两阶段方法，利用全景牙科图像和基于深度学习的特征提取技术来估算儿童的实际年龄。数据集包含626张6.0至13.8岁儿童的全景X光片（320名男孩，306名女孩；平均年龄为9.88岁）。两位牙科专家根据Demirjian分期标准对每张X光片中的七颗下颌牙齿进行了标注。在第一阶段，分别针对男孩和女孩训练了三种模型（ResNet-18、EfficientNetV2-M和Swin V2 Base），以提取高维特征表示。图像经过强度量化、直方图均衡化、分割和调整大小等预处理步骤，转换为标准化的224×224像素输入格式。从Swin V2 Base模型的全连接层中，每颗牙齿提取了512个特征，七颗牙齿的特征组合后形成了每个受试者的3584维特征向量。这些特征向量随后被用于回归分析，以预测儿童的实际年龄（精确到天）。在第二阶段，使用提取的特征训练了九种机器学习回归模型（LightGBM、RandomForest、ExtraTrees、GradientBoosting、XGBoost、KNN、SVR、MLP和高斯过程回归）。通过成对t检验分析，发现ExtraTrees模型在统计上最为显著。该模型对女性的年龄预测误差分别为RMSE 6.98个月和MAE 5.18个月，对男性分别为RMSE 6.55个月和MAE 5.01个月。基于SHAP（Shapley Value Explanation）的分析表明，对于女性来说，第二磨牙（M2）和第一前磨牙（P1）是最有影响力的特征；而对于男性，则是第一前磨牙（P1）和第二磨牙（M2）。这一自动化流程提高了年龄预测的准确性，减少了评估者之间的差异，并为临床和法医牙龄估算提供了可靠的工具。未来的研究将探索数据集的扩展、多模态整合以及模型架构的优化。