综述：牙齿讲述的故事：从传统方法到人工智能驱动的牙龄评估方法叙事性综述

这篇综述系统回顾了牙龄评估方法从传统技术到人工智能(AI)驱动的演进历程。传统方法如Demirjian分期和Cameriere的第三磨牙成熟指数(I3M)依赖人工测量，而深度学习(DL)技术如卷积神经网络(CNN)通过分析全景X光片(OPG)实现了99.8%的年龄预测准确度，MAE（平均绝对误差）低至±6个月。文章强调AI在法医牙科学中克服主观偏差、提升效率的潜力，同时指出数据质量和个体差异仍是关键挑战。

　　

背景

牙龄评估在法医学鉴定、正畸规划和临床治疗中具有关键价值。与不可变的时序年龄不同，牙龄通过牙齿发育阶段反映个体生长特征，尤其适用于16-18岁前的年龄鉴定。牙齿因其高耐久性和发育规律性成为理想生物标志物，而全球移民激增（2020年达2.81亿）进一步凸显了无证件人群年龄鉴定的迫切需求。

传统牙龄评估方法

放射学技术因其非侵入性和可重复性被广泛应用。Demirjian法将7颗左下恒牙的钙化程度分为A-H八级，Willems改良版则直接转换为年龄评分。Cameriere团队提出的第三磨牙成熟指数(I_3M)通过测量根尖开放度判定是否成年，当I_3M<0.08时判定为成年的特异性达98%。而Kvaal法则利用牙髓腔缩小的特性，通过计算牙冠指数(TCI=CPCH×100/CL)估算20-87岁人群年龄。

AI驱动的技术革新

深度学习模型通过五折交叉验证(5-fold CV)显著提升精度：

1. 1.

   架构创新：混合HCNN-KNN模型结合主成分分析(PCA)，在224×224像素的OPG图像中提取边缘特征，经卷积层(Conv1)和最大池化降维后，通过K近邻算法实现99.8%准确率。

2. 2.

   性能对比：神经网络对14/16/18岁阈值的判断准确率(95.9%/95.4%/92.3%)远超线性回归模型(92.5%/91.3%/91.8%)，MAE最低达0.5年。

3. 3.

   数据增强：生成对抗网络(GANs)合成高质量牙科影像，解决样本不足问题；迁移学习则利用预训练模型加速开发流程。

挑战与展望

当前局限包括：数据集偏差导致模型泛化能力下降，OPG图像质量影响特征提取，第三磨牙发育变异增加误判风险。未来需通过多中心合作构建跨种族数据库，并整合CBCT等三维影像数据。AI与法医牙科学的融合将持续推动非侵入性、高精度年龄鉴定体系的发展，为儿童权益保护和司法公正提供关键技术支撑。