多视图深度融合技术在断层成像中的法医牙龄估计应用

《International Journal of Legal Medicine》：Multi-view deep fusion for forensic dental age estimation in tomographic imaging

　　摘要
准确的牙齿年龄估计（DAE）在法医鉴定中至关重要，尤其是在涉及法定年龄阈值时。本研究旨在利用已经存在或为合法临床或法医目的而获取的CBCT扫描图像来支持法医决策，而不是仅仅为了年龄估计而提倡使用CBCT。尽管锥形束计算机断层扫描（CBCT）能够提供高分辨率的体积数据，但当前的深度学习方法通常依赖于单平面分析，忽略了牙髓腔的各向异性变化。我们提出了一种多模态深度融合方法，该方法将正交的锥形束计算机断层扫描（CBCT）视图（冠状和矢状）与临床元数据相结合，以支持法医年龄评估。我们的双流架构基于EfficientNet-V2，从上颌中央切牙中提取视觉特征，并将其与生物性别和自动化的牙髓与牙齿比率（PTR）指数融合。在IPCTI数据集上的评估表明，该框架具有专门的性能特点：虽然单视图模型实现了较高的整体稳定性（MAE为5.49年），但提出的多视图融合方法为年轻成人群体（18-32岁）建立了新的最佳实践，将最年轻群体的MAE降低了多达31.3%。Grad-CAM可解释性验证确认该网络针对的是生物学上相关的标志物，特别是牙髓腔和颈根管。这种方法通过提供一个可复制的研发原型和基于CBCT的法医医学年龄估计的基准证据，推动了自动化DAE的发展。

引言
法医牙齿年龄估计（DAE）是人类识别中的基础任务，支持灾难受害者识别、失踪人员调查以及在缺乏或存在争议的文档记录时的法医决策[1,2,3]。在成年人中，牙齿特别具有信息价值，因为与年龄相关的生理变化，尤其是次级牙本质的沉积，逐渐减少了牙髓空间，形成了可测量的解剖学特征[2, 4]。锥形束计算机断层扫描（CBCT）在牙科护理中的使用日益增加，也扩展了三维断层成像的可用性，使得能够定量评估标准X光片无法实现的内部牙齿结构[5]。因此，基于CBCT的DAE已成为一个重要的方向，特别是当CBCT数据已经从合法的临床或法医成像中获取时，它有可能提供比传统方法更客观和可复制的评估[3, 6]。本研究针对的是从现有或新获取的CBCT数据中进行法医牙齿年龄估计，这些数据是出于合法的临床或法医原因。我们不建议将CBCT作为年龄评估的筛查工具。该方法适用于两种常见情况：当年龄存在争议且CBCT已经从牙科护理或临床指示的成像中获取时，用于活人的年龄估计；以及当断层成像是死后鉴定工作流程的一部分时，用于未知死者的年龄估计。这些情况在辐射保护要求上有所不同，但它们共享我们模型所使用的相同解剖学基础，即次级牙本质相关的牙髓空间减少。

除了牙科领域，医学图像分析的更广泛领域也因深度学习（DL）的快速发展而发生了变革。卷积神经网络（CNN）和基于变压器的架构在肿瘤学、放射学和心脏病学等复杂诊断任务中取得了最佳性能，通常与人类水平的模式识别能力相当或超越。最近的进展朝着多视图和多模态融合策略发展，模型同时处理体积数据和临床元数据以提高诊断敏感性[7,8,9,10]。这些一般的医学进步为法医牙科学提供了坚实的技术基础，表明专门的神经架构可以有效模拟高精度年龄估计所需的微妙和非线性形态变化。

尽管当前的基于CBCT的成人DAE方法具有潜力，但它们的报告准确性与法医环境中所需的证据可靠性之间存在差异。许多方法从单个平面或牙齿的有限表示中提取数据，尽管与年龄相关的变化在正交视图中表现不同[2, 11]。当解剖学变异性、切片选择或图像伪影在单个视图中掩盖了关键区域时，这可能导致不可靠的预测。文献通常分为两大不相交的类别：（i）专注于牙髓相关指标的几何方法，如牙髓与牙齿比率（PTR），这些指标在生物学上有意义，但对测量噪声敏感且表示能力有限；（ii）端到端的DL回归器，它们可以捕捉复杂模式，但经常缺乏与既定法医指标的可解释性联系，并且可能在不同年龄群体中的泛化能力不一致[3, 5, 12]。此外，直接进展难以量化，因为研究通常采用不同的验证协议，而且在使用相同基准数据集进行重复交叉验证时，性能可能会有显著差异。总体而言，这些限制在开发一种有效利用互补的多平面证据、基于可解释的生物学标志物的基于CBCT的成人DAE方法方面仍然是一个持续的挑战，并且需要在便于公平和直接比较的协议下进行验证。为了解决这个问题，我们开发并验证了一种多视图深度融合方法，用于法医DAE，该方法将冠状和矢状CBCT切片与临床元数据（性别和自动化的PTR）相结合，以提高整个成人生命周期的估计准确性。我们的方法明确地将深度视觉特征与临床元数据（包括生物性别和PTR）相结合，确保模型基于公认的次级牙本质沉积的生物学模式。此外，我们提出的多视图融合方法减轻了特别是在较年长群体中显著的误差峰值，因为在这些群体中牙髓变窄较为微妙。尽管我们的方法使用了现代深度学习组件，但手稿的撰写考虑到了法医读者的需求。因此，我们专注于基于CBCT的DAE的实际解释，包括与法律阈值相关的群体特定误差行为和可靠性诊断，并且仅保留了必要的技术细节以确保可复制性。

主要贡献包括：
- 一种用于年轻成人高精度年龄估计的双流深度融合架构。
- 实现了一个自动化流程，从专家验证的分割掩膜中提取PTR，以指导学习过程。
- 使用重复的5折交叉验证协议在切牙牙髓腔断层图像（IPCTI）数据集上建立了性能基准，以确保统计稳健性。
- 比较分析表明，虽然多视图同步对于复杂的牙髓几何结构至关重要，但单视图架构作为整个成人生命周期的通用方法仍然更具韧性。
- 使用视觉显著性图进行可解释性审计，以确认模型的预测基于相关的法医牙齿结构。

本研究是对公共数据集的可行性和基准测试调查；所提出的模型不适用于直接法医部署，在实际使用前需要进一步的外部验证。

本文的其余部分组织如下：“相关工作”部分回顾了相关文献，“材料与方法”部分描述了材料和方法，“结果”部分展示了实验结果，“讨论”部分讨论了发现，“结论”部分总结了论文并概述了未来的工作方向。

相关工作
基于CBCT的DAE的最新进展通常遵循两条路径：基于分割的体积分析和基于特征的机器学习[2,3,4]。Du等人[13]利用基于深度学习的3D分割来量化牙髓腔体积，应用对数回归来模拟不同人群的年龄，实现了8.43年的群体内平均绝对误差（MAE）。类似地，[14]针对多根第一磨牙，使用U-Net从矢状切片重建3D牙髓腔。他们的体积生物标志物方法获得了6.72年的MAE，尽管生物性别仅作为事后协变量而不是集成预测器。

其他方法依赖于手动或自动化的形态测量描述符。Saric等人[15]从颅面和牙槽结构（如牙槽骨水平和上颌窦体积）中提取表格预测因子，通过随机森林回归器获得了6.02年的MAE。Senol等人[16]进一步将可解释性整合到这一过程中，使用SHAP（Shapley Additive Explanations）来分析定量测量对基于SVM的年龄推断和性别分类的影响。

最近的研究转向了端到端的DL。Pishghadam等人[17]提出了一个多任务CNN框架，使用注意力机制从2D切片中联合预测年龄和性别。尽管他们报告了高相关性，但模型依赖于单流2D特征而不是体积或多平面集成。Pacelli等人[18]通过开发一个三阶段流程（基于YOLO的检测、注意力U-Net分割和特征融合）使用IPCTI数据集解决了这个问题。他们的多视图方法专注于上颌中央切牙，通过融合从分割掩膜中提取的形态测量描述符，实现了4.9年的MAE。

尽管做出了这些努力，当前的模型通常将多平面数据视为独立输入，或者严重依赖于中间分割掩膜的精度，而这些掩膜容易产生伪影。此外，生物性别经常被建模为辅助输出任务，而不是回归空间中的基本先验。

表1提供了所提出方法与代表性基于CBCT的牙齿年龄估计研究的比较总结。“基于CBCT”的列标识了利用体积数据的框架，这些框架为牙髓腔分析提供了更高的空间分辨率；“双流DL”指定了使用并行处理管道同时从多个输入学习特征；“正交同步融合”表示集成同步的正交平面（冠状和矢状），使模型能够捕捉各向异性的牙本质沉积；“PTR-临床融合”指的是在回归头部后期集成生物性别和自动化的PTR指数；“高精度”表示MAE低于4.0年，这是年轻成人群体中法医可靠性的关键阈值。

表1重点关注最接近的比较设置，尽管这些模式被视为互补的。先前的研究使用3D CBCT衍生的牙髓/牙齿体积（或体积比率）来估计年龄，也进行了无辐射MRI的可行性研究来可视化牙髓变化。然而，这些研究通常使用不同的数据集和协议进行评估，限制了与此处使用的IPCTI基准的直接数值比较。

与之前提到的方法相比，我们的方法引入了一种双流EfficientNet架构，该架构从冠状和矢状平面学习同步的正交表示。与仅基于分割的方法不同，我们的模型提取了捕捉非线性次级牙本质沉积模式的深度潜在特征，而这些模式往往被手工制作的体积代理所忽略。虽然[18]使用了多视图检测，但我们的方法采用了后期临床融合，明确地将自动化的PTR指数和生物性别整合到特征空间中。这种协同作用使模型能够模拟法医专家执行的多平面评估，从而显著提高了性能。

材料与方法
我们提出了一种用于CBCT法医牙齿年龄估计的多模态深度融合方法，通过冠状和矢状平面建模解剖结构（图1）。从输入的CBCT体积开始，该流程提取以上颌中央切牙为中心的两个正交视图，生成一个冠状切片和一个矢状切片，并计算PTR以及临床元数据（阶段1）。然后这三个信息源由深度融合架构（阶段2）处理，该架构包括两个EfficientNet-V2骨干，用于视图特定的特征学习，以及一个轻量级的元数据编码器；它们的嵌入通过特征连接融合并映射到一个年龄回归头部。最终，该模型通过基于重复5折交叉验证和以一致性为导向的残差分析的法医验证协议（Phase3）进行了评估，得出了估计的年龄和可靠性诊断结果。我们的方法通过将自动化的PTR（一种常用于成人牙本质年龄估计的生物学基础指标）和临床元数据（生物性别）直接整合到回归空间中，将高容量表示学习与法医可解释性相结合。此外，该方法旨在进行基准级评估，以便在与IPCTI指南一致的重复交叉验证协议下进行直接比较。算法1总结了正交视图提取和后期融合策略。我们使用特定于视图的骨架对冠状和矢状切片进行了编码，并仅在独立特征学习之后融合了结果嵌入，这保留了互补的证据并减少了对视图依赖性伪影的敏感性。

正式来说，视图编码器产生：
$$\begin{aligned} z_i^{c} = f_{\theta _c}(x_i^{c}), \qquad z_i^{s} = f_{\theta _s}(x_i^{s}), \end{aligned}$$
（1）
后期融合通过以下方式实现：
$$\begin{aligned} z_i^{\text {mv}} = [\, z_i^{c};\, z_i^{s} \,]. \end{aligned}$$
（2）
为了结合法医先验，我们在回归头部之前添加了临床元数据向量 \(m_i = [\text {PTR}_i; \text {Sex}_i]\)：
$$\begin{aligned} Z_{total} = [\, z_i^{\text {mv}};\, m_i \,]. \end{aligned}$$
（3）
最终表示通过多层感知器（MLP）回归器映射到最终年龄估计 \(\hat{y}_i\)。

图1 提出方法的概述

图2 用于特征提取的高效Net-V2-S骨架的详细架构。该图突出了宏观阶段（左侧）以及Fused-MBConv和MBConv块的内部结构（右侧），这些块优化了用于次级牙本质分析的特征捕获。

视觉特征提取使用了高效Net-V2 Small（V2-S）架构，这是针对训练效率和参数缩放优化的CNN的进化版本[19]。与其前身不同，V2-S变体在早期层使用了Fused-MBConv块，这些块用标准的3×3卷积替换了深度卷积，以提高医学成像任务中的计算吞吐量和特征表示（图2）。

在初始阶段（阶段1-3），网络使用Fused-MBConv块，将扩展卷积和深度卷积合并为一个3×3操作符，以在早期层提高特征丰富度和计算效率。随着信号传播到更深的阶段（阶段4-6），模型转换为标准MBConv块。这些块包含了挤压-激励（SE）模块，这些模块可以自适应地重新校准通道级特征，使网络能够优先考虑牙髓腔的微妙纹理边界而不是周围噪声。这一过程以全局平均池化阶段结束，产生一个1280维的嵌入，作为后续年龄回归的精细视觉特征。

图3 IPCTI数据集提供的专家验证注释示例。左图：全视野。右图：同一区域的放大视图。

我们使用了Incisor Pulp Chamber Tomographic Images（IPCTI）数据集[脚注1]，这是一个为成人法医牙龄估计设计的公共CBCT基准。该数据集包括来自巴西米纳斯吉拉斯州Juiz de Fora的662名个体（452名女性，210名男性）的扫描，年龄范围为18-60岁，采用标准化的采集和对齐程序。对于每个受试者，数据集提供了上下两颗中央切牙（牙齿11和21）的冠状和矢状平面图像，每个受试者共四张图像，总计2,648张图像[18, 20]。

分割掩膜（牙齿和牙髓）不是由本研究作者制作的，而是由公共IPCTI发布的。数据集文档将这些掩膜描述为专家制作的，并包括定性示例；然而，它没有报告注释者的专业背景（例如，牙医、牙颌面放射科医生、放射技师或法医从业者）或他们的经验年限。因此，我们将这些掩膜视为IPCTI发布的第三方参考注释，并且我们不对数据集描述之外的内容做出任何声明。

表2总结了按年龄组和生物性别分层的研究人群的分布情况。该数据集涵盖了整个成人范围（18-60岁），并显示出明显的不平衡，老年组的个体较少。这种分布对于法医评估特别相关，因为它可以影响不同年龄段的误差分布，并促使报告分层结果。这种不平衡增加了特定年龄组估计的不确定性，特别是在代表性较低的年龄段；因此，应谨慎解释这些组的结果。相应地，我们将这些发现视为IPCTI的基准可行性证据，而不是确定的群体水平性能。

图3 展示了IPCTI数据集中分布的注释资源。它显示了一个代表性的冠状CBCT切片以及相应的专家验证的真实掩膜及其视觉叠加层，包括一个放大视图，以强调牙髓-牙齿复合体内的边界位置。叠加的掩膜突出了临床相关结构的划分，特别是相对于周围牙齿组织的牙髓区域，这对于仅基于牙髓的年龄估计至关重要。这些注释为可重复的评估提供了标准化的参考，并促进了下游的形态测量，例如计算PTR。

为了确保与之前的IPCTI基基准直接可比，并避免受试者级别的泄漏，我们遵循了[18]提出的官方分层5×5交叉验证协议。在这种设置中，同一患者的所有图像都被严格分配到同一个折叠中。五个交叉验证集仅通过随机种子不同，同时保持了跨折叠的总体年龄分布。

预测性能使用MAE和RMSE（以年为单位）以及\(R^2\)进行了总结，并通过跨年龄组的残差分析进行了补充，以揭示与法医解释相关的系统性的高估或低估模式。

实验设置使用Python 3.8和PyTorch 2.4实现，并在Fabric测试平台上执行[21]，该平台配备了32个vCPU、32 GB RAM和NVIDIA Quadro RTX 6000 GPU（CUDA 12.2）的高性能虚拟环境。EfficientNet-V2 Small（V2-S）骨架使用来自ImageNet[22]的预训练权重进行初始化，以利用迁移学习。同时，临床元数据（PTR和生物性别）使用一个包含线性层、修正线性单元（ReLU）激活函数和dropout层的专用MLP进行处理，以进行正则化。视觉特征和元数据嵌入通过后期融合整合，为最终的回归头部创建了一个高维表示。所有评估都遵循了前一小节中描述的受试者级别的\(5\times 5\)重复交叉验证协议。

训练进行了30个周期，批量大小为16，使用Adam优化器（\(LR=10^{-4}\)）。为了使优化目标与法医要求保持一致，采用了L1损失（MAE）作为标准。输入图像被调整大小为\(224 \times 224\)像素，并按照标准的ImageNet分布进行了归一化。

预测准确性使用IPCTI数据集（\(N=662\)名受试者）进行了评估。遵循\(5\times 5\)重复交叉验证协议，生成了3,310个年龄估计。真实注释遵循[18]提供的IPCTI注释，确保了高保真的PTR提取。

单视图模型的全局回归分析产生了\(5.49 \pm 4.32\)年的MAE和\(R^{2}\)为0.641（图4）。多视图架构实现了相当的全局MAE，为\(5.56 \pm 4.51\)年。Bland–Altman分析显示平均偏差接近零，一致性界限（95% LoA）大约在\(-14.1\)到\(+13.5\)年之间。残差分布显示了典型的“向均值吸引”效应，从年轻受试者的轻微高估逐渐过渡到老年组的低估，这与牙本质矿化的生物学变异性相关。

表3总结了所有年龄组的详细诊断指标，包括MAE、均方根误差（RMSE）和\(R^{2}\)。年轻组（18-32岁）中MAE和RMSE值之间的接近性表明大型预测异常值的出现率较低，这增强了多视图融合在这些组中的可靠性。相反，老年组（53-60岁）中RMSE的增加反映了更高的生物学变异性以及断层伪影对估计稳定性的影响。

表4展示了[18]报告的IPCTI基准基线和我们提出的架构的比较性能。

多视图模型为年轻成人人群（18-32岁）建立了新的基准，将18-22组的误差显著降低到了4.91年，相比几何特征基线有了显著改进。相反，单视图模型在老年组（48-60岁）表现出更好的全局稳定性（MAE 5.49）和更好的性能。

为了进一步量化这些改进，进行了改进分析（表5）。在18-22组中观察到了最显著的改进，提出的框架实现了31.3%的误差减少（\(\Delta = -2.24\)年）。

通过梯度加权类激活映射（Grad-CAM）[23]进行的视觉可解释性确认，模型成功识别了生物学相关的特征。激活热图（图5）一致地集中在冠状牙髓腔和颈根管上，这些区域是次级牙本质沉积最明显的区域。残差分析（图6）表明，尽管由于生物学变异性，分散度随年龄增加，但提出的DL方法保持了比以前的方法更紧密的误差分布。

多视图模型在年轻成人人群（18-32岁）中实现的高精度强调了多平面特征融合在法医牙本质年龄估计中的关键作用。特别是，18-22组的MAE从7.15年（基线）降低到4.91年，代表了31.3%的显著改进（表5）。在成年早期，次级牙本质沉积是一个高度动态且常常不对称的过程。通过整合同步的冠状和矢状切片，我们的双流EfficientNet-V2-S架构有效地捕捉了牙髓腔减少的各向异性。这种体积视角使网络能够检测到细微的形态标志，如牙髓角的变窄和初始的矿化，这些在传统的几何或单平面投影中经常被低估[18]。这种精度对于法律程序非常重要，因为2.24年的误差减少可以显著影响法定成年年龄的确定（18岁或21岁的阈值）。

表3中的详细诊断指标表明，年轻组（18-32岁）的MAE和RMSE值之间的接近性表明大型预测异常值的出现率较低，这增强了多视图融合在这些组中的可靠性。相反，老年组（53-60岁）中增加的RMSE反映了更高的生物学变异性以及断层伪影对估计稳定性的影响。

表4展示了[18]报告的IPCTI基准基线和我们提出的架构的比较性能。

多视图模型为年轻成人人群（18-32岁）建立了新的基准，将18-22组的误差显著降低到了4.91年，相比几何特征基线有了显著改进。相反，单视图模型在老年组（48-60岁）表现出更好的全局稳定性（MAE 5.49）。

为了进一步量化这些改进，进行了改进分析（表5）。在18-22组中观察到了最显著的改进，提出的框架实现了31.3%的误差减少（\(\Delta = -2.24\)年）。

残差分析和可解释性

通过梯度加权类激活映射（Grad-CAM）[23]进行的视觉可解释性确认，模型成功识别了生物学相关的特征。激活热图（图5）一致地集中在冠状牙髓腔和颈根管上，这些区域是次级牙本质沉积最明显的区域。残差分析（图6）表明，尽管由于生物学变异性，分散度随年龄增加，但提出的DL方法保持了比以前方法更紧密的误差分布。

图5 使用Grad-CAM进行的视觉可解释性分析

图6 按年龄组划分的预测残差

讨论

多视图模型在年轻成人人群（18-32岁）中实现的高精度强调了多平面特征融合在法医牙本质年龄估计中的关键作用。特别是，18-22组的MAE从7.15年（基线）降低到4.91年，代表了31.3%的显著改进（表5）。在成年早期，次级牙本质沉积是一个高度动态且常常不对称的过程。通过整合同步的冠状和矢状切片，我们的双流EfficientNet-V2-S架构有效地捕捉了牙髓腔减少的各向异性。这种体积视角使网络能够检测到细微的形态标志，如牙髓角的变窄和初始的矿化，这些在传统的几何或单平面投影中经常被低估[18]。这种精度对于法律程序非常重要，因为2.24年的误差减少可以显著影响法定成年年龄的确定（18岁或21岁的阈值）。

表3中的详细诊断指标表明，年轻组（18-32岁）的MAE和RMSE值之间的接近性表明大型预测异常值的出现率较低，这增强了多视图融合在这些组中的可靠性。相反，老年组（53-60岁）中增加的RMSE反映了更高的生物学变异性以及断层伪影对估计稳定性的影响。

表4展示了[18]报告的IPCTI基准基线和我们提出的架构的比较性能。

多视图模型为年轻成人人群（18-32岁）建立了新的基准，将18-22组的误差显著降低到了4.91年，相比几何特征基线有了显著改进。相反，单视图模型在老年组（48-60岁）表现出更好的全局稳定性（MAE 5.49）。

为了进一步量化这些改进，进行了改进分析（表5）。在18-22组中观察到了最显著的改进，提出的框架实现了31.3%的误差减少（\(\Delta = -2.24\)年）。

残差分析和可解释性

通过梯度加权类激活映射（Grad-CAM）[23]进行的视觉可解释性确认，模型成功识别了生物学相关的特征。激活热图（图5）一致地集中在冠状牙髓腔和颈根管上，这些区域是次级牙本质沉积最明显的区域。残差分析（图6）表明，尽管由于生物学变异性，分散度随年龄增加，但提出的DL方法保持了比以前方法更紧密的误差分布。

图5 使用Grad-CAM进行的视觉可解释性分析

图6 按年龄组划分的预测残差

讨论

多视图模型在年轻成人人群（18-32岁）中实现的高精度强调了多平面特征融合在法医牙本质年龄估计中的关键作用。特别是，18-22组的MAE从7.15年（基线）降低到4.91年，代表了31.3%的显著改进（表5）。在成年早期，次级牙本质沉积是一个高度动态且常常不对称的过程。通过整合同步的冠状和矢状切片，我们的双流EfficientNet-V2-S架构有效地捕捉了牙髓腔减少的各向异性。这种体积视角使网络能够检测到细微的形态标志，如牙髓角的变窄和初始的矿化，这些在传统的几何或单平面投影中经常被低估[18]。这种精度对于法律程序非常重要，因为2.24年的误差减少可以显著影响法定成年年龄的确定（18岁或21岁的阈值）。

表3中的详细诊断指标表明，年轻组（18-32岁）的MAE和RMSE值之间的接近性表明大型预测异常值的出现率较低，这增强了多视图融合在这些组中的可靠性。相反，老年组（53-60岁）中增加的RMSE反映了更高的生物学变异性以及断层伪影对估计稳定性的影响。

表4展示了[18]报告的IPCTI基准基线和我们提出的架构的比较性能。

多视图模型为年轻成人人群（18-32岁）建立了新的基准，将18-22组的误差显著降低到了4.91年，相比几何特征基线有了显著改进。相反，单视图模型在老年组（48-60岁）表现出更好的全局稳定性（MAE 5.49）。

为了进一步量化这些改进，进行了改进分析（表5）。在18-22组中观察到了最显著的改进，提出的框架实现了31.3%的误差减少（\(\Delta = -2.24\)年）。

残差分析和可解释性

通过梯度加权类激活映射（Grad-CAM）[23]进行的视觉可解释性确认，模型成功识别了生物学相关的特征。激活热图（图5）一致地集中在冠状牙髓腔和颈根管上，这些区域是次级牙本质沉积最明显的区域。残差分析（图6）表明，尽管由于生物学变异性，分散度随年龄增加，但提出的DL方法保持了比以前方法更紧密的误差分布。

图5 使用Grad-CAM进行的视觉可解释性分析

图6 按年龄组划分的预测残差

讨论

多视图模型在年轻成人人群（18-32岁）中实现的高精度强调了多平面特征融合在法医牙本质年龄估计中的关键作用。特别是，18-22组的MAE从7.15年（基线）降低到4.91年，代表了31.3%的显著改进（表5）。在成年早期，次级牙本质沉积是一个高度动态且常常不对称的过程。通过整合同步的冠状和矢状切片，我们的双流EfficientNet-V2-S架构有效地捕捉了牙髓腔减少的各向异性。这种体积视角使网络能够检测到细微的形态标志，如牙髓角的变窄和初始的矿化，这些在传统的几何或单平面投影中经常被低估[18]。这种精度对于法律程序非常重要，因为2.24年的误差减少可以显著影响法定成年年龄的确定（18岁或21岁的阈值）。

表3中的详细诊断指标表明，年轻组（18-32岁）的MAE和RMSE值之间的接近性表明大型预测异常值的出现率较低，这增强了多视图融合在这些组中的可靠性。相反，老年组（53-60岁）中增加的RMSE反映了更高的生物学变异性以及断层伪影对估计稳定性的影响。

表4展示了[18]报告的IPCTI基准基线和我们提出的架构的比较性能。

多视图模型为年轻成人人群（18-32岁）建立了新的基准，将18-22组的误差显著降低到了4.91年，相比几何特征基线有了显著改进。相反，单视图模型在老年组（48-60岁）表现出更好的全局稳定性（MAE 5.49）。

为了进一步量化这些改进，进行了改进分析（表5）。在18-22组中观察到了最显著的改进，提出的框架实现了31.3%的误差减少（\(\Delta = -2.24\)年）。这与国际法医证据可接受性标准一致，因为它量化了特定对象的预期误差范围，而不仅仅是训练算法的稳定性。在33岁时观察到的“性能交叉”揭示了模型复杂性和信噪比之间的一个重要权衡。虽然多视图融合对于捕捉年轻人群中宽大的牙髓腔的复杂几何结构至关重要，但在老年人群（48-60岁）中，单视图模型表现更为稳健。在53-60岁组中，单视图模型的平均绝对误差（MAE）为8.90年，优于基线模型（9.54年）和多视图模型（10.18年）。这表明，随着牙髓腔的生理性闭塞，整合多个视图可能会引入来自狭窄根管的形态学噪声。相比之下，单平面表示似乎更适合提取矿化牙本质的细微纹理特征，这些特征成为老年人主要的年龄指标[2]。Grad-CAM提供的可解释性（图5）证实了该框架的生物学有效性。对颈部区域和牙髓腔底部的关注与关于最活跃的次级牙本质生成部位的牙科知识相一致。尽管在老年病例中由于牙髓钙化和修复存在挑战，但所提出的方法为IPCTI数据集建立了新的行业标准，整体MAE降低了6.8%。未来的工作应专注于混合注意力机制，以进一步改进对老年人群中矿化结构的检测，填补老年年龄估计方面的剩余空白。

本研究的局限性在于IPCTI中各年龄组的分布不均，导致代表性不足的年龄组（尤其是老年人）的方差增加和统计置信度降低。尽管基准结果令人鼓舞，但本研究尚未建立法医案例工作的参考标准。该方法需要外部验证、在不同条件下的评估以及在实际应用前明确的不确定性报告。

结论

本研究提出了一种创新的多模态深度融合方法，用于使用CBCT成像进行自动年龄估计（DAE）。通过采用双流EfficientNet-V2架构来同步冠状面和矢状面，我们增强了模型捕捉次级牙本质沉积非线性模式的能力。结合临床元数据和自动PTR指数，23-27岁年龄组的精确度达到了4.12年，18-22岁年龄组的MAE降低了31.3%，优于现有的最佳水平。此外，Grad-CAM的可解释性证实了该框架优先考虑生物学相关的标志物，如颈部区域和牙髓腔底部，确保了诊断过程的客观性和可重复性。

我们的研究结果表明，多视图方法在年轻人（18-32岁）中表现出色，绝对误差减少了2.2年以上；而单视图模型在老年人中提供了更好的稳定性，因为牙髓闭塞会引入噪声。因此，我们建议采用分层法医应用：对于年轻人，使用多视图专业模型来设定高精度的法律阈值；对于更广泛的识别需求，则使用单视图通用模型。尽管在老年人病例中仍存在挑战，但这种方法弥合了深度学习与法医分析之间的差距。未来的研究应纳入多样化的种族元数据和基于Transformer的架构，以进一步提高整个成年生命周期内的准确性。