基于卷积神经网络与回归模型的混合方法在曲面断层片年龄估计中的应用

《International Journal of Legal Medicine》：Hybrid approach with convolutional neural network and regression models for age estimation in panoramic radiographs

　　

背景：确定实足年龄是刑事和民事鉴定尸体和难民的一个相关方面。本研究旨在使用一种混合模型来估计实足年龄，该模型结合了基于曲面断层片的卷积神经网络（CNN）与回归模型。方法：这项观察性、回顾性、横断面研究分析了来自巴西一家诊所的2546张曲面断层片。研究人员选择了18岁以上、健康、已萌出的下颌前磨牙患者的曲面断层片。使用GIMP对图像进行分割，并将数据集分为三组：70%用于模型训练，15%用于验证，15%用于测试。基于MobileNetV2架构，CNN模型从每张图像中提取了576个属性，然后与决策树回归模型一起用于估计年龄。为了评估模型性能，研究人员使用了平均绝对百分比误差（MAPE）、平均绝对误差（MAE）、决定系数（R²）和均方误差（MSE）等指标。结果：分析了3423颗牙齿，患者的平均年龄为32.65岁。总体MAE为6.52年（R²=0.67）；然而，对于31至35岁年龄组，混合AI模型在男性样本中的MAE为0.29年，在女性样本中为0.16年。结论：混合AI模型在31-35岁患者中表现出准确性和鲁棒性；然而，在其他年龄组，特别是40-50岁和51-55岁年龄范围，模型表现不理想。

在法医学领域，确定实足年龄是刑事和民事案件中鉴定尸体和难民身份的关键环节。牙齿作为人体最耐久的组织，其形态学特征在年龄估计中具有重要价值，尤其是曲面断层片（panoramic radiograph，一种口腔全景X线检查）因其非侵入性和全面显示颌骨及牙齿发育的优势而被广泛采用。然而，传统手动方法存在主观性强、耗时长且对成人组精度有限的问题，尤其当牙齿发育完成后，可分析特征减少，导致年龄估计困难。近年来，人工智能（AI）特别是卷积神经网络（CNN，一种深度学习模型）在图像分析中展现了自动化特征提取的能力，有望克服主观性并提高效率。但现有研究尚未在所有年龄组实现准确估计，年龄估计仍是一个开放问题。为此，研究人员提出了一种混合AI模型，结合CNN自动提取曲面断层片中的影像特征与决策树回归模型进行年龄估计，旨在探索该方法在成人下颌前磨牙中的效果。该研究发表于《International Journal of Legal Medicine》。

关键技术方法概括（不超过250字）：研究采用观察性、回顾性、横断面设计，样本来自巴西一家影像中心的2546张曲面断层片（包含1369名女性和1177名男性）。研究人员手动使用GIMP分割下颌前磨牙区域，使用MobileNetV3Small CNN（预训练于ImageNet）作为固定特征提取器，从每张图像提取576维嵌入向量，经标准化后输入Extremely Randomized Trees回归模型进行年龄估计。数据集按70%训练、15%验证、15%测试划分，并采用SMOTE过采样处理年龄组不平衡。性能评估使用平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、决定系数（R²）和均方误差（MSE）。

研究结果如下：

**Training set（训练集）**：研究人员对九种回归模型进行了比较，发现Extremely Trees Regressor表现最佳，其MAPE为12.1%，MAE为3.5年，R²为0.67。该模型被选为最终年龄估计模型。

**Test set（测试集）**：在包含382张图像的测试集上，模型整体MAE为6.52年，MAPE为0.23，R²为0.03，MSE为60.98。按年龄组分层分析发现，模型在31-35岁年龄组MAE仅为0.29年，表现优异；但在20-25岁、41-45岁、46-50岁和51-55岁年龄组，MAE分别高达9.23、7.74、12.78和17.42年，表明模型仅对31-35岁组准确。

**Results based on data from male participants（基于男性参与者的结果）**：仅分析男性样本时，模型整体MAE为6.24年，MAPE为0.21，R²为0.17，MSE为56.48。按年龄组分析，31-35岁组MAE最低，为0.16年；而20-25岁、41-45岁、46-50岁和51-55岁组MAE分别为8.82、8.7、11.67和14.31年，准确度随年龄增长下降。

**Results based on data from female participants（基于女性参与者的结果）**：仅分析女性样本时，模型整体MAE为6.17年，MAPE为0.21，R²为0.08，MSE为58.34。31-35岁组MAE为0.47年，表现最佳；20-25岁、41-45岁、46-50岁和51-55岁组MAE分别为9.87、8.21、12.4和16.64年，同样在较高年龄组表现不佳。

讨论部分总结：研究人员指出，混合模型在31-35岁年龄组取得了高精度，这一结果优于部分先前研究（如针对中国人群的研究），但整体MAE（6.52年）高于其他基于全口曲面断层片的研究，这可能与样本量、算法差异及仅针对下颌前磨牙的局部特征有关。模型在较高年龄组表现差，主要归因于样本分布不均匀（年轻组样本密集，年长组稀疏），导致训练偏差。此外，模型在男性31-35岁组MAE（0.16年）低于女性（0.47年），可能与性别样本量差异及牙齿形态变异有关。研究局限性包括年龄组样本量不均衡以及仅基于单一巴西人群，建议未来采用多中心均匀分布样本验证。研究结论部分翻译如下：所提出的模型仅在31至35岁患者中表现出稳健的估计。在其他年龄组，模型表现不理想，特别是在40-50岁和51-55岁年龄范围。