《Egyptian Journal of Forensic Sciences》:AI-assisted age estimation from first molars: an integrated evaluation of regression, machine learning, and 1D-CNN models using CBCT-derived pulp-dentin index
编辑推荐:
**摘要**
**背景** 准确的年龄估计对于法医鉴定至关重要,牙齿因其死后稳定性而成为耐用的生物标志物。尽管锥形束计算机断层扫描(cone-beam computed tomography, CBCT)能够对与年龄相关的牙髓变化进行精确的三维评估,但现有研
**摘要**
**背景** 准确的年龄估计对于法医鉴定至关重要,牙齿因其死后稳定性而成为耐用的生物标志物。尽管锥形束计算机断层扫描(cone-beam computed tomography, CBCT)能够对与年龄相关的牙髓变化进行精确的三维评估,但现有研究大多依赖传统回归模型,未能充分捕捉牙齿老化的非线性复杂性。本研究开发并比较了一种基于CBCT-derived第一磨牙牙髓-牙本质指数(pulp-dentin index, PDI)的成人年龄估计多模型框架。
**结果** 来自2000名四川汉族成人(年龄18–65岁)的全部四颗第一磨牙的PDI值与实足年龄呈显著负相关(r = ?0.798至?0.866,p < 0.05),且在性别及上颌与下颌位置之间观察到显著差异。数据集被随机划分为训练集、验证集和测试集(8:1:1比例)。机器学习(machine learning, ML)模型显著优于传统回归模型。在所有模型中,使用牙位特异性PDI的极端梯度提升(Extreme Gradient Boosting, XGBoost)模型取得了最佳总体性能,平均绝对误差(mean absolute error, MAE)为2.51年,R2 = 0.907。与使用平均PDI的模型相比,预测误差降低了51.4%。1D-CNN模型的MAE为4.24年,优于最佳传统回归模型。
**结论** CBCT-derived第一磨牙PDI是一种可靠的法医学年龄指标。利用多牙位数据显著提高了准确性,其中XGBoost模型实现了最佳预测性能。1D-CNN提供了一种有前景的自动化替代方案,在进一步优化和扩大数据集后,有望成为法医实践中的实用工具,且该多模型框架为实际牙齿年龄评估提供了更强的方法学严谨性和灵活性。
**基于CBCT第一磨牙牙髓-牙本质指数的年龄估计:多模型框架的综合评估**
**1. 研究背景与问题提出**
年龄估计是法医学鉴定的核心环节,对于腐败、白骨化或严重毁损遗骸的身份认定具有不可替代的价值,在灾难受害者身份识别、刑事侦查以及涉及年龄的移民和竞技体育法律争议中提供关键科学证据。与受保存条件、营养状况和个体差异影响的骨骼成熟度不同,牙齿凭借其高度矿化的结构,对腐败、高温和机械应力具有极强的抵抗力,常成为极端环境下最后保存的组织,因此基于牙齿的方法具有重要的法医学和人类学价值。
传统牙齿年龄估计方法主要依赖二维放射影像,如全景片或根尖片,通过测量牙长、根管宽度及牙髓-牙齿面积比等参数进行估算。然而,二维成像固有地受几何变形、解剖结构重叠和放大率不一致的制约,难以准确量化牙髓腔内因继发性牙本质沉积而发生的三维体积变化。此外,牙釉质磨损、牙体修复及图像质量差异等因素,亦会进一步影响测量的准确性和可重复性。
锥形束计算机断层扫描(cone-beam computed tomography, CBCT)在临床口腔医学中的广泛应用,使得精确的三维成像和牙体结构量化成为可能。牙髓-牙本质指数(pulp-dentin index, PDI)作为CBCT图像上牙髓腔尺寸与周围硬组织关系的量化指标,能够反映随年龄增长的继发性牙本质沉积生物学过程。已有研究表明,基于CBCT的牙髓腔体积及PDI均与实足年龄存在显著相关性,对单根牙和多根牙均展现出良好的预测潜力。尽管CBCT提供了坚实的技术基础,现有年龄估计研究仍多依赖传统线性或非线性回归模型构建预测公式。此类方法虽能捕捉总体趋势,但模拟牙齿老化复杂非线性动态的能力有限,尤其对于随年龄、牙位、性别和功能负荷变化的非均匀继发性牙本质沉积速率,常导致较大的预测误差。此外,多数模型采用单颗牙数据,未能整合牙列内不同位置的协同信息,限制了模型的稳健性和泛化能力。
机器学习和深度学习的最新进展为突破上述建模瓶颈提供了新途径。卷积神经网络(Convolutional Neural Network, CNN)能够从原始图像中自动提取多层次特征,识别复杂形态模式,并从大数据集中学习非线性关系。同时,随机森林(Random Forest, RF)、支持向量机(Support Vector Machine, SVM)和极端梯度提升(Extreme Gradient Boosting, XGBoost)等集成学习算法在高维数据处理和抗过拟合方面表现优异。然而,尚无研究在统一的、以第一磨牙为重点的多方法年龄估计框架内,系统比较和整合传统回归、机器学习和深度学习模型。与通常使用单一模型类型或单牙位数据的既往研究不同,本研究具有三项关键创新:(1)系统比较11种传统回归模型、6种机器学习算法和自定义1D-CNN模型;(2)严格评估牙位特异性与平均PDI特征的影响;(3)构建性别分层模型以评估性别特异性表现差异。
**2. 研究方法概述**
研究人员开展了一项回顾性研究,使用川北医学院附属医院的CBCT数据,最终纳入2000名符合严格纳入和排除标准的四川汉族成人(年龄18–65岁,性别均衡)。所有扫描均采用Planmeca ProMax 3D Max设备在标准化参数下采集。PDI的计算基于每个第一磨牙最大矢状切面上的线性参数测量,公式为PDI = (ab+cd)/(af+be+gc+dh)×100%。两名训练有素的研究人员独立完成所有测量,随机抽取200例样本进行观察者内和观察者间一致性评估。模型构建采用分层策略:传统回归模型以8:2比例划分训练集和测试集,构建11种曲线回归模型;机器学习模型使用分层抽样按8:1:1比例划分训练、验证和测试集,采用5折交叉验证结合网格搜索进行超参数优化,比较两种特征工程策略(非牙位特异性平均PDI与牙位特异性四颗磨牙PDI)和六种算法(RF、XGBoost、梯度提升GB、多层感知器MLP、支持向量回归SVR和Lasso回归);1D-CNN模型接受长度为4的一维PDI序列作为输入,经卷积层、池化层、全连接层和回归输出层进行特征提取和年龄预测,使用MAE作为损失函数,Adam优化器和余弦退火学习率调度进行训练。
**3. 主要研究结果**
**3.1 PDI测量的可靠性与生物学相关性**
对随机选取的200例样本进行一致性分析显示,观察者内组内相关系数(intraclass correlation coefficient, ICC)为0.938,观察者间ICC为0.875,均超过0.75,表明PDI测量方案具有高度的可重复性和可靠性。统计分析显示,对侧同名牙(如16与26、36与46)之间的PDI值无显著差异(p > 0.05),但上下颌牙位之间存在显著差异(p < 0.05),上颌第一磨牙的平均PDI值显著低于下颌第一磨牙。性别比较显示,男性全部四颗第一磨牙的平均PDI值均显著低于年龄匹配的女性(p < 0.05)。Pearson相关分析表明,全部四颗第一磨牙的PDI值与实足年龄均呈强负相关(r = ?0.798至?0.866),其中上颌左侧第一磨牙(牙位26)的PDI与年龄相关性最强(r = ?0.866),该模式在性别分层分析中保持一致。
**3.2 传统回归模型性能**
基于四颗第一磨牙PDI值的逐步回归分析显示,纳入全部四个牙位的模型(Model 4: Age = 74.09?21.50×16?10.07×26?26.44×36?15.916×46)性能最佳,在测试集上实现R2 = 0.804和MAE = 4.97年。在11种曲线回归模型中,三次(cubic)回归模型在大多数牙位和性别亚组中提供最佳拟合优度。基于上颌左侧第一磨牙(牙位26)PDI的三次回归模型(Age = 73.93?70.79x?68.75x2 + 94.33x3)在总样本中表现最优,R2 = 0.792,MAE = 4.88年(95% CI: 4.61–5.15)。
**3.3 机器学习模型性能**
在不区分牙位和性别的整体样本建模中,RF模型表现最佳(R2 = 0.750, MAE = 4.53年),其后依次为XGBoost(R2 = 0.749, MAE = 5.16年)。纳入牙位特异性信息后,XGBoost模型实现最佳性能(R2 = 0.907, MAE = 2.51年),与非牙位特异性方法相比MAE降低51.4%;RF模型次之(R2 = 0.902, MAE = 2.72年,降低40.0%)。在男性亚组中,纳入牙位特异性信息后XGBoost模型成为最优(R2 = 0.835, MAE = 3.53年,较非牙位特异性降低15.5%);在女性亚组中,RF模型保持最优(MAE = 3.59年,降低30.1%)。配对t检验显示,采用牙位特异性特征的XGBoost模型的绝对预测误差显著低于RF模型(平均差异 = 0.21年,95% CI: 0.09–0.33, p < 0.01)和GB模型(平均差异 = 1.12年,95% CI: 0.95–1.29, p < 0.01)。
**3.4 1D-CNN模型性能**
研究人员专门设计的1D-CNN模型在500轮训练后在独立测试集上实现MAE = 4.24年,优于最佳传统逐步回归模型(MAE = 4.97年)和未区分牙位的最佳ML模型(MAE = 4.53年)。预测结果离散度分析显示,20岁以下个体预测结果离散程度呈下降趋势,20至35岁之间保持相对稳定,35岁以上逐渐增大。
**4. 讨论与结论**
研究结果证实,PDI作为牙髓腔线性尺寸与周围牙本质厚度之和的比值,有效规避了直接复杂三维体积分割的技术难题,同时充分捕捉了继发性牙本质沉积导致牙髓腔缩小的生物学过程。性别和牙位相关的PDI差异提示,男性牙髓腔生理性退缩可能更早或更明显,下颌磨牙因承担更大的咀嚼功能负荷可能刺激更多修复性牙本质沉积。机器学习模型相比传统回归的显著优势,以及牙位特异性输入特征带来的大幅性能提升,表明利用多颗牙齿的独立互补年龄信息是提高预测准确性的核心策略。1D-CNN模型作为一种轻量级端到端替代方案,虽略逊于最佳ML模型,但无需人工特征工程即可自动提取牙位间的局部相关性和深层特征模式,具有计算效率高和易于集成到自动化流程的优势。研究局限性包括:样本为四川汉族人群,模型对其他人群的适用性尚待验证;35岁以上个体的预测性能下降;当前PDI测量依赖手动定点,未来需开发全自动流程。研究的核心结论为:CBCT-derived第一磨牙PDI是可靠的法医学年龄指标,利用多牙位数据显著提高准确性,XGBoost模型实现最佳预测性能(MAE = 2.51年);1D-CNN经进一步优化和扩大数据集后,有望成为法医实践的实用工具;该多模型框架为实际牙齿年龄评估提供了更强的方法学严谨性和灵活性。