Fonte: JMIR AI (2026) · PMID: 41849562
Autori: Handayani Vitria Wuri, Margaretha Amiatun Ruth Mieke Sylvia, Rulaningtyas Riries
Titolo originale: Deep Learning for Age Estimation and Sex Prediction Using Mandibular-Cropped Cephalometric Images: Comparative Model Development and Validation Study.
Abstract
Contesto: Le strutture mandibolari offrono caratteristiche resilienti per l’identificazione forense in cui sono disponibili resti parziali in condizioni postmortem. L’apprendimento approfondito applicato alle radiografie cefalometriche offre l’opportunità di prevedere gli attributi demografici, come l’età e il sesso, che sono fondamentali in contesti forensi e clinici.
Obiettivo: Questo studio mirava a sviluppare e valutare un quadro di apprendimento profondo multitasking per la stima dell’età e la previsione del sesso da regioni mandibolari ritagliate di radiografie cefalometriche, confrontando più dorsali di reti neurali convoluzionali e scenari di pre-elaborazione per affrontare lo squilibrio di classe.
Metodi: Un totale di 340 radiografie cefalometriche anonime di individui indonesiani di età compresa tra 8 e 40 anni sono state raccolte e ritagliate manualmente in 2 regioni mandibolari di interesse: lunghezza e angolo mandibolari, producendo 680 campioni convalidati. Le immagini sono state ridimensionate a 224×224 pixel ed elaborate in 4 scenari di pre-elaborazione: Original, Synthetic Minority Oversampling Technique, StandardScaler e Synthetic Minority Oversampling Technique+ StandardScaler. Sei backbone di rete neurale convoluzionali pre-allenate (MobileNetV2, ResNet50V2, InceptionV3, InceptionResNetV2, VGG16 e VGG19) sono state messe a punto in un quadro multitask. Le prestazioni sono state valutate utilizzando l’errore assoluto medio e l’errore percentuale assoluto medio per la stima e l’accuratezza dell’età e il punteggio F1 per la previsione del sesso.
Risultati: VGG16 ha ottenuto le migliori prestazioni per la stima dell’età, con l’errore assoluto medio più basso di 3,19 anni e l’errore percentuale assoluto medio del 13,19% nel set di dati originale. Per la previsione del sesso, VGG16 ha raggiunto la massima precisione (86%) e punteggi F1 bilanciati (femmina: 92%; maschio: 63%) nella condizione StandardScaler, seguita da VGG19 (precisione=82%).
Conclusioni: La combinazione del taglio mandibolare con l’apprendimento profondo e scenari di pre-elaborazione equilibrati migliora la previsione demografica nelle radiografie cefalometriche. I risultati sottolineano il potenziale uso dell’odontologia forense assistita dall’intelligenza artificiale per supportare l’identificazione delle vittime di disastri quando sono disponibili resti parziali.
Fabrizio Devito