Kieferhöhlenklassifikation für Geschlecht und Alter mit 23 Architekturen der künstlichen Intelligenz

Warum die Nebenhöhlen in den Wangen wichtig sind

Die Hohlräume in den Wangen, die beim Atmen helfen und den Schädel leichter machen, können auch Hinweise auf die Identität einer Person enthalten. Diese Studie untersucht, ob Form und Größe der Kieferhöhlen — luftgefüllte Hohlräume neben der Nase — auf routinemäßigen zahnärztlichen Röntgenaufnahmen die künstliche Intelligenz (KI) dabei unterstützen können, das Geschlecht einer Person und die Einordnung als jünger oder älter als Mitte der Teenagerjahre vorherzusagen. Solche Werkzeuge könnten eines Tages in der Forensik und beim Abgleich medizinischer Unterlagen nützlich sein, wenn traditionelle Identifikationsmethoden fehlen oder unvollständig sind.

Die verborgenen Räume in Ihrem Gesicht

Die Nasennebenhöhlen sind Hohlräume in den Knochen von Gesicht und Schädel, darunter die Kieferknochen in den Wangen. Sie helfen, die eingeatmete Luft zu konditionieren, reduzieren das Gewicht des Kopfes und unterstützen Abwehrfunktionen des Immunsystems. Da diese Räume vom Kindes‑ bis ins Erwachsenenalter wachsen und sich verändern und bei Männern tendenziell etwas größer sind als bei Frauen, können ihre Konturen auf Röntgenaufnahmen Informationen über Alter und Geschlecht enthalten. Frühere Arbeiten haben diese Höhlen manuell oder mit konventioneller Software vermessen, oft in dreidimensionalen Scans, mit mäßigem Erfolg, aber hohem Aufwand und Kosten.

Computern beibringen, Zahn‑Röntgenbilder zu lesen

In dieser Studie sammelten die Forschenden fast 19.000 panoramische zahnärztliche Röntgenaufnahmen von brasilianischen Patientinnen und Patienten im Alter von 6 bis knapp 23 Jahren. Dabei handelt es sich um die weiten, gebogenen Röntgenbilder, die viele Menschen beim Zahnarzt erhalten. Ausgebildete forensische Zahnärztinnen und Zahnärzte zeichneten manuell rechteckige Kästen um die linke und rechte Kieferhöhle jeder Person, um die Region von Interesse für den Computer zu definieren. Die Bilder wurden dann in Größe und Helligkeit standardisiert und leicht verändert — etwa durch kleine Drehungen oder Spiegelungen — damit die KI‑Modelle robuste Muster lernen und nicht einzelne Bilder auswendig lernen.

23 digitale „Augen“ im Test

Das Team bewertete 23 verschiedene KI‑Bildanalyse‑Systeme, darunter klassische Convolutional Neural Networks (CNNs), neuere Vision Transformers (ViT und DeiT) sowie ein modernes Detektionsmodell namens YOLOv11. Die Modelle mussten drei Aufgaben lösen: entscheiden, ob eine Person männlich oder weiblich ist; klassifizieren, ob sie 15 Jahre oder jünger bzw. älter als 15 Jahre ist; und Einordnen in vier Gruppen, die Geschlecht und Alter kombinieren (jüngere Mädchen, ältere Frauen, jüngere Jungen, ältere Männer). Um die Bewertung fair zu halten, wurden die Daten in Trainings-, Validierungs‑ und strikt getrennte Testsätze aufgeteilt, und eine Methode namens Fünffach‑Cross‑Validation stellte sicher, dass jedes Bild genau einmal im Test verwendet wurde.

Wie gut die Maschinen abschnitten

Bei der reinen Geschlechtsschätzung klassifizierten die besten Modelle — zwei Transformer‑Systeme und ein fortschrittliches CNN — etwa 78–81 % der Fälle korrekt. Das liegt ungefähr auf dem Niveau der besten früheren Methoden, bedeutet aber immer noch, dass etwa jede fünfte Person falsch eingeordnet würde, was zu unzuverlässig ist, um die Kieferhöhlen als alleiniges Merkmal zu verwenden. Altersabschätzungen erwiesen sich als einfacher: Bei der Aufgabe, lediglich zu entscheiden, ob jemand 15 Jahre oder jünger bzw. älter als 15 ist, lagen die Spitzenmodelle mit ungefähr 95 % Trefferquote, mit sehr guter Leistung für beide Altersgruppen. Wenn jedoch Geschlecht und Alter gleichzeitig in vier Kategorien geschätzt werden mussten, sank die Genauigkeit auf etwa 73–75 %, was zeigt, dass detailliertere Fragestellungen die KI vor größere Herausforderungen stellen, subtile Unterschiede in der Sinusdarstellung zu unterscheiden.

Was das für Forensik und Zahnmedizin bedeutet

Über alle drei Aufgaben hinweg übertrafen die neueren Transformer‑basierten Modelle meist die traditionellen CNNs, wahrscheinlich weil sie besser darin sind, das gesamte Röntgenbild zu erfassen und langreichweitige Muster in den Kieferhöhlen zu erkennen. YOLOv11, ein ursprünglich zur Objekterkennung entwickeltes Modell, zeigte sich ebenfalls besonders leistungsfähig, vor allem bei altersbezogenen Aufgaben. Die Autorinnen und Autoren betonen jedoch, dass diese Werkzeuge derzeit eher als hilfreiche Assistenten und nicht als eigenständige Lösungen in der realen forensischen Praxis betrachtet werden sollten. Sie könnten beispielsweise schnell anzeigen, ob unbekannte Überreste wahrscheinlich zu einer Person gehören, die unter oder über 15 Jahre alt ist, oder eine vorläufige Geschlechtsabschätzung liefern, die mit aussagekräftigeren Belegen wie Zähnen oder Knochen abgeglichen wird. Zukünftige Arbeiten mit diverseren Datensätzen, feineren Altersgruppen und möglicherweise dreidimensionalen Scans werden notwendig sein, bevor KI‑gestützte Auswertungen der Wangenhöhlen eine zentrale Rolle bei der Identifikation spielen können.

Zitation: Anees, W., Silva, R., Khan, A. et al. Maxillary sinus classification for sex and age using 23 artificial intelligence architectures. Sci Rep 16, 5716 (2026). https://doi.org/10.1038/s41598-026-36112-1

Schlüsselwörter: forensische Zahnmedizin, Kieferhöhle, Altersabschätzung, Geschlechtsschätzung, Deep Learning