Geschlechtsbestimmung aus lateralen Cephalogrammen mittels eines hybriden multimodalen Faltungsneuronalen Netzes

Warum Schädelröntgenaufnahmen in realen Ermittlungen wichtig sind

Wenn Ermittler nach einem Verbrechen, Unfall oder einer Katastrophe auf nicht identifizierte Überreste stoßen, gehört zu den ersten Fragen, ob die Person männlich oder weiblich war. Diese Information schränkt die Suche nach einer Übereinstimmung schnell ein und kann auch medizinische und archäologische Untersuchungen leiten. Diese Studie untersucht, wie routinemäßig angefertigte orthodontische Seitenansichten des Schädels, sogenannte laterale Cephalogramme, mit künstlicher Intelligenz kombiniert werden können, um das Geschlecht mit sehr hoher Genauigkeit zu schätzen und so eine schnelle, objektive Ergänzung zu traditionellen forensischen Methoden zu bieten.

Vom Röntgenbild des Zahnarztes zum forensischen Hinweis

Laterale Cephalogramme sind Standardaufnahmen, die Zahnärzte und Kieferorthopäden zur Behandlungsplanung verwenden. Sie zeigen die Seitenansicht des Kopfes, einschließlich Stirn, Nasenwurzel, Kiefer und Schädelbasis. Diese Regionen enthalten subtile Formunterschiede zwischen Männern und Frauen, etwa die Ausprägung der Stirn, die Länge der Schädelbasis und die vertikale Gesichtshöhe. Bisher haben Expertinnen und Experten diese Unterschiede manuell gemessen, mittels Winkeln und Abständen zwischen gut definierten anatomischen Punkten. Diese manuelle Arbeit ist langsam, erfordert spezialisierte Schulung und kann durch das Urteil des Untersuchers beeinflusst werden, insbesondere wenn die Knochen beschädigt sind oder die Bilder unklar sind.

Zwei Arten künstlicher Intelligenz vereint

Die Forschenden entwarfen ein „hybrides“ Computersystem, das nachahmt, wie ein menschlicher Experte ein Cephalogramm studiert, und zugleich direkt aus Bildmustern lernt, die mit bloßem Auge unsichtbar sein können. Ein Teil des Systems, basierend auf einem neuronalen Netzwerk namens DenseNet169, wurde an Röntgenbildern trainiert, bei denen fünf Schlüssel-Landmarks sorgfältig markiert wurden: Glabella (Stirn), Nasion (Nasenwurzel), Sella (eine kleine Vertiefung in der Schädelbasis), Basion (unterer hinterer Rand der Schädelöffnung) und Menton (tiefster Punkt des Kinns). Anhand dieser Punkte berechnete das Modell automatisch zwei wichtige Abstände — die Länge der Schädelbasis und die gesamte Gesichtshöhe — sowie drei Winkel, die durch das Verbinden der Punkte zu Dreiecken entstehen. Diese Messungen flossen dann in Formeln ein, die in früherer Arbeit entwickelt wurden und als Ergebnis angeben, ob der Schädel höchstwahrscheinlich männlich oder weiblich ist.

Den Computer ohne Vorgaben „sehen“ lassen

Der zweite Teil des hybriden Systems nutzte ein Netzwerk namens EfficientNetB3, dem keine Landmarks oder Messwerte vorgegeben wurden. Stattdessen lernte es geschlechtsbezogene Muster, indem es direkt die Roh-Röntgenbilder betrachtete. Seine Rolle ähnelt der eines erfahrenen Radiologen, der über viele Fälle Kombinationen von Schatten und Formen bemerkt, die bei Männern oder Frauen häufiger auftreten. Eine separate Machine-Learning-Methode, ein Random-Forest-Klassifikator, wertete die von EfficientNetB3 extrahierten Merkmale aus und lieferte eine eigene Geschlechtsvorhersage. Wichtig ist, dass dieser unbeaufsichtigte Pfad an Bildern trainiert wurde, die keine arbeitsintensive manuelle Markierung benötigten, was es erleichtert, das System später auf größere Datensätze auszuweiten.

Abstimmung für die beste Antwort

Um zu einer endgültigen Entscheidung zu kommen, kombinierten die Forschenden drei „Meinungen“: eine basierend auf linearen Abständen, eine auf Winkelmessungen und eine auf der reinen Bildanalyse. Das System verwendete Mehrheitsvoting — welches Geschlecht von mindestens zwei der drei Methoden vorgeschlagen wurde, wurde zum endgültigen Ergebnis. In einem Hauptdatensatz von 150 Erwachsenen, erweitert durch Bildaugmentierung, erreichte allein der abstandsbasierte Ansatz 100 % Genauigkeit, und der winkelbasierte Ansatz kam mit knapp unter 100 % sehr nahe. Das reine Bildmodell war weniger genau, bei etwa 81 %, doch in der Kombination aller drei Methoden lag die Gesamtgenauigkeit bei etwa 99,7 %. Um die Alltagstauglichkeit zu prüfen, bewertete das Team das hybride Modell zudem an einer zusätzlichen Serie von 46 Röntgenbildern, die die ursprünglichen Qualitätsanforderungen nicht strikt erfüllten. Auch hier schätzte das System das Geschlecht in etwa 98 % der Fälle korrekt ein und zeigte nach gängigen medizinischen Kennzahlen eine „ausgezeichnete“ diagnostische Leistung.

Was das für Wissenschaft und Gesellschaft bedeutet

Für forensische Wissenschaftler, Archäologen und Gerichtsmediziner legt die Studie nahe, dass ein sorgfältig gestalteter Mix aus humangeführten Messungen und frei lernender Bildanalyse nahezu perfekte Geschlechtsschätzungen aus alltäglichen Zahnärzte-Röntgenaufnahmen liefern kann. Die Methode soll Expertinnen und Experten oder den traditionellen Goldstandard der manuellen Vermessung nicht ersetzen, sondern eine schnelle, konsistente Zweitmeinung bieten — besonders nützlich, wenn viele Fälle gleichzeitig bearbeitet werden müssen, etwa bei Massendelikten. Die Autoren betonen, dass weitere Tests an größeren und vielfältigeren Sammlungen von Überresten erforderlich sind und dass Ethik, Transparenz und rechtliche Standards sorgfältig beachtet werden müssen. Dennoch stellt dieses hybride neuronale Netz einen wichtigen Schritt hin zu praktischen, erklärbaren KI-Werkzeugen dar, die bei der Identifizierung von Verstorbenen und der Wiederherstellung ihrer rechtlichen Identität unterstützen können.

Zitation: Widyaningrum, R., Rosyida, N.F., Ningtyas, A.H. et al. Sex estimation from lateral cephalograms via a hybrid multimodel convolutional neural network. Sci Rep 16, 6490 (2026). https://doi.org/10.1038/s41598-026-36147-4

Schlüsselwörter: forensische Identifikation, laterales Cephalogramm, Geschlechtsschätzung, Deep Learning, kraniofaziale Radiologie