Maschinelles Lernverfahren zur Schätzung des Erwachsenenalters anhand dentaler Merkmale in Panoramaröntgenaufnahmen

Warum Ihre Zähne auf Ihr Alter hindeuten können

Im Laufe des Lebens zeichnen unsere Zähne stillschweigend die persönliche Geschichte von Mahlzeiten, Missgeschicken und Zahnarztbesuchen auf. Diese Studie fragt, wie viel dieses Protokoll über das Alter einer erwachsenen Person verraten kann und nutzt moderne Computerverfahren, um subtile Muster in routinemäßigen dentalen Röntgenbildern zu erkennen.

Zähne als lebenslange Erzähler

Bei Kindern und Jugendlichen lässt sich das Alter relativ gut abschätzen, indem man Wachstum und Entwicklung der Zähne betrachtet. Bei Erwachsenen hingegen ist dieses Wachstum abgeschlossen, sodass Experten auf sich im Laufe der Zeit ansammelnde Veränderungen schauen müssen, wie abgenutzte Kauflächen, Füllungen, Kronen, Implantate und fehlende Zähne. Diese Hinweise sind etwa in der Forensik nützlich, wenn Ermittler die mögliche Identität einer Person eingrenzen müssen, und in der Anthropologie, wo Forscher vergangene Populationen untersuchen. Traditionelle Ansätze summieren meist die Anzahl bestimmter zahnärztlicher Behandlungen oder Befunde und setzen diese Zählwerte in eine einfache Formel ein, wobei viele Details darüber, welche Zähne genau betroffen sind und wie, verloren gehen können.

Aus vielen Munddetails verwertbare Daten machen

Die Forschenden arbeiteten mit 2.415 panoramischen Zahn­röntgenaufnahmen von Erwachsenen im Alter von 20 bis 89 Jahren. Auf jedem Bild markierten geschulte Beurteiler jeden Zahn mit einer von neun leicht erkennbaren Kategorien, etwa gesund, fehlend, gefüllt, überkront oder implantiert. Zeigte ein Zahn gleichzeitig zwei Merkmale, etwa eine Wurzelbehandlung unter einer Krone, wurden beide zusammen erfasst. Anstatt all diese Informationen zu ein paar Summen zu verdichten, erstellte das Team für jeden Mund eine strukturierte digitale Karte, die protokollierte, was an jeder Position im Kiefer vor sich ging. Diese Karte diente sowohl als Eingabe für traditionelle statistische Formeln als auch für eine Reihe von Modellen des maschinellen Lernens.

Computern beibringen, Zahnmuster zu lesen

Um zu beurteilen, wie gut verschiedene Methoden das Alter schätzen konnten, verglich das Team die standardmäßige lineare Regression mit sechs Ansätzen des maschinellen Lernens, darunter Random Forests und Gradient Boosting. Sie verwendeten eine sorgfältige Teststrategie, bei der Modelle wiederholt auf unterschiedlichen Teilmengen der Daten trainiert und getestet wurden, sodass jede Vorhersage auf Bildern beruhte, die das Modell zuvor nicht gesehen hatte. In der gesamten Gruppe von Männern und Frauen verfehlte die beste traditionelle Formel das Alter im Mittel um etwa 12 Jahre, während das beste Modell des maschinellen Lernens diesen Fehler auf etwa 11 Jahre reduzierte und etwas mehr der Altersvariation erklärte.

Was die Modelle aus unseren Zähnen lernten

Die Forschenden öffneten außerdem die „Black Box“ ihrer besten Modelle, um zu sehen, welche dentalen Merkmale am wichtigsten waren. Sie fanden, dass viele gesunde, unveränderte Zähne tendenziell zu niedrigeren prognostizierten Altern führten, während eine höhere Zahl fehlender Zähne und Kronen die Schätzungen nach oben verrückte. Backenzähne enthielten im Allgemeinen mehr Altersinformation als Frontzähne, vermutlich weil sie beim Kauen stärker beansprucht werden und häufiger restauriert oder entfernt werden. Trotzdem neigten die Modelle dazu, die Alter jüngerer Erwachsener zu überschätzen und die älterer zu unterschätzen, was zeigt, dass die Beziehung zwischen Zahn­historie und Alter weiterhin unvollkommen ist.

Wie dies im echten Leben genutzt werden könnte

Vorerst sind diese computergestützten Altersschätzungen nicht präzise genug, um allein zu stehen, insbesondere wenn es darum geht, das Alter einer Einzelperson genau festzulegen. Besser eignen sie sich als ein weiteres Beweisstück, das andere Methoden unterstützen kann, etwa die Untersuchung von Knochen oder zusätzliche dentale Messungen. Die Arbeit zeigt, dass das Festhalten detaillierter, zahn­-für-­zahn-Informationen die Ausbeute aus einem einfachen Röntgenbild verbessert und dass maschinelles Lernen gegenüber älteren Formeln mäßige Fortschritte erzielen kann. Mit größeren und vielfältigeren Datensätzen und durch die Kombination von Bildmerkmalen mit klinischen Aufzeichnungen könnten zukünftige Versionen dieses Ansatzes zuverlässigere Hilfen in forensischen und klinischen Entscheidungsprozessen werden.

Zitation: Lee, D., Oh, S., Hwang, S. et al. Machine learning approach for adult age estimation using dental characteristics on panoramic radiographs. Sci Rep 16, 14401 (2026). https://doi.org/10.1038/s41598-026-45271-0

Schlüsselwörter: Altersbestimmung durch Zähne, Panoramaröntgenaufnahme, Maschinelles Lernen, Forensische Zahnmedizin, bleibende Zähne