Clasificación del seno maxilar para sexo y edad usando 23 arquitecturas de inteligencia artificial

Por qué importan los senos en tus mejillas

Los espacios en tus mejillas que te ayudan a respirar y alivian el peso del cráneo también pueden contener pistas sobre quién eres. Este estudio explora si la forma y el tamaño de los senos maxilares —cavidades llenas de aire junto a la nariz— capturados en radiografías dentales rutinarias pueden ayudar a la inteligencia artificial (IA) a estimar el sexo de una persona y si es menor o mayor de la adolescencia media. Estas herramientas podrían, algún día, ayudar en investigaciones forenses y en la comparación de historiales médicos cuando faltan o están incompletos los métodos tradicionales de identificación.

Las habitaciones ocultas dentro de tu cara

Los senos paranasales son espacios huecos en los huesos de la cara y el cráneo, incluidos los huesos maxilares en las mejillas. Ayudan a acondicionar el aire que respiramos, reducen el peso de la cabeza y contribuyen a las defensas inmunitarias. Como estos espacios crecen y cambian desde la infancia hasta la edad adulta, y tienden a ser algo más grandes en hombres que en mujeres, sus contornos en las radiografías pueden portar información sobre la edad y el sexo. Investigaciones previas midieron estos senos manualmente o con software convencional, a menudo en exploraciones tridimensionales, con éxito moderado pero con costes y esfuerzo considerables.

Enseñar a los ordenadores a leer radiografías dentales

En este estudio, los investigadores reunieron casi 19.000 radiografías panorámicas dentales de pacientes brasileños de entre 6 y casi 23 años. Son las imágenes radiográficas amplias y curvas que muchas personas reciben en el dentista. Dentistas forenses entrenados dibujaron manualmente rectángulos alrededor del seno maxilar izquierdo y derecho de cada persona, definiendo la región de interés para el ordenador. Las imágenes se estandarizaron en tamaño y brillo, y se alteraron ligeramente mediante pequeñas rotaciones o volteos para ayudar a los modelos de IA a aprender patrones robustos en lugar de memorizar imágenes concretas.

Poner a prueba 23 “ojos” digitales

El equipo evaluó 23 sistemas distintos de análisis de imagen con IA, incluyendo redes neuronales convolucionales (CNN) clásicas, nuevos Vision Transformers (ViT y DeiT) y un modelo de detección moderno conocido como YOLOv11. Desafiaron a estos modelos con tres tareas: decidir si una persona era hombre o mujer; clasificarla como de 15 años o menos frente a mayor de 15; y agruparla en cuatro categorías que combinan sexo y edad (niñas jóvenes, mujeres mayores, niños jóvenes, hombres mayores). Para mantener la evaluación justa, los datos se dividieron en conjuntos de entrenamiento, validación y pruebas estrictamente separados, y se usó una técnica llamada validación cruzada de cinco particiones para asegurar que cada imagen se empleara en la prueba exactamente una vez.

Qué tan bien funcionaron las máquinas

Para estimar solo el sexo, los mejores modelos —dos sistemas Transformer y una CNN avanzada— clasificaron correctamente alrededor del 78–81% de los casos. Esto está aproximadamente en línea con los mejores métodos anteriores, pero aún implica que alrededor de una de cada cinco personas sería clasificada incorrectamente, lo que resulta demasiado incierto para usar los senos como única pista. La edad resultó ser más fácil: cuando la tarea era simplemente decidir si alguien tenía 15 años o menos o más de 15, los mejores modelos acertaron alrededor del 95% de las veces, con un rendimiento excelente tanto en los grupos más jóvenes como en los mayores. Sin embargo, cuando había que adivinar sexo y edad juntos en cuatro categorías, la precisión cayó a alrededor del 73–75%, lo que muestra que cuanto más detallada es la pregunta, más difícil resulta para la IA discernir diferencias sutiles en la apariencia de los senos.

Qué significa esto para la forense y la odontología

En las tres tareas, los modelos basados en Transformers más recientes superaron de forma consistente a la mayoría de las CNN tradicionales, probablemente porque son mejores para captar la imagen completa y detectar patrones de largo alcance en los senos. YOLOv11, un modelo diseñado originalmente para localizar objetos en imágenes, también se comportó especialmente bien, sobre todo en tareas relacionadas con la edad. Aun así, los autores enfatizan que estas herramientas deben considerarse actualmente asistentes útiles más que soluciones independientes en el trabajo forense real. Podrían, por ejemplo, sugerir rápidamente si restos no identificados pertenecen probablemente a una persona menor o mayor de 15 años, o proporcionar una estimación preliminar del sexo que se verifique con evidencia más contundente como dientes u huesos. Serán necesarios futuros trabajos con conjuntos de datos más diversos, grupos de edad más finos y posiblemente exploraciones tridimensionales antes de que la lectura por IA de los senos de las mejillas pueda desempeñar un papel central en la identificación de las personas.

Cita: 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

Palabras clave: odontología forense, seno maxilar, estimación de edad, estimación de sexo, aprendizaje profundo