Estimación del sexo a partir de cefalogramas laterales mediante una red neuronal convolucional multimodelo híbrida

Por qué importan las radiografías del cráneo en investigaciones reales

Cuando los investigadores se enfrentan a restos no identificados tras un delito, accidente o desastre, una de las primeras preguntas que deben responder es si la persona era hombre o mujer. Conocer esto de forma rápida reduce notablemente la búsqueda de coincidencias y puede orientar también la investigación médica y arqueológica. Este estudio explora cómo las radiografías ortodónticas de perfil del cráneo, llamadas cefalogramas laterales y tomadas de forma rutinaria, pueden combinarse con inteligencia artificial para estimar el sexo con muy alta precisión, ofreciendo una ayuda rápida y objetiva a los métodos forenses tradicionales.

De la radiografía del dentista a una pista forense

Los cefalogramas laterales son imágenes estándar utilizadas por dentistas y ortodoncistas para planificar tratamientos. Muestran la vista lateral de la cabeza, incluyendo la frente, el puente nasal, la mandíbula y la base del cráneo. Estas regiones contienen diferencias sutiles de forma entre hombres y mujeres, como la prominencia de la frente, la longitud de la base craneal y la altura vertical de la cara. Hasta ahora, los expertos han medido estas diferencias manualmente, usando ángulos y distancias entre puntos anatómicos bien definidos. Este trabajo manual es lento, requiere formación especializada y puede verse influido por el criterio del examinador, especialmente cuando los huesos están dañados o las imágenes no son claras.

Combinando dos tipos de inteligencia artificial

Los investigadores diseñaron un sistema informático “híbrido” que imita cómo un experto humano estudia un cefalograma, a la vez que aprende directamente de patrones en la imagen que pueden ser invisibles al ojo. Una parte del sistema, basada en una red neuronal llamada DenseNet169, se entrenó con radiografías en las que se marcaron cuidadosamente cinco puntos clave: la glabela (frente), el nasion (puente de la nariz), la sella (una pequeña cavidad en la base del cráneo), el basion (parte posterior inferior de la apertura craneal) y el mentón (punto más bajo de la barbilla). Con esos puntos, el modelo calculó automáticamente dos distancias importantes—la longitud de la base craneal y la altura facial total—y tres ángulos formados al conectar los puntos en triángulos. Estas medidas se introdujeron luego en fórmulas, desarrolladas en trabajos anteriores, que determinan si el cráneo es más probablemente masculino o femenino.

Dejar que el ordenador “mire” sin instrucciones

La segunda parte del sistema híbrido usó una red llamada EfficientNetB3, a la que no se le proporcionaron puntos de referencia ni medidas. En su lugar, aprendió a reconocer patrones relacionados con el sexo observando directamente las imágenes crudas de las radiografías. Su papel se asemeja al de un radiólogo experimentado que, tras muchos casos, aprende a notar combinaciones de sombras y formas que tienden a aparecer más en hombres o en mujeres. Un método de aprendizaje automático distinto, conocido como clasificador de bosque aleatorio (random forest), interpretó las características extraídas por EfficientNetB3 y produjo su propia predicción del sexo. Es importante señalar que esta vía sin supervisión se entrenó con imágenes que no requirieron el marcado manual laborioso, lo que facilita ampliar el sistema a conjuntos de datos mayores en el futuro.

Votación para la mejor respuesta

Para llegar a una decisión final, los investigadores combinaron tres “opiniones”: una basada en distancias lineales, otra en medidas angulares y otra en el análisis solo de la imagen. El sistema usó votación por mayoría: el sexo sugerido por al menos dos de los tres métodos se convirtió en la salida final. En un conjunto principal de 150 adultos, ampliado mediante técnicas de aumento de imagen, el enfoque basado en distancias alcanzó por sí solo un 100% de precisión, y el basado en ángulos se quedó muy cerca, algo por debajo del 100%. El modelo basado únicamente en la imagen fue menos preciso, alrededor del 81%, pero cuando se combinaron los tres, la precisión global fue de aproximadamente el 99,7%. Para evaluar su rendimiento en condiciones reales, el equipo también probó el modelo híbrido en un conjunto adicional de 46 radiografías que no cumplían estrictamente las reglas de calidad de imagen originales. Aun así, el sistema estimó correctamente el sexo en aproximadamente el 98% de los casos y mostró una fuerza diagnóstica “excelente” según las estadísticas médicas estándar.

Qué significa esto para la ciencia y la sociedad

Para científicos forenses, arqueólogos y médicos forenses, el estudio sugiere que una combinación cuidadosamente diseñada de medidas guiadas por expertos y aprendizaje libre a partir de imágenes puede ofrecer estimaciones de sexo casi perfectas a partir de radiografías dentales habituales. El método no pretende reemplazar a los expertos ni al estándar de oro tradicional de la medición manual, sino ofrecer una segunda opinión rápida y consistente—especialmente útil cuando es necesario procesar muchos casos a la vez, como en desastres masivos. Los autores subrayan que es necesario realizar más pruebas en colecciones mayores y más variadas de restos, así como prestar atención a la ética, la transparencia y las normas legales. Aun así, esta red neuronal híbrida representa un paso importante hacia herramientas de IA prácticas y explicables que puedan ayudar a identificar a los fallecidos y restituir su identidad legal.

Cita: 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

Palabras clave: identificación forense, cefalograma lateral, estimación del sexo, aprendizaje profundo, radiología craneofacial