Classification du sinus maxillaire pour le sexe et l’âge utilisant 23 architectures d’intelligence artificielle

Pourquoi les sinus de vos joues comptent

Les cavités situées dans vos joues, qui facilitent la respiration et allègent le crâne, peuvent aussi contenir des indices sur votre identité. Cette étude examine si la forme et la taille des sinus maxillaires — cavités aériennes situées de part et d’autre du nez — visibles sur des radiographies dentaires de routine peuvent aider l’intelligence artificielle (IA) à estimer le sexe d’une personne et à déterminer si elle est plus jeune ou plus âgée que l’adolescence moyenne. De tels outils pourraient un jour aider les enquêtes médico‑légales et la mise en correspondance de dossiers médicaux, lorsque les méthodes d’identification traditionnelles font défaut ou sont incomplètes.

Les pièces cachées à l’intérieur de votre visage

Les sinus paranasaux sont des cavités creuses dans les os du visage et du crâne, notamment les os maxillaires des joues. Ils participent au conditionnement de l’air que nous respirons, réduisent le poids de la tête et soutiennent les défenses immunitaires. Parce que ces espaces se développent et évoluent de l’enfance à l’âge adulte, et ont tendance à être un peu plus grands chez les hommes que chez les femmes, leurs contours sur les radiographies peuvent contenir des informations sur l’âge et le sexe. Des travaux antérieurs ont mesuré ces sinus à la main ou avec des logiciels classiques, souvent sur des acquisitions tridimensionnelles, avec un succès modéré mais à un coût et un effort considérables.

Apprendre aux ordinateurs à lire les radiographies dentaires

Dans cette étude, les chercheurs ont rassemblé près de 19 000 radiographies panoramiques dentaires de patients brésiliens âgés de 6 à moins de 23 ans. Il s’agit des images radiographiques larges et courbes que beaucoup de patients reçoivent chez le dentiste. Des odontologistes médico‑légaux formés ont dessiné manuellement des boîtes rectangulaires autour des sinus maxillaires gauche et droit de chaque personne, définissant la région d’intérêt pour l’ordinateur. Les images ont ensuite été standardisées en taille et en luminosité, et légèrement modifiées (petites rotations, retournements, etc.) pour aider les modèles d’IA à apprendre des motifs robustes plutôt qu’à mémoriser des images spécifiques.

Mettre 23 « yeux » numériques à l’épreuve

L’équipe a évalué 23 systèmes d’analyse d’images basés sur l’IA, incluant des réseaux de neurones convolutionnels (CNN) classiques, de nouveaux Transformers de vision (ViT et DeiT), et un modèle moderne de détection connu sous le nom de YOLOv11. Ils ont soumis ces modèles à trois tâches : décider si une personne était de sexe masculin ou féminin ; la classer comme âgée de 15 ans ou moins versus plus de 15 ans ; et la répartir en quatre groupes combinant sexe et âge (filles plus jeunes, femmes plus âgées, garçons plus jeunes, hommes plus âgés). Pour garantir l’équité de l’évaluation, les données ont été divisées en ensembles d’apprentissage, de validation et de test strictement séparés, et une technique de validation croisée en cinq lots a assuré que chaque image était utilisée pour le test exactement une fois.

Performance des machines

Pour l’estimation du sexe seule, les meilleurs modèles — deux systèmes Transformer et un CNN avancé — ont correctement classé environ 78–81 % des cas. Cela correspond grosso modo aux meilleures méthodes antérieures, mais signifie encore qu’environ une personne sur cinq serait mal classée, ce qui rend les sinus insuffisants comme unique indice. L’âge s’est avéré plus facile : lorsque la tâche consistait simplement à décider si une personne avait 15 ans ou moins ou plus de 15 ans, les meilleurs modèles ont donné la bonne réponse autour de 95 % du temps, avec d’excellentes performances pour les deux groupes. Cependant, lorsque le sexe et l’âge devaient être devinés simultanément dans quatre catégories, la précision est tombée à environ 73–75 %, montrant que plus la question est détaillée, plus il est difficile pour l’IA de distinguer des différences subtiles dans l’apparence des sinus.

Ce que cela signifie pour la médecine légale et la dentisterie

Sur les trois tâches, les modèles récents basés sur les Transformers ont systématiquement surpassé la plupart des CNN traditionnels, probablement parce qu’ils sont meilleurs pour appréhender l’ensemble de la radiographie et repérer des motifs à longue portée dans les sinus. YOLOv11, un modèle conçu à l’origine pour détecter des objets dans les images, a aussi particulièrement bien performé, notamment pour les tâches liées à l’âge. Néanmoins, les auteurs soulignent que ces outils doivent actuellement être considérés comme des assistants utiles plutôt que comme des solutions autonomes dans les enquêtes médico‑légales réelles. Ils pourraient, par exemple, suggérer rapidement si des restes inconnus appartiennent probablement à une personne de moins ou plus de 15 ans, ou fournir une estimation préliminaire du sexe à confronter avec des preuves plus solides telles que les dents ou les os. Des travaux futurs avec des jeux de données plus divers, des groupes d’âge plus fins et éventuellement des acquisitions tridimensionnelles seront nécessaires avant que la lecture assistée par IA des sinus des joues puisse jouer un rôle central dans l’identification des individus.

Citation: 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

Mots-clés: odontologie médico‑légale, sinus maxillaire, estimation de l’âge, estimation du sexe, apprentissage profond