שיטה של למידת מכונה לאמידת גיל בוגרים באמצעות מאפיינים דנטליים בתצלומי פנורמה

מדוע השיניים שלכם יכולות להעיד על גיל

במהלך חיינו השיניים שומרות בשקט תיעוד של היסטוריית הארוחות, התאונות וביקורי השיניים שלנו. המחקר שואל עד כמה רישום זה יכול לגלות את גיל האדם בבגרות, בעזרת טכניקות מחשב מודרניות שקוראות דפוסים עדינים בתמונות רנטגן שגרתיות של חלל הפה.

שיניים כספרי חיים

בנעורים ובילדות ניתן להעריך גיל באופן סביר על סמך גדילה והתפתחות השיניים. אצל מבוגרים, עם זאת, הגדילה הסתיימה, ולכן מומחים מסתמכים על שינויים הנצברים עם הזמן, כגון שחיקה, סתימות, כתרות, שתלים ושיניים חסרות. רמזים אלה שימושיים בתחומים כמו זיהוי משפטי, כאשר יש צורך לצמצם מי יכול להיות אותו אדם, ובאנתרופולוגיה לחקר אוכלוסיות עבר. גישות מסורתיות מוסיפות בדרך כלל את מספר הטיפולים או הממצאים ואז מכניסות סכומים אלה לנוסחה פשוטה, אך זה עלול להפחית הרבה מהפרטים לגבי איזו שן בדיוק הושפעה ובאיזה אופן.

להפוך פירוט של פה לנתונים שימושיים

החוקרים עבדו עם 2,415 צילומי רנטגן פנורמיים של מבוגרים בגילאי 20–89. בכל תמונה תויגה כל שן על ידי משקיפים מאומנים באחת מתשע קטגוריות קלות לזיהוי, כגון תקינה, חסרה, מסותמת, עם כתר או מושתלת. אם שן הציגה שתי תכונות שונות בו־זמנית, למשל טיפול שורש תחת כתר, שתיהן נרשמו יחד. במקום לקבץ את כל המידע הזה לסכומים מעטים, הצוות יצר מפה דיגיטלית מובנית לכל פה ששמרה מה מתרחש בכל מיקום בלסת. מפה זו שימשה כקלט הן לנוסחאות סטטיסטיות מסורתיות והן למכלול מודלים של למידת מכונה.

ללמד מחשבים לקרוא דפוסים דנטליים

כדי לשפוט עד כמה שיטות שונות יכולות לאמוד גיל, השוו החוקרים רגרסיה ליניארית סטנדרטית עם שש גישות של למידת מכונה, כולל יערות אקראיים וגרדיאנט בוסטינג. הם השתמשו באסטרטגיית בדיקה זהירה שבה המודלים אומנו ונבדקו שוב ושוב על תתי־קבוצות שונות של הנתונים, כך שכל תחזית נעשתה על תמונות שהמודל לא ראה קודם. בקבוצה המלאה של גברים ונשים, הנוסחה המסורתית הטובה ביותר טעתה בכ־12 שנים בממוצע, בעוד שהמודל הטוב ביותר של למידת המכונה צמצם את השגיאה לכ־11 שנים והסביר מעט יותר מהשונות בגיל.

מה המודלים למדו מהשיניים שלנו

החוקרים גם פתחו את "הקופסה השחורה" של המודלים הטובים ביותר שלהם כדי לראות אילו מאפיינים דנטליים היו המשמעותיים ביותר. הם מצאו ששיניים רבות תקינות ובלתי מטופלות נטו להוביל להערכת גיל נמוכה יותר, בעוד שמספר גבוה של שיניים חסרות וכתרות הזיז את ההערכות כלפי מעלה. שיני הטחוליות בדרך כלל נשאו יותר מידע על גיל מאשר השיניים הקדמיות, ככל הנראה כי הן משמשות בעומס ללעיסה ותכופות יותר מטופלות או מוסרות. עם זאת, המודלים נטו להעריך יתר על המידה את גילם של צעירים ולעריך פחות את גילם של מבוגרים יותר, מה שמראה שהקשר בין היסטוריית השיניים והגיל אינו מושלם.

כיצד זה יכול לשמש במציאות

כרגע, הערכות גיל מבוססות מחשב אלה אינן מדויקות מספיק כדי לשמש באופן עצמאי, במיוחד כאשר המטרה היא לקבוע גיל מדויק של אדם ספציפי. עדיף לראות בהן ראיה נוספת שיכולה לתמוך בשיטות אחרות, כגון בדיקת עצמות או מדידות דנטליות נוספות. העבודה מראה ששמירה על מידע מפורט שן אחר שן משפרת את מה שאפשר ללמוד מתצלום רנטגן פשוט, ושלמידת מכונה יכולה להביא שיפורים צנועים על פני נוסחאות ישנות. עם מאגרי נתונים גדולים ומגוונים יותר, ובשילוב מאפייני תמונה עם רשומות קליניות, גרסאות עתידיות של הגישה עשויות להפוך לסיוע מהימן יותר בקבלת החלטות משפטיות וקליניות.

ציטוט: 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

מילות מפתח: אמידת גיל דנטלי, תצלום פנורמי, למידת מכונה, רפואת שיניים משפטית, שיניים בוגרות