Approccio di machine learning per la stima dell’età adulta basato su caratteristiche dentali in radiografie panoramiche

Perché i tuoi denti possono suggerire la tua età

Nel corso della vita i nostri denti registrano silenziosamente la storia personale di pasti, incidenti e visite dal dentista. Questo studio indaga quanto quel registro possa rivelare sull’età di una persona in età adulta, usando tecniche informatiche moderne per leggere schemi sottili in immagini radiografiche dentali di routine.

I denti come narratori di una vita

Nei bambini e negli adolescenti l’età può essere stimata abbastanza bene osservando come i denti crescono e si formano. Negli adulti, invece, quella crescita è completata, perciò gli esperti devono ricorrere a cambiamenti che si accumulano nel tempo, come superfici consumate, otturazioni, corone, impianti e denti mancanti. Questi indizi sono utili in ambiti come la medicina legale, dove gli investigatori possono aver bisogno di restringere chi potrebbe essere una persona, e in antropologia, dove gli scienziati studiano le popolazioni passate. Gli approcci tradizionali di solito sommano il numero totale di certi trattamenti o condizioni e inseriscono quei conteggi in una formula semplice, ma ciò può eliminare molti dettagli su quali denti sono colpiti e come.

Convertire una bocca di dettagli in dati utilizzabili

I ricercatori hanno lavorato con 2.415 radiografie panoramiche dentali di adulti di età compresa tra 20 e 89 anni. Su ogni immagine gli osservatori addestrati hanno etichettato ogni dente con una delle nove categorie facili da riconoscere, come sano, mancante, otturato, protesizzato o impiantato. Se un dente presentava due caratteristiche diverse contemporaneamente, per esempio una terapia canalare sotto una corona, entrambe venivano registrate insieme. Invece di ridurre tutte queste informazioni a pochi totali, il team ha creato una mappa digitale strutturata per ogni bocca che teneva traccia di cosa accadeva in ogni posizione della mascella. Questa mappa è servita come input sia per le formule statistiche tradizionali sia per un insieme di modelli di machine learning.

Addestrare i computer a leggere i modelli dentali

Per valutare quanto bene diversi metodi potessero stimare l’età, il team ha confrontato la regressione lineare standard con sei approcci di machine learning, tra cui random forest e gradient boosting. Hanno utilizzato una strategia di test accurata in cui i modelli venivano ripetutamente addestrati e testati su diversi sottoinsiemi dei dati, così che ogni previsione fosse fatta su immagini che il modello non aveva visto prima. Nell’insieme completo di uomini e donne, la migliore formula tradizionale sbagliava in media di circa 12 anni, mentre il miglior modello di machine learning ha ridotto quell’errore a circa 11 anni e ha spiegato un po’ di più della variabilità dell’età.

Cosa i modelli hanno imparato dai nostri denti

I ricercatori hanno anche aperto la “scatola nera” dei loro migliori modelli per vedere quali caratteristiche dentali contassero di più. Hanno scoperto che avere molti denti sani e intatti tendeva a far abbassare le età previste, mentre un numero maggiore di denti mancanti e corone spingeva le stime verso l’alto. I denti posteriori in genere fornivano più informazioni sull’età rispetto ai denti anteriori, probabilmente perché sono più sollecitati nella masticazione e sono più frequentemente restaurati o estratti. Tuttavia, i modelli tendevano a sovrastimare l’età dei giovani adulti e a sottostimare quella degli adulti più anziani, mostrando che la relazione tra storia dentale ed età rimane imperfetta.

Come questo potrebbe essere usato nella vita reale

Per ora, queste stime di età basate su computer non sono abbastanza precise da poter essere utilizzate da sole, soprattutto quando l’obiettivo è identificare con precisione l’età di un individuo. È meglio considerarle come un ulteriore elemento di prova che può supportare altri metodi, come l’esame delle ossa o misure dentali aggiuntive. Il lavoro dimostra che mantenere informazioni dettagliate, dente per dente, migliora ciò che si può apprendere da una semplice radiografia, e che il machine learning può apportare guadagni modesti rispetto alle formule più datate. Con dataset più ampi e più vari, e combinando le caratteristiche delle immagini con cartelle cliniche, le versioni future di questo approccio potrebbero diventare strumenti di supporto più affidabili nelle decisioni forensi e cliniche.

Citazione: 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

Parole chiave: stima dell’età dentale, radiografia panoramica, machine learning, odontologia forense, denti permanenti