Classificatie van de bovenkaakholte voor geslacht en leeftijd met 23 kunstmatige-intelligentiearchitecturen

Waarom de sinussen in je wangen ertoe doen

De holten in je wangen die je helpen ademen en je schedel verlichten, kunnen ook aanwijzingen bevatten over wie je bent. Deze studie onderzoekt of de vorm en grootte van de bovenkaakholten — met lucht gevulde holtes naast de neus — vastgelegd op routinematige tandheelkundige röntgenfoto’s, kunstmatige intelligentie (AI) kunnen helpen om iemands geslacht en of iemand jonger of ouder is dan de midden‑tienerjaren te schatten. Zulke hulpmiddelen zouden in de toekomst forensisch onderzoek en het matchen van medische dossiers kunnen ondersteunen wanneer traditionele identificatiemethoden ontbreken of onvolledig zijn.

De verborgen kamers in je gezicht

De paranasaal sinussen zijn holle ruimten in de botten van het gezicht en de schedel, waaronder de bovenkaakbotten in de wangen. Ze helpen de ingeademde lucht te conditioneren, verminderen het gewicht van het hoofd en ondersteunen de immuunverdediging. Omdat deze ruimtes groeien en veranderen van kindertijd naar volwassenheid, en doorgaans bij mannen iets groter zijn dan bij vrouwen, kunnen hun contouren op röntgenfoto’s informatie bevatten over zowel leeftijd als geslacht. Eerder onderzoek mat deze sinussen met de hand of met conventionele software, vaak in driedimensionale scans, met matig succes maar tegen aanzienlijke kosten en inspanning.

Computers leren tandheelkundige röntgenfoto’s lezen

In deze studie verzamelden onderzoekers bijna 19.000 panoramische tandheelkundige radiografieën van Braziliaanse patiënten van 6 tot net geen 23 jaar. Dit zijn de brede, gebogen röntgenbeelden die veel mensen bij de tandarts krijgen. Getrainde forensische tandartsen tekenden handmatig rechthoekige kaders rond de linker- en rechterbovenkaakholte van elke persoon, waarmee de regio van belang voor de computer werd gedefinieerd. De beelden werden vervolgens gestandaardiseerd in grootte en helderheid en licht aangepast, bijvoorbeeld met kleine rotaties of spiegelingen, zodat AI‑modellen robuuste patronen leren in plaats van specifieke plaatjes te onthouden.

23 digitale “ogen” op de proef gesteld

Het team evalueerde 23 verschillende AI‑beeldanalysetoepassingen, waaronder klassieke convolutionele neurale netwerken (CNN’s), nieuwere Vision Transformers (ViT en DeiT) en een modern detectiemodel dat bekendstaat als YOLOv11. Ze stelden deze modellen drie taken voor: bepalen of een persoon mannelijk of vrouwelijk is; classificeren of iemand 15 jaar of jonger is versus ouder dan 15; en indelen in vier groepen die geslacht en leeftijd combineren (jongere meisjes, oudere vrouwen, jongere jongens, oudere mannen). Om de beoordeling eerlijk te houden, werden de gegevens opgesplitst in trainings-, validatie- en strikt afzonderlijke testsets, en een techniek genaamd five‑fold cross‑validation zorgde ervoor dat elke afbeelding precies één keer voor testen werd gebruikt.

Hoe goed de machines presteerden

Voor het uitsluitend schatten van het geslacht waren de beste modellen — twee Transformer‑systemen en één geavanceerde CNN — in ongeveer 78–81% van de gevallen correct. Dat komt ongeveer overeen met de beste eerdere methoden, maar betekent nog steeds dat ongeveer één op de vijf personen verkeerd geclassificeerd zou worden, wat te onzeker is om de sinussen als enige aanwijzing te gebruiken. Leeftijd bleek makkelijker te bepalen: wanneer de taak simpelweg was te besluiten of iemand 15 jaar of jonger is of ouder dan 15, gaven de toppers ongeveer 95% correcte antwoorden, met uitstekende prestaties voor zowel de jongere als oudere groepen. Wanneer echter geslacht en leeftijd samen in vier categorieën moesten worden geraden, daalde de nauwkeurigheid tot rond 73–75%, wat laat zien dat hoe gedetailleerder de vraag, hoe moeilijker het voor AI is om subtiele verschillen in sinusverschijning te onderscheiden.

Wat dit betekent voor forensisch onderzoek en tandheelkunde

Over alle drie taken presteerden de nieuwere op Transformers gebaseerde modellen consequent beter dan de meeste traditionele CNN’s, waarschijnlijk omdat ze beter in staat zijn het hele röntgenbeeld te verwerken en langafstandspatronen in de sinussen te herkennen. YOLOv11, een model oorspronkelijk ontworpen om objecten in beelden te vinden, deed het ook bijzonder goed, vooral bij leeftijdsgerelateerde taken. Toch benadrukken de auteurs dat deze hulpmiddelen momenteel als nuttige assistenten moeten worden gezien en niet als zelfstandige oplossingen in echte forensische zaken. Ze kunnen bijvoorbeeld snel suggereren of onbekende resten waarschijnlijk tot een persoon behoren die jonger of ouder dan 15 is, of een voorlopige schatting van het geslacht geven die tegen sterker bewijs zoals tanden of botten moet worden gecontroleerd. Toekomstig werk met meer diverse datasets, fijnere leeftijdsgroepen en mogelijk driedimensionale scans zal nodig zijn voordat AI‑gebaseerde uitlezing van wangholtes een centrale rol kan spelen bij het vaststellen van iemands identiteit.

Bronvermelding: 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

Trefwoorden: forensische tandheelkunde, bovenkaakholte, leeftijdsschatting, geslachtsschatting, deep learning