Geslachtsbepaling uit laterale cephalogrammen met een hybride multimodel convolutioneel neuraal netwerk

Waarom schedelröntgenfoto’s van belang zijn in praktijkonderzoeken

Wanneer onderzoekers te maken krijgen met niet-geïdentificeerde resten na een misdrijf, ongeluk of ramp, is een van de eerste vragen die beantwoord moet worden of het om een man of vrouw gaat. Die informatie versmalt snel de zoekruimte voor een match en kan ook medische en archeologische onderzoeken sturen. Deze studie onderzoekt hoe routinematig gemaakte orthodontische zijaanzichten van de schedel, zogenaamde laterale cephalogrammen, gecombineerd kunnen worden met kunstmatige intelligentie om het geslacht met zeer hoge nauwkeurigheid te schatten, en zo een snelle en objectieve aanvulling te bieden op traditionele forensische methoden.

Van tandartsröntgen naar forensische aanwijzing

Laterale cephalogrammen zijn standaardbeelden die door tandartsen en orthodontisten worden gebruikt bij behandelplanning. Ze tonen het zijaanzicht van het hoofd, inclusief voorhoofd, neusrug, kaak en schedelbasis. Deze gebieden bevatten subtiele vormverschillen tussen mannen en vrouwen, zoals de nadruk van het voorhoofd, de lengte van de schedelbasis en de verticale hoogte van het gezicht. Tot nu toe maten deskundigen deze verschillen handmatig, met hoeken en afstanden tussen goed gedefinieerde anatomische punten. Dit handwerk is traag, vereist gespecialiseerde training en kan worden beïnvloed door het oordeel van de onderzoeker, vooral wanneer de botten beschadigd zijn of de beelden onduidelijk.

Het samenbrengen van twee typen kunstmatige intelligentie

De onderzoekers ontwierpen een “hybride” computersysteem dat nabootst hoe een menselijke expert een cephalogram bestudeert, terwijl het ook rechtstreeks leert van beeldpatronen die voor het blote oog onzichtbaar kunnen zijn. Een deel van het systeem, gebaseerd op een neuraal netwerk genaamd DenseNet169, werd getraind op röntgenfoto’s waarop vijf sleutelpunten zorgvuldig waren gemarkeerd: de glabella (voorhoofd), nasion (neusrug), sella (een kleine holte in de schedelbasis), basion (onderste achterzijde van de schedelopening) en menton (laagste punt van de kin). Met behulp van deze punten berekende het model automatisch twee belangrijke afstanden—de lengte van de schedelbasis en de totale gezichtshoogte—en drie hoeken gevormd door het verbinden van de punten tot driehoeken. Deze metingen werden vervolgens ingevoerd in formules, ontwikkeld in eerder werk, die aangeven of de schedel hoogstwaarschijnlijk mannelijk of vrouwelijk is.

De computer “laten kijken” zonder instructies

Het tweede deel van het hybride systeem gebruikte een netwerk genaamd EfficientNetB3, waaraan geen landmerken of metingen werden gegeven. In plaats daarvan leerde het geslachtsgerelateerde patronen herkennen door rechtstreeks naar de ruwe röntgenbeelden te kijken. Zijn rol lijkt op die van een ervaren radioloog die, na vele gevallen, combinaties van schaduwen en vormen leert opmerken die vaker bij mannen of bij vrouwen voorkomen. Een aparte machine-learningmethode, bekend als een random forest-classifier, interpreteerde de door EfficientNetB3 geëxtraheerde kenmerken en produceerde een eigen geslachtsvoorspelling. Belangrijk is dat deze ongeleide route getraind werd op beelden die geen arbeidsintensieve handmatige markering vereisten, wat het eenvoudiger maakt om het systeem in de toekomst op grotere datasets uit te breiden.

Stemmen voor het beste antwoord

Om tot een definitieve beslissing te komen, combineerden de onderzoekers drie “meningen”: één gebaseerd op lineaire afstanden, één op hoekmetingen en één op de alleen-beeldanalyse. Het systeem gebruikte meerderheidsstemming—welk geslacht door ten minste twee van de drie methoden werd voorgesteld, werd de uiteindelijke uitkomst. Op een hoofd dataset van 150 volwassenen, uitgebreid met technieken voor beeldaugmentatie, behaalde de afstandsgebaseerde aanpak op zichzelf 100% nauwkeurigheid, en de hoekgebaseerde benadering kwam er dicht bij, net onder de 100%. Het alleen-beeldmodel was minder nauwkeurig, rond 81%, maar wanneer alle drie werden gecombineerd, was de totale nauwkeurigheid ongeveer 99,7%. Om te testen hoe dit in de praktijk zou werken, evalueerde het team het hybride model ook op een extra set van 46 röntgenfoto’s die niet strikt voldeden aan de oorspronkelijke beeldkwaliteitsregels. Zelfs toen schatte het systeem het geslacht in ongeveer 98% van de gevallen correct en toonde het volgens standaard medische statistiek een “uitstekende” diagnostische kracht.

Wat dit betekent voor wetenschap en samenleving

Voor forensische wetenschappers, archeologen en lijkschouwers suggereert de studie dat een zorgvuldig ontworpen mix van mensgerichte metingen en vrij-vorm beeldleren bijna perfecte geslachtsinschattingen kan leveren uit alledaagse tandheelkundige röntgenfoto’s. De methode is niet bedoeld om deskundigen of de traditionele gouden standaard van handmatige meting te vervangen, maar om een snelle, consistente second opinion te bieden—bijzonder nuttig wanneer veel gevallen tegelijk verwerkt moeten worden, zoals bij massale slachtoffers. De auteurs benadrukken dat verder testen op grotere en meer gevarieerde collecties resten nodig is, evenals zorgvuldige aandacht voor ethiek, transparantie en juridische normen. Desondanks markeert dit hybride neurale netwerk een belangrijke stap naar praktische, verklaarbare AI-hulpmiddelen die kunnen helpen bij het identificeren van overledenen en het herstellen van hun juridische identiteit.

Bronvermelding: 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

Trefwoorden: forensische identificatie, lateraal cephalogram, geslachtsbepaling, deep learning, craniofaciale radiologie