Machine learning-benadering voor het schatten van de leeftijd van volwassenen aan de hand van tandheelkundige kenmerken op panoramaröntgenfoto's

Waarom je tanden een aanwijzing voor je leeftijd kunnen geven

Terwijl we ouder worden, leggen onze tanden stilletjes een persoonlijke geschiedenis vast van maaltijden, ongelukjes en tandartsbezoeken. Deze studie onderzoekt hoeveel die registratie kan onthullen over iemands leeftijd op volwassen leeftijd, met moderne computermethoden die subtiele patronen in routinematige tandheelkundige röntgenbeelden lezen.

Tanden als levenslange vertellers

Bij kinderen en tieners kan de leeftijd redelijk goed worden geschat door te kijken hoe tanden groeien en zich vormen. Bij volwassenen is die groei echter voltooid, dus moeten experts zich richten op veranderingen die zich in de loop van de tijd ophopen, zoals afgesleten vlakken, vullingen, kronen, implantaten en ontbrekende tanden. Deze aanwijzingen zijn nuttig in disciplines zoals forensisch onderzoek, waar onderzoekers mogelijk moeten vaststellen wie iemand kan zijn, en in de antropologie, waar wetenschappers vroegere populaties bestuderen. Traditionele benaderingen tellen meestal het totale aantal bepaalde tandheelkundige behandelingen of condities en voeren die aantallen in een eenvoudige formule in, maar daarmee gaat veel detail verloren over welke tanden precies zijn aangedaan en op welke manier.

Een mond vol details omzetten naar bruikbare gegevens

De onderzoekers werkten met 2.415 panoramische tandheelkundige röntgenfoto's van volwassenen in de leeftijd van 20 tot 89 jaar. Op elke afbeelding labelden getrainde waarnemers elke tand met één van negen makkelijk herkenbare categorieën, zoals gezond, ontbrekend, gevuld, gekroond of geïmplanteerd. Als een tand twee verschillende kenmerken tegelijk vertoonde, bijvoorbeeld een wortelkanaal onder een kroon, werden beide gelijktijdig geregistreerd. In plaats van al deze informatie samen te vatten tot enkele totalen, maakte het team voor elke mond een gestructureerde digitale kaart die bijhield wat er op elke positie in de kaak gebeurde. Deze kaart diende als invoer voor zowel traditionele statistische formules als een reeks machine learning-modellen.

Computers leren tandpatronen lezen

Om te beoordelen hoe goed verschillende methoden de leeftijd konden schatten, vergeleek het team standaard lineaire regressie met zes machine learning-benaderingen, waaronder random forests en gradient boosting. Ze gebruikten een zorgvuldige teststrategie waarbij modellen herhaaldelijk werden getraind en getest op verschillende subsets van de data, zodat elke voorspelling werd gedaan op beelden die het model nog niet had gezien. Over de gehele groep van mannen en vrouwen miste de beste traditionele formule gemiddeld met ongeveer 12 jaar, terwijl het beste machine learning-model die fout terugbracht tot ongeveer 11 jaar en iets meer van de variatie in leeftijd wist te verklaren.

Wat de modellen van onze tanden leerden

De onderzoekers openden ook de “black box” van hun beste modellen om te zien welke tandheelkundige kenmerken het belangrijkst waren. Ze vonden dat veel gezonde, onaangetaste tanden de voorspelde leeftijd over het algemeen naar beneden duwden, terwijl een groter aantal ontbrekende tanden en kronen de schattingen naar boven bijstuurde. Achterste tanden droegen doorgaans meer leeftijdsinformatie dan voortanden, waarschijnlijk omdat ze zwaarder worden gebruikt bij het kauwen en vaker worden gerestaureerd of verwijderd. Desondanks hadden de modellen de neiging de leeftijd van jongere volwassenen te overschatten en die van oudere volwassenen te onderschatten, wat laat zien dat de relatie tussen tandheelkundige geschiedenis en leeftijd nog gebrekkig blijft.

Hoe dit in de praktijk gebruikt zou kunnen worden

Vooralsnog zijn deze computergestuurde leeftijdsschattingen niet precies genoeg om op zichzelf te staan, vooral wanneer het doel is de leeftijd van een individu exact vast te stellen. Ze zijn beter te zien als één aanvullende aanwijzing die andere methoden kan ondersteunen, zoals het onderzoeken van botten of aanvullende tandheelkundige metingen. Het werk toont aan dat het bewaren van gedetailleerde, tand-voor-tand informatie vergroot wat er uit een eenvoudige röntgenfoto te leren valt, en dat machine learning bescheiden verbeteringen kan opleveren ten opzichte van oudere formules. Met grotere en meer gevarieerde datasets, en door beeldkenmerken te combineren met klinische gegevens, kunnen toekomstige versies van deze benadering betrouwbaardere hulpmiddelen worden in forensische en klinische besluitvorming.

Bronvermelding: 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

Trefwoorden: tandheelkundige leeftijdsschatting, panoramische röntgenfoto, machine learning, forensische tandheelkunde, permanente tanden