Klasyfikacja zatoki szczękowej ze względu na płeć i wiek przy użyciu 23 architektur sztucznej inteligencji

Dlaczego zatoki w policzkach mają znaczenie

Przestrzenie w policzkach, które pomagają oddychać i odciążają czaszkę, mogą także skrywać wskazówki o tym, kim jesteś. Badanie to bada, czy kształt i rozmiar zatok szczękowych — wypełnionych powietrzem jam obok nosa — zarejestrowane na rutynowych zdjęciach rentgenowskich zębów mogą pomóc sztucznej inteligencji (AI) w oszacowaniu płci osoby oraz tego, czy jest ona młodsza czy starsza niż środkowe lata nastoletnie. Takie narzędzia mogłyby kiedyś wspierać dochodzenia sądowe i dopasowywanie dokumentacji medycznej, gdy tradycyjne metody identyfikacji są nieobecne lub niekompletne.

Ukryte komory wewnątrz twarzy

Zatoki przynosowe to puste przestrzenie w kościach twarzy i czaszki, w tym w kościach szczękowych w policzkach. Pomagają one oczyszczać i ogrzewać powietrze, które wdychamy, zmniejszają wagę głowy i wspierają mechanizmy odpornościowe. Ponieważ te przestrzenie rozwijają się i zmieniają od dzieciństwa do dorosłości oraz mają tendencję do bycia nieco większymi u mężczyzn niż u kobiet, ich zarysy na zdjęciach rentgenowskich mogą zawierać informacje o wieku i płci. Wcześniejsze badania mierzyły te zatoki ręcznie lub za pomocą konwencjonalnego oprogramowania, często w skanach trójwymiarowych — z umiarkowanym powodzeniem, ale przy znacznym koszcie i nakładzie pracy.

Nauczanie komputerów czytania zdjęć rentgenowskich zębów

W niniejszym badaniu naukowcy zgromadzili niemal 19 000 panoramicznych radiogramów zębów brazylijskich pacjentów w wieku od 6 do niecałych 23 lat. To szerokie, łukowate obrazy rentgenowskie, które wiele osób otrzymuje u stomatologa. Wykwalifikowani lekarze stomatologii sądowej ręcznie narysowali prostokątne ramki wokół lewej i prawej zatoki szczękowej każdej osoby, definiując obszar zainteresowania dla komputera. Obrazy następnie ujednolicono pod względem rozmiaru i jasności oraz delikatnie zmodyfikowano — np. niewielkie obroty czy odbicia — aby pomóc modelom AI uczyć się odpornego rozpoznawania wzorców zamiast zapamiętywać konkretne zdjęcia.

Testowanie 23 cyfrowych „oczu”

Zespół ocenił 23 różne systemy analizy obrazów AI, w tym klasyczne sieci konwolucyjne (CNN), nowsze Vision Transformer (ViT i DeiT) oraz nowoczesny model detekcyjny znany jako YOLOv11. Modele sprawdzono w trzech zadaniach: ustaleniu, czy osoba jest mężczyzną czy kobietą; klasyfikacji jako mającej 15 lat lub mniej versus starszej niż 15; oraz przyporządkowaniu do czterech grup łączących płeć i wiek (młodsze dziewczyny, starsze kobiety, młodsi chłopcy, starsi mężczyźni). Aby ocena była uczciwa, dane podzielono na zbiory treningowe, walidacyjne i oddzielny zbiór testowy, a technika pięciokrotnej walidacji krzyżowej zapewniła, że każdy obraz był przetestowany dokładnie raz.

Jak dobrze poradziły sobie maszyny

Przy estymacji samej płci najlepsze modele — dwa systemy Transformer i jedna zaawansowana sieć CNN — poprawnie sklasyfikowały około 78–81% przypadków. To mniej więcej odpowiada najlepszym wcześniejszym metodom, ale wciąż oznacza, że około jedna na pięć osób byłaby błędnie przypisana, co stanowi zbyt dużą niepewność, by traktować zatoki jako jedyne źródło informacji. Okazało się, że wiek jest łatwiejszy: gdy zadaniem było jedynie rozróżnienie, czy ktoś ma 15 lat lub mniej czy jest starszy niż 15, najlepsze modele miały trafność około 95%, z doskonałą wydajnością zarówno dla grup młodszych, jak i starszych. Jednak gdy trzeba było przewidzieć jednocześnie płeć i wiek w czterech kategoriach, dokładność spadła do około 73–75%, co pokazuje, że im bardziej szczegółowe pytanie, tym trudniej AI rozróżnić subtelne różnice w wyglądzie zatok.

Co to oznacza dla kryminalistyki i stomatologii

We wszystkich trzech zadaniach nowsze modele oparte na Transformerach konsekwentnie przewyższały większość tradycyjnych CNN, prawdopodobnie dlatego, że lepiej analizują całe zdjęcie rentgenowskie i wychwytują długodystansowe wzorce w zatokach. YOLOv11, model pierwotnie zaprojektowany do wykrywania obiektów na obrazach, także radził sobie szczególnie dobrze, zwłaszcza w zadaniach związanych z wiekiem. Mimo to autorzy podkreślają, że narzędzia te należy obecnie traktować jako przydatnych asystentów, a nie samodzielne rozwiązania w rzeczywistych sprawach sądowych. Mogą na przykład szybko zasugerować, czy nieznane szczątki należą do osoby prawdopodobnie poniżej lub powyżej 15. roku życia, albo dostarczyć wstępnego oszacowania płci, które należy zweryfikować silniejszymi dowodami, takimi jak zęby czy kości. Do szerokiego zastosowania czytania zatok policzkowych przez AI potrzebne będą dalsze badania obejmujące bardziej zróżnicowane zestawy danych, drobniejsze grupy wiekowe i być może skany trójwymiarowe, zanim ta metoda będzie mogła odegrać centralną rolę w identyfikowaniu tożsamości.

Cytowanie: 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

Słowa kluczowe: stomatologia sądowa, zatoka szczękowa, oszacowanie wieku, określenie płci, uczenie głębokie