Podejście uczenia maszynowego do estymacji wieku dorosłych na podstawie cech dentystycznych na radiografiach panoramicznych

Dlaczego zęby mogą sugerować wiek

W miarę upływu życia nasze zęby cicho zapisują historię posiłków, wypadków i wizyt u dentysty. W badaniu postawiono pytanie, ile z tej historii może ujawnić wiek osoby w okresie dorosłości, wykorzystując nowoczesne techniki komputerowe do odczytywania subtelnych wzorców na rutynowych zdjęciach rentgenowskich szczęki.

Zęby jako opowiadacze historii przez całe życie

U dzieci i nastolatków wiek można dość dobrze oszacować, obserwując rozwój i formowanie się zębów. U dorosłych jednak ten wzrost jest zakończony, więc eksperci muszą sięgać po zmiany kumulujące się z czasem, takie jak starte powierzchnie, wypełnienia, korony, implanty czy brakujące zęby. Te wskazówki są przydatne w takich dziedzinach jak kryminalistyka, gdzie badacze mogą potrzebować zawęzić krąg możliwych tożsamości, oraz w antropologii, gdzie analizuje się populacje przeszłe. Tradycyjne podejścia zwykle sumują łączne liczby określonych zabiegów lub stanów i wprowadzają te sumy do prostego wzoru, co może jednak utracić wiele szczegółów dotyczących tego, które dokładnie zęby są dotknięte i w jaki sposób.

Przekształcanie zbioru szczegółów w dane użyteczne dla modeli

Naukowcy pracowali na 2 415 panoramicznych radiogramach stomatologicznych dorosłych w wieku 20–89 lat. Na każdym obrazie wykwalifikowani obserwatorzy oznaczali każdy ząb jedną z dziewięciu łatwych do rozpoznania kategorii, takich jak zdrowy, brakujący, wypełniony, z koroną lub z implantem. Jeśli ząb wykazywał dwie cechy jednocześnie, na przykład leczenie endodontyczne pod koroną, obie zostały zarejestrowane razem. Zamiast redukować te informacje do kilku łącznych wartości, zespół utworzył uporządkowaną mapę cyfrową dla każdego uzębienia, która śledziła, co dzieje się na każdym miejscu w szczęce. Ta mapa była wejściem zarówno do tradycyjnych wzorów statystycznych, jak i do zestawu modeli uczenia maszynowego.

Nauczanie komputerów rozpoznawania wzorców dentystycznych

Aby ocenić, jak dobrze różne metody potrafią oszacować wiek, zespół porównał standardową regresję liniową z sześcioma podejściami uczenia maszynowego, w tym lasami losowymi i wzmacnianiem gradientowym. Zastosowano staranną strategię testowania, w której modele były wielokrotnie trenowane i testowane na różnych podzbiorach danych, tak aby każda prognoza była wykonywana na obrazach, których model wcześniej nie widział. W całej grupie mężczyzn i kobiet najlepszy tradycyjny wzór mylił się średnio o około 12 lat, podczas gdy najlepszy model uczenia maszynowego zmniejszył ten błąd do około 11 lat i wyjaśniał nieco więcej zmienności wieku.

Co modele „nauczyły się” o naszych zębach

Naukowcy także otworzyli „czarną skrzynkę” swoich najlepszych modeli, aby zobaczyć, które cechy dentystyczne były najważniejsze. Stwierdzili, że posiadanie wielu zdrowych, nienaruszonych zębów zwykle obniżało prognozowany wiek, podczas gdy większa liczba brakujących zębów i koron podnosiła szacunkowe wartości. Zęby tylne generalnie niosły więcej informacji o wieku niż zęby przednie, prawdopodobnie dlatego, że są bardziej eksploatowane przy żuciu i częściej poddawane rekonstrukcji lub usuwane. Mimo to modele miały tendencję do zawyżania wieku młodszych dorosłych i zaniżania wieku starszych dorosłych, co pokazuje, że związek między historią dentystyczną a wiekiem nadal nie jest doskonały.

Jak to można wykorzystać w praktyce

Na razie te komputerowe estymacje wieku nie są wystarczająco precyzyjne, by funkcjonować samodzielnie, zwłaszcza gdy celem jest określenie wieku konkretnej osoby. Lepiej traktować je jako dodatkowy element dowodowy wspierający inne metody, takie jak badanie kości czy dodatkowe miary dentystyczne. Praca pokazuje, że zachowanie szczegółowych informacji zębowo-pozębowych poprawia to, ile można wyczytać z prostego zdjęcia rentgenowskiego, oraz że uczenie maszynowe może przynieść umiarkowane korzyści względem starszych wzorów. Przy większych i bardziej zróżnicowanych zbiorach danych oraz przy łączeniu cech obrazowych z dokumentacją kliniczną przyszłe wersje tego podejścia mogą stać się bardziej wiarygodnym wsparciem w decyzjach sądowo-lekarskich i klinicznych.

Cytowanie: 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

Słowa kluczowe: estymacja wieku dentystycznego, radiografia panoramiczna, uczenie maszynowe, stomatologia sądowa, zęby stałe