Estimativa de sexo a partir de cefalogramas laterais via uma rede neural convolucional multimodelo híbrida

Por que radiografias do crânio importam em investigações reais

Quando investigadores se deparam com restos não identificados após um crime, acidente ou desastre, uma das primeiras perguntas é saber se a pessoa era do sexo masculino ou feminino. Conhecer isso rapidamente reduz as possibilidades de correspondência e também pode orientar pesquisas médicas e arqueológicas. Este estudo investiga como radiografias ortodônticas de vista lateral do crânio, chamadas cefalogramas laterais, rotineiramente realizadas, podem ser combinadas com inteligência artificial para estimar o sexo com altíssima precisão, oferecendo um auxílio rápido e objetivo aos métodos forenses tradicionais.

Da radiografia do dentista a uma pista forense

Os cefalogramas laterais são imagens padrão usadas por dentistas e ortodontistas para planejar tratamentos. Eles mostram a vista lateral da cabeça, incluindo testa, dorso do nariz, mandíbula e base do crânio. Essas regiões apresentam diferenças sutis de forma entre homens e mulheres, como a proeminência da testa, o comprimento da base craniana e a altura vertical da face. Até agora, especialistas mediam essas diferenças manualmente, usando ângulos e distâncias entre pontos anatômicos bem definidos. Esse trabalho manual é lento, requer treinamento especializado e pode ser influenciado pelo julgamento do examinador, sobretudo quando os ossos estão danificados ou as imagens são pouco nítidas.

Misturando dois tipos de inteligência artificial

Os pesquisadores desenvolveram um sistema computacional “híbrido” que imita como um perito humano estuda um cefalograma, ao mesmo tempo que aprende diretamente a partir de padrões de imagem que podem ser invisíveis a olho nu. Uma parte do sistema, baseada em uma rede neural chamada DenseNet169, foi treinada em radiografias onde cinco marcos-chave foram cuidadosamente assinalados: glabela (testa), nasion (dorso do nariz), sella (uma pequena cavidade na base do crânio), basion (parte posterior inferior da abertura craniana) e menton (ponto mais baixo do queixo). Usando esses pontos, o modelo calculou automaticamente duas distâncias importantes — o comprimento da base craniana e a altura facial total — e três ângulos formados ao conectar os pontos em triângulos. Essas medidas alimentaram então fórmulas, desenvolvidas em trabalhos anteriores, que indicam se o crânio é mais provavelmente masculino ou feminino.

Deixar o computador “olhar” sem instruções

A segunda parte do sistema híbrido usou uma rede chamada EfficientNetB3, que não recebeu marcadores ou medidas. Em vez disso, ela aprendeu a reconhecer padrões relacionados ao sexo olhando diretamente as imagens de raios‑X brutas. Seu papel assemelha‑se ao de um radiologista experiente que, ao longo de muitos casos, aprende a notar combinações de sombras e formas que tendem a aparecer mais frequentemente em homens ou em mulheres. Um método separado de aprendizado de máquina, conhecido como classificador random forest, interpretou as características extraídas pela EfficientNetB3 e produziu sua própria previsão de sexo. Importante: esse caminho sem supervisão foi treinado em imagens que não exigiam marcação manual trabalhosa, tornando mais fácil expandir o sistema para conjuntos de dados maiores no futuro.

Votando pela melhor resposta

Para chegar a uma decisão final, os pesquisadores combinaram três “opiniões”: uma baseada em distâncias lineares, outra em medidas angulares e outra na análise apenas da imagem. O sistema usou votação majoritária — o sexo sugerido por ao menos duas das três técnicas tornou‑se o resultado final. Em um conjunto principal de dados com 150 adultos, ampliado com técnicas de aumento de imagem, a abordagem baseada em distâncias sozinha atingiu 100% de acurácia, e a baseada em ângulos ficou muito próxima, pouco abaixo de 100%. O modelo apenas com imagens foi menos preciso, em torno de 81%, mas quando os três foram combinados, a acurácia geral ficou em cerca de 99,7%. Para testar o desempenho em condições mais realistas, a equipe também avaliou o modelo híbrido em um conjunto extra de 46 radiografias que não cumpriam estritamente as regras originais de qualidade de imagem. Mesmo assim, o sistema estimou corretamente o sexo em cerca de 98% dos casos e apresentou força diagnóstica “excelente” segundo estatísticas médicas padrão.

O que isso significa para a ciência e a sociedade

Para cientistas forenses, arqueólogos e legistas, o estudo sugere que uma combinação bem projetada de medidas guiadas por especialistas e aprendizado livre a partir de imagens pode fornecer estimativas de sexo quase perfeitas a partir de radiografias odontológicas rotineiras. O método não pretende substituir especialistas nem o padrão-ouro tradicional de medição manual, mas oferecer uma segunda opinião rápida e consistente — especialmente útil quando muitos casos precisam ser processados simultaneamente, como em desastres em massa. Os autores enfatizam que são necessários testes adicionais em coleções maiores e mais variadas de restos, além de cuidadosa atenção a ética, transparência e normas legais. Ainda assim, essa rede neural híbrida representa um passo importante rumo a ferramentas de IA práticas e explicáveis que podem auxiliar na identificação dos mortos e na restauração de sua identidade legal.

Citação: 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

Palavras-chave: identificação forense, cefalograma lateral, estimativa de sexo, aprendizado profundo, radiologia craniofacial