Подход машинного обучения для оценки возраста взрослых по дентальным характеристикам на панорамных радиографиях

Почему ваши зубы могут подсказать возраст

По мере жизни наши зубы незаметно записывают историю приемов пищи, неудач и визитов к стоматологу. В этом исследовании ставится вопрос, насколько эта запись может раскрыть возраст человека во взрослом возрасте, с использованием современных компьютерных методов для считывания тонких закономерностей на рутинных дентальных рентген‑изображениях.

Зубы как хранители биографии

У детей и подростков возраст относительно легко оценивается по тому, как растут и формируются зубы. У взрослых же рост завершен, поэтому экспертам приходится опираться на накопленные со временем изменения: стертость поверхностей, пломбы, коронки, импланты и отсутствующие зубы. Эти подсказки полезны в таких областях, как судебная медицина, где следует сузить круг возможных личностей, и в антропологии при изучении прошлых популяций. Традиционные подходы обычно суммируют количество тех или иных стоматологических вмешательств или состояний и подставляют эти показатели в простую формулу, но при этом теряется много информации о том, какие именно зубы и как затронуты.

Преобразование множества деталей в пригодные для анализа данные

Исследователи работали с 2415 панорамными дентальными радиографиями взрослых в возрасте от 20 до 89 лет. На каждом изображении обученные наблюдатели помечали каждый зуб одной из девяти легко различимых категорий, например здоровый, отсутствующий, запломбированный, с коронкой или с имплантом. Если зуб одновременно имел две характеристики, например корневой канал под коронкой, обе отмечались вместе. Вместо того чтобы сводить всю эту информацию к нескольким суммарным показателям, команда создала структурированную цифровую карту для каждой челюсти, фиксируя состояние каждого положения в зубной дуге. Эта карта служила входом как для традиционных статистических формул, так и для набора моделей машинного обучения.

Обучение компьютеров распознавать дентальные паттерны

Чтобы оценить, насколько разные методы способны предсказывать возраст, команда сравнила стандартную линейную регрессию с шестью подходами машинного обучения, включая случайные леса и градиентный бустинг. Использовалась тщательная стратегия тестирования: модели многократно обучались и проверялись на разных подмножествах данных, так что каждое предсказание делалось на изображениях, которых модель не видела во время обучения. По всей выборке мужчин и женщин лучшая традиционная формула ошибалась примерно на 12 лет в среднем, тогда как лучшая модель машинного обучения сократила эту ошибку до примерно 11 лет и объясняла немного больше вариации в возрасте.

Чему модели научились по нашим зубам

Исследователи также «раскрыли» «черный ящик» своих лучших моделей, чтобы выяснить, какие дентальные признаки имеют наибольшее значение. Они обнаружили, что большое число здоровых, не тронутых зубов склоняет предсказанный возраст в меньшую сторону, тогда как большее количество отсутствующих зубов и коронок подтягивает оценку вверх. Задние зубы в целом несли больше информации о возрасте, чем передние, вероятно потому, что ими сильнее жуют и их чаще реставрируют или удаляют. Тем не менее модели склонны были переоценивать возраст молодых взрослых и недооценивать возраст пожилых, что показывает, что связь между стоматологической историей и возрастом остается несовершенной.

Как это может применяться в реальной практике

Пока такие компьютерные оценки возраста недостаточно точны, чтобы использовать их автономно, особенно когда задача — установить возраст конкретного человека. Их лучше рассматривать как дополнительное доказательство, которое может поддержать другие методы, например исследование костей или дополнительные стоматологические показатели. Работа показывает, что сохранение подробной информации по каждому зубу повышает информативность простой рентгенограммы, а машинное обучение может дать скромный прирост по сравнению со старыми формулами. С большими и более разнообразными наборами данных и при объединении признаков изображений с клиническими записями будущие версии подхода могут стать более надежными помощниками в судебной и клинической практике.

Цитирование: 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

Ключевые слова: оценка возраста по зубам, панорамная радиография, машинное обучение, судебная стоматология, постоянные зубы