Klassificering av överkäkssinus för kön och ålder med 23 artificiella intelligens‑arkitekturer

Varför sinus i dina kinder spelar roll

De håligheter i kinderna som hjälper dig att andas och lättar upp skallen kan också innehålla ledtrådar om vem du är. Denna studie undersöker om formen och storleken på överkäkssinuserna — luftfyllda håligheter intill näsan — som fångas på rutinmässiga tandröntgenbilder kan hjälpa artificiell intelligens (AI) att uppskatta en persons kön och om personen är yngre eller äldre än mitten av tonåren. Sådana verktyg skulle en dag kunna bistå i rättsmedicinska utredningar och matchning av medicinska journaler, där traditionella identifieringsmetoder saknas eller är ofullständiga.

De dolda rummen i ditt ansikte

Paranasala sinuser är hålrumsutrymmen i ansikts- och skallbenen, inklusive överkäksbenen i kinderna. De hjälper till att konditionera inandningsluften, minska huvudets vikt och stödja immunförsvaret. Eftersom dessa utrymmen växer och förändras från barndom till vuxen ålder, och ofta är något större hos män än hos kvinnor, kan deras konturer på röntgenbilder bära information om både ålder och kön. Tidigare forskning har mätt dessa sinuser för hand eller med konventionell mjukvara, ofta i tredimensionella bilder, med måttlig framgång men med betydande kostnad och arbete.

Att lära datorer läsa tandröntgen

I denna studie samlade forskarna nästan 19 000 panoramiska tandröntgenbilder från brasilianska patienter i åldrarna 6 till knappt 23 år. Det är de breda, böjda röntgenbilder många får hos tandläkaren. Tränade rättsodontologer ritade manuellt rektangulära rutor runt varje persons vänstra och högra överkäkssinus för att definiera intresseområdet för datorn. Bilderna standardiserades därefter i storlek och ljusstyrka och modifierades lätt genom små rotationer eller speglingar för att hjälpa AI‑modeller att lära robusta mönster istället för att memorera enstaka bilder.

Att pröva 23 digitala “ögon”

Teamet utvärderade 23 olika AI‑bildanalysystem, inklusive klassiska konvolutionella neurala nätverk (CNN), nyare Vision Transformers (ViT och DeiT) samt en modern detektionsmodell känd som YOLOv11. De utsatte modellerna för tre uppgifter: avgöra om en person var man eller kvinna; klassificera personen som 15 år eller yngre kontra äldre än 15; och sortera dem i fyra grupper som kombinerar kön och ålder (yngre flickor, äldre kvinnor, yngre pojkar, äldre män). För att behålla en rättvis utvärdering delades data upp i tränings-, validerings- och strikt separata testuppsättningar, och en teknik kallad fem‑faldig korsvalidering säkerställde att varje bild användes i testet exakt en gång.

Hur väl maskinerna presterade

När det gäller enbart könsbedömning klassificerade de bästa modellerna — två Transformer‑system och ett avancerat CNN — korrekt ungefär 78–81 % av fallen. Detta ligger ungefär i nivå med de bästa tidigare metoderna, men innebär ändå att omkring en av fem personer skulle bli felklassificerad, vilket är för osäkert för att sinuserna ska kunna användas som enda ledtråd. Ålder visade sig vara enklare: när uppgiften helt enkelt var att avgöra om någon var 15 år eller yngre eller äldre än 15, fick toppmodellerna rätt omkring 95 % av gångerna, med utmärkt prestanda för både yngre och äldre grupper. När kön och ålder däremot måste gissas samtidigt i fyra kategorier sjönk noggrannheten till omkring 73–75 %, vilket visar att ju mer detaljerad frågan är, desto svårare är det för AI att skilja subtila skillnader i sinusutseende.

Vad detta betyder för rättsmedicin och tandvård

Över alla tre uppgifter presterade de nyare Transformer‑baserade modellerna konsekvent bättre än de flesta traditionella CNN, troligen eftersom de är bättre på att ta in hela röntgenbilden och upptäcka långräckta mönster i sinuserna. YOLOv11, en modell ursprungligen designad för objektdetektion i bilder, klarade sig också särskilt bra, särskilt för åldersrelaterade uppgifter. Ändå betonar författarna att dessa verktyg i nuläget bör ses som hjälpsamma assistenter snarare än fristående lösningar i verkliga rättsmedicinska fall. De kan till exempel snabbt föreslå om okända kvarlevor troligen tillhör en person under eller över 15 år, eller ge en preliminär könsbedömning som ska kontrolleras mot starkare bevis som tänder eller ben. Framtida arbete med mer varierade dataset, finare åldersindelningar och eventuellt tredimensionella skanningar kommer att behövas innan AI‑baserad avläsning av kind‑sinuser kan spela en central roll i att identifiera vem vi är.

Citering: 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

Nyckelord: forensisk odontologi, överkäkssinus, åldersbestämning, könsbestämning, djuplärning