Sexbedömning från laterala cefalogram med en hybrid multimodell konvolutionsneuralt nätverk

Varför skalle-röntgen är viktig i verkliga utredningar

När utredare står inför oidentifierade kvarlevor efter ett brott, en olycka eller en katastrof är en av de första frågorna de måste besvara om personen var man eller kvinna. Att snabbt få detta svar smalnar av sökningen efter en matchning och kan också styra medicinsk och arkeologisk forskning. Denna studie undersöker hur rutinmässigt tagna ortodontiska sidovy-röntgenbilder av skallen, så kallade laterala cefalogram, kan kombineras med artificiell intelligens för att uppskatta kön med mycket hög noggrannhet och därigenom erbjuda ett snabbt och objektivt stöd till traditionella forensiska metoder.

Från tandläkarens röntgen till ett forensiskt spår

Laterala cefalogram är standardbilder som tandläkare och ortodontister använder för behandlingsplanering. De visar sidan av huvudet, inklusive pannan, näsryggen, käken och skallbasen. Dessa regioner innehåller subtila formskillnader mellan män och kvinnor, såsom pannans framträdande, längden på kranialbasen och ansiktets vertikala höjd. Hittills har experter mätt dessa skillnader för hand, med vinklar och avstånd mellan väldefinierade anatomiska punkter. Detta manuella arbete är långsamt, kräver specialutbildning och kan påverkas av bedömarens omdöme, särskilt när benen är skadade eller bilderna otydliga.

Att blanda två typer av artificiell intelligens

Forskarna designade ett "hybrid" datorsystem som efterliknar hur en mänsklig expert studerar ett cefalogram, samtidigt som det också lär sig direkt från bildmönster som kan vara osynliga för blotta ögat. En del av systemet, baserat på ett neuralt nätverk kallat DenseNet169, tränades på röntgenbilder där fem nyckel-landmärken noggrant markerats: glabella (panna), nasion (näsrygg), sella (en liten fördjupning i skallbasen), basion (nedre baksidan av skallöppningen) och menton (ansiktets lägsta punkt på hakan). Med hjälp av dessa punkter beräknade modellen automatiskt två viktiga avstånd — längden på kranialbasen och total ansiktshöjd — samt tre vinklar som bildas genom att koppla punkterna till trianglar. Dessa mätningar matades sedan in i formler, utvecklade i tidigare arbete, som gav ett resultat om skallen sannolikt var manlig eller kvinnlig.

Låta datorn "titta" utan instruktioner

Den andra delen av hybridsystemet använde ett nätverk kallat EfficientNetB3, som inte försågs med några landmärken eller mätningar. Istället lärde det sig att känna igen könsrelaterade mönster genom att titta direkt på råa röntgenbilder. Dess roll liknar en erfaren radiologs, som över många fall lär sig att lägga märke till kombinationer av skuggor och former som tenderar att förekomma oftare hos män eller hos kvinnor. En separat maskininlärningsmetod, känd som en random forest-klassificerare, tolkade de funktioner EfficientNetB3 extraherade och producerade sin egen könsprognos. Viktigt är att denna osupervisade väg tränades på bilder som inte krävde arbetsintensiv manuell markering, vilket gör det enklare att utöka systemet till större datamängder i framtiden.

Rösta fram det bästa svaret

För att komma fram till ett slutgiltigt beslut kombinerade forskarna tre "åsikter": en baserad på linjära avstånd, en baserad på vinkelmätningar och en baserad på endast bildanalys. Systemet använde majoritetsomröstning — det kön som föreslogs av minst två av de tre metoderna blev det slutgiltiga utfallet. På en huvudsaklig datamängd om 150 vuxna, utökad med bildaugmenteringstekniker, nådde avståndsbaserade metoden ensam 100 % noggrannhet, och vinkelbaserade metoden kom nära, strax under 100 %. Bild-modellen ensam var mindre träffsäker, omkring 81 %, men när alla tre kombinerades blev den totala noggrannheten cirka 99,7 %. För att testa hur väl detta skulle fungera i verkliga situationer utvärderade teamet också hybridmodellen på en extra uppsättning om 46 röntgenbilder som inte strikt uppfyllde de ursprungliga bildkvalitetsreglerna. Även där uppskattade systemet kön korrekt i omkring 98 % av fallen och visade enligt vedertagen medicinsk statistik en "utmärkt" diagnostisk styrka.

Vad detta betyder för vetenskap och samhälle

För forensiska forskare, arkeologer och rättsmedicinska experter antyder studien att en omsorgsfullt utformad blandning av människostyrda mätningar och fri-form bildinlärning kan ge nästintill perfekta könsuppskattningar från vardagliga tandröntgenbilder. Metoden är inte avsedd att ersätta experter eller den traditionella guldkanten av manuella mätningar, utan att erbjuda ett snabbt, konsekvent andra utlåtande — särskilt användbart när många fall måste hanteras samtidigt, som vid masskatastrofer. Författarna understryker att ytterligare tester på större och mer varierade samlingar av kvarlevor behövs, liksom noggrann uppmärksamhet på etik, transparens och rättsliga standarder. Ändå markerar detta hybrida neurala nätverk ett viktigt steg mot praktiska, förklarliga AI-verktyg som kan hjälpa till att identifiera de avlidna och återställa deras juridiska identitet.

Citering: 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

Nyckelord: forensisk identifiering, lateralt cefalogram, sexbedömning, djuplärande, kraniofacial radiologi