DOI: https://doi.org/10.1007/s00330-025-11373-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39862249
تاريخ النشر: 2025-01-25
المؤلف: Rainer Koch وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تستقصي هذه الدراسة تطبيق الشبكات العصبية التلافيفية (CNNs) لتقدير العمر الجنائي باستخدام الصور الشعاعية البانورامية (OPGs). من خلال تدريب شبكة CNN مخصصة على مجموعة بيانات كبيرة تضم 21,814 صورة OPG من 13,766 فردًا تتراوح أعمارهم بين 1 إلى أقل من 25 عامًا، كان الهدف من الباحثين هو تعزيز سرعة ودقة توقعات العمر. تم تدريب الشبكة على مدى 1000 دورة، باستخدام 16,000 صورة OPG للتدريب و4,000 للتحقق، مع تقييم الأداء على مجموعة اختبار مستقلة تضم 1,814 صورة OPG. حقق النموذج متوسط خطأ مطلق (MAE) قدره 0.93 ± 0.81 سنة ومتوسط خطأ موقّع (MSE) قدره -0.06 ± 1.23 سنة، حيث كانت 63% من التوقعات دقيقة ضمن سنة واحدة و95% ضمن 2.5 سنة، مما يظهر نتائج قابلة للمقارنة مع التقييمات الخبيرة في الحالات الجنائية.
تؤكد النتائج على إمكانية الشبكات العصبية التلافيفية في تحسين تقدير العمر الجنائي بشكل كبير، مما يوفر بديلاً موثوقًا وموضوعيًا للطرق التقليدية. تسلط الدراسة الضوء على أهمية تقدير العمر بدقة في السياقات الجنائية، مشيرة إلى أن دمج تقنيات التعلم العميق يمكن أن يعزز موثوقية ودقة تقييمات العمر، مما يعود بالنفع في النهاية على الأفراد الذين تعتمد مصائرهم على مثل هذه التقييمات. هناك حاجة لمزيد من الاستكشاف لتطبيقات الشبكات العصبية التلافيفية في هذا المجال لدعم الخبراء الجنائيين.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية تقدير العمر الجنائي في مجالات متنوعة، بما في ذلك العلوم الجنائية وإنفاذ القانون، من خلال استخدام مؤشرات النضج مثل تطور الأسنان والعظام. تدعو مجموعة دراسة الطب الشرعي في الجمعية الألمانية للطب الشرعي (AGFAD) إلى اتباع نهج منظم من ثلاث خطوات لتقييم العمر في المراهقين والشباب البالغين، والذي يتضمن التاريخ الطبي، والفحص البدني، وتقنيات التصوير المتقدمة مثل الأشعة السينية لليد/ المعصم الأيسر والصورة الشعاعية البانورامية (OPG) للفك. يتم تسليط الضوء على OPGs لتقديمها رؤى تفصيلية حول تطور الأسنان، مما يجعلها مفيدة بشكل خاص لتقدير العمر.
تناقش الورقة تطبيق الشبكات العصبية التلافيفية (CNNs) في تقدير العمر من OPGs، مشيرة إلى أنه على الرغم من أن الطرق الحالية أظهرت وعدًا، إلا أنها غالبًا ما تركز على أسنان معينة وتعتمد على مجموعات بيانات محدودة، مما يمكن أن يقيد فعاليتها. قدمت دراسة سابقة شبكة CNN مخصصة قادرة على تقدير الأعمار من 2 إلى 89 عامًا، متفوقة على نماذج التعلم الانتقالي. ومع ذلك، يقترح المؤلفون أن فصل تقدير العمر إلى فئات متميزة للأطفال والمراهقين والشباب البالغين مقابل البالغين يمكن أن يعزز الدقة من خلال السماح للشبكة بالتركيز على ميزات نمو الأسنان. تهدف هذه الدراسة إلى تحسين دقة تقدير العمر من خلال تدريب شبكة CNN مخصصة على مجموعة بيانات موسعة تضم 21,814 صورة OPG، تستهدف بشكل خاص الأفراد حتى 25 عامًا وتستبعد صور OPG الرقمية ذات الجودة المنخفضة. ستتم مقارنة نتائج الشبكة مع التقييمات التي أجراها خبراء معتمدون من AGFAD للتحقق من فعالية النموذج.
طرق البحث
تم إجراء الدراسة وفقًا للمعايير الأخلاقية، حيث حصلت على موافقة من مجلس المراجعة المؤسسي المحلي (IRB) في مستشفى جامعة يينا، تحت رقم التسجيل 2019-1505-MV. التزمت البحث بالإرشادات واللوائح ذات الصلة، مما يضمن الامتثال للاعتبارات الأخلاقية. نظرًا للتصميم الرجعي للتحقيق، تنازلت لجنة المراجعة المؤسسية عن متطلبات الحصول على موافقة خطية مستنيرة من المشاركين.
النتائج
تشير نتائج الدراسة إلى أن نموذج الشبكة العصبية التلافيفية (CNN) المخصص يظهر دقة عالية في توقع العمر من الصور الشعاعية البانورامية (OPGs)، حيث حقق متوسط خطأ مطلق (MAE) قدره $0.93 \pm 0.81$ سنة ومتوسط خطأ موقّع (MSE) قدره $-0.06 \pm 1.23$ سنة عبر 1814 صورة اختبار. من الجدير بالذكر أن 63% من حالات الاختبار كانت لديها MAE أقل من سنة واحدة، و95% كانت لديها MAE أقل من 2.50 سنة. كان أداء النموذج الأفضل في الفئة العمرية من 1-8 سنوات، مع MAE قدره $0.57 \pm 0.45$ سنة، بينما لوحظ أعلى خطأ في الفئة العمرية من 17-18 سنة عند $1.19 \pm 0.98$ سنة. تم استخدام تقنيات التصوير، مثل رسم خرائط تنشيط الفئة المعتمدة على التدرج (Grad-CAM)، لإظهار مناطق التركيز في الشبكة أثناء تقدير العمر، والتي ظلت فعالة حتى في وجود أعمال الأسنان.
كشفت التحليلات الإحصائية عن وجود فرق كبير في دقة تقدير العمر بناءً على الجنس لفئة العمر من 6-11 سنة (قيمة p = 0.005)، بينما لم يتم العثور على اختلافات كبيرة في الفئات العمرية الأخرى. كانت توقعات الشبكة قريبة من التقييمات الجنائية في 15 حالة، كما هو مفصل في النتائج، على الرغم من أنه تم ملاحظة اختلافات في حالات معينة، خاصة مع فرد واحد حيث أشار الأسلوب الجنائي إلى عمر أكبر من تقدير الشبكة. بشكل عام، تؤكد النتائج على قوة النموذج وإمكانية تطبيقه في تقدير العمر الجنائي، على الرغم من بعض القيود المتعلقة بجودة الصورة والتباينات التشريحية.
مناقشة
في هذه الدراسة، تم تطوير شبكة عصبية تلافيفية مخصصة (CNN) وتدريبها على مجموعة بيانات تضم 21,814 صورة شعاعية بانورامية (OPGs) من 13,766 فردًا تتراوح أعمارهم بين 1 إلى 25 عامًا، محققة دقة عالية في تقدير العمر. أظهر النموذج متوسط خطأ مطلق (MAE) أقل من سنة واحدة لـ 63% من صور OPG المختبرة وأقل من 2.5 سنة لـ 95%، مما يعكس نتائج قابلة للمقارنة مع نتائج الخبراء الجنائيين. استخدمت الشبكة بشكل فعال ميزات الأسنان وغير الأسنان من منطقة الرأس بالكامل، مما عزز موثوقيتها. ومع ذلك، ظهرت تحديات مع صور OPG التي تظهر انحرافات كبيرة عن العروض النموذجية، مثل الفم المغلق أو جودة الصورة الضعيفة، مما أثر سلبًا على دقة تقدير العمر.
سلطت الدراسة أيضًا الضوء على قدرة النموذج على التكيف عبر السكان المتنوعين، حيث حافظ على أداء قوي بغض النظر عن الجنس، على الرغم من أن بعض الفئات العمرية أظهرت اختلافات طفيفة. ساهم تنوع مجموعة البيانات، بما في ذلك الأفراد الأصحاء والمرضى، في تعميم النتائج. تضمنت القيود طبيعة مجموعة البيانات المحددة بالمنطقة وغياب فترات التصنيف للأطفال والبالغين، والتي تعتبر ضرورية للتطبيقات الجنائية العملية. يمكن أن تستكشف الأبحاث المستقبلية دمج عدة شبكات CNN لتصنيفات عمرية أكثر دقة والتحقيق بشكل أعمق في العلاقة بين العمر الزمني والعمر البيولوجي. بشكل عام، تمثل الشبكة العصبية المخصصة تقدمًا كبيرًا في تقدير العمر الجنائي، مما يوفر أداة موثوقة للخبراء المعتمدين من AGFAD ويسهل التعلم الانتقالي لتطبيقات أوسع.
DOI: https://doi.org/10.1007/s00330-025-11373-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39862249
Publication Date: 2025-01-25
Author(s): Rainer Koch et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
This study investigates the application of convolutional neural networks (CNNs) for forensic age estimation using orthopantomograms (OPGs). By training a custom CNN on a large dataset of 21,814 OPGs from 13,766 individuals aged 1 to under 25 years, the researchers aimed to enhance the speed and accuracy of age predictions. The CNN was trained over 1000 epochs, utilizing 16,000 OPGs for training and 4,000 for validation, with performance evaluated on an independent test set of 1,814 OPGs. The model achieved a mean absolute error (MAE) of 0.93 ± 0.81 years and a mean-signed error (MSE) of -0.06 ± 1.23 years, with 63% of predictions accurate within 1 year and 95% within 2.5 years, demonstrating comparable results to expert assessments in forensic cases.
The findings underscore the potential of CNNs to significantly improve forensic age estimation, providing a reliable and objective alternative to traditional methods. The study highlights the importance of accurate age estimation in forensic contexts, suggesting that the integration of deep learning techniques can enhance the reliability and precision of age assessments, ultimately benefiting individuals whose fates depend on such evaluations. Further exploration of CNN applications in this field is warranted to support forensic experts.
Introduction
The introduction of the research paper emphasizes the significance of forensic age estimation in various fields, including forensic science and law enforcement, by utilizing maturity indicators such as tooth and bone development. The German Society of Legal Medicine’s Study Group on Forensic Age Diagnostics (AGFAD) advocates a structured three-step approach for assessing age in adolescents and young adults, which includes medical history, physical examination, and advanced imaging techniques like radiography of the left hand/wrist and orthopantomography (OPG) of the jaw. OPGs are highlighted for their detailed insights into dental development, making them particularly useful for age estimation.
The paper discusses the application of convolutional neural networks (CNNs) in estimating age from OPGs, noting that while existing methods have shown promise, they often focus on specific teeth and rely on limited datasets, which can restrict their effectiveness. A previous study introduced a custom CNN capable of estimating ages from 2 to 89 years, outperforming transfer learning models. However, the authors suggest that separating age estimation into distinct categories for children, adolescents, and young adults versus adults could enhance accuracy by allowing the CNN to concentrate on dental growth features. This study aims to improve age estimation accuracy by training a custom CNN on an expanded dataset of 21,814 OPGs, specifically targeting individuals up to 25 years old and excluding lower-quality digitized OPGs. The results from the CNN will be compared with assessments made by AGFAD-certified experts to validate the model’s effectiveness.
Methods
The study was conducted in accordance with ethical standards, receiving approval from the local institutional review board (IRB) at Jena University Hospital, under registration number 2019-1505-MV. The research adhered to relevant guidelines and regulations, ensuring compliance with ethical considerations. Due to the retrospective design of the investigation, the IRB waived the requirement for written informed consent from participants.
Results
The results of the study indicate that the custom convolutional neural network (CNN) model exhibits high precision in predicting age from orthopantomograms (OPGs), achieving a mean absolute error (MAE) of $0.93 \pm 0.81$ years and a mean signed error (MSE) of $-0.06 \pm 1.23$ years across 1814 test images. Notably, 63% of the test cases had an MAE of less than 1 year, and 95% had an MAE of less than 2.50 years. The model performed best in the age range of 1-8 years, with an MAE of $0.57 \pm 0.45$ years, while the highest error was observed in the 17-18 year age group at $1.19 \pm 0.98$ years. Visualization techniques, such as Gradient-weighted Class Activation Mapping (Grad-CAM), were employed to demonstrate the CNN’s focus areas during age estimation, which remained effective even in the presence of dental work.
Statistical analysis revealed a significant difference in age estimation accuracy based on sex for the age group of 6-11 years (p-value = 0.005), while no significant differences were found in other age groups. The CNN’s predictions were closely aligned with forensic age assessments in 15 cases, as detailed in the results, although discrepancies were noted in specific instances, particularly with one individual where the forensic method indicated a greater age than the CNN estimate. Overall, the findings underscore the model’s robustness and potential applicability in forensic age estimation, despite certain limitations related to image quality and anatomical variations.
Discussion
In this study, a custom convolutional neural network (CNN) was developed and trained on a dataset of 21,814 orthopantomograms (OPGs) from 13,766 individuals aged 1 to 25 years, achieving high accuracy in age estimation. The model demonstrated a mean absolute error (MAE) of less than 1 year for 63% of the tested OPGs and less than 2.5 years for 95%, comparable to results from forensic experts. The CNN effectively utilized both dental and non-dental features from the entire head region, enhancing its reliability. However, challenges arose with OPGs exhibiting significant deviations from typical presentations, such as closed mouths or poor image quality, which negatively impacted age estimation accuracy.
The study also highlighted the model’s adaptability across diverse populations, as it maintained robust performance irrespective of sex, although some age groups showed minor variations. The dataset’s diversity, including healthy and diseased individuals, contributed to the generalizability of the findings. Limitations included the region-specific nature of the dataset and the lack of classification intervals for minors and adults, which are essential for practical forensic applications. Future research could explore integrating multiple CNNs for more nuanced age classifications and further investigate the relationship between chronological and biological age. Overall, the custom CNN represents a significant advancement in forensic age estimation, providing a reliable tool for AGFAD-certified experts and facilitating transfer learning for broader applications.