DOI: https://doi.org/10.1007/s12024-025-00962-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39937388
تاريخ النشر: 2025-02-12
المؤلف: Ercüment Yılmaz وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تقدم هذه الدراسة نهجًا مبتكرًا لتقدير العمر الجنائي باستخدام نماذج التعلم العميق المطبقة على صور الأشعة البانورامية (OPG)، مع التركيز بشكل خاص على التمييز بين الأفراد الذين تقل أعمارهم عن 12 عامًا وأولئك الذين تبلغ أعمارهم 12 عامًا أو أكثر. تم تحليل مجموعة بيانات تضم 1,941 مريضًا أطفالًا، تتراوح أعمارهم بين 5 إلى 15 عامًا، لتحديد أكثر بنية تعلم عميق فعالة لهذه المهمة التصنيفية. قامت الدراسة بتقييم نماذج متعددة، بما في ذلك Xception وResNet وEfficientNet، من بين أمور أخرى، باستخدام مقاييس الأداء التقليدية مثل دقة التصنيف (CA) والحساسية (SE) والخصوصية (SP) وكابا (K) والمساحة تحت المنحنى (AUC) ومقياس مساحة المضلع الجديد (PAM) لمعالجة تحديات مجموعات البيانات غير المتوازنة في السياقات الجنائية.
تشير النتائج إلى أن نموذج “Forensic Xception”، المشتق من بنية Xception، تفوق بشكل كبير على نظرائه، محققًا درجة PAM قدرها 0.8828 وأظهر قيمًا عالية عبر جميع المقاييس التقليدية، بما في ذلك CA وSE وSP وK وAUC وF1 Score. تؤكد هذه التقدمات فعالية التعلم العميق في تقدير العمر الجنائي من صور OPG، مما يبرز إمكانيات نموذج “Forensic Xception” في التطبيقات القانونية. تدعو الدراسة إلى مزيد من البحث لتعزيز أداء النموذج، واستكشاف مجموعات بيانات متنوعة، والنظر في الآثار الأخلاقية والقانونية في تقدير العمر الجنائي للأسنان.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية العالمية الحرجة المتعلقة بتحديد سن المسؤولية الجنائية للأطفال، مع التأكيد على آثارها على العدالة وحقوق الإنسان وحماية الطفل. تدعو اتفاقية الأمم المتحدة لحقوق الطفل (CRC) إلى حد أدنى من سن المسؤولية الجنائية (MACR) يتماشى مع المعايير الدولية، موصية بشكل خاص بأن ترفع الدول سن MACR إلى 12 عامًا على الأقل. قامت العديد من الدول، بما في ذلك تركيا، بإجراء تعديلات للامتثال لهذه الإرشادات، مما يعكس التزامًا بحماية حقوق الأطفال داخل نظام العدالة الجنائية. في تركيا، لا يُعتبر الأفراد الذين تقل أعمارهم عن 12 عامًا مسؤولين جنائيًا، وتُتخذ تدابير وقائية في حالات الجرائم الخطيرة، بما يتماشى مع التزامات CRC.
تسلط الورقة الضوء أيضًا على دور علم الأسنان الجنائي (FO) وتقدير العمر السني (DAE) في تحديد الهوية البشرية، لا سيما في سياق الإجراءات القانونية وتحديد العمر للمسؤولية الجنائية. أدت التقدمات الأخيرة في طرق DAE، وخاصة من خلال دمج تقنيات التعلم الآلي والتعلم العميق، إلى تحسين كبير في دقة تقدير العمر. تركز الدراسة على تطوير نموذج تعلم عميق جديد، “Forensic Xception”، يهدف إلى تعزيز تصنيف العمر الثنائي. يسعى هذا النهج المبتكر إلى معالجة تحديات تحديد العمر في العدالة الجنائية، وبالتالي المساهمة في النقاش الأوسع حول حماية الطفل وحقوق الإنسان.
طرق
في هذه الدراسة، تضمنت الإعدادات التجريبية تجارب أولية أجريت باستخدام MATLAB R2023b على نظام مزود بمعالج Intel(R) i7 2.10 GHz وذاكرة وصول عشوائي 32GB وNVIDIA A2000 GPU. استخدمت التجارب النهائية تكوينًا أكثر قوة مع معالج Intel(R) Xeon(R) 2.60 GHz وذاكرة وصول عشوائي 32GB وNVIDIA T1200 GPU، مما سهل التدريب الفعال لنماذج التعلم العميق (DL).
لمعالجة مشكلة عدم توازن الفئات – حيث كانت مجموعة البيانات تتكون من 1,514 صورة لمجموعة العمر تحت 12 عامًا مقارنة بـ 427 لمجموعة 12 عامًا أو أكثر – نفذ الباحثون تقنيات زيادة البيانات، وتحديدًا تدوير الصور، لإنشاء مجموعة بيانات أكثر توازنًا. بعد ذلك، تم تقسيم البيانات عشوائيًا إلى مجموعات تدريب (70%) واختبار (30%) لتقييم أداء النموذج.
نتائج
تقيّم قسم النتائج في الدراسة أداء نماذج التعلم العميق (DL) المختلفة على صور الأشعة البانورامية (OPG)، مع التركيز بشكل خاص على تصنيف المرضى الأطفال إلى فئتين عمريتين: تحت 12 عامًا و12 عامًا أو أكثر. تم تقييم النماذج باستخدام مقاييس الأداء مثل دقة التصنيف (CA) والحساسية (SE) والخصوصية (SP) وكابا (K) والمساحة تحت المنحنى (AUC) ودرجة F1 (FM)، حيث حقق نموذج Forensic Xception أعلى درجة PAM قدرها 0.8828. أظهر هذا النموذج تحسينًا فعالًا وتعميمًا، كما يتضح من تقارب قيم خسارة التدريب والتحقق، التي استقرت حول 0.25 على الرغم من التباينات الأولية.
بالإضافة إلى ذلك، تم تعزيز قابلية تفسير نموذج Forensic Xception من خلال خرائط الحرارة التي سلطت الضوء على الهياكل السنية المهمة، مثل الأضراس والقواطع، التي أثرت على قرارات تقدير العمر. لا تؤكد هذه التصورات فقط توقعات النموذج ولكنها توفر أيضًا رؤى لتحسينات محتملة. بينما يظهر النموذج وعدًا لتقدير العمر الجنائي الآلي، خاصة بالقرب من الحد العمري الحرج البالغ 12 عامًا، تعترف الدراسة بالحاجة إلى تحقق أوسع عبر مجموعات وسياقات متنوعة. ستركز الأبحاث المستقبلية على التحقق الخارجي، وتطبيقات التعلم الانتقالي، وضمان الامتثال الأخلاقي، مما يعزز موثوقية النموذج وقابليته للتطبيق في سيناريوهات الطب الشرعي الواقعية.
مناقشة
في هذه الدراسة، تم تقييم 17 نموذجًا من نماذج التعلم العميق (DL) لفعاليتها في تحديد المسؤولية الجنائية بناءً على العمر، مع التركيز بشكل خاص على العتبة الحرجة البالغة 12 عامًا. المساهمة الرئيسية للبحث هي تطوير نموذج “Forensic Xception”، وهو تحسين لبنية Xception، التي تدمج كتل التبديل ضمن اتصالات التخطي لتحسين تفاعل الميزات وتعلم التمثيل. تم اختبار هذا النموذج على مجموعة بيانات من 1,941 صورة OPG للأطفال، مما أظهر تحسينًا في مقاييس الأداء، بما في ذلك دقة التصنيف والحساسية والخصوصية ومقياس مساحة المضلع (PAM)، الذي يجمع بين معايير تقييم متعددة لتقييم شامل أكثر لفعالية النموذج.
تسمح بنية نموذج Forensic Xception بالحساب الفعال مع الحفاظ على أداء عالٍ، مما يجعله مناسبًا للتطبيقات الجنائية. تؤكد الدراسة على أهمية اختيار نماذج DL المناسبة المصممة لمهام محددة، مثل تقدير العمر السني (DAE)، وتسلط الضوء على التقدمات في التعلم العميق التي سهلت تحسينات كبيرة في مهام تصنيف الصور. تؤكد النتائج على إمكانيات النموذج في السياقات القانونية، حيث يعد تقدير العمر الدقيق أمرًا حيويًا لتحديد المسؤولية الجنائية، خاصة بالنسبة للأفراد الذين تقل أعمارهم عن 12 عامًا.
DOI: https://doi.org/10.1007/s12024-025-00962-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39937388
Publication Date: 2025-02-12
Author(s): Ercüment Yılmaz et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
This study presents an innovative approach to forensic age estimation utilizing deep learning models applied to orthopantomography (OPG) images, specifically targeting the differentiation of individuals under 12 years from those aged 12 and older. A dataset comprising 1,941 pediatric patients, aged 5 to 15 years, was analyzed to identify the most effective deep learning architecture for this classification task. The research evaluated multiple models, including Xception, ResNet, and EfficientNet, among others, using traditional performance metrics such as Classification Accuracy (CA), Sensitivity (SE), Specificity (SP), Kappa (K), Area Under the Curve (AUC), and a novel Polygon Area Metric (PAM) to address the challenges of imbalanced datasets in forensic contexts.
The findings indicate that the “Forensic Xception” model, derived from the Xception architecture, significantly outperformed its counterparts, achieving a PAM score of 0.8828 and demonstrating high values across all traditional metrics, including CA, SE, SP, K, AUC, and F1 Score. This advancement underscores the efficacy of deep learning in forensic age estimation from OPG images, highlighting the potential of the “Forensic Xception” model in legal applications. The study advocates for further research to enhance model performance, explore diverse datasets, and consider ethical and legal implications in forensic dental age estimation.
Introduction
The introduction of this research paper addresses the critical global issue of determining the age of criminal responsibility for children, emphasizing its implications for justice, human rights, and child protection. The United Nations Convention on the Rights of the Child (CRC) advocates for a minimum age of criminal responsibility (MACR) that aligns with international standards, particularly recommending that countries raise their MACR to at least 12 years. Many nations, including Turkey, have made adjustments to comply with these guidelines, reflecting a commitment to safeguarding children’s rights within the criminal justice system. In Turkey, individuals under 12 are not held criminally responsible, and protective measures are in place for serious offenses, aligning with CRC obligations.
The paper also highlights the role of forensic odontology (FO) and dental age estimation (DAE) in human identification, particularly in the context of legal proceedings and age determination for criminal responsibility. Recent advancements in DAE methods, particularly through the integration of machine learning and deep learning techniques, have significantly improved accuracy in age estimation. The study focuses on developing a novel deep learning model, ‘Forensic Xception’, aimed at enhancing binary age classification. This innovative approach seeks to address the challenges of age determination in criminal justice, thereby contributing to the broader discourse on child protection and human rights.
Methods
In this study, the experimental setup involved initial experiments conducted using MATLAB R2023b on a system equipped with an Intel(R) i7 2.10 GHz processor, 32GB RAM, and an NVIDIA A2000 GPU. The final experiments utilized a more powerful configuration with an Intel(R) Xeon(R) 2.60 GHz processor, 32GB RAM, and an NVIDIA T1200 GPU, which facilitated efficient training of deep learning (DL) models.
To address the issue of class imbalance—where the dataset comprised 1,514 images for the under-12 age group compared to 427 for the 12-and-older group—the researchers implemented data augmentation techniques, specifically rotating images, to create a more balanced dataset. Subsequently, the data was randomly partitioned into training (70%) and testing (30%) subsets to evaluate the model’s performance.
Results
The results section of the study evaluates the performance of various deep learning (DL) models on orthopantomography (OPG) images, specifically aimed at classifying pediatric patients into two age categories: under 12 and 12 or older. The models were assessed using performance metrics such as classification accuracy (CA), sensitivity (SE), specificity (SP), Kappa (K), area under the curve (AUC), and F1 score (FM), with the Forensic Xception model achieving the highest PAM score of 0.8828. This model demonstrated effective optimization and generalization, as indicated by the convergence of training and validation loss values, which stabilized around 0.25 despite initial variations.
Additionally, the Forensic Xception model’s interpretability was enhanced through heatmaps that highlighted significant dental structures, such as molars and incisors, which influenced age estimation decisions. These visualizations not only validate the model’s predictions but also provide insights for potential improvements. While the model shows promise for automated forensic age estimation, particularly near the critical age cutoff of 12, the study acknowledges the need for broader validation across diverse populations and contexts. Future research will focus on external validation, transfer learning applications, and ensuring ethical compliance, thereby enhancing the model’s reliability and applicability in real-world forensic scenarios.
Discussion
In this study, 17 deep learning (DL) models were evaluated for their effectiveness in determining criminal responsibility based on age, particularly focusing on the critical threshold of 12 years. The primary contribution of the research is the development of the “Forensic Xception” model, an enhancement of the Xception architecture, which integrates shuffle blocks within skip connections to improve feature interaction and representation learning. This model was tested on a dataset of 1,941 pediatric OPG images, demonstrating improved performance metrics, including classification accuracy, sensitivity, specificity, and the Polygon Area Metric (PAM), which consolidates multiple evaluation criteria for a more comprehensive assessment of model efficacy.
The Forensic Xception model’s architecture allows for efficient computation while maintaining high performance, making it suitable for forensic applications. The study emphasizes the importance of selecting appropriate DL models tailored to specific tasks, such as dental age estimation (DAE), and highlights the advancements in deep learning that have facilitated significant improvements in image classification tasks. The findings underscore the model’s potential in legal contexts, where accurate age estimation is crucial for determining criminal responsibility, particularly for individuals under the age of 12.