DOI: https://doi.org/10.1007/s00414-024-03204-4
PMID: https://pubmed.ncbi.nlm.nih.gov/38467754
تاريخ النشر: 2024-03-12
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تقدم الدراسة ForensicNet، وهي شبكة تعلم عميق متعددة المهام مصممة للتقدير التلقائي للجنس والعمر الزمني من الأشعة السينية البانورامية. غالبًا ما تكون الطرق التقليدية لهذه التقديرات كثيفة العمل وعرضة للأخطاء، مما يبرز الحاجة إلى حل أكثر كفاءة. تتضمن ForensicNet شبكة أساسية مع فروع انتباه مخصصة تركز على الميزات التشريحية ذات الصلة بالجنس والعمر، محققة خطأ مطلق متوسط قدره 2.93 ± 2.61 عامًا لتقدير العمر ودقة عالية (0.992) لتوقع الجنس. تتكون مجموعة البيانات المستخدمة للتدريب من 13,200 صورة، مما يضمن تمثيلًا متوازنًا عبر مجموعات الجنس والعمر المختلفة.
على الرغم من نتائجها الواعدة، تحدد الدراسة التحديات في تقدير العمر والجنس بدقة، خاصة في المرضى المسنين بسبب التباينات في الحالات السنية وتعقيدات الأشعة السينية البانورامية. يعترف المؤلفون بأن مجموعة البيانات الحالية محدودة بالأفراد من منظمة واحدة في كوريا الجنوبية، مما قد يؤثر على قابلية تعميم النموذج. ستهدف الأبحاث المستقبلية إلى تعزيز أداء ForensicNet من خلال دمج مجموعات بيانات أكبر وأكثر تنوعًا، بما في ذلك تلك الخاصة بالأطفال والأفراد المتوفين، لتحسين قابليتها للتطبيق عبر مجموعات سكانية وسياقات سريرية متنوعة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية تقدير الجنس والعمر الزمني في التحقيقات الجنائية، لا سيما لتحديد الأفراد في الكوارث الجماعية. بينما تُستخدم الطرق التقليدية مثل تحليل الحمض النووي الجنائي والتقييمات الشكلية للأنسجة الصلبة (مثل الأسنان والعظام) بشكل شائع، فإنها غالبًا ما تواجه تحديات تتعلق بالوقت وقيود الموارد. تؤكد الورقة على فائدة الأشعة السينية البانورامية، التي توفر رؤية شاملة لمنطقة الوجه والفكين، في تقدير الجنس والعمر من خلال معلمات سنية متنوعة. من الجدير بالذكر أن عدة طرق معتمدة لتقدير العمر السني، مثل طرق ديميرجيان ونولا وكفيل، يتم مناقشتها، جنبًا إلى جنب مع التقدمات الحديثة في استخدام تقنيات التعلم العميق لتحقيق تقديرات أكثر دقة وكفاءة.
يقترح المؤلفون نهجًا جديدًا باستخدام شبكة تعلم عميق متعددة المهام، تُسمى ForensicNet، لتقدير الجنس والعمر الزمني من الأشعة السينية البانورامية في وقت واحد. تتناول هذه الدراسة القيود في الأبحاث السابقة، خاصة فيما يتعلق بتحيزات مجموعة البيانات، من خلال استخدام مجموعة بيانات متوازنة من 13,200 صورة عبر نطاق عمر موحد من 15 إلى 80 عامًا. تشمل المساهمات الرئيسية تصميم شبكة تعلم عميق من النهاية إلى النهاية تتضمن وحدة انتباه كتلة الالتفاف (CBAM) لتعزيز قدرة النموذج على تعلم العلاقات بين الهياكل التشريحية، بالإضافة إلى تقديم دالة خسارة متعددة المهام موزونة لإدارة عدم التوازن في حسابات الخسارة لتقديرات الجنس والعمر بشكل فعال.
طرق
توضح قسم “الطرق” في الورقة البحثية المواد والمنهجيات المستخدمة في الدراسة. تفصل المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، عينات بيولوجية، أو معدات ضرورية للتجارب. كما يصف القسم التصميم التجريبي، بما في ذلك البروتوكولات المتبعة لجمع البيانات وتحليلها.
بالإضافة إلى ذلك، يتم تحديد الطرق الإحصائية المطبقة لتفسير البيانات، مما يضمن أن النتائج قوية وموثوقة. تم تصميم المنهجية لمعالجة أسئلة البحث بفعالية، مما يوفر إطارًا واضحًا لإعادة الإنتاج والتحقق من النتائج. بشكل عام، يعد هذا القسم أساسًا حيويًا لفهم النهج التجريبي ونزاهة النتائج المقدمة في الدراسة.
نتائج
في قسم النتائج، قامت الدراسة بتقييم أداء هياكل الشبكة الأساسية المختلفة، بما في ذلك VGG16 وMobileNet v2 وResNet101 وDenseNet121 وVision Transformer وSwin Transformer وTransNet وEfficientNet-B3، ضمن إطار عمل ForensicNet. تم اختبار جميع النماذج تحت ظروف متسقة، باستخدام نفس بيئة الحوسبة وتقنيات زيادة البيانات. تشير النتائج، الملخصة في الجدول 2، إلى أن جميع الشبكات أظهرت قدرات قوية في تقدير الجنس والعمر الزمني من الأشعة السينية البانورامية.
من بين النماذج التي تم تقييمها، تفوقت EfficientNet-B3 باستمرار على الآخرين، حيث تميزت بشكل خاص في تقدير العمر الزمني. على وجه التحديد، حققت قيم الدقة (ACC) والخصوصية (SPE) والحساسية (SEN) قدرها 0.992 و0.993 و0.990، على التوالي. تسلط هذه النتائج الضوء على الأداء المتفوق لـ EfficientNet-B3 مقارنة بـ DenseNet121، التي حصلت على ثاني أعلى مقاييس في تقدير الجنس.
مناقشة
تقدم الدراسة إطار عمل جديد للتعلم العميق، ForensicNet، مصمم لتقدير الجنس والعمر الزمني من الأشعة السينية البانورامية في وقت واحد. باستخدام مجموعة بيانات من 13,200 صورة من مرضى تتراوح أعمارهم بين 15 و80 عامًا، تؤكد الأبحاث على أهمية مجموعة بيانات موزعة بشكل جيد للتخفيف من التحيزات التي تُرى غالبًا في الدراسات السابقة. تتضمن بنية ForensicNet عدة شبكات أساسية، بما في ذلك EfficientNet-B3، التي أظهرت أداءً متفوقًا في تقدير كل من الجنس والعمر، محققة خطأ مطلق متوسط (MAE) قدره 2.93 ± 2.61. يُعزى فعالية النموذج إلى نهج التعلم متعدد المهام، الذي يستفيد من العلاقة بين الجنس والعمر، ودمج آليات انتباه القناة والمكان عبر وحدة انتباه كتلة الالتفاف (CBAM).
تشير النتائج إلى أن أداء ForensicNet يختلف مع العمر، حيث تظهر دقة أعلى في المرضى الأصغر سنًا بسبب الميزات السنية التنموية المميزة، بينما تقدم المرضى الأكبر سنًا تحديات بسبب تنوع الحالات السنية والتآكل. تم تصور قدرة النموذج على التركيز على الميزات التشريحية ذات الصلة باستخدام Grad-CAM، مما يكشف أن المناطق التي تساهم في تقديرات العمر والجنس تختلف بشكل كبير عبر مجموعات العمر. بشكل عام، تسلط الدراسة الضوء على إمكانيات التعلم العميق في طب الأسنان الجنائي، لا سيما في تحسين دقة تقديرات الجنس والعمر من التصوير السني، وهو أمر حاسم للتعرف في السياقات الجنائية.
DOI: https://doi.org/10.1007/s00414-024-03204-4
PMID: https://pubmed.ncbi.nlm.nih.gov/38467754
Publication Date: 2024-03-12
Author(s): Zhenyun Du et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
The study presents ForensicNet, a multi-task deep learning network designed for the automatic estimation of sex and chronological age from panoramic radiographs. Traditional methods for these estimations are often labor-intensive and prone to errors, prompting the need for a more efficient solution. ForensicNet incorporates a backbone network with dedicated attention branches that focus on anatomical features relevant to sex and age, achieving a mean absolute error of 2.93 ± 2.61 years for age estimation and high accuracy (0.992) for sex prediction. The dataset used for training consisted of 13,200 images, ensuring a balanced representation across different sex and age groups.
Despite its promising results, the study identifies challenges in accurately estimating age and sex, particularly in elderly patients due to variations in dental conditions and the complexities of panoramic radiographs. The authors acknowledge that the current dataset is limited to individuals from a single organization in South Korea, which may affect the generalizability of the model. Future research will aim to enhance ForensicNet’s performance by incorporating larger and more diverse datasets, including those from children and deceased individuals, to improve its applicability across various populations and clinical contexts.
Introduction
The introduction of this research paper highlights the significance of sex and chronological age estimation in forensic investigations, particularly for identifying individuals in mass disasters. While traditional methods such as forensic DNA analysis and morphological assessments of hard tissues (e.g., teeth and bones) are commonly used, they often face challenges related to time and resource constraints. The paper emphasizes the utility of panoramic radiographs, which provide a comprehensive view of the maxillofacial region, in estimating sex and age through various dental parameters. Notably, several established methods for dental age estimation, such as the Demirjian, Nolla, and Kvaal methods, are discussed, alongside recent advancements in utilizing deep learning techniques for more accurate and efficient estimations.
The authors propose a novel approach using a multi-task deep learning network, termed Foren-sicNet, to simultaneously estimate sex and chronological age from panoramic radiographs. This study addresses limitations in previous research, particularly regarding dataset biases, by employing a balanced dataset of 13,200 images across a uniform age range of 15 to 80 years. Key contributions include the design of an end-to-end deep learning network that incorporates a convolutional block attention module (CBAM) to enhance the model’s ability to learn relationships between anatomical structures, as well as the introduction of a weighted multitask loss function to effectively manage the imbalances in loss calculations for sex and age estimations.
Methods
The “Methods” section of the research paper outlines the materials and methodologies employed in the study. It details the specific materials used, including any reagents, biological samples, or equipment necessary for the experiments. The section also describes the experimental design, including the protocols followed for data collection and analysis.
Additionally, statistical methods applied to interpret the data are specified, ensuring that the findings are robust and reliable. The methodology is designed to address the research questions effectively, providing a clear framework for reproducibility and validation of results. Overall, this section serves as a critical foundation for understanding the experimental approach and the integrity of the findings presented in the study.
Results
In the results section, the study evaluated the performance of various backbone architectures, including VGG16, MobileNet v2, ResNet101, DenseNet121, Vision Transformer, Swin Transformer, TransNet, and EfficientNet-B3, within the ForensicNet framework. All models were tested under consistent conditions, utilizing the same computing environment and data augmentation techniques. The findings, summarized in Table 2, indicate that all networks demonstrated strong capabilities in estimating sex and chronological age from panoramic radiographs.
Among the evaluated models, EfficientNet-B3 consistently outperformed the others, particularly excelling in chronological age estimation. Specifically, it achieved accuracy (ACC), specificity (SPE), and sensitivity (SEN) values of 0.992, 0.993, and 0.990, respectively. These results highlight EfficientNet-B3’s superior performance compared to DenseNet121, which secured the second-highest metrics in sex estimation.
Discussion
The study presents a novel deep learning framework, ForensicNet, designed for the simultaneous estimation of sex and chronological age from panoramic radiographs. Utilizing a dataset of 13,200 images from patients aged 15 to 80, the research emphasizes the importance of a well-distributed dataset to mitigate biases often seen in previous studies. The architecture of ForensicNet incorporates multiple backbone networks, including EfficientNet-B3, which demonstrated superior performance in estimating both sex and age, achieving a mean absolute error (MAE) of 2.93 ± 2.61. The model’s effectiveness is attributed to its multi-task learning approach, which leverages the correlation between sex and age, and the integration of channel and spatial attention mechanisms via the Convolutional Block Attention Module (CBAM).
The findings indicate that ForensicNet’s performance varies with age, showing higher accuracy in younger patients due to distinct developmental dental features, while older patients present challenges due to diverse dental conditions and wear. The model’s ability to focus on relevant anatomical features was visualized using Grad-CAM, revealing that the regions contributing to age and sex estimations differ significantly across age groups. Overall, the study highlights the potential of deep learning in forensic dentistry, particularly in improving the accuracy of sex and age estimations from dental imaging, which is crucial for identification in forensic contexts.