人工智能技术在法医学骨龄和牙龄评估中的研究前沿及展望

周慧明，李丹阳，万 雷，李成涛，汪茂文，王亚辉

（1.司法鉴定科学研究院上海市法医学重点实验室上海市司法鉴定专业技术服务平台司法部司法鉴定重点实验室，上海 200063；2.山西医科大学 法医学院，山西 晋中 030600；3.山西医科大学 医学科学院，山西 太原 030000）

法医学活体年龄评估是法医临床学、法医人类学科学研究的重点和难点问题之一，一直以来备受国内外学者的广泛关注。 法医学活体年龄鉴定对犯罪嫌疑人的刑事责任能力、刑罚量刑、民事行为能力、福利权利、非法移民等方面进行评估，为刑事侦查、法庭审判提供重要的科学依据。 活体年龄研究的主要内容包括：骨骼年龄、牙齿年龄、分子生物学年龄以及基于个体外部软组织、骨密度检测等多种技术手段的活体年龄评估等[1]。 目前比较公认的，尤其是在司法鉴定领域使用较多且被司法机关认可的方法仍以法医学骨龄鉴定为主，即利用个体骨骼发育程度推断其生物学年龄。 与骨骼类似，牙齿在年龄推断中的应用也较为广泛。 牙齿的生理结构不易受外界理化因素变化而发生降解、变形，且牙齿发育和行使功能过程中多个生理性变化特点与年龄均有一定的相关性。 2008 年，国际法医年龄推断研究小组（study group on forensic age diagnostics,SGFAD）[2]提出，活体年龄推断的标准方法应包括一般体格检查、牙齿检查、左腕关节和口腔曲面断层影像学检查；若骨骼发育完成，应额外拍摄锁骨胸骨端薄层CT，并建议同时应用多种方法来提高年龄推断的准确性。

自21 世纪以来，随着大数据和计算机技术的快速发展，许多先进的人工智能（artificial intelligence，AI）技术成功应用于疾病诊断、新药研发等领域。2017 年7 月20 日，国务院发布了《新一代人工智能发展规划》（国发〔2017〕35 号）[3]，从顶层设计的角度充分肯定了人工智能的重要性，并以此作为国家战略规划与发展的重要组织部分。 近年来，随着支持向量机（support vector machine，SVM）、深度学习（deep learning，DL）等AI 技术的发展，基于AI 技术的活体年龄研究进入了“快车道”，尤其是近几年欧美国家和地区开发出了AI 辅助骨龄评估系统。 该系统基于数字化信息技术和分类的统计方法，将计算机数字影像技术和模式识别技术相结合，通过对骨骼、牙齿医学影像图像的预处理、图像分割、特征提取、信息处理实现骨骼或牙齿图像自动识别并运算得出个体年龄，为辅助实现骨龄、牙龄的高精度智能评估提供了新契机。 因此，运用AI 技术实现骨骼、牙齿等图像识别是实现AI 骨龄评估系统的一个必由途径。

1 AI 的概念和发展简史

AI 亦称机器智能，广义上指由人类制造机器所表现出的智能，狭义上则指通过计算机程序来模拟呈现人类智能的技术。 1956 年，在达特茅斯学院举行的会议上，AI 的名称和任务得以确定，这次会议被广泛认为是AI 诞生的标志[4]。进入21 世纪，随着大数据和计算机技术的快速发展，许多先进的机器学习（machine learning，ML）技术成功应用于经济和社会中的各个方面[5]。 大数据应用也开始逐渐渗透到其他领域，如生态学模型训练、疾病预测和新药研发等。DL（特别是卷积神经网络）更是极大地推动了图像和视频处理、文本分析、语音识别等问题的研究进程[6]。AI 的主要领域大体上可分为三个方面：感知、学习和认知。 感知是指模拟人的感知能力，对外部刺激信息（视觉和语音等）进行感知和加工，主要研究领域包括语音信息处理和计算机视觉等。学习是指模拟人的学习能力，主要研究如何从样例或从与环境的交互中学习，主要研究领域包括监督学习、无监督学习和强化学习等。 认知是指模拟人的认知能力，主要研究领域包括知识表示以及自然语言理解、推理、规划、决策等。 从AI 的萌芽时期开始，就有一些研究者尝试让机器来自动学习（即ML）。 ML 的主要目的是设计和分析一些学习算法，让计算机可以从数据（经验）中自动分析并获得规律，之后利用学习到的规律对未知数据进行预测，从而帮助人们完成一些特定任务，以提高开发效率。 ML 较为成功的应用领域是计算机视觉，骨骼、牙齿等医学影像图像识别属于计算机视觉范畴，因此，运用ML 实现骨骼图像的识别是实现AI 骨龄评估系统的可靠途径之一。 通过有限的观测数据（如躯体各大骨关节、牙齿医学影像图像）的学习总结出一般规律，并利用这些规律对未知图像进行预测，逐渐成为推动AI 技术发展的关键因素。

2 AI 技术与法医学骨龄评估

目前，国内外研究中，与法医学骨龄评估研究结合较为紧密的AI 技术是SVM 和DL。

2.1 SVM 与法医学骨龄评估

1995 年，VAPNIK[7]率先提出了SVM，其作为一种寻找分类边界的方法，是用于模式分类和非线性回归统计学习理论的经典二分类算法，基本思想是建立一个分类超平面作为决策曲面，优势在于解决线性不可分问题，通过核函数将低维度映射到高维上使之线性可分。 简单概括来说，就是在样本空间寻找最佳分类面（即超平面），并以此将训练样本分开。 SVM 的基本模型是定义在特征空间上的间隔最大的线性分类器，其学习的基本思想是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。 SVM 遵循结构风险最小化原则，在处理二分类问题上拥有较好的泛化能力，在解决小样本、非线性和高维等问题时优势明显，并且在数据挖掘、图像处理等领域也获得良好的应用效果[8]。 随着法医人类学与计算机技术的应用与发展，骨龄评估目前正逐渐向计算机自动化评估体系转变。SVM 对于骨骼影像学图像的建模有较高的准确度，主要有以下几个原因：（1）SVM 利用核函数的概念解决了黑色、白色、灰色不同的色阶骨骼图像与所对应骨发育分级之间的非线性关系问题；（2）骨骼医学影像图像数量相对有限，符合SVM 对小样本数据建模的独特优势；（3）梯度方向直方图（histogram of oriented gradient，HOG）可对骨骼图像局部出现的方向梯度次数进行计算，且HOG 的计算是基于一致空间的密度矩阵来提高图像识别准确率，可以保持图像几何与光学转化不变性，尤其适合固定不变的医学影像图像的识别与检测。

2.1.1 SVM 与手腕关节骨龄评估

手腕关节的掌骨、指骨、腕骨、尺桡骨以及籽骨等骨骼成熟度具有明显的先后顺序，该解剖区域存在形态不一的骨骼发育指标。 因此，手腕关节骨骼一直是骨龄研究者最感兴趣的区域之一。 2016 年，王亚辉研究团队[9]运用SVM 对华东地区140 名11.0～19.0 岁青少年腕关节数字X 射线摄影（digital radiography, DR）正位摄片进行模型训练，用留一交叉验证法（leave-one-out cross validation，LOCV）和HOG分别进行内部、外部验证，对预测结果和模型的有效性进行了独立的交叉验证检验准确性测试。 研究表明，这种新的骨骺分类技术是成功的，采用SVM进行图像分类研究是可靠可行的，且模型精度较高，骨骺发育分级识别准确率可达88.6%。 2019 年，BUI等[10]提出一种多阶段TW3 评估系统，该系统训练一个支持向量回归模型来预测骨龄，先使用Faster-RCNN 检测从TW3 定义中选定的感兴趣区域（region of interest,ROI），再使用Inception-V4 网络进行ROI分类。该学者用完整的Digital Hand Atlas （DHA）数据库System1 的公共数据集来评估所提出方法的性能，实验结果实现了约为0.59 岁的平均绝对误差。

2.1.2 SVM 与膝关节骨龄评估

2016 年，王品等[11]提出一种基于多特征SVM边缘定位和弹性区域生长的膝关节软骨自动分割算法。 先通过改进的自适应Canny 算子获取初始边缘，再提取初始边缘的多种特征，并采用一对一的多分类SVM 算法进行分类，实现骨-软骨边缘的定位，最后在定位的骨-软骨边缘附近自适应地选取种子点，并采用弹性区域生长方法进行阈值分割，从而完成对膝关节软骨区域的准确分割。 该算法的视觉和定量分析均表明其分割结果与手工分割金标准相近，显示其能够实现软骨的精确分割，为后续三维建模和计算形态参数等提供了数据基础。2019 年，王亚辉等[12]采集了500 例12.0～19.0 岁维吾尔族青少年膝关节DR 摄片，运用主成分分析法（principle component analysis，PCA）对提取的HOG与局部二值模式（local binary patterns，LBP）图像进行降维，然后再运用支持向量回归法（support vector regression，SVR）构建骨龄评估算法模型。 该方法与依赖“大数据、大计算、高性能”的DL 方法相比，具有较易实现、 在小样本数据上学习能力强及泛化能力良好的优点，并且关注到了骨龄发育在地区、民族间的差异性，对未来的司法鉴定有一定的价值。

2.1.3 SVM 与骨盆、髋关节骨龄评估

骨盆的髂嵴、坐骨骨骺继发骨化中心出现至骨骺闭合所经历的时间和周期均较其他骨关节稍晚，在大年龄组（18.0 岁以上）青少年骨龄鉴定中发挥着重要作用。 目前，最常用于骨盆骨龄评估的有Risser 征和髂嵴骨化，其他还包括髂嵴和坐骨结节骨化程度、髋关节和股骨近端骨骺的闭合程度、耻骨联合骨化程度等。 2020 年，FAN 等[13]分别建立了4 个回归模型和5 个分类模型来分析年龄在10.0～25.9 岁之间的2 137 例常规骨盆DR 摄片（男性1 215 例，女性922 例），并分别对髂骨和坐骨结节骨骺的骨化和融合进行评分。 结果显示，在法医学年龄估计方面，SVR 有较高的精度，且在女性的预测方面准确率高于男性，SVR 和梯度增强回归的性能优于决策树回归和贝叶斯岭回归。 综上，结合其他年龄测定方法，SVR 模型可用于青少年法医年龄估计。

2.1.4 SVM 与胸锁关节骨龄评估

锁骨胸骨端是构成胸锁关节的重要解剖结构，是全身骨关节中继发骨化中心出现和骨骺闭合时间均最晚的骨骼，也是大年龄组（18.0 岁以上）青少年骨龄鉴定的最重要指标之一。 2013 年，HILLEWIG 等[14]对220 名16.0～26.0 岁志 愿者的锁骨进行3T MRI 检查，另外拍摄了手腕关节DR 片，采用一个多元序数回归模型被拟合并嵌入基于贝叶斯的框架。 研究表明，锁骨胸骨端骨骺发育状况可用于界定18.0 周岁这个关键年龄，但结合手腕关节一并评价，骨龄评估结果的准确性会更高。 2019 年，STERN 等[15]融合了锁骨、手部、牙齿3 个解剖部位的MRI 数据信息，利用卷积神经网络（convolutional neural network, CNN）对322 名年龄为13.0～25.0 岁的受试者进行训练。 每个深度CNN 块由两个连续的3×3×3 卷积层和一个最大池层组成，最终得到了（1.01±0.74）岁的平均绝对误差。该研究将鉴定年龄范围从单纯使用手部的19.0 岁拓展到25.0 岁。 同时，该团队还计算了特征提取块后全连接层的平均激活值，以此衡量每个解剖部位对于预测年龄的重要性。 结果显示，对于不同年龄段的骨龄和牙龄评估，躯体不同解剖部位有着各自的优势。

2.2 DL 与法医学骨龄评估

人工神经网络是模拟人脑神经网络而设计的一种计算模型，是从结构、实现机制和功能上模拟人脑神经网络。 骨龄评估多年来一直是计算机视觉和放射学研究的目标， 运用人工神经网络学习实现骨骼图像的识别是实现AI 骨龄评估系统的可靠途径之一。 2006 年，GEOFFREY[16]首次提出深信度网络（deep belief network, DBN）这一概念，该网络是一种快速的、贪婪的算法，不仅可以识别特征、分类数据，还可用其来生成数据。 DBN 掀起了DL 在AI 领域迅猛发展的新高潮。 DL 是ML 的分支，是AI 领域的一项革新成果[17]，是一种以人工神经网络为架构对资料进行表征学习的算法。 DL 的一个外在特点是端到端的训练，其将整个系统组建好之后一起训练。 当人工没有能力来选取更好的特征时，自动化的算法可以从所有可能的特征中搜寻出最佳特征。 除端到端的训练外，训练集也正在经历从含参数统计模型转向完全无参数的模型。 近年来，DL 在骨龄研究方面取得了较大的成功。 以往骨龄评估都是基于传统方法人工提取兴趣域， 而DL 则将图像作为整体信息直接输入网络进行处理。 这表明DL 在图像特征差异性识别方面可能更精细，性能或许优于人工识别，并可能会在人工骨龄评估方法的指标改进方面取得重大突破。 鉴于DL 在学术界和工业界的巨大影响力，2013 年4 月《麻省理工学院科技评论》（MIT Technology Review）杂志将其列为2013 年十大突破性技术之首[18]。

2.2.1 DL 与手腕关节骨龄评估

2011 年，DODIN 等[19]将磁共振图像分解成多个表面层，对骨骼的边界进行定位，并自动融合多个部分分割对象，最终得到完整的骨骼分割。2017 年，SPAMPINATO 等[20]首次将DL 网络算法应用到骨龄自动评估领域，同时利用迁移学习的方法创建了3种基于ImageNet上预训练的CNN网络模型和1种基于从零开始训练专门针对手部DR 摄片的特定CNN（BoNet）模型，以用于骨龄自动化评估。2018年，王亚辉等[21]采集了13.0～19.0 岁维吾尔族男性青少年245 例、女性青少年227 例的左手腕关节DR图像，经过处理之后的图像作为研究对象，将AlexNet 网络作为图像识别的回归模型，实现了骨龄评估的自动化，进一步证实了DL 应用于骨龄研究的可行性。 除了DR 摄片外，手腕关节MRI 摄片也因其无辐射的优点在青少年骨龄研究中得到重视与发展。 2019 年，STERN 等[15]分别使用深度CNN和射频脉冲网络对328 名白种人男性的手部三维磁共振成像（magnetic resonance imaging，MRI）图谱进行训练并在二维DR 摄片中进行验证。 结果显示，对于13.0～18.0 岁的青少年，深度CNN 模型的绝对偏差为（0.37±0.51）岁，射频脉冲模型的绝对偏差为（0.48±0.56）岁，显著优于放射学家的预测。

2020 年，KOITKA 等[22]使用北美放射学会（Radiological Society of North America,RSNA）数据集构建了一个用于儿童骨龄估计的自动化系统，整个系统由两个基于神经网络的DL 模型组成，一个是检测网络，用于检测特征骨化ROI，并以图像化的形式显示出来；另一个是识别ROI的回归网络，根据检测到的区域进行回归并估计年龄。 检测网络以Faster-RCNN为架构，Inception-ResNet-V2 为底层特征提取器。 回归网络使用有50层的残差网络（ResNets），针对性别差异和每种类型的骨化区域（DIP、PIP、MCP、桡骨、尺骨、手腕）分别进行了训练，获得了12个回归模型。 结果显示， 该自动化骨龄评估系统在RSNA儿童骨龄挑战测试集的平均误差为0.38岁。

2.2.2 DL 与骨盆、髋关节骨龄评估

2019年，邓振华等[23]开发了一种基于骨盆DR摄片的DL骨龄评估模型，采用ImageNet数据集预先训练的改良版AlexNet网络，对我国四川省10.0～25.0岁人群骨盆DR摄片进行骨龄评估。 该研究采用微调版CNN，保留了原始AlexNet网络卷积层进行特征提取。再将基于DL网络模型推断出的骨骼年龄与其自身建立的三元一次回归模型的评估结果进行比较。 结果显示，CNN模型的输出骨龄与参考骨龄显著相关（相关系数r=0.916，P<0.05），且平均绝对误差和均方根误差分别为0.91 岁和1.23 岁。 运用DL-CNN模型的性能与现有的三元一次回归模型相当，展示了基于骨盆影像学自动骨骼评估模型的预测能力。

2020 年，王亚辉等[24]以汉族青少年骨盆DR 摄片962 例（男性481 例，女性481 例）为研究对象，比较了VGG 19、Inception V3、Inception-ResNet-V2 这3 种DL 模型基于骨盆DR 摄片进行骨龄自动评估的性能。 结果显示，Inception-ResNet-V2 模型性能最优，Inception V3 模型与VGG 19 模型性能相当。2022 年，王亚辉等[25]在2020 年的研究[24]基础上，将汉族青少年七大关节DR 摄片样本量扩大至2164 例（男性1290 例，女性874 例），分别采用Inception-V3、Inception-ResNet-V2 和VGG19 这3 种DL 网 络模型对上述骨盆、髋关节DR 摄片进行图像分析，分别推断出上述3 种DL 网络模型的骨龄评估结果。然后，引入AI 领域较为常见的分割网络（segmentation network），对骨盆、髋关节ROI 进行图像分割，再运用上述3 种DL 网络模型进行AI 骨龄评估。研究表明，经图像分割的骨龄评估结果的平均绝对误差和均方根误差均优于分割前，进一步证实了分割网络可有效降低分割图像的重叠等因素的影响，从而提高骨盆年龄估计的准确性。

2.2.3 DL 与膝关节骨龄评估

近年来，国内外学者已开始致力于运用MRI 扫描并结合AI 技术开展骨龄评估研究。 2019 年，DALLORA 等[26]对14.0～21.0 岁的402 名志愿者（男性221 名，女性181 名）膝关节进行了MRI 检查，采用包括从零开始培训和使用迁移学习的不同CNN架构对膝关节MRI 图像进行分析，其中一个CNN 模型是负责选择最可能提供年龄评估的MRI 序列图像，然后在第二个CNN 网络中完成骨龄评估，该CNN 分类器是受过训练的网络，能够选择最有价值的MRI 图像信息，包括股骨远端和胫腓骨近端骨骺、骺软骨板、干骺端等感兴趣的解剖部位。 该研究认为，获得最佳研究结果的CNN 架构是在ImageNet 数据库上预训练的GoogLeNet 网络。 研究表明，男性受试者的平均绝对误差为0.79 岁，女性的为0.99 岁。2020 年，彭钊等[27]收集10.0～25.0 岁同时拍摄T1（T1WI）、T2（T2WI）和 质 子（PDWI）加 权 像 的400 例MRI 图像，对膝关节骨骺发育分级赋分，建立多个年龄推断逐步线性回归模型，绘制18.0 岁推断的受试者工作特征（receiver operating characteristic, ROC）曲线，建立18.0 岁年龄节点判别SNR 模型。 研究表明，不同加权像与年龄的相关性、ROC 曲线下面积从高到低依次为T1WI、PDWI、T2WI。 男性应用T1WI 腓骨近端和PDWI 股骨远端骨骺发育等级建立的模型准确性最高，平均绝对误差为1.70 岁；女性应用PDWI 股骨远端和腓骨近端骨骺发育等级建立的模型准确性最高，平均绝对误差为2.01 岁。SVR 模型判别18.0 岁年龄节点的男、女性准确率分别为84.0%、92.0%。 由此可见，膝关节T1WI、PDWI 和T2WI 均适用于18.0 岁年龄节点的判断。 2021 年，MAUER 等[28]开发了一种基于ML 的冠状面膝关节三维MRI 成像的全自动计算机年龄评估方法。 该研究的主要过程分为三个部分：（1）对膝关节三维MRI 图像进行自动裁剪、图像增强等预处理（校正和标准化）；（2）采用类似于UNet 自编码器的CNN 架构，提取年龄相关解剖结构特征（数据约简和简化）；（3）基于CNN 年龄预测和使用ML 算法具体执行重复分层k-fold 验证，并回归年龄（骨龄评估）。研究表明，冠状面MRI 图像回归年龄的结果较矢状面更好。 同时，该研究结果进一步证实了STERN 等[15]运用DL 评估手部、锁骨和牙齿年龄的方法同样适用于膝关节。

3 AI 技术与法医学牙龄评估

ML 技术的兴起与不断发展为实现牙龄推断方法的进一步完善和提高、辅助实现牙龄的高精度智能评估提供了新契机。

3.1 DL 间接实现牙齿自动检测与分类

随着DL 技术的不断发展，一些学者尝试将其应用于牙齿的检测和分类当中，选择不同的DL 方法来建立自动检测分类的神经网络模型，并获得了较高的准确率。 2018 年，ZAHNG 等[29]选择DL 技术中的标签树建立神经网络模型，以提高牙齿检测和分类的鲁棒性，特别是基于CNN 的级联网络结构。结果显示，该标签树模型准确率高于其他深度学习网络。 2020 年，LEE 等[30]通过应用DL、CNN 在口腔曲面断层片中实现了牙齿的自动分割。 该研究学者选择了掩膜基于区域的卷积神经网络（mask RCNN）进行牙齿自动分割模型的建立，mask RCNN 是多任务算法模型。 为了提高牙齿分割的精度，该学者使用了一个称为ROI Align 的神经网络层，以像素对像素的方式提取牙齿的空间结构。采用F1分数及并集平均相交IoU 两项指标进行分割结果的评价。结果显示，该研究建立的牙齿自动分割模型准确率优于其他学者的研究结果。 该研究创建的牙齿自动分割模型效果较既往研究有明显提高， 可应用于牙龄自动化推断的第一步和其他涉及类似分割任务的鉴定。 2021 年，CHEN 等[31]将牙齿三维咬合面转换为深度图像，使用基本的CNN 构建两级层次模型，在三维模型中获得了优秀的后牙类型分类性能。 该模型采用基于CNN 的咬合面形态学分析方法，对上颌第一前磨牙、第二前磨牙、第一磨牙、下颌第二磨牙等八类后牙类型进行研究，提出了一种分层分类模型，将八类分类任务分解为两级级联的分类子任务。 图像增强包括传统的几何变换和深度卷积生成对抗网络 （deep convolutional generative adversarial network，DCGAN）应用于每个子网络和级联网络。 结果表明， 结合传统增强图像和基于DCGAN 的增强图像训练CNN 模型可以提高分类性能。该模型对八类后牙类型分类的总体准确率为91.4%，宏查准率为91.5%，宏查全率为91.3%，宏F1为0.91，优于其他深度学习模型。 2023 年，HOU 等[32]针对牙齿全景X 线图像进行牙齿全景分割存在的牙间边界模糊、牙齿与牙槽骨对比度低等问题提出了Teeth UNet 模型。 该模型在编码器和解码器中采用了挤压激励模块，并且在瓶颈层设计了一种多尺度聚集注意块和扩展混合自关注块，能够有效提取齿形特征并自适应融合多尺度特征，并且能在更大的感知范围内捕获牙齿特征信息。为验证Teeth U-Net 模型的有效性，HOU 等[32]在临床牙科全景X 线图像数据集上进行了上下文语义相关实验与先进分割网络比较以及消融实验。 通过可视化结果、数据表分析和雷达图像对比，证明了在牙科全景X 线牙齿分割中，Teeth U-Net 模型的分割精度高于其他模型。

3.2 DL 直接实现牙龄预测

目前，已建立的牙龄推断方法是基于观察者的主观经验判断，这是造成牙龄推断结果与实际年龄之间误差的原因之一。 DL 技术应用于牙龄推断领域主要体现在两个方面：一是实现了牙齿的自动定位、分割和分类，为进一步实现牙龄自动化推断奠定基础；二是建立自动推断牙龄的神经网络模型，包括基于不同牙龄推断方法添加标签进行有监督的深度学习模型和基于不同类型牙齿图像进行的无监督深度学习模型，为该领域的深入研究提供了思路和方向。 2019 年，STERN 等[15]基于手腕骨、锁骨和第三磨牙的MRI 影像建立了年龄推断的神经网络模型。 该CNN 不仅实现了年龄的自动化预测，而且可应用于鉴别个体年龄是否年满18.0 周岁。2020 年，VILA 等[33]为探索更为准确的牙龄自动化预测模型，建立了两个不同的全自动化CNN 模型，既不需要对牙齿进行分期或测量，也不需要图像预处理及特征标注。 第一个双重注意力网络（dual attention network, DANet）模型含有一个连续的CNN 路径进行牙龄推断；第二个DASNet 模型在DANet 模型的基础上增加了第二个CNN 路径进行性别预测，并利用性别特征提高牙龄推断的准确性。 结果显示，DASNet 模型在各个方面均优于DANet 模型，并且该神经网络模型的研究结果比以往人工牙龄推断结果误差更低，还可用于自动准确预测某人的实际年龄，特别在牙齿仍在发育中的年轻受试者。

3.3 牙齿发育自动识别

2017 年，DE TOBEL 等[34]研究了一种在曲面断层片中进行左下第三磨牙发育分期的自动化评价技术，并对其性能进行了测试。 该研究结合Demirjian、Gleiser 和Hunt、Kullman 和Moorrees 对牙齿发育阶段的划分定义，制订了新的分期方法，将牙齿发育过程分为0～9 共10 个阶段。 对曲面断层片中第三磨牙的发育状况进行人为分期，选择深度卷积神经网络方法AlexNet 进行转移学习。 该研究显示，自动化分期和人工分期具有一致性，说明这种新方法对于消除观察者内部和观察者之间的分歧而产生的年龄推断误差具有一定的积极作用。 在上述研究的基础上，2020 年，MERDIETIO 等[35]通过不同的特征区域标记方法和神经网络模型对既往建立的牙龄自动化预测模型进行了新的探索。 本次研究选择新的神经网络DenseNet201，通过相同的样本分配比例和图像处理方法进行自动化分期模型的构建。 比较本研究结果与DE TOBEL 等[34]前一个实验研究结果可知，DenseNet201 在牙齿发育分期的自动化评估中表现出更优越的预测性能。 2022 年，VILA-BLANCO等[36]提出了一种新的全自动年龄和性别估计模型。该模型先通过改进的CNN 进行下颌牙齿检测，提取每颗牙齿的定向包围框，再将定向包围框内产生的图像特征输入第二个CNN 模块，该模块用一组卷积层和一个全连接层生成每颗牙齿的年龄和性别概率分布。 该学者采用分层分割方法和应用图像增强技术来增加数据的大小和可变性，实验结果的平均绝对误差为0.97 岁，低于以往的任何一种牙龄估计方法，性别分类的准确性为91.8%，证实了牙齿在性别分类中的价值。 该模型中每颗被检测到的牙齿都有一个单独的概率分布，可用于检测与特定牙齿发育有关的问题，如生长提前或延迟。

4 研究展望

法医学骨龄、牙龄评估之所以能与AI 技术紧密结合，主要是因为骨骼、牙齿影像资料可纳入计算机视觉范畴，而ML、DL 等AI 技术对计算机视觉研究有着得天独厚的优势，并已在医学图像识别中取得了突破性进展。 鉴于此，今后的法医学活体年龄研究可以考虑在以下几个方面形成突破：（1）升级检测手段。 随着医学影像检测技术的不断升级，更为复杂的影像深层特征有可能会被挖掘，并且随着公众健康意识的不断增强，尤其是涉及青少年儿童骨龄研究，MRI 扫描具有无射线辐射的天然优势，与DR 摄片和CT 扫描相比，不失为一个大有裨益的检测方法。（2）优化网络算法。基于AI 技术开展的法医学活体年龄研究使用的算法从最开始的数据挖掘、SVM、随机森林、主成分分析，到现在广泛应用的CNN、DL， 从开始需要人为提取影像图片特征到后来通过网络算法自动学习，网络算法模型仍需不断更新迭代。 （3）契合法律需求。 2021 年1 月1 日起施行的《中华人民共和国民法典》将限制性民事行为能力的法定年龄节点下调至8.0 周岁，2021 年3 月1 日起施行的《中华人民共和国刑法修正案（十一）》将刑事责任年龄下调至12.0 周岁，这两大法律对法定责任年龄的修订对法医学工作者而言，既是机遇也是挑战。 AI 与骨龄、牙龄鉴定相结合，进一步提高鉴定意见的精确度和准确性， 对于打击犯罪和保护未成年人合法权益具有重要的现实意义。（4）完善鉴定标准。 《法庭科学 汉族青少年骨龄鉴定技术规程》（GA/T 1583—2019）已于2019 年10 月1 日实施，重点解决14.0、16.0、18.0 周岁青少年骨龄鉴定问题，今后有必要将青少年儿童牙齿发育指标纳入活体年龄研究中，可联合运用AI 技术进一步完善我国低年龄组（如8.0、12.0 周岁）未成年人法医学骨龄鉴定标准。