Использование нейросетевых технологий для оценки возраста детей по ортопантомограммам (пилотное исследование)

М.П. Полетаева, Ю.В. Василевский, Д.К. Валетов, N. Angelakopoulos, Г.В. Золотенкова

Ключевые слова: медицинская визуализация; определение возраста; зубной возраст; ортопантомограмма; стоматологический статус; глубокое обучение; искусственная нейронная сеть.

2026, том 18, номер 2, стр. 15.

DOI: https://doi.org/10.17691/stm2026.18.2.02

Полный текст статьи

html pdf

229

Аннотация
Список литературы
Как цитировать в References

Цель исследования — изучить возможность использования технологий искусственного интеллекта для определения возраста детей по рентгеновским снимкам зубов.

Материалы и методы. Проведено ретроспективное исследование, в ходе которого проанализированы ортопантомограммы 322 детей (173 — женского и 149 — мужского пола) в возрасте 4–16 лет. На каждом снимке были аннотированы 14 постоянных зубов нижней челюсти. Обучение нейросетей производили с разбиением данных на тренировочную и тестовую выборку в соотношении 80:20; применяли кросс-валидацию с числом разбиений, равным 5. Оценка возраста решалась как задача регрессии. Процесс обучения и валидации нейросети реализован на языке Python с использованием библиотеки PyTorch. Точность прогнозирования возраста оценивали по коэффициенту детерминации (R²), среднеквадратичной ошибке (MSE) и средней абсолютной ошибке (MAE).

Результаты. Исследование показало, что разработанная модель машинного обучения обладает высокой точностью в оценке возраста детей. Значение средней абсолютной ошибки на кроссвалидацию составило 0,92 года, что существенно меньше ошибки при традиционно используемых ручных методах.

Золотенкова Г.В., Полетаева М.П. Обзор методов оценки возраста детей и подростков по рентгенограммам зубов. Судебно-медицинская экспертиза 2024; 67(2): 47–52, https://doi.org/10.17116/sudmed20246702147.
Cummaudo M., De Angelis D., Magli F., Minà G., Merelli V., Cattaneo C. Age estimation in the living: a scoping review of population data for skeletal and dental methods. Forensic Sci Int 2021; 320: 110689, https://doi.org/10.1016/j.forsciint.2021.110689.
Demirjian A., Goldstein H., Tanner J.M. A new system of dental age assessment. Hum Biol 1973; 45(2): 211–227.
Chaillet N., Willems G., Demirjian A. Dental maturity in Belgian children using Demirjian's method and polynomial functions: new standard curves for forensic and clinical use. J Forensic Odontostomatol 2004; 22(2): 18–27.
Cameriere R., Ferrante L., Cingolani M. Age estimation in children by measurement of open apices in teeth. Int J Legal Med 2006; 120(1): 49–52, https://doi.org/10.1007/s00414-005-0047-9.
Vila-Blanco N., Varas-Quintana P., Tomás I., Carreira M.J. A systematic overview of dental methods for age assessment in living individuals: from traditional to artificial intelligence-based approaches. Int J Legal Med 2023; 137(4): 1117–1146, https://doi.org/10.1007/s00414-023-02960-z.
Shen S., Zhou Z., Wang J., Fan L., Han J., Tao J. Using machine learning to determine age over 16 based on development of third molar and periodontal ligament of second molar. BMC Oral Health 2023; 23(1): 680, https://doi.org/10.1186/s12903-023-03284-5.
Vila-Blanco N., Carreira M.J., Varas-Quintana P., Balsa-Castro C., Tomas I. Deep neural networks for chronological age estimation from OPG images. IEEE Trans Med Imaging 2020; 39(7): 2374–2384, https://doi.org/10.1109/TMI.2020.2968765.
Золотенков Д.Д., Огарев Е.В., Валетов Д.К., Нефедова С.М., Золотенкова Г.В., Пиголкин Ю.И. Оценка возраста с использованием КТ коленного сустава и нейросетевых технологий. Судебно-медицинская экспертиза 2023; 66(4): 34–40, https://doi.org/10.17116/sudmed20236604134.
Zolotenkova G.V., Valetov D.K., Poletaeva M.P., Vassilevski Y.V. Experience of using neural networks to assess age-related changes in some structures of the skull and cervical vertebrae based on CT scans (pilot project). Sovremennye tehnologii v medicine 2024; 16(2): 29–38, https://doi.org/10.17691/stm2024.16.2.03.
Пиголкин Ю.И., Солодовников В.И., Золотенков Д.Д., Салем Б.Р., Полетаева М.П., Золотенкова Г.В. Опыт использования Data Analysis исследовательских данных при решении задачи установления целевой возрастной группы. Судебно-медицинская экспертиза 2024; 67(4): 37–41, https://doi.org/10.17116/sudmed20246704137.
Shen S., Liu Z., Wang J., Fan L., Ji F., Tao J. Machine learning assisted Cameriere method for dental age estimation. BMC Oral Health 2021; 21(1): 641, https://doi.org/10.1186/s12903-021-01996-0.
Huang G., Liu Z., Van Der Maaten L., Weinberger K.Q. Densely connected convolutional networks. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). USA; 2017, p. 2261–2269, https://doi.org/10.1109/CVPR.2017.243.
Tan M., Le Q.V. EfficientNet: rethinking model scaling for convolutional neural networks. In: Proceedings of the 36th International Conference on Machine Learning, ICML. USA; 2019; p. 6105–6114. URL: https://proceedings.mlr.press/v97/tan19a.html.
Xu R., Lin H., Lu K., Cao L., Liu Y. A forest fire detection system based on ensemble learning. Forests 2021; 12: 217, https://doi.org/10.3390/f12020217.
Willmann C., Fernandez De Grado G., Kolb C., Raul J.S., Musset A.M., Gros C.I., Offner D. Accuracy of age estimation using three dental age estimation methods in a young, large, and multiethnic patient sample. Dent J (Basel) 2023; 11(12): 288, https://doi.org/10.3390/dj11120288.
Galibourg A., Cussat-Blanc S., Dumoncel J., Telmon N., Monsarrat P., Maret D. Comparison of different machine learning approaches to predict dental age using Demirjian's staging approach. Int J Legal Med 2021; 135(2): 665–675, https://doi.org/10.1007/s00414-020-02489-5.
Tao J., Wang J., Wang A., Xie Z., Wang Z., Wu S., Hassanien A.E., Xiao K. Dental age estimation: a machine learning perspective. In: The International Conference on Advanced Machine Learning Technologies and Applications (AMLTA2019). Springer, Cham; 2019; p. 722–733, https://doi.org/10.1007/978-3-030-14118-9_71.
Abuabara A., do Nascimento T.V.P.M., da Cruz K.R., Küchler E.C., Madalena I.R., de Oliveira M.B.C.R., Lepri C.P., de Menezes-Oliveira M.A.H., de Araujo C.M., Baratto-Filho F. Dental age estimation by comparing Demirjian's method and machine learning in Southeast Brazilian youth. Forensic Sci Med Pathol 2025, https://doi.org/10.1007/s12024-025-01042-3.

Poletaeva M.P., Vasilevsky Yu.V., Valetov D.K., Angelakopoulos N., Zolotenkova G.V. Neural Network Technologies for Age Estimation in Children from Orthopantomograms (a Pilot Study). Sovremennye tehnologii v medicine 2026; 18(2): 15, https://doi.org/10.17691/stm2026.18.2.02