تخمین سن قانونی با تصویر دندان سوم: ارزیابی الگوریتم‌های یادگیری ماشین روی رادیوگرافی‌های پانورامیک

خلاصه سریع برای خواننده

• موضوع مطالعه: استفاده از رادیوگرافی پانورامیک و شاخص دندان سوم (I3m) همراه با الگوریتم‌های یادگیری ماشین برای تشخیص بالای/زیر ۱۸ سال.
• نمونه: ۵۹۷ رادیوگرافی پانورامیک از افراد ۱۳ تا ۲۶ سال (۵۲% مرد، ۴۸% زن).
• روش‌ها: سه شبکه عصبی کانولوشنی برای سگمنتاسیون دندان‌ها و چند الگوریتم طبقه‌بندی با ۱۰‑fold cross‑validation بررسی شدند؛ Attention U‑Net و KNN بهترین‌ها بودند.
• یافته کلیدی: مدل‌های SML (به‌ویژه KNN) در تفکیک زیر/بالای ۱۸ سال دقت بالا داشتند؛ عملکرد در مردان بهتر بود اما تفاوت جنسیتی وجود داشت.
• نتیجه‌گیری احتیاطی: روش‌های مبتنی بر تصویر و یادگیری ماشین وعده‌بخش‌اند اما نیاز به اعتبارسنجی بیرونی، بررسی تراکم جمعیتی و توجه به پیامدهای قانونی دارند.

مقدمه

تخمین سن در پزشکی قانونی نقش مهمی در پرونده‌های کیفری، مدنی، مهاجرت و حقوق کودکان دارد. یکی از روش‌های متداول، بررسی تکامل دندان‌ها است؛ به‌ویژه مولر سوم (دندان عقل) که تا حوالی دهه دوم زندگی تکامل می‌یابد و می‌تواند نشانه‌ای از گذر از سن قانونی (معمولاً ۱۸ سال) باشد. با این حال، تفسیر رادیوگرافی دندانی تا حد زیادی به مهارت معاینه‌کننده وابسته است و ممکن است بین ناظران تفاوت وجود داشته باشد.

مطالعه‌ای که در PLOS One منتشر شده، تلاش کرده است نشان دهد آیا الگوریتم‌های یادگیری ماشین نظارت‌شده (SML) می‌توانند به‌طور خودکار و دقیق افراد را بر اساس شاخص دندان سوم (I3m) به دو گروه زیر و بالای ۱۸ سال تقسیم کنند. در ادامه، طراحی، نتایج، محدودیت‌ها و پیامدهای بالینی-قانونی این مطالعه را با زبان دقیق و قابل‌فهم برای مخاطب عمومی توضیح می‌دهیم.

طراحی مطالعه و روش‌ها

نمونه و داده‌ها

محققان از مجموع 597 رادیوگرافی پانورامیک استفاده کردند؛ دامنه سنی ۱۳ تا ۲۶ سال و توزیع جنسی نزدیک به متقارن (۵۲% مرد و ۴۸% زن). این مجموعه امکان بررسی تکامل دندان سوم در بازه سنی مرتبط با آستانه قانونی ۱۸ سال را فراهم می‌کرد.

پیش‌پردازش و سگمنتاسیون

برای استخراج اطلاعات تصویر دندان سوم، ابتدا لازم است محل و محدوده دندان‌ها در تصویر مشخص شود (سگمنتاسیون). سه معماری شبکه عصبی کانولوشنی (CNN) برای این هدف ارزیابی شدند و Attention U‑Net بیشترین امتیاز را در کیفیت سگمنتاسیون کسب کرد؛ به عبارت دیگر، این شبکه به شکل دقیق‌تری مرزهای دندان سوم را از عکس جدا کرد.

استخراج ویژگی و طبقه‌بندی

پس از سگمنتاسیون، شاخص دندان سوم (I3m) در قالب ویژگی‌های تصویری استخراج شد. سپس چند الگوریتم یادگیری ماشین نظارت‌شده برای طبقه‌بندی افراد به دو گروه زیر و بالای ۱۸ سال آزموده شد. از اعتبارسنجی 10‑fold cross‑validation برای ارزیابی عملکرد مدل‌ها استفاده شد تا تخمین‌هایی مقاوم‌تر نسبت به نوع تقسیم داده بدست آید.

مقایسه با ارزیابی انسانی

عملکرد مدل‌های یادگیری ماشین با ارزیابی یک کارشناس انسانی مقایسه شد تا معلوم شود آیا الگوریتم‌ها می‌توانند خطای انسانی را کاهش دهند یا وظیفه را به شکل بهتری انجام دهند.

نتایج اصلی

نتایج به تفکیک جنسیت و روش‌ها گزارش شده‌اند. در سطح کلی، مدل‌های مبتنی بر تصویر و یادگیری ماشین توانستند افراد را با دقت مناسبی بر اساس آستانه ۱۸ سال طبقه‌بندی کنند.

عملکرد سگمنتاسیون

Attention U‑Net بهترین نتایج را در سگمنتاسیون دندان سوم ارائه داد؛ این موضوع اهمیت دارد چون کیفیت سگمنتاسیون می‌تواند به‌طور قابل‌توجهی بر دقت نهایی طبقه‌بندی تأثیر بگذارد.

عملکرد طبقه‌بندی (اعداد اصلی)

• الگوریتم منتخب (KNN):
  • مردان: حساسیت = ۷۷.۷۷%، ویژگی (Specificity) = ۹۶%، AUC = ۰.۸۷
  • زنان: حساسیت = ۷۷.۴%، ویژگی = ۸۶.۷%، AUC = ۰.۸۲
• ارزیابی کارشناس انسانی:
  • مردان: حساسیت = ۷۰.۴%، ویژگی = ۱۰۰%، AUC = ۰.۸۵
  • زنان: حساسیت = ۵۴.۸%، ویژگی = ۹۳.۳%، AUC = ۰.۷۴

این آمار نشان می‌دهد که مدل یادگیری ماشین به‌ویژه در افزایش حساسیت (توانایی تشخیص صحیح افراد بالای مرز یا زیر مرز بسته به تعریف) بهتر یا نزدیک به کارشناس بوده و همچنین AUC قابل‌قبولی ارائه کرده است. با این حال، کارشناس در برخی معیارها مانند ویژگی (یعنی جلوگیری از مثبت کاذب) عملکرد بسیار بالا داشته است (مثلاً ویژگی ۱۰۰% در مردان).

تفسیر نتایج و معانی بالینی-قانونی

چند نکته مهم در تفسیر این نتایج باید در نظر گرفته شود:

• افزایش قابلیت تکرارپذیری: الگوریتم‌ها می‌توانند برخی از منابع خطای انسانی مانند اختلاف بین ناظران را کاهش دهند و تصمیم‌گیری را یکنواخت‌تر کنند.
• دقت نسبتاً خوب اما نه کامل: AUC بین ۰.۸۲ تا ۰.۸۷ نشان‌دهنده توانایی خوب در تمایز است اما به معنی تشخیص قطعی سن در سطح فردی نیست.
• اختلاف جنسیتی: عملکرد در مردان کمی بهتر از زنان گزارش شده که می‌تواند به تفاوت‌های بیولوژیک تکامل دندانی یا توزیع داده‌ها مرتبط باشد.
• پیامدهای قانونی: اشتباه در برچسب‌زدن فردی به‌عنوان زیر یا بالای ۱۸ سال می‌تواند پیامدهای حقوقی و اجتماعی مهمی به همراه داشته باشد؛ بنابراین استفاده از چنین مدل‌هایی باید با احتیاط و همراه با شواهد تکمیلی صورت گیرد.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• طبیعت داده‌ها: در خلاصه مقاله ذکر نشده که مجموعه داده‌ها چگونه و از کدام جمعیت جغرافیایی جمع‌آوری شده‌؛ بنابراین تعمیم نتایج به جمعیت‌های دیگر (نژادی، ناحیه‌ای یا با پروتکل تصویربرداری متفاوت) نامطمئن است.
• اندازه و توزیع نمونه: اگرچه نمونه نزدیک به ۶۰۰ تصویر است که نسبتا مناسب به نظر می‌رسد، اما توزیع سنی، تفاوت‌های قومی و نحوه انتخاب سوژه‌ها می‌تواند بر نتایج تأثیر بگذارد. همچنین ممکن است تعداد افراد خیلی پیر یا خیلی جوان برای برخی زیرگروه‌ها کم باشد.
• نوع مطالعه و اعتبارسنجی: گزارش به 10‑fold cross‑validation اشاره کرده است که برای ارزیابی داخلی مناسب است، اما اعتبارسنجی بیرونی (external validation) در مجموعه داده مستقل برای اثبات پایداری مدل ضروری است.
• وابستگی به پروتکل تصویربرداری: کیفیت رادیوگرافی، نوع دستگاه، زاویه‌گیری و پارامترهای اکسپوز می‌توانند عملکرد سگمنتاسیون و طبقه‌بندی را تغییر دهند.
• تفسیر مدل‌های یادگیری ماشین: الگوریتم‌ها ممکن است روی الگوهای پیکسلی عمل کنند که برای انسان واضح نیست؛ این باعث چالش در تبیین تصمیمات (explainability) و پذیرش قضایی می‌شود.
• نتایج احتمالی و خطاها: هیچ روش تشخیصی صفر-خطا نیست؛ مثبت و منفی کاذب می‌توانند پیامدهای جدی داشته باشند. باید توجه کنیم که حساسیت و ویژگی ارائه‌شده به معنی عملکرد ثابت در همه جمعیت‌ها نیست.

کاربرد بالینی و قضایی: این یافته برای بیمار چه معنایی دارد؟

برای فرد یا نهادی که به تعیین سن قانونی یک شخص نیاز دارد، این مطالعه نشان می‌دهد:

• الگوریتم‌های مبتنی بر تصویر می‌توانند به عنوان یک ابزار کمکی برای افزایش یکنواختی و تکرارپذیری در تخمین سن دندانی مفید باشند.
• با این حال، نتایج مدل را نباید به‌عنوان تنها مدرک برای تصمیم‌گیری قانونی به کار برد؛ بهتر است از آن در کنار معاینات بالینی، سوابق پزشکی و روش‌های دیگر تعیین سن (مثلاً اسکلتی) استفاده شود.
• برای فرد، این یعنی احتمال دارد یک ارزیابی خودکار احتمال خطا را کاهش دهد اما به‌طور قطع مانع نیاز به ارزیابی انسانی یا مدارک تکمیلی نمی‌شود.

نظر تحریریه پزشک سایت

این مطالعه نمونه‌ای از کاربردهای عملی تحلیل تصویر پزشکی با یادگیری ماشین در حیطه پزشکی قانونی است. نتایج نشان می‌دهد الگوریتم‌ها می‌توانند الگوهایی را تشخیص دهند که گاه از دید انسان پنهان‌اند و به همین دلیل قادر به افزایش حساسیت در برخی گروه‌ها هستند. با این همه، پذیرش در محیط‌های بالینی و قضایی نیازمند تحقق چند شرط است: اعتبارسنجی در جمعیت‌های مختلف، شفافیت مدل، و بررسی پیامدهای اخلاقی و حقوقی اشتباهات تشخیصی. بنابراین در حال حاضر می‌توان الگوریتم‌ها را به‌عنوان کمک‌ابزار پذیرفت، اما نه جانشین بی‌چون‌وچرای بررسی‌ها و تصمیم‌گیری‌های انسانی.

ملاحظات فنی درباره پیاده‌سازی و آینده پژوهش

چرا Attention U‑Net و KNN مؤثر بودند؟

Attention U‑Net با تمرکز موضعی بر نواحی مرتبط تصویر، سگمنتاسیون بهتری ارائه داد که ویژگی‌های استخراج‌شده را بهبود می‌بخشد. از سوی دیگر، KNN به عنوان الگوریتمی ساده و قابل‌تفسیر برای طبقه‌بندی بر اساس شباهت نمونه‌ها عمل می‌کند؛ در مجموعه‌ای که ویژگی‌های تصویری مناسب استخراج شده‌اند، KNN می‌تواند عملکرد قابل‌قبولی داشته باشد.

راهکارهای افزایش اعتمادپذیری

• اجرای اعتبارسنجی بیرونی روی جمعیت‌های متنوع جغرافیایی و قومی.
• آزمون پایداری در برابر تغییرات دستگاه‌های رادیوگرافی و پارامترهای تصویربرداری.
• افزودن مدل‌های تبیینی (explainable AI) برای کمک به پذیرش قضایی و پزشکی.
• ارزیابی پیامدهای بالینی و حقوقی مثبت و منفی کاذب در محیط واقعی قبل از اتکا به تصمیمات خودکار.

چه زمانی باید با پزشک یا کارشناس مشورت کرد؟

مواردی که باید سریعاً یا حتماً از مشورت تخصصی بهره ببرید:

• اگر نتیجه تعیین سن برای شما یا کسی که مسئولیت او را دارید پیامد حقوقی (دادگاه، پناهندگی، حضانت کودک) دارد؛ در این موارد از یک متخصص پزشکی قانونی یا دندان‌پزشکی قانونی کمک بگیرید.
• در صورت وجود نگرانی درباره آسیب یا ناهنجاری دندانی که ممکن است نتایج تصویربرداری را مخدوش کند، با دندان‌پزشک مشورت کنید.
• اگر بیمار باردار است یا احتمال بارداری وجود دارد، پیش از انجام رادیوگرافی پانورامیک با پزشک درباره خطر اشعه و روش‌های جایگزین صحبت کنید.
• برای کودکان و نوجوانان، تصمیم‌گیری مرتبط با درمان دندان یا جراحی که به تشخیص سن مرتبط است باید با تیم تخصصی مشاوره شود.

پرسش‌های رایج

۱) آیا می‌توان با رادیوگرافی دندان سن را با دقت کامل تعیین کرد؟

خیر. رادیوگرافی دندانی و شاخص‌هایی مانند I3m می‌توانند کمک‌کننده باشند و دقت خوبی ارائه دهند، اما هیچ روش تصویربرداری تک‌نفسه‌ای قادر به تعیین دقیق سن تقویمی هر فرد نیست. معمولاً از ترکیب روش‌ها استفاده می‌شود.

۲) آیا هوش مصنوعی می‌تواند جایگزین کارشناسان شود؟

فعلاً این الگوریتم‌ها بیشتر به عنوان ابزار کمکی مطرح‌اند. آنها می‌توانند یکنواختی و حساسیت را افزایش دهند اما تبیین تصمیمات و پیامدهای قانونی نیاز به بررسی و دخالت کارشناسان انسانی دارد.

۳) آیا نتایج این مطالعه برای جمعیت ایران قابل تعمیم است؟

تعمیم مستقیم نامطمئن است. عوامل ژنتیکی، تغذیه‌ای، و روش‌های تصویربرداری می‌توانند تکامل دندانی را تحت تأثیر قرار دهند. برای کاربرد در ایران لازم است مدل‌ها روی داده‌های محلی اعتبارسنجی شوند.

۴) خطای روش چقدر است و چه معنایی دارد؟

در این مطالعه، مدل KNN برای مردان حساسیت حدود ۷۷.۸% و ویژگی ۹۶% گزارش شده که یعنی مدل در تشخیص یک گروه توانمند است اما ممکن است حدود ۲۲% از موارد مثبت را از دست بدهد (فالس نِگتیو) یا در مواردی نادر خطای مثبت رخ دهد. پیامد این خطاها در بستر قانونی اهمیت زیادی دارد.

۵) آیا رادیوگرافی پانورامیک خطرناک است؟

در دوزهای معمول تشخیصی، دوز اشعه از رادیوگرافی پانورامیک نسبتاً کم است و وقتی با رعایت پروتکل‌ها انجام شود، خطر بسیار پایین است. با این حال، در صورت بارداری یا تکرارهای مکرر باید احتیاط شود و پزشک یا دندان‌پزشک را مطلع ساخت.

جمع‌بندی کاربردی

مطالعه PLOS One نشان می‌دهد که ترکیب سگمنتاسیون دقیق تصویر (Attention U‑Net) و الگوریتم‌های طبقه‌بندی (مانند KNN) می‌تواند در تخمین بالای/زیر ۱۸ سال بودن افراد بر پایه شاخص دندان سوم عملکرد قابل‌توجهی داشته باشد. با این حال، استفاده از چنین ابزارهایی در تصمیم‌گیری‌های حقوقی یا بالینی باید همراه با اعتبارسنجی محلی، توجه به پیامدهای مثبت/منفی کاذب و ترکیب با مدارک دیگر باشد. در کوتاه‌مدت، این فناوری‌ها بیشتر به‌عنوان ابزار کمکی و افزایش‌دهنده تکرارپذیری توصیه می‌شوند تا جایگزین قطعی کارشناسان انسانی.

نکات عملی برای مخاطب:

• اگر ارزیابی سن برای یک پرونده حقوقی لازم است، به جای اتکا به یک روش تنها، از ترکیب روش‌ها و حضور کارشناس استفاده کنید.
• درخواست اعتبارسنجی مدل روی جمعیت مشابه (از نظر جغرافیا و نژاد) می‌تواند ریسک خطا را کاهش دهد.
• اطلاع‌رسانی کامل به افراد درباره محدودیت‌ها و عدم قطعیت نتایج پیش از استفاده قانونی ضروری است.

منبع

مقاله اصلی: PLOS One. Radiographic legal age estimation based on third molar development using Machine‑learning algorithms. ۲۰۲۶. DOI: https://doi.org/10.1371/journal.pone.0354704

توجه: این مطلب تحلیلی و آموزشی است و جایگزین مشاوره تخصصی پزشکی، دندان‌پزشکی یا حقوقی نمی‌شود.

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.