人工智能技術在法醫學骨齡和牙齡評估中的研究前沿及展望

周慧明，李丹陽，萬 雷，李成濤，汪茂文，王亞輝

（1.司法鑒定科學研究院上海市法醫學重點實驗室上海市司法鑒定專業技術服務平臺司法部司法鑒定重點實驗室，上海 200063；2.山西醫科大學 法醫學院，山西 晉中 030600；3.山西醫科大學 醫學科學院，山西 太原 030000）

法醫學活體年齡評估是法醫臨床學、法醫人類學科學研究的重點和難點問題之一，一直以來備受國內外學者的廣泛關注。 法醫學活體年齡鑒定對犯罪嫌疑人的刑事責任能力、刑罰量刑、民事行為能力、福利權利、非法移民等方面進行評估，為刑事偵查、法庭審判提供重要的科學依據。 活體年齡研究的主要內容包括：骨骼年齡、牙齒年齡、分子生物學年齡以及基于個體外部軟組織、骨密度檢測等多種技術手段的活體年齡評估等[1]。 目前比較公認的，尤其是在司法鑒定領域使用較多且被司法機關認可的方法仍以法醫學骨齡鑒定為主，即利用個體骨骼發育程度推斷其生物學年齡。 與骨骼類似，牙齒在年齡推斷中的應用也較為廣泛。 牙齒的生理結構不易受外界理化因素變化而發生降解、變形，且牙齒發育和行使功能過程中多個生理性變化特點與年齡均有一定的相關性。 2008 年，國際法醫年齡推斷研究小組（study group on forensic age diagnostics,SGFAD）[2]提出，活體年齡推斷的標準方法應包括一般體格檢查、牙齒檢查、左腕關節和口腔曲面斷層影像學檢查；若骨骼發育完成，應額外拍攝鎖骨胸骨端薄層CT，并建議同時應用多種方法來提高年齡推斷的準確性。

自21 世紀以來，隨著大數據和計算機技術的快速發展，許多先進的人工智能（artificial intelligence，AI）技術成功應用于疾病診斷、新藥研發等領域。2017 年7 月20 日，國務院發布了《新一代人工智能發展規劃》（國發〔2017〕35 號）[3]，從頂層設計的角度充分肯定了人工智能的重要性，并以此作為國家戰略規劃與發展的重要組織部分。 近年來，隨著支持向量機（support vector machine，SVM）、深度學習（deep learning，DL）等AI 技術的發展，基于AI 技術的活體年齡研究進入了“快車道”，尤其是近幾年歐美國家和地區開發出了AI 輔助骨齡評估系統。 該系統基于數字化信息技術和分類的統計方法，將計算機數字影像技術和模式識別技術相結合，通過對骨骼、牙齒醫學影像圖像的預處理、圖像分割、特征提取、信息處理實現骨骼或牙齒圖像自動識別并運算得出個體年齡，為輔助實現骨齡、牙齡的高精度智能評估提供了新契機。 因此，運用AI 技術實現骨骼、牙齒等圖像識別是實現AI 骨齡評估系統的一個必由途徑。

1 AI 的概念和發展簡史

AI 亦稱機器智能，廣義上指由人類制造機器所表現出的智能，狹義上則指通過計算機程序來模擬呈現人類智能的技術。 1956 年，在達特茅斯學院舉行的會議上，AI 的名稱和任務得以確定，這次會議被廣泛認為是AI 誕生的標志[4]。進入21 世紀，隨著大數據和計算機技術的快速發展，許多先進的機器學習（machine learning，ML）技術成功應用于經濟和社會中的各個方面[5]。 大數據應用也開始逐漸滲透到其他領域，如生態學模型訓練、疾病預測和新藥研發等。DL（特別是卷積神經網絡）更是極大地推動了圖像和視頻處理、文本分析、語音識別等問題的研究進程[6]。AI 的主要領域大體上可分為三個方面：感知、學習和認知。 感知是指模擬人的感知能力，對外部刺激信息（視覺和語音等）進行感知和加工，主要研究領域包括語音信息處理和計算機視覺等。學習是指模擬人的學習能力，主要研究如何從樣例或從與環境的交互中學習，主要研究領域包括監督學習、無監督學習和強化學習等。 認知是指模擬人的認知能力，主要研究領域包括知識表示以及自然語言理解、推理、規劃、決策等。 從AI 的萌芽時期開始，就有一些研究者嘗試讓機器來自動學習（即ML）。 ML 的主要目的是設計和分析一些學習算法，讓計算機可以從數據（經驗）中自動分析并獲得規律，之后利用學習到的規律對未知數據進行預測，從而幫助人們完成一些特定任務，以提高開發效率。 ML 較為成功的應用領域是計算機視覺，骨骼、牙齒等醫學影像圖像識別屬于計算機視覺范疇，因此，運用ML 實現骨骼圖像的識別是實現AI 骨齡評估系統的可靠途徑之一。 通過有限的觀測數據（如軀體各大骨關節、牙齒醫學影像圖像）的學習總結出一般規律，并利用這些規律對未知圖像進行預測，逐漸成為推動AI 技術發展的關鍵因素。

2 AI 技術與法醫學骨齡評估

目前，國內外研究中，與法醫學骨齡評估研究結合較為緊密的AI 技術是SVM 和DL。

2.1 SVM 與法醫學骨齡評估

1995 年，VAPNIK[7]率先提出了SVM，其作為一種尋找分類邊界的方法，是用于模式分類和非線性回歸統計學習理論的經典二分類算法，基本思想是建立一個分類超平面作為決策曲面，優勢在于解決線性不可分問題，通過核函數將低維度映射到高維上使之線性可分。 簡單概括來說，就是在樣本空間尋找最佳分類面（即超平面），并以此將訓練樣本分開。 SVM 的基本模型是定義在特征空間上的間隔最大的線性分類器，其學習的基本思想是求解能夠正確劃分訓練數據集并且幾何間隔最大的分離超平面。 SVM 遵循結構風險最小化原則，在處理二分類問題上擁有較好的泛化能力，在解決小樣本、非線性和高維等問題時優勢明顯，并且在數據挖掘、圖像處理等領域也獲得良好的應用效果[8]。 隨著法醫人類學與計算機技術的應用與發展，骨齡評估目前正逐漸向計算機自動化評估體系轉變。SVM 對于骨骼影像學圖像的建模有較高的準確度，主要有以下幾個原因：（1）SVM 利用核函數的概念解決了黑色、白色、灰色不同的色階骨骼圖像與所對應骨發育分級之間的非線性關系問題；（2）骨骼醫學影像圖像數量相對有限，符合SVM 對小樣本數據建模的獨特優勢；（3）梯度方向直方圖（histogram of oriented gradient，HOG）可對骨骼圖像局部出現的方向梯度次數進行計算，且HOG 的計算是基于一致空間的密度矩陣來提高圖像識別準確率，可以保持圖像幾何與光學轉化不變性，尤其適合固定不變的醫學影像圖像的識別與檢測。

2.1.1 SVM 與手腕關節骨齡評估

手腕關節的掌骨、指骨、腕骨、尺橈骨以及籽骨等骨骼成熟度具有明顯的先后順序，該解剖區域存在形態不一的骨骼發育指標。 因此，手腕關節骨骼一直是骨齡研究者最感興趣的區域之一。 2016 年，王亞輝研究團隊[9]運用SVM 對華東地區140 名11.0～19.0 歲青少年腕關節數字X 射線攝影（digital radiography, DR）正位攝片進行模型訓練，用留一交叉驗證法（leave-one-out cross validation，LOCV）和HOG分別進行內部、外部驗證，對預測結果和模型的有效性進行了獨立的交叉驗證檢驗準確性測試。 研究表明，這種新的骨骺分類技術是成功的，采用SVM進行圖像分類研究是可靠可行的，且模型精度較高，骨骺發育分級識別準確率可達88.6%。 2019 年，BUI等[10]提出一種多階段TW3 評估系統，該系統訓練一個支持向量回歸模型來預測骨齡，先使用Faster-RCNN 檢測從TW3 定義中選定的感興趣區域（region of interest,ROI），再使用Inception-V4 網絡進行ROI分類。該學者用完整的Digital Hand Atlas （DHA）數據庫System1 的公共數據集來評估所提出方法的性能，實驗結果實現了約為0.59 歲的平均絕對誤差。

2.1.2 SVM 與膝關節骨齡評估

2016 年，王品等[11]提出一種基于多特征SVM邊緣定位和彈性區域生長的膝關節軟骨自動分割算法。 先通過改進的自適應Canny 算子獲取初始邊緣，再提取初始邊緣的多種特征，并采用一對一的多分類SVM 算法進行分類，實現骨-軟骨邊緣的定位，最后在定位的骨-軟骨邊緣附近自適應地選取種子點，并采用彈性區域生長方法進行閾值分割，從而完成對膝關節軟骨區域的準確分割。 該算法的視覺和定量分析均表明其分割結果與手工分割金標準相近，顯示其能夠實現軟骨的精確分割，為后續三維建模和計算形態參數等提供了數據基礎。2019 年，王亞輝等[12]采集了500 例12.0～19.0 歲維吾爾族青少年膝關節DR 攝片，運用主成分分析法（principle component analysis，PCA）對提取的HOG與局部二值模式（local binary patterns，LBP）圖像進行降維，然后再運用支持向量回歸法（support vector regression，SVR）構建骨齡評估算法模型。 該方法與依賴“大數據、大計算、高性能”的DL 方法相比，具有較易實現、 在小樣本數據上學習能力強及泛化能力良好的優點，并且關注到了骨齡發育在地區、民族間的差異性，對未來的司法鑒定有一定的價值。

2.1.3 SVM 與骨盆、髖關節骨齡評估

骨盆的髂嵴、坐骨骨骺繼發骨化中心出現至骨骺閉合所經歷的時間和周期均較其他骨關節稍晚，在大年齡組（18.0 歲以上）青少年骨齡鑒定中發揮著重要作用。 目前，最常用于骨盆骨齡評估的有Risser 征和髂嵴骨化，其他還包括髂嵴和坐骨結節骨化程度、髖關節和股骨近端骨骺的閉合程度、恥骨聯合骨化程度等。 2020 年，FAN 等[13]分別建立了4 個回歸模型和5 個分類模型來分析年齡在10.0～25.9 歲之間的2 137 例常規骨盆DR 攝片（男性1 215 例，女性922 例），并分別對髂骨和坐骨結節骨骺的骨化和融合進行評分。 結果顯示，在法醫學年齡估計方面，SVR 有較高的精度，且在女性的預測方面準確率高于男性，SVR 和梯度增強回歸的性能優于決策樹回歸和貝葉斯嶺回歸。 綜上，結合其他年齡測定方法，SVR 模型可用于青少年法醫年齡估計。

2.1.4 SVM 與胸鎖關節骨齡評估

鎖骨胸骨端是構成胸鎖關節的重要解剖結構，是全身骨關節中繼發骨化中心出現和骨骺閉合時間均最晚的骨骼，也是大年齡組（18.0 歲以上）青少年骨齡鑒定的最重要指標之一。 2013 年，HILLEWIG 等[14]對220 名16.0～26.0 歲志 愿者的鎖骨進行3T MRI 檢查，另外拍攝了手腕關節DR 片，采用一個多元序數回歸模型被擬合并嵌入基于貝葉斯的框架。 研究表明，鎖骨胸骨端骨骺發育狀況可用于界定18.0 周歲這個關鍵年齡，但結合手腕關節一并評價，骨齡評估結果的準確性會更高。 2019 年，STERN 等[15]融合了鎖骨、手部、牙齒3 個解剖部位的MRI 數據信息，利用卷積神經網絡（convolutional neural network, CNN）對322 名年齡為13.0～25.0 歲的受試者進行訓練。 每個深度CNN 塊由兩個連續的3×3×3 卷積層和一個最大池層組成，最終得到了（1.01±0.74）歲的平均絕對誤差。該研究將鑒定年齡范圍從單純使用手部的19.0 歲拓展到25.0 歲。 同時，該團隊還計算了特征提取塊后全連接層的平均激活值，以此衡量每個解剖部位對于預測年齡的重要性。 結果顯示，對于不同年齡段的骨齡和牙齡評估，軀體不同解剖部位有著各自的優勢。

2.2 DL 與法醫學骨齡評估

人工神經網絡是模擬人腦神經網絡而設計的一種計算模型，是從結構、實現機制和功能上模擬人腦神經網絡。 骨齡評估多年來一直是計算機視覺和放射學研究的目標， 運用人工神經網絡學習實現骨骼圖像的識別是實現AI 骨齡評估系統的可靠途徑之一。 2006 年，GEOFFREY[16]首次提出深信度網絡（deep belief network, DBN）這一概念，該網絡是一種快速的、貪婪的算法，不僅可以識別特征、分類數據，還可用其來生成數據。 DBN 掀起了DL 在AI 領域迅猛發展的新高潮。 DL 是ML 的分支，是AI 領域的一項革新成果[17]，是一種以人工神經網絡為架構對資料進行表征學習的算法。 DL 的一個外在特點是端到端的訓練，其將整個系統組建好之后一起訓練。 當人工沒有能力來選取更好的特征時，自動化的算法可以從所有可能的特征中搜尋出最佳特征。 除端到端的訓練外，訓練集也正在經歷從含參數統計模型轉向完全無參數的模型。 近年來，DL 在骨齡研究方面取得了較大的成功。 以往骨齡評估都是基于傳統方法人工提取興趣域， 而DL 則將圖像作為整體信息直接輸入網絡進行處理。 這表明DL 在圖像特征差異性識別方面可能更精細，性能或許優于人工識別，并可能會在人工骨齡評估方法的指標改進方面取得重大突破。 鑒于DL 在學術界和工業界的巨大影響力，2013 年4 月《麻省理工學院科技評論》（MIT Technology Review）雜志將其列為2013 年十大突破性技術之首[18]。

2.2.1 DL 與手腕關節骨齡評估

2011 年，DODIN 等[19]將磁共振圖像分解成多個表面層，對骨骼的邊界進行定位，并自動融合多個部分分割對象，最終得到完整的骨骼分割。2017 年，SPAMPINATO 等[20]首次將DL 網絡算法應用到骨齡自動評估領域，同時利用遷移學習的方法創建了3種基于ImageNet上預訓練的CNN網絡模型和1種基于從零開始訓練專門針對手部DR 攝片的特定CNN（BoNet）模型，以用于骨齡自動化評估。2018年，王亞輝等[21]采集了13.0～19.0 歲維吾爾族男性青少年245 例、女性青少年227 例的左手腕關節DR圖像，經過處理之后的圖像作為研究對象，將AlexNet 網絡作為圖像識別的回歸模型，實現了骨齡評估的自動化，進一步證實了DL 應用于骨齡研究的可行性。 除了DR 攝片外，手腕關節MRI 攝片也因其無輻射的優點在青少年骨齡研究中得到重視與發展。 2019 年，STERN 等[15]分別使用深度CNN和射頻脈沖網絡對328 名白種人男性的手部三維磁共振成像（magnetic resonance imaging，MRI）圖譜進行訓練并在二維DR 攝片中進行驗證。 結果顯示，對于13.0～18.0 歲的青少年，深度CNN 模型的絕對偏差為（0.37±0.51）歲，射頻脈沖模型的絕對偏差為（0.48±0.56）歲，顯著優于放射學家的預測。

2020 年，KOITKA 等[22]使用北美放射學會（Radiological Society of North America,RSNA）數據集構建了一個用于兒童骨齡估計的自動化系統，整個系統由兩個基于神經網絡的DL 模型組成，一個是檢測網絡，用于檢測特征骨化ROI，并以圖像化的形式顯示出來；另一個是識別ROI的回歸網絡，根據檢測到的區域進行回歸并估計年齡。 檢測網絡以Faster-RCNN為架構，Inception-ResNet-V2 為底層特征提取器。 回歸網絡使用有50層的殘差網絡（ResNets），針對性別差異和每種類型的骨化區域（DIP、PIP、MCP、橈骨、尺骨、手腕）分別進行了訓練，獲得了12個回歸模型。 結果顯示， 該自動化骨齡評估系統在RSNA兒童骨齡挑戰測試集的平均誤差為0.38歲。

2.2.2 DL 與骨盆、髖關節骨齡評估

2019年，鄧振華等[23]開發了一種基于骨盆DR攝片的DL骨齡評估模型，采用ImageNet數據集預先訓練的改良版AlexNet網絡，對我國四川省10.0～25.0歲人群骨盆DR攝片進行骨齡評估。 該研究采用微調版CNN，保留了原始AlexNet網絡卷積層進行特征提取。再將基于DL網絡模型推斷出的骨骼年齡與其自身建立的三元一次回歸模型的評估結果進行比較。 結果顯示，CNN模型的輸出骨齡與參考骨齡顯著相關（相關系數r=0.916，P<0.05），且平均絕對誤差和均方根誤差分別為0.91 歲和1.23 歲。 運用DL-CNN模型的性能與現有的三元一次回歸模型相當，展示了基于骨盆影像學自動骨骼評估模型的預測能力。

2020 年，王亞輝等[24]以漢族青少年骨盆DR 攝片962 例（男性481 例，女性481 例）為研究對象，比較了VGG 19、Inception V3、Inception-ResNet-V2 這3 種DL 模型基于骨盆DR 攝片進行骨齡自動評估的性能。 結果顯示，Inception-ResNet-V2 模型性能最優，Inception V3 模型與VGG 19 模型性能相當。2022 年，王亞輝等[25]在2020 年的研究[24]基礎上，將漢族青少年七大關節DR 攝片樣本量擴大至2164 例（男性1290 例，女性874 例），分別采用Inception-V3、Inception-ResNet-V2 和VGG19 這3 種DL 網 絡模型對上述骨盆、髖關節DR 攝片進行圖像分析，分別推斷出上述3 種DL 網絡模型的骨齡評估結果。然后，引入AI 領域較為常見的分割網絡（segmentation network），對骨盆、髖關節ROI 進行圖像分割，再運用上述3 種DL 網絡模型進行AI 骨齡評估。研究表明，經圖像分割的骨齡評估結果的平均絕對誤差和均方根誤差均優于分割前，進一步證實了分割網絡可有效降低分割圖像的重疊等因素的影響，從而提高骨盆年齡估計的準確性。

2.2.3 DL 與膝關節骨齡評估

近年來，國內外學者已開始致力于運用MRI 掃描并結合AI 技術開展骨齡評估研究。 2019 年，DALLORA 等[26]對14.0～21.0 歲的402 名志愿者（男性221 名，女性181 名）膝關節進行了MRI 檢查，采用包括從零開始培訓和使用遷移學習的不同CNN架構對膝關節MRI 圖像進行分析，其中一個CNN 模型是負責選擇最可能提供年齡評估的MRI 序列圖像，然后在第二個CNN 網絡中完成骨齡評估，該CNN 分類器是受過訓練的網絡，能夠選擇最有價值的MRI 圖像信息，包括股骨遠端和脛腓骨近端骨骺、骺軟骨板、干骺端等感興趣的解剖部位。 該研究認為，獲得最佳研究結果的CNN 架構是在ImageNet 數據庫上預訓練的GoogLeNet 網絡。 研究表明，男性受試者的平均絕對誤差為0.79 歲，女性的為0.99 歲。2020 年，彭釗等[27]收集10.0～25.0 歲同時拍攝T1（T1WI）、T2（T2WI）和 質 子（PDWI）加 權 像 的400 例MRI 圖像，對膝關節骨骺發育分級賦分，建立多個年齡推斷逐步線性回歸模型，繪制18.0 歲推斷的受試者工作特征（receiver operating characteristic, ROC）曲線，建立18.0 歲年齡節點判別SNR 模型。 研究表明，不同加權像與年齡的相關性、ROC 曲線下面積從高到低依次為T1WI、PDWI、T2WI。 男性應用T1WI 腓骨近端和PDWI 股骨遠端骨骺發育等級建立的模型準確性最高，平均絕對誤差為1.70 歲；女性應用PDWI 股骨遠端和腓骨近端骨骺發育等級建立的模型準確性最高，平均絕對誤差為2.01 歲。SVR 模型判別18.0 歲年齡節點的男、女性準確率分別為84.0%、92.0%。 由此可見，膝關節T1WI、PDWI 和T2WI 均適用于18.0 歲年齡節點的判斷。 2021 年，MAUER 等[28]開發了一種基于ML 的冠狀面膝關節三維MRI 成像的全自動計算機年齡評估方法。 該研究的主要過程分為三個部分：（1）對膝關節三維MRI 圖像進行自動裁剪、圖像增強等預處理（校正和標準化）；（2）采用類似于UNet 自編碼器的CNN 架構，提取年齡相關解剖結構特征（數據約簡和簡化）；（3）基于CNN 年齡預測和使用ML 算法具體執行重復分層k-fold 驗證，并回歸年齡（骨齡評估）。研究表明，冠狀面MRI 圖像回歸年齡的結果較矢狀面更好。 同時，該研究結果進一步證實了STERN 等[15]運用DL 評估手部、鎖骨和牙齒年齡的方法同樣適用于膝關節。

3 AI 技術與法醫學牙齡評估

ML 技術的興起與不斷發展為實現牙齡推斷方法的進一步完善和提高、輔助實現牙齡的高精度智能評估提供了新契機。

3.1 DL 間接實現牙齒自動檢測與分類

隨著DL 技術的不斷發展，一些學者嘗試將其應用于牙齒的檢測和分類當中，選擇不同的DL 方法來建立自動檢測分類的神經網絡模型，并獲得了較高的準確率。 2018 年，ZAHNG 等[29]選擇DL 技術中的標簽樹建立神經網絡模型，以提高牙齒檢測和分類的魯棒性，特別是基于CNN 的級聯網絡結構。結果顯示，該標簽樹模型準確率高于其他深度學習網絡。 2020 年，LEE 等[30]通過應用DL、CNN 在口腔曲面斷層片中實現了牙齒的自動分割。 該研究學者選擇了掩膜基于區域的卷積神經網絡（mask RCNN）進行牙齒自動分割模型的建立，mask RCNN 是多任務算法模型。 為了提高牙齒分割的精度，該學者使用了一個稱為ROI Align 的神經網絡層，以像素對像素的方式提取牙齒的空間結構。采用F1分數及并集平均相交IoU 兩項指標進行分割結果的評價。結果顯示，該研究建立的牙齒自動分割模型準確率優于其他學者的研究結果。 該研究創建的牙齒自動分割模型效果較既往研究有明顯提高， 可應用于牙齡自動化推斷的第一步和其他涉及類似分割任務的鑒定。 2021 年，CHEN 等[31]將牙齒三維咬合面轉換為深度圖像，使用基本的CNN 構建兩級層次模型，在三維模型中獲得了優秀的后牙類型分類性能。 該模型采用基于CNN 的咬合面形態學分析方法，對上頜第一前磨牙、第二前磨牙、第一磨牙、下頜第二磨牙等八類后牙類型進行研究，提出了一種分層分類模型，將八類分類任務分解為兩級級聯的分類子任務。 圖像增強包括傳統的幾何變換和深度卷積生成對抗網絡 （deep convolutional generative adversarial network，DCGAN）應用于每個子網絡和級聯網絡。 結果表明， 結合傳統增強圖像和基于DCGAN 的增強圖像訓練CNN 模型可以提高分類性能。該模型對八類后牙類型分類的總體準確率為91.4%，宏查準率為91.5%，宏查全率為91.3%，宏F1為0.91，優于其他深度學習模型。 2023 年，HOU 等[32]針對牙齒全景X 線圖像進行牙齒全景分割存在的牙間邊界模糊、牙齒與牙槽骨對比度低等問題提出了Teeth UNet 模型。 該模型在編碼器和解碼器中采用了擠壓激勵模塊，并且在瓶頸層設計了一種多尺度聚集注意塊和擴展混合自關注塊，能夠有效提取齒形特征并自適應融合多尺度特征，并且能在更大的感知范圍內捕獲牙齒特征信息。為驗證Teeth U-Net 模型的有效性，HOU 等[32]在臨床牙科全景X 線圖像數據集上進行了上下文語義相關實驗與先進分割網絡比較以及消融實驗。 通過可視化結果、數據表分析和雷達圖像對比，證明了在牙科全景X 線牙齒分割中，Teeth U-Net 模型的分割精度高于其他模型。

3.2 DL 直接實現牙齡預測

目前，已建立的牙齡推斷方法是基于觀察者的主觀經驗判斷，這是造成牙齡推斷結果與實際年齡之間誤差的原因之一。 DL 技術應用于牙齡推斷領域主要體現在兩個方面：一是實現了牙齒的自動定位、分割和分類，為進一步實現牙齡自動化推斷奠定基礎；二是建立自動推斷牙齡的神經網絡模型，包括基于不同牙齡推斷方法添加標簽進行有監督的深度學習模型和基于不同類型牙齒圖像進行的無監督深度學習模型，為該領域的深入研究提供了思路和方向。 2019 年，STERN 等[15]基于手腕骨、鎖骨和第三磨牙的MRI 影像建立了年齡推斷的神經網絡模型。 該CNN 不僅實現了年齡的自動化預測，而且可應用于鑒別個體年齡是否年滿18.0 周歲。2020 年，VILA 等[33]為探索更為準確的牙齡自動化預測模型，建立了兩個不同的全自動化CNN 模型，既不需要對牙齒進行分期或測量，也不需要圖像預處理及特征標注。 第一個雙重注意力網絡（dual attention network, DANet）模型含有一個連續的CNN 路徑進行牙齡推斷；第二個DASNet 模型在DANet 模型的基礎上增加了第二個CNN 路徑進行性別預測，并利用性別特征提高牙齡推斷的準確性。 結果顯示，DASNet 模型在各個方面均優于DANet 模型，并且該神經網絡模型的研究結果比以往人工牙齡推斷結果誤差更低，還可用于自動準確預測某人的實際年齡，特別在牙齒仍在發育中的年輕受試者。

3.3 牙齒發育自動識別

2017 年，DE TOBEL 等[34]研究了一種在曲面斷層片中進行左下第三磨牙發育分期的自動化評價技術，并對其性能進行了測試。 該研究結合Demirjian、Gleiser 和Hunt、Kullman 和Moorrees 對牙齒發育階段的劃分定義，制訂了新的分期方法，將牙齒發育過程分為0～9 共10 個階段。 對曲面斷層片中第三磨牙的發育狀況進行人為分期，選擇深度卷積神經網絡方法AlexNet 進行轉移學習。 該研究顯示，自動化分期和人工分期具有一致性，說明這種新方法對于消除觀察者內部和觀察者之間的分歧而產生的年齡推斷誤差具有一定的積極作用。 在上述研究的基礎上，2020 年，MERDIETIO 等[35]通過不同的特征區域標記方法和神經網絡模型對既往建立的牙齡自動化預測模型進行了新的探索。 本次研究選擇新的神經網絡DenseNet201，通過相同的樣本分配比例和圖像處理方法進行自動化分期模型的構建。 比較本研究結果與DE TOBEL 等[34]前一個實驗研究結果可知，DenseNet201 在牙齒發育分期的自動化評估中表現出更優越的預測性能。 2022 年，VILA-BLANCO等[36]提出了一種新的全自動年齡和性別估計模型。該模型先通過改進的CNN 進行下頜牙齒檢測，提取每顆牙齒的定向包圍框，再將定向包圍框內產生的圖像特征輸入第二個CNN 模塊，該模塊用一組卷積層和一個全連接層生成每顆牙齒的年齡和性別概率分布。 該學者采用分層分割方法和應用圖像增強技術來增加數據的大小和可變性，實驗結果的平均絕對誤差為0.97 歲，低于以往的任何一種牙齡估計方法，性別分類的準確性為91.8%，證實了牙齒在性別分類中的價值。 該模型中每顆被檢測到的牙齒都有一個單獨的概率分布，可用于檢測與特定牙齒發育有關的問題，如生長提前或延遲。

4 研究展望

法醫學骨齡、牙齡評估之所以能與AI 技術緊密結合，主要是因為骨骼、牙齒影像資料可納入計算機視覺范疇，而ML、DL 等AI 技術對計算機視覺研究有著得天獨厚的優勢，并已在醫學圖像識別中取得了突破性進展。 鑒于此，今后的法醫學活體年齡研究可以考慮在以下幾個方面形成突破：（1）升級檢測手段。 隨著醫學影像檢測技術的不斷升級，更為復雜的影像深層特征有可能會被挖掘，并且隨著公眾健康意識的不斷增強，尤其是涉及青少年兒童骨齡研究，MRI 掃描具有無射線輻射的天然優勢，與DR 攝片和CT 掃描相比，不失為一個大有裨益的檢測方法。（2）優化網絡算法。基于AI 技術開展的法醫學活體年齡研究使用的算法從最開始的數據挖掘、SVM、隨機森林、主成分分析，到現在廣泛應用的CNN、DL， 從開始需要人為提取影像圖片特征到后來通過網絡算法自動學習，網絡算法模型仍需不斷更新迭代。 （3）契合法律需求。 2021 年1 月1 日起施行的《中華人民共和國民法典》將限制性民事行為能力的法定年齡節點下調至8.0 周歲，2021 年3 月1 日起施行的《中華人民共和國刑法修正案（十一）》將刑事責任年齡下調至12.0 周歲，這兩大法律對法定責任年齡的修訂對法醫學工作者而言，既是機遇也是挑戰。 AI 與骨齡、牙齡鑒定相結合，進一步提高鑒定意見的精確度和準確性， 對于打擊犯罪和保護未成年人合法權益具有重要的現實意義。（4）完善鑒定標準。 《法庭科學 漢族青少年骨齡鑒定技術規程》（GA/T 1583—2019）已于2019 年10 月1 日實施，重點解決14.0、16.0、18.0 周歲青少年骨齡鑒定問題，今后有必要將青少年兒童牙齒發育指標納入活體年齡研究中，可聯合運用AI 技術進一步完善我國低年齡組（如8.0、12.0 周歲）未成年人法醫學骨齡鑒定標準。