Zielsetzung
Computer Vision (CV) ermöglicht die automatisierte Identifizierung unbekannter Toter, indem CV-Merkmale von postmortalen Orthopantomogrammen (OPGs) mit einer umfangreichen antemortalen CV-Merkmal-Datenbank abgeglichen werden. Die Identifikationsdauer hängt jedoch von der Datenbankgröße ab. Das Ziel dieser Studie war die Anwendung eines künstlichen neuronalen Netzwerks (KNN) zur automatisierten Altersschätzung über OPGs, um die Effizienz der CV-basierten Identifizierung zu steigern.
Material und Methoden
Ein KNN zur Altersschätzung wurde anhand von 50.000 OPGs trainiert, wobei die Patienten ein Alter von 2 bis 89 Jahren aufwiesen. Im Anschluss wurde das beste Modell anhand von drei postmortalen OPGs, 10.779 antemortalen OPGs und einer zusätzlichen Gruppe von 70 OPGs im Kontext der CV-basierten Identifizierung evaluiert. Die antemortale CV-Merkmal-Datenbank enthielt 105.251 Einträge von 56.008 verschiedenen Identitäten.
Ergebnisse
Die Integration des KNN in den CV-basierten Identifizierungsprozess führte zu einer signifikanten Verkürzung der Identifizierungsdauer um bis zu 96%. Die mittlere absolute Abweichung bei der Altersschätzung betrug 2,76 ± 2,67 Jahre für postmortale OPGs und 3,26 ± 3,06 Jahre für antemortale OPGs. Die Genauigkeit der Altersschätzung nahm mit zunehmendem Alter ab, wobei die Abweichung von 1,48 Jahren (95% Konfidenzintervall: 1,14, 1,82) in der Altersgruppe von 2-9 Jahren bis zu 6,02 Jahren (95% Konfidenzintervall: 5,54, 6,50) in der Altersgruppe von 80-89 Jahren reichte. Bei 52% der Fälle lag die Abweichung vom tatsächlichen Alter unter 2,5 Jahren, und bei 96% unter 10 Jahren.
Schlussfolgerungen
Durch die Integration einer Deep Learning-basierten Altersschätzung wird die CV-basierte Identifizierung effizienter, da unnötige Datenbankabfragen vermieden und somit die Prozessdauer erheblich verkürzt wird. Die Verwendung eines mit antemortalen OPGs trainierten KNN ermöglicht präzise Altersschätzungen selbst bei postmortalen OPGs und auch, wenn keine Zähne und Zahnersatz mehr vorhanden sind.