Zielsetzung
Pädiatrische Altersschätzung ist in Bereichen wie Adoption, Immigration und Forensik von großer Bedeutung. Die manuelle Altersschätzung anhand von Orthopantomogrammen (OPGs) ist zeitaufwändig und subjektiv, wohingegen moderne künstliche neuronale Netzwerke (KNN) diesen Prozess optimieren können. Bisherige KNN-Studien verwendeten häufig eine begrenzte Anzahl von OPGs in ausschließlich guter Qualität. Das Ziel war die Entwicklung eines leistungsstarken KNN zur pädiatrischen Altersschätzung auf Basis einer umfassenden OPG-Vielfalt.
Material und Methoden
Die Studie verwendete 21.814 OPGs von 13.766 Personen im Alter von 1 bis 25 Jahren, mit einer Geschlechterverteilung von 52% männlich, 45% weiblich und 3% unbekannt. Ein individuelles KNN wurde zur Schätzung des Alters entwickelt und anhand von 16.000 OPGs trainiert, bzw. mit 4.000 OPGs validiert. Um die Genauigkeit des KNNs zu steigern, erfolgte die Angabe des Alters in Tagen. Die Leistung des Modells wurde anhand eines weiteren, unabhängigen Datensatzes von 1.814 OPGs evaluiert.
Ergebnisse
Die durchschnittliche absolute Abweichung der Altersschätzung vom tatsächlichen Alter betrug insgesamt 1,04 ± 0,87 Jahre (Median 0,83 Jahre) und zeigte eine leichte Zunahme mit steigendem Alter: 0,70 ± 0,59 Jahre (<10 Jahre), 0,77 ± 0,73 Jahre (10-14 Jahre), 0,98 ± 0,91 Jahre (14-18 Jahre), 1,18 ± 0,89 Jahre (18-22 Jahre) und 1,22 ± 0,91 Jahre (22-25 Jahre). Bei 32% der Fälle lag die Abweichung unter 6 Monaten und bei 59% unter einem Jahr. Bei 87% lag sie unter zwei Jahren, bei 97% unter drei Jahren und bei 99% unter vier Jahren. Die Genauigkeit war unabhängig vom Geschlecht (p-Wert 0,34).
Schlussfolgerungen
Die Anwendung von Deep Learning zur Schätzung des chronologischen Alters anhand pädiatrischer OPGs bietet eine hohe Genauigkeit und Zuverlässigkeit, was die Effizienz und Objektivität in verschiedenen Anwendungsgebieten erheblich steigern kann. Dieses KNN-Modell profitiert maßgeblich von der umfangreichen Datenvielfalt und performt zuverlässig bei einer breiten Palette von OPGs.