Computer Vision (CV) ermöglicht die automatisierte Identifizierung unbekannter Toter, indem CV-Merkmale von postmortalen Orthopantomogrammen mit einer umfangreichen antemortalen CV-Merkmal-Datenbank abgeglichen werden. Die Identifikationsdauer hängt jedoch von der Datenbankgröße ab.
Das Ziel der Studie war die Anwendung eines künstlichen neuronalen Netzwerks zur automatisierten Altersschätzung über Orthopantomogramme, um die Effizienz der CV-basierten Identifizierung zu steigern. Ein künstliches neuronales Netzwerk zur Altersschätzung wurde anhand von 50.000 Orthopantomogrammen trainiert, wobei die Probanden ein Alter von 2 bis 89 Jahren aufwiesen.
Die Integration des künstlichen neuronalen Netzwerks 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 Orthopantomogramme und 3,26 ± 3,06 Jahre für antemortale Orthopantomogramme. 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 bis 9 Jahren bis zu 6,02 Jahren (95 % Konfidenzintervall: 5,54, 6,50) in der Altersgruppe von 80 bis 89 Jahren reichte. Bei 52 % der Fälle lag die Abweichung vom tatsächlichen Alter unter 2,5 Jahren, bei 96 % unter 10 Jahren.
Durch die Integration einer Deep Learning-basierten Altersschätzung wird die CV-basierte Identifizierung effizienter, da unnötige Datenbankabfragen vermieden werden und somit die Prozessdauer erheblich verkürzt wird, fasste Heinrich die Ergebnisse zusammen. Die Verwendung eines mit antemortalen Orthopantomogrammen trainierten künstlichen neuronalen Netzwerks ermöglicht präzise Altersschätzungen selbst bei postmortalen Orthopantomogrammen – auch dann, wenn keine Zähne und kein Zahnersatz mehr vorhanden sind.
G.-M. Ostendorf, Wiesbaden