JRM
Journal of Radiology in Medicine

Journal of Radiology in Medicine is an international journal that published original research and articles in all areas of radiology. Its publishes original research articles, review articles, case reports, editorial commentaries, letters to the editor, educational articles, and conference/meeting announcements.

eISSN: 3023-6487
Creative Commons CC BY-NC-ND 4.0 International License.
EndNote Style

Online Manuscript System

Index
Review
Applications of artificial intelligence in age estimation: a review
Abstract
Age estimation is a legally significant issue, particularly in underdeveloped and developing countries, due to factors such as inadequate civil registration systems and irregular migration. While various techniques are employed for age estimation using traditional methods, it is known that factors including age, gender, chronic illness, race, and geographical region can result in discrepancies between skeletal age and chronological age. This complicates the process of achieving accurate age estimation. This review aims to discuss recent research on artificial intelligence applications in light of current literature. Artificial intelligence and machine learning have enabled machines to acquire human-like capabilities in thinking, learning, problem solving, and decision making, leading to significant progress in achieving faster and accurate results. In the field of forensic medicine, methods such as linear discriminant analysis, K-Nearest Neighbors, support vector machines, random forests, and artificial neural networks have been employed to classify data and conduct studies on age estimation. Research has focused on five regions: the carpal bones, ossification centers, the middle phalanx of the hand, the third metacarpal, and the radius and ulna. Additionally, facial angles and width obtained through tomographic examinations, as well as measurements of the calcaneus and cuboid bones, panoramic dental radiographs, volumetric analysis of teeth and pulp using Cone Beam Computed Tomography, and analysis of bloodstains on microRNAs, have been analyzed for their distribution across different age. The results demonstrate that artificial intelligence applications can be utilized in age estimation with a high accuracy rate (85-95%). Age estimation using artificial intelligence enhances data-driven decision-making processes, improves the quality of services, and contributes to societal benefit. Therefore, we believe that incorporating artificial intelligence applications alongside traditional methods in age estimation will yield more meaningful outcomes.

Keywords : Age estimation, artificial intelligence, radiology, forensic medicine

Download Article


1. Baransel Isır A. Adli hekimlikte yaş tayini. In: Koç S, Can M, eds. Birinci Basamakta Adli Tıp. 2nd ed. İstanbul: İstanbul Tabip Odası Yayınları; 2011: 222-35.
2. Çizmecioğlu FM. Çocukluk çağında kemik yaşı; endokrinolojik yaklaşım. In: Koç S, Can M, eds. 6. Tıp Hukuku Günleri Yaş Tayini-Prof Dr Şemsi Gök Anısına. Adli Tıp Uzmanları Derneği Yayını:2; 2017: 80-90.
3. Şener MT, Polat Ş. Adli yaş tahmini yapılan olguların değerlendirilmesi: retrospektif bir çalışma. KSÜ Tıp Fak Der. 2020;15(2):1-6.
4. Karaturgut UE. Süleyman Demirel Üniversitesi Diş Hekimliği Fakültesine başvuran hastalarda maksilla üzerinde yüz yumuşak doku kalınlık ölçümlerinin değerlendirilmesi. [Doktora tezi]. Isparta: Süleyman Demirel Üniversitesi, Sağlık Bilimleri Enstitüsü; 2017.
5. Orhan M. İnsan daimî dişlerinin konik ışınlı bilgisayarlı tomografi ve periapikal radyografi görüntülerinde pulpa boyutu ve hacminin değerlendirilmesiyle yaş tahmini yapılması. [Diş hekimliği uzmanlık tezi]. Isparta: Süleyman Demirel Üniversitesi, Diş Hekimliği Fakültesi; 2015.
6. Onarici A. Yargı kararları ışığında Türk vergi hukukunda muvazaa ve peçeleme işlemleri. [Yüksek lisans tezi]. Gaziantep: Gaziantep Üniversitesi, Sosyal Bilimler Enstitüsü; 2021.
7. Çelik FE. Funeral transactions of foreigners who die in Turkey. Milletlerarası Hukuk ve Milletlerarası Özel Hukuk Bülteni. 2017;37(2):257-93.
8. Kaplan A. 12 yaş ve üstü pediatrik yaş grubunda kemik yaşı tayini için çekilen el bileği grafisinde kullanılan Greulich-Pyle ve Tanner-Whitehouse yöntemlerinin karşılaştırılması. [Tıpta uzmanlık tezi]. İstanbul: İstanbul Üniversitesi, Tıp Fakültesi; 2014.
9. Karabakır B. Adli olguların canlıda yaş tayini açısından incelenmesi. [Doktora tezi]. İstanbul: İstanbul Üniversitesi, Adli Tıp Enstitüsü; 2015.
10. Yüksel A, Tümer AR, Balseven Odabaşı A. Assessment of forensic age and ossification of the medial clavicular epiphysis using computed tomography. Turkiye Klinikleri J Foren Med. 2008;5(1):1-5.
11. Tobcu E, Gökalp G. İnce kesitli bilgisayarlı tomografide sakral vertebralar arası füzyon derecesine bakılarak yaş tayini değerlendirilmesi. Uludağ Tıp Derg. 2021;47(3):341-347.
12. Buran CF. Kafatası bimastoid çapının bilgisayarlı tomografi ile değerlendirilmesinin cinsiyet tayininde kullanılabilirliği. [Tıpta uzmanlık tezi]. İzmir: Dokuz Eylül Üniversitesi, Tıp Fakültesi; 2015.
13. Sezgin N, Ersoy G. Kulak ölçü ve yerleşiminde yaşa bağlı metrik değişimler. Bulletin Legal Med. 2020;25(2):106-115.
14. Bayraktar E. Adli yaş tayininin üç boyutlu cone beam bilgisayarlı tomografide diş pulpa kavitesi ile değerlendirilmesi. [Tıpta uzmanlık tezi]. Bursa: Uludağ Üniversitesi, Tıp Fakültesi; 2017.
15. Öztürk AF. Fotoantropometri yöntemi ile sağlıklı çocukların yüzleri üzerindeki referans noktalarından yaş gruplaması ve yaş tahmini [Doktora tezi]. Ankara: Ankara Üniversitesi, Tıp Fakültesi; 2022.
16. Türkoğlu A, Tokdemir M, Sehlikoğlu K, Tunçez FT, Cavlak N, Börk T. Assessing cases of applying for determining the bone age to forensic medicine department of Fırat University between 2010-2015 years. Turkiye Klinikleri J Foren Med. 2016;13(1):1-7.
17. Garan A. Diyabetik çocukların adli tıbbi yaş tayini açısından değerlendirilmesi. [Tıpta uzmanlık tezi]. Düzce: Düzce Üniversitesi, Tıp Fakültesi; 2016.
18. Seçmen MZ, Patır S. Narx (doğrusal olmayan otoregresif dışsal girdili) yapay sinir ağları modeli ile otomobil satışı talep tahmini. Güncel Pazarlama Yaklaşımları ve Araştırmaları Derg. 2024;5(1):31-47.
19. Peker AA. Akciğer metastazlarında primer tümör kaynağının yapay zekâ algoritmaları ile değerlendirilmesi. [Tıpta uzmanlık tezi]. İstanbul: Bezmialem Vakıf Üniversitesi, Tıp Fakültesi; 2021.
20. Akça MF. Görüş: Nedir bu destek vektör makineleri? (Makine öğrenmesi serisi-2). [Internet]. 2020. Available from: https://medium.com/deep-learning-turkiye/nedir-bu-destek-vekt%C3%B6r-makineleri-makine-%C3%B6%CC%87renmesi-serisi-2-94e576e4223e. Accessed August 22, 2024.
21. Akça MF. Görüş: Karar ağaçları (Makine öğrenmesi serisi-3). [Internet]. 2020. Available from: https://medium.com/deep-learning-turkiye/karar-a%C4%9Fa%C3%A7lar%C4%B1-makine-%C3%B6%C4%9Frenmesi-serisi-3-a03f3ff00ba5. Accessed August 22, 2024.
22. Dündar B. Görüş: Makine öğrenmesi serisi-4 (Machine learning series 4). [Internet]. 2022. Available from: https://medium.com/@beyzadndar/makine-%C3%B6%C4%9Frenmesi-serisi-4-machine-learning-series-4-88c26c599351. Accessed August 21, 2024.
23. Yapay sinir ağları. [Internet]. Available from: https://tr.wikipedia-on-ipfs.org/wiki/Yapay_sinir_a%C4%9Flar%C4%B1. Accessed August 20, 2024.
24. Hsieh CW, Jong TL, Chou YH, Tiu CM. Computerized geometric features of carpal bone for bone age estimation. Chin Med J. 2007;120(9):767-770.
25. Koitka S, Kim MS, Qu M, Fischer A, Friedrich CM, Nensa F. Mimicking the radiologists’ workflow: estimating pediatric hand bone age with stacked deep neural networks. Med Image Anal. 2020;64:101743. doi: 10.1016/j.media.2020.101743
26. Deshmukh S, Khaparde A. Faster region-convolutional neural network oriented feature learning with optimal trained recurrent neural network for bone age assessment for pediatrics. Biomed Signal Process Control. 2022; 71(12):103016.
27. Demirel O, Sonuç E. Yapay zeka teknikleri kullanılarak kemik yaşı tespiti. Türkiye Sağlık Enstitüleri Başkanlığı Derg. 2021;4(3):17-30.
28. Mohtarami SA, Hejaz SA. Determine the age range based on machine-learning methods from skeletal angles of the face (glabella and maxilla angle and length and width of piriformis) in a CT scan. Int J Med Toxicol Forensic Med. 2022;12(4):38605.
29. Ciftci R, Secgin Y, Oner Z, Toy S, Oner S. Age estimation using machine learning algorithms with parameters obtained from x-ray images of the calcaneus. Niger J Clin Pract. 2024;27(2):209-213.
30. Ataş İ, Özdemir C, Ataş M, Doğan Y. Forensic dental age estimation using modified deep learning neural network. Balkan J Electr Comput Eng. 2023; 11(4):298-305.
31. Gökçe Narin N, Yeniçeri İÖ, Yüksel G. Estimation of bone age from radiological images with machine learning. MMJ. 2021;8(2):119-126.
32. Polat Y, Çelenk SA. Current perspective on novel methods for determınıng dental age in the new generation: a review. HRU Int J Dent Oral Res. 2023;3(3):173-177.
33. Fang C, Liu X, Zhao J, et al. Age estimation using bloodstain miRNAs based on massive parallel sequencing and machine learning: a pilot study. Forensic Sci Int Genet. 2020;47:102300. doi: 10.1016/j.fsigen.2020.102300
Article available in :
Volume 1, Issue 4, 2024
Page : 77-83
https://doi.org/10.51271/JRM-0020
Article Information
Received : 10 Eyl 2024
Accepted : 04 Eki 2024
Published : 30 Eki 2024
Corresponding Author :

Abdulkadir Sancı: Forensic Medicine Branch Office, Council of Forensic Medicine, Artvin, Turkiye

[email protected]
Citation : Sancı A, Kaya B. Applications of artificial intelligence in age estimation: a review. J Radiol Med. 2024;1(4):77-83.

Read: 467
Download : 1389
Cited: 3
_Footer