Estimasi usia merupakan hal yang penting dalam berbagai bidang ilmu, termasuk kedokteran forensik, antropologi, dan penelitian demografi. Dalam situasi seperti bencana massal, estimasi usia biologis yang akurat menjadi alat penting untuk memudahkan proses identifikasi individu. Selain itu, estimasi usia yang tepat saat kematian sangat penting untuk mengidentifikasi sisa-sisa kerangka dalam bidang antropologi forensik. Salah satu indikator yang digunakan untuk menghitung estimasi usia adalah melalui analisis gigi geligi.
Komponen gigi adalah indikator berharga untuk memperkirakan usia seorang dewasa. Namun, kondisi gigi dapat dipengaruhi oleh berbagai faktor eksternal dan internal, menyebabkan perbedaan antara usia gigi dan usia kronologis. Sejak pertengahan abad ke-19, ilmuwan telah mengembangkan banyak metode untuk memperkirakan usia orang di atas 18 tahun. Metode-metode ini telah diklasifikasikan ke dalam tiga pendekatan utama: morfo-histologis, radiologis, dan analisis biokimia. Pendekatan radiografis adalah pendekatan non-invasif dan hemat biaya untuk estimasi usia dibandingkan dengan pendekatan histologis dan biokimia. Menilai usia pada orang dewasa lebih menantang daripada pada anak-anak dan remaja karena sudah selesainya perkembangan gigi. Oleh karena itu, mengevaluasi perubahan pasca pembentukan dan tahap maturasi gigi molar ketiga yang terlihat pada radiografi dianggap sebagai metode yang dapat diandalkan untuk menetapkan usia dewasa.
Estimasi usia gigi secara konvensional sangat bergantung pada ekstraksi data manual yang dilakukan oleh ahli odontologi forensik. Penilaian usia individu dikembangkan tergantung pada pengalaman dan pengetahuan para ahli. Namun, metode ini memakan waktu dan rentan terhadap bias subjektif yang mempengaruhi hasil estimasi usia.
Artificial intelligence (AI) menandai awal era baru dalam ilmu forensik. Dalam beberapa tahun terakhir, telah terjadi peningkatan yang signifikan dalam upaya penelitian internasional yang menggunakan teknologi AI dalam berbagai bidang forensik, seperti pengenalan wajah, estimasi usia, penentuan jenis kelamin, dan analisis DNA. Hal ini menunjukkan kepraktisan dan manfaat mengintegrasikan teknologi AI ke dalam pekerjaan forensik. AI adalah instrumen teknologi yang dinamis yang berkembang seiring waktu, memberikan energi baru bagi ilmu forensik. AI diciptakan untuk meniru kecerdasan manusia dan terampil dalam persepsi visual, pengenalan ucapan, pengambilan keputusan, dan pemrosesan bahasa alami. Integrasi AI ke dalam kedokteran dan kedokteran gigi telah meluas,
dengan penggunaan forensik yang menggunakan banyak pendekatan, termasuk pembelajaran mesin, pembelajaran mendalam, jaringan saraf tiruan, dan jaringan saraf buatan. AI sangat penting dalam meningkatkan ketepatan dan efektivitas menganalisis gigi manusia dewasa untuk estimasi usia. AI menunjukkan potensi dalam meningkatkan perkiraan usia dan mempercepat proses peninjauan dengan menganalisis pola kompleks dalam data gigi manusia. Integrasi teknologi AI dengan kedokteran forensik diatur untuk mengubah metode estimasi usia, meningkatkan praktik forensik dengan ketepatan dan efektivitas yang tak tertandingi.
Penerapan AI dalam estimasi usia gigi telah menjadi lebih umum digunakan untuk memberikan akurasi dan efektivitas yang lebih baik dalam identifikasi forensik. Estimasi usia gigi yang dibantu AI dapat meningkatkan praktik klinis dan forensik dengan menawarkan evaluasi usia yang lebih tepat dan efektif. Banyak penelitian telah menggunakan berbagai metode AI, termasuk model pembelajaran mendalam, jaringan saraf konvolusional (CNN), dan algoritma pembelajaran mesin, untuk mengevaluasi gambar panoramik gigi, sinar-X, dan data gigi lainnya untuk memperkirakan usia individu. Hasilnya menunjukkan tingkat presisi yang tinggi dalam estimasi usia, dengan beberapa penelitian memperoleh akurasi hingga 90% untuk kelompok usia tertentu.
Kecerdasan buatan menawarkan dukungan berharga dalam estimasi usia gigi dengan memeriksa gambaran gigi, termasuk sinar-X atau radiograf panoramik, untuk mengukur usia seseorang melalui penilaian perkembangan gigi dan keausan. Dengan memanfaatkan algoritma AI, pola dan fitur yang menunjukkan berbagai kelompok usia dapat dikenali dan sistem dapat dilatih untuk memberikan estimasi usia yang akurat. Selain itu, AI memfasilitasi otomatisasi tugas, terutama dalam analisis gambar gigi, mengurangi beban kerja manual dan meningkatkan efisiensi dan ketepatan proses identifikasi. Di luar estimasi usia, AI memiliki potensi untuk memperkirakan probabilitas kondisi dan penyakit gigi spesifik berdasarkan data pasien, sehingga membantu dalam tindakan pencegahan dan strategi perawatan. Namun demikian, bidang estimasi usia gigi berbasis AI masih baru, kurangnya pendekatan yang diterima secara universal untuk orang dewasa dengan gigi permanen.
Deep Convolutional Neural Networks (DCNN) telah diimplementasikan untuk segmentasi gigi otomatis dengan menggunakan gambar sinar-X gigi, menyederhanakan proses segmentasi. Teknik pembelajaran mesin ini menunjukkan kinerja yang superior dibandingkan dengan metode alternatif. Alur kerja DCNN melibatkan tiga tahap utama: lokalisisi, segmentasi, dan klasifikasi gigi bungsu. Lokalisasi melibatkan memprediksi pusat geometris dalam gambar asli, dicapai melalui jaringan saraf konvolusional (CNN) seperti YOLO dan ImageNet, yang secara efektif mengidentifikasi lokasi radiografik gigi-gigi bungsu.
Selanjutnya, radiografi digabungkan dengan segmentasi gigi-gigi bungsu untuk mengklasifikasikan tahap perkembangan, dengan menggunakan dua arsitektur CNN yang berbeda: CNN sederhana dan DenseNet201. Klasifikasi ini memfasilitasi estimasi usia berdasarkan perkembangan gigi-gigi bungsu.
Menerapkan metode pembelajaran mendalam untuk estimasi usia gigi menimbulkan beberapa tantangan. Pertama, ada masalah kelangkaan data. Dataset besar, berkualitas tinggi, dan dengan anotasi yang baik sangat penting untuk melatih dan memvalidasi model pembelajaran mendalam. Namun, mengumpulkan dataset seperti itu bisa sulit karena perlunya informasi usia yang tepat dan sifat waktu yang memakan waktu untuk memberi label gambar.
Lalu, kualitas data pelatihan yang suboptimal dapat berdampak signifikan pada kinerja model. Gambar yang diberi label buruk atau berkualitas rendah dapat mengarah pada pelatihan yang suboptimal dan akurasi yang menurun. Kemudian, penyetelan ulang model pembelajaran mendalam untuk kinerja optimal seringkali merupakan proses yang kompleks dan memakan waktu yang memerlukan keahlian dalam pembelajaran mesin dan pemrosesan gambar.
Pembelajaran transfer, teknik lainnya, mungkin tidak selalu efektif dalam estimasi usia gigi karena karakteristik unik dari gambar gigi dan kompleksitas tugas. Selain itu, umumkan model pembelajaran mendalam ke populasi yang berbeda bisa menjadi tantangan karena variasi dalam pola perkembangan gigi dan morfologi gigi, yang berpotensi mengurangi akurasi untuk beberapa populasi. Interpretabilitas adalah masalah lain, karena model pembelajaran mendalam dapat sulit untuk diinterpretasikan, sehingga sulit untuk memahami bagaimana model mencapai prediksi mereka, terutama dalam aplikasi di mana transparansi dan keterbacaan penting, seperti dalam kedokteran forensik.
Akhirnya, penggunaan metode pembelajaran mendalam untuk estimasi usia gigi menimbulkan kekhawatiran regulasi dan etika tentang privasi, perlindungan data, dan potensi penyalahgunaan teknologi, yang memerlukan pertimbangan dan regulasi yang hati-hati untuk memastikan penggunaan yang bertanggung jawab. Meskipun tantangan-tantangan ini, penelitian yang sedang berlangsung bertujuan untuk mengatasi masalah ini dan meningkatkan akurasi dan keandalan metode pembelajaran mendalam dalam estimasi usia gigi.
Penulis: Arofi Kurniawan, drg., Ph.D
Departemen Odontologi Forensik Fakultas Kedokteran Gigi, Universitas Airlangga
Diambil dari artikel jurnal berjudul: Integrating artificial intelligence and adult dental age estimation in forensic identification: A literature review Artikel dapat diakses pada: https://wjarr.com/content/integrating-artificial-intelligence-and-adult-dental-age-estimation-forensic-identification
