研究一:深度学习与人工标注在基于下颌尖牙的年龄评估中的对比研究目的:比较传统人工标注的髓腔/牙齿面积比算法与卷积神经网络算法在曲面体层片中应用下颌尖牙评估年龄的准确性。材料与方法:从北京大学口腔医院影像科数据库中收集360位女性和360位男性患者的曲面体层图像并分为训练集（其中包含600个患者数据）和测试集（其中包含120个患者数据）。下颌尖牙所在的矩形区域被定义为兴趣区域（ROI）。利用手动分割并计算髓腔/牙齿面积比来建立对数回归模型。同时,通过五折交叉验证建立端到端的卷积神经网络（CNN）模型。随后使用同一个测试集对两个模型进行测试计算平均绝对误差,并比较每个年龄组的实际年龄和估计年龄。结果:对数回归模型的表达式为:年龄=-82.819-45.347ln（牙髓/牙齿面积）。R2为0.823,该回归方程具有统计学显著性（p=0.000<0.01）。对数回归模型和神经网络模型在测试集上的平均绝对误差（MAE）分别6.209和5.358。但是,当分年龄组比较实际年龄和预测年龄时,只有对数回归模型预测的年龄与12-21岁,32-41岁和41-52岁年龄组中相应的实际年龄没有显著性差异。结论:虽然通过深度学习算法建立的模型在测试集的年龄评估中具有更低的平均绝对误差（MAE）,但其准确性和可靠性还需要进一步研究。研究二:基于不同牙位的深度学习模型在年龄评估中的对比研究目的:比较在曲面体层片中使用不同牙位图像建立的深度学习模型在年龄评估中的准确性。材料与方法:从北京大学口腔医院影像科数据库中收集360位女性和360位男性患者的曲面体层片并分为训练集（其中包含600个患者数据）和测试集（其中包含120个患者数据）。上下颌中切牙,上下颌尖牙及上下颌第一前磨牙所在的矩形区域被定义为兴趣区域（ROI）。通过五折交叉验证建立不同牙位的迁移学习模型。随后使用不同牙位对应的测试集对模型进行测试计算平均绝对误差,并比较每个年龄组的实际年龄和估计年龄。结果:从对应测试集中得到的不同模型的平均绝对误差（MAE）分别为上颌中切牙9.98,下颌中切牙10.40,上颌尖牙6.33,下颌尖牙5.36,上颌第一前磨牙8.74,下颌第一前磨牙8.88。结论:不同牙位分别建立深度学习模型进行年龄预测的准确性依次为:33/43,13/23,14/24,34/44,11/21,31/41。其中基于下颌尖牙建立的深度学习模型平均绝对误差最小。基于下颌中切牙建立的深度学习模型平均绝对误差最大。研究三:基于完整曲面体层片的深度学习模型在年龄评估中的应用研究目的:验证基于整体曲面体层片的深度学习模型在年龄评估中的准确性材料与方法:从北京大学口腔医院影像科数据库中收集年龄均匀分布的1500位女性和1500位男性患者的曲面体层片并分为训练集（2400个患者数据）、验证集（300个患者数据）和测试集（300个患者数据）。通过迁移学习建立一个基于ResNet18端到端的卷积神经网络（CNN）模型。随后使用测试集对模型进行测试计算平均绝对误差,并比较每个年龄组的实际年龄和估计年龄。结果:在验证集和测试集中用于年龄估计的迁移学习模型的平均绝对误差（MAE）分别为2.93和2.95。结论:基于ResNet18的迁移学习模型可用于完整曲面体层片的年龄评估。不同年龄组和不同性别之间预测年龄与实际年龄存在统计学差异。类激活映射图表明不同的解剖特征可用于不同年龄组的年龄评估。这些特征在年龄评估中的作用还需要进一步研究。