Los puntos cefalométricos son referencias anatómicas críticas situadas en el rostro humano y se utilizan ampliamente en la antropología forense para tareas esenciales como la identificación humana, la comparación facial, las mediciones antropométricas y la superposición cráneo-rostro (George, 2007; Stephan et al., 2019; Huete et al., 2015). La identificación y anotación de estos puntos exige tradicionalmente una considerable pericia, trabajo manual y una extensa formación. Este proceso manual introduce a menudo variabilidad en la precisión debido a factores como el cansancio del anotador, su experiencia y la subjetividad inherente (Campomanes-Alvarez et al., 2014).

Para abordar estos retos, hemos desarrollado un método automático avanzado basado en técnicas de deep learning. Nuestro enfoque emplea una cascada de redes neuronales convolucionales (CNN) específicamente adaptadas a escenarios few-shot habituales en contextos forenses, caracterizados por la escasez de datos anotados. En primer lugar, un modelo preentrenado basado en máscaras deformables para reconstrucción facial (3DDFA v2; Guo et al., 2020) aproxima las posiciones de los puntos. Una segunda CNN corrige con precisión los errores de posicionamiento usando recortes localizados en torno a cada predicción inicial.

El método en cascada propuesto se ha evaluado rigurosamente frente a múltiples referencias state-of-the-art para la localización de puntos faciales. Los resultados evidencian mejoras significativas, con errores de localización dos veces menores que el mejor método competidor.

Para reforzar la fiabilidad de nuestros resultados, realizamos un estudio de usuarios exhaustivo con antropólogos forenses experimentados. En esta evaluación práctica, las anotaciones de nuestro sistema automático se compararon con las de expertos humanos en imágenes forenses reales. Los resultados fueron concluyentes: los evaluadores consideraron que las anotaciones automáticas eran de precisión comparable o superior en aproximadamente la mitad de los casos, lo que subraya la utilidad y fiabilidad del método en aplicaciones reales.

Dada la calidad de los resultados y la fiabilidad demostrada, este innovador método automático de localización de puntos se integrará en Skeleton-ID, nuestra solución comercial de software para la identificación forense mediante inteligencia artificial. Su implementación pretende aumentar considerablemente la velocidad, precisión y reproducibilidad de la anotación de puntos cefalométricos, eliminando la variabilidad asociada al cansancio, la experiencia o la interpretación subjetiva del anotador.

La publicación completa contiene una explicación detallada de la metodología y resultados cuantitativos exhaustivos. El lector puede acceder libremente al artículo completo a través del siguiente enlace.