基于 200 次真實顱骨 CT 掃描進行訓練

原標題：準確率達97%，澳大利亞團隊新成果基于深度學習憑顱骨CT鑒定性別，趕超人類法醫
文章來源：HyperAI超神經
內容字數：9322字

AI賦能法醫學：深度學習提升遺骸性別鑒定準確率

本文介紹了澳大利亞和印度尼西亞研究團隊利用深度學習技術提升遺骸性別鑒定準確率的研究成果。傳統方法依賴經驗豐富的法醫學家進行判斷，容易受到主觀因素影響，準確率有限。而該研究利用深度學習框架，顯著提高了鑒定的準確性和客觀性。

1. 傳統方法的局限性

傳統的遺骸性別鑒定方法主要依賴于法醫學家根據已有的顱骨特征標準進行判斷，例如Walker提出的5個顱骨二態性特征(頦隆凸、眉間、眶上緣、頸區和乳突)。然而，這種方法存在以下局限性：

1. 主觀性強：依賴于法醫學家的經驗和判斷，易受主觀因素影響，導致結果偏差。

2. 數據樣本限制：傳統方法的數據樣本主要來自于19世紀和20世紀的英、美及美洲原住民的物理骨骼，時間和空間效力有限。

2. 深度學習框架的應用

該研究利用印度尼西亞醫院提供的200次顱骨CT掃描數據，訓練和測試了三種基于深度學習的網絡配置。其中，最準確的模型將性別和顱骨特征結合進行判斷，準確率高達97%，顯著高于人類觀察者的82%。該模型利用預訓練的深度學習網絡進行顱骨分割，并采用多任務學習或單任務學習進行性別鑒定。

3. 模型架構與結果

研究團隊基于ResNet構建了三種深度學習網絡變體(N1,N2,N3)。N2模型（多任務配置，分別估計Walker顱骨二態性特征分數和性別）在不同輸入下實現了最高的AUROC和準確性，當以顱骨區域作為輸入時，準確率達到0.97。與之相比，人類觀察者的準確率僅為82%。

4. 模型可解釋性

為了提升模型的可解釋性，研究團隊使用了梯度加權類激活映射(Grad-CAM)技術，可視化網絡識別的判別性顱骨區域。結果顯示，模型主要關注眉間和頸區等關鍵區域，也考慮了整個顱骨的形態和大小。

5. 未來展望

這項研究證明了深度學習框架在法醫人類學中的巨大潛力，為遺骸性別鑒定提供了一種更客觀、準確、高效的方法，減少了人為偏見的影響，推動了法醫人類學向智慧化、自動化方向發展。此外，其他研究也嘗試利用AI技術進行顱面重建和基于骨盆特征的性別鑒定，進一步豐富了AI在法醫人類學領域的應用。

聯系作者

文章來源：HyperAI超神經
作者微信：
作者簡介：解構技術先進性與普適性，報道更前沿的 AIforScience 案例