وصلت نسبة الدقة إلى 97%. يعتمد الإنجاز الجديد للفريق الأسترالي على التعلم العميق لتحديد الجنس من خلال التصوير المقطعي المحوسب للجمجمة، متجاوزًا بذلك أطباء الطب الشرعي البشري.

في السنوات الأخيرة، ومع نجاح العديد من المسلسلات التلفزيونية التي تتناول التشويق والجريمة، تم أيضًا طرح موضوع غامض أمام الجمهور - الطب الشرعي. ببساطة، الطب الشرعي هو مثل شيرلوك هولمز الذي يختبئ في الظلام بحثًا عن الحقيقة. بفضل معرفتها المهنية وتكنولوجيتها المتقدمة، يمكنها التعرف على العظام وتتبعها من خلال تفسير الشهادات الصامتة في البقايا والأدلة المادية، وتقديم التوجيهات لحل عدد لا يحصى من القضايا الصعبة. وهو يشكل أساساً متيناً لضمان العدالة القضائية، وأهميته واضحة في ذاتها.

من بين العديد من مجالات البحث في الطب الشرعي،يعد تحديد جنس الرفات خطوة مهمة للغاية.عند مواجهة كومة من العظام، تعتمد الطرق السابقة بشكل أساسي على علماء الطب الشرعي ذوي الخبرة لاستخلاص الاستنتاجات والتقييمات بناءً على المعايير المنشورة. ومع ذلك، فإن هذه الأساليب تتأثر عادة بعوامل ذاتية، مما يؤدي حتما إلى انحرافات في النتائج. اليوم، مع انتشار أجهزة الكمبيوتر وتقنيات التعلم العميق، أصبحت كيفية استخدام العلم لحل تأثير التحيز البشري موضوعًا جديدًا.

مؤخرًا، قام فريق من جامعة غرب أستراليا، وجامعة نيو ساوث ويلز، وجامعة حسن الدين في إندونيسيا،تم اقتراح إطار عمل آلي يعتمد على التعلم العميق لتحسين دقة الحكم على الجنس وتقليل تأثير التحيز المعرفي.

استخدمت الدراسة 200 صورة مقطعية للجمجمة من مستشفى في إندونيسيا لتدريب واختبار ثلاثة تكوينات شبكية تعتمد على التعلم العميق. كان إطار التعلم العميق الأكثر دقة قادرًا على الجمع بين ميزات الجنس والجمجمة للحكم.يمكن أن تصل دقة التصنيف إلى 97%، وهو أعلى بكثير من 82% للمراقبين البشريين.تؤكد هذه التجربة على إمكانات أطر التعلم العميق للتطبيقات العميقة في مجال الأنثروبولوجيا الشرعية.

وقد نُشرت نتائج البحث ذات الصلة في المجلة الأكاديمية Scientific Reports تحت عنوان "التعلم العميق مقابل المقيمين البشريين: تقدير الجنس الشرعي من عمليات مسح التصوير المقطعي المحوسب ثلاثي الأبعاد".

عنوان الورقة:
https://www.nature.com/articles/s41598-024-81718-y

يجمع مشروع المصدر المفتوح "awesome-ai4s" أكثر من 200 تفسير لورقة AI4S ويوفر مجموعات بيانات وأدوات ضخمة:

https://github.com/hyperai/awesome-ai4s

اتخاذ خطوة أبعد نحو جعل الذكاء الاصطناعي "جديرًا بالثقة وقابلًا للاستخدام"

في علم الطب الشرعي، يخفي الهيكل العظمي العديد من الاختلافات في الخصائص الجنسية، وخاصة في الجمجمة.الطريقة الأكثر شيوعًا لتحديد جنس الجمجمة من خلال الشكل المورفولوجي في الممارسة الجنائية الحديثة هي السمات الخمس لثنائية الشكل في الجمجمة التي اقترحها فيليب إل. ووكر (المشار إليها فيما بعد بسمات ووكر).وهذا يعني ملاحظة الاختلافات بين جماجم الذكور والإناث من حيث البروز العقلي (MEN)، والجبهة (GLA)، والحافة فوق الحجاج (SUP)، والقمة العنقية (NUC)، والنتوء الخشائي (MAS).

على سبيل المثال، ذكرت الدراسة أن المسافة بين حواجب الرجال عادة ما تكون أكثر بروزًا وأوسع، وقد تحتوي على خطوط أو عقيدات واضحة؛ في حين أن المسافة بين حواجب المرأة تكون أكثر نعومة ورقيقة. تكون تجاويف عيون الرجال في الغالب مربعة أو مستطيلة الشكل، مع زوايا حادة ومظهر عام أكثر صلابة؛ تميل تجاويف عيون النساء إلى أن تكون أكثر استدارة، مع حواف طبيعية وناعمة ولا تحتوي على حواف واضحة.

ومع ذلك، مع تطور أنشطة الأنثروبولوجيا الشرعية، وجدت هذه الطريقة أيضًا بعض المواقف التي لم تعد قابلة للتطبيق فيها.من ناحية،إن عينات البيانات التي تم الحصول عليها من خلال تحليل وسائل التعريف التي تمثلها هذه الطريقة كلها من السجلات المادية، أي أنه يلزم جمع عدد كبير من العظام المادية للحصول على عينات كافية؛على الجانب الآخر،وتأتي عينات هذه الطريقة من البريطانيين والأمريكيين والأمريكيين الأصليين الذين عاشوا في القرنين التاسع عشر والعشرين، مما يؤدي أيضًا إلى بعض القيود في فعالية الزمان والمكان لموضوعات البحث.

إن ظهور الأنثروبولوجيا الافتراضية يوفر مخرجًا جديدًا لممارسة الأنثروبولوجيا الشرعية. من حيث اكتساب مجموعة البيانات، وعلى عكس طريقة جمع البيانات المستخدمة في دراسة ووكر، فإن تكنولوجيا التصوير الرقمي السريري مثل التصوير المقطعي المحوسب (CT) تمكن الباحثين من الحصول على مجموعات بيانات كافية عن العظام. وبالمقارنة بجمع العظام المادية، فإن مجموعات البيانات العظمية الافتراضية المسجلة من خلال التصوير السريري أسهل بلا شك في إنشائها. علاوة على ذلك، ومع الاستخدام الواسع النطاق للتصوير المقطعي المحوسب في الطب الحديث، أصبحت مجموعات البيانات التي تم الحصول عليها من خلال هذه الطريقة تمثل السكان المعاصرين بشكل أكثر.

ومن حيث التحليل والمعالجة، تم أيضًا تطبيق تقنيات التعلم العميق في الأنثروبولوجيا الشرعية. يستخدم الباحثون التعلم العميق لمعالجة مجموعات كبيرة من البيانات وبناء نماذج لتقييم جنس العظام لمساعدة علماء الأنثروبولوجيا الشرعية في التقييمات البيولوجية. على سبيل المثال، تم تطوير GoogleNet بواسطة Bewes et al. يمكن إجراء إعادة بناء ثلاثية الأبعاد من الصور الجانبية ثنائية الأبعاد لفحوصات التصوير المقطعي المحوسب للرأس وإجراء تحديد الجنس الهيكلي بناءً عليها.تم تحقيق دقة التمييز بين 96% للذكور و 94% للإناث.

ومن الجدير بالذكر أنه على الرغم من أن هذه الأساليب قد أحرزت تقدمًا كبيرًا، إلا أنه لا تزال هناك بعض التحديات في أساليب تحديد جنس العظام القائمة على التعلم العميق السابقة.أوتوماتيكية بالكامل وقابلة للتفسير.

أولاً، اعتمدت بعض الدراسات على برامج تجارية لإزالة الهياكل المحيطة واستخراج الجمجمة من خلال ضبط عتبة وحدة هونسفيلد (HU) بقيمة تجريبية، والتي قد تتأثر بقضايا مثل إمكانية الوصول إلى البرامج، والضوضاء، والتحف، وهياكل العظام غير المرغوب فيها، والتباين في قيم وحدة هونسفيلد.

ثانيًا، على عكس المراقبين البشريين الذين يحددون سمات الجمجمة، غالبًا ما تسمى الشبكات القائمة على التعلم العميق "الصناديق السوداء" حيث يصعب عادةً هيكلة الطبقات المخفية، مما يحد أيضًا من إمكانية تفسير الشبكات القائمة على التعلم العميق.

تصميمات متعددة تخلق أطر عمل للذكاء الاصطناعي تتفوق على البشر

في هذه الدراسة، قام الباحثون بتطوير إطار عمل آلي بالكامل للذكاء الاصطناعي لتحديد الجنس الشرعي باستخدام عمليات مسح الجمجمة المقطعية، واختبروا النموذج باستخدام الميزات التي اقترحها ووكر.

يتكون إطار عمل الذكاء الاصطناعي من مرحلة المعالجة المسبقة وشبكة تصنيف الجنس.أولاً، يتم استخدام شبكة التعلم العميق المدربة مسبقًا لتجزئة الجمجمة، ثم يتم تدريب تكوينات شبكة التصنيف المختلفة باستخدام تركيبات إدخال مختلفة، باستخدام التعلم متعدد المهام لتوليد درجات ميزة Walker وإجراء تحديد الجنس، أو التعلم أحادي المهمة لتحديد الجنس. تظهر إعدادات الشبكة المحددة في الشكل أدناه:

* I هي صورة الأشعة المقطعية المعالجة مسبقًا؛

* (I, S) هو مدخل ثنائي القناة، بما في ذلك صورة التصوير المقطعي المحوسب المعالجة مسبقًا وقناع الجمجمة؛

* يشير I∩S إلى مناطق الجمجمة الفردية؛

* يستخدم كل من N1 وN2 دالة الخسارة المركبة، ويستخدم N3 دالة خسارة الإنتروبيا المتقاطعة الثنائية.

تم بناء ثلاثة أنواع من شبكات التعلم العميق N1 وN2 وN3 على ResNet، والتي تتكون من كتلة إدخال وثلاث كتل متبقية، بما في ذلك طبقات الالتفاف ثلاثي الأبعاد (Conv3D)، وتطبيع الدفعة (Batch Norm)، وتنشيط الوحدة الخطية المصححة (ReLU). تتكون كتلة الإدخال من 32 مرشحًا، وتحتوي الكتلة المتبقية على 64 و128 و256 مرشحًا على التوالي. حجم نواة Conv3D هو 3 × 3 × 3. كما هو موضح في الشكل التالي:

تم تنفيذ جميع الشبكات في Torch 2.0 باستخدام Python v3.9 وتم تدريبها على وحدة معالجة الرسوميات NVIDIA Tesla P100 مع ذاكرة وصول عشوائي (RAM) بسعة 16 جيجابايت.

تأتي مجموعة البيانات المستخدمة في هذه الدراسة من مستشفى الدكتور وحيد الدين سوديروهسودو العام (RSWS)، إندونيسيا، وتتضمن بشكل أساسي عمليات مسح مقطعي محوسب متعدد الشرائح (MSCT) لبعض المرضى الذين خضعوا لفحوصات إشعاعية في المستشفى من يناير 2020 إلى أغسطس 2022.يبلغ إجمالي الصور 200 صورة، بما في ذلك 87 صورة للإناث و113 صورة للذكور.يتم استخدام 166 صورة في مجموعة البيانات للتدريب و 34 صورة للاختبار.

عند النظر بشكل خاص إلى بنيات الشبكة الثلاثة، حقق تكوين المهام المتعددة لـ N2 (تقدير درجة ميزة الجمجمة ثنائية الشكل لـ Walker والجنس في فروع مختلفة) أعلى AUROC ودقة تحت مدخلات مختلفة وكان النموذج الأكثر توازناً لتحديد الجنس. عندما يتم استخدام منطقة الجمجمة كمدخل،حقق N2 أعلى دقة بلغت 0.97 وأقل خسارة في السجل بلغت 0.30.

يستخدم تكوين المهام المتعددة لـ N1 (تقدير درجات السمات ثنائية الشكل لجماجم ووكر بالتسلسل، ثم تقدير الجنس) مناطق الجمجمة كمدخلات.دقتها هي 0.91.ومع ذلك، فإن AUROC تحت مدخلات مختلفة أقل من N2 وN3، والخسارة اللوغاريتمية أعلى.

إن AUROC لشبكة المهمة الفردية N3 (تقدير الجنس بشكل مباشر) تحت مدخلات مختلفة مماثل لـ N2، ولكن عند استخدام الجمجمة كمدخل،دقتها 0.85 فقط.الأقل بين جميع الشبكات. وتظهر النتائج المحددة في الشكل أدناه:

ومن الجدير بالذكر أنه عند المقارنة بأداء المراقبين البشريين، حققت نماذج الشبكات الثلاثة القائمة على التعلم العميق دقة أعلى في تصنيف الجنس مقارنة بالمراقبين البشريين. خاصة،حقق N2 أعلى دقة في تحديد الجنس عند 97%، في حين حقق المراقبون البشريون 82% فقط.

لتحسين إمكانية تفسير عملية اتخاذ القرار في الشبكة، استخدم فريق البحث رسم خرائط تنشيط الفئة المرجحة بالتدرج (Gradient-CAM) لتوضيح مناطق الجمجمة التمييزية التي حددتها الشبكة. Grad-CAM هي طريقة لشرح قرارات الشبكات العصبية التلافيفية. الفكرة الأساسية هي ضرب تدرج فئة الإخراج مع إخراج الطبقة ثم أخذ المتوسط للحصول على خريطة حرارية "تقريبية".يمكن تكبير هذه الخريطة الحرارية وتطبيقها على الصورة الأصلية لإظهار المناطق التي يركز عليها النموذج بشكل أكبر عند التصنيف.ميزتها هي أنه يمكن استخدامها لأي شبكة عصبية ملتوية دون تعديل هيكلي أو إعادة تدريب.

يوضح الشكل أدناه خريطة الحرارة Grad-CAM المتعلقة بكل تنبؤ بالميزة في فرع ميزة Walker للشبكات N1 وN2 عند استخدام الجمجمة كمدخل، حيث a وb وc وd وe هي GLA وMAS وMEN وNUC وSUP على التوالي. تسلط خريطة الحرارة الضوء بشكل خاص على GLA وNUC.

يوضح الشكل أدناه خرائط الحرارة الناتجة عن Grad-CAM للشبكات الثلاث عند استخدام الجمجمة كمدخل. يمكن ملاحظة أنه بالإضافة إلى تنشيط GLA، يتم تنشيط المنطقة المحيطة بالجمجمة أيضًا، وخاصة أن خريطة الحرارة N3 أكثر وضوحًا. نظرًا لأن صور التصوير المقطعي المحوسب تتم معالجتها مسبقًا إلى حجم مادي موحد،قد يشير هذا إلى أن النموذج يقوم بتحليل مورفولوجيا الجمجمة بأكملها،ربما يكون حجمها وشكلها، حيث أن حجم وشكل الجمجمة من السمات الرئيسية التي تعكس ازدواجية الشكل الجنسي لدى البشر، حيث تكون جماجم الذكور أكبر وأثقل عمومًا من جماجم الإناث.

باختصار، توضح هذه التجربة فعالية إطار عمل الذكاء الاصطناعي المبني على التعلم العميق والمؤتمت بالكامل في تحسين دقة تحديد جنس الهيكل العظمي، مما يؤكد قابلية تطبيقه الجنائي الأوسع بشكل كبير مقارنة بالطرق الأساسية التي تم تطويرها بالفعل. وفي الوقت نفسه، يتمتع الإطار بالقدرة على تجاوز المراقبين البشريين، واستكشاف إمكاناته لمساعدة الأنثروبولوجيا الشرعية في أن تصبح أكثر ذكاءً وأتمتة.

بالإضافة إلى ذلك، أظهر Grad-CAM أيضًا إمكانية تفسير نماذج الشبكة القائمة على التعلم العميق في تحديد الجنس من خلال الجماجم. وقد أدت هذه التكاملات إلى تقييمات أكثر توحيدًا وموضوعية لعلم الإنسان الشرعي، مما أدى إلى تقليل تأثير التحيز المعرفي والتباين.

الذكاء الاصطناعي يفتح فصلاً جديدًا في الأنثروبولوجيا الجنائية

في الواقع، هناك العديد من الدراسات حول استخدام الذكاء الاصطناعي لتمكين تحديد الجنس في الأنثروبولوجيا الشرعية. ومن قبيل المصادفة، تكشف الأوراق ذات الصلة المدرجة في التقارير العلمية عن العديد من الأساليب الرائدة.

على سبيل المثال، استخدمت دراسة بعنوان "تقدير الجنس باستخدام صور ظلية الجمجمة من التصوير المقطعي المحوسب بعد الوفاة بواسطة التعلم العميق" عمليات مسح مقطعي محوسب للحصول على صور ظلية ثنائية الأبعاد للتعلم العميق، وعززت شكل محيط الجمجمة، ثم لاحظت صور الظلية بزوايا مختلفة وأجرت تصويت الأغلبية لتحديد الجنس.

عنوان الورقة:
https://www.nature.com/articles/s41598-024-74703-y

نجحت طريقة إعادة بناء الجمجمة والوجه القائمة على التعلم العميق والتي تم تطويرها بشكل مشترك من قبل كلية علوم الكمبيوتر وكلية غرب الصين للطب الشرعي والطب الأساسي بجامعة سيتشوان في استعادة صور الجمجمة والوجه تلقائيًا من بيانات الجمجمة المقطعية. وذكر أن فريق البحث نجح في التغلب على الصعوبات التقنية في مجال ترميم الوجه والجمجمة، وطور أول نظام لاسترجاع الوجه لإعادة بناء الوجه والجمجمة. يقوم النظام بإنشاء سلسلة من الوجوه المستعادة من مختلف الأعمار والجنسين ولكن الهويات متسقة على أساس بيانات الجمجمة، مما يزيل تأثير العمر وحتى تغييرات التشوه على التعرف على الهوية، وبالتالي تحسين دقة التعرف.

نُشرت الدراسة، التي تحمل عنوان "CR-GAN: إعادة بناء الجمجمة والوجه تلقائيًا لتحديد الهوية الشخصية"، في مجلة Pattern Recognition، وهي مجلة رائدة في مجال التعرف على الأنماط.

عنوان الورقة:
https://www.sciencedirect.com/science/article/abs/pii/S0031320321005768

وبطبيعة الحال، فإن تحديد الجنس على أساس العظام لا يعتمد فقط على الجمجمة. كما ذكرنا سابقًا، يخفي هيكل العظام الكثير من المعلومات المتمايزة حول الخصائص الذكورية والأنثوية. على سبيل المثال، بسبب الوظائف الفسيولوجية المختلفة للحوض عند الذكر والأنثى، فإن الحوض يتميز بخصائص متباينة بشكل واضح في تحديد الجنس. وبناءً على هذه الخصائص، تتم أيضًا دراسة أساليب تحديد الجنس القائمة على التعلم العميق ذات الصلة في نفس الوقت.

باختصار، توفر شعبية الذكاء الاصطناعي حلاً موضوعيًا ومستدامًا لمشكلة تحديد الجنس في الأنثروبولوجيا الشرعية. وهذا يسمح أيضًا لهذا المجال الغامض والمتخصص بالابتعاد عن أساليب التعريف القديمة واحتضان الذكاء والأتمتة تدريجيًا مثل المجالات الأخرى.

مراجع:
1.https://www.nature.com/articles/s41598-024-81718-y
2.https://www.csiro.au/en/news/All/News/2025/February/CSIRO-develops-AI-tool-for-rapid-identification-in-forensic-investigations
3.https://blog.csdn.net/qq_68308828/article/details/132663304
4.https://mp.weixin.qq.com/s/bpZCZMM5MJRShhZvI2fcsw

وأخيرًا، أود أن أوصي الجميع ببث مباشر أكاديمي! في الساعة 12:00 ظهرًا يوم 7 مارس، كان آخر بث مباشر لـ Meet AI4S تحت عنوان "قوتها في عصر الذكاء الاصطناعي: التحول في ظل التكنولوجيا المتشددة" ودُعيهوانغ هونغ، أستاذ مشارك في جامعة هواتشونغ للعلوم والتكنولوجيا، وتشو دونغ تشان، باحث شاب في مركز الذكاء الاصطناعي للعلوم في مختبر الذكاء الاصطناعي في شنغهاي، وتشو بينج شين، باحث مساعد في معهد العلوم الطبيعية في جامعة شنغهاي جياو تونغ.تعريف بالإنجازات الشخصية ومشاركة تجربة البحث العلمي.