Die Genauigkeitsrate Erreichte 97%. Die Neue Errungenschaft Des Australischen Teams Basiert Auf Deep Learning Zur Geschlechtsbestimmung Durch Schädel-CT Und Übertrifft Damit Die Leistung Menschlicher Gerichtsmediziner.
In den letzten Jahren wurde dem Publikum mit dem Erfolg mehrerer spannender und krimineller Fernsehserien auch ein mysteriöses Thema nähergebracht: die Gerichtsmedizin. Einfach ausgedrückt ist die forensische Medizin wie Sherlock Holmes, der sich im Dunkeln versteckt und nach der Wahrheit sucht. Dank seines Fachwissens und seiner fortschrittlichen Technologie kann es Knochen identifizieren und durch die Interpretation stiller Zeugnisse in Überresten und physischen Beweisen zurückverfolgen und Hinweise zur Lösung zahlloser schwieriger Fälle geben. Es ist eine solide Grundlage für die Gewährleistung gerichtlicher Gerechtigkeit und seine Bedeutung liegt auf der Hand.
Zu den vielen Forschungsgebieten der forensischen Medizin gehörenDie Geschlechtsbestimmung der Überreste ist ein äußerst wichtiger Schritt.Bei der Untersuchung eines Knochenhaufens verlassen sich bisherige Methoden hauptsächlich auf erfahrene Forensiker, die auf der Grundlage veröffentlichter Standards Schlussfolgerungen und Einschätzungen ziehen. Allerdings unterliegen diese Methoden meist subjektiven Einflüssen, die zwangsläufig zu Abweichungen in den Ergebnissen führen. Angesichts der heutigen Popularität von Computern und Deep-Learning-Technologien ist die Frage, wie sich die Auswirkungen menschlicher Voreingenommenheit mithilfe der Wissenschaft lösen lassen, zu einem neuen Thema geworden.
Kürzlich hat ein Team der University of Western Australia, der University of New South Wales und der Hasanuddin University in IndonesienUm die Genauigkeit der Geschlechtsbeurteilung zu verbessern und die Auswirkungen kognitiver Verzerrungen zu verringern, wird ein automatisiertes Framework auf Basis von Deep Learning vorgeschlagen.
Für die Studie wurden 200 Schädel-CT-Scans aus einem Krankenhaus in Indonesien verwendet, um drei auf Deep Learning basierende Netzwerkkonfigurationen zu trainieren und zu testen. Das genaueste Deep-Learning-Framework war in der Lage, Geschlecht und Schädelmerkmale zur Beurteilung zu kombinieren.Die Klassifizierungsgenauigkeit kann 97% erreichen, was deutlich höher ist als die 82% menschlicher Beobachter.Dieses Experiment bestätigt das Potenzial von Deep-Learning-Frameworks für tiefgreifende Anwendungen in der forensischen Anthropologie.
Die entsprechenden Forschungsergebnisse wurden in der Fachzeitschrift Scientific Reports unter dem Titel „Deep learning versus human assessors: forensic sex estimation from three-dimensional computed tomography scans“ veröffentlicht.
Papieradresse:
https://www.nature.com/articles/s41598-024-81718-y
Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 200 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s
Einen Schritt weiter gehen, um KI „vertrauenswürdig und nutzbar“ zu machen
In der forensischen Anthropologie verbirgt die Skelettstruktur viele Unterschiede in den Geschlechtsmerkmalen, insbesondere im Schädel.Die in der modernen forensischen Praxis am weitesten verbreitete Methode zur morphologischen Geschlechtsbestimmung von Schädeln sind die fünf von Phillip L. Walker vorgeschlagenen Schädeldimorphismus-Merkmale (im Folgenden als Walker-Merkmale bezeichnet).Das heißt, die Unterschiede zwischen männlichen und weiblichen Schädeln hinsichtlich der Eminenz mentale (MEN), der Glabella (GLA), des supraorbitalen Randes (SUP), der Nackenkante (NUC) und des Warzenfortsatzes (MAS) zu beobachten.
Beispielsweise wurde in der Studie erwähnt, dass der Bereich zwischen den Augenbrauen von Männern normalerweise ausgeprägter und breiter ist und deutliche Wülste oder Knötchen aufweisen kann. während der Abstand zwischen den Augenbrauen bei Frauen glatter und schmaler ist. Die Augenhöhlen von Männern haben meist eine quadratische oder rechteckige Form mit scharfen Ecken und einem insgesamt härteren Aussehen. Die Augenhöhlen von Frauen sind tendenziell runder, mit natürlichen, weichen Rändern und ohne auffällige Kanten.
Mit der Entwicklung der forensischen Anthropologie ist diese Methode jedoch auch in einigen Situationen nicht mehr anwendbar.einerseits,Die durch die Analyse der mit dieser Methode dargestellten Identifikationsmittel erhaltenen Datenproben stammen alle aus physischen Aufzeichnungen, d. h., es muss eine große Anzahl physischer Knochen gesammelt werden, um ausreichend Proben zu erhalten.auf der anderen Seite,Die Proben dieser Methode stammen von Briten, Amerikanern und amerikanischen Ureinwohnern, die im 19. und 20. Jahrhundert lebten, was auch zu gewissen Einschränkungen hinsichtlich der zeitlichen und räumlichen Effektivität der Forschungssubjekte führt.
Das Aufkommen der virtuellen Anthropologie bietet einen neuen Ausweg für die Praxis der forensischen Anthropologie. Was die Datensatzerfassung betrifft, so ermöglicht es klinische digitale Bildgebungstechnologien wie die Computertomographie (CT) den Forschern im Gegensatz zu der in Walkers Studie verwendeten Datenerfassungsmethode, ausreichend Knochendatensätze zu erhalten. Im Vergleich zur Sammlung physischer Knochen sind virtuelle Knochendatensätze, die durch klinische Bildgebung aufgezeichnet werden, zweifellos einfacher zu erstellen. Darüber hinaus sind die mit dieser Methode gewonnenen Datensätze aufgrund der weit verbreiteten Verwendung der CT in der modernen Medizin repräsentativer für die heutige Bevölkerung.
Im Hinblick auf Analyse und Verarbeitung wurden Deep-Learning-basierte Technologien auch in der forensischen Anthropologie eingesetzt. Forscher nutzen Deep Learning, um große Datensätze zu verarbeiten und Modelle zur Bestimmung des Geschlechts von Knochen zu erstellen, die forensische Anthropologen bei biologischen Untersuchungen unterstützen. Beispielsweise GoogleNet, entwickelt von Bewes et al. kann 3D-Rekonstruktionen aus 2D-Seitenbildern von CT-Scans des Kopfes durchführen und auf dieser Grundlage eine Geschlechtsbestimmung des Skeletts vornehmen.Es wurde eine Unterscheidungsgenauigkeit von 96% für Männer und 94% für Frauen erreicht.
Es ist erwähnenswert, dass diese Methoden zwar große Fortschritte gemacht haben, es jedoch bei den bisherigen Deep-Learning-basierten Methoden zur Geschlechtsbestimmung von Knochen noch einige Herausforderungen gibt.Vollautomatisch und erklärbar.
Erstens stützten sich einige Studien auf kommerzielle Software, um umgebende Strukturen zu entfernen und den Schädel zu extrahieren, indem der Schwellenwert der Hounsfield-Einheit (HU) mit einem empirischen Wert festgelegt wurde, der durch Probleme wie Softwarezugänglichkeit, Rauschen, Artefakte, unerwünschte Knochenstrukturen und Variabilität der HU-Werte beeinflusst werden kann.
Zweitens werden Deep-Learning-basierte Netzwerke im Gegensatz zu menschlichen Beobachtern, die Schädelmerkmale identifizieren, oft als „Black Boxes“ bezeichnet, in denen die verborgenen Schichten normalerweise schwer zu strukturieren sind, was auch die Interpretierbarkeit Deep-Learning-basierter Netzwerke einschränkt.
Mehrere Designs schaffen KI-Frameworks, die den Menschen übertreffen
In dieser Studie entwickelten die Forscher ein vollautomatisches KI-Framework zur forensischen Geschlechtsbestimmung mithilfe von Schädel-CT-Scans und testeten das Modell anhand der von Walker vorgeschlagenen Funktionen.
Das KI-Framework besteht aus einer Vorverarbeitungsphase und einem Netzwerk zur Geschlechtsklassifizierung.Zunächst wird ein vortrainiertes Deep-Learning-Netzwerk zur Schädelsegmentierung verwendet. Anschließend werden verschiedene Klassifizierungsnetzwerkkonfigurationen unter Verwendung unterschiedlicher Eingabezusammensetzungen trainiert. Dabei wird Multi-Task-Learning eingesetzt, um Walker-Feature-Scores zu generieren und die Geschlechtsidentifikation durchzuführen, oder Single-Task-Learning zur Geschlechtsidentifikation. Die spezifischen Netzwerkeinstellungen sind in der folgenden Abbildung dargestellt:
* I ist das vorverarbeitete CT-Bild;
* (I, S) ist ein Zweikanal-Eingang, einschließlich vorverarbeitetem CT-Bild und Schädelmaske;
* I∩S zeigt einzelne Schädelregionen an;
* N1 und N2 verwenden die kombinierte Verlustfunktion und N3 verwendet die binäre Kreuzentropie-Verlustfunktion.
Drei Deep-Learning-Netzwerkvarianten N1, N2 und N3 basieren auf ResNet, das aus einem Eingabeblock und drei Restblöcken besteht, einschließlich 3D-Faltung (Conv3D), Batch-Normalisierung (Batch Norm) und Aktivierungsschichten für gleichgerichtete lineare Einheiten (ReLU). Der Eingabeblock besteht aus 32 Filtern und der Restblock hat 64, 128 bzw. 256 Filter. Die Kernelgröße von Conv3D beträgt 3 x 3 x 3. Wie in der folgenden Abbildung dargestellt:
Alle Netzwerke wurden in Torch 2.0 mit Python v3.9 implementiert und auf einer NVIDIA Tesla P100 GPU mit 16 GB RAM trainiert.
Der in dieser Studie verwendete Datensatz stammt vom Dr. Wahidin Sudirohusodo General Hospital (RSWS), Indonesien, und umfasst hauptsächlich Mehrschicht-CT-Scans (MSCT) einiger Patienten, die von Januar 2020 bis August 2022 im Krankenhaus radiologischen Untersuchungen unterzogen wurden.Insgesamt sind es 200 Fotos, davon 87 von Frauen und 113 von Männern.166 Bilder im Datensatz werden für das Training und 34 Bilder für Tests verwendet.
Bei genauerer Betrachtung der drei Netzwerkarchitekturen erreichte die Multitasking-Konfiguration von N2 (Schätzung des dimorphen Merkmalswerts des Schädels von Walker und des Geschlechts in verschiedenen Zweigen) den höchsten AUROC und die höchste Genauigkeit bei verschiedenen Eingaben und war das ausgewogenste Modell für die Geschlechtsidentifizierung. Wenn die Schädelregion als Eingabe verwendet wird,N2 erreichte die höchste Genauigkeit von 0,97 und den niedrigsten Log-Verlust von 0,30.
Die Multitasking-Konfiguration von N1 (nacheinander Walkers Schädeldimorphie-Merkmalsscores schätzen, dann Geschlecht schätzen) verwendet Schädelregionen als Eingabe.Die Genauigkeit beträgt 0,91.Allerdings ist der AUROC bei unterschiedlichen Eingaben niedriger als bei N2 und N3 und der logarithmische Verlust ist höher.
Der AUROC des Single-Task-Netzwerks N3 (direkte Schätzung des Geschlechts) ist unter verschiedenen Eingaben ähnlich dem von N2, aber wenn der Schädel als Eingabe verwendet wird,Seine Genauigkeit beträgt nur 0,85.Der niedrigste aller Netzwerke. Die spezifischen Ergebnisse sind in der folgenden Abbildung dargestellt:
Bemerkenswerterweise erzielten alle drei auf Deep Learning basierenden Netzwerkmodelle im Vergleich zur Leistung menschlicher Beobachter eine höhere Genauigkeit bei der Geschlechtsklassifizierung als menschliche Beobachter. Speziell,N2 erreichte die höchste Genauigkeit bei der Geschlechtsidentifizierung von 97%, während menschliche Beobachter nur 82% erreichten.
Um die Interpretierbarkeit des Entscheidungsprozesses des Netzwerks zu verbessern, verwendete das Forschungsteam Gradient-weighted class Activation Mapping (Gradient-CAM), um die vom Netzwerk identifizierten diskriminierenden Schädelregionen zu visualisieren. Grad-CAM ist eine Methode zur Erklärung der Entscheidungen von Convolutional Neural Networks. Die Kernidee besteht darin, den Gradienten der Ausgabekategorie mit der Ausgabe der Ebene zu multiplizieren und dann den Durchschnitt zu nehmen, um eine „grobe“ Heatmap zu erhalten.Diese Heatmap kann vergrößert und über das Originalbild gelegt werden, um die Bereiche anzuzeigen, auf die sich das Modell bei der Klassifizierung am meisten konzentriert.Sein Vorteil besteht darin, dass es für jedes Convolutional Neural Network ohne strukturelle Änderungen oder Umschulungen verwendet werden kann.
Die folgende Abbildung zeigt die Grad-CAM-Heatmap für jede Merkmalsvorhersage im Walker-Merkmalszweig der Netzwerke N1 und N2 bei Verwendung des Schädels als Eingabe, wobei a, b, c, d und e jeweils GLA, MAS, MEN, NUC und SUP sind. Die Heatmap hebt insbesondere GLA und NUC hervor.
Die folgende Abbildung zeigt die Grad-CAM-Heatmaps der drei Netzwerke bei Verwendung des Schädels als Eingabe. Es ist zu beobachten, dass neben der Aktivierung von GLA auch der Bereich um den Schädel herum aktiviert wird, insbesondere die Wärmekarte von N3 ist deutlicher zu erkennen. Da CT-Bilder auf eine einheitliche physikalische Größe vorverarbeitet werden,Dies könnte darauf hinweisen, dass das Modell die Morphologie des gesamten Schädels analysiert.Vielleicht liegt es an seiner Größe und Form, denn Größe und Form des Schädels sind wichtige Merkmale, die den menschlichen Geschlechtsdimorphismus widerspiegeln, wobei männliche Schädel im Allgemeinen größer und schwerer sind als weibliche Schädel.
Zusammenfassend zeigt dieses Experiment die Wirksamkeit eines vollständig automatisierten, auf Deep Learning basierenden KI-Frameworks bei der Verbesserung der Genauigkeit der Geschlechtsbestimmung von Skeletten und bestätigt seine deutlich breitere forensische Anwendbarkeit im Vergleich zu den bereits entwickelten zugrunde liegenden Methoden. Gleichzeitig verfügt das Framework über das Potenzial, menschliche Beobachter zu übertreffen und sein Potenzial auszuschöpfen, die forensische Anthropologie dabei zu unterstützen, intelligenter und automatisierter zu werden.
Darüber hinaus demonstrierte Grad-CAM auch die Interpretierbarkeit von Deep-Learning-basierten Netzwerkmodellen bei der Geschlechtsbestimmung anhand von Schädeln. Diese Integrationen haben zu standardisierteren und objektiveren Beurteilungen für die forensische Anthropologie geführt und die Auswirkungen kognitiver Voreingenommenheit und Variabilität verringert.
KI schlägt ein neues Kapitel in der forensischen Anthropologie auf
Tatsächlich gibt es viele Studien zum Einsatz von KI zur Förderung der Geschlechtsidentifikation in der forensischen Anthropologie. Zufälligerweise enthüllen verwandte, in Scientific Reports enthaltene Artikel viele bahnbrechende Methoden.
Beispielsweise wurden in einer Studie mit dem Titel „Bestimmung des Geschlechts anhand von Schädelsilhouettenbildern aus postmortaler Computertomographie mittels Deep Learning CT-Scans verwendet, um zweidimensionale Silhouettenbilder für Deep Learning zu erhalten. Anschließend wurde die Konturform des Schädels verbessert, und anschließend wurden die Silhouettenbilder aus verschiedenen Winkeln betrachtet und mittels Mehrheitswahl das Geschlecht bestimmt.
Papieradresse:
https://www.nature.com/articles/s41598-024-74703-y
Mithilfe einer auf Deep Learning basierenden Methode zur kraniofazialen Rekonstruktion, die gemeinsam von der School of Computer Science und der West China School of Basic Medical and Forensic Medicine der Sichuan University entwickelt wurde, konnten kraniofaziale Bilder erfolgreich automatisch aus CT-Scan-Schädeldaten wiederhergestellt werden. Es wurde erwähnt, dass das Forschungsteam die technischen Schwierigkeiten der kraniofazialen Restauration überwunden und das erste System zur kraniofazialen Rekonstruktion des Gesichts entwickelt habe. Das System generiert auf Grundlage von Schädeldaten eine Reihe wiederhergestellter Gesichter unterschiedlichen Alters und Geschlechts, jedoch mit konsistenter Identität. Dadurch wird der Einfluss des Alters und sogar von Deformationsänderungen auf die Identitätserkennung eliminiert und die Erkennungsgenauigkeit verbessert.
Das Papier mit dem Titel „CR-GAN: Automatische kraniofaziale Rekonstruktion zur Personenidentifizierung“ wurde in Pattern Recognition veröffentlicht, einer Top-Zeitschrift auf dem Gebiet der Mustererkennung.
Papieradresse:
https://www.sciencedirect.com/science/article/abs/pii/S0031320321005768
Natürlich ist die Geschlechtsbestimmung anhand der Knochen nicht nur auf den Schädel beschränkt. Wie bereits erwähnt, verbirgt der Knochenbau viele differenzierte Informationen über männliche und weibliche Merkmale. Aufgrund der unterschiedlichen physiologischen Funktionen des männlichen und weiblichen Beckens weist das Becken beispielsweise sehr deutliche Differenzierungsmerkmale bei der Geschlechtsidentifikation auf. Basierend auf diesen Merkmalen werden gleichzeitig auch entsprechende, auf Deep Learning basierende Methoden zur Geschlechtsidentifizierung untersucht.
Zusammenfassend lässt sich sagen, dass die Popularität der KI eine objektive und nachhaltige Lösung für das Problem der Geschlechtsidentifikation in der forensischen Anthropologie bietet. Darüber hinaus ermöglicht es diesem mysteriösen Nischenbereich, sich von den alten Identifikationsmethoden zu lösen und sich wie andere Bereiche auch schrittweise der Intelligenz und Automatisierung zuzuwenden.
Quellen:
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
Abschließend möchte ich jedem eine akademische Live-Übertragung empfehlen! Am 7. März um 12:00 Uhr fand die neueste Live-Übertragung von Meet AI4S unter dem Motto „Ihre Macht im KI-Zeitalter: Transformation unter Hardcore-Technologie“ statt und ludHuang Hong, außerordentlicher Professor an der Huazhong University of Science and Technology, Zhou Dongzhan, Nachwuchsforscher am AI for Science Center des Shanghai Artificial Intelligence Laboratory, und Zhou Bingxin, Assistenzforscher am Institute of Natural Sciences der Shanghai Jiao Tong University,Stellen Sie persönliche Erfolge vor und teilen Sie Erfahrungen aus der wissenschaftlichen Forschung.