编辑推荐：
本文系统回顾了利用机器学习模型估计死亡时间（PMI）的研究。传统 PMI 估计方法易出错，新的分子和微生物技术结合机器学习可提升准确性。研究筛选多篇文献，对比不同模型性能，发现随机森林（RF）模型结合 16S rRNA 和土壤样本效果较好，但仍需标准化和验证。
背景
在法医案件中，准确估计死亡时间（Post-Mortem Interval，PMI）对构建案件时间线至关重要。然而，传统的 PMI 估计方法存在明显缺陷，一方面依赖证人证词，而证词可能存在不准确、遗漏或故意隐瞒等问题；另一方面，所依据的生物标记物对环境因素极为敏感，环境的温度、湿度、酸碱度等变化，都可能干扰生物标记物的正常变化规律，进而导致估计误差较大。
近年来，新的分子和微生物技术崭露头角，为 PMI 估计带来了新的曙光。比如，DNA 降解模式能从遗传物质层面反映尸体的变化过程，细菌群落分析则聚焦于尸体周围微生物群落的动态演变，这些技术在准确性和可靠性上相较于传统方法有显著提升。而机器学习技术的加入更是如虎添翼，它可以深度挖掘复杂的微生物数据背后隐藏的规律，进一步优化 PMI 的估计。但目前不同器官、不同环境下基于微生物组的 PMI 预测，以及不同机器学习技术之间的比较尚不明确，本综述旨在填补这一空白。
方法
研究团队进行了全面且系统的文献检索，检索范围涵盖了 PubMed、Scopus、Web of Science、IEEE 和 Cochrane Library 等多个权威数据库，时间跨度截至 2024 年 9 月。为确保数据提取的准确性和客观性，由两名独立的评审人员对符合条件的研究进行数据提取，提取的数据丰富多样，包括研究对象的数量和物种、所使用的组织样本类型、研究涉及的 PMI 范围、运用的机器学习算法，以及最重要的模型性能表现等关键信息。
结果
经过严格的筛选流程，从五个数据库中初步收集到 1252 条记录，剔除 750 条重复记录后，对剩余的记录进行标题和摘要筛选，筛选出 43 条记录进行资格评估，最终确定 28 篇文章纳入研究。
研究人员依据误差指标和解释方差对用于 PMI 估计的机器学习模型进行了综合评估和排名，评选出表现最为优异的前五名模型。其中，Wang（2024）运用随机森林（Random Forests，RF）模型取得了令人瞩目的成果，平均绝对误差（Mean Absolute Error，MAE）仅为 6.93 小时；Liu（2020）采用神经网络模型，MAE 为 14.483 小时；Cui（2022）以土壤样本为研究对象，利用模型预测长达 36 天的 PMI，MAE 为 1.27 天；Yang（2023）同样借助土壤样本和 RF 模型，在夏季和冬季分别实现了 1.567 天和 2.001 天的 MAE；Belk（2018）基于春季土壤样本和 16S rRNA 数据构建 RF 模型，在 142 天的 PMI 范围内，达到了 48 累积日度（Accumulated Day Degrees，ADD）（约 3 - 5 天）的 MAE。
结论
机器学习模型，尤其是随机森林（RF）模型，在结合 16S rRNA 数据和土壤样本时，展现出了强大的 PMI 估计能力，为法医实践提供了更为精准的技术支持。不过，当前模型仍存在一定的提升空间，要想进一步优化模型性能，需要在不同的法医环境下进行广泛的标准化参数设定和验证工作。只有这样，才能确保模型在各种复杂多变的实际场景中都能稳定、准确地发挥作用，推动基于微生物数据的 PMI 估计技术从实验室走向更广泛的法医应用领域。
