编辑推荐：
在法医学中，利用尸检 CT 图像确定死因意义重大，但目前缺乏用 CT 图像诊断溺水的标准化方法。研究人员开展基于深度学习辅助诊断溺水的研究，用 VGG16 等模型分析肺部 CT 图像，结果显示该框架有潜力作为筛查工具，为溺水诊断提供了新途径。
在日常生活中，溺水事件时有发生，准确判断溺水死亡原因成为法医学领域的关键任务。传统的解剖方法不仅对尸体造成损伤，而且在时间和成本上都存在一定的局限性。随着医学影像技术的发展，尸检计算机断层扫描（CT）逐渐成为一种重要的辅助手段。然而，由于肺部在尸检 CT 图像中的表现复杂多样，目前尚未建立起标准化的利用 CT 图像诊断溺水的方法。这一现状促使研究人员积极探索新的解决方案，以提高溺水诊断的准确性和效率。
在此背景下，来自日本东北大学（Tohoku University）的研究人员开展了一项关于深度学习辅助溺水诊断的研究。他们旨在开发一种基于深度学习的框架，利用尸检肺部 CT 图像更准确地诊断溺水。这项研究成果发表在《Forensic Imaging》杂志上，为法医学领域的溺水诊断带来了新的突破。
为了实现这一目标，研究人员采用了多种关键技术方法。首先，他们收集了来自东北大学解剖成像中心的肺部尸检 CT 图像数据作为训练数据集，包括 140 例溺水案例（3780 张图像）和 140 例非溺水案例（3703 张图像），同时从新墨西哥死者图像数据库（NMDID）获取数据作为测试数据集。然后，选择了 AlexNet、VGG16 和 MobileNet 这三种预训练的卷积神经网络（CNN）架构，运用迁移学习和微调技术对模型进行训练。在训练过程中，采用分层 k 折交叉验证评估模型性能，并使用 ADAM 优化器和二元交叉熵损失函数，同时对图像进行预处理和数据增强。最后，通过计算受试者工作特征曲线下面积（AUC-ROC）、准确率、灵敏度和特异性等指标来评估和比较模型。
研究结果主要包括以下几个方面：
- 切片级分类性能比较：在对三种 CNN 架构的训练和评估中发现，VGG16 在多项指标上表现突出。其平均 AUC-ROC 值达到 88.42%，准确率为 80.56%，在原始数据集上的表现优于 AlexNet 和 MobileNet。在通用 izability 验证中，VGG16 在公共数据集（NMDID）上的 AUC-ROC 值为 71.79%，准确率为 67.10% ，同样展现出较好的通用性。
- 基于案例的诊断：研究人员利用 VGG16 模型进行案例诊断，通过对同一受试者多个肺部 CT 切片的预测概率进行平均，并采用 0.5 和 Youden 指数（计算得出为 0.75）作为阈值。结果显示，在原始测试数据集（28 例）上，准确率分别达到 93%（阈值 0.5）和 96%（阈值 0.75）；在公共测试数据集（56 例）上，准确率分别为 62%（阈值 0.5）和 79%（阈值 0.75）。
研究结论表明，基于深度学习的诊断框架在溺水检测方面表现出较高的准确性，在机构内部数据集上准确率可达 96%，在外部公共数据集上为 79%。这意味着该框架有潜力成为确定死因的有力辅助工具，特别是在区分溺水与其他死因的场景中。在讨论部分，研究人员指出虽然不同 CNN 架构的性能差异不显著，但 VGG16 相对更优，且随着训练数据集增大，模型通用性有望进一步提升。同时，研究也发现模型误判的原因，如部分图像肺部信息少、图像质量不佳等。为了进一步提升性能，未来研究可开展多中心试验、使用更大更先进的数据集，结合多模态医学成像数据和临床病理参数，以及探索肺部区域分割方法等。
这项研究的重要意义在于，为法医学溺水诊断提供了一种创新的、非侵入性的方法，有助于提高诊断效率和准确性，减少对传统解剖方法的依赖。其成果不仅为法医学实践提供了实用的工具，也为后续相关研究奠定了基础，推动了深度学习在法医学领域的应用和发展。
