编辑推荐：
【编辑推荐】为解决法医调查中死亡时间间隔（PMI）精准判定难题，研究人员利用 3D 卷积神经网络（3D-CNN）分析 544 例非分割 PMCT 数据。结果显示，128×128 像素 ×128 层配置表现最佳，中等 PMI（9-24h）分类最稳定。该研究为 PMI 自动化评估提供新方向，助力法医学影像分析革新。
死亡时间间隔（Postmortem Interval, PMI）的精准判定是法医病理学的核心挑战之一。传统方法如尸体温度测量（Algor Mortis）、尸斑评估（Livor Mortis）和尸僵判断（Rigor Mortis）易受环境温度、湿度及个体体质等外部因素干扰，导致结果差异显著且准确性受限。随着医学影像技术的发展，死后计算机断层扫描（Postmortem Computed Tomography, PMCT）作为一种非侵入性手段，可可视化尸体内部动态变化（如气体积聚、液体移位和器官体积改变），为 PMI 推断提供了新视角。然而，手动分析海量 PMCT 图像耗时且依赖放射学专业知识，亟需自动化解决方案。在此背景下，德国汉堡 - 埃彭多夫大学医学中心（Universit?tsklinikum Hamburg-Eppendorf）的研究团队开展了基于三维卷积神经网络（3D Convolutional Neural Network, 3D-CNN）的 PMI 预测研究，相关成果发表于《Rechtsmedizin》。
该研究使用的核心技术方法包括：①数据采集：前瞻性收集 123 例尸体的 544 次 PMCT 扫描，初始扫描 PMI 均 < 6 小时，按 0-6 小时、9-24 小时、36-96 小时划分为三个 PMI 类别；②数据预处理：将 DICOM 文件转换为 NIfTI 格式，限定 Hounsfield 单位（HU，CT 图像中组织密度的标准化度量单位）范围为 - 1000 至 + 300 以聚焦软组织和液体结构，调整图像分辨率（64×64、128×128、256×256 像素）和层深度（16、64、128 层）；③模型构建：采用改进的 3D-ResNet-18 架构，通过迁移学习替换分类头，实现三分类任务；④数据增强：运用动态切片偏移和添加高斯噪声扩大训练集；⑤模型评估：将数据集按 8:1:1 划分为训练集、验证集和测试集，使用分类准确率和非平衡准确率等指标评估性能。
研究结果
模型性能与参数优化
实验表明，图像分辨率和层深度显著影响模型表现。64×64 像素的低分辨率配置导致预测结果接近随机，而 256×256 像素的高分辨率未带来显著提升，可能因细节噪声引发过拟合。128×128 像素 ×128 层的组合表现最佳，分类准确率达 0.39，非平衡准确率约 0.4，虽略高于随机水平（三分类随机准确率为 0.333），但表明模型具备一定区分能力。
PMI 类别分类稳定性
中等 PMI（9-24 小时）分类最可靠，可能与该区间扫描数量最多（246 例）有关；早期 PMI（0-6 小时）因尸体变化细微最难识别；晚期 PMI（36-96 小时）表现介于两者之间。种子初始化实验显示，模型性能受随机权重影响较大，反映出数据集规模小且不均衡导致的预测不稳定性。
结论与讨论
该研究证实，3D-CNN 可通过分析非分割 PMCT 数据实现 PMI 分类，为法医学 PMI 推断提供了深度学习解决方案。然而，模型性能受限于数据集异质性（存储条件差异、扫描参数不一致）和全身体层扫描中的无关信息干扰。研究指出，未来需通过标准化数据采集协议、聚焦特定解剖区域（如头部或胸部）减少冗余信息，并整合死因、合并症等法医元数据以提升模型准确性。尽管面临数据获取的伦理、技术挑战，该研究为 AI 驱动的法医影像分析奠定了基础，有望推动法医学从传统经验评估向数字化、自动化转型。
这项工作不仅拓展了深度学习在法医病理学中的应用场景，也提示跨学科合作（法医学与人工智能研究）对解决复杂法医问题的重要性。随着数据集的扩大和算法优化，3D-CNN 或可成为法医调查中 PMI 快速评估的关键工具，助力刑事案件侦破和死亡过程重建。
