基于机器学习的三维颅骨及分区形态特征性别鉴定新方法

本研究针对法医人类学中骨骼遗骸性别鉴定的关键需求，开发了一种基于机器学习（ML）的颅骨三维形态性别鉴定新方法。通过虚拟弹性薄膜包裹技术构建颅骨同源模型，结合偏最小二乘回归（PLS）降维与支持向量机（SVM）分类，在9个颅骨分区中实现最高91.7%的准确率，显著优于传统主成分分析（PCA）方法。该技术为法医实践提供了客观、高效的自动化鉴定工具。

　　

在法医人类学领域，骨骼遗骸的性别鉴定是身份识别的首要步骤。尽管骨盆一直是性别鉴定的黄金标准，但颅骨因其显著的性二态特征（sexual dimorphism）和较高的保存率，成为重要的补充鉴定依据。传统方法依赖专家肉眼观察或手动测量特定解剖标志点，不仅主观性强，且效率低下。随着计算机断层扫描（CT）和三维建模技术的发展，几何形态测量学（geometric morphometrics）为颅骨分析提供了新思路，但如何从复杂的三维数据中提取有效特征仍是挑战。

为突破这一瓶颈，某研究机构团队在《Forensic Science International》发表研究，创新性地将机器学习（ML）与三维形态分析相结合。研究人员收集240例日本人群死后CT（PMCT）数据，通过虚拟弹性薄膜包裹技术简化颅骨表面形态，构建全颅、颅盖、下颌骨等区域的同源模型（homologous models）。采用偏最小二乘回归（PLS）和主成分分析（PCA）降维后，将特征输入支持向量机（SVM）分类器。结果显示，PLS-SVM组合在眉弓区准确率达91.7%，全颅模型达90.8%，显著优于PCA-SVM（均未达90%）。虚拟生成的极端男性化/女性化模型与真实性别差异高度吻合，验证了方法的生物学合理性。

关键技术包括：1）基于PMCT（120 kVp/80 mA，1.0 mm层厚）的三维重建；2）虚拟弹性薄膜包裹技术保留解剖凹凸特征；3）PLS/PCA降维处理高维形态数据；4）SVM分类器优化。

Head CT scans
240例日本人群PMCT数据经标准化扫描后，通过DICOM格式导出，确保数据一致性。

Contributions of PCs to sexual dimorphism
PLS的首两个主成分（PCs）即可解释80%以上形态变异（枕区除外），且PC1与性别相关性最高（|r|=0.81-0.91），显著优于PCA的分散解释模式。

Discussion
研究首次证实PLS在颅骨性别鉴定中的优越性：其监督学习特性有效聚焦性别相关形态变异，而PCA的无监督特性导致信息稀释。眉弓、下颌角等经典性二态区域的验证结果与传统解剖学认知一致，但方法学突破在于实现全自动量化评估。

Conclusion
该研究建立了首个基于ML的颅骨三维形态性别鉴定体系，其高准确率（>90%）和可解释性（虚拟模型符合解剖学认知）为法医实践提供了可靠工具。未来可通过扩大样本量和跨族群验证进一步提升普适性。研究同时修正了既往对PLS处理的误解，为法医形态计量学树立了新范式。