基于深度学习的手部X光片性别鉴定：ResNet-50模型的突破性应用与法医学意义

本研究针对法医鉴定中传统骨骼标志物缺失的难题，创新性地采用卷积神经网络(CNN)分析470例左手X光片，通过对比ResNet-18/50、InceptionV3和EfficientNet-B0四种模型，发现ResNet-50以93.2%准确率实现最优性别分类。该AI驱动的方法为大规模灾难事件中碎片化遗骸的快速鉴定提供了自动化解决方案，相关成果发表于《BMC Medical Imaging》。

　　

在法医人类学领域，性别鉴定是构建生物特征档案的核心环节。传统方法依赖骨盆、颅骨等具有显著性别二态性(sexual dimorphism)的骨骼特征，但在大规模灾难事件中，这些关键部位常因破坏或分解而缺失。2023年土耳其地震导致5万余人遇难的事件，更凸显了开发替代性鉴定技术的紧迫性。手部骨骼虽非传统首选，但其放射影像易获取且保留率高的特点，使其成为潜在解决方案。

Bandirma Onyedieylul大学等机构的研究团队在《BMC Medical Imaging》发表研究，首次系统评估了四种CNN模型对470例18-65岁成人左手X光片的性别分类效能。通过标准化预处理（224×224像素调整）和数据增强（随机旋转30°、水平翻转、亮度调节），团队发现ResNet-50以93.2%准确率（F1-score 92.5%）显著优于其他模型，证实手部骨骼蕴含足够的性二态特征。该成果为资源受限的灾难现场提供了高效自动化工具，其单中心数据集特性也提示未来需扩大族群多样性验证。

关键技术方法：
研究采用单中心回顾性设计，使用SG Healthcare数字X光机采集470例（男240/女230）无骨折手术史的左手DICOM影像。经Horos软件预处理后，通过旋转、翻转和亮度调整实现3倍数据增强至1,410张图像。采用70-15-15比例划分训练/验证/测试集，对比评估ResNet-18/50（残差网络）、InceptionV3（多尺度特征提取）和EfficientNet-B0（轻量化架构）四种CNN的性能指标，包括准确率、精确度、召回率和F1值。

研究结果：

模型性能比较
ResNet-50在混淆矩阵中显示最低错误率（FP/FN各7例），其93.3%召回率表明对女性样本识别尤为精准。InceptionV3虽耗时最长（40分钟），但91.1%准确率证明多尺度学习的优势；而参数最少的EfficientNet-B0（530万）以20分钟训练时间达成90%准确率，适合快速部署场景。

错误分析
主要误判集中于骨轮廓模糊或重叠解剖结构的影像，如骨密度较高的女性样本易被误判为男性，提示图像质量对模型性能的关键影响。

讨论与结论：
该研究突破性地证实，即使在小样本（n=470）条件下，CNN仍能提取手部放射影像中的微观性二态特征。ResNet-50通过残差连接(residual connections)实现的深层特征学习能力，使其在精度与效率平衡上超越同类模型。相较于传统需要数万样本的融合模型（如DenseNet-InceptionV3），该方法更适配实际法医场景的数据限制。

研究局限性包括单一族群数据、未整合右手机像（已知右