基于深度学习与机器学习的鼻旁窦分析技术：法医人类学应用进展与挑战

本研究系统综述了深度学习(DL)和机器学习(ML)技术在鼻旁窦(Paranasal Sinuses)法医分析中的应用进展，重点探讨了额窦(Frontal Sinus)、上颌窦(Maxillary Sinus)等结构的自动分割算法、年龄/性别预测模型及个体识别方法。研究通过分析15篇核心文献，总结出3D U-Net、DeepMedic等模型在分割任务中DSC可达0.921，ResNet-152在性别分类中准确率达98%，ICP算法在个体识别中Rank-1准确率96.24%，为法医鉴定提供了高效自动化解决方案。

　　

在法医实践中，当指纹、牙科记录或DNA分析等传统方法失效时，如何准确识别个体身份成为重大挑战。鼻旁窦——这些隐藏在颅骨深处的气腔结构，因其独特的解剖特征和抗变形性，逐渐成为法医人类学的研究热点。然而，传统的手动测量方法效率低下，且高度依赖专家经验，难以满足大规模鉴定的需求。

研究人员通过系统分析近年15项关键研究，构建了首个全面评估深度学习(DL)和机器学习(ML)技术在鼻旁窦分析中应用的框架。研究发现，锥形束CT(CBCT)和计算机断层扫描(CT)等成像技术为鼻旁窦的数字化分析提供了高分辨率三维数据。在分割任务中，3D U-Net模型对异常鼻旁窦的mIoU达到71.6%，而改进的DeepMedic架构处理蝶窦(Sphenoid Sinus)时Dice系数(DSC)高达0.921。值得注意的是，ResNet-152模型通过分析鼻旁窦X光片实现性别分类98%的准确率，而基于遗传算法优化的深度神经网络(GA-DNN)将年龄预测的R²值提升至0.92。

关键技术方面，研究主要采用三类方法：(1)基于U-Net变体的自动分割算法，如结合残差连接的3D U-Net；(2)多模态特征提取技术，包括Beam Angle Statistics(BAS)形状描述符和3D堆叠卷积自编码器(3D-SCAE)；(3)混合识别框架，如迭代最近点(Iterative Closest Point, ICP)算法与几何自注意力网络(GSA-Net)的结合。数据来源于全球多个医疗中心的732例患者1475次CT扫描。

研究结果可分为三大方向：

1. 鼻旁窦分割
   Whangbo等开发的3D U-Net通过5折交叉验证，在201例CT数据上实现F1-score 0.843。Choi等则证明U-Net对上颌窦分割仅需46.2秒，较人工效率提升63倍。

2. 人口统计学分析
   Hamidi等利用GA-DNN模型分析240例CBCT扫描，发现额窦体积(FSV)与上颌窦宽度(MSW)是性别分类的关键特征，准确率达86%。Kim等证实，在4160例X光数据中，筛窦(Ethmoid Sinus)形态对女性识别贡献显著。

3. 个体识别
   Dong等采用ICP算法处理732例患者数据，通过三维蝶窦模型匹配实现96.24%的Rank-1准确率。Li等提出的GSA-Net更在旋转测试中保持91.86%的识别率，较传统人工方法效率提升1100倍。

研究讨论部分指出，当前技术存在三大局限：一是数据集多为私有且样本量小(最小仅24例CT)，二是筛窦等复杂结构利用率不足，三是临床与法医应用需求存在差异——前者更关注速度，后者要求可解释性。未来研究应重点开发多任务学习框架，整合Vision Transformer(ViT)等新型架构，并通过Grad-CAM等可解释AI技术增强模型透明度。

这项发表于《Intelligent Systems with Applications》的综述标志着法医人类学进入智能化时代。通过将深度学习与医学影像深度结合，研究者不仅建立了鼻旁窦分析的标准化技术路线，更为解决"无身份遗体"这一全球性法医难题提供了创新方案。随着3D成像成本的降低和算法效率的提升，这类技术有望成为法医实验室的常规鉴定手段。