基于深度多视角学习的耻骨联合三维模型年龄推断方法及其法医人类学应用

推荐：本研究针对法医人类学中耻骨联合年龄估计的主观性问题，创新性地提出深度多视角学习框架，通过三维模型转化为2D全景视图（PANORAMA），结合ResNet-CNN架构实现自动特征提取，将年龄估计误差降至6.74岁（MAE），并首创3D显著性图解释模型决策依据，为法医鉴定提供客观、可解释的技术支持。

　　

在法医人类学领域，通过骨骼遗骸推断个体死亡年龄（age-at-death estimation）是确定身份的关键环节。传统方法依赖法医专家对耻骨联合（pubic symphysis）形态特征的主观评估，存在观察者间差异大、难以量化等局限。尽管Suchey-Brooks和Todd等方法建立了年龄阶段划分标准，但误差范围常超过10岁。更棘手的是，肉眼无法识别的微观结构特征可能蕴含重要年龄信息。这些痛点促使西班牙格拉纳达大学团队探索人工智能解决方案。

研究人员在《Neurocomputing》发表的研究中，首次将深度多视角学习（deep multi-view learning）引入该领域。他们采集509例15-82岁男性的耻骨联合三维模型，通过PANORAMA技术生成空间分布图（SDM）、法线偏差图（NDM）和梯度法线图（GNDM）三种全景视图，构建包含ResNet50骨干网络的多视角CNN架构。关键技术包括：三维数据增强（旋转生成60倍样本）、标签分布平滑（LDS）处理数据不平衡、以及创新的逆向投影算法将2D显著性图映射回3D模型。

多视角架构优化

比较Panorama-CNN与ResNet-CNN的性能显示，后者MAE降低至6.74岁，优于现有最佳方法（Kotěrová等，MAE=9.7）。特别在20-30岁青年组，误差较传统方法降低50%。

可解释性发现

3D显著性图揭示模型主要关注耻骨联合上下边缘：年轻个体的腹侧斜面（ventral bevel）和老年个体的上缘退行性变区域，与法医解剖学认知高度吻合。首次发现背侧面（dorsal face）也可能蕴含年龄信息，为后续研究提供新方向。

技术突破

通过消融实验证实，X轴视图（frontal projection）携带最 discriminative 特征，而Y/Z轴视图主要起误差补偿作用。这种多视角协同机制使模型在31-49岁区间预测最准（误差<5岁），解决了传统方法对中年群体估计不准的难题。

这项研究的意义在于：一是首次实现全自动耻骨联合年龄估计，将法医人类学带入可解释AI时代；二是提出的三维显著性映射技术可推广至其他骨骼特征分析；三是6.74岁的MAE为法医实践设定了新基准。正如作者óscar Cordón强调，该方法在重大灾难遇难者识别、历史遗骸鉴定等场景具有重要应用价值。未来研究可探索多模态数据融合，进一步提升高龄个体的估计精度。