基于深度学习的尸检图像自动损伤分类：U-Net与EfficientNetB3模型在法医损伤鉴定中的应用与优化

法医实践中存在病理学家短缺、人工评估误差大等问题。研究人员采用U-Net、FPN、LinkNet等深度学习架构，结合EfficientNetB3和ResNet50骨干网络，开发了针对尸检图像中擦伤和挫伤的自动分类系统，最高灵敏度达92.7%，特异性98.9%，为法医损伤鉴定提供了高效客观的新方法。

　　

在法医学领域，全球死亡率逐年上升，但专业病理学家数量严重不足。传统尸检依赖人工视觉评估，存在误判率高、测量不精确等问题——例如将老年性紫癜误认为挫伤，或遗漏微小损伤。这种现状催生了人工智能技术在法医损伤鉴定中的应用需求，但现有研究多聚焦烧伤、枪伤等单一损伤类型，对尸检中常见的挫伤（bruises）和擦伤（abrasions）缺乏系统研究。

为突破这一瓶颈，华沙理工大学团队在《Journal of Forensic and Legal Medicine》发表研究，构建了包含3,524张尸检图像的TIP数据库（Tissue Injuries Postmortem），涵盖943例18-59岁高加索人群案例。研究团队创新性地将语义分割技术应用于法医图像分析，对比测试了U-Net、FPN（Feature Pyramid Network）和LinkNet三种架构，分别搭载EfficientNetB3和ResNet50骨干网络。通过定制化损失函数（结合Dice损失和Focal损失）及数据增强策略，解决了损伤区域占比小导致的类别不平衡问题。

关键技术包括：1）多角度图像采集与标准化预处理；2）专业病理学家参与的18,762处损伤标注；3）基于Adam优化器的网络训练（初始学习率0.0001，批量大小2）；4）后处理中采用Suzuki算法提取损伤几何特征。实验采用80%-10%-10%的数据划分，确保模型泛化能力。

3.1 分割性能

最优模型U-Net+EfficientNetB3在混合损伤场景下达到92.2%的Dice系数和85.5%的Jaccard指数。单独评估时，擦伤检测性能（94.5% F1-score）优于挫伤（93.7%），反映擦伤边界更清晰的特征。值得注意的是，FPN+EfficientNetB3在混合损伤中表现出92.7%的最高灵敏度，这对避免漏诊至关重要。

3.2 时间效能

相比法医平均15分钟/例的手动评估，AI系统仅需0.22秒完成预测，加0.78秒后处理，效率提升超4000倍。与同类研究对比，该模型在3,524张图像规模下实现99.9%准确率，显著优于Zimmermann等报道的67.53%（1,753张图像）。

讨论与结论

该研究首次系统验证了CNN在尸检损伤分类中的优越性，其核心突破在于：1）采用复合损失函数解决像素级不平衡；2）通过EfficientNetB3的复合缩放策略优化计算效率；3）开发可同时处理重叠损伤的分割流程。局限性在于数据集暂未涵盖不同种族或腐败尸体，未来将扩展至包含15万图像的跨种群数据库。

这项技术不仅适用于尸检，还可延伸至活体暴力伤害鉴定，为临床法医提供客观量化工具。华沙理工大学团队公开TIP数据库的举措，将加速AI在法医学领域的标准化进程，最终实现"数字法医"的技术革新。作者Kamila Barbara Kalinowska强调，该系统的误判率已低于人工评估，未来通过纳入更多损伤类型（如撕裂伤、烧伤），有望成为法医工作流的标配组件。