基于机器学习和人工神经网络的额窦CT影像性别鉴定研究及其法医学意义

本研究针对法医人类学中个体识别难题，来自土耳其的研究团队通过机器学习(ML)与人工神经网络(ANN)技术，对676例额窦(FS)CT影像的形态计量学参数进行深度分析。结果表明：逻辑回归模型性别分类准确率达94%，前壁厚度(AWT)为最关键判别特征，为法医鉴定提供创新性量化依据。

　　

基于额窦(FS)计算机断层扫描(CT)影像的性别鉴定研究，采用机器学习(ML)与人工神经网络(ANN)技术取得突破性进展。研究团队通过分析676例(男女各338例)18-65岁人群的CT数据，测量了窦底前后径长度、体积、面积、高度、深度、宽度及前壁厚度(AWT)等关键形态学参数。应用线性判别分析(LDA)、二次判别分析(QDA)、逻辑回归(LR)、极端随机树(Extra Trees)、决策树、随机森林、k-最近邻(k-NN)和高斯朴素贝叶斯等多种ML算法，结合多层感知器(MLP)神经网络模型进行性别分类。逻辑回归模型以94%的准确率表现最优，SHapley加性解释(SHAP)分析确认左右侧AWT为最具判别力的特征参数。这项样本量突出的研究证实：所有额窦形态计量参数（特别是AWT）在法医鉴定中具有重要价值，ML与ANN模型展现出的高分类精度超越了既往研究，为跨地域人群的法医人类学研究提供了新范式。