通过原型人工智能（AI）模型与Polilight技术的协同整合，提升精液染色检测效果

《Forensic Chemistry》：Enhanced Semen Stain Detection through the Synergistic Integration of a Prototype Artificial Intelligence (AI) Model and Polilight Technique

AI辅助法医检验提升精液检测精度研究，采用YOLOv8架构开发两套模型，通过数据增强训练有效区分精液、尿液及牛奶荧光，直接光照下准确率达75%，优于人类专家（64.5%），但复杂光照下仍面临尿与乳清区分挑战。

　　

Sunisa Aobaom|Tunradee Kongnapakdee|Tayawee Romgaew

泰国塔玛萨特大学Rangsit校区联合健康科学学院医学技术系法医学科

摘要

泰国性犯罪案件数量的不断增加给法医学资源带来了巨大压力，需要更高效的证据分析方法。使用Polilight对精液痕迹进行初步筛查是标准做法，但区分精液荧光与其他视觉上相似的生物液体仍然是一个挑战，这通常导致耗时且劳动密集型的确认测试。本研究开发并评估了一个人工智能（AI）系统，以提高精液痕迹检测的准确性。基于YOLOv8兼容架构，开发了两个Roboflow 3.0对象检测（Accurate）模型。这些模型在包含精液（n=719）、尿液（n=301）和牛奶（n=577）痕迹的1,597张图像数据集上进行了训练，训练条件分为“直射光下”和“直射光半径外”两种。其中一个模型使用了数据增强技术进行训练，另一个则没有。两个模型的性能都经过了验证，并与五位经验丰富的法医专家进行了比较。使用数据增强的模型表现显著优于专家：在直射光下，其总体准确率为75.00%，超过了专家的64.50%。在光照条件较差的情况下（直射光半径外），专家们采取了极为保守的策略，虽然特异性非常高（94.00%），但敏感性非常低（45.00%）。相比之下，AI模型保持了更平衡和稳定的性能。定性分析证实了AI在识别精液方面的可靠性，但也指出了其在区分精液与尿液和牛奶方面的局限性，这也是人类专家面临的难题。经过数据增强处理的AI模型是一种强大、一致且有效的精液痕迹初步筛查工具，在理想条件下能够超越人类专家的准确性。研究结果支持了一种人机协同的工作流程，即AI作为标准化的初步筛查工具来提高效率并减少工作量，随后由专家进行验证。这种方法有潜力加速调查过程并增强法医结论的可靠性。

引言

在泰国，强奸和性犯罪的发生率对司法系统构成了持续的严峻挑战。根据泰国皇家警察局的统计数据，该国面临的案件数量显著增加，从2020年的1,764起上升到2023年的1,885起[1]、[2]、[3]、[4]。这一上升趋势表明，法医学机构和从业者面临着不断增长的工作负担，尤其是性犯罪案件，这些案件需要仔细且耗时的生物证据检查。传统的痕迹检测方法，如显微镜检查和化学测试，需要高度熟练的人员，并涉及多个程序步骤，每个样本可能需要数小时时间。随着案件数量的增加，工作负担也随之加重，从而增加了延误的风险，并可能影响法医分析的质量。

性犯罪案件的调查从犯罪现场的物证识别开始。一种快速的精液痕迹初步检测方法是使用波长为450纳米的Polilight设备。Polilight是一种多波长光源，能够检测潜在的指纹和体液。先前的研究已经证明了其在法医证据检测中的有效性，提供了一种基于生物材料固有光学特性（如精液、唾液和尿液在特定波长下发出的荧光）的简单、非破坏性的检测方法[5]。

与此同时，人工智能（AI）作为一种快速发展的技术，具备高速、高精度的数据处理能力。通过机器学习（ML）为AI系统提供数据，可以训练其预测所需结果，其能力可与人类媲美甚至超越人类。先前的研究表明，AI可以通过快速分析大量数据集并高精度模拟法医可能性来辅助法医学[6]。例如，AI已成功应用于精液显微图像的检测，准确率超过90%，即使是在微量情况下[7]，并且还被用于图像伪造的检测[8]。然而，尽管Polilight提供了一种经过验证的筛查方法，而AI在图像分析方面表现出色，但将这些技术直接结合以区分精液荧光与其他视觉上相似的液体仍是一个关键且未被充分探索的领域。

为了解决这些挑战，本研究开发了一种能够在450纳米Polilight光照下准确检测精液痕迹的AI系统。通过使AI能够区分精液荧光与其他有机物质和体液的荧光，这种方法可以显著提高检测精度，减少误报，并减少劳动密集型的确认测试需求。这样的创新有可能显著加速调查过程，保护关键生物证据，并提高法医结论的可靠性，最终加强性犯罪案件的正义追求，同时为现代法医学实践树立新的标杆。

材料与方法

整个研究过程和方法论在工作流程中进行了总结（图1）。

所提出系统的性能指标

未使用数据增强的Roboflow 3.0对象检测（Accurate）模型（图3：A）在所有损失指标上表现出一致的收敛性。训练和验证损失、分类损失以及分布焦点损失在初始阶段稳步下降，并在相对较低的水平上趋于稳定。最终的性能指标很高：精确度为0.991，召回率为0.991，mAP@50为1.0，mAP@50–95为0.826（表1）。

讨论

本研究对一种用于精液痕迹识别的AI驱动对象检测系统进行了全面评估，揭示了数据增强、模型鲁棒性以及人工智能与人类智能在法医背景下相对优势之间的微妙关系。结果表明，尽管经过数据增强的AI模型是一个强大且一致的工具，但其性能仍存在局限性，尤其是在与人类专家相比时

结论

总之，本研究证明，经过数据增强的AI模型是用于精液痕迹初步筛查的一种高效、强大且一致的工具。AI在分析法医图像方面的潜力已在其他领域得到成功验证。其主要优势在于能够提供标准化的分析，从而减少人类审查中的变异性。然而，AI并非绝对可靠。未来的发展方向是

伦理批准

研究方案已获得泰国塔玛萨特大学（科学）人类研究伦理委员会的批准，符合《赫尔辛基宣言》、《贝尔蒙特报告》、CIOMS指南和国际实践（ICH-GCP）的要求（COA编号083/2567）。

资金

不适用

CRediT作者贡献声明

Sunisa Aobaom：撰写——审稿与编辑、撰写——初稿、可视化、验证、监督、软件、资源、方法论、资金获取、正式分析、数据管理、概念构思。Tunradee Kongnapakdee：撰写——初稿、验证、软件、项目管理、方法论、调查、正式分析、数据管理。Tayawee Romgaew：方法论、数据管理。

利益冲突

作者声明没有利益冲突。

致谢

作者衷心感谢Srichampa实验室慷慨提供本研究所需的精液和尿液样本。

利益声明

作者声明没有需要披露的竞争利益。

竞争利益声明

作者声明没有已知的竞争财务利益或个人关系可能影响本文所述的工作。