《Egyptian Journal of Forensic Sciences》：Smartphone-based biological sex identification from palatal rugae images: a comparative transfer learning study of pretrained convolutional neural networks
编辑推荐：
背景：腭皱襞（palatal rugae）是位于腭前部的独特解剖嵴，具有个体特异性形态模式，使其成为个人识别和法医学分析的有价值标记。随着人工智能（AI）的进步，深度学习方法已成为从医学和生物特征图像中提取判别性特征的有效工具。本研究探讨基于迁移学习（tran
背景：腭皱襞（palatal rugae）是位于腭前部的独特解剖嵴，具有个体特异性形态模式，使其成为个人识别和法医学分析的有价值标记。随着人工智能（AI）的进步，深度学习方法已成为从医学和生物特征图像中提取判别性特征的有效工具。本研究探讨基于迁移学习（transfer learning）的卷积神经网络（CNN）利用智能手机相机捕获的腭皱襞图像进行生物性别分类的潜力。结果：所有预训练模型均成功从腭皱襞图像中学习到与生物性别相关的判别性特征。其中，残差网络50（ResNet50）和视觉几何组16（VGG16）获得最高分类准确率，并具有最优精确率和召回率；EfficientNet-B0和密集网络121（DenseNet）表现出可比但略低的性能。受试者工作特征曲线（ROC曲线）显示高曲线下面积（AUC）值，证实男性与女性类别之间具有强可分性。结论：研究结果证实，基于智能手机成像结合迁移学习为利用腭皱襞模式进行生物性别识别提供了一种有前景、低成本且非侵入性的方法，可作为法医牙科学（forensic odontology）的辅助工具。在评估的模型中，ResNet50表现出最稳健的性能。未来工作将聚焦于扩展数据集并整合可解释人工智能（explainable Artificial Intelligence）方法，以支持临床和法医适用性。
研究背景与问题：法医学中，遗骸准确识别是主要关注点，尤其在大规模灾难、火灾或分解场景中，指纹、牙科记录和DNA等标准方法可能不可用或受损。稳定、个体特异且抗死后改变的解部结构具有价值。腭皱襞（palatal rugae，硬腭前部横向黏膜嵴）在子宫内早期形成，终生相对不变，因独特模式、受保护位置及抗创伤和分解而被提出作为法医牙科学（forensic odontology）辅助识别标志。既往研究显示腭皱襞模式可能因生物性别（biological sex）而异，可作为法医性别判别工具。近十年生物特征识别和深度学习进展，尤其卷积神经网络（CNN，自动学习图像层级特征的深度学习模型）和迁移学习（transfer learning，将大规模数据预训练知识迁移至新任务），已用于面部、虹膜和口内照片的性别分类；预训练架构如ResNet50、VGG16、EfficientNet-B0和DenseNet121可通过微调适应新任务。然而，腭皱襞用于自动性别分类仍研究不足；传统腭皱襞分析方法手工、劳动密集、依赖铸模和人工特征描绘；智能手机成像与迁移学习可实现便携低成本工作流程，但尚无研究将智能手机腭皱襞图像采集与迁移学习CNN架构结合用于性别分类，也缺乏多预训练架构比较及精确率、召回率、ROC和混淆矩阵系统报告。因此研究人员开展该研究，目标为建立智能手机图像采集协议；微调四种预训练CNN；用准确率、精确率、召回率、混淆矩阵和ROC曲线下面积比较；用梯度加权类激活映射（Grad-CAM，通过热图显示模型关注区域的解释方法）评估可解释性。
关键技术方法：该研究样本为某学院门诊招募的健康志愿者，18–40岁，共240例腭皱襞图像，男120例、女120例，经机构伦理委员会批准并获知情同意。图像由训练人员用多种商用智能手机在受控室内光照下拍摄，未用专用口内相机或实验室铸模；预处理包括质量筛查、人工裁剪感兴趣区域（ROI）、缩放至224×224像素和像素值缩放至(0,1)，并做旋转、翻转、对比度与亮度增强。采用ImageNet预训练VGG16、ResNet50、DenseNet121和EfficientNet-B0，替换分类头，冻结卷积基预热后微调高层。使用PyTorch在Intel Core i7、16 GB RAM、NVIDIA GeForce RTX GPU（4 GB VRAM）上按80%训练、20%测试，评价准确率、精确率、召回率、F1-score、混淆矩阵、ROC曲线与AUC，并用Grad-CAM解释。
结果：在240张智能手机采集的腭皱襞图像中，按80%训练、20%测试，训练时进行数据增强。四种预训练CNN均学习到判别性性别相关特征。ResNet50总体准确率最高77%，VGG16为73%，EfficientNet-B0为69%，DenseNet121为62%。ResNet50女性样本召回0.88、F1-score 0.79，男性召回0.67、F1-score 0.74；每类准确率女性87.5%、男性66.7%。VGG16女性F1 0.75、男性F1 0.71。EfficientNet-B0女性召回0.83，但男性召回0.54，原文认为可能因对微细腭皱襞几何特征提取有限。DenseNet121准确率62%，男性召回0.46，原文认为可能由小数据集上特征冗余和纹理过拟合所致。混淆矩阵显示ResNet50在两类间最平衡。ROC曲线和AUC评估中，ResNet50最高AUC，证实最佳类别可分性；VGG16和EfficientNet-B0中等但可靠；DenseNet121最低。Grad-CAM显示正确分类时激活集中于中央和后部腭皱襞区域，这些区域被认为具有更大个体变异和性二态性；男性示例置信度0.74，女性示例置信度0.59；错误分类时注意力分散至非腭皱襞区域，可能受光照或黏膜反射干扰。总体表明，迁移学习结合可解释AI可视化可为智能手机腭皱襞图像提供稳健且可解释的性别识别框架。
讨论与结论：讨论部分指出，该研究证明迁移学习CNN可有效从标准智能手机拍摄的腭皱襞图像分类生物性别，支持腭皱襞个体性和性二态性。传统分析依赖牙模或口内扫描仪，而数字捕获结合预训练CNN可获得可比判别准确度，向非侵入、便携、低成本法医成像迈进。在指纹或DNA不可用情形如烧伤、大规模灾难或分解尸体中，口腔常保护腭皱襞结构，使其在不良条件下仍可靠。女性图像分类准确率较高，与既往形态学发现女性腭皱襞更均匀和弯曲、男性更不规则和分支、类内变异更大一致；这种解剖差异可能便于CNN学习。ResNet50性能最好归因于残差学习缓解梯度消失并提取细微形态特征；DenseNet121可能因特征冗余和过拟合；VGG16和EfficientNet-B0较轻量，在受限成像环境仍有较好泛化。Grad-CAM热图集中于中央和后部腭皱襞区，与性二态相关解剖部位一致；错误分类注意力分散，提示光照或黏膜反射干扰。该工作符合医学和法医领域对可解释人工智能趋势，可增强信任和决策可追溯性。意义包括可集成移动法医套件或临床软件用于快速现场筛查，尤其低资源或农村环境；Grad-CAM提供法医可采性，让调查人员和牙科法医在报告前视觉核实AI决策焦点。局限：数据规模中等且来自特定人群，泛化性受限；不同智能手机导致分辨率和光照自然变异；ROI为人工裁剪；仅二分类和有限预训练架构；生物性别为自报而非独立验证；分析活体个体，未必直接适用于死后案例；死后腭皱襞可能在高级分解中退化，严重热损伤需侵入性进入腭部，受伦理、法律和辖区限制。未来需扩大数据集、多机构、多样人口和验证人口信息、死后样本、多模态牙科或生物特征、真实世界条件、联邦或边缘AI隐私保护框架。
结论翻译：本研究表明，卷积神经网络（CNN）可利用迁移学习从智能手机获取的腭皱襞图像中分类生物性别。在测试模型中，ResNet50表现出最均衡的性能（准确率=77%）。梯度加权类激活映射（Grad-CAM）可视化证实，模型依赖腭部解剖相关区域，支持其预测的可解释性。这种非侵入、低成本且便携的方法可补充传统腭皱襞分析，用于法医牙科学中的初步性别估计。
