血痕形态分析(Bloodstain Pattern Analysis, BPA)中可解释深度学习(Explainable Deep Learning, XDL)的应用：基于卷积神经网络(Convolutional Neural Network, CNN)与显著图(Saliency Map)的试点研究

《Forensic Science International: Synergy》：Explainable deep learning in bloodstain pattern analysis: A pilot study using convolutional neural networks with saliency maps

　　

摘要：本试点研究旨在探讨将一种新颖的可解释深度学习(Explainable Deep Learning, XDL)方法应用于血痕形态分析(Bloodstain Pattern Analysis, BPA)中冲击型与非冲击型血痕图案二分类的可行性。研究人员采用卷积神经网络(Convolutional Neural Network, CNN)对冲击型(impact)与非冲击型(non?impact)BPA图案进行分类，训练数据由研究人员手动生成的BPA图案及开源BPA数据集共同组成。该方法在10折交叉验证下取得了最高79%的准确率，验证了此类研究路径在BPA领域中的可行性。此外，本研究将显著图(Saliency Map)作为CNN的可解释性层引入，这是XDL在BPA解释中的新颖应用。研究强调了XAI在BPA研究方向中的潜力，并指出该模型有潜力作为辅助BPA专家进行图案解释的可靠替代工具，而非取代法医科学流程中的人为判断。该方法旨在为BPA专家提供辅助工具，以加快BPA解释过程且不牺牲可解释性指标，有望提升深度学习系统的透明度与信任度，从而提高法庭科学结论的可靠性。

论文解读：血痕形态分析(BPA)中基于卷积神经网络(CNN)与显著图(Saliency Map)的可解释深度学习(XDL)试点研究

Forensic Science International: Synergy发表的此项研究针对血痕形态分析(Bloodstain Pattern Analysis, BPA)中长期存在的主观性强、缺乏标准化、黑盒人工智能(Artificial Intelligence, AI)难以被法庭采纳等问题，首次将可解释人工智能(Explainable AI, XAI / eXplainable Deep Learning, XDL)引入BPA冲击型(impact)与非冲击型(non?impact)血痕图案的二分类任务。现有BPA依赖专家经验，不同国家对术语和分类标准尚未统一，某些形态（如二次飞溅与冲击飞溅）在形貌上高度相似，人工分类存在主观偏差。同时既往机器学习(Machine Learning, ML) / 深度学习(Deep Learning, DL)用于BPA时常采用"黑盒"模型，缺乏决策透明度，难以满足刑事司法体系对证据可解释性的要求。组织化科学区域委员会(Organization of Scientific Area Committees, OSAC)亦呼吁开展白盒研究与建立书面分类方法，因此研究人员提出以显著图(Saliency Map)为解释层的卷积神经网络(Convolutional Neural Network, CNN)框架，探索其应用于BPA分类的可行性及可解释性价值。

主要关键技术方法：

研究人员采集共计128幅血痕图案图像（93幅冲击型、35幅非冲击型），其中冲击型图案来自两个开源数据集——击打冲击(beating impact)数据集（61幅全数采用）与枪击反溅(gunshot backspatter)数据集（经人工筛选后保留32幅严格受控条件下拍摄的图像），非冲击型图案含二次飞溅(secondary spatter, 17幅)与投射性血痕(projected spatter / arterial pump模拟, 18幅)由脱纤马血在SPATTER/ED训练设施中制备。所有图像统一重采样至256×256像素，按分层抽样划分为训练集(70%)、验证集(15%)、测试集(15%)，并采用10折分层交叉验证(stratified k?fold cross?validation, k=10)。构建含卷积层、最大池化层(Max Pooling)、批归一化(Batch Normalisation)及全连接层(Dense Layer)的CNN架构，损失函数选用二元交叉熵(binary cross?entropy)，优化器为Adam。为防止过拟合并应对小样本类别不平衡，结合验证集监控与10折交叉验证。可解释性模块通过计算输入图像像素梯度生成显著图(Saliency Map)，可视化模型判定时关注的最显著像素区域，并与原始血痕图案并排比对评估。

3. Results（结果）

3.1. Impact versus non-impact binary classification（冲击与非冲击血痕二分类）

CNN经≤15个epoch收敛，训练损失与验证损失均稳定下降且无典型过拟合迹象（训练与验证准确率曲线趋近、损失曲线同步下降）。10折交叉验证结果显示平均准确率67.3%，最高79%（Fold 4、Fold 7），最低47%（Fold 3）；平均精确率(Precision)76.4%，平均召回率(Recall)80.9%，平均F1分数78.5%。结果表明模型在有限样本下具备基本分类能力，但受样本量小及类别不平衡影响存在折间波动。

3.2. Saliency maps as an explainability metric（作为可解释性度量的显著图）

对每折测试集各图像生成显著图并与原始图案对照发现：当显著图亮区（高响应区）集中于血痕飞溅斑点(spatter)本身时，模型预测倾向正确；若显著图聚焦于非飞溅区域（背景、图片 artefacts、标尺或暗斑）则多为误判。二次飞溅(secondary spatter)因形态近似冲击飞溅易被误分类为冲击型，稀疏外周冲击飞溅也可能被误判为非冲击型。个别正确分类案例中显著图却偏重背景或图案外围空白(void)，提示模型可能借助血痕密度、散布间距或空白区域作为隐含特征，也可能受图像采集质量（artefacts）干扰。总体表明显著图可揭示模型决策依据，暴露需改进方向（如区分有意义空白与噪声）。

Discussion（讨论）

研究人员指出，本试点首次在BPA中应用基于显著图的可解释深度学习方法，证实CNN配合Saliency Map可为BPA分类提供透明决策依据，符合OSAC对白盒研究的需求。平均约67%–79%的分类表现说明概念可行但需更大、更平衡、多表面及多环境条件下的数据集以提升泛化能力；非冲击类中二次飞溅与投射性血痕合并为一类亦限制了细粒度分析。显著图人工目视评估存在局限，未来应引入非线性近似技术（如Integrated Gradients、SmoothGrad）量化显著性并减少噪声。图像采集参数（光照、分辨率、信噪比）须标准化。计算资源限制导致epoch数与学习率受限，更大算力与迁移学习(transfer learning)有望改善性能。XAI并不意图替代BPA专家，而是作为辅助工具增强透明度与信任，最终服务于更客观、高效的法庭科学证据解释。

Conclusion（结论翻译）

实验分析初步结果表明，所开发的深度学习分类算法在识别与分类冲击与非冲击血痕图案方面具有潜在有效性。尽管需扩展数据集范围并进一步完善，模型取得的较高准确率支持其作为法医调查与分析人员辅助工具的开发前景，是对传统人工分类方法的高效替代与改进方向。通过自动化分类流程，该模型有望提升透明度与处理效率，支持基于证据的血痕分类并降低主观解释偏差风险。CNN与以显著图为可解释层的结合应用于血痕图案分类，是BPA形态解释领域中两项新颖尝试。本研究希望为BPA解释中的XAI研究开辟新方向，并为透明化技术在BPA分类方法学发展中的应用奠定基础。经进一步研究，BPA分析师将受益于这一强大、透明且可解释的高精度证据分类工具，同时也为法庭科学中AI实际应用提出新的问题与进阶空间。