基于鼻腔孔径影像组学的YOLO11m-cls模型在法医人类学性别年龄分类中的诊断效能评估

《Scientific Reports》：YOLO11m-cls applied to sex and age classification based on the radiographic analysis of the nasal aperture

　　本研究针对法医人类学中骨骼特征分析效率低下的问题，开发了基于YOLO11m-cls卷积神经网络(CNN)的影像分析模型。研究人员通过9,349张全景放射片，以鼻腔孔径为形态学特征进行性别和年龄分类研究。结果显示总体准确率为74%，ROC曲线下面积(AUC)为0.74，证实了鼻腔孔径在性别鉴定中的局限性，特别是在未成年个体中准确率下降10%。该研究为法医影像学提供了重要的方法论参考，并强调了年龄因素在性别鉴定中的重要性。

　　

在法医科学领域，人类识别往往依赖于骨骼和牙齿的形态学特征来重建死后生物学特征。传统上，法医人类学家通过直接观察骨骼标本或分析医学影像来评估这些特征，但这种方法存在主观性强、效率低下等局限性。随着人工智能技术的发展，基于计算机视觉的深度学习工具为法医人类学带来了新的解决方案。

近年来，卷积神经网络(CNN)在医学影像分析中展现出巨大潜力，特别是在法医应用如性别和年龄估计方面。在众多面部骨骼特征中，鼻腔孔径因其潜在的种群和性别特异性变异而备受关注。然而，现有研究多基于成人样本，且方法以传统形态测量为主，对未成年个体及深度学习方法的探索相对缺乏。

为了解决这一问题，由Leonardo Scavassini领导的研究团队在《Scientific Reports》上发表了一项创新性研究，他们开发了基于YOLO11m-cls的深度学习模型，专门用于通过分析鼻腔孔径的放射影像来进行性别和年龄分类。

研究方法上，团队收集了9,349张巴西人的全景放射片，年龄范围6-22.9岁。图像经过匿名化处理后，由五位训练有素的法医牙医使用Darwin V7软件包对鼻腔孔径区域进行标注。研究采用5折交叉验证策略，使用YOLO11m-cls架构进行模型训练，训练参数包括学习率0.0125、100个训练周期、批量大小16。

模型性能评估

在性别分类任务中，CNN模型表现出中等水平的诊断准确度。总体准确率、精确度、召回率、敏感度和特异度均约为74%。男性正确分类率为73%，女性为75.17%。不同年龄组的准确率存在显著差异，从61%到88%不等。

接收者操作特征曲线(ROC)分析显示曲线下面积(AUC)为0.74，表明模型具有中等判别能力。

年龄分类结果

当使用15岁为临界值进行年龄分类时，模型表现出更高的准确率。15岁以上个体的正确分类率为83%，15岁及以下个体为89.5%。按性别进一步分析显示，15岁以上男性的正确分类率为80.5%，女性为76.5%；15岁及以下男性为72.06%，女性为84.18%。

训练过程分析

损失函数分析显示，所有任务在50个周期内都表现出相关学习模式，之后训练和验证曲线出现平台期和轻微分化，表明存在一定程度的过拟合。

特征重要性可视化

梯度加权类激活映射(Grad-CAM)分析显示，CNN在分类过程中主要关注鼻腔孔径的中央矿化组织区域，包括鼻中隔和鼻腔上部，这些区域可能包含与性别相关的判别性特征。

研究结论强调，在当前方法学条件下，鼻腔孔径在放射影像中的性别分类判别能力有限，准确率相当于每四个案例中就有一个误分类。这一发现支持了现有建议，即反对在未成年人中进行性别估计，特别是在使用鼻腔孔径作为评估参数时。

该研究的重要意义在于首次将CNN应用于鼻腔孔径的放射影像分析，并包含了迄今为止最大的样本量。研究结果对法医实践具有重要启示：鼻腔孔径不应作为可靠的性别二态性特征单独使用，特别是在考虑种群特异性变异时。未来研究应探索更大样本量、替代模型架构，并纳入外部验证以确保结果的普适性。

这项研究为法医放射学提供了重要的方法论参考，强调了在性别估计中考虑年龄因素的重要性，并为未来基于人工智能的法医人类学研究奠定了坚实基础。