Cross-center sex estimation from patellar CT: multi-feature transformer fusion of morphometry, radiomics, and deep features
Diese Studie präsentiert ein robustes Multi-Feature-Transformer-Fusionsframework, das die Patella-Morphometrie, Radiomics und Deep-Learning-Merkmale aus CT-Scans integriert, um eine hochgenaue und generalisierbare Geschlechtsbestimmung zu erreichen, wobei es Single-Feature-Modelle sowie forensische Experten übertrifft und gleichzeitig die Verarbeitungszeit signifikant reduziert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der stillen Nachwirkung einer Katastrophe oder eines Verbrechens stehen Forensiker vor einem gewaltigen Rätsel: Wer war diese Person? Der erste und kritischste Schritt bei der Lösung dieses Rätsels besteht darin, das Geschlecht der Überreste zu bestimmen. Jahrzehntelang haben Experten auf das Becken und den Schädel geblickt – jene Knochen, die die physischen Unterschiede zwischen Männern und Frauen am deutlichsten zeigen. Doch in der chaotischen Realität von Massenkatastrophen oder antiken Fundstätten sind diese Knochen oft gebrochen, verbrannt oder fehlen gänzlich. Wenn die üblichen Hinweise verschwinden, müssen Ermittler sich an andere Teile des Skeletts wenden. Ein solcher Überlebender ist die Kniescheibe, ein kleiner, dichter Knochen, der Feuer und Traumata oft besser widersteht als der Rest des Körpers. Obwohl sie kleiner und weniger offensichtlich ist als das Becken, trägt sie eine verborgene Landkarte des biologischen Geschlechts in ihrer Form und Textur in sich, die darauf wartet, gelesen zu werden.
Ein Forschungsteam der Universität Qinghai und angeschlossener Krankenhäuser in China hat einen neuen Weg entwickelt, diese Landkarte zu lesen. Sie haben ein Computersystem entwickelt, das wie ein Super-Beobachter fungiert und drei verschiedene Arten der Betrachtung einer Kniescheibe kombiniert, um zu erraten, ob sie einem Mann oder einer Frau gehörte. Anstatt sich nur auf eine Methode zu verlassen, führt das System einfache Größenmessungen, eine detaillierte Analyse der internen Textur des Knochens und ein tiefes, abstraktes Verständnis der Gesamtform des Knochens zusammen. Indem sie den Computer lehren, all diese Hinweise gemeinsam abzuwägen, fanden die Forscher einen Weg, die Geschlechtsschätzung schneller, konsistenter und genauer als aktuelle menschliche Methoden zu gestalten, selbst wenn die Knochen-Scans aus verschiedenen Krankenhäusern mit unterschiedlicher Ausrüstung stammen.
Die Studie begann mit einer großen Sammlung von Knie-Scans aus zwei Krankenhäusern in der Provinz Qinghai. Die Forscher sammelten Bilder von 836 Personen und wählten sorgfältig diejenigen aus, die gesunde Knie und klare Bilder aufwiesen. Diese wurden in zwei Gruppen aufgeteilt: eine größere Gruppe, um den Computer zu lehren, wie man Muster erkennt, und eine kleinere, separate Gruppe, um zu testen, ob der Computer das Gelernte auf neue, unbekannte Daten anwenden kann. Um ihr Werkzeug zu bauen, umrandete das Team zuerst manuell die Kniescheibe auf jedem Scan, um sie vom restlichen Kniegelenk zu isolieren. Aus diesem isolierten Knochen extrahierten sie drei verschiedene Arten von Informationen. Erstens maßen sie die grundlegende Geometrie des Knochens und berechneten dessen Länge, Breite, Dicke, Volumen, Oberflächenbereich und den Umfang seines Randes. Zweitens verwendeten sie eine Technik namens Radiomics, um das Bild in hunderte winziger Texturdetails zu zerlegen und so das Korn und das Muster des Knocheninneren einzufangen, das das menschliche Auge nicht sehen kann. Drittens nutzten sie fortschrittliche Modelle der künstlichen Intelligenz, um den Knochen zu scannen und tiefe, abstrakte Merkmale zu extrahieren, die die Gesamtform und Struktur des Knochens auf eine Weise repräsentieren, die der Erkennung eines Gesichts oder Objekts durch ein menschliches Gehirn ähnelt.
Der Kern ihrer Innovation war die Art und Weise, wie sie diese drei Informationsströme kombinierten. Anstatt die Ergebnisse einfach zu mitteln oder die Daten übereinanderzustapeln, verwendeten sie eine hochentwickelte Computerarchitektur, die als Transformer bekannt ist. Dieses System arbeitet wie ein dynamischer Entscheidungsträger, der lernt, auf die wichtigsten Hinweise für jeden spezifischen Knochen zu achten. Es kann entscheiden, dass für eine Kniescheibe die Textur das aussagekräftigste Zeichen ist, während für eine andere die Gesamtgröße wichtiger ist. Diese Flexibilität ermöglicht es dem System, sich an Variationen in den Daten anzupassen, wie etwa Unterschiede in der Art und Weise, wie die Scans erstellt wurden. Die Forscher testeten dieses System gegen einfachere Modelle, die nur eine Art von Information verwendeten, sowie gegen andere Wege, die Daten zu kombinieren.
Die Ergebnisse zeigten, dass der kombinierte Ansatz überlegen war. Im internen Testdatensatz identifizierte das System das Geschlecht in 94,3 % der Fälle korrekt, was eine signifikante Verbesserung gegenüber den Einzelmethoden-Ansätzen darstellte. Noch wichtiger war, dass das System bei einem Test an der externen Gruppe von Patienten aus einem anderen Krankenhaus mit leicht unterschiedlicher Scanning-Ausrüstung eine hohe Genauigkeit beibehielt und das Geschlecht in 87,9 % der Fälle korrekt identifizierte. Im Gegensatz dazu sank die Genauigkeit der einfacheren Modelle, die sich nur auf eine Art von Daten stützten, bei diesen neuen Bedingungen deutlich stärker ab. Die Studie verglich auch die Leistung des Computers mit der von menschlichen Experten. Drei menschliche Leser, deren Qualifikation vom Studenten bis zum Facharzt für Forensik reichte, maßen dieselben 15 Knochen manuell nach traditionellen Formeln. Während die menschlichen Experten im Allgemeinen genau waren, variierten ihre Messungen erheblich untereinander; für denselben Knochen konnte ein Experte eine Länge von 40 Millimetern messen, während ein anderer 48 Millimeter maß. Der Computer hingegen lieferte jedes Mal exakt dasselbe Ergebnis, wodurch die menschliche Inkonsistenz eliminiert wurde. Darüber hinaus schloss der Computer seine Analyse in durchschnittlich 30 Sekunden pro Knochen ab, während die menschlichen Experten zwischen vier und dreizehn Minuten benötigten.
Die Forscher stellten fest, dass die Dicke der Scan-Schichten eine entscheidende Rolle für die Leistung der verschiedenen Methoden spielte. Wenn die Scans sehr dünn waren und feine Details erfassten, schnitten die texturbasierten und Deep-Learning-Methoden außergewöhnlich gut ab. Wenn die Scans jedoch etwas dicker waren, wie es in einigen realen Szenarien üblich ist, sank die Leistung dieser komplexen Methoden. Die einfachen Größenmessungen blieben unabhängig von der Scandicke stabil, wes heavy das System durch seine Fähigkeit, alle drei Methoden zu mischen, so effektiv war; es konnte sich auf die stabilen Messungen verlassen, wenn die detaillierten Texturdaten weniger zuverlässig wurden. Die Studie kommt zu dem Schluss, dass dieser Multi-Feature-Ansatz ein robustes, objektives Werkzeug für die forensische Identifizierung bietet. Sie legt nahe, dass Ermittler, indem sie einen Computer lernen lassen, verschiedene Arten von Beweisen abzuwägen, eine zuverlässigere Antwort über das Geschlecht einer Person erhalten können, selbst wenn die Knochen beschädigt sind oder die Daten aus unterschiedlichen Quellen stammen. Obwohl die Studie auf eine spezifische Population in China begrenzt war und Scans von lebenden Menschen verwendete, glauben die Autoren, dass diese Methode eine starke Grundlage für zukünftige Arbeiten bietet, die dabei helfen könnten, Opfer in Massenkatastrophen zu identifizieren oder Überreste in archäologischen Kontexten zu analysieren – indem sie einen kleinen, oft übersehenen Knochen in einen mächtigen Schlüssel zur Identifizierung verwandeln.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.