Biological Sex Determination in Cadavers Using Deep Learning Algorithms from Computed Tomography Images of Pelvis and Skull
Cette étude démontre que les algorithmes d'apprentissage profond appliqués à des projections 2D de reconstructions CT 3D du bassin et du crâne peuvent atteindre une grande précision (95,65 %) dans la détermination automatique du sexe biologique à partir de cadavres décomposés, offrant ainsi une alternative rapide et objective aux méthodes traditionnelles de l'anthropologie médico-légale.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayez d'identifier une personne décédée, mais que son corps est dans un état où l'observer à l'œil nu est difficile, voire impossible. Peut-être est-il décomposé, ou peut-être a-t-il été victime d'un accident qui a endommagé ses os. Traditionnellement, un expert en criminalistique (un « détective d'os ») devrait examiner physiquement le crâne et le bassin (les os des hanches), en cherchant des formes spécifiques qui diffèrent généralement entre les hommes et les femmes. C'est comme essayer de deviner le genre de quelqu'un en regardant une photo floue ou abîmée ; cela prend du temps, dépend de l'humeur ou de la vue de l'expert, et peut être erroné si la photo est trop endommagée.
Ce document présente un nouvel « assistant numérique » pour ces détectives d'os. Au lieu de regarder les os directement, les chercheurs ont appris à un ordinateur à regarder des images de scanners CT (qui sont comme des rayons X en 3D) du crâne et du bassin.
Voici comment ils ont procédé, expliqué simplement :
1. L'« École des Os »
Les chercheurs ont rassemblé une bibliothèque de scanners CT provenant de 141 corps réels trouvés dans un institut médico-légal au Brésil. Ce n'étaient pas des squelettes parfaits de qualité muséale. C'étaient des cas réels, certains avec des os brisés, certains avec des brûlures, et d'autres qui s'étaient décomposés pendant un certain temps. C'est important, car c'est comme former un étudiant non pas seulement sur des diagrammes parfaits de manuels scolaires, mais sur des devoirs réels et désordonnés.
2. Le tour de la « Caméra Magique »
Les ordinateurs sont doués pour regarder des images plates (2D), mais les scanners CT sont des objets en 3D. Pour que cela fonctionne, les chercheurs ont pris les scans 3D et les ont fait pivoter, prenant 11 « instantanés » différents (comme prendre une photo d'une statue de face, de côté et de tous les angles intermédiaires). Ils ont ensuite injecté ces instantanés plats dans un système de Deep Learning (apprentissage profond).
Considérez le Deep Learning comme un étudiant très affamé qui apprend en regardant des milliers d'exemples. Les chercheurs ont essayé d'enseigner à cet étudiant en utilisant différents « manuels » (des algorithmes comme YOLO, ResNet et VGG). Ils voulaient voir quel manuel aidait l'étudiant à apprendre le plus rapidement et le plus précisément.
3. Les deux façons de jouer au jeu
L'ordinateur a été invité à jouer à deux jeux différents :
- Jeu A (Binaire) : Deviner simplement « Garçon » ou « Fille ».
- Jeu B (Quaternaire) : Deviner « Garçon-Crâne », « Fille-Crâne », « Garçon-Bassin » ou « Fille-Bassin ».
Il s'avère que le Jeu B était le vainqueur. C'est comme si vous essayiez d'identifier un fruit. Il est plus difficile de simplement dire « Est-ce un fruit ? » parce qu'une pomme et un rocher peuvent se ressembler dans l'obscurité. Mais si vous dites « Est-ce une Pomme Rouge, une Pomme Verte, un Rocher ou une Feuille ? », l'ordinateur devient bien meilleur pour repérer les petits détails qui les différencient. En séparant le crâne du bassin, l'ordinateur pouvait se concentrer sur les « indices » spécifiques de chaque zone sans être confus.
4. Le problème de la « Triche » (Rareté des données)
Il y avait un problème : il y avait beaucoup plus de corps masculins (104) que de corps féminins (38) dans leur bibliothèque. Si vous entraînez un étudiant avec 100 photos de garçons et seulement 40 de filles, l'étudiant va simplement répondre « Garçon » à chaque fois pour obtenir un score élevé.
Pour corriger cela, les chercheurs ont utilisé l'Augmentation de Données (Data Augmentation). Imaginez prendre une photo d'un squelette et utiliser un éditeur numérique pour la faire pivoter légèrement, changer la luminosité ou ajouter un peu de « bruit » (comme de la neige sur une vieille télévision). Ils ont fait cela pour créer de nouvelles fausses photos à partir des vraies, donnant ainsi plus de matériel d'entraînement à l'ordinateur afin qu'il ne soit pas biaisé en faveur des exemples masculins.
5. Les résultats : L'« Étudiant Super »
Après l'entraînement, le meilleur modèle informatique (une version spécifique appelée YOLO26-Nano) a été testé sur des corps qu'il n'avait jamais vus auparavant.
- Le Score : Il a donné la bonne réponse 95,65 % du temps lorsqu'il regardait la personne entière (niveau patient).
- Le Bassin : Il était presque parfait pour identifier le bassin (les os des hanches).
- Le Crâne : Il était très bon pour le crâne, bien que ce soit légèrement plus difficile car les crânes féminins peuvent ressembler un peu plus aux crânes masculins que ne le fait le bassin.
- La vérification de la « Boîte Noire » : Habituellement, l'IA est une « boîte noire » — vous insérez une image, une supposition sort, mais vous ne savez pas pourquoi. Les chercheurs ont utilisé un outil appelé Cartes de Chaleur (Heatmaps) (comme une caméra thermique) pour voir où l'ordinateur regardait. Ils ont découvert que l'ordinateur regardait exactement les mêmes endroits que les experts humains : la forme du menton, l'arcade sourcilière et l'angle de l'os de la hanche. Cela a prouvé que l'ordinateur ne faisait pas que deviner ; il était réellement en train d'« apprendre » l'anatomie.
6. Le bémol
Le document est très honnête sur ses limites. L'ordinateur a été entraîné sur des données provenant d'un hôpital spécifique utilisant un type spécifique de scanner CT. C'est comme si un étudiant n'avait étudié que dans une seule salle de classe avec un seul professeur. Bien qu'ils aient fait des merveilles dans cette salle de classe, nous ne savons pas encore s'ils feront aussi bien dans une autre école avec un éclairage ou des manuels différents. Les chercheurs affirment qu'il est nécessaire de tester cela dans plus d'hôpitaux et avec différentes machines avant de pouvoir l'utiliser comme un outil standard partout.
Résumé
En bref, ce document montre que nous pouvons apprendre à un ordinateur à regarder des scanners CT de squelettes brisés ou décomposés et à nous dire s'ils étaient de sexe masculin ou féminin avec une très grande précision. Cela fonctionne plus vite qu'un humain, ne fatigue pas et regarde les mêmes indices que les humains. Cependant, il a actuellement besoin de plus de pratique avec différents types de machines et d'hôpitaux avant de pouvoir être utilisé comme un outil standard dans chaque morgue.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.