Cross-center sex estimation from patellar CT: multi-feature transformer fusion of morphometry, radiomics, and deep features

In de stille nasleep van een ramp of een misdaad staan forensisch wetenschappers voor een uitdagende puzzel: wie was deze persoon? De eerste en meest cruciale stap in het oplossen van die puzzel is het bepalen van het geslacht van de overblijfselen. Decennialang hebben experts gekeken naar het bekken en de schedel, de botten die de fysieke verschillen tussen mannen en vrouwen het duidelijkst laten zien. Maar in de chaotische realiteit van massale rampen of archeologische vindplaatsen zijn deze botten vaak gebroken, verbrand of volledig verdwenen. Wanneer de gebruikelijke aanwijzingen wegvallen, moeten onderzoekers zich wenden tot andere delen van het skelet. Een dergelijke overlever is de knieschijf, een klein, dicht bot dat vuur en trauma vaak beter doorstaat dan de rest van het lichaam. Hoewel het kleiner en minder opvallend is dan het bekken, draagt het een verborgen kaart van biologisch geslacht in zich, gevangen in de vorm en textuur, wachtend om gelezen te worden.

Een team onderzoekers van de Qinghai Universiteit en verbonden ziekenhuizen in China heeft een nieuwe manier ontwikkeld om die kaart te lezen. Ze hebben een computersysteem ontwikkeld dat werkt als een super-waarnemer, waarbij drie verschillende manieren van kijken naar een knieschijf combineert om te raden of deze bij een man of een vrouw hoorde. In plaats van te vertrouwen op slechts één methode, voegt het systeem eenvoudige metingen van grootte samen met een gedetailleerde analyse van de interne textuur van het bot en een diep, abstract begrip van de algehele vorm van het bot. Door een computer te leren om al deze aanwijzingen samen af te wegen, ontdekden de onderzoekers een manier om de geslachtsbepaling sneller, consistenter en nauwkeuriger te maken dan de huidige menselijke methoden, zelfs wanneer de botscans afkomstig zijn van verschillende ziekenhuizen met verschillende apparatuur.

De studie begon met een grote collectie kniescans van twee ziekenhuizen in de provincie Qinghai. De onderzoekers verzamelden beelden van 836 mensen en selecteerden zorgvuldig diegene met gezonde knieën en duidelijke beelden. Ze verdeelden deze in twee groepen: een grotere groep om de computer te leren hoe hij patronen kan herkennen, en een kleinere, aparte groep om te testen of de computer wat hij heeft geleerd kan toepassen op nieuwe, onbekende gegevens. Om hun hulpmiddel te bouwen, omlijstte het team eerst handmatig de knieschijf op elke scan, waardoor deze werd geïsoleerd van de rest van het kniegewricht. Vanuit dit geïsoleerde bot extraheerden zij drie verschillende soorten informatie. Ten eerste maten ze de basisgeometrie van het bot, waarbij de lengte, breedte, dikte, volume, oppervlakte en de afstand rond de rand werden berekend. Ten tweede gebruikten ze een techniek genaamd radiomics om het beeld op te splitsen in honderden minuscule textuurdetails, waardoor de korrel en het patroon van de binnenkant van het bot werden vastgelegd die het menselijk oog niet kan zien. Ten derde gebruikten ze geavanceerde kunstmatige intelligentiemodellen om het bot te scannen en diepe, abstracte kenmerken te extraheren die de algehele vorm en structuur van het bot vertegenwoordigen op een manier die lijkt op hoe een menselijk brein een gezicht of een object herkent.

De kern van hun innovatie was hoe zij deze drie stromen informatie combineerden. In plaats van simpelweg de resultaten te middelen of de gegevens op elkaar te stapelen, gebruikten ze een geavanceerde computerconstructie bekend als een Transformer. Dit systeem werkt als een dynamische besluitvormer die leert om aandacht te besteden aan de belangrijkste aanwijzingen voor elk specif kind specifiek bot. Het kan besluiten dat voor de ene knieschijf de textuur de meest veelzeggende aanwijzing is, terwijl voor een andere de algehele grootte belangrijker is. Deze flexibiliteit stelt het systeem in staat om zich aan te passen aan variaties in de gegevens, zoals verschillen in de manier waarop de scans zijn gemaakt. De onderzoekers testten dit systeem tegen eenvoudigere modellen die slechts één type informatie gebruikten, evenals tegen andere manieren om de gegevens te combineren.

De resultaten toonden aan dat de gecombineerde aanpak superieur was. Op de interne testset identificeerde het systeem het geslacht correct in 94,3% van de gevallen, een significante verbetering ten opzichte van de benaderingen met één methode. Belangrijker nog, toen het werd getest op de externe groep patiënten uit een ander ziekenhuis met iets andere scankwaliteit, behield het systeem een hoog niveau van nauwkeurigheid en identificeerde het geslacht correct in 87,9% van de gevallen. In tegenstelling hiertoe zagen de eenvoudigere modellen die vertrouwden op slechts één type gegevens hun nauwkeurigheid sterker dalen wanneer zij met deze nieuwe omstandigheden werden geconfronteerd. De studie vergeleek ook de prestaties van de computer met die van menselijke experts. Drie menselijke lezers, variërend van een student tot een gecertificeerd forensisch specialist, maten handmatig dezelfde 15 botten met behulp van traditionele formules. Hoewel de menselijke experts over het algemeen accuraat waren, varieerden hun metingen aanzienlijk van elkaar; voor hetzelfde bot kon de ene expert de lengte meten als 40 millimeter terwijl een ander het als 48 millimeter mat. De computer produceerde echter elke keer exact hetzelfde resultaat, waardoor de menselijke inconsistentie werd geëlimineerd. Bovendien voltooide de computer zijn analyse in gemiddeld 30 seconden per bot, terwijl de menselijke experts ergens tussen de vier en dertien minuten nodig hadden.

De onderzoekers merkten op dat de dikte van de scanvlakken een cruciale rol speelde in de prestaties van verschillende methoden. Wanneer de scans zeer dun waren en fijne details vastlegden, presteerden de op textuur gebaseerde methoden en deep-learning methoden uitzonderlijk goed. Echter, wanneer de scans iets dikker waren, wat gebruikelijk is in sommige real-world scenario's, daalde de prestatie van die complexe methoden. De eenvoudige groottemetingen bleven stabiel, ongeacht de dikte van de scan, wat is waarom het vermogen van het systeem om alle drie de methoden te mengen zo effectief was; het kon vertrouwen op de stabiele metingen wanneer de gedetailleerde textuurgegevens minder betrouwbaar werden. De studie concludeert dat deze multi-feature aanpak een robuust, objectief instrument biedt voor forensische identificatie. Het suggereert dat door een computer te laten leren hoe hij verschillende soorten bewijs moet afwegen, onderzoekers een betrouwbaarder antwoord over het geslacht van een persoon kunnen krijgen, zelfs wanneer de botten beschadigd zijn of de gegevens uit uiteenlopende bronnen komen. Hoewel de studie beperkt was tot een specifieke populatie in China en scans van levende mensen gebruikte, geloven de auteurs dat deze methode een sterke basis biedt voor toekomstig werk dat kan helpen bij het identificeren van slachtoffers in massale rampen of het analyseren van overblijfselen in archeologische contexten, waarbij een klein, vaak over het hoofd gezien bot wordt omgevormd tot een krachtige sleutel voor identificatie.