通过混合多模型卷积神经网络从侧位头影测定性别

为什么颅骨X光在真实调查中很重要

当调查人员在犯罪、事故或灾难后面对无法识别的遗骸时，必须首先回答的问题之一就是该人是男性还是女性。尽快确定这一点能显著缩小比对范围，并可为医疗和考古研究提供方向。本研究探讨了如何将常规口腔正畸侧位头影（侧位头颅X光）与人工智能结合，以极高的准确率估计性别，为传统法医方法提供快速且客观的辅助。

从牙医的X光到法医线索

侧位头影是牙医和正畸医生用于制定治疗计划的标准影像，展示头部的侧面，包括额头、鼻梁、下颌和颅底。这些区域在男女之间存在微妙的形态差异，例如额骨的突出程度、颅底长度以及面部的垂直高度。迄今为止，专家通过手工测量这些差异，使用明确定义的解剖点之间的角度和距离。人工测量既耗时又需要专业培训，而且在骨骼受损或影像不清晰时容易受检者主观判断影响。

混合两类人工智能

研究者设计了一个“混合”计算系统，它既模拟人类专家研究侧位头影的方式，又能直接从肉眼不可见的图像模式中学习。系统的一部分基于名为 DenseNet169 的神经网络，在五个关键标志点被精确标记的X光片上进行了训练：眉间（glabella）、鼻根（nasion）、蝶鞍（sella，颅底的一个小凹陷）、枕底前（basion，颅后下方的一点）和颏点（menton，下巴最低点）。利用这些点，模型自动计算两项重要距离——颅底长度和面部总高度——以及由这些点构成三角形形成的三个角度。然后将这些测量值输入先前研究中建立的公式，输出该颅骨更可能为男性或女性。

让计算机“无指导地看”

混合系统的第二部分使用了名为 EfficientNetB3 的网络，该部分没有提供任何标志点或测量值。它通过直接观察原始X光图像来学习与性别相关的模式。其角色类似经验丰富的放射科医师：在大量病例中学会察觉那些更常见于男性或女性的阴影与形状组合。另一个独立的机器学习方法——随机森林分类器——对 EfficientNetB3 提取的特征进行解释并给出其自身的性别预测。值得注意的是，这一路径的训练不需要费时的人工标注，使得将来扩展到更大数据集更加容易。

投票决定最佳答案

为了得出最终判定，研究者将三种“意见”结合在一起：一项基于线性距离、一项基于角度测量、以及一项基于仅图像的分析。系统采用多数投票制——至少两个方法给出相同性别时，作为最终输出。在一个包含150名成人的主要数据集（并通过图像增强技术扩充）上，仅基于距离的方法就达到了100%的准确率，基于角度的方法也接近100%。仅图像模型的准确率较低，约为81%，但当三者结合时，总体准确率约为99.7%。为测试在真实世界中的表现，团队还在额外的46张不完全符合原始影像质量规则的X光片上评估了混合模型。即便如此，系统在约98%的病例中正确估计了性别，并根据标准医学统计显示出“优异”的诊断能力。

这对科学与社会的意义

对法医科学家、考古学家和验尸官而言，该研究表明，经过精心设计的人为引导测量与自由形式图像学习相结合，能够从日常牙科X光中给出近乎完美的性别估计。该方法并非旨在取代专家或传统的人工测量金标准，而是提供一个快速、一致的第二意见——在需要同时处理大量样本（如大规模灾难）时尤其有用。作者强调仍需在更大且更多样化的遗骸集合上进行进一步测试，并需认真关注伦理、透明度与法律规范。尽管如此，这一混合神经网络标志着朝向实用且可解释的AI工具迈出的重要一步，能协助识别死者并恢复其法律身份。

引用: Widyaningrum, R., Rosyida, N.F., Ningtyas, A.H. et al. Sex estimation from lateral cephalograms via a hybrid multimodel convolutional neural network. Sci Rep 16, 6490 (2026). https://doi.org/10.1038/s41598-026-36147-4

关键词: 法医鉴定, 侧位头影, 性别估计, 深度学习, 颅面放射学