DOI: https://doi.org/10.1186/s13005-024-00446-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39215305
تاريخ النشر: 2024-08-30
المؤلف: Cristiano Miranda de Araújo وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تستكشف الدراسة تأثير عرض الجمجمة والوجه والأنف والفك العلوي على تحديد الجنس، باستخدام قياسات قوس الأسنان وقاعدة الهيكل العظمي للفك العلوي من خلال تقنيات التعلم الآلي تحت الإشراف. خضع عينة من 100 مريض لفحوصات تصويرية للفك العلوي والسفلي عبر التصوير المقطعي المحوسب باستخدام شعاع المخروط، حيث تم قياس أبعاد مختلفة بما في ذلك عرض ما بين الأضراس، عرض ما بين الأضراس، وطول الفك العلوي. استخدمت الدراسة عدة خوارزميات تعلم آلي—الانحدار اللوجستي، مصنف تعزيز التدرج، الجيران الأقرب (KNN)، آلة الدعم المتجه (SVM)، مصنف متعدد الطبقات (MLP)، شجرة القرار، ومصنف الغابة العشوائية—تم التحقق منها من خلال نهج التحقق المتقاطع 10 مرات.
أشارت النتائج إلى دلالة إحصائية (p < 0.10) عبر جميع المتغيرات المقاسة، مع بروز عرض فتحتي الأنف وعرض ما بين الأضراس كمؤشرات مهمة بشكل خاص. حققت النماذج معدلات دقة تتراوح بين 0.75 و 0.85، مع إظهار SVM أعلى منطقة تحت المنحنى (AUC) وأقل تباين بين دقة التحقق المتقاطع وبيانات الاختبار. تدعم النتائج الفرضية القائلة بأن قياسات قوس الأسنان وقاعدة الهيكل العظمي للفك العلوي يمكن أن تميز الجنس بفعالية، مما يبرز الأداء المتفوق لخوارزمية SVM وإمكانية تطبيقها في سياقات تحديد الجنس الجنائي.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية تحديد بقايا البشر في سياقات مختلفة، لا سيما لأغراض إنسانية وقانونية. تؤكد على دور الأدلة العظمية والأسنان في تحديد الجنس، وهو جانب حاسم في التوصيف الديموغرافي في الدراسات الجنائية والأثرية. لقد أظهرت الخصائص التشريحية للعظام، وخاصة شكل الجمجمة والوجه، أنها توفر نتائج موثوقة في تحديد الجنس، مع وجود طرق مثبتة تظهر دقة عالية. ومن الجدير بالذكر أن قياسات الجمجمة والأسنان، مثل عرض الجمجمة وعرض قوس الأسنان، هي مؤشرات هامة للتعرف على الأفراد وتحديد الجنس.
تناقش الورقة أيضًا دمج تقنيات التصوير المتقدمة، مثل التصوير المقطعي المحوسب والتصوير بالرنين المغناطيسي، في التحقيقات الجنائية، والتي تحافظ على العلاقات التشريحية وتعزز التحليل المورفومتري. علاوة على ذلك، تقدم تطبيق خوارزميات التعلم الآلي في المجال الجنائي، لا سيما لمهام التصنيف التي تصنف الأفراد بناءً على الخصائص المتعلمة. على الرغم من النتائج الواعدة المبلغ عنها في الأدبيات بشأن استخدام القياسات المورفومترية لتحديد الجنس، يشير المؤلفون إلى وجود فجوة في البحث فيما يتعلق باستخدام قياسات قوس الأسنان وقاعدة الفك العلوي التي تم تحليلها من خلال التعلم الآلي. تهدف الدراسة إلى معالجة هذه الفجوة من خلال اختبار الدقة التنبؤية لهذه القياسات مقابل التنبؤات العشوائية، مع فرضية العدم التي تفترض عدم وجود فرق كبير في الدقة.
طرق
تحدد قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. استخدم الباحثون مزيجًا من الأساليب الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. تضمنت المنهجيات المحددة تجارب محكومة، وتحليلات إحصائية، وتقنيات نمذجة، والتي تم تطبيقها لاختبار الفرضيات التي تم صياغتها في بداية البحث.
شملت جمع البيانات أخذ عينات منهجية وبروتوكولات قياس صارمة لضمان الدقة والموثوقية. تضمنت التحليلات الإحصائية المستخدمة نماذج الانحدار واختبار الفرضيات، مما سهل تقييم العلاقات بين المتغيرات. بالإضافة إلى ذلك، يوضح القسم أدوات البرمجيات والأطر المستخدمة لتحليل البيانات، مع تسليط الضوء على أهميتها لأهداف الدراسة. بشكل عام، تم تصميم الطرق لتوفير نتائج قوية وقابلة للتكرار، مما يساهم في صحة النتائج المقدمة في الأقسام اللاحقة.
نتائج
في هذه الدراسة، تم تحليل عينة من 100 مريض، مقسمة بالتساوي حسب الجنس وتتراوح أعمارهم بين 10 إلى 88 عامًا (متوسط العمر 38.5 ± 20.6 عامًا)، لتقييم المتغيرات الهيكلية والأسنان من حيث قدرتها التنبؤية في تصنيف الجنس. أظهرت التحليلات الإحصائية أن جميع المتغيرات الهيكلية والأسنان كانت ذات دلالة (p < 0.10)، مع وجود متغير واحد فقط يظهر قوة أقل من 0.7، مما يشير إلى أن معظم المتغيرات كانت ذات قوة كافية لحجم العينة. كان لمتغير NFW أصغر حجم تأثير، مما دفع إلى تضمين خمسة متغيرات هيكلية واثنين من المتغيرات السنية لتدريب نموذج تعلم آلي تحت الإشراف. أظهرت النماذج التنبؤية أداءً قويًا، حيث تراوحت قيم المنطقة تحت المنحنى (AUC) من 0.80 إلى 0.88، مع تفوق خاص في الانحدار اللوجستي، والغابات العشوائية، وشجرة القرار، ونماذج آلة الدعم المتجه (SVM). تم تسليط الضوء على متغير Ln-Ln كونه مهمًا بشكل خاص في نموذجين، بينما كان متغير Mol-Mol ذا دلالة بين القياسات السنية. تم تفصيل مصفوفات الارتباك لكل خوارزمية، بناءً على بيانات الاختبار، في الأشكال المقدمة، مما يوضح فعالية النماذج في التمييز بين تصنيفات الذكور والإناث.
مناقشة
هدفت الدراسة إلى تقييم فعالية قياسات الفك العلوي في تحديد الجنس باستخدام تقنيات التعلم الآلي تحت الإشراف، استنادًا إلى عينة من 100 مريض خضعوا للتصوير المقطعي للأسنان (CBCT) في البرازيل. التزمت الدراسة بالإرشادات الأخلاقية وشملت المشاركين الذين لم يخضعوا لعلاج تقويم الأسنان مسبقًا أو لديهم تشوهات وجهية كبيرة. تضمنت القياسات الرئيسية عرض ما بين الأضراس، عرض ما بين الأضراس، عرض الفك العلوي، وعرض تجويف الأنف، من بين أمور أخرى، مع وجود فاحص متخصص لضمان موثوقية القياسات. حدد تحليل أحادي المتغير اختلافات كبيرة في أبعاد الفك العلوي بين الجنسين، مما أدى إلى تطوير نماذج تنبؤية باستخدام خوارزميات تعلم آلي مختلفة، بما في ذلك آلة الدعم المتجه (SVM)، التي أظهرت أعلى أداء.
كشفت النتائج أن قياسات الفك العلوي تظهر تباين جنسي قوي، حيث يقدم الذكور عمومًا أبعادًا أكبر. ومن الجدير بالذكر أن الدراسة سلطت الضوء على أهمية استخدام المعلمات المترية من مسح CBCT لتعزيز دقة القياسات، وهو أمر حاسم في التطبيقات الجنائية. بينما قد يحد تجانس العينة العرقية من إمكانية تعميم النتائج، تؤكد النتائج على إمكانية هذه الخصائص الفكية العلوية كمؤشرات موثوقة لتحديد الجنس، مما يشير إلى أن المزيد من البحث مع مجموعات سكانية متنوعة يمكن أن يعزز من قابلية تطبيق النموذج في السياقات الجنائية. بشكل عام، نجحت الدراسة في رفض فرضية العدم، مما يشير إلى أن قياسات الفك العلوي توفر دقة تنبؤية كبيرة لتحديد الجنس تتجاوز الصدفة العشوائية.
DOI: https://doi.org/10.1186/s13005-024-00446-w
PMID: https://pubmed.ncbi.nlm.nih.gov/39215305
Publication Date: 2024-08-30
Author(s): Cristiano Miranda de Araújo et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
The study investigates the influence of cranial, facial, nasal, and maxillary widths on sex determination, utilizing dental arch and maxillary skeletal base measurements through supervised machine learning techniques. A sample of 100 patients underwent maxillary and mandibular tomographic examinations via Cone Beam Computed Tomography, measuring various dimensions including inter-premolar width, inter-molar width, and maxillary length. The research employed multiple machine learning algorithms—Logistic Regression, Gradient Boosting Classifier, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Multi-Layer Perceptron Classifier (MLP), Decision Tree, and Random Forest Classifier—validated through a 10-fold cross-validation approach.
Results indicated statistical significance (p < 0.10) across all measured variables, with nostril width and inter-molar width emerging as particularly important predictors. The models achieved accuracy rates between 0.75 and 0.85, with SVM demonstrating the highest area under the curve (AUC) and minimal variance between cross-validation and test data accuracy. The findings support the hypothesis that transverse dental arch and maxillary skeletal base measurements can effectively differentiate sex, highlighting the SVM algorithm's superior performance and its potential application in forensic sex determination contexts.
Introduction
The introduction of this research paper highlights the importance of identifying human remains in various contexts, particularly for humanitarian and legal purposes. It emphasizes the role of osteological and dental evidence in determining sex, which is a critical aspect of demographic profiling in forensic and archaeological studies. The anatomical characteristics of bones, especially craniofacial morphology, have been shown to provide reliable results in sex determination, with established methods demonstrating high accuracy. Notably, cranial and dental measurements, such as cranial widths and dental arch width, are significant indicators for individual identification and sex determination.
The paper also discusses the integration of advanced imaging techniques, such as computed tomography and magnetic resonance imaging, in forensic investigations, which preserve anatomical relationships and enhance morphometric analysis. Furthermore, it introduces the application of machine learning algorithms in the forensic field, particularly for classification tasks that label individuals based on learned characteristics. Despite the promising results reported in the literature regarding the use of morphometric measurements for sex determination, the authors note a gap in research concerning the use of dental arch and maxillary base measurements analyzed through machine learning. The study aims to address this gap by testing the predictive accuracy of these measurements against random predictions, with the null hypothesis positing no significant difference in accuracy.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. The researchers utilized a combination of quantitative and qualitative approaches to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, statistical analyses, and modeling techniques, which were applied to test the hypotheses formulated at the outset of the research.
Data collection involved systematic sampling and rigorous measurement protocols to ensure accuracy and reliability. The statistical analyses employed included regression models and hypothesis testing, which facilitated the evaluation of relationships between variables. Additionally, the section details the software tools and frameworks used for data analysis, highlighting their relevance to the study’s objectives. Overall, the methods were designed to provide robust and reproducible results, contributing to the validity of the findings presented in subsequent sections.
Results
In this study, a sample of 100 patients, evenly split by gender and ranging in age from 10 to 88 years (mean age 38.5 ± 20.6 years), was analyzed to evaluate skeletal and dental variables for their predictive power in gender classification. Statistical analysis indicated that all skeletal and dental variables were significant (p < 0.10), with only one variable exhibiting a power below 0.7, suggesting that most variables were adequately powered for the sample size. The NFW variable had the smallest effect size, prompting the inclusion of five skeletal and two dental variables for training a supervised machine learning model. The predictive models demonstrated strong performance, with area under the curve (AUC) values ranging from 0.80 to 0.88, particularly excelling in logistic regression, random forests, decision tree, and support vector machine (SVM) models. The Ln-Ln variable was highlighted as particularly important in two models, while the Mol-Mol variable was significant among dental measurements. The confusion matrices for each algorithm, based on test data, are detailed in the figures provided, illustrating the models' effectiveness in distinguishing between male and female classifications.
Discussion
The study aimed to assess the effectiveness of maxillary measurements in determining sex using supervised machine learning techniques, based on a sample of 100 patients undergoing dental computed tomography (CBCT) in Brazil. The research adhered to ethical guidelines and included participants without prior orthodontic treatment or significant facial anomalies. Key measurements included inter-premolar width, inter-molar width, maxillary width, and nasal cavity width, among others, with a specialized examiner ensuring measurement reliability. A univariate analysis identified significant differences in maxillary dimensions between sexes, leading to the development of predictive models using various machine learning algorithms, including Support Vector Machine (SVM), which demonstrated the highest performance.
The findings revealed that maxillary measurements exhibit strong sexual dimorphism, with males generally presenting larger dimensions. Notably, the study highlighted the importance of using metric parameters from CBCT scans to enhance measurement precision, which is crucial in forensic applications. While the sample’s ethnic homogeneity may limit generalizability, the results underscore the potential of these maxillary features as reliable indicators for sex determination, suggesting that further research with diverse populations could enhance the model’s applicability in forensic contexts. Overall, the study successfully rejected the null hypothesis, indicating that maxillary measurements provide significant predictive accuracy for sex determination beyond random chance.