DOI: https://doi.org/10.1038/s41598-025-07608-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40595160
تاريخ النشر: 2025-07-02
المؤلف: Ivan Jerković وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تستكشف هذه الدراسة منهجية تعلم عميق لتقدير الجنس بناءً على نماذج ثلاثية الأبعاد لعظم اللامي، باستخدام مسحات الأشعة المقطعية (CT) من سكان كرواتيا. تم تحليل ما مجموعه 202 عينة من عظم اللامي (101 ذكر و101 أنثى)، حيث تم تحويل الشبكات المستمدة من الأشعة المقطعية إلى سحب نقطية مكونة من 2048 نقطة لمعالجتها من خلال شبكة PointNet++ المعدلة. تم تصميم النموذج لمجموعات البيانات الصغيرة ودمج طبقات الالتفاف أحادية البعد جنبًا إلى جنب مع ميزات الحجم العالمية، وتم اختباره في إطار غير خاضع للإشراف، محققًا دقة تبلغ 87.10% في تحديد الأنماط الشكلية المعتمدة على الجنس.
بعد ذلك، أسفرت طريقة التصنيف الخاضعة للإشراف باستخدام آلة دعم المتجهات عن دقة تبلغ 88.71% (معامل ارتباط ماثيو، MCC = 0.7746) على مجموعة اختبار مكونة من 62 عينة. كشفت تحليل القابلية للتفسير عن اختلافات شكلية كبيرة، حيث أظهر الذكور عظام لامي أكبر على شكل حرف U، بينما تميزت الإناث بهياكل أصغر وأكثر انفتاحًا. على الرغم من حجم العينة المحدود، فإن الطريقة المقترحة تحدد بفعالية اختلافات الجنس، مما يوفر أداة فعالة من حيث البيانات وقابلة للتفسير لتقدير الجنس، وهو أمر مفيد بشكل خاص في علم الأنثروبولوجيا الجنائية حيث قد تكون بقايا الهياكل العظمية نادرة.
الطرق
توضح قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يتناول المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. تشمل المنهجية البروتوكولات لجمع البيانات، بما في ذلك أي تحليلات إحصائية تم إجراؤها لتفسير النتائج.
بالإضافة إلى ذلك، قد يصف القسم إعداد التجربة، بما في ذلك ظروف التحكم والمنطق وراء الطرق المختارة. تعتبر هذه الوثائق الشاملة ضرورية للتحقق من النتائج وتسمح بإمكانية تكرارها من قبل باحثين آخرين في هذا المجال.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تورد الدراسة أحجام التأثير، التي تظهر تأثيرًا معتدلًا إلى قوي للمتغير المستقل على المتغير التابع، كما تم قياسه بواسطة d لـ كوهين.
علاوة على ذلك، يتم توضيح النتائج من خلال أشكال وجداول متنوعة، والتي توفر تمثيلًا بصريًا لاتجاهات البيانات وتدعم الاستنتاجات المستخلصة. تسهم النتائج في الأدبيات الموجودة من خلال تأكيد الفرضيات السابقة وتقديم رؤى جديدة حول الآليات المعنية. بشكل عام، تؤكد النتائج على أهمية العوامل المدروسة وآثارها على الأبحاث المستقبلية والتطبيقات العملية.
المناقشة
في هذه الدراسة، نجح المؤلفون في تعديل نموذج PointNet++ لتصنيف عظام اللامي حسب الجنس، محققين دقة تبلغ 88.71% ومعامل ارتباط ماثيو (MCC) قدره 0.7746 باستخدام مجموعة بيانات صغيرة نسبيًا مكونة من 120 عينة تدريب. وهذا يدل على فعالية النموذج في تحليل عنصر هيكلي غالبًا ما يعتبر ثانويًا في التوصيف الجنائي. تسلط الدراسة الضوء على قدرة النموذج على استخراج بيانات شكلية وأبعاد مفصلة، مما يوفر نهجًا فعالًا من حيث البيانات يكون مفيدًا بشكل خاص في علم الأنثروبولوجيا الجنائية، حيث غالبًا ما تكون أحجام العينات محدودة. تتماشى النتائج مع الأبحاث السابقة، مما يشير إلى أن النموذج المعدل يمكن أن يؤدي بشكل مشابه لطرق أكثر كثافة في البيانات بينما يتطلب عينات أقل بكثير.
كشفت التحليلات غير الخاضعة للإشراف عن أنماط شكلية مميزة بين عظام اللامي الذكر والأنثى، حيث حقق التجميع باستخدام K-means دقة تبلغ 87.10%. كما أوضح تحليل القابلية للتفسير عملية اتخاذ القرار للنموذج، مع تحديد مناطق معينة من عظم اللامي التي تساهم في تصنيف الجنس. تم نسب الأخطاء في التصنيف إلى الأبعاد المتداخلة والتماثلات، مما يبرز حساسية النموذج للاختلافات الطفيفة. بشكل عام، لا تعزز هذه الأبحاث فقط تطبيق التعلم العميق في علم الأنثروبولوجيا الجنائية، بل تقترح أيضًا أن منهجيات مماثلة يمكن تطبيقها على عناصر هيكلية أكثر تباينًا، مما يعزز الإمكانية لأساليب مدفوعة بالذكاء الاصطناعي في العلوم الجنائية. يجب أن تركز الأعمال المستقبلية على توسيع مجموعة البيانات وتحسين بنية النموذج لتحسين دقة التصنيف بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-025-07608-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40595160
Publication Date: 2025-07-02
Author(s): Ivan Jerković et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
This study explores a deep learning methodology for sex estimation based on 3D models of the hyoid bone, utilizing computed tomography (CT) scans from a Croatian population. A total of 202 hyoid samples (101 male and 101 female) were analyzed, with CT-derived meshes transformed into 2048-point clouds for processing through an adapted PointNet++ network. The model, designed for small datasets and incorporating 1D convolutional layers alongside global size features, was initially tested in an unsupervised framework, achieving an accuracy of 87.10% in identifying sex-based morphological patterns.
Following this, a supervised classification approach using a support vector machine resulted in an accuracy of 88.71% (Matthews Correlation Coefficient, MCC = 0.7746) on a test set of 62 samples. The interpretability analysis revealed significant morphological differences, with males displaying larger, U-shaped hyoids and females characterized by smaller, more open structures. Despite the limited sample size, the proposed method effectively delineates sex differences, offering a data-efficient and interpretable tool for sex estimation, particularly beneficial in forensic anthropology where skeletal remains may be scarce.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methodology encompasses the protocols for data collection, including any statistical analyses performed to interpret the results.
Additionally, the section may describe the experimental setup, including control conditions and the rationale behind the chosen methods. This thorough documentation is crucial for validating the findings and allows for potential replication by other researchers in the field.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the study reports on the effect sizes, which demonstrate a moderate to strong impact of the independent variable on the dependent variable, as quantified by Cohen’s d.
Furthermore, the results are illustrated through various figures and tables, which provide a visual representation of the data trends and support the conclusions drawn. The findings contribute to the existing literature by confirming previous hypotheses and offering new insights into the mechanisms at play. Overall, the results underscore the importance of the studied factors and their implications for future research and practical applications.
Discussion
In this study, the authors successfully adapted the PointNet++ model for the classification of hyoid bones by sex, achieving an accuracy of 88.71% and a Matthews Correlation Coefficient (MCC) of 0.7746 using a relatively small dataset of 120 training samples. This demonstrates the model’s effectiveness in analyzing a skeletal element often considered secondary in forensic profiling. The study highlights the model’s ability to extract detailed morphological and dimensional data, offering a data-efficient approach that is particularly beneficial in forensic anthropology, where sample sizes are often limited. The findings align with previous research, indicating that the adapted model can perform comparably to more data-intensive methods while requiring significantly fewer samples.
The unsupervised analysis revealed distinct morphological patterns between male and female hyoid bones, with K-means clustering achieving an accuracy of 87.10%. The interpretability analysis further elucidated the model’s decision-making process, identifying specific regions of the hyoid bone that contribute to sex classification. Misclassifications were attributed to overlapping dimensions and asymmetries, underscoring the model’s sensitivity to subtle variations. Overall, this research not only advances the application of deep learning in forensic anthropology but also suggests that similar methodologies could be applied to more dimorphic skeletal elements, enhancing the potential for AI-driven approaches in forensic science. Future work should focus on expanding the dataset and refining the model architecture to improve classification accuracy further.