DOI: https://doi.org/10.1186/s12880-025-01834-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40681971
تاريخ النشر: 2025-07-18
المؤلف: Yusuf Seçgin وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تبحث هذه الدراسة في استخدام القياسات المورفومترية من القناة الوجهية (FC) للعظم الصدغي لتحديد الجنس، مستفيدة من التعلم الآلي (ML) والشبكات العصبية الاصطناعية (ANNs). قامت الدراسة بتحليل صور الأشعة المقطعية (CT) لـ 200 فرد (100 ذكر و100 أنثى) تتراوح أعمارهم بين 19-65 عامًا، مع التركيز على تسعة معايير ثنائية القياس تم قياسها في مستويات مختلفة. تم استخدام مجموعة من خوارزميات التعلم الآلي، بما في ذلك تحليل التمييز التربيعي (QDA) وتحليل التمييز الخطي (LDA) وغابة عشوائية (RF)، من بين أمور أخرى، حيث حققت جميعها باستثناء QDA معدل دقة يبلغ 97%. حدد تحليل SHapley Additive exPlanations (SHAP) المعايير الأكثر أهمية التي تساهم في تمييز الجنس.
تشير النتائج إلى أن الميزات المورفومترية للقناة الوجهية (FC) تظهر تباينًا جنسيًا ملحوظًا، مع قياسات محددة مثل زوايا الجنو والسمك العرضي التي تكون فعالة بشكل خاص في تقدير الجنس. تؤكد هذه النتائج على إمكانيات الأساليب المعتمدة على التعلم الآلي في تعزيز التحقيقات الجنائية، خاصة في الحالات التي تحتوي على بقايا مجزأة، وفي السياقات السريرية للتخطيط قبل العمليات في جراحة الأذن وقاعدة الجمجمة. تسلط الدراسة الضوء على أهمية هذه البيانات المورفومترية للجراحين وعلماء الأنثروبولوجيا والخبراء الجنائيين، مشيرة إلى أنها قد تحسن الفهم التشريحي وتقلل من المضاعفات الجراحية.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للتعرف في علم الأنثروبولوجيا الجنائية والطب، مشددة على أن تحديد الجنس هو عامل محوري في عملية التعرف. يمكن أن يؤدي تقدير الجنس بدقة إلى تضييق خيارات التعرف بشكل كبير، مما يسهل اتخاذ قرارات أسرع وأكثر فعالية في القضايا الجنائية. بينما يعد تحليل الحمض النووي طريقة موثوقة لتحديد الجنس، فإن تكلفته العالية ومتطلبات التقنية غالبًا ما تدفع الممارسين إلى تفضيل طرق بديلة مثل قياسات العظام وقياسات الأسنان، وخاصة التحليلات المورفومترية للميزات الهيكلية.
تناقش هذه الفقرة أيضًا تشريح القناة الوجهية (FC) وأهميتها في السياقات الجراحية، خاصة فيما يتعلق بالعصب الوجهي. يعد فهم بنية القناة الوجهية، بما في ذلك مقاطعها وزواياها، أمرًا أساسيًا لتشخيص أمراض الأذن الوسطى وتقليل تلف الأعصاب أثناء الجراحة. علاوة على ذلك، توضح المقدمة إمكانيات التعلم الآلي (ML) في الرعاية الصحية، وخاصة لتقدير الجنس، من خلال الاستفادة من تقنيات استخراج البيانات. تهدف الدراسة إلى سد الفجوة في الأدبيات الحالية من خلال استخدام الميزات المورفومترية للقناة الوجهية (FC) لتقدير الجنس باستخدام خوارزميات التعلم الآلي، وبالتالي المساهمة في التقدم في منهجيات التعرف الجنائي.
النتائج
في هذه الدراسة، أظهرت معايير MSL اليمنى/اليسرى ومعايير SGA اليمنى/اليسرى توزيعًا طبيعيًا، حيث أظهر الذكور قيمًا أعلى بكثير من الإناث (p < 0.05). بالنسبة للمعايير التي تفتقر إلى التوزيع الطبيعي، أظهرت جميعها باستثناء TSL اليمنى/اليسرى اتجاهًا مشابهًا، مع اختلافات ملحوظة بناءً على الجنس (p < 0.05). حدد تحليل ROC معيار TSL الأيمن كأكثر المعايير تأثيرًا على النتيجة العامة (p < 0.05). تم تأكيد موثوقية القياسات من خلال اختبار ICC، وتم التحقق من خوارزميات التعلم الآلي (ML) باستخدام مجموعة اختبار بنسبة 20% و10-fold cross-validation، محققة معدل دقة يبلغ 0.98 ± 0.026 مع خوارزمية LDA. أشار محلل SHAP إلى أن أهم خمسة معايير تؤثر على دقة النموذج كانت SGA اليمنى، SGA اليسرى، TSW اليمنى، TSW اليسرى، وIFC اليسرى. على العكس، كانت المعايير مثل FGA اليسرى، LSL اليسرى، وغيرها لها تأثير ضئيل على الدقة (< 0.05). عند إزالتها، تأثرت دقة الخوارزميات بشكل طفيف (انخفاض 0.02)، حيث حققت خوارزمية QDA دقة قدرها 0.91، بينما حافظت الخوارزميات الأخرى على دقة تتراوح بين 0.95 إلى 0.97. أكدت تحليل الشبكة العصبية هذه النتائج، محققة دقة تقدير الجنس قدرها 0.97 عبر جميع مجموعات التدريب، مع توقعات ناجحة لـ 20 من 21 ذكرًا وجميع 19 أنثى في مجموعة الاختبار.
المناقشة
في هذه الدراسة، تم تقييم الخصائص المورفومترية للقناة الوجهية (FC) في العظم الصدغي باستخدام تحليل رجعي لصور الأشعة المقطعية من 200 موضوع. وجدت الأبحاث أنه يمكن تقدير الجنس بدقة تصل إلى 97% من خلال خوارزميات التعلم الآلي (ML) والشبكات العصبية الاصطناعية (ANN)، حيث تم تحديد زاوية الجنو الثانية اليمنى (SGA) كأكثر المعايير أهمية لتقدير الجنس. أبرزت الدراسة أن جميع المعايير التي تم تقييمها أظهرت تباينًا جنسيًا ملحوظًا، حيث أظهرت كل من SGAs اليمنى واليسرى وTSWs اختلافات واضحة بين الجنسين. أشارت النتائج إلى أن الخوارزميات حققت معدلات دقة عالية، حيث نجحت في تصنيف جميع الإناث و20 من 21 ذكرًا في مجموعة الاختبار.
تساهم النتائج في مجال الطب الشرعي من خلال إظهار إمكانية استخدام الميزات المورفومترية من الهياكل التشريحية الأعمق لتقدير الجنس، وهو أمر حاسم في الحالات التي قد تفشل فيها الطرق التقليدية. كما قارنت الدراسة نتائجها مع الأدبيات الحالية، مشيرة إلى أن معدلات الدقة لتقدير الجنس من القناة الوجهية (FC) كانت أفضل من تلك المبلغ عنها للهياكل القحفية الوجهية الأخرى. ومع ذلك، اعترف المؤلفون بالقيود، مثل تصميم الدراسة في مركز واحد ونطاق العمر الواسع، مما قد يؤثر على قابلية تعميم النتائج. يُوصى بإجراء أبحاث مستقبلية تشمل بيانات متعددة المراكز وتحليلات عمرية مصنفة لتعزيز قوة وملاءمة النماذج المطورة عبر مجموعات سكانية متنوعة.
DOI: https://doi.org/10.1186/s12880-025-01834-7
PMID: https://pubmed.ncbi.nlm.nih.gov/40681971
Publication Date: 2025-07-18
Author(s): Yusuf Seçgin et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
This research investigates the use of morphometric measurements from the facial canal (FC) of the temporal bone for sex determination, leveraging machine learning (ML) and artificial neural networks (ANNs). The study analyzed Computed Tomography (CT) images of 200 individuals (100 males and 100 females) aged 19-65 years, focusing on nine bilateral parameters measured in various planes. A range of ML algorithms, including Quadratic Discriminant Analysis (QDA), Linear Discriminant Analysis (LDA), and Random Forest (RF), among others, were employed, with all but QDA achieving an accuracy rate of 97%. SHapley Additive exPlanations (SHAP) analysis identified the most significant parameters contributing to sex differentiation.
The findings indicate that morphometric features of the FC exhibit notable sexual dimorphism, with specific measurements such as genu angles and transverse segment widths being particularly effective for sex estimation. These results underscore the potential of ML-based methods in enhancing forensic investigations, especially in cases with fragmented remains, and in clinical settings for preoperative planning in otologic and skull base surgeries. The study highlights the relevance of these morphometric data for surgeons, anthropologists, and forensic experts, suggesting that they may improve anatomical understanding and reduce surgical complications.
Introduction
The introduction highlights the critical role of identification in forensic anthropology and medicine, emphasizing that sex determination is a pivotal factor in the identification process. Accurate sex estimation can significantly narrow down identification possibilities, facilitating quicker and more effective decision-making in forensic cases. While DNA analysis is a reliable method for sex determination, its high cost and technical requirements often lead practitioners to prefer alternative methods such as osteometry and odontometry, particularly morphometric analyses of skeletal features.
The section also discusses the anatomy of the facial canal (FC) and its relevance in surgical contexts, particularly concerning the facial nerve. Understanding the FC’s structure, including its segments and angles, is essential for diagnosing middle ear pathologies and minimizing nerve damage during surgeries. Furthermore, the introduction outlines the potential of machine learning (ML) in healthcare, particularly for sex estimation, by leveraging data mining techniques. The study aims to fill a gap in existing literature by employing morphometric features of the FC to estimate sex using ML algorithms, thereby contributing to advancements in forensic identification methodologies.
Results
In this study, the right/left MSL and right/left SGA parameters demonstrated a normal distribution, with males exhibiting significantly higher values than females (p < 0.05). For parameters lacking normal distribution, all except the right/left TSL showed a similar trend, with significant sex-based differences (p < 0.05). The ROC analysis identified the right TSL as the most influential parameter contributing to the overall outcome (p < 0.05). Reliability of measurements was confirmed through the ICC test, and machine learning (ML) algorithms were validated using a 20% test set and 10-fold cross-validation, achieving an accuracy rate of 0.98 ± 0.026 with the LDA algorithm. The SHAP analyzer indicated that the top five influential parameters affecting the model's accuracy were right SGA, left SGA, right TSW, left TSW, and left IFC. Conversely, parameters such as left FGA, left LSL, and others had minimal impact on accuracy (< 0.05). Upon their removal, the algorithms' accuracy was slightly affected (0.02 decrease), with the QDA algorithm yielding an accuracy of 0.91, while other algorithms maintained an accuracy of 0.95 to 0.97. Neural network analysis corroborated these findings, achieving a sex estimation accuracy of 0.97 across all training sets, with successful predictions for 20 out of 21 male and all 19 female individuals in the test set.
Discussion
In this study, the morphometric properties of the facial canal (FC) in the temporal bone were evaluated using a retrospective analysis of CT scans from 200 subjects. The research found that sex could be accurately estimated with 97% accuracy through machine learning (ML) algorithms and artificial neural networks (ANN), with the right second genu angle (SGA) identified as the most significant parameter for sex estimation. The study highlighted that all evaluated parameters exhibited significant sexual dimorphism, with both right and left SGAs and tympanic segment widths (TSWs) showing pronounced differences between sexes. The results indicated that the algorithms achieved high accuracy rates, successfully classifying all female subjects and 20 out of 21 male subjects in the test set.
The findings contribute to the field of forensic medicine by demonstrating the potential of using morphometric features from deeper anatomical structures for sex estimation, which is crucial in cases where traditional methods may fail. The study also compared its results with existing literature, noting that the accuracy rates for sex estimation from the FC were superior to those reported for other craniofacial structures. However, the authors acknowledged limitations, such as the study’s single-center design and broad age range, which may affect the generalizability of the findings. Future research is recommended to include multicenter data and stratified age analyses to enhance the robustness and applicability of the developed models across diverse populations.