DOI: https://doi.org/10.1007/s00414-026-03890-2
PMID: https://pubmed.ncbi.nlm.nih.gov/42387195
تاريخ النشر: 2026-07-02
المؤلف: Oladiran I. Olateju وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تبحث هذه الدراسة في تطبيق خوارزميات التعلم الآلي (ML) لتقدير الجنس من القياسات القحفية والحوضية في سكان جنوب أفريقيا، وبالتحديد السود المعاصرين في جنوب أفريقيا. استخدمت الدراسة عينة من 680 عنصرًا هيكليًا، تتكون من 400 جمجمة و280 عظمة حوضية، مع توزيع متساوٍ بين الجنسين. تم الحصول على القياسات من نماذج ثلاثية الأبعاد تم إعادة بنائها من مسح الأشعة المقطعية، وتم تحليل ما مجموعه ثمانية قياسات قحفية وأحد عشر قياسًا حوضيًا. استخدمت الدراسة سبع خوارزميات ML كلاسيكية وتقنيات تصنيف الميزات لتحديد المتغيرات الأكثر إفادة لتقدير الجنس.
أشارت النتائج إلى وجود تباين جنسي كبير في كل من العظام القحفية والحوضية، حيث حقق نموذج ML المكدس دقة أعلى مقارنة بالطرق التقليدية لقياس الشكل—تتراوح من 80.3% إلى 94.3% للقياسات القحفية ومن 86.1% إلى 96.1% للقياسات الحوضية. وتخلص الدراسة إلى أن نماذج ML، وخاصة مصنفات التجميع المكدسة، تعزز من دقة وموثوقية تقدير الجنس، مما يوفر نهجًا أكثر قابلية للتفسير، وقابلية للتوسع، وقابلية للتكرار في علم الأنثروبولوجيا الجنائية والبحث البيوأركيولوجي.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية تقدير الجنس من بقايا الهيكل العظمي في علم الأنثروبولوجيا الجنائية، حيث إنه أمر حاسم لتضييق نطاق الهويات المحتملة أثناء التوصيف البيولوجي للبقايا غير المعروفة. تم وضع معايير محددة للسكان لتقدير الجنس باستخدام القياسات من عناصر هيكلية مختلفة، بما في ذلك الجمجمة والحوض والعظام الطويلة، مع اهتمام خاص بالمعايير التي تم تطويرها للسود والبيض في جنوب أفريقيا من مجموعات بارزة.
في السنوات الأخيرة، اكتسب التعلم الآلي (ML) زخمًا في تطوير نماذج تقدير الجنس، حيث أظهر مزايا في معالجة مجموعات البيانات المعقدة وتحديد الأنماط الدقيقة التي قد تتجاهلها الطرق التقليدية. بينما أظهرت تقنيات ML دقة تصنيف عالية في تقدير الملفات البيولوجية، وخاصة من القياسات القحفية والحوضية، لا يزال تطبيقها في جنوب أفريقيا محدودًا، مع استمرار استخدام تحليل الدالة التمييزية. تهدف هذه الدراسة إلى إنشاء نماذج تقدير الجنس المعتمدة على ML باستخدام القياسات المستمدة من الأشعة المقطعية من السود المعاصرين في جنوب أفريقيا، مع معالجة الحاجة إلى طرق قوية ومحددة للسكان في السياقات الجنائية، خاصة بالنظر إلى الفجوات الاجتماعية والاقتصادية والمخاطر العالية للجريمة التي تواجه هذه الفئة السكانية.
طرق البحث
حصلت الدراسة على موافقة أخلاقية (M220108) من لجنة أخلاقيات البحث البشري في جامعة ويتواترسراند، مما سمح باستخدام بيانات الأشعة المقطعية الموجودة مسبقًا لتطوير نماذج الدالة التمييزية والانحدار اللوجستي لتقدير الجنس بناءً على القياسات القحفية والحوضية. كانت مجموعة البيانات تتكون من 680 سجلًا للأشعة المقطعية من أفراد سود في جنوب أفريقيا تتراوح أعمارهم بين 18 و60 عامًا، تم جمعها بين يناير 2016 وديسمبر 2022 في مستشفى تشارلوت ماكسيك الأكاديمي في جوهانسبرغ. تم استبعاد الأفراد الذين تزيد أعمارهم عن 60 عامًا لتخفيف آثار هشاشة العظام على القياسات الهيكلية. شملت التحليلات النهائية 400 مسح قحفي (200 ذكور، 200 إناث) و280 مسح حوضي (140 ذكور، 140 إناث)، جميعها تم الحصول عليها باستخدام جهاز الأشعة المقطعية SOMATOM Definition AS.
أشارت توزيع العينات حسب الجنس وفئة العمر إلى أن أعلى تكرارات لعينات الذكور القحفية كانت في الفئات العمرية 26-30 و41-45، بينما بلغت عينات الإناث ذروتها في الفئة العمرية 56-60. بالنسبة لعينات الحوض، كانت الفئة العمرية 26-30 أيضًا تحتوي على أكبر عدد من عينات الذكور، مع ملاحظة اتجاه مشابه للإناث. تم تقييم موثوقية الملاحظات من خلال القياسات المتكررة، مما أسفر عن خطأ تقني نسبي في القياس (rTEM) أشار إلى موثوقية عالية عبر جميع القياسات، مع مستويات خطأ مقبولة تقل عن 2-2.5% وفقًا للإرشادات المعمول بها. تدعم هذه المنهجية القوية صحة النتائج في تقدير الجنس من القياسات القحفية والحوضية.
النتائج
في مجموعة البيانات القحفية، تم الحصول على قياسات كاملة لثمانية متغيرات من 200 فرد ذكر و200 فرد أنثى. كشفت التحليلات أن الذكور أظهروا قيمًا متوسطة أعلى بشكل ملحوظ في معظم الأبعاد القحفية، مما يدل على تباين جنسي بارز. على سبيل المثال، كانت القيمة المتوسطة لـ Cra_01 هي 189.78 مم في الذكور مقابل 184.41 مم في الإناث، وبالنسبة لـ Cra_05، كان متوسط الذكور 136.25 مم بينما كان متوسط الإناث 131.23 مم.
وبالمثل، كانت مجموعة بيانات العظام الحوضية تتكون من قياسات من 140 فرد ذكر و140 فرد أنثى، مع بيانات كاملة لعدد أحد عشر متغيرًا حوضيًا. بما يتماشى مع النتائج القحفية، أظهر الذكور مرة أخرى قيمًا متوسطة أكبر عبر جميع الأبعاد الحوضية، مما يبرز المزيد من التباين الجنسي في شكل الحوض. تؤكد هذه النتائج فعالية المتغيرات العظمية في تقدير الجنس، مما يبرز أهميتها في الدراسات الأنثروبومترية.
المناقشة
تسلط قسم المناقشة في هذه الدراسة الضوء على تطبيق تقنيات التعلم الآلي (ML) لتقدير الجنس باستخدام القياسات القحفية والحوضية المستمدة من الأشعة المقطعية لسكان جنوب أفريقيا المعاصرين. أكدت التحليلات وجود تباين جنسي كبير في الشكل الهيكلي، مما يتماشى مع الأبحاث السابقة. على عكس الطرق الإحصائية التقليدية، التي غالبًا ما تفترض الطبيعية والخطية، فإن نماذج ML المستخدمة في هذه الدراسة التقطت بفعالية العلاقات المعقدة وغير الخطية، مما أظهر دقة تنبؤية متفوقة. من الجدير بالذكر أن نموذج التجميع المكدس، الذي دمج مخرجات المصنفات ذات الأداء العالي مثل Extra Trees وXGBoost وRandom Forest، حقق دقة بلغت 94.25% لبيانات الجمجمة و96.07% لبيانات الحوض، متجاوزًا المصنفات الفردية.
كما أكدت الدراسة على أهمية اختيار الميزات والتطبيع في تحسين أداء النموذج. تضمنت الميزات القحفية الرئيسية التي تم تحديدها Cra_04 وCra_06 وCra_11 وCra_14 وCra_12، بينما تم تسليط الضوء على القياسات الحوضية AceDia وTHox وGSNb وPuW كعناصر حاسمة لتصنيف الجنس. قدم استخدام SHAP (SHapley Additive exPlanations) رؤى قيمة حول مساهمات الميزات، مما يعالج المخاوف بشأن قابلية تفسير نماذج ML المعقدة. ومع ذلك، اعترف المؤلفون بالقيود، بما في ذلك الطبيعة المحددة للسكان لمجموعة البيانات والحاجة إلى التحقق الخارجي لضمان إمكانية تعميم النتائج عبر مجموعات سكانية متنوعة. بشكل عام، تدعو النتائج إلى دمج نماذج ML في علم الأنثروبولوجيا الجنائية، مما يوفر إطارًا قويًا لتقدير الجنس يعزز الدقة وقابلية التفسير بينما يدعم التحليل الخبير في السياقات الجنائية.
DOI: https://doi.org/10.1007/s00414-026-03890-2
PMID: https://pubmed.ncbi.nlm.nih.gov/42387195
Publication Date: 2026-07-02
Author(s): Oladiran I. Olateju et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
This research investigates the application of machine learning (ML) algorithms for sex estimation from cranial and pelvic measurements in a South African population, specifically contemporary Black South Africans. The study utilized a sample of 680 skeletal elements, comprising 400 crania and 280 pelvic bones, with an equal gender distribution. Measurements were obtained from 3D models reconstructed from CT scans, and a total of eight cranial and eleven pelvic measurements were analyzed. The research employed seven classical ML algorithms and feature ranking techniques to identify the most informative variables for sex estimation.
The results indicated significant sexual dimorphism in both cranial and pelvic bones, with the stacking ML model achieving superior accuracy compared to traditional morphometric methods—ranging from 80.3% to 94.3% for cranial measurements and 86.1% to 96.1% for pelvic measurements. The study concludes that ML models, particularly stacking ensemble classifiers, enhance the accuracy and reliability of sex estimation, offering a more interpretable, scalable, and reproducible approach for forensic anthropology and bioarchaeological research.
Introduction
The introduction of the research paper emphasizes the significance of sex estimation from skeletal remains in forensic anthropology, as it is crucial for narrowing down potential identities during the biological profiling of unidentified remains. Various population-specific standards have been established for sex estimation using measurements from different skeletal elements, including the skull, pelvis, and long bones, with particular attention to standards developed for Black and White South Africans from notable collections.
In recent years, machine learning (ML) has gained traction in developing sex estimation models, demonstrating advantages in processing complex datasets and identifying subtle patterns that traditional methods may overlook. While ML techniques have shown high classification accuracy in estimating biological profiles, particularly from cranial and pelvic measurements, their application in South Africa remains limited, with discriminant function analysis still prevalent. This study aims to create ML-based sex estimation models using CT-derived measurements from contemporary Black South Africans, addressing the need for robust, population-specific methods in forensic contexts, particularly given the socio-economic disparities and heightened crime risks faced by this demographic.
Methods
The study received ethical clearance (M220108) from the Human Research Ethics Committee at the University of the Witwatersrand, allowing the use of pre-existing CT scan data for developing discriminant function and logistic regression models for sex estimation based on cranial and pelvic measurements. The dataset comprised 680 CT scan records from Black South African individuals aged 18 to 60, collected between January 2016 and December 2022 at the Charlotte Maxeke Johannesburg Academic Hospital. Exclusion of individuals over 60 was implemented to mitigate the effects of osteoporosis on skeletal measurements. The final analysis included 400 cranial scans (200 males, 200 females) and 280 pelvic scans (140 males, 140 females), all acquired using a SOMATOM Definition AS CT scanner.
The distribution of samples by sex and age group indicated that the highest frequencies for male cranial samples were in the 26-30 and 41-45 age groups, while female samples peaked in the 56-60 age group. For pelvic samples, the 26-30 age group also had the most male samples, with a similar trend observed for females. Inter-observer reliability was assessed through repeated measurements, yielding a relative technical error of measurement (rTEM) that indicated high reliability across all measurements, with acceptable error levels below 2-2.5% as per established guidelines. This robust methodology supports the validity of the findings in sex estimation from cranial and pelvic measurements.
Results
In the cranial dataset, complete measurements were obtained for eight variables from 200 male and 200 female individuals. Analysis revealed that males exhibited significantly higher mean values in most cranial dimensions, indicating pronounced sexual dimorphism. For instance, the mean measurement for Cra_01 was 189.78 mm in males versus 184.41 mm in females, and for Cra_05, males averaged 136.25 mm while females averaged 131.23 mm.
Similarly, the pelvic bone dataset comprised measurements from 140 male and 140 female individuals, with complete data for eleven pelvic variables. Consistent with the cranial findings, males again showed greater mean values across all pelvic dimensions, further emphasizing the sexual dimorphism in pelvic morphology. These results underscore the effectiveness of osteometric variables in sex estimation, highlighting their relevance in anthropometric studies.
Discussion
The discussion section of this study highlights the application of machine learning (ML) techniques for sex estimation using cranial and pelvic measurements derived from CT scans of a contemporary South African population. The analysis confirmed significant sexual dimorphism in skeletal morphology, aligning with previous research. Unlike traditional statistical methods, which often assume normality and linearity, the ML models employed in this study effectively captured complex, non-linear relationships, demonstrating superior predictive accuracy. Notably, the stacking ensemble model, which integrated outputs from top-performing classifiers such as Extra Trees, XGBoost, and Random Forest, achieved accuracies of 94.25% for cranial data and 96.07% for pelvic data, surpassing individual classifiers.
The study also emphasized the importance of feature selection and normalization in enhancing model performance. Key cranial features identified included Cra_04, Cra_06, Cra_11, Cra_14, and Cra_12, while pelvic measurements AceDia, THox, GSNb, and PuW were highlighted as critical for sex classification. The use of SHAP (SHapley Additive exPlanations) provided valuable insights into feature contributions, addressing concerns regarding the interpretability of complex ML models. However, the authors acknowledged limitations, including the population-specific nature of the dataset and the need for external validation to ensure generalizability across diverse populations. Overall, the findings advocate for the integration of ML models in forensic anthropology, offering a robust framework for sex estimation that enhances accuracy and interpretability while supporting expert analysis in forensic contexts.