DOI: https://doi.org/10.1038/s41598-025-24926-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41266620
تاريخ النشر: 2025-11-20
المؤلف: Damini Siwan وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تدرس هذه الدراسة استخدام نماذج التعلم الآلي (ML) للتنبؤ بأبعاد الوجه بناءً على معلمات الأسنان والفك، مما يعالج جانبًا حاسمًا من التعرف الشخصي في علم الطب الشرعي. تم تحليل عينة من 422 مشاركًا من سكان شمال الهند، باستخدام قوالب الأسنان، والقياسات الأنثروبومترية، والصور الفوتوغرافية. تشمل النماذج المستخدمة الانحدار باستخدام دعم المتجهات (SVR)، والانحدار باستخدام الغابة العشوائية (RFR)، والانحدار باستخدام شجرة القرار (DTR)، والانحدار الخطي (LR)، محققة دقة تنبؤ مثيرة للإعجاب تتراوح بين 90-94% مع أخطاء تنبؤ منخفضة تتراوح بين 0.1 إلى 0.9 عبر جميع قياسات الوجه. من بين هذه النماذج، أظهر SVR و LR أداءً متفوقًا، بينما أظهر DTR دقة أقل مقارنة.
تشير النتائج إلى أن دمج هذه النماذج ML مع تقنيات إعادة بناء الوجه التقليدية يمكن أن يعزز دقة وموثوقية منهجيات التعرف الجنائي. تبرز الدراسة الإمكانية للتطبيقات العملية في سيناريوهات مثل التحقيقات الجنائية وتحديد هوية ضحايا الكوارث، حيث قد تكون البيانات المتعلقة بالأسنان والفك هي المتاحة فقط. يمكن أن تركز الأبحاث المستقبلية على تدريب نماذج مماثلة على مجموعات بيانات أكبر لتحسين قابليتها للتطبيق في سياقات الطب الشرعي في الوقت الحقيقي، مما يساعد في النهاية الخبراء الجنائيين في إعادة بناء ملفات الوجه لأغراض التعرف.
مقدمة
في هذه الدراسة، تم استخدام أربعة خوارزميات تعلم آلي متميزة لتحسين الأداء في نمذجة العلاقات بين المتغيرات المستقلة والتابعة. تشمل اختيار هذه الخوارزميات مجموعة متنوعة من المنهجيات، بما في ذلك الانحدار القائم على النواة، الذي يتقن التقاط العلاقات غير الخطية، والانحدار الخطي، الذي يستخدم لتحديد الارتباطات الخطية. تهدف هذه المقاربة الشاملة إلى تعزيز فهم أنماط البيانات الأساسية وتحسين دقة التنبؤ.
طرق
في هذا القسم، يوضح المؤلفون طرق التقييم المستخدمة لتقييم أداء النماذج التنبؤية. يستخدمون عدة مقاييس رئيسية مصممة خصيصًا للنماذج القائمة على الانحدار، بما في ذلك متوسط مربع الخطأ (MSE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE). توفر هذه المقاييس أساسًا كميًا لقياس دقة النماذج، والتي يتم تعزيزها أيضًا من خلال تقييم الدقة المعبر عنها كنسبة مئوية. تضمن هذه المقاربة الشاملة تقييمًا قويًا للقدرات التنبؤية للنماذج قيد النظر.
نتائج
في هذه الدراسة، تم تطوير نماذج التعلم الآلي (ML) للتنبؤ بقياسات الوجه بناءً على قياسات الأسنان والفك، باستخدام نهج الانحدار متعدد الأهداف. تتكون المتغيرات المستقلة من قياسات مختلفة للأسنان والفك، بينما تشمل المتغيرات التابعة قياسات وجه متعددة. خضعت النماذج لضبط المعلمات الفائقة باستخدام طرق البحث الشبكي لتحسين أدائها.
أظهر التقييم اللاحق للنماذج فعاليتها في التنبؤ بقياسات الوجه من الميزات السنية المقدمة. تشير النتائج إلى تطبيق ناجح لتقنيات ML في سياق التنبؤ بالوجه، مما يبرز إمكانية استخدام مقاييس الأسنان كمؤشرات موثوقة لأبعاد الوجه.
مناقشة
الدراسة، التي وافقت عليها لجنة الأخلاقيات المؤسسية بجامعة البنجاب، شملت 422 مشاركًا (201 ذكر و221 أنثى) تتراوح أعمارهم بين 18 إلى 40 عامًا من شيملا، هيماشال براديش، الهند. باستخدام طرق أخذ العينات الثلجية والمريحة، جمع الباحثون قوالب الأسنان والقياسات الأنثروبومترية للوجه، مع ضمان الحصول على موافقة مستنيرة والالتزام بالإرشادات الأخلاقية. تم تسجيل أبعاد الوجه المختلفة، مثل الحد الأدنى من العرض الجبهي (Ft-Ft)، والحد الأقصى من عرض الوجه (Zy-Zy)، والعديد من القياسات السنية، باستخدام أدوات القياس وقوالب الأسنان. ثم تم إعداد البيانات للتحليل باستخدام نماذج التعلم الآلي الخاضعة للإشراف، بما في ذلك الانحدار باستخدام دعم المتجهات (SVR)، والانحدار باستخدام الغابة العشوائية (RFR)، والانحدار باستخدام شجرة القرار (DTR)، والانحدار الخطي (LR)، مع تحسين المعلمات الفائقة من خلال البحث الشبكي والتحقق منها باستخدام التحقق المتقاطع 10-fold.
تشير النتائج إلى أن النماذج تنبأت بفعالية بأبعاد الوجه مع الحد الأدنى من الخطأ، خاصة للقياسات حول المستوى السهمي الأوسط، مثل عرض الأنف والمسافة بين الحدقتين. من بين النماذج، أظهر LR و SVR أعلى دقة، محققين أخطاء تنبؤ تراكمية أقل من 0.60، بينما أظهر DTR أقل دقة. من الجدير بالذكر أن قياسات الفك العلوي، وخاصة المسافة بين الأضراس العلوية، كانت الأكثر أهمية في التنبؤ بأبعاد الوجه. تؤكد الدراسة على إمكانية استخدام قياسات الأسنان والفك لإعادة بناء الوجه الجنائي، مما يبرز موثوقية نماذج التعلم الآلي في هذا السياق. ومع ذلك، تعترف أيضًا بالقيود المتعلقة بحجم مجموعة البيانات ونطاقها الجغرافي، مما يشير إلى أن الأبحاث المستقبلية يجب أن توسع هذه المعايير لتحسين الدقة وقابلية التطبيق في علم الطب الشرعي.
DOI: https://doi.org/10.1038/s41598-025-24926-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41266620
Publication Date: 2025-11-20
Author(s): Damini Siwan et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
The study investigates the use of machine learning (ML) models to predict facial dimensions based on dental and jaw parameters, addressing a critical aspect of personal identification in forensic science. A sample of 422 participants from a North Indian population was analyzed, utilizing dental casts, anthropometric measurements, and photographs. The models employed include Support Vector Regression (SVR), Random Forest Regression (RFR), Decision Tree Regression (DTR), and Linear Regression (LR), achieving an impressive prediction accuracy of 90-94% with low prediction errors ranging from 0.1 to 0.9 across all facial measurements. Among these, SVR and LR demonstrated superior performance, while DTR showed comparatively lower accuracy.
The findings suggest that integrating these ML models with traditional facial reconstruction techniques could enhance the precision and reliability of forensic identification methodologies. The study highlights the potential for practical applications in scenarios such as forensic investigations and disaster victim identification, where only dental and jaw data may be available. Future research could focus on training similar models on larger datasets to further improve their applicability in real-time forensic contexts, ultimately aiding forensic experts in reconstructing facial profiles for identification purposes.
Introduction
In this study, four distinct machine learning algorithms were employed to optimize performance in modeling relationships between independent and dependent variables. The selection of these algorithms encompasses a diverse array of methodologies, including kernel-based regression, which is adept at capturing non-linear relationships, and linear regression, which is utilized for identifying linear associations. This comprehensive approach aims to enhance the understanding of the underlying data patterns and improve predictive accuracy.
Methods
In this section, the authors outline the evaluation methods employed to assess the performance of predictive models. They utilize several key metrics specifically tailored for regression-based models, including Mean Square Error (MSE), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE). These metrics provide a quantitative basis for measuring the accuracy of the models, which is further complemented by an assessment of accuracy expressed as a percentage. This comprehensive approach ensures a robust evaluation of the predictive capabilities of the models under consideration.
Results
In this study, machine learning (ML) models were developed to predict facial measurements based on teeth and jaw measurements, employing a multi-target regression approach. The independent variables consisted of various measurements of teeth and jaws, while the dependent variables included multiple facial measurements. The models underwent hyperparameter tuning using Grid search methods to optimize their performance.
Subsequent evaluation of the models demonstrated their effectiveness in predicting the facial measurements from the provided dental features. The results indicate a successful application of ML techniques in the context of facial prediction, highlighting the potential of using dental metrics as reliable indicators for facial dimensions.
Discussion
The study, approved by the Panjab University Institutional Ethics Committee, involved 422 participants (201 males and 221 females) aged 18 to 40 from Shimla, Himachal Pradesh, India. Using snowball and convenient sampling methods, the researchers collected dental casts and anthropometric facial measurements, ensuring informed consent and adherence to ethical guidelines. Various facial dimensions, such as minimum frontal width (Ft-Ft), maximum facial width (Zy-Zy), and several dental measurements, were recorded using callipers and dental casts. The data was then prepared for analysis using supervised machine learning models, including Support Vector Regression (SVR), Random Forest Regression (RFR), Decision Tree Regression (DTR), and Linear Regression (LR), with hyperparameters optimized through Grid Search and validated using 10-fold cross-validation.
The findings indicate that the models effectively predicted facial dimensions with minimal error, particularly for measurements around the mid-sagittal plane, such as nasal width and interpupillary distance. Among the models, LR and SVR demonstrated the highest accuracy, achieving cumulative prediction errors below 0.60, while DTR showed the least accuracy. Notably, maxillary measurements, especially the maxillary inter-molar distance, were found to be the most significant predictors of facial dimensions. The study emphasizes the potential of using dental and jaw measurements for forensic facial reconstruction, highlighting the reliability of machine learning models in this context. However, it also acknowledges limitations related to the dataset size and geographic scope, suggesting future research should expand these parameters for improved accuracy and applicability in forensic science.