DOI: https://doi.org/10.1186/s12874-024-02183-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38413856
تاريخ النشر: 2024-02-27
المؤلف: Omid Hamidi وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تقدم هذه الورقة البحثية نهجًا جديدًا لتحديد العمر والجنس باستخدام معلمات الجيوب الأنفية الجانبية المستمدة من صور الأشعة المقطعية باستخدام شعاع مخروط (CBCT). استخدمت الدراسة مجموعة بيانات تتكون من 240 صورة CBCT، تضم 129 أنثى و111 ذكرًا تتراوح أعمارهم بين 18-52، لتطوير نموذج هجين يعرف باسم خوارزمية جينية-شبكة عصبية عميقة (GADNN). تم تحسين هذا النموذج من خلال خوارزمية تطورية وهدفت إلى تعزيز دقة التوصيف في السياقات الجنائية. ركز التحليل على أربعة معلمات رئيسية للجيوب الأنفية الجبهية والفكية: الارتفاع، العرض، الطول، والحجم.
أشارت النتائج إلى أن GADNN حقق دقة بنسبة 86% لتحديد الجنس و68% لتحديد العمر، متفوقًا على الطرق الإحصائية التقليدية ونماذج التعلم الآلي الأخرى، بما في ذلك الانحدار اللوجستي، وغابة عشوائية، والشبكات العصبية متعددة الطبقات. ومن الجدير بالذكر أن نماذج التعلم العميق وغابة عشوائية أظهرت أيضًا أداءً تنافسيًا، خاصة في تحديد الجنس. تسلط الدراسة الضوء على فعالية دمج التعلم العميق مع الخوارزميات التطورية وتقنية زيادة العينة الأقلية الاصطناعية (SMOTE) لمعالجة عدم توازن البيانات، مما يحسن الأداء التنبؤي. بشكل عام، تسهم هذه البحث بشكل كبير في تطبيق التعلم العميق في طب الأسنان الجنائي وتبرز إمكانيته في تعزيز الدقة في تحديد العمر والجنس.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة لتحديد عوامل الهوية مثل العمر والجنس في السياقات الجنائية، لا سيما في القضايا الجنائية والمدنية. قد تكون الطرق التقليدية لتوصيف الأفراد، بما في ذلك الفحوصات العامة والتقنيات الشعاعية، محدودة في بعض السيناريوهات، مثل الصدمات الشديدة أو الحروق. في هذه الحالات، يصبح فحص الهياكل التشريحية مثل الجيوب الأنفية الجانبية، التي تقاوم الأضرار الخارجية، أمرًا حاسمًا. تشير الورقة إلى أن أبعاد الهياكل القحفية الوجهية، بما في ذلك الجيوب الأنفية الجبهية والفكية، يمكن أن تختلف حسب الجنس، وأن هذه الاختلافات يمكن أن تُستخدم لتحديد الجنس. بالإضافة إلى ذلك، بينما تشير بعض الدراسات إلى وجود علاقة بين حجم الجيوب والعمر، لا يزال هناك نقص في التوافق، مما يدل على الحاجة إلى مزيد من البحث.
يؤكد المؤلفون على إمكانيات تقنيات التعلم العميق (DL) في الطب الشرعي، خاصة لتحديد العمر والجنس بناءً على صور الأشعة المقطعية باستخدام شعاع مخروط (CBCT). على الرغم من النتائج الواعدة لـ DL في مجالات طبية متنوعة، لم يكن هناك تطبيق سابق لهذه الطرق بشكل محدد لتحديد الجنس أو العمر في السياقات الجنائية. تهدف هذه الدراسة إلى تطوير نموذج DL مُشرف يقيم صلاحية أبعاد الجيوب الأنفية الجبهية والفكية لهذه الأغراض. علاوة على ذلك، يقترح المؤلفون تعزيز أداء نموذج DL من خلال دمج خوارزمية جينية لاختيار الميزات، مما يقدم نهجًا جديدًا لتحسين الدقة في التوصيف الجنائي.
طرق البحث
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، لضمان إمكانية تكرار التجارب. تشمل المنهجية التقنيات المطبقة لجمع البيانات وتحليلها، مثل الطرق الإحصائية، البروتوكولات التجريبية، وأي أدوات حسابية تم استخدامها.
بالإضافة إلى ذلك، قد يصف القسم حجم العينة ومعايير الاختيار، فضلاً عن أي ضوابط تم تنفيذها للتحقق من النتائج. تعتبر هذه المقاربة الدقيقة ضرورية لتأسيس موثوقية النتائج ولتسهيل المقارنات مع أبحاث أخرى في هذا المجال. بشكل عام، تعتبر وضوح ودقة الطرق أمرًا حاسمًا لسلامة استنتاجات الدراسة.
النتائج
تشير نتائج الدراسة إلى أن الشبكات العصبية العميقة (DNNs)، وخاصة نموذج الشبكة العصبية العميقة المعزز بالخوارزمية الجينية (GADNN)، تظهر دقة متفوقة في مهام تحديد العمر مقارنة بالنماذج الأخرى. قام نموذج GADNN بإزالة ثلاث ميزات—FSW، FSV، وLMSW—مما أدى إلى تحسين مقاييس الأداء. كشفت مقاييس التقييم عبر نماذج مختلفة أن GADNN تفوق باستمرار على الآخرين في الدقة، الاسترجاع، وF1-Score، حيث تراوحت درجات الدقة من 0.44 إلى 0.83 ودرجات الاسترجاع من 0.50 إلى 0.89. احتل نموذج الغابة العشوائية (RF) المرتبة الثانية في الأداء العام.
في تحليل توقع العمر المستمر، حقق نموذج GADNN مع تعزيز الخوارزمية الجينية (GA) أقل خطأ جذري متوسط مربع (RMSE) قدره 4.62 وأعلى قيمة R² قدرها 0.92، مما يدل على وجود علاقة قوية بين القيم العمرية الملاحظة والمُتنبأ بها. بالإضافة إلى ذلك، بالنسبة لتحديد الجنس، حقق نموذج GADNN مع تعزيز SMOTE درجات دقة قدرها 0.83 للذكور و0.89 للإناث، مما يبرز فعاليته عبر مهام التصنيف المختلفة. بشكل عام، تؤكد النتائج على مزايا استخدام GADNN وتعزيز GA في تحسين أداء النموذج لتحديد العمر والجنس.
المناقشة
في هذه الدراسة، تم تحليل ما مجموعه 240 صورة أشعة مقطعية باستخدام شعاع مخروط (CBCT) من مرضى إيرانيين لتحديد العمر والجنس بناءً على أبعاد وحجم الجيوب الأنفية الفكية والجبهية. تضمنت مجموعة البيانات 129 أنثى و111 ذكرًا تتراوح أعمارهم بين 18 إلى 52، مع معايير استبعاد محددة لضمان سلامة البيانات. استخدمت الدراسة نموذجًا هجينًا، يُعرف باسم GADNN (شبكة عصبية عميقة قائمة على الخوارزمية الجينية)، والذي دمج التعلم العميق (DL) والخوارزميات الجينية (GA) لتعزيز دقة التنبؤ. شمل معالجة البيانات تقسيم العمر، والتطبيع، وتطبيق تقنية زيادة العينة الأقلية الاصطناعية (SMOTE) لمعالجة عدم توازن الفئات، مما أدى إلى توسيع مجموعة البيانات إلى 380 عينة.
أظهر نموذج GADNN أداءً متفوقًا في توقع العمر والجنس، حيث حقق دقة بنسبة 68% لتحديد العمر و86% لتحديد الجنس، متفوقًا على طرق التعلم الآلي التقليدية مثل الانحدار اللوجستي والغابة العشوائية. سلطت الدراسة الضوء على مزايا DL في التقاط العلاقات المعقدة داخل البيانات، بينما أكدت أيضًا على أهمية التحقق المتقاطع في تقييم النموذج لتقليل الإفراط في التكيف. على الرغم من النتائج الواعدة، اعترف المؤلفون بالقيود، بما في ذلك الاعتماد على الميزات المستخرجة بدلاً من صور CBCT الخام وحجم العينة الصغير نسبيًا. يُوصى بإجراء أبحاث مستقبلية لاستخدام مجموعات بيانات أكبر وتحليل الصور المباشر من خلال الشبكات العصبية التلافيفية لتعزيز القدرات التنبؤية في التطبيقات الجنائية.
DOI: https://doi.org/10.1186/s12874-024-02183-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38413856
Publication Date: 2024-02-27
Author(s): Omid Hamidi et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
This research paper presents a novel approach for determining age and sex using paranasal sinus parameters derived from cone-beam computed tomography (CBCT) images. The study utilized a dataset of 240 CBCT images, comprising 129 females and 111 males aged 18-52, to develop a hybrid model known as Genetic Algorithm-Deep Neural Network (GADNN). This model was optimized through an evolutionary algorithm and aimed to enhance the accuracy of profiling in forensic contexts. The analysis focused on four key parameters of the frontal and maxillary sinuses: height, width, length, and volume.
The results indicated that GADNN achieved an accuracy of 86% for sex determination and 68% for age determination, outperforming traditional statistical methods and other machine learning models, including logistic regression, random forest, and multilayer perceptron neural networks. Notably, deep learning and random forest models also demonstrated competitive performance, particularly in sex determination. The study underscores the effectiveness of combining deep learning with evolutionary algorithms and the synthetic minority oversampling technique (SMOTE) to address data imbalance, thereby improving predictive performance. Overall, this research contributes significantly to the application of deep learning in forensic dentistry and highlights its potential for enhancing accuracy in age and sex determination.
Introduction
The introduction of this research paper highlights the increasing importance of determining identity factors such as age and sex in forensic contexts, particularly in criminal and civil cases. Traditional methods for profiling individuals, including general examinations and radiographic techniques, may be limited in certain scenarios, such as severe trauma or burns. In these cases, the examination of anatomical structures like paranasal sinuses, which are resistant to external damage, becomes crucial. The paper notes that the dimensions of craniofacial structures, including the frontal and maxillary sinuses, can vary by sex, and that these variations may be leveraged for sex determination. Additionally, while some studies suggest a correlation between sinus volume and age, there remains a lack of consensus, indicating a need for further research.
The authors emphasize the potential of deep learning (DL) techniques in forensic medicine, particularly for age and sex determination based on cone beam computed tomography (CBCT) images. Despite the promising results of DL in various medical fields, there has been no prior application of these methods specifically for sex or age determination in forensic contexts. This study aims to develop a supervised DL model that evaluates the validity of frontal and maxillary sinus dimensions for these purposes. Furthermore, the authors propose to enhance the performance of the DL model by integrating a genetic algorithm for feature selection, thereby introducing a novel approach to improve accuracy in forensic profiling.
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 techniques applied for data collection and analysis, such as statistical methods, experimental protocols, and any computational tools utilized.
Additionally, the section may describe the sample size and selection criteria, as well as any controls implemented to validate the results. This rigorous approach is essential for establishing the reliability of the findings and for facilitating comparisons with other research in the field. Overall, the clarity and precision of the methods are crucial for the integrity of the study’s conclusions.
Results
The results of the study indicate that Deep Neural Networks (DNNs), particularly the Genetic Algorithm-Enhanced DNN (GADNN), demonstrate superior accuracy in age determination tasks compared to other models. The GADNN model effectively eliminated three features—FSW, FSV, and LMSW—leading to improved performance metrics. Evaluation metrics across various models revealed that GADNN consistently outperformed others in precision, recall, and F1-Score, with precision scores ranging from 0.44 to 0.83 and recall scores from 0.50 to 0.89. The Random Forest (RF) model ranked second in overall performance.
In the continuous age prediction analysis, the GADNN model with Genetic Algorithm (GA) augmentation achieved the lowest Root Mean Square Error (RMSE) of 4.62 and the highest R² value of 0.92, indicating a strong correlation between observed and predicted age values. Additionally, for sex determination, the GADNN model with SMOTE augmentation yielded precision scores of 0.83 for males and 0.89 for females, further highlighting its effectiveness across different classification tasks. Overall, the findings underscore the advantages of using GADNN and GA augmentation in enhancing model performance for both age and sex determination.
Discussion
In this study, a total of 240 cone beam computed tomography (CBCT) images from Iranian patients were analyzed to determine age and sex based on the dimensions and volume of the maxillary and frontal sinuses. The dataset included 129 females and 111 males aged 18 to 52, with specific exclusion criteria to ensure the integrity of the data. The study employed a hybrid model, termed GADNN (Genetic Algorithm-based Deep Neural Network), which integrated deep learning (DL) and genetic algorithms (GA) to enhance prediction accuracy. The data preprocessing involved age grouping, normalization, and the application of the synthetic minority oversampling technique (SMOTE) to address class imbalance, resulting in an expanded dataset of 380 samples.
The GADNN model demonstrated superior performance in predicting age and sex, achieving an accuracy of 68% for age and 86% for sex determination, outperforming traditional machine learning methods such as logistic regression and random forest. The study highlighted the advantages of DL in capturing complex relationships within the data, while also emphasizing the importance of cross-validation in model evaluation to mitigate overfitting. Despite the promising results, the authors acknowledged limitations, including the reliance on extracted features rather than raw CBCT images and the relatively small sample size. Future research is recommended to utilize larger datasets and direct image analysis through convolutional neural networks to further enhance predictive capabilities in forensic applications.