大數(shù)據(jù)與人工智能：死后間隔時(shí)間推斷的新視野

鄒熠，莊沖，方琦，李飛

（1.浙江大學(xué)醫(yī)學(xué)院附屬第二醫(yī)院病理科，浙江 杭州 310000；2.福州市公安局刑事偵查支隊(duì)技術(shù)處，福建 福州 350000；3.浙江大學(xué)昆蟲科學(xué)研究所，浙江 杭州 310000）

尸體死后間隔時(shí)間（postmortem interval，PMI）又稱死亡時(shí)間或死后經(jīng)歷時(shí)間，指發(fā)現(xiàn)、檢查尸體時(shí)距死亡發(fā)生的時(shí)間間隔[1]。有效而準(zhǔn)確的PMI推斷對(duì)認(rèn)定和排除嫌疑人有無(wú)作案時(shí)間，劃定偵查范圍乃至案件偵破均具有重要的法醫(yī)學(xué)意義。目前，傳統(tǒng)的PMI推斷方法主要基于對(duì)尸體特征的觀察和測(cè)量，如內(nèi)部溫度改變、死后尸體現(xiàn)象、食物消化狀態(tài)、消化道排空情況等。同時(shí)，尸體腐敗過(guò)程中相關(guān)因子的變化信息亦可為PMI推斷提供幫助，如嗜尸性昆蟲的發(fā)育指標(biāo)[2]、昆蟲相關(guān)毒理學(xué)數(shù)據(jù)[3]、微生物法醫(yī)學(xué)數(shù)據(jù)等[4]。

然而，目前任一PMI推斷方法的單獨(dú)應(yīng)用或幾種方法的簡(jiǎn)單人工經(jīng)驗(yàn)性組合均無(wú)法滿足日益復(fù)雜化、高智商化犯罪的刑偵工作需求，大量學(xué)者仍投身于發(fā)掘新的PMI推斷手段或提升現(xiàn)有手段的精度[5]。近年來(lái)，隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，大數(shù)據(jù)與人工智能（artificial intelligence，AI）已逐漸滲透至科學(xué)研究與日常生活的各個(gè)方面，基于AI的PMI推斷亦得到嘗試，并取得一定成果，本文將對(duì)大數(shù)據(jù)及AI在PMI推斷中的研究進(jìn)展進(jìn)行綜述。

1 依托大數(shù)據(jù)的AI及其工作模式

AI，又稱“計(jì)算智能（computational Intelligence）”，指利用媒介（agent）的復(fù)雜運(yùn)算進(jìn)行數(shù)據(jù)模式識(shí)別和智能行為[6]，其核心內(nèi)容為數(shù)據(jù)挖掘（data mining）和自動(dòng)化反饋。因理論上無(wú)限的數(shù)據(jù)接受度和遠(yuǎn)超傳統(tǒng)統(tǒng)計(jì)學(xué)方法的數(shù)據(jù)處理能力，使海量大數(shù)據(jù)的解析和運(yùn)用成為可能。大數(shù)據(jù)（big data）為一類龐大而無(wú)法使用傳統(tǒng)數(shù)據(jù)分析方法進(jìn)行有效處理的數(shù)據(jù)集，其包含樣本（rows）多，數(shù)據(jù)量大，故可保證強(qiáng)大的統(tǒng)計(jì)學(xué)效力，但同時(shí)因其變量（columns）豐富而復(fù)雜，故若無(wú)有效分析方法，“假發(fā)現(xiàn)率（false discovery rate）”將遠(yuǎn)高于傳統(tǒng)數(shù)據(jù)[7]。AI技術(shù)的出現(xiàn)和發(fā)展成了對(duì)大數(shù)據(jù)進(jìn)行有效處理和去偽存真的有力手段，而另一方面充足的大數(shù)據(jù)亦為AI形成和訓(xùn)練的必須基礎(chǔ)，兩者相互依存、相得益彰。

AI的工作模式主要為輸入相關(guān)問(wèn)題的既有知識(shí)（prior knowledge）、以往經(jīng)驗(yàn)（past experience）、解決目標(biāo)（goals/values）和觀察值（observations），運(yùn)算得出反饋動(dòng)作（actions）[6]。具體而言，同醫(yī)學(xué)相關(guān)的AI領(lǐng)域主要包括機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)）、機(jī)器人學(xué)等，通過(guò)相應(yīng)算法對(duì)數(shù)據(jù)進(jìn)行“清洗（cleaning）”“整合（integration）”“選擇（selection）”“轉(zhuǎn)換（transformation）”“挖掘（mining）”，實(shí)現(xiàn)大數(shù)據(jù)的“模式評(píng)價(jià)（pattern evaluation）”，形成具有實(shí)際意義的“結(jié)果呈現(xiàn)（knowledge presentation）”[8]，并同輸入的解決目標(biāo)進(jìn)行比對(duì)和模型校正。上述過(guò)程不斷往復(fù)、訓(xùn)練，最終形成可靠模型并發(fā)揮其功用。

2 AI在死后間隔時(shí)間推斷中的應(yīng)用意義

目前，雖然PMI推斷方法眾多，但在實(shí)際案件中，任一手段均不完美，存在受周圍環(huán)境影響大、主觀性大、部分觀測(cè)對(duì)象難于量化、可重復(fù)性差等諸多弊端。人為地經(jīng)驗(yàn)性聯(lián)用多種PMI推斷手段并相互比較驗(yàn)證，可獲得精度更高的時(shí)間推斷結(jié)果，但是，在此過(guò)程中，大量觀測(cè)和推斷可形成主觀誤差并相互疊加放大，導(dǎo)致明顯的結(jié)果偏倚，同時(shí)推導(dǎo)者自身的相關(guān)知識(shí)儲(chǔ)備及工作經(jīng)驗(yàn)亦將強(qiáng)烈影響最終推斷結(jié)果的準(zhǔn)確性。

因此，如何保證單途徑推導(dǎo)結(jié)果的可靠性和多途徑結(jié)果整合的有效性成了進(jìn)一步提升PMI推斷準(zhǔn)確性的重大問(wèn)題，而此問(wèn)題恰為AI所擅長(zhǎng)。AI可通過(guò)綜合考察、挖掘多維度大數(shù)據(jù)，評(píng)估權(quán)重，識(shí)別數(shù)據(jù)變化模式，建立有效“時(shí)間指紋”數(shù)學(xué)模型。

理論上看，通過(guò)基于前期多情景實(shí)驗(yàn)性數(shù)據(jù)的全面訓(xùn)練，可建立有效且適用面廣的PMI推斷模型；繼而將實(shí)際案件數(shù)據(jù)輸入模型，進(jìn)一步進(jìn)行模型訓(xùn)練和校正；模型穩(wěn)定后可開展PMI推斷工作并根據(jù)案件破獲后取得的真實(shí)PMI繼續(xù)調(diào)優(yōu)。因AI工作時(shí)具有既是“實(shí)戰(zhàn)”也是“訓(xùn)練”的優(yōu)良特性，故隨著模型實(shí)際使用次數(shù)的增多（訓(xùn)練數(shù)據(jù)集的累計(jì)），基于AI的PMI推斷的有效性和普適性將得到不斷提升（圖1）。

圖1 基于AI的PMI推斷理論工作流程Fig.1 Workflow of PMI estimation with AI

3 AI在死后間隔時(shí)間推斷中的應(yīng)用研究

隨著AI技術(shù)的快速發(fā)展與成熟，其已應(yīng)用于諸多法醫(yī)學(xué)研究中，如年齡推斷[9]、面部識(shí)別[10]、痕跡分析[11]、死亡原因分析[12]、基因與蛋白質(zhì)分析[13-14]等。AI在PMI推斷中的應(yīng)用見表1。

微生物法醫(yī)學(xué)（microbial forensics）是一門依據(jù)尸體相關(guān)微生物檢測(cè)解決法醫(yī)學(xué)問(wèn)題的交叉學(xué)科[4]，而通過(guò)死后腐敗微生物多樣性演替推斷尸體PMI為其研究的核心熱點(diǎn)。METCALF等[15]將小鼠尸體置于實(shí)驗(yàn)室條件下的土壤中，多次多處（口旁、腹部皮膚及腹腔）采集微生物樣本，樣本經(jīng)16s rRNA與18s rRNA二代測(cè)序（next generation sequencing，NGS）鑒定，獲得精度達(dá)（3.30±2.52）d（總觀察時(shí)長(zhǎng)48d）的PMI推斷模型，且發(fā)現(xiàn)于腐敗前期（前34d）模型效力最高。據(jù)此認(rèn)為，通過(guò)AI技術(shù)和微生物測(cè)序可建立準(zhǔn)確的PMI推斷模型，并首次提出“微生物鐘”概念。為更接近真實(shí)案件，JOHNSON等[16]將21具人類尸體置于森林環(huán)境中，予以800積溫日（每日平均氣溫的加和）的自然腐敗，每2～3自然日收集尸體鼻腔及外耳道微生物樣本，并行16s rRNA NGS檢測(cè)，數(shù)據(jù)以多種算法行機(jī)器學(xué)習(xí)，結(jié)果顯示，完整的數(shù)據(jù)集最利于模型訓(xùn)練，精確至“科”或“屬”的微生物種群信息最利于PMI的模型推斷，K-最近鄰回歸為最優(yōu)算法（誤差±2d）。為進(jìn)一步檢驗(yàn)腐敗早期的AI模型預(yù)測(cè)效果，PECHAL等[17]以豬尸體為實(shí)驗(yàn)對(duì)象，采集了死后5d內(nèi)尸體口腔及皮膚的微生物樣本，并基于16s rRNA測(cè)序數(shù)據(jù)建立模型，發(fā)現(xiàn)預(yù)測(cè)PMI與實(shí)際PMI符合率高達(dá)94.4%。同時(shí)，部分學(xué)者亦成功使用微生物常規(guī)鑒定方法及傳統(tǒng)統(tǒng)計(jì)學(xué)手段分析尸體腐敗過(guò)程中的微生物種群演替[18-20]，但與AI技術(shù)結(jié)合二代測(cè)序的研究方式相比，傳統(tǒng)型研究?jī)H可明確微生物種群的大致構(gòu)成模式及其隨時(shí)間改變的模式框架轉(zhuǎn)變，而無(wú)法實(shí)現(xiàn)全定量分析和精準(zhǔn)的模型預(yù)測(cè)。

基于尸體特征變化的AI輔助PMI推斷模型亦可見報(bào)道。CANTüRK等[21]采集了1名女性與9名男性死后15h內(nèi)的角膜圖像，并使用AI技術(shù)進(jìn)行分析，結(jié)果顯示，AI模型的PMI預(yù)測(cè)準(zhǔn)確率最高可達(dá)89.0%。SATO等[22]檢測(cè)了死后48h內(nèi)大鼠血漿中內(nèi)源性代謝產(chǎn)物的變化，獲得誤差為±3.41h的預(yù)測(cè)模型。BOCAZBENEVENTI等[23]分析了61具人死后3～144 h內(nèi)玻璃體液中鉀離子（K+）、銨離子（NH4+）、鈉離子（Na+）和鋇離子（Ba2+）的離子濃度變化并建模，模型預(yù)測(cè)誤差可僅為±3.06h。ZHANG等[24-26]通過(guò)衰減全反射-傅里葉變換紅外光譜法（attenuated total reflectance-Fourier transform infrared spectroscopy，ATR-FTIR）系統(tǒng)分析了兔死亡后48h內(nèi)血漿、心包液和玻璃體液改變規(guī)律，發(fā)現(xiàn)基于上述檢材，AI模型的預(yù)測(cè)誤差均可控制于3h以內(nèi)，而血漿的預(yù)測(cè)模型最優(yōu)，預(yù)測(cè)誤差僅±1.92h。

此外，BUTCHER等[27]著眼于尸體以外的死亡時(shí)間提示因素——嗜尸性蠅類的生長(zhǎng)發(fā)育，將AI與法醫(yī)昆蟲學(xué)、色譜學(xué)結(jié)合，以氣相色譜-質(zhì)譜聯(lián)用（gas chromatography-mass spectrometry，GC-MS）檢測(cè)由糖及豬肝組織飼養(yǎng)的9d內(nèi)蠅類幼蟲的碳?xì)浠衔锝M成模式，并借此建立蠅幼蟲年齡預(yù)測(cè)模型，獲得最高97.5%的預(yù)測(cè)準(zhǔn)確率。

表1 主要AI輔助PMI推斷研究比較Tab.1 Studies on PMI Estimation with AI

4 現(xiàn)存問(wèn)題

目前，雖然AI輔助PMI推斷取得了一定的研究進(jìn)展，但仍有不足。在微生物法醫(yī)學(xué)研究中，METCALF[15]與PECHAL等[17]單純使用隨機(jī)森林模型，存在數(shù)據(jù)噪聲較大時(shí)易過(guò)擬合，處理回歸問(wèn)題無(wú)法給出連續(xù)值[8]等實(shí)際應(yīng)用缺陷，且兩者所獲模型均于腐敗早期預(yù)測(cè)效率最高，隨腐敗演進(jìn)模型預(yù)測(cè)準(zhǔn)確率下降。而JOHNSON等[16]雖采用了多模型分析，但尸體腐敗條件為戶外，且實(shí)驗(yàn)中微生物樣本來(lái)源于蠅類偏好產(chǎn)卵并形成幼蟲群的部位，其實(shí)驗(yàn)后階段所采集樣本極可能已為蠅類幼蟲群的微生物，而非尸體體表微生物種群。同時(shí)提示，嗜尸性昆蟲作為現(xiàn)實(shí)案件中尸體腐敗過(guò)程的另一核心參與者，如果撇開其單獨(dú)依靠微生物演替數(shù)據(jù)進(jìn)行AI建模，所得的實(shí)用性有待考證。

嗜尸性昆蟲與腐敗微生物的交互作用已為研究所證實(shí)。IANCU等[28-29]分別于溫暖季節(jié)和寒冷季節(jié)將豬尸體置于室外，對(duì)嗜尸性昆蟲及尸體口腔、肛門微生物的演替進(jìn)行觀察，結(jié)果顯示，嗜尸性昆蟲的抵達(dá)與寄生可強(qiáng)烈改變尸體相關(guān)部位的腐敗微生物種群構(gòu)成。另一方面，腐敗微生物亦可通過(guò)誘集、促進(jìn)（抑制）生長(zhǎng)等效應(yīng)而反作用于嗜尸性昆蟲的生長(zhǎng)發(fā)育過(guò)程[30-31]。同時(shí)，因腐敗過(guò)程中，嗜尸性昆蟲可出現(xiàn)數(shù)個(gè)世代演替，故上述交互作用可不斷循環(huán)往復(fù)，并隨尸體有機(jī)物的消耗出現(xiàn)兩者種群構(gòu)成的更替，引起交互循環(huán)方向的改變，形成復(fù)雜的動(dòng)態(tài)循環(huán)漂移過(guò)程。前述研究AI模型在腐敗后期預(yù)測(cè)效力的下降，可能與嗜尸性昆蟲-微生物作用循環(huán)的逐漸漂移相關(guān)。

而在基于尸體特征變化的AI模型研究中，絕大部分集中于尸體早期的改變，且獲得合格模型輸入數(shù)據(jù)的前提是各檢材對(duì)應(yīng)解剖結(jié)構(gòu)的相對(duì)完整，檢材未受污染。但是在實(shí)際案件中，創(chuàng)傷型尸體常見，各種外傷對(duì)解剖結(jié)構(gòu)的破壞嚴(yán)重，尸體死后循環(huán)、各種化學(xué)成分死后再分布及嗜尸性昆蟲的寄生都可能使體液成分的變化規(guī)律出現(xiàn)偏差，增大模型推斷結(jié)果誤差。

5 展 望

PMI推斷為一系統(tǒng)性、全面性工程，任何單一途徑的推斷方法在實(shí)際應(yīng)用中均無(wú)法保證其普適性和可靠性，綜合探討各腐敗相關(guān)因子改變規(guī)律對(duì)于實(shí)用化理論研究成果具有重要意義。AI作為大數(shù)據(jù)分析的利器，對(duì)其應(yīng)用不應(yīng)僅停留于提升某一推斷方法的效率與準(zhǔn)確度。在AI輔助PMI推斷研究中，應(yīng)注意：一方面要整合尸體本身時(shí)間依賴性變化指標(biāo)、嗜尸性昆蟲、微生物多樣性等多維度大數(shù)據(jù)進(jìn)行高效聚類和主成分分析；另一方面，尋找最優(yōu)、最簡(jiǎn)路徑預(yù)測(cè)自變量-因變量關(guān)系，獲得自然條件下各腐敗相關(guān)因子共同演變的多維數(shù)學(xué)模型，實(shí)現(xiàn)綜合、精準(zhǔn)的“時(shí)間指紋”識(shí)別。