人工智能技術(shù)在法醫(yī)學(xué)骨齡和牙齡評估中的研究前沿及展望

周慧明，李丹陽，萬 雷，李成濤，汪茂文，王亞輝

（1.司法鑒定科學(xué)研究院上海市法醫(yī)學(xué)重點實驗室上海市司法鑒定專業(yè)技術(shù)服務(wù)平臺司法部司法鑒定重點實驗室，上海 200063；2.山西醫(yī)科大學(xué) 法醫(yī)學(xué)院，山西 晉中 030600；3.山西醫(yī)科大學(xué) 醫(yī)學(xué)科學(xué)院，山西 太原 030000）

法醫(yī)學(xué)活體年齡評估是法醫(yī)臨床學(xué)、法醫(yī)人類學(xué)科學(xué)研究的重點和難點問題之一，一直以來備受國內(nèi)外學(xué)者的廣泛關(guān)注。 法醫(yī)學(xué)活體年齡鑒定對犯罪嫌疑人的刑事責(zé)任能力、刑罰量刑、民事行為能力、福利權(quán)利、非法移民等方面進行評估，為刑事偵查、法庭審判提供重要的科學(xué)依據(jù)。 活體年齡研究的主要內(nèi)容包括：骨骼年齡、牙齒年齡、分子生物學(xué)年齡以及基于個體外部軟組織、骨密度檢測等多種技術(shù)手段的活體年齡評估等[1]。 目前比較公認(rèn)的，尤其是在司法鑒定領(lǐng)域使用較多且被司法機關(guān)認(rèn)可的方法仍以法醫(yī)學(xué)骨齡鑒定為主，即利用個體骨骼發(fā)育程度推斷其生物學(xué)年齡。 與骨骼類似，牙齒在年齡推斷中的應(yīng)用也較為廣泛。 牙齒的生理結(jié)構(gòu)不易受外界理化因素變化而發(fā)生降解、變形，且牙齒發(fā)育和行使功能過程中多個生理性變化特點與年齡均有一定的相關(guān)性。 2008 年，國際法醫(yī)年齡推斷研究小組（study group on forensic age diagnostics,SGFAD）[2]提出，活體年齡推斷的標(biāo)準(zhǔn)方法應(yīng)包括一般體格檢查、牙齒檢查、左腕關(guān)節(jié)和口腔曲面斷層影像學(xué)檢查；若骨骼發(fā)育完成，應(yīng)額外拍攝鎖骨胸骨端薄層CT，并建議同時應(yīng)用多種方法來提高年齡推斷的準(zhǔn)確性。

自21 世紀(jì)以來，隨著大數(shù)據(jù)和計算機技術(shù)的快速發(fā)展，許多先進的人工智能（artificial intelligence，AI）技術(shù)成功應(yīng)用于疾病診斷、新藥研發(fā)等領(lǐng)域。2017 年7 月20 日，國務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》（國發(fā)〔2017〕35 號）[3]，從頂層設(shè)計的角度充分肯定了人工智能的重要性，并以此作為國家戰(zhàn)略規(guī)劃與發(fā)展的重要組織部分。 近年來，隨著支持向量機（support vector machine，SVM）、深度學(xué)習(xí)（deep learning，DL）等AI 技術(shù)的發(fā)展，基于AI 技術(shù)的活體年齡研究進入了“快車道”，尤其是近幾年歐美國家和地區(qū)開發(fā)出了AI 輔助骨齡評估系統(tǒng)。 該系統(tǒng)基于數(shù)字化信息技術(shù)和分類的統(tǒng)計方法，將計算機數(shù)字影像技術(shù)和模式識別技術(shù)相結(jié)合，通過對骨骼、牙齒醫(yī)學(xué)影像圖像的預(yù)處理、圖像分割、特征提取、信息處理實現(xiàn)骨骼或牙齒圖像自動識別并運算得出個體年齡，為輔助實現(xiàn)骨齡、牙齡的高精度智能評估提供了新契機。 因此，運用AI 技術(shù)實現(xiàn)骨骼、牙齒等圖像識別是實現(xiàn)AI 骨齡評估系統(tǒng)的一個必由途徑。

1 AI 的概念和發(fā)展簡史

AI 亦稱機器智能，廣義上指由人類制造機器所表現(xiàn)出的智能，狹義上則指通過計算機程序來模擬呈現(xiàn)人類智能的技術(shù)。 1956 年，在達特茅斯學(xué)院舉行的會議上，AI 的名稱和任務(wù)得以確定，這次會議被廣泛認(rèn)為是AI 誕生的標(biāo)志[4]。進入21 世紀(jì)，隨著大數(shù)據(jù)和計算機技術(shù)的快速發(fā)展，許多先進的機器學(xué)習(xí)（machine learning，ML）技術(shù)成功應(yīng)用于經(jīng)濟和社會中的各個方面[5]。 大數(shù)據(jù)應(yīng)用也開始逐漸滲透到其他領(lǐng)域，如生態(tài)學(xué)模型訓(xùn)練、疾病預(yù)測和新藥研發(fā)等。DL（特別是卷積神經(jīng)網(wǎng)絡(luò)）更是極大地推動了圖像和視頻處理、文本分析、語音識別等問題的研究進程[6]。AI 的主要領(lǐng)域大體上可分為三個方面：感知、學(xué)習(xí)和認(rèn)知。 感知是指模擬人的感知能力，對外部刺激信息（視覺和語音等）進行感知和加工，主要研究領(lǐng)域包括語音信息處理和計算機視覺等。學(xué)習(xí)是指模擬人的學(xué)習(xí)能力，主要研究如何從樣例或從與環(huán)境的交互中學(xué)習(xí)，主要研究領(lǐng)域包括監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)等。 認(rèn)知是指模擬人的認(rèn)知能力，主要研究領(lǐng)域包括知識表示以及自然語言理解、推理、規(guī)劃、決策等。 從AI 的萌芽時期開始，就有一些研究者嘗試讓機器來自動學(xué)習(xí)（即ML）。 ML 的主要目的是設(shè)計和分析一些學(xué)習(xí)算法，讓計算機可以從數(shù)據(jù)（經(jīng)驗）中自動分析并獲得規(guī)律，之后利用學(xué)習(xí)到的規(guī)律對未知數(shù)據(jù)進行預(yù)測，從而幫助人們完成一些特定任務(wù)，以提高開發(fā)效率。 ML 較為成功的應(yīng)用領(lǐng)域是計算機視覺，骨骼、牙齒等醫(yī)學(xué)影像圖像識別屬于計算機視覺范疇，因此，運用ML 實現(xiàn)骨骼圖像的識別是實現(xiàn)AI 骨齡評估系統(tǒng)的可靠途徑之一。 通過有限的觀測數(shù)據(jù)（如軀體各大骨關(guān)節(jié)、牙齒醫(yī)學(xué)影像圖像）的學(xué)習(xí)總結(jié)出一般規(guī)律，并利用這些規(guī)律對未知圖像進行預(yù)測，逐漸成為推動AI 技術(shù)發(fā)展的關(guān)鍵因素。

2 AI 技術(shù)與法醫(yī)學(xué)骨齡評估

目前，國內(nèi)外研究中，與法醫(yī)學(xué)骨齡評估研究結(jié)合較為緊密的AI 技術(shù)是SVM 和DL。

2.1 SVM 與法醫(yī)學(xué)骨齡評估

1995 年，VAPNIK[7]率先提出了SVM，其作為一種尋找分類邊界的方法，是用于模式分類和非線性回歸統(tǒng)計學(xué)習(xí)理論的經(jīng)典二分類算法，基本思想是建立一個分類超平面作為決策曲面，優(yōu)勢在于解決線性不可分問題，通過核函數(shù)將低維度映射到高維上使之線性可分。 簡單概括來說，就是在樣本空間尋找最佳分類面（即超平面），并以此將訓(xùn)練樣本分開。 SVM 的基本模型是定義在特征空間上的間隔最大的線性分類器，其學(xué)習(xí)的基本思想是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。 SVM 遵循結(jié)構(gòu)風(fēng)險最小化原則，在處理二分類問題上擁有較好的泛化能力，在解決小樣本、非線性和高維等問題時優(yōu)勢明顯，并且在數(shù)據(jù)挖掘、圖像處理等領(lǐng)域也獲得良好的應(yīng)用效果[8]。 隨著法醫(yī)人類學(xué)與計算機技術(shù)的應(yīng)用與發(fā)展，骨齡評估目前正逐漸向計算機自動化評估體系轉(zhuǎn)變。SVM 對于骨骼影像學(xué)圖像的建模有較高的準(zhǔn)確度，主要有以下幾個原因：（1）SVM 利用核函數(shù)的概念解決了黑色、白色、灰色不同的色階骨骼圖像與所對應(yīng)骨發(fā)育分級之間的非線性關(guān)系問題；（2）骨骼醫(yī)學(xué)影像圖像數(shù)量相對有限，符合SVM 對小樣本數(shù)據(jù)建模的獨特優(yōu)勢；（3）梯度方向直方圖（histogram of oriented gradient，HOG）可對骨骼圖像局部出現(xiàn)的方向梯度次數(shù)進行計算，且HOG 的計算是基于一致空間的密度矩陣來提高圖像識別準(zhǔn)確率，可以保持圖像幾何與光學(xué)轉(zhuǎn)化不變性，尤其適合固定不變的醫(yī)學(xué)影像圖像的識別與檢測。

2.1.1 SVM 與手腕關(guān)節(jié)骨齡評估

手腕關(guān)節(jié)的掌骨、指骨、腕骨、尺橈骨以及籽骨等骨骼成熟度具有明顯的先后順序，該解剖區(qū)域存在形態(tài)不一的骨骼發(fā)育指標(biāo)。 因此，手腕關(guān)節(jié)骨骼一直是骨齡研究者最感興趣的區(qū)域之一。 2016 年，王亞輝研究團隊[9]運用SVM 對華東地區(qū)140 名11.0～19.0 歲青少年腕關(guān)節(jié)數(shù)字X 射線攝影（digital radiography, DR）正位攝片進行模型訓(xùn)練，用留一交叉驗證法（leave-one-out cross validation，LOCV）和HOG分別進行內(nèi)部、外部驗證，對預(yù)測結(jié)果和模型的有效性進行了獨立的交叉驗證檢驗準(zhǔn)確性測試。 研究表明，這種新的骨骺分類技術(shù)是成功的，采用SVM進行圖像分類研究是可靠可行的，且模型精度較高，骨骺發(fā)育分級識別準(zhǔn)確率可達88.6%。 2019 年，BUI等[10]提出一種多階段TW3 評估系統(tǒng)，該系統(tǒng)訓(xùn)練一個支持向量回歸模型來預(yù)測骨齡，先使用Faster-RCNN 檢測從TW3 定義中選定的感興趣區(qū)域（region of interest,ROI），再使用Inception-V4 網(wǎng)絡(luò)進行ROI分類。該學(xué)者用完整的Digital Hand Atlas （DHA）數(shù)據(jù)庫System1 的公共數(shù)據(jù)集來評估所提出方法的性能，實驗結(jié)果實現(xiàn)了約為0.59 歲的平均絕對誤差。

2.1.2 SVM 與膝關(guān)節(jié)骨齡評估

2016 年，王品等[11]提出一種基于多特征SVM邊緣定位和彈性區(qū)域生長的膝關(guān)節(jié)軟骨自動分割算法。 先通過改進的自適應(yīng)Canny 算子獲取初始邊緣，再提取初始邊緣的多種特征，并采用一對一的多分類SVM 算法進行分類，實現(xiàn)骨-軟骨邊緣的定位，最后在定位的骨-軟骨邊緣附近自適應(yīng)地選取種子點，并采用彈性區(qū)域生長方法進行閾值分割，從而完成對膝關(guān)節(jié)軟骨區(qū)域的準(zhǔn)確分割。 該算法的視覺和定量分析均表明其分割結(jié)果與手工分割金標(biāo)準(zhǔn)相近，顯示其能夠?qū)崿F(xiàn)軟骨的精確分割，為后續(xù)三維建模和計算形態(tài)參數(shù)等提供了數(shù)據(jù)基礎(chǔ)。2019 年，王亞輝等[12]采集了500 例12.0～19.0 歲維吾爾族青少年膝關(guān)節(jié)DR 攝片，運用主成分分析法（principle component analysis，PCA）對提取的HOG與局部二值模式（local binary patterns，LBP）圖像進行降維，然后再運用支持向量回歸法（support vector regression，SVR）構(gòu)建骨齡評估算法模型。 該方法與依賴“大數(shù)據(jù)、大計算、高性能”的DL 方法相比，具有較易實現(xiàn)、 在小樣本數(shù)據(jù)上學(xué)習(xí)能力強及泛化能力良好的優(yōu)點，并且關(guān)注到了骨齡發(fā)育在地區(qū)、民族間的差異性，對未來的司法鑒定有一定的價值。

2.1.3 SVM 與骨盆、髖關(guān)節(jié)骨齡評估

骨盆的髂嵴、坐骨骨骺繼發(fā)骨化中心出現(xiàn)至骨骺閉合所經(jīng)歷的時間和周期均較其他骨關(guān)節(jié)稍晚，在大年齡組（18.0 歲以上）青少年骨齡鑒定中發(fā)揮著重要作用。 目前，最常用于骨盆骨齡評估的有Risser 征和髂嵴骨化，其他還包括髂嵴和坐骨結(jié)節(jié)骨化程度、髖關(guān)節(jié)和股骨近端骨骺的閉合程度、恥骨聯(lián)合骨化程度等。 2020 年，F(xiàn)AN 等[13]分別建立了4 個回歸模型和5 個分類模型來分析年齡在10.0～25.9 歲之間的2 137 例常規(guī)骨盆DR 攝片（男性1 215 例，女性922 例），并分別對髂骨和坐骨結(jié)節(jié)骨骺的骨化和融合進行評分。 結(jié)果顯示，在法醫(yī)學(xué)年齡估計方面，SVR 有較高的精度，且在女性的預(yù)測方面準(zhǔn)確率高于男性，SVR 和梯度增強回歸的性能優(yōu)于決策樹回歸和貝葉斯嶺回歸。 綜上，結(jié)合其他年齡測定方法，SVR 模型可用于青少年法醫(yī)年齡估計。

2.1.4 SVM 與胸鎖關(guān)節(jié)骨齡評估

鎖骨胸骨端是構(gòu)成胸鎖關(guān)節(jié)的重要解剖結(jié)構(gòu)，是全身骨關(guān)節(jié)中繼發(fā)骨化中心出現(xiàn)和骨骺閉合時間均最晚的骨骼，也是大年齡組（18.0 歲以上）青少年骨齡鑒定的最重要指標(biāo)之一。 2013 年，HILLEWIG 等[14]對220 名16.0～26.0 歲志 愿者的鎖骨進行3T MRI 檢查，另外拍攝了手腕關(guān)節(jié)DR 片，采用一個多元序數(shù)回歸模型被擬合并嵌入基于貝葉斯的框架。 研究表明，鎖骨胸骨端骨骺發(fā)育狀況可用于界定18.0 周歲這個關(guān)鍵年齡，但結(jié)合手腕關(guān)節(jié)一并評價，骨齡評估結(jié)果的準(zhǔn)確性會更高。 2019 年，STERN 等[15]融合了鎖骨、手部、牙齒3 個解剖部位的MRI 數(shù)據(jù)信息，利用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network, CNN）對322 名年齡為13.0～25.0 歲的受試者進行訓(xùn)練。 每個深度CNN 塊由兩個連續(xù)的3×3×3 卷積層和一個最大池層組成，最終得到了（1.01±0.74）歲的平均絕對誤差。該研究將鑒定年齡范圍從單純使用手部的19.0 歲拓展到25.0 歲。 同時，該團隊還計算了特征提取塊后全連接層的平均激活值，以此衡量每個解剖部位對于預(yù)測年齡的重要性。 結(jié)果顯示，對于不同年齡段的骨齡和牙齡評估，軀體不同解剖部位有著各自的優(yōu)勢。

2.2 DL 與法醫(yī)學(xué)骨齡評估

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦神經(jīng)網(wǎng)絡(luò)而設(shè)計的一種計算模型，是從結(jié)構(gòu)、實現(xiàn)機制和功能上模擬人腦神經(jīng)網(wǎng)絡(luò)。 骨齡評估多年來一直是計算機視覺和放射學(xué)研究的目標(biāo)， 運用人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)實現(xiàn)骨骼圖像的識別是實現(xiàn)AI 骨齡評估系統(tǒng)的可靠途徑之一。 2006 年，GEOFFREY[16]首次提出深信度網(wǎng)絡(luò)（deep belief network, DBN）這一概念，該網(wǎng)絡(luò)是一種快速的、貪婪的算法，不僅可以識別特征、分類數(shù)據(jù)，還可用其來生成數(shù)據(jù)。 DBN 掀起了DL 在AI 領(lǐng)域迅猛發(fā)展的新高潮。 DL 是ML 的分支，是AI 領(lǐng)域的一項革新成果[17]，是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)對資料進行表征學(xué)習(xí)的算法。 DL 的一個外在特點是端到端的訓(xùn)練，其將整個系統(tǒng)組建好之后一起訓(xùn)練。 當(dāng)人工沒有能力來選取更好的特征時，自動化的算法可以從所有可能的特征中搜尋出最佳特征。 除端到端的訓(xùn)練外，訓(xùn)練集也正在經(jīng)歷從含參數(shù)統(tǒng)計模型轉(zhuǎn)向完全無參數(shù)的模型。 近年來，DL 在骨齡研究方面取得了較大的成功。 以往骨齡評估都是基于傳統(tǒng)方法人工提取興趣域， 而DL 則將圖像作為整體信息直接輸入網(wǎng)絡(luò)進行處理。 這表明DL 在圖像特征差異性識別方面可能更精細(xì)，性能或許優(yōu)于人工識別，并可能會在人工骨齡評估方法的指標(biāo)改進方面取得重大突破。 鑒于DL 在學(xué)術(shù)界和工業(yè)界的巨大影響力，2013 年4 月《麻省理工學(xué)院科技評論》（MIT Technology Review）雜志將其列為2013 年十大突破性技術(shù)之首[18]。

2.2.1 DL 與手腕關(guān)節(jié)骨齡評估

2011 年，DODIN 等[19]將磁共振圖像分解成多個表面層，對骨骼的邊界進行定位，并自動融合多個部分分割對象，最終得到完整的骨骼分割。2017 年，SPAMPINATO 等[20]首次將DL 網(wǎng)絡(luò)算法應(yīng)用到骨齡自動評估領(lǐng)域，同時利用遷移學(xué)習(xí)的方法創(chuàng)建了3種基于ImageNet上預(yù)訓(xùn)練的CNN網(wǎng)絡(luò)模型和1種基于從零開始訓(xùn)練專門針對手部DR 攝片的特定CNN（BoNet）模型，以用于骨齡自動化評估。2018年，王亞輝等[21]采集了13.0～19.0 歲維吾爾族男性青少年245 例、女性青少年227 例的左手腕關(guān)節(jié)DR圖像，經(jīng)過處理之后的圖像作為研究對象，將AlexNet 網(wǎng)絡(luò)作為圖像識別的回歸模型，實現(xiàn)了骨齡評估的自動化，進一步證實了DL 應(yīng)用于骨齡研究的可行性。 除了DR 攝片外，手腕關(guān)節(jié)MRI 攝片也因其無輻射的優(yōu)點在青少年骨齡研究中得到重視與發(fā)展。 2019 年，STERN 等[15]分別使用深度CNN和射頻脈沖網(wǎng)絡(luò)對328 名白種人男性的手部三維磁共振成像（magnetic resonance imaging，MRI）圖譜進行訓(xùn)練并在二維DR 攝片中進行驗證。 結(jié)果顯示，對于13.0～18.0 歲的青少年，深度CNN 模型的絕對偏差為（0.37±0.51）歲，射頻脈沖模型的絕對偏差為（0.48±0.56）歲，顯著優(yōu)于放射學(xué)家的預(yù)測。

2020 年，KOITKA 等[22]使用北美放射學(xué)會（Radiological Society of North America,RSNA）數(shù)據(jù)集構(gòu)建了一個用于兒童骨齡估計的自動化系統(tǒng)，整個系統(tǒng)由兩個基于神經(jīng)網(wǎng)絡(luò)的DL 模型組成，一個是檢測網(wǎng)絡(luò)，用于檢測特征骨化ROI，并以圖像化的形式顯示出來；另一個是識別ROI的回歸網(wǎng)絡(luò)，根據(jù)檢測到的區(qū)域進行回歸并估計年齡。 檢測網(wǎng)絡(luò)以Faster-RCNN為架構(gòu)，Inception-ResNet-V2 為底層特征提取器。 回歸網(wǎng)絡(luò)使用有50層的殘差網(wǎng)絡(luò)（ResNets），針對性別差異和每種類型的骨化區(qū)域（DIP、PIP、MCP、橈骨、尺骨、手腕）分別進行了訓(xùn)練，獲得了12個回歸模型。 結(jié)果顯示， 該自動化骨齡評估系統(tǒng)在RSNA兒童骨齡挑戰(zhàn)測試集的平均誤差為0.38歲。

2.2.2 DL 與骨盆、髖關(guān)節(jié)骨齡評估

2019年，鄧振華等[23]開發(fā)了一種基于骨盆DR攝片的DL骨齡評估模型，采用ImageNet數(shù)據(jù)集預(yù)先訓(xùn)練的改良版AlexNet網(wǎng)絡(luò)，對我國四川省10.0～25.0歲人群骨盆DR攝片進行骨齡評估。 該研究采用微調(diào)版CNN，保留了原始AlexNet網(wǎng)絡(luò)卷積層進行特征提取。再將基于DL網(wǎng)絡(luò)模型推斷出的骨骼年齡與其自身建立的三元一次回歸模型的評估結(jié)果進行比較。 結(jié)果顯示，CNN模型的輸出骨齡與參考骨齡顯著相關(guān)（相關(guān)系數(shù)r=0.916，P<0.05），且平均絕對誤差和均方根誤差分別為0.91 歲和1.23 歲。 運用DL-CNN模型的性能與現(xiàn)有的三元一次回歸模型相當(dāng)，展示了基于骨盆影像學(xué)自動骨骼評估模型的預(yù)測能力。

2020 年，王亞輝等[24]以漢族青少年骨盆DR 攝片962 例（男性481 例，女性481 例）為研究對象，比較了VGG 19、Inception V3、Inception-ResNet-V2 這3 種DL 模型基于骨盆DR 攝片進行骨齡自動評估的性能。 結(jié)果顯示，Inception-ResNet-V2 模型性能最優(yōu)，Inception V3 模型與VGG 19 模型性能相當(dāng)。2022 年，王亞輝等[25]在2020 年的研究[24]基礎(chǔ)上，將漢族青少年七大關(guān)節(jié)DR 攝片樣本量擴大至2164 例（男性1290 例，女性874 例），分別采用Inception-V3、Inception-ResNet-V2 和VGG19 這3 種DL 網(wǎng) 絡(luò)模型對上述骨盆、髖關(guān)節(jié)DR 攝片進行圖像分析，分別推斷出上述3 種DL 網(wǎng)絡(luò)模型的骨齡評估結(jié)果。然后，引入AI 領(lǐng)域較為常見的分割網(wǎng)絡(luò)（segmentation network），對骨盆、髖關(guān)節(jié)ROI 進行圖像分割，再運用上述3 種DL 網(wǎng)絡(luò)模型進行AI 骨齡評估。研究表明，經(jīng)圖像分割的骨齡評估結(jié)果的平均絕對誤差和均方根誤差均優(yōu)于分割前，進一步證實了分割網(wǎng)絡(luò)可有效降低分割圖像的重疊等因素的影響，從而提高骨盆年齡估計的準(zhǔn)確性。

2.2.3 DL 與膝關(guān)節(jié)骨齡評估

近年來，國內(nèi)外學(xué)者已開始致力于運用MRI 掃描并結(jié)合AI 技術(shù)開展骨齡評估研究。 2019 年，DALLORA 等[26]對14.0～21.0 歲的402 名志愿者（男性221 名，女性181 名）膝關(guān)節(jié)進行了MRI 檢查，采用包括從零開始培訓(xùn)和使用遷移學(xué)習(xí)的不同CNN架構(gòu)對膝關(guān)節(jié)MRI 圖像進行分析，其中一個CNN 模型是負(fù)責(zé)選擇最可能提供年齡評估的MRI 序列圖像，然后在第二個CNN 網(wǎng)絡(luò)中完成骨齡評估，該CNN 分類器是受過訓(xùn)練的網(wǎng)絡(luò)，能夠選擇最有價值的MRI 圖像信息，包括股骨遠(yuǎn)端和脛腓骨近端骨骺、骺軟骨板、干骺端等感興趣的解剖部位。 該研究認(rèn)為，獲得最佳研究結(jié)果的CNN 架構(gòu)是在ImageNet 數(shù)據(jù)庫上預(yù)訓(xùn)練的GoogLeNet 網(wǎng)絡(luò)。 研究表明，男性受試者的平均絕對誤差為0.79 歲，女性的為0.99 歲。2020 年，彭釗等[27]收集10.0～25.0 歲同時拍攝T1（T1WI）、T2（T2WI）和 質(zhì) 子（PDWI）加 權(quán) 像 的400 例MRI 圖像，對膝關(guān)節(jié)骨骺發(fā)育分級賦分，建立多個年齡推斷逐步線性回歸模型，繪制18.0 歲推斷的受試者工作特征（receiver operating characteristic, ROC）曲線，建立18.0 歲年齡節(jié)點判別SNR 模型。 研究表明，不同加權(quán)像與年齡的相關(guān)性、ROC 曲線下面積從高到低依次為T1WI、PDWI、T2WI。 男性應(yīng)用T1WI 腓骨近端和PDWI 股骨遠(yuǎn)端骨骺發(fā)育等級建立的模型準(zhǔn)確性最高，平均絕對誤差為1.70 歲；女性應(yīng)用PDWI 股骨遠(yuǎn)端和腓骨近端骨骺發(fā)育等級建立的模型準(zhǔn)確性最高，平均絕對誤差為2.01 歲。SVR 模型判別18.0 歲年齡節(jié)點的男、女性準(zhǔn)確率分別為84.0%、92.0%。 由此可見，膝關(guān)節(jié)T1WI、PDWI 和T2WI 均適用于18.0 歲年齡節(jié)點的判斷。 2021 年，MAUER 等[28]開發(fā)了一種基于ML 的冠狀面膝關(guān)節(jié)三維MRI 成像的全自動計算機年齡評估方法。 該研究的主要過程分為三個部分：（1）對膝關(guān)節(jié)三維MRI 圖像進行自動裁剪、圖像增強等預(yù)處理（校正和標(biāo)準(zhǔn)化）；（2）采用類似于UNet 自編碼器的CNN 架構(gòu)，提取年齡相關(guān)解剖結(jié)構(gòu)特征（數(shù)據(jù)約簡和簡化）；（3）基于CNN 年齡預(yù)測和使用ML 算法具體執(zhí)行重復(fù)分層k-fold 驗證，并回歸年齡（骨齡評估）。研究表明，冠狀面MRI 圖像回歸年齡的結(jié)果較矢狀面更好。 同時，該研究結(jié)果進一步證實了STERN 等[15]運用DL 評估手部、鎖骨和牙齒年齡的方法同樣適用于膝關(guān)節(jié)。

3 AI 技術(shù)與法醫(yī)學(xué)牙齡評估

ML 技術(shù)的興起與不斷發(fā)展為實現(xiàn)牙齡推斷方法的進一步完善和提高、輔助實現(xiàn)牙齡的高精度智能評估提供了新契機。

3.1 DL 間接實現(xiàn)牙齒自動檢測與分類

隨著DL 技術(shù)的不斷發(fā)展，一些學(xué)者嘗試將其應(yīng)用于牙齒的檢測和分類當(dāng)中，選擇不同的DL 方法來建立自動檢測分類的神經(jīng)網(wǎng)絡(luò)模型，并獲得了較高的準(zhǔn)確率。 2018 年，ZAHNG 等[29]選擇DL 技術(shù)中的標(biāo)簽樹建立神經(jīng)網(wǎng)絡(luò)模型，以提高牙齒檢測和分類的魯棒性，特別是基于CNN 的級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)。結(jié)果顯示，該標(biāo)簽樹模型準(zhǔn)確率高于其他深度學(xué)習(xí)網(wǎng)絡(luò)。 2020 年，LEE 等[30]通過應(yīng)用DL、CNN 在口腔曲面斷層片中實現(xiàn)了牙齒的自動分割。 該研究學(xué)者選擇了掩膜基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（mask RCNN）進行牙齒自動分割模型的建立，mask RCNN 是多任務(wù)算法模型。 為了提高牙齒分割的精度，該學(xué)者使用了一個稱為ROI Align 的神經(jīng)網(wǎng)絡(luò)層，以像素對像素的方式提取牙齒的空間結(jié)構(gòu)。采用F1分?jǐn)?shù)及并集平均相交IoU 兩項指標(biāo)進行分割結(jié)果的評價。結(jié)果顯示，該研究建立的牙齒自動分割模型準(zhǔn)確率優(yōu)于其他學(xué)者的研究結(jié)果。 該研究創(chuàng)建的牙齒自動分割模型效果較既往研究有明顯提高， 可應(yīng)用于牙齡自動化推斷的第一步和其他涉及類似分割任務(wù)的鑒定。 2021 年，CHEN 等[31]將牙齒三維咬合面轉(zhuǎn)換為深度圖像，使用基本的CNN 構(gòu)建兩級層次模型，在三維模型中獲得了優(yōu)秀的后牙類型分類性能。 該模型采用基于CNN 的咬合面形態(tài)學(xué)分析方法，對上頜第一前磨牙、第二前磨牙、第一磨牙、下頜第二磨牙等八類后牙類型進行研究，提出了一種分層分類模型，將八類分類任務(wù)分解為兩級級聯(lián)的分類子任務(wù)。 圖像增強包括傳統(tǒng)的幾何變換和深度卷積生成對抗網(wǎng)絡(luò) （deep convolutional generative adversarial network，DCGAN）應(yīng)用于每個子網(wǎng)絡(luò)和級聯(lián)網(wǎng)絡(luò)。 結(jié)果表明， 結(jié)合傳統(tǒng)增強圖像和基于DCGAN 的增強圖像訓(xùn)練CNN 模型可以提高分類性能。該模型對八類后牙類型分類的總體準(zhǔn)確率為91.4%，宏查準(zhǔn)率為91.5%，宏查全率為91.3%，宏F1為0.91，優(yōu)于其他深度學(xué)習(xí)模型。 2023 年，HOU 等[32]針對牙齒全景X 線圖像進行牙齒全景分割存在的牙間邊界模糊、牙齒與牙槽骨對比度低等問題提出了Teeth UNet 模型。 該模型在編碼器和解碼器中采用了擠壓激勵模塊，并且在瓶頸層設(shè)計了一種多尺度聚集注意塊和擴展混合自關(guān)注塊，能夠有效提取齒形特征并自適應(yīng)融合多尺度特征，并且能在更大的感知范圍內(nèi)捕獲牙齒特征信息。為驗證Teeth U-Net 模型的有效性，HOU 等[32]在臨床牙科全景X 線圖像數(shù)據(jù)集上進行了上下文語義相關(guān)實驗與先進分割網(wǎng)絡(luò)比較以及消融實驗。 通過可視化結(jié)果、數(shù)據(jù)表分析和雷達圖像對比，證明了在牙科全景X 線牙齒分割中，Teeth U-Net 模型的分割精度高于其他模型。

3.2 DL 直接實現(xiàn)牙齡預(yù)測

目前，已建立的牙齡推斷方法是基于觀察者的主觀經(jīng)驗判斷，這是造成牙齡推斷結(jié)果與實際年齡之間誤差的原因之一。 DL 技術(shù)應(yīng)用于牙齡推斷領(lǐng)域主要體現(xiàn)在兩個方面：一是實現(xiàn)了牙齒的自動定位、分割和分類，為進一步實現(xiàn)牙齡自動化推斷奠定基礎(chǔ)；二是建立自動推斷牙齡的神經(jīng)網(wǎng)絡(luò)模型，包括基于不同牙齡推斷方法添加標(biāo)簽進行有監(jiān)督的深度學(xué)習(xí)模型和基于不同類型牙齒圖像進行的無監(jiān)督深度學(xué)習(xí)模型，為該領(lǐng)域的深入研究提供了思路和方向。 2019 年，STERN 等[15]基于手腕骨、鎖骨和第三磨牙的MRI 影像建立了年齡推斷的神經(jīng)網(wǎng)絡(luò)模型。 該CNN 不僅實現(xiàn)了年齡的自動化預(yù)測，而且可應(yīng)用于鑒別個體年齡是否年滿18.0 周歲。2020 年，VILA 等[33]為探索更為準(zhǔn)確的牙齡自動化預(yù)測模型，建立了兩個不同的全自動化CNN 模型，既不需要對牙齒進行分期或測量，也不需要圖像預(yù)處理及特征標(biāo)注。 第一個雙重注意力網(wǎng)絡(luò)（dual attention network, DANet）模型含有一個連續(xù)的CNN 路徑進行牙齡推斷；第二個DASNet 模型在DANet 模型的基礎(chǔ)上增加了第二個CNN 路徑進行性別預(yù)測，并利用性別特征提高牙齡推斷的準(zhǔn)確性。 結(jié)果顯示，DASNet 模型在各個方面均優(yōu)于DANet 模型，并且該神經(jīng)網(wǎng)絡(luò)模型的研究結(jié)果比以往人工牙齡推斷結(jié)果誤差更低，還可用于自動準(zhǔn)確預(yù)測某人的實際年齡，特別在牙齒仍在發(fā)育中的年輕受試者。

3.3 牙齒發(fā)育自動識別

2017 年，DE TOBEL 等[34]研究了一種在曲面斷層片中進行左下第三磨牙發(fā)育分期的自動化評價技術(shù)，并對其性能進行了測試。 該研究結(jié)合Demirjian、Gleiser 和Hunt、Kullman 和Moorrees 對牙齒發(fā)育階段的劃分定義，制訂了新的分期方法，將牙齒發(fā)育過程分為0～9 共10 個階段。 對曲面斷層片中第三磨牙的發(fā)育狀況進行人為分期，選擇深度卷積神經(jīng)網(wǎng)絡(luò)方法AlexNet 進行轉(zhuǎn)移學(xué)習(xí)。 該研究顯示，自動化分期和人工分期具有一致性，說明這種新方法對于消除觀察者內(nèi)部和觀察者之間的分歧而產(chǎn)生的年齡推斷誤差具有一定的積極作用。 在上述研究的基礎(chǔ)上，2020 年，MERDIETIO 等[35]通過不同的特征區(qū)域標(biāo)記方法和神經(jīng)網(wǎng)絡(luò)模型對既往建立的牙齡自動化預(yù)測模型進行了新的探索。 本次研究選擇新的神經(jīng)網(wǎng)絡(luò)DenseNet201，通過相同的樣本分配比例和圖像處理方法進行自動化分期模型的構(gòu)建。 比較本研究結(jié)果與DE TOBEL 等[34]前一個實驗研究結(jié)果可知，DenseNet201 在牙齒發(fā)育分期的自動化評估中表現(xiàn)出更優(yōu)越的預(yù)測性能。 2022 年，VILA-BLANCO等[36]提出了一種新的全自動年齡和性別估計模型。該模型先通過改進的CNN 進行下頜牙齒檢測，提取每顆牙齒的定向包圍框，再將定向包圍框內(nèi)產(chǎn)生的圖像特征輸入第二個CNN 模塊，該模塊用一組卷積層和一個全連接層生成每顆牙齒的年齡和性別概率分布。 該學(xué)者采用分層分割方法和應(yīng)用圖像增強技術(shù)來增加數(shù)據(jù)的大小和可變性，實驗結(jié)果的平均絕對誤差為0.97 歲，低于以往的任何一種牙齡估計方法，性別分類的準(zhǔn)確性為91.8%，證實了牙齒在性別分類中的價值。 該模型中每顆被檢測到的牙齒都有一個單獨的概率分布，可用于檢測與特定牙齒發(fā)育有關(guān)的問題，如生長提前或延遲。

4 研究展望

法醫(yī)學(xué)骨齡、牙齡評估之所以能與AI 技術(shù)緊密結(jié)合，主要是因為骨骼、牙齒影像資料可納入計算機視覺范疇，而ML、DL 等AI 技術(shù)對計算機視覺研究有著得天獨厚的優(yōu)勢，并已在醫(yī)學(xué)圖像識別中取得了突破性進展。 鑒于此，今后的法醫(yī)學(xué)活體年齡研究可以考慮在以下幾個方面形成突破：（1）升級檢測手段。 隨著醫(yī)學(xué)影像檢測技術(shù)的不斷升級，更為復(fù)雜的影像深層特征有可能會被挖掘，并且隨著公眾健康意識的不斷增強，尤其是涉及青少年兒童骨齡研究，MRI 掃描具有無射線輻射的天然優(yōu)勢，與DR 攝片和CT 掃描相比，不失為一個大有裨益的檢測方法。（2）優(yōu)化網(wǎng)絡(luò)算法?；贏I 技術(shù)開展的法醫(yī)學(xué)活體年齡研究使用的算法從最開始的數(shù)據(jù)挖掘、SVM、隨機森林、主成分分析，到現(xiàn)在廣泛應(yīng)用的CNN、DL， 從開始需要人為提取影像圖片特征到后來通過網(wǎng)絡(luò)算法自動學(xué)習(xí)，網(wǎng)絡(luò)算法模型仍需不斷更新迭代。 （3）契合法律需求。 2021 年1 月1 日起施行的《中華人民共和國民法典》將限制性民事行為能力的法定年齡節(jié)點下調(diào)至8.0 周歲，2021 年3 月1 日起施行的《中華人民共和國刑法修正案（十一）》將刑事責(zé)任年齡下調(diào)至12.0 周歲，這兩大法律對法定責(zé)任年齡的修訂對法醫(yī)學(xué)工作者而言，既是機遇也是挑戰(zhàn)。 AI 與骨齡、牙齡鑒定相結(jié)合，進一步提高鑒定意見的精確度和準(zhǔn)確性， 對于打擊犯罪和保護未成年人合法權(quán)益具有重要的現(xiàn)實意義。（4）完善鑒定標(biāo)準(zhǔn)。 《法庭科學(xué) 漢族青少年骨齡鑒定技術(shù)規(guī)程》（GA/T 1583—2019）已于2019 年10 月1 日實施，重點解決14.0、16.0、18.0 周歲青少年骨齡鑒定問題，今后有必要將青少年兒童牙齒發(fā)育指標(biāo)納入活體年齡研究中，可聯(lián)合運用AI 技術(shù)進一步完善我國低年齡組（如8.0、12.0 周歲）未成年人法醫(yī)學(xué)骨齡鑒定標(biāo)準(zhǔn)。