Desarrollo y evaluación de un modelo de red neuronal convolucional para la predicción del sexo utilizando...

Área de la Ciencia:

• Antropología forense
• Información biométrica
• La inteligencia artificial en la medicina

Sus antecedentes:

• La determinación precisa del sexo es vital para identificar a personas desconocidas en las investigaciones forenses.
• Las radiografías cefalométricas laterales ofrecen una estructura craneal detallada para modelos de identificación computacional.

Objetivo del estudio:

• Desarrollar y evaluar modelos de predicción de sexo utilizando varias arquitecturas de redes neuronales convolucionales (CNN).
• Evaluar el rendimiento del modelo tanto en datos radiográficos estandarizados como en fotografías craneales del mundo real para la simulación forense.

Principales métodos:

• Se entrenaron seis arquitecturas de CNN (VGG16, VGG19, MobileNetV2, ResNet50V2, InceptionV3, InceptionResNetV2) en 340 imágenes cefalométricas.
• Se utilizó el aumento de datos para abordar el desequilibrio de clase en el conjunto de datos (entrenamiento del 70%, validación del 15%, pruebas del 15%).
• La generalización del modelo se probó utilizando 40 imágenes craneales de muestras anatómicas.

Principales resultados:

• VGG19 y ResNet50V2 obtuvieron altas puntuaciones F1 (95% mujeres, 83% hombres) en los datos cefalométricos, lo que indica un fuerte rendimiento específico de la clase.
• La precisión general superó el 90%, pero las puntuaciones F1 representaron mejor el rendimiento en el conjunto de datos desequilibrado.
• El rendimiento del modelo disminuyó significativamente con las fotografías craneales, con una notable clasificación errónea de las muestras femeninas.

Conclusiones:

• Los modelos de CNN demuestran un alto rendimiento en imágenes cefalométricas estandarizadas, pero una generalización limitada a las imágenes craneales fotográficas.
• Un cambio de dominio entre las modalidades de imagen dificulta el rendimiento de las aplicaciones forenses en el mundo real.
• Una mayor optimización del modelo y diversos conjuntos de datos de capacitación son esenciales para mejorar la precisión de la identificación forense.