机器学习模型用于基于腰椎脊柱形态测量的性别预测.
Madalina Maria Diac1, Gina Madalina Toma2, Simona Irina Damian1
1Forensic Medicine Sciences Department, Institute of Legal Medicine, University of Medicine and Pharmacy "Grigore T. Popa", 700115 Iasi, Romania.
Diagnostics (Basel, Switzerland)
|December 22, 2023
概括
机器学习模型可靠地从腰椎 (L1-L5) 形态学上预测性别. 这种技术有助于法医识别,当只有骨遗骸可用时,特别是在大规模灾难的情况下.
科学领域:
- 法医人类学 法医人类学
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 识别骨遗骸是具有挑战性的,特别是在大规模灾难或分解的遗骸中.
- 法医专家和人类学家在从骨证据中确定性别方面遇到了困难.
研究的目的:
- 用L1-L5腰椎形态测量来评估机器学习 (ML) 技术用于性别预测的可靠性.
- 为了确定腰椎的度量分析是否可以在法医背景下提供准确的性别鉴定.
主要方法:
- 使用随机森林 (RF) 和XGBoost (XGB) 分类技术开发和调整预测模型.
- 使用交叉验证和网格搜索进行超参数优化.
- 根据ROC_AUC (曲线下的面积) 性能指标选择的最佳模型.
主要成果:
- L1-L5腰椎表现出性二态,作为性别决定的有效预测器.
- 射频模型确定了六个显著的预测因素,而XGB模型强调了性预测的三个关键预测因素.
- 这两种算法都在根据腰椎测量预测性别方面表现出可靠的性能.
结论:
- 射频和XGB技术可靠地使用L1-L5测量来预测性别,即使数据集很小.
- 这种ML方法在只有骨遗骸可用时,对法医鉴定有价值.
- 该ML设置可以适应为法医人类学家提供可访问的网络服务,以从腰椎数据中预测性别.


