一种新的死亡原因识别方法 - - 采用机器学习的多器官FTIR光谱信息的多策略集成

科学领域:

• 法医科学 法医科学 法医科学
• 分析化学 分析化学
• 生物医学工程 生物医学工程

背景情况:

• 确定死亡原因的传统方法耗时,劳动密集,需要专门的专业知识,并且容易产生主观偏见.
• 当前的研究往往集中在单个器官或单个死亡原因上,限制了全面的分析.
• 开发客观,高效和准确的方法来确定死亡原因对于法医实践至关重要.

研究的目的:

• 开发和优化一种新的方法来识别死亡原因,使用福里埃变换红外光谱 (FTIR) 和多器官数据集成.
• 为了比较不同建模策略的有效性,包括单器官,单器官模型融合,多器官数据融合和多器官数据模型融合.
• 为了确定最佳的模型,准确的死亡原因鉴定考虑性能,成本和复杂性.

主要方法:

• 福里埃变换红外光谱法 (FTIR) 用于分析来自六个器官的光谱数据:心脏,肝脏,脏,肺,脏和大脑.
• 来自多个器官的数据使用各种融合技术进行了整合:单器官 (SO),单器官模型融合 (SOMF),多器官数据融合 (MODF) 和多器官数据模型融合 (MODMF).
• 开发了人工神经网络 (ANN) 模型,并对其在识别七种不同的死亡原因方面的表现进行了评估.

主要成果:

• 多器官数据融合 (MODF) 方法,特别是使用人工神经网络 (ANN) 模型,显示出最适合用于死亡原因的识别.
• 最优的MODF-ANN模型实现了0.960的交叉验证精度和0.952.95的测试集精度.
• 发现来自心脏和脏器官的光谱特征对死亡原因识别模型的准确性作出了特别重要的贡献.

结论:

• 数据融合和模型融合策略有效地提高了死亡原因识别模型的性能.
• MODF-ANN模型为法医实践提供了一个有希望,准确和高效的解决方案,克服了传统方法的局限性.
• 这项研究提供了一个全面的框架,用于模拟小样本,多模式数据,适用于各种法医和生物医学研究领域.