机器学习方法用于估计子成年人的性别,使用头骨计算机断层扫描图像
Sharifah Nabilah Syed Mohd Hamdan1, Erma Rahayu Mohd Faizal Abdullah2, Khor Jia Wen2
1Department of Oral and Craniofacial Sciences, Faculty of Dentistry, Universiti Malaya, Kuala Lumpur, Malaysia.
概括
随机森林 (RF) 机器学习模型在使用头骨CT扫描对子成年人进行性别估计时达到最高准确率 (73%). 这种人工智能方法为法医人类学和发展研究提供了一种新的方法.
科学领域:
- 法医人类学 法医人类学
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 准确的性别估计在法医人类学和发育研究中至关重要.
- 头骨计算机断层扫描 (CCT) 为分析提供了详细的解剖信息.
- 机器学习 (ML) 提供了自动化复杂分类任务的潜力.
研究的目的:
- 为了比较三种ML方法 (随机森林,支持向量机,线性差异分析) 的分类准确性,用于对未成年人进行性别估计.
- 为了评估ML模型的性能,使用来自CCT扫描的形参数.
- 引入第一个基于人工智能的分类模型,用于使用CCT数据对未成年人进行性别估计.
主要方法:
- 使用Mimics软件分析了521个马来西亚小成年人 (0-20岁) 的CCT扫描.
- 通过平面对平面协议测量14个测参数.
- 使用 GridSearchCV.开发和优化RF,SVM和LDA分类模型.
主要成果:
- 随机森林 (RF) 实现了最高的测试准确率73%,具有最佳的超参数.
- 支持矢量机 (SVM) 获得了67%的准确性,线性差异分析 (LDA) 获得了65%的准确性.
- 与SVM和LDA相比,RF在这个队列中的性别估计方面表现优越.
结论:
- 随机森林 (RF) 是使用CCT扫描测试的未成年人性别估计测试方法中最有效的ML方法.
- 这项研究提出了一种基于人工智能的新方法,用于在未成年人中估计性别,这对法医和临床应用有意义.
- 进一步的研究可以探索更大的数据集和多样化的群体,以改进这些ML模型.
