死后间隔估计的进步:对各种组织类型的机器学习和代谢学进行系统审查
Abdulkreem Abdullah AlJuhani1, Rodan Mahmoud Desoky2, Abdulaziz A Binshalhoub3
1Department of Surgery King, Abdulaziz University Hospital, Riyadh, SA, Saudi Arabia. Kroomx@outlook.com.
Forensic science, medicine, and pathology
|July 23, 2025
概括
机器学习通过使用代谢学来提高死后间隔 (PMI) 估计. 随机森林模型的心脏血液对于短时间的PMI是最佳的,而骨肌肉和堆叠模型对于更长的持续时间是最佳的.
科学领域:
- 法医科学 法医科学 法医科学
- 生物化学 生物化学
- 计算生物学 计算生物学
背景情况:
- 传统的死后间隔 (PMI) 估计依赖于环境因素.
- 代谢学通过分析生化变化提供了更高的准确性.
- 机器学习 (ML) 算法从代谢物数据中增强PMI预测.
研究的目的:
- 审查用于PMI估计的ML的进展.
- 为了确定最佳的组织样本和算法,准确的PMI预测.
主要方法:
- 系统的文献搜索到2024年9月.
- 数据提取对象,组织,PMI范围,分析技术,ML算法和模型性能.
- 在各种组织中对PMI估计进行ML模型的比较.
主要成果:
- 随机森林 (RF) 模型与心脏血液实现了最佳性能 (MAE 1.067小时).
- 正对角信号校正的PLS模型显示了高准确度 (R2 > 0.99,MAE 1.18-2.37小时).
- 多器官堆叠模型达到93%的准确性;nu-SVM和PLS模型也显示出有前途的结果.
结论:
- 带有射频模型的心脏血液是短时间PMI的理想选择.
- 骨肌肉和堆叠模型对于较长的PMI是优越的.
- 建议进行进一步的验证和人类受试者研究.
