通过病理学基金会模型生成的跨物种转移学习和视觉信息来估计PMI
Guoshuai An1,2, Shuwei Jing1,2, Zihe Cheng1,2
1School of Forensic Medicine, Shanxi Medical University, No. 98, University Street, Yuci District, Jinzhong, 030600, Shanxi, China.
International journal of legal medicine
|November 19, 2025
概括
这项研究引入了一种新的AI框架,用于使用跨物种转移学习来估计死后间隔 (PMI). 该方法通过将动物数据与有限的人类样本相结合,提高了法医病理学中的准确性和解释性.
科学领域:
- 法医科学 法医科学 法医科学
- 人工智能的人工智能
- 病理学 病理学 病理学
背景情况:
- 估计死后间隔 (PMI) 在法医科学中至关重要.
- 病理学图像分析中的深度学习显示了PMI估计的前景.
- 现有的方法在动物对人类的样本转换和模型解释性方面扎.
研究的目的:
- 开发一个强大的死后间隔估计框架.
- 解决跨物种数据翻译和法医病理学模型解释性方面的挑战.
- 为了创建一个可解释的AI工具用于法医分析.
主要方法:
- 提出了一种病理学基础模型,采用两阶段跨物种转移学习策略.
- 该模型在猪肝全幻灯片图像 (WSIs) 上进行了微调,其次是人类数据.
- 包括概率图和分类比例直方图在内的可视化技术被用于解释性.
主要成果:
- 基于视觉变压器的UNI模型在猪数据上实现了91.63%的准确性.
- 使用有限的人类数据进行转移学习,精度提高到78.95%,增加了50%以上.
- 可视化框架增强了模型的解释性和可追溯性.
结论:
- 通过将先前的动物数据与对最小的人类数据的微调相结合,可以进行跨物种PMI估计.
- 该框架有效地解决了数据稀缺问题,并提高了法医病理学中AI模型的透明度.
- 为法医病理学开发了一个实用和可解释的基于人工智能的工具.
