基于图像识别的深度学习方法,用于在法医学上重要的Sarcophaga peregrina (Diptera:Sarcophagidae) 中的幼儿内年龄和死后间隔估计
Gang Yu1, Bingqian Bai1, Maoxu Zhou1
1Department of Biomedical Engineering, School of Basic Medical Sciences, Central South University, Changsha, Hunan 410013, China.
Forensic science international
|December 5, 2025
概括
这项研究引入了一种深度学习方法,用于准确估计 (Sarcophaga peregrina) 的年龄. 这种人工智能方法为法医昆虫学中确定死后间隔 (PMI) 的传统方法提供了客观的替代方案.
科学领域:
- 法医昆虫学 法医昆虫学
- 在法医中使用人工智能.
- 昆虫发育生物学 昆虫发育生物学
背景情况:
- 准确的死后间隔 (PMI) 估计在法医昆虫学中至关重要.
- 传统的方法来确定的幼儿年龄依赖于主观的形态评估,导致潜在的偏见和不准确性.
- 开发客观和自动化的年龄估计方法对于克服目前法医调查的局限性至关重要.
研究的目的:
- 开发和验证基于图像的深度学习框架,用于在Sarcophaga peregrina中自动分类婴儿内发育阶段.
- 用昆虫证据提高死后间隔 (PMI) 估计的准确性和客观性.
- 为法医昆虫学提供标准化和快速的AI辅助工具.
主要方法:
- 在删除幼后,创建了Sarcophaga peregrina pupae在不同发育阶段 (1-11日) 的高分辨率图像数据集.
- 一个ResNet50网络被用于兴趣地区的提取.
- 视觉转换器 (ViT) 模型被用于端到端分类内发育阶段.
主要成果:
- 拟议的深度学习框架实现了高分类性能.
- 该模型在分类发育阶段时的精度为94.00%,回忆率为93.41%,F1得分为93.43%.
- 结果表明,深度学习可以有效地取代手动形态评估.
结论:
- 深度学习为法医昆虫学中儿童内年龄估计的传统方法提供了一个客观而有效的替代方案.
- 开发的AI框架为基于昆虫证据的标准化,快速和准确的PMI推断提供了一条可行的途径.
- 这种方法减少了对专家经验的依赖,提高了法医调查的可靠性.
