人工智能在法醫(yī)學(xué)中的應(yīng)用

熊楓，鄔震宇

1.湖南省第二人民醫(yī)院芙蓉司法鑒定中心，湖南長沙 410007；2.江蘇省蘇州市昆山市青陽社區(qū)衛(wèi)生服務(wù)中心，江蘇蘇州 215300

人工智能是一種利用人工技術(shù)與方法延伸、擴(kuò)展、模擬人的智能，實(shí)現(xiàn)機(jī)器智能，最終目標(biāo)為達(dá)到與人類智力水平相當(dāng)?shù)娜斯ぶ悄躘1]。隨著人工神經(jīng)網(wǎng)絡(luò)理論的產(chǎn)生，使得人工智能發(fā)展更加快速，在醫(yī)學(xué)研究等領(lǐng)域中得到普遍應(yīng)用。法醫(yī)學(xué)是一門利用生物學(xué)、醫(yī)學(xué)及其他自然科學(xué)理論與技術(shù)，研究并解決法律實(shí)踐中有關(guān)醫(yī)學(xué)問題的醫(yī)學(xué)學(xué)科。法醫(yī)學(xué)具有涉及內(nèi)容多、影響因素多、經(jīng)驗(yàn)性強(qiáng)等特點(diǎn)，而人工智能核心就是推理與學(xué)習(xí)，使其在法醫(yī)學(xué)中的應(yīng)用優(yōu)勢(shì)十分明顯，且對(duì)學(xué)科發(fā)展有著非常重要的推進(jìn)作用。

1 人工智能概述

1.1 不確定推理與自動(dòng)推理

不確定推理指討論知識(shí)不確定與處理數(shù)據(jù)不精確的方法與工具，一般包括模糊推理、可信度方法等。自動(dòng)推理指機(jī)器從一個(gè)或多個(gè)現(xiàn)有邏輯中推論出一個(gè)新的結(jié)論，其是人工智能的核心內(nèi)容，也是專家系統(tǒng)、智能機(jī)器人、程序推導(dǎo)、程序正確性證明等領(lǐng)域的基礎(chǔ)。

1.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)主要是對(duì)人腦或生物神經(jīng)網(wǎng)絡(luò)的抽象分析與建模，以類似生物交互方式適應(yīng)環(huán)境并從中進(jìn)行學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)主要包括很多層，經(jīng)由感知系統(tǒng)連接層與層，同時(shí)進(jìn)行抽象分析，最后全面處理所得數(shù)據(jù)。盡管神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度比較緩慢，遠(yuǎn)不如人類大腦，但在多年發(fā)展過程中，已經(jīng)在醫(yī)療領(lǐng)域、智能機(jī)器人、模式識(shí)別等方面取得很大成就。隨著神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展與進(jìn)步，深度學(xué)習(xí)應(yīng)運(yùn)而生，主要經(jīng)由一系列多層非線性變換抽象分析相關(guān)數(shù)據(jù)，在自然語言處理、語音識(shí)別、圖像識(shí)別等方面得到廣泛應(yīng)用。

1.3 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)指讓機(jī)器模擬人的學(xué)習(xí)能力，獲得相應(yīng)的知識(shí)與技能，提高機(jī)器性能，使其具備與人類相似的智能。在機(jī)器學(xué)習(xí)方法中，統(tǒng)計(jì)學(xué)習(xí)應(yīng)用十分普遍，其主要通過大量的數(shù)據(jù)分析，構(gòu)建概率模型，利用此模型對(duì)相關(guān)數(shù)據(jù)進(jìn)行分析及預(yù)測(cè)。在統(tǒng)計(jì)學(xué)習(xí)中，支持向量機(jī)是十分常見的類型，即基于監(jiān)督學(xué)習(xí)模式，進(jìn)行數(shù)據(jù)分類、模式識(shí)別、回歸分析，是由大量數(shù)學(xué)理論知識(shí)與技術(shù)支持。在小樣本分析、高維模式識(shí)別、非線性分析中，支持向量機(jī)應(yīng)用優(yōu)勢(shì)十分明顯，也可在其他類型機(jī)器學(xué)習(xí)中進(jìn)行應(yīng)用。現(xiàn)階段，在人體部位識(shí)別、醫(yī)療、手寫文本檢測(cè)等領(lǐng)域中，支持向量機(jī)應(yīng)用十分廣泛。

2 人工智能在法醫(yī)學(xué)中的具體應(yīng)用

2.1 DNA分析

在DNA分型檢驗(yàn)中應(yīng)用毛細(xì)管電泳平臺(tái)時(shí)，經(jīng)常會(huì)受到儀器運(yùn)行、毛細(xì)管狀態(tài)、樣品本身、染料、電壓變異等因素的影響。現(xiàn)今，靜態(tài)峰閾值應(yīng)用十分普遍，能夠盡量過濾雜峰，最大限度地降低影響。在實(shí)際工作中，以上影響因素都是動(dòng)態(tài)變化的，靜脈峰閾值無法很好地解決問題，經(jīng)常會(huì)出現(xiàn)假陰性或者假陽性的現(xiàn)象[2]。有關(guān)研究發(fā)現(xiàn)，在DNA分型檢驗(yàn)中應(yīng)用人工智能技術(shù)，可以設(shè)置動(dòng)態(tài)峰閾值，從而更好地適應(yīng)復(fù)雜情況下的DNA分型檢驗(yàn)，以此有效解決各種問題。在峰圖處理方面，神經(jīng)網(wǎng)絡(luò)的應(yīng)用潛能非常大。有關(guān)研究發(fā)現(xiàn)，通過神經(jīng)網(wǎng)絡(luò)的應(yīng)用，能夠自動(dòng)識(shí)別電泳圖譜，下一步可嘗試將其運(yùn)用到混合DNA圖譜處理中。隨著基因組測(cè)序技術(shù)的快速發(fā)展與進(jìn)步，成本日益減少，法醫(yī)物證不再只是簡(jiǎn)單進(jìn)行STR分型，還引入了全基因組的測(cè)序信息，所以，基礎(chǔ)數(shù)據(jù)信息挖掘十分重要。在數(shù)據(jù)挖掘方面，機(jī)器學(xué)習(xí)具有分類、關(guān)聯(lián)、預(yù)測(cè)、偵查等優(yōu)勢(shì)，更適合在法醫(yī)物證學(xué)、人類學(xué)DNA數(shù)據(jù)挖掘中應(yīng)用，從宏觀角度來說，主要是通過DNA確定個(gè)人信息（地理信息、民族信息等）；從微觀角度而言，主要是確定個(gè)人的特殊性狀、容貌特征等信息，最后精準(zhǔn)定位嫌疑人。

2.2 死亡時(shí)間推斷

死亡時(shí)間指檢驗(yàn)尸體時(shí)與死亡發(fā)生時(shí)的時(shí)間間隔，是法醫(yī)學(xué)中十分重要的問題。在以往死亡時(shí)間推斷中，主要通過尸體現(xiàn)象、DNA降解、離子與酶學(xué)檢驗(yàn)等方法進(jìn)行確定。近些年來，隨著科學(xué)技術(shù)手段的不斷發(fā)展與增多，彗星試驗(yàn)、顯微分光光度等方法應(yīng)用越來越普遍。在死亡時(shí)間推斷中，法醫(yī)昆蟲學(xué)與人工智能的方式成為新的方向，即利用兩種神經(jīng)網(wǎng)絡(luò)方法分析尸體上絲光綠蠅幼蟲烴類化學(xué)物質(zhì)的GC-MS譜估計(jì)綠蠅生活階段，以此預(yù)測(cè)死亡時(shí)間，準(zhǔn)確性在80.8%～87.7%[3]。還可以利用機(jī)器學(xué)習(xí)方法對(duì)尸體鼻腔、外耳道等微生物改變情況進(jìn)行分析，以此推斷死亡時(shí)間。有關(guān)研究發(fā)現(xiàn)，采用多種機(jī)器學(xué)習(xí)方法對(duì)家兔死亡48 h內(nèi)角膜圖像進(jìn)行連續(xù)分析推斷死亡時(shí)間時(shí)，發(fā)現(xiàn)多種模型預(yù)測(cè)結(jié)果準(zhǔn)確性存在一定差異。對(duì)于白骨化尸體來說，可采用機(jī)器學(xué)習(xí)方法中隨機(jī)森林法進(jìn)行分析，以此推斷死亡時(shí)間[4]。在死亡時(shí)間推斷中不僅會(huì)受到尸體狀態(tài)的影響，還會(huì)受到所處環(huán)境的影響，在一定程度上增加死亡時(shí)間推斷難度。因此，人工智能聯(lián)合多種尸體標(biāo)記（微生物學(xué)、昆蟲學(xué)等）進(jìn)行數(shù)據(jù)分析對(duì)死亡時(shí)間推斷有著十分積極的作用。

2.3 人臉識(shí)別

盡管在生長發(fā)育過程中人的面部容貌會(huì)發(fā)生一定改變，但個(gè)人特征是相對(duì)固定的，所以，人的面部容貌是個(gè)體識(shí)別理想與同一認(rèn)定的生物學(xué)特征。通過對(duì)面部不對(duì)稱特征尺寸及其隨著年齡變化特點(diǎn)的分析可知，非對(duì)稱性面部特征是預(yù)測(cè)年齡的重要指標(biāo)，利用支持向量機(jī)進(jìn)行面部不對(duì)稱特征進(jìn)行分析，可有效預(yù)測(cè)人臉圖像年齡組，利用神經(jīng)網(wǎng)絡(luò)提取不對(duì)稱面部特征，分析相關(guān)誤差，以此獲取準(zhǔn)確信息，提高人臉識(shí)別準(zhǔn)確率。有關(guān)研究表明，在馬爾可夫網(wǎng)絡(luò)基礎(chǔ)上，自適應(yīng)的學(xué)習(xí)組合圖像的多個(gè)表征，并利用最小誤差邊界切割算法對(duì)重疊區(qū)域予以拼接，構(gòu)建基于多重表征自適應(yīng)人臉?biāo)孛韬铣煞椒ǎ瑯O大提高人臉識(shí)別效率[5]。在頜面部中，下頜骨是一個(gè)非常重要的組成部分，因?yàn)槠渲皇且攒浗M織與上頜部進(jìn)行連接，在尸體白骨化過程中非常容易遺失。為重建頜面部下頜骨，有關(guān)學(xué)者提出利用支持向量機(jī)監(jiān)督學(xué)習(xí)算法對(duì)哥倫比亞人頭顱側(cè)位X線圖像中顱頜關(guān)節(jié)進(jìn)行分析，以此劃分下頜骨相對(duì)于上頜骨的矢狀位置關(guān)系，確定骨性顱頜面結(jié)構(gòu)不依賴下頜骨的獨(dú)特骨性關(guān)系[6]。隨著人臉識(shí)別研究的不斷深入與增加，怎樣有效收集與管理和人臉相關(guān)的數(shù)據(jù)成為一大挑戰(zhàn)。盡管此項(xiàng)研究尚處在初始階段，但人工智能為人臉識(shí)別提供了新的思路。

2.4 年齡推斷

骨骼發(fā)育具有階段性、連續(xù)性特點(diǎn)，通過推斷遺骸年齡，有助于推斷死亡年齡。在以往骨齡鑒定中，主要通過對(duì)骨骺生長予以分級(jí)的方法進(jìn)行預(yù)測(cè)，不僅在骨骺分級(jí)方面存在技術(shù)難度，還無法消除主觀偏差[7]。為克服上述問題，有關(guān)學(xué)者提出利用支持向量機(jī)對(duì)青少年腕關(guān)節(jié)X線圖像予以訓(xùn)練，設(shè)計(jì)年齡預(yù)測(cè)模型，以此自動(dòng)分類尺骨遠(yuǎn)端與橈骨遠(yuǎn)端的骨骺。相關(guān)學(xué)者考慮到性別差異，利用體繪制技術(shù)提取男性與女性頸椎到第一腰椎區(qū)域的CT圖像后，分別利用簡(jiǎn)單線性回歸、梯度增強(qiáng)回歸、多元線性回歸、支持向量機(jī)等算法構(gòu)建男女年齡預(yù)測(cè)模型，以此為骨骼年齡的推斷提供參考依據(jù)[8]。除骨骼之外，牙齒發(fā)育也是預(yù)測(cè)年齡的常用指標(biāo)。有關(guān)研究顯示，通過對(duì)口腔全景X線圖像對(duì)比度的設(shè)置優(yōu)化，評(píng)定下頜第三磨牙特征，并利用Adobe Photoshop CC軟件設(shè)置矩形邊框，采用MATLAB R2017a軟件自動(dòng)識(shí)別下頜第三磨牙特征，研發(fā)一種基于下頜第三磨牙的年齡檢測(cè)技術(shù)。現(xiàn)今，在缺少完整骨骼證據(jù)的情況下，可利用分子生物學(xué)方法對(duì)案發(fā)現(xiàn)場(chǎng)遺留血液、組織等生物學(xué)物證進(jìn)行分析，以此推斷年齡[9]。在年齡預(yù)測(cè)模型構(gòu)建中，支持向量機(jī)、反向傳播神經(jīng)網(wǎng)絡(luò)、多元回歸等方法得到了廣泛應(yīng)用，隨后選出16個(gè)CpG位點(diǎn)，首次采用神經(jīng)網(wǎng)絡(luò)構(gòu)建年齡預(yù)測(cè)模式，不僅可以提高預(yù)測(cè)準(zhǔn)確性，還可以排除未成年人與不同種族背景的影響。現(xiàn)今，法醫(yī)現(xiàn)場(chǎng)檢材質(zhì)量低、數(shù)量少是法醫(yī)學(xué)面臨的主要問題。與此同時(shí)，每種體液或組織均可呈現(xiàn)出不同年齡相關(guān)DNA甲基化模式，且此種模式易受到疾病、環(huán)境等因素的干擾[10]。在人類細(xì)胞、組織類型中開發(fā)一種多組織、靈敏的年齡預(yù)測(cè)模型是一項(xiàng)非常重要的挑戰(zhàn)。

2.5 性別鑒定

在重大事故案件、嚴(yán)重自然災(zāi)害中經(jīng)常會(huì)涉及高度殘缺、腐爛的尸體遺骸，在骨骼形態(tài)特征上存在明顯差異，經(jīng)由法醫(yī)學(xué)進(jìn)行尸體遺骸特征分析，不需要利用DNA分型也能快速確定性別等信息，能夠有效縮短搜查時(shí)間，節(jié)省資源[11]。有關(guān)文獻(xiàn)報(bào)道研究，利用相干點(diǎn)漂移密度對(duì)應(yīng)分析法對(duì)成年人顱骨CT圖像予以分析時(shí)，可利用支持向量機(jī)與交叉驗(yàn)證算法進(jìn)行模型構(gòu)建，以此準(zhǔn)確判斷性別，準(zhǔn)確率高達(dá)90.3%[12]。經(jīng)過對(duì)比發(fā)現(xiàn)，在成年人顱骨樣本分析中，相較于支持向量機(jī)、決策樹等方法，MKDSIF-FCM算法鑒別性別的準(zhǔn)確性更高。在成人顱骨側(cè)位CT圖像中，采用神經(jīng)網(wǎng)絡(luò)與模式識(shí)別，可實(shí)現(xiàn)監(jiān)督與非監(jiān)督技術(shù)的有機(jī)結(jié)合，提出了一個(gè)不依賴顱骨測(cè)量值的建模方法。值得注意的是，性別二態(tài)性程度與模式經(jīng)常會(huì)受到環(huán)境、地域等因素的干擾，使得不同年齡、地域人群的骨骼存在一定的差異[13]。針對(duì)上述情況，可通過收集不同種群的數(shù)據(jù)資料消除種群特異性，以此提高性別鑒定準(zhǔn)確率。

2.6 毒物分析

近些年來，毒物種類增長速度日益加重，毒物檢測(cè)分析面臨著十分巨大的挑戰(zhàn)[14]。但在人工智能的輔助下，毒物檢測(cè)方法也在不斷增多，檢測(cè)速度也在不斷加快；在毒物檢測(cè)開發(fā)中，人工智能結(jié)合貝葉斯概率可有效篩選目標(biāo)化合物；在判定檢測(cè)結(jié)果方面開發(fā)了一種基于貝葉斯概率的統(tǒng)計(jì)模型，可有效辨別物質(zhì)的真峰與偽峰[15]。由此可以看出，在毒物檢測(cè)、實(shí)驗(yàn)數(shù)據(jù)實(shí)時(shí)分析、組織生物標(biāo)記物篩查等方面，人工智能應(yīng)用十分普遍。隨著不同學(xué)科的互相交叉，能夠進(jìn)一步促進(jìn)人工智能的發(fā)展，以此為法醫(yī)學(xué)毒物分析提供指導(dǎo)依據(jù)。

2.7 影像圖像與病理學(xué)切片分析

在醫(yī)學(xué)影像圖像與病理學(xué)切片分析中，人工智能應(yīng)用的優(yōu)越性非常明顯。在人工智能的輔助下，能夠?qū)⒉±韺W(xué)圖像轉(zhuǎn)變成高保真可挖掘的數(shù)據(jù)，不僅能夠提高病理診斷的精細(xì)化，還可以自動(dòng)生成診斷報(bào)告[16]。在法醫(yī)學(xué)鑒定中，影像圖像是十分重要的參考依據(jù)，根據(jù)不完全統(tǒng)計(jì)，法醫(yī)鑒定數(shù)量每年約為100萬件，需要鑒定的影像圖像數(shù)量十分龐大。倘若對(duì)影像學(xué)專家系統(tǒng)進(jìn)行相應(yīng)的修改，可極大提高影像診斷準(zhǔn)確性[4]。隨著其他檢驗(yàn)程序的不斷增加，開發(fā)出全套智能檢驗(yàn)鑒定專家系統(tǒng)成為可能，實(shí)現(xiàn)從案件受理到鑒定報(bào)告的自動(dòng)生成。在法醫(yī)病理學(xué)中，虛擬解剖優(yōu)勢(shì)日益突出，在此過程中會(huì)出現(xiàn)大量影像數(shù)據(jù)，開發(fā)配套的人工智能影像診斷系統(tǒng)十分重要。與人工專家閱讀方式相比，人工智能不僅能夠快速、無疲勞地在鑒別診斷、量化測(cè)量等方面發(fā)揮作用，還可以隨著算法理論的不斷更新，深度挖掘分析大量影像圖像，以此達(dá)到高效的圖像信息利用率[12]。

綜上所述，在法醫(yī)學(xué)中應(yīng)用人工智能能夠?qū)嬰s的數(shù)據(jù)進(jìn)行分析與深挖掘，發(fā)揮其最大價(jià)值。自動(dòng)化信息技術(shù)與人工智能的結(jié)合能夠?yàn)榉ㄡt(yī)學(xué)提供準(zhǔn)確、便捷、可重復(fù)的方法，以非侵入性方式對(duì)群體長期變化予以虛擬人類學(xué)、虛擬解剖、DNA分析、毒物分析。然而，要想進(jìn)一步在法醫(yī)學(xué)中融入人工智能，真正實(shí)現(xiàn)法醫(yī)學(xué)專家與人工智能的協(xié)同工作模式，還要加大研究力度。