在法医科学与灾难遇难者辨识的严峻战场上，一个核心挑战在于为身份不明的个体建立生物轮廓，这包括了年龄、性别、祖源和身高的估算。然而，在自然灾难、交通事故或武装冲突等大规模伤亡事件中，遗体常常面临严重的软组织腐烂、破碎或毁损，使得指纹、面部识别等主要身份识别方法完全失效。传统法医人类学方法高度依赖于完整的骨骼和经验丰富的专家，这在资源紧张的灾难现场往往难以满足。那么，有没有一种方法，可以像“骨骼密码破译者”一样，即便在软组织荡然无存的情况下，也能从残存的骨骼中快速、准确地读取年龄和性别的关键信息呢？
手部骨骼因其在创伤中常靠近躯干或面部、相对于其他部位更耐破坏，且在较小体积内包含众多骨骼而具有较高的完整发现率，成为法医场景中极具价值的“身份证”。手-腕部X线片更是被广泛应用于儿科生长监测、正畸治疗等临床领域，留下了海量的生前影像档案。这为法医辨识提供了一个潜在的、丰富的生前资料库。关键在于，如何构建一座桥梁，将临床影像分析技术无缝应用于条件苛刻的法医现场。为此，研究人员在《International Journal of Legal Medicine》上发表研究，开发了一套创新的两阶段深度学习系统，旨在从手部X线片中实现自动化的、不依赖于软组织完整性的骨骼年龄和性别估算，为法医实践，特别是灾难遇难者辨识工作流程中的“生前-死后”比对环节，提供强大助力。
这项研究主要运用了几个关键的技术方法：首先，整合了两个大型数据集进行模型训练，包括主要来自北美儿科医院的RSNA儿科骨龄挑战赛数据集 （12,611张左手X线片，用于年龄和性别预测）和来自Roboflow平台的HandBone分割数据集 （1,254张手部X线片，用于详细的解剖学标注）。其次，构建了一个两阶段深度学习架构 ：第一阶段（解剖姿态估计）采用YOLOv8x 模型并行执行17个关键点检测 和19块骨骼的分割 ，以精确提取骨骼形态学特征；第二阶段（生物轮廓预测）则将原始图像、关键点热图和分割掩码作为多通道输入，输入到EfficientNet-B0 模型中进行年龄回归和性别分类。最后，研究采用了严格的模型正则化策略 （如高达0.65的dropout率）和模拟法医现场条件的数据增强，以确保模型在面对不同人群和图像采集条件时的泛化能力。
结果部分揭示了该系统的卓越性能：
整体系统性能 ：在200个独立测试样本上，系统整体表现优异。年龄估计达到了平均绝对误差（MAE）为7.75个月（95%置信区间：6.82–8.68），决定系数（R2 ）为0.942，组内相关系数（ICC）高达0.993，这与专家级评估者间的一致性水平相当。性别分类的准确率达到94%，科恩卡帕（Cohen’s κ）系数为0.88，属于“几乎完全一致”的范畴。
按年龄分层的分析 ：为了评估模型在不同年龄段的稳定性，研究进行了分层分析。结果显示，在0-5岁、5-10岁、10-15岁和15-19岁所有四个年龄组中，MAE均保持在10个月以下（范围：5.43-8.39个月），表现出跨年龄组的一致性能。尤其在0-5岁组，由于骨骼变化最快，模型取得了最低的误差（MAE 5.43个月）。
一致性分析 ：布兰德-奥特曼（Bland-Altman）分析显示，模型预测值与参考值之间仅存在轻微的正向偏差（+1.29个月），但统计检验不显著（p=0.060），效应量（Cohen’s d=0.128）可忽略，表明不存在具有统计学意义的系统性偏差。
可靠性指标 ：评估模型预测与金标准一致性的可靠性指标非常出色。年龄估计的ICC达到0.993，属于“极佳”级别；性别分类的科恩卡帕系数为0.88，属于“几乎完全一致”，均满足了法医应用对高可靠性的要求。
性别分类性能 ：对性别分类模型的详细分析显示，其对男性样本的识别率达到100%（104/104正确），对女性样本的识别率为87.5%（84/96正确），总体准确率为94%。受试者工作特征曲线下面积（AUC）为0.560，校准分析显示预测概率的可靠性有待改进，但对于二元决策已足够。
研究的结论与讨论强调了其在法医科学，特别是灾难遇难者辨识中的重要意义：
本研究成功开发并验证了一个两阶段的深度学习系统，能够从手部X线片中自动、准确地估算骨骼年龄（MAE 7.75个月）和鉴定性别（准确率94%）。该系统的核心价值在于其法医适用性设计 。首先，两阶段架构提供了关键的法医可解释性 。第一阶段生成的关键点检测图和骨骼分割掩码，直观展示了预测所基于的解剖结构（如桡骨远端骨骺融合程度），这直接回应了法庭证据采纳的道伯特标准 中对“可检验性”和“科学方法透明”的要求，有效缓解了深度学习模型的“黑箱”问题。其次，研究证实了方法对软组织的独立性 。尽管使用含软组织的临床影像进行训练，但通过第一阶段高精度（Dice系数>92%）的骨骼分割，系统后续的预测完全基于骨骼形态学特征。这从原理上证明了该方法适用于软组织腐烂、缺失的法医遗骸分析。最后，该系统为灾难遇难者辨识工作流程带来了革命性的效率提升 。在辨识工作的“比对”阶段，系统可快速从现场获取的死后手部X线片中生成生物轮廓（年龄±不确定区间、性别），并与庞大的生前医疗影像数据库进行自动筛选比对。研究表明，结合年龄和性别信息，能将潜在的“生前-死后”配对数量减少约85%，从而极大缩小后续需要进行DNA确认的范围，在涉及数百受害者的重大事件中，可显著节约成本和时间。
与现有方法相比，该系统的年龄估计精度与文献中先进的深度学习模型相当，且显著优于传统格里乌利希-派尔图谱法（Greulich-Pyle Atlas）的评估者间变异（12.3个月）。而其从性二态性不明显的手部骨骼实现高达94%的性别鉴定准确率，更是令人瞩目的成果，因为手骨在碎片化场景中的回收率远高于骨盆或颅骨等性二态性更明显的部位。
当然，研究也存在局限，如训练数据主要基于北美人群，缺乏病理和创伤案例，也尚未在真实的、经过埋葬、火烧或水浸等埋藏学 过程影响的遗骸影像上进行验证。未来的研究需要在更多样化的人群和更接近法医现实条件的数据上进一步测试模型的泛化能力。
综上所述，这项研究不仅是一项技术创新，更是一次成功的“跨界”应用示范。它将临床影像分析的前沿深度学习技术，针对性地改造并应用于法医人类学的核心挑战，提供了一种客观、快速、可扩展且具有法庭证据潜力的工具。尤其当灾难现场仅能回收到孤立的手部遗骸时，这套系统有望成为法医专家手中一把强大的“骨骼密码破译钥匙”，为逝者言，为生者谋，在科学的指引下，履行对生命尊严的最后承诺。
打赏
