Сегодня: 01.02.2023
RU / EN
Последнее обновление: 26.12.2022
Классификация возраста в судебной медицине с использованием методов машинного обучения

Классификация возраста в судебной медицине с использованием методов машинного обучения

Г.В. Золотенкова, А.И. Рогачев, Ю.И. Пиголкин, И.С. Эделев, В.Н. Борщевская, R. Cameriere
Ключевые слова: судебная медицина; диагностика возраста; возрастные группы; методы машинного обучения; методы нелинейного снижения размерности.
2022, том 14, номер 1, стр. 15.

Полный текст статьи

html pdf
359
507

Цель работы — оценить возможность установления возраста (возрастной группы) на момент смерти с использованием методов классификации по данным гистоморфометрической характеристики возрастных изменений костной и хрящевой тканей.

Материалы и методы. Материалом для исследования послужила база данных, содержащая результаты морфометрических исследований гистологических препаратов костной и хрящевой тканей от 294 паспортизированных трупов лиц мужского пола в возрасте от 10 до 93 лет. Для анализа и классификации данных использованы современные методы машинного обучения: k-NN, SVM, Logistic Regression, CatBoost, SGD, Naive Bayes, Random Forest, методы нелинейного снижения размерности (t-SNE и uMAP) и метод рекурсивного исключения признаков (Recursive feature elimination) для отбора признаков.

Результаты. Использованные методы (алгоритмы) обеспечили эффективную визуализацию сложного набора данных (76 гистоморфометрических признаков), на основе которой была выявлена кластерная структура части объектов в пространстве признаков, что свидетельствовало о целесообразности построения моделей. В ходе отбора признаков была дана оценка их значимости для диагностики возрастной группы, изучена зависимость качества классификации от размера признакового пространства. Пред­обработка данных позволила избавиться от шума в данных и оставить наиболее информативные признаки, тем самым ускорить процесс обучения и повысить качество классификации. Установлено, что сокращение признакового пространства является необходимой мерой и не приводит к потере качества классификации. Повторная визуализация данных свидетельствовала о наличии более четкой кластерной структуры в пространстве отобранных признаков. Точность установления отдельных групп — 90%. Это доказывает высокую эффективность использования методов машинного обучения с целью судебно-медицинской диагностики возраста на основе данных гистоморфометрических исследований.

  1. Garvin H., Passalacqua N.V., Uh N.M., Gipson D.R., Overbury R.S., Cabo L.L. Developments in forensic anthropology: age-at-death estimation. In: Dirkmaat D.C. (editor). A companion to forensic anthropology. Chichester: Wiley-Blackwell; 2012; p. 202–223, https://doi.org/10.1002/9781118255377.ch10.
  2. Глыбочко П.В., Пиголкин Ю.И., Николенко В.Н., Золо­тенкова Г.В., Ефимов А.А., Алексеев Ю.Д., Феду­лова М.В., Савенкова Е.Н., Курзин Л.М., Гончарова Н.Н., Юр­ченко М.А., Мирошниченко Н.В. Судебно-медицинская диагностика возраста. М: Первый МГМУ имени И.М. Се­че­нова; 2016.
  3. Schmitt A., Murail P., Cunha E., Rougé D. Variability of the pattern of aging on the human skeleton: evidence from bone indicators and implications on age at death estimation. J Forensic Sci 2002; 47(6): 1203–1209, https://doi.org/10.1520/jfs15551j.
  4. Mays S. The effect of factors other than age upon skeletal age indicators in the adult. Ann Hum Biol 2015; 42(4): 332–341, https://doi.org/10.3109/03014460.2015.1044470.
  5. Ferrante L., Skrami E., Gesuita R., Cameriere R. Bayesian calibration for forensic age estimation. Stat Med 2015; 34(10): 1779–1790, https://doi.org/10.1002/sim.6448.
  6. Bucci A., Skrami E., Faragalli A., Gesuita R., Cameriere R., Carle F., Ferrante L. Segmented Bayesian calibration approach for estimating age in forensic science. Biom J 2019; 61(6): 1575–1594, https://doi.org/10.1002/bimj.201900016.
  7. Hartnett K.M. Analysis of age-at-death estimation using data from a new, modern autopsy sample — part I: pubic bone. J Forensic Sci 2010; 55(5): 1145–1151, https://doi.org/10.1111/j.1556-4029.2010.01399.x.
  8. Pigolkin Yu.I., Zolotenkova G.V., Sereda A.P., Zolotenkov D.D., Gridina N.V. Histometric symptoms of age-sensitive changes of bone tissue. Adv Gerontol 2018; 31(2): 203–210.
  9. Пиголкин Ю.И., Полетаева М.П., Золотенкова Г.В., Вол­ков А.В. Возрастные изменения гистологической структуры щитовидного хряща у лиц мужского пола. Судебно-медицинская экспертиза 2017; 60(5): 11–14, https://doi.org/10.17116/sudmed201760511-14.
  10. Пиголкин Ю.И., Полетаева М.П., Золотенкова Г.В. Ис­пользование лучевой диагностики для определения биологического возраста человека по морфометрическим параметрам щитовидного хряща. Российский электронный журнал лучевой диагностики 2017; 7(4): 23–29, https://doi.org/10.21569/2222-7415-2017-7-4-23-29.
  11. Пиголкин Ю.И., Золотенкова Г.В., Березовский Д.П. Методологические основы определения возраста человека. Судебно-медицинская экспертиза 2020; 63(3): 45–50, https://doi.org/10.17116/sudmed20206303145.
  12. Ковалев А.В., Аметрин М.Д., Золотенкова Г.В., Гера­симов А.Н., Горностаев Д.В., Полетаева М.П. Судебно-медицинское установление возраста по КТ-сканограммам черепа и краниовертебральной области в сагиттальной проекции. Судебно-медицинская экспертиза 2018; 61(1): 21–27, https://doi.org/10.17116/sudmed201861121-27.
  13. Пиголкин Ю.И., Ткаченко С.Б., Золотенкова Г.В., Ве­ленко П.С., Золотенков Д.Д., Сафронеева Ю.Л. Комп­лексная оценка возрастных изменений кожи. Судебно-медицинская экспертиза 2018; 61(3): 15–18, https://doi.org/10.17116/sudmed201861315-18.
  14. Пиголкин Ю.И., Золотенкова Г.В. Возрастные изменения капилляров коры головного мозга. Судебно-ме­дицинская экспертиза 2014; 57(1): 4–10.
  15. Buk Z., Kordik P., Bruzek J., Schmitt А., Snorek М. The age at death assessment in a multi-ethnic sample of pelvic bones using nature-inspired data mining methods. Forensic Sci Int 2012; 220(1–3): 294.e1–294.e9, https://doi.org/10.1016/j.forsciint.2012.02.019.
  16. Moskalenko V.A., Nikolskiy A.V., Zolotykh N.Yu., Kozlov A.A., Kosonogov K.A., Kalyakulina A.I., Yusipov I.I., Levanov V.M. Cyberheart-diagnostics software package for automated electrocardiogram analysis based on machine learning techniques. Sovremennye tehnologii v medicine 2019; 11(2): 86–91, https://doi.org/10.17691/stm2019.11.2.12.
  17. Andryushchenko V.S., Uglov A.S., Zamyatin A.V. Statistical classification of immunosignatures under significant reduction of the feature space dimensions for early diagnosis of diseases. Sovremennye tehnologii v medicine 2018; 10(3): 14–20, https://doi.org/10.17691/stm2018.10.3.2.
  18. Samoyavcheva S.V., Shkarin V.V. Capabilities of cluster analysis in interpretation of 24-hour blood pressure monitoring data in patients with arterial hypertension and left ventricular remodeling. Sovremennye tehnologii v medicine 2015; 7(4): 113–118, https://doi.org/10.17691/stm2015.7.4.15.
  19. Kerley E.R. The microscopic determination of age in human bone. Am J Phys Anthropol 1965; 23(2): 149–164, https://doi.org/10.1002/ajpa.1330230215.
  20. Stout S.D. The use of cortical bone histology to estimate age at death. In: Işcan M.Y. (editor). Age markers in the human skeleton. Springfield: Charles C. Thomas; 1989, https://doi.org/10.1002/ajhb.1310030516.
  21. Crowder C.M., Pfeiffer S. The application of cortical bone histomorphometry to estimate age at death. In: Latham K.E., Finnegan J.M., Rhine S. (editors). Age estimation of the human skeleton. Springfield: Charles C. Thomas; 2010.
  22. Crowder C.M., Dominguez V.M. A new method for histological age estimation of the femur. In: Proceedings of the American Academy of Forensic Sciences; Vol. 18. Atlanta; 2012; p. 374–375.
  23. Doyle E., Márquez-Grant N., Field L., Holmes T., Arthurs O.J., van Rijn R.R., Hackman L., Kasper K., Lewis J., Loomis P., Elliott D., Kroll J., Viner M., Blau S., Brough A., de las Heras S.M., Garamendi P.M. Guidelines for best practice: imaging for age estimation in the living. J Forensic Radiol Imaging 2019; 16: 38–49, https://doi.org/10.1016/j.jofri.2019.02.001.
  24. Crowder C. Evaluating the use of quantitative bone histology to estimate adult age at death. PhD Thesis. Toronto: University of Toronto, Department of Anthropology; 2005.
Zolotenkova G.V., Rogachev A.I., Pigolkin Y.I., Edelev I.S., Borshchevskaya V.N., Cameriere R. Age Classification in Forensic Medicine Using Machine Learning Techniques. Sovremennye tehnologii v medicine 2022; 14(1): 15, https://doi.org/10.17691/stm2022.14.1.02


Журнал базах данных

pubmed_logo.jpg

web_of_science.jpg

scopus.jpg

crossref.jpg

doaj.jpg

ebsco.jpg

embase.jpg

ulrich.jpg

cyberleninka.jpg

e-library.jpg

lan.jpg

ajd.jpg

vak.jpg