基于集成学习的梨状孔形态测量学性别鉴定：一项土耳其人群的CT三维重建研究

《Egyptian Journal of Forensic Sciences》：Sex estimation with ensemble learning: an analysis using anthropometric measurements of piriform aperture

针对梨状孔(PA)性别二态性研究不足的现状，Tokat Gaziosmanpasa大学团队通过CT三维重建技术获取442例土耳其人群样本的PA测量数据，创新性地采用判别分析(DFA)结合KNN、GNB、ANN等7种机器学习算法及集成学习方法，将性别鉴定准确率提升至85.7%。该研究为法医人类学碎片化遗骸的性别鉴定提供了新方法，成果发表于《Egyptian Journal of Forensic Sciences》。

　　

鼻骨作为人体面部最脆弱的骨骼之一，在考古发掘和灾难现场常呈现低至9.41-30.15%的保存率，这使得传统依赖骨盆或完整颅骨的性别鉴定方法面临严峻挑战。Williams和Rogers曾将梨状孔(PA)描述为性别鉴定的"高质量特征"，但既往研究多聚焦于骨盆或长骨，对这块连接鼻腔与外界的关键解剖结构关注不足。更值得注意的是，不同地区研究显示PA性别二态性存在显著差异：埃及研究仅获75.4%准确率，南非人群甚至低至42.3-59.7%，这种地域差异性使得建立本土化标准迫在眉睫。

Tokat Gaziosmanpasa大学医院的研究团队通过回顾性分析442例(男226/女216)21-89岁土耳其患者的头颈CT数据，采用Sectra IDS7 PACS系统进行三维重建，精确测量梨状孔的颅尾径(CC)、中侧径(ML)、面积和周长。为确保数据可靠性，团队设置严格的误差标准：观察者内相对技术误差(rTEM)<1.5%、观察者间<2%，并通过ICC值>0.75验证。研究创新性地构建了七重验证体系——先采用判别分析(DFA)、K近邻(KNN)、高斯朴素贝叶斯(GNB)等传统机器学习算法，再通过集成学习中的堆叠法(stacking)将各算法预测结果作为新特征输入随机森林(RF)进行最终分类。

关键技术方法包括：使用GE Optima CT660获取0.625mm层厚CT图像；通过三维体积渲染手动测量PA的CC和ML径线；二维骨算法冠状面手动勾画计算面积和周长；采用十折交叉验证评估KNN(k=5)、MLP(含Sigmoid激活函数的单隐藏层神经网络)等模型性能；最终通过集成学习整合DFA与6种机器学习算法结果。

研究结果揭示：所有PA测量参数均显示显著性别差异(P<0.02)，男性CC径(32.9±3.8mm)显著大于女性(28.9±3.5mm)。单变量判别分析中CC径以72.9%准确率成为最佳单项指标。机器学习算法中随机森林表现最优(84.2%)，而集成学习方法将准确率进一步提升至85.7%，其中男性识别率高达88.1%。特别值得注意的是，该研究首次报道土耳其人群PA的性二态性特征：与巴西、埃及数据相比，土耳其样本在CC径上与巴西研究最接近(Z=0.32)，但ML径呈现独特模式，这可能反映气候适应机制——土耳其北部温和气候可能塑造了介于热带与寒带人群之间的PA形态。

讨论部分强调三个突破性发现：首先证实PA在土耳其人群具有中度性二态性(76.5% DFA准确率)，其次证明机器学习可提升4.7-9.2%的鉴定效能，最重要的是集成学习方法使准确率达到法医应用要求的85%阈值。作者Muhammed Emin Parlak指出，当骨盆或颅骨主要特征缺失时，PA测量可作为有效的补充指标。该研究的创新性体现在：首次建立土耳其人群PA数据库；开创性地应用集成学习方法；提出"算法组合优化"策略——发现DFA+RF的组合对女性鉴定特别有效(79.2%)，而集成学习对男性识别更优(88.1%)。

这项研究为法医实践提供了重要工具：在爆炸、空难等仅存颅面骨碎片的情况下，通过CT快速扫描和本算法即可实现高效性别筛选。未来方向包括扩大样本量验证结果、开发自动化测量工具，以及探索PA形态与气候适应的分子机制。正如评审专家所言，这项研究"为碎片化遗骸的鉴定开辟了新思路，其集成学习框架可推广至其他骨骼的形态学分析"。