基于人工神经网络的颅骨测量性别鉴定优化研究：精准法医人类学新策略

针对法医人类学中传统性别鉴定方法存在主观性强、效率低下的问题，本研究通过人工神经网络(ANN)对巴西Tiradentes大学241例颅骨样本的12项测量指标进行系统分析。研究发现仅需三项关键指标（双耳孔距、头围、枕外隆突-眉间距）组合即可实现95.8%的准确率，显著优于传统12项测量模型(p=0.00398)，为法医实践提供了高效可靠的简化方案。

　　

在法医人类学领域，性别鉴定是构建生物特征档案的关键环节。尽管骨盆被视为最具性别二态性的骨骼结构，但在实际案件中常面临骨骼残缺或腐败的挑战。颅骨作为保存相对完好的部位，其形态测量学特征成为重要替代指标。然而传统方法依赖专家经验判断，存在主观性强、可重复性差等问题，且不同人群的性二态性表达差异进一步增加了鉴定难度。近年来机器学习技术为这一领域带来革新机遇，但现有研究多聚焦骨盆或长骨，针对颅骨测量的系统性优化研究仍属空白。

针对这一科学问题，Tiradentes大学法医人类学研究中心的研究团队开展了一项创新性研究。通过对该校解剖学中心收藏的241具巴西人颅骨（经伦理审查批准）进行12项标准化测量，采用人工神经网络(ANN)构建预测模型。研究发现仅需三项关键指标组合（双耳孔距biporion、头围head circumference、枕外隆突-眉间距opisthocranion-glabella）即可实现95.8%的准确率，不仅显著优于传统逻辑回归模型(p<0.0001)，更超越包含12项指标的完整ANN模型(p=0.00398)。该成果发表于《Forensic Science International: Reports》，为法医实践提供了高效可靠的简化方案。

关键技术方法包括：1) 从巴西Bahia地区墓地获取的241具颅骨样本（最终纳入152具合格样本）；2) 采用游标卡尺和卷尺进行12项三维测量，每项重复5次取均值；3) 构建含双隐藏层(各12神经元)的MLPC神经网络，采用lbfgs优化器；4) 80/20训练-测试集划分，每个模型执行50次训练确保结果稳定性；5) 通过Mann-Whitney检验评估性二态性，Shapiro-Wilk检验确定统计方法。

研究结果方面：

1. 性二态性分析：12项指标中有10项显示显著性别差异(p<0.05)，其中头围(p=6.4×10^-7
   )、双耳孔距(p=1.97×10^-6
   )差异最显著，仅双侧星点-枕外隆突距无统计学意义。

2. 模型性能比较：

• 三项指标组合ANN模型以95.8%准确率居首（标准差5.67），显著优于12项全指标ANN模型(93.16%, p=0.00398)
• 双耳孔距单项指标在ANN中即达78%准确率，超越12项逻辑回归模型(p<0.0001)
• 测量误差控制在5%以内，验证了数据可靠性

1. 方法学优势：

• 较Yang等(2019)的6指标方案减少50%测量工作量
• 准确率优于Nikita等(2020)71指标方案(87%)和Bertsatos等(2020)单指标方案(85%)
• 通过50次重复训练确保结果稳定性（文献多采用≤10次）

讨论与结论部分指出，该研究首次证实特定颅骨测量组合通过ANN可实现超越传统多指标模型的性能。双耳孔距作为颞骨关键宽度指标，与头围（整体尺寸）及枕外隆突-眉间距（矢状面长度）形成三维互补信息，有效捕捉性别二态性特征。尽管样本量(n=152)和巴西人群特异性构成局限，但研究提出的"最小化测量策略"为资源有限场景提供实用解决方案。未来需开展跨人种验证，并探索三维扫描与深度学习结合的自动化测量方案。这项研究不仅推进了法医人类学方法论发展，更通过机器学习优化了传统形态测量学的应用范式。