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)生服務中心，江蘇蘇州 215300

人工智能是一種利用人工技術與方法延伸、擴展、模擬人的智能，實現(xiàn)機器智能，最終目標為達到與人類智力水平相當?shù)娜斯ぶ悄躘1]。隨著人工神經網絡理論的產生，使得人工智能發(fā)展更加快速，在醫(yī)學研究等領域中得到普遍應用。法醫(yī)學是一門利用生物學、醫(yī)學及其他自然科學理論與技術，研究并解決法律實踐中有關醫(yī)學問題的醫(yī)學學科。法醫(yī)學具有涉及內容多、影響因素多、經驗性強等特點，而人工智能核心就是推理與學習，使其在法醫(yī)學中的應用優(yōu)勢十分明顯，且對學科發(fā)展有著非常重要的推進作用。

1 人工智能概述

1.1 不確定推理與自動推理

不確定推理指討論知識不確定與處理數(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。自動推理指機器從一個或多個現(xiàn)有邏輯中推論出一個新的結論，其是人工智能的核心內容，也是專家系統(tǒng)、智能機器人、程序推導、程序正確性證明等領域的基礎。

1.2 神經網絡

神經網絡主要是對人腦或生物神經網絡的抽象分析與建模，以類似生物交互方式適應環(huán)境并從中進行學習。神經網絡主要包括很多層，經由感知系統(tǒng)連接層與層，同時進行抽象分析，最后全面處理所得數(shù)據(jù)。盡管神經網絡訓練速度比較緩慢，遠不如人類大腦，但在多年發(fā)展過程中，已經在醫(yī)療領域、智能機器人、模式識別等方面取得很大成就。隨著神經網絡的不斷發(fā)展與進步，深度學習應運而生，主要經由一系列多層非線性變換抽象分析相關數(shù)據(jù)，在自然語言處理、語音識別、圖像識別等方面得到廣泛應用。

1.3 機器學習

機器學習指讓機器模擬人的學習能力，獲得相應的知識與技能，提高機器性能，使其具備與人類相似的智能。在機器學習方法中，統(tǒng)計學習應用十分普遍，其主要通過大量的數(shù)據(jù)分析，構建概率模型，利用此模型對相關數(shù)據(jù)進行分析及預測。在統(tǒng)計學習中，支持向量機是十分常見的類型，即基于監(jiān)督學習模式，進行數(shù)據(jù)分類、模式識別、回歸分析，是由大量數(shù)學理論知識與技術支持。在小樣本分析、高維模式識別、非線性分析中，支持向量機應用優(yōu)勢十分明顯，也可在其他類型機器學習中進行應用。現(xiàn)階段，在人體部位識別、醫(yī)療、手寫文本檢測等領域中，支持向量機應用十分廣泛。

2 人工智能在法醫(yī)學中的具體應用

2.1 DNA分析

在DNA分型檢驗中應用毛細管電泳平臺時，經常會受到儀器運行、毛細管狀態(tài)、樣品本身、染料、電壓變異等因素的影響。現(xiàn)今，靜態(tài)峰閾值應用十分普遍，能夠盡量過濾雜峰，最大限度地降低影響。在實際工作中，以上影響因素都是動態(tài)變化的，靜脈峰閾值無法很好地解決問題，經常會出現(xiàn)假陰性或者假陽性的現(xiàn)象[2]。有關研究發(fā)現(xiàn)，在DNA分型檢驗中應用人工智能技術，可以設置動態(tài)峰閾值，從而更好地適應復雜情況下的DNA分型檢驗，以此有效解決各種問題。在峰圖處理方面，神經網絡的應用潛能非常大。有關研究發(fā)現(xiàn)，通過神經網絡的應用，能夠自動識別電泳圖譜，下一步可嘗試將其運用到混合DNA圖譜處理中。隨著基因組測序技術的快速發(fā)展與進步，成本日益減少，法醫(yī)物證不再只是簡單進行STR分型，還引入了全基因組的測序信息，所以，基礎數(shù)據(jù)信息挖掘十分重要。在數(shù)據(jù)挖掘方面，機器學習具有分類、關聯(lián)、預測、偵查等優(yōu)勢，更適合在法醫(yī)物證學、人類學DNA數(shù)據(jù)挖掘中應用，從宏觀角度來說，主要是通過DNA確定個人信息（地理信息、民族信息等）；從微觀角度而言，主要是確定個人的特殊性狀、容貌特征等信息，最后精準定位嫌疑人。

2.2 死亡時間推斷

死亡時間指檢驗尸體時與死亡發(fā)生時的時間間隔，是法醫(yī)學中十分重要的問題。在以往死亡時間推斷中，主要通過尸體現(xiàn)象、DNA降解、離子與酶學檢驗等方法進行確定。近些年來，隨著科學技術手段的不斷發(fā)展與增多，彗星試驗、顯微分光光度等方法應用越來越普遍。在死亡時間推斷中，法醫(yī)昆蟲學與人工智能的方式成為新的方向，即利用兩種神經網絡方法分析尸體上絲光綠蠅幼蟲烴類化學物質的GC-MS譜估計綠蠅生活階段，以此預測死亡時間，準確性在80.8%～87.7%[3]。還可以利用機器學習方法對尸體鼻腔、外耳道等微生物改變情況進行分析，以此推斷死亡時間。有關研究發(fā)現(xiàn)，采用多種機器學習方法對家兔死亡48 h內角膜圖像進行連續(xù)分析推斷死亡時間時，發(fā)現(xiàn)多種模型預測結果準確性存在一定差異。對于白骨化尸體來說，可采用機器學習方法中隨機森林法進行分析，以此推斷死亡時間[4]。在死亡時間推斷中不僅會受到尸體狀態(tài)的影響，還會受到所處環(huán)境的影響，在一定程度上增加死亡時間推斷難度。因此，人工智能聯(lián)合多種尸體標記（微生物學、昆蟲學等）進行數(shù)據(jù)分析對死亡時間推斷有著十分積極的作用。

2.3 人臉識別

盡管在生長發(fā)育過程中人的面部容貌會發(fā)生一定改變，但個人特征是相對固定的，所以，人的面部容貌是個體識別理想與同一認定的生物學特征。通過對面部不對稱特征尺寸及其隨著年齡變化特點的分析可知，非對稱性面部特征是預測年齡的重要指標，利用支持向量機進行面部不對稱特征進行分析，可有效預測人臉圖像年齡組，利用神經網絡提取不對稱面部特征，分析相關誤差，以此獲取準確信息，提高人臉識別準確率。有關研究表明，在馬爾可夫網絡基礎上，自適應的學習組合圖像的多個表征，并利用最小誤差邊界切割算法對重疊區(qū)域予以拼接，構建基于多重表征自適應人臉素描合成方法，極大提高人臉識別效率[5]。在頜面部中，下頜骨是一個非常重要的組成部分，因為其只是以軟組織與上頜部進行連接，在尸體白骨化過程中非常容易遺失。為重建頜面部下頜骨，有關學者提出利用支持向量機監(jiān)督學習算法對哥倫比亞人頭顱側位X線圖像中顱頜關節(jié)進行分析，以此劃分下頜骨相對于上頜骨的矢狀位置關系，確定骨性顱頜面結構不依賴下頜骨的獨特骨性關系[6]。隨著人臉識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的數(shù)據(jù)成為一大挑戰(zhàn)。盡管此項研究尚處在初始階段，但人工智能為人臉識別提供了新的思路。

2.4 年齡推斷

骨骼發(fā)育具有階段性、連續(xù)性特點，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，主要通過對骨骺生長予以分級的方法進行預測，不僅在骨骺分級方面存在技術難度，還無法消除主觀偏差[7]。為克服上述問題，有關學者提出利用支持向量機對青少年腕關節(jié)X線圖像予以訓練，設計年齡預測模型，以此自動分類尺骨遠端與橈骨遠端的骨骺。相關學者考慮到性別差異，利用體繪制技術提取男性與女性頸椎到第一腰椎區(qū)域的CT圖像后，分別利用簡單線性回歸、梯度增強回歸、多元線性回歸、支持向量機等算法構建男女年齡預測模型，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)育也是預測年齡的常用指標。有關研究顯示，通過對口腔全景X線圖像對比度的設置優(yōu)化，評定下頜第三磨牙特征，并利用Adobe Photoshop CC軟件設置矩形邊框，采用MATLAB R2017a軟件自動識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技術。現(xiàn)今，在缺少完整骨骼證據(jù)的情況下，可利用分子生物學方法對案發(fā)現(xiàn)場遺留血液、組織等生物學物證進行分析，以此推斷年齡[9]。在年齡預測模型構建中，支持向量機、反向傳播神經網絡、多元回歸等方法得到了廣泛應用，隨后選出16個CpG位點，首次采用神經網絡構建年齡預測模式，不僅可以提高預測準確性，還可以排除未成年人與不同種族背景的影響?，F(xiàn)今，法醫(yī)現(xiàn)場檢材質量低、數(shù)量少是法醫(yī)學面臨的主要問題。與此同時，每種體液或組織均可呈現(xiàn)出不同年齡相關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]。在人類細胞、組織類型中開發(fā)一種多組織、靈敏的年齡預測模型是一項非常重要的挑戰(zhàn)。

2.5 性別鑒定

在重大事故案件、嚴重自然災害中經常會涉及高度殘缺、腐爛的尸體遺骸，在骨骼形態(tài)特征上存在明顯差異，經由法醫(yī)學進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間，節(jié)省資源[11]。有關文獻報道研究，利用相干點漂移密度對應分析法對成年人顱骨CT圖像予以分析時，可利用支持向量機與交叉驗證算法進行模型構建，以此準確判斷性別，準確率高達90.3%[12]。經過對比發(fā)現(xiàn)，在成年人顱骨樣本分析中，相較于支持向量機、決策樹等方法，MKDSIF-FCM算法鑒別性別的準確性更高。在成人顱骨側位CT圖像中，采用神經網絡與模式識別，可實現(xiàn)監(jiān)督與非監(jiān)督技術的有機結合，提出了一個不依賴顱骨測量值的建模方法。值得注意的是，性別二態(tài)性程度與模式經常會受到環(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，毒物檢測方法也在不斷增多，檢測速度也在不斷加快；在毒物檢測開發(fā)中，人工智能結合貝葉斯概率可有效篩選目標化合物；在判定檢測結果方面開發(fā)了一種基于貝葉斯概率的統(tǒng)計模型，可有效辨別物質的真峰與偽峰[15]。由此可以看出，在毒物檢測、實驗數(shù)據(jù)實時分析、組織生物標記物篩查等方面，人工智能應用十分普遍。隨著不同學科的互相交叉，能夠進一步促進人工智能的發(fā)展，以此為法醫(yī)學毒物分析提供指導依據(jù)。

2.7 影像圖像與病理學切片分析

在醫(yī)學影像圖像與病理學切片分析中，人工智能應用的優(yōu)越性非常明顯。在人工智能的輔助下，能夠將病理學圖像轉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化，還可以自動生成診斷報告[16]。在法醫(yī)學鑒定中，影像圖像是十分重要的參考依據(jù)，根據(jù)不完全統(tǒng)計，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。倘若對影像學專家系統(tǒng)進行相應的修改，可極大提高影像診斷準確性[4]。隨著其他檢驗程序的不斷增加，開發(fā)出全套智能檢驗鑒定專家系統(tǒng)成為可能，實現(xiàn)從案件受理到鑒定報告的自動生成。在法醫(yī)病理學中，虛擬解剖優(yōu)勢日益突出，在此過程中會出現(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，以此達到高效的圖像信息利用率[12]。

綜上所述，在法醫(yī)學中應用人工智能能夠對龐雜的數(shù)據(jù)進行分析與深挖掘，發(fā)揮其最大價值。自動化信息技術與人工智能的結合能夠為法醫(yī)學提供準確、便捷、可重復的方法，以非侵入性方式對群體長期變化予以虛擬人類學、虛擬解剖、DNA分析、毒物分析。然而，要想進一步在法醫(yī)學中融入人工智能，真正實現(xiàn)法醫(yī)學專家與人工智能的協(xié)同工作模式，還要加大研究力度。