《Forensic Imaging》：A deep-learning-aided diagnosis of drowning using post-mortem lung computed tomography
編輯推薦：
在法醫學中，利用尸檢 CT 圖像確定死因意義重大，但目前缺乏用 CT 圖像診斷溺水的標準化方法。研究人員開展基于深度學習輔助診斷溺水的研究，用 VGG16 等模型分析肺部 CT 圖像，結果顯示該框架有潛力作為篩查工具，為溺水診斷提供了新途徑。
在日常生活中，溺水事件時有發生，準確判斷溺水死亡原因成為法醫學領域的關鍵任務。傳統的解剖方法不僅對尸體造成損傷，而且在時間和成本上都存在一定的局限性。隨著醫學影像技術的發展，尸檢計算機斷層掃描（CT）逐漸成為一種重要的輔助手段。然而，由于肺部在尸檢 CT 圖像中的表現復雜多樣，目前尚未建立起標準化的利用 CT 圖像診斷溺水的方法。這一現狀促使研究人員積極探索新的解決方案，以提高溺水診斷的準確性和效率。
在此背景下，來自日本東北大學（Tohoku University）的研究人員開展了一項關于深度學習輔助溺水診斷的研究。他們旨在開發一種基于深度學習的框架，利用尸檢肺部 CT 圖像更準確地診斷溺水。這項研究成果發表在《Forensic Imaging》雜志上，為法醫學領域的溺水診斷帶來了新的突破。
為了實現這一目標，研究人員采用了多種關鍵技術方法。首先，他們收集了來自東北大學解剖成像中心的肺部尸檢 CT 圖像數據作為訓練數據集，包括 140 例溺水案例（3780 張圖像）和 140 例非溺水案例（3703 張圖像），同時從新墨西哥死者圖像數據庫（NMDID）獲取數據作為測試數據集。然后，選擇了 AlexNet、VGG16 和 MobileNet 這三種預訓練的卷積神經網絡（CNN）架構，運用遷移學習和微調技術對模型進行訓練。在訓練過程中，采用分層 k 折交叉驗證評估模型性能，并使用 ADAM 優化器和二元交叉熵損失函數，同時對圖像進行預處理和數據增強。最后，通過計算受試者工作特征曲線下面積（AUC-ROC）、準確率、靈敏度和特異性等指標來評估和比較模型。
研究結果主要包括以下幾個方面：
- 切片級分類性能比較：在對三種 CNN 架構的訓練和評估中發現，VGG16 在多項指標上表現突出。其平均 AUC-ROC 值達到 88.42%，準確率為 80.56%，在原始數據集上的表現優于 AlexNet 和 MobileNet。在通用 izability 驗證中，VGG16 在公共數據集（NMDID）上的 AUC-ROC 值為 71.79%，準確率為 67.10% ，同樣展現出較好的通用性。
- 基于案例的診斷：研究人員利用 VGG16 模型進行案例診斷，通過對同一受試者多個肺部 CT 切片的預測概率進行平均，并采用 0.5 和 Youden 指數（計算得出為 0.75）作為閾值。結果顯示，在原始測試數據集（28 例）上，準確率分別達到 93%（閾值 0.5）和 96%（閾值 0.75）；在公共測試數據集（56 例）上，準確率分別為 62%（閾值 0.5）和 79%（閾值 0.75）。
研究結論表明，基于深度學習的診斷框架在溺水檢測方面表現出較高的準確性，在機構內部數據集上準確率可達 96%，在外部公共數據集上為 79%。這意味著該框架有潛力成為確定死因的有力輔助工具，特別是在區分溺水與其他死因的場景中。在討論部分，研究人員指出雖然不同 CNN 架構的性能差異不顯著，但 VGG16 相對更優，且隨著訓練數據集增大，模型通用性有望進一步提升。同時，研究也發現模型誤判的原因，如部分圖像肺部信息少、圖像質量不佳等。為了進一步提升性能，未來研究可開展多中心試驗、使用更大更先進的數據集，結合多模態醫學成像數據和臨床病理參數，以及探索肺部區域分割方法等。
這項研究的重要意義在于，為法醫學溺水診斷提供了一種創新的、非侵入性的方法，有助于提高診斷效率和準確性，減少對傳統解剖方法的依賴。其成果不僅為法醫學實踐提供了實用的工具，也為后續相關研究奠定了基礎，推動了深度學習在法醫學領域的應用和發展。
