《Forensic Science International》：Automatic adult age estimation using bone mineral density of proximal femur via deep learning
編輯推薦：
傳統基于骨密度（BMD）的成人年齡估計（AAE）受生物變異和方法局限。本研究開發端到端深度學習（DL）流程，用股骨近端 CT 的 BMD 自動 AAE。SAM 分割表現優，CNN 模型驗證 MAE 良好，集成學習提升精度，為法醫應用提供新框架。
在法醫學和人類學領域，準確推斷成人年齡對于刑事偵查、身份確認以及老齡化研究至關重要。傳統基于骨密度（Bone Mineral Density, BMD）的年齡估計方法，因受性別、種族、遺傳、營養、生活方式等多因素影響導致的生物變異性，以及依賴區域平均 BMD 值、忽視骨微結構空間異質性等方法學局限，面臨模型泛化能力不足、預測精度有限等挑戰。如何突破這些瓶頸，實現更精準、自動化的成人年齡估計（Adult Age Estimation, AAE），成為領域內亟待解決的問題。
為攻克上述難題，西安交通大學 3201 醫院醫學影像科與司法部法醫科學研究院的研究團隊，在《Forensic Science International》發表研究，構建了基于深度學習（Deep Learning, DL）的全自動 AAE 框架。該研究利用股骨近端 CT 掃描的 BMD 數據，通過端到端的算法設計，實現了從骨骼分割到年齡預測的全流程自動化，為法醫年齡評估提供了新的計算范式。
研究主要采用以下關鍵技術方法：
- 數據采集：納入臨床 CT 數據集（3201 醫院）和尸檢 CT（PMCT）數據集（司法部法醫科學研究院），共 5151 例樣本，涵蓋不同性別、年齡群體，確保數據多樣性。
- 骨骼分割：采用 Segment Anything Model（SAM）對股骨區域進行精準分割，排除軟組織和背景干擾，獲取具有生物學意義的骨密度數據，分割性能通過 Dice 系數（0.928）和平均交并比（mIoU, 0.869）驗證。
- 年齡預測模型：利用卷積神經網絡（Convolutional Neural Networks, CNNs）自動提取 BMD 的空間分布和微結構特征，構建非線性年齡預測模型，并通過集成學習優化模型性能。
研究結果
數據特征
- 訓練 - 驗證集：4182 例 CT 掃描（男 2379，女 1803），平均年齡 52.52±14.88 歲（20-80 歲）。
- 內部測試集：625 例（男 346，女 279），平均年齡 54.36±14.35 歲。
- 外部尸檢驗證集：獨立樣本，用于驗證模型跨場景泛化能力。
模型性能
- CNN 模型：交叉驗證中平均絕對誤差（Mean Absolute Error, MAE）為 5.20 歲（男 5.72，女 4.51）；內部臨床測試集 MAE 降至 4.98 歲（男 5.32，女 4.56）；外部尸檢驗證集 MAE 為 6.91 歲（男 6.97，女 6.69）。
- 集成學習優化：內部測試集 MAE 進一步降低至 4.78 歲（男 5.12，女 4.35），外部驗證集 MAE 為 6.58 歲（男 6.64，女 6.37），表明集成策略有效提升預測精度。
方法優勢
SAM 的精準分割與 CNN 的特征提取能力結合，克服了傳統方法依賴人工特征和線性建模的缺陷，實現了對骨骼老化過程中復雜非線性關系的捕捉。大規模多中心數據集的使用，顯著增強了模型的泛化能力，尤其在性別差異分析中表現出對生物學特征的敏感性。
研究結論與意義
本研究成功構建了基于 DL 的全自動 AAE 框架，驗證了利用股骨近端 CT 的 BMD 數據進行年齡估計的可行性。通過 SAM 分割和 CNN 建模，有效解決了傳統方法中空間異質性分析不足和模型表達能力受限的問題，為法醫領域提供了首個從圖像分割到年齡預測的全自動化工具。盡管外部尸檢數據的 MAE 略高于臨床數據，提示模型在極端場景下仍需優化，但其在跨數據集驗證中的表現已凸顯出臨床轉化潛力。該研究不僅為人類學和法醫學的年齡評估提供了新范式，也為骨骼老化的影像學研究開辟了 DL 應用的新方向，有望推動 AI 在醫療影像輔助診斷領域的進一步發展。
