利用可解释的机器学习技术对未成年人的生物特征进行全面评估：包括年龄、身高、体重和性别的测定

《International Journal of Legal Medicine》：Comprehensive assessment of minors’ biological profiles using explainable machine learning: the assessment of age, stature, body mass, and sex

手部X光测量特征与年龄、身高、体重及性别关联性研究。通过分析1238例3-15岁左手X光片，提取21个特征构建9种机器学习模型，发现手长和掌骨长是主要预测因子。 Extra trees和SVM模型表现最优，身高估算MAE3.5cm，年龄MAE0.823年，体重MAE3.278kg，性别AUC0.86。SHAP分析验证特征重要性，方法适用于未成年人生物特征鉴定，尤其身高估算误差率低于10%。

　　

摘要

背景与目的

在法医学领域，对未成年人的年龄、身高、体重和性别的评估非常重要，但目前这方面还存在不足。本研究旨在分析手部X光测量数据与年龄、性别、身高和体重之间的相关性，并开发基于机器学习的模型来估计生物特征。

方法

本研究回顾性地收集了1238张3至15岁儿童的手部X光图像（其中610名为男性，628名为女性）。从左手X光片上测量了21个特征，并分别建立了9个机器学习模型来估计年龄、身高、体重和性别。使用SHapley加性解释（SHAP）方法对模型进行解释。

结果

特征与年龄、身高、体重之间的相关性非常显著，大多数相关系数超过0.9。在3-13岁年龄段，大多数特征在性别上没有显著差异；而在14岁和15岁时，所有特征都表现出性别差异。Extra Trees模型和支持向量机模型在生物特征估计方面表现更为出色。本研究得到的平均绝对误差（MAE）为：身高估计3.500厘米，年龄估计0.823岁，体重估计3.278千克，性别判断的AUC为0.860。最佳模型的平均绝对百分比误差约为10%或更低，表明该方法适用于身高估计，其次适用于年龄和体重估计。SHAP分析显示，手长和掌骨长度是所有任务中的主要特征。

结论

我们的研究结果为未成年人的生物特征评估提供了宝贵的参考，尤其是在身高估计方面，其次是年龄、体重和性别的估计。这种方法作为一种稳健且实用的工具，在法医学中可用于未成年人的识别。