《Forensic Imaging》：Fish&CheckNet: A deep learning model for identifying bodies from facial CT scans – A feasibility study
编辑推荐：
Fabio Mattiussi|Alcide Alessandro Azzena|Martina Pivari|Francesco Magoga|Ermidio Rezzonico|Stefania Rizzo
斯威士兰南部综合诊断研究所（IDISI），州立医院机构（EOC），卢
Fabio Mattiussi|Alcide Alessandro Azzena|Martina Pivari|Francesco Magoga|Ermidio Rezzonico|Stefania Rizzo
斯威士兰南部综合诊断研究所（IDISI），州立医院机构（EOC），卢加诺，瑞士；
摘要
利用死后计算机断层扫描（PMCT）识别死者是法医学中的一个关键挑战。本研究旨在评估Fish&CheckNet的可行性，这是一种专门为法医鉴定设计的深度学习（DL）模型，通过自动比较生前（AMCT）和死后（PMCT）的面部扫描来实现这一目标。我们对2022年至2025年间获得的50对AMCT-PMCT扫描进行了回顾性可行性研究。Fish&CheckNet采用基于修改后的ResNet-18 3D框架的3D Siamese架构。该模型从每个CT体积中提取生物特征“指纹”（嵌入值），并使用“匹配头部”和混合损失函数来计算匹配的概率。模型在40对数据上进行了训练，并在另一组独立的20对数据（10对正面案例和10对负面案例）上进行了验证。为了与专家实践进行比较，同一测试集由一位专家法医影像放射科医生进行了盲测。在测试集中，Fish&CheckNet的ROC-AUC值为0.90（置信区间95%：0.74-1.00）。模型的整体准确率为75%（置信区间95%：0.55-0.95），敏感性（召回率）为0.80，特异性为0.70。专家放射科医生的准确率为90%（18/20），显示出完美的特异性（1.00）。两者记录的敏感性相同（0.80）。Fish&CheckNet展示了DL模型支持法医专家的潜力。考虑到模型的高误报率，它目前最适合作为可靠的预筛选工具，快速排除低概率的不匹配情况，从而简化专家的工作流程。
引言
识别死者是当代法医学面临的主要挑战之一，对司法调查、大规模灾难管理以及遵守伦理和法律程序具有根本性影响[[1], [2], [3]]。死后计算机断层扫描（PMCT）革命性地改变了法医实践，使得能够对颅面结构进行三维重建，并与生前的临床影像进行比较，从而提高了鉴定程序的准确性和速度[[4], [5], [6]]。多项研究表明，当其他方法失败时，PMCT在确定性鉴定中起着决定性作用，强调了计算机辅助的三维颅骨重建叠加技术如何突出与死者和失踪人员匹配的个体形态特征[7,8]。最近的研究指出，在多个国家，PMCT、人类学分析和牙科对比的综合使用已成为标准做法[9]。
然而，PMCT图像的手动解读需要高度专业化的人员，并且工作量很大，尤其是在涉及多起死亡事件的复杂案例中[10]。对PMCT检测颅骨骨折的敏感性和特异性的评估显示了良好的诊断性能，但也突显了程序标准化和解读专业知识的必要性[11]。可用放射数据的不断增加，加上采集协议的多样性，进一步加剧了鉴定程序标准化的复杂性[12,13]。
人工智能，尤其是深度学习（DL）的出现，标志着一个重要的转折点：卷积神经网络模型[14]、视觉变换器[15]、高级架构如U-Net[16]和混合架构[17]展示了快速、客观地从面部CT扫描中提取相关形态和解剖模式的能力。颅骨结构的解剖学独特性，特别是鼻窦，已经通过三维比较技术得到了广泛记录：研究通过比较CT图像上的骨骼细节[18]、自动叠加颅骨的三维模型[19,20]以及对特定人群的标准化形态分析[20]，证明了识别个体的可能性。同样，使用点云配准算法[22,23]、深度神经网络[24]以及三维叠加[25]已经验证了蝶窦的高度个体化特征。最近，基于鼻窦特定CT切片开发了远程识别评分系统，从而克服了与完全获取生前图像相关的伦理和监管问题[26]。同时，使用多阶段神经网络[27]自动检测三维颅面标志点[27]和识别颅骨点云上的语义关键点[28]的框架的发展，进一步扩展了自动形态分析的可能性。关于PMCT的试点研究已经验证了应用计算机视觉技术通过分析与临床数据库[29]、牙科结构[30]和创伤性颅骨病变[31]的_maxillary sinus_的匹配来识别尸体的可行性。特别是，使用包含生前CT扫描的临床数据库，可以通过与每个人的个体特征直接比较来提高模型的准确性[32]。
文献还表明，DL技术即使在成像条件不佳或存在死后变化的情况下，也能自动化识别过程，扩展了传统方法的潜力，并为法医紧急情况管理提供了新的视角[33]。一些研究提出了用于颅面重建的生成框架，为自动比较生前和死后的面部及颅骨图像铺平了道路，甚至在考古学背景下也是如此[34]。主要挑战仍然是创建足够大且具有代表性的数据集、模型对抗生物学和技术变异性的鲁棒性，以及需要多中心验证。然而，PMCT、AI和DL之间的日益整合为在全国和国际范围内标准化、加速和提高法医鉴定程序的可靠性提供了新的解决方案[35]。
考虑到这些因素，本研究提出开发了一种新的DL模型Fish&CheckNet，专门用于自动比较生前和死后的面部CT图像，旨在支持法医专家识别个体。该模型的开发引入了一种创新的架构，这种架构在法医应用领域之前从未被探索过，能够在一个端到端的框架中结合3D体积特征提取和高级度量比较。
部分摘录
方法
这项单中心回顾性试点研究在瑞士卢加诺的斯威士兰南部影像研究所（IIMSI）和州立医院机构（EOC）进行，涵盖了2022年10月至2025年4月期间进行的放射学检查。当地机构审查委员会批准了这项研究，免除了知情同意的要求（项目ID 2025-01158；参考编号CE 4878）。
结果
Fish&CheckNet在由20对CT扫描组成的独立测试集上进行了评估，其中10对是正面案例（同一个人的AMCT–PMCT），10对是负面案例（随机生成的不匹配组合）。
讨论
这项可行性研究介绍了Fish&CheckNet，这是一种通过自动比较生前和死后面部CT图像进行法医鉴定的创新DL模型。最近的研究强调了使用计算机视觉技术进行个人识别的可行性[36]
结果表明，该模型能够以良好的可靠性区分属于同一个人的配对和不匹配的配对
结论
这项研究代表了法医鉴定AI工具发展的一个进步。
Fish&CheckNet展示了DL在支持法医专家方面的潜力。考虑到模型的高误报率，它目前最适合作为可靠的预筛选工具，快速排除低概率的不匹配情况，从而简化专家的工作流程。未来的发展应优先考虑通过改进损失函数来减少误报并提高特异性
利益声明
作者声明在撰写本手稿期间未收到任何资金、资助或其他支持。
CRediT作者贡献声明
Fabio Mattiussi：撰写 – 审查与编辑、撰写 – 原稿、可视化、验证、监督、软件、方法学、调查、形式分析、数据管理、概念化。Alcide Alessandro Azzena：撰写 – 审查与编辑、验证、方法学、调查、数据管理。Martina Pivari：撰写 – 审查与编辑、可视化、资源管理、数据管理。Francesco Magoga：撰写 – 审查与编辑、可视化、资源管理、数据管理。Ermidio Rezzonico：
