利用锥束计算机断层扫描（CBCT）得到的侧位头影图，对南非黑人群体中的性别二态性进行研究

《Forensic Imaging》：Sexual dimorphism in a Black South African sample using cone beam computed tomography-derived lateral cephalograms

　　鲁思·科贝迪 | 安娜·卡特里娜·奥特尔
解剖学与组织学系，医学学院，塞法科·马克加托健康科学大学，莫洛特莱吉街，加-兰库瓦第1区，加-兰库瓦，0208，比勒陀利亚，南非

**摘要**
背景：识别未知个体是法医人类学的基本任务，特别是在传统方法（如DNA、指纹和牙科记录）不可用的情况下。头测法是一种现代替代技术，用于估计性别，其分类准确性高于传统的骨骼测量方法。本研究旨在探索南非黑人样本中基于圆锥束计算机断层扫描（CBCT）的侧位头测数据的性别差异。

**方法**：这项横断面定量研究分析了79份来自成年南非黑人的CBCT侧位头测数据。侧位头测数据在Avizo软件中进行了重建。确定了10个二维标志点，并计算了12个线性距离。使用Past软件对线性距离和二维标志点进行了单变量检验以及多元判别函数分析（直接法和刀切法）。

**结果**：所有变量的线性距离在男性中均大于女性，并且在Ba-Pr、Ba-N、S-N、N-ANS、ANS-PNS、S-Ba、A点至B点、A点至Go点、B点至Go点上具有显著性。六个变量的判别分析实现了72.15%的刀切法分类准确性，而四个关键的二维标志点（S、Me、Go、Ba）则达到了74.68%的刀切法分类准确性。线框分析显示男性下颌较大且更向前突出，鼻点位置也更靠前。

**讨论与结论**：基于CBCT的侧位头测数据有效地展示了南非黑人人群的性别差异。当关注具有最高区分能力的变量时，分类准确性得到了提高。这些发现突显了头测技术在法医性别估计中的潜力，并对构建特定人群的参考数据库具有重要意义。

**引言**
在法医科学中，识别未知人员是该学科的主要职责之一[1]。在南非，传统的受害者识别方法（如指纹、牙科记录和DNA分析）并不总是有效，不仅因为遗体的分解，还因为记录的缺失或DNA分析服务的延误[[2],[3],[4]]。在这种情况下，会咨询法医人类学家通过生物特征来进行识别[1]。法医人类学家通常使用传统的测量分析来制定生物特征指南，用于年龄、性别、种族和身高的估计[5]。南非未识别失踪和死亡人数的不断增加，与该国的高犯罪率有关，这突显了开发新的生物特征指南或测试和修订现有指南的迫切需求[2],[6],[7],[8],[9]]。
法医案例工作经常依赖于头骨，因为头骨更容易发现且更耐久。当骨盆保存不佳或无法获取时，性别估计就依赖于头骨[[10],[11],[12]]。头骨和下颌的测量特征都很有价值，一些研究表明，下颌测量显示出的性别差异甚至比单独的头骨更大[13]。头骨测量法显示出显著的性别差异，并且这种差异具有特定人群的特点，使得在南非背景下性别估计的准确性相对较高，平均准确率为86%至96%[5],[14],[15]]。
头测法（基于放射图像的测量）为法医人类学提供了一种替代模型，尤其是在遗体保存不佳的情况下[16]。在法医人类学中，单张侧位头测图可以显示头骨的独特形态和结构特征，从而允许比较通过传统骨骼测量方法无法测量的多个参数[12]。除了提供额外的参数外，头测法相比传统骨骼测量方法提供了更准确的性别区分[11]。使用传统骨骼测量方法对头骨进行性别判断时，准确率为77%至92%[13],[18]，而使用头测法时准确率为80%至99%[10],[11],[12]]。此外，传统骨骼测量方法也存在观察者误差[19]，可能是由于测量和记录过程中的错误（个人误差）或数据获取时的骨骼定位错误（技术误差）。
在比较放射技术时，例如三维（3D）圆锥束计算机断层扫描（CBCT）和二维（2D）侧位头测图，发现基于CBCT的分析通常具有更高的性别分类准确性（80%至95%），因为它们能够捕捉到真实的三维空间关系，包括下颌和上颌相对于颅基的相对位置：Senol等人（2022）：80%；Baban和Mohammad（2023）：90%；de Oliveira Gamba等人（2016）：男性93.33%，女性94.74%[[20],[21],[22]]。相比之下，虽然侧位头测图应用广泛，但其诊断精度受到投影误差和重叠的影响，可能导致报告的准确性略低（约75–88%）（例如Mitsea等人（2026）：74.7%；Qaq等人（2019）：82.4%；Badam等人（2011）：女性84%，男性88%[[23],[24],[25],[26]]。尽管有这些局限性，但最近的研究采用了机器学习和人工智能方法，实现了更高的性别分类准确性：Prabha等人（2025）：97.2%；Widyaningrum等人（2026）：99.69%[[27],[28]]。
基于下颌线性测量的研究报告的分类准确性在80%至89%之间，当包括多个变量（如弓骨高度、髁突高度和双髁宽度）时，准确性更高（Steyn和??can（1998）：仅双侧颧骨宽度80%；颅骨86%；Kharoshah等人（2010）：男性83.6%，女性84.2%）[[29],[30]]。尽管这些较早的参考文献没有包括交叉验证的准确性[[29],[30]]，但 newer references中的性别准确性差异不大，Tunis和合著者（2017）[31]也注意到了这一点。他们的交叉验证测试结果与直接结果相似，为89%[31]，而Dong等人（2015）[32]报告的交叉验证准确性分别为84.2%（直接判别函数分析（DFA）和83.3%（逐步DFA）。
另一方面，几何形态测量方法允许量化头面部形状和空间关系，这些是传统线性测量无法捕捉到的。例如，Braun等人（2023）[33]表明，颏部的形态可以相对于下颌和上颌标志点进行分析，从而将颏部置于更广泛的头面部框架中，而不仅仅是作为一个孤立的结构。尽管三维成像方法可以提高测量精度并提高分类准确性，但这些方法仍然主要依赖于与大小相关的变量，以及头面部复合体内的形状和空间关系[33]。Chalazoniti等人（2024）[34]指出，他们报告的93%的交叉验证准确性是通过尺寸和形状差异实现的。性别之间的形状差异与宽度、高度和长度比例、弓骨与体部的角度变化以及冠状突的高度和联合部的倾斜有关[34]。
许多下颌性别估计研究采用了判别函数分析，但没有结合内部验证程序，如留一法（刀切法）交叉验证，尤其是在早期研究中[[29],[30]]，包括那些使用侧位头测图的研究[[23],[24],[25],[26]]。相比之下，最近的研究越来越多地应用验证技术，包括交叉验证和外部测试，以提供更可靠的分类准确性估计[18],[31],[32],[35]。然而，这些研究并未应用于侧位头测图。
所审查的研究强调，下颌的性别差异受到特定人群因素的强烈影响，因此需要开发特定人群的判别函数。在包括南非、埃及、中国、希腊和南印度样本在内的不同人群中进行的研究一致表明，分类准确性取决于所研究的人群，从一个群体得出的函数不应直接应用于另一个群体[18],[29],[30],[32],[33],[36],[37]]。最近的多人群研究进一步证实，头面部形态的变化显著影响模型在不同人群中的表现[35]。
在不同人群中，下颌的性别差异主要表现为与大小相关的差异，男性通常表现出更大的尺寸，特别是在弓骨高度、髁突高度和下颌宽度方面[18],[29],[30],[32]。虽然这些差异的幅度在不同人群中有所变化，导致分类准确性略有不同，但相同的解剖区域被反复认为是最具诊断意义的[31,37]。相比之下，基于形状的差异更具有特定人群的特点，跨人群的可转移性较低[[33],[34]]。因此，尽管不同人群的报告分类准确性水平相似，但从一个群体得出的判别函数通常不适用于另一个群体，这突显了特定人群标准的重要性[[35],[36]]。
本研究旨在使用基于3D圆锥束计算机断层扫描（CBCT）的2D侧位头测图来探索南非黑人样本中的性别差异，以评估其在CBCT成像不可用的情况下对传统侧位头测图的潜在适用性。研究发现，从传统侧位头测图（二维方法）和从CBCT得到的2D侧位头测图衍生的指标之间没有统计学上的显著差异[[38],[39]]。此外，从CBCT得到的2D侧位头测图的观察者误差可靠性高于传统侧位头测图[40]，这可能是因为三维数据中的标志点更清晰。从CBCT得到的侧位头测图还有助于减少正畸条件在传统侧位头测图中常见的偏差。虽然其他人群的研究使用传统侧位头测图进行了性别估计，但这是第一项使用CBCT得到的侧位头测图，并结合测距和形状特征进行交叉验证的判别函数分析来测试性别分类准确性的研究。这些发现有望有助于在这种人群中的法医调查中实现成功的性别估计。

**材料与方法**
这是一项关于79份来自扫描存储库的成年南非黑人患者的回顾性收集的CBCT扫描的横断面定量研究（伦理参考编号：SMUREC/M/274/2023:PG）。年龄范围在18至78岁之间。排除了显示骨骼创伤、病理或研究区域修改的扫描。排除了左右头测变量之间存在明显骨骼不对称的扫描。样本包括37名女性和42名男性。侧位头测图使用VSG Avizo软件[41]进行重建。为了标准化测量，所有CBCT数据在重建成侧位头测图之前都调整到了Frankfort水平面。为了最大化二维标志点的识别和放置精度，首先在三维CBCT体积上识别并放置标志点，然后进行二维重建。一旦标志点放置在三维CBCT上，就会保存一个侧位头测图的二维图像，以便进一步使用ImageJ进行二维标志点的识别和放置以及数据收集（图1）。

**图1. 来自CBCT的重建侧位头测图（带刻度）和标记的二维标志点**
本研究中分析的标准头测标志点如文献[[42],[43]]中所定义。用于本研究中的线性测量和形状分析的标志点是精心挑选的，它们在生物学上具有意义，并且能够重复地捕捉下颌和上颌的大小和形状以及它们与颅基的关系。本研究中使用的标志点可以归类为第二类标志点（曲率最大值或其他局部形态生成过程），这些标志点被认为是生物学上有意义且可重复的，同时避免了与较大测量误差和较低可靠性相关的第三类标志点[44]。一项具有重叠数据库的先前研究发现，使用相同的标志点确定角度时，男性下颌突出的程度更大，而女性上颌突出的程度更大[45]。本研究基于这些标志点的头测距数据（表2）可以从功能上分为三组：反映上颌骨位置的指标（基底部-牙槽点距离、上前颌面高度和前面部高度）、下颌骨位置的指标（总前颌面高度），以及下颌骨与上颌骨之间关系的指标（A点至B点距离和A点至下颌角距离）。此外，还有一些变量描述了颅底的内在特征（基底部-鼻根点距离、前颅底长度和后颅底长度）以及颌骨尺寸（上颌骨（腭部）长度和下颌骨长度以及B点至下颌角距离）。表1列出了所有的头测标志点及其缩写和定义。

1. **A点**：上颌牙槽突最前端凹陷处。
2. **B点**：下颌联合处最前端凹陷处。
3. **枕骨大孔**：枕骨大孔的中点。
4. **鼻根点**：额鼻缝的最前端点。
5. **前鼻棘**：硬腭中线上的尖锐骨突。
6. **后鼻棘**：硬腭上颌骨后部的骨突。
7. **下颌角**：下颌 angle 处的点，该点由两条切线的交点确定：一条沿下颌支的后缘，另一条沿下颌体的下缘。
8. **颏点**：下颌联合处的最低点。
9. **牙槽点**：上颌牙槽突中线上的最前端点。
10. **基底部**：枕骨大孔前缘的最低点。

表2列出了各种头测距离及其测量方法：
- **基底部-牙槽点距离**：基底部与牙槽点之间的距离。
- **基底部-鼻根点距离**：基底部与鼻根点之间的直线距离。
- **前颅底长度**：枕骨大孔与鼻根点之间的距离。
- **上前颌面高度**：鼻根点与前鼻棘之间的距离。
- **前面部高度**：通过测量鼻根点与前鼻棘之间的距离来表示上颌牙槽突与颅底的关系；其他文献中也称为“前面部高度”。
- **上颌骨（腭部）长度**：前鼻棘与后鼻棘之间的距离。
- **下颌骨长度**：下颌体长度。
- **B点至下颌角距离**：B点与下颌角之间的距离。

图1显示了一张基于CBCT的侧位头影图，其中包含了研究中分析的所有标志点。使用ImageJ软件从每个标志点获取了二维（XY坐标），并将其导出到Excel电子表格中。头测测量包括表2中定义的12个线性距离（单位为毫米），并在图2中进行了可视化。两个二维标志点（X1, X2；Y1, Y2）之间的线性距离使用Excel的距离公式计算得出：

```
SQRT((X2?X1)2+(Y2?Y1)2)
```

所有统计分析均使用PAST统计软件（[47]）进行，包括对整个样本和性别的单独分析。对于性别间的比较，参数数据采用t检验，非参数数据采用Mann-Whitney检验。正态性基于Shapiro-Wilk检验。p值≤0.05被视为具有统计学意义。对所有距离进行了多变量判别分析（直接判别百分比和jacksnife/留一法交叉验证百分比），并对负荷最高的距离进行了重复分析（[10, 42, [48], [49]）。直接判别百分比是基于整个数据集得出的，之后将同一受试者重新分类。直接判别百分比可能会偏高，因为它反映了模型对其训练数据的拟合程度；然而，它并不反映模型对未见案例的泛化能力。jacksnife百分比则逐个排除案例并重新计算，从而重新分类该案例，这种方法可以模拟对未见数据的预测，通常会得到较低（但更可靠的）值，因为减少了过拟合。

从重建的侧位头影图中收集的二维标志点坐标经过Procrustes变换，调整了姿态并保持了质心大小。这种几何形态测量方法允许独立于位置变化来评估形状差异。质心大小作为单独的变量用于评估大小相关差异，而Procrustes形状坐标用于比较各组之间的形状变化。然后对所有经过Procrustes对齐的二维标志点坐标（直接和jacksnife法）以及负荷最高的二维点进行了多变量判别分析。通过Koo和Li（2016）[51]的方法使用类内相关系数（ICC）评估了性别在二维形状上的差异，分析了20%的样本（N=16），由两位独立观察者进行。两位观察者都具备使用高级成像技术包括标志点识别的经验。该方法基于类内相关系数（ICC: model 2, k）进行分类，其中k为2，因为每个变量有两个测量值（两位观察者各有两个测量值，一位观察者有一个测量值）。

观察者误差（包括观察者内和观察者间）的重现性通过ICC解释进行评估。为了确保标志点放置和测量的有效性和准确性，参考了文献中的规范，如表1和表2所示。

**结果**：
ICC检验表明所有变量的观察者间和观察者内误差均具有极佳的一致性（ICC > 0.90）（表3、表4）。

表3. 观察者内误差。
| 测量 | ICC | 95%置信区间 | 下限 | 上限 |
| --- | --- | --- | --- | --- |
| 基底部-牙槽点 | 0.98 | 0.96 | 1.00 | |
| 基底部-鼻根点 | 0.97 | 0.89 | 1.00 | |
| 前鼻棘 | 0.94 | 0.83 | 0.98 | |
| 牙槽点-颏点 | 0.95 | 0.90 | 0.99 | |
| 前鼻棘-后鼻棘 | 0.96 | 0.91 | 1.00 | |
| 基底部-后鼻棘 | 1.00 | 0.92 | 1.00 | |
| 牙槽点-颏点 | 0.99 | 0.94 | 1.00 | |
| A点-B点 | 0.96 | 0.89 | 0.97 | |
| A点-下颌角 | 0.97 | 0.96 | 1.00 | |
| B点-下颌角 | 0.95 | 0.80 | 1.00 | |

表4. 观察者间误差。
| 测量 | ICC | 95%置信区间 | 下限 | 上限 |
| --- | --- | --- | --- | --- |
| 基底部-牙槽点 | 0.96 | 0.93 | 0.99 | |
| 基底部-鼻根点 | 0.95 | 0.85 | 0.99 | |
| 前鼻棘 | 0.93 | 0.83 | 1.00 | |
| 牙槽点-颏点 | 0.93 | 0.80 | 0.96 | |
| A点-后鼻棘 | 0.93 | 0.89 | 0.99 | |
| 基底部-后鼻棘 | 0.92 | 0.88 | 0.99 | |
| 下颌角-颏点 | 0.96 | 0.89 | 0.98 | |
| A点-B点 | 0.94 | 0.85 | 0.96 | |
| A点-下颌角 | 0.95 | 0.91 | 0.99 | |
| B点-下颌角 | 0.93 | 0.81 | 0.99 | |

表5显示了整个样本（男性和女性）的单变量分析结果。除了S-N距离和女性的A点至B点距离外，所有线性距离都是参数化的。比较性别间的S-N和A点至B点距离时使用了Mann-Whitney检验，其他参数则使用了t检验。统计上显著的性别差异包括：基底部-牙槽点、基底部-鼻根点、前鼻棘、前鼻棘-后鼻棘、基底部-后鼻棘、下颌角-颏点和A点-B点。

表5. 整个样本（男性和女性）的线性距离单变量分析。
| 组别/测量 | 整体样本 | 男性 | 女性 |
| --- | --- | --- | --- |
| 基底部-牙槽点 | 101.97 | 8.33 | (83.53-129.09) | 104.71 | **8.21 | (88.62-129.09) | 98.87 | **7.40 | (83.53-117.22) |
| 基底部-鼻根点 | 100.35 | 7.25 | (83.96-119.29) | 102.89 | ***6.63 | (90.70-119.29) | 97.46 | ***6.91 | (83.96-112.17) |
| 前鼻棘 | 66.60 | 4.41 | (58.68-77.76) | 67.85 | **4.16 | (58.68-77.76) | 65.19 | **4.30 | (58.76-75.81) |
| 牙槽点-颏点 | 47.86 | 4.14 | (38.13-55.58) | 48.74 | *3.27 | (41.24-55.58) | 46.87 | *4.81 | (38.13-55.48) |
| 牙槽点-颏点 | 67.45 | 5.64 | (51.01-85.42) | 68.28 | 5.41 | (55.64-85.42) | 66.52 | 5.83 | (51.01-76.71) |
| 前鼻棘-后鼻棘 | 48.34 | 3.60 | (38.41-57.82) | 49.62 | ***3.61 | (42.73-57.82) | 46.89 | ***3.02 | (38.41-53.48) |
| 下颌角-颏点 | 78.00 | 7.33 | (55.54-98.96) | 78.97 | 7.07 | (64.30-98.96) | 76.91 | 7.56 | (55.54-92.77) |
| 基底部-后鼻棘 | 42.86 | 4.02 | (32.32-52.62) | 44.49 | ***3.51 | (38.16-52.62) | 41.01 | ***3.79 | (32.32-48.34) |
| 下颌角-颏点 | 116.25 | 8.85 | (95.71-142.85) | 118.53 | 8.68 | (100.93-142.85) | 113.68 | 8.42 | (95.71-129.22) |
| A点-B点 | 45.04 | 5.45 | (34.96-65.15) | 45.85 | 6.01 | (34.96-65.15) | 44.11 | 4.63 | (38.00-54.24) |
| A点-下颌角 | 84.42 | 7.30 | (70.78-99.68) | 85.59 | 6.42 | (71.17-97.21) | 83.10 | 8.08 | (70.78-99.68) |
| B点-下颌角 | 78.21 | 7.34 | (56.38-96.11) | 79.00 | 7.05 | (65.89-96.11) | 77.32 | 7.65 | (56.38-93.15) |

表6显示了所有距离的多变量判别分析结果（直接和jacksnife法），表7显示了负荷最高的距离的判别分析结果（直接和jacksnife法）。负荷最高的六个距离是：基底部-牙槽点、基底部-鼻根点、前鼻棘、前鼻棘-后鼻棘、基底部-后鼻棘、下颌角-颏点。判别百分比显示74.68%的数据被正确分类，而jacksnife法显示72.03%的数据被正确分类，两者之间有12.65%的差异。当分别分析负荷最高的六个距离时，判别百分比显示77.22%的数据被正确分类，而jacksnife法显示72.15%的数据被正确分类，两者之间有5.07%的差异。

图3通过线框图展示了性别间的二维形状差异。蓝色和黑色线条分别代表男性和女性的平均形状。最显著的特征是下颌骨，男性下颌骨相对较大且更向前突出。鼻根点在男性中位置更靠前。

表8和表9分别显示了所有二维点的多变量判别分析结果（直接和jacksnife法），包括负荷最高的四个点（S、Me、Go和Ba）。判别百分比显示79.14%的数据被正确分类，而jacksnife法显示70.89%的数据被正确分类，两者之间有20.25%的差异。表9还显示了负荷最高的二维点的多变量判别分析结果。

**讨论**：
本研究首次使用从CBCT获取的侧位头影图探讨了南非黑人的性别差异，这种方法比传统的侧位头影图更可靠[40]，也更加准确和现代[61]，优于传统的骨测量学研究[11]。除了对12个线性测量值和10个二维标志点进行了单变量统计分析和交叉验证判别分析外，还对负荷较高的维度（六个距离和四个二维标志点）进行了重复分析，以提高判别能力和适用性。尽管法医人类学家通常更倾向于使用传统的骨测量学方法[19]，但随着现代性别估计技术（如基于CBCT的侧位头影图）的出现，如果发现的是不完整或损坏的骨骼，这些技术应被视为生物特征分析的替代方法[10,12]。由于在线性距离和形状分析中负荷最高的标志点都位于颅底和下颌骨，因此应用这些发现需要将未识别个体的下颌骨与头骨连接，并确保相关标志点存在，无论头骨是否完整。这种方法也适用于分解、损坏或烧焦的遗骸。使用来自侧位头影图的生前数据可以考虑到现代人的时代变化，从而创建现代颅骨数据库，而不是基于长期保存的骨骼制定的指南[61]。为了探索2D侧位头影图作为性别估计的替代方法，本研究将3D CBCT数据重建为2D侧位头影图。

虽然头测法在侧位头影图上广泛应用，但其固有的限制源于二维放射学的特性，如投影误差、放大效应和双侧解剖结构的重叠，这些都会降低标志点的识别精度和测量精度[62, [63]。与CBCT等三维成像方式相比，这些限制会导致准确性和可靠性降低[64, [65]。本研究试图通过在二维重建之前先识别并定位三维CBCT影像上的标志点来提高标志点识别的准确性，但这种方法无法直接应用于直接使用侧位头影图的情境中。因此，在将本研究的结果推广到其他情况时必须谨慎对待。本研究没有提供双侧分析或两侧之间的统计比较。在本研究中，我们不知道作为唯一被研究的双侧标志点的颌角是否具有统计上的对称性，这成为了研究的一个局限性。尽管之前的研究[66, 67]通常假设头影测量具有对称性，但本研究并未对此进行具体验证，未来需要进一步确认。

比较测试发现，在分析的头影测量距离中存在性别差异。所有线性距离在男性中都大于女性。由于男性通常表现出更健壮和明显的颅骨形态，因此这一发现并不令人惊讶[68]。具体来说，当将我们的研究结果与使用传统测量方法的研究进行比较时，发现了一些相似之处。例如，I?can和Steyn（1999年）[5]在南非进行的一项较旧的研究报告了黑人个体中Ba-N、Ba-Pr、N-Pr距离的性别差异，而在尼日利亚黑人群体中，Ba-Pr和Ba-N的距离在统计上不显著，但S-N距离以及腭长距离显著[57]。Ibrahim等人（2017年）[59]对马来西亚颅骨的性别差异的研究也发现男性颅骨测量距离显著大于女性。Ibrahim等人（2017年）[59]研究的距离包括Ba-Pr、N-Pr、Ba-N，但在我们的研究中N-Pr并不显著。侧位头影测量研究也显示男性线性距离显著大于女性[10,69]。在印度中部成年人中，包括N-ANS、Ba-N、N-Me（在我们的研究中N-Me不显著）在内的多个距离在统计学上存在性别差异[10]。此外，在南印度人和藏族人中，Go-Me距离在男性中也显著大于女性[11]；而在白种苏格兰人中，N-ANS、S-N和ANS-PNS距离在男性中也显著大于女性[69]。

关于所有线性距离的多变量判别分析，直接判别百分比与刀切法百分比之间的12.65%的差异表明数据可能存在过拟合现象，因此74.68%的正确分类率不能推广到其他样本。当仅分析负荷最高的距离（Ba-Pr、Ba-N、S-N、ANS-PNS、S-Ba、N-Me）时，直接判别百分比与刀切法百分比之间的差异为5.07%，交叉验证后的正确分类率为72.15%。负荷最高的距离也与本研究中性别间存在统计学差异的距离相对应，除了N-Me，在我们的研究中不显著。理想情况下，当样本量与预测变量数量相当且预测变量具有较强负荷时，直接判别准确性与交叉验证/刀切法准确性的差异应在百分之几（例如约2-5%）的范围内。较大的差异（约5-10%）表明存在轻微过拟合；超过10%的差异通常是严重过拟合的警告信号。这些阈值是启发式的，取决于具体情境。为了防止过拟合并提高结果的适用性，需要强信号和较大的样本量[70]。尽管变量数量仅限于负荷最高的六个距离中的六个，但由于样本量仅为79个个体，这种不平衡可能导致过拟合，这是本研究的一个重要限制，从而限制了结果的普遍性。

Hsiao等人（1996年）[48]和Patil与Mody（2005年）[10]通过在颅骨后部添加标志点，在台湾样本和印度样本中分别达到了约100%的性别分类准确率。然而，他们没有提及这些发现的交叉验证情况。因此，从他们的研究中推导出的判别函数公式可能在其他样本中并不会产生类似的百分比。Naikmasur等人（2010年）[11]对包括双侧标志点的南印度人和藏族人头影图进行了性别判别准确性的交叉验证，结果显示准确率分别为81.5%和88.2%，较低。在另一项不包含颅骨后部的南印度侧位头影图研究中，性别判别准确率为男性88%，女性84%[12]。虽然本研究中线性测量方法的性别估计准确率为72.15%，但这一较低准确率可能归因于交叉验证、较小的样本量（南印度研究为79个个体，而其他研究分别为100个和105个个体[12, 11]）以及侧位头影图中缺乏颅骨后部信息。此外，不同地理群体之间的性别差异程度也存在差异[71,72]。

关于本研究中的线框图，男性鼻根点相对于女性更靠前，这解释了男性S-N距离大于女性的现象。男性下颌相对于女性在视觉上更突出，这可能是由于男性Go-Me距离大于女性（尽管这种差异在统计学上并不显著）。Sprowl（2013年）[49]解释说，男性由于青春期持续时间较长以及睾酮分泌的支持，骨骼发育更为充分[49]。Avelar及其同事[73]指出，男性的下颌更大、更强壮、具有更多面，并且角度更加分明。对2D点的判别分析表明，仅使用S、Me、Go和Ba这三个点可以提高刀切法百分比，并减少直接判别百分比与刀切法百分比之间的差异。这些标志点也反映了下颌的相对位置和大小，支持了男性与女性线框图之间的视觉差异。使用2D点将性别估计的准确性从72.15%提高到74.68%并不令人惊讶，因为形状的判别能力更强，具有更多信息量，这一点已有充分描述[71]。74.68%的准确率接近法医应用中广泛接受的75%的准确率[74]。本研究使用了来自南非Ga-Rankuwa一家三级转诊医院的患者扫描库中的成年黑人南非患者数据，因此不能代表整个南非人口。未来的研究可以纳入三维放射图像（如CBCT），以检测双侧对称性，并将发现与同一样本中不同人群和更多标志点的侧位头影图进行比较，同时扩大样本量，以验证本研究的发现。

结论：本研究中来自CBCT的侧位头影图在黑人南非样本中显示出了明显的性别差异特征，这对于法医背景下的性别鉴别具有重要意义。所有线性距离在男性中都大于女性，且在研究中分析的十二个变量中有六个具有统计学意义。使用负荷最高的六个线性距离进行性别分类的准确率为72.15%，而使用四个二维标志点的准确率为74.68%。尽管略高，但这种准确率对于法医应用来说仍然只勉强可接受，因此在未知个体的性别估计中适用性有限。然而，这种方法在黑人南非人群中的有效性应在未来使用更大、更具代表性的样本量的研究中进一步评估。未来的研究还可以探索更多的标志点和更大的样本量，以研究不同人群群体。

**作者贡献：**
Ruth Kobedi：数据收集和整理、数据分析、撰写初稿
Anna Catherina Oettlé：概念构思、监督、数据分析、润色和编辑

**资助：**
本研究得到了南非高等教育和培训部（DHET）的支持。

**作者贡献声明：**
Ruth Kobedi：撰写初稿、方法论、正式分析、数据整理
Anna Catherina Oettlé：撰写审查和编辑、监督、正式分析、概念构思