人工智能自动化硅藻检验的研究进展

doi:10.12116/j.issn.1004-5619.2021.410404

法医学杂志 ›› 2022, Vol. 38 ›› Issue (1): 14-19.DOI: 10.12116/j.issn.1004-5619.2021.410404

所属专题：水中尸体研究专题

人工智能自动化硅藻检验的研究进展

朱永正¹^,²(), 张吉¹(), 程奇¹^,³, 邓恺飞¹, 马开军⁴, 张建华¹, 赵建⁵, 孙俊红², 黄平¹(), 秦志强¹()

^1.司法鉴定科学研究院上海市法医学重点实验室司法部司法鉴定重点实验室上海市司法鉴定专业技术服务平台，上海 200063
^2.山西医科大学法医学院，山西太原 030001
^3.贵州医科大学法医学院，贵州贵阳 550000
^4.上海市刑事科学技术研究院，上海 200083
^5.广州市刑事科学技术研究所法医病理学公安部重点实验室，广东广州 510442

收稿日期:2021-04-06 发布日期:2022-02-25 出版日期:2022-02-28
通讯作者: 黄平,秦志强
作者简介:黄平，男，博士，研究员，主任法医师，主要从事法医病理学研究；E-mail：huangp@ssfjd.cn
秦志强，男，主任法医师，主要从事法医病理学研究；E-mail：qinzq@ssfjd.cn
朱永正（1997—），男，硕士研究生，主要从事法医病理学及人工智能算法研究；E-mail：zhuyz1997@126.com
张吉（1987—），男，博士，助理研究员，主检法医师，主要从事法医病理学、生物光谱及人工智能算法研究；E-mail： zhangj@ssfjd.cn第一联系人：朱永正和张吉为共同第一作者
基金资助:
国家自然科学基金资助项目(82072115);上海市法医学重点实验室资助项目(21DZ2270800);司法部司法鉴定重点实验室资助项目;上海市司法鉴定专业技术服务平台资助项目(19DZ2292700);中央级公益性科研院所资助项目(GY2020G-2)

Research Progress of Automatic Diatom Test by Artificial Intelligence

Yong-zheng ZHU¹^,²(), Ji ZHANG¹(), Qi CHENG¹^,³, Kai-fei DENG¹, Kai-jun MA⁴, Jian-hua ZHANG¹, Jian ZHAO⁵, Jun-hong SUN², Ping HUANG¹(), Zhi-qiang QIN¹()

^1.Shanghai Key Laboratory of Forensic Medicine, Key Laboratory of Forensic Science, Ministry of Justice, Shanghai Forensic Service Platform, Academy of Forensic Science, Shanghai 200063, China
^2.School of Forensic Medicine, Shanxi Medical University, Taiyuan 030001, China
^3.School of Forensic Medicine, Guizhou Medical University, Guiyang 550000, China
^4.Shanghai Research Institute of Criminal Science and Technology, Shanghai 200083, China
^5.Guangzhou Forensic Science Institute & Key Laboratory of Forensic Pathology, Ministry of Public Security, Guangzhou 510442, China

Received:2021-04-06 Online:2022-02-25 Published:2022-02-28
Contact: Ping HUANG,Zhi-qiang QIN

摘要/Abstract

摘要：

硅藻检验是法医学溺死诊断中的主要实验室检验方法，在鉴别水中尸体生前溺死和死后入水以及推断落水点中发挥了重要作用。人工智能自动化硅藻检验基于硅藻形态学特征，应用人工智能算法对组织器官中的硅藻进行自动化识别和分类，是法医学硅藻检验的一次技术革新。本文从形态学硅藻检验方法展开讨论，并对人工智能算法参与的自动化硅藻识别和分类研究进展进行综述。人工智能深度学习算法可以辅助硅藻检验得到客观、准确、高效的定性定量分析结果，有望成为未来法医学溺死硅藻检验研究的新方向。

关键词: 法医病理学, 溺死, 硅藻检验, 人工智能, 深度学习, 综述

Abstract:

Diatom test is the main laboratory test method in the diagnosis of drowning in forensic medicine. It plays an important role in differentiating the antemortem drowning from the postmortem drowning and inferring drowning site. Artificial intelligence （AI） automatic diatom test is a technological innovation in forensic drowning diagnosis which is based on morphological characteristics of diatom, the application of AI algorithm to automatic identification and classification of diatom in tissues and organs. This paper discusses the morphological diatom test methods and reviews the research progress of automatic diatom recognition and classification involving AI algorithms. AI deep learning algorithm can assist diatom testing to obtain objective, accurate, and efficient qualitative and quantitative analysis results, which is expected to become a new direction of diatom testing research in the drowning of forensic medicine in the future.

Key words: forensic pathology, drowning, diatom test, artificial intelligence, deep learning, review

中图分类号:

DF795.1

朱永正, 张吉, 程奇, 邓恺飞, 马开军, 张建华, 赵建, 孙俊红, 黄平, 秦志强. 人工智能自动化硅藻检验的研究进展[J]. 法医学杂志, 2022, 38(1): 14-19.

Yong-zheng ZHU, Ji ZHANG, Qi CHENG, Kai-fei DENG, Kai-jun MA, Jian-hua ZHANG, Jian ZHAO, Jun-hong SUN, Ping HUANG, Zhi-qiang QIN. Research Progress of Automatic Diatom Test by Artificial Intelligence[J]. Journal of Forensic Medicine, 2022, 38(1): 14-19.

参考文献 42

1	LUNETTA P， PENTTILÄ A， HÄLLFORS G. Scanning and transmission electron microscopical evidence of the capacity of diatoms to penetrate the alveolo-capillary barrier in drowning[J]. Int J Legal Med，1998，111（5）：229-237. doi：10.1007/s004140050159 .
2	ZHANG P， KANG X， ZHANG S， et al. The length and width of diatoms in drowning cases as the evidence of diatoms penetrating the alveoli-capillary barrier[J]. Int J Legal Med，2020，134（3）：1037-1042. doi：10.1007/s00414-019-02164-4 .
3	李棨，马开军，张晓东，等. 水中尸体肺组织硅藻检验与死因分析[J].法医学杂志，2011，27（5）：324-326，333. doi：10.3969/j.issn.1004-5619.2011.05.002 .
	LI Q， MA K J， ZHANG X D， et al. Diatom test in lung tissue of corpses in water and causes of death[J]. Fayixue Zazhi，2011，27（5）：324-326，333.
4	LUDES B， COSTE M， NORTH N， et al. Diatom analysis in victim’s tissues as an indicator of the site of drowning[J]. Int J Legal Med，1999，112（3）：163-166. doi：10.1007/s004140050224 .
5	SHEN X， LIU Y， XIAO C， et al. Analysis of false-positive results of diatom test in the diagnosis of drowning-would not be an impediment[J]. Int J Legal Med，2019，133（6）：1819-1824. doi：10.1007/s00414-019-02021-4 .
6	CARBALLEIRA R， VIEIRA D N， FEBRERO-BANDE M， et al. A valid method to determine the site of drowning[J]. Int J Legal Med，2018，132（2）：487-497. doi：10.1007/s00414-017-1708-1 .
7	PIETTE M H A， DE LETTER E A. Drowning： Still a difficult autopsy diagnosis[J]. Forensic Sci Int，2006，163（1/2）：1-9. doi：10.1016/j.forsciint.2004.10.027 .
8	BORTOLOTTI F， TAGLIARO F， MANETTO G. Objective diagnosis of drowning by the “diatom test” - A critical review[J]. Forensic Sci Rev，2004，16（2）：135-148.
9	SINGH R， SINGH R， THAKAR M K. Extraction method of diatoms - A review[J]. India Int J Forensic Med Toxicol，2006，4（2）：1-11.
10	中华人民共和国公安部. 人体组织器官中硅藻硝酸破机法检验： [S].北京：中国标准出版社，2009.
	The Ministry of Public Security of the People’s Republic of China. Detection the diatoms in human tissues and organs by digesting organic matter with nitric acid： [S]. Beijing： China Standards Publishing Press，2009.
11	ZHAO J， LIU C， HU S， et al. Microwave digestion - vacuum filtration - automated scanning electron microscopy as a sensitive method for forensic diatom test[J]. Int J Legal Med，2013，127（2）：459-463. doi：10.1007/s00414-012-0756-9 .
12	ZHAO J， LIU C， BARDEESI A S A， et al. The diagnostic value of quantitative assessment of diatom test for drowning： An analysis of 128 water-related death cases using microwave digestion-vacuum filtration-automated scanning electron microscopy[J]. J Forensic Sci，2017，62（6）：1638-1642. doi：10.1111/1556-4029.13455 .
13	HU S L， LIU C， WEN J F， et al. Detection of diatoms in water and tissues by combination of microwave digestion， vacuum filtration and scanning electron microscopy[J]. Forensic Sci Int，2013，226（1/2/3）： e48-e51. doi：10.1016/j.forsciint.2013.01.010 .
14	FUCCI N， PASCALI V L， PUCCINELLI C， et al. Evaluation of two methods for the use of diatoms in drowning cases[J]. Forensic Sci Med Pathol，2015，11（4）：601-605. doi：10.1007/s12024-015-9708-2 .
15	SIDARI L， DI NUNNO N， COSTANTINIDES F， et al. Diatom test with Soluene-350 to diagnose drowning in sea water[J]. Forensic Sci Int，1999，103（1）：61-65. doi：10.1016/S0379-0738（99）00056-0 .
16	TAKEICHI T， KITAMURA O. Detection of diatom in formalin-fixed tissue by proteinase K digestion[J]. Forensic Sci Int，2009，190（1/2/3）：19-23. doi：10.1016/j.forsciint.2009.05.005 .
17	YU Z， LIU C， WANG H， et al. The effect of enzyme digestion time on the detection of diatom species[J]. Pak J Pharm Sci，2014，27（S3）：691-694.
18	KAKIZAKI E， SONODA A， SHINKAWA N， et al. A new enzymatic method for extracting diatoms from organs of suspected drowning cases using papain： Optimal digestion and first practical application[J]. Forensic Sci Int，2019，297：204-216. doi：10.1016/j.forsciint.2019.02.008 .
19	KLOSTER M， LANGENKÄMPER D， ZUROWIETZ M， et al. Deep learning-based diatom taxonomy on virtual slides[J]. Sci Rep，2020，10：14416. doi：10.1038/s41598-020-71165-w .
20	PACHAR J V， CAMERON J M. Scanning electron microscopy： Application in the identification of diatoms in cases of drowning[J]. J Forensic Sci，1992，37（3）：860-866.
21	DENG J， DONG W， SOCHER R， et al. ImageNet： A large-scale hierarchical image database[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami：IEEE，2009：248-255. doi：10.1109/CVPR.2009.5206848 .
22	GUO Y M， LIU Y， BAKKER E M， et al. CNN-RNN： A large-scale hierarchical image classification framework[J]. Multimed Tools Appl，2018，77（8）：10251-10271. doi：10.1007/s11042-017-5443-x .
23	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Commun ACM，2017，60（6）：84-90. doi：10.1145/3065386 .
24	ARESTA G， ARAÚJO T， KWOK S， et al. BACH： Grand challenge on breast cancer histology images[J]. Med Image Anal，2019，56：122-139. doi：10.1016/j.media.2019.05.010 .
25	HA Q S， LIU B， LIU F X. Identifying melanoma images using EfficientNet ensemble： Winning solution to the SIIM-ISIC melanoma classification challenge[J/OL]. （2020-10-11）[2021-04-02]. .
26	ZHOU Y Y， ZHANG J， HUANG J， et al. Digital whole-slide image analysis for automated diatom test in forensic cases of drowning using a convolutional neural network algorithm[J]. Forensic Sci Int，2019，302：109922. doi：10.1016/j.forsciint.2019.109922 .
27	YU W M， XUE Y， KNOOPS R， et al. Automated diatom searching in the digital scanning electron microscopy images of drowning cases using the deep neural networks[J]. Int J Leg Med，2021，135（2）：497-508. doi：10.1007/s00414-020-02392-z .
28	ZHOU Y， CAO Y， HUANG J， et al. Research advances in forensic diatom testing[J]. Forensic Sci Res，2020，5（2）：98-105. doi：10.1080/20961790. 2020.1718901 .
29	HU H， GU J Y， ZHANG Z， et al. Relation networks for object detection[C]//2018 IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE，2018：3588-3597. doi：10.1109/CVPR.2018.00378 .
30	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus： IEEE，2014：580-587. doi：10.1109/CVPR.2014.81 .
31	GIRSHICK R. Fast R-CNN[C]//2015 IEEE International Conference on Computer Vision. Santiago：IEEE，2015：1440-1448. doi：10.1109/ICCV.2015.169 .
32	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks[J]. IEEE Trans Pattern Anal Mach Intell，2017，39（6）：1137-1149. doi：10.1109/TPAMI.2016.2577031 .
33	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas：IEEE，2016：779-788. doi：10.1109/CVPR.2016.91 .
34	PEDRAZA A， BUENO G， DENIZ O， et al. Lights and pitfalls of convolutional neural networks for diatom identification[C]//SPIE Photonics Europe. Proc SPIE 10679， Optics， Photonics， and Digital Technologies for Imaging Applications V. Strasbourg： SPIE，2018：88-96. doi：10.1117/12.2309488 .
35	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J/OL]. （2015-04-10）[2021-04-02]. arXiv：.
36	SZEGEDY C， IOFFE S， VANHOUCKE V. Inception-v 4， inception-ResNet and the impact of residual connections on learning[J/OL]. （2016-08-23）[2021-04-02]. .
37	周圆圆，曹永杰，杨越，等. 基于人工智能硅藻自动化识别系统的实际案例应用[J].法医学杂志，2020，36（2）：239-242. doi：10.12116/j.issn.1004-5619.2020.02.017 .
	ZHOU Y Y， CAO Y J， YANG Y， et al. Application of artificial intelligence automatic diatom identification system in practical cases[J]. Fayixue Zazhi，2020，36（2）：239-242.
38	邓杰航，何冬冬，卓家鸿，等. 复杂背景干扰下硅藻图像的深度网络识别与定位[J].南方医科大学学报，2020，40（2）：183-189. doi：10.12122/j.issn.1673-4254.2020.02.08 .
	DENG J H， HE D D， ZHUO J H， et al. Deep learning network-based recognition and localization of diatom images against complex background[J]. Nanfang Yike Daxue Xuebao，2020，40（2）：183-189.
39	BAYER M， PULLAN M， MANN D， et al. ADIAC： Using computer vision technology for automatic diatom identification[C]//AMILLI A E. Proceedings of the 16th International Diatom Symposium. Athens： The 16th International Diatom Symposium，2000：537-532.
40	BUENO G， DENIZ O， PEDRAZA A， et al. Automated diatom classification （Part A）： Handcrafted feature approaches[J]. Appl Sci，2017，7（8）：753. doi：10.3390/app7080753 .
41	PEDRAZA A， BUENO G， DENIZ O， et al. Automated diatom classification （Part B）： A deep learning approach[J]. Appl Sci，2017，7（5）：460. doi：10.3390/app7050460 .
42	ZHANG J， ZHOU Y， VIEIRA D N， et al. An efficient method for building a database of diatom populations for drowning site inference using a deep learning algorithm[J]. Int J Legal Med，2021，135（3）：817-827. doi：10.1007/s00414-020-02497-5 .

[1]	李雯, 李豪喆, 陈琛, 蔡伟雄. 面部微表情分析技术在法医精神病学领域的研究现状及应用展望[J]. 法医学杂志, 2023, 39(5): 493-500.
[2]	王中华, 李淑瑾. 人类身高推断的分子生物学研究进展[J]. 法医学杂志, 2023, 39(5): 487-492.
[3]	陈璐, 周喆, 王升启. 陈旧骸骨DNA身份鉴定的法医学进展[J]. 法医学杂志, 2023, 39(5): 478-486.
[4]	曾勇, 邹冬华, 范颖, 徐晴, 陶陆阳, 陈忆九, 李正东. 人体血管有限元建模及生物力学的研究进展与法医学应用[J]. 法医学杂志, 2023, 39(5): 471-477.
[5]	陈建波, 郭影, 陈再勇, 鲍人辉, 孔繁荣. 钩吻中毒死亡法医学鉴定1例[J]. 法医学杂志, 2023, 39(5): 509-511.
[6]	马钳钳, 张云, 秦丽娜. 播散型毛霉病致死1例[J]. 法医学杂志, 2023, 39(5): 507-509.
[7]	孙语新, 龚晓娟, 郝秀丽, 田雨馨, 陈艺铭, 张宝, 阎春霞. 婴儿猝死综合征与婴儿感染性猝死共同相关基因的筛选及其调控网络的生物信息学分析[J]. 法医学杂志, 2023, 39(5): 433-440.
[8]	高日红, 王新宙, 王冰, 郑立新. 大剂量盐酸地芬尼多与乙醇、氯化钾联合中毒死亡1例[J]. 法医学杂志, 2023, 39(5): 512-515.
[9]	杨宇, 雷梵章, 董玉友, 马剑龙, 石启强, 叶雪松. 口服盐酸地芬尼多中毒死亡案例的回顾性分析[J]. 法医学杂志, 2023, 39(4): 393-398.
[10]	白洁, 孙晶, 程晓光, 刘凡, 刘华, 王旭. 基于YOLOv3算法的肋骨骨折诊断模型的构建及应用[J]. 法医学杂志, 2023, 39(4): 343-349.
[11]	范飞, 武娟, 邓振华. 听力学客观检测技术在法医临床学中的应用进展[J]. 法医学杂志, 2023, 39(4): 360-366.
[12]	向青青, 陈立方, 苏秦, 杜宇坤, 梁沛妍, 康晓东, 石河, 徐曲毅, 赵建, 刘超, 陈晓晖. 微生物群落演替在死亡时间推断中的研究进展[J]. 法医学杂志, 2023, 39(4): 399-405.
[13]	苏秦, 陈倩玲, 吴伟斌, 向青青, 杨成梁, 乔东访, 李志刚. 原发性脑干损伤致死大鼠的脑干组织代谢组学分析[J]. 法医学杂志, 2023, 39(4): 373-381.
[14]	盛利, 宋国铭. “钢珠”气枪射击致颅脑损伤死亡1例[J]. 法医学杂志, 2023, 39(4): 417-418.
[15]	曹宇奇, 施妍, 向平, 郭寅龙. 机器学习辅助非靶向筛查策略用于芬太尼类物质识别鉴定的研究进展[J]. 法医学杂志, 2023, 39(4): 406-416.

人工智能自动化硅藻检验的研究进展

Research Progress of Automatic Diatom Test by Artificial Intelligence

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 42

相关文章 15

编辑推荐

Metrics