基于机器学习和颅缝CT-MPR技术的北方成人年龄推断

doi:10.12116/j.issn.1004-5619.2023.231209

摘要/Abstract

摘要：

目的运用CT和多平面重组（multiplanar reformation，MPR）技术获取颅缝断层图像，建立北方汉族成人特异性年龄推断模型，探讨颅缝闭合规律在中国北方人群年龄推断中的适用性。方法回顾性收集29~80岁健康北方汉族成人头部CT样本132例。对颅骨进行容积重组（volume reconstruction，VR）和MPR，每例样本生成160张颅缝断层图像。根据颅缝闭合分级标准对颅缝MPR图像进行评分，分别计算矢状缝、左右侧冠状缝和左右侧人字缝的平均闭合等级。以上述等级为自变量，建立北方成人年龄推断的线性回归模型和梯度提升回归、支持向量回归、决策树回归和贝叶斯岭回归4种机器学习模型，并评估各模型推断年龄的准确性。结果各颅缝闭合等级均与年龄呈正相关，其中矢状缝相关性最高。4种机器学习模型年龄推断的准确性均高于线性回归模型，其中支持向量回归模型的准确性最高，平均绝对误差为9.542岁。结论机器学习模型和颅骨CT-MPR技术可联合用于中国北方成人年龄推断，但在法医学实践中仍需与其他成人年龄推断指标联合推断年龄。

关键词: 法医人类学, 年龄推断, 机器学习, 颅缝, 计算机体层成像, 多平面重组

Abstract:

Objective To establish age estimation models of northern Han adults with linear regression and machine learning using cranial suture images obtained by multi-planar reconstruction （MPR）, and to explore the applicability of cranial suture fusion rule in age estimation of northern Chinese population. Methods The head CT samples of 132 northern Han adults aged 29-80 years were retrospectively collected. After volume reconstruction （VR） and corresponding MPR, 160 cranial suture tomography images were generated for each sample. Then the MPR images of cranial sutures were scored according to the fusion grading criteria, and the mean closure grades of sagittal suture, coronal suture （both left and right） and lambdoid suture （both left and right） were calculated respectively. Finally taking the above grades as independent variables, the linear regression model and four machine learning models for age estimation: gradient boosting regression, support vector regression, decision tree regression and Bayesian ridge regression were established for northern Chinese adult’s age estimation. The accuracy of each model was evaluated. Results Each cranial suture fusion grade was positively correlated with age and the correlation of sagittal suture was the highest. All four machine learning models had higher age estimation accuracy than linear regression model. The support vector regression model had the highest accuracy among the machine learning models with a mean absolute error of 9.542 years. Conclusion The combination of MPR and machine learning model can be used for adult age prediction in northern China, but it is still necessary to combine with other adult age estimation indicators in forensic practice.

Key words: forensic anthropology, age estimation, machine learning, cranial suture, computed tomography, multiplanar reformation

中图分类号:

魏璇, 陈雨珊, 丁杰, 宋长兴, 王俊静, 彭钊, 邓振华, 伊旭, 范飞. 基于机器学习和颅缝CT-MPR技术的北方成人年龄推断[J]. 法医学杂志, DOI: 10.12116/j.issn.1004-5619.2023.231209.

Xuan WEI, Yu-shan CHEN, Jie DING, Chang-xing SONG, Jun-jing WANG, Zhao PENG, Zhen-hua DENG, Xu YI, Fei FAN. Age Estimation by Machine Learning and Multi-Planar Reconstruction of Cranial Sutures in Northern Chinese Han Adults[J]. Journal of Forensic Medicine, DOI: 10.12116/j.issn.1004-5619.2023.231209.

图/表 7

表1 132例样本的年龄与性别分布 (例)

Tab. 1 Age and Gender Distribution of 132 Samples

实际年龄/岁	男性	女性	合计
合计	57	75	132
29.00~<40.00	9	11	20
40.00~<50.00	12	16	28
50.00~<60.00	12	16	28
60.00~<70.00	13	21	34
70.00~<80.00	11	11	22

图1 颅缝CT图像的预处理流程图（以矢状缝为例）

Fig. 1 Preprocessing flow diagram of cranial sutures（take sagittal suture as an example）

表2 颅缝闭合等级示意图

Tab. 2 Grading of cranial sutures closure

分级	描述	示意图	图像（以矢状缝为例）
等级1	颅缝未闭合
等级2	颅内缝开始闭合
等级3	颅内缝完全闭合
等级4	颅缝小部分闭合（<50%）
等级5	颅缝大部分闭合（>50%）
等级6	颅缝完全闭合，可见残留闭合线
等级7	颅缝完全闭合，闭合线消失

表3 机器学习模型参数

Tab. 3 The parameter of machine learning

模型	参数
梯度提升回归	n_estimators=20；min_samples_split=100；max_depth=1；subsample=1
支持向量回归	kernel=rbf；C=10；gamma=0.01
决策树回归	max_depth=1；min_samples_leaf=1；min_samples_split=2
贝叶斯岭回归	max_iter=1；tol=0.0001

表4 各颅缝闭合等级的分布情况

Tab. 4 The grading distribution of each cranial suture

颅缝	等级/ （n=132， $x ¯$ ±s）	等级≥6		ρ值^1）
颅缝	等级/ （n=132， $x ¯$ ±s）	最小年龄/岁	例数	ρ值^1）
矢状缝	4.40±1.49	45	17	0.501
左侧人字缝	3.50±1.37^2）	-	0	0.360
右侧人字缝	3.47±1.46^2）	59	1	0.398
左侧冠状缝	3.93±1.30^2）3）4）	56	4	0.463
右侧冠状缝	3.79±1.33^{2）3）4）5）}	62	1	0.463

表4 各颅缝闭合等级的分布情况

Tab. 4 The grading distribution of each cranial suture

颅缝	等级/ （n=132， $x ¯$ ±s）	等级≥6		ρ值^1）
颅缝	等级/ （n=132， $x ¯$ ±s）	最小年龄/岁	例数	ρ值^1）
矢状缝	4.40±1.49	45	17	0.501
左侧人字缝	3.50±1.37^2）	-	0	0.360
右侧人字缝	3.47±1.46^2）	59	1	0.398
左侧冠状缝	3.93±1.30^2）3）4）	56	4	0.463
右侧冠状缝	3.79±1.33^{2）3）4）5）}	62	1	0.463

表5 颅缝年龄推断模型在测试集中预测准确性的比较

Tab. 5 Accuracy comparison among models for age estimation from cranial sutures

编号	模型	r	ME/岁	MAE/岁	RMSE/岁	%AE<10year
1	线性回归（y=4.571 x₁-1.906 x₂-0.112 x₃+0.575 x₄+2.343 x₅+32.247）	0.530	3.668	10.164	12.605	62.96%（17/27）
2	梯度提升回归	0.592	3.346	9.843	12.259	62.96%（17/27）
3	支持向量回归	0.622	3.075	9.542	11.915	66.67%（18/27）
4	决策树回归	0.546	3.737	9.648	12.450	62.96%（17/27）
5	贝叶斯岭回归	0.568	3.427	9.877	12.366	55.56%（15/27）
6	线性回归（y=2.765 x₁+1.996 x₂+4.033 x₄+13.235）^1）	0.580	-3.845	10.211	12.157	59.26%（16/27）
7	线性回归（y=11.02 x₆+17.19）^2）	0.598	0.072	11.104	13.949	55.56%（15/27）

图2 预测年龄与实际年龄的Bland-Altman图A：本研究建立的SVR模型；B：本研究建立的线性回归模型；C：裘诗文等［13］建立的线性回归模型；D：HARTH等［7］建立的线性回归模型。横坐标为预测年龄和实际年龄的平均值，纵坐标为预测年龄-实际年龄。

Fig. 2 Bland and Altman graphs of the difference in years between chronological age and prediction age

参考文献 24

1	TODD T W， LYON JR D W. Endocranial suture closure. Its progress and age relationship. Part Ⅰ. — Adult males of white stock[J]. Am J Phys Anthropol，1924，7（3）：325-384. doi：10.1002/ajpa.1330070320 .
2	TODD T W， LYON JR D W. Cranial suture closure. Its progress and age relationship. Part Ⅱ. — Ectocranial closure in adult males of white stock[J]. Am J Phys Anthropol，1925，8（1）：23-45. doi：10.1002/ajpa.1330080103 .
3	MEINDL R S， LOVEJOY C O. Ectocranial suture closure： A revised method for the determination of skeletal age at death based on the lateral-anterior sutures[J]. Am J Phys Anthropol，1985，68（1）：57-66. doi：10.1002/ajpa.1330680106 .
4	范飞，占梦军，戴鑫华，等. 影像学方法推断成人年龄研究进展[J].法医学杂志，2020，36（5）：605-613. doi：10.12116/j.issn.1004-5619.2020.05.002 .
	FAN F， ZHAN M J， DAI X H， et al. Research progress of adult age determination with imaging methods[J]. Fayixue Zazhi，2020，36（5）：605-613.
5	OBERT M， SCHULTE-GEERS C， SCHILLING R L， et al. High-resolution flat-panel volumetric CT images show no correlation between human age and sagittal suture obliteration — Independent of sex[J]. Forensic Sci Int，2010，200（1/2/3）：180.e1-180.e12. doi：10.1016/j.forsciint.2010.04.006 .
6	NIKOLOVA S， TONEVA D， GEORGIEV I， et al. Sagittal suture maturation： Morphological reorganization， relation to aging， and reliability as an age-at-death indicator[J]. Am J Phys Anthropol，2019，169（1）：78-92. doi：10.1002/ajpa.23810 .
7	HARTH S， OBERT M， RAMSTHALER F， et al. Estimating age by assessing the ossification degree of cranial sutures with the aid of flat-panel-CT[J]. Leg Med （Tokyo），2009，11（S1）：S186-S189. doi：10 .
	1016/j.legalmed.2009.01.091.
8	BOYD K L， VILLA C， LYNNERUP N. The use of CT scans in estimating age at death by examining the extent of ectocranial suture closure[J]. J Forensic Sci，2015，60（2）：363-369. doi：10.1111/1556-4029.12683 .
9	BARSZCZ M， WOŹNIAK K. Complete sagittal suture closure evaluation based on post mortem computed tomography[J]. Leg Med （Tokyo），2021，52：101907. doi：10.1016/j.legalmed.2021.101907 .
10	莫世泰，张文光，雷绍伯，等. 中国人颅骨缝的变化与年龄关系[J].人类学学报，1989，8（2）：131-138.
	MO S T， ZHANG W G， LEI S B， et al. The relation between the age and changes in Chinese skull suture[J]. Renleixue Xuebao，1989，8（2）：131-138.
11	FAN F， TU M， LI R， et al. Age estimation by multidetector computed tomography of cranial sutures in Chinese male adults[J]. Am J Phys Anthropol，2020，171（3）：550-558. doi：10.1002/ajpa.23998 .
12	CHIBA F， MAKINO Y， MOTOMURA A， et al. Age estimation by multidetector CT images of the sagittal suture[J]. Int J Legal Med，2013，127（5）：1005-1011. doi：10.1007/s00414-013-0883-y .
13	裘诗文，涂梦，范飞，等. 应用颅缝薄层CT扫描推断汉族成人年龄[J].法医学杂志，2020，36（4）：507-513. doi：10.12116/j.issn.1004-5619.2020.04.015 .
	QIU S W， TU M， FAN F， et al. Age estimation in Han adults by thin-layer CT scan of cranial sutures[J]. Fayixue Zazhi，2020，36（4）：507-513.
14	印国樑. 颅内外骨缝推断年龄的探讨[J].中国法医学杂志，1987，2（4）：214-216. doi：10.13618/j.issn.1001-5728.1987.04.008 .
	YIN G L. A study of the ectocranial and endocranial suture closure for the age estimation[J]. Zhongguo Fayixue Zazhi，1987，2（4）：214-216.
15	LI J， CHEN Z， ZHONG W， et al. A study of 285 cases of cranial vault suture closure in Chinese adults[J]. Surg Radiol Anat，2022，44（3）：361-368. doi：10.1007/s00276-021-02854-y .
16	RUENGDIT S， PRASITWATTANASEREE S， ME-KJAIDEE K， et al. Age estimation approaches using cranial suture closure： A validation study on a Thai population[J]. J Forensic Leg Med，2018，53：79-86. doi：10.1016/j.jflm.2017.11.009 .
17	FAN F， DONG X， WU X， et al. An evaluation of statistical models for age estimation and the assessment of the 18-year threshold using conventional pelvic radiographs[J]. Forensic Sci Int，2020，314：110350. doi：10.1016/j.forsciint.2020.110350 .
18	XU C， QU H， WANG G， et al. A novel strategy for forensic age prediction by DNA methylation and support vector regression model[J]. Sci Rep，2015，5：17788. doi：10.1038/srep17788 .
19	VELEMÍNSKÁ J， PILNÝ A， CEPEK M， et al. Dental age estimation and different predictive ability of various tooth types in the Czech population： Data mining methods[J]. Anthropol Anz，2013，70（3）：331-345. doi：10.1127/0003-5548/2013/0311 .
20	ŠTEPANOVSKÝ M， IBROVÁ A， BUK Z， et al. Novel age estimation model based on development of permanent teeth compared with classical approach and other modern data mining methods[J]. Forensic Sci Int，2017，279：72-82. doi：10.1016/j.forsciint.2017.08.005 .
21	MEINL A， HUBER C D， TANGL S， et al. Comparison of the validity of three dental methods for the estimation of age at death[J]. Forensic Sci Int，2008，178（2/3）：96-105. doi：10.1016/j.forsciint.2008.02.008 .
22	LIVERSIDGE H M， SMITH B H， MABER M. Bias and accuracy of age estimation using developing teeth in 946 children[J]. Am J Phys Anthropol，2010，143（4）：545-554. doi：10.1002/ajpa.21349 .
23	AYKROYD R G， LUCY D， POLLARD A M， et al. Technical note： Regression analysis in adult age estimation[J]. Am J Phys Anthropol，1997，104（2）：259-265. doi：10.1002/（SICI）1096-8644（199710）104：2<259：：AID-AJPA11>3.0.CO；2-Z .
24	TANGMOSE S， THEVISSEN P， LYNNERUP N， et al. Age estimation in the living： Transition analysis on developing third molars[J]. Forensic Sci Int，2015，257：512.e1-512.e7. doi：10.1016/j.forsciint.2015.07.049 .

[1]	赵欣, 陈志明, 刘文蕴, 王博, 李泓漾, 杨丽垚, 滕岩, 王利君, 高艳斌, 陈为龙, 张磊. 尸体靶向心脏冠状动脉造影在诊断冠心病猝死中的应用[J]. 法医学杂志, 2023, 39(6): 542-548.
[2]	黄逸航, 梁伟波, 蹇慧, 屈胜秋. 基于DNA甲基化推断年龄的建模方法与影响因素[J]. 法医学杂志, 2023, 39(6): 601-607.
[3]	马星宇, 程浩, 张忠铎, 李烨铭, 赵东. 代谢组学技术结合机器学习算法在损伤时间推断中的研究进展[J]. 法医学杂志, 2023, 39(6): 596-600.
[4]	王紫薇, 李成涛, 刘希玲. DNA甲基化年龄推断模型在华东汉族人群中的跨平台应用[J]. 法医学杂志, 2023, 39(5): 441-446.
[5]	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.
[6]	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.
[7]	马永刚, 曹永杰, 赵益花, 周新军, 黄斌, 张高潮, 黄平, 王亚辉, 马开军, 陈峰, 张东川, 张吉. 基于深度学习实现成人坐骨耻骨支内侧缘的性别推断[J]. 法医学杂志, 2023, 39(2): 129-136.
[8]	郝虹霞, 王亚辉, 周智露, 刘太昂, 陈瑾, 何宇亨, 万雷, 夏文涛. 膝关节MRI活体年龄推断研究进展[J]. 法医学杂志, 2023, 39(1): 66-71.
[9]	王紫薇, 徐倩南, 李成涛, 刘希玲. DNA甲基化年龄推断及其在法医学中的应用展望[J]. 法医学杂志, 2023, 39(1): 72-82.
[10]	杨孝通, 孙丞辉, 马永刚, 曹永杰, 熊剪, 张吉, 黄平. 基于CT三维重建技术推断西部地区汉族成人颅骨性别[J]. 法医学杂志, 2023, 39(1): 27-33.
[11]	马精晶, 尚敏, 秦大伟, 任文昭, 时佳音, 赵晓云, 姚泽伟, 李凡. 青少年牙槽骨吸收高度与性别、年龄的关系[J]. 法医学杂志, 2022, 38(5): 589-594.
[12]	张东川, 费耿, 陈婷婷, 许路易, 余德伦, 张天叶. 3种尸骨年龄推断方法的比较[J]. 法医学杂志, 2022, 38(3): 319-323.
[13]	王飞翔, 姬锐, 张鹿鸣, 王鹏, 刘太昂, 宋鲁杰, 汪茂文, 周智露, 郝虹霞, 夏文涛. 基于数据挖掘算法的骨盆损伤判别模型[J]. 法医学杂志, 2022, 38(3): 350-354.
[14]	蒋海, 谢琼, 李维亭, 刘尊忠. 碎尸案的多维度分析1例[J]. 法医学杂志, 2021, 37(6): 896-898.
[15]	贾思璇, 韩梦琪, 王辰旭, 等. Nolla法推断中国北方汉族儿童年龄的准确性[J]. 法医学杂志, 2021, 37(2): 181-186.