法 医 学 杂 志 2020 年 2月 第 36 卷 第1期 · 77 ·

·综 述·
人工智能技术时代法医学科面临的新机遇与挑战
方雅婷 1，兰琼 1，解通 1，刘艳芳 1，梅书燕 1，朱波峰 1，2
（1. 南方医科大学法医学院，广东 广州 510515； 2. 西安交通大学口腔医学院 陕西省颅颌面精准医学研
究中心，陕西 西安 710049）

摘 要：传统的法医学鉴定依赖于法医专家提取信息，运用医学、生物学等多领域知识结合工作经验作出
鉴定意见，不仅耗时耗力，而且存在难以克服的主观因素。在大数据时代，人工智能的蓬勃发展为法医学
带来了新思路。近些年，国内外法医学者们基于人工智能技术开展了人脸识别、年龄及性别鉴定、DNA 分
析、死亡时间推断、损伤以及死亡原因鉴定等多方面的研究，显示出运用人工智能技术解决法医学鉴定问
题的可行性与优越性。人工智能技术作为一种适应时代发展的崭新技术手段，为法医学带来新活力的同
时，也带来了新挑战。如何科学应对这些挑战，形成人工智能和法医学协同发展的“人工智能+法医学”新
模式，是大数据时代下法医学发展的新方向。
关键词：法医学；人工智能；机器学习；深度学习；综述
中图分类号：DF795.1 文献标志码：A doi：10.12116/j.issn.1004-5619.2020.01.016
文章编号：1004-5619（2020）01-0077-09

New Opportunities and Challenges for Forensic Medicine in the Era of Artificial
Intelligence Technology
FANG Ya-ting1, LAN Qiong1, XIE Tong1, LIU Yan-fang1, MEI Shu-yan1, ZHU Bo-feng1,2
（1. School of Forensic Medicine, Southern Medical University, Guangzhou 510515, China; 2. Research Center
of Shaanxi Province for Craniofacial Precision Medicine, College of Stomatology, Xi’an Jiaotong University,
Shaanxi 710049, China）
Abstract：Traditional forensic identification relies on forensic experts to manually extract information and
provide identification opinions based on medicine, biology and other fields of knowledge combined with
personal work experience, which is not only time-consuming and require great effort, but also affected
by subjective factors that are difficult to overcome. In the era of big data, the booming development
of artificial intelligence brings new ideas to forensic medicine. In recent years, forensic researchers at
home and abroad have conducted many studies based on artificial intelligence technology, such as face
recognition, age and gender identification, DNA analysis, postmortem interval estimation, injury and
cause of death identification, showing the feasibility and advantages of using artificial intelligence tech-
nology to solve forensic identification problems. As a new means of technology that has adapted to
the development of the times, artificial intelligence has brought new vitality to forensic medicine, but
at the same time also some new challenges. How to deal with these challenges scientifically and form
a new mode of ‘artificial intelligence plus forensic medicine’ with artificial intelligence and forensic
medicine developing collaboratively is a new direction for the development of forensic medicine in the
era of big data.
Keywords：forensic medicine; artificial intelligence; machine learning; deep learning; review

人工智能技术是一门多学科间广泛交叉的前沿 智能技术飞速发展，并被广泛应用于医学研究等各个
科学，自 1956 年的达特茅斯会议后，其概念和研究领 领域[2-4]。近年来快速发展的法医学同样面临着获取、
[1]
域不断扩展 。随着人工神经网络理论的提出，人工 分析和应用大数据，以应对复杂鉴定问题的挑战[5]，很

基金项目：国家自然科学基金资助项目（81525015）
作者简介：方雅婷（1992—），女，博士研究生，主要从事法医物证学研究；E-mail：
fighting9216@163.com
通信作者：朱波峰，男，教授，博士，主要从事法医学教学及法医物证学科研；E-mail： zhubofeng7372@126.com
· 78 · Journal of Forensic Medicine, February 2020, Vol.36, No.1

多传统的学习算法已难以适应发展的新需求[6]。如何 骨遗骸的年龄预测有助于推断其死亡时的年龄。传
将人工智能技术融会贯通到法医学各个领域，消除人 统的骨龄鉴定方法是以人工测定的方法对骨骺生长
工分析时产生的主观偏差，形成“人工智能 + 法医学” 进行分级，不仅在骨骺分类上存在一定的技术困难，
的新模式，是当前解决疑难复杂案件、提高实际检案 而且无法消除主观性偏差。为克服这些难题，WANG
工作的效率与科研能力的新策略。本文对 2015 年以 等 [12] 采用支持向量机对中国青少年的腕关节 X 线图
来人工智能技术在法医学中最新的研究进展及应用 像进行训练，构建年龄预测模型，实现了对桡骨远端
前景进行了系统梳理、总结与展望。 和尺骨远端骨骺的自动分类。 ZHANG 等 [13] 考虑到性
别差异，运用体绘制技术提取 280 名女性和 282 名男
1 人工智能在法医学中的运用
性第 5 颈椎至第 1 腰椎区域的 CT 图像信息后，分别采
1.1 人脸识别 用简单线性回归、多元线性回归、梯度增强回归、支持
人的面部容貌虽然在生长发育中会发生变化，但 向量机和决策树等算法构建了男性特异性和女性特
是个人特征是相对固定的，因此是同一认定和个体识 异性年龄预测模型。 SPAMPINATO 等 [14] 用公共数据
别 理 想 的 生 物 学 特 征 。 PENG 等 [7] 在 马 尔 可 夫 网 络 集 测 试 并 评 估 了 OverFeat 、GoogLeNet 和 OxfordNet 三
（Markov networks）的基础上，
自适应地学习组合图像的 种卷积神经网络模型在骨龄自动评估中的应用，并基
多个表征，并采用最小误差边界切割（minimum error 于处理后的 X 线图像，建立了全新的用于骨龄推断的
boundary cut）算法对重叠区域进行拼接，建立基于多 BoNet 卷积神经网络模型。 LEE 等 [15] 基于手部及腕关
重表征的自适应人脸素描合成方法，实现了高效的人 节 X 线图像，创建了一个可以自动检测并分类的卷积
脸识别。 SAJID 等 测量并评估了面部不对称特征的
[8]
神经网络模型，能够在放射科医生的指导下自动生成
尺寸及其随年龄变化的特点，发现非对称性面部特征 结构化报告，实现了精准的骨龄评估。 NAVEGA 等 [16]
是预测年龄的一个强有力指标，基于支持向量机算法 以欧洲女性的股骨为研究对象，构建了基于骨密度测
针对量化的面部不对称特征估计给定人脸图像的年 量法的人工神经网络模型用于骨龄评估。
龄组，并采用卷积神经网络提取非对称的面部特征， 除骨骼外，牙齿的发育情况也是年龄预测的重要
通过分析人脸图像年龄组估计误差对人脸识别算法 指标之一。 de TOBEL 等 [17] 先对口腔全景 X 线图像对
的影响，发现将从年龄组估计中提取到的信息嵌入人 比度设置进行优化，评估了下颌第三磨牙的特征，并
脸识别算法中，可以大大提高人脸识别的准确性。 使用 Adobe Photoshop CC 2017 软件以标准化的方式
下颌骨是颌面部重要的组成结构，因其仅以软组 在其周围放置矩形边框，随后利用 MATLAB R2017a
织连接于上颌部，所以在尸体白骨化中易遗失。为实 软件中的机器学习算法对下颌第三磨牙的特征进行
现 丢 失 了 下 颌 骨 的 颌 面 部 重 建 ，NINO-SANDOVAL 自动识别，研发了一种基于下颌第三磨牙的年龄预测
等 在 2016 年采用支持向量机监督学习算法选取哥伦
[9]
自 动 检 测 技 术 。 STEPANOVSKY 等 [18] 比 较 了 从 简 单
比亚人头颅侧位 X 线图像中 10 个颅颌关节变量对下颌 数 学 模 型 到 复 杂 机 器 学 习 算 法 的 22 种 年 龄 预 测 模
骨相对于上颌骨的矢状位置关系进行分类，发现骨性 型，证明基于机器学习算法的数据挖掘方法优于基于
Ⅱ 类和骨性 Ⅲ 类的颅颌面结构有不依赖于下颌骨的 平均年龄的传统数学模型方法，并提出了用具有代表
独特骨性关系。 2017 年他们采用人工神经网络等深 性的中位年龄代替牙齿发育阶段的方法与缺失牙病
度学习算法，基于同样的数据集，选取了 17 个颅颌面 例的缺失数据替换技术，构建了基于列表多元线性回
形态的解剖相关变量预测上、下颌骨的位置关系，发 归模型（tabular multiple linear regression model）的年
[10]
现人工神经网络的分类预测能力优于支持向量机 。 龄预测模型。
另一方面，随着人脸识别的相关研究逐步报道， 当缺乏完整的骨骼证据时，用分子生物学方法分
如何有效地收集和管理与人脸有关的数据成了另一 析案发现场遗留的血液、组织等生物学物证所包含的
项 挑 战 。 KAUR 等 采 用 基 于 文 本 挖 掘 的 人 工 智 能
[11]
信息，是法医学年龄推断的另一重要手段。继多元回
技术对文献自动注释，尝试开发一个可以提取面部形 归、反向传播神经网络、支持向量机以及随机森林模
态学特征以及面部疾病相关信息的人脸数据库。虽 型 被 应 用 于 基 于 DNA 甲 基 化 的 年 龄 预 测 模 型 构 建
然这项工作目前仍处于初始研究阶段，但其为人工智 后 [19-20]，VIDAKI 等 [21] 选出 16 个 CpG 位点，首次应用人
能在人脸识别中的应用开辟了新思路与方向。 工神经网络构建年龄预测模型，不仅提高了预测的精
1.2 年龄推断 准 度 ，还 排 除 了 未 成 年 以 及 不 同 种 族 背 景 的 影 响 。
骨骼的发育过程具有连续性和阶段性特征，对尸 FENG 等 [22] 使用逐步向后的多元线性回归分析和穷举
法 医 学 杂 志 2020 年 2月 第 36 卷
搜 索 算 法（exhaustive searching algorithm）进 行 了 系
统的特征位点选择，确定了用于年龄预测的最优 9 个
CpG 位点，最终构建的年龄预测模型的精确度高于其
他已经报道的年龄预测模型，提示特征位点选择对最
终模型的性能起着至关重要的作用。目前，法医学面
临的主要挑战是法医现场检材的质量低、可用于分析
的检材量少。同时，每种组织或体液都可能表现出不
同的年龄相关 DNA 甲基化模式，且这种模式受到环
境、疾病等多种因素的影响。因此，在广泛的人类组
织和细胞类型中开发一种灵敏、多组织适用的年龄预
测模型是一项非常具有挑战性的工作
1.3 性别鉴定
在严重的自然灾害、重大事故案件中涉及高度腐
烂、残缺尸体遗骸时，基于两性在骨骼形态特征上的差
异，通过法医人类学的方法对尸体遗骸进行特征分析，
无需借助 DNA 分型也可快速得到骨骸的性别等信息，
有 助 于 节 省 搜 索 调 查 的 时 间 和 资 源 。 MUSILOVA
等 [26]
采 用 相 干 点 漂 移 密 度 对 应 分 析（coherent point
drift-dense correspondence analysis）方 法 对 103 例 法
国成年人的颅骨 CT 扫描图像进行分析，并基于径向
支持向量机结合交叉验证的算法构建了一个精准度
高达 90.3% 的性别分类器。 BEJDOVA 等 用几何形
态计量学分析 154 例中欧（捷克共和国）成年人的颅
骨 CT 扫描图像后，仅利用上面部骨骼形态构建了支
持向量机和交叉验证结合的性别鉴定模型。2018 年，
GAO 等 提取中国汉族成人的颅骨三维特征，基于模
[28]
糊 C 均值聚类（fuzzy C-means ，FCM）算法提出了一种
用于颅骨性别鉴定的新的无监督算法——MKDSIF-
FCM。经比较发现，在同样的中国汉族成人颅骨样本
中 ，MKDSIF-FCM 算 法 的 性 别 鉴 定 精 准 度 高 于 决 策
树、支持向量机等其他常用分类器。 CAVALLI 等 以
1 700 例成人颅骨侧位 CT 扫描图为研究对象，使用模
式 识 别 和 人 工 神 经 网 络 ，将 监 督 与 非 监 督 技 术 相 结
合，提出一个不依赖于颅骨测量值的颅骨形状自动建
模的新方法。值得注意的是，性别二态性的程度和模
式受到地域、环境等多种因素的影响 ，不同年龄、地
MUSILOVA
域的人类骨骼特征可能具有差异 。对此， [31]
[26]
等 提出可以通过向数据集系统中添加不同的种群
样本用以消除分类器的种群特异性，提高性别预测的
准确性。
1.4 DNA 电泳图谱分析
基于毛细管电泳平台的短串联重复（short tandem
repeat ，STR）序列分型是法医通过 DNA 分析解决刑事
或民事诉讼案件的主要手段。如何从背景噪声中提取
真实的等位基因信息一直是 STR 电泳图谱解读的挑
第1期 · 79 ·
战。传统的分析方法是设定统一的信号强度阈值区分
片段峰，但是往往需要专业人员调整参数才可以得出
正确的 STR 分型结果。 TAYLOR 等 [32-33] 避开了信号强
度阈值的使用，先是用两个原始电泳图谱训练了一个
简单的人工神经网络模型用于光谱分离，而后扩大样
本量构建了一个结合贝叶斯算法的人工神经网络模
型，探索了人工神经网络在 STR 电泳图谱峰分类上的
应用，不仅有效避免了由于扩增不均衡造成的部分等
位基因信息丢失，而且可以排除由于电泳过程中设备
电流跳动等情况产生的伪峰干扰。 2019 年，TAYLOR
[23-24]
。 等 [34] 考虑到同一实验室可能会有多个不同的毛细管
电泳分型仪器，且法医日常检案中的 DNA 样本可能
是混合样本等复杂情况，进一步探索了人工神经网络
模型在不同电泳仪器产生的图谱以及混合 DNA 样本
的图谱中的可泛化性。另一方面，MARCIANO 等 [35] 开
发了一个智能等位基因检测降噪系统，评估了动态化
[25]
阈值与机器学习相结合检测伪峰和降噪工具的有效
性。该系统用根据样本内的每个基因座计算的动态
峰检测阈值取代传统的静态分析阈值，检测等位基因
并去除低水平信号噪声后，应用 stutter 峰过滤器过滤
掉 stutter 峰，用微调算法减少非等位基因、非 stutter 峰
[27]
引起的噪声，并用机器学习模型评估基因座中是否存
在额外的检测噪声。
对于 DNA 混合物中 DNA 供者人数的准确估计是
法医工作者对 DNA 混合物精确分析的重要前提。近
些 年 学 者 们 提 出 了 不 同 的 算 法 ，有 效 地 提 高 了 准 确
度 [36-39]。但研究表明，当 DNA 混合样本中贡献者人数
较 多 时 ，现 有 算 法 往 往 无 法 对 贡 献 者 人 数 进 行 准 确
估计。 MARCIANO 等 [40] 使用机器学习的方法来推断
混 合 DNA 样 本 中 提 供 者 的 数 量 ，评 估 了 K 近 邻（K-
[29]
nearest neighbors）、分 类 与 回 归 树（classification and
regression trees）、多元逻辑回归、多层感知器（classifi⁃
cation and regression trees）及支持向量机 5 种候选机
器学习算法后，构建了最优的贡献者数量估计（proba⁃
bilistic assessment for contributor estimation ，PACE）
[30]
系 统 。 经 过 验 证 ，发 现 在 多 达 4 个 供 体 的 DNA 混 合
物 中 ，PACE 系 统 识 别 供 者 人 数 的 准 确 度 仍 然 超 过
98%，是法医评估 DNA 混合物中贡献者人数的一个有
力工具。
1.5 群体遗传学研究
MONSALVE 等 [41] 分 析 了 244 个 哥 伦 比 亚 人 群 的
颅骨特征变异，构建了适用于哥伦比亚祖先信息推断
的人工神经网络模型。 POSPIECH 等 [42] 在考虑性别因
素的影响下，使用神经网络和逻辑回归模型研究了波
兰人群中 6 个 IrisPlex SNP[43] 在预测虹膜颜色方面的
· 80 ·
作用，结果发现，6 个 IrisPlex SNP 中有 4 个与波兰人
群的虹膜颜色有关，表明虹膜颜色的遗传具有群体特
异性，且不同性别也具有差异。
JUHÁSZ 等 [44] 考虑到迁徙人口中必然包含男性和
女性，同时分析了当代欧亚和美国土著人群的线粒体
和 Y 染色体单倍群，并与古线粒体单倍群分布比较，
提出了基于单倍群逆秩向量聚类的方法揭示当代欧
亚和美国土著人群的迁移过程和史前历史。随后他
[45]
们 联合分析了欧亚大陆共同民族的单倍群遗传数
据和民间音乐数据的相关性，发现单倍群 - 统一轮廓
类型（haplogroup-unified contour type ，Hg-UCT）的逆
向量决定的多维点系统具有非常清晰的结构，证明了
民间音乐的传播可能与早期人类迁移过程有关。
1.6 死亡时间推断
死亡时间是指从人体死亡到尸体检验所经历的
时间。法医对死亡时间的精准推断，有助于判断嫌疑
人是否有作案时间，为案件的侦查提供线索。传统的
技术手段包括形态学、生物化学、光谱学、代谢组学、
脂质组学、基因组学、转录组学、昆虫学以及死亡微生
[46]
物组学等 。
2019 年，LI 等 通过显微红外技术结合机器学习
[47]
方法研究人类死后软骨光谱学变化，建立了死亡时间
推 断 模 型 ，推 动 了 光 谱 成 像 技 术 结 合 多 元 数 据 分 析
（multivariate data analyses）在 死 亡 时 间 推 断 上 的 应
用发展。 2018 年，ZHANG 等 采用傅里叶变换衰减 [48]
全反射红外光谱法分析尸体的玻璃体液，并引入先进
的机器学习算法，建立了贝叶斯岭回归、支持向量回
归和人工神经网络模型进行死亡时间推断。
已有研究[49-51]表明，在尸体腐败过程中，尸体和附
近 土 壤 中 的 微 生 物 群 落 能 够 形 成 一 个 动 态 系 统 ，因
此可以通过检测尸体附近的土壤微生物估计死亡
时间。 METCALF 等 分别对尸体附近土壤进行 16S
[52]
rRNA 基因（古菌和细菌群落）、18S rRNA 基因（微生
物真核生物群落）测序，提取尸体分解过程相关的微
生物多样性表征，并使用随机森林回归以及动态贝叶
斯网络探究微生物演替在不同土壤类型、季节和寄主
物种中的可预测性。 JOHNSON 等 使用 7 种回归算
法对尸体鼻道和耳道中的皮肤微生物群落进行分析，
最终开发了一个 K 近邻回归模型评估死亡时间。
利用犯罪现场尸体上昆虫的发育或演替规律来推
断死亡时间是法医昆虫学家们研究的重点。 MOORE
等 先用气相色谱 - 质谱联用技术分析了丽蝇幼虫表
[54]
皮碳氢化合物，根据其化学成分随时间的变化构建了
基于人工神经网络的丽蝇幼虫年龄推断模型，随后用
同样的方法构建了丽蝇成虫年龄推断模型 [55]，为精准
Journal of Forensic Medicine, February 2020, Vol.36, No.1
死亡时间推断提供了新方法。
1.7 损伤以及死亡原因鉴定
REN 等 [56] 应用基质辅助激光解吸电离飞行时间
成像质谱技术筛选正常大鼠与弥散性轴索损伤大鼠
脑干组织的差异表达蛋白，构建了监督神经网络分类
器，为弥散性轴索损伤的鉴定提供了依据。 WEI 等 [57]
基于猪颅骨骨折样本开发了一种自动化的模式识别分
类方法，用以区分不同场景下的颅骨骨折模式，为法
医学鉴定区分婴幼儿意外和虐待性头部创伤提供了
新 思 路 。 YILMAZ 等 [58] 以 10 个 尸 体 检 验 相 关 参 数 为
基础构建了可以判断活产还是死产的人工神经网络
和径向基函数网络模型。这些研究均表明了人工智能
在法医损伤鉴定及尸体检验死亡原因鉴定中的应用
前景。另一方面，运用文本分类技术对尸体检验后生
成的法医纯文本尸体检验报告分类，提取特征向量构
建自动化死亡原因预测模型，有效缩短了尸体检验后
死亡原因判定的时间，提高了预测准确度。MUJTABA
等 [59] 运用 6 种不同的自动文本分类技术分析 43 个从
尸体检验记录中提取的主特征向量，构建了一个基于
尸体检验记录的死亡原因预测分类模型。随后该团
队 [60] 开发了一种基于概念图的文档表示技术，并提取
医学临床术语概念特征，通过图形表示后使用这些特
性来训练一个两级文本分类器预测死亡方式及死亡
原因。
随着法医影像学技术的发展，利用医学成像技术
和计算机软件程序进行虚拟解剖，通过无创的手段查
找尸体体内损伤与疾病，已成为死亡原因推断的重要
手段。 EBERT 等 [61-62] 开发了一种基于死后尸体计算
机断层扫描的穿刺针自动放置系统，通过计算机断层
扫描引导，用机器人手臂实现尸体穿刺针放置的自动
化，提取组织和液体样本进行组织学和毒理学分析。
但是该系统在处理多处穿刺等复杂情况时难以找到
能够避开与尸体解剖结构以及已经放置的针的最佳
进针点。为了解决这个问题，他们在 2016 年开发了
一种新的算法 [63]，可以自动为给定的目标置针点规划
有效、无碰撞的进针轨迹用于引导机器人自动置针。
[53]
受深度学习在医学图像分析中应用的启发，2017 年，
EBERT 等 [64] 用死后尸体计算机断层扫描图像训练了
两个独立的深度学习网络用以判断心包有无积血以
及心包积血的含量，证明了应用深度学习自动检测出
血性心包积液的可行性。
1.8 毒物分析
ELIAERTS 等 [65] 开发了一个用超几何分布抽样结
合傅里叶变换红外光谱和支持向量机算法的工具，
用于采样并快速分析可卡因和左旋咪唑，帮助执法部
法 医 学 杂 志 2020 年 2月
门快速缉获可卡因。同年，MOLLERUP 等 [66] 利用人工
神经网络建立了液相色谱-高分辨精确质谱联用技术
的 识 别 参 数 预 测 模 型 ，可 以 支 持 毒 物 的 初 步 筛 查 。
2019 年，WENDT 等[67]以阿片类镇痛药曲马多为模型药
物，以接受过曲马多暴露的芬兰人尸体检验采集的血
液为样本集，采用监督机器学习分类算法通过识别和
评估 CYP2D6 基因座中的单核苷酸变异实现 CYP2D6
代谢表型的自动分类，从而在法医学中帮助调查死亡
原因和死亡方式。
1.9 其他
MIGUEL-HURTADO 等 [68] 用 21 种 常 用 的 机 器 学
习分类器通过手部的特征预测性别、身高、体质量以
及足部尺寸 4 种生物特征，加速了自动化的生物特征
HEINRICH 等
识别技术在法医学个体识别中的应用；
开发了基于计算机视觉的多算法软件工具，对尸体生
前和死后的口腔全景 X 线片进行分析比对，依据牙齿
特征实现个体识别。 TACKMANN 等 分析了 5 个人
体部位和土壤样本的测序数据，训练了一个具有人体
部位分类性能的随机森林模型，并报道了一组核心生
物标志物，首次用人工智能进行了人体部位特异性微
生物生物标志物鉴定。DENG 等 基于不同个体具有
不同心电波形的时间关系和形状，利用动态神经学习
机制开发了一种心电动态识别模型用于个体识别。
此外，应用人工智能技术进行交通事故鉴定
法医土壤生物地理模式分析 、烧焦骨头的最高加热
温度估算 [75]，利用质子核磁共振波谱结合支持向量机
进行血液种属鉴定 ，于遗传算法等人工智能进行血[76]
[77]
迹模式分析 以及结构磁共振成像结合机器学习算
法对青少年罪犯进行心理病态特征分析及预测 [78] 均
为法医案件调查提供了新的科学技术方法。
2 挑战与展望
以上国内外研究表明，人工智能的计算机视觉、
语音识别、自然语言处理等各个技术在法医学个体表
型特征推断、遗传背景研究、DNA 图谱分析、个体识
别、死亡时间推断、死亡原因鉴定、虚拟解剖、活体损
伤鉴定以及毒物分析等多个方面均有着广泛的应用
前景。
机器学习是实现人工智能技术的主要途径和重
[79]
要手段 。在早期研究报道中，人工智能技术的实现
主要围绕线性回归、逻辑回归、决策树学习、贝叶斯网
络、K 近邻法、支持向量机等传统的机器学习算法的
运用展开。深度学习走进人们的视野后 ，由于在图
像识别方面具有独特优势而被广泛应用到人脸识别、
DNA 电泳图谱分析以及基于 X 线片、CT 片的个体表
第 36 卷 第1期 · 81 ·
型特征推断、个体识别。此外，深度学习比传统的浅
层机器学习算法拥有更多的处理层，更适用于需要提
取特征的大数据集挖掘 [10，80-82]。由此可见，用深度学
习取代浅层机器学习识别图像、用自动学习提取层次
化特征取代依靠人工经验提取样本表层特征已经成
为当下大数据时代中人工智能的发展趋势。
法医学领域中，虽然现在人工智能的应用研究已
经有了突飞猛进的发展，但其研究成果是否可以推广
到法医的实际应用，除了新技术带来的伦理等方面的
挑战以外，还有许多问题亟待解决。第一，选择适当
的算法是运用人工智能有效解决问题的前提。一方
面，先进的机器学习算法（如深度学习）有助于人工智
能的实现，法医学研究者还需努力学习、探索更先进
[69]
的人工智能技术，将其融通到法医学领域中；另一方
面，在解决一些简单问题中，传统机器学习算法的快
速、简便等优势不可忽视。解决实际问题时，应先考
[70]
虑想要解决什么问题，选择适应的算法构建人工智能
模型。第二，初始训练的数据集足够大、具有代表性
是人工智能算法有效性的保证。上述研究多为人工
智能模型的探索性研究，虽然可以实现相应的广义模
[71]
型，但样本量是否足以支持模型的可泛化，在此问题
上仍存在争议。第三，应用机器学习算法创建预测模
型时需要可测量的特性或观察到的现象作为特征向
[72-73]
、 量，选择的特征向量过多或过少，均会导致生成的模
[74]
型无法泛化 [74]。第四，随着分子生物学分析方法的发
展，分析平台类型也逐渐多样化，如何消除平台效应
成为另一个挑战。无论是将 z-score 转换作为标准化
来排除平台效应 [22]，还是引入新的变量来表示平台类
型 [83]，都为解决上述问题提供了思路。第五，人工智
能作为新技术，其在法医学领域的应用标准仍缺乏统
一化、规范化[84-87]。只有制定完善的法医学专业标准，
才能消除人工智能可否作为法庭证据的争议。第六，
如何应用人工智能解决复杂亲缘关系鉴定、组织体液
来源精准溯源以及活体损伤时间鉴定、伤病因果关系
判定等疑难问题还有待探索。
人工智能可以帮助法医学鉴定工作者从庞大复
杂的数据中挖掘出更深层的规律和有用的信息，使数
据发挥最大化的价值。基于人工智能和自动化信息
技术的特征识别技术为法医学提供了方便、准确和可
重复的方法，如何应用三维模型、医学成像技术等方
法，使用人工智能实现以非侵入性的方式对人群和人
群之间的长期变化进行研究的虚拟人类学、法医 DNA
[80]
分析、虚拟解剖、毒物分析以及智能自动模式识别系
统等，国内外法医学者已经做出了很多的尝试，但是
想要进一步将人工智能的优势融入法医学实践工作
· 82 ·
中，真正实现法医学专家和人工智能协同工作的“人
工智能+法医学”，还需要更多的努力。
参考文献：
[1] RAMESH A N，KAMBHAMPATI C，MONSON J
R， et al. Artificial intelligence in medicine[J]. Ann
R Coll Surg Engl，2004，86（5）：334-338. doi：10.1308/
147870804290.
[2] HAMET P，TREMBLAY J. Artificial intelligence in
medicine[J]. Metabolism，2017，69：S36- S40. doi：10.
1016/j.metabol.2017.01.011.
[3] HE J， BAXTER S L， XU J， et al. The practical
implementation of artificial intelligence technologies
in medicine[J]. Nat Med，2019，25（1）：30-36. doi：10.
1038/s41591-018-0307-0.
[4] TOPOL E J. High-performance medicine：The con-
vergence of human and artificial intelligence[J]. Nat
Med，2019，25（1）：44- 56. doi：10.1038/s41591- 018-
0300-7.
[5] LEFEVRE T. Big data in forensic science and medi-
cine[J]. J Forensic Leg Med，2018，57：1-6. doi：10.
1016/j.jflm.2017.08.001.
[6] 何清，李宁，罗文娟，等 . 大数据下的机器学习算法综
述[J]. 模式识别与人工智能，2014（4）：327-336. doi：
10.3969/j.issn.1003-6059.2014.04.007.
HE Q， LI N， LUO W， et al. A Survey of Ma-
chine learning algorithms for big data[J]. Mo Shi
Shi Bie Yu Ren Gong Zhi Neng，2014（4）：327- 336.
[7] PENG C，GAO X，WANG N，et al. Multiple repre-
sentations- based face sketch- photo synthesis[J]. IEEE
Trans Neural Netw Learn Syst，2016，27（11）：2201-
2215. doi：10.1109/TNNLS.2015.2464681.
[8] SAJID M， TAJ I A， BAJWA U I， et al. Facial
asymmetry-based age group estimation：Role in re-
cognizing age- separated face images[J]. J Forensic
Sci，2018，63（6）：1727-1749. doi：10.1111/1556-4029.
13798.
[9] NINO- SANDOVAL T C， GUEVARA P S， GON-
ZALEZ F A，et al. An automatic method for skele-
tal patterns classification using craniomaxillary varia-
bles on a Colombian population[J]. Forensic Sci Int，
2016，261：151- 159. doi：10.1016/j.forsciint.2015.12.
025.
[10] NINO- SANDOVAL T C， GUEVARA P S， GON-
ZALEZ F A， et al. Use of automated learning
techniques for predicting mandibular morphology
in skeletal class Ⅰ ，Ⅱ and Ⅲ [J]. Forensic Sci Int，
2017，281：181- 187. doi：10.1016/j.forsciint.2017.10.
004.
[11] KAUR P，KRISHAN K，SHARMA S K. Develop-
ment of human face literature database using text
mining approach： Phase Ⅰ [J]. J Craniofac Surg，
2018，29（4）：966-969. doi：10.1097/SCS.00000000000
04583.
[12] WANG Y H，LIU T A，WEI H，et al. Automated
Journal of Forensic Medicine, February 2020, Vol.36, No.1
classification of epiphyses in the distal radius and
ulna using a support vector machine[J]. J Forensic
Sci，2016，61（2）：409- 414. doi：10.1111/1556- 4029.
13006.
[13] ZHANG K， FAN F， TU M， et al. The role of
multislice computed tomography of the costal carti-
lage in adult age estimation[J]. Int J Legal Med，
2018，132（3）：791- 798. doi：10.1007/s00414- 017-
1646-y.
[14] SPAMPINATO C，PALAZZO S，GIORDANO D，et
al. Deep learning for automated skeletal bone age
assessment in X- ray images[J]. Med Image Anal，
2017，36：41-51. doi：10.1016/j.media.2016.10.010.
[15] LEE H，TAJMIR S，LEE J，et al. Fully automated
deep learning system for bone age assessment[J]. J
Digit Imaging，2017，30（4）：427- 441. doi：10.1007/
s10278-017-9955-8.
[16] NAVEGA D， COELHO J D， CUNHA E， et al.
DXAGE：A new method for age at death estimation
based on femoral bone mineral density and artifi-
cial neural networks[J]. J Forensic Sci，2018，63（2）：
497-503. doi：10.1111/1556-4029.13582.
[17] de TOBEL J，RADESH P，VANDERMEULEN D，
et al. An automated technique to stage lower third
molar development on panoramic radiographs for
age estimation：A pilot study[J]. J Forensic Odon-
tostomatol，2017，2（35）：42-54.
[18] STEPANOVSKY M， IBROVA 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]. Foren-
sic Sci Int，2017，279：72-82. doi：10.1016/j.forsciint.
2017.08.005.
[19] 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.
[20] NAUE J，HOEFSLOOT H，MOOK O，et al. Chrono-
logical age prediction based on DNA methylation：
Massive parallel sequencing and random forest re-
gression[J]. Forensic Sci Int Genet，2017，31：19-28.
doi：10.1016/j.fsigen.2017.07.015.
[21] VIDAKI A，BALLARD D，ALIFERI A，et al. DNA
methylation-based forensic age prediction using arti-
ficial neural networks and next generation sequen-
cing[J]. Forensic Sci Int Genet，2017，28：225- 236.
doi：10.1016/j.fsigen.2017.02.009.
[22] FENG L， PENG F， LI S， et al. Systematic fea-
ture selection improves accuracy of methylation-based
forensic age estimation in Han Chinese males[J].
Forensic Sci Int Genet，2018，35：38-45. doi：10.1016/
j.fsigen.2018.03.009.
[23] ALIFERI A，BALLARD D，GALLIDABINO M D，
et al. DNA methylation- based age prediction using
massively parallel sequencing data and multiple ma-
法 医 学 杂 志 2020 年 2月 第 36 卷 第1期
chine learning models[J]. Forensic Sci Int Genet，
2018，37：215-226. doi：10.1016/j.fsigen.2018.09.003.
[24] SPOLNICKA M， POSPIECH E， PEPLONSKA B，
et al. DNA methylation in ELOVL2 and C1orf132
correctly predicted chronological age of individuals
from three disease groups[J]. Int J Legal Med，2018，
132（1）：1-11. doi：10.1007/s00414-017-1636-0.
[25] KRISHAN K，CHATTERJEE P M，KANCHAN T，
et al. A review of sex estimation techniques during
examination of skeletal remains in forensic anthro-
pology casework[J]. Forensic Sci Int，2016，261：161-
165. doi：10.1016/j.forsciint.2016.02.007.
[26] MUSILOVA B，DUPEJ J，VELEMINSKA J， et al.
Exocranial surfaces for sex assessment of the hu-
man cranium[J]. Forensic Sci Int，2016，269：70- 77.
doi：10.1016/j.forsciint.2016.11.006.
[27] BEJDOVA S，DUPEJ J，KRAJICEK V，et al. Sta-
bility of upper face sexual dimorphism in central
European populations （Czech Republic） during the
modern age[J]. Int J Legal Med，2018，132（1）：321-
330. doi：10.1007/s00414-017-1625-3.
[28] GAO H，GENG G，YANG W. Sex determination of
3D skull based on a novel unsupervised learning
method[J]. Comput Math Methods Med，2018，2018：
4567267. doi：10.1155/2018/4567267.
[29] CAVALLI F， LUSNIG L， TRENTIN E. Use of
pattern recognition and neural networks for non-
metric sex diagnosis from lateral shape of calvarium：
An innovative model for computer- aided diagnosis
in forensic and physical anthropology[J]. Int J Le-
gal Med，2017，131（3）：823-833. doi：10.1007/s00414-
016-1439-8.
[30] TOSI L L， BOYAN B D， BOSKEY A L. Does
sex matter in musculoskeletal health? A workshop
report[J]. Orthop Clin North Am，2006，37（4）：523-
529. doi：10.1016/j.ocl.2006.09.011.
[31] KOTEROVA A，VELEMINSKA J，DUPEJ J，et al.
Disregarding population specificity：Its influence on
the sex assessment methods from the tibia[J]. Int
J Legal Med，2017，131（1）：251- 261. doi：10.1007/
s00414-016-1413-5.
[32] TAYLOR D，POWERS D. Teaching artificial intel-
ligence to read electropherograms[J]. Forensic Sci Int
Genet，2016，25：10- 18. doi：10.1016/j.fsigen.2016.07.
013.
[33] TAYLOR D，HARRISON A，POWERS D. An arti-
ficial neural network system to identify alleles in
reference electropherograms[J]. Forensic Sci Int Ge-
net，2017，30：114- 126. doi：10.1016/j.fsigen.2017.07.
002.
[34] TAYLOR D，KITSELAAR M，POWERS D. The ge-
neralisability of artificial neural networks used to
classify electrophoretic data produced under different
conditions[J]. Forensic Sci Int Genet，2019，38：181-
184. doi：10.1016/j.fsigen.2018.10.019.
· 83 ·
[35] MARCIANO M A， WILLIAMSON V R， ADEL-
MAN J D. A hybrid approach to increase the in-
formedness of CE- based data using locus- specific
thresholding and machine learning[J]. Forensic Sci
Int Genet，2018，35：26-37. doi：10.1016/j.fsigen.2018.
03.017.
[36] HANED H，PENE L，LOBRY J R，et al. Estima-
ting the number of contributors to forensic DNA
mixtures： Does maximum likelihood perform better
than maximum allele count?[J]. J Forensic Sci，2011，
56（1）：23-28. doi：10.1111/j.1556-4029.2010.01550.x.
[37] HANED H，PENE L，SAUVAGE F，et al. The pre-
dictive value of the maximum likelihood estimator of
the number of contributors to a DNA mixture[J].
Forensic Sci Int Genet，2011，5（4）：281-284. doi：10.
1016/j.fsigen.2010.04.005.
[38] TAYLOR D，BRIGHT J A，BUCKLETON J. Inter-
preting forensic DNA profiling evidence without spe-
cifying the number of contributors[J]. Forensic Sci
Int Genet，2014，13：269- 280. doi：10.1016/j.fsigen.
2014.08.014.
[39] SWAMINATHAN H， GRGICAK C M， MEDARD
M， et al. NOCIt：A computational method to infer
the number of contributors to DNA samples ana-
lyzed by STR genotyping[J]. Forensic Sci Int Genet，
2015，16：172-180. doi：10.1016/j.fsigen.2014.11.010.
[40] MARCIANO M A，ADELMAN J D. PACE：Proba-
bilistic assessment for contributor estimation- a ma-
chine learning- based assessment of the number of
contributors in DNA mixtures[J]. Forensic Sci Int
Genet，2017，27：82- 91. doi：10.1016/j.fsigen.2016.11.
006.
[41] MONSALVE T，HEFNER J T. Macromorphoscopic
trait expression in a cranial sample from Medellin，
Colombia[J]. Forensic Sci Int，2016，266：571- 574.
doi：10.1016/j.forsciint.2016.07.014.
[42] POSPIECH E， KARLOWSKA- PIK J， ZIEMKIE-
WICZ B， et al. Further evidence for population
specific differences in the effect of DNA markers
and gender on eye colour prediction in forensics[J].
Int J Legal Med，2016，130（4）：923-934. doi：10.1007/
s00414-016-1388-2.
[43] WALSH S， LIU F， BALLANTYNE K N， et al.
IrisPlex：A sensitive DNA tool for accurate predic-
tion of blue and brown eye colour in the absence
of ancestry information[J]. Forensic Sci Int Genet，
2011， 5（3）： 170-180. doi：10.1016/j.fsigen.2010.02.004.
[44] JUHÁSZ Z，DUDÁS E，PAMJAV H. A new self-
learning computational method for footprints of ear-
ly human migration processes[J]. Mol Genet Ge-
nomics， 2018， 293（6）： 1579-1594. doi： 10.1007/s00438-
018-1469-7.
[45] JUHÁSZ Z， DUDÁS E，VÁGÓ-ZALÁN A， et al.
A simultaneous search for footprints of early human
migration processes using the genetic and folk mu-
· 84 ·
sic data in Eurasia[J]. Mol Genet Genomics，2019，
294（4）：941-962. doi：10.1007/s00438-019-01539-x.
[46] 王琪，林汉成，徐纪茹，等 . 死亡时间推断最新研究与
展望[J]. 法医学杂志，2018，34（5）：459-467. doi：10.
12116/j.issn.1004-5619.2018.05.002.
WANG Q，LIN H，XU J，et al. Current research
and prospects on postmortem interval estimation[J].
Fa Yi Xue Za Zhi，2018，34（5）：459-467.
[47] LI Z， HUANG J，WANG Z， et al. An investiga-
tion on annular cartilage samples for post- mortem
interval estimation using Fourier transform infrared
spectroscopy[J]. Forensic Sci Med Pathol，2019：1- 7.
doi：10.1007/s12024-019-00146-x.
[48] ZHANG J，WEI X， HUANG J， et al. Attenuated
total reflectance Fourier transform infrared （ATR-
FTIR） spectral prediction of postmortem interval
from vitreous humor samples[J]. Anal Bioanal Chem，
2018，410（29）：7611-7620. doi：10.1007/s00216-018-
1367-1.
[49] COBAUGH K L，SCHAEFFER S M，DEBRUYN
J M. Functional and structural succession of soil
microbial communities below decomposing human
cadavers[J]. PLoS One，2015，10（6）：e130201. doi：10.
1371/journal.pone.0130201.
[50] FINLEY S J，PECHAL J L，BENBOW M E，et al.
Microbial signatures of cadaver gravesoil during de-
composition[J]. Microb Ecol，2016，71（3）：524- 529.
doi：10.1007/s00248-015-0725-1.
[51] HAUTHER K A，COBAUGH K L， JANTZ L M，
et al. Estimating time since death from postmortem
human gut microbial communities[J]. J Forensic Sci，
2015，60（5）：1234-1240. doi：10.1111/1556-4029.12828.
[52] METCALF J L，XU Z Z，WEISS S，et al. Microbial
community assembly and metabolic function during
mammalian corpse decomposition[J]. Science，2016，
351（6269）：158-162. doi：10.1126/science.aad2646.
[53] JOHNSON H R，TRINIDAD D D，GUZMAN S，
et al. A machine learning approach for using the
postmortem skin microbiome to estimate the post-
mortem interval[J]. PLoS One，2016，11（12）：e167370.
doi：10.1371/journal.pone.0167370.
[54] MOORE H E， BUTCHER J B，ADAM C D， et
al. Age estimation of Calliphora（Diptera：Calliphori-
dae） larvae using cuticular hydrocarbon analysis and
Artificial Neural Networks[J]. Forensic Sci Int，2016，
268：81-91. doi：10.1016/j.forsciint.2016.09.012.
[55] MOORE H E，BUTCHER J B，DAY C R，et al.
Adult fly age estimations using cuticular hydrocar-
bons and Artificial Neural Networks in forensically
important Calliphoridae species[J]. Forensic Sci Int，
2017，280：233- 244. doi：10.1016/j.forsciint.2017.10.
001.
[56] REN G，ZOU D，HUANG P，et al. Identifying dif-
fuse axonal injury by matrix- assisted laser desorp-
tion/ionization time- of- flight： A new method for
Journal of Forensic Medicine, February 2020, Vol.36, No.1
pathological observation[J]. Am J Forensic Med Pa-
thol，2016，37（4）：279-283. doi：10.1097/PAF.0000000
000000275.
[57] WEI F，BUCAK S S，VOLLNER J M，et al. Clas-
sification of porcine cranial fracture patterns using
a fracture printing interface[J]. J Forensic Sci，2017，
62（1）：30-38. doi：10.1111/1556-4029.13231.
[58] YILMAZ R，ERKAYMAZ O，KARA E，et al. Use
of autopsy to determine live or stillbirth：New ap-
proaches in decision- support systems[J]. J Forensic
Sci，2017，62（2）：468- 472. doi：10.1111/1556- 4029.
13277.
[59] MUJTABA G，SHUIB L，RAJ R G，et al. Predic-
tion of cause of death from forensic autopsy reports
using text classification techniques： A comparative
study[J]. J Forensic Leg Med，2018，57：41-50. doi：
10.1016/j.jflm.2017.07.001.
[60] MUJTABA G，SHUIB L，RAJ R G，et al. Classi-
fication of forensic autopsy reports through concep-
tual graph- based document representation model[J].
J Biomed Inform，2018，82：88-105. doi：10.1016/j.jbi.
2018.04.013.
[61] EBERT L C，PTACEK W，NAETHER S，et al. Vir-
tobot--a multi-functional robotic system for 3D sur-
face scanning and automatic post mortem biopsy[J].
Int J Med Robot，2010，6（1）：18-27. doi：10.1002/rcs.
285.
[62] EBERT L C，PTACEK W， BREITBECK R， et al.
Virtobot 2.0：The future of automated surface doc-
umentation and CT- guided needle placement in fo-
rensic medicine[J]. Forensic Sci Med Pathol，2014，
10（2）：179-186. doi：10.1007/s12024-013-9520-9.
[63] EBERT L C，FURST M，PTACEK W，et al. Au-
tomatic entry point planning for robotic post- mor-
tem CT-based needle placement[J]. Forensic Sci Med
Pathol，2016，12（3）：336- 342. doi：10.1007/s12024-
016-9798-5.
[64] EBERT L C，HEIMER J，SCHWEITZER W，et al.
Automatic detection of hemorrhagic pericardial effu-
sion on PMCT using deep learning - a feasibility
study[J]. Forensic Sci Med Pathol，2017，13（4）：426-
431. doi：10.1007/s12024-017-9906-1.
[65] ELIAERTS J， MEERT N，Van DURME F， et al.
Practical tool for sampling and fast analysis of large
cocaine seizures[J]. Drug Test Anal，2018，10（6）：
1039-1042. doi：10.1002/dta.2364.
[66] MOLLERUP C B，MARDAL M， DALSGAARD P
W， et al. Prediction of collision cross section and
retention time for broad scope screening in gradient
reversed- phase liquid chromatography- ion mobility-
high resolution accurate mass spectrometry[J]. J Chro-
matogr A，2018，1542：82- 88. doi：10.1016/j.chroma.
2018.02.025.
[67] WENDT F R，NOVROSKI N，RAHIKAINEN A L，
et al. Supervised classification of CYP2D6 genotype
法 医 学 杂 志 2020 年 2月 第 36 卷 第1期
and metabolizer phenotype with postmortem tramadol-
exposed finns[J]. Am J Forensic Med Pathol，2019，
40（1）：8-18. doi：10.1097/PAF.0000000000000447.
[68] MIGUEL- HURTADO O，GUEST R，STEVENAGE
S V，et al. Comparing machine learning classifiers
and linear/logistic regression to explore the relation-
ship between hand dimensions and demographic cha-
racteristics[J]. PLoS One，2016，11（11）：e165521. doi：
10.1371/journal.pone.0165521.
[69] HEINRICH A，GUTTLER F，WENDT S，et al. Fo-
rensic odontology： Automatic identification of per-
sons comparing antemortem and postmortem panora-
mic radiographs using computer vision[J]. Rofo，2018，
190（12）：1152-1158. doi：10.1055/a-0632-4744.
[70] TACKMANN J， ARORA N， SCHMIDT T S B，
et al. Ecologically informed microbial biomarkers
and accurate classification of mixed and unmixed
samples in an extensive cross- study of human body
sites[J]. Microbiome，2018，6（1）：192. doi：10.1186/
s40168-018-0565-6.
[71] DENG M，WANG C，TANG M，et al. Extracting
cardiac dynamics within ECG signal for human iden-
tification and cardiovascular diseases classification[J].
Neural Netw，2018，100：70-83. doi：10.1016/j.neunet.
2018.01.009.
[72] HAN I. Analysis of vehicle collision accidents based
on qualitative mechanics[J]. Forensic Sci Int，2018，
291：53-61. doi：10.1016/j.forsciint.2018.08.004.
[73] CAN Y A，ACI C，AYDIN K. Traffic accident re-
construction and an approach for prediction of fault
rates using artificial neural networks：A case study
in Turkey[J]. Traffic Inj Prev，2016，17（6）：585-589.
doi：10.1080/15389588.2015.1122760.
[74] DAMASO N， MENDEL J， MENDOZA M， et al.
Bioinformatics approach to assess the biogeographi-
cal patterns of soil communities：The utility for soil
provenance[J]. J Forensic Sci，2018，63（4）：1033-1042.
doi： 10.1111/1556-4029.13741.
[75] WARMLANDER S，VARUL L，KOSKINEN J， et
al. Estimating the temperature of heat- exposed bone
via machine learning analysis of sci color values：
A pilot study[J]. J Forensic Sci，2019，64（1）：190-
195. doi：10.1111/1556-4029.13858.
[76] ZAILER E， DIEHL B W， MONAKHOVA Y B.
Blood species discrimination using proton nuclear
magnetic resonance spectroscopy[J]. Int J Legal Med，
2017，131（3）：723- 729. doi：10.1007/s00414- 016-
1500-7.
[77] VITIELLO A，Di NUNZIO C，GAROFANO L，et
al. Bloodstain pattern analysis as optimisation prob-
lem[J]. Forensic Sci Int，2016，266：e79-e85. doi：10.
1016/j.forsciint.2016.06.022.
[78] STEELE V R， RAO V， CALHOUN V D， et al.
Machine learning of structural magnetic resonance
· 85 ·
imaging predicts psychopathic traits in adolescent
offenders[J]. Neuroimage，2017，145（Pt B）：265-273.
doi：10.1016/j.neuroimage.2015.12.013.
[79] 崔雍浩， 商聪， 陈锶奇， 等 . 人工智能综述： AI 的发展[J].
无线电通信技术，2019，45（3）：225-231.
CUI Y，SHANG C，CHEN S，et al. AI overview：
The development of AI[J]. Wu Xian Dian Tong
Xin Ji Shu，2019，45（3）：225-231.
[80] 胡婷鸿，万雷，刘太昂，等 . 深度学习在图像识别及骨
龄评估中的优势及应用前景[J]. 法医学杂志，2017，
33（6）：629- 634，639. doi：10.3969/j.issn.1004- 5619.
2017.06.013.
HU T， WAN L， LIU T， et al. Advantages and
application prospects of deep learning in image re-
cognition and bone age assessment[J]. Fa Yi Xue
Za Zhi，2017，33（6）：629-634，639.
[81] BEWES J，LOW A，MORPHETT A，et al. Artifi-
cial intelligence for sex determination of skeletal re-
mains：Application of a deep learning artificial neu-
ral network to human skulls[J]. J Forensic Leg Med，
2019，62：40-43. doi：10.1016/j.jflm.2019.01.004.
[82] 胡婷鸿，火忠，刘太昂，等 . 基于深度学习实现维吾尔
族青少年左手腕关节骨龄自动化评估[J]. 法医学杂志，
2018，34（1）：27- 32. doi：10.3969/j.issn.1004- 5619.
2018.01.006.
HU T，HUO Z，LIU T，et al. Automated Assess-
ment for Bone Age of Left Wrist Joint in Uyghur
Teenagers by Deep Learning[J]. Fa Yi Xue Za Zhi，
2018，34（1）：27-32.
[83] HONG S R，SHIN K J，JUNG S E，et al. Plat-
form- independent models for age prediction using
DNA methylation data[J]. Forensic Sci Int Genet，
2019，38：39-47. doi：10.1016/j.fsigen.2018.10.005.
[84] DAMAS S，WILKINSON C， KAHANA T， et al.
Study on the performance of different craniofacial
superimposition approaches （ Ⅱ ）： Best practices
proposal[J]. Forensic Sci Int，2015，257：504-508. doi：
10.1016/j.forsciint.2015.07.045.
[85] IBANEZ O ， VICENTE R ， NAVEGA D ， et al.
MEPROCS framework for craniofacial superimposi-
tion：Validation study[J]. Leg Med （Tokyo），2016，
23：99-108. doi：10.1016/j.legalmed.2016.10.007.
[86] IBANEZ O， VALSECCHI A， CAVALLI F， et al.
Study on the criteria for assessing skull-face corre-
spondence in craniofacial superimposition[J]. Leg
Med（Tokyo）， 2016， 23：59-70. doi：10.1016/j.legalmed.
2016.09.009.
[87] GORDON G M，STEYN M. An investigation into
the accuracy and reliability of skull-photo superim-
position in a South African sample[J]. Forensic Sci
Int，2012，216（1/2/3）：191-198. doi：10.1016/j.forsciint.
2011.09.008.
（收稿日期：2019-05-23）
（本文编辑：黄平）