基于人工智能硅藻自動化識別系統的實際案例應用

周圓圓，曹永杰，楊越，王亞麗，鄧愷飛，馬開軍，陳憶九，秦志強，張建華，黃平，張吉，陳麗琴

（1.內蒙古醫科大學法醫學教研室，內蒙古 呼和浩特 010030；2.司法鑒定科學研究院 上海市法醫學重點實驗室 司法部司法鑒定重點實驗室 上海市司法鑒定專業技術服務平臺，上海 200063；3.南京醫科大學法醫學教研室，江蘇 南京 210000；4.上海市刑事科學技術研究院，上海 200083）

在法醫病理學鑒定實踐中，硅藻檢驗是鑒定溺死的重要手段之一。通過對尸體進行硅藻檢驗，結合案情的調查，可對疑似溺死者的死亡原因作出判斷，對硅藻的種屬研究甚至能夠推斷死者的溺亡地點[1]。硅藻檢驗方法有很多，傳統方法包括化學消化法[2]、DNA測序[3]等，近年來又在這些方法的基礎上研發出其他新方法，例如微波消解-掃描電鏡法[4]等。其中強酸消化法因操作簡單、試劑配制方便，是基層法醫實驗室中最常用的硅藻檢驗方法。

在基于強酸消化的傳統觀察方法中，計數需要有專業基礎和經驗的法醫在光鏡或電鏡下肉眼觀察，這一過程不僅耗時費力，且容易漏檢較小的硅藻。因此，將人工智能方法結合數字化病理圖像技術應用于法醫病理學領域實現硅藻的自動化識別，以使硅藻檢驗定性定量分析過程更加智能，檢驗結果更加準確和客觀，有利于提升檢案效能。

本研究將硝酸破機法聯合人工智能硅藻自動化識別系統應用于實際案例的硅藻檢驗，并對實驗結果進行分析，探討該方法可能面臨的問題，為日后人工智能硅藻自動化識別系統的應用提供一定參考。

1 材料與方法

1.1 案例收集和準備

收集10例案例的內部器官，男性6例、女性4例，其中9例是溺死案例，1例是非溺死案例。2例解剖案例包含肺、肝和腎組織，2例送檢案例包含肺和腎組織，另6例送檢案例只有肺組織。以上器官與組織均來源于司法鑒定科學研究院，本實驗已通過司法鑒定科學研究院倫理委員會批準。

組織樣本處理：每個器官均取材20g，加入30mL分析純硝酸和1 mL無水乙醇，在60℃的恒溫磁力攪拌器（上海梅穎浦儀器儀表制造有限公司）上消化至液體澄清無大顆粒雜質。取10mL澄清消化液，以3 000×g離心5 min，棄去上清液，將沉淀混勻后在載玻片上涂片。

水樣本處理：取10 mL水樣（均為送檢單位提供的現場水樣）以3000×g離心5min，棄去上清液，沉淀混勻后制成水樣涂片。

將器官涂片和水樣涂片均使用Aperio AT2切片掃描儀（德國Leica Biosystems公司）掃描成400倍的數字化病理圖像，使用人工智能硅藻自動化識別系統進行檢測。

1.2 人工智能硅藻自動化識別系統

深度學習是近年來機器學習及人工智能領域新的研究熱點，通過模擬人腦神經元結構對數據進行特征提取，從而實現圖像識別等功能[5]。其中，卷積神經網絡（convolutional neural network，CNN）就是一種常用于圖像識別的深度學習算法[6]。目前，深度學習構架已經被證實在數字化病理圖像中疾病程度的自動分類方面具有非常大的應用價值[7]?；谶@些技術，本研究院團隊自行開發了一套適用于法醫硅藻檢驗的自動化識別系統。

該系統主要由數字化病理圖像預處理模塊、識別模塊和結果展示模塊組成（圖1）。其中，數字化病理圖像預處理模塊包括圖片切割和圖片均值化處理。識別模塊中涉及的模型為GoogLeNet深度學習模型。前期研究[8]結果顯示，該模型在硅藻識別方面準確率可達到97.67%，其通過逐區域掃描切片，自動提取包含硅藻信息的區片。結果展示模塊是根據對提取法醫實際檢案中有效的輔助信息所設計的，主要可實現的功能有硅藻計數、硅藻圖片的截取等。

圖1 人工智能硅藻自動化識別系統的操作示意圖Fig.1 The operation diagram of artificial intelligence automatic diatom identification system

由于強烈的消化反應會產生硅藻碎片，影響計數結果，因此制定了硅藻計數規則，以保證計數的可靠性。此規則以硅藻面積為標準，面積大于50%的硅藻計數為1個，小于50%的硅藻則不計數。

1.3 實驗平臺與評價指標

該系統的硬件配置為：Inter Core i7-8700K@3.70 GHz，六核CPU，NVIDIA TITAN Xp 12 GB獨立顯卡，8GB內存，Ubuntu 16.04操作系統，基于Python語言的PyCharm開發工具。

模型評價指標使用查準率（precision），并引入受試者操作特征（receiver operator characteristic，ROC）曲線和混淆矩陣，以便更直觀且全面地對該系統的性能進行驗證。查準率是模型預測出真陽性的數量占所預測出陽性的總體數量的比例，代表了該模型對陽性結果的預測準確程度。ROC曲線以假陽性率（false positive rate，FPR）為橫坐標、真陽性率（true positive rate，TPR）為縱坐標，曲線下面積（area under the curve，AUC）取值為0～1，值越接近1，說明該模型的性能越好。各類指標的計算公式如下：

上述公式中，TP代表真陽性，即專家（3位具有5年以上硅藻檢驗工作經驗的法醫，其中2位進行初檢，1位進行復檢）標識為硅藻、模型識別為硅藻的個數；FP代表假陽性，即專家標識為非硅藻、模型識別為硅藻的個數；FN代表假陰性，即專家標識為硅藻、模型識別為非硅藻的個數；TN代表真陰性，即專家標識為非硅藻、模型識別為非硅藻的個數。

2 結 果

該人工智能硅藻自動化識別系統所搭載的深度學習模型的ROC曲線見圖2，其AUC值達到98.22%，表明該模型在自動化識別硅藻方面具有較好的性能。經本系統識別實際案例中10mL水樣涂片10張，其硅藻檢驗結果均為陽性。肺涂片10張，肝涂片2張，腎涂片4張，共計檢出硅藻6 467個。器官涂片中假陽性結果有528個，由此得出硅藻識別的總體查準率為92.45%（表1）。其中，案件4雖然肺內硅藻只有16個，但在保證無污染的情況下，肝、腎內都檢出1個硅藻，結合相關案情，該結果提示生前溺水；案件10肺內硅藻個數為0，不能確證生前溺水，結合案情調查及尸體檢驗，支持死后拋尸入水。結果表明，該系統靈敏度較高，可以輔助硅藻的檢測識別工作。

圖2 人工智能硅藻自動化識別系統搭載的深度學習模型ROC曲線及AUCFig.2 ROC curve and AUC of the deep learning model based on the artificial intelligence automatic

表1 人工智能硅藻自動化識別系統識別10個實際案例的硅藻數量Tab.1 The number of diatoms in 10 actual cases identified by the artificial intelligence automatic diatom identification system （個）

該人工智能硅藻自動化識別系統的結果展示模塊見圖3。由于計算機識別存在一定的誤差，在這一步需要人工核實后出具結果（人工確認用時約5 min）。如圖所示，真陽性結果標注為紅色圓點，假陽性結果標注為綠色圓點。該模塊結合法醫學鑒定中的實際需求，不但可以直觀地觀察硅藻的分布情況并進行圖片截取，還能夠實現自動化硅藻計數。該系統對像素變化十分敏感，相較于人眼，計算機僅在400倍的光鏡視野下就可以在復雜的背景中發現肉眼不易發現的組織樣本中直徑20 μm左右的微型硅藻及硅藻碎片（圖4）。

圖3 人工智能硅藻自動化識別系統的結果展示模塊Fig.3 The result display module of the artificial intelligence automatic diatom identification system

圖4 人工智能硅藻自動化識別系統識別出的小硅藻及硅藻碎片（×400）Fig.4 The small diatoms and diatoms fragments identified by the artificial intelligence automatic diatom identification system （×400）

3 討 論

硅藻檢驗是法醫診斷溺死較為常用的方法。目前，用于硅藻檢驗的方法較多，但在現有的常用方法中，基于DNA序列的硅藻檢驗因其儀器、試劑較為昂貴，不適用于基層的法醫學實驗室。而基于形態學方法的硅藻檢驗常使用各類試劑進行消解，涂片后鏡下觀察過程耗時費力，且需要具備一定的專業知識和經驗，為法醫工作者帶來一定的挑戰。鑒于此，我們開發了基于人工智能的硅藻自動化識別系統[8]。本研究驗證了該系統在實際檢案中的可行性，為溺死的法醫學鑒定提供支持。

硅藻作為一種微生物藻類，形體極為微小，一般只有十幾微米到幾十微米。在溺死案例中，可以穿過氣血屏障經血液循環到達肝、腎的硅藻更加微小，且消化過程中也會產生硅藻碎片，這些小硅藻及硅藻碎片在光鏡下通過肉眼難以發現，而本研究所使用的卷積神經網絡通過對圖像像素進行特征提取從而訓練出的自動化識別模型，對像素變化的靈敏度極高，在400倍的光鏡視野下就可以發現肉眼不易發現的小硅藻及硅藻碎片。該系統工作效率遠高于經驗豐富的專家[8]，而且針對體積微小的硅藻更具有優勢，不僅提高了硅藻的檢出率和檢案效率，結果也更準確、直觀。

當然，該系統也存在一定的問題。第一，所使用的深度學習構架，其數據量的大小直接會影響訓練模型的性能[5]。小的數據集訓練容易過擬合，需要海量的樣本進行訓練才能達到較好的泛化能力。其二，該系統的識別能力取決于深度學習模型的學習量，即新背景的圖片對系統的識別能力存在影響。針對上述問題，可以在檢案的同時，不斷對現有的硅藻數據庫進行補充與擴建，在現階段最佳模型上繼續進行訓練。

綜上所述，本研究通過自主研發的人工智能硅藻自動化識別系統對10例實際案件中的水中尸體進行硅藻檢驗，證明了該系統在法醫學溺死案件中應用具有可行性。該系統在降低人工干預方面具有獨特的優勢，并可與諸多硅藻前處理方法（如酶消化法、真空過濾等）聯合使用，為未來實現智能化硅藻檢驗奠定了基礎。由于本系統仍處于初步研究階段，目前僅具有自動化識別、計數等少數功能，未來可通過硅藻訓練數據庫的擴充、深度學習算法的優化以及視窗界面的完善等進一步提升該系統的功能。此外，我們將在該硅藻自動化識別系統的基礎上建立更為準確、客觀、高效的硅藻種屬分類模型，從而挖掘深度學習技術在溺水地點推斷中的潛在應用價值。