Os hyoideum'un bilgisayarlı tomografi görüntüleri üzerinden antropometrik ölçümleri ile makine öğrenme algoritmaları kullanılarak cinsiyet tahmini
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Cinsiyet belirleme, adli tıbbın çok önemli konularından biridir. Cinsiyet tahmininde sıkça kullanılan cranium ve pelvis en dimorfik kemik oluşumları olarak öne çıkmakta olup, bu yapıların korunamadığı durumlarda dimorfik özellikler taşıyan farklı iskelet yapılarından faydalanılmaktadır. Bu bağlamda, os hyoideum'un Bilgisayarlı Tomografi (CT) görüntülerinden elde edilen on adet ölçümle cinsiyet tahmini için veriler oluşturuldu. Elde edilen ölçümlerin tamamı, cinsiyetler arasında anlamlı farklılıklar içermektedir (P<0,001). Öncelikle bu on ölçüme dayalı olarak altı farklı ikili lojistik regresyon (LR) hipotezi kurulmuş ve bu hipotezlere göre etkin ölçüm parametreleri belirlenmiştir. Belirlenen etkin parametrelerle, dört ayrı makine öğrenme modeli geliştirilmiştir. Makine öğrenmesi algoritmalarının tahminlerinin doğruluk skoru, LR modeli ile karşılaştırılarak en etkin algoritma tespit edilmiştir. Tüm makine öğrenimi modeli algoritmalarının sonuçları test veri seti bazında değerlendirildiğinde, en yüksek doğruluk skorları %91 ile %93,4 arasında yer almakta; ikili LR modeli ise %90,8 ile %93,1 aralığında doğruluk skorlarına sahip olup, bu sonuçları geçmektedir. Makine öğrenme modellerinin performansları incelendiğinde, os hyoideum üzerinden elde edilen 'Corpus hyoideum eni (GE), Os hyoideum total uzunluk (TU), Os hyoideum total genişlik (TG), Sol cornu majus proksimal uç maksimum yüksekliği (LPCMY)' etkin ölçüm parametreleri kullanılarak K-En Yakın Komşu modeli (KNN) ile test veri seti bazında %93,4 doğruluk skoru ile cinsiyeti tahmin etme becerisinin en yüksek olduğu belirlenmiştir. Bu bulgular, os hyoideum'un cinsiyet belirlemede popülasyonlar arası benzer doğruluk seviyeleri gösterdiğini ve dolayısıyla evrensel bir biyometrik özellik taşıdığını ortaya koymaktadır. Makine öğrenmesi algoritmalarının cinsiyet tahmini çalışmalarında daha kapsamlı bir şekilde kullanılması gerektiği vurgulanmaktadır. Yapay zekâ temelli yaklaşımlar, geleneksel yöntemlere kıyasla daha yüksek doğruluk sonuçları sağlamakta, bu da cinsiyet tahmin süreçlerini hızlandırarak daha doğru sonuçlar elde edilmesini mümkün kılmaktadır. Ayrıca, bu çalışma, Türk popülasyonunda os hyoideum ile cinsiyet tahmininin yüksek doğrulukla gerçekleştirilebilir olduğunu ve bu durumun adli antropoloji alanındaki uygulamalara katkı sağlayacağını ortaya koymaktadır.
Gender determination is one of the important topics in forensic medicine. The cranium and pelvis, which are frequently used in gender estimation, are prominent as the most dimorphic bone structures. However, in cases where these structures cannot be preserved, the use of different skeletal structures that possess dimorphic characteristics is employed. In this context, data for gender estimation were obtained from ten measurements derived from Computed Tomography (CT) images of the hyoid bone. All obtained measurements revealed significant differences between genders (P<0.001). Initially, six different binary logistic regression (LR) hypotheses were established based on these ten measurements, and effective measurement parameters were determined according to these hypotheses. Using the identified effective parameters, four distinct machine learning models were developed. The prediction accuracy scores of the machine learning algorithms were compared with those of the LR model to identify the most effective algorithm. When the results of all machine learning models are evaluated based on the test dataset, the highest accuracy scores range between 91% and 93.4%, while the binary LR model achieves accuracy scores between 90.8% and 93.1%, surpassing the former. Upon examining the performances of the machine learning models, it was determined that the first machine learning model, which utilized the effective measurement parameters of 'Width of the Hyoid Body (GE), Total Length of the Hyoid Bone (TU), Total Width of the Hyoid Bone (TG), Maximum Height at the Proximal End of Left Greater Cornu (LPCMY)' obtained from the os hyoideum, accurately predicts gender with an accuracy score of 93.4% using the K-Nearest Neighbors (KNN) model. These findings demonstrate that the hyoid bone exhibits similar accuracy levels for gender estimation across populations, suggesting that it possesses universal biometric characteristics. It is emphasized that machine learning algorithms should be employed more extensively in gender estimation studies. Artificial intelligence-based approaches provide higher accuracy results compared to traditional methods, which can accelerate gender estimation processes and facilitate more accurate outcomes. Furthermore, this study demonstrates that gender estimation using the hyoid bone in the Turkish population can be performed with high accuracy, contributing to the applications in forensic anthropology.
Gender determination is one of the important topics in forensic medicine. The cranium and pelvis, which are frequently used in gender estimation, are prominent as the most dimorphic bone structures. However, in cases where these structures cannot be preserved, the use of different skeletal structures that possess dimorphic characteristics is employed. In this context, data for gender estimation were obtained from ten measurements derived from Computed Tomography (CT) images of the hyoid bone. All obtained measurements revealed significant differences between genders (P<0.001). Initially, six different binary logistic regression (LR) hypotheses were established based on these ten measurements, and effective measurement parameters were determined according to these hypotheses. Using the identified effective parameters, four distinct machine learning models were developed. The prediction accuracy scores of the machine learning algorithms were compared with those of the LR model to identify the most effective algorithm. When the results of all machine learning models are evaluated based on the test dataset, the highest accuracy scores range between 91% and 93.4%, while the binary LR model achieves accuracy scores between 90.8% and 93.1%, surpassing the former. Upon examining the performances of the machine learning models, it was determined that the first machine learning model, which utilized the effective measurement parameters of 'Width of the Hyoid Body (GE), Total Length of the Hyoid Bone (TU), Total Width of the Hyoid Bone (TG), Maximum Height at the Proximal End of Left Greater Cornu (LPCMY)' obtained from the os hyoideum, accurately predicts gender with an accuracy score of 93.4% using the K-Nearest Neighbors (KNN) model. These findings demonstrate that the hyoid bone exhibits similar accuracy levels for gender estimation across populations, suggesting that it possesses universal biometric characteristics. It is emphasized that machine learning algorithms should be employed more extensively in gender estimation studies. Artificial intelligence-based approaches provide higher accuracy results compared to traditional methods, which can accelerate gender estimation processes and facilitate more accurate outcomes. Furthermore, this study demonstrates that gender estimation using the hyoid bone in the Turkish population can be performed with high accuracy, contributing to the applications in forensic anthropology.
Açıklama
Anahtar Kelimeler
Anatomi, Anatomy
