准确推断死亡时间间隔(PMI)在法医学中对于重构死亡的时间线与情形至关重要。近年来,人工智能(AI)作为一种极具前景的工具出现,通过对复杂生物学数据的分析来提升这一推断的准确性。本研究旨在对应用于PMI推断的AI最新进展进行系统综述,并辅以荟萃分析,使用曲线下
准确推断死亡时间间隔(PMI)在法医学中对于重构死亡的时间线与情形至关重要。近年来,人工智能(AI)作为一种极具前景的工具出现,通过对复杂生物学数据的分析来提升这一推断的准确性。本研究旨在对应用于PMI推断的AI最新进展进行系统综述,并辅以荟萃分析,使用曲线下面积(AUC)作为主要指标,评估神经网络、集成模型和随机森林等常用AI模型的预测性能。研究人员在PubMed、Scopus和Google Scholar数据库中对2015–2025年期间的文献进行了检索,筛选出16篇符合条件的研究。所分析的模型整合了微生物学、蛋白质组学、影像学以及光谱学数据,在多项研究中实现了超过90%的准确率。基于5项具有可比数据的研究进行的荟萃分析,得出了0.94的综合AUC值(95% CI(置信区间):0.81–1.08),未观察到显著的异质性或发表偏倚。这些发现突显了AI的巨大潜力——特别是与多组学方法结合时——作为一种精确且稳健的PMI推断方法。该方法解决了传统法医学方法的若干局限性,尽管仍有一些技术与实施层面的挑战有待解决。
死亡时间间隔(PMI)的准确推断是法医学和刑事侦查中的关键基础目标,为重构事件发生顺序提供核心证据。然而,由于现有传统方法固有的局限性,准确推断PMI在法医界仍是一项艰巨的任务。基于对物理和化学变化(如体温、尸僵或视觉腐败)宏观观察的传统方法具有固有的不精确性和主观性。这些方法不可靠,尤其是对于在特征不明确环境中发现的尸体,因为它们极易受到不受控制的外部因素(如环境温度和湿度)的显著变异性影响,从而使得可靠的死亡时间判定复杂化。为克服这些实质性限制并确立更高的科学严谨性,法医学研究已转向基于死后分子和影像学变化开发更客观的方法。这推动了先进分析技术的应用,包括各种“组学”策略和复杂的放射学工具,这些技术生成了大量复杂的多维数据。分子方法(如代谢组学)侧重于分析多个组织和器官中小分子代谢物的动态死后变化,旨在追踪死亡时间的分子标记物。另一个重要的研究方向是死亡微生物组,它追踪死亡后微生物群落的可预测演替。通过表征内外微生物群落,该方法提供了一种克服破坏传统方法的环境变异性的稳健工具。无创方法如死后计算机断层扫描(PMCT)对于同时收集多个组织的数据至关重要。这些多组织分析生成的复杂数据集需要先进的计算方法进行有效解释和PMI建模。组学技术、先进影像技术以及人工智能(AI)和机器学习(ML)算法的融合,通过整合来自不同来源的多分子、多标记物和多维信息,为建立预测模型提供了创新的计算框架。
在确定研究目标后,研究人员进行了一项系统的文献检索,以解决PICO问题(患者/问题、干预措施、对照和结果)。该系统综述遵循系统综述和荟萃分析首选报告项目(PRISMA)指南,在PubMed、Scopus和Google Scholar数据库中进行。根据PICO问题提炼关键词并应用布尔运算符“AND”构建检索方程,检索了2015至2025年间发表的科学文章。在筛选标准中,纳入标准包括应用AI或ML模型推断PMI的研究、报告模型性能指标的原创研究文章等;排除标准包括离体研究、结果不全的研究以及无可验证数据的出版物。在筛选过程中,最初识别出139篇文章,通过去重和详尽的标题及摘要分析,最终对16篇符合目标的全文文章进行了批判性审查,其中5项提供了可量化指标(如AUC)的研究被专门纳入荟萃分析。在偏倚风险评估中,采用了Cochrane偏倚风险2(RoB 2)工具评估所纳入研究的方法学质量。该工具经过调整以适应本综述中主要为受控动物实验和对人类尸体的观察性法医研究设计,从样本分配、干预偏离、缺失数据、结果测量和选择性报告结果五个领域进行评估。在统计分析阶段,使用JAMOVI软件的MAJOR模块进行荟萃分析,鉴于研究设计的异质性,采用随机效应模型进行统计汇总。
根据纳入与排除标准选定的16项研究涵盖了微生物组学、代谢组学、蛋白质组学、死后影像技术(PMCT)、红外光谱和多组学等领域的实验研究。所应用的AI技术主要基于机器学习和深度学习模型,重点包括卷积神经网络(CNN)、随机森林(RF)、集成模型和回归技术。使用RoB 2工具进行的偏倚风险评估显示,基于实验动物模型的研究由于在随机化分配、环境控制(如温度、湿度和SPF动物使用)以及客观的结果测量(如新一代测序(NGS)和超高效液相色谱-高分辨率质谱(UPLC-HRMS))方面具有方法学稳健性,被一致评定为低偏倚风险。基于人类样本的观察性研究则因无法进行生前随机化以及存在选择偏倚等问题,被归类为存在一定担忧或中等风险。
在关于微生物和代谢组学模式的特征描述方面,所分析的研究体现了多组学数据结合AI的日益增多应用。研究开发了整合代谢组学、蛋白质组学和傅里叶变换红外光谱(FTIR)的多组学模型,实现了93%的准确率。AI模型被应用于鼠类器官的微生物序列和人类皮肤微生物组数据,人工神经网络(ANN)和k近邻(KNN)模型均展现了极小的推断误差,突显了微生物群落作为AI推断模型生物标记物的效用。
在实验变量影响方面,多项研究表明AI模型的准确性受环境温度、组织类型和PMI的显著影响。例如,在不同温度条件下应用于多器官组织学图像的ResNet50神经网络模型,其AUC>
0.96。此外,利用多组织PMCT和XGBoost等ML算法的研究也证实多器官整合有助于提升PMI推断的准确性。
针对AI模型性能的荟萃分析包含了组织学影像、多组学分析和死后放射学等 diverse 领域的5篇文章。整合多种生物学标记物或数据源的AI方法表现出最高的预测准确性。随机效应模型产生的汇总AUC为0.944(95% CI: 0.812–1.077),标准误为0.0678,结果在统计学上显著(Z = 13.90, p2= 0%),Egger回归检验(p = 0.583)和Kendall tau检验(p = 0.233)均无显著发表偏倚证据。
AI在PMI推断中的应用源于克服传统方法固有主观性和局限性的迫切需求。向“数字法医病理学”的过渡,是由ML算法在整合组学特征、气候数据和放射影像时处理非线性复杂性的能力所驱动的。荟萃分析结果证实,AI的诊断效能极高,AUC值始终超过0.90。RoB 2工具的评估表明尽管当前文献具有相当的技术稳健性,但结构上的挑战依然存在。在干预偏离领域,对土壤微生物组或骨骼研究中环境变量(如温湿度)标准化的困难引入了混杂风险。此外,在涉及真实人类尸体的研究中,基于行政或证词估计的“金标准”可能会继承测量偏倚,而AI算法往往会放大这种偏倚。向多组学和多器官模型的过渡是减少此类偏倚的可行方案。同时,复杂AI模型的“黑箱”性质仍是司法采信的显著障碍。
对于第一个次要目标,基于微生物和代谢模式的模型展现了极高的判别力。第二个目标相关的综述研究表明,环境温度等外在变量直接影响预测模型的性能,凸显了标准化实验条件的必要性。第三个目标对应的荟萃分析结果表明,尽管数据源和算法多样,但研究共享可比的功效,支持了AI算法特别是集成方法和深度神经网络在面对死后数据固有变异性时表现稳健的假设。
尽管结果一致,本研究仍存在重要局限。纳入荟萃分析的研究总数有限,降低了统计功效并制约了亚组分析的可能。因原始文章信息不全,需估算AUC的标准误,引入了额外的不确定性。部分研究样本量较小,且缺乏外部验证及潜在的发表偏倚限制了结果的普适性。
未来研究不仅应致力于提升预测准确性,还应关注AI推断系统在临床和法医学中的实际应用。优先领域包括建立具有标准化采集协议的大型多中心数据集,整合多模态数据,以及实施可解释人工智能(XAI)方法。此外,法医机构、数据科学家和监管机构之间的合作对于建立AI在法医学实践中安全应用的指南和验证标准至关重要。
本系统综述全面梳理了AI在PMI推断中的应用文献,证实了AI在改变法医实践方面的巨大潜力。研究得出以下主要结论:第一,AI能够识别组织特异性的微生物和代谢模式,通过多组学和深度学习模型展现出极高的推断准确性;第二,温度、受检组织和PMI等变量对模型准确性有显著影响,强调了未来研究控制这些因素的重要性;第三,荟萃分析确认了神经网络和集成方法等最常用AI模型的效能,它们在PMI推断中始终表现出高度的预测性能。