Loading...

Publicaciones

Estimación del sexo a partir de fotografías del ilion y el húmero mediante técnicas de Deep Learning

Perfil Biológico

Publicado el 24 de octubre, 2022

Escrito por Pablo Mesejo


Tradicionalmente, la estimación del sexo se realiza por medio de datos numéricos/tabulares obtenidos a partir de la medición manual de los huesos de interés. Sin embargo, el éxito de una familia de técnicas de Inteligencia Artificial, conocidas como Deep Learning (DL) [1], en problemas de análisis de imagen (principalmente, a través de redes convolucionales) invita al empleo de dichas técnicas en la estimación del perfil biológico (PB). Dichas técnicas permiten realizar la estimación de forma completamente automática a partir de las propias imágenes, acortando los tiempos y aumentando la objetividad y reproducibilidad de los procesos de identificación, igualando o incluso mejorando el rendimiento de los expertos humanos en ciertas tareas e, incluso, generando conocimiento nuevo.

Figura 1: Ejemplos de fotografías del ilion empleadas en la estimación del sexo en niños (a). La columna de la izquierda muestra huesos de niños, mientras que la de la derecha muestra huesos de niñas. En b se pueden observar ejemplos de fotografías del húmero empleadas en la estimación del sexo en adultos. La columna de la izquierda muestra ejemplos de huesos de hombres adultos, mientras que la de la derecha muestra huesos de mujeres adultas.

Si nos centramos en la estimación del sexo, las investigaciones desarrolladas hasta la fecha por Panacea Cooperative Research, en colaboración con la Universidad de Granada (UGR), se han centrado en dos problemáticas principales:

1) Estimación del sexo en niños a partir de fotografías del hueso ilion (Figura 1.a) [2].

2) Estimación del sexo en adultos a partir de fotografías del hueso húmero (Figura 1.b) [3].

En ambas problemáticas se ha seguido una estrategia similar (que se puede observar en la Figura 2).

Figura 2: Aproximación seguida en la estimación del sexo a partir de imágenes óseas. Se dispone de un conjunto de ejemplos etiquetados, como pertenecientes a mujeres u hombres, a partir de los cuáles aprender. El algoritmo de aprendizaje se corresponde con una técnica de DL que realiza la extracción de características relevantes y la clasificación binaria (hombre vs mujer). Finalmente, una vez la máquina está entrenada puede clasificar nuevas imágenes, no vistas en la fase de entrenamiento. En este figura, se emplea como ejemplo la estimación del sexo en adultos a partir de fotografías del húmero.

En el primer caso, se empleó un conjunto de 135 fotografías tomadas de la colección del Laboratorio de Antropología Física de la UGR: 83 niños y 52 niñas, con edades medias (± desviación típica) de 240±491 y 292±499 días para niños y niñas, respectivamente. Los resultados mostraron, por un lado, la gran dificultad del problema en cuestión, dado que incluso un antropólogo experto no superó el 61% de acierto. Esto es lógico dado que las características dimórficas que diferencian a mujeres y hombres no aparecen hasta la pubertad. Por otro lado, las técnicas de DL obtuvieron un 59% de acierto en clasificación; muy próximo al del experto. En esta aplicación concreta, técnicas clásicas de DL fueron capaces de aproximarse bastante al rendimiento del experto humano.

En el segundo caso, se empleó una colección de 401 fotografías de la vista posterior del húmero derecho tomadas de la colección del Laboratorio de Antropología Física de la UGR: 188 mujeres y 213 hombres. Los resultados mostraron, por un lado, la menor dificultad de este problema en relación con la estimación de la edad en niños, dado que los porcentajes de acierto resultan muy superiores (tanto para el antropólogo, como para las técnicas del estado del arte a nivel antropológico (en este caso, técnicas de morfometría geométrica [4]), como para las técnicas de DL). En concreto, el experto alcanzó un porcentaje de acierto del 83%, mientras que la técnica de morfometría geométrica obtiene un 75%, y la técnica de DL propuesta llega al 91%. En esta aplicación concreta, no solo se ha conseguido superar ampliamente el rendimiento de un antropólogo físico y de las mejores técnicas pre-existentes, sino que, gracias a la aplicación de ciertas técnicas de explicabilidad, se han podido identificar las regiones más relevantes del hueso de cara a realizar la estimación del sexo. Las zonas del hueso que contienen dichos dimorfismos han sido identificadas por el modelo como las que contienen más información relevante para realizar la estimación del sexo, tal y como se propuso en [5]. Sin embargo, además de los dimorfismos ya conocidos (tróclea y fosa olecraniana), también se ha podido observar que la red convolucional empleada tiene en cuenta una zona del hueso superior a la epífisis distal, la cual no había sido evaluada en el ámbito de la antropología forense. De este modo, la red neuronal es capaz, incluso, de generar conocimiento nuevo y proponer una nueva región anatómica de posible interés antropológico (véase Figura 3).

Figura 3: A mayor intensidad de color amarillo, más peso tiene esa zona en la estimación de la red. Se puede observar que las estimaciones de la red neuronal profunda se basan en información procedente de la fosa olecraniana (a), la tróclea (b) o ambas (c). En la imagen de la esquina inferior derecha (d), se puede observar una nueva región identificada por la red y localizada sobre la epífisis distal (en rojo, en d). La literatura científica previa no había prestado atención a esta región, que la red ha considerado relevante de cara a estimar el sexo.

En Panacea estamos muy entusiasmados con esta tecnología, que representa el primer conjunto de métodos de estimación del sexo totalmente automáticos incluidos en Skeleton-ID. Este post es un resumen de los métodos y resultados publicados en dos prestigiosas revistas científicas: International Journal of Legal Medicine and Neural Computing and Applications [2,3]. El equipo de I+D de Panacea continúa mejorando la precisión de estos métodos y desarrollando nuevos métodos usando otras regiones anatómicas y diferentes modalidades de imagen.

Acceso a la aplicación online de estimación del sexo a partir de fotografías del húmero:


Bibliografía

[1] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.

[2] Ortega, R. F., Irurita, J., Campo, E. J. E., & Mesejo, P. (2021). Analysis of the performance of machine learning and deep learning methods for sex estimation of infant individuals from the analysis of 2D images of the ilium. International Journal of Legal Medicine, 135(6), 2659-2666.

[3] Venema, J., Peula, D., Irurita, J., & Mesejo, P. (2022). Employing deep learning for sex estimation of adult individuals using 2D images of the humerus, submitted to Neural Computing and Applications (undergoing minor review).

[4] López-Lázaro, S., Pérez-Fernández, A., Alemán, I., & Viciano, J. (2020). Sex estimation of the humerus: A geometric morphometric analysis in an adult sample. Legal Medicine, 47, 101773.[5] Rogers, T. L. (1999). A visual method of determining the sex of skeletal remains using the distal humerus. Journal of Forensic Science, 44(1), 57-60.