共计 1114 个字符，预计需要花费 3 分钟才能阅读完成。
性别鉴定是法医科学中识别未知骨骼遗骸的重要步骤。本研究通过计算机断层扫描（CT）技术，探索土耳其人群胸骨测量的性别差异，并比较多种机器学习方法（包括 K 近邻、随机森林、XGBoost、朴素贝叶斯、逻辑回归和线性判别分析）在性别预测中的表现，同时评估深度神经网络（DNN）在胸骨图像分析中的应用潜力。
研究使用了 485 例（248 名男性和 237 名女性）的 CT 图像。通过测量胸骨柄长度、胸骨体长度、胸骨柄宽度等指标，计算了胸骨指数、胸骨体长度和胸骨面积。此外，还利用矢状面和冠状面的胸骨图像训练深度神经网络模型。
结果显示，所有测量指标在男性和女性之间均显示出显著差异。表现最佳的模型是线性判别分析（LDA），其次是逻辑回归、朴素贝叶斯、XGBoost、随机森林和 KNN。尽管基于胸骨图像的深度神经网络模型表现相对较差，但其与 LDA 的曲线下面积（AUC）并无统计学上的显著差异。
研究表明，胸骨测量或图像可用于土耳其人群的性别预测，为法医科学提供了一种新的辅助工具。
在法医人类学中，通过建立生物识别档案来识别人类骨骼遗骸是核心任务之一。性别鉴定在这一过程中尤为重要，因为其他生物特征如年龄、身高和血统均受到性别的影响。尽管骨盆骨和颅骨在性别鉴定中表现出显著的性别二态性，但在某些法医案例中，这些骨骼可能无法提供有效信息，因此需要探索其他骨骼元素。胸骨作为具有性别二态性的骨骼之一，近年来在不同人群中的研究显示出较高的分类准确率。
传统方法主要依赖于形态测量和判别函数分析，但这些方法在不同人群中的适用性有限。近年来，机器学习技术的引入为提高性别预测的准确性提供了新的可能性。本研究通过评估多种机器学习算法和深度神经网络在土耳其人群中的应用，填补了相关领域的空白。
研究数据来自 XXX 大学医院的胸部 CT 图像，最终样本包括 485 例成年病例（248 名男性和 237 名女性）。通过多探测器 CT 设备获取图像，并使用 3D 体积渲染技术进行测量。研究中采用了多种机器学习模型和深度神经网络进行性别预测，并通过五折交叉验证方法评估模型性能。
研究结果显示，所有胸骨测量指标在男性和女性之间均存在显著差异。线性判别分析（LDA）在性别预测中表现最佳，而深度神经网络模型的表现相对较差，但与 LDA 的曲线下面积（AUC）并无显著差异。多变量逻辑回归分析进一步确认了胸骨柄长度、胸骨体长度、胸骨柄宽度和第一胸骨体宽度是性别的独立预测变量。
与以往研究一致，本研究发现胸骨测量在不同性别之间存在显著差异。尽管深度神经网络在性别预测中的表现不及传统机器学习模型，但其在图像分析中的潜力仍需进一步探索。研究结果为土耳其人群的性别鉴定提供了新的参考，并为未来法医科学中的应用奠定了基础。
