Н.В. Гридина – аспирант, кафедра судебной медицины, Первый Московский государственный медицинский университет  им. И.М. Сеченова Минздрава России (Сеченовский университет); Центр информационных технологий  в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru, nata_g_7@mail.ru

Г.В. Золотенкова – к.м.н., доцент, Первый Московский государственный медицинский университет  им. И.М. Сеченова Минздрава России (Сеченовский университет), Центр информационных технологий  в проектировании РАН (г. Одинцово, Моск. обл.)

E-mail: info@ditc.ras.ru, zolotenkova.galina@bk.ru

А.И. Рогачев – Центр информационных технологий в проектировании РАН (г. Одинцово, Моск. обл.) E-mail: info@ditc.ras.ru 

Постановка проблемы. Идентификация личности является актуальной, социально значимой проблемой. Для установления биологического возраста как первоочередной ступени в рамках судебно-медицинской экспертизы неизвестного лица используются множественные уравнения регрессии, что не всегда обосновано с позиций современных интеллектуальных технологий. Для совершенствования методологического подхода решения данной задачи авторы предлагают использовать методы машинного обучения. В статье представлены результаты проведенного сравнительного анализа применения различных алгоритмов классификаций и дана оценка целесообразности применения их для решения конкретной прикладной задачи судебно-медицинской экспертизы.

Цель работы – анализ возможности использования в судебной медицине методов машинного обучения путем сравнения точности работы наиболее популярных алгоритмов при определении возрастной группы неизвестных (неопознанных) лиц по различным морфометрическим данным.

Результаты. На основании проведенного сравнительного анализа методов машинного обучения, наиболее часто используемых в медицине, выбраны оптимальные для решения задач судебной медицины: деревья решений и их модификация – алгоритм Randomforest (случайный лес), а также многослойные нейронные сети. Сравнительные эксперименты показали, что первые обладают достаточной степенью точности, легко интерпретируемы и просты в настройке, а нейронные сети позволяют достичь наибольшей точности классификации.

Практическая значимость. Полученные результаты могут использоваться как обоснование выбора деревьев решений и нейронных сетей в рамках решения задачи диагностики биологического возраста неизвестного индивидуума с использованием современных информационных интеллектуальных технологий.

1. Идентификация личности при чрезвычайных происшествиях с массовыми человеческими жертвами / Под ред. Ю.И. Пиголкина. М. 2008. 235 с.
2. Пиголкин Ю.И., Николенко В.Н, Золотенкова Г.В., Даллакян В.Ф. Возможности использования морфологических методов установления общих и специфических признаков в судебно-медицинской идентификации личности // Саратовский научно-медицинский журнал. 2012. Т. 8. Вып. 4. С. 900–905. 
3. Глыбочко П.В., Пиголкин Ю.И., Николенко В.Н., Золотенкова Г.В., Ефимова А.А., Алексеев Ю.Д., Федулова М.В., Савенкова Е.Н., Курзин М., Гончарова Н.Н., Юрченко М.А., Мирошниченко Н.В. Судебно-медицинская диагностика возраста. М.: Первый МГМУ имени И.М. Сеченова. 2016. 318 с.
4. Пиголкин Ю.И., Ткаченко С.Б., Золотенкова Г.В., Веленко П.С., Золотенков Д.Д., Сафронеева Ю.Л. Комплексная оценка возрастных изменений кожи // Судебно-медицинская экспертиза. 2018. Т. 61. Вып. 3. С. 15–18. 
5. Гридин В.Н., Солодовников В.И., Евдокимов И.А., Филиппков С.В. Построение деревьев решений и извлечение правил из обученных нейронных сетей // Искусственный интеллект и принятие решений. 2013. № 4. С. 6–33. 
6. Гридин В.Н., Солодовников В.И. Особенности внутреннего представления и визуализации извлекаемой из данных информации с использованием модульной нейронной сети bp-som // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 170–175.
7. Waaijer M.E.C., Gunn D.A., Catt S.D. Morphometric skin characteristics dependent on chronological and biological age: The Leiden Longevity Study // AGE. 2013. V. 34. Is. 6. P. 1543–1552.
8. Habtamu M.A., Joon-Kyung S., Jeong-Hyeon S. Biological Brain Age Prediction Using Cortical Thickness Data: A Large Scale Cohort Study // Front. AgingNeurosci. 2018.
9. Heath R.P., Kuzniecky R. NAPR: a Cloud-Based Framework for Neuroanatomical Age Prediction // Neuroinformatics. 2018. V. 16. Is. 1. P. 43–49.
10. Mamoshina P., Kochetov K., Cortese F., Aliper A. et al. Population Specific Biomarkers of Human Aging: A Big Data Study Using South Korean, Canadian, and Eastern European Patient Populations // The Journals of Gerontology Series A Biological Sciences and Medical Sciences. 2018. V. 73(11).
11. Аркадьев А.Г., Браверман Э.М. Обучение машины распознаванию образов. М.: Наука. 1964. 110 с.
12. Rish I. An empirical study of the naive Bayes classifier // IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence.
13. Statnikov A., Aliferis C., Hardin D. A Gentle Introduction to Support Vector Machines in Biomedicine: Theory and methods. World Scientific. 2011.
14. Хайкин С. Нейронные сети: полный курс. М.: Вильямс. 2006. 1104 с.
15. Quinlan J.R. Induction of Decision Trees. MachineLearning. 1986. № 1. 81–106.
16. Hastie T., Tibshirani R., Friedman J. Chapter 15. Random Forests // The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer–Verlag. 2009.
17. Riley R.D., Ahmed I., Debray T.P., Willis B.H., Noordzij P., Higgins J.P., Deeks J.J., Summarising and validating test accuracy results across multiple studies for use in clinical practice // Statistics in Medicine. 2015. V. 34 (13).