目的硅藻检验是法医进行水中尸体死亡原因鉴定的一项重要辅助方法,也可根据硅藻种属分布进行溺水地点推断。但目前硅藻检验方法存在一定的弊端(实验不易普及或耗时费力)。人工智能是一种利用计算机研究、模拟人类行为以更高效完成相应任务的技术,其中,深度学习因其可以模仿人脑进行数据处理,并在图像处理等方面具有优越的性能,已被广泛应用于医学辅助检验中,在法医领域也有相关的研究。本研究在基于传统化学消化方法的硅藻检验基础上,使用人工智能深度学习技术对硅藻进行自动化识别与分类,并在实际案例中验证其自动化识别的能力,旨在检验基于人工智能技术的自动化硅藻检验系统的可行性。方法本研究分三个部分对基于人工智能方法的自动化硅藻检验系统进行开发及测试。第一部分,使用深度学习的卷积神经网络(CNNs)对硅藻-非硅藻数据库进行训练,得到自动化硅藻识别模型,建立基于人工智能的硅藻自动化识别系统,随后通过阅片“比赛”比较了该系统与人类专家的识别能力。第二部分,使用第一部分所开发的人工智能硅藻自动化识别系统对10个法医学实际案例(9个溺死,1个非溺死)进行预测,并对预测结果进行了分析。第三部分,通过对上海市黄浦江与苏州河的五个位置采集水样,建立硅藻分类数据库,利用该数据库训练硅藻分类模型。然后建立溺水动物实验模型,利用前两部分所开发的系统进行硅藻识别,并使用分类模型对大鼠肺内硅藻进行分类,最后联合统计学方法衡量大鼠肺内硅藻分布与水样中硅藻分布的相似性,从而进行溺水地点推断。结果第一部分开发了一种基于人工智能深度学习的硅藻自动化识别系统,使用扩增数据库(包含训练集6585张和验证集1545张)进行迁移学习得到的最佳卷积神经网络(CNNs)模型准确率达到了97.67%,其AUC达到了99.51%;通过Grad-CAM图显示出该模型可以成功识别的图片比例高达89.6%;该系统进行硅藻检验比人类专家识别速度更快,仅需要近4个小时,而人类专家则平均需要6-7小时。第二部分扩充数据库继续优化前一阶段的卷积神经网络(CNNs)模型,使其最佳模型准确率高达99.16%;在10个实际案例的应用中,其识别硅藻的总体精确度高达92.45%。第三部分开发了一种基于人工智能深度学习硅藻自动化分类的技术,最佳的六分类模型准确率达到96.4%,总体AUC值达到了97.1%;在动物实验中,使用统计学方法根据硅藻自动化分类的结果对大鼠溺死水样进行推断,其中两个动物模型未能预测正确的溺水地点,其正确率为80%。结论本文在传统硅藻检验的基础上,联合人工智能深度学习技术开发了硅藻自动化识别系统和硅藻自动化分类系统,进行自动化硅藻检验和溺水地点推断。(1)使用硅藻-非硅藻数据库训练出的最佳卷积神经网络(CNNs)模型,在用于识别硅藻的任务中展现出超过人类专家的优越性能,初步证实该模型在硅藻自动化识别方面的可行性;(2)在实际案例中,基于人工智能深度学习的硅藻自动化识别系统能够辅助法医进行溺死死因鉴定,同时提高了鉴定效率;(3)卷积神经网络(CNNs)模型在以形状分类的硅藻分类数据库上进行训练,使用最佳模型预测的结果联合统计学进行溺水地点推断的方法在动物模型上的得到了验证。