The Evaluation of Artificial Intelligence Technology for the Differentiation of Fresh Human Blood Cells From Other Species Blood in the Investigation of Crime Scenes
Notice bibliographique
Résumé
OBJECTIVES: The current study used the deep machine learning approach to differentiate human blood specimens from cow, goat, and chicken blood stains based on cell morphology. METHODS: A total of 1,955 known Giemsa-stained digitized images were acquired from the blood of humans, cows, goats, and chickens. To train the deep learning models, the well-known VGG16, Resnet18, and Resnet34 algorithms were used. Based on the image analysis, confusion matrices were generated. RESULTS: Findings showed that the F1 score for the chicken, cow, goat, and human classes were all equal to 1.0 for each of the three algorithms. The Matthews correlation coefficient (MCC) was 1 for chickens, cows, and humans in all three algorithms, while the MCC score was 0.989 for goats by ResNet18, and it was 0.994 for both ResNet34 and VGG16 algorithms. The three algorithms showed 100% sensitivity, specificity, and positive and negative predictive values for the human, cow, and chicken cells. For the goat cells, the data showed 100% sensitivity and negative predictive values with specificity and positive predictive values ranging from 98.5% to 99.6%. CONCLUSION: These data showed the importance of deep learning as a potential tool for the differentiation of the species of origin of fresh crime scene blood stains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».