虚拟人类学的回顾与展望

（四川大学华西基础医学与法医学院，四川 成都 610041）

虚拟人类学（virtual anthropology）是随着现代影像学技术的迭代发展，医学影像学与人类学、法医学等多学科交叉融合形成的一门学科。虚拟人类学是法医学、人类学中非侵入性技术变革的产物，促进了基于干骨的传统检查方法快速准确地实现，同时也开启了活体法医人类学检查的发端。虚拟人类学的主要研究内容包括：（1）个体生物学特征推断，如年龄、性别、身高、种族等；（2）个体识别，基于骨骼和牙齿形态学特征比较；（3）颅面重建，颅骨3D图像重建面部软组织。

虚拟人类学具有以下优势：（1）非侵入性。映射体质人类学，同时揭示机体内部结构特征，无需复杂前处理，省时便捷，避免处理过程中组织的破坏；借助三维技术重建内部组织结构，重建腔隙结构，满足特殊案件和宗教伦理的需求。（2）易存储。人体结构数字化，终端保存，虚拟图像易提取、分析，无需提取原始骨骼，避免某些珍贵原始骨骼二次破坏。易存储也有利于建立大型虚拟人类学数据库，促进学科发展。（3）易共享。在确保信息安全性下，虚拟人类学数据可通过互联网进行电子数据远程传输、共享，促进相关人员合作交流，并为质量控制、专家监督和远程法医学会诊开辟了平台与新路径。（4）易解释。作为法庭证据，虚拟人类学材料更直观地反映事实，方便直观展示。（5）可重复。依赖虚拟图像，法医学家可远程分析，重现方法、验证结果。（6）可量化。借助医学影像学分析和后处理技术，可测量长度、角度、面积、体积等几何信息，测量骨小梁、骨密度，分析毗邻结构。

1 虚拟人类学常用检查方法

1.1 放射性检查

1.1.1 X线片

X射线被发现8年后，古人类学家GORJANOVIC-KRAMBERGER就应用X线片研究骨骼结构确定其年龄。1926年，CULLERT和LAW首次应用X线片比较额窦进行个体识别。1943年出现了利用牙片进行同一认定的案例报道[1]。随着影像学技术的发展，X线片虽已不是最先进的成像方法，但其是目前应用最广、最基本的虚拟人类学检查方法，使用方便、成本低、技术门槛相对低、辐射剂量相对小、普及度高。X线片能够清晰呈现全身骨骼解剖形态，已广泛用于个体识别、年龄推断、性别推断和身高推断等虚拟人类学研究与实践。国内外均有法医鉴定机构配备了X线摄影仪器，甚至便携式X线摄影仪。国际法医年龄推断研究小组［Arbeitsgemeinschaft für Forensische Altersdiagnostik（德语），AGFAD］建议的手腕部、齿科和锁骨胸骨端影像检查方法也以X线片为主[2]。X线片也是我国司法年龄鉴定和竞技体育骨龄鉴定的主要技术手段。《法庭科学 汉族青少年骨龄鉴定技术规程》（GA/T 1583—2019）为四肢六大关节、锁骨胸骨端和骨盆X线片的阅片分级，进行中国汉族12～20岁人群骨龄推断。2006年中华人民共和国体育行业标准《中国青少年儿童手腕骨成熟度及评价方法》（TY/T 3001—2006）也是基于左手腕部X线片。但X线片中靶区域骨骼与周围组织结构的重叠常影响观察，特别是锁骨胸骨端、骨盆和颌面部。

1.1.2 计算机体层摄影

计算机体层摄影（computed tomography，CT）在虚拟人类学领域的研究和应用已经非常广泛和重要。CT可生成机体断层影像，避免周围组织重叠，采用三维重组技术和计算机渲染技术可模拟人体结构。随着CT在临床诊疗的大量应用，其在安全性和分辨率上均有重大突破，拍片成本和辐射剂量均降低，逐渐被用于虚拟人类学。FRANKLIN等[3]和LORKIEWICZMUSZYŃSKA等[4]认为应用螺旋CT的精确度和准确度可与常规人类学检查相媲美。CT在分析骨骺发育程度上优于X线片，因为CT可全面观察不同层面的骨骺发育情况，而X线片为三维图像在二维上的压缩，特别是两个等级临界点的骨骺发育分级判断，CT能更准确判断。锁骨胸骨端薄层CT扫描是确定个体是否满18岁的主要方法之一。同时，CT三维重组技术等CT图像后处理技术，可实现窦腔的三维重现、体积测量[5]。CT三维重组图像亦是真实骨骼形态的映射，可实现骨形态的无创观察和活体应用。因成人年龄推断以骨骼形态学变化为主，因此骨或牙齿的CT三维重组图像研究是目前成人年龄推断的主要研究手段。但层厚较厚的CT因部分容积效应图像质量较差，不适用于骨发育和形态的分析。因此，学者[6]推荐相关研究应选择层厚为1 mm的薄层扫描，并使用硬组织算法或骨算法。CT扫描也应选择合适的电压、安培、视野等参数以优化图像质量、空间分辨率和对比度。不同三维重组技术的关注重点不同，根据实际需求，考虑准确性和可靠性选择合适的三维重组技术。由于CT设施昂贵，国内仅少数鉴定机构配置了CT设备。被鉴定人CT检查的费用、影像辐射也高于普通X线片。CT图像处理，特别是3D后处理需要专业、经验丰富的人开展，所用软件也较昂贵。因此，CT在我国法医学实践中的应用大部分以依托医院为主。

1.2 非放射性检查

1985—2005年，澳大利亚卫生系统对1 090万例CT扫描病例进行了回顾性研究，发现一次CT扫描的平均辐射剂量为4.5 mSv[7]。重复进行放射性检查有可能增加致癌风险。部分国家禁止对寻求庇护者应用放射性检查进行骨龄鉴定[8]。即使没有明确限制，虚拟人类学检查也应尽量减少放射剂量，遵循最优化原则，又称 ALARA（as low as reasonably achievable）原则。近年来，非放射性的影像学检查手段逐渐应用于法医人类学的活体检查，如锁骨胸骨端、手腕部和髂嵴的磁共振成像（magnetic resonance imaging，MRI）和超声研究等。

1.2.1 超声

超声利用高频声波显示体内结构，为无辐射的医学成像技术。超声具有易获取、成本低、检查快等特点。超声尽管不如X线摄影和CT检查在法医人类学中应用广泛，但可作为放射检查的替代方案之一。目前已开展了手腕部、锁骨胸骨端、髂嵴、鹰嘴等年龄推断的超声研究[9-13]。研究结果显示，手腕部超声影像与6岁以内个体年龄存在较好的相关性[14]，桡骨骨骺的超声检查也可用于14岁以下个体年龄推断[15]。SCHULZ等[16]将超声应用到616例锁骨胸骨端骨骺发育的研究，发现锁骨胸骨端的超声检查也可用于年龄推断，但等级1和等级4的超声表现易混淆，鉴别有一定难度。超声在显示软骨和（或）骨组织时由于其穿透能力有限，深部结构显示的图像质量下降。同时超声检查需长时间培训，分析解释依赖经验，具有一定主观性。因此超声在虚拟人类学的应用尚处于研究阶段。

1.2.2 MRI

MRI是一种无辐射的断层影像检查方法，与超声相比，MRI图像更易判读，观察者间一致性较好。MRI常用于活体骨骺和牙齿生长发育的评估，尤其适用于骺板的观察。在既往MRI和X线片的比较研究[17]中，MRI显示骨骺开始闭合的年龄更早，完全闭合的年龄更大。目前，MRI年龄推断研究的指标主要为手腕部、锁骨胸骨端、膝关节和牙齿，也有个别对髂嵴、胫骨远端、跟骨等的研究[18]。手腕部的MRI研究主要在竞技体育领域，应用于17、18岁等竞技体育涉及的年龄推断中。早期MRI扫描时间较长，在一项锁骨胸骨端的尸骨MRI研究中，扫描时长90～180 min，因此不适用于活体[19]。随着MRI技术的发展，平均一个部位MRI扫描时间在10 min以内。HILLEWIG等[8]提出了一种用时仅4 min的锁骨胸骨端MRI扫描方法，使得活体MRI检查成为可能。膝关节MRI因资料易获取是年龄推断研究的主要部位之一。FAN等[17]的研究发现，膝关节MRI与年龄相关性高于X线片。DEDOUIT等[20]的研究结果显示，该方法适用于25岁以下个体年龄推断。KRÄMER等[21]和SAINT-MARTIN等[22]发现，膝关节MRI纵向弛豫时间（T1）加权像男性股骨远端完全闭合年龄大于18岁。2015年，BAUMANN等[23]开展了第三磨牙推断牙龄的MRI研究，但该研究样本量较小。同年，GUO等[24]开展了第三磨牙MRI推断牙龄的大样本研究，发现MRI可用于牙龄推断。随后，DE TOBEL等[25-26]和WIDEK等[27]亦开展了MRI牙龄推断研究，结果均表明，MRI在牙龄推断中有较高的应用价值。不同MRI序列、加权像，特征成像差异较大，因此合适的MRI扫描参数仍需大量对比研究。现有MRI研究多以国外小样本研究为主，我国MRI研究尚处于起步阶段，仅四川大学、西安交通大学等机构开展了骨龄和牙龄的MRI研究[17，24]，因此MRI在虚拟人类学的应用仍需大样本多族群的系统研究。同时MRI的普及率远低于其他影像手段，也限制了MRI在实际中的应用。

1.3 三维表面扫描仪

骨骼的三维信息也可通过扫描仪获取，实现骨骼特征的永久存储和分析。与CT扫描的3D成像不同，表面扫描仪的3D成像仅呈现目标物的表面，且这些表面必须在表面扫描仪的视野范围内，较难捕获物体内部或复杂表面（如深沟、大裂隙等）。同时表面扫描仪的应用需完全清除骨骼表面附着物。虽然三维表面扫描不能显示物体内部结构，但其较CT更便宜、易获取、更灵活，且分辨率较临床常规CT更高。目前，三维表面扫描已用于耻骨联合面、耳状面等的年龄推断研究[28-29]。在CT和三维表面扫描仪的比较研究中，三维表面扫描仪的观察者一致性略高[28]。GARVIN等[30]使用三维表面扫描来分离和定量分析眉骨和下颌形态，并分析了性别之间和种族之间的差异。与CT扫描一样，任何由三维表面扫描创建的虚拟模型都可以3D打印出来，方便法庭物证的呈现与解释，或课堂教学。

2 虚拟人类学研究范围

2.1 个体识别

大规模事故现场需对不同腐败程度和损毁程度的尸体进行身份认定。当一具尸体无法辨认，如白骨化、烧焦、高度腐败或残缺不全时，骨骼和牙齿的特征是灾难事故遇难者个体识别（disaster victim identification，DVI）的主要检验对象之一，影像学资料是较客观的个体信息承载客体。通过比较生前和死后影像学资料中的牙齿、骨骼或窦腔形状和特征，分析特征性变异或病理学改变进行个体识别。1949年，虚拟人类学第一次被应用于“NORONIC号”轮船灾难中的个体识别。在X线骨骼个体识别比较研究中，胸部最常用（53%），其次为头颅骨和四肢（20%）、腰椎（17%）、颈椎（10%）和骨盆（3%）。常用于个体识别的特征为胸部异常钙化（29%）、正常变异（24%）、手术植入物（18%）、骨折（14%）[31]。齿科个体识别含较多的识别点，如牙齿数目和排列、牙齿正常和变异、牙体和牙周疾病与治疗以及颌面部组织形态特征[32]。部分齿科特征常规肉眼不易观察，仅可通过影像呈现，如根管治疗、填充物、上颌窦形态等。

颅面重建融合了种族、年龄、性别等多种生物信息的推断，也是个体识别的主要方法。虚拟人类学的颅面重建指根据人体软组织和五官形态特征与颅骨形态特征间关系，在颅骨影像上，采用计算机技术重建面貌形象。基于CT三维重组图像，采用计算机技术进行颅面重建，是目前较先进的颅面重建技术，具有快速、非侵入性、高效、可重复等优点。

虚拟人类学已被证实是大型灾难个体识别的有效方法，有成为常规检验的趋势。对灾难尸体进行X线或CT检查，检查结果可长期保存、可远距离无损传输、远程专家指导与会诊，可减少现场人数，提高同一认定的可能性和速度，方便、安全、迅速地清理灾难现场。目前已建立了灾难现场CT检查、管理和评估的标准、规定或协议[33]。在生前和死后影像比较时，专家需观察影像的相似性和差异性，但目前缺乏个体识别标准来确定哪些特征、多少特征和多少匹配点来确定同一。近年来，随着计算机技术的发展，基于多种图像识别技术，多项研究[34-36]提出了计算机辅助影像比对技术可用于个体识别。

2.2 年龄推断

虚拟人类学的一大应用就是年龄推断，在无可信年龄证明材料时，需通过影像学技术显示不同部位骨骼和（或）牙齿的发育和成熟状况来推断个体年龄，用于评估犯罪嫌疑人刑事责任能力、刑罚量刑、福利权利、尸源查找等。大多数的活体年龄推断为年龄节点判断或个体发育情况分析，因此法医学活体年龄推断主要为未成年人和成人早期的年龄推断。AGFAD提出的活体年龄推断方法中涉及手腕部X线片、牙齿X线片和锁骨胸骨端X线片或CT[2]。

初级和次级骨化中心以及骨骺闭合的模式常用于胎儿、婴儿、青少年和成人早期的年龄推断。在尸骨观察中，骨发育的最终等级为骨骺完全闭合，而采用影像学检查，可实现活体年龄推断，还可观察到残留的骺线。牙齿的形成和萌出，直接观察可能仅观察到牙龈相关萌出情况，而影像学检查可观察到牙槽骨内的牙齿发育情况。成人年龄推断主要基于骨骼和牙齿的退行性改变，传统成人尸骨年龄推断方法，如利用耻骨联合、耳状面、颅缝和肋骨胸骨端推断年龄，已用于影像学观察。发育早期的年龄推断结果较准确，随着年龄的增加，准确性逐渐降低[37-38]。

2.2.1 根据牙齿推断年龄

牙齿影像学资料（如根尖片、咬翼片、口腔全景曲面体层摄影片、螺旋CT和锥形束CT）为活体牙龄的准确推断提供了技术支撑，可观察牙龈萌出、牙根形成和根尖闭合情况。牙齿的影像学检查可实现牙槽骨内牙齿发育状态的观察[39]。目前较常用的牙龄推断方法为分级赋分法，根据分值采用统计学方法推断年龄，如回归模型等。

胎儿期，可根据乳牙的高度建立年龄推断回归模型。青少年牙龄推断方法较多，如MOORREES等[40-41]提出的将牙尖形成到根尖孔闭合分为14级，DEMIRJIAN等[42]提出的牙胚发育8级法和ORHAN等[43]提出的不同国家的Demirjian法修订版。2006年，CAMERIERE等[44]提出应用下颌7颗恒牙的根尖孔距离与牙齿高度建立多元线性回归模型推断年龄。采用上述青少年牙齿发育分析方法，第三磨牙的萌出和发育可用于18岁左右的年龄推断。ORHAN等[43]及本课题组[45]将Demirjian法应用于第三磨牙来推断不同人群18岁左右个体的年龄。2008年，CAMERIERE等[46]根据第三磨牙牙根闭合测量指数推断个体是否满18岁（I3M），以0.08作为阈值判断个体是否成人，该方法随后也在不同人群中得到验证。但第三磨牙的大小、形状、发育等的变异较大，在18岁年龄推断中最好结合其他指标综合推断。成人期，牙龄推断常用牙髓腔变化和Gustafson法。牙髓腔长度、宽度、牙髓腔与牙齿高度比、面积比和体积比等已用于成人年龄推断。KVAAL等[47]根据3颗上颌牙齿和3颗下颌牙齿建立的年龄推断模型估计的标准误差（standard error of the estimate，SEE）为8.6岁。KARKHANIS等[48]根据279例澳大利亚口腔全景曲面体层摄影片建立了年龄推断模型，应用12个指标（采集自门牙、犬齿及前磨牙）建立的多元回归模型，SEE为7.963岁。ZHAN等[49]通过CT元数据应用Materialise Mimics软件（version 17.0，比利时Materialize公司）测量牙髓腔体积建立了年龄推断模型，男性左下颌侧切牙平均绝对误差（mean absolute error，MAE）为6.804岁，女性左下颌中切牙MAE为6.104岁。GUSTAFSON[50]基于牙齿磨耗、牙周变性、继发性牙本质、牙骨质附着、牙槽骨吸收和牙根半透明程度综合推断成人牙龄，适用于40岁以下成人。该方法已在不同影像学技术和不同人群中得到验证[51-53]。在1 300例中国北方人群的口腔全景曲面体层摄影片中，Gustafson法年龄推断准确性在男性MAE为3.539岁、女性MAE为3.964岁[45]。

近两年，已有学者应用卷积神经网络（convolutional neural network，CNN）建立了青少年自动化牙龄推断模型。2019年，ŠTERN等[54]基于322名13～25岁个体的锁骨、手部、第三磨牙MRI影像，利用CNN建立了青少年年龄自动化推断模型，MAE为（1.01±0.74）岁。2020年，MERDIETIO等[55]应用CNN对400张口腔全景曲面体层摄影片中第三磨牙进行分割、提取，对第三磨牙发育进行自动分级，CNN分级结果与经验丰富的医生阅片结果比较，两种方法的平均绝对等级差为0.53个等级。基于深度学习的自动化牙龄推断较人工阅片分级更客观，多模态影像自动牙龄推断模型的建立，也为客观准确的年龄推断提供了新的研究思路。但目前自动化牙龄推断尚处于起步阶段，基于深度学习的大样本、多模态影像学资料研究将是未来牙龄推断的发展方向。

2.2.2 根据骨骼推断年龄

骨龄推断方法众多，涉及全身多部位骨骼、关节，所用影像学技术多样，已发展成多模态影像研究。青少年年龄推断指标众多，如《法庭科学 汉族青少年骨龄鉴定技术规程》（GA/T 1583—2019）中采用的为四肢六大关节、锁骨胸骨端和骨盆骨骺发育的X线片。涉及12、14、16岁年龄节点判断时，六大关节多处于生长发育阶段，因此可采用六大关节骨骺推断年龄。其中，手腕部因摄片方便、骨化中心多，是儿童、青少年研究最多、应用最广的年龄推断部位，包括图谱法（Greulich-Pyle图谱）和评分法（TW法）。18岁左右个体，可根据锁骨胸骨端、髂嵴、坐骨结节等骨骺发育程度推断年龄。SCHMELING等[56]将锁骨胸骨端发育程度分为5个等级，从骨骺未出现骨化到骺板完全闭合骺线消失。大量应用X线片和CT的年龄推断方法验证了此分级方法，且结果多提示锁骨胸骨端完全闭合个体年龄大于18岁。本课题组研究了中国汉族锁骨胸骨端、髂嵴、坐骨结节骨骺发育的CT影像，发现上述指标与年龄相关性较高，可用于年龄推断[57-59]。

基于深度学习的自动化骨龄推断技术已广泛应用于手腕部X线片骨龄推断，且已有软件形成，如BoneXpert（丹麦Visiana公司）。2017年，SPAMPINATO等[60]首次将CNN应用于青少年手腕部X线片推断骨龄，结果显示，BoNet模型的输出骨龄值与人工判读之间的MAE仅0.79岁。2018年，LARSON等[61]利用公开的手腕部X线数据集比较了全自动骨龄评估系统与人工判读结果，MAE为0.50岁，证实了深度学习自动化评估骨龄的高效。同年，MUTASA等[62]利用10289例左手腕X线片建立了CNN年龄推断，年龄推断的MAE为（0.658～0.662）岁。占梦军等[63]应用CNN实现的手腕部平片自动化年龄推断，男性MAE为0.90岁，女性为0.72岁。深度学习也逐渐用于其他部位或影像学技术的自动化年龄推断。LI等[64]将CNN用于骨盆X线片自动化推断青少年骨龄MAE为0.89岁，优于传统回归模型。DALLORA等[65]建立了自动化膝关节MRI推断年龄的CNN模型，14～20.5岁男性MAE为0.793岁，14～19.5岁女性MAE为0.988岁。上述研究结果均表明，基于深度学习的自动化青少年骨龄推断技术在实现客观推断的技术上，有助于进一步提高年龄推断准确性。

成人期骨的生长发育被退行性改变替代，骨骼、软骨和牙齿的退行性改变用于成人年龄推断。成人年龄推断的虚拟人类学研究基于尸骨推断方法发展形成，根据CT成像特征修订，常用指标包括第四肋骨、耳状面、耻骨联合面和颅缝，部分根据CT成像特征修订的分级方法也已提出[37，66-68]。其他的一些测量性指标，如耻骨联合面、耳状面断层影像中的长度、宽度、角度等测量值，肋软骨区域骨密度、耳状面骨小梁等也提示与年龄有相关性。

2.3 其他生物信息特征推断

2.3.1 性别判断

性别推断是个体识别的基础，年龄、身高等个体生物信息均受性别影响，推断方法均有男女组别，存在性别差异[1]。确定个体性别，是准确推断年龄和身高的前提，特别是在尸体残骸[69]的个体识别中更是如此。虽然，基于全身骨骼常能实现100%的性别推断，但在法医学实践中，常面临残骸的性别判断，如碎尸案件、年代久远尸骨散落的案件等，此时仅部分组织结构可用。因此，建立不同部位骨骼推断性别的方法非常必要。

性别推断应用较多的是颅骨和骨盆，可通过影像学资料中骨骼的测量学数据或形态特征进行性别判断。骨盆的性别差异非常明显，人类学教科书中均详细描述了骨盆的性别差异。ZHANG等[70]应用CT三维重组技术测量骨盆判断个体性别，其准确率可达97.4%。颅骨的性别差异特征主要为颅骨表面解剖结构的形态，利用CT三维重组技术，可准确测量三维颅骨图像数据以及断层颅骨图像数据，传统颅骨判断性别的测量指标也可在影像中显示，ZHAN等[71]采用颅骨CT进行性别推断的准确率达89.3%。除颅骨和骨盆外，四肢长骨和躯干骨的影像也被用于年龄推断。ZHANG等[72-75]采用CT三维重组技术测量四川汉族胸骨、肩胛骨，建立性别判断的判别方程，性别判断准确率达81.6%[72]和86.7%[73]；采用跟骨X线片测量数据，性别判断准确率达89.1%[74]；采用骶尾骨CT推断性别准确率达84.9%[75]。自动化性别推断也是虚拟人类学研究的热点。早期应用傅里叶分析X线片中下颌骨、全颅骨形态自动化推断性别。2017年，CAVALLI等[76]应用人工神经网络分析颅骨CT扫描定位图中整个颅骨轮廓推断性别，准确率为87%。2019年，BEWES等[77]将CNN用于颅骨性别推断。但目前自动化性别推断方法还不完善，傅里叶分析仍需人工确定特征，CNN研究中输入图像较混杂，模型解释性差。因此，自动化性别推断尚需大样本、多模态，采用更高效的深度学习技术深入研究。

2.3.2 身高推算

法医学身高推算常采用完整全身骨骼和人体局部骨骼2种方法。完整全身骨骼方法虽准确性较高，但该方法需完整未损害的骨骼。在法医学鉴定实践中，常会遇到残骸、损毁尸体等，因此大量研究分析了局部骨骼和身高的相关性，根据单骨或组合骨建立身高推算回归模型。1937年，Breitinger首次应用影像学方法测量长骨推算身高。ZHANG等[72，78-79]开展了全身多部位骨骼的身高推断研究，包括测量四肢长骨、胸骨、肩胛骨和锁骨X线片中相关指标，建立多个身高推算模型。ZHANG等[73]还建立了多个腰椎MRI影像的身高推断模型，推断标准误在男性为4.108～6.010cm，女性为2.982～4.912cm。崔井会等[80]采用全脊柱X线片推算身高的MAE为±3.32cm。ZHAN等[75]建立了骶尾骨CT推算身高的模型，标准误在男性为4.891～6.107 cm，女性为4.474～5.606 cm。ZHAN等[71]利用颅骨CT推算身高模型，标准误在男性为5.072～6.355 cm，女性为5.090～5.829 cm。由于男女性生长发育的差异，在身高推算之前，应先确定性别和种族，以采用合适的模型。

2.3.3 种族推断

影像学技术也常用于种族推断研究，包括对比观察法和仪器测量法。种族的骨骼推断中应用较多的部位为颅骨。进行颅骨测量时，需确定颅骨标志点，在此基础上，对不同的测量值进行判别函数分析，确定个体的种族。除了专家提出的经典方法［如Howells，Krogman&şcan］，一些软件［如Fordisc 3.0（Knoxville，TN）和Cranid-V6（Sydney，Australia）］也可提供有用信息，且易于操作[31]。

2.4 人类学数据库

鉴于人类影像学资料比干骨资料易于采集和保存，可建立大型人类学影像数据库。目前已有的数据库有Denver Growth Study（https://www.aaoflegacycollection.org/aaof_collection.html?id=UOKDenver）和Fels Longitudinal Study（https://www.aaoflegacycollection.org/aaof_collection.html?id=WSUFels），这两个数据库是个体发育的系列X线片的纵向数据库。基于影像学资料有望建立包含详尽的人口统计学和生活史数据的数字化人类学数据库。但此类数据库须特别注意隐私保护等伦理问题。目前法医人类学家直接采集大样本尸体的影像学数据是不现实的，法医人类学家采集的虚拟骨骼信息常为诊疗目的的临床数据，因此应促进临床医师与法医人类学家的合作交流，以创建法医人类学虚拟数据库，有利于研究当代人群生物信息学特征，并为各类涉及人类学数据的案（事）件提供数据支撑。

3 虚拟人类学发展与展望

虚拟人类学可实现人体生物数据的永久保存、方便调取与研究。在过去的几十年里，影像学技术在法医学研究和实践中的应用呈指数增长。但此类技术在实践中还未全面普及，其主要限制因素之一为成本，如CT和高端激光扫描仪的购买和维护需大量资金投入，同时，先进的成像设备和相关软件的使用也要专业知识。尽管存在这些局限性，影像学技术正逐渐纳入法医人类学分析和研究常态中。

随着影像学技术的不断进步，有望发现新颖、定量的方法，包括自动化数据收集、处理和分析程序。鉴于干骨样本库的高成本和来源少，数字形式的骨骼影像易于保存和共享交流，应用这些先进的成像技术创建虚拟数据库，有望促进虚拟人类学的不断发展和更新。但目前虚拟人类学数据多来自临床，因此需要加强法医人类学家、临床医生和计算机人员的协作，在确保信息安全的基础上，公开交流，共享信息、数据和资源，促进跨学科合作，建立标准操作规程，有利于建立数据量更大、用途更广的数据库。

随着虚拟人类学的研究和验证研究逐渐增多，更多的基于干骨的指标逐渐用于影像学资料。如耻骨联合面、耳状面的表面形态变化用于CT年龄推断。部分研究[28，81]发现，一些尸骨指标在医学影像中不易观察，因此干骨指标需基于医学影像特征进行修订。同时，医学影像学资料可从更多的视角开展人类学研究，如断层标志点的测量。近年来，研究人员采用几何形态测量方法进行三维CT和表面扫描的研究，以便对特征进行量化和统计分析[75]。通过几何形态测量分析法可定量分析目标轮廓、曲线和表面形状等，方法较客观，但此类方法仍需大量研究验证。

虚拟人类学方法应用的限制之一，是既往方法多基于欧美人群建立，社会经济、地域对骨骼发育的影响已得到证实，因此，此类方法应用于中国人群时，应在大样本中国人群中进行验证，同时中国幅员辽阔，民族众多，生活环境、习惯差异大，有必要建立不同民族的虚拟人类学数据库。另一限制是不同影像学技术结果的比较。目前，尚无法医人类学骨骼影像扫描标准，研究人员所采用的方法和扫描仪设置也有所不同。采用不同影像学技术进行虚拟人类学比较研究时应谨慎，因为扫描参数、测量技术、后处理技术，甚至所用软件都可能造成测量数据的误差。研究成果的实际应用，也应参考同一人群、相同技术方法下的研究结果。

MRI作为无辐射的断层影像，将是未来活体人类学研究的重要技术，但我国MRI研究尚处于起步阶段，相关研究较少，MRI推断的准确性还需与CT或X线片进行进一步比较研究。就目前而言，CT和X线片仍是虚拟人类学研究和实践的重要手段。多模态影像方法也是虚拟人类学的发展方向，如ŠTERN等[54]的多模态MRI，在避免影像辐射的同时，多模态融合研究，综合分析骨骼和（或）牙齿特征，有助于提高虚拟人类学研究的准确性。

随着统计学和法医人类学的交叉融通，大量的高效统计学方法应用于法医人类学研究，特别是数据挖掘技术。多种数据挖掘技术已广泛用于虚拟人类学，如支持向量机、人工神经网络、决策树、集成算法等。KOTEROVÁ等[82]基于骨盆采用了9种数学模型推断成人年龄。ŠTEPANOVSKY等[83]基于青少年口腔全景曲面体层摄影片，采用了22种方法推断年龄。FAN等[37]应用数据挖掘技术建立了4种颅缝成人年龄推断模型，ZHANG等[84]应用数据挖掘技术建立了5种肋软骨钙化成人年龄推断模型。NIKITA等[85]基于骨盆和颅骨建立了7种性别判断的分类模型。CURATE等[86]应用股骨建立了4种性别判断模型。数据挖掘技术可对大数据进行分析，挖掘潜在有价值信息，进行多分类和回归分析，有助于提高评估准确性。因此可根据虚拟人类学数据特征应用数据挖掘技术建立多种模型，评估筛选最优模型。

随着计算机技术的发展，医学图像识别技术正逐渐应用于虚拟人类学，一些研究者正在探索应用深度学习建立全自动图像分析技术，其中CNN是目前应用最广泛的医学图像分析方法。相较其他深度学习技术，CNN更易训练、泛化能力更好[87]。深度学习可从图像中自动学习任务相关特征，输出结果，是一种基于学习的端对端的方法。深度学习在年龄和性别推断中的应用，提示其在虚拟人类学中具有较高的应用价值。应用深度学习技术可突破传统方法设计指标、依赖经验和主观判断等局限，实现自动化图像识别、提取和分析。特别是成人年龄相关特征，不易人工提取，可采用深度学习技术自动识别、提取年龄相关特征推断成人年龄。