Informatica Medica Slovenica; 2022; 27(1-2) 33 published by / izdaja SDMI  http://ims.mf.uni-lj.si/  Strokovni članek Mojca Dovnik, Jože Balažic, Dejan Dinevski Potenciali umetne inteligence za uporabo v sodnomedicinski praksi Povzetek. Raziskovanje možnosti, ki jih umetna inteligenca ponuja za reševanje razli čnih problemov v medicini, predstavlja zelo aktualno podro čje znanosti. Na podro čju sodne medicine, ki je izrazito vizualna veja medicine tako na makroskopski kot na mikroskopski ravni, so posebej obetavne konvolucijske nevronske mreže, ki imajo odli čno sposobnost prepoznave in kategorizacije slikovnega materiala. Specialistu sodne medicine so lahko v pomo č pri ugotavljanju vzrokov smrti, identifikaciji, interpretaciji strelnih ran, dolo čanju časa nastopa smrti in pri klini čnem delu. Vendar pa so metode umetne inteligence na podro čju sodne medicine v razli čnih fazah zrelosti za uporabo v realnih delovnih okoliš činah. V splošnem so še posebej uporabne za pregled kompleksnih baz podatkov, ko je potrebno izluš čiti dolo čen podatek ali opozoriti na dolo čeno podrobnost, ki bi se lahko izkazala za pomembno pri kon čni odlo čitvi oziroma diagnozi. Interpretacija zaklju čkov algoritmov umetne inteligence pa ostaja v domeni specialista sodne medicine. Umetno inteligenčni sistemi imajo tudi slabosti, njihova vpeljava v vsakodnevno delo pa na podro čju sodne medicine predstavlja še posebej kompleksno nalogo, saj ocena relevantnosti uporabe in sprejemanje takšnega na čina dela ni odvisna zgolj od zdravnikov, temve č tudi od sodnikov ter odvetnikov, žrtev in storilcev kaznivih dejanj. Klju čne besede: umetna inteligenca; sodna medicina; identifikacija; čas smrti; kremenaste alge; strelne rane. Potentials of Artificial Intelligence for Use in Forensic Medical Practice Abstract. The potential of artificial intelligence to solve various problems in medicine is an intensively researched area of science. Convolutional neural networks, which have an excellent ability to recognize and categorize imagery, are especially promising in the field of forensic medicine, which is a particularly visual branch of medicine at both the macroscopic and microscopic level. They can be helpful to the forensic medicine specialist in determining causes of death, identification of human remains, interpretation of gunshot wounds, estimating post-mortem interval, and in clinical work. However, artificial intelligence methods in forensic medicine are at various stages of maturity for use in real-world work situations. In general, they are particularly useful in reviewing complex databases, extracting specific information or pointing out a particular detail that may prove important to the final decision or diagnosis. However, the interpretation of the conclusions of artificial intelligence algorithms is left to the forensic medical specialist. Artificial intelligence systems also have weaknesses, and their introduction into the daily work of forensic medicine is a particularly complex task, since the assessment of the relevance of the use and the acceptance of such a way of working depends not only on medical doctors, but also on judges and lawyers, victims and offenders. Key words: artificial intelligence; forensic medicine; identification; post-mortem interval; diatoms; gunshot.  Infor Med Slov 2022; 27(1-2): 33-41 Institucije avtorjev / Authors' institutions: Univerzitetni klinični center Maribor (MD); Medicinska fakulteta Ljubljana, Univerza v Ljubljani (JB); Medicinska fakulteta Maribor, Univerza v Mariboru (DD). Kontaktna oseba / Contact person: Mojca Dovnik, dr. med., UKC Maribor, Ljubljanska ulica 5, 2000 Maribor, Slovenija. E-pošta / E-mail: mojca.dovnik@student.um.si. Prispelo / Received: 30. 1. 2023. Sprejeto / Accepted: 31. 1. 2023. 34 Dovnik et al.: Potenciali umetne inteligence za uporabo v sodnomedicinski praksi izdaja / published by SDMI  http://ims.mf.uni-lj.si/ Uvod Raziskovanje možnosti, ki jih umetna inteligenca (UI; angl. artificial intelligence) ponuja za reševanje razli čnih problemov v medicini, predstavlja zelo aktualno in pomembno podro čje znanosti. UI se ukvarja s tako imenovanimi »misle čimi stroji«. Predstavlja teorijo in razvoj ra čunalniških sistemov, ki so sposobni opravljati naloge, za katere bi sicer bila potrebna človeška inteligenca, kot so vidno zaznavanje, prepoznava govora in odlo čanje. Umetnointeligen čni sistemi so sposobni učinkovitega pregledovanja masivnih podatkov (angl. big data) in njihovega razvrš čanja. Ena izmed vej UI je strojno u čenje (angl. machine learning). Obsega razli čne tehnike analize vhodnih podatkov in odlo čanja, pri čemer se praviloma zanaša na posredovanje programerja pri razumevanju vhodnih podatkov. Globoko u čenje (angl. deep learning) je metoda strojnega u čenja, ki omogoča reševanje kompleksnih problemov in za svoje delovanje ne potrebuje človekovega posredovanja. Definiranje zna čilnosti, ki so potrebne za kon čni odlo čitveni proces, pri globokem u čenju ni potrebno, temveč gre za avtomatski proces oziroma sposobnost samostojnega u čenja. Globoko u čenje posnema delovanje človeških možganov in je zasnovano na nevronskih mrežah. Natan čneje so konvolucijske nevronske mreže (angl. convolutional neural networks) tiste, ki imajo odli čno sposobnost prepoznave in kategorizacije slikovnega materiala. Za svoje delovanje uporabljajo principe linearne algebre, predvsem matri čno množenje za prepoznavanje vzorcev v slikah. 1-4 Konvolucijske nevronske mreže so že pokazale velik potencial za uporabo v diagnostiki in obravnavi razli čnih bolezenskih stanj in so obetavne tudi na podro čju sodne medicine, ki je izrazito vizualna veja medicine tako na makroskopski kot na mikroskopski ravni. Sodna medicina s posredovanjem medicinskih ugotovitev pravnim in drugim pristojnim oblastem sodeluje v razrešitvah kazenskih in civilnih zadev. Temeljno opravilo specialista sodne medicine vklju čuje obdukcije umrlih sumljivih smrti, ki so v zvezi ali posledica kaznivega dejanja. Prav tako je pomembno delo na podro čju izvedenstva v kazenskih, civilnopravnih ter zavarovalniških zadevah, mrliškopregledna služba, histološka dejavnost, forenzi čna genetika, forenzi čna toksikologija in antropologija, katastrofna služba ter klini čna forenzi čna medicina. Metode UI so na podro čju sodne medicine v razli čnih fazah zrelosti za uporabo v realnih delovnih okoliš činah. Ve činoma gre za fazo intenzivnega raziskovanja, s tem pa razvoja in preverjanja veljavnosti številnih modelov za uporabo. V nadaljevanju so opisani primeri uporabe UI na podro čju tanatologije in klinične forenzi čne medicine, ki so do sedaj pokazali najve čji potencial. 5,6 Identifikacija trupel ali delov trupel Pozitivna identifikacija mrtvih na podlagi medicinsko relevantnih značilnosti je mogo ča s pomo čjo ne- primerjalnih tehnik, kjer gre za dolo čitev osnovnih zna čilnosti trupla (tj. spola, starosti, višine, teže in indeksa telesne mase) ali primerjalnih tehnik, kjer pa gre za iskanje ujemanja med posmrtnimi ostanki in informacijami in dokumenti živih za katere predvidevamo, da bi lahko bili med umrlimi. Zna čilnosti na katere se je mogo če upreti in tehnike, ki se bodo uporabile za dolo čitev identitete, so v veliki meri odvisne od ohranjenosti trupla. Obstajajo razli čne možnosti vklju čevanja umetne inteligence tako v neprimerjalne kot tudi v primerjalne tehnike identifikacije. 5,6 Neprimerjalne tehnike identifikacije UI se na podro čju neprimerjalnih tehnik identifikacije najve čkrat uporablja za določanje spola in starosti trupla na podlagi rentgenskih slik (npr. ortopantomogramov), nekatere novejše metode za dolo čanje spola pa temeljijo tudi na razlikah v možganskih zna čilnostih, prikazanih s pomo čjo magnetne resonance. Nekatere metode se uporabljajo tudi za rekonstrukcijo obraza na podlagi zobozdravstvenih zna čilnosti. 5,7 Uporaba raznih 3D in slikovnih tehnik (ra čunalniške tomografije, magnetne resonance, skenerjev, ipd.) v sodnomedicinskih postopkih identifikacije je sicer dobrodošla, vendar ena sama tehnika obi čajno ne zadoš ča za določitev spola žrtve, še posebej skeletiziranega trupla. Kombinirana uporaba navedenih tehnik je predvsem s finan čnega vidika zaenkrat nesprejemljiva, zato se v sodni medicini poslužujemo osnovne DNK genotipizicije (dolo čitev osnovnega genetskega profila), ki združuje tudi fenotip in je zaenkrat tudi najnatančnejša in cenovno sprejemljiva metoda za dolo čanje spola neznanega, predvsem skeletiziranega trupla. Dolo čanje spola neskeletiziranih trupel obi čajno temelji na zunanjem pregledu trupla, v primeru skeletiziranih posmrtnih ostankov pa na morfoloških zna čilnostih ter morfometriji lobanje, medenice ter dolgih in nekaterih drugih kosti. Določanje starosti je težavnejše od dolo čanja spola neskeletiziranega trupla in gre obi čajno za grobo oceno z ozirom na barvo las, elasti čnost kože, stanje zobovja, morebitno prisotnost Informatica Medica Slovenica; 2022; 27(1-2) 35 published by / izdaja SDMI  http://ims.mf.uni-lj.si/ senilnega obro ča na robu roženice in prisotnost razli čnih stopenj degenerativnih ateroskleroti čnih sprememb arterij. Eden izmed bolj natan čnih pokazateljev starosti je ocena osifikacijskih jeder in stopnje fuzije epifiz. Po zaklju čku razvoja skeleta in zobovja obstaja manj zanesljivih znakov, ki bi bili uporabni za oceno starosti, zato ostaja dolo čanje biološke starosti odraslih okostnjakov ena izmed najtežjih nalog na podro čju forenzi čne antropologije. 5 Razli čni modeli UI lahko pripomorejo k odlo čitvi glede spola in starosti skeletnih ostankov. Eden izmed takih modelov za določanje spola skeletnih ostankov je prikazan na sliki 1. Temelji na virtualnih 3D rekonstrukcijah medenice, izoblikovanih na osnovi slikovnega materiala, pridobljenega z ra čunalniško tomografijo (CT). Algoritem se je izkazal za u činkovitejšega od človeka v pravilni dolo čitvi spola navideznih 3D rekonstrukcij medenice dejanskih skeletnih ostankov. Te rekonstrukcije so ustvarili s pomo čjo ro čnega 3D opti čnega čitalca. Čeprav je uporaba CT povezana z visokimi stroški nakupa opreme in njenega vzdrževanja in zahteva specializirano strokovno znanje; tak model konvolucijske nevronske mreže, ki ga je mogo če uporabiti na prenosnih napravah ob dostopu do 4G/5G omrežja, veliko obeta na podro čju dolo čanja spola skeletnih ostankov na samem kraju zločina oziroma najdbe ostankov. 8 Slika 1 Primer modela umetne inteligence za dolo čanje spola skeletnih ostankov. Problem v slovenskem prostoru predstavlja tudi dejstvo, da obe Medicinski fakulteti nista del zdravstvenega sistema po analogiji univerzitetnih klinik (Nem čija, Švica) in je tako sodelovanje z radiološkimi inštituti in oddelki bolnišnic ter obeh Univerzitetnih klini čnih centrov prakti čno nemogo če. Trenutno edini Inštitut za sodno medicino na Medicinski fakulteti v Ljubljani pa si modernih slikovnih tehnik razen prenosnega rentgenskega aparata ter skenerja iz finan čnih razlogov ne more samostojno privoš čiti, zato je primoran pri svojem delu uporabljati konvencionalne metode in tehnike. Primerjalne tehnike identifikacije Umetna inteligenca je lahko v pomo č na podro čju genetike pri analizi kompleksnih genetskih profilov, v forenzi čni antropologiji v procesu kraniofacialne superprojekcije ali v forenzi čni odontologiji za klasifikacijo razli čnih posegov na zobovju ali prepoznavo dolo čenih zna čilnosti zobovja (npr. avtomatsko analizo dentalnih rentgenskih slik). Trenutno se umetna inteligenca že uporablja v procesu identifikacije žrtev množi čnih nesre č in je bila vklju čena v ta proces pri strmoglavljenju letala MH17 v Ukrajini leta 2014, letalski nesre či v Tripoliju leta 2010 in cunamiju na Tajskem leta 2004. Specialist sodne medicine se v primeru množi čne nesre če sre čuje s številnimi žrtvami. Nekatere izmed njih lahko identificira s pomo čjo primerjave obraza s sliko na potnem listu, najdenem na kraju nesre če. Poškodbe pa so lahko zelo hude in zaradi tega je tak na čin identifikacije ni mogo č. V tem primeru bi lahko zdravnik uporabil umetno inteligenco za izluš čenje relevantnih značilnosti iz slike obraza, programska oprema pa bi nato te podatke primerjala z zbirko že identificiranih obrazov. Rezultate ujemanja bi nato zdravnik ustrezno ovrednotil in odlo čil o morebitnih dodatnih metodah, ki bi bile potrebne za identifikacijo. 5 Pri uporabi tovrstnih algoritmov umetne inteligence so strokovnjaki pri identifikaciji žrtev letalske nesre če in cunamija naleteli na velik problem, saj ve čina predhodno fotografsko obdelanih obrazov žrtev ni bila na razpolago, oziroma so bili fotografski posnetki za tovrstno delo neuporabni. Specialist sodne medicine se v procesu identifikacije osredoto ča na razli čne zna čilnosti trupla. Pomembna je predvsem prepoznava prstnih odtisov, analiza dednega materiala in ocena zobovja. Manj pogosto analizira anatomske in biološke zna čilnosti sfenoidalnega ali frontalnega sinusa, ki pa so prav tako edinstvene in se lahko uporabijo za identifikacijo posameznikov. Primer metode UI za identifikacijo posameznikov, ki temelji na oceni zna čilnosti 3D modelov sfenoidalnih sinusov, rekonstruiranih na osnovi CT slikovnega gradiva, je prikazan na sliki 2. Algoritem je sposoben izluščiti relevantne geometrijske zna čilnosti sfenoidalnega sinusa neidentificirane osebe in jih primerjati s slikovnim gradivom iz drugega obdobja (tj. zaživljenjskimi CT posnetki sfenoidalnega sinusa). Metoda se opira na 36 Dovnik et al.: Potenciali umetne inteligence za uporabo v sodnomedicinski praksi izdaja / published by SDMI  http://ims.mf.uni-lj.si/ človeka zgolj v procesu 3D rekonstrukcije sfenoidalnega sinusa. 9 Slika 2 Primer modela umetne inteligence za identifikacijo. Dolo čanje časa nastopa smrti Metode UI se za dolo čanje časa nastopa smrti opirajo predvsem na podatke, pridobljene z zunanjim pregledom trupla, zakonitosti forenzi čne entomologije in biokemije ter na spremembe telesne temperature trupla. Raziskujejo se na čini za avtomatizirano dolo čanje časa nastopa smrti na podlagi posmrtnih fotografij z dolo čanjem stopnje motnosti roženice, na podlagi rezultatov biokemijske analize o česne vodice (predvsem koncentracije K + ) ali na podlagi mikrobioma in za dolo čanje starosti in vrste forenzi čno pomembnih žuželk na podlagi spektrogramov ali fotografij. Prav tako se razvijajo metode UI, ki posredno prispevajo k dolo čitvi časa nastopa smrti, npr. z oceno temperature okolice. 5,10 Metode za dolo čanje časa nastopa smrti zaenkrat ne dopuš čajo avtomatizacije, ker je za postmortalni interval potrebno upoštevati ve č razli čnih metod in tehnik. Avtomatizirana bi zaenkrat lahko postala normogramska metoda uporabe temperature jeder trupla (Henssgejev normogram), ki ga je mogo če z ustreznim ra čunalniškim programom avtomatizirati. Metoda daje zaenkrat najbolj sprejemljiv postmortalni interval. Po smrti roženica pomotni in se naguba zaradi postopne degeneracije in nekroze roženi čnih celic, neenakomerne zadebelitve strome in izhlapevanja vode. Običajno specialist sodne medicine s prostim o česom oceni stopnjo motnosti roženice in ugotovitve zapiše v obdukcijski izvid. Vendar pa v tem primeru ne gre za objektivno kvantifikacijo in zato je ocena časa nastopa smrti na podlagi te ugotovitve zelo nezanesljiva. Raziskovalci so zato razvili metode UI za izboljšanje zanesljivosti ocene časa nastopa smrti na podlagi zna čilnosti roženice trupla. Primer predstavlja naprava (angl. Corneal-Smart Phone), ki omogo ča fotografiranje in digitalno analizo pridobljenega slikovnega materiala ter oceno časa nastopa smrti, prikazana na sliki 3. Gre za prenosno napravo, sestavljeno iz pametnega telefona in nastavka, ki zagotavlja enakomerno osvetlitev in s tem ustrezno kakovost slik za nadaljnjo analizo, ki jo opravi aplikacija na telefonu. Sistem je sposoben avtomatske prepoznave relevantnih zna čilnosti na slikah in ocene časa nastopa smrti, ki se nato prikaže na zaslonu telefona. 11 Slika 3 Shematski prikaz naprave za fotografiranje roženic trupel na terenu (angl. Corneal – Smart Phone). Ugotavljanje vzroka smrti Metode UI so lahko v pomoč tudi pri ugotavljanju vzroka smrti. Lahko temeljijo na podatkih iz obdukcijskih zapisnikov, zdravniških potrdil o smrti in poro čil o vzroku smrti, dokumentih s klini čnimi podatki o posamezniku ali na drugih analitičnih podatkih in so usmerjene predvsem na ovrednotenje verjetnosti za posamezni vzrok smrti. Lahko temeljijo tudi na analizi posmrtnega slikovnega gradiva in so v pomo č pri iskanju radioloških zna čilnosti, povezanih s posameznim vzrokom smrti (npr. zgostitve mle čnega stekla z zadebelitvijo acinarnega in lobularnega intersticija na CT slikah utopljencev). Eden izmed najbolj obetajo čih na činov vklju čevanja teh metod v sodnomedicinsko prakso je uporaba metod UI v diagnostiki utopitve s testom na prisotnost kremenastih alg. 5,12 Kremenaste alge ali diatomeje so enoceli čne alge s silicijevim eksoskeletom. V primeru utopitve predrejo alveolarne stene, nato po vstopijo v krvni obtok in se prenesejo tudi do oddaljenih organov, kot so možgani, ledvice, jetra in kostni mozeg. Po obdelavi vzorcev organov, odvzetih med obdukcijo, z žveplovo ali dušikovo kislino se visoko odporni eksoskelet kremenastih alg ohrani in ga je mogo če prepoznati pod mikroskopom. Alternativno se organizmi lahko dolo čajo tudi iz krvi. Zaradi možnosti izgube kremenastih alg med pripravo preparatov za analizo po klasi čnih metodah in v izogib lažno negativnim rezultatom se lahko kemijska digestija organskih snovi zamenja tudi z mikrovalovno digestijo, centrifugiranje z vakuumsko filtracijo, klasi čno svetlobno mikroskopiranje pa z vrstičnim elektronskim mikroskopiranjem. 2,6,13,14 Informatica Medica Slovenica; 2022; 27(1-2) 37 published by / izdaja SDMI  http://ims.mf.uni-lj.si/ Če je bilo truplo zgolj odvrženo v vodo, lahko kremenaste alge kljub temu pasivno poniknejo v plju ča, vendar pa jih v tem primeru ne bo mogo če najti v oddaljenih organih, kar bi bila posledica odpovedi cirkulacije že pred stikom z vodo. Zaradi tega test s kremenastimi algami predstavlja eno od možnosti za diagnosticiranje utopitve (slika 4) in je še posebej uporaben pri mo čno gnilobno spremenjenih truplih. 6 Ocenjujejo, da obstaja ve č kot 20.000 različnih vrst kremenastih alg. V splošnem oligohalofilne diatomeje živijo v sladkovodnih obmo čjih, mezo- in polihalofilne pa v slani oziroma morski vodi. Posamezne živijo le v to čno dolo čenem habitatu z dolo čeno koli čino hranil, svetlobe, mineralno sestavo, temperaturo in globino. Populacije kremenastih alg so zato raznolike in dinami čne oziroma odvisne od okoljskih sprememb na določenem obmo čju. Z ekološko tipizacijo kremenastih alg, njihovo kvantifikacijo in primerjavo vzorcev tkiv in vzorcev vode je tako mogo če oceniti tudi lokacijo utopitve (npr. v primerih, ko je vodni tok truplo naplavil na oddaljeno mesto). U činkovitost dolo čanja lokacije utopitve pa je odvisna tudi od vzpostavljanja podatkovnih zbirk, v katerih bi bili zbrani profili kremenastih alg v vodnih virih na dolo čenem obmo čju v dolo čenem mesecu ali letnem času, da bi z njimi lahko primerjali profile kremenastih alg iz vzorcev tkiv trupel. 6,13 Slika 4 Na čelo uporabnosti kremenastih alg pri opredelitvi utopitve kot vzroka smrti. Test s kremenastimi algami za potrditev utopitve pa ima tudi nekatere slabosti. Kremenaste alge so prisotne prakti čno povsod, ne le v vodnih virih, temve č tudi v zraku in zemlji. Nahajajo se v hrani, npr. v morskih sadežih, pa tudi nekateri pogosto uporabljani minerali in drugi proizvodi, kot je npr. kreda, vsebujejo diatomejam podobne materiale. Kremenaste alge bi lahko oddaljene organe dosegle tudi preko vstopa v cirkulacijo iz prebavnega trakta. Zaradi tega je zanesljivost testa s kremenastimi algami še vedno sporna. Potrebno je upoštevati okoliš čine smrti ter kvantitativno razliko v številu kremenastih alg, dolo čenih v truplih utopljencev, v primerjavi z drugimi trupli. Test s kremenastimi algami specialistom sodne medicine ostaja v pomo č pri dolo čitvi utopitve kot vzroka smrti, vendar ni primeren kot dokaz na sodiš ču. 6 Verjetnost za lažno pozitivne rezultate testa na prisotnost kremenastih alg v oddaljenih organih zaradi kontaminacije pred ali po smrti se lahko zmanjša z natan čno kvalitativno in kvantitativno analizo. Ker pa je dolo čanje morebitne prisotnosti kremenastih alg v izbranih vzorcih utrudljivo, časovno zahtevno in drago ter pogosto zahteva specifi čno znanje taksonomije, so bili razviti visoko učinkoviti, hitri in objektivni umetnointeligen čni sistemi za avtomatizirano prepoznavo in razvrš čanje posameznih vrst kremenastih alg. Temeljijo na kombinaciji globoke konvolucijske nevronske mreže s sposobnostjo prepoznave in kategorizacije slikovnega materiala z digitalno patologijo, ki ponuja platformo, preko katere je mogoče digitalno pregledovati, upravljati, deliti in analizirati mikroskopske preparate. 2,13 Na sliki 5 je prikazan primer strategije umetnointeligen čnega sistema za mikroskopsko identifikacijo skeleta kremenastih alg na digitaliziranih mikroskopskih preparatih. Iz tkivnih vzorcev se po obdelavi s kislinami pripravijo mikroskopski preparati, ki jih je nato potrebno digitalizirati z opti čnim bralnikom. Model konvolucijske nevronske mreže prepozna kremenaste alge iz vzorcev tkiv (ali vzorcev vode) in jih nato tudi razvrsti, kar omogo či sklepanje na mesto utopitve (primerjava profila specifi čnih diatomej v vzorcih tkiv in vzorcih vode). 13 38 Dovnik et al.: Potenciali umetne inteligence za uporabo v sodnomedicinski praksi izdaja / published by SDMI  http://ims.mf.uni-lj.si/ Slika 5 Primer strategije umetnointeligen čnega sistema za mikroskopsko identifikacijo skeleta kremenastih alg. Interpretacija strelnih ran Balistika je veda, ki se ukvarja z gibanjem, obnašanjem in u činkom izstrelkov in zajema tudi balistiko rane, tj. preu čevanje gibanja izstrelka po prodoru v človeško tkivo. Interpretacija strelnih ran s strani specialista sodne medicine pomembno prispeva k rekonstrukciji dogajanja v času streljanja, kar je v javnem interesu in ima seveda tudi pravne posledice. Zaradi tega morajo biti zaklju čki glede tipa orožja in izstrelka, strelne razdalje in smeri strela čim bolj natan čni. Modeli UI so lahko v pomoč pri interpretaciji strelnih ran, npr. pri oceni strelne razdalje na podlagi fotografij rane. Na sliki 6 so prikazani primeri strelnih stran. Od leve proti desni prva slika predstavlja negativno kontrolo; druga slika rano po strelu iz absolutne bližine z vidno sledjo cevi in strelno rano, ki je ve čja od kalibra izstrelka zaradi delovanja smodniških plinov; tretja slika rano po strelu iz bližine z vidno sledjo plamena, dimnim kolobarjem in tetovažo; četrta slika pa rano po strelu iz razdalje, kjer dopolnilnih faktorjev ne najdemo. Razli čni tipi strelnih ran imajo torej razli čne vizualne zna čilnosti, kar je osnova modelov UI za določanje oddaljenosti strela. 6,15 Slika 6 Reprezentativni primeri strelnih ran, nastalih po streljanju z razli čnih strelnih razdalj. Klinična forenzi čna medicina Klini čna forenzi čna dejavnost vklju čuje telesne preglede živih preiskovancev in izvajanje drugih preiskav, potrebnih za oceno starosti, mentalnega stanja ali stopnje telesnih poškodb posameznikov. Metode UI zaenkrat niso vklju čene v delo specialista sodne medicine na tem področju, kljub temu pa se številne raziskave ukvarjajo s potencialnimi možnostmi za njihovo uporabo, še posebej na podro čju forenzi čne psihiatrije. Metode UI so lahko v pomo č tudi pri pregledu žrtev spolnega nasilja z avtomatsko razvrstitvijo kolposkopskih slikovnih izvidov. Tako bi npr. specialist sodne medicine lahko žrtev pregledal z digitalnim kolposkopom, povezanim z računalnikom. Vsaki č bi posneto sliko pregledal umetnointeligen čni sistem na ra čunalniku in prepoznal ter izpostavil poškodbe, vidne na sliki, ki bi jih nato specialist sodne medicine ustrezno ovrednotil glede na relevantnost za opredelitev posilstva. Prav tako bi bila možna avtomatska ocena starosti podplutb na osnovi fotografij (slika 7). Podplutbe so namre č krvavitve pod površino kože, ki nastanejo zaradi udarca s topim predmetom in so na površini vidne kot obarvanje kože, ki se spreminja s časom in je lahko opazno tudi po 30 dneh po poškodbi. 5,16 Slika 7 Primer modela umetne inteligence za avtomatsko oceno starosti podplutb. Virtopsija Skupaj s klini čno radiologijo se razvija tudi podro čje forenzi čne radiologije. Ve črezinski ra čunalniški tomograf, magnetna resonanca in 3D skeniranje se v nekaterih primerih kombinirajo s klasi čnimi obdukcijami za dokumentiranje poškodb na objektiven in neinvaziven na čin. Radiološke metode so se za prepoznavanje nekaterih poškodb skeleta in tkiv izkazale kot boljše v primerjavi s klasi čno obdukcijo. Trirazsežni pristopi imajo potencial tudi za oblikovanje animacij, ki lahko pripomorejo k boljšemu razumevanju dinami čnega nastanka dolo čenega vzorca poškodb, s tem pa k oceni verjetnosti, da je bila dolo čena poškodba povzro čena z dolo čenim predmetom (možna je npr. primerjava telesnih poškodb s poškodbami na vozilu v primeru prometnih nesre č). 17-19 Informatica Medica Slovenica; 2022; 27(1-2) 39 published by / izdaja SDMI  http://ims.mf.uni-lj.si/ Uvajanje novih metod v sodnomedicinsko prakso pa je prineslo tudi potrebo po ustrezni podatkovni zbirki za shranjevanje forenzi čnih radioloških in patoloških ugotovitev v digitalni standardizirani obliki, ki so registriranim uporabnikom ves čas na voljo za ogled in medsebojno primerjavo z namenom ovrednotenja navideznega pristopa k pregledu trupla (t. i. virtopsije) glede na trenutno uveljavljen zlati standard klasi čne obdukcije. Takšna podatkovna zbirka je tudi vir informacij za raziskovalne in u čne namene, sredstvo za zbiranje, arhiviranje in posredovanje medicinskih podatkov na anonimen na čin zaradi sodelovanja in izmenjave izkušenj med institucijami na nacionalni in mednarodni ravni (telemedicina) ter orodje za spremljanje kakovosti dela. V Švici so razvili metodo centraliziranega upravljanja s podatki (preko osrednjega strežnika), ki od kon čnega uporabnika ne zahteva nakupa, nameš čanja ali vzdrževanja nobene specializirane programske ali strojne opreme. Omogoča hitro in enostavno deljenje ustreznih protokolov številnim uporabnikom, medtem ko se dostop do podatkov in njihova analiza opravlja centralno. Na ta na čin je mogo če bolj enostavno vzpostavljanje razli čnih registrov. Dodatno lokalni internetni strežnik deluje kot filter med uporabnikom in centralno podatkovno zbirko oziroma omogo ča, da vsak inštitut dostopa do sistema preko lastne spletne strani ter tako ohranja kontrolo in odgovornost za ob čutljive medicinske podatke. Samo anonimizirani podatki se posredujejo do osrednjega strežnika. Takšna podatkovna zbirka torej pomembno prispeva tudi k uveljavljanju virtopsije v sodnomedicinsko prakso, saj omogo ča neposredno primerjavo radioloških in patoloških podatkov ter s tem dolo čanje lo čljivosti in ob čutljivosti posamezne metode za prepoznavo razli čnih zna čilnosti trupla. 19 Razprava Z napredkom informacijske tehnologije, ra čunalniških sistemov in dostopnostjo do obširnih podatkovnih zbirk so se v zadnjem desetletju pokazale številne potencialne možnosti uporabe metod UI na podro čju sodne medicine. Predvsem gre za metode s sposobnostjo reševanja dolo čenih nalog na podlagi prepoznavanja vzorcev v kopici razli čnih vrst podatkov (številskih vrednosti, slikovnega gradiva, poro čil, videoposnetkov in grafikonov), kar omogo ča širšo uporabno vrednost teh metod, npr. prepoznavo razli čnih anomalij na posmrtnem slikovnem gradivu. Vendar pa dolo čen model UI lahko opravlja zgolj točno dolo čeno nalogo (npr. model za dolo čanje starosti posameznika ne more dolo čati tudi spola ali uporabljati kakršnihkoli drugih podatkov, ki niso bili vklju čeni v proces u čenja brez posredovanja človeka). 5 Metode UI so lahko kljub temu na razli čne načine v pomo č specialistu sodne medicine pri njegovem delu, npr. ugotavljanju vzrokov smrti, identifikaciji, interpretaciji strelnih ran, dolo čanju časa nastopa smrti in pri klini čnem delu. Zaenkrat je po poro čanju v literaturi identifikacija žrtev množi čnih nesre č edino podro čje sodne medicine, kjer se UI že uporablja. Najnaprednejši tovrstni sistemi so že nekaj časa v praksi švicarskih sodnomedicinskih inštitutov, kjer se najve č ukvarjajo z virtopsijo, ki bi naj s časoma nadomestila klasi čno avtopsijo. Pri tem uporabljajo številne tehnike in ra čunalniške programe, ki pa brez izkušenega človeškega strokovnega potenciala ne dajejo pri čakovanih rezultatov (postmortalna ra čunalniško tomografska angiografija, 3D ra čunalniška obdelava trupla, jemanje bioloških vzorcev po načinu igelne biopsije, MRI slikovna obdelava). Toda avtomatizacija bi tudi na drugih podro čjih bistveno pospešila sicer časovno zahtevne, kompleksne in utrudljive naloge ter prihranila administrativno delo. Avtomatizirana prepoznava in razvrš čanje kremenastih alg in njihova primerjava med vzorci tkiv in vode prinaša veliko prednosti pred ro čnim pregledovanjem mikroskopskih preparatov in njihovo medsebojno primerjavo. Prav tako so umetnointeligen čni sistemi sposobni pravilne prepoznave manjših ostankov kremenastih alg, ki bi jih človek običajno spregledal, kar zmanjšuje verjetnost za lažno negativne rezultate. Pri tem pa bo v prihodnosti potrebno zagotoviti, da je algoritem UI dovolj fleksibilen in sposoben prepoznati nove vrste kremenastih alg, na katere še ni naletel, oziroma bo potrebno sprotno u čenje algoritma z novimi podatki o novih vrstah za zagotavljanje ustrezne natan čnosti in pravilnosti prepoznave. 2,3,5,14 Ena od pomanjkljivosti obstoje če sodnomedicinske metodologije na podro čju dolo čanja biološkega profila trupla ali njegovih ostankov je subjektivnost. Zanesljivost rezultata, ki temelji na makroskopski analizi, je namre č odvisna od izkušenosti opazovalca. Izkušnje pa je težko kvantificirati, kar lahko predstavlja problem v pravnem okolju, ko je nujna tudi natan čna opredelitev verjetnosti za napako pri predstavljenih dokazih ozirom izvedenskem mnenju. Metode UI lahko pripomorejo k objektivizaciji in pove čajo zanesljivost omenjenih metod, še posebej kadar gre za analizo subtilnih razlik npr. v obliki črevnice in spodnje čeljustnice pred puberteto in dolo čanju spola na podlagi teh razlik. 3 40 Dovnik et al.: Potenciali umetne inteligence za uporabo v sodnomedicinski praksi izdaja / published by SDMI  http://ims.mf.uni-lj.si/ Metode UI so uporabne v procesu odlo čanja in se v dolo čenih nalogah izkažejo celo za u činkovitejše in natan čnejše od človeka. Avtomatsko definiranje zna čilnosti, ki so relevantne za kon čno odlo čitev, npr. o starosti skeletnih ostankov na podlagi zobovja, omogoča premostitev dolo čenih slabosti obstoje čih metod na dolo čenem podro čju. Omeji lahko naklju čne napake, ki so posledica človekove utrujenosti, trenutnega čustvenega stanja ali drugih motenj. Model, ki deluje na ta način, lahko hkrati analizira več razli čnih struktur in zna čilnosti ter upošteva tudi dodatne, na katere se do sedaj v študijah še niso osredoto čali. 3,7,10 Za doseganje zadovoljive to čnosti pa mora biti na voljo osnovna podatkovna zbirka z zadostno koli čino podatkov, ki se lahko uporabi za u čenje algoritma, ter ustrezna strojna in programska oprema. Velikokrat take podatkovne zbirke v našem okolju še ne obstajajo (npr. nimamo zbirke, kjer bi bile zbrane vse vrste kremenastih alg v slovenskih vodnih virih v razli čnih letnih časih, ki bi lahko predstavljale reprezentativne podatke za u čenje algoritmov). Najprej bi bilo potrebno vzpostaviti te zbirke s podatki, zbranimi v enotnem formatu. Problem predstavlja tudi nezmožnost razumevanja in analiziranja delovanja UI v celoti (npr. ni natan čno pojasnjeno, kako model UI na osnovi konvolucijskih nevronskih mrež, ki je sposoben ocene višine posameznika glede na antropometrične meritve, dejansko interpretira te meritve in poda kon čno oceno, kar je povezano s kompleksno arhitekturo konvolucijskih nevronskih mrež). Potrebno je upoštevati tudi stroške nakupa in vzdrževanja potrebne opreme. Ker v veliki meri temelji na slikovnem gradivu, dodatna slikovna diagnostika predstavlja dodatni strošek, ki ga v primeru klasi čne obravnave s strani specialista ni. Prav tako je zanesljivost kon čnega rezultata, ki ga poda algoritem UI, odvisna od kakovosti slikovnega gradiva, kar je lahko problem pri fotografiranju (npr. roženice ali strelnih ran) na terenu. Zaradi tega je potrebno pozornost usmeriti tudi na zagotavljanje enakovrednih pogojev za fotografiranje (npr. kot je to zagotovljeno pri roženi čnem pametnem telefonu). 2,3,5,8,14 V splošnem je UI na podro čju sodne medicine še posebej uporabna za pregled kompleksnih zbirk podatkov, ko je potrebno izluš čiti dolo čen podatek ali za opozarjanje na dolo čeno podrobnost, ki bi se lahko izkazala za pomembno pri kon čni odlo čitvi ozirom diagnozi. Interpretacija zaklju čkov algoritmov UI pa ostaja v domeni specialista sodne medicine. 5 Zaklju ček Glede na trenutna prizadevanja za vklju čevanje metod UI v medicinsko stroko in številne raziskave na tem podro čju, bo UI v prihodnosti najverjetneje našla svoje mesto tudi v vsakodnevni sodnomedicinski praksi. Vendar pa na podro čju sodne medicine to predstavlja še posebej kompleksno nalogo, saj ocena relevantnosti uporabe in sprejemanje takšnega na čina dela ni odvisna zgolj od zdravnikov, temve č tudi od sodnikov ter odvetnikov, žrtev in storilcev kaznivih dejanj. Vsako novo metodo mora pravosodje najprej priznati kot relevantno in verodostojno metodo, ki omogoča objektivne verodostojne materialne dokaze v kazenskih in civilno pravdnih zadevah, za kar obi čajno prete če veliko časa. UI predstavlja orodje za pridobivanje informacij, ki se nato na sodiš ču uporabijo v argumentih in kot dokazno gradivo, zato mora biti ustreznost in neomajnost rezultatov vsakega takega orodja sistemati čno preverjena. Prav tako morajo biti algoritmi z vklju čevanjem UI neopore čni tudi v eti čnem smislu (npr. ne sme biti nobenega suma, da je z uporabo algoritma prišlo do spolne ali rasne diskriminacije). Neopore čnost uporabljenih algoritmov mora biti zagotovljena na vseh podro čjih medicine, vendar pa so v pravnem kontekstu le-ti še pogosteje predmet kritike in dvomov. 20 Reference 1. Lidströmer N, Aresu F, Ashrafian H. Basic concepts of artificial intelligence: primed for clinicians. In: Lidströmer N, Ashrafian H (eds.). Artificial intelligence in medicine. Cham 2022: Springer; 3-20. 2. Zhou Y, Zhang J, Huang J, et al. Digital whole-slide image analysis for automated diatom test in forensic cases of drowning using a convolutional neural network algorithm. Forensic Sci Int 2019; 302: 109922. https://doi.org/10.1016/j.forsciint.2019.109922 3. Ortega RF, Irurita J, Campo EJE, Mesejo P. Analysis of the performance of machine learning and deep learning methods for sex estimation of infant individuals from the analysis of 2D images of the ilium. Int J Legal Med 2021; 135(6): 2659-2666. https://doi.org/10.1007/s00414-021-02660-6 4. Burger G. Definicije in algoritmi umetne inteligence. https://www.dihslovenia.si/assets/images/DIH_Slovenia _Definicije_in_algoritmi_umetne_inteligence.pdf (22. 11. 2022) 5. Tournois L, Lefèvre T. AI in forensic medicine for practicing doctor. In: Lidströmer N, Ashrafian H (eds.). Artificial intelligence in medicine. Cham 2022: Springer; 1777-1786. 6. Saukko P, Knight B. Knight´s forensic pathology (4th ed.). Boca Raton 2015: CRC Press. 7. Han M, Du S, Ge Y, et al. With or without human interference for precise age estimation based on Informatica Medica Slovenica; 2022; 27(1-2) 41 published by / izdaja SDMI  http://ims.mf.uni-lj.si/ machine learning? Int J Legal Med 2022; 136(3): 821- 831. https://doi.org/10.1007/s00414-022-02796-z 8. Cao Y, Ma Y, Vieira DN, et al. A potential method for sex estimation of human skeletons using deep learning and three-dimensional surface scanning. Int J Legal Med 2021; 135(6): 2409-2421. https://doi.org/10.1007/s00414-021-02675-z 9. Wen H, Wu W, Fan F, et al. Human identification performed with skull's sphenoid sinus based on deep learning. Int J Legal Med 2022; 136(4): 1067-1074. https://doi.org/10.1007/s00414-021-02761-2 10. Sharma R, Diksha, Bhute AR, Bastia BK. Application of artificial intelligence and machine learning technology for the prediction of postmortem interval: a systematic review of preclinical and clinical studies. Forensic Sci Int 2022; 340: 111473. https://doi.org/10.1016/j.forsciint.2022.111473 11. Zheng J, Huo D, Wen H, Shang Q, Sun W, Xu Z. Corneal-Smart Phone: a novel method to intelligently estimate postmortem interval. J Forensic Sci 2021; 66(1): 356-364. https://doi.org/10.1111/1556-4029.14611 12. Homma N, Zhang X, Qureshi A, et al. A Deep learning aided drowning diagnosis for forensic investigations using post-mortem lung ct images. Annu Int Conf IEEE Eng Med Biol Soc 2020; 2020: 1262-1265. https://doi.org/10.1109/EMBC44109.2020.9175731 13. Zhang J, Zhou Y, Vieira DN, et al. An efficient method for building a database of diatom populations for drowning site inference using a deep learning algorithm. Int J Legal Med 2021; 135(3): 817-827. https://doi.org/10.1007/s00414-020-02497-5 14. Yu W, Xue Y, Knoops R, et al. Automated diatom searching in the digital scanning electron microscopy images of drowning cases using the deep neural networks. Int J Legal Med 2021; 135(2): 497-508. https://doi.org/10.1007/s00414-020-02392-z 15. Oura P, Junno A, Junno JA. Deep learning in forensic gunshot wound interpretation-a proof-of-concept study. Int J Legal Med 2021; 135(5): 2101-2106. https://doi.org/10.1007/s00414-021-02566-3 16. Tirado J, Mauricio D. Bruise dating using deep learning. J Forensic Sci 2021; 66(1): 336-346. https://doi.org/10.1111/1556-4029.14578 17. Thali MJ, Yen K, Schweitzer W, et al. Virtopsy, a new imaging horizon in forensic pathology: virtual autopsy by postmortem multislice computed tomography (MSCT) and magnetic resonance imaging (MRI): a feasibility study. J Forensic Sci 2003; 48(2): 386-403. 18. Thali MJ, Braun M, Buck U, et al. VIRTOPSY: scientific documentation, reconstruction and animation in forensic: individual and real 3D data based geo-metric approach including optical body/object surface and radiological CT/MRI scanning. J Forensic Sci 2005; 50(2): 428-442. 19. Aghayev E, Staub L, Dirnhofer R, et al. Virtopsy - the concept of a centralized database in forensic medicine for analysis and comparison of radiological and autopsy data. J Forensic Leg Med 2008; 15(3): 135-140. https://doi.org/10.1016/j.jflm.2007.07.005 20. Lefèvre T. Artificial intelligence in forensic medicine. In: Lidströmer N, Ashrafian H (eds.). Artificial Intelligence in Medicine. Cham 2022: Springer; 1767-1773.