Soutenance de thèse de KNECHT Siam
Titre de thèse
Apport de l'intelligence artificielle pour améliorer l'estimation du sexe et du nombre minimum d'individus en anthropologie médico-légale
Contribution of artificial intelligence to improving the estimation of sex and minimum number of individuals in forensic anthropology
Résumé de la thèse
L'estimation du sexe et du Nombre Minimum d'Individus (NMI) représente un enjeu fondamental en anthropologie médico-légale pour parvenir à l'identification de restes humains en contexte forensique. Ces deux étapes clés, qui sont essentielles à la chaîne d'identification, se doivent de reposer sur des méthodes rigoureuses, reproductibles et transparentes.
Cette thèse propose et valide deux approches quantitatives utilisant les os longs, qui répondraient à un contexte d'absence du bassin, mais aussi de mélange ou de fragmentation des os présents. Ainsi, quatre os longs (humérus, radius, fémur, tibia) ont été mesurés sur plus de 3 000 individus provenant de neuf collections ostéologiques d'origines géographiques différentes.
La première méthode, dédiée à l'estimation du sexe, repose sur l'utilisation approfondie des algorithmes d'apprentissage automatique (Machine Learning). Testée avec onze classificateurs sur plusieurs jeux de test indépendants, elle atteint des taux de classification correcte largement supérieurs à 90 %, tout en se montrant robuste aux variations inter-observateurs et adaptable à différents niveaux de complétude des données et de certitude dans la réponse apportée.
La seconde méthode vise à estimer le NMI par exclusion morphométrique. En modélisant les relations allométriques entre les os longs, elle détecte des incompatibilités assurant qu'un fragment ne peut appartenir à un même individu. Nous avons pu démontrer que cette approche surpasse les méthodes classiques par fréquence, notamment dans les assemblages complexes, tout en restant conservatrice.
Conçues pour une application directe sur le terrain, ces deux approches répondent pleinement aux critères Daubert de transparence, fiabilité et reproductibilité.
Thesis resume
Sex estimation and Minimum Number of Individuals (MNI) is a fundamental issue in forensic anthropology, when it comes to identifying human remains in a forensic context. These two key steps, which are essential to the identification chain, must be based on rigorous, reproducible and transparent methods.
This thesis proposes and validates two quantitative approaches using long bones, which would respond to a context of absence of the pelvis, but also of commingling or fragmentation of the bones present. Four long bones (humerus, radius, femur, tibia) were measured on over 3,000 individuals from nine osteological collections of different geographical origins.
The first method, dedicated to sex estimation, is based on the extensive use of Machine Learning algorithms. Tested with eleven classifiers on several independent test sets, it achieves correct classification rates well in excess of 90%, while proving robust to inter-observer variations and adaptable to different levels of data completeness and certainty of response.
The second method aims to estimate NMI by morphometric exclusion. By modeling the allometric relationships between long bones, it detects incompatibilities ensuring that a fragment cannot belong to the same individual. We have been able to demonstrate that this approach outperforms conventional frequency-based methods, particularly in complex assemblies, while remaining conservative.
Designed for direct application in the field, these two approaches fully meet the Daubert criteria of transparency, reliability, and reproducibility.