Применение систем искусственного интеллекта при установлении экспертных ошибок: научный обзор

Обложка

Цитировать

Полный текст

Аннотация

Статья посвящена возможностям и трудностям применения систем искусственного интеллекта для анализа и устранения судебно-медицинских экспертных ошибок. Актуальность работы обусловлена растущими требованиями к точности экспертных оценок в судебной медицине и необходимостью минимизировать ошибки, которые могут привести к неверным судебным решениям. Развитие технологий, таких как машинное обучение, нейронные сети и алгоритмы глубокого обучения, открывают новые возможности для повышения качества экспертной деятельности.

В рамках обзора проведён SWOT-анализ, направленный на оценку сильных и слабых сторон использования искусственного интеллекта в судебно-экспертной практике, а также возможных перспектив и рисков. Анализ показал, что основные преимущества технологий искусственного интеллекта связаны с высокой точностью, стабильностью, быстродействием и возможностью выявления сложных паттернов в данных. Однако существуют и значительные ограничения, такие как необходимость качественных обучающих наборов данных, финансовые затраты и проблема интерпретируемости решений искусственного интеллекта. Выявленные угрозы касаются этических вопросов, информационной безопасности и правовых барьеров.

Данный обзор посвящён анализу существующих подходов к применению искусственного интеллекта для выявления и исправления судебно-медицинских ошибок, где особое внимание уделено современным методам, способным улучшить диагностику механизма травм, установление причин смерти и выявление несоответствий в экспертных заключениях. В статье приведены примеры реального использования технологий искусственного интеллекта в судебно-медицинской практике, а также рассмотрены перспективы их дальнейшей интеграции. Результаты проведённого анализа свидетельствуют о значительном потенциале искусственного интеллекта в повышении точности и надёжности судебных экспертиз.

Об авторах

Айгерим Канатовна Бакенова

Академия государственного управления при Президенте Республики Казахстан

Автор, ответственный за переписку.
Email: alesina93@gmail.com
ORCID iD: 0009-0007-7813-9175
SPIN-код: 7972-1858
Казахстан, 010000, Астана, пр-кт Абая, д. 33а

Ернар Нурланович Бегалиев

Академия правоохранительных органов при Генеральной прокуратуре Республики Казахстан

Email: ernar-begaliev@mail.ru
ORCID iD: 0000-0001-6659-8576
SPIN-код: 1929-3392

доктор юр. наук, профессор

Казахстан, Косшы

Анна Александровна Аубакирова

Санкт-Петербургский гуманитарный университет профсоюзов

Email: anna_lir@mail.ru
ORCID iD: 0000-0002-6547-0869
SPIN-код: 3074-7383

доктор юр. наук, профессор

Россия, Санкт-Петербург

Дмитрий Валерьевич Бахтеев

Уральский государственный юридический университет имени В.Ф. Яковлева

Email: dmitry.bakhteev@gmail.com
ORCID iD: 0000-0002-0869-601X
SPIN-код: 8301-7165

доктор юр. наук, доцент

Россия, Екатеринбург

Лариса Канатовна Кусаинова

Карагандинский университет имени академика Е.А. Букетова

Email: klarisa_777@mail.ru
ORCID iD: 0000-0002-8208-6623
SPIN-код: 5926-1900
Scopus Author ID: 57964019600
ResearcherId: rid66058

кандидат юр. наук, доцент

Казахстан, Караганда

Список литературы

  1. Pigolkin YuI, Dubrovin IA. Forensic medicine. Moscow: GEOTAR-Media; 2023.
  2. Russell S, Norvig P. Artificial intelligence: a modern approach. 4th ed. London: Pearson; 2020.
  3. Shortliffe EH, Buchanan BG. A model of inexact reasoning in medicine. Mathematical Biosciences. 1975;23(3-4):351–379. doi: 10.1016/0025-5564(75)90047-4
  4. DiMaio D, DiMaio VJM. Forensic pathology. 2rd ed. Boca Raton: CRC Press; 2001.
  5. Saukko P, Knight B. Knight's forensic pathology. 4th ed. London: CRC Press; 2015.
  6. Davis JH. Mistakes and failures in forensic pathology. Academic Forensic Pathology. 2011;1(4):382–385. doi: 10.23907/2011.054
  7. Guareschi E. Postmortem imaging in forensic cases. In: Guareschi E. Forensic pathology case studies. Cambridge: Acdemic Press; 2021. P. 79–93. doi: 10.1016/B978-0-12-824294-0.00003-0
  8. Lin H, Luo Y, Sun Q, et al. Determination of causes of death via spectrochemical analysis of forensic autopsies-based pulmonary edema fluid samples with deep learning algorithm. Journal of Biophotonics. 2020;13(4):e201960144. doi: 10.1002/jbio.201960144 EDN: KPZHMI
  9. Zeng Y, Zhang X, Yoshizumi I, et al. Deep learning-based diagnosis of fatal hypothermia using post-mortem computed tomography. The Tohoku Journal of Experimental Medicine. 2023;260(3):253–261. doi: 10.1620/tjem.2023.j041 EDN: BDDMIQ
  10. Schweitzer W, Thali M. Fatal obstructive asphyxia: trans-pulmonary density gradient characteristic as relevant identifier in postmortem CT. Journal of Forensic Radiology and Imaging. 2019;19:100337. doi: 10.1016/j.jofri.2019.100337
  11. Dempsey N, Bassed R, Blau S. The issues and complexities of establishing methodologies to differentiate between vertical and horizontal impact mechanisms in the analysis of skeletal trauma: an introductory femoral test. Forensic Science International. 2021;323:110785. doi: 10.1016/j.forsciint.2021.110785 EDN: VFRTMS
  12. Garland J, Ondruschka B, Stables S, et al. Identifying fatal head injuries on postmortem computed tomography using convolutional neural network/deep learning: a feasibility study. Journal of Forensic Sciences. 2020;65(6):2019–2022. doi: 10.1111/1556-4029.14502 EDN: MEAYGJ
  13. Demir S, Key S, Tuncer T, Dogan S. An exemplar pyramid feature extraction based humerus fracture classification method. Medical Hypotheses. 2020;140:109663. doi: 10.1016/j.mehy.2020.109663 EDN: ACUCQF
  14. Tortora L, Meynen G, Bijlsma J, et al. Neuroprediction and A.I. in forensic psychiatry and criminal justice: a neurolaw perspective. Frontiers in Psychology. 2020;11:220. doi: 10.3389/fpsyg.2020.00220 EDN: ZUJRFC
  15. Cockerill RG. Ethics implications of the use of artificial intelligence in violence risk assessment. The Journal of the American Academy of Psychiatry and the Law. 2020;48(3):345–349. doi: 10.29158/JAAPL.003940-20
  16. Lefèvre T, Tournois L. Artificial intelligence and diagnostics in medicine and forensic science. Diagnostics (Basel). 2023;13(23):3554. doi: 10.3390/diagnostics13233554
  17. Tournois L, Lefèvre T. AI in forensic medicine for the practicing doctor. In: Lidströmer N, Ashrafian H, editors. Artificial intelligence in medicine. Cham: Springer; 2022. P. 1777–1787. doi: 10.1007/978-3-030-64573-1_221
  18. Géron A. Hands-on machine learning with scikit-learn and TensorFlow: concepts, tools, and techniques to build intelligent systems. Sebastopol: O’Reilly Media; 2017.
  19. Bonaccorsi A, Apreda R, Fantoni G. Expert biases in technology foresight. Why they are a problem and how to mitigate them. Technological Forecasting and Social Change. 2020;151:119855. doi: 10.1016/j.techfore.2019.119855 EDN: YQNVWL
  20. Goodfellow I, Bengio Y, Courville A. Deep learning. Cambridge: MIT Press; 2016.
  21. Wrigley S. Taming artificial intelligence: «Bots», the GDPR and regulatory approaches. In: Corrales M, Fenwick M, Forgó N, editors. Robotics, AI and the future of law. Singapore: Springer; 2018. P. 183–208. doi: 10.1007/978-981-13-2874-9_8
  22. Chesnokova EV, Usov AI, Omel’yanyuk GG, Nikulina MV. Artificial intelligence in forensic expertology. Theory and Practice of Forensic Science. 2023;18(3):60–77. doi: 10.30764/1819-2785-2023-3-60-77 EDN: KJZQOY
  23. Rossinskaya ER, Galyashina EI, Zinin AM. Theory of forensic expertise (forenswer science). Moscow: Legal publishing house "Norma"; 2016. (In Russ.) EDN: XQOMTF
  24. Klimova YaA. Artificial intelligence as a tool for digital forensics. In: Proceedings of the international scientific and practical conference «Artificial intelligence and big data in the judicial and law enforcement system: realities and the demand of the time». Astana, 2023 May 19. Koschi: Academy of Law Enforcement Agencies under the Prosecutor General's Office of the Republic of Kazakhstan; 2023. P. 241–245. (In Russ.) EDN: AMULEA
  25. Yarmak KV. The modern trends in the development of complex expertise. Vestnik of Moscow University of the Ministry of Internal Affairs of Russia. 2014;(6):7–12. EDN: SJDERN
  26. Aubakirova AA. Intellectual errors of an expert when forming his internal conviction. Moscow: Yurlitinform; 2012. (In Russ.) EDN: QSNBSD
  27. Edzhubov LG. Reliability and validity of the conclusions of the forensic expert. In: Smirnova SA, editor. Encyclopedic dictionary of forensic science theory: multimodal edition «Foresound expertise: reboot». Moscow: Russian Federal Center for Forensic Science under the Ministry of Justice of the Russian Federation; 2012. P. 100–101. (In Russ.) EDN: EYMAMC
  28. Schneider J, Breitinger F. Towards AI forensics: did the artificial intelligence system do it?. Journal of Information Security and Applications. 2023;76:103517. doi: 10.1016/j.jisa.2023.103517 EDN: YRAVWT
  29. Kokin AV, Denisov YuD. Artificial intelligence in criminalistics and forensic examination: issues of legal personality and algorithmic bias. Theory and Practice of Forensic Science. 2023;18(2):30–37. doi: 10.30764/1819-2785-2023-2-30-37 EDN: DNMRLF
  30. Tsvetkov YuA. Artificial intelligence in justice. Statute. 2021;(4):91–107. EDN: KOKTBD
  31. Hartung T. ToxAIcology – the evolving role of artificial intelligence in advancing toxicology and modernizing regulatory science. ALTEX. 2023;40(4):559–570. doi: 10.14573/altex.2309191 EDN: NHRWAZ
  32. Chonbayev YeG, Begaliyev YeN, Kuanaliyeva GA, et al. Criminalistic aspects of torture using an artificial intelligence system: a review. Russian Journal of Forensic Medicine. 2024;10(1):37–46. doi: 10.17816/fm16102 EDN: AJSBEZ
  33. Voyevodkin DV, Rustemova GR, Begaliyev YeN, et al. Identifying fake conclusions of forensic medical examinations using an artificial intelligence technology based on the experience in the Republic of Kazakhstan: a review. Russian Journal of Forensic Medicine. 2023;9(3):287–298. doi: 10.17816/fm8270 EDN: EFNJIE
  34. Sadykov MB, Begaliyev YeN, Bakhteev DV, et al. Use of artificial intelligence and human chipping in forensic medicine: a review. Russian Journal of Forensic Medicine. 2023;10(1):88–98. doi: 10.17816/fm16093 EDN: LXZIJZ
  35. Zhantureyev ZZ, Begaliyev YeN, Aubakirova AA, Bertleuov SS. Use of an underwater drone during the study of drowned bodies: a review. Russian Journal of Forensic Medicine. 2024;10(1):68–78. doi: 10.17816/fm16097 EDN: PMIXUI
  36. Lee H, Tajmir S, Lee J, et al. Fully automated deep learning system for bone age assessment. Journal of Digital Imaging. 2017;30(4):427–441. doi: 10.1007/s10278-017-9955-8 EDN: VOOUOO
  37. Meissner G. Artificial intelligence: consciousness and conscience. AI & Society. 2019;35(1):225–235. doi: 10.1007/s00146-019-00880-4 EDN: FAVXZB
  38. Gubaidullina EKh, Gavrilov IA. Artificial intelligence in China civil proceedings. In: Collection of materials of the VIII International scientific and practical conference “Contemporary strategies and digital transformations of sustainable development of society, education and science”. Moscow, 2023 Apr 7. Moscow: Limited Liability Company "ALEF Publishing House"; 2023. P. 59–63. (In Russ.) doi: 10.34755/IROK.2023.26.55.070 EDN: RKWEME
  39. Sharma R. 36 exploring the ethical implications of AI in legal decision-making. Indian Journal of Law. 2023;1(1):42–50. doi: 10.36676/ijl.2023-v1i1-06
  40. Orakbayev AB, Kurmangali ZhK, Begaliyev YeN, et al. On the issue of using the results of a virtual autopsy in criminal investigation: a review. Russian Journal of Forensic Medicine. 2023;9(2):183–192. doi: 10.17816/fm774 EDN: OEERGD
  41. Jadhav EB, Sankhla MS, Kumar R. Artificial Intelligence: advancing automation in forensic science and criminal investigation. Seybold Report. 2020:15(8):2064–2075.
  42. Schneider PM, Prainsack B, Kayser M. The use of forensic DNA Phenotyping in predicting appearance and biogeographic ancestry. Dtsch Arztebl Int. 2019;116(51-52):873–880. doi: 10.3238/arztebl.2019.0873

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Эко-Вектор, 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».