Heli Maijanen
Ihmisluiden tutkimuksessa yksilöistä pyritään selvittämään biologisen profiilin perusosat eli yksilön sukupuoli, ikä ja pituus niin arkeologisissa kuin forensisissa eli oikeusopillisissa (esimerkiksi henkirikos) konteksteissa. Lisäksi etenkin Yhdysvalloissa forensisissa tapauksissa on tyypillistä määrittää myös yksilön maantieteellinen alkuperä eli onko yksilö luustonsa perusteella eurooppalaista, afrikkalaista tai aasialaista alkuperää.
Forensisessa tutkimuksessa biologinen profiili auttaa selvittämään tuntemattoman yksilön henkilöllisyyttä. Biologinen profiili voidaan yleensä tiivistää seuraavan esimerkin mukaisesti: Yksilö on 30‒40-vuotias nainen, alkuperältään todennäköisesti eurooppalainen ja pituudeltaan 160‒170 cm. Näitä tietoja poliisi voi verrata kadonneiksi ilmoitettujen henkilöiden listaan ja siten kohdentaa tutkimuksensa todennäköisimpiin yksilöihin. Arkeologisessa kontekstissa biologisen profiilin osa-alueet tuovat tietoa myös populaatiosta, eivätkä pelkästään yksilöstä.
Useimmiten biologisen profiilin osia määritellään silmämääräisten havaintojen ja mittojen avulla. Sukupuoli määritellään yleensä lantion ja kallon perusteella. Aikuisten iänmäärityksessä puolestaan keskitytään usein lantion häpyliitoksen ja aurikulaarisen pinnan muutoksiin. Alkuperää on tyypillisesti pyritty määrittämään kallon mittojen ja piirteiden perusteella, tosin hammaspiirteet ovat nousseet kalloanalyyseja yleisemmiksi viimeisten kolmenkymmenen vuoden aikana. Pituusarvio lasketaan useimmiten pitkien luiden mittojen pohjalta. Alan tutkimus koostuu lukemattomista yksittäisistä menetelmistä, joilla määritellään biologista profiilia eri luiden tai piirteiden avulla (ks. esim. Harrison 2018; Langley & Tersigni-Tarrant 2017; Latham & Finnegan 2010).
Ongelmana onkin ollut, että eri luihin keskittyvät menetelmät ovat yksittäisiä, eikä ole ollut systemaattista tapaa yhdistää eri menetelmien tuloksia, esimerkiksi häpyliitoksen ja aurikulaarisen pinnan ikäarvioita, toisiinsa (Milner & Boldsen 2012). Tutkijat ovat itse päättäneet, millä tavalla he ovat tehneet lopullisen sukupuoli- tai ikäarvion kerättyjen tietojen perusteella. Viime vuosina osteologisen tutkimuksen avuksi on kuitenkin luotu useita tietokoneohjelmia (ks. Lynch & Stephan 2018). Ohjelmia käyttävät tutkijat eivät enää tee johtopäätöksiä oman mielensä mukaan, vaan ohjelmissa voidaan usein yhdistää useampien menetelmien tuloksia. Ohjelmat myös antavat tuloksen useimmiten laajaan vertailuaineistoon nojaten ja tilastollisia menetelmiä käyttäen. On toki muistettava, että tutkijalla on edelleen vastuu aineiston asiallisesta keräämisestä, omaan tutkimusaineistoonsa soveltuvien menetelmien ja ohjelmistojen valinnasta sekä ohjelman antamien tuloksien tulkinnasta (ks. esim. Garvin & Klales 2020).
Tässä juttusarjassa esitellään tietokoneohjelmia, joita käytetään maailmalla luuanalyysin yhteydessä. Ohjelmia on paljon muitakin ja tähän valitut ovat esimerkinomaisia ja niiden tarkoituksena on osoittaa, mihin suuntaan analyysit ovat menossa ja minkälaisia mahdollisuuksia ohjelmat tutkimukselle tarjoavat. Ensimmäinen osa keskittyy ohjelmiin, joita käytetään sukupuolen tai iän määritykseen. Toisessa osassa katsotaan alkuperän määritykseen käytettäviä ohjelmia sekä muita ohjelmia, joita voidaan hyödyntää osteologisessa tutkimuksessa.
Sukupuolen määritykseen käytettäviä ohjelmia: Morphopasse, DSP2 ja Fordisc
Sukupuolen määrityksessä käytetään silmämääräisiä piirteitä tai mittoja lonkkaluista ja kallosta. Lantio on tunnetusti tarkempi sukupuolen määrityksessä, sillä erot miesten ja naisten välillä johtuvat suurelta osin siitä, että naisen lantion on mahdollistettava synnytys. Lonkkaluiden piirteistä tutkitaan perinteisesti etenkin häpyluun aluetta ja sen alla olevan kulman suuruutta (Phenice 1969). Kallosta tutkittavat pääpiirteet ovat kartiolisäke, niskaharjanne, silmäkuopan reuna, otsa ja kulmakaaret sekä alaleuan kyhmy (Buikstra & Ubelaker 1994; Walker 2008).
Sukupuolen määrityksessä käytettävistä ohjelmista nostetaan tässä esiin kolme eri luihin tai menetelmiin perustuvaa ohjelmaa. Näistä Morphopasse käyttää morfologisia piirteitä kallosta ja lantiosta, DSP2 lantion mittoja ja Fordisc kallon ja muiden luiden mittoja.
MorphoPASSE on ohjelma, jonka pohjalla on Phenicen (1969) menetelmästä tutut kolme lonkkaluun piirrettä uudella pisteytysjärjestelmällä (Klales et al. 2012) sekä kallosta nuo edellä mainitut viisi piirrettä (Walker 2008). Ohjelman ohjeistukset ovat varsin kattavat ja kertovat vertailuaineistoista, menetelmistä ja tulosten lukemisesta (Klales & Cole 2018). Vertailuaineistossa on tällä hetkellä yli 2700 yksilöä pääasiassa Pohjois- ja Etelä-Amerikoista, Aasiasta ja Etelä-Afrikasta. Aineisto koostuu pääasiallisesti moderneista ja historiallisista luukokoelmista, mutta myös yhdestä vanhemmasta aineistosta. Ohjelma laskee todennäköisyyden, sille kumpaa sukupuolta tutkittu yksilö on kallon ja/tai lonkkaluun piirteiden perusteella. Uutta piirteiden pisteytysmenetelmää on testattu hieman viimeisten vuosien aikana (Kenyherch et al. 2017; Klales 2016). Ohjelma on käytettävissä ilmaiseksi nettiversiona.
DSP2 (Diagnose Sexuelle Probabiliste) laskee todennäköisyyden, jolla yksilö määrittyy mieheksi tai naiseksi lonkkaluun mittojen perusteella. Ohjelma perustuu jo vuonna 2005 julkaistuun aineistoon (Murail et al., 2005) ja siihen perustuvaan aikaisempaan ohjelmaversioon. Vertailuaineisto koostuu 2040 yksilöstä, jotka ovat peräisin Euroopasta, Pohjois-Amerikasta ja Etelä-Afrikasta. Tässä uudessa versiossa analyysin tekoon on käytettävissä 4‒10 lonkkaluun mittaa, jotka ovat määritelty sanoin ja kuvin ohjelmassa sekä artikkelissa (Brůžek et al. 2017). Menetelmää on testattu useissa tutkimuksissa ja mitat on todettu olevan käytettävissä ympäri maailman (Kranioti et al. 2019; Machado et al. 2018). Tämä ohjelma on myös ilmaiseksi ladattavissa Bordeaux’n yliopiston ylläpitämiltä verkkosivuilta.
Fordisc on näistä ohjelmista vanhin, sillä sen ensimmäinen versio julkaistiin jo vuonna 1993. Fordisc määrittää sukupuolen kallon ja muiden luiden mittojen perusteella laskemalla todennäköisyydet eri ryhmiin kuulumisesta. Ohjelmalla voidaan määrittää myös alkuperää, mutta siitä tarkemmin jutun jatko-osassa. Fordiscissa on kaksi erilaista vertailuaineistokokonaisuutta: modernit yksilöt (Yhdysvaltalaisten ryhmien lisäksi yksilöitä on Guatemalasta, Japanista, Kiinasta ja Vietnamista) sekä arkeologiset yksilöt Howellsin keräämästä aineistosta eri maanosista (Howells 1973). Modernien aineistojen yksilömääräksi ilmoitetaan yli 2300 viimeisimmässä ohjeistuksessa (Fordisc 3.1 Help version 1.48), mutta se kasvaa koko ajan uusien lisäyksien myötä. Modernien yksilöiden kohdalla käytettävissä on 36 kallon mittaa ja 42 muun luurangon mittaa. Howellsin aineistossa on yli 60 kallonmittaa (Jantz & Ousley 2013). Ohjelma soveltuu pääasiassa kallon määrittämiseen, sillä muiden luiden aineistossa on edustettuna vain kaksi yhdysvaltalaista ryhmää. Fordiscia on testattu eri populaatioissa vaihtelevalla menestyksellä (Manthey et al. 2018; Urbanova et al. 2014; Guyomarc’h & Brůžek 2011; Ramsthaler et al. 2007). Fordisc poikkeaa tässä esiteltävistä muista ohjelmista siinä, että se on maksullinen ja tilattavissa Tennesseen yliopiston verkkosivuilta.
Iänmääritykseen käytettäviä ohjelmia: ADBOU, ForAGE ja DXAGE
Iänmääritys tapahtuu lapsilla ja nuorilla luuston ja hampaiden kehityksen ja kasvun perusteella. Aikuisilla iänmäärittely on vaikeampaa, sillä se keskittyy luuston rappeutumiseen liittyviin muutoksiin, jotka voivat tapahtua yksilöillä eri ikäisinä. Yleisesti aikuisten iänmäärityksen tutkimus on keskittynyt lonkkaluiden ja kallon silmämääräiseen tarkasteluun. Tässä jutussa esitellään aikuisten iänmääritykseen käytettävistä ohjelmista ADBOU, ForAGE ja DXAGE.
Aikuisten iänmäärityksessä tunnetuin ohjelma on ADBOU (tunnetaan myös nimellä TA2 – Transition Analysis = siirtymäanalyysi. Katso esim. Siirtymäanalyysi – uuden iänmääritysmenetelmän testausta suomalaisella luuaineistolla). Ohjelmassa käytetään 19 silmämääräistä piirrettä, jotka perustuvat kallon saumojen sulkeutumiseen, häpyliitoksen ja aurikulaarisen pinnan muutoksiin (Milner & Boldsen 2016). Vertailuaineistossa on edustettuina moderni yhdysvaltalainen ja portugalilainen luumateriaali. Ohjelma antaa ikäarviot luottamusväleineen, ja ne voidaan laskea käyttäen kahta kuolleisuusmallia, joista toinen on peräisin 1600-luvun tanskalaisista kirkonkirjoista (arkeologinen malli) ja toinen 1990-luvun Yhdysvaltain henkirikostiedoista (forensinen malli). Menetelmää on testattu jonkun verran eri aineistoissa (Maaranen & Buckberry 2018; Jooste et al. 2016; Milner & Boldsen 2012). Ohjelma on ladattavissa Statsmachinen verkkosivuilta. Siirtymäanalyysistä on pian tulossa kuitenkin uusi versio ja uusi ohjelma (TA3), jossa huomioidaan kallon ja lonkkaluiden lisäksi piirteitä myös nikamista, kylkiluista, solisluista ja raajojen pitkistä luista. Julkaisuajankohta ohjelmalle on vielä tuntematon.
ForAGE-iänmääritysohjelma tutkii aikuisten häpyliitoksen pintaa käyttäen 3D laserskannausta. Ohjelma tarkastelee koordinaattidatan (x, y, z) avulla häpyliitoksen etureunan muotoa ja pinnan tasoittumista (Stoyanova et al. 2017; Stoyanova et al. 2015). Ohjelmistossa on vertailuaineistona moderni yhdysvaltalaisaineisto. Viisi regressiomallia laskee ikäarvion valittujen piirteiden perusteella. Ohjelmaa on testattu muillakin aineistolla (Joubert et al. 2020; Koterova et al. 2018; Figueroa Soto et al. 2018). ForAGE löytyy Morphometrics Labin verkkosivulta.
Kuten ForAGE-ohjelma myös DXAGE-ohjelma vaatii enemmän laitteistoa kuin makroskooppiset menetelmät. DXAGE analysoi reisiluun yläosasta luuntiheyttä (luun mineraalipitoisuutta) ja määrittelee sen perusteella aikuisen ikää. Vertailuaineistona ohjelmassa toimii 100 portugalilaisen naisen luurankoa, jotka olivat olleet haudattuina vähintään viisi vuotta paikallisella hautausmaalla (Navega et al. 2018). Ohjelman käyttö laajemmin vaatii vielä isompaa vertailuaineistoa ja testausta. Testitutkimus amerikkalaisella röntgen-aineistolla havaitsi oikean iän ja arvioidun iän välillä vain heikon yhteyden ja totesi, ettei ohjelma sellaisenaan ole paras mahdollinen forensiseen tutkimukseen (Bethard et al. 2019). Ohjelma löytyy Osteomicsin verkkosivuilta.
Lopuksi
Tietokoneohjelmat, laajat vertailuaineistot ja vahvat tilastolliset menetelmät ovat osteologisen analyysin tulevaisuutta. Silmämääräisten menetelmien rinnalle nousevat myös uudet menetelmät, jotka käyttävät erilaisia kuvantamismenetelmiä luun muodoista tai sisäisestä rakenteesta. Yhä useammin luututkijoita kannustetaan avaamaan omat tutkimusaineistonsa ja tuomaan ne osaksi jo olemassa olevia vertailuaineistoja. Vain yhteistyöllä voidaan taata ohjelmien ja menetelmien käytettävyys ja aineistojen laajuus tutkimuksessa. Tämä vaatii tietysti myös käytettyjen menetelmien ja dokumentointitapojen yhtenäistämistä, jotta aineistojen yhdistäminen ja vertailu on edes mahdollista. Tietokoneohjelmia ja menetelmiä ei voida soveltaa eri populaatioihin ilman huolellista testaamista, eivätkä laajat yhteisaineistot tarkoita sitä, ettei populaatiokohtaisia aineistoja enää tarvita, päinvastoin. Ohjelmien testaamisessa ja aineistojen aktiivisessa keräämisessä riittää tekemistä myös suomalaisen luuaineiston parissa työskenteleville.
———
Kirjoittaja on arkeologian yliopistonlehtori Oulun yliopistossa ja ihmisosteologian dosentti Turun yliopistossa. Hänen tutkimuksensa keskittyy ihmisluihin arkeologisissa ja forensisissa konteksteissa.
Tutkimuskirjallisuus:
Bethard, J., Berger, J., Maiers, J., Ross, A. 2019. Bone Mineral Density Adult Age Estimation in Forensic Anthropology: A Test of the DXAGE Application. Journal of Forensic Sciences 64: 1125‒1128.
Brůzek, J., Santos, F., Dutailly, B., Murail, P., Cunha, E. 2017. Validation and reliability of the sex estimation of the human os coxae using freely available DSP2 software for bio-archaeology and forensic anthropology. American Journal of Physical Anthropology 164: 440–449.
Buikstra, J. & Ubelaker, D. 1994. Standards for data collection from human skeletal remains. Arkansas Archeological Survey Research Series No. 44.
Figueroa Soto, C., Algee-Hewitt, B., Bravo Morante, G., Slice, D., Steadman, D. 2019. Age-at-death estimation for modern populations in Mexico and Puerto Rico through the use of 3D laser scans of the pubic symphysis. Human Biology Open Access Pre-Prints. 142.
Fordisc 3.1 Help version 1.48 (pdf)
Garvin, H. & Klales, A. 2020. Adult skeletal sex estimation and global standardization. Teoksessa Forensic Science and Humanitarian Action: Interacting with the Dead and the Living, toim. Parra, R., Zapico, S., Ubelaker, D., s. 199‒209. John Wiley & Sons Ltd.
Guyomarc’h, P. & Brůzek, J. 2011. Accuracy and reliability in sex determination from skulls: A comparison of Fordisc® 3.0 and the discriminant function analysis. Forensic Science International 208:180.e1-180.e6.
Harrison, D. 2018. Investigations in sex estimation: An analysis of methods used for assessment. Academic Press.
Howells, WW. 1973. Cranial Variation in Man. A Study by Multivariate Analysis of Patterns of Differences Among Recent Human Populations. Papers of the Peabody Museum of Archeology and Ethnology 67, Cambridge, Peabody Museum.
Jantz, R., Ousley, S. 2013. Introduction to Fordisc 3. Teoksessa Forensic Anthropology: An Introduction, toim. Langley, N. & Tersigni-Tarrant, MT., s. 253‒269. Academic Press.
Jooste, N., L’Abbé, E., Pretorius, S., Steyn, M. 2016. Validation of transition analysis as a method of adult age estimation in a modern South African sample. Forensic Science International 266: 580.e1-580.e7.
Joubert, L., Briers, N., Meyer, A. 2020. Evaluation of the Enhanced Computational Methods of Estimating Age-at-Death Using the Pubic Symphyses of a White South African Population. Journal of Forensic Sciences 65:1: 37‒45.
Kenyhercz, M. Klales, A., Stull, K., McCormick, K., Cole, S. 2017. Worldwide Population Variation in Pelvic Sexual Dimorphism: A Validation and Recalibration of the Klales et al. Method. Forensic Science International 277: 259.e1-259.e8
Klales, A. 2016. Secular Change in Morphological Pelvic Traits used for Sex Estimation. Journal of Forensic Sciences 61:2: 295‒301
Klales, A., Ousley, S., Vollner, J. 2012. A revised method of sexing the human innominate using Phenice’s nonmetric traits and statistical methods. American Journal of Physical Anthropology 149:104–14.
Klales, A. & Cole, S. 2018. MorphoPASSE: the Morphological Pelvis and Skull Sex Estimation Database Manual. Version 1.0. Topeka, KS: Washburn, University.
Kranioti, E., Šťovíčková, L., Karell, M., Brůžek, J. 2019. Sex estimation of os coxae using DSP2 software: A validation study of a Greek sample. Forensic Science International 297: 371.e1-371.e6.
Langley, N. & Tersigni-Tarrant, MT. 2017. Forensic Anthropology: A Comprehensive Introduction. CRC Press.
Latham, K., Finnegan, M. 2010. Age Estimation of the Human Skeleton. Charles C Thomas Pub Ltd.
Lynch, J., Stephan, C. 2018. Computational Tools in Forensic Anthropology: The Value of Open-Source Licensing as a Standard. Forensic Anthropology 1:4:228‒43.
Maaranen, N. & Buckberry, J. 2018. Detecting the elderly: Exploring age using Transition Analysis. Teoksessa Giving New Meaning to Cultural Heritage ‒ The Old and the Young in Past Societies, toim. Murphy, E. & Lillehammer, G., AmS-Skrifter series 26: 143–154.
Machado, M., Costa, T., Freire, A., Navega, D., Cunha, E., Júnior, E., Bevilac, F. 2018. Application and validation of Diagnose Sexuelle Probabiliste V2 tool in a miscegenated population. Forensic Science International 290: 351.e1-351.e5.
Manthey, L., Jantz, R., Vitale, A., Cattaneo, C. 2018. Population specific data improves Fordisc®’s performance in Italians. Forensic Science International 292:263.e1-263.e7.
Milner, G. & Boldsen, J. 2012. Transition analysis: A validation study with known‐age modern American skeletons. American Journal of Physical Anthropology 148: 98‒110.
Milner, G & Boldsen, J. 2016. Transition analysis age estimation: Skeletal scoring manual. Fordisc version 1.02.
Murail, P. Brůzek, J., Houët, F., Cunha, E. 2005. DSP: A tool for probabilistic sex diagnosis using worldwide variability in hip-bone measurements. Bulletins et mémoires de la Societé d’Anthropologie de Paris. 17:(3-4): 167-176.
Navega, D., Coelho, J., Cunha, E., Curate, F. 2018. DXAGE: A New Method for Age at Death Estimation Based on Femoral Bone Mineral Density and Artificial Neural Networks. Journal of Forensic Sciences 63: 497‒503.
Phenice, T. 1969. A newly developed visual method for sexing the os pubis. American Journal of Physical Anthropology 30: 297–302.
Ramsthaler, F., Kreutz, K., Verhoff, M. 2007. Accuracy of metric sex analysis of skeletal remains using Fordisc based on a recent skull collection. International Journal of Legal Medicine 121:477‒482.
Slice, D. & Algee-Hewitt, B. 2015. Modeling bone surface morphology: A fully quantitative method for age-at-death estimation using the pubic symphysis. Journal of Forensic Sciences 60:4: 835‒843.
Stoyanova, D., Algee-Hewitt, B., Slice, D. 2015. An enhanced computational method for age-at-death estimation based on the pubic symphysis using 3D laser scans and thin plate splines. American Journal of Physical Anthropology 158: 431‒440.
Stoyanova, D., Algee-Hewitt, B., Kim, J., Slice, D. 2017. A Computational Framework for Age-at-Death Estimation from the Skeleton: Surface and Outline Analysis of 3D Laser Scans of the Adult Pubic Symphysis. Journal of Forensic Sciences 62: 1434‒144.
Urbanová, P., Ross, A., Jurda, M., Nogueira, M. 2014. Testing the reliability of software tools in sex and ancestry estimation in a multi-ancestral Brazilian sample. Legal Medicine 16: 264‒273.
Walker, P. 2008. Sexing skulls using discriminant function analysis of visually assessed traits. American Journal of Physical Anthropology 136: 39‒50.
KALMISTOPIIRI 