水里捞上来的尸体，最难回答的问题不是"他是谁"，而是"他是在水里淹死的，还是死了以后才被丢进水里的"。这个问题的答案，藏在一种显微镜下才能看到的微小生物身上——硅藻。
硅藻是一种单细胞藻类，细胞壁由二氧化硅构成，形态稳定、耐腐败。人如果在生前入水，水中的硅藻会随着呼吸进入肺泡，穿过肺泡壁毛细血管进入体循环，最终沉积在肝、肾、骨髓等远隔器官中。如果是死后入水，水可能被动进入肺部，但硅藻不会跨过肺泡屏障进入大循环——心脏已经停了，没有泵血动力。
这个原理不复杂，但实际操作中的瓶颈是：人工在显微镜下找硅藻，太慢、太累、太容易漏。一份组织样本可能有几百个视野，每个视野里可能有硅藻也可能没有，法医要一个一个看过去，看完一份样本少则几小时，多则一整天。
SF/T 0182-2024《硅藻检验技术规范 基于人工智能技术的自动化方法》就是为了解决这个问题而制定的。这份标准由司法部于2024年发布、2025年6月1日起正式实施，是国内第一个将AI自动化方法纳入硅藻检验流程的行业技术规范。
标准的核心内容
SF/T 0182-2024规定了一套完整的AI自动化硅藻检验流程，从样本制备到最终结果确认，每个环节都有明确的技术要求。
仪器设备方面，标准要求配备自动化显微镜系统，至少具备以下功能：自动对焦、自动扫描载玻片、高分辨率成像（建议不低于2048×2048像素）、以及支持AI模型运行的图像处理工作站。成像系统的放大倍数应能满足不同硅藻科属的形态鉴别需求——因为硅藻的尺寸跨度很大，从不足10微米到超过200微米都有。
AI模型方面，标准引用了GB/T 5271.1-2000和AIOSS-01-2018作为基础参考。模型应经过训练和验证，能够自动识别至少50个属的硅藻，并在预设的概率阈值下输出分类结果。标准的参考文献中专门提到了DiatomNet v1.0——一个专门为法医学硅藻自动检测开发的深度学习网络。
检验步骤分为样本制备、自动扫描、AI初筛和人工确认四个阶段。自动扫描阶段，显微镜按照预设的路径和焦距自动遍历样本的全部有效区域，每获取一张图像即送入AI模型进行二元分类——"含硅藻"或"不含硅藻"。分类结果形成坐标索引，供后续人工确认时快速定位。
性能要求方面，标准虽然没有规定单一的硬性阈值（不同设备、不同样本类型的表现会有差异），但要求在正式投入使用之前，必须完成方法验证——包括检出率（召回率）、准确率（查准率）和图片排除比例的评估。根据已发表的研究数据，AI模型在0.5阈值下对硅藻的召回率可达95%以上，图像排除比例（即AI判定为"无硅藻"、无需人工复核的图片占比）可以达到70%到85%——这意味着法医只需要人工确认剩下的15%到30%的图片，工作量直接削减了三分之二以上。
结果判定方面，标准要求AI自动分析的结论必须经过人工复核确认，不能单独作为判定溺死的依据。最终报告需要包含两部分：AI自动识别统计结果和人工复核确认结果，两者的吻合度需要在报告中如实呈现。
这项标准意味着什么
对于一线的法医硅藻检验人员来说，SF/T 0182-2024解决的第一个问题是"能不能用"。在此之前，很多实验室已经自己探索了AI辅助硅藻检验的方法——有用商业图像分析软件的、有用开源自训练CNN模型的、有用迁移学习的——但没有统一的技术规范，鉴定意见书里提到"AI辅助分析"时，质证环节很容易受到质疑。现在有了行业标准，AI方法的合规性就有了依据。
解决的第二个问题是"怎么验证"。标准规定了方法验证的框架——检出率、查准率、排除率、各类阈值下的性能指标——这就让不同实验室之间的AI系统有了可比性。对CNAS评审来说，这也是设备验证的现成依据。
国内在硅藻AI检测方面的研究已经走在国际前列。赵建团队在硅藻检验的整体技术上贡献突出——他们研发的"微波消解-真空抽滤-扫描电镜联用法"将硅藻检出率从28%提升到了97.4%。云南公安法医团队构建了覆盖全省主要水域的本地硅藻数据库，并自主研发了AI搜索系统，将大量图像初筛时间从7天压缩到4小时，实现了50个属级硅藻的自动识别。这些基层探索成果是SF/T 0182-2024标准落地的重要实践基础。
当然，标准也有明显的限定条件。目前的AI模型只适用于完整硅藻的形态识别——对于破碎的硅藻碎片、被组织细胞遮盖的半遮挡硅藻，模型的准确率会显著下降。而且AI是基于已有训练数据做判断的，对于训练集中没有出现过的稀有硅藻种类，模型可能直接漏报。这些局限标准中也有提示，最终的责任仍在鉴定人——AI只是工具，不是裁判。